CN111062908A - 检测膜缺陷的方法及系统 - Google Patents

检测膜缺陷的方法及系统 Download PDF

Info

Publication number
CN111062908A
CN111062908A CN201910948488.3A CN201910948488A CN111062908A CN 111062908 A CN111062908 A CN 111062908A CN 201910948488 A CN201910948488 A CN 201910948488A CN 111062908 A CN111062908 A CN 111062908A
Authority
CN
China
Prior art keywords
film
defect
image
defects
detecting
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
Application number
CN201910948488.3A
Other languages
English (en)
Inventor
洪一泽
吴仁锡
金贤国
吴光锡
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.)
Aisikai Mcwoo Co ltd
Original Assignee
SKC 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 SKC Co Ltd filed Critical SKC Co Ltd
Publication of CN111062908A publication Critical patent/CN111062908A/zh
Pending legal-status Critical Current

Links

Images

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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/958—Inspecting transparent materials or objects, e.g. windscreens
    • 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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • 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
    • 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
    • G01N21/8422—Investigating thin films, e.g. matrix isolation method
    • 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
    • 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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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
    • 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
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N2021/8909—Scan signal processing specially adapted for inspection of running sheets
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20—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
    • 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
    • G06T2207/30116—Casting

Abstract

本发明提供一种检测膜缺陷的系统，包括：图像获取部，用于在制造工艺中获取膜图像；缺陷检测部，通过所述图像获取部获取输入至所述缺陷检测部的所述膜的图像时，所述缺陷检测部利用提前学习检测缺陷的机器学习算法，识别获取的所述膜的图像，并以识别到的所述膜的图像为基础，检测所述膜存在的所述缺陷；以及信息输出部，用于输出所述缺陷检测部检测的所述缺陷的信息。

Description

检测膜缺陷的方法及系统
【技术领域】
本发明涉及膜制造工艺中检测膜缺陷的方法及执行此方法的系统(METHOD FORDETECTING DEFECT OF FILM AND SYSTEM THEREFOR)。
【背景技术】
通过制造工艺制造产品的过程中，产品会出现各种缺陷。例如，在膜制造工艺中，铸造工艺易发生膜上产生气泡或者拉伸工艺中膜被撕裂等缺陷。发生这种缺陷有多种原因，因此为了提高产品的品质，有必要甄别有缺陷的产品与最终产品并分别管理。
现有技术中，为了甄别有缺陷的产品，需要人亲自确认产品是否有缺陷并分类的过程。但是，类似情况下，往往会依赖人的经验或者体况来判断产品是否有缺陷，因此，多少会存在准确性下降，花费工时较长的问题。
另外，最近由于技术发达，电子技术应用在各种领域，且应用在制造工艺中以提高制造效率的电子技术方案的研究也正在积极进行。例如，制造工艺自动化的引进正在积极推进，在这方面，提高检测缺陷相关的准确性和效率的要求在自动化中逐步在增加。
在先技术文献
专利文献
专利文献1：韩国授权专利第10-1541242号(2015年07月27日登记)
【发明内容】
本发明的目的在于：提供一种利用机器学习算法有效检测膜缺陷的方法及执行该方法的系统。
然而，本发明拟要解决的课题不受上述内容限制，虽然未提及，但本发明的目的可以包括，使所属技术领域的普通技术人员可以通过以下记载，明确理解本发明。
为实现上述目的，本发明的一实施例提供一种检测膜缺陷的系统，包括：图像获取部，用于在制造工艺中获取膜的图像；缺陷检测部，通过所述图像获取部获取输入至所述缺陷检测部的所述膜的图像时，所述缺陷检测部利用提前学习检测缺陷的机器学习算法，识别获取的所述膜的图像，并以识别到的所述膜的图像为基础，检测所述膜存在的所述缺陷；以及信息输出部，用于输出所述缺陷检测部检测到的所述缺陷的信息。
进一步的，所述机器学习算法可以提前学习以检测所述膜具有的所述缺陷的类型、所述缺陷的类型数量以及所述缺陷的大小信息中的至少一个。
进一步的，检测膜缺陷的系统还可以包括附加信息获取部，用于获取所述制造工艺中与膜缺陷相关的参数值。
所述机器学习算法可以通过进一步输入的参数值提前学习，以检测出输入的所述图像中的膜缺陷，其中，所述参数值是通过所述附加信息部获取的。
进一步的，所述参数值可以在所述缺陷的形状、所述缺陷的大小、所述缺陷的颜色以及是否在所述制造工艺的拉伸工艺之前获得所述膜的图像中至少包括一个。
进一步的，所述机器学习算法可以包括卷积神经网络(convolutional neuralnetwork)。
进一步的，所述图像获取部可以利用所述膜的光透射技术获取所述膜的图像。
进一步的，所述制造工艺包括依次进行的多个阶段，所述图像获取部分别在所述制造工艺的第一阶段与第二阶段获取所述膜的图像，所述缺陷检测部分别检测所述第一阶段与所述第二阶段中获取的图像的膜缺陷，并按检测出的所述缺陷类型，分别对获得的所述图像进行分类，所述第一阶段可以在所述第二阶段之前执行，其属于所述制造工艺的其中一阶段。
进一步的，针对与所述膜至少有部分相关的多个图像，所述缺陷检测部利用已指定的图像进行学习，所述已指定的图像可以是所述膜中存在至少一个可能发生缺陷的图像。
本发明的一实施例提供一种检测膜缺陷的方法，包括：在制造工艺过程中，获取膜图像的阶段；当获取到输入的所述膜的图像时，利用提前学习检测缺陷(defect)的机器学习算法，检测所述膜存在的所述缺陷的阶段；以及输出检测到的所述缺陷信息的阶段。
进一步的，所述机器学习算法可以提前学习以检测所述膜具有的所述缺陷类型、所述缺陷的类型数量以及所述缺陷的大小信息中的至少一个。
进一步的，包括：获取参数值的阶段，所述参数值是指在所述制造工艺中，影响膜缺陷的参数值，所述机器学习算法通过进一步获取到的所述参数值，提前学习，以检测出输入的所述图像中的膜缺陷。
进一步的，所述参数值在所述缺陷的形状、所述缺陷的大小、所述缺陷的颜色以及是否在所述制造工艺的拉伸工艺之前获得所述膜的图像中至少可包括一个。
进一步的，所述机器学习算法可以包括卷积神经网络(convolutional neuralnetwork)。
进一步的，所述获取图像的阶段可通过利用所述膜的光透射技术获取所述膜的图像。
进一步的，所述获取图像的阶段包括分别在所述制造工艺的第一阶段和第二阶段获取所述膜的图像的阶段，其中，所述制造工艺包括依次进行的多个阶段；检测所述缺陷的阶段包括分别检测所述第一阶段与所述第二阶段中获取的图像的膜缺陷，并按检测出的所述缺陷类型分别对获得的所述图像进行分类的阶段；所述第一阶段在所述第二阶段之前执行，其属于所述制造工艺的其中一阶段。
