CN113935982A - 基于深度学习的印刷质量检测分析系统 - Google Patents

基于深度学习的印刷质量检测分析系统 Download PDF

Info

Publication number
CN113935982A
CN113935982A CN202111258302.5A CN202111258302A CN113935982A CN 113935982 A CN113935982 A CN 113935982A CN 202111258302 A CN202111258302 A CN 202111258302A CN 113935982 A CN113935982 A CN 113935982A
Authority
CN
China
Prior art keywords
defect
server
deep learning
information
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111258302.5A
Other languages
English (en)
Other versions
CN113935982B (zh
Inventor
王岩松
和江镇
方志斌
刘福
韩飞
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Focusight Technology Co Ltd
Original Assignee
Focusight Technology Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Focusight Technology Co Ltd filed Critical Focusight Technology Co Ltd
Priority to CN202111258302.5A priority Critical patent/CN113935982B/zh
Publication of CN113935982A publication Critical patent/CN113935982A/zh
Application granted granted Critical
Publication of CN113935982B publication Critical patent/CN113935982B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/23—Updating
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30144—Printing quality
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • General Factory Administration (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明涉及一种基于深度学习的印刷质量检测分析系统，包括Client端独立缺陷图像数据采集与发送模组、Client端与Server端通信模组、Server端缺陷图像数据接收存储模组、Server端缺陷图像深度学习分类模组、Server端深度学习训练模组以及Server端报表显示模组。本发明将缺陷定位到工艺环节，形成优质统计分析报告，从生产工艺角度指导生产、质量及设备等部门的优化改进工作，实现最优化良率，减少资源浪费，降低成本，实现降本增效目的，最终实现质量报告更精准，工艺改善方向准，实现综合质量不断提升。

