TW202331653A - 識別例如墨盒之識別製造組件的設備和方法 - Google Patents
識別例如墨盒之識別製造組件的設備和方法 Download PDFInfo
- Publication number
- TW202331653A TW202331653A TW111133170A TW111133170A TW202331653A TW 202331653 A TW202331653 A TW 202331653A TW 111133170 A TW111133170 A TW 111133170A TW 111133170 A TW111133170 A TW 111133170A TW 202331653 A TW202331653 A TW 202331653A
- Authority
- TW
- Taiwan
- Prior art keywords
- pattern
- component
- processor
- stored
- dispenser
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 117
- 238000004519 manufacturing process Methods 0.000 title claims description 66
- 239000012530 fluid Substances 0.000 claims abstract description 101
- 239000000463 material Substances 0.000 claims abstract description 84
- 239000000758 substrate Substances 0.000 claims abstract description 28
- 239000007921 spray Substances 0.000 claims description 60
- 238000013528 artificial neural network Methods 0.000 claims description 36
- 238000004891 communication Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 11
- 238000007599 discharging Methods 0.000 claims 1
- 230000008569 process Effects 0.000 description 12
- 239000000853 adhesive Substances 0.000 description 11
- 230000001070 adhesive effect Effects 0.000 description 11
- 238000010438 heat treatment Methods 0.000 description 7
- 229910000679 solder Inorganic materials 0.000 description 7
- 239000004821 Contact adhesive Substances 0.000 description 6
- 230000007547 defect Effects 0.000 description 6
- 230000001681 protective effect Effects 0.000 description 6
- 230000004907 flux Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 150000001875 compounds Chemical class 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 239000011345 viscous material Substances 0.000 description 3
- 239000004593 Epoxy Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000006073 displacement reaction Methods 0.000 description 2
- 238000005538 encapsulation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 229920001296 polysiloxane Polymers 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 229920001651 Cyanoacrylate Polymers 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- NLCKLZIHJQEMCU-UHFFFAOYSA-N cyano prop-2-enoate Chemical class C=CC(=O)OC#N NLCKLZIHJQEMCU-UHFFFAOYSA-N 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 239000008393 encapsulating agent Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 125000003700 epoxy group Chemical group 0.000 description 1
- 230000001815 facial effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 239000003779 heat-resistant material Substances 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 239000003921 oil Substances 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 229920000647 polyepoxide Polymers 0.000 description 1
- 238000004382 potting Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 239000000565 sealant Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000001179 sorption measurement Methods 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000004936 stimulating effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000004073 vulcanization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
- G06V10/225—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition based on a marking or identifier characterising the area
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- 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
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/19—Recognition using electronic means
- G06V30/19007—Matching; Proximity measures
- G06V30/19093—Proximity measures, i.e. similarity or distance measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Coating Apparatus (AREA)
- Manufacturing & Machinery (AREA)
- Microelectronics & Electronic Packaging (AREA)
Abstract
本發明揭示一種用於將一流體材料施配至一基板上之施配系統,其包含:一噴射施配器,其經構形以在其中接收該流體材料,該噴射施配器具有可操作地連接至其之一噴射墨盒,該噴射墨盒經構形以自該噴射施配器接收該流體材料且具有該流體材料透過其朝向該基板排放之一噴嘴;一攝影機,其經構形以獲取該噴射施配器之一數位影像;及一控制器,其具有一記憶體及一處理器。該處理器經構形以:在該噴射施配器之該數位影像上識別存在於該噴射施配器上之特徵之一經識別圖案;比較該經識別圖案與一儲存圖案,該儲存圖案儲存於該記憶體中;計算該經識別圖案與該儲存圖案之間的相似性;且提供與該儲存圖案相關聯之一識別符值。
Description
本發明大體上係關於製造系統,且更特定言之,本發明係關於製造系統中之組件之識別。此外,本發明大體上係關於流體施配器,且更特定言之,本發明係關於流體施配器中之組件之識別。更具體而言,本發明大體上係關於流體施配器,且更特定言之,本發明係關於流體施配器中之墨盒之識別。
實施製造系統以使用各種設備、組件及/或其類似者來產生及/或修改產品,諸如基板。例如,製造系統可包含有時用於將黏性材料施加於基板上之非接觸黏性材料施配器。非接觸黏性材料施配器可包含在一製造線上實施之設備、組件及/或其類似者,諸如墨盒。製造線上之程序控制非常重要。例如,能夠考量及調整非接觸黏性材料施配器(諸如墨盒)之設備中之微小變動允許在多種不同情況下繼續製造良好部件。據此而言,追蹤在任何給定時間使用之特定設備之資訊將係有益的。追蹤次資訊將允許吾人判定一特定件之壽命,該資訊可用於判定一旦該特定件已超過一推薦用途即將該特定件設備自服務移除。然而,當前不存在識別及追蹤製造系統之個別件設備(諸如非接觸黏性材料施配器)之良好方式。
因此,需要有效識別用於製造系統中之個別件設備(諸如非接觸黏性材料施配器)之機構及方法。
前述需要由組件(諸如所揭示之噴射施配器)及製造系統(諸如所揭示之施配系統)之各個態樣來滿足。根據本發明之一態樣,一種噴射施配器識別系統包含經構形以獲取一噴射施配器之一數位影像之一攝影機及具有一記憶體及一處理器之一控制器。該處理器經構形以:在該噴射施配器之該數位影像上識別存在於該噴射施配器上之特徵之一經識別圖案;將該經識別圖案與一儲存圖案比較,該儲存圖案儲存於該記憶體中;計算該經識別圖案及該儲存圖案之間的相似性;且提供與該儲存圖案相關聯之一識別符值。
該識別符值可視情況包含與該噴射墨盒相關聯之以下之至少一者:一產品名稱、一產品類型、一產品序號、一產品編號及一產品製造批號。
該處理器可視情況經構形以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的相似性,該處理器經進一步構形以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該一者最類似於該複數個儲存圖案之該經識別圖案。
該處理器可視情況經構形以實施一神經網路以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的相似性,該處理器經進一步構形以實施該神經網路以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案中之該一者最類似於該經識別圖案。
該系統可視情況經構形以與經構形以在其中接收一流體材料之一噴射施配器有線通信。替代地,該系統可視情況經構形以與經構形以在其中接收一流體材料之一噴射施配器無線通信。
根據另一態樣,一種用於將一流體材料施配於一基板上之施配系統可包含經構形以在其中接收該流體材料之一噴射施配器。該噴射施配器可具有可操作地連接至其之一噴射墨盒。該噴射墨盒可經構形以接收該流體材料且具有經構形以排放該流體材料之一噴嘴。該施配系統可進一步具有含經構形以獲取一噴射施配器之一數位影像之一攝影機及具有一記憶體及一處理器之一控制器之一噴射施配器識別系統。該處理器經構形以:在該噴射施配器之該數位影像上識別存在於該噴射施配器上之特徵之一經識別圖案;將該經識別圖案與一儲存圖案比較,該儲存圖案儲存於該記憶體中;計算該經識別圖案與該儲存圖案之間的一相似性;且提供與該儲存圖案相關聯之一識別符值。
根據本發明之另一態樣,揭示一種訓練一神經網路以自一儲存組件列表識別一組件之方法。該神經網路儲存於一控制器之一記憶體中且可由該控制器上之一處理器操作。該方法包含:將一第一組件引入與該控制器電子通信之一輸入設備上,該第一組件上具有一第一特徵;經由該處理器使該第一特徵與與該第一組件相關聯之一第一識別符相關聯;將該第一特徵與該第一識別符之一關聯儲存於該記憶體中;將一第二組件引入該輸入設備,該第二組件具有一第二特徵;經由該處理器使該第二特徵與與該第二組件相關聯之一第二識別符相關聯;及將該第二特徵與該第二識別符之一關聯儲存於該記憶體中。
該輸入設備可視情況包括經構形以獲取該第一及第二組件之一數位影像之一攝影機。
該第一及第二識別符可視情況包含與該第一及第二組件相關聯之以下之至少一者:產品名稱、產品類型、產品序號、產品編號及產品製造批號。
該方法可視情況包含將一第三組件引入該輸入設備,該第三組件具有一第三特徵;將該第三組件之該第三特徵與該第一組件之該第一特徵及該第二組件之該第二特徵比較;及自該處理器接收該第一組件及該第二組件之哪一個更類似於該第三組件之一預測。
該方法可視情況包含向該處理器指示該預測是否正確。
根據另一態樣,揭示一種在一施配系統中識別一噴射墨盒之方法。該施配系統包含該噴射墨盒、一攝影機及具有一處理器及一記憶體之一控制器。該方法包含:致動該攝影機以獲取該噴射墨盒之一影像;識別在該獲取影像上可見之該噴射墨盒上之特徵之一圖案;將該經識別圖案與記憶體中之複數個儲存圖案比較;致動該處理器以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該選定圖案最類似於該經識別圖案;及顯示與該複數個儲存圖案之該選定圖案相關聯之一識別符。
該方法可視情況包含顯示該經識別圖案與該複數個儲存圖案之該選定圖案之間的相似性之一量測。
該識別符可視情況包含以下之至少一者:一產品名稱、一產品序號、一產品編號及一產品製造批號。
特徵之該圖案可視情況包含一條碼。
該比較及該致動步驟可視情況包含實施一神經網路。
該方法可視情況包含顯示與該識別符相關聯之一準確度值。
根據本發明之另一態樣,一種用於施配一流體材料之製造系統包含經構形以在其中接收該流體材料之一施配器。該施配器可具有可操作地連接至其之一施配器組件,該施配器組件經構形以自該施配器接收該流體材料且具有經構形以透過其排放該流體材料之一噴嘴。該製造系統進一步包含經構形以獲取該施配器之一數位影像之一攝影機;及具有一記憶體及一處理器之一控制器。該處理器經構形以:在該施配器之該數位影像上識別存在於該施配器上之特徵之一經識別圖案;將該經識別圖案與一儲存圖案比較,該儲存圖案儲存於該記憶體中;計算該經識別圖案與該儲存圖案之間的一相似性;且提供與該儲存圖案相關聯之一識別符值。
該識別符值可視情況包含與該施配器組件相關聯之以下之至少一者:一產品名稱、一產品類型、一產品序號、一產品編號及一產品製造批號。
該處理器可視情況經構形以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的該相似性。該處理器可經構形以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該一者最類似於該經識別圖案。
該處理器可視情況經構形以實施一神經網路以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的該相似性。該處理器可經構形以實施該神經網路以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該一者最類似於該經識別圖案。
根據本發明之又一態樣,揭示一種訓練一神經網路以自一儲存組件列表識別一組件之方法。該神經網路儲存於一控制器之一記憶體上且可由該控制器上之一處理器操作。該方法包含:將一第一組件引入與該控制器電子通信之一輸入設備,該第一組件上具有一第一特徵;經由該處理器使該第一特徵與與該第一組件相關聯之一第一識別符相關聯;將該第一特徵與該第一識別符之該關聯儲存於該記憶體中;將一第二組件引入該輸入設備,該第二組件具有一第二特徵;經由該處理器使該第二特徵與與該第二組件相關聯之一第二識別符相關聯;及將該第二特徵與該第二識別符之該關聯儲存於該記憶體中。
該輸入設備可視情況包含經構形以獲取該第一及第二組件之一數位影像之一攝影機。
該第一及第二識別符可視情況包含與該第一及第二組件相關聯之以下之至少一者:產品名稱、產品類型、產品序號、產品編號及產品製造批號。
該方法可視情況包含:將一第三組件引入該輸入設備,該第三組件具有一第三特徵;將該第三組件之該第三特徵與該第一組件之該第一特徵及該第二組件之該第二特徵比較;及自該處理器接收該第一組件及該第二組件之哪一個更類似於該第三組件之一預測。
該方法可視情況包含向該處理器指示該預測是否正確。
根據本發明之又一態樣,揭示一種在一製造系統中識別一施配器組件之方法。該製造系統包含該施配器組件、一攝影機及具有一處理器及一記憶體之一控制器。該方法包含:致動該攝影機以獲取該施配器組件之一影像;識別在該獲取影像上可見之該施配器組件上之特徵之一圖案;將該經識別圖案與該記憶體中之該複數個儲存圖案比較;致動該處理器以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該選定圖案最類似於該經識別圖案;及顯示與該複數個儲存圖案之該選定圖案相關聯之一識別符。
該方法可視情況包含顯示該經識別圖案與該複數個儲存圖案之該選定圖案之間的相似性之一量測。
該識別符可視情況包含以下之至少一者:一產品名稱、一產品類型、一產品序號、一產品編號及一產品製造批號。
特徵之該圖案可視情況包含一條碼。
該比較及該致動可視情況包含實施一神經網路。
該方法可視情況包含顯示與該識別符相關聯之一準確度值。
一製造系統之組件(諸如一墨盒)可在組件上具有可見特徵,諸如其噴嘴之面。例如,可見特徵可包含可由一神經網路用於辨識及識別其等所屬之精確組件(諸如一墨盒)之機器標記、其他輕微缺陷及/或其類似者。特定言之,吾人發現使用深度神經網路及影像辨識可判定一噴嘴係乾淨或骯髒。另外,吾人認識到藉由適當照明、放大及/或其類似者,各組件(諸如一墨盒之噴嘴)之表面上之輕微變動可變得可見。例如,輕微變動,諸如機器標記、亮度變化、輕微缺陷等。此外,判定此等輕微變動可用於教示一深度神經網路以識別所使用之精確組件(諸如墨盒),其可為一組件指紋、一組件面部辨識及/或其類似者。對於安裝有一查找攝影機之機器,此可為識別、追蹤及/或其類似組件使用(例如墨盒使用)之一有效方式,其將對使用者具有一明顯優點。另外,所揭示之系統亦可潛在地用於識別一組件中(諸如噴嘴面上)之新實體缺陷。例如,實體缺陷(諸如一碎裂噴嘴,否則損壞藥墨盒面及/或其類似者)。
本發明之態樣大體上係關於製造系統,且更特定言之,本發明之態樣係關於製造系統中組件之識別。例如,本發明大體上係關於流體施配器。非接觸黏性材料施配器有時用於將黏性材料施加於基板上。例如,非接觸黏性材料施配器有時用於將微量黏性材料(即,具有超過50厘泊之一黏度之黏性材料)施加於基板上。如本文所使用,「非接觸」意謂噴射施配器在施配程序期間不接觸基板。例如,非接觸噴射施配器可用於將各種黏性材料施加於電子基板(諸如印刷電路板)上。施加於電子基板之黏性材料可包含(舉實例而言而非限制)通用黏著劑、焊膏、助焊劑、焊罩、熱油脂、蓋密封劑、油、囊封劑、裝填化合物、環氧樹脂、裸晶吸附流體、矽酮、室溫硫化(RTV)材料、氰基丙烯酸酯及/或其他適合材料。
在半導體封裝總成中,存在以下應用:底部填充、球柵陣列中之焊球增強、圍壩及填充操作、晶片囊封、底部填充晶片規模封裝、腔穴填充施配、裸晶吸附施配、蓋密封施配、無流動底部填充、助焊劑噴射、施配熱化合物等。對於表面安裝技術(SMT)、印刷電路板(PCB)生產及/或其類似者,表面安裝黏著劑、焊膏、導電黏著劑、焊罩材料及/或其類似者可自非接觸施配器以及選擇性助焊劑噴射施配。
噴射施配器可含有用於在自施配器之之一出口孔口噴射黏性材料之一液滴同時將一軸、挺桿及/或其類似者重複朝向一座椅移動之氣動或電動致動器。更具體而言,電致動噴射施配器可使用一壓電致動器。使用接觸一閥座之一閥閉合結構精確噴射流體可需要使用一規定行程(位移)及速度使軸與閥座接觸以有效地自噴嘴之出口噴射流體材料之一點。位移及速度曲線共同形成運動輪廓。
噴射施配器通常可藉由使用一閥構件快速衝擊一閥座以產生自施配器之噴嘴噴射一小體積或液滴之流體材料且自噴嘴透過空氣飛行以衝擊流體材料施加於其上之一表面或基板之一獨特高壓脈衝而將小體積之流體材料施配至一基板。
閥構件及噴嘴可容置於經設計以與此等噴射施配器一起使用之一噴射墨盒中。墨盒可按特定比例及容限製造。墨盒可包含不同材料且可使用不同工具及程序製造。因此,各種類型之墨盒可與噴射施配器互換使用且具有各種區別。
本發明大體上係關於製造系統,且更特定言之,本發明係關於製造系統中之組件之識別。然而,為了簡潔起見,將相對於流體施配器、且更特定言之相對於流體施配器中之墨盒之識別來描述本發明。然而,本發明之態樣可適用於多種其他應用、實施方案及/或其類似者。
參考圖1及圖2,圖中描繪根據本發明之一實施例之具有一噴射施配器10之一施配系統90。噴射施配器10可包含一致動器12、可操作地耦合至致動器12之一噴射墨盒14及經調適以透過一流體饋送管16將流體材料供應至噴射墨盒14之一流體儲液器15。流體材料可包含各種熱敏流體材料,諸如環氧、矽酮、具有一溫度相依黏度之其他黏著劑及/或其類似者。
噴射施配器10可經構形以朝向一基板11排放流體材料。流體材料可以各種方式及/或圖案排放。例如,流體材料可被傾倒、滴下、強力推動或噴射及/或其類似者。在一些態樣中,流體材料可被強制(即,「噴射」)噴射出噴射施配器10,在該等方案中,流體材料之一液滴脫離噴射施配器10然後與基板11接觸。因此,在一噴射型施配器中,所施配之液滴係在噴射施配器10與基板11之間「飛行」,且針對噴射施配器10與基板11之間的距離之至少一部分,不與噴射施配器10或基板11接觸。在其他類型之應用中,當液滴朝向基板11移動時,離散噴射之材料液滴可保持連接至噴射施配器10 (例如經由一細股材料)。在進一步態樣中,各後續液滴可連接至一先前及/或後續液滴。此等噴射施配器實施例可用於施配流體材料,包含(但不限於)底部填充材料、囊封材料、表面安裝黏著劑、焊膏、導電黏著劑、焊罩材料、助焊劑、熱化合物及/或其類似者。
噴射施配器10可進一步包含經構形以當流體材料在噴射施配器10中時將熱提供至流體材料之一加熱元件18。加熱元件18可包含一加熱器及/或一加熱線圈,諸如一電子加熱器、一輻射加熱器、一對流加熱器及/或其類似者。加熱元件18之至少一部分可安置為鄰近於噴射墨盒14使得噴射墨盒14之至少一部接觸加熱元件18。加熱元件18可由一可控制電源19供電以在操作期間維持流體材料之一最佳溫度及黏度。
在使用期間,致動器12可操作以致動噴射墨盒14內之一閥構件(圖中未展示)以允許流體材料自噴射施配器10朝向基板11施配。在一些態樣中,致動器12可經構形以移動閥構件以打開流體材料可透過其流出噴射施配器10之透過噴射墨盒14之一通道。流體材料可歸因於重力、流體壓力、空氣壓力、機械壓力及/或其類似者作用於流體材料上而流動。在一些態樣中,流體材料可自噴射墨盒14強制噴射、噴射及/或其類似者於基板11上。在此等態樣中,致動器12可經構形以將閥構件朝向且透過噴射墨盒14內之流體材料移動以接觸噴射墨盒14中之流體材料之至少一部分且將其朝向基板11強行推出噴射墨盒14。
參考圖3至圖6,圖中描繪一例示性噴射墨盒14。應瞭解其他噴射墨盒可與噴射施配器10一起使用。噴射墨盒14可可移除地固定至噴射施配器10且可自噴射施配器10釋放及移除。在一些態樣中,噴射施配器10可經構形以選擇性地接收不同類型之噴射墨盒14及/或複數個相同類型之噴射墨盒14且與之一起操作。
噴射墨盒14可包含一外墨盒本體20及經構形以接收於外墨盒本體20中或上之一流動嵌件(圖中未展示)。外墨盒本體20及流動嵌件可由任何適合耐熱材料形成,諸如(例如) 303不銹鋼。噴射墨盒14可包含流體材料透過其經構形以接收於噴射墨盒14中之一流體入口24。噴射墨盒14可進一步包括流體材料可透過其自噴射墨盒14 (例如)朝向基板11排出之一流體出口26。一流體通道可界定於流體入口24與流體出口26之間的噴射墨盒14內。應瞭解噴射墨盒14可包含複數個流體通道。流體通道可包含各種不同形狀,且本發明不受限於一特定流體通道形狀或定向。例如,流體通道可為線性或彎曲。流體通道可包含一第一部分22及與第一部分22成角度偏移之一第二部分28。流體通道可圍繞噴射墨盒14 (例如圍繞一施配軸A (例如圖3中所展示))周向延伸。在一些態樣中,流體通道可包含一螺旋形狀且可沿施配軸A螺旋地延伸。
一流體室31可界定於流體入口24與流體出口26之間的噴射墨盒14中。流體室31可經構形以自流體入口24接收流體材料。流體室31可與流體通道流體連通。在一些態樣中,流體通道可包含流體室31。
噴射墨盒14可包含流體材料經構形以在自噴射墨盒14排放之後通過其之一噴嘴40。噴嘴40可安置於外墨盒本體20及流動嵌件之至少一之上、中或附近。噴嘴可包含一噴嘴本體42及自噴嘴本體42延伸之一噴嘴尖端44。在一些態樣中,噴嘴本體42之至少一部分可安置於噴射墨盒14內,且噴嘴尖端44之至少一部分可安置於噴射墨盒14外部。
在一些態樣中,噴射墨盒14可包含經構形以在其上或其中接收噴嘴40之一噴嘴轂34。噴嘴轂34可固定至噴射墨盒14,例如固定至外墨盒本體20。噴嘴本體42可安置於噴嘴轂部34內,且噴嘴尖端44可延伸出噴嘴轂34。
流體出口26可界定於噴嘴40上或透過噴嘴40。在操作期間,致動器12可驅動閥構件32在流體室31內且透過流體室31朝向噴嘴40之移動。在此移動期間,閥構件32可接觸流體室31中之流體材料且迫使其至少一部分朝向噴嘴40且透過流體出口26流出。
外墨盒本體20可界定一表面50,表面50之至少一部分可正交於施配軸A (參閱圖3)。外墨盒本體20可界定位於外墨盒本體20之一遠端處之一遠端表面52。遠端表面52之至少一部分可正交於施配軸A。噴嘴轂34可包含界定於其上之複數個表面36,複數個表面36之各者之至少一部分正交於施配軸A。參考圖5,噴嘴40可界定一或多個表面46,其中一或多個表面46之各者之至少一部分正交於施配軸A。一或多個表面46可安置於噴嘴本體42上、噴嘴尖端44上或噴嘴本體42及噴嘴尖端44兩者上。
一噴射施配器識別系統92 (參閱圖8)可用於觀察噴射施配器10 (或另一噴射施配器)進行線上或離線識別。噴射施配器10之一或多個特性可由噴射施配器識別系統92偵測及/或量測。在一些實施例中,噴射施配器識別系統92可實體連接至噴射施配器10或可無線地連接至噴嘴施配器10。在一些態樣中,噴射施配器識別系統92可在噴射施配器10之操作期間自噴射施配器10接收資訊。替代地,噴射施配器識別系統92可經構形以在噴射施配器之操作之前或之後接收資訊。噴射施配器識別系統92可經構形以自複數個噴射施配器10或其他適合噴射施配器接收資訊。
一攝影機30可用於觀察噴射施配器10 (參閱圖1)。攝影機30可附接至噴射施配器10或可與噴射施配器10實體分離。攝影機30可被引導以光學地捕獲噴射施配器10及/或基板11之至少一部分之影像及/或視訊。攝影機30可被引導沿一攝影機方向B (參閱圖1)。攝影機方向B可平行於施配軸A。應瞭解攝影機30可具有界定攝影機30可捕獲之一查看區域之一適合視角。攝影機方向B可包含查看區域內之攝影機30之任何方向。另外,攝影機30可具有經構形以沿一或多個軸將攝影機30移動至適當位置之一支撐結構、圍繞一或多個軸旋轉攝影機30及/或其類似者。支撐結構可包含各種馬達、控制器、高架、托架及/或其類似者以配置攝影機30及一操作位置及/或其類似者。噴射施配器識別系統92可包含攝影機30。
攝影機30可經構形以在噴射施配器10之操作之前、期間及/或之後光學捕獲及/或記錄視覺資料。攝影機30可包含一或多個單獨攝影機。攝影機30可包含一電荷耦合設備(CCD)、CMOS (互補金屬氧化物半導體)影像感測器、背面照明CMOS及/或其類似者。由攝影機30捕獲之影像可被轉換及儲存為各種格式,包含一JPEG (聯合圖像專家小組)檔案格式、一TIFF (標籤影像檔案格式)檔案格式、RAW特徵格式及/或其類似者。攝影機30可包括一透鏡、光學器件、照明組件及/或其類似者以及用於控制其等之控制器。攝影機30可引導於噴射施配器10處,攝影機30之方向之至少一部分平行於施配軸A。攝影機30可經構形以可視地查看噴射墨盒14。在一些態樣中,攝影機30可經構形以查看外墨盒本體20、噴嘴轂34、噴嘴40及/或其類似者。
攝影機30可經配置以查看噴射施配器10使得攝影機30之一視角包含其實質上平行於施配軸A (即,沿攝影機方向B)之一部分。即,可在平行於施配軸A之方向上捕獲由攝影機30查看及/或記錄之影像及/或視訊。攝影機30可查看上述噴射墨盒14之一或多個表面,諸如外墨盒本體20之表面50之一或多者、外墨盒本體20之一或多個遠端表面52、噴嘴轂34之一或多個表面36、噴嘴40上之一或多個表面46及/或噴射墨盒14及/或噴嘴施配器10之剩餘部分之其他表面。
噴射墨盒14可包含其上可由攝影機30觀察之一特徵。特徵可安置於噴射墨盒14中,或替代地,安置於噴射墨盒14上。特徵可包含在噴射墨盒14之製造期間由加工程序引起之一標記、在使用期間對噴射墨盒14造成之損壞、噴射墨盒14上之一材料之污垢或積聚及/或其類似者。在各種態樣中,特徵可為噴射墨盒14之一表面、表面之一部分、一結構、結構之一部分及/或其類似者之一形狀、一輪廓、一外形、一紋理、一變動、一連續性、一不連續性、一凸起部分、一凹陷部分、一扁平部分、一彎曲部分及/或其類似者。應瞭解特徵可包含可由攝影機30視覺上可識別之任何其他屬性。噴射墨盒14可具有複數個特徵,且複數個特徵可包含如上文所描述之相同特徵或不同特徵之一組合。圖7A至圖7C描繪噴射墨盒14上之複數個例示性特徵60。
圖7A至圖7C描繪由攝影機30捕獲之例示性噴射墨盒14之部分之影像。圖7A至圖7C在正交於施配軸A之一平面中展示。
各噴射墨盒14可包含一或多個特徵60之一特定數量、類型及/或配置。因此,各噴射墨盒可具有可由攝影機30視覺上可識別及/或辨識之一圖案114。各圖案114可包含噴射墨盒14之各種表面上之一或多個特徵60之一特定配置。在一些態樣中,各噴射墨盒14可具有一或多個特徵60之一唯一或一實質上唯一圖案114。因此,各噴射墨盒14可與另一噴射墨盒14區分。
一噴射墨盒14可具有比其他噴射墨盒14更接近一些噴射墨盒14之一圖案114。由一第一製造程序製造之一些噴射墨盒14可具有彼此非常相似之圖案114,但與由一第二不同製造程序製造之其他噴射墨盒14相比,可具有非常不同之圖案114。圖案114中之差異可取決於由製造引起(例如,由使用不同材料、材料之不同組合、所利用之不同製造工具、不同製造約束及容限、不同製造程序及/或其類似者引起)之特徵60之差異。
因此,由第一製造程序製造之一噴射墨盒14可區別於由第二製造程序製造之一噴射墨盒14。藉由使用攝影機30比較不同噴射墨盒14之間的特徵60之圖案114,可判定此區別。此可為識別及追蹤噴射墨盒用途之一有效方式。此可允許使用者監視及追蹤墨盒使用之持續時間以判定何時應移除、替換、清潔噴射墨盒及/或其類似者。此識別亦可用於識別使用期間出現之噴射墨盒14 (且特定言之,噴嘴40上)之實體缺陷。在一些態樣中,此識別可用於在使用之前識別非期望實體缺陷(諸如一碎裂噴嘴或否則損壞墨盒面),使得使用者可替換有缺陷之噴射墨盒14。
上述識別可用於區分不同類型之噴射墨盒14。特徵60之圖案114之識別可用於區別一新噴射墨盒14及一先前使用之噴射墨盒14。此識別可幫助使用者判定何時需要維修、替換、清潔噴射墨盒14及/或其類似者。識別可用於區分經設計以與不同類型之噴射施配器10、待施配之不同流體材料及/或不同基板一起利用之各種噴射墨盒14。此識別可幫助使用者判定在噴射施配器10中是否利用適當噴射墨盒14。識別可用於區分由如上文所描述之不同製造程序製造之噴射墨盒14。此識別可幫助使用者判定所使用之噴射墨盒14是否係來自原始設備製造商之一適合組件(或一允許取代)或相反,噴射墨盒14係一不太期望或非期望複製品或偽造產品。
為識別正在使用之噴射墨盒14,使用者可查看噴射墨盒14 (例如沿攝影機方向B)以識別存在於噴射墨盒14上之特徵60之圖案。使用者可使用肉眼或借助一光學設備查看噴射墨盒14。在一些態樣中,使用者可透過攝影機30查看噴射墨盒14。
上述識別可由與攝影機30可操作通信之一控制器100執行。參考圖8,圖中描繪一例示性系統90。系統90可包含噴射施配器10。系統90可包含攝影機30及控制器100。攝影機30可經構形以自可操作地連接至攝影機30之一電源110接收電力。電源110可包含一電池、一燃料電池、一太陽能面板、一壁式插座及/或其類似者。攝影機30可直接自電源110或替代地,經由一控制器100接收電力。在一些態樣中,噴射施配器識別系統92可包含控制器100及/或電源110。系統90可包含與噴射施配器10分離之噴射施配器識別系統92 (參閱圖8)。在一些態樣中,噴射施配器識別系統92可與噴射施配器10、一不同噴射施配器或不同噴射分佈器10及其他適合噴射施配器之一組合可操作地連接且一起利用。
控制器100可包含或安置於一計算設備(諸如一習知伺服器電腦、一工作站、一桌上型電腦、一膝上型電腦、一平板電腦、網路設備、一個人數位助理(PDA)、一數位蜂巢式電話及/或其他適合計算設備)上或中。控制器100可包含一處理器102、一記憶體104、一使用者介面112及/或其類似者。記憶體104可為一單一記憶體設備或複數個記憶體設備,包含(但不限於)唯讀記憶體(ROM)、隨機存取記憶體(RAM)、揮發性記憶體、非揮發性記憶體、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、快閃記憶體、快取記憶體或能夠儲存數位資訊之任何其他設備。記憶體104亦可包含一大量儲存區設備(圖中未展示),諸如一硬碟驅動器、光學驅動器、磁帶驅動器、非揮發性固態設備或能夠儲存數位資訊之任何其他設備。
處理器102可在駐留於記憶體104之作業系統之控制下操作。處理器102可包含選自微處理器、微控制器、數位信號處理器、微電腦、中央處理單元、場可程式化閘陣列、可程式化邏輯設備、狀態機、邏輯電路、類比電路、數位電路及/或基於儲存於記憶體104中之操作指令來操縱信號(類比或數位)之任何其他設備之一或多個設備。
使用者介面112可通信地連接至控制器100以允許一系統操作者與控制器100互動。使用者介面112可包含一或多個輸入/輸出設備。使用者介面112可包含一視訊監視器、字母數字顯示器、一觸控螢幕、一揚聲器及能夠將資訊提供至系統操作者之任何其他適合音訊及/或視覺指示器。使用者介面112可包含能夠接受來自操作者之命令或輸入之一或多個輸入設備,例如字母數字鍵盤、一指向設備、鍵盤、按鈕、控制旋鈕、麥克風及/或其類似者。以此方式,使用者介面112可使得(例如)在設定、校準、檢測及/或清潔期間能夠手動起始系統功能。
處理器102可經構形以控制攝影機30之操作。處理器102可包含經構形以用於「教示」或訓練處理器102如何識別一噴射墨盒14之一學習模組106。處理器102可包含可在噴射施配器10之操作期間利用來自學習模組106之「學習」資訊來識別噴射墨盒14之一操作模組108。
在態樣中,控制器100及/或處理器102可不實施學習模組106。在此態樣中,教示或訓練功能性之實施方案可在一單獨電腦系統中實現且處理器102可利用操作模組108之功能性。在態樣中,此單獨電腦系統包含系統90之特徵之任一或多者,其可為系統90之一訓練實施方案。
學習模組106可用於訓練或教示系統90識別各種噴射墨盒14之影像且使經識別影像與噴射墨盒14之類型相關聯。參考圖9,學習模組106可包含一影像識別模組120及一影像關聯模組122。影像識別模組120可包括發送至攝影機30之指令以獲取噴射施配器10上之噴射墨盒14之一影像、複數個影像、一視訊、複數個視訊及/或其類似者。影像識別模組120可數位識別所獲取之影像、視訊、複數個影像、複數個視訊及/或其類似者上之一或多個特徵60以辨別特徵60之一圖案。接著,影像關聯模組122可將特徵60之經識別圖案與被檢測之特定噴射墨盒14相關聯。關聯可為與噴射墨盒14之一名稱、一類型、一序號、一編號、一製造批號及/或另一產品識別符相關聯。產品識別符可由使用者經由使用者介面112輸入控制器100中或可經程式化為控制器100之記憶體104中之軟體中。由影像關聯模組122進行之關聯可儲存於記憶體104中。在一些態樣中,相同產品識別符之複數個噴射墨盒14可用於教示學習模組106。因此,學習模組106可為一單一類型之噴射墨盒14產生特徵60之不同經識別圖案之複數個關聯。用於相同經識別類型之噴射墨盒14之特徵60之複數個圖案可儲存在一起、可一起平均化或可以其他方式組合以產生特徵60之一單一圖案,其類似於觀察到之相同類型之複數個噴射墨盒14之各者之特徵之圖案。類似學習程序可用於產生不同類型之噴射墨盒14之關聯。
在系統90已如上文所描述「訓練」之後,系統90可用於基於所儲存之訓練資料來識別一噴射墨盒14。參考圖10,在系統90之使用期間,處理器之操作模組108可用於識別噴射墨盒14。操作模組108可包含一影像識別模組130、一比較模組132及一預測模組136。影像識別模組130可經構形以自噴射墨盒14之攝影機30接收一或多個影像及/或視訊。各影像可包含以可特定於噴射墨盒14或一組噴射墨盒14之一特定圖案配置之一或多個特徵60。比較模組132可將其各自圖案中之經識別特徵60與儲存特徵60及記憶體104中之由學習模組106在教示階段期間儲存之圖案進行比較。比較模組132可識別特徵60之最緊密匹配圖案及與最緊密匹配圖案相關聯之噴射墨盒識別符。接著,預測模組136可(例如)經由使用者介面112指示使用者觀察到之噴射墨盒14可相同於最緊密匹配圖案之所識別之關聯噴射墨盒。比較模組132及預測模組136可提供使用者預測之準確度之一量測。準確度量測可基於所識別圖案與最緊密匹配圖案之相似程度。相似性越大,準確度指示可越高。
參考圖11,圖中分別描繪一例示性學習模組106。在諸如上文所描述之一學習程序期間,一第一噴射墨盒14A可由攝影機30觀察。攝影機30產生第一噴射墨盒14之一或多個影像。各影像可包含以由攝影機30觀察之一特定第一圖案114A配置之一或多個特徵60。所產生之影像可電子地傳輸至控制器100,其中可將影像保存至記憶體104中。接著,第一圖案114A可與第一噴射墨盒14A之一識別符(諸如一名稱、一類型、一製造批號及/或其類似者)相關聯。關聯可保存至記憶體104。上述程序可重複任何所要數目之反覆。例如,一第二噴射墨盒14B可經定位以由攝影機30觀察。攝影機30可產生第二噴射墨盒14B之一影像,該影像具有以一特定第二圖案114B配置之一或多個特徵60。第二圖案114B可與第二噴射墨盒14B之一識別符相關聯,且該關聯可保存至記憶體104。第一噴射墨盒14A及第二噴射墨盒14B可與相同識別符相關聯(即,可為相同類型之噴射墨盒14)。替代地,第一噴射墨盒14A可不同於第二噴射墨盒14B且可與不同於第二噴射墨盒14B之一墨盒識別符相關聯。應瞭解系統90可經訓練以識別及關聯任何適當數目之不同噴射墨盒14A、14B、…14n,且訓練及教示可利用不同噴射墨盒14A、14B、…14n之各者之任何適合數目之反覆。
參考圖12,圖中描述使用操作模組108之一例示性程序。攝影機30可被引導以觀察一噴射墨盒14。攝影機30可拍攝噴射墨盒14之一影像。影像可包含以一特定圖案114配置之一或多個特徵60。具有圖案114之影像可傳輸至控制器100且儲存於記憶體104中。處理器102可比較圖案114與在學習模組106之教示程序期間儲存之記憶體104中之儲存圖案之一或多者。比較模組132可將圖案114之特徵60之參數與儲存圖案(例如,第一圖案114A及/或第二圖案114B)比較。可比較參數可包含:一或多個特徵60之類型、大小、數量、顏色、形狀、定向及/或其他特性。可比較參數可包含多個特徵60之相對定位。可比較參數可包含噴射墨盒14上且具體而言噴嘴40上之一或多個特徵60之位置。預測模組136可選擇最靠近經識別圖案114之一儲存圖案114。因為各儲存圖案114與一特定噴射墨盒14相關聯,因此預測模組136可識別所選擇之最緊密匹配圖案114之關聯噴射墨盒。
在一些態樣中,處理器102可經構形以指示使用者圖案114與最緊密匹配儲存圖案之相似程度。處理器102可提供觀察到之噴射墨盒14之圖案114與最緊密匹配圖案114之間的相似性之一數值百分比。兩個圖案114越相似,百分比將越高。例如,若系統90已識別及儲存與第一噴射墨盒14A相關之資料,且在操作期間,系統90再次觀察第一噴射墨盒14A,則系統90可以一高百分比之確定性將觀察到之噴射墨盒正確地識別為第一噴射墨盒14A。在一理想環境中,精確匹配將導致100%匹配;然而,應瞭解系統90中或周圍之製造容限、照明、攝影機特徵、其他硬體、軟體及其他組件可干擾識別程序,且識別之準確度可能不精確。
學習模組106可包含一機器學習組件以允許處理器102基於其觀察到之圖案114改良識別及匹配噴射墨盒14之準確度。系統90之教示可包含使用者輔助指導以更佳地訓練處理器102。參考圖13,圖中描繪一例示性訓練程序200。圖13中繪示且在下文描述之訓練程序200可包含本文所描述之任一或多個其他特徵、組件、配置及/或其類似者。應注意訓練程序200之態樣可按與本文所描述之態樣一致之一不同順序來執行。再者,訓練程序200可經修改以具有與本文所揭示之各種態樣一致之更多或更少程序。
在步驟202中,可將一產品引入系統90中進行識別。產品可包含一噴射墨盒14。攝影機30可經構形以產生噴射墨盒14及其上之特徵60之一或多個影像,如本申請案中所描述。噴射墨盒14可為一第一噴射墨盒14A。應瞭解噴射墨盒之數位識別用於本申請案之實施例及程序之相對描述且不意欲受限於特定噴射墨盒。處理器102可儲存第一噴射墨盒14A之特徵60之一第一圖案114A。在步驟204期間,處理器102可使特徵60之經識別圖案114與第一噴射墨盒14A之一識別符相關聯。識別符可由使用者輸入或可預程式化至控制器100中。
在步驟206中,引入不同於第一產品之一第二產品。第二產品可為一第二噴射墨盒14B。在步驟208中,系統90可自第二噴射墨盒14B之攝影機30接收影像,且使特徵60之經識別第二圖案114B與第二噴射墨盒14B之一識別符相關聯。在程序200之此點,系統90經訓練以識別至少第一噴射墨盒14A及第二噴射墨盒14B。
在步驟210中,可將一第三產品引入系統90使得攝影機30經構形以識別且產生第三產品之一影像。第三產品可為第一噴射墨盒14A、第二噴射墨盒14B或另一噴射墨盒14。處理器102識別第三產品之特徵60及特徵60之圖案114。
在步驟212中,處理器102可使用如上文所描述之操作模組108來試圖識別第三產品且將其與最緊密匹配儲存產品相匹配。處理器102可將與最緊密匹配圖案114相關聯之哪個產品識別符可對應於第三產品之一預測提供至使用者。如上文所描述,處理器102亦可提供一準確度量測,其提供使用者第三產品之圖案114與最緊密匹配圖案114之接近程度之一指示。準確度量測可為第三產品之圖案114與最緊密匹配圖案114之間的相似性之一百分比。
在步驟214中,使用者指示系統90預測是否正確。若預測模組136已正確識別第三產品,則使用者如此指示(例如經由使用者介面112),且程序200前進至步驟216。在步驟216中,處理器102使第三產品之圖案與經適當識別之產品(例如與第一或第二產品)相關聯且將關聯儲存於記憶體104中。若關聯不正確,則使用者如此指示,且程序200前進至步驟218。在步驟218中,處理器102可預測與步驟212中進行之一不同關聯。自步驟218,程序200可返回步驟212,且再次試圖識別適當關聯。
圖14描述利用經訓練之系統90來識別一產品之一例示性程序300。用於識別之產品可為一噴射墨盒14,諸如本申請案中所描述。圖13中繪示且在下文描述之程序300可包含如本文所描述之任一或多個其他特徵、組件、配置及/或其類似者。應注意程序300之態樣可按與本文所描述之態樣一致之一不同順序來執行。再者,程序300可經修改以具有與本文所揭示之各種態樣一致之更多或更少程序。
在步驟302中,系統90可經構形以觀察噴射墨盒14。觀察可由攝影機30完成。攝影機30可獲取噴射墨盒14之一或多個影像且將所獲取之影像傳輸至控制器100。
在步驟304中,系統90可識別所獲取之影像上之一或多個特徵60。系統90可偵測特徵60之一圖案114。
在步驟306中,系統90可將經識別圖案114與在教示程序200或一類似程序期間保存至記憶體104之一或多個圖案(例如圖案114A、114B、…、114n)比較。
在步驟308中,使用上述比較,系統90可識別具有最接近於經識別圖案114之一圖案之一保存影像。系統90可比較圖案之特性以識別最緊密匹配。比較可查看特徵60,具體而言,特徵類型、大小、數量、顏色、形狀、定向及其類似者,以及多個特徵60之相對定位及/或所獲取之影像上之一或多個特徵60之位置。
在步驟310中,系統90可計算圖案114及其特徵60與來自記憶體104之最緊密匹配圖案之間的相似性。在步驟312中,經計算之相似性可顯示給使用者。相似性可描繪為一百分比。百分比可指示使用者最緊密匹配圖案與所獲取之圖案之接近程度。相似性越大,準確度百分比可越高。例如,若圖案114與記憶體104中之最緊密匹配圖案完全相同,則準確度百分比可為100% (或若考量製造容限、光學差異、誤差等,則略小於100%)。使用者可判定所描繪之準確度百分比是否足夠高以信任系統90之識別。
使用者可依賴各種可接受臨限值範圍來獲得準確度。例如,若準確度在90%與100%之間,則使用者可確保預測可能正確;然而,若準確度低於30%,則使用者可不確保預測之準確度。準確度量測亦可有助於一使用者判定噴射墨盒14之磨損。例如,若當一特定噴射墨盒14係新時噴射墨盒14被識別為與一保存資料點具有一90%匹配,且在一設定使用持續時間之後,相同噴射墨盒14隨後被識別為具有與之前相同之保存資料點之一80%匹配,準確度之變動可指示在使用期間圖案114隨時間之變化。例如,噴射墨盒14在使用期間可接收更多或不同特徵60,及/或既有特徵60可在使用期間更改。此觀察可促進使用者判定一特定組件磨損之速度及何時替換或清潔組件之能力。
應瞭解上述範圍係例示性且不意欲限制本文所描述之實施例之任何者之應用。
如上文所描述,利用一系統90識別組件之一優點可包含識別偽造產品。在一些態樣中,與原始製造商設備(OEM)產品相比,偽造產品可包含不同特徵60及/或可包含特徵60之不同圖案114。為改良辨別OEM產品(或其他預期產品)及偽造產品之能力,OEM產品可經製造以包含指示原始(或其他批准)部分之一或多個特徵60。例如,一OEM噴射墨盒14上可包含僅包含於OEM噴射墨盒14中但不存在於偽造噴射墨盒中之一保護特徵。保護特徵可包含本文所描述之特徵60之任一者。OEM部分之生產及/或噴射施配器10及/或系統90之使用者應知道保護特徵。因此,在本申請案中所描述之識別程序期間,系統90可經構形以在偵測特徵60之步驟期間偵測保護特徵。若存在保護特徵,處理器102可指示使用者具有保護特徵之產品係一OEM產品(或一其他可接受之產品)。若未偵測到保護特徵,則處理器102可指示使用者產品可偽造。
保護特徵可包含上述特徵60之任何者。在一些態樣中,保護特徵可包含特定形狀、數目、字母、符號及/或其類似者之一序列。在一些態樣中,保護特徵可包含可由一條碼讀取器(圖中未展示)讀取之一條碼。在一些態樣中,條碼讀取器可為系統90中之一不同組件。在其他態樣中,條碼讀取能力可併入攝影機30中或控制器100之軟體中。
可包含學習模組106、操作模組108、訓練程序200、程序300及/或其類似者之系統90在一些態樣中可實施為一神經網路,其可包含一神經元網路、一神經元電路、一人工神經網路、人工神經元、人工節點及/或其類似者。系統90可包含可使用權重模型化之具有連接之複數個神經元,其可反映一刺激性連接、一抑制性連接及/或其類似者。系統90可接收可由一權重修改且求和之輸入,其可為一線性組合。輸入可包含影像、產品識別符及/或其類似者之一或多者。系統90可產生與如上文所描述之訓練程序200、程序300及/或其類似者一致之輸出。特定言之,系統90可產生與步驟310、步驟312及/或其類似者一致之輸出。
可包含學習模組106、操作模組108、訓練程序200、程序300及/或其類似者之系統90可經由如本文所描述之一資料集,利用源自與本文所描述之影像相關之經驗之一自我學習進行訓練。系統90可實施用於影像辨識、影像分析及/或其類似者之資訊處理範例。系統90可在一人工神經網路(ANN)、一模擬神經網路(SNN)及/或其類似者中實施人工神經元,此等人工神經元可為吾人使用一數學模型、一計算模型及/或其類似者基於用於在學習模組106、操作模組108及/或其類似者中實施之計算之一連接論方法進行資訊處理之一組互連人工神經元。特定言之,系統90可實施分類,包含圖案辨識、圖案偵測及/或其類似者用於圖案辨識、視覺化及/或其類似者用於在學習模組106、操作模組108及/或其類似者中實施。
以下係本發明之態樣之若干非限制性實例。
一個實例包括:一種噴射施配器識別系統包含經構形以獲取一噴射施配器之一數位影像之一攝影機。另外,該噴射施配器識別系統包含具有一記憶體及一處理器之一控制器,該處理器經構形以:在該噴射施配器之該數位影像上識別存在於該噴射施配器上之特徵之一經識別圖案;將該經識別圖案與一儲存圖案比較,該儲存圖案儲存於該記憶體中;計算該經識別圖案及該儲存圖案之間的相似性;且提供與該儲存圖案相關聯之一識別符值。
上述實例可進一步包含以下實例之一者以上之任一者或一組合:上述實例之系統,其中該識別符值可包含與該噴射墨盒相關聯之以下之至少一者:一產品名稱、一產品類型、一產品序號、一產品編號及一產品製造批號。上述實例之系統,其中該處理器可經構形以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的相似性,該處理器經進一步構形以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該一者最類似於該經識別圖案。上述實例之系統,其中該處理器經構形以實施一神經網路以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的相似性,該處理器經進一步構形以實施該神經網路以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案中之該一者最類似於該經識別圖案。上述實例之系統,其中該系統經構形以與經構形以在其中接收一流體材料之一噴射施配器有線通信。上述實例之系統,其中該系統經構形以與經構形以在其中接收一流體材料之一噴射施配器無線通信。上述實例之施配系統。
一個實例包含:一種方法包含將一第一組件引入與該控制器電子通信之一輸入設備上,該第一組件上具有一第一特徵。另外,該方法包含經由該處理器使該第一特徵與與該第一組件相關聯之一第一識別符相關聯。再者,該方法包含將該第一特徵與該第一識別符之該關聯儲存於該記憶體中。該方法亦包含將一第二組件引入該輸入設備,該第二組件具有一第二特徵。該方法進一步包含經由該處理器使該第二特徵與與該第二組件相關聯之一第二識別符相關聯。另外,該方法包含將該第二特徵與該第二識別符之該關聯儲存於該記憶體中。
上述實例可進一步包含以下實例之一者以上之任一者或一組合:上述實例之方法,其中該輸入設備可包含經構形以獲取該第一及第二組件之一數位影像之一攝影機。上述實例之方法,其中該第一及第二識別符可包含與該第一及第二組件相關聯之以下之至少一者:產品名稱、產品類型、產品序號、產品編號及產品製造批號。上述實例之方法可包含:將一第三組件引入該輸入設備,該第三組件具有一第三特徵;將該第三組件之該第三特徵與該第一組件之該第一特徵及該第二組件之該第二特徵比較;及自該處理器接收該第一組件及該第二組件之哪一個更類似於該第三組件之一預測。上述實例之方法可包含向該處理器指示該預測是否正確。
一個實例包含:一種方法包含致動該攝影機以獲取該噴射墨盒之一影像。另外,該方法包含識別在該獲取影像上可見之該噴射墨盒上之特徵之一圖案。再者,該方法包含將該經識別圖案與記憶體中之複數個儲存圖案比較。該方法亦包含致動該處理器以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該選定圖案最類似於該經識別圖案。該方法進一步包含顯示與該複數個儲存圖案之該選定圖案相關聯之一識別符。
上述實例可進一步包含以下實例之一者以上之任一者或一組合:上述實例之方法可包含顯示該經識別圖案與該複數個儲存圖案之該選定圖案之間的相似性之一量測。上述實例之方法,其中該識別符可包含以下之至少一者:一產品名稱、一產品類型、一產品序號、一產品編號及一產品製造批號。上述實例之方法,其中特徵之該圖案包含一條碼。上述實例之方法,其中該比較及該致動可進一步包含實施一神經網路。上述實例之方法可包含顯示與該識別符相關聯之一準確度值。
一個實例包含:一種製造系統包括經構形以在其中接收該流體材料之一施配器,該施配器具有可操作地連接至其之一施配器組件,該施配器組件經構形以自該施配器接收該流體材料且具有經構形以排放該流體材料之一噴嘴。另外,該製造系統包含經構形以獲取該施配器之一數位影像之一攝影機。再者,該製造系統包含具有一記憶體及一處理器之一控制器,該處理器經構形以:在該施配器之該數位影像上識別存在於該施配器上之特徵之一經識別圖案;將該經識別圖案與一儲存圖案比較,該儲存圖案儲存於該記憶體中;計算該經識別圖案與該儲存圖案之間的一相似性;且提供與該儲存圖案相關聯之一識別符值。
上述實例可進一步包括以下實例之一者以上之任一者或一組合:上述實例之製造系統,其中該識別符值可包含與該施配器組件相關聯之以下之至少一者:一產品名稱、一產品類型、一產品序號、一產品編號及一產品製造批號。上述實例之製造系統,其中該處理器經構形以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的該相似性,該處理器經進一步構形以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該一者最類似於該經識別圖案。上述實例之製造系統,其中該處理器經構形以實施一神經網路以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的該相似性,該處理器經進一步構形以實施該神經網路以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該一者最類似於該經識別圖案。
一個實例包含:一種方法包含將一第一組件引入與該控制器電子通信之一輸入設備,該第一組件上具有一第一特徵。另外,該方法包含經由該處理器使該第一特徵與與該第一組件相關聯之一第一識別符相關聯。再者,該方法包含將該第一特徵與該第一識別符之該關聯儲存於該記憶體中。該方法亦包含將一第二組件引入該輸入設備,該第二組件具有一第二特徵。該方法進一步包含經由該處理器使該第二特徵與與該第二組件相關聯之一第二識別符相關聯。另外,該方法包含將該第二特徵與該第二識別符之該關聯儲存於該記憶體中。
上述實例可進一步包含以下實例之一者以上之任一者或一組合:上述實例之方法,其中該輸入設備可包含經構形以獲取該第一及第二組件之一數位影像之一攝影機。上述實例之方法,其中該第一及第二識別符可包含與該第一及第二組件相關聯之以下之至少一者:產品名稱、產品類型、產品序號、產品編號及產品製造批號。上述實例之方法可包含:將一第三組件引入該輸入設備,該第三組件具有一第三特徵;將該第三組件之該第三特徵與該第一組件之該第一特徵及該第二組件之該第二特徵比較;及自該處理器接收該第一組件及該第二組件之哪一個更類似於該第三組件之一預測。上述實例之方法可包含向該處理器指示該預測是否正確。
一個實例包含:一種方法包含致動該攝影機以獲取該施配器組件之一影像。另外,該方法包含識別在該獲取影像上可見之該施配器組件上之特徵之一圖案。再者,該方法包含將該經識別圖案與該記憶體中之該複數個儲存圖案比較。該方法亦包含致動該處理器以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該選定圖案最類似於該經識別圖案。該方法進一步包含顯示與該複數個儲存圖案之該選定圖案相關聯之一識別符。
上述實例可進一步包含以下實例之一者以上之任一者或一組合:上述實例之方法可包含顯示該經識別圖案與該複數個儲存圖案之該選定圖案之間的相似性之一量測。上述實例之方法,其中該識別符可包含以下之至少一者:一產品名稱、一產品類型、一產品序號、一產品編號及一產品製造批號。上述實例之方法,其中特徵之該圖案包含一條碼。上述實例之方法,其中該比較及該致動可進一步包含實施一神經網路。上述實例之方法可包含顯示與該識別符相關聯之一準確度值。
儘管已連同各種圖之各種實施例描述系統及方法,但熟習技術者將瞭解可在不背離其廣泛發明概念之情況下對實施例進行改變。因此,應瞭解本發明不受限於所揭示之特定實施例,且其意欲涵蓋如由申請專利範圍界定之本發明之精神及範疇內之修改。
術語「複數個」(如本文所使用)係指一者以上。單數形式「一」及「該」包含複數參考,且除非上下文另有明確指示,否則參考一特定數值至少包含該特定值。因此,例如,參考「一材料」係指熟習技術者已知之此等材料及其等效物之至少一者等。
當使用先行詞「約」將值表達為近似值時,應瞭解特定值形成另一實施例。一般而言,使用術語「約」指示可取決於尋求由所揭示之標的獲得之所要性質而變動且將基於其功能在其使用之特定上下文中解譯之近似值,且熟習技術者將能夠如此解譯。在一些情況中,用於一特定值之有效數字之數目可為判定字語「約」之範圍之一種非限制性方法。在其他情況中,用於一系列值中之分級可用於判定各值之術語「約」之預期範圍。在存在之情況下,所有範圍均係包含及可組合。即,參考範圍中陳述之值包含該範圍內之各及每個值。除非本文中另有指示,否則對本文之值之範圍之敘述僅意欲充當個別參考落入範圍內之各單獨值之一簡寫方法,且各單獨值宛如本文中個別敘述般併入本說明書中。除非本文中另有指示或上下文另有明確矛盾,否則本文所描述之所有方法可以任何適合順序執行。
當呈現一列表時,除非另有說明,否則應瞭解該列表之各個別元件及該列表之每個組合係一單獨實施例。例如,呈現為「A、B或C」之實施例之一列表將被解譯為包含實施例,「A」、「B」、「C」、「A或B」、「A或C」、「B或C」或「A、B或C」。
除非另有具體說明,或在所使用之上下文中理解,否則本文所使用之條件語言(諸如(尤其)「可」、「會」、「例如」及其類似者)通常意欲傳達某些實施例包含,而其他實施例不包含某些特徵、元件及/或步驟。因此,此條件語言通常不意欲以任何方式隱含一或多個實例所需特徵、元件及/或步驟或一或多個實例必須包含此等特徵、元件或步驟。術語「包括」、「包含」、「具有」及其類似者係同義且以一開放方式包含性地使用,且不排除額外元件、特徵、動作、操作等。
儘管已描述某些實例,但此等實例僅以實例之方式呈現且不意欲限制本文所揭示之發明之範疇。因此,前述描述中之任何內容均不意欲隱含任何特定特徵、特性、步驟、模組或區塊係必要或不可缺少。實際上,本文所描述之新穎方法及系統可以多種其他形式體現;此外,可在不背離本文所揭示之發明之精神之情況下對本文所描述之方法及系統之形式進行各種省略、取代及改變。隨附申請專利範圍及其等效物意欲涵蓋落入本文所揭示之某些發明之範疇及精神內之形式或修改。
10:噴射施配器
11:基板
12:致動器
14:噴射墨盒
14A:第一噴射墨盒
14B:第二噴射墨盒
15:流體儲液器
16:流體饋送管
18:加熱元件
19:可控制電源供應器
20:外墨盒本體
22:第一部分
24:流體入口
26:流體出口
28:第二部分
30:攝影機
31:流體室
32:閥構件
34:噴嘴轂
36:表面
40:噴嘴
42:噴嘴本體
44:噴嘴尖端
46:表面
50:表面
52:遠端表面
60:特徵
90:施配系統
92:噴射施配器識別系統
100:控制器
102:處理器
104:記憶體
106:學習模組
108:操作模組
110:電源
112:使用者介面
114:圖案
114A:第一圖案
114B:第二圖案
120:影像識別模組
122:影像關聯模組
130:影像識別模組
132:比較模組
136:預測模組
200:訓練程序
202:步驟
204:步驟
206:步驟
208:步驟
210:步驟
212:步驟
214:步驟
216:步驟
218:步驟
300:程序
302:步驟
304:步驟
306:步驟
308:步驟
310:步驟
312:步驟
A:施配軸
B:攝影機方向
當結合附圖閱讀時,將進一步理解本申請案。為繪示標的,在圖式中展示標的之例示性態樣;然而,所教示之標的不受限於所揭示之特定方法、設備及系統。在圖式中:
圖1描繪根據本發明之一態樣之一施配系統之一側視圖;
圖2描繪圖1之噴射施配器之一立體圖;
圖3描繪根據本發明之一態樣之一噴射墨盒之一立體圖;
圖4描繪圖3之噴射墨盒之一仰視圖;
圖5描繪圖3之噴射墨盒之一部分之一立體圖;
圖6描繪根據本發明之一態樣之一噴射施配器之一部分之一橫截面圖;
圖7A描繪根據本發明之一態樣之一噴射墨盒之一部分之一仰視圖之一影像;
圖7B描繪根據本發明之一態樣之另一噴射墨盒之一部分之一仰視圖之一影像;
圖7C描繪根據本發明之一態樣之又一噴射墨盒之一部分之一仰視圖之一影像;
圖8描繪根據本發明之一態樣之一施配系統之一示意圖;
圖9描繪根據本發明之一態樣之一學習模組之一示意圖;
圖10描繪根據本發明之一態樣之一操作模組之一示意圖;
圖11描繪圖9之學習模組之一流程圖示意圖;
圖12描繪圖10之操作模組之一流程圖示意圖;
圖13描繪根據本發明之一態樣之一訓練程序之一流程圖;及
圖14描繪根據本發明之一態樣之一操作程序之一流程圖。
現將參考圖式詳細描述本發明之態樣,其中除非另有指定,否則相同元件符號始終指代相同元件。
10:噴射施配器
11:基板
12:致動器
14:噴射墨盒
15:流體儲液器
16:流體饋送管
19:可控制電源供應器
30:攝影機
90:施配系統
A:施配軸
B:攝影機方向
Claims (33)
- 一種噴射施配器識別系統,該系統包括: 一攝影機,其經構形以獲取一噴射施配器之一數位影像;及 一控制器,其具有一記憶體及一處理器,該處理器經構形以: 在該噴射施配器之該數位影像上識別存在於該噴射施配器上之特徵之一經識別圖案; 將該經識別圖案與一儲存圖案比較,該儲存圖案儲存於該記憶體中; 計算該經識別圖案及該儲存圖案之間的相似性;且 提供與該儲存圖案相關聯之一識別符值。
- 如請求項1之系統,其中該識別符值包括與該噴射墨盒相關聯之以下之至少一者:一產品名稱、一產品類型、一產品序號、一產品編號及一產品製造批號。
- 如請求項1之系統,其中該處理器經構形以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的相似性,該處理器經進一步構形以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該一者最類似於該經識別圖案。
- 如請求項1之系統,其中該處理器經構形以實施一神經網路以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的相似性,該處理器經進一步構形以實施該神經網路以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案中之該一者最類似於該經識別圖案。
- 如請求項1之系統,其中該系統經構形以與經構形以在其中接收一流體材料之一噴射施配器有線通信。
- 如請求項1之系統,其中該系統經構形以與經構形以在其中接收一流體材料之一噴射施配器無線通信。
- 一種用於將一流體材料施配於一基板上之施配系統,該施配系統包括: 一噴射施配器,其經構形以在其中接收該流體材料,該噴射施配器具有可操作地連接至其之一噴射墨盒,該噴射墨盒經構形以接收該流體材料且具有經構形以排放該流體材料之一噴嘴;及 如請求項1之噴射施配器識別系統。
- 一種訓練一神經網路以自一儲存組件列表識別一組件之方法,該神經網路儲存於一控制器之一記憶體中且可由該控制器上之一處理器操作,該方法包括: 將一第一組件引入與該控制器電子通信之一輸入設備上,該第一組件上具有一第一特徵; 經由該處理器使該第一特徵與與該第一組件相關聯之一第一識別符相關聯; 將該第一特徵與該第一識別符之關聯儲存於該記憶體中; 將一第二組件引入該輸入設備,該第二組件具有一第二特徵; 經由該處理器使該第二特徵與與該第二組件相關聯之一第二識別符相關聯;及 將該第二特徵與該第二識別符之關聯儲存於該記憶體中。
- 如請求項8之方法,其中該輸入設備包括經構形以獲取該第一及第二組件之一數位影像之一攝影機。
- 如請求項8之方法,其中該第一及第二識別符包括與該第一及第二組件相關聯之以下之至少一者:產品名稱、產品類型、產品序號、產品編號及產品製造批號。
- 如請求項8之方法,其進一步包括: 將一第三組件引入該輸入設備,該第三組件具有一第三特徵; 將該第三組件之該第三特徵與該第一組件之該第一特徵及該第二組件之該第二特徵比較;及 自該處理器接收該第一組件及該第二組件之哪一個更類似於該第三組件之一預測。
- 如請求項11之方法,其進一步包括向該處理器指示該預測是否正確。
- 一種在一施配系統中識別一噴射墨盒之方法,該施配系統包含該噴射墨盒、一攝影機及具有一處理器及一記憶體之一控制器,該方法包括: 致動該攝影機以獲取該噴射墨盒之一影像; 識別在該獲取影像上可見之該噴射墨盒上之特徵之一圖案; 將該經識別圖案與該記憶體中之複數個儲存圖案比較; 致動該處理器以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該選定圖案最類似於該經識別圖案;及 顯示與該複數個儲存圖案之該選定圖案相關聯之一識別符。
- 如請求項13之方法,其進一步包括顯示該經識別圖案與該複數個儲存圖案之該選定圖案之間的相似性之一量測。
- 如請求項13之方法,其中該識別符包括以下之至少一者:一產品名稱、一產品類型、一產品序號、一產品編號及一產品製造批號。
- 如請求項13之方法,其中特徵之該圖案包含一條碼。
- 如請求項13之方法,其中該比較及該致動進一步包括實施一神經網路。
- 如請求項13之方法,其進一步包括顯示與該識別符相關聯之一準確度值。
- 一種用於施配一流體材料之製造系統,該製造系統包括: 一施配器,其經構形以在其中接收該流體材料,該施配器具有可操作地連接至其之一施配器組件,該施配器組件經構形以自該施配器接收該流體材料且具有經構形以排放該流體材料之一噴嘴, 一攝影機,其經構形以獲取該施配器之一數位影像;及 一控制器,其具有一記憶體及一處理器,該處理器經構形以: 在該施配器之該數位影像上識別存在於該施配器上之特徵之一經識別圖案; 將該經識別圖案與一儲存圖案比較,該儲存圖案儲存於該記憶體中; 計算該經識別圖案與該儲存圖案之間的一相似性;且 提供與該儲存圖案相關聯之一識別符值。
- 如請求項19之製造系統,其中該識別符值包括與該施配器組件相關聯之以下之至少一者:一產品名稱、一產品類型、一產品序號、一產品編號及一產品製造批號。
- 如請求項19之製造系統,其中該處理器經構形以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的該相似性,該處理器經進一步構形以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該一者最類似於該經識別圖案。
- 如請求項19之製造系統,其中該處理器經構形以實施一神經網路以將該經識別圖案與複數個儲存圖案比較且計算該經識別圖案與該複數個儲存圖案之各者之間的該相似性,該處理器經進一步構形以實施該神經網路以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該一者最類似於該經識別圖案。
- 一種訓練一神經網路以自一儲存組件列表識別一組件之方法,該神經網路儲存於一控制器之一記憶體上且可由該控制器上之一處理器操作,該方法包括: 將一第一組件引入與該控制器電子通信之一輸入設備,該第一組件上具有一第一特徵; 經由該處理器使該第一特徵與與該第一組件相關聯之一第一識別符相關聯; 將該第一特徵與該第一識別符之關聯儲存於該記憶體中; 將一第二組件引入該輸入設備,該第二組件具有一第二特徵; 經由該處理器使該第二特徵與與該第二組件相關聯之一第二識別符相關聯;及 將該第二特徵與該第二識別符之關聯儲存於該記憶體中。
- 如請求項23之方法,其中該輸入設備包括經構形以獲取該第一及第二組件之一數位影像之一攝影機。
- 如請求項23之方法,其中該第一及第二識別符包括與該第一及第二組件相關聯之以下之至少一者:產品名稱、產品類型、產品序號、產品編號及產品製造批號。
- 如請求項23之方法,其進一步包括: 將一第三組件引入該輸入設備,該第三組件具有一第三特徵; 將該第三組件之該第三特徵與該第一組件之該第一特徵及該第二組件之該第二特徵比較;及 自該處理器接收該第一組件及該第二組件之哪一個更類似於該第三組件之一預測。
- 如請求項26之方法,其進一步包括向該處理器指示該預測是否正確。
- 一種在一製造系統中識別一施配器組件之方法,該製造系統包含該施配器組件、一攝影機及具有一處理器及一記憶體之一控制器,該方法包括: 致動該攝影機以獲取該施配器組件之一影像; 識別在該獲取影像上可見之該施配器組件上之特徵之一圖案; 將該經識別圖案與該記憶體中之該複數個儲存圖案比較; 致動該處理器以選擇該複數個儲存圖案之一者,出自該複數個儲存圖案之該複數個儲存圖案之該選定圖案最類似於該經識別圖案;及 顯示與該複數個儲存圖案之該選定圖案相關聯之一識別符。
- 如請求項28之方法,其進一步包括顯示該經識別圖案與該複數個儲存圖案之該選定圖案之間的相似性之一量測。
- 如請求項28之方法,其中該識別符包括以下之至少一者:一產品名稱、一產品類型、一產品序號、一產品編號及一產品製造批號。
- 如請求項28之方法,其中特徵之該圖案包含一條碼。
- 如請求項28之方法,其中該比較及該致動進一步包括實施一神經網路。
- 如請求項28之方法,其進一步包括顯示與該識別符相關聯之一準確度值。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US202163243758P | 2021-09-14 | 2021-09-14 | |
US63/243,758 | 2021-09-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202331653A true TW202331653A (zh) | 2023-08-01 |
Family
ID=83448002
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111133170A TW202331653A (zh) | 2021-09-14 | 2022-09-01 | 識別例如墨盒之識別製造組件的設備和方法 |
Country Status (4)
Country | Link |
---|---|
KR (1) | KR20240065107A (zh) |
CN (1) | CN117957585A (zh) |
TW (1) | TW202331653A (zh) |
WO (1) | WO2023044246A1 (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111191706A (zh) * | 2019-12-25 | 2020-05-22 | 深圳市赛维网络科技有限公司 | 图片识别的方法、装置、设备及存储介质 |
-
2022
- 2022-09-01 CN CN202280062250.0A patent/CN117957585A/zh active Pending
- 2022-09-01 TW TW111133170A patent/TW202331653A/zh unknown
- 2022-09-01 WO PCT/US2022/075801 patent/WO2023044246A1/en active Application Filing
- 2022-09-01 KR KR1020247011153A patent/KR20240065107A/ko unknown
Also Published As
Publication number | Publication date |
---|---|
WO2023044246A1 (en) | 2023-03-23 |
KR20240065107A (ko) | 2024-05-14 |
CN117957585A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101643217B1 (ko) | 토출량 보정 방법 및 도포 장치 | |
EP3047912B1 (en) | Device and method for controlling a spray pattern | |
JP6392235B2 (ja) | 流量計を用いて吐出及び制御するディスペンサー並びに方法 | |
WO2007023539A1 (ja) | インクジェットヘッド、及びその吐出異常検出方法、並びに膜形成方法 | |
EP3706920A1 (en) | Systems and methods for enhanced coating dispensing controls | |
JP2007030508A (ja) | インクジェットプリンタの改良された制御方法、及びインクジェットプリンタ | |
TW201819050A (zh) | 作業裝置及作業方法 | |
KR20180048782A (ko) | 자동 압전 스트로크 조절 | |
TW202331653A (zh) | 識別例如墨盒之識別製造組件的設備和方法 | |
TW201540952A (zh) | 壓電分配器 | |
JP2004017004A5 (zh) | ||
KR20220140806A (ko) | 기계 학습을 사용하는 개선된 유체 분배 공정 제어 및 이를 구현하는 시스템 | |
CN106240158B (zh) | 压力调整装置及喷墨式记录装置 | |
WO2020207893A1 (en) | Method using a neural network for generation of jetting control parameters | |
CN103722889B (zh) | 利用热电装置传送相变墨的系统和方法 | |
US20080259126A1 (en) | Printing control | |
US11465350B2 (en) | Ejection device, imprint apparatus, and detection method | |
JP6414888B2 (ja) | 液滴吐出装置、着滴精度検査装置、及び、着滴精度検査方法 | |
US11597221B2 (en) | Liquid discharge apparatus | |
US20240173769A1 (en) | Dynamic in-flight characterization of build material in a 3d printer and system and methods thereof | |
JP5488850B2 (ja) | 液体材料吐出装置及び方法 | |
JP2006179945A (ja) | 回路基板の孔埋め装置 | |
CN117769464A (zh) | 具有闭环自动堵塞检测的非接触式超声喷嘴清洁器 | |
KR101634686B1 (ko) | 노즐젯 헤드 모듈 및 그를 구비한 노즐젯 시스템 | |
JP6482057B2 (ja) | 油滴吐出器検査装置、及び油滴供給装置 |