用于产品检验的自动学习方法及系统与流程

1.本说明书公开的实施例涉及一种用于产品检验的自动学习方法及系统，更详细而言，涉及一种自动学习方法及系统，其可快速有效地学习以执行在生产线上使用人工智能的产品检验。
2.本研究是根据科技信息通信部和信息通信规划与评估研究所的全球软件专业企业发展项目的研究成果进行的(iitp
‑
2019
‑0‑
01423
‑
002)。


背景技术：

3.随着计算技术的发展，机器学习的应用增加。尤其是近年来，在机器学习中，以人工神经网络为代表的深度学习技术发展迅速，并且在多种产业现场的应用案例不断增多。即使在制造领域，人工神经网络也创新地改变制造现场。
4.虽然现有的基于规则(rule)的测试方式无法检测生产线上发生的非典型不良，但人工神经网络可以向人类一样提取非典型不良。过去，人类在产品的生产线上直接对非典型不良进行不良判断，但现在，通过使用应用人工神经网络的机器视觉来判断产品的不良与否并应用的示例越来越多。
5.另外，为了识别是否不良，需要人工神经网络的学习过程。即通常，获取在生产过程中可能发生的不良产品的图像，并使用获取的不良产品的图像以监督学习方式学习人工神经网络。
6.然而，由于生产过程中产品的不良率通常非常低，因此存在难以获取用于学习人工神经网络的不良产品的图像，并且学习人工神经网络需要很长时间的问题。
7.与此相关，作为现有技术文献的韩国专利公开第10
‑
2000
‑
0087346号涉及互联网人工智能学习及管理方法。描述了如下内容，通过互联网对教师和学习者进行注册，教师可以创建并使用想使用的出题和试题，学习者通过从问题数据库中提题进行学习，并且精确地评估其学习结果，但是无法迅速执行人工智能的学习。
8.因此，需要为了解决如上所述的问题点的技术。
9.另一方面，前述的背景技术是发明人为推导本发明而拥有的，或者是推导本发明的过程中学到的技术信息，不能说一定是在申请本发明前向公众公开的公知技术。


技术实现要素：

10.要解决的技术问题
11.本说明书公开的实施例的目的在于，提出一种用于产品检验的自动学习方法及系统。
12.本说明书公开的实施例的目的在于，提出一种用于产品检验的自动学习方法及系统。
13.本说明书公开的实施例的目的在于，提出一种通过组合无监督学习方法和监督学习方法来执行产品检验的自动学习方法及系统。
14.本说明书公开的实施例的目的在于，提出一种用于产品检验的自动学习方法及系统，通过基于正常产品的图像优先执行无监督学习来识别正常产品的同时，累积除了正常产品以外的未分类产品的图像。
15.本说明书公开的实施例的目的在于，提出一种用于产品检验的自动学习方法及系统，通过对未分类产品的拍摄图像执行监督学习来精确地检验不良与否。
16.本说明书公开的实施例的目的在于，提出一种用于产品检验的自动学习方法及系统，基于未分类产品的拍摄图像生成用于识别不良产品的学习图像并学习。
17.用于解决问题的手段
18.作为用于解决上述技术问题的技术手段，根据一实施例，在用于产品检验的自动学习系统中，可包括：训练系统，生成学习数据，所述学习数据被用于学习检验产品的缺陷的人工神经网络；以及检验系统，基于生成的学习数据而学习所述人工神经网络，并且使用学习的人工神经网络来检验所述产品是否有缺陷。
19.根据另一实施例，在自动学习系统进行用于产品检验的自动学习的方法中，可包括如下步骤：生成学习数据，所述学习数据被用于学习检验产品的缺陷的人工神经网络；基于生成的学习数据而学习所述人工神经网络；以及使用学习的人工神经网络检验所述产品是否有缺陷。
20.根据又一实施例，在记录有执行自动学习方法的程序的计算机可读记录介质中，所述自动学习方法可包括如下步骤：生成学习数据，所述学习数据被用于学习检验产品的缺陷的人工神经网络；基于生成的学习数据而学习所述人工神经网络；以及使用学习的人工神经网络检验所述产品是否有缺陷。
21.根据另一实施例，在通过自动学习系统执行且存储在介质以执行自动学习方法的计算机程序中，所述自动学习方法可包括如下步骤：生成学习数据，所述学习数据被用于学习检验产品的缺陷的人工神经网络；基于生成的学习数据而学习所述人工神经网络；以及使用学习的人工神经网络检验所述产品是否有缺陷。
22.发明效果
23.根据上述问题解决手段中的任意一个，能够提出一种用于产品检验的自动学习方法及系统。
24.根据上述问题解决手段中的任意一个，能够提出一种通过组合无监督学习方法和监督学习方法来执行产品检验的自动学习方法及系统。
25.根据上述问题解决手段中的任意一个，能够提出一种自动学习方法及系统，其通过基于正常产品的图像执行无监督学习来缩短学习时间，从而能够快速应用于生产线。
26.根据上述问题解决手段中的任意一个，能够提出一种自动学习方法及系统，执行使用机器视觉的产品检验的同时，累积判断为非正常产品的未分类产品的拍摄图像并生成学习数据。
27.根据上述问题解决手段中的任意一个，能够提出一种自动学习方法及系统，通过使用通过无监督学习累积的未分类产品的拍摄图像来执行人工神经网络的监督学习，从而精确地检验不良与否。
28.根据上述问题解决手段中的任意一个，能够提出一种自动学习方法及系统，通过应用使用正常产品的拍摄图像的人工神经网络的无监督学习，从而能够在对不良产品的学
习数据不足的初期生产线适用使用机器视觉的产品检验。
29.根据上述问题解决手段中的任意一个，能够提出一种自动学习方法及系统，基于产品的图像生成学习图像并以监督学习方法学习，从而精确地检验各种形式的产品不良。
30.本发明的实施例所能够获得的效果不限于以上所提及的效果，本领域技术人员可从以下记载中清楚地理解未提及的其他效果。
附图说明
31.图1是示出一实施例的自动学习系统的结构图。
32.图2是示出一实施例的自动学习系统的框图。
33.图3是用于说明一实施例的自动学习方法的流程图。
34.图4至图5是用于说明一实施例的自动学习方法的示例图。
具体实施方式
35.下面，参照附图详细描述各种实施例。下面描述的实施例还可以以各种不同的形式修改并实施。为了更清楚地描述实施例的特征，以下实施例所属的本领域普通技术人员公知的事项的详细描述将被省略。而且，在附图中，省略了与实施例的描述无关的部分，并且在整个说明书中对于相似的部分赋予相似的附图标记。
36.在整个说明书中，当描述一个组件与另一个组件“连接”时，它不仅包括“直接连接”的情况，还包括“其中间隔着其他组件而连接”的情况。并且，当描述一个组件“包括”另一个组件时，除非另有说明，否则意味着还可以包括其他组件，而不是排除其他组件。
37.参照以下附图详细描述实施例。
38.但是在进行描述之前，先定义下面使用的术语的含义。
[0039]“人工神经网络”是一种通过工程模拟生物神经系统的先进信息处理机制，详细地相互关联输入和输出并进行复杂的控制的信息处理技术，是多个三种神经元(神经细胞)模型连接成的网络，该三种神经元(神经细胞)模型由将信号发送到开关或各传感器等的输入层、根据该信息对输入和输出进行优先排序并调整相关性的隐藏层、以及由此计算并输出所需控制量的输出层构成。
[0040]
以下进行说明的自动学习系统10可以使用通过结合或连接至例如用于使用机器视觉检验产品的检验装置来获取的拍摄图像，从而学习人工神经网络或检验或测量产品是否有缺陷。
[0041]
这里，机器视觉是指，通过相机(视觉识别)、cpu、sw来实现行业自动化，代替现有的用人类的肉眼判断的方式，以检验或测量物体。
[0042]
此外，监督学习方法(supervised learning)是通过使用包括需要作为结果输出的值的学习数据(training data)来执行的机器学习(machine learning)的一种方法。
[0043]
