CN117388314B - 一种光学玻璃模压温度的智能检测方法及系统 - Google Patents
一种光学玻璃模压温度的智能检测方法及系统 Download PDFInfo
- Publication number
- CN117388314B CN117388314B CN202311710119.3A CN202311710119A CN117388314B CN 117388314 B CN117388314 B CN 117388314B CN 202311710119 A CN202311710119 A CN 202311710119A CN 117388314 B CN117388314 B CN 117388314B
- Authority
- CN
- China
- Prior art keywords
- temperature
- quality
- coating layer
- coating
- index
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 239000005304 optical glass Substances 0.000 title claims abstract description 35
- 238000000465 moulding Methods 0.000 title claims abstract description 29
- 239000011247 coating layer Substances 0.000 claims abstract description 119
- 230000007547 defect Effects 0.000 claims abstract description 108
- 238000000576 coating method Methods 0.000 claims abstract description 102
- 239000011248 coating agent Substances 0.000 claims abstract description 99
- 238000000034 method Methods 0.000 claims abstract description 60
- 238000009826 distribution Methods 0.000 claims abstract description 58
- 238000000748 compression moulding Methods 0.000 claims abstract description 57
- 239000000463 material Substances 0.000 claims abstract description 31
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000002360 preparation method Methods 0.000 claims abstract description 12
- 238000004458 analytical method Methods 0.000 claims description 32
- 230000003746 surface roughness Effects 0.000 claims description 29
- 238000004321 preservation Methods 0.000 claims description 22
- 239000010410 layer Substances 0.000 claims description 18
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000007731 hot pressing Methods 0.000 claims description 16
- 238000010438 heat treatment Methods 0.000 claims description 15
- 239000011521 glass Substances 0.000 claims description 13
- 230000000630 rising effect Effects 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 238000002834 transmittance Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 7
- 238000007711 solidification Methods 0.000 claims description 6
- 230000008023 solidification Effects 0.000 claims description 6
- 238000011897 real-time detection Methods 0.000 claims description 4
- 239000010408 film Substances 0.000 description 28
- 230000003287 optical effect Effects 0.000 description 16
- 239000000047 product Substances 0.000 description 13
- 238000005457 optimization Methods 0.000 description 11
- 238000004519 manufacturing process Methods 0.000 description 7
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 3
- 239000013078 crystal Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000003825 pressing Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 238000002076 thermal analysis method Methods 0.000 description 3
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 description 2
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 2
- XLOMVQKBTHCTTD-UHFFFAOYSA-N Zinc monoxide Chemical compound [Zn]=O XLOMVQKBTHCTTD-UHFFFAOYSA-N 0.000 description 2
- 229910052782 aluminium Inorganic materials 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- VYZAMTAEIAYCRO-UHFFFAOYSA-N Chromium Chemical compound [Cr] VYZAMTAEIAYCRO-UHFFFAOYSA-N 0.000 description 1
