JP2021100796A - 射出成形システム - Google Patents
射出成形システム Download PDFInfo
- Publication number
- JP2021100796A JP2021100796A JP2019232641A JP2019232641A JP2021100796A JP 2021100796 A JP2021100796 A JP 2021100796A JP 2019232641 A JP2019232641 A JP 2019232641A JP 2019232641 A JP2019232641 A JP 2019232641A JP 2021100796 A JP2021100796 A JP 2021100796A
- Authority
- JP
- Japan
- Prior art keywords
- molding
- image
- molded product
- unit
- injection molding
- 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.)
- Granted
Links
- 238000001746 injection moulding Methods 0.000 title claims abstract description 123
- 238000000465 moulding Methods 0.000 claims abstract description 258
- 230000007547 defect Effects 0.000 claims abstract description 156
- 238000010801 machine learning Methods 0.000 claims abstract description 133
- 238000003860 storage Methods 0.000 claims abstract description 49
- 238000005259 measurement Methods 0.000 claims abstract description 33
- 238000013500 data storage Methods 0.000 claims abstract description 6
- 230000002950 deficient Effects 0.000 claims description 49
- 238000004519 manufacturing process Methods 0.000 claims description 20
- 238000003709 image segmentation Methods 0.000 claims description 15
- 238000002845 discoloration Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 6
- 229910052709 silver Inorganic materials 0.000 claims description 6
- 239000004332 silver Substances 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 5
- 206010027146 Melanoderma Diseases 0.000 claims description 2
- 239000000243 solution Substances 0.000 abstract 1
- 238000012549 training Methods 0.000 description 15
- 238000000034 method Methods 0.000 description 14
- 210000005252 bulbus oculi Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- BQCADISMDOOEFD-UHFFFAOYSA-N Silver Chemical compound [Ag] BQCADISMDOOEFD-UHFFFAOYSA-N 0.000 description 5
- 238000002347 injection Methods 0.000 description 3
- 239000007924 injection Substances 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 210000001508 eye Anatomy 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
- B29C45/17—Component parts, details or accessories; Auxiliary operations
- B29C45/76—Measuring, controlling or regulating
- B29C45/768—Detecting defective moulding conditions
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
- B07C5/3422—Sorting according to other particular properties according to optical properties, e.g. colour using video scanning devices, e.g. TV-cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76003—Measured parameter
- B29C2945/76163—Errors, malfunctioning
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76177—Location of measurement
- B29C2945/7629—Moulded articles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76451—Measurement means
- B29C2945/76461—Optical, e.g. laser
- B29C2945/76464—Optical, e.g. laser cameras
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76939—Using stored or historical data sets
- B29C2945/76949—Using stored or historical data sets using a learning system, i.e. the system accumulates experience from previous occurrences, e.g. adaptive control
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
- B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
- B29C2945/00—Indexing scheme relating to injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould
- B29C2945/76—Measuring, controlling or regulating
- B29C2945/76929—Controlling method
- B29C2945/76979—Using a neural network
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Mechanical Engineering (AREA)
- Multimedia (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
【解決手段】射出成形システム1は、成形品を観察する作業者の視線の動きを計測する視線計測部303と、視線計測部により計測された作業者の視線の動きを示す視線情報と視線情報を計測した計測時刻とを記憶する視線データ記憶部350と、視線情報及び計測時刻に基づいて作業者が所定の時間以上注視していた及び/又は所定の回数以上視線を向けていた成形品の注視領域を特定する注視領域特定部304と、特定された注視領域の画像を記憶する注視領域記憶部360と、成形不良種別を入力又は選択する成形不良種別入力部と、注視領域の画像から成形不良種別を機械学習する機械学習器20と、を備え、機械学習器は、成形品に発生している成形不良の種別を入力して、注視領域の画像から成形不良の特徴量を学習して自動認識するように機械学習する。
【選択図】図1
Description
この点、射出成形の成形条件を機械学習によって最適化する技術や、疑似データセットを生成させて機械学習する技術が知られている。例えば、特許文献1、2参照。
また、取得した成形品の画像を手動で加工して成形不良箇所を移動、拡大させる作業を行うことも可能であるが、手動による効率の悪い作業を強いられ、さらに、数秒から数十秒の連続成形中に各ショットの成形品画像を手動で加工することは困難である。このため、成形品画像を使用して射出成形条件の最適化を行うには困難を伴うおそれがあった。
<第1実施形態>
図1は、第1実施形態に係る射出成形システムの機能的構成例を示す機能ブロック図である。図1に示すように、射出成形システム1は、射出成形機10、機械学習器20、及び視線計測装置30を有する。
射出成形機10は、当業者にとって公知の射出成形機であり、制御装置101及び表示器102を組み込んで有する。射出成形機10は、制御装置101の動作指令に基づいて動作する。なお、制御装置101は、射出成形機10とは独立した装置でもよい。
また、後述するように、作業者が目視した成形品の成形不良を認識した場合に、表示器102は、表示器102に含まれるタッチパネル等の入力装置(図示しない)を介して、作業者に対して成形不良の種別を入力させるための成形不良種別画面、又は成形不良種別を選択させるための成形不良種別選択画面を表示するように構成してもよい。そうすることで、作業者が成形不良を認識した場合に、後述するように、機械学習のためのラベル情報としての成形不良の種別を、例えば射出成形機10に含まれる記憶部(図示しない)に記憶することができる。なお、成形不良種別は、後述する作業者が目視した注視領域に対応付けて記憶する。
また、表示器102は、表示器102の入力装置(図示しない)を介して、成形不良種別画面において熟練者によって入力された成形品の成形不良種別が入力された場合、射出成形機10又は制御装置101は、入力された成形不良種別を、後述する作業者が目視した注視領域に対応付けて、後述する機械学習器20に出力するようにしてもよい。なお、成形不良種別の入力のための画面は、例えば射出成形システム1の備えるパソコン等の表示器(図示しない)に表示するようにしてもよい。
また、表示器102は、熟練者による成形条件調整が完了して良品が成形できるようになった時に成形条件調整完了信号を機械学習器20に入力するための成形条件調整終了ボタンである調整完了入力部(図示しない)を表示してもよい。なお、調整完了入力部は、射出成形機10や制御装置101等の操作パネルに設置した成形条件調整終了ボタン、又は連続成形を開始する自動ボタンにより構成されてもよく、また射出成形機10に含まれ調整完了を示す熟練者等の作業者の音声を検出する音声認識装置(図示しない)により構成されてもよい。そうすることで、機械学習器20に良品を成形している状態であることを報知させることが可能となる。
また、表示器102は、後述するように、量産成形開始後に、成形不良判定装置としての機械学習器20により成形品の成形不良が自動認識された場合、成形不良の種別を表示するようにしてもよい。この場合、例えば、作業者は、成形を停止するか、又は公知の良品不良品分別装置(図示しない)に信号を入力することで当該不良品を廃棄することができる。
作業者が成形を停止して、当該成形品に係る成形条件を微調整することで、成形不良が解消した場合、作業者に対して表示器102を介して、成形不良がなくなったことを報知することができる。なお、表示器102は、成形不良に係る表示を消去することで、成形不良がなくなったことを報知するようにしてもよい。
視線計測装置30は、例えば、熟練者等の作業者に装着され、作業者の視線を計測する。視線計測装置30は、眼球画像カメラ301、視線方向カメラ302、視線計測部303、注視領域特定部304、及び記憶部305を有する。
図2は、視線計測装置30の一例を示す図である。
図2に示すように、視線計測装置30は、例えば、眼鏡型の構造体に、眼球画像カメラ301、視線方向カメラ302、視線計測部303、注視領域特定部304、及び記憶部305が配置される。なお、図2では、視線計測部303、注視領域特定部304、及び記憶部305を省略する。
視線方向カメラ302は、作業者が注視している対象を含む作業者の視線方向の画像を撮影するデジタルカメラである。
射出成形システム1は、例えば、特開平2−185230号公報に記載されているように、視線方向カメラ302に替えて、視線計測装置30とは別に固定して配置され射出成形機10により射出成形された成形品を撮影する、成形品撮影部としてのカメラを備えてもよい。この場合、射出成形システム1は、前記カメラと表示器102やコンピュータのモニタ等と通信可能に接続して、撮影された成形品の画像を表示器102やコンピュータのモニタ等に表示してもよい。
そして、作業者は、前記カメラにより撮影された成形品の画像を注視するようにしてもよい。この場合、作業者の眼球の視線の注視位置座標を測定するための眼球画像カメラ301は、装着した作業者が表示器102等に表示された成形品の画像における、作業者の眼球の視線の注視位置座標(注視位置)を測定するようにしてもよい。
なお、固定して配置されたカメラの座標系と射出成形機10の機械座標系、及びカメラの座標系とロボットの座標系とは、周知の手法を用いて、予め校正されていてもよい。
熟練者を含む作業者は成形不良の症状が小さかったり、見分けづらかったりする程、同じ位置の注視時間が長くなる。そして、作業者は、成形品の向きを変えて光の当たり具合を調整しながら、同じ位置を何回も注視する。さらに、作業者は、成形中は各成形品の同じ位置を注視することで、視線を向ける回数が特定位置のみ増加する傾向がある。このため、注視時間や視線を向ける回数を積算することによって、注視位置を抽出(特定)することが可能となる。さらに、注視位置が複数抽出された場合、異なる位置あるいは異なる成形不良が複合で発生していることも判定することが可能である。
そこで、注視領域特定部304は、読み出した視線情報及び計測時刻に基づいて熟練者等の作業者が所定の時間(例えば、1秒)以上注視していた及び/又は所定の回数(例えば、5回)以上視線を向けていた成形品の注視領域を特定するように構成される。
注視領域特定部304は、特定した注視領域を後述する記憶部305(注視領域記憶部360)に記憶する。なお、所定の時間や所定の回数は、要求される成形品の品質、又は熟練者の熟練度等に応じて適宜決定されてもよい。
図4Aに示すように、注視領域特定部304は、視線方向カメラ302により撮影された画像のうち、視線計測部303により計測された成形不良箇所の注視点を中心とする予め設定された形状の領域、例えば、注視点を中心とする長方形領域を抽出し、注視領域として特定してもよい。なお、領域の大きさは、成形不良箇所の大きさに応じて適宜調整されてもよい。
また、人間の視点は多少ばらつきながら成形不良を注視するため、注視点を囲んだ領域に成形不良画像が収まりきらない場合がある。そこで、図4Bに示すように、注視領域特定部304は、視線計測部303により計測された複数(例えば、4つ)の注視点を囲んだ領域とその周りの領域を含む1〜4倍の領域を、注視領域として特定してもよい。なお、注視点は画面上の座標が分かるため、領域を拡大するための計算は簡単に行うことが可能である。
また、注視領域特定部304は、注視領域を複数抽出(特定)してもよい。この場合、射出成形システム1は、異なる位置あるいは異なる成形不良が複合で発生していることも判定することが可能である。
なお、射出成形機10の制御装置101は、注視領域特定部304が作業者の注視領域を特定した場合に、注視領域を表示器102に拡大表示させるようにしてもよい。そうすることで、成形不良箇所を見易くして成形条件調整の効率を上げることが可能となる。拡大表示の倍率は、2倍、5倍等に予め設定されてもよい。また、注視領域の全域が収まる範囲で最も大きく拡大表示するようにしてもよい。
機械学習器20は、学習フェーズにおいて、後述する訓練データに基づいて教師あり学習を行うことで学習済みモデルを生成する。具体的には、注視領域特定部304により特定された注視領域の画像を入力データとして、当該画像に基づく成形不良種別(「良」であることを含む)をラベルデータとして、教師あり学習を行う。
他方、機械学習器20は、運用フェーズにおいて、前記学習済みモデルに基づいて、成形品の不良か否かの判定を行う。具体的には、機械学習器20は、成形品の前記特定された注視領域の画像を、学習フェーズにおいて機械学習器20により生成された学習済みモデルに入力することにより、前記特定された注視領域に基づいて当該成形品が不良か否かの判定、及び、不良と判定された場合の成形不良種別を判定することができる。なお、運用フェーズにおいて、成形品の前記特定された注視領域の画像を、作業者の装着した視線計測装置30の備える視線方向カメラ302により撮影するようにしてもよい。なお、前述した成形品撮影部としてのカメラ、及びロボットに装着されるカメラにより撮影するようにしてもよい。以下、「視線方向カメラ302等」と記載された場合、特に断らない限り、前述した成形品撮影部としてのカメラ、及びロボットに装着されるカメラを含むものとする。
学習フェーズにおける機械学習器20は、例えば、予め、成形条件調整時において、熟練者に装着された視線計測装置30が撮影した、射出成形された成形品の画像のうち、注視領域特定部304により特定された注視領域の画像、を含む入力データを取得する。
また、機械学習器20は、取得した入力データの注視領域の画像に対応する成形品の成形不良種別、を示すデータをラベル(正解)として取得する。
機械学習器20は、取得した入力データとラベルとの組の訓練データにより教師あり学習を行い、後述する学習済みモデルを構築する。
学習フェーズにおける、機械学習装置としての機械学習器20について、具体的に説明する。
なお、機械学習器20は、図1の機能ブロックの動作を実現するために、CPU(Central Processing Unit)等の図示しない演算処理装置を備える。また、機械学習器20は、各種の制御用プログラムを格納したROM(Read Only Memory)やHDD等の図示しない補助記憶装置や、演算処理装置がプログラムを実行する上で一時的に必要とされるデータを格納するためのRAMといった図示しない主記憶装置を備える。
そして、機械学習器20において、演算処理装置が補助記憶装置からOSやアプリケーションソフトウェアを読み込み、読み込んだOSやアプリケーションソフトウェアを主記憶装置に展開させながら、これらのOSやアプリケーションソフトウェアに基づいた演算処理を行う。この演算結果に基づいて、機械学習器20が各ハードウェアを制御する。これにより、図1の機能ブロックによる処理は実現される。つまり、機械学習器20は、ハードウェアとソフトウェアが協働することにより実現することができる。なお、機械学習器20を電子回路として実現するようにしてもよい。
なお、注視領域が複数箇所ある場合には、状態観測部201は、複数箇所それぞれの注視領域の画像を、入力データとして取得してもよい。
また、状態観測部201は、成形条件調整が完了して良品が成形されるようになったときに、表示器102に表示された調整完了入力部としての成形条件調整完了ボタン(図示しない)が熟練者により押下され、機械学習器20が成形条件調整完了信号を受信するまでの間の、前述した入力データを取得してもよい。なお、状態観測部201は、当該注視領域における成形不良が解消され、成形良と判定された画像について、成形良としての入力データとして取得することが好ましい。そうすることで、偏りのない学習済みモデルを生成することができる。
状態観測部201は、取得した入力データを記憶部204に対して出力する。
