CN116152245A - 一种基于人工智能的胶线缺陷检测系统 - Google Patents

一种基于人工智能的胶线缺陷检测系统 Download PDF

Info

Publication number
CN116152245A
CN116152245A CN202310421751.XA CN202310421751A CN116152245A CN 116152245 A CN116152245 A CN 116152245A CN 202310421751 A CN202310421751 A CN 202310421751A CN 116152245 A CN116152245 A CN 116152245A
Authority
CN
China
Prior art keywords
image
module
defect
detection
glue line
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
CN202310421751.XA
Other languages
English (en)
Other versions
CN116152245B (zh
Inventor
周克东
郭文龙
董良
夏时雨
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.)
Suzhou Xinxinteng Technology Co ltd
Original Assignee
Suzhou Xinxinteng 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 Suzhou Xinxinteng Technology Co ltd filed Critical Suzhou Xinxinteng Technology Co ltd
Priority to CN202310421751.XA priority Critical patent/CN116152245B/zh
Publication of CN116152245A publication Critical patent/CN116152245A/zh
Application granted granted Critical
Publication of CN116152245B publication Critical patent/CN116152245B/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
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种基于人工智能的胶线缺陷检测系统，涉及胶线缺陷检测技术领域，本发明在利用光学检测设备检测胶线缺陷的基础上，首先以受检图像、基础图像之间中胶线区域的对比数据，作为判断产品可能存在的缺陷问题并加以记录，在此基础上，同步建立缺陷统计估算和自主学习反馈两个模块，其目的是：以计算得到的缺陷问题进行统计分类，根据存在的缺陷问题，自主判断前一批次中点胶动作的工艺参数，具体需要再次结合到受检图像中的检测子单元相对基础图像中的检测子单元的胶线区域的重合或缺失状态，以此为基础，自主对点胶设备中的点胶工艺参数进行微调，以达到改变下一批次中生产得到的产品质量的效果。

