TWI803393B

TWI803393B - 基於非監督式學習的瑕疵檢測系統及其方法

Info

Publication number: TWI803393B
Application number: TW111127045A
Authority: TW
Inventors: 蔡達煜; 潘易婷; 王亭雅; 蘇威智; 陳以青
Original assignee: 神通資訊科技股份有限公司
Priority date: 2022-07-19
Filing date: 2022-07-19
Publication date: 2023-05-21
Also published as: TW202405761A

Abstract

一種基於非監督式學習的瑕疵檢測系統及其方法，透過自動光學檢測裝置拍攝目標物以生成檢測圖像，並且將檢測圖像進行色彩空間轉換、圖像壓縮及降維映射以建立拓撲特徵，當檢測圖像為訓練資料時，將拓撲特徵作為樣本特徵，當檢測圖像非訓練資料時，根據拓撲特徵與樣本特徵執行差異量化以計算差異度，再根據差異度輸出相應的檢測結果，藉以達到提高瑕疵檢測的準確性及便利性之技術功效。

Description

基於非監督式學習的瑕疵檢測系統及其方法

本發明涉及一種瑕疵檢測系統及其方法，特別是基於非監督式學習的瑕疵檢測系統及其方法。

近年來，隨著智慧製造的普及與蓬勃發展，各種相關應用便如雨後春筍般湧出，其中，又以能夠自動檢測是否存在瑕疵的自動光學檢測(Automated Optical Inspection,AOI)技術最受矚目。

一般而言，傳統的自動光學檢測常用於印刷電路板和面板產業，然而，在應用上也常因為靈敏度過高而造成誤判率過高，因為靈敏度過高使得細微的異常即被認為是瑕疵，所以導致仍需要人工進行複判。另一方面，產業需要知道瑕疵類型才能夠有助於分析製程根源問題，但目前的自動光學檢測無法對瑕疵進行分類，所以無法提供有效資訊。因此，傳統的方式具有難以兼顧準確率及便利性的問題。

有鑑於此，便有廠商提出監督式學習的技術手段，其透過收集各種瑕疵的圖像作為訓練資料，再透過監督式學習建立分類模型以識別瑕疵及分類。然而，此方式需要事先為各種瑕疵設置相應的標籤，不但過程繁瑣且無法正確辨識出尚未收集到的瑕疵，故仍然無法有效解決難以兼顧準確率及便利性的問題

綜上所述，可知先前技術在長期以來一直存在難以兼顧準確率及便利性的問題，因此實有必要提出改進的技術手段，來解決此一問題。

本發明揭露一種基於非監督式學習的瑕疵檢測系統及其方法。

首先，本發明揭露一種基於非監督式學習的瑕疵檢測系統，其包含：驅動模組、壓縮模組、執行模組及輸出模組。其中，驅動模組用以驅動自動光學檢測裝置拍攝目標物以生成檢測圖像，並且將此檢測圖像進行色彩空間轉換以獲得特徵明顯的空間圖像；壓縮模組連接驅動模組，用以對特徵明顯的空間圖像執行圖像壓縮以生成具有壓縮特徵的壓縮圖像，其中，所述圖像壓縮係為破壞性壓縮，包含離散傅立葉轉換、離散餘弦轉換、小波壓縮及碎形壓縮至少其中之一，用以降低背景雜訊對圖像特徵的影響；執行模組連接壓縮模組，用以執行非監督式學習的降維映射，使壓縮圖像的壓縮特徵映射至低維度的空間以建立拓撲(Topology)特徵，當檢測圖像為訓練資料時，將建立的拓撲特徵作為樣本特徵，當檢測圖像非訓練資料時，根據拓撲特徵及樣本特徵執行差異量化以計算出差異度；以及輸出模組連接執行模組，用以當差異度未超過門檻值時，輸出第一檢測結果，當差異度超過門檻值時，輸出第二檢測結果。

另外，本發明還揭露一種基於非監督式學習的瑕疵檢測方法，由處理器執行，所述方法包括下列步驟：驅動自動光學檢測裝置拍攝目標物以生成檢測圖像，並且將此檢測圖像進行色彩空間轉換以獲得特徵明顯的空間圖像；對特徵明顯的空間圖像執行圖像壓縮以生成具有壓縮特徵的壓縮圖像，其中，所述圖像壓縮係為破壞性壓縮，包含離散傅立葉轉換、離散餘弦轉換、小波壓縮及碎形壓縮至少其中之一，用以降低背景雜訊對圖像特徵的影響；執行非監督式學習的降維映射，使壓縮圖像的壓縮特徵映射至低維度的空間以建立拓撲特徵，當檢測圖像為訓練資料時，將建立的拓撲特徵作為樣本特徵，當檢測圖像非訓練資料時，根據拓撲特徵及樣本特徵執行差異量化以計算出差異度；以及當差異度未超過門檻值時，輸出第一檢測結果，當差異度超過門檻值時，輸出第二檢測結果。

本發明所揭露之系統與方法如上，與先前技術的差異在於本發明是透過自動光學檢測裝置拍攝目標物以生成檢測圖像，並且將檢測圖像進行色彩空間轉換、圖像壓縮及降維映射以建立拓撲特徵，當檢測圖像為訓練資料時，將拓撲特徵作為樣本特徵，當檢測圖像非訓練資料時，根據拓撲特徵與樣本特徵執行差異量化以計算差異度，再根據差異度輸出相應的檢測結果。

透過上述的技術手段，本發明可以達成提高瑕疵檢測的準確性及便利性之技術功效。

110:驅動模組

120:壓縮模組

130:執行模組

140:輸出模組

300:自動光學檢測裝置

310:目標物

320:檢測圖像

330:空間圖像

340:壓縮圖像

350:拓撲特徵

360:樣本特徵

400:檢測圖像

410,420:子區域

步驟200:在初始時，驅動該自動光學檢測裝置持續拍攝無瑕疵的該目標物以生成作為所述訓練資料的所述檢測圖像，用以在建立該拓撲特徵時，將建立的該拓撲特徵作為該樣本特徵

步驟210:驅動一自動光學檢測裝置拍攝一目標物以生成一檢測圖像，並且將該檢測圖像進行一色彩空間轉換以獲得特徵明顯的一空間圖像

步驟211:將該檢測圖像分割為多個子區域，再對每一所述子區域個別生成一局部圖像以作為所述檢測圖像

步驟220:對特徵明顯的該空間圖像執行一圖像壓縮以生成具有一壓縮特徵的一壓縮圖像

步驟230:執行非監督式學習的一降維映射，使該壓縮圖像的該壓縮特徵映射至低維度的空間以建立一拓撲特徵

步驟240:當該檢測圖像為一訓練資料時，將建立的該拓撲特徵作為一樣本特徵，當該檢測圖像非該訓練資料時，根據該拓撲特徵及該樣本特徵執行一差異量化以計算出一差異度

步驟250:當該差異度未超過一門檻值時，輸出一第一檢測結果，當該差異度超過該門檻值時，輸出一第二檢測結果

第1圖為本發明基於非監督式學習的瑕疵檢測系統的系統方塊圖。

第2A圖至第2C圖為本發明基於非監督式學習的瑕疵檢測方法的方法流程圖。

第3圖為應用本發明檢測瑕疵之示意圖。

第4圖為應用本發明確認瑕疵位置之示意圖。

以下將配合圖式及實施例來詳細說明本發明之實施方式，藉此對本發明如何應用技術手段來解決技術問題並達成技術功效的實現過程能充分理解並據以實施。

首先，請先參閱「第1圖」，「第1圖」為本發明基於非監督式學習的瑕疵檢測系統的系統方塊圖，此系統包含：驅動模組110、壓縮模組120、執行模組130及輸出模組140。其中，驅動模組110用以驅動自動光學檢測裝置拍攝目標物以生成檢測圖像，並且將此檢測圖像進行色彩空間轉換以獲得特徵明顯的空間圖像。在實際實施上，目標物可以是印刷電路板(Printed Circuit Board,PCB)，或是已設置/已焊接有電子零件的印刷電路板裝置。特別要說明的是，所述驅動模組110可在初始時，驅動自動光學檢測裝置持續拍攝無瑕疵的目標物以生成作為訓練資料的檢測圖像，用以在建立拓撲特徵時，將建立的拓撲特徵作為樣本特徵，也就是說，先使用無瑕疵的目標物圖像作為訓練樣本進行非監督式學習。另外，驅動模組110還可將檢測圖像分割為多個子區域，再對每一所述子區域個別生成局部圖像以作為檢測圖像。除此之外，所述色彩空間轉換可包含灰階、三原色(RGB)、色相(Hue)、飽和度(Saturation)、亮度(Lightness)及明度(Value)的轉換，例如：灰階轉換、RGB、HSL、HSV及其相似的色彩空間之轉換。由於圖像由三為陣列所組成，每一維度之資訊不全然能將圖像特徵凸顯出來，所以藉由色彩空間轉換可取得不同座標下的圖像特徵，進而以特定空間座標之陣列資訊作為瑕疵檢測的依據。

壓縮模組120連接驅動模組110，用以對特徵明顯的空間圖像執行圖像壓縮以生成具有壓縮特徵的壓縮圖像。在實際實施上，由於自動光學檢測裝置具有較高解析度的取像裝置，導致容易因為捕捉到細微瑕疵而產生誤判，所以藉由破壞性壓縮可降低背景雜訊(如：光源)對圖像特徵的影響。實際上，所述圖像壓縮包含離散傅立葉轉換(Discrete Fourier Transform)、離散餘弦轉換(Discrete Cosine Transform)、小波壓縮(Wavelet Compression)、碎形壓縮(Fractal Compression)及其相似方式。

執行模組130連接壓縮模組120，用以執行非監督式學習的降維映射，使壓縮圖像的壓縮特徵映射至低維度的空間以建立拓撲特徵，當檢測圖像為訓練資料時，將建立的拓撲特徵作為樣本特徵，當檢測圖像非訓練資料時，根據拓撲特徵及樣本特徵執行差異量化以計算出差異度。在實際實施上，由於高階析度的檢測圖像經由有損壓縮後，其產生的壓縮圖像仍然包含了大量的圖像特徵(即：壓縮特徵)，倘若持續進行有損壓縮將影響後續判別，因此，透過降維映射技術將壓縮特徵映射到較低維度的空間，如此一來，即可在圖像保持原始輸入空間的拓撲特徵下，降低計算的複雜性。所述降維映射可包含自組織映射(Self-Organizing Maps,SOM)、自編碼器(AutoEncoder,AE)、均勻流形逼近及投影(Uniform Manifold Approximation and Projection,UMAP)、主成分分析(Principal Component Analysis,PCA)及t分佈隨機鄰域嵌入法(T-Distributed Stochastic Neighbor Embedding,t-SEN)或其相似方式。接下來，由於圖像轉換成拓撲特徵後仍然是二維圖像，所以為了方便計算不同特徵(如：樣本特徵與拓撲特徵)的差異，需要透過差異量化的方式將特徵轉換為數值(即：量化)並計算差異，所述差異量化可包含均方誤差(Mean Squared Error)、平均絕對誤差(Mean Absolute Error)、交叉熵(Cross Entropy)、馬氏距離(Mahalanobis Distance)及其相似方式。

輸出模組140連接執行模組130，用以當差異度未超過門檻值時，輸出第一檢測結果，當差異度超過門檻值時，輸出第二檢測結果。舉例來說，差異度，如：最小量化誤差(Minimum Quantization Error,MQE)，其數值越大代表拓撲特徵與樣本特徵的圖像差異越大，也就是說，檢測圖像與無瑕疵目標物的圖像差異越大。在實際實施上，門檻值可設為「MQE=1.5」，當差異度未超過門檻值時，輸出第一檢測結果(如：以文字顯示「無瑕疵」)，反之若超過門檻值，則輸出第二檢測結果(如：以文字顯示「存在瑕疵」)。

特別要說明的是，在實際實施上，本發明所述的模組皆可利用各種方式來實現，包含軟體、硬體或其任意組合，例如，在某些實施方式中，各模組可利用軟體及硬體或其中之一來實現，除此之外，本發明亦可部分地或完全地基於硬體來實現，例如，系統中的一個或多個模組可以透過積體電路晶片、系統單晶片(System on Chip,SoC)、複雜可程式邏輯裝置(Complex Programmable Logic Device,CPLD)、現場可程式邏輯閘陣列(Field Programmable Gate Array,FPGA)等來實現。本發明可以是系統、方法及/或電腦程式。電腦程式可以包括電腦可讀儲存媒體，其上載有用於使處理器實現本發明的各個方面的電腦可讀程式指令，電腦可讀儲存媒體可以是可以保持和儲存由指令執行設備使用的指令的有形設備。電腦可讀儲存媒體可以是但不限於電儲存設備、磁儲存設備、光儲存設備、電磁儲存設備、半導體儲存設備或上述的任意合適的組合。電腦可讀儲存媒體的更具體的例子(非窮舉的列表)包括：硬碟、隨機存取記憶體、唯讀記憶體、快閃記憶體、光碟、軟碟以及上述的任意合適的組合。此處所使用的電腦可讀儲存媒體不被解釋為瞬時訊號本身，諸如無線電波或者其它自由傳播的電磁波、通過波導或其它傳輸媒介傳播的電磁波(例如，通過光纖電纜的光訊號)、或者通過電線傳輸的電訊號。另外，此處所描述的電腦可讀程式指令可以從電腦可讀儲存媒體下載到各個計算/處理設備，或者通過網路，例如：網際網路、區域網路、廣域網路及/或無線網路下載到外部電腦設備或外部儲存設備。網路可以包括銅傳輸電纜、光纖傳輸、無線傳輸、路由器、防火牆、交換器、集線器及/或閘道器。每一個計算/處理設備中的網路卡或者網路介面從網路接收電腦可讀程式指令，並轉發此電腦可讀程式指令，以供儲存在各個計算/處理設備中的電腦可讀儲存媒體中。執行本發明操作的電腦程式指令可以是組合語言指令、指令集架構指令、機器指令、機器相關指令、微指令、韌體指令、或者以一種或多種程式語言的任意組合編寫的原始碼或目的碼(Object Code)，所述程式語言包括物件導向的程式語言，如：Common Lisp、Python、C++、Objective-C、Smalltalk、Delphi、Java、Swift、C#、Perl、Ruby與PHP等，以及常規的程序式(Procedural)程式語言，如：C語言或類似的程式語言。所述電腦程式指令可以完全地在電腦上執行、部分地在電腦上執行、作為一個獨立的軟體執行、部分在客戶端電腦上部分在遠端電腦上執行、或者完全在遠端電腦或伺服器上執行。

請參閱「第2A圖」至「第2C圖」，「第2A圖」至「第2C圖」為本發明基於非監督式學習的瑕疵檢測方法的方法流程圖，其步驟包括：驅動自動光學檢測裝置拍攝目標物以生成檢測圖像，並且將檢測圖像進行色彩空間轉換以獲得特徵明顯的空間圖像(步驟210)；對特徵明顯的空間圖像執行圖像壓縮以生成具有壓縮特徵的壓縮圖像(步驟220)；執行非監督式學習的降維映射，使壓縮圖像的壓縮特徵映射至低維度的空間以建立拓撲特徵(步驟230)；當檢測圖像為訓練資料時，將建立的拓撲特徵作為樣本特徵，當檢測圖像非訓練資料時，根據拓撲特徵及樣本特徵執行差異量化以計算出差異度(步驟240)；當差異度未超過門檻值時，輸出第一檢測結果，當差異度超過門檻值時，輸出第二檢測結果(步驟250)。透過上述步驟，即可透過自動光學檢測裝置拍攝目標物以生成檢測圖像，並且將檢測圖像進行色彩空間轉換、圖像壓縮及降維映射以建立拓撲特徵，當檢測圖像為訓練資料時，將拓撲特徵作為樣本特徵，當檢測圖像非訓練資料時，根據拓撲特徵與樣本特徵執行差異量化以計算差異度，再根據差異度輸出相應的檢測結果。

除此之外，如「第2B圖」所示意，在初始時，還可驅動自動光學檢測裝置持續拍攝無瑕疵的目標物以生成作為訓練資料的檢測圖像，用以在建立拓撲特徵時，將建立的拓撲特徵作為樣本特徵(步驟200)；以及如「第2C圖」所示意，在步驟210之後，可將檢測圖像分割為多個子區域，再對每一子區域個別生成局部圖像以作為檢測圖像(步驟211)。如此一來，藉由相同流程檢測出檢測圖像存在瑕疵時，即可確認與檢測圖像相應的子區域位置即為存在瑕疵的位置。

以下配合「第3圖」及「第4圖」以實施例的方式進行如下說明，如「第3圖」所示意，「第3圖」為應用本發明檢測瑕疵之示意圖。在實際實施上，在初始時，可先驅動自動光學檢測裝置300持續拍攝無瑕疵的目標物310以生成作為訓練資料的檢測圖像320，並且基於檢測圖像320依序進行色彩空間轉換、圖像壓縮、降維映射等處理以建立拓撲特徵350，此拓撲特徵350將作為樣本特徵360。以目標物310為印刷電路裝置為例，可將良品的印刷電路裝置圖像作為訓練資料，甚至是針對其中的電路元件細分不同的子區域，並且將代表良品且相同位置的電路元件圖像統一放置在同一資料夾作為訓練資料，以便通過機器學習的訓練(Training)以生成樣本特徵；以目標物310為X光焊接物為例，拍攝的檢測圖像320則為X光焊接影像，同樣可用來作為訓練資料，並經過訓練後生成樣本特徵。實際上，無論是瑕疵或良品，只要是相同類型皆可用於訓練以生成樣本特徵，只不過若以良品作為樣本特徵，則輸出的第一檢測結果為無瑕疵、第二檢測結果為存在瑕疵，反之若以瑕疵作為樣本特徵，輸出的第一檢測結果為存在瑕疵、第二檢測結果為無瑕疵。

接下來，在檢測瑕疵時，同樣驅動自動光學檢測裝置300拍攝目標物310以生成檢測圖像320，並且將此檢測圖像320進行色彩空間轉換以獲得特徵明顯的空間圖像330。接著，先對特徵明顯的空間圖像330執行圖像壓縮以生成具有壓縮特徵的壓縮圖像340後，再執行非監督式學習的降維映射，使壓縮圖像340的壓縮特徵映射至低維度的空間以建立拓撲特徵350。此時，由於檢測圖像320非訓練資料且已於初始時建立樣本特徵360，所以可根據建立的拓撲特徵350及樣本特徵360執行差異量化以計算出差異度，當差異度未超過門檻值時，輸出第一檢測結果(如：無瑕疵)，當差異度超過門檻值時，輸出第二檢測結果(如：存在瑕疵)。

要補充說明的是，在實際實施上，也可以在初始時，驅動自動光學檢測裝置300持續拍攝具有同類型瑕疵的目標物310以生成作為訓練資料的檢測圖像320，以便在建立拓撲特徵350時，將建立的拓撲特徵350作為樣本特徵360。如此一來，檢測圖像320的拓撲特徵350與在初始時建立的樣本特徵360的差異度未超過門檻值時，即可確定檢測圖像320存在同類型的瑕疵。換句話說，在使用多張(如：5張以上)具有同類型瑕疵的檢測圖像320建立樣本特徵360後，通過相同的流程可以判斷出檢測圖像320是否具有同類型瑕疵。倘若欲判斷各種不同的瑕疵類型，則需事先針對各種不同的瑕疵目標物310生成相應的樣本特徵360，接著建立檢測圖像320的拓撲特徵350以與這些樣本特徵360比對，其比對方式是根據特徵量化後的差異度來判斷是否符合某類型的瑕疵。

請參閱「第4圖」，「第4圖」為應用本發明確認瑕疵位置之示意圖。假設欲確認瑕疵位置，可將檢測圖像400分割成多個子區域(410、420)，再對每一子區域(410、420)分別進行檢測，當檢測到某一子區域存在瑕疵，便能夠根據子區域(410、420)的位置確認瑕疵出現的位置。在實際實施上，需要先根據分割的各個子區域(410、420)建立樣本圖像(或稱為良品圖像，即：無瑕疵的目標物圖像)的拓撲特徵(即：樣本特徵)，以作為後續比對判斷的依據。接著，驅動模組110即可對檢測圖像400的每一子區域(410、420)分別生成相應的局部圖像，並且將這些局部圖像作為檢測圖像，並且以相同的方式生成拓撲特徵，以便根據拓撲特徵和樣本特徵的差異度來判斷是否存在瑕疵。舉例來說，假設子區域410經檢測後發現差異度超過門檻值，便輸出檢測結果(如：以文字顯示「存在瑕疵」)，此時，即可將與此檢測結果相應的子區域410的位置視為存在瑕疵的位置。至此，即完成確認瑕疵位置。

綜上所述，可知本發明與先前技術之間的差異在於透過自動光學檢測裝置拍攝目標物以生成檢測圖像，並且將檢測圖像進行色彩空間轉換、圖像壓縮及降維映射以建立拓撲特徵，當檢測圖像為訓練資料時，將拓撲特徵作為樣本特徵，當檢測圖像非訓練資料時，根據拓撲特徵與樣本特徵執行差異量化以計算差異度，再根據差異度輸出相應的檢測結果，藉由此一技術手段可以解決先前技術所存在的問題，進而達成提高瑕疵檢測的準確性及便利性之技術功效。

雖然本發明以前述之實施例揭露如上，然其並非用以限定本發明，任何熟習相像技藝者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾，因此本發明之專利保護範圍須視本說明書所附之申請專利範圍所界定者為準。

110:驅動模組

120:壓縮模組

130:執行模組

140:輸出模組

Claims

一種基於非監督式學習的瑕疵檢測系統，該系統包含：一驅動模組，用以驅動一自動光學檢測裝置拍攝一目標物以生成一檢測圖像，並且將該檢測圖像進行一色彩空間轉換以獲得特徵明顯的一空間圖像；一壓縮模組，連接該驅動模組，用以對特徵明顯的該空間圖像執行一圖像壓縮以生成具有一壓縮特徵的一壓縮圖像，其中，所述圖像壓縮係為破壞性壓縮，包含離散傅立葉轉換、離散餘弦轉換、小波壓縮及碎形壓縮至少其中之一，用以降低背景雜訊對圖像特徵的影響；一執行模組，連接該壓縮模組，用以執行非監督式學習的一降維映射，使該壓縮圖像的該壓縮特徵映射至低維度的空間以建立一拓撲特徵，當該檢測圖像為一訓練資料時，將建立的該拓撲特徵作為一樣本特徵，當該檢測圖像非該訓練資料時，根據該拓撲特徵及該樣本特徵執行一差異量化以計算出一差異度；以及一輸出模組，連接該執行模組，用以當該差異度未超過一門檻值時，輸出一第一檢測結果，當該差異度超過該門檻值時，輸出一第二檢測結果。
如請求項1之基於非監督式學習的瑕疵檢測系統，其中該驅動模組在初始時，驅動該自動光學檢測裝置持續拍攝無瑕疵的該目標物以生成作為所述訓練資料的所述檢測圖像，用以在建立該拓撲特徵時，將建立的該拓撲特徵作為該樣本特徵。
如請求項1之基於非監督式學習的瑕疵檢測系統，其中該驅動模組將該檢測圖像分割為多個子區域，再對每一所述子區域個別生成一局部圖像以作為所述檢測圖像。
如請求項1之基於非監督式學習的瑕疵檢測系統，其中該色彩空間轉換包含灰階、三原色(RGB)、色相(Hue)、飽和度(Saturation)、亮度(Lightness)及明度(Value)的轉換，該圖像壓縮包含離散傅立葉轉換、離散餘弦轉換、小波壓縮及碎形壓縮，該差異量化包含均方誤差(Mean Squared Error)、平均絕對誤差(Mean Absolute Error)、交叉熵(Cross Entropy)及馬氏距離(Mahalanobis Distance)。
如請求項1之基於非監督式學習的瑕疵檢測系統，其中該降維映射包含自組織映射(Self-Organizing Maps,SOM)、自編碼器(AutoEncoder,AE)、均勻流形逼近及投影(Uniform Manifold Approximation and Projection,UMAP)、主成分分析(Principal Component Analysis,PCA)及t分佈隨機鄰域嵌入法(T-Distributed Stochastic Neighbor Embedding,t-SEN)。
一種基於非監督式學習的瑕疵檢測方法，由至少一處理器執行，該方法包括下列步驟：驅動一自動光學檢測裝置拍攝一目標物以生成一檢測圖像，並且將該檢測圖像進行一色彩空間轉換以獲得特徵明顯的一空間圖像；對特徵明顯的該空間圖像執行一圖像壓縮以生成具有一壓縮特徵的一壓縮圖像，其中，所述圖像壓縮係為破壞性壓縮，包含離散傅立葉轉換、離散餘弦轉換、小波壓縮及碎形壓縮至少其中之一，用以降低背景雜訊對圖像特徵的影響；執行非監督式學習的一降維映射，使該壓縮圖像的該壓縮特徵映射至低維度的空間以建立一拓撲特徵；當該檢測圖像為一訓練資料時，將建立的該拓撲特徵作為一樣本特徵，當該檢測圖像非該訓練資料時，根據該拓撲特徵及該樣本特徵執行一差異量化以計算出一差異度；以及當該差異度未超過一門檻值時，輸出一第一檢測結果，當該差異度超過該門檻值時，輸出一第二檢測結果。
如請求項6之基於非監督式學習的瑕疵檢測方法，其中該方法更包含在初始時，所述處理器驅動該自動光學檢測裝置持續拍攝無瑕疵的該目標物以生成作為所述訓練資料的所述檢測圖像，用以在建立該拓撲特徵時，將建立的該拓撲特徵作為該樣本特徵的步驟。
如請求項6之基於非監督式學習的瑕疵檢測方法，其中該方法更包含所述處理器將該檢測圖像分割為多個子區域，再對每一所述子區域個別生成一局部圖像以作為所述檢測圖像的步驟。
如請求項6之基於非監督式學習的瑕疵檢測方法，其中該色彩空間轉換包含灰階、三原色(RGB)、色相(Hue)、飽和度(Saturation)、亮度(Lightness)及明度(Value)的轉換，該圖像壓縮包含離散傅立葉轉換、離散餘弦轉換、小波壓縮及碎形壓縮，該差異量化包含均方誤差(Mean Squared Error)、平均絕對誤差(Mean Absolute Error)、交叉熵(Cross Entropy)及馬氏距離(Mahalanobis Distance)。
如請求項6之基於非監督式學習的瑕疵檢測方法，其中該降維映射包含自組織映射(Self-Organizing Maps,SOM)、自編碼器(AutoEncoder,AE)、均勻流形逼近及投影(Uniform Manifold Approximation and Projection,UMAP)、主成分分析(Principal Component Analysis,PCA)及t分佈隨機鄰域嵌入法(T-Distributed Stochastic Neighbor Embedding,t-SEN)。