具体的には、ラベル取得部202は、例えば、表示器102に表示された成形不良種別画面において、熟練者により入力された注視領域の画像それぞれの成形品の成形不良種別を、ラベルデータ(正解データ)として記憶された射出成形機10の記憶部(図示しない)から取得する。あるいは、ラベル取得部202は、表示器102に表示された成形不良種別選択画面において、熟練者により選択された注視領域の画像それぞれの成形品の成形不良種別を、ラベルデータ(正解データ)として記憶された射出成形機10の記憶部(図示しない)から取得してもよい。
なお、ラベルには、例えば成形品の変色(色相、明度、彩度の変化)、バリ、ヒケ、反り、ねじれ、ボイド、ショート、ウェルドライン、ジェッティング、フローマーク、糸引き、充填不足、剥離、シルバーストリーク、黒点のうち少なくとも1つ以上を含む。
図5Aは、ヒケの一例を示す図である。図5Bは、反りの一例を示す図である。図5Cは、ボイドの一例を示す図である。ここで、「ヒケ」は、プラスチック等の成形収縮によって生じるへこみ、窪みである。「反り」は、プラスチック等の残留応力により発生する。「ボイド」は、材料内に空気が既に入っている場合や、内部応力が減圧(真空ボイド)になった場合に発生する。
また、ラベル取得部202は、状態観測部201と同様に、成形条件調整が完了して良品が成形されるようになったときに、表示器102に表示された調整完了入力部としての成形条件調整完了ボタン(図示しない)が熟練者により押下され、機械学習器20が成形条件調整完了信号を受信するまでの間の、前述したラベルデータを取得するようにしてもよい。なお、ラベル取得部202は、状態観測部201と同様に、当該注視領域における成形不良が解消され、成形良と判定された画像について、成形良としてのレベルデータを取得することが好ましい。そうすることで、偏りのない学習済みモデルを生成することができる。
また、ラベル取得部202は、1つの注視領域の画像に対して、複数の成形不良種別が入力されても構わない。そうすることで、成形不良は単独でも複合でも機械学習させることが可能となる。
そして、学習部203は、構築した学習済みモデル240を後述する記憶部204に記憶する。
ここで、成形不良種別には、変色(色相の変化、明度、彩度の変化)、バリ、ヒケ、反り、ねじれ、ボイド、ショート、ウェルドライン、ジェッティング、フローマーク、糸引き、充填不足、剥離、シルバーストリーク、黒点等が含まれる。
各成形不良種別の出力は、「0」又は「1」(すなわち、「無し」又は「有り」)でもよく、「0」から「1」の間の値等でもよい。なお、各成形不良種別の出力が「0」から「1」の間の値の場合、機械学習器20は、予め設定された閾値以上となった成形不良種別を、入力された注視領域の画像の成形品に対する判定としてもよい。
また、全ての成形不良種別の出力が「0」の場合、機械学習器20は、注視領域の画像の成形品は「良品」であると判定してもよい。
また、機械学習器20は、他の射出成形システム1の機械学習器20との間で学習モデルを共有して教師あり学習を行うようにしてもよい。そうすることで、複数の射出成形システム1の機械学習器20それぞれにて分散して教師あり学習を行うことが可能となり、教師あり学習の効率を向上させることが可能となる。
オンライン学習とは、射出成形機10による成形品の成形条件の調整が行われ、訓練データが作成される都度、即座に教師あり学習を行うという学習方法である。また、バッチ学習とは、射出成形機10による成形品の成形条件の調整が行われ、訓練データが作成されることが繰り返される間に、繰り返しに応じた複数の訓練データを収集し、収集した全ての訓練データを用いて、教師あり学習を行うという学習方法である。さらに、ミニバッチ学習とは、オンライン学習と、バッチ学習の中間的な、ある程度訓練データが溜まるたびに教師あり学習を行うという学習方法である。
以上、機械学習器20が備える学習済みモデル240を生成するための機械学習について説明した。
次に、運用フェーズにおける、量産成形開始後の成形品の成形良否を判定する判定装置としての機械学習器20について説明する。以下の説明では、学習済みモデルとして図6に記載の学習済みモデル、すなわち、量産成形開始後の成形品の部分画像である前述した注視領域の画像を入力層として、成形品の成形不良種別を出力層とする多層ニューラルネットワークを用いる場合を例示する。
図1に示すように、運用フェーズにおける量産成形開始後の成形品の成形良否を判定する判定装置としての機械学習器20は、記憶部204、入力部205、及び判定部206を含んで構成される。
入力部205は、入力した前記注視領域の画像を判定部206に出力する。
なお、運用フェーズにおいて、視線計測装置30を装着する作業者は、熟練者以外の作業者でもよい。
この場合、例えば、作業者は、成形を停止するか、又は公知の良品不良品分別装置(図示しない)に信号を入力することで当該不良品を廃棄することができる。
作業者が成形を停止して、当該成形品に係る成形条件を微調整することで、成形不良が解消した場合、作業者に対して表示器102を介して、成形不良がなくなったことを報知することができる。なお、表示器102は、成形不良に係る表示を消去することで、成形不良がなくなったことを報知するようにしてもよい。
また、射出成形機10の制御装置101は、受信した判定結果に基づいて成形不良を自動認識した場合、自動認識した成形品の成形不良箇所を表示器102に拡大表示させるようにしてもよい。そうすることで、成形不良箇所を見易くして成形良否判定の効率を上げることが可能となる。拡大表示の倍率は、2倍、5倍等に予め設定されてもよい。また、自動認識した成形不良の領域や注視領域の全域が収まる範囲で最も大きく拡大表示するようにしてもよい。
次に、本実施形態に係る運用フェーズにおける、量産成形開始後の成形品の成形良否を判定する判定装置としての機械学習器20の判定処理に係る動作について説明する。
図7は、運用フェーズにおける機械学習器20の判定処理について説明するフローチャートである。
以上、第1実施形態について説明した。
第1実施形態の変形例では、学習フェーズにおける成形品と運用フェーズにおける成形品が異なる点が、第1実施形態と異なる。
<学習フェーズにおける機械学習器20A>
第1実施形態の変形例に係る機械学習器20Aは、学習フェーズにおいて、状態観測部201、ラベル取得部202、学習部203、記憶部204aを含んで構成される。
すなわち、学習フェーズにおける機械学習器20Aは、第1実施形態の機械学習器20と同様に、学習済みモデル240を生成する。
図8に示すように、運用フェーズにおける成形品の成形良否を判定する判定装置としての機械学習器20Aは、記憶部204a、入力部205a、判定部206a、及び成形品画像分割部207を含んで構成される。ここで、第1実施形態の変形例の運用フェーズにおいては、学習フェーズにおいて学習した成形品と、運用フェーズにおける成形品と、が異なる場合を含む。
図9は、全体画像から分割された分割画像の一例を示す図である。
図9に示すように、成形品画像分割部207は、例えば、入力部205aにより入力された全体画像を20個の分割画像IM(1)−IM(20)に分割する。成形品画像分割部207は、分割した分割画像IM(1)−IM(20)を記憶部204aの分割画像記憶部241に記憶する。
