TWI715051B - 機器學習方法及應用機器學習方法的自動光學檢測設備 - Google Patents

機器學習方法及應用機器學習方法的自動光學檢測設備 Download PDF

Info

Publication number
TWI715051B
TWI715051B TW108118160A TW108118160A TWI715051B TW I715051 B TWI715051 B TW I715051B TW 108118160 A TW108118160 A TW 108118160A TW 108118160 A TW108118160 A TW 108118160A TW I715051 B TWI715051 B TW I715051B
Authority
TW
Taiwan
Prior art keywords
machine learning
learning model
photo
judgment result
accuracy
Prior art date
Application number
TW108118160A
Other languages
English (en)
Other versions
TW202020751A (zh
Inventor
廖明癸
趙巧忠
劉奕廷
Original Assignee
鴻齡科技股份有限公司
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
Application filed by 鴻齡科技股份有限公司 filed Critical 鴻齡科技股份有限公司
Publication of TW202020751A publication Critical patent/TW202020751A/zh
Application granted granted Critical
Publication of TWI715051B publication Critical patent/TWI715051B/zh

Links

Images

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
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/778—Active pattern-learning, e.g. online learning of image or video features
    • G06V10/7784—Active pattern-learning, e.g. online learning of image or video features based on feedback from supervisors
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Databases & Information Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Medical Informatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本發明提供一種提高自動光學檢測設備的圖形檢測準確率的機器學習 方法，包括：步驟一、獲取零件的照片；步驟二、對照片進行預處理形成照片數位資訊；步驟三、依照片數位資訊建立機器學習模型；步驟四、將照片數位資訊輸入至機器學習模型進行判斷；步驟五、校驗所述機器學習模型判斷結果的準確率；步驟六、根據機器學習模型判斷結果的準確率對所述機器學習模型進行調整優化；步驟七、優化後的所述機器學習模型重複執行步驟四至步驟六直至機器學習模型判斷結果的準確率達到預設值。

