TWI653605B - 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統 - Google Patents

利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統 Download PDF

Info

Publication number
TWI653605B
TWI653605B TW106145566A TW106145566A TWI653605B TW I653605 B TWI653605 B TW I653605B TW 106145566 A TW106145566 A TW 106145566A TW 106145566 A TW106145566 A TW 106145566A TW I653605 B TWI653605 B TW I653605B
Authority
TW
Taiwan
Prior art keywords
image
deep learning
feature
neural network
layer
Prior art date
Application number
TW106145566A
Other languages
English (en)
Other versions
TW201928869A (zh
Inventor
方志恆
陸家樑
徐敏堂
亞魯木魯甘 安比卡帕
林建仲
Original Assignee
由田新技股份有限公司
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
Family has litigation
First worldwide family litigation filed litigation Critical https://patents.darts-ip.com/?family=66590752&utm_source=google_patent&utm_medium=platform_link&utm_campaign=public_patent_search&patent=TWI653605(B) "Global patent litigation dataset” by Darts-ip is licensed under a Creative Commons Attribution 4.0 International License.
Application filed by 由田新技股份有限公司 filed Critical 由田新技股份有限公司
Priority to TW106145566A priority Critical patent/TWI653605B/zh
Priority to CN201810189495.5A priority patent/CN109959661A/zh
Priority to CN202410261389.9A priority patent/CN118150575A/zh
Priority to US16/220,649 priority patent/US10964004B2/en
Application granted granted Critical
Publication of TWI653605B publication Critical patent/TWI653605B/zh
Publication of TW201928869A publication Critical patent/TW201928869A/zh

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models
    • G06N5/046—Forward inferencing; Production systems
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/97—Determining parameters from multiple pictures
    • 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
    • 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
    • G06T2207/20084—Artificial neural networks [ANN]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30141—Printed circuit board [PCB]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Quality & Reliability (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

一種利用深度學習的自動光學檢測方法，包含：提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像；提供一卷積神經網路架構，並於該卷積神經網路架構中啟動訓練模式；將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練；以及利用已訓練的該卷積神經網路架構，執行一光學檢測程序。

