TW202001795A - 瑕疵分類標記系統及瑕疵分類標記方法 - Google Patents

瑕疵分類標記系統及瑕疵分類標記方法 Download PDF

Info

Publication number
TW202001795A
TW202001795A TW107122643A TW107122643A TW202001795A TW 202001795 A TW202001795 A TW 202001795A TW 107122643 A TW107122643 A TW 107122643A TW 107122643 A TW107122643 A TW 107122643A TW 202001795 A TW202001795 A TW 202001795A
Authority
TW
Taiwan
Prior art keywords
defect
image
classification
tested
module
Prior art date
Application number
TW107122643A
Other languages
English (en)
Inventor
亞魯木魯甘 安比卡帕
林建仲
謝承樺
Original Assignee
由田新技股份有限公司
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 由田新技股份有限公司 filed Critical 由田新技股份有限公司
Priority to TW107122643A priority Critical patent/TW202001795A/zh
Priority to CN201811428766.4A priority patent/CN110659661A/zh
Priority to US16/455,771 priority patent/US20200003828A1/en
Publication of TW202001795A publication Critical patent/TW202001795A/zh

Links

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
    • 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
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/28—Testing of electronic circuits, e.g. by signal tracer
    • G01R31/2832—Specific tests of electronic circuits not provided for elsewhere
    • G01R31/2836—Fault-finding or characterising
    • G01R31/2846—Fault-finding or characterising using hard- or software simulation or using knowledge-based systems, e.g. expert systems, artificial intelligence or interactive algorithms
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/24765—Rule-based classification
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10056—Microscopic image
    • 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
    • G06T2207/30141—Printed circuit board [PCB]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Medical Informatics (AREA)
  • Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本發明提供了一種瑕疵分類標記系統，其具有儲存單元及處理單元。儲存單元儲存瑕疵分類模組、瑕疵標記模組以及目錄生成模組。處理單元執行模組。瑕疵分類模組用以提供瑕疵種類資訊。瑕疵標記模組根據至少一個待測物影像上的影像特徵與瑕疵種類資訊，對至少一個待測物影像標記瑕疵種類標籤。目錄生成模組接收已標記的待測物影像，移動具有相同瑕疵種類標籤的待測物影像至對應的檔案目錄內。