なお、成形品画像分割部207は、全体画像を20個の分割画像IM(1)−IM(20)に分割したが、これに限定されず、20以外の複数の分割画像に分割してもよい。
以下、分割画像IM(1)−IM(20)のそれぞれを個々に区別する必要がない場合、これらをまとめて「分割画像IM」ともいう。
次に、第1実施形態の変形例に係る機械学習器20Aの判定処理に係る動作について説明する。
図10は、運用フェーズにおける機械学習器20Aの判定処理について説明するフローチャートである。
この場合、運用フェーズにおける注視領域が不明となるため、判定対象の成形品の全体画像を視線計測装置30から取得する。射出成形システム1は、取得した全体画像を複数の分割画像IMに分割する。射出成形システム1は、各分割画像IMを学習済みモデル240に入力し、各分割画像IMにおける成形品の成形不良種別を判定する。これにより、射出成形システム1は、学習フェーズにおける成形品と運用フェーズにおける成形品が異なる場合でも、熟練者以外の作業者でも成形品のうち成形不良となり易い箇所を容易に見つけられ、成形不良種別を容易に判定することができる。
なお、上述した運用フェーズでは、判定部206aは、分割された全ての分割画像IMについて成形品の成形不良種別を判定したが、これに限定されない。
例えば、判定部206aは、所定数(例えば、50個や100個等)の同じ成形品の分割画像IMについて成形不良種別を判定することで、分割画像IM毎に成形不良の発生頻度を算出するようにしてもよい。
そうすることで、判定部206aは、予め設定された閾値以上の発生頻度を示す分割画像IMを、注視領域の画像として設定してもよい。そして、判定部206aは、それ以降(所定数以降)の成形品については、注視領域の画像と設定された分割画像IMのみを学習済みモデル240に入力し、成形不良種別を判定するようにしてもよい。
そうすることで、射出成形システム1は、効率良く各成形品の成形不良種別を判定することができる。
なお、所定数及び閾値は、要求されるサイクルタイムや成形品の品質等に応じて適宜決定されてもよい。
以上、第1実施形態の変形例について説明した。
第1実施形態及び第1実施形態の変形例においては、1つの成形品の成形不良関連画像を使って機械学習することで、学習済みモデルを生成した。そして、当該学習済みモデルを用いて、量産成形開始後に、成形不良判定装置としての機械学習器20により成形品の成形不良判定を行った。
これに対して、第2実施形態では、多種の成形品の成形不良関連画像を使って、機械学習を実行することにより、さらに成形不良の認識率をアップさせるものである。この際、第2実施形態では、多種の成形品それぞれの成形品について、第1実施形態と同様に、熟練者による成形条件調整時に、熟練者により特定された注視領域の画像、及び成形良否のラベルデータに基づいて、教師あり学習によって機械学習を進めることが可能である。これにより、成形品が異なる場合でも、成形不良を精度よく自動認識し易くなる。これは、成形品が異なっていても成形不良領域の画像が類似していることが多いことが要因の1つである。
具体的には、成形不良による画像の特徴をいくつか示すと、変色や黒点が発生すると、発生領域では色相、明度、彩度等が明確に変化する。また、シルバーストリークが発生すると白化した扇状の模様が画像に現れる。また、ボイドは透明成形品の内部に球体の泡模様として画像に現れる。また、ウェルドラインは細長い線が画像に現れる。なお、成形品の形状として山部谷部がある場合にも細長い線が画像では見られるがその線の両側は光源に対して光の入射角が異なるため色合いが異なって画像に現れるがウェルドラインの場合はこの色合いの差がないことから、ウェルドラインと成形品の形状との区別が可能である。
このように、従来は作業者が目視確認していたような成形不良の特徴を、多種の成形品の成形不良関連画像を使って機械学習させることによって、成形不良の認識の精度を高めることが可能となる。
具体的には、多種の成形品それぞれの成形品について、第1実施形態と同様に、熟練者による成形条件調整時に、熟練者により特定された注視領域の画像、及び成形良否のラベルデータからなる訓練データを用いて、機械学習器20は、教師あり学習を行うことで、多種の成形品に係る成形不良領域の特徴を認識することが可能となる学習済みモデルを生成することができる。そうすることで、運用時において、任意の成形品に対して、成形不良の認識率をアップさせることができる。
運用フェーズにおける機械学習器の機能については、前述した第1実施形態の変形例の運用フェーズと同様の機能を備える。
具体的には、入力部205aは、判定対象の成形品全体の画像(以下、「全体画像」ともいう)を例えば、視線方向カメラ302等から取得する。入力部205aは、取得した全体画像を成形品画像分割部207に出力する。
なお、成形品画像分割部207は、全体画像を20個の分割画像IM(1)−IM(20)に分割したが、これに限定されず、20以外の複数の分割画像に分割してもよい。
以下、分割画像IM(1)−IM(20)のそれぞれを個々に区別する必要がない場合、これらをまとめて「分割画像IM」ともいう。
こうすることで、多種の成形品の成形不良関連画像を使って、機械学習を実行することにより、さらに成形不良の認識率をアップさせることが可能となる。
なお、前述した第1実施形態の変形例の運用フェーズと同様に、判定部206aは、所定数(例えば、50個や100個等)の同じ成形品の分割画像IMについて成形不良種別を判定することで、分割画像IM毎に成形不良の発生頻度を算出するようにしてもよい。
そうすることで、判定部206aは、予め設定された閾値以上の発生頻度を示す分割画像IMを、注視領域の画像として設定してもよい。そして、判定部206aは、それ以降(所定数以降)の成形品については、注視領域の画像と設定された分割画像IMのみを学習済みモデル240に入力し、成形不良種別を判定するようにしてもよい。
そうすることで、第2実施形態においても、射出成形システム1は、効率良く各成形品の成形不良種別を判定することができる。
<変形例1>
上述の第1実施形態、第1実施形態の変形例、及び第2実施形態では、機械学習器20(20A)は、射出成形機10と異なる装置として例示したが、機械学習器20(20A)の一部又は全部の機能を、射出成形機10が備えるようにしてもよい。
あるいは、機械学習器20の状態観測部201、ラベル取得部202、学習部203、記憶部204、入力部205、及び判定部206、又は機械学習器20Aの状態観測部201、ラベル取得部202、学習部203、記憶部204a、入力部205a、判定部206a、及び成形品画像分割部207の一部又は全部を、例えば、サーバが備えるようにしてもよい。また、クラウド上で仮想サーバ機能等を利用して、機械学習器20(20A)の各機能を実現してもよい。
さらに、機械学習器20(20A)は、機械学習器20(20A)の各機能を適宜複数のサーバに分散される、分散処理システムとしてもよい。
そうすることで、より多くのデータで機械学習が可能になる。また、遠隔地の工場同士でも情報共有が可能となる。
また例えば、上述の第1実施形態、第1実施形態の変形例、及び第2実施形態では、成形条件調整が完了して良品が成形できるようになった時に、射出成形機10の表示器102に調整完了入力部としての成形条件調整完了ボタン(図示しない)を表示し、機械学習器20(20A)に成形条件調整が完了したことを入力したが、これに限定されない。例えば、射出成形システム1は、調整完了入力部として、操作パネルに設置した成形条件調整終了ボタン、又は連続成形を開始する自動ボタンのいずれかを有し、作業者に押下されることで、機械学習器20(20A)に成形条件調整が完了したことを入力してもよい。あるいは、射出成形システム1は、音声認識装置を備えて音声認識によって成形条件調整完了を認識させて、機械学習器20(20A)に良品を成形している状態であることを報知させるようにしてもよい。
また例えば、上述の第1実施形態、第1実施形態の変形例、及び第2実施形態では、射出成形システム1は、成形条件調整が完了して良品が成形されるようになったときに、表示器102に表示された調整完了入力手部としての成形条件調整完了ボタン(図示しない)が熟練者により押下された場合、機械学習器20(20A)に成形条件調整完了信号を出力し、機械学習により学習済みモデル240を生成させたが、これに限定されない。
例えば、射出成形システム1は、機械学習の学習結果と成形品画像データに基づいて、良品を成形していると判定したら良品判定信号を出力する良否判定信号出力部を備えてもよく、良否判定信号出力部が出力した良品判定信号を入力したら、量産成形開始信号を出力する量産成形開始信号出力部を備えてもよい。
また例えば、上述の第1実施形態、第1実施形態の変形例、及び第2実施形態では、機械学習器20は、学習済みモデル240を用いて、1つの視線計測装置30から取得した注視領域の画像から注視領域の成形品の成形不良種別を判定したが、これに限定されない。例えば、図11に示すように、サーバ50は、機械学習器20により生成された学習済みモデル240を記憶し、ネットワーク60に接続されたm個の機械学習器20B(1)−20B(m)と学習済みモデル240を共有してもよい(mは2以上の整数)。これにより、新たな射出成形機、及び機械学習器が配置されても学習済みモデル240を適用することができる。
なお、機械学習器20B(1)−20B(m)の各々は、射出成形機10B(1)−10B(m)の各々と接続される。
また、射出成形機10B(1)−10B(m)の各々は、図1の射出成形機10に対応する。機械学習器20B(1)−20B(m)の各々は、図1の機械学習器20(20A)に対応する。
あるいは、図12に示すように、サーバ50は、例えば、機械学習器20として動作し、ネットワーク60に接続された射出成形機10B(1)−10B(m)の各々に対して、成形品の成形不良種別を判定してもよい。これにより、新たな射出成形機が配置されても学習済みモデル240を適用することができる。
また、射出成形システム1に含まれる各構成部は、電子回路等を含むハードウェア、ソフトウェア又はこれらの組み合わせにより実現することができる。
この射出成形システム1は、熟練者以外の作業者でも成形品のうち成形不良となり易い箇所を容易に見つけられる。
そうすることで、注視領域を特定することができる。
そうすることで、成形不良は単独でも複合でも機械学習させることが可能となる。
そうすることで、自動判定された成形不良の種別を作業者が確認することが可能となる。また、成形不良が解消した場合、表示も消去させることで、作業者に成形不良が無くなったことを報知することも可能となる。
そうすることで、機械学習器20に良品を成形している状態であることを報知させることが可能となる。
そうすることで、機械学習器20に良品を成形している状態であることを報知させることが可能となる。
そうすることで、良品が成形できるようになった報知することができる。
そうすることで、良品が成形できるようになったと判断してから量産成形を開始するまでの作業を自動で実行することができる。
そうすることで、成形を停止させたり、又は良品不良品分別装置に信号を入力して不良品を廃棄したりすることが容易になる。
そうすることで、微細な成形不良であっても成形不良の特徴を拡大して捉え易くして、より精度良く良否判定することができる。
そうすることで、これによって、より多くのデータで機械学習が可能となる。さらに、集中管理装置はクラウド上にあってもよく、この場合は遠隔地の工場同士でも情報共有が可能となる。
そうすることで、成形不良箇所を見易くして成形条件調整の効率を上げることが可能となる。
そうすることで、光の反射等で成形不良を視認しづらい場合等に、色々な方向から成形品を撮影可能とすることができ、成形不良箇所を見易くすることが可能となる。
10 射出成形機
101 制御装置
102 表示器
20 機械学習器
201 状態観測部
202 ラベル取得部
203 学習部
204、204a 記憶部
205、205a 入力部
206、206a 判定部
207 成形品画像分割部
240 学習済みモデル
30 視線計測装置
303 視線計測部
304 注視領域特定部
305 記憶部
Claims (13)
- 射出成形によって成形された成形品を観察する作業者の視線の動きを計測する視線計測部と、
前記視線計測部により計測された前記作業者の視線の動きを示す視線情報と前記視線情報を計測した計測時刻とを記憶する視線データ記憶部と、
前記視線情報及び前記計測時刻に基づいて前記作業者が所定の時間以上注視していた及び/又は所定の回数以上視線を向けていた前記成形品の注視領域を特定する注視領域特定部と、
前記成形品の画像のうち前記注視領域特定部により特定された前記注視領域の画像を記憶する注視領域記憶部と、
成形不良種別を入力又は選択する成形不良種別入力部と、
前記注視領域の画像から前記成形不良種別を機械学習するための機械学習器と、を備え、
前記機械学習器は、前記成形品に発生している成形不良の種別を入力して、前記注視領域記憶部に記憶された前記注視領域の画像から成形不良の特徴量を学習して自動認識するように機械学習する、射出成形システム。 - 成形品撮影部と、
表示器と、を備え、
前記視線計測部は、前記成形品撮影部で撮影して前記表示器に表示した前記成形品の画像を前記作業者が視認する前記視線情報を計測する、請求項1に記載の射出成形システム。 - 前記成形不良は、成形品の変色(色相、明度、彩度の変化)、バリ、ヒケ、反り、ねじれ、ボイド、ショート、ウェルドライン、ジェッティング、フローマーク、糸引き、充填不足、剥離、シルバーストリーク、黒点のうち少なくとも1つ以上である、請求項1又は請求項2に記載の射出成形システム。
- 前記機械学習器は、前記成形不良を自動認識した場合、表示器に前記成形不良の種別を表示させる、請求項1から請求項3のいずれか1項に記載の射出成形システム。
- 成形条件調整の完了時に成形条件調整完了信号を機械学習器に入力するための調整完了入力部を備える、請求項1から請求項4のいずれか1項に記載の射出成形システム。
