[发明专利]物件表面型态检测系统及其基于人工神经网络的检测方法

说明书

一种物件表面型态检测系统及其基于人工神经网络的检测方法，所述基于人工神经网络的物件表面检测方法包括：接收若干个影像，其中该若干个影像是基于不同打光方位的光线撷取物件的影像而得，且光入射角小于或等于90度；叠合各物件影像初始影像；以及以若干个初始影像执行深度学习以建立识别物件的表面型态的预测模型。利用本发明的物件表面型态检测系统及其基于人工神经网络的检测方法，能提升识别物件的表面型态的速度，进而提升产品的良率。

【技术领域】

本发明是关于一种物件表面型态检测系统及基于人工神经网络的物件表面型态检测方法，尤其是一种可以学习并且自动检测物件表面的各种槽孔、裂缝、凸块及图案的物件表面型态系统及其神经网络训练系统。

【背景技术】

各种安全性保护措施是通过许多小型结构元件所组成，例如安全带。若是这些小型结构元件强度不足或是有其他缺陷则可以令安全性保护措施产生安全上的疑虑。

这些小型或微型结构元件在制造过程中可能因为各种原因，例如不慎碰撞或模具缺陷，而导致其表面产生微小的槽孔、裂缝、凸块及纹理，这些微小的缺陷并不容易被查觉。现有的缺陷检测方法的其中之一是人工以肉眼观察或以双手触摸待检测的产品，然而，以人工方式检测产品是否具有缺陷的效率较差，且极容易发生误判的情形。

【发明内容】

有鉴于此，本发明的一种物件表面型态检测系统及基于人工神经网络的物件表面型态检测方法，通过以多角度取像(即不同打光方位)配合多维度叠加的前置处理来进行训练，以在不增加演算时间的前提下提升对物件的立体结构特征的辨识度。

在一实施例中，一种基于人工神经网络的物件表面型态检测方法，其包括接收若干个物件的若干个物件影像，其中各物件的若干个物件影像是基于若干个打光方位的光线所撷取的物件的影像，且若干个打光方位互不相同；叠合各物件的若干个物件影像为初始影像；以及以若干个物件的若干个初始影像执行深度学习以建立识别物件的表面型态的预测模型。

在一实施例中，一种物件表面型态检测系统包括驱动组件、若干个光源组件及感光元件。驱动组件承载一物件，物件的表面沿第一方向划分为若干个表面区块，且驱动组件还用于依序位移若干个表面区块的其中之一至检测位置。若干个光源组件面各别依不同的若干个打光方位面向检测位置配置，并分别提供光线以照射检测位置，其中相对于位于检测位置的表面区块的正向法线，各光源组件所提供光线的光入射角小于或等于90度。感光元件面向检测位置配置，在光线以各打光方位照射检测位置时，依序撷上的各表面区块的检测影像。

综上所述，在本发明一实施例的物件表面型态检测系统及基于人工神经网络的物件表面型态检测方法中，其可以通过控制取像光源的各种不同入射角以提供同一物件不同成像效果的物件影像，借以提高物件的各种表面型态在影像检测下的空间立体区别性。在本发明一实施例的物件表面型态检测系统及基于人工神经网络的物件表面型态检测方法中，可整合不同的打光方位下的物件影像，对物件影像进行多维度叠加，以提升物件的表面型态的识别，进而得到物件的表面型态的最佳解析。在本发明一实施例的物件表面型态检测系统及基于人工神经网络的物件表面检测方法中，也可整合多频谱的表面影像，以提升物件的表面型态的识别根在本发明一实施例的物件表面型态检测系统及基于人工神经网络的物件表面型态检测方法中，能通过人工神经网络系统自行判定物件的表面型态，如此检测者并不需要以肉眼观察物件或是以双手触摸物件，因此将大幅地提升表面型态的识别效率，且能降低人为误判的情况。

【附图说明】

图1为本发明一实施例的物件表面型态检测系统的示意图。

图2为本发明一实施例的物件表面型态检测系统的方框图。

图3为图1的物件、光源组件及感光元件之间于光学上的相对位置的一实施例的示意图。

图4为本发明另一实施例的物件表面型态检测系统的示意图。

图5为图4的物件、光源组件及感光元件之间于光学上的相对位置的一实施例的示意图。