CN115311192A - 用于对刷子进行质量检测的方法、检测装置和刷子制造机 - Google Patents
用于对刷子进行质量检测的方法、检测装置和刷子制造机 Download PDFInfo
- Publication number
- CN115311192A CN115311192A CN202210490540.7A CN202210490540A CN115311192A CN 115311192 A CN115311192 A CN 115311192A CN 202210490540 A CN202210490540 A CN 202210490540A CN 115311192 A CN115311192 A CN 115311192A
- Authority
- CN
- China
- Prior art keywords
- brush
- classifier
- image
- brushes
- training data
- 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.)
- Pending
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012372 quality testing Methods 0.000 title claims abstract description 16
- 238000012360 testing method Methods 0.000 title claims description 9
- 238000012549 training Methods 0.000 claims abstract description 83
- 230000002950 deficient Effects 0.000 claims abstract description 38
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 40
- 230000007547 defect Effects 0.000 claims description 34
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 4
- 238000012790 confirmation Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 5
- 238000004040 coloring Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 2
- 230000003746 surface roughness Effects 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06T7/0006—Industrial image inspection using a design-rule based approach
-
- A—HUMAN NECESSITIES
- A46—BRUSHWARE
- A46D—MANUFACTURE OF BRUSHES
- A46D1/00—Bristles; Selection of materials for bristles
- A46D1/003—Testing of brushes
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- A—HUMAN NECESSITIES
- A46—BRUSHWARE
- A46D—MANUFACTURE OF BRUSHES
- A46D3/00—Preparing, i.e. Manufacturing brush bodies
- A46D3/08—Parts of brush-making machines
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/97—Determining parameters from multiple pictures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- A—HUMAN NECESSITIES
- A46—BRUSHWARE
- A46B—BRUSHES
- A46B2200/00—Brushes characterized by their functions, uses or applications
