CN112927190A - 基于深度学习的Type-C多工位多缺陷统一测量*** - Google Patents
基于深度学习的Type-C多工位多缺陷统一测量*** Download PDFInfo
- Publication number
- CN112927190A CN112927190A CN202110122997.8A CN202110122997A CN112927190A CN 112927190 A CN112927190 A CN 112927190A CN 202110122997 A CN202110122997 A CN 202110122997A CN 112927190 A CN112927190 A CN 112927190A
- Authority
- CN
- China
- Prior art keywords
- type
- light source
- defect
- deep learning
- camera
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 47
- 238000005259 measurement Methods 0.000 title claims description 18
- 230000007547 defect Effects 0.000 claims abstract description 129
- 238000001514 detection method Methods 0.000 claims abstract description 96
- 230000000007 visual effect Effects 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims description 10
- 238000003384 imaging method Methods 0.000 claims description 10
- 239000000969 carrier Substances 0.000 claims description 4
- 239000011435 rock Substances 0.000 claims description 2
- 230000032258 transport Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 5
- 239000003086 colorant Substances 0.000 description 4
- 239000000463 material Substances 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 2
- 230000031700 light absorption Effects 0.000 description 2
- 241001268993 Heterochrosis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003825 pressing Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2431—Multiple classes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种基于深度学习的Type‑C多工位多缺陷统一测量***，包括检测载具、运动模组和视觉***，所述检测载具用于装载待检测Type‑C，所述运动模组用于将待检测Type‑C运送至多工位视觉***，所述视觉***用于检测Type‑C的多种表面缺陷。本发明通过深度学习算法得到的缺陷模型库进行特征对比，实现缺陷的识别与分类，提高了Type‑C表面缺陷的检测速度与精确度，满足生产现场检测缺陷等需求。
Description
技术领域
本发明属于检测技术领域，涉及到表面缺陷检测，具体涉及一种基于深度学习的Type-C多工位多缺陷统一测量***。
背景技术
USB Type-C，简称Type-C，是一种通用串行总线(USB)的硬件接口形式，其规范由USB开发者论坛(USB-IF)发布。它的特点在于更加纤薄的设计、更快的传输速度(USB3.1最高10Gbps)以及更强悍的电力传输(最高100W)，更重要的是Type-C插接口支持USB接口双面***，正式解决了“USB永远插不准”的世界性难题。在USB Type-C规范发布后，许多新款的Android移动设备、笔记本电脑、台式机甚至是游戏机等3C设备开始使用这种连接端口。
Type-C设计非常纤薄，可以正反使用，能够连接PC、手机、存储设备等多种设备，实现数据传输与供电的统一，被广泛用于各种电子设备中。但Type-C制作工艺复杂，在加工过程中，表面不可避免的会产生刮花、压点、脏污等缺陷，这些缺陷会影响产品美观甚至使其应用性能下降，所以需要对Type-C进行表面缺陷检测。
现有技术中存在的主要问题包括：
对Type-C的表面缺陷进行检测的方法包括人工检测方法和自动检测方法。目前最常用的检测方法为人工检测方法，但人工检测方法存在精度低、劳动力大、易受检测者主观影响等问题。此外，自动缺陷检测方式，如基于机器视觉的缺陷识别方法，通过采用相机对产品表面拍照获得缺陷图片，通过图像处理实现缺陷检测。对于这种检测方式，由于不同缺陷对光线吸收程度不同，因此在不同光源类型下相机拍摄得到的缺陷图像所展示的缺陷类型不同，在单一光源下很难展示所有缺陷，此外，由一张图像检测所有缺陷类型算法复杂，实现困难。因此，迫切需要提出一种新的缺陷检测方式能够尽可能方便、快速、高效的检测出Type-C表面的多种缺陷。
发明内容
针对现有技术中存在的上述问题，本发明提供了一种基于深度学习的Type-C多工位多缺陷统一测量***，通过深度学习算法得到的缺陷模型库进行特征对比，实现缺陷的识别与分类，提高了Type-C表面缺陷的检测速度与精确度，满足生产现场检测缺陷等需求。
为此，本发明采用了以下技术方案：
一种基于深度学习的Type-C多工位多缺陷统一测量***，包括检测载具、运动模组和视觉***，所述检测载具用于装载待检测Type-C，所述运动模组用于将待检测Type-C运送至多工位视觉***，所述视觉***用于检测Type-C的多种表面缺陷。
优选地，所述检测载具包括仿形定位治具、真空吸气装置和治具连接板，所述仿形定位治具与治具连接板连接；所述仿形定位治具根据Type-C形状仿形设计。
优选地，所述仿形定位治具装载一组12块Type-C，并由真空吸气装置保证Type-C在运动检测过程中不会晃动。
优选地，所述运动模组包括装置台、左治具、右治具、第一滑块、第二滑块和直线电机；所述装置台表面设置有轨道；所述左治具、右治具通过治具连接板分别与第一滑块、第二滑块连接；所述直线电机带两个动子，安装在装置台上，分别驱动第一滑块、第二滑块沿装置台表面轨道移动。
优选地，所述左治具和右治具均为检测载具。
优选地，所述视觉***包括2D视觉成像与3D激光高度点云判断。
优选地，所述2D视觉成像设置有六个工位，包括六个CCD相机、六个镜头和六种光源；所述六个CCD相机相同，均采用500万像素相机，分别是第一相机、第二相机、第三相机、第四相机、第五相机、第六相机，其中，第一相机、第二相机、第三相机分别与第六相机、第五相机、第四相机在竖直方向关于左治具和右治具所在平面上下对称布置；所述六个镜头相同，均采用百万级镜头；所述六种光源分别是第一光源、第二光源、第三光源、第四光源、第五光源、第六光源，其中，第五光源与第四光源的光源类型相同，均采用低角度环形光源，用于检测Type-C表面划伤、模印缺陷；第六光源与第三光源的光源类型相同，均采用同轴光源，用于检测Type-C表面亮印、压点缺陷；第一光源与第二光源的光源类型相同，均采用圆顶光源，用于检测Type-C表面脏污、异色缺陷；所述第五光源、第六光源、第一光源位于所述检测载具上方，用于检测Type-C正面缺陷；所述第四光源、第三光源、第二光源位于所述检测载具下方，用于检测Type-C背面缺陷。
优选地，所述3D激光高度点云判断包括第一线激光和第二线激光，所述第一线激光位于检测载具上方，用于检测Type-C正面变形鼓包；所述第二线激光位于检测载具下方，用于检测Type-C背面变形鼓包。
优选地，还包括深度学习检测模块，所述深度学习检测模块通过传输接口与视觉***连接，获得缺陷图像信息。
优选地，所述深度学习检测模块将所得缺陷图像信息与模型库进行对比，通过深度学习检测网络、判别网络进行缺陷判定，并输出缺陷分类结果。
上述深度学习检测模块，其中，所述模型库通过收集缺陷样品，用CCD相机拍照，保存成像图片，进行样本图片缺陷标注，训练出检测模型库。所述模型库在缺陷检测过程中遇到新增缺陷类型将进行模型优化更新。
与现有技术相比，本发明的有益效果是：
本发明提出一种基于深度学习的Type-C多工位多缺陷统一测量***，设置六个工位，采用六个CCD相机，通过左治具与右治具交替扫描的方式进行表面缺陷检测，在一次扫描中可分别获得Type-C正、反面在三种不同光源下的三幅缺陷图像，检测不同缺陷，并通过线激光方式检测出Type-C正反表面的鼓包，采用深度处理算法直接将所得缺陷图像信息与缺陷模型库进行缺陷类型的对比与分类，大大提高了缺陷检测速度与缺陷检测精度。
附图说明
图1是本发明所提供的一种基于深度学习的Type-C多工位多缺陷统一测量***的总体结构示意图。
图2是检测载具的结构示意图。
图3是运动模组的结构示意图。
图4是视觉***的结构示意图。
图5是深度学习检测模块缺陷检测流程图。
图6是左治具进入视觉***工作区域方向及相对位置示意图。
