CN109462999B - 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 - Google Patents

通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 Download PDF

Info

Publication number
CN109462999B
CN109462999B CN201780001010.9A CN201780001010A CN109462999B CN 109462999 B CN109462999 B CN 109462999B CN 201780001010 A CN201780001010 A CN 201780001010A CN 109462999 B CN109462999 B CN 109462999B
Authority
CN
China
Prior art keywords
data
learning
image
dictionary
genuine
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201780001010.9A
Other languages
English (en)
Other versions
CN109462999A (zh
Inventor
吴炳俊
田东哲
辛原宗
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ani Co ltd
Original Assignee
Ani Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Ani Co ltd filed Critical Ani Co ltd
Publication of CN109462999A publication Critical patent/CN109462999A/zh
Application granted granted Critical
Publication of CN109462999B publication Critical patent/CN109462999B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8809—Adjustment for highlighting flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Theoretical Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明的通过数据平衡基于学***衡步骤而修改使得真性数据及假性数据以相同的数量构成，并且，反复执行不良判断步骤及附加学习步骤。

Description

通过数据平衡基于学习的视觉检查方法以及利用其的视觉检 查装置
技术领域
本发明涉及一种用于检查粘接于显示面板的偏光层的不良的视觉检查方法以及视觉检查装置，更详细而言，涉及一种通过学***衡克服特定类型的过样本数据偏重的数据不平衡现象来提高不良判断准确性的视觉检查方法以及视觉检查装置。
背景技术
一般，显示面板在反射层、导光层、扩散层、偏光层等层叠具有各自的特征的片材或面板而形成。
在所述显示面板的生产工程中必须执行检查片材或面板的粘接状态来分类良品及不良品的过程。
作为分类良品及不良品的方法，其中一般的方法是将熟练的人员用肉眼观察的良品及不良品的视觉信息做比较的方法，并且其方法具有准确性高的优点。
但是，依靠熟练的人员的话存在费用高，每时间单位能够检查显示面板的数量有限，并根据人员的熟练程度其检查的可靠性有所不同等缺点。
对此，作为检查不良的方法引进视觉检查装置来进行检查，所述视觉检查装置是将作为显示面板的检查对象的平面拍摄成影像并进行检查的装置，但是，在检查粘接在显示面板的偏光层是否为不良的过程中，由于真性不良与假性不良的区分不明确，因此，频繁地发生检测出过多假性不良的情况，所以，存在真性不良的检测准确度降低的缺点。
这是因为在判断粘接于显示面板的偏光层是否不良时，因翘起或被烙印等真性不良以及单纯的斑点或保护膜的损失等，即便是良品也难以通过自动化设备区分会分类为不良的假性不良品。
通过将检查显示面板的不良的工程自动化，可以得到提高判断不良的速度并减少劳务费等优点，但是，由于技术有限，会过多地检测出能分类到良品的假性不良，因此，可靠性降低，更加需要再验收过程。
并且，将在执行验收的过程中积累的假性不良及真性不良的数据利用在学***衡的问题。
属于一个类型的数据的数量比属于其他类型的数据的数量过于多或少时可视为发生数据的不平衡。
但是，支持向量机(support vector machine)等学***衡时，会导致决定假性不良及真性不良的境界的准确度降低的问题。
因此，要求用于解决上述问题点的方法。
发明内容
本发明是为解决所述现有技术问题而提出的，其目的在于，提供一种在视觉装置上结合通过识别及学习的判断技术来计算能够提高真性不良及假性不良的判断力的基准数据，从而，减少过多地检测假性不良，并提高真性不良的检测准确度的视觉检查方法以及视觉检查装置。
其他目的在于，提供一种对通过验收获得的数据进行加工后利用于学习上，具有随着工程的反复使用于判断不良的基准数据的准确度提高的修改的算法的视觉检查方法以及视觉检查装置。
并且，提供一种通过随机采样方式完善为学***衡，从而对学习算法的适用提高可靠性的视觉检查方法以及视觉检查装置。
本发明的课题并不局限于以上所提及的课题，对于未提及的其他课题本领域的技术人员可通过以下记载将会明确理解。
为达成所述目的，本发明的通过数据平衡基于学***衡步骤而修改使得真性数据及假性数据以相同的数量构成第一数据群，并且，反复执行不良判断步骤及附加学习步骤。
并且，词典学***均而制作由k个平均点构成的词典；以及类型分类步骤，在词典代入真性数据及假性数据并在特征空间上图示化，在特征空间上决定作为真性数据所处真性区域及假性数据所处的假性区域的境界的分类基准。
而且，词典制作步骤，执行k平均群集化而制作以k个平均点为基准单词的所述词典。
而且，不良判断步骤，将从检查对象物提取，并作为影像信息的被检图像中获取的n个特征点的被检数据与词典相对比，以k个平均点为基准将被检数据进行分类并在特征空间上图示化。
而且，附加学习步骤，将通过不良判断步骤在特征空间上图示化的被检数据追加到类型分类步骤的真性数据或假性数据而修改所述分类基准。
而且，数据平衡步骤，通过不良判断步骤检查对象物被判断为真性不良时，将从被检数据及已通过词典学习步骤导出的假性数据中随机选择的一个假性数据适用在类型分类步骤而修改分类基准，通过不良判断步骤检查对象物被判断为假性不良时，将从被检数据及已通过词典学习步骤导出的真性数据中随机选择的一个真性数据适用在类型分类步骤而修改分类基准。
而且，数据平衡步骤，通过不良判断步骤检查对象物被判断为真性不良时，将从被检数据及已通过词典学***均值适用在类型分类步骤而修改分类基准，通过不良判断步骤检查对象物被判断为假性不良时，将从被检数据及已通过词典学***均值适用在类型分类步骤而修改分类基准。
而且，真性图像、假性图像及被检图像是以特定模式在检查对象物的检查对象表面上移动而拍摄的影像被公式化的信号急剧变化的地点的影像信息。
为达成所述目的，根据本发明的通过数据平衡基于学习的视觉检查装置，其中，包括：传送单元，用于传送检查对象物；拍摄单元，用于拍摄检查对象物的检查面；判读部，判读通过拍摄单元获取的影像而筛选被检图像；运算部，将通过判读部获取的被检图像公式化的被检数据在特征空间上图示化；以及存储部，用于存储通过运算部图示化的被检数据，运算部通过对比存储在存储部的数据和图示化的被检数据来判断检查对象物是否为不良，存储部同时存储被检数据及通过被检数据导出的虚拟数据。
发明效果
根据本发明具有以下效果。
为解决所述课题的本发明的通过数据平衡基于学***衡基于学习的视觉检查装置，用影像信息获取显示面板的真性不良及假性不良的数据并公式化图示在特征空间上，从而，基于导出其境界判断真性不良及假性不良的学习算法，根据真性不良及假性不良的特征提高判断不良的准确度，减少过多地检查到假性不良。
通过积累反复执行的不良判断步骤获取的真性不良及假性不良的数据进行附加学***衡，从而，能够防止因数据的不平衡而发生的误差增加或学习算法的性能降低。
因此，通过学习算法对视觉检查能够利用准确度更加提高的境界。
本发明的效果并不局限于以上所提及的效果，对于未提及的其他效果本领域的技术人员可通过以下记载将会明确理解。
附图说明
图1是示出根据本发明的一实施例的通过数据平衡基于学习的视觉检查方法的流程图。
图2是在根据本发明的一实施例的通过数据平衡基于学习的视觉检查方法中决定分类基准的数据的流程图。
图3是在根据本发明的一实施例的通过数据平衡基于学习的视觉检查方法中表示真性样本的真性图像的图片。
图4是在根据本发明的一实施例的通过数据平衡基于学习的视觉检查方法中表示假性样本的假性图像的图片。
图5是在根据本发明的一实施例的通过数据平衡基于学习的视觉检查方法中导出词典的过程的概略示意图。
图6是在根据本发明的一实施例的通过数据平衡基于学习的视觉检查方法中在词典代入第一图像群的过程的概略示意图。
图7是在根据本发明的一实施例的通过数据平衡基于学习的视觉检查方法中词典学习步骤及不良判断步骤的概略示意图。
图8是在根据本发明的一实施例的通过数据平衡基于学习的视觉检查方法中用三维表示在特征空间上导出真性区域及假性区域的状态的图表。
图9是根据本发明的一实施例的通过数据平衡基于学***衡的过程的概略示意图。
图10是示出根据本发明的一实施例的通过数据平衡基于学习的视觉检查装置的状态图。
具体实施方式
下面，参照附图说明能够具体实现本发明的目的的本发明的优选实施例。在说明本发明时，对相同的构成使用相同的名称及相同的符号，并省略附加说明。
根据本发明的通过数据平衡基于学习的视觉检查方法可如下实施。
图1是示出根据本发明的一实施例的通过数据平衡基于学***衡基于学习的视觉检查方法中决定分类基准的数据的流程图。
根据本发明的一实施例的通过数据平衡基于学习的视觉检查方法是用于检查粘接在显示面板302的偏光层304的不良的基于学习的视觉检查方法。
根据图1及图2，形成第一学习群，所述第一学习群以相同的数量包括真性不良品的样品即真性样本100及假性不良品的样品即假性样本200而形成。
提取以相同的数量具备从第一学习群收集的影像被公式化的真性数据120及假性数据220的第一数据群。
执行在特征空间400上图示化第一数据群而导出真性数据120所处的真性区域130及假性数据220所处的假性区域230的境界的分类基准的词典学习步骤(S100)。
在特征空间400上代入从检查对象物300即粘贴有偏光层304的显示面板302提取为影像而公式化的被检数据320。
执行不良判断步骤(S200)，该步骤以分类基准410为境界在特征空间400上判断被检数据320所处的区域来将检查对象物300判断为真性不良或假性不良。
执行附加学***衡步骤(S310)修改使得由相同数量的真性数据120与假性数据220构成第一数据群，反复执行不良判断步骤(S200)及附加学习步骤(S300)。
下面，具体说明上述的各步骤。
第一学习群包含相同数量的A个真性不良品的样品即真性样本100及A个假性不良品的样品即假性样本200。
第一学习图像群包含相同数量的从真性样本100导出的真性图像110及从假性样本200导出的假性图像210。
第一数据群包含相同数量的将真性图像110公式化的真性数据120及将假性图像210公式化的假性数据220。
因此，本发明的实施例中举例说明真性样本100及假性样本110同样为A个，假性样本200及假性图像210也同样为A个时的情况。
特征空间400是具有多个变数的多维空间，被指为根据本发明的一实施例的特定数据被图示化的空间。
词典学习步骤(S100)包括从真性样本100及假性样本200获取怀疑不良的地点的影像即真性图像110及假性图像210的影像收集步骤(S110)、词典制作步骤(S120)及类型分类步骤(S130)。
图3是在根据本发明的一实施例的通过数据平衡基于学***衡基于学习的视觉检查方法中表示假性样本的假性图像的图片。
根据图3及图4，影像收集步骤(S110)是通过以预定模式在真性样本100及假性样本200的测量对象平面移动的同时拍摄的拍摄单元520收集影像，在特定位置的影像中导出满足预设条件的结果时，通过拍摄该位置的影像来获取真性图像110或假性图像210的步骤。
作为本发明的一实施例，通过拍摄单元520拍摄的影像的亮度变化急剧增加或减少时，如图3及4所示拍摄此地点来获取影像。
词典制作步骤(S120)导出从真性图像110及假性图像210分别以n个特征点导出的真性数据120及假性数据220。
真性数据120获取A×n个，假性数据220也获取A×n个。
图5是在根据本发明的一实施例的通过数据平衡基于学***衡基于学习的视觉检查方法中在词典代入第一图像群的过程的概略示意图。
根据图5及图6，从真性图像110及假性图像210导出的真性数据120及假性数据220在真性图像110及假性图像210内将颜色、明度、彩度、形象、曲率等特征在n个地点提取并进行收集。
真性数据120及假性数据220被变换为将颜色、明度、彩度、形象、曲率等特征作为变数的向量(vector)，并图示在与构成所述向量的变数相对应的多维空间上。
图5简单地示出作为向量从真性图像110及假性图像210导出n个特征点而图示在多维空间上的过程。
这是举例说明的，可根据适用本发明的实施例以多样的因素为准提取真性数据120及假性数据220。
如上所述，作为向量从A个真性图像110收集A×n个真性数据120，从A个假性图像210收集A×n个假性数据220，如上所述，真性数据120及假性数据220图示在多维空间上，使分别相邻接的真性数据120及假性数据220群集化分组为k个组，求出属于各个群内的真性数据120及假性数据220的平均点来计算k个平均点。
此时，将各个群定义为单词，k个平均点定义为词典，制作具有k个单词的词典。
词典制作步骤(S120)，可以利用将预定数据组合为k个群集来群集化的算法即k平均群集化来执行。
类型分类步骤(S130)先执行直方图化步骤，所述直方图化步骤将真性数据120代入于通过词典制作步骤(S120)制作的词典，并将属于k个单词的真性数据120如图6所示直方图化。
图7是在根据本发明的一实施例的通过数据平衡基于学***衡基于学习的视觉检查方法在特征空间上将真性区域及假性区域的导出状态用三维表示的图表。
以通过上述的直方图化步骤而求出的直方图为准，以将单词与属于各个单词的真性数据120作为变数图示在特征空间400上，如图8所示，在特征空间400上导出真性区域130。
并且，执行将假性数据220代入通过词典制作步骤(S120)制作的词典来将分别属于k个单词的假性数据220如图6所示进行直方图化的直方图化步骤。
以通过假性数据220获得的直方图为准，以将单词与属于各个单词的假性数据130作为变数图示在特征空间400上，如图8所示，在特征空间400上导出假性区域230。
分类基准410可以表现为在特征空间400上成为真性区域130与假性区域230的境界的线、面或超平面(hyper plane)，使得真性区域130与假性区域230在特征空间400上相互间的空白增大，可以利用求其境界的支持向量机(SVM,support vector machine)技法求出。
不良判断步骤(S200)，包括：被检影像收集步骤(S210)，通过拍摄单元520沿规定的路径连续拍摄检查对象物300即粘贴在显示面板302的偏光层304的面而获取拍摄具有符合预设条件的值的位置的影像的被检图像310；以及不良判断步骤(S220)，按照以下分类基准进行判断，将被检图像310利用与将真性图像110及假性图像210变换为真性数据120及假性数据220的方法相同的方法变换为被检图像310，将被检图像310代入词典图示在特征空间400上，以通过类型分类步骤(S130)求出的分类基准410为境界判断属于真性区域130或假性区域230，根据所属区域判断真性不良或假性不良。
附加学***均点的过程而修改的步骤。
并且，还可以进行分类基准修改步骤(S320)，该步骤是将通过不良判断步骤(S200)获取的被检数据320增加到特征空间上，反应增加的被检数据320修改分类基准410。
所述修改词典的步骤，分类基准修改步骤(S320)是在已通过词典学习步骤(S100)学习的不良判断基准增加执行不良判断而获得的新的信息，从而，能够获得增加学习样本的效果。
由于增加学习样本可以提高判断不良的准确度，并在特征空间400上更加明确地表示真性不良与假性不良的境界，从而可以降低过多地检测出假性不良的现象。
并且，附加学***衡步骤(S310)。
图9是根据本发明的一实施例的通过数据平衡基于学***衡的过程的概略示意图。
根据图9，数据平衡步骤(S310)，当通过不良判断步骤(S200)获取的检查对象物300为真性不良时，已在分类基准修改步骤(S320)学习的特征空间400上增加的资料作真性数据120的作用，检查对象物300为假性不良时，已在分类基准修改步骤(S320)学习过的特征空间400上增加的资料作假性数据200的作用。
在被分类为真性数据120或假性数据220的类型彼此间可能发生的数据不平衡问题可如式表现，
Figure GDA0001873615190000091
可表现为对输入向量x找成为输入空间(input space)的特征空间400上的超平面(hyperplane)的二进制分类问题。
真性数据120或假性数据220被分类为‘+1’或‘-1’的两类型，类型分类问题可视为寻找能得到出色的一般性能的w。
此时，属于真性数据120与假性数据220的数据数的比率有显著的差异时，可视为不平衡数据(imbalanced data)问题。
发生这样的不平衡数据的问题时，数据会偏重于真性数据120或假性数据220中的一个类型，这会在修改已通过词典学习步骤(S100)学习的不良判断基准的分类基准修改步骤(S320)导致降低不良判断基准的可靠性的结果。
所获得的被检数据320偏重于真性数据120或假性数据220中的一个时，如图9(a)所示，会发生分类基准410偏向于真性区域130或假性区域230中的一个的情况。
尤其，在检查显示面板302的偏光层304的不良时，相较于假性不良，真性不良的检测频率明显要高，这样的数据偏重会作为阻碍不良判断准确度的因素起作用。
因此，在不良判断步骤(S200)获得的被检数据320在特征空间400上属于真性区域130时，相对应地与获取从属于假性区域230的假性数据220中随机选择的一个假性数据220的被检数据320一起增加到特征空间400而修改分类基准410。
详细而言，通过不良判断步骤(S200)验收检查对象物300被导出共4个真性不良时，执行与获得的4个被检数据320一起将已导出的假性数据220增加到特征空间400后重新设定分类基准410的过程。
通过不良判断步骤(S200)验收检查对象物300而导出假性不良判断时，将已导出的真性数据120与被检数据320一起增加到特征空间400后重新设定分类基准410。
作为其他实施例，通过不良判断步骤(S200)验收检查对象物300而导出真性不良判断时，将已获得的假性数据220的平均值与被检数据320一起增加到特征空间后重新设定分类基准410，被导出假性不良判断时，将已获得的真性数据120的平均值与被检数据320一起增加到特征空间后重新设定分类基准410。
所述实施例不经由随机选择数据的过程，而仅通过单纯的运算求已获得数据的平均值来执行数据平衡，因此，具有通过简化运算过程能够提高处理速度的效果。
根据本发明的通过数据平衡基于学习的视觉检查装置可如下实施。
图10是示出根据本发明的一实施例的通过数据平衡基于学习的视觉检查装置的状态图。
如图10所示，根据本发明的一实施例的通过数据平衡基于学习的视觉检查装置，包括：传送单元510，用于传送检查对象物300；拍摄单元520，沿着预定路径连续拍摄检查对象物300的检查面；判读部530，判读通过拍摄单元520获取的影像来筛选被检图像310；运算部540，将通过判读部530获取的被检图像310公式化的被检数据320在特征空间400上图示化；以及存储部550，用于存储通过运算部540获得的被检数据320，运算部540通过对比已存储在存储部550的数据和被检数据310来判断检查对象物300是否为不良，存储部550同时存储被检数据320及通过被检数据320导出的虚拟数据。
详细而言，判读部530执行上述的影像收集步骤(S110)及被检影像收集步骤(S210)，分析通过拍摄单元520连续拍摄检查对象物300而获得的影像，获得符合预设条件的位置的影像。
运算部540执行词典制作步骤(S120)、类型分类步骤(S130)、根据分类基准的不良判断步骤(S220)。
存储部550执行包括数据平衡步骤(S310)及分类基准修改步骤(S320)的附加学习步骤(S300)。
以上说明了根据本发明的优选实施例，对本领域的技术人员来说除了上述说明的实施例以外在不脱离本发明的要旨或范畴内能具体实施为其他的特定形态是明确的。因此，所述实施例是例示而已并不具有限定作用，因此，本发明并不局限于以上说明，可在权利要求范围及与其同等范围内进行变更。

Claims (8)

1.一种通过数据平衡基于学习的视觉检查方法，其为用于检查粘接在显示面板的偏光层的不良的基于学习的视觉检查方法，其中，包括：
词典学习步骤，以相同的数量包括真性不良品的样品的真性样本及假性不良品的样品的假性样本而形成第一学习群，并提取具备相同数量的从所述第一学习群收集的影像被公式化的真性数据及假性数据的第一数据群，并将所述第一数据群在特征空间上图示化而导出作为所述真性数据所处的真性区域及所述假性数据所处的假性区域的境界即分类基准；
不良判断步骤，在所述特征空间上代入从检查对象物即粘贴有偏光层的显示面板提取为影像而公式化的被检数据，以所述分类基准为境界在所述特征空间上判断所述被检数据所处的区域来将所述检查对象物判断为真性不良或假性不良；以及
附加学***衡步骤而修改使得所述真性数据及所述假性数据以相同的数量构成所述第一数据群，
并且，反复执行所述不良判断步骤及所述附加学习步骤；其中，所述词典学习步骤，包括：
影像收集步骤，收集第一学习图像群，所述第一学习图像群由从包含于所述第一学习群的各个所述真性样本及所述假性样本作为影像信息提取的真性图像及假性图像而构成；
词典制作步骤，所述真性数据及所述假性数据从包含于所述第一学***均而制作由k个平均点构成的词典；以及
类型分类步骤，在所述词典代入所述真性数据及所述假性数据并在所述特征空间上图示化，在所述特征空间上决定作为所述真性数据所处真性区域及所述假性数据所处的假性区域的境界的分类基准。
2.根据权利要求1所述的通过数据平衡基于学***均群集化而制作以k个平均点为基准单词的所述词典。
3.根据权利要求1所述的通过数据平衡基于学***均点为基准将所述被检数据进行分类并在所述特征空间上图示化。
4.根据权利要求3所述的通过数据平衡基于学习的视觉检查方法，其中，所述附加学习步骤，将通过所述不良判断步骤在所述特征空间上图示化的所述被检数据追加到所述类型分类步骤的所述真性数据或所述假性数据而修改所述分类基准。
5.根据权利要求4所述的通过数据平衡基于学***衡步骤，通过所述不良判断步骤所述检查对象物被判断为真性不良时，将从所述被检数据及已通过所述词典学习步骤导出的所述假性数据中随机选择的一个假性数据适用在所述类型分类步骤而修改所述分类基准，通过所述不良判断步骤所述检查对象物被判断为假性不良时，将从所述被检数据及已通过所述词典学习步骤导出的所述真性数据中随机选择的一个真性数据适用在所述类型分类步骤而修改所述分类基准。
6.根据权利要求4所述的通过数据平衡基于学***衡步骤，通过所述不良判断步骤所述检查对象物被判断为真性不良时，将从所述被检数据及已通过所述词典学***均值适用在所述类型分类步骤而修改所述分类基准，通过所述不良判断步骤所述检查对象物被判断为假性不良时，将从所述被检数据及已通过所述词典学***均值适用在所述类型分类步骤而修改所述分类基准。
7.根据权利要求3所述的通过数据平衡基于学习的视觉检查方法，其中，所述真性图像、所述假性图像及所述被检图像是以特定模式在所述检查对象物的检查对象表面上移动而拍摄的影像被公式化的信号急剧变化的地点的影像信息。
8.一种通过数据平衡基于学习的视觉检查装置，其中，包括：
传送单元，用于传送检查对象物；
拍摄单元，用于拍摄所述检查对象物的检查面；
判读部，判读通过所述拍摄单元获取的影像而筛选被检图像及执行权利要求1所述的视觉检查方法的影像收集步骤；
运算部，将通过所述判读部获取的所述被检图像公式化的被检数据在特征空间上图示化及执行权利要求1所述的视觉检查方法的词典制作步骤、类型分类步骤和不良判断步骤；以及
存储部，用于存储通过所述运算部图示化的被检数据及执行权利要求1所述的视觉检查方法的附加学习步骤，
所述运算部通过对比存储在所述存储部的数据和所述图示化的被检数据来判断所述检查对象物是否为不良，所述存储部同时存储所述被检数据及通过所述被检数据导出的虚拟数据。
CN201780001010.9A 2016-05-23 2017-05-23 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 Active CN109462999B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
KR1020160062783A KR101782363B1 (ko) 2016-05-23 2016-05-23 데이터 밸런싱을 통한 학습기반의 비전검사 방법
KR10-2016-0062783 2016-05-23
PCT/KR2017/005326 WO2017204519A2 (ko) 2016-05-23 2017-05-23 데이터 밸런싱을 통한 학습기반의 비전검사 방법 및 이를 이용한 데이터 밸런싱을 통한 학습기반의 비전검사 장치

Publications (2)

Publication Number Publication Date
CN109462999A CN109462999A (zh) 2019-03-12
CN109462999B true CN109462999B (zh) 2021-05-07

Family

ID=60036118

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201780001010.9A Active CN109462999B (zh) 2016-05-23 2017-05-23 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置

Country Status (3)

Country Link
KR (1) KR101782363B1 (zh)
CN (1) CN109462999B (zh)
WO (1) WO2017204519A2 (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111819598B (zh) * 2018-04-26 2023-06-13 大王制纸株式会社 分选装置、分选方法以及分选程序和计算机可读取的记录介质或存储设备
KR20200039047A (ko) 2018-10-01 2020-04-16 에스케이씨 주식회사 필름 결함 검출 방법 및 시스템
KR102209505B1 (ko) * 2018-12-13 2021-02-01 재단법인대구경북과학기술원 데이터 빈도수 분석을 통한 인공지능 학습 방법 및 장치
KR102223070B1 (ko) * 2019-01-23 2021-03-05 한국과학기술원 신경망 학습 방법 및 장치
KR20240077302A (ko) 2022-11-24 2024-05-31 부산대학교 산학협력단 심층 학습 기반의 표면 검사를 이용한 불량 탐지를 위한 장치 및 방법
CN116484262B (zh) * 2023-05-06 2023-12-08 南通大学 一种基于文本分类对纺织设备故障辅助处理方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0743126A (ja) * 1993-08-02 1995-02-10 Nikon Corp パターン検査装置
CN1339140A (zh) * 1999-11-29 2002-03-06 奥林巴斯光学工业株式会社 缺陷检查***
JP2002174603A (ja) * 2000-12-08 2002-06-21 Olympus Optical Co Ltd 欠陥分類方法
JP3756507B1 (ja) * 2004-09-17 2006-03-15 シャープ株式会社 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体
JP2006292615A (ja) * 2005-04-13 2006-10-26 Sharp Corp 外観検査装置、外観検査方法、コンピュータを外観検査装置として機能させるためのプログラムおよび記録媒体
CN101061491A (zh) * 2004-11-19 2007-10-24 皇家飞利浦电子股份有限公司 用于在计算机辅助肺结核假阳性降低中克服不平衡事例数目的层化方法
CN101140619A (zh) * 2006-09-05 2008-03-12 大日本网目版制造株式会社 图像处理装置、数据处理装置及参数调整方法
KR20100068734A (ko) * 2008-12-15 2010-06-24 (주)워프비전 인쇄회로기판의 불량 확인방법
JP4504612B2 (ja) * 2002-08-12 2010-07-14 株式会社日立ハイテクノロジーズ 異物検査方法及び異物検査装置
CN103867186A (zh) * 2012-12-17 2014-06-18 艾默生电气公司 分析地下钻孔或检查活动中生成的图像数据的方法和设备
CN104834656A (zh) * 2014-02-12 2015-08-12 三星泰科威株式会社 产品检查的有效性验证装置以及其方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0743126A (ja) * 1993-08-02 1995-02-10 Nikon Corp パターン検査装置
CN1339140A (zh) * 1999-11-29 2002-03-06 奥林巴斯光学工业株式会社 缺陷检查***
JP2002174603A (ja) * 2000-12-08 2002-06-21 Olympus Optical Co Ltd 欠陥分類方法
JP4504612B2 (ja) * 2002-08-12 2010-07-14 株式会社日立ハイテクノロジーズ 異物検査方法及び異物検査装置
JP3756507B1 (ja) * 2004-09-17 2006-03-15 シャープ株式会社 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体
CN101061491A (zh) * 2004-11-19 2007-10-24 皇家飞利浦电子股份有限公司 用于在计算机辅助肺结核假阳性降低中克服不平衡事例数目的层化方法
JP2006292615A (ja) * 2005-04-13 2006-10-26 Sharp Corp 外観検査装置、外観検査方法、コンピュータを外観検査装置として機能させるためのプログラムおよび記録媒体
CN101140619A (zh) * 2006-09-05 2008-03-12 大日本网目版制造株式会社 图像处理装置、数据处理装置及参数调整方法
KR20100068734A (ko) * 2008-12-15 2010-06-24 (주)워프비전 인쇄회로기판의 불량 확인방법
CN103867186A (zh) * 2012-12-17 2014-06-18 艾默生电气公司 分析地下钻孔或检查活动中生成的图像数据的方法和设备
CN104834656A (zh) * 2014-02-12 2015-08-12 三星泰科威株式会社 产品检查的有效性验证装置以及其方法

Also Published As

Publication number Publication date
KR101782363B1 (ko) 2017-09-27
WO2017204519A2 (ko) 2017-11-30
WO2017204519A3 (ko) 2018-08-09
CN109462999A (zh) 2019-03-12

Similar Documents

Publication Publication Date Title
CN109462999B (zh) 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置
CN111047655B (zh) 基于卷积神经网络的高清摄像机布料疵点检测方法
CN109946303A (zh) 检查装置和方法
CN111325713A (zh) 基于神经网络的木材缺陷检测方法、***及存储介质
CN105975929A (zh) 一种基于聚合通道特征的快速行人检测方法
CN111242899B (zh) 基于图像的瑕疵检测方法及计算机可读存储介质
KR102168724B1 (ko) 이미지 검사를 이용한 이상 판별 방법 및 장치
CN108520514B (zh) 基于计算机视觉的印刷电路板电子元器一致性检测方法
JP2013167596A (ja) 欠陥検査装置、欠陥検査方法及びプログラム
JP5718781B2 (ja) 画像分類装置および画像分類方法
CN109671078A (zh) 一种产品表面图像异常检测方法及装置
CN107004265A (zh) 信息处理装置、处理信息的方法、鉴别器生成装置、生成鉴别器的方法、以及程序
CN111951253A (zh) 用于锂电池表面缺陷检测的方法、设备及可读存储介质
TWI765442B (zh) 瑕疵等級判定的方法及存儲介質
CN105139384B (zh) 缺陷胶囊检测的方法和装置
KR101929669B1 (ko) 엔트로피를 이용하여 이미지를 분석하는 방법 및 장치
KR101782364B1 (ko) 케이평균군집화를 통한 학습기반의 비전검사 방법
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN113469293B (zh) 面板阵列短路检测方法、装置、电子设备及存储介质
TW201512649A (zh) 偵測晶片影像瑕疵方法及其系統與電腦程式產品
JPH08189904A (ja) 表面欠陥検出装置
CN110866931A (zh) 图像分割模型训练方法及基于分类的强化图像分割方法
CN114332058A (zh) 基于神经网络的血清质量识别方法、装置、设备及介质
CN116363136B (zh) 一种机动车部件自动化生产在线筛选方法及***
KR101782366B1 (ko) 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant