TW202332957A - 物性值預測方法及物性值預測系統 - Google Patents
物性值預測方法及物性值預測系統 Download PDFInfo
- Publication number
- TW202332957A TW202332957A TW111146957A TW111146957A TW202332957A TW 202332957 A TW202332957 A TW 202332957A TW 111146957 A TW111146957 A TW 111146957A TW 111146957 A TW111146957 A TW 111146957A TW 202332957 A TW202332957 A TW 202332957A
- Authority
- TW
- Taiwan
- Prior art keywords
- physical property
- prediction
- property value
- raw material
- image
- Prior art date
Links
- 230000000704 physical effect Effects 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 title claims abstract description 24
- 239000002994 raw material Substances 0.000 claims description 46
- 239000002184 metal Substances 0.000 claims description 21
- 229910052751 metal Inorganic materials 0.000 claims description 21
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 239000003973 paint Substances 0.000 claims description 4
- 238000004381 surface treatment Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 10
- 239000000463 material Substances 0.000 abstract description 10
- 238000003384 imaging method Methods 0.000 abstract 2
- 238000001878 scanning electron micrograph Methods 0.000 description 18
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 15
- 239000000126 substance Substances 0.000 description 15
- 229910052802 copper Inorganic materials 0.000 description 11
- 239000010949 copper Substances 0.000 description 11
- 239000011889 copper foil Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 239000011248 coating agent Substances 0.000 description 2
- 239000011247 coating layer Substances 0.000 description 2
- 238000000576 coating method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 150000002739 metals Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007772 electroless plating Methods 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 238000004049 embossing Methods 0.000 description 1
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001634 microspectroscopy Methods 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000007747 plating Methods 0.000 description 1
