CN111507961B - 缺陷判断训练方法及其的系统及缺陷判断方法及其的系统 - Google Patents
缺陷判断训练方法及其的系统及缺陷判断方法及其的系统 Download PDFInfo
- Publication number
- CN111507961B CN111507961B CN202010300051.1A CN202010300051A CN111507961B CN 111507961 B CN111507961 B CN 111507961B CN 202010300051 A CN202010300051 A CN 202010300051A CN 111507961 B CN111507961 B CN 111507961B
- Authority
- CN
- China
- Prior art keywords
- defect
- value
- image
- area
- standard deviation
- 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.)
- Active
Links
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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
缺陷判断训练方法包括以下步骤。首先,获取光学膜的图像,图像包含一缺陷区。然后,取得缺陷区的缺陷边界的多个边界点沿方向的多个座标值。然后,取得此些座标值的平均座标值。然后,取得各座标值与平均座标值的差值。然后,依据此些差值的最大者,决定图像中做为缺陷判断机器学习的区域。
Description
技术领域
本发明是有关于一种训练方法及应用其的系统以及判断方法及应用其的系统,且特别是有关于一种缺陷判断训练方法及应用其的系统以及缺陷判断方法及应用其的系统。
背景技术
习知光学膜在制作完成后必须以人工肉眼观察方式,观察光学膜是否具有缺陷以及缺陷种类。然而,人工肉眼观察方式容易造成误判。因此,提出一种新的可增加判断准确度的缺陷判断技术是本技术领域业者努力的目标之一。
发明内容
本发明实施例提出一种缺陷判断训练方法及应用其的系统以及缺陷判断方法及应用其的系统,可改善上述问题。
本发明一实施例提出一种缺陷判断训练方法。缺陷判断训练方法包括以下步骤。获取一光学膜的一侧面的一图像,图像包含一缺陷区及一边界基准线,缺陷区相对于边界基准线突出或内陷;取得缺陷区的一缺陷边界的多个边界点沿一方向的多个座标值;取得此些座标值的一平均座标值;取得各座标值与平均座标值的一差值;以及,依据此些差值的最大者,决定图像中做为缺陷判断机器学习的区域。
本发明另一实施例提出一种缺陷判断训练系统。缺陷判断训练系统包括一摄像器及一缺陷判断机器学习器。摄像器用以获取一光学膜一侧面的一图像,图像包含一缺陷区及一边界基准线,缺陷区相对于边界基准线突出或内陷。缺陷判断机器学习器用以:取得缺陷区的一缺陷边界的多个边界点沿一方向的多个座标值;取得此些座标值的一平均座标值;取得各座标值与平均座标值的一差值;以及,依据此些差值的最大者,决定图像中做为缺陷判断机器学习的区域。
本发明一实施例提出一种缺陷判断方法。缺陷判断方法包括以下步骤。获取一光学膜的一图像,图像具有一待判定缺陷区;以及依据一缺陷判断模型,执行以下步骤:分析待判定缺陷区,并产生待判定缺陷区相对于多个缺陷类型的各者的一相似度分数;判断此些相似度分数中最高者所对应的缺陷类型是否属于此些缺陷类型的一特定者;当最高者所对应的缺陷类型属于特定者,判断最高者是否大于一预设值;当最高者大于预设值,判定待判定缺陷区属于特定者;以及,当最高者不大于预设值,判定待判定缺陷区属于此些缺陷类型的另一者;
其中,该缺陷判断模型采用上述的缺陷判断训练方法所产生。
本发明一实施例提出一种缺陷判断系统。缺陷判断系统包括一摄像器及一缺陷判断器。摄像器用以获取一光学膜的图像,图像具有一待判定缺陷区。缺陷判断器用以依据一缺陷判断模型,执行:分析待判定缺陷区,并产生待判定缺陷区相对于多个缺陷类型的各者的一相似度分数;判断此些相似度分数中最高者所对应的缺陷类型是否属于此些缺陷类型的一特定者;当最高者所对应的缺陷类型属于特定者,判断最高者是否大于一预设值;当最高者大于预设值,判定待判定缺陷区属于特定者;以及,当最高者不大于预设值,判定待判定缺陷区属于此些缺陷类型的另一者;其中,该缺陷判断模型采用如前述的缺陷判断训练方法所产生。
以下结合附图和具体实施例对本发明进行详细描述,但不作为对本发明的限定。
附图说明
图1为依照本发明一实施例的缺陷判断训练系统的功能方块图。
图2A~2F为依照本发明实施例的光学膜可能发生的数种实害缺陷类型的图像。
图2G~2H为依照本发明实施例的光学膜可能发生的数种非实害缺陷类型的图像。
图3A~3B为图1的缺陷判断训练系统的缺陷判断方法的流程图。
图4为依照本发明一实施例的缺陷判断系统的功能方块图。
图5为图4的缺陷判断系统的缺陷判断方法的流程图。
其中,附图标记:10:光学膜
100:缺陷判断训练系统
110、210:摄像器
120:图像裁切器
130:缺陷判断机器学习器
200:缺陷判断系统
220:缺陷判断器
A、B、C:边界点
BU:上边界
BL:下边界
D1:缺陷区
L:边界基准线
M:缺陷判断模型
P:图像
P1:局部区域
Pf:光学膜图像区
Pb:背景区
S:灰阶值差异处
S110~S153H、S210~S270:步骤
YA、YB、YC:座标值
YAV:平均座标值
Yp:图像高度
ΔYAV:差值
ΔYL:下偏移量
ΔY:上偏移量
σL:标准差下限值
σ:标准差值
σU:标准差上限值
具体实施方式
下面结合附图对本发明的结构原理和工作原理作具体的描述:
为了对本发明的上述及其他方面有更佳的了解,下文特举实施例,并配合附图详细说明如下。
请参照图1及图2A~图2H,图1为依照本发明一实施例的缺陷判断训练系统100的功能方块图,而图2A~图2F为依照本发明实施例的光学膜可能发生的数种实害缺陷类型的图像,图2G~2H为依照本发明实施例的光学膜可能发生的数种非实害缺陷类型的图像。
缺陷判断训练系统100包括摄像器110、图像裁切器120及缺陷判断机器学习器130。摄像器110用以获取光学膜的图像P,图像P包含缺陷区D1。图像裁切器120用以分析图像P的缺陷区D1的特征,以决定图像P做为输入缺陷判断机器学习器130的区域,其中该区域包含缺陷区D1。缺陷判断机器学习器130用以分析所定区域,以学习缺陷区D1的特征。由于缺陷区D1的缺陷类型为已知,因此缺陷判断机器学习器130通过分析缺陷区D1的特征,可提高判断缺陷区D1的缺陷类型。
图像裁切器120及缺陷判断机器学习器130例如是采用半导体制程所形成的电路结构。在一实施例中,图像裁切器120与缺陷判断机器学习器130可整合成单一元件或整合于一处理器(processor)中。
光学膜10可为一单层或多层膜,包含对光学的增益、配向、补偿、转向、直交、扩散、保护、防黏、耐刮、抗眩、反射抑制、高折射率等有所助益的膜,例如,可为偏光膜、离型膜、广视角膜、增亮膜、反射膜、保护膜、具有控制视角补偿或双折射(birefraction)等特性的配向液晶膜、硬涂膜、抗反射膜、防黏膜、扩散膜、防眩膜等各种表面经处理的膜或上述的组合,但不限于此。
图3A~3B为图1的缺陷判断训练系统的缺陷判断方法的流程图。
在步骤S110中,摄像器110获取光学膜的图像P,图像P包含缺陷区D1。缺陷区D1是经人工判断的已知缺陷类型。以实害缺陷来说,图2A所示图像P的缺陷区D1属于凸膜型缺陷,图2B所示图像P的缺陷区D1属于毛屑型缺陷(例如是基于切割光学膜边缘产生的毛屑),图2C所示图像P的缺陷区D1属于激光起始点型缺陷(例如是基于使用激光切割光学膜需求所产生的切割起始点缺陷),图2D所示图像P的缺陷区D1属于气泡型缺陷(例如是基于多层光学膜贴合介面产生的气泡),图2E所示图像P的缺陷区D1属于裂痕型缺陷,而图2F所示图像P的缺陷区D1属于脏污型缺陷。以非实害缺陷来说,第2G图所示图像P的缺陷区D1属于标记型缺陷(基于制程需求刻意于光学膜10上形成的标记),而图2H所示图像P的缺陷区D1属于接合型缺陷(基于两卷光学膜接合需求所产生的接合特征)。
本发明实施例不限于前述缺陷类型,在另一实施例中,缺陷判断训练系统可处理的缺陷类型可以更多,然亦可更少。
在步骤S120中,以图2A为例来说,图像裁切器120取得缺陷区D1的缺陷边界之多个边界点A、B及C沿一方向Y的多个座标值YA、YB及YC,其中方向Y例如是垂直于图像P的光学膜图像区Pf的边界基准线L。
图像裁切器120可对图像P进行二值化。二值化后,图像P的光学膜图像区Pf之各像素点具有第一灰阶值(图2A以斜线剖面表示),而图像P的背景区Pb的各像素点具有第二灰阶值(图2A以点剖面表示),其中第一灰阶值与第二灰阶值相异。如此,图像裁切器120可通过灰阶值差异区分出光学膜图像区Pf与背景区Pb且判断出缺陷区D1的缺陷边界。图像裁切器120沿方向Y以光学膜图像区Pf与背景区Pb的灰阶值差异处S中相对变化「较缓和」之处的方向X延伸做为边界基准线L。前述「较缓和」的定义符合要件:灰阶值差异处S=|Pf的第一灰阶值-Pb的第二灰阶值|,其中S>Pb的第二灰阶值,S<Pf的第一灰阶值,且S<(Pf的第一灰阶值+Pb的第二灰阶值)/2。边界基准线L例如是光学膜10的外表面的轮廓线图像的延伸,即光学膜图像区Pf与背景区Pb的分界线。当图像P无凸膜型缺陷(如图2A)及毛屑型缺陷(如图2B)时,光学膜图像区Pf的外表面轮廓线例如是直线,如图2C的图像P中为水平线。