无监督学习方法(unsupervised learning)是一种用于找出数据如何构成的学习方法，与监督学习(supervised learning)或强化学习(reinforcement learning)不同，没有将作为结果应该输出的目标值赋予学习数据。
[0044]“未分类产品”是指根据基于正常产品的拍摄图像无监督学习的人工神经网络分类为不是正常产品的产品，“不良产品”是指未分类产品中实际产品存在缺陷的产品。
[0045]
除了上面定义的术语以外，下面将单独说明需要说明的术语。
[0046]
图1是用于说明一实施例的自动学习系统10的结构图。
[0047]
自动学习系统10可以通过使用拍摄正常产品而获得的拍摄图像来以无监督学习方法学习人工神经网络，并且可以通过机器视觉用相机拍摄生产中的产品并将获取的拍摄图像输入到人工神经网络，从而检验是否为正常产品。而且，自动学习系统10可以分析检验产品的拍摄图像，可以生成新的学习数据来以监督学习方法学习人工神经网络。此后，自动学习系统10可以累积通过产品的检验获取的拍摄图像，并且可以使用基于累积的拍摄图像生成的学习数据来重复学习人工神经网络。
[0048]
这种自动学习系统10可包括：检验系统11，基于作为拍摄产品而获得的图像的学习数据来进行学习，从而检验产品的不良与否；和训练系统12，提供检验产品的不良与否所需的学习数据。
[0049]
此外，构成自动学习系统10的检验系统11和训练系统12分别通过网络(n)连接到远程服务器，或者实现为可与另一终端和服务器连接的计算机。这里，计算机可包括例如，配备有网络浏览器(web browser)的笔记本电脑、台式机(desktop)、膝上型轻便电脑(laptop)等。
[0050]
首先，检验系统11可以根据通过机器视觉相机拍摄的产品的拍摄图像使用人工神经网络检验产品是否为正常。此时，根据实施例，检验系统11可以包括人工神经网络或者可以与物理上间隔开的第三服务器中实现的人工神经网络连接。以下，假设在检验系统11中实现人工神经网络来进行说明。
[0051]
此外，训练系统12可以累积通过检验系统11检验的产品的拍摄图像，可以基于累积的拍摄图像生成用于学习人工神经网络的学习数据，并且将生成的学习数据周期性地提供给人工神经网络，从而能够周期性地进行用于提高人工神经网络性能的学习。
[0052]
图2是示出一实施例的自动学习系统10的结构的框图。参照图2，根据一实施例的自动学习系统10可包括检验系统11和训练系统12。
[0053]
首先，检验系统11可包括产品拍摄部111、检验控制部112、检验通信部113和检验存储器114。
[0054]
检验系统11的产品拍摄部111可包括：输入部，用于通过机器视觉用相机拍摄生产中的产品；以及输出部，用于显示操作的执行结果或检验系统11的状态等信息。例如，产品拍摄部111可包括：相机，设置在产品的生产线上并拍摄产品；和显示面板(display panel)，显示画面。
[0055]
具体而言，输入部可包括能够接收各种类型的用户输入的装置，例如，键盘、物理按钮、触摸屏、相机或麦克风等。尤其，机器视觉用相机设置在生产产品的生产线上，并且可以实时拍摄沿生产线移动的产品。
[0056]
另外，输出部可包括显示面板或扬声器等。然而，不限于此，产品拍摄部111可包括支持各种输入和输出的结构。
[0057]
此外，检验系统11的检验控制部112控制检验系统11的整体操作，并且可包括如cpu等处理器。此外，检验控制部112由人工神经网络实现或者使用第三服务器中实现的人工神经网络，从而可以根据通过产品拍摄部111获取的产品的拍摄图像检验产品是正常还是不良，为此，还可以控制包括在检验系统11的其他结构。
[0058]
这种检验控制部112可以通过使用通过产品拍摄部111获取的拍摄图像或从训练系统12获取的学习数据中的拍摄图像来学习人工神经网络。
[0059]
此时，根据实施例，检验控制部112可以使用至少一个人工神经网络来检验产品，各人工神经网络可以根据学习数据的学习方法进行分类。
[0060]
首先，检验控制部112使用正常产品的拍摄图像作为学习数据，可以对执行无监督学习的人工神经网络执行学习。
[0061]
例如，检验控制部112可以将通过机器视觉用相机拍摄的产品的拍摄图像输入到执行无监督学习的人工神经网络，并且根据相似度对输入的拍摄图像进行分类，从而可以将分类的组中拍摄图像的数量多的组的拍摄图像确定为正常产品的拍摄图像。此外，检验控制部112可以基于正常产品的拍摄图像来学习人工神经网络。
[0062]
或者例如，检验控制部112可以从训练系统12获取预先存储的拍摄图像作为学习数据，根据相似度对包括在获取的学习数据的拍摄图像进行分类，从而可以基于确定为正常产品的拍摄图像的拍摄图像来学习人工神经网络。
[0063]
此后，检验控制部112可以使用学习的人工神经网络，基于通过机器视觉相机拍摄生产线上生产的产品而获得的拍摄图像来检验产品是否正常。
[0064]
例如，检验控制部112可以通过使用拍摄产品而获得的拍摄图像来检验产品是否正常，可以将生产线上检验的产品分为正常产品和作为非正常产品的未分类产品。
[0065]
此外，检验控制部112可以将拍摄检验后的产品而获得的拍摄图像提供给后述的训练系统12以进行存储。
[0066]
例如，检验控制部112可以将通过检验判断为正常产品的拍摄图像和判断为未分类产品的拍摄图像分别提供给训练系统12，使得提供的拍摄图像存储在训练系统12并累积。
[0067]
此外，检验控制部112可以学习人工神经网络，其中，基于从训练系统12提供的学习数据执行监督学习。
[0068]
例如，检验控制部112可以从训练系统12获取生成的学习数据，并且可以基于获取的学习数据中的正常产品的拍摄图像和未分类产品的拍摄图像来对人工神经网络执行监督学习。
[0069]
此后，检验控制部112可以通过使用经监督学习的人工神经网络来检验产品是否有缺陷，并且可以识别检验的产品中的不良产品。
[0070]
例如，检验控制部112可以根据学习的结果，基于拍摄生产中的产品而获得的拍摄图像来检验产品是否存在缺陷，当存在缺陷因此确定为不良产品时，可以识别不良产品的缺陷属于什么类型。
[0071]
如此，使用通过无监督学习学习的人工神经网络来优先检验产品的正常与否的同时，累积用于监督学习的学习数据，从而可以缩短生产线上机器视觉的适用时间，并且使用通过产品的检验累积的拍摄图像来对人工神经网络执行监督学习，从而可以提高产品的缺陷检验精确度。
[0072]
此外，检验控制部112可以通过使用经监督学习的人工神经网络来将检验后的产品的拍摄图像重新提供给训练系统12。
[0073]
此后，检验控制部112可以以一定周期从训练系统12获取用于学习人工神经网络
的学习数据，并且每当获取学习数据时学习人工神经网络。
[0074]
例如，检验控制部112可以从训练系统12获取对应于产品中可能会出现的缺陷类型的不良产品的拍摄图像作为学习数据，通过使用获取的学习数据来附加学习人工神经网络。
[0075]
此外，检验控制部112可以通过使用附加学习的人工神经网络来识别是否存在产品中可能出现的新的缺陷或者可以识别缺陷的类型，将拍摄检验后的产品而获得的拍摄图像重新提供给训练系统12，可以重复从训练系统12获取学习数据来学习的过程。
[0076]
例如，检验控制部112可以将检验后的产品的拍摄图像持续地提供给训练系统12，并且可以周期性地从训练系统12获取额外的学习数据，以能够检验无法用现有学习检验的缺陷。
[0077]
由此，检验控制部112通过使用从训练系统12周期性地提供的学习数据来学习人工神经网络，从而可以提高产品的检验精确度。
[0078]
如此，检验控制部112通过周期性地从训练系统12接收累积的学习数据来执行附加学习，从而尽管拍摄图像由于改变要检验的产品或者拍摄产品的环境、生产线上的产品位置变更等外部因素而发生变化，也可以精确地检验产品是否有缺陷。
[0079]
检验通信部113可以通过网络与后述的训练系统12或其他系统执行有线或无线通信。为此，检验通信部113可包括支持各种有线或无线通信方法中的至少一种的通信模块。例如，通信模块可以由芯片组(chipset)的形式实现。
[0080]
检验通信部113支持的无线通信例如可以是无线保真(wi
‑
fi，wireless fidelity)、wi
‑
fi直连、蓝牙(bluetooth)、超宽带(uwb，ultra wide band)或近场通信(nfc，near field communication)等。另外，通信部130支持的有线通信例如可以是usb或高清晰多媒体接口(hdmi，high definition multimedia interface)等。
[0081]
检验存储器114中可以设置并存储有如文件、应用和程序等的各种类型的数据。检验控制部112可以访问并使用存储在检验存储器114的数据，或者可以将新的数据存储在检验存储器114。
[0082]
此外，检验存储器114可以存储有通过检验通信部113获取的学习数据，并且可以存储有检验控制部112通过产品拍摄部111获取的产品的拍摄图像。
[0083]
另一方面，训练系统12可包括训练控制部121、训练通信部122和训练存储器123。
[0084]
首先，训练系统12的训练控制部121控制训练系统12的整体操作，并且可包括cpu等的处理器。训练系统12的训练控制部121获取通过训练通信部122接收的拍摄图像，可以控制包括在训练系统12的其他结构以生成学习数据。
[0085]
例如，训练控制部121可以执行存储在训练存储器123的程序、读取存储在训练存储器123的文件、或者将新文件存储在训练存储器123。
[0086]
这种训练控制部121可以从检验系统11获取关于检验后的产品的拍摄图像，并且可以基于获取的拍摄图像分析产品是否有缺陷。
[0087]
例如，训练控制部121可以从通过使用经无监督学习的人工神经网络来检验是否正常的检验系统11获取正常产品的拍摄图像和未分类产品的拍摄图像，并且可以通过分析获取的拍摄图像来分析产品的缺陷图案。
[0088]
在此之前，根据实施例，训练控制部121可以通过将预先存储的正常产品的拍摄图
像提供给检验系统11，以学习人工神经网络。
[0089]
例如，训练控制部121可以向检验系统11提供正常产品的拍摄图像并使其进行学习，以使检验系统11能够判断生产的产品是否有缺陷。
[0090]
此外，根据实施例，训练控制部121可以从检验系统11获取检验后的产品的拍摄图像，并且可以基于获取的拍摄图像生成学习数据。
[0091]
为此，训练控制部121可以识别从检验系统11获取的拍摄图像中判断为不正常的未分类产品的拍摄图像，并且可以从识别的拍摄图像分析缺陷图案。
[0092]
此外，训练控制部121可以基于分析的缺陷图案生成具有新缺陷的不良图像。
[0093]
例如，训练控制部121基于分析的缺陷图案人为地改变来自检验系统11的正常产品的拍摄图像的像素值，从而可以生成具有新缺陷的不良图像。
[0094]
或者例如，训练控制部121通过识别检验系统11拍摄不良产品而获得的第一拍摄图像和拍摄正常产品而获得的第二拍摄图像之间的像素值的差异发生的部分，并且可以将像素值的差异随机地应用到第二拍摄图像来生成新的不良图像。
[0095]
例如，训练控制部121可以通过应用掩模来生成新的不良图像，该掩模为由在从检验系统11获取的拍摄图像中的正常产品的拍摄图像中预先存储的二进制像素值构成并表示缺陷的图像。
[0096]
此外，训练控制部121可以将包括生成的不良图像的学习数据提供给检验系统11，使得可以基于提供的学习数据学习检验系统11的人工神经网络。
