TW202209173A - 瑕疵檢測方法、瑕疵分類方法及其系統 - Google Patents

Abstract

一種瑕疵檢測方法、瑕疵分類方法及其系統，系統通過一或多個攝影機取得多個良品的影像，以一計算裝置接收良品的影像後，執行一機器學習法，學習良品的影像特徵，建立用以描述良品影像特徵的一良品模型，當取得一待測物的影像後，可應用此良品模型取得待測物的瑕疵數據，根據系統設定的檢測參數，對照待測物的影像中的瑕疵數據，可判斷待測物是否為一瑕疵品。接著，各項瑕疵數據經確認為瑕疵，執行一深度學習法，以分類瑕疵。

Description

瑕疵檢測方法、瑕疵分類方法及其系統

說明書公開一種瑕疵檢測方法，特別是一種從良品學習出的影像特徵進行瑕疵檢測與瑕疵分類的方法與系統。

在工業製造產業中，除了通過人手或人眼判斷物品瑕疵外，隨著電腦與學習演算法的技術發展，利用學習影像中瑕疵的技術因應而生，利用軟體方法能更有效率地執行瑕疵判斷。然而，以目前技術來看，以影像識別技術來檢測產品的瑕疵，除了需要收集大量的影像外，還有無法收集到完整的瑕疵圖像而導致機器學習效果不彰的問題。

另外，在機器學習的技術中，利用深度學習演算法可以從大量取得的樣品影像中學習得出瑕疵判斷的模型，然而，要得出有效判斷瑕疵的模型，需要收集到各種種類的瑕疵影像，例如，學習過程中須標記每個瑕疵位置，再執行軟體學習，操作繁雜且費時，仍需要投入大量的學習與時間成本，進一步地，使用深度學習演算法，也有硬體成本高的問題，若學習結果不如預期，還需要重新學習。

說明書公開一種瑕疵檢測方法、瑕疵分類方法及其系統，不同於一般針對瑕疵品學習瑕疵影像特徵以判斷瑕疵品的方式，根據一實施例，所提出的瑕疵檢測系統包括一或多個影像擷取裝置，用以取得多個良品或一待測物的影像，設有一計算裝置，包括處理電路與介面電路，可通過介面電路接收一或多個影像擷取裝置拍攝多個良品或待測物所得出的影像，通過處理電路針對這些一或多張影像執行一瑕疵檢測方法。

在瑕疵檢測方法中，對所取得的多個良品的多張影像執行一機器學習法，以學習多個良品中的影像特徵，建立用以描述良品影像特徵的一良品模型，因此可以應用此良品模型套用在待測物的影像，以取得待測物影像中的瑕疵數據，之後根據檢測參數，對照待測物影像中的瑕疵數據判斷待測物是否為一瑕疵品。

進一步地，待測物的瑕疵數據根據待測物的屬性可以包括一或多個瑕疵的位置、面積、顏色、亮度以及形狀的其中之一或任意組合。

如此，待測物的各項瑕疵數據對照檢測參數中對於各項瑕疵數據設定的門檻，可以判斷待測物是否為一瑕疵品，所判斷的瑕疵類型至少包括髒污、缺漏、破損、顏色變化以面積變化。

在一實施例中，當系統取得良品影像後，可切割為多個區塊影像，再以機器學習法學習各區塊影像中良品影像特徵，形成描述良品影像特徵的良品模型成為各區塊正常分佈標準表示，各區塊正常分佈標準包括各畫素的強度、面積與顏色的分布。

根據揭露書所提出的瑕疵分類方法實施例，同樣先取得多個良品的多張影像，經執行機器學習法學習多個良品中的影像特徵，建立用以描述良品影像特徵的良品模型，之後拍攝多個待測物以取得多個待測物的多張影像，可應用良品模型從這些待測物取得具有瑕疵數據的多張圖檔，根據事先定義的瑕疵類別，經執行一深度學習法，可分類影像中的瑕疵，以產生瑕疵類別，建立各分類瑕疵項目。

進一步地，於拍攝待測物影像的步驟中，可以連續拍攝取得待測物多張影像，並能動態定位被測物的位置，精準定位多張影像中的同一個檢測區塊，以標示其中多個瑕疵位置與特徵資訊。並且，於定位檢測區塊時，還能選擇固定或任意形狀框選檢測範圍。

進一步地，當取得一或多個瑕疵位置後，可以裁切影像的方式得出多個瑕疵位置區塊，使得在後續進行一深度學習法時，可以大幅提升深度學習效率。

之後，取得再一待測物的一或多張影像，應用良品模型取得待測物的瑕疵數據後，可根據瑕疵類別來分類待測物之瑕疵。

為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。

以下是通過特定的具體實施例來說明本發明的實施方式，本領域技術人員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不悖離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。

應當可以理解的是，雖然本文中可能會使用到“第一”、“第二”、“第三”等術語來描述各種元件或者信號，但這些元件或者信號不應受這些術語的限制。這些術語主要是用以區分一元件與另一元件，或者一信號與另一信號。另外，本文中所使用的術語“或”，應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。

說明書公開一種瑕疵檢測方法、瑕疵分類方法以及系統，有別於一般通過學習瑕疵品影像特徵建立檢測瑕疵的模型的方式，揭露書所提出的瑕疵檢測方法係以良品（non-defective unit）影像為基礎，學習良品的影像特徵，作為瑕疵檢驗的依據。

相對於需要取得具有各種瑕疵樣式的瑕疵品而言，取得良品樣品相對容易多了，根據瑕疵檢測流程的技術概念，第一階段關於品質檢測，需要採樣多個良品，但良品樣品收集相對容易，之後利用機器學習法（machine-learning method）學習良品的影像特徵，目的是找出定義良品的影像特徵與各種特徵之間的關聯性，這方面比學習瑕疵影像特徵需要的硬體算力相對較低，且效率更好。通過機器學習法篩選出瑕疵影像，之後還可經過人工或機器判斷其準確度，經過參數調整與多次訓練後，可以精進所得出的模型。之後，根據事先定義的瑕疵類別，再進行第二階段以深度學習法（deep-learning method）建立瑕疵分類，用於指出各種瑕疵的類別。其中優勢之一是，在第一階段篩選出可疑瑕疵後，可大幅縮小需分類的瑕疵圖像的範圍，讓深度學習分類可更快速運算。

實現所述瑕疵檢測方法的系統實施例可參考圖1所示利用攝影機拍攝樣品的系統示意圖。

瑕疵檢測系統主要元件包括有一或多個以各種形式的光學設備實現的影像擷取裝置，實現自動光學檢測的目標，如圖中顯示有攝影機111, 112, 113，用以取得良品或待測物的影像，如示意圖顯示在一光源14下拍攝樣品12，當系統要建立良品模型時，即以多個良品替換作為樣品12，以攝影機111, 112, 113從不同角度拍攝樣品12，取得良品的影像。瑕疵檢測系統設有一計算裝置10，其中主要元件包括處理電路101、儲存裝置103與介面電路105，通過介面電路105可接收一或多個攝影機111, 112, 113拍攝良品或待測物所得出的一或多張影像，通過處理電路101針對所取得的一或多張影像執行瑕疵檢測方法。儲存裝置103用以儲存影像數據，以及經過分析得出的數據等。根據一實施例，瑕疵檢測系統可設有控制電路107，控制電路107為計算裝置10用以控制攝影機111, 112, 113運作的驅動電路，讓使用者可以通過控制電路107操作攝影機的運作與拍攝。

根據以上描述的瑕疵檢測系統的實施例， 即以計算裝置10中的處理電路101執行瑕疵檢測方法與瑕疵分類方法，特別是其中應用的機器學習法與深度學習法。常見機器學習的方法例如（但不限於此）線性回歸（linear regression）、邏輯回歸（logistic regression）、支援向量機（support vector machine）、分類和回歸樹（classification and regression tree）等。

上述機器學習法等相關學習演算法可以從大量收集的影像數據中自動分析獲得影像中特定目標（如良品、瑕疵品）的影像特徵，也包括學習到未知的特徵，目標是能夠得出各種數據的分佈（主要針對良品），以及數據之間的關係。然而，為了確保機器學習得出符合需求的模型，還需要在學習訓練數據的過程提供大量的樣品（良品、瑕疵品）影像數據，以揭露書所揭示的方法為例，先取得生產線上良品的影像數據，作為學習演算法訓練的數據。

根據實施例，其中機器學習法用以學習在生產線上特定產品的影像中的特徵，其中主要是從生產線上得出良品，從良品的影像學習得到良品的影像特徵，例如面積的特徵、顏色的特徵、亮度的特徵以及形狀的特徵等，將這些良品影像特徵建立一良品模型，反過來用來檢測出不符這些特徵的瑕疵品。舉例來說，可通過良品模型檢測的瑕疵類型如氧化、髒污、刮傷、印刷不良與破損等。

圖2顯示瑕疵檢測方法中學習良品影像特徵建立模型的實施例流程圖。

首先，在所應用的生產線上取得多個良品的多個影像（步驟S201），接著以機器學習法學習良品影像特徵（步驟S203），學習影像特徵的過程中，根據一實施例，針對取得的灰階或彩色影像進行影像分析，通過機器學習法得出特定產品（良品）影像中可識別圖像的位置、面積、顏色、亮度以及形狀等描述良品的特徵，從影像特徵中得出描述良品的資訊，取得影像畫素中涉及良品的規則，建立良品模型（步驟S205）。舉例來說，良品模型描述的是良品的影像特性，可以特徵向量、影像屬性標籤與各畫素值等方式表示。

為了能夠根據良品模型檢測瑕疵，即決定檢測參數，其中關於判斷瑕疵品的各種門檻（步驟S207）。根據實施例之一，進行瑕疵檢測時，可先根據待測物的屬性（如待測物為電子產品、電路板、印刷品、塑膠商品、金屬物品…等）決定瑕疵檢測參數為基於其中一或多個瑕疵的位置、面積、顏色、亮度以及形狀的其中之一或任意組合，如此，在檢測瑕疵時，可根據這些檢測參數，對照待測物的一或多張影像中的瑕疵數據，判斷待測物是否為一瑕疵品。

依據圖2描述的流程建立的良品模型，圖3接著顯示瑕疵檢測方法的實施例之一流程圖。

利用系統提供的攝影機拍攝一待測物（步驟S301），取得待測物的一或多張影像（步驟S303），接著應用良品模型，根據待測物的屬性取得待測物影像中不符良品模型中描述的良品影像特徵的一或多張影像中的瑕疵數據（步驟S305），取得疑似瑕疵的位置以及相關瑕疵數據，如面積、顏色、亮度以及形狀的其中之一或任意組合（步驟S307），接著，可根據待測物的屬性取得根據檢測參數，即將判斷為疑似瑕疵的影像比對檢測參數（步驟S309），其中會依據系統針對瑕疵設定的判斷條件（強度、容許度，並可依據需求調整）篩選出確定瑕疵的部份，篩選時，可以待測物的各項瑕疵數據（面積、顏色、亮度以及形狀的其中之一或任意組合）對照檢測參數中對於各項瑕疵數據設定的門檻，以判斷待測物是否為一瑕疵品（步驟S311）。

在此一提的是，以上方法以良品影像作為訓練模型的材料，過程中並未判斷與標註瑕疵的需求，因此可以省下大量的運算時間，建立良品模型可以判斷出待測物上的瑕疵，接著再套用瑕疵判斷條件。

