TWI842583B - 自動化線材分線檢測系統及其方法 - Google Patents

自動化線材分線檢測系統及其方法 Download PDF

Info

Publication number
TWI842583B
TWI842583B TW112125056A TW112125056A TWI842583B TW I842583 B TWI842583 B TW I842583B TW 112125056 A TW112125056 A TW 112125056A TW 112125056 A TW112125056 A TW 112125056A TW I842583 B TWI842583 B TW I842583B
Authority
TW
Taiwan
Prior art keywords
wire
cable
result
post
information
Prior art date
Application number
TW112125056A
Other languages
English (en)
Inventor
蔡奇謚
邱昱宸
Original Assignee
淡江大學學校財團法人淡江大學
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 淡江大學學校財團法人淡江大學 filed Critical 淡江大學學校財團法人淡江大學
Priority to TW112125056A priority Critical patent/TWI842583B/zh
Application granted granted Critical
Publication of TWI842583B publication Critical patent/TWI842583B/zh

Links

Images

Landscapes

  • Image Processing (AREA)

Abstract

一種自動化線材分線檢測系統，其包括影像擷取模組、輸入介面模組及線材檢測模組。影像擷取模組擷取纜線的影像。輸入介面模組接收纜線的線材資訊。線材檢測模組根據深度網路模型的訓練結果執行物件偵測以偵測纜線的影像，並產生偵測結果，再對偵測結果執行後處理以產生後處理結果。其中線材檢測模組根據纜線的線材資訊與後處理結果進行匹配分析以產生匹配結果，並根據匹配結果及後處理結果產生最終線材資訊，再將最終線材資訊傳送至打線裝置。

Description

自動化線材分線檢測系統及其方法
本發明係有關於一種線材檢測系統，特別是一種自動化線材分線檢測系統。本發明還涉及此系統的自動化線材分線檢測方法。
高畫質多媒體介面(High Definition Multimedia Interface，HDMI) 纜線有著尺寸小巧、可以同時傳輸影像資料及聲音資料及提供高解析度等優點。故已廣泛應用於各種電子產品及家電產品上。
然而，現有的HDMI纜線的生產流程包括裁線、剝線、分線、打線、焊接以及壓端等步驟。其中裁線步驟、剝線步驟、分線步驟、打線步驟屬於人工預處理流程，其需要人工進行操作。焊接步驟及壓端步驟屬於機械處理流程，其可由自動化焊接設備完成。
其中，人工預處理步驟約佔整個HDMI纜線的生產流程所需時間的60%，而分線步驟在人工預處理步驟的所需時間的佔比最高，達到28%。由於分線步驟需要透過人工觀察的方式將HDMI纜線的每根芯線逐一分離，並依照規格將各芯線依照連接器的接腳順序來進行排列。因此，分線步驟執行上十分複雜，故造成人工效率不佳。
本發明之一實施例提出一種自動化線材分線檢測系統，其包括影像擷取模組、輸入介面模組及線材檢測模組。影像擷取模組擷取纜線的影像。輸入介面模組接收纜線的線材資訊。線材檢測模組根據深度網路模型的訓練結果執行物件偵測以偵測纜線的影像，並產生偵測結果，再對偵測結果執行後處理以產生後處理結果。其中線材檢測模組根據纜線的線材資訊與後處理結果進行匹配分析以產生匹配結果，並根據匹配結果及後處理結果產生最終線材資訊，再將最終線材資訊傳送至打線裝置。
本發明之另一實施例提出一種自動化線材分線檢測方法，其包括下列步驟：擷取纜線的影像；接收纜線的線材資訊；根據深度網路模型的訓練結果執行物件偵測以偵測纜線的影像，並產生偵測結果；對偵測結果執行後處理以產生後處理結果；根據纜線的線材資訊與後處理結果進行匹配分析以產生匹配結果；當匹配結果顯示為匹配正確時根據匹配結果及後處理結果產生最終線材資訊；以及將最終線材資訊傳送至打線裝置。
承上所述，依本發明之自動化線材分線檢測系統及其方法，其可具有一或多個下述優點：
(1)本發明之一實施例中，自動化線材分線檢測系統可以執行自動化線材分線檢測功能，其可根據纜線的線材資訊與偵測結果進行匹配分析以產生匹配結果，再在匹配結果為匹配正確時對後處理結果執行座標轉換以產生最終線材資訊，再將最終線材資訊傳送至打線裝置。上述的自動化線材分線檢測功能可以有效地在分線處理階段執行自動化視覺檢測以對纜線進行偵測、定位及排序，最後再透過打線裝置以進行打線步驟及後續的步驟。因此，自動化線材分線檢測系統可以大幅減少高畫質多媒體介面(HDMI)纜線的生產流程中的人工處理時間，以提升生產效率，故應用上可以更為廣泛。
(2)本發明之一實施例中，自動化線材分線檢測系統可以執行高精確度的自動化線材分線檢測功能，不但可以提升HDMI纜線的生產流程的生產效率，更可以大幅提升HDMI纜線的生產流程的生產良率。因此，自動化線材分線檢測系統更能符合實際應用上的需求。
(3)本發明之一實施例中，自動化線材分線檢測系統可執行物件偵測以偵測纜線的影像以產生偵測結果，且執行後處理以將偵測結果轉換為可與纜線的線材資訊進行匹配分析的後處理結果，再在匹配結果顯示為匹配正確時執行座標轉換將後處理結果轉換為最終線材資訊。故自動化線材分線檢測系統整合了後處理、匹配分析及座標轉換等步驟，此特殊的運作機制可以大幅提升自動化線材分線檢測系統的精確度。因此，使自動化線材分線檢測系統的效能可以大幅提升。
以下將參照相關圖式，說明依本發明之自動化線材分線檢測系統及其方法之實施例，為了清楚與方便圖式說明之故，圖式中的各部件在尺寸與比例上可能會被誇大或縮小地呈現。在以下描述及/或申請專利範圍中，當提及元件「連接」或「耦合」至另一元件時，其可直接連接或耦合至該另一元件或可存在介入元件；而當提及元件「直接連接」或「直接耦合」至另一元件時，不存在介入元件，用於描述元件或層之間之關係之其他字詞應以相同方式解釋。為使便於理解，下述實施例中之相同元件係以相同之符號標示來說明。
請參閱第1圖及第2圖，其係為本發明之一實施例之自動化線材分線檢測系統之方塊圖及輸入介面的示意圖。如圖所示，自動化線材分線檢測系統1包括影像擷取模組11、輸入介面模組12及線材檢測模組13。