[0097]
例如，训练控制部121可以通过分析从检验系统11获取的拍摄图像来生成新的不良图像，每当满足预设的条件(例如，经过一定时段或者存储的拍摄图像容量达到预设的容量)时可以将包括生成的不良图像的学习数据提供给检验系统11。
[0098]
此时，训练控制部121可以通过检验系统11分析学习数据的精确度，并且根据分析结果生成不同的学习数据。
[0099]
例如，训练控制部121可以将作为学习数据提供到检验系统11的不良图像和从检验系统11获取的不良产品的拍摄图像进行比较分析，并且可以比较实际不良产品的拍摄图像上表示缺陷的部分和不良图像上的缺陷部分并计算相似度，当相似度小于预设的值时，可以改变生成不良图像的掩模图像。
[0100]
由此，可以人为地生成应用可能在实际不良产品中出现的缺陷的不良图像。
[0101]
此外，训练通信部122可以通过网络与上述的检验系统11或其他系统执行有线或无线通信。为此，训练通信部122可包括支持各种有线或无线通信方法中的至少一种的通信模块。例如，通信模块可以由芯片组(chipset)的形式实现。
[0102]
训练存储器123中可以设置并存储有如文件、应用和程序等的各种类型的数据。训练控制部121可以访问并使用作为存储在训练存储器123的数据的拍摄图像，或者可以将新的拍摄图像存储在训练存储器123。
[0103]
图3是用于说明一实施例的自动学习方法的流程图。
[0104]
根据图3所示的实施例的自动学习方法包括图2所示的自动学习系统10中按时间顺序处理的步骤。因此，即使是以下省略的内容，以上关于图2所示的自动学习装置10所述的内容也可以适用于根据图3所示的实施例的自动学习方法。
[0105]
以下，参照图3，对图4至图5进行说明。图4至图5是用于说明一实施例的自动学习
方法的示例图，是示出在自动学习系统10生成学习数据的方法的示例图。
[0106]
首先，自动学习系统10可以生成被用于学习检验产品的缺陷的人工神经网络的学习数据(s3001)。
[0107]
即自动学习系统10可以优先生成由用于人工神经网络的无监督学习的正常产品的拍摄图像构成的学习数据。
[0108]
例如，自动学习系统10可以基于预先存储的正常产品的拍摄图像生成学习数据，或者可以基于在生产线上拍摄的产品的拍摄图像生成学习数据。
[0109]
此外，自动学习系统10可以基于在步骤s3001生成的学习数据，执行人工神经网络的无监督学习(s3002)。
[0110]
根据一实施例，检验系统11可以基于在步骤s3001中通过机器视觉相机拍摄的生产线上的产品的拍摄图像，执行人工神经网络的无监督学习。
[0111]
例如，检验系统11可以将拍摄在生产线生产的产品而获得的拍摄图像输入到人工神经网络，并且可以将分类拍摄图像而形成的组中多个拍摄图像属于的组的拍摄图像确定为正常产品的拍摄图像，以学习人工神经网络。
[0112]
根据另一实施例，检验系统11可以从训练系统12获取包括正常产品的图像的学习数据并学习。
[0113]
例如，检验系统11可以通过将预先存储在训练系统12的正常产品的拍摄图像输入到人工神经网络来执行无监督学习。
[0114]
此外，自动学习系统10可以通过使用经无监督学习的人工神经网络来检验产品的正常与否(s3003)。
[0115]
即检验系统11可以通过检验生产线上的产品是否有缺陷来分成正常产品和未分类产品。
[0116]
例如，检验系统11通过使用在步骤s3002中经无监督学习的人工神经网络来检验生产线上的产品。即检验系统11可以通过拍摄生产线上的产品而获得的拍摄图像与学习的正常产品的拍摄图像之间的比较来检验产品的正常与否，并且可以分为正常产品和未分类产品。
[0117]
此外，自动学习系统10可以基于在步骤s3003中检验的产品的拍摄图像来生成学习数据(s3004)。
[0118]
