CN117576014A - 陶瓷基板质量检测方法、系统、电子设备及存储介质 - Google Patents

陶瓷基板质量检测方法、系统、电子设备及存储介质 Download PDF

Info

Publication number
CN117576014A
CN117576014A CN202311494666.2A CN202311494666A CN117576014A CN 117576014 A CN117576014 A CN 117576014A CN 202311494666 A CN202311494666 A CN 202311494666A CN 117576014 A CN117576014 A CN 117576014A
Authority
CN
China
Prior art keywords
ceramic substrate
trained
model
features
quality
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
Application number
CN202311494666.2A
Other languages
English (en)
Inventor
郑双喜
陈江涛
胡海涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Yinghe Electronic Technology Co ltd
Original Assignee
Shandong Yinghe Electronic Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Yinghe Electronic Technology Co ltd filed Critical Shandong Yinghe Electronic Technology Co ltd
Priority to CN202311494666.2A priority Critical patent/CN117576014A/zh
Publication of CN117576014A publication Critical patent/CN117576014A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • 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
    • 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
    • G06V10/62—Extraction of image or video features relating to a temporal dimension, e.g. time-based feature extraction; Pattern tracking
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Signal Processing (AREA)
  • Pathology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开一种陶瓷基板质量检测方法、装置、电子设备及存储介质，该陶瓷基板质量检测方法包括：获取多个输入特征；基于所述多个输入特征，生成融合特征，并将所述融合特征输入至训练后的检测模型；基于所述训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果；基于预设标准值范围，判断所述预测结果是否符合标准，若是，则判定所述陶瓷基板为质量合格产品，若否，则判定所述陶瓷基板为质量不合格产品。本申请能够提高对陶瓷基板进行检测的效率及准确率。

