CN113034424A - 模型训练方法与电子装置 - Google Patents

模型训练方法与电子装置 Download PDF

Info

Publication number
CN113034424A
CN113034424A CN201911345060.6A CN201911345060A CN113034424A CN 113034424 A CN113034424 A CN 113034424A CN 201911345060 A CN201911345060 A CN 201911345060A CN 113034424 A CN113034424 A CN 113034424A
Authority
CN
China
Prior art keywords
image
model
processor
training
generated
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
CN201911345060.6A
Other languages
English (en)
Inventor
刘一帆
曾柏谚
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.)
Coretronic Corp
Original Assignee
Coretronic Corp
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 Coretronic Corp filed Critical Coretronic Corp
Priority to CN201911345060.6A priority Critical patent/CN113034424A/zh
Priority to TW108148280A priority patent/TW202125400A/zh
Priority to US17/126,054 priority patent/US20210192286A1/en
Publication of CN113034424A publication Critical patent/CN113034424A/zh
Pending legal-status Critical Current

Links

Images

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
    • 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
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G06V10/7747—Organisation of the process, e.g. bagging or boosting
    • 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
    • G06N3/047—Probabilistic or stochastic networks
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

模型训练方法与电子装置。所述方法包括：获得第一图像；遮蔽所述第一图像中的至少一区域以获得遮蔽后图像；将所述遮蔽后图像输入至第一模型以获得第一生成图像；根据所述第一生成图像与所述第一图像训练所述第一模型；根据所述第一生成图像与所述第一图像训练所述第二模型；以及当训练所述第一模型达到第一条件且训练所述第二模型达到第二条件时，完成对所述第一模型的训练。借由所述模型训练方法与所述电子装置，可以解决人工标记图像所带来的问题以及有效地避免引发模式崩溃的问题。

