知識分享

基於殘差網路之橡膠墊片瑕疵檢測

建立日期:2018/10/22
  • 作者: 北科大機電整合研究所/陳奕帆、李柏桀、何昭慶
  • 出處: 2018 AOI論壇與展覽論文集
  • 內容: 本論文透過深度學習對不同方法產生的橡膠防水墊片數據集做瑕疵檢測與探討,要用數據做自動光學瑕疵檢測需透過各種不同波長光源照射,再加上各種瑕疵要透過不同濾鏡過濾雜訊,不僅步驟繁雜,最重要的是要符合業界要求的檢測速度。本研究的檢測物是手機傳輸線接頭的橡膠防水墊片,由於其本身體積較小,所以其瑕疵更小,故難以檢測。深度學習的優點是準確度達到 90%以上,學習完成後檢測速度為 1 張影像 2.7 秒,可降低檢測的人事成本。深度學習應用在瑕疵檢測的領域是透過電腦學習不同類別且大量的檢測樣本,再從這些影像去分別去抓取可以涵蓋此類別且與其他類別區分的特徵來產生權重,再透過 softmax 的輸出結果判斷並分類。
    本研究沒有大量資料,所以本研究將分別做檢測物的實際旋轉的影像與高動態範圍的影像,經由不同物理量的變化來增加物品影像資料數量。再將影像透過類神經網路(CNN)中的深度殘差網路(deep residual learning, 簡稱 Resnet)做深度學習,使用 Google Brain 團隊所開發的深度學習可視化開源軟體 Tensorflow 做檢測。由於本研究的檢測物樣品數不多所以數據集不大,而我們透過使樣品在不同物理量變化下產生大量的新影像。使用這些大量的新影像做深度學習後的結果,在電腦判斷瑕疵位置正確率達 90%,在類別判斷準確率可達到 98%且沒有過擬合現象
  • 檔案下載:全文下載
  • 下載次數:1222