CN117644625B - 一种基于机器视觉的智能注塑方法 - Google Patents
一种基于机器视觉的智能注塑方法 Download PDFInfo
- Publication number
- CN117644625B CN117644625B CN202410123986.5A CN202410123986A CN117644625B CN 117644625 B CN117644625 B CN 117644625B CN 202410123986 A CN202410123986 A CN 202410123986A CN 117644625 B CN117644625 B CN 117644625B
- Authority
- CN
- China
- Prior art keywords
- injection molding
- injection
- probability
- product
- neural network
- 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
- 238000001746 injection moulding Methods 0.000 title claims abstract description 176
- 238000002347 injection Methods 0.000 claims abstract description 96
- 239000007924 injection Substances 0.000 claims abstract description 96
- 239000013598 vector Substances 0.000 claims abstract description 36
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 7
- 238000012423 maintenance Methods 0.000 claims abstract description 6
- 229920003023 plastic Polymers 0.000 claims description 37
- 239000004033 plastic Substances 0.000 claims description 37
- 230000007547 defect Effects 0.000 claims description 14
- 238000012797 qualification Methods 0.000 claims description 11
- 238000000034 method Methods 0.000 claims description 10
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 230000002950 deficient Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 11
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 239000012809 cooling fluid Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- 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
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明涉及注塑领域,更具体地,本发明涉及一种基于机器视觉的智能注塑方法,方法包括:采集注塑产品图像设置标签,得到注塑产品数据集;构建神经网络模型,根据注塑产品数据集训练神经网络模型,得到最优神经网络模型;调节注塑机的注射条件,使用最优神经网络模型实时检测注塑产品合格的概率,得到不同注塑条件下的概率张量;根据概率张量中每个位置元素的概率值和其邻域位置元素的概率值得到稳定度并确定最佳注塑参数;实时获取注塑产品图像,得到注塑产品质量概率值和相关性,从而判断注塑机的运行状态,确定注塑机检修顺序。本发明通过注塑产品概率的向量的相关性,优化生产参数,提高生产效率减少废品率。
Description
技术领域
本发明一般地涉及注塑领域。更具体地,本发明涉及一种基于机器视觉的智能注塑方法。
背景技术
机器视觉是一门以计算机科学为基础,利用计算机视觉和模式识别技术来模拟和实现人类视觉的过程与能力的学科。它通过使用计算机算法和技术,使计算机能够理解和解释图像或视频的内容,并从中获取有用的信息;机器视觉的应用十分广泛,在许多领域都有重要的作用。例如,在工业生产中,机器视觉可以用来进行产品质量检测和监控,实现自动化生产。在医疗领域,机器视觉可以用于诊断和检测疾病,提高医疗诊断准确性和效率。在交通领域,机器视觉可以用来进行车辆识别和交通监控,提升交通安全和管理效果。
注塑机是一种用于制造塑料制品的机器设备。它采用注塑工艺,将加热熔化的塑料通过高压射入模具中,使其在模具内部冷却凝固后形成所需形状的制品或零件;注塑机在现代制造中非常常见,因为它可以生产出各种尺寸、形状和用途的塑料制品,从小型组件到大型零件都能胜任。其高效率和精确性使其成为塑料制造行业中不可或缺的设备;将机器视觉与注塑机结合,通过视觉识别和数据分析技术,用于监测和控制注塑过程。
注塑制品的废品数量与总生产数量之比是衡量注塑加工质量和效率的一个重要指标,目前注塑机在注塑加工过程中,由于不同的注塑产品需要调整不同的注塑参数,注塑参数影响产品质量,生产人员不能快速调整最优注塑参数,导致每个注塑产品的不一致性,以至于产品质量低下,从而废品率增加,生产投入成本较高。
发明内容
为解决上述一个或多个技术问题,本发明提出根据历史数据中不同注塑产品的最佳注塑参数方式,通过机器学习方法可以对注塑过程中的关键参数进行实时监测和分析,使用神经网络模型,得到注塑产品合格的概率张量,同时基于注塑产品概率的向量的相关性判断注塑机的运行状态,以提高预测准确性和稳定性,为此,本发明在如下的多个方面中提供方案。
一种基于机器视觉的智能注塑方法,包括:采集注塑机生产的注塑产品图像,对注塑产品图像设置标签,注塑产品图像和标签构成注塑产品数据集,其中,标签为:质量合格、射出压力存在问题、塑料温度存在问题、模具温度存在问题的其中一个;构建神经网络模型,根据所述注塑产品数据集训练神经网络模型,输入注塑产品图像,输出注塑产品的质量,得到最优神经网络模型;调节注塑机的射出压力、塑料温度和模具温度,使用最优神经网络模型实时检测注塑产品合格的概率,得到不同注塑条件下注塑产品合格的概率张量;根据所述概率张量中每个位置元素的概率值和其邻域位置元素的概率值计算所述概率张量中每个位置元素的稳定度,根据所述稳定度最大的元素所在位置的射出压力、塑料温度和模具温度确定最佳注塑参数;实时获取注塑产品图像,输入最优神经网络模型,得到注塑产品质量概率值;计算所述注塑产品质量概率值的向量和不同缺陷产品输入模型中得到的注塑产品概率值的向量的相关性,基于所述相关性判断注塑机的运行状态,确定注塑机检修顺序。
在一个实施例中,计算所述概率张量中每个位置元素的稳定度,包括:
所述稳定度满足下述关系式:
其中,表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的稳定度,/>表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的合格概率,/>表示在概率张量中射出压力为/>、塑料温度为/>、模具温度为/>的元素的邻域内注塑产品合格概率的均值,/>表示在概率张量中射出压力为/>、塑料温度为/>、模具温度为/>的元素的邻域内注塑产品合格概率的标准差。
在一个实施例中,所述最佳注塑参数满足下述关系式:
其中,表示最佳注塑参数,/>表示最大值,/>表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的稳定度,/>表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的合格概率。
在一个实施例中,所述相关性满足下述关系式:
其中,表示实时的注塑产品质量类别概率向量/>和历史有某种缺陷的注塑产品质量类别概率向量/>的相关性,/>表示实时的注塑产品质量类别概率向量/>和历史有某种缺陷的注塑产品质量类别概率向量/>的协方差,/>表示实时的注塑产品质量类别概率向量/>的标准差,/>表示历史有某种缺陷的注塑产品质量类别概率向量/>的标准差。
在一个实施例中,构建神经网络模型,根据所述注塑产品数据集训练神经网络模型,包括:
建立卷积神经网络模型,模型的输入为注塑产品图像,输出为注塑产品的质量,模型的损失函数为交叉熵损失,采用梯度下降算法更新模型参数,得到最优神经网络模型。
在一个实施例中,使用最优神经网络模型实时检测注塑产品合格的概率,得到不同注塑条件下注塑产品合格的概率张量,包括:
调节注塑机的注塑参数,得到不同条件下注塑产品图像,将不同条件下注塑产品图像输入所述最优神经网络模型,得到不同条件下注塑产品合格的概率;
将同一注塑条件下注塑产品合格的概率张量的均值作为同类注塑产品合格的概率;
将所有所述同类注塑产品合格的概率组成概率张量。
在一个实施例中,基于所述相关性判断注塑机的运行状态,确定注塑机检修顺序,包括:
响应于相关性大于预设阈值,则注塑机生产出的产品出现异常,停止注塑机的工作,根据注塑产品质量概率值的向量和不同缺陷产品的注塑产品概率值的向量的相关性进行排序,优先检修所述相关性大的参数,确定注塑机的射出压力、塑料温度和模具温度的检修顺序。
本发明具有以下效果:
1.本发明通过最佳注塑参数进行注塑,在注塑的过程中实时监测注塑产品的质量,计算质量合格的概率向量和有质量问题的概率向量之间的相关性,根据相关性判断注塑机是否存在潜在故障,有潜在故障时依据相关性给出检修顺序,优化生产参数,提高生产效率,减少废品率。
2.本发明通过历史注塑产品合格的概率,得到不同注塑条件下注塑产品合格的概率张量,通过概率张量中每个位置元素的概率值和其邻域位置元素的概率值计算所述概率张量中每个位置元素的稳定度,从而有利于根据稳定度和注塑产品合格的概率值计算出最佳注塑参数,以便于调节注塑参数。
附图说明
通过参考附图阅读下文的详细描述,本发明示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中,以示例性而非限制性的方式示出了本发明的若干实施方式,并且相同或对应的标号表示相同或对应的部分,其中:
图1是本发明实施例一种基于机器视觉的智能注塑方法中步骤S1-S6的方法流程图。
图2是本发明实施例一种基于机器视觉的智能注塑方法中步骤S30-S32的方法流程图。
图3是本发明实施例一种基于机器视觉的智能注塑方法中步骤S40-S41的方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下面结合附图来详细描述本发明的具体实施方式。
参照图1,一种基于机器视觉的智能注塑方法包括步骤S1-S6,具体如下:
S1:采集注塑机生产的注塑产品图像,对注塑产品图像设置标签,注塑产品图像和标签构成注塑产品数据集,其中,标签为:质量合格、射出压力存在问题、塑料温度存在问题、模具温度存在问题的其中一个。
进一步说明,使用相机拍摄注塑机生产出来的注塑产品图像,对注塑产品图像使用高斯滤波进行去噪,专家根据每张图像中注塑产品的质量给每张注塑产品图像一个标签,注塑产品图像和对应的标签构成注塑产品数据集。
S2:构建神经网络模型,根据注塑产品数据集训练神经网络模型,输入注塑产品图像,输出注塑产品的质量,得到最优神经网络模型。
建立卷积神经网络模型,模型的输入为注塑产品图像,输出为注塑产品的质量,模型的损失函数为交叉熵损失,采用梯度下降算法更新模型参数,得到最优神经网络模型。
进一步说明,卷积神经网络模型(Convolutional Neural Networks)是一种深度学习模型或类似于人工神经网络的多层感知器,常用来分析视觉图像。注塑产品数据集训练卷积神经网络模型,得到最优神经网络模型。
S3:调节注塑机的射出压力、塑料温度和模具温度,使用最优神经网络模型实时检测注塑产品合格的概率,得到不同注塑条件下注塑产品合格的概率张量,参照图2,包括步骤S30-S32:
S30:调节注塑机的注塑参数,得到不同条件下注塑产品图像,将不同条件下注塑产品图像输入最优神经网络模型,得到不同条件下注塑产品合格的概率;
进一步说明,调节注塑机的注塑参数,其中注塑参数包括:射出压力、塑料温度和模具温度,模具温度主要由冷却液和其循环次数决定。
S31:将同一注塑条件下注塑产品合格的概率张量的均值作为同类注塑产品合格的概率;
S32:将所有同类注塑产品合格的概率组成概率张量。
进一步说明,概率张量中每个位置表示在注塑条件下产品合格的概率,
其中,本实施例中,概率张量是一个三维矩阵,概率张量是在概率论和统计学中使用的一种数据结构。它可以用来表示随机变量的联合概率分布,并提供了许多关于这些随机变量的概率和统计特性的操作;概率张量可以被看作是一个多维数组,其中每个元素代表了不同随机变量的取值的概率。这些随机变量可以是离散的,也可以是连续的。概率张量的维度对应于随机变量的数量,而每个维度的大小对应于该随机变量可能的取值的数量,以用来描述随机变量之间的关系以及进行各种概率计算和统计推断。
S4:根据概率张量中每个位置元素的概率值和其邻域位置元素的概率值。计算概率张量中每个位置元素的稳定度,根据稳定度最大的元素所在位置的射出压力、塑料温度和模具温度确定最佳注塑参数,参照图3,包括步骤S40-S41:
S40:计算概率张量中每个位置元素的稳定度,稳定度满足下述关系式:
其中,表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的稳定度,/>表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的合格概率,/>表示在概率张量中射出压力为/>、塑料温度为/>、模具温度为/>的元素的邻域内注塑产品合格概率的均值,/>表示在概率张量中射出压力为/>、塑料温度为/>、模具温度为/>的元素的邻域内注塑产品合格概率的标准差;
进一步说明,某一参数下的注塑机生产出的注塑产品的稳定度和该条件下生产的注塑产品质量合格的概率和其相邻参数条件下生产出的注塑产品质量合格的概率有关,稳定度越大,反应当其他影响注塑机参数的环境因素波动时,对注塑产品的质量影响越小,稳定度越高说明注塑产品质量越稳定。
本实施例中,使用26邻域内元素计算均值和方差。概率张量中某一位置的26邻域为该位置三维坐标系下其周围棋盘距离为1的范围。
S41:根据稳定度计算注塑机的最佳注塑参数满足下述关系式:
其中,表示最佳注塑参数,/>表示最大值,/>表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的稳定度,/>表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的合格概率。
S5:实时获取注塑产品图像,输入最优神经网络模型,得到注塑产品质量概率值。
S6:计算注塑产品质量概率值的向量和不同缺陷产品输入模型中得到的注塑产品概率值的向量的相关性,基于相关性判断注塑机的运行状态,确定注塑机检修顺序。
相关性满足下述关系式:
其中,表示实时的注塑产品质量类别概率向量/>和历史有某种缺陷的注塑产品质量类别概率向量/>的相关性,/>表示实时的注塑产品质量类别概率向量/>和历史有某种缺陷的注塑产品质量类别概率向量/>的协方差,/>表示实时的注塑产品质量类别概率向量/>的标准差,/>表示历史有某种缺陷的注塑产品质量类别概率向量/>的标准差;
响应于相关性大于预设阈值,则注塑机生产出的产品出现异常,停止注塑机的工作,根据注塑产品质量概率值的向量和不同缺陷产品的注塑产品概率值的向量的相关性进行排序,优先检修相关性大的参数,确定注塑机的射出压力、塑料温度和模具温度的检修顺序。
进一步说明,预设阈值为0.5,当相关性小于预设阈值时,说明此时注塑机生产出的产品没有问题,相关性越大说明注塑机在以最佳参数注塑的过程中产品的质量出现了问题,产品质量的下降主要由相关性大的原因所导致,在检修时先对该质量问题进行检修,注塑机的历史中每一个注塑参数有某种缺陷的注塑产品质量类别向量(射出压力存在问题、塑料温度存在问题、模具温度存在问题)与实时进行注塑产品质量概率值的向量的相关性的大小作为检修顺序,相关性越大,进而优先检修。
在本说明书的描述中,“多个”、“若干个”的含义是至少两个,例如两个,三个或更多个等,除非另有明确具体的限定。
虽然本说明书已经示出和描述了本发明的多个实施例,但对于本领域技术人员显而易见的是,这样的实施例只是以示例的方式提供的。本领域技术人员会在不偏离本发明思想和精神的情况下想到许多更改、改变和替代的方式。应当理解的是在实践本发明的过程中,可以采用对本文所描述的本发明实施例的各种替代方案。
Claims (3)
1.一种基于机器视觉的智能注塑方法,其特征在于,包括:
采集注塑机生产的注塑产品图像,对注塑产品图像设置标签,注塑产品图像和标签构成注塑产品数据集,其中,标签为:质量合格、射出压力存在问题、塑料温度存在问题、模具温度存在问题的其中一个;
构建神经网络模型,根据所述注塑产品数据集训练神经网络模型,输入注塑产品图像,输出注塑产品的质量,得到最优神经网络模型;
调节注塑机的射出压力、塑料温度和模具温度,使用最优神经网络模型实时检测注塑产品合格的概率,得到不同注塑条件下注塑产品合格的概率张量;
根据所述概率张量中每个位置元素的概率值和其邻域位置元素的概率值计算所述概率张量中每个位置元素的稳定度,根据所述稳定度最大的元素所在位置的射出压力、塑料温度和模具温度确定最佳注塑参数;
实时获取注塑产品图像,输入最优神经网络模型,得到注塑产品质量概率值;
计算所述注塑产品质量概率值的向量和不同缺陷产品输入模型中得到的注塑产品概率值的向量的相关性,基于所述相关性判断注塑机的运行状态,确定注塑机检修顺序;
计算所述概率张量中每个位置元素的稳定度,包括:
所述稳定度满足下述关系式:
其中,表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的稳定度,/>表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的合格概率,表示在概率张量中射出压力为/>、塑料温度为/>、模具温度为/>的元素的邻域内注塑产品合格概率的均值,/>表示在概率张量中射出压力为/>、塑料温度为/>、模具温度为/>的元素的邻域内注塑产品合格概率的标准差;
所述最佳注塑参数满足下述关系式:
其中,表示最佳注塑参数,/>表示最大值,/>表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的稳定度,/>表示注塑机的射出压力为/>、塑料温度为/>、模具温度为/>时注塑产品的合格概率;
所述相关性满足下述关系式:
其中,表示实时的注塑产品质量类别概率向量/>和历史有某种缺陷的注塑产品质量类别概率向量/>的相关性,/>表示实时的注塑产品质量类别概率向量/>和历史有某种缺陷的注塑产品质量类别概率向量/>的协方差,/>表示实时的注塑产品质量类别概率向量/>的标准差,/>表示历史有某种缺陷的注塑产品质量类别概率向量/>的标准差;
构建神经网络模型,根据所述注塑产品数据集训练神经网络模型,包括:
建立卷积神经网络模型,模型的输入为注塑产品图像,输出为注塑产品的质量,模型的损失函数为交叉熵损失,采用梯度下降算法更新模型参数,得到最优神经网络模型。
2.根据权利要求1所述的一种基于机器视觉的智能注塑方法,其特征在于,使用最优神经网络模型实时检测注塑产品合格的概率,得到不同注塑条件下注塑产品合格的概率张量,包括:
调节注塑机的注塑参数,得到不同条件下注塑产品图像,将不同条件下注塑产品图像输入所述最优神经网络模型,得到不同条件下注塑产品合格的概率;
将同一注塑条件下注塑产品合格的概率张量的均值作为同类注塑产品合格的概率;
将所有所述同类注塑产品合格的概率组成概率张量。
3.根据权利要求1所述的一种基于机器视觉的智能注塑方法,其特征在于,基于所述相关性判断注塑机的运行状态,确定注塑机检修顺序,包括:
响应于相关性大于预设阈值,则注塑机生产出的产品出现异常,停止注塑机的工作,根据注塑产品质量概率值的向量和不同缺陷产品的注塑产品概率值的向量的相关性进行排序,优先检修所述相关性大的参数,确定注塑机的射出压力、塑料温度和模具温度的检修顺序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123986.5A CN117644625B (zh) | 2024-01-30 | 2024-01-30 | 一种基于机器视觉的智能注塑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410123986.5A CN117644625B (zh) | 2024-01-30 | 2024-01-30 | 一种基于机器视觉的智能注塑方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117644625A CN117644625A (zh) | 2024-03-05 |
CN117644625B true CN117644625B (zh) | 2024-04-05 |
Family
ID=90048151
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410123986.5A Active CN117644625B (zh) | 2024-01-30 | 2024-01-30 | 一种基于机器视觉的智能注塑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117644625B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006351114A (ja) * | 2005-06-16 | 2006-12-28 | Toshiba Corp | 記憶媒体、再生方法及び記録方法 |
CN108038853A (zh) * | 2017-12-18 | 2018-05-15 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
CN111611607A (zh) * | 2020-05-23 | 2020-09-01 | 武汉市新洲三角塑料制品有限公司 | 一种基于区块链的注塑产品生产数据管理系统及方法 |
CN113119425A (zh) * | 2021-03-22 | 2021-07-16 | 广东工业大学 | 一种基于改进支持向量机的注塑产品质量预测方法 |
CN114235845A (zh) * | 2021-11-19 | 2022-03-25 | 东莞理工学院 | 用于注塑件产品缺陷检测的机构、系统及方法 |
CN116151133A (zh) * | 2023-04-20 | 2023-05-23 | 南京邮电大学 | 基于机器学习的模块封装注塑工艺参数预测方法 |
CN116852665A (zh) * | 2023-07-13 | 2023-10-10 | 浙江大学 | 一种基于混合模型的注塑工艺参数智能调节方法 |
CN116934687A (zh) * | 2023-06-12 | 2023-10-24 | 浙江大学 | 一种基于半监督辅助学习语义分割的注塑制品表面缺陷检测方法 |
CN117274259A (zh) * | 2023-11-22 | 2023-12-22 | 深圳市利新联电子有限公司 | 一种基于物联网的键盘生产设备管理方法及系统 |
CN117455316A (zh) * | 2023-12-20 | 2024-01-26 | 中山市东润智能装备有限公司 | 一种注塑工厂设备数据采集的方法 |
-
2024
- 2024-01-30 CN CN202410123986.5A patent/CN117644625B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006351114A (ja) * | 2005-06-16 | 2006-12-28 | Toshiba Corp | 記憶媒体、再生方法及び記録方法 |
CN108038853A (zh) * | 2017-12-18 | 2018-05-15 | 浙江工业大学 | 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法 |
CN111611607A (zh) * | 2020-05-23 | 2020-09-01 | 武汉市新洲三角塑料制品有限公司 | 一种基于区块链的注塑产品生产数据管理系统及方法 |
CN113119425A (zh) * | 2021-03-22 | 2021-07-16 | 广东工业大学 | 一种基于改进支持向量机的注塑产品质量预测方法 |
CN114235845A (zh) * | 2021-11-19 | 2022-03-25 | 东莞理工学院 | 用于注塑件产品缺陷检测的机构、系统及方法 |
CN116151133A (zh) * | 2023-04-20 | 2023-05-23 | 南京邮电大学 | 基于机器学习的模块封装注塑工艺参数预测方法 |
CN116934687A (zh) * | 2023-06-12 | 2023-10-24 | 浙江大学 | 一种基于半监督辅助学习语义分割的注塑制品表面缺陷检测方法 |
CN116852665A (zh) * | 2023-07-13 | 2023-10-10 | 浙江大学 | 一种基于混合模型的注塑工艺参数智能调节方法 |
CN117274259A (zh) * | 2023-11-22 | 2023-12-22 | 深圳市利新联电子有限公司 | 一种基于物联网的键盘生产设备管理方法及系统 |
CN117455316A (zh) * | 2023-12-20 | 2024-01-26 | 中山市东润智能装备有限公司 | 一种注塑工厂设备数据采集的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117644625A (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210001526A1 (en) | Injection molding machine system | |
CN108688105B (zh) | 状态判定装置 | |
US11220033B2 (en) | Computer implemented method for generating a mold model for production predictive control and computer program products thereof | |
JP6616375B2 (ja) | 状態判定装置 | |
Park et al. | A predictive maintenance approach based on real-time internal parameter monitoring | |
Bugatti et al. | Towards real-time in-situ monitoring of hot-spot defects in L-PBF: a new classification-based method for fast video-imaging data analysis | |
Bisheh et al. | A layer-by-layer quality monitoring framework for 3D printing | |
CN116757546B (zh) | 一种基于工业互联网的生产监测预警系统 | |
EP4137901A1 (en) | Deep-learning-based real-time process monitoring system, and method therefor | |
Tellaeche et al. | Machine learning algorithms for quality control in plastic molding industry | |
CN115861317A (zh) | 基于机器视觉的塑胶模具生产缺陷检测方法 | |
Obregon et al. | Rule-based explanations based on ensemble machine learning for detecting sink mark defects in the injection moulding process | |
US20220001586A1 (en) | Method and system for improving a physical production process | |
CN109634233A (zh) | 工业大数据智能分析决策方法、可读存储介质和终端 | |
Michael | Advanced process data analysis and on-line evaluation for computer-aided monitoring in polymer film industry | |
Nasiri et al. | Faults and failures prediction in injection molding process | |
CN113192037A (zh) | 一种皮带机监测方法、系统、介质及电子终端 | |
CN116701992A (zh) | 基于图注意力网络和时间卷积网络的多模态异常检测方法 | |
CN109614451A (zh) | 工业大数据智能分析决策装置 | |
CN117644625B (zh) | 一种基于机器视觉的智能注塑方法 | |
CN108364471B (zh) | 基于智能交通灯od信息检查的货运规划管理方法及系统 | |
Martínez-de-Pisón et al. | Modelling of an elastomer profile extrusion process using support vector machines (SVM) | |
CN113246421B (zh) | 一种基于大数据的注塑工业数据处理系统及方法 | |
CN116834244A (zh) | 注塑模具的图像监测报警系统及其方法 | |
Li et al. | Predicting the parts weight in plastic injection molding using least squares support vector regression |
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 |