Description

瑕疵分類標記系統及瑕疵分類標記方法
本發明是有關於一種分類技術，且特別是有關於一種瑕疵分類標記系統與瑕疵分類標記方法。
隨著科技進步，電子零件的精密度要求日益趨高。為確保電子零件的良率提升，在電路板的製作過程會經過光學檢測與複檢兩個階段。光學檢測階段用以取得待檢物影像，並判斷待檢物是否存在瑕疵。複檢階段是通過人工的方式對光學檢測階段所判定的瑕疵進一步檢查標記。
在現有的工業製程中，逐漸採用深度學習的方式開發人工智慧，以期能夠降低複檢階段的人力耗損。然而，深度學習的基礎是建立在大量訓練樣本中，也就是說，大量影像資料必須要先經過人工標記後輸入至深度學習模型，才能提升模組的訓練程度。在這個過程中，龐大的影像數量仍會造成人力的耗損。不僅如此，若作業員的經驗不足也會拉長人工標記的時程。此外，由於瑕疵的種類很多，作業員在分類瑕疵時也常常會覺得眼花撩亂。藉此，如何能夠改善瑕疵分類的流程，以降低人工負擔為本領域技術人員所致力的課題。
本發明提供一種瑕疵分類標記系統及瑕疵分類標記方法，以提供直覺且順暢的分類標記流程。
本發明的瑕疵分類標記系統具有儲存單元及處理單元。儲存單元儲存瑕疵分類模組、瑕疵標記模組以及目錄生成模組。處理單元執行模組。瑕疵分類模組用以提供瑕疵種類資訊。瑕疵標記模組根據至少一個待測物影像上的影像特徵與瑕疵種類資訊，對至少一個待測物影像標記瑕疵種類標籤。目錄生成模組接收已標記的待測物影像，移動具有相同瑕疵種類標籤的待測物影像至對應的檔案目錄內。
本發明的瑕疵分類標記方法具有下列步驟。提供一瑕疵種類資訊；根據至少一個待測物影像上的影像特徵與該瑕疵種類資訊，對至少一個待測物料片影像，標記瑕疵種類標籤；以及接收已標記的該待測物影像，移動具有相同瑕疵種類標籤的該待測物影像至一對應的檔案目錄內。
基於上述，本發明的瑕疵分類標記系統與瑕疵分類標記方法通過瑕疵分類模組、瑕疵標記模組以及目錄生成模組，提供了更流暢與直覺的分類流程，以降低了人力負擔。
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。
在進行人工標記時，作業員多半會依據瑕疵影像的瑕疵類型而將其分類至相應的資料夾中。為了減少作業員操作的繁瑣過程，本發明提供了一種瑕疵分類標記系統與瑕疵分類標記方法。
請參照圖1，繪示本發明一實施例的瑕疵分類標記系統的示意圖。
瑕疵分類標記系統瑕疵分類標記系統100具有儲存單元110以及處理單元120。
儲存單元110用以儲存運行瑕疵分類標記系統100時所需的軟體、資料及各類程式碼。特別是，儲存單元110儲存瑕疵分類模組112、瑕疵標記模組114以及目錄生成模組116。
瑕疵分類模組112提供瑕疵種類資訊。瑕疵種類資訊例如，內外層偏位、手指異色、手指異物、手指露銅、文字不清、油墨脫落、金面異色、金面異物、金面露銅、電測、手指壓折傷、防焊脫落、金面壓折傷或軟板髒汙，然本發明不限於此。
瑕疵標記模組114用以根據待測物影像上的影像特徵與瑕疵種類資訊，對待測物料片影像，標記瑕疵種類標籤。
目錄生成模組116接收已標記的待測物影像，移動具有相同瑕疵種類標籤的待測物影像至對應的檔案目錄內。
在本發明的實施例中，儲存單元110例如但不限於任何型態的固定或可移動隨機存取記憶體(Random Access Memory，RAM)、唯讀記憶體(Read-Only Memory，ROM)、快閃記憶體(flash memory)、硬碟(Hard Disk Drive，HDD)、固態硬碟(Solid State Drive，SSD)或類似元件或上述元件的組合。
處理單元120連接於儲存單元110，用以執行瑕疵分類標記系統100的各類運作。特別是，處理單元120會執行前述的瑕疵分類模組112、瑕疵標記模組114以及目錄生成模組116，以運行瑕疵分類標記方法。處理單元120可以是中央處理單元(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，本發明不限於此。
圖2繪示本發明又一實施例的瑕疵分類標記系統的示意圖。此實施例的瑕疵標記分類系統200除了儲存單元210以及處理單元220外，還具有取像元件230、複檢元件240以及畫記元件250。
儲存單元210與其儲存的瑕疵分類模組212、瑕疵標記模組214、目錄生成模組216相同於圖1的儲存單元110及儲存的瑕疵分類模組112、瑕疵標記模組114、目錄生成模組116以及處理單元120，於此即不贅述。
除此之外，儲存單元210還儲存了瑕疵分類訓練模組218，以依據檔案目錄訓練對應的分類模型。瑕疵分類訓練模組218是採用深度學習模型對影像做訓練，以產生相對應每一種瑕疵的分類模型。在本發明中，深度學習模型例如，LeNet模型、AlexNet模型、GoogleNet模型或VGG模型(Visual Geometry Group)，然本發明不限於此。在本揭露的其他實施例中，瑕疵分類訓練模組218也可以採用其他獨立的裝置所運行。
處理單元220相同於圖1的處理單元120，於此即不贅述。
在本發明中，瑕疵分類標記系統200的取像元件230、複檢元件240以及標記元件250電性連接於處理單元220。為了更佳理解此實施例瑕疵分類標記系統200的構件，請同時參照圖2與圖3。圖3繪示相應圖2的實施例的瑕疵分類標記系統的側視示意圖。
在本發明中，瑕疵分類標記系統200的取像元件230、複檢元件240以及標記元件250整合為一體。取像元件230可為線掃描相機和面掃描相機，用以取得待測物20的影像。
複檢元件240整合在取像元件230的一側，其中複檢元件240可為顯微鏡，用以協助操作人員取得待測物20以倍率放大後的影像而進行複檢待測物20的步驟。
另一方面，標記元件250整合在複檢元件240的一側，其中標記元件250可為畫記筆，用以對待測物20上的瑕疵區塊進行標記。
在本實施例中，光學檢測設備100更包括載架260與連接載架260的支架270，其中取像元件230與複檢元件240固定於載架260上，且取像元件230與複檢元件240並列設置。支架270自載架260上取像元件230與複檢元件240所在的一側延伸通過取像元件230與複檢元件240之間，且並列於複檢元件240的標記元件250固定在支架270上。具體而言，支架270具有第一端部與相對於第一端部的第二端部，其中第一端部連接載架260，第二端部超出取像元件230與複檢元件240之間，且標記元件250固定在第二端部上。
請參照圖4，繪示本發明一實施例瑕疵分類標記方法的流程圖。須說明的是，圖4實施例的瑕疵分類標記方法適用於圖1所繪示的瑕疵分類標記系統100，亦適用於圖2及圖3所繪示的瑕疵分類標記系統200。為了避免混淆，在下方的說明中，是採用圖2及圖3的瑕疵分類標記系統200中的編號來說明，然本發明不限於此。
在本發明中，處理單元220會運行瑕疵分類模組212、瑕疵標記模組214、目錄生成模組216，以運作瑕疵分類標記方法。
在步驟S410，由瑕疵分類模組212提供瑕疵種類資訊。
在步驟S420，由瑕疵標記模組214根據至少一個待測物影像上的影像特徵與瑕疵種類資訊，對至少一個待測物料片影像標記瑕疵種類標籤。
在步驟S430，由目錄生成模組216接收已標記的待測物影像，移動具有相同瑕疵種類標籤的待測物影像至對應的檔案目錄內。在本發明中，每一個檔案目錄都會對應至一種瑕疵種類標籤。
為了更清楚說明瑕疵分類標記方法的運作過程，下述將說明瑕疵分類標記方法在三種不同的操作情形下運行的方法。然而，在本發明的實際操作中，會依據不同的產品類型、工廠政策、用戶需求等而有不同的操作環境。在不違背本發明的精神下，不同的設計皆包括在本發明的範圍之中。
[第一操作情形]
在第一操作情形中，作業員可以以瑕疵的分類類別為基礎，以操作瑕疵分類標記系統200產生瑕疵種類標籤。
詳細來說，處理單元220同時會通過於螢幕上顯示使用者介面提供分類類型輸入欄位。作業員可以通過各類型的輸入單元（例如：滑鼠、鍵盤、觸控螢幕）在分類類型輸入欄位中輸入指定的分類類型，例如，通過輸入分類代碼、分類名稱或以勾核的方式選擇一個分類類型。處理單元220會依據作業員的操作產生瑕疵標記信號。瑕疵分類模組212會依據瑕疵分類信號提供瑕疵種類資訊（步驟S410）。
處理單元220還會讀取待測物影像，並顯示在螢幕上。作業員會點選待測物影像中，瑕疵特徵屬於輸入的分類類型的一個或多個待測物影像。處理單元220會依據作業員的操作產生影像選取信號。瑕疵標記模組214會依據被選取的待測物影像上的影像特徵與瑕疵種類資訊，對被選取的待測物影像標記瑕疵種類標籤（步驟S420）。
被標記的待測物影像會傳送到目錄生成模組216。目錄生成模組216接收已標記的待測物影像，移動具有相同瑕疵種類標籤的待測物影像至對應的檔案目錄內（步驟S430）。
