CN117408931A - 影像缺陷检测系统、其产生方法及计算机可读取记录媒体 - Google Patents
影像缺陷检测系统、其产生方法及计算机可读取记录媒体 Download PDFInfo
- Publication number
- CN117408931A CN117408931A CN202210789123.2A CN202210789123A CN117408931A CN 117408931 A CN117408931 A CN 117408931A CN 202210789123 A CN202210789123 A CN 202210789123A CN 117408931 A CN117408931 A CN 117408931A
- Authority
- CN
- China
- Prior art keywords
- threshold
- verification
- test
- score
- inference model
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 57
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012360 testing method Methods 0.000 claims abstract description 96
- 238000012795 verification Methods 0.000 claims abstract description 87
- 238000001514 detection method Methods 0.000 claims abstract description 59
- 239000013598 vector Substances 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 22
- 230000002950 deficient Effects 0.000 claims description 21
- 238000007689 inspection Methods 0.000 claims description 8
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims 1
- 238000010200 validation analysis Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008485 antagonism Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000006260 foam Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
一种影像缺陷检测系统、其产生方法及计算机可读取记录媒体。影像缺陷检测系统的产生方法,包含:基于半监督式学习模型取得分别关联于多个验证影像的多个验证差异分数及关联于一测试影像的一测试差异分数,基于这些验证差异分数取得一阈值及建立一备用推论模型,相对于测试差异分数及阈值,藉由备用推论模型调整阈值;以及输出包含测试差异分数的数据。本发明的影像缺陷检测系统、其产生方法及计算机可读取记录媒体,不但可以藉由半监督式学习模型的特点降低在人力投入及时间等待等方面的需求,且还大幅地在自动化决定阈值的部分作提升,避免了检测人员纯粹使用肉眼决定的主观影响,也加速了推论模型布署速度。
Description
技术领域
本发明涉及一种影像缺陷检测系统、其产生方法及计算机可读取记录媒体,尤其是涉及可降低人力需求及时间成本的影像缺陷检测系统、其产生方法及计算机可读取记录媒体。
背景技术
在执行自动光学检查(Automatic Optical Inspection,AOI)时,通常藉由搜集产品的多个影像来训练影像缺陷检测系统的机器学习或深度学习(deep learning)模型。然而,在使用这些影像进行模型的训练之前,常需要对这些影像进行标记以提升AOI检测模型在检测准确度方面的表现。
