TWI803824B - 人工智慧模型自動提升訓練系統及方法 - Google Patents
人工智慧模型自動提升訓練系統及方法 Download PDFInfo
- Publication number
- TWI803824B TWI803824B TW110104761A TW110104761A TWI803824B TW I803824 B TWI803824 B TW I803824B TW 110104761 A TW110104761 A TW 110104761A TW 110104761 A TW110104761 A TW 110104761A TW I803824 B TWI803824 B TW I803824B
- Authority
- TW
- Taiwan
- Prior art keywords
- data
- module
- defect
- marking
- artificial intelligence
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
一種人工智慧模型自動提升訓練系統,包括:資料收集模組,用於產品零件的缺陷資料;缺陷標記模組,用於按照零件類別及缺陷類型對缺陷資料和/或測試結果進行即時標記,並形成標記資料;資料儲存模組,用於儲存標記資料;模型訓練模組,用於通過標記資料訓練與測試人工智慧模型,並得到測試準確率及測試結果;以及資料傳輸模組,用於將缺陷資料由資料收集模組即時傳送至缺陷標記模組,將標記資料由缺陷標記模組即時傳送至資料儲存模組,將標記資料由資料儲存模組傳送至模型訓練模組,及將測試準確率及測試結果由模型訓練模組即時傳送至缺陷標記模組。
Description
本發明有關於一種人工智慧模型自動提升訓練系統及方法,特別有關於一種用於檢測缺陷的人工智慧模型自動提升訓練系統及方法。
光學識別技術如自動光學檢測系統(Automated Optical Inspection,AOI),如今已被普遍應用於電子行業的電路板等電子產品的檢測流程中,具體的是檢測構成的電子產品的多種零部件是否存在缺陷;另外,近年來人工智慧技術的發展迅速,目前已將人工智慧模型應用到電子產品的缺陷檢測當中,可以提高缺陷檢測效率及準確率。
然而,訓練人工智慧模型需要大量的訓練資料樣本,因而需要人員線上下進行大量的資料樣本收集及標記,耗時耗力;並且還有需要人員根據訓練效果不斷調整訓練資料樣本檔夾,進行反復訓練,直至達到預期準確率,從而現有的用於缺陷檢測的人工智慧模型的訓練過程存在訓練週期長,效率低的問題,而且不能做到對訓練資料樣本的即時標記。
基於上述,如何提高人工智慧模型的訓練效率以及預測準確率,實為需要解決的問題之一。
為了解決上述現有問題,本發明的目的在於提供一種人工智慧模型自動提升訓練系統及方法,能夠實現對訓練樣本的即時標記,用於對人工智慧模型進行訓練,提高訓練效率,縮短訓練週期,以及提高預測準確率。
為了實現上述目的,本發明的一實施例提供一種人工智慧模型自動提升訓練系統,其包括:一資料收集模組、一缺陷標記模組、一資料儲存模組、一模型訓練模組以及一資料傳輸模組。
其中,所述資料收集模組,用於收集產品的缺陷資料;所述缺陷標記模組,用於按照零件類別及缺陷類型對所述缺陷資料和/或所述測試結果進行即時標記,並形成標記資料;所述資料儲存模組,用於儲存所述標記資料;所述模型訓練模組,用於通過所述標記資料訓練與測試所述人工智慧模型,並得到測試準確率及測試結果;以及所述資料傳輸模組,用於將所述缺陷資料由資料收集模組即時傳送至所述缺陷標記模組,將所述標記資料由所述缺陷標記模組即時傳送至所述資料儲存模組,將所述標記資料由所述資料儲存模組傳送至所述模型訓練模組,及將所述測試準確率及所述測試結果由所述模型訓練模組即時傳送至所述缺陷標記模組。
上述的人工智慧模型自動提升訓練系統,其中,當所述缺陷標記模組的所述標記資料的數量大於等於一預設數值時,通過所述資料傳輸模組將所述標記資料傳送至所述模型訓練模組,並自動開啟所述人工智慧模型的訓練及測試。
上述的人工智慧模型自動提升訓練系統,其中,所述缺陷標記模組包括:一顯示模組,用於即時顯示所述缺陷資料和/或所述測試結果;以及一輸入模組,用於按照零件類別及缺陷類型對所述缺陷資料和/或所述測試結果進行即時標記。
上述的人工智慧模型自動提升訓練系統,其中,所述資料儲存模組包括一資料儲存表,用於按照所述零件類別及所述缺陷類型儲存所述標記資料。
上述的人工智慧模型自動提升訓練系統,其中,所述缺陷資料、所述標記資料或者所述測試結果為圖片格式。
為了實現上述目的,本發明的一實施例還提供了一種人工智慧模型自動提升訓練方法,採用上述的系統,其包括如下步驟:步驟1、所述資料收集模組收集產品的缺陷資料,並通過所述資料傳輸模組將所述缺陷資料即時傳送至所述缺陷標記模組;步驟2、所述缺陷標記模組按照零件類別及缺陷類型對所述缺陷資料即時進行標記,並形成標記資料,通過所述資料傳輸模組將所述標記資料即時傳送至所述資料儲存模組進行儲存;步驟3、通過所述資料傳輸模組將所述標記資料由所述資料儲存模組傳送至所述模型訓練模組,並通過所述標記資料訓練與測試所述人工智慧模型,得到測試準確率及測試結果,通過所述資料傳輸模組將所述測試準確率及所述測試結果即時傳送至所述缺陷標記模組;步驟4、所述缺陷標記模組按照零件類別及缺陷類型對所述測試結果即時進行標記,並形成所述標記資料,通過所述資料傳輸模組將所述標記資料即時傳送至所述資料儲存模組進行儲存;以及步驟5、重複執行所述步驟1-步驟4,直至所述測試準確率大於等於一預設準確率值。
上述的人工智慧模型自動提升訓練方法,其中,當所述資料儲存模組的所述標記資料的數量大於等於一預設數值時,通過所述資料傳輸模組將所述標記資料傳送至所述模型訓練模組,並自動開啟所述人工智慧模型的訓練及測試。
上述的人工智慧模型自動提升訓練方法,其中,所述步驟2或者步驟3中:所述缺陷標記模組的一顯示模組即時顯示所述缺陷資料和/或所述測試結果;以及所述缺陷標記模組的一輸入模組按照零件類別及缺陷類型對所述缺陷資料和/或所述測試結果進行即時標記。
上述的人工智慧模型自動提升訓練方法,其中,所述資料儲存模組包括一資料儲存表,用於按照所述零件類別及所述缺陷類型儲存所述標記資料。
上述的人工智慧模型自動提升訓練方法,其中,所述缺陷資料、所述標記資料或者所述測試結果為圖片格式。
以下結合附圖和具體實施例對本發明進行詳細描述,但不作爲對本發明的限定。
下面結合附圖對本發明的結構原理和工作原理作具體的描述。
圖1為本發明一實施例的人工智慧模型自動提升訓練系統的結構示意圖。本發明實施例提供的人工智慧模型自動提升訓練系統主要應用於電子產品的缺陷檢測,其中電子產品例如為印刷電路板、液晶螢幕、晶片等,本發明並不以此為限,而上述的電子產片一般由多種零件所構成,零件可以包括多種類別,例如電阻、電容、電感、電晶體等,並且在生產、測試或者轉送的過程中不免會造成一些缺陷或者損傷,缺陷類型可以包括多種類型,例如缺件、錯件、多件、異物、錯位、破損等,本發明對零件種類或缺陷類型並不予以限制。如圖1所示,在本實施例中,人工智慧模型自動提升訓練系統100包括:資料收集模組110、缺陷標記模組120、資料儲存模組130、模型訓練模組140以及資料傳輸模組150。
其中,資料收集模組110用於收集產品的缺陷資料,在一實施例中,資料收集模組110可連接一資料庫,所述資料庫可儲存有大量的多種電子產品其中一種的所述缺陷資料或者多種電子產品的多種所述缺陷資料,因而資料收集模組110可直接從所述資料庫中收集上述的多種電子產品其中一種的所述缺陷資料,但本發明並不以此為限;缺陷標記模組120,其功能在於按照上述的零件類別,例如電阻、電容、電感、電晶體,及缺陷類型,例如缺件、錯件、多件、異物、錯位、破損對所述缺陷資料或者人工智慧模型的測試結果進行即時標記,並據此生成標記資料;資料儲存模組130,用於儲存所述標記資料;模型訓練模組140,其作用在於通過所述標記資料分別訓練與測試人工智慧模型,所述人工智慧模型可以例如通過人工智慧神經網路所建立,具體的,將缺陷標記模組120對資料收集模組110所收集的缺陷資料標記所生成的標記資料輸入一人工智慧神經網路進行訓練並得到所述人工智慧模型,然後將所述標記資料輸入所述人工智慧模型進行測試並得到測試準確率及測試結果。資料傳輸模組150,其可通過有線或者無線的方式與資料收集模組110、缺陷標記模組120、資料儲存模組130以及模型訓練模組140之間實現連接,例如採用資料線或者5G通信技術,從而可以作為傳輸媒介用於人工智慧模型自動提升訓練系統100中所涉及的各種資料在各模組之間的傳輸,具體的,將資料收集模組110所收集的所述缺陷資料由資料收集模組110即時傳送至缺陷標記模組120,將陷標記模組120所標記的所述標記資料由缺陷標記模組120即時傳送至資料儲存模組130,將儲存於資料儲存模組130的所述標記資料由資料儲存模組130傳送至模型訓練模組140,及將模型訓練模組140產生的所述測試準確率及所述測試結果由模型訓練模組140即時傳送至缺陷標記模組120。
圖2為本發明一實施例的缺陷標記模組的結構示意圖。如圖2所示,在本實施例中,缺陷標記模組120包括缺陷顯示模組121以及缺陷輸入模組122;其中,缺陷顯示模組121主要用於對顯示由資料收集模組110傳輸的缺陷資料或者模型訓練模組130所傳輸至缺陷標記模組120的測試結果;缺陷輸入模組122主要用於按照上述的零件類別以及缺陷類型對缺陷顯示模組121所顯示的所述缺陷資料或者所述測試結果進行即時標記,並生成標記資料,而所述缺陷資料或者所述測試結果可為圖片格式,缺陷輸入模組122可以直接在圖片上進行即時標記,並生成圖片格式的標記資料,例如缺陷顯示模組121顯示一缺陷圖片,從顯示模組121中可直觀地觀察到該缺陷圖片中存在電容移位的缺陷,此時由缺陷輸入模組122按照零件類別為電容,缺陷類型為移位對其進行即時標記,並生成該缺陷圖片對應的標記資料,從而通過缺陷標記模組120可以對所述缺陷資料或者所述測試結果即時且準確地進行標記;在本實施例中,缺陷顯示模組121與缺陷輸入模組122可以採用觸控型顯示面板一體實現,即觸控型顯示面板既可以實現缺陷顯示模組121顯示所述缺陷資料或者所述測試結果,同時可以作為缺陷輸入模組122對顯示其上的所述缺陷資料或者所述測試結果進行即時標記,並形成標記資料,本發明並不以此為限,缺陷顯示模組121及缺陷輸入模組122也可以採用分開設置的方式。於一實施例中,缺陷標記模組120中可設置一預設準確率值,例如90%,當然所述預設準確率值可根據實際需要進行調整,本發明不限於此。用於同模型訓練模組140中測試人工智慧模型之後所得到的測試準確率進行比較,並且缺陷標記模組120可先一步比較所述測試準確率與所述預設準確率值的大小,當所述測試準確率超過所述預設準確率值時,表示所述人工智慧模型的訓練已達預期,可結束本實施例的人工智慧模型自動提升訓練系統100的運行,當所述測試準確率未超過所述預設準確率值時,缺陷顯示模組122才顯示所述測試結果,並由缺陷輸入模組122對其進行即時標記。
圖3為本發明一實施例的資料儲存表的示意圖。在本發明的一實施例中,資料存儲模組130可包括一資料儲存表,其主要用於按照上述的零件類別及缺陷類型儲存所述標記資料。如圖3所示,左方的物件1~物件10分別表示不同的零件類別,例如電阻、電容、電感、電晶體等,上方的type1~type9分別表示不同的缺陷類型,例如缺件、錯件、多件、異物、錯位、破損等,表格中的數字表示所述標記資料的數量,本實施例的資料儲存表對零件類別及缺陷類型並不限制,實際應用中可根據實際的零件類別及缺陷類型予以設置。當所述缺陷資料或者所述測試結果在缺陷標記模組120中被標記完成時,資料傳輸模組150則將所述標記資料即時傳送至資料儲存模組130的所述資料儲存表中,具體的,根據被標記的零件類別及缺陷類型,所述標記資料被傳送至對應的表格中,例如一缺陷資料被標記為(物件2,type3),則其將被傳送至(物件2,type3)對應的表格中進行儲存。並且,在本實施例中,當所述資料儲存表中的某一表格內儲存的標記資料的數量超過一預設數值時,則由資料傳輸模組150自動將所述表格儲存的所述標記資料傳送至模型訓練模組140並據此開啟人工智慧模型的訓練及測試,例如所述預設數值可設為500,如圖3所示的資料存儲表的表格(物件1,type5)、(物件3,type4)、(物件4,type8)、(物件5,type3)、(物件8、type5)、(物件12,type2)等內儲存的所述標記資料的數量均已超過500,從而上述表格內的所述標記資料將傳送至模型訓練模組140中用於訓練及測試人工智慧模型,其中所述預設數值可根據實際應用具體設置,本發明並不予以限制。
圖4為本發明一實施例的人工智慧模型自動提升訓練方法的流程圖。如圖4所示,在本實施例的人工智慧模型自動提升訓練方法S100可採用如圖1所示的人工智慧模型自動提升訓練系統實現,具體包括以下步驟:
步驟S110、資料收集模組110收集產品的缺陷資料,並通過資料傳輸模組150將所述缺陷資料即時傳送至缺陷標記模組120;
步驟S120、缺陷標記模組120按照零件類別及缺陷類型對所述缺陷資料即時進行標記,並形成標記資料;
步驟S130、通過資料傳輸模組150將所述標記資料即時傳送至資料儲存模組130進行儲存;
步驟S140、通過資料傳輸模組150將所述標記資料由資料儲存模組130傳送至模型訓練模組140,並通過所述標記資料訓練與測試所述人工智慧模型,得到測試準確率及測試結果,通過資料傳輸模組150將所述測試準確率及所述測試結果即時傳送至缺陷標記模組120;
步驟S150、判斷所述測試準確率是否超過一預設準確率值,當所述測試準確率超過一預設準確率值時,結束流程,否則執行步驟S160;
步驟S160,缺陷標記模組120按照零件類別及缺陷類型對所述測試結果即時進行標記,並形成所述標記資料,並返回步驟S130。
綜上所述,本發明實施例所提供的人工智慧模型自動提升訓練系統及方法,通過資料收集模組直接收集產品的缺陷資料,並能夠即時傳送至缺陷標記模組按照零件類別及缺陷類型進行即時標記,形成標記資料;採用標記資料訓練及測試人工智慧模型,得到測試準確率及測試結果,當測試準確率小於預期時,對測試結果再次進行標記,並形成標記資料,再次用於人工智慧模型的訓練及測試,直至人工智慧模型的測試準確率達到預期。因此,缺陷標記模組、資料儲存模組及模型訓練模組之間能夠形成閉環,實現人工智慧模型的自動提升訓練,並且能提高訓練效率,縮短訓練週期,以及提高預測準確率。
另外,本發明實施例提供的人工智慧模型自動提升訓練系統及方法可面向多種電子產品,分別收集其對應的缺陷資料進行訓練,從而得到多種電子產品對應的人工智慧模型。
當然,本發明還可有其他多種實施例,在不背離本發明精神及其實質的情況下,熟悉本領域的技術人員當可根據本發明作出各種相應的改變和變形,但這些相應的改變和變形都應屬於本發明所附的申請專利範圍的保護範圍。
100:訓練系統
110:資料收集模組
120:缺陷標記模組
121:缺陷輸入模組
122:缺陷顯示模組
130:資料儲存模組
140:模型訓練模組
150:資料傳輸模組
S100,S110~S160:步驟
圖1為本發明一實施例的人工智慧模型自動提升訓練系統的結構示意圖。
圖2為本發明一實施例的缺陷標記模組的結構示意圖。
圖3為本發明一實施例的資料儲存表的示意圖。
圖4為本發明一實施例的人工智慧模型自動提升訓練方法的流程圖。
110:資料收集模組
120:缺陷標記模組
130:資料儲存模組
140:模型訓練模組
150:資料傳輸模組
Claims (10)
- 一種人工智慧模型自動提升訓練系統,包括:一資料收集模組,用於收集產品的缺陷資料;一缺陷標記模組,用於按照零件類別及缺陷類型對所述缺陷資料和/或一測試結果進行即時標記,並形成標記資料;一資料儲存模組,用於儲存所述標記資料;一模型訓練模組,用於通過所述標記資料訓練與測試所述人工智慧模型,並得到一測試準確率及所述測試結果;以及一資料傳輸模組,用於將所述缺陷資料由所述資料收集模組即時傳送至所述缺陷標記模組,將所述標記資料由所述缺陷標記模組即時傳送至所述資料儲存模組,將所述標記資料由所述資料儲存模組傳送至所述模型訓練模組,及將所述測試準確率及所述測試結果由所述模型訓練模組即時傳送至所述缺陷標記模組,其中所述缺陷標記模組比較所述測試準確率與一預設準確率值,當所述測試準確率超過所述預設準確率值時,結束所述人工智慧模型自動提升訓練系統的運行,以及當所述測試準確率未超過所述預設準確率值時,所述缺陷標記模組對所述測試結果進行即時標記。
- 如請求項1所述的人工智慧模型自動提升訓練系統,其中,當所述資料儲存模組的所述標記資料的數量大於等於一預設數值時,通過所述資料傳輸模組將所述 標記資料傳送至所述模型訓練模組,並自動開啟所述人工智慧模型的訓練及測試。
- 如請求項1所述的人工智慧模型自動提升訓練系統,其中,所述缺陷標記模組包括:一缺陷顯示模組,用於即時顯示所述缺陷資料和/或所述測試結果;以及一缺陷輸入模組,用於按照所述零件類別及所述缺陷類型對所述缺陷資料和/或所述測試結果進行即時標記。
- 如請求項1所述的人工智慧模型自動提升訓練系統,其中,所述資料儲存模組包括一資料儲存表,用於按照所述零件類別及所述缺陷類型儲存所述標記資料。
- 如請求項1至4任一項所述的人工智慧模型自動提升訓練系統,其中,所述缺陷資料、所述標記資料或者所述測試結果為圖片格式。
- 一種人工智慧模型自動提升訓練方法,採用如請求項1所述的系統,包括:步驟1、所述資料收集模組收集產品的缺陷資料,並通過所述資料傳輸模組將所述缺陷資料即時傳送至所述缺陷標記模組;步驟2、所述缺陷標記模組按照零件類別及缺陷類型對所述缺陷資料即時進行標記,並形成標記資料,通過所述資料傳輸模組將所述標記資料即時傳送至所述資料儲存模組進行儲存;步驟3、通過所述資料傳輸模組將所述標記資料由所述資 料儲存模組傳送至所述模型訓練模組,並通過所述標記資料訓練與測試所述人工智慧模型,得到測試準確率及測試結果,通過所述資料傳輸模組將所述測試準確率及所述測試結果即時傳送至所述缺陷標記模組;步驟4、所述缺陷標記模組比較所述測試準確率與一預設準確率值,當所述測試準確率超過所述預設準確率值時,結束所述人工智慧模型自動提升訓練方法,以及當所述測試準確率未超過所述預設準確率值時,所述缺陷標記模組按照零件類別及缺陷類型對所述測試結果即時進行標記,並形成所述標記資料,通過所述資料傳輸模組將所述標記資料即時傳送至所述資料儲存模組進行儲存;步驟5、重複執行所述步驟1至步驟4,直至所述測試準確率大於等於一預設準確率值。
- 如請求項6所述的人工智慧模型自動提升訓練方法,其中,當所述資料儲存模組的所述標記資料的數量大於等於一預設數值時,通過所述資料傳輸模組將所述標記資料傳送至所述模型訓練模組,並自動開啟所述人工智慧模型的訓練及測試。
- 如請求項6所述的人工智慧模型自動提升訓練方法,其中所述步驟2或者步驟3中:所述缺陷標記模組的一缺陷顯示模組即時顯示所述缺陷資料和/或所述測試結果;以及所述缺陷標記模組的一缺陷輸入模組按照零件類別及缺陷類型對所述缺陷資料和/或所述測試結果進行即時標 記。
- 如請求項6所述的人工智慧模型自動提升訓練方法,其中,所述資料儲存模組包括一資料儲存表,用於按照所述零件類別及所述缺陷類型儲存所述標記資料。
- 如請求項6至9任一項所述的人工智慧模型自動提升訓練方法,其中,所述缺陷資料、所述標記資料或者所述測試結果為圖片格式。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011426441.XA CN114626538A (zh) | 2020-12-09 | 2020-12-09 | 人工智能模型自动提升训练***及方法 |
CN202011426441.X | 2020-12-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202223720A TW202223720A (zh) | 2022-06-16 |
TWI803824B true TWI803824B (zh) | 2023-06-01 |
Family
ID=81895409
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW110104761A TWI803824B (zh) | 2020-12-09 | 2021-02-08 | 人工智慧模型自動提升訓練系統及方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN114626538A (zh) |
TW (1) | TWI803824B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190188840A1 (en) * | 2017-12-19 | 2019-06-20 | Samsung Electronics Co., Ltd. | Semiconductor defect classification device, method for classifying defect of semiconductor, and semiconductor defect classification system |
TW202001699A (zh) * | 2018-06-29 | 2020-01-01 | 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 |
CN110827244A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 一种用于电子设备外观瑕疵检测的方法与设备 |
TWI694250B (zh) * | 2019-03-20 | 2020-05-21 | 英業達股份有限公司 | 表面缺陷偵測系統及其方法 |
TWM596871U (zh) * | 2019-12-03 | 2020-06-11 | 智泰科技股份有限公司 | 智慧型光學檢測ai資料蒐集系統 |
CN111275700A (zh) * | 2020-02-19 | 2020-06-12 | 凌云光技术集团有限责任公司 | 基于深度学习的端子缺陷检测方法及*** |
US20200234428A1 (en) * | 2019-01-18 | 2020-07-23 | Kla Corporation | Methods And Systems For Inspection Of Semiconductor Structures With Automatically Generated Defect Features |
TWM604031U (zh) * | 2020-07-03 | 2020-11-11 | 兆米智慧檢測股份有限公司 | 基於人工智能的光學檢測系統 |
-
2020
- 2020-12-09 CN CN202011426441.XA patent/CN114626538A/zh active Pending
-
2021
- 2021-02-08 TW TW110104761A patent/TWI803824B/zh active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190188840A1 (en) * | 2017-12-19 | 2019-06-20 | Samsung Electronics Co., Ltd. | Semiconductor defect classification device, method for classifying defect of semiconductor, and semiconductor defect classification system |
TW202001699A (zh) * | 2018-06-29 | 2020-01-01 | 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 |
US20200234428A1 (en) * | 2019-01-18 | 2020-07-23 | Kla Corporation | Methods And Systems For Inspection Of Semiconductor Structures With Automatically Generated Defect Features |
TWI694250B (zh) * | 2019-03-20 | 2020-05-21 | 英業達股份有限公司 | 表面缺陷偵測系統及其方法 |
CN110827244A (zh) * | 2019-10-28 | 2020-02-21 | 上海悦易网络信息技术有限公司 | 一种用于电子设备外观瑕疵检测的方法与设备 |
TWM596871U (zh) * | 2019-12-03 | 2020-06-11 | 智泰科技股份有限公司 | 智慧型光學檢測ai資料蒐集系統 |
CN111275700A (zh) * | 2020-02-19 | 2020-06-12 | 凌云光技术集团有限责任公司 | 基于深度学习的端子缺陷检测方法及*** |
TWM604031U (zh) * | 2020-07-03 | 2020-11-11 | 兆米智慧檢測股份有限公司 | 基於人工智能的光學檢測系統 |
Also Published As
Publication number | Publication date |
---|---|
CN114626538A (zh) | 2022-06-14 |
TW202223720A (zh) | 2022-06-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US12020415B2 (en) | Method for monitoring manufacture of assembly units | |
CN107967491A (zh) | 木板识别的机器再学习方法、装置、电子设备及存储介质 | |
CN109142371A (zh) | 基于深度学习的高密度柔性基板外观缺陷检测***与方法 | |
JP5779906B2 (ja) | 検査システム、管理サーバ、検査装置および検査データ管理方法 | |
TW202004574A (zh) | 人工智慧複檢系統及其方法 | |
CN204924967U (zh) | 全自动aoi整机的图像采集机构 | |
TWI683262B (zh) | 工業影像檢測方法、系統與電腦可讀取記錄媒體 | |
CN111915604A (zh) | 一种互联网人工智能电子零配件识别与检测*** | |
CN115804257A (zh) | 印刷电路板组件的检查及生产 | |
TWI803824B (zh) | 人工智慧模型自動提升訓練系統及方法 | |
JP2009068946A (ja) | 欠陥分類装置および方法並びにプログラム | |
US20220292661A1 (en) | Automated inspection system and operating method thereof | |
CN111950963A (zh) | 一种基于互联网的电子元器件智能管理平台 | |
CN113674249A (zh) | 基于工业互联网的pcb板印刷质量检测方法 | |
CN112561866B (zh) | 基于ai与云计算技术的半导体基板光刻胶层缺陷检测*** | |
CN115375961A (zh) | 一种产品配件识别和重量评估方法、装置及相关设备 | |
CN212322301U (zh) | 一种互联网人工智能电子零配件识别与检测*** | |
CN113192068A (zh) | 应用于印制线板的ai视觉检测*** | |
CN107248375A (zh) | 用于刻号机的识别号补值方法及*** | |
WO2021030924A1 (zh) | 货架物品识别方法、装置及*** | |
Chang et al. | Deep Learning-based AOI System for Detecting Component Marks | |
CN205691516U (zh) | 外包装标签检测装置 | |
TWI786484B (zh) | 用於影像標記標準化的方法、電子裝置及電腦程式產品 | |
CN104793494B (zh) | 一种基于机器视觉的疲劳试验机试件自动安装定位方法 | |
TWI843333B (zh) | 半導體芯片載板的缺陷驗證方法、檢測方法及aoi設備 |