本發(fā)明涉及數(shù)據(jù)處理，尤其涉及一種智能化電子產(chǎn)品制造管理方法及系統(tǒng)。

背景技術(shù)：

1、在當(dāng)前的電子產(chǎn)品制造領(lǐng)域，電感器作為關(guān)鍵組件之一，其性能直接影響到最終產(chǎn)品的質(zhì)量和可靠性。傳統(tǒng)的電感繞組檢測主要依賴于人工目視檢查，這種方法存在諸多局限性。首先，由于人眼識(shí)別能力和主觀判斷的限制，檢測精度往往不高，難以發(fā)現(xiàn)細(xì)微或隱蔽的缺陷。其次，人工檢測效率低下，無法滿足現(xiàn)代高密度、大規(guī)模生產(chǎn)的需求。此外，隨著電子設(shè)備朝著小型化和高性能方向發(fā)展，電感器的設(shè)計(jì)也日益復(fù)雜，對繞組部分的質(zhì)量要求越來越高，這進(jìn)一步加劇了傳統(tǒng)檢測方法的不足。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述提出的至少一個(gè)技術(shù)問題，本發(fā)明提供一種智能化電子產(chǎn)品制造管理方法及系統(tǒng)。

2、第一方面，本發(fā)明提供了一種智能化電子產(chǎn)品制造管理方法，所述方法包括：

3、獲取待檢測電感的電感圖像；采用區(qū)域生長算法對電感圖像的繞組部分進(jìn)行圖像提取，得到繞組圖像；

4、基于待檢測電感的繞組方式，采用對應(yīng)的預(yù)設(shè)間距將繞組圖像進(jìn)行分割，得到多個(gè)第一子繞組圖像；

5、獲取作為正常參照的第二子繞組圖像以及作為異常參照的n個(gè)第三子繞組圖像，其中，n個(gè)第二電感圖像n種異常類型一一對應(yīng)；并將第一子繞組圖像、第二子繞組圖像和第三子繞組圖像進(jìn)行整合，得到圖像數(shù)據(jù)集；

6、對圖像數(shù)據(jù)集進(jìn)行聚類分析，得到m個(gè)分類圖像集；分析n種異常類型對應(yīng)第二子繞組圖像在m個(gè)分類圖像集中的分布情況，確定第一電感圖像的異常信息；

7、基于第一電感圖像的異常信息，優(yōu)化產(chǎn)品制造流程。

8、優(yōu)選地，所述分析n種異常類型對應(yīng)第二子繞組圖像在m個(gè)分類圖像集中的分布情況，確定第一電感圖像的異常信息，包括：

9、分析第二子繞組圖像在m個(gè)分類圖像集中占比，將第二子繞組圖像占比最大的分類圖像集確定為正常數(shù)據(jù)集，確定對應(yīng)分類圖像集中第一子繞組圖像為正常類型；

10、若m=n+1，分析不同異常類型對應(yīng)的第三子繞組圖像在m個(gè)分類圖像集中占比，依次將分類圖像集中占比最大的異常類型確定為當(dāng)前分類圖像集的異常類型，確定對應(yīng)分類圖像集中第一子繞組圖像的異常類型；

11、若m>n+1，分析不同異常類型對應(yīng)的第三子繞組圖像在m個(gè)分類圖像集中占比，依次將分類圖像集中占比最大的異常類型確定為當(dāng)前分類圖像集的異常類型，確定對應(yīng)分類圖像集中第一子繞組圖像的異常類型；將不包含第三子繞組圖像的分類圖像集標(biāo)記為未知異常類型，確定對應(yīng)分類圖像集中第一子繞組圖像的異常類型為未知異常類型。

12、優(yōu)選地，所述根絕當(dāng)前分類圖像集，確定分類圖像集中第一子繞組圖像的異常類型之后，還包括：

13、分析異常類型對應(yīng)的第一子繞組圖像在對應(yīng)繞組圖像的位置，得到異常位置信息；

14、根據(jù)異常位置信息和生產(chǎn)線歷史維修數(shù)據(jù)，確定產(chǎn)品制造流程優(yōu)化方案。

15、優(yōu)選地，所述采用區(qū)域生長算法對電感圖像的繞組部分進(jìn)行圖像提取，得到繞組圖像，包括：

16、對電感圖像進(jìn)行灰度化處理；

17、獲取所述第三子繞組圖像的平均灰度；

18、基于平均灰度在電感圖像中選擇種子點(diǎn)；

19、根據(jù)種子點(diǎn)進(jìn)行區(qū)域生長得到繞組區(qū)域，基于繞組區(qū)域?qū)﹄姼袌D像進(jìn)行裁剪，得到繞組圖像。

20、第二方面，本發(fā)明還提供了一種智能化電子產(chǎn)品制造管理系統(tǒng)，所述系統(tǒng)包括：

21、數(shù)據(jù)獲取模塊，用于獲取待檢測電感的電感圖像；采用區(qū)域生長算法對電感圖像的繞組部分進(jìn)行圖像提取，得到繞組圖像；

22、圖像分割模塊，用于基于待檢測電感的繞組方式，采用對應(yīng)的預(yù)設(shè)間距將繞組圖像進(jìn)行分割，得到多個(gè)第一子繞組圖像；

23、數(shù)據(jù)整合模塊，用于獲取作為正常參照的第二子繞組圖像以及作為異常參照的n個(gè)第三子繞組圖像，其中，n個(gè)第二電感圖像n種異常類型一一對應(yīng)；并將第一子繞組圖像、第二子繞組圖像和第三子繞組圖像進(jìn)行整合，得到圖像數(shù)據(jù)集；

24、圖像分類模塊，用于對圖像數(shù)據(jù)集進(jìn)行聚類分析，得到m個(gè)分類圖像集；分析n種異常類型對應(yīng)第二子繞組圖像在m個(gè)分類圖像集中的分布情況，確定第一電感圖像的異常信息；

25、產(chǎn)品制造流程優(yōu)化模塊，用于基于第一電感圖像的異常信息，優(yōu)化產(chǎn)品制造流程。

26、優(yōu)選地，所述圖像分類模塊還用于：

27、分析第二子繞組圖像在m個(gè)分類圖像集中占比，將第二子繞組圖像占比最大的分類圖像集確定為正常數(shù)據(jù)集，確定對應(yīng)分類圖像集中第一子繞組圖像為正常類型；

28、若m=n+1，分析不同異常類型對應(yīng)的第三子繞組圖像在m個(gè)分類圖像集中占比，依次將分類圖像集中占比最大的異常類型確定為當(dāng)前分類圖像集的異常類型，確定對應(yīng)分類圖像集中第一子繞組圖像的異常類型；

29、若m>n+1，分析不同異常類型對應(yīng)的第三子繞組圖像在m個(gè)分類圖像集中占比，依次將分類圖像集中占比最大的異常類型確定為當(dāng)前分類圖像集的異常類型，確定對應(yīng)分類圖像集中第一子繞組圖像的異常類型；將不包含第三子繞組圖像的分類圖像集標(biāo)記為未知異常類型，確定對應(yīng)分類圖像集中第一子繞組圖像的異常類型為未知異常類型。

30、優(yōu)選地，所述圖像分類模塊還用于：

31、分析異常類型對應(yīng)的第一子繞組圖像在對應(yīng)繞組圖像的位置，得到異常位置信息；

32、根據(jù)異常位置信息和生產(chǎn)線歷史維修數(shù)據(jù)，確定產(chǎn)品制造流程優(yōu)化方案。

33、優(yōu)選地，所述數(shù)據(jù)獲取模塊還用于：

34、對電感圖像進(jìn)行灰度化處理；

35、獲取所述第三子繞組圖像的平均灰度；

36、基于平均灰度在電感圖像中選擇種子點(diǎn)；

37、根據(jù)種子點(diǎn)進(jìn)行區(qū)域生長得到繞組區(qū)域，基于繞組區(qū)域?qū)﹄姼袌D像進(jìn)行裁剪，得到繞組圖像。

38、第三方面，本發(fā)明還提供了一種電子設(shè)備，包括處理器和存儲(chǔ)器，所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序代碼，所述計(jì)算機(jī)程序代碼包括計(jì)算機(jī)指令，當(dāng)所述處理器執(zhí)行所述計(jì)算機(jī)指令時(shí)，所述電子設(shè)備執(zhí)行如上述第一方面及其任意一種可能實(shí)現(xiàn)的方式的方法。

39、第四方面，本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)中存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序包括程序指令，所述程序指令當(dāng)被電子設(shè)備的處理器執(zhí)行時(shí)，使所述處理器執(zhí)行如上述第一方面及其任意一種可能實(shí)現(xiàn)的方式的方法。

40、與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：

41、1）本發(fā)明通過基于銅線特征選擇種子點(diǎn)的區(qū)域生長算法提取繞組圖像；依據(jù)繞組方式從數(shù)據(jù)庫調(diào)取預(yù)設(shè)間距，采用圖像分割算法將繞組圖像分割成多個(gè)第一子繞組圖像；然后獲取正常和?n?種異常參照的子繞組圖像，整合形成圖像數(shù)據(jù)集；再運(yùn)用?k-means?聚類算法對數(shù)據(jù)集聚類分析，依據(jù)不同子繞組圖像在分類圖像集中的占比確定第一電感圖像的異常信息；進(jìn)而根據(jù)異常信息優(yōu)化產(chǎn)品制造流程；本技術(shù)提高了檢測精度、全面檢測異常類型、優(yōu)化制造流程以及具備較高的自動(dòng)化程度?，能有效解決人工檢測電感繞組精度不準(zhǔn)的問題，提升產(chǎn)品質(zhì)量和生產(chǎn)效率。

42、2）本發(fā)明通過dbscan聚類算法將圖像數(shù)據(jù)集聚類為多個(gè)分類圖像集，分析正常與異常參照圖像在多個(gè)分類圖像集中的分布情況，精確識(shí)別已知異常類型，并能標(biāo)記出未知異常類型，不僅實(shí)現(xiàn)了對電感繞組異常的高精度自動(dòng)化檢測，還能夠全面覆蓋包括未知故障模式在內(nèi)的多種異常狀況，從而顯著提升了產(chǎn)品質(zhì)量控制水平和制造流程的智能化程度。

43、應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，而非限制本公開。