CN116228710A - 一种多制式电源板的生产质量监测方法及系统 - Google Patents
一种多制式电源板的生产质量监测方法及系统 Download PDFInfo
- Publication number
- CN116228710A CN116228710A CN202310185227.7A CN202310185227A CN116228710A CN 116228710 A CN116228710 A CN 116228710A CN 202310185227 A CN202310185227 A CN 202310185227A CN 116228710 A CN116228710 A CN 116228710A
- Authority
- CN
- China
- Prior art keywords
- quality
- power panel
- information
- system power
- detection
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 74
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 claims abstract description 286
- 238000012549 training Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 17
- 238000010276 construction Methods 0.000 claims description 15
- 238000012795 verification Methods 0.000 claims description 11
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012806 monitoring device Methods 0.000 abstract 1
- 230000005611 electricity Effects 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000011056 performance test Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003063 flame retardant Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
-
- 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
- G06T2207/30168—Image quality inspection
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多制式电源板的生产质量监测方法及系统，属于数据处理领域，所述方法包括：采集获取目标多制式电源板的包括多个质量指标的参数信息的质量标准信息，对目标多制式电源板进行电路检测，获得电路质量信息；构建多制式电源板质量检测模型；采集获取目标多制式电源板多个角度的图像信息，将图像信息集合和安全性能信息分别输入多制式电源板质量检测模型，分别获得多制式外观形状质量检测结果和安全性能检测结果，综合分析后获得目标多制式电源板的质量监测结果。解决了现有技术中存在缺乏对多制式电源板的生产质量进行智能化监测，监测效率低的技术问题。达到了提高多制式电源板的生产监测质量和效率的技术效果。
Description
技术领域
本发明涉及数据处理领域，尤其涉及一种多制式电源板的生产质量监测方法及系统。
背景技术
随着科技的不断发展，在“信息化带动产业化”及“节能减排低碳经济”的方针指引下，对于企业的信息化建设步伐大大加快，对于电源板的市场需求量也在逐年不断增长。
目前，由于用电类型众多，对于电源的要求也不相同，多制式电源板可以满足多种用电需求。通过采用不同的模式，适应用电需求，因此，多制式电源板的质量要求相对于普通电源板较高，在生产过程中对电源板的生产质量进行把控，对于保证用电安全有着十分重要的意义。
然而，在多制式电源板的生产过程中，对于电源板的生产质量通常通过质检员对产品进行抽样检验，质量检测具有滞后性，无法实时把握产品质量，导致多制式电源板的质量无法得到可靠保证，同时，通过人工进行监测，无法快速的对产品质量进行监测。现有技术中存在缺乏对多制式电源板的生产质量进行智能化监测，监测效率低的技术问题。
发明内容
本发明的目的是提供一种多制式电源板的生产质量监测方法及系统，用以解决现有技术中存在缺乏对多制式电源板的生产质量进行智能化监测，监测效率低的技术问题。
鉴于上述问题，本发明提供了一种多制式电源板的生产质量监测方法及系统。
第一方面，本发明提供了一种多制式电源板的生产质量监测方法，其中，所述方法包括：采集获取目标多制式电源板的包括多个质量指标的参数信息的质量标准信息，其中，所述多个质量指标包括多制式外观形状质量指标、电路质量指标和安全性能质量指标；对所述目标多制式电源板进行电路检测，获得电路质量信息；判断所述电路质量信息是否满足所述电路质量指标的参数信息，若否，则判断所述目标多制式电源板的质量不合格，若是，则继续进行质量检测；构建多制式电源板质量检测模型；采集获取所述目标多制式电源板多个角度的图像信息，获得图像信息集合；将所述图像信息集合输入所述多制式电源板质量检测模型，获得多制式外观形状质量检测结果；采集获取所述目标多制式电源板的安全性能信息，输入所述多制式电源板质量检测模型，获得安全性能检测结果；根据所述质量标准信息，结合所述多制式外观形状质量检测结果和所述安全性能检测结果，获得所述目标多制式电源板的质量监测结果。
