申请/专利权人：惠州学院

申请日：2023-12-27

公开（公告）日：2024-03-05

公开（公告）号：CN117647531A

主分类号：G01N21/88

分类号：G01N21/88;G06N3/08

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.03.22#实质审查的生效;2024.03.05#公开

摘要：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AOI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，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。

主权项：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。

全文数据：

权利要求：

百度查询： 惠州学院 一种基于深度学习的AOI检测方法与系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD