CN117557564A - 连接器的接口参数检测方法、装置、设备及存储介质 - Google Patents
连接器的接口参数检测方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN117557564A CN117557564A CN202410038706.0A CN202410038706A CN117557564A CN 117557564 A CN117557564 A CN 117557564A CN 202410038706 A CN202410038706 A CN 202410038706A CN 117557564 A CN117557564 A CN 117557564A
- Authority
- CN
- China
- Prior art keywords
- model
- contact terminal
- insulator
- connector
- data
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 135
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 239000012212 insulator Substances 0.000 claims abstract description 127
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 30
- 239000002131 composite material Substances 0.000 claims abstract description 28
- 238000000605 extraction Methods 0.000 claims abstract description 19
- 238000013135 deep learning Methods 0.000 claims abstract description 18
- 230000000007 visual effect Effects 0.000 claims abstract description 13
- 238000007499 fusion processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 56
- 238000004458 analytical method Methods 0.000 claims description 47
- 230000007547 defect Effects 0.000 claims description 44
- 238000004422 calculation algorithm Methods 0.000 claims description 34
- 230000004044 response Effects 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000008569 process Effects 0.000 claims description 19
- 238000005516 engineering process Methods 0.000 claims description 15
- 238000007689 inspection Methods 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 12
- 230000006399 behavior Effects 0.000 claims description 10
- 238000002955 isolation Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 10
- 238000010276 construction Methods 0.000 claims description 9
- 238000012795 verification Methods 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000013075 data extraction Methods 0.000 claims description 6
- 238000013441 quality evaluation Methods 0.000 claims description 6
- 238000009877 rendering Methods 0.000 claims description 6
- 238000002790 cross-validation Methods 0.000 claims description 5
- 238000001303 quality assessment method Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000011056 performance test Methods 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 22
- 239000000047 product Substances 0.000 description 18
- 238000013461 design Methods 0.000 description 12
- 238000003908 quality control method Methods 0.000 description 10
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000012360 testing method Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 5
- 230000002708 enhancing effect Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000012356 Product development Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004630 atomic force microscopy Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000011960 computer-aided design Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000012827 research and development Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000002441 X-ray diffraction Methods 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012467 final product Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 239000011810 insulating material Substances 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
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000004626 scanning electron microscopy Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Computer Graphics (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及数据处理的技术领域,公开了一种连接器的接口参数检测方法、装置、设备及存储介质。所述连接器的接口参数检测方法包括:获取目标电子连接器在多个拍摄视角下的多维度图像,并对所述多维度图像进行分类,得到接触端子图像集和绝缘体图像集;对所述接触端子图像集进行数字化提取处理,得到接触端子的几何特征,基于所述接触端子的几何特征构建接触端子三维模型,并对所述绝缘体图像集进行深度学习融合处理,生成绝缘体的复合特征影像;本发明适用于不同类型的工业环境,灵活适应各种任务需求和生产场景。
Description
技术领域
本发明涉及数据处理的技术领域,尤其涉及一种连接器的接口参数检测方法、装置、设备及存储介质。
背景技术
在电子制造领域,连接器的质量对整个电子设备的性能和稳定性起着至关重要的作用。为确保连接器质量符合要求,必须对其接触端子和绝缘体的接口参数进行精确检测。传统的接口参数检测多依赖于视觉检查和手动测量,或者使用比较简单的二维图像处理技术来对连接器的关键特征进行识别和分析,这些技术为确保连接器在电气性能和物理尺寸上的可靠性提供了基础。
现有技术中,对连接器接口参数的检测通常采用基于二维图像分析的方法。这种方法涉及对连接器的二维图像捕获、图像处理和特征提取等步骤,以确定接触端子的尺寸、位置和形态等参数,以及绝缘体的外观特征。然而,由于仅限于二维平面信息,现有技术无法完全反映连接器三维结构的微观缺陷,导致难以发现某些影响连接器性能的隐蔽问题,如接触端子微观形貌和绝缘体内部结构隐患等。目前的检测手段局限于二维图像分析,难以全面评估连接器的空间结构特性和电气性能。这限制了检测精度和可靠性,且无法满足高精度和复杂连接器质量检验的需求。
因此,亟需一种连接器的接口参数检测方法,能够提升连接器质量检验的准确性和可靠性。
发明内容
本发明提供了一种连接器的接口参数检测方法、装置、设备及存储介质,用于解决如何提高连接器质量检验的准确性和可靠性。
本发明第一方面提供了一种连接器的接口参数检测方法,所述接口参数至少包括接触端子图像集和绝缘体图像集,所述方法包括以下步骤:
获取目标电子连接器在多个拍摄视角下的多维度图像,并对所述多维度图像进行分类,得到接触端子图像集和绝缘体图像集;
对所述接触端子图像集进行数字化提取处理,得到接触端子的几何特征,基于所述接触端子的几何特征构建接触端子三维模型,并对所述绝缘体图像集进行深度学习融合处理,生成绝缘体的复合特征影像;
基于预设的增强特征点数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云,并运用预置的建模算法对接触端子点云进行三维实体重建,得到接触端子空间结构模型;对绝缘体的复合特征影像进行特征分析,提取绝缘体的关键结构属性;
对所述接触端子空间结构模型进行微观不良特性识别与分析,生成端子接触缺陷检测报告,基于所述绝缘体的关键结构属性,对绝缘体进行电气隔离性能分析,形成绝缘体缺陷检测结果;
通过预设的综合评估算法对所述端子接触缺陷检测报告与绝缘体缺陷检测结果进行质量评定,得到最终的目标电子连接器质量检验报告。
可选的,在本发明第一方面的第一种实现方式中,所述基于预设的增强特征点数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云,并运用预置的建模算法对接触端子点云进行三维实体重建,得到接触端子空间结构模型,包括:
对所述增强特征点数据进行检测,得到检测数据;
基于所述检测数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云;
对所述接触端子点云进行求偏处理,得到偏差点云数据;
对所述偏差点云数据进行增强处理,得到目标点云数据;
通过训练后的第一检测模型对所述目标点云数据进行卷积运算,得到多个像素点输出值;其中,所述第一检测模型经过提前训练得到;
根据所述多个像素点输出值对所述目标点云数据进行立体构建,得到立体结构;
对所述立体结构进行模型渲染,得到对应的接触端子空间结构模型。
可选的,在本发明第一方面的第二种实现方式中,所述对绝缘体的复合特征影像进行特征分析,提取绝缘体的关键结构属性,包括:
将所述绝缘体的复合特征影像输入至训练后的第二检测模型进行特征提取,得到多个第一关键结构属性;其中,所述第二检测模型经过提前训练得到;
将所述多个第一关键结构属性输入至预置的特征还原网络进行特征还原,得到多个第二关键结构属性;
分别对所述多个第二关键结构属性进行特征融合处理,得到绝缘体的关键结构属性。
可选的,在本发明第一方面的第三种实现方式中,所述第二检测模型的训练过程,包括:
收集一组包含不同类型连接器接口的数据集;其中,所述数据集包含各连接器的物理参数信息和对应的性能测试结果;
构建第二检测模型;其中,所述第二检测模型采用深度学习框架;
将数据集分为训练集和验证集;其中,所述训练集用于模型的训练和学习,所述验证集用于评估模型的准确性和泛化能力;
对第二检测模型进行训练,通过多轮迭代调整模型参数, 应用交叉验证技术,对模型进行综合评估,经过多次迭代和优化后,完成第二检测模型的训练过程。
可选的,在本发明第一方面的第四种实现方式中,所述第一检测模型的训练过程,包括:
收集接口参数检测训练数据,将所述接口参数检测训练数据输入至一个以初始状况配置的综合模型;其中,所述综合模型融合:一个电子信号属性数据抽取模型,用于提取接口连接元件传输信号的特性数据;一个电子组件状态特性分析模型,用于评估和预测接口连接元件的工作状态;一个接口响应动态预测模型,用于监测并预计接口连接元件在不同操作情景下的响应行为;
通过电子信号属性数据抽取模型分析并预测接口参数中电子信号的各项关键特性数据;利用电子组件状态特性分析模型,基于所收集的接口参数检测训练数据,预估电子组件的工作状态;通过接口响应动态预测模型,分析接口参数检测训练数据,预估接口元件的行为反应特性;
获取接口参数检测训练数据中预先标定的实际检测值;其中,所述预先标定的实际检测值包括实际检测的电子信号属性、实际检测的电子组件的实际工作状态、实际检测的接口元件的响应行为;
计算所预测的电子信号属性数据与标定的实际检测的电子信号属性的一致性,确定第一类性能度量值;对比预测的电子组件工作状态与实际检测的电子组件的实际工作状态之间的相符程度,得出第二类性能度量值;对比预测的接口响应动态与实际检测的接口元件的响应行为的一致性,计算得出第三类性能度量值;
基于误差最小化原则,通过性能度量函数对综合模型的各项参数进行迭代优化,将第一类性能度量值、第二类性能度量值和第三类性能度量值降至最小,训练得到所述第一检测模型。
本发明第二方面提供了一种连接器的接口参数检测装置,所述接口参数至少包括接触端子图像集和绝缘体图像集,所述连接器的接口参数检测装置包括:
获取模块,用于获取目标电子连接器在多个拍摄视角下的多维度图像,并对所述多维度图像进行分类,得到接触端子图像集和绝缘体图像集;
处理模块,用于对所述接触端子图像集进行数字化提取处理,得到接触端子的几何特征,基于所述接触端子的几何特征构建接触端子三维模型,并对所述绝缘体图像集进行深度学习融合处理,生成绝缘体的复合特征影像;
重建模块,用于基于预设的增强特征点数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云,并运用预置的建模算法对接触端子点云进行三维实体重建,得到接触端子空间结构模型;对绝缘体的复合特征影像进行特征分析,提取绝缘体的关键结构属性;
生成模块,用于对所述接触端子空间结构模型进行微观不良特性识别与分析,生成端子接触缺陷检测报告,基于所述绝缘体的关键结构属性,对绝缘体进行电气隔离性能分析,形成绝缘体缺陷检测结果;
评定模块,用于通过预设的综合评估算法对所述端子接触缺陷检测报告与绝缘体缺陷检测结果进行质量评定,得到最终的目标电子连接器质量检验报告。
本发明第三方面提供了一种连接器的接口参数检测设备,包括:存储器和至少一个处理器,所述存储器中存储有指令;所述至少一个处理器调用所述存储器中的所述指令,以使得所述连接器的接口参数检测设备执行上述的连接器的接口参数检测方法。
本发明的第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有指令,当其在计算机上运行时,使得计算机执行上述的连接器的接口参数检测方法。
本发明提供的技术方案中,有益效果:本发明提供一种连接器的接口参数检测方法、装置、设备及存储介质,通过获取目标电子连接器在多个拍摄视角下的多维度图像,并对所述多维度图像进行分类,得到接触端子图像集和绝缘体图像集;对所述接触端子图像集进行数字化提取处理,得到接触端子的几何特征,基于所述接触端子的几何特征构建接触端子三维模型,并对所述绝缘体图像集进行深度学习融合处理,生成绝缘体的复合特征影像;基于预设的增强特征点数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云,并运用预置的建模算法对接触端子点云进行三维实体重建,得到接触端子空间结构模型;对绝缘体的复合特征影像进行特征分析,提取绝缘体的关键结构属性;对所述接触端子空间结构模型进行微观不良特性识别与分析,生成端子接触缺陷检测报告,基于所述绝缘体的关键结构属性,对绝缘体进行电气隔离性能分析,形成绝缘体缺陷检测结果;通过预设的综合评估算法对所述端子接触缺陷检测报告与绝缘体缺陷检测结果进行质量评定,得到最终的目标电子连接器质量检验报告。本发明通过采集并处理多角度的多维度图像,本方法捕捉了接触端子和绝缘体的三维特征。不仅提高了对接触端子几何特征的识别精度,还允许对绝缘体内部结构进行更深入的分析,从而有效揭示连接器的微观不良特性。通过深度学习技术和增强特征点数据的应用,本方法能够准确识别和分析接触端子的微观不良特性和绝缘体的关键结构属性。大大提高了检测方法对微观缺陷的敏感度和识别能力。通过先进的图像处理和深度学习技术,减少了人工操作的需求,同时提高了检测过程的智能化水平。通过三维实体重建和电气隔离性能分析,本方法能更全面地评估连接器的电气性能,尤其是在电气隔离性能方面,为确保产品的可靠性提供了更准确的数据支持。最终的质量检验报告综合考虑了接触端子和绝缘体的多方面参数,为制造商提供了全面的质量控制手段。
附图说明
图1为本发明实施例中连接器的接口参数检测方法的一个实施例示意图;
图2为本发明实施例中连接器的接口参数检测装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种连接器的接口参数检测方法、装置、设备及存储介质。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外,术语“包括”或“具有”及其任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解,下面对本发明实施例的具体流程进行描述,请参阅图1,本发明实施例中连接器的接口参数检测方法的一个实施例包括:
步骤101、获取目标电子连接器在多个拍摄视角下的多维度图像,并对所述多维度图像进行分类,得到接触端子图像集和绝缘体图像集;
可以理解的是,本发明的执行主体可以为连接器的接口参数检测装置,还可以是终端或者服务器,具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的,详细实施如下:
多相机系统由多个摄像头组成,安装在不同的位置和角度以捕获电子连接器的图像。这些摄像头可以通过三角测量等方法来获取电子连接器的多视角图像数据。
立体视觉匹配算法用于将不同视角下的图像进行匹配和对准,以获取立体效果的图像。这样可以得到电子连接器不同部分的三维信息。
特征提取算法用于从立体图像中提取出接触端子和绝缘体的特征,如形状、纹理等。这样可以区分不同部分的图像并进行分类。
接触端子图像集包括了电子连接器中接触部分的图像数据集合,而绝缘体图像集则包括了绝缘部分的图像数据集合。这些图像集合可用于进行缺陷检测、质量控制和产品认证等应用。
引入深度学习算法,例如卷积神经网络(CNN),用于自动学习和识别不同部分的特征,从而提高对电子连接器图像的准确性和鲁棒性。
步骤102、对所述接触端子图像集进行数字化提取处理,得到接触端子的几何特征,基于所述接触端子的几何特征构建接触端子三维模型,并对所述绝缘体图像集进行深度学习融合处理,生成绝缘体的复合特征影像;
具体的,详细实施如下:
针对接触端子图像集,采用图像处理算法对图像进行预处理,包括灰度校正、边缘检测和形状识别等步骤。通过基于卷积神经网络(CNN)的深度学习技术,进行端子形状、尺寸和曲率等几何特征的自动提取和分析。
基于提取的几何特征,利用计算机辅助设计(CAD)软件,采用参数化建模技术,构建接触端子的三维模型。其中,可以引入自动优化算法,根据所提取的几何特征调整模型参数,实现精确还原实际端子的三维形态。
对于绝缘体图像集,结合基于生成对抗网络(GAN)的图像合成技术,深度学习模型在进行特征提取的同时,利用GAN模型生成具有真实感和丰富变化的绝缘体复合特征影像。这种生成的特征影像能够更全面地表达绝缘体的材质特性和表面缺陷,提高系统识别能力和对绝缘体质量状况的判断准确度。
步骤103、基于预设的增强特征点数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云,并运用预置的建模算法对接触端子点云进行三维实体重建,得到接触端子空间结构模型;对绝缘体的复合特征影像进行特征分析,提取绝缘体的关键结构属性;
具体的,详细实施如下:
基于增强特征点数据,采用特征点配准的方法对接触端子三维模型进行校正,确保模型与实际情况一致。这包括利用ICP(Iterative Closest Point)算法等进行点云配准,将模型的位置、姿态和尺寸进行修正,以提高模型的准确性和逼真度。
通过预置的建模算法,如基于有向体素场(Directed Voxel Field)的三维实体重建技术,对接触端子点云进行实体重建,创建高质量的接触端子空间结构模型。这种方法可以更精确地重建端子的内部结构和曲面特征,提高建模的真实感和精度。
对绝缘体的复合特征影像进行特征分析,引入基于卷积神经网络(CNN)的深度学习模型,用于提取绝缘体关键的结构属性,如纹理、裂纹、厚度等。这种方法可以实现对绝缘体影像的自动特征提取,提高绝缘体识别和分析的准确度。
步骤104、对所述接触端子空间结构模型进行微观不良特性识别与分析,生成端子接触缺陷检测报告,基于所述绝缘体的关键结构属性,对绝缘体进行电气隔离性能分析,形成绝缘体缺陷检测结果;
具体的,详细实施如下:
针对接触端子空间结构模型,使用微观结构分析技术,如扫描电子显微镜(SEM)和原子力显微镜(AFM),对端子表面进行显微观察,以识别和分析可能存在的微观不良特性,如氧化层、腐蚀、裂纹等。同时,通过X射线衍射(XRD)技术对端子材料的晶体结构进行分析,进一步揭示潜在的微观结构改变。
基于微观不良特性的识别与分析结果,利用图像处理技术和模式识别算法,对接触端子的缺陷进行自动化检测和分类,形成端子接触缺陷检测报告。该检测报告会包括缺陷位置、形状、尺寸等详细信息,并结合历史数据和标准规范进行综合评估,为后续的维护和改进提供依据。
对绝缘体的关键结构属性进行电气隔离性能分析,包括绝缘材料的介电常数、击穿电压、表面泄漏电阻等。通过有限元分析(FEA)模拟绝缘体在不同工作条件下的电场分布和电压应力,评估其绝缘性能,并结合实验数据进行验证。同时,引入高频电磁场仿真技术,对绝缘体的高频特性进行分析,识别潜在的局部击穿和放电问题。
步骤105、通过预设的综合评估算法对所述端子接触缺陷检测报告与绝缘体缺陷检测结果进行质量评定,得到最终的目标电子连接器质量检验报告。
具体的,详细实施如下:
设定综合评估算法,包括模糊综合评价、贝叶斯网络、支持向量机等多种评估算法。将端子接触缺陷检测报告和绝缘体缺陷检测结果中的各项关键指标,如缺陷类型、数量、位置、大小,绝缘体电气性能参数等,输入到评估算法中。
利用模糊综合评价方法,将各个关键指标的不确定性进行模糊化处理,然后进行综合评定,得出端子接触缺陷和绝缘体缺陷的整体质量评定值。同时,基于贝叶斯网络的概率推理技术,对各项指标进行联合分析,综合考虑它们之间的依赖关系,得到更加精确的评定结果。
引入支持向量机(SVM)等机器学习算法,建立质量评定模型,通过对已知数据的学习和训练,实现对端子接触缺陷和绝缘体缺陷的自动评定。这可以提高评估算法的准确性和鲁棒性,适应复杂、多变的质量评定任务。
基于上述算法,对端子接触缺陷检测报告和绝缘体缺陷检测结果进行质量评定,综合考虑各项关键指标的权重和重要性,得到最终的目标电子连接器质量检验报告。该报告将包括端子接触质量、绝缘体健康状况等详细评定结果,为产品的质量管控和改进提供科学依据。
本发明实施例中连接器的接口参数检测方法的另一个实施例包括:
所述基于预设的增强特征点数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云,并运用预置的建模算法对接触端子点云进行三维实体重建,得到接触端子空间结构模型,包括:
对所述增强特征点数据进行检测,得到检测数据;
基于所述检测数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云;
对所述接触端子点云进行求偏处理,得到偏差点云数据;
对所述偏差点云数据进行增强处理,得到目标点云数据;
通过训练后的第一检测模型对所述目标点云数据进行卷积运算,得到多个像素点输出值;其中,所述第一检测模型经过提前训练得到;
根据所述多个像素点输出值对所述目标点云数据进行立体构建,得到立体结构;
对所述立体结构进行模型渲染,得到对应的接触端子空间结构模型。
具体的,重要术语解释:
增强特征点数据: 这是一组数据,用于提升接触端子三维模型的准确性和细节。
接触端子点云: 由接触端子的三维扫描数据形成的点集,用于三维建模。
三维实体重建: 利用点云数据构建接触端子的三维空间结构模型的过程。
偏差点云数据: 经过求偏处理后的点云数据,表示原始模型与实际模型之间的偏差。
目标点云数据: 经过增强处理后用于模型构建的改进点云数据。
第一检测模型: 一个预先训练好的用于分析点云数据的卷积神经网络模型。
立体构建: 从点云数据中构建出的接触端子的三维立体结构。
模型渲染: 将立体结构模型进行视觉效果优化的过程,以便更清晰地显示其细节和特征。
应用场景:
此技术方案适用于以下场景:
精密制造业: 在高精度的制造行业中,用于确保接触端子的质量和精度。
电子设备检测: 在电子产品的质量控制和检验中,用于检查接触端子的结构完整性。
自动化装配线: 在自动化生产线中,用于优化接触端子的设计和制造过程。
工业设计: 在工业产品的设计阶段,用于精确模拟和优化连接器的设计。
实施例1:
数据检测: 对增强特征点数据进行检测,获取必要的检测数据。
模型校正: 基于检测数据,对接触端子的三维模型进行校正,生成校正后的点云数据。
求偏处理: 对校正后的点云进行求偏处理,以识别和记录模型的偏差。
点云数据增强: 对偏差点云数据进行增强处理,获得用于建模的目标点云数据。
卷积运算: 利用训练好的第一检测模型对目标点云数据进行卷积运算,产生多个像素点的输出值。
立体构建: 根据卷积运算的输出值,对点云数据进行立体构建,得到三维结构模型。
模型渲染: 对构建的立体结构进行渲染处理,以生成最终的接触端子空间结构模型。
本发明实施例中,有益效果:本发明实施例通过增强特征点数据和点云数据的精确校正,提高接触端子模型的准确度。并且使设计者能够更准确地评估和优化接触端子的结构设计。通过自动化的三维重建流程,缩短产品的设计和制造周期。渲染后的三维模型为产品设计和质量控制提供了更清晰、更直观的视觉参考。
本发明实施例中连接器的接口参数检测方法的另一个实施例包括:
所述对绝缘体的复合特征影像进行特征分析,提取绝缘体的关键结构属性,包括:
将所述绝缘体的复合特征影像输入至训练后的第二检测模型进行特征提取,得到多个第一关键结构属性;其中,所述第二检测模型经过提前训练得到;
将所述多个第一关键结构属性输入至预置的特征还原网络进行特征还原,得到多个第二关键结构属性;
分别对所述多个第二关键结构属性进行特征融合处理,得到绝缘体的关键结构属性。
具体的,重要术语解释:
第二检测模型: 经过专门训练的模型,用于从复合特征影像中提取关键结构属性。
复合特征影像: 结合了多种视觉和非视觉信息的影像,用于更全面地描述绝缘体。
第一关键结构属性: 从复合特征影像中初步提取的重要结构特征。
特征还原网络: 一种神经网络,用于从提取的特征中恢复出更详细和准确的结构属性。
第二关键结构属性: 经过特征还原网络处理后得到的更细化和精确的结构属性。
特征融合处理: 将不同的结构属性合并,以获得绝缘体的全面和准确的关键结构属性。
应用场景:
此技术方案适用于以下场景:
电子元件制造: 在电子元件的生产和质量控制中,确保绝缘体结构的准确性和稳定性。
质量检测系统: 用于检测和分析电子产品中绝缘体的关键结构,确保其性能和安全。
自动化装配线: 在自动化生产线上,用于监控和优化绝缘体的生产过程。
产品研发: 在新产品的研发阶段,用于评估和改进绝缘体的设计和功能。
实施例2:
特征影像处理: 首先,将绝缘体的复合特征影像输入到预先训练好的第二检测模型。这一步骤涉及将绝缘体的实际影像与先进的图像处理技术相结合,以提取出绝缘体的初始关键结构特征。
初步特征提取: 在这一阶段,第二检测模型分析复合特征影像,识别并提取出一系列的第一关键结构属性。这些属性代表了绝缘体的初步结构特征,为后续的更深入分析打下基础。
特征还原和细化: 将提取出的第一关键结构属性输入到特征还原网络。此网络通过深度学习算法进一步处理这些属性,生成更细化和精确的第二关键结构属性。这一步骤对提升最终分析的精度至关重要。
综合特征融合: 最后,对所有经过特征还原网络处理的第二关键结构属性进行综合和融合处理。此过程旨在合成一个全面和详尽的绝缘体关键结构属性集,这些属性集反映了绝缘体的完整结构和功能特征。
本发明实施例中,有益效果:本发明实施例通过先进的特征提取、还原和融合技术,本技术方案显著提高了绝缘体结构属性的识别和分析精度。准确的结构属性分析有助于提高电子产品中绝缘体的质量和性能,从而提升整体产品质量。加速了新型绝缘体材料和设计的研发过程,缩短了产品的开发周期和上市时间。在自动化生产线中,本技术方案能有效地提高监控和质量控制的效率,支持高精度的生产流程。
本发明实施例中连接器的接口参数检测方法的另一个实施例包括:
所述第二检测模型的训练过程,包括:
收集一组包含不同类型连接器接口的数据集;其中,所述数据集包含各连接器的物理参数信息和对应的性能测试结果;
构建第二检测模型;其中,所述第二检测模型采用深度学习框架;
将数据集分为训练集和验证集;其中,所述训练集用于模型的训练和学习,所述验证集用于评估模型的准确性和泛化能力;
对第二检测模型进行训练,通过多轮迭代调整模型参数, 应用交叉验证技术,对模型进行综合评估,经过多次迭代和优化后,完成第二检测模型的训练过程。
具体的,重要术语解释:
数据集: 一组收集的数据,包含连接器接口的各类物理参数信息和相应的性能测试结果。
第二检测模型: 采用深度学习框架构建的模型,用于分析和预测连接器接口的关键特征。
训练集: 数据集的一部分,用于深度学习模型的训练过程中,通过反复迭代来调整模型参数。
验证集: 数据集的另一部分,不参与训练,用于评估模型准确性和泛化能力,确保模型在未见过的数据上也能表现良好。
迭代: 在模型训练过程中重复应用的训练步骤,通过不断的迭代调整和优化模型的权重参数。
交叉验证技术: 一种统计学方法,用于评估模型泛化能力的技术,通过将原始数据集分割成多个小子集来反复进行训练和验证。
应用场景:
此技术方案适用于以下场景:
电子制造质量控制: 在电子器件生产过程中,确保每个连接器接口都能满足预定的性能标准。
自动化检测系统: 集成在自动化生产线中,用于对连接器接口的性能进行实时监测。
产品研发优化: 协助设计师和工程师在研究开发阶段,通过模型分析,优化连接器接口的设计。
故障诊断: 在售后服务中快速识别连接器故障,提升服务效率和顾客满意度。
实施例3:
数据集收集: 收集广泛的连接器接口数据,包括不同类型连接器的物理参数和经过测试的性能结果。这些数据要确保覆盖广泛的变量和条件,以便能够训练出能广泛适应实际情况的模型。
模型构建: 构建基于深度学习框架的第二检测模型。选择合适的网络架构,例如卷积神经网络(CNN)或循环神经网络(RNN),以适应连接器接口特征提取的需求。
数据集划分: 将收集到的数据集分为训练集和验证集。训练集用于第二检测模型的学习和训练,而验证集用以评估模型在处理未经训练的数据时的准确性和泛化能力。
模型迭代训练: 应用交叉验证技术进行迭代训练。这一过程中,模型通过多轮迭代学习,对模型参数进行微调,以最小化预测误差。
模型评估与优化: 在多次迭代和训练后,使用验证集对模型进行全面评估。根据评估结果调整模型结构和参数,直到达到满意的准确率和泛化性能。
本发明实施例中,有益效果:本发明实施例充分训练的第二检测模型能够提供高精度的连接器接口特征分析,对产品质量控制具有积极作用。模型能够在产品设计阶段预测出连接器的性能,从而指导设计优化。模型能够快速准确地检测生产过程中可能出现的连接器故障,降低生产风险。高效的自动化检测减少了对人工检测的依赖,大幅节省了检测时间和成本。
本发明实施例中连接器的接口参数检测方法的另一个实施例包括:
具体的,重要术语解释:
接口参数检测训练数据: 专门收集用于训练检测模型的数据,涉及连接器接口的各种电子信号属性及其实际工作状态。
综合模型: 整合多个子模型以分析不同方面的接口性能的高级模型。
电子信号属性数据抽取模型: 用于提取和分析连接元件传输信号特性的子模型。
电子组件状态特性分析模型: 负责评估和预测连接元件当前和未来的工作状态的子模型。
接口响应动态预测模型: 监测并预计连接元件在不同操作情景下可能呈现的响应和行为的子模型。
性能度量值: 衡量模型预测结果与实际检测值之间一致性的指标。
应用场景:
此技术方案适用于以下场景:
连接器设计与生产: 在电子连接器的设计和生产环节优化接口参数,以确保产品性能和可靠性。
自动化测试装置: 使用模型自动化测试连接器接口,提高测试速度和准确性。
质量监控系统: 在生产流程中实时监控连接元件性能,实现快速响应和故障预防。
故障诊断与预测: 为维护和售后服务提供故障诊断和预测支持,提升客户满意度。
实施例
数据收集: 从多种接口连接元件实验和生产数据中收集接口参数检测训练数据,并标注其实际工作状态和响应行为。
模型构建与配置: 构建和配置初始状态的综合模型,该模型包括三个子模型,分别负责电子信号的属性数据抽取、电子组件状态的特性分析及接口响应的动态预测。
特性预测分析: 使用电子信号属性数据抽取模型处理接口参数,提取关键的电子信号特性。运用电子组件状态特性分析模型及接口响应动态预测模型预估组件的工作状态和响应特性。
性能评估: 根据预测结果与实验室或现场测试实际得到的检测值计算出性能度量值,包括对电子信号属性、电子组件工作状态和接口响应动态之间的一致性进行评估。
迭代优化: 基于误差最小化原则,使用性能度量函数对综合模型中各个参数执行迭代优化。持续调整模型直到性能度量值达到最小化,完成第一检测模型的训练。
本发明实施例中,有益效果:本发明实施例通过训练完成的第一检测模型可以快速且精确地评估接口参数,提高整体测试的效率。精准的状态预测有助于在产品设计及生产早期阶段发现潜在问题,提升最终产品的性能和可靠性。模型可用作监测工具,实现故障预测和提前维护,从而减少停机时间和维修成本。模型的预测结果为管理层提供数据支持,辅助他们在产品开发和质量控制方面做出更明智的决策。
上面对本发明实施例中连接器的接口参数检测方法进行了描述,下面对本发明实施例中连接器的接口参数检测装置进行描述,请参阅图2,本发明实施例中连接器的接口参数检测装置一个实施例包括:
所述接口参数至少包括接触端子图像集和绝缘体图像集,所述连接器的接口参数检测装置包括:
获取模块,用于获取目标电子连接器在多个拍摄视角下的多维度图像,并对所述多维度图像进行分类,得到接触端子图像集和绝缘体图像集;
处理模块,用于对所述接触端子图像集进行数字化提取处理,得到接触端子的几何特征,基于所述接触端子的几何特征构建接触端子三维模型,并对所述绝缘体图像集进行深度学习融合处理,生成绝缘体的复合特征影像;
重建模块,用于基于预设的增强特征点数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云,并运用预置的建模算法对接触端子点云进行三维实体重建,得到接触端子空间结构模型;对绝缘体的复合特征影像进行特征分析,提取绝缘体的关键结构属性;
生成模块,用于对所述接触端子空间结构模型进行微观不良特性识别与分析,生成端子接触缺陷检测报告,基于所述绝缘体的关键结构属性,对绝缘体进行电气隔离性能分析,形成绝缘体缺陷检测结果;
评定模块,用于通过预设的综合评估算法对所述端子接触缺陷检测报告与绝缘体缺陷检测结果进行质量评定,得到最终的目标电子连接器质量检验报告。
本发明还提供一种连接器的接口参数检测设备,所述连接器的接口参数检测设备包括存储器和处理器,存储器中存储有计算机可读指令,计算机可读指令被处理器执行时,使得处理器执行上述各实施例中的所述连接器的接口参数检测方法的步骤。
本发明还提供一种计算机可读存储介质,该计算机可读存储介质可以为非易失性计算机可读存储介质,该计算机可读存储介质也可以为易失性计算机可读存储介质,所述计算机可读存储介质中存储有指令,当所述指令在计算机上运行时,使得计算机执行所述连接器的接口参数检测方法的步骤。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(read-only memory,ROM)、随机存取存储器(random access memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种连接器的接口参数检测方法,其特征在于,所述接口参数至少包括接触端子图像集和绝缘体图像集,所述方法包括以下步骤:
获取目标电子连接器在多个拍摄视角下的多维度图像,并对所述多维度图像进行分类,得到接触端子图像集和绝缘体图像集;
对所述接触端子图像集进行数字化提取处理,得到接触端子的几何特征,基于所述接触端子的几何特征构建接触端子三维模型,并对所述绝缘体图像集进行深度学习融合处理,生成绝缘体的复合特征影像;
基于预设的增强特征点数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云,并运用预置的建模算法对接触端子点云进行三维实体重建,得到接触端子空间结构模型;对绝缘体的复合特征影像进行特征分析,提取绝缘体的关键结构属性;
对所述接触端子空间结构模型进行微观不良特性识别与分析,生成端子接触缺陷检测报告,基于所述绝缘体的关键结构属性,对绝缘体进行电气隔离性能分析,形成绝缘体缺陷检测结果;
通过预设的综合评估算法对所述端子接触缺陷检测报告与绝缘体缺陷检测结果进行质量评定,得到最终的目标电子连接器质量检验报告。
2.根据权利要求1所述的连接器的接口参数检测方法,其特征在于,所述基于预设的增强特征点数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云,并运用预置的建模算法对接触端子点云进行三维实体重建,得到接触端子空间结构模型,包括:
对所述增强特征点数据进行检测,得到检测数据;
基于所述检测数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云;
对所述接触端子点云进行求偏处理,得到偏差点云数据;
对所述偏差点云数据进行增强处理,得到目标点云数据;
通过训练后的第一检测模型对所述目标点云数据进行卷积运算,得到多个像素点输出值;其中,所述第一检测模型经过提前训练得到;
根据所述多个像素点输出值对所述目标点云数据进行立体构建,得到立体结构;
对所述立体结构进行模型渲染,得到对应的接触端子空间结构模型。
3.根据权利要求1所述的连接器的接口参数检测方法,其特征在于,所述对绝缘体的复合特征影像进行特征分析,提取绝缘体的关键结构属性,包括:
将所述绝缘体的复合特征影像输入至训练后的第二检测模型进行特征提取,得到多个第一关键结构属性;其中,所述第二检测模型经过提前训练得到;
将所述多个第一关键结构属性输入至预置的特征还原网络进行特征还原,得到多个第二关键结构属性;
分别对所述多个第二关键结构属性进行特征融合处理,得到绝缘体的关键结构属性。
4.根据权利要求3所述的连接器的接口参数检测方法,其特征在于,所述第二检测模型的训练过程,包括:
收集一组包含不同类型连接器接口的数据集;其中,所述数据集包含各连接器的物理参数信息和对应的性能测试结果;
构建第二检测模型;其中,所述第二检测模型采用深度学习框架;
将数据集分为训练集和验证集;其中,所述训练集用于模型的训练和学习,所述验证集用于评估模型的准确性和泛化能力;
对第二检测模型进行训练,通过多轮迭代调整模型参数, 应用交叉验证技术,对模型进行综合评估,经过多次迭代和优化后,完成第二检测模型的训练过程。
5.根据权利要求2所述的连接器的接口参数检测方法,其特征在于,所述第一检测模型的训练过程,包括:
收集接口参数检测训练数据,将所述接口参数检测训练数据输入至一个以初始状况配置的综合模型;其中,所述综合模型融合:一个电子信号属性数据抽取模型,用于提取接口连接元件传输信号的特性数据;一个电子组件状态特性分析模型,用于评估和预测接口连接元件的工作状态;一个接口响应动态预测模型,用于监测并预计接口连接元件在不同操作情景下的响应行为;
通过电子信号属性数据抽取模型分析并预测接口参数中电子信号的各项关键特性数据;利用电子组件状态特性分析模型,基于所收集的接口参数检测训练数据,预估电子组件的工作状态;通过接口响应动态预测模型,分析接口参数检测训练数据,预估接口元件的行为反应特性;
获取接口参数检测训练数据中预先标定的实际检测值;其中,所述预先标定的实际检测值包括实际检测的电子信号属性、实际检测的电子组件的实际工作状态、实际检测的接口元件的响应行为;
计算所预测的电子信号属性数据与标定的实际检测的电子信号属性的一致性,确定第一类性能度量值;对比预测的电子组件工作状态与实际检测的电子组件的实际工作状态之间的相符程度,得出第二类性能度量值;对比预测的接口响应动态与实际检测的接口元件的响应行为的一致性,计算得出第三类性能度量值;
基于误差最小化原则,通过性能度量函数对综合模型的各项参数进行迭代优化,将第一类性能度量值、第二类性能度量值和第三类性能度量值降至最小,训练得到所述第一检测模型。
6.一种连接器的接口参数检测装置,其特征在于,所述接口参数至少包括接触端子图像集和绝缘体图像集,所述连接器的接口参数检测装置包括:
获取模块,用于获取目标电子连接器在多个拍摄视角下的多维度图像,并对所述多维度图像进行分类,得到接触端子图像集和绝缘体图像集;
处理模块,用于对所述接触端子图像集进行数字化提取处理,得到接触端子的几何特征,基于所述接触端子的几何特征构建接触端子三维模型,并对所述绝缘体图像集进行深度学习融合处理,生成绝缘体的复合特征影像;
重建模块,用于基于预设的增强特征点数据,对所述接触端子三维模型进行校正,生成校正后的接触端子点云,并运用预置的建模算法对接触端子点云进行三维实体重建,得到接触端子空间结构模型;对绝缘体的复合特征影像进行特征分析,提取绝缘体的关键结构属性;
生成模块,用于对所述接触端子空间结构模型进行微观不良特性识别与分析,生成端子接触缺陷检测报告,基于所述绝缘体的关键结构属性,对绝缘体进行电气隔离性能分析,形成绝缘体缺陷检测结果;
评定模块,用于通过预设的综合评估算法对所述端子接触缺陷检测报告与绝缘体缺陷检测结果进行质量评定,得到最终的目标电子连接器质量检验报告。
7.一种连接器的接口参数检测设备,其特征在于,所述连接器的接口参数检测设备包括:存储器和至少一个处理器,所述存储器中存储有指令;
所述至少一个处理器调用所述存储器中的所述指令,以使得所述连接器的接口参数检测设备执行如权利要求1-5中任一项所述的连接器的接口参数检测方法。
8.一种计算机可读存储介质,所述计算机可读存储介质上存储有指令,其特征在于,所述指令被处理器执行时实现如权利要求1-5中任一项所述的连接器的接口参数检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038706.0A CN117557564A (zh) | 2024-01-11 | 2024-01-11 | 连接器的接口参数检测方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410038706.0A CN117557564A (zh) | 2024-01-11 | 2024-01-11 | 连接器的接口参数检测方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117557564A true CN117557564A (zh) | 2024-02-13 |
Family
ID=89818915
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410038706.0A Pending CN117557564A (zh) | 2024-01-11 | 2024-01-11 | 连接器的接口参数检测方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117557564A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533642A (zh) * | 2019-08-21 | 2019-12-03 | 深圳新视达视讯工程有限公司 | 一种绝缘子损伤的检测方法 |
US11150200B1 (en) * | 2020-06-15 | 2021-10-19 | Mitutoyo Corporation | Workpiece inspection and defect detection system indicating number of defect images for training |
CN114757983A (zh) * | 2022-04-27 | 2022-07-15 | 四川大学 | 一种无人机和三维激光扫描联合监测方法 |
CN115294117A (zh) * | 2022-10-08 | 2022-11-04 | 深圳市天成照明有限公司 | Led灯珠的缺陷检测方法及相关装置 |
-
2024
- 2024-01-11 CN CN202410038706.0A patent/CN117557564A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533642A (zh) * | 2019-08-21 | 2019-12-03 | 深圳新视达视讯工程有限公司 | 一种绝缘子损伤的检测方法 |
US11150200B1 (en) * | 2020-06-15 | 2021-10-19 | Mitutoyo Corporation | Workpiece inspection and defect detection system indicating number of defect images for training |
CN114757983A (zh) * | 2022-04-27 | 2022-07-15 | 四川大学 | 一种无人机和三维激光扫描联合监测方法 |
CN115294117A (zh) * | 2022-10-08 | 2022-11-04 | 深圳市天成照明有限公司 | Led灯珠的缺陷检测方法及相关装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Westphal et al. | A machine learning method for defect detection and visualization in selective laser sintering based on convolutional neural networks | |
KR102422111B1 (ko) | 반도체 시편의 검사에 사용가능한 훈련 세트의 생성 | |
Wang et al. | Pavement crack width measurement based on Laplace's equation for continuity and unambiguity | |
US9251582B2 (en) | Methods and systems for enhanced automated visual inspection of a physical asset | |
CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
TW202036475A (zh) | 取樣檢驗的方法及其系統 | |
US11686689B2 (en) | Automatic optimization of an examination recipe | |
Dimitriou et al. | A deep learning framework for simulation and defect prediction applied in microelectronics | |
CN116618764B (zh) | 一种镜面放电加工机的生产优化方法及系统 | |
CN117451744B (zh) | 红外透镜的缺陷检测方法、装置、设备及存储介质 | |
CN117274258B (zh) | 主板图像的缺陷检测方法、系统、设备及存储介质 | |
CN116611018A (zh) | 基于多源数据融合的装备系统健康管理及故障诊断方法 | |
CN111238927A (zh) | 疲劳耐久性评测方法、装置、电子设备和计算机可读介质 | |
CN117932394A (zh) | 电子元器件故障管理方法以及系统 | |
CN117436295A (zh) | 基于数字孪生的物料监测与3d仿真系统及方法 | |
JP7459697B2 (ja) | 異常検知システム、学習装置、異常検知プログラム、学習プログラム、異常検知方法、および学習方法 | |
CN105809657A (zh) | 一种角点检测方法和装置 | |
CN117557564A (zh) | 连接器的接口参数检测方法、装置、设备及存储介质 | |
KR20230161868A (ko) | 반도체 시편의 결함 검출 | |
CN116823711A (zh) | 基于机器学习的半导体样品的检查及其训练 | |
CN115953641A (zh) | 半导体样本的缺陷检查 | |
CN115018772A (zh) | 一种信息定量的缺陷检测方法及图像检测装置、存储介质 | |
Ghahremani et al. | Automated 3D image-based section loss detection for finite element model updating | |
CN117557574B (zh) | 基于图像处理的材料参数检测方法及系统 | |
JP7478000B2 (ja) | 3d画像データ解析装置 |
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 |