Description

利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀 取之記錄媒體及其深度學習系統
本發明係有關於一種自動光學檢測方法、設備、電腦程式、及電腦可讀取之記錄媒體，特別是指一種利用深度學習的自動光學檢測方法、設備、電腦程式、及電腦可讀取之記錄媒體及其深度學習系統。
深度學習(Deep Learning)最常見的應用，包括影像識別、語音辨識、自然語言處理等，甚至推薦系統、生醫資訊等，各種和生活相關的領域都可以看到深度學習的推廣應用。而其中影像辨識於深度學習的應用上最為廣泛，技術成熟度也相較其他的領域來得要高。
光學檢測為了避免人檢的缺失，通常利用人工智慧(Artificial Intelligence)和機器學習(Machine Learning)來取代一般的肉眼檢測，藉此減少誤判的可能性。於計算機視覺領域中，AlexNet、GoogleNet、VGG-Net、以及Deep Residual Learning為目 前深度學習主流應用的技術，其中VGG-Net於機器視覺檢測的精確度最佳，主要在於VGG網路利用增加網路的深度使其在一定程度上影響網路的精確率。然而，雖然VGG網路的精確度及效果較佳，但VGG網路的缺點在於訓練的過程中需要輸入非常多的樣本，導致訓練的時間過長，相較於其他深度學習的方式，訓練一個VGG模型通常需要花費更長的時間，而且訓練出來的模型數據量也相對龐大。
本發明的主要目的，在於提供一種訓練方式可以有效增加深度學習於假性缺陷的濾除率，同時減少訓練的時間、所需的樣本數、以及模型的數據量。
為達到上述目的，本發明係提供一種利用深度學習的自動光學檢測方法，包含：提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像；提供一卷積神經網路架構，並於該卷積神經網路架構中啟動訓練模式；將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練；以及利用已訓練的該卷積神經網路架構，執行一光學檢測程序。
進一步地，該卷積神經網路架構係執行以下的方法：經由複數個卷積層由輸入的該成對影像組合中篩選出特徵影像；將篩選出的該特徵影像經由線性整流單元使一部分該特徵影像上的像元輸出為0；進行池化處理將所獲得的該特徵影像進行壓縮以簡化該特徵影像；以及經由該全連結層篩選該特徵影像，以 將該特徵影像依據權重比例進行分類，並將分類的結果進行正規化處理，以獲得檢測的結論。
本發明的另一目的，在於提供一種執行如上所述方法的自動光學檢測設備，包括：一影像擷取裝置，用以擷取一待測工件之影像；以及一運算裝置，耦合至該影像擷取裝置，根據已訓練的該卷積神經網路架構，對該待測工件之影像執行該光學檢測程序。
本發明的另一目的，在於提供一種深度學習系統，包括：一或複數個特徵提取器，該特徵提取器包括一或複數個卷積層、一或複數個線性整流單元、以及一或複數個池化層進行特徵強化及影像壓縮處理；一或複數個全連結層，依據權重比例進行分類；一正規化輸出層，輸出分類的結果；一比較模組，於取得該分類的結果後，將該分類的結果與預期輸出進行比對，判斷該分類的結果是否符合預期；以及一權重調整模組，若該分類的結果不符合預期的話，基於反向傳播演算法計算並調整全連結層個別的權重。
本發明的另一目的，在於提供一種電腦程式，用於安裝在一電腦設備上，並執行如上所述的利用深度學習的自動光學檢測方法。
本發明的另一目的，在於提供一種電腦可讀取之記錄媒體，儲存有一電腦程式，該電腦程式用以安裝在一電腦設備，並執行如上所述的利用深度學習的自動光學檢測方法。
本發明可以有效增加深度學習於假性缺陷的濾除率，同時減少訓練的時間、所需的樣本數、以及模型的數據量。 此外，本發明可以有效地增加光學檢測對缺陷的檢出率及準確率，藉此增加檢測的效率同時降低成本。
100‧‧‧自動光學檢測設備
10‧‧‧攝影機
20‧‧‧電腦設備
30‧‧‧移載設備
40‧‧‧輔助光源
P‧‧‧待測物
S01-S04‧‧‧步驟
S11-S13‧‧‧步驟
200‧‧‧特徵提取器
201‧‧‧卷積群層
202‧‧‧線性整流單元
203‧‧‧池化群層
204‧‧‧全連結群層
205‧‧‧正規化輸出層
206‧‧‧比較模組
207‧‧‧權重調整模組
IP‧‧‧輸入影像
OP‧‧‧分類結果
S21-S24‧‧‧步驟
C1‧‧‧第一特徵提取器
C11‧‧‧第一卷積群層
P1‧‧‧第一池化層
C2‧‧‧第二特徵提取器
C21‧‧‧第二卷積群層
P2‧‧‧第二池化層
C3‧‧‧第三特徵提取器
C31‧‧‧第三卷積群層
P3‧‧‧第三池化層
C4‧‧‧第四特徵提取器
C41‧‧‧第四卷積群層
P4‧‧‧第四池化層
C5‧‧‧第五特徵提取器
C51‧‧‧第五卷積群層
P5‧‧‧第五池化層
FC6‧‧‧全連結群層
SF‧‧‧正規化輸出層
圖1，係為自動光學檢測設備的方塊示意圖。
圖2，係為深度學習的流程圖。
圖3，係為卷積神經網路的網路架構圖(一)。
圖4A，為本發明的卷積神經網路架構的方塊示意圖(一)。
圖4B，為本發明的卷積神經網路架構的方塊示意圖(二)。
圖5，係為卷積神經網路的網路架構圖(二)。
圖6，係為本發明自動光學檢測方法的流程示意圖。
圖7，係為本發明反向傳播演算法的流程示意圖。
有關本發明之詳細說明及技術內容，現就配合圖式說明如下。
本發明係應用於自動光學檢測設備(Automated Optical Inspection,AOI)上，用於對半導體、晶圓、工件、面板、電路板(PCB、FPC、陶瓷電路板)等零件進行表面瑕疵檢測，檢測物件表面的缺陷或瑕疵。
有關於自動光學檢測設備100的架構，請參閱「圖1」所示，自動光學檢測主要是透過攝影機10、及連接至攝影機10的影像處理設備(電腦設備20)組成，一般而言，為了實現全自動化檢測，通常會再增加移載設備30，用於將待測物P移載至檢測 區域，經由設置於該檢測區域一側的攝影機10進行拍攝，以獲取待測物P的影像並進行影像分析。
通常針對不同的待測物P，自動光學檢測設備100上會安裝有輔助光源40，用以對待測物P進行照明，輔助光源40的種類可能為平行光燈具、漫射光燈具、穹形燈等，一些特殊的待測物可能會用到兩組以上的輔助光源40，端看所對應的待測物種類決定。
用於自動光學檢測的攝影機10係依據實際需求而配置。通常對於工件的精密度及可靠度有相當程度的需求時，必須要配置更為精密的攝影機：反之，為了減少設備的成本，可選用較為低階的攝影機，此部分端看廠商的需求而定。一般攝影機10種類可分為面掃描攝影機(Area Scan Camera)、以及線掃描攝影機(Line Scan Camera)，配合實務上的需求所述的兩種攝影機都有可能被使用。線掃描攝影機較常用於動態檢測，於待測物P移動的同時進行拍攝，可確保檢測流程的連續性。
攝影機10係連接於後台的電腦設備20，經由電腦設備20分析攝影機10所獲得的影像，以經由影像中得到待測物P表面上的瑕疵。於較佳的實施態樣中，攝影機10係配置有微處理器(通常於攝影機10出廠時配置)用以控制攝影機10或是針對攝影機10所拍攝到的影像進行預處理。電腦設備20經由該攝影機10(或微處理器)獲取影像後，係將該影像進行前處理程序(例如影像強化、去除雜訊、加強對比、加強邊緣、擷取特徵、影像壓縮、影像轉換等)，並將輸出的影像經由視覺軟體工具和演算法進行分析，以獲得判定結果並將判定結果輸出或儲存於資料庫。
於自動光學檢測中，待測物P上的異塵及瑕疵不管是經由人工檢測的方式或是機器視覺檢測的方式經常有混淆誤認的情況，主要原因在於機器視覺中對於異塵及瑕疵的定義都是相對母片而言的噪點，雖然異塵及瑕疵在特性上尚有一些差異(例如異塵通常是立體、突出於表面上，瑕疵例如刮痕、碎亮點通常形成於內側)，但對於一般機器視覺而言，兩者均是與母片不相同的部分，一般的辨識邏輯難以分出區別。因此，早期的方式通常是由機器檢出缺陷後，再由人檢的方式進行確認。然而在大量製程(mass production)中，產品生產的數量可能是以每小時數萬計，人檢相較於機器視覺於效率及可靠度上就不是那麼的合適。
相較於機器學習，深度學習的流程如「圖2」所示，輸入用來訓練機器的影像(步驟S11)，透過大量多層數的類神經網路，由類神經網路主動學習出認為重要的特徵資訊(步驟S12)，最後獲得訓練結果(步驟S13)。深度學習(Deep Learning)僅需透過大量多層數的類神經網路，便可由類神經網路自己學習找出重要的特徵資訊。具體而言，深度學習與傳統機器學習不同，並不需要經由人為方式去選出特徵，而是經由類神經網路架構自行分析並找出重要的特徵。
於較佳實施例中，本發明包含但不限於，係以LeNet模型、AlexNet模型、GoogleNet模型或VGG模型(Visual Geometry Group)作為基礎進行修改及擴充，由網路自己去學習出網路認為重要的特徵資訊，不需要經由人員挑選特徵，大幅減少了分析影像所需的時間。
以下係針對本發明卷積神經網路架構進行說明，請 參閱「圖3」所示。
本發明的第一卷積神經網路架構(Convolutional Neural Networks,CNN)主要包括有複數個特徵提取器200、全連結群層204(包含一或複數個全連結層(fully connected layers))及正規化輸出層205(例如softmax運算)。每一特徵提取器200可以分為卷積群層201(Multi-Convolutional Layer)、線性整流單元202(Rectified Linear Unit,ReLU)、以及池化群層203(pooling)。其中，由輸入影像IP輸入後，卷積群層201、線性整流單元202、及池化群層203係用以壓縮並提取影像中的重要特徵；全連結群層204則透過權重經由投票的方式將獲得的影像進行分類，最終經由正規化輸出層205輸出分類結果OP(良品、NG品、瑕疵品或其種類)。
具體而言，第一卷積神經網路架構(CNN)係執行以下的方法獲得分類結論：經由複數個卷積群層201(Convolutional Layer)由輸入的該成對影像組合中篩選出特徵影像；將篩選出的特徵影像經由線性整流單元202(Rectified Linear Unit,ReLU)使一部分特徵影像上的像元輸出為0；經由池化群層203進行池化處理將所獲得的該特徵影像進行壓縮以簡化該特徵影像；上述的特徵提取可能會進行複數次以取得壓縮的影像資料；以及經由該全連結群層204篩選該特徵影像，以將該特徵影像依據權重比例(weight)進行分類，並將分類的結果經由正規化輸出層205進行正規化處理，以獲得檢測的結論。
於較佳實施例中，本發明提供一第二卷積神經網路架構(CNN)進行說明，請一併參閱「圖4A」至「圖4B」，係為本發 明的第二卷積神經網路架構的方塊示意圖(一)及方塊示意圖(二)，如圖所示：
由圖式中可知，本發明的卷積神經網路架構由輸入至輸出包括：一第一特徵提取器C1，該第一特徵提取器C1由資料流來界定順序，包括一第一卷積群層C11與一用以執行空間降維的第一池化層P1。一第二特徵提取器C2，該第二特徵提取器C2由資料流來界定順序，包括一第二卷積群層C21與一用以執行空間降維的第二池化層P2；一第三特徵提取器C3，該第三特徵提取器C3由資料流來界定順序，包括一第三卷積群層C31與一用以執行空間降維的第三池化層P3；一第四特徵提取器C4，該第四特徵提取器C4由資料流來界定順序，包括一第四卷積群層C41與一用以執行空間降維的第四池化層P4；一第五特徵提取器C5，該第五特徵提取器C5由資料流來界定順序，包括一第五卷積群層C51與一用以執行空間降維的第五池化層P5；以及一全連結群層FC6，設置於該第五特徵提取器C5的輸出，依據權重比例進行分類；最後經由一正規化輸出層SF輸出分類的結果(良品、瑕疵品)。
其中每一個卷積群層係可以由一或複數個卷積層由輸入至輸出排列組成，並於其中插入線性整流單元減少參數依存關係，以減少溢出(over fitting)的現象。
最後的正規化輸出層SF中，於本實施態樣僅包括兩個通道用以將輸出的結果分類為良品或瑕疵品。於較佳實施態樣中，可以針對瑕疵進行更多的分類經由設置更多的通道或是全連結層，於本發明中不予以限制。此外，上述的網路架構係為本發明的其中一種較佳實施態樣，於本發明中不僅限制於上述的網路 架構，在此必須先與敘明。於訓練的過程中，如果分類的結果與預期結果相同時被歸類為正確，若不同時則歸類為誤差並依據誤差數值反向傳播修改權重。有關於訓練的過程後面會有詳細的描述。
於較佳實施例中，為了增加卷積神經網路的可靠度，減少卷積神經網路檢測出假性缺陷的機率，本發明於針對卷積神經網路訓練時，係提供複數個預先由標準母片及複數個檢測影像中揀選出的成對影像組，該成對影像組合中係包括至少一無瑕影像、以及至少一對應於該無瑕影像的瑕疵影像，成對影像組中的每一個影像係標準化為適當的大小。
其中無暇影像係指由未含有任何瑕疵的良品或母片以標準化(於較佳實施例，該影像尺寸包含但不限於120x120、224x224等，於本發明中不予以限制)大小所擷取獲得的影像，瑕疵影像則是與該無暇影像相同位置、相同大小，而存在瑕疵(defect)的影像，與該無暇影像互為對照。具體而言，該無瑕影像及該瑕疵影像係分別由該檢測影像及標準母片中重疊位置所擷取而得。其中，該成對影像組合中的瑕疵影像係經由人工確認進行分類而獲得，人檢的結果必須要具有相當程度的可信度，確保訓練的樣本精確以避免機器產生誤判定的情況。
於啟動訓練模式時，系統係將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法(Backpropagation)訓練全連結層(Fully Connected Layer)個別的權重。除了提供上述的成對影像組合進行訓練外，於另一較佳實施態樣中，可再提供至少一完整的標準母片影像至該卷積神經網路 架構，經由反向傳播演算法(Backpropagation)訓練全連結層(Fully Connected Layer)的權重。標準母片的影像可以有效的改善瑕疵的檢出率。
反向傳播演算法可經由疊代的方式訓練卷積神經網路中多個分類器。本發明中卷積神經網路架構的網路層數雖然多，然而由於卷積神經網路架構具有更深的網路及隱式規則的作用，只需要很少的疊代次數就能收斂。
有關於訓練的流程，請一併參閱「圖5」，首先將複數個輸入影像IP(成對影像組合或母片影像)輸入至電腦設備，電腦設備係逐一針對輸入影像IP及其結果進行訓練。每一組的影像包含有網路的輸入值(影像數據)及預期輸出(良品、NG品、瑕疵品或其瑕疵種類等)兩種參數，輸入值係經由卷積神經網路重複經過卷積群層201、線性整流單元202、池化群層203進行特徵強化及影像壓縮處理，並經由全連結群層204依據權重比例進行分類，最終經由正規化輸出層205輸出分類的結果。於取得該分類的結果後，係藉由比較模組206將該分類的結果與預期輸出進行比對，判斷該分類的結果是否符合預期，若不符合預期的話該比較模組206係將所獲得的誤差值輸出至權重調整模組207，基於反向傳播演算法計算並調整全連結層的權重，藉此經由重複上述的步驟完成訓練。
以下針對利用深度學習的自動光學檢測方法進行說明，請一併參閱「圖6」，該光學檢測方法係包括： 提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像(步驟S01)，其 中該成對影像組合包括至少一個標準母片影像樣本；提供一卷積神經網路架構，並於該卷積神經網路架構啟動訓練模式(步驟S02)；將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，已完成訓練(步驟S03)；利用已訓練的該卷積神經網路架構，執行一自動光學檢測程序(步驟S04)。
以下針對反向傳播的演算法進行說明，請一併參閱「圖7」，該反向傳播演算法係包括：其中，反向傳播演算法係包括以下步驟：將訓練影像(成對影像組合或是母片)輸入至該卷積神經網路架構，經由卷積神經網路(CNN)計算後獲得數據(步驟S21)；將所獲得的數據(誤差)分成訓練集以及驗證集兩個部分(步驟S22)；依據該訓練集計算梯度，估計出前導層的誤差，並藉此更新每一神經元的權重和閾值(步驟S23)；其中於步驟S23計算出權重和閾值時，依據該驗證集估計誤差，當疊代次數或是該驗證集的容許誤差到達閾值時，停止該訓練集，以結束反向傳播的程序(步驟S24)。
本發明經由將成對影像組合或母片輸入卷積神經網路架構進行訓練，可以有效降低誤宰率(Overkill Rate)，增加自動光學檢測對缺陷的檢出率及準確率。本發明中所述之方法步驟亦 可作為一種電腦可讀取記錄媒體實施，用以儲存於光碟片、硬碟、半導體記憶裝置等電腦可讀取記錄媒體，並藉由該電腦可讀取記錄媒體載置於電子裝置上為該電子裝置或電子設備所存取使用。
本發明所述之方法步驟亦可作為一種電腦程式產品實施，用以儲存於網路伺服器的硬碟、記憶裝置，例如app store、google play、windows市集、或其他類似之應用程式線上發行平台。
綜上所述，本發明可以有效增加深度學習於假性缺陷的濾除率，同時減少訓練的時間、所需的樣本數、以及模型的數據量。本發明可以有效地增加自動光學檢測對缺陷的檢出率及準確率，藉此增加檢測的效率同時降低成本。
以上已將本發明做一詳細說明，惟以上所述者，僅為本發明之一較佳實施例而已，當不能以此限定本發明實施之範圍，即凡依本發明申請專利範圍所作之均等變化與修飾，皆應仍屬本發明之專利涵蓋範圍內。

Claims (13)

  1. 一種利用深度學習的自動光學檢測方法，包含：提供成對影像組合，其中該成對影像組合包括至少一無瑕影像與至少一對應於該無瑕影像的瑕疵影像；提供一卷積神經網路架構，並於該卷積神經網路架構中啟動訓練模式；將複數個該成對影像組合輸入至該卷積神經網路架構，並經由反向傳播演算法調整全連結層個別的權重，以完成訓練；以及利用已訓練的該卷積神經網路架構，執行一光學檢測程序。
  2. 如申請專利範圍第1項所述的利用深度學習的自動光學檢測方法，其中，該成對影像組合包括至少一個標準母片影像樣本。
  3. 如申請專利範圍第1項所述的利用深度學習的自動光學檢測方法，其中，係提供至少一完整的標準母片影像至該卷積神經網路架構，並經由反向傳播演算法調整全連結層的權重。
  4. 如申請專利範圍第1項所述的利用深度學習的自動光學檢測方法，其中，該成對影像組合中的瑕疵影像係經由人工確認而獲得。
  5. 如申請專利範圍第1項所述的利用深度學習的自動光學檢測方法，其中，該無瑕影像及該瑕疵影像係分別由檢測影像及標準母片中重疊位置所擷取而得。
  6. 如申請專利範圍第5項所述的利用深度學習的自動光學檢測方法，其中，所取得的該無瑕影像及該瑕疵影像係預先經由灰階處理。
  7. 如申請專利範圍第5項所述的利用深度學習的自動光學檢測方法，其中，該反向傳播演算法係包括：將訓練影像輸入至該卷積神經網路架構，以獲得數據；將數據分成訓練集以及驗證集；依據該訓練集計算梯度，估計出前導層的誤差，並藉此更新每一神經元的權重和閾值；以及依據該驗證集估計誤差，當疊代次數或是容許誤差到達該閾值時，停止該訓練集。
  8. 如申請專利範圍第5項所述的利用深度學習的自動光學檢測方法，其中，該卷積神經網路架構係執行以下的方法：經由複數個卷積層由輸入的該成對影像組合中篩選出特徵影像；將篩選出的該特徵影像經由線性整流單元使一部分該特徵影像上的像元輸出為0；進行池化處理將所獲得的該特徵影像進行壓縮以簡化該特徵影像；以及經由該全連結層篩選該特徵影像，以將該特徵影像依據權重比例進行分類，並將分類的結果進行正規化處理，以獲得檢測的結論。
  9. 一種執行申請專利範圍第1項至第8項中任一項所述方法的自動光學檢測設備，更包括：一影像擷取裝置，用以擷取一待測工件之影像；以及一運算裝置，耦合至該影像擷取裝置，根據已訓練的該卷積神經網路架構，對該待測工件之影像執行該光學檢測程序。
  10. 如申請專利範圍第9項所述的自動光學檢測設備，其中，該卷積神經網路架構，由輸入至輸出的順序包括：一第一特徵提取器，具有一第一卷積群層與一用以執行空間降維的第一池化層；一第二特徵提取器，耦合至該第一特徵提取器，其中該第二特徵提取器具有一第二卷積群層與一用以執行空間降維的第二池化層；一第三特徵提取器，耦合至該第二特徵提取器，該第三特徵提取器具有一第三卷積群層與一用以執行空間降維的第三池化層；一第四特徵提取器，耦合至該第三特徵提取器，該第四特徵提取器具有一第四卷積群層與一用以執行空間降維的第四池化層；一第五特徵提取器，耦合至該第四特徵提取器，該第五特徵提取器具有一第五卷積群層與一用以執行空間降維的第五池化層；一或複數個全連結層，設置於該第五特徵提取器的輸出，依據權重比例進行分類；以及一正規化輸出層，輸出分類的結果。
  11. 一種深度學習系統，包括：一或複數個特徵提取器，該特徵提取器包括一或複數個卷積層、一或複數個線性整流單元、以及一或複數個池化層進行特徵強化及影像壓縮處理；一或複數個全連結層，依據權重比例進行分類；一正規化輸出層，輸出分類的結果；一比較模組，於取得該分類的結果後，將該分類的結果與預期輸出進行比對，判斷該分類的結果是否符合預期；以及一權重調整模組，若該分類的結果不符合預期的話，基於反向傳播演算法計算並調整全連結層的權重。
  12. 一種電腦程式，用於安裝在一電腦設備上，並執行如申請專利範圍第1項至第8項中任一項所述的利用深度學習的自動光學檢測方法。
  13. 一種電腦可讀取之記錄媒體，儲存有一電腦程式，該電腦程式用以安裝在一電腦設備，並執行如申請專利範圍第1項至第8項中任一項所述的利用深度學習的自動光學檢測方法。
TW106145566A 2017-12-25 2017-12-25 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統 TWI653605B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
TW106145566A TWI653605B (zh) 2017-12-25 2017-12-25 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統
CN201810189495.5A CN109959661A (zh) 2017-12-25 2018-03-08 自动光学检测方法、设备、及其深度学习系统
CN202410261389.9A CN118150575A (zh) 2017-12-25 2018-03-08 自动光学检测方法、设备、及其深度学习系统
US16/220,649 US10964004B2 (en) 2017-12-25 2018-12-14 Automated optical inspection method using deep learning and apparatus, computer program for performing the method, computer-readable storage medium storing the computer program, and deep learning system thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
TW106145566A TWI653605B (zh) 2017-12-25 2017-12-25 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統

Publications (2)

Publication Number Publication Date
TWI653605B true TWI653605B (zh) 2019-03-11
TW201928869A TW201928869A (zh) 2019-07-16

Family

ID=66590752

Family Applications (1)

Application Number Title Priority Date Filing Date
TW106145566A TWI653605B (zh) 2017-12-25 2017-12-25 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統

Country Status (3)

Country Link
US (1) US10964004B2 (zh)
CN (2) CN109959661A (zh)
TW (1) TWI653605B (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI752846B (zh) * 2021-03-15 2022-01-11 英業達股份有限公司 自動光學與類神經網路整合的二次檢測系統及其方法
US11263785B2 (en) 2019-11-14 2022-03-01 Wistron Corporation Object detection method, electronic apparatus and object detection system
TWI759733B (zh) * 2020-04-28 2022-04-01 友達光電股份有限公司 人工智慧自動光學檢測方法及系統
TWI785535B (zh) * 2021-03-15 2022-12-01 住華科技股份有限公司 一種檢測光學膜的方法、裝置及系統
US11657279B2 (en) 2020-06-16 2023-05-23 National Taiwan University Of Science And Technology Electronic device and method for document segmentation
TWI844873B (zh) * 2022-06-22 2024-06-11 鴻海精密工業股份有限公司 產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2019047461A (ja) * 2017-09-07 2019-03-22 富士通株式会社 画像処理プログラム、画像処理方法および画像処理装置
DE102018109819A1 (de) * 2018-04-24 2019-10-24 Yxlon International Gmbh Verfahren zur Gewinnung von Information aus Röntgen-Computertomographiedaten zur Optimierung des Spritzgussprozesses von kurzfaserverstärkten Kunststoffteilen
US10902579B1 (en) * 2018-11-13 2021-01-26 Kla-Tencor Corporation Creating and tuning a classifier to capture more defects of interest during inspection
KR102082970B1 (ko) * 2019-04-29 2020-02-28 주식회사 루닛 기계학습을 위한 정규화 방법 및 그 장치
US11521309B2 (en) 2019-05-30 2022-12-06 Bruker Nano, Inc. Method and apparatus for rapid inspection of subcomponents of manufactured component
CN110415190B (zh) * 2019-07-25 2023-03-14 青岛科技大学 基于深度学习去除图像压缩噪声的方法、装置及处理器
CN110570393B (zh) * 2019-07-31 2023-06-23 华南理工大学 一种基于机器视觉的手机玻璃盖板视窗区缺陷检测方法
RU2716465C1 (ru) * 2019-08-27 2020-03-11 Самсунг Электроникс Ко., Лтд. Способ оптической проверки и использующее его устройство
CN110533099B (zh) * 2019-08-28 2024-01-09 上海零眸智能科技有限公司 一种基于深度学习的多摄像头采集图像的物品识别方法
CN110726735A (zh) * 2019-09-03 2020-01-24 北京精思博智科技有限公司 一种基于深度学习的全自动电路板缺陷检测系统及方法
CN110598717B (zh) * 2019-09-12 2022-06-21 北京迈格威科技有限公司 图像特征的提取方法、装置及电子设备
CN110610214A (zh) * 2019-09-23 2019-12-24 桂林电子科技大学 基于dcnn的晶圆图故障模式识别方法及系统
TWI712991B (zh) * 2019-10-08 2020-12-11 智泰科技股份有限公司 兼具自動化光學檢測及人工智慧檢測功能之瑕疵檢測方法及其裝置
CN110837867A (zh) * 2019-11-08 2020-02-25 深圳市深视创新科技有限公司 基于深度学习自动判别同类异类产品方法
CN110956627A (zh) * 2019-12-13 2020-04-03 智泰科技股份有限公司 智能型光学检测样品特征与瑕疵智能打光取像方法及装置
CN111079831A (zh) * 2019-12-13 2020-04-28 智泰科技股份有限公司 智能型光学检测的样品特征与瑕疵自动标记方法及其装置
CN110940672A (zh) * 2019-12-13 2020-03-31 智泰科技股份有限公司 智能光学检测样品特征与瑕疵ai模型自动产生方法及装置
TWI783200B (zh) * 2019-12-30 2022-11-11 緯創資通股份有限公司 物件的瑕疵判斷方法及裝置
FR3105861B1 (fr) * 2019-12-31 2022-09-02 Vit Système et procédé pour réduire les altérations dans des données de capteurs
CN113453153B (zh) * 2020-03-27 2022-05-17 威海北洋电气集团股份有限公司 基于深度学习的无线定位融合方法及系统
CN111598855B (zh) * 2020-05-07 2023-04-18 西安电子科技大学 一种基于深度学习和迁移学习的2c设备高铁接触网吊弦缺陷检测方法
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
CN113837209A (zh) * 2020-06-23 2021-12-24 乐达创意科技股份有限公司 改良机器学习使用数据进行训练的方法及系统
CN111754497B (zh) * 2020-06-28 2023-09-01 深圳大学 一种基于几何代数的工业缺陷检测方法和系统
CN112053318B (zh) * 2020-07-20 2024-01-05 清华大学 基于深度学习的二维pcb缺陷实时自动检测与分类装置
CN112651920A (zh) * 2020-07-24 2021-04-13 深圳市唯特视科技有限公司 Pcb裸板线路瑕疵检测方法、装置、电子设备
CN112083017A (zh) * 2020-09-10 2020-12-15 上海航天精密机械研究所 焊缝内部缺陷智能检测装置、方法及介质
CN112149682B (zh) * 2020-09-29 2023-08-15 青海大学 基于深度学习的悬钩子植物自动识别方法、存储介质和装置
CN112232400B (zh) * 2020-10-12 2023-06-20 太原科技大学 一种基于深浅特征融合的不锈钢焊缝超声缺陷检测方法
CN112345555A (zh) * 2020-10-30 2021-02-09 凌云光技术股份有限公司 外观检查机高亮成像光源系统
TWI755953B (zh) * 2020-12-01 2022-02-21 凌華科技股份有限公司 自動檢測系統及其操作方法
CN112945173A (zh) * 2020-12-05 2021-06-11 张旭超 固定外形多孔阵列检测装置及方法
CN112529094A (zh) * 2020-12-22 2021-03-19 中国医学科学院北京协和医院 一种医学图像分类识别方法及系统
CN112730437B (zh) * 2020-12-28 2023-01-10 中国纺织科学研究院有限公司 基于深度可分离卷积神经网络的喷丝板表面缺陷检测方法、装置、存储介质及设备
CN112884712B (zh) * 2021-01-22 2021-11-30 深圳精智达技术股份有限公司 一种显示面板缺陷分类的方法及相关装置
CN114913108A (zh) * 2021-01-29 2022-08-16 京东方科技集团股份有限公司 显示基板的图像分类方法和装置
CN114913110A (zh) * 2021-02-08 2022-08-16 深圳中科飞测科技股份有限公司 检测方法及系统、设备和存储介质
CN112861789A (zh) * 2021-03-10 2021-05-28 上海交通大学 基于图像深度学习的crt荧光粉智能清理及品质控制方法
US11941792B2 (en) * 2021-04-09 2024-03-26 Dell Products L.P. Machine learning-based analysis of computing device images included in requests to service computing devices
US11694315B2 (en) * 2021-04-29 2023-07-04 Kyocera Document Solutions Inc. Artificial intelligence software for document quality inspection
CN113706509B (zh) * 2021-08-30 2024-02-27 常州工利精机科技有限公司 一种可用于冲压件表面微缺陷成像的检测方法
CN114002225B (zh) * 2021-10-19 2023-05-12 业成科技（成都）有限公司 光学检测系统与方法
KR102426829B1 (ko) * 2021-12-16 2022-07-29 주식회사 인터엑스 Ai 기반 제품 표면 검사 장치 및 방법
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
CN114299035A (zh) * 2021-12-30 2022-04-08 盛泰光电科技股份有限公司 基于深度学习的摄像头表面检测方法及系统
CN114347687B (zh) * 2022-01-05 2023-05-12 珠海中京电子电路有限公司 Outer离线AOI自动化上、下板记录方法、自动手臂机及应用
CN114705659A (zh) * 2022-01-24 2022-07-05 天津大学 一种利用有机力致荧光材料对服役承压装备的缺陷快速检测方法
EP4242919A1 (en) * 2022-03-07 2023-09-13 Siemens Aktiengesellschaft Efficient deep learning inference of a neural network for line camera data
CN114782830B (zh) * 2022-06-22 2022-09-06 天津大学 一种图像深度学习特征增强方法、系统及装置
EP4325206A1 (en) 2022-08-18 2024-02-21 F. Hoffmann-La Roche AG Method for compensating defective partitions of a microfluidic chip
TWI842292B (zh) * 2022-12-23 2024-05-11 偲倢科技股份有限公司 自動化產線產品外觀瑕疵檢驗方法及系統

Family Cites Families (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6466314B1 (en) 1998-09-17 2002-10-15 Applied Materials, Inc. Reticle design inspection system
CN105447566B (zh) * 2014-05-30 2018-07-20 富士通株式会社 训练装置、训练方法以及检测装置
US10650508B2 (en) * 2014-12-03 2020-05-12 Kla-Tencor Corporation Automatic defect classification without sampling and feature selection
US11423311B2 (en) 2015-06-04 2022-08-23 Samsung Electronics Co., Ltd. Automatic tuning of artificial neural networks
CN105118044B (zh) * 2015-06-16 2017-11-07 华南理工大学 一种轮形铸造产品缺陷自动检测方法
US10186026B2 (en) * 2015-11-17 2019-01-22 Kla-Tencor Corp. Single image detection
US11580375B2 (en) * 2015-12-31 2023-02-14 Kla-Tencor Corp. Accelerated training of a machine learning based model for semiconductor applications
US9915625B2 (en) * 2016-01-04 2018-03-13 Kla-Tencor Corp. Optical die to database inspection
US10181185B2 (en) * 2016-01-11 2019-01-15 Kla-Tencor Corp. Image based specimen process control
US9864912B2 (en) * 2016-03-30 2018-01-09 Nec Corporation Large margin high-order deep learning with auxiliary tasks for video-based anomaly detection
US10395356B2 (en) * 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
US10346740B2 (en) 2016-06-01 2019-07-09 Kla-Tencor Corp. Systems and methods incorporating a neural network and a forward physical model for semiconductor applications
CN106127746A (zh) * 2016-06-16 2016-11-16 广州视源电子科技股份有限公司 电路板元件漏件检测方法和系统
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
TWI582721B (zh) 2016-11-03 2017-05-11 英業達股份有限公司 工件導電特徵檢查方法及工件導電特徵檢查系統
CN106845549B (zh) 2017-01-22 2020-08-21 珠海习悦信息技术有限公司 一种基于多任务学习的场景与目标识别的方法及装置
CN106991368A (zh) 2017-02-20 2017-07-28 北京大学 一种基于深度卷积神经网络的指静脉验证身份识别方法
EP3596449A4 (en) * 2017-03-14 2021-01-06 University of Manitoba DETECTION OF STRUCTURAL DEFECTS USING AUTOMATIC LEARNING ALGORITHMS
US11379688B2 (en) * 2017-03-16 2022-07-05 Packsize Llc Systems and methods for keypoint detection with convolutional neural networks
GB201704373D0 (en) * 2017-03-20 2017-05-03 Rolls-Royce Ltd Surface defect detection
US10234848B2 (en) * 2017-05-24 2019-03-19 Relativity Space, Inc. Real-time adaptive control of additive manufacturing processes using machine learning
CN107392896B (zh) * 2017-07-14 2019-11-08 佛山市南海区广工大数控装备协同创新研究院 一种基于深度学习的木材缺陷检测方法和系统
US10346969B1 (en) * 2018-01-02 2019-07-09 Amazon Technologies, Inc. Detecting surface flaws using computer vision
JP7015001B2 (ja) * 2018-03-14 2022-02-02 オムロン株式会社 欠陥検査装置、欠陥検査方法、及びそのプログラム
US10599951B2 (en) * 2018-03-28 2020-03-24 Kla-Tencor Corp. Training a neural network for defect detection in low resolution images
CN108776808A (zh) * 2018-05-25 2018-11-09 北京百度网讯科技有限公司 一种用于检测钢包溶蚀缺陷的方法和装置
TWI787296B (zh) * 2018-06-29 2022-12-21 由田新技股份有限公司 光學檢測方法、光學檢測裝置及光學檢測系統
JP2020160616A (ja) * 2019-03-25 2020-10-01 ブラザー工業株式会社 生成装置、コンピュータプログラム、生成方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11263785B2 (en) 2019-11-14 2022-03-01 Wistron Corporation Object detection method, electronic apparatus and object detection system
TWI759733B (zh) * 2020-04-28 2022-04-01 友達光電股份有限公司 人工智慧自動光學檢測方法及系統
US11657279B2 (en) 2020-06-16 2023-05-23 National Taiwan University Of Science And Technology Electronic device and method for document segmentation
TWI752846B (zh) * 2021-03-15 2022-01-11 英業達股份有限公司 自動光學與類神經網路整合的二次檢測系統及其方法
TWI785535B (zh) * 2021-03-15 2022-12-01 住華科技股份有限公司 一種檢測光學膜的方法、裝置及系統
TWI844873B (zh) * 2022-06-22 2024-06-11 鴻海精密工業股份有限公司 產品瑕疵檢測方法、電子設備及電腦可讀存儲媒體

Also Published As

Publication number Publication date
TW201928869A (zh) 2019-07-16
US20190197679A1 (en) 2019-06-27
US10964004B2 (en) 2021-03-30
CN109959661A (zh) 2019-07-02
CN118150575A (zh) 2024-06-07

Similar Documents

Publication Publication Date Title
TWI653605B (zh) 利用深度學習的自動光學檢測方法、設備、電腦程式、電腦可讀取之記錄媒體及其深度學習系統
TWI689875B (zh) 利用深度學習系統的自動光學檢測分類設備及其訓練設備
CN111325713B (zh) 基于神经网络的木材缺陷检测方法、系统及存储介质
US11017259B2 (en) Defect inspection method, defect inspection device and defect inspection system
US11341626B2 (en) Method and apparatus for outputting information
US11315231B2 (en) Industrial image inspection method and system and computer readable recording medium
JP6726641B2 (ja) 画像分類プログラム、分類データ作成プログラム、及び、分類データ作成方法
CN109060817B (zh) 人工智能复检系统及其方法
US11694327B2 (en) Cross layer common-unique analysis for nuisance filtering
CN109840900A (zh) 一种应用于智能制造车间的故障在线检测系统及检测方法
JP2021515885A (ja) 照明条件を設定する方法、装置、システム及びプログラム並びに記憶媒体
TWI683262B (zh) 工業影像檢測方法、系統與電腦可讀取記錄媒體
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
CN114862832A (zh) 缺陷检测模型的优化方法、装置、设备及存储介质
TW202006608A (zh) 遞迴性深度學習系統的訓練方法與檢測系統
CN116468961A (zh) 一种图像分类方法及注塑产品智能瑕疵检测系统
JP7410402B2 (ja) 外観検査システム
TW202117664A (zh) 光學檢測二次圖像分類方法
CN112505049B (zh) 基于蒙版抑制的精密零组件表面缺陷检测方法和系统
CN113267506A (zh) 木板ai视觉缺陷检测装置、方法、设备及介质
JP2020077158A (ja) 画像処理装置及び画像処理方法
Yemelyanova et al. Application of machine learning for recognizing surface welding defects in video sequences
TWI745767B (zh) 光學檢測二次圖像分類方法
JP2019144870A (ja) 対象検査のためのシステム及び方法
TWI759906B (zh) 基於深度學習之階層式圖片分類系統及其方法

Legal Events

Date Code Title Description
MC4A Revocation of granted patent