[发明专利]缺陷检测方法及检测装置

说明书

本发明涉及一种缺陷检测方法和缺陷检测装置，其中该方法包括：第一检测步骤：于AOI系统设置一缺陷模板并检测缺陷模板的缺陷类型，得到第一检测结果，若第一检测结果准确，则输出，否则进行第二检测步骤；第二检测步骤：将缺陷模板传输给AI模型，以检测缺陷模板的缺陷类型，得到第二检测结果，并计算AI模型的检测准确率，若第二检测结果准确且检测准确率符合设定阈值，则输出第二检测结果并对AI模型进行训练，若检测准确率小于设定阈值，进行第三检测步骤；第三检测步骤：将缺陷模板传输给复检系统，以将缺陷模板与预设模板进行匹配检测，得到第三检测结果，并计算复检准确率，若复检准确率符合设定阈值，则输出第三检测结果并对AI模型进行训练。

技术领域

本发明涉及图形检测技术领域，尤其涉及一种用于缺陷检测的检测方法和检测装置。

背景技术

目前对于缺陷检测技术，例如芯片缺陷检测，传统上包括两种检测方式，一种是依靠人工目视检测，由于人的视角有限(比如无法有效观察到小型贴片元件之间的脱焊、极性相反等)，存在检测速度慢、准确度不高、检测效果不好的缺点，因此这种方式使用逐渐越来越少。另外一种方式是通过AOI系统(自动光学检测，是基于光学原理来对焊接生产中遇到的常见缺陷进行检测的设备)进行判断；AOI系统虽然采用光学原理，用光学透镜代替人眼，并在拍摄过程中进行图像放大，能够获得较为清晰的设备图像，但AOI系统缺陷在于，判断检测点是否故障的方法、都是通过人工基于AOI系统中存储的标准数字化图像与实际检测到的图像进行对比判别，也就是说同样需要人为目视对比检测，因此也存在检测速度慢，以及漏检、准确度不高的缺点。

在此基础上，随着人工智能技术的发展，人工智能深度学习方法也有应用在了检测技术中。但当前人工智能在检测、分类、侦测如果要得到准确的判定都需要长期大量样本搜集、训练和反复测试，导致人工智能很难在短期或者快速让用户看到成果和效益，人工智能不能处理定量，定位和逻辑关系。此外，目前的人工智能检测方法大多利用神经网络的学习方法对芯片缺陷进行检测，神经网络通过对隐藏层的训练以实现检测目的，但隐藏层的训练和检测过程类似一个“黑匣子”，其处理、判定过程不可知，造成检测结果不可控。

发明内容

为解决上述问题，本发明提供一种缺陷检测方法和检测装置，利用AOI系统获取产品图片的基础上，用大量的产品缺陷图片作为图片数据库，即时自动建立人工智能模型，不断提升人工智能模型缺陷检测的准确率；同时根据期望达到的检测准确率与人工智能模型的实际检测准确率，视情况引入一种基于AOI检测逻辑的自定义检测方法，使得检测结果更加可控。

具体地，本发明提供一种缺陷检测方法，包括：

第一检测步骤，于AOI系统设置一缺陷模板，所述AOI系统检测所述缺陷模板的缺陷类型，得到第一检测结果，若所述第一检测结果准确，则输出所述第一检测结果，否则进行第二检测步骤；

第二检测步骤，将所述缺陷模板传输给一人工智能模型，所述人工智能模型检测所述缺陷模板的缺陷类型，得到一第二检测结果，并计算所述人工智能模型的检测准确率，若所述第二检测结果准确且所述检测准确率符合一设定阈值，则输出所述第二检测结果并对所述人工智能模型进行训练，若所述检测准确率小于所述设定阈值，进行第三检测步骤；

第三检测步骤，将所述缺陷模板传输给一复检系统，所述复检系统将所述缺陷模板与一预设模板进行匹配检测，得到第三检测结果，并计算复检准确率，若复检准确率符合所述设定阈值，则输出所述第三检测结果并对所述人工智能模型进行训练。

根据所述检测方法，其中，所述人工智能模型的训练步骤包括：

收集产品的缺陷图片，并将所述缺陷图片按照产品类别及缺陷类型进行分类；

分别统计每一产品具有各类型缺陷的缺陷图片的数量，当任一产品具有一类型缺陷的缺陷图片的数量超过一预设值，则使用一预设方法训练所述人工智能模型对每一所述缺陷图片进行检测；