为了对这些影像进行标记,传统的AOI检测程序在建立影像缺陷检测系统时,往往需要大量人工进行标记工作,因此如何降低大量的标记工作就成为此领域的一个重要课题;另一方面,在一些出现不良品的机率极低、不良品的种类庞杂或刚开始投入AOI检测的制程中,也不易针对不良品的影像进行搜集及分类。换句话说,在不良品所占的比例不高或数量不足以充分表现不良品所有种类的情况下,常导致模型训练困难的情况,造成在此制程中无法迅速导入甚至完全无法导入AOI检测。
因此,应用AOI检测的相关技术仍需要对产生影像缺陷检测系统的方法进行改良,以期能降低人力需求及时间成本。
从而,需要提供一种影像缺陷检测系统、其产生方法及计算机可读取记录媒体来解决上述问题。
发明内容
鉴于上述问题,本发明提供一种影像缺陷检测系统、其产生方法及计算机可读取记录媒体,有助于解决需要在投入大量人力及时间才能完成影像缺陷检测系统的问题。
本发明一实施例所公开的影像缺陷检测系统的产生方法包含:基于半监督式学习模型取得分别关联于多个验证影像的多个验证差异分数;基于这些验证差异分数计算一阈值;基于这些验证差异分数建立一备用推论模型;基于半监督式学习模型取得关联于测试影像的一测试差异分数;相对于测试差异分数及阈值,藉由备用推论模型调整阈值;以及输出包含测试差异分数的一数据。
本发明另一实施例所公开的影像缺陷检测系统,包含:一站台装置及一服务器。站台装置具有一取像元件,服务器通信连接站台装置,且具有一半监督式学习模型、一备用推论模型以及一阈值。服务器执行:基于半监督式学习模型取得分别关联于多个验证影像的多个验证差异分数;基于这些验证差异分数计算阈值;基于这些验证差异分数建立备用推论模型;基于半监督式学习模型取得关联于一测试影像的一测试差异分数;相对于测试差异分数及阈值,藉由备用推论模型调整阈值;以及输出包含测试差异分数的一数据。
本发明又一实施例所公开的计算机可读取记录媒体,内储一程序,且在一运算装置载入并执行此程序后,执行包含:基于半监督式学习模型取得分别关联于多个验证影像的多个验证差异分数;基于这些验证差异分数计算一阈值;基于这些验证差异分数建立一备用推论模型;基于半监督式学习模型取得关联于测试影像的一测试差异分数;相对于测试差异分数及阈值,藉由备用推论模型调整阈值;以及输出包含测试差异分数的一数据。
本发明的影像缺陷检测系统、其产生方法及计算机可读取记录媒体,不但可以藉由半监督式学习模型的特点降低在人力投入及时间等待等方面的需求,且还大幅地在自动化决定阈值的部分作提升,避免了检测人员纯粹使用肉眼决定的主观影响,也加速了推论模型布署速度。
以上关于本发明内容的说明及以下实施方式的说明是用以示范与解释本发明的原理,并提供本发明的权利要求书更进一步的解释。
附图说明
图1为根据本发明一实施例的影像缺陷检测系统的架构图。
图2为根据本发明一实施例的影像缺陷检测系统的产生方法的流程图。
图3为根据本发明一实施例的产生影像缺陷检测系统的方法的GANomaly模型的架构示意图。
图4为根据本发明一实施例的影像缺陷检测系统的产生方法的步骤S35的详细流程图。
图5A为根据本发明一实施例所产生的影像缺陷检测系统进行检测的产品示例图。
图5B至图5C为本发明一实施例所产生的影像缺陷检测系统就感兴趣区域的影像判断为符合检测要求的影像示例图。
图5D至图5F为本发明一实施例所产生的影像缺陷检测系统就感兴趣区域的影像判断为不符检测要求的影像示例图。
主要组件符号说明:
1 站台装置
2 服务器
G 生成器
GE(x) 第一段编码器
GD(z) 解码器
第二阶段编码器
x 训练影像
重建影像
z 第一段特征向量
第二段特征向量
鉴别器
Ri 感兴趣区域
S11-S14 训练阶段步骤
S21-S29 验证阶段步骤
具体实施方式
在以下实施方式中详细叙述本发明的详细特征及优点,其内容足以使任何本领域的技术人员了解本发明的技术内容并据以实施,且根据本说明书所公开的内容、权利要求书的范围及附图,任何本领域的技术人员可轻易理解本发明。以下实施例进一步详细说明本发明的观点,但非以任何观点限制本发明的范畴。
在以下实施例中,以实施于电子产品的AOI检测为例进行说明,只是本发明的实施对象并不以此为限。此外,本发明的一实施例的影像缺陷检测系统的产生方法实施于一影像缺陷检测系统中。此影像缺陷检测系统可包含单一装置完成影像取得、数据前处理、模型生成以及影像分类等运作内容;只是,如图1所示的本发明一实施例的影像缺陷检测系统的架构图,此影像缺陷检测系统可包含一站台装置1及一服务器2。站台装置1通信连接于服务器2且具有取像元件,在执行影像缺陷检测系统的产生方法时,由站台装置1执行影像取得及影像分类,而由服务器2执行数据前处理、模型生成以及参数调整;或者,此影像缺陷检测系统可包含更多硬件部件以执行此影像缺陷检测系统的产生方法。在下列说明中,以影像缺陷检测系统包含站台装置1及服务器2为例,只是其并不因此对本发明予以限制。
请参照图2,图2为根据本发明一实施例的影像缺陷检测系统的产生方法的流程图。在本实施例中,主要分为一训练阶段、一验证阶段以及一测试阶段,其中训练阶段藉由多个训练影像进行半监督式学习取得一半监督式学习模型;验证阶段则藉由多个验证影像基于前述的半监督式学习模型取得多个验证差异分数,并进而据以计算出一阈值,以便后续依此阈值判断一影像中的产品是否为良品;而测试阶段则是进一步以此阈值对至少一个测试影像执行推估,并适时地在推估判断存在过多不良品的情况下对此阈值进行调整以更符合检测要求。在图2中,步骤S11及步骤S12对应于上述的训练阶段;步骤S21至步骤S24对应于上述的验证阶段;而步骤S31至步骤S35则对应于上述的测试阶段。此外,亦可将对应于这些步骤的程序储存于一计算机可读取记录媒体,以便在运算装置(例如本实施例的影像缺陷检测系统)载入并执行此程序后,可完成此影像缺陷检测系统的产生方法。
在步骤S11中,可由站台装置1取得多个训练影像,其中这些训练影像中所包含的产品为良品,且用于作为后续进行模型训练的正样本图片。所述的训练影像亦可为经过服务器2进行数据前处理(例如灰阶转换、歪斜校正、规格正规化等程序)之后的影像。本发明对上述的训练影像的数量并不予以限制,只是基于使用情境的实际因素,可相对于一般监督式学习所使用的样本数量较少,例如在本步骤S11中仅取得50个训练影像即可。
在步骤S12中,以前述的训练影像建立一半监督式学习模型(Semi-supervisedMachine Learning Model)。在本实施例中,此步骤S12可在服务器2执行,且以如图3所示的基于生成对抗网络的异常检测模型(Generative Adversarial Network anomaly model,GANomaly model)实现此半监督式学习模型。详言之,图3为根据本发明一实施例的影像缺陷检测系统的GANomaly模型的架构示意图,其中所示的x代表前述的多个训练影像的任一者,在经过第一段编码器GE(x)得到第一段特征向量z,再经过解码器GD(z)得到重建影像再将其经过第二阶段编码器/>进行第二段编码而得到第二段特征向量/>在训练时,令产生的第一段特征向量z及第二段特征向量/>尽可能接近(也就是损失函数已经足够小),如此即可构成生成对抗网络中生成器G的作用。接着,再让训练影像x和重建影像/>送入鉴别器/>进行训练,得到影像内容真伪的结果。最后,再通过反复生成对抗,就能得到理想的生成器G及鉴别器D,达到同时绑定编解码产出的特征向量z、/>以及影像x、/>的效果。上述的GANomaly模型为实现此半监督式学习模型的一种方式而非用以限制本发明,亦可以其他方式建构出此半监督式学习模型。
在藉由上述的步骤S11及S12取得半监督式学习模型之后,本发明一实施例的影像缺陷检测系统的产生方法还包含下列步骤S21至步骤S24,以产生用于进行良品判断的一阈值,并同时建立一备用推论模型,以供于后续的测试阶段中可适时地对此阈值进行调整。
请一并参阅图2及图3,在步骤S21中,类似于步骤S11,可由站台装置1取得多个验证影像,或由服务器2取得已进行过数据前处理的多个验证影像,且此验证影像中所包含的产品亦为良品以作为后续进行阈值验证的正样本图片。同理,本发明对上述的验证影像的数量并不予以限制,只是基于使用情境的实际因素,可相对于一般监督式学习所使用的样本数量较少,例如在本步骤S21中仅取得20个验证影像即可。
随后,在步骤S22中,服务器基于此半监督式学习模型取得分别关联于这些验证影像的多个验证差异分数。详言之,若此半监督式学习模型为GANomaly模型,服务器可接着计算每一验证影像x的第一段特征向量z以及其对应的重建影像的第二段特征向量/>之间的差异距离,以作为一验证差异分数。例如,可对第一段特征向量z及第二段特征向量/>进行L1范数度量(L1-norm measure),即第一段特征向量z及第二段特征向量/>的平方差和,以计算出验证影像的验证差异分数。换言之,藉由执行步骤S22,可取得分别关联于前述多个验证影像的多个验证差异分数。若步骤S22并非以GANomaly模型构成半监督式学习模型,则相似地可用其他编码器分别对验证影像及此半监督式学习模型所产生的重建影像进行降维编码,进而取得代表验证影像的特征向量及代表重建影像的特征向量之间的差异距离,以作为前述的验证差异分数。
在步骤S23中,基于这些验证差异分数计算一阈值。在一实施例中,计算这些验证差异分数的平均值作为阈值。此阈值用于在后续以前述半监督式学习模型对新的输入影像进行判别时,作为判断此输入影像的特征向量及其对应的重建影像的特征向量之间的差异距离是否符合阈值要求的标准,在此差异距离低于阈值时可将此输入影像视为符合阈值要求的正样本图片,也就是此输入影像中的产品为良品。
另,在步骤S24中,还基于该些验证差异分数建立一备用推论模型。详言之,此步骤用于基于前述的验证差异分数另找出一个备用数值,以供后续的测试阶段可适时地以此备用数值调整阈值。在一实施例中以单类别支持向量机(One Class Support VectorMachine,OCSVM)算法基于这些验证差异分数建立得此备用推论模型,此备用推论模型会决定辨别正样本差异分数边界范围(非单一值),并以边界范围的平均值作为所述的边界值。
在藉由上述的步骤S21至步骤S24取得阈值及备用推论模型之后,即可接着继续执行如后所述的步骤S31至步骤S35,以实际地以半监督式学习模型及阈值判断一测试影像中的产品是否为良品。本发明一实施例的影像缺陷检测系统的产生方法还包含下列步骤S21至步骤S24,以产生用于进行良品判断的一阈值,并同时建立一备用推论模型,以供于后续的测试阶段中可适时地对此阈值进行调整。
请再参照图2,在步骤S31中,类似于步骤S11或步骤S21,可由站台装置1取得一测试影像,或由服务器2取得已进行过数据前处理的测试影像,而此测试影像中所包含的产品为待检测的产品,不限于依人为检测标准下的良品或不良品。随后,在步骤S32中,可套用步骤S22的方式基于前述的半监督式学习模型计算得关联于此测试影像的一测试差异分数。在一实施例中,计算得测试影像的特征向量,以及计算得对应于此测试影像的重建影像的特征向量,并以此二特征向量之间的差异距离作为测试差异分数。
在步骤S33中,服务器判断此测试差异分数是否小于或等于阈值。若判断结果为“是”(即测试差异分数小于或等于阈值),表示测试影像中所包含的产品被推断为良品,且依据此阈值对测试影像中所包含的产品进行良品与否的判断应仍属合理,则可接着继续执行步骤S34,继续维持此阈值而毋需调整。反之,若判断结果为“否”(即测试差异分数大于阈值),则表示测试影像中所包含的产品被推断为不良品并接着继续执行步骤S35,以适时地对此阈值进行调整。
在步骤S35中,在步骤S33的判断结果为“否”的情况下,服务器进一步选择性地以步骤S24建立的备用推论模型所找出的备用数值调整阈值。在一实施例中,此影像缺陷检测系统可将基于测试影像的良品与否的判断结果作为一笔历史数据储存于一数据库,并在数据库所储存的历史数据数量累积达一预定笔数(例如1000)时,判断数据库的所有历史数据中的不良品数量相对于此预定笔数的比例是否合理(例如若高于预设的一上限值即属不合理)。详言之,在此实施例中,步骤S34除了维持阈值,还产生测试影像的判断结果为良品,而本步骤S35可还包含下列子步骤:子步骤S351,产生测试影像的判断结果为不良品;子步骤S352,将测试影像的判断结果及测试差异分数作为历史数据储存于数据库中;子步骤S353,判断数据库中的历史数据的总数是否累积达预定笔数,且在此总数未达预定笔数时,直接接着继续执行步骤S36;子步骤S354,在此总数已达预定笔数时,进一步判断数据库的所有历史数据包含不良品的数量相对于此总数的比例是否高于上限值;子步骤S355,当判断此比例高于上限值,即以步骤S24建立的备用推论模型所找出的备用数值调整阈值,并接着继续执行步骤S36;子步骤S356,当判断此比例不高于上限值,则调高此预定笔数,并接着继续执行步骤S36。在子步骤S356中,预定笔数可例如由1000调高为5000,以便在历史数据的总数累积达此调高后的预定笔数时,再次判断不良品数量的比例是否合理,进而仍可适时地以备用推论模型所找出的备用数值调整阈值。对于上述的步骤S33至步骤S35,亦可理解为服务器2“相对于该测试差异分数及该阈值,藉由该备用推论模型调整该阈值”的步骤。