Description

一种基于人工智能的胶线缺陷检测系统
技术领域
本发明涉及胶线缺陷检测技术领域，具体涉及一种基于人工智能的胶线缺陷检测系统。
背景技术
点胶工艺是把电子胶水或其他流体通过涂抹、灌封、点滴的动作施加在产品上，起到黏贴、灌封、绝缘、固定、表面光滑等作用，其中点胶质量关乎着产品后续使用质量，在点胶工艺中形成的胶线可能出现拉丝/拖尾、空打、卫星点、爆米花/空洞等缺陷问题，为此利用自动光学检测原理进行缺陷检测十分有必要，具体可参考CN113340909A一种基于机器视觉的胶线缺陷检测方法。
需要说明的是：当前的检测方式主要是作为判断产品优良或产品不佳的手段，具体是记录产品中存在的缺陷问题，然后再将不同质量的产品进行分类传输，对自动点胶工艺来说，主要以自动流水线的生产模式为主，具体可参考CN111211655A全自动智能化点胶流水线装备。
结合上述内容，需要注意的是：在自动化流水线的生产模式中，点胶工艺中设置的参数主要依赖于人工控制，通过上述的检测系统检测到产品不佳的数量，特别是在出现大批量产品不佳时，就需要人为干预，具体为：临时中断点胶生产线设备，并重新输入新参数-调机-再启动运行，此过程不仅耗费额外的工作时间，此外，在需要人为干预的状况下，点胶设备已经生产了大批量的不合格品。
针对上述技术问题，本申请提出了一种解决方案。
发明内容
本发明的目的在于提供一种基于人工智能的胶线缺陷检测系统，用于解决当前所使用的胶线缺陷检测过程仅仅是作为产品优良与否的判断方式，但是在实际运行过程，在出现批量缺陷问题时，不仅需要耗费时间进行调节，并且也生产了大量的不合格品，影响到点胶设备有效运行效率。
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胶线缺陷检测系统包括图像信息采集模块、图像信息分析模块、检测信息收集模块、缺陷统计估算模块、自主学习反馈模块，具体如下：
图像信息采集模块：通过点胶设备对产品执行点胶动作，完成点胶动作的产品为受检产品，并运用光学检测设备采集受检产品中点胶位置处的图像信息，得到受检图像，以及向图像信息采集模块中输入基础图像；
图像信息分析模块：将图像信息采集模块中得到的受检图像、基础图像转换为电信号并发送到图像信息分析模块中，在图像信息分析模块中重新生成受检图像、基础图像，将受检图像、基础图像按U向、V向分割成多个检测单元，之后将受检图像与基础图像中的多个检测单元进行重合叠加对比，对每组重叠的检测单元进行计算得到绝对阈值
Figure SMS_1
，根据绝对阈值/>
Figure SMS_2
计算并判断得到产品的质量状态，/>
Figure SMS_3
为绝对阈值中的标定符号；
检测信息收集模块：将图像信息分析模块中得到的绝对阈值
Figure SMS_4
输入到检测信息收集模块中，对绝对阈值/>
Figure SMS_5
进行二级分析计算，用于计算并判断得到产品的缺陷种类；
缺陷统计估算模块：将图像信息分析模块得到的产品质量状态的判断数据、检测信息收集模块中得到的产品缺陷种类的判断数据发送到缺陷统计估算模块中，在缺陷统计估算模块中对图像信息分析模块和检测信息收集模块中的判断数据进行三级分析计算，三级分析计算用于计算产品缺陷种类的占比，在缺陷统计估算模块中三级分析计算的作用对象包含有N个的受检产品，N个受检产品为图像信息采集模块中的点胶设备连续运行下得到的受检产品；
自主学习反馈模块：将缺陷统计估算模块中得到的产品缺陷种类的占比发送到自主学习模块中进行自主干预计算动作，并同步将图像信息分析模块中的产品质量状态、检测信息收集模块中的产品缺陷种类、基础图像输入到自主干预计算动作中，作为自主干预计算动作的参考数据。
进一步设置为：在图像信息采集模块中，输入的基础图像为理论上点胶设备以最佳点胶工艺参数执行点胶动作得到的最优产品的基础图像，基础图像和受检图像的轮廓为矩形，且基础图像和受检图像中的长、宽值相等，并标定基础图像和受检图像中的长值为Lo、宽值为Wo，且Lo、Wo为定值。
进一步设置为：在图像信息分析模块中得到的检测单元为正方形，且检测单元的轮廓边长为C，所述基础图像、受检图像按照U向、V向的分割间距等于C，通过Lo、Wo计算得到：检测单元沿U向的数量为
Figure SMS_7
、沿V向的数量为/>
Figure SMS_9
