[发明专利]利用深度学习的图像识别方法及服务器

说明书

根据本发明的一个实施例，提供一种用于检查对象的良否判断的图像识别方法，其包括：在一个以上的通道空间替换配置针对检查对象所获取的N个图像而生成新的图像的步骤；以及将上述新的图像按各通道分离并通过针对所获取的N个图像的学习而提取特征值的步骤。

技术领域

本发明涉及一种利用深度学习(Deep Learning)的图像识别方法及服务器。

背景技术

最近，在各种工艺中，应用有在拍摄检查对象之后基于所拍摄的图像进行良否(良品与否)判断的过程(process)。

过去，针对检查对象通过所拍摄的一张图像找出特征，并将相当于特征的像素值以用户所定义的方案(recipe)来与基准值比较而判断检查对象的良否。

根据这种方法，即使将该所获取的图像与基准值比较，用户也要再一次进行检查，且不可能进行考虑到所获取的各图像的相关性的不良类型分类。

另外，上述基准值也只能适用用户的主观判断，因此，针对检查对象的良否判断的可靠性只能会降低。

因此，实际情况是在检查对象的良否判断中，需要基于所获取的图像之间相关性的自动化的判断技术。

发明内容

(发明所要解决的问题)

本发明旨在解决前面所述的现有技术的问题，其目的在于，提供一种自动化的基于图像识别的良否判断方法。

本发明的另一目的在于，提供一种利用基于多个图像之间相关性的学习方法而提高准确性的良否判断方法。

本发明的又一目的在于，能够生成针对新类型的不良也稳定(robust)的良否判断模型。

本发明的又一目的在于，使检查对象不良检测错误最小化而提高生产率。

本发明的各目的并不限定于以上所提及的目的，通过以下记载将会清楚地理解未被提及的其它各目的。

(解决问题所采用的措施)

根据旨在达到上述的目的的本发明的一实施例，提供一种图像识别方法，其用于检查对象的良否判断，该方法包括：在一个以上的通道空间替换配置针对检查对象获取的N个图像而生成新的图像的步骤；以及将上述新的图像按各通道分离并通过针对所获取的N个图像的学习而提取特征值的步骤。

上述方法在上述生成新的图像的步骤之后，能够进一步包括使上述新的图像变形而生成多个变形图像的步骤。

上述生成变形图像的步骤能够包括生成使上述新的图像以各种角度旋转的图像以及使所旋转的各图像左右对称地变换的多个变形图像的步骤。

上述提取特征值的步骤能够包括将上述多个变形图像分别按各通道分离而执行学习的步骤。

上述通道空间能够由N个构成。

针对上述检查对象所获取的N个图像可以是灰度图像。

上述N可以是3。

上述生成新的图像的步骤能够包括将针对检查对象所获取的具有互不相同的宽度和高度的N个图像堆叠在N通道空间而生成具有特定宽度和高度的新的图像的步骤。

上述提取特征值的步骤能够包括：在一个以上的主神经网络结构内定义从卷积神经网络的步骤；以及针对上述按各通道分离而获取的N个图像适用各自的从卷积神经网络的步骤。

上述提取特征值的步骤能够进一步包括重复执行重新堆叠(stack)或连接(concat)因适用从卷积神经网络而提取的特征值的过程的步骤。

上述提取特征值的步骤能够进一步包括在适用从卷积神经网络时执行反向传播过程的步骤。