TWM594688U - 光學檢測系統 - Google Patents
光學檢測系統 Download PDFInfo
- Publication number
- TWM594688U TWM594688U TW108217534U TW108217534U TWM594688U TW M594688 U TWM594688 U TW M594688U TW 108217534 U TW108217534 U TW 108217534U TW 108217534 U TW108217534 U TW 108217534U TW M594688 U TWM594688 U TW M594688U
- Authority
- TW
- Taiwan
- Prior art keywords
- image
- tested
- target surface
- artificial intelligence
- sample images
- Prior art date
Links
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
一種用以檢測目標表面是否存在缺陷的光學檢測系統包括:雷射光源、攝像裝置、伺服器與顯示器。雷射光源用以將柵狀雷射投射至目標表面上。攝像裝置用以拍攝被柵狀雷射所投射之目標表面以產生待測圖像。伺服器預載了人工智能物件辨識模型,透過訓練樣本圖像來訓練人工智能物件辨識模型,已完成訓練的人工智能物件辨識模型進行檢測辨識來分析待測圖像以檢測目標表面是否存在缺陷的檢測結果。顯示器用以顯示待測圖像,且用以於目標表面存在缺陷時,於待測圖像中標示出缺陷的位置。
Description
本新型係有關一種光學檢測系統,且特別是有關於一種用以檢測目標表面是否存在缺陷的光學檢測系統。
在工業檢測產業中,金屬表面瑕疵檢測是很重要的檢測項目之一。傳統上,若透過檢測人員以目測、觸摸或量測儀器等方式檢查金屬表面平整度,往往需要花費大量時間,且這種檢測很難有固定的標準。另一種習知的表面瑕疵檢測方式是採用自動光學檢查(automated optical inspection,AOI)技術,利用人造特徵進行瑕疵檢測及分類,然而,採用此技術將會需要額外花時間打造特徵,且實際對於需檢測的樣本進行檢測時,可能會因為環境光線明暗、金屬表面反光、影像解析度等等因素,使得檢測難度增加而難以提高檢測準確率。
本新型的實施例提出一種光學檢測系統,用以檢測目標表面是否存在至少一缺陷,所述光學檢測系統包括:雷射光源、攝像裝置、伺服器以及顯示器。所述雷射光
源用以將柵狀雷射(grid laser)投射至目標表面上。所述攝像裝置用以拍攝被柵狀雷射所投射之目標表面以產生待測圖像。所述伺服器電性連接攝像裝置,其中所述伺服器預載了人工智能(Artificial Intelligence,AI)物件辨識模型,其中所述伺服器所預載之人工智能物件辨識模型係透過多個訓練樣本圖像來進行訓練,其中已完成訓練的人工智能物件辨識模型用以進行檢測辨識來分析待測圖像以輸出檢測結果,其中檢測結果係用以表示目標表面是否存在至少一缺陷。所述顯示器電性連接伺服器,所述顯示器用以顯示待測圖像,且所述顯示器更用以於目標表面存在至少一缺陷時,於待測圖像中標示出至少一缺陷的位置。
在一些實施例中,上述雷射光源更用以根據目標表面的材質來調整柵狀雷射的頻率。
在一些實施例中,上述雷射光源更用以根據至少一缺陷的預定義尺度來調整柵狀雷射的網格大小。
在一些實施例中,其中已完成訓練的人工智能物件辨識模型於進行檢測辨識以分析待測圖像之前,已完成訓練的人工智能物件辨識模型更會對待測圖像進行資料前處理。
在一些實施例中,其中伺服器所預載之人工智能物件辨識模型係透過以下步驟來進行訓練:取得所述訓練樣本圖像,其中所述訓練樣本圖像包含多個表面具缺陷之樣本圖像與多個表面不具缺陷之樣本圖像;對所述訓練樣本圖像進行資料前處理;以及將進行完資料前處理的訓練樣本圖
像輸入伺服器所預載之人工智能物件辨識模型來對伺服器所預載之人工智能物件辨識模型進行訓練。
在一些實施例中,其中係藉由調整方式來取得所述訓練樣本圖像,其中所述調整方式包含以下至少一者:調整雷射光源的角度、調整雷射光源與目標表面的距離、調整攝像裝置的角度、調整攝像裝置與目標表面的距離。
在一些實施例中,所述資料前處理包含以下至少一者:資料清潔處理、資料擴增處理、資料標記處理。