- 238000005498 polishing Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000550 scanning electron microscopy energy dispersive X-ray spectroscopy Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
一種物性值預測方法，其取得拍攝預測對象之原材料所得到的預測對象影像G1，對已機器學習成將拍攝原材料所得到的影像輸入作為說明變數且輸出關於原材料之物性值（Y）的預測模型輸入預測對象影像G1，將映現於預測對象影像G1之關於原材料的物性值（Y）輸出作為預測值。
Description
本發明係關於一種使用機器學習之物性值預測方法及物性值預測系統。
電子基板係銅等金屬與樹脂之積層結構，電子基板之品質對應於金屬與樹脂界面之密合度。藉由對經以化學品實施表面處理而粗面化之金屬表面的形狀進行評價，能夠評價電子基板之金屬的密合度。作為評價項目之一，例如可舉測量密合強度，但卻有花費工時之問題。
例如，於專利文獻1記載有使用機器學習來推定橡膠材料之物性值。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本特開2021－60457號公報
為了簡化上述評價，認為若可藉由機器學習來預測經實施表面處理之金屬的密合強度為佳。另，並不限定於經實施表面處理之金屬或密合強度，認為若可藉由機器學習來預測原材料之物性值為佳。
本發明提供一種使用機器學習而可預測原材料之物性值的物性值預測方法及物性值預測系統。
本發明之物性值預測方法，其取得拍攝預測對象之原材料所得到的預測對象影像，對已機器學習成將拍攝原材料所得到的影像輸入作為說明變數且輸出關於上述原材料之物性值的預測模型輸入上述預測對象影像，將映現於上述預測對象影像之關於上述原材料的物性值輸出作為預測值。
若根據本發明之物性值預測方法，由於可使用經機器學習之預測模型預測映現於預測對象影像之關於原材料（金屬）的物性值，故相較於以試驗等測量物性值之情形，能夠削減金錢成本或時間成本。
＜第1實施形態＞
以下，參照圖式來說明本發明之第1實施形態。
[學習系統、預測系統]
第1實施形態之預測系統2（裝置）係使用預測模型21，基於對經以化學品實施表面處理之金屬（銅）之表面進行拍攝所得到的影像，來預測金屬之物性值（例如密合強度）。學習系統1（裝置）係使用教導資料，以機器學習來建構預測模型21。
如圖1所示，預測系統2具有影像取得部20與預測部22。學習系統1具有教導資料D1與使預測模型21學習之學習部10。教導資料D1被記憶於記憶體1b。學習部10係以處理器1a實現。影像取得部20及預測部22則以處理器2a實現。於第1實施形態中，雖是1個裝置中之處理器1a、2a實現各部，但並不限定於此。例如，亦可構成為使用網路將各處理分散，複數個處理器執行各部之處理。亦即，1個或複數個處理器執行處理。
影像取得部20取得拍攝預測對象之原材料所得到的影像G1。於第1實施形態中，影像取得部20取得以電子顯微鏡拍攝經表面處理之金屬（銅）表面所得到的SEM影像（灰階影像）。拍攝預測對象之原材料所得到的影像G1為垂直像素數h×水平像素數w之影像資料。
預測模型21係以機器學習而建構成使用教導資料D1，將影像輸入作為說明變數且輸出關於原材料之物性值的模型，其中該教導資料D1係使拍攝原材料所得到之影像（例如SEM影像、相機影像）與關於該原材料之物性值（例如密合強度）相關連而成者。學習系統1之學習部10將預測模型21之參數更新成預測結果與教導資料之實測值一致。於圖1中，教導資料D1中，輸入影像1～N（N表示學習用影像數）與為對應於各個輸入影像1～N之實測值的物理量（X
1、X
2、…、X
N）相對應。
預測模型21可利用各種模型，於第1實施形態中，預測模型21具有從輸入影像輸出特徵量圖G2之特徵量圖輸出部21a、與將特徵量圖G2轉換成物性值（Y）之轉換部21b。於第1實施形態中，特徵量圖輸出部21a係使用UNet。UNet為基於U字型卷積類神經網路（CNN：Convolutional Neural Network）之學習模型。轉換部21b則是採用全域均值池化（GAP：Global Average Pooling）。特徵量圖G2係具有將對應於輸入影像G1之垂直像素h的像素數h’與對應於輸入影像之水平像素w的像素數w’相乘所得到之數之像素數的資料，各像素具有與關於原材料之物性值相關的特徵量。轉換部21b將特徵量圖G2轉換成「為1個數之物理量（Y）」。此處之「對應」，包含特徵量圖成為與原輸入影像相同尺寸之影像的情形，或成為尺寸與原輸入影像不同但長寬比（aspect ratio）相同之影像的情形，意指可藉由對特徵量圖進行放大處理而與原輸入影像之尺寸一致。
圖5顯示以電子顯微鏡拍攝經化學品處理後之銅箔所得到之SEM影像的一例。圖6則將基於圖5所示之SEM影像使用UNet所得到的特徵量圖顯示作為影像。圖6所示之例之影像為與圖5所示之輸入影像相同的尺寸。如此，特徵量圖具有相當於垂直像素×水平像素之數的特徵量，各個特徵量表示關於原材料之物性值的特徵。
[實施例]
[實施例1]
實施例1係使輸入影像G1為以電子顯微鏡拍攝經化學品處理後之銅箔所得到的SEM影像之例。圖2表示SEM影像之一例。關於SEM影像之拍攝條件，倍率為3500倍，傾斜角（tilt angle）為45度。物理量設為密合強度[N／mm]。為經使用化學品A處理銅表面之例。對90張影像測量了90個密合強度。將90個資料中之半數使用作為學習用資料，剩餘半數之資料則用於預測。實測密合強度與預測值之均方誤差為0.0008。圖3係橫軸為實測密合強度，縱軸為預測之密合強度，將預測值與實測值之組合資料標繪出所得到之圖。
[實施例2]
實施例2與實施例1同樣地將SEM影像作為輸入影像G1。為經使用化學品B處理銅表面之例。對72張影像測量了72個密合強度。將72個中之半數作為學習用資料，剩餘半數則作為預測用資料。實測密合強度與預測值之均方誤差為0.0012。SEM影像之拍攝條件與實施例1相同。
[實施例3]
實施例3與實施例1同樣地將SEM影像作為輸入影像G1。為經使用化學品C處理銅表面之例。對39張影像測量了39個密合強度。將39個中之半數作為學習用資料，剩餘半數則作為預測用資料。實測密合強度與預測值之均方誤差為0.0021。SEM影像之拍攝條件與實施例1相同。
[實施例4]
實施例4係使用實施例3之SEM影像，從1張SEM影像推測複數個物性值之例。具體而言，藉由將1個UNet之輸出設定為複數類，而可從同一個UNet輸出（計算）複數個物性值。複數個物性值為密合強度、粗糙度參數（Sdr、Sdq）。係將用以預測密合強度之第1UNet、用以預測Sdr之第2UNet及用以預測Sdq之第3UNet加以並列化而成的構成。密合強度之均方誤差為0.001，Sdr之均方誤差為0.0003，Sdq之均方誤差為0.0868。
[實施例5]
實施例5為經使用化學品D處理銅表面之例。輸入影像G1係以光學相機所拍攝之相機影像，而非SEM影像。關於相機影像，僅進行將黑色背景加以分離之處理。將相機影像所含之每個RGB成分分為3個單色影像，再將3個單色影像輸入於預測模型21。物性值設為表面粗糙度Ra（算術平均）。使用960組資料，將半數作為教導資料，剩餘半數則用於預測資料。均方誤差為0.0153。
另外，亦可將具有RGB成分之相機影像轉換成灰階影像，且將灰階影像之強度（明度）輸入於預測模型21。由於輸入灰階影像之情形與每個RGB成分輸入3個單色影像之情形並無須特別說明之差異，故於實施例5使用了RGB成分。
[實施例6]
實施例6與實施例5同樣地將相機影像作為輸入影像G1。為經使用化學品D處理銅表面之例。物性值設為CIE 1976 明度指數L＊。使用320組資料，將半數作為教導資料，剩餘半數則用於預測資料。均方誤差為11.05。L＊係依照JIS Z 8781－4。
[實施例7]
實施例7與實施例5同樣地將相機影像作為輸入影像G1。為經使用化學品D處理銅表面之例。物性值設為CIE 1976色彩空間中之色座標a＊。使用320組資料，將半數作為教導資料，剩餘半數則用於預測資料。均方誤差為0.0062。a＊係依照JIS Z 8781－4。
[實施例8]
實施例8與實施例5同樣地將相機影像作為輸入影像G1。為經使用化學品D處理銅表面之例。物性值設為CIE 1976色彩空間中之色座標b＊。使用320組資料，將半數作為教導資料，剩餘半數則用於預測資料。均方誤差為0.1294。b＊係依照JIS Z 8781－4。
[原材料之物性值的預測方法]
使用圖4說明上述預測系統2所執行之原材料之物性值的預測方法。
首先，於步驟ST1中，影像取得部20取得拍攝預測對象之原材料所得到的預測對象影像。於第1實施形態中，取得SEM影像或相機影像。於下個步驟ST2、3中，將所取得之預測對象影像輸入於預測模型21，輸出關於原材料之物性值。具體而言，於步驟ST2中，特徵量圖輸出部21a係被輸入預測對象影像而輸出特徵量圖G2。於步驟ST3中，轉換部21b將特徵量圖G2轉換為關於原材料之物性值。
＜變形例＞
（1－1）於圖1所示之實施形態中，預測模型21雖以輸出特徵量圖G2之特徵量圖輸出部21a構成，但亦可為不輸出特徵量圖，輸出物性值之模型。例如，亦可使用為類神經網路之一種的ResNet。當然，若為能夠處理影像之非線性模型，就可加以利用。
（1－2）於上述實施形態中，預測物性值的預測對象之原材料，雖為經藉由以化學品（蝕刻劑，研磨液（化學、電解））等進行之化學反應處理實施表面處理之金屬（銅）的表面，但若為具有均一且微細之表面形狀的原材料，則不限定於此。例如，亦可為經藉由使研磨或壓延、雷射等外力發揮作用之機械加工處理實施表面處理的金屬表面。亦可為分散、混合有各種顏料之塗料的塗裝面。又，此情形時之塗料的性質狀態（液體、粉體等）並無限定。可為經藉由電鍍、無電電鍍等進行鍍覆處理之金屬的表面。亦可為經添加、分散添加劑進行成形加工之膜的表面。亦可為具有用以接受油墨（ink）之塗覆層或其他賦予功能性之塗覆層的紙表面。原材料並無限定，亦可為經使用輪壓成形（calender molding）或壓紋成形等成形加工之原材料表面。
（1－3）於上述實施形態中，作為關於原材料之物性值，可舉密合強度，但並不限定於此。例如亦可為與密合性、接合性、氣密性、撥水性、撥油性、抗污性、滑動性、表面性（光澤、粗糙度）、色調、觸感、熱物理性質、抗菌性、傳輸損耗相關之物性值。