进一步的，所述机器学习算法包括：针对与所述膜至少有部分相关的多个图像，利用已指定图像进行学习的算法；其中，所述已指定的图像是指所述膜中存在至少一个可能发生缺陷的图像。
本发明的有益效果：根据本发明实施例的膜缺陷检测方法及系统，可以获取膜的图像，并利用机器学习算法分析获取的图像，从而提高检测膜缺陷的准确性。
但是，本发明的效果不限于以上提到的效果，本领域的普通技术人员可通过以下记载，清楚地理解其他未提到的效果。
【附图说明】
图1是本发明一实例的检测膜缺陷的方法中获取膜图像阶段的概念示意图；
图2是本发明一实施例的检测膜缺陷的系统的功能结构示意图；
图3是本发明一实施例的检测膜缺陷的方法的各阶段流程示意图；
图4是本发明一实施例的检测膜缺陷的方法中利用机器学习算法的示意图；
图5是本发明一实施例的检测膜缺陷的系统中，按类型检测缺陷的示意图；
图6是本发明一实施例的检测膜缺陷的系统中，按类型检测缺陷的另一个示意图；
图7是本发明一实施例的检测膜缺陷的系统中，检测膜缺陷的实验结果的示意图。
【具体实施方式】
本发明的优点和特点以及实现它们的方法，请参考附图以及详细说明的实施例，以便更加明确。但是，本发明可以以多种形式实现，而不是仅限于以下公开的实施例，本发明的实施例只是为了确保完整的公开本发明，并向本发明所属技术领域的技术人员提供完整的发明范围，本发明的保护范围仅由权利要求定义。
对于通知功能或结构的具体说明，在说明本发明的实施例除非实际需要，将省略。后述的术语是根据本发明实施例的功能而定义的术语，具体取决于用户、操作者的意图或惯例。因此，其定义应以本说明书的全部内容为基础。
本发明可以发生多种变化，并包含多种实施例，将特定实施例示意在附图上，并在详细说明中说明。但是，这并不是要限制本发明的特定实施例，应理解为包括本发明思想和技术范围内的所有变更、等同物及替代物。
如第一、第二等包含序数的术语可用于描述各种组件，但这些组件不受这些术语的限制。这些术语的目的是仅用于区分一个组件与另一个组件。
当提到某个组件“连接于”或“连接至”另一个组件时，可能直接连接于另一个组件，也可能连接至另一个组件，但必须理解中间可能存在其他组件。
图1是本发明一实例的检测膜缺陷的方法中，获取膜图像阶段的概念示意图。
参照图1，膜的制造工艺可以包括铸造(casting)工艺10、拉伸(stretching)工艺(或者延伸工艺)20、卷绕(Winding)工艺30、切割(slitting)工艺40。在以下膜制造工艺的每个阶段中，本领域的惯用技术手段相关说明可能会被省略。
铸造工艺10可包括制作薄片(sheet)的工艺，所述薄片通过熔化膜材使其具有流动性，而流动的膜材则通过模具(die)压出，将压出的聚合物放到铸造轧辊(casting roll)上进行快速冷却，以制作适合后工艺中拉伸所需的具有结晶度的薄片(Sheet)。铸造工艺10中可能会出现M线、碳化物、热化物、模痕(die Line)、斑点、气泡和C/R印等缺陷。
拉伸工艺20可包括提高机械性物理性质的工艺，该工艺是通过将铸造轧辊中成型且未拉伸的薄片(Sheet)沿横向或纵向中的至少一个方向拉伸，以提高薄片的机械性物理性质。拉伸工艺20可能会产生卷(roll)痕迹、拉伸斑点、白粉、槽液、碳化物、未拉伸、油污染等缺陷。
卷绕工艺30可包括将拉伸的膜卷绕成特定(预先指定)形状的工艺，例如卷(roll)形。卷绕工艺30中可能会出现划痕、白粉、槽液、冠状(corona)图案和外部有异物等缺陷。
切割工艺40可包括按预先指定的宽度与长度切割的工艺。预先指定的宽度与长度可以根据用户的输入而变化。切割工艺40中可能会出现划痕、静电缺陷和外部有异物等缺陷。
如图1所示，膜是通过铸造工艺10、拉伸工艺20、卷绕工艺30和切割工艺40过程制造而成的，并且每个工艺之间均可通过图像获取部50获得膜的图像。例如，在铸造工艺10中成型的膜可在实施拉伸工艺20之前，通过图像获取部50获取膜的图像。又例如，通过拉伸工艺20拉伸的膜在实施卷绕工艺30之前，可通过图像获取部50获得拉伸的膜的图像。
具体来说，图像获取部50可利用相机51获取经过图像获取部50的膜的图像。根据不同的情况，图像获取部50可以利用光透射技术获取应用了光透射技术的膜的图像。通过图像获取部50获得的图像，可以判断膜是否存在缺陷。
根据不同的情况，图像获取部50可以以扫描膜生产线的方式为基础，迅速获取膜的图像。
图2是本发明一实例中，检测膜缺陷的系统的功能结构示意图。以下使用的术语“…部”是指至少处理一个功能或动作的单位，可以通过硬件、软件或硬件与软件的组合来体现。进一步的，检测膜缺陷的系统200也可以称为检测膜缺陷的装置。
参考图2，检测膜缺陷的系统200可包括图像获取部210、缺陷检测部220、附加信息获取部230、信息输出部240。
图像获取部210可以是与图1的图像获取部50相对应的结构。图像获取部50可包括相机51，并通过相机51获取经过图像获取部210的膜的图像。
膜的制作工艺可以由多个阶段组成。例如，多个阶段可以包括铸造工艺10、拉伸工艺20、卷绕工艺30和切割工艺40。依次进行的膜制作工艺的每个阶段中，图像获取部210均可获取膜的图像。在这方面，对于与图1重复的说明将省略。
根据不同的情况，图像获取部210可以利用光学技术获取膜的图像。光学技术是指，在膜上透射或反射光，以获取相关部位的至少一部分膜的图像，使膜的形状更加清楚地显示。这种技术对本领域的普通技术人员来说很容易实现，因此省略其详细的说明。图像获取部210可以将获得的图像提供给缺陷检测部220。
缺陷检测部220从图像获取部210获取输入的膜的图像后，可以分析膜的图像，检测膜的缺陷。通过图像获取部210输入至缺陷检测部220的多个膜的图像，可分别分析每个膜的图像，以检测每个图像的膜缺陷。
根据不同的情况，在制造工艺各阶段的至少一部分阶段中，缺陷检测部220可从图像获取部210接收膜的图像。例如，执行铸造工艺10与卷绕工艺30后，多个膜的图像输入至缺陷检测部220时，即可检测输入的各图像的缺陷，判断检测到的缺陷类型，并按缺陷类型对输入的图像进行分类。
更具体地说，缺陷检测部220可利用提前学习检测缺陷的机器学习算法，以此检测膜中的缺陷。例如，检测膜具有的缺陷类型、缺陷数量、缺陷类型数量及缺陷大小的信息中，机器学习算法可以提前学习其中的至少一个。
同时，机器学习算法可以提前学习进一步输入的参数，并用于检测缺陷，针对参数，将在描述附加信息获取部230时，一并说明。
机器学习算法可包括卷积神经网络(convolutional neural network)。然而，机器学习算法包括但不限于本说明书中说明的算法实施例，还可以由多种可通过机器学习执行的算法组成。
附加信息获取部230可获得制造工艺中与膜缺陷相关的参数值。在这里，参数可表示区分膜缺陷的基准值。例如，在缺陷的形状、缺陷的大小、缺陷的颜色以及是否在拉伸工艺20之前获得的图像获取部210提供的图像中，参数可包括其中的至少一个。
另一方面，图像获取部210获得的图像是否在拉伸工艺20之前获得，如果获得的图像的膜在执行拉伸工艺20之前就已经存在缺陷，拉伸工艺20的进行过程可能会影响缺陷的形状或大小，从而影响检测缺陷的准确性，因此，是否在拉伸工艺20之前获得图像可用作参数值反映出这一点。
通过附加信息获取部230获取参数值时，缺陷检测部220的机器学习算法通过附加信息获取部230获取参数值，并通过该参数值进行学习，以检测图像中膜所具有的缺陷。在执行检测膜缺陷的方法时，在该方法的每个阶段之前均可提前进行这种学习。
信息输出部240可以输出缺陷的相关信息。信息输出部240以从缺陷检测部220获取的膜缺陷信息为基础输出获取的信息。信息输出部240可以包括显示装置，例如显示器等，还可以通过显示装置输出缺陷相关信息。
缺陷相关信息可以包括与获取的图像相关缺陷的各种信息。例如，缺陷相关信息可包括：存在缺陷的膜图像；膜图像中的缺陷类型信息；以及根据缺陷类型对多个膜的图像进行分类的信息等。
通过信息输出部240显示的缺陷信息将在图5与图6进行更详细的说明。
图3是本发明一实施例的检测膜缺陷的方法的各阶段的流程示意图。图3中示意的方法中，在不同情况下，其每个阶段完全可以与图中示意的顺序不同。以下说明图2中检测膜缺陷的系统200的每个构成。
参考图3，在S110阶段，图像获取部210可以获取膜的图像。通过图像获取部210获得的膜的图像中，其中的至少一部分可能是包含缺陷的膜的图像。
在S120阶段，缺陷检测部220可以使用机器学习算法分析膜的图像，检测膜存在的缺陷。更具体地说，缺陷检测部220可以判断缺陷是否已发生，如果发生了缺陷，可以判断缺陷的类型、种类等，并相应地对获得的图像进行分类。另一方面，缺陷的类型、种类等信息可能已预先存储，缺陷检测部220可以以此为基础对图像进行分类。
在此，机器学习算法可以提前学习检测膜的缺陷。通过输入的如缺陷的形状、缺陷的大小、缺陷的颜色等缺陷的参数值，机器学习算法可提前学习检测缺陷。，随着执行操作的增加，提前学习的机器学习算法，其检测故障的准确性和效率也会随之提高。
缺陷检测部220利用机器学习算法，快速并准确地检测膜的图像的缺陷。
在S130阶段，信息输出部240可以输出检测的缺陷信息。信息输出部240可以按缺陷的类型对膜上的图像进行分类，以输出发生的缺陷信息。
根据不同的情况，信息输出部240可以包括显示装置，在这种情况下，可以通过显示装置显示缺陷相关信息。显示装置是用于直观地向用户提供信息的设备，例如，可包括显示器、全息装置、投影仪及相应的装置。
如果信息输出部240不包括显示设备，则信息输出部240可能与显示装置连接，并以连接为基础向显示装置提供缺陷相关信息，从而可以通过显示装置显示缺陷的信息。
图4是本发明一实施例的检测膜缺陷的方法中，利用机器学习算法的示意图。
参考图4，参考编号4a所表示的是已获得的图像，该图像可以输入至机器学习算法301。根据参考编号4a，输入的图像可以表示为与膜相关的各种缺陷的图像。机器学习算法301可以对其获得的每个图像进行分析，并按缺陷的类型对获得的图像进行分类。
按缺陷类别分类的图像可以如同参考编号4b所示。
根据参考编号4b，在薄片(sheet)状态下，缺陷可包括：由薄片两侧状态差异而引起的M-line缺陷；气泡嵌入进膜中所产生的气泡缺陷；拉伸不充分导致的未拉伸缺陷；横向拉伸期间因高温而气化的聚合物在后面冷却时，聚合物凝聚成团过程中出现的白粉缺陷；涂布槽液的原材料变质或涂布槽液的原材料在涂布后，由于干燥不正常所导致的槽液缺陷；制造膜时所用的油被污染导致的油缺陷；纵向拉伸过程中出现错误导致的纵向S/C缺陷；横向拉伸过程中出现错误导致的横向S/C缺陷；黑色物质嵌入导致的黑色缺陷；以及碳化物嵌入导致的碳化物缺陷。然而，由机器学习算法分类的缺陷类型包括但不限于上述实施例，还可以包括膜上可能发生的各种缺陷。
虽然未标识，但根据不同情况，输入至机器学习算法301中的图像可以包括无缺陷的图像，在这种情况下，机器学习算法301可以区分无缺陷的图像与有缺陷的图像。
图5和图6是本发明的一实施例中，检测膜缺陷的系统按不同的类型，检测缺陷的示意图。
根据图5或图6所示，缺陷检测部220可检测膜上可能存在的各种缺陷，并通过信息输出部240显示。但，这仅仅是信息输出部240的一种表示形式，其包括但不限于其他多种表示形式。
进一步的，除图5与图6所示的缺陷类型外，检测膜缺陷的系统200还可以检测其他各种缺陷类型，包括但不限于图中所示的缺陷。
图7是利用本发明一实施例中，检测膜缺陷的系统检测出膜缺陷的实验结果的示意图。然而，实验结果(如：精确度)不限于图7所示，还可以根据实验以可变量进行操作，在图7中，仅说明本发明的效果。
图7表示的是，通过检测膜缺陷的系统200检测出来的各缺陷类型的膜的预期数量，以及实际存在缺陷，并按缺陷类型分类出来的膜的数量。通过比较可以看出，膜缺陷检测系统200以高概率、高精度检测出了膜中的缺陷，并按缺陷类型对膜进行了分类。
附加在本说明书上的方框图的每个方框与流程图中每个阶段的组合也可以通过计算机程序指令执行。这些计算机程序指令可以搭载在通用计算机、特殊计算机或其他可编程的数据处理设备的处理器中，因此，通过计算机或其他可编程的数据处理设备的处理器执行的那些指令，会创建出执行手段，该执行手段是方框图的每个方框或流程图的每个阶段中说明过的功能的执行手段。这些计算机程序指令为了以特定方式实现功能，还可以储存在存储器中，该存储器是可利用计算机的存储器或可读计算机的存储器，还可操控计算机或其他可编程的数据处理设备，，因此，存储在可利用计算机的存储器或可读计算机的存储器中的指令，还可以生成制造品目，该制造品目内含指令的手段，该指令的手段是指，执行方框图的每个方框或执行流程图的各阶段中说明过的功能。计算机程序指令可以搭载在计算机或其他可编程的数据处理设备上。因此，通过在计算机或其他可编程的数据处理设备上执行一系列操作步骤，生成由计算机运行的流程，执行计算机或其他可编程的数据处理设备的指令，并可提供执行方框图的每个方框的阶段以及执行流程图的每个阶段中已说明过的功能的阶段。
进一步的，各方框或各阶段还可以是包含一个以上可执行指令的模块、链段(segment)或代码的一部分，以便于执行特定的(多个)逻辑功能。还有一些替代实施例中，需要注意的是，方框或阶段中提到的功能可以偏离顺序。例如，相继图示的两个方框或阶段实际上可以同时进行，或者这些方框或阶段有时可根据相应的功能，按相反顺序进行。
以上说明仅仅是本发明技术思想的说明，本发明所属技术领域的普通技术人员，在不偏离本发明本质质量的情况下，可以进行多种修改和变形。因此，本说明书中公开的实施例不是为了限定而是为了说明本发明的技术思想，且这些实施例并不限定本发明的技术思想范围。本发明的保护范围应根据以上权利要求进行解释，在相等范围内的所有技术思想应解释为在本发明的权利范围内。

