TW201930908A - 電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體 - Google Patents

Abstract

本揭露提供一種電路板瑕疵篩選方法，其包括：接收瑕疵列表；獲取瑕疵列表的多個瑕疵記錄的多個瑕疵影像；接收線路佈局圖；依據線路佈局圖，分析瑕疵影像之中的第一瑕疵影像的瑕疵位置；依據第一瑕疵影像的瑕疵位置，對第一瑕疵影像進行裁切，以獲得第一裁切瑕疵影像；將第一裁切瑕疵影像輸入至瑕疵分類模型；以及依據瑕疵分類模型的輸出結果，判斷第一瑕疵影像為良品影像或非良品影像。

Description

電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體

本發明是有關於一種檢測技術，且特別是有關於一種電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體。

在工業製程中，電路板成品會進一步經過自動光學檢測（Automated Optical Inspection，AOI）的程序，進而篩選出可能存在瑕疵的電路板。

為了確保印刷電路板的良率，瑕疵檢測所設定的標準很嚴格。如此一來，雖然自動光學檢測機台可以有效的檢測出瑕疵電路板，卻也導致瑕疵誤判的機率很高。因此，在製作過程中需導入作業人員，以進一步對於自動光學檢測機台所判定的瑕疵電路板進行複檢。而在此過程中，如何能夠維持印刷電路板的良率，同時縮減瑕疵列表中的誤判案例，以降低人工複檢的負荷，此為本領域技術人員所需解決的問題。

本揭露提供一種電路板瑕疵篩選方法及其裝置與電腦可讀取記錄媒體，以縮減瑕疵列表中的誤判案例，降低人工複檢的負荷。

本揭露提供的電路板瑕疵篩選方法包括：接收瑕疵列表；獲取瑕疵列表的多個瑕疵記錄的多個瑕疵影像；接收線路佈局圖；依據線路佈局圖，分析瑕疵影像之中的第一瑕疵影像的瑕疵位置；依據第一瑕疵影像的瑕疵位置，對第一瑕疵影像進行裁切，以獲得第一裁切瑕疵影像；將第一裁切瑕疵影像輸入至一瑕疵分類模型；以及依據瑕疵分類模型的輸出結果，判斷第一瑕疵影像為良品影像或非良品影像。

本揭露提供的電路板瑕疵篩選裝置包括輸入單元、儲存單元以及處理單元。輸入單元接收瑕疵列表以及線路佈局圖。瑕疵列表具有多個瑕疵記錄。輸入單元還獲取瑕疵記錄的多個瑕疵影像。儲存單元儲存多個模組。處理單元連接於輸入單元及儲存單元。處理單元執行線路比對模組以及瑕疵分類模組。線路比對模組依據線路佈局圖，分析瑕疵影像之中的第一瑕疵影像的瑕疵位置，並依據第一瑕疵影像的瑕疵位置，對第一瑕疵影像進行裁切，以獲得第一裁切瑕疵影像。瑕疵分類模組，將第一裁切瑕疵影像輸入至瑕疵分類模型，依據瑕疵分類模型的輸出結果，判斷第一瑕疵影像為良品影像或非良品影像。

本揭露提供的電腦可讀取記錄媒體儲存至少一程式碼，當電子裝置載入並執行此程式碼後，可完成上述電路板瑕疵篩選方法。

基於上述，本揭露提供的電路板瑕疵篩選裝置與電路板瑕疵篩選方法能夠通過線路佈局圖及瑕疵列表的相互比對判斷瑕疵影像所屬的瑕疵類別，進而判斷瑕疵影像屬於良品影像或非良品影像。

為讓本發明的上述特徵和優點能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

圖1是根據本揭露一範例實施例所繪示的電路板瑕疵篩選裝置的示意圖。

請參照圖1，在工業製程的流程中，完成的電路板5會被送入自動光學檢查裝置10（Automated Optical Inspection，AOI），以進行初步的瑕疵篩檢。存在瑕疵的電路板主要是因製程過程的失誤導致電路板發生短路、斷路等情形，使得電路板通電後沒辦法執行預期的功能。藉由通過光學元件掃描電路板5，自動光學檢查裝置10會通過掃描影像判斷線路的完整性，進而找出疑似存在瑕疵的電路板。

自動光學檢查裝置10所檢測出來的瑕疵電路板以及瑕疵位置會被彙整成瑕疵列表並輸入至驗證修復機台20（Verified repaired system，VRS），以篩選被誤報的瑕疵。驗證修復機台20會將光學元件移動至瑕疵位置獲取影像，並通過人工對影像判讀，以確認瑕疵是否為真。

然而，由於自動光學檢查裝置10所設置的瑕疵標準很容易被滿足，因此被誤報的瑕疵相當多。舉例來說，當電路板5上發生沾黏皮屑、髒汙、殘膠等缺陷，自動光學檢查裝置10會因影像上的陰影判定此為電路板5的瑕疵。然而，這些缺陷多半在電路板經過清潔過程或經過封裝後被克服，此即屬於被誤報的瑕疵。在實際的生產中，誤報瑕疵的比例可以高達瑕疵列表的97%，特別是沾黏皮屑、髒汙、殘膠等缺陷可以高達瑕疵列表中的60%。為了要降低瑕疵列表的長度以減少人工複檢的工作量，本揭露進一步提供了電路板瑕疵篩選裝置100。自動光學檢查裝置10所檢測出的瑕疵列表會先被輸入至電路板瑕疵篩選裝置100篩選，減少瑕疵列表的誤判案例，再將縮減後的瑕疵列表送往驗證修復機台20進行人工校驗。

圖2是根據本揭露一範例實施例所繪示的電路板瑕疵篩選裝置的示意圖。

請參照圖2，電路板瑕疵篩選裝置100包括輸入單元110、儲存單元120以及處理單元130。

輸入單元110用以接收瑕疵列表、瑕疵影像以及線路佈局圖。在本揭露的一範例實施例中，輸入單元110會以通訊晶片來實作。舉例來說，電路板瑕疵篩選裝置100會通過通訊晶片通訊連接於自動光學檢查裝置10以及使用者的終端裝置，基此，當自動光學檢查裝置10檢查完電路板後，會將瑕疵列表及瑕疵影像直接傳送而輸入至電路板瑕疵篩選裝置100之中。此外，使用者也可以在終端裝置中點選線路佈局圖，並通過通訊晶片傳送而輸入至電路板瑕疵篩選裝置100中。在本揭露的另一範例實施例中，電路板瑕疵篩選裝置輸入單元110也可以採用各類輸入埠，例如：通用序列匯流排（Universal Serial Bus，USB）、串列埠（Serial Port）、火線（FireWire，採用IEEE 1394標準）、VME匯排流等，並同時採用鍵盤、滑鼠、觸控面板等實體元件結合，以接收使用者的操作。

儲存單元120用以儲存各類模組以及運行電路板瑕疵篩選裝置100時的各類必要資料與程式碼。特別是，在本揭露的實施例中，儲存單元120中具有線路比對模組122以及瑕疵分類模組124。

線路比對模組122會依據線路佈局圖，分析瑕疵影像之中的第一瑕疵影像的瑕疵位置，並依據第一瑕疵影像的瑕疵位置，對第一瑕疵影像進行裁切，以獲得第一裁切瑕疵影像。

瑕疵分類模組124會將第一裁切瑕疵影像輸入至瑕疵分類模型，依據瑕疵分類模型的輸出結果，判斷第一瑕疵影像為良品影像或非良品影像。如何通過線路比對模組122與瑕疵分類模組124完成電路板瑕疵篩選裝置100的作業將於後方說明。

處理單元130連接於輸入單元110以及儲存單元120。處理單元130用以執行電路板瑕疵篩選裝置100所需的各類運算，特別是，處理單元130會運行線路比對模組122與瑕疵分類模組124，以執行本揭露的電路板瑕疵篩選方法。在本揭露的實施例中，處理單元130可以中央處理單元(Central Processing Unit，CPU)，或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位信號處理器(Digital Signal Processor，DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuit，ASIC)或其他類似元件或上述元件的組合，本揭露不限於此。

值得一提的是，在本揭露的一範例實施例中，電路板瑕疵篩選裝置100是以獨立的裝置運行。或者是，在本揭露另一範例實施例中，電路板瑕疵篩選裝置100會與自動光學檢查裝置10結合，以做為自動光學檢查系統中的子裝置。在本揭露的其他實施例中，電路板瑕疵篩選裝置100也可以與驗證修復機台20結合，以做為驗證修復系統中的子裝置，本揭露並不限於此。

圖3是根據本揭露一範例實施例所繪示的電路板瑕疵篩選方法的流程圖。

以下同時參照圖1至圖3來說明本揭露電路板瑕疵篩選裝置運行電路板瑕疵篩選方法的細節。

首先，自動光學檢查裝置10會通過光學元件（例如攝影機）掃描電路板，並產生相對應被掃描區域的影像。自動光學檢查裝置10會判斷被掃描區域的影像判斷是否存在瑕疵時。若存在瑕疵時，自動光學檢查裝置10會將此瑕疵以及瑕疵位置記錄在瑕疵列表中，以形成一筆瑕疵記錄。由於電路板的尺寸可能會大於光學元件所能掃描的大小，因此自動光學檢查裝置10會逐區檢視電路板是否存在瑕疵。當有多個區域中存在瑕疵時，瑕疵列表會儲存多筆瑕疵記錄。此外，自動光學檢查裝置10並儲存對應瑕疵記錄的瑕疵影像。當自動光學檢查裝置10檢查完電路板之後，會將瑕疵列表傳送至電路板瑕疵篩選裝置100。

在步驟S310，輸入單元110會接收來自自動光學檢查裝置10所輸入的瑕疵列表。

在步驟S320，輸入單元110獲取瑕疵列表的多個瑕疵記錄的多個瑕疵影像。在本揭露的一範例實施例中，輸入單元110會接收來自自動光學檢查裝置10所輸入的瑕疵影像。然而，在本揭露的其他實施例中，自動光學檢查裝置10會將瑕疵影像儲存在遠端的儲存裝置中，輸入單元110會依據處理單元130的指示，而依據瑕疵列表、瑕疵記錄而於遠端的儲存裝置中獲取相對應的瑕疵影像。然必須了解的是，本揭露並不以上述實施例為限。

在步驟S330，輸入單元110會接收線路佈局圖。線路佈局圖為對應被檢查電路板的電路設計圖，舉例來說，線路佈局圖與被檢查的電路板可能對應同一個料號。在本揭露的一範例實施例中，線路佈局圖例如是以電腦輔助製造圖檔（.CAM格式）所實現，然本揭露不以此為限。並且在本揭露的一範例實施例中，線路佈局圖會被儲存在遠端的儲存裝置中，並經由使用者的各式指令而將線路佈局圖通過輸入單元110傳送到電路板瑕疵篩選裝置。

藉由瑕疵列表、瑕疵影像以及線路佈局圖，處理單元130會運行線路比對模組122以及瑕疵分類模組124，進而判斷被檢查的電路板是否為良品。

具體來說，在步驟S340，線路比對模組122依據線路佈局圖，分析瑕疵影像之中的第一瑕疵影像的瑕疵位置。詳細來說，在自動光學檢查裝置10檢查出瑕疵時，會將瑕疵位置記錄在瑕疵列表的瑕疵記錄中。然而，自動光學檢查裝置10在拍攝瑕疵影像時，會因為光學元件與電路板的位置偏差，或者是光學元件所拍攝的影像範圍導致拍攝出來的影像有所偏移。因此，在本揭露的實施例中，線路比對模組122會依據線路佈局圖分析瑕疵影像之中的第一瑕疵影像的瑕疵位置，以對線路佈局圖進行抗偏移轉換。執行抗偏移轉換的詳細過程將於後方說明。

在步驟S350，線路比對模組122依據第一瑕疵影像的瑕疵位置，對第一瑕疵影像進行裁切，以獲得第一裁切瑕疵影像。詳細來說，由於在自動光學檢查裝置10在拍攝第一瑕疵影像時，會以光學元件所捕捉到的範圍作為第一瑕疵影像。然而，在實際的情形中，被自動光學檢測裝置10所檢測出來的瑕疵可以例如為皮屑、髒汙、脫膜不淨等情形，這些瑕疵的尺寸都非常小。在第一瑕疵影像中絕大部分都為正常線路的情形下，瑕疵的漏檢、誤判的情形都會增加。因此，線路比對模組122會依據瑕疵位置而使用感興趣區域（Region of Interest，ROI）裁切技術，以將第一瑕疵影像裁切成第一裁切瑕疵影像。

需說明的是，在本揭露的一範例實施例中，第一裁切瑕疵影像必須符合最小影像標準，例如，32像素乘以32像素的大小。也就是說，若瑕疵的範圍小於32像素乘以32像素的大小，線路比對模組122仍裁切32像素乘以32像素的影像，或者是將瑕疵的範為裁切下來後，將此瑕疵放大至32像素乘以32像素。然而，若瑕疵的範圍大於32像素乘以32像素，線路比對模組122會以瑕疵範圍的大小作為基準而進行裁切，例如，以瑕疵輪廓往外推進10個像素進行裁切。本揭露並不以上述實施例為限，裁切方法與裁切尺寸可依據實際應用情形進行設計。在本揭露的一個實驗中，相較於未經裁切的瑕疵影像，瑕疵影像在經過裁切後，瑕疵分類的正確率可以從50.3%提升到99.7%。

在步驟S360，瑕疵分類模組124會將第一裁切瑕疵影像輸入至瑕疵分類模型，以進行分類。瑕疵分類例如為皮屑、髒汙、脫膜不淨、正常、斷路、短路等，瑕疵分類的類別會依據實際需求而增減，本揭露不限於此。

在本揭露的一範例實施例中，瑕疵分類模型為卷積式類神經網路模型。也就是說，當瑕疵分類模組124將第一裁切瑕疵影像輸入至卷積式類神經網路模型時，第一裁切影像會經過卷積層（Convolutional layer）提取特徵、線性整流層（Rectified Linear Units Layer，ReLU layer）增強函數特性、池化層（Pooling Layer）減小數據的空間大小等，藉此以獲取瑕疵的瑕疵特徵（例如：瑕疵的輪廓）。須說明的是，在本揭露的一個實施例中，池化層會採用最大池化（Max Pooling）函數而輸出特徵的最大值，卷積層、線性整流層以及池化層的細節為本領域具有通常知識者可以依據現有技術而容易理解的，於此即不贅述。此外，卷積層、線性整流層以及池化層會依據不同設計而被週期性的採用於卷積式類神經網路模型之中。在一個實際的例子中，卷積式類神經網路模型是採用AlexNet 8 Layer的架構進行運算，然本揭露不限於此。

在第一裁切瑕疵影像通過卷積類神經網路模型而獲取瑕疵特徵後，瑕疵分類模組124會進一步將瑕疵特徵輸入至分類器。分類器依據瑕疵特徵判斷此瑕疵屬於哪一種瑕疵類型，並據此產生輸出結果。

在本揭露的另一範例實施例中，瑕疵分類模型亦可為對偶傳播神經網路（Counter Propagation Network，CPN）模型。詳細來說，對偶傳播神經網路具有特徵量化層以及瑕疵分類層。在特徵量化層中，使用者可以自行定義欲量化的特徵類型，並經過多次輸入瑕疵影像、分析瑕疵影像、使用者給予瑕疵標籤等訓練過程，對偶傳播神經網路模型會自行學習以建立參考量化特徵組（Sample features）。量化的特徵類型例如是中心點位置、區域面積、周長長度、特徵完整性、伸長度、特徵形狀、特徵顏色、顏色直方圖等，其中周長長度、特徵完整性、伸長度與顏色直方圖最為重要。因此，當瑕疵分類模組124將第一裁切瑕疵影像輸入為對偶傳播神經網路模型時，第一裁切瑕疵影像中的瑕疵輪廓會被提取，並依據瑕疵輪廓分析第一裁切瑕疵影像以產生瑕疵量化特徵。接著，在瑕疵分類層會依據參考量化特徵組分類瑕疵量化特徵，以產生輸出結果。在本揭露的一範例實施例中，對偶傳播神經網路模型是採用Kohonen Layer 以及 Grossberg Layer的架構實作，然本揭露並不限於此。

在步驟S370，瑕疵分類模組124會依據瑕疵分類模型的輸出結果，判斷第一瑕疵影像為良品影像或非良品影像。判斷第一瑕疵影像為良品影像或非良品影像的標準為，此瑕疵是否能夠在後續的工業製程中而被克服。若可以在後續的工業製程中被克服，此瑕疵屬於良品，反之則屬於不良品。

舉例來說，承上所述，在經過瑕疵分類模型後，第一裁切影像會被分類為皮屑、髒汙、脫膜不淨、正常、斷路、短路等不同的瑕疵分類。由於皮屑、髒汙、脫膜不淨等瑕疵會經清潔過程或封裝後而被克服，因此若屬於上述類型的瑕疵，瑕疵分類模組124會判斷第一瑕疵影像為良品影像。然而，若瑕疵是斷路、短路，瑕疵分類模組124會判斷第一瑕疵影像為非良品影像。

藉由執行步驟S310至S370所述的電路板瑕疵篩選方法，電路板瑕疵篩選裝置100會將第一瑕疵影像分為良品影像以及非良品影像。並且電路板瑕疵篩選裝置100的處理單元130會將非良品影像分別或批次的傳送至驗證修復機台20進行人工校驗。

以下將說明在步驟S340中，如何對線路佈局圖進行抗偏移轉換的細節。詳細來說，線路比對模組122在對線路佈局圖執行抗偏移轉換時，會經過數位成像放大率推導、線路佈局圖瑕疵定位算法以及線路佈局圖瑕疵比對算法。以下將依序進行說明。

數位成像放大率推導是用以依據線路佈局圖的比例調整第一瑕疵影像的比例。在數位成像放大率推導的過程中，首先，線路比對模組122會尋找線路佈局圖中對應瑕疵影像的位置。尋找的方法，例如，透過量長度而找到具有缺陷的地方，然本揭露不限於此。

接著，線路比對模組122會量測線路佈局圖中對應缺陷或缺陷附近的特徵。並且，線路比對模組122也會量測缺陷影像中對應此圓的直徑。藉此，線路比對模組122可以依據線路佈局圖以及缺陷影像中的圓推知兩者的比例。舉例來說，在10000每英吋點數（Dots Per Inch，DPI）的線路佈局圖中，線路比對模組122選取的圓的直徑為37像素，而在缺陷影像中對應的圓的直徑為120像素。藉此，線路比對模組122可以依據線路佈局圖中圓的直徑為37像素、缺陷影像中的圓的直徑120像素，推知線路佈局圖與缺陷影像的比例為1：3.2432，並進而推知缺陷影像為32432每英吋點數。

線路佈局圖瑕疵定位算法是用以比對線路佈局圖及第一瑕疵影像，以獲取第一瑕疵影像於線路佈局圖中的位置。在線路佈局圖瑕疵定位算法的過程中，線路比對模組122會選取多個圖樣，每一個圖樣都是在其所屬的細胞（Cell）中僅出現一次的圖樣。接著，線路比對模組122可以接收來自使用者對圖樣的位置手動校正偏差，以修改預定的公式。線路比對模組122再進一步以線路佈局圖驗證座標，並進行局部成像測試。

線路佈局圖瑕疵比對算法是用以校正第一瑕疵影像與線路佈局圖中的位置，以獲取瑕疵位置。在線路佈局圖瑕疵比對算法的過程中採用了抗偏移算法。在抗偏移算法中，首先，線路比對模組122會將瑕疵影像轉換成二值化的瑕疵影像，並將線路佈局圖產生二值化的樣版影像。接著，線路比對模組122會依據最大化增強相關係數（Enhanced Correlation Coefficient，ECC）進行圖像校準，以獲取轉換矩陣（Transform matrix）。最後，線路比對模組122會依據轉換矩陣，輸出調整後的影像。

值得一提的是，在本揭露的一範例實施例中，本揭露所採用的線路佈局圖為彩色的線路佈局圖。並且於步驟S340中，線路比對模組122還會分析第一瑕疵影像的瑕疵色階。線路比對模組122會判斷瑕疵色階是否與線路佈局圖的版材顏色或線材顏色相同。當瑕疵色階相同於版材顏色或線材顏色時，線路比對模組122會判斷第一瑕疵影像為非良品影像。

具體來說，當瑕疵的顏色相同於版材顏色時，極有可能是因為應塗佈線材的位置沒有被塗佈，因而導致斷路的情形。而當瑕疵的顏色相同於線材顏色時，則有可能是不該被塗佈線材的位置被塗佈，因而導致短路的情形。因此，在這兩種狀況之中，線路比對模組122會直接判斷第一瑕疵影像為非良品影像，以減少對圖像進行分類判斷所需的時間。

綜上所述，本揭露提供的電路板瑕疵篩選裝置與電路板瑕疵篩選方法能夠通過線路佈局圖及瑕疵列表的相互比對判斷瑕疵影像所屬的瑕疵類別，進而判斷瑕疵影像屬於良品影像或非良品影像。特別是，在本揭露的電路板瑕疵篩選裝置及電路板瑕疵篩選方法中更進一步對瑕疵影像進行裁切，以保留真正屬於瑕疵的影像。相較於未裁切的瑕疵影像，透過對裁切瑕疵影像進行分類提升分類的準確度，進而提高了判斷瑕疵影像屬於良品影像或非良品影像的正確率，藉此縮減瑕疵列表中的誤判案例，有效的降低人工複檢的負荷。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明的精神和範圍內，當可作些許的更動與潤飾，故本發明的保護範圍當視後附的申請專利範圍所界定者為準。

5‧‧‧電路板

10‧‧‧自動光學檢查裝置

20‧‧‧驗證修復機台

100‧‧‧電路板瑕疵篩選裝置

110‧‧‧輸入單元

120‧‧‧儲存單元

122‧‧‧線路比對模組

124‧‧‧瑕疵分類模組

130‧‧‧處理單元

S310~S370‧‧‧步驟

圖1是根據本揭露一範例實施例所繪示的電路板瑕疵篩選裝置的示意圖。 圖2是根據本揭露一範例實施例所繪示的電路板瑕疵篩選裝置的示意圖。 圖3是根據本揭露一範例實施例所繪示的電路板瑕疵篩選方法的流程圖。

Claims (11)

