CN115456652A - 一种基于人工智能的精密注塑件不良品的溯源方法 - Google Patents
一种基于人工智能的精密注塑件不良品的溯源方法 Download PDFInfo
- Publication number
- CN115456652A CN115456652A CN202211202532.4A CN202211202532A CN115456652A CN 115456652 A CN115456652 A CN 115456652A CN 202211202532 A CN202211202532 A CN 202211202532A CN 115456652 A CN115456652 A CN 115456652A
- Authority
- CN
- China
- Prior art keywords
- injection molding
- judging
- fault
- artificial intelligence
- injection
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/018—Certifying business or products
- G06Q30/0185—Product, service or business identity fraud
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
Abstract
本发明涉及注塑件分析技术领域,具体公开了一种基于人工智能的精密注塑件不良品的溯源方法,方法包括:S1、在标准光源下采集注塑件图像信息;S2、基于人工智能技术对注塑件图像信息进行识别,获取异常区域;S3、根据注塑件异常区域的形状特征及位置特征对注塑件注塑不良原因进行溯源;本发明利用不同注塑件故障问题下异常区域的形状特征及位置特征来实现对故障问题的具体判断,进而能够在判断注塑件是否故障的前提下,对故障的具体类型进行判断,进而实现对注塑过程产生故障件原因的溯源过程。
Description
技术领域
本发明涉及注塑件分析技术领域,具体为一种基于人工智能的精密注塑件不良品的溯源方法。
背景技术
注塑件是通过注塑机将各种原料加热塑性后形成的零件,其广泛应用于工业生产中,在塑料件在成型过程中,会由于多种原因的影响造成注塑不良件的产生,其一方面与注塑机及模具的稳定性有关,另一方面则与人员对注塑机不良管理的原因有关,因此在注塑件完成注塑后,需要对其是否变形、溢料或者其他质量问题进行检测判断,以保证制成产品的质量。
传统的不良件检测主要通过人工检测的方法,此种方式在短时间内具有较高的检测准确性,但在长时间工作状态下,随着人员的疲劳,检测准确性也会下降,而且此种方式的检测效率较低,因此,通过人工智能技术来实现不良件的自动识别检测逐渐替代传统的人工检测方法。
现有技术中,采用人工智能识别故障件的方式主要通过机器学习方法和边缘分割检测识别方法,其中,机器学习方法的检测准确性会随着学习样本的增加而增加,但在初期对于样本的需求量较大,因此对于注塑产量较低的产品,较难提供较大的学习样本,而对于边缘分割的方法,虽然能够直接根据注塑件的图像信息与标准图像的比对对注塑件是否故障进行判断,但其只能判断出大致的故障类型,例如缺料、溢料、变形等,因此在根据不良注塑件对注塑过程进行问题溯源时,不能提供准确的参考信息,还需要人工进行进一步判断分析。
发明内容
本发明的目的在于提供一种基于人工智能的精密注塑件不良品的溯源方法,解决以下技术问题:
如何根据图像信息对注塑不良件的具体故障信息进行溯源分析。
本发明的目的可以通过以下技术方案实现:
一种基于人工智能的精密注塑件不良品的溯源方法,所述方法包括:
S1、在标准光源下采集注塑件图像信息;
S2、基于人工智能技术对注塑件图像信息进行识别,获取异常区域;
S3、根据注塑件异常区域的形状特征及位置特征对注塑件注塑不良原因进行溯源。
于一实施例中,所述异常区域包括外轮廓凸出区域A1、外轮廓凹陷区域A2及轮廓内异常区域A3;
所述溯源方法包括:
识别注塑件的分模面F;
判断是否出现A1、A2及A3:
若未出现A1、A2及A3中的任一项,则进行色度检测;
若仅出现A1,则判断A1所在图像是否为分模面F正视图:
若为是,则判断故障类型为飞边;
若为否,则判断故障类型为涨包;
若仅出现A2,则判断故障类型为缺料;
若仅出现A3,则对异常区域进行凹陷裂纹分析;
若同时出现A1及A2,则对异常区域进行变形分析;