- A46B2200/10—For human or animal care
- A46B2200/1066—Toothbrush for cleaning the teeth or dentures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Brushes (AREA)
Abstract
本发明涉及在刷子制造领域的改进。对此此外提出一种用于对刷子(2)进行质量检测的方法,其中,使用训练过的、优选基于人工智能的分类器(4)。在利用示出有缺陷的刷子的图像的训练数据集进行相应的训练后,分类器(4)设置为用于,将待检测的刷子(2)根据刷子(2)的图像分类为有缺陷的刷子。
Description
技术领域
本发明涉及一种用于对刷子、特别是牙刷和/或圆刷进行质量检测的方法以及一种刷子制造机。
背景技术
对刷子的质量要求在过去这些年一直不断提高。此外,刷子的生产承受巨大的成本压力。因此,越来越需要一直不断改进用于制造刷子的方法。一个重要的方面在此是可靠且尽可能简单地对刷子进行质量检测。
发明内容
因此,本发明的任务在于,提供前述型式的一种用于对刷子进行质量检测的方法、一种检测装置和一种刷子制造机,所述方法、检测装置和刷子制造机利于刷子的经济性生产。
为了解决该任务,首先提出一种用于对刷子、特别是牙刷和/或圆刷进行质量检测的方法,该方法具有构件和针对此类方法的独立权利要求的特征。为了解决该任务,因此特别是提出一种用于对刷子、特别是牙刷和/或圆刷进行质量检测的方法,该方法在使用分类器的情况下进行质量检测,该分类器设置为用于,将待检测的刷子根据待检测的刷子的图像分类为有缺陷的刷子,其中,在进行质量检测之前利用训练数据集对分类器进行训练,该训练数据集包括有缺陷的刷子的图像。
该分类器可以是更下面还要更详细阐述的检测装置的分类器,该检测装置本身可以是更下面同样还要更详细阐述的刷子制造机的一部分。
通过使用训练过的分类器提供一种用于对刷子进行质量检测的自动化的方法,该方法能实现对刷子进行特别高效且经济性的质量检测。
通过利用训练数据集(该训练数据集具有有缺陷的刷子的图像)对分类器进行训练,特别简单可行的是,对分类器针对确定的刷子图案和针对在这些刷子图案中专门出现的缺陷的识别进行训练。由此该方法是相对灵活的,并且在对分类器进行相应训练后,即使待生产和待检测的刷子的图案变化,也可不费力地使用该方法。
在本方法的一种实施方式中规定,训练数据集的图像显示在刷毛镶嵌物中和/或在刷头上和/或在刷体上和/或在刷子握持部上具有至少一个缺陷的刷子。
具有有缺陷的刷子的图像的训练数据集可包括如下图像,所述图像示出至少一个在确定刷子类型中常出现的缺陷类型。以这种方式可能的是,对分类器进行针对于用于确定刷子质量检测的缺陷识别的训练。在此,特别是此类缺陷能在训练数据集的图像中示出,所述图像在必要时也考虑在生产刷子时使用的刷子制造机的类型。确定的刷子制造机能倾向于在特定的条件下、特别是在特定的环境条件下和/或其它外部因素下生产确定的错误图像。
在考虑刷子制造机类型、环境条件和/或其它外部因素的情况下,可以以这种方式有针对性地产生具有有缺陷的刷子的图像的训练数据集,并且将该训练数据集用作训练分类器,以便获得尽可能最好地训练过的分类器,该分类器能特别可靠地进行质量检测。
如果训练数据集包括完好的刷子的图像,那么还可进一步提高用于进行质量检测的分类器的质量。利用如此配置的既具有有缺陷的刷子的图像又具有完好的刷子的图像的训练数据集,分类器可特别快且可靠地学习:什么是有缺陷的刷子以及什么是完好的刷子。这可以显著改善将待检测的刷子分类为完好的或有缺陷的刷子的结果。
在实施方法时使用的分类器可设置为用于,将待检测的刷子根据刷子的图像分类为完好的刷子和/或有缺陷的刷子。
在方法的一种实施方式中可规定,从训练数据集中提取能表示在刷毛镶嵌物中和/或在刷头上和/或在刷体上和/或在刷子握持部上的缺陷的特征。接下来在训练分类器时可使用所述提取的特征。这特别是,分类器是基于人工智能的分类器,该基于人工智能的分类器能设置为例如用于机器学习或也用于深度学习。
从训练数据集中此外能提取表示完好的刷子的特征。这也能有利于训练分类器,通过该训练,使分类器最终能够将待检测的刷子分类为有缺陷的刷子或完好的刷子。
在该方法的一种实施方式中规定,在刷毛镶嵌物中的缺陷是刷毛镶嵌物的偏离目标形状的形状,偏离目标刷毛密度的刷毛密度,偏离刷毛的目标定向的刷毛定向、优选所述定向是相对于刷头和/或刷体和/或刷子握持部和/或刷柄的定向,和/或偏离目标长度的刷毛长度,和/或偏离在刷毛镶嵌物中的目标颜色分布的颜色分布,和/或偏离在刷毛镶嵌物中的目标配色的配色。