Description

基于深度学习的印刷质量检测分析系统
技术领域
本发明涉及深度学习技术领域，尤其是一种基于深度学习的印刷质量检测分析系统。
背景技术
烟包印刷品在生产过程中会经过不同工艺的生产过程，生产过程中的各种不确定因素，极易导致表面出现缺陷和瑕疵。在烟包印刷品缺陷检测中，通常以不同的工艺建立不同的分层，可以根据分层的缺陷信息统计缺陷的种类。
但是，现有检测技术，只能根据缺陷的位置和检测使用的算法来进行缺陷类别的定义，只能分辨缺陷品与好品的异常，但无法描述缺陷信息，更无法准确定位缺陷产生的工艺环节，找不到改善工艺或设备的方向，改善措施无法制定和实施，从而无法从生产环节降低缺陷率。因此上述问题容易造成企业人力、物力的极大浪费，但仍束手无策。
发明内容
本发明要解决的技术问题是：提供一种基于深度学习的印刷质量检测分析系统，采用深度学习算法实现工艺层面的缺陷统计与分析，并不断丰富和学习工艺缺陷数据库，逐渐形成一个可辨别不同工艺缺陷的强大分类器。
本发明解决其技术问题所采用的技术方案是：一种基于深度学习的印刷质量检测分析系统，包括Client端独立缺陷图像数据采集与发送模组、Client端与Server端通信模组、Server端缺陷图像数据接收存储模组、Server端缺陷图像深度学习分类模组、Server端深度学习训练模组以及Server端报表显示模组；
所述的Client端独立缺陷图像数据采集与发送模组，采用信息记录与搜索功能，即将缺陷信息以设定格式临时记录到txt文档中，发送程序直接根据txt文件检索缺陷图像列表，并将缺陷信息与缺陷图像打包发送；
所述的Client端与Server端通信模组，发送和接收端各创建独立线程，接收端创建Select模块实现最多64个发送端并发发送数据，其次设置非阻塞模式，当无数据时立即返回；
所述的Server端缺陷图像数据接收存储模组，Server服务器接收端根据包头和包尾内容解析数据，通过switch语句判断包体决策该数据来自哪一机台；采用MySql数据库保存缺陷信息，在原缺陷信息基础上新增机台编号、产品名称、工序信息；
所述的Server端深度学习训练模组，提供一个实现缺陷小图按工序-工艺-缺陷分类测试的工具，并提供操作界面；
所述的Server端深度学习分类模组，对服务器端缺陷小图进行工艺分类；接收的数据保存至数据库中，数据库每增加设定条数的触发分类程序，响应函数进行数据处理操作；
所述的Server端报表显示模组，进行数据库信息的统计及可视化展示。
进一步的说，本发明包括以下步骤，
步骤1、检品机检测过程产生缺陷小图，缺陷信息保存到txt文件下，每个txt记录100条缺陷信息；
步骤2、Client端发送模组当检测到txt数量大于2时开始依据txt里的记录逐条开始发送；
步骤3、首先根据该条记录检索到对应的缺陷小图；
步骤4、将缺陷小图及其记录信息打包发送至server端；
步骤5、Server端接收到该条信息后进行拆包，获取缺陷小图、缺陷信息；
步骤6、将缺陷小图依据机台-车次分类保存，将缺陷信息存储至MySql数据库；
步骤7、Server端分类模组检索MySql数据库更新情况，发现存在更新将新数据逐条处理，首先根据记录检索到缺陷小图位置，然后采用深度学习决策库处理缺陷小图，最后将判决结果结合数据库中保存的缺陷信息共同存储至iReport数据库中；
步骤8、系统运行一段时间后，iReport数据库中记录大量数据，可对其进行统计形成统计报表。
再进一步的说，本发明还包括以下步骤，
A1、收集缺陷小图；
A2、使用Server训练模组提供的分类工具进行分类；
A3、将分类好的样本作为训练集进行深度学习训练；
A4、训练完成后导出深度学习决策库，嵌入服务器指定位置。
再进一步的说，本发明所述的Server端深度学习分类模组的运行包括以下步骤，
(1)依次索引获取数据库更新的缺陷信息并解析内容；
(2)依据缺陷类型将缺陷数据集划分两类，不需要深度学习处理的为A类，否则归为B类；
(3)A类依据数据库中缺陷名称信息，根据工艺缺陷-算法缺陷对照表进行结果转换；B类依据产品名称进行对应产品的深度学习运行库进行识别，以识别结果作为该图最终缺陷类型；
(4)上述步骤(3)产生的最终判决信息结合数据库中保存的缺陷信息共同存储至iReport数据库中。
本发明的有益效果是，解决了背景技术中存在的缺陷，将缺陷定位到工艺环节，形成优质统计分析报告，从生产工艺角度指导生产、质量及设备等部门的优化改进工作，实现最优化良率，减少资源浪费，降低成本，实现降本增效目的，最终实现质量报告更精准，工艺改善方向准，实现综合质量不断提升。
附图说明
图1是本发明实施框图；
图2是本发明Client端独立缺陷数据采集与发送模组框图；
图3是本发明Client端独立缺陷数据采集框图；
图4是本发明Client端缺陷数据发送框图；
图5是本发明Client端与Server端通信模组框图；
图6是本发明Client端与Server端通信实现框图；
图7是本发明深度学习工艺缺陷重定义框图；
图8是本发明Server端深度学习分析框图。
具体实施方式
现在结合附图和优选实施例对本发明作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本发明的基本结构，因此其仅显示与本发明有关的构成。