若仅出现A2及A3,则判断判断故障类型为缺料;
否则,进行人工分析。
于一实施例中,所述凹陷裂纹分析的过程为:
计算异常区域的面积S及周长P;
通过公式μ=S/P计算出异常区域的形状系数μ,将形状系数μ与参考阈值μth进行比对:
若μ≥μth,则判断故障类型为凹陷;
否则,判断故障类型为裂纹。
于一实施例中,所述变形分析的过程为:
判断图像是否为分模面F正视图:
若为是,则判断故障类型为翘曲变形;
若为否,则识别分模线X,计算A1距离识别分模线X最大值Lmax,将Lmax与预设阈值Lth进行比对:
若Lmax≥Lth,则判断为脱模变形;
否则,判断为翘曲变形。
于一实施例中,所述色度检测的过程为:
根据注塑件的结构设置若干组检测平面;
根据摄像组件距离检测平面的距离调节焦距及光照强度,生成检测环境;
在对应检测环境下对不同检测平面进行图像采集,对采集图片进行颜色识别判断。
于一实施例中,所述光照强度调节的方法为:
通过公式I=∈*D2计算光照强度I,D为摄像组件距离检测平面的距离,∈为光源强度系数;
所述焦距的调节方法为:将D作为摄像组件焦距。
于一实施例中,所述方法还包括:
S4、统计同一批次注塑件的注塑不良原因,在注塑不良原因中选取关键问题,针对不同关键问题,根据故障件数量及故障件异常区域变化判断注塑机状态。
于一实施例中,所述注塑机状态的判断过程为:
判断出现关键问题故障件的数量N,将N与预置区间[N1,N2]进行比对:
若N>N2,则调用该批次注塑时段注塑机参数调整记录,统计参数调整次数m,将调整次数m与预设调整次数mth进行比对:
若m>mth,则判断注塑机稳定性较差;
若m≤mth,则判断注塑机管理人员未及时发现故障件;
若N<N1,则对故障件进行人工分析;
若N∈[N1,N2],则按注塑时间顺序对不同关键问题不良注塑件的A1、A2及A3区域面积值S1、S2及S3进行分析,分析过程为:
分别建立区域面积值S1、S2及S3随时间变化散点图,根据散点图拟合曲线,根据曲线变化趋势判断注塑机运行状态:
若曲线呈先上升后下降趋势或下降趋势,则判断注塑机状态稳定;
否则,判断注塑机状态不稳定。
本发明的有益效果:
(1)本发明利用不同注塑件故障问题下异常区域的形状特征及位置特征来实现对故障问题的具体判断,进而能够在判断注塑件是否故障的前提下,对故障的具体类型进行判断,进而实现对注塑过程产生故障件原因的溯源过程。
(2)本发明通过对轮廓内异常区域形状特征进行判断,确定出具体的故障类型。
(3)本发明通过外轮廓凸出区域的位置及形状参数,能够判断具体的变形类型。
(4)本发明根据检测面距离摄像组件的距离来调整焦距和光照强度,进而对同一个注塑件获取多个图像信息,使得不同平面的检测条件是统一的,此时再根据常用的色彩识别算法来判断注塑件与标准件之间的色差以及同一注塑件上不同位置的色差,进而保证色度检测的准确性。
(5)本发明不单单通过不良注塑件的数量对注塑过程进行判断,还根据注塑件的异常区域变化判断注塑机状态,实现对注塑机故障问题的溯源。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明精密注塑件不良品的溯源方法的步骤流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1所示,在一个实施例中,提供了一种基于人工智能的精密注塑件不良品的溯源方法,方法包括:
S1、在标准光源下采集注塑件图像信息;
S2、基于人工智能技术对注塑件图像信息进行识别,获取异常区域;
S3、根据注塑件异常区域的形状特征及位置特征对注塑件注塑不良原因进行溯源。
通过上述技术方案,通过识别出采集注塑件图像信息中的异常区域,利用不同注塑件故障问题下异常区域的形状特征及位置特征来实现对故障问题的具体判断,进而能够在判断注塑件是否故障的前提下,对故障的具体类型进行判断,进而实现对注塑过程产生故障件原因的溯源过程。
需要说明的是,上述技术方案中的标准光源是指预先设定标准下的光源强度,在统一标准光源强度下进行检测,能够保证分析比对的统一性及准确性。
作为本发明的一种实施方式,异常区域包括外轮廓凸出区域A1、外轮廓凹陷区域A2及轮廓内异常区域A3;
溯源方法包括:
识别注塑件的分模面F;
判断是否出现A1、A2及A3:
若未出现A1、A2及A3中的任一项,则进行色度检测;
若仅出现A1,则判断A1所在图像是否为分模面F正视图:
若为是,则判断故障类型为飞边;
若为否,则判断故障类型为涨包;
若仅出现A2,则判断故障类型为缺料;
若仅出现A3,则对异常区域进行凹陷裂纹分析;
