专利名称：幅材制备工艺中专用的重复缺陷检测的制作方法
技术领域：
本发明涉及自动检测系统，更具体地讲，涉及用于检测移动幅材的系统。
背景技术：
已经证明用于移动幅材分析的检测系统对现代制备作业至关重要。金属制造、造纸、非织造材料和膜等多种行业依靠这些检测系统进行产品检定和在线过程监控两者。幅材生产线上生产的产品受到许多来源引起的异常或缺陷的影响。一个关注的重点是幅材生产线引起的异常，例如，因连续旋转设备以规则的重复的模式接触幅材所产生的异常。此类设备可总体上描述为“辊”。幅材生产线上使用的典型辊包括(但不限于)浇注轮、拉引辊、压料辊、微复制辊、幅材清洁部件和惰辊。例如，辊表面可能被损坏(如划伤)或可能有污染物(如污垢或其他颗粒)，这在辊传送的移动幅材中引起异常或缺陷。此外，辊可能引起所谓的“重复异常”之处在于在辊的每次旋转时可以在移动的幅材中弓I入新异常。在所得幅材产品上，这些异常在相同横向或“幅材横向”位置中以等于辊周长的距离重复。幅材生产线可具有几百个辊，其中许多辊可具有相似的直径。利用常规检测系统很难辨识引起幅材内的重复异常或缺陷的具体出错辊。例如，市售的幅材检测系统提供对重复缺陷(包括幅材横向位置和幅材纵向重复距离)的辨识功能。然而，这些系统通常需要对给定生产线上的现有辊的直径有先验知识，以便从整个数据流中提取重复缺陷的信息。此外，在许多情况下，给定幅材生产线上可能有许多惰辊或其他辊具有与重复异常的给定重复距离接近的周长，从而难以辨识导致缺陷的辊。作为一个实例，薄膜生产线上的长度取向机可具有许多辊(如12个或更多个)，这些辊均具有相同的8英寸标称直径。利用传统方法常�：苣讶范ㄎㄒ坏牡贾氯毕莸墓酰糠钟捎谡庑┕踔械拿恳桓龅闹本兜奈⑿〔钜焖�。此外，常规系统常常不能解释导致缺陷的辊和幅材检测系统之间幅材的任何空间上的变形(如拉伸)。而且，也会发生未记载的幅材生产线上的辊更换。例如，直径5英寸的辊可以替换直径6英寸的辊，并且可以开始引入重复缺陷。由于未记载更换，并且辊的假设直径不正确，因此使用常规幅材检测系统的工艺操作者可能不会检查已更换的辊是否是造成异常或缺陷的根源。
发明内容
本发明整体描述了移动幅材自动检测技术。检测系统(例如)利用光学采集装置来采集幅材的异常信息，并且利用复杂程度通常较低的第一算法来进行初步检查。存储与包含异常的幅材区域有关的图像信息以用于后续处理，其中接受下述可能性尽管异常中的一些可最终被辨识为缺陷，但多个异常可为“错误肯定”，即，这些异常并非为缺陷。此外，如果幅材被转换成特定产品用途，则幅材中的一些异常区域可能最终被分类为有缺陷的，但如果幅材用于另一种产品中，则该区域可能最终被分类为没有缺陷的。在方便的时间，甚至在所检测幅材已卷绕到辊上且不能利用之后，可重新考虑和完整地分析原始异常信息。因此，移动幅材在检测期间的速度比幅材的整个表面经受复杂分析时可能的速度可能高得多。例如，转换决定可为离线制定的，并且可取决于多个因素。转换控制系统随后重新考虑原始图像信息，并且对图像信息实施多个较复杂的图像处理和缺陷提取算法(本文统 称为“专用缺陷检测法”或简称为“检测法”)中的至少一个，以根据幅材的可能用途从异常中有效地分离出实际缺陷。转换控制系统利用缺陷信息来确定和控制下述方式在该方式中，根据一个或多个产品选择参数将幅材最终转换成产品。具体地讲，转换控制系统应用图像处理和缺陷提取算法来产生多个可能幅材型产品(即，幅材可转换成的产品)的缺陷信息。转换控制系统随后辨识出哪个产品最佳地实现所选参数，例如幅材的最大利用率。可用于影响转换选择过程的产品选择参数的其他实例包括制备的单位产品、从制备的产品获得的估计收入或利润、转换幅材所需的加工时间、用于每一条生产线的当前机器的生产能力、用于不同产品的当前需求或者其他参数。另外，本文所述技术使自动检测系统能够区分重复出现的异常和来源可能不确定的随机异常。幅材生产线的某些元件会在幅材内导致重复异常或缺陷。例如，用来支承系统中传送的幅材的惰辊(本文统称“辊”)可能会在幅材内以规则的间隔产生重复异常。根据本文所述技术，自动检测系统可辨识出幅材内的这类重复异常，并甚至可确定异常的来源。这可以使得生产线的操作者定位导致异常的元件，以修理或更换出错元件。在一些实施例中，幅材检测系统可根据给定异常为重复异常还是随机异常来优先地应用不同的专用缺陷检测法。例如，所述技术认识到，在同一幅材中，相对于非重复或随机异常，可能有利的是对重复异常应用不同的缺陷灵敏度。换句话讲，当对于给定的可能最终用途确定出幅材中的哪些异常认定为缺陷时，幅材检测系统可将第一组一种或多种专用缺陷检测法应用到重复异常并且可将第二组专用缺陷检测法应用到随机异常。这些组的缺陷检测法可在所考虑的算法和异常特性方面不同，或者可考虑相同的特性并且仅在灵敏度方面不同。例如，在一些情况下，当客户对最终产品中的重复缺陷较灵敏时，用于将重复异常分类为缺陷的较严格检测法可为优选的。在这种情况下，应用仅应用于重复异常的较严格的专用缺陷检测法可获得改善的客户满意度水平。此外，用于分类重复缺陷的较严格检测法可通过允许较易于辨识和修理出错的制备元件(如，辊)来提供增强的工艺控制。此外，在一些情况下，可调整不同组的应用缺陷检测法的灵敏度，以实现基本上相同的客户满意度水平，同时仍能实现幅材转换产率提高。例如，仅应用于随机(非重复)异常且不提高或仅适度提高对于重复异常的灵敏度的不太严格的专用缺陷检测法可最终实现提高的转换产率，同时仍能保持基本上相同的客户满意度水平(如同会以其它方式在不区分重复异�：头侵馗匆斐５那榭鱿滤迪值目突舛人�)。此外，可根据领会的客户满意度或重复异常的容错度在针对每个产品的基础上调整不同组的缺陷检测法的灵敏度。此外，幅材检测系统可辨识异常或缺陷在幅材内的位置，然后将这些位置与幅材制备过程中接收的辊同步信号相关联。例如，幅材制备工艺中每一个所关注的辊配有同步标记。在幅材制备过程中，幅材检测系统接收来自该辊中的每一个的辊同步信号，该信号指示相应的辊已完成完整的旋转。幅材检测系统记录这些同步标记每次发生时相对于它的幅材纵向位置坐标系的位置。然后，幅材检测系统将辊同步信号的位置数据与异常或缺陷的位置数据相关联。在一个实施例中，本发明涉及一种方法，该方法包括接收来自幅材制备系统的多个传感器的辊同步信号，其中该传感器中的每一个对应于幅材制备系统的不同辊，并且其中该辊同步信号中的每一个指示在幅材制备过程中对应的辊已完成完整的旋转。该方法还包括从幅材检测系统接收用来辨识异常在幅材上的位置的异常数据。该方法还包括将一组 该异常中的两个或更多个辨识为重复异常，通过将重复异常的位置与辊同步信号进行互相关来辨识该辊中的哪一个导致重复异常，以及输出这些辊中出错辊的识别信息。在另Iv实施例中，本发明涉及一种系统，该系统包括接触幅材的多个棍，其中该辊中的两个或更多个各自包括指示对应的辊完成完整旋转的时间的同步标记。该系统包括多个同步标记读出器，所述同步标记读出器读取多个辊的同步标记并输出辊同步信号。该辊同步信号中的每一个指示幅材制备过程中对应的辊已经完成完整的旋转。该系统还包括在该辊中的至少一个上的编码器和检测系统，其中编码器输出表征幅材的幅材纵向距离的位置信号，检测系统检测幅材并输出辨识异常在幅材上的位置的异常数据。同步单元接收来自编码器的位置信号和来自同步标记读出器的多个辊同步信号，并且将辊同步信号中的每一个的出现转化为与幅材生产线关联的坐标系内的幅材纵向位置。分析计算机处理异常数据，以将一组异常中的两个或更多个辨识为重复异常。分析计算机通过将重复异常的位置与辊同步信号的幅材纵向位置进行互相关，来输出对导致重复异常的辊的指示信息。在另一个实施例中，本发明涉及包含软件指令的计算机可读存储介质。这些指令促使计算机的可编程处理器执行软件指令，并执行本文规定的功能中的至少一些。本文所述的技术可以提供若干优点。例如，该技术可以实现显著高于常规系统的精确度改善。例如，该技术可用于轻松区分差值为小于25 μ m的辊尺寸。这样可以从一组直径相似的辊中辨识出错辊，从而可以更简单更稳健地维护制备工艺。此外，该技术允许从甚至大量的随机缺陷中辨识待检测幅材上的重复异常或缺陷。此外，该技术允许系统测量辊的缺陷产生区域的准确幅材横向和周向位置，甚至区分在相同幅材横向位置处的多个重复缺陷。本发明的一个或多个实施例的细节在以下附图和具体实施方式
中给出。根据具体实施方式
和附图以及权利要求书，本发明的其他特征、目标和优点将显而易见。定义为了本发明的目的，此专利申请中使用的以下术语定义如下“幅材”表示在一个方向具有固定尺寸并且在正交方向具有预定或待定长度的片状材料；
“序列”表示由光学映射到单排传感器元件(像素)的幅材的连续单行或区域形成的图像；“像素”表示由一个或多个数值代表的图像元素；“连通域”表示二进制图像中的连通集的像素；“缺陷”表示特定产品中的不期望发生的情况；“异常”表示幅材中的偏差，所述偏差在给定产品中可能是缺陷或可能不是缺陷，这取决于异常的特性和严重性。“灰度”表示具有大量可能值(如，256个数值)的像素；“二值化”为用于将像素转换成二进制值的操作； “滤波器”为从输入图像到所需输出图像的数学转换，滤波器通常用于提高图像中所需属性的对比度；“专用”表示根据幅材的预期用途来限定要求，如等级；“产率”表示以材料百分比、产品单位数或某种其他方式表达的幅材利用率；“检测法”为可应用于异常信息以根据多个因素来确定任何实际缺陷的专用算法；“产品”为由幅材制备的单个片材(也称为部件)，如用于移动电话显示屏或电视屏幕的矩形膜片；并且“转换”为将幅材以物理方式切割为产品的过程。
图I为框图，示出了全局网络环境，转换控制系统在其中控制幅材的转换。图2为框图，示出了示例性幅材制造厂中的检测系统的示例性实施例。图3为框图，示出了幅材制造厂的示例性实施例中的幅材制备系统的示例性实施例。图4为框图，更详细地示出了远程同步单元的示例性实施例。图5为框图，示出了一个系统，该系统将辊位置数据与检测数据结合，以确定是否有某个辊正在导致重复异常，如果有，则确定该辊中的哪一个正在导致重复异常。图6为框图，示出了来自辊的一组示例性异常数据和对应的位置数据。图7为框图，示出了发生若干次随机异�：椭馗匆斐５氖纠苑�。图8为框图，示出了由图7的数据形成的示例性合成图。图9为流程图，示出了用于辨识正在导致重复异常的辊的示例性方法。图10为框图，示出了被分成条以用于分析每一个条的示例性幅材。图11为流程图，示出了用于确定是否存在重复异常的示例性算法。图12为框图，示出了示例性用户界面。图13为框图，示出了转换控制系统的示例性实施例。图14为由用户界面�？樘峁┑氖纠杂没Ы缑妫没в敫糜没Ы缑娼薪换ヒ耘渲米豢刂葡低�。图15为由用户界面模块提供的另一个示例性用户界面。图16为流程图，示出了通过转换控制系统对异常信息的示例性处理。图17为流程图，示出了一种示例性方法，其中转换控制引擎为给定幅材卷产生转换方案，以使幅材利用率最大化。图18为流程图，示出了一种示例性方法，其中转换控制引擎产生转换方案，以使从幅材卷产生的部件数量最大化。图19为流程图，示出了一种示例性方法，其中转换控制引擎为给定幅材卷产生转换方案，以使从幅材卷实现的总单位销量最大化。图20为流程图，示出了一种示例性方法，其中转换 控制引擎产生转换方案，以使从幅材卷实现的总利润最大化。图21为流程图，示出了一种示例性方法，其中转换控制引擎产生转换方案，以使幅材卷的加工时间最小化、但仍实现限定的最低产率。图22为流程图，示出了一种示例性方法，其中转换控制引擎产生转换方案，以使在一个或多个转换位点处的生产线的利用率最大化、但仍实现幅材卷的限定的最低产率。图23为流程图，示出了一种示例性方法，其中转换控制引擎根据合成缺陷图产生转换方案，以将幅材卷转换成两个或更多个产品，以使幅材卷的利用率最大化。图24为流程图，示出了一种示例性方法，其中转换控制引擎根据多个可配置参数的加权平均值为给定幅材卷产生转换方案。图25为框图，示出了转换位点的一个实施例。图26为流程图，示出了在根据用于实现最大产率或其他可配置参数的转换方案的幅材加工中的转换位点的示例性操作。图27-29示出了示例性缺陷图。图30示出了示例性用户界面，操作者通过该示例性用户界面来配置用于重复异�：退婊斐�(包括它们的组合)的不同专用缺陷检测法的应用。
具体实施例方式图I为框图，示出了全局网络环境2，转换控制系统4在该全局网络环境2中控制幅材的转换。更具体地讲，幅材制造厂6A-6M (“幅材制造厂6”)表示在相互之间生产和运送幅材卷7形式的幅材，然后将成品幅材卷10运送至转换位点8A-8N (转换位点8)的制备位点。幅材制造厂6可以按地理位置分布，该幅材制造厂中的每一个可以包括一条或多条生产线。转换位点8可为与幅材制造厂6相同的实体的一部分。然而，在一些实施例中，转换位点8为成品幅材卷10的客户。转换位点8可从幅材制造厂6购买成品幅材卷10，然后将成品幅材卷10转换成根据等级水平组装到产品12内的各个片材。即，可以根据每一个片材所符合的等级水平选择应将哪个片材组装到哪个产品12中。根据本文所述的技术，转换位点8也可接收成品幅材卷10中的与异常有关的数据，即，可能的缺陷。最终，转换位点8可将成品幅材卷10转换成各个片材，所述各个片材可组装到用于销售至客户14A- 14N(客户14)的产品12内。通常，幅材卷7、10可以包含已生产的幅材，其可以是在一个方向具有固定尺寸并且在正交方向上具有预定或待定长度的任何片状材料。幅材的实例包括(但不限于)金属、纸张、织物、非织物、玻璃、聚合物膜、柔性电路或它们的组合。金属可以包括例如钢或铝等。织物一般包括各种布。非织物包括例如纸张、过滤介质或绝缘材料等。膜包括例如透明和不透明的聚合物膜，包括层合物和涂覆膜。
为了生产准备转换成用于组装到产品12中的各个片材的成品幅材卷10，非成品幅材卷7可能需要经多条生产线的处理，这些生产线可位于一个幅材制造厂内，例如幅材制造厂6A内，也可位于多个制造厂内。每一个加工过程通常使用幅材卷作为原料卷，利用卷将幅材送入制备工艺中。完成每一个加工过程后，幅材通常再次卷绕成幅材卷7并转移至不同产品线或运送至不同制造厂，在那里进行退绕、加工并再次卷绕成卷。重复该过程，直至最终生产出成品幅材卷10。某个工厂(例如幅材制造厂6A)可以在该工厂完成对幅材卷7的加工时检测到在幅材卷7内引入的异常，但在另一个幅材制造厂(例如幅材制造厂6B)已经完成对幅材卷7的加工之后，该异�？赡鼙涞梦薹觳�。
对于多个应用，用于幅材卷7中的每一个的幅材可具有多个涂层，所述涂层是在一个或多个幅材制造厂6的一条或多条生产线处涂覆的。就第一制备工艺而言，涂层通常涂覆至基础幅材的暴露表面，或者就后续制备工艺而言，涂层通常涂覆至先前涂覆的涂层。涂层的实例包括粘合剂、硬涂层、低粘附力背面涂层、金属化涂层、中密度涂层、导电或不导电涂层，或者它们的组合。给定涂层可以只涂覆到幅材的一部分或可以完全覆盖幅材的暴露表面。此外，幅材可以有图案或无图案。在一个给定幅材卷7的每一个制备工艺中，一个或多个检测系统会采集幅材的异常信息。例如，如图2所示，处理幅材时，如向幅材施加一个或多个涂层时，生产线的检测系统可以包括紧邻连续移动幅材设置的一个或多个图像采集装置。图像采集装置扫描连续移动幅材的连续部分，以获得数字图像数据。检测系统可以使用一种或多种算法分析图像数据，以产生所谓的“本地”异常信息。异常信息可以包括表示幅材的不同区域并限定在相应区域处幅材的物理偏差的多种特性的多种异常对象。异常对象可以限定特性，例如幅材异常区域的宽度偏差或幅材异常区域的长度偏差。因此长度和宽度可以表示与预定特性的物理偏差，其可限定(例如)多种等级水平。在一个示例性实施例中，可以采集和处理图像数据，以辨识异常并形成作为代表每一个异常的数据结构的异常对象。与异常信息的采集和配准有关的信息详见共同未决的美国专利申请“Multi-Unit Process SpatialSynchronization”(多单元处理空间同步)，该专利申请授予Floeder等人，序列号为11/828，369，2007年7月26日提交，转让给本发明的受让人，并且其全文以引用方式并入本文中。通常，转换控制系统4应用一个或多个缺陷检测算法(“检测法”)来为每一个幅材卷10选择和产生转换方案，所述一个或多个缺陷检测算法可为专用的(即专用于产品12)。某个异常在一个产品(例如，产品12A)中可能导致缺陷，而该异常在不同产品(例如，产品12B)中可能不会引起缺陷。在一些实施例中，转换控制系统4可根据给定异常经确定为重复异常还是随机(即，非重复)异常来将不同的专用缺陷检测法应用到幅材卷10的所辨识异常。每一个转换方案表示限定的指令，用于将对应成品幅材卷10加工，以用于形成可以最终出售给客户14的产品12。例如，可将幅材卷10转换成用于应用到笔记本转换器的显示屏的最终产品，如，特定尺寸的片材。又如，可将相同的幅材卷10取代地转换成用于应用到移动电话的显示屏的最终产品。转换控制系统4可根据可应用到重复和非重复异常的不同缺陷检测算法来辨识出哪一个产品最佳地实现某些参数，例如幅材的最大利用率。此外，操作者可调整不同缺陷检测算法的某些约束条件(例如，应用到重复和非重复异常的灵敏度差异)，以观察对于该参数中的任何者(例如幅材的利用率)的影响。可用于影响转换选择方法的产品选择参数的其他实例包括制备的单位产品、从制备的产品获得的估计收入或利润、转换幅材所需的加工时间、用于每一条生产线的当前机器的生产能力、用于不同产品的当前需求或者其他参数。有关产品选择方法的其他细节在名称为“ΜΑΧΠΟΖΑΤΙΟΝ OF YIELDFOR WEB-BASED ARTICLES”(幅材型制品的产率的最大化)的美国专利申请7，187,995中有所描述，该专利申请授予Floeder等人，2007年3月6日公布，并且其全部内容以引用方式并入本文中。幅材制造厂6内的生产线的某些元件可以在幅材内引入重复异常或缺陷。例如，当幅材经过生产线时，接合该幅材的“辊”可以在幅材内以规则的间隔引入重复异常。幅材生产线内使用的辊的实例包括浇注轮、拉引辊、压料辊、微复制辊、幅材清洁部件和惰辊。根据本文所述技术，位于制造厂6内或远程的自动检测系统辨识幅材内的这些重复异常，并确定引入重复异常的源辊。这使得操作者定位系统的导致异常的元件，并修理或更换出错元件。如下文更详述所述，幅材检测系统可辨识异常(或分类为缺陷的异常)在幅材内的 位置，然后将这些位置与幅材制备过程中接收的辊同步信号相关联。例如，制造厂6的给定幅材制备工艺的每一个所关注的辊可配有同步标记。在幅材制备过程中，幅材检测系统接收来自该辊中的每一个的辊同步信号，该信号指示相应的辊已完成完整的旋转。幅材检测系统记录这些同步标记的出现。幅材检测系统接着将辊同步信号中的每一个的出现转化到检测系统的空间域，以用于与异常或缺陷的位置数据相关联。本文所述的技术可以提供若干优点。例如，该技术可以实现显著高于常规系统的精确度改善。例如，该技术可用于轻松区分差值为小于25 μ m的辊尺寸。这样可以从一组直径相似的辊中辨识出错辊。此外，该技术允许从甚至大量的随机缺陷中辨识待检测幅材上的重复异常或缺陷。此外，该技术允许系统测量辊的缺陷产生区域的准确幅材横向和周向位置，甚至在相同辊上或区分在相同幅材横向位置处的多个重复缺陷。此外，在一些情况下，异常对于常规检测系统常常表现得一样，而不论该异常发生在幅材的顶侧上还是底侧上。然而，往往希望知道幅材缺陷发生在哪一侧上，因为例如幅材一侧(比如底侧)上的异�？梢栽诤笮讨斜煌坎阈薷矗ゲ嗌系囊斐Ｔ谧钪罩票缸饕抵笠廊豢杉�。因此，通过确定导致特定重复异常的出错辊，检测系统通过存储指定每一个辊所处的一侧(即顶侧或底侧)上的数据，并自动将每一个重复异常与各个辊相关联，可以确定异常发生在幅材的哪一侧上。通过向用户进行显示和指示，将数据存储在数据库内或将数据传输给其他电子系统或装置，可以输出指示导致异常的辊的一侧的数据。本文所述检测系统还可以被配置成在不提示操作者的情况下自动忽视幅材底侧上的重复异常，同时立即提示顶侧上的缺陷。或者，可以将幅材底侧上的此类异常指定为较低水平的提示或警示。因此，本文所述技术的另一个可能的优点可以是有效检测和记录不同重要程度的异常。图2为框图，示出了位于图I的示例性幅材制造厂6A中的幅材生产线的一部分内的检测系统的示例性实施例。在示例性实施例中，将幅材20的一段设置在两个支承辊22、24之间。图像采集装置26A-26N (图像采集装置26)设置为紧邻连续移动幅材20。图像采集装置26扫描连续移动幅材20的连续部分，以获得图像数据。采集计算机27从图像采集装置26收集图像数据，然后将图像数据传送至分析计算机28进行初步分析。图像采集装置26可以是能够读取移动幅材20的连续部分并以数字数据流方式提供输出的常规图像装置。如图2所示，成像装置26可以是直接提供数字数据流的摄像机或是额外具有模数转换器的模拟摄像机。其他传感器，例如激光扫描仪，可以作为图像采集装置使用。幅材的连续部分表明通过连续的单行采集数据。单行包括映射到单排传感器或像素的连续移动幅材的区域。适于采集图像的装置实例包括行扫描摄像机，例如得自加拿大安大略省滑铁卢的戴尔萨公司(Dalsa(Waterloo, Ontario))的Piranha型或得自加利福尼亚州圣何塞的爱特梅尔公司(Atmel(San Jose, Calif))的Aviiva SC2 CL型。其他实例包括与模数转换器结合使用的得自德国慕尼黑的表面检测系统有限公司(Surface InspectionSystems GmbH (Munich, Germany))的激光扫描仪。可以通过使用辅助获取图像的光学组件可选地采集图像。组件可以是摄像机的一部分，也可以与摄像机分开。光学组件在成像过程中利用反射光、透射光或折射光。反射光(例如)通常适于检测因幅材表面变形引起的缺陷，例如表面划痕。 在一些实施例中，基准标记控制器30控制基准标记读出器29来从幅材20采集卷和位置信息。例如，基准标记控制器30可包括一个或多个光学照相传感器，以用于从幅材20读取条形码或其他标记。另外，基准标记控制器30可从与幅材20和/或辊22、24接合的一个或多个高精度编码器接收位置信号。根据这些位置信号，基准标记控制器30确定每一个检测到的基准标记的位置信息。基准标记控制器30将辊和位置信息传送至分析计算机28，所述分析计算机28可使用与幅材的采集到的图像数据相关联的位置信息来确定哪些异常为重复异�：湍男┮斐Ｎ婊斐＃⑶腋荽死从τ檬实钡募觳夥�。分析计算机28还可将任何重复异常的位置与辊同步信号相关联，所述辊同步信号是在幅材制备期间接收的，以辨识出错元件。用于施加和使用基准标记来辨识幅材上的具体位置的技术在共同未决的专利申请“Apparatus and Method for the Automated Marking on Websof Material”(用于在幅材上进行自动标记的设备和方法)中有所描述，该专利申请授予Floeder等人，转让给本专利申请的受让人，序列号为10/826，995，2004年4月19日提交，并且其全部内容以引用方式并入本文。虽然相对于基准标记和基准标记控制器30与读出器29进行了讨论，但并非所有实施例中都需要基准标记来实施本文所述技术。在其他实施例中，在不脱离本文所述技术的情况下，可以用其他方式确定异常在幅材上的位置和其他信息。分析计算机28处理得自采集计算机27的图像流。分析计算机28使用一种或多种初始算法来处理数字信息，以产生本地异常信息，该信息辨识包含最终可能被认定为缺陷的异常的幅材20的任何区域。对于每一个辨识出的异常，分析计算机28从图像数据提取包含像素数据的异常图像，所述像素数据包括幅材20上的异�：涂赡艿闹芪Р糠�。必要时，分析计算机28可将异常分为不同的缺陷类别。例如，可存在用于辨别斑点、划痕和油滴的独特缺陷类别。其他类别可以辨别更多缺陷类型。根据本文所述的技术，分析计算机28还可以确定异�？稍谀闹植�12中引起缺陷。根据基准标记控制器30生成的位置数据，分析计算机28可确定每一个异常在生产线坐标系统内的空间位置。即，根据来自基准标记控制器30的位置数据，分析计算机28确定每一个异常在当前生产线所用坐标系内的X、y以及可能的z位置。例如，可以限定坐标系，使得X维度表示幅材20的横向距离，y维度表示幅材的纵向距离，Z维度表示幅材的高度，所述高度取决于涂层的数量、材料或此前涂覆到幅材的其他层。此外，可以限定x、y、z坐标系在生产线内物理位置处的原点，其通常与幅材20的初始进料位置相关。在任何情况下，分析计算机28在数据库32中记录每一个异常相对于生产线坐标系的空间位置，该信息本文称为本地异常信息。即，分析计算机28在数据库32内存储幅材20的本地异常信息，包括幅材20的卷信息和每一个异常的位置信息。对于每一个异常而言，分析计算机28还可记录该异�？稍诓�12中引起缺陷的那些产品。数据库32可以按许多不同形式中的任何者执行，包括数据存储文件或在一个或多个数据库服务器上执行的一个或多个数据库管理系统(DBMS)。数据库管理系统可以是例如关系(RDBMS)、分层(HDBMS)、多维(MDBMS)、面向对象(0DBMS或OODBMS)或对象关系(ORDBMS)数据库管理系统。例如，数据库32是作为由微软公司(Microsoft Corporation)的SQL Server 提供的关系数据库执行的。一旦该过程结束，分析计算机28就将收集在数据库32中的数据通过网络9传送至转换控制系统4。具体地讲，分析计算机28将卷信息以及本地异常信息和相应的子图像 传送至转换控制系统4，以用于后续离线的详细分析。例如，信息可通过数据库32与转换控制系统4之间的数据库同步进行传送。在一些实施例中，转换控制系统4(并非分析计算机28)可确定出每一个异�？稍诓�12中引起缺陷的那些产品。一旦将成品幅材卷10的数据收集在数据库32中，就可使用所述数据来标记幅材卷上的异常，方式为利用可移除或可擦洗标记直接在幅材表面上进行标记或者在覆盖片材上进行标记，所述覆盖片材可在幅材上的异常标记之前或期间被施加至幅材。图3为框图，示出了示例性幅材制造厂(如图I的幅材制造厂6A)中的示例性幅材生产线40的更多细节。即，图3示出了具有各种辊的典型幅材生产线。例如，虽然为简单起见图2仅示出惰辊46A-46N，但生产线40可具有多种类型的辊，包括惰辊、拉引辊、长度取向机、涂布辊等。在一些情况下，幅材生产线沿幅材40的整个横向路径可具有超过一百个或更多个辊。制备系统40可为与图2的检测系统相同的生产线的一部分，或者制备系统40可为与图2的检测系统不同的生产线的一部分。制备系统40通常通过以下方式生产幅材44 :从引导辊41中拉出基材并经过制备部件48A - 48M (制备部件48)以产生卷绕到幅材辊42上的幅材44。因此，幅材44可以横贯幅材制备部件48，所述制备部件48通过多种方式制造幅材44。例如，制备部件48中的一个(如制备部件48A)可以在幅材44上涂覆涂层。当幅材44横贯幅材制备系统40时，惰辊46A-46N (惰辊46)为幅材44提供支承。即，幅材44可置于惰辊46上同时经历来自制备部件48的制备。尽管可需要惰辊46来适当地定位幅材44，但惰辊46可将异常或缺陷施加到幅材44内。例如，惰辊46中的一个或多个可划伤幅材44底侧。尽管相对于惰辊46进行论述，但在幅材制备系统40中除了或取代惰辊46，还可存在其他类型的辊(例如浇注轮、拉引辊、压料辊、微复制辊、或幅材清洁部件)。因此，本文所述的技术并不限于结合惰辊使用，而是可适用于幅材生产线内的所关注的任何辊。使用惰辊仅仅是为了举例说明。本文所述的技术辨识异常或缺陷在幅材内的位置，并将这些位置与辊同步信号相关联。例如，幅材制备工艺40中所关注的每一个辊可配备各自的同步标记47A-47N。此外，同步标记读出器50A - 50N (同步标记读出器50)与所关注的辊中的每一个(本例中为惰辊46中的每一个)相关联，以用于感测各自的同步标记。同步标记读出器50中的每一个可以检测惰辊46中的对应的一个完成完整旋转的时间，然后以触发脉冲形式发出辊同步信号，再由远程同步单元54检测该信号。即，同步标记读出器50中的每一个可以在辊46中的对应的一个完成完整旋转之后输出短脉冲，每一个短脉冲的前沿可以表明已经检测到完整的旋转。在一个实施例中，同步标记读出器50中的每一个可为光学照相传感器。例如，读出器50可为得自邦纳工程公司(Banner Engineering Corp)的DlO系列传感器。通常，当标记旋转经过读出器时，读出器50检测到对应的同步标记47。在示例性实施例中，同步标记47可以是靶，例如回射材料或辊的机加工部分。检测到辊46中的对应的一个上的基准点同步标记47时，读出器50中的一个将输出同步标记信号。因此，读出器50中的每一个根据辊46中的对应的一个的每一次旋转输出离散信号。为了有助于将辊同步信号转化到与幅材生产线40相关联的坐标系的空间域，将旋转编码器固定至沿生产线的一个或多个辊。在此实施例中，将旋转编码器52固定至幅材辊41。在其他实施例中，取代或除了编码器52，还可使用结合辊46中的一个或多个的编码 器。在一个实施例中，编码器52可为根据定位传感器的正弦编码器。其他实施例可采用其他类型的定位传感器或编码器。通常，编码器52输出电脉冲序列，所述电脉冲序列直接同步到幅材辊41的物理移动。例如，编码器52可针对幅材辊41的每一次旋转发出一系列脉冲。在一个实施例中，例如，编码器52可针对每次旋转发出四百万个脉冲，由此提供高度的位置精确性。远程同步单元54接收来自编码器52的位置脉冲和来自同步标记读出器50的卷同步信号并产生如下逻辑映射，所述逻辑映射辨识出与惰辊46中的每一个对准的幅材44的各个部分。例如，对于该辊中的每一个而言，远程同步单元54将幅材的空间域划分成一系列片段，该片段中的每一个与相应辊的周长一样长。例如，对应于惰辊46A的每一个幅材片段为18. 85英寸，即6. 00英寸* 31。对应于惰辊46B的每一个幅材片段为18. 91英寸，并且对应于惰辊46C的幅材片段为18. 79英寸。通过这种方式，远程同步单元54使用来自编码器52的位置数据以及来自同步标记读出器50的辊同步信号，以将辊同步信号转化到生产线40的坐标系的空间域，以确定每一个辊或所关注辊的空间域内的幅材片段。因此，远程同步单元54不一定需要关于辊46中的每一个的准确直径的先验数据才能确定幅材片段并最终检测重复缺陷。在一些情况下，所关注的辊中的一些或全部可具有大致相等的直径。例如，惰辊46中的子集或全部可具有大约六英寸的相同直径。然而，由于制备的波动性，惰辊46中的该子集通常不具有完全相同的直径。例如惰辊46A的直径可以是6. 01英寸，惰辊46B的直径可以是6. 02英寸，惰辊46C的直径可以是5. 98英寸。所述技术充分利用通过计算给定辊的重复缺陷与对应的辊同步信号之间的相对偏移量的变化获得的平均化。这提供了精确的精度，允许甚至在具有尺寸基本上类似的辊但辊本身有制备的波动性的生产线内进行重复缺陷检测。为了将异常与惰辊46中的一个相关联，检测系统可以首先收集有关幅材44的数据。利用远程同步单元54已收集并关联的来自编码器52的脉冲和来自同步标记读出器50的辊同步信号，检测系统分析该辊中的每一个的已辨识幅材片段的异常数据。检测系统可以将这些幅材片段的许多实例的数据结果平均化。例如，在一个实施例中，检测系统可以收集给定辊的100个幅材片段数据的实例。然后，检测系统分析该数据，以尝试区分重复异�：退婊斐�。如果给定辊的已分析幅材片段的大多数实例中发生异常，并且在那些发生该异常的实例中，异常发生在相同或相对接近相同的位置处，则检测系统可以确定该异常为例如辊46中的一个引起的重复异常。例如，如果惰辊46A在幅材44内引起异常，则该异�？赡芑嶂馗矗⑶壹偕韫�46A的直径为6. 00英寸时，则重复异常的实例应当发生在相隔大约18. 85英寸处。在一些布置中，惰辊46在幅材44中赋予的异常中的至少一些可以在幅材44准备转换成片材之前修复，即校正。换句话讲，虽然惰辊46可以在幅材44内赋予异常，但由于在幅材44准备转换之前可通过其他制备工艺校正异常，因此该异常可能不会引起缺陷。例如，由惰辊46施加至幅材44的异常将位于幅材44底侧上。发生在幅材44顶侧上的异常可不会在幅材44中修复或校正。即，如果将包含这类异常的幅材片段或各个片材转换成产品12中的一个，则发生在幅材44顶侧上的异常可造成产品12中的缺陷。根据本文所述的技术，检测系统可能够确定异常发生在幅材44顶侧还是底侧上。此外，检测系统可能够描绘发生在惰辊46中的特定一者(例如，惰辊46A)顶侧上的异常源。因此，制备系统40的操 作者可以定位引起异常的惰辊46A的部分，并修理惰辊46A。图4为框图，更详细地示出了远程同步单元54的示例性实施例。如图3所示，远程同步单元54可以电连接到编码器52和同步标记读出器50，以接收来自它们的信号。通常，示例性远程同步单元54感测所接收到的每一个辊同步信号(在图4中示出为“一次返回”信号A、B-N)的出现，并将该信号转化到相对于来自编码器52的位置数据的空间域。此外，同步单元54输出位置数据，该位置数据指示对应于相应辊的一次旋转的同步信号的位置。在示例性实施例中，远程同步单元54包括计数器56A-56N (“计数器56”)和寄存器58A-58N (“寄存器58”)。同步标记读出器50中的每一个与计数器56中的一个相联，计数器56中的一个又与寄存器58中的一个相联。得自编码器52的脉冲信号用作驱动计数器56的全局增量。S卩，当编码器52检测到幅材移动时，编码器52发送用于同时地递增计数器56中的每一个的一系列脉冲。在图4的示例性实施例中，辊46A可包括位于辊的外边缘附近的一系列小孔，光线可照射穿过所述小孔。每当编码器52检测到穿该小孔中的一个的光线时，编码器52可将信号发送至计数器56中的每一个。计数器56又可并行地接收编码器信号的脉冲序列并且同时地递增其相应的计数器。来自该辊中的每一个的辊同步信号被用作触发信号，以用于将该值记录在该辊对应的计数器内。具体地讲，在辊46中的任何者的完整旋转期间，辊的相应同步标记47将通过相关的同步标记读出器50。例如，对于辊46A的每一次旋转，同步标记读出器50A将检测到同步标记47A。检测到同步标记47A时，同步标记读出器50A将向远程同步单元54输出短脉冲形式的辊同步信号。作为对该脉冲的响应，远程同步单元54将对应计数器(本例中为计数器56A)的当前值锁存到对应数据寄存器(寄存器58A)内。控制器60高速轮询寄存器58中的每一个或者被中断驱动，以检索最新的计数器数据。因此，控制器60的轮询周期快于所有辊46的旋转。如果当轮询寄存器58中的一个(如寄存器58A)时，计数器数据与先前轮询相同，则控制器60可忽略当前计数器数据。然而，如果计数器数据已经改变，则控制器60可检索计数器数据，并将该计数器数据连同辊号发送至分析计算机59(图5)。即，在检测到一个数据寄存器58的变化时，同步单元54的控制器60以当前编码器脉冲数的形式输出辊位置数据。如结合图5和图6所述，分析计算机59可以协调该辊中的每一个的辊位置数据与检测数据，以便确定任何异常是否为辊46中的一个引起的重复异常，以及确定辊46中的哪一个正在导致重复异常。分析计算机59可以将数据输出至显示器，以指示辊46中的哪一个导致了每一组重复异常。例如，分析计算机59可以输出幅材一部分的图示以及对重复异�：退媸兜牡贾赂弥馗匆斐５墓醯闹甘�。此外，分析计算机59还可以把将重复异常与所辨识的导致该重复异常的辊相关联的数据输出并存储在数据库(如数据库32)中。图5为示出系统61的框图，其中分析计算机59将 自一个或多个远程同步单元(如图3和图4的远程同步单元54)的辊位置数据与检测数据组合，以确定是否所关注的辊中的一个(如辊46中的任何者)正在导致重复异常，如果有，则确定是该辊中的哪一个正在导致重复异常。可以将分析计算机59连接到一个或多个幅材检测部件，如以举例的方式结合图2的分析计算机28、采集计算机27和图像采集装置26示出的。使用检测系统检测幅材是否存在异常在下列专利申请中有更详细的描述共同未决的专利申请“Multi-UnitProcess Spatial Synchronization”(多单兀处理空间同步),该专利申请授予Floeder等人，序列号为11/828,369，2007年7月26日提交，转让给本发明受让人；和共同未决的专利申请“Apparatus and Method for the Automated Marking of Defects on Webs ofMaterial”(用于自动标记幅材缺陷的设备和方法),该专利申请授予Floeder等人,序列号为10/826,995，2004年4月19日提交，转让给本发明受让人，这些专利申请全文以引用方式并入本文中。在一个实施例中，分析计算机59可以是服务器级计算机。在其他实施例中，分析计算机59可以是分布式计算系统或能够处理用于处理检测和位置信息所需的大量数据的其他计算系统。如上所述，远程同步单元54的控制器60在检测到辊46中的一个的旋转之后发送辊位置数据，该辊位置数据可以辊标识信息(即触发号)和所记录的当前编码器位置的形式存在，其中当前编码器位置表示该辊的给定完整旋转的幅材纵向位置(DW位置)。在一些实施例中，编码器52可以将位置脉冲发送至远程同步单元54和检测系统两者，以允许将辊的幅材片段的空间域与检测到的异常相关联。在其他实施例中，可使用两个不同编码器来提供由分析计算机59核查的位置参考信息。在其他实施例中，检测系统可采用如下不同装置，所述装置跟踪沿幅材的距离，例如基准标记。使用幅材基准标记的技术在共同未决的专利申请“基准 Marking for Multi-Unit Process Spatial Synchronization”(用于多单兀处理空间同步的基准标记)中有所讨论，该专利申请的序列号为11/828，376，授予Floeder等人，转让给本发明受让人，2007年7月26日提交，并且其全文以引用方式并入本文中。在任何情况下，分析计算机59都将来自远程同步单元54的辊位置数据与如检测系统确定的幅材上的异常的位置数据相关联。可以从检测传感器向采集计算机62A - 62M(“采集计算机62”)传输视频或其他图像数据。这些计算机表示能够采集和处理用于检测幅材上各种类型的异常(如划痕、斑点、液滴、溅痕或其他类型的异常)的检测数据的软件和/或硬件。例如，采集计算机62可为在分析计算机59或图2的分析计算机29上执行的软件模块。或者，采集计算机62可为与分析计算机分离的分立单元。在任一种情况下，当采集计算机62中的一个检测到异常(例如，当采集计算机62A检测到异常)时，传感器62A都输出指定异常类型、异常的幅材横向位置和异常的幅材纵向位置的异常数据。分析计算机59处理异常数据和辊位置数据，以确定是否有任何异常重复发生在相同辊的多个幅材片段内的基本上相同的幅材横向位置处并具有基本上相同的幅材纵向偏移量。例如，如果辊46中的一个导致重复异常，则重复异常发生在基本上相同的幅材横向位置处，并且会以对应的辊的周长(即导致重复异常的辊的周长)的间距重复出现。这样，分析计算机59可以确定重复异常正在发生。此外，通过将重复异常的幅材纵向位置与不同辊的幅材片段的幅材纵向位置相关联，分析计算机59能够辨识辊46中的哪一个正在引起该重复异常中的每一个。图6为框图，示出了一组示例性的异常数据63和对应的位置数据65。在通过分析计算机59处理之前，所有异�？煽雌鹄炊际窍嗤模矗婊椭馗匆斐？赡茉谑泳跎夏岩郧�。然而，在分析之后，分析计算机59将随机异常74与重复异常64、66、70、和72区分 开并且可利用信号76使该重复异常与导致辊相关联。编码器52和同步标记读出器50产生一系列脉冲，所述一系列脉冲图形化地示出辊46中的每一个随时间推移沿幅材67的幅材纵向长度的位置。来自编码器52的编码器脉冲和来自同步标记读出器50的同步脉冲分别示为信号76和图形78A - 78N(“图形78，，)。根据该数据、辊位置数据，分析计算机59确定发生在来自同步标记读出器50中的一个的同步脉冲之间的来自编码器52的编码器脉冲数。在图6的实例中，辊46A每次旋转具有11个编码器脉冲，辊46C每次旋转具有19个编码器脉冲，辊46B和46D每次旋转均具有9个编码器脉冲。分析计算机59确定出异常64A - 64D (“异常64”)为重复异常，该异常发生在相似的幅材横向位置处，并且根据其幅材纵向位置信息，它们在与制备的幅材相关的坐标系内以周期性间隔发生。分析计算机还确定异常64中的一个发生在来自辊46C的每一个同步脉冲之后的一个编码器脉冲时。即，在该实例中，异常的幅材纵向位置相对于辊46C的新幅材片段开始处的偏移量不变。因此，分析计算机59确定重复异常64是由辊46C引起的。操作者接着可以在重复异常64的幅材横向位置处检查辊46C，并修理或更换辊46C。相似地，一组异常66A - 66D (“异常66”)均发生在相同幅材横向位置处。然而，存在预期会发生的错漏异常68A和68B。可能出错辊并未引起异常，或者检测系统未能检测到在位置68A和68B中的一个或全部两个处的异常。然而，在任一种情况下，分析计算机59仍然可以确定存在重复异常。这是因为，即使对于错漏异常68A和68B，当辊的大多数新幅材片段包含处于相同的幅材横向位置内并且到同步脉冲(即该辊的新幅材片段开始处)的距离基本上相同的异常时，分析计算机59确定存在重复异常。在这种情况下，重复异常66中的每一个在信号78A的大多数同步脉冲之后出现7个编码器脉冲。因此，分析计算机59可以确定辊46A正在导致重复异常。本文所述的技术甚至可用于检测重复异常70A - 70G (“重复异常70”)和重复异常72A-72G (“重复异常72”)，并用于区分重复异常70和重复异常72。重复异常70和重复异常72各自发生在相同幅材横向位置处。重复异常70各自在图78B的同步脉冲之后出现I个编码器脉冲，并在图78D的同步脉冲之后出现4个编码器脉冲。重复异常72各自在图78B的同步脉冲之后出现7个编码器脉冲，并在图78D的同步脉冲之后出现I个编码器脉冲。虽然看上去辊46B或46D可能正在引起这些重复缺陷中的任一种，但分析计算机59仍可以确定重复缺陷70和72中哪一个是由辊46B和46D引起，因为辊46B和46D的直径很可能有某些可检测的差值。为了便于可见性和可读性，在图6的实例中示出了少量的编码器脉冲。然而，在多个实施例中，在同步脉冲之间使用远远更多的编码器脉冲。例如，在一个实施例中，同步脉冲之间可以出现多达四百万个编码器脉冲。在此分辨率下，有可能检测甚至极其小的随时间推移的位置差别。因此，如果具有相同标称直径的两个不同的辊正在相同的幅材横向位置导致两组重复缺陷，当一组异常与这两个辊中的一者的同步脉冲相关联时，该组异常会看上去静止，而另一组则会看上去在滑动。图7和图8概念性地示出了这一点。图7为框图，示出了发生若干次随机异�：椭馗匆斐５氖纠苑�80。幅材80可相当于(例如)幅材44。在此实例中，幅材80可能已经横贯了三个惰辊，如惰辊46A、46B和46C。惰辊46A、46B和46C可具有6英寸的相同标称直径，但该辊中的每一个的实际直径可略有不同。利用对应于惰辊46的同步标记从逻辑上确定给定辊的幅材片段。在图7的实例中，虚线用于表示幅材片段82A - 82D (幅材片段82)之间的分界线，即虚线表示辊46中的一个的来自同步标记读出器50中的一个的同步脉冲。每一条虚线出现在固定距离102之后，该固定距离102对应于惰辊46周长中的一个，即同步脉冲之间的距离。例如，在这种情况下，距离102可以是18. 85英寸。由于这个分段，可以确定(例如)惰辊46A是否正在导致幅材44上的异常中的任何者。幅材片段82A包括异常84A、86A、88A、90、和92。幅材片段82B包括异常84B、86B、88B、和94。幅材片段82C包括异常84C、86C、88C、96、和98。幅材片段82D包括异常84D、86D、88D、和80。为了确定这些异常中的任何者是否为由惰辊46A引起的重复异常，分析计算机测定每一个异�：兔恳桓鐾铰龀�(即，由每一条虚线表示的每一个幅材片段开始处)之间的距离。虽然图7为举例说明仅示出4个幅材片段82，但可以使用多得多的片段进行分析。例如，在一个实施例中，分析计算机可分析一百个幅材片段，然后作出有关重复异常的决策。分析计算机为该辊中的每一个重复该分析过程。即，分析计算机为每一个同步脉冲将幅材以相同方式分段，从而允许计算机辨识重复异常的具体来源。图8为框图，示出了由图7的单个辊的数据片段形成的实例合成图110。S卩，合成图110具有幅材纵向总长度102 (本例中为18. 85英寸)，其中幅材片段中的每一个被重叠。因此，合成图110包括来自幅材80的幅材片段82中的每一个的异常，并且这些异常已经在空间上对准到该特定辊的同步脉冲所限定的幅材片段的开始处。在合成图110中，异常84、86和88各自看上去是重复异常。然而，合成图110显示，重复异常84在不同的幅材片段中在幅材纵向方向偏移。S卩，异常84和88可能是重复异常，但它们不以惰辊46A的周长为间隔重复。通过确定从该具体辊的同步脉冲到异常84和88中的每一个的距离超出异常84和88的每一个实例的阈值差值，分析计算机59可以
、确定这一点。相比之下，异常86为重复异常，并且是由数据已经分段的辊引起，因为如合成图110所示，这些异常的间距基本上等于惰辊46A的周长。S卩，对于异常86的每一个实例，同步脉冲和异常86的实例之间的距离在距离公差范围内。根据编码器的位置分辨率，距离公差可以例如为±2个脉冲。因此，检测系统可以确定异常86为惰辊46A引起的重复异常。例如，异常86可以是惰辊46A上的粗糙斑点在幅材80底侧上产生的划痕。根据这个判断，操作者可以尝试在该位置处修理惰辊46A，以抑制惰辊46A产生更多异常。在一些实施例中，可以对检测系统重新编程，以忽略在随后的幅材片段中的相似位置处出现的异常，因为一旦幅材80最终转化成产品，这些异常就实际上很可能不会引起缺陷。即，由已知位于幅材底侧上的惰辊或其他辊引起的几乎所有异常均可以在幅材80的制备过程中的某个时间点修复。然而，幅材80的随机异常90、92、94、96、98、和80可能发生在幅材80的顶侧上，并且异常90、92、94、96、98、和80将可能在幅材80制备的剩余过程中没有修复。因此，检测系统可将这些异常的位置标记在数据库(例如图2的数据库32)中或幅材表面上，并且系统也可注明一旦将幅材80转换成产品，这些异常就将可能引起缺陷。
图9为流程图，示出了用于辨识正在导致重复异常的辊的示例性方法。结合分析计算机59讨论了该方法,但该方法并不受限于单个计算机的性能。首先，分析计算机59接收来自传感器62的异常数据(120)。如上所述，传感器62表示能够采集和处理用于检测幅材上各种类型的异常(如划痕、斑点、液滴、溅痕或其他类型的异常)的检测数据的软件和/或硬件。由传感器62输出的异常数据包括异常在幅材(例如图3的幅材44)上的幅材横向位置和幅材纵向位置两者。异常数据还可包括异常型信息，所述异常型信息可辨识所辨识的异常为哪种类型的异常，例如小孔、凹坑、划痕、污点、或其他类型的异常。分析计算机59也接收辊数据(122)。辊数据可包括每一个辊的识别信息以及表征每一个辊的完整旋转的出现的数据。例如，辊数据可以使用独特的标识符或标签来辨识辊46A，该标识符或标签可由使用者分配，并且包括当同步标记读出器50A阅读同步标记47A时每一个实例的触发号(如序号)和幅材纵向位置。
分析计算机可处理异常数据以辨识重复异常，并且可将所接收的异常数据与所接收的辊数据相关联以使异常对准出错元件(124)。首先，分析计算机59处理辊数据，以从逻辑上将幅材分配成一系列片段，并且可以以类似的方式为每一个关注的辊重新分配幅材。即，对于每一个关注的辊，系列中的每一个片段的长度是由来自同步标记读出器50中的对应一个的两个连续触发信号之间的距离限定的。因此，这种分配的片段中的每一个的长度基本上等于辊46中的对应一个的周长。例如，分析计算机59可从逻辑上将幅材分配成用于辊46A的一组片段。因此，相对于生产线的坐标系，来自同步标记读出器50A的信号之间的幅材纵向距离将等于辊46A的周长。如下文更详细描述的，对于给定的关注的辊，可以分析这些逻辑片段中的每一个的异常数据，以确定在片段内基本上共同的位置内存在异常，即，这些异常发生在共同的幅材横向位置处，并且到所有或阈值数量的逻辑片段开始处具有共同的幅材纵向距离。在一个实施例中，该阈值可以是大部分片段。在一些实施例中，每一个片段的宽度可以是幅材的宽度。在其他实施例中，例如结合图10所描述的实施例，可以在幅材横向方向上将幅材划分成条，使得片段宽度由对应条的宽度限定。根据为关注的辊中的每一个而对幅材进行的逻辑分配，分析计算机59辨识该片段中的每一个上的异常的位置。这样，分析计算机59确定每一个异常相对于每一个辊的每一次旋转的位置。分析计算机59接着分析异常数据(126)，以确定存在重复异常(128)。分析计算机59为每一个辊确定异常是否发生在相对于辊的旋转基本上相同的位置。即，分析计算机59确定是否异常中的任何者该辊中的在任何者的逻辑片段上处于基本上相同的位置。例如，分析计算机59可以确定对于给定分配的所有或阈值数量的片段，异常发生在幅材横向16英寸和幅材纵向5英寸处。通过确定存在重复异常，分析计算机59可以接着辨识辊46的导致异常的辊
(130)。例如，分析计算机59可以确定辊46A正在导致重复异常，因为在辊46A的每一次旋转之后所关注的异常发生在基本上相同的幅材横向和幅材纵向位置处。相应地，分析计算机59可以输出导致异常辊的种类(132)。例如，分析计算机59可以将该标识信息输出到计算机屏幕上。也可以采用标识导致异常辊的其他方式，例如，在出错辊上或附近亮起灯。又如，分析计算机可以使与出错辊相关联的发光二极管(LED)亮起，其中每一个辊与LED相关联，并且LED可以设置在板上，以为操作者提供中心观察位置。另外，分析计算机59还可以输出异常位置，以辅助操作者修理出错辊。操作者可以确定同步标记在辊上的位置，并且利用异常位置在重复异常的位置处检查辊，以确定导致重复异常的元件是否可以修理。
图10为框图，示出了示例幅材152，该幅材在逻辑上被分成条154A- 154K (“条154”)，以用于分析每一个条。在一个实施例中，为了确定是否发生重复异常，可(例如)将幅材152 (可表示幅材67)分成条(例如条154)。分析系统(例如图2的检测系统)可以单独检查条154中的每一个。由于重复异常会发生在大致相同的幅材横向位置，通过将幅材152分成条154可以提高数据采集的效率。即，可以单独检查每一个条，而不必考虑发生在其他条内的异常。在图10的示例性实施例中，幅材152已被分成条154A - 154K。所示条的数量仅仅是示例性的，并且可以根据幅材152的尺寸、可用检测装置的数量或其他因素选择条的数量。条 154A、154C、154E、154I 和 154K 以虚线为界，而条 154B、154D、154F、154H 和 154J 贝丨J以点划线为界。在图10的实例中，相邻条略微重叠，以使得沿条边缘发生的重复异常以及条中央发生的重复异常被检测。已经证明小至5mm的条宽度是可用的。图像采集装置(例如图2的图像采集装置26)可检测在条154处的幅材152。图像采集装置26中的一个可检测条154中的每一个。分析计算机27可确定对应的图像采集装置26是否已检测到异常，如结合图2所述。此外，图5的分析计算机59可确定是否在条154中的任何者中发生重复异常。在一个实施例中，分析计算机59可使用结合图11所述的算法来确定是否在条154中的一个中存在重复异常。由于重复异�？梢苑⑸谔醯闹氐�(例如条154A和154B之间的重叠区域)，此类异常可能会被检测到两次。检测系统可以利用各种因素调整此类重复检测。例如，检测系统可以比较重复异常的幅材横向位置，以及该异常的每一个实例的幅材纵向位置与实例之间的重复间隔。当发现两个重复异常具有相同的幅材横向位置，并且异常的实例以相同的间隔发生在相同幅材纵向位置处时，系统可以忽略重复异常中的一个，以避免为同一重复异常触发两次报警。图11为流程图，示出了用于确定是否存在重复异常的另一种示例性算法。在一个示例性实施例中，图11的方法可用于实现图9的步骤128的结果。在一个实施例中，图11的方法可以独立地应用到从图10的条154中的每一个(例如条154A)采集的数据。在示例性实施例中，首先，分析计算机59确定起始点A，该点可以是检测到的第一个异常(160)。如上所述，重复异常是由幅材生产或制备系统的元件(例如惰辊)引起的异常。因此，存在某个距离(本文称为“Rmin”)，该距离为重复异常的最小可能重复距离。例如，就重复异常由幅材生产过程中使用的多个惰辊中的一个或多个引起而言，Rmin为关注的最小惰棍的周长。因此，分析计算机59可以搜索条154A内的点B,使得点A和B的幅材横向位置相同，并且点A和B之间的幅材纵向距离为至少Rmin(162)。然后，分析计算机59可以确定条154A内是否存在点C，使得点C的幅材横向位置与点A和B的相同，并且使得点B和C之间的幅材纵向距离为点A和B之间的距离的某个倍数(164)。重复异�？赡懿换嵩诿扛鲈て谑道兄馗�。如结合图6所讨论的，可以跳过重复异常的若干个实例。因此，在确定点C是否为重复异常的实例时，该示例性实施例确定点B和C之间的距离是否为点A和B之间距离的倍数。在一个示例性实施例中，该倍数可为
1、1/2、1/3、2、或3中的一个。即，根据对给定应用的检测能力，专家用户可以预限定用于辨识零星重复缺陷的整数倍的数量。例如，对于具有极高检测能力的给定系统，整数倍数可为1，而具有较低检测能力的第二系统可使用倍数5。第一系统检查距给定异常的仅单个幅材纵向距离，而第二系统检查倍数1、2、3、4、5和1/2、1/3、1/4、和1/5。应当注意，计算复杂性 随倍数的增加而增加。在实施过程中,倍数3可能基本足够。如果找不到距点B —定距离(例如，是点A和B之间距离的1、1/2、1/3、2或3倍)的点C (步骤166的“否”分支)，则分析计算机59可以获得异常新起点A (168)，并且尝试确定该新起点是否为重复异常的一部分。然而，如果分析计算机59确实发现了这样的点C(步骤166的“是”分支)，则分析计算机59可以接着搜索点D，其中点C和D之间的距离为点A和B之间距离的倍数(170)。在一个实施例中，可使用与步骤164中相同的可能倍数组,如，1、1/2、1/3、2、和3。点D可用于确认点A、B、和C为一系列重复异常的实际部分。如果找不到点D (步骤172的“否”分支)，分析计算机59可以再次重新开始选择异常新起点A的过程(168)。如果例如点A、B和C处的异常不是重复异常的一部分，并且点A和B之间的距离与点B和C之间的距离仅仅是巧合，则找不到点D。然而，如果分析计算机59确实找到了点D (步骤172的“是”分支)，则很可能点A、B、C和D构成一列重复异常。因此，分析计算机59可以将重复距离确定为点A和B、点B和C、以及点C和D之间距离中的最小值(174)。然后，分析计算机59可以预期在点A、B、C和D的幅材横向位置距点D的确定的重复距离处发现重复异常。分析计算机59可以分析条154中的每一个，以便以类似方式发现重复异常。在已确定出重复异常之后，分析计算机59可根据图9的方法来确定重复异常的源辊。例如，分析计算机59可计算重复异常的一个实例与点A (即，重复异常的第一辨识实例)之间的偏移量。然后，分析计算机59可以使用该偏移量预测与所分析的辊46中的一个相对应的同步标记47中的一个的预计位置。然后，分析计算机59可以确定该同步标记是否被记录在预计位置的某个容错范围内。如果同步标记被记录在预计位置处，或者在预计位置的预定公差范围内，那么与被分析的同步标记相对应的辊就是出错辊。然而，如果同步标记未记录在预计位置处或在公差范围内，则与该同步标记相对应的辊不是导致重复异常的辊。分析计算机59使用的容错可以是分隔异常的预计完整旋转数的函数。例如，对于直径为20. OOOcm和20. OOOlcm的两个几乎相同的辊，分隔两个重复间隔的幅材纵向距离将为大约62. 800cm和62. 803cm，其差值可能小得无法测量。然而，在该辊经过50次预计完整旋转之后，幅材片段末端的幅材纵向位置将为3140cm和3140. 15cm,从而形成O. 15cm的位置差，该值是分析计算机59所使用的可测量容错。例如，重复异常序列的第一位置(即点A的位置)可能已被记录在O. 4924m处，并且重复异常的第η个实例可能发生在幅材纵向距离79. 5302m处。那么，偏移量将为79. 1008m(79. 5302m - O. 4924m)。辊46A (图3)的第一同步标记可已通过在位置O. 0012m处的同步标记读出器50A进行读取。因此，如果辊46A正在导致重复异常，则为同步标记47A记录的最靠近序列中第η个异常的位置应当相对靠近79. 1020m (O. 0012m+79. 1008m)。如果最靠近被分析异常的同步标记实际上记录在78. 7508m处，则误差为O. 3512m，该误差明显足够确定辊46A不是导致重复异常的辊。然而，辊46B的第一个被记录的同步标记可能在O. OOOlm处。因此，为同步标记47B记录的位置可预期在79. 1009m(79. 1008m+0. 0001m)处。如果同步标记47B的实际记录位置为79. 1018m,则误差应当仅为O. 0009m,这应当表明辊46B正在导致重复异常。尽管相对于条154的使用进行论述，但上述方法并不限于条154的使用。例如，所 述方法可应用于仍未被划分成条154的完整幅材152。在另一个示例性实施例中，可使用多个分析计算机(而非单个分析计算机59)，其中为每一个条使用一个分析计算机。例如，可对图2的采集计算机27编程以实现用于相应条154的图11的方法。采集计算机27中的每一个随后可将发现的重复异常上传至分析计算机59以用于核查。可以将上述方法以软件指令形式编码到计算机可读存储介质内，以命令计算机的处理器执行该方法的步骤。图12为框图，示出了示例性用户界面180。用户界面180可实施为示出多种信息的图形用户界面(“GUI”)。例如，用户界面180可包括数据输出区域182。数据输出区域182可向与系统交互(例如通过分析计算机59)的用户显示各种原始和/或汇总的数据。在图12的示例性实施例中，数据输出区域182包括显示有关检测到的重复异常的“重复”区域183A，以及显示有关检测到的辊滑移的“滑移”区域183B。重复区域183A包括辊标识符列186、优先级列188、动作描述列190、和图列192。辊标识符列186中的条目辨识行中的条目所对应的辊。例如，辊标识符列186中的第一个条目为“1”，表明该行包括有关辨识为“I”的辊的信息。优先级列188中的条目向用户表明检测到的重复异常的重要程度。在图12的实例中，优先级示为“高”、“中”或“低”。其他实施例可以采用不同的优先等级和指示方式，例如“绿”、“黄”或“红”或数字标度(如1-10)。动作描述列190中的条目向用户表明其应采取的建议或所需的行动。例如，描述列190中的第一个条目为“拉引辊#3”。查看该画面的用户应当将辨识为数字“3”的辊替换成新的辊。此外，假设优先级列188中的优先级为“高”，则用户应尽当快更换辊“3”。图列192允许用户选择辊并在图窗口 184上查看合成图。例如，用户可使用连接到分析计算机59的鼠标将指针指向列192内的一个单元格，并按下按钮选择对应的辊。在图12的实例中，用户已选择辊“4”。因此，分析计算机59已在图窗口 184中显示出对应于辊“4”的合成图。窗口 184中的合成图可类似于图8的合成图110。分析计算机59可在与数据输出区域182相同的窗口中或在不同窗口中显示图184。分析计算机59可显示出随机异常198并在图184中将其与检测到的重复异常200区分开。例如，在一个实施例中，随机异常198可显示为一种颜色(例如黑色)，而重复异常200可显示为不同颜色(例如红色)。在另一个实施例中，在多个实例上的某个位置中发生异常的数量可决定该异常在图184中显示的颜色。例如，图184可显示出针对辊“4”采集的最近20个实例的数据的合成图。在合成图上特定位置处仅发生一次的异�？上允疚谏�。在合成图上相同位置发生的异常在2次和5次之间可显示为绿色。发生的异常在6次和10次之间可显示为黄色。发生11次或更多次的异�？上允疚焐�。滑移区域183B显示有关幅材横贯制备系统时辊是否滑移的信息。例如，当幅材没有一直接触辊时，可能导致滑移。当幅材的确接触辊时，这样会导致幅材内出现异常或缺陷。无论如何，滑移区域183B都显示辊标识符列194和优先级列196。辊标识符列194显示出辨识相关辊的信息。优先级列196显示辊滑移的优先级，例如严重性。此外，在其他实施例中，可以采用其他类型的优先级，例如色码优先级或数字优先级。在一个实施例中，分析计算机59可根据优先级(从最高优先级到最低优先级)、根
据优先级列188和196中的值来自动地分类显示在数据输出区域182中的数据。在一个实施例中，分析计算机59可自动地填充用户界面，即，无需用户“刷新”数据。在一个实施例中，数据输出区域182可显示的条目在O和20个之间。在一个实施例中，数据输出区域182可包括滚动条、制表键或用来显示大量条目的其他控件。图13为框图，更详细地示出了转换控制系统4的示例性实施例。在示例性实施例中，应用服务器208提供软件�？�211的操作环境。软件�？榘ǘ喔鋈毕荽砟？�210A-210M (专用缺陷检测法)、用户界面�？�212和转换控制引擎214。软件�？�211与数据库220进行交互以访问数据222，所述数据222可包括异常数据222A、辊数据222B、图像数据222C、产品数据222D、转换位点数据222E、缺陷图222F、合成缺陷图222G、转换控制规则222H、和转换方案2221。数据库220可以按许多不同形式中的任何者执行，包括数据存储文件或在一个或多个数据库服务器上执行的一个或多个数据库管理系统(DBMS)。例如，数据库220是作为由微软公司(Microsoft Corporation)的SQL Server 提供的关系数据库执行的。异常数据222A、辊数据222B、和图像数据222C表示从幅材制造厂6 (图I)接收的辊信息、异常信息和相应的异常图像。产品数据222D表示与产品12 (图I)相关的数据。更具体地讲，产品数据222D定义可由每一个转换位点8产生的产品12的每一种类型。对于每一个产品12，产品数据222D指定一个或多个缺陷处理�？�60，需要所述一个或多个缺陷处理�？�60来确定给定幅材卷10是否满足特定产品的质量要求。换句话讲，产品数据222D指定一个或多个缺陷处理�？�60,所述一个或多个缺陷处理模块60将被用于分析每一个产品12的异常数据222A和图像数据222C。另外，产品数据222D存储与产品12有关的其他信息，转换控制系统4可利用这些信息来选择转换位点8并为幅材卷10产生转换方案。例如，产品数据222D还可包括如下数据，所述数据指定对于产品12中的每一个而言每单位的估计收入。产品数据222D还包括下述数据或可用于选择转换方案的其他数据，所述数据指定对于产品12中的每一个而言每单位的估计收益、将幅材卷转换成每一个产品的估计转换时间、对产品中的每一个的当前工业需求水平。转换位点数据222E表示与转换位点8相关的数据。例如，转换位点数据222E可存储位点位置、生产线的数量以及用于转换位点8中的每一个的每一条生产线的当前可用的生产能力。转换位点数据222E可存储其他数据，包括(但不限于)指定在每一个转换位点8处的每一个产品12的当前库存水平的数据、与将幅材卷运送至每一个转换位点相关的运送成本、可用于每一个转换位点的运送选项、通过每一个转换位点接收的客户14的当前订购信息、指定每一个转换位点的新客户或优选客户的数据、以及可用于选择转换方案的其他数据。如下文进一步详述的，转换控制引擎214为输出缺陷图222F选择和应用一个或多个缺陷处理�？�60，所述输出缺陷图222F指定哪些异常被视为不同产品12的实际缺陷。换句话讲，每一个缺陷图72F对应于特定的幅材卷10和特定的产品12。每一个缺陷图72F根据相应产品12的产品专用要求来指定特定幅材卷10的特定缺陷位置。在一些情况下，缺陷图72F可表示当产生一系列中间缺陷图时由多个缺陷处理�？�60确定的集合缺陷。例如，缺陷图72F可表示通过两个或更多个缺陷处理�？�60分类为缺陷的异常的并集。相似地，可限定其他操作，例如通过多个检测法分类为缺陷的异常的交集、或从集合缺陷移除通过特定检测法辨识出的那些缺陷。
此外，当产生特定缺陷图72F时，转换控制引擎214可被构造用于为辨识为重复异常的那些异�：捅媸段婊斐５哪切┮斐Ｑ≡癫⒂τ貌煌娜毕荽砟？�60。例如，所述技术认识到，可能有利的是对重复异常应用与相同幅材中的非重复或随机异常不同的阈值或标准，并且可将不同的阈值或标准实施为不同的缺陷处理�？�60，S卩，检测法。换句话讲，当确定出幅材中的哪些异常认定为给定可能产品的缺陷时，转换控制引擎214可将第一组一个或多个缺陷处理�？�60应用到重复异常并且将第二组缺陷处理�？�60应用到随机异常。这些组的缺陷检测法可在所考虑的算法和异常特性方面不同，或者可考虑具有相同的特性并且仅在灵敏度方面不同。转换控制引擎64根据转换控制规则222H来分析产生的缺陷图222F以选择用于幅材卷10中的每一个的最终转换。例如，转换控制引擎64可分析缺陷图222F以确定产品12中的哪一个应当允许特定幅材卷10实现幅材的最大产率(即，利用率)。转换控制规则222H指定当处理缺陷图222F时由转换控制引擎64考虑的一个或多个参数，例如，所使用的幅材、应当由用于不同产品12的幅材卷10中的每一个产生的单元数、应当由用于每一个可能产品12的幅材卷产生的收入或利润的估计量、转换用于不同产品中的每一个的幅材应当所需的加工时间、用于转换位点10内的每一条生产线的当前机器的生产能力、用于产品12中的每一个的当前需求水平、以及其他参数。在此过程中，转换控制引擎64可确定，如果特定幅材卷10转换成多个产品12，则其可得到最好地利用(如，可实现最大产率)。换句话讲，转换控制引擎64可确定，当幅材的第一部分转换成第一产品时则可得到最好地利用，而当幅材的第二部分转换成不同产品时则可得到最好地利用。在这种情况下，转换控制引擎64产生“合成”缺陷图72G，所述“合成”缺陷图72G指定幅材的每一个部分内的缺陷位置(根据该部分所转换的相应产品)。转换控制引擎64可通过剪接两个或更多个缺陷图222F的部分产生合成缺陷图，以形成整个幅材的完整的合成缺陷图。在为给定幅材卷10选择特定产品或特定组的产品时，转换控制引擎214产生相应的转换方案721。每一个转换方案721提供精确的指令，以用于处理相应的幅材卷。更具体地讲，每一个转换方案2221限定用于处理幅材条的构型，以将幅材物理地切成各个产品片材。转换控制系统4输出运送指令，所述运送指令指示将每一个幅材卷10运送至相应的目标转换位点8。此外，转换控制系统4将转换方案通过网络9传送至合适的转换位点8，所述转换位点8用于将幅材卷转换成选定产品。用户界面模块212提供界面，用户可通过该界面来配置由转换控制引擎214使用的参数以及观察缺陷图72F、图72G。例如，如下文所示，用户界面�？�212允许用户指示转换控制引擎214来考虑下述参数中的一个或多个最大幅材利用率、产生的单元数、估计收入、估计利润、机器的生产能力、当前需求水平、和/或其他参数。此外，通过与用户界面�？�212进行交互，用户可指定当产生缺陷图72F时将应用一个或多个缺陷处理�？�60的哪个组合以及当组合通过检测法产生的中间缺陷图时将应用的操作(如，并、交、加、减)。此夕卜，用户界面212允许操作者查看估计幅材利用率、产生的单元数、估计收入、估计利润、机器的生产能力、当前需求水平和/或将根据指定的检测法组合应当实现的其他参数。这样，用户可选择重新配置调整检测法，以实现所需结果并保持客户满意度。
图14为由用户界面�？�212提供的示例性界面�？�230，用户与所述界面模块230进行交互来配置转换控制引擎214。示例性的界面230包括输入机构232，用户通过所述输入机构232输入幅材卷的独特标识符。可使用用于选择卷的其他机构，例如下拉式菜单、搜索函数、最近制造卷的可选择列表等等。另外，界面模块230提供多个输入机构236-244，当生成推荐转换方案时，用户可通过该多个输入机构236-244选择一个或多个由转换控制引擎214考虑的产品选择参数。在此实例中，界面�？�230包括第一输入选择机构236,所述第一输入选择机构236指不转换控制引擎214来选择转换方案，该转换方案设法优化选定幅材卷的幅材利用率。输入机构238指示转换控制引擎214来使从选定幅材卷生产的部件数最大化。相似地，输入机构240,242指示转换控制引擎214来分别使从选定幅材卷产生的收入和利润最大化。输入机构244指示转换控制引擎214来选择使选定幅材卷的加工时间最短的转换方案。在选择一个或多个参数时，用户选择提交按钮248，由此指示转换控制系统4利用缺陷处理�？�210来处理选定幅材卷，随后通过转换控制引擎214进行分析和选择转换方案。这样，界面�？�230提供出用户可如何根据一个或多个参数来配置转换控制引擎214的简化图示。界面�？�230可需要用户选择输入机构236-244中的一个且仅为一个。在某些实施例中，界面�？�230包括允许用户限定最小幅材利用率的输入机构96。这在如下情况中可为有利的，在该情况中用户选择使主要参数(例如，利润)最大化，但要求满足基线利用率。图15为由用户界面�？�212提供的另一个示例性用户界面300。在此实施例中，不例性界面300包括输入机构302-310,用户通过所述输入机构302-310输入用于每一个参数的相应权重函数。具体地讲，输入机构302允许用户为每一个参数输入O至100范围内的权重函数，其中O指示转换控制引擎214排除该参数而100表示最高的可能权重。当用户选择提交按钮312时，缺陷处理�？�210分析选定幅材卷的异常数据，随后通过转换控制引擎214进行分析和选择转换方案。当为给定卷10选择转换方案时，转换控制引擎214可针对具有非零权重的参数中的每一个来分析每一个可能产品12的缺陷图222F。在图6的实例中，转换控制引擎214分析缺陷图222F和产品数据222D，以计算幅材利用率、所产生的部件数、所产生的利润以及每一个可能产品的加工时间。如下文进一步详述的，转换控制引擎214然后可归一化用于每一个产品的每一个参数的计算结果，并且随后从归一化结果计算出权重值。最后，转换控制引擎214选择随权重值(如，之和)而变的转换方案。当选择幅材卷10的转换方案时，可采用其中转换控制系统4使用多个参数的其他技术。图16为更详细地示出通过转换控制系统4来处理异常信息的流程图。具体地讲，图16示出了通过缺陷处理�？�210对异常数据222A和图像数据222C的处理。转换控制系统4接收图像和异常数据(例如图像324、326)，所述图像和异常数据最初是由位于幅材制造厂6的分析计算机28利用简单的第一检测算法从幅材20提取的。
如图16所示，缺陷处理�？�210根据需要对用于产品12的至多N个不同需求320应用“M”个不同算法(在图7中指定SA1-Am 328)。交叉引用表322用于示出需求320和缺陷处理�？�210之间的映射。具体地讲，交叉引用表322示出使用哪一个检测处理�？�210来确定每一个异常对于给定需求320而言为缺陷还是错误肯定。在一些实施例中，便利地并行使用较大数量的极简易算法。例如，通常便利的是，后续检测处理模块210中的至少一个应用下述算法，所述算法包括将每一个异常与组合阈值-像素尺寸标准进行比较。在对于(例如)光学膜的实际操作中，如果面积较大，则亮度值与目标仅具有细小差异的异常为不合格，并且即使面积非常�。炼戎涤肽勘曛稻哂薪洗蟛钜斓囊斐Ｒ参缓细�。此外，对于重复异常相对于随机异常，可将阈值-像素尺寸标准调整为不同的。例如，相对于已确定为一组重复异常中的一个的异常，对于随机异常可需要相对较高的组合阈值-像素尺寸标准，以便认定为缺陷。由此，相比考虑仅随机异常的检测法，用于重复异常的检测法可限定为了认定为缺陷所需的较低的像素尺寸亮度阈值组合。另外，由缺陷处理�？�210应用的算法还可包括非常复杂的图像处理和缺陷提�。�(但不限于)邻域平均、邻域分级、对比度扩展、各种单值和二值图像处理、数字滤波(例如Laplacian滤波器、Sobel算子、高通滤波和低通滤波)、纹理分析、分形分析、频率处理(例如傅里叶变换和小波变换)、卷积、形态处理、阈值化、连通分量分析、连通域处理、连通域分类、或它们的组合。可根据特定的幅材和缺陷类型来应用其他算法，以实现所需的缺陷检测精确度水平。可使用各种缺陷处理算法328 (本文也称为检测法)的选定组合来实现N个产品需求320中的每一个。所述算法可使用极其简单的阈值和最小连通域处理或者较复杂的算法，例如空间滤波器、形态学操作、频率滤波器、小波处理、或任何其他已知的图像处理算法。在此示例性的交叉引用表322中，产品需求R1使用算法^、A4、和Am的组合，每一个算法被应用到每个异常图像，以确定哪些异常为R1的实际缺陷。在最简便的实施例中，使用简单的“或”逻辑，即，如果A2、A4、和Am中的任何者将异常记录为实际缺陷，则幅材20的该部分就不满足产品需求％。对于专门化应用而言，所述逻辑可比简单的“或”逻辑更复杂，通过所述逻辑将后续算法328的记录组合成是否满足产品需求320的决策。相似地，产品需求R2使用A2、A3、和A4等。因此，经辨识为R2的缺陷的异�？衫嗨朴诨蛳灾煌赗1的缺陷。如上文所述，可定制各个缺陷处理算法328，以分析重复异常或随机异常。例如，一组缺陷处理算法328可被配置成仅利用视为重复异常的异常作为算法的输入组来产生所得缺陷组。相似地，另一组缺陷处理算法可被配置成仅利用视为随机异常的异常作为算法的输入组来产生所得缺陷组。这样，可根据异常为重复异常还是随机异常来定制由缺陷检测算法分析的标准的特定水平和阈值，例如异常亮度、面积、长度、宽度、和其他特性。在通过使用交叉引用表322确定出哪些异常被视为实际缺陷之后，转换控制引擎214配制出对应于卷的各种产品需求的实际缺陷位置的缺陷图222F。在一些情况下，转换控制引擎214可通过剪接缺陷图222F中的一个或多个部分来产生一个或多个合成缺陷图222G。在此图示实例中，转换控制引擎214产生合成图222G，所述合成图222G具有从用于第一产品需求(MAP-Rl)的缺陷图剪接的第一部分330和从用于第二产品需求(MAP-R2)的缺陷图剪接的第二部分332。这样，转换控制引擎214可确定，如果将幅材的特定部分转换成不同产品，该幅材可得到最好地利用。一旦完成这种处理，通常就可以丢弃子图像信息，以使所需的存储介质最小化。通过缺陷处理模块210应用的异常检测算法的图像处理和后续应 用的其他细节共同转让和共同待审的美国专利申请No. 10/669，197中有所描述，该专利申请的名称为“APPARATUS AND METHOD FOR AUTOMATEDffEB INSPECTION”(用于自动幅材检测的设备和方法)，代理人案卷号为58695US002，2003年4月24日提交，并且其整个内容以引用方式并入本文中。图17-24为流程图，示出了各种示例性实施例，其中转换控制引擎214应用转换规则222H，以根据一个或多个用户可配置参数(例如，所使用的幅材、产生的单元数、收入、利润、加工时间、机器的生产能力、产品需求和/或其他参数)来产生转换方案2221。图17为流程图，示出了一种示例性方法，其中转换控制引擎214为给定幅材卷10产生转换方案2221，以使幅材利用率最大化。首先，转换控制引擎214辨识幅材卷10可转换成的一组可能产品12(340)。如上文所述，如果幅材卷已运送至或正在运送至特定转换位点8，则转换控制引擎214选择与幅材卷适用的特定转换位点相关的产品中的一个或多个。或者，如果所考虑的幅材卷仍未被运送，则转换控制系统4可选择幅材卷适用的产品12中的全部。转换控制引擎214访问数据库222的产品数据222D，以辨识用于所辨识组的合适产品的产品需求，并且根据所辨识的需求来选择缺陷处理�？�210中的一个或多个(342)。如上文所述，此时转换控制引擎214可具有多个专用缺陷检测法，包括用于重复异常的第一组检测法和用于给定幅材卷10的异常数据222k内的随机异常的不同的第二组检测法。接下来，转换控制引擎214调用选定的缺陷处理�？�210，所述缺陷处理�？�210将相应的缺陷检测算法应用到从幅材制造厂6接收的异常数据222A和图像数据222C，以配制用于产品需求中的每一个的缺陷信息。转换控制引擎214根据由缺陷处理�？�210辨识的缺陷产生缺陷图222F(344)。在图17的实例中，转换控制引擎214选择缺陷图中的第一者(346)，并且分析该图，以计算出幅材的产率(以幅材利用百分比、实际利用面积或一些其他方便尺度的形式)(348)。转换控制引擎214对于每一个缺陷图重复此过程(350，352)。转换控制引擎214然后选择将导致幅材卷的最大产率的产品(354)。转换控制引擎214辨识与选定产品相关的缺陷图，并且根据选定缺陷图输出推荐转换方案2221以供操作者查看(356)。这样，转换控制引擎214可处理多个缺陷图，包括集合缺陷图，当选择将导致最大产率且潜在地不具有牺牲客户满意度的可能性的产品时，利用对重复缺陷和非重复缺陷具有不同灵敏度的缺陷检测法产生该集合缺陷图。例如，在一些情况下，当客户可能对最终产品中的重复缺陷较灵敏时，用于将重复异常分类为缺陷的较严格检测法可为优选的。在这种情况下，应用仅应用于重复异常的较严格的专用缺陷检测法可获得改善的客户满意度水平。所述方法允许操作者选择和修改不同组的应用缺陷检测法的灵敏度，以便实现基本上相同的客户满意度水平，同时仍能实现提高的幅材转换产率。例如，仅应用于随机(非重复)异常的不太严格检测法与仅应用于重复缺陷且具有不改变或仅适度提高的灵敏度的检测法结合使用可最终实现提高的转换产率，如通过转换控制引擎214所示，同时仍能保持基本上相同的客户满意度水平(如同会以其它方式在不区分重复异常和非重复异常的情况下所实现的客户满意度水平)。示例性的灵敏度差异包括在(例如)重复和随机异常的像素尺寸、亮度或其他特性方面的5%的相对差 异、10%的相对差异、20%的相对差异和30%的相对差异。转换控制引擎214还可将转换方案传送至适当的转换位点8，并且输出(如，显示或打印)用于将特定幅材卷10运送至转换位点的运送指令(358)。图18为流程图，示出了一种示例性方法，其中转换控制引擎214为给定幅材卷10产生转换方案2221，以使从幅材卷产生的部件数最大化。如上文所述，转换控制引擎214辨识幅材卷10可转换成的一组可能产品12，并且选择性地调用缺陷处理�？�210中的一个或多个，以应用缺陷检测算法和产生用于幅材卷的缺陷图222F(360-364)。在图18的实例中，转换控制引擎214选择缺陷图中的第一者(366)，并且分析该图，以计算可对于相应产品产生的部件总数(368)。转换控制引擎214对于每一个缺陷图重复此过程(370，372)。转换控制引擎214然后选择将导致由幅材卷产生的最大部件数的产品(374)。例如，根据缺陷的具体位置，可实现少量部件以用于较大尺寸的产品(如，用于计算机屏幕的膜)和较小尺寸的产品(如，用于移动电话显示屏的膜)。转换控制引擎214根据选定产品产生转换方案2221，将转换方案传送至适当的转换位点8，并且输出(如，显示或打印)用于将特定幅材卷10运送至转换位点的运送指令(376-378)。图19为流程图，示出了一种示例性方法，其中转换控制引擎214为给定幅材卷10产生转换方案2221，以使从幅材卷实现的总单位销量最大化。如上文所述，转换控制引擎214辨识幅材卷10可转换成的一组可能产品12，并且选择性地调用缺陷处理�？�210中的一个或多个，以应用缺陷检测算法和产生用于幅材卷的缺陷图222F(380-384)。接下来，转换控制引擎214选择缺陷图中的第一者(386)，并且分析该图，以计算可对于相应产品产生的部件总数(387)。接下来，转换控制引擎214访问产品数据222D，以检索每单位特定产品的估计销售价格。根据估计的销售价格，转换控制引擎214计算如果将幅材卷转换成产品将从幅材卷产生的总估计销量(如，以美元计)(38)。转换控制引擎214对于每一个缺陷图重复此过程(390，392)。转换控制引擎214然后选择将为幅材卷导致最大实现销量(S卩，收入)的产品(394)。例如，某些部件与其他部件相比可因市场因素而较好地获得溢价。在此示例性实施例中，转换控制引擎214可选择如下产品，所述产品并未实现最大的幅材卷利用率，然而预期相对于其他合适的产品能产生较高的销量。转换控制引擎214根据选定产品产生转换方案2221，将转换方案传送至适当的转换位点8，并且输出(如，显示或打印)用于将特定幅材卷10运送至转换位点的运送指令(396-398)。图20为流程图，示出了一种示例性方法，其中转换控制引擎214为给定幅材卷10产生转换方案2221，以使从幅材卷实现的总利润最大化。如上文所述，转换控制引擎214辨识幅材卷10可转换成的一组可能产品12，并且选择性地调用缺陷处理�？�210中的一个或多个，以应用缺陷检测算法和产生用于幅材卷的缺陷图222F (400-404)。转换控制引擎214然后选择缺陷图中的第一者(276)，并且分析该图，以计算可对于相应产品产生的部件总数(407)。接下来，转换控制引擎214访问产品数据222D，以检索每单位特定产品的估计销售价格和估计成本。根据估计销售价格和成本，转换控制引擎214计算如果将幅材卷转换成产品会从幅材卷实现的总估计利润(408)。转换控制引擎214对 于每一个缺陷图重复此过程(410，412)。转换控制引擎214然后选择将导致为幅材卷实现最大利润量的产品(414)。转换控制引擎214根据选定产品产生转换方案2221，将转换方案传送至适当的转换位点8，并且输出(如，显示或打印)用于将特定幅材卷10运送至转换位点的运送指令(416-418)。图21为流程图，示出了一种示例性方法，其中转换控制引擎214为给定幅材卷10产生转换方案2221以使加工时间最短然而仍实现所需最低产率。如上文所述，转换控制引擎214辨识幅材卷10可转换成的一组可能产品12，并且选择性地调用缺陷处理�？�210中的一个或多个，以应用缺陷检测算法和产生用于幅材卷的缺陷图222F (420-424)。接下来，转换控制引擎214选择缺陷图中的第一者(306)，并且分析该图，以计算将对于相应产品产生的产率(以幅材利用百分比、实际利用面积或一些其他方便尺度的形式)(428)。转换控制引擎214对于每一个缺陷图重复此过程(430,432)。转换控制引擎214然后根据估计产率来对产品分级(434)，并且选择包括仅将实现限定的最低产率的那些产品的产品的子组(436)。接下来，转换控制引擎214根据如在产品数据222D中指定的加工时间对产品的子组分级(438)。转换控制引擎214然后从具有最少估计加工时间的产品的子组中选择产品(440)。转换控制引擎214根据选定产品产生转换方案2221，将转换方案传送至适当的转换位点8，并且输出(如，显示或打印)用于将特定幅材卷10运送至转换位点的运送指令(442-444)。这样，转换控制引擎214为幅材卷10定义转换方案2221，以实现合格的产率水平，同时使幅材在转换位点8处的转化时间最短(即，使产量最大化)。图22为流程图，示出了一种示例性方法，其中转换控制引擎214为给定幅材卷10产生转换方案2221以最大化转换位点8处的生产线的利用率，然而仍实现幅材卷的所需最低产率。如上文所述，转换控制引擎214辨识幅材卷10可转换成的一组可能产品12，并且选择性地调用缺陷处理�？�210中的一个或多个，以应用缺陷检测算法和产生用于幅材卷的缺陷图 222F (460-464)。接下来，转换控制引擎214选择缺陷图中的第一者(346)，并且分析该图，以计算将对于相应产品产生的产率(以幅材利用百分比、实际利用面积或一些其他方便尺度的形式)(468)。转换控制引擎214对于每一个缺陷图重复此过程(470,472)。
转换控制引擎214然后根据估计产率来对产品分级(474)，并且选择包括仅将实现限定的最低产率的那些产品的产品的子组(476)。接下来，转换控制引擎214访问转换位点数据222E以确定适于转换所述产品子组的转换位点8的一组生产线。转换控制引擎214根据当前未利用的生产能力对辨识的生产线分级(478)。转换控制引擎214然后从对应于具有最高未利用的生产能力的幅材生产线的产品的子组中选择产品(480)。转换控制引擎214根据选定产品产生转换方案2221，将转换方案传送至适当的转换位点8，并且输出(如，显示或打印)用于将特定幅材卷10运送至转换位点的运送指令(482-484)。这样，转换控制引擎214为幅材卷10定义转换方案2221，以实现合格的产率水平，同时使转换位点8处的生产线的利用率最大化。图23为流程图，示出了一种示例性方法，其中转换控制引擎214根据合成缺陷图为给定幅材卷10产生转换方案2221，以将幅材卷转换成两个或更多个产品，以使幅材卷的利用率最大化。如上文所述，转换控制引擎214辨识幅材卷10可转换成的一组可能产品12，并且选择性地调用缺陷处理�？�210中的一个或多个，以应用缺陷检测算法和产生用于幅材卷的缺陷图222F (500-504)。 接下来，转换控制引擎214分析缺陷图，以根据产率来限定图的区域(506)。例如，如图7所示，根据该分析，转换控制引擎214可限定将导致第一产品的相对较高产率的缺陷图中的一者的第一区域、以及将导致第二产品的高产率的不同产品图的非重叠的第二区域。转换控制引擎214根据估计产率来分级和选择非重叠区域(510)，并且通过剪接非重叠区域以形成合成缺陷图来产生合成缺陷图222G (512)。这样，转换控制引擎214可确定，如果将幅材的特定部分转换成不同产品，该幅材可得到最好地利用。转换控制引擎214根据合成缺陷图产生转换方案2221，将转换方案传送至适当的转换位点8，并且输出(如，显示或打印)用于将特定幅材卷10运送至转换位点的运送指令(514-516)。这样，转换控制引擎214为幅材卷10定义转换方案2221，以将幅材卷转换成两个或更多个产品，以使幅材卷的利用率最大化。图24为流程图，示出了一种示例性方法，其中转换控制引擎214根据多个可配置参数的加权平均值为给定幅材卷10产生转换方案2221。转换控制引擎214辨识幅材卷10可转换成的一组可能产品12，并且选择性地调用缺陷处理�？�210中的一个或多个，以应用缺陷检测算法和产生用于幅材卷的缺陷图222F (520-524)。接下来，转换控制引擎214使用所述技术中的任何一个来计算指定参数(如，幅材利用率、部件产率、利润、销量、生产能力、加工时间或用于产品中的每一个的其他参数)(526)。转换控制引擎214然后将参数中的每一个归一化至公用范围，例如O至100(528)。转换控制引擎214然后根据用户可配置权重来调整参数中的每一个(如图6所示)(530)，并且计算每一个产品的总加权平均值(532)。转换控制引擎214选择对应于参数的最大加权平均值的产品(534)，根据相应的缺陷图为选定产品产生转换方案2221 (536)。转换控制引擎214将转换方案传送至适当的转换位点8，并且输出(如，显示或打印)用于将特定幅材卷10运送至转换位点的运送指令(538)。这样，转换控制引擎214可在根据存储的图像异常信息限定用于将幅材卷转换成产品的转换方案2221时考虑多个参数。
图25为框图,示出了转换位点8A的一个实施例。在此示例性实施例中，转换位点8A包括已被加载并准备进行转换的幅材卷10A。转换服务器608从转换控制系统4接收转换图，并且将转换图存储在数据库606中。从辊IOA读取条形码，以将特定幅材603告知转换服务器608，由此允许转换服务器访问数据库606并且检索相应的转换图。当幅材603设置在运动状态下时可通过输入装置600、或者可在加载之前通过手持式条形码装置来读取条形码。转换服务器608显示转换方案，由此允许工作者来配置转换单元604。具体地讲，转换单元604被构造为根据转换方案将幅材603物理切割成多干单个片材(即，产品12A)。当幅材603在标记期间穿过系统时，输入装置500读取基准标记并且相关条形码被有规则地感测。条形码和基准标记的组合允许将幅材603的物理位置精确地对准到转换方案中辨识的缺陷。规则的再对准确保了持续进行的对准精确性。本领域的技术人员能够通过常规的物理坐标变换技术来实现再对准。一旦幅材603与缺陷图对准，就已知具体缺 陷的物理位置。当缺陷在幅材标记器602下通过时，将标记应用到幅材603，以在视觉上辨识缺陷。具体地讲，转换服务器608将一系列命令输出到幅材标记器602，所述幅材标记器602随后将定位标记应用到幅材603。在本发明的多个应用中，幅材标记器602根据相应的转换方案将定位标记设置在幅材603内的缺陷之上或附近。然而，在一些专门应用中，将定位标记设置为与它们所标识位置的异常间隔开预定距离。幅材标记器602可包括(例如)一系列喷墨�？椋雠缒？楦髯跃哂幸幌盗信缱�。可根据幅材、缺陷分类、解决缺陷所需的幅材处理技术、和幅材的预期终端使用用途来选择标记的类型和标记在缺陷之上或附近的精确位置。就阵列型油墨标记器而言，当缺陷沿幅材纵向方向穿过单元时，优选根据其幅材横向位置设置标记器。利用这种方法，已在生产率大于150英尺/分钟的高速幅材上有规则地实现了小于Imm的标记精确性。然而，超过1000米/分钟的更高速幅材也在本发明的能力之内。转换服务器608可根据转换方案在任何点处暂停幅材603的转换，以允许转换单元604的重新配置。例如，如果幅材603将被转换成不同产品，则在产生第一产品之后，转换服务器608停止转换过程，由此允许重新配置转换单元604以用于后续产品。例如，可根据需要重新配置切割装置和其他机构的定位，以产生第二产品。图26为流程图，示出了在根据用于实现(例如)最大化产率或其他可配置参数的转换方案加工幅材时转换位点(例如转换位点8A)的示例性操作。首先，转换服务器608从转换控制系统4接收和存储卷信息和转换方案(620)。这可发生在接收幅材卷之前或之后。例如，转换服务器608可在物理幅材卷到达转换位点前的几周接收特定幅材卷的卷信息和转换方案。或者，转换服务器608可接收已存储在转换位点的库存内的幅材卷的卷信息和转换方案。接下来，转换服务器608接收待转换的特定幅材卷的条形码信息，由此使得转换服务器608访问数据库606并且检索相应的转换图￠22)。如上文所述，可在加载之前(如，通过手持式条形码装置)或者可在幅材603被加载并准备进行转换之后通过输入装置600来读取条形码。转换服务器608显示转换方案，由此允许工作者根据转换方案配置转换单元604，以将幅材603物理切割成多个单个片材(B卩，产品12A) (526)。或者，可根据转换方案以自动或半自动方式来配置转换单元604。一旦配置好转换单元604，幅材603就设为运动状态并且输入装置500读取基准标记和相关条形码(528)，并且可使用幅材标记器602在视觉上标记幅材603，以便有助于缺陷产品的视觉辨识(630)。转换单元604转换所接收的幅材603，以形成产品12A(632)。在转换方案内的任何点处，转换服务器608可确定所述方案是否需要重新配置(634)。如果需要，则转换服务器608引导转换单元604的重新配置(636)。持续进行该过程，直至根据转换方案将全部幅材603转换成一个或 多个产品12A(638)。图27示出了通过将第一检测法应用到示例性幅材卷的片段的实际异常数据而产生的示例性缺陷图700。在此实例中，第一检测法已被配置成考虑所有的异常，S卩，重复异�：头侵馗匆斐Ａ秸�。此外，第一检测法已被配置成在将异常分类为缺陷时应用第一灵敏度水平。如图27所示，缺陷图包括已根据第一严重性水平确定为缺陷的随机和重复异常两者的出现。图28示出了通过将第二检测法应用到示例性幅材卷的所述片段的相同异常数据而产生的第二示例性缺陷图800。在此实例中，第二检测法已被配置成考虑所有的异常(SP，重复异�：头侵馗匆斐Ａ秸�)而且已被配置成应用高于第一检测法所应用的灵敏度水平的第二灵敏度水平。如图28所示，缺陷图800包括已根据第二严重性水平确定为缺陷的随机异常和重复异常两者的提高的出现。由此，在某些情况下，可使用第二检测法来代替第一检测法，以在显著损失幅材利用率的代价下可能获得提高的客户满意度水平。图29示出了通过将第三检测法应用到示例性幅材卷的所述片段的相同异常数据产生的第三缺陷图850。在此实施例中，第一检测法(即，不太灵敏的检测法)已被配置成考虑仅由已确定为非重复(即随机)异常的那些异常产生的缺陷。此外，第二检测法(即，较高灵敏度的检测法)已被配置成考虑仅由已确定为非重复异常的那些异常产生的缺陷。如根据图27、图28的图29可见，缺陷图850包括相对于均一地应用不太灵敏的第一检测法而言(图27的缺陷图700)增加的缺陷数，但包括相对于均一地应用较高灵敏度的检测法而言(图28的缺陷图800)减少的缺陷数。由此，在某些情况下，可使用第三检测法(即，改进的组合)来代替均一地应用较灵敏的第二检测法，以可能实现提高的幅材利用率水平，同时不显著影响客户满意度。下表I示出了将检测法应用到示例性幅材卷的整个长度上的实际数据。在这种情况下，利用第三检测法(即，应用到随机异常的第一检测法和应用到重复异常的第二检测法的改进组合)认定为缺陷的异常的数量远小于均一地应用第二检测法认定为缺陷的数量。即，在此实验中，第三检测法比不太灵敏的第一检测法多检测到765个缺陷，但比更灵敏的第二检测法少检测到1501个缺陷。因此，可认识到较灵敏的第二检测法相对于重复异常的有益效果(这往往会增加对客户满意度的影响)，同时接受相比于不太灵敏的第一检测法的大约仅三分之一的附加缺陷负荷。在这种情况下，如果将幅材转换成用于小型手持装置的显示产品，则将会导致产率增加O. 27%，而如果将幅材转换成用于较大尺寸的笔记本的显示产品，则将会导致产率增加6. 02%。表I缺陷手持装置产率笔记本产率
___(56mmx42mm)__(356mmx200min)
第-·检测法 501598.80%72.10%
第二检测法 728198.43%62.54%
第三检测法 578098.70%68.56%
绝对改进值了501一 0.27%6.02%一
检测法差异 ％ 66.24%72.97%62.97%图30示出了示例性用户界面900,操作者通过所述示例性用户界面900来限定应用到随机异常的第一检测法902和应用到重复异常的第二检测法904，其中第二检测法在 分析给定异常的图像数据时应用多个不同的图像处理操作906。这样，第二检测法904对于将异常分类为缺陷可为较灵敏或“严格”的，如上文所述。在此实例中，用户已将第二检测法904配置为仅检测如下重复缺陷，所述重复缺陷具有大于500mm的重复距离和大于或等于10个实例的链长度。另外，操作者已实际上限定了第三检测法，所述第三检测法利用联合操作908来组合检测法902、904的结果。以上描述了本发明的多种实施例。这些以及其它实施例在以下权利要求书的范围内。
权利要求
1.一种方法，包括 对幅材的连续部分成像以提供数字信息； 采用至少一种初始算法来处理所述数字信息，以辨识所述幅材上包含异常的区域； 辨识所述异常在所述幅材上的位置； 根据所述幅材上的所述位置，将一组所述异常辨识为重复异常，并且将剩余的异常辨识为随机异常； 采用第一缺陷检测算法来分析所述重复异常的所述数字信息，以确定所述重复异常中的哪些表不广品的实际缺陷； 采用第二缺陷检测算法来分析所述随机异常的所述数字信息，以确定所述随机异常中的哪些表示所述产品的实际缺陷；以及 根据所确定的所述产品的实际缺陷将所述幅材转换成产品。
2.根据权利要求I所述的方法，其中相比于应用到所述随机异常的所述第二检测算法，所述第一缺陷检测算法被配置成对所述重复异常应用提高的灵敏度。
3.根据权利要求I所述的方法，还包括 提取所述辨识的区域中的每一个的所述数字信息的一部分，以及 采用所述第一缺陷检测算法和所述第二缺陷检测算法来分析所述数字信息的所述提取的部分，以确定所述幅材中的实际缺陷。
4.根据权利要求3所述的方法，还包括在分析之前储存或缓存所述数字信息的所述提取的部分。
5.根据权利要求4所述的方法，其中在整个所述幅材上已经进行了所述成像之后，分析所述储存的或缓存的部分。
6.根据权利要求I所述的方法，其中所述初始算法包括对所述数字信息进行阈值化并且形成连通域表。
7.根据权利要求I所述的方法，其中所述第一缺陷检测算法和所述第二缺陷检测算法各自包括下述内容中的一个或多个邻域平均、邻域分级、对比度扩展、各种单值和二值图像处理、数字滤波、纹理分析、分形分析、频率处理、卷积、形态处理、阈值化、连通分量分析、连通域处理或连通域分类。
8.根据权利要求I所述的方法，其中所述第一缺陷检测算法和所述第二缺陷检测算法各自包括多个图像处理操作，其中每一个算法的多个步骤包括至少将每一个异常与组合阈值-像素尺寸标准进行比较。
9.根据权利要求8所述的方法，其中用于所述第一缺陷检测算法的所述组合阈值-像素尺寸标准限定的像素尺寸小于由用于所述第二缺陷检测算法的阈值-像素标准限定的像素尺寸。
10.根据权利要求8所述的方法，其中用于所述第一缺陷检测算法的所述组合阈值-像素尺寸标准限定的像素尺寸大于由用于所述第二缺陷检测算法的阈值-像素标准限定的像素尺寸。
11.根据权利要求8所述的方法，其中如果满足所述阈值-像素尺寸标准中的任何一个，则将异常辨识为实际缺陷。
12.根据权利要求I所述的方法，还包括接收来自幅材制备系统的多个传感器的辊同步信号，其中所述传感器中的每一个对应于所述幅材制备系统的不同辊，并且其中所述辊同步信号中的每一个指示在所述幅材的制备过程中对应的辊已完成完整旋转。
13.—种系统,包括 编码器，所述编码器位于所述辊中的至少一个上，所述编码器输出表征所述幅材的幅材纵向距离的位置信号； 成像装置，所述成像装置对幅材的连续部分进行成像以提供数字信息； 分析计算机，所述分析计算机采用初始算法来处理所述数字信息，以辨识所述幅材上包含异常的区域，其中所述分析计算机处理所述异常数据，以根据所述位置信号确定所述幅材上的所述异常的所述位置，并且将一组所述异常辨识为重复异常；和 转换控制系统，所述转换控制系统采用第一缺陷检测算法来处理所述重复异常的所述数字信息，以确定所述重复异常中的哪些表示产品的实际缺陷，并且采用第二缺陷检测算法来分析所述随机异常的所述数字信息，以确定所述随机异常中的哪些表示所述产品的实际缺陷。
14.根据权利要求13所述的系统，还包括 多个辊，所述多个辊在制备过程中接触所述幅材，其中所述辊中的两个或更多个各自包括同步标记，以指示所述对应的棍完成完整旋转的时间； 多个同步标记读出器，所述多个同步标记读出器读取所述多个辊的所述同步标记并且输出辊同步信号，其中所述辊同步信号中的每一个指示所述对应的辊在所述幅材的制备过程中已经完成完整旋转；和 同步单元，所述同步单元接收来自所述编码器的所述位置信号和来自所述同步标记读出器的所述多个辊同步信号，其中所述同步单元将所述辊同步信号中的每一个的出现转化为与幅材生产线相关联的坐标系内的幅材纵向位置， 其中所述分析计算机通过将所述重复异常的所述位置与所述辊同步信号的所述幅材纵向位置进行互相关，来输出所述辊中的哪一个引起所述重复异常的指示。
15.根据权利要求13所述的系统，其中相比于应用到所述随机异常的所述第二检测算法，所述第一缺陷检测算法被配置成对所述重复异常应用提高的灵敏度。
16.根据权利要求13所述的系统，其中所述分析计算机提取所述辨识的区域中的每一个的所述数字信息的一部分，并且采用所述第一缺陷检测算法和所述第二缺陷检测算法来分析所述数字信息的所述提取的部分，以确定所述幅材中的实际缺陷。
17.根据权利要求13所述的系统，还包括在分析之前储存或缓存所述数字信息的所述提取的部分。
18.根据权利要求13所述的系统，其中在整个所述幅材上已经进行所述成像之后，分析所述储存的或缓存的部分。
19.根据权利要求13所述的系统，其中所述初始算法包括对所述数字信息进行阈值化并且形成连通域表。
20.根据权利要求13所述的系统，其中所述第一缺陷检测算法和所述第二缺陷检测算法各自包括下述内容中的一个或多个邻域平均、邻域分级、对比度扩展、各种单值和二值图像处理、数字滤波、纹理分析、分形分析、频率处理、卷积、形态处理、阈值化、连通分量分析、连通域处理或连通域分类。
21.根据权利要求13所述的系统，其中所述第一缺陷检测算法和所述第二缺陷检测算法各自包括多个图像处理操作，其中每一个算法的多个步骤包括至少将每一个异常与组合阈值-像素尺寸标准进行比较。
22.根据权利要求21所述的系统，其中用于所述第一缺陷检测算法的所述组合阈值-像素尺寸标准限定的像素尺寸小于由用于所述第二缺陷检测算法的阈值-像素标准限定的像素尺寸。
23.根据权利要求13所述的系统，其中用于所述第一缺陷检测算法的所述组合阈值-像素尺寸标准限定的像素尺寸大于由用于所述第二缺陷检测算法的阈值-像素标准限定的像素尺寸。
24.根据权利要求13所述的系统，其中如果满足所述阈值-像素尺寸标准中的任何一个，则将异常辨识为实际缺陷。
25.一种计算机可读媒体，包含使可编程处理器执行以下操作的指令 接收来自幅材检测系统的数字数据，所述数字数据辨识异常在所述幅材上的位置； 采用至少一种初始算法来处理所述数字信息，以辨识所述幅材上包含所述异常的区域； 根据所述幅材上的所述位置，将一组所述异常辨识为重复异常，并且将剩余的异常辨识为随机异常； 采用第一缺陷检测算法来分析所述重复异常的所述数字信息，以确定所述重复异常中的哪些表不广品的实际缺陷； 采用第二缺陷检测算法来分析所述随机异常的所述数字信息，以确定所述随机异常中的哪些表示所述产品的实际缺陷；以及 输出缺陷图，以控制所述幅材向产品的转换，其中所述缺陷图指定所述实际缺陷的所述位置。
全文摘要
本发明描述了如下技术，所述技术用于检测幅材以及控制所述幅材向一个或多个产品随后转换。本发明描述了如下系统，所述系统(例如)包括成像装置、分析计算机和转换控制系统。所述成像装置对所述幅材成像以提供数字信息。所述分析计算机处理所述数字信息，以辨识所述幅材上包含异常的区域。所述转换控制系统随后分析所述数字信息，以确定哪些异常表示多个不同产品的实际缺陷。所述幅材检测系统可根据给定异常为重复异常还是随机异常来优先地应用不同的专用缺陷检测法。
文档编号G01N21/89GK102792154SQ201180013171
公开日2012年11月21日 申请日期2011年3月4日 优先权日2010年3月10日
发明者卡尔·J·斯凯普斯, 史蒂文·P·弗洛德, 史蒂文·R·德雷格, 史蒂文·R·瓦格曼, 詹姆斯·A·马斯特曼 申请人:3M创新有限公司
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
