TW202001699A - 利用人工智慧的瑕疵檢測系統及其方法 - Google Patents

利用人工智慧的瑕疵檢測系統及其方法 Download PDF

Info

Publication number
TW202001699A
TW202001699A TW107122627A TW107122627A TW202001699A TW 202001699 A TW202001699 A TW 202001699A TW 107122627 A TW107122627 A TW 107122627A TW 107122627 A TW107122627 A TW 107122627A TW 202001699 A TW202001699 A TW 202001699A
Authority
TW
Taiwan
Prior art keywords
defect
terminal
image
training
mark
Prior art date
Application number
TW107122627A
Other languages
English (en)
Other versions
TWI667575B (zh
Inventor
亞魯木魯甘 安比卡帕
徐敏堂
陸家樑
方志恆
Original Assignee
由田新技股份有限公司
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 由田新技股份有限公司 filed Critical 由田新技股份有限公司
Priority to TW107122627A priority Critical patent/TWI667575B/zh
Priority to CN201811472668.0A priority patent/CN110659662B/zh
Priority to US16/454,034 priority patent/US10991088B2/en
Application granted granted Critical
Publication of TWI667575B publication Critical patent/TWI667575B/zh
Publication of TW202001699A publication Critical patent/TW202001699A/zh

Links

Images

Classifications

    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8867—Grading and classifying of flaws using sequentially two or more inspection runs, e.g. coarse and fine, or detecting then analysing
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/888—Marking defects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

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

Abstract

本發明提供一種瑕疵檢測系統，連接於自動外觀檢測裝置，包括下列裝置。複檢伺服站接收瑕疵影像與瑕疵位置。訓練終端儲存已訓練模組。分類終端接收瑕疵影像與瑕疵位置，讀取已訓練模組中相應瑕疵影像的目標訓練模組，依據目標訓練模組分類瑕疵影像以產生並傳送標記瑕疵影像至複檢伺服站。複檢終端接收標記瑕疵影像，接收並傳送相應標記瑕疵影像的驗證操作至複檢伺服站。標記複檢終端接收驗證操作與標記瑕疵影像，並接收相應標記瑕疵影像的標記結果。複檢伺服站傳送標記結果與標記瑕疵影像至訓練終端，以使訓練終端據此訓練對應的訓練模組。

Description

利用人工智慧的瑕疵檢測系統及其方法
本發明是有關於一種瑕疵檢測技術，且特別是有關於一種利用人工智慧的瑕疵檢系統及瑕疵檢測方法。
隨著科技進步，電子零件的精密度要求日益趨高。為確保電子零件的良率提升，在電路板的製作過程會經過光學檢測與複檢兩個階段。光學檢測階段用以取得待檢物影像，並判斷待檢物是否存在瑕疵。複檢階段是通過人工的方式對光學檢測階段所判定的瑕疵進一步檢查標記。然而，降低製作過程中所耗費的大量人力為工業製程中的趨勢。因此，如何設計機台，並導入新的技術，進而改善工業流程為本領域技術人員所致力的課題。
本發明提供一種瑕疵檢測系統與瑕疵檢測方法，通過在工業製程中引入人工智慧的方式，藉此降低人力的負擔。
本發明提供的瑕疵檢測系統連接於自動外觀檢測裝置，瑕疵檢測系統具有下列設備。複檢伺服站連接於自動外觀檢查裝置，複檢伺服站接收來自自動外觀檢查裝置的瑕疵影像與瑕疵位置。訓練終端連接至複檢伺服站，儲存至少一個已訓練模組。分類終端連接至複檢伺服站與分類終端，接收來自複檢伺服站的瑕疵影像與瑕疵位置，讀取至少一個已訓練模組中相應於瑕疵影像的目標訓練模組。分類終端依據目標訓練模組，分類瑕疵影像以產生標記瑕疵影像，分類終端並傳送標記瑕疵影像至複檢伺服站。複檢終端連接至複檢伺服站，接收來自複檢伺服站傳送的標記瑕疵影像，複檢終端接收相應標記瑕疵影像的驗證操作，並傳送驗證操作至複檢伺服站。標記複檢終端連接至複檢伺服站，接收來自複檢伺服站的驗證操作與標記瑕疵影像，並接收相應標記瑕疵影像的標記結果。複檢伺服站傳送標記結果與標記瑕疵影像至訓練終端，訓練終端接收並依據來自標記複檢終端的標記結果以及對應的標記瑕疵影像訓練對應的訓練模組。
複檢伺服站連接於自動外觀檢查裝置，並接收來自自動外觀檢查裝置的瑕疵影像與瑕疵位置。訓練系統連接至複檢伺服站，儲存多個已訓練模組。分類終端連接至複檢伺服站與分類終端，接收來自複檢伺服站的瑕疵影像與瑕疵位置，讀取已訓練模組中相應於瑕疵影像的目標訓練模組，依據目標訓練模組分類瑕疵影像以產生標記瑕疵影像，分類終端並傳送標記瑕疵影像至複檢伺服站。複檢終端（VRS），連接至複檢伺服站，接收來自複檢伺服站傳送的標記瑕疵影像，並顯示標記瑕疵影像於複檢終端的顯示器上，複檢終端接收相應標記瑕疵影像的驗證操作，並傳送驗證操作至複檢伺服站。複檢伺服站傳送驗證操作以及標記瑕疵影像至訓練系統，訓練系統依據驗證操作以及標記瑕疵影像進行訓練，以更新目標訓練模組。
本發明提供的瑕疵檢測方法適用連接自動外觀檢測裝置的瑕疵檢測系統。瑕疵檢測系統具有複檢伺服站、訓練終端、標記複檢終端、分類終端以及複檢終端。瑕疵檢測方法具有下列步驟。由複檢伺服站接收來自自動外觀檢查裝置的瑕疵影像與瑕疵位置；由分類終端接收來自複檢伺服站的瑕疵影像與瑕疵位置；由分類終端讀取相應於瑕疵影像的目標訓練模組，依據目標訓練模組分類瑕疵影像以產生標記瑕疵影像，並傳送標記瑕疵影像至複檢伺服站；由複檢終端接收來自複檢伺服站傳送的標記瑕疵影像，顯示標記瑕疵影像於複檢終端的顯示器上；由複檢終端接收相應標記瑕疵影像的驗證操作，並傳送驗證操作至複檢伺服站；由標記複檢終端接收來自複檢伺服站的驗證操作與標記瑕疵影像，並接收相應標記瑕疵影像的標記結果；由複檢伺服站接收標記結果以及標記瑕疵影像並傳送至訓練終端；以及由訓練終端接收並依據來自標記複檢終端的標記結果以及對應的標記瑕疵影像訓練對應的訓練模組。
基於上述，本發明的瑕疵檢測系統與瑕疵檢測方法採用了訓練終端，並通過分類終端讀取訓練終端中的訓練模型，以對待檢物的瑕疵影像自動分類。如此一來，目檢員僅需針對分類終端檢測不出的瑕疵進行判斷，有效的降低人力耗損與成本。
為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。
圖1繪示本發明一實施例瑕疵檢測系統的系統示意圖。以下將通過圖1說明本發明瑕疵檢測系統100中的系統架構與硬體元件。
首先，瑕疵檢測系統100連接至自動外觀檢測裝置10。自動外觀檢測裝置10具有光學元件，用以擷取待檢物影像。自動外觀檢測裝置10通過待檢物影像對待檢物進行初步的瑕疵篩檢。若外觀檢測裝置10判斷待檢物具備瑕疵，則會傳送瑕疵影像以及瑕疵位置至瑕疵檢測系統100。
在本發明的一實施例中，自動外觀檢測裝置例如為自動光學檢查裝置（Automatic Optical Inspection equipment，AOI）或者是自動外觀檢測裝置（Automatic Visual Inspection equipment，AVI）。待檢物例如為各種類型的電路板。常見的瑕疵例如為，內外層偏位、手指異色、手指異物、手指露銅、文字不清、油墨脫落、金面異色、金面異物、金面露銅、電測、手指壓折傷、防焊脫落、金面壓折傷或軟板髒汙等。瑕疵影像為具有或疑似具有瑕疵特徵，並被判定為存在瑕疵的影像。本發明並不以前述自動外觀檢測裝置10、待檢物與瑕疵的案例為限。
本發明的瑕疵檢測系統100具有複檢伺服站110、訓練終端122、標記複檢終端128、分類終端130以及複檢終端140。
複檢伺服站110連接於自動外觀檢查裝置10，並用以接收來自自動外觀檢查裝置10的瑕疵影像與瑕疵位置。除此之外，複檢伺服站110亦會與瑕疵檢測系統100中的其他設備相互連接，並作為整合設備與資料傳輸的中繼站。不僅如此，複檢伺服站110還會將所接收到的瑕疵影像、強化瑕疵影像及/或標記瑕疵影像都儲存在複檢伺服站110，藉此，複檢伺服站110可以依據不同的製程流程進而傳送對應的瑕疵影像、強化瑕疵影像及/或標記瑕疵影像至對應的處理裝置中。在本發明的一實施例中，複檢伺服站110例如為驗證修復伺服器，然本發明不限於此。
訓練系統包括訓練終端122以及標記複檢終端128。訓練終端122連接於複檢伺服站110，用以訓練、管理並儲存多個已訓練模組。訓練終端122會接收多筆已標記瑕疵類型的瑕疵影像輸入至深度學習模型，藉此獲取已訓練模型。訓練終端122可以使用任何具備處理器的裝置所實現，且訓練終端122採用的深度學習模型例如但不限於，LeNet模型、AlexNet模型、GoogleNet模型或VGG模型(Visual Geometry Group)、或是依據上述模型作為基礎進行修改及擴充的卷積神經網路。須說明的是，訓練終端122會依據不同類型的待檢物分別建立不同的模型，例如，每個已訓練模型會對應到一種料號。換句話說，已訓練模組對應到在此料號中可能出現的多種不同的瑕疵種類，且每一種瑕疵種類都有相對應的分類法則。
標記複檢終端128連接於複檢伺服站110，且標記複檢終端128的功能與用途與複檢終端140相似。差別在於，標記複檢終端128會由資深目檢員進行操作，且經由標記複檢終端128所標記或驗證的標記瑕疵影像不需再次驗證，即可儲存在訓練系統中。詳細來說，雖然訓練程度會隨著輸入的樣本數量與樣本的正確性而提升，然而若樣本的正確性不佳，會導致訓練程度不佳，增加誤判的情形。因此，在工廠中額外設置標記複檢終端128，並交由資深目檢員進行操作可以提升樣本的正確性。除此之外，在初始建立訓練模型時，資深目檢員可以通過標記複檢終端128對多個樣本瑕疵影像進行分類，並將資深目檢員判定的分類輸入深度學習模型，藉此建立訓練模組。
分類終端130連接於複檢伺服站110以及訓練終端122，用以獲取已訓練模組，並據此對瑕疵影像進行分類（Automatic Defect Judgement，ADJ或Automatic Defect Classification，ADC）。分類終端130可以採用任何具備處理器的裝置進行實作，本發明不限於此。須說明的是，雖然圖1的分類終端130僅繪示一個，然在其他實施例中，分類終端130的數量也可以為多個，在整個製造產線的任一段製程段，提供特定製程的檢測功能。
複檢終端140連接於複檢伺服站110，用以在顯示器中顯示分類好的標記瑕疵影像，以提供目檢員進一步檢視標記瑕疵影像的瑕疵是否為真，分類是否正確。在目檢員檢視標記瑕疵影像後，複檢終端140還會接收目檢員所輸入的驗證操作。在本發明的實施例中，複檢終端140可以採用任何具備顯示器、處理器以及輸入單元（例如，鍵盤、滑鼠、觸控螢幕等）的裝置進行實作，本發明不限於此。此外，雖然圖1的複檢終端140僅繪示一個，然在其他實施例中，複檢終端140的數量也可以為多個，本發明不限於此。
在本發明的一實施例中，複檢伺服站110與自動外觀檢查裝置10、訓練終端122、標記複檢終端128、分類終端130、複檢終端140等設備連接時，是通過實體線路以及各類輸入埠，例如通用序列匯流排（Universal Serial Bus，USB）、串列埠（Serial Port）、火線（FireWire，採用IEEE 1394標準）、VME匯排流等進行資料的交換。又或者是，複檢伺服站110也可以通過各類的通訊晶片，例如藍牙晶片、WiFi晶片等進行實作，以進行資料的交換。本發明並不以此為限。
以下將繼續通過圖1，說明在瑕疵檢測系統100中各個元件互動以執行瑕疵檢測方法的步驟。
在步驟S210，由複檢伺服站110接收來自自動外觀檢查裝置10的瑕疵影像與瑕疵位置。複檢伺服站110會將未標記的瑕疵影像傳送到分類終端130。
在步驟S220，由分類終端130接收來自複檢伺服站110的瑕疵影像與瑕疵位置。
在步驟S230，由分類終端130讀取已訓練模組中相應於瑕疵影像的目標訓練模組。
詳細來說，如同前述，每一個已訓練模組都會相對應於一種待檢物料號。換句話說，由分類終端130讀取的目標訓練模組對應的料號相同於待檢物的料號。在本發明的一實施例中，待檢物的料號會記載在瑕疵影像上，分類終端130可辨識並獲取料號，進而讀取目標訓練模組。在本發明的其他實施例中，待檢物的料號也可以被輸入在自動外觀檢查裝置10，並通過複檢伺服站110而傳送到分類終端130，本發明不限於此。
分類終端130在獲取瑕疵影像與目標訓練模組後，會依據目標訓練模組分類並對瑕疵影像標記，以產生標記瑕疵影像。也就是說，標記瑕疵影像實質上具有瑕疵影像與相對應瑕疵影像的瑕疵標記，以記錄此瑕疵影像屬於哪種瑕疵類型。
在步驟S240，由分類終端130傳送標記瑕疵影像至複檢伺服站110。
在步驟S250，由複檢終端140接收來自複檢伺服站110傳送的標記瑕疵影像，並顯示標記瑕疵影像於複檢終端140的顯示器上。
在步驟S260，複檢終端140接收相應標記瑕疵影像的驗證操作，並傳送驗證操作至複檢伺服站110。在本發明一實施例中，複檢終端140是通過輸入單元接收目檢員輸入的驗證操作。詳細來說，複檢終端140在顯示標記瑕疵影像後，會提供正確選項以及錯誤選項，以供目檢員點選。若目檢員所判斷標記瑕疵影像的真實瑕疵與其瑕疵標記相同，則表示分類終端130的分類是正確的。此時，目檢員可以點選正確選項。若目檢員判斷標記瑕疵影像的真實瑕疵與其瑕疵標記不同，則表示分類終端130的分類錯誤。複檢終端140會記錄目檢員的驗證操作，並傳送至複檢伺服站110。
值得一提的是，通過分類終端130先進行分類與標記的好處在於，目檢員只需針對標記為空值的標記瑕疵影像（即，分類終端130檢測不出來的瑕疵）進行判斷，因而大幅降低目檢員操作的時間。對於標記不為空值的標記瑕疵影像，目檢員也僅需進行確認，不需要額外的分類操作。再者，若訓練模型的訓練程度相當高，精確度可以趨近於100%，則工廠也可以視情形調整目檢員的複檢政策，因而降低人力成本。
在步驟S270，標記複檢終端128接收來自複檢伺服站110的驗證操作。此時，資深目檢員可以再次確認由目檢員的驗證操作是否正確。倘若目檢員的驗證操作並不正確，資深目檢員可以進一步點選錯誤影像。標記複檢終端128會進一步提供多種瑕疵類型，以供資深目檢員點選正確的瑕疵類型。
在步驟S280，標記複檢終端128會記錄資深目檢員所點選的瑕疵類型，並將資深目檢員的標記結果傳送至複檢伺服站110。也就是說，資深目檢員的標記結果會直接被應用於模型的訓練中，無須再次驗證。
在步驟S290，由複檢伺服站110傳送標記結果以及標記瑕疵影像至訓練終端122，訓練終端122依據標記結果以及標記瑕疵影像進行訓練，以更新目標訓練模組。
詳細來說，分類終端130會依據訓練終端122訓練出來的已訓練模組進行分類。因此，分類終端130正確分類的關鍵會與已訓練模組的訓練程度呈現正相關。對於已訓練模組而言，其訓練程度會隨著輸入的樣本數量與樣本的正確性而提升。基此，在本發明的實施例中，通過資深目檢員在標記複檢終端128的再次確認可以加強樣本的正確性。通過複檢伺服站110進一步將標記瑕疵影像輸入至訓練終端122，可以加強輸入的樣本數量。藉此，本發明可以進一步加強目標訓練模組的訓練程度。
圖2繪示本發明一實施例之訓練系統的系統示意圖。以下將通過圖2說明訓練系統中，訓練終端122與標記複檢終端128的運行方式。訓練終端122是用以將訓練樣本、標記瑕疵影像輸入深度學習模型，以對目標訓練模組124進行訓練。此外，訓練終端122並儲存已訓練模組126。詳細來說，訓練終端122將訓練樣本、標記瑕疵影像輸入深度學習模型時，是依據訓練樣本、標記瑕疵影像所屬的類別（例如，料號）訓練對應的模組。也就是說，訓練樣本、標記瑕疵影像與目標訓練模組124對應的類別相同。經由深度學習模型輸出的為已訓練模組，訓練終端122會將已訓練模組126儲存在訓練終端122的儲存單元（例如：硬碟）中。在本發明的一實施例，訓練終端122是採用具有處理器，且處理器足以運行深度學習模型的硬體來實作，本發明不限於此。
除了再次驗證來自複檢終端140的驗證操作外，標記複檢終端128也可以在無須複檢終端140的驗證操作下，獨立與訓練終端122合作，直接對來自自動外觀檢測裝置的瑕疵影像進行分類與標記，藉此以產生或更新目標訓練模組124。值得一提的是，在本揭露的其他實施例中，在成本考量與工廠設計的考量下，標記複檢終端128也可以合併在複檢終端140中運行。或者是，在本揭露的另一實施例中，訓練終端122與標記複檢終端128之間也可以在不通過複檢伺服站110的情形下直接進行資料交換。本揭露並不限於此。在步驟S310，由複檢伺服站110接收來自自動外觀檢查裝置10的瑕疵影像與瑕疵位置。
在步驟S320，由標記複檢終端128接收來自複檢伺服站100傳送的瑕疵影像或標記瑕疵影像。標記複檢終端128顯示瑕疵影像或標記瑕疵影像，並接收相應瑕疵影像的分類結果或相應標記瑕疵影像的驗證操作。
詳細來說，在本發明的一實施例中，若在瑕疵檢測系統100中不具有相應待檢物的已訓練模組，或者是處於建模/更新模式時，複檢伺服站110會在接收來自自動外觀檢查裝置10的瑕疵影像與瑕疵位置時，直接將瑕疵影像輸入標記複檢終端128。標記複檢終端128會依據人工判讀所輸入的分類產生分類結果，並將此分類結果直接用以訓練樣本，以供建模或更新。
若在瑕疵檢測系統100中已具有相應待檢物的已訓練模組，瑕疵檢測系統100也可以直接通過已訓練模組而產生待檢物的分類瑕疵影像，並交由複檢終端140、標記複檢終端128進行驗證（即通過圖1的步驟S220至S290），進而依據標記結果而將標記瑕疵影像回饋至訓練終端122。
標記複檢終端128接收並儲存相應瑕疵影像的分類結果或相應標記瑕疵影像的驗證操作後，會標記尚未標記的瑕疵影像並儲存驗證操作，接著傳送分類結果或驗證操作，以及標記瑕疵影像至複檢伺服站110。
在步驟S330，複檢伺服站110接收並依據來自標記複檢終端128的驗證操作以及分類瑕疵影像。
在步驟S340，訓練終端122通過複檢伺服站110接收並依據來自標記複檢終端128的驗證操作及分類瑕疵影像而訓練對應標記瑕疵影像的訓練模組（即，目標訓練模組124）。訓練好的模組會儲存在訓練終端122中（即，已訓練模組126）。藉此，訓練終端122可以通過標記複檢終端128的協作而建模，且持續更新訓練模組。
圖3繪示了本發明另一實施例瑕疵檢測系統的系統示意圖。圖3實施例是以圖1實施例為主，進而衍生的實施例。請參照圖3，此瑕疵檢測系統400與自動外觀檢測裝置40連接，並具備複檢伺服站410、分類終端430、複檢終端440以及由訓練終端422以及標記複檢終端424組成的訓練系統。於此，自動外觀檢測裝置40、複檢伺服站410、訓練終端422、標記複檢終端424、分類終端430以及複檢終端440與圖1的自動外觀檢測裝置10、複檢伺服站110、訓練終端122、標記複檢終端128、分類終端130以及複檢終端140相似。基此，複檢伺服站410、訓練終端422、標記複檢終端424、分類終端430、複檢終端440的硬體架構及功能即不再贅述。
然而，相較於圖1與圖2，本發明的瑕疵檢測系統400還具有自動取樣裝置412及自動運輸裝置414。
自動取樣裝置412位於自動外觀檢測裝置40與複檢伺服站410之間，並連接於自動外觀檢測裝置40與複檢伺服站410。自動取樣裝置412接收來自自動外觀檢測裝置10的瑕疵座標，並依據瑕疵座標對待檢物重新取樣。詳細來說，在自動外觀檢測裝置40中，會發生偵測到瑕疵座標，然而瑕疵並不明顯的情形。此時，通過自動取樣裝置412可以強化瑕疵的影像特徵，藉此獲取強化瑕疵特徵。
在本發明的一實施例中，自動取樣裝置412具備光學元件（例如，攝像機）與光源設備。光學元件的參數是可調整的，參數例如內在參數（如：焦距、像距、鏡頭投影中心成像在影像上的位置、像素的長寬比、鏡頭扭曲變形的參數等）或者是外在參數（如：攝影機在三維座標中的位置與拍攝方向，包含旋轉矩陣與位移矩陣）。自動取樣裝置410會依據自動外觀檢測裝置40提供的瑕疵影像的瑕疵特徵調整光學元件的參數，進而擷取待檢物在瑕疵位置的影像。
光源設備的參數亦為可調整的，自動取樣裝置410會依據自動外觀檢測裝置40提供的瑕疵影像的瑕疵特徵調整光源設備的參數，例如，發射不同頻譜的光源（如：白光、紅光、藍光、綠光、黃光、UV光、或雷射光），並且進一步調整光源的強度以及照射角度，藉此以輔助光學元件擷取影像，以獲取強化瑕疵影像。強化瑕疵影像的影像特徵會優於瑕疵影像，有助於後續的分類與學習。需說明的是，在此實施例中，在後續對瑕疵影像進行分類、目檢與訓練時，將由強化瑕疵影像取代瑕疵影像。
自動運輸裝置414，通訊連接於自動外觀檢測裝置40與自動取樣裝置412。自動運輸裝置414安裝路由程式，當接收到自動外觀檢測裝置40的完成訊號時，自動運輸裝置414會前往並搬運自動外觀檢測裝置40的樣品台上的待檢物至自動取樣裝置412的樣品台。如此一來，自動運輸裝置414可以取代人工搬運代檢物的過程，以降低人為疏失的情形，同時以達到減輕人力負擔的目的。
值得一提的是，由於訓練系統所需要的影像資料相當龐大，且影像資料還會隨著工業製程的複檢階段而持續成長。倘若這些影像資料都儲存在複檢伺服站410，會使複檢伺服站410的儲存空間不敷使用，或者是降低複檢伺服站410的傳輸及處理速度。為了因應龐大的影像資料，在本發明的實施例中，瑕疵檢測系統400還可以在複檢伺服站410中設置影像統整設備412（Image station）。影像統整設備412具備龐大的儲存空間，以將所有瑕疵影像、強化瑕疵影像及/或標記瑕疵影像都儲存在影像統整設備412中。藉此，複檢伺服站410可以將所接收到的瑕疵影像、強化瑕疵影像及/或標記瑕疵影像都儲存在影像統整設備412中。此外，複檢伺服站410在傳送瑕疵影像、強化瑕疵影像及/或標記瑕疵影像至分類終端430、複檢終端440以及訓練終端422、標記複檢終端424時，可以僅傳送檔案的儲存位置而使前述裝置自行連接至影像統整設備中，並下載或採用線上運作的方式進行處理。藉此，可以降低影像傳輸很慢的問題。除此之外，影像統整設備也可以具備多個儲存裝置（例如：硬碟、固態硬碟等），藉此以對影像進行備份，並且擁有彈性的擴展空間。
以下將通過圖3說明本發明另一實施例中各個元件的互動關係。
在步驟S505，由自動取樣裝置412接收來自自動外觀檢查裝置40的瑕疵影像與瑕疵座標。
此外，在步驟S510，自動運輸裝置414會在接收到自動外觀檢測裝置40的完成訊號時，規畫由自動外觀檢測裝置40至自動取樣裝置412的路徑，以前往並運送自動外觀檢測裝置40的樣品台上的待檢物至自動取樣裝置412的樣品台。
藉由步驟S505及S510，自動取樣裝置412會依據待檢物瑕疵影像的瑕疵特徵進而調整光源設備與光學元件的參數，並依據瑕疵座標而對待檢物重新取樣，以獲取強化瑕疵影像。步驟S505與步驟S510執行的前後順序不以前述為限。
在步驟S515，自動取樣裝置412還傳送強化特徵影像至複檢伺服站410。
步驟S520至步驟S540對應於圖1的步驟S220至S260，差異在於，步驟S520至步驟S540中，會以強化瑕疵影像取代瑕疵影像。也就是說，複檢伺服站410、分類終端430、複檢終端440都是針對強化瑕疵影像進行處理。由於強化瑕疵影像與瑕疵影像之間為取樣結果的差異，對於瑕疵檢測系統100的架構並沒有影響。因此，於此即不贅述步驟S520至步驟S540的細節。
而步驟S545至步驟S555則相同於圖2的步驟S320至S340，特別是，相同於前述步驟S320至S340中，通過已訓練模組而產生待檢物的分類瑕疵影像，並交由人工複檢之後，進而依據驗證操作而將標記瑕疵影像回饋至訓練終端422。因此，於此亦不贅述步驟S520至步驟S540的細節。
值得一提的是，本發明一實施例的瑕疵檢測系統中，複檢伺服站、訓練終端、標記複檢終端、分類終端、複檢終端、自動運輸裝置以及自動取樣裝置中，皆採用獨立的設備。因此，對於工廠而言，瑕疵檢測系統可以通過現有的複檢終端、更新既有複檢伺服站的作業系統後，僅添購其餘設備即可完成本發明的瑕疵檢測系統。並且，在特定設備的需求緊繃時，可以獨立添購特定設備以擴充瑕疵檢測系統的承載量。基此，瑕疵檢測系統具備良好的擴充能力，並可架設於現有的瑕疵檢測系統上，以降低工廠設備更新的成本。
綜上所述，本發明的瑕疵檢測系統與瑕疵檢測方法採用了訓練終端，並通過分類終端讀取訓練終端中的訓練模型，以對待檢物的瑕疵影像自動分類。如此一來，目檢員僅需針對分類終端檢測不出的瑕疵進行判斷，有效的降低人力耗損與成本。不僅如此，本發明的瑕疵檢測系統擴展性佳，可架設於現有的瑕疵檢測系統上，以降低工廠設備更新的成本。
雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。
10、40‧‧‧自動外觀檢測裝置100、400‧‧‧瑕疵檢測系統110、410‧‧‧複檢伺服站122、422‧‧‧訓練終端124‧‧‧目標訓練模組126‧‧‧已訓練模組128、424‧‧‧標記複檢終端130、430‧‧‧分類終端140、440‧‧‧複檢終端S210~S290、S310~S340、S505~S555‧‧‧步驟
圖1繪示本發明一實施例瑕疵檢測系統的系統示意圖。 圖2繪示本發明一實施例訓練系統的系統示意圖。 圖3繪示了本發明另一實施例瑕疵檢測系統的系統示意圖。
10‧‧‧自動外觀檢測裝置
100‧‧‧瑕疵檢測系統
110‧‧‧複檢伺服站
122‧‧‧訓練終端
128‧‧‧標記複檢終端
130‧‧‧分類終端
140‧‧‧複檢終端
S210~S290‧‧‧步驟

Claims (12)

  1. 一種利用人工智慧的瑕疵檢測系統，連接於自動外觀檢測裝置，該瑕疵檢測系統包括： 複檢伺服站，連接於該自動外觀檢查裝置，該複檢伺服站接收來自該自動外觀檢查裝置的瑕疵影像與瑕疵位置； 訓練終端，連接至該複檢伺服站，儲存至少一個已訓練模組； 分類終端，連接至該複檢伺服站與該分類終端，接收來自該複檢伺服站的該瑕疵影像與該瑕疵位置，讀取該至少一個已訓練模組中相應於該瑕疵影像的目標訓練模組，該分類終端依據該目標訓練模組，分類該瑕疵影像以產生標記瑕疵影像，該分類終端並傳送該標記瑕疵影像至該複檢伺服站； 複檢終端，連接至該複檢伺服站，接收來自該複檢伺服站傳送的該標記瑕疵影像，該複檢終端接收相應該標記瑕疵影像的驗證操作，並傳送該驗證操作至該複檢伺服站；以及 標記複檢終端，連接至該複檢伺服站，接收來自該複檢伺服站的該驗證操作與該標記瑕疵影像，並接收相應該標記瑕疵影像的標記結果， 其中，該複檢伺服站傳送該標記結果與該標記瑕疵影像至該訓練終端，該訓練終端接收並依據來自該標記複檢終端的該標記結果以及對應的該標記瑕疵影像訓練對應的訓練模組。
  2. 如申請專利範圍第1項所述的瑕疵檢測系統，其中， 該標記複檢終端還接收來自該複檢伺服站傳送的該瑕疵影像以及相應該瑕疵影像的分類結果， 該訓練終端還接收並依據來自該標記複檢終端的該分類結果以及對應的該瑕疵影像訓練對應的訓練模組。
  3. 如申請專利範圍第2項所述的瑕疵檢測系統，其中該訓練終端還輸入該標記瑕疵影像至深度學習模型，以訓練該訓練模組。
  4. 如申請專利範圍第1項所述的瑕疵檢測系統，更包括： 自動取樣裝置，連接至該自動外觀檢測裝置與該複檢伺服站，接收來自該自動外觀檢測裝置的瑕疵座標，其中該瑕疵座標對應於待檢物，其中 該自動取樣裝置還依據該瑕疵座標對該待檢物重新取樣，以獲取強化特徵影像， 該自動取樣裝置還傳送該強化特徵影像至該複檢伺服站。
  5. 如申請專利範圍第4項所述的瑕疵檢測系統，更包括： 自動運輸裝置，通訊連接於該自動外觀檢測裝置與該自動取樣裝置，該自動運輸裝置於接收到該自動外觀檢測裝置的完成訊號時，前往並搬運該自動外觀檢測裝置的樣品台上的該待檢物至該自動取樣裝置的樣品台。
  6. 如申請專利範圍第1項所述的瑕疵檢測系統，其中該複檢伺服站還包括： 影像統整設備，儲存該瑕疵影像以及該標記瑕疵影像。
  7. 一種利用人工智慧的瑕疵檢測方法，適用連接自動外觀檢測裝置的瑕疵檢測系統，且該瑕疵檢測系統包括複檢伺服站、訓練終端、標記複檢終端、分類終端以及複檢終端，該瑕疵檢測方法包括： 由該複檢伺服站接收來自該自動外觀檢查裝置的瑕疵影像與瑕疵位置； 由該分類終端接收來自該複檢伺服站的該瑕疵影像與該瑕疵位置； 由該分類終端讀取相應於該瑕疵影像的目標訓練模組，依據該目標訓練模組分類該瑕疵影像以產生標記瑕疵影像，並傳送該標記瑕疵影像至該複檢伺服站； 由該複檢終端接收來自該複檢伺服站傳送的該標記瑕疵影像，顯示該標記瑕疵影像於該複檢終端的顯示器上； 由該複檢終端接收相應該標記瑕疵影像的驗證操作，並傳送該驗證操作至該複檢伺服站； 由該標記複檢終端接收來自該複檢伺服站的該驗證操作與該標記瑕疵影像，並接收相應該標記瑕疵影像的標記結果； 由該複檢伺服站接收該標記結果以及該標記瑕疵影像並傳送至該訓練終端；以及 由該訓練終端接收並依據來自該標記複檢終端的該標記結果以及對應的該標記瑕疵影像訓練對應的訓練模組。
  8. 如申請專利範圍第7項所述的瑕疵檢測方法，其中該瑕疵檢測方法還包括： 由該標記複檢終端接收來自該複檢伺服站傳送的該瑕疵影像以及相應該瑕疵影像的分類結果， 由該訓練終端接收並依據來自該標記複檢終端的該分類結果以及對應的該瑕疵影像訓練對應的訓練模組。
  9. 如申請專利範圍第8項所述的瑕疵檢測方法，其中由該訓練終端接收並依據來自該標記複檢終端的該分類結果以及對應的該瑕疵影像訓練對應的訓練模組的步驟中，還包括： 由該訓練終端輸入該標記瑕疵影像至深度學習模型，以訓練該訓練模組。
  10. 如申請專利範圍第7項所述的瑕疵檢測方法，其中該瑕疵檢測系統還包括自動取樣裝置，且該瑕疵檢測方法更包括： 由該自動取樣裝置（ACM）接收來自該自動外觀檢測裝置的瑕疵座標，其中該瑕疵座標對應於待檢物； 由該自動取樣裝置依據該瑕疵座標對該待檢物重新取樣，以獲取強化特徵影像；以及 由該自動取樣裝置傳送該強化特徵影像至該複檢伺服站。
  11. 如申請專利範圍第7項所述的瑕疵檢測方法，其中該瑕疵檢測系統還包括自動運輸裝置，且該瑕疵檢測方法更包括： 由該自動運輸裝置接收到該自動外觀檢測裝置的完成訊號；以及 由該自動運輸裝置前往並搬運該自動外觀檢測裝置的樣品台上的該待檢物至該自動取樣裝置的樣品台。
  12. 如申請專利範圍第7項所述的瑕疵檢測方法，其中該瑕疵檢測系統還包括影像統整設備，且該瑕疵檢測方法更包括： 由影像統整設備儲存該瑕疵影像以及該標記瑕疵影像。
TW107122627A 2018-06-29 2018-06-29 利用人工智慧的瑕疵檢測系統及其方法 TWI667575B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW107122627A TWI667575B (zh) 2018-06-29 2018-06-29 利用人工智慧的瑕疵檢測系統及其方法
CN201811472668.0A CN110659662B (zh) 2018-06-29 2018-12-04 利用人工智能的瑕疵检测***及其方法
US16/454,034 US10991088B2 (en) 2018-06-29 2019-06-26 Defect inspection system and method using artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107122627A TWI667575B (zh) 2018-06-29 2018-06-29 利用人工智慧的瑕疵檢測系統及其方法

Publications (2)

Publication Number Publication Date
TWI667575B TWI667575B (zh) 2019-08-01
TW202001699A true TW202001699A (zh) 2020-01-01

Family

ID=68316407

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107122627A TWI667575B (zh) 2018-06-29 2018-06-29 利用人工智慧的瑕疵檢測系統及其方法

Country Status (3)

Country Link
US (1) US10991088B2 (zh)
CN (1) CN110659662B (zh)
TW (1) TWI667575B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI803824B (zh) * 2020-12-09 2023-06-01 大陸商艾聚達信息技術(蘇州)有限公司 人工智慧模型自動提升訓練系統及方法

Families Citing this family (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201803795D0 (en) * 2018-03-09 2018-04-25 Prisymid Ltd Label data processing system
CN111054638A (zh) * 2019-11-27 2020-04-24 奥特斯科技(重庆)有限公司 制造部件承载件的方法及在制造期间操控面板的设备
TWI732370B (zh) 2019-12-04 2021-07-01 財團法人工業技術研究院 神經網路模型的訓練裝置和訓練方法
TWI707137B (zh) * 2020-01-13 2020-10-11 憶象有限公司 智能產線監測系統及監測方法
CN113267501A (zh) * 2020-02-17 2021-08-17 远传电信股份有限公司 片状材料快速检测瑕疵整合***及其使用方法
CN111307823B (zh) * 2020-04-13 2022-10-25 国家电网有限公司 基于边云协同的变电设备典型视觉缺陷检测***及方法
CN113805365A (zh) * 2020-06-16 2021-12-17 艾聚达信息技术(苏州)有限公司 标记设备及缺陷标记方法
CN112485259A (zh) * 2020-11-13 2021-03-12 湖南交通工程学院 一种自适应强的金属表面智能缺陷视觉检测装备及检测方法
CN114638773A (zh) * 2020-11-30 2022-06-17 纬创资通（中山）有限公司 用于影像标记标准化的方法、电子装置及计算机程序产品
CN112557399B (zh) * 2020-11-30 2022-11-22 河北白沙烟草有限责任公司 一种烟机设备质量检测***点检方法及装置
CN113012097B (zh) * 2021-01-19 2023-12-29 富泰华工业（深圳）有限公司 图像复检方法、计算机装置及存储介质
TWI806004B (zh) * 2021-02-09 2023-06-21 麗臺科技股份有限公司 自動化視覺檢測的ai流程管理系統及方法
TWI762193B (zh) * 2021-02-09 2022-04-21 鴻海精密工業股份有限公司 圖像瑕疵檢測方法、裝置、電子設備及存儲介質
CN114002225B (zh) * 2021-10-19 2023-05-12 业成科技（成都）有限公司 光学检测***与方法
US20230133152A1 (en) * 2021-11-03 2023-05-04 Elementary Robotics, Inc. Automatic Object Detection and Changeover for Quality Assurance Inspection
CN114674289A (zh) * 2022-03-29 2022-06-28 银河航天科技(南通)有限公司 用于卫星装配的自校正***及自校正方法
US11995812B2 (en) * 2022-06-29 2024-05-28 Electrical Components International, Inc. Next generation quality inspection

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6292582B1 (en) * 1996-05-31 2001-09-18 Lin Youling Method and system for identifying defects in a semiconductor
JP3784603B2 (ja) * 2000-03-02 2006-06-14 株式会社日立製作所 検査方法及びその装置並びに検査装置における検査条件設定方法
WO2013134278A1 (en) * 2012-03-05 2013-09-12 Fiberqa, Llc System and method of high resolution fiber optic inspection
CN106355188B (zh) * 2015-07-13 2020-01-21 阿里巴巴集团控股有限公司 图像检测方法及装置
CN104991502A (zh) * 2015-07-29 2015-10-21 成都国铁电气设备有限公司 车载接触网运行状态检测数据分析与处理***及方法
TWM528233U (zh) * 2016-05-06 2016-09-11 中華大學 一種研磨墊檢測系統
TWI623741B (zh) * 2016-06-23 2018-05-11 由田新技股份有限公司 光學檢測系統
TWI608369B (zh) * 2016-11-23 2017-12-11 財團法人工業技術研究院 分類方法、分類模組及電腦程式產品
CN107064160B (zh) * 2017-04-01 2020-10-16 佛山市南海天富科技有限公司 基于显著性检测的纺织品表面瑕疵检测方法及***
CN106918600A (zh) * 2017-04-07 2017-07-04 江苏博虏智能科技有限公司 一种基于机器视觉的面料表面缺陷检测和标记方法
TWM550465U (zh) * 2017-06-30 2017-10-11 中華大學 半導體晶圓檢測系統
CN107657603B (zh) * 2017-08-21 2020-07-14 北京精密机电控制设备研究所 一种基于智能视觉的工业外观检测方法
CN107389701A (zh) * 2017-08-22 2017-11-24 西北工业大学 一种基于图像的pcb表观缺陷自动检测***及方法
CN107643294A (zh) * 2017-10-13 2018-01-30 陕西长岭软件开发有限公司 一种布匹瑕疵自动检测设备
US20200005422A1 (en) * 2018-06-29 2020-01-02 Photogauge, Inc. System and method for using images for automatic visual inspection with machine learning

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI803824B (zh) * 2020-12-09 2023-06-01 大陸商艾聚達信息技術(蘇州)有限公司 人工智慧模型自動提升訓練系統及方法

Also Published As

Publication number Publication date
TWI667575B (zh) 2019-08-01
CN110659662A (zh) 2020-01-07
US10991088B2 (en) 2021-04-27
CN110659662B (zh) 2023-05-30
US20200005449A1 (en) 2020-01-02

Similar Documents

Publication Publication Date Title
TWI667575B (zh) 利用人工智慧的瑕疵檢測系統及其方法
US11449980B2 (en) System and method for combined automatic and manual inspection
CN100472205C (zh) 基板检查方法和装置、及其检查逻辑设定方法和装置
TWI703514B (zh) 人工智慧複檢系統及其方法
TW202107073A (zh) 基於假點缺陷檢測之pcb檢修系統及檢修方法
US12026865B2 (en) Image analysis system for testing in manufacturing
TW202001795A (zh) 瑕疵分類標記系統及瑕疵分類標記方法
US20220189002A1 (en) Method and system for defect inspection based on deep learning
TWI833010B (zh) 影像辨識裝置、影像辨識方法及其電腦程式產品
TWI707137B (zh) 智能產線監測系統及監測方法
EP4009038A1 (en) Method and device for detecting mechanical equipment parts
CN107315140A (zh) 一种aoi检测的方法、装置、设备及存储介质
CN114862832A (zh) 缺陷检测模型的优化方法、装置、设备及存储介质
JP2004151057A (ja) 部品コード変換テーブルの登録方法、変換テーブル登録装置、部品コード変換テーブルの登録用プログラムおよび記憶媒体
CN111929239A (zh) 一种pcb板零件缺陷的aoi检测装置及检测方法
JP2017107313A (ja) 教師データ作成支援方法、画像分類方法、教師データ作成支援装置および画像分類装置
TWI780580B (zh) 圖像複檢方法、電腦裝置及儲存介質
JP7212792B2 (ja) 学習処理装置及び検査装置
JP2006251561A (ja) 欠陥画素リペア方法
CN208350673U (zh) 缺陷检测***
CN116402371A (zh) 一种用于隧道衬砌检测的信息化管理***
WO2022104585A1 (zh) 一种印刷电路板远程光学检修方法及***
JP2008185395A (ja) 実装基板外観検査方法
CN110989422A (zh) 一种基于流水号喷码的aoi过检参数的管理***及管理方法
KR102544533B1 (ko) 전자 펜 기록정보와 사진 이미지 정보 매칭을 통한 대상물 관리시스템