若同时出现A1及A2,则对异常区域进行变形分析;
若仅出现A2及A3,则判断判断故障类型为缺料;
否则,进行人工分析。
通过上述技术方案,本实施例提供了一种根据异常区域形状特征及位置特征的溯源方法,首先识别出注塑件的分模面,此过程根据注塑件不同角度的图像确定,当图像的角度即为分模面的角度时,通过注塑件的外轮廓即能确定,当图像的角度不为分模面的角度时,图像中的分模面则为分模线形式,之后通过识别出外轮廓凸出区域A1、外轮廓凹陷区域A2及轮廓内异常区域A3,通过A1、A2及A3的大小和位置实现对具体故障原因的溯源;需要说明的是,A1、A2及A3识别的过程是通过将获取图像与相同视角下标准图像进行灰度化及边缘识别算法识别后比对获取的,具体过程通过现有技术实现,在此不作详述。
进一步地,通过A1、A2及A3判断分析的过程为首先判断对图像识别中是否存在A1、A2及A3,显然,当不存在A1、A2及A3时,说明识别的注塑件轮廓与标准轮廓重合性较优,因此判断注塑件的外形是符合要求的,进而进行下一步色度检测;当仅存在A1时,说明注塑件的外形出现溢出的问题,而针对溢出问题,一方面可能由于飞边导致溢出,还有可能由于注塑件出现涨包问题导致,因此此时通过判断A1所在图像是否为分模面F正视图,进而判断A1是否由飞边产生,进而实现对飞边及涨包的准确判断;当仅出现A2时,说明注塑件缺失部分的结构,因此判断为缺料;当仅出现A3时,说明注塑件的整体形状正常但表面存在质量问题,此时通过凹陷裂纹分析,进而能够具体的判断出质量问题是凹陷导致的还是由裂纹导致的;当同时出现A1及A2,说明注塑件产生的变形,而注塑件变形的方式包括脱模过程造成的变形及产品定型时间过短造成翘曲变形,因此通过进一步的变形分析,能够准确的判断出具体的变形方式,已实现对注塑过程问题的溯源;当仅出现A2及A3时,说明注塑件缺少部分结构,因此判断判断故障类型为缺料,另外针对其他的情况,由于出现几率较低,因此不做考虑,当出现时通过人工分析的方式来进行判断;因此通过对A1、A2及A3的分析判断,能够准确判断出注塑件的故障类型,实现注塑问题的溯源。
作为本发明的一种实施方式,凹陷裂纹分析的过程为:
计算异常区域的面积S及周长P;
通过公式μ=S/P计算出异常区域的形状系数μ,将形状系数μ与参考阈值μth进行比对:
若μ≥μth,则判断故障类型为凹陷;
否则,判断故障类型为裂纹。
通过上述技术方案,本实施例给出了一种判断轮廓内异常区域A3为凹陷还是裂纹的方法,具体的,通过公式μ=S/P计算出异常区域的形状系数μ,其中面积S及周长P均为统一标准下的去量纲数值,而形状参数表示形状特征,当A3为凹陷状态时,A3的面积较大,周长较小;而当A3为裂纹状态时,A3的面积较小,周长较大,因此通过面积数值与周长数值的比值,能够对A3的形状特征进行判断,确定出具体的故障类型。
需要说明的是,上述技术方案中的形状系数μ的参考阈值μth根据多组裂纹形状的μ值与多组凹陷形状的μ值曲线划分获得。
作为本发明的一种实施方式,变形分析的过程为:
判断图像是否为分模面F正视图:
若为是,则判断故障类型为翘曲变形;
若为否,则识别分模线X,计算A1距离识别分模线X最大值Lmax,将Lmax与预设阈值Lth进行比对:
若Lmax≥Lth,则判断为脱模变形;
否则,判断为翘曲变形。
通过上述技术方案,本实施例通过根据A1、A2对具体变形的原因进行判断,其中,注塑件产生变形一般因脱模时注塑件与模具之间过于牢固,使得脱模时注塑件产生脱模变形,还会因为注塑件的定型时间过短造成注塑件的翘曲变形,而由于脱模变形与翘曲变形后A1及A2的变化形式是不相同的;
需要说明的是,脱模变形状态下,注塑件的A1区域会相对分模线X相远离,而翘曲变形状态下,A1区域的变化根据具体的形状而定,但具体相对分模线X的形变量相对脱模变形较小,因此通过计算A1距离识别分模线X最大值Lmax,能够Lmax与预设阈值Lth的比对判断是否为脱模变形,当Lmax≥Lth时,说明A1区域相对分模线X变化量较大,因此判断为脱模变形,否则判断为翘曲变形,因此通过A1区域的位置及形状参数,能够判断具体的变形类型。
需要说明的是,上述预设阈值Lth根据注塑产品的分模面距上轮廓最大标准值及设定偏差值确定,其中,设定偏差值根据最大标准值所在范围的合理偏差值选定。
作为本发明的一种实施方式,色度检测的过程为:
根据注塑件的结构设置若干组检测平面;
根据摄像组件距离检测平面的距离调节焦距及光照强度,生成检测环境;
在对应检测环境下对不同检测平面进行图像采集,对采集图片进行颜色识别判断。
