CN116141829A - 一种丝网印刷智能化工艺方法和系统 - Google Patents
一种丝网印刷智能化工艺方法和系统 Download PDFInfo
- Publication number
- CN116141829A CN116141829A CN202211727178.7A CN202211727178A CN116141829A CN 116141829 A CN116141829 A CN 116141829A CN 202211727178 A CN202211727178 A CN 202211727178A CN 116141829 A CN116141829 A CN 116141829A
- Authority
- CN
- China
- Prior art keywords
- data
- screen printing
- pattern
- printing
- defect
- 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
- 238000007650 screen-printing Methods 0.000 title claims abstract description 171
- 238000003672 processing method Methods 0.000 title description 5
- 230000007547 defect Effects 0.000 claims abstract description 183
- 238000001514 detection method Methods 0.000 claims abstract description 132
- 238000007639 printing Methods 0.000 claims abstract description 93
- 238000000034 method Methods 0.000 claims abstract description 77
- 230000008569 process Effects 0.000 claims abstract description 53
- 230000005540 biological transmission Effects 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 4
- 230000003068 static effect Effects 0.000 claims description 34
- 230000005611 electricity Effects 0.000 claims description 31
- 238000004458 analytical method Methods 0.000 claims description 25
- 230000002829 reductive effect Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000010801 machine learning Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 238000007790 scraping Methods 0.000 abstract description 8
- 239000013598 vector Substances 0.000 description 68
- 238000012545 processing Methods 0.000 description 47
- 230000007246 mechanism Effects 0.000 description 21
- 238000012549 training Methods 0.000 description 20
- 238000013528 artificial neural network Methods 0.000 description 18
- 238000013527 convolutional neural network Methods 0.000 description 18
- 238000003062 neural network model Methods 0.000 description 12
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000007689 inspection Methods 0.000 description 8
- 239000003638 chemical reducing agent Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000000059 patterning Methods 0.000 description 5
- 230000001105 regulatory effect Effects 0.000 description 5
- 230000003993 interaction Effects 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000017105 transposition Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000000712 assembly Effects 0.000 description 1
- 238000000429 assembly Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000003607 modifier Substances 0.000 description 1
- 230000003472 neutralizing effect Effects 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41F—PRINTING MACHINES OR PRESSES
- B41F33/00—Indicating, counting, warning, control or safety devices
- B41F33/0036—Devices for scanning or checking the printed matter for quality control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B41—PRINTING; LINING MACHINES; TYPEWRITERS; STAMPS
- B41F—PRINTING MACHINES OR PRESSES
- B41F15/00—Screen printers
- B41F15/14—Details
- B41F15/34—Screens, Frames; Holders therefor
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Mechanical Engineering (AREA)
- Inking, Control Or Cleaning Of Printing Machines (AREA)
Abstract
本说明书实施例提供一种丝网印刷智能化工艺方法和系统,该系统包括:传动装置,用于传输印刷件;图像检测装置,安装于传动装置上方,用于检测印刷件上的印刷图案并输出图像检测数据;印版装置,印版装置包括丝网印版;印刷装置,印刷装置包括刮墨板和回墨板;处理器,处理器与图像检测装置通信连接,用于确定丝网印版的目数,以及基于图像检测装置输出的图像检测数据,结合丝网印版的目数,确定丝网印刷的缺陷数据,并输出调整方案。
Description
技术领域
本说明书涉及丝网印刷领域,特别涉及一种丝网印刷智能化工艺方法和系统。
背景技术
丝网印刷是当今使用较为广泛的印刷工艺,在使用自动丝网印刷机印刷的过程中,常常会出现印刷质量参差不齐的情况,且原因可能为多种不同因素。因此,在获得丝网印刷带来的高印刷质量的同时,也常常面临着需要对丝网印刷设备进行及时检查和调整的情况。通常情况下,员工可以定期对丝网印刷设备进行巡检和维护,但是通过人工对丝网印刷设备进行检查和维护需要耗费大量人工成本,并且,基于丝网印刷的成品通过人工判断丝网印刷设备存在的问题,无法保证准确性,可能会存在误判情况。
因此,亟需提出一种丝网印刷智能化工艺方法和系统,根据丝网印刷的成品,准确判断印刷质量变动的原因并及时做出适当处理,提高丝网印刷的生产效率与质量。
发明内容
本说明书一个或多个实施例提供一种丝网印刷智能化工艺方法,该方法基于丝网印刷智能化工艺系统执行,该方法包括:通过图像检测装置检测印刷件上的印刷图案,并输出图像检测数据;通过处理器确定丝网印版的目数,以及基于图像检测装置输出的图像检测数据,结合丝网印版的目数,确定丝网印刷的缺陷数据,并输出调整方案。
本说明书实施例之一提供一种丝网印刷智能化工艺系统,该系统包括:传动装置,用于传输印刷件;图像检测装置,安装于传动装置上方,用于检测印刷件上的印刷图案并输出图像检测数据;印版装置,印版装置包括丝网印版;印刷装置,印刷装置包括刮墨板和回墨板;处理器,处理器与图像检测装置通信连接,用于确定丝网印版的目数,以及基于图像检测装置输出的图像检测数据,结合丝网印版的目数,确定丝网印刷的缺陷数据,并输出调整方案。
本说明书一个或多个实施例提供一种丝网印刷智能化工艺装置,包括处理器,所述处理器用于执行丝网印刷智能化工艺方法。
本说明书一个或多个实施例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,计算机执行丝网印刷智能化工艺方法。
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丝网印刷智能化工艺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丝网印刷智能化工艺方法的示例性流程图;
图3是根据本说明书一些实施例所示的丝网模型的示例性示意图;
图4是根据本说明书一些实施例所示的匹配模型的示例性示意图;
图5是根据本说明书一些实施例所示的分析模型的示例性示意图。
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。
丝网印刷是指用丝网作为版基,通过感光制版方法,制成带有图文的丝网印版,利用丝网印版图文部分网孔可透过油墨,非图文部分网孔不能透过油墨的基本原理进行印刷。印刷时在丝网印版的一端倒入油墨,用印刷装置对丝网印版上的油墨部位施加一定压力,同时朝丝网印版另一端匀速移动,油墨在移动中被刮板从图文部分的网孔中挤压到印刷件上,从而实现丝网印刷。
图1是根据本说明书一些实施例所示的丝网印刷智能化工艺系统的应用场景示意图。
在一些实施例中,丝网印刷智能化工艺系统的应用场景100可以包括丝网印刷智能化工艺系统110、网络120和存储设备130。
丝网印刷智能化工艺系统110是指用于智能控制丝网印刷质量,帮助用户及时发现并解决丝网印刷过程中存在的问题的系统。在一些实施例中,丝网印刷智能化工艺系统110包括传动装置110-1、图像检测装置110-2、印版装置110-3、印刷装置110-4和处理器110-5。在一些实施例中,丝网印刷智能化工艺系统110还包括控制终端110-6。在一些实施例中,丝网印刷智能化工艺系统110还包括等离子静电消除装置110-7。
传动装置110-1是指用于传输印刷件的装置。在一些实施例中,传动装置110-1可以包括电机、电磁离合器、减速器和调速机构。关于印刷件的更多内容参见图2及其相关描述。
电机用于给传动装置110-1提供动力来源。丝网印刷机通常采用4级交流电机,电压为380V或220V(220V较方便,被广泛采用),功率依机器而定,大型丝网印刷设备可使用2台或3台电机分别驱动。在一些实施例中,传动装置110-1的动力来源还可以是其他设备,例如,气动丝网印刷机的动力来源是气泵,又例如,液压丝网印刷机的动力来源是液压泵。
电磁离合器用于使电机频繁启动切换为常转,使执行部件动作灵敏,免受电机惯性影响,同时可作为一级减速机构。丝网印刷机上的电磁离合器可以与电机为一体,也可以单体安装。
减速器用于传递功率,减速,调整输入、输出轴方向及安装方位。减速器通常采用蜗轮蜗杆减速器,其传动比较大,体积小结构紧凑,也可以采用皮带减速器,但其必须安装在蜗轮蜗杆减速器之前,不影响整机相位关系。
调速机构用于根据不同印刷件的大小及印刷工艺的要求,对印刷件的传动速度进行调整。调速机构分为有级和无级两类,通常情况下中小型丝网印刷机采用无级调速机构,大型丝网印刷设备采用有级调速机构。
图像检测装置110-2是指对印刷件上的印刷图案进行检测并输出相关图像数据的装置。在一些实施例中,图像检测装置110-2可以安装于传动装置上方。在一些实施例中,图像检测装置110-2可以用于检测印刷件上的印刷图案并输出图像检测数据。关于图像检测数据的更多内容参见图2及其相关描述。
图像检测装置110-2包括图像获取设备,例如,摄像机、扫描仪、红外线成像仪等。在一些实施例中,图像检测装置110-2可以与处理器110-5通信连接,将获取到的图像检测数据传输至处理器110-5进行处理。在一些实施例中,图像检测装置110-2可以通过网络120接收处理器110-5发送的指令,并进行适应性调整(如,调整摄像机的角度等)。在一些实施例中,图像检测装置110-2可以基于控制终端110-6的控制操作进行适应性调整。
印版装置110-3是指用于固定丝网印版,实现揭书式起落或水平升降的装置。在一些实施例中,印版装置110-3包括丝网印版、印版夹持器、印版起落机构、对版调整机构和抬网补偿机构。
丝网印版是指印刷版面呈网状,由丝网模版、丝网和网框组成的一种孔版印版。可以根据印刷的图文内容,并通过感光制版方法,制成带有图文的丝网印版,丝网印版图文部分网孔可透过油墨,非图文部分网孔不能透过油墨。
印版夹持器用于将丝网印版固定在印版装置110-3上,广泛采用的夹持方式包括槽形体加丝杆压脚夹紧。
印版起落机构是指实现揭书式起落或水平升降的机构。揭书式起落印版的丝印机,通常采用凸轮机构,或者再加摆杆机构;水平升降式起落印版的丝印机,通常采用气缸导柱结构或凸轮导柱结构。印版起落机构的结构可以多样化,能够保证每次印刷动作完成后,印版再次落到工作位置时,其与平台的相对位置应保持不变即可。
对版调整机构用于确保在印刷过程中印刷件的坐标位置始终是正确的。对版调整机构包括光照对版、机械对版、电子对版等。
抬网补偿机构用于避免离网角随刮墨板行程逐渐加大而变小的不利影响和提高丝网印刷的精度。抬网补偿机构一般可以采用两种形式:一是通过凸轮驱动、摆杆放大和滑块执行,随印刷行程逐渐将网框前端顶起;二是网框前端挂拉簧,同时刮墨板装置加滚轮压在网框斜面,印刷行程刚开始,滚轮压网框,拉簧伸长,使网版与工作平台平行,随印刷行程逐渐加大,拉簧逐渐将网版前端拉起,达到补偿离网角的目的。
印刷装置110-4是指用于完成刮墨与回墨的装置。在一些实施例中,印刷装置110-4包括刮墨板和回墨板。刮墨板和回墨板通常安装在刮板滑架上,在往复运动中,令刮墨板和回墨板作交替起落,分别实现刮墨和回墨动作。在丝网印刷的往复运动过程中,刮墨板和回墨板的换位机构可以采用台阶槽升降撞块加杠杆换位机构、凸轮升降机构加杠杆换位机构等。
处理器110-5可以用于处理来自应用场景100的至少一个组件或外部数据源(如,云数据中心)的数据和/或信息。
在一些实施例中,处理器110-5用于确定丝网印版的目数,以及基于图像检测装置110-2输出的图像检测数据,结合丝网印版的目数,确定丝网印刷的缺陷数据,并输出调整方案。关于丝网印版的目数、丝网印刷的缺陷数据、调整方案的更多内容参见图2及其相关描述,关于确定丝网印刷的缺陷数据,并输出调整方案的更多内容参见图4、图5及其相关描述。
在一些实施例中,处理器110-5还用于基于印刷图案数据、印刷油墨数据和印刷件数据,确定丝网印版的目数。关于印刷图案数据、印刷油墨数据、印刷件数据、确定丝网印版的目数的更多内容参见图3及其相关描述。
在一些实施例中,处理器110-5还用于获取丝网印刷的标准图案数据,基于图像检测数据与标准图案数据的匹配程度,结合丝网印版的目数,确定丝网印刷的缺陷数据,丝网印刷的缺陷数据包括图案缺陷数据和颜色缺陷数据中的至少一种。关于标准图案数据、图案缺陷数据、颜色缺陷数据、确定丝网印刷的缺陷数据的更多内容参见图4及其相关描述。
在一些实施例中,处理器110-5还用于基于图案缺陷数据和颜色缺陷数据中的至少一种,通过分析模型,确定印刷缺陷产生的原因和该原因的置信度,并输出至控制终端110-6。关于分析模型、印刷缺陷产生的原因和该原因的置信度及其确定方式的更多内容参见图5及其相关描述。
处理器110-5可以经由网络120连接到存储设备130、图像检测装置110-2、控制终端110-6和/或等离子静电消除装置110-7以访问和/或接收数据和信息。例如,处理器110-5可以经由网络120接收图像检测装置110-2的相关信息(如,印刷件的图像信息等)。又例如,处理器110-5可以经由网络120将处理好的相关数据(如,丝网印刷的缺陷数据,调整方案等)发生至控制终端110-6。
在一些实施例中,处理器110-5可以是单个处理器,也可以是处理器组。该服务器组可以是集中式或分布式的(例如,处理器110-5可以是分布式系统),可以是专用的也可以由其他设备或系统同时提供服务。在一些实施例中,处理器110-5可以本地连接到网络120或者与网络120远程连接。在一些实施例中,处理器110-5可以在云平台上实施。仅作为示例,所述云平台可以包括私有云、公共云、混合云、社区云、分布云、内部云、多层云等或其任意组合。
控制终端110-6是指用户使用的一个或多个用于控制丝网印刷智能化工艺系统110的终端设备或软件。在一些实施例中,用户可以是维护丝网印刷工作流程的员工。在一些实施例中,控制终端110-6可以包括人机交互终端和控制器。在一些实施例中,控制终端110-6的人机交互终端可以是固定的和/或移动的,控制终端110-6的人机交互终端可以包括移动设备、平板计算机、膝上型计算机等或其任意组合。
在一些实施例中,控制终端110-6可以包括信号发送器和信号接收器,被配置为与处理器110-5通信以获取相关信息。在一些实施例中,控制终端110-6可以通过网络120接收处理器110-5发送的印刷缺陷产生的原因和原因对应的发生概率以及调整方案,用户可以通过人机交互终端对调整方案进行选择或确定,控制器可以基于调整方案对传动装置110-1、图像检测装置110-2、印版装置110-3、印刷装置110-4和等离子静电消除装置110-7进行控制。关于印刷缺陷产生的原因和原因对应的发生概率的更多内容参见图5及其相关描述。
在一些实施例中,控制终端110-6可以接收用户请求或反馈,并通过网络120将与请求或反馈有关的信息发送到处理器110-5。例如,控制终端110-6可以接收用户要求获取丝网印刷的调整方案的请求,并经由网络120将与请求有关的信息发送到处理器110-5。
等离子静电消除装置110-7是指通过大量正负离子来中和丝网印刷过程中产生的静电的装置,用于降低静电影响。在一些实施例中,等离子静电消除装置110-7可以是任何用于消除静电的设备或其组合,例如,离子风机、离子风枪、离子风帘等。在一些实施例中,等离子静电消除装置110-7可以与处理器110-5通信连接。在一些实施例中,等离子静电消除装置110-7可以通过网络120接收处理器110-5发送的指令,并进行适应性调整(如,调整等离子静电消除装置的功率等)。在一些实施例中,等离子静电消除装置110-7可以基于控制终端110-6的控制操作进行适应性调整。
在一些实施例中,当处理器110-5输出的印刷缺陷产生的原因包括“静电严重”,且该原因对应的发生概率满足一定阈值(如,90%,或者比其他输出的原因对应的发生概率大),则处理器110-5对等离子静电消除装置110-7的功率进行调整。在一些实施例中,处理器110-5可以直接向等离子静电消除装置110-7发送调整指令,提高等离子静电消除装置110-7的功率。在一些实施例中,处理器110-5可以向控制终端110-6发送印刷缺陷产生的原因和原因对应的发生概率,控制终端110-6控制等离子静电消除装置110-7提高功率。
在一些实施例中,印刷缺陷产生的原因和原因对应的发生概率可以通过分析模型确定,关于分析模型的更多内容参见图5及其相关描述。
在一些实施例中,等离子静电消除装置110-7的功率的提高幅度可以基于图案缺陷数据确定。图案缺陷数据包括边缘精细程度,边缘精细程度越低,表示静电越严重,则等离子静电消除装置110-7的功率提高幅度越大。关于图案缺陷数据的更多内容参见图5及其相关描述。
在本说明书的一些实施例中,通过设置等离子静电消除装置,可以有效减少静电对丝网印刷过程的影响,提高丝网印刷的质量,并且,基于印刷缺陷产生的原因和原因对应的发生概率来确定是否需要调整等离子静电消除装置,可以合理判断是否需要消除静电,减少无用功,而且基于图案缺陷数据确定等离子静电消除装置功率调整的幅度,可以提高功率调整幅度的准确性,保证等离子静电消除装置的科学运行,避免因功率调整过低无法达到静电消除效果,或因功率调整过高使设备损坏等情况。
网络120可以促进信息和/或数据的交换。在一些实施例中,应用场景100中的一个或以上组件(如,存储设备130、丝网印刷智能化工艺系统110)可以经由网络120将信息和/或数据发送到应用场景100中的另一个组件。网络120可以包括局域网(LAN)、广域网(WAN)、有线网络、无线网络等或其任意组合。在一些实施例中,网络120可以是有线网络或无线网络中的任意一种或多种。在一些实施例中,网络120可以包括一个或以上网络接入点。例如,网络120可以包括有线或无线网络接入点,例如基站和/或网络交换点,通过这些网络接入点,应用场景100的一个或多个组件可连接到网络120以交换数据和/或信息。
存储设备130可以用于储存数据和/或指令。数据可以包括与丝网印刷智能化工艺系统110等有关的数据。在一些实施例中,存储设备130可以储存处理器110-5用来执行或使用以完成本说明书中描述的示例性方法的数据和/或指令。例如,存储设备130可以存储图像检测装置110-2的相关信息(如,图像检测数据等)。又例如,存储设备130可以存储一个或多个机器学习模型。在一些实施例中,存储设备130可以是处理器110-5的一部分。
在一些实施例中,存储设备130可包括大容量存储器、可移动存储器、易失性读写内存、只读内存(ROM)等或其任意组合。在一些实施例中,存储设备130可在云平台上实现。在一些实施例中,存储设备130可以连接到网络120以与应用场景100的一个或以上组件(例如,处理器110-5)通信。
在本说明书的一些实施例中,通过使用丝网印刷智能化工艺系统110对丝网印刷过程进行监测,可以及时地发现丝网印刷过程中存在的问题,准确判断产生的原因,并自动对各个装置进行调整,以实现丝网印刷的高效智能运行,减少了人工成本,提高了丝网印刷的生产效率。
应当注意应用场景仅仅是为了说明的目的而提供,并不意图限制本说明书的范围。对于本领域的普通技术人员来说,可以根据本说明书的描述,做出多种修改或变化。例如,应用场景还可以包括数据库。又例如,应用场景可以在其他设备上实现以实现类似或不同的功能。然而,变化和修改不会背离本说明书的范围。
图2是根据本说明书一些实施例所示的丝网印刷智能化工艺方法的示例性流程图。如图2所示,流程200包括下述步骤:
步骤210,通过图像检测装置检测印刷件上的印刷图案,并输出图像检测数据。在一些实施例中,步骤210可以由图像检测装置110-2执行。
关于图像检测装置的更多内容参见图1及其相关描述。
印刷件是指承接印刷图案的物品。例如,纸张、衣服等。
图像检测数据是指图像检测装置获取到的反映印刷件上的印刷图案的实际情况的数据。例如,图像检测数据可以包括印刷件的印刷图案的形状数据、颜色数据、印刷图案在印刷件上的位置数据等。
在一些实施例中,图像检测数据可以通过图像检测装置来获取。例如,图像检测装置可以通过摄像头获取印刷件上的印刷图案的图片,将图片转换成包含图片信息的数据并输出。在一些实施例中,图像检测装置可以实时获取图像检测数据,并上传至存储设备进行保存。在一些实施例中,图像检测装置可以每隔一段时间(如,每一个小时)获取图像检测数据,并上传至存储设备进行保存。
步骤220,通过处理器确定丝网印版的目数,以及基于图像检测装置输出的图像检测数据,结合丝网印版的目数,确定丝网印刷的缺陷数据,并输出调整方案。在一些实施例中,步骤220可以由处理器110-5执行。
丝网印版的目数是指丝网印版上单位面积内网孔的数量,用于表示丝网的疏密程度。印刷图案的线条细度、复杂程度影响丝网印版的目数。印刷图案的线条细度越细,复杂程度越高,丝网印版的目数越高,丝网越密,网孔越小。丝网印版的目数的国际标准单位是1T=2.5目,表示一平方英寸有2.5个网孔。可以根据印刷件的精度要求,选择不同目数的丝网,例如,印墨量要求多的情况下采用70~200目,一般印刷采用200~300目,精细图文采用300目以上。
在一些实施例中,丝网印版的目数可以影响处理器110-5对丝网印刷的缺陷数据的确定。例如,丝网印版的目数越少,印刷图案的精度越低,则对缺陷的容忍度越高。
丝网印刷的缺陷数据是指反映印刷件上的印刷图案的缺陷情况的数据。丝网印刷的缺陷数据可以包括缺陷类型和缺陷程度。缺陷类型是指存在缺陷的情况的类别。例如,缺陷类型可以是图案缺失、边缘精细度(如,边缘清晰程度、毛边情况等)、颜色不均、浸染过度等。缺陷程度是指缺陷情况的严重程度,可以根据不同的缺陷类型规定不同的缺陷程度。例如,缺陷类型为图案缺失时,缺陷程度可以分为缺失和完整;又例如,缺陷类型为颜色不均时,缺陷程度可以分为轻微不均匀、中度不均匀、严重不均匀等。
在一些实施例中,处理器110-5可以通过图像数据处理方法,例如,模拟图像处理(Analog Image Processing)和数字图像处理(Digital Image Processing)等,对图像检测数据进行分析处理,结合丝网印版的目数,确定丝网印刷的缺陷数据。
在一些实施例中,处理器110-5可以获取丝网印版的标准图案,基于图像检测数据与丝网印版的标准图案的匹配程度,结合丝网印版的目数,确定丝网印刷的缺陷数据。关于丝网印版的标准图案、基于图像检测数据与丝网印版的标准图案的匹配程度确定丝网印刷的缺陷数据的更多内容参见图4及其相关描述。
调整方案是指针对丝网印刷的缺陷问题对丝网印刷智能化工艺系统进行调整的具体措施。例如,调高刮墨板和回墨板的压力、降低传动装置的传输速度等。关于调整方案的更多内容参见图5及其相关描述。
在一些实施例中,处理器110-5可以通过建模或采用各种数据分析算法,例如聚类分析法、匹配分析法等,对丝网印刷的缺陷数据进行分析处理,确定调整方案。
在一些实施例中,处理器110-5可以基于丝网印刷的缺陷数据构建特征向量。基于丝网印刷的缺陷数据构建特征向量的方式可以有多种。例如,基于丝网印刷的缺陷数据(a,b,c,d,e,f)构建的特征向量p,其中,丝网印刷的缺陷数据(a,b,c,d,e,f)可以表示丝网印刷的缺陷类型包括a、b、c,缺陷类型a对应的缺陷程度为d,缺陷类型b对应的缺陷程度为e,缺陷类型c对应的缺陷程度为f。
存储设备中包含多个参考向量,以及多个参考向量中的每个参考向量对应的调整方案。参考向量基于历史丝网印刷的缺陷数据构建,历史丝网印刷的缺陷数据可以从存储设备中获取。待匹配向量基于当前待分析的丝网印刷的缺陷数据构建。参考向量和待匹配向量的构建方式参见上述特征向量。
在一些实施例中,处理器110-5可以分别计算参考向量与待匹配向量之间的向量距离(如,余弦距离等),确定待匹配向量对应的调整方案。例如,将与待匹配向量之间的向量距离满足预设条件的参考向量作为目标向量,将目标向量对应的调整方案作为待匹配向量对应的调整方案。预设条件可以根据情况设定。例如,预设条件可以是向量距离最小或向量距离小于距离阈值等。
在一些实施例中,处理器110-5可以通过分析模型,对丝网印刷的缺陷数据进行分析处理,确定调整方案。关于分析模型、通过分析模型确定调整方案的更多内容参见图5及其相关描述。
在本说明书的一些实施例中,通过对图像检测装置输出的图像检测数据进行分析处理,确定丝网印刷的缺陷数据,并输出调整方案,可以及时地发现丝网印刷过程中出现的问题,并准确获取相应的调整方案,从而保证丝网印刷系统的正常运行。
应当注意的是,上述有关流程200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200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。
图3是根据本说明书一些实施例所示的丝网模型的示例性示意图。
在一些实施例中,处理器110-5可以基于印刷图案数据、印刷油墨数据和印刷件数据,确定丝网印版的目数。
关于丝网印版的目数的更多内容参见图2及其相关描述。
印刷图案数据是指反映所要印刷的图案的具体信息的数据。例如,所要印刷的图案的形状数据、所要印刷的图案的颜色数据等。
在一些实施例中,印刷图案数据可以通过人工输入控制终端110-6,并通过处理器110-5保存在存储设备130中。在一些实施例中,印刷图案数据可以通过丝网印刷智能化工艺系统110自动检测获取并保存在存储设备130中。
印刷油墨数据是指反映印刷过程中所使用的油墨的实际情况的数据。例如,油墨的色号、浓度、粘度、干燥程度等。
在一些实施例中,印刷油墨数据可以通过人工输入控制终端110-6,并通过处理器110-5保存在存储设备130中。在一些实施例中,印刷油墨数据可以通过丝网印刷智能化工艺系统110自动检测获取并保存在存储设备130中。在一些实施例中,处理器110-5可以在丝网印刷开始前实时获取印刷油墨数据。在一些实施例中,处理器110-5可以在丝网印刷过程中每隔一段时间(如,每一个小时)重新获取印刷油墨数据。
印刷件数据是指反映印刷件本身固有信息的数据。例如,印刷件的颜色数据、材质数据等。
在一些实施例中,印刷件数据可以通过人工输入控制终端110-6,并通过处理器110-5保存在存储设备130中。在一些实施例中,印刷件数据可以通过丝网印刷智能化工艺系统110自动检测获取并保存在存储设备130中。
在一些实施例中,处理器110-5可以通过建模或采用各种数据分析算法,对印刷图案数据、印刷油墨数据和印刷件数据进行分析处理,确定丝网印版的目数。
在一些实施例中,可以基于印刷图案数据、印刷油墨数据和印刷件数据,根据专家建议或先验经验,确定丝网印版的目数。
在一些实施例中,处理器110-5可以通过丝网模型对印刷图案数据、印刷油墨数据和印刷件数据进行分析处理,确定丝网印版的目数。
丝网模型是指用于确定丝网印版的目数的模型。在一些实施例中,丝网模型可以对印刷图案数据310、印刷油墨数据340和印刷件数据350进行处理,获取丝网印版的目数370。
如图3所示,丝网模型可以包括图案处理层320和丝网目数确定层360。
在一些实施例中,图案处理层320可以对印刷图案数据310进行处理,获取印刷图案向量330。在一些实施例中,图案处理层320可以为各种可行的神经网络模型。例如,图神经网络模型(Graph Neural Networks,GNN)、卷积神经网络(Convolutional NeuralNetworks,CNN)、深度神经网络(Deep Neural Networks,DNN)等或其组合。
