CN116428972A - 一种箱包配件质量在线检测方法及系统 - Google Patents
一种箱包配件质量在线检测方法及系统 Download PDFInfo
- Publication number
- CN116428972A CN116428972A CN202310043225.4A CN202310043225A CN116428972A CN 116428972 A CN116428972 A CN 116428972A CN 202310043225 A CN202310043225 A CN 202310043225A CN 116428972 A CN116428972 A CN 116428972A
- Authority
- CN
- China
- Prior art keywords
- result
- size
- luggage
- quality
- feature
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 230000007547 defect Effects 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000012795 verification Methods 0.000 claims abstract description 43
- 230000002159 abnormal effect Effects 0.000 claims description 48
- 238000004519 manufacturing process Methods 0.000 claims description 37
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000011156 evaluation Methods 0.000 claims description 14
- 230000005856 abnormality Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 7
- 238000012163 sequencing technique Methods 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 14
- 230000000694 effects Effects 0.000 abstract description 11
- 239000011159 matrix material Substances 0.000 description 10
- 238000012545 processing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000000630 rising effect Effects 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- -1 shapes Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
-
- 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)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Factory Administration (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种箱包配件质量在线检测方法及系统,涉及质量检测技术领域,采集获得箱包配件的基础属性信息,布设激光定位装置对箱包配件进行尺寸采集,对尺寸采集数据进行尺寸验证,对箱包配件进行多角度图像采集,通过大数据构建识别特征集合,对多角度图像采集结果进行特征遍历,输出特征匹配结果,根据尺寸验证结果和特征匹配结果生成箱包配件的质量检测结果。本发明解决了现有技术中的质检方法由于对箱包配件基础信息及缺陷类型的掌控不足,使得最终的质量检测效果差的技术问题,实现了对于箱包配件的缺陷类型和缺陷尺寸的精准掌控,达到提升质量检测精度的技术效果。
Description
技术领域
本发明涉及质量检测技术领域,具体涉及一种箱包配件质量在线检测方法及系统。
背景技术
中国箱包产业经过20年的高速发展,至今已占了全球70%以上的份额,中国箱包业在全球已占霸主地位,不仅仅是全球的制造中心,更是全球最大消费市场,中国箱包产品年销售额已达5000亿元,中国箱包业正面临着前所未有的挑战。在劳动力短缺、原材料价格上涨、人民币升值以及产业转移步伐加快等因素的冲击下,不仅给箱包行业的内外销带来许多不稳定的因素,同时也令箱包会展业的生存和发展陷入一个尴尬的角色,因此对于箱包的质量提升就显得格外重要。然而现今常用的箱包配件质量检测方法还存在着一定的弊端,对于箱包配件的质量检测还存在着一定的可提升空间。
现有技术中的质检方法由于对箱包配件基础信息及缺陷类型的掌控不足,使得最终的质量检测效果差。
发明内容
本申请实施例提供了一种箱包配件质量在线检测方法及系统,用于针对解决现有技术中的质检方法由于对箱包配件基础信息及缺陷类型的掌控不足,使得最终的质量检测效果差的技术问题。
鉴于上述问题,本申请实施例提供了一种箱包配件质量在线检测方法及系统。
第一方面,本申请实施例提供了一种箱包配件质量在线检测方法,所述方法包括:采集获得所述箱包配件的基础属性信息,其中,所述基础属性信息包括工程尺寸信息、公差约束信息;布设所述激光定位装置,通过所述激光定位装置对所述箱包配件进行尺寸采集,获得尺寸采集数据;根据所述基础属性信息对所述尺寸采集数据进行尺寸验证,输出尺寸验证结果;通过所述图像采集装置对所述箱包配件进行多角度图像采集,输出多角度图像采集结果;通过大数据构建识别特征集合,通过所述识别特征集合对所述多角度图像采集结果进行特征遍历,输出特征匹配结果;根据所述尺寸验证结果和所述特征匹配结果生成所述箱包配件的质量检测结果。
第二方面,本申请实施例提供了一种箱包配件质量在线检测系统,所述系统包括:基础属性信息获取模块,所述基础属性信息获取模块用于采集获得所述箱包配件的基础属性信息,其中,所述基础属性信息包括工程尺寸信息、公差约束信息;尺寸采集数据获取模块,所述尺寸采集数据获取模块用于布设所述激光定位装置,通过所述激光定位装置对所述箱包配件进行尺寸采集,获得尺寸采集数据;尺寸验证结果获取模块,所述尺寸验证结果获取模块用于根据所述基础属性信息对所述尺寸采集数据进行尺寸验证,输出尺寸验证结果;多角度图像采集模块,所述多角度图像采集模块用于通过所述图像采集装置对所述箱包配件进行多角度图像采集,输出多角度图像采集结果;特征匹配结果获取模块,所述特征匹配结果获取模块用于通过大数据构建识别特征集合,通过所述识别特征集合对所述多角度图像采集结果进行特征遍历,输出特征匹配结果;质量检测结果获取模块,所述质量检测结果获取模块用于根据所述尺寸验证结果和所述特征匹配结果生成所述箱包配件的质量检测结果。
本申请实施例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:
本申请实施例提供的一种箱包配件质量在线检测方法,涉及质量检测技术领域,采集获得箱包配件的基础属性信息,布设激光定位装置对箱包配件进行尺寸采集,对尺寸采集数据进行尺寸验证,对箱包配件进行多角度图像采集,通过大数据构建识别特征集合,对多角度图像采集结果进行特征遍历,输出特征匹配结果,根据尺寸验证结果和特征匹配结果生成箱包配件的质量检测结果。解决了现有技术中的质检方法由于对箱包配件基础信息及缺陷类型的掌控不足,使得最终的质量检测效果差的技术问题,实现了对于箱包配件的缺陷类型和缺陷尺寸的精准掌控,达到提升质量检测精度的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为本申请实施例提供了一种箱包配件质量在线检测方法流程示意图;
图2为本申请实施例提供了一种箱包配件质量在线检测方法中获得特征匹配结果流程示意图;
图3为本申请实施例提供了一种箱包配件质量在线检测方法中生成质量检测结果流程示意图;
图4为本申请实施例提供了一种箱包配件质量在线检测系统结构示意图。
附图标记说明:基础属性信息获取模块10,尺寸采集数据获取模块20,尺寸验证结果获取模块30,多角度图像采集模块40,特征匹配结果获取模块50,质量检测结果获取模块60。
具体实施方式
本申请实施例通过提供一种箱包配件质量在线检测方法,用于针对解决现有技术中的质检方法由于对箱包配件基础信息及缺陷类型的掌控不足,使得最终的质量检测效果差的技术问题。
实施例一
如图1所示,本申请实施例提供了一种箱包配件质量在线检测方法,所述方法应用于质量在线检测系统,所述质量在线检测系统与图像采集装置、激光定位装置通信连接,所述方法包括:
步骤S100:采集获得所述箱包配件的基础属性信息,其中,所述基础属性信息包括工程尺寸信息、公差约束信息;
具体而言,本申请实施例提供的一种箱包配件质量在线检测方法应用于质量在线检测系统,所述质量在线检测系统与图像采集装置、激光定位装置通信连接,所述图像采集装置用于对箱包配件进行多角度图像采集,所述激光定位装置用于对箱包配件进行尺寸采集。
首先,箱包配件大致可以按照材质、外形、颜色、规格进行分类,其中按材质分有铁类、铜类、铝类,按具体的产品类别来分有拉杆、小车轮、链条等,各种配件按功能或者形状等具有不同的划分,而且各种配件也有很多的规格。根据箱包的标签、官网查询等手段获取所述箱包配件的工程尺寸信息和公差约束信息,工程尺寸信息包括箱包配件的功能、装配和外观设计要求,工程尺寸信息是连接产品设计和工艺生产、质量控制之间的纽带,将产品的定义要求分解到单件上,以此制定出统一的工程语言、测量点;公差约束是指在零件制造过程中,由于加工或者测量等因素的影响,完工后实际尺寸总存在一定的误差,为保证零件的互换性,将零件的实际尺寸控制在允许变动范围内,这个允许尺寸变动量称为公差约束。
步骤S200:布设所述激光定位装置,通过所述激光定位装置对所述箱包配件进行尺寸采集,获得尺寸采集数据;
具体而言,所述激光定位装置一般为激光定位仪,是针对设备的安装、维修、检测而设计的专用高精度测量仪器。在箱包配件周围设置数据采集点,在每个点布置激光定位装置以对其进行多角度测量,激光定位装置通过测距来进行定位,即发射一个信号,根据收到从箱包配件反射回来的信号的时间差来计算这段距离,然后根据发射激光的角度来确定箱包配件和发射器的角度,从而得出箱包配件与发射器的相对位置,根据多个不同激光发射装置的位置便可获得箱包配件的位置和尺寸,即箱包配件的长、宽、高、直径等数据,以此作为尺寸采集数据。
步骤S300:根据所述基础属性信息对所述尺寸采集数据进行尺寸验证,输出尺寸验证结果;
具体而言,基础属性信息包括工程尺寸信息和公差约束信息,将工程尺寸信息与不同位置处采集的尺寸采集数据进行匹配,对比箱包配件工程尺寸与实际测量的长、宽、高、直径的大小,获取其差值,对比差值是否满足公差约束信息,若各项尺寸的差值小于公差约束信息,说明该箱包配件的生产尺寸合格,若各项尺寸的差值存在大于公差约束信息的,说明该箱包配件生产过程中生产尺寸不合格,以此作为尺寸验证结果。
步骤S400:通过所述图像采集装置对所述箱包配件进行多角度图像采集,输出多角度图像采集结果;
具体而言,图像采集装置一般为高清摄像机,与图像处理系统连接,在箱包配件周围设置多个数据采集点,如正面、侧面、上面,在每个点布置图像采集装置以对其进行多角度图像采集,并根据采集位置对其进行标识,将采集到的图像经过量化处理后转换为数字图像,获得多角度图像采集结果。
步骤S500:通过大数据构建识别特征集合,通过所述识别特征集合对所述多角度图像采集结果进行特征遍历,输出特征匹配结果;
具体而言,获得箱包配件的大数据统计结果,并根据大数据统计下的箱包配件进行分类,对不同类别的箱包配件进行特征提取,示例性地,对提取到的箱包配件数据进行数值化处理,并构建特征数据集矩阵,获得第一特征数据集,继而对第一特征数据集中的各特征数据进行中心化处理,首先求解第一特征数据集中各特征的平均值,然后对于所有的样本,每一个特征都减去自身的均值,继而获得新的特征值,由新的特征数据集构成所述第二特征数据集,所述第二特征数据集为一数据矩阵。通过协方差公式对所述第二特征数据集进行运算,获得所述第二特征数据集的第一协方差矩阵,继而通过矩阵运算,求出所述第一协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量。在求出的所述第一特征向量中,选取最大的前K个特征值及其对应的特征向量,并将所述第一特征数据集中的原始特征投影到所选取的特征向量之上,得到降维之后的第一特征数据集,以此构建识别特征集合。
对多角度图像采集结果进行特征识别,根据特征识别结果对多角度图像采集结果进行分区处理,获得第一分区结果,基于识别特征集合获得第一特征,将第一特征作为第一卷积特征,对第一分区结果的图像进行特征匹配,根据不同位置处的特征卷积结果判断目标位置与目标特征的匹配程度,获得特征匹配度的计算结果,即特征匹配结果。
步骤S600:根据所述尺寸验证结果和所述特征匹配结果生成所述箱包配件的质量检测结果;
具体而言,提取尺寸验证结果中不合格的数据,获得对应的不合格位置和不合格尺寸,如箱包配件过长、过短、直径过小、变形等,获取不合格数据对应的特征匹配结果,获取缺陷类型、缺陷尺寸信息,以此生成质量检测结果。解决了现有技术中的质检方法由于对箱包配件基础信息及缺陷类型的掌控不足,使得最终的质量检测效果差的技术问题,实现了对于箱包配件的缺陷类型和缺陷尺寸的精准掌控,达到提升质量检测精度的技术效果。
进一步而言,如图2所示,本申请步骤S500还包括:
步骤S510:获得所述多角度图像采集结果的采集角度标识;
步骤S520:对所述多角度图像采集结果进行所述箱包配件的特征识别,根据特征识别结果和所述采集角度标识进行所述多角度图像采集结果的图像分割,获得带有部位标识的分割图像;
步骤S530:通过所述识别特征集合对所述分割图像进行特征遍历,获得所述特征匹配结果。
具体而言,获取多角度图像采集结果中的位置标识,以此作为采集角度标识。基于边缘检测方法对箱包配件进行特征识别,示例性地,通过滤波器对图像进行降噪,去除数字图像在数字化和传输中收到设备与环境噪声的干扰,通过计算梯度幅值将局部强度值有显著变化的点凸显出来,确定图像各点邻域强度的变化值,以此达到增强边缘的效果,设定梯度幅值阈值,将满足梯度幅值阈值的判定为图像边缘,即图像中对象与背景间的交界线,根据图像边缘对图像进行分割,根据采集角度标识对分割出的图像进行标识,获得带有部位标识的分割图像。
基于带有部位标识的分割图像获得第一分区结果,基于识别特征集合获得第一特征,将第一特征作为第一卷积特征,对第一分区结果的图像进行特征匹配,重复上述步骤,直到在识别特征集合中遍历结束,根据不同位置处的特征卷积结果判断目标位置与目标特征的匹配程度,获得特征匹配度的计算结果,即特征匹配结果。
进一步而言,如图3所示,本申请步骤S600还包括:
步骤S610:根据所述特征匹配结果获得缺陷类型、缺陷尺寸信息;
步骤S620:构建部位特征值集合;
步骤S630:根据所述部位标识对所述部位特征值集合进行特征值匹配,获得特征值匹配结果;
步骤S640:根据所述特征值匹配结果、所述缺陷类型和所述缺陷尺寸信息生成缺陷特征值数据;
步骤S650:通过所述缺陷特征值数据生成所述质量检测结果。
具体而言,获取特征匹配结果中特征匹配度最高的特征,对其进行还原,获得箱包配件的缺陷类型、缺陷尺寸,其中缺陷类型包括尺寸切割缺陷、孔位间距缺陷、表面光洁度缺陷等,缺陷尺寸为各种缺陷类型对应的尺寸误差。
对提取到的箱包配件数据进行数值化处理,并构建特征数据集矩阵,获得第一特征数据集,继而对第一特征数据集中的各特征数据进行中心化处理,首先求解第一特征数据集中各特征的平均值,然后对于所有的样本,每一个特征都减去自身的均值,继而获得新的特征值,由新的特征数据集构成所述第二特征数据集,所述第二特征数据集为一数据矩阵。通过协方差公式对所述第二特征数据集进行运算,获得所述第二特征数据集的第一协方差矩阵,继而通过矩阵运算,求出所述第一协方差矩阵的特征值及特征向量,且每一特征值对应一个特征向量。在求出的所述第一特征向量中,选取最大的前K个特征值及其对应的特征向量,根据所述最大的前K个特征值构建部位特征值集合。
根据部位标识获取对应的分割图像,以此获取多组特征匹配结果,分别对每组特征匹配结果进行参数描述,运用所描述的参数在部位特征值集合中进行匹配,使得同类缺陷描述相似,不同类缺陷或者缺陷和背景之间的特征差异较大,以此获得特征值匹配结果。根据所述特征值匹配结果、所述缺陷类型和所述缺陷尺寸信息生成缺陷特征值数据。
进一步而言,本申请还包括:
步骤S710:获得所述箱包配件的生产序列标识;
步骤S720:根据所述生产序列标识调用同一批次下的生产箱包配件,并按照生产顺序进行调用结果顺序排序,获得顺序排序尺寸验证结果;
步骤S730:对所述顺序排序尺寸验证结果进行尺寸集中值计算,获得尺寸集中值计算结果;
步骤S740:根据所述尺寸集中值计算结果生成反馈控制信息,根据所述反馈控制信息进行箱包配件的生产管理。
具体而言,生产序列标识为生产时根据产品生产进程设定的唯一代码,用来定义每一个产品,这个代码可以根据预定的编码规则自动产生,也可以手工创建,一般用于生产质量管理、物料库存追踪和产品售后服务等,一般包括特征码、年份、生产批号、生产序号等多个部分。根据生产序列标识中的生产批号调用同一批次下的生产箱包配件,根据生产序号行调用结果顺序排序,获得顺序排序尺寸验证结果。
一般情况下,箱包配件在大批量生产时,其尺寸在其公差范围内呈正态分布,基于顺序排序尺寸验证结果,获取该批次下所有生产箱包配件相同尺寸出现的频率,以此绘制尺寸大小的频率图,即正态分布图,在正态分布图中,多数的配件尺寸值会向着图形的中心,即尺寸的平均值聚集,离平均值越远,该尺寸出现的可能性就越小,其中,中间值μ代表曲线对称轴的位置,决定了整条曲线的位置,标准差σ代表由中间值到曲线的曲率正负号改变点的距离,决定了曲线的分散或集中程度,将中间值μ与标准差σ作为尺寸集中值计算结果。
进一步而言,本申请步骤S740还包括:
步骤S741:根据所述顺序排序尺寸验证结果进行尺寸集中度评价,获得尺寸集中度评价结果;
步骤S742:基于所述顺序排序尺寸验证结果进行尺寸变化趋势分析,生成趋势预测结果;
步骤S743:根据所述集中度评价结果、所述趋势预测结果和所述尺寸集中值计算结果生成所述反馈控制信息。
具体而言,将中间值μ与标准差σ作为尺寸集中值计算结果,设定集中值阈值,根据集中值阈值对尺寸集中值计算结果进行尺寸集中度评价,示例性地,当超出阈值时生成反馈控制信息,如中间值μ超出阈值,说明生产尺寸与目标尺寸差距过大,可能存在切割尺寸设置问题,根据中间值μ与阈值的差值生成第一尺寸集中度评价结果;如标准差σ过大,说明曲线过于分散,即箱包配件的尺寸出现偏差的情况较多,需要对生产尺寸公差约束值进行控制,以此生成第二尺寸集中度评价结果。根据上述正态分布图生成趋势预测结果,根据第一尺寸集中度评价结果、第二尺寸集中度评价结果、趋势预测结果和尺寸集中值计算结果生成所述反馈控制信息。
进一步而言,本申请还包括:
步骤S810:根据所述质量检测结果进行质量异常特征统计,获得质量异常特征统计结果;
步骤S820:根据所述质量异常特征统计结果匹配异常监督权重;
步骤S830:通过所述异常监督权重进行所述异常特征统计结果的工艺监督。
具体而言,质量检测结果包括箱包配件的各种缺陷类型以及缺陷类型对应的缺陷尺寸信息,以缺陷类型为x轴,以缺陷尺寸为y轴,以缺陷数量为z轴,构建质量异常特征坐标系,将所述质量检测结果输入质量异常特征坐标系中,获得质量异常特征统计结果。对每一种缺陷类型中的缺陷尺寸和缺陷数量匹配异常监督权重,举例而言,本申请中的异常监督权重优选设置为缺陷尺寸与缺陷数量的比值为6:4,根据所述异常监督权重进行所述异常特征统计结果的工艺监督。
进一步而言,本申请还包括:
步骤S840:判断所述质量异常特征统计结果是否存在满足预设质量约束阈值的异常特征;
步骤S850:当存在时,则根据所述异常特征生成异常预警信息;
步骤S860:通过所述异常预警信息进行所述异常特征对应工艺的异常管理。
具体而言,基于异常监督权重设置预设质量约束阈值,即对于任一一种缺陷类型,当缺陷尺寸的异常值达到60%或者缺陷数量达到40%,说明对于该缺陷类型,存在满足预设质量约束阈值的异常特征,据此生成异常预警信息,用来对异常情况进行预警。根据所述异常预警信息获取缺陷类型以及缺陷类型对应的缺陷尺寸或者缺陷数量,匹配对应的生产工艺,根据质量异常特征统计结果对对应的生产工艺进行管理。
实施例二
基于与前述实施例中一种箱包配件质量在线检测方法相同的发明构思,如图4所示,本申请提供了一种箱包配件质量在线检测系统,所述系统包括:
基础属性信息获取模块10,所述基础属性信息获取模块10用于采集获得所述箱包配件的基础属性信息,其中,所述基础属性信息包括工程尺寸信息、公差约束信息;
尺寸采集数据获取模块20,所述尺寸采集数据获取模块20用于布设所述激光定位装置,通过所述激光定位装置对所述箱包配件进行尺寸采集,获得尺寸采集数据;
尺寸验证结果获取模块30,所述尺寸验证结果获取模块30用于根据所述基础属性信息对所述尺寸采集数据进行尺寸验证,输出尺寸验证结果;
多角度图像采集模块40,所述多角度图像采集模块40用于通过所述图像采集装置对所述箱包配件进行多角度图像采集,输出多角度图像采集结果;
特征匹配结果获取模块50,所述特征匹配结果获取模块50用于通过大数据构建识别特征集合,通过所述识别特征集合对所述多角度图像采集结果进行特征遍历,输出特征匹配结果;
质量检测结果获取模块60,所述质量检测结果获取模块60用于根据所述尺寸验证结果和所述特征匹配结果生成所述箱包配件的质量检测结果。
进一步而言,系统还包括:
采集角度标识获取模块,用于获得所述多角度图像采集结果的采集角度标识;
图像分割模块,用于对所述多角度图像采集结果进行所述箱包配件的特征识别,根据特征识别结果和所述采集角度标识进行所述多角度图像采集结果的图像分割,获得带有部位标识的分割图像;
特征遍历模块,用于通过所述识别特征集合对所述分割图像进行特征遍历,获得所述特征匹配结果。
进一步而言,系统还包括:
缺陷信息获取模块,用于根据所述特征匹配结果获得缺陷类型、缺陷尺寸信息;
特征值集合构建模块,用于构建部位特征值集合;
特征值匹配模块,用于根据所述部位标识对所述部位特征值集合进行特征值匹配,获得特征值匹配结果;
特征值数据生成模块,用于根据所述特征值匹配结果、所述缺陷类型和所述缺陷尺寸信息生成缺陷特征值数据;
质量检测结果生成模块,用于通过所述缺陷特征值数据生成所述质量检测结果。
进一步而言,系统还包括:
生产序列标识获取模块,用于获得所述箱包配件的生产序列标识;
验证结果获取模块,用于根据所述生产序列标识调用同一批次下的生产箱包配件,并按照生产顺序进行调用结果顺序排序,获得顺序排序尺寸验证结果;
尺寸集中值计算模块,用于对所述顺序排序尺寸验证结果进行尺寸集中值计算,获得尺寸集中值计算结果;
生产管理模块,用于根据所述尺寸集中值计算结果生成反馈控制信息,根据所述反馈控制信息进行箱包配件的生产管理。
进一步而言,系统还包括:
尺寸集中度评价模块,用于根据所述顺序排序尺寸验证结果进行尺寸集中度评价,获得尺寸集中度评价结果;
尺寸变化趋势分析模块,用于基于所述顺序排序尺寸验证结果进行尺寸变化趋势分析,生成趋势预测结果;
反馈控制信息生成模块,用于根据所述集中度评价结果、所述趋势预测结果和所述尺寸集中值计算结果生成所述反馈控制信息。
进一步而言,系统还包括:
质量异常特征统计模块,用于根据所述质量检测结果进行质量异常特征统计,获得质量异常特征统计结果;
异常监督权重匹配模块,用于根据所述质量异常特征统计结果匹配异常监督权重;
工艺监督模块,用于通过所述异常监督权重进行所述异常特征统计结果的工艺监督。
进一步而言,系统还包括:
统计结果判断模块,用于判断所述质量异常特征统计结果是否存在满足预设质量约束阈值的异常特征;
异常预警信息生成模块,用于当存在时,则根据所述异常特征生成异常预警信息;
异常管理模块,用于通过所述异常预警信息进行所述异常特征对应工艺的异常管理。
本说明书通过前述对一种箱包配件质量在线检测方法的详细描述,本领域技术人员可以清楚的知道本实施例中一种箱包配件质量在线检测方法及系统,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申请。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申请的精神或范围的情况下,在其它实施例中实现。因此,本申请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 (8)
1.一种箱包配件质量在线检测方法,其特征在于,所述方法应用于质量在线检测系统,所述质量在线检测系统与图像采集装置、激光定位装置通信连接,所述方法包括:
采集获得所述箱包配件的基础属性信息,其中,所述基础属性信息包括工程尺寸信息、公差约束信息;
布设所述激光定位装置,通过所述激光定位装置对所述箱包配件进行尺寸采集,获得尺寸采集数据;
根据所述基础属性信息对所述尺寸采集数据进行尺寸验证,输出尺寸验证结果;
通过所述图像采集装置对所述箱包配件进行多角度图像采集,输出多角度图像采集结果;
通过大数据构建识别特征集合,通过所述识别特征集合对所述多角度图像采集结果进行特征遍历,输出特征匹配结果;
根据所述尺寸验证结果和所述特征匹配结果生成所述箱包配件的质量检测结果。
2.如权利要求1所述的方法,其特征在于,所述方法包括:
获得所述多角度图像采集结果的采集角度标识;
对所述多角度图像采集结果进行所述箱包配件的特征识别,根据特征识别结果和所述采集角度标识进行所述多角度图像采集结果的图像分割,获得带有部位标识的分割图像;
通过所述识别特征集合对所述分割图像进行特征遍历,获得所述特征匹配结果。
3.如权利要求2所述的方法,其特征在于,所述方法包括:
根据所述特征匹配结果获得缺陷类型、缺陷尺寸信息;
构建部位特征值集合;
根据所述部位标识对所述部位特征值集合进行特征值匹配,获得特征值匹配结果;
根据所述特征值匹配结果、所述缺陷类型和所述缺陷尺寸信息生成缺陷特征值数据;
通过所述缺陷特征值数据生成所述质量检测结果。
4.如权利要求1所述的方法,其特征在于,所述方法包括:
获得所述箱包配件的生产序列标识;
根据所述生产序列标识调用同一批次下的生产箱包配件,并按照生产顺序进行调用结果顺序排序,获得顺序排序尺寸验证结果;
对所述顺序排序尺寸验证结果进行尺寸集中值计算,获得尺寸集中值计算结果;
根据所述尺寸集中值计算结果生成反馈控制信息,根据所述反馈控制信息进行箱包配件的生产管理。
5.如权利要求4所述的方法,其特征在于,所述方法包括:
根据所述顺序排序尺寸验证结果进行尺寸集中度评价,获得尺寸集中度评价结果;
基于所述顺序排序尺寸验证结果进行尺寸变化趋势分析,生成趋势预测结果;
根据所述集中度评价结果、所述趋势预测结果和所述尺寸集中值计算结果生成所述反馈控制信息。
6.如权利要求1所述的方法,其特征在于,所述方法包括:
根据所述质量检测结果进行质量异常特征统计,获得质量异常特征统计结果;
根据所述质量异常特征统计结果匹配异常监督权重;
通过所述异常监督权重进行所述异常特征统计结果的工艺监督。
7.如权利要求6所述的方法,其特征在于,所述方法包括:
判断所述质量异常特征统计结果是否存在满足预设质量约束阈值的异常特征;
当存在时,则根据所述异常特征生成异常预警信息;
通过所述异常预警信息进行所述异常特征对应工艺的异常管理。
8.一种箱包配件质量在线检测系统,其特征在于,所述系统与图像采集装置、激光定位装置通信连接,所述系统包括:
基础属性信息获取模块,所述基础属性信息获取模块用于采集获得所述箱包配件的基础属性信息,其中,所述基础属性信息包括工程尺寸信息、公差约束信息;
尺寸采集数据获取模块,所述尺寸采集数据获取模块用于布设所述激光定位装置,通过所述激光定位装置对所述箱包配件进行尺寸采集,获得尺寸采集数据;
尺寸验证结果获取模块,所述尺寸验证结果获取模块用于根据所述基础属性信息对所述尺寸采集数据进行尺寸验证,输出尺寸验证结果;
多角度图像采集模块,所述多角度图像采集模块用于通过所述图像采集装置对所述箱包配件进行多角度图像采集,输出多角度图像采集结果;
特征匹配结果获取模块,所述特征匹配结果获取模块用于通过大数据构建识别特征集合,通过所述识别特征集合对所述多角度图像采集结果进行特征遍历,输出特征匹配结果;
质量检测结果获取模块,所述质量检测结果获取模块用于根据所述尺寸验证结果和所述特征匹配结果生成所述箱包配件的质量检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310043225.4A CN116428972B (zh) | 2023-01-29 | 2023-01-29 | 一种箱包配件质量在线检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310043225.4A CN116428972B (zh) | 2023-01-29 | 2023-01-29 | 一种箱包配件质量在线检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116428972A true CN116428972A (zh) | 2023-07-14 |
CN116428972B CN116428972B (zh) | 2024-02-06 |
Family
ID=87078488
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310043225.4A Active CN116428972B (zh) | 2023-01-29 | 2023-01-29 | 一种箱包配件质量在线检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116428972B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911412A (zh) * | 2024-03-19 | 2024-04-19 | 张家港拓普五金制品有限公司 | 用于工程机械用链轨节的尺寸检测方法及系统 |
CN118297952A (zh) * | 2024-06-06 | 2024-07-05 | 江苏广大鑫盛精密智造有限公司 | 用于风电涡轮机轴承的生产质量检测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6067369A (en) * | 1996-12-16 | 2000-05-23 | Nec Corporation | Image feature extractor and an image feature analyzer |
CN114792321A (zh) * | 2022-06-23 | 2022-07-26 | 张家港长三角生物安全研究中心 | 一种金属生物涂层的质量检测方法及系统 |
CN115060725A (zh) * | 2022-05-19 | 2022-09-16 | 昆山缔微致精密电子有限公司 | 一种双圆盘外观检测方法及装置 |
CN115100600A (zh) * | 2022-06-30 | 2022-09-23 | 苏州市新方纬电子有限公司 | 一种电池包的产线智能检测方法及系统 |
CN115201211A (zh) * | 2022-09-15 | 2022-10-18 | 江苏牛掌柜科技有限公司 | 一种智能可视化纺织产品的质量控制方法及系统 |
CN115272329A (zh) * | 2022-09-28 | 2022-11-01 | 中科卓芯半导体科技(苏州)有限公司 | 一种基于图像检测的掩膜版生产优化方法及系统 |
CN115309217A (zh) * | 2022-10-12 | 2022-11-08 | 北京聚新工程技术有限公司 | 一种纺织车间的智能监测控制方法及系统 |
-
2023
- 2023-01-29 CN CN202310043225.4A patent/CN116428972B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6067369A (en) * | 1996-12-16 | 2000-05-23 | Nec Corporation | Image feature extractor and an image feature analyzer |
CN115060725A (zh) * | 2022-05-19 | 2022-09-16 | 昆山缔微致精密电子有限公司 | 一种双圆盘外观检测方法及装置 |
CN114792321A (zh) * | 2022-06-23 | 2022-07-26 | 张家港长三角生物安全研究中心 | 一种金属生物涂层的质量检测方法及系统 |
CN115100600A (zh) * | 2022-06-30 | 2022-09-23 | 苏州市新方纬电子有限公司 | 一种电池包的产线智能检测方法及系统 |
CN115201211A (zh) * | 2022-09-15 | 2022-10-18 | 江苏牛掌柜科技有限公司 | 一种智能可视化纺织产品的质量控制方法及系统 |
CN115272329A (zh) * | 2022-09-28 | 2022-11-01 | 中科卓芯半导体科技(苏州)有限公司 | 一种基于图像检测的掩膜版生产优化方法及系统 |
CN115309217A (zh) * | 2022-10-12 | 2022-11-08 | 北京聚新工程技术有限公司 | 一种纺织车间的智能监测控制方法及系统 |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117911412A (zh) * | 2024-03-19 | 2024-04-19 | 张家港拓普五金制品有限公司 | 用于工程机械用链轨节的尺寸检测方法及系统 |
CN117911412B (zh) * | 2024-03-19 | 2024-07-02 | 张家港拓普五金制品有限公司 | 用于工程机械用链轨节的尺寸检测方法及系统 |
CN118297952A (zh) * | 2024-06-06 | 2024-07-05 | 江苏广大鑫盛精密智造有限公司 | 用于风电涡轮机轴承的生产质量检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116428972B (zh) | 2024-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116428972B (zh) | 一种箱包配件质量在线检测方法及系统 | |
CN111985499B (zh) | 一种基于计算机视觉的高精度桥梁表观病害识别方法 | |
CN103984940B (zh) | 一种基于高光谱数据识别赤铁矿化的方法 | |
CN107063099A (zh) | 一种基于视觉系统的机械制造业在线质量监测方法 | |
CN107704802B (zh) | 高光谱图像杂波的度量及异常检测算法的性能预测方法 | |
CN115082472B (zh) | 一种轮毂模具浇注成型产品的质量检测方法及系统 | |
CN110146019A (zh) | 一种基于工业相机的工件尺寸在线检测与自动补偿方法 | |
CN109990711B (zh) | 一种冲孔镀镍钢带的外观质量检测方法 | |
CN115240146B (zh) | 基于计算机视觉的机床装配智能验收方法 | |
CN113109240B (zh) | 一种计算机实施的粮食不完善粒测定方法和系统 | |
CN108931774A (zh) | 基于闪电资料的对流性降水识别产品检验方法及系统 | |
CN116952155A (zh) | 一种电子五金件加工用视觉检测方法 | |
CN117911412B (zh) | 用于工程机械用链轨节的尺寸检测方法及系统 | |
CN117237449B (zh) | 一种自动化测试设备的控制方法及系统 | |
CN117152461A (zh) | 一种基于数字图像的卷烟包装材料色差检测方法 | |
CN117589109A (zh) | 石英中心托盘制作工艺的质量检测与控制方法 | |
CN117173177A (zh) | 一种基于图像的金属外壳光学尺寸检测方法及系统 | |
CN111539951B (zh) | 一种陶瓷砂轮头轮廓尺寸视觉检测方法 | |
CN114998329B (zh) | 一种电子通讯设备射频屏蔽罩的精密冲压质量分析系统 | |
CN116432052B (zh) | 一种新能源汽车模具用夹具质量检测方法 | |
CN116843615B (zh) | 一种基于柔性光路的引线框架智能全检方法 | |
CN117094095A (zh) | 一种晶圆翘曲度优化方法及系统 | |
CN117036971A (zh) | 自适应局部空谱一致下的机载LiDAR数据建筑物提取方法 | |
CN110021027B (zh) | 一种基于双目视觉的切边点计算方法 | |
CN112581188A (zh) | 工程项目投标报价预测模型构建方法、预测方法及模型 |
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 |