1.本发明涉及缺陷检查设备，更具体地，涉及用于检查检查对象物体表面是否具有缺陷的装置。
背景技术：
：：2.在工厂生产一对象的过程中，因机械、工序或除此之外的事由，对象可产生缺陷。在工厂，在完成对象的生产而出库之前，通常进行确认相应对象是否具有缺陷的步骤。3.并且，近来，在本领域中，为了缩短工序时间并迅速检查对象物品的缺陷，导入了利用计算机视图判断检查对象物品的好坏的技术。4.但是，现有技术的计算机视图技术仅使用附着有扩散板的状态的照明系统，因此，照明的散射严重，当检查具有光滑的表面、闪烁的表面或具有光泽的表面等的检查对象物体时，具有微细划痕(scratch)、高度差、凹痕(dent)等的表面缺陷识别率降低的缺点。5.在韩国授权专利第10‑1517929号(发明名称：可不间断检查部件的高速机器人视图装置)中公开了如下的装置：利用配置于检查对象物的外侧的多关节机器人拍摄上述检查对象物，从所拍摄的影像图像判断检查对象物的好坏。技术实现要素：6.本公开与如上所述的
背景技术：
：对应来提出，其目的在于，提供更有效地检查检查对象物体表面的缺陷的检查装置。7.用于实现如上所述的目的的本公开一实施例的用于判断在检查对象物体是否存在异常的缺陷检查装置可包括：照明系统，设置有光源及可变扩散器，上述光源通过向上述检查对象物体照射光来造影，上述可变扩散器位于上述光源与检查对象物体之间，能够调节向检查对象物体透射的光的扩散度；以及一个以上的处理器，以上述检查对象物体的特性为基础，控制上述可变扩散器。8.在代替实施例中，用于判断在检查对象物体是否存在异常的缺陷检查装置的上述可变扩散器可根据上述处理器的电信号调节通过上述可变扩散器的光的扩散度。9.在代替实施例中，用于判断在检查对象物体是否存在异常的缺陷检查装置的上述可变扩散器可包括根据上述处理器的电信号调节透明度的液晶膜。10.在代替实施例中，用于判断在检查对象物体是否存在异常的缺陷检查装置的上述可变扩散器可以为根据上述处理器的控制信号调节配置状态的扩散器。11.在代替实施例中，用于判断在检查对象物体是否存在异常的缺陷检查装置的上述可变扩散器可通过上述处理器的控制信号来调节成按照区域向对象物体的表面透射的光的扩散度各不相同。12.在代替实施例中，用于判断在检查对象物体是否存在异常的缺陷检查装置还包括用于获取图像数据的拍摄部，上述处理器从所获取的上述图像数据识别检查对象物体，以所识别的物体为基础，可确定向检查对象物体透射的光的扩散度，由此可控制上述可变扩散器。13.在代替实施例中，用于判断在检查对象物体是否存在异常的缺陷检查装置还包括用于获取图像数据的拍摄部，上述处理器以检查对象物体表面的光的反射率为基础从所获取的上述图像数据确定向上述检查对象物体透射的光的扩散度，由此可控制上述可变扩散器。14.在代替实施例中，用于判断在检查对象物体是否存在异常的缺陷检查装置还包括用于获取图像数据的拍摄部，上述处理器可执行如下动作：从通过上述拍摄部获取的图像数据识别检查对象物体；以及通过上述识别，在检查对象物体表面的至少一区域所需的光的扩散度与剩余其他区域不同的情况下，按照区域控制上述可变扩散器，或者以上述可变扩散器具有至少两个互不相同的透明度的方式进行控制。15.在代替实施例中，用于判断在检查对象物体是否存在异常的缺陷检查装置还包括：拍摄部，用于获取图像数据；以及存储器，存储基于深度学习的模型，对于根据上述可变扩散器的透明度的一个以上的图像数据，上述处理器可利用上述基于深度学习的模型的一个以上的子模型判断上述图像数据所包含的检查对象物体是否存在缺陷。16.在代替实施例中，用于判断在检查对象物体是否存在异常的缺陷检查装置还包括：拍摄部，用于获取图像数据；以及存储器，存储基于深度学习的模型，上述处理器可执行如下动作：在上述可变扩散器的透明度未使所透射的光扩散的情况下，向上述基于深度学习的模型的第一子模型输入所获取的非扩散光图像数据，由此判断上述图像数据所包含的检查对象物体是否存在缺陷；以及在上述可变扩散器的透明度使所透射的光扩散的情况下，向上述基于深度学习的模型的第二子模型输入所获取的扩散光图像数据，由此判断上述图像数据所包含的检查对象物体是否存在缺陷。17.根据本公开的再一实施例，公开存储有用于判断在检查对象物体是否存在异常的计算机程序的计算机可读存储介质。若在缺陷检查装置的一个以上的处理器运行上述计算机程序，则执行用于判断检查对象物体是否存在缺陷的动作。18.根据本公开的另一实施例，公开在缺陷检查装置执行的用于检查检查对象物体表面是否存在缺陷的方法。19.本公开可提供更有效地检查检查对象物体表面的缺陷的检查装置。附图说明20.图1为示出本公开一实施例的缺陷检查装置的块状结构图的图。21.图2为示出用于说明在本公开中定义的边缘场(edgefield)的概念的例示的图。22.图3a及图3b示出本公开一实施例的可变扩散器和照明系统的例示。23.图3c及图3d为将本公开一实施例的根据可变扩散器的动作状态透射检查对象物体表面的光简略的图。24.图4为示出本公开一实施例的适用于缺陷检查装置的照明系统的结构的图。25.图5为例示本公开一实施例的根据可变扩散器的透明度的光的扩散度的图。26.图6为例示本公开一实施例的处理器通过控制可变扩散器的透明度来调节光的扩散度的方法的图。27.图7为例示本公开再一实施例的处理器通过控制可变扩散器的配置来调节光的扩散度的方法的图。28.图8为示出本公开一实施例的按照区域控制用于缺陷检查装置的可变扩散器的例示的图。29.图9为例示本公开一实施例的处理器控制可变扩散器的透明度的情况下变化的透明度的图。30.图10a、图10b为例示根据可变扩散器的透明度的对于检查对象物体表面的暗区域的可见性变化的图。31.图11、图12、图13、图14、图15、图16为例示本公开一实施例的根据检查对象物体的表面特性控制可变扩散器的透明度并由此获取的图像数据的图。32.图17为示出本公开一实施例的适用于缺陷检查装置的照明系统中包括的多个光源的结构的图。33.图18为本公开一实施例的通过缺陷检查装置的照明系统向检查对象物体表面透射的按照区域具有不同照度的照明图案的例示图。34.图19为本公开另一实施例的适用于缺陷检查装置的照明系统结构的例示图。35.图20为示出本公开一实施例的适用于缺陷检查装置的照明系统的截面的图。36.图21为本公开一实施例的缺陷检查装置标记在检查对象物体中存在的缺陷位置的例示图。37.图22为本公开一实施例的计算装置的块状结构图。具体实施方式38.以下，参照附图说明多种实施例，在说明书全文中，相似的附图标记用于示出相似的结构要素。在本说明书中，多种说明用于提供本公开的理解。但是，即使没有这种具体说明，也可执行这种实施例，这是显而易见的。39.在本说明书中使用的术语“组件”、“模块”、“系统”等是指计算机相关实体、硬件、固件、软件、软件及硬件的组合或者软件的运行。例如，组件可以为在处理器上运行的处理过程、处理器、对象、执行线程、程序和/或计算机，但并不局限于此。例如，在计算装置中运行的应用程序及计算装置均可以为组件。一个以上的组件可驻留在处理器和/或执行线程中，一组件可在一计算机中定位，或者可分配在两个以上的计算机之间。并且，这种组件可利用具有在内部存储的多种数据结构的多种计算机可读介质运行。例如，多个组件可根据具有一个以上的数据包的信号(例如，来自在本地系统、分散系统中与其他组件相互作用的一个组件的数据和/或通过信号，与其他系统通过如互联网的网络的数据)通过本地和/或远程处理进行通信。40.同时，术语“或”是指表示包括性的“或”，而不是排他性的“或”。即，在除非另行特定或文脉上不明确的情况下，“x利用a或b”是指自然性包括性取代之一。即，在x利用a或x利用b或x利用a及b的情况下，“x利用a或b”可使用为上述情况中的任何一个。