CN116758527B - 一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统 - Google Patents
一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统 Download PDFInfo
- Publication number
- CN116758527B CN116758527B CN202311026902.8A CN202311026902A CN116758527B CN 116758527 B CN116758527 B CN 116758527B CN 202311026902 A CN202311026902 A CN 202311026902A CN 116758527 B CN116758527 B CN 116758527B
- Authority
- CN
- China
- Prior art keywords
- value
- image
- insulating film
- expansion coefficient
- low expansion
- 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
- 229920001721 polyimide Polymers 0.000 title claims abstract description 64
- 239000004642 Polyimide Substances 0.000 title claims abstract description 63
- 238000004519 manufacturing process Methods 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 10
- 239000011248 coating agent Substances 0.000 claims abstract description 9
- 238000000576 coating method Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 36
- 238000003384 imaging method Methods 0.000 claims description 17
- 238000000034 method Methods 0.000 claims description 17
- 238000007405 data analysis Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 4
- 238000002360 preparation method Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 239000004065 semiconductor Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 25
- 238000010276 construction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002861 polymer material Substances 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/4183—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by data acquisition, e.g. workpiece identification
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS], computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/147—Details of sensors, e.g. sensor lenses
-
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
Abstract
本发明公开了一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统,具体涉及一种质量识别领域,包括图像数据采集模块、图像处理模块、构造损失函数模块、二次数据采集模块、参数数据处理模块、数据分析模块、综合质量判断模块、控制模块。本发明通过对采集到的图像进行区域划分并对比涂层表面平整度划分出差异区域,利用多个训练样本训练图像识别网络,根据采集到的参数数据计算相对特征值,将得到的损失函数和相对特征值进行分析计算出综合质量值,并根据设定的综合质量阈值进行综合质量判断,最后通过控制模块反馈给设备操作人员实时控制生产过程。
Description
技术领域
本发明涉及质量识别技术领域,更具体地说,本发明涉及一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统。
背景技术
低膨胀系数聚酰亚胺绝缘膜是一种具有特殊性能的高分子材料,广泛应用于电路板、摄像头、镜头、机械结构等领域。在低膨胀系数聚酰亚胺绝缘膜的制备过程中,许多参数会影响其质量,如生产温度、生产压力、生产时间等。
在电子元器件中,低膨胀系数聚酰亚胺绝缘膜被广泛应用于高速通讯和高频电气组件中,因其优异的电气性能和高度的可靠性。然而,制备过程中存在许多参数需要控制,例如生产温度、压力和时间等,这些参数会影响到聚酰亚胺膜的性能和质量。因此,如何实现对低膨胀系数聚酰亚胺绝缘膜制备过程中的质量进行识别和控制是一个重要问题。
但是其在实际使用时,仍旧存在一些缺点,如传统的低膨胀系数聚酰亚胺绝缘膜的质量检测主要依赖于人工经验,无法满足高效、精准、实时的质量管理需求。随着深度学习技术的发展,基于图像识别的质量管理方法受到越来越广泛的关注。这种方法通过对聚酰亚胺绝缘膜表面进行扫描,得到其图像,通过图像处理和机器学习算法,对其表面质量进行识别和评估。因此,一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统应运而生。
发明内容
为了克服现有技术的上述缺陷,本发明的实施例提供一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统,包括以下模块:
图像数据采集模块:用于将待测低膨胀系数聚酰亚胺绝缘膜进行扫描,得到低膨胀系数聚酰亚胺绝缘膜图像,将采集到的图像按照等面积进行区域划分,编号为1,2,3……n,通过n个区域内涂层表面平整度与标准涂层面平整度进行对比,得出差异区域,并标记差异区域为1,2,3……m,最后将采集到的图像传输至图像处理模块;
图像处理模块:用于将图像数据采集模块中传输的图像进行图像增强和优化处理;
构造损失函数模块:用于利用多个太赫兹成像图像作为训练样本训练图像识别网络,人为构造作为训练样本的各太赫兹成像图像对应的标签图像,构建损失函数;
二次数据采集模块:用于采集低膨胀系数聚酰亚胺绝缘膜制备时的参数,包括生产温度值、生产压力值和生产时间;
参数数据处理模块:用于将采集到的参数数据进行处理,计算得出相对特征值;
数据分析模块:用于将计算得出的损失函数和相对特征值进行分析,计算得出综合质量值,并将综合质量值传输至综合质量对比模块;
综合质量判断模块:用于将数据分析模块中计算出的综合质量值与预设的综合质量阈值进行对比,根据不同输出指令判断低膨胀系数聚酰亚胺绝缘膜是否符合质量要求;
控制模块:用于根据综合质量对比模块中输出的不同指令反馈给设备操作人员,以对低膨胀系数聚酰亚胺绝缘膜的生产过程进行实时控制。
优选的,所述图像采集模块中扫描所使用的仪器为太赫兹扫描仪器,扫描后可根据太赫兹波在发生透射时的表达函数进行太赫兹成像,其中太赫兹成像时的表达函数为:
,其中/>,/>可以使用探测器测量获得;根据以上公式,可以使用T的表达式使太赫兹表达函数实现成像。
优选的,所述图像处理模块中将成像后的图像进行图像增强处理,锐化滤波是一种图像增强方法,它通过加强图像边缘部分,使得图像更加清晰、锐利。锐化滤波的核心是对图像进行卷积处理,使用锐化滤波器增加高频成分,以突出边缘。
优选的,构造损失函数的算法具体为:
,f(H)表示损失函数,/>和/>分别为大于0的超参数,/>为目标图像中第i个子块的灰度值均值,/>为目标图像中第i个子块在差异图像中对应的子块的灰度值均值,/>为目标图像和其对应的差异图像中相对应的第i个子块的协方差,/>为目标图像中第i个子块的灰度值方差的平方,/>为目标图像中第i个子块在差异图像中对应的子块的灰度值方差的平方。
优选的,所述二次数据采集模块中采集生产温度值时使用的是在低膨胀系数聚酰亚胺绝缘膜生产端安装线性传感器,当生产出的低膨胀系数聚酰亚胺绝缘膜通过线性传感器时,通过测量半导体的电阻值来获取温度值;
所述二次数据采集模块中采集生产压力值时使用的是在低膨胀系数聚酰亚胺绝缘膜生产端安装压力传感器,通过将低膨胀系数聚酰亚胺绝缘膜附着于压力传感器的结构上,通过测量低膨胀系数聚酰亚胺绝缘膜的形变量来计算压力大小。
所述二次数据采集模块中采集生产时间只需根据设备中设置的时间确定生产时间即可。
优选的,所述参数数据处理模块中相对特征值的计算方法具体为:
,其中L为相对特征值,t表示为生产时间,T表示为生产温度值,P表示为生产压力值,/>为权重因子,/>为其他影响因子。
优选的,所述数据分析模块中,将损失函数值和相对特征值进行分析计算,计算得出综合质量值,其中综合质量值的计算方法为:
,其中Q为综合质量值,L为相对特征值,f(H)为损失函数值,θ为其他影响因子。
优选的,所述综合质量判断模块中,接收来自数据分析模块中计算出的综合质量值,将计算出的综合质量值与预设的综合质量阈值进行对比,若综合质量值大于预设的综合质量阈值,则生成质量合格指令,无需进行其他操作;若计算出的综合质量值小于预设的综合质量阈值,则生成质量不合格指令,需要进行修正。
优选的,所述控制模块中,根据综合质量判断模块中生成的指令输送到控制模块,若输入质量合格指令,设备操作人员无需进行其他操作;若输入质量不合格指令,则需要设备操作人员及时进行调整并修正。
本发明的技术效果和优点:
可以同时结合图像和工艺参数快速判断绝缘膜质量是否达标。
附图说明
图1为本发明的整体结构示意图。
图2为本发明的方法流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例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,本领域用于生产端的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。
请参阅图一所示,本发明提供一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统,其中包括图像数据采集模块、图像处理模块、构造损失函数模块、二次数据采集模块、参数数据处理模块、数据分析模块、综合质量判断模块、控制模块。
所述图像数据采集模块与图像处理模块相连接,图像处理模块与构造损失函数模块相连接,所述构造损失函数模块与二次数据采集模块相连接,二次数据采集模块与参数数据处理模块相连接,参数数据处理模块与数据分析模块相连接,数据分析模块与综合质量判断模块相连接,综合质量判断模块与控制模块相连接。
所述图像数据采集模块用于将待测低膨胀系数聚酰亚胺绝缘膜进行扫描,得到低膨胀系数聚酰亚胺绝缘膜图像,将采集到的图像按照等面积进行区域划分,编号为1,2,3……n,通过n个区域内涂层表面平整度与标准涂层面平整度进行对比,得出差异区域,并标记差异区域为1,2,3……m,最后将采集到的图像传输至图像处理模块。所述图像采集模块中扫描所使用的仪器为太赫兹扫描仪器,扫描后可根据太赫兹波在发生透射时的表达函数进行太赫兹成像,其中太赫兹成像时的表达函数为:
,其中/>,/>可以使用探测器测量获得;根据以上公式,可以使用T的表达式使太赫兹表达函数实现成像。
所述图像处理模块用于将图像数据采集模块中传输的图像进行图像增强和优化处理;所述图像处理模块中将成像后的图像进行图像增强处理,锐化滤波是一种图像增强方法,它通过加强图像边缘部分,使得图像更加清晰、锐利。锐化滤波的核心是对图像进行卷积处理,使用锐化滤波器增加高频成分,以突出边缘。
所述构造损失函数模块用于利用多个太赫兹成像图像作为训练样本训练图像识别网络,人为构造作为训练样本的各太赫兹成像图像对应的标签图像,构建损失函数。构造损失函数的算法具体为:
,f(H)表示损失函数,/>和/>分别为大于0的超参数,/>为目标图像中第i个子块的灰度值均值,/>为目标图像中第i个子块在差异图像中对应的子块的灰度值均值,/>为目标图像和其对应的差异图像中相对应的第i个子块的协方差,/>为目标图像中第i个子块的灰度值方差的平方,/>为目标图像中第i个子块在差异图像中对应的子块的灰度值方差的平方。
所述二次数据采集模块用于采集低膨胀系数聚酰亚胺绝缘膜制备时的参数,包括生产温度值、生产压力值和生产时间;所述二次数据采集模块中采集生产温度值时使用的是在低膨胀系数聚酰亚胺绝缘膜生产端安装线性传感器,当生产出的低膨胀系数聚酰亚胺绝缘膜通过线性传感器时,通过测量半导体的电阻值来获取温度值;二次数据采集模块中采集生产压力值时使用的是在低膨胀系数聚酰亚胺绝缘膜生产端安装压力传感器,通过将低膨胀系数聚酰亚胺绝缘膜附着于压力传感器的结构上,通过测量低膨胀系数聚酰亚胺绝缘膜的形变量来计算压力大小。二次数据采集模块中采集生产时间只需根据设备中设置的时间确定生产时间即可。
所述参数数据处理模块用于将采集到的参数数据进行处理,计算得出相对特征值;所述参数数据处理模块中相对特征值的计算方法具体为:
,其中L为相对特征值,t表示为生产时间,T表示为生产温度值,P表示为生产压力值,/>为权重因子,/>为其他影响因子。
所述数据分析模块用于将计算得出的损失函数和相对特征值进行分析,计算得出综合质量值,并将综合质量值传输至综合质量对比模块,所述数据分析模块中,将损失函数值和相对特征值进行分析计算,计算得出综合质量值,其中综合质量值的计算方法为:
,其中Q为综合质量值,L为相对特征值,f(H)为损失函数值,θ为其他影响因子。
所述综合质量判断模块用于将数据分析模块中计算出的综合质量值与预设的综合质量阈值进行对比,根据不同输出指令判断低膨胀系数聚酰亚胺绝缘膜是否符合质量要求。所述综合质量判断模块中,接收来自数据分析模块中计算出的综合质量值,将计算出的综合质量值与预设的综合质量阈值进行对比,若综合质量值大于预设的综合质量阈值,则生成质量合格指令,无需进行其他操作;若计算出的综合质量值小于预设的综合质量阈值,则生成质量不合格指令,需要进行修正。
所述控制模块用于根据综合质量对比模块中输出的不同指令反馈给设备操作人员,以对低膨胀系数聚酰亚胺绝缘膜的生产过程进行实时控制。所述控制模块中,根据综合质量判断模块中生成的指令输送到控制模块,若输入质量合格指令,设备操作人员无需进行其他操作;若输入质量不合格指令,则需要设备操作人员及时进行调整并修正。
请参阅图二所示,在本实施例中,需要具体说明的是,本发明提供一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统包括以下步骤:
S1:将待测低膨胀系数聚酰亚胺绝缘膜进行扫描,得到低膨胀系数聚酰亚胺绝缘膜图像,将采集到的图像按照等面积进行区域划分,编号为1,2,3……n,通过n个区域内涂层表面平整度与标准涂层面平整度进行对比,得出差异区域,并标记差异区域为1,2,3……m;
S2:将图像数据采集模块中传输的图像进行图像增强和优化处理;
S3:利用多个太赫兹成像图像作为训练样本训练图像识别网络,人为构造作为训练样本的各太赫兹成像图像对应的标签图像,构建损失函数;
S4:采集低膨胀系数聚酰亚胺绝缘膜制备时的参数,包括生产温度值、生产压力值和生产时间;