Description

陶瓷基板质量检测方法、系统、电子设备及存储介质
技术领域
本申请涉及陶瓷工艺制品及图像分析技术领域，具体涉及一种陶瓷基板质量检测方法、系统、电子设备及存储介质。
背景技术
陶瓷基板是一种在电子行业中备受欢迎的高级基础板材，其主要由特定类型的陶瓷材料(如氧化铝和氮化铝等)所打造。这种陶瓷基板显著特点有高热导率、低热膨胀系数、优越的电绝缘性能、出色的机械强度以及优良的化学稳定性。基于上述特性，陶瓷基板在高频、高功率、高温和高电压的电子系统，如功率LED、射频模块或电力设备中，得到了广泛的使用。
随着现代工业的快速演变，陶瓷基板在电子、能源和汽车等诸多领域中的应用得到了普及，随之对其质量的精准检测需求日益攀升。现有的陶瓷基板检测方法主要依赖于人工操作或简单的机械设备，仅能根据单一参数进行检测并以此判断陶瓷基板的质量优劣，导致检测的效率与准确率均很低。
发明内容
鉴于此，本申请提供一种陶瓷基板质量检测方法、系统、电子设备及存储介质，能够提高对陶瓷基板进行检测的效率及准确率。
本申请提供一种陶瓷基板质量检测方法，包括：
获取多个输入特征；
基于所述多个输入特征，生成融合特征，并将所述融合特征输入至训练后的检测模型；
基于所述训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果；
基于预设标准值范围，判断所述预测结果是否符合标准，若是，则判定所述陶瓷基板为质量合格产品，若否，则判定所述陶瓷基板为质量不合格产品。
可选地，所述多个输入特征包括图像特征、物理特征以及时空特征，获取所述时空特征的步骤包括：
获取拍摄所述陶瓷基板的视频，并基于预设时长，将所述视频划分成多个视频段；
对每个所述视频段进行划分，以得到多帧图像，其中，每帧所述图像均携带时间戳；
基于所述时间戳，将每帧所述图像归类到对应的时空数据集；
将多个所述时空数据集输入至预设卷积神经网络，并通过所述预设卷积神经网络确定所述图像中目标特征在每个时间点所在的位置，并将每个具有对应的时间点和对应的位置的目标特征作为所述时空特征。
可选地，所述基于所述多个输入特征，生成融合特征，包括：
将每个所述输入特征的值均调节为预设数值范围内的值；
确定每个所述输入特征的权重值；
基于所述权重值，将每个所述输入特征进行融合，以得到待定特征，并将所述待定特征作为所述融合特征。
可选地，所述基于所述训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果，包括：
基于所述融合特征，判断所述陶瓷基板中可能存在瑕疵的概率是否大于预设阈值，若是，则判定所述陶瓷基板中存在瑕疵，若否，则判定所述陶瓷基板中不存在瑕疵；
当判定所述陶瓷基板中存在瑕疵时，确定瑕疵信息，并将所述瑕疵信息作为所述预测结果，其中，所述瑕疵信息至少包括瑕疵出现的位置、面积以及类型。
可选地，所述的陶瓷基板质量检测方法，还包括：
当判定所述陶瓷基板为质量不合格产品时，基于所述预测结果中不符合所述预设标准值范围的数值，确定不合格的原因；
获取所述陶瓷基板的生产过程数据，并获取物理特征和图像特征；
基于所述不合格的原因、所述生产过程数据、所述物理特征和所述图像特征，确定生产过程中出现的故障点，并输出对应的改进建议信息。
可选地，所述的陶瓷基板质量检测方法，还包括：
获取所述预测结果中所述陶瓷基板的异常信息，并将所述异常信息向用户展示；
当获取到用户反馈的标注信息时，将携带所述标注信息的特征输入至所述训练后的检测模型进行运算以获得新的预测结果。
可选地，所述的陶瓷基板质量检测方法，还包括：
获取预处理后的数据，并基于所述预处理后的数据，生成多个数据集，其中，所述多个数据集至少包括训练集、验证集和测试集；
基于超参数、预设网络结构中多个层以及所述预设网络结构中每个层的权重值，确定待训练模型；
将所述训练集输入至所述待训练模型进行运算，以对所述待训练模型进行训练；
当对所述待训练模型进行训练时，将所述验证集输入至所述待训练模型进行运算，以确定所述待训练模型的性能值，其中，所述待训练模型的性能值至少包括准确率、召回率；
当所述待训练模型的性能值不提高时，停止对所述待训练模型进行训练，以得到训练后的模型；
将所述测试集输入至所述训练后的模型进行运算，以确定所述训练后的模型的性能值；
当所述训练后的模型的性能值超过预设性能值时，将所述训练后的模型作为所述训练后的检测模型。
对应地，本申请提供一种陶瓷基板质量检测系统，包括：
获取模块，用于获取多个输入特征；
第一数据处理子模块，用于基于所述多个输入特征，生成融合特征，并将所述融合特征输入至训练后的检测模型；
第二数据处理子模块，用于基于所述训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果；
第三数据处理子模块，用于基于预设标准值范围，判断所述预测结果是否符合标准，若是，则判定所述陶瓷基板为质量合格产品，若否，则判定所述陶瓷基板为质量不合格产品。
此外，本申请还提供一种电子设备，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如上任一项所述陶瓷基板质量检测方法的步骤。
在此基础上，本申请还提供一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如上任一项所述陶瓷基板质量检测方法的步骤。
本申请提供一种陶瓷基板质量检测方法、装置、电子设备及存储介质，首先，获取多个输入特征，接着，基于多个输入特征，生成融合特征，并将融合特征输入至训练后的检测模型，然后，基于训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果，最后，基于预设标准值范围，判断预测结果是否符合标准，若是，则判定陶瓷基板为质量合格产品，若否，则判定陶瓷基板为质量不合格产品。本申请通过获取多个输入特征作为判断陶瓷基板质量优劣的参考因素，相较于现有方案只用单一参数作为参考因素，本申请方案参考范围更广，判断标注更客观，从而有利于提高检测准确率。同时，基于多个输入特征生成融合特征后，利用检测模型识别融合特征，并输出预测结果，避免了因多个输入特征导致检测复杂度提升而降低检测速度，从而有利于提高检测效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的陶瓷基板质量检测方法的流程示意图；
图2为本申请实施例提供的陶瓷基板质量检测系统的结构示意图；
图3为本申请实施例提供的电子设备的结构示意图。
具体实施方式
下面结合附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而非全部实施例。基于本申请中的实施例，本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。在不冲突的情况下，下述各个实施例及其技术特征可以相互组合。
请参见图1，图1为本申请实施例提供的陶瓷基板质量检测方法的流程示意图。
本申请提供一种陶瓷基板质量检测方法，包括：
S1、获取多个输入特征。
可选地，在一些实施例中，所述多个输入特征包括但不限于图像特征、物理特征以及时空特征。
可选地，获取图像特征的步骤包括：
获取所述陶瓷基板的图像，并从所述图像中提取出图像特征。
可以理解的是，图像特征指的是如陶瓷基板的边缘、纹理、颜色等。
在本实施例中，获取图像特征时，需要先拍摄陶瓷基板的图像，拍摄陶瓷基板的图像的实施步骤包括：
将陶瓷基板放在稳定的平台上，并确保环境光线适中。
选择合适的镜头，例如，使用宏镜头或专门的微距镜头，以便于更接近陶瓷基板进行拍摄。
设置相机参数，选择合适的ISO、快门速度和光圈，以确保获得清晰的图像。
启动连续拍摄模式，以对整个基板进行连续扫描，确保每一部分都被捕捉到，以获得陶瓷基板的图像。
将陶瓷基板的图像存储在高速存储设备上，以备后续分析。
在获得陶瓷基板的图像后，还要对陶瓷基板的图像进行图像处理，图像处理的实施步骤包括：
将陶瓷基板的图像进行裁剪和标准化。
使用图像处理技术(如Sobel算子、Laplacian等)提取陶瓷基板的图像中的边缘、纹理等特征，以得到图像特征。
在一些实施例中，还可以将经过图像处理的陶瓷基板的图像作为训练数据，即，采用已标记的数据集(即已知瑕疵和无瑕疵的陶瓷基板图像)，使用深度学习或其他机器学习算法进行模型训练。
可选地，获取物理特征的步骤包括：
对陶瓷基板进行检测，以获取所述陶瓷基板的物理特征。
可以理解的是，物理特征指的是如平均厚度、最大厚度、最小厚度、平均表面粗糙度等物理参数。
