[发明专利]表面缺陷侦测系统及其方法

权利要求书

1.一种表面缺陷侦测方法，其特征在于，适用于一物件的一表面，所述的方法包括：

以一摄像装置取得该表面的一影像；

以一计算装置执行一深度学习算法以从该影像中选取一定界框及输出关联于该定界框的一特征参数，其中该定界框中包括该表面的一缺陷，该定界框为一矩形，且该特征参数包括该矩形的一面积、该矩形的一对角线长度、一信心指数及一缺陷类型，该信心指数用于呈现定界框内缺陷的符合程度，该缺陷类型包括该表面上的一刮伤、一磨损、一凹痕及一污点；以及

以该计算装置根据该定界框及该特征参数执行一分类判定算法，以决定该表面是否符合一规格；

在执行该深度学习算法之前，所述的方法还包括：以该计算装置针对该影像设置一例外区域；且所选取的该定界框与该例外区域无重叠；

在该计算装置执行该分类判定算法之前，所述的方法还包括：

以该计算装置从该影像中选取另至少一定界框及输出关联于该至少一定界框的另至少一特征参数，其中该至少一定界框中包括该表面的另至少一缺陷；

计算由该深度学习算法所选取的该些定界框的一数量；

计算由该深度学习算法所选取的该些定界框的面积总和与该表面的面积的一比例；以及

以该计算装置依据该数量及该比例执行该分类判定算法以决定该表面是否符合该规格。

2.根据权利要求1所述的表面缺陷侦测方法，其特征在于，该深度学习算法是一区域基础的卷积神经网络R-CNN。

3.根据权利要求2所述的表面缺陷侦测方法，其特征在于，该区域基础的卷积神经网络是Fast R-CNN、Faster R-CNN、Mask R-CNN或YOLO。

4.根据权利要求1所述的表面缺陷侦测方法，其特征在于，该分类判定算法为判定树Decision Tree、支持向量机SVM、及K-近邻算法KNN其中之一。

5.根据权利要求1所述的表面缺陷侦测方法，其特征在于，在取得该影像之前还包括：以一发光装置在该物件的周围形成一均匀光场。

6.根据权利要求1所述的表面缺陷侦测方法，其特征在于，在执行该深度学习算法之前还包括：

以一服务器取得多个训练影像，其中该些训练影像包括具有该缺陷的该表面的影像及不具有该缺陷的该表面的影像；每一具有该缺陷的该些训练影像中具有一样本定界框及一缺陷类型，该样本定界框包括该缺陷整体的一矩形，该缺陷类型关联于该缺陷；每一该些训练影像还包括一第一影像标注或一第二影像标注，其中该第一影像标注代表该训练影像符合该规格，该第二影像的标注代表该训练影像不符合该规格；

以该服务器依据该些训练影像、该些样本定界框及该些缺陷类型执行该深度学习算法以产生一缺陷侦测模型；

以该服务器依据该些训练影像、该第一影像标注及该第二影像标注执行该分类判定算法以产生一分类判定模型；以及

以该计算装置从该服务器加载该缺陷侦测模型及该分类判定模型。