在一些实施例中,图3所示的图案处理层320与图4所示的图案处理层418数据共享。关于图案处理层418的更多内容参见图4及其相关描述。
如图3所示,图案处理层320的输入可以包括印刷图案数据310。例如,输入的印刷图案数据310可以是所要印刷的图案的形状数据、所要印刷的图案的颜色数据等。
图案处理层320的输出可以包括印刷图案向量330。印刷图案向量330是指表征印刷图案数据所包含的信息的向量。例如,印刷图案向量330中的元素可以包括印刷图案的颜色浓度、线条细度、复杂程度等。
在一些实施例中,丝网目数确定层360可以对印刷图案向量330、印刷油墨数据340和印刷件数据350进行处理,获取丝网印版的目数370。
在一些实施例中,丝网目数确定层360可以为各种可行的神经网络模型。例如,图神经网络模型(Graph Neural Networks,GNN)、卷积神经网络(Convolutional NeuralNetworks,CNN)、深度神经网络(Deep Neural Networks,DNN)等或其组合。
如图3所示,丝网目数确定层360的输入可以包括印刷图案向量330、印刷油墨数据340和印刷件数据350。例如,输入的印刷图案向量330可以是包括印刷图案的颜色浓度、线条细度、复杂程度等元素的向量;输入的印刷油墨数据340可以是油墨的色号、浓度、粘度、干燥程度等;输入的印刷件数据350可以是印刷件的颜色数据、材质数据等。
丝网目数确定层360的输出可以包括丝网印版的目数370。例如,输出的丝网印版的目数370可以是300目。
在一些实施例中,图案处理层320的输出可以为丝网目数确定层360的输入,丝网模型可以基于图案处理层320和丝网目数确定层360的联合训练得到。
在一些实施例中,联合训练丝网模型的第一样本数据包括样本印刷图案数据、样本印刷油墨数据和样本印刷件数据,第一样本数据对应的第一标签为样本丝网印版的目数。第一样本数据可以基于历史数据获取,第一标签可以基于历史印刷记录中,不同的印刷图案数据对应的印刷效果较好的丝网印版的数目确定,第一标签可以通过人工标注或自动标注的方式确定。
训练时,将样本印刷图案数据输入初始图案处理层,得到初始图案处理层输出的印刷图案向量;将印刷图案向量和印刷油墨数据、印刷件数据一起作为训练样本数据输入初始丝网目数确定层,得到初始丝网目数确定层输出的丝网印版的目数。基于样本丝网印版的目数和丝网目数确定层输出的丝网印版的目数构建损失函数,同步更新图案处理层和丝网目数确定层的参数。通过参数更新,得到训练好的图案处理层和丝网目数确定层。
在本说明书的一些实施例中,通过丝网模型对印刷图案数据、印刷油墨数据和印刷件数据进行处理,确定丝网印刷的目数,可以基于不同的印刷要求适应性确定合理的丝网印刷目数,有效提高了丝网印刷的质量。
图4是根据本说明书一些实施例所示的匹配模型的示例性示意图。
在一些实施例中,处理器110-5可以获取丝网印刷的标准图案数据,基于图像检测数据与标准图案数据的匹配程度,结合丝网印版的目数,确定丝网印刷的缺陷数据,丝网印刷的缺陷数据包括图案缺陷数据和颜色缺陷数据中的至少一种。
关于图像检测数据、丝网印版的目数、丝网印刷的缺陷数据的更多内容参见图2及其相关描述。
标准图案是指印刷质量符合要求的印刷件上的印刷图案。标准图案数据是指反映标准图案所包含的信息的数据。例如,某印刷件的印刷质量符合要求,则该印刷件上的印刷图案为丝网印刷的标准图案,则标准图案数据可以是标准图案的图案形状数据、图案颜色数据等。
在一些实施例中,丝网印刷的标准图案数据可以基于印刷图案数据获取。关于印刷图案数据的更多内容参见图3及其相关描述。
匹配程度是指图像检测数据与标准图案数据的符合程度,匹配程度可以通过相似度表示。匹配程度可以是图像检测数据与标准图案数据整体上的相似度,例如,匹配程度可以是80%。匹配程度也可以是图像检测数据与标准图案数据在各个方面的相似度的平均值,例如,图像检测数据与标准图案数据在颜色浓淡方面的数据的相似度可以是80%,在线条粗细方面的数据的相似度可以是90%,则匹配程度可以是85%。匹配程度也可以是图像检测数据与标准图案数据在各个方面的相似度的加权平均值,权重可以基于专家建议或先验经验确定,例如,对印刷件的颜色质量要求越高,则与颜色相关的相似度的权重越大。
图案缺陷数据是指反映印刷件上的印刷图案在图案方面存在的问题的数据。例如,图案缺陷数据可以包括图案缺失的大小、图案缺失部分占完整图案的百分比、图案边缘的精细程度等。
颜色缺陷数据是指反映印刷件上的印刷图案在颜色方面存在的问题的数据。例如,颜色缺陷数据可以包括印刷件上的印刷图案的颜色与标准图案的颜色的偏离程度。又例如,可以使用数值1-30表示偏离程度;以标准图案的颜色的浓淡为标准,使用数值10表示颜色的标准程度;使用大于10的数值表示印刷图案的颜色与标准图案的颜色相比偏浓,数值越大,颜色越浓;使用小于10的数值表示印刷图案的颜色与标准图案的颜色相比偏淡,数值越小,颜色越淡。
在一些实施例中,处理器110-5可以通过建模或采用各种数据分析算法,例如聚类分析法、匹配分析法等,对图像检测数据与丝网印刷的标准图案数据进行处理,获取二者的匹配程度,结合丝网印版的目数,确定丝网印刷的缺陷数据。
在一些实施例中,处理器110-5可以通过匹配模型对图像检测数据与丝网印刷的标准图案数据进行处理,确定丝网印刷的图案缺陷数据和颜色缺陷数据。
匹配模型是指用于确定丝网印刷的图案缺陷数据和颜色缺陷数据的模型。在一些实施例中,匹配模型可以对标准图案数据410和图像检测数据412进行处理,获取颜色缺陷数据430和图案缺陷数据432。
如图4所示,匹配模型可以包括图案处理层418、颜色检测层424和图案检测层426。图案处理层418可以包括标准图案处理层414和检测图像处理层416。在一些实施例中,图4所示的图案处理层418与图3所示的图案处理层320数据共享。关于图案处理层320的更多内容参见图3及其相关描述。
在一些实施例中,标准图案处理层414可以对标准图案数据410进行处理,获取标准图案向量420。在一些实施例中,标准图案处理层414可以为各种可行的神经网络模型。例如,图神经网络模型(Graph Neural Networks,GNN)、卷积神经网络(ConvolutionalNeural Networks,CNN)、深度神经网络(Deep Neural Networks,DNN)等或其组合。
如图4所示,标准图案处理层414的输入可以包括标准图案数据410。例如,输入的标准图案数据410可以是标准图案的图案形状数据、图案颜色数据等。
标准图案处理层414的输出可以包括标准图案向量420。标准图案向量420是指表征标准图案数据所包含的信息的向量。例如,输出的标准图案向量420中的元素可以包括标准图案的颜色浓度、线条细度、复杂程度等。
在一些实施例中,检测图像处理层416可以对图像检测数据412进行处理,获取检测图像向量422。在一些实施例中,检测图像处理层416可以为各种可行的神经网络模型。例如,图神经网络模型(Graph Neural Networks,GNN)、卷积神经网络(ConvolutionalNeural Networks,CNN)、深度神经网络(Deep Neural Networks,DNN)等或其组合。
如图4所示,检测图像处理层416的输入可以包括图像检测数据412。例如,输入的图像检测数据412可以是印刷件的印刷图案的形状数据、颜色数据、印刷图案在印刷件上的位置数据等。关于图像检测数据的更多内容参见图2及其相关描述。
检测图像处理层416的输出可以包括检测图像向量422。检测图像向量422是指表征图像检测数据所包含的信息的向量。例如,输出的检测图像向量422中的元素可以包括印刷件的印刷图案的颜色浓度、线条细度、复杂程度等。