具体地，采用厚度传感器、表面粗糙度传感器等，测量陶瓷基板的物理参数，测量的物理参数包括陶瓷基板的厚度、表面凹凸程度。
获取时空特征的步骤包括：
获取拍摄陶瓷基板的视频，并基于预设时长，将视频划分成多个视频段；对每个视频段进行划分，以得到多帧图像，其中，每帧图像均携带时间戳；基于时间戳，将每帧图像归类到对应的时空数据集；将多个时空数据集输入至预设卷积神经网络，并通过预设卷积神经网络确定图像中目标特征在每个时间点所在的位置，并将每个具有对应的时间点和对应的位置的目标特征作为时空特征。
可选地，预设卷积神经网络处理时空数据的步骤包括：
对所述时空数据集进行解析，得到多个维度；基于所述多个维度，通过所述预设卷积神经网络中对应的卷积层以进行卷积操作；所述时空数据集的数据通过所述预设卷积神经网络的每个卷积层、每个池化层以及全连接层进行处理后，输出所述时空特征。
可以理解的是，时空特征指的是陶瓷基板生产过程中的时间序列变化以及陶瓷基板上空间分布的特征，为瑕疵检测和原因分析提供更丰富的信息。
可以理解的是，获取拍摄陶瓷基板的视频的方法可以是，使用高分辨率相机持续监控陶瓷基板的生产过程，每隔固定时间间隔捕捉陶瓷基板的图像。将每次捕捉的图像与对应的时间戳关联，对陶瓷基板的图像数据进行去噪、增强和标准化。将陶瓷基板的图像组织成一定长度的时间窗口，每个窗口包含连续的多帧陶瓷基板的图像，从而得到陶瓷基板的视频。
在本实施例中，使用3D卷积神经网络(3D CNN)处理时空数据。3D CNN可以捕捉图像序列中的时间和空间变化。3D CNN的输出时空特征，这些时空特征可以描述基板上瑕疵的发展过程和空间分布。
使用3D卷积神经网络(3D CNN)处理时空数据详细步骤：
3D CNN与传统的2D CNN非常相似，但它是为3D数据(例如视频或连续的图像序列)设计的。3D CNN不仅可以捕捉图像的宽度和高度上的空间特征，还可以捕捉时间维度上的连续性。
对于3D CNN，输入通常是一个时间序列的图像。例如，对于一个视频片段，可以将其表示为时间,高度,宽度,通道的四维张量。与2DCNN中的卷积操作相似，3D CNN在三个维度(宽度、高度和时间)上进行卷积操作。这意味着卷积核本身也是一个三维结构。由于3D卷积操作，3D CNN能够捕捉视频数据中的时空信息，例如物体的移动、形状变化等。
S2、基多个输入特征，生成融合特征，并将融合特征输入至训练后的检测模型。
可以理解的是，检测模型可以是基于支持向量机、神经网络、决策树等算法的预训练的机器学习或深度学习模型。
可选地，在一些实施例中，在步骤S2中，包括以下步骤：
(21)将每个输入特征的值均调节为预设数值范围内的值。
可以理解的是，为了确保网络的稳定和快速训练，对输入特征进行标准化或归一化，使其在一个相似的数值范围内。例如，可以将物理参数关键值进行最大-最小归一化或Z-score标准化。
具体地，不同的特征可能具有不同的数值范围和分布。为确保融合的效果和模型的稳定性，首先输入特征进行标准化或归一化。如以下输入特征进行标准化或归一化处理：
彩色图像特征(颜色、纹理和边缘)可能已经在0-255范围内。
红外图像的温度分布特征可能在一定的温度范围内，如20-80℃。
激光雷达的形状和深度特征大约在几米或几十米的范围内。
通过Z-score标准化或最小-最大归一化，使所有输入特征具有相似的数值范围。
(22)确定每个输入特征的权重值。
可以理解的是，根据不同特征的重要性为其分配权重。例如，如果本实施例认为温度分布特征对于检测某些特定的瑕疵更为关键，可以为其分配更高的权重。另一个实施例中，认为雷达特征比图像特征更重要，可以给雷达特征分配更大的权重。
(23)基于权重值，将每个输入特征进行融合，以得到待定特征，并将待定特征作为融合特征。
在一些实施例中，将每个输入特征进行融合的实施方式包括：
简单拼接，即将所有特征向量端对端地放在一起。例如，如果一个图像特征向量是f1,f2,f3，雷达特征向量是r1,r2，那么融合后的特征就是f1,f2,f3,r1,r2。例如，彩色图像特征向量为c1,c2,c3，红外图像特征为i1,i2，雷达特征为l1,l2,l3，则融合后的特征为c1,c2,c3,i1,i2,l1,l2,l3。
特征嵌入，即使用深度学习或其他降维方法，如主成分分析(PCA)，将不同来源的输入特征映射到一个共同的低维空间中，然后在该空间中进行融合。
降维方法指的是，当融合了大量输入特征后，特征向量的维度可能会变得非常大。这时可以使用降维技术，如主成分分析(PCA)或t-SNE，来减少特征的维度，同时尽量保留原始数据的变化和结构。
在一些实施例中，在将每个输入特征进行融合后，使用深度学习或其他技术对融合后的特征进行转换或编码。例如，可以使用自编码器或深度神经网络来学习融合特征的一个更紧凑、更有代表性的表示。
在一些实施例中，通过特征选择或特征提取进一步优化融合后的特征，确保保留最相关和最有信息价值的特征，同时去除冗余或不相关的特征。
在一些实施例中，在获得融合特征后，还需要验证融合效果。例如，在一个基准模型(如SVM、决策树等)上，使用融合前和融合后的特征分别进行训练和验证，比较其性能。如果融合后的特征提供了更好的性能，那么这表明融合是有效的。
可选地，在步骤(23)的基础上，还包括以下步骤：
基于预设筛选条件，对所述多个输入特征进行筛选，并将筛选后的输入特征进行融合，以得到优化后的待定特征；调用基准模型，并将所述多个输入特征和所述优化后的待定特征分别输入至所述基准模型进行运算，以获得对应的第一结果和第二结果；将所述第一结果与所述第二结果的有效值进行对比；当所述第一结果的有效值高于所述第二结果的有效值时，调节所述预设筛选条件，直至所述第二结果的有效值高于所述第一结果的有效值；当所述第二结果的有效值高于所述第一结果的有效值时，将所述优化后的待定特征确定为所述融合特征。
S3、基于训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果。
可以理解的是，基于训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算，例如，对于图像特征，可以使用卷积层来处理。对于物理参数关键值，可以使用全连接层或其他结构。在网络的后部分，可以将不同来源的特征进行融合，然后通过一系列全连接层进行最终的预测。加载预训练的网络权重。如果使用迁移学习，可能只加载某些层的权重，而其他层不加载。
可以理解的是，检测模型可以用于检测陶瓷基板中是否存在瑕疵，也可以用于检测陶瓷基板的厚度，因此检测模型输出的预测结果包括预测陶瓷基板中可能存在的瑕疵位置、瑕疵大小以及瑕疵类型，预测陶瓷基板的厚度。
可选地，在一些实施例中，在步骤S3中，包括以下步骤：
基于融合特征，确定陶瓷基板的厚度。
可选地，在一些实施例中，在步骤S3中，包括以下步骤：
基于融合特征，判断陶瓷基板中可能存在瑕疵的概率是否大于预设阈值，若是，则判定陶瓷基板中存在瑕疵，若否，则判定陶瓷基板中不存在瑕疵；当判定陶瓷基板中存在瑕疵时，确定瑕疵信息，并将瑕疵信息作为预测结果，其中，瑕疵信息至少包括瑕疵出现的位置、面积以及类型。
在本实施例中，利用训练后的检测模型检测陶瓷基板中存在的瑕疵，具体的实施方式包括：
确保输入到训练后的检测模型的融合特征的数据格式与检测模型训练时的数据格式一致。这可能包括标准化、归一化、调整形状等数据预处理。
将融合特征输入到训练后的检测模型，然后输出预测结果。输出的预测结果可能是通过这些形式呈现：
瑕疵概率图，表示图像中每个像素点是否存在瑕疵的概率。
瑕疵类型图，表示图像中每个像素点的瑕疵类型。
瑕疵大小图，表示图像中每个像素点瑕疵的大小。
如果输出的预测结果是瑕疵概率图，通过对瑕疵概率图设置一个阈值(例如0.5)，可以确定哪些像素点上存在瑕疵。使用连通组件算法，将相邻的、具有高于阈值概率的像素点组合在一起，从而确定每个瑕疵的位置和边界，从而确定瑕疵的位置。
如果输出的预测结果是瑕疵类型图，对于已确定位置的每个瑕疵，根据瑕疵类型图来确定其类型。例如，某个区域的大部分像素点的类型值为“裂纹”，那么这个瑕疵就被判定为“裂纹”。
如果输出的预测结果是瑕疵大小图，对于已确定位置的每个瑕疵，根据瑕疵大小图来确定其大小。可以通过统计该瑕疵区域中的所有像素点的平均大小值来实现。
对于检测到的瑕疵，可以在原始图像或数据上进行标注或高亮，使得用户或其他系统可以直观地在陶瓷基板图像中看到瑕疵的位置和类型。
进一步地，如果训练后的检测模型的检测结果在某些情况下不够理想，可以收集预测结果作为反馈，之后用于进一步优化或微调检测模型。
S4、基于预设标准值范围，判断预测结果是否符合标准，若是，则判定陶瓷基板为质量合格产品，若否，则判定陶瓷基板为质量不合格产品。
可以理解的是，根据预设标准值范围，如允许的最大瑕疵数量、允许的最小厚度和最大厚度等，判断预测结果是否符合标准，如果预测结果中所有指标都在预设标准值范围内，则基板被判定为合格。否则，判定为不合格。
例如，如果输出是瑕疵存在的概率，可以设定一个阈值，如0.5，以确定是否真正存在瑕疵。
进一步地，对于被判定为不合格的基板，可以进一步分析其生产过程中的数据，找出可能的原因，并进行改进。通过持续的数据收集和分析，不断优化和调整算法模型，提高判定的准确性。
本申请的陶瓷基板质量检测方法可以用于以下任一应用场景：
使用高分辨率相机捕捉陶瓷基板上的裂纹，并通过图像处理算法准确识别裂纹位置和长度。
使用厚度传感器测量陶瓷基板的厚度，并与标准值进行对比，判断是否在允许范围内。
结合图像捕捉模块和表面粗糙度传感器，检测陶瓷基板的平整度和表面质量。
可选地，在一些实施例中，陶瓷基板质量检测方法还包括以下步骤：
当判定陶瓷基板为质量不合格产品时，基于预测结果中不符合预设标准值范围的数值，确定不合格的原因；获取陶瓷基板的生产过程数据，并获取物理特征和图像特征；基于不合格的原因、生产过程数据、物理特征和图像特征，确定生产过程中出现的故障点，并输出对应的改进建议信息。
在本实施例中，可以根据雷达数据，分析陶瓷基板的瑕疵内部的结构信息。对于陶瓷基板的表面瑕疵，可以结合彩色图像和红外图像进行详细分析。根据瑕疵的特性和位置，结合生产过程中的数据，推断其产生的原因。
在一个具体实施例中，确定不合格的原因可能是：根据相机图像，检测到了一个陶瓷基板的表面有一个明显的黑点，进一步地，可以确定这个黑点位于基板的右下角。或者，通过雷达数据，确定这个黑点的深度为0.5mm，表示这是一个浅表面的缺陷，而不是一个完全贯穿的裂纹。
在获取到陶瓷基板的生产过程数据中，根据生产日志，本方案知道基板在生产过程中经历了以下几个关键步骤：材料混合、压模成型、表面抛光、烧制，通过检查每个步骤的详细日志，发现在“表面抛光”这一步，右下角的抛光设备报告了一个轻微的故障，并在故障后不久进行了维护。
综合上述信息，可以确定生产过程中出现的故障点。这个浅表面的黑点瑕疵可能是由于“表面抛光”步骤中的设备故障导致的。设备的异常操作可能在基板的右下角产生了这个缺陷。
为了避免类似的瑕疵再次出现，输出对应的改进建议信息为：需要对“表面抛光”这一步的设备进行进一步的检查和维护，确保其正常运行。同时，加强生产过程中的质量检测，及时发现和修复此类问题。
可选地，在一些实施例中，陶瓷基板质量检测方法还包括以下步骤：
获取预测结果中陶瓷基板的异常信息，并将异常信息向用户展示；当获取到用户反馈的标注信息时，将携带标注信息的特征输入至训练后的检测模型进行运算以获得新的预测结果。
可以理解的是，将异常信息向用户展示时，可以将检测结果、瑕疵详情和原因分析显示在用户界面上，例如，在原始图像上标注瑕疵的位置，譬如使用边界框或遮罩，如果模型同时输出瑕疵的类型，可以在标注旁边添加文字信息。将标注后的图像保存到文件或实时展示给用户。
在一种实施方式中，利用混合现实(MR)技术为用户提供直观、交互式的检测环境，对陶瓷基板进行瑕疵检测后，用户可以在MR环境中实时观察检测结果，与检测模型交互，并深入了解瑕疵的产生原因。
具体地，首先，配置MR设备，如Microsoft的HoloLens或其他兼容的混合现实头显。准备经过训练的检测模型，使其能够识别陶瓷基板的瑕疵。在MR环境中，使用内置摄像头或附加的高分辨率相机捕捉陶瓷基板的实时图像。数据实时传输到后台服务器或云端进行处理。将图像作为图像特征输入到训练后的检测模型中，并识别出瑕疵的位置、类型和大小。将识别结果实时渲染在MR头显中，用户可以看到基板上瑕疵的位置被高亮显示。用户可以通过手势或语音命令与模型交互，例如放大某个区域，查询瑕疵的详细信息等。分析瑕疵产生的特征，通过MR界面，展示可能的原因，如生产过程中的某一步骤出现问题，或是材料存在缺陷等。用户可以在MR环境中提出问题或标注疑似区域。通过深度学习模型，对用户提出的疑似区域进行再次检测，并给出反馈。用户在MR环境中可以看到完整的检测报告，包括瑕疵位置、类型、大小，以及可能的原因。用户也可以选择将报告导出为文档或图片，以供进一步的分析和处理。
进一步地，收集用户的交互数据，如标注的疑似瑕疵区域。将这些数据作为新的训练数据，继续优化检测模型，提高检测的准确性。
本实施例可以为用户提供一个直观、交互式的瑕疵检测环境。用户不仅可以实时看到检测结果，还可以与检测模型进行交互，深入了解瑕疵的产生原因。此外，通过持续的数据反馈和模型优化，可以进一步提高陶瓷基板质量检测的准确性和效率。
可选地，在一些实施例中，陶瓷基板质量检测方法还包括以下步骤：
获取预处理后的数据，并基于预处理后的数据，生成多个数据集，其中，多个数据集至少包括训练集、验证集和测试集；基于超参数、预设网络结构中多个层以及预设网络结构中每个层的权重值，确定待训练模型；将训练集输入至待训练模型进行运算，以对待训练模型进行训练；当对待训练模型进行训练时，将验证集输入至待训练模型进行运算，以确定待训练模型的性能值，其中，待训练模型的性能值至少包括准确率、召回率；当待训练模型的性能值不提高时，停止对待训练模型进行训练，以得到训练后的模型；将测试集输入至训练后的模型进行运算，以确定训练后的模型的性能值；当训练后的模型的性能值超过预设性能值时，将训练后的模型作为训练后的检测模型。
在本实施例中，详细的训练流程包括以下步骤：
先对将要输入到待训练模型的数据进行预处理，例如，数据清洗，去除任何损坏或不完整的图像，再如数据增强，使用图像增强技术(如旋转、缩放、裁剪、翻转等)增加数据集的大小和多样性，从而帮助模型更好地泛化。标准化预处理，即将图像像素值标准化到[0,1]范围或[-1,1]范围。
将数据集分为训练集、验证集和测试集。通常，可以使用约80％的数据进行训练，10％进行验证，10％进行测试。
选择待训练模型架构：对于深度学习，可以选择已知的网络架构，如ResNet、VGG、Inception等；对于传统机器学习，可以选择SVM、决策树、随机森林等算法。
对于待训练模型，初始化网络的权重。可以使用小的随机数或预训练的权重。
为待训练模型设置超参数，即选择合适的学习率、优化器(如Adam、SGD)、批次大小、学习率衰减策略等。
将训练集输入至待训练模型进行运算，以对待训练模型进行训练。
在每个epoch结束时，使用验证集评估模型的性能，即将验证集输入至待训练模型进行运算，以确定待训练模型的性能值。如果验证集的性能停止提高(或开始下降)，可以考虑降低学习率或提前终止训练(早停)。
一旦模型训练完成，使用测试集评估其性能，即，将测试集输入至训练后的模型进行运算，以确定训练后的模型的性能值。这可以提供模型在未见过的数据上的预期性能。
计算性能值的关键指标，如准确率、召回率、F1分数等。
如果模型出现过拟合，考虑使用正则化技术，如Dropout、L1/L2正则化。使用交叉验证选择最佳的超参数。
如果满意模型的性能，将模型的结构和权重保存到文件，以便后续使用或部署。
将训练好的模型部署到目标环境，如云服务器、边缘设备或嵌入式系统。
以上是一个通用的模型训练流程。根据具体的项目需求和数据特点，这个流程可能需要进行适当的调整和优化。检测模型，或者预设卷积神经网络均可采用模型训练方法。
可选地，在一些实施例中，当获取到用户反馈的标注信息时，将携带所述标注信息的特征作为训练数据保存至所述训练集。
本申请还提供一种具体的实施方式，在本实施例中，拍摄获得一个陶瓷基板的制造过程视频，将该视频切分为多个较短的片段，每个片段包含连续的图像帧。每个片段都可以表示为一个时间,高度,宽度,通道的四维张量。使用多个3D卷积层、池化层和全连接层来构建预设卷积神经网络预设的3DCNN。使用标记的视频数据(瑕疵的位置和类型已知)来训练3D CNN。
当预设的3D CNN处理视频片段时，它会捕捉到瑕疵随时间的发展过程。例如，如果一个裂纹在视频的早期帧中开始形成，然后逐渐扩大，预设的3D CNN会捕捉到这种时间上的连续性。同时，由于3D卷积操作，也会捕捉到瑕疵在空间上的分布。例如，它可以确定裂纹是从基板的哪个位置开始的，以及它是如何扩展的。预设的3D CNN的输出的时空特征，可以是一个特征图，表示视频中每个位置和时间点的瑕疵概率。通过解析这个特征图，本方案可以确定瑕疵的精确位置、它们是如何随时间发展的，以及它们的空间分布。
进一步地，将时空特征输入到训练后的陶瓷基板检测模型中，以输出瑕疵的位置、类型和大小。
在将时空特征输入到训练后的陶瓷基板检测模型之前，还包括以下步骤：
将时空特征格式化为适合深度神经网络输入的形式。这可能涉及调整特征的维度或进行归一化/标准化。
根据问题的复杂性选择合适的深度神经网络结构，以构成陶瓷基板检测模型。例如，对于复杂的瑕疵检测任务，可以选择深层的卷积神经网络(CNN)或残差网络(ResNet)。
将格式化后的时空特征直接输入到陶瓷基板检测模型的网络结构第一层。在网络结构中进行前向传播，通过多层神经元和激活函数处理输入的时空特征。使用回归层来预测瑕疵的具体位置。例如，可以预测瑕疵的中心点坐标和边界框大小。使用分类层来确定瑕疵的类型。例如，如果有三种可能的瑕疵类型，输出层可以有三个神经元，每个神经元的输出代表一个瑕疵类型的概率。使用回归层预测瑕疵的大小。输出可以是瑕疵的面积或其它度量。根据输出层的结果，解析瑕疵的位置、类型和大小。例如：
位置：如果输出是边界框的坐标和大小，可以直接使用这些值确定瑕疵的位置。
类型：选择输出层中概率最高的神经元对应的瑕疵类型。
大小：直接使用回归层的输出值作为瑕疵的大小。
根据需求，可能需要进一步处理输出的预测结果。例如，可以使用非极大值抑制(NMS)来消除重叠的瑕疵检测。
通过合适的网络结构设计和输出层的选择，本方案可以使深度神经网络处理时空特征并输出瑕疵的位置、类型和大小。
进一步地，利用时空特征中的时间信息，回溯瑕疵的发展过程。结合生产过程的其他数据，如温度、压力和湿度等，分析瑕疵产生的原因。
进一步地，对于被检测出的瑕疵，根据原因分析进行生产过程的调整，并提出改进建议。
进一步地，收集新的数据，继续训练和优化陶瓷基板检测模型。
进一步地，提供可视化工具，用户可以查看瑕疵的发展过程和空间分布。
本实施例可以更全面、更准确地检测陶瓷基板上的瑕疵，并分析其产生的原因。结合时间和空间的信息，这种方法可以提供更丰富的上下文，有助于深入了解瑕疵的形成过程和影响因素。
本申请提供一种陶瓷基板质量检测方法，首先，获取多个输入特征，接着，基于多个输入特征，生成融合特征，并将融合特征输入至训练后的检测模型，然后，基于训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果，最后，基于预设标准值范围，判断预测结果是否符合标准，若是，则判定陶瓷基板为质量合格产品，若否，则判定陶瓷基板为质量不合格产品。本申请通过获取多个输入特征作为判断陶瓷基板质量优劣的参考因素，相较于现有方案只用单一参数作为参考因素，本申请方案参考范围更广，判断标注更客观，从而有利于提高检测准确率。同时，基于多个输入特征生成融合特征后，利用检测模型识别融合特征，并输出预测结果，避免了因多个输入特征导致检测复杂度提升而降低检测速度，从而有利于提高检测效率。
请参见图2，图2为本申请实施例提供的陶瓷基板质量检测系统的结构示意图。
本申请还提供一种陶瓷基板质量检测系统，包括：
获取模块1，用于获取多个输入特征。
获取模块1包括：图像特征获取模块、物理特征获取模块以及时空特征获取模块。
图像特征获取模块，采用高分辨率相机，能够清晰捕捉陶瓷基板的微小瑕疵。高分辨率相机通常指的是那些具有超高像素数量的相机。例如，现在的部分数字单反相机(DSLR)或无反相机(mirrorless)可能具有2400万像素、3600万像素或更高的传感器。除了传统的摄影相机，工业相机也可能具有高分辨率，以满足特定应用的需求。
图像特征获取模块还可以是多组相机+毫米波雷达的组合模块，初始设置时，对于多组相机设置，配置相机参数，如ISO、快门速度和光圈，以获得最佳图像质量。启动连续拍摄模式，确保从不同角度和方向对基板进行全面拍摄。对于毫米波雷达设置，设置毫米波雷达的扫描参数，如频率和功率。开始对基板进行逐层扫描，捕捉内部的结构信息。从图像中提取边缘、纹理和颜色等特征。从雷达数据中提取深度、密度和反射强度等特征。
图像特征获取模块还可以是多组相机(红外、彩色相机)和激光雷达的组合模块，初始设置时，对于多组相机和激光雷达设置，配置红外相机、彩色相机的参数，如ISO、快门速度和光圈。设置激光雷达的扫描参数，如扫描频率、范围和分辨率。启动红外相机、彩色相机和激光雷达，确保三者的数据采集是同步的。彩色相机捕捉基板的颜色信息和表面瑕疵；红外相机捕捉温度分布和隐蔽瑕疵；激光雷达获取基板的三维形态和深度信息。从彩色图像中提取颜色、纹理和边缘特征。从红外图像中提取温度分布特征。从激光雷达数据中提取形状和深度特征。
物理特征获取模块，包括厚度传感器、表面粗糙度传感器等，用于测量陶瓷基板的物理参数。
厚度传感器可以是，超声波厚度传感器，这种传感器通过向物体发送超声波并接收反射回来的波来测量厚度。当超声波从一个介质(如空气)传到另一个介质(如金属或陶瓷)时，会产生反射。通过测量发送和接收这些波之间的时间差，可以计算出物体的厚度。厚度传感器也可以是，电容式厚度传感器，这种传感器的工作原理是测量两个电极之间的电容变化，以确定物体的厚度。当物体的厚度发生变化时，电极之间的电容也会随之变化。
表面粗糙度传感器可以是，接触式粗糙度计，这是一种常见的表面粗糙度测量设备，它使用一个钻石尖的探针在物体表面上移动，通过测量探针在垂直方向上的移动来获取表面的粗糙度。这种传感器可以提供非常精确的测量结果，但可能会对柔软或脆弱的材料造成损害。表面粗糙度传感器也可以是，光学粗糙度传感器，这种传感器使用光学技术(如激光散射或白光干涉)来测量物体表面的粗糙度。光线照射到物体表面并反射回来，通过分析反射光的特性可以得到表面粗糙度的信息。这种传感器的优点是非接触，不会对被测物体造成任何损害。
数据处理模块2，用于通过算法进行分析，判断陶瓷基板是否合格，包括：
第一数据处理子模块21，用于基多个输入特征，生成融合特征，并将融合特征输入至训练后的检测模型；
第二数据处理子模块22，用于基于训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果；
第三数据处理子模块23，用于基于预设标准值范围，判断预测结果是否符合标准，若是，则判定陶瓷基板为质量合格产品，若否，则判定陶瓷基板为质量不合格产品。
陶瓷基板质量检测系统还包括用户界面，用于显示检测结果，提供数据统计和分析功能。
获取模块1与数据处理模块2连接，数据处理模块2与用户界面连接。
可选地，在一些实施例中，所述多个输入特征包括图像特征、物理特征以及时空特征，时空特征获取模块用于：
获取拍摄陶瓷基板的视频，并基于预设时长，将视频划分成多个视频段；对每个视频段进行划分，以得到多帧图像，其中，每帧图像均携带时间戳；基于时间戳，将每帧图像归类到对应的时空数据集；将多个时空数据集输入至预设卷积神经网络，并通过预设卷积神经网络确定图像中目标特征在每个时间点所在的位置，并将每个具有对应的时间点和对应的位置的目标特征作为时空特征。
对所述时空数据集进行解析，得到多个维度；基于所述多个维度，通过所述预设卷积神经网络中对应的卷积层以进行卷积操作；所述时空数据集的数据通过所述预设卷积神经网络的每个卷积层、每个池化层以及全连接层进行处理后，输出所述时空特征。
可选地，在一些实施例中，第一数据处理子模块21还用于：
将每个输入特征的值均调节为预设数值范围内的值；确定每个输入特征的权重值；基于权重值，将每个输入特征进行融合，以得到待定特征，并将待定特征作为融合特征。
基于预设筛选条件，对所述多个输入特征进行筛选，并将筛选后的输入特征进行融合，以得到优化后的待定特征；调用基准模型，并将所述多个输入特征和所述优化后的待定特征分别输入至所述基准模型进行运算，以获得对应的第一结果和第二结果；将所述第一结果与所述第二结果的有效值进行对比；当所述第一结果的有效值高于所述第二结果的有效值时，调节所述预设筛选条件，直至所述第二结果的有效值高于所述第一结果的有效值；当所述第二结果的有效值高于所述第一结果的有效值时，将所述优化后的待定特征确定为所述融合特征。
可选地，在一些实施例中，第二数据处理子模块22还用于：
基于融合特征，判断陶瓷基板中可能存在瑕疵的概率是否大于预设阈值，若是，则判定陶瓷基板中存在瑕疵，若否，则判定陶瓷基板中不存在瑕疵；当判定陶瓷基板中存在瑕疵时，确定瑕疵信息，并将瑕疵信息作为预测结果，其中，瑕疵信息至少包括瑕疵出现的位置、面积以及类型。
可选地，在一些实施例中，陶瓷基板质量检测系统还包括反馈模块用于：
当判定陶瓷基板为质量不合格产品时，基于预测结果中不符合预设标准值范围的数值，确定不合格的原因；获取陶瓷基板的生产过程数据，并获取物理特征和图像特征；基于不合格的原因、生产过程数据、物理特征和图像特征，确定生产过程中出现的故障点，并输出对应的改进建议信息。
可选地，在一些实施例中，陶瓷基板质量检测系统还包括展示模块用于：
获取预测结果中陶瓷基板的异常信息，并将异常信息向用户展示；当获取到用户反馈的标注信息时，将携带标注信息的特征输入至训练后的检测模型进行运算以获得新的预测结果。
可选地，在一些实施例中，陶瓷基板质量检测系统还包括训练模块用于：
获取预处理后的数据，并基于预处理后的数据，生成多个数据集，其中，多个数据集至少包括训练集、验证集和测试集；基于超参数、预设网络结构中多个层以及预设网络结构中每个层的权重值，确定待训练模型；将训练集输入至待训练模型进行运算，以对待训练模型进行训练；当对待训练模型进行训练时，将验证集输入至待训练模型进行运算，以确定待训练模型的性能值，其中，待训练模型的性能值至少包括准确率、召回率；当待训练模型的性能值不提高时，停止对待训练模型进行训练，以得到训练后的模型；将测试集输入至训练后的模型进行运算，以确定训练后的模型的性能值；当训练后的模型的性能值超过预设性能值时，将训练后的模型作为训练后的检测模型。
当获取到用户反馈的标注信息时，将携带所述标注信息的特征作为训练数据保存至所述训练集。
本申请提供一种陶瓷基板质量检测系统，首先，获取模块1获取多个输入特征，接着，第一数据处理子模块21基于多个输入特征，生成融合特征，并将融合特征输入至训练后的检测模型，然后，第二数据处理子模块22基于训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果，最后，第三数据处理子模块23基于预设标准值范围，判断预测结果是否符合标准，若是，则判定陶瓷基板为质量合格产品，若否，则判定陶瓷基板为质量不合格产品。本申请通过获取多个输入特征作为判断陶瓷基板质量优劣的参考因素，相较于现有方案只用单一参数作为参考因素，本申请方案参考范围更广，判断标注更客观，从而有利于提高检测准确率。同时，基于多个输入特征生成融合特征后，利用检测模型识别融合特征，并输出预测结果，避免了因多个输入特征导致检测复杂度提升而降低检测速度，从而有利于提高检测效率。
此外，本申请实施例还提供一种电子设备，如图3所示，其示出了本申请实施例所涉及的电子设备的结构示意图，具体来讲：
该电子设备可以包括一个或者一个以上处理核心的处理器301、一个或一个以上计算机可读存储介质的存储器302、电源303和输入单元304等部件。本领域技术人员可以理解，图3中示出的电子设备结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。其中：
处理器301是该电子设备的控制中心，利用各种接口和线路连接整个电子设备的各个部分，通过运行或执行存储在存储器302内的软件程序和/或模块，以及调用存储在存储器302内的数据，执行电子设备的各种功能和处理数据，从而对电子设备进行整体监控。可选的，处理器301可包括一个或多个处理核心；优选的，处理器301可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器301中。
存储器302可用于存储软件程序以及模块，处理器301通过运行存储在存储器302的软件程序以及模块，从而执行各种功能应用以及图像信息通信方法。存储器302可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据电子设备的使用所创建的数据等。此外，存储器302可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。相应地，存储器302还可以包括存储器控制器，以提供处理器301对存储器302的访问。
电子设备还包括给各个部件供电的电源303，优选的，电源303可以通过电源管理系统与处理器301逻辑相连，从而通过电源管理系统实现管理充电、放电、以及功耗管理等功能。电源303还可以包括一个或一个以上的直流或交流电源、再充电系统、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。
该电子设备还可包括输入单元304，该输入单元304可用于接收输入的数字或字符信息，以及产生与用户设置以及功能控制有关的键盘、鼠标、操作杆、光学或者轨迹球信号输入。
尽管未示出，电子设备还可以包括显示单元等，在此不再赘述。具体在本实施例中，电子设备中的处理器301会按照如下的指令，将一个或一个以上的应用程序的进程对应的可执行文件加载到存储器302中，并由处理器301来运行存储在存储器302中的应用程序，从而实现各种功能，如下：
获取多个输入特征；基多个输入特征，生成融合特征，并将融合特征输入至训练后的检测模型；基于检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果；基于预设标准值范围，判断预测结果是否符合标准，若是，则判定陶瓷基板为质量合格产品，若否，则判定陶瓷基板为质量不合格产品。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
本申请提供一种电子设备，首先，获取多个输入特征，接着，基于多个输入特征，生成融合特征，并将融合特征输入至训练后的检测模型，然后，基于训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果，最后，基于预设标准值范围，判断预测结果是否符合标准，若是，则判定陶瓷基板为质量合格产品，若否，则判定陶瓷基板为质量不合格产品。本申请通过获取多个输入特征作为判断陶瓷基板质量优劣的参考因素，相较于现有方案只用单一参数作为参考因素，本申请方案参考范围更广，判断标注更客观，从而有利于提高检测准确率。同时，基于多个输入特征生成融合特征后，利用检测模型识别融合特征，并输出预测结果，避免了因多个输入特征导致检测复杂度提升而降低检测速度，从而有利于提高检测效率。
本领域普通技术人员可以理解，上述实施例的各种方法中的全部或部分步骤可以通过指令来完成，或通过指令控制相关的硬件来完成，该指令可以存储于一计算机可读存储介质中，并由处理器进行加载和执行。
为此，本申请实施例提供一种存储介质，其中存储有多条指令，该指令能够被处理器进行加载，以执行本申请实施例所提供的任一种陶瓷基板质量检测方法中的步骤。例如，该指令可以执行如下步骤：
获取多个输入特征；基多个输入特征，生成融合特征，并将融合特征输入至训练后的检测模型；基于检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果；基于预设标准值范围，判断预测结果是否符合标准，若是，则判定陶瓷基板为质量合格产品，若否，则判定陶瓷基板为质量不合格产品。
以上各个操作的具体实施可参见前面的实施例，在此不再赘述。
其中，该存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、磁盘或光盘等。
由于该存储介质中所存储的指令，可以执行本申请实施例所提供的任一种陶瓷基板质量检测方法中的步骤，因此，可以实现本申请实施例所提供的任一种陶瓷基板质量检测方法所能实现的有益效果，详见前面的实施例，在此不再赘述。
尽管已经相对于一个或多个实现方式示出并描述了本申请，但是本领域技术人员基于对本说明书和附图的阅读和理解将会想到等价变型和修改。本申请包括所有这样的修改和变型，并且仅由所附权利要求的范围限制。
即，以上所述仅为本申请的实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，例如各实施例之间技术特征的相互结合，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本申请的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本申请的实施例所属技术领域的技术人员所理解。
另外，对于特性相同或相似的结构元件，本申请可采用相同或者不相同的标号进行标识。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个特征。在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本申请中，为了使本领域任何技术人员能够实现和使用本申请，本申请给出了以上描述。在以上描述中，为了解释的目的而列出了各个细节。应当明白的是，本领域普通技术人员可以认识到，在不使用这些特定细节的情况下也可以实现本申请。在其它实施例中，不会对公知的结构和过程进行详细阐述，以避免不必要的细节使本申请的描述变得晦涩。因此，本申请并非旨在限于所示的实施例，而是与符合本申请所公开的原理和特征的最广范围相一致。