并且，在本说明书中使用的术语“和/或”应理解为指代并包括所列举的相关项目中的一个以上的项目的所有可能的组合。41.并且，术语“包括”和/或“包括……”需理解为相应特征和/或结构要素的存在。但是，术语“包括”和/或“包括……”需理解为不排除一个以上的其他特征、结构要素和/或它们的组合的存在或追加。并且，在本说明书和发明要求保护范围中，在文脉上未另行特定或明确指示单数形态的情况下，通常需将单数解释为“一个或其以上”。42.普通技术人员还需认识到与在此公开的实施例关联来说明的各种例示形逻辑块、结构、模块、电路、单元、逻辑及算法步骤由电子硬件、计算机软件或两者的组合体现。为了明确例示硬件及软件的相互交换性，在上文已大体上根据功能性方面说明了各种例示性组件、块、结构、单元、逻辑、模块、电路及步骤。上述功能性是否利用硬件或软件体现与向整个系统赋予的特定应用程序(application)及设计限制有关。普通技术人员可体现为了各个特定应用程序而以多种方法说明的功能性。但是，不应解释为上述体现的确定超出本公开内容的领域。43.与所公开的实施例有关的说明用于使本公开所属
技术领域：
：的普通技术人员利用或实施本公开。与这种实施例有关的多种变形对于本公开所属
技术领域：
：的普通技术人员而言是显而易见的，在此定义的通用原理可在不超出本公开的范围内适用于其他实施例。因此，本公开并不限定于在此公开的实施例，需与在此公开的原理及新特征一贯的最宽范围内解释。44.在本说明书中，向物体透射的光的扩散度高是指可变扩散器的透明度低的状态。即，在光散射的状态下，意味着到达至物体。相反，向物体透射的光的扩散度低是指可变扩散器的透明度高的状态。即，意味着光几乎未散射或从光源发射的光直接到达至物体。换言之，在本说明书中，缺陷检查装置控制可变扩散器的透明度或配置，通过上述通知调节向物体透射的光的扩散度。45.以下，参照图1说明本公开实施例的缺陷检查装置的结构。46.图1为示出本公开一实施例的用于判断检查对象物体是否存在异常的缺陷检查装置的块状结构图的图。缺陷检查装置100可包括处理器110、存储器120、网络130、拍摄部140以及照明系统200。47.图1所示的缺陷检查装置100的结构仅为简要示出的例示。在本公开的一实施例中，缺陷检查装置100可包括用于检查在检查对象物体表面是否具有缺陷的其他结构，可仅使所公开的结构中的一部分构成缺陷检查装置100。48.处理器110可由一个以上的芯构成，可包括计算装置的中央处理器(cpu，centralprocessingunit)、通用图形处理器(gpgpu，generalpurposegraphicsprocessingunit)、张量处理器(tpu，tensorprocessingunit)等的数据分析、用于深度学习的处理器。处理器110可通过读取存储在存储器120的计算机程序来运行用于本公开一实施例的机器学习的数据处理。根据本公开的一实施例，处理器110可运行用于学习神经网的运算。处理器110可运行用于在深度学习(dl，deeplearning)学习的输入数据的处理、输入数据中的特征提取、误差计算、利用反向传播(backpropagation)的神经网的加权值更新等的用于学习神经网的计算。处理器110的中央处理器、通用图形处理器及张量处理器中的至少一个可处理网络函数的学习。例如，中央处理器和通用图形处理器可一同处理网络函数的学习、利用网络函数的数据分类。并且，在本公开的一实施例中，可一同使用多个计算装置的处理器来处理网络函数的学习、利用网络函数的数据分类。并且，在本公开一实施例的计算装置中运行的计算机程序可以为中央处理器、通用图形处理器或张量处理器可运行的程序。49.根据本公开的一实施例，存储器120可存储处理器110所生成或确定的任意形态的信息及网络130所接收的任意形态的信息。50.