【技术实现步骤摘要】
基于神经网络的分类装置及分类方法
本公开是有关于一种基于神经网络的分类装置及分类方法。
技术介绍
在工业制造产业(例如：半导体产业)中，经常利用图像识别技术来挑选出瑕疵品，由此控管产品的出货品质。例如，业界常使用由机器学习训练而成的识别模型来进行瑕疵品的检测。然而，现有的检测方案时常存在瑕疵分类的准确率不够高(或误判率(OverkillRate)过高)，且无法针对重大的瑕疵类别进行识别的问题。因此，工业制造产业仍无法完全地仰赖图像识别科技来检验产品的瑕疵，且现有的图像识别技术大多以提高整体的预测正确率为目标。为了防止瑕疵品流入市面，需使用人工的方式来对产品进行复验。然而，由于产品的生产数量庞大，工厂通常需消耗大量的人力资源，且仅能采用抽检的方式而无法全面性地对产品进行人工复验，生产品质堪虑。为了解决上述的问题，需要提出一种能有效地降低人力资源成本并可针对重大的瑕疵类别的分类进行改善的分类方法。
技术实现思路
本公开提供一种基于神经网络的分类装置，包括储存介质以及处理器。储存介质储存多个模块...
【技术保护点】
1.一种基于神经网络的分类装置，其特征在于，包括：/n储存介质，储存多个模块；以及/n处理器，耦接所述储存介质，所述处理器访问并执行所述储存介质的所述多个模块，所述多个模块包括：/n神经网络，产生分别对应一或多个样本的一或多个分数向量；/n分类器，根据所述一或多个分数向量以及第一判定阈值判定出所述一或多个样本的第一子集合，其中所述第一子集合关联于第一类别；以及/n运算模块，根据所述第一子集合从所述一或多个样本挑选出待复验样本。/n
【技术特征摘要】
20181029 TW 1071381551.一种基于神经网络的分类装置，其特征在于，包括：
储存介质，储存多个模块；以及
处理器，耦接所述储存介质，所述处理器访问并执行所述储存介质的所述多个模块，所述多个模块包括：
神经网络，产生分别对应一或多个样本的一或多个分数向量；
分类器，根据所述一或多个分数向量以及第一判定阈值判定出所述一或多个样本的第一子集合，其中所述第一子集合关联于第一类别；以及
运算模块，根据所述第一子集合从所述一或多个样本挑选出待复验样本。
2.如权利要求1所述的分类装置，其中
所述分类器更根据所述一或多个分数向量以及第二判定阈值判定出所述一或多个样本的第二子集合，其中所述第二子集合关联于第二类别；以及
所述运算模块更根据所述第一子集合及所述第二子集合从所述一或多个样本挑选出所述待复验样本。
3.如权利要求2所述的分类装置，其中
所述第一判定阈值经配置以使所述第一子集合中的样本满足第一要求；以及
所述第二判定阈值经配置以使所述第二子集合中的样本满足第二要求。
4.如权利要求2所述的分类装置，其中所述待复验样本为所述第一子集合及所述第二子集合的联集在所述一或多个样本内的补集。
5.如权利要求1所述的分类装置，其中所述第一判定阈值关联于下列的至少其中之一：准确率及查准率。
6.如权利要求1所述的分类装置，其中所述分类器经配置以执行：
根据所述一或多个分数向量以及第三判定阈值判定出所述一或多个样本的第三子集合，其中所述第三子集合关联于所述第一类别；以及
根据所述一或多个分数向量以及所述第一判定阈值从所述第三子集合中判定出所述第一子集合。
7.如权利要求6所述的分类装置，其中所述第三判定阈值经配置以使所述第三子集合中的样本满足第三要求。
8.如权利要求6所述的分类装置，其中所述待复验样本为所述第一子集合在所述第三子集合内的补集。
9.如权利要求6所述的分类装置，其中所述第三判定阈值关联于下列的至少其中之一：召回率及漏检率。
10.如权利要求1所述的分类装置，其中
所述分类器更根据所述一或多个分数向量以及第三判定阈值判定出所述一或多个样本的第三子集合，其中所述第三子集合关联于所述第一类别；以及
所述运算模块更根据所述第一子集合及所述第三子集合从所述一或多个样本中挑选出所述待复验样本。
11.如权利要求10所述的分类装置，其中所述第三判定阈值经配置以使所述第三子集合中的样本满足第三要求。
12.如权利要求10所述的分类装置，其中所述待复验样本为所述第一子集合在所述第三子集合中的补集。
13.如权利要求10...
【专利技术属性】
技术研发人员：赖璟皓，黄茂裕，
申请(专利权)人：财团法人工业技术研究院，
类型：发明
国别省市：中国台湾;71
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。