CN117252486B - 基于物联网的汽车零配件缺陷检测方法及*** - Google Patents
基于物联网的汽车零配件缺陷检测方法及*** Download PDFInfo
- Publication number
- CN117252486B CN117252486B CN202311509665.0A CN202311509665A CN117252486B CN 117252486 B CN117252486 B CN 117252486B CN 202311509665 A CN202311509665 A CN 202311509665A CN 117252486 B CN117252486 B CN 117252486B
- Authority
- CN
- China
- Prior art keywords
- spare
- automobile
- internal
- production
- parts
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 257
- 238000001514 detection method Methods 0.000 title claims abstract description 106
- 238000004519 manufacturing process Methods 0.000 claims abstract description 228
- 238000000034 method Methods 0.000 claims abstract description 187
- 230000002159 abnormal effect Effects 0.000 claims abstract description 30
- 230000002950 deficient Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000010438 heat treatment Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000004381 surface treatment Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005336 cracking Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4409—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison
- G01N29/4418—Processing the detected response signal, e.g. electronic circuits specially adapted therefor by comparison with a model, e.g. best-fit, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- 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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Y—INFORMATION AND COMMUNICATION TECHNOLOGY SPECIALLY ADAPTED FOR THE INTERNET OF THINGS [IoT]
- G16Y10/00—Economic sectors
- G16Y10/25—Manufacturing
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Manufacturing & Machinery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Accounting & Taxation (AREA)
- Computing Systems (AREA)
- Signal Processing (AREA)
- Game Theory and Decision Science (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- General Factory Administration (AREA)
Abstract