Description

模型训练方法与电子装置
【技术领域】
本发明是有关于一种模型训练方法与电子装置。
【背景技术】
在自动光学检查(AOI)领域中，若要使用机器学习或深度学习等方法，常需要使用已标记的图像来对模型进行训练。然而，模型的标记通常是由人工来进行，此情况会耗费大量的人力与时间，并且经由人工标记的图像中可能会有特征漏标和标记错误的问题。而使用有问题的图像来对模型进行训练，往往会造成模型学习效果不佳的问题。
【发明内容】
本发明提供一种模型训练方法与电子装置，可以解决人工标记图像所带来的问题以及有效地避免引发模式崩溃的问题。
本发明的其他目的和优点可以从本发明所公开的技术特征中得到进一步的了解。
为达上述的一或部分或全部目的或是其他目的，本发明提出一种模型训练方法，包括：获得第一图像；遮蔽所述第一图像中的至少一区域以获得遮蔽后图像；将所述遮蔽后图像输入至第一模型以获得第一生成图像；根据所述第一生成图像与所述第一图像训练所述第一模型；根据所述第一生成图像与所述第一图像训练所述第二模型；以及当训练所述第一模型达到第一条件且训练所述第二模型达到第二条件时，完成对所述第一模型的训练。
本发明提出一种电子装置，包括：输入电路与处理器。输入电路用于获得第一图像。处理器耦接至所述输入电路并用于执行下述操作：遮蔽所述第一图像中的至少一区域以获得遮蔽后图像；所述遮蔽后图像输入至第一模型以获得第一生成图像；根据所述第一生成图像与所述第一图像训练所述第一模型；根据所述第一生成图像与所述第一图像训练所述第二模型；以及当训练所述第一模型达到第一条件且训练所述第二模型达到第二条件时，完成对所述第一模型的训练。
基于上述，本发明的模型训练方法与电子装置可以自动地找出待测图像中的特定区域且不需要人工手动地标记图像中的特定区域(例如，瑕疵区域)来训练模型，借此解决人工标记图像所带来的问题。
【附图说明】
图1是依照本发明的一实施例所绘示的电子装置的示意图。
图2是依照本发明的一实施例所绘示的一种神经网络模块的示意图。
图3是依照本发明的一实施例所绘示的一种模型训练方法的流程图。
图4是依照本发明的一实施例所绘示的一种使用第一模型识别图像中的特定区域的方法的流程图。
图5是依照本发明的一实施例所绘示的第一图像与遮避后图像的示意图。
图6是依照本发明的一实施例所绘示的识别待测图像中的瑕疵区域的示意图。
【符号说明】
100：电子装置
20：处理器
22：输入电路
24：图像撷取电路
P1：导光板
S201～S203、S301～S309、S401～S405：步骤
MM1：神经网络模块
M1：第一模型
M2：第二模型
C1～C2：组合
O_img：第一图像
G_img：第一生成图像
501～503、601～605：图像。
【具体实施方式】
现将详细参考本发明的实施例，在附图中说明所述实施例的实例。另外，凡可能之处，在附图及实施方式中使用相同标号的元件/构件代表相同或类似部分。有关本发明的前述及其他技术内容、特点与功效，在以下配合附图的一较佳实施例的详细说明中，将可清楚的呈现。以下实施例中所提到的方向用语，例如：上、下、左、右、前或后等，仅是参考附图的方向。因此，使用的方向用语是用来说明并非用来限制本发明。
图1是依照本发明的一实施例所绘示的电子装置的示意图。请参照图1，电子装置100包括处理器20与输入电路22。其中，输入电路22耦接至处理器20。
处理器20可以是中央处理器(CPU)，或是其他可编程的通用或专用的微处理器、数字信号处理器(DSP)、可编程控制器、专用集成电路(ASIC)或其他类似元件或上述元件的组合。
输入电路22例如是用于从电子装置100外部或其他来源取得相关数据的输入接口或电路。在本实施例中，输入电路22是耦接至图像撷取电路24。图像撷取电路24例如是采用电荷耦合器件(Charge coupled device，CCD)镜头、具有互补式金氧半导体晶体管(CMOS)的镜头、或红外线镜头的摄影机、照相机。图像撷取电路24用于拍摄导光板P1上的对象以获得图像。然而，在其他实施例中，输入电路22也可以是从其他的储存媒体获得图像，在此不作限制。
此外，电子装置100也可以包括存储电路(未图示)，储存电路耦接至处理器20。存储电路可以是任何型态的固定或可移动随机存取存储器(RAM)、只读存储器(ROM)、闪存或类似元件或上述元件的组合。
在本实施例中，电子装置100的存储电路中存储有多个代码段，在上述代码段被安装后，会由处理器20来执行。例如，存储电路中包括多个模块，借由这些模块来分别执行应用于电子装置100中的各个运作，其中各模块是由一或多个代码段所组成。然而本发明不限于此，电子装置100的各个运作也可以是使用其他硬件形式的方式来实现。
图2是依照本发明的一实施例所绘示的一种神经网络模块的示意图。请参照图2，在本实施例中，处理器20会先配置神经网络模块MM1。神经网络模块MM1包括第一模型M1与第二模型M2。在步骤S201中，输入电路22可以获得由例如由图像撷取电路24所拍摄的图像。之后，在步骤S203中，处理器20可以使用预设尺寸大小的区块遮蔽步骤S201所获得的图像中的至少一区域以获得遮蔽后图像。而前述区块可以是由单一颜色(例如，黑色、白色、灰色或其他颜色)的多个像素所组成的区块。之后，处理器20可以将遮蔽后图像输入至神经网络模块MM1以调整第一模型M1与第二模型M2中的权重。
在本实施例中，第一模型为自编码器(auto encoder)，且第二模型为猜测鉴别器(guess discriminator)。自编码器是使用神经网络的非监督式学习方法(unsupervisedlearning method)。自编码器中会包含编码器与解码器以根据输入图像来产生生成图像。在熟知此技术领域的人员可知，自编码器、变分自编码器(variational auto encoder)等架构都是由编码器与解码器所组成的非监督式神经网络。第一模型(例如，自编码器)主要用于将一输入图像转换为一生成图像。在本实施例中，假设输入图像为具有某特定区域(例如，瑕疵区域)的图像(亦称为，瑕疵图像)，而自编码器主要用于将输入图像转换为不具有所述特定区域的图像(亦称为，正常图像)。
此外，在本实施例中，猜测鉴别器(guess discriminator)的输入为输入至自编码器的输入图像以及由编码器所产生的对应于前述输入图像的生成图像，并用于分辨哪张图像是输入至自编码器的输入图像且哪一张图像是由编码器所产生的生成图像。在分辨时，在本实施例中，猜测鉴别器会同时以不同的顺序叠合前述的输入图像与生成图像以产生多种组合以进行分辨。借由此方式，相较于一般的猜测鉴别器，可以有效地避免引发模式崩溃(mode collapse)的问题。除此之外，借由前述方式也可以有效地解决在图像到图像的转换(Image to Image translation)的领域中的自我对抗攻击(self-adversarial attack)的问题。
图3是依照本发明的一实施例所绘示的一种模型训练方法的流程图。
请参照图3，图3用于更详细地描述如何训练神经网络模块MM1中的以第一模型M1与第二模型M2以调整第一模型M1与第二模型M2中的权重。首先，在步骤S301中，输入电路22会获得一第一图像O_img。在实施例中，第一图像O_img的获得方式可以是处理器20通过输入电路22获得由图像撷取电路24所拍摄的原始数据(raw data)(亦称为，原始图像)，并根据预先设定的大小切割此原始数据以获得第一图像O_img。然而在其他实施例中，第一图像O_img也可以是未经切割的原始数据。此外，在实施例中，处理器20可以使用不同大小任意地切割原始数据以获得多个子图像，并使用子图像的其中之一作为第一图像O_img。而不同大小任意地切割原始图像可以避免后续训练模型时模型使用相同的图案进行学习。
之后，类似于步骤S203，在步骤S303中，处理器20可以使用预设尺寸大小的区块遮蔽第一图像O_img中的至少一区域以获得遮蔽后图像，默认尺寸大小可以是设定成一定大小或不定大小。而前述区块可以是单一颜色的区块。在步骤S305中，处理器20会将遮蔽后图像输入至第一模型M1，并且在步骤S307中获得由第一模型M1所产生的对应于第一图像O_img的第一生成图像G_img。之后，处理器20会根据第一生成图像G_img与第一图像O_img训练第一模型M1与第二模型M2。当训练第一模型M1达到第一条件且训练第二模型M2达到第二条件时，处理器20会完成对第一模型M1的训练。
更详细来说，在训练第一模型M1达到第一条件的过程中，处理器20会调整第一模型M1中的多个权重(亦称为，第一权重)以使得根据所述第一生成图像G_img与第一图像O_img所计算出的一损失函数的数值(亦称为，损失函数值)达到最小值。其中，损失函数可以为均方误差(mean square error)、KL散度(Kullback-Leibler divergence)、交叉熵(cross-entropy)等，在此不作限制。
此外，在训练第二模型M2达到第二条件的过程中，在步骤S309中处理器20会将不同组合C1～C2的第一生成图像G_img与第一图像O_img输入第二模型M2。处理器20会调整第二模型M2中的多个权重(亦称为，第二权重)以使得根据第一生成图像G_img与第一图像O_img的多种组合C1～C2所计算出的一损失函数值达到最大值。特别是，前述每一个组合C1～C2中的第一生成图像G_img与第一图像O_img的顺序不同。以图3为例，组合C1例如是在第一生成图像G_img上叠加第一图像O_img，而组合C2例如是在第一图像O_img上叠加第一生成图像G_img。
特别是，当训练第一模型M1达到第一条件且训练第二模型M2达到第二条件时，第二模型M2会无法分辨出第一图像O_img与第一生成图像G_img中的哪一个图像是由第一模型M1所产生(或输出)。此时，处理器20会完成对第一模型M1的训练，且训练完成的第一模型M1可以用于识别图像中是否具有特定区域(例如，具有瑕疵的区域)。
例如，图4是依照本发明的一实施例所绘示的一种使用第一模型识别图像中的特定区域的方法的流程图。
请参照图4，在步骤S401中，处理器20会获得待测图像。此待测图像例如是处理器20通过输入电路22获得由图像撷取电路24所拍摄的原始数据，并根据预先设定的大小切割此原始数据所获得的待测图像。然而在其他实施例中，待测图像也可以是未经切割的原始数据。之后在步骤S403中，处理器20会将待测图像输入至已训练完成的第一模型M1以获得一生成图像(亦称为，第二生成图像)。之后，在步骤S405中，处理器20会根据待测图像与第二生成图像识别待测图像中的特定区域。更详细来说，以特定区域为瑕疵区域为例，处理器20会将待测图像与第二生成图像相减以识别出待测图像中的瑕疵区域。例如，在实施例中，在将待测图像与第二生成图像相减后，可以使用一般的图像处理方法来去除相减后的图像中的噪声，并将相减后的图像中的像素值大于阈值(threshold)的像素识别为瑕疵，阈值的像素(pixel)例如为5×5个像素，但不局限于此。
也就是说，借由前述的第一模型M1与第二模型M2的训练，第一模型M1可以自动地找出待测图像中的特定区域且不需要人工手动地标记图像中的特定区域(例如，瑕疵区域)来训练模型，借此解决人工标记图像所带来的问题。
图5是依照本发明的一实施例所绘示的第一图像与遮蔽后图像的示意图。
请参照图5，假设图像501为前述步骤S301所获得的第一图像，并且在经过步骤S303后可以获得图像503。如图像503所示，图像503中具有多个被白色区块遮蔽的区域，图像503可以作为前述的遮蔽后图像。
此外，图6是依照本发明的实施例所绘示的识别待测图像中的瑕疵区域的示意图。
请参照图6，假设图像601为前述步骤S401所获得的待测图像。处理器20可以将图像输入至已训练完成的第一模型M1以获得图像603(即，前述的生成图像)。之后，在识别图像601中的瑕疵区域时，处理器20会将图像601与图像603相减以获得图像605。其中，处理器20可以将在图像601中对应于图像605中白色的区域识别为图像601中的瑕疵区域。
综上所述，本发明的模型训练方法与电子装置可以自动地找出待测图像中的特定区域且不需要人工手动地标记图像中的特定区域(例如，瑕疵区域)来训练模型，借此解决人工标记图像所带来的问题。
只是以上所述内容，仅为本发明的较佳实施例而已，当不能以此限定本发明实施的范围，即大凡依本发明权利要求及发明说明内容所作的简单的等效变化与修饰，皆仍属本发明专利涵盖的范围内。另外本发明的任一实施例或权利要求不须实现本发明所公开的全部目的或优点或特点。此外，摘要部分和标题仅是用来辅助专利文件搜寻之用，并非用来限制本发明的权利范围。此外，本说明书或权利要求中提及的“第一”、“第二”等用语仅用于命名元件(element)的名称或区别不同实施例或范围，而并非用来限制元件数量上的上限或下限。

Claims (14)

1.一种模型训练方法，其特征在于，所述模型训练方法包括：
获得第一图像；
遮蔽所述第一图像中的至少一区域以获得遮蔽后图像；
将所述遮蔽后图像输入至第一模型以获得第一生成图像；
根据所述第一生成图像与所述第一图像训练所述第一模型；
根据所述第一生成图像与所述第一图像训练所述第二模型；以及
当训练所述第一模型达到第一条件且训练所述第二模型达到第二条件时，完成对所述第一模型的训练。
2.根据权利要求1所述的模型训练方法，其特征在于，训练所述第一模型达到所述第一条件的步骤包括：
调整所述第一模型中的多个第一权重以使得根据所述第一生成图像与所述第一图像所计算出的损失函数值为最小值。
3.根据权利要求1所述的模型训练方法，其特征在于，训练所述第二模型达到所述第二条件的步骤包括：
调整所述第二模型中的多个第二权重以使得根据所述第一生成图像与所述第一图像的多种组合所计算出的损失函数值为最大值，
其中每一所述多个组合中的所述第一生成图像与所述第一图像的顺序不同。
4.根据权利要求1所述的模型训练方法，其特征在于，获得所述第一图像的步骤中，所述模型训练方法还包括：
获得原始数据；
切割所述原始数据以获得所述第一图像。
5.根据权利要求1所述的模型训练方法，其特征在于，所述模型训练方法还包括：
将待测图像输入至已训练完成的所述第一模型以获得第二生成图像；
根据所述待测图像与所述第二生成图像识别所述待测图像中的特定区域。
6.根据权利要求5所述的模型训练方法，其特征在于，所述特定区域为瑕疵区域，根据所述待测图像与所述第二生成图像识别所述待测图像中的所述特定区域的步骤包括：
将所述待测图像与所述第二生成图像相减以识别所述瑕疵区域。
7.根据权利要求1所述的模型训练方法，其特征在于，所述第一模型为自编码器且所述第二模型为猜测鉴别器。
8.一种电子装置，其特征在于，所述电子装置包括输入电路和处理器，其中，
所述输入电路用于获得第一图像；以及
所述处理器耦接至所述输入电路，其中
所述处理器遮蔽所述第一图像中的至少一区域以获得遮蔽后图像，
所述处理器将所述遮蔽后图像输入至第一模型以获得第一生成图像，
所述处理器根据所述第一生成图像与所述第一图像训练所述第一模型，
所述处理器根据所述第一生成图像与所述第一图像训练所述第二模型，
当训练所述第一模型达到第一条件且训练所述第二模型达到第二条件时，所述处理器完成对所述第一模型的训练。
9.根据权利要求8所述的电子装置，其特征在于，在训练所述第一模型达到所述第一条件的运作中，
所述处理器调整所述第一模型中的多个第一权重以使得根据所述第一生成图像与所述第一图像所计算出的损失函数值为最小值。
10.根据权利要求8所述的电子装置，其特征在于，在训练所述第二模型达到所述第二条件的运作中，
所述处理器调整所述第二模型中的多个第二权重以使得根据所述第一生成图像与所述第一图像的多种组合所计算出的损失函数值为最大值，
其中每一所述多个组合中的所述第一生成图像与所述第一图像的顺序不同。
11.根据权利要求8所述的电子装置，其特征在于，在获得所述第一图像的运作中，
所述处理器获得原始数据，
所述处理器切割所述原始数据以获得所述第一图像。
12.根据权利要求8所述的电子装置，其特征在于，
所述处理器将待测图像输入至已训练完成的所述第一模型以获得第二生成图像，
所述处理器根据所述待测图像与所述第二生成图像识别所述待测图像中的特定区域。
13.根据权利要求12所述的电子装置，其特征在于，所述特定区域为瑕疵区域，在根据所述待测图像与所述第二生成图像识别所述待测图像中的所述特定区域的运作中，
所述处理器将所述待测图像与所述第二生成图像相减以识别所述瑕疵区域。
14.根据权利要求8所述的电子装置，其特征在于，所述第一模型为自编码器且所述第二模型为猜测鉴别器。
CN201911345060.6A 2019-12-24 2019-12-24 模型训练方法与电子装置 Pending CN113034424A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201911345060.6A CN113034424A (zh) 2019-12-24 2019-12-24 模型训练方法与电子装置
TW108148280A TW202125400A (zh) 2019-12-24 2019-12-30 模型訓練方法與電子裝置
US17/126,054 US20210192286A1 (en) 2019-12-24 2020-12-18 Model training method and electronic device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911345060.6A CN113034424A (zh) 2019-12-24 2019-12-24 模型训练方法与电子装置

Publications (1)

Publication Number Publication Date
CN113034424A true CN113034424A (zh) 2021-06-25

Family

ID=76437385

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911345060.6A Pending CN113034424A (zh) 2019-12-24 2019-12-24 模型训练方法与电子装置

Country Status (3)

Country Link
US (1) US20210192286A1 (zh)
CN (1) CN113034424A (zh)
TW (1) TW202125400A (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220138500A1 (en) * 2020-10-30 2022-05-05 Samsung Electronics Co., Ltd. Unsupervised super-resolution training data construction

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130310966A1 (en) * 2012-05-18 2013-11-21 Kla-Tencor Technologies Corporation Method and device for using substrate geometry to determine optimum substrate analysis sampling
CN107103590A (zh) * 2017-03-22 2017-08-29 华南理工大学 一种基于深度卷积对抗生成网络的图像反射去除方法
CN108961217A (zh) * 2018-06-08 2018-12-07 南京大学 一种基于正例训练的表面缺陷检测方法
CN109741328A (zh) * 2019-02-02 2019-05-10 东北大学 一种基于生成式对抗网络的汽车表观质量检测方法

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2008151083A1 (en) * 2007-05-30 2008-12-11 Kla-Tencor Corporation Feedforward/feedback litho process control of stress and overlay
EP3797384A4 (en) * 2018-05-22 2022-03-16 Ramot at Tel-Aviv University Ltd. METHOD AND SYSTEM FOR IMAGE GENERATION AND IMAGE PROCESSING
US10430946B1 (en) * 2019-03-14 2019-10-01 Inception Institute of Artificial Intelligence, Ltd. Medical image segmentation and severity grading using neural network architectures with semi-supervised learning techniques
US11049223B2 (en) * 2019-06-19 2021-06-29 Siemens Healthcare Gmbh Class-aware adversarial pulmonary nodule synthesis
WO2021034495A1 (en) * 2019-08-16 2021-02-25 Synopsys, Inc. Applying reticle enhancement technique recipes based on failure modes predicted by an artificial neural network
US11410891B2 (en) * 2019-08-26 2022-08-09 International Business Machines Corporation Anomaly detection and remedial recommendation
US10957031B1 (en) * 2019-09-06 2021-03-23 Accenture Global Solutions Limited Intelligent defect detection from image data
EP3796228A1 (en) * 2019-09-20 2021-03-24 Robert Bosch GmbH Device and method for generating a counterfactual data sample for a neural network
EP3816864A1 (en) * 2019-10-28 2021-05-05 Robert Bosch GmbH Device and method for the generation of synthetic data in generative networks

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130310966A1 (en) * 2012-05-18 2013-11-21 Kla-Tencor Technologies Corporation Method and device for using substrate geometry to determine optimum substrate analysis sampling
CN107103590A (zh) * 2017-03-22 2017-08-29 华南理工大学 一种基于深度卷积对抗生成网络的图像反射去除方法
CN108961217A (zh) * 2018-06-08 2018-12-07 南京大学 一种基于正例训练的表面缺陷检测方法
CN109741328A (zh) * 2019-02-02 2019-05-10 东北大学 一种基于生成式对抗网络的汽车表观质量检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
HAOYU YANG 等: "GAN-OPC: Mask Optimization With Lithography-Guided Generative Adversarial Nets", 《IEEE TRANSACTIONS ON COMPUTER-AIDED DESIGN OF INTEGRATED CIRCUITS AND SYSTEMS》, vol. 39, no. 10, pages 2822 - 2834, XP011811080, DOI: 10.1145/3195970.3196056 *
JOHANNES RICHTER 等: "Deep Learning Based Fault Correction in 3D Measurements of Printed Circuit Boards", 《IEMCON》, pages 227 - 232 *
ZHIXUAN ZHAO 等: "A Surface Defect Detection Method Based on Positive Samples", 《PRICAI 2018》, pages 473 *

Also Published As

Publication number Publication date
US20210192286A1 (en) 2021-06-24
TW202125400A (zh) 2021-07-01

Similar Documents

Publication Publication Date Title
US7369712B2 (en) Automated statistical self-calibrating detection and removal of blemishes in digital images based on multiple occurrences of dust in images
US7340109B2 (en) Automated statistical self-calibrating detection and removal of blemishes in digital images dependent upon changes in extracted parameter values
US7424170B2 (en) Automated statistical self-calibrating detection and removal of blemishes in digital images based on determining probabilities based on image analysis of single images
US7676110B2 (en) Determination of need to service a camera based on detection of blemishes in digital images
EP1668886B1 (en) Statistical self-calibrating detection and removal of blemishes in digital images
US7683946B2 (en) Detection and removal of blemishes in digital images utilizing original images of defocused scenes
US8369650B2 (en) Image defect map creation using batches of digital images
US7310450B2 (en) Method of detecting and correcting dust in digital images based on aura and shadow region analysis
US7308156B2 (en) Automated statistical self-calibrating detection and removal of blemishes in digital images based on a dust map developed from actual image data
US20070253638A1 (en) Digital Image Acquisition and Processing System
US20050068445A1 (en) Digital camera
US20200265575A1 (en) Flaw inspection apparatus and method
CN101299239B (zh) 文字区域图像的获取方法及装置、文字识别系统
CN111612773B (zh) 一种红外热像仪及实时自动盲元检测处理方法
CN105303573A (zh) 金针类元件的引脚检测方法和系统
CN114170153A (zh) 一种晶圆缺陷检测方法、装置、电子设备及存储介质
JP4591046B2 (ja) 欠陥検出補正回路及び欠陥検出補正方法
CN113034424A (zh) 模型训练方法与电子装置
JP2006229626A (ja) 欠陥画素検出方法
CN115479891A (zh) 基于图像识别的电路板载元器件自动检测系统和方法
JP2009043111A (ja) 画像処理方法
CA2997335C (en) Automatically generating image datasets for use in image recognition and detection
CN106898020B (zh) 基于视频处理的监控图像对比度异常识别方法及系统
US7480420B2 (en) Method for recognizing abnormal image
CN114339210A (zh) 一种摄像头模组多线程检测方法及装置

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
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20210625

WD01 Invention patent application deemed withdrawn after publication