Py学习  »  机器学习算法

面板缺陷视觉检测方案丨机器视觉技术+深度学习算法=数字化的降本增效

新机器视觉 • 2 年前 • 206 次点击  

点击下方卡片,关注“新机器视觉”公众号

视觉/图像重磅干货,第一时间送达

来源 | 华睿科技
液晶面板行业的崛起,带动面板质检需求的暴增。传统的缺陷检测主要由人眼辨别,这给企业把控生产质量和提高生产效率,带来巨大困难。有鉴于此,采用一种新型的面板质量检测方式来代替人工检测是亟待解决的技术问题。


行业痛点


产品面积大产能高,人工无法做到每张都检测,存在漏检风险

液晶面板未切割前通常面积很大,以10.5代线为例,整张面板面积可达到3370mm*2940mm,人工检测难度极大、易疲劳,采用人工检测不能保证产能及准确性。


面板缺陷极易导致产品出现破碎

液晶面板生产过程中会概率性出现崩边、破损、裂纹、划痕等缺陷,如不及时发现并加以处理,进入下道生产工序主设备,可能会在生产过程中在设备内部发生玻璃破碎现象,从而必须进行主设备停机检修清理,导致停产经济损失。


缺陷出现的位置、类型无法统计归纳分析,无法做到数字化

人工检测无图片影像资料记录,检测标准一致性差,无法进行产品追溯。


招工难度大,人力成本高

随着人均工资水平不断提高,用人成本也逐年升高,且招工难度大、人员流动性大。


检测标准



检测场景


场景描述

基于机器视觉的液晶面板检测,可实现对液晶面板的各个生产工艺产生的缺陷进行检测,包括Array(阵列)工艺,CF(彩膜)工艺,CELL(成盒)工艺,Module(模组)工艺,可实现对crack(裂纹),broken(破损),chip(崩边),scratch(划痕),burr(毛刺),drop(水滴)等缺陷的有效检测区分。



解决方案


方案概述

采用华睿高速线阵相机、镜头,根据检测需求项,选择搭配背光源、同轴光或高亮线光源对液晶面板图像进行采集,在扫描图片的过程中,智能算法同时处理图像,实时显示玻璃的缺陷信息,对于有缺陷的玻璃,实时联动主设备进行停止等相关操作,防止在生产过程中因玻璃碎裂导致主设备停机。


系统采用多级处理架构,前端相机连接到工控机,工控机图片统一上传到服务器,后端PC可以远程访问各台工控机。既方便现场操作,又方便后端远程查看。可实现双边检测、四边检测、全面检测。


解决方案



软件


针对液晶行业定制缺陷检测软件

软件流程



软件界面


方案价值


实时检测,降本增效,数字化分析

可实现对产品实时检测,无需停留,检测完实时联动主设备,防止生产过程中出现破碎停机的可能,同时在PC端可实时查看当前检测图像和结果,统计分析等,大大减少人力,实现机器换人。


深度学习算法,方案成熟,检出率高

在行业内主流大厂中批量部署,通过针对性的深度学习算法优化有效克服少样本学习问题,可对不同种缺陷类型有效准确的检出、分类,包括崩边、裂纹、破损、划痕、水滴、水渍、光阻残留等,不存在漏检风险,且随着检测缺陷的样本量增加检出率会越高。


行业软件,灵活易用,实用性强

专为液晶行业自主开发软件、操作简便、实用性强,通讯协议与多个业内主流品牌设备实现对接并成熟应用;检测标准、生产节拍、流片速度等参数均可在软件中自行设置,切换不同尺寸的产品或调整生产节拍无需进行复杂操作。


远程操控,方便快捷,一机多联

车间各设备之间通常距离较远,现场环境嘈杂,可将每条线检测信息都通过远程连接到一台电脑,可实现办公室里查看每条线的实时检测数据信息,人员无需进产线。

本文仅做学术分享,如有侵权,请联系删文。
—THE END—
Python社区是高质量的Python/Django开发社区
本文地址:http://www.python88.com/topic/124755
 
206 次点击