TWM619409U - 智慧化加工系統 - Google Patents
智慧化加工系統 Download PDFInfo
- Publication number
- TWM619409U TWM619409U TW110205932U TW110205932U TWM619409U TW M619409 U TWM619409 U TW M619409U TW 110205932 U TW110205932 U TW 110205932U TW 110205932 U TW110205932 U TW 110205932U TW M619409 U TWM619409 U TW M619409U
- Authority
- TW
- Taiwan
- Prior art keywords
- processing
- information
- parameter
- processing system
- measurement
- Prior art date
Links
Images
Landscapes
- Image Processing (AREA)
Abstract
本新型提供一種智慧化加工系統,以整合產線上的加工、檢測以及校正加工設備。本系統包括標示裝置、粗判裝置、精判裝置、加工資訊獲取裝置以及量測/參數校正裝置。上述標示裝置用於標示加工資訊於被加工物上。粗判裝置係為由光學檢測儀器實現的自動視覺檢測裝置,可初步篩選具有瑕疵的產品。上述精判裝置係透過人工智慧辨識上述瑕疵的類型。上述加工資訊獲取裝置用於辨識上述加工資訊之加工參數。上述量測/參數校正裝置可量測瑕疵的尺寸,並根據瑕疵尺寸與加工參數,計算調整上述加工參數的最佳結果。
Description
本新型係關於一種自動化加工流程之優化,特別是一種智慧化加工系統。
生產製程從加工、檢測、校正加工機台等過程乃是環環相扣,任一步驟失誤終將導致產品良率不足、產能下降等問題。而上述生產製程過去常會被切割成不同專責部門進行,在人工溝通或配合上亦容易浪費許多時間成本。例如:透過自動光學檢測產品時,儘管可以取代人工執行普檢,但發現瑕疵產品時,仍需要人工再進行複檢,以量測以及辨識瑕疵,並再將瑕疵資料交予生產單位,生產單位再校正生產機台的參數。而上述流程不但不連貫且曠日廢時,且大多數的情況是無法藉由一次性校正機台之參數,立刻獲得理想的良率,實際上是需要多次的校正。
隨著技術的不斷發展,「工業4.0」一詞在2011年已被提出,主要精神為智慧化在自動化之生產流程,並可以主動排除生產時的問題。
因此,為解決上述的問題,所屬領域應開發符合「工業4.0」精神的加工方法與系統,以提升生產製程之效率,並不斷提升產品的良率。
為解決上述問題,本新型之實施例發展出一種智慧化加工系統,上述系統整合產品溯源、光學儀器初檢、基於人工智慧複檢、虛擬量測、自動優化參數等技術。本新型申請人參考過去所申請之專利案,包括:TW109132726、TW109124011、TW110107077、TW109212512以及TW109136592,作為本新型技術之參考。
具體而言,本新型之實施例提供一種智慧化加工系統,上述智慧化加工系統應用於至少一個加工裝置,上述加工裝置根據加工參數對待加工物進行加工,並產生被加工物。上述智慧化加工系統包括至少一個標示裝置、粗判裝置、精判裝置、加工資訊獲取裝置以及量測/參數校正裝置。
依據又一實施例,上述標示裝置,於上述被加工物上標示加工資訊,其中上述加工資訊包括至少一個上述加工參數。上述標示裝置之加工資訊之記錄方式包括文字、數字、符號以及圖碼,其中上述圖碼包括一維條碼以及二維條碼。上述標示裝置之加工資訊更包括製造批次、產品型號以及製造日期。
依據又一實施例,上述粗判裝置,係為初檢上述被加工物是否具有至少一個瑕疵處,並產生至少一個被加工物影像,其中上述粗判裝置係為自動視覺檢測裝置。上述自動視覺檢測裝置的初檢方法包括輪廓比對、位置座標比對、3D輪廓比對、色澤比對以及亮度比對。上述自動視覺檢測裝置組成包括至少一個取像單元、至少一個測距單元、計算單元以及資料庫。上述測距單元,用以產生擷取該被加工物之一取像距離資訊。上述資料庫,係為儲存複數個標準尺寸資訊,每一個上述標準尺寸資訊分別包括單位面積之解析度、取像距離、對應之畫素矩陣以及對應的實際尺寸與膜厚高度。上述計算單
元根據上述被加工物影像之解析度資訊以及上述取像距離資訊,比對上述資料庫中之上述標準尺寸資訊,計算產生具有實際尺寸資訊之上述被加工物影像。上述資料庫中之上述標準尺寸資訊例如可為二維尺寸或三維尺寸,並進一步由上述計算單元計算出具有二維尺寸或三維尺寸之上述實際尺寸。上述被加工物影像可為2D或3D。
依據又一實施例,上述精判裝置,訊號連接上述粗判裝置,係為複檢上述被加工物影像是否具有至少一個瑕疵處,並辨識上述被加工物影像中所含的瑕疵類型,並產生辨識結果。上述精判裝置更包括分類模組,上述分類模組係為應用人工神經網路執行辨識上述瑕疵類型。上述分類模組之訓練資料包括上述辨識結果以及人工複判結果。
依據又一實施例,上述加工資訊獲取裝置,訊號連接上述精判裝置,係為辨識上述被加工物影像之上述加工資訊,並產生上述加工參數。
依據又一實施例,上述量測/參數校正裝置,訊號連接上述精判裝置,係為量測上述被加工物影像之瑕疵處,並產生瑕疵尺寸,再根據上述瑕疵尺寸以及上述加工參數,計算上述加工參數之最佳結果,進而產生校正加工參數,並傳輸上述校正加工參數至上述加工裝置。上述量測/參數校正裝置更包括參數優化模組,上述參數優化模組係為應用演算法計算上述加工參數之最佳結果。上述瑕疵尺寸例如可為二維尺寸或三維尺寸。
依據又一實施例,上述量測/參數校正裝置,係當上述被加工物具有設計圖,可進一步將上述設計圖與上述被加工物影像疊合,產生一疊合影像,以作為量測該瑕疵尺寸之依據。
依據又一實施例,上述量測/參數校正裝置更包括提供事先設定上述設計圖中至少一處監測量測區域,並再對上述疊合影像之上述監測量測區域進行量測,並產生監測尺寸資訊。而上述監測量測區域在影像處理上可視為一種感興趣區域或重點區域(Region of interest;簡稱ROI)。
依據又一實施例,上述量測/參數校正裝置,可進一步將上述監測尺寸資訊經統計產生監測統計資訊,且上述監測統計資訊將作為計算上述加工參數之計算資料。上述監測尺寸資訊例如可為二維尺寸或三維尺寸的資訊。
依據又一實施例,根據上述加工參數進行加工時,可透過上述精判裝置所發現的瑕疵處的數量,進一步計算出上述加工參數所對應之生產良率。
依據又一實施例,上述生產良率的合格標準可依使用者需求調整,若上述加工參數所產生的良率已符合上述合格標準,上述加工參數可進一步作為執行虛擬量測(Virtual Metrology;簡稱VM)之參考參數。上述虛擬量測係指透過加工參數推估生產的結果(或品質),以達到全檢的目的。
依據又一實施例,上述量測/參數校正裝置,係當上述瑕疵尺寸超出預設的閾值時,上述量測/參數校正裝置將停止自動校正上述加工參數,並產生警示通知。
依據又一實施例,上述該精判裝置接收到上述警示通知,將不會將上述警示通知所對應之辨識結果作為訓練上述分類模組之上述訓練資料。
依據又一實施例,上述警示通知,可透過簡訊或郵件,即時通知系統管理人員。
本新型之實施例更提供一種智慧化加工方法,包括以下步驟。於加工裝置預設加工參數;對待加工物進行加工,並產生被加工物;於上述被加工物上標示加工資訊,上述加工資訊包括上述加工參數;以粗判裝置對上述被加工物進行初檢,並擷取至少一個被加工物影像以及取像距離資訊,其中該粗判裝置係可為自動視覺檢測裝置;再透過上述粗判裝置所載之多個標準尺寸資訊,比對上述取像距離資訊,產生上述被加工物影像之實際尺寸資訊;以精判裝置進行複檢,並應用分類模組辨識上述被加工物影像中所含的瑕疵類型,並產生辨識結果,其中上述分類模組係應用人工神經網路執行上述辨識瑕疵類型;將上述被加工物的設計圖與上述被加工物影像疊合,產生疊合影像,再對上述疊合影像執行量測瑕疵處,並產生瑕疵尺寸;辨識上述加工資訊,產生上述加工參數;以量測/參數校正裝置透過參數優化模組,根據上述瑕疵尺寸與上述加工參數,計算該加工參數之最佳結果,並產生校正加工參數,並傳輸至上述加工裝置,其中上述參數優化模組係應用人工神經網路執行加工參數最佳化。
依據又一實施例,根據上述方法更包括品質監測之步驟,係事先透過上述量測/參數校正裝置中設定上述被加工物的設計圖中至少一處監測量測區域,並再對上述疊合影像之上述監測量測區域進行量測,並產生監測尺寸資訊。
依據又一實施例,根據上述方法上述量測/參數校正裝置,可進一步將上述監測尺寸資訊經統計產生監測統計資訊,且上述監測統計資訊將作為計算上述加工參數之計算資料。
依據又一實施例,根據上述方法並可依上述加工參數進行加工時,透過上述精判裝置所發現的瑕疵處的數量,進一步計算出上述加工參數所對應之生產良率。
依據又一實施例,根據上述方法上述生產良率的合格標準可依使用者需求調整,若上述加工參數所產生的良率已符合上述合格標準,上述加工參數可進一步作為執行虛擬量測(Virtual Metrology;簡稱VM)之參考參數。上述虛擬量測係指透過加工參數推估生產的結果(或品質),以達到全檢的目的。
依據又一實施例,根據上述方法之上述分類模組之訓練資料包括上述辨識結果以及人工複判結果。
依據又一實施例,根據上述方法之上述瑕疵尺寸超出閾值時,上述量測/參數校正裝置將停止自動校正該加工參數,並產生警示通知。
依據又一實施例,根據上述方法之上述精判裝置接收到上述警示通知,將不會將上述警示通知所對應之辨識結果作為訓練上述分類模組之上述訓練資料。
依據又一實施例,根據上述方法之上述粗判裝置的初步檢測方法包括3D輪廓比對、位置座標比對、色澤比對以及亮度比對。
依據又一實施例,根據上述方法之上述多個標準尺寸資訊分別包括單位面積之解析度、取像距離、對應之畫素矩陣以及對應的實際尺寸與膜厚高度。
依據又一實施例,根據上述方法之上述加工資訊之記錄方式包括文字、數字、符號以及圖碼,其中上述圖碼包括一維條碼以及二維條碼。
綜合上述實施例之技術特徵,因此可具體主張以下功效。
(1)本系統應用在加工製程上,達到智慧化與全自動化的功效,並可同時串連數個加工站點的加工設備,以自動執行各站點之加工設備之被加工物的初判與複判檢測。
(2)透過本系統加工的產品,均可藉由產品上的加工資訊,即時溯源各站點加工參數,可快速釐清造成產品良率不足的來自於哪些站點。
(3)本系統根據上述初判與複判檢測結果,並透過人工神經網路,可自動分類瑕疵種類以及對該瑕疵執行量測,並獲得瑕疵尺寸的資訊。
(4)本系統在收集上述加工參數與瑕疵尺寸後,可進一步透過演算法計算上述加工參數之最佳結果,並產生校正加工參數,再將該校正加工參數回傳至上述加工設備,達到即時優化加工參數之功效。
100:智慧化加工系統
110:加工裝置
120:標示裝置
130:粗判裝置
140:精判裝置
142:分類模組
160:加工資訊獲取裝置
180:量測/參數校正裝置
182:參數優化模組
200:待加工物
220:被加工物
300-322:步驟
402-416:步驟
為讓本新型之上述和其他目的、特徵、優點與實施例能更明顯易懂,所附附圖之說明如下:
圖1所繪為根據本新型之一實施例之一種智慧化加工系統之裝置示意圖。
圖2所繪為根據本新型之一實施例之一種智慧化加工系統應用於多個加工設備之裝置示意圖。
圖3所繪為根據本新型之一實施例之一種智慧化加工系統之流程圖。
圖4所繪為根據本新型之一實施例之一種智慧化加工系統之品質監測流程圖。
為更具體說明本新型之各實施例,以下輔以附圖進行說明。
請參閱圖1,圖1所繪為根據本新型之一實施例之一種智慧化加工系統之裝置示意圖。在圖1中,依據一實施例,提供一種智慧化加工系統100。上述智慧化加工系統100應用於至少一個加工裝置110,上述加工裝置110根據加工參數對待加工物200進行加工,並產生被加工物220,上述系統100包括:標示裝置120、粗判裝置130、精判裝置140、加工資訊獲取裝置160以及量測/參數校正裝置180。上述智慧化加工系統100中的每個元件都可以是透過軟體加上硬體來實現,或者透過純硬體來實現,且本新型不以此為限制。
上述標示裝置120,於上述被加工物220上標示加工資訊,其中上述加工資訊包括至少一個上述加工參數。上述標示裝置120之加工資訊之記錄方式包括文字、數字、符號以及圖碼,其中上述圖碼包括一維條碼以及二維條碼。上述標示裝置120之加工資訊更包括製造批次、產品型號以及製造日期。例如:於印刷電路板成品或半成品上印製二維圖碼,並可提供日後透過掃描或辨識該二維圖碼,即可產生歷史加工參數紀錄。
上述粗判裝置130,係為初檢上述被加工物220是否具有至少一個瑕疵處,並產生至少一個被加工物影像,其中上述粗判裝置係為自動視覺檢測裝置。上述自動視覺檢測裝置的初檢方法包括3D輪廓比對、位置座標比對、色澤比對以及亮度比對。本系統之粗判裝置130於初判標準通常較嚴謹,以
避免忽略真正具有瑕疵的產品,但常會有誤判的情形發生,例如印刷電路板中某處出現細微灰塵,即判定為瑕疵,如此雖可確保產品之良率,相對容易判別出假瑕疵。在過去將僅能再透過人工複判的方式排除上述的假瑕疵,而在本新型則可透過上述精判裝置140進行瑕疵的複判與瑕疵分類,可大幅減少假瑕疵以及需人工複判的數量。
根據本新型之另一實施例,上述自動視覺檢測裝置組成包括至少一個取像單元、至少一個測距單元、計算單元以及資料庫。上述測距單元,用以產生擷取該被加工物之一取像距離資訊。上述資料庫,係為儲存複數個標準尺寸資訊,每一個上述標準尺寸資訊分別包括單位面積之解析度、取像距離、對應之畫素矩陣以及對應的實際尺寸與膜厚高度。上述計算單元根據上述被加工物220的影像之解析度資訊以及上述取像距離資訊,比對上述資料庫中之上述標準尺寸資訊,計算產生具有實際尺寸資訊之上述被加工物影像。上述粗判裝置130例如可為配合影像辨識設備之計算機設備(具備CPU以及GPU)。
上述精判裝置140,訊號連接上述粗判裝置130,係為複檢上述被加工物影像是否具有至少一個瑕疵處,並辨識上述被加工物影像中所含的瑕疵類型,並產生辨識結果。上述精判裝置更包括分類模組142,上述分類模組142係為應用人工神經網路執行辨識上述瑕疵類型。上述分類模組142之訓練資料包括上述辨識結果以及人工複判結果。上述分類模組142所應用之人工神經網路包括卷積神經網路模型(Convolutional Neural Network;簡稱CNN)。上述CNN模型更可選自包括R-CNN(Region-based Convolutional Neural Network)、Fast R-CNN、Faster R-CNN、RPN(Region Proposal Network)以及Mask R-CNN、FCN(Fully Convolutional Network)之一種進行瑕疵辨識與分類。另外,精判裝置140
除了可使用卷積神經網路模型來實現之外,其他對影像中部件分類的精密演算法也可以拿來用於實現精判裝置140,且本新型不以精判裝置140的實現方式為限制。上述精判裝置140可有效降低假瑕疵的數量以及需人工複判的數量,是否需要人工複判可藉由上述量測/參數校正裝置180預設之閾值判定。上述假瑕疵以印刷電路板為例可包括:板邊假點、細微板屑、灰塵以及待測子板與母板相異。上述精判裝置140例如可為具有運算能力之計算機(具備CPU)。
上述加工資訊獲取裝置160,訊號連接上述精判裝置140,係為辨識上述被加工物影像之上述加工資訊,並產生上述加工參數。其辨識的方法可為文字辨識、圖碼辨識以及RFID等感應標籤。上述加工資訊獲取裝置160例如可為配合影像辨識設備之計算機設備(具備CPU以及GPU)。
上述量測/參數校正裝置180,訊號連接上述精判裝置140,係為量測上述被加工物影像之瑕疵處,並產生瑕疵尺寸,再根據上述瑕疵尺寸以及上述加工參數,計算上述加工參數之最佳結果,進而產生校正加工參數,並傳輸上述校正加工參數至上述加工裝置110。上述量測/參數校正裝置180更包括參數優化模組182,上述參數優化模組182係為應用演算法計算上述加工參數之最佳結果。上述參數優化模組182所應用之演算法可應用任何可計算或歸納上述加工參數之最佳結果的演算法,該演算法例如可為:梯度下降法、牛頓法、共軛梯度法、線性搜尋、置信域方法、神經網路、微粒群演算法、類比退火、支持向量機、蟻群演算法、差分進化演算法、K-近鄰演算法(K-nearest neighbor)。上述量測/參數校正裝置180例如可為具有運算能力之計算機(具備CPU)。
根據本新型之另一實施例,上述量測/參數校正裝置180,當上述被加工物220具有設計圖,可進一步將上述設計圖與上述被加工物220的影像疊合,係可作為量測上述瑕疵尺寸之依據。
根據本新型之另一實施例,上述量測/參數校正裝置180更具有執行品質監測之流程,係事先透過上述量測/參數校正裝置中設定上述被加工物的設計圖中至少一處監測量測區域,並再對上述疊合影像之上述監測量測區域進行量測,並產生監測尺寸資訊。其中上述品質監測之流程可為普檢或抽檢的方式執行。其中以印刷電路板檢測為例,上述監測量測區域可針對印刷電路板特定的焊接位置進行框選。
根據本新型之另一實施例,上述監測尺寸資訊可再透過上述量測/參數校正裝置180,經統計產生監測統計資訊。且上述監測統計資訊將作為計算上述加工參數之計算的資料。
根據本新型之另一實施例,上述瑕疵尺寸超出一閾值時,上述量測/參數校正裝置180將停止自動校正上述加工參數,並產生警示通知。
依據又一實施例,其中上述精判裝置140接收到上述警示通知,將不會將上述警示通知所對應之辨識結果作為訓練上述分類模組之上述訓練資料。
依據又一實施例,上述警示通知,可透過簡訊或郵件,即時通知系統管理人員,並提醒上述系統管理人員,上述警示通知所對應之辨識結果將需要人工複判。例如:發現印刷電路板上露鎳的面積大於1.0cm2,如根據此瑕疵尺寸調整上述加工參數幅度可能會調整過多,將嚴重影響後續加
工流程。因此不以此筆超過閾值之瑕疵尺寸作為調整上述加工參數與上述訓練資料之資料來源。
依據又一實施例,本新型可應用在各階段的加工製程中,並請參閱圖2,圖2所繪為根據本新型之一實施例之一種智慧化加工系統應用於多個加工設備之裝置示意圖。
根據本新型的實施方式,請參閱圖3,圖3所繪為根據本新型之一實施例之一種智慧化加工系統之流程圖。
在圖3中,步驟300為開始加工。
在步驟302中,設定加工裝置110之加工參數。
在步驟304中,加工裝置110執行加工作業,並產生被加工物220。
在步驟306中,於被加工物220標示加工資訊。上述加工資訊之記錄方式包括文字、數字、符號以及圖碼,其中該圖碼包括一維條碼以及二維條碼。
在步驟308中,被加工物220透過粗判裝置130進行初判,如判別被加工物220具有至少一個瑕疵處,則擷取上述被加工物220之影像,產生至少一個被加工物影像。粗判裝置130可進一步計算上述被加工物影像之實際尺寸資訊,上述計算方法如前文所述,在此不再贅述。
在步驟310中,經粗判裝置130進行初判判定上述被加工物220至少具有一個瑕疵處,並判定為瑕疵物,則繼續步驟312。若粗判裝置130初判無發現瑕疵處,則跳至步驟322。
在步驟312中,上述被加工物影像透過精判裝置140進行複判,並辨識瑕疵類型。
在步驟314中,經精判裝置140進行複判判定上述被加工物影像確實具有至少一個瑕疵後,並進一步辨識該瑕疵的類型,上述辨識瑕疵的方法如前文所述,在此不再贅述。若精判裝置140複判判定上述被加工物影像無瑕疵,則跳至步驟322,表示上述粗判裝置130之判定之上述瑕疵處為假瑕疵。
在步驟316a中,透過量測/參數校正裝置180進行瑕疵處的量測,並產生瑕疵尺寸,上述量測的方法如前文所述,在此不再贅述。
在步驟316b中,透過加工資訊獲取裝置160,辨識上述加工資訊,並產生上述加工參數,上述辨識加工資訊的方法如前文所述,在此不再贅述。
在步驟318中,透過量測/參數校正裝置180之演算法根據上述瑕疵尺寸以及上述加工參數,計算校正上述加工參數之最佳結果,產生校正加工參數,並傳輸上述校正加工參數至上述加工裝置。
在步驟320中,加工設備110根據上述校正加工參數,調整原加工參數,並跳回步驟304繼續進行加工。
在步驟322中,係在粗判裝置130之初判或精判裝置140之精判均無發現被加工品上220,至少具有一個瑕疵處,故持續加工。
根據本新型另一實施方式,請參閱圖4,圖4所繪為根據本新型之一實施例之一種智慧化加工系統之品質監測流程圖。
本新型圖3之實施例的流程可配合圖4之實施例的品質監測流程以增加計算上述校正加工參數的準確性,其中圖3與圖4實施例之流程可同步或分別執行。
在步驟402中,事先於量測/參數校正裝置180中設定(或框選)被加工物220的設計圖中欲監測的量測區域。
在步驟404中,透過粗判裝置130擷取被加工物220之影像。
在步驟406中,將被加工物220的設計圖與加工後的影像疊合,產生疊合影像。
在步驟408中,於上述疊合影像上量測事先設定的監測量測區域之尺寸。
在步驟410中,根據量測結果產生監測尺寸資訊,並進一步計算監測統計資訊。
在步驟412中,上述監測統計資訊可作為上述量測/參數校正裝置180計算校正加工參數之計算的資料。
根據本新型另一實施方式,在步驟414中,透過上述步驟402-412所調整的加工參數,可同時對應上述步驟300-314所發現瑕疵物的數量,進一步計算上述加工參數所對應之生產良率。並可檢視上述生產良率是否符合使用者訂定合格標準(例如良率需達到95.0%)
在步驟416中,可將上述加工參數進一步透過虛擬量測(Virtual Metrology;簡稱VM)以增加上述生產良率。例如:透過虛擬量測計算,在製作印刷電路板時於基板佈建金屬銅層流程中,將硫酸銅浴電鍍之時間下調0.5秒,可使電路產生短路的發生機率降低1%。因此,透過虛擬量測調整生產參數,可再進一步增加生產良率。透過上述虛擬量測可不需再透過上述步驟402-412,對監測量測區域進行量測,取而代之的是由虛擬量測計算產品的良率,以達到全檢的目的。
綜合上述,本新型之實施例一種智慧化加工的方法與系統,具有即時處理產線之加工以及檢測。並進一步以自動化執行溯源、瑕疵判定以及校正加工設備。
本新型在本文中僅以較佳實施例揭露,然任何熟習本技術領域者應能理解的是,上述實施例僅用於描述本新型,並非用以限定本新型所主張之專利權利範圍。舉凡與上述實施例均等或等效之變化或置換,皆應解讀為涵蓋於本新型之精神或範疇內。因此,本新型之保護範圍應以下述之申請專利範圍所界定者為準。
100:智慧化加工系統
110:加工裝置
120:標示裝置
130:粗判裝置
140:精判裝置
142:分類模組
160:加工資訊獲取裝置
180:量測/參數校正裝置
182:參數優化模組
200:待加工物
220:被加工物
Claims (17)
- 一種智慧化加工系統,該系統應用於至少一加工裝置,該加工裝置根據一加工參數對一待加工物進行加工,產生一被加工物,該系統包括:至少一標示裝置,於該被加工物標示一加工資訊,其中該加工資訊包括至少一加工參數;一粗判裝置,用以初檢該被加工物是否具有至少一個瑕疵處,並產生至少一被加工物影像,其中該粗判裝置係為自動視覺檢測裝置;一精判裝置,訊號連接該粗判裝置,用以複檢該被加工物影像是否具有至少一個該瑕疵處,並辨識該被加工物影像中所含的瑕疵類型,產生一辨識結果;一加工資訊獲取裝置,訊號連接該精判裝置,用以辨識該被加工物影像之該加工資訊,並產生該加工參數;以及一量測/參數校正裝置,訊號連接該精判裝置,用以量測該被加工物影像之該瑕疵處,並產生一瑕疵尺寸,再根據該瑕疵尺寸以及該加工參數,計算該加工參數之最佳結果,產生一校正加工參數,並傳輸該校正加工參數至該加工裝置。
- 如請求項1所述之智慧化加工系統,其中該自動視覺檢測裝置的初檢方法包括輪廓比對、位置座標比對、色澤比對以及亮度比對。
- 如請求項1所述之智慧化加工系統,其中該自動視覺檢測裝置組成包括至少一取像單元、至少一測距單元、一計算單元以及一資料庫。
- 如請求項1所述之智慧化加工系統,其中該測距單元,用以產生擷取該被加工物之一取像距離資訊。
- 如請求項1所述之智慧化加工系統,其中該資料庫,用以儲存複數個標準尺寸資訊,每一該些標準尺寸資訊分別包括單位面積之解析度、取像距離、對應之畫素矩陣以及對應的實際尺寸與膜厚高度。
- 如請求項1至5任一項中所述之智慧化加工系統,其中該計算單元根據該被加工物影像之解析度資訊以及該取像距離資訊,比對該資料庫中之該標準尺寸資訊,計算產生具有實際尺寸資訊之該被加工物影像。
- 如請求項1所述之智慧化加工系統,其中該量測/參數校正裝置更包括一參數優化模組,該參數優化模組係為應用演算法計算該加工參數之最佳結果。
- 如請求項1所述之智慧化加工系統,其中該量測/參數校正裝置,當該被加工物具有一設計圖,進一步將該設計圖與該被加工物影像疊合,產生一疊合影像,用以作為量測該瑕疵尺寸之依據。
- 如請求項1或請求項8任一項所述之智慧化加工系統,其中該量測/參數校正裝置更包括提供事先設定該設計圖中至少一監測量測區域,並再對該疊合影像之該監測量測區域進行量測,並產生至少一監測尺寸資訊。
- 如請求項9所述之智慧化加工系統,其中該量測/參數校正裝置更包括將該監測尺寸資訊經統計產生一監測統計資訊,且該監測統計資訊將作為計算該加工參數之計算資料。
- 如請求項10所述之智慧化加工系統,其中透過該監測統計資訊所計算之該加工參數,該加工參數係作為虛擬量測的參考參數,用以執行該虛擬量測。
- 如請求項1所述之智慧化加工系統,其中該標示裝置之加工資訊之記錄方式包括文字、數字、符號以及圖碼,其中該圖碼包括一維條碼以及二維條碼。
- 如請求項1所述之智慧化加工系統,其中該標示裝置之加工資訊更包括製造批次、產品型號以及製造日期。
- 如請求項1所述之智慧化加工系統,其中該精判裝置更包括一分類模組,該分類模組係為應用人工神經網路執行辨識該瑕疵類型。
- 如請求項14所述之智慧化加工系統,其中該分類模組之訓練資料包括該辨識結果以及人工複判結果。
- 如請求項1所述之智慧化加工系統,其中該瑕疵尺寸超出一閾值時,該量測/參數校正裝置將停止自動校正該加工參數,並產生一警示通知。
- 如請求項1或請求項16任一項所述之智慧化加工系統,其中該精判裝置接收到該警示通知,將不會將該警示通知所對應之辨識結果作為訓練該分類模組之該訓練資料。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110205932U TWM619409U (zh) | 2021-05-21 | 2021-05-21 | 智慧化加工系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW110205932U TWM619409U (zh) | 2021-05-21 | 2021-05-21 | 智慧化加工系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM619409U true TWM619409U (zh) | 2021-11-11 |
Family
ID=79908372
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110205932U TWM619409U (zh) | 2021-05-21 | 2021-05-21 | 智慧化加工系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM619409U (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI782539B (zh) * | 2021-05-21 | 2022-11-01 | 聯策科技股份有限公司 | 智慧化加工之方法與系統 |
-
2021
- 2021-05-21 TW TW110205932U patent/TWM619409U/zh unknown
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI782539B (zh) * | 2021-05-21 | 2022-11-01 | 聯策科技股份有限公司 | 智慧化加工之方法與系統 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10542651B2 (en) | Inspection apparatus and quality control system for surface mounting line | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN100593716C (zh) | 利用机器视觉系统对印花布瑕疵进行在线检测的方法 | |
CN109142383B (zh) | 一种基于形态学的字符缺陷检测方法 | |
CN111289538B (zh) | 基于机器视觉的pcb板元件检测系统及检测方法 | |
CN107945184A (zh) | 一种基于彩色图像分割和梯度投影定位的贴装元件检测方法 | |
CN106651857B (zh) | 一种印刷电路板贴片缺陷检测方法 | |
CN112053318A (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
CN116993744B (zh) | 一种基于阈值分割的焊缝缺陷检测方法 | |
CN113030123B (zh) | 一种基于物联网的aoi检测反馈系统 | |
CN112132828A (zh) | 基于深度学习的薄膜瑕疵检测方法 | |
CN105424721A (zh) | 一种金属应变计缺陷自动检测系统 | |
CN113483682A (zh) | 一种基于机器视觉的缝隙测量方法及系统 | |
TWM619409U (zh) | 智慧化加工系統 | |
CN116993725B (zh) | 一种柔性电路板智能贴片信息处理系统 | |
CN109277568A (zh) | 一种选区激光熔化的实时监测方法、装置和系统 | |
TWI782539B (zh) | 智慧化加工之方法與系統 | |
CN113793321B (zh) | 基于机器视觉的铸件表面缺陷动态检测方法及装置 | |
CN112109374A (zh) | 一种基于计算机视觉系统定位及控制折弯模具装卸的方法 | |
CN115373345A (zh) | 智能化加工之方法与系统 | |
CN115546140A (zh) | 一种显示面板检测方法、系统及电子装置 | |
CN110989422A (zh) | 一种基于流水号喷码的aoi过检参数的管理系统及管理方法 | |
TWI745131B (zh) | 印刷電路板良率和生產設備錯誤率之回溯方法及其系統 | |
TWI837941B (zh) | 引線框架的出貨方法 |