在刷头上和/或在刷体上和/或在刷子握持部上和/或在刷柄上的缺陷可以是偏离刷头和/或刷体和/或刷子握持部和/或刷柄的目标几何结构的实际几何结构。有缺陷的刷子的示出为缺陷的实际几何结构(该实际几何结构的图像可包含在训练数据集中)例如可以是凹陷、加深部、损坏,和/或偏离目标表面质量的表面质量,和/或变形,和/或弯曲,和/或偏离目标着色的着色。例如可将限定的表面粗糙度预定为表面质量,在照射刷子的表面、特别是刷头和/或刷体和/或刷子握持部和/或刷柄和/或刷头的表面时,该表面粗糙度例如根据表面的反射性能或吸收性能而产生。
训练数据集因此可包括刷子的如下图像,所述图像相应地示出在刷子上的前述缺陷中的至少一个缺陷。
在方法的一种实施方式中规定,记录待检测的刷子的至少一个图像,并且由分类器特别是基于从图像提取的刷子特征将刷子分类为有缺陷的或完好的刷子。
可将由分类器实施的分类的结果作为检测结果输出。这例如可通过检测装置的输出单元进行。该检测装置例如可以是刷子制造机的检测装置。
训练数据集的图像能以至少一个定义的视图示出刷子。所述至少一个定义的视图例如可以是侧视图。
为了能借助训练过的分类器进行可靠的检测,符合目的的可以是,在与如下视图相同的视图中记录待检测的刷子的图像,在该视图中,训练数据集的图像示出刷子。
为了进一步改善训练过的分类器,符合目的的可以是,将由分类器实施的分类的确认和/或校正传回给分类器。
在该方法的一种实施方式中,由分类器实施的分类的校正或确认的传回特别是可以通过人机接口、例如在电脑上的人机接口进行。在方法的另一种实施方式中可规定,由训练过的反馈分类器实施前述补充的训练,该训练也可称为反馈训练。
在此,首先限定的分类器与反馈分类器一起形成分类器级联。
例如能利用训练数据集来训练反馈分类器,该训练数据集包括有缺陷的和/或完好的刷子的图像,所述刷子之前就已利用训练过的分类器准确地被分类为完好的或有缺陷的刷子。
因此能利用整合过的训练数据集训练反馈分类器,该训练数据集具有由第一分类器准确分类的刷子的图像。
以这种方式,能通过级联的分类器-布置来实现分类器的改善并且继而实现检测结果的改善,所述级联的分类器-布置包括首先训练的分类器和训练过的反馈分类器。
能将基于人工智能的、特别是设置为用于机械学习或机器学习和/或深度学习的分类器用作分类器。这也适用于前面提及的反馈分类器,该反馈分类器能用于确认和/或校正由分类器实施的分类。
在方法的一种特别的实施方式中规定,为了产生训练数据集的有缺陷的刷子的图像,生产有针对性缺陷的刷子。在此可以关于至少一个特征来生产有缺陷的刷子。针对性地生产有缺陷的刷子例如可通过使用针对性地错误设置的刷子制造机实现。
接下来利用相机记录并且在训练数据集中储存关于至少一个特征的有缺陷的刷子的图像。以这种方式可能的是,产生有缺陷的刷子的多个图像并且将它们储存在训练数据集中,以用于训练分类器。此外可能的是,在刷子上产生对于确定的刷子制造机类型而言特定的缺陷,并且将这些缺陷在图像中成像,所述图像接下来可以用于分类器的训练数据集。
在方法的一种实施方式中,从至少两个不同的图像角度记录每个刷子的图像。在此,在记录图像时或为了记录图像,利用(例如更下面还要进一步阐述的刷子制造机的)转动装置转动刷子,所述刷子利用错误设置的刷子制造机针对性有缺陷地生产。这也利于特别高效地产生训练数据集。
为了在产生训练数据集之前在方法步骤中错误地设置刷子制造机,可能的是,在单个或多个运行参数方面调节刷子制造机,使得生产有针对性缺陷的刷子。例如能在生产刷子时使用具有偏离目标长度的实际长度的刷毛丝。此外可调节切割装置,切割装置用于切短在生产的刷子的刷头上的刷毛,使得将刷毛切割得过短,即在制成的刷子的刷毛镶嵌物中的刷毛具有偏离目标长度的实际长度。
此外例如可想到,以偏离目标工作压力的工作压力运行刷子制造机的处理装置和/或夹紧装置,并且由此有意产生在刷子上的损坏,所述损坏接下来在训练数据集的记录的图像中示出为缺陷。
用于错误设置刷子制造机的其它出发点可由专业人员从其专业知识中推断。
为了解决所述任务,也提出一种具有构件的检测装置,通过所述构件,检测装置设置为用于实施根据针对于用于对刷子进行质量检测的方法的权利要求之一所述的方法。
在检测装置的一种实施方式中规定,检测装置具有作为构件的至少一个分类器和/或控制单元和/或至少一个相机和/或至少一个输出单元和/或至少一个在记录刷子图像时用于转动刷子的转动装置和/或至少一个数据库。
数据库例如能至少临时与控制单元和/或与分类器连接,并且/或者该数据库包含训练数据集和/或分类器。
为了解决所述任务,最后也提出一种刷子制造机,该刷子制造机具有根据针对于检测装置的权利要求之一所述的检测装置。
为了解决所述任务,也提出一种生产联合系统,该生产联合系统具有至少两个根据针对于此类刷子制造机的权利要求所述的刷子制造机。各刷子制造机可至少临时地通过数据连接、特别是通过至少一个优选基于云的数据库而相互连接。
各刷子制造机和其检测装置可通过数据连接获取和/或相互交换训练数据集。此外可能的是,通过在生产联合系统的至少两个刷子制造机之间的数据连接,也交换关于前面已阐述的反馈训练的信息,以便不断提高刷子制造机的分类器的工作能力。
此外可能的是,通过数据库为生产联合系统的刷子制造机提供至少一个训练过的分类器,安排在生产联合系统中的刷子制造机在需要时可使用该分类器,以便实施前面阐述的用于对刷子进行质量检测的方法。
附图说明
接下来借助附图更详细地阐述本发明的实施例。本发明不限于在附图中示出的实施例,另外的实施例通过单个或多个权利要求的特征的相互结合和/或与所述实施例的单个或多个特征的结合得出。
其中:
图1示出具有检测装置的刷子制造机的透视图,该检测装置设置为用于实施根据本发明的方法;
图2示出用于说明训练数据集的产生的示意图,该训练数据集用于训练分类器;
图3示出的示意图用于说明,在基于云的数据库中能提供例如训练数据集和/或因此训练过的分类器;
图4示出用于说明分类器利用从基于云的数据库获得的训练数据集进行训练的示意图;
图5示出的示意图用于说明由受过训练的操作员在人机接口上通过由分类器实施的分类的确认和/或校正来对训练过的分类器进行反馈训练;以及
图6示出用于说明生产联合系统的示图,该生产联合系统包括总共六个刷子制造机,各刷子制造机通过基于云的数据库和相应的数据连接而相互连接。
具体实施方式
图1示出整体上以1表示的用于制造刷子2的刷子制造机。为了对生产的刷子2进行质量检测,刷子制造机1具有检测装置3。
检测装置3配备有构件,通过所述构件,检测装置设置为用于实施接下来描述的用于对刷子2进行质量检测的方法。
用于对刷子2进行质量检测的方法的核心是使用检测装置3的分类器4。分类器4设置为用于,根据待检测的刷子2的图像将待检测的刷子2分类为有缺陷的刷子。
为了使分类器4能进行这种质量检测,在进行质量检测之前利用训练数据集17对分类器4进行训练,该训练数据集包括有缺陷的刷子的图像。
训练数据集17的图像显示的刷子2在刷毛镶嵌物5中示出至少一个缺陷,也或者在刷子2的刷头上和/或刷体6上和/或刷子握持部上和/或刷柄上示出至少一个缺陷。
图2示出构成为圆刷的刷子2的两个图像。所述两个图像的图2右图在此示出在刷毛镶嵌物5中具有缺陷7的刷子2。
图2示出的刷子2的刷体6由柄构成,该柄由互相扭转的线部段形成。该柄同时也形成此型式的刷子2的刷子握持部。
图2通过刷子2的所述两个图像说明训练数据集17,该训练数据集除了包括有缺陷的刷子2的图像也包括完好的刷子2的图像。图2中的所述两个图像的左侧示出完好的刷子2。
在利用训练数据集17进行训练之后,分类器4设置为用于,根据刷子2的图像将待检测的刷子2分类为完好的刷子或有缺陷的刷子。
为了训练分类器4,能从训练数据集17中提取特征,这些特征表示刷子2例如在刷毛镶嵌物中、在刷头上、在刷体上和/或在刷子握持部上和/或在刷柄上的缺陷7。如在附图示出的实施例中,如果训练数据集17也包含完好的刷子2的图像,那么也能从训练数据集17中提取表示完好的刷子2的特征,以用于训练分类器4。
图2示出,在刷子2的刷毛镶嵌物5中的缺陷7例如可以是刷毛镶嵌物5的偏离目标形状的形状。
与刷毛镶嵌物5的目标形状的偏离例如可以起因于偏离目标刷毛密度的刷毛密度、偏离刷毛的目标定向的刷毛定向、和/或偏离目标长度的刷毛长度。
与刷毛镶嵌物的目标特征的其它偏离同样也可示出缺陷7,所述缺陷在用于训练分类器4的训练数据集17的图像上是可见的。因此例如也可能的是,在训练数据集17中的有缺陷的刷子2的图像中将与目标配色和/或与目标颜色分布的偏离显示为缺陷7。
在刷头上、在刷体6上和/或在刷子握持部上和/或在刷柄上的缺陷7例如可以是偏离刷头、刷体和/或刷子握持部的目标几何结构的实际几何结构。此类缺陷例如可设想为,在刷子2的前述部件或区域中存在凹陷、加深部、损坏,和/或偏离目标表面质量的表面质量,和/或变形,和/或弯曲,和/或偏离目标着色的着色。
为了尽可能全面地训练分类器4,有利的可以是,在训练数据集的描述有缺陷的刷子2的图像上可看到以尽可能多的不同特征的尽可能多的前述缺陷7。
在图2中大幅示意性示出的圆刷中,可能的缺陷7例如也可以在于相应的圆刷的刷柄8的损坏。在刷柄8中或刷柄上的缺陷例如可以是弯曲和/或与刷柄8的目标尺寸的偏离、例如与目标直径和/或目标长度的偏离。
在实施该方法时,首先记录待检测的刷子2的至少一个图像,并且先前训练过的分类器4例如基于从该图像提取的刷子2特征将刷子2分类为有缺陷的或完好的刷子2。
接下来将由分类器4实施的分类的结果作为检测结果输出。这通过刷子制造机1的检测装置3的输出单元9进行。为此目的,输出单元9能输出可感知的信号、例如声和/或光信号。
训练数据集17的图像可以以至少一个定义的视图、例如以侧视图示出刷子2。
在实际质量检测时,在记录待检测的刷子2的图像的视图中,训练数据集17的图像于是也描述刷子2。
图5示出已训练过的分类器4的所谓的反馈训练。在该反馈训练期间,将由分类器4之前实施的刷子2的分类(将刷子分类为有缺陷的或完好的刷子)的确认或校正传回给分类器4,以便进一步训练分类器4,并且因此改善其用于正确分类待检测的刷子2的能力。
在图5示出的实施例中,这通过人机接口10、此处通过电脑进行。
也可使用训练过的反馈分类器,如其在说明书的发明内容部分中已进一步阐述。
分类器4和可能用于反馈训练的反馈分类器相应地是基于人工智能的分类器,该分类器设置为用于机器学习和/或深度学习。
为了产生训练数据集的有缺陷的刷子2的图像,生产有针对性缺陷的刷子2。这利用错误设置的刷子制造机1进行。接下来借助检测装置3的相机11记录并且在训练数据集17中储存这些刷子2的图像,这些刷子由于刷子制造机1的错误设置于是可具有各种缺陷7。
在此可从至少两个不同的图像角度记录每个刷子2的图像。
为此目的,刷子制造机1根据图1具有转动装置12,利用该转动装置能在记录图像时转动刷子2。刷子制造机1的转动装置12在此设置为,使得利用照明单元13从后面为保持在转动装置12上的刷子2照明。转动装置12因此设置在照明单元13与刷子制造机1的所述至少一个相机11之间。
检测装置3此外具有控制单元14,利用该控制单元能控制例如转动装置12和相机11。
根据由分类器4实施的分类的结果(该结果同时是质量检测的结果),检测装置3的控制单元14也能控制输出单元9。
检测装置3此外通过数据连接至少临时与数据库15连接,从该数据库中例如能加载特定于刷子类型的训练数据集和/或用于分类器4的人工智能模型。
此外可能的是,将利用刷子制造机1和其检测装置3产生的训练数据集17储存在数据库15中,并且将训练数据集提供给其它刷子制造机1和其检测装置3,以用于训练它们的分类器4。此外,以这种方式也能为刷子制造机1和其检测装置3提供已训练过的分类器4。
根据图6,多个刷子制造机1可安排在一个生产联合系统16中。
图6示出的生产联合系统16具有共六个刷子制造机1,所述刷子制造机分别具有检测装置3。各刷子制造机1至少临时地通过数据连接和基于云的数据库15而相互连接。
通过基于云的数据库15,刷子制造机1和其检测装置3能交换训练数据集17和/或已训练的分类器4,或能为刷子制造机1和其检测装置3提供训练数据集17和/或关于特定的刷子类型而专门训练的分类器4。
前面已提及的反馈分类器也可存储在例如基于云的数据库15中。
本发明涉及在刷子制造领域的改进。为此此外提出一种用于对刷子2进行质量检测的方法,其中,使用训练过的、优选基于人工智能的分类器4。在利用训练数据集(该训练数据集示出有缺陷的刷子的图像)进行相应的训练之后,分类器4设置为用于,将待检测的刷子2根据刷子2的图像分类为有缺陷的刷子。
附图标记列表
1 刷子制造机
2 刷子
3 检测装置
4 分类器
5 刷毛镶嵌物
6 刷体
7 缺陷
8 刷柄
9 输出单元
10 人机接口、特别是电脑
11 相机
12 转动装置
13 照明单元
14 控制单元
15 数据库
16 生产联合系统
17 训练数据集
Claims (16)
1.用于对刷子(2)、特别是牙刷和/或圆刷进行质量检测的方法,该方法在使用分类器(4)、特别是检测装置(3)的分类器(4)、优选刷子制造机(1)的检测装置的分类器的情况下进行质量检测,其中,分类器(4)设置为用于,将待检测的刷子(2)根据待检测的刷子(2)的图像分类为有缺陷的刷子,其中,在进行质量检测之前利用训练数据集对分类器(4)进行训练,该训练数据集包括有缺陷的刷子(2)的图像。
2.根据权利要求1所述的方法,其中,训练数据集的图像显示在刷毛镶嵌物(5)中、在刷头上和/或在刷体(6)上和/或在刷子握持部上具有至少一个缺陷的刷子(2)。
3.根据前述权利要求中任意一项所述的方法,其中,训练数据集包括完好的刷子(2)的图像;并且/或者分类器(4)设置为用于,将待检测的刷子(2)根据刷子(2)的图像分类为完好的刷子和/或有缺陷的刷子。
4.根据前述权利要求中任意一项所述的方法,其中,从训练数据集中提取表示在刷毛镶嵌物中和/或在刷头上和/或在刷体上和/或在刷子握持部上的缺陷(7)的特征;并且/或者从训练数据集中提取表示完好的刷子(2)的特征。
5.根据前述权利要求中任意一项所述的方法,其中,在刷毛镶嵌物(5)中的缺陷(7)是刷毛镶嵌物(5)的偏离目标形状的形状,偏离目标刷毛密度的刷毛密度,偏离刷毛的目标定向的刷毛定向、所述定向优选是相对于刷子的刷头和/或刷体和/或刷子握持部的定向,和/或偏离目标长度的刷毛长度,和/或偏离目标配色的配色,和/或偏离在刷毛镶嵌物中的目标颜色分布的颜色分布。
6.根据前述权利要求中任意一项所述的方法,其中,在刷头上和/或在刷体(6)上和/或在刷子握持部上的缺陷是偏离刷头和/或刷体(6)和/或刷子握持部的目标几何结构的实际几何结构、特别是凹陷、加深部、损坏,和/或偏离目标表面质量的表面质量,和/或变形,和/或弯曲,和/或偏离目标着色的着色。
7.根据前述权利要求中任意一项所述的方法,其中,记录待检测的刷子(2)的至少一个图像,并且由分类器(4)——特别是基于从图像提取的刷子(2)特征——将刷子(2)分类为有缺陷的或完好的刷子(2)。
8.根据前述权利要求中任意一项所述的方法,其中,将由分类器(4)实施的分类的结果作为检测结果输出,特别是通过检测装置(3)的输出单元(9)、优选刷子制造机(1)的检测装置的输出单元输出。
9.根据前述权利要求中任意一项所述的方法,其中,训练数据集的图像以至少一个定义的视图、特别是以侧视图示出刷子(2);并且/或者在与如下视图相同的视图中记录待检测的刷子(2)的图像,在该视图中,训练数据集的图像示出刷子(2)。
10.根据前述权利要求中任意一项所述的方法,其中,将由分类器(4)实施的分类的确认或校正传回给分类器(4)、特别是通过人机接口(10)和/或通过训练过的反馈分类器传回给分类器。
11.根据前述权利要求中任意一项所述的方法,其中,将基于人工智能的、特别是设置为用于机器学习和/或深度学习的分类器用作分类器(4)。
12.根据前述权利要求中任意一项所述的方法,其中,为了产生训练数据集的有缺陷的刷子(2)的图像,特别是利用针对性地错误设置的刷子制造机(1)生产有针对性缺陷的刷子(2),利用相机(11)记录并且在训练数据集中储存有针对性缺陷的刷子(2)的图像,特别是从至少两个不同的图像角度记录每个刷子(2)的图像,特别是在记录图像时利用转动装置(12)转动刷子(2)。
13.检测装置(3),该检测装置具有构件,通过所述构件,检测装置(3)设置为用于实施根据前述权利要求中任意一项所述的方法。
14.根据前一项权利要求所述的检测装置(3),其中,检测装置(3)具有作为构件的分类器(4)和/或控制单元(14)和/或至少一个相机(11)和/或至少一个输出单元(9)和/或至少一个用于在记录时转动刷子(2)的转动装置(12)和/或至少一个数据库(15),特别是,数据库(15)至少临时与控制单元(14)和/或与分类器(4)连接,并且/或者在该数据库中存储有训练数据集和/或分类器(4)。
15.刷子制造机(1),该刷子制造机具有根据前述权利要求中任意一项所述的检测装置(3)。
16.生产联合系统(16),该生产联合系统具有至少两个根据前一项权利要求所述的刷子制造机(1),特别是,各刷子制造机(1)至少临时地通过数据连接、特别是通过优选基于云的数据库(15)而相互连接。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP21172699.7A EP4085794B1 (de) | 2021-05-07 | 2021-05-07 | Verfahren zur vorbereitung und durchführung einer qualitätsprüfung von bürsten, insbesondere von zahnbürsten, prüfvorrichtung und bürstenherstellungsmaschine |
EP21172699.7 | 2021-05-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115311192A true CN115311192A (zh) | 2022-11-08 |
Family
ID=75870444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210490540.7A Pending CN115311192A (zh) | 2021-05-07 | 2022-05-07 | 用于对刷子进行质量检测的方法、检测装置和刷子制造机 |
Country Status (6)
Country | Link |
---|---|
US (1) | US20220358632A1 (zh) |
EP (1) | EP4085794B1 (zh) |
JP (1) | JP2022173149A (zh) |
CN (1) | CN115311192A (zh) |
HU (1) | HUE061757T2 (zh) |
PL (1) | PL4085794T3 (zh) |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE8414080U1 (de) | 1984-05-09 | 1988-03-17 | Fa. Anton Zahoransky, 7868 Todtnau | Bürstenherstellungsmaschine |
DE3501512A1 (de) | 1985-01-18 | 1986-07-24 | Fa. Anton Zahoransky, 7868 Todtnau | Buerstenherstellungsmaschine sowie verfahren zum ueberpruefen von buersten |
US6092059A (en) | 1996-12-27 | 2000-07-18 | Cognex Corporation | Automatic classifier for real time inspection and classification |
DE19837676A1 (de) * | 1998-08-19 | 2000-04-20 | Coronet Werke Gmbh | Verfahren zur Qualitätsprüfung von Borsten und Verwendung solcher Borsten |
DE10123329A1 (de) | 2001-05-12 | 2002-11-14 | Zahoransky Anton Gmbh & Co | Bürstenherstellungsmaschine |
DE102009005708A1 (de) * | 2009-01-22 | 2010-07-29 | M + C Schiffer Gmbh | Verfahren zum Herstellen einer Bürste, insbesondere einer Zahnbürste |
EP3150082B1 (en) * | 2015-09-29 | 2018-04-18 | The Procter and Gamble Company | Method and device for quantifying a wear level of a bristle field of a brush |
WO2019236885A1 (en) | 2018-06-06 | 2019-12-12 | Cognex Corporation | System and method for finding and classifying patterns in an image with a vision system |
DE102018214307A1 (de) | 2018-08-23 | 2020-02-27 | Friedrich-Alexander-Universität Erlangen-Nürnberg | System und Verfahren zur Qualitätsprüfung bei der Herstellung von Einzelteilen |
-
2021
- 2021-05-07 HU HUE21172699A patent/HUE061757T2/hu unknown
- 2021-05-07 PL PL21172699.7T patent/PL4085794T3/pl unknown
- 2021-05-07 EP EP21172699.7A patent/EP4085794B1/de active Active
-
2022
- 2022-05-06 JP JP2022076600A patent/JP2022173149A/ja active Pending
- 2022-05-06 US US17/738,065 patent/US20220358632A1/en active Pending
- 2022-05-07 CN CN202210490540.7A patent/CN115311192A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
HUE061757T2 (hu) | 2023-08-28 |
JP2022173149A (ja) | 2022-11-17 |
PL4085794T3 (pl) | 2023-09-11 |
US20220358632A1 (en) | 2022-11-10 |
EP4085794B1 (de) | 2023-04-12 |
EP4085794A1 (de) | 2022-11-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109101987A (zh) | 用于焊接件分类和关联的机器学习 | |
US20190118226A1 (en) | Sorting system | |
CN109840900B (zh) | 一种应用于智能制造车间的故障在线检测系统及检测方法 | |
JP2005331274A (ja) | タイヤ凹凸図形の検査方法、および、タイヤ凹凸図形検査装置 | |
DE102012219187A1 (de) | Binäre Klassifikation von interessierenden Elementen in einem reproduzierbaren Prozess | |
JP7372017B2 (ja) | 鋼材成分学習装置、鋼材成分推定装置、鋼種判定装置、鋼材成分学習方法、鋼材成分推定方法、鋼種判定方法、及びプログラム | |
WO2020094558A2 (de) | Vorrichtung und verfahren zur bearbeitung mindestens eines arbeitsbereiches mit einem bearbeitungswerkzeug | |
CN113627425B (zh) | 一种基于神经网络模型的毛囊识别和提取方法及系统 | |
US20220088719A1 (en) | Method, apparatus, and non-transitory computer readable medium for detecting welding defects of workpieces | |
CN110083719A (zh) | 一种基于深度学习的工业制品病疵检测方法 | |
DE102018133533A1 (de) | Überprüfungssystem und Verfahren zum Überprüfen von Arbeitsabläufen | |
US20200005084A1 (en) | Training method of, and inspection system based on, iterative deep learning system | |
CN112308855A (zh) | 钢轨伤损识别模型生成装置、伤损检测装置及系统 | |
CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
RU2019124093A (ru) | Автоматизированные наблюдение за процессом сборки и его проверка | |
JP7105377B2 (ja) | 金属加工装置におけるノズルの状態又はタイプの特定 | |
KR102676508B1 (ko) | 안과용 렌즈들의 이미지들의 획득 및 검사 | |
CN115311192A (zh) | 用于对刷子进行质量检测的方法、检测装置和刷子制造机 | |
CN109685756A (zh) | 影像特征自动辨识装置、系统及方法 | |
TWM596871U (zh) | 智慧型光學檢測ai資料蒐集系統 | |
US20190091770A1 (en) | Method and apparatus for controlling a 3d-printing device and 3d-printing device | |
CN116309475A (zh) | 自动检测滚筒齿座焊接质量的机器视觉检测方法 | |
JP2021177154A (ja) | 外観検査システム | |
KR20210109691A (ko) | 인공지능 기반 치아 수복을 위한 보철물 제작 방법 및 애플리케이션 | |
US11790270B2 (en) | User-generated visual guide for the classification of images |
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 |