1. 一種電路板瑕疵篩選方法，包括： 接收一瑕疵列表； 獲取該瑕疵列表的多個瑕疵記錄的多個瑕疵影像； 接收一線路佈局圖； 依據該線路佈局圖，分析該些瑕疵影像之中的一第一瑕疵影像的瑕疵位置； 依據該第一瑕疵影像的瑕疵位置，對該第一瑕疵影像進行裁切，以獲得一第一裁切瑕疵影像； 將該第一裁切瑕疵影像輸入至一瑕疵分類模型；以及 依據該瑕疵分類模型的輸出結果，判斷該第一瑕疵影像為一良品影像或一非良品影像。
2. 如申請專利範圍第1項所述的電路板瑕疵篩選方法，其中將該第一裁切瑕疵影像輸入至一瑕疵分類模型的步驟包括： 將該第一瑕疵影像輸入至一卷積類神經網路模型，以提取該第一瑕疵影像的一瑕疵特徵；以及 依據一參考圖像組特徵分類該瑕疵特徵，以產生該輸出結果。
3. 如申請專利範圍第1項所述的電路板瑕疵篩選方法，其中將該第一裁切瑕疵影像輸入至一瑕疵分類模型的步驟包括： 提取該第一裁切瑕疵影像的一瑕疵輪廓； 依據該瑕疵輪廓分析該第一裁切瑕疵影像，以產生一瑕疵量化特徵；以及 依據一參考量化特徵組分類該瑕疵量化特徵，以產生該輸出結果。
4. 如申請專利範圍第1項所述的電路板瑕疵篩選方法，更包括： 分析該第一瑕疵影像的一瑕疵色階； 判斷該瑕疵色階是否與該線路佈局圖的一版材顏色或一線材顏色相同；以及 當該瑕疵色階相同於該版材顏色或該線材顏色，判斷該第一瑕疵影像為該非良品影像。
5. 如申請專利範圍第1項所述的電路板瑕疵篩選方法，依據該線路佈局圖，分析該些瑕疵影像之中的該第一瑕疵影像的瑕疵位置的步驟包括： 依據該線路佈局圖的比例調整該第一瑕疵影像的比例； 比對該線路佈局圖及該第一瑕疵影像，以獲取該第一瑕疵影像於該線路佈局圖中的位置；以及 校正該第一瑕疵影像與該線路佈局圖中的位置，以獲取該瑕疵位置。
6. 一種電路板瑕疵篩選裝置，包括： 一輸入單元，接收一瑕疵列表以及一線路佈局圖，其中該瑕疵列表包括多個瑕疵記錄，該輸入單元還獲取該些瑕疵記錄的多個瑕疵影像； 一儲存單元，儲存多個模組；以及 一處理單元，連接於該輸入單元及該儲存單元，該處理單元執行該些模組，其中該些模組包括： 一線路比對模組，依據該線路佈局圖，分析該些瑕疵影像之中的一第一瑕疵影像的瑕疵位置，並依據該第一瑕疵影像的瑕疵位置，對該第一瑕疵影像進行裁切，以獲得一第一裁切瑕疵影像；以及 一瑕疵分類模組，將該第一裁切瑕疵影像輸入至一瑕疵分類模型，依據該瑕疵分類模型的輸出結果，判斷該第一瑕疵影像為一良品影像或一非良品影像。
7. 如申請專利範圍第6項所述的電路板瑕疵篩選裝置，其中， 該瑕疵分類模組還將該第一瑕疵影像輸入至一卷積類神經網路模型，以提取該第一瑕疵影像的一瑕疵特徵， 該瑕疵分類模組還依據一參考圖像組特徵分類該瑕疵特徵，以產生該輸出結果。
8. 如申請專利範圍第6項所述的電路板瑕疵篩選裝置，其中， 該瑕疵分類模組還提取該第一裁切瑕疵影像的一瑕疵輪廓， 該瑕疵分類模組還依據該瑕疵輪廓分析該第一裁切瑕疵影像，以產生一瑕疵量化特徵， 該瑕疵分類模組還依據一參考量化特徵組分類該瑕疵量化特徵，以產生該輸出結果。
9. 如申請專利範圍第6項所述的電路板瑕疵篩選裝置，其中， 該線路比對模組還分析該第一瑕疵影像的一瑕疵色階， 該線路比對模組還判斷該瑕疵色階是否與該線路佈局圖的一版材顏色或一線材顏色相同， 該線路比對模組還於該瑕疵色階相同於該版材顏色或該線材顏色時，判斷該第一瑕疵影像為該非良品影像。
10. 如申請專利範圍第6項所述的電路板瑕疵篩選裝置，其中， 該線路比對模組還依據該線路佈局圖的比例調整該第一瑕疵影像的比例， 該線路比對模組還比對該線路佈局圖及該第一瑕疵影像，以獲取該第一瑕疵影像於該線路佈局圖中的位置， 該線路比對模組還校正該第一瑕疵影像與該線路佈局圖中的位置，以獲取該瑕疵位置。
11. 一種電腦可讀取記錄媒體，儲存至少一程式碼，當一電子裝置載入並執行所述程式碼後，可完成申請專利範圍第1項所述之電路板瑕疵篩選方法。