CN113837209A - 改良机器学习使用数据进行训练的方法及系统 - Google Patents
改良机器学习使用数据进行训练的方法及系统 Download PDFInfo
- Publication number
- CN113837209A CN113837209A CN202010582384.8A CN202010582384A CN113837209A CN 113837209 A CN113837209 A CN 113837209A CN 202010582384 A CN202010582384 A CN 202010582384A CN 113837209 A CN113837209 A CN 113837209A
- Authority
- CN
- China
- Prior art keywords
- machine learning
- training
- learning model
- data
- machine
- 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
Links
- 238000010801 machine learning Methods 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 17
- 238000007689 inspection Methods 0.000 claims abstract description 14
- 230000003287 optical effect Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 10
- 230000007547 defect Effects 0.000 description 8
- 230000002950 deficient Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种改良机器学习使用数据进行训练的方法及系统,可以是执行于自动光学检测系统中,且所述方法包括如下步骤。首先,将少量的良品数据作为第一训练数据来让机器学习模型进行训练,并让使用第一训练数据所训练完的机器学习模型在收到在线产品数据时,能够自动产生多个机器标记。接着,利用检查电路通过人工的方式来检查这些机器标记,并让机器学习模型再使用具有经检查后的这些机器标记的在线产品数据作为第二训练数据以进行训练。
Description
技术领域
本发明涉及机器学习(Machine Learning,ML),尤其涉及一种改良机器学习使用数据进行训练的方法及系统。
背景技术
机器学习是人工智能的一个分支,但现有技术需要先有人工来标记大量数据才让机器学习模型进行训练。因此,如何改良机器学习使用数据进行训练则成为本领域的一项重要课题。
发明内容
有鉴于此,本发明实施例提供一种改良机器学习使用数据进行训练的方法,执行于自动光学检测(Automated Optical Inspection,AOI)系统中,所述方法包括如下步骤。首先,将少量的良品数据作为第一训练数据来让机器学习模型进行训练,并让使用第一训练数据所训练完的机器学习模型在收到在线产品数据时,能够自动产生多个机器标记。接着,利用检查电路通过人工的方式来检查这些机器标记,并让机器学习模型再使用具有经检查后的这些机器标记的在线产品数据作为第二训练数据以进行训练。
除此之外,本发明实施例另提供一种改良机器学习使用数据进行训练的系统,执行于AOI系统中,所述系统包括第一层训练电路、检查电路和第二层训练电路。第一层训练电路用来让机器学习模型使用少量的良品数据作为第一训练数据以进行训练,且使用第一训练数据所训练完的机器学习模型在收到在线产品数据时,能够自动产生多个机器标记。检查电路连接第一层训练电路,用来通过人工的方式检查这些机器标记。第二层训练电路连接检查电路,用来让机器学习模型再使用具有经检查后的这些机器标记的在线产品数据作为第二训练数据以进行训练。
为使能更进一步了解本发明的特征及技术内容,请参阅以下有关本发明的详细说明与附图,然而所提供的附图仅用于提供参考与说明,并非用来对本发明加以限制。
附图说明
图1是本发明实施例所提供改良机器学习使用数据进行训练的方法的步骤流程图。
图2A到图2D是根据图1的方法来表现出新的AOI管线化设计(Pipeline)的示意图。
图3是本发明实施例所提供改良机器学习使用数据进行训练的系统的功能方块图。
具体实施方式
