瑕疵检测方法、瑕疵分类方法及其系统技术方案

一种瑕疵检测方法、瑕疵分类方法及其系统，系统通过一或多个摄影机取得多个合格品的影像，以一计算装置接收合格品的影像后，执行一机器学习法，学习合格品的影像特征，建立用以描述合格品影像特征的一合格品模型，当取得一待测物的影像后，可应用此合格品模型取得待测物的瑕疵数据，根据系统设定的检测参数，对照待测物的影像中的瑕疵数据，可判断待测物是否为一瑕疵品。接着，各项瑕疵数据经确认为瑕疵，执行一深度学习法，以分类瑕疵。以分类瑕疵。以分类瑕疵。

【技术实现步骤摘要】
瑕疵检测方法、瑕疵分类方法及其系统


[0001]本申请公开一种瑕疵检测方法，特别是一种从合格品学习出的影像特征进行瑕疵检测与瑕疵分类的方法与系统。

技术介绍

[0002]随着计算机与学习算法技术的发展，在工业制造产业中，除了通过人手或人眼判断物品瑕疵外，利用计算机学习影像并识别物品瑕疵的技术因应而生，利用软件方法能更有效率地执行瑕疵判断。然而，以目前技术来看，以影像识别技术来检测产品的瑕疵，除了需要收集大量的影像外，还有无法收集到完整的瑕疵图像而导致机器学习效果不彰的问题。
[0003]另外，在机器学习的技术中，利用深度学习算法可以从大量取得的样品影像中学习得出瑕疵判断的模型。然而，要得出能有效判断瑕疵的模型，需要收集各种种类的瑕疵影像，例如，学习过程中须标记每个瑕疵位置，再执行软件学习，操作繁杂且费时，仍需要投入大量的学习与时间成本。进一步地，使用深度学习算法，也有硬件成本高的问题，若学习结果不如预期，还需要重新学习。

技术实现思路

[0004]本申请公开一种瑕疵检测方法、瑕疵分类方法及其系统，不同于一般针对瑕疵品学习瑕疵影像特征以判断瑕疵品的方式。根据一实施例：所提出的瑕疵检测系统包括一或多个影像捕获设备，用以取得多个合格品或待测物的影像；设有一计算装置，至少包括处理电路与接口电路，可通过接口电路接收一或多个影像捕获设备拍摄多个合格品或待测物所得出的影像，通过处理电路对这些一或多张影像执行一瑕疵检测方法。
[0005]在瑕疵检测方法中，对所取得的多个合格品的多张影像执行一机器学习法，以学习多个合格品中的影像特征，建立用以描述合格品影像特征的一合格品模型。应用此合格品模型套用在待测物影像上，以取得待测物影像中的瑕疵数据，之后根据检测参数，对照待测物影像中的瑕疵数据判断待测物是否为一瑕疵品。
[0006]进一步地，待测物的瑕疵数据根据待测物的属性可以包括一或多个瑕疵的位置、面积、颜色、亮度以及形状的其中的一个或任意组合。
[0007]如此，待测物的各项瑕疵数据对照检测参数中对于各项瑕疵数据设定的阈值，可以判断待测物是否为一瑕疵品，所判断的瑕疵类型至少包括脏污、缺漏、破损、颜色变化以面积变化。
[0008]在一实施例中，当系统取得合格品影像后，可切割为多个区块影像，再以机器学习法学习各区块影像中的合格品影像特征，形成描述合格品影像特征的合格品模型，成为各区块正常分布标准表示，各区块正常分布标准包括各像素的强度、面积与颜色的分布。
[0009]根据本申请所提出的瑕疵分类方法实施例，同样先取得多个合格品的多张影像，经执行机器学习法学习多个合格品中的影像特征，建立用以描述合格品影像特征的合格品
模型，之后拍摄多个待测物以取得多个待测物的多张影像，可应用合格品模型从这些待测物取得具有瑕疵数据的多张图文件，根据事先定义的瑕疵类别，经执行一深度学习法，可分类影像中的瑕疵，以产生瑕疵类别，建立各分类瑕疵项目。
[0010]进一步地，于拍摄待测物影像的步骤中，可以连续拍摄取得待测物多张影像，并能动态定位被测物的位置，精准定位多张影像中的同一个检测区块，以标示其中多个瑕疵位置与特征信息。并且，于定位检测区块时，还能选择固定或任意形状框选检测范围。
[0011]进一步地，当取得一或多个瑕疵位置后，可以裁切影像的方式得出多个瑕疵位置区块，使得在后续进行一深度学习法时，可以大幅提升深度学习效率。
[0012]之后，取得再一待测物的一或多张影像，应用合格品模型取得待测物的瑕疵数据后，可根据瑕疵类别来分类待测物的瑕疵。
附图说明
[0013]图1显示利用摄影机拍摄样品的系统示意图。
[0014]图2显示在瑕疵检测方法中学习合格品影像特征建立模型的实施例流程图。
[0015]图3显示瑕疵检测方法的实施例之一流程图。
[0016]图4显示瑕疵检测方法中建立瑕疵判断标准的实施例流程图。
[0017]图5显示瑕疵检测方法中某区块正常分布标准的示意图。
[0018]图6显示瑕疵检测方法中每张影像中多个区块正常分布标准的示意图。
[0019]图7显示瑕疵检测方法的实施例之二流程图。
[0020]图8显示瑕疵分类方法的实施例流程图；以及
[0021]图9A至9E显示几种瑕疵分类的范例示意图。
具体实施方式
[0022]以下是通过特定的具体实施例来说明本申请的实施方式，本领域技术人员可由本申请所公开的内容了解本申请的优点与效果。本申请可通过其他不同的具体实施例加以施行或应用，本申请中的各项细节也可基于不同观点与应用，在不悖离本申请的构思下进行各种修改与变更。另外，本申请的附图仅为简单示意说明，并非依实际尺寸的描绘，事先声明。以下的实施方式将进一步详细说明本申请的相关
技术实现思路
，但所公开的内容并非用以限制本申请的保护范围。
[0023]应当可以理解的是，虽然本文中可能会使用到“第一”、“第二”、“第三”等术语来描述各种组件或者信号，但这些组件或者信号不应受这些术语的限制。这些术语主要是用以区分一组件与另一组件，或者一信号与另一信号。另外，本文中所使用的术语“或”，应视实际情况可能包括相关联的列出项目中的任一个或者多个的组合。
[0024]本申请公开一种瑕疵检测方法、瑕疵分类方法以及系统，有别于一般通过学习瑕疵品影像特征建立检测瑕疵的模型的方式，本申请所提出的瑕疵检测方法系以合格品(non-defective unit)影像为基础，学习合格品的影像特征，作为瑕疵检验的依据。
[0025]相对于需要取得具有各种瑕疵样式的瑕疵品而言，取得合格品样品相对容易多了，根据瑕疵检测流程的技术概念，第一阶段关于质量检测，需要采样多个合格品，但合格品样品收集相对容易，之后利用机器学习法(machine-learning method)学习合格品的影
像特征，目的是找出定义合格品的影像特征与各种特征之间的关联性，这方面比学习瑕疵影像特征需要的硬件算力相对较低，且效率更好。通过机器学习法筛选出瑕疵影像，之后还可经过人工或机器判断其准确度，经过参数调整与多次训练后，可以精进所得出的模型。之后，根据事先定义的瑕疵类别，再进行第二阶段以深度学习法(deep-learning method)建立瑕疵分类，用于指出各种瑕疵的类别。其优点之一为，在第一阶段筛选出可疑瑕疵后，可大幅缩小需分类的瑕疵图像的范围，让深度学习分类可更快速运算。
[0026]实现瑕疵检测方法的系统实施例可参考图1所示利用摄影机拍摄样品的系统示意图。
[0027]瑕疵检测系统主要组件包括有一或多个以各种形式的光学设备实现的影像捕获设备，实现自动光学检测的目标。如图中显示有摄影机111,112,113，用以取得合格品或待测物的影像。如示意图显示在一光源14下拍摄样品12，当系统要建立合格品模型时，即以多个合格品替换作为样品12，以摄影机111,112,113从不同角度拍摄样品12，取得合格品的影像。瑕疵检测系统设有一计算装置1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种瑕疵检测方法，其特征在于，所述的方法包括：取得多个合格品的多张影像；执行一机器学习法，学习所述多个合格品中的影像特征，建立用以描述合格品影像特征的一合格品模型；拍摄一待测物以取得所述待测物的一或多张影像；应用所述合格品模型取得所述待测物的一或多张影像中的瑕疵数据；以及根据检测参数，对照所述待测物的一或多张影像中的瑕疵数据，判断所述待测物是否为一瑕疵品。2.如权利要求1所述的瑕疵检测方法，其特征在于，得出所述待测物的瑕疵数据根据所述待测物的属性包括一或多个瑕疵的位置、面积、颜色、亮度以及形状的其中的一个或任意组合。3.如权利要求2所述的瑕疵检测方法，其特征在于，当取得所述一或多个瑕疵的位置后，以裁切影像的方式得出多个瑕疵位置区块，于后续进行一深度学习法时，能大幅提升深度学习效率。4.如权利要求3所述的瑕疵检测方法，其特征在于所述的待测物的各项瑕疵数据对照检测参数中对于各项瑕疵数据设定的阈值，以判断所述待测物是否为一瑕疵品，其中根据各项瑕疵数据设定的阈值判断的瑕疵类型至少包括脏污、缺漏、破损、颜色变化以面积变化。5.如权利要求4所述的瑕疵检测方法，其特征在于，根据各项瑕疵数据设定的阈值，根据事先定义的瑕疵类别，执行所述深度学习法，以分类瑕疵。6.如权利要求1所述的瑕疵检测方法，其特征在于，于拍摄所述待测物影像的步骤中，以连续拍摄取得所述待测物多张影像后，动态定位所述待测物的位置，并精准定位所述多张影像中的同一个检测区块，以标示其中多个瑕疵位置与特征信息。7.如权利要求6所述的瑕疵检测方法，其特征在于，于定位检测区块时，能选择固定或任意形状框选检测范围。8.如权利要求1至7中任一项所述的瑕疵检测方法，其特征在于，于取得所述合格品影像后，切割为多个区块影像，再以所述机器学习法学习各区块影像中合格品影像特征，形成描述合格品影像特征的所述合格品模型以各区块正常分布标准表示。9.如权利要求8所述的瑕疵检测方法，其特征在于，所述的各区块正常分布标准包括各像素的强度、面积与颜色的特征分布。10.一种瑕疵分类方法，其特征在于，所述的方法包括：取得多个合格品的多张影像；执行一机器学习法，学习所述多个合格品中的影像特征，建立用以描述合格品影像特征的一合格品模型；拍摄多个待测物以取得所述多个待测物的多张影像；应用所述合格品模型从所述多个待测物取得具有瑕疵数据的多张图文件；以及根据事先定义的瑕疵类别，将所述多张图文件中的瑕疵影像执行一深度学习法，以分类瑕疵，产生所述多张图文件中的瑕疵类别，建立各分类瑕疵项目；取得再一待测物的一或多张影像；以及
应用所述合格品模型取得所述待测物的一或多张影像中的瑕疵数据，并根据所述瑕疵类别以分类所述待测物的瑕疵。11.如权利要求10所述的瑕疵分类方法，其特征在于，得出所述待测物的瑕疵数据根据所述待测物的属性包括一或...

【专利技术属性】
技术研发人员：林晏全，
申请(专利权)人：宜谷京科技实业有限公司，
类型：发明
国别省市：