TWI816549B - 自動化瑕疵檢測方法 - Google Patents
自動化瑕疵檢測方法 Download PDFInfo
- Publication number
- TWI816549B TWI816549B TW111134763A TW111134763A TWI816549B TW I816549 B TWI816549 B TW I816549B TW 111134763 A TW111134763 A TW 111134763A TW 111134763 A TW111134763 A TW 111134763A TW I816549 B TWI816549 B TW I816549B
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- marked
- similarity
- characteristic information
- group
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 68
- 230000007547 defect Effects 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 230000002159 abnormal effect Effects 0.000 claims abstract description 15
- 239000000284 extract Substances 0.000 claims abstract description 6
- 238000007689 inspection Methods 0.000 description 11
- 230000003287 optical effect Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000013473 artificial intelligence Methods 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 9
- 238000007781 pre-processing Methods 0.000 description 8
- 238000007789 sealing Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 239000003990 capacitor Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000002950 deficient Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000010354 integration Effects 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- DGAQECJNVWCQMB-PUAWFVPOSA-M Ilexoside XXIX Chemical compound C[C@@H]1CC[C@@]2(CC[C@@]3(C(=CC[C@H]4[C@]3(CC[C@@H]5[C@@]4(CC[C@@H](C5(C)C)OS(=O)(=O)[O-])C)C)[C@@H]2[C@]1(C)O)C)C(=O)O[C@H]6[C@@H]([C@H]([C@@H]([C@H](O6)CO)O)O)O.[Na+] DGAQECJNVWCQMB-PUAWFVPOSA-M 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007731 hot pressing Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052708 sodium Inorganic materials 0.000 description 1
- 239000011734 sodium Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000033772 system development Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
本發明所提供之自動化瑕疵檢測方法，係對生產不良率低於百分之二十的生產線進行瑕疵檢測，並包含一設定程序及一檢測程序。該設定程序包含以下步驟：1.逐個拍攝多個第一待測物，以取得多數分別僅包含有單一個該第一待測物之第一影像；2.自各該第一影像中分別提取出一第一特徵資訊；3.將該些第一特徵資訊以兩個為一組，分別對同一組中的兩個第一特徵資訊彼此之間進行差異比對，當同組中的比對結果為實質相同時；係將該組之該第一特徵資訊標記為正常，而當比對結果為實質不同時，則將該組之該第一特徵資訊標記為異常；4.將標記為正常的第一特徵資訊整合成一標準特徵集。該檢測程序包含以下步驟：1.取得一位於該生產線上的第二待測物之第二影像；2.提取該第二影像的第二特徵資訊，並與該標準特徵集進行比對，當比對結果為實質相同時，係將該第二影像及/或該第二特徵資訊標記為正常；當比對結果為實質不同時，係將該第二影像及/或該第二特徵資訊標記為異常。
Description
本發明係與瑕疵檢測技術有關，特別是關於一種自動化瑕疵檢測方法。
按，產品或零組件常見的生產模式可分為多樣多量或少樣多量，其中，以電容器橡膠封口產品為例，是電路上常見的元件，但為了因應不同需求，依據電容的容量大小有各種不同的尺寸，且封口橡膠的規格也需隨之變化，而屬於多樣多量的產品。
由於封口橡膠是維持電容正常運作的關鍵組件之一，並可作為判斷產品是否存在瑕疵的依據，如圖1(a)，其分別顯示了經橡膠熱壓成型後之封口橡膠的正面與反面之影像。
再者，於圖1(b)則列舉了幾種封口橡膠於生產過程中可能出現的幾種瑕疵種類，另外，經後續的統計結果其瑕疵的種類共有38種，其包含21種正面或反面的表面瑕疵、7種針孔瑕疵、以及其他10種底部或沖打的瑕疵。如此，若生產每月1億顆電容，已無法透過人工來檢驗瑕疵，需改良之，例如以自動光學檢查系統（Automated Optical Inspection，AOI）進行檢測。
但是，開發一套適用於不同的製造產線之自動光學檢查系統確實有一定的複雜度，舉例來說，傳統開發自動光學檢查系統的基本步驟如下：
1. 確認工件種類與瑕疵類型: 工件種類、檢測數量與檢測速度、瑕疵的類型與樣態等。
2. 設計相機光源拍攝環境：依據瑕疵需求來規劃相機解析度、光源類型、工作距離等。
3. 設計檢測方法：進行各項瑕疵檢測方法的設計與規劃。
4. 開發檢測系統。
5. 測試與系統調校。
6. 教育訓練與驗收。
由上述可知，要客製化開發一套針對上述需求的自動光學檢查系統，可能面臨的問題如下：
1. 開發時程長與人力成本高：由於系統開發都需要耗費相當的時間以及對應的人力成本才能實現檢測目標。
2. 測試與系統調校：系統需要經過繁複以及完整的測試與驗證，才能確保系統運作符合預期目標。
3. 系統缺乏彈性：當有新型號或者新工件，需要經過各種參數的設定調整，必要時也需要適當地修改軟體程式，避免系統缺乏彈性，無法因應不同的工件樣式。
此外，除了前述以傳統自動光學檢查系統來檢測瑕疵之外，近年來，更發展了將人工智慧、機器學習、深度學習或神經網路等技術應用於影像辨識上，例如以下所舉的各專利前案。
我國第I667575號『利用人工智慧的瑕疵檢測系統及其方法』發明專利案，其主要係在工業製程中引入人工智慧的方式，例如自動取樣、人工智慧影像標記、模型訓練、分類測試驗證等，藉此降低人力的負擔。
我國第I731565號『片狀材料快速檢測瑕疵整合系統及其使用方法』發明專利案，其係針對連續整捲的材料（例如：布料）進行檢測，並運用人工智慧技術進行各種瑕疵的檢測，如：缺邊、勾紗、壓痕、破洞等。
我國第I749714號『瑕疵檢測方法、瑕疵分類方法及其系統』發明專利案，其係利用機器學習法，將影像中良品的各個區域進行模型訓練，接著透過拍攝一張或多張良品的影像後，可以針對每個區域來進行瑕疵檢測，並且也針對各區域的位置、面積、顏色、亮度以及形狀來進行檢測門檻值的設定，以實現瑕疵檢測。
但是，該等前案均利用人工智慧技術進行辨識，必須收集大量的樣本進行學習訓練，始能進行檢測，特別是每個新產品都需要長時間收集大量正樣本或負樣本進行學習，且通常還需人工進行圖像標記。
由於人工智慧技術主要係用於偵測及分類，在實務應用方面，還有以下幾點問題：
1.無法找出細部或微小瑕疵的工件：不管偵測或分類都不易辨識。
2.瑕疵工件的圖像不易收集：若欲檢測的生產線的不良率過低時，收集一定數量的瑕疵圖像較為耗時。
3.模型驗證時程久：模型經過圖像收集、訓練、測試等循環步驟，耗時較久。
4.應用於不同產業時需要個別導入：雖然機器學習模式通用，但不同應依賴不同模型的訓練與導入。
5.辨識時間較久：可能是傳統自動光學檢查系統檢測時間的數倍或數十倍。
本發明之主要目的乃係在提供一種自動化瑕疵檢測方法，其係針對大量批次生產製造的零組件或工件，運用影像辨識進行瑕疵檢測時，可以將這些重複出現的工件圖案，透過交互比對來進行瑕疵檢測，相較於傳統自動化光學檢測系統的客製化作法、及利用人工智慧需大量數據資料進行演算的方式，本發明免去了客製化、及收集大量樣本的作業方式，大幅縮短導入時程並降低成本，以實現更快速有效的瑕疵檢測方法。
緣是，為達成上述目的，本發明所提供之自動化瑕疵檢測方法，係對生產不良率低於百分之二十的生產線進行瑕疵檢測，並包含一設定程序及一檢測程序，其中，
該設定程序包含以下步驟：
逐個拍攝多個第一待測物，以取得多數分別僅包含有單一個該第一待測物之第一影像；
自各該第一影像中分別提取出一第一特徵資訊；
將該些第一特徵資訊以兩個為一組，分別對同一組中的兩個第一特徵資訊彼此之間進行差異比對，當同組中的比對結果為實質相同時；係將該組之該第一特徵資訊標記為正常，而當比對結果為實質不同時，則將該組之該第一特徵資訊標記為異常；
將標記為正常的第一特徵資訊整合成一標準特徵集；
該檢測程序包含以下步驟：
取得一位於該生產線上的第二待測物之第二影像；
提取該第二影像的第二特徵資訊，並與該標準特徵集進行比對，當比對結果為實質相同時，係將該第二影像及/或該第二特徵資訊標記為正常；當比對結果為實質不同時，係將該第二影像及/或該第二特徵資訊標記為異常。
據此，本發明係將屬於同一組的第一待測影像中的兩第一特徵資訊，以同中求異的方式進行比對，改善了習知客製化設計、及收集大量樣本等缺點，從而快速地獲得該標準特徵集，以作為瑕疵檢測之參照。
進一步來說，該生產線的生產不良率較佳係低於百分之一，更佳係低於千分之五。
在一實施例中，該第一特徵資訊包含該第一待測物之輪廓、尺寸、顏色。
在一實施例中，本發明之自動化瑕疵檢測方法更判斷同組中的該等第一特徵資訊間之一第一相似度是否落入一預設的第一閾值區間，其中，當該第一相似度未落入該第一閾值區間時，係將該組之該等第一特徵資訊標記為正常；當該第一相似度落入該第一閾值區間時，則將該組之該等第一特徵資訊標記為異常。
在一實施例中，該第二特徵資訊包含該第二待測物之輪廓、尺寸、顏色。
在一實施例中，本發明之自動化瑕疵檢測方法更判斷該第二特徵資訊與該標準特徵集間之一第二相似度是否落入一預設的第二閾值區間，當該第二相似度未落入該第二閾值區間時，係將該第二影像及/或該第二特徵資訊標記為正常；當該第二相似度落入該第二閾值區間時，係將該第二影像及/或該第二特徵資訊標記為異常。
在一實施例中，在該設定程序中，還分別對各該第一影像進行去背景、二值化及/或銳化處理，以獲得經影像前處理之第一影像。
在一實施例中，在該設定程序中，更對經影像前處理之第一影像進行物件偵測，以獲得該第一待測物於該第一影像中的位置、形狀或大小。
在一實施例中，在該設定程序中，係根據物件偵測結果，定位該第一待測物於該第一影像中的所在位置。
在一實施例中，在該檢測程序中，係對該第二影像進行物件偵測，以獲得該第二待測物於該第二影像中的位置、形狀或大小。
在一實施例中，在該檢測程序中，係根據物件偵測結果，定位該第二待測物於該第二影像中的所在位置。
首先說明，以下透過本發明一較佳實施例中所說明之待測物，係以生產線上之工件為例，具體為電容器橡膠封口產品，但關於瑕疵檢測技術中，無礙於本發明技術特徵揭露之部分，將不在以下的說明中敘及，惟此等省略之部分乃屬本發明所屬技術領域中之通常知識者在本發明申請之前既已知悉的習知技術，其省略亦不影響本發明主要技術特徵揭露的完整性。
本發明所指「拍攝」，係指利用一影像擷取模組，例如CCD灰階/彩色相機、線掃描相機等設備，來擷取一待測物的實際影像。並且，在該影像擷取模組作業的過程中，外在環境條件及待測物外型結構等因素均會影響光源到待測物表面的受光面積及反射角，有可能會使影像不清晰，據此，為了獲得更清晰的影像，還可利用一光源，以正向光、背光、或同軸光等對待測物進行補光，以提高該待測影像的對比度。
本發明所指「影像前處理」，係指對影像進行分析、加工及處理，以從處理後的影像中獲得更多、更有用的資訊，其中，常見的影像前處理為去背景、二值化或銳化技術等。
本發明所指「物件偵測」(Object Detection)，係指同時辨識物件的位置與尺寸。
本發明所指「感興趣區域」(Region of Interest，ROI)，係指透過前述物件偵測的結果，而於影像中以方框、圓、橢圓、不規則多邊形等方式勾勒出需要處理的區域。本發明所指「正常」，亦可被理解為「無瑕疵」，係指所比對的待測物影像未出現瑕疵。
本發明所指「異常」，係指所比對的待測物影像出現瑕疵。
請參閱圖2所示，在本發明一較佳實施例中所提供之自動化瑕疵檢測方法，係對生產不良率低於20%的生產線進行瑕疵檢測，較佳地生產不良率低於百分之一，更佳地生產不良率低於千分之五，且該方法包含一設定程序及一檢測程序。
其中，該設定程序具有下列步驟；
步驟S101：取得待測影像
連續地逐個拍攝多數待測物，以取得多數分別僅包含有單一個該待測物之第一影像。
步驟S102：影像前處理
分別對各該第一影像進行影像前處理。
步驟S103：物件偵測
分別對經步驟S102處理後之各該第一影像進行物件偵測，例如，只要各該前處理影像中該待測物的邊緣有黑白輪廓，就可以將該待測物偵測出來，並獲得該第一待測物於該第一影像中的位置、形狀或大小。
步驟S104：定位校正
由於拍攝時，待測物的位置會有偏差，係根據步驟S103的物件偵測結果，以定位該第一待測物於該第一影像中的所在位置，並於該第一影像中勾勒出一針對該第一待測物之第一感興趣區域。
步驟S105：特徵提取
分別對步驟S104之各該第一感興趣區域分別提取出一第一特徵資訊，其中，該第一特徵資訊為該第一待測物之輪廓、尺寸或顏色。
步驟S106：檢測比對
將該些第一特徵資訊以兩個為一組，分別對同一組中的兩個第一特徵資訊彼此之間進行差異比對，當同組中的比對結果為實質相同時，係將該組之該第一特徵資訊標記為正常，如圖3(a)所示；而當比對結果為實質不同時，則將該組之該第一特徵資訊標記為異常，如圖3(b)所示。
具體來說，於本例中，前述比對的方式為判斷同組中的該等第一特徵資訊間的該第一待測物之一第一相似度是否落入一預設的第一閾值區間，該第一相似度為輪廓相似度、尺寸相似度或顏色相似度，其中，當該第一相似度未落入該第一閾值區間時，係將該組之該等第一特徵資訊標記為正常，並代表了該組之該等第一影像中所包含的各該第一待測物屬正常；當該第一相似度落入該第一閾值區間時，則將該組之該等第一特徵資訊標記為異常，並代表了該組之該等第一影像中所包含的各該第一待測物其中一者或兩者屬異常之態樣。
其中，一般來說，當該第一相似度為輪廓相似度或尺寸相似度任一者時，該第一閾值區間的範圍是介於0至1之間，但因基於不同的該第一特徵資訊進行比對，而會對應有不同的該第一閾值區間範圍，例如，該第一閾值區間範圍係介於0.5至1之間、該第一閾值區間範圍係介於0至0.8之間、或該第一閾值區間範圍係介於0.2至0.8之間。
另外，當該第一特徵資訊為顏色（即彩色RGB）時，相對應地，該第一相似度為顏色相似度，而該第一閾值區間的範圍是介於0至255之間。進一步來說，還可依照實際需求來設定不同的該第一閾值區間的範圍，例如，該第一閾值區間範圍係介於83至255之間、或該第一閾值區間範圍係介於50至160之間。
接著，將比對結果並儲存到一資料庫中。
步驟S107：標準特徵集
接續步驟S106，收集所有標記為正常的第一影像之第一特徵資訊，並經整合後得到一標準特徵集，得於後續的該檢測程序中作為檢測對照之用。
該檢測程序具有以下步驟：
步驟S201：取得一位於該生產線上的第二待測物之第二影像。再者，在進行下一步的步驟前還可對該第二影像進行影像前處理。
步驟S202：對該第二影像進行物件偵測，以獲得該第二待測物於該第二影像中的位置、形狀或大小。
步驟S203：根據步驟S202的物件偵測結果，並配合該標準特徵集之該標準感興趣區，以定位該第二待測物於該第二影像中的所在位置，並於該第二影像中勾勒出一針對該第二待測物之第二感興趣區域。
步驟S204：自該第二影像中的該第二感興趣區域提取一第二特徵資訊，其中，該第二特徵資訊為該第二待測物之輪廓、尺寸或顏色。
步驟S205：將該第二特徵資訊與該標準特徵集進行比對，當比對結果為實質相同時，係將該第二影像及/或該第二特徵資訊標記為正常；當比對結果為實質不同時，係將該第二影像及/或該第二特徵資訊標記標記為異常。
具體來說，在本例中，前述比對方式為判斷該第二特徵資訊與該標準特徵集間之一第二相似度是否落入一預設的第二閾值區間，而該第二相似度為輪廓相似度、尺寸相似度或顏色相似度，其中，當該第二相似度未落入該第二閾值區間時，係將該第二影像及/或該第二特徵資訊為正常；當該第二相似度落入該第二閾值區間時，係將該第二影像及/或該第二特徵資訊標記為異常。
其中，一般來說，當該第二相似度為輪廓相似度或尺寸相似度任一者時，該第二閾值區間的範圍是介於0至1之間，但因基於不同的該第二特徵資訊進行比對，而會對應有不同的該第二閾值區間範圍，例如，該第二閾值區間範圍係介於0.5至1之間、該第二閾值區間範圍係介於0至0.8之間、或該第二閾值區間範圍係介於0.2至0.8之間。
另外，當該第二特徵資訊所指的顏色（例如彩色RGB）時，相對應地，該第二相似度為顏色相似度，而該第二閾值區間的範圍是介於0至255之間。進一步來說，還可依照實際需求來設定不同的該第二閾值區間的範圍，例如，該第二閾值區間範圍係介於83至255之間、或該第二閾值區間範圍係介於50至160之間。
步驟S206：最後將比對結果儲存到該資料庫中，並收集所有標記為正常的第一影像之第一特徵資訊，並經整合後得到一標準特徵集。
藉由上述技術，本發明係能夠自動偵測、鎖定待測物，並以任兩待測物為一組，依其影像進行比對，以實現自動化瑕疵檢測之目的。
再者，本發明可直接應用到現有的設備中，例如套用至原有的相機取像通訊界面上、或是包裝成函式庫以供軟體開發人員整合之用。
此外，本發明於檢測過程中省去了傳統自動化光學檢測系統的客製化作法，且並未採用人工智慧技術進行演算或辨識，亦避免了進行冗長的大量數據收集、整理、運算等作業，更無須再對不同的瑕疵進行分類，自可達到縮短導入時程並降低成本之目的。
如第4圖所示，本發明第二實施例還提供一種自動化瑕疵檢測系統，係包括一光源10、一影像擷取模組20、一運算模組30、一資料庫40，其中，該影像擷取模組20可為但不限於CCD灰階/彩色相機或線掃描相機，用以分別拍攝該等第一待測物及該第二待測物。
該光源10可為但不限於白熾燈、低壓氣體放電燈、低壓鈉燈、冷陰極燈管(CCFL)，HID燈(High Intensity Discharge Lamp)、LED燈，針對環境光源不足問題，對該第一待測物或該第二待測物進行補光。
該運算模組30可為但不限於中央處理單元(Central Processing Unit，CPU)，或是其他可程式化之一般用途或特殊用途的微處理器(Microprocessor)、數位信號處理器(Digital Signal Processor，DSP)、可程式化控制器、特殊應用積體電路(Application Specific Integrated Circuit，ASIC)或其他類似元件或上述元件的組合，且該運算模組30係分別與該光源10、該影像擷取模組20及該資料庫30連接，用以執行前述之該設定程序與該檢測程序之部分的步驟，例如影像前處理、物件偵測、定位校正、特徵提取、檢測比對等等，據以快速地檢測出該第二待測物是否存在有瑕疵。
該資料庫40具體的儲存媒體可以為相變記憶體(PRAM)、靜態隨機存取記憶體(SRAM)、動態隨機存取記憶體(DRAM)、快閃記憶體碟、唯讀記憶體(Read-Only Memory，ROM)、隨機存取記憶體(Random Access Memory，RAM)、磁碟或光碟等，用以儲存前述該等數據資料、或該運算模組30的運算結果。
綜上所述，雖然本發明已以實施例揭露如上，然其並非用以限定本發明。本發明所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作各種之更動與潤飾。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。
10:光源
20:影像擷取模組
30:運算模組
40:資料庫
S101、S102、S103、S104、S105、S106、S107、S201、S202、S203、S204、S205:步驟
圖1(a)為傳統封口橡膠的正面與反面之影像。
圖1(b)為傳統封口橡膠的瑕疵種類示意圖。
圖2係本發明一第一實施例之流程圖。
圖3(a)及圖3(b)分別為本發明一第一實施例之檢測第一待測物為正常或異常之示意圖。
圖4係本發明一第二實施例之系統方塊圖。
S101、S102、S103、S104、S105、S106、S107、S201、S202、S203、S204、S205:步驟
Claims (11)
- 一種自動化瑕疵檢測方法，係對生產不良率低於百分之二十的生產線進行瑕疵檢測，並包含一設定程序及一檢測程序；該設定程序包含以下步驟：利用一影像擷取模組逐個拍攝多個第一待測物，以取得多數分別僅包含有單一個該第一待測物之第一影像；利用一運算模組自各該第一影像中分別提取出一第一特徵資訊；該運算模組係將該些第一特徵資訊以兩個為一組，分別對同一組中的兩個第一特徵資訊彼此之間進行差異比對，當同組中的比對結果為實質相同時；係將該組之該第一特徵資訊標記為正常，而當比對結果為實質不同時，則將該組之該第一特徵資訊標記為異常；該運算模組再將標記為正常的第一特徵資訊整合成一標準特徵集；該檢測程序包含以下步驟：該影像擷取模組拍攝一位於該生產線上的第二待測物之第二影像；該運算模組提取該第二影像的第二特徵資訊，並與該標準特徵集進行比對，當比對結果為實質相同時，係將該第二影像及/或該第二特徵資訊標記為正常；當比對結果為實質不同時，係將該第二影像及/或該第二特徵資訊標記為異常。
- 如請求項1所述之自動化瑕疵檢測方法，其中，該生產線的生產不良率較佳係低於百分之一，更佳係低於千分之五。
- 如請求項1所述之自動化瑕疵檢測方法，其中，該第一特徵資訊包含該第一待測物之輪廓、尺寸、顏色。
- 如請求項3所述之自動化瑕疵檢測方法，其中，更判斷同組中的該等第一特徵資訊間之一第一相似度是否落入一預設的第一閾值區間，而該第一相似度為輪廓相似度、尺寸相似度或顏色相似度，其中，當該第一相似度未落入該第一閾值區間時，係將該組之該等第一特徵資訊標記為正常；當該第一相似度落入該第一閾值區間時，則將該組之該等第一特徵資訊標記為異常。
- 如請求項1所述之自動化瑕疵檢測方法，其中，該第二特徵資訊包含該第二待測物之輪廓、尺寸、顏色。
- 如請求項5所述之自動化瑕疵檢測方法，其中，更判斷該第二特徵資訊與該標準特徵集間之一第二相似度是否落入一預設的第二閾值區間，當該第二相似度未落入該第二閾值區間時，係將該第二影像及/或該第二特徵資訊標記為正常；當該第二相似度落入該第二閾值區間時，係將該第二影像及/或該第二特徵資訊標記為異常。
- 如請求項1所述之自動化瑕疵檢測方法，其中，在該設定程序中，還分別對各該第一影像進行去背景、二值化及/或銳化處理，以獲得經影像前處理之第一影像。
- 如請求項7所述之自動化瑕疵檢測方法，其中，在該設定程序中，更對經影像前處理之第一影像進行物件偵測，以獲得該第一待測物於該第一影像中的位置、形狀或大小。
- 如請求項8所述之自動化瑕疵檢測方法，其中，在該設定程序中，係根據物件偵測結果，定位該第一待測物於該第一影像中的所在位置。
- 如請求項1所述之自動化瑕疵檢測方法，其中，在該檢測程序中，係對該第二影像進行物件偵測，以獲得該第二待測物於該第二影像中的位置、形狀或大小。
- 如請求項10所述之自動化瑕疵檢測方法，其中，在該檢測程序中，係根據物件偵測結果，並配合該標準特徵集，以定位該第二待測物於該第二影像中的所在位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111134763A TWI816549B (zh) | 2022-09-14 | 2022-09-14 | 自動化瑕疵檢測方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111134763A TWI816549B (zh) | 2022-09-14 | 2022-09-14 | 自動化瑕疵檢測方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI816549B true TWI816549B (zh) | 2023-09-21 |
| TW202411883A TW202411883A (zh) | 2024-03-16 |
Family
ID=88966294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111134763A TWI816549B (zh) | 2022-09-14 | 2022-09-14 | 自動化瑕疵檢測方法 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI816549B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101002229A (zh) * | 2004-06-09 | 2007-07-18 | 科格内克斯科技及投资公司 | 用于自动视觉事件检测的方法和装置 |
| CN101536011A (zh) * | 2005-01-21 | 2009-09-16 | 光子动力学公司 | 自动缺陷修复系统 |
| TW201818172A (zh) * | 2016-11-02 | 2018-05-16 | 昀業科技有限公司 | 印刷電路板檢測裝置 |
| CN109949287A (zh) * | 2019-03-15 | 2019-06-28 | 江南大学 | 一种基于自适应分割与模板校正的织物瑕疵检测方法 |
-
2022
- 2022-09-14 TW TW111134763A patent/TWI816549B/zh active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101002229A (zh) * | 2004-06-09 | 2007-07-18 | 科格内克斯科技及投资公司 | 用于自动视觉事件检测的方法和装置 |
| CN101536011A (zh) * | 2005-01-21 | 2009-09-16 | 光子动力学公司 | 自动缺陷修复系统 |
| TW201818172A (zh) * | 2016-11-02 | 2018-05-16 | 昀業科技有限公司 | 印刷電路板檢測裝置 |
| CN109949287A (zh) * | 2019-03-15 | 2019-06-28 | 江南大学 | 一种基于自适应分割与模板校正的织物瑕疵检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202411883A (zh) | 2024-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2022062812A1 (zh) | 屏幕缺陷检测方法、装置和电子设备 | |
| CN109829914B (zh) | 检测产品缺陷的方法和装置 | |
| CN113239930B (zh) | 一种玻璃纸缺陷识别方法、系统、装置及存储介质 | |
| CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
| CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
| WO2021168733A1 (zh) | 缺陷图像的缺陷检测方法、装置及计算机可读存储介质 | |
| CN111179251A (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
| US11657599B2 (en) | Method for detecting appearance of six sides of chip multi-layer ceramic capacitor based on artificial intelligence | |
| TW202144766A (zh) | 基於深度學習的二維ｐｃｂ外觀缺陷實時自動檢測之方法 | |
| CN105894036A (zh) | 一种应用于手机屏幕缺陷检测的图像特征模板匹配方法 | |
| CN109767445B (zh) | 一种高精度的pcb缺陷智能检测方法 | |
| CN109900719B (zh) | 一种叶片表面刀纹的视觉检测方法 | |
| US6687396B1 (en) | Optical member inspection apparatus, image-processing apparatus, image-processing method, and computer readable medium | |
| CN113706490B (zh) | 一种晶片缺陷检测方法 | |
| CN110349125A (zh) | 一种基于机器视觉的led芯片外观缺陷检测方法及系统 | |
| CN110412055A (zh) | 一种基于多光源暗场照明的透镜白雾缺陷检测方法 | |
| CN117798087B (zh) | 基于外观缺陷检测的锂电池视觉分拣系统及终端 | |
| CN116978834B (zh) | 一种用于晶圆生产的智能监测预警系统 | |
| CN110426395B (zh) | 一种太阳能el电池硅片表面检测方法及装置 | |
| WO2022222467A1 (zh) | 开口圆环工件外观缺陷检测方法、系统及计算机存储介质 | |
| CN108615039A (zh) | 基于计算机视觉的弹壳表面缺陷自动检测方法 | |
| CN117689646A (zh) | 一种正负样本融合的高精度缺陷检测方法、系统及介质 | |
| CN117433966A (zh) | 一种粉磨颗粒粒径非接触测量方法及系统 | |
| TWI816549B (zh) | 自動化瑕疵檢測方法 | |
| CN116645351A (zh) | 一种复杂场景的缺陷在线检测方法及系统 |