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 229910000831 Steel Inorganic materials 0.000 description 1
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- PNEYBMLMFCGWSK-UHFFFAOYSA-N aluminium oxide Inorganic materials [O-2].[O-2].[O-2].[Al+3].[Al+3] PNEYBMLMFCGWSK-UHFFFAOYSA-N 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003575 carbonaceous material Substances 0.000 description 1
- 238000005229 chemical vapour deposition Methods 0.000 description 1
- 229910052804 chromium Inorganic materials 0.000 description 1
- 239000011651 chromium Substances 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000002425 crystallisation Methods 0.000 description 1
- 230000008025 crystallization Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910003460 diamond Inorganic materials 0.000 description 1
- 239000010432 diamond Substances 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 239000007888 film coating Substances 0.000 description 1
- 238000009501 film coating Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000005816 glass manufacturing process Methods 0.000 description 1
- 230000009477 glass transition Effects 0.000 description 1
- 229910002804 graphite Inorganic materials 0.000 description 1
- 239000010439 graphite Substances 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000000314 lubricant Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 229910052759 nickel Inorganic materials 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000005240 physical vapour deposition Methods 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 239000000377 silicon dioxide Substances 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000005979 thermal decomposition reaction Methods 0.000 description 1
- 230000000930 thermomechanical effect Effects 0.000 description 1
- 229920001187 thermosetting polymer Polymers 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 239000011787 zinc oxide Substances 0.000 description 1
Classifications
-
- C—CHEMISTRY; METALLURGY
- C03—GLASS; MINERAL OR SLAG WOOL
- C03B—MANUFACTURE, SHAPING, OR SUPPLEMENTARY PROCESSES
- C03B11/00—Pressing molten glass or performed glass reheated to equivalent low viscosity without blowing
- C03B11/06—Construction of plunger or mould
- C03B11/08—Construction of plunger or mould for making solid articles, e.g. lenses
- C03B11/084—Construction of plunger or mould for making solid articles, e.g. lenses material composition or material properties of press dies therefor
- C03B11/086—Construction of plunger or mould for making solid articles, e.g. lenses material composition or material properties of press dies therefor of coated dies
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K13/00—Thermometers specially adapted for specific purposes
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01K—MEASURING TEMPERATURE; MEASURING QUANTITY OF HEAT; THERMALLY-SENSITIVE ELEMENTS NOT OTHERWISE PROVIDED FOR
- G01K3/00—Thermometers giving results other than momentary value of temperature
- G01K3/08—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values
- G01K3/14—Thermometers giving results other than momentary value of temperature giving differences of values; giving differentiated values in respect of space
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/20—Investigating or analyzing materials by the use of thermal means by investigating the development of heat, i.e. calorimetry, e.g. by measuring specific heat, by measuring thermal conductivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N25/00—Investigating or analyzing materials by the use of thermal means
- G01N25/72—Investigating presence of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/38—Concrete; ceramics; glass; bricks
- G01N33/386—Glass
Abstract
本发明提供了一种光学玻璃模压温度的智能检测方法及系统，涉及智能检测技术领域，包括：获取加工光学玻璃的模压成型模具，以及所述模压成型模具表面的镀膜层，进行实时检测获取镀膜层质量检测指标，进行作业时，根据模压温度控制模块检测多个温控阶段对应的所述模压成型模具表面的温度分布数据集，根据所述镀膜层的制备材料，获取温度属性信息，以所述镀膜层质量检测指标为初始化质量指标，进行识别，获取多个镀膜缺陷概率，当任一镀膜缺陷概率大于预设镀膜缺陷概率，获取第一提醒信息进行镀膜层更换提醒。本发明解决了传统方法无法实时准确检测镀膜层质量，导致光学玻璃模压过程中镀膜层质量的可控性和产品质量的稳定性较差的技术问题。
Description
技术领域
本发明涉及智能检测技术领域，具体涉及一种光学玻璃模压温度的智能检测方法及系统。
背景技术
在光学玻璃制造过程中，模压成型是一种常见的工艺，通过压力和温度对玻璃进行塑形，以制造具有特定形状和光学性能的光学元件，在传统的光学玻璃模压过程中存在一些技术问题，第一，光学玻璃通常需要进行镀膜以改善其光学性能，然而，镀膜层可能会出现缺陷，如气泡、划痕或不均匀厚度等，这些缺陷会影响产品的光学性能和质量，因此需要及时检测和修复；第二，模压过程中，玻璃的温度分布对于模具表面的温度至关重要，不正确的温度控制可能导致玻璃的非均匀变形或冷却速度不均，进而影响最终产品的形状和质量。
因此需要一种新的方法，可以准确评估镀膜层的质量状态，并及时发出提醒信息，以便在出现质量问题时采取相应的措施。
发明内容
本申请通过提供了一种光学玻璃模压温度的智能检测方法及系统，旨在解决传统方法无法实时准确检测镀膜层质量，导致光学玻璃模压过程中镀膜层质量的可控性和产品质量的稳定性较差的技术问题。
鉴于上述问题，本申请提供了一种光学玻璃模压温度的智能检测方法及系统。
本申请公开的第一个方面，提供了一种光学玻璃模压温度的智能检测方法，所述方法包括：获取加工光学玻璃的模压成型模具，以及所述模压成型模具表面的镀膜层，其中，所述镀膜层为所述模压成型模具表面上加镀的脱模膜；对所述镀膜层进行实时检测，获取镀膜层质量检测指标；当所述模压成型模具进行作业时，根据模压温度控制模块检测多个温控阶段对应的所述模压成型模具表面的温度分布数据集，其中，所述多个温控阶段包括升温阶段、固化阶段以及保温阶段；根据所述镀膜层的制备材料，获取温度属性信息；以所述镀膜层质量检测指标为初始化质量指标，对所述温度分布数据集和所述温度属性信息进行识别，获取基于所述多个温控阶段对应的多个镀膜缺陷概率；当任一温控阶段对应的镀膜缺陷概率大于预设镀膜缺陷概率，获取第一提醒信息，将所述第一提醒信息发送至上位机的相关人员进行镀膜层更换提醒。
本申请公开的另一个方面，提供了一种光学玻璃模压温度的智能检测系统，所述系统用于上述方法，所述系统包括：镀膜层获取单元，所述镀膜层获取单元用于获取加工光学玻璃的模压成型模具，以及所述模压成型模具表面的镀膜层，其中，所述镀膜层为所述模压成型模具表面上加镀的脱模膜；实时检测单元，所述实时检测单元用于对所述镀膜层进行实时检测，获取镀膜层质量检测指标；温度检测单元，所述温度检测单元用于当所述模压成型模具进行作业时，根据模压温度控制模块检测多个温控阶段对应的所述模压成型模具表面的温度分布数据集，其中，所述多个温控阶段包括升温阶段、固化阶段以及保温阶段；温度属性获取单元，所述温度属性获取单元用于根据所述镀膜层的制备材料，获取温度属性信息；缺陷概率获取单元，所述缺陷概率获取单元用于以所述镀膜层质量检测指标为初始化质量指标，对所述温度分布数据集和所述温度属性信息进行识别，获取基于所述多个温控阶段对应的多个镀膜缺陷概率；提醒信息生成单元，所述提醒信息生成单元用于当任一温控阶段对应的镀膜缺陷概率大于预设镀膜缺陷概率，获取第一提醒信息，将所述第一提醒信息发送至上位机的相关人员进行镀膜层更换提醒。
本申请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：
通过对镀膜层进行实时检测，并获取镀膜层质量检测指标，这使得可以及时检测镀膜层的质量情况，并及时采取措施进行调整和修复，以确保产品质量；根据模压温度控制模块检测到的多个温控阶段对应的模压成型模具表面的温度分布数据集，结合镀膜层的制备材料和温度属性信息，利用镀膜层质量检测指标进行识别，通过分析温度分布数据集和温度属性信息，可以推断出基于多个温控阶段的镀膜缺陷概率，从而评估镀膜层的质量状况；当任一温控阶段对应的镀膜缺陷概率大于预设镀膜缺陷概率时，生成第一提醒信息，并将其发送至上位机的相关人员，以提醒进行镀膜层的更换，这样可以及时采取措施避免低质量产品的生产。综上所述，该智能检测方法通过实时镀膜层质量检测、温度分布数据集分析和提醒功能等手段解决了传统方法中无法实时准确检测镀膜层质量的问题，达到了提高光学玻璃模压过程中镀膜层质量的可控性和产品质量的稳定性的技术效果。
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光学玻璃模压温度的智能检测方法流程示意图。
图2为本申请实施例提供了一种光学玻璃模压温度的智能检测系统结构示意图。
附图标记说明：镀膜层获取单元10，实时检测单元20，温度检测单元30，温度属性获取单元40，缺陷概率获取单元50，提醒信息生成单元60。
具体实施方式
本申请实施例通过提供一种光学玻璃模压温度的智能检测方法，解决了传统方法无法实时准确检测镀膜层质量，导致光学玻璃模压过程中镀膜层质量的可控性和产品质量的稳定性较差的技术问题。
在介绍了本申请基本原理后，下面将结合说明书附图来具体介绍本申请的各种非限制性的实施方式。
实施例一
