TW202022355A - 自動光學檢測方法及應用其之自動光學檢測系統 - Google Patents
自動光學檢測方法及應用其之自動光學檢測系統 Download PDFInfo
- Publication number
- TW202022355A TW202022355A TW107143896A TW107143896A TW202022355A TW 202022355 A TW202022355 A TW 202022355A TW 107143896 A TW107143896 A TW 107143896A TW 107143896 A TW107143896 A TW 107143896A TW 202022355 A TW202022355 A TW 202022355A
- Authority
- TW
- Taiwan
- Prior art keywords
- defect
- category
- image
- image belongs
- belongs
- Prior art date
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
- G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
-
- 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
- G01N2021/9511—Optical elements other than lenses, e.g. mirrors
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biochemistry (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
自動光學檢測方法包括以下步驟。首先,擷取光學膜片之膜片影像。然後,以特徵分類技術,判斷膜片影像的一缺陷影像所屬的缺陷類別,其中所屬缺陷類別包含至少一缺陷型。然後,以機器學習分類技術,判斷缺陷影像所屬的缺陷型。
Description
本發明是有關於一種光學檢測方法及應用其之光學檢測系統,且特別是有關於一種自動光學檢測方法及應用其之自動光學檢測系統。
光學膜片在形成後必須經過後續的品管,以剔除品質不合規定的劣質品。然而,大部分的品管都是用人工方式,如用肉眼觀察以篩選出不合規定的劣質品。然而,以人工品檢的方式容易造成誤判。因此,如何提出一種新的自動光學檢測技術以改善前述問題是本技術領域業者努力的方向之一。
本發明係有關於一種自動光學檢測方法及應用其之自動光學檢測系統,可改善前述習知問題。
本發明一實施例提出一種自動光學檢測方法。自動光學檢測方法包括以下步驟。擷取一光學膜片之一膜片影像;以一特徵分類技術,判斷膜片影像的一缺陷影像所屬的缺陷類別,其中所屬缺陷類別包含至少一缺陷型;以及,以一機器學習分類技術,判斷缺陷影像所屬的缺陷型。
本發明另一實施例提出一種自動光學檢測系統。自動光學檢測系統包括一攝像器、一特徵分類器及一機器學習分類器。攝像器用以擷取一光學膜片之一膜片影像。特徵分類器用以:以一特徵分類技術,判斷膜片影像的一缺陷影像所屬的缺陷類別,其中所屬缺陷類別包含至少一缺陷型。機器學習分類器用以:以一機器學習分類技術,判斷缺陷影像所屬的缺陷型。
為了對本發明之上述及其他方面有更佳的瞭解,下文特舉實施例,並配合所附圖式詳細說明如下:
請參照第1及2圖,第1圖繪示本發明一實施例之自動光學檢測系統100的功能方塊圖,而第2圖繪示第1圖之自動光學檢測系統100的自動光學檢測方法的流程圖。
自動光學檢測系統 (Automated Optical Inspection, AOI)100包括攝像器110、特徵分類器120及機器學習分類器130。特徵分類器120及機器學習分類器130可以是採用半導體製程所形成的電路結構。在一實施例中,特徵分類器120及機器學習分類器130可整合成單一元件,或整合至一處理器(未繪示)中,在此情況下,特徵分類器120及機器學習分類器130可以是整合至電路的軟體或韌體。