另一方面，本发明还提供了一种多制式电源板的生产质量监测系统，其中，所述系统包括：标准信息获得模块，所述标准信息获得模块用于采集获取目标多制式电源板的包括多个质量指标的参数信息的质量标准信息，其中，所述多个质量指标包括多制式外观形状质量指标、电路质量指标和安全性能质量指标；电路检测模块，所述电路检测模块用于对所述目标多制式电源板进行电路检测，获得电路质量信息；电路质量判断模块，所述电路质量判断模块用于判断所述电路质量信息是否满足所述电路质量指标的参数信息，若否，则判断所述目标多制式电源板的质量不合格，若是，则继续进行质量检测；检测模型构建模块，所述检测模型构建模块用于构建多制式电源板质量检测模型；图像采集模块，所述图像采集模块用于采集获取所述目标多制式电源板多个角度的图像信息，获得图像信息集合；外观检测模块，所述外观检测模块用于将所述图像信息集合输入所述多制式电源板质量检测模型，获得多制式外观形状质量检测结果；安全性能检测模块，所述安全性能检测模块用于采集获取所述目标多制式电源板的安全性能信息，输入所述多制式电源板质量检测模型，获得安全性能检测结果；监测结果获得模块，所述监测结果获得模块用于根据所述质量标准信息，结合所述多制式外观形状质量检测结果和所述安全性能检测结果，获得所述目标多制式电源板的质量监测结果。
本发明中提供的一个或多个技术方案，至少具有如下技术效果或优点：
本发明通过采集获取目标多制式电源板的包括多个质量指标的参数信息的质量标准信息，得到反映多制式外观形状质量、电路质量和安全性能质量的指标；然后通过对目标多制式电源板进行电路检测，获得电路质量信息；进而电路质量信息进行判断是否满足电路质量指标的参数信息，若否，则判断目标多制式电源板的质量不合格，若是，则继续进行质量检测；通过构建多制式电源板质量检测模型；然后采集获取目标多制式电源板多个角度的图像信息，得到图像信息集合，输入多制式电源板质量检测模型，得到多制式外观形状质量检测结果，然后采集获取目标多制式电源板的安全性能信息，输入多制式电源板质量检测模型，获得安全性能检测结果；根据质量标准信息，结合多制式外观形状质量检测结果和安全性能检测结果，获得目标多制式电源板的质量监测结果。由此，达到了对多制式电源板进行智能化质量监测，提高质量监测效率的技术效果。
附图说明
为了更清楚地说明本发明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地介绍，显而易见地，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种多制式电源板的生产质量监测方法的流程示意图；
图2为本发明实施例提供的一种多制式电源板的生产质量监测方法中采集获取质量标准信息的流程示意图；
图3为本发明实施例提供的一种多制式电源板的生产质量监测方法中构建多制式电源板质量检测模型的流程示意图；
图4为本发明一种多制式电源板的生产质量监测系统的结构示意图；
附图标记说明：标准信息获得模块11，电路检测模块12，电路质量判断模块13，检测模型构建模块14，图像采集模块15，外观检测模块16，安全性能检测模块17，监测结果获得模块18。
具体实施方式
本发明通过提供一种多制式电源板的生产质量监测方法及系统，解决了现有技术中存在缺乏对多制式电源板的生产质量进行智能化监测的方法，以及人工监测效率低的技术问题。达到了提高多制式电源板的生产质量监测的智能化程度，提高监测质量和效率的技术效果。
本发明技术方案中对数据的获取、存储、使用、处理等均符合国家法律法规的相关规定。
下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，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他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。
实施例1
如图1所示，本发明提供了一种多制式电源板的生产质量监测方法，其中，所述方法包括：
步骤S100：采集获取目标多制式电源板的包括多个质量指标的参数信息的质量标准信息，其中，所述多个质量指标包括多制式外观形状质量指标、电路质量指标和安全性能质量指标；
进一步的，如图2所示，所述采集获取目标多制式电源板的包括多个质量指标的参数信息的质量标准信息，本发明实施例步骤S100还包括：
步骤S110：采集获取所述目标多制式电源板的多制式外观形状质量指标信息，其中，所述多制式外观形状质量指标信息包括多制式插孔形状质量指标信息和电源板外观质量指标信息；
步骤S120：采集获取所述目标多制式电源板的电路质量指标信息；
步骤S130：采集获取所述目标多制式电源板的安全性能质量指标信息；
步骤S140：将所述多制式外观形状质量指标信息、电路质量指标信息和安全性能质量指标信息作为所述质量标准信息。
具体而言，所述目标多制式电源板是需要进行生产质量监测的任意一个多制式电源板。所述多个质量指标是指对多制式电源板的质量监测时，监测和评估质量的依据。所述参数信息是对所述多个质量指标进行量化判断的参数对应的信息。所述质量标准信息是指质量符合生产标准时对应的参数数据信息，作为判定质量是否合格的依据。
具体的，所述多制式外观形状质量标准信息是指对所述目标多制式电源板进行外观形状的质量评估时参照的依据，用来判断外观形状是否合格。所述多制式插孔形状质量指标信息是指在电源板上的插孔形状应当满足的指标情况，包括：插孔形状、插孔数量、插孔类型等。所述电源板外观质量指标信息是反映多制式电源板的外观情况的相关指标，可选的，包括：电源板表面光泽度，电源板外部结构完整度，无内部电路元件暴露在外，电源板尺寸等。
具体的，所述电路质量指标信息是指与多制式电源板的电气参数相关的指标情况，包括：开关触点的绝缘电阻，接线端子极性，额定电流，额定功率，额定电压等。所述安全性能质量指标信息是与多制式电源板的使用安全性相关的指标情况，包括：阻燃性能应能通过650°C灼热丝温度，满足强制性安全认证等。进而，将所述多制式外观形状质量指标信息、电路质量指标信息和安全性能质量指标信息作为所述质量标准信息。由此，实现了对多制式电源板的生产质量进行监测的过程中的质量标准信息获取的目标，达到了为后续对质量进行判断的判断依据的技术效果。
步骤S200：对所述目标多制式电源板进行电路检测，获得电路质量信息；
进一步的，所述对所述目标多制式电源板进行电路检测，本发明实施例步骤S200还包括：
步骤S210：对所述目标多制式电源板的多个具有不同制式的插孔进行电路检测，获得多个插孔电路检测信息；
步骤S220：将所述多个插孔电路检测信息作为所述电路质量信息。
具体而言，所述电路检测是检测目标多制式电源板的电路是否能够正常工作。所述多个插孔电路检测信息是指对多个不同制式的插孔分别进行电路检测后，得到的检测结果。可选的，包括：不接触规试验结果，绝缘电阻，电气强度，电气间隙和爬电距离等。通过进行电路检测，可以得到所述目标多制式电源板中的插孔电路情况，作为所述电路质量情况。
步骤S300：判断所述电路质量信息是否满足所述电路质量指标的参数信息，若否，则判断所述目标多制式电源板的质量不合格，若是，则继续进行质量检测；
具体而言，将所述电路质量作为判断所述目标多制式电源板的质量是否合格的首个判断指标，且为否决项，当所述电路质量信息满足所述电路质量指标的参数信息时，继续往下进行质量检测；若不满足，则判断电源板质量不合格。根据所述电路质量指标的参数信息，对所述电路质量信息进行匹配判断，判断目标多制式电源板的电路情况是否符合标准。通过优化质量监测流程，及时对质量情况做出判断，提高监测效率。
步骤S400：构建多制式电源板质量检测模型；
进一步的，如图3所示，所述构建多制式电源板质量检测模型，本发明实施例步骤S400还包括：
步骤S410：构建外观质量检测层，并构建多制式插孔形状质量检测分支；
步骤S420：构建安全性能质量检测层；
步骤S430：连接所述构建外观形状质量检测层、多制式插孔形状质量检测分支和所述构建安全性能质量检测层，获得所述多制式电源板质量检测模型。
进一步的，所述构建外观质量检测层，并构建多制式插孔形状质量检测分支，本发明实施例步骤S410还包括：
步骤S411：采集获取多个多制式电源板的样本图像信息集合，获得多个样本图像信息集合；
步骤S412：对所述多个样本图像信息集合进行人工外观质量检测，分别获得多个样本外观质量检测结果；
步骤S413：对所述多个样本图像信息集合进行人工多制式插孔形状质量检测，分别获得多个样本插孔形状质量检测结果；
步骤S414：基于卷积神经网络模型，构建所述外观质量检测层；
步骤S415：采用所述多个样本图像信息集合和所述多个样本外观质量检测结果对所述外观质量检测层进行监督训练、验证和测试，获得所述外观质量检测层；
步骤S416：基于卷积神经网络，构建所述多制式插孔形状质量检测分支；
步骤S417：采用所述多个样本图像信息集合和所述多个样本插孔形状质量检测结果对所述多制式插孔形状质量检测分支进行监督训练、验证和测试，获得所述多制式插孔形状质量检测分支。
具体而言，所述多制式电源板质量检测模型是对多制式电源板的质量进行多维度检测的功能模型，由外观形状质量检测层、多制式插孔形状质量检测分支和和安全性能质量检测层构成。通过构建多个不同功能的网络层组成检测模型，来提高质量检测的集成化程度，提高检测效率。
具体的，所述多个样本图像信息集合是对多个多制式电源板的多部位多角度图像进行采集后得到的图像集合，可以反映电源板的外观情况。所述人工外观质量检测主要是通过人工对所述样本图像集合进行判断，对样本外观质量进行评估，得到所述多个样本外观质量检测结果。所述插孔形状质量检测是通过人工判断插孔形状是否规整，得到多个样本插孔形状质量检测结果。
具体的，所述卷积神经网络模型一般由若干个卷积层、池化层和全连接层构成，通过卷积层对图像进行特征提取，利用池化层对提取的特征进行抽样，使用较少的训练参数来对减轻模型的过拟合程度，最后通过全连接层将提取的特征图连接起来，通过分类器得到最后的分类结果。基于所述卷积神经网络模型来构建所述外观质量检测层，可以提高外观质量检测的效率。
具体的，通过根据所述多个样本图像信息集合和所述多个样本外观质量检测结果，得到样本图像与质量检测之间的对应关系，以此为基础数据对所述外观质量检测层进行监督训练、验证和测试。将基础数据进行划分，将数据按照50%、25%、25%的比例划分为训练集、验证集和测试集，将所述外观质量检测层训练至收敛后，验证和测试检测层的准确度，当准确度达标后，停止对检测层的训练，如果不达标，则获取更多样本图像信息集合和样本外观质量检测结果进行增量学习，直至达标。基于同样的方法，得到对插孔的形状质量进行检测的所述多制式插孔形状质量检测分支。通过将多个样本图像信息集合和多个样本插孔形状质量检测结果按50%、25%、25%的比例划分为训练集、验证集和测试集，将所述多制式插孔形状质量检测分支训练至收敛后，验证和测试检测分支的准确度，当准确度达标后，停止对检测分支的训练，如果不达标，则获取更多样本图像信息集合和样本插孔形状质量检测结果进行增量学习，直至达标。由此，实现了对插孔质量进行智能化检测的目标，不仅关注电源板本身的外观质量，还关注检测多制式电源板的多制式插孔的质量，如此，达到了提高检测的智能化程度和检测效率的技术效果，切可提升多制式电源板的质量检测维度，提升多制式电源的质量水平和使用体验，避免出现部分制式的插孔难以插入使用的问题。
进一步的，所述构建安全性能质量检测层，本发明实施例步骤S420还包括：
步骤S421：采集获取多个多制式电源板的样本安全性能信息，获得多个样本安全性能信息；
步骤S422：对所述多个多制式电源板进行安全性能检测，获得多个样本安全性能检测结果；
步骤S423：基于BP神经网络，构建所述安全性能质量检测层；
步骤S424：采用所述多个样本安全性能信息和多个样本安全性能检测结果对所述安全性能质量检测层进行监督训练、验证和测试，获得所述安全性能质量检测层。
具体而言，所述样本安全性能信息是反映多制式电源板的安全性能的相关信息。通过进行安全性能检测，得到所述样本安全性能检测结果，可选的，安全性能检测包括：绝缘材料耐非正常热、耐热测试，防触电性能检测等。所述BP神经网络是一种按照误差进行反向传播训练的多层前馈神经网络，将所述BP神经网络作为基础网络层购进所述安全性能质量检测层。通过对所述多个样本安全性能信息和多个样本安全性能检测结果进行数据划分，对所述安全性能质量检测层进行监督训练、验证和测试，来获得收敛的、灵敏度高、适应范围广的安全性能质量检测层。由此，实现了对多制式电源板的安全性能进行智能化检测的目标，达到了提高检测的效率和质量的技术效果。
步骤S500：采集获取所述目标多制式电源板多个角度的图像信息，获得图像信息集合；
步骤S600：将所述图像信息集合输入所述多制式电源板质量检测模型，获得多制式外观形状质量检测结果；
进一步的，所述将所述图像信息集合输入所述多制式电源板质量检测模型，获得多制式外观形状质量检测结果，本发明实施例步骤S600还包括：
步骤S610：将所述图像信息集合分别输入所述外观质量检测层和多制式插孔形状质量检测分支，分别获得外观质量检测结果和多制式插孔形状质量检测结果；
步骤S620：将所述外观质量检测结果和多制式插孔形状质量检测结果作为所述多制式外观形状质量检测结果。
具体而言，通过对所述目标多制式电源板进行多个角度的图像采集，可以获得电源板各个部位的图像信息。所述图像信息集合是可以反映多制式电源板的结构、外观质量的图像集合。进而，将图像信息集合分别输入所述外观质量检测层和所述多制式插孔形状质量检测分支，对图像信息集合中的外观和插孔形状进行分别提取和质量检测，分别得到所述外观质量检测结果和多制式插孔形状质量检测结果，得到所述多制式外观形状质量检测结果。实现了对目标多制式电源板的外观形状进行检测的目标。
步骤S700：采集获取所述目标多制式电源板的安全性能信息，输入所述多制式电源板质量检测模型，获得安全性能检测结果；
步骤S800：根据所述质量标准信息，结合所述多制式外观形状质量检测结果和所述安全性能检测结果，获得所述目标多制式电源板的质量监测结果。
进一步的，根据所述质量标准信息，结合所述多制式外观形状质量检测结果和所述安全性能检测结果，获得所述目标多制式电源板的质量监测结果，本发明实施例步骤S800还包括：
步骤S810：分别判断所述外观质量检测结果和多制式插孔形状质量检测结果是否满足所述电源板外观质量指标信息和多制式插孔形状质量指标信息，获得第一判断结果；
步骤S820：判断所述安全性能检测结果是否满足所述安全性能质量指标信息，获得第二判断结果；
步骤S830：若所述第一判断结果和所述第二判断结果均为是，则获得合格的质量监测结果，若所述第一判断结果和/或所述第二判断结果为否，则获得不合格的质量监测结果。
具体而言，对所述目标多制式电源板的安全性能信息进行采集，包括所述目标多制式电源板的安全性能测试结果，输入所述多制式电源板质量检测模型中得到所述安全性能检测结果。所述第一判断结果是所述目标多制式电源板的外观质量和插孔形状质量检测结果是否满足指标信息，达到合格标准的结果。所述第二判断结果是所述目标多制式电源板的安全性能是否达到合格标准的结果。
具体的，当第一判断结果和第二判断结果均为是时，表明所述目标多制式电源板的质量监测结果合格；当第一判断结果和第二判断结果均为否时，表明所述目标多制式电源板的安全性能和外观都不合格，即质量监测结果不合格；当第一判断结果为否，第二判断结果为是时，表明所述目标多制式电源板的外观合格，安全性能不合格，则质量检测结果不合格；当第一判断结果为是，第二判断结果为否时，表明所述目标多制式电源板的外观不合格，安全性能合格，则质量检测结果不合格。由此，实现了对多制式电源板的生产质量进行监测的目标，达到了对生产质量进行智能化、科学、高效的监测，提高监测质量的技术效果。
综上所述，本发明所提供的一种多制式电源板的生产质量监测方法具有如下技术效果：
1.本发明实施例通过获取可以反映目标多制式电源板质量的多个质量指标的质量标准信息，从多制式外观形状质量、电路质量和安全性能质量三个方面对电源板的质量进行监测，首先通过电路检测，获得电路质量信息，当电路质量信息满足所述电路质量指标的参数信息时，继续质量检测，不满足则表明目标多制式电源板的质量不合格，通过多制式电源板质量检测模型，对目标多制式电源板的图像信息集合和安全性能信息分别进行分析，分别得到多制式外观形状质量检测结果和安全性能检测结果，然后根据质量标准信息，结合多制式外观形状质量检测结果和安全性能检测结果，获得目标多制式电源板的质量监测结果。由此，达到了提高对多制式电源板的质量进行高效率的监测，提高监测质量的技术效果。
实施例2
基于与前述实施例中一种多制式电源板的生产质量监测方法同样的发明构思，如图4所示，本发明还提供了一种多制式电源板的生产质量监测系统，其中，所述系统包括：
标准信息获得模块11，所述标准信息获得模块11用于采集获取目标多制式电源板的包括多个质量指标的参数信息的质量标准信息，其中，所述多个质量指标包括多制式外观形状质量指标、电路质量指标和安全性能质量指标；
电路检测模块12，所述电路检测模块12用于对所述目标多制式电源板进行电路检测，获得电路质量信息；
电路质量判断模块13，所述电路质量判断模块13用于判断所述电路质量信息是否满足所述电路质量指标的参数信息，若否，则判断所述目标多制式电源板的质量不合格，若是，则继续进行质量检测；
检测模型构建模块14，所述检测模型构建模块14用于构建多制式电源板质量检测模型；
图像采集模块15，所述图像采集模块15用于采集获取所述目标多制式电源板多个角度的图像信息，获得图像信息集合；
外观检测模块16，所述外观检测模块16用于将所述图像信息集合输入所述多制式电源板质量检测模型，获得多制式外观形状质量检测结果；
安全性能检测模块17，所述安全性能检测模块17用于采集获取所述目标多制式电源板的安全性能信息，输入所述多制式电源板质量检测模型，获得安全性能检测结果；
监测结果获得模块18，所述监测结果获得模块18用于根据所述质量标准信息，结合所述多制式外观形状质量检测结果和所述安全性能检测结果，获得所述目标多制式电源板的质量监测结果。
进一步的，所述系统还包括：
质量指标信息获得单元，所述质量指标信息获得单元用于采集获取所述目标多制式电源板的多制式外观形状质量指标信息，其中，所述多制式外观形状质量指标信息包括多制式插孔形状质量指标信息和电源板外观质量指标信息；
电路质量指标获得单元，所述电路质量指标获得单元用于采集获取所述目标多制式电源板的电路质量指标信息；
性能质量指标获得单元，所述性能质量指标获得单元用于采集获取所述目标多制式电源板的安全性能质量指标信息；
质量标准信息获得单元，所述质量标准信息获得单元用于将所述多制式外观形状质量指标信息、电路质量指标信息和安全性能质量指标信息作为所述质量标准信息。
进一步的，所述系统还包括：
电路检测单元，所述电路检测单元用于对所述目标多制式电源板的多个具有不同制式的插孔进行电路检测，获得多个插孔电路检测信息；
电路质量信息获得单元，所述电路质量信息获得单元用于将所述多个插孔电路检测信息作为所述电路质量信息。
进一步的，所述系统还包括：
外观检测层构建单元，所述外观检测层构建单元用于构建外观质量检测层，并构建多制式插孔形状质量检测分支；
安全性能检测层构建单元，所述安全性能检测层构建单元用于构建安全性能质量检测层；
检测模型获得单元，所述检测模型获得单元用于连接所述构建外观形状质量检测层、多制式插孔形状质量检测分支和所述构建安全性能质量检测层，获得所述多制式电源板质量检测模型。
进一步的，所述系统还包括：
图像信息获得单元，所述图像信息获得单元用于采集获取多个多制式电源板的样本图像信息集合，获得多个样本图像信息集合；
外观质量检测单元，所述外观质量检测单元用于对所述多个样本图像信息集合进行人工外观质量检测，分别获得多个样本外观质量检测结果；
形状质量检测单元，所述形状质量检测单元用于对所述多个样本图像信息集合进行人工多制式插孔形状质量检测，分别获得多个样本插孔形状质量检测结果；
外观质量检测层构建单元，所述外观质量检测层构建单元用于基于卷积神经网络模型，构建所述外观质量检测层；
监督训练单元，所述监督训练单元用于采用所述多个样本图像信息集合和所述多个样本外观质量检测结果对所述外观质量检测层进行监督训练、验证和测试，获得所述外观质量检测层；
插孔形状质量检测单元，所述插孔形状质量检测单元用于基于卷积神经网络，构建所述多制式插孔形状质量检测分支；
形状检测分支获得单元，所述形状检测分支获得单元用于采用所述多个样本图像信息集合和所述多个样本插孔形状质量检测结果对所述多制式插孔形状质量检测分支进行监督训练、验证和测试，获得所述多制式插孔形状质量检测分支。
进一步的，所述系统还包括：
安全性能信息获得单元，所述安全性能信息获得单元用于采集获取多个多制式电源板的样本安全性能信息，获得多个样本安全性能信息；
安全性能检测单元，所述安全性能检测单元用于对所述多个多制式电源板进行安全性能检测，获得多个样本安全性能检测结果；
性能质量检测层构建单元，所述性能质量检测层构建单元用于基于BP神经网络，构建所述安全性能质量检测层；
性能监督训练单元，所述性能监督训练单元用于采用所述多个样本安全性能信息和多个样本安全性能检测结果对所述安全性能质量检测层进行监督训练、验证和测试，获得所述安全性能质量检测层。
进一步的，所述系统还包括：