在一些实施例中,颜色检测层424可以对标准图案向量420和检测图像向量422进行处理,获取颜色缺陷数据430。在一些实施例中,颜色检测层424可以为各种可行的神经网络模型。例如,图神经网络模型(Graph Neural Networks,GNN)、卷积神经网络(Convolutional Neural Networks,CNN)、深度神经网络(Deep Neural Networks,DNN)等或其组合。
如图4所示,颜色检测层424的输入可以包括标准图案向量420和检测图像向量422。例如,输入的标准图案向量420可以是元素包括标准图案的颜色浓度、线条细度、复杂程度等信息的向量;输入的检测图像向量422可以是元素包括印刷件的印刷图案的颜色浓度、线条细度、复杂程度等信息的向量。
颜色检测层424的输出可以包括颜色缺陷数据430。例如,输出的颜色缺陷数据430可以是印刷件上的印刷图案的颜色与标准图案的颜色的偏离程度。
在一些实施例中,图案检测层426可以对标准图案向量420和检测图像向量422进行处理,获取图案缺陷数据432。在一些实施例中,图案检测层426可以为各种可行的神经网络模型。例如,图神经网络模型(Graph Neural Networks,GNN)、卷积神经网络(Convolutional Neural Networks,CNN)、深度神经网络(Deep Neural Networks,DNN)等或其组合。
如图4所示,图案检测层426的输入可以包括标准图案向量420和检测图像向量422。例如,输入的标准图案向量420可以是元素包括标准图案的颜色浓度、线条细度、复杂程度等信息的向量;输入的检测图像向量422可以是元素包括印刷件的印刷图案的颜色浓度、线条细度、复杂程度等信息的向量。
图案检测层426的输出可以包括图案缺陷数据432。例如。输出的图案缺陷数据432可以是图案缺失的大小、图案缺失部分占完整图案的百分比、图案边缘的精细程度等。
在一些实施例中,标准图案处理层414和检测图像处理层416的输出可以为颜色检测层424和图案检测层426的输入,匹配模型可以基于标准图案处理层414、检测图像处理层416、颜色检测层424和图案检测层426的联合训练得到。
在一些实施例中,联合训练匹配模型的第二样本数据包括样本标准图案数据、样本图像检测数据,第二样本数据对应的第二标签为样本颜色缺陷数据和样本图案缺陷数据。第二样本数据可以基于历史数据获取,第二标签可以通过结合样本标准图案数据,人工标注样本图像检测数据的图案质量、颜色质量来确定。
训练时,将样本标准图案数据输入初始标准图案处理层,得到初始标准图案处理层输出的标准图案向量;将样本图像检测数据输入初始检测图像处理层,得到初始检测图像处理层输出的检测图像向量;将标准图案向量和检测图像向量一起作为训练样本数据输入初始颜色检测层,得到初始颜色检测层输出的颜色缺陷数据;将标准图案向量和检测图像向量一起作为训练样本数据输入初始图案检测层,得到初始图案检测层输出的图案缺陷数据。基于样本颜色缺陷数据、样本图案缺陷数据和初始颜色检测层输出的颜色缺陷数据、初始图案检测层输出的图案缺陷数据构建损失函数,同步更新标准图案处理层、检测图像处理层、颜色检测层和图案检测层的参数。通过参数更新,得到训练好的标准图案处理层、检测图像处理层、颜色检测层和图案检测层。
在本说明书的一些实施例中,通过匹配模型对标准图案和检测图案进行处理来确定丝网印刷的缺陷数据,可以以标准图案为基准,提高确定丝网印刷的缺陷数据的准确性;通过分别使用颜色检测层和图案检测层对标准图案向量和检测图像向量进行处理,分别获取颜色缺陷数据和图案缺陷数据,可以从多方面确定丝网印刷的缺陷数据,保证丝网印刷的缺陷数据的全面性和完整性;匹配模型基于标准图案处理层、检测图像处理层、颜色检测层和图案检测层的联合训练获取,可以提高匹配模型对大量数据的处理能力,并且提高了匹配模型输出结果的准确性。
图5是根据本说明书一些实施例所示的分析模型的示例性示意图。
在一些实施例中,处理器110-5可以基于图案缺陷数据和颜色缺陷数据中的至少一种,通过分析模型,确定印刷缺陷产生的原因和该原因的置信度,并输出至控制终端110-6。
原因的置信度是指由于该原因引起当前出现的印刷缺陷的可能性。例如,原因的置信度可以是(0.6,0.4,0.5),表示缺陷由静电严重造成的可能性为60%,缺陷由油墨太稀造成的可能性为40%,缺陷由刮墨板压力太小造成的可能性为50%。
分析模型是指用于确定印刷缺陷产生的原因和该原因的置信度的模型。在一些实施例中,分析模型为机器学习模型。在一些实施例中,分析模型550可以对颜色缺陷数据510和图案缺陷数据520进行处理,获取印刷缺陷产生的原因和该原因的置信度560。
如图5所示,分析模型550可以包括多个子模型,例如,子模型1、子模型2、子模型n等。在一些实施例中,不同子模型对应不同的印刷缺陷产生的原因,用于分析不同原因的置信度。例如,子模型1可以为静电分析子模型,用于分析产生静电是导致印刷缺陷的原因的可能性;又例如,子模型2可以为刮墨板分析子模型等,用于分析刮墨板压力等是导致印刷缺陷的原因的可能性。
在一些实施例中,图5所示的颜色缺陷数据510和图案缺陷数据520与图4所示的颜色缺陷数据430和图案缺陷数据432相同。图5所示的颜色缺陷数据510和图案缺陷数据520可以基于图4所示的匹配模型获取。关于匹配模型、颜色缺陷数据430和图案缺陷数据432的更多内容参见图4及其相关描述。
如图5所示,分析模型550的输入可以包括颜色缺陷数据510和图案缺陷数据520。例如,输入的颜色缺陷数据510可以是印刷件上的印刷图案的颜色与标准图案的颜色的偏离程度;输入的图案缺陷数据520可以是图案缺失的大小、图案缺失部分占完整图案的百分比、图案边缘的精细程度等。
在一些实施例中,分析模型550的输入还可以包括环境温度530和环境湿度540。
环境温度530是指丝网印刷所处的外部环境的温度。例如,27℃等。在一些实施例中,环境温度530可以通过温度检测装置(如,温度计)实时获取。在一些实施例中,环境温度530可以通过温度检测装置每隔一定时间段(如,每个小时)获取。
环境湿度540是指丝网印刷所处的外部环境的相对湿度。例如,50%等。在一些实施例中,环境湿度540可以通过湿度检测装置(如,湿度传感器)实时获取。在一些实施例中,环境湿度540可以通过湿度检测装置每隔一定时间段(如,每个小时)获取。
在本说明书的一些实施例中,通过引入环境温度和环境湿度对丝网印刷产生缺陷的原因进行分析,可以充分考虑丝网印刷设备的外部环境的影响因素,使得对原因的分析更科学合理,确保输出的丝网印刷产生缺陷的原因的可靠性。
如图5所示,分析模型550的输出可以包括印刷缺陷产生的原因和该原因的置信度560。在一些实施例中,不同印刷缺陷产生的原因和该原因的置信度由不同原因对应的子模型输出。例如,子模型1可以为静电分析子模型,子模型2可以为油墨分析子模型,子模型3可以为刮墨板分析子模型;输出的印刷缺陷产生的原因和该原因的置信度560可以是(0.6,0.4,0.5),表示缺陷由静电严重造成的可能性为60%,缺陷由油墨太稀造成的可能性为40%,缺陷由刮墨板压力太小造成的可能性为50%;其中,0.6由子模型1输出,0.4由子模型2输出,0.5由子模型3输出。
在一些实施例中,处理器110-5可以基于分析模型550的输出确定调整方案,并将调整方案输出至控制终端110-6。在一些实施例中,调整方案可以包括调整刮墨板压力、调整丝网印版与印刷件间距、调整油墨、调整环境温度和湿度等中的至少一种。
在一些实施例中,调整方案可以基于印刷缺陷产生的原因和该原因的置信度560确定。在一些实施例中,分析模型550可以将置信度最大的原因作为印刷缺陷产生的主要原因,并基于该原因确定调整方案。例如,输出的印刷缺陷产生的原因和该原因的置信度560为(0.6,0.4,0.5),表示缺陷由静电严重造成的置信度为0.6,缺陷由油墨太稀造成的置信度为0.4,缺陷由刮墨板压力太小造成的置信度为0.5,其中,缺陷由静电严重造成的置信度最大,将静电严重作为印刷缺陷产生的主要原因,因此调整方案可以为提高等离子静电消除装置110-7的功率。