Claims (10)

1.一种陶瓷基板质量检测方法，其特征在于，包括：
获取多个输入特征；
基于所述多个输入特征，生成融合特征，并将所述融合特征输入至训练后的检测模型；
基于所述训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果；
基于预设标准值范围，判断所述预测结果是否符合标准，若是，则判定所述陶瓷基板为质量合格产品，若否，则判定所述陶瓷基板为质量不合格产品。
2.根据权利要求1所述的陶瓷基板质量检测方法，其特征在于，所述多个输入特征包括图像特征、物理特征以及时空特征，获取所述时空特征的步骤包括：
获取拍摄所述陶瓷基板的视频，并基于预设时长，将所述视频划分成多个视频段；
对每个所述视频段进行划分，以得到多帧图像，其中，每帧所述图像均携带时间戳；
基于所述时间戳，将每帧所述图像归类到对应的时空数据集；
将多个所述时空数据集输入至预设卷积神经网络，并通过所述预设卷积神经网络确定所述图像中目标特征在每个时间点所在的位置，并将每个具有对应的时间点和对应的位置的目标特征作为所述时空特征。
3.根据权利要求1所述的陶瓷基板质量检测方法，其特征在于，所述基于所述多个输入特征，生成融合特征，包括：
将每个所述输入特征的值均调节为预设数值范围内的值；
确定每个所述输入特征的权重值；
基于所述权重值，将每个所述输入特征进行融合，以得到待定特征，并将所述待定特征作为所述融合特征。
4.根据权利要求1所述的陶瓷基板质量检测方法，其特征在于，所述基于所述训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果，包括：
基于所述融合特征，判断所述陶瓷基板中可能存在瑕疵的概率是否大于预设阈值，若是，则判定所述陶瓷基板中存在瑕疵，若否，则判定所述陶瓷基板中不存在瑕疵；
当判定所述陶瓷基板中存在瑕疵时，确定瑕疵信息，并将所述瑕疵信息作为所述预测结果，其中，所述瑕疵信息至少包括瑕疵出现的位置、面积以及类型。
5.根据权利要求1所述的陶瓷基板质量检测方法，其特征在于，还包括：
当判定所述陶瓷基板为质量不合格产品时，基于所述预测结果中不符合所述预设标准值范围的数值，确定不合格的原因；
获取所述陶瓷基板的生产过程数据，并获取物理特征和图像特征；
基于所述不合格的原因、所述生产过程数据、所述物理特征和所述图像特征，确定生产过程中出现的故障点，并输出对应的改进建议信息。
6.根据权利要求1所述的陶瓷基板质量检测方法，其特征在于，还包括：
获取所述预测结果中所述陶瓷基板的异常信息，并将所述异常信息向用户展示；
当获取到用户反馈的标注信息时，将携带所述标注信息的特征输入至所述训练后的检测模型进行运算以获得新的预测结果。
7.根据权利要求1所述的陶瓷基板质量检测方法，其特征在于，还包括：
获取预处理后的数据，并基于所述预处理后的数据，生成多个数据集，其中，所述多个数据集至少包括训练集、验证集和测试集；
基于超参数、预设网络结构中多个层以及所述预设网络结构中每个层的权重值，确定待训练模型；
将所述训练集输入至所述待训练模型进行运算，以对所述待训练模型进行训练；
当对所述待训练模型进行训练时，将所述验证集输入至所述待训练模型进行运算，以确定所述待训练模型的性能值，其中，所述待训练模型的性能值至少包括准确率、召回率；
当所述待训练模型的性能值不提高时，停止对所述待训练模型进行训练，以得到训练后的模型；
将所述测试集输入至所述训练后的模型进行运算，以确定所述训练后的模型的性能值；
当所述训练后的模型的性能值超过预设性能值时，将所述训练后的模型作为所述训练后的检测模型。
8.一种陶瓷基板质量检测系统，其特征在于，包括：
获取模块，用于获取多个输入特征；
第一数据处理子模块，用于基于所述多个输入特征，生成融合特征，并将所述融合特征输入至训练后的检测模型；
第二数据处理子模块，用于基于所述训练后的检测模型的网络结构中多个层以及对应每个层的权重值进行运算并获得预测结果；
第三数据处理子模块，用于基于预设标准值范围，判断所述预测结果是否符合标准，若是，则判定所述陶瓷基板为质量合格产品，若否，则判定所述陶瓷基板为质量不合格产品。
9.一种电子设备，其特征在于，包括存储器，处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述程序时实现如权利要求1-7任一项所述陶瓷基板质量检测方法的步骤。
10.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-7任一项所述陶瓷基板质量检测方法的步骤。
CN202311494666.2A 2023-11-10 2023-11-10 陶瓷基板质量检测方法、系统、电子设备及存储介质 Pending CN117576014A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311494666.2A CN117576014A (zh) 2023-11-10 2023-11-10 陶瓷基板质量检测方法、系统、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311494666.2A CN117576014A (zh) 2023-11-10 2023-11-10 陶瓷基板质量检测方法、系统、电子设备及存储介质