以下是通过特定的具体实施例来说明本发明的实施方式,本领域技术人员可由本说明书所提供的内容了解本发明的优点与效果。本发明可通过其他不同的具体实施例加以施行或应用,本说明书中的各项细节也可基于不同观点与应用,在不悖离本发明的构思下进行各种修改与变更。另外,本发明的附图仅为简单示意说明,并非依实际尺寸的描绘,事先声明。以下的实施方式将进一步详细说明本发明的相关技术内容,但所提供的内容并非用以限制本发明的保护范围。
应当理解的是,虽然本文中可能会使用到“第一”、“第二”、“第三”等术语来描述各种组件或者信号,但这些组件或者信号不应受这些术语的限制。这些术语主要是用以区分一组件与另一组件,或者一信号与另一信号。另外,本文中所使用的术语“或”,应视实际情况可能包括相关联的列出项目中的任一个或者多个的组合。
首先,请参阅图1,图1是本发明实施例所提供改良机器学习使用数据进行训练的方法的步骤流程图。需说明的是,图1的方法可以是执行于AOI系统中,但本发明不限制图1的方法仅能够执行于AOI系统中。如图1所示,在步骤S110中,将少量的良品数据作为第一训练数据来让机器学习模型进行训练,并且在步骤S120中,让使用第一训练数据所训练完的机器学习模型在收到在线产品数据时,能够自动产生多个机器标记。也就是说,本发明可以是先将在线产品做良品和不良品的简单分类,所以步骤S110不需要准备大量有标记的数据给机器学习模型来做训练,而是只要将少量的良品数据作为第一训练数据就够。然后,由于不良品比较具有代表性,所以步骤S120的机器学习模型将针对不良品来自动产生多个机器标记。
由此可见,在使用第一训练数据以训练完机器学习模型后,机器学习模型将能够把在线产品数据分类为良品集和不良品集,且这些机器标记就是用来指出机器学习模型所没学习过的至少一瑕疵(Defect)。然而,这些机器标记所指的瑕疵也可能会是机器学习模型的误判(Overkill),所以在步骤S130中,利用检查电路通过人工的方式来检查这些机器标记,并且在步骤S140中,让机器学习模型再使用具有经检查后的这些机器标记的在线产品数据作为第二训练数据以进行训练。也就是说,由于人工仅大部分花在这些机器标记的检查上,所以相较现有技术需要先有人工来标记大量数据才让机器学习模型进行训练,本发明更可节省人力时间。
值得一提的是,这里所谓通过人工的方式来检查这些机器标记,更可指的是通过人工的方式来协助注明这些机器标记所指的瑕疵是什么。因此,即使当这些机器标记所指的瑕疵确实是机器学习模型的误判时,机器学习模型还可在因人工检查完这些机器标记后而学习到新知识,总而言之,在使用第二训练数据以训练完机器学习模型后,机器学习模型将能够辨识在线产品数据的至少一瑕疵位置与/或至少一瑕疵类别。另外,可请一并参阅图2A到图2D,图2A到图2D是根据图1的方法来表现出新的AOI管线化设计的示意图。
如图2A所示,新的AOI管线化设计可为由少量的良品数据来建立一个可判别良品或不良品的异常检测模型(Anomaly Detection Model)M1。接着,如图2B所示,异常检测模型M1可针对在线产品数据自动标记,且新的AOI管线化设计将在通过人工检查标记后建立一个可判别瑕疵位置与/或瑕疵类别的监督式检测模型(Supervised Detection Model)M2。或者是说,如图2C所示,新的AOI管线化设计可为利用异常检测模型M1来协助标记不良品集,并且由具有标记的不良品集来建立监督式检测模型M2,然后可将异常检测模型M1和监督式检测模型M2合并为最终的一个机器学习模型M3。由此可见,如图2D所示,当在线产品又有新瑕疵类别时,新的AOI管线化设计就可只要通过少量标记和短时间训练来让监督式检测模型M2能够快速增加辨识新瑕疵类别的能力。
最后,本发明进一步提供其系统的一种实施方式。请参阅图3,图3是本发明实施例所提供改良机器学习使用数据进行训练的系统的功能方块图。类似地,图3的系统1可以是执行于AOI系统中,但本发明亦不限制图3的系统1仅能够执行于AOI系统中。如图3所示,系统1包括第一层训练电路10、检查电路12和第二层训练电路14,其中第一层训练电路10、检查电路12和第二层训练电路14可以是透过纯硬件来实现,或者是透过硬件搭配固件或软件来实现,总而言之,本发明不限制第一层训练电路10、检查电路12和第二层训练电路14的具体实现方式。除此之外,上述各电路可以是整合或分开设置,但本发明亦不以此为限制。
第一层训练电路10用来让机器学习模型使用少量的良品数据作为第一训练数据以进行训练,且使用第一训练数据所训练完的机器学习模型在收到在线产品数据时,能够自动产生多个机器标记。检查电路12连接第一层训练电路10,用来通过人工的方式检查这些机器标记。第二层训练电路14连接检查电路12,用来让机器学习模型再使用具有经检查后的这些机器标记的在线产品数据作为第二训练数据以进行训练。由于细节已如同前述内容所述,故于此就不再多加赘述。
综上所述,本发明实施例提供一种改良机器学习使用数据进行训练的方法及系统,可以是先将在线产品做良品和不良品的简单分类,所以只要先准备少量的良品数据给机器学习模型进行训练,并且由于不良品比较具有代表性,所以机器学习模型将针对不良品来自动产生多个机器标记,以指出机器学习模型所没学习过的瑕疵。然后,通过人工的方式来检查这些机器标记,并且让机器学习模型再使用具有经检查后的这些机器标记的在线产品数据进行训练,以至于相较现有技术需要先有人工来标记大量数据才让机器学习模型进行训练,本发明更可节省人力时间。
以上所公开的内容仅为本发明的优选可行实施例,并非因此局限本发明的申请专利范围,所以凡是运用本发明说明书及附图内容所做的等效技术变化,均包含于本发明的申请专利范围内。
Claims (8)
1.一种改良机器学习使用数据进行训练的方法,执行于一自动光学检测系统中,其特征在于,所述方法包括:
将少量的良品数据作为第一训练数据来让一机器学习模型进行训练,并让使用所述第一训练数据所训练完的所述机器学习模型在收到在线产品数据时,能够自动产生多个机器标记;以及
利用一检查电路通过人工的方式来检查多个所述机器标记,并让所述机器学习模型再使用具有经检查后的多个所述机器标记的所述在线产品数据作为第二训练数据以进行训练。
2.如权利要求1所述的方法,其特征在于,在使用所述第一训练数据以训练完所述机器学习模型后,所述机器学习模型将能够把所述在线产品数据分类为一良品集和一不良品集。
3.如权利要求1所述的方法,其特征在于,多个所述机器标记是用来指出所述机器学习模型所没学习过的至少一瑕疵。
4.如权利要求1所述的方法,其特征在于,在使用所述第二训练数据以训练完所述机器学习模型后,所述机器学习模型将能够辨识所述在线产品数据的至少一瑕疵位置与/或至少一瑕疵类别。
5.一种改良机器学习使用数据进行训练的系统,执行于一自动光学检测系统中,其特征在于,所述系统包括:
一第一层训练电路,用来让一机器学习模型使用少量的良品数据作为第一训练数据以进行训练,且使用所述第一训练数据所训练完的所述机器学习模型在收到在线产品数据时,能够自动产生多个机器标记;
一检查电路,连接所述第一层训练电路,用来通过人工的方式检查多个所述机器标记;以及
一第二层训练电路,连接所述检查电路,用来让所述机器学习模型再使用具有经检查后的多个所述机器标记的所述在线产品数据作为第二训练数据以进行训练。
6.如权利要求5所述的系统,其特征在于,在使用所述第一训练数据以训练完所述机器学习模型后,所述机器学习模型将能够把所述在线产品数据分类为一良品集和一不良品集。
7.如权利要求5所述的系统,其特征在于,多个所述机器标记是用来指出所述机器学习模型所没学习过的至少一瑕疵。
8.如权利要求5所述的系统,其特征在于,在使用所述第二训练数据以训练完所述机器学习模型后,所述机器学习模型将能够辨识所述在线产品数据的至少一瑕疵位置与/或至少一瑕疵类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582384.8A CN113837209A (zh) | 2020-06-23 | 2020-06-23 | 改良机器学习使用数据进行训练的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010582384.8A CN113837209A (zh) | 2020-06-23 | 2020-06-23 | 改良机器学习使用数据进行训练的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113837209A true CN113837209A (zh) | 2021-12-24 |
Family
ID=78964146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010582384.8A Pending CN113837209A (zh) | 2020-06-23 | 2020-06-23 | 改良机器学习使用数据进行训练的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113837209A (zh) |
Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3712493A1 (de) * | 1986-04-30 | 1987-11-05 | Textima Veb K | Mikrorechnergesteuerte naehgutfuehrung von zuschnitteilen aus flexiblen flaechengebilden |
CN1367371A (zh) * | 2001-01-12 | 2002-09-04 | 日本电产丽德株式会社 | 电路板检查装置和电路板检查方法 |
CN1590991A (zh) * | 2003-09-05 | 2005-03-09 | 英业达股份有限公司 | 降低自动光学检查机误判率的方法 |
CN1670939A (zh) * | 2004-03-18 | 2005-09-21 | 奥林巴斯株式会社 | 标记方法及标记装置和检查装置 |
US20100039510A1 (en) * | 2008-08-13 | 2010-02-18 | Apollo Systems, Llc | Method and DEVICE for PRINT INSPECTION |
CN103513854A (zh) * | 2012-06-19 | 2014-01-15 | 旺矽科技股份有限公司 | 半导体检测系统的用户界面的显示方法 |
CN204596282U (zh) * | 2015-04-28 | 2015-08-26 | 陆劲鸿 | 一种互动学习电路的教学工具 |
CN106203523A (zh) * | 2016-07-17 | 2016-12-07 | 西安电子科技大学 | 基于梯度提升决策树半监督算法融合的高光谱图像分类 |
TW201734888A (zh) * | 2016-01-11 | 2017-10-01 | 克萊譚克公司 | 使用基於學習之模型加速半導體相關計算 |
CN107273938A (zh) * | 2017-07-13 | 2017-10-20 | 西安电子科技大学 | 基于双通道卷积阶梯网的多源遥感影像地物分类方法 |
CN107886131A (zh) * | 2017-11-24 | 2018-04-06 | 佛山科学技术学院 | 一种基于卷积神经网络检测电路板元器件极性方法和装置 |
CN108663383A (zh) * | 2018-06-13 | 2018-10-16 | 合肥恒烁半导体有限公司 | 一种基于人工智能的电路板检测方法及检测装置 |
CN109959661A (zh) * | 2017-12-25 | 2019-07-02 | 由田新技股份有限公司 | 自动光学检测方法、设备、及其深度学习系统 |
CN110021005A (zh) * | 2018-01-05 | 2019-07-16 | 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 |
CN110070521A (zh) * | 2019-03-19 | 2019-07-30 | 广东工业大学 | 一种基于视觉神经学习的3d打印模型瑕疵预判系统及方法 |
CN110659661A (zh) * | 2018-06-29 | 2020-01-07 | 由田新技股份有限公司 | 瑕疵分类标记系统及瑕疵分类标记方法 |
TW202004513A (zh) * | 2018-06-05 | 2020-01-16 | 美商克萊譚克公司 | 用於缺陷分類器訓練之主動學習 |
CN110766664A (zh) * | 2019-09-29 | 2020-02-07 | 杭州电子科技大学 | 一种基于深度学习的电子元器件外观不良品的检测方法 |
CN110889838A (zh) * | 2019-11-26 | 2020-03-17 | 武汉纺织大学 | 一种织物疵点检测方法及装置 |
CN110942450A (zh) * | 2019-11-19 | 2020-03-31 | 武汉大学 | 一种基于深度学习的多生产流水线实时缺陷检测方法 |
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 |
CN111160406A (zh) * | 2019-12-10 | 2020-05-15 | 北京达佳互联信息技术有限公司 | 图像分类模型的训练方法、图像分类方法及装置 |
CN111223093A (zh) * | 2020-03-04 | 2020-06-02 | 武汉精立电子技术有限公司 | 一种aoi缺陷检测方法 |
CN111311542A (zh) * | 2020-01-15 | 2020-06-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
CN111311544A (zh) * | 2020-01-19 | 2020-06-19 | 无锡赛默斐视科技有限公司 | 一种基于深度学习的地板缺陷检测方法 |
TW202120917A (zh) * | 2019-11-29 | 2021-06-01 | 智泰科技股份有限公司 | 智慧型光學檢測之樣品特徵與瑕疵自動標記方法及其裝置 |
-
2020
- 2020-06-23 CN CN202010582384.8A patent/CN113837209A/zh active Pending
Patent Citations (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE3712493A1 (de) * | 1986-04-30 | 1987-11-05 | Textima Veb K | Mikrorechnergesteuerte naehgutfuehrung von zuschnitteilen aus flexiblen flaechengebilden |
CN1367371A (zh) * | 2001-01-12 | 2002-09-04 | 日本电产丽德株式会社 | 电路板检查装置和电路板检查方法 |
CN1590991A (zh) * | 2003-09-05 | 2005-03-09 | 英业达股份有限公司 | 降低自动光学检查机误判率的方法 |
CN1670939A (zh) * | 2004-03-18 | 2005-09-21 | 奥林巴斯株式会社 | 标记方法及标记装置和检查装置 |
US20100039510A1 (en) * | 2008-08-13 | 2010-02-18 | Apollo Systems, Llc | Method and DEVICE for PRINT INSPECTION |
CN103513854A (zh) * | 2012-06-19 | 2014-01-15 | 旺矽科技股份有限公司 | 半导体检测系统的用户界面的显示方法 |
CN204596282U (zh) * | 2015-04-28 | 2015-08-26 | 陆劲鸿 | 一种互动学习电路的教学工具 |
TW201734888A (zh) * | 2016-01-11 | 2017-10-01 | 克萊譚克公司 | 使用基於學習之模型加速半導體相關計算 |
CN106203523A (zh) * | 2016-07-17 | 2016-12-07 | 西安电子科技大学 | 基于梯度提升决策树半监督算法融合的高光谱图像分类 |
CN107273938A (zh) * | 2017-07-13 | 2017-10-20 | 西安电子科技大学 | 基于双通道卷积阶梯网的多源遥感影像地物分类方法 |
CN107886131A (zh) * | 2017-11-24 | 2018-04-06 | 佛山科学技术学院 | 一种基于卷积神经网络检测电路板元器件极性方法和装置 |
CN109959661A (zh) * | 2017-12-25 | 2019-07-02 | 由田新技股份有限公司 | 自动光学检测方法、设备、及其深度学习系统 |
CN110021005A (zh) * | 2018-01-05 | 2019-07-16 | 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 |
TW202004513A (zh) * | 2018-06-05 | 2020-01-16 | 美商克萊譚克公司 | 用於缺陷分類器訓練之主動學習 |
CN108663383A (zh) * | 2018-06-13 | 2018-10-16 | 合肥恒烁半导体有限公司 | 一种基于人工智能的电路板检测方法及检测装置 |
CN110659661A (zh) * | 2018-06-29 | 2020-01-07 | 由田新技股份有限公司 | 瑕疵分类标记系统及瑕疵分类标记方法 |
CN110070521A (zh) * | 2019-03-19 | 2019-07-30 | 广东工业大学 | 一种基于视觉神经学习的3d打印模型瑕疵预判系统及方法 |
CN110766664A (zh) * | 2019-09-29 | 2020-02-07 | 杭州电子科技大学 | 一种基于深度学习的电子元器件外观不良品的检测方法 |
CN110942450A (zh) * | 2019-11-19 | 2020-03-31 | 武汉大学 | 一种基于深度学习的多生产流水线实时缺陷检测方法 |
CN110889838A (zh) * | 2019-11-26 | 2020-03-17 | 武汉纺织大学 | 一种织物疵点检测方法及装置 |
TW202120917A (zh) * | 2019-11-29 | 2021-06-01 | 智泰科技股份有限公司 | 智慧型光學檢測之樣品特徵與瑕疵自動標記方法及其裝置 |
CN111160406A (zh) * | 2019-12-10 | 2020-05-15 | 北京达佳互联信息技术有限公司 | 图像分类模型的训练方法、图像分类方法及装置 |
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 |
CN111311542A (zh) * | 2020-01-15 | 2020-06-19 | 歌尔股份有限公司 | 一种产品质量检测方法及装置 |
CN111311544A (zh) * | 2020-01-19 | 2020-06-19 | 无锡赛默斐视科技有限公司 | 一种基于深度学习的地板缺陷检测方法 |
CN111223093A (zh) * | 2020-03-04 | 2020-06-02 | 武汉精立电子技术有限公司 | 一种aoi缺陷检测方法 |
Non-Patent Citations (2)
Title |
---|
YUZHOU SHI等: "A Faster-RCNN Based Chemical Fiber Paper Tube Defect Detection Method", 《IEEE 2017 5TH INTERNATIONAL CONFERENCE ON ENTERPRISE SYSTEMS (ES)》, 23 November 2017 (2017-11-23), pages 173 - 177 * |
钟球盛等: "光学薄膜表面微细缺陷在线检测方法研究", 《机械设计与制造》, no. 10, 31 October 2011 (2011-10-31), pages 102 - 104 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109961421B (zh) | 数据生成装置、数据生成方法以及数据生成记录介质 | |
CN110659662B (zh) | 利用人工智能的瑕疵检测系统及其方法 | |
CN109596638B (zh) | 有图形晶圆及掩模版的缺陷检测方法及装置 | |
KR20210038143A (ko) | 인공지능(ai) 기반 대상물 검사 시스템 및 방법 | |
CN110136116B (zh) | 一种注塑泵缺陷检测方法、装置、设备及存储介质 | |
CN111861966A (zh) | 模型训练方法、装置及缺陷检测方法、装置 | |
CN116542984A (zh) | 五金件缺陷检测方法、装置、计算机设备及存储介质 | |
TWI826207B (zh) | Pcb缺陷檢測系統及pcb缺陷檢測方法 | |
CN115546211A (zh) | 一种焊点缺陷分类方法、终端及计算机存储介质 | |
CN111191670A (zh) | 基于神经网络的分类装置及分类方法 | |
CN113837209A (zh) | 改良机器学习使用数据进行训练的方法及系统 | |
CN109359683B (zh) | 目标检测方法、装置、终端和计算机可读存储介质 | |
CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
Ren et al. | Defect Detection for Printed Circuit Board Assembly Using Deep Learning | |
TWI742710B (zh) | 改良機器學習使用資料進行訓練的方法及系統 | |
CN113778875B (zh) | 一种系统测试缺陷分类方法、装置、设备及存储介质 | |
CN114782431A (zh) | 一种印刷电路板缺陷检测模型训练方法及缺陷检测方法 | |
CN104461870B (zh) | 记录测试结果的方法及装置 | |
KR970063623A (ko) | 패턴검사장치 및 방법 | |
Nahar et al. | Computer aided system for inspection of assembled PCB | |
TWI753347B (zh) | 基於神經網路的分類裝置及分類方法 | |
KR20210106038A (ko) | 딥러닝 기반의 ai 기술을 활용한 2차전지 분리막 자동 검사장치 | |
CN114692887A (zh) | 半监督学习系统及半监督学习方法 | |
TWI787630B (zh) | 基於人工智能的瑕疵檢測方法及其光學檢測系統 | |
CN108763063A (zh) | 一种无需缺陷标注数据的软件缺陷检测方法 |
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 |