图7是本发明实施例所提供的一种基于深度学习的Type-C多工位多缺陷检测***进行Type-C表面多缺陷检测的流程示意图。
附图标记说明：1、仿形定位治具；2、治具连接板；3、左治具；4、第一滑块；5、右治具；6、第二滑块；7、直线电机；8、装置台；9、第一相机；10、第二相机；11、第三相机；12、镜头；13、第一线激光；14、第一光源；15、第二光源；16、第二线激光；17、第四相机；18、第五相机；19、第六相机；20、第三光源；21、第四光源；22、第五光源；23、第六光源；24、检测网络；25、判别网络。
具体实施方式
下面结合附图以及具体实施例来详细说明本发明，其中的具体实施例以及说明仅用来解释本发明，但并不作为对本发明的限定。
如图1所示，本发明公开了一种基于深度学习的Type-C多工位多缺陷统一测量***，包括检测载具、运动模组和视觉***，所述检测载具用于装载待检测Type-C，所述运动模组用于将待检测Type-C运送至多工位视觉***，所述视觉***用于检测Type-C的多种表面缺陷。
具体地，如图2所示，所述检测载具包括仿形定位治具1、真空吸气装置和治具连接板2，所述仿形定位治具1与治具连接板2连接；所述仿形定位治具1根据Type-C形状仿形设计。
所述仿形定位治具1装载一组12块Type-C，并由真空吸气装置保证Type-C在运动检测过程中不会晃动。
具体地，如图3所示，所述运动模组包括装置台8、左治具3、右治具5、第一滑块4、第二滑块6和直线电机7；所述装置台8表面设置有轨道；所述左治具3、右治具5通过治具连接板2分别与第一滑块4、第二滑块6连接；所述直线电机7带两个动子，安装在装置台8上，分别驱动第一滑块4、第二滑块6沿装置台8表面轨道移动。
所述左治具3和右治具5均为检测载具。
具体地，如图4所示，所述视觉***包括2D视觉成像与3D激光高度点云判断。
所述2D视觉成像设置有六个工位，包括六个CCD相机、六个镜头12和六种光源；所述六个CCD相机相同，均采用500万像素相机，分别是第一相机9、第二相机10、第三相机11、第四相机17、第五相机18、第六相机19，其中，第一相机9、第二相机10、第三相机11分别与第六相机19、第五相机18、第四相机17在竖直方向关于左治具3和右治具5所在平面上下对称布置；所述六个镜头12相同，均采用百万级镜头；所述六种光源分别是第一光源14、第二光源15、第三光源20、第四光源21、第五光源22、第六光源23，其中，第五光源22与第四光源21的光源类型相同，均采用低角度环形光源，用于检测Type-C表面划伤、模印缺陷；第六光源23与第三光源20的光源类型相同，均采用同轴光源，用于检测Type-C表面亮印、压点缺陷；第一光源14与第二光源15的光源类型相同，均采用圆顶光源，用于检测Type-C表面脏污、异色缺陷；所述第五光源22、第六光源23、第一光源14位于所述检测载具上方，用于检测Type-C正面缺陷；所述第四光源21、第三光源20、第二光源15位于所述检测载具下方，用于检测Type-C背面缺陷。
所述3D激光高度点云判断包括第一线激光13和第二线激光16，所述第一线激光13位于检测载具上方，用于检测Type-C正面变形鼓包；所述第二线激光16位于检测载具下方，用于检测Type-C背面变形鼓包。
具体地，还包括深度学习检测模块，所述深度学习检测模块通过传输接口与视觉***连接，获得缺陷图像信息。
如图5所示，所述深度学习检测模块将所得缺陷图像信息与模型库进行对比，通过深度学习检测网络24、判别网络25进行缺陷判定，并输出缺陷分类结果。
实施例
在Type-C表面缺陷检测中，主要缺陷类型有刮花、压点、模印、脏污、异色、亮印等。由于不同缺陷类型对光线吸收程度不同，使不同缺陷在不同光源下表现清晰度不同，通过同一种光源得到的图像，无法保证检测出所有缺陷类型；在后续图像处理过程中进行缺陷分类，根据一张图像而检测出所有缺陷特征，会包含一些冗余特征量，使得算法复杂，实现困难。本发明通过多工位、多光源的设计，结合深度学习算法能够快速、高效的检测Type-C表面多种缺陷。
本发明所提供的一种基于深度学习的Type-C多工位多缺陷统一测量***的检测流程如图7所示，具体实现步骤如下：
S1：搭建基于深度学习的Type-C多工位多缺陷统一测量***。
该缺陷检测***包括检测载具、运动模组、视觉***以及深度学习检测模块。检测载具包括仿形定位治具1、真空吸气装置和治具连接板2，仿形定位治具1根据Type-C形状仿形设计，和治具连接板2相连接；运动模组包括装置台8、左治具3、右治具5、第一滑块4、第二滑块6和直线电机7，装置台8表面设置轨道，左治具3和右治具5为检测载具，分别和第一滑块4、第二滑块6连接；视觉***包括2D视觉成像与3D激光高度点云判断，其中2D视觉成像设置六个工位，包括六个CCD相机、六个镜头12和六种光源，获得表面缺陷图像；3D激光高度点云判断包括第一线激光13和第二线激光16，检测Type-C表面有无鼓包；深度学习检测模块与视觉***通过传输接口连接获取缺陷图像，将缺陷图像信息与缺陷模型库进行对比识别缺陷并分类。结合图1、图3，检测载具分为左治具3和右治具5，装载待检测Type-C，运动模组中直线电机7驱动左治具3与右治具5依次交替进入视觉***区域范围，深度学习检测模块通过传输接口获取视觉***获得缺陷图像，并对缺陷图像进行特征识别与分类。
S2：检测载具分为左治具3和右治具5装载待检测Type-C，并由真空吸气保证不会晃动。
在检测过程中使用左治具3和右治具5装载待检测Type-C，初始位置状态左治具3和右治具5分别相应置于装置台8两端，称为左初始状态位和右初始状态位，左治具3和右治具5的待检测Type-C的装载过程在初始位置状态完成。待检测Type-C以12块为一组按照对应位置***左治具3与右治具5相应位置，***后，真空吸气开启，保证在进行运动检测时不会出现晃动，避免因运动检测过程中Type-C出现晃动而位置改变，影响缺陷图像拍摄效果从而影响缺陷识别与分类精确度。
S3：运动模组中直线电机7驱动左治具3与右治具5沿装置台8轨道依次运动进入视觉***工作区域范围，并重复S2装载Type-C的过程，通过左治具3检测右治具5装载、左治具3装载右治具5检测节省检测时间。
结合图3、图4所示，运动模组采用直线电机7，带两个动子，并装载左治具3和右治具5，直线电机7驱动左治具3和右治具5沿装置台8轨道运动，依次进入视觉***工作区域。如图6所示，为左治具3进入视觉***工作区域方向及相对位置示意图。开始检测时，完成S2装载过程，直线电机7启动，(a)左治具3由左初始状态位沿装置台8轨道向右运动至视觉***工作区域，检测完成后原路退回至左初始状态位，执行S2步骤，进行左治具3下一组待检测Type-C的装载；(b)此时，右治具5由右初始状态位沿装置台8向左运动至视觉***工作区域，检测完成后原路退回至右初始状态位，执行S2步骤，进行右治具5下一组待检测Type-C的装载。重复(a)、(b)过程，直至检测完成。通过左治具3检测右治具5装载、左治具3装载右治具5检测的方式能够减少机构等待时间，从而缩短检测时间，提高检测速度。
S4：视觉***工作，六个工位的CCD相机在相应光源下，不停歇拍照获取缺陷图像；3D激光高度点云检测Type-C表面鼓包。
结合图4、图6，视觉***完成S3中所述检测过程。视觉***工作，其中2D视觉成像部分由六个相机不停歇拍照，如图4和图6所示，第一相机9、第二相机10、第三相机11分别与第六相机19、第五相机18、第四相机17上下对称布置，运动模组带动检测左治具3和右治具5至视觉***区域范围时，位于上下对称布置的相机之间，第一相机9、第二相机10、第三相机11分别在第五光源22、第六光源23、第一光源14下获取Type-C正面缺陷图像，记为PhA、PhC、PhE，第六相机19、第五相机18、第四相机17分别在第四光源21、第三光源20、第二光源15下获取Type-C背面缺陷图像，记为PhB、PhD、PhF。其中，六个相机均采用500万像素相机，六个镜头12均采用百万级镜头；第五光源22与第四光源21采用低角度环形光源，检测Type-C正面和背面的划伤、模印缺陷；第六光源23与第三光源20采用同轴光源，检测Type-C正面和背面的亮印、压点缺陷；第一光源14和第二光源15采用圆顶光源，检测Type-C正面和背面的脏污、异色缺陷。
通过相机的上下对称布置在一次扫描过程中能够同时得到Type-C正面和背面的缺陷图像，并且对同一面，正面或背面得到在三种不同光源下的图像，根据不同光源下，缺陷展示清晰度不同，能检测出的缺陷类型不同，获得同一表面的多幅缺陷图像，实现高速、高精的检测Type-C表面缺陷。
S5：深度学习检测模块通过传输接口获取视觉***得到的缺陷图像信息。
深度学习检测模块首先要通过传输接口获取S4中视觉***通过相机获得的多幅缺陷图像信息，以进行下一步的缺陷识别与分类。
S6：深度学习检测模块将缺陷图片信息与缺陷模型库对比，进行缺陷识别与分类。
结合图5所示，为深度学习检测模块进行缺陷识别与分类的过程，模型库的建立在进行缺陷检测前完成。将S5中获取缺陷图像信息与模型库进行特征对比，通过深度学习检测网络24、判别网络25进行缺陷判定，所有缺陷判定以菲林卡为准，判定标准如下：
(1)由图像PhA、PhB与模型库对比通过缺陷长度或个数检测划伤、模印缺陷，判定为划伤缺陷的条件为：单面一条素材划伤时，长度＞3.5mm，单面2条素材划伤时，长度＞1.5mm且两处素材刮花之间的间隔＞5mm，或单面3条及以上素材划伤；判定为模印缺陷的条件为：长度＞3.5mm。
(2)由图像PhC、PhD与模型库对比通过缺陷面积检测亮印、压点缺陷，判定为亮印缺陷的条件为：单面1处亮印时，面积＞0.05mm2，单面2处亮印时，面积＞0.02mm2且2处亮印之间的距离＞5mm，或单面3处及以上亮印；判定位压点缺陷的条件为：单面1处压点时，面积＞0.05mm2，单面2处压点时，面积＞0.02mm2且2处压点之间的间隔＞5mm，或单面3处及以上压点。
(3)由图像PhE、PhF与模型库对比通过缺陷面积检测脏污、异色缺陷，判定为脏污缺陷的条件为：面积＞0.02mm2；判定为异色缺陷的条件为：单面1处异色时，面积＞0.05mm2，单面2处异色时，面积＞0.02mm2且2处异色之间的间隔＞5mm，单面3处及以上异色，或和正常产品对比差异20个灰度值以上判为缺陷。
最后根据判定结果输出缺陷分类结果。
结合图5，在缺陷检测前建立缺陷模型库，首先通过收集缺陷样品，用CCD相机拍照，保存成像图片作为样本图片，在深度学习软件中创建工作区，导入样本图片，并进行样本图片缺陷标注，训练出检测模型库。根据深度学习算法建立的模型库在缺陷检测过程中遇到新增缺陷类型能够进行模型库的优化更新，使模型库不断完善，缺陷检测精确度也将进一步提高。
以上所述仅为本发明的较佳实施例，并不用于限制本发明，凡在本发明的精神和原则范围之内所作的任何修改、等同替换以及改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的Type-C多工位多缺陷统一测量***，其特征在于：包括检测载具、运动模组和视觉***，所述检测载具用于装载待检测Type-C，所述运动模组用于将待检测Type-C运送至多工位视觉***，所述视觉***用于检测Type-C的多种表面缺陷。
2.根据权利要求1所述的一种基于深度学习的Type-C多工位多缺陷统一测量***，其特征在于：所述检测载具包括仿形定位治具(1)、真空吸气装置和治具连接板(2)，所述仿形定位治具(1)与治具连接板(2)连接；所述仿形定位治具(1)根据Type-C形状仿形设计。
3.根据权利要求2所述的一种基于深度学习的Type-C多工位多缺陷统一测量***，其特征在于：所述仿形定位治具(1)装载一组12块Type-C，并由真空吸气装置保证Type-C在运动检测过程中不会晃动。
4.根据权利要求2所述的一种基于深度学习的Type-C多工位多缺陷统一测量***，其特征在于：所述运动模组包括装置台(8)、左治具(3)、右治具(5)、第一滑块(4)、第二滑块(6)和直线电机(7)；所述装置台(8)表面设置有轨道；所述左治具(3)、右治具(5)通过治具连接板(2)分别与第一滑块(4)、第二滑块(6)连接；所述直线电机(7)带两个动子，安装在装置台(8)上，分别驱动第一滑块(4)、第二滑块(6)沿装置台(8)表面轨道移动。
5.根据权利要求4所述的一种基于深度学习的Type-C多工位多缺陷统一测量***，其特征在于：所述左治具(3)和右治具(5)均为检测载具。
6.根据权利要求1所述的一种基于深度学习的Type-C多工位多缺陷统一测量***，其特征在于：所述视觉***包括2D视觉成像与3D激光高度点云判断。
7.根据权利要求6所述的一种基于深度学***面上下对称布置；所述六个镜头(12)相同，均采用百万级镜头；所述六种光源分别是第一光源(14)、第二光源(15)、第三光源(20)、第四光源(21)、第五光源(22)、第六光源(23)，其中，第五光源(22)与第四光源(21)的光源类型相同，均采用低角度环形光源，用于检测Type-C表面划伤、模印缺陷；第六光源(23)与第三光源(20)的光源类型相同，均采用同轴光源，用于检测Type-C表面亮印、压点缺陷；第一光源(14)与第二光源(15)的光源类型相同，均采用圆顶光源，用于检测Type-C表面脏污、异色缺陷；所述第五光源(22)、第六光源(23)、第一光源(14)位于所述检测载具上方，用于检测Type-C正面缺陷；所述第四光源(21)、第三光源(20)、第二光源(15)位于所述检测载具下方，用于检测Type-C背面缺陷。
8.根据权利要求6所述的一种基于深度学习的Type-C多工位多缺陷统一测量***，其特征在于：所述3D激光高度点云判断包括第一线激光(13)和第二线激光(16)，所述第一线激光(13)位于检测载具上方，用于检测Type-C正面变形鼓包；所述第二线激光(16)位于检测载具下方，用于检测Type-C背面变形鼓包。
9.根据权利要求1-8中任一项所述的一种基于深度学习的Type-C多工位多缺陷统一测量***，其特征在于：还包括深度学习检测模块，所述深度学习检测模块通过传输接口与视觉***连接，获得缺陷图像信息。
10.根据权利要求9所述的一种基于深度学习的Type-C多工位多缺陷统一测量***，其特征在于：所述深度学习检测模块将所得缺陷图像信息与模型库进行对比，通过深度学习检测网络(24)、判别网络(25)进行缺陷判定，并输出缺陷分类结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110122997.8A CN112927190B (zh) | 2021-01-29 | 基于深度学习的Type-C多工位多缺陷统一测量*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110122997.8A CN112927190B (zh) | 2021-01-29 | 基于深度学习的Type-C多工位多缺陷统一测量*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112927190A true CN112927190A (zh) | 2021-06-08 |
| CN112927190B CN112927190B (zh) | 2024-07-02 |
Family
ID=
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113984785A (zh) * | 2021-10-21 | 2022-01-28 | 上海帆声图像科技有限公司 | 模组外观复判检测设备 |
| CN117434073A (zh) * | 2023-12-19 | 2024-01-23 | 深圳市玻尔智造科技有限公司 | 一种Type-C金属表面自动化光学检测装置和方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080015802A1 (en) * | 2006-07-14 | 2008-01-17 | Yuta Urano | Defect Inspection Method and Apparatus |
| CN208043682U (zh) * | 2018-01-12 | 2018-11-02 | 嵊州市东浩电子科技有限公司 | 一种导光板缺陷自动视觉检测装置 |
| CN110142230A (zh) * | 2019-05-23 | 2019-08-20 | 北京阿丘机器人科技有限公司 | 一种检测外观缺陷的方法及装置 |
| CN110441316A (zh) * | 2019-08-15 | 2019-11-12 | 速博达(深圳)自动化有限公司 | 电池表面缺陷检测方法及检测*** |
| CN110567977A (zh) * | 2019-10-11 | 2019-12-13 | 湖南讯目科技有限公司 | 曲面玻璃缺陷检测***及方法 |
| CN110579485A (zh) * | 2019-09-30 | 2019-12-17 | 华南理工大学 | 一种智能手机玻璃盖板表面缺陷快速检测装置与方法 |
| CN112184648A (zh) * | 2020-09-22 | 2021-01-05 | 苏州中科全象智能科技有限公司 | 一种基于深度学习的活塞表面缺陷检测方法及*** |
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080015802A1 (en) * | 2006-07-14 | 2008-01-17 | Yuta Urano | Defect Inspection Method and Apparatus |
| CN208043682U (zh) * | 2018-01-12 | 2018-11-02 | 嵊州市东浩电子科技有限公司 | 一种导光板缺陷自动视觉检测装置 |
| CN110142230A (zh) * | 2019-05-23 | 2019-08-20 | 北京阿丘机器人科技有限公司 | 一种检测外观缺陷的方法及装置 |
| CN110441316A (zh) * | 2019-08-15 | 2019-11-12 | 速博达(深圳)自动化有限公司 | 电池表面缺陷检测方法及检测*** |
| CN110579485A (zh) * | 2019-09-30 | 2019-12-17 | 华南理工大学 | 一种智能手机玻璃盖板表面缺陷快速检测装置与方法 |
| CN110567977A (zh) * | 2019-10-11 | 2019-12-13 | 湖南讯目科技有限公司 | 曲面玻璃缺陷检测***及方法 |
| CN112184648A (zh) * | 2020-09-22 | 2021-01-05 | 苏州中科全象智能科技有限公司 | 一种基于深度学习的活塞表面缺陷检测方法及*** |
Non-Patent Citations (2)
| Title |
|---|
| JING YANG等: "Real-Time Tiny Part Defect Detection System in Manufacturing Using Deep Learning", 《IEEE ACCESS》, vol. 7, 28 June 2019 (2019-06-28), pages 89278 - 89291, XP011735303, DOI: 10.1109/ACCESS.2019.2925561 * |
| 文青: "基于机器视觉的注塑件Disc与电池外观检测研究", 《中国优秀硕士学位论文全文数据库》, no. 02, 15 February 2018 (2018-02-15), pages 016 - 203 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113984785A (zh) * | 2021-10-21 | 2022-01-28 | 上海帆声图像科技有限公司 | 模组外观复判检测设备 |
| CN117434073A (zh) * | 2023-12-19 | 2024-01-23 | 深圳市玻尔智造科技有限公司 | 一种Type-C金属表面自动化光学检测装置和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110579485B (zh) | 一种智能手机玻璃盖板表面缺陷快速检测装置与方法 | |
| CN110567976B (zh) | 基于机器视觉的手机盖板丝印缺陷检测装置及检测方法 | |
| CN111982921A (zh) | 孔缺陷的检测方法、装置、传送平台及存储介质 | |
| CN113418933B (zh) | 用于检测大尺寸物体的飞拍视觉成像检测***及方法 | |
| CN105973898A (zh) | 一种智能终端触摸屏保护盖板的检测装置 | |
| CN108156359A (zh) | 智能工业相机 | |
| CN100462672C (zh) | 影像量测***及方法 | |
| CN111435429B (zh) | 一种基于双目立体数据动态认知的手势识别方法及*** | |
| CN107507130A (zh) | 一种快速的qfn芯片引脚图像获取与放大方法 | |
| CN117761060A (zh) | 一种视觉检测***及其检测方法 | |
| CN112927190A (zh) | 基于深度学习的Type-C多工位多缺陷统一测量*** | |
| CN110658215B (zh) | 一种基于机器视觉的pcb板自动拼接检测方法与装置 | |
| CN205581027U (zh) | 一种高精度视觉成像*** | |
| CN112097684A (zh) | 一种基于多姿态带结构光的视觉测量***及测量方法 | |
| CN112927190B (zh) | 基于深度学习的Type-C多工位多缺陷统一测量*** | |
| CN215574705U (zh) | 检测装置 | |
| CN214504438U (zh) | 一种无色差立体字符图像采集*** | |
| CN113160147B (zh) | 热处理工件图像特征识别匹配*** | |
| JP2002042112A (ja) | 回路基板の部品実装検査方法及びそのシステム | |
| CN209935295U (zh) | 一种音量键外观aoi检测设备 | |
| CN102865836A (zh) | 一种扫描式图像检测方法 | |
| CN113538323A (zh) | 基于深度学习的缺陷检测方法和*** | |
| TWI794899B (zh) | 晶片表面檢測系統 | |
| CN111447366B (zh) | 运输方法、运输装置、电子装置及计算机可读存储介质 | |
| CN114170246B (zh) | 一种精密位移平台的定位方法 |
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 | ||
| CB02 | Change of applicant information |
Country or region after: China Address after: 523000 Building 12, No. 6, Shangsha Zhongnan Road, Chang'an Town, Dongguan City, Guangdong Province Applicant after: Guangdong Samson Technology Co.,Ltd. Address before: 523841 No.3, West Zhongnan Road, Haibin District, Shangsha, Chang'an Town, Dongguan City, Guangdong Province Applicant before: DONGGUAN SAMSUN OPTICAL TECHNOLOGY Co.,Ltd. Country or region before: China |
|
| CB02 | Change of applicant information | ||
| GR01 | Patent grant |