用于制造异常检测的设备和方法技术

提供了一种用于异常检测的方法和设备

【技术实现步骤摘要】
【国外来华专利技术】用于制造异常检测的设备和方法


[0001]本公开涉及一种用于制造异常检测的设备和方法
。

技术介绍

[0002]用于异常检查或检测的设备可检查制造工业中的制造制品的图像
(
下文中，称为“制造图像”)
是否包括异常，例如，用于质量控制或异常校正
。
用于异常检查
/
检测的典型设备可采用典型的图像处理，例如，根据图像处理算法
。
[0003]可选地，如果使用深度学习技术
(
诸如通过卷积神经网络
(CNN))
执行异常检查
/
检测，则会需要或期望大量的训练数据和标签以用于训练
CNN
，但是适当数据和标签的示例可用性会受限
。
[0004](
现有技术文献
)
[0005](
专利文献
1)
第
2020
‑
139905
号日本专利公开
(2019.04.03)
[0006](
专本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.
一种设备，包括：图像生成器，被配置为使用预定良好制品的多条图像数据来学习第一异常检测模型，并且将所学习的所述第一异常检测模型应用于第一图像数据以生成第二图像数据；第一逻辑运算器，被配置为对所述第一图像数据和所述第二图像数据执行第一逻辑运算，并且输出与所述第一图像数据和所述第二图像数据之间的图像差异相对应的第三图像数据；特征提取器，被配置为使用所述预定良好制品的所述多条图像数据学习第二异常检测模型，并且将所学习的所述第二异常检测模型应用于所述第一图像数据和所述第二图像数据，以生成具有所述第一图像数据和所述第二图像数据之间的特征信息的图像掩模数据；以及第二逻辑运算器，被配置为对所述第三图像数据和所述图像掩模数据执行第二逻辑运算，以生成具有异常指示信息的第四图像数据
。2.
根据权利要求1所述的设备，其中，所述第一异常检测模型的学习包括基于所述预定良好制品执行压缩
‑
恢复学习
。3.
根据权利要求1所述的设备，其中，所学习的所述第一异常检测模型被配置为：当所述第一图像数据对应于有缺陷制品的数据时，对所述有缺陷制品的数据执行压缩
‑
恢复，以生成与多个预定良好制品之一相对应的所述第二图像数据
。4.
根据权利要求1所述的设备，其中，针对所述第一逻辑运算，所述第一逻辑运算器包括减法逻辑运算单元，所述减法逻辑运算单元被配置为将所述第一图像数据和所述第二图像数据相减
。5.
根据权利要求1所述的设备，其中，所述第一逻辑运算器还被配置为执行学习结构相似性
(SSIM)
自编码器算法的处理
。6.
根据权利要求1所述的设备，其中，所述特征提取器被配置为：提取所述第一图像数据和所述第二图像数据之间的特征向量信息，并且基于所述特征向量信息生成具有所述特征信息的所述图像掩模数据
。7.
根据权利要求1所述的设备，其中，所述第二异常检测模型的学习包括学习反向嵌入算法，所述反向嵌入算法针对多个相应的区块单元中的每个将输入到所述第一异常检测模型的图像信息与所述预定良好制品的由所述第一异常检测模型输出的图像信息进行比较，并且针对所述多个相应的区块单元中的每个，基于所述比较的结果对无缺陷制品和有缺陷制品进行分类
。8.
根据权利要求7所述的设备，其中，所述特征提取器被配置为：针对所述第一图像数据的相应区块单元，使用所学习的所述第二异常检测模型来从所述第一图像数据中提取特征向量信息，并且基于所提取的所述特征向量信息，针对所述相应区块单元中的每个，生成具有在无缺陷制品信息和有缺陷制品信息之间选择的一个的所述图像掩模数据
。9.
根据权利要求1所述的设备，其中，所述第二逻辑运算器包括乘法逻辑运算单元，所述乘法逻辑运算单元被配置为将所述第三图像数据与所述图像掩模数据相乘
。10.
一种设备，包括：处理器，被配置为：使用学习的第一异常检测模型重构输入图像数据的无缺陷制品图像数据，其中，所述
学习的第一异常检测模型包括结构相似性
(SSIM)
自编码器；使用基于反向嵌入算法的学习的第二异常检测模型来生成具有所述输入图像数据和所述重构的无缺陷制品图像数据之间的特征信息的图像掩模数据；以及基于所述...

【专利技术属性】
技术研发人员：金大焕，赵汉相，
申请(专利权)人：三星电机株式会社，
类型：发明
国别省市：