- 前記調整完了入力部は、射出成形機のコントローラ画面に表示されたボタン、操作パネルのボタン又は連続成形を開始する自動ボタンのいずれかが押下されたこと、又は音声認識装置が調整完了を検出する、請求項5に記載の射出成形システム。
- 前記機械学習器の学習結果と前記注視領域の画像に基づいて、良否判定を行い良否判定信号を出力する良否判定信号出力部を備える、請求項1から請求項6のいずれか1項に記載の射出成形システム。
- 前記良否判定信号出力部が良品を成形していると判定して良品判別信号を出力した場合、量産成形開始信号を出力する量産成形開始信号出力部を備え、
良品が成形できるようになったと判断した場合、量産成形を開始する、請求項7に記載の射出成形システム。 - 前記良否判定信号出力部は、不良品を成形していると判定して不良品判定信号を出力した場合、量産成形を停止させる及び/又は良品不良品分別装置に不良品判定信号を入力して不良品を廃棄する、請求項7又は請求項8に記載の射出成形システム。
- 前記成形品の画像を分割し複数の分割画像を生成する成形品画像分割部と、
前記成形品画像分割部により分割された前記複数の分割画像を記憶する分割画像記憶部と、を備え、
前記機械学習器は、前記成形品画像分割部により分割された前記複数の分割画像で機械学習を行う、請求項1から請求項9のいずれか1項に記載の射出成形システム。 - 複数の前記射出成形システム又は集中管理装置との通信部を備え、
複数の前記射出成形システムの成形品画像データ、機械学習結果、学習済みモデルの情報を共有して機械学習を実行する、請求項1から請求項10のいずれか1項に記載の射出成形システム。 - 前記表示器は、前記機械学習器が前記成形不良を自動認識した場合又は前記注視領域特定部が前記作業者の前記注視領域を特定した場合に、自動認識した前記成形不良の箇所又は前記注視領域を拡大表示する、請求項2に記載の射出成形システム。
- 前記成形品撮影部を移動可能とする成形品撮影位置移動部を備える、請求項2に記載の射出成形システム。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019232641A JP7391656B2 (ja) | 2019-12-24 | 2019-12-24 | 射出成形システム |
DE102020214803.1A DE102020214803A1 (de) | 2019-12-24 | 2020-11-25 | Spritzguss-System |
US17/108,264 US11458664B2 (en) | 2019-12-24 | 2020-12-01 | Injection molding system |
CN202011525220.8A CN113019980A (zh) | 2019-12-24 | 2020-12-22 | 注射成形系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019232641A JP7391656B2 (ja) | 2019-12-24 | 2019-12-24 | 射出成形システム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021100796A true JP2021100796A (ja) | 2021-07-08 |
JP7391656B2 JP7391656B2 (ja) | 2023-12-05 |
Family
ID=76206019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019232641A Active JP7391656B2 (ja) | 2019-12-24 | 2019-12-24 | 射出成形システム |
Country Status (4)
Country | Link |
---|---|
US (1) | US11458664B2 (ja) |
JP (1) | JP7391656B2 (ja) |
CN (1) | CN113019980A (ja) |
DE (1) | DE102020214803A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113935999B (zh) * | 2021-12-16 | 2022-03-18 | 武汉金源泰科技有限公司 | 一种基于图像处理的注塑缺陷检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02185230A (ja) * | 1989-01-12 | 1990-07-19 | Nippon Telegr & Teleph Corp <Ntt> | 注視領域表示方法 |
JP2014069382A (ja) * | 2012-09-28 | 2014-04-21 | Nec Corp | 不良要因判定装置、不良発生予測装置、不良要因判定システム、不良要因判定方法およびプログラム |
JP2015123262A (ja) * | 2013-12-27 | 2015-07-06 | 学校法人東海大学 | 角膜表面反射画像を利用した視線計測方法及びその装置 |
JP2016001467A (ja) * | 2014-05-19 | 2016-01-07 | 株式会社リコー | 画像処理装置、画像処理方法、および画像処理プログラム |
JP2016083790A (ja) * | 2014-10-23 | 2016-05-19 | ファナック株式会社 | 射出成形システム |
JP2016168732A (ja) * | 2015-03-12 | 2016-09-23 | ファナック株式会社 | 金型清掃を行う射出成形システム |
JP2017030152A (ja) * | 2015-07-28 | 2017-02-09 | ファナック株式会社 | 最適な操作条件を算出できる射出成形システム及び機械学習器 |
JP2019166702A (ja) * | 2018-03-23 | 2019-10-03 | 株式会社日本製鋼所 | 機械学習器により成形条件を調整する射出成形機システム |
-
2019
- 2019-12-24 JP JP2019232641A patent/JP7391656B2/ja active Active
-
2020
- 2020-11-25 DE DE102020214803.1A patent/DE102020214803A1/de not_active Withdrawn
- 2020-12-01 US US17/108,264 patent/US11458664B2/en active Active
- 2020-12-22 CN CN202011525220.8A patent/CN113019980A/zh not_active Withdrawn
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02185230A (ja) * | 1989-01-12 | 1990-07-19 | Nippon Telegr & Teleph Corp <Ntt> | 注視領域表示方法 |
JP2014069382A (ja) * | 2012-09-28 | 2014-04-21 | Nec Corp | 不良要因判定装置、不良発生予測装置、不良要因判定システム、不良要因判定方法およびプログラム |
JP2015123262A (ja) * | 2013-12-27 | 2015-07-06 | 学校法人東海大学 | 角膜表面反射画像を利用した視線計測方法及びその装置 |
JP2016001467A (ja) * | 2014-05-19 | 2016-01-07 | 株式会社リコー | 画像処理装置、画像処理方法、および画像処理プログラム |
JP2016083790A (ja) * | 2014-10-23 | 2016-05-19 | ファナック株式会社 | 射出成形システム |
JP2016168732A (ja) * | 2015-03-12 | 2016-09-23 | ファナック株式会社 | 金型清掃を行う射出成形システム |
JP2017030152A (ja) * | 2015-07-28 | 2017-02-09 | ファナック株式会社 | 最適な操作条件を算出できる射出成形システム及び機械学習器 |
JP2019166702A (ja) * | 2018-03-23 | 2019-10-03 | 株式会社日本製鋼所 | 機械学習器により成形条件を調整する射出成形機システム |
Also Published As
Publication number | Publication date |
---|---|
US11458664B2 (en) | 2022-10-04 |
CN113019980A (zh) | 2021-06-25 |
US20210187810A1 (en) | 2021-06-24 |
JP7391656B2 (ja) | 2023-12-05 |
DE102020214803A1 (de) | 2021-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111372704B (zh) | 模具温度异常预兆检测装置以及存储介质 | |
CN108701428B (zh) | 同步焊接数据以供呈现的焊接培训系统 | |
US11150200B1 (en) | Workpiece inspection and defect detection system indicating number of defect images for training | |
US20200230884A1 (en) | Method and apparatus for monitoring a quality of an object of a 3d-print-job series of identical objects | |
US11446751B2 (en) | Soldering system including temperature distribution measurement control device, control method, and program | |
JP6557183B2 (ja) | 切削加工工具の寿命判定装置、寿命判定方法及びプログラム | |
KR20070039051A (ko) | 매개변수형 사출 성형 시스템 및 방법 | |
JP6715282B2 (ja) | 品質監視システム | |
CN110751728A (zh) | 具有bim建筑模型混合现实功能的虚拟现实设备及方法 | |
US11403748B2 (en) | Method and system for articulation of a visual inspection device | |
US20230294173A1 (en) | Method and Apparatus for Additive Manufacturing of a Workpiece using Statistical Learning Model | |
JP7391656B2 (ja) | 射出成形システム | |
JP2021165035A (ja) | データ出力装置、立体造形システムおよびデータ出力方法 | |
TW202016504A (zh) | 檢測與標記瑕疵的方法 | |
JP7165108B2 (ja) | 作業訓練システム及び作業訓練支援方法 | |
CN101706655B (zh) | 快速成形系统 | |
US11712853B2 (en) | Three-dimensional apparatus and method outputting quality information of fabricated three-dimensional objects | |
EP4263189B1 (en) | Production system, method and computer program product | |
TW202147051A (zh) | 用於製造流程之系統、方法及媒體 | |
EP3563273A1 (en) | Augmented reality-based ply layups on a composite part layup tool | |
CN109304871A (zh) | 一种铺粉控制方法及其增材制造设备 | |
JP7495834B2 (ja) | 作業評価システムおよび方法 | |
CN114827457B (zh) | 一种晶圆检测中的动态对焦方法、装置、设备和介质 | |
WO2023286393A1 (ja) | 情報処理システム及び情報処理方法 | |
TW202324195A (zh) | 具有人工智慧辨識功能的智能穿戴檢測系統 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221021 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230817 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230829 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230922 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231024 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231122 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7391656 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |