TWI833471B - 瑕疵檢測方法及其裝置 - Google Patents
瑕疵檢測方法及其裝置 Download PDFInfo
- Publication number
- TWI833471B TWI833471B TW111145676A TW111145676A TWI833471B TW I833471 B TWI833471 B TW I833471B TW 111145676 A TW111145676 A TW 111145676A TW 111145676 A TW111145676 A TW 111145676A TW I833471 B TWI833471 B TW I833471B
- Authority
- TW
- Taiwan
- Prior art keywords
- defect
- probability
- evaluated
- detection device
- defect detection
- Prior art date
Links
- 230000007547 defect Effects 0.000 title claims abstract description 202
- 238000001514 detection method Methods 0.000 title claims abstract description 97
- 238000007689 inspection Methods 0.000 claims abstract description 17
- 238000005516 engineering process Methods 0.000 claims abstract description 13
- 230000003287 optical effect Effects 0.000 claims abstract description 13
- 238000011156 evaluation Methods 0.000 claims abstract description 8
- 238000012545 processing Methods 0.000 claims description 54
- 238000012549 training Methods 0.000 claims description 43
- 238000000034 method Methods 0.000 claims description 27
- 238000013210 evaluation model Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 13
- 238000010801 machine learning Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000002950 deficient Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一種瑕疵檢測方法,藉由一瑕疵檢測裝置來實施,該瑕疵檢測裝置儲存有一用於評估相關於一透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率的瑕疵評估模型,該瑕疵檢測方法包含以下步驟:(A)該瑕疵檢測裝置拍攝多張相關於一待評估透明物件的物件影像;(B)根據該等物件影像利用一自動光學檢查技術判定該待評估透明物件是否屬於該無瑕疵種類;及(C)當判定出該待評估透明物件不屬於該無瑕疵種類時,根據該等物件影像利用該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率。
Description
本發明是有關於一種瑕疵檢測方法,特別是指一種用於評估一待評估透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率的瑕疵檢測方法及其裝置。
現今工廠的設備在分辨一透明物件是否完好無損時,是根據一關於該透明物件的影像,利用一自動光學檢查技術來判斷該透明物件是否有瑕疵,雖然可以判斷該透明物件是否有瑕疵,卻常有誤判的現象,因此工廠會再加派人力進行第二次的複檢。然而,如此的篩選機制需耗費較多時間及人力成本,會使工廠的生產成本增加,故實有必要提出一解決方案。
因此,本發明的目的,即在提供一種可即時且節省人力成本地自動評估一待評估透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率的瑕疵檢測方法。
於是,本發明瑕疵檢測方法,藉由一瑕疵檢測裝置來實
施,該瑕疵檢測裝置儲存有一用於評估相關於一透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率的瑕疵評估模型,該瑕疵檢測方法包含一步驟(A)、一步驟(B),及一步驟(C)。
該步驟(A)是該瑕疵檢測裝置在不同的對焦距離拍攝多張相關於該待評估透明物件的物件影像。
該步驟(B)是該瑕疵檢測裝置根據該等物件影像利用一自動光學檢查技術判定該待評估透明物件是否屬於該無瑕疵種類。
該步驟(C)是當該瑕疵檢測裝置判定出該待評估透明物件不屬於該無瑕疵種類時,該瑕疵檢測裝置根據該等物件影像利用該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率。
因此,本發明之另一目的,即在提供一種可即時且節省人力成本地自動評估一待評估透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率的瑕疵檢測方法。
於是,本發明瑕疵檢測方法,藉由一瑕疵檢測裝置來實施,該瑕疵檢測裝置儲存有一用於評估相關於一透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率的瑕疵評估模型,該瑕疵檢測方法包含一步驟(A)、一步驟(B),及一步驟(C)。
該步驟(A)是該瑕疵檢測裝置拍攝一相關於該待評估透明物件之物件影像。
該步驟(B)是該瑕疵檢測裝置根據該物件影像利用一自動光學檢查技術判定該待評估透明物件是否屬於該無瑕疵種類。
該步驟(C)是當該瑕疵檢測裝置判定出該待評估透明物件不屬於該無瑕疵種類時,該瑕疵檢測裝置根據該物件影像利用該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率。
因此,本發明之另一目的,即在提供一種可即時且節省人力成本地自動評估一待評估透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率的瑕疵檢測裝置。
於是,本發明瑕疵檢測裝置包含一儲存模組、一變焦拍攝模組,及一處理模組。
該儲存模組用於儲存一用於評估相關於一透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類之機率的瑕疵評估模型。
該變焦拍攝模組用於拍攝至少一相關於該待評估透明物件之物件影像。
該處理模組電連接該儲存模組及該變焦拍攝模組。
其中,該處理模組經由該變焦拍攝模組拍攝相關於該待
評估透明物件之該至少一物件影像,並根據該至少一物件影像利用一自動光學檢查技術判定該待評估透明物件是否屬於該無瑕疵種類,當該處理模組判定出該待評估透明物件不屬於該無瑕疵種類時,該瑕疵檢測裝置根據該至少一物件影像利用該儲存模組所存有的該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率。
本發明的功效在於:藉由該瑕疵檢測裝置拍攝該待評估透明物件之該至少一物件影像,並判定該待評估透明物件是否屬於該無瑕疵種類,當判定出不屬於該無瑕疵種類時,根據該至少一物件影像利用該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率,藉此可即時且節省人力成本地自動評估出該待評估透明物件之外觀無損及瑕疵的狀況。
1:變焦拍攝模組
11:同軸光源子模組
12:第一環形光源子模組
13:第二環形光源子模組
14:背光源子模組
2:儲存模組
3:處理模組
4:傳送模組
50~51:步驟
601~610:步驟
71~78:步驟
本發明的其他的特徵及功效,將於參照圖式的實施方式中清楚地呈現,其中:圖1是一方塊圖,說明一用於執行本發明瑕疵檢測方法之一第一實施例的瑕疵檢測裝置;圖2是一流程圖,說明本發明瑕疵檢測方法之該第一實施例的一瑕疵模型建立程序;
圖3是一流程圖,說明該第一實施例的一多影像檢測程序;圖4是一流程圖,說明本發明瑕疵檢測方法之一第二實施例的一單影像檢測程序;圖5~圖12是一示意圖,說明在不同焦距下拍攝一透明物件所呈現的樣態;圖13是一俯視圖,說明該第一實施例的該瑕疵檢測裝置之細部構造;及圖14是一示意圖,說明該第一實施例的該瑕疵檢測裝置之一變焦拍攝模組之細部構造。
在本發明被詳細描述的前,應當注意在以下的說明內容中,類似的元件是以相同的編號來表示。
參閱圖1,本發明瑕疵檢測方法的一第一實施例,藉由一瑕疵檢測裝置(見圖13)來實施,該瑕疵檢測裝置用於評估一待評估透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率,並將該待評估透明物件傳送至多個分別對應不同瑕疵種類及無瑕疵種類的置物區,該瑕疵檢測裝置包含一用於在不同的對焦距離拍攝多張相關於一待評估透明物件之物件影像的變焦拍攝模組1、一儲存模組2、一傳送模組4,及一電連接該變焦拍攝模
組1、該儲存模組2,及該傳送模組4的處理模組3。
該儲存模組2儲存有一用於評估相關於一透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率的瑕疵評估模型,及多筆對應多個不同的訓練透明物件的訓練資料,每一筆訓練資料包含經由不同對焦距離拍攝其所對應之訓練透明物件而獲得的多張訓練物件影像,及所對應之一瑕疵標記結果,該瑕疵標記結果包含該無瑕疵種類及該等不同瑕疵種類之其中一者。
該變焦拍攝模組1可為一變焦相機,該儲存模組2及該處理模組3可整合於一伺服器、一智慧型手機、一平板電腦或一個人電腦,該傳送模組4可為一機械手臂或一輸送平台,但不以此為限。
值得特別說明的是,在該第一實施例中,該變焦拍攝模組1(見圖14)包含至少一用於拍攝該透明物件之變焦相機,且每一變焦相機對應有一用於打光在該透明物件的同軸光源子模組11、一用於高角度打光在該透明物件之側面且位於該同軸光源子模組11與該透明物件間的第一環形光源子模組12、一用於低角度打光在該透明物件之側面且位於該第一環形光源子模組12與該透明物件間的第二環形光源子模組13,及一用於打光在該透明物件之另一面的背光源子模組14,且該透明物件位於該同軸光源子模組11與該背光源子模組14之間。該儲存模組2所儲存之每一筆訓練資料之該等訓練物件影像是該背光源子模組14打光在其所對應之訓練透明物
件下之不同焦距所拍攝、該第一環形光源子模組12打光在其所對應之訓練透明物件下之不同焦距所拍攝、該第二環形光源子模組13打光在其所對應之訓練透明物件下之不同焦距所拍攝或該同軸光源子模組11打光在其所對應之訓練透明物件下之不同焦距所拍攝,但不以此為限。
以下將配合本發明瑕疵檢測方法之該第一實施例,來說明該瑕疵檢測裝置中各元件的運作細節,該瑕疵檢測方法之該第一實施例包含一用於建立該瑕疵評估模型的瑕疵模型建立程序,及一用於評估該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類之機率的多影像檢測程序。
該瑕疵模型建立程序包含一步驟50及一步驟51。
該多影像檢測程序包含一步驟601、一步驟602、一步驟603、一步驟604、一步驟605、一步驟606、一步驟607、一步驟608、一步驟609,及一步驟610。
參閱圖1與圖2,該瑕疵模型建立程序包含以下步驟。
在步驟50中,對於每一訓練資料,該處理模組3將該訓練資料之該等訓練物件影像組合成一訓練三維影像。
在步驟51中,該處理模組3根據該等訓練三維影像,利用一機器學習演算法,建立該瑕疵評估模型,其中該機器學習演算法可為卷積神經網路(CNN,Convolutional Neural Network)演算
模型。
參閱圖1與圖3,該多影像檢測程序包含以下步驟。
在步驟601中,該變焦拍攝模組1在不同的對焦距離拍攝該待評估透明物件以獲得該等物件影像(見圖5至圖12)。值得特別說明的是,當該待評估透明物件表面有一瑕疵時,該瑕疵在該變焦拍攝模組1於不同對焦距離所拍攝出來的該等物件影像會有不同呈現的結果,相較於該變焦拍攝模組1在固定焦距拍攝該物件影像包含較多的瑕疵資訊,因此,該處理模組3在評估該待評估透明物件屬於多種不同瑕疵種類之每一者的機率及屬於該無瑕疵種類之機率時,採用該等物件影像所獲得的評估結果,會比只採用該物件影像所獲得的評估結果更為準確。其中該等物件影像是該變焦拍攝模組1(見圖14)之該背光源子模組14打光在該待評估透明物件下之不同焦距所拍攝、該第一環形光源子模組12打光在該待評估透明物件下之不同焦距所拍攝、該第二環形光源子模組13打光在該待評估透明物件下之不同焦距所拍攝或該同軸光源子模組11打光在該待評估透明物件下之不同焦距所拍攝,但不以此為限。
值得一提的是,在本發明之其他實施例中,亦可將該變焦拍攝模組1替換為一定焦拍攝模組,並使該定焦拍攝模組在不同高度定焦拍攝該待評估透明物件,以在不同的對焦距離拍攝該待評估透明物件,進而獲得該等物件影像。
在步驟602中,對於每一物件影像,該處理模組3根據該物件影像,利用一機器視覺方法,獲得一相關於該待評估透明物件的感興趣區域,其中,該機器視覺方法可為一漫水填充演算法。
在步驟603中,該處理模組3根據自所有感興趣區域獲取一對應有最大面積的感興趣區域。
在步驟604中,對於每一物件影像,該處理模組3經由該最大面積的感興趣區域之位置自該物件影像擷取出一相關於該待評估透明物件的感興趣區域影像,並將該感興趣區域影像作為該物件影像。
在步驟605中,該處理模組3根據該等物件影像經由判定所有物件影像是否皆被一自動光學檢查技術檢測出無瑕疵種類,以判定該待評估透明物件是否屬於該無瑕疵種類。當該處理模組3判定出該待評估透明物件不屬於該無瑕疵種類時,流程進行步驟606,當該處理模組3判定出該待評估透明物件屬於該無瑕疵種類時,流程結束(亦即,不繼續進行檢測)。
在步驟606中,該處理模組3將該等物件影像組合成一三維影像。
在步驟607中,該處理模組3根據該三維影像利用該儲存模組2所存有的該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率。其中,該
瑕疵評估模型是利用如,Softmax函式來獲得屬於多種不同瑕疵種類之每一者的信心度分數及屬於該無瑕疵種類的信心度分數,並將該等信心度分數分別作為屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率。
在步驟608中,該處理模組3判定屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率中是否存在一大於一機率門檻值的目標機率。當該處理模組3判定出存在該目標機率時,流程進行步驟609。當該處理模組3判定出不存在該目標機率時,流程進行步驟610。其中該機率門檻值可為0.5,但不以此為限。
在步驟609中,該處理模組3將該目標機率所對應之種類作為一分類結果,並經由該傳送模組4根據該分類結果將該待評估透明物件傳送至該等置物區中對應該分類結果之一目標置物區。
在步驟610中,該處理模組3將屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率中的最高機率所對應之種類作為該分類結果,並經由該傳送模組4根據該分類結果將該待評估透明物件傳送至該等置物區中對應該分類結果之該目標置物區。
值得特別說明的是,在另一種實施例中,除了對應於不同瑕疵種類及無瑕疵種類的該等置物區外,還有另一對應於一無法識別種類的置物區,該處理模組3在判定出不存在該目標機率時,
可將該無法識別種類作為該分類結果,並經由該傳送模組4傳送該待評估透明物件至對應該無法識別種類的置物區,後續再經由人員將對應於該無法識別種類的置物區中的該待評估物件標記為新的瑕疵種類,並拍攝該待評估物件之該等物件影像,且將由該等物件影像所組合成的該訓練三維影像,及所對應之新的瑕疵種類,作為一組新的訓練資料,並與該等訓練資料重新進行步驟51之訓練,以優化該瑕疵評估模型。
本發明瑕疵評估方法之該第一實施例,藉由該處理模組3利用該變焦拍攝模組1在不同的對焦距離拍攝相關於該待評估透明物件之該等物件影像,並根據該等物件影像利用該自動光學檢查技術判定該待評估透明物件是否屬於該無瑕疵種類,當該處理模組3判定出該待評估透明物件不屬於該無瑕疵種類時,該處理模組3根據該三維影像利用該儲存模組2所存有的該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率,且該傳送模組4根據該分類結果將該待評估透明物件傳送至所對應之該置物區,藉此可以減輕需花費人力對該透明物件進行檢測的問題,並可即時地評估出該透明物件之外觀無損及瑕疵的狀況。
參閱圖1與圖4,本發明瑕疵檢測方法的一第二實施例,藉由該瑕疵檢測裝置來實施,該瑕疵檢測裝置之該儲存模組2儲存
有多筆對應多個不同的訓練透明物件的訓練資料,每一筆訓練資料包含一對應於每一訓練透明物件的訓練物件影像,及所對應之一瑕疵標記結果,該瑕疵標記結果包含該無瑕疵種類及該等不同瑕疵種類之其中一者。
值得特別說明的是,該第二實施例與該第一實施例的方法大致相同,不同之處在於該變焦拍攝模組1用於拍攝一相關於該待評估透明物件之物件影像,且該多影像檢測程序是採用一單影像檢測程序,該單影像檢測程序用於評估該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類之機率。
該單影像檢測程序包含一步驟71、一步驟72、一步驟73、一步驟74、一步驟75、一步驟76、一步驟77,及一步驟78。
參閱圖4、圖5,該單影像檢測程序包含以下步驟。
在步驟71中,該變焦拍攝模組1在固定的對焦距離拍攝相關於該待評估透明物件之該物件影像,其中,該變焦拍攝模組1亦可替換為該定焦拍攝模組。
在步驟72中,該處理模組3根據該物件影像,利用該機器視覺方法,獲得一相關於該待評估透明物件的感興趣區域。
在步驟73中,該處理模組3經由該感興趣區域之位置自該物件影像擷取出一相關於該待評估透明物件的感興趣區域影像,並將該感興趣區域影像作為該物件影像。
在步驟74中,該處理模組3根據該物件影像利用該自動光學檢查技術判定該待評估透明物件是否屬於該無瑕疵種類。當該處理模組3判定出該待評估透明物件不屬於該無瑕疵種類時,流程進行步驟75,當該瑕疵檢測裝置判定出該待評估透明物件屬於該無瑕疵種類時,流程結束(亦即,不繼續進行檢測)。
在步驟75中,該處理模組3根據該物件影像利用該儲存模組2所存有的該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率。其中,該瑕疵評估模型是利用如,Softmax函式來獲得屬於多種不同瑕疵種類之每一者的信心度分數及屬於該無瑕疵種類的信心度分數,並將該等信心度分數分別作為屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率。
在步驟76中,該處理模組3判定屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率中是否存在一大於一機率門檻值的目標機率。當該處理模組3判定出存在該目標機率時,流程進行步驟77。當該處理模組3判定出不存在該目標機率時,流程進行步驟78。其中該機率門檻值可為0.5,但不以此為限。
在步驟77中,該處理模組3將該目標機率所對應之種類作為一分類結果,並經由該傳送模組4根據該分類結果將該待評估透明物件傳送至該等置物區中對應該分類結果之一目標置物區。
在步驟78中,該處理模組3將屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率中的最高機率所對應之種類作為該分類結果,並經由該傳送模組4根據該分類結果將該待評估透明物件傳送至該等置物區中對應該分類結果之該目標置物區。
值得特別說明的是,在另一種實施例中,除了對應於不同瑕疵種類及無瑕疵種類的該等置物區外,還有另一對應於一無法識別種類的置物區,該處理模組3在判定出不存在該目標機率時,可將該無法識別種類作為該分類結果,並經由該傳送模組4傳送該待評估透明物件至對應該無法識別種類的置物區,後續再經由人員將對應於該無法識別種類的置物區中的該待評估物件標記為新的瑕疵種類,並拍攝該待評估物件之該物件影像,且將該物件影像,及所對應之新的瑕疵種類,作為一組新的訓練資料,並與該等訓練資料重新進行步驟51之訓練,以優化該瑕疵評估模型。
本發明瑕疵評估方法之該第二實施例,藉由該處理模組3利用該變焦拍攝模組1拍攝相關於該待評估透明物件之該物件影像,並根據該物件影像利用該自動光學檢查技術判定該待評估透明物件是否屬於該無瑕疵種類,當該處理模組3判定出該待評估透明物件不屬於該無瑕疵種類時,該處理模組3根據該物件影像利用該儲存模組2所存有該瑕疵評估模型獲得該待評估透明物件屬於該等
不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率,且該傳送模組4根據該分類結果將該待評估透明物件傳送至所對應之該置物區,藉此可以減輕需花費人力對該透明物件進行檢測的問題,並可即時地評估出該透明物件之外觀無損及瑕疵的狀況,亦能達成本發明的目的。
綜上所述,該第一實施例之該處理模組3可根據該變焦拍攝模組1在不同對焦距離所拍攝的該等物件影像評估出該待評估透明物件之屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率,該第二實施例之該處理模組3可根據該變焦拍攝模組1在固定對焦距離所拍攝的該物件影像評估出該待評估透明物件之屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率,並將該待評估透明物件傳送至該分類結果所對應的該置物區,兩種實施例皆可在評估後將該待評估透明物件傳送至該分類結果所對應的該置物區,藉此降低人力成本又可即時地評估出該待評估透明物件的外觀無損及瑕疵的狀況,此外,藉由在不同對焦距離拍攝的該等物件影像所獲得的評估結果,相較於在固定焦距拍攝該物件影像所獲得的評估結果更為準確,故確實能達成本發明的目的。
惟以上所述者,僅為本發明的實施例而已,當不能以此限定本發明實施的範圍,凡是依本發明申請專利範圍及專利說明書內容所作的簡單的等效變化與修飾,皆仍屬本發明專利涵蓋的範圍
內。
601~610:步驟
Claims (11)
- 一種瑕疵檢測方法,藉由一瑕疵檢測裝置來實施,該瑕疵檢測裝置儲存有一用於評估相關於一透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率的瑕疵評估模型,該瑕疵檢測方法包含以下步驟:(A)該瑕疵檢測裝置在不同的對焦距離拍攝多張相關於一待評估透明物件的物件影像;(B)該瑕疵檢測裝置根據該等物件影像利用一自動光學檢查技術判定該待評估透明物件是否屬於該無瑕疵種類;及(C)當該瑕疵檢測裝置判定出該待評估透明物件不屬於該無瑕疵種類時,該瑕疵檢測裝置根據該等物件影像利用該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率;(D)該瑕疵檢測裝置判定屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率中是否存在一大於一機率門檻值的目標機率;(E)當該瑕疵檢測裝置判定出存在該目標機率時,該瑕疵檢測裝置將該目標機率所對應之種類作為一分類結果,並根據該分類結果將該待評估透明物件傳送至多個分別對應該等不同瑕疵種類及該無瑕疵種類的置物區中對應該分類結果之一目標置物區;及(F)當該瑕疵檢測裝置判定出不存在該目標機率時,該瑕疵檢測裝置將屬於該等不同瑕疵種類之每一者的機 率及屬於該無瑕疵種類的機率中的最高機率所對應之種類作為該分類結果,並根據該分類結果將該待評估透明物件傳送至該等置物區中對應該分類結果之該目標置物區。
- 如請求項1所述的瑕疵檢測方法,其中,在步驟(C)中,當該瑕疵檢測裝置判定出該待評估透明物件不屬於該無瑕疵種類時,該瑕疵檢測裝置還將該等物件影像組合成一三維影像,以根據該三維影像利用該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率。
- 如請求項1所述的瑕疵檢測方法,該瑕疵檢測裝置還存有多筆對應多個不同的訓練透明物件的訓練資料,每一筆訓練資料包含經由不同對焦距離拍攝其所對應之訓練透明物件而獲得的多張訓練物件影像,及所對應之一瑕疵標記結果,該瑕疵標記結果包含該無瑕疵種類及該等不同瑕疵種類之其中一者,在步驟(A)之前,還包含以下步驟:(G)對於每一訓練資料,將該等訓練物件影像組合成一訓練三維影像;及(H)根據該等訓練三維影像,利用一機器學習演算法,建立該瑕疵評估模型。
- 如請求項1所述的瑕疵檢測方法,其中,在步驟(A)及步驟(B)之間,還包含以下步驟:(I)對於每一物件影像,該瑕疵檢測裝置根據該物件影像,利用一機器視覺方法,獲得一相關於該待評估透明物件的感興趣區域; (J)該瑕疵檢測裝置根據自所有感興趣區域獲取一對應有最大面積的感興趣區域;及(K)對於每一物件影像,該瑕疵檢測裝置藉由該最大面積的感興趣區域之位置自該物件影像擷取出一相關於該待評估透明物件的感興趣區域影像,並將該感興趣區域影像作為該物件影像。
- 如請求項1所述的瑕疵檢測方法,該瑕疵檢測裝置還包含一變焦拍攝模組,其中,在步驟(A)中,該瑕疵檢測裝置是利用該變焦拍攝模組拍攝該待評估透明物件以在不同的對焦距離拍攝該等物件影像。
- 如請求項1所述的瑕疵檢測方法,其中,在步驟(B)中,該瑕疵檢測裝置是藉由判定所有物件影像是否皆被該自動光學檢查技術檢測出無瑕疵種類,以判定該待評估透明物件是否屬於該無瑕疵種類。
- 一種瑕疵檢測方法,藉由一瑕疵檢測裝置來實施,該瑕疵檢測裝置儲存有一用於評估相關於一透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率的瑕疵評估模型,該瑕疵檢測方法包含以下步驟:(A)該瑕疵檢測裝置拍攝一相關於一待評估透明物件之物件影像;(B)該瑕疵檢測裝置根據該物件影像利用一自動光學檢查技術判定該待評估透明物件是否屬於該無瑕疵種類;(C)當該瑕疵檢測裝置判定出該待評估透明物件不屬於該無瑕疵種類時,該瑕疵檢測裝置根據該物件影像利用 該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率;(D)該瑕疵檢測裝置判定屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率中是否存在一大於一機率門檻值的目標機率;(E)當該瑕疵檢測裝置判定出存在該目標機率時,該瑕疵檢測裝置將該目標機率所對應之種類作為一分類結果,並根據該分類結果將該待評估透明物件傳送至多個分別對應該等不同瑕疵種類及該無瑕疵種類的置物區中對應該分類結果之一目標置物區中;及(F)當該瑕疵檢測裝置判定出不存在該目標機率時,該瑕疵檢測裝置將屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率中的最高機率所對應之種類作為該分類結果,並根據該分類結果將該待評估透明物件傳送至該等置物區中對應該分類結果之該目標置物區。
- 如請求項7所述的瑕疵檢測方法,該瑕疵檢測裝置還存有多筆對應多個不同的訓練透明物件的訓練資料,每一筆訓練資料包含一對應於每一訓練透明物件的訓練物件影像,該訓練物件影像對應一瑕疵標記結果,該瑕疵標記結果包含該無瑕疵種類及該等不同瑕疵種類之其中一者,在步驟(A)之前,還包含以下步驟:(G)根據該等訓練資料,利用一機器學習演算法,建立該瑕疵評估模型。
- 如請求項7所述的瑕疵檢測方法,其中,在步驟(A)及步驟 (B)之間,還包含以下步驟:(H)該瑕疵檢測裝置根據該物件影像,利用一機器視覺方法,獲得一相關於該待評估透明物件的感興趣區域;及(I)該瑕疵檢測裝置藉由該感興趣區域之位置自該物件影像擷取出一相關於該待評估透明物件的感興趣區域影像,並將該感興趣區域影像作為該物件影像。
- 一種瑕疵檢測裝置,用於評估一待評估透明物件屬於多種不同瑕疵種類之每一者的機率及屬於一無瑕疵種類之機率,且將該待評估透明物件傳送至多個分別對應該等不同瑕疵種類及該無瑕疵種類的置物區,並包含:一儲存模組,用於儲存一用於評估相關於一透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類之機率的瑕疵評估模型;一變焦拍攝模組,用於拍攝至少一相關於該待評估透明物件之物件影像;一處理模組,電連接該儲存模組及該變焦拍攝模組;及一傳送模組,電連接該處理模組並用於傳送該待評估透明物件;其中,該處理模組經由該變焦拍攝模組拍攝相關於該待評估透明物件之該至少一物件影像,並根據該至少一物件影像利用一自動光學檢查技術判定該待評估透明物件是否屬於該無瑕疵種類,當該處理模組判定出該待評估透 明物件不屬於該無瑕疵種類時,該瑕疵檢測裝置根據該至少一物件影像利用該儲存模組所存有的該瑕疵評估模型獲得該待評估透明物件屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率;其中,該處理模組還判定屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率中是否存在一大於一機率門檻值的目標機率,當該處理模組判定出存在該目標機率時,該處理模組將該目標機率所對應之種類作為一分類結果,當該處理模組判定出不存在該目標機率時,該處理模組將屬於該等不同瑕疵種類之每一者的機率及屬於該無瑕疵種類的機率中的最高機率所對應之種類作為該分類結果;其中,該處理模組經由該傳送模組根據該分類結果將該待評估透明物件傳送至該等置物區中對應該分類結果之一目標置物區。
- 如請求項10所述的瑕疵檢測裝置,其中,該處理模組經由該變焦拍攝模組拍攝多張相關於該待評估透明物件在不同的對焦距離且可組合成一三維影像之物件影像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111145676A TWI833471B (zh) | 2022-11-29 | 2022-11-29 | 瑕疵檢測方法及其裝置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW111145676A TWI833471B (zh) | 2022-11-29 | 2022-11-29 | 瑕疵檢測方法及其裝置 |
Publications (2)
Publication Number | Publication Date |
---|---|
TWI833471B true TWI833471B (zh) | 2024-02-21 |
TW202422043A TW202422043A (zh) | 2024-06-01 |
Family
ID=90824950
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW111145676A TWI833471B (zh) | 2022-11-29 | 2022-11-29 | 瑕疵檢測方法及其裝置 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWI833471B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201819896A (zh) * | 2016-10-07 | 2018-06-01 | 美商克萊譚克公司 | 用於半導體晶圓檢查之三維成像 |
TW202013549A (zh) * | 2018-09-27 | 2020-04-01 | 財團法人工業技術研究院 | 基於機率融合的分類器、分類方法及分類系統 |
US20210003512A1 (en) * | 2019-05-28 | 2021-01-07 | Schott Schweiz Ag | Classification method and system for high-throughput transparent articles |
TW202117576A (zh) * | 2019-09-05 | 2021-05-01 | 荷蘭商Asml荷蘭公司 | 基於顯影後影像判定圖案缺陷之方法 |
US20210279858A1 (en) * | 2018-06-12 | 2021-09-09 | Carl Zeiss Jena Gmbh | Material testing of optical test pieces |
-
2022
- 2022-11-29 TW TW111145676A patent/TWI833471B/zh active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW201819896A (zh) * | 2016-10-07 | 2018-06-01 | 美商克萊譚克公司 | 用於半導體晶圓檢查之三維成像 |
US20210279858A1 (en) * | 2018-06-12 | 2021-09-09 | Carl Zeiss Jena Gmbh | Material testing of optical test pieces |
TW202013549A (zh) * | 2018-09-27 | 2020-04-01 | 財團法人工業技術研究院 | 基於機率融合的分類器、分類方法及分類系統 |
US20210003512A1 (en) * | 2019-05-28 | 2021-01-07 | Schott Schweiz Ag | Classification method and system for high-throughput transparent articles |
TW202117576A (zh) * | 2019-09-05 | 2021-05-01 | 荷蘭商Asml荷蘭公司 | 基於顯影後影像判定圖案缺陷之方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI757825B (zh) | 基於假點缺陷檢測之pcb檢修系統及檢修方法 | |
KR102254773B1 (ko) | 영상정보를 이용한 건물 부위별 하자의 자동 판정과 분류 시스템 및 그 방법 | |
US20210334946A1 (en) | Method and system for classifying defects in wafer using wafer-defect images, based on deep learning | |
CN109829883B (zh) | 产品质量检测方法及装置 | |
CN110779928B (zh) | 缺陷检测装置及方法 | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
CN116359233B (zh) | 方形电池外观缺陷检测方法、装置、存储介质和电子设备 | |
Li et al. | Automatic industry PCB board DIP process defect detection with deep ensemble method | |
WO2024055796A9 (zh) | 一种缺陷检测系统、方法、装置、电子设备及存储介质 | |
TWI707137B (zh) | 智能產線監測系統及監測方法 | |
CN114113129B (zh) | 一种镜片微小缺陷识别抓取系统及方法 | |
CN111079831A (zh) | 智能型光学检测的样品特征与瑕疵自动标记方法及其装置 | |
Huang et al. | Deep learning object detection applied to defect recognition of memory modules | |
TWI833471B (zh) | 瑕疵檢測方法及其裝置 | |
CN116091506B (zh) | 一种基于yolov5的机器视觉缺陷质检方法 | |
CN111105413B (zh) | 一种智能火花塞外观缺陷检测系统 | |
CN117351472A (zh) | 烟叶信息检测方法、装置及电子设备 | |
CN115272340B (zh) | 工业产品缺陷检测方法和装置 | |
CN112257514B (zh) | 一种用于设备故障巡检的红外视觉智检的拍摄方法 | |
CN114913086B (zh) | 基于生成对抗网络的人脸图像质量增强方法 | |
TWI745946B (zh) | 一種高爾夫球電腦檢測系統及自動光學檢測設備 | |
CN114674830A (zh) | 一种高速生产线上瓶盖瑕疵检测模组 | |
CN113888533A (zh) | 显示面板的缺陷识别装置、方法、电子设备及介质 | |
CN108615057B (zh) | 一种基于cnn的电缆隧道照明设备的异常识别方法 | |
TWM606740U (zh) | 瑕疵檢測系統 |