CN114002225B - 光学检测系统与方法 - Google Patents

光学检测系统与方法 Download PDF

Info

Publication number
CN114002225B
CN114002225B CN202111216747.7A CN202111216747A CN114002225B CN 114002225 B CN114002225 B CN 114002225B CN 202111216747 A CN202111216747 A CN 202111216747A CN 114002225 B CN114002225 B CN 114002225B
Authority
CN
China
Prior art keywords
product
detection
inspection
subsequent
stations
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
Application number
CN202111216747.7A
Other languages
English (en)
Other versions
CN114002225A (zh
Inventor
苏家男
杨衍辰
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.)
Interface Optoelectronics Shenzhen Co Ltd
Interface Technology Chengdu Co Ltd
General Interface Solution Ltd
Original Assignee
Interface Optoelectronics Shenzhen Co Ltd
Interface Technology Chengdu Co Ltd
General Interface Solution 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 Interface Optoelectronics Shenzhen Co Ltd, Interface Technology Chengdu Co Ltd, General Interface Solution Ltd filed Critical Interface Optoelectronics Shenzhen Co Ltd
Priority to CN202111216747.7A priority Critical patent/CN114002225B/zh
Priority to TW110139287A priority patent/TWI806201B/zh
Publication of CN114002225A publication Critical patent/CN114002225A/zh
Application granted granted Critical
Publication of CN114002225B publication Critical patent/CN114002225B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G01N21/8851—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
    • 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

Abstract

本揭露提出一种光学检测系统，包括多个检测站与电脑系统。检测站依序对第一产品撷取第一检测影像并且判断第一产品是否符合规格要求以产生检测结果。电脑系统根据第一检测影像与检测结果训练一机器学习模型。如果有检测站判断第二产品不符合规格要求但电脑系统判断第二产品在后续的检测站中符合规格要求，则继续后续的制程且不淘汰第二产品。如果检测站判断第二产品符合规格要求但电脑系统判断第二产品在后续的检测站中不符合规格要求，则停止后续的制程且淘汰第二产品。藉此可以提升检测准确率。

Description

光学检测系统与方法
技术领域
本揭露有关于能结合多个检测站的资讯的光学检测系统与方法。
背景技术
一般产品的制造过程中会经过多个制程，为了确保产品的规格符合要求，会设置多个检测站来检查产品在各个制程之前或之后是否符合要求。然而，在习知的做法中这些检测站之间是独立运作的，如何结合这些检测站之间的资料，为此领域技术人员所关心的议题。
发明内容
本揭露的实施例提出一种光学检测系统，包括多个检测站与电脑系统。每一个检测站依序对第一产品撷取第一检测影像并且判断第一产品是否符合规格要求以产生检测结果。电脑系统通讯连接至检测站，用以根据第一检测影像与检测结果训练一机器学习模型。当其中一个检测站撷取第二产品的第二检测影像之后，电脑系统根据机器学习模型以及第二检测影像判断第二产品在后续的检测站中是否符合规格要求。如果检测站判断第二产品不符合规格要求但电脑系统判断第二产品在后续的检测站中符合规格要求，电脑系统继续后续的制程且不淘汰第二产品。如果检测站判断第二产品符合规格要求但电脑系统判断第二产品在后续的检测站中不符合规格要求，电脑系统停止后续的制程且淘汰第二产品。
在一些实施例中，检测站判断第二产品不符合规格要求但电脑系统判断第二产品在后续的检测站中不符合规格要求，电脑系统停止后续的制程且淘汰第二产品。
在一些实施例中，如果检测站判断第二产品符合规格要求但电脑系统判断第二产品在后续的检测站中符合规格要求，电脑系统继续后续的制程且不淘汰第二产品。
在一些实施例中，上述的机器学习模型为卷积神经网路。
在一些实施例中，上述的检测结果包括第一产品在检测站被检测到的一瑕疵在第一检测影像中的位置。电脑系统用以重叠第一检测影像并根据瑕疵在其余检测站中是否依然被判断为瑕疵来产生训练资料。
以另一个角度来说，本揭露的实施例提出一种光学检测方法，适用于多个检测站。此光学检测方法包括：透过每一个检测站依序对第一产品撷取第一检测影像并且判断第一产品是否符合规格要求以产生检测结果；根据第一检测影像与检测结果训练一机器学习模型；当检测站撷取第二产品的第二检测影像之后，根据机器学习模型以及第二检测影像判断第二产品在后续的检测站中是否符合规格要求；如果检测站判断第二产品不符合规格要求但判断第二产品在后续的检测站中符合规格要求，继续后续的制程且不淘汰第二产品；以及如果检测站判断第二产品符合规格要求但判断第二产品在后续的检测站中不符合规格要求，停止后续的制程且淘汰第二产品。
在一些实施例中，上述的光学检测方法还包括：如果检测站判断第二产品不符合规格要求但判断第二产品在后续的检测站中不符合规格要求，停止后续的制程且淘汰第二产品。
在一些实施例中，上述的光学检测方法还包括：如果检测站判断第二产品符合规格要求但判断第二产品在后续的检测站中符合规格要求，继续后续的制程且不淘汰第二产品。
在一些实施例中，上述的检测结果包括第一产品在检测站被检测到的瑕疵在第一检测影像中的位置。光学检测方法还包括：重叠第一检测影像并根据瑕疵在其余检测站中是否依然被判断为瑕疵来产生训练资料。
透过上述的光学检测方法与系统，可以结合多个检测站的资讯，预测瑕疵是否会被放大或是消失，藉此降低过检率以及漏检率，提升瑕疵分类检测率。
附图说明
为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图式作详细说明如下。
图1是根据一实施例绘示光学检测系统的示意图。
图2是根据一实施例绘示重叠多张检测影像的示意图。
图3是根据一实施例绘示光学检测方法的流程图。
附图标记：
100:光学检测系统                110:产品
121～123:检测站                 131～133:检测影像
140:电脑系统                    151～153:瑕疵
301～307:步骤
具体实施方式
关于本文中所使用之「第一」、「第二」等，并非特别指次序或顺位的意思，其仅为了区别以相同技术用语描述的元件或操作。
图1是根据一实施例绘示光学检测系统的示意图。请参照图1，光学检测系统100包括多个检测站121～123以及一电脑系统140。检测站121～123可以包含影像感测器以及其他合适的感测器，例如温度感测器、压力感测器等，本揭露并不在此限。在这些检测站121～123的之前或之后，产品110可进行产线上的一或多道制程。这些检测站121～123依照产线的顺序依序对产品110进行检查，拍摄产品110的检测影像以判断产品110是否符合规格要求。举例来说，检测站121撷取了检测影像131，检测站122撷取了检测影像132，而检测站123撷取了检测影像133。每个检测站121～123会产生对应的检测结果，这些检测结果包含了产品110是否符合规格要求的资讯，也可包含所检测到的瑕疵在对应检测影像中的位置资讯。举例来说，在检测影像131可发现瑕疵151，在检测影像132中可发现瑕疵152，而检测影像133中发现了瑕疵153。也就是说，上述的检测结果可以包含瑕疵151～153的位置。
