TW202336685A - 檢查系統以及人工智慧模型資料的管理方法 - Google Patents
檢查系統以及人工智慧模型資料的管理方法 Download PDFInfo
- Publication number
- TW202336685A TW202336685A TW112107688A TW112107688A TW202336685A TW 202336685 A TW202336685 A TW 202336685A TW 112107688 A TW112107688 A TW 112107688A TW 112107688 A TW112107688 A TW 112107688A TW 202336685 A TW202336685 A TW 202336685A
- Authority
- TW
- Taiwan
- Prior art keywords
- model
- artificial intelligence
- data
- performance
- mass production
- Prior art date
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 159
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 141
- 238000013473 artificial intelligence Methods 0.000 title claims description 346
- 238000007726 management method Methods 0.000 title description 62
- 238000012360 testing method Methods 0.000 claims abstract description 106
- 239000000463 material Substances 0.000 claims description 52
- 230000002950 deficient Effects 0.000 claims description 29
- 238000000034 method Methods 0.000 claims description 28
- 238000012552 review Methods 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 28
- 238000010586 diagram Methods 0.000 description 16
- 229910000679 solder Inorganic materials 0.000 description 13
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 239000000758 substrate Substances 0.000 description 7
- 230000007547 defect Effects 0.000 description 6
- 230000008676 import Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000012795 verification Methods 0.000 description 5
- 238000003825 pressing Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 239000006071 cream Substances 0.000 description 2
- 238000013523 data management Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005476 soldering Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Manufacturing & Machinery (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- General Factory Administration (AREA)
Abstract
本發明提供一種能夠將合適的AI模型更容易地應用於生產線的技術。一種檢查系統(1),在製品的生產線(100)中使用AI模型執行基於所述製品的圖像資料的檢查,所述檢查系統(1)包括管理資訊顯示部(10c),所述管理資訊顯示部(10c)顯示與製品的檢查所使用的一個或多個AI模型的管理相關的資訊,管理資訊顯示部(10c)能夠顯示與AI模型的規格相關的規格資訊、及與所述AI模型針對各種資料的性能相關的性能資訊,性能資訊包括AI模型針對量產應用前的模型測試的性能、及應用於量產時的性能。
Description
本發明是有關於一種在製品的生產中對製品的優劣進行檢查的檢查系統以及人工智慧(Artificial Intelligence,AI)模型資料的管理方法。
在製品的生產線中,在生產線的中間步驟或最終步驟配置製品的檢查裝置,而進行不良的檢測或不良品的分類等。例如,在零件安裝基板的生產線中,通常包括在印刷配線基板印刷膏狀焊料的裝置(印刷裝置)、在印刷有膏狀焊料的基板安裝零件的裝置(裝配裝置)、加熱零件安裝後的基板並將零件焊接於基板的裝置(回焊裝置)。並且,在包括配置於各生產裝置後的檢查裝置的檢查系統中,檢查各生產裝置中的作業是否如預定般準確進行。然後,在檢查系統中,收集管理各檢查結果的資訊,而能夠合適、迅速地應對不良率的變化,有助於生產線整體的生產性的提高。
在如上所述的檢查系統中,藉由拍攝製品等檢查對象,對事先學習的AI模型輸入該圖像,而導入如檢查與該製品相關的優劣的步驟。此處,生產線中所量產的製品的品質不斷地變化,若該變化增大,則AI模型無法準確地判定製品的優劣,因此過看(over-detect)或漏看(undetect)的風險變大。在此種情況下,需要使用新獲得的學習資料使AI模型再次學習,而使用與品質的變化相應的最佳的AI模型。
關於此種狀況,公知如下一種技術:使圖像判定用的模型學習新的良品圖像、不良品圖像,藉此能夠生成對於具有前所未有的新特徵的資料亦合適地判定的模型(參照專利文獻1)。然而,AI模型的性能(=過看率、漏看率)若單純地增加學習資料,則不會變得聰明,若學習資料與測試資料的總體的特徵存在背離,則有導致過度學習之虞。
認為過度學習是以各種等級產生,例如有如以下的模式。
(1)對於學習資料發揮高的性能,但對於測試資料、庫資料(library data)、實際的量產資料無法發揮高的性能的模式
(2)對於學習資料、測試資料發揮高的性能,但對於庫資料、實際的量產資料無法發揮高的性能的模式
(3)對於學習資料、測試資料、庫資料發揮高的性能,但對於實際的量產資料無法發揮高的性能的模式
如上所述,因針對特定的總體的資料的性能、及針對大範圍的量產資料的性能存在背離,導致預學習AI模型在量產中有時無法發揮如假定般的效果。並且,針對此種問題,在量產時,對能夠將更合適的AI模型應用於生產線的系統的要求提高。
[現有技術文獻]
[專利文獻]
[專利文獻1]日本專利特開2020-107104號公報
[發明所欲解決之課題]
本發明鑒於所述實際情況,其目的在於提供一種能夠將合適的AI模型更容易地應用於生產線的技術。
[解決課題之手段]
為了達成所述目的,本發明採用以下結構。即,
一種檢查系統,在製品的生產線中,使用AI模型執行基於所述製品的圖像資料的檢查,
所述檢查系統的特徵在於包括:
管理資訊顯示部,顯示與所述製品的檢查所使用的一個或多個AI模型的管理相關的資訊,
所述管理資訊顯示部能夠顯示與所述AI模型的規格相關的規格資訊、及與所述AI模型針對各種資料的性能相關的性能資訊,
所述性能資訊包括所述AI模型針對量產應用前的模型測試的性能、及應用於量產時的性能。
藉此,使用者能夠一邊俯瞰AI模型的規格資訊與性能資訊,一邊在例如AI模型針對量產應用前的模型測試的性能與應用於量產時的性能存在背離的情況下分析原因。並且,能夠將AI模型變更為其他模型或利用新的圖像資料進行學習、評價後應用等,能夠將合適的AI模型更容易地應用於生產線。
而且,在本發明中,可為所述管理資訊顯示部以一個畫面顯示所述AI模型針對量產應用前的模型測試的性能、應用於量產時的性能、及應用於量產的狀況作為所述性能資訊。藉此,使用者僅藉由觀察該一個畫面,即能夠迅速地決定AI模型的變更、再學習等方針。
而且,在本發明中,可為所述AI模型的量產應用前的模型測試包括針對測試資料的模型測試、或針對庫資料的模型測試的至少任一者。藉此,能夠迅速地把握偏差、期間不同的資料相關的性能,因此藉此亦能夠迅速地決定AI模型的變更、再學習等方針。
而且,在本發明中,可為所述性能包括基於所述AI模型將不使用所述AI模型的檢查中的良品判定為不良品的數量的過看指標、及基於所述AI模型將不使用所述AI模型的檢查中的不良品(實際不良)判定為良品的數量的漏看指標。藉此,能夠立即識別AI模型的判定過度嚴格抑或過度寬鬆,並且能夠判斷模型是否過度學習的模型的有效性。再者,「不使用AI模型的檢查」亦可為目視檢查。或亦可為優劣的判定精度高的其他檢查。例如,在判定精度高的情況下,亦可為規則庫檢查。
而且,在本發明中,可為所述性能資訊進而包括所述AI模型的量產應用前的模型測試及量產中的各檢查圖像、所述檢查圖像相關的所述AI模型對優劣的判定結果、及所述檢查圖像相關的AI輸出值。藉此,對於個別檢查圖像,AI模型能夠確認進行了何種判定,而能夠更合適地決定AI模型的變更、再學習等方針。
而且,在本發明中,可為所述性能資訊進而包括所述AI模型的關於所述檢查圖像的AI輸出值的直方圖。藉此,亦能夠更容易地確認AI模型對於檢查圖像的判斷的傾向。
而且,在本發明中,可為所述管理資訊顯示部能夠對針對所述製品的各檢查項目顯示所述性能資訊。藉此,能夠確認關於各檢查項目的AI模型的成績,而能夠更詳細地決定AI模型的變更、再學習等方針。
而且,在本發明中,可為所述管理資訊顯示部能夠以檢查對象零件的各型號組的顯示與對多個型號組進行彙總的顯示來切換所述規格資訊及所述性能資訊的顯示。藉此,能夠詳細地確認關於各型號組的AI模型的性能,並且能夠更容易地研究不同的型號組間的AI模型的移設或更換。此處,所謂型號組表示將零件尺寸或零件顏色相似的型號彙總成一體的集合。該型號組內的型號以同一檢查基準、顏色參數進行檢查,因此無需以各型號進行教學,能夠提高教學的效率。
而且,在本發明中,可為所述管理資訊顯示部在對多個型號組進行彙總的顯示的顯示畫面中能夠執行將一個型號組所應用的AI模型應用於其他型號組的處理。藉此,使用者能夠一邊觀察管理資訊顯示部的顯示畫面,一邊立即將一個型號組所應用的AI模型應用於其他型號組。
而且,在本發明中,可為所述規格資訊包括所述AI模型的網路資訊、學習時的學習資料的資訊、所述AI模型的批號(lot number)的至少任一者。藉此,使用者能夠更容易地確認AI模型的基本資訊、溯源。
而且,本發明可為一種AI模型資料的管理方法,用於在製品的生產線中使用AI模型執行基於所述製品的圖像資料的檢查的檢查系統,
所述AI模型資料的管理方法的特徵在於:
將所述AI模型資料和與所述AI模型資料的規格相關的規格資訊、及與所述AI模型針對各種資料的性能相關的性能資訊建立關聯而進行管理,
所述性能資訊包括所述AI模型針對量產應用前的模型測試的性能、及應用於量產時的性能。再者,此處,所謂管理除了記憶並保存資訊以外,例如亦包括即時進行基於圖像資料的檢查而顯示針對該圖像資料的性能資訊。
而且,本發明可為所述AI模型資料的管理方法,其特徵在於:所述AI模型的量產應用前的模型測試包括針對測試資料的模型測試、或針對庫資料的模型測試的至少任一者。
而且,本發明可為所述AI模型資料的管理方法,其特徵在於:所述性能包括基於所述AI模型將不使用所述AI模型的檢查中的良品判定為不良品的數量的過看指標、及基於所述AI模型將不使用所述AI模型的檢查中的不良品判定為良品的數量的漏看指標。
而且,本發明可為所述AI模型資料的管理方法,其特徵在於:所述性能資訊進而包括所述AI模型的量產應用前的模型測試及量產中的各檢查圖像、所述檢查圖像相關的所述AI模型對優劣的判定結果、及所述檢查圖像相關的AI輸出值。
而且,本發明可為所述AI模型資料的管理方法,其特徵在於:所述規格資訊包括所述AI模型的網路資訊、學習時的學習資料的資訊、所述AI模型的批號的至少任一者。
而且,本發明可為一種AI模型資料集,包括一個或多個AI模型資料,用於在製品的生產線中使用AI模型執行基於所述製品的圖像資料的檢查的檢查系統,所述AI模型資料集的特徵在於:
包括與所述AI模型資料建立關聯的與所述AI模型資料的規格相關的規格資訊、及與所述AI模型針對各種資料的性能相關的性能資訊,
所述性能資訊包括各檢查圖像、及所述檢查圖像相關的所述AI模型對優劣的判定結果。
而且,本發明可為所述AI模型資料集,其特徵在於:所述性能包括基於所述AI模型將不使用所述AI模型的檢查中的良品判定為不良品的數量的過看指標、及基於所述AI模型將不使用所述AI模型的檢查中的不良品判定為良品的數量的漏看指標。
而且,本發明可為所述AI模型資料集,其特徵在於:所述性能資訊進而包括所述檢查圖像相關的AI輸出值。
而且,本發明可為所述AI模型資料集,其特徵在於:所述規格資訊包括所述AI模型的網路資訊、學習時的學習資料的資訊、所述AI模型的批號的至少任一者。
再者,所述結構及處理各自只要不產生技術性的矛盾,則能夠彼此組合而構成本發明。
[發明的效果]
根據本發明,能夠將合適的AI模型更容易地應用於生產線。
<應用例>
如圖1所示,作為應用本發明的對象的一例的生產線100包括焊錫印刷裝置100a、焊錫印刷後檢查裝置100b、裝配機100c、裝配後檢查裝置100d、回焊爐100e、回焊後檢查裝置100f。生產線100中的各裝置經由區域網路(Local Area Network,LAN)等網路連接於教學終端10。各檢查裝置100b、檢查裝置100d、檢查裝置100f在各步驟的出口處檢查印刷基板的狀態,而自動檢測不良或不良之虞。
再者,生產線100的各檢查裝置中的檢查使用預先學習的AI模型進行。AI模型使用教學終端10,事先使用學習資料進行學習。其後,基於測試資料、庫資料、量產資料對性能進行評價。
此處,AI模型使用學習資料的小範圍的偏差、與期間相關的資料進行學習,因此在針對大範圍的偏差、與期間的範圍相關的量產資料的檢查中,未必發揮出充分的性能。針對於此,本應用例中對於多個AI模型,使用者能夠俯瞰確認AI模型生成時的規格資訊及針對測試資料、庫資料、量產資料發揮出何種性能的性能資訊,而能夠將最佳的AI模型更容易地應用於量產。
圖8中示出本應用例中的AI模型管理畫面21的一例。在AI模型管理畫面21設置有AI使用歷史顯示區域22。AI使用歷史顯示區域22是顯示各AI模型的量產中的使用歷史的區域。在AI使用歷史顯示區域22的左端22b記載有量產所使用的AI模型的模型名。在記載有各模型名的列中以條形圖顯示使用該模型的期間。藉由AI使用歷史顯示區域22,能夠示出量產中使用各模型的期間的歷史資訊。
而且,AI模型管理畫面21在AI使用歷史顯示區域22的右側包括性能顯示區域23。關於各AI模型,在該性能顯示區域23的左欄23a顯示針對測試資料的性能。而且,關於各AI模型,在性能顯示區域23的右欄23b顯示針對庫資料的性能。更具體而言,以條形圖顯示測試資料使用時的過看率與漏看率、庫資料使用時的過看率與漏看率。
而且,在AI使用歷史顯示區域22的下側設置有量產性能顯示區域24。量產性能顯示區域24顯示AI使用歷史顯示區域22所示的各工作日中該日所使用的AI模型針對量產資料的性能。更具體而言,以摺線圖顯示過看率與漏看率。
而且,在AI模型管理畫面21中的右端對應於各AI模型的模型名而設置有詳細顯示按鈕21d。藉由按下該詳細顯示按鈕21d,而顯示各AI模型的詳細資訊。圖9中示出藉由按下詳細顯示按鈕21d所顯示的第一詳細顯示畫面31a的例子。在第一詳細顯示畫面31a顯示顯示模式選擇區域32,在該顯示模式選擇區域32中,能夠選擇詳細顯示畫面中的顯示內容。在圖9中,在顯示模式選擇區域32中選擇基本資訊。藉此,第一詳細顯示畫面31a成為顯示基本資訊的畫面。
如圖9所示,在第一詳細顯示畫面31a設置有基本資訊顯示區域33。在該基本資訊顯示區域33中,記載有對象的AI模型的模型名、生成日期時間、所檢查的圖像的圖像尺寸、所使用的網路名、學習資料名、學習資料的回收期間、檢查對象的製品的批號、註解。
在本應用例中,如上所述,使用者能夠容易地俯瞰確認各AI模型的基本資訊(規格資訊)、各測試及量產中發揮何種性能的性能資訊。其結果為,能夠更容易或以更高精度進行變更應用於量產的AI模型、使其再學習等判斷。
以下,基於圖式,對本發明的實施的方式進行說明。但關於以下各例中所記載的結構要素,只要無特別記載,則並非將該發明的範圍僅限定於該些。
<實施例>
將作為應用本發明的發明的對象的一例的生產線100示於圖1。如上所述,生產線100例如包括焊錫印刷裝置100a、焊錫印刷後檢查裝置100b、裝配機100c、裝配後檢查裝置100d、回焊爐100e、回焊後檢查裝置100f。焊錫印刷裝置100a是印刷基板上的印刷電極部焊錫膏的裝置。裝配機100c是用以將應安裝於印刷基板的大量電子零件載置於焊錫膏上的裝置。而且,回焊爐100e是用以將載置於印刷基板上的電子零件焊接於基板上的印刷配線的加熱裝置。並且,各檢查裝置100b、檢查裝置100d、檢查裝置100f在各步驟的出口處檢查印刷基板的狀態,而自動檢測不良或不良之虞。
上述焊錫印刷後檢查裝置100b、裝配後檢查裝置100d、回焊後檢查裝置100f(以下亦將該些總稱為檢查裝置30)經由LAN等網路而連接於教學終端10、及資料庫20(以下亦簡稱為DB 20)。教學終端10可包括具備中央處理單元(central processing unit,CPU)(處理器)、主記憶裝置(記憶體)、輔助記憶裝置(硬碟等)、輸入裝置(鍵盤、滑鼠、控制器、觸控面板等)、輸出裝置(顯示器、印表機、擴音器等)等的通用的電腦系統。或亦可包括平板終端等具有可攜性的電腦系統。
再者,生產線100的檢查裝置30中的檢查是使用經預先學習的預學習AI模型(以下亦簡稱為AI模型)進行。AI模型儲存於DB 20中,經適當選擇而用於檢查裝置30中的檢查。而且,AI模型使用教學終端10進行學習,以能夠事先基於學習資料而在檢查裝置30中判定印刷基板的良與不良。其後,AI模型基於測試資料、庫資料、量產資料進行性能評價。
圖2的(a)、圖2的(b)中示出學習資料、測試資料、庫資料、量產資料的各資料的特性。圖2的(a)、圖2的(b)的橫軸為收集資料的期間,縱軸為資料的偏差的範圍。此處,學習資料為使AI進行學習時所使用的圖像資料,為自非常短的期間的量產資料中選擇的資料,期間、偏差的範圍限於小的範圍。而且,測試資料為預學習AI模型的測試所使用的資料,雖然亦取決於資料的獲取方法,但通常認為偏差、期間的範圍小。庫資料為進而基於大範圍的量產資料的資料,例如為包括其他批次的製品、其他據點所生產的製品的資料的自大的總體中收集的資料。而且,量產資料為實際的量產過程中所獲取的資料,為偏差、期間均具有充分大的範圍的資料。再者,學習資料、測試資料、庫資料的各資料的關係存在各種模式,如圖2的(a)所示,存在各資料獨立的情況,如圖2的(b)所示,亦存在例如學習資料與庫資料重合、或測試資料與庫資料重合等各資料的一部分或全部重覆的情況。
此處,由於首先使用作為總體的資料的偏差、期間的範圍小的學習資料使AI模型進行學習,故而在針對資料的偏差、期間的範圍大的量產資料的檢查中,未必發揮出充分的性能。對於任一檢查,存在應用後方可獲知何種AI模型適合的部分,視情況需要進行AI模型的更換、再學習。如上所述,早期提高各生產線中的檢查精度並不容易。
因此,在本發明中,對於多個AI模型,使用者能夠俯瞰瀏覽表示生成時的規格或表示使用何種學習資料進行學習的規格資訊及對測試資料、庫資料、量產資料發揮何種性能的性能資訊。藉此,能夠將最佳的AI模型更容易地應用於量產。
繼而,使用圖3的流程圖對使用本發明中的檢查系統1的處理的順序的一例進行說明。本流程開始後,首先,在步驟S101中,使用者在教學終端10選擇成為使用AI模型的檢查的對象的零件的型號組。然後,在步驟S102中,選擇相當於成為使用AI模型的檢查的對象的不良內容的檢查邏輯。由此,在步驟S103中,在教學終端10顯示AI模型管理畫面21(下文進行說明),所述AI模型管理畫面21顯示針對步驟S101及步驟S102中所選擇的型號組、檢查邏輯所使用的AI模型的資訊。
然後,在步驟S104中,使用者一邊觀察AI模型管理畫面21,一邊判斷是否新生成AI模型。在新生成AI模型的情況下,進入步驟S105,生成新的AI模型。另一方面,在不新生成AI模型的情況下,進入步驟S106。
繼而,在步驟S106中,使用者判斷是否自系統外導入AI模型。在使用者判斷自系統外導入AI模型的情況下,進入步驟S107,自外部導入AI模型。在判斷不自系統外導入AI模型的情況下,進入步驟S108。
在步驟S108中,使用者判斷是否針對測試資料、庫資料測試全部AI模型。此處,在使用者判斷測試全部AI模型的情況下,進入步驟S109。在判斷不測試全部AI模型的情況下,進入步驟S112。
在步驟S109中,針對測試資料、庫資料測試列表於AI模型管理畫面21中的全部AI模型。步驟S109的處理結束後進入步驟S110。在步驟S110中,將針對測試資料、庫資料的測試結果顯示於AI模型管理畫面21,並且將測試結果與測試日期時間一起保存。再者,此時所保存的測試結果在下一次在S103中顯示AI模型管理畫面時顯示。在步驟S111中,使用者判斷是否變更量產檢查所使用的AI模型。在判斷變更量產檢查所使用的AI模型的情況下,進入步驟S112,變更量產檢查所使用的AI模型。另一方面,在不變更量產檢查所使用的AI模型的情況下,進入步驟S113,實施量產檢查。步驟S113的處理結束後,暫時結束本常式。
<功能方塊圖>
圖4中示出本發明的檢查系統1的功能方塊圖。檢查系統1包括教學終端10、DB 20、檢查裝置30。教學終端10包括生成AI模型時顯示學習資料或生成日期時間等資訊的AI模型生成資訊顯示部10a、生成AI模型的AI模型生成部10b。而且,教學終端10包括具有顯示AI模型應用於量產的歷史資訊、及針對測試資料或量產資料的性能資訊的功能的AI模型管理資訊顯示部10c、向AI模型提供各種圖像資料並進行測試的AI模型測試處理部10d。AI模型管理資訊顯示部10c相當於本實施例中的管理資訊顯示部。
DB 20包括儲存AI模型本體及檢查臨限值的AI模型本體/臨限值儲存部20a、儲存所生成的AI模型的規格資訊即學習資料、生成日期時間等資訊的AI模型管理資訊儲存部20b、儲存量產資料的性能的資訊的量產結果資訊儲存部20c。而且,DB 20包括儲存AI模型的學習所使用的圖像資料的學習資料用圖像儲存部20d、儲存AI模型的測試用的圖像資料的測試資料用圖像儲存部20e、儲存AI模型的庫測試用的圖像資料的庫資料用圖像儲存部20f。再者,亦在學習資料用圖像儲存部20d、測試資料用圖像儲存部20e、庫資料用圖像儲存部20f中儲存有圖像資料的不良種類(不良名稱)。漏看率是作為漏看了作為檢查邏輯的對象的不良種類的樣品的比率而算出,因此需要不良種類的圖像資料。
而且,檢查裝置30包括使用量產時所獲取的圖像資料進行檢查的量產檢查部30a。
(AI模型生成階段)
圖4中以箭頭表示生成AI模型的階段中的檢查系統1的資訊的轉移。在AI模型生成的階段,首先,自學習資料用圖像儲存部20d向AI模型生成部10b輸入AI模型的學習用的學習資料。然後,在AI模型生成部10b,使AI模型進行學習,藉此生成學成的AI模型。自AI模型生成部10b向AI模型生成資訊顯示部10a輸入與所生成的AI模型相關的資訊,在AI模型生成資訊顯示部10a中顯示所生成的AI模型的資訊。然後,AI模型生成資訊顯示部10a向AI模型本體/臨限值儲存部20a輸入所生成的AI模型。而且,將所生成的AI模型的學習資料、生成日期時間等資訊輸入AI模型管理資訊儲存部20b。再者,此處,輸入AI模型管理資訊儲存部20b的資訊在本實施例中相當於規格資訊,與AI模型資料建立關聯而記憶。
(AI模型測試階段)
繼而,使用圖5對AI模型測試階段中的檢查系統1的資訊的轉移進行說明。在AI模型測試階段,自測試資料用圖像儲存部20e向AI模型測試處理部10d輸入模型測試所使用的測試資料。而且,自庫資料用圖像儲存部20f向AI模型測試處理部10d輸入模型測試所使用的庫資料。進而,自AI模型本體/臨限值儲存部20a向AI模型測試處理部10d輸入應實施模型測試的AI模型。
而且,自AI模型測試處理部10d向AI模型管理資訊顯示部10c輸入針對測試資料、庫資料的模型測試的結果,在AI模型管理資訊顯示部10c中顯示測試的結果。此時,將學習資料、AI模型的生成日期時間等AI模型的資訊自AI模型管理資訊儲存部20b交付至AI模型管理資訊顯示部10c進行顯示。進而,自量產結果資訊儲存部20c向AI模型管理資訊顯示部10c輸入基於實際的量產結果的AI模型的性能進行顯示。
(量產檢查階段)
繼而,使用圖6對量產檢查階段中的檢查系統1的資訊的轉移進行說明。在量產檢查階段,自資料庫20的AI模型本體/臨限值儲存部20a向檢查裝置30輸入所選擇的AI模型本體及量產檢查中的檢查臨限值。然後,在量產檢查部30a中,使用所選擇的AI模型實施量產檢查。繼而,自量產檢查部30a向量產結果資訊儲存部20c輸入量產檢查結果資料。在量產結果資訊儲存部20c中,與所使用的AI模型建立關聯而儲積量產檢查結果資料。
圖7所示的顯示為對與檢查裝置30中的檢查的各檢查項目的優劣判定相關的臨限值進行設定的設定用畫面顯示11。其中,例如關於作為檢查項目的潤濕性,顯示為利用AI的檢查。並且,藉由點擊設置於臨限值顯示窗的右側的AI檢查邏輯的設定按鈕11a,而能夠顯示下文所述的AI模型管理畫面21。
繼而,圖8表示由AI模型管理資訊顯示部10c所顯示的AI模型管理畫面21的一例。在該AI模型管理畫面21中,在上端配置有檢查邏輯顯示區域21a。此處記載為針對何種檢查項目的AI模型的管理畫面。在圖8的例子中,示出為關於焊料的潤濕性所使用的AI模型的管理畫面。而且,在AI模型管理畫面21中的檢查邏輯顯示區域21a的下側的左端設置有表示為與對何種零件的檢查相關的AI模型的型號組顯示區域21b。
在該例中,示出為與型號組R1005相關的管理資訊。而且,在型號組顯示區域21b的右側設置有顯示切換按鈕區域21c。該顯示切換按鈕區域21c顯示用以切換型號組單元的AI模型管理畫面抑或包括多個型號組的整體的AI模型管理畫面的按鈕。在該例中,加深顯示型號組單元一欄,表示選擇了型號組單元的AI模型管理畫面。
而且,在AI模型管理畫面21設置有AI使用歷史顯示區域22。AI使用歷史顯示區域22是顯示各AI模型的量產中的使用歷史的區域。在AI使用歷史顯示區域22的左端22b記載有量產所使用的AI模型的模型名。在記載有各模型名的列中以條形圖顯示使用該模型的期間。在AI使用歷史顯示區域22的上端列設置有記載有使用AI模型的日期的日期區域22a。藉由該AI使用歷史顯示區域22,能夠示出量產中使用各模型的期間的歷史資訊。該歷史資訊在本實施例中相當於應用於量產的狀況。再者,藉由點擊AI使用歷史顯示區域22的左上端的模型名欄的按鈕,而顯示排序選單,從而能夠選擇AI使用歷史顯示區域22的顯示方法。例如具有僅顯示具有量產檢查所使用的實績的AI模型、或模型生成日期時間越新越顯示於上側等排序功能。
而且,AI模型管理畫面21在AI使用歷史顯示區域22的右側包括性能顯示區域23。關於各AI模型,在該性能顯示區域23的左欄23a顯示針對測試資料的性能。而且,關於各AI模型,在性能顯示區域23的右欄23b顯示針對庫資料的性能。更具體而言,以條形圖顯示測試資料使用時的過看率與漏看率、庫資料使用時的過看率與漏看率。再者,性能顯示區域23中的性能資料可為在顯示AI模型管理畫面21的狀態下即時執行的測試的結果,亦可為過去進行的測試的結果。在性能顯示區域23的上側顯示模型測試的執行日期時間。顯示於該性能顯示區域23的資訊在本實施例中相當於性能資訊,相當於AI模型針對量產應用前的模型測試的性能。而且,本實施例中所示的過看率相當於過看指標,漏看率相當於漏看指標。
而且,在AI使用歷史顯示區域22的下側設置有量產性能顯示區域24。量產性能顯示區域24顯示AI使用歷史顯示區域22所示的各工作日中該日所使用的AI模型針對量產資料的性能。更具體而言,以摺線圖顯示過看率與漏看率。該顯示於量產性能顯示區域24的資訊在本實施例中相當於性能資訊,相當於應用於量產時的性能。
而且,在AI模型管理畫面21中的右端對應於各AI模型的模型名而設置有詳細顯示按鈕21d。藉由按下該詳細顯示按鈕21d,而顯示各AI模型的詳細資訊。圖9中示出藉由按下詳細顯示按鈕21d所顯示的第一詳細顯示畫面31a的例子。在第一詳細顯示畫面31a顯示顯示模式選擇區域32,在該顯示模式選擇區域32中,能夠選擇詳細顯示畫面中的顯示內容。在圖9中,在顯示模式選擇區域32中選擇基本資訊。藉此,第一詳細顯示畫面31a成為顯示基本資訊的畫面。
如圖9所示,在第一詳細顯示畫面31a設置有基本資訊顯示區域33。在該基本資訊顯示區域33中,記載有對象的AI模型的模型名、生成日期時間、所檢查的圖像的圖像尺寸、所使用的網路名、學習資料名、學習資料的回收期間、檢查對象的製品的批號、註解。在本實施例中,基本資訊顯示區域33所示出的資訊相當於規格資訊。另外,在圖9的基本資訊顯示區域33中的學習資料名的欄位設有詳細按鈕33a,該詳細按鈕33a用以取出與在學習中所使用的學習資料的數量相關的更詳細的資訊。藉由點擊該詳細按鈕33a,能夠瀏覽如圖10的(a)、圖10的(b)所示的在關於各型號的學習中所使用的學習資料的數量的資訊。
圖10的(a)是針對在詳細顯示中的學習模型中的學習為無監督學習的情況下,將學習時所使用的學習資料的數量按照各型號顯示的學習資料數顯示畫面330。在該學習資料數顯示畫面330設有學習資料數區域330a,該學習資料數區域330a將在學習時所使用的學習資料數按照各型號以列表顯示。
在此處,由於能夠僅以良品資料進行學習模型的學習,因此所顯示的學習資料數是良品資料的數量。如此,藉由將關於各型號分別使用了多少數量的學習資料的狀況予以列表化,能夠針對各型號迅速確認學習資料數有無偏頗、針對各型號的學習資料數是否充分等狀況。
另外,在學習資料數區域330a中,也可以針對學習資料數為極端少的型號進行將顯示顏色改變等的強調顯示。例如,在圖10的(a)的例子中,由於關於型號D的學習資料數為極端少,可理解本學習模型可能對型號D無法發揮充分的性能。作為此強調顯示的方法,除了改變顯示顏色的方法以外,也可以採用改變文字的粗細或大小的方法、改變列表的欄位的顏色等方法。而且,作為進行強調顯示的條件,例如可例示資料數相對於學習資料數區域330a內的各型號的最大值,只有規定比率(例如10%)以下的資料數的情形等。
接下來,在圖10的(b)表示了學習資料數顯示畫面331,該學習資料數顯示畫面331針對在詳細顯示中的學習模型的學習為監督式學習的情況下,將學習時所使用的學習資料的數量按照各型號顯示。在此學習資料數顯示畫面331中設有學習資料數區域331a,該學習資料數區域331a將在學習時所使用的學習資料數及驗證資料數按照各型號顯示。在此學習資料數區域331a中,針對學習資料數及驗證資料數分別分成良品資料數與不良品資料數來顯示。
據此,在詳細顯示中的學習模型之監督式學習時,能夠針對各型號分成良品資料數與不良品資料數來確認使用了多少數量的學習資料及驗證資料,能夠針對學習資料的溯源更詳細進行確認。另外,在此情況下,不一定要顯示驗證資料數。而且,關於驗證資料數,除了學習時的資料以外,也可以顯示測試資料或庫資料的資料數。
繼而,使用圖11,對顯示模式選擇區域32中選擇了「針對測試資料的模型測試結果」的情況下所顯示的第二詳細顯示畫面31b進行說明。在該第二詳細顯示畫面31b中,在顯示模式選擇區域32的下側中央配置有詳細顯示針對測試資料的模型測試結果的表即測試結果表34。
在該測試結果表34的左端示出模型測試所使用的圖像資料的種類(即良品的圖像資料、抑或不良品的圖像資料、抑或灰色品的圖像資料)。而且,在上段記載有AI模型將各種類的圖像資料判定為良品的數量、判定為不良的數量、過看率或漏看率。而且,在第二詳細顯示畫面31b的下段的左側配置有表示藉由AI模型如何對實際的各圖像資料分別進行判定的圖像顯示區域35。
在該圖像顯示區域35中,在左端顯示實際的圖像資料,在該圖像資料的列中的各行顯示將該圖像資料熱圖化而成的圖像資料、目視獲得的優劣之別、利用AI模型獲得的判定結果、此時的AI輸出值。而且,在第二詳細顯示畫面31b的下段的右側設置有直方圖區域36,所述直方圖區域36將以橫軸作為測試各圖像資料時的AI輸出值的直方圖與優劣的臨限值一起顯示。藉由該第二詳細顯示畫面31b,能夠詳細地確認對象的AI模型的測試結果。
此處,在顯示模式選擇區域32中在選擇了「針對庫資料的模型測試結果」的情況下所顯示的第三詳細顯示畫面的結構與第二詳細顯示畫面31b基本相同,因此省略說明。
圖12中示出在顯示模式選擇區域32中選擇了「量產結果」的情況下所顯示的第四詳細顯示畫面31c。該第四詳細顯示畫面31c的基本結構亦與第二詳細顯示畫面31b相同,但在該例中,由於應對量產,因此設置有顯示模型使用期間與檢查完畢基板ID的量產資訊區域37,該方面不同於第二詳細顯示畫面31b。
繼而,暫時返回圖8的說明,但在AI模型管理畫面21的右下區域設置有模型生成按鈕21e、模型測試按鈕21f、導入按鈕21g、模型應用按鈕21h。藉由點擊模型生成按鈕21e,而能夠開始新的AI模型的生成。藉由點擊模型測試按鈕21f,而能夠即時使用例如測試資料或庫資料實施使用特定的AI模型的測試。而且,藉由點擊導入按鈕21g,而能夠自外部導入新的AI模型。進而,藉由點擊模型應用按鈕21h,而能夠將當前時點未應用於量產的AI模型應用於量產。
再者,在顯示切換按鈕區域21c中,除了目前已說明的型號組單元的顯示以外,能夠選擇以整體進行顯示。圖13中示出在顯示切換按鈕區域21c中選擇了整體的情況下的顯示畫面即AI模型整體管理畫面41。在該AI模型整體管理畫面41設置有表示生產線100中將AI模型應用於多個型號組的狀態的型號組狀況顯示區域45。在型號組狀況顯示區域45的左端45a列舉了型號組的名稱。
並且,針對各型號組的零件,記載了是否開啟利用AI模型的檢查、臨限值、AI模型名、及利用該AI模型的量產時的性能(過看率或漏看率)。再者,即便開啟了利用AI的檢查,在未定義AI模型的情況下,會導致檢查錯誤,因此該列能夠改變列自身的顏色等而報知使用者。在圖13中,對型號組狀況顯示區域45的符合條件的列劃影線。
而且,在型號組狀況顯示區域45的各型號組的列的右側設置有型號組展開按鈕45b,所述型號組展開按鈕45b藉由簡單的操作便可將成績良好的模型的AI模型展開至其他型號組。點擊該按鈕後,設定展開目標的型號組,藉此能夠將該AI模型向其他型號組展開。
再者,在所述實施例中,已對將本發明應用於印刷基板的生產線100的例子進行了說明,但當然,本發明能夠應用於其他種類的生產線。而且,本發明亦可視為能夠顯示AI模型管理畫面21、第一詳細顯示畫面31a~第四詳細顯示畫面31c的包括AI模型資料、規格資訊、性能資訊的資料集。進而,該資料集亦可包括成為性能資訊的基礎的檢查圖像、或能夠利用AI模型資料進行即時檢查的檢查圖像。
再者,以下為了將本發明的結構要件與實施例的結構進行對比,而對本發明的結構要件標註圖式的符號進行附註。
<附註1>
一種檢查系統(1),在製品的生產線(100)中,使用AI模型執行基於所述製品的圖像資料的檢查,
所述檢查系統(1)的特徵在於包括:
管理資訊顯示部(10c),顯示與所述製品的檢查所使用的一個或多個AI模型的管理相關的資訊,
所述管理資訊顯示部(10c)能夠顯示與所述AI模型的規格相關的規格資訊、及與所述AI模型針對各種資料的性能相關的性能資訊,
所述性能資訊包括所述AI模型針對量產應用前的模型測試的性能、及應用於量產時的性能。
<附註11>
一種AI模型資料的管理方法,用於在製品的生產線(100)中使用AI模型執行基於所述製品的圖像資料的檢查的檢查系統(1),
所述AI模型資料的管理方法的特徵在於:
將所述AI模型資料和與所述AI模型資料的規格相關的規格資訊、及與所述AI模型針對各種資料的性能相關的性能資訊建立關聯而進行管理,
所述性能資訊包括所述AI模型針對量產應用前的模型測試的性能、及應用於量產時的性能。
<附註16>
一種AI模型資料集,包括一個或多個AI模型資料,用於在製品的生產線(100)中使用AI模型執行基於所述製品的圖像資料的檢查的檢查系統(1),
所述AI模型資料集的特徵在於:
包括與所述AI模型資料建立關聯的與所述AI模型資料的規格相關的規格資訊、及與所述AI模型針對各種資料的性能相關的性能資訊,
所述性能資訊包括各檢查圖像、及所述檢查圖像相關的所述AI模型對優劣的判定結果。
1:檢查系統
10:教學終端
10a:AI模型生成資訊顯示部
10b:AI模型生成部
10c:AI模型管理資訊顯示部
10d:AI模型測試處理部
11:設定用畫面顯示
11a:AI檢查邏輯的設定按鈕
20:DB
20a:AI模型本體/臨限值儲存部
20b:AI模型管理資訊儲存部
20c:量產結果資訊儲存部
20d:學習資料用圖像儲存部
20e:測試資料用圖像儲存部
20f:庫資料用圖像儲存部
21:AI模型管理畫面
21a:檢查邏輯顯示區域
21b:型號組顯示區域
21c:顯示切換按鈕區域
21d:詳細顯示按鈕
21e:模型生成按鈕
21f:模型測試按鈕
21g:導入按鈕
21h:模型應用按鈕
22:AI使用歷史顯示區域
22a:日期區域
22b:AI使用歷史顯示區域的左端
23:性能顯示區域
23a:性能顯示區域的左欄
23b:性能顯示區域的右欄
24:量產性能顯示區域
30:檢查裝置
30a:量產檢查部
31a:第一詳細顯示畫面
31b:第二詳細顯示畫面
31c:第四詳細顯示畫面
32:顯示模式選擇區域
33:基本資訊顯示區域
33a:詳細按鈕
34:測試結果表
35:圖像顯示區域
36:直方圖區域
37:量產資訊區域
41:AI模型整體管理畫面
45:型號組狀況顯示區域
45a:型號組狀況顯示區域的左端
45b:型號組展開按鈕
100:生產線
100a:焊錫印刷裝置
100b:焊錫印刷後檢查裝置
100c:裝配機
100d:裝配後檢查裝置
100e:回焊爐
100f:回焊後檢查裝置
330,331:學習資料數顯示畫面
330a,331a:學習資料數區域
圖1是本發明的實施例的檢查系統的概略結構圖。
圖2是表示學習資料、測試資料、庫資料、量產資料的各資料的特性的圖。
圖3是本發明的實施例使用檢查系統的處理的流程圖。
圖4是本發明的實施例的檢查系統的功能方塊圖。
圖5是本發明的實施例的檢查系統的功能方塊圖的第二圖。
圖6是本發明的實施例的檢查系統的功能方塊圖的第三圖。
圖7是表示本發明的實施例的設定用畫面顯示的圖。
圖8是表示本發明的實施例的AI模型管理畫面的一例的圖。
圖9是表示本發明的實施例的第一詳細顯示畫面的圖。
圖10是表示本發明的實施例的學習資料數顯示畫面的圖。
圖11是表示本發明的實施例的第二詳細顯示畫面的圖。
圖12是表示本發明的實施例的第四詳細顯示畫面的圖。
圖13是表示本發明的實施例的AI模型整體管理畫面的圖。
21:AI模型管理畫面
21a:檢查邏輯顯示區域
21b:型號組顯示區域
21c:顯示切換按鈕區域
21d:詳細顯示按鈕
21e:模型生成按鈕
21f:模型測試按鈕
21g:導入按鈕
21h:模型應用按鈕
22:AI使用歷史顯示區域
22a:日期區域
22b:AI使用歷史顯示區域的左端
23:性能顯示區域
23a:性能顯示區域的左欄
23b:性能顯示區域的右欄
24:量產性能顯示區域
Claims (15)
- 一種檢查系統,在製品的生產線中,使用人工智慧模型執行基於所述製品的圖像資料的檢查,其特徵在於: 所述檢查系統包括管理資訊顯示部,所述管理資訊顯示部顯示與所述製品的檢查所使用的一個或多個人工智慧模型的管理相關的資訊, 所述管理資訊顯示部能夠顯示與所述人工智慧模型的規格相關的規格資訊、及與所述人工智慧模型針對各種資料的性能相關的性能資訊, 所述性能資訊包括所述人工智慧模型針對量產應用前的模型測試的性能、及應用於量產時的性能。
- 如請求項1所述的檢查系統,其中所述管理資訊顯示部以一個畫面顯示所述人工智慧模型針對量產應用前的模型測試的性能、應用於量產時的性能、及應用於量產的狀況作為所述性能資訊。
- 如請求項1所述的檢查系統,其中所述人工智慧模型的量產應用前的模型測試包括針對測試資料的模型測試、或針對庫資料的模型測試的至少任一者。
- 如請求項1所述的檢查系統,其中所述性能包括基於所述人工智慧模型將不使用所述人工智慧模型的檢查中的良品判定為不良品的數量的過看指標、及基於所述人工智慧模型將不使用所述人工智慧模型的檢查中的不良品判定為良品的數量的漏看指標。
- 如請求項1所述的檢查系統,其中所述性能資訊進而包括所述人工智慧模型的量產應用前的模型測試及量產中的各檢查圖像、所述檢查圖像相關的所述人工智慧模型對優劣的判定結果、及所述檢查圖像相關的人工智慧輸出值。
- 如請求項5所述的檢查系統,其中所述性能資訊進而包括所述人工智慧模型的關於所述檢查圖像的人工智慧輸出值的直方圖。
- 如請求項1至6中任一項所述的檢查系統,其中所述管理資訊顯示部能夠對針對所述製品的各檢查項目顯示所述性能資訊。
- 如請求項1至6中任一項所述的檢查系統,其中所述管理資訊顯示部能夠以檢查對象零件的各型號組的顯示與對多個型號組進行彙總的顯示來切換所述規格資訊及所述性能資訊的顯示。
- 如請求項8所述的檢查系統,其中所述管理資訊顯示部在對多個型號組進行彙總的顯示的顯示畫面中能夠執行將一個型號組所應用的人工智慧模型應用於其他型號組的處理。
- 如請求項1至6中任一項所述的檢查系統,其中所述規格資訊包括所述人工智慧模型的網路資訊、學習時的學習資料的資訊、所述人工智慧模型的批號的至少任一者。
- 一種人工智慧模型資料的管理方法,用於在製品的生產線中使用人工智慧模型執行基於所述製品的圖像資料的檢查的檢查系統, 所述人工智慧模型資料的管理方法的特徵在於: 將所述人工智慧模型資料和與所述人工智慧模型資料的規格相關的規格資訊、及與所述人工智慧模型針對各種資料的性能相關的性能資訊建立關聯而進行管理, 所述性能資訊包括所述人工智慧模型針對量產應用前的模型測試的性能、及應用於量產時的性能。
- 如請求項11所述的人工智慧模型資料的管理方法,其中所述人工智慧模型的量產應用前的模型測試包括針對測試資料的模型測試、或針對庫資料的模型測試的至少任一者。
- 如請求項11所述的人工智慧模型資料的管理方法,其中所述性能包括基於所述人工智慧模型將不使用所述人工智慧模型的檢查中的良品判定為不良品的數量的過看指標、及基於所述人工智慧模型將不使用所述人工智慧模型的檢查中的不良品判定為良品的數量的漏看指標。
- 如請求項11所述的人工智慧模型資料的管理方法,其中所述性能資訊進而包括所述人工智慧模型的量產應用前的模型測試及量產中的各檢查圖像、所述檢查圖像相關的所述人工智慧模型對優劣的判定結果、及所述檢查圖像相關的人工智慧輸出值。
- 如請求項11至14中任一項所述的人工智慧模型資料的管理方法,其中所述規格資訊包括所述人工智慧模型的網路資訊、學習時的學習資料的資訊、所述人工智慧模型的批號的至少任一者。
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022-037530 | 2022-03-10 | ||
JP2022037530 | 2022-03-10 | ||
JP2023023185A JP2023133160A (ja) | 2022-03-10 | 2023-02-17 | 検査システム、aiモデルデータの管理方法及び、aiモデルデータセット |
JP2023-023185 | 2023-02-17 |
Publications (1)
Publication Number | Publication Date |
---|---|
TW202336685A true TW202336685A (zh) | 2023-09-16 |
Family
ID=87760122
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW112107688A TW202336685A (zh) | 2022-03-10 | 2023-03-03 | 檢查系統以及人工智慧模型資料的管理方法 |
Country Status (2)
Country | Link |
---|---|
DE (1) | DE102023105625A1 (zh) |
TW (1) | TW202336685A (zh) |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7075057B2 (ja) | 2018-12-27 | 2022-05-25 | オムロン株式会社 | 画像判定装置、画像判定方法及び画像判定プログラム |
-
2023
- 2023-03-03 TW TW112107688A patent/TW202336685A/zh unknown
- 2023-03-07 DE DE102023105625.5A patent/DE102023105625A1/de active Pending
Also Published As
Publication number | Publication date |
---|---|
DE102023105625A1 (de) | 2023-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI447575B (zh) | 自動缺陷修復系統 | |
US20200082278A1 (en) | Soldering process parameter suggestion method and system thereof | |
Tsai | Modeling and optimization of stencil printing operations: A comparison study | |
JP4728968B2 (ja) | データ解析の方法および装置 | |
JPH07114601A (ja) | 製造不良解析システム、方法およびこれに関連したデータベースの生成方法 | |
JP2001256480A (ja) | 画像自動分類方法及び装置 | |
JP2007524834A (ja) | データ分析用の方法および装置 | |
JPH08297699A (ja) | 製造不良解析支援システム、製造システム、および製造不良解析支援方法 | |
TWI833010B (zh) | 影像辨識裝置、影像辨識方法及其電腦程式產品 | |
US11423531B2 (en) | Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof | |
JP2006331346A (ja) | 工程管理装置、工程管理プログラム、工程管理プログラムを記録した記録媒体、および工程管理方法 | |
CN115438493B (zh) | 基于数字孪生的pcb板制作过程调试***,方法及加工设备 | |
Yang et al. | A neural network-based prediction model for fine pitch stencil-printing quality in surface mount assembly | |
CN108694265A (zh) | 设计布局的失效风险的智能型预诊断***及方法 | |
JP2023133160A (ja) | 検査システム、aiモデルデータの管理方法及び、aiモデルデータセット | |
EP3836019A1 (de) | Verfahren und assistenzsystem zur überprüfung von mustern auf fehlerhaftigkeit | |
CN113012097B (zh) | 图像复检方法、计算机装置及存储介质 | |
JP2009134623A (ja) | 工程改善支援装置、工程改善支援方法、工程改善支援用プログラム、および工程改善支援用プログラムを記録した記録媒体 | |
US20190244843A1 (en) | Data processing method, data processing apparatus, data processing system, and recording medium having recorded therein data processing program | |
JP7440823B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
TW202336685A (zh) | 檢查系統以及人工智慧模型資料的管理方法 | |
CN112308816B (zh) | 影像辨识装置、影像辨识方法及其存储介质 | |
JP2002251212A (ja) | 品質管理方法、同システム、および同プログラムを記録した記録媒体 | |
JP7035857B2 (ja) | 検査方法、検査システム及びプログラム | |
CN111274758A (zh) | 一种基于钻孔分类检查孔间距的方法及装置 |