Claims (16)

1.一种检测膜缺陷的系统，包括：
图像获取部，用于在制造工艺中获取膜的图像；
缺陷检测部，通过所述图像获取部获取输入至所述缺陷检测部的所述膜的图像时，所述缺陷检测部利用提前学习检测缺陷的机器学习算法，识别获取的所述膜的图像，并以识别到的所述膜的图像为基础，检测所述膜存在的所述缺陷；以及
信息输出部，用于输出所述缺陷检测部检测的所述缺陷的信息。
2.根据权利要求1所述的检测膜缺陷的系统，其特征在于，所述机器学习算法提前学习以检测所述膜具有的所述缺陷的类型、所述缺陷的数量、所述缺陷的类型数量以及所述缺陷的大小信息中的至少一个。
3.根据权利要求1所述的检测膜缺陷的系统，其特征在于，还包括附加信息获取部，用于获取所述制造工艺中与膜缺陷相关的参数值；
其中，所述机器学习算法通过进一步输入的参数值提前学习，以检测出输入的所述图像中的膜缺陷，其中，所述参数值是通过所述附加信息获取部获取的。
4.根据权利要求3所述的检测膜缺陷的系统，其特征在于，所述参数值在所述缺陷的形状、所述缺陷的大小、所述缺陷的颜色以及是否在所述制造工艺的拉伸工艺之前获得所述膜的图像中至少包括一个。
5.根据权利要求1所述的检测膜缺陷的系统，其特征在于，所述机器学习算法包括卷积神经网络。
6.根据权利要求1所述的检测膜缺陷的系统，其特征在于，所述图像获取部利用所述膜的光透射技术获取所述膜的图像。
7.根据权利要求1所述的检测膜缺陷的系统，其特征在于，所述制造工艺包括依次进行的多个阶段，所述图像获取部分别在所述制造工艺的第一阶段与第二阶段获取所述膜的图像；
所述缺陷检测部分别检测所述第一阶段与所述第二阶段中获取的图像的膜缺陷，并按检测出的所述缺陷类型分别对获得的所述图像进行分类；
所述第一阶段在所述第二阶段之前执行，其属于所述制造工艺的其中一阶段。
8.根据权利要求1所述的检测膜缺陷的系统，其特征在于，针对与所述膜至少有部分相关的多个图像，所述缺陷检测部利用已指定的图像进行学习；
其中，所述已指定的图像是指所述膜中存在至少一个可能发生缺陷的图像。
9.一种检测缺陷的方法，包括：
在制造工艺过程中，获取膜的图像的阶段；
当获取到输入的所述膜的图像时，利用提前学习检测缺陷的机器学习算法，识别获取的所述膜的图像，并以识别到的所述膜的图像为基础，检测所述膜存在的所述缺陷的阶段；以及
输出检测到的所述缺陷信息的阶段。
10.根据权利要求9所述的检测膜缺陷的方法，其特征在于，所述机器学习算法提前学习以检测所述膜具有的所述缺陷的类型、所述缺陷的类型数量以及所述缺陷的大小信息中的至少一个。
11.根据权利要求9所述的检测膜缺陷的方法，其特征在于，包括：
获取参数值的阶段，所述参数值是指在所述制造工艺中，影响膜缺陷的参数值；
其中，所述机器学习算法通过进一步获取到的所述参数值提前学习，以检测出输入的所述图像中的膜缺陷。
12.根据权利要求11所述的检测膜缺陷的方法，其特征在于，所述参数值在所述缺陷的形状、所述缺陷的大小、所述缺陷的颜色以及是否在所述制造工艺的拉伸工艺之前获得所述膜的图像中至少包括一个。
13.根据权利要求9所述的检测膜缺陷的方法，其特征在于，所述机器学习算法包括卷积神经网络。
14.根据权利要求9所述的检测膜缺陷的方法，其特征在于，所述图像获取阶段通过利用所述膜的光透射技术获取所述膜的图像。
15.根据权利要求9所述的检测膜缺陷的方法，其特征在于，所述图像获取阶段包括分别在所述制造工艺的第一阶段与第二阶段获取所述膜的图像的阶段，其中，所述制造工艺包括依次进行的多个阶段；
所述缺陷检测阶段包括，分别检测所述第一阶段与所述第二阶段中获取的图像的膜缺陷，并按检测出的所述缺陷类型分别对获得的所述图像进行分类的阶段；
所述第一阶段在所述第二阶段之前执行，其属于所述制造工艺的其中一阶段。
16.根据权利要求9所述的检测膜缺陷的方法，其特征在于，所述机器学习算法包括：
针对与所述膜至少有部分相关的多个图像，利用已指定的图像进行学习的算法；
其中，所述已指定的图像是指所述膜中存在至少一个可能发生缺陷的图像。
CN201910948488.3A 2018-10-01 2019-10-08 检测膜缺陷的方法及系统 Pending CN111062908A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180117157A KR20200039047A (ko) 2018-10-01 2018-10-01 필름 결함 검출 방법 및 시스템
KR10-2018-0117157 2018-10-01

Publications (1)

Publication Number Publication Date
CN111062908A true CN111062908A (zh) 2020-04-24

Family

ID=69947688

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910948488.3A Pending CN111062908A (zh) 2018-10-01 2019-10-08 检测膜缺陷的方法及系统

Country Status (3)

Country Link
US (1) US11127134B2 (zh)
KR (1) KR20200039047A (zh)
CN (1) CN111062908A (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6333871B2 (ja) * 2016-02-25 2018-05-30 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
KR20220105689A (ko) * 2021-01-20 2022-07-28 주식회사 솔루션에이 머신러닝 모델에 기반한 디스플레이 패널의 결함 판정 시스템
KR20220161601A (ko) * 2021-05-27 2022-12-07 주식회사 솔루션에이 딥러닝 모델을 이용한 영상검사 대상체의 결함 판정시스템
CN114119470B (zh) * 2021-10-15 2023-04-07 厦门微亚智能科技有限公司 一种基于深度学习的电芯密封钉焊缝外观检测算法及系统
WO2023078980A1 (de) 2021-11-04 2023-05-11 Loparex Germany Gmbh & Co. Kg Erkennung von silikonfehlstellen im laufenden beschichtungsbetrieb
CN115082722B (zh) * 2022-08-22 2022-11-01 四川金信石信息技术有限公司 基于正向样本的设备缺陷检测方法、系统、终端及介质
CN116229182A (zh) * 2023-03-22 2023-06-06 云南农业大学 一种基于特征融合的小粒种咖啡缺陷生豆检测方法
CN115993365B (zh) * 2023-03-23 2023-06-13 山东省科学院激光研究所 一种基于深度学习的皮带缺陷检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017123561A1 (en) * 2016-01-11 2017-07-20 Kla-Tencor Corporation Image based specimen process control
CN107123114A (zh) * 2017-04-21 2017-09-01 佛山市南海区广工大数控装备协同创新研究院 一种基于机器学习的布匹缺陷检测方法及装置
CN107886500A (zh) * 2017-10-13 2018-04-06 北京邮电大学 一种基于机器视觉和机器学习的产品生产监控方法及系统
CN108038853A (zh) * 2017-12-18 2018-05-15 浙江工业大学 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN108257122A (zh) * 2018-01-09 2018-07-06 北京百度网讯科技有限公司 基于机器视觉的纸张缺陷检测方法、装置及服务器
CN108305243A (zh) * 2017-12-08 2018-07-20 五邑大学 一种基于深度学习的磁瓦表面缺陷检测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5243335B2 (ja) * 2009-04-21 2013-07-24 東京エレクトロン株式会社 欠陥検査方法、欠陥検査装置、欠陥検査プログラム、及びそのプログラムを記録した記録媒体
KR101541242B1 (ko) 2014-05-09 2015-08-04 에스엔유 프리시젼 주식회사 결함 발생 위치 분석 및 결함 발생 회피를 위한 작업 스케줄링 방법
US20160148850A1 (en) 2014-11-25 2016-05-26 Stream Mosaic, Inc. Process control techniques for semiconductor manufacturing processes
KR101782363B1 (ko) 2016-05-23 2017-09-27 (주)에이앤아이 데이터 밸런싱을 통한 학습기반의 비전검사 방법
JP2017215277A (ja) 2016-06-02 2017-12-07 住友化学株式会社 欠陥検査システム、フィルム製造装置及び欠陥検査方法
JP6294529B1 (ja) 2017-03-16 2018-03-14 阪神高速技術株式会社 ひび割れ検出処理装置、およびひび割れ検出処理プログラム
WO2018209438A1 (en) * 2017-05-16 2018-11-22 Sightline Innovation Inc. Neural network system for non-destructive optical coherence tomography
JP6936958B2 (ja) * 2017-11-08 2021-09-22 オムロン株式会社 データ生成装置、データ生成方法及びデータ生成プログラム
CN110021005B (zh) * 2018-01-05 2022-03-15 财团法人工业技术研究院 电路板瑕疵筛选方法及其装置与计算机可读取记录介质
JP7087397B2 (ja) * 2018-01-17 2022-06-21 東京エレクトロン株式会社 基板の欠陥検査装置、基板の欠陥検査方法及び記憶媒体