值得一提的是，在第一操作情形中，操作員得以選取待測物影像中的一個或多個，並標記為相同的瑕疵種類標籤。因此，通過本發明的瑕疵分類標記系統200，作業員只需要在初始的時候輸入分類類型，即可對多張屬於此類型的待測物影像進行分類，無須對不同的待測物影像反覆操作。
[第二操作情形]
在第二操作情形中，作業員可以待測物影像為基礎，以操作瑕疵分類標記系統200產生瑕疵種類標籤。
詳細來說，處理單元220會讀取待測物影像，並顯示在螢幕上。作業員會點選欲分類的一個或多個待測物影像。處理單元220會依據作業員的操作產生影像選取信號。
處理單元220同時會通過於螢幕上顯示使用者介面提供分類類型輸入欄位。作業員可以通過各類型的輸入單元（例如：滑鼠、鍵盤、觸控螢幕）在分類類型輸入欄位中輸入指定的分類類型。不同於第一操作情形，分類類型輸入欄位會顯示多種不同的分類類型，以供作業員選取。處理單元220會依據作業員的操作產生瑕疵標記信號。瑕疵分類模組212會依據瑕疵分類信號提供瑕疵種類資訊（步驟S410）。
瑕疵標記模組214會依據被選取的待測物影像上的影像特徵與瑕疵種類資訊，對被選取的待測物影像標記瑕疵種類標籤（步驟S420）。
被標記的待測物影像會傳送到目錄生成模組216。目錄生成模組216接收已標記的待測物影像，移動具有相同瑕疵種類標籤的待測物影像至對應的檔案目錄內（步驟S430）。
[第三操作情形]
在第三操作情形中，瑕疵分類模組212會依據預設的分類演算法提供瑕疵種類資訊（步驟S410）。本發明並不限制分類演算法的類型，其可依照實務上的需求進行設計與調整。
瑕疵分類模組212會依據被選取的待測物影像上的影像特徵與瑕疵種類資訊，對被選取的待測物影像標記瑕疵種類標籤（步驟S420）。
被標記的待測物影像會傳送到目錄生成模組216。目錄生成模組216接收已標記的待測物影像，移動具有相同瑕疵種類標籤的待測物影像至對應的檔案目錄內（步驟S430）。
也就是說，在第三操作情形中，所有的分類、標記皆由瑕疵標記分類系統200所完成。
請參照圖5，其繪示本揭露一實施例瑕疵分類標記系統運行的流程圖。
在步驟S510，分類訓練模組218會在運行訓練模式時，依據產生的檔案目錄訓練對應的分類模型。由於每一個檔案目錄都會對應到一種瑕疵類型，因此，分類訓練模組218會以檔案目錄作為訓練的單位，進而產生對應不同瑕疵分類的分類模型。
在步驟S520，取像元件230取得待測物影像。在本發明的一個實施例中，瑕疵分類標記系統200會連接於自動光學檢測設備，並接收來自自動光學檢測設備的瑕疵列表。自動光學檢測設備會拍攝待測物影像，並依據對待測物影像進行瑕疵判斷的結果，進而產生瑕疵列表。瑕疵分類標記系統200會依據瑕疵列表中記錄的瑕疵位置進一步取像。
在步驟S530，複檢元件240依據分類模型複檢待測物。透過讀取分類訓練模組218所產生的分類模型，複檢元件240可以據此判斷待測物影像的瑕疵是屬於哪一種分類，藉此降低作業員的負擔。
在步驟S540，畫記元件250依據複檢的結果對待測物進行畫記，以標記瑕疵位置。
綜上所述，本發明的瑕疵分類標記系統與瑕疵分類標記方法通過瑕疵分類模組、瑕疵標記模組以及目錄生成模組，提供了更流暢與直覺的分類標記流程，以降低了人力負擔。
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。
100、200‧‧‧瑕疵分類標記系統110、210‧‧‧儲存單元112、212‧‧‧瑕疵分類模組114、214‧‧‧瑕疵標記模組116、216‧‧‧目錄生成模組120、220‧‧‧處理單元218‧‧‧瑕疵分類訓練模組230‧‧‧取像元件240‧‧‧複檢元件250‧‧‧畫記元件260‧‧‧載架270‧‧‧支架S410~S430、S510~540‧‧‧步驟
圖1繪示本發明一實施例的瑕疵分類標記系統的示意圖。 圖2繪示本發明又一實施例的瑕疵分類標記系統的示意圖。 圖3繪示相應圖2的實施例的瑕疵分類標記系統的側視示意圖。 圖4繪示本發明一實施例瑕疵分類標記方法的流程圖。 圖5繪示本揭露一實施例瑕疵分類標記系統運行的流程圖。
100‧‧‧瑕疵分類標記系統
110‧‧‧儲存單元
112‧‧‧瑕疵分類模組
114‧‧‧瑕疵標記模組
116‧‧‧目錄生成模組
120‧‧‧處理單元

Claims (8)

  1. 一種瑕疵標記分類系統，包括： 儲存單元，儲存多個模組；以及 處理單元，執行該些模組，該些模組包括： 一瑕疵分類模組，用以提供一瑕疵種類資訊； 一瑕疵標記模組，根據至少一個待測物影像上的影像特徵與該瑕疵種類資訊，對該至少一個待測物影像，標記瑕疵種類標籤；以及 一目錄生成模組，接收已標記的該待測物影像，移動具有相同瑕疵種類標籤的該待測物影像至一對應的檔案目錄內。
  2. 如申請專利範圍第1項所述的瑕疵標記分類系統， 其中，該瑕疵分類模組還接收相應於該至少一個待測物料片的瑕疵標記信號，並依據該瑕疵標記信號提供該瑕疵種類資訊。
  3. 如申請專利範圍第1項所述的瑕疵標記分類系統，更包括： 一瑕疵分類訓練模組，依據該檔案目錄訓練對應的一分類模型。
  4. 如申請專利範圍第1項所述的瑕疵標記分類系統，更包括： 一取像元件，用以取得該待測物影像； 一複檢元件，整合在該取像元件的一側，用以依據一分類模型複檢該待測物；以及 一畫記元件，整合在該複檢元件的一側，用以對該待測物進行畫記。
  5. 一種瑕疵標記分類方法，包括： 提供一瑕疵種類資訊； 根據至少一個待測物影像上的影像特徵與該瑕疵種類資訊，對至少一個待測物料片影像，標記瑕疵種類標籤；以及 接收已標記的該待測物影像，移動具有相同瑕疵種類標籤的該待測物影像至一對應的檔案目錄內。
  6. 如申請專利範圍第5項所述的瑕疵標記分類方法，其中在提供該瑕疵種類資訊的步驟中，包括： 接收相應於該至少一個待測物料片的瑕疵標記信號，並依據該瑕疵標記信號提供該瑕疵種類資訊。
  7. 如申請專利範圍第5項所述的瑕疵標記分類方法，更包括： 依據該檔案目錄訓練對應的一分類模型。
  8. 如申請專利範圍第5項所述的瑕疵標記分類方法，更包括： 取得該待測物影像； 依據一分類模型複檢該待測物，其中該分類模型是依據該檔案目錄所產生的；以及 依據複檢的結果對該待測物進行畫記。
TW107122643A 2018-06-29 2018-06-29 瑕疵分類標記系統及瑕疵分類標記方法 TW202001795A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
TW107122643A TW202001795A (zh) 2018-06-29 2018-06-29 瑕疵分類標記系統及瑕疵分類標記方法
CN201811428766.4A CN110659661A (zh) 2018-06-29 2018-11-27 瑕疵分类标记系统及瑕疵分类标记方法
US16/455,771 US20200003828A1 (en) 2018-06-29 2019-06-28 Labeling system and method for defect classification

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107122643A TW202001795A (zh) 2018-06-29 2018-06-29 瑕疵分類標記系統及瑕疵分類標記方法

Publications (1)

Publication Number Publication Date
TW202001795A true TW202001795A (zh) 2020-01-01

Family

ID=69028792

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107122643A TW202001795A (zh) 2018-06-29 2018-06-29 瑕疵分類標記系統及瑕疵分類標記方法

Country Status (3)

Country Link
US (1) US20200003828A1 (zh)
CN (1) CN110659661A (zh)
TW (1) TW202001795A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI818668B (zh) * 2021-10-25 2023-10-11 復盛應用科技股份有限公司 產品外觀的瑕疵檢查方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI707137B (zh) * 2020-01-13 2020-10-11 憶象有限公司 智能產線監測系統及監測方法
CN113267501A (zh) * 2020-02-17 2021-08-17 远传电信股份有限公司 片状材料快速检测瑕疵整合系统及其使用方法
CN113468350B (zh) * 2020-03-31 2024-09-17 京东方科技集团股份有限公司 一种图像标注方法、装置及系统
CN111429454A (zh) * 2020-04-21 2020-07-17 西安数合信息科技有限公司 一种智能化铸件无损检测系统及方法
CN113837209A (zh) * 2020-06-23 2021-12-24 乐达创意科技股份有限公司 改良机器学习使用数据进行训练的方法及系统
CN114092382A (zh) * 2020-08-07 2022-02-25 富泰华工业（深圳）有限公司 产品瑕疵标记装置和方法
CN114638773A (zh) * 2020-11-30 2022-06-17 纬创资通（中山）有限公司 用于影像标记标准化的方法、电子装置及计算机程序产品
CN113311060B (zh) * 2021-04-26 2024-05-24 河南省特种设备安全检测研究院 一种电梯包覆带缺陷在线检测及标记装置与系统
CN113610161A (zh) * 2021-08-09 2021-11-05 东南数字经济发展研究院 一种基于图像分类技术的目标检测数据标注方法
CN113770054B (zh) * 2021-08-30 2023-10-24 合肥致存微电子有限责任公司 一种存储设备品质等级自动测试挑选装置和方法
CN114004472A (zh) * 2021-10-22 2022-02-01 上海洪朴信息科技有限公司 一种光伏组件缺陷检测模型标签的生产和质量管理系统

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6246787B1 (en) * 1996-05-31 2001-06-12 Texas Instruments Incorporated System and method for knowledgebase generation and management
US6292582B1 (en) * 1996-05-31 2001-09-18 Lin Youling Method and system for identifying defects in a semiconductor
US6701259B2 (en) * 2000-10-02 2004-03-02 Applied Materials, Inc. Defect source identifier
CN101339140A (zh) * 2007-07-02 2009-01-07 台达电子工业股份有限公司 物件瑕疵检测装置及方法、检测条件之调适方法
CN103196917B (zh) * 2013-03-13 2015-08-19 同济大学 基于ccd线阵相机的在线卷板材表面瑕疵检测系统及其检测方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI818668B (zh) * 2021-10-25 2023-10-11 復盛應用科技股份有限公司 產品外觀的瑕疵檢查方法

Also Published As

Publication number Publication date
CN110659661A (zh) 2020-01-07
US20200003828A1 (en) 2020-01-02

Similar Documents

Publication Publication Date Title
TW202001795A (zh) 瑕疵分類標記系統及瑕疵分類標記方法
JP6705777B2 (ja) 機械学習装置、検査装置及び機械学習方法
WO2019117065A1 (ja) データ生成装置、データ生成方法及びデータ生成プログラム
JP6544716B2 (ja) データ生成装置、データ生成方法及びデータ生成プログラム
US11947345B2 (en) System and method for intelligently monitoring a production line
TW201840991A (zh) 電路板點膠檢測裝置及檢測方法
JP5718781B2 (ja) 画像分類装置および画像分類方法
TWI618940B (zh) 印刷電路板的盲孔檢測裝置與方法
JP2011158373A (ja) 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置
TWI749524B (zh) 影像辨識裝置、影像辨識方法及其電腦程式產品
CN113222913B (zh) 一种电路板缺陷检测定位方法、装置和存储介质
JP2014142871A (ja) 教師データ作成支援装置、教師データ作成装置、画像分類装置、教師データ作成支援方法、教師データ作成方法および画像分類方法
CN104923494A (zh) 一种电子元器件规模化自动分辨合格品的方法及其系统
CN111428374A (zh) 零件缺陷检测方法、装置、设备及存储介质
JP2014137284A (ja) 教師データ作成支援装置、教師データ作成装置、画像分類装置、教師データ作成支援方法、教師データ作成方法および画像分類方法
CN111507362A (zh) 神经网络的训练方法、基于神经网络的分类方法及其装置
CN113538631A (zh) 通过基于用户输入所生成的人工智能模型来生成虚拟缺陷图像的计算机程序、方法和装置
CN110502774A (zh) 一种pcb工程图纸自动标注方法、计算机可读存储介质和终端
CN112304952A (zh) 影像辨识装置、影像辨识方法及其计算机程序产品
CN113310997A (zh) Pcb板缺陷确认方法、装置、自动光学检测设备及储存介质
CN111105399A (zh) 开关表面缺陷检测方法及系统
Anitha et al. SMT component inspection in PCBA’s using image processing techniques
JP2012253199A (ja) 検査結果表示装置、基板検査システムおよび検査結果表示方法
JP2011232302A (ja) 画像検査方法及び画像検査装置
CN112702905B (zh) 印刷电路板良率和生产设备错误率之回溯方法及其系统