TWI826108B - 應用偽瑕疵影像建立瑕疵檢測模型的方法以及系統 - Google Patents
應用偽瑕疵影像建立瑕疵檢測模型的方法以及系統 Download PDFInfo
- Publication number
- TWI826108B TWI826108B TW111142885A TW111142885A TWI826108B TW I826108 B TWI826108 B TW I826108B TW 111142885 A TW111142885 A TW 111142885A TW 111142885 A TW111142885 A TW 111142885A TW I826108 B TWI826108 B TW I826108B
- Authority
- TW
- Taiwan
- Prior art keywords
- images
- defect
- image
- pseudo
- original
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 128
- 238000001514 detection method Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000005516 engineering process Methods 0.000 claims abstract description 28
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 230000002950 deficient Effects 0.000 claims description 21
- 238000007689 inspection Methods 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 239000012535 impurity Substances 0.000 claims description 4
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000009877 rendering Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 239000000463 material Substances 0.000 description 11
- 238000010801 machine learning Methods 0.000 description 8
- 230000003287 optical effect Effects 0.000 description 6
- 208000034693 Laceration Diseases 0.000 description 5
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000006748 scratching Methods 0.000 description 1
- 230000002393 scratching effect Effects 0.000 description 1
Landscapes
- Testing, Inspecting, Measuring Of Stereoscopic Televisions And Televisions (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一種應用偽瑕疵影像建立瑕疵檢測模型的方法以及系統，在方法中，通過檢測系統得出一或多個待檢測物件的多張原始影像，透過影像處理技術取得多張原始影像的影像特徵，可得出多個分類的多張原始瑕疵影像，接著運用多張原始瑕疵影像，以生成對抗網路技術產生多張偽瑕疵影像，此時可依據影像數量與品質決定原始瑕疵影像與偽瑕疵影像之間的一影像比例，可再對這些影像進行深度神經網路訓練，通過深度學習取得各個影像中每個畫素的特徵值，再以畫素特徵值建立關聯性，並進行篩選與分類，經由學習瑕疵特徵訓練並形成一瑕疵檢測模型。
