TW202014985A - 缺陷檢測裝置及方法 - Google Patents
缺陷檢測裝置及方法 Download PDFInfo
- Publication number
- TW202014985A TW202014985A TW108122230A TW108122230A TW202014985A TW 202014985 A TW202014985 A TW 202014985A TW 108122230 A TW108122230 A TW 108122230A TW 108122230 A TW108122230 A TW 108122230A TW 202014985 A TW202014985 A TW 202014985A
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- defect
- defect detection
- learning
- captured images
- Prior art date
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
- G06T7/001—Industrial image inspection using an image reference approach
-
- 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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
- G01N21/956—Inspecting patterns on the surface of objects
- G01N21/95607—Inspecting patterns on the surface of objects using a comparative method
-
- 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
- G06T2207/20112—Image segmentation details
- G06T2207/20132—Image cropping
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本發明提出缺陷檢測裝置及方法,根據一實施例,缺陷檢測裝置包含:儲存部,儲存預定的一個標準影像以及拍攝檢驗對象獲得的至少一個拍攝影像;以及控制部,運算標準影像以及各拍攝影像的差異,產生對應各個拍攝影像的差分影像,將標準影像、各拍攝影像以及各差分影像合成,產生對應各拍攝影像的至少一個彩色影像,利用產生的彩色影像實施缺陷檢測模型的學習或缺陷檢測中至少一個。
Description
本發明說明書中公開的多個實施例涉及缺陷檢測裝置及方法,具體是,利用檢驗對象的拍攝影像檢測對象中包含的缺陷時,利用可提升缺陷檢測性能的影像處理方法進行缺陷訓練以及實施檢測的缺陷檢測裝置及方法。
對品質統一的量産産品的不良與否進行檢測的方式有多種。如包裝紙或標簽紙等印刷品或印刷電路板或已組裝完的電路等電子産品生産製程上的中間或最終生産産品等,對實際樣子或形狀相同的生産産品積極應用影像分析技術,以减少檢測不良所需的時間以及勞力的同時提升檢測品質。
目前是利用人工智慧的影像分析技術檢測産品不良,從而獲得降低誤檢或過檢率等的技術成果。
如上所述,利用人工智慧的影像分析技術檢測産品缺陷的通常方法是,利用充分數量的正常及/或不良産品的影像學習判定缺陷所需的模型以後,利用學習模型判定檢驗對象的影像正常或不良與否。但利用現有的這種缺陷訓練以及檢測方式無法將各種缺陷全部識別出來,進而導致整體缺陷檢測性能不良的問題。
例如,根據現有的印刷電路板的缺陷檢測方法,如第1圖所示利用將生産的印刷電路板拍攝獲取的拍攝影像10學習模型,標記有缺陷11的位置,對有缺陷的區域以及背景區域進行訓練,進而缺陷檢測模型學習無缺陷的背景區域以及有缺陷的區域,之後輸入檢驗對象的拍攝影像時,可以輸出該拍攝影像包含缺陷與否。
但這種現有對印刷電路板的缺陷檢測方法是,對斷開(OPEN;電路模式應連接著的區域連接斷開而發生的缺陷)或短路(SHORT;不應該相互連接的電路模式相互連接而發生的缺陷)等結構的缺陷檢出率不高,應該有孔(HOLE)的位置漏孔的缺陷或電路模式以及模式之間的間隔保持得不充分而發生的空間(SPACE)未達缺陷等無法檢測不到。
利用人工智慧的影像分析技術檢測産品缺陷的另一種方法是,利用充分數量的正常及/或不良産品的拍攝影像以及預先設定的標準影像產生差分(Difference)影像,利用差分影像使模型學習以後,利用學習的模型判定檢驗對象的影像正常或不良與否。但即便藉由這樣的方式,結構缺陷的檢測率仍然未能得到充分提升,因差分影像的一部分區域顔色或亮度與背景或邊緣部分相似而缺陷檢測率降低。
相關的習知技術文獻即韓國注册專利第10-1128322號涉及印刷電路板的光學檢驗裝置及方法,對於將標準PCB模式影像以及拍攝PCB模式影像比較判定不良與否的技術進行敘述。但習知技術僅僅是將標準影像以及拍攝的影像亮度模式與數值比較後判定正常或不良與否,難以檢測出細小的缺陷,也不能辨別缺陷的種類或正確位置。因此需要一種可以解决上述問題的技術。
上述背景技術是發明人爲了獲得本發明而擁有或者在獲得本發明的過程中掌握的技術訊息,並非是申請本發明之間已向普通公衆公開的習知技術。
技術問題
本說明書中公開的實施例的目的在於提供一種缺陷檢測裝置及方法。
本說明書中公開的實施例的目的在於利用3通道的彩色影像提升檢驗對象的缺陷檢測性能。
本說明書中公開的實施例的目的在於藉由對檢測出的缺陷類型的學習,判定缺陷的類型。
本發明中公開的實施例的目的在於,利用根據缺陷位置分別學習的缺陷檢測模型而提升缺陷檢測以及分類的準確性。
技術方案
爲解决所述問題,本發明所採用的技術方案是,根據一實施例作爲檢測檢驗對象缺陷的裝置,包含:儲存部,儲存預定的一個標準影像以及拍攝檢驗對象獲得的至少一個拍攝影像;以及控制部,運算所述標準影像以及各拍攝影像的差異,產生對應各拍攝影像的差分影像,將所述標準影像、各拍攝影像以及各差分影像合成,產生對應各拍攝影像的至少一個彩色影像,利用產生的彩色影像實施缺陷檢測模型的學習或缺陷檢測中至少一個。
爲解决所述技術問題,本發明所採用的技術方案是,根據一實施例作爲藉由缺陷檢測裝置實施的檢測檢驗對象缺陷的方法,包含:獲得拍攝檢驗對象產生的至少一個拍攝影像的步驟;利用各拍攝影像以及預定的一個標準影像之間的差異產生對應各個拍攝影像的差分影像的步驟;將所述標準影像、各個拍攝影像以及各個差分影像合成而產生對應各個拍攝影像的至少一個彩色影像的步驟;以及利用產生的彩色影像實施缺陷檢測模型的學習或缺陷檢測中至少一個的步驟。
進一步爲解决所述技術問題,本發明所採用的技術方案是,根據另一實施例,記錄實施缺陷檢測方法的程式的電腦可讀記錄媒體中所述缺陷檢測方法包含:獲得拍攝檢驗對象產生的至少一個拍攝影像的步驟;利用各拍攝影像以及預定的一個標準影像之間的差異產生對應各個拍攝影像的差分影像的步驟;將所述標準影像、各個拍攝影像以及各個差分影像合成而產生對應各個拍攝影像的至少一個彩色影像的步驟;以及利用產生的彩色影像實施缺陷檢測模型的學習或缺陷檢測中至少一個的步驟。
爲解决所述技術問題,本發明所採用的技術方案是,根據另一實施例,藉由缺陷檢測裝置實施並爲實施缺陷檢測方法而儲存在媒體中的電腦程式中,所述缺陷檢測方法包含:獲得拍攝檢驗對象產生的至少一個拍攝影像的步驟;利用各拍攝影像以及預定的一個標準影像之間的差異產生對應各個拍攝影像的差分影像的步驟;將所述標準影像、各個拍攝影像以及各個差分影像合成而產生對應各個拍攝影像的至少一個彩色影像的步驟;以及利用產生的彩色影像實施缺陷檢測模型的學習或缺陷檢測中至少一個的步驟。
有益效果
根據上述的技術方案之一,可以提出缺陷檢測裝置以及方法。
根據上述的技術方案之一,利用3通道彩色影像而提升檢驗對象的缺陷檢測性能。
根據上述的技術方案一,可以提供學習檢測的缺陷類型而判定缺陷類型的缺陷檢測裝置及方法。
根據上述的技術方案之一,利用根據缺陷位置分別學習的缺陷檢測模型而提升缺陷檢測及分類的準確性。
藉由公開實施例可獲得的效果並不限於以上效果,根據以下記載本領域具有通常知識者可以清楚地瞭解到未涉及的其它效果。
下面將結合附圖詳細描述各種實施例。以下說明的實施例是也可以修改成其它不同形態實現。爲了更加明確說明,對於以下實施例所屬技術領域的具有通常知識者已廣泛知曉的內容不再詳細說明。圖中省略與實施例說明無關的部分,對說明書中類似的部分使用了類似的圖號。
說明書中描述某個元件「連接」於其它元件是,不僅表示直接連接,中間還會存在其它元件。說明書中描述某個構成「包含」某個元件時,在沒有特別相反的描述的前提下,並不是指排除其它元件,而是說明還可以包含其它元件。
下面結合附圖詳述多個實施例。
說明之前先定義下面使用的用語。
「拍攝影像」是將檢驗對象直接拍攝獲得的影像。以下以印刷電路板作爲「檢驗對象」進行說明,但只要是如電子産品的中間或最終産物或包裝紙或標簽紙等印刷品等,生産時已具有預定的一定模式的産品皆可。拍攝影像並不限於簡單的利用可見光拍攝的影像,也可以是根據檢測對象的種類或性質利用X射線或紅外線等各種光學拍攝方式獲得的影像。
「標準影像」是繪示檢驗對象需具備的理想模式的影像,是各個檢驗對象拍攝影像的實際標準,任何檢驗對象的拍攝影像與標準影像一起用來產生後述的差分影像。
「差分影像」是利用上述的拍攝影像以及標準影像產生的影像,利用拍攝影像以及標準影像之差運算。例如,對於二元影像,差分影像可以僅藉由兩個影像的各像素值之差來產生,對於非二元影像,可以直接利用各像素值之差或者利用與閾值比較的結果獲得。在此像素值是影像中包含的各像素的亮度值,可以具有8位元值即0至255中一個值。差分影像不僅可以藉由上述的簡單减法運算獲得,也可以按需給拍攝影像或標準影像的值賦予加權值,或者將各像素值之差利用兩個以上的閾值轉換成多個級別值而獲得。如上所述,一實施例中,差分影像只要是可以適當彌補運算方式中檢驗對象種類或性質的,藉由任何運算方式的皆可。進一步爲了獲得差分影像,可以經過至少對拍攝影像以及標準影像之一的預處理過程。
拍攝影像爲多個時,差分影像會產生與各拍攝影像對應的數量。
下面「彩色影像」是將拍攝影像、標準影像以及差分影像分別作爲彩色通道的影像。爲了形成彩色影像,形成各影像通道的拍攝影像、標準影像以及差分影像可以分別以8位元灰度影像形成。爲此,根據需求,後述的缺陷檢測裝置是拍攝影像、標準影像以及差分影像不是8位元灰度影像時,可以轉換成8位元灰度影像。此時8位元灰度影像是指各像素值具有8位元的值即0至255中一個亮度值的1通道影像。就是說,沒有彩色通道,是以具有0至255中一個亮度值的像素構成的影像。
另外彩色影像可以以將由上述的8位元灰度影像形成的拍攝影像、標準影像以及差分影像分別作爲不同彩色通道的3通道24位元影像形成。例如,標準影像可以形成紅色(RED)通道、拍攝影像可以形成綠色(GREEN)通道,差分影像可以形成藍色(BLUE)通道,各通道的各像素值可以顯示彩色影像各像素的相應顔色的亮度值。此時拍攝影像是多個,故彩色影像可以與各個拍攝影像以及差分影像對應地產生。
此時彩色影像用於一實施例的缺陷檢測裝置以及方法中缺陷檢測模型的學習。此外利用檢測對象的拍攝影像最終產生的彩色影像還可以用於利用學習的缺陷檢測模型檢測實際檢驗對象所具有缺陷。
除了以上定義的用語之外其它需要說明的用語是在下面分別進行說明。
第2圖是說明一實施例的缺陷檢測裝置的結構的框圖。
缺陷檢測裝置100是用於檢測檢驗對象缺陷所需學習以及利用學習的模型檢測缺陷的裝置。
所述缺陷檢測裝置100可以由電子終端實現或者伺服器-客戶端系統(或雲端系統)實現,所述系統可以包含安裝與使用者的交互所需的網上服務應用程式的電子終端。
該電子終端10是可以以藉由網絡(N)連接遠程伺服器,或者可與其它終端以及伺服器連接的電腦,或攜帶型終端、電視機、可穿戴設備(Wearable Device)等實現。在此電腦例如包含裝載網絡瀏覽器(WEB Browser)的筆記本電腦、桌上型電腦(desktop)、攜帶型電腦(laptop)等,攜帶型終端是如可以保證攜帶性以及移動性的無線通訊裝置,可以包含PCS(Personal Communication System)、PDC(Personal Digital Cellular)、PHS(Personal Handyphone System)、PDA(Personal Digital Assistant)、GSM(Global System for Mobile communications)、IMT(International Mobile Telecommunication)-2000、CDMA(Code Division Multiple Access)-2000、W-CDMA(W-Code Division Multiple Access)、Wibro(Wireless Broadband Internet)、智慧手機(Smart Phone)、移動WiMAX(Mobile Worldwide Interoperability for Microwave Access)等所有種類的基於手持式(Handheld)的無線通訊裝置。電視機是可以包含IPTV(Internet Protocol Television)、網絡TV(Internet Television)、無線電視、有線電視等。進一步可穿戴設備是如錶、眼鏡、飾品、服裝、鞋等人體可以直接穿戴的訊息處理裝置,直接或藉由其它訊息處理裝置經過網絡連接到遠程伺服器或連接其它終端。
一實施例的缺陷檢測裝置100包含輸入輸出部110、儲存部120、通訊部130以及控制部140中至少一部分。
輸入輸出部110可以包含用來獲得檢測檢驗對象缺陷所需的學習過程或缺陷檢測過程中需求的使用者輸入或者被選擇所需文件而需要的輸入部以及用來顯示操作執行結果或缺陷檢測裝置100狀態等訊息的輸出部。例如,輸入輸出部110可以包含接收使用者輸入的操作面板(operation panel)以及顯示畫面的顯示面板(display panel)等。
具體是,輸入部可以包含如鍵盤、物理按鈕、觸控螢幕、攝影機或麥克風等各種形態的接收使用者輸入的裝置。輸出部可以包含顯示面板或喇叭等。但並不限於此,輸入輸出部110可以包含各種支援輸入輸出的結構。
缺陷檢測裝置100可以包含儲存部120。儲存部120可以暫存學習缺陷檢測模型所需的多個拍攝影像以及標準影像,至少可以暫存利用這些產生的差分影像。進一步,至少可以暫存拍攝影像以及標準影像以及利用差分影像獲得的彩色影像。儲存部120利用彩色影像學習缺陷檢測模型的過程中,將已學習的模型在每次被執行學習時更新儲存。儲存部120可以將各缺陷檢測模型分別區分成獨立的檢測文件儲存。
儲存部120儲存的彩色影像中會標記出缺陷位置,用以學習過程。
缺陷檢測裝置100還可以包含通訊部130。
通訊部130可以與其它裝置或網絡實施有無線通訊。爲此,通訊部130可以包含支援各種有無線通訊方法中至少一個的通訊模組。例如,通訊模組可以以晶片組(chipset)的形態實現。
通訊部130支援的無線通訊例如是Wi-Fi(Wireless Fidelity)、Wi-Fi Direct、藍牙(Bluetooth)、UWB(Ultra Wide Band)或者NFC(Near Field Communication)等。通訊部130支援的有線通訊例如是USB或者HDMI(High Definition Multimedia Interface)等。
尤其通訊部130可以與拍攝裝置200通訊從拍攝裝置200接收拍攝影像。此時拍攝裝置200例如是具備攝影機等光學儀器的裝置。此時拍攝裝置200可以是只可拍攝可見光光譜內波長的光的裝置,也可以是可以拍攝紅外線或X射線等其它波長的光的裝置。
控制部140控制缺陷檢測裝置100的整體動作,可以包含CPU等處理器。控制部140例如爲了執行與藉由輸入輸出部110接收的使用者輸入對應的動作,可以控制缺陷檢測裝置100中包含的其它結構。
例如,控制部140可以使儲存部120中儲存的程式運行,或者讀取儲存於儲存部120的文件,或者將新檔案存到儲存部120。
根據本說明書中記載的一實施例,控制部140可以獲得拍攝影像。拍攝影像如上所述是拍攝檢驗對象獲得的影像,是藉由上述的拍攝裝置200產生並傳遞到缺陷檢測裝置100的。此時拍攝影像可以包含將多個檢驗對象分別拍攝的多個影像。
控制部140如第3圖所示,可以利用標準影像a以及各個拍攝影像b產生對應各個拍攝影像的差分影像c。在此差分影像c如上所述,是由控制部140利用拍攝影像b以及標準影像a之差運算而算出。
例如,標準影像a可以在儲存部120預先儲存爲8位元的灰度影像,控制部140可以將各個拍攝影像b轉換成8位元的灰度影像。控制部140從標準影像a的各個像素值中减掉各個拍攝影像b的各像素值,將以算出的各值作爲像素值的8位元灰度影像產生爲差分影像c。
控制部140藉由减法運算以上的追加運算,例如實施對標準影像a或拍攝影像b的像素值賦予已設定的加權值,或者將用减法運算算出的值與一個以上的閾值比較將各像素值與多個已設定的級別值對應等運算而產生差分影像c。
進而控制部140如第4圖所示,可以利用經過上述過程產生的標準影像a、各個拍攝影像b以及對應各拍攝影像b的差分影像c獲得彩色影像d。此時彩色影像d也可以按與各拍攝影像b對應的數量產生。
具體是,控制部140可以產生將標準影像a、各拍攝影像b以及對應各個拍攝影像b的差分影像c作爲彩色通道的3通道的彩色影像d。此時各個拍攝影像b、標準影像a以及對應各個拍攝影像的差分影像c如上所述,可以以8位元的灰度影像形成,其中一部分不符合8位元的灰度影像時,控制部140轉換成8位元灰度影像進行彩色影像d的產生準備。
然後控制部140產生將各個8位元灰度影像分別作爲紅、綠、藍通道的3通道24位元彩色影像d。進而產生的彩色影像d可以成爲將各拍攝影像b、標準影像a以及對應各拍攝影像b的差分影像c的各像素值作爲彩色影像d各像素的紅、綠、藍色亮度值的影像。根據實施例,包含標準影像a、各拍攝影像b以及對應各拍攝影像b的差分影像c的三個影像可以以與上述的紅、綠、藍不同順序分別形成相互不同的彩色通道。
控制部140利用如上所述產生的一個以上的彩色影像d實施缺陷檢測模型的學習。此時控制部140首先爲了能從彩色影像d中一次性檢測缺陷可疑位置,實施缺陷檢測模型的學習。
此時控制部140爲實施缺陷檢測模型的學習而利用的學習對象彩色影像d可以分別被標記有缺陷的缺陷位置。爲此,缺陷檢測裝置100可以將學習對象即各個彩色影像d中包含的缺陷位置訊息從使用者藉由輸入輸出部110輸入而接收,或者藉由其它裝置藉由通訊部130接收已標記缺陷位置的彩色影像d。
控制部140可以實施學習標記缺陷位置的學習對象彩色影像d而一次性辨別可疑缺陷位置的學習。具體是,控制部140可以實施用於辨別缺陷可疑位置的缺陷檢測模型的學習,例如,控制部140可以利用機器技術進一步例如利用深度學習技術實施由人工神經網路構成的缺陷檢測模型的學習。控制部140將3通道24位元的彩色影像d的各像素值作爲輸入變量,藉由將缺陷可疑位置的訊息作爲結果值求出缺陷檢測模型常數值的過程實施缺陷檢測模型的學習。
進而缺陷檢測模型是可在彩色影像d中找到缺陷可疑位置地被學習。
此時藉由控制部140學習的缺陷檢測模型可以具有如根據RGB值限定在特定範圍內的相鄰像素形成的樣子、面積、與周邊像素值的相對關係等檢測缺陷可疑位置的特性。例如,第4圖中繪示的例示中,將彩色影像d中包含的黃色點分別標記爲缺陷位置以後,利用這些影像實施缺陷檢測模型的學習。此時黃色點例如可以顯示印刷電路板中漏孔缺陷,缺陷檢測模型是藉由學習可以學習這些漏孔缺陷的共同顔色、大小、樣子、位置特性等。進一步,除了漏孔缺陷之外,學習包含其它類型缺陷的多個彩色影像d時,缺陷檢測模型學習到各種類型的缺陷而檢測出缺陷可疑位置。
控制部140利用以缺陷可疑位置爲中心將一定區域裁剪製作的裁剪影像追加實施缺陷檢測模型的學習。
例如,如第5圖所示,控制部140可以將彩色影像d的一定區域裁剪後產生裁剪圖片e。此時裁剪影像e例如是以缺陷可疑位置爲中心的已設定大小的區域影像。
控制部140從包含缺陷的學習對象彩色影像d中以缺陷位置爲中心獲得裁剪影像e以後,利用該裁剪影像e實施缺陷檢測模型的學習。此時裁剪影像e上可以標出缺陷與否及/或缺陷類型。具體是,如第5圖所示,該裁剪影像e的缺陷爲過檢的非缺陷時,使使用者選擇「0.通過」,是缺陷則根據該缺陷類型選擇「1. RC」、「2. 凸塊」、「 3. 短路」等多個缺陷類型選擇按鈕(CLS)中的一個,使裁剪影像e的缺陷與否或缺陷類型被標記。利用如上所述被標記缺陷與否或缺陷類型的裁剪影像e可以進一步實施缺陷檢測模型的學習。
進而缺陷檢測模型不僅學習得可以更準確地判定缺陷與否,還可以辨別缺陷類型。
第5圖中繪示的例中,裁剪影像e中包含的缺陷是漏孔缺陷,故使用者可以選擇「9.漏孔」按鈕,進而控制部140將該裁剪影像e標記成漏孔而實施缺陷檢測模型的學習。
此時爲檢測缺陷可疑位置而學習彩色影像的缺陷檢測模型以及爲檢測缺陷與否及/或缺陷類型而學習裁剪影像的缺陷檢測模型是可以分別以不同的檢測模型構成。
根據一實施例的缺陷檢測裝置100可以根據缺陷可疑位置具有不同標準地實施缺陷檢測模型的學習。例如,檢測印刷電路板的缺陷時,對於印刷電路板的外廓容許某種程度的缺陷,但對電路區域按嚴格標準辨別缺陷。
控制部140根據對應彩色影像d的印刷電路板的實際結構,將彩色影像d分成多個區域。例如,將彩色影像d區域預先分成外廓、網目(Mesh)、電路、壓焊、焊墊等多個區域以後,可以辨別檢測的缺陷可疑位置對應哪個區域。此時控制部140爲了按區分的各區域將缺陷檢測標準不同地設置,可以按區域分別實施相互不同的檢測模型的學習,各區域的不同檢測模型是以相互不同的檢測檔案形態存到儲存部120。
控制部140利用缺陷可疑位置的裁剪影像e實施與將該缺陷可疑位置包含的區域對應的缺陷檢測模型的學習。
由此根據包含缺陷可疑位置的區域對應哪個區域學習不同的缺陷檢測模型,因此可以根據缺陷可疑位置設置不同的檢測標準。
另外,控制部140利用如上所述學習的缺陷檢測模型實施缺陷檢測。爲此缺陷檢測裝置100可以獲得爲了辨別實際缺陷與否而拍攝對象的拍攝影像b。缺陷檢測裝置100重新如第3圖所示,利用所獲得的拍攝影像b以及標準影像a的差異,產生差分影像c。
缺陷檢測裝置100如第4圖所示,可以產生將拍攝影像b、各標準影像a以及差分影像c作爲RGB通道的3通道24位元的彩色影像d。
然後控制部140利用已學習的缺陷檢測模型辨別彩色影像d中包含的缺陷與否以及缺陷類型。此時控制部140首先可從彩色影像d中提取缺陷可疑位置。爲了檢測缺陷可疑位置,可以利用學習彩色影像的缺陷檢測模型。
然後控制部140檢測到缺陷檢測位置時,以該缺陷檢測位置爲中心獲得差分影像e。此外控制部140利用缺陷檢測模型辨別差分影像e的缺陷與否及/或缺陷類型。此時爲了辨別缺陷與否及/或缺陷類型,可以利用學習差分影像的缺陷檢測模型。
進一步,根據包含缺陷可疑位置的區域分別學習的多個檢測模型作爲各個檢測檔案被分別儲存時,控制部140利用與檢測的缺陷可疑位置對應的檢測模型讀取差分影像e。
隨之正確辨別有無缺陷或缺陷類型,根據位置上的相對標準精細分類檢測對象有無缺陷。
第6圖及第7圖是說明一實施例的缺陷檢測方法的順序圖。
第6圖及第7圖中繪示的實施例的缺陷檢測方法包含第1圖或第2圖中繪示的缺陷檢測裝置100中按時序列處理的步驟。下面即便是省略的內容,但以上關於第1圖或第2圖中繪示的缺陷檢測裝置100敘述的內容也可以適用到第6圖及第7圖中繪示的實施例的缺陷檢測方法。
如第6圖所示,一實施列的缺陷檢測方法中缺陷檢測裝置100可以獲得直接拍攝檢驗對象而獲取的拍攝影像。缺陷檢測裝置100直接包含拍攝手段而獲得拍攝影像,或者從包含拍攝手段的其它拍攝裝置200接收拍攝影像(步驟S610)。
缺陷檢測裝置100算出標準影像以及拍攝影像的差異而獲得差分影像(步驟S620)。
然後缺陷檢測裝置100將標準影像以及各個拍攝影像以及對應各拍攝影像的差分影像分別轉換成8位元灰度影像(步驟S630)。標準影像、拍攝影像、差分影像中至少一部分已產生或轉換成8位元灰度影像時,對於該影像可以不實施轉換程式。例如,標準影像可能已儲存爲8位元灰度影像,拍攝影像也是在拍攝裝置200中已轉換成8位元灰度影像被傳遞。
進一步標準影像以及拍攝影像已經是8位元灰度影像的狀態下進行運算,進而差分影像也可以產生爲8位元灰度影像。
然後缺陷檢測裝置100可以產生將各個灰度影像作爲紅、綠、藍通道的3通道24位元的彩色影像(步驟S640)。例如,拍攝影像可以形成彩色影像紅色通道,標準影像可以形成綠色通道,差分影像可以形成藍色通道,進而彩色影像可以形成對於各像素均具備紅、綠、藍亮度值的影像。
缺陷檢測裝置100利用如此產生的彩色影像實施缺陷檢測模型的學習,或者對已學習的缺陷檢測模型輸入該彩色影像而檢測缺陷與否(步驟S650)。
如上所述,以利用紅、綠、藍3通道的彩色影像判定缺陷與否而藉由灰度影像判定缺陷與否,缺陷以及背景之間的亮度差不大,因此解决無法正確讀取的問題。
另一方面,在上述的缺陷檢測方法中,作爲可以進一步提升缺陷檢測性能的具體學習或缺陷檢測方法,根據其它實施例的缺陷檢測方法中缺陷檢測裝置100首先可以確認彩色影像中缺陷可疑位置(步驟S710)。爲此各個學習對象彩色影像中已標記缺陷可疑位置,可以利用彩色影像使缺陷檢測模型檢測出缺陷可疑位置地學習。
缺陷檢測裝置100可以獲得對應缺陷可疑位置的裁剪影像(步驟S720)。實施缺陷檢測模型的學習時,裁剪影像可以被設定爲在彩色影像中被使用者選擇的區域。或者利用預先可檢測缺陷可疑位置地學習的缺陷檢測模型先檢測出缺陷可疑位置以後,以缺陷可疑位置爲中心獲得裁剪影像。
隨之缺陷檢測裝置100利用獲得的裁剪影像學習缺陷與否或類型,或者檢測出缺陷。
爲此根據實施例,缺陷檢測裝置100可以選擇對應缺陷位置的檢測文件(步驟S730)。按區域利用不同的檢測模型時,缺陷檢測裝置100調出與缺陷位置所屬區域對應的檢測模型被儲存的檢測檔案,利用調出的檢測檔案的檢測模型學習裁剪影像或者分析裁剪影像而判定缺陷(步驟S740)。
實施缺陷檢測模型的學習時,缺陷檢測裝置100利用對應缺陷可疑位置的檢測模型學習對應缺陷可疑位置的裁剪影像。此時各裁剪對象中可以標記缺陷與否及/或缺陷類型,基此於,與該缺陷可疑位置對應的檢測模型可以學習缺陷與否或類型。
利用缺陷檢測模型判定檢驗對象的缺陷時,缺陷檢測裝置100調出對應缺陷可疑位置的檢測檔案判定缺陷與否,並將以缺陷可疑位置爲中心獲得的裁剪影像輸入到缺陷檢測模型而判定缺陷與否或缺陷類型。
如上所述,缺陷檢測裝置100可以利用彩色影像實施檢測缺陷可疑位置的學習,利用以缺陷可疑位置爲中心獲得的裁剪影像實施學習具體缺陷與否或類型的兩步驟學習。檢測缺陷時,缺陷檢測裝置100也可以實施先利用彩色影像提取缺陷可疑位置以後,以提取的缺陷可疑位置爲中心獲得裁剪影像後判定具體缺陷與否或類型的兩步驟檢測過程。
進一步,缺陷檢測裝置100實施根據缺陷位置不 同的檢測模型的學習,進而根據印刷電路板等檢驗對象的特性,對每個缺陷可疑位置建立不同的判定標準,用此靈活且合理地實施缺陷檢測。
以上實施例中使用的所謂「~部」的用語是指軟體或FPGA(field programmable gate array)或者ASIC等硬體構成要素,「~部」執行某種角色。但「~部」的意義並不限於軟體或硬體。「~部」可以在可處理的儲存媒體上配置,也可以使一個或其以上的多個處理器再生地配置。作爲一例,「~部」包含軟體構成要素、面向對象軟體構成要素、類構成要素以及任務構成要素等多個構成要素、多個處理器、多個函數、多個屬性、多個程式、多個子程式、程式專利代碼的多個段、多個驅動器、韌體、微指令、電路、資料、資料庫、多個資料結構、多個表格、多個陣列及多個變量。
多個構成要素以及多個「~部」中提供的功能是,可與更少數的構成要素以及多個「~部」結合,或者與追加的多個構成要素以及「~部」分離。
不僅如此,多個構成要素以及多個「~部」是可以使設備或安全多媒體卡內的一個或其以上的多個CPU再生地實現。
根據第6圖及第7圖說明的實施例的缺陷檢測方法是可以以儲存可在電腦上運行的命令的資料並且可以用電腦讀取的媒體形態實現。命令以及資料可以儲存爲程式碼形態,藉由處理器處理時產生既定的程度模組而執行既定的運行。電腦可讀媒體是電腦可以訪問的任意可用媒體,包含揮發性以及非揮發性媒體、分離型以及非分離型媒體。電腦可讀媒體可以包含電腦記錄媒體。電腦記錄媒體包含電腦可讀命令、資料結構、程式模組或者其它以資料等訊息儲存爲目的的任意方法或技術實現的揮發性以及非揮發性、分離型以及非分離型媒體。例如,電腦記錄媒體可能是HDD以及SSD等磁性儲存媒體,CD、DVD以及藍光光碟等光學記錄媒體,或者藉由網絡可以訪問的伺服器中包含的儲存器。
藉由第6圖及第7圖說明的實施例的缺陷檢測方法可以藉由包含可用電腦運行的命令的電腦程式(或者電腦程式産品)實現。電腦程式包含藉由處理器處理的可編程的命令,可以用高級編程語言(High-level Programming Language)、面向對象編程語言(Object-oriented Programming Language)、匯編語言或機械語言等實現。電腦程式可以記錄在電腦可讀記錄媒體(例如儲存器、硬碟、磁/光媒體或SSD(Solid-State Drive))上。
進而藉由第6圖及第7圖說明的實施例的缺陷檢測方法可以藉由如上所述的電腦程式在計算設備上運行而實現。計算設備包含處理器、儲存器、儲存裝置、與儲存器以及高速擴充埠連接的高速連接埠、與低速匯流排以及儲存裝置連接的低速連接埠中的至少一部分。所述成分分別利用各種匯流排相互連接,可以安裝在通用主機板或者用其它適當方式裝配。
處理器可在計算設備內處理命令,所述命令例如是,如連接高速連接埠上的顯示器,爲了顯示在外部輸入輸出設備上提供GUI(Graphic User Interface)所需的圖形訊息而儲存在儲存器或儲存裝置上的命令。另一實施例是,多個處理器及(或者)多個總線可以適當地與多個儲存器以及儲存形態一起被使用。處理器可以用由包含獨立的多個模擬及(或)數字處理器的多個晶片組成的晶片組實現。
儲存器是在計算設備內儲存訊息。一例是,儲存器可以由揮發性儲存單元或其集合組成。另一例是,儲存器可以由非揮發性儲存單元或其集合組成。儲存器也可以是磁碟或光碟等其它形態的電腦可讀媒體。
儲存裝置可以給計算設備提供大容量儲存空間。儲存裝置可以是電腦可讀媒體,或者包含這些媒體組成。例如,可以包含SAN(Storage Area Network)內的多個裝置或其它組件,可以是硬碟驅動器、硬碟裝置、光碟裝置或磁帶裝置、快閃、與其類似的其它半導體儲存設備或設備陣列。
以上實施例僅用以說明本發明的技術方案,而非對其限制;儘管參照前述實施例對本發明進行了詳細的說明,本領域的具有通常知識者應當理解:其依然可以對前述各實施例所述的技術方案進行修改,而這些修改,並不使相應技術方案的本質脫離本發明各實施例所述技術方案的範圍。例如,描述單一型的各個構成要素可以分散實施,同樣描述爲分散的構成要素也可以以結合形態實現。
本發明的專利範圍應根據下述的發明申請專利範圍進行解釋,而且在其同等範圍內的任何變更或修改等應都屬本發明的專利範圍。
a:標準影像
b、10:拍攝影像
c:差分影像
CLS:缺陷類型選擇按鈕
d:彩色影像
e:裁剪影像
S610、S620、S630、S640、S650、S710、S720、S730、S740:缺陷檢測方法步驟
11:缺陷
100:缺陷檢測裝置
110:輸入輸出部
120:儲存部
130:通訊部
140:控制部
200:拍攝裝置
第1圖是繪示標記缺陷位置的印刷電路板的拍攝影像一例的例示圖;
第2圖是說明一實施例的缺陷檢測裝置結構的框圖;
第3圖是繪示一實施例的缺陷檢測裝置中用於缺陷檢測的基準影像、拍攝影像以及差分影像的一例的例示圖;
第4圖是繪示一實施例的檢測裝置中利用基準影像以及拍攝影像以及差分影像產生的彩色影像的一例的例示圖;
第5圖是說明一實施例的對缺陷檢測裝置中檢測的缺陷類型進行學習的過程的例示圖;
第6圖及第7圖是繪示一實施例的缺陷檢測方法的步驟流程圖。
100:缺陷檢測裝置
110:輸入輸出部
120:儲存部
130:通訊部
140:控制部
200:拍攝裝置
Claims (14)
- 一種缺陷檢測裝置,係作爲檢測檢驗對象的缺陷的裝置,其包含: 一儲存部,儲存預定的一個標準影像以及拍攝檢驗對象獲得的至少一個拍攝影像;以及 一控制部,運算該標準影像以及各該拍攝影像的差異,產生對應各該拍攝影像的一差分影像,將該標準影像、各該拍攝影像以及各該差分影像合成,產生對應各該拍攝影像的至少一個彩色影像,利用產生的該彩色影像實施缺陷檢測模型的學習或缺陷檢測中至少一個。
- 如申請專利範圍第1項所述的缺陷檢測裝置,其中該控制部將該標準影像、各該拍攝影像、以及對應各該拍攝影像產生的該差分影像形成爲8位元灰度影像。
- 如申請專利範圍第2項所述的缺陷檢測裝置,其中該控制部產生將以8位元灰度影像形成的該標準影像、各該拍攝影像以及對應各該拍攝影像產生的該差分影像作爲相互不同的3個彩色通道的3通道24位元彩色影像。
- 如申請專利範圍第1項所述的缺陷檢測裝置,其中該控制部係利用該彩色影像實施缺陷檢測模型的學習時,在該彩色影像中可檢測出缺陷可疑位置地第一次實施缺陷檢測模型的學習,利用缺陷可疑位置的一定區域影像裁剪獲得的一裁剪影像可辨別缺陷與否或缺陷類型地第二次實施缺陷檢測模型學習。
- 如申請專利範圍第4項所述的缺陷檢測裝置,其中該儲存部係儲存使學習根據位置不同的缺陷檢測模型所需的各個檢測檔案;該控制部係利用與該彩色對象的缺陷可疑位置對應的該檢測檔案實施該裁剪影像的學習。
- 如申請專利範圍第1項所述的缺陷檢測裝置,其中該控制部係利用該彩色影像實施缺陷檢測時,從該彩色影像中檢測缺陷可疑位置,利用將檢測出的缺陷可疑位置的一定區域影像裁剪而獲得一裁剪影像實施缺陷與否或缺陷類型的判定。
- 如申請專利範圍第6項所述的缺陷檢測裝置,其中該儲存部係儲存利用根據位置不同的缺陷檢測模型實施缺陷檢測的各個檢測檔案;該控制部係利用對應檢測出的缺陷可疑位置的該檢測檔案判定該裁剪影像的缺陷與否或缺陷類型。
- 一種缺陷檢測方法,係作爲藉由缺陷檢測裝置檢測檢驗對象的缺陷的方法,其包含: 獲得拍攝檢驗對象產生的至少一個拍攝影像的步驟; 利用各該拍攝影像以及預定的一個標準影像之間的差異產生對應各該拍攝影像的一差分影像的步驟; 將該標準影像、各該拍攝影像以及各該差分影像合成而產生對應各該拍攝影像的至少一個彩色影像的步驟;以及 利用產生的該彩色影像實施缺陷檢測模型的學習或缺陷檢測中至少一個的步驟。
- 如申請專利範圍第8項所述的缺陷檢測方法,其中該彩色影像的產生步驟包含: 將該標準影像、各該拍攝影像以及對應各該拍攝影像產生的該差分影像形成爲各8位元灰度影像的步驟;以及 產生將以8位元灰度影像形成的該標準影像、各該拍攝影像以及對應各該拍攝影像產生的該差分影像作爲相互不同的3個彩色通道的3通道24位元彩色影像的步驟。
- 如申請專利範圍第9項所述的缺陷檢測方法,其中利用產生的該彩色影像實施缺陷檢測模型的學習或缺陷檢測中至少一個的步驟包含: 從該彩色影像中檢測缺陷可疑位置的步驟; 將檢測的缺陷可疑位置的一定區域影像裁剪而獲得一裁剪影像的步驟; 利用該裁剪影像實施缺陷與否或缺陷類型學習或判定的步驟。
- 如申請專利範圍第10項所述的缺陷檢測方法,其中利用產生的該彩色影像實施缺陷檢測模型的學習或缺陷檢測中至少一個的步驟包含: 實施利用該彩色影像檢測缺陷可疑位置所需學習的步驟。
- 如申請專利範圍第10項所述的缺陷檢測方法,其中該缺陷檢測方法係進一步包含:保持根據位置不同的缺陷檢測模型的步驟; 利用該裁剪影像實施缺陷與否或缺陷類型學習或判定的步驟包含:利用與檢測的缺陷可疑位置對應的缺陷檢測模型實施利用該裁剪影像的缺陷與否或缺陷類型的學習或判定的步驟。
- 一種記錄如申請專利範圍第8項所述方法的實施程式的電腦可讀記錄媒體。
- 一種藉由缺陷檢測裝置實施且爲實施如申請專利範圍第8項所述方法而儲存在媒體中的電腦程式。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020180120853A KR102175286B1 (ko) | 2018-10-11 | 2018-10-11 | 결함 검출 장치 및 방법 |
KR10-2018-0120853 | 2018-10-11 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202014985A true TW202014985A (zh) | 2020-04-16 |
TWI718573B TWI718573B (zh) | 2021-02-11 |
Family
ID=66959925
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108122230A TWI718573B (zh) | 2018-10-11 | 2019-06-25 | 缺陷檢測裝置及方法 |
Country Status (3)
Country | Link |
---|---|
KR (1) | KR102175286B1 (zh) |
CN (1) | CN109916906B (zh) |
TW (1) | TWI718573B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI770561B (zh) * | 2020-07-22 | 2022-07-11 | 鴻海精密工業股份有限公司 | 產品瑕疵檢測方法、電腦裝置及儲存介質 |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10977509B2 (en) | 2017-03-27 | 2021-04-13 | Samsung Electronics Co., Ltd. | Image processing method and apparatus for object detection |
KR102252592B1 (ko) * | 2019-08-16 | 2021-05-17 | 라온피플 주식회사 | 기판 불량 검사 장치 및 방법 |
CN110487803A (zh) * | 2019-08-20 | 2019-11-22 | Oppo(重庆)智能科技有限公司 | 红外发光元件的缺陷检测方法和装置 |
CN110763699B (zh) * | 2019-10-12 | 2022-12-20 | 广州兴森快捷电路科技有限公司 | 线路板的内层互连缺陷的分析方法及线路板 |
CN110726724A (zh) * | 2019-10-22 | 2020-01-24 | 北京百度网讯科技有限公司 | 缺陷检测方法、系统和装置 |
CN111008961B (zh) * | 2019-11-25 | 2021-10-19 | 深圳供电局有限公司 | 一种输电线路设备缺陷检测方法及其系统、设备、介质 |
JP2021089219A (ja) * | 2019-12-05 | 2021-06-10 | 東洋製罐グループホールディングス株式会社 | 画像検査システム、及び画像検査方法 |
CN113516612B (zh) * | 2020-04-13 | 2022-06-14 | 阿里巴巴集团控股有限公司 | 数据处理方法、装置、设备和存储介质 |
CN111507975B (zh) * | 2020-04-23 | 2022-02-08 | 西南交通大学 | 一种牵引变电所户外绝缘子异常检测方法 |
CN111754456B (zh) * | 2020-05-15 | 2022-10-14 | 清华大学 | 基于深度学习的二维pcb外观缺陷实时自动检测技术 |
US11423577B2 (en) * | 2020-07-08 | 2022-08-23 | International Business Machines Corporation | Printed circuit board assembly defect detection |
CN112085722B (zh) * | 2020-09-07 | 2024-04-09 | 凌云光技术股份有限公司 | 一种训练样本图像获取方法及装置 |
CN112184689A (zh) * | 2020-10-12 | 2021-01-05 | 罗建华 | 一种半导体器件检测方法、装置、智能终端及存储介质 |
KR102505484B1 (ko) * | 2020-12-18 | 2023-03-03 | 한국공학대학교산학협력단 | 딥러닝 기반의 타이어 외관 결함 검출 방법 및 장치 |
CN113111828B (zh) * | 2021-04-23 | 2022-03-18 | 中国科学院宁波材料技术与工程研究所 | 一种轴承三维缺陷检测方法及系统 |
KR102394093B1 (ko) * | 2021-09-13 | 2022-05-04 | 오병후 | 헬기블레이드의 엑스레이 촬영 이미지를 이용한 불량판독방법 |
KR102471441B1 (ko) | 2021-12-20 | 2022-11-28 | 주식회사 아이코어 | 딥 러닝을 기반으로 고장을 검출하는 비전 검사 시스템 |
CN114466183A (zh) * | 2022-02-21 | 2022-05-10 | 江东电子材料有限公司 | 基于特征光谱的铜箔瑕疵检测方法、装置和电子设备 |
CN114862856B (zh) * | 2022-07-07 | 2022-10-11 | 成都数之联科技股份有限公司 | 一种面板缺陷区域识别方法、装置、电子设备及介质 |
CN115115625B (zh) * | 2022-08-26 | 2022-11-04 | 聊城市正晟电缆有限公司 | 基于图像处理的电缆生产异常检测方法 |
WO2024049201A1 (ko) * | 2022-08-31 | 2024-03-07 | 주식회사 엘지에너지솔루션 | 배터리 전극 검사 장치 및 방법 |
KR102610783B1 (ko) * | 2022-11-03 | 2023-12-07 | 시냅스이미징(주) | Cad 영상을 활용한 전처리가 구현된 딥러닝 검사시스템 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3344338B2 (ja) * | 1997-12-25 | 2002-11-11 | 日本電気株式会社 | 画像の欠陥検出装置及びその欠陥検出方法 |
US7067763B2 (en) * | 2002-05-17 | 2006-06-27 | Gsi Group Corporation | High speed, laser-based marking method and system for producing machine readable marks on workpieces and semiconductor devices with reduced subsurface damage produced thereby |
US7917554B2 (en) * | 2005-08-23 | 2011-03-29 | Ricoh Co. Ltd. | Visibly-perceptible hot spots in documents |
US8223327B2 (en) * | 2009-01-26 | 2012-07-17 | Kla-Tencor Corp. | Systems and methods for detecting defects on a wafer |
US9241731B2 (en) * | 2012-04-09 | 2016-01-26 | Ethicon Endo-Surgery, Inc. | Rotatable electrical connection for ultrasonic surgical instruments |
JP5846100B2 (ja) * | 2012-11-01 | 2016-01-20 | 三菱電機株式会社 | 表示装置の欠陥検査方法 |
CN103234476B (zh) * | 2013-04-01 | 2014-04-02 | 廖怀宝 | 物体二维轮廓识别方法 |
JP6395481B2 (ja) * | 2014-07-11 | 2018-09-26 | キヤノン株式会社 | 画像認識装置、方法及びプログラム |
JP2016212539A (ja) * | 2015-05-01 | 2016-12-15 | 富士通株式会社 | 情報処理装置、欠陥箇所判定プログラム、および欠陥箇所判定方法 |
CN105894514B (zh) * | 2016-04-06 | 2019-01-11 | 广东工业大学 | 一种基于gpu并行运算的印刷品缺陷检测方法及系统 |
CN106530284A (zh) * | 2016-10-21 | 2017-03-22 | 广州视源电子科技股份有限公司 | 基于图像识别的焊点类型检测和装置 |
CN108896550B (zh) * | 2018-03-30 | 2021-10-22 | 湖北工程学院 | 面膜印刷质量检测方法和系统 |
CN108596892B (zh) * | 2018-04-23 | 2020-08-18 | 西安交通大学 | 一种基于改进LeNet-5模型的焊缝缺陷识别方法 |
CN109084957B (zh) * | 2018-08-31 | 2024-03-19 | 华南理工大学 | 光伏太阳能晶硅电池片的缺陷检测和颜色分选方法及其系统 |
-
2018
- 2018-10-11 KR KR1020180120853A patent/KR102175286B1/ko active IP Right Grant
- 2018-12-29 CN CN201811636492.8A patent/CN109916906B/zh active Active
-
2019
- 2019-06-25 TW TW108122230A patent/TWI718573B/zh active
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI770561B (zh) * | 2020-07-22 | 2022-07-11 | 鴻海精密工業股份有限公司 | 產品瑕疵檢測方法、電腦裝置及儲存介質 |
Also Published As
Publication number | Publication date |
---|---|
CN109916906B (zh) | 2022-10-14 |
TWI718573B (zh) | 2021-02-11 |
KR102175286B1 (ko) | 2020-11-06 |
CN109916906A (zh) | 2019-06-21 |
KR20200046137A (ko) | 2020-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI718573B (zh) | 缺陷檢測裝置及方法 | |
US11367282B2 (en) | Subtitle extraction method and device, storage medium | |
CN107810505B (zh) | 实时图像捕获参数的机器学习 | |
US10740912B2 (en) | Detection of humans in images using depth information | |
TWI590650B (zh) | 在經編碼之視訊串流中的物件追蹤技術 | |
US9418319B2 (en) | Object detection using cascaded convolutional neural networks | |
US10430694B2 (en) | Fast and accurate skin detection using online discriminative modeling | |
US9070044B2 (en) | Image adjustment | |
US20150371387A1 (en) | Local adaptive histogram equalization | |
US8976191B1 (en) | Creating a realistic color for a virtual object in an augmented reality environment | |
US9536321B2 (en) | Apparatus and method for foreground object segmentation | |
JP2012032370A (ja) | 欠陥検出方法、欠陥検出装置、学習方法、プログラム、及び記録媒体 | |
US10068616B2 (en) | Thumbnail generation for video | |
JP2022539912A (ja) | 電子デバイスバックプレーン外観瑕疵検査方法及び装置 | |
Huynh-The et al. | NIC: A robust background extraction algorithm for foreground detection in dynamic scenes | |
TWI743837B (zh) | 訓練資料增量方法、電子裝置與電腦可讀取記錄媒體 | |
US20200204864A1 (en) | Classification of images based on static components | |
JP2022539909A (ja) | 電子デバイスフレーム外観瑕疵検査方法及び装置 | |
Hadiprakoso et al. | Face anti-spoofing using CNN classifier & face liveness detection | |
US11348254B2 (en) | Visual search method, computer device, and storage medium | |
CN110310341B (zh) | 颜色算法中默认参数的生成方法、装置、设备和存储介质 | |
CN112150347A (zh) | 从有限的修改后图像集合中学习的图像修改样式 | |
CN111160340A (zh) | 一种运动目标检测方法、装置、存储介质及终端设备 | |
KR20200095767A (ko) | 멀티카메라를 이용한 물체 인식 방법 및 장치 | |
KR102252590B1 (ko) | 기계학습 환경에 기초한 테스트 환경을 설정하는 방법 및 장치 |