即检验系统11可以将在步骤s3003中检验的产品的拍摄图像提供给训练系统12。
[0119]
例如，检验系统11可以将通过步骤s3003判断为正常产品和未分类产品的各产品的拍摄图像提供给训练系统12。
[0120]
此外，训练系统12可以基于从检验系统11获取的拍摄图像来分析产品的缺陷图案。
[0121]
例如，训练系统12可以存储从检验系统11获取的拍摄图像，可以通过使用存储的拍摄图像来识别未分类产品的拍摄图像与正常产品的拍摄图像之间的区别，并且可以分析产生在拍摄图像上识别的区别的缺陷图案。
[0122]
此外，训练系统12可以基于分析的缺陷图案生成新的学习数据。
[0123]
根据一实施例，训练系统12可以通过将分析的缺陷图案随机结合在正常产品的拍摄图像来生成作为包括新的缺陷的图像的不良图像。
[0124]
例如，训练系统12可以根据对未分类产品的拍摄图像进行分析的缺陷图案，随机改变正常产品的拍摄图像的像素区域，从而可以生成包括新的缺陷的不良图像。
[0125]
图4是通过使用缺陷区域图案来生成新的不良图像的示例图。参照图4，训练系统12可以通过分析从检验系统11获取的不良产品的第一拍摄图像400与正常产品的第二拍摄图像401来识别缺陷图案402，并且可以通过将识别的缺陷图案402随机结合在第二拍摄图像401来生成包括新的缺陷403的不良图像404。
[0126]
根据另一实施例，训练系统12可以通过随机改变拍摄图像的像素值来生成新的不良图像。
[0127]
例如，训练系统12可以通过将拍摄图像的像素值中的一部分改变为预设的值来生成包括缺陷的不良图像。
[0128]
图5是通过改变拍摄图像的任意像素的值来生成不良图像的示例图。参照图5，训练系统12可以通过随机改变正常产品的拍摄图像500的像素来生成包括缺陷501的不良图像502。
[0129]
之后，自动学习系统10可以通过使用在步骤s3004中生成的学习数据来执行人工神经网络的监督学习(s3005)。
[0130]
例如，每当从检验系统11获取的拍摄图像的容量超过预设的容量时，训练系统12可以将生成的学习数据提供给检验系统11或者在每预设的周期将生成的学习数据提供给检验系统11。
[0131]
此外，检验系统11可以基于从训练系统12获取的学习数据执行人工神经网络的监督学习。
[0132]
例如，检验系统11可以根据从训练系统12获取的学习数据对正常产品的正常图像和不良图像进行分类，可以将正常图像和不良图像分别输入到人工神经网络来执行监督学习。此时，检验系统11可以根据产品的缺陷的类型分类不良图像来进行监督学习。
[0133]
此外，自动学习系统10可以使用通过步骤s3005监督学习的人工神经网络来检验产品是否有缺陷(s3006)。
[0134]
例如，自动学习系统10同时使用经无监督学习的人工神经网络和经监督学习的人工神经网络来检验产品是否有缺陷的同时，可以对存在缺陷的不良产品具体地检验缺陷的类型。
[0135]
之后，自动学习系统10可以周期性地自动重复步骤s3004至步骤s3006，由此，可以检验生产线上的产品时自动地生成学习数据，而不需要管理者输入用于产品的检验的学习数据，并且通过周期性地学习生成的学习数据来提高检测出在生产线上产生缺陷的产品的精确度。
[0136]
在上述实施例中使用的术语“～部”是指软件或现场可编程门阵列(field programmable gate array，fpga)或专用集成电路(asic)等硬件组件，“～部”可执行某种角色。但是“～部”并不限定于软件或硬件。“～部”可以配置成驻留在可寻址的存储介质，还可以配置成运行一个或多个处理器。因此，作为一例，“～部”包括：如软件组件、面向对象的软件组件、类组件及任务组件的组件；进程；函数；属性；程序；子程序；程序专有代码段；驱动程序；固件；微代码；电路；数据；数据库；数据结构；表；数组；以及变量。
[0137]
组件和“～部”中提供的功能可以组合成较少数量的构成要素和“～部”，或者与附
加组件和“～部”分开。
[0138]
不仅如此，组件和“～部”也可以被实现为运行装置或安全多媒体卡中的一个或多个中央处理器。
[0139]
根据通过图3进行说明的实施例的自动学习方法还可以以存储可由计算机执行的指令和数据的计算机可读介质的形式来实现。此时，指令和数据可以以程序代码的形式存储，在被处理器执行时，可以生成预定的程序模块来执行预定的操作。并且，计算机可读介质可以是可由计算机访问的任何可用介质，包括易失性和非易失性介质、可移动和不可移动介质。并且，计算机可读介质可以是计算机记录介质，计算机记录介质可以包括以用于存储诸如计算机可读指令、数据结构、程序模块或其他数据的信息的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。例如，计算机记录介质可以是磁存储介质，如硬盘驱动器(hdd)及固态硬盘(ssd)；光记录介质，如光盘(cd)、数字化视频光盘(dvd)及蓝光光盘；或包括在可通过网络访问的服务器中的存储器。
[0140]
另外，根据通过图3进行说明的实施例的自动学习方法也可以被实现为包括可通过计算机执行的指令的计算机程序(或计算机程序产品)。计算机程序包括由处理器处理的可编程机械指令，并且可以用高级编程语言(high
‑
level programming language)、面向对象的编程语言(object
‑
oriented programming language)、汇编语言或机器语言来实现。此外，计算机程序可以记录在有形的计算机可读记录介质(例如，存储器、硬盘、磁/光介质或固态驱动器(solid
‑
state drive，ssd)等)。
[0141]
因此，根据通过图3进行说明的实施例的自动学习方法可通过由计算装置执行如上所述的计算机程序来实现。计算装置还可包括处理器、存储器、存储装置、连接到存储器和高速扩展端口的高速接口以及连接到低速总线和存储装置的低速接口中的至少一部分。这些组件中的每一个都使用各种总线相互连接，可以安装在共同主板上或以任何其他合适的方式安装。
[0142]
其中，处理器可以在计算装置中处理指令，这些指令可包括存储在存储器或存储装置中以在外部输入或输出装置(例如连接到高速接口的显示器)上显示用于提供图形用户接口(graphic user interface，gui)的图形信息的指令。例如，作为另一实施例，多个处理器和(或)多个总线可以与多个存储器和存储器形态一起适当地使用。并且，处理器可以实现为由包括多个独立模拟和(或)数字处理器的芯片组成的芯片组。
[0143]
并且，存储器在计算装置中存储信息。作为一例，存储器可以配置为易失性存储器单元或其集合。作为另一例，存储器可以配置为非易失性存储器单元或其集合。并且，存储器也可以是另一种形式的计算机可读介质，例如磁盘或光盘。
[0144]
而且，存储装置可以为计算装置提供大容量的存储空间。存储装置可以是计算机可读介质或包含这种介质的组件，例如，也可包括存储区域网络(storage area network，san)中的装置或其他组件，可以是软盘装置、硬盘装置、光盘装置或磁带装置、闪存或其他类似的半导体存储装置或装置阵列。
[0145]
以上实施例是用于例示，上述实施例所属领域的普通技术人员可以理解，在不改变上述实施例具有的技术构思或必要特征的情况下，可以很容易地将其修改为其他具体形式。因此，应当理解，上述实施例在所有方面都是示例性的而不是限制性的。例如，描述为单一型的每个组件可以以分散的形式实现，同样描述为分布式的组件可以以组合的形式实
现。
[0146]
通过本说明书所保护的范围由所附权利要求而不是所述详细说明来表示，并且应理解为，包括权利要求的意义和范围及从其等同概念导出的所有变更或变形的形式。