电脑系统140透过任意有线或无线的方式通讯连接至检测站121～123。检测站121～123会将检测影像131～133以及上述的检测结果传送至电脑系统140，电脑系统140据此可以训练一机器学习模型，此机器学习模型例如为卷积神经网路，在其他实施例中机器学习模型也可以是支持向量机或其他合适的机器学习模型。电脑系统140会重叠这些检测影像151～153并根据某一个瑕疵在其余检测站中是否依然被判断为瑕疵来产生训练资料。举例来说，请参照图2，在检测影像131中具有瑕疵151，在检测影像132中对应的位置上也具有瑕疵152，但是在检测影像133中对应的位置上并没有瑕疵，这是因为有一些瑕疵可能会因为后续的制程而消失，例如在产品上的一个刮痕可能因为后续的镀膜制程而消失。另一方面，在检测影像133中具有瑕疵153，但在检测影像131～132中对应的位置上却没有瑕疵，这可能是检测影像151、152中的瑕疵很小(符合规格要求)，但是在后续的制程中此瑕疵被放大了，导致了在后续的制程中产生了不符合规格要求瑕疵153。
上述的训练资料包含了机器学习模型的输入与输出。电脑系统140可以将某一个检测站之前(包含目前检测站)产生的检测影像当作机器学习模型的输入，而将后续检测站产生的检测结果当作机器学习模型的输出。机器学习模型可以输出瑕疵的位置，也可以输出一个数值来表示有没有不符合规格要求的瑕疵，或者机器学习模型也可以输出一张影像，其中每个像素的值可用来表示该像素是否为瑕疵。据此，训练好的机器学习模型便可以根据先前的检测影像来预测在后续的检测站中是否会有不符合规格要求的瑕疵(以及位置)。在一些实施例中，这样的机器学习模型可以有多个，例如一个机器学习模型是根据前n-1个检测站的检测影像来预测第n个检测站的检测结果，此n可以是任意的正整数，若总共有N个检测站，则在这样的实施例中可以有(N-1)个机器学习模型。作者，机器学习模型可以根据第i个检测站的检测影像来预测第j个检测站的检测结果，其中i、j为正整数且j大于i，例如在一些实施例中j＝i+1。或者，在一些实施例中机器学习模型也可以是递归神经网路(recurrent neural network，RNN)，因此可以把检测影像依序输入至递归神经网路，每次输入一个检测影像都可以对应一个输出(检测结果)，在这样的例子中机器学习模型的个数也可以是1。本领域具有通常知识者当可根据上述揭示内容而设计出任意合适的机器学习模型。
图3是根据一实施例绘示光学检测方法的流程图。请参照图3，在步骤301中，产品经过一或多个制程以后进入一检测站。在步骤302中，由目前的检测站判断产品是否符合规格要求。在一些实施例中，此规格要求是由客户所决定，但本街露并不在此限。如果步骤302的结果为是，则在步骤303中由电脑系统根据训练好的机器学习模型以及目前检测站的检测影像(也可包含先前检测站的检测影像)判断在后续的检测站中是否符合规格要求。如果步骤303的结果为是，则表示没有瑕疵，在步骤305中会继续后续的制程且不淘汰产品。如果步骤303的结果为否，则表示虽然产品目前符合规格要求(瑕疵可能很微小)，但此瑕疵会在后续的制程中被放大，因此在步骤304会停止后续的制程且淘汰该产品。另外，如果步骤302的结果为否，则进行步骤306，此步骤306相同于步骤303。如果步骤306的结果为是，这表示虽然目前的检测站判断产品不符合规格要求，但对应的瑕疵可能在后续的制程中消失不见，因此可以进行步骤305。如果步骤306的结果为否，则在步骤307中停止后续的制程且淘汰该产品。值得注意的是，图3中各步骤可以实作为多个程式码或是电路，本发明并不在此限。
在上述的方法与系统中，可以结合多个检测站的资讯以训练一机器学习模型，此机器学习模型可以用来预测产品在后续检测站的检测结果，藉此可以提早淘汰产品，或者是保留符合规格要求的产品，可以降低过检率以及漏检率，提升瑕疵分类检测率。
虽然本发明已以实施例揭露如上，然其并非用以限定本发明，任何所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作些许的更动与润饰，故本发明的保护范围当视权利要求所界定者为准。

Claims (10)

1.一种光学检测系统，其特征在于，包括：
多个检测站，其中每一所述检测站依序对第一产品撷取第一检测影像并且判断所述第一产品是否符合规格要求以产生检测结果；
电脑系统，通讯连接至所述检测站，用以根据所述第一检测影像与所述检测结果训练机器学习模型，
其中当所述检测站的其中之一撷取第二产品的第二检测影像之后，所述电脑系统根据所述机器学习模型以及所述第二检测影像判断所述第二产品在后续的检测站中是否符合所述规格要求，
如果所述检测站的所述其中之一判断所述第二产品不符合所述规格要求但所述电脑系统判断所述第二产品在所述后续的检测站中符合所述规格要求，所述电脑系统继续后续的制程且不淘汰所述第二产品，
如果所述检测站的所述其中之一判断所述第二产品符合所述规格要求但所述电脑系统判断所述第二产品在所述后续的检测站中不符合所述规格要求，所述电脑系统停止所述后续的制程且淘汰所述第二产品。
2.如权利要求1所述之光学检测系统，其特征在于，其中如果所述检测站的所述其中之一判断所述第二产品不符合所述规格要求但所述电脑系统判断所述第二产品在所述后续的检测站中不符合所述规格要求，所述电脑系统停止所述后续的制程且淘汰所述第二产品。
3.如权利要求1所述之光学检测系统，其特征在于，其中如果所述检测站的所述其中之一判断所述第二产品符合所述规格要求但所述电脑系统判断所述第二产品在所述后续的检测站中符合所述规格要求，所述电脑系统继续所述后续的制程且不淘汰所述第二产品。
4.如权利要求1所述之光学检测系统，其特征在于，其中所述机器学习模型为卷积神经网路。
5.如权利要求1所述之光学检测系统，其特征在于，其中所述检测结果包括所述第一产品在所述检测站的其中之一被检测到的瑕疵在所述第一检测影像中的位置，所述电脑系统用以重叠所述第一检测影像并根据所述瑕疵在其余检测站中是否依然被判断为瑕疵来产生训练资料。
6.一种光学检测方法，适用于多个检测站，其特征在于，所述光学检测方法包括：
透过每一所述检测站依序对第一产品撷取第一检测影像并且判断所述第一产品是否符合规格要求以产生检测结果；
根据所述第一检测影像与所述检测结果训练机器学习模型；
当所述检测站的其中之一撷取第二产品的第二检测影像之后，根据所述机器学习模型以及所述第二检测影像判断所述第二产品在后续的检测站中是否符合所述规格要求；
如果所述检测站的所述其中之一判断所述第二产品不符合所述规格要求但判断所述第二产品在所述后续的检测站中符合所述规格要求，继续后续的制程且不淘汰所述第二产品；以及
如果所述检测站的所述其中之一判断所述第二产品符合所述规格要求但判断所述第二产品在所述后续的检测站中不符合所述规格要求，停止所述后续的制程且淘汰所述第二产品。
7.如权利要求6所述之光学检测方法，其特征在于，还包括：
如果所述检测站的所述其中之一判断所述第二产品不符合所述规格要求但判断所述第二产品在所述后续的检测站中不符合所述规格要求，停止所述后续的制程且淘汰所述第二产品。
8.如权利要求6所述之光学检测方法，其特征在于，还包括：
如果所述检测站的所述其中之一判断所述第二产品符合所述规格要求但判断所述第二产品在所述后续的检测站中符合所述规格要求，继续所述后续的制程且不淘汰所述第二产品。
9.如权利要求6所述之光学检测方法，其特征在于，其中所述机器学习模型为卷积神经网路。
10.如权利要求6所述之光学检测方法，其特征在于，其中所述检测结果包括所述第一产品在所述检测站的其中之一被检测到的瑕疵在所述第一检测影像中的位置，所述光学检测方法还包括：
重叠所述第一检测影像并根据所述瑕疵在其余检测站中是否依然被判断为瑕疵来产生训练资料。
CN202111216747.7A 2021-10-19 2021-10-19 光学检测系统与方法 Active CN114002225B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202111216747.7A CN114002225B (zh) 2021-10-19 2021-10-19 光学检测系统与方法
TW110139287A TWI806201B (zh) 2021-10-19 2021-10-22 光學檢測系統與方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111216747.7A CN114002225B (zh) 2021-10-19 2021-10-19 光学检测系统与方法