在一些实施例中,分析模型550可以将置信度大于阈值(如,0.6)的原因作为印刷缺陷产生的主要原因,并基于该原因确定调整方案。例如,输出的印刷缺陷产生的原因和该原因的置信度560为(0.9,0.8,0.5),表示缺陷由静电严重造成的置信度为0.9,缺陷由油墨太稀造成的置信度为0.8,缺陷由刮墨板压力太小造成的置信度为0.5,其中,缺陷由静电严重造成的置信度和由油墨太稀造成的置信度大于阈值0.6,将静电严重和油墨太稀作为印刷缺陷产生的主要原因,因此调整方案可以为提高等离子静电消除装置110-7的功率和增加油墨的浓度。
在一些实施例中,分析模型550可以基于历史数据单独训练。在一些实施例中,可以基于多个第三训练样本及第三标签训练得到分析模型550。
在一些实施例中,训练分析模型的第三训练样本包括存在不同原因引起的缺陷的样本印刷图案的样本颜色缺陷数据和样本图案缺陷数据。第三训练样本可以基于历史数据获取,第三训练样本还可以基于匹配模型获取,关于匹配模型的更多内容参见图4及其相关描述。
与第三训练样本相对应的第三标签包括多个子标签,每个子标签对应一个子模型。子标签为子模型对应的原因是否导致样本印刷图案产生缺陷,若子模型对应的原因导致样本印刷图案产生缺陷,则子模型对应的子标签为1;若子模型对应的原因没有导致样本印刷图案产生缺陷,则子模型对应的子标签为0。相应地,第三标签可以由多个子标签组成。例如,第三标签可以为(1,0,0),表示样本印刷图案的缺陷由子模型1对应的原因造成;又例如,第三标签可以为(1,1,0),表示样本印刷图案的缺陷由子模型1对应的原因和子模型2对应的原因造成。
第三标签可以基于经验分析出的缺陷的原因并通过人工标注的方式确定。例如,根据不同原因导致的印刷缺陷特征不同来人工判断造成缺陷的原因,如,静电较多可能导致印刷图案边缘不清晰或者有多余油墨丝状痕迹;又如,刮墨板压力过小时,可能导致印刷不完整,或者颜色不均匀;又如,刮墨板压力过大时,可能导致印刷精度变差(如,线条变宽等)。以上说明仅为示例,而非限制,第三标签可以通过各种方式获取。
训练时,将不同原因的第三训练样本输入对应的初始分析模型的子模型,基于初始分析模型的子模型的输出与该子模型对应的子标签构建损失函数,通过损失函数更新初始分析模型的子模型的参数,直到训练的初始分析模型的子模型满足预设条件,获取训练好的分析模型的子模型。以同样的训练方式训练其他子模型,从而得到训练好的分析模型550。其中,预设条件可以是损失函数小于阈值、收敛,或训练周期达到阈值等。
在本说明书的一些实施例中,通过分析模型对丝网印刷设备自身造成的缺陷数据和丝网印刷设备所处的环境数据进行分析,兼顾丝网印刷设备产生缺陷的内部因素和外部因素,有效提高确定缺陷产生的原因及其概率的准确性,可以帮助用户及时并准确地获取调整方案,保证丝网印刷设备的正常运行,提高丝网印刷的质量。
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)
1.一种丝网印刷智能化工艺系统,其特征在于,所述系统包括:
传动装置,用于传输印刷件;
图像检测装置,安装于所述传动装置上方,用于检测所述印刷件上的印刷图案并输出图像检测数据;
印版装置,所述印版装置包括丝网印版;
印刷装置,所述印刷装置包括刮墨板和回墨板;
处理器,所述处理器与所述图像检测装置通信连接,用于确定丝网印版的目数,以及
基于所述图像检测装置输出的所述图像检测数据,结合所述丝网印版的目数,确定丝网印刷的缺陷数据,并输出调整方案。
2.根据权利要求1所述的系统,其特征在于,所述处理器还用于:
基于印刷图案数据、印刷油墨数据和印刷件数据,确定所述丝网印版的目数。
3.根据权利要求1所述的系统,其特征在于,所述处理器还用于:
获取丝网印刷的标准图案数据,基于所述图像检测数据与所述标准图案数据的匹配程度,结合所述丝网印版的目数,确定所述丝网印刷的缺陷数据,所述丝网印刷的缺陷数据包括图案缺陷数据和颜色缺陷数据中的至少一种。
4.根据权利要求3所述的系统,其特征在于,所述系统还包括控制终端,所述处理器还用于:
基于所述图案缺陷数据和所述颜色缺陷数据中的至少一种,通过分析模型,确定印刷缺陷产生的原因和该原因的置信度,并输出至所述控制终端,所述分析模型为机器学习模型。
5.根据权利要求1所述的系统,其特征在于,所述系统还包括:
等离子静电消除装置,与所述处理器通信连接;所述等离子静电消除装置用于降低静电影响。
6.一种丝网印刷智能化工艺方法,其特征在于,所述方法基于权利要求1-5中任一丝网印刷智能化工艺系统执行,所述方法包括:
通过图像检测装置检测印刷件上的印刷图案,并输出图像检测数据;
通过处理器确定丝网印版的目数,以及
基于所述图像检测装置输出的所述图像检测数据,结合所述丝网印版的目数,确定丝网印刷的缺陷数据,并输出调整方案。
7.根据权利要求6所述的方法,其特征在于,所述通过处理器确定丝网印版的目数包括:
通过所述处理器,基于印刷图案数据、印刷油墨数据和印刷件数据,确定所述丝网印版的目数。
8.根据权利要求6所述的方法,其特征在于,所述基于所述图像检测装置输出的所述图像检测数据,确定丝网印刷的缺陷数据,并输出调整方案包括:
获取丝网印刷的标准图案数据,基于所述图像检测数据与所述丝标准图案数据的匹配程度,结合所述丝网印版的目数,确定所述丝网印刷的缺陷数据,所述丝网印刷的缺陷数据包括图案缺陷数据和颜色缺陷数据中的至少一种。
9.根据权利要求8所述的方法,其特征在于,所述方法还包括:
通过所述处理器基于所述图案缺陷数据和所述颜色缺陷数据中的至少一种,通过分析模型,确定印刷缺陷产生的原因和该原因的置信度,并输出至控制终端,所述分析模型为机器学习模型。
10.根据权利要求6所述的方法,其特征在于,所述调整方案包括:
基于等离子静电消除装置降低静电影响。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211727178.7A CN116141829B (zh) | 2022-12-30 | 2022-12-30 | 一种丝网印刷智能化工艺方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211727178.7A CN116141829B (zh) | 2022-12-30 | 2022-12-30 | 一种丝网印刷智能化工艺方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116141829A true CN116141829A (zh) | 2023-05-23 |
CN116141829B CN116141829B (zh) | 2024-02-13 |
Family
ID=86359383
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211727178.7A Active CN116141829B (zh) | 2022-12-30 | 2022-12-30 | 一种丝网印刷智能化工艺方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116141829B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117156706A (zh) * | 2023-08-31 | 2023-12-01 | 湖北金禄科技有限公司 | 厚铜阻焊印刷调控方法、装置、计算机设备和存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03193449A (ja) * | 1989-12-25 | 1991-08-23 | Matsushita Electric Ind Co Ltd | スクリーン印刷装置および方法 |
JP2003291312A (ja) * | 2002-03-29 | 2003-10-14 | Mitsubishi Heavy Ind Ltd | 印刷物の品質管理装置 |
WO2012164233A2 (en) * | 2010-04-06 | 2012-12-06 | Dtg International Gmbh | Screen printing machine and method |
CN207088686U (zh) * | 2017-06-26 | 2018-03-13 | 佛山市顺佳鑫机械制造有限公司 | 丝印检测台和印刷作业工装 |
JP2019117105A (ja) * | 2017-12-27 | 2019-07-18 | ウエブテック株式会社 | 印刷品質検査装置 |
CN112339406A (zh) * | 2020-11-11 | 2021-02-09 | 广州泰行智能科技有限公司 | 一种自动检测印刷品质丝印机 |
CN113406110A (zh) * | 2021-05-20 | 2021-09-17 | 广州市花都联华包装材料有限公司 | 一种印刷品质量检测方法、装置、设备和计算机介质 |
CN114140385A (zh) * | 2021-10-26 | 2022-03-04 | 杭州涿溪脑与智能研究所 | 基于深度学习的印刷电路板缺陷检测方法及系统 |
CN114953728A (zh) * | 2022-05-12 | 2022-08-30 | 山东欣悦健康科技有限公司 | 一种注射器丝网印刷机的报警系统及方法 |
CN115049638A (zh) * | 2022-07-21 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种基于图像处理的丝网印刷玻璃缺陷检测方法及装置 |
-
2022
- 2022-12-30 CN CN202211727178.7A patent/CN116141829B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03193449A (ja) * | 1989-12-25 | 1991-08-23 | Matsushita Electric Ind Co Ltd | スクリーン印刷装置および方法 |
JP2003291312A (ja) * | 2002-03-29 | 2003-10-14 | Mitsubishi Heavy Ind Ltd | 印刷物の品質管理装置 |
WO2012164233A2 (en) * | 2010-04-06 | 2012-12-06 | Dtg International Gmbh | Screen printing machine and method |
CN207088686U (zh) * | 2017-06-26 | 2018-03-13 | 佛山市顺佳鑫机械制造有限公司 | 丝印检测台和印刷作业工装 |
JP2019117105A (ja) * | 2017-12-27 | 2019-07-18 | ウエブテック株式会社 | 印刷品質検査装置 |
CN112339406A (zh) * | 2020-11-11 | 2021-02-09 | 广州泰行智能科技有限公司 | 一种自动检测印刷品质丝印机 |
CN113406110A (zh) * | 2021-05-20 | 2021-09-17 | 广州市花都联华包装材料有限公司 | 一种印刷品质量检测方法、装置、设备和计算机介质 |
CN114140385A (zh) * | 2021-10-26 | 2022-03-04 | 杭州涿溪脑与智能研究所 | 基于深度学习的印刷电路板缺陷检测方法及系统 |
CN114953728A (zh) * | 2022-05-12 | 2022-08-30 | 山东欣悦健康科技有限公司 | 一种注射器丝网印刷机的报警系统及方法 |
CN115049638A (zh) * | 2022-07-21 | 2022-09-13 | 启东晶尧光电科技有限公司 | 一种基于图像处理的丝网印刷玻璃缺陷检测方法及装置 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117156706A (zh) * | 2023-08-31 | 2023-12-01 | 湖北金禄科技有限公司 | 厚铜阻焊印刷调控方法、装置、计算机设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116141829B (zh) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112179910B (zh) | 一种锂电池极片瑕疵实时检测处理方法和系统 | |
CN116141829B (zh) | 一种丝网印刷智能化工艺方法和系统 | |
CN115079963B (zh) | 一种喷印机的参数智能控制方法及系统 | |
CN110070521A (zh) | 一种基于视觉神经学习的3d打印模型瑕疵预判系统及方法 | |
NO861076L (no) | Fremgangsmaate og apparat for aa bringe farveseparasjonsfilmer i register. | |
EP2363289A2 (en) | Universal closed loop color control | |
JP2007098944A (ja) | カラー制御プロセス及びカラー制御システム | |
CN101228780A (zh) | 自适应印刷 | |
CN1134131A (zh) | 误差检测设备及其与雕刻机共同使用的方法 | |
CN105847708B (zh) | 基于图像直方图分析的线阵相机自动曝光调整方法及系统 | |
CN111812119A (zh) | 印刷品表面网点面积占比检测装置及方法 | |
CN117381937A (zh) | 基于图像识别的3d打印混凝土缺陷实时检测系统 | |
CN109444172A (zh) | 一种适用于人工智能检测pcb的自动光学检测装置及其方法 | |
CN113160222A (zh) | 一种针对工业信息图像的生产数据识别方法 | |
CN116664846B (zh) | 基于语义分割实现3d打印桥面施工质量监测方法及系统 | |
EP3858626A1 (en) | Method and system for double-sided printing | |
CN116624065A (zh) | 一种智能门窗自动折叠调控方法 | |
CN117656657A (zh) | 打印机及打印方法 | |
US8749830B2 (en) | Verification of a printer calibration utilizing hand-held mobile devices | |
Wannachai et al. | Real-Time Seven Segment Display Detection and Recognition Online System Using CNN | |
CN114210741B (zh) | 一种带钢表面粗糙度在线检测装置及方法 | |
CN113436196B (zh) | 基于图像识别技术的二维码膜生产管理系统 | |
CN102929447A (zh) | 一种光学传感器感知图像有效区域的提取方法 | |
CN209215256U (zh) | 一种适用于人工智能检测pcb的自动光学检测装置 | |
CN109900720B (zh) | 一种适应不同网板光学检测光源亮度自动调整方法及系统 |
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 |