影像擷取模組11擷取纜線的影像Ms。在本實施例中，影像擷取模組11可為高解析度的RGB攝影機或其它類似的元件。在一實施例中，纜線可為高畫質多媒體介面(HDMI)纜線。在另一實施例中，纜線也可為其它現有的纜線。
輸入介面模組12接收纜線的線材資訊Cs，使用者可以通過輸入介面模組12的輸入介面UI輸入纜線的線材資訊Cs，其包含纜線的各芯線的類別資訊(各芯線的顏色及/或功能)、順序、數量及識別碼(各芯線對應的連接器的接腳編號，其可為自定義編號)中之一或以上。輸入介面UI可包含但不限於類別鍵(顏色及/或功能)、完成鍵、重置鍵及刪除鍵中之或以上，如第2圖所示。使用者可依纜線的製造商提供的規格資料輸入上述線材資訊Cs。在一實施例中，輸入介面模組12可為一個電腦裝置，如智慧手機、個人電腦、平板電腦、筆記型電腦等；此電腦裝置可以執行對應的應用程式以顯示此輸入介面模組12，或由主控電腦執行對應的應用程式以顯示此輸入介面模組12。在另一實施例中，輸入介面模組12可為微控制器(MCU)、中央處理器(CPU)或其它類似的元件。在又一實施例中，輸入介面模組12也可為軟體模組。
線材檢測模組13包含深度網路模型單元131、後處理單元132、匹配分析單元133及座標轉換單元134。在一實施例中，線材檢測模組13可為一個主控電腦，如智慧手機、個人電腦、平板電腦、筆記型電腦等。在另一實施例中，線材檢測模組13可為微控制器(MCU)、中央處理器(CPU)或其它類似的元件。在又一實施例中，線材檢測模組13也可為軟體模組。深度網路模型單元131根據深度網路模型的訓練結果執行物件偵測以偵測纜線的影像Ms，並產生偵測結果。在本實施例中，深度網路模型可為YOLO系列網路(如YOLOv4、YOLOv5、YOLOX等。在另一實施例中，深度網路模型可為SPPNet、Faster RCNN、R-CNN、Mask R-CNN、SSD、FCOS或CenterNet。
然後，後處理單元132對偵測結果執行後處理以產生後處理結果，其可包含與線材資訊Cs對應的資訊。因此，後處理單元132可以對偵測結果進行轉換以產生具有可用於與線材資訊Cs進行匹配分析的格式的後處理結果。
接著，匹配分析單元133根據纜線的線材資訊Cs與後處理結果進行匹配分析以產生匹配結果。當匹配順序相符且匹配成功的數量等於纜線的芯線數量時，匹配分析單元133產生的匹配結果為匹配正確。相反的，當匹配順序不相符或匹配成功的數量不等於纜線的芯線數量時，匹配分析單元133產生的匹配結果為匹配不正確。相反的，當匹配順序不相符或匹配成功的數量不等於纜線的芯線數量時，匹配分析單元133產生的匹配結果為匹配不正確。此時，線材檢測模組13重新進行該物件偵測。
最後，當匹配結果為匹配正確時，座標轉換單元134對後處理結果執行座標轉換以產生最終線材資訊Fs。其中，座標轉換單元134執行座標轉換以將纜線的各芯線的影像座標轉換為世界座標以獲得各芯線的定位資訊，再將最終線材資訊Fs傳送至打線裝置BD，以進行打線步驟及後續的步驟。在一實施例中，最終線材資訊Fs除了包括纜線的各芯線的定位資訊外，還包含識別碼及/或類別資訊。其中，定位資訊可為纜線的各芯線的中心點座標。在一實施例中，深度網路模型單元131、後處理單元132、匹配分析單元133及座標轉換單元134可為一個微控制器、中央處理器或其它類似的元件。在另一實施例中，深度網路模型單元131、後處理單元132、匹配分析單元133及座標轉換單元134也可為軟體模組。
由上述可知，自動化線材分線檢測系統1可以執行自動化線材分線檢測功能，其可根據纜線的線材資訊Cs與偵測結果進行匹配分析以產生匹配結果。然後，自動化線材分線檢測系統1可以在匹配結果為匹配正確時對後處理結果執行座標轉換以產生最終線材資訊Fs，再將最終線材資訊Fs傳送至打線裝置BD。因此，自動化線材分線檢測系統1能在分線處理階段執行自動化視覺檢測以對纜線進行偵測、定位及排序，最後再透過打線裝置BD以進行打線步驟及後續的步驟。如此一來， HDMI纜線的生產流程中的人工處理時間可以有效地減少，使生產效率大幅提升，以符合實際應用上的需求。
當然，本實施例僅用於舉例說明而非限制本發明的範圍，根據本實施例的自動化線材分線檢測系統而進行的等效修改或變更仍應包含在本發明的專利範圍內。
請參閱第3圖及第4圖，其係為本發明之一實施例之自動化線材分線檢測系統之第一示意圖及第二示意圖。如圖所示，HDMI纜線CB包含五組3芯訊號線、四條獨立訊號線及一條接地線，故總共有20條芯線，其識別碼分別為C1~C20(如第2圖所示)。20條芯線C1~C20分別對應於HDMI連接器CT的接孔S1~S20。
如第1圖所示，線材檢測模組13的深度網路模型單元131可根據深度網路模型的訓練結果執行物件偵測以偵測纜線的影像Ms，並產生偵測結果。上述的訓練結果可以透過執行訓練程序取得。在此訓練程序中，為了產生更佳的訓練結果，可先透過人工標註的方式提供複數個初始樣本。
然後，此訓練程序可對複數個初始樣本執行第一資料擴增程序以產生複數個第一樣本。第一資料擴增程序可對該些初始樣本執行翻轉、旋轉第一角度(如順時鐘及/或逆時鐘旋轉90度)及執行第一亮度轉換中之一或以上以產生該些第一樣本。因此，該些第一樣本的數量大於該些初始樣本的數量。
接下來，此訓練程序可對該些第一樣本執行一第二資料擴增程序以產生複數個第二樣本。第二資料擴增程序對該些第一樣本執行翻轉、旋轉第二角度(如順時鐘及/或逆時鐘旋轉45度)及執行第二亮度轉換中之一或以上以產生該些第二樣本。因此，該些第二樣本的數量大於該些第一樣本的數量。在一實施例中，第一角度大於第二角度。在另一實施例中，第一角度也可小於第二角度或等於第二角度。在一實施例中，第一亮度不等於第二亮度。在另一實施例中，第一亮度也可等於第二亮度。最後，此訓練程序可透過深度網路模型對該些第二樣本執行深度網路模型訓練以產生訓練結果。第一資料擴增程序及第二資料擴增程序也可以經由人工驗證方式進行驗證，以增加精確度。
透過上述的二次資料擴增程序，樣本的數量及多樣性可以大幅增加，以擴充訓練程序的訓練資料庫。因此，自動化線材分線檢測系統1的自動化線材分線檢測功能的精確度可以大幅提升。
因此，自動化線材分線檢測系統1可以執行高精確度的自動化線材分線檢測功能，不但可以提升HDMI纜線CT的生產流程的生產效率，更可以大幅提升HDMI纜線CT的生產流程的生產良率。因此，自動化線材分線檢測系統1更能符合實際應用上的需求。
本實施例透過使用三個性能指標數值來計算深度網路模型的訓練效能。第一個性能指標數值為Recall，如下式(1)所示：
Recall=TP/(TP + FN)……………………………………………..(1)
其中，TP表示真實正樣本；FN表示假負樣本。
第二個性能指標數值為Precision，如下式(2)所示：
Precision=TP/(TP + FP)…………………………………………..(2)
其中， FP表示假正樣本。
第三個性能指標數值為F1-measure，如下式(3)所示：
F1-measure=(2 × Precision × Recall)/(Precision + Recall)………..(3)
表1、表2及表3為根據本實施例揭示的內容進行實驗的實驗結果。表1表示本實驗的訓練資料，如下： 表1
樣本數
初始樣本 第一樣本 第二樣本
250 4500 7500
影像擷取模組擷取的RGB影像中的各類別 原本樣本 第一樣本 第二樣本
白 1500 27000 45000
銀 1500 27000 45000
綠 500 9000 15000
紅 500 9000 15000
藍 500 9000 15000
棕 250 4500 7500
黑 250 4500 7500
表2表示本實施例的模型比較訓練結果，如下：
模型 輸入尺寸 Precision Recall F1-measure mAP
YOLOv4 640×640 100% 100% 100% 99.9%
YOLOv5_x 640×640 100% 100% 100% 99.9%
YOLOv5_1 640×640 100% 100% 100% 99.9%
表3表示本實施例的實際測試耗時結果，如下：
測試者一 測試者二 測試者三
輸入介面設定 20s 21s 19s
線材擺放 6s 5s 8s
第一次物件偵測、資料傳輸 20s 20s 19s
線材擺放 7s 8s 7s
第二次物件偵測、資料傳輸 20s 21s 20s
線材擺放 6s 7s 6s
第三次物件偵測、資料傳輸 19s 21s 20s
線材擺放 6s 6s 8s
第四次物件偵測、資料傳輸 20s 20s 21s
線材擺放 5s 6s 7s
第五次物件偵測、資料傳輸 21s 19s 21s
平均耗時 30s 31s 31s
Pid準確率 100% 100% 100%
如表1所示，自動化線材分線檢測系統1的訓練程序可對該些初始樣本執行第一資料擴增程序，以對該些初始樣本執行翻轉、旋轉第一角度(±90度)及執行第一亮度轉換以產生該些第一樣本。接下來，此訓練程序可對該些第一樣本執行一第二資料擴增程序，以對該些第一樣本執行翻轉、旋轉第二角度(±45度)及執行第二亮度轉換以產生該些第二樣本。
本實驗採用深度網路模型為YOLO系列網路(YOLOv4及YOLOv5)。如表2所示，YOLO系列網路可達極佳的精確度。
如表3所示，本實驗透過三位測試者進行測試，並紀錄了每位測試者的測試時間。其中輸入介面設定為首次應用此系統所需要的自定義芯線編號，以進行後續的辨識基礎，並以5次的檢測進行比對。由表3可看出，平均耗時為31s。相較於現有技術，自動化線材分線檢測系統1，可減少約40%的耗時，且pid準確率達到100%。因此，自動化線材分線檢測系統1確實可以達到極佳的技術效果，且能有效地解決現有技術的問題。
當然，本實施例僅用於舉例說明而非限制本發明的範圍，根據本實施例的自動化線材分線檢測系統而進行的等效修改或變更仍應包含在本發明的專利範圍內。
值得一提的是，現有的HDMI纜線的生產流程的人工預處理步驟約佔整個HDMI纜線的生產流程所需時間的60%，而分線步驟在人工預處理步驟的所需時間的佔比最高，達到28%。由於分線步驟需要透過人工觀察的方式將HDMI纜線的每根芯線逐一分離，並依照規格將各芯線依照連接器的接腳順序來進行排列。因此，分線步驟執行上十分複雜，故造成人工效率不佳。相反的，根據本發明之實施例，自動化線材分線檢測系統可以執行自動化線材分線檢測功能，其可根據纜線的線材資訊與偵測結果進行匹配分析以產生匹配結果，再在匹配結果為匹配正確時對後處理結果執行座標轉換以產生最終線材資訊，再將最終線材資訊傳送至打線裝置。上述的自動化線材分線檢測功能可以有效地在分線處理階段執行自動化視覺檢測以對纜線進行偵測、定位及排序，最後再透過打線裝置以進行打線步驟及後續的步驟。因此，自動化線材分線檢測系統可以大幅減少高畫質多媒體介面(HDMI)纜線的生產流程中的人工處理時間，以提升生產效率，故應用上可以更為廣泛。
另外，根據本發明之實施例，自動化線材分線檢測系統可以執行高精確度的自動化線材分線檢測功能，不但可以提升HDMI纜線的生產流程的生產效率，更可以大幅提升HDMI纜線的生產流程的生產良率。因此，自動化線材分線檢測系統更能符合實際應用上的需求。
此外，根據本發明之實施例，自動化線材分線檢測系統可執行物件偵測以偵測纜線的影像以產生偵測結果，且執行後處理以將偵測結果轉換為可與纜線的線材資訊進行匹配分析的後處理結果，再在匹配結果顯示為匹配正確時執行座標轉換將後處理結果轉換為最終線材資訊。故自動化線材分線檢測系統整合了後處理、匹配分析及座標轉換等步驟，此特殊的運作機制可以大幅提升自動化線材分線檢測系統的精確度。因此，使自動化線材分線檢測系統的效能可以大幅提升。由上述可知，根據本發明實施例的自動化線材分線檢測系統確實能達到極佳的技術效果。
請參閱第5圖，其係為本發明之一實施例之自動化線材分線檢測方法之流程圖。如圖所示，本實施例之自動化線材分線檢測方法可包含下列步驟：
步驟S51：執行訓練程序以對複數個初始樣本執行第一資料擴增程序以產生複數個第一樣本，並對該些第一樣本執行第二資料擴增程序以產生複數個第二樣本，再透過深度網路模型對該些第二樣本執行深度網路模型訓練以產生訓練結果。
步驟S52：擷取纜線的影像。
步驟S53：接收纜線的線材資訊。
步驟S54：根據深度網路模型的訓練結果執行物件偵測以偵測纜線的影像，並產生偵測結果。
步驟S55：對偵測結果執行後處理以產生後處理結果。
步驟S56：根據纜線的線材資訊與後處理結果進行匹配分析以產生匹配結果。
步驟S57：在匹配結果為匹配正確時對後處理結果執行座標轉換產生最終線材資訊。
步驟S58：將最終線材資訊傳送至打線裝置。
當然，本實施例僅用於舉例說明而非限制本發明的範圍，根據本實施例的自動化線材分線檢測方法而進行的等效修改或變更仍應包含在本發明的專利範圍內。
儘管本發明描述的方法的步驟以特定順序示出和描述，但是每個方法的操作順序可以改變，也可以相反的順序執行某些步驟，或者某些步驟也與其他步驟同時執行。在另一個實施例中，不同步驟可以間歇和/或交替的方式實施。
另外，本揭露的各實施例(或系統的各個模組及單元)可以完全以硬體、完全以軟體或以包含硬體和軟體元件的實施方式來實現。關於軟體的實施例，軟體可以包括但不限於韌體、常駐軟體、微碼等。關於硬體的實施例，硬體可以在一個或多個特殊應用積體電路晶片(ASIC)、數位訊號處理器(DSP)、數位訊號處理裝置(DSPD)、可程式化邏輯裝置(PLD)、現場可程式化邏輯閘陣列(FPGA)、中央處理單元(CPU)、控制器、微控制器、微處理器、電子設備、其他電子單元設計用於執行此處描述的功能或其組合。
綜上所述，根據本發明之實施例，自動化線材分線檢測系統可以執行自動化線材分線檢測功能，其可根據纜線的線材資訊與偵測結果進行匹配分析以產生匹配結果，再在匹配結果為匹配正確時對後處理結果執行座標轉換以產生最終線材資訊，再將最終線材資訊傳送至打線裝置。上述的自動化線材分線檢測功能可以有效地在分線處理階段執行自動化視覺檢測以對纜線進行偵測、定位及排序，最後再透過打線裝置以進行打線步驟及後續的步驟。因此，自動化線材分線檢測系統可以大幅減少高畫質多媒體介面(HDMI)纜線的生產流程中的人工處理時間，以提升生產效率，故應用上可以更為廣泛。
另外，根據本發明之實施例，自動化線材分線檢測系統可以執行高精確度的自動化線材分線檢測功能，不但可以提升HDMI纜線的生產流程的生產效率，更可以大幅提升HDMI纜線的生產流程的生產良率。因此，自動化線材分線檢測系統更能符合實際應用上的需求。
此外，根據本發明之實施例，自動化線材分線檢測系統可執行物件偵測以偵測纜線的影像以產生偵測結果，且執行後處理以將偵測結果轉換為可與纜線的線材資訊進行匹配分析的後處理結果，再在匹配結果顯示為匹配正確時執行座標轉換將後處理結果轉換為最終線材資訊。故自動化線材分線檢測系統整合了後處理、匹配分析及座標轉換等步驟，此特殊的運作機制可以大幅提升自動化線材分線檢測系統的精確度。因此，使自動化線材分線檢測系統的效能可以大幅提升。
可見本發明在突破先前之技術下，確實已達到所欲增進之功效，且也非熟悉該項技藝者所易於思及，其所具之進步性、實用性，顯已符合專利之申請要件，爰依法提出專利申請，懇請  貴局核准本件發明專利申請案，以勵創作，至感德便。
以上所述僅為舉例性，而非為限制性者。其它任何未脫離本發明之精神與範疇，而對其進行之等效修改或變更，均應該包含於後附之申請專利範圍中。
1:自動化線材分線檢測系統 11:影像擷取模組 12:輸入介面模組 13:線材檢測模組 131:深度網路模型單元 132:後處理單元 133:匹配分析單元 134:座標轉換單元 Ms:纜線的影像 Cs:線材資訊 Fs:最終線材資訊 UI:輸入介面 BD:打線裝置 CT:HDMI連接器 C1~C20:芯線 CB:HDMI纜線 S1~S20:HDMI連接器的接孔 S51~S58:步驟流程
第1圖係為本發明之一實施例之自動化線材分線檢測系統之方塊圖。 第2圖係為本發明之一實施例之自動化線材分線檢測系統之輸入介面的示意圖。 第3圖係為本發明之一實施例之自動化線材分線檢測系統之第一示意圖。 第4圖係為本發明之一實施例之自動化線材分線檢測系統之第二示意圖。 第5圖係為本發明之一實施例之自動化線材分線檢測方法之流程圖。
1:自動化線材分線檢測系統
11:影像擷取模組
12:輸入介面模組
13:線材檢測模組
131:深度網路模型單元
132:後處理單元
133:匹配分析單元
134:座標轉換單元
Ms:纜線的影像
Cs:線材資訊
Fs:最終線材資訊
BD:打線裝置

Claims (19)

  1. 一種自動化線材分線檢測系統，係包含：一影像擷取模組，係用於擷取一纜線的影像；一輸入介面模組，係用於接收該纜線的線材資訊；以及一線材檢測模組，係根據一深度網路模型的一訓練結果執行一物件偵測以偵測該纜線的影像，並產生一偵測結果，再對該偵測結果執行一後處理以產生一後處理結果；其中該線材檢測模組根據該纜線的線材資訊與該後處理結果進行一匹配分析以產生一匹配結果，並根據該匹配結果及該後處理結果產生一最終線材資訊，再將該最終線材資訊傳送至一打線裝置。
  2. 如請求項1所述之自動化線材分線檢測系統，其中該訓練結果透過一訓練程序取得，該訓練程序對複數個初始樣本執行一第一資料擴增程序以產生複數個第一樣本，並對該些第一樣本執行一第二資料擴增程序以產生複數個第二樣本，再透過該深度網路模型對該些第二樣本執行一深度網路模型訓練以產生該訓練結果。
  3. 如請求項1所述之自動化線材分線檢測系統，其中該纜線的線材資訊包含各芯線的類別資訊、順序、數量及識別碼。
  4. 如請求項1所述之自動化線材分線檢測系統，其中該線材檢測模組包含一深度網路模型單元，該深度網路模型單元用於根據該深度網路模型的該訓練結果執行該物件偵測以偵測該纜線的影像，並產生該偵測結果。
  5. 如請求項1所述之自動化線材分線檢測系統，其中該線材檢測模組包含一後處理單元，該後處理單元用於對該偵測結果執行該後處理以產生該後處理結果。
  6. 如請求項1所述之自動化線材分線檢測系統，其中該線材檢測模組包含一匹配分析單元，該匹配分析單元用於根據該纜線的線材資訊與該後處理結果進行該匹配分析以產生該匹配結果。
  7. 如請求項1所述之自動化線材分線檢測系統，其中該線材檢測模組包含一座標轉換單元，該座標轉換單元用於在該匹配結果為匹配正確時對該後處理結果執行一座標轉換產生該最終線材資訊。
  8. 如請求項7所述之自動化線材分線檢測系統，其中該最終線材資訊包含該纜線的各芯線的定位資訊、識別碼及類別資訊。
  9. 如請求項1所述之自動化線材分線檢測系統，其中該深度網路模型為SPPNet、Faster RCNN、R-CNN、MaskR-CNN、SSD、FCOS、CenterNet或YOLO系列網路。
  10. 一種自動化線材分線檢測方法，係包含：擷取一纜線的影像；接收該纜線的線材資訊；根據一深度網路模型的一訓練結果執行一物件偵測以偵測該纜線的影像，並產生一偵測結果；對該偵測結果執行一後處理以產生一後處理結果；根據該纜線的線材資訊與該後處理結果進行一匹配分析以產生一匹配結果； 當該匹配結果顯示為匹配正確時根據該匹配結果及該後處理結果產生一最終線材資訊；以及將該最終線材資訊傳送至一打線裝置。
  11. 如請求項10所述之自動化線材分線檢測方法，更包括：執行一訓練程序以對複數個初始樣本執行一第一資料擴增程序以產生複數個第一樣本，並對該些第一樣本執行一第二資料擴增程序以產生複數個第二樣本，再透過該深度網路模型對該些第二樣本執行一深度網路模型訓練以產生該訓練結果。
  12. 如請求項10所述之自動化線材分線檢測方法，其中該最終線材資訊包括該纜線的各芯線的定位資訊、識別碼及類別資訊。
  13. 如請求項12所述之自動化線材分線檢測方法，其中當該匹配結果顯示為匹配正確時根據該匹配結果及該後處理結果產生該最終線材資訊的步驟更包括：將該纜線的各芯線的影像座標轉換為該纜線的各芯線的世界座標以獲得該纜線的各芯線的定位資訊。
  14. 如請求項10所述之自動化線材分線檢測方法，其中當該匹配結果顯示為匹配正確時根據該匹配結果及該後處理結果產生該最終線材資訊的步驟更包括：在該匹配結果為匹配正確時對該後處理結果執行一座標轉換產生該最終線材資訊。
  15. 如請求項14所述之自動化線材分線檢測方法，其中在該匹配結果為匹配正確時對該後處理結果執行該座標轉換產生該最終線材資訊的步驟更包括： 當匹配順序相符且匹配成功的數量等於該纜線的芯線數量時，該匹配結果為匹配正確。
  16. 如請求項10所述之自動化線材分線檢測方法，更包括：當該匹配結果顯示為匹配不正確時重新進行該物件偵測。
  17. 如請求項16所述之自動化線材分線檢測方法，其中在當該匹配結果顯示為匹配不正確時重新進行該物件偵測的步驟更包括：當匹配順序不相符及/或匹配成功的數量不等於該纜線的芯線數量時，該匹配結果為匹配不正確。
  18. 如請求項10所述之自動化線材分線檢測方法，其中該纜線的線材資訊包含各芯線的類別資訊、順序、數量及識別碼。
  19. 如請求項10所述之自動化線材分線檢測方法，其中該深度網路模型為SPPNet、FasterRCNN、R-CNN、MaskR-CNN、SSD、FCOS、CenterNet或YOLO系列網路。
TW112125056A 2023-07-05 2023-07-05 自動化線材分線檢測系統及其方法 TWI842583B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
TW112125056A TWI842583B (zh) 2023-07-05 2023-07-05 自動化線材分線檢測系統及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW112125056A TWI842583B (zh) 2023-07-05 2023-07-05 自動化線材分線檢測系統及其方法

Publications (1)

Publication Number Publication Date
TWI842583B true TWI842583B (zh) 2024-05-11

Family

ID=92077033

Family Applications (1)

Application Number Title Priority Date Filing Date
TW112125056A TWI842583B (zh) 2023-07-05 2023-07-05 自動化線材分線檢測系統及其方法

Country Status (1)

Country Link
TW (1) TWI842583B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104319702A (zh) * 2014-10-30 2015-01-28 云南电网公司曲靖供电局 一种信息机房机柜内的环式理线工艺
CN112170233A (zh) * 2020-09-01 2021-01-05 燕山大学 基于深度学习的小型零件分拣方法及其分拣系统
CN114004858A (zh) * 2021-11-19 2022-02-01 清华大学 基于机器视觉识别航空线缆表面编码的方法及装置
TWI761938B (zh) * 2019-09-20 2022-04-21 芬蘭商麥拉佛益楚森公司 製造光纖纜線的機器學習為主的品質預測
TWI793883B (zh) * 2021-11-29 2023-02-21 財團法人金屬工業研究發展中心 用於線材皮膜的缺陷檢測方法及系統

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104319702A (zh) * 2014-10-30 2015-01-28 云南电网公司曲靖供电局 一种信息机房机柜内的环式理线工艺
TWI761938B (zh) * 2019-09-20 2022-04-21 芬蘭商麥拉佛益楚森公司 製造光纖纜線的機器學習為主的品質預測
CN112170233A (zh) * 2020-09-01 2021-01-05 燕山大学 基于深度学习的小型零件分拣方法及其分拣系统
CN114004858A (zh) * 2021-11-19 2022-02-01 清华大学 基于机器视觉识别航空线缆表面编码的方法及装置
TWI793883B (zh) * 2021-11-29 2023-02-21 財團法人金屬工業研究發展中心 用於線材皮膜的缺陷檢測方法及系統

Similar Documents

Publication Publication Date Title
CN107065247A (zh) 一种显示面板检测方法、装置及系统
CN107907775B (zh) 接线检测方法及接线检测装置
TW201239360A (en) An analyzing system and method for a test strip
WO2017012312A1 (zh) 屏幕按压发黄判定方法及判定装置
CN203629603U (zh) 一种基于图像识别技术的智能电能表检测装置
JP2021119341A (ja) 生産ラインスマート監視システム及び監視方法
CN107437072B (zh) 一种图像处理方法、移动终端及计算机可读存储介质
CN103941112A (zh) 多影像讯号的检测系统及其检测方法
WO2022017197A1 (zh) 一种智能化的产品质量检测方法及装置
CN104795011A (zh) 结合edid的显示器画面偏移检测系统以及使用方法
TWI842583B (zh) 自動化線材分線檢測系統及其方法
WO2020077869A1 (zh) 图像检索方法、装置、终端及存储介质
CN110888812B (zh) 终端页面的响应时间的测试系统及测试方法
CN105371888A (zh) 一种基于机器视觉的卫星电连接器插接检验系统及方法
TWI620148B (zh) 監控裝置、監控方法及計數方法
CN106960188B (zh) 天气图像分类方法及装置
CN106598793B (zh) 一种基于BIOS串口log数据的测试系统及测试方法
JP2019133433A (ja) 画像処理装置、画像処理方法、およびプログラム
CN116993654B (zh) 摄像头模组缺陷检测方法、装置、设备、存储介质及产品
CN110716530A (zh) 一种dcs响应时间测试装置及方法
CN113358172B (zh) 一种水表自动设置机电同步的方法、装置、设备和介质
CN107748344A (zh) 全自动互感器校验仪整检装置及检定方法
CN113902296A (zh) 一种智能化单相异步电机的测试方法及系统
CN109634859A (zh) 一种控件属性识别和图像识别相结合的测试方法
CN110487410B (zh) 多模态图像特征融合的电力设备构件温度提取方法及装置