Publications (2)

Publication Number Publication Date
CN114002225A CN114002225A (zh) 2022-02-01
CN114002225B true CN114002225B (zh) 2023-05-12

Family

ID=79923231

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111216747.7A Active CN114002225B (zh) 2021-10-19 2021-10-19 光学检测系统与方法

Country Status (2)

Country Link
CN (1) CN114002225B (zh)
TW (1) TWI806201B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000206053A (ja) * 1999-01-18 2000-07-28 Nkk Corp 複数の表面欠陥計による表面欠陥検査方法
JP2006098093A (ja) * 2004-09-28 2006-04-13 Omron Corp 基板検査装置および基板検査方法並びに基板検査装置の検査ロジック生成装置および検査ロジック生成方法
JP2010249685A (ja) * 2009-04-16 2010-11-04 Nippon Steel Corp 疵検出装置、疵検出方法及びプログラム
TW201413258A (zh) * 2012-09-19 2014-04-01 Shen Cheng Technology Co Ltd 中央控制式不良品自動辨識標記方法
CN104897680A (zh) * 2014-03-04 2015-09-09 万润科技股份有限公司 物件检测方法及装置
TWI531787B (zh) * 2015-01-20 2016-05-01 An automatic optical detection method and an automatic optical detection system for carrying out the method
WO2019067995A1 (en) * 2017-09-29 2019-04-04 Align Technology, Inc. QUALITY CONTROL SYSTEM BASED ON IMAGES OF AN ALIGNMENT DEVICE
WO2019114372A1 (zh) * 2017-12-14 2019-06-20 北京木业邦科技有限公司 一种基于人工智能的单板缺陷检测方法、系统及设备
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
CN110335270A (zh) * 2019-07-09 2019-10-15 华北电力大学（保定） 基于层级区域特征融合学习的输电线路缺陷检测方法
CN111492401A (zh) * 2017-12-19 2020-08-04 利乐拉瓦尔集团及财务有限公司 包装容器中的缺陷检测的方法
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
TWM604031U (zh) * 2020-07-03 2020-11-11 兆米智慧檢測股份有限公司 基於人工智能的光學檢測系統
CN112272293A (zh) * 2020-10-28 2021-01-26 业成科技（成都）有限公司 影像处理方法
CN112469649A (zh) * 2018-06-26 2021-03-09 意大利技术联盟有限责任公司 用于在卷绕成卷的薄产品的中间处理步骤期间预测产品缺陷的存在的方法
TWI722861B (zh) * 2020-04-08 2021-03-21 晶碩光學股份有限公司 分類方法及分類系統

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11803953B2 (en) * 2017-04-10 2023-10-31 Dpix, Llc Manufacturing quality improvement through statistical root cause analysis using convolution neural networks
TWI667575B (zh) * 2018-06-29 2019-08-01 由田新技股份有限公司 利用人工智慧的瑕疵檢測系統及其方法
CA3161159A1 (en) * 2019-11-12 2021-05-20 Bright Machines, Inc. Image analysis system for testing in manufacturing

