CN112557399A - 一种烟机设备质量检测***点检方法及装置 - Google Patents
一种烟机设备质量检测***点检方法及装置 Download PDFInfo
- Publication number
- CN112557399A CN112557399A CN202011369942.9A CN202011369942A CN112557399A CN 112557399 A CN112557399 A CN 112557399A CN 202011369942 A CN202011369942 A CN 202011369942A CN 112557399 A CN112557399 A CN 112557399A
- Authority
- CN
- China
- Prior art keywords
- cigarette packet
- image
- point inspection
- image template
- packet image
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 140
- 238000001514 detection method Methods 0.000 title claims abstract description 110
- 238000000034 method Methods 0.000 title claims abstract description 56
- 239000000779 smoke Substances 0.000 title description 2
- 235000019504 cigarettes Nutrition 0.000 claims abstract description 272
- 230000007547 defect Effects 0.000 claims abstract description 114
- 241000208125 Nicotiana Species 0.000 claims abstract description 44
- 235000002637 Nicotiana tabacum Nutrition 0.000 claims abstract description 44
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000003384 imaging method Methods 0.000 claims abstract description 27
- 238000004891 communication Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000010200 validation analysis Methods 0.000 claims abstract description 9
- 230000002950 deficient Effects 0.000 claims description 92
- 238000004519 manufacturing process Methods 0.000 claims description 47
- 238000013528 artificial neural network Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 14
- 230000001960 triggered effect Effects 0.000 claims description 13
- 238000012795 verification Methods 0.000 claims description 10
- 230000008030 elimination Effects 0.000 claims description 8
- 238000003379 elimination reaction Methods 0.000 claims description 8
- 238000010924 continuous production Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 16
- 230000006872 improvement Effects 0.000 description 8
- 238000004806 packaging method and process Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 239000000123 paper Substances 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 239000003086 colorant Substances 0.000 description 3
- 239000011087 paperboard Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 241001292396 Cirrhitidae Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011111 cardboard Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
- G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
- G06T7/75—Determining position or orientation of objects or cameras using feature-based methods involving models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
- G01N2021/95615—Inspecting patterns on the surface of objects using a comparative method with stored comparision signal
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种烟机设备质量检测***点检方法及相关装置，具体属于烟草卷包设备领域。点检方法包括配置阶段和运行阶段，其中：在配置阶段，为所述质量检测***配置点检面板、图像识别模块和烟包图像模板库；使用烟包图像模板库的烟包图像模板训练所述图像识别模块，以便图像识别模块标记烟包图像模板中的典型缺陷烟包图像模板；在运行阶段，当需要进行模拟检测、自动点检和/或***效验时，通过点检面板提取所述典型缺陷烟包图像模板代替成像检测器的烟包图像向所述质量检测***发送。点检装置包括数据服务器、通信接口和点检面板。本发明技术方案实现了烟草卷包机小包成像检测器等质量检测***的模拟检测、自动点检和***效验。
Description
技术领域
本发明属于烟草卷包设备领域，具体涉及一种烟机设备质量检测***点检方法及相关装置。
背景技术
烟草生产中的卷包工段，需要对包装机生产成品小包外观进行检验。目前主流的ZB45等包装机，其成品小包外观检测均采用成像检测技术的烟机设备质量检测***，其应用CCD相机作为成像检测器，拍照检测烟包卡纸外漏、内衬纸的缺失、反包、折皱、歪斜、开口、污损等缺陷，在线实时检测、自动剔除。检测原理是通过相机拍照，将合格的小包的标准图像储存起来并建立标准模型；在ZB45包装机生产过程中，通过同步传感器触发摄像头实时拍照，拍出每包香烟实时的图像，并将每包香烟的图像与储存的标准图像进行分析比较，检测值在设置的公差之内，表示此包香烟外观合格，否则判定为不合格，不合格香烟由图像处理工控机完成标记、移位并在剔除口自动剔除。
为了保证卷烟产品外观质量，保证成像检测***的功能的有效，现有技术中，采取执行成像检测器点检验证的点检方法：每个班次交接时对成像检测器进行点检测试，先人工模拟缺陷烟包，然后将缺陷烟包放入生产线，破坏性的进行缺陷烟包测试，如果经过成像检测***时，能够识别缺陷烟包，并成功剔除，则判定当前成像检测器***检测功能完好有效。上述点检方法，能有效地判断检测***的有效性，在保证产品质量方面发挥了重要作用，但是，也存在着诸多弊端：一方面，每次交班需要人为制作不合格烟包，繁琐，难以保证不合格烟包模板统一；另一个方面，由于需要测试的缺陷种类多，每次都要制作多种不合格烟包模板，占用时间长、浪费严重；模拟时需要停机、低速运行，人为一包一包的将多种不合格烟包模板分时放入生产通道，如果将所有的不合格烟包模板都检测一遍，所有机台都进行验证，消耗多，严重影响生产效率；再一个方面，新引进的高速卷包机等生产线设备，生产线上烟包输送速度快，难以人工投放。
发明内容
本发明目的在于提供一种烟机设备质量检测***点检方法，用于烟草卷包机小包成像检测器的模拟检测、自动点检和***效验。
本发明技术方案提供的一种烟机设备质量检测***点检方法，其包括配置阶段和运行阶段，其中：
在配置阶段，为所述质量检测***配置点检面板、图像识别模块和烟包图像模板库；使用烟包图像模板库的烟包图像模板训练所述图像识别模块，以便图像识别模块标记烟包图像模板中的典型缺陷烟包图像模板；所述烟包图像模板包括合格烟包图像模板和缺陷烟包图像模板；所述典型缺陷包括缺失、反包、折皱、歪斜、开口和/或污损。
在运行阶段，当需要进行模拟检测、自动点检和/或***效验时，通过点检面板提取所述典型缺陷烟包图像模板代替成像检测器的烟包图像向所述质量检测***发送。
上述点检方法的一个改进在于：包括更新阶段；在所述更新阶段，重新训练所述图像识别模块，以便所述图像识别模块重新标记典型缺陷烟包图像模板。
上述点检方法的一个改进在于：在所述质量检测***正常运行期间，采集缺陷烟包图像，如果该缺陷烟包图像被图像识别模块分类时，缺陷特征指标不典型，则将其作为一个缺陷烟包图像模板保存至所述烟包图像模板库中。
上述点检方法的一个改进在于：所述图像识别模块包括第一图像神经网络单元；
在所述配置阶段，为所述烟包图像模板库的缺陷烟包图像模板标记缺陷，并将全部烟包图像模板分为训练集和验证集，训练所述第一图像神经网络单元，以便训练结束后，对于给定的缺陷烟包图像，所述第一图像神经网络单元输出该缺陷烟包图像在各个缺陷上的置信度；相同规格烟包的缺陷烟包图像模板中在一个缺陷上置信度最高的缺陷烟包图像模板，被标记为该规格烟包在该缺陷下的典型缺陷烟包图像模板；
在所述运行阶段，当所述第一图像神经网络单元读取所述质量检测***提供的一个缺陷烟包图像的在各个缺陷上均不典型，则为其分配一个或多个缺陷后作为一个新的缺陷烟包图像模板放入所述缺陷烟包图像模板集。
上述点检方法的一个改进在于：当需要进行模拟检测时，通过点检面板提取一种典型缺陷下的典型缺陷烟包图像模板代替烟包图像向所述质量检测***发送，以便检测质量检测***对该类典型缺陷的剔除功能。
上述点检方法的一个改进在于：当需要进行自动点检时，通过点检面板提取相同规格烟包的典型缺陷烟包图像模板***烟包图像流中向所述质量检测***发送，以便检测质量检测***在连续生产时对缺陷烟包的剔除功能。
上述点检方法的一个改进在于：当需要进行***效验时，通过点检面板提取所述典型缺陷烟包图像模板向所述质量检测***发送，而不必运行生产线上其他设备。
上述点检方法的一个改进在于，所述自动点检过程包括以下步骤：
步骤1，按工位依次触发光源开灯、并获得当前烟包图像；
步骤2，调取相同规格烟包的典型缺陷烟包图像模板替代当前烟包图像向所述质量检测***发送；
步骤3，所述质量检测***判断是否为缺陷，如果不是，判断当前生产线不合格，如果是，执行步骤4；
步骤4，触发剔除传感器，如果不能成功触发，判断当前生产线不合格，如果能够触发，执行步骤5；
步骤5，结束自动点检，并判断当前生产线合格。
步骤6，输出当前生产线的自动点检报告。
本发明是针对现有小包外观成像检测装置，开发一套处理程序，提供一种全自动的模拟点检方法。在成像检测装置的基础上，通过创建模拟点检界面，预先采集不合格烟包模板，提前存入***中，作为不合格烟包的模板；然后在包装机运行不停机、不降速的情况下，可随时通过模拟点检界面调取不合格烟包模板，进行触发并实现模拟检测、自动点检、***校验的功能。
本发明采用标准建模原理，通过建立两种图像模板，一种是合格烟包图像模板，一种是缺陷烟包图像模板，采用两种不同的模板数据分析与比较，实现模拟检测、自动点检、***效验的功能。
本发明的第一方面解决的问题在于，在***刚刚建立投入使用的时候合格烟包图像模板与缺陷烟包图像模板的初始建模没有问题，点检可正常实施，但随着图像检测***的投入使用的时间原来越长，LED光源会逐渐衰减，拍出的烟包图像的字符、颜色、图案、位置的实际检测值会越来越低，实际检测值会低于初始设定的控制阀值，但此时的烟包正常，是合格烟包，会出现误检或不检。
本发明的第二方面解决的问题在于，烟包的卡纸外漏、内衬纸的缺失、反包、折皱、歪斜、开口、污损等缺陷多种多样，图样并不固定或完全一样，人工模拟缺陷烟包，仅限于经常出现的、具有代表性的缺陷，对于偶发的缺陷或者极难出现的缺陷，无法测试，难以实现模拟点检目的。
本发明采用神经网络算法技术，通过调用现有图像神经网络单元与HALCON图像处理软件的应用接口，应用多特征识别技术不断的识别合格烟包图像与缺陷烟包图像，建立、模拟人脑进行分析学习的神经网络，然后将图像分类，实现对模拟点检的AI人工智能控制。
在一些实施例中，对于***的两种图像模板进行学习训练，一种是合格烟包图像模板，一种是缺陷烟包图像模板。
其中，合格烟包图像模板一个目的在于：把预先采集合格烟包模板作为基准，然后在生产过程中通过相机的不断拍照，大量识别烟包的字符、颜色、图案、位置四个主要特征，通过神经网络算法模拟人脑进行分析学习，不断训练与修正字符、颜色、图案、位置参数，进而实时调整监测阀值。通过此方法的大量学习与修正，不仅使合格烟包图像模板实时化，而且可有效解决第一方面中的LED光源会逐渐衰减问题，实现合格烟包图像模板更新的自动化。
缺陷烟包图像模板的一个目的在于：对于烟包的卡纸外漏、内衬纸的缺失、反包、折皱、歪斜、开口、污损等缺陷，开始的人工模板不可能做的太多，也需要在生产中不断的学习。本发明在流程上对烟包的卡纸外漏、内衬纸的缺失、反包、折皱、歪斜、开口、污损等缺陷进行特征分类，在生产过程中会出现多余人工模板的质量缺陷特征，***会将新出现的质量缺陷特征存入到特征类中，这样通过神经网络算法的大量特征识别技术，将每一个质量缺陷特征类的数据不断完善与增加，随着***投入使用的时间越来越长，缺陷特征会越来越完善，可有效解决第二个难点，实现缺陷烟包图像模板的智能化。
一些实施例中，使用专用装置实施本发明方法，这些装置及装置工作过程包括：
在可编程人机界面上创建模拟点检界面作为点检面板，并在质量检测***的缺陷识别计算机***上配置与其软件对接的图像识别模块和烟包图像模板库：点检面板上预先编辑各种不合格烟包的模板图片窗口、模板参数与点检按钮。
为缺陷识别计算机***的烟包图像模板库初始化录入点检模板，其中，合格烟包的模板制作是通过检测装置的相机对所有不合格模板进行拍照取样。缺陷烟包的模板制作可以人为统一一次性制作完不合格烟包的模板，包括缺失、反包、折皱、歪斜、开口、污损等。
在运行阶段，通过生产过程中的大量数据，***不断完成烟包图像模板库中模板的更新和积累。
当检验人员需要小包成像检测装置进行模拟检测时，只需在模拟点检界面调取不合格烟包的模板，按下点检按钮，模拟检测包括缺失、反包、折皱、歪斜、开口、污损等不合格烟包，验证不合格烟包是否可以检出并在剔除口自动剔除。通过模拟点检界面的自动点检功能，可随时或定期对小包成像检测装置进行点检，自动点检过程检验人员无需再制作不合格烟包模板并手工加烟，包装机正常运行不停机、不降速，直接完成对小包成像检测装置的检测功能点检，不仅提高了效率还实现了包装机各个速度上的点检。
当检测装置长期运行时，技术人员需要对检测装置的***进行效验，检测其是否正常工作，此时也无需再制作不合格烟包模板并手工加烟，只需在模拟点检界面调取任意一个不合格烟包的模板，按下点检按钮，装置如果能正常检测并自动剔除，则表示***的检测参数与功能正常，非常方便快捷。
根据上方法技术方案，一实施例中为现有烟机设备质量检测***配备一种专用的点检装置，该点检装置包括独立的或者与质量检测***同平台的数据服务器、通信接口和虚拟的或者真实的点检面板；其中，
所述数据服务器，建立有烟包图像模板库；所述烟包图像模板库存储合格烟包图像模板和缺陷烟包图像模板；所述缺陷烟包图像模板包括典型缺陷烟包图像模板；所述典型缺陷烟包图像模板由图像识别模块在缺陷烟包图像模板中动态标记；
所述通信接口，与质量检测***的图像输入接口通信连接；
所述点检面板，包括点检按钮；所述点检面板在其点检按钮被触发后，从所述数据服务器提取典型缺陷烟包图像模板，并通过所述通信接口将所述典型缺陷烟包图像模板输入所述质量检测***的图像输入接口。
可以看出，上述装置并不限定必须包括一个图像识别模块，仅用于存放图像识别模块的标记结果，另一些实施例中，点检装置集成了该图像识别模块。点检装置集成或者不集成的图像识别模块与所述数据服务器通信连接，以便读取其烟包图像模板库的烟包图像模板，并为烟包图像模板库的烟包图像模板写入标记属性；所述标记属性包括典型缺陷。
根据上述本发明技术方案的说明，容易理解本发明带来的技术效果包括：
1、有效性，本发明点检方法的点检效果达到人工模拟测试的效果；甚至弥补了人工点检手法差异造成的检测效果的差异；
2、可操作性，尤其对于高速卷包机，不便于设置模拟点检机台，本发明点检方法避免设置模拟点检机台，操作简单，易于实现；
3、经济性，不同于以往的大量破坏模拟测试造成的浪费，本发明点检方法不需要破坏烟包，“0”消耗；
4、安全性，人工模拟点检存在缺陷产品误入成品的可能，本发明点检方法完全避免了该风险。
附图说明
图1为本发明实施例中一种烟机设备质量检测***的***框图；
图2为本发明实施例中包含一个点检方法过程实例的工作流程图。
具体实施方式
首先需要说明的是，本发明中，烟机设备为烟草专用卷包机，其成品为小包香烟，烟机设备质量检测***为通过视觉分析对小包香烟进行外观检验，如果出现问题则至少从生产线剔除不合格的小包香烟，或者认为烟草专用卷包机出现问题，应当及时处理生产线问题并考虑是否停机停产。现有的烟机设备质量检测***点检方法，目的在于检测上述质量检测***是否存在功能问题，防止质量检测***因设备问题，出现漏剔、误剔功能，现有技术的点检方法基于目前烟草行业的计划性生产模式，在低速卷包时代是最优的生产策略，兼顾了灵活性和设备调整成本。但是在高速卷包时代，则出现了意外的烟机设备与生产线点检工艺的匹配问题。如，对于高速生产线的换班点检，需要同步进行，一方面，如果每台设备每次点检5分钟，每名责任人员负责6台设备，每人次耗时30分钟；每次模拟测试破坏5盒烟，20台设备，每天两个班次，每天就是200盒烟，有时每个班次需要两次，数量还会翻倍，换班的时间成本被新生产模式放大；同时，。另一方面，生产过程中，出现的缺陷种类多样，有些是无法预料的，生产设备每次换班启停的状态也是不同的，人工模拟缺陷烟包，仅限于经常出现的、具有代表性的缺陷，对于偶发的缺陷或者极难出现的缺陷，无法测试，难以实现点检目的，存在质量隐患。
下面结合实施例和附图说明本发明的点检方案和点击装置。本实施例是一种基于现有设备经过技术改造后实现的一种烟机设备质量检测***点检方法。
现有的质量检测***，主要包括成像检测器、缺陷识别计算机***，以及窗口设置面板。其中，成像检测器包括图像采集单元、照明单元以及控制器，用于根据接收的图像采集设置信号，采集生产线上一个或者多个烟包图像；缺陷识别计算机***接收成像检测器的烟包图像并与自己的合格图象模版进行比对，如果存在大于检测阈值的视觉差异，则输出生产线出现缺陷提示信号，触发生产线的剔除传感器执行剔除动作；窗口设置面板用于通过缺陷识别计算机***设置成像检测器的监测窗口的参数，以便根据规格、设备条件、生产标准等因素随时调整成像检测器的采集要求，以及缺陷识别计算机***的检测要求。
参考图1，本实施例在现有的缺陷识别计算机***上增加了独立的程序模块，其包括：一个用户界面模块，以配合显示器实现本发明的点检面板；一个数据库模块，用于提供烟包图像模板库的读写服务；一个图像识别模块，用于读取烟包图像模板库的烟包图像模板，并为烟包图像模板打标记，图像识别模块配置有自己独立的存储空间以便保存其图识别神经网络的训练数据。
容易理解，在其他实施例中，点检装置可以是包括数据服务器、通信接口和点检面板的独立装置，其中，数据服务器用于建立烟包图像模板库，以便存放包括合格烟包图像模板和缺陷烟包图像模板的烟包图像模板，并提供对烟包图像模板的读写服务，数据服务器既可以是现场嵌入式的，也可以是云端共享的；通信接口与质量检测***的图像输入接口通信连接，由于在缺陷识别计算机***中集成，通信接口为使用内部socket、API等虚拟接口，与质量检测***的图像输入进程或者线程通信，以交换数据；点检面板，由用户界面模块实现模拟点检界面在触摸显示器上展示用户界面，用户界面包括点检按钮；图像识别模块与数据服务器通信连接，通过外部请求触发其读取烟包图像模板库的烟包图像模板，并为烟包图像模板库的烟包图像模板写入典型缺陷标记属性。
本实施例中，在配置阶段，先采集不合格烟包模板，提前存入烟包图像模板库中，作为缺陷烟包图像模板，使用原有的合格烟包模板或者重新采集合格烟包图像作为合格烟包图像模板存入烟包图像模板库，烟包图像模板库的烟包图像模板的属性至少包含规格、品质标记、采集参数、缺陷特征、缺陷特征原始置信度和缺陷特征标记置信度，然后调用图像识别模块对烟包图像模板的各个缺陷特征的缺陷特征置信度赋值；运行阶段使用时，在包装机运行不停机、不降速的情况下，可随时通过点检面板的用户界面中的模拟点检界面调取典型缺陷烟包模板，触发其点检按钮；点检按钮被触发后，点检面板的用户界面模块从所述数据服务器提取典型缺陷烟包图像模板，并通过所述通信接口将所述典型缺陷烟包图像模板输入所述质量检测***的图像输入接口；以便实现生产中的卷包机、成像检测器、缺陷识别计算机***等生产线设备的模拟检测、自动点检、***校验的功能。
本实施例的点检方法中还包括更新阶段；在所述更新阶段，重新训练所述图像识别模块，以便所述图像识别模块重新标记典型缺陷烟包图像模板，实现典型缺陷烟包图像模板由图像识别模块在缺陷烟包图像模板中动态标记。为实现动态更新，在质量检测***正常运行期间，采集缺陷烟包图像，如果该缺陷烟包图像被图像识别模块分类时，缺陷特征指标不典型，示范的如果一个采集缺陷烟包图像的任一缺陷特征的置信度均小于0.95，则通过点检面板的用户界面将该缺陷烟包图像模板保存至所述烟包图像模板库中，存储时，为其配置缺陷特征属性，以及配置在各个缺陷特征的原始置信度。本实施例中，图像识别模块预制有一个默认图像神经网络单元，以缺陷特征为分类的，评价一个烟包图像中与标准烟包图像对比的差异部分在各个缺陷特征上置信度。容易理解，在烟包图像模板中存有大量品质标记为合格或者缺陷的烟包图像模板并人工标记有其在各个缺陷特征上的原始置信度，如不存在的缺陷为0，存在的缺陷为1。可以在一个更新阶段，利用补充样本的烟包图像模板库，重新训练图像识别模块中的图像神经网络，以更新图像神经网络输出节点数量、池化层连接结构或者以及相关参数。
可以看出，本实施例的图像识别，使用了简单的有监督学习过称，提前为烟包图像模板做出标记，以便拆分训练集和验证集，在监督学习中迭代。在另一些实施例中，可以采用更复杂的半监督或者无监督学习以及相应的图像神经网络，包括对抗生成网络，生成虚拟的合格烟包图像模板以及缺陷烟包图像模板。
一些其他实施例中，所述图像识别模块包括第一图像神经网络单元，以一个合格烟包图像模板集中合格烟包图像模板采集时的检测阈值为分类标记训练所述第一图像神经网络单元，以便训练结束后，对于给定的合格烟包图像，所述第一图像神经网络单元输出该合格烟包图像的检测阈值，并在对抗生成集中产生的新的合格烟包图像作为新的检测阈值下的合格烟包图像模板，保存至烟包图像模板，供质量检测***或者图像识别模块调用。
一些其他实施例中，所述图像识别模块包括第二图像神经网络单元，所述图像识别模块包括第二图像神经网络单元，缺陷状态问题，涉及窗口选择，照明衰减问题，涉及图片更新，以便提取合格烟包的差异，以便所述图像识别模块提取烟包质量缺陷特征并修正合格烟包图像模板集和缺陷产品图像模板集。第二图像神经网络单元采用无监督学习的神经网络结构，对烟包图像模板集的部分烟包图像模板进行自动归类，形如，(缺失0.75、反包0.99、折皱0.46、歪斜0.05、开口0.92、污损0.85)。随着使用过程中，烟包图像模板库中缺陷烟包图像模板的积累，通过迭代训练更新图像识别模块的图像神经网络单元的参数，在各个缺陷特征上的置信区间将越来越窄，容易标记出形如(缺失0.01、反包0.99、折皱0.01、歪斜0.01、开口0.99、污损0.99)这样的判定结果，从而在调用时，在模拟点检反包、开口或者污损时，使用该缺陷烟包图像模板作为各个缺陷的典型缺陷烟包图像模板。
参考图2，是变其包括配置阶段和运行阶段，其中：
在配置阶段，为所述质量检测***配置点检面板、图像识别模块和烟包图像模板库；使用烟包图像模板库的烟包图像模板训练所述图像识别模块，以便图像识别模块标记烟包图像模板中的典型缺陷烟包图像模板；所述烟包图像模板包括合格烟包图像模板和缺陷烟包图像模板；所述典型缺陷包括缺失、反包、折皱、歪斜、开口和/或污损。在配置阶段，为所述烟包图像模板库的缺陷烟包图像模板标记缺陷，并将全部烟包图像模板分为训练集和验证集，训练所述第一图像神经网络单元，以便训练结束后，对于给定的缺陷烟包图像，所述第一图像神经网络单元输出该缺陷烟包图像在各个缺陷上的置信度；相同规格烟包的缺陷烟包图像模板中在一个缺陷上置信度最高的缺陷烟包图像模板，被标记为该规格烟包在该缺陷下的典型缺陷烟包图像模板。
在运行阶段，当需要进行模拟检测、自动点检和/或***效验时，通过点检面板提取所述典型缺陷烟包图像模板代替成像检测器的烟包图像向所述质量检测***发送。在运行阶段，当所述第一图像神经网络单元读取所述质量检测***提供的一个缺陷烟包图像的在各个缺陷上均不典型，则为其分配一个或多个缺陷后作为一个新的缺陷烟包图像模板放入所述缺陷烟包图像模板集。
当需要进行***效验时，通过点检面板提取所述典型缺陷烟包图像模板向所述质量检测***发送，以判断缺陷识别***正常工作。包括两种方式，一种是不运行生产线上其他设备，选定同归规格的合格烟包图像模板和缺陷烟包图像模板随机混合，以判断当前缺陷识别计算机***是否工作正常；另一种是合并生产线试运行，在正常的烟包图像流中随机***缺陷烟包图像模板，以判断当前缺陷识别计算机***是否工作正常。
当需要进行模拟检测时，通过点检面板提取一种典型缺陷下的典型缺陷烟包图像模板代替烟包图像向所述质量检测***发送，以便检测质量检测***对该类典型缺陷的剔除功能。具体的，需要根据工艺说明，选取当前工艺适用的典型缺陷烟包图像模板代替人工烟包。
当需要进行自动点检时，先沟通过点检面板指定当前生产中自动点检的典型缺陷烟包图像模板，通过点检面板提取相同规格烟包的典型缺陷烟包图像模板***烟包图像流中向所述质量检测***发送，以便检测质量检测***在连续生产时对缺陷烟包的剔除功能。另一些实施例中，当需要进行自动点检时，通过点检面板提取所述缺陷产品图像模板集中指定的模板图像***所述质量检测***成像检测器的图像采集流中发送；
具体的，参考图2，所述自动点检过程包括以下步骤：
步骤1，按工位依次触发光源开灯、并获得当前烟包图像；
步骤2，调取相同规格烟包的典型缺陷烟包图像模板替代当前烟包图像向所述质量检测***发送；
步骤3，所述质量检测***判断是否为缺陷，如果不是，判断当前生产线不合格，如果是，执行步骤4；
步骤4，触发剔除传感器，如果不能成功触发，判断当前生产线不合格，如果能够触发，执行步骤5；
步骤5，结束自动点检，并判断当前生产线合格。
步骤6，输出当前生产线的自动点检报告。
本实施例中，如果不一致，首先要排除其他设备因素影响，如LED随机老化在缓慢积累中对生产线判断阈值的突破性影响。以成像检测器的光源为例，调整光源重新检测，如果仍然判断异常则认为当前生产线确实不能开展生产，需要停机处理，如果恢复一致，则恢复光源，并继续正常自动点检；如果仍不一致，则把提示当前的烟包图像异常，由人工继续排查生产线问题。
可以理解的，在实施模拟检测、自动点检和***效验时，可以使用相同或者不相同的典型缺陷烟包图像模板，使用或者不使用合格烟包图像模板。
容易理解，本实施例是针对现有小包外观成像检测装置，开发的一套处理程序，提供一种全自动的模拟点检方法。上述实施例中，本发明采用标准建模原理，通过预先建立两种图像模型，一种是合格烟包图像模型，一种是缺陷烟包图像模型，采用两种不同的模型数据分析与比较，实现模拟检测、自动点检、***效验的功能。
本发明软件处理程序采用神经网络算法技术，神经网络算法具有并行计算、自组织、自学习的特征与全局逼近的功能，本发明的软件处理过程主要应用自组织神经网络完成图像特征提取与建模，应用模糊神经网络完成图像修正与重建。程序软件采用计算机高级语言VB.Net编程，应用VB.Net的布尔条件、属性和事件、委托和事件管理、条件编译等编程功能完成神经网络算法。
Claims (10)
1.一种烟机设备质量检测***点检方法，其包括配置阶段和运行阶段，其中：
在配置阶段，为所述质量检测***配置点检面板、图像识别模块和烟包图像模板库；使用烟包图像模板库的烟包图像模板训练所述图像识别模块，以便图像识别模块标记烟包图像模板中的典型缺陷烟包图像模板；所述烟包图像模板包括合格烟包图像模板和缺陷烟包图像模板；所述典型缺陷包括缺失、反包、折皱、歪斜、开口和/或污损；
在运行阶段，当需要进行模拟检测、自动点检和/或***效验时，通过点检面板提取所述典型缺陷烟包图像模板代替成像检测器的烟包图像向所述质量检测***发送。
2.根据权利要求1所述的点检方法，其特征在于：包括更新阶段；在所述更新阶段，重新训练所述图像识别模块，以便所述图像识别模块重新标记典型缺陷烟包图像模板。
3.根据权利要求2所述的点检方法，其特征在于：在所述质量检测***正常运行期间，采集缺陷烟包图像，如果该缺陷烟包图像被图像识别模块分类时，缺陷特征指标不典型，则将其作为一个缺陷烟包图像模板保存至所述烟包图像模板库中。
4.根据权利要求3所述的点检方法，其特征在于：所述图像识别模块包括第一图像神经网络单元；
在所述配置阶段，为所述烟包图像模板库的缺陷烟包图像模板标记缺陷，并将全部烟包图像模板分为训练集和验证集，训练所述第一图像神经网络单元，以便训练结束后，对于给定的缺陷烟包图像，所述第一图像神经网络单元输出该缺陷烟包图像在各个缺陷上的置信度；相同规格烟包的缺陷烟包图像模板中在一个缺陷上置信度最高的缺陷烟包图像模板，被标记为该规格烟包在该缺陷下的典型缺陷烟包图像模板；
在所述运行阶段，当所述第一图像神经网络单元读取所述质量检测***提供的一个缺陷烟包图像的在各个缺陷上均不典型，则为其分配一个或多个缺陷后作为一个新的缺陷烟包图像模板放入所述缺陷烟包图像模板集。
5.根据权利要求1所述的点检方法，其特征在于：当需要进行模拟检测时，通过点检面板提取一种典型缺陷下的典型缺陷烟包图像模板代替烟包图像向所述质量检测***发送，以便检测质量检测***对该类典型缺陷的剔除功能。
6.根据权利要求1所述的点检方法，其特征在于：当需要进行自动点检时，通过点检面板提取相同规格烟包的典型缺陷烟包图像模板***烟包图像流中向所述质量检测***发送，以便检测质量检测***在连续生产时对缺陷烟包的剔除功能。
7.根据权利要求1所述的点检方法，其特征在于：当需要进行***效验时，通过点检面板提取所述典型缺陷烟包图像模板向所述质量检测***发送，而不必运行生产线上其他设备。
8.根据权利要求6所述的点检方法，其特征在于，所述自动点检过程包括以下步骤：
步骤1，按工位依次触发光源开灯、并获得当前烟包图像；
步骤2，调取相同规格烟包的典型缺陷烟包图像模板替代当前烟包图像向所述质量检测***发送；
步骤3，所述质量检测***判断是否为缺陷，如果不是，判断当前生产线不合格，如果是，执行步骤4；
步骤4，触发剔除传感器，如果不能成功触发，判断当前生产线不合格，如果能够触发，执行步骤5；
步骤5，结束自动点检，并判断当前生产线合格。
步骤6，输出当前生产线的自动点检报告。
9.一种烟机设备质量检测***点检装置，包括数据服务器、通信接口和点检面板；
所述数据服务器，建立有烟包图像模板库；所述烟包图像模板库存储合格烟包图像模板和缺陷烟包图像模板；所述缺陷烟包图像模板包括典型缺陷烟包图像模板；所述典型缺陷烟包图像模板由图像识别模块在缺陷烟包图像模板中动态标记；
所述通信接口，与质量检测***的图像输入接口通信连接；
所述点检面板，包括点检按钮；所述点检面板在其点检按钮被触发后，从所述数据服务器提取典型缺陷烟包图像模板，并通过所述通信接口将所述典型缺陷烟包图像模板输入所述质量检测***的图像输入接口。
10.根据权利要求9所述的烟机设备质量检测***点检装置，其特征在于，包括图像识别模块；所述图像识别模块与所述数据服务器通信连接，以便读取其烟包图像模板库的烟包图像模板，并为烟包图像模板库的烟包图像模板写入标记属性；所述标记属性包括典型缺陷。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011369942.9A CN112557399B (zh) | 2020-11-30 | 2020-11-30 | 一种烟机设备质量检测***点检方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011369942.9A CN112557399B (zh) | 2020-11-30 | 2020-11-30 | 一种烟机设备质量检测***点检方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112557399A true CN112557399A (zh) | 2021-03-26 |
| CN112557399B CN112557399B (zh) | 2022-11-22 |
Family
ID=75045251
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011369942.9A Active CN112557399B (zh) | 2020-11-30 | 2020-11-30 | 一种烟机设备质量检测***点检方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112557399B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113942714A (zh) * | 2021-11-10 | 2022-01-18 | 云南烟草机械有限责任公司 | 一种能对烟支进行外观检测的烟包拆检装置及其拆检方法 |
| CN117890379A (zh) * | 2024-02-22 | 2024-04-16 | 宁德时代新能源科技股份有限公司 | 极耳超声波焊接检测***及点检方法 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110157226A1 (en) * | 2009-12-29 | 2011-06-30 | Ptucha Raymond W | Display system for personalized consumer goods |
| JP2012194059A (ja) * | 2011-03-16 | 2012-10-11 | Tokyo Electron Ltd | 画像作成方法、基板検査方法、その画像作成方法又はその基板検査方法を実行させるためのプログラムを記録した記録媒体及び基板検査装置 |
| CN103512888A (zh) * | 2013-06-05 | 2014-01-15 | 北京化工大学 | 一种基于图像识别技术的烟包封条缺陷检测*** |
| CN108107054A (zh) * | 2017-12-08 | 2018-06-01 | 云南昆船设计研究院 | 一种在线烟支缺陷视觉检测***及方法 |
| US20180342050A1 (en) * | 2016-04-28 | 2018-11-29 | Yougetitback Limited | System and method for detection of mobile device fault conditions |
| CN109241983A (zh) * | 2018-09-13 | 2019-01-18 | 电子科技大学 | 一种图像处理与神经网络结合的条烟图像识别方法 |
| CN109345513A (zh) * | 2018-09-13 | 2019-02-15 | 红云红河烟草(集团)有限责任公司 | 一种具有烟包姿态计算的卷烟包装缺陷检测方法 |
| CN109507209A (zh) * | 2019-01-22 | 2019-03-22 | 中科院金华信息技术有限公司 | 一种薄膜印刷缺陷检测***及方法 |
| CN109911280A (zh) * | 2019-01-18 | 2019-06-21 | 红云红河烟草(集团)有限责任公司 | 一种烟包外观缺陷的检测方法及*** |
| US20190303717A1 (en) * | 2018-03-28 | 2019-10-03 | Kla-Tencor Corporation | Training a neural network for defect detection in low resolution images |
| CN110378618A (zh) * | 2019-07-26 | 2019-10-25 | 杭州安脉盛智能技术有限公司 | 基于在线烟丝表面缺陷检测的质量评价方法及*** |
| KR102043664B1 (ko) * | 2019-04-29 | 2019-12-05 | 주식회사 에이치비테크놀러지 | 기판 내 결함을 검출하고 리페어하는 오토 리페어 시스템 및 방법 |
| WO2019233341A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
| US20200005449A1 (en) * | 2018-06-29 | 2020-01-02 | Utechzone Co., Ltd. | Defect inspection system and method using artificil intelligence |
| CN110907472A (zh) * | 2019-11-15 | 2020-03-24 | 河南中烟工业有限责任公司 | 一种在线卷烟产品包装的图像识别*** |
| CN111096473A (zh) * | 2019-12-23 | 2020-05-05 | 中国电子科技集团公司第四十一研究所 | 一种卷接机烟支滤嘴缺陷在线检测装置及方法 |
| CN111122597A (zh) * | 2019-12-12 | 2020-05-08 | 河南中烟工业有限责任公司 | 一种包装机烟包缺陷视觉检测***及检测方法 |
| CN111721947A (zh) * | 2019-03-21 | 2020-09-29 | 红塔烟草(集团)有限责任公司 | 一种烟包图像检测自动分析优化*** |
| US20200349875A1 (en) * | 2018-07-02 | 2020-11-05 | Beijing Baidu Netcom Science Technology Co., Ltd. | Display screen quality detection method, apparatus, electronic device and storage medium |
-
2020
- 2020-11-30 CN CN202011369942.9A patent/CN112557399B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20110157226A1 (en) * | 2009-12-29 | 2011-06-30 | Ptucha Raymond W | Display system for personalized consumer goods |
| JP2012194059A (ja) * | 2011-03-16 | 2012-10-11 | Tokyo Electron Ltd | 画像作成方法、基板検査方法、その画像作成方法又はその基板検査方法を実行させるためのプログラムを記録した記録媒体及び基板検査装置 |
| CN103512888A (zh) * | 2013-06-05 | 2014-01-15 | 北京化工大学 | 一种基于图像识别技术的烟包封条缺陷检测*** |
| US20180342050A1 (en) * | 2016-04-28 | 2018-11-29 | Yougetitback Limited | System and method for detection of mobile device fault conditions |
| CN108107054A (zh) * | 2017-12-08 | 2018-06-01 | 云南昆船设计研究院 | 一种在线烟支缺陷视觉检测***及方法 |
| US20190303717A1 (en) * | 2018-03-28 | 2019-10-03 | Kla-Tencor Corporation | Training a neural network for defect detection in low resolution images |
| WO2019233341A1 (zh) * | 2018-06-08 | 2019-12-12 | Oppo广东移动通信有限公司 | 图像处理方法、装置、计算机可读存储介质和计算机设备 |
| US20200005449A1 (en) * | 2018-06-29 | 2020-01-02 | Utechzone Co., Ltd. | Defect inspection system and method using artificil intelligence |
| US20200349875A1 (en) * | 2018-07-02 | 2020-11-05 | Beijing Baidu Netcom Science Technology Co., Ltd. | Display screen quality detection method, apparatus, electronic device and storage medium |
| CN109345513A (zh) * | 2018-09-13 | 2019-02-15 | 红云红河烟草(集团)有限责任公司 | 一种具有烟包姿态计算的卷烟包装缺陷检测方法 |
| CN109241983A (zh) * | 2018-09-13 | 2019-01-18 | 电子科技大学 | 一种图像处理与神经网络结合的条烟图像识别方法 |
| CN109911280A (zh) * | 2019-01-18 | 2019-06-21 | 红云红河烟草(集团)有限责任公司 | 一种烟包外观缺陷的检测方法及*** |
| CN109507209A (zh) * | 2019-01-22 | 2019-03-22 | 中科院金华信息技术有限公司 | 一种薄膜印刷缺陷检测***及方法 |
| CN111721947A (zh) * | 2019-03-21 | 2020-09-29 | 红塔烟草(集团)有限责任公司 | 一种烟包图像检测自动分析优化*** |
| KR102043664B1 (ko) * | 2019-04-29 | 2019-12-05 | 주식회사 에이치비테크놀러지 | 기판 내 결함을 검출하고 리페어하는 오토 리페어 시스템 및 방법 |
| CN110378618A (zh) * | 2019-07-26 | 2019-10-25 | 杭州安脉盛智能技术有限公司 | 基于在线烟丝表面缺陷检测的质量评价方法及*** |
| CN110907472A (zh) * | 2019-11-15 | 2020-03-24 | 河南中烟工业有限责任公司 | 一种在线卷烟产品包装的图像识别*** |
| CN111122597A (zh) * | 2019-12-12 | 2020-05-08 | 河南中烟工业有限责任公司 | 一种包装机烟包缺陷视觉检测***及检测方法 |
| CN111096473A (zh) * | 2019-12-23 | 2020-05-05 | 中国电子科技集团公司第四十一研究所 | 一种卷接机烟支滤嘴缺陷在线检测装置及方法 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113942714A (zh) * | 2021-11-10 | 2022-01-18 | 云南烟草机械有限责任公司 | 一种能对烟支进行外观检测的烟包拆检装置及其拆检方法 |
| CN117890379A (zh) * | 2024-02-22 | 2024-04-16 | 宁德时代新能源科技股份有限公司 | 极耳超声波焊接检测***及点检方法 |
| CN117890379B (zh) * | 2024-02-22 | 2024-07-16 | 宁德时代新能源科技股份有限公司 | 极耳超声波焊接检测***及点检方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112557399B (zh) | 2022-11-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112557399B (zh) | 一种烟机设备质量检测***点检方法及装置 | |
| CN110274908A (zh) | 缺陷检查装置、缺陷检查方法以及计算机可读记录介质 | |
| CA2708628C (en) | Assisting failure mode and effects analysis of a system comprising a plurality of components | |
| CN110648490B (zh) | 适用于嵌入式平台的多因子火焰识别方法 | |
| JP2019095217A (ja) | 外観検査装置 | |
| CN110008962A (zh) | 基于注意力机制的弱监督语义分割方法 | |
| CN110378618A (zh) | 基于在线烟丝表面缺陷检测的质量评价方法及*** | |
| US20220284699A1 (en) | System and method of object detection using ai deep learning models | |
| CN109918296A (zh) | 软件自动化测试方法及装置 | |
| KR102174424B1 (ko) | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 | |
| KR20210122429A (ko) | 영상 딥러닝을 이용한 ai 기반 화장품 용기 인쇄 제조 공정에서의 자동 결함 탐지 방법 및 시스템 | |
| CN111707677A (zh) | 一种pcb外观检测方法及装置 | |
| CN109685756A (zh) | 影像特征自动辨识装置、***及方法 | |
| CN110163084A (zh) | 操作员动作监督方法、装置及电子设备 | |
| KR20230023263A (ko) | 딥러닝 기반 하수도 결함 감지 방법 및 그 장치 | |
| KR20220063501A (ko) | 머신러닝 학습모델 업데이트 방법 | |
| CN206286224U (zh) | 一种烟箱循环利用防错纠错装置 | |
| US20240046617A1 (en) | Machine Learning-Based Generation of Rule-Based Classification Recipes for Inspection System | |
| Suwa et al. | PCLEARN: A model for learning perceptual-chunks | |
| WO2021170518A1 (en) | Automatic spreader for fabrics comprising an identification system for defects and relative method | |
| CN107729635A (zh) | 半导体芯片合格性检查方法及装置 | |
| CN113192068A (zh) | 应用于印制线板的ai视觉检测*** | |
| CN106934425A (zh) | 一种基于深度学习的工业产品清点方法 | |
| CN111612788B (zh) | 一种缺陷识别方法、装置和电子设备 | |
| CN117935174B (zh) | 真空袋膜生产线的智能化管理***及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |