[发明专利]基于概率融合的分类器、分类方法及分类系统

说明书

本发明提供了一种基于概率融合的分类器、分类方法及分类系统，所述分类方法包括：根据所述输入数据产生多个概率向量，其中所述多个概率向量中的每一个包括分别对应于所述多种类别的多个元素；根据第一感兴趣类别从所述多个概率向量中选出具有对应于所述第一感兴趣类别的极值的第一概率向量；以及根据所述第一概率向量来决定所述输入数据的类别。

技术领域

本发明涉及神经网络领域，尤其涉及一种基于概率融合的分类器、分类方法及分类系统。

背景技术

在工业生产(诸如：晶圆(Wafer)等产品的生产)的过程当中，可能存在许多种类别的瑕疵。为了从外观检测出这些瑕疵，图像辨识技术被广泛地使用。目前，神经网络(NeuralNetwork，NN)已成为图像辨识领域的主流方法之一。神经网络是一种模仿生物神经网络的结构和功能的计算模型。训练好的神经网络可以从众多的瑕疵类别当中辨识出产品具有的不同瑕疵的种类，从而协助改善作业人员进行瑕疵检测的效率。

不同种类的瑕疵重要性并不相同。某些类别的瑕疵会对产品造成特别严重地损害，因此，必须尽可能地降低这些瑕疵的漏检率(Miss Rate)(或称：假阴性率(FalseNegative Rate，FNR))。另一方面，某些类别的瑕疵对产品的影响较低，因此，必须尽可能地提高预测这些瑕疵的种类的精准率(Precision Rate)(或称：阳性预测值(PositivePredictive Value，PPV))，从而减少进行品质管制的人力成本。然而，现行针对神经网络的研究往往着重于降低整体的错误率，却无法有效地解决上述的问题。基于上述，需要提出一种改善的分类器。

发明内容

本发明提供一种基于概率融合的分类器，包括：子分类器、融合层以及输出层。子分类器根据输入数据产生多个概率向量，其中多个概率向量中的每一个包括分别对应于多种类别的多个元素。融合层根据第一感兴趣类别从多个概率向量中选出具有对应于第一感兴趣类别的极值的第一概率向量。输出层根据第一概率向量来决定输入数据的类别。

本发明提供一种基于概率融合的分类方法，包括：根据所述输入数据产生多个概率向量，其中多个概率向量中的每一个包括分别对应于多种类别的多个元素；根据第一感兴趣类别从多个概率向量中选出具有对应于第一感兴趣类别的极值的第一概率向量；以及根据第一概率向量来决定输入数据的类别。

本发明提供一种基于概率融合的分类系统，包括：自动光学检测设备以及处理器。自动光学检测设备获取物品的图像数据。处理器经配置以控制分类器，且所述分类器包括：子分类器、融合层以及输出层。子分类器根据图像数据产生多个概率向量，其中多个概率向量中的每一个包括对应于多种类别的多个元素。融合层根据第一感兴趣类别从多个概率向量中选出具有对应于第一感兴趣类别的极值的第一概率向量。输出层根据第一概率向量来决定外观瑕疵的类别。

为让本发明的上述特征和优点能更明显易懂，下文特举实施例，并配合所附图式作详细说明如下。

附图说明

图1A根据本发明的实施例绘示基于概率融合的分类器的第一种示意图；

图1B根据本发明的实施例绘示基于概率融合的分类器的第二种示意图；

图2根据本发明的实施例绘示一种基于概率融合的分类系统的示意图；

图3A根据本发明的实施例绘示一种基于概率融合的分类方法的流程图；

图3B根据本发明的实施例进一步绘示步骤S303的流程图；

图3C根据本发明的实施例进一步绘示步骤S303的流程图；

图4A根据本发明的实施例绘示基于概率融合的分类器的第三种示意图；

图4B根据本发明的实施例绘示基于概率融合的分类器的第四种示意图；

图5根据本发明的实施例绘示另一种基于概率融合的分类系统的示意图；