一种基于深度学习的AOI检测方法与系统
摘要文本
本发明属于光学检测技术领域，本发明提供了一种基于深度学习的AOI检测方法与系统，包括：获得AO I系统中记录的检测数据，获得不良率参数，以及实际不良率参数，获得AOI系统的检测误判率，构建关于产品缺陷类型的分布折线图，计算AOI系统的整体误判表征值，判定AOI系统的整体误判程度，并对训练集数据进行选取，获得训练好的AOI系统的神经网络模型，若AO I系统的误判程度不满足标准，则重复对AOI系统所具有的神经网络模型进行训练，实现了AOI系统通过不断地深度学习，降低其检测误判程度，提高对产品的检测效率。
申请人信息
- 申请人:惠州学院
- 申请人地址:516000 广东省惠州市仲恺区惠风七路7号广东惠州大学生创业孵化基地
- 发明人: 惠州学院
专利详细信息
| 项目 | 内容 |
|---|---|
| 专利名称 | 一种基于深度学习的AOI检测方法与系统 |
| 专利类型 | 发明申请 |
| 申请号 | CN202311818077.5 |
| 申请日 | 2023/12/27 |
| 公告号 | CN117647531A |
| 公开日 | 2024/3/5 |
| IPC主分类号 | G01N21/88 |
| 权利人 | 惠州学院 |
| 发明人 | 汪成龙 |
| 地址 | 广东省惠州市仲恺区惠风七路7号广东惠州大学生创业孵化基地 |
专利主权项内容
1.一种基于深度学习的AOI检测方法，其特征在于：包括：步骤一：获得AOI系统中记录的产品的检测数据，基于检测数据获得不良率参数，利用人工复检方式获得实际不良率参数，基于不良率参数与实际不良率参数计算AOI系统的检测误判率，基于人工复检后的产品缺陷类型分布情况信息以及AOI系统检测的产品缺陷类型的分布情况信息，在X-Y坐标系内构建关于产品缺陷类型的分布折线图，基于分布折线图获得AOI系统的缺陷类型误判率，根据获得的AOI系统的检测误判率以及AOI系统的缺陷类型误判率，计算获得AOI系统的整体误判表征值，并判定AOI系统的整体误判程度，并基于误判程度对训练集数据进行选取，将训练集数据作为输入数据对AOI系统所具有的神经网络模型进行训练，再次利用训练后的AOI系统再次对产线产品进行检测，并重新分析AOI系统的误判程度，若AOI系统的误判程度不满足标准，则重复对AOI系统所具有的神经网络模型进行训练，直到AOI系统经过深度学习之后，能够达到符合标准的误判程度为止；步骤二：基于步骤一获得AOI系统深度学习的次数，对AOI系统包含的采集图像系统是否具有问题的疑似性进行判定，并对疑似性较高的AOI系统包含的采集图像系统，获取其镜头分辨率、光源亮度参数以及光源角度参数，并计算其拍摄参数，并基于拍摄参数判定AOI系统包含的采集图像系统是否正常；步骤三：基于获得的拍摄参数以及AOI系统的整体误判程度表征值构建关系变化折线图，根据关系变化折线图对拍摄参数与AOI系统的整体误判程度表征值之间的关系进行判定，并基于判定结果对检测产品时，AOI系统的拍摄参数进行选取。 微信公众号马克数据网