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2000206053A (ja) * 1999-01-18 2000-07-28 Nkk Corp 複数の表面欠陥計による表面欠陥検査方法
JP2006098093A (ja) * 2004-09-28 2006-04-13 Omron Corp 基板検査装置および基板検査方法並びに基板検査装置の検査ロジック生成装置および検査ロジック生成方法
JP2010249685A (ja) * 2009-04-16 2010-11-04 Nippon Steel Corp 疵検出装置、疵検出方法及びプログラム
TW201413258A (zh) * 2012-09-19 2014-04-01 Shen Cheng Technology Co Ltd 中央控制式不良品自動辨識標記方法
CN104897680A (zh) * 2014-03-04 2015-09-09 万润科技股份有限公司 物件检测方法及装置
TWI531787B (zh) * 2015-01-20 2016-05-01 An automatic optical detection method and an automatic optical detection system for carrying out the method
WO2019067995A1 (en) * 2017-09-29 2019-04-04 Align Technology, Inc. QUALITY CONTROL SYSTEM BASED ON IMAGES OF AN ALIGNMENT DEVICE
WO2019114372A1 (zh) * 2017-12-14 2019-06-20 北京木业邦科技有限公司 一种基于人工智能的单板缺陷检测方法、系统及设备
CN111492401A (zh) * 2017-12-19 2020-08-04 利乐拉瓦尔集团及财务有限公司 包装容器中的缺陷检测的方法
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
CN112469649A (zh) * 2018-06-26 2021-03-09 意大利技术联盟有限责任公司 用于在卷绕成卷的薄产品的中间处理步骤期间预测产品缺陷的存在的方法
CN110335270A (zh) * 2019-07-09 2019-10-15 华北电力大学（保定） 基于层级区域特征融合学习的输电线路缺陷检测方法
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
TWI722861B (zh) * 2020-04-08 2021-03-21 晶碩光學股份有限公司 分類方法及分類系統
TWM604031U (zh) * 2020-07-03 2020-11-11 兆米智慧檢測股份有限公司 基於人工智能的光學檢測系統
CN112272293A (zh) * 2020-10-28 2021-01-26 业成科技（成都）有限公司 影像处理方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Chao Liu et，.A two-phase transfer learning model for cross-project defect prediction.《Information and Software Technology》.2019,第107卷第125-136页. *
柳锋 等，.基于深度学习语义分割的导光板缺陷检测方法.《计算机系统应用》.2020,第29卷(第6期),第29-38页. *

Also Published As

Publication number Publication date
TWI806201B (zh) 2023-06-21
TW202317941A (zh) 2023-05-01
CN114002225A (zh) 2022-02-01

Similar Documents

Publication Publication Date Title
KR102166458B1 (ko) 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치
US11715190B2 (en) Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device
CN110490842B (zh) 一种基于深度学习的带钢表面缺陷检测方法
CN109060817B (zh) 人工智能复检系统及其方法
CN110659660A (zh) 利用深度学习系统的自动光学检测分类设备及其训练设备
JP2021057042A (ja) 製品の分類システムおよび製品の分類方法
CN111079818A (zh) 铁路货车车钩托梁折断检测方法
CN112534470A (zh) 用于基于图像的目标对象检验的系统及方法
CN110826588A (zh) 一种基于注意力机制的排水管道缺陷检测方法
CN111179250B (zh) 一种基于多任务学习的工业品缺陷检测系统
KR20210038143A (ko) 인공지능(ai) 기반 대상물 검사 시스템 및 방법
EP3904868A1 (en) Learned model generation method, learned model, surface defect inspection method, steel manufacturing method, pass/fail determination method, grade determination method, surface defect determination program, pass/fail determination program, determination system, and steel manufacturing equipment
CN111681228A (zh) 瑕疵检测模型、训练方法、检测方法、装置、设备及介质
KR20190111644A (ko) 반복 패턴 영상의 결함 유형 분류 장치 및 방법
CN114002225B (zh) 光学检测系统与方法
US11663815B2 (en) System and method for inspection of heat recovery steam generator
JP2020077158A (ja) 画像処理装置及び画像処理方法
CN116977241A (zh) 检测车辆部件的缺陷的方法、装置、计算机可读存储介质以及计算机程序产品
US20220335254A1 (en) Computer vision inferencing for non-destructive testing
CN110634124A (zh) 一种区域检测的方法及设备
JP7211265B2 (ja) 識別モデル生成装置、識別モデル生成方法及び識別モデル生成プログラム、並びに鋼材疵判定装置、鋼材疵判定方法及び鋼材疵判定プログラム
CN108763063B (zh) 一种无需缺陷标注数据的软件缺陷检测方法
EP4102318A1 (en) A method of virtually inspecting a quality of a product
EP4276741A1 (en) Analysis device, analysis system, analysis program, and analysis method
WO2023032549A1 (ja) 欠陥検査装置、欠陥検査方法および予測モデル生成方法

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