制造方法技术

本发明专利技术涉及一种用于制造诸如管或包装的物体的方法，包括集成到制造方法中的至少一个质量控制，该质量控制在生产期间执行并且连续地执行，该质量控制包括学习阶段和生产阶段。该质量控制包括学习阶段和生产阶段。该质量控制包括学习阶段和生产阶段。

【技术实现步骤摘要】
【国外来华专利技术】制造方法
[0001]对应的申请
[0002]本申请要求2019年10月15日以AISAPACK HOLDING SA名义提交的早期欧洲申请号19203285.2的优先权，通过引用将该早期申请的内容全文并入本申请中。


[0003]本专利技术涉及需要在制造期间进行精细视觉检查的批量制造的物体的领域。本专利技术更具体地应用于制造需要集成到生产线中的视觉检查的物体的高吞吐量过程。

技术介绍

[0004]一些图像分析和学习系统和方法在现有技术中是已知的。以下公报中给出了一些示例：WO 2018/112514,WO 2018/200866,WO 2011/115666,WO 2012/164562和WO 2017/052592,WANG JINJIANG等人“Deep learning for smart manufacturing:Methods and applications”JOURNAL OF MANUFACTURING SYSTEMS,SOCIETY OF MANUFACTURING ENGINEERS,DEARBORN,MI,US,第48卷,2018年1月8日(2018
‑
01
‑
08),第144
‑
156页,MEHMOOD KHAN等人：“An integrated supply chain model with errors in quality inspection and learning in production”，OMEGA.,第42卷，第1期，2014年1月1日(2014
‑
01
‑
01)，第16
‑
24页，WANG TIAN等人：“A fast and robust convolutional neural network
‑
based defect detection model in product quality control”，THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY,SPRINGER,LONDON,第94卷,第9期,2017年8月15日(2017
‑
08
‑
15),第3465
‑
3471页,JUN SUN等人：“An adaptable automated visual inspection scheme through online learning”，THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY,SPRINGER,BERLIN,DE,第59卷,第5
‑
8期,2011年7月28日(2011
‑
07
‑
28),第655
‑
667页。

技术实现思路

[0005]目标、约束和要解决的问题
[0006]本专利技术的目的在于定义用于在生产中量化诸如管的物体的美观的客观准则。目前，这种量化依赖于人类评估，并且其是高度挑战性的。所生产的物体都是不同的，这意味着缺陷的概念是相对的，并且有必要定义什么是或不是与所生产的物体相关的可接受的缺陷，而不是以绝对的方式。
[0007]根据本专利技术，学习阶段使得可以定义什么对于所生产的物体是可接受的“标准”。在本专利技术中，“可接受或不可接受的缺陷”的概念，也就是说被认为是“良好”或“有缺陷的”的物体的概念，是相对于与在学习期间预定义的标准的一定水平的偏差而定义的。本专利技术使得可以随着时间的推移保证恒定的质量水平。另外，可以将公式(即先前已经建立的标准)再次用于相同物体的后续生产。
[0008]质量水平可以根据观察到的差异通过迭代学习随着时间进行调节：在生产期间，
通过“额外”学习来微调由初始学习定义的标准，该“额外”学习考虑了在正常生产阶段中生产的但表现出被认为是可接受的缺陷的物体。因此，必须修改该标准，以便它并入该信息并且该过程不拒绝这些物体。
[0009]本专利技术使得可以在非常短的时间内检查物体，并且为了实现这一性能，本专利技术使用用于物体的图像的压缩
‑
解压缩模型，如在本申请中详细描述的。
[0010]在本专利技术的框架中，现有的约束和有待解决的问题具体如下：
[0011]‑
视觉检查在物体的制造期间进行，因此检查时间短，因为视觉检查必须不减慢生产吞吐量，或最多对其有轻微的影响；
[0012]‑
美观缺陷是未知的(无缺陷库)；
[0013]‑
美观缺陷因装饰而异；
[0014]‑
缺陷接受水平应当是可调节的。
[0015]下面描述的本专利技术提出的方法使得可以减轻上述缺点并克服所识别的问题。
[0016]定义
[0017]‑
物体：在工业生产线上制造的物体
[0018]‑
N：形成一批学习阶段的物体的数量。N也对应于形成一批的次级图像的数量
[0019]‑
初级图像：拍摄的物体或物体的一部分的图像
[0020]‑
K：每个物体的初级图像的数量
[0021]‑
A
k
：索引k的初级图像，其中1≤k≤K
[0022]‑
次级图像：初级图像的一部分
[0023]‑
P
k
：每个初级图像A
k
的次级图像的数量
[0024]‑
S
k,p
：与初级图像A
k
相关联的索引k的和索引p的次级图像，其中1≤p≤P
k
[0025]‑
模型F
k,p
：与次级图像S
k,p
相关联的压缩
‑
解压缩模型
[0026]‑
压缩因子Q
k,p
：模型F
k,p
的压缩因子
[0027]‑
重建的次级图像R
k,p
：利用相关联的模型F
k,p
从次级图像S
k,p
重建的次级图像。
[0028]本专利技术的概述
[0029]本专利技术涉及一种用于制造物体(例如包装(诸如管))的方法，该方法包括集成到用于生产所述物体的方法的一个或多个步骤中的视觉检查。根据本专利技术的制造方法包括用于执行视觉检查的至少两个阶段：
[0030]‑
学习阶段，在该阶段期间，生产被认为是“良好质量”的一批物体，并且在该阶段结束时，基于所述物体的图像来定义准则。
[0031]‑
生产阶段，在该生产阶段期间，使用生产的物体的图像和在学习阶段期间定义的准则来实时量化生产的物体的质量并且控制生产过程。
[0032]在学习阶段期间，机器生产N个被认为具有可本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于制造物体的方法，所述物体例如是管或包装，所述方法包括集成到所述制造方法中的至少一个质量检查，该质量检查在生产期间执行并且连续地执行，所述质量检查包括学习阶段和生产阶段，所述学习阶段至少包括以下步骤：
‑
)生产被认为是能接受的N个物体；
‑
)拍摄所述N个物体中的每一个的至少一个参考初级图像(A
k
)；
‑
)将每个参考初级图像(A
k
)分为(P
k
)个参考次级图像(S
k,p
)；
‑
)将对应的参考次级图像分组为多批N个图像；
‑
)确定每批具有压缩因子(Q
k,p
)的压缩
‑
解压缩模型(F
k,p
)，并且所述生产阶段至少包括以下步骤：
‑
)拍摄生产中的至少一个物体的至少一个初级图像；
‑
)将每个初级图像分成次级图像(S
k,p
)；
‑
)将在所述学习阶段中定义的所述压缩
‑
解压缩模型和所述压缩因子应用于每个次级图像(S
k,p
)，以便形成重建的次级图像(R
k,p
)；
‑
)计算每个重建的次级图像R
k,p
的重建误差；
‑
)基于所述重建误差为每个物体分配一个或多个分数；
‑
)基于一个或多个分配的分数确定生产的物体是否成功通过所述质量检查。2.根据权利要求1所述的方法，其中，对至少一个最初拍摄的所述初级图像执行多重分析，所述多重分析产生“子”初级图像，该“子”初级图像用于代替该“子”初级图像源自的所述最初拍摄的图像。3.根据权利要求1或2所述的方法，其中，在拍摄至少一个初级图像的步骤之后，重新定位每个初级图像。4.根据前述权利要求中任一项所述的方法，其中，处理每个初级图像。5.根据权利要求4所述的方法，其中，所述处理操作是数字处理操作。6.根据权利要求4或5所述的方法，其中，所述处理操作使用滤波器、和/或边缘检测、和/或掩模应用，以便隐藏所述图像的某些区域。7.根据前述权利要求中任一项所述的方法，其中，所述压缩因子在5至500000之间，优选在100至10000之间。8.根据前述权利要求中任一项所述的方法，其中，所述压缩
...

【专利技术属性】
技术研发人员：J，
申请(专利权)人：艾萨帕克控股公司，
类型：发明
国别省市：