如图1所示，本申请实施例提供了一种光学玻璃模压温度的智能检测方法，所述方法包括：
获取加工光学玻璃的模压成型模具，以及所述模压成型模具表面的镀膜层，其中，所述镀膜层为所述模压成型模具表面上加镀的脱模膜；
模压成型是一种制造工艺，通过将加热和软化的材料置于模具中，并施加压力使其固化成所需形状，模具是用来容纳和塑造材料的工具。根据所需的光学玻璃产品的形状和尺寸，设计并制造模压成型模具，模具通常由金属材料制成，如钢或铝，以确保其强度和稳定性，根据玻璃产品的几何形状，在模具上创建相应的凹槽或凸起结构，这些结构用于在模压过程中定义光学玻璃的形状。
在进行镀膜之前，对模具表面进行预处理，以确保良好的附着力和均匀性，包括清洁模具表面，去除油污、粉尘和其他杂质。镀膜过程中，在模具表面施加一层脱模膜，以便在模压过程中使得玻璃产品易于释放，可以使用物理气相沉积或化学气相沉积等镀膜技术来实现脱模膜的镀覆，这些技术基于将材料从源处蒸发或分解，并在模具表面形成均匀的镀膜层。
通过上述操作，获取加工光学玻璃所需的模压成型模具，并在模具表面形成一层脱模膜镀膜层。
对所述镀膜层进行实时检测，获取镀膜层质量检测指标；
针对镀膜层进行实时检测，示例性的，使用光学显微镜对镀膜层进行检查，获取镀膜层的表面形貌、均匀性和缺陷情况，缺陷包括气泡、裂纹、颗粒等；运用X射线衍射技术来确定镀膜层的晶体结构和定量分析，通过与标准样品进行比较，可以确定镀膜层中晶体的相对含量和结晶质量；利用光谱反射和透射技术来测量镀膜层的光学性质，如折射率、透过率和反射率等，来评估镀膜层的光学性能和质量。
通过以上这些方法在制造过程中进行实时检测，获取关于镀膜层质量的检测指标。
进一步而言，对所述镀膜层进行实时检测，获取镀膜层质量检测指标，还包括：
通过光透装置对所述镀膜层的表面进行光透检测，获取光透检测图像集；
利用最大类间方差法对所述光透检测图像集进行灰度变换，获取灰度变换图像集；
基于所述灰度变换图像集进行分析，确定镀膜厚度均匀度和表面缺陷强度，根据所述镀膜厚度均匀度和所述表面缺陷强度，获取镀膜层质量检测指标。
所述光透装置是用于检测镀膜层表面的光透性的设备，由光源、样品台、光学系统和图像采集系统组成，这个光源可以是白光或特定波长的单色光，光学系统由透镜、滤波器和反射镜等组件构成，用于控制光线的入射角度、透过率和传播路径，图像采集系统包括摄像头、CCD传感器或其他光学传感器。
将待检测的镀膜样品放置在光透装置的样品台上，确保样品表面干净、平整，并且与光路垂直放置，以确保光线透过整个样品，光透装置通过光源产生一束光线，该光线经过光学系统进行聚焦和调整，然后进入样品的表面，在透过样品的过程中，光线发生散射、透射和吸收等现象，这取决于样品的光学性质和表面特征。在入射光线透过样品后，光透装置的图像采集系统记录下透过样品的光线信息，并将其转化为光透检测图像，通过采集多个角度或波长的图像，获取更全面的光透检测数据。
最大类间方差法是一种常用的图像分割方法，通过将图像分成两个类别，如将厚的地方为黑色，薄的地方为白色，目标是找到一个阈值，使得两个类别之间的方差最大。具体的，将光透检测图像集转换为灰度图像，计算图像的直方图，获取灰度级的频率分布，将图像分为两个类别，即白色和黑色，选择一个合适的阈值将图像分割成这两个类别，遍历所有可能的阈值，并计算每个阈值下的类间方差，类间方差定义为白色和黑色的权重乘以它们之间的平均灰度值的差的平方，选取具有最大类间方差的阈值作为最终的分割阈值，使用最终的分割阈值对图像进行灰度变换，将较厚的地方设置为更低的灰度值，如黑色，将较薄的地方设置为更高的灰度值，如白色，重复以上步骤，对所有光透检测图像进行灰度变换，以获取灰度变换图像集。
使用图像处理算法对灰度变换图像集进行处理，计算镀膜区域内的平均灰度值或颜色值来评估镀膜的厚度均匀度，如果镀膜区域内的灰度值或颜色值相差很大，则可能存在厚度不均匀的情况。
同样利用图像处理算法，检测并提取出灰度变换图像集中的表面缺陷区域，可以使用边缘检测、纹理分析等技术来识别缺陷，然后，根据缺陷的大小、数量和严重程度等因素，评估表面缺陷的强度，较多或较大且严重的缺陷表示镀膜质量较差。
结合镀膜厚度均匀度和表面缺陷强度的分析结果，定义镀膜层质量检测指标。
当所述模压成型模具进行作业时，根据模压温度控制模块检测多个温控阶段对应的所述模压成型模具表面的温度分布数据集，其中，所述多个温控阶段包括升温阶段、固化阶段以及保温阶段；
模压温度控制模块是用于检测和控制模压成型过程中温度变化的装置，可以确保模具内部达到适当的温度，以实现材料的正确形状和固化。在模压成型过程中，温度被分为几个阶段进行控制，包括升温阶段、固化阶段以及保温阶段，通过对这些温控阶段进行控制，可以获得更好的模压成型效果。
在升温阶段，模压成型模具的温度逐渐升高，以达到所需的成型温度，在此阶段，通过模压温度控制模块检测模具表面的温度，并记录相关数据，以便后续分析和控制；当模具表面达到所需的成型温度，进入固化阶段，在此阶段，模具中的热固性材料开始固化，温度控制模块持续检测模具表面的温度，并记录相应的温度分布数据；在固化阶段后，模具需要保持一定时间的温度以确保完全固化，温度控制模块仍然会检测模具表面的温度，并记录保温阶段的温度分布数据。
通过以上操作，温度控制模块获取模压成型模具表面的温度分布数据集，其中包括升温阶段、固化阶段和保温阶段的数据，这些数据用于分析模具温度的均匀性和稳定性，以确保成型过程中的质量控制。
根据所述镀膜层的制备材料，获取温度属性信息；
镀膜层的制备材料通常是根据特定的需求和应用选择的，不同的镀膜材料有不同的物理和化学特性，提供不同的功能和性能，例如，金属，如铝、铜、镍、铬等金属，用于提供导电性、抗腐蚀性和反射性等特性；氧化物，如二氧化硅、氧化铝、氧化锌等，用于提供绝缘性、耐热性和光学特性等；碳基材料，如石墨、钻石等，用于提供高温稳定性、低摩擦系数和抗腐蚀性等。
温度属性信息是指与所述镀膜层制备材料相关联的温度特性，包括但不限于：材料的熔点或热分解温度，即材料在高温条件下发生相变或分解的温度范围；材料的热稳定性或热导率，即材料对高温环境的稳定性以及传导热量的能力；材料的线性膨胀系数，即材料在温度变化时的尺寸变化比例。通过获取这些温度属性信息，可以更好地理解镀膜层在不同温控阶段下的行为和性能。
获取所述镀膜层制备材料的温度属性信息通常需要进行实验和测试，例如通过热分析技术，使用热分析仪器，如差示扫描量热仪（DSC）对镀膜层材料进行热分析，测量材料在不同温度下的热性质，例如熔点、玻璃化转变温度、热稳定性等；通过使用热机械分析（TMA）或光学干涉仪等设备，对材料在不同温度下的尺寸变化进行测量，从而计算出线膨胀系数；以及，通过查阅相关文献，获取已有的关于所述镀膜层制备材料的温度属性信息，通过分析现有数据，获得一些基本的温度属性信息。
以所述镀膜层质量检测指标为初始化质量指标，对所述温度分布数据集和所述温度属性信息进行识别，获取基于所述多个温控阶段对应的多个镀膜缺陷概率；
使用所述镀膜层质量检测指标作为初始化值来评估镀膜的初始质量，这些指标包括镀膜厚度均匀度和表面缺陷强度。利用收集到的温度分布数据集进行分析，通过温度分布图或计算平均温度、温度变化速率等参数，确定不同区域的温度情况。
结合温度属性信息和初始化质量指标，对温度分布数据进行进一步的识别，根据镀膜材料的特性，确定导致缺陷的温度范围和持续时间，例如，高温持续时间超过材料能够承受的极限，可能导致镀膜层分解、氧化或开裂。基于多个温控阶段对应的温度分布数据，根据识别到的镀膜缺陷情况，计算每个阶段中出现缺陷的概率，例如通过将缺陷发生的次数除以总样本数量来实现。
