[发明专利]智能光学检测样品特征与瑕疵AI模型自动产生方法及装置

说明书

一种智能光学检测样品特征与瑕疵AI模型自动产生方法及装置，先应用相机治具与可动式机构结合光源装置施以多种数次打光方式以提供不同光源控制方法开关各组灯源、可编辑灯源强度、角度并结合摄影机重复拍摄功能以达到快速收集数据功能后，再经由AI瑕疵侦测模型建立方法，运用该少量良品影像训练一生成网络，结合影像强化算法及影像比较算法，当未来有与良品不同的特征出现时，即可将区域分割并标记为不良。再将调整完后的图像与自动标记的结果储存入数据库，以便后续辅助标记与产线应用，使整个运用于辅助标记与产线的检测流程同时兼具自动化、智能化以及数据化的优势。

技术领域

本发明是关于一种智能光学检测样品特征与瑕疵AI模型自动产生方法及装置；运用于光学检测，尤指一种辅助标记与产线的检测流程能够有效结合深度学习的方法及其装置，运用该少量良品影像训练一生成网络，例如生成对抗网络(Generative AdversarialNetwork,GAN)或自动编码器(Auto-encoder)，结合影像强化算法及影像比较算法，例如局部二值模式(Local Binary Patterns，LBP)强化其特征及帧差法对图像中所欲标记的特征或是瑕疵进行自动标记，再将调整完后的图像与自动标记的结果储存入数据库，以便后续辅助标记与产线的应用，使整个运用于辅助标记与产线的检测流程同时兼具自动化、智能化以及数据化的优势，因而成为本发明的有效创意。

背景技术

在产线流程的检测应用范畴中，资料的搜集是非常重要的环节。

目前一般市面自动化检测，在近年来常导入深度学习，然，深度学习的标记是一耗费大量人力的工作。

另，在自动化检测的范畴中，常因无法获得足够的瑕疵样品，导致检测效果有限，或是到实际产线后需要非常长时间的调整，才能使结果趋于稳定的基本缺憾存在。

再者，如果要运用在深度学习的范畴中时，特征与瑕疵的标记会花费非常多的人力资源情形而有其必须克服的困难问题重重。

是以，本案发明人有鉴于现有技术的不足，历经多年呕心沥血研发而提出一种智能光学检测样品特征与瑕疵AI模型自动产生方法及装置。

发明内容

本发明所要解决的主要技术问题在于，克服现有技术存在的上述缺陷，而提供一种智能光学检测样品特征与瑕疵AI模型自动产生方法及装置，应用样品特征与瑕疵AI模型自动产生技术，仅需取得少量良品，便可在产线端找出不良品，此外亦可应用于深度学习中的瑕疵自动标记，同时具有节省人力资源等的完整效果需求；搭配深度学习分类器的算法，具有较高的环境适应性以及抗噪性，可切换不同光源，如同轴、背光、线光、环形光、球光等，拥有更广泛的应用性。

本发明解决其技术问题所采用的技术方案是：

一种智能光学检测样品特征与瑕疵AI模型自动产生方法，适用于光学检测，尤指一种辅助标记与产线的检测流程能够有效结合深度学习的方法及其装置。

一种智能光学检测样品特征与瑕疵AI模型自动产生方法，而其实施方法的主流程则包括有良品取像，是指以相机单元对良品物进行取像，应用相机单元或可动式机构如机械手臂结合光源装置与光源摄影控制模组，施以多种数次打光方式以提供不同光源控制方法开关各组灯源、可编辑灯源强度、角度并结合摄影机重复拍摄功能以达到快速收集数据功能，并收集一少量良品影像；生成模型训练，是指运用该少量良品影像训练一生成网络，例如生成对抗网络(Generative Adversarial Network,GAN)或自动编码器(Auto-encoder)，训练完成的该生成模型，若输入良品将转换成与良品相符的影像输出，若输入瑕疵则转换成与瑕疵差异较大的影像输出；自动检测，是指以该生成模型结合影像强化算法及影像比较算法，例如局部二值模式(Local Binary Patterns，LBP)强化其特征，及帧差法对图像中所欲标记的特征或是瑕疵进行自动标记，当未来有与良品不同的特征出现时，即可将区域分割并标记为不良。数据储存入数据库单元，是指导出该模型数据输出储存入数据库单元，作为后续深度学习训练或如生产等其他应用端使用。