CN110231340A - 强化工件光学特征的设备、方法、深度学习方法及媒体 - Google Patents

强化工件光学特征的设备、方法、深度学习方法及媒体 Download PDF

Info

Publication number
CN110231340A
CN110231340A CN201810432174.3A CN201810432174A CN110231340A CN 110231340 A CN110231340 A CN 110231340A CN 201810432174 A CN201810432174 A CN 201810432174A CN 110231340 A CN110231340 A CN 110231340A
Authority
CN
China
Prior art keywords
image
workpiece
light source
variable
information
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
Application number
CN201810432174.3A
Other languages
English (en)
Other versions
CN110231340B (zh
Inventor
邹嘉骏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Utechzone Co Ltd
Original Assignee
Utechzone Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Utechzone Co Ltd filed Critical Utechzone Co Ltd
Publication of CN110231340A publication Critical patent/CN110231340A/zh
Application granted granted Critical
Publication of CN110231340B publication Critical patent/CN110231340B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G06T5/77—
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N21/13—Moving of cuvettes or solid samples to or from the investigating station
    • 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
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration by the use of local operators
    • G06T5/60—
    • 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
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G06V10/141—Control of illumination
    • 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
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/56—Cameras or camera modules comprising electronic image sensors; Control thereof provided with illuminating means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/70—Circuitry for compensating brightness variation in the scene
    • H04N23/74—Circuitry for compensating brightness variation in the scene by influencing the scene brightness using illuminating means
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/80—Camera processing pipelines; Components thereof
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • G01N2021/0106—General arrangement of respective parts
    • G01N2021/0112—Apparatus in one mechanical, optical or electronic block
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8809—Adjustment for highlighting 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
    • G01N2021/8854—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
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8874—Taking dimensions of defect into account
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10141—Special mode during image acquisition
    • G06T2207/10152—Varying illumination
    • 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
    • G06T2207/30164—Workpiece; Machine component

Abstract

本发明提供一种强化工件光学特征的设备、方法、深度学习方法及媒体，该设备包括至少一个可变影像捕获设备、至少一个可变光源装置、一图像处理模块、以及一控制装置。该可变影像捕获设备对一工件进行影像撷取，且该可变影像捕获设备的外在参数与内在参数为可调整的。该可变光源装置对该工件提供光源，且该可变光源装置的光学输出特性为可调整的。该图像处理模块根据该瑕疵影像信息产生一特征强化信息。该控制装置根据该特征强化信息调整该外在参数、该内在参数、及该光学输出特性，并控制该可变影像捕获设备及该可变光源装置的操作，借以获得该工件的特征强化影像。

Description

强化工件光学特征的设备、方法、深度学习方法及媒体
技术领域
本发明是关于一种强化工件光学特征的设备、方法、强化工件光学特征的深度学习方法及非瞬时计算机可读取记录媒体，特别是指一种用以增加瑕疵及缺陷的强化工件光学特征的设备、方法、强化工件光学特征的深度学习方法及非瞬时计算机可读取记录媒体。
背景技术
人工智能(Artificial Intelligence,AI)也称机器智慧，是指由人工制造出来的机器，经由仿真人类推理、知识、规划、学习、交流、感知、移动及操作物体等能力而表现出来的类人智慧。随着科技的发展，人工智能目前已经有了初步的成果，特别是在影像辨识、语言分析、棋类游戏等单一面向的能力已经可以超越人类的水平。
早期的技术是利用机器学习(Machine Learning)分析影像数据，并由数据中从中学习，判断或预测待测物的状态。随着算法的进步以及硬设备效能的提升，深度学习(DeepLearning)已经有了长足的突破，在类神经网络的架构下，机器的学习不需要通过人工拣选的方式帮助机器训练，而是通过强大的硬件效能及算法的加持，将影像直接输入类神经网络后让机器自行学习，预计深度学习在未来将逐渐取代机器学习的方式成为机器视觉及影像辨识的主流技术。
发明内容
本发明的目的，在于通过光学的方式强化影像中的缺陷特征，并将强化后的影像传送至深度学习模块进行训练，借以增加卷积神经网络对于工件瑕疵的辨识率。
为达到上述目的，本发明是提供一种强化工件光学特征的设备，自外部接收一工件与对应的一瑕疵影像信息，该设备包括至少一个可变影像捕获设备、至少一个可变光源装置、一图像处理模块、以及一控制装置。该可变影像捕获设备于一工作区域内，对一工件进行影像撷取，其中该可变影像捕获设备的外在参数与内在参数为可调整的。该可变光源装置于该工作区域内，对该工件提供光源，其中该可变光源装置的光学输出特性为可调整的。该图像处理模块根据该瑕疵影像信息，以产生一特征强化信息。该控制装置根据该特征强化信息调整该外在参数、该内在参数、和/或该光学输出特性，并控制该可变影像捕获设备和/或该可变光源装置的操作，借以获得该工件的特征强化影像。
本发明的另一目的，在于提供一种强化工件光学特征的方法，包括：自外部接收一工件与对应的一瑕疵影像信息；移动该工件至一工作区域；根据该瑕疵影像信息，产生一特征强化信息；根据该特征强化信息，调整一可变光源装置的光学输出特性，借以对该工作区域上的该工件提供光源；根据该特征强化信息，调整一可变影像捕获设备的外在参数与内在参数，借以影像撷取于该工作区域上的该工件，以获得该工件的特征强化影像。
本发明的另一目的，在于提供一种强化工件光学特征的深度学习方法，包括：自外部接收一工件与对应的一瑕疵影像信息；移动该工件至一工作区域；根据该瑕疵影像信息，产生一特征强化信息；根据该特征强化信息，调整一可变光源装置的光学输出特性，借以对该工作区域上的该工件提供光源；根据该特征强化信息，调整一可变影像捕获设备的外在参数与内在参数，借以影像撷取于该工作区域上的该工件，以获得该工件的一特征强化影像；正规化该特征强化影像，以形成一训练样本；以及提供该训练样本至一深度学习模型，借以训练该深度学习模型分辨该瑕疵影像信息。
本发明的更一目的，在于提供一种非瞬时计算机可读取记录媒体，具有一计算机程序，当控制器加载该程序并执行后，完成如上所述的方法。
本发明可以有效的强化工件影像的瑕疵及缺陷于影像中的表现，有助于提升深度学习模型对于瑕疵及缺陷特征的辨识率。
本发明可以撷取工件于各种不同光源环境下的影像表现，并将其输入至深度学习模型中进行学习，同样有助于提升深度学习模型对于瑕疵及缺陷特征的辨识率。
附图说明
图1：本发明光学特征强化系统的方块示意图。
图2：本发明中图像处理模块的功能方块示意图。
图3：本发明中可变光源装置的光源控制模块示意图。
图4：本发明中可变光源装置其中一较佳实施例的示意图。
图5：本发明可变光源装置另一较佳实施例的示意图。
图6：本发明中可变影像捕获设备及其移载装置的外观示意图(一)。
图7：本发明中可变影像捕获设备及其移载装置的外观示意图(二)。
图8：本发明中卷积神经网络的训练方块示意图。
图9：本发明强化工件缺陷特征以增加深度学习瑕疵辨识率的方法流程示意图(一)。
图10：本发明强化工件缺陷特征以增加深度学习瑕疵辨识率的方法流程示意图(二)。
附图标记
10 自动光学检测设备
11 影像捕获设备
12 图像处理装置
20 移载装置
30 强化工件光学特征的设备
31 可变影像捕获设备
311 第二移动式载台
312 升降装置
313 旋转装置
32 可变光源装置
321 光源控制模块
32A 光源强度控制单元
32B 光源角度控制单元
32C 光源频谱控制单元
322 第一移动式载台
33 图像处理模块
33A 影像分析模块
33B 缺陷定位模块
33C 缺陷面积计算模块
34 控制装置
35 运算器
L1 环形灯
L2 侧向灯
L3 背光灯
201 卷积层
202 线性整流单元
203 池化层
204 全连接层
205 正规化输出层
206 比较模块
207 权重调整模块
P 工件
具体实施方式
有关本发明的详细说明及技术内容，现就配合图式说明如下。再者，本发明中的图式，为说明方便，其比例未必照实际比例绘制，该等图式及其比例并非用以限制本发明的范围，在此先行叙明。
以下是针对本发明一较佳实施例进行说明，请参阅图1，是本发明光学特征强化系统的方块示意图。
本发明主要包括自动光学检测设备10、以及一或数个设置于该自动光学检测设备10下游的移载装置20以及强化工件光学特征的设备30。该移载装置20将该自动光学检测设备10检测过后的工件，移载至该强化工件光学特征的设备30的工作区域内。该强化工件光学特征的设备30则经由补光强化工件中的缺陷特征，以供后续输出至卷积神经网络系统(CNN)进行训练程序。
所述的自动光学检测设备10包括一影像捕获设备11以及一连接至该影像捕获设备11的图像处理装置12。该影像捕获设备11拍摄工件并经由拍摄工件后获取工件影像。于一较佳实施例中，该影像捕获设备11是可以为面扫描摄影机(Area Scan Camera)或线扫描摄影机(Line Scan Camera)，于本发明中不予以限制。该图像处理装置12是用以进行影像分析及图像处理程序，用以产生一瑕疵影像信息。其中，所述的瑕疵影像信息例如包括缺陷的类别信息和/或缺陷位置信息。
所述的移载装置20设置于该自动光学检测设备10的下游位置，用以将该自动光学检测设备10检测完成的工件，通过自动或半自动化的方式移载至该强化工件光学特征的设备30的工作区域。于一较佳实施例中，该移载装置20可以由数个工作装置所构成，通过数个工作装置间相互间的协同工作，以较短或较佳的路径传递工件，并尽量的避免在传递或移载工件的过程中碰撞或损坏工件。具体而言，该移载装置20例如可以为传输带(Conveyingbelt)、线性移动载台、真空吸附装置、多轴载具、多轴机械手臂(Multi-Axis Robot Arm)、翻面装置(Flipping Device)等、或其他类此的装置、或更甚者由数个上述装置相互协同所构成的设备，于本发明中不予以限制。
所述的强化工件光学特征的设备30是设置于该自动光学检测装置10的下游位置以经由该移载装置20取得检测过后的工件。该强化工件光学特征的设备30包括至少一可变影像捕获设备31、至少一可变光源装置32、一图像处理模块33、以及一连接至该可变影像捕获设备31、该可变光源装置32及该图像处理模块33的控制装置34、以及一耦接至该控制装置34的运算器35。该可变光源装置32及该可变影像捕获设备31是设置于一工作区域内，用以对工件进行辅助照明并进一步拍摄工件的影像。
该可变光源装置32用以对工件提供光源，其中该可变光源装置32的光学输出特性是可调整的。具体而言，该可变光源装置32可调整的该光学输出特性包括光源的强度、照射角度或频谱等。
在一较佳实施例中，该可变光源装置32可以提供均匀光、平行光、环形光、点光源、聚光灯、区域光、体积光等。又在一较佳实施例中，该可变光源装置32可以提供数个设置于不同角度位置的灯具(例如：正面光源、背面光源、以及不同角度的侧向光源等)，依据控制装置34的指令启动对应角度的光源进行拍摄，以获取不同光源照射下的工件影像；也或是通过移动式载台，将灯具移动至不同的位置以实现多角度或是提供局部光源的效果。
又在一较佳实施例中，该可变光源装置32可以提供不同频谱的光源，例如白光、红光、蓝光、绿光、黄光、UV光、雷射光等，通过将不同频谱的光源照射至工件，凸显工件的缺陷特征。
又在一较佳实施例中，该可变光源装置32可以依据控制装置34的指令，局部性的对工件的瑕疵提供照明，在本发明中不予以限制。
该可变影像捕获设备31用以对工件进行影像撷取，其中该可变影像捕获设备31的外在参数与内在参数为可调整的。其中，所述的内在参数包括焦距、像距、镜头投影中心成像在影像上的位置、像素的长宽比、镜头扭曲变形的参数等；外在参数包括摄影机在三维坐标中的位置与拍摄方向，包含旋转矩阵与位移矩阵等。
在一较佳实施例中，该可变影像捕获设备31可以为面扫描摄影机(Area ScanCamera)或线扫描摄影机(Line Scan Camera)，此部分可看设备配置上的需求，在本发明中不予以限制。
该图像处理模块33用以根据该瑕疵影像信息，以产生一特征强化信息。具体而言，所述的特征强化信息可以为一系列控制参数的组合，该控制参数是依据缺陷的类别、位置而生成；该控制参数例如为具体的坐标、照明对策、或是工作流程等。于一较佳实施例中，可以通过建立数据库并依据缺陷的类别、位置找到对应的控制参数，该等控制参数用以输出至该控制装置，该控制装置34可预先调整和/或实时(real time)调整该可变影像捕获设备31及可变光源装置32的输出。
该控制装置34根据该特征强化信息调整该外在参数、该内在参数、和/或该光学输出特性，并控制该可变影像捕获设备31和/或该可变光源装置32的操作，借以获得该工件的特征强化影像。
于一较佳实施例中，该控制装置34主要包含有处理器，以及连接于该处理器的储存单元。在本实施例中，处理器以及储存单元可共同构成一计算机或处理器，例如是个人计算机、工作站、主计算机或其他型式的计算机或处理器，在此并不限制其种类。在本实施例中，处理器可耦接于储存单元。处理器例如是中央处理器(Central Processing Unit,CPU)，或是其他可程序化的一般用途或特殊用途的微处理器(Microprocessor)、数字信号处理器(Digital Signal Processor,DSP)、可程序化控制器、特殊应用集成电路(Application Specific Integrated Circuits,ASIC)、可程序化逻辑设备(ProgrammableLogic Device,PLD)或其他类似装置或这些装置的组合。
所述的运算器35是用以加载储存装置后执行一深度学习模型，根据该特征强化影像，借以分辨该瑕疵影像信息。所述的深度学习模型例如可以但不限于LeNet模型、AlexNet模型、GoogleNet模型或VGG模型(Visual Geometry Group)、或是依据上述模型作为基础进行修改及扩充的卷积神经网络。
如图2所示，是本发明中图像处理模块的功能方块示意图。
于该自动光学检测设备10拍摄该工件影像后，是针对该工件影像中的缺陷特征进行标记，并将瑕疵影像信息传送至图像处理模块33，经由图像处理模块33输出特征强化信息至下游的强化工件光学特征的设备30，以便下游的强化工件光学特征的设备30控制该可变影像捕获设备31和/或该可变光源装置32的操作。该图像处理模块33依据其所执行的功能是包括影像分析模块33A、缺陷定位模块33B、缺陷面积计算模块33C。
所述的影像分析模块33A是用以影像分析该瑕疵影像信息，以确认缺陷特征及缺陷种类。具体而言，该影像分析模块33A是可以执行影像的预处理程序(例如影像强化、去除噪声、加强对比、加强边缘、撷取特征、影像压缩、影像转换等)，并将输出的影像经由视觉软件工具和算法进行分析，借此可以凸显出缺陷特征在影像中的表现，并经由比对处理过后的工件影像及标准母片的差异性，确认缺陷的存在，同时较佳的可以经由瑕疵及缺陷的表现判断缺陷特征及缺陷种类。
所述的缺陷定位模块33B是用以定位该缺陷特征于该工件上的相对位置。具体而言，在影像分析模块33A确认瑕疵及缺陷的存在后，该缺陷定位模块33B将于影像中设定缺陷特征所在位置的坐标，并将坐标与工件的品号及瑕疵/缺陷种类进行绑定，储存于数据库以供查找及存取。其中，坐标的基准点可以经由工件、或载具上的明显特征为参考点进行标记，或是直接设定工件的边界(例如面板、电路板等平面对象)为基准设定坐标，在本发明中不予以限制。
所述的缺陷面积计算模块33C是用以分析该缺陷特征的涵盖面积。具体而言，在确认缺陷的种类以及位置后，为了确保后端的强化工件光学特征的设备30可以完整的拍摄工件上的缺陷特征，并确认需要进行强化的区域，必须要先确认缺陷特征涵盖的范围。缺陷面积计算模块33C是可以通过搜寻连通区块的边界值，找到缺陷特征所涵盖的范围，进一步计算出缺陷特征的面积。
经由上述的程序，图像处理模块33所获取的缺陷特征将包括缺陷的类别信息和/或缺陷所在的位置信息。
由于不同的缺陷特征对于不同的类型的光源分别有较佳的表现，强化工件光学特征的设备30的控制装置34于获得特征强化信息后(包括类别信息及位置信息)，控制装置34是依据缺陷特征的种类决定要提供何种照明光源至该工作区域上的工件。
该控制装置34的储存单元是预存有数据库，数据库内是包括有索引以及分别对应于索引的输出值，控制装置34于获得图像处理模块33传送而来的特征强化信息时，依据特征强化信息作为索引找到对应的输出值，以此输出值调整该可变光源装置32的光学输出特性。
缺陷种类及光学输出特性的对应，以下是列举的，但是下面的列举内容仅为本发明的其中一可实施例，并非用于限制本发明的范围，在此先行叙明。
如所属的缺陷特征相对于周遭的色调、饱和度、亮度反差较大的区域容易经由图像处理程序(如二值化法)后被辨识出来，可以提供均匀光(或环境光)至工件的表面，使工件的可视平面上每一处的亮度呈均匀分布。所述的缺陷特征例如可以为金属变色、料件表面变色、黑线、积墨、漏底材、亮点、花斑、脏污、刮伤的部分。
如所属的缺陷特征是为影像中的不平整区域，可以提供侧向的平行光至工件的表面，让光路径是与工件的可视平面形成一夹角，使影像中的不平整区域产生阴影。所述的缺陷特征例如可以为竖纹、刀纹、砂光纹等造成工件表面不平整的瑕疵。
如所述的缺陷特征是为工件内部的瑕疵或是所属的瑕疵特别能够反射特定波长的光，可以提供背光源至工件的背面，或是提供可切换频谱的光源用以照射工件，使影像中的缺陷被凸显出来。所述的缺陷特征例如可以为斑纹(Mura)、或是亮点、碎亮点等。
除以上揭示的实施例外，本发明配合不同的缺陷特征也可以组合各式不同的光源以凸显影像中的缺陷特征。经凸显过缺陷特征的特征强化影像，最后传送至运算器35的深度学习模型进行训练，借此增加深度学习模型的辨识率。
以下针对可变光源装置32的多种不同实施例进行说明，请参阅图3，是本发明中可变光源装置的光源控制模块示意图，如图3所示：
在一较佳实施例中，该可变光源装置32可以由数个灯组所构成，并通过连接或耦接于该数个灯组的光源控制模块321控制该数个灯组的运作。具体而言，该光源控制模块321是包括光源强度控制单元32A、光源角度控制单元32B、及光源频谱控制单元32C。
该光源强度控制单元32A是用以控制单一或数个灯组的输出功率，借此，强化工件光学特征的设备30可以通过侦测环境光的状态，决定灯组的输出功率。
该光源角度控制单元32B是用以控制灯组的照射角度。于其中一较佳实施例中，可以直接设置数个以不同角度对准至工作区域，光源角度控制单元32B是直接依据控制装置34的指令决定开启对应位置的灯组。于另一较佳实施例中，可以通过设置移载装置乘载可变光源装置32(灯具)移动至对应的位置对工件进行补光。又于一较佳实施例中，可以通过于传播介质上设置电磁转换模块变更光源的偏振特性，借此输出不同相位或是偏振方向的光源，于本发明中不予以限制。
该光源频谱控制单元32C是用以控制输出不同频谱的光源，通过切换不同波长的光源，以凸显工件表面的瑕疵。所述不同频谱的光源例如白光、红光、蓝光、绿光、黄光、UV光、雷射光等。本实施例例如可以用于凸显面板的斑纹瑕疵(Mura)、或其他隐藏于工件内侧并容易显示于特殊光源下的缺陷。
在其中一较佳实施例，请参阅图4，是本发明中可变光源装置其中一较佳实施例的示意图，如图4所示：
光源控制模块321于较佳的实施例中，是可以连接至复数种不同的灯具，以配合不同的缺陷特征输出不同类型的光源。于本实施例中，所述的光源控制模块321是连接至环形灯L1、侧向灯L2、及背光灯L3，当光源控制模块321收到控制装置34所传递而来的指令时，是可依据指令的内容决定开启的灯具，以输出对应的光源至工件经该可变影像捕获设备31拍摄工件P。
在另一较佳实施例中，请参阅图5，是本发明可变光源装置另一较佳实施例的示意图，如图5所示：
本实施例中的该强化工件光学特征的设备30更包括一用以承载该可变光源装置32的第一移动式载台322，该第一移动式载台322依据控制装置34的指令于该工作区域内移动该可变光源装置32，借以调整该可变光源装置32的该光学输出特性。本实施例可以用于局部强化工件上的部分区域，用以加深工件的缺陷特征相对周遭区域的对比度，以便从影像中凸显缺陷特征的影像。
该第一移动式载台322于较佳的实施例中，是可以为多维式的线性移动载台、多轴机械手臂(Multi-Axis Robot Arm)等，于本发明中不予以限制。
以下针对可变影像捕获设备31的多种不同实施例进行说明，请参阅图6及图7，是本发明中可变影像捕获设备及第二移动式载台的外观示意图(一)及外观示意图(二)，如图6、图7所示：
所述的可变影像捕获设备31在一较佳实施例中是可以配合缺陷类别或缺陷位置，依据控制装置34的指令移动至较佳的取像位置或取像角度拍摄该工件P。该强化工件光学特征的设备30更包括一用以承载该可变影像捕获设备31的第二移动式载台311，该第二移动式载台311于该工作区域内移动该可变影像捕获设备31，并配合调整该可变影像捕获设备31的该外在参数与该内在参数，借此以最佳的方式拍摄工件P并获得缺陷的加强影像。在本实施例中，所述的第二移动式载台311是为多维的线性移动载台，用以于XYZθ方向上移动，以调整该可变影像捕获设备31与工件P的间的相对位置、间距、及角度。
如图6所示，该可变影像捕获设备31可以通过线性移动载台于XY方向上移动，在该控制装置34接收到该缺陷特征的位置信息时，是可依据该位置信息控制线性移动载台于X方向上及Y方向上的移动量，以移动该可变影像捕获设备31并对准至该缺陷特征的位置进行拍摄。
除了于XY方向上移动外，该线性移动载台也可以控制该可变影像捕获设备31于Z方向上的位置及拍摄角度，如图7所示，该线性移动载台上是可以选择性的设置有一升降装置312以及一旋转装置313。该升降装置312是可以相对该线性移动载台升降，借此可调整该可变影像捕获设备31与该工件P的间的距离；该旋转装置313用以乘载该可变影像捕获设备31，该旋转装置313可以经由接收该控制装置34的指令决定其旋转角度θ，以控制该可变影像捕获设备31的拍摄角度。
除了上述的方式外，该控制装置34也可通过软件或光学手段调整该可变影像捕获设备31对焦及取像的位置以获得该特征强化影像，在本发明中不予以限制。
经由上述的设备，最终可获得强化缺陷特征后的特征强化影像。所获得的该特征强化影像正规化后输入至该运算器35的深度学习模型进行训练。其中深度学习模型的架构可以为LeNet模型、AlexNet模型、GoogleNet模型或VGG模型(Visual Geometry Group)，在本发明中不予以限制。
有关于卷积神经网络的训练方式，请参阅图8，是为卷积神经网络的训练方块示意图，如图8所示：
将上述过程所获得的特征强化影像输入至计算机设备(运算器35)，计算机设备是逐一针对特征强化影像进行训练。每一组的特征强化影像包含有网络的输入值(影像数据)及预期输出(良品、NG品、瑕疵品或其瑕疵种类等)两种参数，输入值是经由卷积神经网络重复经过卷积层201、线性整流单元202、池化层203进行特征强化及影像压缩处理，并经由全连接层204依据权重比例进行分类，最终经由正规化输出层205输出分类的结果。在取得分类的结果后，借由比较模块206将检测结果与预期输出进行比对，判断检测结果是否符合预期，若不符合预期的话该比较模块206是将所获得的误差值输出至权重调整模块207，基于反向传播算法计算并调整全链接层的权重，借此经由重复上述的步骤完成训练。
经由上述的过程，最终可以有效的提升卷积神经网络对于瑕疵及缺陷特征的辨识率，而且在于检测的过程中也可以进行反复的验证，训练后的机台最终可以达到相当高的完成度及辨识率。
以下针对本发明强化工件光学特征的方法进行说明，请参阅图9及图10，为本发明强化工件光学特征的方法的流程示意图(一)及流程示意图(二)，如图9、10所示：
本发明是提供一种强化工件光学特征的方法，该方法主要包括：
工件移载至自动光学检测设备10的检测区域上，预备进行瑕疵/缺陷检测(步骤S11)。
自动光学检测设备10经由影像捕获设备11拍摄工件，并获取该工件影像(步骤S12)。
在取得该工件影像后，该自动光学检测设备10的图像处理装置12经由图像处理获取该工件影像中的瑕疵影像信息(步骤S13)，其中所述的瑕疵影像信息例如包括缺陷的类别信息和/或缺陷位置信息。
通过移载装置20将检测过后的工件由自动光学检测设备10的检测区域移载至强化工件光学特征的设备30的工作区域，并由该影像处理装置12获得该瑕疵影像信息(步骤S14)。
根据该瑕疵影像信息，产生一特征强化信息(步骤S15)，其中所述的特征强化信息是可以为一是列控制参数的组合，该控制参数是依据缺陷的类别、位置而生成。
根据该特征强化信息，调整可变光源装置32的光学输出特性照射至该工作区域上的该工件，借以对该工作区域上的工件提供光源，以强化该工件的缺陷特征(步骤S16)其中，该可变光源装置32的光学输出特性依据该缺陷类别调整，该可变光源装置32可调整的该光学输出特性包括光源的强度、照射角度或频谱。
接着，根据该特征强化信息，控制装置34是操作该可变影像捕获设备31的外在参数与内在参数，借以影像撷取于该工作区域上的该工件，以获得该工件的特征强化影像(步骤S17)；其中，控制装置34是可依据缺陷类别调整该可变影像捕获设备31的位置、角度或是焦距等。
最后，控制装置34将强化后的该特征强化影像进行正规化后形成一训练样本(步骤S18)，该训练样本是包括至少一输入值及一对应于该输入值的预期输出。
将该训练样本传送至计算机设备(运算器35)，以经由该计算机设备输入至一深度学习模型，借以训练该深度学习模型分辨该瑕疵影像信息(步骤S19)。
上述的方法步骤可通过非暂存计算机可读取记录媒体的方式实施，所述的计算机可读取纪录媒体例如可为只读存储器、闪存、软盘、硬盘、光盘、随身碟、磁带、可由网络存取的数据库或熟悉此技艺者可轻易思及具有相同功能的储存媒介。
综上所述，本发明可以有效的强化工件影像的瑕疵及缺陷于影像中的表现，有助于提升深度学习模型对于瑕疵及缺陷特征的辨识率。此外，本发明可以撷取工件于各种不同光源环境下的影像表现，并将其输入至深度学习模型中进行学习，同样有助于提升深度学习模型对于瑕疵及缺陷特征的辨识率。
以上已将本发明做一详细说明，如以上所述，仅是本发明的一较佳实施例而已，并不能以此限定本发明实施的范围，即凡依本发明申请专利范围所作的均等变化与修饰，皆应仍属本发明的专利涵盖范围内。

Claims (23)

1.一种强化工件光学特征的设备，其特征在于，自外部接收一工件与对应的一瑕疵影像信息，该设备包括：
至少一个可变影像捕获设备，于一工作区域内，对该工件进行影像撷取，其中该可变影像捕获设备的外在参数与内在参数为可调整的；
至少一个可变光源装置，于该工作区域内，对该工件提供光源，其中该可变光源装置的光学输出特性为可调整的；
一图像处理模块，根据该瑕疵影像信息，以产生一特征强化信息；以及
一控制装置，根据该特征强化信息调整该外在参数、该内在参数、和/或该光学输出特性，并控制该可变影像捕获设备和/或该可变光源装置的操作，借以获得该工件的特征强化影像。
2.根据权利要求1项所述的设备，其特征在于，还包括：一耦接于该控制装置的运算器，该运算器加载储存装置后执行一深度学习模型，根据该特征强化影像，借以分辨该瑕疵影像信息。
3.根据权利要求2项所述的设备，其特征在于，该深度学习模型为LeNet模型、AlexNet模型、GoogleNet模型或VGG模型。
4.根据权利要求1项所述的设备，其特征在于，该可变光源装置可调整的该光学输出特性包括光源的强度、照射角度或频谱。
5.根据权利要求4项所述的设备，其特征在于，该可变光源装置包括数个设置于不同角度位置的灯具。
6.根据权利要求4项所述的设备，其特征在于，该可变光源装置所提供的不同频谱的光源包括白光、红光、蓝光、绿光、黄光、UV光或雷射光。
7.根据权利要求4项所述的设备，其特征在于，该可变光源装置包括数个灯组、以及一连接或耦接于该数个灯组的光源控制模块。
8.根据权利要求7项所述的设备，其特征在于，该光源控制模块包括：
一光源强度控制单元，用以控制单一或数个该灯组的输出功率；
一光源角度控制单元，用以控制灯组的照射角度；以及
一光源频谱控制单元，用以控制输出不同频谱的光源。
9.根据权利要求1项所述的设备，其特征在于，该图像处理模块所接收的该瑕疵影像信息包括缺陷的类别信息和/或缺陷位置信息。
10.根据权利要求1项所述的设备，其特征在于，还包括：一或数个移载装置，用以将外部自动光学检测设备所传送的工件，移载至该工作区域内。
11.根据权利要求10项所述的设备，其特征在于，该移载装置为传输带、线性移动载台、真空吸附装置、多轴载具、多轴机械手臂或翻面装置。
12.根据权利要求1项所述的设备，特征在于，还包括：一第一移动式载台，用以承载该可变光源装置，其中该第一移动式载台在该工作区域内移动该可变光源装置，借以调整该可变光源装置的该光学输出特性。
13.根据权利要求12项所述的设备，其特征在于，该第一移动式载台为多维式的线性移动载台或多轴机械手臂。
14.根据权利要求1项所述的设备，特征在于，还包括：一第二移动式载台，用以承载该可变影像捕获设备，其中该第二移动式载台在该工作区域内移动该可变影像捕获设备，并配合调整该可变影像捕获设备的该外在参数与该内在参数。
15.根据权利要求1项所述的设备，其特征在于，该图像处理模块包括：
一影像分析模块，影像分析该瑕疵影像信息，用以确认缺陷特征与缺陷种类；
一缺陷定位模块，用以定位该缺陷特征于该工件上的相对位置；以及
一缺陷面积计算模块，用以分析该缺陷特征的涵盖面积。
16.一种强化工件光学特征的方法，其特征在于，包括：
自外部接收一工件与对应的一瑕疵影像信息；
移动该工件至一工作区域；
根据该瑕疵影像信息，产生一特征强化信息；
根据该特征强化信息，调整一可变光源装置的光学输出特性，借以对该工作区域上的该工件提供光源；
根据该特征强化信息，调整一可变影像捕获设备的外在参数与内在参数，借以影像撷取于该工作区域上的该工件，以获得该工件的特征强化影像。
17.根据权利要求16项所述的方法，其特征在于，还包括：提供该特征强化信息至一深度学习模型，借以训练该深度学习模型分辨该瑕疵影像信息。
18.根据权利要求17项所述的方法，其特征在于，该训练包括：
将所获得的该特征强化影像输入至运算器，该运算器逐一针对输入的该特征强化影像进行训练，每一组的该特征强化影像包含有网络的输入值及预期输出两种参数；
该输入值经由卷积神经网络重复经过卷积层、线性整流单元、池化层进行特征强化及影像压缩处理，并经由全连接层依据权重比例进行分类，经由正规化输出层输出分类的结果；
借由比较模块将检测结果与预期输出进行比对，判断检测结果是否符合预期；以及
若不符合预期，则该比较模块将所获得的误差值输出至权重调整模块，基于反向传播算法计算并调整该全连接层的权重。
19.根据权利要求16项所述的方法，其特征在于，调整该光学输出特性包括调整光源的强度、照射角度或频谱。
20.根据权利要求16项所述的方法，其特征在于，调整该可变影像捕获设备的该外在参数与该内在参数包括调整该可变影像捕获设备的拍摄位置、对焦位置或焦距。
21.根据权利要求16项所述的方法，其特征在于，根据该瑕疵影像信息，产生特征强化信息包括：
影像分析该瑕疵影像信息，用以确认缺陷特征与缺陷种类；
定位该缺陷特征在该工件上的相对位置；以及分析该缺陷特征的涵盖面积。
22.一种强化工件光学特征的深度学习方法，其特征在于，包括：
自外部接收一工件与对应的一瑕疵影像信息；
移动该工件至一工作区域；
根据该瑕疵影像信息，产生一特征强化信息；
根据该特征强化信息，调整一可变光源装置的光学输出特性，借以对该工作区域上的该工件提供光源；
根据该特征强化信息，调整一可变影像捕获设备的外在参数与内在参数，借以影像撷取于该工作区域上的该工件，以获得该工件的一特征强化影像；
正规化该特征强化影像，以形成一训练样本；以及
提供该训练样本至一深度学习模型，借以训练该深度学习模型分辨该瑕疵影像信息。
23.一种非瞬时计算机可读取记录媒体，其特征在于，具有一计算机程序，当控制器加载该程序并执行后，完成如权利要求16至22项中任一项所述的方法。
CN201810432174.3A 2018-03-02 2018-05-08 强化工件光学特征的设备、方法、深度学习方法及媒体 Active CN110231340B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
TW107106952A TWI654584B (zh) 2018-03-02 2018-03-02 強化工件光學特徵之設備、方法、強化工件光學特徵之深度學習方法及非暫態電腦可讀取記錄媒體
TW107106952 2018-03-02

Publications (2)

Publication Number Publication Date
CN110231340A true CN110231340A (zh) 2019-09-13
CN110231340B CN110231340B (zh) 2022-09-13

Family

ID=66590687

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810432174.3A Active CN110231340B (zh) 2018-03-02 2018-05-08 强化工件光学特征的设备、方法、深度学习方法及媒体

Country Status (3)

Country Link
US (2) US20190272628A1 (zh)
CN (1) CN110231340B (zh)
TW (1) TWI654584B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110763700A (zh) * 2019-10-22 2020-02-07 深选智能科技(南京)有限公司 一种半导体元器件缺陷检测方法和设备
CN110940672A (zh) * 2019-12-13 2020-03-31 智泰科技股份有限公司 智能光学检测样品特征与瑕疵ai模型自动产生方法及装置
CN110956627A (zh) * 2019-12-13 2020-04-03 智泰科技股份有限公司 智能型光学检测样品特征与瑕疵智能打光取像方法及装置
CN111079831A (zh) * 2019-12-13 2020-04-28 智泰科技股份有限公司 智能型光学检测的样品特征与瑕疵自动标记方法及其装置
TWI707299B (zh) * 2019-10-18 2020-10-11 汎思數據股份有限公司 光學檢測二次圖像分類方法
CN112200179A (zh) * 2020-10-15 2021-01-08 马婧 一种光源调节方法及装置
CN117147586A (zh) * 2023-10-26 2023-12-01 江苏纳沛斯半导体有限公司 一种cof树脂区异物检测方法

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7087792B2 (ja) * 2018-07-31 2022-06-21 株式会社リコー 画像データ生成装置、画像データ生成方法およびプログラム
KR20210125526A (ko) 2019-02-12 2021-10-18 에코에이티엠, 엘엘씨 전자 디바이스 키오스크를 위한 커넥터 캐리어
AU2020224096A1 (en) * 2019-02-18 2021-09-23 Ecoatm, Llc Neural network based physical condition evaluation of electronic devices, and associated systems and methods
TWI702373B (zh) * 2019-03-22 2020-08-21 由田新技股份有限公司 翻面式多軸機械手臂裝置及其光學檢測設備
CN109961488A (zh) * 2019-03-25 2019-07-02 中国银联股份有限公司 一种实物图像生成方法及装置
CN111210418A (zh) * 2020-01-09 2020-05-29 中国电建集团华东勘测设计研究院有限公司 一种用透明摄像球检查市政供水管道的方法
TWI732618B (zh) * 2020-07-02 2021-07-01 撼訊科技股份有限公司 影像辨識方法及其系統
US11922467B2 (en) 2020-08-17 2024-03-05 ecoATM, Inc. Evaluating an electronic device using optical character recognition
CN112528922A (zh) * 2020-12-21 2021-03-19 广东爱科环境科技有限公司 一种地下排水管道缺陷图像采集分类系统及方法
CN112712504B (zh) * 2020-12-30 2023-08-15 广东粤云工业互联网创新科技有限公司 基于云端的工件检测方法及系统、计算机可读存储介质
CN117642769A (zh) * 2021-07-14 2024-03-01 巴斯夫欧洲公司 用于评估物理对象的质量的系统
CN113689355B (zh) * 2021-09-10 2022-07-08 数坤(北京)网络科技股份有限公司 图像处理方法、装置、存储介质及计算机设备
TWI799083B (zh) * 2022-01-14 2023-04-11 合晶科技股份有限公司 自動光學缺陷檢測裝置及方法
CN116228766B (zh) * 2023-05-08 2023-07-25 德中(深圳)激光智能科技有限公司 一种等离子加工设备的智能调控方法及系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1948955A (zh) * 2005-10-12 2007-04-18 奥林巴斯株式会社 基板检查装置
JP2009150718A (ja) * 2007-12-19 2009-07-09 Nikon Corp 検査装置および検査プログラム
CN102023164A (zh) * 2009-09-23 2011-04-20 法国圣-戈班玻璃公司 用于检测透明平板的局部缺陷的装置和方法
CN106596555A (zh) * 2015-10-19 2017-04-26 由田新技股份有限公司 运用多轴机臂的光学检查设备
CN106645177A (zh) * 2016-12-30 2017-05-10 河南奇测电子科技有限公司 电池壳表面视觉检测流水线及其内底面检测装置
CN107153072A (zh) * 2017-06-21 2017-09-12 苏州卡睿知光电科技有限公司 一种镜片疵病检测方法及装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1948955A (zh) * 2005-10-12 2007-04-18 奥林巴斯株式会社 基板检查装置
JP2009150718A (ja) * 2007-12-19 2009-07-09 Nikon Corp 検査装置および検査プログラム
CN102023164A (zh) * 2009-09-23 2011-04-20 法国圣-戈班玻璃公司 用于检测透明平板的局部缺陷的装置和方法
CN106596555A (zh) * 2015-10-19 2017-04-26 由田新技股份有限公司 运用多轴机臂的光学检查设备
CN106645177A (zh) * 2016-12-30 2017-05-10 河南奇测电子科技有限公司 电池壳表面视觉检测流水线及其内底面检测装置
CN107153072A (zh) * 2017-06-21 2017-09-12 苏州卡睿知光电科技有限公司 一种镜片疵病检测方法及装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI707299B (zh) * 2019-10-18 2020-10-11 汎思數據股份有限公司 光學檢測二次圖像分類方法
CN110763700A (zh) * 2019-10-22 2020-02-07 深选智能科技(南京)有限公司 一种半导体元器件缺陷检测方法和设备
CN110940672A (zh) * 2019-12-13 2020-03-31 智泰科技股份有限公司 智能光学检测样品特征与瑕疵ai模型自动产生方法及装置
CN110956627A (zh) * 2019-12-13 2020-04-03 智泰科技股份有限公司 智能型光学检测样品特征与瑕疵智能打光取像方法及装置
CN111079831A (zh) * 2019-12-13 2020-04-28 智泰科技股份有限公司 智能型光学检测的样品特征与瑕疵自动标记方法及其装置
CN112200179A (zh) * 2020-10-15 2021-01-08 马婧 一种光源调节方法及装置
CN117147586A (zh) * 2023-10-26 2023-12-01 江苏纳沛斯半导体有限公司 一种cof树脂区异物检测方法

Also Published As

Publication number Publication date
US20190272628A1 (en) 2019-09-05
TW201939441A (zh) 2019-10-01
US20210073975A1 (en) 2021-03-11
TWI654584B (zh) 2019-03-21
CN110231340B (zh) 2022-09-13

Similar Documents

Publication Publication Date Title
CN110231340A (zh) 强化工件光学特征的设备、方法、深度学习方法及媒体
CN110658202B (zh) 一种基于深度学习的工业元器件外观缺陷检测方法
JP6896971B2 (ja) 試料の特性評価中にラベル数を決定するための方法および装置
CN102412170B (zh) 多方向上反射的光源的采集系统和方法
CN104091766B (zh) 检测晶片的系统和方法
CN113030108A (zh) 一种基于机器视觉的涂层缺陷检测系统与方法
CN104730091B (zh) 基于区域分割探测的燃气轮机叶片缺陷提取与分析方法
CN109584227A (zh) 一种基于深度学习目标检测算法的焊点质量检测方法及其实现系统
CN109959661A (zh) 自动光学检测方法、设备、及其深度学习系统
CN111612737B (zh) 一种人造板表面瑕疵检测装置及检测方法
CN109683360A (zh) 液晶面板缺陷检测方法及装置
CN109934821A (zh) 一种零件缺陷检测方法及系统
CN107796825A (zh) 器件检测方法
US20210272273A1 (en) GENERATIVE ADVERSARIAL NETWORKS (GANs) FOR SIMULATING SPECIMEN IMAGES
JP2021510201A (ja) 訓練が低減されたニューラルネットワークを使用したバイオ流体検体の特徴付けのための方法および装置
CN110956627A (zh) 智能型光学检测样品特征与瑕疵智能打光取像方法及装置
KR20220095216A (ko) Sem 이미지에 대한 bbp 지원 결함 검출 흐름
CN106663201A (zh) 一种手掌检测方法和设备
TW202226027A (zh) 用於光學或其他模式選擇之深度生成模型
EP4107515A1 (en) Imaging assisted scanning spectroscopy for gem identification
CN109693140A (zh) 一种智能化柔性生产线及其工作方法
WO2012122542A2 (en) Intelligent airfoil component surface imaging inspection
CN116416613A (zh) 一种基于改进YOLO v7的柑橘果实识别方法及系统
KR20240014575A (ko) 안과용 렌즈들의 이미지들의 획득 및 검사
CN116348897A (zh) 用于可收集物品的识别及分级系统以及相关方法

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
GR01 Patent grant
GR01 Patent grant