瑕疵检测方法及系统与流程

1.本技术涉及瑕疵检测领域，尤其涉及一种瑕疵检测方法及系统。


背景技术：

2.在瑕疵检测领域，针对细微瑕疵如果采用较为容易满足的标准进行检测，则容易漏检，所以一般采用较为难满足的标准进行初次检测。但是这种情况下，由于将一些非真正瑕疵(例如灰尘等)也检测了出来，因此挑选出的瑕疵图像中有大量图像不是真正的具有瑕疵。如果需要将这些不具有真正的瑕疵的图像再剔除，得到最终真正的瑕疵图像则需要进行图像特征的识别。但是由于各种瑕疵的种类多样，很难有效剔除，导致瑕疵检测的效率低下。


技术实现要素：

3.有鉴于此，本技术有必要提供一种瑕疵检测方法及系统，以提高瑕疵检测的效率。
4.本技术的第一方面，提供一种瑕疵检测方法，所述方法包括：获取完整影像；对所述完整影像进行自动光学检测，以判断所述完整影像是否具有瑕疵，若有，则将所述完整影像根据所述瑕疵的位置进行剪裁，以得到若干局部影像，若没有，则判断所述完整影像为第一良品影像；判断所述局部影像是否属于第二良品影像，并得到判断结果；及根据所述判断结果，判断所述完整影像属于第一良品影像或非良品影像。
5.可选地，所述根据所述判断结果判断所述完整影像属于第一良品影像或非良品影像的步骤包括：根据所述局部影像是否属于第二良品影像判断所述完整影像属于第一良品影像或非良品影像，若所有所述局部影像均属于第二良品影像，则判断所述完整影像属于第一良品影像，若有一个所述局部影像不属于第二良品影像，则判断所述完整影像属于非良品影像。
6.可选地，所述判断所述局部影像是否属于第二良品影像的步骤包括：将所述局部影像输入至若干子模型中分别判断是否合格，并根据所述局部影像是否合格判断所述局部影像是否属于第二良品影像。
7.可选地，所述将所述局部影像输入至若干子模型中分别判断是否合格，并根据所述局部影像是否合格判断所述局部影像是否属于第二良品影像的步骤包括：将所述局部影像输入至一个子模型中，并判断所述局部影像中的瑕疵是否具有当前所述子模型所对应的特征，若有，则判断所述局部影像在当前子模型中合格且所述局部影像属于第二良品影像；若没有，则判断所述局部影像在当前子模型中不合格，且继续判断所述局部影像是否经过所有的所述子模型检验，若不是，则将所述局部影像输入至下一个子模型中进行检验，若是，则判断所述局部影像不属于第二良品影像。
8.可选地，在所述判断所述局部影像是否属于第二良品影像的步骤之前还包括：对所有所述局部影像进行预处理，以放大所述瑕疵。
9.本技术的第二方面提供一种瑕疵检测系统，所述系统包括：影像获取装置，用以获
取完整影像；
10.自动光学检测装置，用以对所述完整影像进行自动光学检测，以判断所述完整影像是否具有瑕疵；及
11.瑕疵复检设备，用以接收被所述自动光学检测装置判断为具有瑕疵的所述完整影像，并判断所述完整影像为第一良品影像或非良品影像，所述瑕疵复检设备包括：
12.瑕疵拆分模块，用以将所述完整影像根据所述瑕疵的位置进行剪裁，以得到若干局部影像；及
13.深度学习模块，用以判断所述局部影像是否属于第二良品影像，并得到判断结果；
14.瑕疵比对模块，用以根据所述判断结果，判断所述完整影像属于第一良品影像或非良品影像。
15.可选地，所述瑕疵比对模块用以根据所述局部影像是否属于第二良品影像判断所述完整影像属于第一良品影像或非良品影像，若所有所述局部影像均属于第二良品影像，则判断所述完整影像属于第一良品影像，若有一个所述局部影像不属于第二良品影像，则判断所述完整影像属于非良品影像。
16.可选地，所述深度学习模块用以将所述局部影像输入至若干子模型中分别判断是否合格，并根据所述局部影像是否合格判断所述局部影像是否属于第二良品影像。
17.可选地，所述瑕疵比对模块用以将所述局部影像输入至一个子模型中，并判断所述局部影像中的瑕疵是否具有当前所述子模型所对应的特征，若有，则判断所述局部影像在当前子模型中合格且所述局部影像属于第二良品影像；若没有，则判断所述局部影像在当前子模型中不合格，且继续判断所述局部影像是否经过所有的所述子模型检验，若不是，则将所述局部影像输入至下一个子模型中进行检验，若是，则判断所述局部影像不属于第二良品影像。
18.可选地，所述瑕疵复检设备还包括瑕疵放大模块，所述瑕疵放大模块用以对所述局部影像进行预处理，以放大所述瑕疵。
19.本技术相比于现有技术，至少具有如下有益效果：本技术首先对完整影像进行自动光学检测，然后对没有被判断为第一良品影像的所述完整影像进行复检。在复检时将包含有瑕疵的局部影像分别放入独立的子模型中进行判断，每一子模型只对局部影像中的一种特定的非瑕疵特征进行分辨。通过一连串判断逐渐将误判的第一良品影像挑选出来。如此，既减少了瑕疵检测的时间，又提高了检测的准确性，进而整体上提高了瑕疵检测的效率。
附图说明
20.图1为本技术一实施方式中瑕疵检测系统的示意图。
21.图2为本技术一实施方式中瑕疵检测方法的流程图。
22.图3为本技术一实施方式中完整影像的瑕疵部分的示意图。
23.图4为图2中步骤s260的子流程图。
24.图5a-图5c为本技术一实施方式中瑕疵的示意图。
25.主要元件符号说明
26.瑕疵检测系统
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
1000
27.影像获取装置
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
100
28.自动光学检测装置
ꢀꢀꢀꢀꢀ
200
29.瑕疵复检设备
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
300
30.瑕疵拆分模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
310
31.瑕疵放大模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
320
32.瑕疵比对模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
330
33.深度学习模块
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
340
34.如下具体实施方式将结合上述附图进一步说明本技术。
具体实施方式
35.为了能够更清楚地理解本技术的上述目的、特征和优点，下面结合附图和具体实施方式对本技术进行详细描述。需要说明的是，在不冲突的情况下，本技术的实施方式及实施方式中的特征可以相互之间组合。
36.在下面的描述中阐述了很多具体细节以便于充分理解本技术，所描述的实施方式仅仅是本技术一部分实施方式，而不是全部的实施方式。基于本技术中的实施方式，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施方式，都属于本技术保护的范围。
37.除非另有定义，本文所使用的所有的技术和科学术语与属于本技术的技术领域的技术人员通常理解的含义相同。本文中在本技术的说明书中所使用的术语只是为了描述具体的实施方式的目的，不是旨在于限制本技术。
38.图1是本技术一实施例的瑕疵检测系统1000的示意图。
39.请参阅图1，本技术提供一种瑕疵检测系统1000，所述瑕疵检测系统1000包括：影像获取装置100、自动光学检测装置200及瑕疵复检设备300。
40.所述影像获取装置100用以对待检测物品进行扫描，并获取待检测物品的完整影像。示例的，所述影像获取装置100为摄像机，所示完整影像为相应的被扫描区域的影像。可以理解，待检测物品可以为塑胶容器、包装纸、印制电路板及晶圆等，在此不作具体限定。可以理解，所述完整影像可以仅包括物品上需要进行瑕疵检测的部位的影像。所述影像获取装置100在获取所述完整影像后会将其传送至所述自动光学检测装置200。
41.所述自动光学检测装置200用以对接收到的所述完整影像进行自动光学检测，以判断所述完整影像是否具有瑕疵。具体地，若没有瑕疵，可视所述完整影像为第一良品影像；若有瑕疵，所述完整影像可能为非良品影像，或是被误杀的第一良品影像，对此需要进行进一步的复检处理。在本实施方式中，所述自动光学检测装置200为自动光学检测仪。
42.所述瑕疵复检设备300用以当自动光学检测装置200判断完整影像具有瑕疵时，接收具有瑕疵的完整影像，并判断所述完整影像为第一良品影像或非良品影像。示例的，所述瑕疵复检设备300为计算机。所述瑕疵复检设备300包括各类用以对瑕疵进行检测的模块。例如，在本实施例中，所述瑕疵复检设备300包括瑕疵拆分模块310、瑕疵放大模块320、瑕疵比对模块330以及深度学习模块340。
43.所述瑕疵拆分模块310用以根据瑕疵的位置将所述完整影像进行剪裁，以得到局部影像。局部影像中具有瑕疵。
44.所述瑕疵放大模块320用以对所述局部影像进行预处理，以放大局部影像中瑕疵的特征。
45.所述瑕疵比对模块330用以接收所述瑕疵放大模块320预处理后的所述局部影像，并输入到所述深度学习模块340。所述深度学习模块340会进一步判断所述局部影像的瑕疵的特征，即判断所述局部影像是否属于第二良品影像。深度学习模块340还将判断结果返回输出至瑕疵比对模块330。瑕疵比对模块330再根据所述深度学习模块340的输出结果判断所述完整影像为第一良品影像或非良品影像。
46.下面将结合本技术实施例的瑕疵检测方法来具体说明如何通过所述瑕疵拆分模块310、瑕疵放大模块320、瑕疵比对模块330以及深度学习模块340完成所述瑕疵复检设备300的操作。
47.请一并参阅图2，图2是根据本技术一实施例中的瑕疵检测方法的流程图。瑕疵检测方法由图1的瑕疵检测系统1000运行。如图2所示，瑕疵检测方法具体包括以下步骤。
48.步骤s210，获取完整影像。
49.在步骤s210中，可通过所述影像获取装置100获取完整影像。具体地，所述影像获取装置100对待检测的物品进行扫描，并产生所述完整影像(即相应的被扫描区域的影像)。
50.步骤s220，接收所述完整影像并对所述完整影像进行自动光学检测，以判断所述完整影像是否具有瑕疵。
51.可以理解，在步骤s220中，可通过自动光学检测装置200对所述完整影像进行自动光学检测，以判断所述完整影像是否具有瑕疵。具体地，所述影像获取装置100会将所述完整影像通过有线或无线的方式传送至所述自动光学检测装置200。所述自动光学检测装置200再接收所述完整影像，并对所述完整影像进行自动光学检测，以判断所述完整影像是否具有瑕疵。
52.可以理解，在步骤s220中，当判断所述完整影像具有瑕疵时，所述完整影像可能为非良品影像，或是被误杀的第一良品影像，需要执行步骤s230，以进行进一步的复检处理。当判断所述完整影像没有瑕疵时，则判断所述完整影像为第一良品影像，并结束流程。
53.在本实施方式中，所述自动光学检测装置200检测瑕疵的标准(例如将瑕疵影像的尺寸大小作为标准)是可以设置的。为了尽可能的将所有可能的瑕疵先挑选出来，在本实施例中将该瑕疵检测标准设置为较容易满足的标准(例如设置成所述瑕疵影像达到一较小的尺寸即被判定为瑕疵)。
54.例如，请参阅图3，图3是根据本技术一实施例所绘示的完整影像的瑕疵部分的示意图。如图3所示，假设完整影像中有位置a和位置b两处瑕疵，位置a处的瑕疵为油墨污渍，是真正的瑕疵，而位置b处的瑕疵为毛发，是非真正的瑕疵。由于所述瑕疵检测的标准被设置成较容易满足的标准，所述自动光学检测装置200会将位置a处和位置b处的瑕疵都找出来，而由于不知道这两处瑕疵是不是都属于真正的瑕疵，所以要进行进一步的复检处理。
55.可以理解，为了便于描述和区分真正的瑕疵和非真正的瑕疵，下文将具有非真正的瑕疵的影像(例如具有位置b处的瑕疵的影像)定义为具有非瑕疵特征，将具有真正的瑕疵的影像(例如具有位置a处的瑕疵的影像)定义为具有真瑕疵特征。
56.步骤s230，通过所述自动光学检测装置200将所述完整影像发送给所述瑕疵复检设备300。
57.步骤s240，通过所述瑕疵拆分模块310将所述完整影像根据所述瑕疵的位置进行剪裁，以得到若干局部影像。
58.例如，请继续参阅图3，在一实施例中，所述瑕疵拆分模块310将图3中位置a处的瑕疵和位置b处的瑕疵从所述完整影像中进行裁剪出来，以形成包括位置a处瑕疵的第一局部影像及包括位置b处瑕疵的第二局部影像。
59.步骤s250，通过所述瑕疵放大模块320对所述若干局部影像进行预处理，以放大所述瑕疵。
60.在本实施方式中，所述预处理可以是使用影像增强的方法以放大所述瑕疵。例如，首先将待检测的局部影像与一参考影像进行相减，以去除所述局部影像的背景颜色，然后再进行降噪，以让所述瑕疵凸显。
61.可以理解，由于要检测的是细微瑕疵，所以裁切完的所述局部影像的尺寸很小。所以需要对所述局部影像再进行预处理，以凸显所述瑕疵。
62.步骤s260，深度学习模块340判断预处理后的所述局部影像是否属于第二良品影像，并输出判断结果。
63.可以理解，可通过所述瑕疵比对模块330将预处理后的所述若干局部影像输入到深度学习模块340进行判断。
64.在本实施方式中，所述深度学习模块340包括有多个深度学习的子模型。所述子模型均用以判断所述局部影像是否属于第二良品影像。
65.步骤s270，通过所述瑕疵比对模块330根据所述判断结果判断所述完整影像为第一良品影像或非良品影像。
66.在步骤s270中，根据所述深度学习模块340的输出结果，即局部影像是否属于第二良品影像，来判断所述完整影像属于第一良品影像或非良品影像。如果所有所述局部影像均属于第二良品影像，则判断所述完整影像属于第一良品影像。若有一个所述局部影像不属于第二良品影像，则判断所述完整影像属于非良品影像。
67.请一并参阅图4，为步骤s260的子流程示意图。如图4所示，在本实施方式中，所述步骤s260进一步包括以下步骤。
68.步骤s261，将所述局部影像输入至第n个子模型中。其中，所述n为大于1的整数。
69.可以理解，所述子模型的数量根据子模型训练的训练样本决定。若子模型的训练样本中包含有若干种非瑕疵特征，则子模型相应的具有若干个，即子模型的数量与子模型的训练样本中非瑕疵特征的种类数量相等。
70.为更好的理解本技术，下文对若干子模型的训练过程进行了举例阐述。
71.第一步，首先将用以模型训练的影像进行分类，一类是非良品影像(即具有真瑕疵特征的影像)，另一类是被误判的第一良品影像(即具有非瑕疵特征的影像)。然后根据被误判的第一良品影像的非瑕疵特征，再将其细分成数类，每一类具有一个明显的非瑕疵特征。为描述方便，下文将以所有被误判的第一良品影像中包含三种非瑕疵特征(即第一瑕疵、第二瑕疵及第三瑕疵)为例加以说明。
72.第二步，训练可以分辨第一特征的第一模型。方法是使具有第一特征的影像输入到第一模型后，输出合格；使具有第二特征、第三特征及具有真瑕疵特征的影像输入到第一模型后，输出不合格。
73.第三步，训练可以分辨第二特征的第二模型。方法是使具有第二特征的影像输入到第二模型后，输出合格；使具有第三特征及具有真瑕疵特征的影像输入到第二模型后，输出不合格。
74.第四步，训练可以分辨第三特诊的第三模型。方法是使具有第三特征的影像输入到第三模型后，输出合格；使具有真瑕疵特征的影像输入到第三模型后，输出不合格。
75.如此，就会训练出三个模型(即第一模型、第二模型及第三模型)，可以分辨第一特征、第二特征及第三特征，且每个子模型只负责分辨一种特定非瑕疵特征。
76.图5a-图5c是根据本技术一实施例所绘示的瑕疵的示意图。下文将结合一具体的实例以更直观的阐述上述步骤。
77.如图5a-图5c所示的三类影像均为被所述自动光学检测装置200判断为瑕疵的影像。如图5a所示的第一类是因为光照不均所出现的噪声，此处将其定义为特征a。如图5b所示的第二类是毛发灰尘，通常成条状，此处将其定义为特征b。如图5c所示的第三类成点状，是真正的瑕疵。根据大量具有特征a及特征b的局部影像训练两个子模型(即第一模型及第二模型)。
78.可以理解，由于用以单一模型训练的影像仅包含一个非瑕疵特征，所以像素大小可以控制在一较小范围内，如此会大大降低模型的复杂度，便于所述瑕疵检测方法的运用。
79.在步骤s262，判断所述局部影像中的瑕疵是否具有当前第n个子模型所对应的非瑕疵特征。若有，则判断所述局部影像在当前的子模型中合格且所述局部影像属于第二良品影像。若没有，则判断所述局部影像在当前的子模型中不合格，且继续执行步骤s430。
80.在步骤s263，判断所述局部影像是否经过所有的子模型检验。若不是，则令n＝n+1且返回执行步骤s262，若是，则判断所述局部影像不属于第二良品影像。
81.可以理解，还是在具有三个子模型的实施例中对步骤s261-s263加以说明。
82.在步骤s261将局部影像输入到第一模型。在步骤s262如果此局部影像具有第一特征，则判断局部影像在第一模型中合格且局部影像属于第二良品影像。如果此局部影像不具有第一特征，则判断局部影像在第一模型中不合格，继续执行步骤s263。步骤s263判断此局部影像还没有经过所有的子模型检验(即还没有经过第二模型和第三模型的检验)，于是返回步骤s210。
83.在步骤s261将局部影像输入到第二模型，在步骤s262如果此局部影像具有第二特征，则判断局部影像在第二模型中合格且局部影像属于第二良品影像。如果此局部影像不具有第二特征，则判断局部影像在第二模型中不合格，继续执行步骤s263。步骤s263判断此局部影像还没有经过所有的子模型检验(即还没有经过第三模型的检验)，于是返回步骤s261。
84.在步骤s261将局部影像输入到第三模型，在步骤s262如果此局部影像具有第三特征，则判断局部影像在第三模型中合格且局部影像属于第二良品影像。如果此局部影像不具有第三特征，则判断局部影像在第三模型中不合格，继续执行步骤s263。步骤s263判断此局部影像已经经过所有的子模型检验(即经过了第一模型、第二模型及第三模型的检验)，于是判断该局部影像不属于第二良品影像。
85.请继续参阅图3及图5a-图5c，在本示例中，将继续结合图3及图5a-图5c以阐述所述瑕疵检测方法，尤其是步骤s261-s263。
86.在执行步骤s261时，使用第一模型(在上文步骤s261中训练得到)复检第一局部影像及第二局部影像(在上文步骤s240中从所述完整影像中剪裁得到)。可以理解，第一局部影像及第二局部影像分别包含被所述自动光学检测装置200检测为瑕疵的两个位置(即图3中的位置a及位置b处)。第一模型会判断第一局部影像及第二局部影像都不具有特征a(光照不均)，所以均判定第一局部影像及第二局部影像在第一模型中不合格，需要继续执行步骤s263。
87.在执行步骤s263时，由于所述第一局部影像及第二局部影像均没有经过所述第一模型及第二模型(在上文步骤s261中训练得到)的检验，因此继续回到步骤s261。
88.在执行步骤s261时，使用第二模型继续复检第一局部影像及第二局部影像。第二模型会判断出第一局部影像不具有特征b(条状)，所以判定第一局部影像在第二模型中不合格，需要继续执行步骤s263。但第二模型会判断出第二局部影像具有特征b，所以判断出第二局部影像在第二模型中合格且第二局部影像属于第二良品影像，同时此时第二局部影像完成所有执行步骤。
89.在第一局部影像继续执行步骤s263时，由于所述第一局部影像已经经过所述第一模型及第二模型的检验，因此第一局部影像至此完成所有执行步骤。
90.综合上述步骤的判断结果，可知第一局部影像不属于第二良品影像(具有真瑕疵特征)，而第二局部影像属于第二良品影像(具有非瑕疵特征)。
91.请继续参阅图3，由于包含位置a的第一局部影像和包含位置b的第二局部影像中有一个局部影像(即第一局部影像)不属于第二良品影像，因此综合判断所述图3所示的完整影像属于非良品影像。
92.可以理解，由于在步骤s220中所述自动光学检测装置200采用较为严格的标准对所述瑕疵的位置进行检测，所以判定为不良的所述完整影像中其实包含了许多的被误检的所述第一良品影像。在本技术中针对各种被误检的第一良品影像的非瑕疵特征，训练若干子模型，每一子模型只对局部影像中的一种特定的非瑕疵特征进行分辨，如果具有该非瑕疵特征则合格，不具有该非瑕疵特征则不合格。由于每一子模型需要的非瑕疵特征明确，所以只需要少量的参数就可以分辨。通过一连串判断逐渐将误判的第一良品影像挑选出来，而剩下的即为非良品影像。如此，可以在不产生漏检的情况下大幅减少自动光学检测装置200过杀的比例。同时由于分成多个小的子模型，当一个子模型将不具有该子模型的特定的非瑕疵特征误判成具有时，只需要重新训练某一个发生错误的子模型，而不影像其它子模型的运作。
93.本技术首先通过所述自动光学检测装置200以较为严格的标准对所述完整影像的瑕疵进行检测，然后通过瑕疵复检设备300对没有被判断为第一良品影像的所述完整影像进行复检。在复检时将包含有瑕疵的局部影像分别放入独立的子模型中进行判断，每一子模型只对局部影像中的一种特定的非瑕疵特征进行分辨。通过一连串判断逐渐将误判的第一良品影像挑选出来。如此，既减少了瑕疵检测的时间，又提高了检测的准确性，进而整体上提高了瑕疵检测的效率。
94.对于本领域技术人员而言，显然本技术不限于上述示范性实施例的细节，而且在不背离本技术的精神或基本非瑕疵特征的情况下，能够以其它的具体形式实现本技术。因此，无论从哪一点来看，均应将本技术上述的实施例看作是示范性的，而且是非限制性的，
本技术的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本技术内。

技术特征：
1.一种瑕疵检测方法，其特征在于，所述方法包括：获取完整影像；对所述完整影像进行自动光学检测，以判断所述完整影像是否具有瑕疵，若有，则将所述完整影像根据所述瑕疵的位置进行剪裁，以得到若干局部影像，若没有，则判断所述完整影像为第一良品影像；判断所述局部影像是否属于第二良品影像，并得到判断结果；及根据所述判断结果，判断所述完整影像属于第一良品影像或非良品影像。2.如权利要求1所述的瑕疵检测方法，其特征在于，所述根据所述判断结果判断所述完整影像属于第一良品影像或非良品影像的步骤包括：根据所述局部影像是否属于第二良品影像判断所述完整影像属于第一良品影像或非良品影像，若所有所述局部影像均属于第二良品影像，则判断所述完整影像属于第一良品影像，若有一个所述局部影像不属于第二良品影像，则判断所述完整影像属于非良品影像。3.如权利要求2所述的瑕疵检测方法，其特征在于，所述判断所述局部影像是否属于第二良品影像的步骤包括：将所述局部影像输入至若干子模型中分别判断是否合格，并根据所述局部影像是否合格判断所述局部影像是否属于第二良品影像。4.如权利要求3所述的瑕疵检测方法，其特征在于，所述将所述局部影像输入至若干子模型中分别判断是否合格，并根据所述局部影像是否合格判断所述局部影像是否属于第二良品影像的步骤包括：将所述局部影像输入至一个子模型中，并判断所述局部影像中的瑕疵是否具有当前所述子模型所对应的特征，若有，则判断所述局部影像在当前子模型中合格且所述局部影像属于第二良品影像；若没有，则判断所述局部影像在当前子模型中不合格，且继续判断所述局部影像是否经过所有的所述子模型检验，若不是，则将所述局部影像输入至下一个子模型中进行检验，若是，则判断所述局部影像不属于第二良品影像。5.如权利要求1所述的瑕疵检测方法，其特征在于，在所述判断所述局部影像是否属于第二良品影像的步骤之前还包括：对所有所述局部影像进行预处理，以放大所述瑕疵。6.一种瑕疵检测系统，其特征在于，所述系统包括：影像获取装置，用以获取完整影像；自动光学检测装置，用以对所述完整影像进行自动光学检测，以判断所述完整影像是否具有瑕疵；及瑕疵复检设备，用以接收被所述自动光学检测装置判断为具有瑕疵的所述完整影像，并判断所述完整影像为第一良品影像或非良品影像，所述瑕疵复检设备包括：瑕疵拆分模块，用以将所述完整影像根据所述瑕疵的位置进行剪裁，以得到若干局部影像；及深度学习模块，用以判断所述局部影像是否属于第二良品影像，并得到判断结果；瑕疵比对模块，用以根据所述判断结果，判断所述完整影像属于第一良品影像或非良品影像。7.如权利要求6所述的瑕疵检测系统，其特征在于，
所述瑕疵比对模块用以根据所述局部影像是否属于第二良品影像判断所述完整影像属于第一良品影像或非良品影像，若所有所述局部影像均属于第二良品影像，则判断所述完整影像属于第一良品影像，若有一个所述局部影像不属于第二良品影像，则判断所述完整影像属于非良品影像。8.如权利要求7所述的瑕疵检测系统，其特征在于，所述深度学习模块用以将所述局部影像输入至若干子模型中分别判断是否合格，并根据所述局部影像是否合格判断所述局部影像是否属于第二良品影像。9.如权利要求8所述的瑕疵检测系统，其特征在于，所述深度学习模块用以将所述局部影像输入至一个子模型中，并判断所述局部影像中的瑕疵是否具有当前所述子模型所对应的特征，若有，则判断所述局部影像在当前子模型中合格且所述局部影像属于第二良品影像；若没有，则判断所述局部影像在当前子模型中不合格，且继续判断所述局部影像是否经过所有的所述子模型检验，若不是，则将所述局部影像输入至下一个子模型中进行检验，若是，则判断所述局部影像不属于第二良品影像。10.如权利要求6所述的瑕疵检测系统，其特征在于，所述瑕疵复检设备还包括瑕疵放大模块，所述瑕疵放大模块用以对所述局部影像进行预处理，以放大所述瑕疵。

技术总结
本申请的实施例提出一种瑕疵检测方法及系统，所述瑕疵检测方法包括：获取完整影像；对所述完整影像进行自动光学检测，以判断所述完整影像是否具有瑕疵，若有，则将所述完整影像根据所述瑕疵的位置进行剪裁，以得到若干局部影像，若没有，则判断所述完整影像为第一良品影像；判断所述局部影像是否属于第二良品影像，并得到判断结果；及根据所述判断结果，判断所述完整影像属于第一良品影像或非良品影像。本申请通过对没有被判断为第一良品影像的所述完整影像进行剪裁得到局部影像后复检，提高了瑕疵检测的效率。了瑕疵检测的效率。了瑕疵检测的效率。


技术研发人员：王正峯 黄英典 林延宜
受保护的技术使用者：鸿海精密工业股份有限公司
技术研发日：2022.03.23
技术公布日：2023/10/8