如图1-图8所示的一种基于深度学习的印刷质量检测分析系统，系统整体架构包括Client端独立缺陷图像数据采集与发送模组、Client端与Server端通信模组、Server端缺陷图像数据接收存储模组、Server端缺陷图像深度学习分类模组、Server端深度学习训练模组以及Server端报表显示模组。
Client端独立缺陷数据采集与发送模组，采用txt的快速记录及检索功能，并提供一种自定义的数据记录格式，即将缺陷信息以特定格式临时记录到txt文档中，发送程序直接根据txt文件检索缺陷图像列表，并将缺陷信息与缺陷图像打包发送。实现零增加原检测软件及数据库负担从而保证高速检测要求的同时实现缺陷数据的临时记录及快速处理的功能；提供一种循环策略，解决异常情况下漏发、重发等问题。特定格式为：{机台，车次，图像名，缺陷类型，产品名，工位，缺陷坐标，缺陷面积，缺陷等级}。
Client端与Server端通信模组，自定义一种数据报文格式，可实现缺陷信息及缺陷图像的一次发送，并拓展报文头数据，提供一种接收报文数据完整性验证方式。发送和接收端各创建独立线程，接收端创建Select模块可实现最多64个发送端并发发送数据，其次设置非阻塞模式，当无数据时立即返回。SOCKET报文包括包头、包体和包尾，包头包括本次消息的起始标志位，用char cmd_start[5]＝“##*##”表示，用于校验；包体是所要发送的缺陷信息本身，具体包括缺陷小图char image[160000]和缺陷信息char data_info[1000]；包尾用于判断该条信息的结束char cmd_end[5]“**#**”。
Server端缺陷图像数据接收存储模组，Server服务器接收端根据包头和包尾内容解析数据，通过switch语句判断包体决策该数据来自哪一机台。采用MySql数据库保存缺陷信息，在原缺陷信息基础上新增机台编号、产品名称、工序信息。
Server端深度学习训练模组，深度学习训练模组在于提供一个实现缺陷小图按工序-工艺-缺陷分类测试的工具，并提供友好的操作界面。
Server端深度学习分类模组，主要实现对服务器端缺陷小图进行工艺分类的功能。依据缺陷类型将缺陷数据集划分两类，不需要深度学习处理的为A类，否则归为B类。A类依据数据库中缺陷名称信息，根据工艺缺陷-算法缺陷对照表进行结果转换；B类依据产品名称进行对应产品的深度学习运行库进行识别，以识别结果作为该图最终缺陷类型。接收的数据保存至数据库中，数据库每增加5000条触发分类程序，响应函数进行数据处理操作。触发响应频率可手动设置。
Server端报表显示模组，实现数据库信息的统计及可视化展示功能。
系统运行步骤如下：
准备工作：
步骤1、收集缺陷小图。
步骤2、使用Server训练模组提供的分类工具进行分类。
步骤3、将分类好的样本作为训练集进行深度学习训练。
步骤4、训练完成后导出深度学习决策库，嵌入服务器指定位置。
运行过程:
步骤1、检品机检测过程产生缺陷小图，缺陷小图保存到autosave文件夹下，缺陷信息保存到txt文件下(每个txt记录100条缺陷信息)。
步骤2、Client端发送模组当检测到txt数量大于2时开始依据txt里的记录逐条开始发送。
步骤3首先根据该条记录检索到对应的缺陷小图。
步骤4、将缺陷小图及其记录信息打包发送至server端。
步骤5、Server端接收到该条信息后进行拆包，获取缺陷小图、缺陷信息。
步骤6、将缺陷小图依据机台-车次分类保存，将缺陷信息存储至MySql数据库。
步骤7、Server端分类模组检索MySql数据库更新情况，发现存在更新将新数据逐条处理，首先根据记录检索到缺陷小图位置，然后采用深度学习决策库处理缺陷小图，最后将判决结果结合数据库中保存的缺陷信息共同存储至iReport数据库中。
步骤8、系统运行一段时间后，iReport数据库中记录大量数据，可对其进行统计形成统计报表。
Client端独立缺陷图像数据采集与发送模组，在检测软件写数据库子线程内增加写txt功能，考虑到该过程为子线程非主线程，txt文件写入速度快且占硬盘空间极小，框图如图2所示。
txt文件以索引号命名存储，index.txt。存储格式采用自定义方式，以一行为一组缺陷数据，被{}包含，采用：{类型1：名称1，类型2：名称2，....}方式存储，涵盖机台编号、车次、IPU、图名、缺陷类型、产品名、缺陷位置、缺陷面积、缺陷能量、缺陷等级信息。
具体实施如图3所示，Client在保存缺陷小图信息至数据库同时进行将缺陷信息写入txt文件，以200条为一个txt文件(可在配置文件中修改数量)，当写满200个后会按索引号递增方式新建一个txt文件写入新的数据，当写满5000个txt(暂定5000个)后将索引号归零，继续从第0个txt开始写入。
发送程序索引txt并发送txt中的数据及对应的缺陷小图(如图4所示)，当发完200条数据及小图，随之删除该txt文件。因此ICW写txt时需判断该txt是否存在及是否被占用，若不存在则创建，若存在则在原基础上继续存入200条数据(共计400条了)，若被占用(说明该txt文件正在被发送程序打开索引内部数据)则直接将索引号+10，从该txt文件后的第10个开始继续写入，规避读写冲突。发送程序循环索引0～5000个txt文件，逐条读取txt文件中记录的缺陷信息，根据车次信息及图片名称，找到autosave文件夹中对应缺陷小图。最终将缺陷小图及缺陷信息打包通过socket发送至服务器端。
Client端与Server端通信模组框图如图5所示，具体实施如图6所示；
发送和接收端各创建独立线程，接收端创建select模块可实现最多64个发送端并发发送数据，其次设置非阻塞模式，当无数据时立即返回。
数据格式：SOCKET报文包括包头、包体和包尾，包头包括本次消息的起始、大小和作用，其中起始用char cmd_start[5]＝“##*##”表示，用于校验；包体是所要发送的缺陷信息本身，具体包括缺陷小图char image[160000]和缺陷信息char data_info[1000]；包尾用于判断该条信息的结束char cmd_end[5]“**#**”。
为实现包头、包体和包尾一次发送，定义一个DATA类，进行包头、包体、包尾的实例化及实现报文的整合和解析。
将报文、报文体、报文尾编码整合成连续内存，用于socket发送；将buffer里的内存数据解析；采用枚举方式定义机台编号：
数据发送具体步骤如下：
第一步：定义循环，循环读取索引txt文件。
第二步：逐行读取txt文件中内容，一行代表一张缺陷小图的所有信息。
第三步：获取车次信息、缺陷图名，定位该缺陷小图路径。
第四步：向DATA类中写入cmd_start、record、size、data及cmd_end信息。
第五步：发送数据。
Server端数据接收与存储，Server服务器接收端同样需定义DATA类，根据包头和包尾内容获取数据，通过switch语句判断包头record决策该数据来自哪一机台，做分别处理和保存：
(1)接收数据
(2)数据解析
缺陷小图以：D盘、QIASPool、机台编号、车次信息、原图片名层次保存；
缺陷信息通过str.Mid方式截取对应位置信息，如：
LotName＝datarecv.data_info.Mid(21,9)；
ImageName＝datarecv.data_info.Mid(41,16)；
解析出：机台编号、车次信息、图片名、缺陷类型、工序、产品名称、IPU、缺陷位置、缺陷能量、缺陷等级。
数据保存：暂定采用MySql数据库保存缺陷信息，在原access缺陷数据库所存储的缺陷信息基础上新增机台编号、产品名称、工序信息。
Server端深度学习训练模组在于提供一个实现缺陷小图按工序-工艺-缺陷分类测试的工具，并提供友好的操作界面。分好类的训练样本集直接进行深度学习训练建模。
分类工具提供功能如下：
1、添加需要分类的缺陷小图文件夹，提供bmp、png、jpg三种格式图片分类；
2、提供png、jpg格式图片转换成bmp格式；
3、实现原4通道缺陷小图向单通道和三通道转换；
4、好品子图生成功能，从模板图中批量按序截取200*200的子图；
5、初始化缺陷命名，按产品-工艺-缺陷命名；
6、提供缺陷小图复检、自动下一张功能；
7、缺陷类别命名区；
8、点击对应按钮，将当前图像分类到以产品-工艺-缺陷命名的文件夹中；
9、误分删除键；
10、打开深度学习训练软件；
11、对训练后生成的模型进行离线检测；
12、当前缺陷小图展示区域。
操作过程如下：
添加待分类缺陷小图。
点击初始缺陷命名，并针对当前产品修改命名。
点击相应缺陷类型按钮，将当前缺陷小图分至以产品-工艺-缺陷命名的类别中，并以此类别重新命名该小图，并自动下一张及计数。
当分好足够类别及数量的缺陷小图后，打开AI训练软件进行训练。
对训练后的模型进行离线AI分类测试。
通过该工具进行数据样本的分类，经过深度学习算法训练和预测后，将缺陷定位到具体的工艺，如图7所示。
Server端深度学习分类模组主要实现对服务器端缺陷小图进行工艺分类的功能，如图8所示。
接收的数据保存至MySql数据库中，数据库每增加5000条触发分类程序，响应函数进行数据处理操作。触发响应频率可手动设置。具体如下：
(1)依次索引获取数据库更新的缺陷信息并解析内容；
(2)依据缺陷类型将缺陷数据集划分两类，不需要深度学习处理的为A类，否则归为B类；
(3)A类依据数据库中缺陷名称信息，根据工艺缺陷-算法缺陷对照表进行结果转换；B类依据产品名称进行对应产品的深度学习运行库进行识别，以识别结果作为该图最终缺陷类型。
(4)上述步骤(3)产生的最终判决信息结合数据库中保存的缺陷信息共同存储至iReport数据库中。
本系统解决了现有检测技术，能分辨缺陷品与好品的异常，但无法描述缺陷信息，更无法准确定位缺陷产生的工艺环节，从而无法从生产环节降低缺陷率的问题；并提供优质统计分析报告，涵盖产品基本信息、缺陷基本信息、缺陷品类统计、缺陷占比、误检占比、环比增减、缺陷本源信息分析、各生产部门问题验证反馈分析、环比统计分析、阶段性优化结果分析、工艺缺陷问题定位分析、优化方案分析等。目标为实现一套完备的印刷品质量分析系统，提供良好的操作界面及生产过程中产品工艺缺陷的实时情况。
以上说明书中描述的只是本发明的具体实施方式，各种举例说明不对本发明的实质内容构成限制，所属技术领域的普通技术人员在阅读了说明书后可以对以前所述的具体实施方式做修改或变形，而不背离发明的实质和范围。

Claims (4)

1.一种基于深度学习的印刷质量检测分析系统，其特征在于：包括Client端独立缺陷图像数据采集与发送模组、Client端与Server端通信模组、Server端缺陷图像数据接收存储模组、Server端缺陷图像深度学习分类模组、Server端深度学习训练模组以及Server端报表显示模组；
所述的Client端独立缺陷图像数据采集与发送模组，采用信息记录与搜索功能，即将缺陷信息以设定格式临时记录到txt文档中，发送程序直接根据txt文件检索缺陷图像列表，并将缺陷信息与缺陷图像打包发送；
所述的Client端与Server端通信模组，发送和接收端各创建独立线程，接收端创建Select模块实现最多64个发送端并发发送数据，其次设置非阻塞模式，当无数据时立即返回；
所述的Server端缺陷图像数据接收存储模组，Server服务器接收端根据包头和包尾内容解析数据，通过switch语句判断包体决策该数据来自哪一机台；采用MySql数据库保存缺陷信息，在原缺陷信息基础上新增机台编号、产品名称、工序信息；
所述的Server端深度学习训练模组，提供一个实现缺陷小图按工序-工艺-缺陷分类测试的工具，并提供操作界面；
所述的Server端深度学习分类模组，对服务器端缺陷小图进行工艺分类；接收的数据保存至数据库中，数据库每增加设定条数的触发分类程序，响应函数进行数据处理操作；
所述的Server端报表显示模组，进行数据库信息的统计及可视化展示。
2.如权利要求1所述的基于深度学习的印刷质量检测分析系统，其特征在于：包括以下步骤，
步骤1、检品机检测过程产生缺陷小图，缺陷信息保存到txt文件下，每个txt记录100条缺陷信息；
步骤2、Client端发送模组当检测到txt数量大于2时开始依据txt里的记录逐条开始发送；
步骤3、首先根据该条记录检索到对应的缺陷小图；
步骤4、将缺陷小图及其记录信息打包发送至server端；
步骤5、Server端接收到该条信息后进行拆包，获取缺陷小图、缺陷信息；
步骤6、将缺陷小图依据机台-车次分类保存，将缺陷信息存储至MySql数据库；
步骤7、Server端分类模组检索MySql数据库更新情况，发现存在更新将新数据逐条处理，首先根据记录检索到缺陷小图位置，然后采用深度学习决策库处理缺陷小图，最后将判决结果结合数据库中保存的缺陷信息共同存储至iReport数据库中；
步骤8、系统运行一段时间后，iReport数据库中记录大量数据，可对其进行统计形成统计报表。
3.如权利要求2所述的基于深度学习的印刷质量检测分析系统，其特征在于：还包括以下步骤，
A1、收集缺陷小图；
A2、使用Server训练模组提供的分类工具进行分类；
A3、将分类好的样本作为训练集进行深度学习训练；
A4、训练完成后导出深度学习决策库，嵌入服务器指定位置。
4.如权利要求1所述的基于深度学习的印刷质量检测分析系统，其特征在于：所述的Server端深度学习分类模组的运行包括以下步骤，
(1)依次索引获取数据库更新的缺陷信息并解析内容；
(2)依据缺陷类型将缺陷数据集划分两类，不需要深度学习处理的为A类，否则归为B类；
(3)A类依据数据库中缺陷名称信息，根据工艺缺陷-算法缺陷对照表进行结果转换；B类依据产品名称进行对应产品的深度学习运行库进行识别，以识别结果作为该图最终缺陷类型；
(4)上述步骤(3)产生的最终判决信息结合数据库中保存的缺陷信息共同存储至iReport数据库中。
CN202111258302.5A 2021-10-27 2021-10-27 基于深度学习的印刷质量检测分析系统 Active CN113935982B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111258302.5A CN113935982B (zh) 2021-10-27 2021-10-27 基于深度学习的印刷质量检测分析系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111258302.5A CN113935982B (zh) 2021-10-27 2021-10-27 基于深度学习的印刷质量检测分析系统

Publications (2)

