CN118096771B - 基于深度学习的烟支外观缺陷特征分析与分布处理方法 - Google Patents
基于深度学习的烟支外观缺陷特征分析与分布处理方法 Download PDFInfo
- Publication number
- CN118096771B CN118096771B CN202410528006.XA CN202410528006A CN118096771B CN 118096771 B CN118096771 B CN 118096771B CN 202410528006 A CN202410528006 A CN 202410528006A CN 118096771 B CN118096771 B CN 118096771B
- Authority
- CN
- China
- Prior art keywords
- cigarette
- appearance
- defect
- defects
- statistical
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 220
- 235000019504 cigarettes Nutrition 0.000 title claims abstract description 155
- 238000009826 distribution Methods 0.000 title claims abstract description 86
- 238000013135 deep learning Methods 0.000 title claims abstract description 40
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000003672 processing method Methods 0.000 title claims abstract description 10
- 238000004519 manufacturing process Methods 0.000 claims abstract description 54
- 238000012545 processing Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims description 38
- 238000004590 computer program Methods 0.000 claims description 23
- 238000013179 statistical model Methods 0.000 claims description 16
- 238000007619 statistical method Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000000007 visual effect Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 230000006872 improvement Effects 0.000 abstract description 11
- 230000007246 mechanism Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 10
- 239000002994 raw material Substances 0.000 description 9
- 238000007726 management method Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000003908 quality control method Methods 0.000 description 6
- 238000000546 chi-square test Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 241000208125 Nicotiana Species 0.000 description 2
- 235000002637 Nicotiana tabacum Nutrition 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000006260 foam Substances 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 235000019505 tobacco product Nutrition 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 239000002537 cosmetic Substances 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000005259 measurement 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
- 238000007781 pre-processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 239000002699 waste material Substances 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
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video 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
- G06V10/70—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
- 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]
-
- 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)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的烟支外观缺陷特征分析与分布处理方法，利用基于深度学习的机器视觉模型全面的从烟支图像中识别出外观缺陷，对外观缺陷进行分类处理，针对每一类外观缺陷执行数值化统计处理，从中获得源于历史数据的烟支外观缺陷统计分布规律，然后基于统计规律结果构建预测机制，不仅是对未来可能出现的烟支外观缺陷进行提前预警，尤其是可以通过分析烟支外观缺陷与生产过程中的若干变量之间的关联关系，为烟支生产过程中提供规避外观缺陷的改进驱动策略。本发明可以辅助用于深入了解每类缺陷的分布趋势和规律，使生产管理者更有效地识别缺陷产生的源头，从而制定精准的改进方案，提高产品质量并最终提升市场竞争力。
Description
技术领域
本发明涉及机器学习应用技术领域，尤其涉及一种基于深度学习的烟支外观缺陷特征分析与分布处理方法。
背景技术
烟支的外观缺陷，如刺破、夹沫、遮挡、卷烟纸异常、滤嘴异常、翘边和褶皱等，不仅影响消费者的感官体验，还可能导致消费者对产品品质产生质疑。因此，烟支外观的完整性直接关联到产品的市场接受度。在竞争激烈的市场中，优良的产品外观质量成为巩固和提升品牌声誉的重要手段。
目前，烟支生产过程中对于外观缺陷的处理主要集中在数量统计上。这种方法虽然能够提供缺陷的总体数量，但却缺乏对缺陷类型和分布状态的细化分析。这导致生产管理无法精确识别缺陷产生的具体环节和原因，从而无法针对性地实施改进措施。例如，简单的数量统计无法区分是机械故障、原材料问题还是操作失误导致的缺陷增加。
由于缺乏关于具体缺陷类型及其分布状态的详细信息，生产过程中无法实施深入的精益化管理，这种情况限制了生产效率的提升和产品质量的优化。为了实现更高水平的质量控制和生产过程优化，迫切需要一种能够提供细粒度缺陷数据的方法。
发明内容
鉴于上述，本发明旨在提供一种基于深度学习的烟支外观缺陷特征分析与分布处理方法，以解决前述提及的特定问题。
本发明采用的技术方案如下：
第一方面，本发明提供了一种基于深度学习的烟支外观缺陷特征分析与分布处理方法，其中包括：
利用基于深度学习的机器视觉模型，从烟支图像中识别外观缺陷；
在将识别出的外观缺陷进行分类后执行数值化统计处理；
基于统计结论构建预测模型，分析烟支外观缺陷与生产过程中的若干变量之间的关联关系；
利用所述关联关系，形成可视化的烟支外观缺陷处理策略。
在其中至少一种可能的实现方式中，所述方法包括：预先实时从多角度采集烟支外观图像的全样本，并为每个图像赋予时间戳信息。
在其中至少一种可能的实现方式中，所述从烟支图像中识别外观缺陷包括：
对各烟支多角度的外观图像数据进行增强处理；
将增强处理后的烟支图像数据进行整合，并记录每个烟支的外观信息；
对整合后的烟支图像数据进行格式化处理，以匹配对应的所述机器视觉模型。
在其中至少一种可能的实现方式中，所述从烟支图像中识别外观缺陷还包括：
对预处理后的烟支图像进行外观缺陷特征提取；
对提取出的外观缺陷特征进行多维分析，至少包括：烟支外观缺陷的几何特征、颜色分布以及与周围区域的对比度。
在其中至少一种可能的实现方式中，所述数值化统计处理包括：
统计任一类烟支外观缺陷的总数；
提取单一烟支上的该类外观缺陷的预设特征；
基于所述预设特征，求取所有烟支的同类外观缺陷的总体特征；利用所述总数、所述预设特征以及所述总体特征，获取总体标准差；以及，
同步获取缺陷位置分布并得到对应的离散数值表示，得到烟支外观缺陷数据的描述性统计结果。
在其中至少一种可能的实现方式中，所述数值化统计处理还包括：
基于烟支外观缺陷数据的描述性统计结果，以预设的统计模型进行假设；
在假设前提下，对所述统计模型进行参数估计；
对假设进行适应性检验，判定烟支外观缺陷数据是否符合所述统计模型；
基于检验结果，确定烟支外观缺陷数据的分布模式。
第二方面，本发明提供了一种基于深度学习的烟支外观缺陷特征分析与分布处理装置，其中包括：
缺陷识别模块，用于利用基于深度学习的机器视觉模型，从烟支图像中识别外观缺陷；
统计分析模块，用于在将识别出的外观缺陷进行分类后执行数值化统计处理；
预测关联模块，用于基于统计结论构建预测模型，分析烟支外观缺陷与生产过程中的若干变量之间的关联关系；
策略展示模块，用于利用所述关联关系，形成可视化的烟支外观缺陷处理策略。
第三方面，本发明提供了一种电子设备，其中包括：一个或多个处理器、存储器以及一个或多个计算机程序，所述存储器可以采用非易失性存储介质，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述电子设备执行如第一方面或者第一方面的任一可能实现方式中的所述方法。
第四方面，本发明提供了一种计算机可读存储介质，该计算机可读存储介质中存储有计算机程序，当其在计算机上运行时，使得计算机执行如第一方面或者第一方面的任一可能实现方式中的所述方法。
第五方面，本发明还提供了一种计算机程序产品，当所述计算机程序产品被计算机执行时，用于执行第一方面或者第一方面的任一可能实现方式中的所述方法。在第五方面的一种可能的设计中，该产品涉及到的相关程序可以全部或者部分存储在与处理器封装在一起的存储器上，也可以部分或者全部存储在不与处理器封装在一起的存储介质上。