攝像器110可擷取光學膜片10之膜片影像M1。光學膜片10例如是可為一單層或多層膜片,例如可為一偏光片、相位差膜、增亮膜或其他對光學之增益、配向、補償、轉向、直交、擴散、保護、防黏、耐刮、抗眩、反射抑制、高折射率等有所助益的膜片。在一實施例中,前述偏光片之至少一面附著有保護薄膜之偏光板、相位差薄膜等。偏光板可為聚乙烯醇(PVA)膜可藉由皂化聚醋酸乙烯樹脂製得。聚醋酸乙烯樹脂的例子包括醋酸乙烯之單聚合物,即聚醋酸乙烯,以及醋酸乙烯之共聚合物和其他能與醋酸乙烯進行共聚合之單體。其他能與醋酸乙烯進行共聚合之單體的例子包括不飽和羧酸(例如丙烯酸、甲基丙烯酸、丙烯酸乙酯、正丙烯酸丙酯、甲基丙烯酸甲酯)、烯烴(例如乙烯、丙烯、1-丁烯、2-甲丙烯)、乙烯醚(例如乙基乙烯醚、甲基乙烯醚、正丙基乙烯醚、異丙基乙烯醚)、不飽和磺酸(例如乙烯基磺酸、乙烯基磺酸鈉)等等。保護薄膜的材料例如可選自纖維素系樹脂、丙烯酸系樹脂、非結晶性聚烯烴系樹脂、聚酯系樹脂、聚碳酸酯系樹脂及其組合,但本發明實施例不限於這些薄膜。
特徵分類器120可採用一特徵分類技術,判斷膜片影像M1的缺陷影像M11所屬的缺陷類別,其中此所屬缺陷類別C1(繪示於第3圖)包含至少一缺陷型。機器學習分類器130可採用機器學習(machine learning)分類技術,判斷缺陷影像M11所屬之缺陷型。換言之,特徵分類器120判斷出缺陷影像M11所屬的缺陷類別,但此所屬的缺陷類別可能包含數種缺陷型,而機器學習分類器130採用機器學習分類技術,進一步判斷缺陷影像M11所屬的缺陷型。
前述特徵分類技術係通過攝像器擷取待測物的完整圖像,此圖像是由許多圖元組成,每個圖元都有一定的灰階值(0~255)。因此,通過一定的數學、邏輯方法可對圖元資訊進行外觀分析,結構分析及幾何尺寸的計算,實現快速對待測物的各種檢測。在一實施例中,特徵分類技術例如是邊緣檢測法,而機器學習分類技術例如監督式學習,從給定的訓練資料集中學習出一個函式,當新的資料到來時,可以根據這個函式預測結果。具體的機器學習分類技術如:深度神經網路(Deep Neural Networks, DNN)、支援向量機(SVM)、決策樹(decision tree)、集(ensemble)、K鄰近法(K-NN)、線性回歸(linear regression)、貝氏機率、類神經網路(neural network)、羅吉斯回歸、感知器(perceptron)或關聯向量機(relevance vector machine, RVM)等演算法。一些實施例中例如是深度神經網路(Deep Neural Networks, DNN) 或支援向量機(SVM)。特徵分類技術具有運算速度快且技術成本低的優點,而機器學習分類技術具有識別正確率極高且能持續(在品檢線上)修正機器學習模型以更提升識別正確率。
綜上,本發明實施例之自動光學檢測方法係採用二種分類技術進行光學膜片之缺陷分類。二種分類技術的特性互補(二種分類技術之一者的優點能彌補另一者的缺點),能使品檢線上缺陷分類的整體識別正確率提高、整體運算速度增快且整體技術成本低等優點。
前述的缺陷類別C1可以透過特徵學習技術在線外(off-line)預先進行學習,並建立一特徵學習模型(未繪示),此特徵學習模型可預設於特徵分類器120中。前述缺陷類別C1的缺陷型可以透過機器學習技術,例如是監督式學習,在線外預先進行學習,並建立機器學習模型(未繪示),此機器學習模型可預設或預儲存於機器學習分類器130中。在品檢線(on-line)上,自動光學檢測系統100依據特徵學習模型及機器學習模型進行線上即時(real time)地且快速地進行光學膜片10的缺陷(若有的話)判斷及分類。此外,光學膜片10的缺陷例如是光學膜片10製程中的黏膠殘留、裁切產生的切屑、膜本身雜質、由於經過滾輪而沾附的異物(如外來的顆粒或碎片)、由於觸摸(如摩擦)而沾黏的異物等所造成的缺陷。此缺陷可能內埋於光學膜片10內或沾黏在光學膜片10的表面,而造成各種不同的缺陷外觀(即各種如第3圖所示的缺陷影像)。
此外,缺陷可分成重複缺陷及非重複缺陷。重複缺陷例如是經過滾輪而產生的缺陷及觸摸(如摩擦)而產生的缺陷;例如,重複缺陷包括刮痕、凹痕,印痕、直線、白點、斑點等。非重複缺陷例如是光學膜片10本身的缺陷(與滾輪及觸摸無關),例如,由光學膜片10上的顆粒污染引起,並且不以預定間隔在光學膜片10上再現(即非規則性出現);例如,非重複性缺陷包括黑點、白點、刮痕、橘皮、氣泡、片、膜表面或膜中的黑/棕色區域等。
以下係以第2圖之流程圖進一步舉例說明。
在步驟S110中,攝像器110擷取光學膜片10之膜片影像M1。
接下來,特徵分類器120可採用特徵分類技術,判斷膜片影像M1的缺陷影像M11所屬的缺陷類別C1,其中此所屬缺陷類別C1包含至少一缺陷型。
以下先說明缺陷類別C1及其缺陷型的種類。舉例來說,請同時參照第3圖,其繪示本發明實施例之缺陷類別C1及其缺陷型的示意圖。缺陷類別C1包含點缺陷類別C11、線缺陷類別C12、其它缺陷類別C13、凹陷缺陷類別C14及凸起缺陷類別C15。
如第3圖所示,點缺陷類別C11例如包含至少一點缺陷型(屬於前述缺陷型),如點缺陷型SP、點缺陷型BS及點缺陷型SG。線缺陷類別C12例如包含至少一線缺陷型(屬於前述缺陷型),如線缺陷型SC及線缺陷型LT。其它缺陷類別C13例如包含至少一其它缺陷型(屬於前述缺陷型),如其它缺陷型OT1。凹陷缺陷類別C14例如包含至少一凹陷缺陷型(屬於前述缺陷型),如凹陷缺陷型PR及凹陷缺陷型GL。凸起缺陷類別C15例如包含至少一凸起缺陷型(屬於前述缺陷型),如凸起缺陷型DT、凸起缺陷型FM及其它凸起缺陷型OT2。此外,點缺陷型、線缺陷型、其它缺陷型、凹陷缺陷型、凸起缺陷型的缺陷影像外觀及/或缺陷型數量並不受本發明實施例及/或圖式所限,其可以是不同缺陷外觀及/或缺陷型數量。
此外,本文各缺陷類別的點缺陷型的缺陷影像皆經過二值化處理(例如把缺陷影像的各像素設定成二灰階值之一者),光學膜片10的缺陷影像M11也同樣由特徵分類器120經過二值化處理後,特徵分類器120再採用特徵分類技術,判斷膜片影像M1的缺陷影像M11所屬的缺陷類別C1。
本發明實施例不限定缺陷類別C1的種類及/或數量,且也不限定各缺陷類別C1之缺陷型的種類及/或數量。在另一實施例中,缺陷類別C1可更包含其它種類的缺陷類別,而各缺陷類別C1可更包含其它種類的缺陷型。
此外,如第3圖所示,點缺陷類別C11、線缺陷類別C12及其它缺陷類別C13可歸類為白色缺陷類別W1,而凹陷缺陷類別C14及凸起缺陷類別C15可歸類為非白色缺陷類別B1,如黑色缺陷類別或灰色缺陷類別。
然後,在步驟S115中,特徵分類器120判斷膜片影像M1的缺陷影像M11是否屬於白色缺陷類別W1。當膜片影像M1的缺陷影像M11屬於白色缺陷類別W1,流程進入步驟S120;當膜片影像M1的缺陷影像M11屬於非白色缺陷類別B1,流程進入步驟S140。
請參照第4圖,其繪示依照本發明一實施例之白色缺陷類別W1的灰階曲線圖。第4圖之灰階曲線S1例如是第3圖之點缺陷型BS的缺陷影像M1’沿方向4-4’的灰階曲線。灰階曲線S1的往下突波表示點缺陷型BS的缺陷影像M1’的暗區。當特徵分類器120所分析之缺陷影像M11的灰階曲線包含如第4圖之灰階曲線S1的往下突波(暗區)時,則特徵分類器120判斷缺陷影像M11屬於非白色缺陷類別B1,流程進入步驟S140。反之,當特徵分類器120所分析之缺陷影像M11的灰階曲線不包含第4圖之灰階曲線S1的往下突波(暗區)且僅包含往上突坡(亮區)時,則特徵分類器120判斷缺陷影像M11屬於白色缺陷類別W1,流程進入步驟S120。
此外,本文的灰階曲線係在對缺陷影像進行二值化後,再對缺陷影像進行灰階分析而產生。
在步驟S120中,特徵分類器120判斷缺陷影像M11是否屬於點缺陷類別C11。以第3圖點缺陷型BS的缺陷影像M11’舉例來說,缺陷影像M11’的第一方向長度x及第二方向長度y的比值接近1。當特徵分類器120分析缺陷影像M11的第一方向長度x及第二方向長度y的比值接近1時,則判斷缺陷影像M11屬於點缺陷類別C11。前述第一方向長度x及第二方向長度y大致上垂直。
當缺陷影像M11屬於點缺陷類別C11,則流程進入步驟S125。當缺陷影像M11非屬於點缺陷類別C11,則流程進入步驟S130。
在步驟S125中,機器學習分類器130判斷缺陷影像M11屬於點缺陷類別C11之至少一缺陷型之何者。例如,特徵分類器120判斷缺陷影像M11屬於點缺陷型SP、點缺陷型BS與點缺陷型SG之何者。其中,機器學習分類器130係依據預設的機器學習模型判斷缺陷影像M11屬於點缺陷類別C11之至少一缺陷型之何者。
在步驟S130中,特徵分類器120判斷缺陷影像M11是否屬於線缺陷類別C12。以第3圖所示之線缺陷型SC之缺陷影像M11’’舉例來說,缺陷影像M11’’的第一方向長度x及第二方向長度y的比值大於1,如等於或大於2。當特徵分類器120分析缺陷影像M11的第一方向長度x及第二方向長度y的比值等於或大於2時,則特徵分類器120判斷缺陷影像M11屬於線缺陷類別C12。如第3圖之線缺陷型SC所示,第二方向長度y為缺陷影像M11’’的長度。如第3圖之線缺陷型LT所示,第二方向長度y為缺陷影像(呈彎曲狀)的延伸長度。
當缺陷影像M11屬於線缺陷類別C12,則流程進入步驟S135。在步驟S135中,機器學習分類器130判斷缺陷影像M11屬於線缺陷類別C12之至少一缺陷型之何者。例如,機器學習分類器130判斷缺陷影像M11屬於線缺陷型SC與線缺陷型LT之何者。其中,機器學習分類器130係依據預設的機器學習模型判斷缺陷影像M11屬於線缺陷類別C12之至少一缺陷型之何者。
在步驟130中,當缺陷影像M11不屬於線缺陷類別C12,則特徵分類器120判斷判斷缺陷影像M11屬於其它缺陷類別C13。換言之,當缺陷影像M11既不屬於點缺陷類別C11及線缺陷類別C12時,則特徵分類器120判斷缺陷影像M11屬於其它缺陷類別C13。然後,機器學習分類器130判斷缺陷影像M11屬於其它缺陷類別C13之其它缺陷型OT1。其中,機器學習分類器130係依據預設的機器學習模型判斷缺陷影像M11屬於其它缺陷類別C13之其它缺陷型OT1。
在步驟S115中,當膜片影像M1的缺陷影像M11屬於非白色缺陷類別B1,流程進入步驟S140。
在步驟S140中,特徵分類器120判斷缺陷影像M11是否屬於凹陷缺陷類別C14。以第3圖之凹陷缺陷型PR之缺陷影像M11’’’舉例來說,請同時參照第5圖,其繪示第3圖之缺陷影像M11’’’沿方向5-5’的灰階曲線圖。第5圖之灰階曲線S2的往上突波表示缺陷影像M11’’’的亮區,而灰階曲線S2的往下突波表示缺陷影像M11’’’的暗區。當特徵分類器120分析缺陷影像M11的灰階曲線符合第5圖之灰階曲線S2時,也就是一暗區接連一亮區顯示時,則判斷缺陷影像M11屬於凹陷缺陷類別C14。在實施例中,若暗區(往下突波)與亮區(往上突波)之間的間隔H小於一預設距離(單位例如是像素或毫米),則判斷為「暗區接連(或緊接)亮區」。在另一實施例中,若暗區(往下突波)與亮區(往上突波)之間的間隔H超過此預設距離,表示暗區與亮區分別表示二獨立的缺陷。然本發明實施例不限定前述預設距離的數值,其可以是介於0.1毫米~10毫米之間的任一數值,然亦可小於0.1毫米,或大於10毫米。
當缺陷影像M11屬於凹陷缺陷類別C14,則流程進入步驟S145。當缺陷影像M11非屬於凹陷缺陷類別C14,則流程進入步驟S150。
在步驟S145中,機器學習分類器130判斷缺陷影像M11屬於凹陷缺陷類別C14之至少一缺陷型之何者。例如,機器學習分類器130判斷缺陷影像M11屬於凹陷缺陷型PR與凹陷缺陷型之何者。其中,機器學習分類器130係依據預設的機器學習模型判斷缺陷影像M11屬於凹陷缺陷類別C14之至少一缺陷型之何者。
在步驟S150中,特徵分類器120判斷缺陷影像M11是否屬於凸起缺陷類別C15。以第3圖之凸起缺陷型DT之缺陷影像M11’’’’舉例來說,請同時參照第6圖,其繪示第3圖之凸起缺陷型DT之缺陷影像M11’’’’沿方向6-6’的灰階曲線圖。第6圖之灰階曲線S3的往上突波表示凸起缺陷型DT之缺陷影像M11’’’’的亮區,而灰階曲線S3的往下突波表示凸起缺陷型DT之缺陷影像M11’’’’的暗區。當特徵分類器120分析缺陷影像M11的灰階曲線符合第6圖之灰階曲線S3時,也就是一亮區接連一暗區顯示時,則判斷缺陷影像M11屬於凸起缺陷類別C15。在實施例中,若暗區(往下突波)與亮區(往上突波)之間的間隔H (未繪示)小於一預設距離(單位例如是像素或毫米),則判斷為「暗區接連(或緊接)亮區」。在另一實施例中,若暗區(往下突波)與亮區(往上突波)之間的間隔H超過此預設距離,表示暗區與亮區分別表示二獨立的缺陷。
當缺陷影像M11屬於凸起缺陷類別C15,則流程進入步驟S155。
在步驟S155中,機器學習分類器130判斷缺陷影像M11屬於凸起缺陷類別C15之至少一缺陷型之何者。例如,機器學習分類器130判斷缺陷影像M11屬於凸起缺陷型DT、凸起缺陷型FM與凸起缺陷型OT2之何者。其中,機器學習分類器130係依據預設的機器學習模型判斷缺陷影像M11屬於凸起缺陷類別C15之至少一缺陷型之何者。
綜上所述,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。本發明所屬技術領域中具有通常知識者,在不脫離本發明之精神和範圍內,當可作各種之更動與潤飾。因此,本發明之保護範圍當視後附之申請專利範圍所界定者為準。
10:光學膜片100:自動光學檢測系統110:攝像器120:特徵分類器130:機器學習分類器B1:白色缺陷類別C1:缺陷類別C11:點缺陷類別C12:線缺陷類別C13:其它缺陷類別C14:凹陷缺陷類別C15:凸起缺陷類別M1:膜片影像M11、M11’、M11’’、M11’’’、M11’’’’:缺陷影像SP、BS、SG、SC、LT、OT1、PR、GL、DT、FM、OT2:缺陷S1、S2、S3:灰階曲線S110~S155:步驟x、y:方向長度W1:非白色缺陷類別
第1圖繪示本發明一實施例之自動光學檢測系統的功能方塊圖。 第2圖繪示第1圖之自動光學檢測系統的自動光學檢測方法的流程圖。 第3圖繪示本發明實施例之缺陷類別及其缺陷型的示意圖。 第4圖繪示依照本發明一實施例之白色缺陷類別的灰階曲線圖。 第5圖繪示第3圖之缺陷影像沿方向5-5’的灰階曲線圖。 第6圖繪示第3圖之凸起缺陷型之缺陷影像沿方向6-6’的灰階曲線圖。
S110~S155:步驟
Claims (18)
- 一種用於檢測光學膜片缺陷之自動光學檢測方法,包括: 擷取一光學膜片之一膜片影像; 以一特徵分類技術,判斷該膜片影像的一缺陷影像所屬的缺陷類別,其中該所屬的缺陷類別包含至少一缺陷型;以及 以一機器學習分類技術,判斷該缺陷影像所屬的該缺陷型。
- 如申請專利範圍第1項所述之自動光學檢測方法,其中以該特徵分類技術判斷該膜片影像的該缺陷影像所屬的缺陷類別之步驟包括: 判斷該膜片影像的該缺陷影像是否屬於一白色缺陷類別;以及 當該膜片影像的該缺陷影像屬於該白色缺陷類,判斷該缺陷影像是否屬於一點缺陷類別,該點缺陷類別包含至少一點缺陷型; 在判斷該缺陷影像所屬的該缺陷型之步驟中,當該缺陷影像屬於該點缺陷類別,判斷該缺陷影像屬於該點缺陷類別之該至少一點缺陷型之何者。
- 如申請專利範圍第2項所述之自動光學檢測方法,更包括: 當該缺陷影像非屬於該點缺陷類別,判斷該缺陷影像是否屬於一線缺陷類別,該線缺陷類別包括至少一線缺陷型; 在判斷該缺陷影像所屬的該缺陷型之步驟中,當該缺陷影像屬於該線缺陷類別,判斷該缺陷影像屬於該線缺陷類別之該至少一線缺陷型之何者。
- 如申請專利範圍第2項所述之自動光學檢測方法,更包括: 當該膜片影像的該缺陷影像屬於一非白色缺陷類別,判斷該缺陷影像是否屬於一凹陷缺陷類別,該凹陷缺陷類別包括至少一凹陷缺陷; 在判斷該缺陷影像屬於該至少一缺陷型之何者之步驟中,當該缺陷影像屬於該凹陷缺陷類別,判斷該缺陷影像屬於該至少一凹陷缺陷之何者。
- 如申請專利範圍第4項所述之自動光學檢測方法,更包括: 當該缺陷影像非屬於該凹陷缺陷類別,判斷該缺陷影像屬於一凸起缺陷類別,該凸起缺陷類別包括至少一凸起缺陷型; 在判斷該缺陷影像屬於該至少一缺陷型之何者之步驟中,當該缺陷影像屬於該凸起缺陷類別,判斷該缺陷影像屬於該至少一凸起缺陷型之何者。
- 如申請專利範圍第5項所述之自動光學檢測方法,其中該缺陷影像包含一灰階曲線圖;且當該灰階曲線圖顯示為一暗區接連一亮區時,則該特徵分類器判斷該缺陷影像屬於凹缺陷類別,或當該灰階曲線圖顯示為一亮區接連一暗區時,則該特徵分類器判斷該缺陷影像屬於凸缺陷類別:
- 如申請專利範圍第2項所述之自動光學檢測方法,其中在判斷該膜片影像的該缺陷影像是否屬於該白色缺陷類別之步驟包括: 判斷該膜片影像的該缺陷影像是否包含一暗區;以及 當該膜片影像的該缺陷影像包含該暗區,則判斷該缺陷影像屬於該非白色缺陷類別。
- 如申請專利範圍第1項所述之自動光學檢測方法,其中該缺陷類別包括點缺陷類別、線缺陷類別、其他缺陷類別、凹陷缺陷類別及凸起缺陷類別。
- 如申請專利範圍第1項所述之自動光學檢測方法,其中以該機器學習分類技術為監督式學習。
- 如申請專利範圍第1項所述之自動光學檢測方法,其中以該機器學習分類技術為深度神經網路或支援向量機。
- 如申請專利範圍第1項所述之自動光學檢測方法,其中當該缺陷影像的一第一方向長度以及一第二方向長度的比值接近1,且該第一方向長度與該第二方向長度垂直,該特徵分類器判斷該缺陷影像屬於點缺陷類別;或其中當該缺陷影像的一第一方向長度以及一第二方向長度的比值大於1,該特徵分類器判斷該缺陷影像屬於線缺陷類別。
- 一種用於檢測光學膜片缺陷之自動光學檢測系統,包括: 一攝像器,用以擷取一光學膜片之一膜片影像; 一特徵分類器,用以:以一特徵分類技術,判斷該膜片影像的一缺陷影像所屬的缺陷類別,其中該所屬的缺陷類別包含至少一缺陷型; 一機器學習分類器,用以:以一機器學習分類技術,判斷該缺陷影像所屬的該缺陷型。
- 如申請專利範圍第12項所述之自動光學檢測系統,其中該特徵分類器更用以: 判斷該膜片影像的該缺陷影像是否屬於一白色缺陷類別;以及 當該膜片影像的該缺陷影像屬於該白色缺陷類,判斷該缺陷影像是否屬於一點缺陷類別,該點缺陷類別包含至少一點缺陷型; 其中,該機器學習分類器更用以:當該缺陷影像屬於該點缺陷類別,判斷該缺陷影像屬於該點缺陷類別之該至少一點缺陷型之何者。
- 如申請專利範圍第13項所述之自動光學檢測系統,其中該特徵分類器更用以: 當該缺陷影像非屬於該點缺陷類別,判斷該缺陷影像是否屬於一線缺陷類別,該線缺陷類別包括至少一線缺陷型; 其中,該機器學習分類器更用以:當該缺陷影像屬於該線缺陷類別,判斷該缺陷影像屬於該線缺陷類別之該至少一線缺陷型之何者。
- 如申請專利範圍第13項所述之自動光學檢測系統,其中該特徵分類器更用以: 當該膜片影像的該缺陷影像屬於一非白色缺陷類別,判斷該缺陷影像是否屬於一凹陷缺陷類別,該凹陷缺陷類別包括至少一凹陷缺陷; 其中,該機器學習分類器更用以:當該缺陷影像屬於該凹陷缺陷類別,判斷該缺陷影像屬於該至少一凹陷缺陷之何者。
- 如申請專利範圍第13項所述之自動光學檢測系統,其中該特徵分類器更用以: 當該缺陷影像非屬於該凹陷缺陷類別,判斷該缺陷影像屬於一凸起缺陷類別,該凸起缺陷類別包括至少一凸起缺陷型; 其中,該機器學習分類器更用以:當該缺陷影像屬於該凸起缺陷類別,判斷該缺陷影像屬於該至少一凸起缺陷型之何者。
- 如申請專利範圍第13項所述之自動光學檢測方法,其中該特徵分類器更用以: 判斷該膜片影像的該缺陷影像是否包含一暗區;以及 當該膜片影像的該缺陷影像包含該暗區,則判斷該缺陷影像屬於該非白色缺陷類別。
- 如申請專利範圍第12項所述之自動光學檢測方法,其中該缺陷類別包括點缺陷類別、線缺陷類別、其他缺陷類別、凹陷缺陷類別及凸起缺陷類別。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107143896A TWI714923B (zh) | 2018-12-06 | 2018-12-06 | 自動光學檢測方法及應用其之自動光學檢測系統 |
CN201911031438.5A CN110715941B (zh) | 2018-12-06 | 2019-10-28 | 自动光学检测方法及应用其的自动光学检测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW107143896A TWI714923B (zh) | 2018-12-06 | 2018-12-06 | 自動光學檢測方法及應用其之自動光學檢測系統 |
Publications (2)
Publication Number | Publication Date |
---|---|
TW202022355A true TW202022355A (zh) | 2020-06-16 |
TWI714923B TWI714923B (zh) | 2021-01-01 |
Family
ID=69214387
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW107143896A TWI714923B (zh) | 2018-12-06 | 2018-12-06 | 自動光學檢測方法及應用其之自動光學檢測系統 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110715941B (zh) |
TW (1) | TWI714923B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TWI787630B (zh) * | 2020-07-03 | 2022-12-21 | 兆米智慧檢測股份有限公司 | 基於人工智能的瑕疵檢測方法及其光學檢測系統 |
TWI745129B (zh) * | 2020-10-20 | 2021-11-01 | 住華科技股份有限公司 | 光學膜偵測系統及應用其之光學膜偵測方法 |
CN113139520B (zh) * | 2021-05-14 | 2022-07-29 | 江苏中天互联科技有限公司 | 用于工业互联网的设备膜片性能监测方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013160629A (ja) * | 2012-02-06 | 2013-08-19 | Hitachi High-Technologies Corp | 欠陥検査方法、欠陥検査装置、プログラムおよび出力部 |
KR20140148067A (ko) * | 2013-06-21 | 2014-12-31 | 동우 화인켐 주식회사 | 광학 필름의 결함 판별 방법 |
TWI525317B (zh) * | 2013-10-08 | 2016-03-11 | 國立清華大學 | 整合影像分析與資料挖礦之自動光學檢測缺陷影像分類方法 |
CN103759644B (zh) * | 2014-01-23 | 2016-05-18 | 广州市光机电技术研究院 | 一种滤光片表面缺陷的分离细化智能检测方法 |
CN104008550A (zh) * | 2014-06-05 | 2014-08-27 | 深圳市大族激光科技股份有限公司 | 晶圆表面缺陷特征分析方法、系统、分类方法和系统 |
TWI629665B (zh) * | 2017-11-24 | 2018-07-11 | 住華科技股份有限公司 | 缺陷檢查方法及缺陷檢測系統 |
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 |
-
2018
- 2018-12-06 TW TW107143896A patent/TWI714923B/zh active
-
2019
- 2019-10-28 CN CN201911031438.5A patent/CN110715941B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
TWI714923B (zh) | 2021-01-01 |
CN110715941B (zh) | 2022-04-29 |
CN110715941A (zh) | 2020-01-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI714923B (zh) | 自動光學檢測方法及應用其之自動光學檢測系統 | |
CN115082683B (zh) | 一种基于图像处理的注塑缺陷检测方法 | |
CN110473179B (zh) | 一种基于深度学习的薄膜表面缺陷检测方法、系统及设备 | |
WO2021143343A1 (zh) | 一种产品质量检测方法及装置 | |
KR101477665B1 (ko) | 불균일한 텍스쳐 표면의 불량 검출방법 | |
Kuo et al. | Automated defect inspection system for CMOS image sensor with micro multi-layer non-spherical lens module | |
WO2020119246A1 (zh) | 一种基于反射光的高光物体表面缺陷检测系统及方法 | |
CN117076283B (zh) | 一种触摸屏性能质量检测分析方法 | |
WO2024002187A1 (zh) | 缺陷检测方法、缺陷检测设备及存储介质 | |
Le et al. | Novel framework for optical film defect detection and classification | |
Xia et al. | An automatic machine vision-based algorithm for inspection of hardwood flooring defects during manufacturing | |
Agrawal | Glass defect detection techniques using digital image processing–a review | |
Kuo et al. | Automated inspection of micro-defect recognition system for color filter | |
TW201617605A (zh) | 瑕疵檢測方法及其裝置 | |
TW202101306A (zh) | 缺陷判斷訓練方法及應用其之系統以及缺陷判斷方法及應用其之系統 | |
Tsai et al. | Detection of gap mura in TFT LCDs by the interference pattern and image sensing method | |
Öztürk et al. | Novel BiasFeed cellular neural network model for glass defect inspection | |
TWM606740U (zh) | 瑕疵檢測系統 | |
TWI660182B (zh) | 多層膜之檢測系統及其方法 | |
TW202209173A (zh) | 瑕疵檢測方法、瑕疵分類方法及其系統 | |
TWI783154B (zh) | 光學膜之缺陷判斷方法、缺陷判斷系統及使用其之切割系統 | |
KR100566772B1 (ko) | 플랫패널용 광관련판요소의 라인결함 검출방법 | |
Bükücü et al. | A new prototype that performs real-time error detection in glass products | |
Chiu et al. | Effective image models for inspecting profile flaws of car mirrors with applications | |
JP2002257749A (ja) | 検査装置、検査方法およびこれを用いたカラーフィルタの製造方法 |