Description

機器學習方法及應用機器學習方法的自動光學檢測設備
本發明涉及圖形檢測領域，尤其涉及一種用於提高自動光學檢測設備準確率的機器學習方法及應用該機器學習方法的自動光學檢測設備。
在生產過程中，通常會用到自動光學檢測設備對製造出來的電路板進行檢測。隨著技術水準的提高，電路板上的電阻電容的尺寸越來越小，而由於自動光學檢測設備的規格限制，導致自動光學檢測設備的誤判率升高，有很多判斷為不合格的產品其實是合格產品，所以檢測結果為不合格的產品還需要工作人員進行肉眼判斷是否為誤判。
鑒於上述狀況，本發明提供一種提高自動光學檢測設備準確度的機器學習方法及應用該機器學習方法的自動光學檢測設備。
一種提高自動光學檢測設備的圖形檢測準確率的機器學習方法，包括：步驟一、獲取零件的照片；步驟二、對照片進行預處理形成照片數位資訊；步驟三、依照片數位資訊建立機器學習模型；步驟四、將照片數位資訊輸入至機器學習模型進行判斷；步驟五、校驗所述機器學習模型判斷結果的準確率；步驟六、根據機器學習模型判斷結果的準確率對所述機 器學習模型進行調整優化；步驟七、優化後的所述機器學習模型重複執行步驟四至步驟六直至機器學習模型判斷結果的準確率達到預設值。
進一步地，所述對照片進行預處理包括以下步驟：切割照片至預定大小並使照片中待檢測的零件置中；按預定規則將照片中的每個圖元的圖元值標準化，形成照片數位資訊。
優選地，所述校驗機器學習模型判斷結果的準確率包括以下步驟：將所述機器學習模型判斷為不合格的照片送至可視操作平臺進行人工判斷；所述可視操作平臺的人工判斷結果與所述機器學習模型的判斷結果進行比較。
進一步地，所述根據機器學習模型判斷結果的準確率對所述機器學習模型進行調整優化包括以下步驟：若所述機器學習模型的判斷結果與所述可視操作平臺的人工判斷結果不一致，則調整優化所述機器學習模型；若所述機器學習模型的判斷結果與所述可視操作平臺的人工判斷結果一致，則所述機器學習模型通過校驗。
進一步地，判斷所述機器學習模型通過校驗之後還包括步驟：將通過校驗的所述機器學習模型存儲至自動光學檢測設備。
優選地，所述機器學習模型通過卷積神經網路技術建立。
進一步地，所述機器學習模型包括至少四個卷積層，至少四個最大池化層和至少兩個全連通層。
優選地，所述建立機器學習模型包括：根據不同類型的零件分別建立相應的機器學習模型。
優選地，所述機器學習模型判斷結果的準確率達到預設值後，包括步驟：將機器學習模型應用至自動光學檢測設備中；重新獲取零件照片； 對重新獲取的照片預處理形成照片數位資訊；將重新獲取的照片數位資訊輸入至機器學習模型進行判斷。
一種自動光學檢測設備，用於檢測零件，所述自動光學檢測設備具備上述任一項的機器學習方法。
本發明提供的機器學習方法利用機器學習模型對自動光學檢測設備檢測過的零件照片進行再次檢測，替代操作人員肉眼再次判斷，極大的降低了自動光學檢測設備的誤判率和操作人員的勞動強度。
圖1為機器學習方法在實施例一中的流程圖。
圖2為圖1所示的機器學習方法中對照片進行處理的流程圖。
圖3為圖1所示的機器學習方法中分析機器學校模型的判斷結果的流程圖。
圖4為機器學習方法在實施例二中的流程圖。
下面將結合本發明實施例中的附圖，對本發明實施例中的技術方案進行清楚、完整地描述，顯然，所描述的實施例僅是本發明一部分實施例，而不是全部的實施例。基於本發明中的實施例，本領域普通技術人員在沒有做出創造性勞動前提下所獲得的所有其他實施例，都屬於本發明保護的範圍。
實施例一
請參閱圖1、圖2和圖3，本發明提供一種提高自動光學檢測(Automatic Optic Inspection,AOI)設備準確度的機器學習方法，包括以下步驟：
步驟S1中，AOI設備對零件進行檢測，生成零件的照片。判斷為合格的零件照片進入步驟S8，零件通過檢測；判斷為不合格的零件照片進入步驟S2。
步驟S2對步驟S1產生的不合格的零件照片進行收集和處理。具體地，步驟S2在AOI設備的處理器或其他具有類似功能的設備中執行，包括以下步驟：步驟S21先將收集來的不合格零件的照片進行歸類和標記，收集來的零件照片存在合格和不合格兩大類，不合格零件的類別可以是異物、錯件、缺件、偏位、立碑、反轉、破損等；步驟S22將歸類標記後的照片切割至預定大小，去除照片中不相關的資訊，使每張照片中存在一個待檢測的零件，並且待檢測的零件位於照片的中間；步驟S23將切割後照片按預定規則將照片中的圖元值標準化，從而形成照片數位資訊。具體地，照片中每個圖元的RGB數值分別存成三個矩陣，然後每個矩陣中的每個數值從0~255標準化到0~1之間。照片全部處理完成後進入步驟S3。
步驟S3，根據照片數位資訊的歸類標記的特徵和卷積神經網路(Convolutional Neural Network,CNN)技術建立機器學習模型，機器學習模型通過Python、Tensorflow、和Keras等電腦程式設計語言建立並存儲在一個或多個電腦存儲介質中。CNN包括卷積層、最大池化層和全連通層，卷積層與最大池化層配合，組成多個卷積組，逐層提取特徵，最終通過全連接層完成分類，從而實現對照片的識別功能。CNN的層數越多，機器學習模型的判斷精度越高。在本實施例中，機器學習模型的CNN包括至少四 個卷積層，至少四個最大池化層，和至少兩個全連通層，有效保證了機器學習模型的判斷精度。隨後，進入步驟S4。
在步驟S4中，經過步驟S2處理得到的照片數位資訊被送入機器學習模型中，用以訓練和測試機器學習模型，讓機器學習模型判斷零件是真的不合格還是AOI設備的誤判。
為避免機器學習模型判斷的偶然性，需要從步驟S1和步驟S2收集大量零件照片用於訓練和測試機器學習模型。另外，改善AOI設備的光學硬體，提高照片的清晰度也有利於提高機器學習模型判斷的準確率。
步驟S5對機器學習模型的判斷結果進行校驗。若機器學習模型判斷的準確率達標，則進入步驟6。若機器學習模型判斷的準確率低，則進入步驟S8，對機器學習模型的程式進行優化和調整，隨後再次進入步驟S4、步驟S5和步驟S8迴圈，直至機器學習模型判斷結果的準確性達標。
具體地，在步驟S51中，機器學習模型判斷為不合格的零件照片被送至AOI設備的可視操作平臺，由工作人員對機器學習模型檢測過的照片進行再次判斷，工作人員將機器學習模型的判斷結果與照片歸類標記的結果進行比對，並且計算出機器學習模型的準確率。若機器學習模型的準確率低於一預定值，比如99.99%，則認為機器學習模型的判斷結果與可視操作平臺的人工判斷結果不一致，不能通過校驗，方法進入步驟S8，對機器學習模型的程式進行優化調整。若機器學習模型的準確率達標，即準確率大於或等於預定值，則認為機器學習模型的判斷結果與可視操作平臺的人工判斷結果一致，方法進入步驟S52，機器學習模型被判定通過校驗，並且存儲至AOI設備中。
步驟S6，通過校驗的機器學習模型被應用在AOI設備中，從AOI設備中重新獲取零件照片，並對照片進行處理，以獲得新的照片數位資訊， 重新獲取的照片數位資訊被輸入至機器學習模型中，由機器學習模型再次檢測零件是否真的不合格，若檢測結果合格，則進入步驟S9，零件通過檢測；若檢測結果不合格，則進入步驟S7，零件未通過檢測，不合格的零件將被淘汰。機器學習模型在AOI設備中應用的初期，可由工作人員重複確認機器學習模型的準確率，機器學習模型的準確率確認後，可以取代工作人員作業。
實施例二
請參閱圖4，實施例二的機器學習方法與實施例大致相同，區別在於，實施例二的機器學習方法的步驟S1產生零件照片後直接進入步驟S2。步驟S2將零件分為合格和不合格兩大類，接著在對照片進行預處理，形成照片數位資訊。步驟S3依據照片數位資訊新建的機器學習模型，之後在步驟S4中，機器學習模型對預處理後的照片進行判斷，實現對機器學習模型的訓練。然後機器學習模型的判斷結果被送至步驟S5進行校驗，根據校驗結果判斷是否需要進入步驟S8，優化機器學習模型，實施例二的校驗方法與實施例一相容，此處不再贅述。機器學習模型通過校驗後，機器學習方法進入步驟S6，將機器學習模型應用至AOI設備中，從AOI設備中重新獲取的零件照片經過預處理後由機器學習模型進行檢測，若檢測結果合格，則進入步驟S9，零件通過檢測；若檢測結果不合格，則進入步驟S7，零件未通過檢測，不合格的零件將被淘汰。
本發明還提供一種自動光學檢測設備，用於檢測零件，如電路板、電子晶片等結構細小精密的零件。所述自動光學檢測設備應用上述的機器學習方法檢測零件是否合格，準確率高，可以替代工作人員作業，降低工作人員的勞動強度。
本發明提供的機器學習方法利用機器學習模型對AOI設備檢測過的零件照片進行再次檢測，替代操作人員肉眼再次判斷，極大的降低了自動光學檢測設備的誤判率和操作人員的勞動強度。
以上實施方式僅用以說明本發明的技術方案而非限制，儘管參照以上較佳實施方式對本發明進行了詳細說明，本領域的普通技術人員應當理解，可以對本發明的技術方案進行修改或等同替換都不應脫離本發明技術方案的精神和範圍。

Claims (8)

  1. 一種提高自動光學檢測設備的圖形檢測準確率的機器學習方法，其中，包括：步驟一、獲取零件的照片；步驟二、對照片進行預處理形成照片數位資訊；步驟三、依照片數位資訊建立機器學習模型；步驟四、將照片數位資訊輸入至機器學習模型進行判斷；步驟五、校驗所述機器學習模型判斷結果的準確率，包括：將所述機器學習模型判斷為不合格的照片送至可視操作平臺進行人工判斷；所述可視操作平臺的人工判斷結果與所述機器學習模型的判斷結果進行比較，並且計算出機器學習模型的準確率；步驟六、根據機器學習模型判斷結果的準確率對所述機器學習模型進行調整優化，包括：若機器學習模型的準確率低於一預設值，則判斷所述機器學習模型的判斷結果與所述可視操作平臺的人工判斷結果不一致，則調整優化所述機器學習模型；若所述機器學習模型的判斷結果與所述可視操作平臺的人工判斷結果一致，則所述機器學習模型通過校驗；步驟七、優化後的所述機器學習模型重複執行步驟四至步驟六直至機器學習模型判斷結果的準確率達到預設值。
  2. 如請求項1所述的機器學習方法，其中：所述對照片進行預處理包括以下步驟：切割照片至預定大小並使照片中待檢測的零件置中；按預定規則將照片中的每個圖元的圖元值標準化，形成照片數位資訊。
  3. 如請求項1所述的機器學習方法，其中：判斷所述機器學習模型通過校驗之後還包括步驟：將通過校驗的所述機器學習模型存儲至自動光學檢測設備。
  4. 如請求項1所述的機器學習方法，其中：所述機器學習模型通過卷積神經網路技術建立。
  5. 如請求項4所述的機器學習方法，其中：所述機器學習模型包括至少四個卷積層，至少四個最大池化層和至少兩個全連通層。
  6. 如請求項1所述的機器學習方法，其中：所述建立機器學習模型包括：根據不同類型的零件分別建立相應的機器學習模型。
  7. 如請求項1所述的機器學習方法，其中：所述機器學習模型判斷結果的準確率達到預設值後，包括步驟：將機器學習模型應用至自動光學檢測設備中；重新獲取零件照片；對重新獲取的照片預處理形成照片數位資訊；將重新獲取的照片數位資訊輸入至機器學習模型進行判斷。
  8. 一種自動光學檢測設備，用於檢測零件，其中：所述自動光學檢測設備具備請求項1至7任一項所述的機器學習方法。
TW108118160A 2018-09-19 2019-05-24 機器學習方法及應用機器學習方法的自動光學檢測設備 TWI715051B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
CN201811095927.2A CN110930350A (zh) 2018-09-19 2018-09-19 机器学习方法及应用机器学习方法的自动光学检测设备
CN201811095927.2 2018-09-19

Publications (2)

Publication Number Publication Date
TW202020751A TW202020751A (zh) 2020-06-01
TWI715051B true TWI715051B (zh) 2021-01-01

Family

ID=69774289

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108118160A TWI715051B (zh) 2018-09-19 2019-05-24 機器學習方法及應用機器學習方法的自動光學檢測設備

Country Status (3)

Country Link
US (1) US20200090319A1 (zh)
CN (1) CN110930350A (zh)
TW (1) TWI715051B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
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
CN111929239A (zh) * 2020-07-20 2020-11-13 浙江四点灵机器人股份有限公司 一种pcb板零件缺陷的aoi检测装置及检测方法
CN112132796A (zh) * 2020-09-15 2020-12-25 佛山读图科技有限公司 以反馈数据自主学习提升检测精度的视觉检测方法和系统
CN115128079A (zh) * 2021-03-10 2022-09-30 英业达科技有限公司 自动光学与类神经网络整合的二次检测系统及其方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201820176A (zh) * 2016-11-23 2018-06-01 財團法人工業技術研究院 分類方法、分類模組及電腦程式產品
CN108491867A (zh) * 2018-03-12 2018-09-04 苏州卓融新能源科技有限公司 基于人工智能的影像匹配及识别方法

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11205119B2 (en) * 2015-12-22 2021-12-21 Applied Materials Israel Ltd. Method of deep learning-based examination of a semiconductor specimen and system thereof
US9847974B2 (en) * 2016-04-28 2017-12-19 Xerox Corporation Image document processing in a client-server system including privacy-preserving text recognition
US9760806B1 (en) * 2016-05-11 2017-09-12 TCL Research America Inc. Method and system for vision-centric deep-learning-based road situation analysis
US10169647B2 (en) * 2016-07-27 2019-01-01 International Business Machines Corporation Inferring body position in a scan
US10083347B2 (en) * 2016-07-29 2018-09-25 NTech lab LLC Face identification using artificial neural network
US10417788B2 (en) * 2016-09-21 2019-09-17 Realize, Inc. Anomaly detection in volumetric medical images using sequential convolutional and recurrent neural networks
CN106530284A (zh) * 2016-10-21 2017-03-22 广州视源电子科技股份有限公司 基于图像识别的焊点类型检测和装置
WO2018126275A1 (en) * 2016-12-30 2018-07-05 Dirk Schneemann, LLC Modeling and learning character traits and medical condition based on 3d facial features
US10769500B2 (en) * 2017-08-31 2020-09-08 Mitsubishi Electric Research Laboratories, Inc. Localization-aware active learning for object detection
CN108061735A (zh) * 2017-12-01 2018-05-22 工业互联网创新中心（上海）有限公司 零部件表面缺陷的识别方法和装置
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
US10755229B2 (en) * 2018-04-11 2020-08-25 International Business Machines Corporation Cognitive fashion-ability score driven fashion merchandising acquisition
US11593610B2 (en) * 2018-04-25 2023-02-28 Metropolitan Airports Commission Airport noise classification method and system

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TW201820176A (zh) * 2016-11-23 2018-06-01 財團法人工業技術研究院 分類方法、分類模組及電腦程式產品
CN108491867A (zh) * 2018-03-12 2018-09-04 苏州卓融新能源科技有限公司 基于人工智能的影像匹配及识别方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Karen Simonyan; Andrew Zisserman，"VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION"， ICLR，1-14， 2015 *
Karen Simonyan; Andrew Zisserman，"VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION"， ICLR，1-14， 2015。

Also Published As

Publication number Publication date
CN110930350A (zh) 2020-03-27
US20200090319A1 (en) 2020-03-19
TW202020751A (zh) 2020-06-01

Similar Documents

Publication Publication Date Title
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
US10878283B2 (en) Data generation apparatus, data generation method, and data generation program
KR102171491B1 (ko) 딥러닝을 이용한 양품 선별 방법
US20190197679A1 (en) 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
CN110579479A (zh) 一种基于假点缺陷检测的pcb检修系统及检修方法
CN111899241B (zh) 一种定量化的炉前pcb贴片缺陷在线检测方法及系统
US11727553B2 (en) Vision analysis and validation system for improved inspection in robotic assembly
CN109060817B (zh) 人工智能复检系统及其方法
CN109946303A (zh) 检查装置和方法
TWI749524B (zh) 影像辨識裝置、影像辨識方法及其電腦程式產品
CN113222913B (zh) 一种电路板缺陷检测定位方法、装置和存储介质
CN1323369C (zh) 图像识别装置和方法以及图像识别装置的示教装置和方法
US11423531B2 (en) Image-recognition apparatus, image-recognition method, and non-transitory computer-readable storage medium thereof
CN107895362A (zh) 一种微型接线端子质量检测的机器视觉方法
TWI694250B (zh) 表面缺陷偵測系統及其方法
TW202117664A (zh) 光學檢測二次圖像分類方法
CN112308816B (zh) 影像辨识装置、影像辨识方法及其存储介质
US11176419B1 (en) Method for labeling image
TWI732296B (zh) 依據標準值建立檢測模型以確認焊接狀態之系統及方法
CN114782431A (zh) 一种印刷电路板缺陷检测模型训练方法及缺陷检测方法
CN109975686B (zh) 一种基于红外图像处理的电路板短路自动识别方法
TWI745767B (zh) 光學檢測二次圖像分類方法
Lei et al. A precise convolutional neural network-based classification and pose prediction method for PCB component quality control
CN112453750A (zh) 依据标准值建立检测模型以确认焊接状态的系统及方法
JP3829280B2 (ja) 外観検査装置