检测结果获得单元，所述检测结果获得单元用于将所述图像信息集合分别输入所述外观质量检测层和多制式插孔形状质量检测分支，分别获得外观质量检测结果和多制式插孔形状质量检测结果；
外观检测结果获得单元，所述外观检测结果获得单元用于将所述外观质量检测结果和多制式插孔形状质量检测结果作为所述多制式外观形状质量检测结果。
进一步的，所述系统还包括：
第一判断单元，所述第一判断单元用于分别判断所述外观质量检测结果和多制式插孔形状质量检测结果是否满足所述电源板外观质量指标信息和多制式插孔形状质量指标信息，获得第一判断结果；
第二判断单元，所述第二判断单元用于判断所述安全性能检测结果是否满足所述安全性能质量指标信息，获得第二判断结果；
监测结果获得单元，所述监测结果获得单元用于若所述第一判断结果和所述第二判断结果均为是，则获得合格的质量监测结果，若所述第一判断结果和/或所述第二判断结果为否，则获得不合格的质量监测结果。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，前述图1实施例一中的一种多制式电源板的生产质量监测方法和具体实例同样适用于本实施例的一种多制式电源板的生产质量监测系统，通过前述对一种多制式电源板的生产质量监测方法的详细描述，本领域技术人员可以清楚的知道本实施例中一种多制式电源板的生产质量监测系统，所以为了说明书的简洁，在此不再详述。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (9)
1.一种多制式电源板的生产质量监测方法，其特征在于，所述方法包括：
采集获取目标多制式电源板的包括多个质量指标的参数信息的质量标准信息，其中，所述多个质量指标包括多制式外观形状质量指标、电路质量指标和安全性能质量指标；
对所述目标多制式电源板进行电路检测，获得电路质量信息；
判断所述电路质量信息是否满足所述电路质量指标的参数信息，若否，则判断所述目标多制式电源板的质量不合格，若是，则继续进行质量检测；
构建多制式电源板质量检测模型；
采集获取所述目标多制式电源板多个角度的图像信息，获得图像信息集合；
将所述图像信息集合输入所述多制式电源板质量检测模型，获得多制式外观形状质量检测结果；
采集获取所述目标多制式电源板的安全性能信息，输入所述多制式电源板质量检测模型，获得安全性能检测结果；
根据所述质量标准信息，结合所述多制式外观形状质量检测结果和所述安全性能检测结果，获得所述目标多制式电源板的质量监测结果。
2.根据权利要求1所述的方法，其特征在于，采集获取目标多制式电源板的包括多个质量指标的参数信息的质量标准信息，包括：
采集获取所述目标多制式电源板的多制式外观形状质量指标信息，其中，所述多制式外观形状质量指标信息包括多制式插孔形状质量指标信息和电源板外观质量指标信息；
采集获取所述目标多制式电源板的电路质量指标信息；
采集获取所述目标多制式电源板的安全性能质量指标信息；
将所述多制式外观形状质量指标信息、电路质量指标信息和安全性能质量指标信息作为所述质量标准信息。
3.根据权利要求1所述的方法，其特征在于，对所述目标多制式电源板进行电路检测，包括：
对所述目标多制式电源板的多个具有不同制式的插孔进行电路检测，获得多个插孔电路检测信息；
将所述多个插孔电路检测信息作为所述电路质量信息。
4.根据权利要求2所述的方法，其特征在于，所述构建多制式电源板质量检测模型，包括：
构建外观质量检测层，并构建多制式插孔形状质量检测分支；
构建安全性能质量检测层；
连接所述构建外观形状质量检测层、多制式插孔形状质量检测分支和所述构建安全性能质量检测层，获得所述多制式电源板质量检测模型。
5.根据权利要求4所述的方法，其特征在于，所述构建外观质量检测层，并构建多制式插孔形状质量检测分支，包括：
采集获取多个多制式电源板的样本图像信息集合，获得多个样本图像信息集合；
对所述多个样本图像信息集合进行人工外观质量检测，分别获得多个样本外观质量检测结果；
对所述多个样本图像信息集合进行人工多制式插孔形状质量检测，分别获得多个样本插孔形状质量检测结果；
基于卷积神经网络模型，构建所述外观质量检测层；
采用所述多个样本图像信息集合和所述多个样本外观质量检测结果对所述外观质量检测层进行监督训练、验证和测试，获得所述外观质量检测层；
基于卷积神经网络，构建所述多制式插孔形状质量检测分支；
采用所述多个样本图像信息集合和所述多个样本插孔形状质量检测结果对所述多制式插孔形状质量检测分支进行监督训练、验证和测试，获得所述多制式插孔形状质量检测分支。
6.根据权利要求4所述的方法，其特征在于，构建安全性能质量检测层，包括：
采集获取多个多制式电源板的样本安全性能信息，获得多个样本安全性能信息；
对所述多个多制式电源板进行安全性能检测，获得多个样本安全性能检测结果；
基于BP神经网络，构建所述安全性能质量检测层；
采用所述多个样本安全性能信息和多个样本安全性能检测结果对所述安全性能质量检测层进行监督训练、验证和测试，获得所述安全性能质量检测层。
7.根据权利要求5所述的方法，其特征在于，将所述图像信息集合输入所述多制式电源板质量检测模型，获得多制式外观形状质量检测结果，包括：
将所述图像信息集合分别输入所述外观质量检测层和多制式插孔形状质量检测分支，分别获得外观质量检测结果和多制式插孔形状质量检测结果；
将所述外观质量检测结果和多制式插孔形状质量检测结果作为所述多制式外观形状质量检测结果。
8.根据权利要求7所述的方法，其特征在于，根据所述质量标准信息，结合所述多制式外观形状质量检测结果和所述安全性能检测结果，获得所述目标多制式电源板的质量监测结果，包括：
分别判断所述外观质量检测结果和多制式插孔形状质量检测结果是否满足所述电源板外观质量指标信息和多制式插孔形状质量指标信息，获得第一判断结果；
判断所述安全性能检测结果是否满足所述安全性能质量指标信息，获得第二判断结果；
若所述第一判断结果和所述第二判断结果均为是，则获得合格的质量监测结果，若所述第一判断结果和/或所述第二判断结果为否，则获得不合格的质量监测结果。
9.一种多制式电源板的生产质量监测系统，其特征在于，所述系统包括：
标准信息获得模块，所述标准信息获得模块用于采集获取目标多制式电源板的包括多个质量指标的参数信息的质量标准信息，其中，所述多个质量指标包括多制式外观形状质量指标、电路质量指标和安全性能质量指标；
电路检测模块，所述电路检测模块用于对所述目标多制式电源板进行电路检测，获得电路质量信息；
电路质量判断模块，所述电路质量判断模块用于判断所述电路质量信息是否满足所述电路质量指标的参数信息，若否，则判断所述目标多制式电源板的质量不合格，若是，则继续进行质量检测；
检测模型构建模块，所述检测模型构建模块用于构建多制式电源板质量检测模型；
图像采集模块，所述图像采集模块用于采集获取所述目标多制式电源板多个角度的图像信息，获得图像信息集合；
外观检测模块，所述外观检测模块用于将所述图像信息集合输入所述多制式电源板质量检测模型，获得多制式外观形状质量检测结果；
安全性能检测模块，所述安全性能检测模块用于采集获取所述目标多制式电源板的安全性能信息，输入所述多制式电源板质量检测模型，获得安全性能检测结果；
监测结果获得模块，所述监测结果获得模块用于根据所述质量标准信息，结合所述多制式外观形状质量检测结果和所述安全性能检测结果，获得所述目标多制式电源板的质量监测结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310185227.7A CN116228710B (zh) | 2023-03-01 | 2023-03-01 | 一种多制式电源板的生产质量监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310185227.7A CN116228710B (zh) | 2023-03-01 | 2023-03-01 | 一种多制式电源板的生产质量监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116228710A true CN116228710A (zh) | 2023-06-06 |
| CN116228710B CN116228710B (zh) | 2023-10-27 |
Family
ID=86584013
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310185227.7A Active CN116228710B (zh) | 2023-03-01 | 2023-03-01 | 一种多制式电源板的生产质量监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116228710B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274965A (zh) * | 2023-11-21 | 2023-12-22 | 浙江恒逸石化有限公司 | 图像识别模型的训练方法、喷丝板检测方法及装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140226262A1 (en) * | 2013-02-11 | 2014-08-14 | General Electric Company | System and method for actuation of power panel |
| US20150216036A1 (en) * | 2014-01-30 | 2015-07-30 | Canon Kabushiki Kaisha | Printed board and image forming apparatus |
| CN111123020A (zh) * | 2020-01-17 | 2020-05-08 | 中国铁道科学研究院集团有限公司 | 制动控制装置的电源板、母板测试装置 |
| CN114692557A (zh) * | 2022-06-01 | 2022-07-01 | 深圳市鄱阳科技有限公司 | 一种柔性电路板制造性能监测分析方法及系统 |
| CN115049319A (zh) * | 2022-08-15 | 2022-09-13 | 张家港广大特材股份有限公司 | 一种钢材锻造成型的质量评估方法及系统 |
-
2023
- 2023-03-01 CN CN202310185227.7A patent/CN116228710B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140226262A1 (en) * | 2013-02-11 | 2014-08-14 | General Electric Company | System and method for actuation of power panel |
| US20150216036A1 (en) * | 2014-01-30 | 2015-07-30 | Canon Kabushiki Kaisha | Printed board and image forming apparatus |
| CN111123020A (zh) * | 2020-01-17 | 2020-05-08 | 中国铁道科学研究院集团有限公司 | 制动控制装置的电源板、母板测试装置 |
| CN114692557A (zh) * | 2022-06-01 | 2022-07-01 | 深圳市鄱阳科技有限公司 | 一种柔性电路板制造性能监测分析方法及系统 |
| CN115049319A (zh) * | 2022-08-15 | 2022-09-13 | 张家港广大特材股份有限公司 | 一种钢材锻造成型的质量评估方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| PINAR ACAR.ET.: "Power infrastructure quality and industrial performance: A panel data analysis on OECD manufacturing sectors", 《ENERGY》, vol. 239, pages 122277 * |
| 沈雪东等: "SIPOS电动执行机构在火电厂的应用与维护", 《2014年中国发电厂热工自动化技术论坛论文集（下册）》, pages 71 - 74 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117274965A (zh) * | 2023-11-21 | 2023-12-22 | 浙江恒逸石化有限公司 | 图像识别模型的训练方法、喷丝板检测方法及装置 |
| CN117274965B (zh) * | 2023-11-21 | 2024-03-05 | 浙江恒逸石化有限公司 | 图像识别模型的训练方法、喷丝板检测方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116228710B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116228710B (zh) | 一种多制式电源板的生产质量监测方法及系统 | |
| CN109784348B (zh) | 一种红外电力设备识别和在线诊断方法及其系统 | |
| CN109766952B (zh) | 基于偏最小二乘法和极限学习机的光伏阵列故障检测方法 | |
| CN111461922A (zh) | 一种基于极限学习机的变压器热点温度实时预测方法 | |
| CN106093771B (zh) | 一种断路器分合闸线圈电流信号识别方法 | |
| CN111445462A (zh) | 一种基于神经网络和热像图的蓄电池漏液检测方法 | |
| CN109597396B (zh) | 一种基于大数据流及迁移学习的配变故障在线诊断方法 | |
| CN109308587A (zh) | 电动汽车充电桩的可靠性分析系统及其智能诊断方法 | |
| CN115619289A (zh) | 基于区块链的配电变压器质量检测结果判别方法及装置 | |
| CN116961215A (zh) | 一种电力系统故障快速反应处理方法 | |
| CN113922361B (zh) | 一种基于非侵入式配用电信息分解的安全隐患及故障保护方法 | |
| CN114740306A (zh) | 一种基于电网信息化的配电网线路故障在线监测预警管理系统 | |
| CN117347796B (zh) | 一种基于智能网关的开关设备局部放电诊断系统及方法 | |
| CN114091340A (zh) | 一种基于多物理场直流局部放电模型的构建与判别方法 | |
| CN110503215A (zh) | 基于图像识别技术识别设备状态、故障及处理异常的方法 | |
| CN116626542B (zh) | 一种线束产品的智能化检测系统 | |
| CN112330911A (zh) | 一种基于大数据的消防灾害智能监测预警管理系统 | |
| Cui et al. | Machine learning approach for solving inconsistency problems of Li‐ion batteries during the manufacturing stage | |
| CN105425191B (zh) | 一种高压互感器检测方法及系统 | |
| CN208488118U (zh) | 一种变压器智能集成故障诊断系统 | |
| CN113591909B (zh) | 电力系统的异常检测方法、异常检测装置以及存储介质 | |
| CN201993928U (zh) | 一种模拟高压电气设备发热故障缺陷的装置 | |
| CN115166520A (zh) | 一种基于熵和聚类算法的锂离子电池组短路故障诊断方法 | |
| CN210604863U (zh) | Ptc加热器交流耐压测试机 | |
| CN207556857U (zh) | 柴油机燃油喷射系统ecu功能检测设备 |
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 |