在步骤S36,将关联于此影像缺陷检测系统的数据输出,例如阈值、测试影像的测试差异分数以及文件名、良品与否的判断结果等,甚至可以还包含基于前述的历史数据所得的误报率及漏失率。在一实施例中,误报率(false alarm rate)是误报为不良品的正样本数量除以正样本总数量,漏失率(miss alarm rate)是漏报为正样本的不良品数量除以不良品的总数量。藉由测试影像的测试差异分数,可得知测试影像(未知样本)在经过相同计算后得到的差异分数会落在验证差异分数分布的哪个位置。在此步骤S36的呈现界面上,除使用列表方式呈现上述数据,也可以使用测试差异分数-数量的曲线图/柱状图表示出历史数据中的测试差异分数与数量的关系,并可在此图中一并标示出阈值在测试差异分数中的落点。另外,在此步骤S36之后,可另接收使用者对阈值的修改命令。
请参阅图5A,其为供实施本发明一实施例的影像缺陷检测系统进行检测的产品示例图,其中所绘示的感兴趣区域Ri即框出欲进行缺陷检测的产品部位。在此示例中,影像缺陷检测系统用于检测行动装置的防水圈上是否确实安设泡棉。请参阅图5B及图5C,其为本发明一实施例所产生的影像缺陷检测系统就前述感兴趣区域Ri的影像判断为符合检测要求的影像示例图;反之,请参阅图5D、图5E以及图5F,其为此影像缺陷检测系统就感兴趣区域Ri的影像判断为不符检测要求的影像示例图。
综上所述,藉由上述实施例的产生影像缺陷检测系统的方法,不但可以藉由半监督式学习模型的特点降低在人力投入及时间等待等方面的需求,且还大幅地在自动化决定阈值的部分作提升,避免了检测人员纯粹使用肉眼决定的主观影响,也加速了推论模型布署速度。
本发明的实施例公开虽如上所述,然而并非用以限定本发明,任何本领域的技术人员,在不脱离本发明的精神和范围的情况下,凡是依本发明申请范围所述的形状、构造、特征以及精神应当可做些许的变更,因此本发明的专利保护范围须视本说明书所附的权利要求书的范围所界定者为准。
Claims (25)
1.一种影像缺陷检测系统的产生方法,该影像缺陷检测系统的产生方法包括:
基于一半监督式学习模型取得分别关联于多个验证影像的多个验证差异分数;
基于该些验证差异分数计算一阈值;
基于该些验证差异分数建立一备用推论模型;
基于该半监督式学习模型取得关联于一测试影像的一测试差异分数;
相对于该测试差异分数及该阈值,藉由该备用推论模型调整该阈值;以及
输出包括该测试差异分数的一数据。
2.如权利要求1所述的影像缺陷检测系统的产生方法,其中,相对于该测试差异分数及该阈值,藉由该备用推论模型调整该阈值包括:
判断该测试差异分数是否小于或等于该阈值;
在该测试差异分数小于或等于该阈值时,维持该阈值;以及
在该测试差异分数大于该阈值时,基于该备用推论模型调整该阈值。
3.如权利要求1所述的影像缺陷检测系统的产生方法,该影像缺陷检测系统的产生方法还包括将多个训练影像输入基于生成对抗网络的一异常检测模型,以建立该半监督式学习模型。
4.如权利要求1所述的影像缺陷检测系统的产生方法,其中基于该半监督式学习模型取得分别关联于该些验证影像的该些验证差异分数包括:
将该些验证影像输入该半监督式学习模型,以取得分别对应该些验证影像的多个重建影像;
取得分别对应于该些验证影像的多个第一段特征向量;
取得分别对应于该些重建影像的多个第二段特征向量;以及
计算该些第一段特征向量的每一者及该些第二段特征向量中对应的一者的平方差和,以作为该些验证差异分数。
5.如权利要求1所述的影像缺陷检测系统的产生方法,其中基于该些验证差异分数计算该阈值包括:计算该些验证差异分数的平均值,以该平均值作为该阈值。
6.如权利要求1所述的影像缺陷检测系统的产生方法,其中基于该些验证差异分数建立该备用推论模型包括:以单类别支持向量机算法基于该些验证差异分数建立该备用推论模型。
7.如权利要求6所述的影像缺陷检测系统的产生方法,其中藉由该备用推论模型调整该阈值包括:以该单类别支持向量机算法计算出将该些验证差异分数区分为两个群集的边界值,并将该阈值调整为该边界值。
8.如权利要求1所述的影像缺陷检测系统的产生方法,其中该数据还包括:该测试影像的文件名、良品与否的判断结果以及该阈值。
9.如权利要求2所述的影像缺陷检测系统的产生方法,该影像缺陷检测系统的产生方法还包括:在该测试差异分数小于或等于该阈值时,产生该测试影像的一判断结果为良品;
其中藉由该备用推论模型调整该阈值包括:
产生该测试影像的该判断结果为不良品;
将该判断结果及该测试差异分数作为一历史数据储存于一数据库中;
判断该数据库中的历史所有数据的总数是否累积达一预定笔数;
在该总数已达该预定笔数时,判断该数据库的所有历史数据包括不良品的数量相对于该总数的比例是否高于一上限值;以及
当判断该比例高于该上限值,基于该备用推论模型调整该阈值。
10.如权利要求2所述的影像缺陷检测系统的产生方法,该影像缺陷检测系统的产生方法还包括:在该测试差异分数小于或等于该阈值时,产生该测试影像的一判断结果为良品;
其中藉由该备用推论模型调整该阈值包括:
产生该测试影像的该判断结果为不良品;
将该判断结果及该测试差异分数作为一历史数据储存于一数据库中;
判断该数据库中的历史所有数据的总数是否累积达一预定笔数;
在该总数已达该预定笔数时,判断该数据库的所有历史数据包括不良品的数量相对于该总数的比例是否高于一上限值;以及
当判断该比例不高于该上限值,调高该预定笔数。
11.一种影像缺陷检测系统,该影像缺陷检测系统包括:
一站台装置,该站台装置具有一取像元件;以及
一服务器,该服务器通信连接该站台装置,且具有一半监督式学习模型、一备用推论模型以及一阈值;
其中该服务器执行:基于该半监督式学习模型取得分别关联于多个验证影像的多个验证差异分数;基于该些验证差异分数计算该阈值;基于该些验证差异分数建立该备用推论模型;基于该半监督式学习模型取得关联于一测试影像的一测试差异分数;相对于该测试差异分数及该阈值,藉由该备用推论模型调整该阈值;以及输出包括该测试差异分数的一数据。
12.如权利要求11所述的影像缺陷检测系统,其中,相对于该测试差异分数及该阈值,藉由该备用推论模型调整该阈值包括:
判断该测试差异分数是否小于或等于该阈值;
在该测试差异分数小于或等于该阈值时,维持该阈值;以及
在该测试差异分数大于该阈值时,基于该备用推论模型调整该阈值。
13.如权利要求11所述的影像缺陷检测系统,其中该半监督式学习模型为基于生成对抗网络的一异常检测模型。
14.如权利要求11所述的影像缺陷检测系统,其中该服务器将该些验证影像输入该半监督式学习模型,以取得分别对应该些验证影像的多个重建影像;取得分别对应于该些验证影像的多个第一段特征向量;取得分别对应于该些重建影像的多个第二段特征向量;以及计算该些第一段特征向量的每一者及该些第二段特征向量中对应的一者的平方差和,以取得分别关联于该些验证影像的该些验证差异分数。
15.如权利要求11所述的影像缺陷检测系统,其中基于该些验证差异分数所计算得的该阈值,为该些验证差异分数的平均值。
16.如权利要求11所述的影像缺陷检测系统,其中基于该些验证差异分数所建立的该备用推论模型,为以单类别支持向量机算法基于该些验证差异分数建立的推论模型。
17.如权利要求16所述的影像缺陷检测系统,其中藉由该备用推论模型所调整的该阈值,为以该单类别支持向量机算法计算出将该些验证差异分数区分为两个群集的边界值。
18.如权利要求11所述的影像缺陷检测系统,其中该数据还包括:该测试影像的文件名、良品与否的判断结果以及该阈值。
19.如权利要求12所述的影像缺陷检测系统,其中该服务器还执行:在该测试差异分数小于或等于该阈值时,产生该测试影像的一判断结果为良品;以及
该服务器所执行的藉由该备用推论模型调整该阈值包括:
产生该测试影像的该判断结果为不良品;
将该判断结果及该测试差异分数作为一历史数据储存于一数据库中;
判断该数据库中的历史所有数据的总数是否累积达一预定笔数;
在该总数已达该预定笔数时,判断该数据库的所有历史数据包括不良品的数量相对于该总数的比例是否高于一上限值;以及
当判断该比例高于该上限值,基于该备用推论模型调整该阈值。
20.如权利要求12所述的影像缺陷检测系统,其中该服务器还执行:在该测试差异分数小于或等于该阈值时,产生该测试影像的一判断结果为良品;以及
该服务器所执行的藉由该备用推论模型调整该阈值包括:
产生该测试影像的该判断结果为不良品;
将该判断结果及该测试差异分数作为一历史数据储存于一数据库中;
判断该数据库中的历史所有数据的总数是否累积达一预定笔数;
在该总数已达该预定笔数时,判断该数据库的所有历史数据包括不良品的数量相对于该总数的比例是否高于一上限值;以及
当判断该比例不高于该上限值,调高该预定笔数。
21.一种计算机可读取记录媒体,该计算机可读取记录媒体内储一程序,且在一运算装置载入并执行该程序后,执行包括:
基于一半监督式学习模型取得分别关联于多个验证影像的多个验证差异分数;
基于该些验证差异分数计算一阈值;
基于该些验证差异分数建立一备用推论模型;
基于该半监督式学习模型取得关联于一测试影像的一测试差异分数;
相对于该测试差异分数及该阈值,藉由该备用推论模型调整该阈值;以及
输出包括该测试差异分数的一数据。
22.如权利要求21所述的计算机可读取记录媒体,其中,相对于该测试差异分数及该阈值,藉由该备用推论模型调整该阈值包括:
判断该测试差异分数是否小于或等于该阈值;
在该测试差异分数小于或等于该阈值时,维持该阈值;以及
在该测试差异分数大于该阈值时,基于该备用推论模型调整该阈值。
23.如权利要求21所述的计算机可读取记录媒体,其中在一运算装置载入并执行该程序后还执行:将多个训练影像输入基于生成对抗网络的一异常检测模型,以建立该半监督式学习模型。
24.如权利要求21所述的计算机可读取记录媒体,其中基于该半监督式学习模型取得分别关联于该些验证影像的该些验证差异分数包括:
将该些验证影像输入该半监督式学习模型,以取得分别对应该些验证影像的多个重建影像;
取得分别对应于该些验证影像的多个第一段特征向量;
取得分别对应于该些重建影像的多个第二段特征向量;
计算该些第一段特征向量的每一者及该些第二段特征向量中对应的一者的平方差和,以作为该些验证差异分数。
25.如权利要求22所述的计算机可读取记录媒体,其中基于该些验证差异分数计算该阈值包括:计算该些验证差异分数的平均值,以该平均值作为该阈值;
其中基于该些验证差异分数建立该备用推论模型包括:以单类别支持向量机算法基于该些验证差异分数建立该备用推论模型。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210789123.2A CN117408931A (zh) | 2022-07-06 | 2022-07-06 | 影像缺陷检测系统、其产生方法及计算机可读取记录媒体 |
TW111127557A TWI812363B (zh) | 2022-07-06 | 2022-07-22 | 影像缺陷偵測系統、其產生方法及電腦可讀取記錄媒體 |
US18/047,674 US20240013369A1 (en) | 2022-07-06 | 2022-10-19 | Image defect detecting system, generation method of image defect detecting system and non-transitory computer readable medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210789123.2A CN117408931A (zh) | 2022-07-06 | 2022-07-06 | 影像缺陷检测系统、其产生方法及计算机可读取记录媒体 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117408931A true CN117408931A (zh) | 2024-01-16 |
Family
ID=88585900
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210789123.2A Pending CN117408931A (zh) | 2022-07-06 | 2022-07-06 | 影像缺陷检测系统、其产生方法及计算机可读取记录媒体 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240013369A1 (zh) |
CN (1) | CN117408931A (zh) |
TW (1) | TWI812363B (zh) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6981352B2 (ja) * | 2018-04-20 | 2021-12-15 | オムロン株式会社 | 検査管理システム、検査管理装置及び検査管理方法 |
US11769242B2 (en) * | 2020-05-21 | 2023-09-26 | Kla Corporation | Mode selection and defect detection training |
CN113506268B (zh) * | 2021-07-12 | 2024-04-23 | 东南大学 | 一种面向铁轨图像的半监督异物检测方法 |
-
2022
- 2022-07-06 CN CN202210789123.2A patent/CN117408931A/zh active Pending
- 2022-07-22 TW TW111127557A patent/TWI812363B/zh active
- 2022-10-19 US US18/047,674 patent/US20240013369A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
US20240013369A1 (en) | 2024-01-11 |
TW202403594A (zh) | 2024-01-16 |
TWI812363B (zh) | 2023-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111353413A (zh) | 一种输电设备低漏报率缺陷识别方法 | |
CN109685097B (zh) | 一种基于gan的图像检测方法及装置 | |
JP6707920B2 (ja) | 画像処理装置、画像処理方法、およびプログラム | |
CN111766253A (zh) | 锡膏印刷品质检测方法、数据处理装置及计算机存储介质 | |
US11783471B2 (en) | Method and device for determining whether object includes defect | |
CN112529109A (zh) | 一种基于无监督多模型的异常检测方法及系统 | |
CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
CN111915595A (zh) | 图像质量评价方法、图像质量评价模型的训练方法和装置 | |
CN117112336A (zh) | 智能通信设备异常检测方法、设备、存储介质及装置 | |
JP2019158684A (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN116091874B (zh) | 图像校验方法、训练方法、装置、介质、设备及程序产品 | |
CN117408931A (zh) | 影像缺陷检测系统、其产生方法及计算机可读取记录媒体 | |
CN110310260B (zh) | 基于机器学习模型的分料决策方法、设备和存储介质 | |
CN113447572B (zh) | 钢轨探伤方法、电子装置、钢轨探伤车及可读存储介质 | |
CN111062468B (zh) | 生成网络的训练方法和系统、以及图像生成方法及设备 | |
CN114021705A (zh) | 模型的精度确定方法以及相关装置、设备 | |
CN113435464B (zh) | 异常数据检测方法、装置、电子设备及计算机存储介质 | |
CN114119479A (zh) | 一种基于图像识别的工业流水线质量监控方法 | |
CN112882959A (zh) | 一种项目风险判断方法、装置、设备及可读存储介质 | |
JP2022087930A (ja) | 被検査画像の検査を実行する方法、情報処理装置、及び、コンピュータープログラム | |
US20240020822A1 (en) | Teacher data preparation method and preparation device | |
US20230316484A1 (en) | Inspection device | |
CN115982455B (zh) | 基于模糊断点回归模型的流量调整方法、装置和电子设备 | |
CN115391084B (zh) | 一种云游戏异常的智能解决方法及系统 | |
JP7345006B1 (ja) | 学習モデル生成方法及び検査装置 |
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 |