Publication Number Publication Date
CN113935982A true CN113935982A (zh) 2022-01-14
CN113935982B CN113935982B (zh) 2024-06-14

Family

ID=79284472

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111258302.5A Active CN113935982B (zh) 2021-10-27 2021-10-27 基于深度学习的印刷质量检测分析系统

Country Status (1)

Country Link
CN (1) CN113935982B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170061249A1 (en) * 2015-08-26 2017-03-02 Digitalglobe, Inc. Broad area geospatial object detection using autogenerated deep learning models
CN110554047A (zh) * 2019-09-06 2019-12-10 腾讯科技（深圳）有限公司 产品缺陷检测数据处理方法、装置、系统和设备
US20200161081A1 (en) * 2018-11-15 2020-05-21 Kla-Tencor Corporation Using deep learning based defect detection and classification schemes for pixel level image quantification
CN111524120A (zh) * 2020-04-22 2020-08-11 征图新视(江苏)科技股份有限公司 基于深度学习的印刷品细小划痕、套印偏差检测方法
CN111783901A (zh) * 2020-07-13 2020-10-16 征图新视(江苏)科技股份有限公司 一种基于深度学习的印刷质量分类方法
CN112967255A (zh) * 2021-03-09 2021-06-15 暨南大学 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170061249A1 (en) * 2015-08-26 2017-03-02 Digitalglobe, Inc. Broad area geospatial object detection using autogenerated deep learning models
US20200161081A1 (en) * 2018-11-15 2020-05-21 Kla-Tencor Corporation Using deep learning based defect detection and classification schemes for pixel level image quantification
CN110554047A (zh) * 2019-09-06 2019-12-10 腾讯科技（深圳）有限公司 产品缺陷检测数据处理方法、装置、系统和设备
CN111524120A (zh) * 2020-04-22 2020-08-11 征图新视(江苏)科技股份有限公司 基于深度学习的印刷品细小划痕、套印偏差检测方法
CN111783901A (zh) * 2020-07-13 2020-10-16 征图新视(江苏)科技股份有限公司 一种基于深度学习的印刷质量分类方法
CN112967255A (zh) * 2021-03-09 2021-06-15 暨南大学 一种基于深度学习的盾构管片缺陷类型识别及定位系统及其方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
乔海灵等: "基于神经网络的丝网印刷质量预测分析", 《电子工艺技术》, 18 September 2019 (2019-09-18) *

Also Published As

Publication number Publication date
CN113935982B (zh) 2024-06-14

Similar Documents

Publication Publication Date Title
CN111325103B (zh) 一种细胞标注系统和方法
CN112070135B (zh) 电力设备图像检测方法、装置、电力设备及存储介质
CN106815605B (zh) 一种基于机器学习的数据分类方法及设备
CN109189674A (zh) 一种软件缺陷自动上报的方法及系统
CN113935982B (zh) 基于深度学习的印刷质量检测分析系统
CN113191362B (zh) 一种变电设备油渗漏缺陷检测装置及方法
CN113900935A (zh) 一种缺陷自动识别方法、装置、计算机设备及存储介质
US20050058335A1 (en) Defect management method
CN115909493A (zh) 一种面向课堂实录视频的教师不当手势检测方法及系统
CN115840904A (zh) 基于卷积神经网络的盾构机故障类型构建及故障诊断方法
CN111078958B (zh) 一种针对多样化生物数据即时统计与决策系统
CA3146125A1 (en) Method and system for returning customer service log feedback to database
CN111639051A (zh) 一种轨道车辆的影像文件处理方法
CN118484741B (zh) 一种基于ai算法的数据处理智能分析方法
CN118644861A (zh) 一种图像识别技术的政务数据审核方法
CN118331952B (zh) 一种基于大数据的财务数据清洗管理系统及方法
CN117272198B (zh) 一种基于商旅行程业务数据的异常用户生成内容识别方法
JP7335658B2 (ja) 情報処理装置
CN114022826B (zh) 一种基于区块链的铁轨检测方法及系统
CN112464724B (zh) 选票识别方法及系统
US20240161475A1 (en) Systems and methods to analyze failure modes of machine learning computer vision models using error featurization
CN118134312A (zh) 一种检验标准库系统
CN117421693A (zh) 一种故障状态诊断与多源数据关联融合分析系统
CN114153741A (zh) 一种自动化程度高的计算机软件开发用测试装置及方法
CN110794466A (zh) 一种x光机图片采集辅助装置和处理方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant