【技术实现步骤摘要】
【国外来华专利技术】使用深度学习来检查片材物品
技术介绍
[0001]作为各种制成物品的部件的片材部件通常由各种类型的膜(例如，透明聚酯膜)制成。用于制备膜的制造过程通常涉及制造长连续片材(称为幅材)形式的膜。幅材本身通常是在一个方向(“横维方向”)上具有固定宽度，而在正交方向(“顺维方向”)上具有预先确定的或未定长度的材料。在用于制备和处理幅材的各种制造过程中，幅材沿平行于幅材的长度尺寸并且垂直于幅材的宽度尺寸延伸的纵向轴线被传送。
[0002]光学膜是制造的膜的一个示例，并且被施加到各种各样的消费品。例如，从光学膜转换的片材部件可位于电子装置(例如，移动电话、电视、膝上型计算机、台式计算机或平板电脑)的屏幕组件中。制造设施可生产旨在应用于特定消费品的多个类似片材部件(例如，光学膜片材部件)。通常，需要检查由制造设施生产的片材部件的质量损害缺陷，使得可丢弃被确定为有缺陷的片材部件。在一些示例中，片材部件由制造设施的员工检查。附加地或另选地，可使用被配置用于自动识别缺陷的图像处理技术来检查片材部件。
技术实现思路
[0003]一般来讲，本公开描述...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种用于确定由制造设施生产的多个片材部件中的每个片材部件的质量类别的系统，所述系统包括：检查装置，所述检查装置包括至少一个图像捕获装置，所述至少一个图像捕获装置被配置为捕获表示所述多个片材部件中的片材部件的图像数据；以及处理单元，所述处理单元具有一个或多个处理器，所述一个或多个处理器执行指令，所述指令使所述处理单元：将表示所述片材部件的所述图像数据提供给第一组多个神经网络，所述神经网络中的每个神经网络被训练成识别所述片材部件中的对应缺陷并输出指示所述对应缺陷的存在的数据，基于由每个对应神经网络输出的指示所述对应缺陷的存在的所述数据，确定指示所述片材部件的质量类别的数据，以及输出指示所述片材部件的所述质量类别的所述数据。2.根据权利要求1所述的系统，其中所述处理单元被配置为评估一组一个或多个规则，所述一组一个或多个规则使用由每个对应神经网络输出的指示所述对应缺陷的存在的所述数据来确定所述片材部件的所述质量类别。3.根据权利要求1所述的系统，其中所述处理单元被配置为将由每个对应神经网络输出的指示所述对应缺陷的存在的所述数据提供给第二神经网络，以确定所述片材部件的所述质量类别。4.根据权利要求1所述的系统，还包括分拣器，所述分拣器被配置为：接收指示所述片材部件的所述质量类别的所述数据；以及基于指示所述片材部件的所述质量类别的所述数据来分拣所述片材部件。5.根据权利要求4所述的系统，其中指示所述片材部件的所述质量类别的所述数据包括合格类别、有缺陷的类别或返工类别。6.根据权利要求1所述的系统，还包括离群值检测神经网络，其中响应于基于离群值检测神经网络的输出确定表示所述片材部件的所述图像数据指示离群值缺陷，指示所述片材部件的所述质量类别的所述数据被设置为返工类别。7.根据权利要求1所述的系统，其中所述多个神经网络中的神经网络输出一个或多个图像部分，每个图像部分包含表示潜在缺陷的图像数据，并且其中分类器被训练成基于表示所述潜在缺陷的所述图像数据的所述一个或多个部分识别所述片材部件中的对应缺陷。8.根据权利要求1所述的系统，还包括机器学习模型，所述机器学习模型被训练成基于与所述片材部件的制造相关联的元数据来确定缺陷的概率，其中所述处理单元还被配置为基于所述元数据的所述缺陷的所述概率来确定所述质量类别。9.根据权利要求8所述的系统，其中所述元数据包括与所述片材部件的制造相关联的源数据、时间数据、温度数据、位置数据、过程设置数据和传感器测量数据中的一者或多者。10.根据权利要求1所述的系统，还包括推断引擎，所述推断引擎被配置为接收由每个对应神经网络输出的指示所述对应缺陷的存在的所述数据和一个或多个过程变量，并且被配置为基于由每个对应神经网络输出的指示所述对应缺陷的存在的所述数据和所述过程变量来确定所述对应缺陷的根本原因。11.根据权利要求1所述的系统，其中所述处理单元还被配置为基于所述对应缺陷的所...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。