CN113715229A - 一种注塑制品质量检测的方法和系统 - Google Patents

Abstract

本说明书实施例提供一种注塑制品质量检测方法，该方法包括使用机械臂抓取注塑制品放置于红外感应区，红外感应区设置有红外采集装置。使红外采集装置采集注塑制品的红外温度分布图像，基于红外温度分布图像确定注塑制品的内部气泡的分布信息。

Description

一种注塑制品质量检测的方法和系统

技术领域

本说明书涉及注塑制品质量检测领域，特别涉及一种使用红外检测注塑制品质量的方法和系统。

背景技术

在实际生产中，注塑制品的内部可能会存在大小不一、位置不定的气泡，会直接影响注塑制品的质量和可用程度。目前注塑制品的质量检测主要为抽样切片检测和X射线检测。前者由于会破坏样品，只能抽样检测，而后者速度比较慢且成本较高。

为解决上述问题，本方案提供了一种快速低成本的非破坏式的注塑制品质量检测方法。

发明内容

本说明书实施例之一提供一种注塑制品质量检测方法。所述注塑制品质量检测方法包括：通过机械臂抓取注塑制品放置于红外感应区，所述红外感应区设置有红外采集装置；通过所述红外采集装置采集所述注塑制品的红外温度分布图像；基于所述红外温度分布图像确定所述注塑制品的内部气泡的分布信息。

本说明书实施例之一提供一种注塑制品质量检测系统。所述系统包括：机械臂，用于抓取注塑制品放置于红外感应区；红外采集装置，位于所述红外感应区，用于采集所述注塑制品的红外温度分布图像；处理器，用于基于所述红外温度分布图像确定所述注塑制品的内部气泡的分布信息。

本说明书实施例之一提供一种注塑制品质量检测装置，包括处理器，所述处理器用于执行实现注塑制品质量检测的方法。

本说明书实施例之一提供一种计算机可读存储介质，所述存储介质存储计算机指令，当计算机读取存储介质中的计算机指令后，计算机执行实现注塑制品质量检测的方法。

附图说明

本说明书将以示例性实施例的方式进一步说明，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书一些实施例所示的注塑制品质量检测系统的应用场景示意图；

图2是根据本说明书一些实施例所示的注塑制品质量检测流程的示例性流程图；

图3是根据本说明书一些实施例所示的确定注塑制品的内部气泡的分布信息的流程的示例性流程图；

图4是根据本说明书一些实施例所示的第一预测模型的示意图；

图5是根据本说明书一些实施例所示的确定注塑制品的内部气泡的分布信息的流程的示例性流程图。

具体实施方式

为了更清楚地说明本说明书实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见地，下面描述中的附图仅仅是本说明书的一些示例或实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图将本说明书应用于其它类似情景。除非从语言环境中显而易见或另做说明，图中相同标号代表相同结构或操作。

应当理解，本文使用的“系统”、“装置”、“单元”和/或“模块”是用于区分不同级别的不同组件、元件、部件、部分或装配的一种方法。然而，如果其他词语可实现相同的目的，则可通过其他表达来替换所述词语。

如本说明书和权利要求书中所示，除非上下文明确提示例外情形，“一”、“一个”、“一种”和/或“该”等词并非特指单数，也可包括复数。一般说来，术语“包括”与“包含”仅提示包括已明确标识的步骤和元素，而这些步骤和元素不构成一个排它性的罗列，方法或者设备也可能包含其它的步骤或元素。

本说明书中使用了流程图用来说明根据本说明书的实施例的系统所执行的操作。应当理解的是，前面或后面操作不一定按照顺序来精确地执行。相反，可以按照倒序或同时处理各个步骤。同时，也可以将其他操作添加到这些过程中，或从这些过程移除某一步或数步操作。

图1是根据本说明书一些实施例所示的注塑制品质量检测系统100的示意图。

在一些实施例中，所述注塑制品质量检测系统100可以包括红外采集装置110、机械臂130、处理器140、网络150、存储器160和显示装置170。

红外采集装置110可以是用于采集物体发出的红外能量信息的装置，红外能量信息可以反映物体各部分的温度信息。红外采集装置110可以是红外线热像仪、红外线传感器、红外线感应器等可以采集红外能量的装置。

在一些实施例中，红外采集装置110可以采集被测物体180发出的不可见的红外能量信息，并将红外能量信息转变为可见的红外温度分布图像，再将红外温度分布图像通过网络150传输给处理器140进一步处理。在一些实施例中，红外温度分布图像上的不同颜色代表被测物体的不同温度。在一些实施例中，红外采集装置110可以采集被测物体180发出的红外能量信息，直接将采集到的红外能量信息通过网络150传输给处理器140进一步处理。

机械臂130可以是固定物体并将物体移动和/或旋转至不同位置和方向的装置。在一些实施例中，机械臂130可以包括机械爪。通过机械爪，机械臂130可以将被测物体180夹持固定。在一些实施例中，机械臂180可以将加持固定的被测物体180移动至红外感应区120，使设置在红外感应区120的红外采集装置110采集被测物体180的红外能量信息。

在一些实施例中，机械臂130的夹持参数、移动和/或旋转参数可以由工作人员设置。在一些实施例中，机械臂130的夹持参数、移动和/或旋转参数可以根据被测物体180的初始位置和姿态、目标位置和姿态进行自动设置。

处理器140可以处理红外采集装置110采集的红外能量信息和/或生成的红外温度分布图像。在一些实施例中，处理器140可以基于红外能量信息和/或红外温度分布图像确定被测物体180的内部气泡的分布信息。

网络150可以包括有线网络和无线网络。在一些实施例中，网络150可以连接红外感应装置110、机械臂130、处理器140、存储器160和显示装置170，并在红外感应装置110、机械臂130、处理器140、存储器160和显示装置170之间传输信息。

存储器160可以用于存储信息和/或指令。在一些实施例中，存储器160可以通过网络150与红外感应装置110、机械臂130、处理器140和显示装置170连接，用于存储红外感应装置110、机械臂130和/或处理器140需要使用和/或生成的信息和数据。在一些实施例中，红外感应装置110、机械臂130、处理器140和显示装置170可以包括各自的存储器，用于存储各自的信息和/或指令。

显示装置170可以用于显示信息。在一些实施例中，显示装置170可以显示红外感应装置110采集到的红外能量信息和/或红外温度分布图像。在一些实施例中，显示装置170可以显示处理器140产生的被测物体180的内部气泡的分布信息。在一些实施例中，显示装置170可以显示机械臂130的夹持参数、移动和/或旋转参数。

在一些实施例中，处理器140和存储器160可以集成在红外采集装置110中。在一些实施例中，处理器140和存储器160可以集成在显示装置170中。在一些实施例中，处理器140和存储器160可以独立于红外采集装置110和显示装置170。在一些实施例中，存储器160可以与处理器140集成。

需要注意的是，以上对于注塑制品质量检测系统100的描述，仅为描述方便，并不能把本说明书限制在所举实施例范围之内。可以理解，对于本领域的技术人员来说，在了解该系统的原理后，可能在不背离这一原理的情况下，对各个装置进行任意组合，或者构成子系统与其他模块连接。

图2是根据本说明书一些实施例所示的注塑制品质量检测流程200的示例性流程图。如图2所示，流程200包括下述步骤。在一些实施例中，流程200可以由注塑制品质量检测系统100执行。

步骤210，机械臂130可以抓取注塑制品放置于红外感应区120，所述红外感应区120设置有红外采集装置130。

注塑制品是采用注塑工艺制备的成品或者半成品。注塑制品可以有多种形状和结构。

在一些实施例中，注塑制品可以来源于生产线上。在一些实施例中，注塑制品生产和传输系统可以将生产的注塑制品放置于载物台，控制与载物台连接的传送带将载物台传送至预设位置，使机械臂130通过机械爪从预设位置抓取注塑制品。

在一些实施例中，注塑制品可以来源于工作人员。在一些实施例中，工作人员可以将需要检测的注塑制品放置于固定区域，使机械臂130通过机械爪从固定区域抓取注塑制品。在一些实施例中，工作人员可以将需要检测的注塑制品放置于支撑架上，此支撑架可以固定并移动和/或转动注塑制品。

红外感应区120可以是用于采集注塑制品的红外能量信息的区域，在红外感应区120内或者附近设置有红外采集装置110。

在一些实施例中，注塑制品可以由机械臂130上的机械爪从固定或移动位置夹持固定，然后由机械臂130将注塑制品移动至红外感应区120。

步骤220，红外采集装置110可以采集注塑制品的红外温度分布图像。

红外温度分布图像是基于采集到的注塑制品的红外能量信息生成的反映注塑制品各部分温度的图像。红外温度分布图像可以包括注塑制品各部分的坐标信息和温度信息。红外温度分布图像上的不同颜色可以表示注塑制品的不同温度。例如，红色表示的温度比蓝色表示的温度高。

在一些实施例中，红外温度分布图像可以包括注塑制品一个方位的红外温度分布图像。

在一些实施例中，红外温度分布图像可以包括注塑制品在至少两个方位的红外温度分布图像。在一些实施例中，可以根据注塑制品的形状来确定其需要采集的方位。例如，当注塑制品为圆盘状时，可以采集注塑制品的第一圆面方位和第二圆面方位的红外温度分布图像。当注塑制品为立方体形状时，可以采集注塑制品的六个面所在方位的红外温度分布图像。在一些实施例中，可以根据注塑制品的不同部分的功能来确定其需要采集的方位。例如，可以采集承重面的第一面和与第一面相对的第二面的红外温度分布图像。

在一些实施例中，机械臂130可以旋转注塑制品，使注塑制品的不同方位面对红外采集装置110，然后通过红外采集装置110采集注塑制品不同方位的红外温度分布图像。在一些实施例中，用于放置注塑制品的支撑架可以旋转注塑制品，使注塑制品的不同方位面对红外采集装置110，然后通过红外采集装置110采集注塑制品不同方位的红外温度分布图像。

在一些实施例中，红外采集装置110可以包括至少一个红外线传感器，红外线传感器的不同部位和/或不同的红外线传感器可以接收和检测注塑制品的不同部分发出的多个波段的红外线，并将红外信号转化为电信号，基于电信号可以产生红外温度分布图像。

通过机械臂对注塑制品进行旋转，可以自动化地更全面地采集注塑制品的不同方位的红外能量信息和/或红外温度分布图像，从而更加准确的预测注塑制品的内部气泡的分布情况。

步骤230，处理器140可以基于红外温度分布图像确定注塑制品的内部气泡的分布信息。

注塑制品的内部气泡可能是由于注塑阶段射出压力和保压时间不够而产生的，也可能是其他工艺参数，如合模时间，开模时间，注射时间，熔胶时间，溶胶温度、模具温度等参数不合适导致的。

内部气泡的分布信息可以包括内部气泡的大小和位置信息。内部气泡的大小可以分为超大气泡、大气泡、中气泡、小气泡和微小气泡等。内部气泡的大小的分类与注塑制品的大小、厚度以及内部气泡本身的大小有关系。例如，相同大小的内部气泡，在不同厚度的注塑制品中会被分类为不同的大小类型。内部气泡的位置可以分为靠近中心和靠近表面。内部气泡的位置分类与注塑制品的厚度以及内部气泡本身的位置有关系。例如距离注塑制品表面相同距离的内部气泡，在不同厚度的注塑制品中会被分类为不同的位置类型。

在一些实施例中，处理器140可以基于红外温度分布图像使用第一预测模型确定注塑制品的内部气泡的分布信息。在一些实施例中，处理器140可以基于红外温度分布图像使用第一预测模型或者第二预测模型确定注塑制品的内部气泡的分布信息。注塑制品的内部气泡的分布信息的确定的相关描述请参考图3和图5。

使用红外温度分布图像确定注塑制品的内部气泡的分布信息可以在不破坏注塑制品的情况快速地确定注塑制品的内部气泡的分布信息。并且由于检测速度快且不破坏注塑制品，可以对生产出的注塑制品依次进行检查或者高比例(如10％～50％)抽样检查，从而可以尽可能发现质量不达标的注塑制品，提高注塑制品的出厂合格率。

图3是根据本说明书一些实施例所示的确定注塑制品的内部气泡的分布信息流程300的示例性流程图。

步骤310，处理器140可以将待测注塑制品的红外温度分布图像输入第一预测模型。

在一些实施例中，第一预测模型的输入可以包括注塑制品的红外温度分布图像。在一些实施例中，第一预测模型的输入还可以包括注塑制品的至少一个相关信息，如注塑制品的成分、注塑制品的形状和大小、注塑制品原材料的信息(如干燥度、清洁度)等中的至少一个。在一些实施例中，第一预测模型的输入还可以包括制备注塑制品时的至少一个注塑工艺参数，如射出压力、保压时间、合模时间、开模时间、注射时间、熔胶时间、溶胶温度和模具温度等参数。

通过输入注塑制品的相关信息和/或制备注塑制品时的注塑工艺参数，可以使第一预测模型的预测更加准确。此外，通过输入注塑制品的相关信息，可以减少训练模型过程中的需要通过训练来优化的参数的数量，减少服务器负荷。

在一些实施例中，第一预测模型可以包括机器学习模型。在一些实施例中，第一预测模型可以基于注塑制品的红外温度分布图像确定注塑制品的内部气泡的分布信息。在一些实施例中，第一预测模型可以基于注塑制品的红外温度分布图像、注塑制品的相关信息和/或制备注塑制品时的注塑工艺参数确定注塑制品的内部气泡的分布信息。

在一些实施例中，第一预测模型可以包括红外特征提取层和判断层。

在一些实施例中，红外特征提取层可以基于注塑制品的红外温度分布图像提取红外温度分布图像的红外特征向量。

在一些实施例中，红外特征提取层的输入可以包括注塑制品的红外温度分布图像。在一些实施例中，红外特征提取层的输入还可以包括注塑制品的相关信息和/或制备注塑制品时的注塑工艺参数。

在一些实施例中，红外特征提取层的输出可以包括红外特征向量。

在一些实施例中，红外特征提取层可以是卷积神经网络(CNN)。

在一些实施例中，判断层可以包括第一判断层。

在一些实施例中，第一判断层可以基于红外特征向量确定注塑制品的内部气泡的分布信息。

在一些实施例中，第一判断层的输入可以包括红外特征向量。在一些实施例中，第一判断层的输入还可以包括注塑制品的相关信息和/或制备注塑制品时的注塑工艺参数。

在一些实施例中，第一判断层的输出可以包括注塑制品的内部气泡的分布信息。

在一些实施例中，第一判断层可以是全连接层。

步骤320，第一预测模型可以输出注塑制品的内部气泡的分布信息。在一些实施例中，注塑制品的内部气泡的分布信息可以包括一个多维向量，反映注塑制品的不同部分的气泡严重程度。在一些实施中，注塑制品的内部气泡的分布信息可以包括内部气泡的位置和大小信息。

第一预测模型可以基于训练样本获得。

训练样本可以包括多个注塑样品(包含质量未达标的)的红外温度分布图像和标签。在一些实施例中，注塑样品的红外温度分布图像可以包括一个或多个方位的红外分布图像。

在一些实施例中，训练样本的标签可以包括多个注塑样品的每一个的内部气泡的分布信息。在一些实施例中，可以将注塑样品切片后经人工来确定训练样本的标签。在一些实施例中，可以将注塑样品放入切割工具中进行切片，切片时可以控制切割工具按照预设规则(例如，间隔相同距离切片，如1mm、2mm等)进行切片。在一些实施例中，可以直接由一人或多人根据注塑制品的切片确定标签。在一些实施例中，可以将切片后的注塑样品拍照后，由一人或多人根据照片确定标签。在一些实施例中，可以将切片后的注塑样品拍照后，通过标签预测模型对拍摄的图像进行处理，确定标签。在一些实施例中，标签预测模型可以是CNN模型。

通过标签预测模型基于注塑样品的切片图像确定标签，可以有效的降低人工成本。

在一些实施例中，可以将训练样本输入至初始第一预测模型进行训练。

图4是根据本说明书一些实施例所示的第一预测模型的示意图。

在一些实施例中，第一预测模型可以包括红外特征提取层和判断层，且判断层可以包括第一判断层和第二判断层。红外特征提取层和第一判断层的相关描述可以参见图3。

在一些实施例中，第二判断层可以基于红外特征向量确定注塑制品的质量分数。质量分数可以用于确定注塑制品是否需要进行下一步检测，如X射线检测。例如，当注塑制品的质量分数大于第一阈值时，注塑制品不需要进行下一步检测，当注塑制品的质量分数小于或等于第一阈值时，注塑制品需要进行下一步检测。第一阈值可以是80％、85％、90％、95％等分数。

在一些实施例中，第二判断层的输入可以包括红外特征向量。在一些实施例中，第二判断层的输入还可以包括注塑制品的相关信息和/或制备注塑制品时的注塑工艺参数。

在一些实施例中，第二判断层的输出可以包括注塑制品的质量分数。

在一些实施例中，第二判断层可以是全连接层。

在一些实施例中，可以使用第一训练样本联合训练第一预测模型的红外特征提取层、第一判断层和第二判断层。

在一些实施例中，训练样本可以包括红外温度分布图像和标签。训练样本中红外温度图像的相关描述可以参见图3。

在一些实施例中，训练样本的标签可以包括多个注塑样品的每一个的质量分数和内部气泡的分布信息。确定标签中气泡的分布信息的相关描述可以参见图3。在一些实施例中，质量分数的确定可以由人工根据气泡的分布信息来确定。在一些实施例中，质量分数的确定可以通过检测注塑样品的性能强度来确定。

在一些实施中，可以将第一训练样本输入至初始机器学习模型进行训练。

在一些实施例中，在基于第一训练样本联合训练红外特征提取层、第一判断层和第二判断层后可以得到初步训练的第一预测模型，可以基于初步训练的第一预测模型使用第二训练样本对第一判断层进行局部训练。

在一些实施例中，第二训练样本可以包括红外温度分布图像和标签。在一些实施例中，第二训练样本的标签可以包括多个注塑样品的每一个的气泡的分布信息。

在一些实施例中，第二训练样本可以基于初步训练的第一预测模型确定。在一些实施例中，当初步训练的第一预测模型确定某个注塑制品的质量分数小于第二阈值时，可以对此注塑制品进行切片，确定内部气泡的分布信息并作为标签。然后将此注塑制品的红外温度分布图像和标签作为第二训练样本，对初步训练的第一预测模型进行训练。在一些实施例中，第二阈值可以与第一阈值相同。

在一些实施例中，第二阈值可以不同于第一阈值。

通过将初步训练的第一预测模型确定的可能存在质量问题的注塑制品作为第二训练样本，可以实时更新第二训练样本，而且此更新不需要损耗其他质量合格的制品，仅仅需要对可能存在质量问题的注塑制品进行切片来更新第二训练样本。而且，在实际使用过程中，在更新第二训练样本时，可以直接使用初步训练的第一预测模型(即当前使用的第一预测模型)确定注塑制品的内部气泡的分布信息时使用的红外温度分布图像，从而使实际预测和训练样本更新形成一个闭环，可以不断地增加第二训练样本，提高预测气泡的分布信息的准确率。

在一些实施例中，可以将第二训练样本输入至初步训练的第一预测模型进行训练以更新初步训练的第一预测模型中红外特征提取层和第一判断层的参数。

图5是根据本说明书一些实施例所示的确定注塑制品的内部气泡的分布信息流程500的示例性流程图。

步骤510，处理器140可以将待测注塑制品的红外温度分布图像输入第一预测模型。

步骤520，第一预测模型输出注塑制品的质量分数和内部气泡的分布信息。

步骤530，处理器140可以判断注塑制品的质量分数是否小于第一阈值。

步骤540，当处理器140判断注塑制品的质量分数不小于第一阈值时，注塑制品的检测结束。

步骤550，当处理器140判断注塑制品的质量分数小于第一阈值时，对注塑制品进行X射线检测得到X射线图像。

X射线检测是指使用X射线扫描待测的注塑制品，得到的图像为X射线图像。X射线图像包括了透过注塑制品的X射线的强度信息，可以反映注塑制品内部的缺陷(例如，气泡)信息。

步骤560，处理器140可以将注塑制品的X射线图像和红外温度分布图像输入第二预测模型。在一些实施例中，第二预测模型的输入还可以包括注塑制品的相关信息和/或制备注塑制品时的注塑工艺参数。

在一些实施例中，第二预测模型可以包括机器学习模型。在一些实施例中，第二预测模型可以基于注塑制品的X射线图像和红外温度分布图像更新注塑制品的内部气泡的分布信息。在一些实施例中，第二预测模型可以基于注塑制品的X射线图像、红外温度分布图像、注塑制品的相关信息和/或制备注塑制品时的注塑工艺参数确定注塑制品的内部气泡的分布信息。

在一些实施例中，第二预测模型可以包括X射线特征提取层、红外特征提取层和第三判断层。

在一些实施例中，第二预测模型的红外特征提取层可以直接通过从第一预测模型中迁移得到。

在一些实施例中，第二预测模型的红外特征提取层独立于第一预测模型。第二预测模型的红外特征提取层的输入和输出的相关描述可以参考图3中的红外特征提取层的相关描述。

在一些实施例中，X射线特征提取层可以基于注塑制品的X射线图像提取X射线图像的X射线特征向量。

在一些实施例中，X射线特征提取层的输入可以包括注塑制品的X射线图像。在一些实施例中，X射线特征提取层的输入还可以包括注塑制品的相关信息和/或制备注塑制品时的注塑工艺参数。

在一些实施例中，X射线特征提取层的输出可以包括X射线特征向量。

在一些实施例中，X射线特征提取层可以是卷积神经网络(CNN)。

在一些实施例中，判断层可以基于注塑制品的X射线特征向量和红外特征向量确定注塑制品的内部气泡的分布信息。

在一些实施例中，判断层的输入可以包括X射线特征向量和红外特征向量。在一些实施例中，判断层的输入还可以包括注塑制品的相关信息和/或制备注塑制品时的注塑工艺参数。

在一些实施例中，判断层的输出可以包括注塑制品的内部气泡的分布信息。

在一些实施例中，判断层可以是全连接层，与红外特征提取层和X射线提取层全连接。

步骤570，第二预测模型可以输出更新的注塑制品的内部气泡的分布信息。

第二预测模型可以基于第三训练样本获得。

在一些实施例中，第三训练样本可以包括多个注塑样品(包含质量未达标的)的红外温度分布图像、X射线图像和标签。在一些实施例中，注塑样品的红外温度分布图像可以包括一个或多个方位的红外分布图像。标签可以包括多个注塑样品的每一个的内部气泡的分布信息。

在一些实施中，可以将第三训练样本输入至初始第一预测模型进行训练。

应当注意的是，上述有关流程的描述仅仅是为了示例和说明，而不限定本说明书的适用范围。对于本领域技术人员来说，在本说明书的指导下可以对流程进行各种修正和改变。然而，这些修正和改变仍在本说明书的范围之内。

上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。

同时，本说明书使用了特定词语来描述本说明书的实施例。如“一个实施例”、“一实施例”、和/或“一些实施例”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一实施例”或“一个实施例”或“一个替代性实施例”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。

此外，除非权利要求中明确说明，本说明书所述处理元素和序列的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过硬件设备实现，但是也可以只通过软件的解决方案得以实现，如在现有的服务器或移动设备上安装所描述的系统。

同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。

一些实施例中使用了描述成分、属性数量的数字，应当理解的是，此类用于实施例描述的数字，在一些示例中使用了修饰词“大约”、“近似”或“大体上”来修饰。除非另外说明，“大约”、“近似”或“大体上”表明所述数字允许有±20％的变化。相应地，在一些实施例中，说明书和权利要求中使用的数值参数均为近似值，该近似值根据个别实施例所需特点可以发生改变。在一些实施例中，数值参数应考虑规定的有效数位并采用一般位数保留的方法。尽管本说明书一些实施例中用于确认其范围广度的数值域和参数为近似值，在具体实施例中，此类数值的设定在可行范围内尽可能精确。

针对本说明书引用的每个专利、专利申请、专利申请公开物和其他材料，如文章、书籍、说明书、出版物、文档等，特此将其全部内容并入本说明书作为参考。与本说明书内容不一致或产生冲突的申请历史文件除外，对本说明书权利要求最广范围有限制的文件(当前或之后附加于本说明书中的)也除外。需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。

最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。

Claims (10)

1.一种注塑制品质量检测的方法，其特征在于，所述方法包括：

通过机械臂抓取注塑制品放置于红外感应区，所述红外感应区设置有红外采集装置；

通过所述红外采集装置采集所述注塑制品的红外温度分布图像；

基于所述红外温度分布图像确定所述注塑制品的内部气泡的分布信息。

2.如权利要求1所述的方法，其特征在于，所述通过所述红外采集装置采集所述注塑制品的红外温度分布图像包括：

通过所述机械臂对所述注塑制品进行转动，通过所述红外采集装置采集所述注塑制品在至少两个方位的红外温度分布图像。

3.如权利要求1或2所述的方法，其特征在于，基于所述红外温度分布图像确定所述注塑制品的内部气泡的分布信息包括：

使用第一预测模型基于所述红外温度分布图像确定所述注塑制品的内部气泡的分布信息，其中，

所述第一预测模型为机器学习模型，包括红外特征提取层和判断层，

所述红外特征提取层用于基于所述红外温度分布图像提取红外特征，

所述判断层包括第一判断层，用于基于提取的所述红外特征，判断所述注塑制品的内部气泡的分布信息。

4.如权利要求3所述的方法，其特征在于，所述判断层还包括第二判断层，所述第二判断层用于判断所述注塑制品的质量分数；

所述方法进一步包括：基于所述第二判断层输出的所述质量分数，确定是否对所述注塑制品进行进一步的检测。

5.一种注塑制品质量检测的系统，其特征在于，所述系统包括：

机械臂，用于抓取注塑制品放置于红外感应区；

红外采集装置，位于所述红外感应区，用于采集所述注塑制品的红外温度分布图像；

处理器，用于基于所述红外温度分布图像确定所述注塑制品的内部气泡的分布信息。

6.如权利要求5所述的系统，其特征在于，所述采集所述注塑制品的红外温度分布图像包括：

通过所述机械臂对所述注塑制品进行转动，通过所述红外采集装置采集所述注塑制品在至少两个方位的红外温度分布图像。

7.如权利要求5或6所述的系统，其特征在于，基于所述红外温度分布图像确定所述注塑制品的内部气泡的分布信息包括：

使用第一预测模型基于所述红外温度分布图像确定所述注塑制品的内部气泡的分布信息，其中，

所述第一预测模型为机器学习模型，包括红外特征提取层和判断层，

所述红外特征提取层用于基于所述红外温度分布图像提取红外特征，

所述判断层包括第一判断层，用于基于提取的所述红外特征，判断所述注塑制品的内部气泡的分布信息。

8.如权利要求7所述的系统，其特征在于，所述判断层还包括第二判断层，所述第二判断层用于判断所述注塑制品的质量分数；

所述方法进一步包括：基于所述第二判断层输出的所述质量分数，确定是否对所述注塑制品进行进一步的检测。

9.一种注塑制品质量检测的装置，其特征在于，所述装置包括至少一个处理器以及至少一个存储器；

所述至少一个存储器用于存储计算机指令；

所述至少一个处理器用于执行所述计算机指令中的至少部分指令以实现如权利要求1～4中任意一项所述的方法。

10.一种计算机可读存储介质，其特征在于，所述存储介质存储计算机指令，当所述计算机指令被处理器执行时实现如权利要求1～4任意一项所述的方法。

Images