TWI655412B

TWI655412B - 發光源檢測系統與方法

Info

Publication number: TWI655412B
Application number: TW106145591A
Authority: TW
Inventors: 李後賢
Original assignee: 群光電子股份有限公司
Priority date: 2017-12-25
Filing date: 2017-12-25
Publication date: 2019-04-01
Also published as: TW201928308A

Abstract

一種發光源檢測系統，包括影像擷取模組、影像處理模組及檢測模組。影像擷取模組擷取一檢測畫面，檢測畫面包括有複數個待測區影像，這些待測區影像分別位於檢測畫面上複數個預設區域。影像處理模組電連接於影像擷取模組，影像處理模組接收這些待測區影像並分別處理成具有相同二維數量之複數個二維像素，其中各二維像素具有一光學資訊。檢測模組電連接於影像處理模組，檢測模組讀取各待測區影像之二維像素，且根據一檢測模型以檢測各待測區影像之二維像素之光學資訊，並判斷各待測區影像為一合格影像或一失格影像。

Description

發光源檢測系統與方法

本發明係關於一種檢測系統，特別是指一種發光源檢測系統與方法。

市面上許多產品都具有發光的功能，舉發光式鍵盤為例，其一般是在按鍵下方裝設有發光元件（例如LED），以透過發光元件發出光線並照射按鍵，致使按鍵上所標示的數字或文字能透出光線，而達到預定的使用需求（例如因應光照不足的使用環境）。

承上，在發光產品的生產過程中，一般都會對發光元件進行檢測，以確保發光元件所發出的光線符合預定的顏色、亮度或飽和度等等。目前的檢測方式是由生產線上的工作人員進行目測判斷，然而，此種方式工作人員易因長時間的檢測引起視覺疲勞而發生誤判的情形，且對眼睛也會造成傷害。另外，對於特殊發光產品來說，例如發光產品的顯像為不規則型態或者發光產品經由材料導光後已非基準色等情形，也難以透過人工目測的方式準確判斷。

有鑑於此，於一實施例中，提供一種發光源檢測方法，包括擷取步驟：擷取一檢測畫面，檢測畫面包括有複數個待測區影像，這些待測區影像分別位於檢測畫面上複數個預設區域、影像處理步驟：將這些待測區影像分別處理成具有相同二維數量之複數個二維像素，其中各二維像素具有一光學資訊、檢測步驟：讀取各待測區影像之二維像素，並根據一檢測模型以檢測各待測區影像之二維像素之光學資訊，並判斷各待測區影像為一合格影像或一失格影像，其中檢測模型是指依一深度學習演算法進行人工智慧演算、並獲得一輸出層演算結果之人工智慧演算法模型，且輸出層演算結果包括有合格影像及失格影像。

於另一實施例中，提供一種發光源檢測系統，包括影像擷取模組、影像處理模組及檢測模組。影像擷取模組擷取一檢測畫面，檢測畫面包括有複數個待測區影像，這些待測區影像分別位於檢測畫面上複數個預設區域。影像處理模組電連接於影像擷取模組，影像處理模組接收這些待測區影像並分別處理成具有相同二維數量之複數個二維像素，其中各二維像素具有一光學資訊。檢測模組電連接於影像處理模組，檢測模組讀取各待測區影像之二維像素，且根據一檢測模型以檢測各待測區影像之二維像素之光學資訊，並判斷各待測區影像為一合格影像或一失格影像。其中，檢測模型是指依一深度學習演算法進行人工智慧演算、並獲得一輸出層演算結果之人工智慧演算法模型，且輸出層演算結果包括有合格影像及失格影像。

綜上所述，根據本發明實施例之發光源檢測方法與發光源檢測系統，透過擷取一檢測畫面並經由檢測模型檢測待測區影像以判斷發光源是否合格，可達到不需以人工目測方式辦別而提高檢測的準確性與人力。此外，透過將各待測區影像分別處理成具有相同二維數量之複數個二維像素，可使發光源檢測的基準一致，並能提高檢測的運算速度。再者，透過檢測模型是依一深度學習演算法進行人工智慧演算、並獲得一輸出層演算結果之人工智慧演算法模型，更可適用於特殊發光產品，例如發光源顯像為不規則型態或發光源經由材料導光後已非基準色等情形。

圖1為本發明發光源檢測方法一實施例之步驟流程圖。本實施例之發光源檢測方法可適用於在生產過程中，對發光源（例如發光鍵盤、LED面板或燈具的發光源）進行檢測，以確保產品出廠時發光源所發出的光線符合預定的顏色、亮度或飽和度等光學資訊。如圖1所示，本實施例之發光源檢測方法是依序執行擷取步驟S1、影像處理步驟S2以及檢測步驟S3。在一實施例中，上述發光源檢測方法的各步驟可透過一發光源檢測系統1執行，如圖2所示，在本例中，發光源檢測系統1包括有影像擷取模組10、影像處理模組20及檢測模組30。以下即配合圖式說明發光源檢測方法之詳細步驟流程。

如圖1所示，在擷取步驟S1中，首先是先擷取一檢測畫面，舉例來說，可擷取具有發光源之待測物（如發光鍵盤、發光面板或燈具）的影像以取得檢測畫面。例如圖2至圖4所示，本實施例是透過發光源檢測系統1的影像擷取模組10擷取一發光鍵盤K的影像（如圖3所示）而取得一檢測畫面D（如圖4所示），在一些實施例中，影像擷取模組10具體上可為相機（Camera）或感光元件以擷取上述檢測畫面D。其中感光元件可為感光耦合元件（charge-coupled device, CCD）、互補式金屬氧化物半導體（Complementary Metal-Oxide Semiconductor , CMOS ）、或互補式金屬氧化物半導體主動像素傳感器（CMOS Active pixel sensor）以擷取待測物影像。

再對照圖3與圖4所示，其中檢測畫面D包括有複數個待測區影像T，這些待測區影像T是由複數個位於不同位置之發光源L（例如LED）發光所形成的亮區影像，且這些待測區影像T位於檢測畫面D上複數個預設區域，例如在本例中，這些待測區影像T是對應於發光鍵盤K的各個按鍵區域。

在一實施例中，如圖3所示，影像擷取模組10可包括減光鏡11，以經由減光鏡11擷取檢測畫面D，使檢測畫面D獲得減光效果而為減光後的畫面，避免因發光源L過亮而使檢測畫面D之各待測區影像T無法實際呈現發光源L的顏色或亮度。

再如圖1所示，在擷取步驟S1後，接著進行影像處理步驟S2：將檢測畫面D的各個待測區影像T分別處理成具有相同二維數量之複數個二維像素P，其中各二維像素P具有一光學資訊。例如圖2所示，在本實施例中，發光源檢測系統1的影像處理模組20電連接於影像擷取模組10以接收影像擷取模組10所擷取的多個待測區影像T，並且影像處理模組20可將這些待測區影像T並分別處理成具有相同二維數量之複數個二維像素P。舉例來說，影像處理模組20可將各待測區影像T調整成相同的尺寸大小（例如12×12、18×18、32×32、42×42或64×64）而形成相同二維數量之二維像素P、或者影像處理模組20也可直接將不同尺寸大小的各待測區影像T分別切割成相同二維數量之二維像素P（例如二維數量介於12×12至64×64之間），此部分並不侷限。其中各二維像素P皆具有一光學資訊（例如色頻資訊、亮度資訊或其組合）。例如圖5所示，在本實施例中，影像處理模組20是將各待測區影像T調整成二維數量為14×14的二維像素P，但本實施例並不限制，影像處理模組20除了可將待測區影像T的二維數量調整成方形矩陣型態（例如12×12、18×18、32×32、42×42或64×64），亦可將待測區影像T的二維數量調整成長方形矩陣型態（例如15×20、20×30、60×40、50×30或70×20）。

在一實施例中，影像處理模組20將這些待測區影像T分別處理成二維數量介於30×30至32×32之間的二維像素P為較佳，此可進一步參閱下揭表一所示，表一為經實驗整理的表格，其顯示各待測區影像T之二維數量所對應之運算速度與影像品質，由表一可看出待測區影像T的二維數量介於30×30至32×32之間相較於其他數量來說可同時兼顧影像品質及後續處理的運算速度。表一 <TABLE border="1" borderColor="#000000" width="85%"><TBODY><tr><td> 二維數量 </td><td> 運算速度 </td><td> 影像品質 </td></tr><tr><td> 12x12 </td><td> 極快 </td><td> 差 </td></tr><tr><td> 16x16 </td><td> 極快 </td><td> 差 </td></tr><tr><td> 18x18 </td><td> 快 </td><td> 差 </td></tr><tr><td> 22x22 </td><td> 快 </td><td> 略差 </td></tr><tr><td> 24x24 </td><td> 正常 </td><td> 略差 </td></tr><tr><td> 28x28 </td><td> 正常 </td><td> 略差 </td></tr><tr><td> 30x30 </td><td> 正常 </td><td> 佳 </td></tr><tr><td> 32x32 </td><td> 正常 </td><td> 佳 </td></tr><tr><td> 36x36 </td><td> 略慢 </td><td> 佳 </td></tr><tr><td> 42x42 </td><td> 略慢 </td><td> 精細 </td></tr><tr><td> 48x48 </td><td> 較慢 </td><td> 精細 </td></tr><tr><td> 64x64 </td><td> 較慢 </td><td> 精細 </td></tr></TBODY></TABLE>

再如圖1所示，在影像處理步驟S2後，進行檢測步驟S3：讀取各待測區影像T之二維像素P，並根據一檢測模型31以檢測各待測區影像T之各二維像素P之光學資訊，並判斷各待測區影像T為一合格影像或一失格影像。如圖2所示，在本實施例中，發光源檢測系統1的檢測模組30電連接於影像處理模組20，以讀取各待測區影像T之多個二維像素P，且根據一檢測模型31以檢測各待測區影像T之二維像素P之光學資訊，並判斷各待測區影像T為合格影像或失格影像。其中檢測模型31是指依一深度學習演算法進行人工智慧演算、並獲得一輸出層演算結果之人工智慧演算法模型，且輸出層演算結果包括有合格影像及失格影像，使檢測模組30能夠基於檢測模型31判斷各待測區影像T為合格影像或失格影像。

更進一步地，在檢測步驟S3後，進行資料存檔步驟：藉由將所有合格影像、失格影像的資料存檔於資料庫中，從而未來可以用大量的數據進行分類，並統計正確率。也可以利用更多數據來判定批次的待測物，是否有製程不良的問題。

在一實施例中，如圖5所示，各待測區影像T之二維像素P的光學資訊可為一色頻資訊，例如色頻資訊可包括紅光資訊（例如紅色像素值R）、一綠光資訊（例如綠色像素值G）、一藍光資訊（例如藍色像素值B）或其組合，合格影像可指各待測區影像T之色頻資訊大於一色頻閥值之影像，失格影像是指各待測區影像T之色頻資訊小於上述色頻閥值之影像。舉例來說，當需要檢測發光源L發出的光線是否符合預定顏色時（如紅色），假設檢測模型31之輸出層演算結果顯示色頻閥值為紅色像素值＝200，當待測區影像T之二維像素P的紅色像素值R（例如R值＝212）超過色頻閥值時，檢測模組30即判斷待測區影像T為合格影像，代表發光源L發出的光線符合預定顏色，當待測區影像T之二維像素P的紅光像素值R（例如R值＝150）小於色頻閥值時，檢測模組30即判斷待測區影像T為失格影像，代表發光源L發出的光線不符合預定顏色，藉以透過影像判斷發光源L是否合格。然而上述實施例僅為舉例，在其他實施例中，當需要檢測發光源L發出的光線是否符合其他顏色時（如綠色或藍色），即可以其他像素值（例如綠色像素值G或藍色像素值B）為基準進行判斷。

在一實施例中，各二維像素P之光學資訊也可包括一亮度資訊（例如灰階值），合格影像是指待測區影像T之亮度資訊大於亮度閥值之影像，失格影像是指待測區影像T之亮度資訊小於亮度閥值之影像。舉例來說，當需要檢測發光源L發出的光線是否符合預定亮度時，假設檢測模型31之輸出層演算結果顯示亮度閥值為灰階值＝180，當待測區影像T之二維像素P的平均灰階值（例如灰階值＝200）超過亮度閥值時，檢測模組30即判斷待測區影像T為合格影像，代表發光源L發出的光線符合預定亮度，當待測區影像T之二維像素P的平均灰階值（例如灰階值＝140）小於亮度閥值時，檢測模組30即判斷各待測區影像T為失格影像，代表發光源L發出的光線不符合預定亮度。如圖5所示，在一實施例中，上述待測區影像T之二維像素P的灰階值可根據紅色像素值R、綠色像素值G、藍色像素值B計算出，例如將紅色像素值R、綠色像素值G、藍色像素值B分別乘以不同權重再取平均值而計算出二維像素P的灰階值。

