[發明專利]影像特征自動辨識裝置、系統及方法

在審

• 申請號: 201710970382.4
• 申請日: 2017-10-16
• 公開（公告）號: CN109685756A
• 公開（公告）日: 2019-04-26
• 發明（設計）人: 黃哲瑄;黃璽軒;張書修
• 申請（專利權）人: 樂達創意科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06F16/53;G06F16/58
• 代理公司: 北京律和信知識產權代理事務所(普通合伙) 11446
• 代理人: 武玉琴;王月春

本發明涉及一種影像特征自動辨識裝置、系統及方法。所述影像特征自動辨識方法包括下列步驟：對分別具有不同的影像特征的多個樣品圖像進行圖像處理程序，并分別將圖像處理程序所產生的圖像處理結果與標準圖像進行疊合以產生擴增的多個樣品圖像；將擴增前、后的多個樣品圖像提供給深度學習系統，以建立影像特征自動辨識算法，其包括有針對影像特征的辨識標準；擷取待檢測物的待測圖像，以影像特征自動辨識算法對待測圖像進行分析，并根據辨識標準判斷待測圖像是否具有影像特征。有效地運用影像特征自動辨識技術改善制程減少瑕疵，節省大量的時間與成本。

技術領域

本發明涉及一種影像特征自動辨識裝置、系統及方法，特別是涉及一種將用于深度學習系統的樣品圖像先進行擴增的影像特征自動辨識裝置、系統及方法。

背景技術

隨著機器學習(Machine Learning)技術的日趨成熟，無論在影像識別、語音識別或自然語言處理等各方面，都有了更加多樣化的應用。

其中，影像辨識技術與機器學習技術的結合尤其出色，除了在基本的手寫文字辨識、對象識別以及人臉辨識等應用之外，深度學習(Deep Learning)和影像辨識整合的技術，也時常結合自動光學檢測(Automated Optical Inspection，簡稱AOI)系統，而被應用在產品生產過程中的產品質量管控。

機器學習算法是一類從數據中自動分析獲得規律，并利用規律對未知數據進行預測的算法。很顯然，為了確保深度學習所產生出來的算法能夠正確地判別未知數據，必須在深度學習的訓練過程(Training)中提供大量的樣品數據，尤其是，大量有標記(Label)的樣品數據，以便深度學習的模型(model)能夠充分且正確地學習到判別的關鍵。

然而，大量樣品的搜集并非易事，尤其當深度學習系統被應用在產品生產過程的質量管控上，通常要學習辨識的標記即為產品的瑕疵特征，假如要求產品的生產者先產出極大量的瑕疵產品，且人工挑選出大量的瑕疵樣品并進行標記后，才能夠有效應用深度學習系統協助產生能夠自動辨識瑕疵特征的算法，進而通過自動辨識瑕疵特征的算法，回過頭來協助生產者進行質量管控以及改善制程，這顯然并不是一個非常理想的方案。

發明內容

本發明所要解決的技術問題在于，針對現有技術的不足提供一種影像特征自動辨識裝置、系統及方法，能通過大量擴增樣品圖像的數量，有效提升深度學習系統下的訓練過程所能接觸到的數據多樣性，進而能增進深度學習系統應用于影像特征自動辨識的效率與正確性。

為了解決上述的技術問題，本發明所采用的其中一技術方案是，提供一種影像特征自動辨識裝置，其包括一儲存單元、一處理單元以及一影像擷取單元，其中，所述儲存單元儲存有一數據庫，所述數據庫儲存有一第一影像特征類別群組以及至少一標準圖像，所述第一影像特征類別群組儲存有多個第一樣品圖像，每一個所述第一樣品圖像分別具有不同的第一影像特征；所述處理單元與所述儲存單元信號連接；所述影像擷取單元與所述處理單元信號連接，以用于擷取一待檢測物的一待測圖像，所述處理單元讀取所述數據庫中的多個所述第一樣品圖像，多個所述第一樣品圖像進行圖像處理程序以分別產生多個圖像處理結果，且多個所述圖像處理結果分別與多個所述標準圖像進行疊合，以分別產生擴增的多個第一樣品圖像，所述處理單元根據擴增前以及擴增后的多個所述第一樣品圖像執行一深度學習系統的訓練程序，以建立一影像特征自動辨識算法，所述影像特征自動辨識算法包括有針對所述第一影像特征的一第一辨識標準，所述處理單元自所述影像擷取單元取得所述待測圖像，所述處理單元執行所述影像特征自動辨識算法對所述待測圖像進行分析，且所述處理單元根據所述第一辨識標準判斷所述待測圖像是否具有所述第一影像特征。