TWI819698B - 判斷瑕疵的方法及電子裝置 - Google Patents
判斷瑕疵的方法及電子裝置 Download PDFInfo
- Publication number
- TWI819698B TWI819698B TW111126380A TW111126380A TWI819698B TW I819698 B TWI819698 B TW I819698B TW 111126380 A TW111126380 A TW 111126380A TW 111126380 A TW111126380 A TW 111126380A TW I819698 B TWI819698 B TW I819698B
- Authority
- TW
- Taiwan
- Prior art keywords
- fused
- coefficient set
- modulation transfer
- point spread
- transfer function
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 230000007547 defect Effects 0.000 title claims abstract description 31
- 238000012546 transfer Methods 0.000 claims abstract description 37
- 238000003062 neural network model Methods 0.000 claims abstract description 25
- 230000002950 deficient Effects 0.000 claims abstract description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000007689 inspection Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 5
- 230000007246 mechanism Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 59
- 230000004927 fusion Effects 0.000 description 7
- 210000001747 pupil Anatomy 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 230000004075 alteration Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000011176 pooling Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000013145 classification model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000012634 fragment Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 208000003464 asthenopia Diseases 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000006837 decompression Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Landscapes
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Processing (AREA)
Abstract
一種判斷瑕疵的方法及電子裝置。首先，輸入對應待測物的干涉影像至已訓練的多個神經網路模型，以獲得多組澤爾尼克係數。接著，基於所述多組澤爾尼克係數獲得融合後係數組。之後，利用融合後係數組，計算點擴散函數與調制轉換函數。然後，基於融合後係數組、點擴散函數與調制轉換函數，判斷待測物是否有瑕疵。
Description
本發明是有關於一種影像識別技術，且特別是有關於一種基於影像辨識來判斷瑕疵的方法及電子裝置。
干涉儀廣泛應用於科學研究和工業生產中對微小位移、折射率以及表面平整度的測量。目前在鏡片光學檢測大都是透過干涉儀產生干涉影像，再由人眼觀察干涉影像之態樣來判斷鏡片是否有瑕疵。人眼直接判斷可能會因為每片鏡片拍攝狀況不同、時間壓力、眼睛疲勞或人為判定標準的不一致造成判定不夠精確。每一干涉儀皆需配置一位檢測員，存在人力成本。此外，干涉影像之態樣可能由多重光學因素堆疊而成，難以透過單一門檻值或判斷規則自動判定。再者，判定標準若因客戶之標準而有所不同，亦難以精準動態調整門檻值或判斷規則。
本發明提供一種判斷瑕疵的方法及電子裝置，提供一種科學方法以達到精準自動檢測的目的。
本發明的基於影像辨識來判斷瑕疵的方法，其是利用處理器來執行多個步驟，包括：輸入對應待測物的干涉影像至已訓練的多個神經網路模型，以獲得多組澤爾尼克係數（Zernike coefficient）；基於所述多組澤爾尼克係數獲得融合後係數組；利用融合後係數組，計算點擴散函數（Point Spread Function，PSF）與調制轉換函數（Modulation Transfer Function，MTF）；以及基於融合後係數組、點擴散函數與調制轉換函數，判斷待測物是否有瑕疵。
在本發明的一實施例中，所述神經網路模型包括採用卷積神經網路（Convolutional Neural Network，CNN）、自動編碼器（AutoEncoder）以及生成對抗網路（Generative Adversarial Network，GAN）的模型。
在本發明的一實施例中，基於所述多組澤爾尼克係數獲得融合後係數組的步驟包括：採用平均法、中位數、最大值、最小值以及加權平均其中一者以在所述多組澤爾尼克係數中獲得融合後係數組。
在本發明的一實施例中，基於所述多組澤爾尼克係數獲得融合後係數組的步驟包括：採用投票機制以在所述多組澤爾尼克係數中獲得融合後係數組。
在本發明的一實施例中，基於融合後係數組、點擴散函數與調制轉換函數，判斷待測物是否有瑕疵的步驟包括：將融合後係數組、點擴散函數以及調制轉換函數至少其中一者與其對應的一或多個閾值進行比對，以判定瑕疵程度或待測物等級。
在本發明的一實施例中，基於融合後係數組、點擴散函數與調制轉換函數，判斷待測物是否有瑕疵的步驟包括：將融合後係數組、點擴散函數以及調制轉換函數至少其中一者輸入至其對應的檢查模型，以判定瑕疵程度或待測物等級。
本發明的電子裝置，包括：儲存設備，包括已訓練的多個神經網路模型；處理器，耦接至儲存設備，且經配置以：輸入對應於待測物的干涉影像至所述神經網路模型，以獲得多組澤爾尼克係數；基於所述多組澤爾尼克係數獲得融合後係數組；利用融合後係數組，計算點擴散函數與調制轉換函數；以及基於融合後係數組、點擴散函數與調制轉換函數，判斷待測物是否有瑕疵。
基於上述，本揭露從光學角度來獲得一個科學方法，即，從干涉影像回推出澤爾尼克係數，再由澤爾尼克係數導出點擴散函數與調制轉換函數，進而來判斷待測物的品質。藉此，可達到精準自動檢測的效果。
圖1是依照本發明一實施例的電子裝置的方塊圖。請參照圖1，電子裝置100包括處理器110以及儲存設備120。處理器110耦接至儲存設備120。處理器110例如為中央處理單元（Central Processing Unit，CPU）、物理處理單元（Physics Processing Unit，PPU）、可程式化之微處理器（Microprocessor）、嵌入式控制晶片、數位訊號處理器（Digital Signal Processor，DSP）、特殊應用積體電路（Application Specific Integrated Circuits，ASIC）、可程式化邏輯控制器（programmable logic controller，PLC）或其他類似裝置。
儲存設備120例如是任意型式的固定式或可移動式隨機存取記憶體（Random Access Memory，RAM）、唯讀記憶體（Read-Only Memory，ROM）、快閃記憶體（Flash memory）、硬碟或其他類似裝置或這些裝置的組合。儲存設備120包括一或多個程式碼片段，上述程式碼片段在被安裝後，會由處理器110來執行下述判斷瑕疵的方法各步驟。
圖2是依照本發明一實施例的基於影像辨識來判斷瑕疵的方法流程圖。請參照圖2，在步驟S205中，輸入對應待測物的干涉影像至已訓練的多個神經網路模型，以獲得多組澤爾尼克係數（Zernike coefficient，底下稱為Zernike係數）。待測物例如為要檢測的鏡片。可將要檢測的鏡片放在干涉儀的平台上，接著打光，再由干涉儀上的相機進行拍攝而獲得干涉影像。
在此，通過神經網路模型的影像識別功能來預測Zernike係數，可以減少一般用於干涉儀的數學運算，進而提高測量精度。在一實施例中，所述神經網路模型包括採用卷積神經網路（Convolutional Neural Network，CNN）、自動編碼器（AutoEncoder）以及生成對抗網路（Generative Adversarial Network，GAN）的模型。
例如，CNN是目前最常用的一種神經網路，其由幾個層組成。這些層包括卷積層（convolution layer）、池化層（pooling layer）和全連接層（fully connected layer）。卷積層、池化層和全連接層的數量可以配置為一或多個，視不同架構而有不同的配置。在卷積層中從輸入的影像（干涉影像）中提取特徵。在池化層中將減少所提取特徵的數據大小但保留主要功能。全連接層會增加網路的深度並預測答案（Zernike係數）。例如，最後一個全連接層可設置為8個神經元，以對應至8個Zernike係數。然，在此僅為舉例說明，並不以此為限，可視需求來調整最後輸出的Zernike係數的數量。
事先訓練好CNN模型，之後將干涉儀所獲得的干涉影像輸入至已訓練的CNN模型，使得CNN模型輸出對應的Zernike係數。CNN模型的訓練是通過對大量的干涉影像和其對應的已知Zernike係數進行訓練，使得CNN模型得以在輸入的干涉影像中自動提取特徵，並調整CNN模型中的參數值，以獲得最佳的輸出（即，一組Zernike係數）。
自動編碼器是多層神經網路的一種非監督式學習算法，將一筆原始資料輸入至自動編碼器，自動編碼器可輸出與原始資料相同的重建資料。自動編碼器的架構包括編碼器（Encoder）和解碼器（Decoder），分別執行壓縮與解壓縮的動作，讓輸出資料和輸入資料表示相同意義。編碼器中包括一個或多個隱藏層，其作用在於將輸入的高維向量編碼為低維向量。解碼器的作用是把隱藏層的低維向量還原到初始的高維向量。通過訓練最後自動編碼器會在隱藏層中得到一個代表輸入資料的低維向量。當訓練完成以後將解碼器移除，只剩下編碼器，輸入干涉影像至訓練好的自動編碼器，便可獲得對應的一組Zernike係數。透過同時訓練一個編碼器及一個解碼器的網路，讓解碼器以在學習還原原始資料的過程中，幫助編碼器學習，最後得到一個預測能力更佳的編碼器來做為用以預測係數的神經網路模型。
GAN包括生成網路（Generator Network）與判別網路（Discriminator Network）。生成網路用以接收一張干涉影像而輸出一張標記為偽影像（fake image）的馬賽克影像。馬賽克影像的每一塊與Zernike係數相關。例如，可將馬賽克影像設計為包括32個大小相同的區塊，每個區塊對應至一個Zernike係數。而判別網路用以接收一張標記為基準真相（ground truth）的另一馬賽克影像，並且接收生成網路輸出之標記為偽影像（fake image）的馬賽克影像，判別網路透過兩者相互對抗來產生結果。判別網路用以學習將生成網路的輸出分類為真實（real）或虛假（fake）。
在一實施例中，利用採用CNN、自動編碼器以及GNN的三種已訓練的神經網路模型，可獲得三組Zernike係數。然，在此僅為舉例說明，並不限定神經網路模型的數量及其使用的演算法。
接著，在步驟S210中，基於所述多組Zernike係數獲得融合後係數組。例如，可採用平均法、中位數、最大值、最小值、加權平均等在所述多組Zernike係數中獲得融合後係數組。例如，以平均法而言，將所有神經網路模型所獲得的對應Zernike係數累加後平均，求得的平均值作為融合後係數組。假設採用三個神經網路模型，所獲得的每一組Zernike係數的數量為8個（N1～N8），因此，將三個神經網路模型所獲得的N1取平均值、N2取平均值、…、N8取平均值，而獲得8個平均後的Zernike係數。或者，以中位數而言，將三個神經網路模型所獲得的N1取中位數、N2取中位數、…、N8取中位數，而獲得8個Zernike係數來作為融合後係數組。最大值、最小值、加權平均亦以此類推。
此外，可針對各個Zernike係數分別建立迴歸模型。例如如，假設三個神經網路模型所獲得的第一個係數分別為[0.2,0.3,0.5]，將其作為迴歸模型的輸入特徵，藉此來訓練此迴歸模型，並將迴歸模型的輸出作為融合係數組的第一個融合係數。迴歸模型可以採用深度神經網路（Deep Neural Network，DNN）、支持向量回歸（Support Vector Regression，SVR）、高斯過程（Gaussian process）等方法。
另外，也可採用投票機制以在所述多組Zernike係數中獲得一組融合後係數組。將不同的神經網路模型所獲得的Zernike係數加權合成。例如，假設採用M個已訓練的神經網路模型，其各自獲得的每一組Zernike係數的數量為8個，最終可獲得8×M個Zernike係數（N
1,1～N
1,M、N
2,1～N
2,M、…、N
8,1～N
8,M）。融合後係數組中第i個融合後係數N
i為：
N
i= W
i,1×N
i,1+ W
i,2×N
i,2+...+ W
i,M×N
i,M)/M，
其中，W
i,j代表第j個神經網路模型所預測的第i個Zernike係數對應的權重。N
i,1～N
i,M分別代表第1～第M個神經網路模型所預測的第i個Zernike係數。
在步驟S215中，利用融合後係數組，計算點擴散函數（Point Spread Function，PSF）與調制轉換函數（Modulation Transfer Function，MTF）。
在光學領域中，由於Zernike多項式所具有的正交性和對經典像差的平衡表示，使其在圓型光瞳上具有最小的方差，為此在光學領域中得到了廣泛的應用。在光學系統中，主光線與光軸所在的平面為子午面（meridional plane），主光線與子午面垂直的平面為縱切面（sagittal plane）。任意一點P在單位圓平面中的出瞳（exit pupil）坐標(
x
p ,
y
p )和極坐標(
ρ,
θ)。其中
x
p 位於縱切面，
y
p 位於子午面，
ρ為徑向分量（radial component），
θ為角坐標（angular coordinate）。
波前（wavefront）函數
的描述如下：
其中，n和m分別代表標準像差函數中徑向坐標（radial coordinate）和像點高度坐標（image point height coordinate）的冪（power），s代表加總的註標，例如加總n個項或n-m個項。
為平均波前，
，
，
，
、
、
為Zernike係數。
接著，基於波前函數
來獲得像差光瞳函數（aberrated pupil function）
，再基於像差光瞳函數
來獲得同調轉換函數（coherent transfer function）
。
像差光瞳函數
為：
，
其中，
為出瞳半徑，k為波數，
i為虛數。
同調轉換函數
為：
，
其中，
f
U 為U/
λz ，
f
V 為V/
λz，
λ為波長，
z為光瞳距離（pupil distance）。
之後，基於同調轉換函數
來計算點擴散函數
h(u, v)與調制轉換函數
MTF(f
U, f
V)
。
點擴散函數
h(u, v)描述了一個成像系統對一個點光源（物體）的響應，可透過下述方程式來獲得：
，
其中，
為傅立葉轉換函數，
u，
v為座標。
調制轉換函數
MTF(f
U, f
V)
為：
。
在步驟S220中，基於融合後係數組、點擴散函數與調制轉換函數，判斷待測物是否有瑕疵。例如，可將融合後係數組、點擴散函數與調制轉換函數至少其中一者與其對應的一或多個閾值進行比對，以判定瑕疵程度或待測物等級。
針對調制轉換函數（MTF）設定一或多個閾值代入調制轉換函數判定鏡片等級或瑕疵程度。利用MTF的判定方式如下。以調制轉換函數而言，依產品品質要求製定一個或多個閾值，再由閾值在MTF數值空間切割出各品質級別（level）的區間，待檢之產品在取得MTF值之後，依其所在區間判定品質級別。在模型訓練階段：可對各品質級別的產品進行抽樣取得各品質級別產品之樣本，針對各樣本透過上述方式取得MTF值，再將MTF值設定為特徵X，品質級別設定為Y，進而訓練或導出一個迴歸模型。在實用階段：對待測物的干涉影像使用上述方法來預測MTF值，之後將MTF值設定為迴歸模型的X，而可自迴歸模型來獲得品質級別Y。在此，設定多個品質級別為連續數值，可視為品質好壞的分數，例如品質級別可設定為0～100。
另外，針對點擴散函數（PSF）設定一或多個閾值代入點擴散函數判定鏡片等級或瑕疵程度。或者，針對融合後係數組設定一或多個閾值代入判定Lens等級或瑕疵程度。利用PSF或融合後係數組的判定方式可參照上述利用MTF的判定方式，在此不再贅述。
在其他實施例中，還可以透過設定三個方法的權重方式來綜合考量評判品質之依據，例如設定為：
Q( I)=
w
1 ×
Statistics(
MTF(
I))+
w
2 ×
Statistics(
PSF(
I))+
w
3 ×
Statistics(
N
i )；
其中，
Statistics為統計函數，可以為最大值、最小值、平均值、眾數、變異數、標準差或加總等統計方法，
w
1 、
w
2 、
w
3 為權重，
I為受檢的干涉影像，
N
i 為由干涉影像
I中求得的Zernike係數。
或者，可針對調制轉換函數、點擴散函數以及融合後係數組分別預先建立並訓練好對應的檢查模型。將融合後係數組、點擴散函數與調制轉換函數至少其中一者輸入至其對應的檢查模型，以判定瑕疵程度或待測物等級。所述檢查模型可採用支持向量機（Support Vector Machine，SVM）、DNN、極限梯度提升（eXtreme Gradient Boosting，XGBoost）等所訓練的分類模型，或者採用SVR、高斯過程等所訓練的回歸模型。
以對應於MTF的檢查模型而言，在檢查模型的訓練階段：對各品質級別的產品進行抽樣取得各品質級別產品之樣本，針對各樣本透過上述方式取得MTF值，再將MTF值設定為特徵X，品質級別設定為Y，進而訓練或導出一個檢查模型（分類模型）。在檢查模型的實用階段：對待測物的干涉影像使用上述方法來預測MTF值，之後將MTF值設定為檢測模型的X，代入檢測模型而獲得品質級別Y。在此，品質級別包括“
優良”、“良好”、“一般”、“小瑕疵”、“大瑕疵”。對應於PSF或融合後係數組的檢查模型亦可參照上述說明來推得。
圖3是依照本發明一實施例的判斷瑕疵的架構圖。如圖3所示，干涉影像輸入至神經網路模型1～N而獲得N組Zernike係數。之後，對這些Zernike係數進行融合而獲得最終的融合係數組，再利用融合係數組計算出點擴散函數與調制轉換函數後，便可利用融合係數組、點擴散函數與調制轉換函數來判斷鏡片（待測物）是否有瑕疵。
綜上所述，本揭露從光學角度來獲得一個科學方法，即，從干涉影像回推出Zernike係數，再由Zernike係數導出點擴散函數與調制轉換函數，進而來判斷待測物的品質。
100:電子裝置
110:處理器
120:儲存設備
S205～S220:基於影像辨識來判斷瑕疵的方法各步驟
圖1是依照本發明一實施例的電子裝置的方塊圖。
圖2是依照本發明一實施例的基於影像辨識來判斷瑕疵的方法流程圖。
圖3是依照本發明一實施例的判斷瑕疵的架構圖。
S205~S220:基於影像辨識來判斷瑕疵的方法各步驟
Claims (10)
- 一種基於影像辨識來判斷瑕疵的方法，其是利用一處理器來執行多個步驟，包括： 輸入對應一待測物的一干涉影像至已訓練的多個神經網路模型，以獲得多組澤爾尼克係數； 基於所述多組澤爾尼克係數獲得一融合後係數組； 利用該融合後係數組，計算一點擴散函數與一調制轉換函數；以及 基於該融合後係數組、該點擴散函數與該調制轉換函數，判斷該待測物是否有瑕疵。
- 如請求項1所述的基於影像辨識來判斷瑕疵的方法，其中該些神經網路模型包括採用一卷積神經網路、一自動編碼器以及一生成對抗網路的模型。
- 如請求項1所述的基於影像辨識來判斷瑕疵的方法，其中基於所述多組澤爾尼克係數獲得該融合後係數組的步驟包括： 採用一平均法、一中位數、一最大值、一最小值以及一加權平均其中一者以在所述多組澤爾尼克係數中獲得該融合後係數組。
- 如請求項1所述的基於影像辨識來判斷瑕疵的方法，其中基於所述多組澤爾尼克係數獲得該融合後係數組的步驟包括： 採用一投票機制以在所述多組澤爾尼克係數中獲得該融合後係數組。
- 如請求項1所述的基於影像辨識來判斷瑕疵的方法，其中基於該融合後係數組、該點擴散函數與該調制轉換函數，判斷該待測物是否有瑕疵的步驟包括： 將該融合後係數組、該點擴散函數以及該調制轉換函數至少其中一者與其對應的一或多個閾值進行比對，以判定一瑕疵程度或一待測物等級。
- 如請求項1所述的基於影像辨識來判斷瑕疵的方法，其中基於該融合後係數組、該點擴散函數與該調制轉換函數，判斷該干涉影像是否有瑕疵的步驟包括： 將該融合後係數組、該點擴散函數以及該調制轉換函數至少其中一者輸入至其對應的一檢查模型，以判定一瑕疵程度或一待測物等級。
- 一種電子裝置，包括： 一儲存設備，包括已訓練的多個神經網路模型； 一處理器，耦接至該儲存設備，且經配置以： 輸入對應於一待測物的一干涉影像至該些神經網路模型，以獲得多組澤爾尼克係數； 基於所述多組澤爾尼克係數獲得一融合後係數組； 利用該融合後係數組，計算一點擴散函數與一調制轉換函數；以及 基於該融合後係數組、該點擴散函數與該調制轉換函數，判斷該待測物是否有瑕疵。
- 如請求項7所述的電子裝置，其中該些神經網路模型包括採用一卷積神經網路、一自動編碼器以及一生成對抗網路的模型。
- 如請求項7所述的電子裝置，其中該處理器經配置以： 採用一平均法、一中位數、一最大值、一最小值、一加權平均以及一投票機制其中一者以在所述多組澤爾尼克係數中獲得該融合後係數組。
- 如請求項7所述的電子裝置，其中該處理器經配置以： 將該融合後係數組、該點擴散函數以及該調制轉換函數至少其中一者與其對應的一或多個閾值進行比對，以判定一瑕疵程度或一待測物等級；或者 將該融合後係數組、該點擴散函數以及該調制轉換函數至少其中一者輸入至其對應的一檢查模型，以判定一瑕疵程度或一待測物等級。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111126380A TWI819698B (zh) | 2022-07-14 | 2022-07-14 | 判斷瑕疵的方法及電子裝置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111126380A TWI819698B (zh) | 2022-07-14 | 2022-07-14 | 判斷瑕疵的方法及電子裝置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI819698B true TWI819698B (zh) | 2023-10-21 |
| TW202403605A TW202403605A (zh) | 2024-01-16 |
Family
ID=89857541
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111126380A TWI819698B (zh) | 2022-07-14 | 2022-07-14 | 判斷瑕疵的方法及電子裝置 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI819698B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120019529A1 (en) * | 2006-11-19 | 2012-01-26 | Tom Kimpe | Display assemblies and computer programs and methods for defect compensation |
| US20200191751A1 (en) * | 2018-12-17 | 2020-06-18 | Shimadzu Corporation | Inspection apparatus and inspection method |
| US20210295485A1 (en) * | 2016-12-06 | 2021-09-23 | Mitsubishi Electric Corporation | Inspection device and inspection method |
-
2022
- 2022-07-14 TW TW111126380A patent/TWI819698B/zh active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120019529A1 (en) * | 2006-11-19 | 2012-01-26 | Tom Kimpe | Display assemblies and computer programs and methods for defect compensation |
| US20210295485A1 (en) * | 2016-12-06 | 2021-09-23 | Mitsubishi Electric Corporation | Inspection device and inspection method |
| US20200191751A1 (en) * | 2018-12-17 | 2020-06-18 | Shimadzu Corporation | Inspection apparatus and inspection method |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202403605A (zh) | 2024-01-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10769761B2 (en) | Generating high resolution images from low resolution images for semiconductor applications | |
| KR20190004000A (ko) | 반도체 애플리케이션을 위한 신경망 및 순방향 물리적 모델을 포함하는 방법 및 시스템 | |
| US20050225724A1 (en) | Corneal topography analysis system | |
| JP7131617B2 (ja) | 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体 | |
| Suárez Gómez et al. | Improving adaptive optics reconstructions with a deep learning approach | |
| KR20220050083A (ko) | 제품 생산 라인 상의 비전 검사를 위한 ai 기반의 신규 학습 모델 생성 시스템 | |
| Simanjuntak et al. | Cataract classification based on fundus images using convolutional neural network | |
| Yang et al. | Surface defect detection method for air rudder based on positive samples | |
| TWI819698B (zh) | 判斷瑕疵的方法及電子裝置 | |
| CN113989217A (zh) | 一种基于深度学习的人眼屈光度检测方法 | |
| Choudhary et al. | Determination of rate of degradation of iron plates due to rust using image processing | |
| CN113298700A (zh) | 一种在散射场景中的高分辨图像重构方法 | |
| Sengar et al. | An efficient artificial intelligence-based approach for diagnosis of media haze disease | |
| CN116664928A (zh) | 一种基于CNN与Transformer的糖尿病视网膜病变分级方法与*** | |
| CN116468686A (zh) | 一种基于软优化知识蒸馏的带钢表面缺陷识别方法 | |
| Saleh et al. | Detection of air bubbles from tire shearography images | |
| CN110942448B (zh) | 一种基于卷积神经网络的定量相位图像识别方法 | |
| Ke et al. | Green coffee bean defect detection using shift-invariant features and non-local block | |
| UÇAR et al. | Applying capsule network on Kannada-MNIST handwritten digit dataset | |
| Jadah et al. | Breast Cancer Image Classification Using Deep Convolutional Neural Networks | |
| Guzman et al. | Dynamic laser speckle: decision models with computational intelligence techniques | |
| CN117617888B (zh) | 一种近视屈光度的预测***及方法 | |
| Daigle et al. | Automatic detection of expanding HI shells in the Canadian galactic plane survey data | |
| CN212460580U (zh) | 基于深度学习和光学反射结构的沸腾现象判断装置 | |
| CN113408401B (zh) | 一种基于机器学习的船行波快速自动识别方法及装置 |