，其中/>
Figure SMS_12
、/>
Figure SMS_8
和i取自然正整数，i=1、2、3…i-1，结合/>
Figure SMS_11
、/>
Figure SMS_14
对应基础图像和受检图像的轮廓建立二维坐标轴，二维坐标轴中的X轴上的单位标定为/>
Figure SMS_16
、二维坐标轴中的Y轴上的单位标定为/>
Figure SMS_6
，从而得到检测单元的坐标点：（/>
Figure SMS_10
、/>
Figure SMS_13
），并在计算绝对阈值/>
Figure SMS_15
时，具体包括如下部分：
S1：计算得到检测单元的面积为
Figure SMS_17
，并以光学检测设备获取检测单元中的胶线区域面积/>
Figure SMS_18
，胶线区域为胶线在检测单元中的显影部分，且赋予受检图像中的胶线区域面积为/>
Figure SMS_19
、基础图像中的胶线区域面积/>
Figure SMS_20
；
S2：建立绝对阈值的计算公式：
Figure SMS_21
，其中位于同一坐标点位置的检测单元中的/>
Figure SMS_22
为相对定值，位于同一坐标点位置的检测单元中的/>
Figure SMS_23
为相对变值；
S3：通过S2中建立的计算公式计算得到
Figure SMS_24
分为如下两个状态：
1）
Figure SMS_25
，标定此状态下的受检产品为质量优良状态；
2）
Figure SMS_26
或/>
Figure SMS_27
，标定此状态下的受检产品为质量缺陷状态。/>
进一步设置为将图像信息分析模块中计算得到的绝对阈值
Figure SMS_28
输入到检测信息收集模块中的检测信息收集模块中进行二次分析计算，具体包括如下阶段：
阶段一：对质量优良状态的受检产品不执行二次分析计算动作；
阶段二：对质量缺陷状态的受检产品执行二次分析计算动作，具体动作如下所示：
动作一：在绝对阈值
Figure SMS_29
计算过程中，隔离出一个或者多个存在质量缺陷的检测单元，提取其中的胶线区域并放大显示倍数k，得到二级分析计算动作中的分析区域，分析区域为矩形；
动作二：对动作一中获得的分析区域按照图像信息分析模块中对受检图像、基础图像的分割方法进行二次分割，获得若干个检测子单元，并结合到二维坐标轴的建立方法，若干个检测子单元沿着分析区域的轮廓标定坐标点为：（
Figure SMS_30
、/>
Figure SMS_31
），其中k为对受检图、基础图像进行二次分割的间距数值；
动作三：提取绝对阈值计算公式
Figure SMS_32
中的/>
Figure SMS_33
，在质量优良状态下：/>
Figure SMS_34
，受检图像和基础图像中的胶线区域处于完全匹配的状态，不执行动作二；
在
Figure SMS_35
，受检图像中胶线区域面积/>
Figure SMS_36
＞/>
Figure SMS_37
，运用动作二中的检测子单元，提取出受检图像中胶线区域相对于基础图像中胶线区域重合位置的坐标点；
在
Figure SMS_38
，受检图像中胶线区域面积/>
Figure SMS_39
＜/>
Figure SMS_40
，运用动作二中的检测子单元，提取出受检图像中胶线区域相对于基础图像中胶线区域缺失位置的坐标点；
动作四：收集动作三中的坐标点，并覆盖在基础图像的检测子单元中的相同坐标点位置，根据
Figure SMS_41
与/>
Figure SMS_42
之间的重合度、/>
Figure SMS_43
与/>
Figure SMS_44
之间的差值，判断得到产品的缺陷种类。
进一步设置为：在缺陷统计估算模块和自主学习反馈模块中，其中的N大于10，且N取自然正整数，在缺陷统计估算模块中，具体包括如下方式：
方式一：在点胶设备对10个以上的产品连续执行点胶动作，以10个以上的产品设置为单一批次，且完成产品的光学检测动作后，通过计算得到产品的缺陷种类，并进一步计算在单一批次中不同缺陷种类的占比；
方式二：以不同缺陷种类的占比为基础，通过自主学习反馈模块将点胶设备中，根据不同缺陷种类的占比以及缺陷种类，自主调节点胶设备的点胶工艺参数，以重新调节后的点胶设备继续执行点胶动作，并按照图像信息采集模块～自主学习反馈模块进行胶线缺陷检测；
