CN116165220B - 一种基于人工智能的aoi内观检测装置及方法 - Google Patents
一种基于人工智能的aoi内观检测装置及方法 Download PDFInfo
- Publication number
- CN116165220B CN116165220B CN202310455496.0A CN202310455496A CN116165220B CN 116165220 B CN116165220 B CN 116165220B CN 202310455496 A CN202310455496 A CN 202310455496A CN 116165220 B CN116165220 B CN 116165220B
- Authority
- CN
- China
- Prior art keywords
- detection
- abnormal
- analysis
- internal
- marking
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
- G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N2021/95638—Inspecting patterns on the surface of objects for PCB's
- G01N2021/95646—Soldering
Abstract
本发明属于AOI检测领域,涉及数据分析技术,用于解决现有技术中的AOI内观检测装置,无法对监测设备自身运行异常进行检测的问题,具体是一种基于人工智能的AOI内观检测装置及方法,包括内观检测平台,内观检测平台通信连接有检测终端、检测分析模块、待定监控模块、决策分析模块以及存储模块,检测终端包括输送组件以及检测组件,输送组件包括进料口、输送流水线、合格出料口、异常出料口、待定区以及控制器,控制器与内观检测平台通信连接,检测组件包括若干个检测相机;本发明是对工件进行AOI检测分析,并通过检测相机对处于检测工序中的工件进行图像拍摄,以降低人为因素对检测结果的影响。
Description
技术领域
本发明属于AOI检测领域,涉及数据分析技术,具体是一种基于人工智能的AOI内观检测装置及方法。
背景技术
AOI是基于光学原理来对焊接生产中遇到的常见缺陷进行检测的设备,当自动检测时,机器通过摄像头自动扫描PCB并采集图像,测试的焊点与数据库中的合格的参数进行比较,经过图像处理,检查出PCB上缺陷,并通过显示器或自动标志把缺陷显示/标示出来,供维修人员修整;
传统的产品(中框/屏幕)是通过人工进行目视完成,这种目检方式存在着效率低和内外质量得不到保证,对作业员有一定的技能要求等弊端,不符合如今工业自动化生产的需求,同时现有技术中的AOI内观检测装置,不具备对监测设备自身运行异常进行检测的功能,导致设备运行异常时影响检测结果精确性;
针对上述技术问题,本申请提出一种解决方案。
发明内容
本发明的目的在于提供一种基于人工智能的AOI内观检测装置及方法,用于解决现有技术中的AOI内观检测装置,无法对监测设备自身运行异常进行检测的问题。
本发明需要解决的技术问题为:如何提供一种可以对监测设备自身运行异常进行检测的基于人工智能的AOI内观检测装置及方法。
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AOI内观检测装置,包括内观检测平台,所述内观检测平台通信连接有检测终端、检测分析模块、待定监控模块、决策分析模块以及存储模块;
所述检测终端包括输送组件以及检测组件,输送组件包括进料口、输送流水线、合格出料口、异常出料口、待定区以及控制器,控制器与内观检测平台通信连接,检测组件包括若干个检测相机;
所述检测分析模块用于对工件进行AOI检测分析;
所述待定监控模块用于对待定区的检测对象进行监控分析:生成监控周期,获取监控周期内待定区内新增的检测对象数量并标记为待定值,获取监控周期内完成内观检测的检测对象数量并标记为检测值,将待定值与检测值的比值标记为待定比,通过存储模块获取到待定阈值,将待定比与待定阈值进行比较:若待定比小于待定阈值,则判定监控周期内的内观检测连续性满足要求;若待定比大于等于待定阈值,则判定监控周期内的内观检测连续性不满足要求,对监控周期进行因素分析;
所述决策分析模块在监控周期存在机械异常时进行决策分析。
作为本发明的一种优选实施方式,检测分析模块对工件进行AOI检测分析的具体过程包括:将工件的内观检测工序标记为工序i,i=1,2,…,n,n为正整数,工序i与多个检测相机一一对应,将与工序i对应的检测相机标记为相机i,将待进行内观检测的工件标记为检测对象,通过相机i对检测对象进行图像拍摄并将拍摄到的图像标记为分析图像i,对分析图像i进行内检分析并对检测对象的工序i检测结果是否满足要求进行判定:若检测对象的工序i检测结果满足要求,则对检测对象进行下一工序的检测,直至所有工序检测完成将检测对象通过合格出料口排出;若检测对象的工序i检测结果不满足要求,则将检测对象通过异常出料口排出;若检测对象的工序i检测结果为不确定;则将检测对象输送至待定区。
作为本发明的一种优选实施方式,对监控周期进行因素分析的具体过程包括:将监控周期内待定区内新增的检测对象对应的检测结果不满足要求的工序标记为分析工序,获取检测对象进行分析工序检测时的噪声数据ZS与震动数据ZD;通过对噪声数据ZS与震动数据ZD进行数值计算得到检测对象在分析工序中的机械系数JX;通过存储模块获取到分析工序对应的机械阈值JXmax,将机械系数JX与机械阈值JXmax进行比较:若机械系数JX小于机械阈值JXmax,则将分析工序的因素特征标记为软件异常;若机械系数JX大于等于机械阈值JXmax,则将分析工序的因素特征标记为硬件异常;获取监控周期内待定区内新增的检测对象因素特征为软件异常的标记次数并标记为软异系数,通过存储模块获取到软异阈值,将软异系数与软异阈值进行比较并通过比较结果对监控周期的异常因素进行标记。
作为本发明的一种优选实施方式,噪声数据ZS为检测对象进行分析工序检测过程中输送流水线产生的噪声分贝最大值,震动数据ZD为检测对象进行分析工序检测过程中输送流水线支撑座的震动频率最大值。
作为本发明的一种优选实施方式,将软异系数与软异阈值进行比较的具体过程包括:若软异系数大于软异阈值,则将监控周期的异常因素标记为软件异常,待定监控模块向内观检测平台发送软件异常信号,内观检测平台接收到软件异常信号后将软件异常信号发送至管理人员的手机终端;若软异系数小于等于软异阈值,则将监控周期的异常因素标记为机械异常,待定监控模块向内观检测平台发送决策分析信号,内观检测平台接收到决策分析信号后将决策分析信号发送至决策分析模块。
作为本发明的一种优选实施方式,决策分析模块在监控周期存在机械异常时进行决策分析的具体过程包括:因素特征被标记为硬件异常的分析工序标记为硬异工序,将硬异工序的开始时刻与第一个检测对象进行内观检测的开始时刻的差值标记为硬异工序的检异时长,由所有硬异工序的检异时长构成检异集合,对检异集合进行方差计算得到检异系数,通过存储模块获取到检异阈值,将检异系数与检异阈值进行比较并通过比较结果将执行决策标记为机械检修或上料培训。
作为本发明的一种优选实施方式,将检异系数与检异阈值进行比较的具体过程包括:若检异系数小于检异阈值,则将执行决策标记为机械检修,决策分析模块向内观检测平台发送机械检修信号,内观检测平台接收到机械检修信号后将机械检修信号发送至管理人员的手机终端;若检异系数大于等于检异阈值,则将执行决策标记为上料培训,决策分析模块向内观检测平台发送上料培训信号,内观检测平台接收到上料培训信号后将上料培训信号发送至管理人员的手机终端。
该基于人工智能的AOI内观检测方法,包括以下步骤:
步骤一:将待进行内观检测的工件放置在输送流水线上进行输送,通过检测相机对工件进行图像拍摄并将拍摄到的图像发送至检测分析模块;
步骤二:对工件进行AOI检测分析:将工件的内观检测工序标记为工序i,i=1,2,…,n,n为正整数,将待进行内观检测的工件标记为检测对象,工序i对应的检测相机采集到的检测对象的图像标记为分析图像i,对分析图像i进行内检分析并对检测对象的工序i检测结果是否满足要求进行判定;
步骤三:对待定区的检测对象进行监控分析:生成监控周期,获取监控周期内待定区内新增的检测对象数量并标记为待定值,获取监控周期内完成内观检测的检测对象数量并标记为检测值,将待定值与检测值的比值标记为待定比,通过待定比的数值对监控周期的内观检测连续性是否满足要求进行判定;
步骤四:在监控周期存在机械异常时进行决策分析:因素特征被标记为硬件异常的分析工序标记为硬异工序,将硬异工序的开始时刻与第一个检测对象进行内观检测的开始时刻的差值标记为硬异工序的检异时长,由所有硬异工序的检异时长构成检异集合,对检异集合进行方差计算得到检异系数,通过检异系数将执行决策标记为机械检修或上料培训。
本发明具备下述有益效果:
1、通过检测分析模块可以对工件进行AOI检测分析,通过检测相机对处于检测工序中的工件进行图像拍摄,然后通过内检分析结果对检测对象的工序检测结果是否满足要求进行判定,实现检测过程的全自动化,降低检测过程中的人工参与度,从而降低人为因素对检测结果的影响;
2、通过待定检测模块可以对待定区的检测对象进行监控分析,通过对监控周期内的新增检测对象数量进行监控,从而对监控周期内的内观检测连续性是否满足要求进行判定,在内观检测连续性不满足要求时进行因素分析,通过机械系数对因素特征进行标记,从而根据因素特征对监测设备进行针对性的检测与维修;
3、通过决策分析模块可以在监控周期存在机械异常时进行决策分析,通过因素特征的标记集中程度获取到检异系数,从而根据检异系数的数值对引起机械异常的原因进行判断,并根据分析结果对执行决策进行标记,管理人员可直接根据执行决策进行异常处理。
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作简单的介绍,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为本发明实施例一的系统框图;
图2为本发明实施例二的方法流程图。
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、完整的描述,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。
实施例一
如图1所示,一种基于人工智能的AOI内观检测装置,包括内观检测平台,内观检测平台通信连接有检测终端、检测分析模块、待定监控模块、决策分析模块以及存储模块。
检测终端包括输送组件以及检测组件,输送组件包括进料口、输送流水线、合格出料口、异常出料口、待定区以及控制器,控制器与内观检测平台通信连接,检测组件包括若干个检测相机。
检测分析模块用于对工件进行AOI检测分析:将工件的内观检测工序标记为工序i,i=1,2,…,n,n为正整数,工序i与多个检测相机一一对应,将与工序i对应的检测相机标记为相机i,将待进行内观检测的工件标记为检测对象,工件包括手机中框以及屏幕,通过相机i对检测对象进行图像拍摄并将拍摄到的图像标记为分析图像i,对分析图像i进行内检分析并对检测对象的工序i检测结果是否满足要求进行判定:若检测对象的工序i检测结果满足要求,则对检测对象进行下一工序的检测,直至所有工序检测完成将检测对象通过合格出料口排出;若检测对象的工序i检测结果不满足要求,则将检测对象通过异常出料口排出;若检测对象的工序i检测结果为不确定;则将检测对象输送至待定区;对工件进行AOI检测分析,通过检测相机对处于检测工序中的工件进行图像拍摄,然后通过内检分析结果对检测对象的工序检测结果是否满足要求进行判定,实现检测过程的全自动化,降低检测过程中的人工参与度,从而降低人为因素对检测结果的影响。
工序i包括刮痕检测工序、污渍检测工序以及同心检测工序等等,示例性的,污渍检测工序的内检分析过程包括:获取检测对象进行污渍检测的时长并标记为污渍时长,通过存储模块获取到污渍阈值,将污渍时长与污渍阈值进行比较:若污渍时长大于等于污渍阈值,则判定污渍检测工序的检测结果为不确定;若污渍时长小于污渍阈值,则将污渍检测工序对应的检测相机拍摄到的图像标记为污渍图像,将污渍图像放大为像素格图像并进行灰度变换,通过存储模块获取到灰度阈值,将灰度值小于灰度阈值的像素格标记为灰度格,将灰度格与像素格的数量比值标记为灰度比,通过存储模块获取到灰度阈值,将灰度比与灰度阈值进行比较:若灰度比小于灰度阈值,则判定检测对象的污渍检测结果满足要求;若灰度比大于等于灰度阈值,则判定检测对象的污渍检测结果不满足要求;并且,刮痕检测工序、同心检测工序等所有检测工序的待定判定过程均与刮痕检测工序相同。
待定监控模块用于对待定区的检测对象进行监控分析:生成监控周期,获取监控周期内待定区内新增的检测对象数量并标记为待定值,获取监控周期内完成内观检测的检测对象数量并标记为检测值,将待定值与检测值的比值标记为待定比,通过存储模块获取到待定阈值,将待定比与待定阈值进行比较:若待定比小于待定阈值,则判定监控周期内的内观检测连续性满足要求;若待定比大于等于待定阈值,则判定监控周期内的内观检测连续性不满足要求,对监控周期进行因素分析:将监控周期内待定区内新增的检测对象对应的检测结果不满足要求的工序标记为分析工序,获取检测对象进行分析工序检测时的噪声数据ZS与震动数据ZD,噪声数据ZS为检测对象进行分析工序检测过程中输送流水线产生的噪声分贝最大值,震动数据ZD为检测对象进行分析工序检测过程中输送流水线支撑座的震动频率最大值;通过公式JX=α1*ZS+α2*ZD得到检测对象在分析工序中的机械系数JX,其中α1与α2均为比例系数,且α1>α2>1;通过存储模块获取到分析工序对应的机械阈值JXmax,将机械系数JX与机械阈值JXmax进行比较:若机械系数JX小于机械阈值JXmax,则将分析工序的因素特征标记为软件异常;若机械系数JX大于等于机械阈值JXmax,则将分析工序的因素特征标记为硬件异常;获取监控周期内待定区内新增的检测对象因素特征为软件异常的标记次数并标记为软异系数,通过存储模块获取到软异阈值,将软异系数与软异阈值进行比较:若软异系数大于软异阈值,则将监控周期的异常因素标记为软件异常,待定监控模块向内观检测平台发送软件异常信号,内观检测平台接收到软件异常信号后将软件异常信号发送至管理人员的手机终端;若软异系数小于等于软异阈值,则将监控周期的异常因素标记为机械异常,待定监控模块向内观检测平台发送决策分析信号,内观检测平台接收到决策分析信号后将决策分析信号发送至决策分析模块;对待定区的检测对象进行监控分析,通过对监控周期内的新增检测对象数量进行监控,从而对监控周期内的内观检测连续性是否满足要求进行判定,在内观检测连续性不满足要求时进行因素分析,通过机械系数对因素特征进行标记,从而根据因素特征对监测设备进行针对性的检测与维修。
决策分析模块在监控周期存在机械异常时进行决策分析:因素特征被标记为硬件异常的分析工序标记为硬异工序,将硬异工序的开始时刻与第一个检测对象进行内观检测的开始时刻的差值标记为硬异工序的检异时长,由所有硬异工序的检异时长构成检异集合,对检异集合进行方差计算得到检异系数,通过存储模块获取到检异阈值,将检异系数与检异阈值进行比较:若检异系数小于检异阈值,则将执行决策标记为机械检修,决策分析模块向内观检测平台发送机械检修信号,内观检测平台接收到机械检修信号后将机械检修信号发送至管理人员的手机终端;若检异系数大于等于检异阈值,则将执行决策标记为上料培训,决策分析模块向内观检测平台发送上料培训信号,内观检测平台接收到上料培训信号后将上料培训信号发送至管理人员的手机终端;在监控周期存在机械异常时进行决策分析,通过因素特征的标记集中程度获取到检异系数,从而根据检异系数的数值对引起机械异常的原因进行判断,并根据分析结果对执行决策进行标记,管理人员可直接根据执行决策进行异常处理。
实施例二
如图2所示,一种基于人工智能的AOI内观检测方法,包括以下步骤:
步骤一:将待进行内观检测的工件放置在输送流水线上进行输送,通过检测相机对工件进行图像拍摄并将拍摄到的图像发送至检测分析模块;
步骤二:对工件进行AOI检测分析:将工件的内观检测工序标记为工序i,i=1,2,…,n,n为正整数,将待进行内观检测的工件标记为检测对象,工序i对应的检测相机采集到的检测对象的图像标记为分析图像i,对分析图像i进行内检分析并对检测对象的工序i检测结果是否满足要求进行判定;
步骤三:对待定区的检测对象进行监控分析:生成监控周期,获取监控周期内待定区内新增的检测对象数量并标记为待定值,获取监控周期内完成内观检测的检测对象数量并标记为检测值,将待定值与检测值的比值标记为待定比,通过待定比的数值对监控周期的内观检测连续性是否满足要求进行判定;
步骤四:在监控周期存在机械异常时进行决策分析:因素特征被标记为硬件异常的分析工序标记为硬异工序,将硬异工序的开始时刻与第一个检测对象进行内观检测的开始时刻的差值标记为硬异工序的检异时长,由所有硬异工序的检异时长构成检异集合,对检异集合进行方差计算得到检异系数,通过检异系数将执行决策标记为机械检修或上料培训。
本发明在工作时,将待进行内观检测的工件放置在输送流水线上进行输送,通过检测相机对工件进行图像拍摄并将拍摄到的图像发送至检测分析模块;将工件的内观检测工序标记为工序i,i=1,2,…,n,n为正整数,将待进行内观检测的工件标记为检测对象,工序i对应的检测相机采集到的检测对象的图像标记为分析图像i,对分析图像i进行内检分析并对检测对象的工序i检测结果是否满足要求进行判定;生成监控周期,获取监控周期内待定区内新增的检测对象数量并标记为待定值,获取监控周期内完成内观检测的检测对象数量并标记为检测值,将待定值与检测值的比值标记为待定比,通过待定比的数值对监控周期的内观检测连续性是否满足要求进行判定;因素特征被标记为硬件异常的分析工序标记为硬异工序,将硬异工序的开始时刻与第一个检测对象进行内观检测的开始时刻的差值标记为硬异工序的检异时长,由所有硬异工序的检异时长构成检异集合,对检异集合进行方差计算得到检异系数,通过检异系数将执行决策标记为机械检修或上料培训。
上述公式均是采集大量数据进行软件模拟得出且选取与真实值接近的一个公式,公式中的系数是由本领域技术人员根据实际情况进行设置;如:公式JX=α1*ZS+α2*ZD;由本领域技术人员采集多组样本数据并对每一组样本数据设定对应的机械系数;将设定的机械系数和采集的样本数据代入公式,任意两个公式构成二元一次方程组,将计算得到的系数进行筛选并取均值,得到α1以及α2的取值分别为4.48和3.65;
系数的大小是为了将各个参数进行量化得到的一个具体的数值,便于后续比较,关于系数的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据初步设定对应的机械系数;只要不影响参数与量化后数值的比例关系即可,如机械系数与噪声数据的数值成正比。
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,可作很多的修改和变化。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 (2)
1.一种基于人工智能的AOI内观检测装置,其特征在于,包括内观检测平台,所述内观检测平台通信连接有检测终端、检测分析模块、待定监控模块、决策分析模块以及存储模块;
所述检测终端包括输送组件以及检测组件,输送组件包括进料口、输送流水线、合格出料口、异常出料口、待定区以及控制器,控制器与内观检测平台通信连接,检测组件包括若干个检测相机;
所述检测分析模块用于对工件进行AOI检测分析;
所述待定监控模块用于对待定区的检测对象进行监控分析:生成监控周期,获取监控周期内待定区内新增的检测对象数量并标记为待定值,获取监控周期内完成内观检测的检测对象数量并标记为检测值,将待定值与检测值的比值标记为待定比,通过存储模块获取到待定阈值,将待定比与待定阈值进行比较:若待定比小于待定阈值,则判定监控周期内的内观检测连续性满足要求;若待定比大于等于待定阈值,则判定监控周期内的内观检测连续性不满足要求,对监控周期进行因素分析;
所述决策分析模块在监控周期存在机械异常时进行决策分析;
对监控周期进行因素分析的具体过程包括:将监控周期内待定区内新增的检测对象对应的检测结果不满足要求的工序标记为分析工序,获取检测对象进行分析工序检测时的噪声数据ZS与震动数据ZD;通过对噪声数据ZS与震动数据ZD进行数值计算得到检测对象在分析工序中的机械系数JX;通过存储模块获取到分析工序对应的机械阈值JXmax,将机械系数JX与机械阈值JXmax进行比较:若机械系数JX小于机械阈值JXmax,则将分析工序的因素特征标记为软件异常;若机械系数JX大于等于机械阈值JXmax,则将分析工序的因素特征标记为硬件异常;获取监控周期内待定区内新增的检测对象因素特征为软件异常的标记次数并标记为软异系数,通过存储模块获取到软异阈值,将软异系数与软异阈值进行比较并通过比较结果对监控周期的异常因素进行标记;
噪声数据ZS为检测对象进行分析工序检测过程中输送流水线产生的噪声分贝最大值,震动数据ZD为检测对象进行分析工序检测过程中输送流水线支撑座的震动频率最大值;
将软异系数与软异阈值进行比较的具体过程包括:若软异系数大于软异阈值,则将监控周期的异常因素标记为软件异常,待定监控模块向内观检测平台发送软件异常信号,内观检测平台接收到软件异常信号后将软件异常信号发送至管理人员的手机终端;若软异系数小于等于软异阈值,则将监控周期的异常因素标记为机械异常,待定监控模块向内观检测平台发送决策分析信号,内观检测平台接收到决策分析信号后将决策分析信号发送至决策分析模块;
决策分析模块在监控周期存在机械异常时进行决策分析的具体过程包括:因素特征被标记为硬件异常的分析工序标记为硬异工序,将硬异工序的开始时刻与第一个检测对象进行内观检测的开始时刻的差值标记为硬异工序的检异时长,由所有硬异工序的检异时长构成检异集合,对检异集合进行方差计算得到检异系数,通过存储模块获取到检异阈值,将检异系数与检异阈值进行比较并通过比较结果将执行决策标记为机械检修或上料培训;
将检异系数与检异阈值进行比较的具体过程包括:若检异系数小于检异阈值,则将执行决策标记为机械检修,决策分析模块向内观检测平台发送机械检修信号,内观检测平台接收到机械检修信号后将机械检修信号发送至管理人员的手机终端;若检异系数大于等于检异阈值,则将执行决策标记为上料培训,决策分析模块向内观检测平台发送上料培训信号,内观检测平台接收到上料培训信号后将上料培训信号发送至管理人员的手机终端。
2.根据权利要求1所述的一种基于人工智能的AOI内观检测装置,其特征在于,检测分析模块对工件进行AOI检测分析的具体过程包括:将工件的内观检测工序标记为工序i,i=1,2,…,n,n为正整数,工序i与多个检测相机一一对应,将与工序i对应的检测相机标记为相机i,将待进行内观检测的工件标记为检测对象,通过相机i对检测对象进行图像拍摄并将拍摄到的图像标记为分析图像i,对分析图像i进行内检分析并对检测对象的工序i检测结果是否满足要求进行判定:若检测对象的工序i检测结果满足要求,则对检测对象进行下一工序的检测,直至所有工序检测完成将检测对象通过合格出料口排出;若检测对象的工序i检测结果不满足要求,则将检测对象通过异常出料口排出;若检测对象的工序i检测结果为不确定;则将检测对象输送至待定区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310455496.0A CN116165220B (zh) | 2023-04-25 | 2023-04-25 | 一种基于人工智能的aoi内观检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310455496.0A CN116165220B (zh) | 2023-04-25 | 2023-04-25 | 一种基于人工智能的aoi内观检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116165220A CN116165220A (zh) | 2023-05-26 |
CN116165220B true CN116165220B (zh) | 2023-07-04 |
Family
ID=86420453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310455496.0A Active CN116165220B (zh) | 2023-04-25 | 2023-04-25 | 一种基于人工智能的aoi内观检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116165220B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117191809B (zh) * | 2023-08-30 | 2024-03-22 | 宿州绍宸智能科技有限公司 | 基于数据分析的玻璃检测设备故障监测预警系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9875946B2 (en) * | 2013-04-19 | 2018-01-23 | Kla-Tencor Corporation | On-device metrology |
CN110065091A (zh) * | 2018-01-24 | 2019-07-30 | 固德科技股份有限公司 | 一种机械手臂动态监测系统及其实施方法 |
TWI707137B (zh) * | 2020-01-13 | 2020-10-11 | 憶象有限公司 | 智能產線監測系統及監測方法 |
US20220324060A1 (en) * | 2021-04-12 | 2022-10-13 | Branson Ultrasonics Corporation | Using Analytics And Algorithms To Predict Weld Quality |
CN115907736A (zh) * | 2023-03-09 | 2023-04-04 | 中天建设集团有限公司 | 一种基于人工智能的智能建造大型设备运维管理系统 |
-
2023
- 2023-04-25 CN CN202310455496.0A patent/CN116165220B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN116165220A (zh) | 2023-05-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI603074B (zh) | 光學薄膜缺陷辨識方法及其系統 | |
CN116165220B (zh) | 一种基于人工智能的aoi内观检测装置及方法 | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
CN113706495B (zh) | 一种在传送带上自动检测锂电池参数的机器视觉检测系统 | |
CN110146513B (zh) | 缺陷判定方法及缺陷判定装置 | |
CN113470005B (zh) | 一种圆柱电池盖帽的焊点检测装置和焊点检测方法 | |
CN107656986A (zh) | 微观缺陷整合预警方法及装置 | |
CN115580972A (zh) | 一种智能舞台灯光秀的自动化控制系统及其控制方法 | |
CN117589770A (zh) | Pcb贴片板检测方法、装置、设备及介质 | |
CN115265635B (zh) | 一种基于数据分析的工业机器视觉检测管理系统 | |
CN115861294B (zh) | 一种基于计算机视觉的混凝土生产异常检测方法及装置 | |
CN112927170B (zh) | 半导体制造工艺中的自动缺陷去除方法 | |
CN113468823B (zh) | 一种基于机器学习的光模块损坏检测方法及系统 | |
CN115546140A (zh) | 一种显示面板检测方法、系统及电子装置 | |
CN213749668U (zh) | 一种柔性电路板外观测试装置 | |
CN115229297A (zh) | 用于自动焊锡机的焊点质量检测方法及系统 | |
CN117558660B (zh) | 一种半导体晶圆检测设备控制工作站的管理方法及系统 | |
CN111539933B (zh) | 一种直插元件检测方法及系统 | |
CN117191809B (zh) | 基于数据分析的玻璃检测设备故障监测预警系统 | |
CN117594473B (zh) | 一种碳化硅功率器件的产品检测方法 | |
CN110068582B (zh) | 一种aoi印制板检测系统 | |
CN117455917B (zh) | 一种蚀刻引线框架误报库建立及误报在线判定筛选方法 | |
CN117709799A (zh) | 一种电机外壳在线质量的抽样检测系统和方法 | |
CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 | |
CN114113119A (zh) | 基于缺陷等级的产品视觉质检方法、系统、设备及介质 |
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 |