[发明专利]分类方法、分类模块及计算机程序产品

说明书

一种分类方法、分类模块及计算机程序产品。分类方法包括以下步骤。首先，提供一分类模块，分类模块包括一深度神经网络。然后，取得一待分类数据。然后，深度神经网络自动撷取待分类数据的一特征反应。然后，判断待分类数据的特征反应是否落在多笔学习数据的一界线范围内，所述学习数据分属于多个类别。然后，若待分类数据的特征反应落在界线范围内，深度神经网络依据所述学习数据，判断待分类数据所属的类别。

技术领域

本发明是有关于一种分类方法、分类模块及计算机程序产品。

背景技术

现有技术对于待分类数据的分类方法通常是以自动光学检测(AutomatedOptical Inspection，AOI)对产品撷取一影像，然后分析影像的特征，以对影像进行瑕疵判断或瑕疵分类。为了因应自动光学检测的假警报率(false alarm)，通常会加入机器学习(machine learning)为主的瑕疵分类单元对影像进一步过筛。但瑕疵分类单元在执行分类前，需要事先以大量人力进行人工分类。因此，如何减少人工分类工时是本技术领域业者努力目标之一。

发明内容

因此，本发明提出一种分类方法、分类模块及计算机程序产品，可改善现有技术问题。

根据本发明的一实施例，提出一种分类方法。分类方法包括以下步骤。提供一分类模块，分类模块包括一深度神经网络(Deep Neural Network，DNN)；取得一待分类数据；深度神经网络自动撷取待分类数据的一特征反应；判断待分类数据的特征反应是否落在多笔学习数据的一界线范围内，所述学习数据分属于多个类别；以及，若待分类数据的特征反应落在界线范围内，深度神经网络依据所述学习数据，判断待分类数据所属的类别。

根据本发明的另一实施例，提出一种分类模块。分类模块包括一深度神经网络及一判断单元。深度神经网络用以自动撷取一待分类数据的一特征反应。判断单元用以判断待分类数据的特征反应是否落在多笔学习数据的一界线范围内，所述学习数据分属于多个类别。若待分类数据的特征反应落在界线范围内，深度神经网络依据所述学习数据，判断待分类数据所属的类别。

根据本发明的另一实施例，提出一种计算机程序产品。计算机程序产品经由一处理器加载程序执行以下步骤。自动撷取一待分类数据的一特征反应；判断待分类数据的特征反应是否落在多笔学习数据的一界线范围内，其中所述学习数据分属于多个类别；以及，若待分类数据的特征反应落在界线范围内，依据所述学习数据判断待分类数据所属的类别。

为了对本发明上述及其他方面有更佳的了解，下文特列举较佳实施例，并配合所附附图，作详细说明如下：

附图说明

图1绘示依照本发明一实施例的分类方法的流程图。

图2绘示依照本发明一实施例的分类系统的功能方块图。

图3绘示依照本发明一实施例的深度神经网络学习多笔学习数据的流程图。

【附图标记说明】

10：分类系统

11：待分类数据取得单元

12：后处理站

100：分类模块

110：自动特征撷取单元

120：判断单元

130：训练分类单元

140：学习数据界线单元

C1：类别

C11：正常类

C11：瑕疵类

D1：数据库

M1：待分类数据