在一些實施例中,所述資料清潔處理係用以判定所述待測圖像或所述訓練樣本圖像中是否有屬於模糊不清或標的物殘缺的瑕疵圖像,並將屬於瑕疵圖像的待測圖像或訓練樣本圖像從待測圖像或訓練樣本圖像中去除。
在一些實施例中,上述資料擴增處理係用以對所述待測圖像或所述訓練樣本圖像進行圖像變形處理,其中所述圖像變形處理包含以下至少一者:左右翻轉、上下翻轉、小程度扭曲、亮度變化。
在一些實施例中,上述資料標記處理係用以將所述待測圖像或所述訓練樣本圖像中對應至少一缺陷的位置以矩形框格式標記。
在一些實施例中,上述伺服器更用以將已完成分析的所述待測圖樣與相對應的所述檢測結果輸入已完成訓練的人工智能物件辨識模型來對已完成訓練的人工智能物件辨識模型進行再訓練。
為讓本新型的上述特徵和優點能更明顯易懂,
下文特舉實施例,並配合所附圖式作詳細說明如下。
100‧‧‧光學檢測系統
110‧‧‧雷射光源
120‧‧‧攝像裝置
130‧‧‧伺服器
140‧‧‧顯示器
180‧‧‧目標表面
1100-1800‧‧‧步驟
從以下結合所附圖式所做的詳細描述,可對本新型之態樣有更佳的了解。
[圖1]與[圖2]係根據本新型的實施例之光學檢測系統的示意圖。
[圖3]係根據本新型的實施例之用以說明柵狀雷射的網格大小與不同尺度的表面缺陷之關係的示意圖。
[圖4]係根據本新型的實施例之光學檢測系統之人工智能物件辨識模型進行離線建模與線上檢測的流程圖。
以下仔細討論本新型的實施例。然而,可以理解的是,實施例提供許多可應用的概念,其可實施於各式各樣的特定內容中。所討論、揭示之實施例僅供說明,並非用以限定本新型之範圍。
圖1與圖2係根據本新型的實施例之光學檢測系統100的示意圖。光學檢測系統100包含雷射光源110、攝像裝置120、伺服器130以及顯示器140,光學檢測系統100係用以檢測待測之目標表面180是否存在缺陷。光學檢測系統100的雷射光源110用以將柵狀雷射(grid laser)投射至目標表面180上。光學檢測系統100的攝像裝置120用以拍攝被柵狀雷射所投射之目標表面180以產生待測圖
像。光學檢測系統100的伺服器130電性連接攝像裝置120以接收所述待測圖像。
在本新型的實施例中,伺服器130已預載了人工智能(Artificial Intelligence,AI)物件辨識模型,其中,在光學檢測系統100要對待測之目標表面180進行線上即時檢測之前將會,例如,先以離線的方式對於伺服器130所預載之人工智能物件辨識模型透過多個訓練樣本圖像來先進行訓練。在本新型的實施例中,伺服器130所預載之人工智能物件辨識模型係透過以下步驟來進行訓練:(步驟1)取得多個訓練樣本圖像;(步驟2)對所述多個訓練樣本圖像進行資料前處理;以及(步驟3)將進行完資料前處理的訓練樣本圖像輸入伺服器130所預載之人工智能物件辨識模型來對伺服器130所預載之人工智能物件辨識模型進行訓練。
於步驟1當中,會經由蒐集來取得包含缺陷之表面與不包含缺陷之表面之多個訓練樣本圖像,蒐集的方式係藉由調整雷射光源110和攝像裝置120之角度、遠近,蒐集在不同照射條件、拍攝條件下之訓練樣本圖像。換言之,係藉由各種調整方式來取得所述多個訓練樣本圖像,上述之調整方式包含以下至少一者:調整雷射光源110的角度、調整雷射光源110與已知之目標表面180的距離、調整攝像裝置120的角度、調整攝像裝置120與已知之目標表面180的距離等等。其中,於步驟1當中之調整方式所提到的已知之目標表面180包含:已知之表面存在缺陷的表面以及已知之表面不存在缺陷的表面,換言之,所述多個訓練樣本圖像包含
多個表面具缺陷之樣本圖像與多個表面不具缺陷之樣本圖像。
於步驟2當中的資料前處理包含以下至少一者:資料清潔處理、資料擴增處理、資料標記處理。資料清潔處理係用以判定所述多個訓練樣本圖像中是否有屬於模糊不清或標的物殘缺的瑕疵圖像,並將屬於瑕疵圖像的訓練樣本圖像從所述多個訓練樣本圖像中去除。資料擴增處理係用以對所述多個訓練樣本圖像進行圖像變形處理,上述之圖像變形處理包含以下至少一者:左右翻轉、上下翻轉、小程度扭曲、亮度變化等人工方式擴增,以加強人工智能物件辨識模型訓練後之穩固性及通用性。資料標記處理係用以將所述多個訓練樣本圖像中之表面具缺陷之樣本圖像所對應至少一缺陷的位置以矩形框格式標記,以供人工智能物件辨識模型分類辨識。
在本新型的實施例中,已完成訓練的人工智能物件辨識模型用以進行線上即時的檢測辨識來分析待測圖像以輸出檢測結果,上述檢測結果係用以表示待測之目標表面180是否存在至少一缺陷。在本新型的實施例中,已完成訓練的人工智能物件辨識模型於進行檢測辨識以分析待測圖像之前,已完成訓練的人工智能物件辨識模型更會對待測圖像進行資料前處理。
已完成訓練的人工智能物件辨識模型對於待測圖像所進行之資料前處理包含以下至少一者:資料清潔處理、資料擴增處理、資料標記處理。資料清潔處理係用以判
定所述待測圖像是否有屬於模糊不清或標的物殘缺的瑕疵圖像,並將屬於瑕疵圖像的待測圖像去除。資料擴增處理係用以對所述待測圖像進行圖像變形處理,上述之圖像變形處理包含以下至少一者:左右翻轉、上下翻轉、小程度扭曲、亮度變化等人工方式擴增,以加強人工智能物件辨識模型訓練後之穩固性及通用性。資料標記處理係用以將存在缺陷之目標表面所對應之待測圖像所相應之至少一缺陷的位置以矩形框格式標記,以供人工智能物件辨識模型分類辨識。
光學檢測系統100的顯示器140電性連接伺服器130,顯示器140用以顯示待測圖像(如圖1與圖2所示),且顯示器140更用以於檢測出待測之目標表面180存在至少一缺陷時,於顯示器140的顯示畫面所顯示之待測圖像上標示出至少一缺陷的位置(如圖2所示)。具體而言,如圖1所示,雷射光源110將柵狀雷射以網格形式投射至目標表面180上,如目標表面180無凹陷或突起則顯示器140所顯示之待測圖像會呈現均勻網格;另外,如圖2所示,雷射光源110將柵狀雷射以網格形式投射至目標表面180上,如目標表面180有凹陷或突起則顯示器140所顯示之待測圖像會呈現非均勻網格且有彎曲現象。在本新型的實施例中,顯示器140更用以於檢測出待測之目標表面180存在至少一缺陷時,於顯示器140的顯示畫面所顯示之待測圖像上標示出至少一缺陷的位置且顯示該缺陷存在的機率來提示檢測人員。
在本新型的實施例中,在針對不同材質的目標表面180時,光學檢測系統100還可透過選擇不同頻率(包含
可見光及不可見光)的柵狀雷射,從而能夠最佳地凸顯目標表面180的缺陷特徵。換言之,光學檢測系統100的雷射光源110更用以根據目標表面180的材質來調整雷射光源110的柵狀雷射的頻率。
在本新型的實施例中,更可透過調整柵狀雷射的網格大小,來更佳地凸顯不同尺度的表面缺陷。圖3係根據本新型的實施例之用以說明柵狀雷射的網格大小與不同尺度的表面缺陷之關係的示意圖。具體而言,光學檢測系統100會先定義所要偵測的瑕疵的尺度,並據以調整雷射光源110的柵狀雷射的網格大小使表面缺陷特徵能正確地凸顯出來。換言之,雷射光源110更用以根據至少一缺陷的預定義尺度來調整雷射光源110的柵狀雷射的網格大小。
在本新型的實施例中,伺服器130更用以將已完成分析的所述待測圖樣與相對應的檢測結果輸入已完成訓練的人工智能物件辨識模型來對已完成訓練的人工智能物件辨識模型進行再訓練,從而將人工智能物件辨識模型訓練之最佳化。
圖4係根據本新型的實施例之光學檢測系統100之人工智能物件辨識模型進行離線建模與線上檢測的流程圖,包含步驟1100-1800。於步驟1100,根據目標表面180的材質來調整雷射光源110的柵狀雷射的頻率,從而能夠最佳地凸顯目標表面180的缺陷特徵。於步驟1200,定義所要偵測的瑕疵的尺度,從而據以調整雷射光源110的柵狀雷射的網格大小使表面缺陷特徵能正確地凸顯出來。於步
驟1300,雷射光源110將柵狀雷射以網格形式投射至目標表面180,從而凸顯目標表面180之不平整處的雷射網格特徵。於步驟1400,蒐集包含缺陷之表面與不包含缺陷之表面之多個訓練樣本圖像。於步驟1500,對多個訓練樣本圖像進行資料前處理,包含:資料清潔處理、資料擴增處理、資料標記處理。於步驟1600,將進行完資料前處理的多個訓練樣本圖像輸入伺服器130所預載之人工智能物件辨識模型來對伺服器130所預載之人工智能物件辨識模型進行訓練。於步驟1700,進行人工智能物件辨識模型測試與分析,舉例來說,包含以下指標:正確率(Accuracy)、損失函數(Loss function)、偽陽性率(False positive)、偽陰性率(False negative)等等。於步驟1800,透過已完成訓練的人工智能物件辨識模型來對待測之目標表面180進行線上即時的檢測辨識來分析待測之目標表面180是否存在缺陷。
具體而言,本新型利用雷射光源110之柵狀雷射之雷射光具有同調性、高亮度、高集中、不易發散的特性,來凸顯目標表面的瑕疵特徵。本新型將雷射光源110之柵狀雷射以均勻網格型式打在需檢測的目標表面180上。雷射網格通過目標表面的不平整處(凹陷、突起)時產生彎曲現象,再透過人工智能物件辨識模型先透過訓練來學習雷射光彎曲處之特徵,從而能夠利用已完成訓練的人工智能物件辨識模型來自動偵測待測之目標表面的不平整處之位置。透過本新型之光學檢測系統100可以降低人為誤差、減少檢測時
間,且讓檢測有一定的標準。
本新型之光學檢測系統100可用於各種工業場域(航空、半導體設備、面板…等),只需準確且有系統地蒐集需檢測表面的特徵,即可利用光學檢測系統100檢測不同場域之表面瑕疵。
雖然本新型已以實施方式揭露如上,然其並非用以限定本新型,任何熟習此技藝者,在不脫離本新型之精神和範圍內,當可作各種之更動與潤飾,因此本新型之保護範圍當視後附之申請專利範圍所界定者為準。
100‧‧‧光學檢測系統
110‧‧‧雷射光源
120‧‧‧攝像裝置
130‧‧‧伺服器
140‧‧‧顯示器
180‧‧‧目標表面
Claims (11)
- 一種光學檢測系統,用以檢測一目標表面是否存在至少一缺陷,該光學檢測系統包括:一雷射光源,用以將一柵狀雷射(grid laser)投射至該目標表面上;一攝像裝置,用以拍攝被該柵狀雷射所投射之該目標表面以產生一待測圖像;一伺服器,電性連接該攝像裝置,其中該伺服器預載了一人工智能(Artificial Intelligence,AI)物件辨識模型,其中該伺服器所預載之該人工智能物件辨識模型係透過複數個訓練樣本圖像來進行訓練,其中已完成訓練的該人工智能物件辨識模型用以進行一檢測辨識來分析該待測圖像以輸出一檢測結果,其中該檢測結果係用以表示該目標表面是否存在該至少一缺陷;以及一顯示器,電性連接該伺服器,該顯示器用以顯示該待測圖像,且該顯示器更用以於該目標表面存在該至少一缺陷時,於該待測圖像中標示出該至少一缺陷的位置。
- 如申請專利範圍第1項所述之光學檢測系統,其中該雷射光源更用以根據該目標表面的材質來調整該柵狀雷射的頻率。
- 如申請專利範圍第1項所述之光學檢測系 統,其中該雷射光源更用以根據該至少一缺陷的預定義尺度來調整該柵狀雷射的網格大小。
- 如申請專利範圍第1項所述之光學檢測系統,其中已完成訓練的該人工智能物件辨識模型於進行該檢測辨識以分析該待測圖像之前,已完成訓練的該人工智能物件辨識模型會先對該待測圖像進行一資料前處理。
- 如申請專利範圍第1項所述之光學檢測系統,其中該伺服器所預載之該人工智能物件辨識模型係透過以下步驟來進行訓練:取得該些訓練樣本圖像,其中該些訓練樣本圖像包含複數個表面具缺陷之樣本圖像與複數個表面不具缺陷之樣本圖像;對該些訓練樣本圖像進行一資料前處理;以及將進行完該資料前處理的該些訓練樣本圖像輸入該伺服器所預載之該人工智能物件辨識模型來對該伺服器所預載之該人工智能物件辨識模型進行訓練。
- 如申請專利範圍第5項所述之光學檢測系統,其中係藉由一調整方式來取得該些訓練樣本圖像,其中該調整方式包含以下至少一者:調整該雷射光源的角度、調整該雷射光源與該目標表面的距離、調整該攝像裝置的角度、調整該攝像裝置與該目標表面的距離。
- 如申請專利範圍第4項或第5項所述之光學檢測系統,該資料前處理包含以下至少一者:一資料清潔處理、一資料擴增處理、一資料標記處理。
- 如申請專利範圍第7項所述之光學檢測系統,其中該資料清潔處理係用以判定該待測圖像或該些訓練樣本圖像中是否有屬於模糊不清或標的物殘缺的瑕疵圖像,並將屬於瑕疵圖像的該待測圖像或該些訓練樣本圖像從該待測圖像或該些訓練樣本圖像中去除。
- 如申請專利範圍第7項所述之光學檢測系統,其中該資料擴增處理係用以對該待測圖像或該些訓練樣本圖像進行一圖像變形處理,其中該圖像變形處理包含以下至少一者:左右翻轉、上下翻轉、小程度扭曲、亮度變化。
- 如申請專利範圍第7項所述之光學檢測系統,其中該資料標記處理係用以將該待測圖像或該些訓練樣本圖像中對應該至少一缺陷的位置以矩形框格式標記。
- 如申請專利範圍第1項所述之光學檢測系統,其中該伺服器更用以將已完成分析的該待測圖樣與 相對應的該檢測結果輸入已完成訓練的該人工智能物件辨識模型來對已完成訓練的該人工智能物件辨識模型進行再訓練。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108217534U TWM594688U (zh) | 2019-12-31 | 2019-12-31 | 光學檢測系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
TW108217534U TWM594688U (zh) | 2019-12-31 | 2019-12-31 | 光學檢測系統 |
Publications (1)
Publication Number | Publication Date |
---|---|
TWM594688U true TWM594688U (zh) | 2020-05-01 |
Family
ID=71897165
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
TW108217534U TWM594688U (zh) | 2019-12-31 | 2019-12-31 | 光學檢測系統 |
Country Status (1)
Country | Link |
---|---|
TW (1) | TWM594688U (zh) |
-
2019
- 2019-12-31 TW TW108217534U patent/TWM594688U/zh unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112053318B (zh) | 基于深度学习的二维pcb缺陷实时自动检测与分类装置 | |
TWI750553B (zh) | 對樣本的缺陷檢測的方法及其系統 | |
CN106934800B (zh) | 一种基于yolo9000网络的金属板带表面缺陷检测方法及装置 | |
CN111242123B (zh) | 一种基于红外图像的电力设备故障诊断方法 | |
CN109544533A (zh) | 一种基于深度学习的金属板缺陷检测和度量方法 | |
Eshkevari et al. | Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method | |
JP2022522348A (ja) | 基板上の膜の検査のための装置及び方法 | |
Sioma | Assessment of wood surface defects based on 3D image analysis | |
CN112858351A (zh) | 一种基于机器视觉的x射线无损探伤方法 | |
CN114719749A (zh) | 基于机器视觉的金属表面裂纹检测及真实尺寸测量方法及系统 | |
Duan et al. | Study on surface defect vision detection system for steel plate based on virtual instrument technology | |
CN110084807A (zh) | 一种焊缝探伤底片图像造假的检测方法 | |
CN108765391A (zh) | 一种基于深度学习的平板玻璃异物影像分析方法 | |
CN114226262A (zh) | 瑕疵检测方法、瑕疵分类方法及其系统 | |
TWM594688U (zh) | 光學檢測系統 | |
KR101782366B1 (ko) | 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법 | |
CN115546140A (zh) | 一种显示面板检测方法、系统及电子装置 | |
TWI493177B (zh) | 一種檢測具週期性結構光學薄膜的瑕疵檢測方法及其檢測裝置 | |
Jadhav et al. | Development of vision based test jig and mechanism for automatic inspection and sorting of industrial objects | |
TWM619409U (zh) | 智慧化加工系統 | |
Kumar et al. | Automated quality inspection of PCB assembly using image processing | |
JP2021148678A (ja) | 不良検出装置及び不良検出方法 | |
US20240046617A1 (en) | Machine Learning-Based Generation of Rule-Based Classification Recipes for Inspection System | |
Rababaah et al. | Automatic visual inspection system for stamped sheet metals (AVIS 3 M) | |
TWI765364B (zh) | 人工智慧瑕疵影像分類方法與其系統 |