方式三：若在图像信息分析模块中计算得到的
Figure SMS_45
，判断单一批次中的产品为质量优良状态，点胶设备维持同一状态的点胶参数，并按照图像信息采集模块～自主学习反馈模块进行胶线缺陷检测；
方式四：在方式二中，在自主调节点胶设备的点胶工艺参数后，若同一缺陷出现连续两次以上，需要临时中断点胶设备运行，进行人为干预。
本发明具备下述有益效果：
1、本发明是以光学检测设备的检测原理为基础，在本发明中具体表现为：通过受检图像、基础图像之间中胶线区域的对比数据，作为判断产品可能存在的缺陷问题并加以记录，需要进一步说明的是：在受检图像和基础图像中，以U向和V向对受检图像、基础图像以及二者中的检测单元进行等距分割，通过以小对大的方式，逐一对受检图像进行图像信息分析，从而可以分析产品中胶线是否存在缺陷问题，以及胶线中可能存在的缺陷问题；
2、在上述基础上，同步建立缺陷同理估算模块和自主学习反馈模块，其基础是以产品中胶线中可能出现的缺陷种类，并具体划分为缺陷在同一批次中可能存在的占比，根据此类信息，重新“定义”或调节点胶设备中的点胶工艺参数，其目的是：避免连续执行点胶动作时可能出现的大批量产品缺陷的质量不佳问题，并且以减少人为干预过程所消耗的时间。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提出的一种基于人工智能的胶线缺陷检测系统的运行流程图；
图2为本发明提出的一种基于人工智能的胶线缺陷检测系统中受检图像、基础图像的分隔示意图；
图3为本发明提出的一种基于人工智能的胶线缺陷检测系统的系统框图。
具体实施方式
下面将结合实施例对本发明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做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。
实施例1
对点胶工艺中的胶线缺陷检测方式来说，其本质是判断产品优良或产品不佳的手段，抑或者是记录产品中存在的缺陷问题，但是在实际运行中，仅仅作为判断的手段难以满足具体生产要求，具体表现为：一方面会出现大批量的不合格品，另一方面，需要临时中止点胶设备运行，重新输入新点胶工艺参数-调机-再启动运行，耗费额外的工作时间，为此提出了如下的技术方案：
参照图1、图2和图3，其中图3为本实施例实施过程中的系统框图，具体来说：本实施例中的一种基于人工智能的胶线缺陷检测系统，包括图像信息采集模块、图像信息分析模块、检测信息收集模块、缺陷统计估算模块、自主学习反馈模块，具体如下：
图像信息采集模块：图像信息采集模块，通过点胶设备对产品执行点胶动作，完成点胶动作的产品为受检产品，并运用光学检测设备采集受检产品中点胶位置处的图像信息，得到受检图像，以及向图像信息采集模块中输入基础图像；
图像信息分析模块：将图像信息采集模块中得到的受检图像、基础图像转换为电信号并发送到图像信息分析模块中，在图像信息分析模块中重新生成受检图像、基础图像，将受检图像、基础图像按U向、V向分割成多个检测单元，之后将受检图像与基础图像中的多个检测单元进行重合叠加对比，对每组重叠的检测单元进行计算得到绝对阈值
Figure SMS_46
，根据绝对阈值/>
Figure SMS_47
计算并判断得到产品的质量状态，/>
Figure SMS_48
为绝对阈值中的标定符号；
检测信息收集模块：将图像信息分析模块中得到的绝对阈值
Figure SMS_49
输入到检测信息收集模块中，对绝对阈值/>
Figure SMS_50
进行二级分析计算，用于计算并判断得到产品的缺陷种类；
缺陷统计估算模块：缺陷统计估算模块，将图像信息分析模块得到的产品质量状态的判断数据、检测信息收集模块中得到的产品缺陷种类的判断数据发送到缺陷统计估算模块中，在缺陷统计估算模块中对图像信息分析模块和检测信息收集模块中的判断数据进行三级分析计算，三级分析计算用于计算产品缺陷种类的占比，在缺陷统计估算模块中三级分析计算的作用对象包含有N个的受检产品，N个受检产品为图像信息采集模块中的点胶设备连续运行下得到的受检产品；
自主学习反馈模块：自主学习反馈模块，将缺陷统计估算模块中得到的产品缺陷种类的占比发送到自主学习模块中进行自主干预计算动作，并同步将图像信息分析模块中的产品质量状态、检测信息收集模块中的产品缺陷种类、基础图像输入到自主干预计算动作中，作为自主干预计算动作的参考数据。