本发明实施例的边界点的数量以三个为例说明,然此非用以限制本发明实施例。在另一实施例中,边界点的数量可以少于或多于三个。
在步骤S130中,图像裁切器120计算此些座标值YA、YB及YC,以取得此些座标值YA、YB与YC的平均座标值YAV。
在步骤S140中,图像裁切器120取得各座标值YA、YB及YC与平均座标值YAV的差值ΔYAV。此差值ΔYAV例如是绝对值。
在步骤S150中,图像裁切器120依据此些差值ΔYAV的最大者,决定图像P中做为缺陷判断机械学习的学习区域(学习对象)。步骤S150可采用以下步骤完成。
在步骤S151中,图像裁切器120判断此些差值ΔYAV的最大者是否落于预设范围;若否,则流程进入步骤S152;若是,则流程进入步骤S153A。
以图2A举例来说,图像P的座标值YB与平均座标值YAV的差值ΔYAV(即,YB-YAV=ΔYAV)为所有差值ΔYAV的最大者,其超出预设范围,其中预设范围如图2A的上边界BU与下边界BL之间的范围。上边界BU为平均座标值YAV与上偏移量ΔYU的和值(即,YAV+ΔYU),而下边界BL为该平均座标值YAV与下偏移量ΔYL的差值(即,YAV-ΔYU)。如图2A所示,由于最大的差值ΔYAV落于预设范围内,此表示缺陷区D1的尺寸够大,不足以影响机械学习的准确性,因此流程进入步骤S152。
在步骤S152中,由于图2A的缺陷区D1的尺寸够大而不足以影响机械学习的准确性,因此不需裁切图2A的图像P,图像裁切器120直接以整张图像P输入缺陷判断机器学习器130。为了加速处理速度,缺陷判断机器学习器130可先缩小输入图像的解析度(尺寸),然后再进行缺陷判断的训练。由于图2A的缺陷区D1的尺寸够大,因此即使缺陷判断机器学习器130在缩小整张图像P的尺寸后进行缺陷判断训练,仍不影响机械学习的准确性。
此外,缺陷判断机器学习器130可采用机器学习技术进行缺陷判断的训练。具体的机器学习技术例如:深度神经网络(Deep Neural Networks,DNN)、支援向量机(SVM)、决策树(decision tree)、集(ensemble)、K邻近法(K-NN)、线性回归(linear regression)、贝氏机率、类神经网络(neural network)、罗吉斯回归、感知器(perceptron)或关联向量机(relevance vector machine,RVM)等演算法。一些实施例中例如是深度神经网络(DeepNeural Networks,DNN)或支援向量机(SVM)。特征分类技术具有运算速度快且技术成本低的优点,而机器学习分类技术具有识别正确率极高且能持续(在品检线上)修正机器学习模型以更提升识别正确率。
在步骤S151中,当此些差值ΔYAV的最大者未落于预设范围,表示缺陷区D1的尺寸可能太小,需要进一步地放大处理。以图2D举例说明,最大的差值ΔYAV落于预设范围(上边界BU与下边界BL之间的范围)内,表示缺陷区D1的尺寸可能太小,因此流程进入步骤S153A,图像裁切器120进一步判断是否要裁切图像P以及裁切局部区域的大小(若要裁切的话)。
在步骤S153A中,图像裁切器120取得此些座标值YA、YB及YC的标准差值σ。
在步骤S153B中,图像裁切器120判断标准差值σ是否等于或小于标准差下限值σL。若是,流程进入步骤S153C;若否,流程进入步骤S153E。前述标准差下限值σL例如是图像P的图像高度Yp的1%,然本发明实施例不以此为限。
在步骤S153C中,图像裁切器120裁切图像P的局部区域,其中局部区域的面积占图像P的面积的比例介于第一裁切比例范围,其中第一裁切比例范围介于30%~60%之间。
以如图2D举例来说,由于最大的差值ΔYAV落于预设范围内,因此图像裁切器120裁切图2D的图像P的局部区域P1做为机械学习对象(输入缺陷判断机器学习器130)。局部区域P1介于图像P的整个面积的第一裁切比例范围R1内,其中缺陷区D1整个位于局部区域P1内。缺陷区D1占局部区域P1的比例大于缺陷区D1占图像P的比例,此凸显了局部区域P1内的缺陷区D1的特征。换言之,相较于以整张图像P来看,局部区域P1中的缺陷区D1如同被放大效果,凸显了缺陷区D1的特征。在实施例中,局部区域P1可以平均座标值YAV为中心线往上、往下或同时往上及往下的区域,其中在同时往下及往下的例子中,往上的比例可大致等于往下的比例,然亦可相异。
在步骤S153D中,图像裁切器120以所裁切出局部区域P1输入缺陷判断机器学习器130。当以裁切出的局部区域P1做为学习对象(输入缺陷判断机器学习器130)时,即使缺陷判断机器学习器130在缩小局部区域P1的尺寸后进行缺陷判断训练,仍不影响增加机器学习的准确度。
在步骤S153E中,图像裁切器120判断标准差值σ是否等于或大于标准差上限值σU。若是,表示缺陷区D1的高低起伏过大,判断为大尺寸缺陷,不需要裁切图像P,因此流程进入步骤S153F。在步骤S153F中,图像裁切器120以整张图像P输入缺陷判断机器学习器130。前述标准差上限值σU例如是2%的图像高度Yp,然本发明实施例不以此为限。
若图像裁切器120判断标准差值σ是否小于标准差上限值σU,表示标准差值σ介于标准差下限值σL与标准差上限值σU之间。图像裁切器120据以判断为缺陷区D1的高低起伏甚小,属于极小尺寸缺陷,因此流程进入步骤S153G。
在步骤S153G中,图像裁切器120裁切图像P的局部区域。
以图2F举例来说,由于缺陷区D1的标准差值σ介于标准差下限值σL与标准差上限值σU之间,图像裁切器120裁切图2F的图像P的局部区域P1做为机器学习对象(输入缺陷判断机器学习器130)。局部区域P1介于图像P的整个面积的第二裁切比例范围R2内,其中缺陷区D1整个位于局部区域P1内。第二裁切比例范围R2小于前述第一裁切比例范围R1,例如,第二裁切比例范围介于6%~20%之间。在实施例中,图2F的局部区域P1可以平均座标值YAV为中心线往上、往下或同时往上及往下的区域,其中在同时往下及往下的例子中,往上的比例可大致等于往下的比例。
在步骤S153H中,图像裁切器120以所裁切出局部区域P1输入缺陷判断机器学习器130。当以裁切出之局部区域P1做为学习对象(输入缺陷判断机器学习器130)时,即使缺陷判断机器学习器130在缩小局部区域P1的尺寸后,仍不影响增加机器学习的准确度。
综上,在采用前述步骤分析图2A~2H的图像P的缺陷区D1后,当缺陷区D1的尺寸够大时(缺陷判断机器学习器130在缩小图像尺寸后不会负面影响机器学习准确性),图像裁切器120以整张图像P进行缺陷判断训练(如步骤S152及S153F)。当缺陷区D1的尺寸不够大时(缺陷判断机器学习器130在缩小图像尺寸后可能负面影响机器学习准确性),图像裁切器120裁切图像P的局部区域,使局部区域内的缺陷区D1如同被放大效果,即使缺陷判断机器学习器130在缩小图像尺寸后进行缺陷判断训练,也不致过度负面影响机器学习准确性。此外,视缺陷区D1的多个座标值的标准差而定,局部区域可介于图像P的整个面积的第一裁切比例范围R1(步骤S153C)或第二裁切比例范围R2(步骤S153G)。
请参照图4及图5,图4为依照本发明一实施例的缺陷判断系统200的功能方块图,而图5绘示图4的缺陷判断系统200的缺陷判断方法的流程图。
如图4所示,缺陷判断系统200包括摄像器210及缺陷判断器220。缺陷判断器220例如是采用半导体制程所形成的电路结构。在一实施例中,缺陷判断器220可整合于一处理器(processor)中。
摄像器210用以在制程现场,如自动光学检查(Automated Optical Inspection,AOI)系统,获取光学膜10的图像。缺陷判断机器学习器130在经过上述流程以数张图像P进行缺陷判断训练完成后,缺陷判断机器学习器130产生一缺陷判断模型M(绘示于图1)。缺陷判断器220可依据缺陷判断模型M,判断摄像器210所获取的图像的缺陷类型。缺陷判断器220的判断准则如下表一所示,以下系以图5的流程图进一步举例说明。
表一
在步骤S210中,摄像器210于制程现场获取光学膜10的图像,图像具有待判定缺陷区。
在步骤S220中,缺陷判断器220分析待判定缺陷区,并产生待判定缺陷区相对于多个缺陷类型之各者的相似度分数。本实施例以待判定缺陷区相对于标记型缺陷的相似度分数为所有相似度分数的最高者举例来说。
在步骤S230中,缺陷判断器220判断此些相似度分数中最高者所对应的缺陷类型是否属于此些缺陷类型之一特定者。若是,流程进入步骤S240;若否,则缺陷判断器220直接判定待判定缺陷区属于多个相似度分数的最高者所对应的缺陷类型。
以特定者为标记型缺陷举例来说,待判定缺陷区的最高相似度分数所对应的缺陷类型同样属于标记型缺陷,流程进入步骤S240。
在另一实施例中,以特定者为标记型缺陷以及最高相似度分数所对应的缺陷类型为凸膜型缺陷举例来说,由于凸膜型缺陷并非属于该特定者(标记型缺陷),因此流程进入步骤S270。在步骤S270中,依据上表一,缺陷判断器220直接判定待判定缺陷区属于最高相似度分数所对应的缺陷类型,以本例来说是凸膜型缺陷。
