[發明專利]基于人工神經網絡的物件表面型態的篩選方法在審
| 申請號： | 201910987145.8 | 申請日： | 2019-10-17 |
| 公開（公告）號： | CN112683923A | 公開（公告）日： | 2021-04-20 |
| 發明（設計）人： | 蔡昆佑 | 申請（專利權）人： | 神訊電腦（昆山）有限公司;神基科技股份有限公司 |
| 主分類號： | G01N21/956 | 分類號： | G01N21/956 |
| 代理公司： | 暫無信息 | 代理人： | 暫無信息 |
| 地址： | 215300 江蘇省蘇*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 人工 神經網絡 物件 表面 篩選 方法 | ||
1.一種基于人工神經網絡的物件表面型態的篩選方法，適用于篩選多個物件，其特征在于，包括：
以多個預測模型進行多個物件影像的表面型態識別以得到各該預測模型的判定缺陷率，其中該多個物件影像對應該多個物件的其中之一部分物件的表面型態；
根據各該預測模型的判定缺陷率串接該多個預測模型為一人工神經網絡系統，以篩選該多個物件中的其余物件。
2.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，還包括：
轉換各該物件影像為矩陣；
其中該多個預測模型的其中之一是以該矩陣執行該表面型態識別。
3.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，還包括：
正歸化該多個物件影像；
轉換正歸化后的該多個物件影像為矩陣；
其中該多個預測模型的其中之一是以各該矩陣執行該表面型態識別。
4.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，還包括：
疊合對應同一該物件的該多個物件影像為一初始影像；
其中該多個預測模型的其中之一是以各該初始影像執行該表面型態識別。
5.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，還包括：
疊合對應同一該物件的該多個物件影像為一初始影像；
轉換各該初始影像為矩陣；
其中該多個預測模型的其中之一是以各該矩陣執行該表面型態識別。
6.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，各該預測模型以卷積神經網絡(CNN)演算法實現。
7.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，各該物件影像是由多個檢測影像拼接而成。
8.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，該多個預測模型具有不同數量的神經網絡層。
9.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，該多個預測模型具有不同神經元配置。
10.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，還包括：饋入對應該其余物件的多個物件影像至該人工神經網絡系統以進行該表面結構識別。
11.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，還包括：優先以各該預測模型的判定缺陷率較高者篩選該其余物件。
12.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，該多個物件影像對應已知缺陷率的該多個物件的表面型態，且各該預測模型的判定缺陷率之一高于該已知缺陷率。
13.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，還包括：以不同訓練條件執行一深度學習以建立該多個預測模型。
14.如權利要求1所述的基于人工神經網絡的物件表面型態的篩選方法，其特征在于，還包括：執行多個深度學習以分別建立該多個預測模型。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于神訊電腦（昆山）有限公司;神基科技股份有限公司，未經神訊電腦（昆山）有限公司;神基科技股份有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201910987145.8/1.html，轉載請聲明來源鉆瓜專利網。
- 上一篇：物件對位方法
- 下一篇：物件表面檢測系統及其基于人工神經網絡的檢測方法