Publications (1)

Publication Number Publication Date
CN117576014A true CN117576014A (zh) 2024-02-20

Family

ID=89859873

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311494666.2A Pending CN117576014A (zh) 2023-11-10 2023-11-10 陶瓷基板质量检测方法、系统、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117576014A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117933828A (zh) * 2024-03-20 2024-04-26 上海强华实业股份有限公司 一种精烧工艺闭环质量反馈与过程参数自适应调节方法
CN118052793A (zh) * 2024-02-27 2024-05-17 北京天翊文化传媒有限公司 毛绒玩具生产过程实时监控系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118052793A (zh) * 2024-02-27 2024-05-17 北京天翊文化传媒有限公司 毛绒玩具生产过程实时监控系统及方法
CN117933828A (zh) * 2024-03-20 2024-04-26 上海强华实业股份有限公司 一种精烧工艺闭环质量反馈与过程参数自适应调节方法

Similar Documents

Publication Publication Date Title
US11221107B2 (en) Method for leakage detection of underground pipeline corridor based on dynamic infrared thermal image processing
US20230419472A1 (en) Defect detection method, device and system
CN117576014A (zh) 陶瓷基板质量检测方法、系统、电子设备及存储介质
US9773302B2 (en) Three-dimensional object model tagging
JP6121425B2 (ja) ラスタ画像のエッジ検出によるベルト摩耗の測定
KR102103853B1 (ko) 결함 검사 장치 및 결함 검사 방법
KR102084535B1 (ko) 결함 검사 장치, 결함 검사 방법
US20230342907A1 (en) Image analysis apparatus, image analysis method, and program
CN116309409A (zh) 一种焊缝缺陷检测方法、系统和存储介质
CN112465746A (zh) 一种射线底片中小缺陷检测方法
KR102372714B1 (ko) 딥러닝 기반 자동 결함 검사 장치 및 방법
CN116543247A (zh) 基于光度立体表面重建的数据集制作方法及验证系统
CN115861156A (zh) 缺陷检测方法、装置、计算机设备和存储介质
CN117635590A (zh) 一种笔记本电脑外壳的缺陷检测方法、缺陷检测装置和存储介质
CN112070762A (zh) 液晶面板的mura缺陷检测方法、装置、存储介质及终端
CN114078127B (zh) 物件的缺陷检测及计数方法、装置、设备和存储介质
KR20230016571A (ko) 필름 검사 장치, 필름 검사 방법 및 프로그램
JP7059889B2 (ja) 学習装置、画像生成装置、学習方法、及び学習プログラム
CN116703803A (zh) 用于检测电池极片边缘的毛刺的方法、设备和系统
JP2006292615A (ja) 外観検査装置、外観検査方法、コンピュータを外観検査装置として機能させるためのプログラムおよび記録媒体
CN117351472A (zh) 烟叶信息检测方法、装置及电子设备
JP7404817B2 (ja) 学習装置、検出装置、学習方法、及び学習プログラム
CN117058106A (zh) 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法
CN116188374A (zh) 插座检测方法、装置、计算机设备及存储介质
CN112598632B (zh) 一种压接连接器接触件外观检测方法及装置

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