在一些實施例中，各二維像素P之光學資訊也可包括上述亮度資訊與色頻資訊，檢測模組30可根據各待測區影像T的亮度資訊與色頻資訊綜合判斷各待測區影像T為一合格影像或一失格影像，以檢測發光源L發出的光線是否符合預定亮度及預定顏色。

在一些實施例中，影像處理模組20與檢測模組30具體上可為具備有運算能力的硬體，例如中央處理單元（Central Processing Unit, CPU）、可程式化之微處理器（Microprocessor）、數位訊號處理器（Digital Signal Processor, DSP）、可程式化控制器、特殊應用積體電路（Application Specific Integrated Circuits, ASIC）、可程式化邏輯裝置（Programmable Logic Device, PLD）或其他類似裝置，以進行影像處理與判斷。

在一實施例中，檢測模組30可以二維的形式讀取各待測區影像T之多個二維像素P，例如圖2與圖5所示，影像處理模組20可將各待測區影像T處理成二維矩陣形式之二維像素P，檢測模組30是直接讀取二維矩陣形式之二維像素P進行判斷。或者，在另一實施例中，檢測模組30亦可以一維的形式讀取各待測區影像T之多個二維像素P，舉例來說，請對照圖5、圖6及圖7所示，影像處理模組20將各待測區影像T處理成二維矩陣形式之二維像素P後（如圖5所示），可將這些二維像素P以一維方式排列，例如圖6所示，在本實施例中，影像處理模組20可將二維像素P中的紅色像素值R、綠色像素值G及藍色像素值B分別以一維方式排列，再依序排列一維的紅色像素值R、一維的綠色像素值G以及一維的藍色像素值B，使檢測模組30能以一維的形式讀取各待測區影像T之多個二維像素P。或者，如圖7所示，影像處理模組20可將二維像素P中的紅色像素值R、綠色像素值G及藍色像素值B以一維方式交錯排列，使檢測模組30能以一維的形式讀取各待測區影像T之多個二維像素P。其中，檢測模組30以一維的形式讀取各待測區影像T之多個二維像素P相較於讀取二維的形式之多個二維像素P可進一步降低處理上的複雜度而能更快速的進行影像判斷。在其他實施例中，檢測模組30亦可接收二維矩陣形式之二維像素P後再處理成一維形式進行處理與判斷，此並不限制。

綜上，本發明實施例之發光源檢測方法與發光源檢測系統，透過擷取一檢測畫面D並經由檢測模型31檢測待測區影像T以判斷發光源L是否合格，可達到不需以人工目測方式辦別而提高檢測的準確性與人力。此外，透過將各待測區影像T分別處理成具有相同二維數量之複數個二維像素P，可使發光源L檢測的基準一致，並能提高檢測的運算速度。再者，透過檢測模型31是依一深度學習演算法進行人工智慧演算、並獲得一輸出層演算結果之人工智慧演算法模型，更可適用於特殊發光產品，例如發光源L顯像為不規則型態或發光源L經由材料導光後已非基準色等情形。

在一實施例中，上述檢測模型31所依據的深度學習演算法可為深度神經網路演算法、一捲基神經網路演算法、一深度置信網路演算法、一遞迴神經網路演算法或一深度信念網路演算法，此並不限制。

在一實施例中，如圖8所示，上述檢測步驟S3中之檢測模型31可依序執行取樣步驟S4、二維處理步驟S5以及深度學習步驟S6而獲得。在一實施例中，上述各步驟可透過一深度學習訓練裝置40執行，例如圖9所示，在此，深度學習訓練裝置40包括有取樣模組41、處理模組42及深度學習模組43。

如圖8所示，在取樣步驟S4中，首先擷取對應於上述檢測畫面D之一樣本畫面S。例如圖3與圖9所示，可透過深度學習訓練裝置40之取樣模組41擷取樣本畫面S，其中取樣模組41具體上可同樣為相機（Camera）或感光元件。如圖3所示，在本實施例中，取樣模組41同樣是擷取一發光鍵盤K的影像而取得樣本畫面S（如圖10所示），其中樣本畫面S包括有多個合格區影像Q與多個失格區影像U，合格區影像Q與失格區影像U分別位於樣本畫面S上並對應於待測區影像T之相同預設區域。此請對照圖3、圖4及圖10所示，多個合格區影像Q與多個失格區影像U是分別由複數個位於不同位置之發光源L（例如LED）發光所形成的亮區影像，由於樣本畫面S與檢測畫面D都是拍攝發光鍵盤K而獲得，因此，合格區影像Q與失格區影像U的位置會對應於待測區影像T的位置。其中合格區影像Q為擷取合格發光源L所形成的影像，失格區影像U為擷取失格發光源L所形成的影像。也就是說，在取樣時會擷取合格的發光源L影像與不合格的發光源L影像，以供後續進行深度學習時能判別出合格與不合格兩種結果，其中合格的發光源L可指其所發出的光線符合預定的顏色或亮度，不合格的發光源L可指其所發出的光線不符合預定的顏色或亮度。然而上述實施例僅為舉例，在其他實施例中，待測物的合格區影像Q與失格區影像U分布位置應為隨機，此並不限制。

再如圖8所示，在取樣步驟S4後，接著進行二維處理步驟S5：將合格區影像Q與失格區影像U分別處理成具有相同二維數量之合格二維樣本像素Q _p與失格二維樣本像素U _p，其中合格二維樣本像素Q _p具有一合格光學資訊，失格二維樣本像素U _p具有一失格光學資訊。舉例來說，如圖9所示，深度學習訓練裝置40的處理模組42連接取樣模組41以接收取樣模組41所擷取的樣本畫面S，處理模組42可將合格區影像Q與失格區影像U分別處理成具有相同二維數量之一合格二維樣本像素Q _p與一失格二維樣本像素U _p（此如同上述影像處理模組20將各待測區影像T並分別處理成具有相同二維數量之複數個二維像素P，具體請參圖5所示，在此則不重複贅述），其中合格二維樣本像素Q _p具有一合格像素資訊（例如合格的亮度資訊、色頻資訊或其組合），失格二維樣本像素U _p具有一失格像素資訊（例如不合格的亮度資訊、色頻資訊或其組合）。

再如圖8所示，在二維處理步驟S5後，接著進行深度學習步驟S6：讀取合格區影像Q之合格二維樣本像素Q _p與失格區影像U之失格二維樣本像素U _p，並根據深度學習演算法，以合格光學資訊與失格光學資訊分別進行人工智慧演算，並獲得用以判斷出輸出層演算結果之檢測模型31。例如圖9所示，可透過深度學習訓練裝置40的深度學習模組43演算獲得檢測模型31，其中深度學習模組43連接於處理模組42以讀取合格區影像Q之合格二維樣本像素Q _p與失格區影像U之失格二維樣本像素U _p。再如圖11所示，為本發明深度學習訓練一實施例之深度學習網路圖，在本例中，深度學習模組43包括有輸入層431、隱藏層432（在此為一層，亦可包含有多層隱藏層432）以及輸出層433，其中深度學習模組43是以合格二維樣本像素Q _p與失格二維樣本像素U _p作為輸入層431的輸入資料，在深度學習訓練過程中，輸入層431會將合格二維樣本像素Q _p與失格二維樣本像素U _p傳遞至隱藏層432，經由隱藏層432依一深度學習演算法反覆進行特徵檢測與權重分配而可將演算結果傳遞至輸出層433而形成一輸出層演算結果434，例如隱藏層432可將合格二維樣本像素Q _p與失格二維樣本像素U _p分別區分至輸出層433中的合格影像區4341與失格影像區4342而形成輸出層演算結果434，也就是輸出層演算結果434中可包含合格影像區4341中的合格影像與失格影像區4342中的失格影像，進而產生上述檢測步驟S3與檢測模組30中用以判斷合格影像與失格影像之檢測模型31，以作為上述實施例之發光源檢測方法與發光源檢測系統之發光源L檢測的依據。

再如圖9所示，在一實施例中，深度學習模組43可以一維的形式（如圖6與圖7所示）或二維的形式（如圖5所示）讀取合格二維樣本像素Q _p與失格二維樣本像素U _p，此並不侷限。

雖然本發明的技術內容已經以較佳實施例揭露如上，然其並非用以限定本發明，任何熟習此技藝者，在不脫離本發明之精神所作些許之更動與潤飾，皆應涵蓋於本發明的範疇內，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。

1‧‧‧發光源檢測系統

10‧‧‧影像擷取模組

11‧‧‧減光鏡

20‧‧‧影像處理模組

30‧‧‧檢測模組

31‧‧‧檢測模型

40‧‧‧深度學習訓練裝置

41‧‧‧取樣模組

42‧‧‧處理模組

43‧‧‧深度學習模組

431‧‧‧輸入層

432‧‧‧隱藏層

433‧‧‧輸出層

434‧‧‧輸出層演算結果

4341‧‧‧合格影像區

4342‧‧‧失格影像區

S1‧‧‧擷取步驟

S2‧‧‧影像處理步驟

S3‧‧‧檢測步驟

S4‧‧‧取樣步驟

S5‧‧‧二維處理步驟

S6‧‧‧深度學習步驟

D‧‧‧檢測畫面

K‧‧‧發光鍵盤

T‧‧‧待測區影像

L‧‧‧發光源

P‧‧‧二維像素

S‧‧‧樣本畫面

Q‧‧‧合格區影像

Q_p‧‧‧合格二維樣本像素

U‧‧‧失格區影像

U_p‧‧‧失格二維樣本像素

[圖1] 係本發明發光源檢測方法一實施例之步驟流程圖。 [圖2] 係本發明發光源檢測系統一實施例之系統方塊圖。 [圖3] 係本發明發光源檢測系統一實施例之畫面擷取示意圖。 [圖4] 係本發明發光源檢測系統一實施例之檢測畫面示意圖。 [圖5] 係本發明發光源檢測系統一實施例之二維像素示意圖。 [圖6] 係本發明待測區影像一實施例之二維像素排列示意圖。 [圖7] 係本發明待測區影像另一實施例之二維像素排列示意圖。 [圖8] 係本發明深度學習訓練方法一實施例之步驟流程圖。 [圖9] 係本發明深度學習訓練裝置一實施例之裝置方塊圖。 [圖10] 係本發明深度學習訓練裝置一實施例之取樣畫面示意圖。 [圖11] 係本發明深度學習訓練一實施例之深度學習網路圖。

Claims

一種發光源檢測方法，包括：擷取步驟：擷取一檢測畫面，該檢測畫面包括有複數個待測區影像，該些待測區影像分別位於該檢測畫面上複數個預設區域；影像處理步驟：將該些待測區影像分別處理成具有相同二維數量之複數個二維像素，其中各該二維像素具有一光學資訊；以及檢測步驟：讀取各該待測區影像之該些二維像素，並根據一檢測模型以檢測各該待測區影像之該些二維像素之該光學資訊，並判斷各該待測區影像為一合格影像或一失格影像，其中該檢測模型係指依一深度學習演算法進行人工智慧演算、並獲得一輸出層演算結果之人工智慧演算法模型，且該輸出層演算結果包括有該合格影像及該失格影像。
如請求項1所述之發光源檢測方法，其中該檢測步驟中之該檢測模型是由下列步驟獲得：取樣步驟：擷取對應於該檢測畫面之一樣本畫面，該樣本畫面包括有一合格區影像與一失格區影像，該合格區影像與該失格區影像分別位於該樣本畫面上並對應於該些待測區影像之相同預設區域；二維處理步驟：將該合格區影像與該失格區影像分別處理成具有相同二維數量之一合格二維樣本像素與一失格二維樣本像素，其中該合格二維樣本像素具有一合格光學資訊，該失格二維樣本像素具有一失格光學資訊；以及深度學習步驟：讀取該合格區影像之該合格二維樣本像素與該失格區影像之該失格二維樣本像素、並根據該深度學習演算法，以該合格光學資訊與該失格光學資訊分別進行人工智慧演算，獲得用以判斷出該輸出層演算結果之該檢測模型。
如請求項1所述之發光源檢測方法，其中該深度學習演算法為一深度神經網路演算法、一捲基神經網路演算法、一深度置信網路演算法、一遞迴神經網路演算法或一深度信念網路演算法。
如請求項1所述之發光源檢測方法，其中該影像處理步驟中之各該二維像素之該光學資訊為一亮度資訊、一色頻資訊或其組合。
如請求項1所述之發光源檢測方法，其中該影像處理步驟中各該二維像素之該光學資訊包括一亮度資訊，該合格影像係指各該待測區影像之該亮度資訊大於一亮度閥值之影像，該失格影像係指各該待測區影像之該亮度資訊小於該亮度閥值之影像。
如請求項1所述之發光源檢測方法，其中該影像處理步驟中各該二維像素之該光學資訊包括一色頻資訊，該合格影像係指各該待測區影像之該色頻資訊大於一色頻閥值之影像，該失格影像係指各該待測區影像之該色頻資訊小於該色頻閥值之影像。
如請求項1所述之發光源檢測方法，其中該影像處理步驟中各該二維像素之該光學資訊為一色頻資訊，該色頻資訊包括一紅光資訊、一綠光資訊、一藍光資訊或其組合。
如請求項1所述之發光源檢測方法，其中該擷取步驟中之該檢測畫面為一減光後畫面。
如請求項1所述之發光源檢測方法，其中該影像處理步驟中之該相同二維數量介於18×18至42×42之間。
如請求項9所述之發光源檢測方法，其中該影像處理步驟中之該相同二維數量介於30×30至32×32之間。
一種發光源檢測系統，包括：一影像擷取模組，擷取一檢測畫面，該檢測畫面包括有複數個待測區影像，該些待測區影像分別位於該檢測畫面上複數個預設區域；一影像處理模組，電連接於該影像擷取模組，該影像處理模組接收該些待測區影像並分別處理成具有相同二維數量之複數個二維像素，其中各該二維像素具有一光學資訊；以及一檢測模組，電連接於該影像處理模組，該檢測模組讀取各該待測區影像之該些二維像素，且根據一檢測模型以檢測各該待測區影像之該些二維像素之該些光學資訊，並判斷各該待測區影像為一合格影像或一失格影像；其中，該檢測模型係指依一深度學習演算法進行人工智慧演算、並獲得一輸出層演算結果之人工智慧演算法模型，且該輸出層演算結果包括有該合格影像及該失格影像。
如請求項11所述之發光源檢測系統，更包括一深度學習訓練裝置，該深度學習訓練裝置包括：一取樣模組，擷取一樣本畫面，該樣本畫面包括有一合格區影像與一失格區影像，該合格區影像與該失格區影像分別位於該樣本畫面上並對應於該些待測區影像之相同預設區域；一處理模組，連接該取樣模組，該處理模組將該合格區影像與該失格區影像分別處理成具有相同二維數量之一合格二維樣本像素與一失格二維樣本像素，其中該合格二維樣本像素具有一合格像素資訊，該失格二維樣本像素具有一失格像素資訊；以及一深度學習模組，連接於該處理模組，該深度學習模組讀取該合格二維樣本像素與該失格二維樣本像素，且該深度學習模組以該合格像素資訊與該失格像素資訊經由該深度學習演算法演算出判斷該合格影像與該失格影像之該檢測模型。
如請求項11所述之發光源檢測系統，其中該深度學習演算法為一深度神經網路演算法、一捲基神經網路演算法、一深度置信網路演算法、一遞迴神經網路演算法或一深度信念網路演算法。
如請求項11所述之發光源檢測系統，其中各該二維像素之該光學資訊為一亮度資訊、一色頻資訊或其組合。
如請求項11所述之發光源檢測系統，其中各該二維像素之該光學資訊包括一亮度資訊，該合格影像係指各該待測區影像之該亮度資訊大於一亮度閥值之影像，該失格影像係指各該待測區影像之該亮度資訊小於該亮度閥值之影像。
如請求項11所述之發光源檢測系統，其中各該二維像素之該光學資訊包括一色頻資訊，該合格影像係指各該待測區影像之該色頻資訊大於一色頻閥值之影像，該失格影像係指各該待測區影像之該色頻資訊小於該色頻閥值之影像。
如請求項11所述之發光源檢測系統，其中各該二維像素之該光學資訊為一色頻資訊，該色頻資訊包括一紅光資訊、一綠光資訊、一藍光資訊或其組合。
如請求項11所述之發光源檢測系統，其中該影像擷取模組包括一減光鏡，以經由該減光鏡擷取該檢測畫面。
如請求項11所述之發光源檢測系統，其中該相同二維數量介於18×18至42×42之間。
如請求項19所述之發光源檢測系統，其中該相同二維數量介於30×30至32×32之間。