通过上述技术方案,本实施例给出了一种进行色度检测的具体方法,由于色度检测会由于光照强度及摄像组件的焦距原因导致图像与实物产生较大的色差,且光照射在注塑件上时,由于注塑件不同测量面与摄像组件的距离是不同的,因此若采用相同光照强度及焦距采集图像分析时,难以保证不同测量面的色彩准确的和统一性,因此,本实施例通过根据注塑件的结构设定若干的检测面,在对不同检测面进行检测时,根据检测面距离摄像组件的距离来调整焦距和光照强度,进而对同一个注塑件获取多个图像信息,使得不同平面的检测条件是统一的,此时再根据常用的色彩识别算法来判断注塑件与标准件之间的色差以及同一注塑件上不同位置的色差,进而保证色度检测的准确性。
需要说明的是,上述方案中的摄像组件包括摄像头及补光灯,补光灯与摄像头相对检测面处于同一平面,且补光灯能够实现不同光照强度的调节,具体的硬件结构的实现可通过现有技术实现,在此不作详述。
作为本发明的一种实施方式,光照强度调节的方法为:
通过公式I=∈*D2计算光照强度I,D为摄像组件距离检测平面的距离,∈为光源强度系数;
焦距的调节方法为:将D作为摄像组件焦距。
通过上述技术方案,本实施例通过公式I=∈*D2计算光照强度I,并将D作为摄像组件焦距,通过光照强度I及焦距D来对检测平面进行图像采集,保证检测标准的统一性,也保证了检测结果的准确性。
上述技术方案中,∈为光源强度系数,其根据补光灯的具体型号及性能确定。
作为本发明的一种实施方式,请参阅图1所示,方法还包括:
S4、统计同一批次注塑件的注塑不良原因,在注塑不良原因中选取关键问题,针对不同关键问题,根据故障件数量及故障件异常区域变化判断注塑机状态。
在同一批次中,注塑不良件的数量较多,说明注塑过程存在问题较多,而注塑不良件较少时,其出现的方式也会反映出注塑机存在的问题,具体地,当不良件是规律性出现时,说明故障原因为某个工艺参数设置不当产生,而不良件不规律出现时,说明注塑机存在稳定性的问题,因此本实施例不单单通过不良注塑件的数量对注塑过程进行判断,还根据注塑件的异常区域变化判断注塑机状态,实现对注塑机故障问题的溯源。
作为本发明的一种实施方式,注塑机状态的判断过程为:
判断出现关键问题故障件的数量N,将N与预置区间[N1,N2]进行比对:
若N>N2,则调用该批次注塑时段注塑机参数调整记录,统计参数调整次数m,将调整次数m与预设调整次数mth进行比对:
若m>mth,则判断注塑机稳定性较差;
若m≤mth,则判断注塑机管理人员未及时发现故障件;
若N<N1,则对故障件进行人工分析;
若N∈[N1,N2],则按注塑时间顺序对不同关键问题不良注塑件的A1、A2及A3区域面积值S1、S2及S3进行分析,分析过程为:
分别建立区域面积值S1、S2及S3随时间变化散点图,根据散点图拟合曲线,根据曲线变化趋势判断注塑机运行状态:
若曲线呈先上升后下降趋势或下降趋势,则判断注塑机状态稳定;
否则,判断注塑机状态不稳定。
通过上述技术方案,本实施例提供了一种注塑件状态判断的方法,具体的,首先通过每种关键问题的故障件数量与对应预置区间进行比对,其中预置区间中的N2根据每批次的数量确定,N1=2,当每批次数量是固定数值,预置区间的范围也为固定范围,当N>N2时,说明故障件的数量较多,因此通过获取该批次注塑过程中的参数调整次数m来进行判断,当m>mth时,说明注塑过程调整的次数较多,注塑机工作过程出现不稳定的状态,而当m≤mth时,说明调整次数较少,在故障件过多的状态下,说明注塑件管理操作人员未及时发现故障件,导致参数调整的不够及时,进而导致故障件数量较多。
进一步地,当N<N1,N1=2,即当注塑件问题单个出现时,虽然故障件的数量较低,但故障件的产生一般不会单独出现,即使故障件第一次出现时及时调整参数,但也需要至少3模的调整过程,而在此过程中仍然会产生相同故障类型的故障件,因此故障件的单独出现,说明故障件的产生并非工艺参数设定的问题,很大几率是由于注塑件的不稳定因素造成的,因此通过人工进行进一步分析。
而当N∈[N1,N2]时,此时通过对A1、A2及A3区域面积的变化状况进行分析,进而能够判断故障是否因参数设定导致的,具体的,分别建立区域面积值S1、S2及S3随时间变化散点图,根据散点图拟合曲线,根据曲线变化趋势判断注塑机运行状态,显然,当曲线呈先上升后下降趋势或下降趋势,说明注塑件的问题呈规律性变化,且问题都得到了改善,因此说明为工艺参数设定的问题导致故障件的产生,而当散点图不规则分散时,自然无法拟合成曲线,或拟合的曲线非下降状态,此时说明故障件的产生是非规律性的,而此种状态的产生说明非工艺参数的问题,进而通过此种方式实现对注塑件状态稳定性的判断。
