TWI608369B - 分類方法、分類模組及電腦程式產品 - Google Patents
分類方法、分類模組及電腦程式產品 Download PDFInfo
- Publication number
- TWI608369B TWI608369B TW105138415A TW105138415A TWI608369B TW I608369 B TWI608369 B TW I608369B TW 105138415 A TW105138415 A TW 105138415A TW 105138415 A TW105138415 A TW 105138415A TW I608369 B TWI608369 B TW I608369B
- Authority
- TW
- Taiwan
- Prior art keywords
- classified
- data
- learning materials
- classification
- learning
- Prior art date
Links
Classifications
-
- 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
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Biodiversity & Conservation Biology (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Description
本揭露是有關於一種分類方法、分類模組及電腦程式產品。
習知對於待分類資料的分類方法通常是以自動光學檢測(Automated Optical Inspection,AOI)對產品擷取一影像,然後分析影像的特徵,以對影像進行瑕疵判斷或瑕疵分類。為了因應自動光學檢測的假警報率(false alarm),通常會加入機器學習(machine learning)為主的瑕疵分類單元對影像進一步過篩。然,瑕疵分類單元在執行分類前,需要事先以大量人力進行人工分類。因此,如何減少人工分類工時是本技術領域業者努力目標之一。
因此,本揭露提出一種分類方法、分類模組及電腦程式產品,可改善習知問題。
根據本揭露之一實施例,提出一種分類方法。分類
方法包括以下步驟。提供一分類模組,分類模組包括一深層類神經網路(Deep Neural Network,DNN);取得一待分類資料;深層類神經網路自動擷取待分類資料之一特徵反應;判斷待分類資料之特徵反應是否落在數筆學習資料的一界線範圍內,此些學習資料分屬於數個類別;以及,若待分類資料之特徵反應落在界線範圍內,深層類神經網路依據此些學習資料,判斷待分類資料所屬的類別。
根據本揭露之另一實施例,提出一種分類模組。分類模組包括一深層類神經網路及一判斷單元。深層類神經網路用以自動擷取一待分類資料之一特徵反應。判斷單元用以判斷待分類資料之特徵反應是否落在數筆學習資料的一界線範圍內,此些學習資料分屬於數個類別。若待分類資料之特徵反應落在界線範圍內,深層類神經網路依據此些學習資料,判斷待分類資料所屬的類別。
根據本揭露之另一實施例,提出一種電腦程式產品。電腦程式產品經由一處理器載入程式執行以下步驟。自動擷取一待分類資料之一特徵反應;判斷待分類資料之特徵反應是否落在數筆學習資料的一界線範圍內,其中此些學習資料分屬於數個類別;以及,若待分類資料之特徵反應落在界線範圍內,依據此些學習資料判斷待分類資料所屬的類別。
為了對本揭露之上述及其他方面有更佳的瞭解,下文特舉較佳實施例,並配合所附圖式,作詳細說明如下:
10‧‧‧分類系統
11‧‧‧待分類資料取得單元
12‧‧‧後處理站
100‧‧‧分類模組
110‧‧‧自動特徵擷取單元
120‧‧‧判斷單元
130‧‧‧訓練分類單元
140‧‧‧學習資料界線單元
C1‧‧‧類別
C11‧‧‧正常類
C12‧‧‧瑕疵類
D1‧‧‧資料庫
M1‧‧‧待分類資料
M2‧‧‧學習資料
100‧‧‧分類模組
S110、S120、S130、S140、S150、S155、S160、S165、S170、S175、S180、S210、S220、S230‧‧‧步驟
第1圖繪示依照本揭露一實施例之分類方法的流程圖。
第2圖繪示依照本揭露一實施例之分類系統的功能方塊圖。
第3圖繪示依照本揭露一實施例之深層類神經網路學習數筆學習資料的流程圖。
請參照第1圖,其繪示依照本揭露一實施例之分類方法的流程圖。
在步驟S110中,如第2圖所示,其繪示依照本揭露一實施例之分類系統10的功能方塊圖。提供一分類系統10。分類系統10包括待分類資料取得單元11、分類模組100及後處理站12。分類模組100包括自動特徵擷取單元110、判斷單元120、訓練分類單元130及學習資料界線單元140。自動特徵擷取單元110與訓練分類單元130可以由深層類神經網路(Deep Neural Network,DNN)實現。可採用多種網路架構實現深層類神經網路,例如有LeNet、AlexNet、VGG-Net、GoogleNet、ResNet及Wide residual network。本揭露實施例係以AlexNet為例說明。
此外,分類模組100可整合至一處理器(未繪示)中,然亦可獨立於處理器且受控於處理器。前述處理器例如是中央處理器或運算處理器。另外,分類模組100可以軟體或韌體形式實
現,也可以半導體電路或其它電路形式實現。
在步驟S120中,待分類資料取得單元11取得待分類資料M1。舉例來說,待分類資料取得單元11例如是自動光學檢測(Automated Optical Inspection,AOI),其可擷取一產品的待分類資料M1,其中的產品例如是電路板、晶圓、顯示面板或其它適以在生產線上生產的任何產品,而待分類資料M1例如是該產品的影像。在生產線中,每個產品都可通過步驟S120~S180的流程進行瑕疵判斷及/或分類。
在步驟S130中,自動特徵擷取單元110自動擷取待分類資料M1的特徵反應。此特徵反應例如是待分類資料M1的特定特徵的反應程度。若待分類資料M1的特定特徵的特徵反應愈強,表示待分類資料M1具有該特定特徵的機率愈大。以特定特徵為瑕疵類的特徵(例如是元件錯位或錫膏偏移)舉例來說,若瑕疵特徵的特徵反應愈強,表示待分類資料M1具有瑕疵特徵的機率愈大。此外,待分類資料M1可具有一個或一個以上的特定特徵。分類模組100依據待分類資料M1的特定特徵判斷待分類資料M1的類別。
在步驟S140中,判斷單元120判斷待分類資料M1的特徵反應是否落在數筆學習資料M2的界線範圍內。此些學習資料M2可儲存在資料庫D1內,而資料庫D1可以儲存在判斷單元120或分類模組100的其它部件中,然亦可儲存在另外的記憶體內。本揭露實施例的類別C1係以二個為例說明,如正常類C11
及瑕疵類C12。全部學習資料M2分屬於數個類別C1,例如此些學習資料M2的一者或一些屬於正常類C11,而此些學習資料M2的其它者則屬於瑕疵類C12。在另一實施例中,類別C1的數量可以超過二個,且類別也不限於正常類及瑕疵類,也可以是其它種類的類別。類別C1可以視待分類資料M1的特性而定,本揭露實施例不加以限定。此外,各學習資料M2可具有一個或一個以上的特定特徵。
此外,屬於瑕疵類C12的學習資料M2的筆數足夠多,可提升對於瑕疵類C12的分類準確度。在一實施例中,屬於瑕疵類C12的學習資料M2的筆數與屬於正常類C11的學習資料M2的筆數大致上相等,如各為500筆。
若待分類資料M1的特徵反應落在界線範圍內,表示待分類資料M1屬於此些類別C1的其中一者,如屬於正常類C11與瑕疵類C12之一者,則進入步驟S150;若待分類資料M1的特徵反應落在界線範圍外,表示待分類資料M1不屬於此些學習資料M2的一者,因此無法判斷待分類資料M1的所屬類別,則進入步驟S175。
在步驟S150中,若待分類資料M1的特徵反應落在界線範圍內,訓練分類單元130可依據資料庫D1內的此些學習資料M2,判斷待分類資料M1的所屬類別C1,例如,判斷待分類資料M1是屬於正常類C11或瑕疵類C12。
在步驟S155中,訓練分類單元130判斷待分類資料
M1是否屬於數個類別C1的一再確認類別,如瑕疵類。若是,則進入步驟S160,在後處理站12對待分類資料M1以人工進行再確認。若否,表示待分類資料M1為非瑕疵類,進入步驟S165。在步驟S165中,由於待分類資料M1非屬於瑕疵類,在信任分類模組100的判斷結果下,分類模組100或人工可不對待分類資料M1進行後續處理。如此,可省去對此筆待分類資料M1的人工處理工時。
在步驟S160中,在後處理站12中,以人工再確認待分類資料M1是否確實屬於瑕疵類。經再確認後,無論待分類資料M1是否屬於瑕疵類,分類模組100都會對待分類資料M1貼標籤。本文的「貼標籤」意指:分類模組100依據人工的輸入,對待分類資料M1所做出的定義,例如,依據人工的輸入,對待分類資料M1進行類別設定義。然後,由於已貼標籤,無論待分類資料M1是否屬於瑕疵類,流程皆進入步驟S170。
在步驟S170中,學習資料界線單元140將待分類資料M1列為此些學習資料M2的一員。如此,可擴大學習資料M2的筆數,以降低人工對下一筆待分類資料M1進行人工分類的機率,進而減少人工分類工時。接著,分類方法可回到步驟S120,繼續對下一筆待分類資料M1進行分類。
此外,學習資料界線單元140可針對新的學習資料M2決定全部學習資料M2的新的界線範圍。或者,學習資料界線單元140可以等到新的學習資料M2累積數筆後,再對全部的學
習資料M2決定新的界線範圍。後續對於待分類資料M1的特徵反應是否落在界線範圍內的判斷則以新的界線範圍為準。在一實施例中,學習資料界線單元140可採用例如是單類別支援向量機(one-class SVM)來實現。單類別支援向量機可採用多種演算法完成,例如是主成分分析(PCA)相關技術、自動編碼技術(autoencoder)、機率參數(比如Gaussian模型)及非參數化(比如Parzen window方法)相關技術、單類別支援向量機(one-class SVM)、支援向量域描述方法SVDD(support vector domain description)、以及最近鄰居法(Nearest Neighbor)。本揭露實施例的單類別支援向量機係以OC-SVMs為例說明。
回到步驟S140,若待分類資料M1的特徵反應落在界線範圍外,表示待分類資料M1不屬於此些學習資料M2的一者,因此無法判斷待分類資料M1的所屬類別,因此進入步驟S175。
在步驟S175中,以人工對待分類資料M1進行分類。例如,以人工判斷待分類資料M1的類別,如正常類C11或瑕疵類C12,然後分類模組100對待分類資料M1貼標籤,以將該類別設定給待分類資料M1。
在步驟S180中,學習資料界線單元140將待分類資料M1列為此些學習資料M2的一員。如此,可擴大學習資料M2的筆數,以降低人工對下一筆待分類資料M1進行人工分類的機率,進而減少人工分類工時。接著,分類方法可回到步驟S120,
繼續對下一筆待分類資料M1進行分類。
相似地,學習資料界線單元140可針對新的學習資料M2決定全部學習資料M2的新的界線範圍。或者,學習資料界線單元140可以等到新的學習資料M2累積數筆後,再對全部的學習資料M2決定新的界線範圍。後續對於待分類資料M1的特徵反應是否落在界線範圍內的判斷則以新的界線範圍為準。
請參照第3圖,其繪示依照本揭露一實施例之深層類神經網路學習數筆學習資料M2的流程圖。
在步驟S210中,深層類神經網路(自動特徵擷取單元110及訓練分類單元130)學習已知類別的學習資料M2的特徵反應。此些已知類別的學習資料M2例如是由待分類資料取得單元11取得,然後由人工先進行分類,再交由深層類神經網路學習。在重複步驟S210數次後,可獲得數筆學習資料M2個別的特徵反應。接著,在步驟S220中,若學習資料M2為最後一筆,則進入步驟S230;若否,則回到步驟S210,深層類神經網路繼續下一筆學習資料M2的特徵反應。在步驟S230中,學習資料界線單元140可採用例如是單類別支援向量機來決定此些學習資料M2的界線範圍。
如下表一所示,第1批資料為學習資料M2,第2~4批資料為待分類資料M1,其中第2批待分類資料M1、第3批待分類資料M1及第4批待分類資料M1的筆數皆為1000筆。由表一可知,在應用本揭露實施例之分類方法下,第2批資料只有769
筆需要人工分類,第3批資料只有721筆需要人工分類,而第4批資料只有703筆需要人工分類。以全部待分類資料M1(3000筆)來說,大約可減少26.9%的人工分類率,即,節省26.9%的人工分類工時。
進一步來說,本揭露實施例之判斷單元120及學習資料界線單元140是有別於深層類神經網路而設。詳言之,深層類神經網路本身並不具備判斷單元120及學習資料界線單元140的功能,因此單以深層類神經網路進行分類,需要對全部的待分類資料M1進行人工分類。由於本揭露實施例之分類方法包含判斷單元120及學習資料界線單元140,因此可減少人工分類的工時,提升整體的分類效率。
如下表二所示,第1批資料為1000筆學習資料M2,其採用第3圖之流程,由深層類神經網路(DNN)進行學習。第2~4批資料各為1000筆待分類資料M1,其係採用前述分類方法進行
分類。由表二可知,在第1+2批資料中,僅以深層類神經網路進行分類的查準率(Precision)、查全率(Recall)及F度量(F-measure)分別是94.99%、91%及92.95%,而搭配本揭露之判斷單元120及學習資料界線單元140的進行分類的查準率、查全率及F度量分別是95.19%、91%及93.05%,二者比較後差異不大。換言之,本揭露實施例之分類方法的查準率、查全率及F度量接近深層類神經網路的分類水準。第1+2+3批資料及第1+2+3+4批資料也有類似技術效果,於此不再贅述。
綜上所述,雖然本揭露已以較佳實施例揭露如上,然其並非用以限定本揭露。本揭露所屬技術領域中具有通常知識者,在不脫離本揭露之精神和範圍內,當可作各種之更動與潤
飾。因此,本揭露之保護範圍當視後附之申請專利範圍所界定者為準。
S110、S120、S130、S140、S150、S155、S160、S165、S170、S175、S180‧‧‧步驟
Claims (16)
- 一種分類方法,包括:提供一分類模組,該分類模組包括一深層類神經網路(Deep Neural Network,DNN);取得一待分類資料;該深層類神經網路自動擷取該待分類資料之一特徵反應;判斷該待分類資料之該特徵反應是否落在複數筆學習資料的一界線範圍內,該些學習資料分屬於複數個類別;若該待分類資料之該特徵反應落在該界線範圍內,該深層類神經網路依據該些學習資料,判斷該待分類資料所屬的該類別。
- 如申請專利範圍第1項所述之分類方法,更包括:若該待分類資料之該特徵反應未落在該界線範圍內,對該分類資料進行分類。
- 如申請專利範圍第2項所述之分類方法,其中在對該待分類資料進行分類動作之步驟後,該分類方法更包括:將該待分類資料增列成該些學習資料之一員。
- 如申請專利範圍第1項所述之分類方法,其中該些類別包括一瑕疵類;於判斷該待分類資料所屬的該類別之步驟中包括: 判斷該待分類資料是否屬於該瑕疵類;該分類方法更包括:若該待分類資料屬於該瑕疵類,對該待分類資料進行再確認。
- 如申請專利範圍第4項所述之分類方法,更包括:若該待分類資料經再確認後確認屬於該瑕疵類,將該待分類資料增列成該些學習資料的一員。
- 如申請專利範圍第4項所述之分類方法,更包括:若該待分類資料經再確認後確認不屬於該瑕疵類,將該待分類資料增列成該些學習資料的一員。
- 如申請專利範圍第1項所述之分類方法,其中該待分類資料係影像。
- 如申請專利範圍第1項所述之分類方法,其中該些學習資料分屬於一瑕疵類及一正常類,該瑕疵類的該些學習資料的筆數與該正常類的該些學習資料的筆數係相等。
- 如申請專利範圍第1項所述之分類方法,其中在判斷該待分類資料之該特徵反應是否落在該界線範圍內之步驟前,該分 類方法更包括一學習過程,該學習過程包括:取得複數個該學習資料;該深層類神經網路學習該些學習資料個別之該特徵反應;以及決定該些學習資料的該界線範圍。
- 一種分類模組,包括:一深層類神經網路,用以自動擷取一待分類資料之一特徵反應;一判斷單元,用以判斷該待分類資料之該特徵反應是否落在複數筆學習資料的一界線範圍內,該些學習資料分屬於複數個類別;其中,若該待分類資料之該特徵反應落在該界線範圍內,該深層類神經網路依據該些學習資料,判斷該待分類資料所屬的該類別。
- 如申請專利範圍第10項所述之分類模組,更包括:一學習資料界線單元,用以將該待分類資料增列成該些學習資料之一員。
- 如申請專利範圍第10項所述之分類模組,其中該些類別包括一瑕疵類;該深層類神經網路更用以判斷該待分類資料是 否屬於該瑕疵類。
- 如申請專利範圍第10項所述之分類模組,其中該待分類資料係影像。
- 如申請專利範圍第10項所述之分類模組,其中該些學習資料分屬於一瑕疵類及一正常類,該瑕疵類的該些學習資料的筆數與該正常類的該些學習資料的筆數係相等。
- 如申請專利範圍第10項所述之分類模組,其中該深層類神經網路更用以學習該些學習資料個別之該特徵反應;該分類模組更包括:一學習資料界線單元,用以決定該些學習資料的該界線範圍。
- 一種電腦程式產品,經由一處理器載入該程式執行:自動擷取一待分類資料之一特徵反應;判斷該待分類資料之該特徵反應是否落在複數筆學習資料的一界線範圍內,其中該些學習資料分屬於複數個類別;以及若該待分類資料之該特徵反應落在該界線範圍內,依據該些學習資料判斷該待分類資料所屬的該類別。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105138415A TWI608369B (zh) | 2016-11-23 | 2016-11-23 | 分類方法、分類模組及電腦程式產品 |
CN201710027391.XA CN108108745A (zh) | 2016-11-23 | 2017-01-13 | 分类方法、分类模块及计算机程序产品 |
US15/589,423 US10489687B2 (en) | 2016-11-23 | 2017-05-08 | Classification method, classification module and computer program product using the same |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105138415A TWI608369B (zh) | 2016-11-23 | 2016-11-23 | 分類方法、分類模組及電腦程式產品 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI608369B true TWI608369B (zh) | 2017-12-11 |
TW201820176A TW201820176A (zh) | 2018-06-01 |
Family
ID=61230806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW105138415A TWI608369B (zh) | 2016-11-23 | 2016-11-23 | 分類方法、分類模組及電腦程式產品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10489687B2 (zh) |
CN (1) | CN108108745A (zh) |
TW (1) | TWI608369B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108562589A (zh) * | 2018-03-30 | 2018-09-21 | 慧泉智能科技(苏州)有限公司 | 一种对磁路材料表面缺陷进行检测的方法 |
TWI667575B (zh) * | 2018-06-29 | 2019-08-01 | 由田新技股份有限公司 | 利用人工智慧的瑕疵檢測系統及其方法 |
Families Citing this family (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10996372B2 (en) * | 2017-08-25 | 2021-05-04 | Exxonmobil Upstream Research Company | Geophysical inversion with convolutional neural networks |
CN110930350A (zh) * | 2018-09-19 | 2020-03-27 | 鸿富锦精密电子(天津)有限公司 | 机器学习方法及应用机器学习方法的自动光学检测设备 |
US11087170B2 (en) * | 2018-12-03 | 2021-08-10 | Advanced Micro Devices, Inc. | Deliberate conditional poison training for generative models |
CN111276411B (zh) * | 2018-12-04 | 2024-01-26 | 台湾积体电路制造股份有限公司 | 辨识晶圆颗粒的方法、电子装置及计算机可读取记录媒体 |
CN109657718B (zh) * | 2018-12-19 | 2023-02-07 | 广东省智能机器人研究院 | 一种数据驱动的smt生产线上spi缺陷类别智能识别方法 |
CN109829483B (zh) * | 2019-01-07 | 2021-05-18 | 鲁班嫡系机器人(深圳)有限公司 | 缺陷识别模型训练方法、装置、计算机设备和存储介质 |
KR102300951B1 (ko) * | 2019-01-22 | 2021-09-13 | 주식회사 고영테크놀러지 | 기판 검사 장치 및 스크린 프린터의 결함 유형 결정 방법 |
CN109934814B (zh) | 2019-03-15 | 2022-02-01 | 英业达科技有限公司 | 表面缺陷侦测***及其方法 |
US20200364490A1 (en) * | 2019-05-15 | 2020-11-19 | Getac Technology Corporation | Image detection scanning method for object surface defects and image detection scanning system thereof |
CN110717426A (zh) * | 2019-09-27 | 2020-01-21 | 卓尔智联(武汉)研究院有限公司 | 基于域自适应学习的垃圾分类方法、电子设备及存储介质 |
CN114092632A (zh) | 2020-08-06 | 2022-02-25 | 财团法人工业技术研究院 | 标注方法、应用其的装置、***、方法及计算机程序产品 |
TWI748828B (zh) * | 2020-12-29 | 2021-12-01 | 鴻海精密工業股份有限公司 | 產品瑕疵檢測方法、電腦裝置及儲存媒體 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200844429A (en) * | 2007-05-15 | 2008-11-16 | Chi-Hao Yeh | An automatic optical inspection approach for detecting and classifying the surface defects on coating brightness enhancement film |
TWI456190B (zh) * | 2013-09-16 | 2014-10-11 | Univ Nat Chunghsing | 偵測晶片影像瑕疵方法及其系統與電腦程式產品 |
US20160034788A1 (en) * | 2014-07-30 | 2016-02-04 | Adobe Systems Incorporated | Learning image categorization using related attributes |
WO2016090044A1 (en) * | 2014-12-03 | 2016-06-09 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
Family Cites Families (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7127099B2 (en) * | 2001-05-11 | 2006-10-24 | Orbotech Ltd. | Image searching defect detector |
TW550391B (en) | 2001-12-31 | 2003-09-01 | Chi-Hao Yeh | Inspecting the defects on the conducting paths of printed circuit board (PCB) by using 2-D wavelet transform |
US7188050B2 (en) * | 2004-08-25 | 2007-03-06 | Siemens Corporate Research, Inc. | Method and apparatus for detecting out-of-range conditions in power generation equipment operations |
JP4750444B2 (ja) * | 2005-03-24 | 2011-08-17 | 株式会社日立ハイテクノロジーズ | 外観検査方法及びその装置 |
US7567878B2 (en) * | 2005-12-07 | 2009-07-28 | Siemens Corporate Research, Inc. | Evaluating anomaly for one class classifiers in machine condition monitoring |
TW200842733A (en) * | 2007-04-17 | 2008-11-01 | Univ Nat Chiao Tung | Object image detection method |
TW200849141A (en) | 2007-06-04 | 2008-12-16 | Delta Electronics Inc | Device and method for inspecting the defects of objects |
JP5196425B2 (ja) * | 2008-03-07 | 2013-05-15 | Kddi株式会社 | サポートベクトルマシンの再学習方法 |
CN101739685B (zh) * | 2009-02-11 | 2012-04-18 | 北京智安邦科技有限公司 | 运动目标分类方法及其*** |
CN101853400B (zh) * | 2010-05-20 | 2012-09-26 | 武汉大学 | 基于主动学习和半监督学习的多类图像分类方法 |
US8315453B2 (en) * | 2010-07-27 | 2012-11-20 | Applied Materials Israel, Ltd. | Defect classification with optimized purity |
CN102831442A (zh) * | 2011-06-13 | 2012-12-19 | 索尼公司 | 异常行为检测设备和方法及生成该检测设备的设备和方法 |
CN102288619B (zh) | 2011-07-01 | 2013-04-24 | 明基材料有限公司 | 三维光学膜的瑕疵检测方法及*** |
CN102496061A (zh) * | 2011-11-25 | 2012-06-13 | 河海大学 | 基于主动学习的神经网络样本选择方法及其装置 |
CN103324937B (zh) * | 2012-03-21 | 2016-08-03 | 日电(中国)有限公司 | 标注目标的方法和装置 |
US9715723B2 (en) * | 2012-04-19 | 2017-07-25 | Applied Materials Israel Ltd | Optimization of unknown defect rejection for automatic defect classification |
JP6097517B2 (ja) * | 2012-10-16 | 2017-03-15 | 三菱航空機株式会社 | 状態診断方法、および、状態診断装置 |
US9122950B2 (en) * | 2013-03-01 | 2015-09-01 | Impac Medical Systems, Inc. | Method and apparatus for learning-enhanced atlas-based auto-segmentation |
CN103400144B (zh) * | 2013-07-17 | 2017-02-22 | 山东师范大学 | 一种基于k近邻的支持向量机主动学习的方法 |
US9730643B2 (en) * | 2013-10-17 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
CN104766097B (zh) * | 2015-04-24 | 2018-01-05 | 齐鲁工业大学 | 基于bp神经网络和支持向量机的铝板表面缺陷分类方法 |
CN104881675A (zh) * | 2015-05-04 | 2015-09-02 | 北京奇艺世纪科技有限公司 | 一种视频场景的识别方法和装置 |
US9898811B2 (en) * | 2015-05-08 | 2018-02-20 | Kla-Tencor Corporation | Method and system for defect classification |
KR101978995B1 (ko) * | 2015-06-04 | 2019-05-16 | 가부시키가이샤 히다치 하이테크놀로지즈 | 결함 화상 분류 장치 및 결함 화상 분류 방법 |
CN105184818B (zh) * | 2015-09-06 | 2018-05-18 | 山东华宇航天空间技术有限公司 | 一种视频监控异常行为检测方法及其检测*** |
US20170147909A1 (en) * | 2015-11-25 | 2017-05-25 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and storage medium |
US9892344B1 (en) * | 2015-11-30 | 2018-02-13 | A9.Com, Inc. | Activation layers for deep learning networks |
US11205119B2 (en) * | 2015-12-22 | 2021-12-21 | Applied Materials Israel Ltd. | Method of deep learning-based examination of a semiconductor specimen and system thereof |
US9953355B2 (en) * | 2016-08-01 | 2018-04-24 | Microsoft Technology Licensing, Llc | Multi-signal based shopping cart content recognition in brick-and-mortar retail stores |
US10267748B2 (en) * | 2016-10-17 | 2019-04-23 | Kla-Tencor Corp. | Optimizing training sets used for setting up inspection-related algorithms |
-
2016
- 2016-11-23 TW TW105138415A patent/TWI608369B/zh active
-
2017
- 2017-01-13 CN CN201710027391.XA patent/CN108108745A/zh active Pending
- 2017-05-08 US US15/589,423 patent/US10489687B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200844429A (en) * | 2007-05-15 | 2008-11-16 | Chi-Hao Yeh | An automatic optical inspection approach for detecting and classifying the surface defects on coating brightness enhancement film |
TWI456190B (zh) * | 2013-09-16 | 2014-10-11 | Univ Nat Chunghsing | 偵測晶片影像瑕疵方法及其系統與電腦程式產品 |
US20160034788A1 (en) * | 2014-07-30 | 2016-02-04 | Adobe Systems Incorporated | Learning image categorization using related attributes |
WO2016090044A1 (en) * | 2014-12-03 | 2016-06-09 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108562589A (zh) * | 2018-03-30 | 2018-09-21 | 慧泉智能科技(苏州)有限公司 | 一种对磁路材料表面缺陷进行检测的方法 |
CN108562589B (zh) * | 2018-03-30 | 2020-12-01 | 慧泉智能科技(苏州)有限公司 | 一种对磁路材料表面缺陷进行检测的方法 |
TWI667575B (zh) * | 2018-06-29 | 2019-08-01 | 由田新技股份有限公司 | 利用人工智慧的瑕疵檢測系統及其方法 |
Also Published As
Publication number | Publication date |
---|---|
US10489687B2 (en) | 2019-11-26 |
CN108108745A (zh) | 2018-06-01 |
TW201820176A (zh) | 2018-06-01 |
US20180144216A1 (en) | 2018-05-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI608369B (zh) | 分類方法、分類模組及電腦程式產品 | |
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测***及方法 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及*** | |
Althubiti et al. | Circuit manufacturing defect detection using VGG16 convolutional neural networks | |
CN109002766B (zh) | 一种表情识别方法及装置 | |
KR20170091716A (ko) | 샘플링 및 특징 선택 없는 자동 결함 분류 | |
CN113781485B (zh) | 一种pcb缺陷类别的智能检测方法、装置、电子设备及介质 | |
CN112037222B (zh) | 一种神经网络模型的自动更新方法及*** | |
JP6584250B2 (ja) | 画像分類方法、分類器の構成方法および画像分類装置 | |
CN117893817A (zh) | 晶圆缺陷分类方法及其装置、***、电子设备和存储介质 | |
US20220383128A1 (en) | Image-based anomaly detection based on a machine learning analysis of an object | |
CN110490237B (zh) | 数据处理方法、装置、存储介质及电子设备 | |
CN111310826A (zh) | 样本集的标注异常检测方法、装置及电子设备 | |
CN114692778B (zh) | 用于智能巡检的多模态样本集生成方法、训练方法及装置 | |
US20170236035A1 (en) | System, apparatus and method for configuration of industrial vision control modules | |
Chiu et al. | Integrating content-based image retrieval and deep learning to improve wafer bin map defect patterns classification | |
JP6622581B2 (ja) | 情報提示方法及び装置 | |
CN104933178A (zh) | 官方网站确定方法及*** | |
US20230401809A1 (en) | Image data augmentation device and method | |
CN116579980A (zh) | 基于小样本学习的印刷电路板缺陷检测方法、介质及设备 | |
GB2614170A (en) | Action-object recognition in cluttered video scenes using text | |
CN112232295A (zh) | 一种新增目标船只的确认方法、装置及电子设备 | |
El Maghraby | Improving Custom Vision cognitive services model | |
CN117194963B (zh) | 工业fdc质量根因分析方法、设备及存储介质 | |
WO2022126865A1 (zh) | 缺陷分类方法和装置、设备及存储介质 |