实施例2
本实施例是对实施例一中图像信息采集模块、图像信息分析模块进行解释说明，具体如下：
在图像信息采集模块中，输入的基础图像为理论上点胶设备以最佳点胶工艺参数执行点胶动作得到的最优产品的基础图像，基础图像和受检图像的轮廓为矩形，且基础图像和受检图像中的长、宽值相等，并标定基础图像和受检图像中的长值为Lo、宽值为Wo，且Lo、Wo为定值。
在图像信息分析模块中得到的检测单元为正方形，且检测单元的轮廓边长为C，所述基础图像、受检图像按照U向、V向的分割间距等于C，通过Lo、Wo计算得到：检测单元沿U向的数量为
Figure SMS_52
、沿V向的数量为/>
Figure SMS_56
，其中/>
Figure SMS_59
、/>
Figure SMS_53
和i取自然正整数，i=1、2、3…i-1，结合/>
Figure SMS_55
、/>
Figure SMS_58
对应基础图像和受检图像的轮廓建立二维坐标轴，二维坐标轴中的X轴上的单位标定为/>
Figure SMS_61
、二维坐标轴中的Y轴上的单位标定为/>
Figure SMS_51
，从而得到检测单元的坐标点：（/>
Figure SMS_54
、/>
Figure SMS_57
），并在计算绝对阈值/>
Figure SMS_60
时，具体包括如下部分：
S1：计算得到检测单元的面积为
Figure SMS_62
，并以光学检测设备获取检测单元中的胶线区域面积/>
Figure SMS_63
，胶线区域为胶线在检测单元中的显影部分，且赋予受检图像中的胶线区域面积为/>
Figure SMS_64
、基础图像中的胶线区域面积/>
Figure SMS_65
；/>
S2：建立绝对阈值的计算公式：
Figure SMS_66
，其中位于同一坐标点位置的检测单元中的/>
Figure SMS_67
为相对定值，位于同一坐标点位置的检测单元中的/>
Figure SMS_68
为相对变值；
S3：通过S2中建立的计算公式计算得到
Figure SMS_69
分为如下两个状态：
1）
Figure SMS_70
，标定此状态下的受检产品为质量优良状态；
2）
Figure SMS_71
或/>
Figure SMS_72
，标定此状态下的受检产品为质量缺陷状态。
将图像信息分析模块中计算得到的绝对阈值
Figure SMS_73
输入到检测信息收集模块中的检测信息收集模块中进行二次分析计算，具体包括如下阶段：
阶段一：对质量优良状态的受检产品不执行二次分析计算动作；
阶段二：对质量缺陷状态的受检产品执行二次分析计算动作，具体动作如下所示：
动作一：在绝对阈值
Figure SMS_74
计算过程中，隔离出一个或者多个存在质量缺陷的检测单元，提取其中的胶线区域并放大显示倍数k，得到二级分析计算动作中的分析区域，分析区域为矩形；
动作二：对动作一中获得的分析区域按照图像信息分析模块中对受检图像、基础图像的分割方法进行二次分割，获得若干个检测子单元，并结合到二维坐标轴的建立方法，若干个检测子单元沿着分析区域的轮廓标定坐标点为：（
Figure SMS_75
、/>
Figure SMS_76
），其中k为对受检图、基础图像进行二次分割的间距数值；
动作三：提取绝对阈值计算公式
Figure SMS_77
中的/>
Figure SMS_78
，在质量优良状态下：/>
Figure SMS_79
，受检图像和基础图像中的胶线区域处于完全匹配的状态，不执行动作二；
在
Figure SMS_80
，受检图像中胶线区域面积/>
Figure SMS_81
＞/>
Figure SMS_82
，运用动作二中的检测子单元，提取出受检图像中胶线区域相对于基础图像中胶线区域重合位置的坐标点；
在
Figure SMS_83
，受检图像中胶线区域面积/>
Figure SMS_84
＜/>
Figure SMS_85
，运用动作二中的检测子单元，提取出受检图像中胶线区域相对于基础图像中胶线区域缺失位置的坐标点；
动作四：收集动作三中的坐标点，并覆盖在基础图像的检测子单元中的相同坐标点位置，根据
Figure SMS_86
与/>
Figure SMS_87
之间的重合度、/>
Figure SMS_88
与/>
Figure SMS_89
之间的差值，判断得到产品的缺陷种类。
运行原理：具体结合到附图2，以附图2中表示的受检图像作为胶线缺陷检测过程中的其中一个部分，按照实施例一中的图像信息分析模块的分割方法切割若干个的检测单元，按照检测单元的坐标点进行标记指定位置的检测单元，如附图2中显示的，其中位于图2中右下角位置的检测单元，标定的坐标点为：（
Figure SMS_90
、/>
Figure SMS_91
），首先对该坐标点位置的检测单元进行分析，随后按照U向和V向对多个检测单元进行检测，根据绝对阈值的计算公式，计算出若干个检测单元中存在缺陷的位置，按照坐标点的分类方式，将存在缺陷的位置从整体受检图像中提取出来，并再次执行二次分析计算中，具体如阶段二中的动作二～动作四，其目的是再次以检测单元中的若干个检测子单元，进行缺陷种类分析，具体需要结合到不同产品的点胶方式，根据不同产品的点胶方式可能出现的缺陷问题，进行缺陷种类分析，从而可以得到产品在点胶动作中可能出现的缺陷问题。
实施例3
本实施例结合到实施例二中的运行原理，衍生出如下的技术方案：
在缺陷统计估算模块和自主学习反馈模块中，其中的N大于10，且N取自然正整数，在缺陷统计估算模块中，具体包括如下方式：
方式一：在点胶设备对10个以上的产品连续执行点胶动作，以10个以上的产品设置为单一批次，且完成产品的光学检测动作后，通过计算得到产品的缺陷种类，并进一步计算在单一批次中不同缺陷种类的占比；
方式二：以不同缺陷种类的占比为基础，通过自主学习反馈模块将点胶设备中，根据不同缺陷种类的占比以及缺陷种类，自主调节点胶设备的点胶工艺参数，以重新调节后的点胶设备继续执行点胶动作，并按照图像信息采集模块～自主学习反馈模块进行胶线缺陷检测；
方式三：若在图像信息分析模块中计算得到的
Figure SMS_92
，判断单一批次中的产品为质量优良状态，点胶设备维持同一状态的点胶参数，并按照图像信息采集模块～自主学习反馈模块进行胶线缺陷检测；
方式四：在方式二中，在自主调节点胶设备的点胶工艺参数后，若同一缺陷出现连续两次以上，需要临时中断点胶设备运行，进行人为干预。
其优点是：此处需要说明的是：不同产品在执行点胶动作时，其中点胶设备的点胶工艺并不统一，此处无法针对具体产品进行详细的点胶工艺参数介绍，但是，在本实施例中需要说明的是：在第一个单一批次中是按照人工预设的点胶工艺参数启动点胶设备的，随后在生产至少10个的产品后，按照实施例一和实施例二中的内容，得到该单一批次中可能存在的缺陷异常；
紧接上述内容，在单一批次中，若未出现明显异常缺陷问题，那么在第二个单一批次生产过程中，点胶设备维持着之前的点胶工艺参数，但是在出现明显异常缺陷问题时，需要在第二个单一批次生产之前，根据实施例二中得到的缺陷种类和缺陷占比，如胶线出现拉丝/拖尾的质量问题，则需要自主调节点胶工艺参数，如降低点胶过程中的电子胶水的释放压力、调节“止动”高度、调整点胶量等，具体是以实际检测过程中发现的缺陷种类而定；
另一方面，在调节完点胶工艺参数后，若继续出现同一缺陷问题，可以再次进行自主调节点胶工艺参数并同步可以发送预警信息，此状态下，操作人员可以根据预警信息进行人为判断，在持续三次出现同一缺陷问题时，无法再进行自主调节，主要需要人为干预，如：改换内径较大的胶嘴、调节“止动”高度、换胶、选择适合黏度的胶种，
综上：利用光学检测设备检测胶线缺陷的基础上，首先以受检图像、基础图像之间中胶线区域的对比数据，作为判断产品可能存在的缺陷问题并加以记录，在此基础上，同步建立缺陷统计估算和自主学习反馈两个模块，其目的是：以计算得到的缺陷问题进行统计分类，根据存在的缺陷问题，自主判断前一批次中点胶动作的工艺参数，具体需要再次结合到受检图像中的检测子单元相对基础图像中的检测子单元的胶线区域的重合或缺失状态，以此为基础，自主对点胶设备中的点胶工艺参数进行微调，以达到改变下一批次中生产得到的产品质量的效果。
以上内容仅仅是对本发明结构所做的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为的具体实施方式。显然，根据本说明书的内容，可做很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (5)

1.一种基于人工智能的胶线缺陷检测系统，其特征在于，包括图像信息采集模块、图像信息分析模块、检测信息收集模块、缺陷统计估算模块、自主学习反馈模块，具体如下：
图像信息采集模块：通过点胶设备对产品执行点胶动作，完成点胶动作的产品为受检产品，并运用光学检测设备采集受检产品中点胶位置处的图像信息，得到受检图像，以及向图像信息采集模块中输入基础图像；
图像信息分析模块：将图像信息采集模块中得到的受检图像、基础图像转换为电信号并发送到图像信息分析模块中，在图像信息分析模块中重新生成受检图像、基础图像，将受检图像、基础图像按U向、V向分割成多个检测单元，之后将受检图像与基础图像中的多个检测单元进行重合叠加对比，对每组重叠的检测单元进行计算得到绝对阈值
Figure QLYQS_1
，根据绝对阈值/>
Figure QLYQS_2
计算并判断得到产品的质量状态，/>
Figure QLYQS_3
为绝对阈值中的标定符号；
检测信息收集模块：将图像信息分析模块中得到的绝对阈值
Figure QLYQS_4
输入到检测信息收集模块中，对绝对阈值/>
Figure QLYQS_5
进行二级分析计算，用于计算并判断得到产品的缺陷种类；
缺陷统计估算模块：将图像信息分析模块得到的产品质量状态的判断数据、检测信息收集模块中得到的产品缺陷种类的判断数据发送到缺陷统计估算模块中，在缺陷统计估算模块中对图像信息分析模块和检测信息收集模块中的判断数据进行三级分析计算，三级分析计算用于计算产品缺陷种类的占比，在缺陷统计估算模块中三级分析计算的作用对象包含有N个的受检产品，N个受检产品为图像信息采集模块中的点胶设备连续运行下得到的受检产品；
自主学习反馈模块：将缺陷统计估算模块中得到的产品缺陷种类的占比发送到自主学习模块中进行自主干预计算动作，并同步将图像信息分析模块中的产品质量状态、检测信息收集模块中的产品缺陷种类、基础图像输入到自主干预计算动作中，作为自主干预计算动作的参考数据。
2.根据权利要求1所述的一种基于人工智能的胶线缺陷检测系统，其特征在于，在图像信息采集模块中，输入的基础图像为理论上点胶设备以最佳点胶工艺参数执行点胶动作得到的最优产品的基础图像，基础图像和受检图像的轮廓为矩形，且基础图像和受检图像中的长、宽值相等，并标定基础图像和受检图像中的长值为Lo、宽值为Wo，且Lo、Wo为定值。
3.根据权利要求1所述的一种基于人工智能的胶线缺陷检测系统，其特征在于，在图像信息分析模块中得到的检测单元为正方形，且检测单元的轮廓边长为C，所述基础图像、受检图像按照U向、V向的分割间距等于C，通过Lo、Wo计算得到：检测单元沿U向的数量为
Figure QLYQS_8
、沿V向的数量为/>
Figure QLYQS_12
，其中/>
Figure QLYQS_15
、/>
Figure QLYQS_7
和i取自然正整数，i=1、2、3…i-1，结合/>
Figure QLYQS_11
、
Figure QLYQS_14
对应基础图像和受检图像的轮廓建立二维坐标轴，二维坐标轴中的X轴上的单位标定为
Figure QLYQS_16
、二维坐标轴中的Y轴上的单位标定为/>
Figure QLYQS_6
，从而得到检测单元的坐标点：（/>
Figure QLYQS_9
、/>
Figure QLYQS_10
），并在计算绝对阈值/>
Figure QLYQS_13
时，具体包括如下部分：
S1：计算得到检测单元的面积为
Figure QLYQS_17
，并以光学检测设备获取检测单元中的胶线区域面积/>
Figure QLYQS_18
，胶线区域为胶线在检测单元中的显影部分，且赋予受检图像中的胶线区域面积为/>
Figure QLYQS_19
、基础图像中的胶线区域面积/>
Figure QLYQS_20
；
S2：建立绝对阈值的计算公式：
Figure QLYQS_21
，其中位于同一坐标点位置的检测单元中的/>
Figure QLYQS_22
为相对定值，位于同一坐标点位置的检测单元中的/>
Figure QLYQS_23
为相对变值；
S3：通过S2中建立的计算公式计算得到
Figure QLYQS_24
分为如下两个状态：
Figure QLYQS_25
，标定此状态下的受检产品为质量优良状态；
Figure QLYQS_26
或/>
Figure QLYQS_27
，标定此状态下的受检产品为质量缺陷状态。
4.根据权利要求3所述的一种基于人工智能的胶线缺陷检测系统，其特征在于，将图像信息分析模块中计算得到的绝对阈值
Figure QLYQS_28
输入到检测信息收集模块中的检测信息收集模块中进行二次分析计算，具体包括如下阶段：
阶段一：对质量优良状态的受检产品不执行二次分析计算动作；
阶段二：对质量缺陷状态的受检产品执行二次分析计算动作，具体动作如下所示：
动作一：在绝对阈值
Figure QLYQS_29
计算过程中，隔离出一个或者多个存在质量缺陷的检测单元，提取其中的胶线区域并放大显示倍数k，得到二级分析计算动作中的分析区域，分析区域为矩形；
动作二：对动作一中获得的分析区域按照图像信息分析模块中对受检图像、基础图像的分割方法进行二次分割，获得若干个检测子单元，并结合到二维坐标轴的建立方法，若干个检测子单元沿着分析区域的轮廓标定坐标点为：
Figure QLYQS_30
；
动作三：提取绝对阈值计算公式
Figure QLYQS_31
中的/>
Figure QLYQS_32
，在质量优良状态下：
Figure QLYQS_33
，受检图像和基础图像中的胶线区域处于完全匹配的状态，不执行动作二；
在
Figure QLYQS_34
，受检图像中胶线区域面积/>
Figure QLYQS_35
＞/>
Figure QLYQS_36
，运用动作二中的检测子单元，提取出受检图像中胶线区域相对于基础图像中胶线区域重合位置的坐标点；
在
Figure QLYQS_37
，受检图像中胶线区域面积/>
Figure QLYQS_38
＜/>
Figure QLYQS_39
，运用动作二中的检测子单元，提取出受检图像中胶线区域相对于基础图像中胶线区域缺失位置的坐标点；
动作四：收集动作三中的坐标点，并覆盖在基础图像的检测子单元中的相同坐标点位置，根据
Figure QLYQS_40
与/>
Figure QLYQS_41
之间的重合度、/>
Figure QLYQS_42
与/>
Figure QLYQS_43
之间的差值，判断得到产品的缺陷种类。
5.根据权利要求1~4任一项所述的一种基于人工智能的胶线缺陷检测系统，其特征在于，在缺陷统计估算模块和自主学习反馈模块中，其中的N大于10，且N取自然正整数，在缺陷统计估算模块中，具体包括如下方式：
方式一：在点胶设备对10个以上的产品连续执行点胶动作，以10个以上的产品设置为单一批次，且完成产品的光学检测动作后，通过计算得到产品的缺陷种类，并进一步计算在单一批次中不同缺陷种类的占比；
方式二：以不同缺陷种类的占比为基础，通过自主学习反馈模块将点胶设备中，根据不同缺陷种类的占比以及缺陷种类，自主调节点胶设备的点胶工艺参数，以重新调节后的点胶设备继续执行点胶动作，并按照图像信息采集模块～自主学习反馈模块进行胶线缺陷检测；
方式三：若在图像信息分析模块中计算得到的
Figure QLYQS_44
，判断单一批次中的产品为质量优良状态，点胶设备维持同一状态的点胶参数，并按照图像信息采集模块～自主学习反馈模块进行胶线缺陷检测；
方式四：在方式二中，在自主调节点胶设备的点胶工艺参数后，若同一缺陷出现连续两次以上，需要临时中断点胶设备运行，进行人为干预。
CN202310421751.XA 2023-04-19 2023-04-19 一种基于人工智能的胶线缺陷检测系统 Active CN116152245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310421751.XA CN116152245B (zh) 2023-04-19 2023-04-19 一种基于人工智能的胶线缺陷检测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310421751.XA CN116152245B (zh) 2023-04-19 2023-04-19 一种基于人工智能的胶线缺陷检测系统

Publications (2)

Publication Number Publication Date
CN116152245A true CN116152245A (zh) 2023-05-23
CN116152245B CN116152245B (zh) 2023-07-04

Family

ID=86360427

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310421751.XA Active CN116152245B (zh) 2023-04-19 2023-04-19 一种基于人工智能的胶线缺陷检测系统

Country Status (1)

Country Link
CN (1) CN116152245B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080317329A1 (en) * 2007-06-20 2008-12-25 Hitachi High-Technologies Corporation Visual Inspection Method and Apparatus and Image Analysis System
CN104897071A (zh) * 2015-04-28 2015-09-09 电子科技大学 一种基于机器视觉的双绞线节距测量方法
CN113340909A (zh) * 2021-08-05 2021-09-03 常州铭赛机器人科技股份有限公司 一种基于机器视觉的胶线缺陷检测方法
CN113569737A (zh) * 2021-07-28 2021-10-29 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于自主学习网络模型笔记本屏幕缺陷检测方法及介质
CN114897855A (zh) * 2022-05-23 2022-08-12 国网安徽省电力有限公司 基于x射线图片灰度值分布判定缺陷类型的方法
CN115601332A (zh) * 2022-10-20 2023-01-13 深圳精创视觉科技有限公司（Cn） 一种基于语义分割的嵌入式指纹模块外观检测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080317329A1 (en) * 2007-06-20 2008-12-25 Hitachi High-Technologies Corporation Visual Inspection Method and Apparatus and Image Analysis System
CN104897071A (zh) * 2015-04-28 2015-09-09 电子科技大学 一种基于机器视觉的双绞线节距测量方法
CN113569737A (zh) * 2021-07-28 2021-10-29 合肥综合性国家科学中心人工智能研究院(安徽省人工智能实验室) 基于自主学习网络模型笔记本屏幕缺陷检测方法及介质
CN113340909A (zh) * 2021-08-05 2021-09-03 常州铭赛机器人科技股份有限公司 一种基于机器视觉的胶线缺陷检测方法
CN114897855A (zh) * 2022-05-23 2022-08-12 国网安徽省电力有限公司 基于x射线图片灰度值分布判定缺陷类型的方法
CN115601332A (zh) * 2022-10-20 2023-01-13 深圳精创视觉科技有限公司（Cn） 一种基于语义分割的嵌入式指纹模块外观检测方法

Also Published As

Publication number Publication date
CN116152245B (zh) 2023-07-04

Similar Documents

Publication Publication Date Title
CN111127571B (zh) 一种小样本缺陷分类方法和装置
CN107369635B (zh) 一种基于深度学习的智能半导体装备系统
CN111444471B (zh) 一种基于多元高斯分布的电缆生产质量异常检测方法和系统
CN114219799A (zh) 一种智能制造用次品分析方法及系统
CN110434090A (zh) 一种胡萝卜表面瑕疵检测方法
CN115184359A (zh) 一种自动调参的表面缺陷检测系统与方法
CN105301008A (zh) 一种接装纸质量检测警示系统及质量在线检测方法
CN112557406A (zh) 纸品生产质量智能检验方法及其系统
CN104952754A (zh) 基于机器视觉的镀膜后硅片分选方法
CN113518551B (zh) 一种基于大数据分析的smt贴片生产模拟系统
CN203117109U (zh) 基于机器视觉的荧光粉涂覆表面缺陷检测系统
CN116152245B (zh) 一种基于人工智能的胶线缺陷检测系统
CN109000887B (zh) 一种图案检测装置及方法、图案化控制系统及方法
CN107657611B (zh) 一种涂胶不良检测设备、涂胶不良检测方法及计算设备
CN114199127A (zh) 基于机器视觉的汽车零件尺寸检测系统及方法
CN117589770A (zh) Pcb贴片板检测方法、装置、设备及介质
CN116560123A (zh) 一种用于移动终端的lcd粘接点胶质量检测方法
CN102194232B (zh) 一种分层引导的视频图像目标分割方法
CN115375952B (zh) 一种芯片胶层缺陷分类方法
CN114998346B (zh) 一种防水布质量数据处理、识别方法
CN114354491A (zh) 一种基于机器视觉的dcb陶瓷基板缺陷检测方法
CN114488595A (zh) 一种基板切割方法及系统
CN109859169B (zh) 一种基于卷积神经网络的tft-lcd模组白印检测方法
CN114937015A (zh) 一种锂电池极片制造中智能视觉识别方法和系统
CN111028289B (zh) 基于模板匹配的变电站内设备异物定位方法

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