需要说明的是,上述技术方案中曲线的拟合及变化趋势的判断均通过现有技术实现,在此不作详述;上述方案中的预设调整次数mth通过公式获取,其中N0为预设值,通过mth的计算,能够判断出注塑件出现故障的数量与参数调整的数量是否正相关,进而通过与mth比对判断管理人员是否及时发现故障件。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (8)
1.一种基于人工智能的精密注塑件不良品的溯源方法,其特征在于,所述方法包括:
S1、在标准光源下采集注塑件图像信息;
S2、基于人工智能技术对注塑件图像信息进行识别,获取异常区域;
S3、根据注塑件异常区域的形状特征及位置特征对注塑件注塑不良原因进行溯源。
2.根据权利要求1所述的基于人工智能的精密注塑件不良品的溯源方法,其特征在于,所述异常区域包括外轮廓凸出区域A1、外轮廓凹陷区域A2及轮廓内异常区域A3;
所述溯源方法包括:
识别注塑件的分模面F;
判断是否出现A1、A2及A3:
若未出现A1、A2及A3中的任一项,则进行色度检测;
若仅出现A1,则判断A1所在图像是否为分模面F正视图:
若为是,则判断故障类型为飞边;
若为否,则判断故障类型为涨包;
若仅出现A2,则判断故障类型为缺料;
若仅出现A3,则对异常区域进行凹陷裂纹分析;
若同时出现A1及A2,则对异常区域进行变形分析;
若仅出现A2及A3,则判断判断故障类型为缺料;
否则,进行人工分析。
3.根据权利要求2所述的基于人工智能的精密注塑件不良品的溯源方法,其特征在于,所述凹陷裂纹分析的过程为:
计算异常区域的面积S及周长P;
通过公式μ=S/P计算出异常区域的形状系数μ,将形状系数μ与参考阈值μth进行比对:
若μ≥μth,则判断故障类型为凹陷;
否则,判断故障类型为裂纹。
4.根据权利要求2所述的基于人工智能的精密注塑件不良品的溯源方法,其特征在于,所述变形分析的过程为:
判断图像是否为分模面F正视图:
若为是,则判断故障类型为翘曲变形;
若为否,则识别分模线X,计算A1距离识别分模线X最大值Lmax,将Lmax与预设阈值Lth进行比对:
若Lmax≥Lth,则判断为脱模变形;
否则,判断为翘曲变形。
5.根据权利要求2所述的基于人工智能的精密注塑件不良品的溯源方法,其特征在于,所述色度检测的过程为:
根据注塑件的结构设置若干组检测平面;
根据摄像组件距离检测平面的距离调节焦距及光照强度,生成检测环境;
在对应检测环境下对不同检测平面进行图像采集,对采集图片进行颜色识别判断。
6.根据权利要求5所述的基于人工智能的精密注塑件不良品的溯源方法,其特征在于,所述光照强度调节的方法为:
通过公式I=∈*D2计算光照强度I,D为摄像组件距离检测平面的距离,∈为光源强度系数;
所述焦距的调节方法为:将D作为摄像组件焦距。
7.根据权利要求2所述的基于人工智能的精密注塑件不良品的溯源方法,其特征在于,所述方法还包括:
S4、统计同一批次注塑件的注塑不良原因,在注塑不良原因中选取关键问题,针对不同关键问题,根据故障件数量及故障件异常区域变化判断注塑机状态。
8.根据权利要求7所述的基于人工智能的精密注塑件不良品的溯源方法,其特征在于,所述注塑机状态的判断过程为:
判断出现关键问题故障件的数量N,将N与预置区间[N1,N2]进行比对:
若N>N2,则调用该批次注塑时段注塑机参数调整记录,统计参数调整次数m,将调整次数m与预设调整次数mth进行比对:
若m>mth,则判断注塑机稳定性较差;
若m≤mth,则判断注塑机管理人员未及时发现故障件;
若N<N1,则对故障件进行人工分析;
若N∈[N1,N2],则按注塑时间顺序对不同关键问题不良注塑件的A1、A2及A3区域面积值S1、S2及S3进行分析,分析过程为:
分别建立区域面积值S1、S2及S3随时间变化散点图,根据散点图拟合曲线,根据曲线变化趋势判断注塑机运行状态:
若曲线呈先上升后下降趋势或下降趋势,则判断注塑机状态稳定;
否则,判断注塑机状态不稳定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202532.4A CN115456652B (zh) | 2022-09-29 | 2022-09-29 | 一种基于人工智能的精密注塑件不良品的溯源方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211202532.4A CN115456652B (zh) | 2022-09-29 | 2022-09-29 | 一种基于人工智能的精密注塑件不良品的溯源方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115456652A true CN115456652A (zh) | 2022-12-09 |
CN115456652B CN115456652B (zh) | 2023-06-20 |
Family
ID=84308403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211202532.4A Active CN115456652B (zh) | 2022-09-29 | 2022-09-29 | 一种基于人工智能的精密注塑件不良品的溯源方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115456652B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087208A (zh) * | 2023-01-20 | 2023-05-09 | 广东省中山市质量计量监督检测所 | 一种基于图像识别的塑料制品检测系统 |
CN116429790A (zh) * | 2023-06-14 | 2023-07-14 | 山东力乐新材料研究院有限公司 | 一种基于数据分析的木质包装箱产线智能管控系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008055617A (ja) * | 2006-08-29 | 2008-03-13 | Fanuc Ltd | 射出成形機の型締装置 |
CN105799133A (zh) * | 2014-09-24 | 2016-07-27 | 上海智觉光电科技有限公司 | 基于外形轮廓匹配的模具在线监视保护方法 |
CN109115785A (zh) * | 2018-08-08 | 2019-01-01 | 长沙理工大学 | 一种铸件打磨质量检测方法、装置及其使用方法 |
CN109509170A (zh) * | 2018-09-11 | 2019-03-22 | 韶关学院 | 一种压铸件缺陷检测方法及装置 |
CN113096098A (zh) * | 2021-04-14 | 2021-07-09 | 大连理工大学 | 基于深度学习的铸件外观缺陷检测方法 |
CN114022483A (zh) * | 2022-01-08 | 2022-02-08 | 南通欣斯特机械制造有限公司 | 一种基于边缘特性的注塑飞边区域识别方法 |
US11318640B1 (en) * | 2018-04-04 | 2022-05-03 | Edro Specialty Steels, Inc. | Method for making a continuously cast slab and the resulting mold plate |
-
2022
- 2022-09-29 CN CN202211202532.4A patent/CN115456652B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008055617A (ja) * | 2006-08-29 | 2008-03-13 | Fanuc Ltd | 射出成形機の型締装置 |
CN105799133A (zh) * | 2014-09-24 | 2016-07-27 | 上海智觉光电科技有限公司 | 基于外形轮廓匹配的模具在线监视保护方法 |
US11318640B1 (en) * | 2018-04-04 | 2022-05-03 | Edro Specialty Steels, Inc. | Method for making a continuously cast slab and the resulting mold plate |
CN109115785A (zh) * | 2018-08-08 | 2019-01-01 | 长沙理工大学 | 一种铸件打磨质量检测方法、装置及其使用方法 |
CN109509170A (zh) * | 2018-09-11 | 2019-03-22 | 韶关学院 | 一种压铸件缺陷检测方法及装置 |
CN113096098A (zh) * | 2021-04-14 | 2021-07-09 | 大连理工大学 | 基于深度学习的铸件外观缺陷检测方法 |
CN114022483A (zh) * | 2022-01-08 | 2022-02-08 | 南通欣斯特机械制造有限公司 | 一种基于边缘特性的注塑飞边区域识别方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087208A (zh) * | 2023-01-20 | 2023-05-09 | 广东省中山市质量计量监督检测所 | 一种基于图像识别的塑料制品检测系统 |
CN116087208B (zh) * | 2023-01-20 | 2023-09-29 | 广东省中山市质量计量监督检测所 | 一种基于图像识别的塑料制品检测系统 |
CN116429790A (zh) * | 2023-06-14 | 2023-07-14 | 山东力乐新材料研究院有限公司 | 一种基于数据分析的木质包装箱产线智能管控系统 |
CN116429790B (zh) * | 2023-06-14 | 2023-08-15 | 山东力乐新材料研究院有限公司 | 一种基于数据分析的木质包装箱产线智能管控系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115456652B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115456652A (zh) | 一种基于人工智能的精密注塑件不良品的溯源方法 | |
LU504271B1 (en) | Method for Defect Detection of LED Wick | |
CN114179320A (zh) | 一种结合视觉检测的注塑机工艺参数自动调节方法 | |
CN1189309C (zh) | 拉伸吹塑成型制品的自动化材料分布控制 | |
CN110978441A (zh) | 可视化注塑生产工艺验证方法 | |
TW201702586A (zh) | 光學薄膜缺陷辨識方法及其系統 | |
CN102529019B (zh) | 一种模具检测、保护及零件检测、摘取的方法 | |
CN103473778B (zh) | 一种led发光芯片插偏缺陷的检测方法 | |
KR101730133B1 (ko) | 사출성형 플라스틱의 검사방법 | |
CN115184368B (zh) | 一种铸件缺陷检测控制系统 | |
CN114842008B (zh) | 基于计算机视觉的注塑件色差检测方法 | |
CN114581428B (zh) | 一种基于光学手段的粉末涂料粘合度检测方法 | |
CN115294410A (zh) | 一种基于图形识别的塑料制品成型控制方法 | |
CN116945521B (zh) | 一种注塑件缺陷检测方法 | |
CN113343834A (zh) | 基于机器视觉和激光线的皮带跑偏诊断方法 | |
CN114612441A (zh) | 基于人工智能和图像处理的塑料瓶缺陷检测方法及系统 | |
Lyashenko et al. | Defects of Casting Plastic Products: Causes, Recurrence, Synthesis and Ways of Elimination | |
CN116087208B (zh) | 一种基于图像识别的塑料制品检测系统 | |
US20010004401A1 (en) | Process for inspecting the quality of an article in particular one made of glass | |
CN102529020B (zh) | 模具检测、保护及零件检测、摘取的手眼集成装置 | |
CN114937015A (zh) | 一种锂电池极片制造中智能视觉识别方法和系统 | |
EP1177430A1 (en) | System and method to quantify appearance defects in molded plastic parts | |
CN117635595B (zh) | 一种精密注塑模胚表面质量视觉检测方法 | |
CN113484329A (zh) | 基于机器视觉的注塑件缺陷检测方法及系统 | |
KR101036272B1 (ko) | 금형 및 사출성형물의 형상오차 측정방법 |
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 |