本发明的主要设计构思在于，利用基于深度学习的机器视觉模型全面的从烟支图像中识别出外观缺陷，对外观缺陷进行分类处理，针对每一类外观缺陷执行数值化统计处理，从中获得源于历史数据的烟支外观缺陷统计分布规律，然后基于统计规律结果构建预测机制，不仅是对未来可能出现的烟支外观缺陷进行提前预警，尤其是可以通过分析烟支外观缺陷与生产过程中的若干变量之间的关联关系，为烟支生产过程中提供规避外观缺陷的改进驱动策略。本发明可以辅助用于深入了解每类缺陷的分布趋势和规律，使生产管理者更有效地识别缺陷产生的源头，从而制定精准的改进方案，提高产品质量并最终提升市场竞争力。
本发明方案实施后，其优势及效益不至于体现在下述：
（1）质量控制与生产效率提升：通过精确分析缺陷分布，该方法能够帮助厂家识别生产过程中的潜在问题，进而优化操作流程和设备设置，提高整体生产效率。
（2）预测模型的应用：基于历史和实时数据构建的预测模型可以预测未来的缺陷发生，帮助生产管理者提前采取措施，减少缺陷产生，进一步提升产品质量。
（3）数据驱动的决策过程：通过提供深入的数据分析和可视化报告，系统支持基于数据的决策，使生产管理更加科学和精准。
（4）寻因分析：系统不仅能够识别缺陷，还能分析其成因，为生产过程中的问题解决提供了有力的数据支持。
（5）提升品牌形象：通过持续优化产品质量，增强了品牌的市场竞争力和消费者信任。
（6）应对市场挑战：随着消费者对高质量烟草制品的需求日益增长，这种创新技术能够帮助生产商更好地满足市场需求，保持行业领先地位。
附图说明
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步描述，其中：
图1为本发明实施例提供的基于深度学习的烟支外观缺陷特征分析与分布处理方法的流程示意图；
图2为本发明实施例提供的烟支外观缺陷数据统计分析方法的流程示意图；
图3为本发明实施例提供的烟支外观缺陷数据统计验证方法的流程示意图；
图4为本发明实施例提供的基于深度学习的烟支外观缺陷特征分析与分布处理装置的示意图。
图5为本发明提供的电子设备的实施例的示意图。
具体实施方式
下面详细描述本发明的实施例，实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本发明提出了一种基于深度学习的烟支外观缺陷特征分析与分布处理方法的实施例，具体来说，如图1所示，其中包括：
步骤S1、从烟支图像中识别外观缺陷；
在实际操作中，可以采用前沿的深度学习技术，如Vision Transformer等类似的深度学习模型，提高了对烟支外观缺陷识别的精确度和效率。
具体而言，这里包括：
第一、数据采集环节，可参考如下：
a)全样本采集：为了确保数据的全面性和代表性，采用全样本采集方法。在生产线的每个环节设置高分辨率相机，实时捕捉烟支的外观图像。这样可以保证收集到每一支烟的外观信息，不遗漏任何可能的缺陷。
b)多角度拍摄：为了全面捕捉烟支的外观信息，采用多角度拍摄方法。每个烟支至少从上、侧、前三个角度进行拍摄，以便全方位捕捉潜在的外观缺陷。
c)时间戳标记：每个图像数据都会被赋予精确的时间戳，以便于追踪缺陷发生的具体时间，关联到特定的生产批次和环节。
基于上述进一步优选地，在一些较佳的实施例中，还可以包括数据预处理环节，例如：
a)图像质量检查：在进行深入分析之前，可以先对采集到的烟支图像进行质量检查，剔除因拍摄问题（如模糊、过曝等）导致无法正确分析的图像。
b)图像标准化处理：将所有烟支图像调整到统一的分辨率和尺寸，确保后续处理步骤中的一致性。图像标准化具体可以是指：调整亮度、对比度以及进行归一化处理，以消除拍摄条件变化带来的影响。
c)缺陷区域标注：使用人工智能辅助的方法，对每个烟支图像中的缺陷区域进行精确标注；标注信息可以包括缺陷的类型、位置和大小，为机器学习模型的训练提供基础。
d)图像数据增强：为了提高模型的泛化能力，还可以对烟支外观图像数据进行增强处理，如随机旋转、缩放、裁剪和色彩调整等，这有助于模型学习在不同条件下识别缺陷。
e)数据整合和格式化：将从不同角度拍摄的烟支外观图像数据整合在一起，为每个烟支建立一个综合的数据档案，这样可以确保在分析时考虑到从各个角度观察到的所有信息。
f)格式化处理：对整合后的数据进行格式化处理，使其适合输入到机器学习模型中进行训练和分析，这包括确保数据的一致性、可访问性以及与模型输入要求的匹配。
第二、利用机器学习算法来识别缺陷
1)使用机器学习模型提取特征；
应用如Vision Transformer(ViT)等先进的机器学习模型对前述预处理后的图像进行特征提取,这一步骤是为了从图像中提取关键信息，如缺陷的形状、纹理和颜色等。
2)多维特征分析：
对提取出的特征进行多维度分析，以确保从不同角度全面地理解烟支外观缺陷特性，这包括但不限于缺陷的几何特征、颜色分布以及与周围区域的对比度等。
接续前文，步骤S2、在将识别出的外观缺陷进行分类后执行数值化统计处理；
本实施例提出的综合缺陷分析不仅对烟支外观缺陷进行识别和分类，还可以针对各类缺陷进行深入的特征分析，包括大小、形状和位置。
由此，关于这里提及的数值化统计方式，可以使用泊松分布、正态分布等统计模型对各类烟支外观缺陷的分布进行精确计算，进一步地，还可以对缺陷分布进行定量描述以验证统计模型的准确性，这在传统的烟支外观统计方案中往往难以实现。
展开来说，所述数值化统计处理，简而言之其思路是将检测出的外观缺陷进行数值化，并可以使用统计模型进行逼近，然后根据结果进行统计分析，具体如图2所示，包括：
步骤S21、统计任一类烟支外观缺陷的总数；
在完成特征提取和分类后，将识别出的缺陷数据整理成适合统计分析的格式，此过程属于数据集的准备，其中包括缺陷的数量，即统计每个烟支上某一缺陷类型的数量。假设有n个烟支样本，设Di表示第i个烟支上该类缺陷的数量，则有该类缺陷的总数N：
步骤S22、提取单一烟支上的该类外观缺陷的预设特征；
从此步骤开始即是对烟支外观缺陷进行描述性统计分析，这包括计算缺陷出现的频率、平均值、标准差等。以本步骤而言，可以提供对数据整体分布特性的初步了解，例如刺破缺陷，其特点即刺破直径，设dij表示第i个烟支上第j个刺破缺陷的直径，对于每个烟支，该类缺陷的平均直径：