在步骤S240中,缺陷判断器220判断最高之相似度分数是否大于一预设值。以特定者为标记型缺陷且最高相似度分数所对应的缺陷类型也为标记型缺陷举例来说,当最高相似度分数(如0.8)大于预设值(表一以0.4为例),则流程进入步骤S250,缺陷判断器220判定待判定缺陷区属于该特定者,即属于标记型缺陷。
当最高相似度分数(如0.8)不大于预设值(表一以0.4为例),则流程进入步骤S260,缺陷判断器220判定待判定缺陷区属于此些缺陷类型中的另一者,此另一者与该特定者的缺陷特征相似。举例来说,由于标记型缺陷与脏污型缺陷的特征接近,因此在判断标记型缺陷上,除了相对于标记型缺陷的相似度分数要最高外,其相似度分数要高于0.4,缺陷判断机器学习器130才会判定待判缺陷区属于非实害的标记型缺陷;若相对于标记型缺陷的相似度分数最高,但分数小于0.4,则缺陷判断机器学习器130判定待判缺陷区属于脏污型缺陷。相似地,如表一所示,接合型缺陷与气泡型缺陷的特征接近,因此也可以相似方法判定待判缺陷区属于接合型缺陷或气泡型缺陷。
综上可知,要判定图像的待判定缺陷区属于非实害缺陷类型(如标记型缺陷及接合型缺陷)的条件较为严格。例如,除了相对于该非实害缺陷类型的相似度分数要最高外,相似度分数必须高于预设值(具体数值不受上表一所限制),可避免实害缺陷类型误判成非实害缺陷类型。
当然,本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,熟悉本领域的技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (23)
1.一种缺陷判断训练方法,其特征在于,包括:
获取一光学膜的一侧面的一图像,该图像包含一缺陷区及一边界基准线,该缺陷区相对于该边界基准线突出或内陷;
取得该缺陷区的一缺陷边界的多个边界点沿一方向的多个座标值;
取得该些座标值的一平均座标值;
取得各该座标值与该平均座标值的一差值;
依据该些差值的最大者,决定该图像中做为缺陷判断机器学习的区域;
其中,在依据该最大者决定该图像中做为缺陷判断机器学习的区域的步骤包括:
判断该些差值的该最大者是否小于一预设范围;
当该最大者小于该预设范围,裁切该图像的一局部区域,其中该缺陷区位于该局部区域内;以及
输入该局部区域于一缺陷判断机器学习器;
当该最大者不小于该预设范围,输入整个该图像于一缺陷判断机器学习器。
2.如权利要求1所述的缺陷判断训练方法,其特征在于,在判断该些差值的该最大者是否小于该预设范围步骤中,该预设范围介于一上边界与一下边界之间,该上边界为该平均座标值与一上偏移量的和值,而该下边界为该平均座标值与一下偏移量的差值。
3.如权利要求1所述的缺陷判断训练方法,其特征在于,在裁切该图像的该局部区域的步骤包括:
取得该些座标值的一标准差值;
判断该标准差值是否等于或小于一标准差下限值;以及
当该标准差值等于或小于该标准差下限值,裁切该图像的该局部区域,其中该局部区域的面积占该图像的面积的比例介于一第一裁切比例范围内,且该缺陷区位于局部区域。
4.如权利要求3所述的缺陷判断训练方法,其特征在于,该第一裁切比例范围介于30%~60%之间。
5.如权利要求1所述的缺陷判断训练方法,其特征在于,在裁切该图像的该局部区域的步骤包括:
取得该些座标值的一标准差值;
判断该标准差值是否介于一标准差下限值与一标准差上限值之间;以及
当该标准差值介于该标准差下限值与该标准差上限值之间,获取该图像的该局部区域,其中该局部区域的面积占该图像的面积的比例介于一第二裁切比例范围之间,且该缺陷区位于局部区域。
6.如权利要求5所述的缺陷判断训练方法,其特征在于,该第二裁切比例范围介于6%~20%之间。
7.如权利要求5所述的缺陷判断训练方法,其特征在于,该标准差下限值为该图像的图像高度的1%;且该标准差上限值为该图像的图像高度的2%。
8.如权利要求1所述的缺陷判断训练方法,其特征在于,更包括:
二值化该图像,使该图像光学膜图像区的各像素点具有一第一灰阶值,而该图像的一背景区的各像素点具有一第二灰阶值;
取该第一灰阶值与该第二灰阶值之差的绝对值做为一灰阶值差异处;以及
根据该灰阶值差异处中变化缓和之处的延伸做为一边界基准线。
9.如权利要求8所述的缺陷判断训练方法,其特征在于,该缓和之处符合以下要件:
该灰阶值差异处大于该第一灰阶值;
该灰阶值差异处小于该第二灰阶值;以及
该灰阶值差异处小于该第一灰阶值与该第二灰阶值的平均值。
10.如权利要求1所述的缺陷判断训练方法,其特征在于,在裁切该图像的该局部区域的步骤包括:
取得该些座标值的一标准差值;判断该标准差值是否大于或等于一标准差上限值;以及
当该标准差值大于或等于该标准差上限值,输入整个该图像于该缺陷判断机器学习器。
11.一种缺陷判断训练系统,其特征在于,包括:
一摄像器,用以获取一光学膜的一侧面的一图像,该图像包含一缺陷区及一边界基准线,该缺陷区相对于该边界基准线突出或内陷;以及
一缺陷判断机器学习器,用以:
取得该缺陷区的一缺陷边界的多个边界点沿一方向的多个座标值;
取得该些座标值的一平均座标值;
取得各该座标值与该平均座标值的一差值;及
依据该些差值的最大者,决定该图像中做为缺陷判断机器学习的区域;
其中,在依据该最大者决定该图像中做为缺陷判断机器学习的区域的步骤中,该缺陷判断机器学习器更用以:
判断该些差值的该最大者是否小于一预设范围;
当该最大者小于该预设范围,裁切该图像的一局部区域,其中该缺陷区位于该局部区域内;
输入该局部区域于一缺陷判断机器学习器;以及
当该最大者不小于该预设范围,输入整个该图像于该缺陷判断机器学习器。
12.如权利要求11所述的缺陷判断训练系统,其特征在于,该预设范围介于一上边界与一下边界之间,该上边界为该平均座标值与一上偏移量的和值,而该下边界为该平均座标值与一下偏移量的差值。
13.如权利要求11所述的缺陷判断训练系统,其特征在于,在裁切该图像的该局部区域的步骤中,该缺陷判断机器学习器更用以:
取得该些座标值的一标准差值;
判断该标准差值是否等于或小于一标准差下限值;以及
当该标准差值等于或小于该标准差下限值,裁切该图像的该局部区域,其中该局部区域的面积占该图像的面积的比例介于一第一裁切比例范围內,且该缺陷区位于局部区域。
14.如权利要求13所述的缺陷判断训练系统,其特征在于,该第一裁切比例范围介于30%~60%之间。
15.如权利要求11所述的缺陷判断训练系统,其特征在于,在裁切该图像的该局部区域的步骤中,该缺陷判断机器学习器更用以:
取得该些座标值的一标准差值;
判断该标准差值是否介于一标准差下限值与一标准差上限值之间;以及
当该标准差值介于该标准差下限值与该标准差上限值之间,获取该图像的该局部区域,其中该局部区域的面积占该图像的面积的比例介于一第二裁切比例范围之间,且该缺陷区位于局部区域。
16.如权利要求15所述的缺陷判断训练系统,其特征在于,该第二裁切比例范围介于6%~20%之间。
17.如权利要求11所述的缺陷判断训练系统,其特征在于,在裁切该图像的该局部区域的步骤中,该缺陷判断机器学习器更用以:
取得该些座标值的一标准差值;判断该标准差值是否大于或等于一标准差上限值;以及
当该标准差值大于或等于该标准差上限值,输入整个该图像于该缺陷判断机器学习器。
18.一种缺陷判断方法,其特征在于,包括:
获取一光学膜的一图像,该图像具有一待判定缺陷区;以及
依据一缺陷判断模型,执行以下步骤:
分析该待判定缺陷区,并产生该待判定缺陷区相对于多个缺陷类型之各者的一相似度分数;
判断该些相似度分数中最高者所对应的该缺陷类型是否属于该些缺陷类型之一特定者;
当该最高者所对应的该缺陷类型属于该特定者,判断该最高者是否大于一预设值;
当该最高者大于该预设值,判定该待判定缺陷区属于该特定者;以及
当该最高者不大于该预设值,判定该待判定缺陷区属于该些缺陷类型之另一者;
其中,该缺陷判断模型采用如权利要求1所述的缺陷判断训练方法所产生。
19.如权利要求18所述的缺陷判断方法,其特征在于,该特定者与该另一者的缺陷特征相似。
20.如权利要求18项所述的缺陷判断方法,其特征在于,更包括:
当该最高者所对应的该缺陷类型不属于该特定者,直接判定该待判定缺陷区属于该最高者所对应的该缺陷类型。
21.一种缺陷判断系统,其特征在于,包括:
一摄像器,用以获取一光学膜的图像,该图像具有一待判定缺陷区;以及
一缺陷判断器,用以依据一缺陷判断模型,执行:
分析该待判定缺陷区,并产生该待判定缺陷区相对于多个缺陷类型之各者的一相似度分数;
判断该些相似度分数中最高者所对应的该缺陷类型是否属于该些缺陷类型之一特定者;
当该最高者所对应的该缺陷类型属于该特定者,判断该最高者是否大于一预设值;
当该最高者大于该预设值,判定该待判定缺陷区属于该特定者;及
当该最高者不大于该预设值,判定该待判定缺陷区属于该些缺陷类型之另一者;
其中,该缺陷判断模型采用如权利要求1所述的缺陷判断训练方法所产生。
22.如权利要求21所述的缺陷判断系统,其特征在于,该特定者与该另一者的缺陷特征相似。
23.如权利要求21所述的缺陷判断系统,其特征在于,该缺陷判断器更用以:当该最高者所对应的该缺陷类型不属于该特定者,直接判定该待判定缺陷区属于该最高者所对应的该缺陷类型。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108121332 | 2019-06-19 | ||
TW108121332A TWI771594B (zh) | 2019-06-19 | 2019-06-19 | 缺陷判斷訓練方法及應用其之系統以及缺陷判斷方法及應用其之系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507961A CN111507961A (zh) | 2020-08-07 |
CN111507961B true CN111507961B (zh) | 2023-08-22 |
Family
ID=71877625
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010300051.1A Active CN111507961B (zh) | 2019-06-19 | 2020-04-16 | 缺陷判断训练方法及其的系统及缺陷判断方法及其的系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN111507961B (zh) |
TW (1) | TWI771594B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI773493B (zh) * | 2021-08-20 | 2022-08-01 | 住華科技股份有限公司 | 缺陷特徵閾值取得裝置、應用其之影像檢測系統及方法 |
TWI783667B (zh) * | 2021-09-03 | 2022-11-11 | 由田新技股份有限公司 | 自動影像檢測方法、設備、內儲程式之電腦可讀取記錄媒體、以及電腦程式產品 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477065A (zh) * | 2009-01-08 | 2009-07-08 | 西安电子科技大学 | 基于缺陷边界值变化次数的ic缺陷分类方法 |
CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN106934803A (zh) * | 2017-03-13 | 2017-07-07 | 珠海格力智能装备有限公司 | 电子器件表面缺陷的检测方法及装置 |
CN206618705U (zh) * | 2017-02-24 | 2017-11-07 | 湖南远见视觉科技有限责任公司 | 一种光学膜缺陷检测装置 |
CN107845087A (zh) * | 2017-10-09 | 2018-03-27 | 深圳市华星光电半导体显示技术有限公司 | 液晶面板亮度不均匀缺陷的检测方法和系统 |
CN109387525A (zh) * | 2017-08-09 | 2019-02-26 | 苏州精濑光电有限公司 | 一种膜上膜内缺陷的判定方法 |
CN109387527A (zh) * | 2017-08-09 | 2019-02-26 | 苏州精濑光电有限公司 | 一种膜上膜内缺陷的检测方法 |
TW201920943A (zh) * | 2017-07-28 | 2019-06-01 | 南韓商Lg化學股份有限公司 | 用於檢測光學膜之缺陷的裝置及方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6394544B2 (ja) * | 2015-09-04 | 2018-09-26 | 信越化学工業株式会社 | フォトマスクブランクの欠陥検査方法、選別方法及び製造方法 |
-
2019
- 2019-06-19 TW TW108121332A patent/TWI771594B/zh active
-
2020
- 2020-04-16 CN CN202010300051.1A patent/CN111507961B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477065A (zh) * | 2009-01-08 | 2009-07-08 | 西安电子科技大学 | 基于缺陷边界值变化次数的ic缺陷分类方法 |
CN104458755A (zh) * | 2014-11-26 | 2015-03-25 | 吴晓军 | 一种基于机器视觉的多类型材质表面缺陷检测方法 |
CN106127780A (zh) * | 2016-06-28 | 2016-11-16 | 华南理工大学 | 一种曲面表面缺陷自动检测方法及其装置 |
CN206618705U (zh) * | 2017-02-24 | 2017-11-07 | 湖南远见视觉科技有限责任公司 | 一种光学膜缺陷检测装置 |
CN106934803A (zh) * | 2017-03-13 | 2017-07-07 | 珠海格力智能装备有限公司 | 电子器件表面缺陷的检测方法及装置 |
TW201920943A (zh) * | 2017-07-28 | 2019-06-01 | 南韓商Lg化學股份有限公司 | 用於檢測光學膜之缺陷的裝置及方法 |
CN109387525A (zh) * | 2017-08-09 | 2019-02-26 | 苏州精濑光电有限公司 | 一种膜上膜内缺陷的判定方法 |
CN109387527A (zh) * | 2017-08-09 | 2019-02-26 | 苏州精濑光电有限公司 | 一种膜上膜内缺陷的检测方法 |
CN107845087A (zh) * | 2017-10-09 | 2018-03-27 | 深圳市华星光电半导体显示技术有限公司 | 液晶面板亮度不均匀缺陷的检测方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
TWI771594B (zh) | 2022-07-21 |
CN111507961A (zh) | 2020-08-07 |
TW202101306A (zh) | 2021-01-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111161243B (zh) | 基于样本增强的工业产品表面缺陷检测方法 | |
CN114140679B (zh) | 一种缺陷融合方法、装置、识别系统及存储介质 | |
US7409081B2 (en) | Apparatus and computer-readable medium for assisting image classification | |
CN111507961B (zh) | 缺陷判断训练方法及其的系统及缺陷判断方法及其的系统 | |
CN109615609A (zh) | 一种基于深度学习的焊点瑕疵检测方法 | |
JP6872670B2 (ja) | 寸法計測装置、寸法計測プログラム及び半導体製造システム | |
WO2017067342A1 (zh) | 板卡位置检测方法及装置 | |
CN111833303A (zh) | 产品的检测方法、装置、电子设备及存储介质 | |
US11551350B2 (en) | Inspecting for a defect on a print medium with an image aligned based on an object in the image and based on vertices of the inspection target medium and the reference medium | |
CN109816627B (zh) | 平面玻璃元件油墨区弱小缺陷目标检测方法 | |
CN113077437A (zh) | 工件质量检测方法及其系统 | |
CN113160161A (zh) | 目标边缘处缺陷的检测方法和装置 | |
CN115439840A (zh) | 一种航空件槽区识别方法、装置、设备及介质 | |
CN115866502A (zh) | 一种麦克风零件表面缺陷在线检测流程 | |
JP5460023B2 (ja) | ウェハのパターン検査方法及び装置 | |
JP2010256053A (ja) | 形状欠損検査装置、形状モデリング装置および形状欠損検査プログラム | |
CN116258682A (zh) | 基于PSPNet和改进YOLOv7的PCB锡膏缺陷检测方法 | |
JP2010071826A (ja) | 教師データ作成方法、並びに、画像分類方法および画像分類装置 | |
CN114004858A (zh) | 基于机器视觉识别航空线缆表面编码的方法及装置 | |
CN108416790A (zh) | 一种用于工件破损率的检测方法 | |
CN116958052A (zh) | 一种基于yolo和注意力机制的印刷电路板缺陷检测方法 | |
CN111192261A (zh) | 一种镜片疵病类型识别的方法 | |
CN114638807A (zh) | 一种基于深度学习的金属板材表面缺陷检测方法 | |
CN113674198A (zh) | 一种基于积分图的残缺十字mark点视觉识别方法 | |
JP2008118445A (ja) | 印刷物検査装置及び印刷物検査方法 |
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 |