CN108830850A - 自动光学检测图片分析方法及设备 - Google Patents
自动光学检测图片分析方法及设备 Download PDFInfo
- Publication number
- CN108830850A CN108830850A CN201810688763.8A CN201810688763A CN108830850A CN 108830850 A CN108830850 A CN 108830850A CN 201810688763 A CN201810688763 A CN 201810688763A CN 108830850 A CN108830850 A CN 108830850A
- Authority
- CN
- China
- Prior art keywords
- picture
- discriminant
- aoi
- program
- given
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 86
- 238000007689 inspection Methods 0.000 title claims abstract description 45
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 27
- 238000013135 deep learning Methods 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 93
- 238000004458 analytical method Methods 0.000 claims description 82
- 230000008569 process Effects 0.000 claims description 49
- 230000003287 optical effect Effects 0.000 claims description 44
- 238000013528 artificial neural network Methods 0.000 claims description 18
- 238000013507 mapping Methods 0.000 claims description 18
- 238000004088 simulation Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 10
- 238000007405 data analysis Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000009795 derivation Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 5
- 230000007547 defect Effects 0.000 description 24
- 238000010586 diagram Methods 0.000 description 21
- 238000005516 engineering process Methods 0.000 description 20
- 238000004519 manufacturing process Methods 0.000 description 18
- 238000004364 calculation method Methods 0.000 description 12
- 238000013461 design Methods 0.000 description 12
- 238000001514 detection method Methods 0.000 description 8
- 238000009740 moulding (composite fabrication) Methods 0.000 description 7
- 239000010408 film Substances 0.000 description 6
- 239000000758 substrate Substances 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 239000004973 liquid crystal related substance Substances 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 239000003292 glue Substances 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000000306 recurrent effect Effects 0.000 description 3
- 230000000717 retained effect Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 2
- 238000005229 chemical vapour deposition Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 239000011248 coating agent Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 230000008094 contradictory effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 239000010409 thin film Substances 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 238000004026 adhesive bonding Methods 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 210000003618 cortical neuron Anatomy 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000001312 dry etching Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004070 electrodeposition Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- AMGQUBHHOARCQH-UHFFFAOYSA-N indium;oxotin Chemical compound [In].[Sn]=O AMGQUBHHOARCQH-UHFFFAOYSA-N 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 210000000857 visual cortex Anatomy 0.000 description 1
Classifications
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种自动光学检测图片分析方法及设备。该自动光学检测图片分析方法,包括:获取自动光学检测AOI图片;获取由人工智能AI程序经过深度学习算法训练得到的图片判别式;根据所述图片判别式对所述AOI图片进行识别。本发明提供的方案,能大大提高AOI图片分析效率,降低成本。
Description
技术领域
本发明涉及平板显示技术领域,具体涉及一种自动光学检测图片分析方法及设备。
背景技术
随着显示技术的发展,出现了各种各样的显示器产品,例如LCD(Liquid CrystalDisplay,液晶显示器)和OLED(Organic Light Emitting Diode,有机发光二极管)显示器等,其中TFT(Thin Film Transistor,薄膜晶体管)液晶显示器产品在目前市场中也占有重要位置。
在TFT液晶显示器行业,对AOI(Automatic Optic Inspection,自动光学检测)图片分析需求巨大,产品的各种缺陷一般都需通过AOI图片分析发现。AOI是新兴起的一种新型检测技术,基于光学原理来对相关产品例如面板产品等遇到的常见缺陷进行检测,其通过摄像头自动扫描,采集图像生成AOI图片。目前产品检测中,每天几乎产生上万张AOI图片,然后对这些AOI图片进行分析,发现其中存在的缺陷。但是,目前对AOI图片的分析基本都是采用人工判断,效率很低,也无法从海量数据中快速总结规律。
AI(Artificial Intelligence,人工智能),是一门是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是计算机科学的一个分支,该领域的研究包括机器人、语言识别、图像识别、自然语言处理和专家系统等。人工智能从诞生以来,理论和技术日益成熟,应用领域也不断扩大。在2012结合深度学习算法和大数据后,AI图片识别技术也取得巨大进步,图片识别错误率不断下降,在2015年公开的图片识别错误率已低于3.57%,但与突破性技术进步形成反差的是转化为实际应用的比例仍很小。AI技术特别是图片识别技术取得图片性发展主要是得益于大数据的使用和深度学习的运用。深度学习(也为深度结构学习、层次学习或深度机器学习)是一类算法集合,是机器学习的一个分支。它尝试为数据的高层次摘要进行建模。典型的深度学习结构有深度前馈网络、卷积神经网络、递归神经网络等。
平板显示行业目前还未出现将AOI技术与AI技术结合的检测分析方案,因此,业界希望能将AOI技术与AI技术相结合,提供一种新的能极大提高分析效率的自动光学检测图片分析方法。
发明内容
有鉴于此,本发明的目的在于提出一种自动光学检测图片分析方法及设备,能大大提高AOI图片分析效率,降低成本。
根据本发明的一个方面,提供一种自动光学检测图片分析方法,包括:
获取自动光学检测AOI图片;
获取由人工智能AI程序经过深度学习算法训练得到的图片判别式;
根据所述图片判别式对所述AOI图片进行识别。
优选的,所述图片判别式按照以下方式预先生成:
获取输入的给定图片;
由所述AI程序对所述获取的给定图片进行设定运算,得到所述给定图片的特征值或特征函数;
根据给定图片的图片标记与所述给定图片的每个特征值或特征函数生成图片判别式,形成所述给定图片的图片判别式集合;
通过校验处理,从所述图片判别式集合中择优选择供识别使用的图片判别式。
优选的,所述由所述AI程序对所述获取的给定图片进行设定运算,包括:
由所述AI程序对获取的给定图片进行确定函数运算和/或不确定函数运算。
优选的,所述由所述AI程序对获取的给定图片进行确定函数运算,包括:
由所述AI程序对获取的给定图片进行像素数据分析运算、色块分析运算、形状分析运算、卷积神经网络运算、递归神经网络运算、拓扑运算或重构运算。
优选的,所述由所述AI程序对获取的给定图片进行不确定函数的运算,包括:
由所述AI程序对获取的给定图片按以下不确定函数公式运算:
函数Y=a1?a2...?an=f(a1,a2,...an);
其中,所述an为所述AI程序从进行确定函数运算得到的数据中随机选取的数据,所述?为从加、减、乘、除、积分或求导运算中随机选取的运算符号。
优选的,所述获取输入的给定图片,包括:
获取输入的AOI图片;或,
获取输入的AOI图片和产品目标图形。
优选的,在由所述AI程序对获取的给定图片进行确定函数运算的情况下,当通过校验处理,从所述图片判别式集合中择优选择供识别使用的图片判别式未满足设定要求时,所述方法还包括:
返回由所述AI程序对获取的给定图片进行设定运算的步骤,其中所述进行设定运算为进行不确定函数运算;和/或,
根据产品目标图形,对择优选择的供识别使用的图片判别式进行优化,得到优化后的供识别使用的图片判别式。
优选的,所述方法还包括:
根据对所述AOI图片进行识别的识别结果,查询由所述AI程序经过训练得到的工艺流程信息库,输出与所述识别结果映射对应的工艺流程信息;或者,
根据所述获取的AOI图片及对所述AOI图片进行识别的识别结果,生成模拟电路,运行所述模拟电路,输出运行结果。
根据本发明的另一个方面,提供一种自动光学检测图片分析设备,包括:
图片获取模块,用于获取自动光学检测AOI图片;
判别式获取模块,用于获取由人工智能AI程序经过深度学习算法训练得到的图片判别式;
分析识别模块,用于根据所述判别式获取模块获取的图片判别式对所述图片获取模块获取的AOI图片进行识别。
优选的,所述设备还包括判别式生成模块、流程识别模块或电路模拟模块;
其中,所述判别式生成模块,用于生成图片判别式,包括:获取输入的给定图片;由所述AI程序对所述获取的给定图片进行设定运算,得到所述给定图片的特征值或特征函数;根据给定图片的图片标记与所述给定图片的每个特征值或特征函数生成图片判别式,形成所述给定图片的图片判别式集合;通过校验处理,从所述图片判别式集合中择优选择供识别使用的图片判别式;所述判别式获取模块从所述判别式生成模块获取图片判别式;
流程识别模块,用于根据所述分析识别模块对所述AOI图片进行识别的识别结果,查询由所述AI程序经过训练得到的工艺流程信息库,输出与所述识别结果映射对应的工艺流程信息;
电路模拟模块,用于根据所述图片获取模块获取的AOI图片及所述分析识别模块对所述AOI图片进行识别的识别结果,生成模拟电路,运行所述模拟电路,输出运行结果。
可以发现,本发明实施例的技术方案,是获取由人工智能AI程序经过深度学习算法训练得到的图片判别式,再根据所述图片判别式对所述AOI图片进行识别,因为图片判别式是由AI程序经过AI算法训练得到,这样就相当于于利用AI算法来代替人工判定,相对于现有技术中AOI测试产生大量的图片均需人工进行判定导致效率低下的问题,本发明提供的方案,在平板显示行业内首次将AOI技术与AI技术结合,利用AI程序和深度学习算法生成可以用于自动识别图片的判别式,不仅能节省大量人力,而且能大幅提升数据的分析量,提高分析效率和准确性,从而发现更多平时不能发现的规律或结果,快速应对缺陷,提升产品良率。本发明方案并不依赖将固定的规律写进AI程序来完成图片识别,只需给予AI程序大量AOI图片数据进行训练,通过自我学习和总结,就可以得出识别结果。
进一步的,本发明实施例可以利用像素数据分析、色块分析、形状分析、神经网络算法、递归运算、拓扑运算等,对图片特征进行分析,构成判别式,另外还可以再通过不断增加图片数据来不断优选判别式,根据选择的判别式对AOI图片进行识别分析。
进一步的,本发明实施例还可以根据对所述AOI图片进行识别的识别结果,查询由人工智能AI程序经过训练得到的工艺流程信息库,输出与所述识别结果映射对应的工艺流程信息;或者,根据所述获取的AOI图片及对所述AOI图片进行识别的识别结果,生成模拟电路,运行所述模拟电路,输出运行结果;也就是说,本发明的方案可以给予AI程序关于TFT制程、设备、工艺、标准等知识,通过不断模拟、深度学习算法训练,使得本发明的AI程序可以判定对应流程信息,例如判定图片是哪个制程岗位产生的等;本发明的方案还可以给予AI程序关于电路方面的相知识,使得本发明的AI程序可以模拟产品是否能正常运作。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述,本公开的上述以及其它目的、特征和优势将变得更加明显,其中,在本公开示例性实施方式中,相同的参考标号通常代表相同部件。
图1是根据本发明的一个实施例的一种自动光学检测图片分析方法的一示意性流程图;
图2是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图;
图3是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流图;
图4是根据本发明的一个实施例的自动光学检测图片分析方法中使用的给定图片第一示意图;
图5是根据本发明的一个实施例的自动光学检测图片分析方法中使用的给定图片第二示意图;
图6是根据本发明的一个实施例的自动光学检测图片分析方法中使用的给定图片第三示意图;
图7是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图;
图8是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图;
图9是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图;
图10是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图;
图11是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图;
图12是根据本发明的一个实施例的一种自动光学检测图片分析设备的结构示意图;
图13是根据本发明的一个实施例的一种自动光学检测图片分析设备的结构的另一示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明进一步详细说明。
虽然附图中显示了本公开的优选实施方式,然而应该理解,可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反,提供这些实施方式是为了使本公开更加透彻和完整,并且能够将本公开的范围完整地传达给本领域的技术人员。
本发明提供一种自动光学检测图片分析方法,能大大提高AOI图片分析效率,降低成本。
以下结合附图详细描述本发明实施例的技术方案。
图1是根据本发明的一个实施例的一种自动光学检测图片分析方法的一示意性流程图。该分析方法可以应用于图片分析设备中。
参照图1,所述方法包括:
在步骤101中,获取自动光学检测AOI图片。
在产品检测中会产生许多AOI图片,该步骤从产生的图片中获取AOI图片。
在步骤102中,获取由人工智能AI程序经过深度学习算法训练得到的图片判别式。
其中,所述图片判别式按照以下方式预先生成:获取输入的给定图片;
由所述AI程序对所述获取的给定图片进行设定运算,得到所述给定图片的特征值或特征函数;根据给定图片的图片标记与所述给定图片的每个特征值或特征函数生成图片判别式,形成所述给定图片的图片判别式集合;通过校验处理,从所述图片判别式集合中择优选择供识别使用的图片判别式。
在步骤103中,根据所述图片判别式对所述AOI图片进行识别。
因为图片判别式是由AI程序经过AI算法训练得到,因此可以直接利用图片判别式中的规则自动对所述AOI图片进行识别,这样就相当于于利用AI算法来代替人工判定。
可以发现,本发明实施例的技术方案,是获取由人工智能AI程序经过深度学习算法训练得到的图片判别式,再根据所述图片判别式对所述AOI图片进行识别,因为图片判别式是由AI程序经过AI算法训练得到,这样就相当于于利用AI算法来代替人工判定,相对于现有技术中AOI测试产生大量的图片均需人工进行判定导致效率低下的问题,本发明提供的方案,在平板显示行业内首次将AOI技术与AI技术结合,利用AI程序和深度学习算法生成可以用于自动识别图片的判别式,不仅能节省大量人力,而且能大幅提升数据的分析量,提高分析效率和准确性,从而发现更多平时不能发现的规律或结果,快速应对缺陷,提升产品良率。本发明方案并不依赖将固定的规律写进AI程序来完成图片识别,只需给予AI程序大量AOI图片数据进行训练,通过自我学习和总结,就可以得出识别结果。
图2是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图。该分析方法可以应用于图片分析设备中。
图2主要是描述了本发明实施例的图片判别式的生成过程。参见图2,所述方法包括:
在步骤201中,获取输入的给定图片。
其中,可以是获取输入的AOI图片;或,获取输入的AOI图片和产品目标图形等。
在步骤202中,由人工智能AI程序对所述获取的给定图片进行设定运算,得到所述给定图片的特征值或特征函数。
其中,该步骤可以包括:由所述AI程序对获取的给定图片进行确定函数运算和/或不确定函数运算。
其中,进行确定函数运算可以是由所述AI程序对获取的给定图片进行像素数据分析运算、色块分析运算、形状分析运算、卷积神经网络运算、递归神经网络运算、拓扑运算或重构运算等。
在步骤203中,根据给定图片的图片标记与所述给定图片的每个特征值或特征函数生成图片判别式,形成所述给定图片的图片判别式集合。
在步骤204中,通过校验处理,从所述图片判别式集合中择优选择供识别使用的图片判别式。
该步骤通过对判别式集合进行校验处理,优选出准确率高的一个或多个判别式供使用。
图3是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图。该分析方法可以应用于图片分析设备中。图3实施例以进行函数确定运算生成图片判别式举例说明。
本发明将人工智能AI技术与AOI技术进行结合,针对TFT AOI图形检测优化算法,使用计算机代替人工识别分析AOI图片。现有技术中,TFT等行业的AOI测试产生大量的图片均需人工进行判定,效率低下,本发明方案通过基于深度学习的AI算法来代替人工判定,不仅能节省大量人力,而且能大幅提升数据的分析量,提高分析效率和准确性,从而发现更多平时不能发现的规律或结果,快速应对缺陷,提升产品良率。
本发明可以利用设定运算例如像素数据分析、色块分析、形状分析、神经网络算法、递归运算、拓扑运算等,对图片特征进行分析,获得一系列特征值或特征函数,并进一步生成图片判别式,再通过不断增加图片数据来不断优选图片判别式,根据选择的图片判别式对AOI图片进行识别分析。
参见图3,包括:
在步骤301中,对给定AOI图片进行坐标颜色、色块归类、卷积神经网络运算、递归神经网络运算或拓扑运算等函数确定运算,获得一系列特征值或特征函数。
AI程序获取一张AOI图片,例如图4,AOI图片标记为GATE残留(栅极线金属残留),AI程序对图片进行以下运算:
本发明的函数确定运算可以包括但不限于以下方式:
1)坐标颜色运算
记录图片中各坐标的颜色值,例如记录XY坐标(0,0)的颜色值为33,坐标(0,1)的颜色值为35,坐标(0,2)的颜色值为C1,......坐标(a,b)的颜色值为8等;有多少个像素点,就会记录多少个坐标的颜色值。
2)色块运算
记录各色块,例记录坐标域(A,B,C,D)均为棕色,坐标域(A1,B1,C1,D1)均为黄色等,总共可以得到包括若干个色块的结论。
3)形状运算
记录各形状边界方程,例如记录色块A的AB边的近似方程为y=a1x+b1,x象限为K,色块A的BC边的近似方程为y=a2x+b1,象限为K2等;根据图片含有多少个形状,总共可以得到包括多少个形状的近似方程的结论。
4)卷积神经网络运算
例如,对色函数F(x)和形状边界G(u)进行积分。在机器学习中,卷积神经网络是一种前馈神经网络,它的神经元的连接是启发于动物视觉皮层,单个皮质神经元可以对某个有限空间区域的刺激作出反应,这个有限空间可以称为接受域,不同的神经元的接受域可以重叠,从组成了所有的可见区域。那么,一个神经元对某个接受域内的刺激作出反应,在数学上可以使用卷积操作来近似。也就是说,卷积神经网络是受到生物处理的启发,设计使用最少的预处理的多层感知机的变体。
5)递归神经网络运算
例如,对相邻像素值累加,公式为F(N)=F(N-1)+N。在传统的神经网络中,假设所有的输入之间相互独立,但是对于很多任务来说,这并不是一个好的主意,如果想知道一个句子中下一个单词是什么,最好知道之前的单词是什么。递归神经网络,就是对一个序列中所有的元素都执行相同的任务,所有的输出都依赖于先前的计算,它也会记住所有之前的计算的信息。
6)坐标颜色的卷积运算
坐标颜色的卷积运算,是将各坐标点颜色值相加,计算其面积。
7)色块面积比值运算
色块面积比值运算,是将各色块面积相除,得出比值。
8)形状方程近似值运算
形状方程近似值运算,是将各形状方程进行平移操作,得出近似值。
….
N-1)拓扑运算
拓扑运算,是通过对图片局部图像进行放大或缩小、拉伸、变形等变化,但不改变图片的特征,从而使得众多相似结论会归类重合。
N)重构运算
重构运算,是将图片的局部图形复制构成一张完整图片,再与原图片比较,从而得出相似度的值。
需要说明的是,上述各种函数运算只是举例说明但不限于此,还可以包括其他各种数学函数运算等。
在步骤302中,根据获得的特征值或特征函数与图片标记生成图片判别式,并汇总得到AOI图片的图片判别式集合。
该步骤中,将获得的每一特征值或特征函数与图片标记生成一个图片判别式,N个特征值或特征函数生成N个图片判别式,汇总得到AOI图片的图片判别式集合。
例如,生成的图片判别式可以包括:“坐标(0,1)的颜色值为33,则该图片缺陷为GATE残留”,“坐标(78,56)的颜色值为108,则该图片缺陷为GATE残留”,“若存在色域为((2,5),(2,100),(80,6),(80,120))的棕色色块,则该图片缺陷为GATE残留”。
在上述进行确定函数运算中的单一运算结果,都可以视为判断为GATE残留的结果。
因为由一张图片得到的图片判别式(判断方法)的数量是巨大的,可以是1000到100万条等,因此考虑算力因素,可以限制在100万条,但一般建议不少于1000条。
在步骤303中,通过不断新增给定图片,重复前述步骤操作,生成N个图片判别式集合,通过对图片判别式集合进行校验,优选出准确率高的一个或多个图片判别式。
该步骤中,继续不断给予AI程序图片数据,重复上述步骤301和302的操作。例如,假定给予AI程序的图片是图5所示的另一张图片标记为GATE残留的图片和图6所示的另一张图片标记为灰尘缺陷的图片,那么对图4、图5和图6所述显示的共3张图片的图片判别式集合进行与或运算,则可将部分图片判别式删除或保留。
例如2张图片标记为GATE残留的图片,第一张图片其中一个图片判别式为“像素(1,1)为红色,则该图片存在GATE残留”,“像素域A颜色为红色,则该图片为GATE残留”,“像素域A为相似色,则该图片存在GATE残留”,而第二张图片运算出的图片判别式为“像素(1,1)为蓝色,则该图片存在GATE残留”,“像素域A颜色为蓝色,则该图片为GATE残留”,“像素域A为相似色,则该图片存在GATE残留”。这样,第一张图片和第二张图片的图片判别式“像素(1,1)为红色,则该图片存在GATE残留”与“像素(1,1)为蓝色,则该图片存在GATE残留”存在矛盾,则AI程序认为这两个图片判别式互相矛盾导致失效而进行删除,也即同时删除两张图片分别对应的两个图片判别式“像素(1,1)为红色,则该图片存在GATE残留”与“像素(1,1)为蓝色,则该图片存在GATE残留”。但是,更优的判别式“像素域A为相似色,则该图片存在GATE残留”则保留。
同理,一张非GATE残留图片的判别式集合与GATE残留图片判别式集合后,大部分图片判别式会失效被删除。这样,随着图片量的增大(即数据量增大),判别式会不断被优化,从而得到最优判别式。
概括而言,假设第一张图片的图片判别式集合U1,第二张图片的图片判别式集合U2....第n张图片的图片判别式集合Un,可以将GATE残留图片集合进行相等运算,将非GATE残留图片进行不相等运算。所谓相等运算,即进行相等校验,是在另一张图片得出GATE残留结论,则图片判别式保留,否则图片判别式删除。
通过上述步骤,就可以得到优选出的准确率高的一个或多个图片判别式供识别使用。
在步骤304中,根据选择的图片判别式对待分析的AOI图片进行识别。
在上述优选出准确率高的一个或多个图片判别式后,就可以直接利用选择的图片判别式对获取的待分析的AOI图片进行识别。
在根据选择的图片判别式对待分析的AOI图片进行识别的过程中,假定AI程序优选出图片判别式“GATE栅极形状色块”相互对比,若对比的差异阀值超出10%,且差异色块面积比其它GATE栅极色块面积大,则判断为GATE残留。或者,如果提供了产品设计图(产品目标图形),可以进一步与产品设计图标准色块对比,如果也超出阀值差异,判定为GATE残留。
本发明对给定图片,AI程序提取GATE栅极形状色块,并进行相似度计算,长宽、面积、位置等计算,若其中GATE栅极色块与其它色块差异阀值超出10%,与产品设计图标准色块超出10%,则定义该图片存在GATE残留(栅极金属残留)。
从上述方案可以看出,本发明方案通过对给定图片进行色块归类、颜色坐标、形状归类、卷积、递归、重构等运算,得出一系列图片特征值,然后根据多个特征值和图片标记生成图片判别式,形成图片判别式集合,再通过大量的图片判别式集合,可以优选出准确率最高或较高的图片判别式,后续就可以直接利用判别式对图片进行识别分析。
需说明的是,本发明可以是针对大量AOI图片数据进行深度学习算法训练,使本发明的AI程序具备识别AOI图片的功能,例如可以识别出图片有哪几层,各层图形是否完整,位置是否偏位,大小是否正常、是否有异物,异物类型是什么等。
图7是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图。该实施例以结合进行确定函数运算和不确定函数运算获得图片判别式举例说明。
本发明通过确定函数运算可以得到有限且准确率最高或较高的图片判别式或图片判别式集合,但是也可能存在准确率达不到要求的图片判别式或图片判别式集合,因此本发明可以进一步进行不确定函数运算,生成新的准确率更高的图片判别式。
参见图7,包括:
在步骤701中,对给定AOI图片进行坐标颜色、色块归类、卷积神经网络运算、递归神经网络运算或拓扑运算等函数确定运算,获得一系列特征值或特征函数。
该步骤可以参见前述步骤301的描述,此处不再赘述。
在步骤702中,对给定AOI图片进行不确定函数运算,获得一系列特征值或特征函数。
该步骤中的不确定函数运算方案,可作为AI程序的自我创造性部分。
该部分方案可以包括:
1)计算函数Y=a1?a2=f(a1,a2)
其中,a1,a2为AI程序从进行坐标颜色、色块归类、卷积神经网络运算、递归神经网络运算或拓扑运算等函数确定运算所得到的数据中随机选取,“?”从加减剩除、积分、求导等运算中随机选取。理论上这个函数的可能性可以为n的平方*c,n为数据量,c为运算符可选数,本发明c可以为10但不局限于此。
2)计算函数Y=a1?a2?a3=f(a1,a2,a3)
与以上内容同理,该函数的可能性可以为n的立方*c,n为数据量,c为运算符可选数,本发明c可以为10但不局限于此。
3)计算函数Y=a1?a2?a3?a4=f(a1,a2,a3,a4)
与以上内容同理,该函数的可能性可以为n的四次方*c,n为数据量,c为运算符可选数,本发明c可以为10但不局限于此。
在步骤703中,根据进行函数确定运算和函数不确定运算所获得的特征值或特征函数与图片标记生成图片判别式,并汇总得到AOI图片的图片判别式集合。
在步骤704中,通过不断新增图片,重复前述步骤操作,生成N个图片判别式集合,通过对图片判别式集合进行校验,优选出准确率高的一个或多个图片判别式。
该步骤的描述可以参见步骤303的描述,其原理是类似的,此处不再赘述。
在步骤705中,根据选择的图片判别式对待分析的AOI图片进行识别。
在上述优选出准确率高的一个或多个图片判别式后,就可以直接利用选择的图片判别式对获取的待分析的AOI图片进行识别。
该步骤可以参见步骤304的描述,其原理是类似的,此处不再赘述。
图8是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图。该实施例以结合进行确定函数运算和利用产品目标图形进行图片判别式优化举例说明。
本发明通过确定函数运算可以得到有限且准确率最高或较高的图片判别式或图片判别式集合,但是也可能存在准确率达不到要求的图片判别式或图片判别式集合,因此本发明可以在输入给定图片时也输入产品目标图形,生成新的准确率更高的图片判别式。
在步骤801中,结合给定AOI图片和产品目标图形,进行坐标颜色、色块归类、卷积神经网络运算、递归神经网络运算或拓扑运算等函数确定运算,获得一系列特征值或特征函数。
该步骤中进行各函数确定运算的内容,可以参见步骤301的描述,此处不再赘述。
本发明可以加入产品目标图形也即产品设计图形进行函数确定运算。产品设计图形是按照设计图纸产生的最理想的图形,可以表明每层图形本应该是怎样的。由于TFT基板的目标图形是已知的,因此可以利用产品设计图形也即目标图形提高判断准确率,实现对判别式的进一步优化。
在步骤802中,根据获得的特征值或特征函数与图片标记生成图片判别式,并汇总得到AOI图片的图片判别式集合。
该步骤可以参见302的描述,此处不再赘述。
在步骤803中,通过不断新增AOI图片和产品目标图形,重复前述步骤操作,生成N个图片判别式集合,通过对图片判别式集合进行校验,优选出准确率高的一个或多个判别式。
该步骤的描述可以参见步骤303的描述,其原理是类似的,此处不再赘述。
在步骤804中,根据选择的图片判别式对待分析的AOI图片进行识别。
在上述优选出准确率高的一个或多个图片判别式后,就可以直接利用选择的图片判别式对获取的待分析的AOI图片进行识别。
该步骤可以参见步骤304的描述,此处不再赘述。
图9是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图。该实施例以进行确定函数运算生成图片判别式为基础,并利用不确定函数运算和产品目标图形进行图片判别式优化举例说明。
在步骤901中,对给定AOI图片进行坐标颜色、色块归类、卷积神经网络运算、递归神经网络运算或拓扑运算等函数确定运算,获得一系列特征值或特征函数。
该步骤可以参见301的描述,此处不再赘述。
在步骤902中,根据获得的特征值或特征函数与图片标记生成判别式,并汇总得到AOI图片的图片判别式集合。
该步骤可以参见步骤302的描述,此处不再赘述。
在步骤903中,通过不断新增图片,重复前述步骤操作,生成N个图片判别式集合,通过对图片判别式集合进行校验,优选出准确率高的一个或多个图片判别式。
该步骤可以参见步骤303的描述,此处不再赘述。
在步骤904中,在图片判别式准确率未达到设定要求时,重复进行不确定函数运算,生成新的图片判别式。
在经过以上步骤后,可以得到有限且准确率最高或较高的图片判别式或图片判别式集合,但是也可能存在准确率达不到要求的图片判别式或图片判别式集合。此时,本发明方案可以由AI程序继续生成新的图片判别式,再利用已有标记图片进行校验。
其中,生成新的图片判别式可以是利用不确定函数。该步骤中,对给定AOI图片进行不确定函数运算的方案,可以参见前面步骤702的描述,例如,可以是计算函数Y=a1?a2=f(a1,a2),或者计算计算函数Y=a1?a2?a3=f(a1,a2,a3),或者计算函数Y=a1?a2?a3?a4=f(a1,a2,a3,a4)等。其中,a1,a2为AI程序从进行坐标颜色、色块归类、卷积神经网络运算、递归神经网络运算或拓扑运算等函数确定运算所得到的数据中随机选取,“?”从加减剩除、积分、求导等运算中随机选取。
因为不确定函数的可能性足够多,可以由AI程序随机生成有限函数进行运算,例如运算符可选数c限定为5但不局限于此。另外可以选择在准确率最高的判别式中进行有限运算,生成新图片判别式,比例与随机数相等。
在步骤905中,根据产品目标图形,对图片判别式进一步进行优化。
本发明可以加入产品目标图形也即产品设计图形对图片判别式进一步进行优化。产品设计图形是按照设计图纸产生的最理想的图形,可以表明每层图形本应该是怎样的。由于TFT基板的目标图形是已知的,因此可以再利用产品设计图形进行校验。
该步骤可参见前述步骤303中的描述,只是新增给定图片生成N个图片判别式集合时,增加了输入产品目标图形进行校验,从而优选出准确率更高的一个或多个图片判别式。通过利用产品目标图形,可以将提高图片判别式判断准确率,实现对图片判别式的进一步优化。
在步骤906中,根据选择的图片判别式对待分析的AOI图片进行识别。
在上述优选出准确率高的一个或多个图片判别式后,就可以直接利用选择的图片判别式对获取的待分析的AOI图片进行识别。
该步骤可以参见步骤304的描述,此处不再赘述。
综上所述,本发明可以利用像素数据分析、色块分析、形状分析、神经网络算法、递归运算、拓扑运算等,分析图片特征,获得一系列特征值或特征函数,并进一步生成图片判别式,再通过不断增加图片数据包括增加产品目标图形等来不断优选图片判别式,后续利用图片判别式就可以对AOI图片进行分析识别。所以,本发明方案并不依赖将固定的规律写进AI程序来完成图片识别,只需给予AI程序大量AOI图片数据进行训练,通过自我学习和总结,就可以得出识别结果。理论上,只要数据量不断增大,通过深度学习,识别准确率就可以逐步提高,从而达到人的水平。
除了对AOI图片进行识别分析外,进一步的本发明还可以判断出图片缺陷是怎么形成的,及可以通过模拟运行判断缺陷会造成什么后果,具体可以参见图10和图11的方案介绍。
图10是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图。该实施例可以根据图片识别结果进一步分析出对应的生产流程。
本发明可以给予AI程序关于TFT制程、设备、工艺、标准等知识,通过不断模拟、深度学习算法训练,使得本发明的AI程序可以判定图片是哪个制程岗位产生的,从而具备普通工程师的判断能力。也就是说,本发明可以根据获取的生产设备数据、生产记录、工艺流程知识等,进一步分析出缺陷图片是怎样形成,综合分析得出对应规律。
参见图10,包括:
在步骤1001中,获取产品生产所经历的生产设备名称、工艺流程等信息,建立AOI图片数据与标识缺陷的映射关系。
其中,该步骤可以包括:
1)由人工智能AI程序获取生产设备数据、生产记录数据和工艺流程知识。
例如,向AI程序输入TFT-LCD的生产工艺流程可以包括:在TFT基板上形成TFT阵列;在彩色滤光片基板上形成彩色滤光图案及ITO(Indium-Tin Oxide),氧化铟锡)导电层;用两块基板形成液晶盒;安装外围电路、组装背光源等的模块组装等。又例如在彩色滤光片(CF)基板上形成彩色滤光图案的工艺,其中彩色滤光片着色部分的形成方法包括染料法、颜料分散法、印刷法、电解沉积法、喷墨法等。
例如,向AI程序输入TFT-LCD的生产设备可以包括:清洗设备、溅射装置、涂覆机、曝光机、显影设备、蚀刻设备、去膜设备、检测设备、包装设备等。
例如,向AI程序输入:TFT-LCD的生产过程中,显影线宽偏小一般产生于对应层的成像曝光制程,胶残留一般产生于对应层的涂胶曝光制程,静电一般产生于对应层CVD(Chemical Vapor Deposition,化学气相沉积)成膜、成像、干刻或检测流程,膜内灰一般产生于对应层清洗流程或成膜制程,划伤在各制程均可能产生、受损图形在制作当中或之后产生,脱膜不净一般产生于对应层脱膜制程等。
2)建立AOI图片识别结果与所述生产设备数据、生产记录数据和工艺流程知识的映射关系。
在步骤1002中,不断增加分析的图片的数量,得到增长的映射数量,通过将相互矛盾的映射关系删除,筛选出有效映射关系,并存入工艺流程信息库。
在步骤1003中,根据对AOI图片进行识别的识别结果,查询由AI程序经过训练得到的工艺流程信息库,输出与所述识别结果映射对应的工艺流程信息。
该步骤中,根据AOI图片分析确定的缺陷,从工艺流程信息库中查找出所述缺陷映射对应的流程。
例如,如果识别出缺陷为显影线宽偏小,则查询工艺流程信息库后输出该缺陷产生于对应层的成像曝光制程,如果识别出缺陷为胶残留,则查询工艺流程信息库后输出该缺陷产生于对应层的涂胶曝光制程。
图11是根据本发明的一个实施例的一种自动光学检测图片分析方法的另一示意性流程图。该实施例可以生成模拟电路并运行,输出运行结果。
本发明可以给予AI程序关于电路方面的相知识,使得本发明的AI程序可以模拟产品是否能正常运作,从而具备普通工程师的判断能力。进一步地,还可以给予该AI程序学习知识的能力,使得其能自主学习知识,不断进步。
参见图11,包括:
在步骤1101中,根据所述获取的AOI图片及对所述AOI图片进行识别的识别结果,生成模拟电路。
该步骤中,可以根据图片确定栅极、信号线,ITO电容互相连接情况,是否有异常连接等;再根据图形宽度长度,预先输入的材料电阻率、厚度可以计算出电阻;根据图形面积和预先输入的材料介电常数、厚度可以计算出电容;根据预先输入的迁移率结合电压、场效应管宽长比可以计算出开态电流等。
在步骤1102中,运行所述模拟电路,输出运行结果。
该步骤运行模拟电路,可以得出是否有短路、断路、输出不足等异常问题。
因为本发明的AI程序经过大量图片数据分析、训练可以具备判别图片缺陷、图片中走线及识别出晶体管图形的能力,因此,根据图片模拟出等效电路后再模拟运行电路,就可以判定是否短路、断路、输出变化等异常,并输出判断结果。
综上所述,本发明利用具备深度学习能力的AI程序进行TFT行业的AOI图片分析识别;通过给AI程序增加TFT流程知识和生产数据训练判断为什么产生缺陷;通过给AI程序增加电路知识,让AI程序判断会造成什么电路缺陷。也就是说,本发明方法中提出的AI算法,可以给予AI程序相应TFT知识和电路学知识,通过基于深度学习的AI图形识别技术得出“是什么”的结论,通过TFT知识得出“为什么”的记录,通过电路知识模拟出“会造成什么后果”的结论。而且,可以进一步地给予AI程序学习知识的功能,包括进行试验的功能等。
上述详细介绍了本发明的自动光学检测图片分析方法,以下相应介绍本发明的自动光学检测图片分析设备。
图12是根据本发明的一个实施例的一种自动光学检测图片分析设备的结构示意图。
参见图12,本发明实施例的自动光学检测图片分析设备1200,包括:图片获取模块1201、判别式获取模块1202、分析识别模块1203。
其中,图片获取模块1201,用于获取自动光学检测AOI图片。
判别式获取模块1202,用于获取由人工智能AI程序经过深度学习算法训练得到的图片判别式。
分析识别模块1203,用于根据所述判别式获取模块1202获取的图片判别式对所述图片获取模块1201获取的AOI图片进行识别。
因为图片判别式是由AI程序经过AI算法训练得到,因此分析识别模块1203可以直接利用图片判别式中的规则自动对所述AOI图片进行识别,这样就相当于于利用AI算法来代替人工判定。
可以发现,本发明实施例的技术方案,是获取由人工智能AI程序经过深度学习算法训练得到的图片判别式,再根据所述图片判别式对所述AOI图片进行识别,因为图片判别式是由AI程序经过AI算法训练得到,这样就相当于于利用AI算法来代替人工判定,相对于现有技术中AOI测试产生大量的图片均需人工进行判定导致效率低下的问题,本发明提供的方案,在平板显示行业内首次将AOI技术与AI技术结合,利用AI程序和深度学习算法生成可以用于自动识别图片的判别式,不仅能节省大量人力,而且能大幅提升数据的分析量,提高分析效率和准确性,从而发现更多平时不能发现的规律或结果,快速应对缺陷,提升产品良率。本发明方案并不依赖将固定的规律写进AI程序来完成图片识别,只需给予AI程序大量AOI图片数据进行训练,通过自我学习和总结,就可以得出识别结果。
图13是根据本发明的一个实施例的一种自动光学检测图片分析设备的结构的另一示意图。
参见图13,本发明实施例的自动光学检测图片分析设备1300,包括:图片获取模块1201、判别式获取模块1202、分析识别模块1203、判别式生成模块1204、流程识别模块1205、电路模拟模块1206。需说明的是,图中流程识别模块1205、电路模拟模块1206可以同时设置在设备中,也可以分别独立设置在设备中。
其中,所述判别式生成模块1204,用于生成图片判别式,包括:获取输入的给定图片;由所述AI程序对所述获取的给定图片进行设定运算,得到所述给定图片的特征值或特征函数;根据给定图片的图片标记与所述给定图片的每个特征值或特征函数生成图片判别式,形成所述给定图片的图片判别式集合;通过校验处理,从所述图片判别式集合中择优选择供识别使用的图片判别式;所述判别式获取模块1202从所述判别式生成模块1204获取图片判别式。
其中,由所述AI程序对所述获取的给定图片进行设定运算,包括:由所述AI程序对获取的给定图片进行确定函数运算和/或不确定函数运算。
由所述AI程序对获取的给定图片进行确定函数运算,包括:由所述AI程序对获取的给定图片进行像素数据分析运算、色块分析运算、形状分析运算、卷积神经网络运算、递归神经网络运算、拓扑运算或重构运算。
由所述AI程序对获取的给定图片进行不确定函数的运算,包括:由所述AI程序对获取的给定图片按以下不确定函数公式运算:函数Y=a1?a2...?an=f(a1,a2,...an);其中,所述an为所述AI程序从进行确定函数运算得到的数据中随机选取的数据,所述?为从加、减、乘、除、积分或求导运算中随机选取的运算符号。
其中,所述获取输入的给定图片,包括:获取输入的AOI图片;或,获取输入的AOI图片和产品目标图形。
流程识别模块1205,用于根据所述分析识别模块1203对所述AOI图片进行识别的识别结果,查询由所述AI程序经过训练得到的工艺流程信息库,输出与所述识别结果映射对应的工艺流程信息。
其中工艺流程信息库可以预先建立,包括:获取产品生产所经历的生产设备名称、工艺流程等信息,建立AOI图片数据与标识缺陷的映射关系;不断增加分析的图片的数量,得到增长的映射数量,通过将相互矛盾的映射关系删除,筛选出有效映射关系,并存入工艺流程信息库。
电路模拟模块1206,用于根据所述图片获取模块1201获取的AOI图片及所述分析识别模块1203对所述AOI图片进行识别的识别结果,生成模拟电路,运行所述模拟电路,输出运行结果。
电路模拟模块1206运行模拟电路,可以得出是否有短路、断路、输出不足等异常问题。
上文中已经参考附图详细描述了根据本发明的技术方案。
本领域的普通技术人员应当理解: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 (10)
1.一种自动光学检测图片分析方法,其特征在于,包括:
获取自动光学检测AOI图片;
获取由人工智能AI程序经过深度学习算法训练得到的图片判别式;
根据所述图片判别式对所述AOI图片进行识别。
2.根据权利要求1所述的方法,其特征在于,所述图片判别式按照以下方式预先生成:
获取输入的给定图片;
由所述AI程序对所述获取的给定图片进行设定运算,得到所述给定图片的特征值或特征函数;
根据给定图片的图片标记与所述给定图片的每个特征值或特征函数生成图片判别式,形成所述给定图片的图片判别式集合;
通过校验处理,从所述图片判别式集合中择优选择供识别使用的图片判别式。
3.根据权利要求2所述的方法,其特征在于,所述由所述AI程序对所述获取的给定图片进行设定运算,包括:
由所述AI程序对获取的给定图片进行确定函数运算和/或不确定函数运算。
4.根据权利要求3所述的方法,其特征在于,所述由所述AI程序对获取的给定图片进行确定函数运算,包括:
由所述AI程序对获取的给定图片进行像素数据分析运算、色块分析运算、形状分析运算、卷积神经网络运算、递归神经网络运算、拓扑运算或重构运算。
5.根据权利要求3所述的方法,其特征在于,所述由所述AI程序对获取的给定图片进行不确定函数的运算,包括:
由所述AI程序对获取的给定图片按以下不确定函数公式运算:
函数Y=a1?a2...?an=f(a1,a2,...an);
其中,所述an为所述AI程序从进行确定函数运算得到的数据中随机选取的数据,所述?为从加、减、乘、除、积分或求导运算中随机选取的运算符号。
6.根据权利要求2所述的方法,其特征在于,所述获取输入的给定图片,包括:
获取输入的AOI图片;或,
获取输入的AOI图片和产品目标图形。
7.根据权利要求3所述的方法,其特征在于:
在由所述AI程序对获取的给定图片进行确定函数运算的情况下,当通过校验处理,从所述图片判别式集合中择优选择供识别使用的图片判别式未满足设定要求时,所述方法还包括:
返回由所述AI程序对获取的给定图片进行设定运算的步骤,其中所述进行设定运算为进行不确定函数运算;和/或,
根据产品目标图形,对择优选择的供识别使用的图片判别式进行优化,得到优化后的供识别使用的图片判别式。
8.根据权利要求1所述的方法,其特征在于,所述方法还包括:
根据对所述AOI图片进行识别的识别结果,查询由所述AI程序经过训练得到的工艺流程信息库,输出与所述识别结果映射对应的工艺流程信息;或者,
根据所述获取的AOI图片及对所述AOI图片进行识别的识别结果,生成模拟电路,运行所述模拟电路,输出运行结果。
9.一种自动光学检测图片分析设备,其特征在于,包括:
图片获取模块,用于获取自动光学检测AOI图片;
判别式获取模块,用于获取由人工智能AI程序经过深度学习算法训练得到的图片判别式;
分析识别模块,用于根据所述判别式获取模块获取的图片判别式对所述图片获取模块获取的AOI图片进行识别。
10.根据权利要求9所述的设备,其特征在于:
所述设备还包括判别式生成模块、流程识别模块或电路模拟模块;
其中,所述判别式生成模块,用于生成图片判别式,包括:获取输入的给定图片;由所述AI程序对所述获取的给定图片进行设定运算,得到所述给定图片的特征值或特征函数;根据给定图片的图片标记与所述给定图片的每个特征值或特征函数生成图片判别式,形成所述给定图片的图片判别式集合;通过校验处理,从所述图片判别式集合中择优选择供识别使用的图片判别式;所述判别式获取模块从所述判别式生成模块获取图片判别式;
流程识别模块,用于根据所述分析识别模块对所述AOI图片进行识别的识别结果,查询由所述AI程序经过训练得到的工艺流程信息库,输出与所述识别结果映射对应的工艺流程信息;
电路模拟模块,用于根据所述图片获取模块获取的AOI图片及所述分析识别模块对所述AOI图片进行识别的识别结果,生成模拟电路,运行所述模拟电路,输出运行结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810688763.8A CN108830850B (zh) | 2018-06-28 | 2018-06-28 | 自动光学检测图片分析方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810688763.8A CN108830850B (zh) | 2018-06-28 | 2018-06-28 | 自动光学检测图片分析方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108830850A true CN108830850A (zh) | 2018-11-16 |
CN108830850B CN108830850B (zh) | 2020-10-23 |
Family
ID=64133531
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810688763.8A Active CN108830850B (zh) | 2018-06-28 | 2018-06-28 | 自动光学检测图片分析方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108830850B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110401488A (zh) * | 2019-07-12 | 2019-11-01 | 北京邮电大学 | 一种解调方法及装置 |
CN111192237A (zh) * | 2019-12-16 | 2020-05-22 | 重庆大学 | 一种基于深度学习的涂胶检测系统和方法 |
TWI712991B (zh) * | 2019-10-08 | 2020-12-11 | 智泰科技股份有限公司 | 兼具自動化光學檢測及人工智慧檢測功能之瑕疵檢測方法及其裝置 |
CN112763506A (zh) * | 2019-10-17 | 2021-05-07 | 智泰科技股份有限公司 | 兼具aoi及ai的瑕疵检测方法及其装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103676868A (zh) * | 2013-12-09 | 2014-03-26 | 华南理工大学 | 一种fpc制造关键工序自动监控与智能分析系统 |
CN105184778A (zh) * | 2015-08-25 | 2015-12-23 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
CN105469400A (zh) * | 2015-11-23 | 2016-04-06 | 广州视源电子科技股份有限公司 | 电子元件极性方向的快速识别、标注的方法和系统 |
CN106067028A (zh) * | 2015-04-19 | 2016-11-02 | 北京典赞科技有限公司 | 基于gpu的自动化机器学习的建模方法 |
CN106530284A (zh) * | 2016-10-21 | 2017-03-22 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
US20180101945A1 (en) * | 2016-10-07 | 2018-04-12 | Raytheon Company | Automated model-based inspection system for screening electronic components |
-
2018
- 2018-06-28 CN CN201810688763.8A patent/CN108830850B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103676868A (zh) * | 2013-12-09 | 2014-03-26 | 华南理工大学 | 一种fpc制造关键工序自动监控与智能分析系统 |
CN106067028A (zh) * | 2015-04-19 | 2016-11-02 | 北京典赞科技有限公司 | 基于gpu的自动化机器学习的建模方法 |
CN105184778A (zh) * | 2015-08-25 | 2015-12-23 | 广州视源电子科技股份有限公司 | 一种检测方法及装置 |
CN105469400A (zh) * | 2015-11-23 | 2016-04-06 | 广州视源电子科技股份有限公司 | 电子元件极性方向的快速识别、标注的方法和系统 |
US20180101945A1 (en) * | 2016-10-07 | 2018-04-12 | Raytheon Company | Automated model-based inspection system for screening electronic components |
CN106530284A (zh) * | 2016-10-21 | 2017-03-22 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110401488A (zh) * | 2019-07-12 | 2019-11-01 | 北京邮电大学 | 一种解调方法及装置 |
CN110401488B (zh) * | 2019-07-12 | 2021-02-05 | 北京邮电大学 | 一种解调方法及装置 |
TWI712991B (zh) * | 2019-10-08 | 2020-12-11 | 智泰科技股份有限公司 | 兼具自動化光學檢測及人工智慧檢測功能之瑕疵檢測方法及其裝置 |
CN112763506A (zh) * | 2019-10-17 | 2021-05-07 | 智泰科技股份有限公司 | 兼具aoi及ai的瑕疵检测方法及其装置 |
CN111192237A (zh) * | 2019-12-16 | 2020-05-22 | 重庆大学 | 一种基于深度学习的涂胶检测系统和方法 |
CN111192237B (zh) * | 2019-12-16 | 2023-05-02 | 重庆大学 | 一种基于深度学习的涂胶检测系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108830850B (zh) | 2020-10-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830850B (zh) | 自动光学检测图片分析方法及设备 | |
Wei et al. | CNN‐based reference comparison method for classifying bare PCB defects | |
EP3502966A1 (en) | Data generation apparatus, data generation method, and data generation program | |
CN111353983B (zh) | 缺陷检测识别方法、装置、计算机可读介质及电子设备 | |
Kusiak et al. | Data mining of printed-circuit board defects | |
CN108463876A (zh) | 为样品产生模拟输出 | |
CN113763312B (zh) | 使用弱标记检测半导体试样中的缺陷 | |
Xu et al. | Topo-boundary: A benchmark dataset on topological road-boundary detection using aerial images for autonomous driving | |
Choi et al. | Multi-step ART1 algorithm for recognition of defect patterns on semiconductor wafers | |
TW202001795A (zh) | 瑕疵分類標記系統及瑕疵分類標記方法 | |
CN108875819B (zh) | 一种基于长短期记忆网络的物体和部件联合检测方法 | |
EP4046072A1 (en) | Image analysis system for testing in manufacturing | |
CN113269709A (zh) | 探测半导体晶片中缺陷的方法及半导体晶片缺陷探测系统 | |
CN112686242B (zh) | 一种基于多层聚焦注意力网络的细粒度图像分类方法 | |
US20230086327A1 (en) | Systems and methods of interactive visual graph query for program workflow analysis | |
Wu et al. | An end-to-end learning method for industrial defect detection | |
Dlamini et al. | Developing a surface mount technology defect detection system for mounted devices on printed circuit boards using a MobileNetV2 with Feature Pyramid Network | |
Nakhaei et al. | A comprehensive review of froth surface monitoring as an aid for grade and recovery prediction of flotation process. Part B: Texture and dynamic features | |
Khare et al. | PCB-fire: Automated classification and fault detection in PCB | |
CN111105399A (zh) | 开关表面缺陷检测方法及系统 | |
Ashraf et al. | Machine learning-based pavement crack detection, classification, and characterization: a review | |
Li et al. | OUR-Net: A Multi-Frequency Network With Octave Max Unpooling and Octave Convolution Residual Block for Pavement Crack Segmentation | |
Susa et al. | Cap-Eye-citor: A machine vision inference approach of capacitor detection for pcb automatic optical inspection | |
JP2840347B2 (ja) | 基板実装検査装置 | |
Heizmann et al. | Artificial intelligence with neural networks in optical measurement and inspection systems |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |