CN115855950B 针对微小瑕疵与错件的影像检测方法及其系统 （环维电子(上海)有限公司）

针对微小瑕疵与错件的影像检测方法及其本发明提供一种针对微小瑕疵与错件的影步骤输入校准影像至影像辨识模型并提取校准2一物件影像辨识步骤，是驱动一运算处理单元输入一物其中，当该辨识结果为其中一该第一影像时，该运算处理其中，当该辨识结果为其中一该第二影像时，该运算处理单元一第一特征提取步骤，是驱动该运算处理单元通过该影像辨一第二特征提取步骤，是驱动该运算处理单元依据该辨识结一特征比对步骤，是驱动该运算处理单元执行一特征比对软件一辨识结果判断步骤，是驱动该运算处理单元依据该相似度其中，当该相似度几率大于等于该阀值时，该运算处理单元其中，当该相似度几率小于该阀值时，该运算处理单元判断该单元依据一深度学习演算法训练所述多个第一影像及所述多个第二影像而建立该影像辨从该第一全连阶层撷取该物件特征值与该校准一运算处理单元，连接该存储单元并经配置以实施一物件影像3其中，当该辨识结果为其中一该第一影像时，该运算处理其中，当该辨识结果为其中一该第二影像时，该运算一第二特征提取步骤，是依据该辨识结果输入一校准影像至一特征比对步骤，是执行该特征比对软件模块，其中该特征比一辨识结果判断步骤，是依据该相似度几率与一阀值判断该辨其中，当该相似度几率大于等于该阀值时，该运算处理单元其中，当该相似度几率小于该阀值时，该运算处理单元判断该单元依据一深度学习演算法训练所述多个第一影像及所述多个第二影像而建立该影像辨从该第一全连阶层撷取该物件特征值与该校准4[0002]现有的自动光学检查(AutomatedOpticalInspection；AOI)机台应用于侦测微运用深度学习(DeepLearning)于侦测微小[0004]因此，本发明的目的在于提供一种针对微小瑕疵与错件的影像检测方法及其系5[0008]图1是绘示依照本发明的第一实施例的针对微小瑕疵与错件的影像检测方法的流[0009]图2是绘示图1的针对微小瑕疵与错件的影像检测方法的辨识结果检验步骤的示[0010]图3是绘示本发明的物件影像输入影像辨识模型而产生对应第一影像或第二影像[0012]图5是绘示依照本发明的第二实施例的针对微小瑕疵与错件的影像检测系统的方6瑕疵与错件的影像检测方法100的流程示意图；图2是绘示图1的针对微小瑕疵与错件的影理单元依据深度学习演算法训练存储于影像数据库140内的多个第一影像141及多个第二影像142而建立，且深度学习演算法可为卷积神经网络(CNN)、VGG网络、轻量级神经网络[0041]详细地说，第一实施例的所述多个第一影像141可分别为第一厂商所出厂的多个系列芯片(Chip)的背纹影像，所述多个第二影像142可分别为第二厂商所出厂的多个系列实施例中，物件影像、各第一影像及各第二影像可为电子元件、集成电路(Integrated[0042]当输出的辨识结果130出现第一影像141时，运算处理单元即可判断辨识结果1307识模型120辨识物件影像110，且可根据辨识结果130是第一影像141还是第二影像142来决特征图进行分类处理与连接，其中运算处理单元从第一全连阶层122撷取物件特征值111。[0044]第二特征提取步骤S022是驱动运算处理单元依据辨识结果130输入校准影像150[0045]特征比对步骤S023是驱动运算处理单元执行特征比对软件模块125。特征比对软细地说，于特征比对步骤S023中，特征比对软件模块125依据欧氏距离(Euclidean例中，特征比对软件模块亦可使用曼哈顿距离(ManhattanDistance)、切比雪夫距离Distance)及汉明距离(HammingDistance)的任一者来判断校准特征值对物件特征值的差[0046]辨识结果判断步骤S024是驱动运算处理单元依据相似度几率160与阀值170判断8处理单元会将预先设定好的阀值170对相似度几率160进行相160b的数值为0.75，相似度几率160c的数值为0.88。由于相似度几率160a大于阀值170(0.96>0.91)，因此运算处理单元判断对应物件影像110a的辨识结果130符合物件影像准影像150(即其中一第二影像142)的背纹显示出T250Dz5P。物件影像110b的背纹显示出件的物件影像110b以及具有微小瑕疵的物件影像110c仍经由辨识结果检验步骤S02利用相似度比对来再次判断辨识结果130是否符合物件影像110b、110c，进而减少错误的元件识[0049]请参阅图1与图5，其中图5是绘示依照本发明的第二实施例的针对微小瑕疵与错单元210并经配置以实施针对微小瑕疵与错件的影像检测方法100，其中运算处理单元220可为数字信号处理器(DigitalSignalProcessor；DSP)、微处理器(MicroProcessing