JP2023106393A - 画像判定装置、画像検査装置、端子付き電線製造システム、および画像判定方法 - Google Patents
画像判定装置、画像検査装置、端子付き電線製造システム、および画像判定方法 Download PDFInfo
- Publication number
- JP2023106393A JP2023106393A JP2023070959A JP2023070959A JP2023106393A JP 2023106393 A JP2023106393 A JP 2023106393A JP 2023070959 A JP2023070959 A JP 2023070959A JP 2023070959 A JP2023070959 A JP 2023070959A JP 2023106393 A JP2023106393 A JP 2023106393A
- Authority
- JP
- Japan
- Prior art keywords
- terminal
- image determination
- electric wire
- image
- manufacturing system
- 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
- 238000004519 manufacturing process Methods 0.000 title claims description 166
- 238000000034 method Methods 0.000 title claims description 101
- 238000007689 inspection Methods 0.000 title description 92
- 238000010801 machine learning Methods 0.000 claims abstract description 164
- 238000002788 crimping Methods 0.000 claims description 246
- 230000002950 deficient Effects 0.000 claims description 73
- 238000003860 storage Methods 0.000 claims description 50
- 239000011248 coating agent Substances 0.000 claims description 34
- 238000000576 coating method Methods 0.000 claims description 34
- 238000004891 communication Methods 0.000 claims description 28
- 238000003384 imaging method Methods 0.000 claims description 28
- 238000012545 processing Methods 0.000 description 91
- 230000008569 process Effects 0.000 description 57
- 230000010365 information processing Effects 0.000 description 32
- 238000010586 diagram Methods 0.000 description 24
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000009413 insulation Methods 0.000 description 10
- 230000008859 change Effects 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 239000000470 constituent Substances 0.000 description 2
- 238000005401 electroluminescence Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
- Manufacturing Of Electrical Connectors (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
Description
先ず、本願において開示される発明の代表的な実施の形態について概要を説明する。なお、以下の説明では、一例として、発明の構成要素に対応する図面上の参照符号を、括弧を付して記載している。
以下、本発明の実施の形態の具体例について図を参照して説明する。なお、以下の説明において、各実施の形態において共通する構成要素には同一の参照符号を付し、繰り返しの説明を省略する。また、図面は模式的なものであり、各要素の寸法の関係、各要素の比率などは、現実と異なる場合があることに留意する必要がある。図面の相互間においても、互いの寸法の関係や比率が異なる部分が含まれている場合がある。
図1は、実施の形態1に係る端子付き電線製造システムの構成を示す図である。
端子付き電線製造システム100は、例えば、電線に端子を圧着して端子付き電線を形成するシステムである。端子付き電線製造システム100は、形成した端子付き電線の端子圧着部の良否判定を複数の画像判定処理によって行うことを一つの特徴としている。
例えば、端子圧着装置11は、先ず、複数種類の電線が格納された電線格納部(図示せず)から一つの電線を取り出し、取り出した電線を計尺して切断し、所望の長さの電線を切り出す。次に、端子圧着装置11は、切り出した電線の一端または両端の被覆を指定された長さだけ剥ぎ取る。そして、端子圧着装置11は、被覆を剥ぎ取った電線の端部に端子を圧着する。例えば、端子圧着装置11は、製造する端子付き電線の種類に応じて設けられた複数の圧着機(例えば、自動圧着機)を有しており、先端部の被覆が剥ぎ取られた電線は、指定された自動圧着機に搬送されて端子の圧着が行われる。これにより、電線に圧着端子が接続され、端子付き電線が形成される。端子付き電線は、一般に圧着端子部分がコネクタハウジングに挿入されて、コネクタ付き電線となる。
図2に示すように、画像判定装置1は、ハードウェア資源として、演算装置101、記憶装置102、入力装置103、I/F(Interface)装置104、出力装置105、およびバス106を備えている。
以下、画像判定装置1を構成する各機能部について説明する。
具体的に、情報出力部7は、画像判定部4,5の両方が検査対象の端子付き電線を良品と判定した場合に、対象物の良否に関する情報として、検査対象の端子付き電線が良品であることを示す情報を出力する。一方、情報出力部7は、画像判定部4,5の少なくとも一方が検査対象の端子付き電線を不良品と判定した場合に、対象物の良否に関する情報として、複数の画像判定部4,5によるそれぞれの判定結果の情報を出力する。
非機械学習型の画像判定処理は、予め登録された基準データ62と撮影画像データ61とに基づいて、端子付き電線の端子圧着部の良否を判定する処理である。
図3Aには、良品である端子付き電線の端子圧着部が模式的に図示されている。図3Aに示すように、電線201の一端または両端の被覆203が剥ぎ取られた芯線202の端部に金属から成る端子210を圧着することにより、端子付き電線200が形成される。
以上のように、画像判定部4は非機械学習型の画像判定処理を行う。
機械学習型の画像判定処理は、所定の技法(アルゴリズム)に基づく機械学習による学習モデル63と、撮影画像データ61に含まれる画像とに基づいて、端子付き電線200の端子圧着部の良否を判定する処理である。
以上のように、画像判定部5は機械学習型の画像判定処理を実行する。
図4は、実施の形態1に係る端子付き電線製造システム100による端子付き電線200の製造方法の流れを示す図である。
図5は、実施の形態1に係る端子付き電線製造システム100による検査工程(ステップS2)の流れを示すフロー図である。
具体的には、画像判定装置1における画像判定部4が、ステップS21で取得した撮影画像データ61に基づいて、上述した手法により、非機械学習型の画像判定処理を実行する(ステップS22)。また、画像判定装置1における画像判定部5が、ステップS21で取得した撮影画像データ61に基づいて、上述した手法により、機械学習型の画像判定処理を実行する(ステップS23)。
これによれば、一つの端子付き電線製造システム100が稼働することによって判定精度が高められた最新の学習モデル63を、他の端子付き電線製造システム100の画像判定装置等に適用することが容易となる。なお、他の端子付き電線製造システム100は、前述の一つの端子付き電線製造システム100と同じ工場内にあってもよく、異なる工場内にあってもよい。
図8は、実施の形態2に係る端子付き電線製造システムの構成を示す図である。
実施の形態2に係る端子付き電線製造システム100Aの画像判定装置1Aは、端子付き電線200の端子圧着部の良否判定のみならず、端子付き電線200の端子圧着部の圧着状態の適否(理想状態のみならず、許容範囲を含む適否)を画像判定処理によって判定する機能を有する点において、実施の形態1に係る画像判定装置1と相違する。
端子付き電線200の端子圧着部の状態の適否を判定するための機械学習型の画像判定処理は、例えば、良品と判定された端子付き電線200の端子圧着部に対して実行される。
一般に、端子付き電線200の端子圧着部の芯線の出代、すなわち、端子付き電線200の端子圧着部における圧着端子のワイヤーバレル212の端部から(嵌合部211の方向に)突出する芯線202の長さは、適切に設定する必要がある。
図9Aには、芯線202の出代が適切な状態である端子付き電線200の端子圧着部の側面図が示され、図9Bには、芯線202の出代が短い状態である端子付き電線200の端子圧着部の側面図が示され、図9Cには、芯線202の出代が長い状態である端子付き電線200の端子圧着部の側面図が示されている。
先ず、端子付き電線製造システム100Aでは、端子圧着部検査用学習モデル65として、芯線202の出代に関する学習モデル651を生成する。例えば、芯線202の出代が適切である端子付き電線200の端子圧着部の画像として図9Aに示すような端子圧着部の画像を複数(例えば、数十枚~数百枚)準備するとともに、芯線202の出代が不適切である端子付き電線200の端子圧着部の画像として図9Bおよび図9Cに示すような端子圧着部の画像を複数(例えば、数十枚~数百枚)準備し、それらの画像を画像判定部5Aに入力して学習させることにより、学習モデル651を生成する。
上述のように生成した学習モデル651は、上述した学習モデル63と同様に記憶部6Aに予め記憶される。
画像判定部5Aによって、芯線202の出代が適切と判定された場合(例えば、検査対象の画像における芯線202の出代が図7Aに示す状態に類似している場合)、情報出力部7は、その判定結果を出力する。設備制御部21は、情報出力部7から出力された判定結果に応じて、これまで通り、端子付き電線200の製造を継続する。
例えば、入力された画像が図9Bまたは図9Cに示す状態の画像に類似するという判定結果がn回連続して画像判定部5Aから出力された場合に、情報出力部7Aが警告情報を出力する。設備制御部21は、情報出力部7Aから出力された警告情報に応じて、芯線202の出代を適切にするために端子圧着装置11の調整(メンテナンス)が必要であることを示す情報を、設備操作用コンピュータ22の表示装置23に表示させてもよい。
図10A~図10Cは、端子付き電線200の端子圧着部における被覆の端部の位置を模式的に示す図である。
図10Aには、被覆の端部が適切な位置にある端子圧着部の側面図が示され、図10Bには、被覆の端部がワイヤーバレル近傍にある端子圧着部の側面図が示され、図10Cには、被覆の端部がインシュレーションバレル近傍にある端子圧着部の側面図が示されている。
例えば、図10Bに示すように、被覆の端部がワイヤーバレル側に近づきすぎて、ワイヤーバレルに被覆の端部が挟まれた場合、断線し易くなる虞がある。また、図10Cに示すように、被覆の端部がインシュレーションバレル側に近づきすぎて、被覆の端部がインシュレーションバレル内に位置する場合、電線の被覆の端部の保持が不十分になり、ワイヤーバレルなどで断線するなどの不良が発生する虞がある。そのため、圧着端子では、図10Aに示すように、ワイヤーバレルとインシュレーションバレルとの間の空間において被覆のある部分と被覆のない部分との比が1:1になっていることが望ましい。
例えば、被覆203の端部203aが適切な位置にある端子圧着部の画像として図8Aに示すような端子圧着部の画像を複数(例えば、数十枚~数百枚)準備するとともに、被覆203の端部203aが不適切な位置にある端子圧着部の画像として図10Bおよび図10Cに示すような端子圧着部の画像を複数(例えば、数十枚~数百枚)準備し、それらを画像判定部5Aに入力して学習させることにより、学習モデル652を生成する。
上述のように生成した学習モデル652は、上述した学習モデル63と同様に記憶部6Aに予め記憶される。
画像判定部5Aによって、被覆203の端部203aの位置が適切と判定された場合(例えば、検査対象の画像における被覆203の端部203aの位置が図10Aに示す状態に類似している場合)、情報出力部7は、その判定結果を出力する。設備制御部21は、情報出力部7から出力された判定結果に応じて、これまで通り、端子付き電線200の製造を継続する。
例えば、入力された画像が図10Bまたは図10Cに示す状態の画像に類似するという判定結果がn回連続して画像判定部5Aから出力された場合に、情報出力部7Aが警告情報を出力する。設備制御部21は、情報出力部7Aから出力された警告情報に応じて、被覆203の端部203aの位置を適切にするために端子圧着装置11の調整(メンテナンス)が必要であることを示す情報を、設備操作用コンピュータ22の表示装置23に表示させてもよい。
図11A~図11Cは、端子付き電線200の端子圧着部におけるベルマウスを模式的に示す図である。
図11Aには、適切なベルマウス214,215が形成された端子付き電線200の端子圧着部の側面図が示され、図9Bには、前方(嵌合部211側)のベルマウス214が後方(インシュレーションバレル213側)のベルマウス215よりも大きく形成された端子付き電線200の端子圧着部の側面図が示され、図9Cには、後方のベルマウス215が前方のベルマウス214よりも大きく形成された端子付き電線200の端子圧着部の側面図が示されている。
例えば、ベルマウス214,215が適切に形成された端子圧着部の画像として図11Aに示すような端子圧着部の画像を複数(例えば、数十枚~数百枚)準備するとともに、ベルマウス214,215が不適切な形状である端子圧着部の画像として図11Bおよび図11Cに示すような端子圧着部の画像を複数(例えば、数十枚~数百枚)準備し、それらの画像を画像判定部5Aに入力して学習させることにより、学習モデル653を生成する。
上述のように生成した学習モデル653は、上述した学習モデル63と同様に記憶部6Aに予め記憶される。
例えば、入力された画像が図11Bまたは図11Cに示す状態の画像に類似するという判定結果がn回連続して画像判定部5Aから出力された場合に、情報出力部7Aが警告情報を出力する。設備制御部21は、情報出力部7Aから出力された警告情報に応じて、端子と金型との位置関係を適切にするために端子圧着装置11の調整(メンテナンス)が必要であることを示す情報を、設備操作用コンピュータ22の表示装置23に表示させる。
図12は、実施の形態2に係る端子付き電線製造システム100Aによる検査工程(ステップS2)の流れを示すフロー図である。
例えば、芯線202の出代の適否を検査する場合、図9A~図9Cにおける領域501を検査範囲として特定する。また、例えば、被覆203の端部203aの位置の適否を検査する場合、図10A~図10Cにおける領域502を検査範囲として特定する。また、例えば、ベルマウス214,215の形状の適否を検査する場合、図11A~図11Cにおける領域503を検査範囲として特定する。
以上の処理手順により、端子付き電線200の端子圧着部の状態の適否を判定するための機械学習型の画像判定処理が行われる。
例えば、上述したように、ベルマウス214,215の形状が不適切であるとする判定結果がn回連続した場合に、画像判定装置1Aが警告情報を出力することにより、設備操作用コンピュータ22が、端子および電線と金型との位置関係を適切にするために端子圧着装置11の調整(メンテナンス)が必要であることを示す情報を表示装置23に表示してもよい。
図14は、実施の形態3に係る端子付き電線製造システムの構成を示す図である。
実施の形態3に係る端子付き電線製造システム100Gの画像判定装置1Gは、端子付き電線200の端子圧着部の判定結果に基づいて、学習モデルの更新を行う機能を有する点において、実施の形態1に係る画像判定装置1と相違する。
図16は、実施の形態4に係る端子付き電線製造システムの構成を示す図である。
実施の形態4に係る端子付き電線製造システム100Hの画像判定装置1Hは、機械学習型の画像判定部4の判定精度に基づいて、画像データの判定方法を切り替える機能を有する点において、実施の形態3に係る画像判定装置1Gと相違する。
以上、本発明者らによってなされた発明を実施の形態に基づいて具体的に説明したが、本発明はそれに限定されるものではなく、その要旨を逸脱しない範囲において種々変更可能であることは言うまでもない。
例えば、図18に示すように、画像判定装置1Bは、第1の技法に基づく機械学習による学習モデル63Bと対象物(端子付き電線200の端子圧着部)を撮影した画像とに基づいて対象物の良否を判定する第1の画像判定部5Bと、第1の技法と異なる第2の技法の機械学習による学習モデル63Cと対象物(端子付き電線200の端子圧着部)を撮影した画像とに基づいて対象物の良否を判定する第2の画像判定部5Cとを有していてもよい。
例えば、図19に示す端子付き電線製造システム100Cにおける画像検査装置10C内の画像判定装置1Cは、機械学習型の画像判定部5D、5Eに加えて、非機械学習型の画像判定部4を有していてもよい。ここで、画像判定部5D、5Eは、例えば、上述した画像判定部5,5A,5B,5Cの何れかと同様の技法による機械学習型の画像判定処理を行う。
例えば、実施の形態1において、機械学習型の画像判定部5が誤判定を行った場合、誤判定となった画像と、正しい判定結果の情報とを画像判定部5に入力して再学習させ、学習モデル63を更新してもよい。機械学習型の画像判定部5の再学習は、端子付き電線200の製造中(以下、「オンライン」とも称する。)に実施されてもよいし、端子付き電線200の製造中以外(以下、「オフライン」とも称する。)に実施されてもよい。
Claims (16)
- 電線に端子を圧着させて端子付き電線を形成する端子圧着装置と、
前記端子圧着装置によって形成された前記端子付き電線の端子圧着部の少なくとも一部を撮影した撮影画像データを生成する撮像装置と、
前記撮像装置によって生成された前記撮影画像データに基づいて、前記端子圧着部の良否を判定する複数の画像判定部と、
前記複数の画像判定部の判定結果に基づいて、前記端子圧着部の良否に関する情報を生成して出力する情報出力部と、
前記撮影画像データおよび前記情報出力部の出力を記憶する記憶部とを有し、
前記複数の画像判定部の少なくとも一つは、機械学習型の画像判定部であり、
前記記憶部は、さらに前記機械学習型の画像判定部による学習モデルを記憶し、
前記機械学習型の画像判定部は、前記学習モデルと前記撮影画像データとに基づいて前記端子圧着部の良否を判定する
端子付き電線製造システム。 - 請求項1に記載の端子付き電線製造システムにおいて、
前記情報出力部は、前記複数の画像判定部のそれぞれが前記端子圧着部を良品と判定した場合に、前記端子圧着部が良品であることを示す情報を出力し、前記複数の画像判定部の少なくとも一つが前記端子圧着部を不良品と判定した場合に、前記複数の画像判定部によるそれぞれの判定結果の情報を出力する
ことを特徴とする端子付き電線製造システム。 - 請求項1または2に記載の端子付き電線製造システムにおいて、
前記複数の画像判定部は、所定の技法に基づく機械学習による前記学習モデルと前記撮影画像データとに基づいて前記端子圧着部の良否を判定する機械学習型の画像判定部と、前記撮影画像データと予め登録された基準データとの一致の度合いに基づいて前記端子圧着部の良否を判定する非機械学習型の画像判定部とを含む
ことを特徴とする端子付き電線製造システム。 - 請求項1または2に記載の端子付き電線製造システムにおいて、
前記複数の画像判定部は、第1の技法に基づく機械学習による前記学習モデルと前記撮影画像データとに基づいて前記端子圧着部の良否を判定する第1の画像判定部と、前記第1の技法と異なる第2の技法の機械学習による前記学習モデルと前記撮影画像データとに基づいて前記端子圧着部の良否を判定する第2の画像判定部とを含む
ことを特徴とする端子付き電線製造システム。 - 請求項1乃至3の何れか一項に記載の端子付き電線製造システムにおいて、
前記画像判定部は、機械学習による、前記端子付き電線の前記端子圧着部の状態に関する学習モデルと、前記撮影画像データの前記端子圧着部を含む領域の画像情報とに基づいて、前記端子圧着部の状態の適否を判定する
ことを特徴とする端子付き電線製造システム。 - 請求項5に記載の端子付き電線製造システムにおいて、
前記端子圧着部の状態に関する学習モデルは、前記端子圧着部のワイヤーバレルの端部から突出する前記電線の芯線の長さに関する学習モデルであって、
前記画像判定部は、前記芯線の長さに関する学習モデルと、前記画像情報とに基づいて、前記芯線の長さの適否を判定する
ことを特徴とする端子付き電線製造システム。 - 請求項5または6に記載の端子付き電線製造システムにおいて、
前記端子圧着部の状態に関する学習モデルは、前記電線の被覆の端部の位置に関する学習モデルであって、
前記画像判定部は、前記被覆の端部の位置に関する学習モデルと、前記画像情報とに基づいて、前記被覆の端部の位置の適否を判定する
ことを特徴とする端子付き電線製造システム。 - 請求項5乃至7の何れか一項に記載の端子付き電線製造システムにおいて、
前記端子圧着部の状態に関する学習モデルは、前記端子圧着部のワイヤーバレルの両端
部に形成されるベルマウスの形状に関する学習モデルであって、
前記画像判定部は、前記ベルマウスの形状に関する学習モデルと、前記画像情報とに基づいて、前記ベルマウスの形状の適否を判定する
ことを特徴とする端子付き電線製造システム。 - 請求項5乃至8の何れか一項に記載の端子付き電線製造システムにおいて、
前記画像判定部の判定結果に基づいて、前記端子圧着装置を制御する制御装置を更に有し、
前記制御装置は、前記端子圧着部が不適切であるとする判定結果がn(nは2以上の整数)回連続した場合に、前記端子圧着装置を制御して前記端子の位置を調整する
ことを特徴とする端子付き電線製造システム。 - 請求項5乃至8の何れか一項に記載の端子付き電線製造システムにおいて、
前記情報出力部は、前記端子圧着部が不適切であるとする判定結果がn(nは2以上の整数)回連続した場合に、警告情報を出力する
ことを特徴とする端子付き電線製造システム。 - 請求項1乃至10の何れか一項に記載の端子付き電線製造システムにおいて、
前記記憶部に記憶された前記学習モデルは、過去の画像判定結果に基づいて更新可能である
ことを特徴とする端子付き電線製造システム。 - 請求項3に記載の端子付き電線製造システムにおいて、
前記学習モデルを生成する学習モデル生成部を更に有し、
前記学習モデル生成部は、前記画像判定部の判定結果に基づいて前記学習モデルを更新する
ことを特徴とする端子付き電線製造システム。 - 請求項12に記載の端子付き電線製造システムにおいて、
前記学習モデル生成部は、前記撮影画像データに当該撮影画像データに関する前記非機械学習型の画像判定部の判定結果を正解情報としてラベリングした学習データを再学習することにより、前記学習モデルを更新する
ことを特徴とする端子付き電線製造システム。 - 請求項13に記載の端子付き電線製造システムにおいて、
機械学習型の画像判定部による判定精度が所定の基準値を超えているか否かを判定する信頼性判定部を更に有し、
前記情報出力部は、前記信頼性判定部によって前記機械学習型の画像判定部による判定精度が所定の基準値を超えていないと判定された場合に、前記非機械学習型の画像判定部の判定結果と前記機械学習型の画像判定部の判定結果とに基づいて、前記端子圧着部の良否に関する情報を生成して出力し、前記信頼性判定部によって前記機械学習型の画像判定部による判定精度が所定の基準値を超えていると判定された場合に、前記機械学習型の画像判定部の判定結果に基づいて、前記端子圧着部の良否に関する情報を生成して出力する
ことを特徴とする端子付き電線製造システム。 - 請求項1乃至14の何れか一項に記載の端子付き電線製造システムにおいて、
外部との通信を可能とする通信装置を更に備える
ことを特徴とする端子付き電線製造システム。 - 請求項15に記載の端子付き電線製造システムにおいて、
前記通信装置は、前記学習モデルを含む情報の通信を行う
ことを特徴とする端子付き電線製造システム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018177649 | 2018-09-21 | ||
JP2018177649 | 2018-09-21 | ||
JP2019171215A JP7306933B2 (ja) | 2018-09-21 | 2019-09-20 | 画像判定装置、画像検査装置、および画像判定方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019171215A Division JP7306933B2 (ja) | 2018-09-21 | 2019-09-20 | 画像判定装置、画像検査装置、および画像判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2023106393A true JP2023106393A (ja) | 2023-08-01 |
JP7458530B2 JP7458530B2 (ja) | 2024-03-29 |
Family
ID=69996825
