【技术实现步骤摘要】
【国外来华专利技术】
概括而言，本公开内容的各方面涉及光学检查，并且更具体地，涉及通过使用基于人工智能(ai)的自动光学检查来检查产品的质量。
技术介绍
1、在诸如机械或电子产品之类的产品的制造中，由于诸如不完美的制造条件、意外的机械故障等各种因素，可能发生诸如凹坑、磨损、划痕等缺陷。这些缺陷增加了制造成本，缩短了制造产品的使用寿命，甚至对用户造成重大伤害。例如，汽车的关键机械或电子组件中的缺陷可能有潜在的安全问题。因此，检测产品的缺陷是关键的工作，以便提高制造产品的质量。
2、自动缺陷检测技术相对于人工检测具有明显的优点，不仅可以减少人工检查员的工作量，而且能够提高检查过程的稳定性和性能，同时适应不适合人的各种工作环境。
3、自动缺陷检测的挑战是在将逃逸率(不良产品流向市场)保持在低水平，且在生产过程中不发出过多的虚警(优良产品被误判为不良产品)以影响生产效率。
技术实现思路
1、本公开内容提出了一种用于对象的自动光学检查的新颖框架。通过利用框架中多个基于机器学习的神经网络模型的互补功能，可以更好地平衡逃逸率和虚警率的要求。特别地，可以显著降低虚警率，同时确保低逃逸率。
2、根据一个实施例，提供了一种用于自动光学检查的方法，包括：接收对象的图像；通过分类模型将所述对象的所述图像分类为多个类别中的一个类别；如果由所述分类模型获得的所述类别是第一类别，则确定所述对象的所述图像的标签为合格；如果由所述分类模型获得的所述类别是第二类别，则通过分割模型对所述图像执行缺陷测量，
3、根据一个实施例，所述方法还可以包括：如果由所述分类模型获得的所述类别是第三类别，则通过异常检测模型对所述图像执行异常检测，并且基于由所述异常检测模型获得的所述异常检测来确定所述图像的标签为合格或不合格。
4、根据一个实施例，提供了一种用于自动光学检查的装置，包括：分类模块，用于将对象的图像分类为多个类别中的一个类别；决策模块，用于如果由所述分类模块获得的所述类别是第一类别，则确定所述对象的所述图像的标签为合格；分割模块，用于如果由所述分类模块获得的所述类别是第二类别，则对所述图像执行缺陷测量，其中，所述决策模块还用于基于由所述分割模块获得的所述缺陷测量来确定所述图像的标签为合格或不合格。
5、根据一个实施例，所述装置还包括：异常检测模块，用于如果由所述分类模块获得的所述类别是第三类别，则对所述图像执行异常检测，其中，所述决策模块还用于基于由所述异常检测模块获得的所述异常检测来确定所述图像的标签为合格或不合格。
6、根据一个实施例，提供了一种用于自动光学检查的装置，包括：光学单元，被配置用于捕获对象的图像；一个或多个处理器；以及存储计算机可执行指令的一个或多个存储设备，所述计算机可执行指令在被执行时使得所述一个或多个处理器执行如上所述的方法的操作以及执行根据本公开内容的各方面的方法的操作。
7、根据一个实施例，提供了一种计算机系统，其包括一个或多个处理器和存储计算机可执行指令的一个或多个存储设备，所述计算机可执行指令在被执行时使得一个或多个处理器执行如上所述的方法的操作以及执行根据本公开内容的各方面的方法的操作。
8、根据一个实施例，提供了存储计算机可执行指令的一个或多个计算机可读存储介质，所述计算机可执行指令在被执行时使得一个或多个处理器执行如上所述的方法的操作以及执行根据本公开内容的各方面的方法的操作。
9、根据一个实施例，提供了一种包括计算机可执行指令的计算机程序产品，所述计算机可执行指令在被执行时使得一个或多个处理器执行如上所述的方法的操作以及执行根据本公开内容的各方面的方法的操作。
10、通过使用基于深度学习的自动光学检查框架，可以降低产品的缺陷检测的逃逸率和虚警率，并且因此可以在满足行业标准时实现缺陷检测的总体准确性。在下文的描述中解释了其它优点和增强。
本文档来自技高网...【技术保护点】
1.一种用于自动光学检查的方法，包括:
2.根据权利要求1所述的方法，还包括：
3.根据权利要求2所述的方法，还包括：
4.根据权利要求1所述的方法，其中，
5.根据权利要求2所述的方法，其中，
6.根据权利要求3所述的方法，其中，
7.根据权利要求1至3任一项所述的方法，其中，所述通过分割模型对所述图像执行缺陷测量，并且基于由所述分割模型获得的所述缺陷测量来确定所述图像的标签为合格或不合格，还包括：
8.根据权利要求7所述的方法，其中，所述一个或多个缺陷中的每个缺陷的所述大小是所述缺陷的所述区域的外接圆的直径、所述缺陷的所述缺陷区域的所述外接圆的面积以及所述缺陷的所述缺陷区域的面积中的一项。
9.根据权利要求2至3中任一项所述的方法，其中，所述通过异常检测模型对所述图像执行异常检测，并且基于由所述异常检测模型获得的所述异常检测来确定所述图像的标签为合格或不合格，还包括：
10.根据权利要求9所述的方法，其中，所述分类模型是包括多个卷积神经网络(CNN)模型的贝叶斯CNN模
11.根据权利要求1至6中任一项所述的方法，其中，所述分类模型是卷积神经网络(CNN)模型或贝叶斯卷积神经网络(CNN)模型。
12.根据权利要求11所述的方法，其中，所述分割模型是全卷积网络(FCN)模型。
13.根据权利要求1至6中任一项所述的方法，其中，所述对象是以下中的一者：在制造期间的精密机械组件、焊接组件、涂覆组件、中间产品和半成品。
14.一种用于自动光学检查的装置，包括：
15.根据权利要求14所述的装置，还包括：
16.根据权利要求15所述的装置，其中，所述决策模块还用于如果由所述分类模块获得的所述类别是第四类别，则确定所述图像的标签为不合格。
17.一种用于自动光学检查的装置，包括：
18.一种计算机系统，包括：
19.一个或多个存储计算机可执行指令的计算机可读存储介质，所述计算机可执行指令在被执行时使得一个或多个处理器执行根据权利要求1-13中任一项所述的方法的操作。
20.一种包括计算机可执行指令的计算机程序产品，所述计算机可执行指令在被执行时使得一个或多个处理器执行根据权利要求1-13中任一项所述的方法的操作。
...【技术特征摘要】
【国外来华专利技术】
1.一种用于自动光学检查的方法，包括:
2.根据权利要求1所述的方法，还包括：
3.根据权利要求2所述的方法，还包括：
4.根据权利要求1所述的方法，其中，
5.根据权利要求2所述的方法，其中，
6.根据权利要求3所述的方法，其中，
7.根据权利要求1至3任一项所述的方法，其中，所述通过分割模型对所述图像执行缺陷测量，并且基于由所述分割模型获得的所述缺陷测量来确定所述图像的标签为合格或不合格，还包括：
8.根据权利要求7所述的方法，其中，所述一个或多个缺陷中的每个缺陷的所述大小是所述缺陷的所述区域的外接圆的直径、所述缺陷的所述缺陷区域的所述外接圆的面积以及所述缺陷的所述缺陷区域的面积中的一项。
9.根据权利要求2至3中任一项所述的方法，其中，所述通过异常检测模型对所述图像执行异常检测，并且基于由所述异常检测模型获得的所述异常检测来确定所述图像的标签为合格或不合格，还包括：
10.根据权利要求9所述的方法，其中，所述分类模型是包括多个卷积神经网络(cnn)模型的贝叶斯cnn模型，其中，所述图像的所述特征图是以下中的一项：由所述多个cnn模型中的一个固定cnn模型获得的特征图、由所述多个cnn模型中的随机选择的一个cnn模型获得的特...
【专利技术属性】
技术研发人员：杨昊，徐婧，鲁佳毅，
申请(专利权)人：罗伯特·博世有限公司，
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。