[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

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，所述基于人工神經網絡的物件表面型態的篩選方法包括：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預測模型的判定缺陷率，其中此些物件影像對應一部分物件的表面型態；以及根據各預測模型的判定缺陷率串接此些預測模型為一人工神經網絡系統，以篩選其余物件。本發明的基于人工神經網絡的物件表面型態的篩選方法，其基于各神經網絡的判定缺陷率串接不同訓練條件的多個神經網絡，以提供精準且快速地分類大量待測物件的人工神經網絡系統，同時兼顧較佳的過放率。

【技術領域】

本發明是關于一種人工神經網絡訓練系統，尤其是一種基于人工神經網絡的物件表面型態的篩選方法。

【背景技術】

各種安全性保護措施是通過許多小型結構物件所組成，例如安全帶。若是這些小型結構物件強度不足則可以令安全性保護措施的保護作用產生疑慮。

這些結構物件在制造過程中可能因為各種原因，例如碰撞、制程誤差、模具缺陷等，而導致其表面產生微小的缺陷，例如槽孔、裂縫、凸塊及紋理等。這些微小的缺陷并不容易被查覺。現有的缺陷檢測方法其中之一是人工以肉眼觀察或以雙手觸摸待檢測的結構物件，以判定結構物件是否具有缺陷，例如凹坑、劃痕、色差、缺損等。然而，以人工方式檢測結構物件是否具有缺陷的效率較差，且極容易發生誤判的情形，如此將造成結構物件的良率無法控管。

【發明內容】

在一實施例中，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。于此，基于人工神經網絡的物件表面型態的篩選方法包括：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預測模型的判定缺陷率，其中此些物件影像對應一部分物件的表面型態；以及根據各預測模型的判定缺陷率串接此些預測模型為一人工神經網絡系統，以篩選其余物件。

綜上所述，根據本案的基于人工神經網絡的物件表面型態的篩選方法的實施例，其基于各神經網絡的判定缺陷率串接不同訓練條件的多個神經網絡，以提供精準且快速地分類大量待測物件的人工神經網絡系統，同時兼顧較佳的過放(Miss)率。

【附圖說明】

圖1為根據本發明一實施例的基于人工神經網絡的物件表面型態的篩選方法的流程圖。

圖2為圖1中步驟S02的一實施例的示意圖。

圖3為根據本發明一實施例的人工神經網絡系統的示意圖。

圖4為根據本發明另一實施例的人工神經網絡系統的示意圖。

圖5為圖1中的步驟S03的一實施例的示意圖。

圖6為根據本發明第一實施例的子神經網絡系統的訓練方法的流程圖。

圖7為根據本發明第一實施例的子神經網絡系統的預測方法的流程圖。

圖8影像區域的一示范例的示意圖。

圖9為根據本發明第二實施例的子神經網絡系統的訓練方法的流程圖。

圖10為根據本發明第二實施例的子神經網絡系統的預測方法的流程圖。

圖11為根據本發明第三實施例的子神經網絡系統的訓練方法的流程圖。

圖12為根據本發明第三實施例的子神經網絡系統的預測方法的流程圖。

圖13為根據本發明第四實施例的子神經網絡系統的訓練方法的流程圖。

圖14為根據本發明第四實施例的子神經網絡系統的預測方法的流程圖。

圖15為物件影像的一示范例的示意圖。

圖16為根據本發明第一實施例的針對物件表面型態的影像掃描系統的示意圖。