（1－4）於上述實施形態中，雖舉藉由SEM及相機所取得之金屬表面的影像作為原材料影像之對象，但並不限定於此。波形或波譜、映射影像（mapping image）、數字等可作為影像匯入之資料亦可成為對象。作為一例，可舉藉由顯微分光法（紅外、拉曼、UV-Vis等）或能量分散X光光譜術（SEM-EDX）、及使用於非破壞性檢查之類的超音波檢查所得到之波譜或使用其之映射影像等。
如上述，第1實施形態之物性值預測方法，係1個或複數個處理器執行之方法，可使之為以下：取得拍攝預測對象之原材料所得到的預測對象影像G1，對已機器學習成將拍攝原材料所得到的影像輸入作為說明變數且輸出關於原材料之物性值（Y）的預測模型輸入預測對象影像G1，將映現於預測對象影像G1之關於原材料的物性值（Y）輸出作為預測值。
以此方式，由於可使用經機器學習之預測模型21預測映現於預測對象影像G1之關於原材料（金屬）的物性值，故相較於以試驗等測量物性值之情形，能夠削減金錢成本或時間成本。
雖無特別限定，但亦可使之如第1實施形態，預測模型21具有特徵量圖輸出部21a與轉換部21b，該特徵量圖輸出部21a係從所輸入之影像G1，輸出具有與關於原材料之物性值相關的特徵量之特徵量圖G2，該轉換部21b則將特徵量圖G2轉換成預測值。
藉此，由於可從特徵量圖G2得到預測值，故可嘗試以特徵量圖G2說明預測模型21所預測之根據。
雖無特別限定，但亦可使之如第1實施形態，所拍攝之上述原材料為經實施表面處理之金屬的表面、塗料之塗裝面、經鍍覆處理之金屬的表面、膜之表面、紙表面及受到成形加工之原材料表面的任一者。為較適合之一例。
第1實施形態之系統具備執行上述方法之1個或複數個處理器。
第1實施形態之程式為使1個或複數個處理器執行上述方法之程式。
藉由執行此等程式，亦可得到上述方法所達成之作用效果。
以上，係基於圖式說明本發明之實施形態，但關於具體之構成，應理解為不限定於此等實施形態。本發明之範圍不僅包含上述實施形態之說明，而且還包含申請專利範圍所示之範圍、以及與申請專利範圍均等之意義及範圍內的所有變更。
可將上述各實施形態所採用之結構採用於其他任意之實施形態。各部之具體構成，非僅限定於上述實施形態，亦可於不脫離本發明之意旨的範圍作各種變形。
例如，於申請專利範圍、說明書及圖式中所示之裝置、系統、程式及方法中的動作、次序、步驟及階段等各處理之執行順序，只要不是於後處理使用前處理之輸出，則能以任意順序實現。即使關於申請專利範圍、說明書及圖式中之流程，為了方便而使用「首先」、「接著」等加以說明，但並非意指必須以此順序執行。
圖1所示之各部雖是以1個或複數個處理器執行規定程式而實現，但亦能以專用記憶體或專用電路構成各部。上述實施形態之系統1（2）係於一台電腦之處理器1a（2a）中構裝有各部，但亦可使各部分散，以複數台電腦或雲端來構裝。亦即，亦能以1個或複數個處理器執行上述方法。
系統1（2）含有處理器1a（2a）。例如，處理器1a（2a）可設為中央處理單元（CPU）、微處理器或能夠執行電腦可執行指令之其他處理單元。又，系統1（2）含有用以存放系統1（2）之資料的記憶體1b（2b）。於一例中，記憶體1b（2b）包含電腦儲存媒體，包含RAM、ROM、EEPROM、快閃記憶體或其他記憶體技術、CD－ROM、DVD或其他光碟儲存器、盒式磁帶（magnetic cassette）、磁帶、磁碟儲存器或其他磁儲存裝置、或者可用以存放期望之資料然後系統1可存取之任意的其他媒體。
1:學習系統
1a,2a:處理器
1b:記憶體
2:預測系統
10:學習部
20:影像取得部
21:預測模型
21a:特徵量圖輸出部
21b:轉換部
22:預測部
D1:教導資料
G1:預測對象影像
G2:特徵量圖
h:垂直像素數
h’,w’:像素數
w:水平像素數
X
1、X
2、…、X
N:物理量
[圖1]係表示第1實施形態之預測系統及學習系統的方塊圖。
[圖2]係表示以電子顯微鏡拍攝經化學品處理後之銅箔所得到之SEM影像的一例之圖。
[圖3]係將實施例1之預測值與實測值的組合資料標繪出所得到之圖。
[圖4]係表示第1實施形態之預測系統所執行的處理之流程圖。
[圖5]係表示以電子顯微鏡拍攝經化學品處理後之銅箔所得到之SEM影像的一例。
[圖6]係將基於圖5所示之SEM影像使用UNet所得到的特徵量圖顯示作為影像。
1:學習系統
1a,2a:處理器
1b:記憶體
2:預測系統
10:學習部
20:影像取得部
21:預測模型
21a:特徵量圖輸出部
21b:轉換部
22:預測部
D1:教導資料
G1:預測對象影像
G2:特徵量圖
h:垂直像素數
h’,w’:像素數
w:水平像素數
X1、X2、...、XN:物理量
Claims (6)
- 一種物性值預測方法，其取得拍攝預測對象之原材料所得到的預測對象影像， 對已機器學習成將拍攝原材料所得到的影像輸入作為說明變數且輸出關於該原材料之物性值的預測模型輸入該預測對象影像，將映現於該預測對象影像之關於該原材料的物性值輸出作為預測值。
- 如請求項1之物性值預測方法，其中，該預測模型具有： 特徵量圖輸出部，其從所輸入之影像輸出具有與關於該原材料之物性值相關的特徵量之特徵量圖；及 轉換部，其將該特徵量圖轉換成該預測值。
- 如請求項1或2之物性值預測方法，其中，所拍攝之該原材料為經實施表面處理之金屬的表面、塗料之塗裝面、經鍍覆處理之金屬的表面、膜之表面、紙表面及受到成形加工之原材料表面的任一者。
- 一種物性值預測系統，其具備： 影像取得部，其取得拍攝預測對象之原材料所得到的預測對象影像；及 預測部，其對已機器學習成將拍攝原材料所得到的影像輸入作為說明變數且輸出關於該原材料之物性值的預測模型輸入該預測對象影像，將映現於該預測對象影像之關於該原材料的物性值輸出作為預測值。
- 如請求項4之物性值預測系統，其中，該預測模型具有： 特徵量圖輸出部，其從所輸入之影像輸出具有與關於該原材料之物性值相關的特徵量之特徵量圖；及 轉換部，其將該特徵量圖轉換成該預測值。
- 如請求項4或5之物性值預測系統，其中，所拍攝之該原材料為經實施表面處理之金屬的表面、塗料之塗裝面、經鍍覆處理之金屬的表面、膜之表面、紙表面及受到成形加工之原材料表面的任一者。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2021-206742 | 2021-12-21 | ||
| JP2021206742A JP7078944B1 (ja) | 2021-12-21 | 2021-12-21 | 物性値予測方法、物性値予測システム及びプログラム |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TW202332957A true TW202332957A (zh) | 2023-08-16 |
Family
ID=81845517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111146957A TW202332957A (zh) | 2021-12-21 | 2022-12-07 | 物性值預測方法及物性值預測系統 |
Country Status (3)
| Country | Link |
|---|---|
| JP (1) | JP7078944B1 (zh) |
| TW (1) | TW202332957A (zh) |
| WO (1) | WO2023120061A1 (zh) |
Family Cites Families (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5333635B1 (ja) | 2012-08-23 | 2013-11-06 | 富士ゼロックス株式会社 | 画像処理装置、プログラム及び画像処理システム |
| JP6839433B2 (ja) | 2016-08-26 | 2021-03-10 | 国立大学法人静岡大学 | 萎れ具合予測システム及び萎れ具合予測方法 |
| JP6977293B2 (ja) | 2017-03-31 | 2021-12-08 | ソニーグループ株式会社 | 情報処理装置、情報処理方法、プログラム及び観察システム |
| JP7133927B2 (ja) | 2018-01-15 | 2022-09-09 | キヤノン株式会社 | 情報処理装置及びその制御方法及びプログラム |
| US10810469B2 (en) | 2018-05-09 | 2020-10-20 | Adobe Inc. | Extracting material properties from a single image |
| JP7219910B2 (ja) | 2018-09-07 | 2023-02-09 | 学校法人金沢工業大学 | コンクリートの最適締固め判定施工システム |
| WO2020116085A1 (ja) | 2018-12-05 | 2020-06-11 | ソニー株式会社 | 推定装置、推定方法、及び推定プログラム |
| JP6609387B1 (ja) | 2019-02-07 | 2019-11-20 | 国立大学法人北海道大学 | ゴム材料の特性推定方法、システム及びプログラム |
| CN113939729A (zh) | 2019-06-28 | 2022-01-14 | 关西涂料株式会社 | 光辉性颜料判定方法、光辉性颜料判定装置以及光辉性颜料判定程序 |
| JP7259676B2 (ja) | 2019-09-20 | 2023-04-18 | 株式会社デンソーテン | 付着物検出装置および付着物検出方法 |
| JP7482470B2 (ja) | 2019-10-03 | 2024-05-14 | 国立大学法人北海道大学 | ゴム材料の物性推定方法、システム及びプログラム |
| JP2021135199A (ja) | 2020-02-27 | 2021-09-13 | 太平洋セメント株式会社 | 骨材の品質推定方法およびコンクリート製造方法 |
| JP7435062B2 (ja) | 2020-03-11 | 2024-02-21 | 株式会社ジェイテクト | 品質評価に用いられる学習モデルの製造方法、学習システム、品質評価システム、及び、品質評価方法 |
| JP6738079B1 (ja) | 2020-03-26 | 2020-08-12 | 前田道路株式会社 | アスファルト混合物の成分情報推定システム、アスファルトプラント、及び、アスファルト混合物の成分情報推定方法 |
-
2021
- 2021-12-21 JP JP2021206742A patent/JP7078944B1/ja active Active
-
2022
- 2022-11-29 WO PCT/JP2022/043940 patent/WO2023120061A1/ja unknown
- 2022-12-07 TW TW111146957A patent/TW202332957A/zh unknown
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023120061A1 (ja) | 2023-06-29 |
| JP2023091892A (ja) | 2023-07-03 |
| JP7078944B1 (ja) | 2022-06-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20190032237A1 (en) | Anodizable aluminum alloy plate and method of manufacturing the same | |
| JP2011506961A5 (zh) | ||
| Aboutaleb et al. | Multi-objective accelerated process optimization of part geometric accuracy in additive manufacturing | |
| CN108139271A (zh) | 确定表面涂层的纹理参数的方法 | |
| Ren et al. | Fast defect inspection based on data-driven photometric stereo | |
| US10991101B2 (en) | Multi-stage segmentation using synthetic images | |
| CN116342597B (zh) | 一种汽车配件表面电镀加工缺陷检测方法和系统 | |
| TW202332957A (zh) | 物性值預測方法及物性值預測系統 | |
| JP5768719B2 (ja) | 学習装置、識別装置、学習識別システム及び学習識別装置 | |
| TW202332958A (zh) | 物性值預測方法及物性值預測系統 | |
| JP4534795B2 (ja) | 塗膜評価装置及び方法 | |
| TWI683320B (zh) | 人工變造生醫實驗影像的檢測系統及方法 | |
| Oszust | Image quality assessment with lasso regression and pairwise score differences | |
| TW202100951A (zh) | 影像匹配方法、及用於執行影像匹配處理的演算系統 | |
| Kamiyama et al. | Estimation of low-cycle fatigue damage of sputtered Cu thin films at the micro scale using deep learning | |
| US20230304941A1 (en) | System and method for assessing a coated surface with respect to surface defects | |
| TW202305349A (zh) | 評估方法、評估裝置及電腦程式 | |
| WO2022202365A1 (ja) | 検査支援システム、検査支援方法、及びプログラム | |
| Jadhav et al. | Deep learning-based denoising of acoustic images generated with point contact method | |
| JP7128471B2 (ja) | 塗色評価用の等色範囲設定方法及び等色範囲設定装置 | |
| WO2024122547A1 (ja) | 外観検査用画像変換装置および外観検査用画像変換方法 | |
| Mossina et al. | Conformal Semantic Image Segmentation: Post-hoc Quantification of Predictive Uncertainty | |
| JP2024042521A (ja) | 色情報推定方法および色情報推定装置 | |
| US20230339185A1 (en) | Convolution modeling and learning system for predicting geometric shape accuracy of 3d printed products | |
| CN106296713A (zh) | 基于对称Gamma散度的灰度图像阈值分割方法 |