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017123561A1 (en) * 2016-01-11 2017-07-20 Kla-Tencor Corporation Image based specimen process control
CN107123114A (zh) * 2017-04-21 2017-09-01 佛山市南海区广工大数控装备协同创新研究院 一种基于机器学习的布匹缺陷检测方法及装置
CN107886500A (zh) * 2017-10-13 2018-04-06 北京邮电大学 一种基于机器视觉和机器学习的产品生产监控方法及系统
CN108038846A (zh) * 2017-12-04 2018-05-15 国网山东省电力公司电力科学研究院 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统
CN108305243A (zh) * 2017-12-08 2018-07-20 五邑大学 一种基于深度学习的磁瓦表面缺陷检测方法
CN108038853A (zh) * 2017-12-18 2018-05-15 浙江工业大学 一种基于卷积神经网络和主动学习的瓷砖表面缺陷识别方法
CN108257122A (zh) * 2018-01-09 2018-07-06 北京百度网讯科技有限公司 基于机器视觉的纸张缺陷检测方法、装置及服务器

Also Published As

Publication number Publication date
US20200104993A1 (en) 2020-04-02
KR20200039047A (ko) 2020-04-16
US11127134B2 (en) 2021-09-21

Similar Documents

Publication Publication Date Title
CN111062908A (zh) 检测膜缺陷的方法及系统
CN109767419B (zh) 数据生成装置、数据生成方法及存储介质
CN110852983A (zh) 用于检测半导体装置中的缺陷的方法
KR102168724B1 (ko) 이미지 검사를 이용한 이상 판별 방법 및 장치
CN113870172A (zh) 指示用于训练的缺陷图像的数目的工件检查和缺陷检测系统
KR101730133B1 (ko) 사출성형 플라스틱의 검사방법
CN113677971A (zh) 用于密封完整性的在线检查的系统
WO2014175413A1 (ja) 検査装置
Akundi et al. A machine vision based automated quality control system for product dimensional analysis
JP2015197396A (ja) 画像検査方法および画像検査装置
CN113066088A (zh) 工业检测中的检测方法、检测装置和存储介质
Chiou et al. Flaw detection of cylindrical surfaces in PU-packing by using machine vision technique
US20100194562A1 (en) Failure recognition system
KR20220085115A (ko) 생산부품의 스마트 비전검사를 위한 인공지능머신의 라벨링 학습방법
CN111127462A (zh) 基于多曝光成像的成衣印花缺陷检测系统及检测方法
WO2021030322A1 (en) System and method of object detection using ai deep learning models
JP2004296592A (ja) 欠陥分類装置、欠陥分類方法およびプログラム
US20190346566A1 (en) Surface detection method
JP2020012808A (ja) 人工知能による皮革の検出方法及び皮革検出設備、並びに皮革製品の製造方法
CN116188376A (zh) 一种基于孪生神经网络的数码印花步进道检测方法
JP6670428B2 (ja) プリフォームの検査方法及び検査装置
KR20230082346A (ko) 오토인코더 및 합성곱 심층 신경망을 활용한 고해상도 영상 기반 제조품 결함 탐지 방법
KR20190101107A (ko) 환산된 명도값 분석을 통한 사출성형제품의 불량 여부 판단방법
KR20230036650A (ko) 영상 패치 기반의 불량 검출 시스템 및 방법
KR102666787B1 (ko) 인공지능을 이용한 결함 검사방법, 장치 및 프로그램

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230509

Address after: Gyeonggi Do Korea Suwon

Applicant after: Aisikai McWoo Co.,Ltd.

Address before: Gyeonggi Do Korea Suwon

Applicant before: SKC Co.,Ltd.

RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200424