Description
說明書公開一種瑕疵檢測技術，特別是通過智能模型產生偽瑕疵影像並據此建立瑕疵檢測模型的方法以及系統。
在檢測一待檢測物的瑕疵的系統中，一般通過照相機拍攝待檢測物，並以影像處理技術取得拍攝的待檢測物影像中的特徵，與參考樣本比對後，取得相似度的比對結果後可判斷瑕疵。當比對結果顯示超過一預設設定篩選瑕疵的門檻後，可以判定是瑕疵。
進一步地，習知技術利用電腦技術執行機器學習，通過大量的影像數據以機器學習法學習影像特徵與分類，以訓練出判斷瑕疵的模型，然而，要得出有效的瑕疵檢測模型，需要大量的影像數據，在瑕疵收集與處理上的入力、時間與資源耗費成本不容小覷。
為了能有效訓練產生瑕疵檢測模型，揭露書提出一種應用偽瑕疵影像建立瑕疵檢測模型的方法以及系統，其中方法利用生成對抗網路技術(Generative Adversarial Network,GAN)模仿訓練集中真實的瑕疵樣本，產生待檢測物件的偽瑕疵影像，並可以應用在各種材質的偽瑕疵，而非直接取
得真實的瑕疵數據，因此可以降低瑕疵數據收集門檻，提高檢測準確率，也可以適用各種材質檢測上。
揭露書提出的應用偽瑕疵影像建立瑕疵檢測模型的系統主要包括一電腦系統，通過影像擷取設備取得一或多個待檢測物件的多張原始影像，其中包括以軟體與硬體實現的生成對抗網路模組與影像訓練模組，系統還包括一影像資料庫，用於儲存自多張原始影像以及多張偽瑕疵影像。
其中，通過所述電腦系統執行應用偽瑕疵影像建立瑕疵檢測模型的方法，方法包括先取得所述一或多個待檢測物件的多張原始影像，接著透過影像處理技術取得多張原始影像的影像特徵，以能得出多個分類的多張原始瑕疵影像，再運用這些原始瑕疵影像，以一生成對抗網路技術產生多張偽瑕疵影像，接著對多張原始影像與多張偽瑕疵影像進行深度神經網路訓練，通過深度學習取得各個影像中每個畫素的特徵值，通過畫素特徵值建立關聯性，並進行篩選與分類，如此可以從多張原始影像與多張偽瑕疵影像中學習瑕疵特徵，並進行分類，形成檢測資料集，以此訓練並形成瑕疵檢測模型。
優選地，所述原始影像的產生，可以是通過一檢測系統中影像擷取設備拍攝一個待檢測物件的多個部位或是拍攝多個待檢測物件得出。並且，當取得多個偽瑕疵影像後，可依據影像數量與品質決定檢測資料集中多個原始瑕疵影像與多個偽瑕疵影像之間的一影像比例。
並且，可在取得多張偽瑕疵影像時，經過影像處理技術辨識與分類以篩選出可以運用的多張偽瑕疵影像。
進一步地，針對所得出的瑕疵檢測模型，可以真實數據驗證瑕疵檢測模型，通過反覆驗證與調整形成用於檢測待檢測物件表面瑕疵的瑕疵檢測模型。
進一步地，當取得所述一或多個待檢測物件的多張原始影像後，可針對各原始影像進行一影像前處理流程，流程包括先對各原始影像判斷有一或多個有興趣區域，再依據各張原始影像一或多個有興趣區域進行圖像分割，對各分割影像轉為灰階影像後，可通過去雜質後擷取各張灰階影像的影像特徵，得出多張原始瑕疵影像。
進一步地，在採用生成對抗網路技術的訓練流程以形成檢測資料集的流程中，經取得多個分類的多張原始瑕疵影像，可通過影像處理結合隨機雜訊，形成多張初始偽瑕疵影像，接著取得多張初始偽瑕疵影像的影像特徵，並進行分類，形成訓練瑕疵檢測模型的瑕疵影像訓練集。於是，可以根據多張原始瑕疵影像與多張初始偽瑕疵影像的分類進行比對，判斷各偽瑕疵影像的分類與多張原始瑕疵影像其中任一分類是否一致，針對取得分類一致的多張偽瑕疵影像，得出建立瑕疵檢測模型的檢測資料集。
為使能更進一步瞭解本發明的特徵及技術內容，請參閱以下有關本發明的詳細說明與圖式，然而所提供的圖式僅用於提供參考與說明，並非用來對本發明加以限制。
100:控制電腦
103:影像擷取設備
105:鏡頭
110:待檢測物件
107:待檢測物件平台
109:光源模組
200:影像資料庫
210:生成對抗網路模組
230:影像訓練模組
250:自動光學檢測模組
270:影像擷取設備
61:裂傷圖像
62:雜物圖像
63:補痕圖像
64:坑面圖像
65:壓傷圖像
66:刮傷圖像
71:裂傷偽圖像
72:雜物偽圖像
73:補痕偽圖像
74:坑面偽圖像
75:壓傷偽圖像
76:刮傷偽圖像
步驟S301~S313:形成瑕疵檢測模型的流程
步驟S401~S411:影像前處理流程
步驟S501~S523:圖像訓練的流程
圖1顯示檢測系統的系統架構實施例圖；圖2顯示應用偽瑕疵影像建立瑕疵檢測模組的系統的功能模組實施例圖；圖3顯示形成瑕疵檢測模型的流程實施例圖；圖4顯示影像前處理流程的實施例圖；圖5顯示採用生成對抗網路技術的訓練流程以形成檢測資料集的實施例流程圖；
圖6顯示原始瑕疵圖像的範例示意圖；以及圖7顯示偽瑕疵圖像的範例示意圖。
以下是通過特定的具體實施例來說明本發明的實施方式，本領域技術入員可由本說明書所公開的內容瞭解本發明的優點與效果。本發明可通過其他不同的具體實施例加以施行或應用，本說明書中的各項細節也可基於不同觀點與應用，在不悖離本發明的構思下進行各種修改與變更。另外，本發明的附圖僅為簡單示意說明，並非依實際尺寸的描繪，事先聲明。以下的實施方式將進一步詳細說明本發明的相關技術內容，但所公開的內容並非用以限制本發明的保護範圍。
應當可以理解的是，雖然本文中可能會使用到“第一”、“第二”、“第三”等術語來描述各種元件或者信號，但這些元件或者信號不應受這些術語的限制。這些術語主要是用以區分一元件與另一元件，或者一信號與另一信號。另外，本文中所使用的術語“或”，應視實際情況可能包括相關聯的列出項目中的任一個或者多個的組合。
揭露書公開一種應用偽瑕疵影像建立瑕疵檢測模型的方法以及系統，先參考圖1所示檢測特定材質表面瑕疵的瑕疵檢測系統的架構實施例圖，其中所運用的瑕疵檢測模型則是運用電腦技術得出，相關電腦系統實作偽瑕疵影像訓練的功能實施例圖可參考圖2。
圖1顯示的檢測系統設有一控制電腦100，另包括具有拍攝鏡頭105的影像擷取設備103，並可設有光源模組109。控制電腦100用以控制檢測系統中的相關設備，例如藉由連線控制影像擷取設備103通過鏡頭105(可配合光源，光源模組109依照實際需要決定光源照射方向與相關照射參數)拍攝
待檢測物件平台107上的待檢測物件110，取得待檢測物件110的影像，並儲存在控制電腦100中的儲存裝置或記憶體中。
運用圖1顯示的檢測系統，以電腦系統的技術運行機器學習演算法，用以學習拍攝得到的大量的待檢測物件110影像，特別的是，瑕疵影像的數據基礎比一般影像更大，產生足夠的瑕疵影像需要耗時又耗資源，因此在揭露書提出的應用偽瑕疵影像建立瑕疵檢測模型的方法中，採用一種生成對抗網路(Generative Adversarial Network，GAN)。生成對抗網路是一種非監督式學習的方法，而實際運用可採用半監督式學習方法，輸入的數據即檢測系統實際從待檢測物件得到的原始影像形成的訓練集，經過機器學習演算法，輸出結果需要盡量接近訓練集中的真實樣本。針對瑕疵檢測而言，則需要大量的瑕疵影像，才能從中得出特定材質的待檢測物件的瑕疵特徵，並可進行分類，藉此形成經過機器學習得出的瑕疵檢測模組。
通過電腦技術實現訓練瑕疵檢測模型的系統還可參考圖2所示的功能模組實施例圖，系統可以是運行於上述控制電腦中的電腦系統，或是獨立的電腦系統，通過檢測系統中的影像擷取設備取得拍攝一或多個待檢測物件得出的多個原始影像，系統即包括有以儲存設備實現的影像資料庫200，用於儲存自檢測系統取得的原始影像以及產生的偽瑕疵影像，系統包括由電腦系統的軟體功能實作的生成對抗網路模組210與影像訓練模組230，加上由各種光學檢測儀器(包括影像感測器)、檢測平台、拍攝設備與相關周邊實作的自動光學檢測模組250與影像擷取設備270。
在訓練或更新瑕疵檢測模組的目的下，影像擷取設備270用以產生一定數量而可用於機器學習的原始影像，而特別是包括透過影像處理篩選得出具有瑕疵的原始影像，並儲存在影像資料庫200中，經過影像訓練模組230，可以得出如圖6所示原始瑕疵圖像的範例示意圖，舉例來說有裂傷圖像
61、雜物圖像62、補痕圖像63、坑面圖像64、壓傷圖像65以及刮傷圖像66，這些瑕疵影像將儲存在影像資料庫200中。
進一步地，還通過生成對抗網路模組210，利用生成對抗網路技術根據原始影像的各種瑕疵影像進行學習，利用半監督式學習的方法從所述訓練集隨機取得針對特定材質的待檢測物件的瑕疵影像，可產生針對此材質的偽瑕疵影像，實施範例可參考圖7所示，針對不同的瑕疵影像(對比圖6)分別形成裂傷偽圖像71、雜物偽圖像72、補痕偽圖像73、坑面偽圖像74、壓傷偽圖像75以及刮傷偽圖像76。在此一提的是，此處所示範例並非用於限制揭露書提出的應用偽瑕疵影像建立瑕疵檢測模型的方法的實施範圍。
根據實施例，通過上述方法產生用於機器學習的訓練集，包括真實的原始影像以及通過生成對抗網路模組210產生的偽瑕疵影像，經過影像訓練模組230，以機器學習生成瑕疵檢測模型，實現自動光學檢測模組250。自動光學檢測模組250通過影像擷取設備270拍攝待檢測物件，運用瑕疵檢測模組檢測待檢測物的瑕疵與類型。
在上述系統實作應用偽瑕疵影像建立瑕疵檢測模型的方法的流程中，包括形成瑕疵檢測模型的流程，可參考圖3所示的流程實施例圖。
圖3所示的流程實施例描述的是通過智能演算法形成瑕疵檢測模型的方法，一開始取得檢測系統通過影像拍攝與處理技術產生的訓練集，即取得一或多個待檢測物件的多張原始影像，可以是一個待檢測物件的多個部位的原始影像，也可以是多個待檢測物件反覆拍攝得出多張原始影像。可運用影像處理技術擷取影像特徵，並能得出一定比例多個分類的多張原始瑕疵影像(步驟S301)。接著運用這些原始瑕疵影像，以生成對抗網路技術產生多張偽瑕疵影像(步驟S303)，並在形成接近真實情況的瑕疵檢測模型的需求下，依據影像數量與品質決定檢測資料集中多張真實(原始瑕疵影像)
與多張偽瑕疵影像之間的一影像比例(步驟S305)。在上述取得偽瑕疵影像時，更可以影像處理技術篩選出可以運用的偽瑕疵影像，例如得出的影像經過辨識與分類，若分類正確即儲存成為可運用的偽瑕疵影像，若為錯誤則捨棄。最終獲得的偽瑕疵影像較佳地可為實驗所需的數量的複數倍數，例如一倍、三倍或五倍等的數量。
接著，對上述多張原始影像與多張偽瑕疵影像進行深度神經網路訓練，採用深度學習法以人工神經網路為架構原始影像與偽瑕疵影像進行特徵學習(feature learning)，根據實施例，通過深度學習取得各個影像中每個畫素的特徵值，通過畫素特徵值建立關聯性，並進行篩選與分類(步驟S307)，可以通過深度學習法學習上述多張影像的瑕疵特徵，並進行分類，形成檢測資料集，以此訓練瑕疵檢測模型(步驟S309)，最後形成瑕疵檢測模型(步驟S311)，並能以真實數據驗證瑕疵檢測模型(步驟S313)，通過反覆驗證與調整形成用於檢測待檢測物件表面瑕疵的瑕疵檢測模型，同時，通過多樣材質表面數據形成的瑕疵檢測模型更能適用各種材質瑕疵檢測。
進一步地，在形成瑕疵檢測模型的流程之前可先對原始影像進行一影像前處理流程，如圖4顯示的實施例流程圖。
當取得一或多個待檢測物件的多張原始影像後(步驟S401)，針對每一張原始影像判斷一或多個有興趣區域(ROI)(步驟S403)，依據各張原始影像的一或多個有興趣區域進行圖像分割(步驟S405)，並可對各個分割影像轉灰階影像以方便處理(步驟S407)，通過去雜質(步驟S409)以有效擷取各張灰階影像的影像特徵(步驟S411)，最終可以得出多張原始瑕疵影像。如圖6顯示的多種原始瑕疵圖像範例，如裂傷圖像61、雜物圖像62、補痕圖像63、坑面圖像64、壓傷圖像65以及刮傷圖像66。
上述得出偽瑕疵影像的方法可參考圖5所示採用生成對抗網路
技術的訓練流程以形成檢測資料集的實施例流程圖。
先取得拍攝一或多個待檢測物件得出的多個原始影像，除了可通過如圖4顯示的前處理流程訓練得出各種原始瑕疵圖像外，原始影像經過特徵擷取與分類後，可得出用於訓練偽瑕疵影像的訓練集，其中為多個分類的多張原始瑕疵影像(步驟S501)，接著通過影像處裡結合隨機雜訊(步驟S503)，形成多張初始偽瑕疵影像(步驟S505)。
之後，可以影像處理技術取得多張初始偽瑕疵影像的影像特徵，以進行分類(步驟S507)，形成訓練瑕疵檢測模型的瑕疵影像訓練集。另一方面，系統對待檢測物件的原始影像形成的原始影像訓練集進行訓練(步驟S509)，以得出待檢測物件原始影像中的原始瑕疵影像(步驟S511)，再對這些原始瑕疵影像進行篩選予分類，得出原始瑕疵影像(步驟S513)。
接著，針對上述步驟得出的偽瑕疵影像與原始瑕疵影像的分類相互比對，判斷各張偽瑕疵影像的分類與多個原始瑕疵影像其中任一分類是否一致(步驟S515)，若有不一致的偽瑕疵影像(否)，將捨棄這類影像(步驟S517)；反之，當分類是一致的(是)，取得這類偽瑕疵影像，用於形成偽瑕疵影像集(步驟S519)。
之後，可重複以上步驟，重新訓練各倍數偽瑕疵影像(步驟S521)，與原始影像經一影像比例混合後，產生用於建立瑕疵檢測模型的檢測資料集(步驟S523)。
綜上所述，根據上述實施例所描述的應用偽瑕疵影像建立瑕疵檢測模型的方法以及實作此方法的系統，為了解決針對特定材質取得瑕疵影像的習知技術需要耗費不小的財務、人力與時間成本，舉例來說，實務上對於特定鋁材(型號如AL5052)進行瑕疵收集時耗費人力、費用以及數個月的時間，能取得的瑕疵品僅數千片，但通過揭露書提出的方法，利用生成對抗
網路技術可有效產生多種材質的偽瑕疵影像，不僅可以降低瑕疵收集門檻，據此產生的瑕疵檢測模型可以提升待檢測物件表面檢測準確率。
以上所公開的內容僅為本發明的優選可行實施例，並非因此侷限本發明的申請專利範圍，所以凡是運用本發明說明書及圖式內容所做的等效技術變化，均包含於本發明的申請專利範圍內。
200:影像資料庫
210:生成對抗網路模組
230:影像訓練模組
250:自動光學檢測模組
270:影像擷取設備
Claims (7)
- 一種應用偽瑕疵影像建立瑕疵檢測模型的方法，包括：經拍攝一或多個待檢測物件取得多張原始影像；透過影像處理技術取得該多張原始影像的影像特徵，得出具有多個分類的多張原始瑕疵影像；運用該多張原始瑕疵影像，以一生成對抗網路技術產生多張偽瑕疵影像，其中以影像處理使具有多個分類的該多張原始瑕疵影像結合隨機雜訊以形成多張初始偽瑕疵影像，經取得該多張初始偽瑕疵影像的影像特徵後進行分類，形成訓練一瑕疵檢測模型的一瑕疵影像訓練集；再根據該多張原始瑕疵影像與該多張初始偽瑕疵影像的分類判斷各偽瑕疵影像的分類與該多張原始瑕疵影像其中任一分類是否一致，經取得分類一致的多張偽瑕疵影像，得出建立該瑕疵檢測模型的一檢測資料集；對該多張原始影像與該多張偽瑕疵影像進行深度神經網路訓練，通過深度學習取得各個影像中每個畫素的特徵值，通過畫素特徵值建立關聯性，並進行篩選與分類；以及從該多張原始影像與該多張偽瑕疵影像中學習瑕疵特徵，並進行分類，並依據影像數量與品質決定該檢測資料集中該多個原始瑕疵影像與該多個偽瑕疵影像之間的一影像比例，再以該檢測資料集訓練並形成一瑕疵檢測模型。
- 如請求項1所述的應用偽瑕疵影像建立瑕疵檢測模型的方法，其中通過一檢測系統中一影像擷取設備拍攝該一個待檢測物件的多個部位或是拍攝該多個待檢測物件得出該多個原始影像。
- 如請求項1所述的應用偽瑕疵影像建立瑕疵檢測模型的方法，其中，在取得該多張偽瑕疵影像時，經過影像處理技術辨識 與分類以篩選出可以運用的該多張偽瑕疵影像。
- 如請求項1所述的應用偽瑕疵影像建立瑕疵檢測模型的方法，其中，針對該瑕疵檢測模型，再以真實數據驗證該瑕疵檢測模型，通過反覆驗證與調整形成用於檢測該待檢測物件表面瑕疵的該瑕疵檢測模型。
- 如請求項1至4中任一項所述的應用偽瑕疵影像建立瑕疵檢測模型的方法，其中，當取得該一或多個待檢測物件的該多張原始影像後，針對各原始影像進行一影像前處理流程，包括：對各原始影像判斷有一或多個有興趣區域；依據各張原始影像該一或多個有興趣區域進行圖像分割；對各分割影像轉為灰階影像；以及通過去雜質後擷取各張灰階影像的影像特徵，得出該多張原始瑕疵影像。
- 一種應用偽瑕疵影像建立瑕疵檢測模型的系統，該系統包括：一電腦系統，通過一影像擷取設備取得該一或多個待檢測物件的該多張原始影像，其中包括一生成對抗網路模組與一影像訓練模組；以及一影像資料庫，用於儲存自該多張原始影像以及多張偽瑕疵影像；其中，通過該電腦系統執行一應用偽瑕疵影像建立瑕疵檢測模型的方法，包括：取得該一或多個待檢測物件的該多張原始影像；透過影像處理技術取得該多張原始影像的影像特徵，得出具有多個分類的多張原始瑕疵影像；運用該多張原始瑕疵影像，以一生成對抗網路技術產生該 多張偽瑕疵影像，其中以影像處理使具有多個分類的該多張原始瑕疵影像結合隨機雜訊以形成多張初始偽瑕疵影像，經取得該多張初始偽瑕疵影像的影像特徵後進行分類，形成訓練一瑕疵檢測模型的一瑕疵影像訓練集；再根據該多張原始瑕疵影像與該多張初始偽瑕疵影像的分類判斷各偽瑕疵影像的分類與該多張原始瑕疵影像其中任一分類是否一致，經取得分類一致的多張偽瑕疵影像，得出建立該瑕疵檢測模型的一檢測資料集；對該多張原始影像與該多張偽瑕疵影像進行深度神經網路訓練，通過深度學習取得各個影像中每個畫素的特徵值，通過畫素特徵值建立關聯性，並進行篩選與分類；以及從該多張原始影像與該多張偽瑕疵影像中學習瑕疵特徵，並進行分類，並依據影像數量與品質決定該檢測資料集中該多個原始瑕疵影像與該多個偽瑕疵影像之間的一影像比例，再以該檢測資料集訓練並形成一瑕疵檢測模型。
- 如請求項6所述的應用偽瑕疵影像建立瑕疵檢測模型的系統，其中，當取得該一或多個待檢測物件的該多張原始影像後，針對各原始影像進行一影像前處理流程，包括：對各原始影像判斷有一或多個有興趣區域；依據各張原始影像該一或多個有興趣區域進行圖像分割；對各分割影像轉為灰階影像；以及通過去雜質後擷取各張灰階影像的影像特徵，得出該多張原始瑕疵影像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111142885A TWI826108B (zh) | 2022-11-10 | 2022-11-10 | 應用偽瑕疵影像建立瑕疵檢測模型的方法以及系統 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| TW111142885A TWI826108B (zh) | 2022-11-10 | 2022-11-10 | 應用偽瑕疵影像建立瑕疵檢測模型的方法以及系統 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| TWI826108B true TWI826108B (zh) | 2023-12-11 |
| TW202420152A TW202420152A (zh) | 2024-05-16 |
Family
ID=90053180
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| TW111142885A TWI826108B (zh) | 2022-11-10 | 2022-11-10 | 應用偽瑕疵影像建立瑕疵檢測模型的方法以及系統 |
Country Status (1)
| Country | Link |
|---|---|
| TW (1) | TWI826108B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI734472B (zh) * | 2020-05-11 | 2021-07-21 | 國立陽明交通大學 | 基於深度學習的行車輔助系統及其方法 |
| TWI749714B (zh) * | 2020-08-17 | 2021-12-11 | 宜谷京科技實業有限公司 | 瑕疵檢測方法、瑕疵分類方法及其系統 |
| TWI749621B (zh) * | 2020-07-03 | 2021-12-11 | 藥提醒科技有限公司 | 用藥提醒與回報系統及其實施方法 |
| TWI777188B (zh) * | 2020-07-07 | 2022-09-11 | 新光人壽保險股份有限公司 | 契約簽名鑑別方法及其裝置 |
-
2022
- 2022-11-10 TW TW111142885A patent/TWI826108B/zh active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TWI734472B (zh) * | 2020-05-11 | 2021-07-21 | 國立陽明交通大學 | 基於深度學習的行車輔助系統及其方法 |
| TWI749621B (zh) * | 2020-07-03 | 2021-12-11 | 藥提醒科技有限公司 | 用藥提醒與回報系統及其實施方法 |
| TWI777188B (zh) * | 2020-07-07 | 2022-09-11 | 新光人壽保險股份有限公司 | 契約簽名鑑別方法及其裝置 |
| TWI749714B (zh) * | 2020-08-17 | 2021-12-11 | 宜谷京科技實業有限公司 | 瑕疵檢測方法、瑕疵分類方法及其系統 |
| TW202209173A (zh) * | 2020-08-17 | 2022-03-01 | 宜谷京科技實業有限公司 | 瑕疵檢測方法、瑕疵分類方法及其系統 |
Also Published As
| Publication number | Publication date |
|---|---|
| TW202420152A (zh) | 2024-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111325713B (zh) | 基于神经网络的木材缺陷检测方法、系统及存储介质 | |
| CN110929756B (zh) | 基于深度学习的钢材尺寸和数量的识别方法、智能设备和存储介质 | |
| CN109635634B (zh) | 一种基于随机线性插值的行人再识别数据增强方法 | |
| Huang et al. | Real-time classification of green coffee beans by using a convolutional neural network | |
| CN109543760A (zh) | 基于图像滤镜算法的对抗样本检测方法 | |
| US10726535B2 (en) | Automatically generating image datasets for use in image recognition and detection | |
| CN113076860B (zh) | 一种野外场景下的鸟类检测系统 | |
| CN112750104B (zh) | 一种多相机监控船舶自动匹配最优相机的方法及装置 | |
| CN110619619A (zh) | 一种缺陷检测方法、装置及电子设备 | |
| JP6788929B1 (ja) | 被検物判定用の画像処理装置及び画像処理方法 | |
| TWI826108B (zh) | 應用偽瑕疵影像建立瑕疵檢測模型的方法以及系統 | |
| CN113888459A (zh) | 一种基于自适应纹理特征的纹理图像疵点检测系统及方法 | |
| CN116645351A (zh) | 一种复杂场景的缺陷在线检测方法及系统 | |
| van Houten et al. | Implementation of the likelihood ratio framework for camera identification based on sensor noise patterns | |
| TWM639730U (zh) | 應用偽瑕疵影像建立瑕疵檢測模型的系統 | |
| CN111122582B (zh) | 一种禽蛋检测方法、图像处理方法及装置 | |
| CN118111991A (zh) | 应用伪瑕疵影像建立瑕疵检测模型的方法以及系统 | |
| TWI822454B (zh) | 瑕疵檢測系統與混合瑕疵訓練方法 | |
| KR20230036650A (ko) | 영상 패치 기반의 불량 검출 시스템 및 방법 | |
| CA2997335C (en) | Automatically generating image datasets for use in image recognition and detection | |
| CN112115824A (zh) | 果蔬检测方法、装置、电子设备以及计算机可读介质 | |
| JP2022029137A (ja) | 電子機器画面部のグレード判定方法及びシステム | |
| TWM639732U (zh) | 光學瑕疵檢測系統 | |
| Toofani et al. | ANN-based Non-Destructive Testing of Apples, using statistical and textured features | |
| Lim et al. | Colour-assisted PCB Inspection System with Hardware Support for Real-time Environment |