在判斷是否有瑕疵的方法中，還可將影像分割為m x n區塊，各區塊根據學習結果得出良品的影像特徵，例如可以是各區塊中各畫素的強度、面積與顏色（影像特徵）的分布，因此，描述良品影像特徵的良品模型則可以是各區塊正常分佈標準，相關實施例可參考圖4所示瑕疵檢測方法中建立瑕疵判斷標準的實施例流程圖。

先取得一或多張良品影像（步驟S401），並將各影像切割為多個區塊影像（步驟S403），接著可參考以上實施例的描述，以機器學習法學習各區塊影像中良品影像特徵（步驟S405），如此可以建立各區塊正常分佈標準（步驟S407）。也就是說，利用機器學習法建立的良品模型可以各區塊正常分佈標準表示，各區塊正常分佈標準包括各畫素的強度、面積與顏色的分布。因此，之後可以此分佈標準（良品模型）取得待測物的一或多張影像中的瑕疵數據，配合依照待測物的屬性設定的檢測參數，以比對待測物影像中各區塊的畫素影像值，可判斷各區是否具有瑕疵，再以整體來看，判斷待測物是否屬於瑕疵品。

根據一實施例，當完成學習良品影像特徵後，系統可產生多種（如3種）不同強度的篩檢率數值，使得使用者可在系統提供的使用者介面中，根據系統建議參數值，透過照片呈現不同強度的篩選效果，直觀式挑選適合的數值。

以上實施例所述各區塊影像特徵的分佈可參考圖5所示瑕疵檢測方法中某區塊正常分佈標準的示意圖。

圖中顯示良品或待測物的影像中某區塊的影像特徵分佈，其中橫軸為畫素的強度值，縱軸為某一檢測參數，例如為良品參數頻率值，顯示的曲線可以是各畫素的強度、面積與顏色的分布，其中有兩條垂直虛線，為決定是否屬於正常範圍的門檻一501與門檻二502，門檻一501與門檻二502即用於篩選瑕疵影像，並可依照實際需求調整。

針對良品而言，經過機器學習法可以得出整張影像的正常分佈標準，如圖6所示。接著，後續比對的待測物也同樣地將影像切割為多個區塊，通過每個區塊的分佈判斷是否為疑似瑕疵，作為初步篩選的方法，因此可以有效降低瑕疵判斷的計算需求。

其中，利用良品的各影像區塊的正常分佈標準建立的良品模型，可執行瑕疵檢測，如圖7所示瑕疵檢測方法的另一實施例流程圖。

先拍攝取得待測物影像（步驟S701），在將待測物影像切割為多個區塊影像（步驟S703），並取得各區塊影像特徵，如強度、其中圖案面積與顏色的特徵分佈等（步驟S705），同樣可得到各區塊的影像特徵分佈，這時，經比對各區塊正常分佈標準（步驟S707），配合上述實施例描述的門檻範圍，可以判斷各區塊是否屬於瑕疵，並再判斷整體是否符合瑕疵品的條件（步驟S709）。

值得一提的是，說明書所提出的瑕疵檢測方法可以連續拍攝取得多張待測物影像後，系統可動態定位被測物的位置，且針對多個區塊影像執行影像處理程序中，能高速變換不同的影像（圖檔），還可精準定位到同一個檢測區塊，通過並一次標示多個瑕疵位置與特徵資訊。根據上述圖4描述的實施例，通過機器學習法學習良品影像特徵後，可定義出多重瑕疵，如此，只要檢驗一次，即可標示出待測物影像中由不同成因而造成的多個瑕疵。

再者，由於待測物型態多變，在定位檢測區塊時，可以任意形狀框選檢測範圍，且能獨立設置不檢測區塊，並可透過一次的框選固定或任意形狀，若可框選任意形狀，可增加使用者操作軟體方便度，此外，透過設置不檢測區塊之功能，可加速人員判斷瑕疵範圍並只聚焦於檢測區塊上。

舉例來說，其中各區影像特徵（依照待測物屬性與需求）包括由待測物各區域影像特徵所計算得出的強度改變（亮度）、面積變化、顏色變化，比對由系統根據需求建立的判斷瑕疵的條件，包括瑕疵涵蓋範圍（如門檻一501與門檻二502），若判斷其中之一區塊符合瑕疵條件，但仍可能不算為瑕疵，進一步設定的檢測參數可以是符合瑕疵條件的區塊數量或位置，因此仍需要全部或部份區塊判斷待測物是否為瑕疵品。

以上各實施例所描述的瑕疵檢測方法在整個系統運作上為第一階段，當第一階段利用機器學習法建立良品模型可篩選出待測物的可疑瑕疵後，對照事先定義的瑕疵類別，還可在第二階段以深度學習法建立瑕疵分類，用於指出各種瑕疵的類別，且第一階段的結果可大幅縮小需分類的瑕疵圖像的範圍，讓深度學習分類可更快速運算。

值得一提的是，當通過深度學習得出瑕疵分類後，還可經過調整再次以深度學習法，通過多次訓練改善瑕疵分類的判斷。

圖8顯示瑕疵分類方法的實施例流程圖，系統可先根據需求，包括先前收集得到的瑕疵圖案，可以指定瑕疵的項目，作為瑕疵分類的依據。在流程中，先取得待測物影像（步驟S801），較佳地，拍攝多個待測物以取得多個待測物的多張影像，再套用良品模型（步驟S803），應用根據待測物屬性選擇的良品模型從多個待測物取得具有瑕疵數據的多張圖檔。其中，可以對整張待測物影像得出具有瑕疵的位置與其形式，如面積、顏色、亮度以及形狀等，或是經過切割為多個影像區塊後比對其中色彩或亮度等的正常分佈標準，可取得瑕疵區塊（步驟S805）。

在此一提的是，在所述瑕疵分類方法中，在進行分類之前，可於取得一或多個瑕疵位置後，以一裁切影像的方式得出多個瑕疵位置區塊，使得方法在後續進行一深度學習法時，可以大幅提升深度學習效率。

接著即以深度學習法學習各種瑕疵特徵，以分類瑕疵，其中採用的方法例如（但不限於此）邏輯迴歸模型（logistic regression model）與k-次交叉驗證（k-fold cross validation），將輸入的瑕疵影像通過學習得到描述各種瑕疵類別的函數，建立各分類瑕疵項目，包括可建立瑕疵檢測模型（步驟S807）。之後，根據這個瑕疵檢測模型，可以針對生產線上的產品執行瑕疵檢測與分類（步驟S809），其中，同樣輸入待測物的影像，除判斷是否有瑕疵外，更可針對瑕疵分類，以利後續修正系統參數。

圖9A至9E顯示幾種瑕疵分類的範例示意圖，但瑕疵分類並不以此例為限。圖中顯示之範例為以一印刷品上的字母為例，經拍攝此印刷品得到影像後，通過良品模型判斷出瑕疵的部份，再以瑕疵檢測模型進行分類。舉例來說，得出如圖9A示意表示其中有髒污的瑕疵；如圖9B有因為印刷不良造成的缺漏問題；如圖9C因為印刷過程中被機械刮傷產生了破損；如圖9D顯示因為印刷顏料不良或是過程中的缺失產生了顏色變化的問題；以及圖9E所示因為印刷問題形成了面積變化等。

綜上所述，以現有技術而言，如在製造業中，產品檢驗大多仍仰賴人工檢測的方式，機器檢測技術為輔助人工為主，因此有耗費人力、缺乏效率，以及不容易執行更精密的檢測，甚至容易發生疏失，因此，根據以上實施例所描述的瑕疵檢測與分類方法，所提出的瑕疵檢測系統利用良品影像執行機器學習法，學習良品的影像特徵後建立用以描述良品影像特徵的良品模型，之後的應用僅需設定瑕疵強度與瑕疵大小容許度，即可依照實際需求調整檢測嚴謹度，根據所設定的檢測參數檢測物品的瑕疵，還可利用深度學習分類瑕疵，強化檢測精度，以此方法因應現行發生在生產線上的檢測需求，實現強大卻又簡易的檢測能力，更可大幅提升產品良率。

以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。

10:計算裝置 101:處理電路 103:儲存裝置 105:介面電路 107:控制電路 111,112,113:攝影機 12:樣品 14:光源 501:門檻一 502:門檻二 步驟S201～S207:建立良品模型的步驟 步驟S301～S311:瑕疵檢測步驟 步驟S401～S407:建立區塊正常分佈標準的步驟 步驟S701～S709:瑕疵檢測步驟 步驟S801～S809:瑕疵分類步驟

圖1顯示利用攝影機拍攝樣品的系統示意圖；

圖2顯示在瑕疵檢測方法中學習良品影像特徵建立模型的實施例流程圖；

圖3顯示瑕疵檢測方法的實施例之一流程圖；

圖4顯示瑕疵檢測方法中建立瑕疵判斷標準的實施例流程圖；

圖5顯示瑕疵檢測方法中某區塊正常分佈標準的示意圖；

圖6顯示瑕疵檢測方法中每張影像中多個區塊正常分佈標準的示意圖；

圖7顯示瑕疵檢測方法的實施例之二流程圖；

圖8顯示瑕疵分類方法的實施例流程圖；以及

圖9A至9E顯示幾種瑕疵分類的範例示意圖。

S301:拍攝待測物

S303:取得待測物影像

S305:套用良品模型

S307:取得瑕疵位置

S309:比對檢測參數

S311:判斷是否為瑕疵品

Claims (20)

1. 一種瑕疵檢測方法，包括： 取得多個良品的多張影像； 執行一機器學習法，學習該多個良品中的影像特徵，建立用以描述良品影像特徵的一良品模型； 拍攝一待測物以取得該待測物的一或多張影像； 應用該良品模型取得該待測物的該一或多張影像中的瑕疵數據；以及 根據檢測參數，對照該待測物的該一或多張影像中的瑕疵數據，判斷該待測物是否為一瑕疵品。
2. 如請求項1所述的瑕疵檢測方法，其中得出該待測物的瑕疵數據根據該待測物的屬性包括一或多個瑕疵的位置、面積、顏色、亮度以及形狀的其中之一或任意組合。
3. 如請求項2所述的瑕疵檢測方法，其中，當取得該一或多個瑕疵位置後，以裁切影像的方式得出多個瑕疵位置區塊，於後續進行一深度學習法時，能大幅提升深度學習效率。
4. 如請求項3所述的瑕疵檢測方法，其中該待測物的各項瑕疵數據對照檢測參數中對於各項瑕疵數據設定的門檻，以判斷該待測物是否為一瑕疵品，其中根據各項瑕疵數據設定的門檻判斷的瑕疵類型至少包括髒污、缺漏、破損、顏色變化以面積變化。
5. 如請求項4所述的瑕疵檢測方法，其中根據各項瑕疵數據設定的門檻，根據事先定義的瑕疵類別，執行該深度學習法，以分類瑕疵。
6. 如請求項1所述的瑕疵檢測方法，其中，於拍攝該待測物影像的步驟中，以連續拍攝取得該待測物多張影像後，動態定位該被測物的位置，並精準定位該多張影像中的同一個檢測區塊，以標示其中多個瑕疵位置與特徵資訊。
7. 如請求項6所述的瑕疵檢測方法，其中，於定位檢測區塊時，能選擇固定或任意形狀框選檢測範圍。
8. 如請求項1至7中任一項所述的瑕疵檢測方法，其中，於取得該良品影像後，切割為多個區塊影像，再以該機器學習法學習各區塊影像中良品影像特徵，形成描述良品影像特徵的該良品模型以各區塊正常分佈標準表示。
9. 如請求項8所述的瑕疵檢測方法，其中各區塊正常分佈標準包括各畫素的強度、面積與顏色的特徵分布。
10. 一種瑕疵分類方法，包括： 取得多個良品的多張影像； 執行一機器學習法，學習該多個良品中的影像特徵，建立用以描述良品影像特徵的一良品模型； 拍攝多個待測物以取得該多個待測物的多張影像； 應用該良品模型從該多個待測物取得具有瑕疵數據的多張圖檔；以及 根據事先定義的瑕疵類別，將該多張圖檔中的瑕疵影像執行一深度學習法，以分類瑕疵，產生該多張圖檔中的瑕疵類別，建立各分類瑕疵項目； 取得再一待測物的一或多張影像；以及 應用該良品模型取得該待測物的該一或多張影像中的瑕疵數據，並根據該瑕疵類別以分類該待測物之瑕疵。
11. 如請求項10所述的瑕疵分類方法，其中得出該待測物的瑕疵數據根據該待測物的屬性包括一或多個瑕疵的位置、面積、顏色、亮度以及形狀的其中之一或任意組合。
12. 如請求項10或11所述的瑕疵分類方法，其中，於取得該良品影像後，切割為多個區塊影像，再以該機器學習法學習各區塊影像中良品影像特徵，形成描述良品影像特徵的該良品模型以各區塊正常分佈標準表示。
13. 如請求項12所述的瑕疵分類方法，其中，於拍攝該待測物影像的步驟中，以連續拍攝取得該待測物多張影像後，動態定位該被測物的位置，並精準定位該多張影像中的同一個檢測區塊，以標示其中多個瑕疵位置與特徵資訊。
14. 如請求項13所述的瑕疵分類方法，其中，於定位檢測區塊時，能選擇固定或任意形狀框選檢測範圍。
15. 一種瑕疵檢測系統，包括： 一或多個影像擷取裝置，用以取得多個良品或一待測物的影像； 一計算裝置，包括一處理電路與一介面電路，通過該介面電路接收該一或多個影像擷取裝置拍攝該多個良品或該待測物所得出一或多張影像，通過該處理電路針對該一或多張影像執行一瑕疵檢測方法，包括： 取得多個良品的多張影像； 執行一機器學習法，學習該多個良品中的影像特徵，建立用以描述良品影像特徵的一良品模型； 拍攝一待測物以取得該待測物的一或多張影像； 應用該良品模型取得該待測物的該一或多張影像中的瑕疵數據；以及 根據檢測參數，對照該待測物的該一或多張影像中的瑕疵數據，判斷該待測物是否為一瑕疵品。
16. 如請求項15所述的瑕疵檢測系統，其中得出該待測物的瑕疵數據根據該待測物的屬性包括一或多個瑕疵的位置、面積、顏色、亮度以及形狀的其中之一或任意組合。
17. 如請求項16所述的瑕疵檢測系統，其中，當取得該一或多個瑕疵位置後，以裁切影像的方式得出多個瑕疵位置區塊，於後續進行一深度學習法時，能大幅提升深度學習效率。
18. 如請求項17所述的瑕疵檢測系統，其中該待測物的各項瑕疵數據對照檢測參數中對於各項瑕疵數據設定的門檻，以判斷該待測物是否為一瑕疵品，所判斷的瑕疵類型至少包括髒污、缺漏、破損、顏色變化以面積變化，其中根據各項瑕疵數據設定的門檻，根據事先定義的瑕疵類別，執行該深度學習法，以分類瑕疵。
19. 如請求項15所述的瑕疵檢測系統，於所執行的瑕疵檢測方法中，連續拍攝取得該待測物多張影像後，動態定位該被測物的位置，並精準定位該多張影像中的同一個檢測區塊，以標示其中多個瑕疵位置與特徵資訊。
20. 如請求項15至19中任一項所述的瑕疵檢測系統，其中，於取得該良品影像後，切割為多個區塊影像，再以該機器學習法學習各區塊影像中良品影像特徵，形成描述良品影像特徵的該良品模型以各區塊正常分佈標準表示，各區塊正常分佈標準包括各畫素的強度、面積與顏色的特徵分布。

Images