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019171215A Active JP7306933B2 (ja) | 2018-09-21 | 2019-09-20 | 画像判定装置、画像検査装置、および画像判定方法 |
JP2023070959A Active JP7458530B2 (ja) | 2018-09-21 | 2023-04-24 | 端子付き電線製造システム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019171215A Active JP7306933B2 (ja) | 2018-09-21 | 2019-09-20 | 画像判定装置、画像検査装置、および画像判定方法 |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP7306933B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102627233B1 (ko) * | 2023-09-26 | 2024-01-23 | (주) 웨다 | 영상 기반 이상 탐지 모델을 이용한 초고압 전선 외관 품질 검사 시스템 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023176058A1 (ja) * | 2022-03-16 | 2023-09-21 | 株式会社フジクラ | 検査装置、検査方法、及び検査プログラム |
JP7489436B2 (ja) * | 2022-09-13 | 2024-05-23 | 株式会社 日立産業制御ソリューションズ | 検査装置、および、検査方法 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3290028B2 (ja) * | 1994-04-15 | 2002-06-10 | 松下電工株式会社 | 成形品検査方法及び成形制御方法 |
JPH10177890A (ja) * | 1996-12-19 | 1998-06-30 | Yazaki Corp | 端子圧着装置 |
JP2005156334A (ja) * | 2003-11-25 | 2005-06-16 | Nec Tohoku Sangyo System Kk | 疑似不良画像自動作成装置及び画像検査装置 |
JP4543153B1 (ja) * | 2009-08-11 | 2010-09-15 | 国立大学法人 岡山大学 | 欠陥検査方法及び欠陥検査装置 |
JP5172876B2 (ja) * | 2010-02-23 | 2013-03-27 | トルーソルテック株式会社 | 端子圧着不良検出装置 |
JP2011192032A (ja) * | 2010-03-15 | 2011-09-29 | Nippon Steel Corp | 疵学習装置、疵学習方法、及びコンピュータプログラム |
JP2012208710A (ja) * | 2011-03-29 | 2012-10-25 | Panasonic Corp | 属性推定装置 |
JP2012216491A (ja) | 2011-03-30 | 2012-11-08 | Shin Meiwa Ind Co Ltd | 圧着端子の検査装置およびそれを備えた電線処理装置 |
WO2013069082A1 (ja) * | 2011-11-07 | 2013-05-16 | 新明和工業株式会社 | 自動電線処理装置、自動電線処理方法およびプログラム |
US10295475B2 (en) * | 2014-09-05 | 2019-05-21 | Rolls-Royce Corporation | Inspection of machined holes |
JP6303219B1 (ja) * | 2016-10-19 | 2018-04-04 | ソリッドビジョン株式会社 | 画像処理システム及び画像処理方法 |
JP6338069B2 (ja) * | 2016-10-31 | 2018-06-06 | ソリッドビジョン株式会社 | 画像処理システム及び画像処理方法 |
JP7286836B2 (ja) | 2018-06-04 | 2023-06-05 | Hoya株式会社 | ガラスレンズ成形型 |
JP7054450B2 (ja) * | 2018-09-10 | 2022-04-14 | 日本電気硝子株式会社 | ワーク検査方法 |
JP7161443B2 (ja) | 2019-04-24 | 2022-10-26 | ジェネシスヘルスケア株式会社 | 尿管結石及び/又は腎結石のリスクを判定する方法 |
-
2019
- 2019-09-20 JP JP2019171215A patent/JP7306933B2/ja active Active
-
2023
- 2023-04-24 JP JP2023070959A patent/JP7458530B2/ja active Active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102627233B1 (ko) * | 2023-09-26 | 2024-01-23 | (주) 웨다 | 영상 기반 이상 탐지 모델을 이용한 초고압 전선 외관 품질 검사 시스템 |
Also Published As
Publication number | Publication date |
---|---|
JP7458530B2 (ja) | 2024-03-29 |
JP2020052044A (ja) | 2020-04-02 |
JP7306933B2 (ja) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2023106393A (ja) | 画像判定装置、画像検査装置、端子付き電線製造システム、および画像判定方法 | |
TWI638249B (zh) | Position control device and position control method | |
KR102657309B1 (ko) | 전기 스위칭 시스템을 탑재하기 위한 방법 및 그러한 스위칭 시스템의 조립을 단순화하기 위한 조립 지원 디바이스 | |
US20210073973A1 (en) | Method and apparatus for component fault detection based on image | |
US20180330193A1 (en) | Image processing device, non-transitory computer readable storage medium, and image processing system | |
US20180314918A1 (en) | Lead tip position image recognition method and lead tip position image recognition system | |
US20220351365A1 (en) | Systems and Methods for Troubleshooting Equipment Installation Using Artificial Intelligence | |
CN112730251B (zh) | 一种用于屏幕颜色缺陷检测的装置及方法 | |
US20230271325A1 (en) | Industrial internet of things systems for monitoring collaborative robots with dual identification, control methods and storage media thereof | |
CN111951225A (zh) | 一种pcb焊接异常检测方法、装置及存储介质 | |
CN111901584A (zh) | 电视传输通道自动检测方法、装置、智能终端及存储介质 | |
CN108972556B (zh) | 微特电机生产线上复杂光照环境下的导线抓取系统及方法 | |
US20240168465A1 (en) | Rapid automation system and method for line clearance | |
TWI770910B (zh) | 焊接條件調整裝置 | |
JP2019175407A (ja) | 画像検査プログラムのプログラム作成装置及びプログラム作成方法、並びに作成プログラム | |
CN116774904A (zh) | 修正数据曲线的方法及装置、非易失性存储介质 | |
KR20210136502A (ko) | Rgb-d 데이터와 딥러닝을 이용한 3d객체영역분할 방법과 그 시스템 | |
WO2017135107A1 (ja) | 結線検査作業支援システム | |
CN106845466A (zh) | 一种基于图像的产品识别方法及其系统 | |
CN112088395A (zh) | 图像处理装置、图像处理方法以及图像处理程序 | |
CN115379197A (zh) | 用于在生产线上检测摄像头产品的镜头表面的方法和装置 | |
CN113933309A (zh) | 一种复测aoi机台检盲孔孔内不良的方法 | |
CN114202676A (zh) | 标记模型的训练、标记方法、装置、系统、存储介质及设备 | |
JP2007287093A (ja) | 移動体検出装置、方法、及びプログラム | |
CN117733439B (zh) | 一种具有焊缝成形质量实时预测功能的焊接机器人 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230427 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231127 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231205 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240117 |
|
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: 20240227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240318 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7458530 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |