CN108108745A - 分类方法、分类模块及计算机程序产品 - Google Patents
分类方法、分类模块及计算机程序产品 Download PDFInfo
- Publication number
- CN108108745A CN108108745A CN201710027391.XA CN201710027391A CN108108745A CN 108108745 A CN108108745 A CN 108108745A CN 201710027391 A CN201710027391 A CN 201710027391A CN 108108745 A CN108108745 A CN 108108745A
- Authority
- CN
- China
- Prior art keywords
- data
- sorted
- learning
- class
- sorting technique
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000004590 computer program Methods 0.000 title claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 27
- 238000006243 chemical reaction Methods 0.000 claims description 36
- 230000004888 barrier function Effects 0.000 claims description 29
- 241001269238 Data Species 0.000 claims description 11
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 230000004044 response Effects 0.000 abstract description 4
- 238000012512 characterization method Methods 0.000 description 5
- 238000007689 inspection Methods 0.000 description 5
- 238000012706 support-vector machine Methods 0.000 description 5
- 238000012805 post-processing Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 239000010749 BS 2869 Class C1 Substances 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 239000006071 cream Substances 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一种分类方法、分类模块及计算机程序产品。分类方法包括以下步骤。首先,提供一分类模块,分类模块包括一深度神经网络。然后,取得一待分类数据。然后,深度神经网络自动撷取待分类数据的一特征反应。然后,判断待分类数据的特征反应是否落在多笔学习数据的一界线范围内,所述学习数据分属于多个类别。然后,若待分类数据的特征反应落在界线范围内,深度神经网络依据所述学习数据,判断待分类数据所属的类别。
Description
技术领域
本发明是有关于一种分类方法、分类模块及计算机程序产品。
背景技术
现有技术对于待分类数据的分类方法通常是以自动光学检测(AutomatedOptical Inspection,AOI)对产品撷取一影像,然后分析影像的特征,以对影像进行瑕疵判断或瑕疵分类。为了因应自动光学检测的假警报率(false alarm),通常会加入机器学习(machine learning)为主的瑕疵分类单元对影像进一步过筛。但瑕疵分类单元在执行分类前,需要事先以大量人力进行人工分类。因此,如何减少人工分类工时是本技术领域业者努力目标之一。
发明内容
因此,本发明提出一种分类方法、分类模块及计算机程序产品,可改善现有技术问题。
根据本发明的一实施例,提出一种分类方法。分类方法包括以下步骤。提供一分类模块,分类模块包括一深度神经网络(Deep Neural Network,DNN);取得一待分类数据;深度神经网络自动撷取待分类数据的一特征反应;判断待分类数据的特征反应是否落在多笔学习数据的一界线范围内,所述学习数据分属于多个类别;以及,若待分类数据的特征反应落在界线范围内,深度神经网络依据所述学习数据,判断待分类数据所属的类别。
根据本发明的另一实施例,提出一种分类模块。分类模块包括一深度神经网络及一判断单元。深度神经网络用以自动撷取一待分类数据的一特征反应。判断单元用以判断待分类数据的特征反应是否落在多笔学习数据的一界线范围内,所述学习数据分属于多个类别。若待分类数据的特征反应落在界线范围内,深度神经网络依据所述学习数据,判断待分类数据所属的类别。
根据本发明的另一实施例,提出一种计算机程序产品。计算机程序产品经由一处理器加载程序执行以下步骤。自动撷取一待分类数据的一特征反应;判断待分类数据的特征反应是否落在多笔学习数据的一界线范围内,其中所述学习数据分属于多个类别;以及,若待分类数据的特征反应落在界线范围内,依据所述学习数据判断待分类数据所属的类别。
为了对本发明上述及其他方面有更佳的了解,下文特列举较佳实施例,并配合所附附图,作详细说明如下:
附图说明
图1绘示依照本发明一实施例的分类方法的流程图。
图2绘示依照本发明一实施例的分类系统的功能方块图。
图3绘示依照本发明一实施例的深度神经网络学习多笔学习数据的流程图。
【附图标记说明】
10:分类系统
11:待分类数据取得单元
12:后处理站
100:分类模块
110:自动特征撷取单元
120:判断单元
130:训练分类单元
140:学习数据界线单元
C1:类别
C11:正常类
C11:瑕疵类
D1:数据库
M1:待分类数据
M2:学习数据
100:分类模块
S110、S120、S130、S140、S150、S155、S160、S165、S170、S175、S180、S210、S220、S230:步骤
具体实施方式
请参照图1,其绘示依照本发明一实施例的分类方法的流程图。
在步骤S110中,如图2所示,其绘示依照本发明一实施例的分类系统10的功能方块图。提供一分类系统10。分类系统10包括待分类数据取得单元11、分类模块100及后处理站12。分类模块100包括自动特征撷取单元110、判断单元120、训练分类单元130及学习数据界线单元140。自动特征撷取单元110与训练分类单元130可以由深度神经网络(DeepNeuralNetwork,DNN)实现。可采用多种网络架构实现深度神经网络,例如有LeNet、AlexNet、VGG-Net、GoogleNet、ResNet及Wide residual network。本发明实施例以AlexNet为例说明。
此外,分类模块100可整合至一处理器(未绘示)中,也可独立于处理器且受控于处理器。前述处理器例如是中央处理器或运算处理器。另外,分类模块100可以软件或韧体形式实现,也可以半导体电路或其它电路形式实现。
在步骤S120中,待分类数据取得单元11取得待分类数据M1。举例来说,待分类数据取得单元11例如是自动光学检测(Automated Optical Inspection,AOI),其可撷取一产品的待分类数据M1,其中的产品例如是电路板、晶圆、显示面板或其它适以在生产线上生产的任何产品,而待分类数据M1例如是该产品的影像。在生产线中,每个产品都可通过步骤S120~S180的流程进行瑕疵判断和/或分类。
在步骤S130中,自动特征撷取单元110自动撷取待分类数据M1的特征反应。此特征反应例如是待分类数据M1的特定特征的反应程度。若待分类数据M1的特定特征的特征反应越强,表示待分类数据M1具有该特定特征的机率越大。以特定特征为瑕疵类的特征(例如是元件错位或锡膏偏移)举例来说,若瑕疵特征的特征反应越强,表示待分类数据M1具有瑕疵特征的机率越大。此外,待分类数据M1可具有一个或一个以上的特定特征。分类模块100依据待分类数据M1的特定特征判断待分类数据M1的类别。
在步骤S140中,判断单元120判断待分类数据M1的特征反应是否落在多笔学习数据M2的界线范围内。所述学习数据M2可储存在数据库D1内,而数据库D1可以储存在判断单元120或分类模块100的其它部件中,也可储存在另外的存储器内。本发明实施例的类别C1以两个为例说明,如正常类C11及瑕疵类C12。全部学习数据M2分属于多个类别C1,例如所述学习数据M2的一者或一些属于正常类C11,而所述学习数据M2的其它者则属于瑕疵类C12。在另一实施例中,类别C1的数量可以超过两个,且类别也不限于正常类及瑕疵类,也可以是其它种类的类别。类别C1可以视待分类数据M1的特性而定,本发明实施例不加以限定。此外,各学习数据M2可具有一个或一个以上的特定特征。
此外,属于瑕疵类C1的学习数据M2的笔数足够多,可提升对于瑕疵类C12的分类准确度。在一实施例中,属于瑕疵类C12的学习数据M2的笔数与属于正常类C11的学习数据M2的笔数大致上相等,如各为500笔。
若待分类数据M1的特征反应落在界线范围内,表示待分类数据M1属于所述类别C1的其中一者,如属于正常类C11与瑕疵类C12之一,则进入步骤S150;若待分类数据M1的特征反应落在界线范围外,表示待分类数据M1不属于所述学习数据M2的一者,因此无法判断待分类数据M1的所属类别,则进入步骤S175。
在步骤S150中,若待分类数据M1的特征反应落在界线范围内,训练分类单元130可依据数据库D1内的所述学习数据M2,判断待分类数据M1的所属类别C1,例如,判断待分类数据M1是属于正常类C11或瑕疵类C12。
在步骤S155中,训练分类单元130判断待分类数据M1是否属于多个类别C1的一再确认类别,如瑕疵类。若是,则进入步骤S160,在后处理站12对待分类数据M1以人工进行再确认。若否,表示待分类数据M1为非瑕疵类,进入步骤S165。在步骤S165中,由于待分类数据M1非属于瑕疵类,在信任分类模块100的判断结果下,分类模块100或人工可不对待分类数据M1进行后续处理。如此,可省去对此笔待分类数据M1的人工处理工时。
在步骤S160中,在后处理站12中,以人工再确认待分类数据M1是否确实属于瑕疵类。经再确认后,无论待分类数据M1是否属于瑕疵类,分类模块100都会对待分类数据M1贴卷标。本文的「贴标签」意指:分类模块100依据人工的输入,对待分类数据M1所做出的定义,例如,依据人工的输入,对待分类数据M1进行类别设定义。然后,由于已贴标签,无论待分类数据M1是否属于瑕疵类,流程都进入步骤S170。
在步骤S170中,学习数据界线单元140将待分类数据M1列为所述学习数据M2的一员。如此,可扩大学习数据M2的笔数,以降低人工对下一笔待分类数据M1进行人工分类的机率,进而减少人工分类工时。接着,分类方法可回到步骤S120,继续对下一笔待分类数据M1进行分类。
此外,学习数据界线单元140可针对新的学习数据M2决定全部学习数据M2的新的界线范围。或者,学习数据界线单元140可以等到新的学习数据M2累积多笔后,再对全部的学习数据M2决定新的界线范围。后续对于待分类数据M1的特征反应是否落在界线范围内的判断则以新的界线范围为准。在一实施例中,学习数据界线单元140可采用例如是单类别支持向量机(one-class SVM)来实现。单类别支持向量机可采用多种算法完成,例如是主成分分析(PCA)相关技术、自动编码技术(autoencoder)、机率参数(比如Gaussian模型)及非参数化(比如Parzen window方法)相关技术、单类别支持向量机(one-class SVM)、支持向量数据描述方法SVDD(support vector domain description)、以及邻近算法(NearestNeighbor)。本发明实施例的单类别支持向量机以OC-SVMs为例说明。
回到步骤S140,若待分类数据M1的特征反应落在界线范围外,表示待分类数据M1不属于所述学习数据M2的一者,因此无法判断待分类数据M1的所属类别,因此进入步骤S175。
在步骤S175中,以人工对待分类数据M1进行分类。例如,以人工判断待分类数据M1的类别,如正常类C11或瑕疵类C12,然后分类模块100对待分类数据M1贴卷标,以将该类别设定给待分类数据M1。
在步骤S180中,学习数据界线单元140将待分类数据M1列为所述学习数据M2的一员。如此,可扩大学习数据M2的笔数,以降低人工对下一笔待分类数据M1进行人工分类的机率,进而减少人工分类工时。接着,分类方法可回到步骤S120,继续对下一笔待分类数据M1进行分类。
相似地,学习数据界线单元140可针对新的学习数据M2决定全部学习数据M2的新的界线范围。或者,学习数据界线单元140可以等到新的学习数据M2累积多笔后,再对全部的学习数据M2决定新的界线范围。后续对于待分类数据M1的特征反应是否落在界线范围内的判断则以新的界线范围为准。
请参照图3,其绘示依照本发明一实施例的深度神经网络学习多笔学习数据M2的流程图。
在步骤S210中,深度神经网络(自动特征撷取单元110及训练分类单元130)学习已知类别的学习数据M2的特征反应。所述已知类别的学习数据M2例如是由待分类数据取得单元11取得,然后由人工先进行分类,再交由深度神经网络学习。在重复步骤S210数次后,可获得多笔学习数据M2个别的特征反应。接着,在步骤S220中,若学习数据M2为最后一笔,则进入步骤S230;若否,则回到步骤S210,深度神经网络继续下一笔学习数据M2的特征反应。在步骤S230中,学习数据界线单元140可采用例如是单类别支持向量机来决定所述学习数据M2的界线范围。
如下表1所示,第1批数据为学习数据M2,第2~4批数据为待分类数据M1,其中第2批待分类数据M1、第3批待分类数据M1及第4批待分类数据M1的笔数都为1000笔。由表1可知,在应用本发明实施例的分类方法下,第2批数据只有769笔需要人工分类,第3批数据只有721笔需要人工分类,而第4批数据只有703笔需要人工分类。以全部待分类数据M1(3000笔)来说,大约可减少26.9%的人工分类率,即,节省26.9%的人工分类工时。
进一步来说,本发明实施例的判断单元120及学习数据界线单元140是有别于深度神经网络而设。详细来说,深度神经网络本身并不具备判断单元120及学习数据界线单元140的功能,因此单以深度神经网络进行分类,需要对全部的待分类数据M1进行人工分类。由于本发明实施例的分类方法包含判断单元120及学习数据界线单元140,因此可减少人工分类的工时,提升整体的分类效率。
表1
如下表2所示,第1批数据为1000笔学习数据M2,其采用图3的流程,由深度神经网络(DNN)进行学习。第2~4批数据各为1000笔待分类数据M1,其采用前述分类方法进行分类。由表2可知,在第1+2批数据中,仅以深度神经网络进行分类的查准率(Precision)、查全率(Recall)及F值(F-measure)分别是94.99%、91%及92.95%,而搭配本发明的判断单元120及学习数据界线单元140的进行分类的查准率、查全率及F值分别是95.19%、91%及93.05%,二者比较后差异不大。换句话说,本发明实施例的分类方法的查准率、查全率及F值接近深度神经网络的分类水平。第1+2+3批数据及第1+2+3+4批数据也有类似技术效果,于此不再赘述。
表2
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (16)
1.一种分类方法,其特征在于该分类方法包括:
提供一分类模块,该分类模块包括一深度神经网络;
取得一待分类数据;
该深度神经网络自动撷取该待分类数据的一特征反应;
判断该待分类数据的该特征反应是否落在多笔学习数据的一界线范围内,所述学习数据分属于多个类别;
若该待分类数据的该特征反应落在该界线范围内,该深度神经网络依据所述学习数据,判断该待分类数据所属的该类别。
2.如权利要求1所述的分类方法,其特征在于该分类方法还包括:
若该待分类数据的该特征反应未落在该界线范围内,对该分类数据进行分类。
3.如权利要求2所述的分类方法,其特征在于在对该待分类数据进行分类动作的步骤后,该分类方法还包括:
将该待分类数据增列成所述学习数据的一员。
4.如权利要求1所述的分类方法,其特征在于所述类别包括一瑕疵类;于判断该待分类数据所属的该类别的步骤中包括:
判断该待分类数据是否属于该瑕疵类;
该分类方法还包括:
若该待分类数据属于该瑕疵类,对该待分类数据进行再确认。
5.如权利要求4所述的分类方法,其特征在于该分类方法还包括:
若该待分类数据经再确认后确认属于该瑕疵类,将该待分类数据增列成所述学习数据的一员。
6.如权利要求4所述的分类方法,其特征在于该分类方法还包括:
若该待分类数据经再确认后确认不属于该瑕疵类,将该待分类数据增列成所述学习数据的一员。
7.如权利要求1所述的分类方法,其特征在于该待分类数据为影像。
8.如权利要求1所述的分类方法,其特征在于所述学习数据分属于一瑕疵类及一正常类,该瑕疵类的所述学习数据的笔数与该正常类的所述学习数据的笔数相等。
9.如权利要求1所述的分类方法,其特征在于在判断该待分类数据的该特征反应是否落在该界线范围内的步骤前,该分类方法还包括一学习过程,该学习过程包括:
取得多个该学习数据;
该深度神经网络学习所述学习数据个别的该特征反应;以及
决定所述学习数据的该界线范围。
10.一种分类模块,其特征在于该分类模块包括:
一深度神经网络,用以自动撷取一待分类数据的一特征反应;
一判断单元,用以判断该待分类数据的该特征反应是否落在多笔学习数据的一界线范围内,所述学习数据分属于多个类别;
其中,若该待分类数据的该特征反应落在该界线范围内,该深度神经网络依据所述学习数据,判断该待分类数据所属的该类别。
11.如权利要求10所述的分类模块,其特征在于该分类模块还包括:
一学习数据界线单元,用以将该待分类数据增列成所述学习数据的一员。
12.如权利要求10所述的分类模块,其特征在于所述类别包括一瑕疵类;该深度神经网络还用以判断该待分类数据是否属于该瑕疵类。
13.如权利要求10所述的分类模块,其特征在于该待分类数据为影像。
14.如权利要求10所述的分类模块,其特征在于所述学习数据分属于一瑕疵类及一正常类,该瑕疵类的所述学习数据的笔数与该正常类的所述学习数据的笔数相等。
15.如权利要求10所述的分类模块,其特征在于该深度神经网络还用以学习所述学习数据个别的所述特征反应;该分类模块还包括:
一学习数据界线单元,用以决定所述学习数据的该界线范围。
16.一种计算机程序产品,其特征在于经由一处理器加载该程序执行:
自动撷取一待分类数据的一特征反应;
判断该待分类数据的该特征反应是否落在多笔学习数据的一界线范围内,其中所述学习数据分属于多个类别;以及
若该待分类数据的该特征反应落在该界线范围内,依据所述学习数据判断该待分类数据所属的该类别。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW105138415 | 2016-11-23 | ||
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 (1)
Publication Number | Publication Date |
---|---|
CN108108745A true CN108108745A (zh) | 2018-06-01 |
Family
ID=61230806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710027391.XA Pending CN108108745A (zh) | 2016-11-23 | 2017-01-13 | 分类方法、分类模块及计算机程序产品 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10489687B2 (zh) |
CN (1) | CN108108745A (zh) |
TW (1) | TWI608369B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109657718A (zh) * | 2018-12-19 | 2019-04-19 | 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 |
CN111276411A (zh) * | 2018-12-04 | 2020-06-12 | 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 |
CN111742214A (zh) * | 2019-01-22 | 2020-10-02 | 株式会社高迎科技 | 基板检查装置及丝网印刷机的缺陷类型确定方法 |
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 |
Families Citing this family (9)
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 |
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 |
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 |
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 |
CN109934814B (zh) | 2019-03-15 | 2022-02-01 | 英业达科技有限公司 | 表面缺陷侦测系统及其方法 |
US11609187B2 (en) * | 2019-05-15 | 2023-03-21 | Getac Technology Corporation | Artificial neural network-based method for selecting surface type of object |
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、系统、方法及计算机程序产品 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739685A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标分类方法及其系统 |
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 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 |
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 |
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 |
CN103324937A (zh) * | 2012-03-21 | 2013-09-25 | 日电(中国)有限公司 | 标注目标的方法和装置 |
CN103400144A (zh) * | 2013-07-17 | 2013-11-20 | 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 |
CN104766097A (zh) * | 2015-04-24 | 2015-07-08 | 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 |
CN105184818A (zh) * | 2015-09-06 | 2015-12-23 | 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系统 |
Family Cites Families (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
IL149588A (en) * | 2001-05-11 | 2007-07-24 | 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 |
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 |
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 |
US8315453B2 (en) * | 2010-07-27 | 2012-11-20 | Applied Materials Israel, Ltd. | Defect classification with optimized purity |
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系统 |
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 |
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 |
US9730643B2 (en) * | 2013-10-17 | 2017-08-15 | Siemens Healthcare Gmbh | Method and system for anatomical object detection using marginal space deep neural networks |
US9953425B2 (en) * | 2014-07-30 | 2018-04-24 | Adobe Systems Incorporated | Learning image categorization using related attributes |
US10650508B2 (en) * | 2014-12-03 | 2020-05-12 | Kla-Tencor Corporation | Automatic defect classification without sampling and feature selection |
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 |
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 |
TWI737659B (zh) * | 2015-12-22 | 2021-09-01 | 以色列商應用材料以色列公司 | 半導體試樣的基於深度學習之檢查的方法及其系統 |
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 (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101739685A (zh) * | 2009-02-11 | 2010-06-16 | 北京智安邦科技有限公司 | 运动目标分类方法及其系统 |
CN101853400A (zh) * | 2010-05-20 | 2010-10-06 | 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 |
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 |
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 |
CN103324937A (zh) * | 2012-03-21 | 2013-09-25 | 日电(中国)有限公司 | 标注目标的方法和装置 |
CN103400144A (zh) * | 2013-07-17 | 2013-11-20 | 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 |
CN104766097A (zh) * | 2015-04-24 | 2015-07-08 | 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 |
CN105184818A (zh) * | 2015-09-06 | 2015-12-23 | 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系统 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111276411A (zh) * | 2018-12-04 | 2020-06-12 | 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 |
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 |
CN109657718A (zh) * | 2018-12-19 | 2019-04-19 | 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 |
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 |
CN111742214A (zh) * | 2019-01-22 | 2020-10-02 | 株式会社高迎科技 | 基板检查装置及丝网印刷机的缺陷类型确定方法 |
CN111742214B (zh) * | 2019-01-22 | 2023-10-20 | 株式会社高迎科技 | 基板检查装置及丝网印刷机的缺陷类型确定方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
US10489687B2 (en) | 2019-11-26 |
TW201820176A (zh) | 2018-06-01 |
US20180144216A1 (en) | 2018-05-24 |
TWI608369B (zh) | 2017-12-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108108745A (zh) | 分类方法、分类模块及计算机程序产品 | |
US10964004B2 (en) | Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program, and deep learning system thereof | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN111008640B (zh) | 图像识别模型训练及图像识别方法、装置、终端及介质 | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
CN109813717A (zh) | 缺陷检查方法 | |
CN110503161B (zh) | 一种基于弱监督yolo模型的矿石泥团目标检测方法和系统 | |
CN110728681B (zh) | 一种Mura缺陷检测方法及装置 | |
JP2014178229A (ja) | 教師データ作成方法、画像分類方法および画像分類装置 | |
CN110083728B (zh) | 一种优化自动化图片数据清洗质量的方法、装置和系统 | |
CN116843650A (zh) | 融合aoi检测与深度学习的smt焊接缺陷检测方法及系统 | |
CN110610193A (zh) | 标注数据的处理方法及装置 | |
US6336086B1 (en) | Method and system for analyzing wafer processing order | |
JP2017054331A (ja) | 画像分類方法、分類器の構成方法および画像分類装置 | |
CN111914902A (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
CN107748898A (zh) | 文件分类方法、装置、计算设备及计算机存储介质 | |
CN113379686A (zh) | 一种pcb板缺陷检测方法及装置 | |
CN110163206B (zh) | 车牌识别方法、系统、存储介质和装置 | |
Fan et al. | Classification of imbalanced data using deep learning with adding noise | |
CN114821551A (zh) | 遗留物检测以及模型训练方法、装置和存储介质 | |
CN206897873U (zh) | 一种基于检测产品特性的图像处理与检测系统 | |
CN115861306B (zh) | 一种基于自监督拼图模块的工业品异常检测方法 | |
CN111161233A (zh) | 一种用于冲孔皮革缺陷检测方法及系统 | |
CN112052881B (zh) | 基于多尺度近端特征拼接的高光谱图像分类模型的装置 | |
CN113780334A (zh) | 基于两阶段混合特征选择的高维数据分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |