基于人工神经网络的物件表面型态的检测方法技术

一种基于人工神经网络的物件表面型态的检测方法，包括：接收若干个物件影像；划分各物件影像为若干个影像区域；指定各物件影像的若干个影像区域中的至少一感兴趣区域；以及以至少一感兴趣区域进行一深度学习以建立识别一物件的表面型态的一预测模型。利用本发明专利技术的基于人工神经网络的物件表面型态的检测方法，可弹性针对物件影像的特定区域进行训练，以建立相对精准的预测模型，借以加速训练时间。借以加速训练时间。借以加速训练时间。

【技术实现步骤摘要】
基于人工神经网络的物件表面型态的检测方法


[0001]本专利技术是关于一种人工神经网络训练系统，尤其是一种基于人工神经网络的物件表面型态的检测方法。

技术介绍

[0002]各种安全性保护措施是通过许多小型结构物件所组成，例如安全带。若是这些小型结构物件强度不足则可以令安全性保护措施的保护作用产生疑虑。
[0003]这些结构物件在制造过程中可能因为各种原因，例如碰撞、制程误差、模具缺陷等，而导致其表面产生微小的缺陷，例如槽孔、裂缝、凸块及纹理等。这些微小的缺陷并不容易被查觉。现有的缺陷检测方法其中之一是人工以肉眼观察或以双手触摸待检测的结构物件，以判定结构物件是否具有缺陷，例如凹坑、划痕、色差、缺损等。然而，以人工方式检测结构物件是否具有缺陷的效率较差，且极容易发生误判的情形，如此将造成结构物件的良率无法控管。

技术实现思路

[0004]在一实施例中，一种基于人工神经网络的物件表面型态的检测方法，包括：接收若干个物件影像；划分各物件影像为若干个影像区域；指定各物件影像的若干个影像区域中的至少一感兴趣区域；以及以至少一感兴趣区域进行一深度学习以建立识别一物件的表面型态的一预测模型。
[0005]综上所述，根据本案的基于人工神经网络的物件表面型态的检测方法的一实施例，可弹性针对物件影像的特定区域(指定的感兴趣区域)进行训练，以建立相对精准的预测模型，借以加速训练时间。在一些实施例中，根据本案的基于人工神经网络的物件表面型态的检测方法的一实施例，还可利用建立的预设模型，直接针对物件影像的特定区域进行预测，以分类物件影像的特定区域的表面型态，借以加速预设时间，进而得到较低的过放(Miss)率。
【附图说明】
[0006]图1为根据本专利技术一实施例的基于人工神经网络的物件表面型态的检测方法的流程图。
[0007]图2为图1的步骤S02中所述及的影像区域的一示范例的示意图。
[0008]图3为图1的步骤S01中所述及的物件影像的一示范例的示意图。
[0009]图4为图1的步骤S01中所述及的物件影像的另一示范例的示意图。
[0010]图5为根据本专利技术一实施例的针对物件表面型态的影像扫描系统的示意图。
[0011]图6为图5的针对物件表面型态的影像扫描系统的功能示意图。
[0012]图7为图5的物件、光源组件及感光元件之间于光学上的相对位置的一实施例的示意图。
[0013]图8为图5的物件、光源组件及感光元件之间于光学上的相对位置的另一实施例的示意图。
[0014]图9为图7的物件上的表面型态的一实施例的示意图。
[0015]图10为图5的物件、光源组件及感光元件之间于光学上的相对位置的又一实施例的示意图。
[0016]图11为根据本专利技术另一实施例的针对物件表面型态的影像扫描系统的示意图。
[0017]图12为针对物件表面型态的影像扫描系统所生成的检测影像的一示范例的示意图。
[0018]图13为针对物件表面型态的影像扫描系统所生成的物件影像的一示范例的示意图。
【具体实施方式】
[0019]参照图1，基于人工神经网络的物件表面型态的检测方法适用于一人工神经网络系统。人工神经网络系统具有学习阶段(即训练)及预测阶段。
[0020]在学习阶段，人工神经网络系统接收若干个物件影像(步骤S01)。于此，此些物件影像皆为同一种物件的相同相对位置的表面。进一步而言，人工神经网络系统以固定的取像座标参数接收若干个物件影像。
[0021]接着，人工神经网络系统将各物件影像划分为若干个影像区域(步骤S02)，并指定各物件影像的若干个影像区域中的至少一感兴趣区域(步骤S03)。换言之，于一物件影像被裁切为若干个影像区域后，人工神经网络系统可依据指定设定将若干个影像区域中对应顺序的影像区域指定为感兴趣区域。
[0022]然后，人工神经网络系统再以指定的感兴趣区域进行一深度学习(训练)(即尚未训练好的人工神经网络)以建立识别此物件的表面型态的预测模型(即已训练好的人工神经网络)(步骤S04)。在一些实施例中，深度学习可以一卷积神经网络(CNN)演算法实现，然本案不以此为限制。
[0023]在一些实施例中，人工神经网络系统能逐一进行每张影像的划分、指定及训练。在另一些实施例中，人工神经网络系统能先进行每张物件影像的划分并指定，然后一并将所有指定的感兴趣区域进行训练。
[0024]在一些实施例中，每张物件影像所分成的影像区域的数量为大于2的任意整数。较佳地，每个影像区域的影像尺寸能小于或等于768*768像素，例如：400*400像素、416*416像素、608*608像素等。并且，影像区域的影像尺寸均相同。在一些实施例中，每个影像区域较佳为正方形。举例来说，当物件影像的影像尺寸为3000*4000像素时，裁切后的影像区域的影像尺寸可为200*200像素。
[0025]在步骤S02的一些实施例中，人工神经网络系统可先依据预设的裁切尺寸放大物件影像，以使物件影像的尺寸为影像区域的尺寸的整数倍。然后，人工神经网络系统再依据预设的裁切尺寸将放大后的物件影像裁切为多个影像区域。于此，各影像区域的影像尺寸均相同，即同样为预设的裁切尺寸。
[0026]举例来说，参照图2，人工神经网络系统将接收到的每张物件影像IM以相同的裁切尺寸个别划分成70个影像区域A01～A70。然后，人工神经网络系统依据预设的指定设定(假
设指定为1～10)将影像区域A01～A10指定为感兴趣区域，进而以影像区域A01～A10(即感兴趣区域)进行深度学习。
[0027]在一些实施例中，表面型态可为例如槽孔、裂缝、凸块、边缘、纹理等表面结构。其中，各表面型态为三维细微结构。于此，三维细微结构为次微米尺寸到微米(μm)尺寸。即三维细微结构的最长边或最长直径介于次微米到微米之间。其中，次微米是指<1μm，例如是0.1um～1μm。例如三维细微结构可以是300nm到6μm的微结构。参照图3，当物件的表面具有至少一表面型态时，在此物件的物件影像IM的对应影像位置也会呈现表面型态的局部影像P01～P09。
[0028]在一些实施例中，在学习阶段，人工神经网络系统接收到的物件影像IM为已知表面型态，并且人工神经网络系统输出的表面型态类别也是设定好的。换言之，用以进行深度学习的各物件影像IM均已标记有存在的物件型态。在一些实施例中，物件型态的标记可在物件影像IM上呈现标记图案(如图3所示)，及/或在物件影像IM的影像信息中记录物件信息。
[0029]举例来说，在一示范例中，当物件为不合格物件时，物件的表面会具有一种或多种人工神经网络已学习并尝试撷取的表面型态，使人工神经网络得以将其选别出来；反之，当物件为合格物件时，物件的表面则不具有任何已被记录用以激发人工神经网络的选别动作的表面型态。此时，人工神经网络系统所接收到的物件影像IM，一部分为具有一种或多种表面型态的标记，而另一部分为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工神经网络的物件表面型态的检测方法，其特征在于，包括：接收若干个物件影像；划分各该物件影像为若干个影像区域；指定各该物件影像的该若干个影像区域中的至少一感兴趣区域；以及以该至少一感兴趣区域进行一深度学习以建立识别一物件的表面型态的一预测模型。2.如权利要求1所述的基于人工神经网络的物件表面型态的检测方法，其特征在于，指定各该物件影像的该若干个影像区域中的该至少一感兴趣区域的步骤包括：调高该至少一感兴趣区域的权重。3.如权利要求1所述的基于人工神经网络的物件表面型态的检测方法，其特征在于，在划分各该物件影像为若干个影像区域的步骤之后，还包含：调降该若干个影像区域中该至少一感兴趣区域以...

【专利技术属性】
技术研发人员：蔡昆佑，
申请(专利权)人：神基科技股份有限公司，
类型：发明
国别省市：