基于物联网的汽车零配件缺陷检测方法及***,涉及缺陷检测技术领域,包括以下步骤:获得汽车零配件的表面数据和内部数据;获得表面缺陷零配件和内部缺陷零配件;构建汽车零配件的表面缺陷检测模型,对汽车零配件是否存在表面缺陷进行判断;构建汽车零配件的内部缺陷检测模型,对汽车零配件是否存在内部缺陷进行判断;获得缺陷概率,判断是否存在异常生产情况;通过本发明的技术方案,能够及时地发现存在缺陷的未完成生产的汽车零配件,并停止其后续的生产子流程,有利于及时止损,降低汽车零配件生产的总成本。
Description
技术领域
本发明涉及缺陷检测技术领域,具体是基于物联网的汽车零配件缺陷检测方法及***。
背景技术
对于汽车零配件的缺陷检测是指检测汽车零配件是否存在缺陷,例如破损、变形、质量不良等问题,以保障汽车的安全性以及可靠性,常见的检测方法包括外观检查、物理测试、电子检测、材料分析等,在现代汽车工业中,许多汽车零配件的制造和检测都是通过自动化、深度学习等技术来实现的;
在现有技术中,对于汽车零配件的缺陷检测大多是在其已经完成生产后才进行缺陷检测的,而汽车零配件的生产流程通常可分为不同的子流程,许多在其子流程中已经出现了缺陷的汽车零配件没能及时被发现,进而又进入了下一子流程继续被加工制造,而现有技术中,缺乏在汽车零配件的生产子流程中对其进行缺陷检测的方法,导致汽车零配件的生产总成本的居高不下,针对现有技术的不足,本发明提供了基于物联网的汽车零配件缺陷检测方法及***。
发明内容
本发明的目的在于提供基于物联网的汽车零配件缺陷检测方法及***。
本发明的目的可以通过以下技术方案实现:基于物联网的汽车零配件缺陷检测方法,包括以下步骤:
步骤S1:获得汽车零配件的生产全流程,对生产全流程进行划分以获得若干个生产子流程,对汽车零配件在各个生产子流程的表面数据和内部数据进行采集并存储;
步骤S2:获得汽车零配件的零配件标准,根据零配件标准对完成生产的汽车零配件是否存在表面缺陷和内部缺陷分别进行判断,并获得相应的表面缺陷零配件和内部缺陷零配件;
步骤S3:根据表面缺陷零配件的表面数据构建汽车零配件的表面缺陷检测模型,根据表面缺陷检测模型对未完成生产的汽车零配件是否存在表面缺陷进行判断,当汽车零配件出现表面缺陷时停止生产;
步骤S4:根据内部缺陷零配件的内部数据构建汽车零配件的内部缺陷检测模型,根据内部缺陷检测模型对未完成生产的汽车零配件是否存在内部缺陷进行判断,当汽车零配件出现内部缺陷时停止生产;
步骤S5:获得各个生产子流程出现缺陷零配件的缺陷概率,根据缺陷概率对各个生产子流程是否存在异常生产情况进行判断,并生成相应的异常生产信号。
进一步的,获得汽车零配件的生产全流程,对生产全流程进行划分以获得若干个生产子流程的过程包括:
对汽车零配件的生产全流程进行采集,对所获得的汽车零配件的生产全流程进行划分,将其划分为若干个生产子流程。
进一步的,对汽车零配件在各个生产子流程的表面数据和内部数据进行采集并存储的过程包括:
设置表面采集单元以及内部采集单元,通过所述表面采集单元和内部采集单元对汽车零配件在各个生产子流程后的表面数据和内部数据分别进行采集;
设置数据库,对汽车零配件在各个生产子流程中所获得的表面数据和内部数据分别进行命名,并将完成命名的各项表面数据和内部数据上传至数据库进行保存。
进一步的,获得汽车零配件的零配件标准,根据零配件标准对完成生产的汽车零配件是否存在表面缺陷进行判断,并获得相应的表面缺陷零配件的过程包括:
对汽车零配件的零配件标准进行采集,所述零配件标准包括零配件表面标准和零配件内部标准;
将所获得的零配件表面标准和已经完成生产的汽车零配件的表面数据进行比较以判断汽车零配件是否存在表面缺陷,并获得相应的表面缺陷零配件。
进一步的,根据零配件标准对完成生产的汽车零配件是否存在内部缺陷进行判断,并获得相应的内部缺陷零配件的过程包括:
将所获得的零配件内部标准和已经完成生产的汽车零配件的内部数据进行比较以判断汽车零配件是否存在内部缺陷,并获得相应的内部缺陷零配件。
进一步的,根据表面缺陷零配件的表面数据构建汽车零配件的表面缺陷检测模型,根据表面缺陷检测模型对未完成生产的汽车零配件是否存在表面缺陷进行判断,当汽车零配件出现表面缺陷时停止生产的过程包括:
所述表面缺陷检测模型的数量与所述生产子流程的数量相同,并对其分别进行命名;
根据所有表面缺陷零配件在各个生产子流程的表面数据构建各个生产子流程的表面缺陷检测模型,根据所构建的表面缺陷检测模型对其相应的生产子流程内的汽车零配件进行表面缺陷检测以判断其是否存在表面缺陷,当判断汽车零配件在当前生产子流程中出现表面缺陷时,不将其纳入下一生产子流程。
进一步的,根据内部缺陷零配件的内部数据构建汽车零配件的内部缺陷检测模型,根据内部缺陷检测模型对未完成生产的汽车零配件是否存在内部缺陷进行判断,当汽车零配件出现内部缺陷时停止生产的过程包括:
所述内部缺陷检测模型的数量与所述生产子流程的数量相同,并对其分别进行命名;
根据所有内部缺陷零配件在各个生产子流程的内部数据构建各个生产子流程的内部缺陷检测模型,根据所构建的内部缺陷检测模型对其相应的生产子流程内的汽车零配件进行内部缺陷检测以判断其是否存在内部缺陷,当判断汽车零配件在当前生产子流程中出现内部缺陷时,不将其纳入下一生产子流程。
进一步的,获得各个生产子流程出现缺陷零配件的缺陷概率,根据缺陷概率对各个生产子流程是否存在异常生产情况进行判断,并生成相应的异常生产信号的过程包括:
设置生产周期,当达到一个生产周期时,获得当前生产周期内的汽车零配件数量和缺陷零配件数量,获得各个生产子流程的缺陷概率,获得各个生产子流程的概率系数;
设置概率系数阈值,将概率系数与概率系数阈值进行比较,根据比较结果判断各个生产子流程是否存在异常生产情况,并生成相应的异常生产信号。
基于物联网的汽车零配件缺陷检测***,包括主控中心,所述主控中心通信连接有流程采集模块、样本获取模块、表面检测模块、内部检测模块、生产监测模块;
所述流程采集模块用于获得汽车零配件的生产全流程,对生产全流程进行划分以获得若干个生产子流程,对汽车零配件在各个生产子流程的表面数据和内部数据进行采集并存储;
所述样本获取模块用于获得汽车零配件的零配件标准,根据零配件标准对完成生产的汽车零配件是否存在表面缺陷和内部缺陷分别进行判断,并获得相应的表面缺陷零配件和内部缺陷零配件;
所述表面检测模块用于根据表面缺陷零配件的表面数据构建汽车零配件的表面缺陷检测模型,根据表面缺陷检测模型对未完成生产的汽车零配件是否存在表面缺陷进行判断,当汽车零配件出现表面缺陷时停止生产;
所述内部检测模块用于根据内部缺陷零配件的内部数据构建汽车零配件的内部缺陷检测模型,根据内部缺陷检测模型对未完成生产的汽车零配件是否存在内部缺陷进行判断,当汽车零配件出现内部缺陷时停止生产;
所述生产监测模块用于获得各个生产子流程出现缺陷零配件的缺陷概率,根据缺陷概率对各个生产子流程是否存在异常生产情况进行判断,并生成相应的异常生产信号。
与现有技术相比,本发明的有益效果是:
1、将汽车零配件的生产全流程划分为若干个生产子流程,分别获得各个生产子流程的表面数据和内部数据,根据汽车零配件的零配件标准获得表面缺陷零配件和内部缺陷零配件,根据表面缺陷零配件和内部缺陷零配件在各个生产子流程的表面数据和内部数据构建各个生产子流程的表面缺陷检测模型和内部缺陷检测模型,根据表面缺陷检测模型和内部缺陷检测模型判断各个生产子流程的汽车零配件是否存在缺陷,不同于以往基于已经完成生产的汽车零配件进行缺陷检测的方法,本发明创造性的在汽车零配件的生产过程中便对其进行阶段性的缺陷检测,能够及时地发现存在缺陷的未完成生产的汽车零配件,并停止其后续的生产子流程,有利于及时止损,降低汽车零配件生产的总成本;
2、通过获得各个生产子流程出现缺陷零配件的缺陷概率,根据缺陷概率对各个生产子流程是否存在异常生产情况进行判断,能够对汽车零配件在不同生产子流程中的生产形成具有针对性的反馈,有利于工作人员及时发现存在异常生产的生产子流程,并及时对其进行检修,能够有效地降低缺陷零配件的数量。
附图说明
图1为本发明的流程图;
图2为本发明的原理图。
具体实施方式
如图1所示,基于物联网的汽车零配件缺陷检测方法,包括以下步骤:
步骤S1:获得汽车零配件的生产全流程,对生产全流程进行划分以获得若干个生产子流程,对汽车零配件在各个生产子流程的表面数据和内部数据进行采集并存储;
步骤S2:获得汽车零配件的零配件标准,根据零配件标准对完成生产的汽车零配件是否存在表面缺陷和内部缺陷分别进行判断,并获得相应的表面缺陷零配件和内部缺陷零配件;
步骤S3:根据表面缺陷零配件的表面数据构建汽车零配件的表面缺陷检测模型,根据表面缺陷检测模型对未完成生产的汽车零配件是否存在表面缺陷进行判断,当汽车零配件出现表面缺陷时停止生产;
步骤S4:根据内部缺陷零配件的内部数据构建汽车零配件的内部缺陷检测模型,根据内部缺陷检测模型对未完成生产的汽车零配件是否存在内部缺陷进行判断,当汽车零配件出现内部缺陷时停止生产;
步骤S5:获得各个生产子流程出现缺陷零配件的缺陷概率,根据缺陷概率对各个生产子流程是否存在异常生产情况进行判断,并生成相应的异常生产信号。
需要进一步说明的是,在具体实施过程中,获得汽车零配件的生产全流程,对生产全流程进行划分以获得若干个生产子流程的过程包括:
以任一汽车零配件为例,对汽车零配件的生产全流程进行采集,所述汽车零配件的生产全流程是指该汽车零配件从原材料一步一步加工至成品的全部流程,以螺丝的生产流程为例,其需要经过材料准备、冷镦加工、热处理、螺纹滚压、表面处理等流程才能够完成生产;
对所获得的汽车零配件的生产全流程进行划分,根据其在生产全流程中的生产情况将其划分为若干个生产子流程,所述生产情况可以是不同的生产设备,也可以是同一生产设备中存在明显区别的生产节点,具体由工作人员进行决定,例如:螺丝的生产全流程可分为材料准备、冷镦加工、热处理、螺纹滚压、表面处理等生产子流程。
需要进一步说明的是,在具体实施过程中,对汽车零配件在各个生产子流程的表面数据和内部数据进行采集并存储的过程包括:
在本发明的实施例中,将汽车零配件的生产全流程划分为5个生产子流程,并将其分别命名为第一生产子流程、第二生产子流程、第三生产子流程、第四生产子流程、第五生产子流程;
设置表面采集单元和内部采集单元,当任一生产子流程结束时,通过所述表面采集单元对汽车零配件在该生产子流程后的表面数据进行采集,其具体步骤为:对汽车零配件的表面图像进行采集,采用图像分割技术对汽车零配件的表面图像进行检测以获得汽车零配件的表面特征点,所述表面特征点包括但不限于划痕、气泡、毛边、色差、变形、漆膜开裂、氧化斑点等,所述表面数据为汽车零配件是否存在表面特征点以及相应的表面特征点数量;
当任一生产子流程结束时,通过所述内部采集单元对汽车零配件在该生产子流程后的内部数据进行采集,其具体步骤为:在该汽车零配件***均匀设置四个声波检测点,在声波检测点上利用超声波探测技术对汽车零配件依次进行检测以获得汽车零配件的内部特征点,所述内部特征点包括但不限于气孔、夹杂物、裂纹、疏松区域、异常组织等,所述内部数据为汽车零配件是否存在内部特征点以及相应的内部特征点数量;
设置数据库,对汽车零配件在各个生产子流程中所获得的表面数据和内部数据分别进行命名,例如:将其在第一生产子流程中所获得的表面数据和内部数据分别命名为第一表面数据和第一内部数据,将其在第二生产子流程中所获得的表面数据和内部数据分别命名为第二表面数据和第二内部数据,以此类推,对所有的表面数据和内部数据分别进行命名,并将完成命名的各项表面数据和内部数据上传至数据库进行保存。
需要进一步说明的是,在具体实施过程中,获得汽车零配件的零配件标准,根据零配件标准对完成生产的汽车零配件是否存在表面缺陷进行判断,并获得相应的表面缺陷零配件的过程包括:
以任一汽车零配件为例,对汽车零配件的零配件标准进行采集,所述零配件标准是指为了统一和规范汽车零配件的设计、生产、测试以及质量控制而制定的规范和要求,所述零配件标准包括零配件表面标准和零配件内部标准,在本发明的实施例中,所述零配件表面标准具体为是否允许存在表面特征点以及允许存在的表面特征点数量,所述零配件内部标准具体为是否允许存在内部特征点以及允许存在的内部特征点数量,将所获得的零配件标准上传至数据库进行保存;
由于本发明将汽车零配件的生产全流程划分为5个生产子流程,因此本发明将汽车零配件在第五生产子流程中所获得的第五表面数据作为已经完成生产的汽车零配件的表面数据,将所获得的零配件表面标准和第五表面数据进行比较以判断汽车零配件是否存在表面缺陷;
其具体步骤为:根据零配件表面标准判断第五表面数据中是否存在不允许存在的表面特征点,若是,则将其标记为表面缺陷零配件,若否,则将其标记为表面正常零配件,同时判断第五表面数据中允许存在的表面特征点数量是否大于零配件表面标准中所允许的,若是,则将其标记为表面缺陷零配件,若否,则将其标记为表面正常零配件。
需要进一步说明的是,在具体实施过程中,根据零配件标准对完成生产的汽车零配件是否存在内部缺陷进行判断,并获得相应的内部缺陷零配件的过程包括:
由于本发明将汽车零配件的生产全流程划分为5个生产子流程,因此本发明将汽车零配件在第五生产子流程中所获得的第五内部数据作为已经完成生产的汽车零配件的内部数据,将所获得的零配件内部标准和第五内部数据进行比较以判断汽车零配件是否存在内部缺陷;
其具体步骤为:根据零配件内部标准判断第五内部数据中是否存在不允许存在的内部特征点,若是,则将其标记为内部缺陷零配件,若否,则将其标记为内部正常零配件,同时判断第五内部数据中允许存在的内部特征点数量是否大于零配件内部标准中所允许的,若是,则将其标记为内部缺陷零配件,若否,则将其标记为内部正常零配件。
需要进一步说明的是,在具体实施过程中,根据表面缺陷零配件的表面数据构建汽车零配件的表面缺陷检测模型,根据表面缺陷检测模型对未完成生产的汽车零配件是否存在表面缺陷进行判断,当汽车零配件出现表面缺陷时停止生产的过程包括:
所述表面缺陷检测模型的数量与所述生产子流程的数量相同,即每个生产子流程均有其相应的表面缺陷检测模型,并将其分别命名为第一表面缺陷检测模型、第二表面缺陷检测模型、……;
以第三表面缺陷检测模型的构建过程为例,获得所有表面缺陷零配件的第三表面数据,将所获得的第三表面数据划分为训练集和测试集,选择深度学习模型作为初始的第三表面缺陷检测模型,使用训练集对初始的第三表面缺陷检测模型进行训练,使用测试集对经过训练的第三表面缺陷检测模型进行评估并调优,将最新调优的第三表面缺陷检测模型作为当前的第三表面缺陷检测模型;
根据所构建的第三表面缺陷检测模型对完成第三生产子流程(且尚未进入下一生产子流程)的汽车零配件进行表面缺陷检测以判断其是否存在相应的表面缺陷,所述表面缺陷检测的过程与根据零配件标准对完成生产的汽车零配件是否存在表面缺陷的判断过程一致,当判断汽车零配件在第三生产子流程中已出现表面缺陷时,停止该汽车零配件的后续生产子流程,即不将其纳入下一生产子流程。
需要进一步说明的是,在具体实施过程中,根据内部缺陷零配件的内部数据构建汽车零配件的内部缺陷检测模型,根据内部缺陷检测模型对未完成生产的汽车零配件是否存在内部缺陷进行判断,当汽车零配件出现内部缺陷时停止生产的过程包括:
所述内部缺陷检测模型的数量与所述生产子流程的数量相同,即每个生产子流程均有其相应的内部缺陷检测模型,并将其分别命名为第一内部缺陷检测模型、第二内部缺陷检测模型、……;
以第三内部缺陷检测模型的构建过程为例,获得所有内部缺陷零配件的第三内部数据,将所获得的第三内部数据划分为训练集和测试集,选择深度学习模型作为初始的第三内部缺陷检测模型,使用训练集对初始的第三内部缺陷检测模型进行训练,使用测试集对经过训练的第三内部缺陷检测模型进行评估并调优,将最新调优的第三内部缺陷检测模型作为当前的第三内部缺陷检测模型;
根据所构建的第三内部缺陷检测模型对完成第三生产子流程(且尚未进入下一生产子流程)的汽车零配件进行内部缺陷检测以判断其是否存在相应的内部缺陷,所述内部缺陷检测的过程与根据零配件标准对完成生产的汽车零配件是否存在内部缺陷的判断过程一致,当判断汽车零配件在第三生产子流程中已出现内部缺陷时,停止该汽车零配件的后续生产子流程,即不将其纳入下一生产子流程。
需要进一步说明的是,在具体实施过程中,获得各个生产子流程出现缺陷零配件的缺陷概率,根据缺陷概率对各个生产子流程是否存在异常生产情况进行判断,并生成相应的异常生产信号的过程包括:
设置生产周期,当达到一个生产周期时,对当前生产周期内各个生产子流程所生产的汽车零配件数量以及所出现的缺陷零配件数量分别进行统计,以第三生产子流程为例,将第三生产子流程所生产的汽车零配件数量标记为Sa,将第三生产子流程所出现的缺陷零配件数量标记为Sb,获得第三生产子流程的缺陷概率,并将其标记为P3;
以此类推,采取同样的方法获得各个生产子流程的缺陷概率,并将其分别标记为Pi,其中,i=1,2,……,n,其中,n为生产子流程的数量,获得各个生产子流程的概率系数,并将其标记为Ri;
设置概率系数阈值R0,将所获得的概率系数与所设置的概率系数阈值进行比较,根据比较结果对各个生产子流程是否存在异常生产情况进行判断,若Ri≤R0,则判断其不存在异常生产情况,不对其进行其他任何操作,若Ri>R0,则判断其存在异常生产情况,生成异常生产信号并将其反馈至工作人员处。
如图2所示,基于物联网的汽车零配件缺陷检测***,包括主控中心,所述主控中心通信连接有流程采集模块、样本获取模块、表面检测模块、内部检测模块、生产监测模块;
所述流程采集模块用于获得汽车零配件的生产全流程,对生产全流程进行划分以获得若干个生产子流程,对汽车零配件在各个生产子流程的表面数据和内部数据进行采集并存储;
所述样本获取模块用于获得汽车零配件的零配件标准,根据零配件标准对完成生产的汽车零配件是否存在表面缺陷和内部缺陷分别进行判断,并获得相应的表面缺陷零配件和内部缺陷零配件;
所述表面检测模块用于根据表面缺陷零配件的表面数据构建汽车零配件的表面缺陷检测模型,根据表面缺陷检测模型对未完成生产的汽车零配件是否存在表面缺陷进行判断,当汽车零配件出现表面缺陷时停止生产;
所述内部检测模块用于根据内部缺陷零配件的内部数据构建汽车零配件的内部缺陷检测模型,根据内部缺陷检测模型对未完成生产的汽车零配件是否存在内部缺陷进行判断,当汽车零配件出现内部缺陷时停止生产;
所述生产监测模块用于获得各个生产子流程出现缺陷零配件的缺陷概率,根据缺陷概率对各个生产子流程是否存在异常生产情况进行判断,并生成相应的异常生产信号。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (1)
1.基于物联网的汽车零配件缺陷检测方法,其特征在于,包括以下步骤:
步骤S1:获得汽车零配件的生产全流程,对生产全流程进行划分以获得若干个生产子流程,对汽车零配件在各个生产子流程的表面数据和内部数据进行采集并存储;
步骤S2:获得汽车零配件的零配件标准,根据零配件标准对完成生产的汽车零配件是否存在表面缺陷和内部缺陷分别进行判断,并获得相应的表面缺陷零配件和内部缺陷零配件;
步骤S3:根据表面缺陷零配件的表面数据构建汽车零配件的表面缺陷检测模型,根据表面缺陷检测模型对未完成生产的汽车零配件是否存在表面缺陷进行判断,当汽车零配件出现表面缺陷时停止生产;
步骤S4:根据内部缺陷零配件的内部数据构建汽车零配件的内部缺陷检测模型,根据内部缺陷检测模型对未完成生产的汽车零配件是否存在内部缺陷进行判断,当汽车零配件出现内部缺陷时停止生产;
步骤S5:获得各个生产子流程出现缺陷零配件的缺陷概率,根据缺陷概率对各个生产子流程是否存在异常生产情况进行判断,并生成相应的异常生产信号;
获得汽车零配件的生产全流程,对生产全流程进行划分以获得若干个生产子流程的过程包括:
对汽车零配件的生产全流程进行采集,对所获得的汽车零配件的生产全流程进行划分,将其划分为若干个生产子流程;
对汽车零配件在各个生产子流程的表面数据和内部数据进行采集并存储的过程包括:
设置表面采集单元以及内部采集单元,通过所述表面采集单元和内部采集单元对汽车零配件在各个生产子流程后的表面数据和内部数据分别进行采集;
设置数据库,对汽车零配件在各个生产子流程中所获得的表面数据和内部数据分别进行命名,并将完成命名的各项表面数据和内部数据上传至数据库进行保存;
获得汽车零配件的零配件标准,根据零配件标准对完成生产的汽车零配件是否存在表面缺陷进行判断,并获得相应的表面缺陷零配件的过程包括:
对汽车零配件的零配件标准进行采集,所述零配件标准包括零配件表面标准和零配件内部标准;
将所获得的零配件表面标准和已经完成生产的汽车零配件的表面数据进行比较以判断汽车零配件是否存在表面缺陷,并获得相应的表面缺陷零配件;
根据零配件标准对完成生产的汽车零配件是否存在内部缺陷进行判断,并获得相应的内部缺陷零配件的过程包括:
将所获得的零配件内部标准和已经完成生产的汽车零配件的内部数据进行比较以判断汽车零配件是否存在内部缺陷,并获得相应的内部缺陷零配件;
根据表面缺陷零配件的表面数据构建汽车零配件的表面缺陷检测模型,根据表面缺陷检测模型对未完成生产的汽车零配件是否存在表面缺陷进行判断,当汽车零配件出现表面缺陷时停止生产的过程包括:
所述表面缺陷检测模型的数量与所述生产子流程的数量相同,并对其分别进行命名;
根据所有表面缺陷零配件在各个生产子流程的表面数据构建各个生产子流程的表面缺陷检测模型,根据所构建的表面缺陷检测模型对其相应的生产子流程内的汽车零配件进行表面缺陷检测以判断其是否存在表面缺陷,当判断汽车零配件在当前生产子流程中出现表面缺陷时,不将其纳入下一生产子流程;
根据内部缺陷零配件的内部数据构建汽车零配件的内部缺陷检测模型,根据内部缺陷检测模型对未完成生产的汽车零配件是否存在内部缺陷进行判断,当汽车零配件出现内部缺陷时停止生产的过程包括:
所述内部缺陷检测模型的数量与所述生产子流程的数量相同,并对其分别进行命名;
根据所有内部缺陷零配件在各个生产子流程的内部数据构建各个生产子流程的内部缺陷检测模型,根据所构建的内部缺陷检测模型对其相应的生产子流程内的汽车零配件进行内部缺陷检测以判断其是否存在内部缺陷,当判断汽车零配件在当前生产子流程中出现内部缺陷时,不将其纳入下一生产子流程;
获得各个生产子流程出现缺陷零配件的缺陷概率,根据缺陷概率对各个生产子流程是否存在异常生产情况进行判断,并生成相应的异常生产信号的过程包括:
设置生产周期,当达到一个生产周期时,获得当前生产周期内的汽车零配件数量和缺陷零配件数量,获得各个生产子流程的缺陷概率,获得各个生产子流程的概率系数;
设置概率系数阈值,将概率系数与概率系数阈值进行比较,根据比较结果判断各个生产子流程是否存在异常生产情况,并生成相应的异常生产信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311509665.0A CN117252486B (zh) | 2023-11-14 | 2023-11-14 | 基于物联网的汽车零配件缺陷检测方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311509665.0A CN117252486B (zh) | 2023-11-14 | 2023-11-14 | 基于物联网的汽车零配件缺陷检测方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117252486A CN117252486A (zh) | 2023-12-19 |
CN117252486B true CN117252486B (zh) | 2024-02-02 |
Family
ID=89131616
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311509665.0A Active CN117252486B (zh) | 2023-11-14 | 2023-11-14 | 基于物联网的汽车零配件缺陷检测方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117252486B (zh) |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246369A (zh) * | 2008-03-18 | 2008-08-20 | 东华大学 | 一种汽车零部件尺寸质量控制***和方法 |
CN103808734A (zh) * | 2014-03-07 | 2014-05-21 | 上海齐宏检测技术有限公司 | 汽车零配件全自动检测设备 |
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN108918657A (zh) * | 2018-07-24 | 2018-11-30 | 广东工业大学 | 一种工件缺陷检测*** |
CN109934821A (zh) * | 2019-03-22 | 2019-06-25 | 杭州睿工科技有限公司 | 一种零件缺陷检测方法及*** |
CN213180110U (zh) * | 2020-07-14 | 2021-05-11 | 江苏金陵交运集团德立信供应链管理有限公司 | 一种汽车零配件自动检测设备 |
CN113361958A (zh) * | 2021-06-30 | 2021-09-07 | 李炳集 | 一种缺陷预警方法及*** |
CN114881425A (zh) * | 2022-04-18 | 2022-08-09 | 天津玉昆模具有限公司 | 一种生产实时监测的方法、装置、电子设备及介质 |
CN115496892A (zh) * | 2022-11-07 | 2022-12-20 | 合肥中科类脑智能技术有限公司 | 工业缺陷检测方法、装置及电子设备、存储介质 |
CN115856250A (zh) * | 2022-12-21 | 2023-03-28 | 株洲新科硬质合金有限公司 | 一种硬质合金挤压毛坯内部缺陷的检测方法 |
CN115866502A (zh) * | 2022-10-18 | 2023-03-28 | 电子科技大学长三角研究院(湖州) | 一种麦克风零件表面缺陷在线检测流程 |
CN116618639A (zh) * | 2023-06-05 | 2023-08-22 | 合肥南方汽车零部件有限公司 | 具有质量检测功能的汽车零部件浇铸机用监控*** |
CN116805311A (zh) * | 2023-08-18 | 2023-09-26 | 长春师范大学 | 一种基于机器人视觉的汽车零配件表面缺陷监测方法 |
CN116977241A (zh) * | 2022-04-18 | 2023-10-31 | 华晨宝马汽车有限公司 | 检测车辆部件的缺陷的方法、装置、计算机可读存储介质以及计算机程序产品 |
CN117030724A (zh) * | 2023-10-09 | 2023-11-10 | 诺比侃人工智能科技(成都)股份有限公司 | 一种基于深度学习的多模态工业缺陷分析方法及*** |
-
2023
- 2023-11-14 CN CN202311509665.0A patent/CN117252486B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246369A (zh) * | 2008-03-18 | 2008-08-20 | 东华大学 | 一种汽车零部件尺寸质量控制***和方法 |
CN103808734A (zh) * | 2014-03-07 | 2014-05-21 | 上海齐宏检测技术有限公司 | 汽车零配件全自动检测设备 |
CN108897925A (zh) * | 2018-06-11 | 2018-11-27 | 华中科技大学 | 一种基于铸件缺陷预测模型的铸造工艺参数优化方法 |
CN108918657A (zh) * | 2018-07-24 | 2018-11-30 | 广东工业大学 | 一种工件缺陷检测*** |
CN109934821A (zh) * | 2019-03-22 | 2019-06-25 | 杭州睿工科技有限公司 | 一种零件缺陷检测方法及*** |
CN213180110U (zh) * | 2020-07-14 | 2021-05-11 | 江苏金陵交运集团德立信供应链管理有限公司 | 一种汽车零配件自动检测设备 |
CN113361958A (zh) * | 2021-06-30 | 2021-09-07 | 李炳集 | 一种缺陷预警方法及*** |
CN114881425A (zh) * | 2022-04-18 | 2022-08-09 | 天津玉昆模具有限公司 | 一种生产实时监测的方法、装置、电子设备及介质 |
CN116977241A (zh) * | 2022-04-18 | 2023-10-31 | 华晨宝马汽车有限公司 | 检测车辆部件的缺陷的方法、装置、计算机可读存储介质以及计算机程序产品 |
CN115866502A (zh) * | 2022-10-18 | 2023-03-28 | 电子科技大学长三角研究院(湖州) | 一种麦克风零件表面缺陷在线检测流程 |
CN115496892A (zh) * | 2022-11-07 | 2022-12-20 | 合肥中科类脑智能技术有限公司 | 工业缺陷检测方法、装置及电子设备、存储介质 |
CN115856250A (zh) * | 2022-12-21 | 2023-03-28 | 株洲新科硬质合金有限公司 | 一种硬质合金挤压毛坯内部缺陷的检测方法 |
CN116618639A (zh) * | 2023-06-05 | 2023-08-22 | 合肥南方汽车零部件有限公司 | 具有质量检测功能的汽车零部件浇铸机用监控*** |
CN116805311A (zh) * | 2023-08-18 | 2023-09-26 | 长春师范大学 | 一种基于机器人视觉的汽车零配件表面缺陷监测方法 |
CN117030724A (zh) * | 2023-10-09 | 2023-11-10 | 诺比侃人工智能科技(成都)股份有限公司 | 一种基于深度学习的多模态工业缺陷分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN117252486A (zh) | 2023-12-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20230306577A1 (en) | Cross-scale defect detection method based on deep learning | |
US20220309764A1 (en) | Method and device for small sample defect classification and computing equipment | |
CN112907561A (zh) | 一种基于深度学习的笔记本外观瑕疵检测方法 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
CN114935576A (zh) | 工件视觉检测设备的准确性验证方法、装置、设备及介质 | |
CN111161237A (zh) | 一种果蔬表面质检方法及其储存介质、分拣装置 | |
CN108393744B (zh) | 一种刀具状态多传感监测方法 | |
CN117252486B (zh) | 基于物联网的汽车零配件缺陷检测方法及*** | |
CN111028207A (zh) | 基于类脑即时-通用特征提取网络的纽扣瑕疵检测方法 | |
CN114565314A (zh) | 一种基于数字孪生的热轧钢卷端面质量管控***及方法 | |
CN117370871B (zh) | 一种特种钢材的质量分析方法与*** | |
CN109426013B (zh) | 一种彩膜基板缺陷的分析方法、检测修复方法及装置 | |
CN117689646A (zh) | 一种正负样本融合的高精度缺陷检测方法、***及介质 | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
US20240169510A1 (en) | Surface defect detection model training method, and surface defect detection method and system | |
CN114882009A (zh) | 可适应多种表面状态的疲劳裂纹尖端自动检测方法及*** | |
TWI777307B (zh) | 在太陽能模組影像中以深度學習進行太陽能電池瑕疵辨識的方法、電腦程式及電腦可讀取媒體 | |
CN109063218A (zh) | 一种统计过程的控制方法和*** | |
CN114897863A (zh) | 一种缺陷的检测方法、装置以及设备 | |
CN112052727B (zh) | 一种基于大数据的人像识别分析***及方法 | |
CN114596296A (zh) | 一种高灵敏度的热轧钢卷端面缺陷识别***及方法 | |
CN116977241A (zh) | 检测车辆部件的缺陷的方法、装置、计算机可读存储介质以及计算机程序产品 | |
CN113299351B (zh) | 基于统计检验及状态检查的蠕变数据筛选方法 | |
CN114637893A (zh) | 一种fmea数据库***及其处理方法 | |
CN110440716B (zh) | 基于ccd图像传感器的指纹模组检测***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 |