CN116167979A - 人工智能瑕疵检测系统及其方法 - Google Patents
人工智能瑕疵检测系统及其方法 Download PDFInfo
- Publication number
- CN116167979A CN116167979A CN202211724646.5A CN202211724646A CN116167979A CN 116167979 A CN116167979 A CN 116167979A CN 202211724646 A CN202211724646 A CN 202211724646A CN 116167979 A CN116167979 A CN 116167979A
- Authority
- CN
- China
- Prior art keywords
- image information
- flaw detection
- information
- training model
- training
- 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
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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5005—Allocation of resources, e.g. of the central processing unit [CPU] to service a request
- G06F9/5027—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals
- G06F9/505—Allocation of resources, e.g. of the central processing unit [CPU] to service a request the resource being a machine, e.g. CPUs, Servers, Terminals considering the load
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种人工智能瑕疵检测系统及其方法,通过控制单元控制服务系统产生训练模型,再通过推理机加载训练模型对瑕疵检测影像信息进行推理,并将推理结果回传至制造执行系统,改善传统的光学检测系统检测不精确的问题,同时,降低人力成本与时间成本的消耗。
Description
技术领域
本发明属于瑕疵检测领域,特别是涉及一种人工智能瑕疵检测系统及其方法。
背景技术
传统的机器视觉算法,利用特征工程(feature engineering),即由人为对数据进行提炼清洗,传统算法从每张图像中选择重要特征是必要步骤。而随着类别数量的增加,特征提取变得越来越复杂,要确定哪些特征最能描述不同的目标类别,取决于人工的判断和长期试错。此外,每个特征定义还需要处理大量参数,所有参数必须由人工进行调整,从而对某一些外观检测的能力较弱,而无法精确的检测每一种缺陷,导致某些工艺上需要花更多的人力与物力针对已检测的产品,进行人工复判,大幅增加了成本。
自动光学检查(Automated Optical Inspection,AOI),其为高速高精度光学影像检测系统,运用机器视觉作为检测标准技术,AOI通过传统算法对柔性印刷电路板(Flexible Printed Circuit,FPC)进行检测,检测出来过杀率较高,供应商需要在每条AOI产线安排一个人工复判人员,但长时间的人工复判对产线人员来说是一个枯燥且乏味的工作,工作人员疲劳值累计增加,导致误判频率越来越高,因此一种代替人员进行复判的方法亟需上线。
发明内容
本发明的目的在于提供一种人工智能瑕疵检测系统,通过制造执行系统获取良品影像信息与不良品影像,并以服务系统产生训练模型,再通过推理机加载训练模型,将瑕疵检测影像信息进行推理,大幅降低传统机器视觉检测不精确的问题,同时,降低人力成本与时间成本的消耗。
本发明的另一目的在于提供一种人工智能瑕疵检测方法,通过良品影像信息与不良品影像进行训练,并以训练模型对瑕疵检测影像信息进行推理,提升检测瑕疵的精确度。
为达成上述的目的,本发明提供一种人工智能瑕疵检测系统,其特征在于,包括:
一制造执行系统,包括一良品影像信息与一不良品影像信息;
一自动光学检测系统,获取一瑕疵检测影像信息;
一控制单元,与所述制造执行系统讯号连接,接收并依据所述良品影像信息与所述不良品影像信息输入一标记信息,生成并上传一训练数据集;
一服务系统,与所述控制单元讯号连接,接收并以所述训练数据集生成一训练模型;及
一推理机,分别与所述制造执行系统、所述自动光学检测系统及所述服务系统讯号连接,接收并以所述训练模型对所述瑕疵检测影像信息进行推理,产生并传输一推理结果至所述制造执行系统。
优选的,所述推理机包含一复判单元,当所述推理结果为不良品时,将所述瑕疵检测影像传输至所述复判单元进行比对,生成并传输一复判结果至所述制造执行系统。
优选的,所述服务系统包含一数据库,用以保存所述推理结果与所述复判结果。
优选的,所述推理机包含一网页伺服器,接收并传输所述瑕疵检测影像信息至所述推理机,且,接收所述推理机的一数据消耗信息。
优选的,所述制造执行系统包含一负载均衡器,接收并依据所述数据消耗信息进行负载均衡。
为达成上述的另一目的,本发明提供一种人工智能瑕疵检测方法,其特征在于,步骤包括:
获取一良品影像信息与一不良品影像信息;
输入一标记信息至所述良品影像信息与所述不良品影像信息进行训练,生成一训练模型;
获取一瑕疵检测影像信息;及
接收并以所述训练模型对所述瑕疵检测影像信息进行推理,产生一推理结果。
优选的,于输入一标记信息至所述良品影像信息与所述不良品影像信息进行训练,生成一训练模型的步骤中,输入所述标记信息至所述良品影像信息与所述不良品影像信息,产生并依据一训练数据集,生成所述训练模型。
优选的,于获取一瑕疵检测影像信息的步骤中,接收并依据一数据消耗信息进行负载均衡。
优选的,于接收并以所述训练模型对所述瑕疵检测影像信息进行推理,产生一推理结果的步骤中,当所述推理结果为不良品时,将所述瑕疵检测影像传输至所述复判单元进行比对,生成并传输一复判结果。
本发明的有益效果在于,解决传统机器视觉检测不精确的问题,同时,降低人力成本与时间成本的消耗,而可改善习知缺失。
附图说明
图1为本发明一实施例的人工智能瑕疵检测系统示意图;
图2为本发明一实施例的人工智能瑕疵检测系统的工作流程图;及
图3为本发明一实施例的人工智能瑕疵检测方法流程图。
具体实施方式
为让本发明上述及/或其他目的、功效、特征更明显易懂,下文特举较佳实施方式,作详细说明于下:
请参阅图1,其为本发明的一实施例的人工智能瑕疵检测系统示意图。如图所示,一实施例中,人工智能瑕疵检测系统,包含制造执行系统1、自动光学检测系统2、控制单元3、服务系统4及推理机5,控制单元3分别与制造执行系统1及服务系统4讯号连接,推理机5分别与制造执行系统1、自动光学检测系统2及服务系统4讯号连接,并详细说明作动方式如下:
制造执行系统1包括良品影像信息与不良品影像信息,制造执行系统1传输不同影像信息并通过推理机5获取对应的推理结果,于一实施例中,制造执行系统1包含负载均衡器11,负载均衡器11用于定向网络流量的网络边缘系统,其可以减小阻塞和均衡分配各种其他服务和系统上的负载,因此通过接收并依据推理机5的数据消耗信息进行负载均衡,但不在此限。
自动光学检测系统2通过光学仪器取得成品的表面状态,再以计算机图像处理技术来检出异物或图案异常等瑕疵,以此获得瑕疵检测影像信息,但不在此限。
控制单元3于良品影像信息与不良品影像信息输入标记信息,生成所需训练数据集,且,通过控制指令控制服务系统4进行训练与测试,于一实施例中,控制单元3通过安全外壳协议(Secure Shell Protocol,SSH)与服务系统4讯号连接,SSH通过在网络中建立安全隧道来实现SSH服务系统4之间的连接,并通过安全文件传输协议(Secure FileTransfer Protocol,SFTP)传输所需训练数据集到服务系统4中,但不在此限。
于一实施例中,控制单元3可以控制整个系统版本,包括模型版本、系统软件版本及数据集版本,并完成各个版本发布,但不在此限。
服务系统4根据控制指令以训练数据集生成并测试训练模型,于一实施例中,服务系统4包含数据库41,数据库41用以保存训练模型及后续的推理结果与复判结果,控制单元3也可以通过连接服务系统4中的数据库41,完成训练模型的发布或查询信息,查询信息可包含训练模型的更新信息。
推理机5加载训练模型,并以训练模型对瑕疵检测影像信息进行推理,产生并传输推理结果至制造执行系统1,于一实施例中,推理机5包含复判单元51,当推理结果为不良品时,将瑕疵检测影像传输至复判单元51进行比对,生成并传输复判结果至制造执行系统1,同时,复判单元51储存复判信息与对应零件的信息,并统计复判结果及推理结果与瑕疵检测影像信息的结果对比等相关信息。
于一实施例中,推理机5包含网页伺服器52,用以接收并传输瑕疵检测影像信息至推理机5,且,接收并传输推理机5的数据消耗信息至制造执行系统1,使制造执行系统1中的负载均衡器11能够根据数据消耗信息进行负载均衡,其中,数据消耗信息包含但不仅限于制造执行系统1中的数据量以及GPU、CPU用度。
于一实施例中,推理机5设有监控模式,当服务停止后,将会自动重新开启服务。
请参阅图2,其为本发明的一实施例的人工智能瑕疵检测方法流程图。如图所示,其方法步骤如下:
步骤S1:获取一良品影像信息与一不良品影像信息;
步骤S2:输入一标记信息至所述良品影像信息与所述不良品影像信息进行训练,生成一训练模型;
步骤S3:获取一瑕疵检测影像信息;及
步骤S4:接收并以所述训练模型对所述瑕疵检测影像信息进行推理,产生一推理结果。
如步骤S1所示,由制造执行系统1将良品影像信息与不良品影像信息提取出来,并接续步骤S2所示,以控制单元3的软件于良品影像信息与不良品影像信息上进行打标,生成所需要的训练数据集,并控制服务系统4以训练数据集生成并测试训练模型,而可完成训练模型。
如步骤S3所示,通过自动光学检测系统2获取瑕疵检测影像信息,较佳的,可以同时接收依据数据消耗信息,使制造执行系统1能够进行负载均衡。
如步骤S4所示,推理机5通过训练模型对瑕疵检测影像信息进行推理,产生推理结果,当推理结果为良品则将结果传输至制造执行系统1,相反的,当推理结果为不良品时,将瑕疵检测影像传输至复判单元51进行比对,生成并传输复判结果至制造执行系统1,以提升检测精准度。
请参阅图3,其为本发明的一实施例的人工智能瑕疵检测系统的工作流程图。如图所示,首先,由制造执行系统1获取良品影像信息与不良品影像,并通过控制单元3产制训练数据集,并传输制服务系统4进行训练与测试,并将训练完成的训练模型发布至推理机5,同时,推理机5通过网页伺服器52获取自动光学检测系统2的瑕疵检测影像信息,并以训练模型对瑕疵检测影像信息产生推理结果,若推理结果为不良品,则还需通过复判单元51进行复判后,所产生的复判结果传送至制造执行系统1,若推理结果为良品,则可以直接将推理结果传送至制造执行系统1。
综上所述,本发明的一实施例中,将良品与不良品的影像于服务系统中进行训练,并以推理机加载产生的训练模型,以对自动光学检测系统所获取的瑕疵检测影像信息进行推理,提高检测的精准度,大幅降低判断判断失准的情形,而可达到本发明的目的。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员,在不脱离本发明构思的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明范围。
Claims (9)
1.一种人工智能瑕疵检测系统,其特征在于,包括:
一制造执行系统,包括一良品影像信息与一不良品影像信息;
一自动光学检测系统,获取一瑕疵检测影像信息;
一控制单元,与所述制造执行系统讯号连接,接收并依据所述良品影像信息与所述不良品影像信息输入一标记信息,生成并上传一训练数据集;
一服务系统,与所述控制单元讯号连接,接收并以所述训练数据集生成一训练模型;及
一推理机,分别与所述制造执行系统、所述自动光学检测系统及所述服务系统讯号连接,接收并以所述训练模型对所述瑕疵检测影像信息进行推理,产生并传输一推理结果至所述制造执行系统。
2.根据权利要求1所述人工智能瑕疵检测系统,其特征在于,所述推理机包含一复判单元,当所述推理结果为不良品时,将所述瑕疵检测影像传输至所述复判单元进行比对,生成并传输一复判结果至所述制造执行系统。
3.根据权利要求2所述人工智能瑕疵检测系统,其特征在于,所述服务系统包含一数据库,用以保存所述推理结果与所述复判结果。
4.根据权利要求1所述人工智能瑕疵检测系统,其特征在于,所述推理机包含一网页伺服器,接收并传输所述瑕疵检测影像信息至所述推理机,且,接收所述推理机的一数据消耗信息。
5.根据权利要求4所述人工智能瑕疵检测系统,其特征在于,所述制造执行系统包含一负载均衡器,接收并依据所述数据消耗信息进行负载均衡。
6.一种人工智能瑕疵检测方法,其特征在于,步骤包括:
获取一良品影像信息与一不良品影像信息;
输入一标记信息至所述良品影像信息与所述不良品影像信息进行训练,生成一训练模型;
获取一瑕疵检测影像信息;及
接收并以所述训练模型对所述瑕疵检测影像信息进行推理,产生一推理结果。
7.根据权利要求6所述人工智能瑕疵检测方法,其特征在于,于输入一标记信息至所述良品影像信息与所述不良品影像信息进行训练,生成一训练模型的步骤中,输入所述标记信息至所述良品影像信息与所述不良品影像信息,产生并依据一训练数据集,生成所述训练模型。
8.根据权利要求6所述人工智能瑕疵检测方法,其特征在于,于获取一瑕疵检测影像信息的步骤中,接收并依据一数据消耗信息进行负载均衡。
9.根据权利要求6所述人工智能瑕疵检测方法,其特征在于,于接收并以所述训练模型对所述瑕疵检测影像信息进行推理,产生一推理结果的步骤中,当所述推理结果为不良品时,将所述瑕疵检测影像传输至所述复判单元进行比对,生成并传输一复判结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211724646.5A CN116167979A (zh) | 2022-12-30 | 2022-12-30 | 人工智能瑕疵检测系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211724646.5A CN116167979A (zh) | 2022-12-30 | 2022-12-30 | 人工智能瑕疵检测系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116167979A true CN116167979A (zh) | 2023-05-26 |
Family
ID=86419315
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211724646.5A Pending CN116167979A (zh) | 2022-12-30 | 2022-12-30 | 人工智能瑕疵检测系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116167979A (zh) |
-
2022
- 2022-12-30 CN CN202211724646.5A patent/CN116167979A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659662B (zh) | 利用人工智能的瑕疵检测系统及其方法 | |
US11449980B2 (en) | System and method for combined automatic and manual inspection | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
CN107677700A (zh) | Pcb单板故障检测装置 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
TWI683262B (zh) | 工業影像檢測方法、系統與電腦可讀取記錄媒體 | |
CN116630319B (zh) | 基于机器学习的数据采集板卡焊接缺陷检测方法 | |
CN113111903A (zh) | 智能产线监测系统及监测方法 | |
KR102174424B1 (ko) | 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치 | |
CN113469991B (zh) | 一种锂电池极耳激光焊点视觉在线检测方法 | |
CN104931907A (zh) | 基于机器视觉的数显电测量仪表质量群检系统 | |
CN113012097B (zh) | 图像复检方法、计算机装置及存储介质 | |
CN116167979A (zh) | 人工智能瑕疵检测系统及其方法 | |
KR20220105689A (ko) | 머신러닝 모델에 기반한 디스플레이 패널의 결함 판정 시스템 | |
TWI755953B (zh) | 自動檢測系統及其操作方法 | |
US11982995B2 (en) | Defect detection during an automated production process | |
JP4522352B2 (ja) | 回路検査方法及び回路検査システム | |
JPH11304449A (ja) | 画像処理装置 | |
US11797646B2 (en) | Method, electronic device, and computer program product for standardizing image annotation | |
US20220283566A1 (en) | Defect detection during an automated production process | |
CN108775916A (zh) | 产品功能下线检测系统及检测方法 | |
Bukhari et al. | Automated PCB Inspection System. | |
CN110196504B (zh) | 一种应用于lcd玻璃aoi测试的屏蔽干扰污点方法及系统 | |
KR102579226B1 (ko) | 딥러닝을 활용한 비원형 용기 생산 공정의 머신비전 검사 시스템 | |
Breaux et al. | Integration of automated defect classification into integrated circuit manufacturing |
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 |