一种利用深度学习的自动光学检测方法，包含：提供成对影像组合，其中该成对影像组合包括至少一无瑕影像与至少一对应于该无瑕影像的瑕疵影像；提供一卷积神经网络架构，并在该卷积神经网络架构中启动训练模式；将多个该成对影像组合输入至该卷积神经网络架构，并经由反向传播算法调整全连接层个别的权重，以完成训练；以及利用已训练的该卷积神经网络架构，执行一光学检测程序。本发明专利技术可以有效增加深度学习在假性缺陷的滤除率，同时减少训练的时间、所需的样本数、以及模型的数据量。此外，本发明专利技术可以有效地增加光学检测对缺陷的检出率及准确率，借此增加检测的效率同时降低成本。
本专利技术有关于一种自动光学检测方法、设备、计算机程序、及计算机可读取的记录媒体，特别是指一种利用深度学习的自动光学检测方法、设备、计算机程序、及计算机可读取的记录媒体及其深度学习系统。
1、深度学习(deep learning)最常见的应用，包括影像识别、语音识别、自然语言处理等，甚至推荐系统、生医信息等，各种和生活相关的领域都可以看到深度学习的推广应用。而其中影像辨识在深度学习的应用上最为广泛，技术成熟度也相较其他的领域来得要高。
2、光学检测为了避免人检的缺失，通常利用人工智能(artificial intelligence)和机器学习(machine learning)来取代一般的肉眼检测，借此减少误判的可能性。在计算器视觉领域中，alexnet、googlenet、vgg-net、以及deep residual learning为目前深度学习主流应用的技术，其中vgg-net在机器视觉检测的精确度最佳，主要在于vgg网络利用增加网络的深度使其在一定程度上影响网络的精确率。然而，虽然vgg网络的精确度及效果较佳，但vgg网络的缺点在于训练的过程中需要输入非常多的样本，导致训练的时间过长，相较于其他深度学习的方式，训练一个vgg模型通常需要花费更长的时间，而且训练出来的模型数据量也相对庞大。
>2、为达到上述目的，本专利技术提供一种利用深度学习的自动光学检测方法，包含：提供成对影像组合，其中该成对影像组合包括至少一无瑕影像与至少一对应于该无瑕影像的瑕疵影像；提供一卷积神经网络架构，并在该卷积神经网络架构中启动训练模式；将多个该成对影像组合输入至该卷积神经网络架构，并经由反向传播算法调整全连接层个别的权重，以完成训练；以及利用已训练的该卷积神经网络架构，执行一光学检测程序。3、进一步地，该成对影像组合包括至少一个标准母片影像样本。
4、进一步地，提供至少一完整的标准母片影像至该卷积神经网络架构，并经由反向传播算法调整全连接层的权重。
5、进一步地，该成对影像组合中的瑕疵影像经由人工确认而获得。
6、进一步地，该无瑕影像及该瑕疵影像分别由检测影像及标准母片中重叠位置所撷取而得。
7、进一步地，所取得的该无瑕影像及该瑕疵影像预先经由灰阶处理。进一步地，该反向传播算法包括：
8、将训练影像输入至该卷积神经网络架构，以获得数据；
9、将数据分成训练集以及验证集；
10、依据该训练集计算梯度，估计出前导层的误差，并借此更新每一神经元的权重和阈值；以及
11、依据该验证集估计误差，当迭代次数或是容许误差到达该阈值时，停止该训练集。
12、进一步地，该卷积神经网络架构执行以下的方法：经由多个卷积层由输入的该成对影像组合中筛选出特征影像；将筛选出的该特征影像经由线性整流单元使一部分该特征影像上的像元输出为0；进行池化处理将所获得的该特征影像进行压缩以简化该特征影像；以及经由该全连接层筛选该特征影像，以将该特征影像依据权重比例进行分类，并将分类的结果进行正规化处理，以获得检测的结论。
13、本专利技术的另一目的，在于提供一种执行如上所述方法的自动光学检测设备，包括：一影像捕获设备，用以撷取一待测工件的影像；以及一运算装置，耦合至该影像捕获设备，根据已训练的该卷积神经网络架构，对该待测工件的影像执行该光学检测程序。
14、进一步地，该卷积神经网络架构，由输入至输出的顺序包括：
15、一第一特征提取器，具有一第一卷积群层与一用以执行空间降维的第一池化层；
16、一第二特征提取器，耦合至该第一特征提取器，其中该第二特提取器征具有一第二卷积群层与一用以执行空间降维的第二池化层；
17、一第三特征提取器，耦合至该第二特征提取器，该第三特征提取器具有一第三卷积群层与一用以执行空间降维的第三池化层；
18、一第四特征提取器，耦合至该第三特征提取器，该第四特征提取器具有一第四卷积群层与一用以执行空间降维的第四池化层；
19、一第五特征提取器，耦合至该第四特征提取器，该第五特征提取器具有一第五卷积群层与一用以执行空间降维的第五池化层；
20、一个或多个全连接层，设置于该第五特征提取器的输出，依据权重比例进行分类；以及
21、一正规化输出层，输出分类的结果。本专利技术的另一目的，在于提供一种深度学习系统，包括：一个或多个特征提取器，该特征提取器包括一个或多个卷积层、一个或多个线性整流单元、以及一个或多个池化层进行特征强化及影像压缩处理；一个或多个全连接层，依据权重比例进行分类；一正规化输出层，输出分类的结果；一比较模块，在取得分类的结果后，将检测结果与预期输出进行比对，判断检测结果是否符合预期；以及一权重调整模块，若该检测结果不符合预期的话，基于反向传播算法计算并调整全连接层个别的权重。
22、本专利技术的另一目的，在于提供一种计算机程序，用于安装在一计算机设备上，并执行如上所述的利用深度学习的自动光学检测方法。
23、本专利技术的另一目的，在于提供一种计算机可读取的记录媒体，储存有一计算机程序，该计算机程序用以安装在一计算机设备，并执行如上所述的利用深度学习的自动光学检测方法。
24、本专利技术可以有效增加深度学习在假性缺陷的滤除率，同时减少训练的时间、所需的样本数、以及模型的数据量。此外，本专利技术可以有效地增加光学检测对缺陷的检出率及准确率，借此增加检测的效率同时降低成本。
本文档来自技高网...
【技术保护点】
1.一种利用深度学习的自动光学检测方法，其特征在于，包含：
2.根据权利要求1所述的利用深度学习的自动光学检测方法，其特征在于，该成对影像组合包括至少一个标准母片影像样本。
3.根据权利要求1所述的利用深度学习的自动光学检测方法，其特征在于，提供至少一完整的标准母片影像至该卷积神经网络架构，并经由反向传播算法调整全连接层的权重。
4.根据权利要求1所述的利用深度学习的自动光学检测方法，其特征在于，该成对影像组合中的瑕疵影像经由人工确认而获得。
5.根据权利要求1所述的利用深度学习的自动光学检测方法，其特征在于，该无瑕影像及该瑕疵影像分别由检测影像及标准母片中重叠位置所撷取而得。
6.根据权利要求5所述的利用深度学习的自动光学检测方法，其特征在于，所取得的该无瑕影像及该瑕疵影像预先经由灰阶处理。
7.根据权利要求5所述的利用深度学习的自动光学检测方法，其特征在于，该反向传播算法包括：
8.根据权利要求5所述的利用深度学习的自动光学检测方法，其特征在于，该卷积神经网络架构执行以下的方法：
9.一种执行权利要求1-8中任一项所述方法的自动光学检测设备，其特征在于，更包括：
10.根据权利要求9所述的自动光学检测设备，其特征在于，该卷积神经网络架构，由输入至输出的顺序包括：
11.一种深度学习系统，其特征在于，包括：
12.一种计算机程序，其特征在于，用于安装在一计算机设备上，并执行如权利要求1-8中任一项所述的利用深度学习的自动光学检测方法。
13.一种计算机可读取的记录媒体，其特征在于，储存有一计算机程序，该计算机程序用以安装在一计算机设备，并执行如权利要求1-8中任一项所述的利用深度学习的自动光学检测方法。
...
【技术特征摘要】
1.一种利用深度学习的自动光学检测方法，其特征在于，包含：
2.根据权利要求1所述的利用深度学习的自动光学检测方法，其特征在于，该成对影像组合包括至少一个标准母片影像样本。
3.根据权利要求1所述的利用深度学习的自动光学检测方法，其特征在于，提供至少一完整的标准母片影像至该卷积神经网络架构，并经由反向传播算法调整全连接层的权重。
4.根据权利要求1所述的利用深度学习的自动光学检测方法，其特征在于，该成对影像组合中的瑕疵影像经由人工确认而获得。
5.根据权利要求1所述的利用深度学习的自动光学检测方法，其特征在于，该无瑕影像及该瑕疵影像分别由检测影像及标准母片中重叠位置所撷取而得。
6.根据权利要求5所述的利用深度学习的自动光学检测方法，其特征在于，所取得的该无瑕影像及该瑕疵影像预先经由灰阶处理。
7.根据权...
【专利技术属性】
技术研发人员：方志恒，陆家樑，徐敏堂，安比卡帕亚鲁木鲁甘，林建仲，
申请(专利权)人：由田新技股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。