进一步而言，所述方法还包括：
将所述镀膜层质量检测指标作为初始化质量指标；
获取升温阶段的温度分布数据集，根据所述升温阶段的温度分布数据集对所述初始化质量指标进行温升质量影响分析，获取第一质量指标；
以所述初始化质量指标和所述第一质量指标的下降指标输出升温阶段对应的镀膜缺陷概率，以此类推，输出多个温控阶段对应的多个镀膜缺陷概率。
将前述镀膜层质量检测指标作为初始化质量指标，为后续的质量分析和缺陷概率计算提供参考基准。
利用升温阶段的温度分布数据集，对初始化质量指标进行温升质量影响分析，具体地，从温度分布数据中提取与初始化质量指标相关的特征，例如计算统计特征，如平均值、方差，以及频域分析、时域分析等方法，以捕捉温度分布中的关键信息。将提取的特征与初始化质量指标进行关联分析，以确定温度对于镀膜质量的影响程度，例如进行相关性分析，根据相关系数确定二者的关联程度，相关系数越大，说明温度对于镀膜质量的影响程度越高。基于温升质量影响分析的结果，生成第一质量指标，该指标反映了升温阶段温度变化对镀膜质量的影响程度。
在镀膜过程开始时，以初始化质量指标作为起始值，代表镀膜开始时的质量情况，随着时间的推移，在升温阶段，计算第一质量指标的下降指标，下降指标表示第一质量指标相对于其初始值的下降情况。统计下降指标的占比，例如统计下降指标的时长占整个镀膜过程总时长的比例，或者统计下降指标出现的次数，作为升温阶段对应的镀膜缺陷概率，这个概率越高说明质量指标下降的时长越长，或者次数越多，即出现缺陷的概率越大。
进一步重复该分析过程，将每个温控阶段对应的镀膜缺陷概率进行记录和输出，得到多个温控阶段对应的多个镀膜缺陷概率。
进一步而言，获取固化阶段的温度分布数据集，根据所述固化阶段的温度分布数据集对所述第一质量指标进行温升质量影响分析，获取第二质量指标，以所述第一质量指标和所述第二质量指标的下降指标，对升温阶段对应的镀膜缺陷概率进行优化，输出固化阶段对应的镀膜缺陷概率。
以获得的所述第一质量指标为基准，利用固化阶段的温度分布数据集，对第一质量指标进行温升质量影响分析，获取第二质量指标，该指标反映了固化阶段温度变化对镀膜质量的影响程度，具体温升质量影响分析方法与前述获取第一质量指标相同，为了说明书的简洁在此不再赘述。
使用收集到的温度分布数据集，通过统计分析，获取温度与第一质量指标和第二质量指标之间的关系。基于第一质量指标和第二质量指标的下降指标，采用优化算法，如遗传算法、粒子群优化等，对升温阶段的参数进行调整，这些参数包括温度曲线的斜率、持续时间、温度梯度等，目标是找到最佳的升温阶段参数组合，以最小化镀膜缺陷概率并改善第一质量指标和第二质量指标。在优化过程结束后，获得固化阶段对应的镀膜缺陷概率，该概率应经过优化以最小化第一质量指标和第二质量指标的下降指标，同时考虑升温阶段的温度分布数据集。
进一步而言，获取保温阶段的温度分布数据集，根据所述保温阶段的温度分布数据集对所述第二质量指标进行温升质量影响分析，获取第三质量指标，以所述第二质量指标和所述第三质量指标的下降指标，对固化阶段对应的镀膜缺陷概率进行优化，输出保温阶段对应的镀膜缺陷概率。
以获得的所述第二质量指标为基准，利用保温阶段的温度分布数据集，对第二质量指标进行温升质量影响分析，获取第三质量指标，该指标反映了保温阶段温度变化对镀膜质量的影响程度，基于第二质量指标和第三质量指标的下降指标，采用优化算法，对保温阶段的参数进行优化，以最小化固化阶段对应的镀膜缺陷概率并改善第二质量指标和第三质量指标，在优化过程结束后，获得保温阶段对应的镀膜缺陷概率。具体温升质量影响分析方法和镀膜缺陷概率优化方法与前述步骤相同，为了说明书的简洁在此不再赘述。
进一步而言，根据所述升温阶段的温度分布数据集对所述初始化质量指标进行温升质量影响分析，还包括：
获取预制玻璃件的热压表面粗糙度；
获取所述模压成型模具表面的模具表面粗糙度；
基于所述热压表面粗糙度和所述模具表面粗糙度进行识别，获取薄膜摩擦系数，其中，所述薄膜摩擦系数为标识热压作业过程中镀膜层所受的摩擦系数；
基于所述薄膜摩擦系数对所述初始化质量指标进行温升质量影响分析调整，输出优化后的多个镀膜缺陷概率。
获取预制玻璃件的样品，并进行表面清洁，以确保结果准确，使用测量热压表面粗糙度的方法，如采用光学表面轮廓仪、扫描电子显微镜等，对预制玻璃件样品进行扫描，例如，使用光学表面轮廓仪时，将光束聚焦在玻璃表面并记录反射光的高度变化，根据扫描结果获取表面粗糙度。
使用与前述相同的方法，扫描获取模压成型模具表面的模具表面粗糙度。
收集具有不同热压表面粗糙度和模具表面粗糙度的样品，并记录每个样品在进行热压作业时所产生的缺陷情况，根据收集到的数据，分析热压表面粗糙度、模具表面粗糙度与缺陷产生之间的关系，其中，摩擦会增加缺陷产生的概率，可以使用统计方法来确定它们之间的相关性，基于分析结果，使用机器学习方法，建立一个神经网络模型来预测薄膜摩擦系数与热压表面粗糙度、模具表面粗糙度以及缺陷产生之间的关系。使用另外一组样本数据作为验证集对建立的模型进行验证，将这些验证热压表面粗糙度和验证模具表面粗糙度输入模型中，然后与实际观察到的缺陷情况进行比较，来验证模型的准确性和预测能力。当模型被验证并证明有效，可以使用该模型来预测热压作业过程中镀膜层所受的摩擦系数，根据获取的热压表面粗糙度和模具表面粗糙度，输入这些参数到模型中，即可获得预测的薄膜摩擦系数。
基于生产过程中的检测数据，收集与初始化质量指标、薄膜摩擦系数和温升程度相关的样本数据，根据收集到的数据，分析薄膜摩擦系数对初始化质量指标的影响，并确定温升程度对质量影响的模式和趋势，根据所得到的分析结果，确定想要优化的初始化质量指标和相应的目标值，例如，可以设定降低气泡缺陷数量至少20%作为一个目标。根据分析结果，调整薄膜摩擦系数和控制温升程度等参数，可以通过改变工艺条件、调整材料选择或使用润滑剂等方式来实现参数的调整，在调整参数后，进行实验验证以评估调整的效果，根据实验结果，比较优化前后的初始化质量指标和缺陷概率，评估调整对质量的影响，并得出优化后的多个镀膜缺陷概率。
进一步而言，基于所述薄膜摩擦系数对所述初始化质量指标进行温升质量影响分析调整，还包括：
建立摩擦系数-质量影响的样本数据，以及温度-摩擦系数的样本数据；
以所述摩擦系数-质量影响的样本数据，和所述温度-摩擦系数的样本数据进行训练，得到预先训练好的调节网络层，所述调节网络层用于输出标识基于温度变化条件下摩擦对薄膜质量造成影响的标识信息；
将对应阶段的温度分布数据集输入预先训练好的激活网络层，对所述初始化质量指标进行温升质量影响分析。
基于生产过程中的检测数据，收集与摩擦系数、质量影响和温度相关的样本数据，对于不同摩擦系数条件下的镀膜质量，收集一系列样本数据，例如，使用不同表面粗糙度的玻璃件和模具，在相同的温度和压力条件下进行热压作业，并记录每次实验的初始化质量指标和缺陷情况，获取摩擦系数-质量影响的样本数据；在固定的玻璃件和模具表面粗糙度条件下，设计实验来研究温度对摩擦系数的影响，通常，温度越高，摩擦造成缺陷的情况越大，通过改变温度，通过摩擦测试仪比较不同温度下的摩擦系数值，获取温度-摩擦系数的样本数据。
将所述摩擦系数-质量影响的样本数据，和所述温度-摩擦系数的样本数据，作为训练数据，并对数据进行标记和分割为输入特征和目标标签，基于神经网络建立调节网络层的结构，例如可以选择一维或二维卷积神经网络来处理温度和摩擦系数之间的关系，并且添加全连接层和激活函数来增加模型的表达能力。
将准备好的训练数据输入调节网络层，并使用适当的优化算法，如随机梯度下降，进行模型训练，通过迭代训练过程，不断调整网络参数，以最小化预测值与目标标签之间的差异，使用独立的测试数据集来评估调节网络层的性能，计算预测结果与实际观察结果之间的误差，并使用适当的评估指标，如均方误差、准确率等，来量化模型的预测能力，根据模型评估的结果，对网络架构进行调整，并重新训练模型，重复这个过程，直到达到满意的性能。
训练完成的调节网络层可以根据输入的新的温度和摩擦系数，获取标识信息，表示在给定温度变化条件下，摩擦对薄膜质量的影响。
将对应阶段的温度分布数据集进行整理成适合输入到激活网络层的格式，将预处理后的数据输入预先训练好的激活网络层，通过前向传播，网络生成相应的输出，根据激活网络层的输出，对初始化质量指标进行温升质量影响分析，例如，设定一组阈值，将输出类别化为不同的影响程度，如高、中、低，或计算一个连续的分数表示质量影响的程度。根据分析结果，对温升后的质量影响进行应用，包括制定相应的控制策略、调整工艺参数来减轻负面影响或优化薄膜质量。
当任一温控阶段对应的镀膜缺陷概率大于预设镀膜缺陷概率，获取第一提醒信息，将所述第一提醒信息发送至上位机的相关人员进行镀膜层更换提醒。
根据经验、实验数据或行业标准等，评估镀膜层在特定温控阶段下出现缺陷的期望概率，根据评估结果事先定义预设镀膜缺陷概率，以判断镀膜层是否达到了可接受的质量要求。
根据获取的基于多个温控阶段的镀膜缺陷概率，与预设的镀膜缺陷概率进行比较，如果任何一个温控阶段对应的镀膜缺陷概率大于预设的镀膜缺陷概率，则生成相应的提醒信息，该提醒信息包括但不限于有关镀膜层问题的描述、相关温控阶段的信息、镀膜缺陷的严重程度等。
通过网络连接、电子邮件、短信或其他通讯方式，将生成的第一提醒信息发送至上位机的相关人员进行镀膜层更换提醒，以便及时采取必要的措施来修复或更换镀膜层，以确保产品质量符合要求。
综上所述，本申请实施例所提供的一种光学玻璃模压温度的智能检测方法及系统具有如下技术效果：
1.通过对镀膜层进行实时检测，并获取镀膜层质量检测指标，这使得可以及时检测镀膜层的质量情况，并及时采取措施进行调整和修复，以确保产品质量；
2.根据模压温度控制模块检测到的多个温控阶段对应的模压成型模具表面的温度分布数据集，结合镀膜层的制备材料和温度属性信息，利用镀膜层质量检测指标进行识别，通过分析温度分布数据集和温度属性信息，可以推断出基于多个温控阶段的镀膜缺陷概率，从而评估镀膜层的质量状况；
3.当任一温控阶段对应的镀膜缺陷概率大于预设镀膜缺陷概率时，生成第一提醒信息，并将其发送至上位机的相关人员，以提醒进行镀膜层的更换，这样可以及时采取措施避免低质量产品的生产。
综上所述，该智能检测方法通过实时镀膜层质量检测、温度分布数据集分析和提醒功能等手段解决了传统方法中无法实时准确检测镀膜层质量的问题，达到了提高光学玻璃模压过程中镀膜层质量的可控性和产品质量的稳定性的技术效果。
实施例二
基于与前述实施例中一种光学玻璃模压温度的智能检测方法相同的发明构思，如图2所示，本申请提供了一种光学玻璃模压温度的智能检测系统，所述系统包括：
镀膜层获取单元10，所述镀膜层获取单元10用于获取加工光学玻璃的模压成型模具，以及所述模压成型模具表面的镀膜层，其中，所述镀膜层为所述模压成型模具表面上加镀的脱模膜；
实时检测单元20，所述实时检测单元20用于对所述镀膜层进行实时检测，获取镀膜层质量检测指标；
温度检测单元30，所述温度检测单元30用于当所述模压成型模具进行作业时，根据模压温度控制模块检测多个温控阶段对应的所述模压成型模具表面的温度分布数据集，其中，所述多个温控阶段包括升温阶段、固化阶段以及保温阶段；
温度属性获取单元40，所述温度属性获取单元40用于根据所述镀膜层的制备材料，获取温度属性信息；
缺陷概率获取单元50，所述缺陷概率获取单元50用于以所述镀膜层质量检测指标为初始化质量指标，对所述温度分布数据集和所述温度属性信息进行识别，获取基于所述多个温控阶段对应的多个镀膜缺陷概率；
提醒信息生成单元60，所述提醒信息生成单元60用于当任一温控阶段对应的镀膜缺陷概率大于预设镀膜缺陷概率，获取第一提醒信息，将所述第一提醒信息发送至上位机的相关人员进行镀膜层更换提醒。
进一步而言，所述系统还包括镀膜缺陷概率输出模块，以执行如下操作步骤：
将所述镀膜层质量检测指标作为初始化质量指标；
获取升温阶段的温度分布数据集，根据所述升温阶段的温度分布数据集对所述初始化质量指标进行温升质量影响分析，获取第一质量指标；
以所述初始化质量指标和所述第一质量指标的下降指标输出升温阶段对应的镀膜缺陷概率，以此类推，输出多个温控阶段对应的多个镀膜缺陷概率。
进一步而言，所述系统还包括第一缺陷概率优化模块，以执行如下操作步骤：
获取固化阶段的温度分布数据集，根据所述固化阶段的温度分布数据集对所述第一质量指标进行温升质量影响分析，获取第二质量指标，以所述第一质量指标和所述第二质量指标的下降指标，对升温阶段对应的镀膜缺陷概率进行优化，输出固化阶段对应的镀膜缺陷概率。
进一步而言，所述系统还包括第二缺陷概率优化模块，以执行如下操作步骤：
获取保温阶段的温度分布数据集，根据所述保温阶段的温度分布数据集对所述第二质量指标进行温升质量影响分析，获取第三质量指标，以所述第二质量指标和所述第三质量指标的下降指标，对固化阶段对应的镀膜缺陷概率进行优化，输出保温阶段对应的镀膜缺陷概率。
进一步而言，所述系统还包括质量检测指标获取模块，以执行如下操作步骤：
通过光透装置对所述镀膜层的表面进行光透检测，获取光透检测图像集；
利用最大类间方差法对所述光透检测图像集进行灰度变换，获取灰度变换图像集；
基于所述灰度变换图像集进行分析，确定镀膜厚度均匀度和表面缺陷强度，根据所述镀膜厚度均匀度和所述表面缺陷强度，获取镀膜层质量检测指标。
进一步而言，所述系统还包括缺陷概率优化模块，以执行如下操作步骤：
获取预制玻璃件的热压表面粗糙度；
获取所述模压成型模具表面的模具表面粗糙度；
基于所述热压表面粗糙度和所述模具表面粗糙度进行识别，获取薄膜摩擦系数，其中，所述薄膜摩擦系数为标识热压作业过程中镀膜层所受的摩擦系数；
基于所述薄膜摩擦系数对所述初始化质量指标进行温升质量影响分析调整，输出优化后的多个镀膜缺陷概率。
进一步而言，所述系统还包括温升质量影响分析模块，以执行如下操作步骤：
建立摩擦系数-质量影响的样本数据，以及温度-摩擦系数的样本数据；
以所述摩擦系数-质量影响的样本数据，和所述温度-摩擦系数的样本数据进行训练，得到预先训练好的调节网络层，所述调节网络层用于输出标识基于温度变化条件下摩擦对薄膜质量造成影响的标识信息；
将对应阶段的温度分布数据集输入预先训练好的激活网络层，对所述初始化质量指标进行温升质量影响分析。
本说明书通过前述对一种光学玻璃模压温度的智能检测方法的详细描述，本领域技术人员可以清楚得知道本实施例中的一种光学玻璃模压温度的智能检测系统，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，所以描述得比较简单，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 (5)
1.一种光学玻璃模压温度的智能检测方法，其特征在于，所述方法包括：
获取加工光学玻璃的模压成型模具，以及所述模压成型模具表面的镀膜层，其中，所述镀膜层为所述模压成型模具表面上加镀的脱模膜；
对所述镀膜层进行实时检测，获取镀膜层质量检测指标；
当所述模压成型模具进行作业时，根据模压温度控制模块检测多个温控阶段对应的所述模压成型模具表面的温度分布数据集，其中，所述多个温控阶段包括升温阶段、固化阶段以及保温阶段；
根据所述镀膜层的制备材料，获取温度属性信息；
以所述镀膜层质量检测指标为初始化质量指标，对所述温度分布数据集和所述温度属性信息进行识别，获取基于所述多个温控阶段对应的多个镀膜缺陷概率；
当任一温控阶段对应的镀膜缺陷概率大于预设镀膜缺陷概率，获取第一提醒信息，将所述第一提醒信息发送至上位机的相关人员进行镀膜层更换提醒；
所述获取基于所述多个温控阶段对应的多个镀膜缺陷概率，包括：
将所述镀膜层质量检测指标作为初始化质量指标；
获取升温阶段的温度分布数据集，根据所述升温阶段的温度分布数据集对所述初始化质量指标进行温升质量影响分析，获取第一质量指标；
以所述初始化质量指标和所述第一质量指标的下降指标输出升温阶段对应的镀膜缺陷概率，以此类推，输出多个温控阶段对应的多个镀膜缺陷概率；
获取固化阶段的温度分布数据集，根据所述固化阶段的温度分布数据集对所述第一质量指标进行温升质量影响分析，获取第二质量指标，以所述第一质量指标和所述第二质量指标的下降指标，对升温阶段对应的镀膜缺陷概率进行优化，输出固化阶段对应的镀膜缺陷概率；
获取保温阶段的温度分布数据集，根据所述保温阶段的温度分布数据集对所述第二质量指标进行温升质量影响分析，获取第三质量指标，以所述第二质量指标和所述第三质量指标的下降指标，对固化阶段对应的镀膜缺陷概率进行优化，输出保温阶段对应的镀膜缺陷概率。
2.如权利要求1所述的方法，其特征在于，对所述镀膜层进行实时检测，获取镀膜层质量检测指标，方法还包括：
通过光透装置对所述镀膜层的表面进行光透检测，获取光透检测图像集；
利用最大类间方差法对所述光透检测图像集进行灰度变换，获取灰度变换图像集；
基于所述灰度变换图像集进行分析，确定镀膜厚度均匀度和表面缺陷强度，根据所述镀膜厚度均匀度和所述表面缺陷强度，获取镀膜层质量检测指标。
3.如权利要求1所述的方法，其特征在于，根据所述升温阶段的温度分布数据集对所述初始化质量指标进行温升质量影响分析，方法还包括：
获取预制玻璃件的热压表面粗糙度；
获取所述模压成型模具表面的模具表面粗糙度；
基于所述热压表面粗糙度和所述模具表面粗糙度进行识别，获取薄膜摩擦系数，其中，所述薄膜摩擦系数为标识热压作业过程中镀膜层所受的摩擦系数；
基于所述薄膜摩擦系数对所述初始化质量指标进行温升质量影响分析调整，输出优化后的多个镀膜缺陷概率。
4.如权利要求3所述的方法，其特征在于，基于所述薄膜摩擦系数对所述初始化质量指标进行温升质量影响分析调整，方法还包括：
建立摩擦系数-质量影响的样本数据，以及温度-摩擦系数的样本数据；
以所述摩擦系数-质量影响的样本数据，和所述温度-摩擦系数的样本数据进行训练，得到预先训练好的调节网络层，所述调节网络层用于输出标识基于温度变化条件下摩擦对薄膜质量造成影响的标识信息；
将对应阶段的温度分布数据集输入预先训练好的激活网络层，对所述初始化质量指标进行温升质量影响分析。
5.一种光学玻璃模压温度的智能检测系统，其特征在于，用于实施权利要求1-4任一项所述的一种光学玻璃模压温度的智能检测方法，包括：
镀膜层获取单元，所述镀膜层获取单元用于获取加工光学玻璃的模压成型模具，以及所述模压成型模具表面的镀膜层，其中，所述镀膜层为所述模压成型模具表面上加镀的脱模膜；
实时检测单元，所述实时检测单元用于对所述镀膜层进行实时检测，获取镀膜层质量检测指标；
温度检测单元，所述温度检测单元用于当所述模压成型模具进行作业时，根据模压温度控制模块检测多个温控阶段对应的所述模压成型模具表面的温度分布数据集，其中，所述多个温控阶段包括升温阶段、固化阶段以及保温阶段；
温度属性获取单元，所述温度属性获取单元用于根据所述镀膜层的制备材料，获取温度属性信息；
缺陷概率获取单元，所述缺陷概率获取单元用于以所述镀膜层质量检测指标为初始化质量指标，对所述温度分布数据集和所述温度属性信息进行识别，获取基于所述多个温控阶段对应的多个镀膜缺陷概率；
提醒信息生成单元，所述提醒信息生成单元用于当任一温控阶段对应的镀膜缺陷概率大于预设镀膜缺陷概率，获取第一提醒信息，将所述第一提醒信息发送至上位机的相关人员进行镀膜层更换提醒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311710119.3A CN117388314B (zh) | 2023-12-13 | 2023-12-13 | 一种光学玻璃模压温度的智能检测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311710119.3A CN117388314B (zh) | 2023-12-13 | 2023-12-13 | 一种光学玻璃模压温度的智能检测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117388314A CN117388314A (zh) | 2024-01-12 |
| CN117388314B true CN117388314B (zh) | 2024-02-27 |
Family
ID=89472500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311710119.3A Active CN117388314B (zh) | 2023-12-13 | 2023-12-13 | 一种光学玻璃模压温度的智能检测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117388314B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1908638A (zh) * | 2006-08-24 | 2007-02-07 | 上海交通大学 | 玻璃缺陷的光学检测装置 |
| CN101832945A (zh) * | 2010-04-29 | 2010-09-15 | 中国科学院上海技术物理研究所 | 镀膜玻璃薄膜缺陷在线检测方法与装置 |
| CN104897499A (zh) * | 2015-06-19 | 2015-09-09 | 芜湖市晨曦新型建材科技有限公司 | 太阳能光伏组件的镀膜玻璃耐久性试验方法 |
| CN112505067A (zh) * | 2020-10-15 | 2021-03-16 | 俞华芬 | 一种透明玻璃镀膜后缺陷检测的方法 |
| CN114858805A (zh) * | 2022-03-25 | 2022-08-05 | 湖南科洛德科技有限公司 | 一种玻璃镀膜面缺陷在线检测装置及缺陷分类识别方法 |
| CN115406489A (zh) * | 2022-11-01 | 2022-11-29 | 山东申华光学科技有限公司 | 一种镀膜机镀膜的监测预警方法及系统 |
| WO2023040675A1 (zh) * | 2021-09-15 | 2023-03-23 | 佛山市博顿光电科技有限公司 | 镀膜过程的工艺参数优化方法、装置及镀膜实时监控系统 |
| CN116297478A (zh) * | 2023-02-22 | 2023-06-23 | 凌云光技术股份有限公司 | 光伏玻璃的镀膜缺陷检测方法、装置及系统 |
| CN116908220A (zh) * | 2023-07-10 | 2023-10-20 | 清华大学深圳国际研究生院 | 一种基于深度学习的玻璃缺陷监测方法 |
-
2023
- 2023-12-13 CN CN202311710119.3A patent/CN117388314B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1908638A (zh) * | 2006-08-24 | 2007-02-07 | 上海交通大学 | 玻璃缺陷的光学检测装置 |
| CN101832945A (zh) * | 2010-04-29 | 2010-09-15 | 中国科学院上海技术物理研究所 | 镀膜玻璃薄膜缺陷在线检测方法与装置 |
| CN104897499A (zh) * | 2015-06-19 | 2015-09-09 | 芜湖市晨曦新型建材科技有限公司 | 太阳能光伏组件的镀膜玻璃耐久性试验方法 |
| CN112505067A (zh) * | 2020-10-15 | 2021-03-16 | 俞华芬 | 一种透明玻璃镀膜后缺陷检测的方法 |
| WO2023040675A1 (zh) * | 2021-09-15 | 2023-03-23 | 佛山市博顿光电科技有限公司 | 镀膜过程的工艺参数优化方法、装置及镀膜实时监控系统 |
| CN114858805A (zh) * | 2022-03-25 | 2022-08-05 | 湖南科洛德科技有限公司 | 一种玻璃镀膜面缺陷在线检测装置及缺陷分类识别方法 |
| CN115406489A (zh) * | 2022-11-01 | 2022-11-29 | 山东申华光学科技有限公司 | 一种镀膜机镀膜的监测预警方法及系统 |
| CN116297478A (zh) * | 2023-02-22 | 2023-06-23 | 凌云光技术股份有限公司 | 光伏玻璃的镀膜缺陷检测方法、装置及系统 |
| CN116908220A (zh) * | 2023-07-10 | 2023-10-20 | 清华大学深圳国际研究生院 | 一种基于深度学习的玻璃缺陷监测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117388314A (zh) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | In situ quality inspection with layer-wise visual images based on deep transfer learning during selective laser melting | |
| Jayasinghe et al. | Automatic quality assessments of laser powder bed fusion builds from photodiode sensor measurements | |
| CN109492940A (zh) | 一种用于造型浇注生产线的铸件炉包箱质量跟踪方法 | |
| Baruffi et al. | Correlating nano-scale surface replication accuracy and cavity temperature in micro-injection moulding using in-line process control and high-speed thermal imaging | |
| CN109085178A (zh) | 一种用于增材制造的缺陷指纹精确在线监测方法和反馈策略 | |
| CN117388314B (zh) | 一种光学玻璃模压温度的智能检测方法及系统 | |
| CN115601313A (zh) | 一种钢化玻璃生产工艺可视化监控管理系统 | |
| CN117437278B (zh) | 一种检测镀膜机膜厚均匀性的方法及系统 | |
| JP5294938B2 (ja) | 膜厚測定方法およびガラス光学素子の製造方法 | |
| Imani et al. | Image-guided multi-response modeling and characterization of design defects in metal additive manufacturing | |
| CN116523901A (zh) | 一种基于计算机视觉的冲切模具检测方法 | |
| US6868371B1 (en) | System and method to quantify appearance defects in molded plastic parts | |
| CN115906557A (zh) | 一种冲压件坯料轮廓偏移判定成形缺陷的智能检测方法 | |
| CN112258472A (zh) | 一种汽车外造型自动评分方法 | |
| CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 | |
| Campa et al. | Non-visible defect detection in glass using infrared thermography and artificial neural networks | |
| CN115249129A (zh) | 一种利用红外测温评估预测厚壁透明聚合物产品质量的方法 | |
| CN117392467B (zh) | 一种基于棒图特征的光棒等级划分方法 | |
| CN117710369B (zh) | 基于计算机视觉技术的金属铝磷化膜缺陷检测方法及系统 | |
| Schmitz et al. | Classification of black plastic using active thermography | |
| CN116597225B (zh) | 一种镂空注塑件的拔模缺陷检测方法及系统 | |
| CN117473345B (zh) | 基于数据分析的法兰锻造缺陷检测方法 | |
| Berrimi et al. | A STUDY ON THE SURFACE TOPOGRAPHY AND DIMENSIONAL ACCURACY OF FUSED DEPOSITION MODELING: THE EFFECTS OF SURFACE ORIENTATION AND DIFFERENT PRINT SETTINGS | |
| CN117261287A (zh) | 用于树脂渗入式热塑性预浸丝成形热控工艺曲线优化方法 | |
| CN117150930A (zh) | 一种混凝土路面修复质量检测方法 |
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 |