步骤S23、基于所述预设特征，求取所有烟支的同类外观缺陷的总体特征；
也即是对所有烟支的同类缺陷进行表达，如计算所有烟支的平均直径：
步骤S24、利用所述总数、所述预设特征以及所述总体特征，获取总体标准差；
结合上例，总体标准差的计算方式如下：
步骤S25、同步获取缺陷位置分布并得到对应的离散数值表示。
该步骤的目的是分析该类型缺陷在烟支上的分布情况，同样结合上例，例如可以设pij，表示第i个烟支上第j个缺陷的位置，则可以统计出该外观缺陷在不同位置的出现频率分布情况f(p)。
基于上述，本发明在一些更佳的实施例中，提出对某类外观缺陷数据进行上述的描述性统计分析之后，还可进一步执行假设及验证，参考图3示意，包括：
步骤S210、基于烟支外观缺陷数据的描述性统计结果，以预设的统计模型进行假设；
该实施例提出，关于烟支外观缺陷的数据分布规律可能会遵循某种统计模型的假设，如泊松分布、正态分布、二项分布等。以其中泊松分布为例，其常用于描述在一定时间或空间内随机发生的事件的数量，特别适用于分析独立事件（如烟支外观缺陷）的发生概率。
步骤S220、在假设前提下，对所述统计模型进行参数估计；
也即是，对符合假设的烟支外观缺陷数据进行参数估计。例如，在泊松分布假设下，估计分布的参数λ（平均发生率），这可以通过最大似然估计或其他统计方法完成，并且可以相应计算出期望和观察频率等。
步骤S230、对假设进行适应性检验，判定外观缺陷数据是否符合所述统计模型；
在实际操作中，优选使用如卡方检验或Kolmogorov-Smirnov检验，来确定数据是否符合假设的分布模型。具体来说，使用卡方检验来比较实际观察频率与泊松分布期望频率之间的差异，然后执行卡方分布与显著性判定，以确定是否拒绝关于数据符合泊松分布的零假设。
步骤S240、基于检验结果，确定烟支外观缺陷的数据分布模式。
如果计算得到的卡方统计量小于临界值，则无法拒绝零假设，即数据可认为符合泊松分布，也即是表明缺陷的发生大概率是随机且独立的事件，其发生率在监测期间是恒定的；如果卡方统计量大于临界值，则拒绝零假设，认为数据不符合泊松分布。
接续前文，再参考图1，本发明还包括：
步骤S3、基于统计结论构建预测模型，分析烟支外观缺陷与生产过程中的若干变量之间的关联关系；
在实际操作中，结合数据挖掘和机器学习技术，从前述统计结果中分析缺陷产生的原因，并建立预测模型。这里可以说明的是预测模型其核心目的是基于当前的生产参数和缺陷数据统计规律，预测未来缺陷的可能发生，并探索缺陷分布与时间、机器设定、原材料批次等因素之间的关系。这有助于识别导致缺陷的潜在原因，进而可以提供基于预测结论的生产调整建议，以优化生产过程并减少缺陷发生。
展开来说，该预测模型的架构本身并非关键，例如可以利用机器学习或数据挖掘领域的成熟算法模型，从大量生产和质量控制数据中提取训练样本，并经由训练使其在前述数值化统计基础上，能够分析烟支外观缺陷的分布与生产过程中的变量（如设备设置、原材料批次、操作条件）之间的关系，以识别缺陷产生的原因。
步骤S4、利用所述关联关系，形成可视化的烟支外观缺陷处理策略。
利用关联关系的分析结果，为生产过程的优化提供数据支持。例如，以人机界面或报告方式直观展示出根据缺陷状况分布模式的不同，可以调整机器参数、改进原材料选择或优化操作流程等措施建议，为生产管理提供决策支持，实现数据驱动的生产优化。
最后为了进一步理解上述方案构思，以前文提及的刺破该外观缺陷为例，假设在一定时间内生产的烟支中发现了“刺破”缺陷，这种缺陷表现为烟支表面出现的小孔或裂缝。由此基于前述各个实施例，执行如下环节：
1.数据采集与特征提取：
在生产过程中，通过高分辨率相机系统全面捕捉烟支图像，并使用经训练的Vision Transformer(ViT)模型从这些烟支图像中提取特征，成功识别出“刺破”缺陷。利用深度学习技术，尤其是Vision Transformer(ViT)等先进的机器视觉算法模型，实现对烟支外观缺陷的高精度识别和分类，代表了在烟草制品质量控制领域的技术创新。
2.缺陷分类与标注：
利用经训练的机器学习算法对缺陷进行分类，将“刺破”缺陷与其他类型的缺陷（如夹沫、遮挡等）区分开，并在数据集中对该类型进行明确标注。
3.统计分析：
对标注“刺破”的缺陷数据进行描述性统计分析，包括计算其在不同批次烟支中的出现频率、分布位置等。
4.分布模式假设与验证：
此示例中，假设“刺破”缺陷的出现遵循泊松分布，即缺陷发生是独立的且频率恒定的随机事件。
这里对泊松分布假设与验证步骤再次进行说明：
（1）泊松分布的定义：
泊松分布是一种描述在固定时间或空间内发生某事件次数的概率分布。其概率质量函数（PMF）由以下公式定义：
其中，P(X=k)是恰好有k次时间发生的概率，λ是时间的平均发生率，k!是k的阶乘。
（2）数据准备：
收集数据，例如，统计每个烟支上的“刺破”缺陷数量，确定观察时间或空间范围。
（3）计算期望发生率λ：
λ通常由数据的平均值给出，计算公式为：λ=总缺陷数/观察的烟支总数。
（4）分布频率计算：
计算在不同缺陷数量（k）下的期望频率和实际观察频率。
5.卡方检验：
在实际操作中，优选使用卡方检验来验证数据是否符合泊松分布，例如结果表明缺陷数据与泊松分布模型的适应度较高。具体来说，使用卡方检验来比较实际观察频率与泊松分布期望频率之间的差异，卡方统计量可由以下公式给出：
其中， Ok是观察到的频率，Ek是泊松分布期望的频率。
6.卡方分布与显著性判定：
计算得到的卡方统计量χ2与卡方分布表中的临界值进行比较，以确定是否拒绝关于数据符合泊松分布的零假设，过程中可以选择适当的显著性水平（例如0.05）和自由度（通常为观察频率类别数减一）。
7.分析结果解释：
如果计算得到的卡方统计量小于临界值，则无法拒绝零假设，即数据可认为符合泊松分布；如果卡方统计量大于临界值，则拒绝零假设，认为数据不符合泊松分布。当确定“刺破”缺陷的分布符合泊松分布时，即表明这种缺陷的发生可能与生产线上的随机因素（如偶发的机械故障或原材料质量波动）有关。
8.关联分析与改进措施：
进一步分析“刺破”缺陷的出现与生产线的特定环节和时间段的关联性，例如发现在某个特定的机器操作环节和使用特定批次原材料时，“刺破”缺陷的发生率有显著增加。由此，基于这一发现可以建议对该机器进行维护检查，并审查相关批次的原材料质量。
9.实施改进并监测效果：
在实施了机器维护和原材料质量控制后，对随后生产的烟支进行相同的缺陷检测及分析流程。经实测结果显示，“刺破”缺陷的发生率明显下降，由此验证了本发明提出的改进措施的有效性。
本发明不仅提供缺陷的数量统计，还深入分析缺陷的分布特性，为全面质量监控提供了新的视角。通过分析缺陷分布，可以更精准地诊断生产过程中的问题，如设备故障、原材料质量波动或操作不当，指导生产过程的精细调整，在确保产品质量、减少成本浪费、提高生产效率、优化生产决策等方面发挥着重要作用，对整个烟草制造行业的生产质量控制和管理有着深远的影响。其主要及可拓展的应用场景包括但不限于：
一.烟草生产线质量控制
在烟支制造过程中，实时监控烟支的外观质量，自动识别和记录各种缺陷，如刺破、夹沫、遮挡等，以确保产品质量。
二.生产过程优化
分析缺陷分布和特征，识别生产过程中的问题环节，如机器故障或操作失误，从而指导生产流程的调整和优化。
三.数据驱动的预测维护
利用历史数据和机器学习模型预测潜在的生产问题，实施预测性维护，以减少停机时间和提高生产效率。
四.生产决策支持
提供详细的缺陷报告和数据分析，辅助管理层做出更加科学和合理的生产决策。
五.品质保证和合规性
确保产品符合行业标准和质量要求，辅助进行品质保证和合规性测试。
六.消费者反馈和市场分析
分析缺陷数据与消费者反馈之间的关联，洞察市场需求和消费者偏好，指导产品改进和创新。
综上所述，本发明的主要设计构思在于，利用基于深度学习的机器视觉模型全面的从烟支图像中识别出外观缺陷，对外观缺陷进行分类处理，针对每一类外观缺陷执行数值化统计处理，从中获得源于历史数据的烟支外观缺陷统计分布规律，然后基于统计规律结果构建预测机制，不仅是对未来可能出现的烟支外观缺陷进行提前预警，尤其是可以通过分析烟支外观缺陷与生产过程中的若干变量之间的关联关系，为烟支生产过程中提供规避外观缺陷的改进驱动策略。本发明可以辅助用于深入了解每类缺陷的分布趋势和规律，使生产管理者更有效地识别缺陷产生的源头，从而制定精准的改进方案，提高产品质量并最终提升市场竞争力。
相应于上述各实施例及优选方案，本发明还提供了一种基于深度学习的烟支外观缺陷特征分析与分布处理装置400的实施例，如图4所示，具体可以包括如下部件：
缺陷识别模块401，用于利用基于深度学习的机器视觉模型，从烟支图像中识别外观缺陷；
统计分析模块402，用于在将识别出的外观缺陷进行分类后执行数值化统计处理；
预测关联模块403，用于基于统计结论构建预测模型，分析烟支外观缺陷与生产过程中的若干变量之间的关联关系；
策略展示模块404，用于利用所述关联关系，形成可视化的烟支外观缺陷处理策略。
应理解以上图4所示的基于深度学习的烟支外观缺陷特征分析与分布处理装置中各个部件的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些部件可以全部以软件通过处理元件调用的形式实现；还可以部分部件以软件通过处理元件调用的形式实现，部分部件通过硬件的形式实现。例如，某个上述模块可以为单独设立的处理元件，也可以集成在电子设备的某一个芯片中实现。其它部件的实现与之类似。此外这些部件全部或部分可以集成在一起，也可以独立实现。在实现过程中，上述方法的各步骤或以上各个部件可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些部件可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路（Application Specific Integrated Circuit；以下简称：ASIC），或，一个或多个微处理器（Digital Signal Processor；以下简称：DSP），或，一个或者多个现场可编程门阵列（Field Programmable Gate Array；以下简称：FPGA）等。再如，这些部件可以集成在一起，以片上系统（System-On-a-Chip；以下简称：SOC）的形式实现。
综合上述各实施例及其优选方案，本领域技术人员可以理解的是，在实际操作中，本发明所涉及的技术构思可适用于多种实施方式，本发明以下述载体作为示意性说明：
（1）一种电子设备。该设备具体可以包括：一个或多个处理器、存储器以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述设备执行前述实施例或者等效实施方式的步骤/功能。
该电子设备具体可以为与计算机相关的电子设备，例如但不限于各类计算终端及电子产品等。
具体来说，处理器、通信接口、存储器均可以通过通信总线完成相互间的通信。其中，处理器可能是一个中央处理器CPU、DSP、微控制器或数字信号处理器，还可包括GPU、嵌入式神经网络处理器（Neural-network Process Units；以下简称：NPU）和图像信号处理器（Image Signal Processor；以下简称：ISP），该处理器还可包括特定集成电路ASIC，或者是被配置成实施本发明实施例的一个或多个集成电路等，此外，处理器可以具有操作一个或多个软件程序的功能，软件程序可以存储在存储器等存储介质中；而前述的存储器/存储介质可以包括：非易失性存储器(Non-Volatile Memory)，例如非可移动磁盘、U盘、移动硬盘、光盘等，以及只读存储器（Read-Only Memory；以下简称：ROM）、随机存取存储器（RandomAccess Memory；以下简称：RAM）等。
即便本发明对电子设备的具体形式不作限定，但为了作为示意性介绍，以图5所示，本发明提供了基于深度学习的烟支外观缺陷特征分析与分布处理设备的实施例的结构示意图。具体来说，基于深度学习的烟支外观缺陷特征分析与分布处理设备900包括处理器910和存储器930。其中，处理器910和存储器930之间可以通过内部连接通路互相通信，传递控制和/或数据信号，该存储器930用于存储计算机程序，该处理器910用于从该存储器930中调用并运行该计算机程序。上述处理器910可以和存储器930可以合成一个处理装置，更常见的是彼此独立的部件，处理器910用于执行存储器930中存储的程序代码来实现上述功能。具体实现时，该存储器930也可以集成在处理器910中，或者，独立于处理器910。
除此之外，为了使得基于深度学习的烟支外观缺陷特征分析与分布处理设备900的功能更加完善，该基于深度学习的烟支外观缺陷特征分析与分布处理设备900还可以包括输入单元960、显示单元970、音频电路980、摄像头990和传感器901等中的一个或多个，所述音频电路还可以包括扬声器982、麦克风984等。其中，显示单元970可以包括显示屏。
进一步地，上述基于深度学习的烟支外观缺陷特征分析与分布处理设备900还可以包括电源950，用于给该基于深度学习的烟支外观缺陷特征分析与分布处理设备900中的各种器件或电路提供电能。
应理解，图5所示的基于深度学习的烟支外观缺陷特征分析与分布处理设备900能够实现前述实施例提供的方法的各个过程。该基于深度学习的烟支外观缺陷特征分析与分布处理设备900中的各个部件的操作和/或功能，可分别为了实现上述方法实施例中的相应流程。具体可参见前文中关于方法、装置等实施例的描述，为避免重复，此处适当省略详细描述。
应理解，图5所示的基于深度学习的烟支外观缺陷特征分析与分布处理设备900中的处理器910可以是片上系统SOC，该处理器910中可以包括中央处理器（CentralProcessing Unit；以下简称：CPU），还可以进一步包括其他类型的处理器，例如：图像处理器（Graphics Processing Unit；以下简称：GPU）等，具体在下文中再作介绍。
总之，处理器910内部的各部分处理器或处理单元可以共同配合实现之前的方法流程，且各部分处理器或处理单元相应的软件程序可存储在存储器930中。
（2）一种计算机数据存储介质，在该存储介质上存储有计算机程序或上述装置，当计算机程序或上述装置被执行时，使得计算机执行前述实施例或等效实施方式的步骤/功能。
在本发明所提供的几个实施例中，任一功能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数据存储介质中。基于这样的理解，本发明的某些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部分可以以如下所述软件产品的形式体现出来。
尤其需指出的是，该存储介质可以是指服务器或相类似的计算机设备，具体地，也即是服务器或类似的计算机设备中的存储器件中存储有前述计算机程序或上述装置。
（3）一种计算机程序产品（该产品可以包括上述装置），该计算机程序产品在终端设备上运行时，使终端设备执行前述实施例或等效实施方式的基于深度学习的烟支外观缺陷特征分析与分布处理方法。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到上述实施方法中的全部或部分步骤可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，上述计算机程序产品可以包括但不限于是指APP。
本发明实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
本领域技术人员可以意识到，本说明书中公开的实施例中描述的各模块、单元及方法步骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。本领域技术人员可以对每个特定的应用来使用不同方式来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
以及，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可。尤其，对于装置、设备等实施例而言，由于其基本相似于方法实施例，所以相关之处可参见方法实施例的部分说明即可。以上所描述的装置、设备等实施例仅仅是示意性的，其中作为分离部件说明的模块、单元等可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个地方，例如系统网络的节点上。具体可根据实际的需要选择其中的部分或者全部模块、单元来实现上述实施例方案的目的。本领域技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上依据图式所示的实施例详细说明了本发明的构造、特征及作用效果，但以上仅为本发明的较佳实施例，需要言明的是，上述实施例及其优选方式所涉及的技术特征，本领域技术人员可以在不脱离、不改变本发明的设计思路以及技术效果的前提下，合理地组合搭配成多种等效方案；因此，本发明不以图面所示限定实施范围，凡是依照本发明的构想所作的改变，或修改为等同变化的等效实施例，仍未超出说明书与图示所涵盖的精神时，均应在本发明的保护范围内。
Claims (8)
1.一种基于深度学习的烟支外观缺陷特征分析与分布处理方法，其特征在于，包括：
利用基于深度学习的机器视觉模型，从烟支图像中识别外观缺陷；
在将识别出的外观缺陷进行分类后执行数值化统计处理，包括：统计任一类烟支外观缺陷的总数；提取单一烟支上的该类烟支外观缺陷的预设特征，所述预设特征至少包括如下一种：缺陷出现的频率、平均值、标准差；基于所述预设特征，求取所有烟支的同类外观缺陷的总体特征；利用所述总数、所述预设特征以及所述总体特征，获取总体标准差；以及，同步获取缺陷位置分布并得到对应的离散数值表示，得到烟支外观缺陷数据的描述性统计结果；
所述数值化统计处理还包括：基于烟支外观缺陷数据的描述性统计结果，以预设的统计模型进行假设；在假设前提下，对所述统计模型进行参数估计；对假设进行适应性检验，判定烟支外观缺陷数据是否符合所述统计模型；基于检验结果，确定烟支外观缺陷数据的分布模式；
基于统计结论构建预测模型，分析烟支外观缺陷与生产过程中的若干变量之间的关联关系；
利用所述关联关系，形成可视化的烟支外观缺陷处理策略。
2.根据权利要求1所述的基于深度学习的烟支外观缺陷特征分析与分布处理方法，其特征在于，所述方法包括：预先实时从多角度采集烟支外观图像的全样本，并为每个图像赋予时间戳信息。
3.根据权利要求2所述的基于深度学习的烟支外观缺陷特征分析与分布处理方法，其特征在于，所述从烟支图像中识别外观缺陷包括：
对各烟支多角度的外观图像数据进行增强处理；
将增强处理后的烟支图像数据进行整合，并记录每个烟支的外观信息；
对整合后的烟支图像数据进行格式化处理，以匹配对应的所述机器视觉模型。
4.根据权利要求3所述的基于深度学习的烟支外观缺陷特征分析与分布处理方法，其特征在于，所述从烟支图像中识别外观缺陷还包括：
对预处理后的烟支图像进行外观缺陷特征提取；
对提取出的外观缺陷特征进行多维分析，至少包括：烟支外观缺陷的几何特征、颜色分布以及与周围区域的对比度。
5.一种基于深度学习的烟支外观缺陷特征分析与分布处理装置，其特征在于，包括：
缺陷识别模块，用于利用基于深度学习的机器视觉模型，从烟支图像中识别外观缺陷；
统计分析模块，用于在将识别出的外观缺陷进行分类后执行数值化统计处理，包括：统计任一类烟支外观缺陷的总数；提取单一烟支上的该类烟支外观缺陷的预设特征，所述预设特征至少包括如下一种：缺陷出现的频率、平均值、标准差；基于所述预设特征，求取所有烟支的同类外观缺陷的总体特征；利用所述总数、所述预设特征以及所述总体特征，获取总体标准差；以及，同步获取缺陷位置分布并得到对应的离散数值表示，得到烟支外观缺陷数据的描述性统计结果；所述数值化统计处理还包括：基于烟支外观缺陷数据的描述性统计结果，以预设的统计模型进行假设；在假设前提下，对所述统计模型进行参数估计；对假设进行适应性检验，判定烟支外观缺陷数据是否符合所述统计模型；基于检验结果，确定烟支外观缺陷数据的分布模式；
预测关联模块，用于基于统计结论构建预测模型，分析烟支外观缺陷与生产过程中的若干变量之间的关联关系；
策略展示模块，用于利用所述关联关系，形成可视化的烟支外观缺陷处理策略。
6.一种电子设备，其特征在于，包括：
一个或多个处理器、存储器以及一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中，所述一个或多个计算机程序包括指令，当所述指令被所述设备执行时，使得所述电子设备执行权利要求1~4任一项所述的基于深度学习的烟支外观缺陷特征分析与分布处理方法。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1~4任一项所述的基于深度学习的烟支外观缺陷特征分析与分布处理方法。
8.一种计算机程序产品，包括计算机程序，其特征在于，该计算机程序被处理器执行时实现权利要求1~4任一项所述的基于深度学习的烟支外观缺陷特征分析与分布处理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410528006.XA CN118096771B (zh) | 2024-04-29 | 2024-04-29 | 基于深度学习的烟支外观缺陷特征分析与分布处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410528006.XA CN118096771B (zh) | 2024-04-29 | 2024-04-29 | 基于深度学习的烟支外观缺陷特征分析与分布处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118096771A CN118096771A (zh) | 2024-05-28 |
| CN118096771B true CN118096771B (zh) | 2024-07-05 |
Family
ID=91147910
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410528006.XA Active CN118096771B (zh) | 2024-04-29 | 2024-04-29 | 基于深度学习的烟支外观缺陷特征分析与分布处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118096771B (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
| CN117830635A (zh) * | 2024-01-05 | 2024-04-05 | 浙江中烟工业有限责任公司 | 烟支外观图像识别方法、装置及介质 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE602004004246T2 (de) * | 2004-04-01 | 2007-11-15 | Heuristics Gmbh | Methode und System zur Erkennung von Defekten und gefährlichen Eigenschaften von passierenden Eisenbahnfahrzeugen |
| JP5865707B2 (ja) * | 2012-01-06 | 2016-02-17 | 株式会社キーエンス | 外観検査装置、外観検査方法及びコンピュータプログラム |
| WO2014200648A2 (en) * | 2013-06-14 | 2014-12-18 | Kla-Tencor Corporation | System and method for determining the position of defects on objects, coordinate measuring unit and computer program for coordinate measuring unit |
| CN103868935A (zh) * | 2014-02-14 | 2014-06-18 | 中国科学院合肥物质科学研究院 | 基于计算机视觉的烟支外观质量检测方法 |
| CN108613987A (zh) * | 2018-05-15 | 2018-10-02 | 南京焦耳科技有限责任公司 | 烟支外观实时在线检测剔除装置及方法 |
| CN109709921B (zh) * | 2018-12-27 | 2020-09-22 | 浙江中烟工业有限责任公司 | 一种烟支卷制过程在线单支质量实时数据逐支同步的方法 |
| CN114022469A (zh) * | 2021-11-15 | 2022-02-08 | 云南大学 | 一种烟支外观缺陷图像分类方法及系统 |
| CN114791460B (zh) * | 2022-04-08 | 2023-12-29 | 清华大学 | 一种基于数据融合的裂纹检测方法及检测装置、存储介质 |
| CN115311250A (zh) * | 2022-08-31 | 2022-11-08 | 四川中烟工业有限责任公司 | 基于深度学习和时空特征融合的烟支外观检测方法 |
| CN116353898A (zh) * | 2023-04-23 | 2023-06-30 | 龙岩烟草工业有限责任公司 | 烟包外观缺陷识别方法、装置及烟包生产系统 |
| CN117664990A (zh) * | 2023-12-13 | 2024-03-08 | 苏州锐璟科技有限公司 | 一种pcba外观缺陷智能检测方法 |
-
2024
- 2024-04-29 CN CN202410528006.XA patent/CN118096771B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115222741A (zh) * | 2022-09-20 | 2022-10-21 | 江苏昱恒电气有限公司 | 一种电缆表面缺陷检测方法 |
| CN117830635A (zh) * | 2024-01-05 | 2024-04-05 | 浙江中烟工业有限责任公司 | 烟支外观图像识别方法、装置及介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118096771A (zh) | 2024-05-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110136101B (zh) | 一种基于孪生距离比对的轮胎x光病疵检测方法 | |
| TWI642126B (zh) | 半導體晶圓檢測系統及其方法 | |
| CN116758491B (zh) | 应用于3d打印的打印监控图像分析方法及系统 | |
| CN112381800B (zh) | 一种导线直径异常识别方法、装置、电子设备和计算机可读存储介质 | |
| CN110275878B (zh) | 业务数据检测方法、装置、计算机设备及存储介质 | |
| CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及系统 | |
| CN110796039B (zh) | 一种面部瑕疵检测方法、装置、电子设备及存储介质 | |
| CN117542301A (zh) | 一种显示屏的检测方法及系统 | |
| CN114077919A (zh) | 用于预测加工异常的系统 | |
| CN118096771B (zh) | 基于深度学习的烟支外观缺陷特征分析与分布处理方法 | |
| CN116840240A (zh) | 电源分配器视觉检测系统 | |
| CN117314829A (zh) | 一种基于计算机视觉的工业零件质检方法和系统 | |
| TWM550465U (zh) | 半導體晶圓檢測系統 | |
| CN117654907B (zh) | 用于带料检测机的自动剔除方法及系统 | |
| CN118261914B (zh) | 一种基于人工智能的电感质量评估方法、系统及存储介质 | |
| CN118169144B (zh) | 一种基于多级匹配和ai复检的缺陷检测方法、系统及介质 | |
| CN117817211B (zh) | 基于机器视觉的焊接自动化控制方法及系统 | |
| CN118095971B (zh) | 一种ad钙奶饮料加工工艺评估方法、系统及介质 | |
| CN112187555B (zh) | 一种基于机器学习的实时kpi数据异常检测方法及装置 | |
| CN118053218A (zh) | 计算机板卡的检测方法、装置和系统 | |
| CN117909114A (zh) | 一种供电站计量数据异常处理方法及系统 | |
| CN116977324A (zh) | 产品外观缺陷全检测方法、装置及可读存储介质 | |
| CN111626586A (zh) | 数据质量检测方法、装置、计算机设备和存储介质 | |
| CN118533848A (zh) | Ffc排线ai瑕疵检测方法、系统及设备 | |
| CN118644452A (zh) | 一种基于轻量型辨识模型的铜板带缺陷识别系统及方法 |
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 |