S5:将采集到的参数数据进行处理,计算得出相对特征值;
S6:将计算得出的损失函数和相对特征值进行分析,计算得出综合质量值;
S7:将计算出的综合质量值与预设的综合质量阈值进行对比,根据不同输出指令判断低膨胀系数聚酰亚胺绝缘膜是否符合质量要求;
S8:根据综合质量对比模块中输出的不同指令反馈给设备操作人员,以对低膨胀系数聚酰亚胺绝缘膜的生产过程进行实时控制。
进一步的,所述综合质量阈值的获取方式为:低膨胀系数聚酰亚胺绝缘膜制备时的参数在预设的范围内波动,即存在一个预设范围,当聚酰亚胺绝缘膜在预设范围内,聚酰亚胺绝缘膜的质量满足标准要求,将符合预设范围内的聚酰亚胺绝缘膜输入低膨胀系数聚酰亚胺绝缘膜的质量识别系统中的S1-S6,得到综合质量值,取数值最大的综合质量值作为综合质量阈值。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统,其特征在于:
图像数据采集模块:用于将待测低膨胀系数聚酰亚胺绝缘膜进行扫描,得到低膨胀系数聚酰亚胺绝缘膜图像,将采集到的图像按照等面积进行区域划分,编号为1,2,3……n,通过n个区域内涂层表面平整度与标准涂层面平整度进行对比,得出差异区域,并标记差异区域为1,2,3……m,最后将采集到的图像传输至图像处理模块;
所述图像数据采集模块中扫描所使用的仪器为太赫兹扫描仪器,扫描后可根据太赫兹波在发生透射时的表达函数进行太赫兹成像,其中太赫兹成像时的表达函数为:
,其中/>,/>使用探测器测量获得;根据以上表达函数,可以使用T的表达式使太赫兹表达函数实现成像;
图像处理模块:用于将图像数据采集模块中传输的图像进行图像增强和优化处理;
构造损失函数模块:用于利用多个太赫兹成像图像作为训练样本训练图像识别网络,人为构造作为训练样本的各太赫兹成像图像对应的标签图像,构建损失函数;
二次数据采集模块:用于采集低膨胀系数聚酰亚胺绝缘膜制备时的参数,包括生产温度值、生产压力值和生产时间;
参数数据处理模块:用于将采集到的参数数据进行处理,计算得出相对特征值;
数据分析模块:用于将计算得出的损失函数和相对特征值进行分析,计算得出综合质量值,并将综合质量值传输至综合质量对比模块;
所述数据分析模块中,将损失函数值和相对特征值进行分析计算,计算得出综合质量值,其中综合质量值的计算方法为:
,其中Q为综合质量值,L为相对特征值,f(H)为损失函数值,θ为其他影响因子;
综合质量判断模块:用于将数据分析模块中计算出的综合质量值与预设的综合质量阈值进行对比,根据不同输出指令判断低膨胀系数聚酰亚胺绝缘膜是否符合质量要求;
控制模块:用于根据综合质量对比模块中输出的不同指令反馈给设备操作人员,以对低膨胀系数聚酰亚胺绝缘膜的生产过程进行实时控制。
2.根据权利要求1所述的一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统,其特征在于:所述图像处理模块中将成像后的图像进行图像增强处理,锐化滤波是一种图像增强方法,它通过加强图像边缘部分,使得图像更加清晰、锐利,锐化滤波的核心是对图像进行卷积处理,使用锐化滤波器增加高频成分,以突出边缘。
3.根据权利要求1所述的一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统,其特征在于:所述构造损失函数的算法具体为:
,f(H)表示损失函数,/>和/>分别为大于0的超参数,/>为目标图像中第i个子块的灰度值均值,/>为目标图像中第i个子块在差异图像中对应的子块的灰度值均值,/>为目标图像和其对应的差异图像中相对应的第i个子块的协方差,/>为目标图像中第i个子块的灰度值方差的平方,/>为目标图像中第i个子块在差异图像中对应的子块的灰度值方差的平方。
4.根据权利要求1所述的一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统,其特征在于:所述二次数据采集模块中采集生产温度值时使用的是在低膨胀系数聚酰亚胺绝缘膜生产端安装线性传感器,当生产出的低膨胀系数聚酰亚胺绝缘膜通过线性传感器时,通过测量半导体的电阻值来获取温度值;
所述二次数据采集模块中采集生产压力值时使用的是在低膨胀系数聚酰亚胺绝缘膜生产端安装压力传感器,通过将低膨胀系数聚酰亚胺绝缘膜附着于压力传感器的结构上,通过测量低膨胀系数聚酰亚胺绝缘膜的形变量来计算压力大小;
所述二次数据采集模块中采集生产时间只需根据设备中设置的时间确定生产时间即可。
5.根据权利要求1所述的一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统,其特征在于:所述参数数据处理模块中相对特征值的计算方法具体为:
,其中L为相对特征值,t表示为生产时间,T表示为生产温度值,P表示为生产压力值,/>为权重因子,/>为其他影响因子。
6.根据权利要求1所述的一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统,其特征在于:所述综合质量判断模块中,接收来自数据分析模块中计算出的综合质量值,将计算出的综合质量值与预设的综合质量阈值进行对比,若综合质量值大于预设的综合质量阈值,则生成质量合格指令,无需进行其他操作;若计算出的综合质量值小于预设的综合质量阈值,则生成质量不合格指令,需要进行修正。
