TW202004574A - 人工智慧複檢系統及其方法 - Google Patents

人工智慧複檢系統及其方法 Download PDF

Info

Publication number
TW202004574A
TW202004574A TW107117692A TW107117692A TW202004574A TW 202004574 A TW202004574 A TW 202004574A TW 107117692 A TW107117692 A TW 107117692A TW 107117692 A TW107117692 A TW 107117692A TW 202004574 A TW202004574 A TW 202004574A
Authority
TW
Taiwan
Prior art keywords
result
artificial intelligence
unit
examination
artificial
Prior art date
Application number
TW107117692A
Other languages
English (en)
Other versions
TWI703514B (zh
Inventor
汪光夏
呂彥德
何羽立
Original Assignee
牧德科技股份有限公司
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 牧德科技股份有限公司 filed Critical 牧德科技股份有限公司
Priority to TW107117692A priority Critical patent/TWI703514B/zh
Priority to CN201810635724.1A priority patent/CN109060817B/zh
Publication of TW202004574A publication Critical patent/TW202004574A/zh
Application granted granted Critical
Publication of TWI703514B publication Critical patent/TWI703514B/zh

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
    • G01N2021/8883—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 involving the calculation of gauges, generating models
    • 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

本發明在提出一種人工智慧複檢系統，可在光學檢測裝置判斷NG影像或數量資料後，先經由人工智慧(AI)單元模擬預測人工複檢的結果，再傳送至人工複檢站進行實際的人工複檢，藉此減少人工複檢時所需再次檢測的數量，並提升操作人員工作效率。

Description

人工智慧複檢系統及其方法
本發明係關於一種用於光學檢測裝置的人工智慧複檢系統及其方法，更特別的是關於一種能模擬預測人工複檢結果，使得操作人員在實際複檢時能夠減少複檢除錯的數量，並藉此提升人工複檢工作效率。
光學辨識系統如自動光學檢測機(Automated Optical Inspection,AOI)及外觀終檢機(Automatic Final Inspection,AFI)等檢測機台，如今已經被普遍應用在電子業之電路板組裝生產線上的檢測流程中，用以取代以往的人工目測檢視作業，它利用影像技術比對待測物與標準影像是否有差異來判斷待測物有否符合標準，自動光學檢測設備除了提供高穩定度的檢測結果外，還大幅節省了檢測時間及人力成本。
然而，習知之光學檢測流程如第1圖所示，待測物(包括但不限於印刷電路板、軟板等)經由光學檢測裝置100檢測後，需再將光學檢測裝置之檢測結果及可能存在缺陷的待複檢物(原待測物的全部或一部分)透過運送單元200送至人工視覺複檢站300，經人工複檢辨識後確認是否為真的缺陷或僅是光學檢測機台的誤判，進而操作人員再將待複檢物進行標識或是修復的動作，故光學檢測裝置100判斷缺陷的能力優劣高度相關於複檢站300所需投入的複檢人員數量。
假若光學檢測裝置判斷報點的靈敏度過高，則後端需投入的複檢人員勢必 增加，此舉不僅降低了企業生產效率亦同時提高了企業營運成本；而若是將光學檢測裝置判斷報點的靈敏度降低，則又容易導致瑕疵漏檢影嚮了後續產品的生產。故如何在保持光學檢測裝置判斷報點相對靈敏度的前提下，還能夠減少複檢人員需複檢的瑕疵數量，此實為業界亟待解決的問題，本發明案即為此提出解決方案。
本發明之一目的在於光學檢測流程中，減少複檢站人員所需再次複檢除錯的數量，故可減少複檢站所需之複檢人員。
本發明之另一目的在於提供一種人工智慧(AI)複檢系統，透過人工智慧建模訓練，在相對維持光學檢測裝置的判斷靈敏度前提下，於光學檢測裝置判斷報點後先行模擬預測人工複檢的結果，使得實際需要透過人工複檢的報點數量減少，以提高複檢效率。
為達上述之目的，本發明提出一種人工智慧複檢系統，包含：光學檢測裝置，用以拍攝至少一待測物並將判斷出之複數NG結果或影像傳送至顯示裝置；顯示裝置，可顯示光學檢測檢測裝置判斷之複數NG結果或影像，以供操作人員進行人工複檢，並再挑選出人工複檢後之NG結果或是OK結果；人工智慧(AI)單元，其根據人工複檢後之NG結果及OK結果進行建模訓練；及運算單元，其根據人工智慧(AI)單元之建模訓練，運算得出一預測之人工複檢結果。
為達上述之目的，本發明提出一種人工智慧複檢方法，包含：步驟S100：將光學檢測裝置判斷之複數NG結果或影像傳送至顯示裝置；步驟S200：操作人員根據步驟S100的複數NG結果或影像進行複檢，再挑選出人工複檢後之NG結果或是OK結果；步驟S300：將步驟S200經人工複檢挑選出之NG結果及OK結果傳送至人工智慧(AI)單元進行建模訓練；步驟S400：判斷人工智慧(AI)單元是否已完成建模訓練，若尚未完成建模訓練則重覆步驟S100~S300；若判斷已完成建模訓練則輸出經人工智慧(AI)單元預測之人工複檢結果。
於本發明之一實施例中，以客戶端的第一批待測電路板做為人工智慧(AI)單元110的訓練資料，尤其是以該些電路板經光學檢測裝置100檢測後判定的瑕疵點及經人工複檢後之實際瑕疵點做為訓練資料。
於本發明之另一實施例中，將客戶端的第一批待測電路板做為人工智慧(AI)單元110的訓練資料1~m，並將該些訓練完成後之資料儲存為建模資料1；將客戶端的第二批待測電路板做為訓練資料1~m，並將該些訓練完成後之資料儲存為建模資料2，以此類推並將該些資料儲存為建模資料m。客戶端使用者可根據該些已訓練好的建模資料，直接選取較符合或近似於目前待測物的建模資料，以節省重新訓練的時間。
100‧‧‧光學檢測裝置
200‧‧‧運送單元
300‧‧‧人工視覺複檢站
110‧‧‧人工智慧(AI)單元
1101‧‧‧複數訓練資料
1102‧‧‧類神經網路學習模組
1103‧‧‧建模資料儲存模組
1104‧‧‧複數建模資料
120‧‧‧啟動單元
130‧‧‧校驗訓練結果
140‧‧‧運算單元
150‧‧‧儲存單元
1401‧‧‧運算模組
1402‧‧‧預測結果顯示模組
1403‧‧‧使用者操作模組
S100~S400‧‧‧步驟
T100~T300‧‧‧步驟
U100~U300‧‧‧步驟
第1圖係習知之光學檢測裝置及人工視覺複檢站之相關示意圖。
第2圖係為本發明經人工智慧(AI)單元訓練後之複檢系統架構圖。
第3圖係為本發明實施例中類神經網路資料輸入、輸出示意圖。
第4圖係為本發明中人工智慧(AI)單元及與週邊資訊串流示意圖。
第5圖係為本發明中人工智慧(AI)單元完成建模訓練後之架構示意圖。
第6圖係為本發明中人工智慧(AI)單元之複檢流程圖。
第7圖係為本發明中人工智慧(AI)單元建模訓練之另一實施例示意圖。
第8圖係為本發明中人工智慧(AI)單元完成建模訓練後之另一實施例示意圖。
第9圖係為本發明中人工智慧(AI)單元完成建模訓練後之另一實施例示意圖。
為充分瞭解本發明之目的、特徵及功效，茲藉由下述具體之實施例，並配合所附之圖式，對本發明做一詳細說明，說明如後：請參閱第2圖，係本發明增加人工智慧(AI)單元110模擬預測人工複檢的示意圖，首先在人工智慧(AI)單元110尚未完成建模訓練前，複數個待測物(例如印刷電路板、軟性電路板等)一一經由光學檢測裝置100取像拍照後(在此假設為電路板1、電路板2……電路板1000)，將其定義分別存在於電路板1、電路板2……電路板1000的斷路、短路、粘黏異物等瑕疵點傳送至人工視覺複檢站300進行人工複檢，而該些經人工複檢後確認為真實缺陷的結果除了可供後續的瑕 疵剔除復原外，亦可做為人工智慧(AI)單元110的建模訓練資料，例如將光學檢測裝置100判斷的電路板1瑕疵點及經人工複檢後的電路板1瑕疵點作為訓練資料1；將光學檢測裝置100判斷的電路板2瑕疵點及經人工複檢後的電路板2瑕疵點作為訓練資料2……以此類推。藉由人工智慧(AI)單元110來模擬預測人工複檢的電路板瑕疵結果，而具體的人工智慧(AI)訓練方式，例如類神經網路則以第3圖來做進一步的說明。
繼續參閱第2圖，當訓練資料累積到一定數量時，可經由一啟動單元120來決定人工智慧(AI)單元110是否已建模訓練完成，假若尚未完成建模訓練(啟動單元120關閉)，則經光學檢測裝置100檢測後之複數待測物仍經由運送單元(圖未繪)送至人工視覺複檢站300進行人工複檢；假若已完成建模訓練則開啟啟動單元120，先將光學檢測裝置100所判定的複數NG影像或數量資料透過人工智慧(AI)單元110模擬預測人工複檢的結果後，再將此模擬預測之結果傳送至人工視覺複檢站300進行真正的人工複檢動作，使得實際需要人工複檢的瑕疵點數量減少。
於判斷人工智慧(AI)單元110是否已完成建模訓練時，可參照第2圖中的校驗訓練結果130，操作人員可將人工智慧(AI)單元110模擬預測之人工複檢結果和實際經過人工複檢的結果比對，若兩者之比對結果(例如瑕疵點的數量)小於一預設值，則可由操作人員判斷該人工智慧(AI)單元110已完成建模訓練而選擇開啟啟動單元120，接著讓所有經由光學檢測裝置100判斷出的瑕疵點均先經由人工智慧(AI)單元模擬預測後(此時模擬預測之人工複檢結果應少於原光學檢測裝置100判斷出的數量)，再將該模擬預測之結果傳送至人工複檢站300進行實際的人工複檢，藉此達到減少人工複檢數量及提升操作人員工作效率之目的。
再請參閱第3圖~第4圖，第3圖為人工智慧(AI)單元110之建模訓練實施例說明，本實施例中以類神經網路訓練為例，然不依此為限。在第3圖中該人工智慧(AI)單元110具有第一層的訓練資料輸入節點D1及D2，接著有第二層的神經元D3、D4及D5，在第三層具有建模訓練後的資料輸出節點D6。
類神經網路的各個節點與各個神經元均有相對應的權重，主要就是利用輸入資料與輸出資料之間的關係特性，建模訓練出各輸入、輸出節點及神經元的權重及偏權值，而後再配合從光學檢測裝置100搜集到的待測物瑕疵點資料作為各輸入節點的輸入資料，用以進行人工複檢結果的模擬預測。
例如在輸入節點D1與神經元D3具有一權重W13，輸入節點D2與神經元D5具有一權重W25；而神經元和輸出節點亦有一權重，例如神經元D4與輸出節點D6的權重為W46，神經元D5與輸出節點D6的權重為W56。除此之外，各別的輸入、輸出節點及神經元均具有各自的偏權值，例如D1的偏權值為θ1，神經元D4偏權值為θ4，輸出節點D6的偏權值為θ6。而每個節點傳輸至下個節點的傳輸數值計算方式如下，假設共有n個節點將各自的傳輸數值傳輸至該節點X，則節點Y傳輸至下一節點的傳輸數值y之公式為：
Figure 107117692-A0101-12-0006-1
其中，Wi為將傳輸數值傳輸至節點Y的n個節點中之第i個節點與節點Y所對應的權重，Xi為該第i個節點傳輸至節點Y的傳輸數值，θ則為節點Y的偏權值。
以神經元D5為例，輸入節點D1與神經元D5所對應的權重為W15，輸入節點D2與神經元D5所對應的權重為W25，而神經元D5的偏權值為θ5。假設輸入節點D1傳輸至神經元D5的傳輸數值為X1，而輸入節點D2傳輸至神經元D5的傳輸數值為X2，則神經元D5傳輸至輸出節點D6的傳輸數值為：(W15．X1+W25．X2)-θ5
在本實施中以類神經網路作為建模訓練方式，藉由大量已知的輸入資料及輸出資料關係塑模出各個權重及各個偏權值，於塑模出各個權重及偏權值後就可以即時的輸入資料進行輸出資料的預測。
第4圖為本發明基於類神經網路之人工複檢預測的人工智慧(AI)單元110及運算單元140周邊資訊流通示意圖，在本發明案中複數訓練資料1~訓練資料m(1101)即為經光學檢測裝置100判定之瑕疵點、人工複檢後所判定之真實瑕疵點、及人工複檢後所判定為正確OK的資料，其做為訓練資料由類神經網路學習模組1102訓練後，可再經由建模資料儲存模組1103分類儲存於複數建模資料1~建模資料m之中(1104)。
舉例來說，例如客戶端有第一批待測電路板，經人工智慧(AI)單元110建模訓練後可儲存為建模資料1；同樣的，客戶端第二批待測電路板，可經人工智慧(AI)單元110建模訓練後儲存為建模資料2，以此類推......。而建模資料1~m(1104)客戶於日後可依待測電路板的批號或是近似的待測物，直接從建模資料1~m(1104)當中撰擇較符合的建模資料而毋需再重新訓練，以節省訓練所需的時間。
然而需說明的是，訓練人工智慧(AI)單元110所需之資料並非以光學檢測裝置100判定之瑕疵點(NG)及人工複檢後判定之真實瑕疵點(NG)為限，在建模訓練人工智慧(AI)單元110時，亦可增加光學檢測裝置100判定之OK資料或是人工複檢後判定之OK資料做為訓練資料，其目的為使得經訓練後的人工智慧(AI)單元110更趨近於人工複檢之結果。
再次看到第4圖，經由類神經網路學習模組1102訓練或是透過建模資料儲存模組1103選取的的資料，再經由運算模組1401計算後，由預測結果顯示模組1402顯示於可供操作人員觀看的地方，例如可呈現於一顯示裝置上，以方便操作人員透過使用者操作模組1403來決定是否開啟啟動單元120，此即為校驗訓練結果130，而操作人員於判斷是否開啟啟動單元120時，可將人工智慧(AI)單元110模擬預測之人工複檢結果和實際經過人工複檢的結果比對，若兩者之比對結果(例如瑕疵點的數量)小於一預設值，則判斷開啟啟動單元120。
再請看到第5圖，其為人工智慧(AI)單元110完成建模訓練後之架構示意圖，此時光學檢測置100判斷出之瑕疵點資料先輸出至人工智慧(AI)單元110預測模擬一人工複檢之結果，再將此預測結果送至人工視覺複檢站300進行真正的人工複檢並剔除瑕疵及復原，透過人工智慧(AI)單元110的預測模擬，可藉此減少需要操作人員複檢之瑕疵點數量，進而減少所需的操作人員。而由於人工智慧(AI)單元110已開啟，此時亦可將自動光學檢測裝置100檢測後判定之瑕疵點(NG)資料及經人工視覺複檢站300判定後之實際瑕疵點(NG)資料傳送至儲存單元150，該儲存單元150可位於運算單元140中；或可以雲端方式進行上傳或下載動作，例如該儲存單元150可雲端放置於設備商場地處；光學檢測裝置100、人工視覺複檢站300可放置於客戶端工廠處，並可進行遠端的數據資料分析。同樣的， 該儲存單元150不僅可儲存NG資料，亦可儲存自動光學檢測裝置100檢測後之OK資料或是經人工複檢後之OK資料，用以進行遠端數據資料分析。
再請看到第6圖，為本發明實施方式之流程圖，首先先將至少一個待測物傳送至自動光學檢測裝置100進行瑕疵檢測，於步驟S100中係將光學檢測裝置100判斷之複數NG結果或影像傳送至顯示裝置；於步驟S200中，操作人員根據前一步驟S100的複數NG結果或影像進行複檢，再挑選出人工複檢後之NG結果或是OK結果；於步驟S300中，係將前述步驟S200經人工複檢挑選出之NG結果及OK結果傳送至人工智慧(AI)單元進行建模訓練；接者步驟S400係判斷人工智慧(AI)單元是否已完成建模訓練，若尚未完成建模訓練則重覆步驟S100~S300，反之則輸出經人工智慧(AI)單元預測模擬之人工複檢結果。
同樣的，在第6圖的步驟S100~步驟S300中，可進一步再增加相應的OK資料做為人工智慧(AI)單元110的訓練資料，例如可再將光學檢測裝置100檢測後之OK資料及人工複檢後之OK資料做為人工智慧(AI)單元110的訓練資料(圖未繪)，藉此使得人工智慧(AI)單元110的模擬預測更趨近人工複檢判讀之結果。
第7圖為本發明案人工智慧(AI)單元110建模之另一實施例之說明，首先光學檢測裝置100先將至少一待測物上之複數影像資料判讀為OK或是NG，接著將該些NG資料傳送至人工視覺複檢站300，由人工複檢再次判斷該些NG資料實際上是否其實為OK的資料(即光學檢測裝置100的誤檢)，亦或是由光學檢測裝置100判斷之NG資料為真實NG資料(即光學檢測裝置100的NG判斷和人工複檢之NG判斷相同)，接著將該些人工複檢判斷之OK及NG資料做為人工智慧(AI)單元110之建模訓練資料，再接著由校驗訓練結果130來判斷人工智慧(AI)單元是否已完成訓練，該校驗訓練結果130的方式例如可為：將人工視覺複檢站 300經人工比對出的NG資料和人工智慧(AI)單元110建模訓練後判定之NG資料進行比對，若兩者的誤差值在一預定範圍內，則判斷人工智慧(AI)單元110已完成訓練。
然而在第7圖中人工智慧(AI)單元110的建模訓練資料並非以人工視覺複檢站300判斷之OK或NG資料為限，必要時可再加入光學檢測裝置100判斷之OK資料(如第7圖中虛線所示)，加入光學檢測裝置100判斷之OK資料做為人工智慧(AI)單元110的訓練資料，其目的在讓訓練後的人工智慧(AI)單元110預測模擬的結果更接近人工視覺複檢站300的判斷結果，差別在於公式(1)中各節點權重或偏權值可能會有所調整變動。
第8圖為人工智慧(AI)單元110已完成建模訓練後之示意圖，首先光學檢測裝置100先將至少一待測物上的複數影像資料判讀為OK或是NG資料，接著將光學檢測裝置100判斷之NG資料傳送至人工智慧(AI)單元110進行人工複檢的模擬預測，第8圖中所示的係將人工智慧(AI)單元110模擬預測的NG結果再次送進人工視覺複檢站300進行人工判讀，必要時亦可將虛線所示之人工智慧(AI)單元110判定的OK結果送進人工視覺複檢測300進行人工再次判讀，以確認是否有人工智慧(AI)單元110誤判成OK的資料。
在第8圖中，經由人工智慧(AI)單元110的先行預測模擬，已可大幅減少人工視覺複檢站300所需投入複檢的人力需求，較佳的甚至可以完全取代人力複檢。
第9圖為本發明案人工智慧(AI)單元110建模完成後之另一實施例，首先光學檢測裝置100先將至少一待測物上的複數影像資料判讀為OK或是NG資料，接著將光學檢測裝100判斷之NG資料傳送至人工智慧(AI)單元110進行 人工複檢的模擬預測並再區分為OK或是NG資料，要注意到的是，人工智慧(AI)單元110在判讀資料時，通常是以一個數值大小或是百分比的型式來判定是OK或NG資料，若OK資料的機率大於50%則判定為OK資料，反之則判定為NG資料。例如下表一中第1列欄位中OK數值為0.65(即65%機率為OK)時，則人工智慧(AI)單元110即判定此為OK資料，當然這代表者也有35%的機率會判錯。若將一實際為NG的資料誤判為OK資料，此為光學檢測設備商最不願意見到的underkill情況(即漏檢了瑕疵)。為避免此情況發生，於軟體設計中可再預設參數(參數範圍為自設並非限制)，例如可將OK機率介於50%~99%之間的影像資料[50~99]判定為「unsure」，只有OK機率介於99%~100%之間的影像資料[99~100]才真正判定為OK資料。
請再同時第9圖及下表一，同樣的若人工智慧(AI)單元110將一實際為OK的資料誤判為NG資料，此亦為我們不願意看到會造成待測物製造商成本增加的overkill情況，為避免此情況發生，於軟體設計中亦可預設參數(參數範圍為自設並非限制)，例如將NG機率介於50%~95%之間的影像資料[50~95]判定為「unsure」，只有NG機率介於95%~100%之間的影像資料[95~100]才真正判定為NG資料。
Figure 107117692-A0101-12-0011-2
在第9圖中虛線部分為可視情況再加入人工智慧複檢流程的部分，例如經人工智慧(AI)單元110判定幾乎確定為OK的資料[99~100]，可選擇性的再傳送至人工視覺複檢站300進行複檢；另外，經人工智慧(AI)單元110判定為「unsure」的資料亦可選擇性的歸類為「unsure」資料或也可直接判定為NG資料。
人工視覺複檢站300主要目的即是以人工方式檢測前述該些「unsure」或是NG的資料，經由訓練好後之人工智慧(AI)單元110先行模擬、分類，已可大幅減少人工視覺複檢站300所需投入的人力，不僅可提高人工複檢的效率，亦可降低待測物製造商所需投入的人事成本。
綜上所述，本發明在上文中已以較佳實施例揭露，然熟習本項技術者應理解的是，該實施例僅用於描繪本發明，而不應解讀為限制本發明之範圍。應注意的是，舉凡與該實施例等效之變化與置換，均應設為涵蓋於本發明之範疇內。
S100~S400‧‧‧步驟

Claims (15)

  1. 一種人工智慧複檢系統，包含：光學檢測裝置，用以拍攝至少一待測物並將判斷出之複數NG結果或影像傳送至顯示裝置；顯示裝置，可顯示光學檢測裝置判斷之複數NG結果或影像，以供操作人員進行人工複檢，並再挑選出人工複檢後之NG結果或是OK結果；人工智慧(AI)單元，其根據人工複檢後之NG結果及OK結果進行建模訓練；及運算單元，其根據人工智慧(AI)單元之建模訓練，運算得出一預測之人工複檢結果。
  2. 如請求項第1項所述之人工智慧複檢系統，該人工智慧(AI)單元之建模訓練資料另包括有光學檢測裝置判斷之複數OK結果或影像、光學檢測裝置判斷之複數NG結果或影像兩者其一或是組合。
  3. 如請求項第1項、第2項所述之人工智慧複檢系統，另包括至少一個儲存單元，用以儲存光學檢測裝置判斷出之複數NG或OK影像資料及操作人員進行人工複檢後之NG或OK結果。
  4. 如請求項第3項所述之人工智慧複檢系統，該至少一個儲存單元可位於運算單元中，或是以雲端方式提供該些影像或結果儲存。
  5. 如請求項第1項、第2項所述之人工智慧複檢系統，該人工智慧(AI)單元另包括一啟動單元，用以讓操作人員決定該人工智慧(AI)單元是否已完成建模訓練，若經人工複檢後之NG結果與人工智慧(AI) 單元建模訓練後預測之NG結果差值小於一預設值，則判定完成建模訓練。
  6. 如請求項第5項所述之人工智慧複檢系統，其另包括一資料庫單元，用以儲存或輸出經建模訓練完成後之人工智慧(AI)單元訓練模組。
  7. 一種人工智慧複檢方法，包含：步驟S100：將光學檢測裝置判斷之複數NG結果或影像傳送至顯示裝置；步驟S200：操作人員根據步驟S100的複數NG結果或影像進行複檢，再挑選出人工複檢後之NG結果或是OK結果；步驟S300：將步驟S200經人工複檢挑選出之NG結果及OK結果傳送至人工智慧(AI)單元進行建模訓練；步驟S400：判斷人工智慧(AI)單元是否已完成建模訓練，若尚未完成建模訓練則重覆步驟S100~S300；若判斷已完成建模訓練則輸出經人工智慧(AI)單元預測之人工複檢結果。
  8. 如請求項第7項所述之人工智慧複檢方法，在步驟S300時，另可將光學檢測裝置判斷之複數OK結果或影像、光學檢測裝置判斷之複數NG結果或影像擇一或組合傳送至人工智慧(AI)單元進行建模訓練。
  9. 如請求項第7項、第8項所述之人工智慧複檢方法，當人工複檢後之NG結果與人工智慧(AI)單元建模訓練後之預測NG結果差值小於一預設值，則於步驟S400中判斷已完成建模訓練。
  10. 如請求項第7項、第8項所述之人工智慧複檢方法，若於步驟S400中判斷尚未完成建模訓練而重覆步驟S100~S300時，則先將光學檢測裝置判斷之複數NG結果或影像傳送至顯示裝置供操作人員進行人工複檢。
  11. 一種人工智慧複檢方法，包括：步驟T100：將光學檢測裝置拍攝之複數影像區分為OK結果或是NG結果；步驟T200：將步驟T100中的NG結果傳送至已建模訓練好的人工智慧(AI)單元，並藉由人工智慧(AI)單元將步驟T100中判定為NG的結果進一步再區分為OK結果或是NG結果；步驟T300：將步驟T200中經人工智慧(AI)單元判定的NG結果傳送至人工視覺複檢站，由操作人員將人工智慧(AI)單元判定的NG結果進一步再區分為OK結果或是NG結果。
  12. 如請求項第11項所述的人工智慧複檢方法，在步驟T300中另將人工智慧(AI)單元區分為OK的結果傳送至人工視覺複檢站，由操作人員再該些結果再進一步區分為OK結果或是NG結果。
  13. 一種人工智慧複檢方法，包括：步驟U100：將光學檢測裝置拍攝之複數影像區分為OK結果或是NG結果；步驟U200：將步驟U100中的NG結果傳送至已建模訓練好的人工智慧(AI)單元，並藉由人工智慧(AI)單元將步驟U100中判定為NG的結果進一步再區分為OK結果或是NG結果或是Unsure結果；步驟U300：將步驟U200中經人工智慧(AI)單元判定的NG結果及Unsure結果傳送至人工視覺複檢站，由操作人員將人工智慧(AI)單元判定的NG結果及Unsure結果進一步再區分為OK結果或是NG結果。
  14. 如請求項第13項所述的人工智慧複檢方法，在步驟U300中另將人工智慧(AI)單元區分為OK的結果傳送至人工視覺複檢站，由操作人員再該些結果再進一步區分為OK結果或是NG結果。
  15. 如請求項第13項所述的人工智慧複檢方法，其中該些Unsure結果的範圍可因需求而做不同設定。
TW107117692A 2018-05-24 2018-05-24 人工智慧複檢系統及其方法 TWI703514B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
TW107117692A TWI703514B (zh) 2018-05-24 2018-05-24 人工智慧複檢系統及其方法
CN201810635724.1A CN109060817B (zh) 2018-05-24 2018-06-20 人工智能复检系统及其方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW107117692A TWI703514B (zh) 2018-05-24 2018-05-24 人工智慧複檢系統及其方法

Publications (2)

Publication Number Publication Date
TW202004574A true TW202004574A (zh) 2020-01-16
TWI703514B TWI703514B (zh) 2020-09-01

Family

ID=64821036

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107117692A TWI703514B (zh) 2018-05-24 2018-05-24 人工智慧複檢系統及其方法

Country Status (2)

Country Link
CN (1) CN109060817B (zh)
TW (1) TWI703514B (zh)

Families Citing this family (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109919925A (zh) * 2019-03-04 2019-06-21 联觉(深圳)科技有限公司 印刷电路板智能检测方法、系统、电子装置及存储介质
CN110579479A (zh) * 2019-08-09 2019-12-17 康代影像科技(苏州)有限公司 一种基于假点缺陷检测的pcb检修系统及检修方法
CN112083002A (zh) * 2020-08-26 2020-12-15 苏州中科全象智能科技有限公司 一种基于人工智能技术的电容外观检测装置及方法
CN112139050B (zh) * 2020-09-08 2021-08-03 佛山读图科技有限公司 一种高速产品传输的协同灯检方法和系统
CN113012097B (zh) * 2021-01-19 2023-12-29 富泰华工业（深圳）有限公司 图像复检方法、计算机装置及存储介质
CN113386131A (zh) * 2021-06-01 2021-09-14 江苏科瑞恩自动化科技有限公司 一种全自动测试搬运系统及其控制方法
CN113567446B (zh) * 2021-07-06 2022-07-19 北京东方国信科技股份有限公司 组件缺陷检测质量分级的方法及系统
CN115100095B (zh) * 2021-12-29 2023-08-22 苏州真目人工智能科技有限公司 一种基于非监督算法的pcb板检测方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0712530A (ja) * 1993-06-24 1995-01-17 Nec Corp はんだ付け検査装置
US5751910A (en) * 1995-05-22 1998-05-12 Eastman Kodak Company Neural network solder paste inspection system
US6850321B1 (en) * 2002-07-09 2005-02-01 Kla-Tencor Technologies Corporation Dual stage defect region identification and defect detection method and apparatus
US7761182B2 (en) * 2005-01-21 2010-07-20 Photon Dynamics, Inc. Automatic defect repair system
US20100194562A1 (en) * 2009-01-30 2010-08-05 Jong-Moon Lee Failure recognition system
CN101915769B (zh) * 2010-06-29 2012-03-28 华南理工大学 一种印刷电路板中带电阻元件的自动光学检测方法
JP5948262B2 (ja) * 2013-01-30 2016-07-06 株式会社日立ハイテクノロジーズ 欠陥観察方法および欠陥観察装置
CN103676868B (zh) * 2013-12-09 2016-06-29 华南理工大学 一种fpc制造关键工序自动监控与智能分析系统
CN104167052B (zh) * 2014-04-30 2017-01-04 昆山古鳌电子机械有限公司 一种纸张类处理装置以及识别方法
CN105425087B (zh) * 2015-11-17 2018-02-16 杭州西力电能表制造有限公司 便于对带针脚的电器元件进行检测的装置及检测控制方法
US9915625B2 (en) * 2016-01-04 2018-03-13 Kla-Tencor Corp. Optical die to database inspection
CN106290378B (zh) * 2016-08-23 2019-03-19 东方晶源微电子科技（北京）有限公司 缺陷分类方法和缺陷检查系统
CN107677679A (zh) * 2017-09-22 2018-02-09 武汉精测电子技术股份有限公司 一种aoi检测中l0画面的缺陷分类方法及装置
CN107991795B (zh) * 2017-11-22 2020-07-10 航天科工智能机器人有限责任公司 利用液晶模组自动光学检测系统检测液晶模组的方法
CN107992900B (zh) * 2017-12-18 2020-09-11 深圳市盛波光电科技有限公司 缺陷检测的样本获取方法、训练方法、装置、介质和设备
TWI655412B (zh) * 2017-12-25 2019-04-01 群光電子股份有限公司 發光源檢測系統與方法

Also Published As

Publication number Publication date
CN109060817B (zh) 2021-03-26
CN109060817A (zh) 2018-12-21
TWI703514B (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
TWI703514B (zh) 人工智慧複檢系統及其方法
EP3502966B1 (en) Data generation apparatus, data generation method, and data generation program
CN109934814B (zh) 表面缺陷侦测系统及其方法
US11449980B2 (en) System and method for combined automatic and manual inspection
TWI667575B (zh) 利用人工智慧的瑕疵檢測系統及其方法
US20240087104A1 (en) Method for monitoring manufacture of assembly units
US11727553B2 (en) Vision analysis and validation system for improved inspection in robotic assembly
KR20190075707A (ko) 딥러닝을 이용한 양품 선별 방법
CN110648305B (zh) 工业图像检测方法、系统与计算机可读记录介质
TWI715051B (zh) 機器學習方法及應用機器學習方法的自動光學檢測設備
TWI683262B (zh) 工業影像檢測方法、系統與電腦可讀取記錄媒體
CN114862832A (zh) 缺陷检测模型的优化方法、装置、设备及存储介质
CN111080633A (zh) 屏缺陷检测方法、装置、终端设备以及存储介质
TWI694250B (zh) 表面缺陷偵測系統及其方法
CN110290203A (zh) 人工智能云计算对制成品进行非侵入性生产缺陷识别与信息连通
JP7440823B2 (ja) 情報処理装置、情報処理方法及びプログラム
KR102174424B1 (ko) 서버 기반 부품 검사방법 및 그를 위한 시스템 및 장치
KR20200006028A (ko) 인쇄 회로 기판 검사 장치, 스크린 프린터의 결함 유형 결정 방법 및 컴퓨터 판독 가능한 기록 매체
JP2022088713A (ja) 物品の組立工程における検査システム
KR20230110522A (ko) 탑재 신경망 훈련으로 육안 검사를 위한 인공 지능 카메라
US20230316499A1 (en) Autonomous penetrant testing
US20210055235A1 (en) Method to Automatically Inspect Parts Using X-Rays
CN116167979A (zh) 人工智能瑕疵检测系统及其方法
WO2023186432A1 (en) Inspection of printed circuit board assemblies
CN114820412A (zh) 自动检测系统及其操作方法