7.根据权利要求1所述的一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统,其特征在于:所述控制模块中,根据综合质量判断模块中生成的指令输送到控制模块,若输入质量合格指令,设备操作人员无需进行其他操作;若输入质量不合格指令,则需要设备操作人员及时进行调整并修正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311026902.8A CN116758527B (zh) | 2023-08-16 | 2023-08-16 | 一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311026902.8A CN116758527B (zh) | 2023-08-16 | 2023-08-16 | 一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116758527A CN116758527A (zh) | 2023-09-15 |
CN116758527B true CN116758527B (zh) | 2023-11-10 |
Family
ID=87959429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311026902.8A Active CN116758527B (zh) | 2023-08-16 | 2023-08-16 | 一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116758527B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019154716A (ja) * | 2018-03-12 | 2019-09-19 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN111553877A (zh) * | 2020-03-20 | 2020-08-18 | 西安交通大学 | 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法 |
CN112801091A (zh) * | 2021-01-26 | 2021-05-14 | 汕头大学 | 一种基于深度学习的增材制造制件成形质量监控与预测方法 |
CN113989279A (zh) * | 2021-12-24 | 2022-01-28 | 武汉华康龙兴工贸有限公司 | 基于人工智能及图像处理的塑料薄膜质量检测方法 |
CN114386554A (zh) * | 2021-12-15 | 2022-04-22 | 中国科学院深圳先进技术研究院 | 一种无芯片太赫兹标签及其制备方法 |
CN114882216A (zh) * | 2022-04-18 | 2022-08-09 | 华南理工大学 | 一种基于深度学习的服装钉扣质量检测方法、系统及介质 |
CN114972261A (zh) * | 2022-05-27 | 2022-08-30 | 东北大学 | 一种板带钢表面质量缺陷的识别方法 |
CN115131347A (zh) * | 2022-08-29 | 2022-09-30 | 江苏茂融智能科技有限公司 | 一种用于锌合金零件加工的智能控制方法 |
KR102532531B1 (ko) * | 2023-02-21 | 2023-05-15 | 주식회사 태종레이져 | 복수의 뉴럴 네트워크를 이용하여 절단 공정을 위한 스마트 팩토리를 운용하는 방법 및 장치 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230049938A (ko) * | 2021-10-07 | 2023-04-14 | 주식회사 피맥스 | 폐기종의 정량적 분석 방법 및 이를 위한 장치 |
-
2023
- 2023-08-16 CN CN202311026902.8A patent/CN116758527B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019154716A (ja) * | 2018-03-12 | 2019-09-19 | キヤノン株式会社 | 画像処理装置、画像処理方法及びプログラム |
CN111553877A (zh) * | 2020-03-20 | 2020-08-18 | 西安交通大学 | 基于太赫兹陶瓷基复合材料叶片损伤识别和寿命评估方法 |
CN112801091A (zh) * | 2021-01-26 | 2021-05-14 | 汕头大学 | 一种基于深度学习的增材制造制件成形质量监控与预测方法 |
CN114386554A (zh) * | 2021-12-15 | 2022-04-22 | 中国科学院深圳先进技术研究院 | 一种无芯片太赫兹标签及其制备方法 |
CN113989279A (zh) * | 2021-12-24 | 2022-01-28 | 武汉华康龙兴工贸有限公司 | 基于人工智能及图像处理的塑料薄膜质量检测方法 |
CN114882216A (zh) * | 2022-04-18 | 2022-08-09 | 华南理工大学 | 一种基于深度学习的服装钉扣质量检测方法、系统及介质 |
CN114972261A (zh) * | 2022-05-27 | 2022-08-30 | 东北大学 | 一种板带钢表面质量缺陷的识别方法 |
CN115131347A (zh) * | 2022-08-29 | 2022-09-30 | 江苏茂融智能科技有限公司 | 一种用于锌合金零件加工的智能控制方法 |
KR102532531B1 (ko) * | 2023-02-21 | 2023-05-15 | 주식회사 태종레이져 | 복수의 뉴럴 네트워크를 이용하여 절단 공정을 위한 스마트 팩토리를 운용하는 방법 및 장치 |
Non-Patent Citations (5)
Title |
---|
A new loss function for multi-response optimization with model parameter uncertainty and implementation errors;Ouyang Linhan等;European Journal of Operational Research;全文 * |
Image Style Transfer Method Based on Improved Style Loss Function;Hanmin Ye等;2020 IEEE 9th Joint International Information Technology and Artificial Intelligence Conference (ITAIC);全文 * |
Quality Loss Functions for the Measurement of Service Quality;M.-H.C. Li;The International Journal of Advanced Manufacturing Technology;全文 * |
基于太赫兹时域光谱技术的交联聚乙烯电缆绝缘层气隙检测分析;谢声益;杨帆;黄鑫;余晓;高兵;;电工技术学报(第12期);全文 * |
基于改进Faster-RCNN的高密度柔性电路基板缺陷检测研究;林宗沛;中国优秀硕士论文全文数据库;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116758527A (zh) | 2023-09-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106989812B (zh) | 基于摄影测量技术的大型风机叶片模态测试方法 | |
CN112818988A (zh) | 一种指针式仪表自动识别读数方法及系统 | |
CN106996748A (zh) | 一种基于双目视觉的轮径测量方法 | |
CN102800096A (zh) | 一种摄像机参数的鲁棒性估计算法 | |
CN116091790B (zh) | 电控硅油离合器从动盘质量在线检测系统 | |
CN111415349A (zh) | 一种基于图像处理技术的涤纶长丝毛丝检测方法 | |
CN116758527B (zh) | 一种低膨胀系数聚酰亚胺绝缘膜的质量识别系统 | |
CN106022354B (zh) | 基于svm的图像mtf测量方法 | |
CN107300562B (zh) | 一种测量继电器成品触点间距的x射线无损检测方法 | |
CN115187552A (zh) | 一种基于边缘检测的车身门缝检测方法 | |
CN117291913B (zh) | 一种水工混凝土结构表观裂缝测量方法 | |
CN117079286A (zh) | 一种指针仪表的识别方法和识别系统 | |
CN116958092A (zh) | 一种基于改进立体匹配算法的输电线路弧垂快速测量方法 | |
CN111144392A (zh) | 一种基于神经网络的极低功耗光学目标检测方法及装置 | |
CN109035176A (zh) | 一种显微图像清晰度评价方法 | |
CN109613462A (zh) | 一种ct成像的标定方法 | |
CN112734840A (zh) | 一种输电线安全距离测量方法 | |
CN110108209A (zh) | 小型多孔零件的测量方法及系统 | |
Lei et al. | A comparison of methods to measure the modulation transfer function of aerial survey lens systems from the image structures | |
CN117848221A (zh) | 一种钢件长度测量系统 | |
CN117433994A (zh) | 基于双工位的led载带高精度在线视觉检测系统及方法 | |
CN117097984B (zh) | 一种基于标定和复合搜索的相机自动对焦方法及系统 | |
CN114295058B (zh) | 一种建筑结构的整面动位移的测量方法 | |
CN110070519B (zh) | 基于相位一致性的拼接图像质量测定方法、图像拼接系统 | |
CN115761608A (zh) | 一种基于深度学习的工业表计抄表的方法 |
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 |