根据本公开的一实施例，存储器120可包括闪存类型(flashmemorytype)、硬盘类型(harddisktype)、多媒体卡微型(multimediacardmicrotype)、卡类型的存储器(例如，sd或xd存储器等)、随机存取存储器(randomaccessmemory，ram)、静态随机存取存储器(sram，staticrandomaccessmemory)、只读存储器(read‑onlymemory，rom)、带电可擦可编程只读存储器(eeprom，electricallyerasableprogrammableread‑onlymemory)、可编程只读存储器(prom，programmableread‑onlymemory)、磁性存储器、磁盘、光盘中的至少一个类型的存储介质。计算装置可与在互联网(internet)上执行上述存储器120的存储功能的网页存储(webstorage)关联来动作。与如上所述的存储器有关的记载仅为例示，本公开并不局限于此。51.本公开一实施例的网络130可使用如公用电话交换网(pstn，publicswitchedtelephonenetwork)、数字用户线(xdsl，xdigitalsubscriberline)、速率自适应数字用户线(radsl，rateadaptivedsl)、多速率数字用户线路(mdsl，multiratedsl)、甚高速数字用户线(vdsl，veryhighspeeddsl)、通用非对称数字用户线(uadsl，universalasymmetricdsl)、高速数字用户线路(hdsl，highbitratedsl)及局域网(lan)等的多种有线通信系统。52.并且，在本说明书中公开的网络130可使用如码分多址(cdma，codedivisionmultiaccess)、时分多址(tdma，timedivisionmultiaccess)、频分多址(fdma，frequencydivisionmultiaccess)、正交频分多址(ofdma，orthogonalfrequencydivisionmultiaccess)、单载波频分多址(sc‑fdma，singlecarrier‑fdma)及其他系统的多种无线通信系统。53.在本公开中，可不考虑如有线及无线等的其通信方式来构成网络130，可由个人局域网(pan，personalareanetwork)、广域网(wan，wideareanetwork)等多种通信网构成。并且，上述网络可以为公知的万维网(www，worldwideweb)，还可利用用于如红外线(irda，infrareddataassociation)或蓝牙(bluetooth)的短距离通信的无线传输技术。54.在本说明书中说明的技术不仅用于以上所提及的网络，还可用于其他网络。55.本公开一实施例的缺陷检查装置100可被后述的结构要素体现来检查检查对象物体10的缺陷。检查对象物体10为用于说明缺陷检查装置的结构或动作的附属结构，而不是缺陷检查装置100的结构要素。56.缺陷检查装置100可包括照明系统200以及处理器110。照明系统200可包括：光源，用于将光向检查对象物体造影；以及可变扩散器300，位于上述光源与检查对象物体10之间，可调节向检查对象物体透射的光的扩散度。处理器110能够以检查对象物体10的特性为基础控制上述可变扩散器。57.处理器110以检查对象物体10的特性为基础控制可变扩散器，上述检查对象物体10的特性包括物体表面的特性(例如，纹理、材质、颜色、有无光泽等)及用户所选择的特性。例如，处理器110可从与物体表面相关的图像数据确定检查所需的可变扩散器的透明度。并且，作为另一实施例，处理器110可根据事先确定的控制方式或事先确定的一系列控制顺序对于具有用户所选择的特性的物体控制可变扩散器。具体地，对于销售费用超出特定值的高价产品，为了提高不良检测率，处理器可控制可变扩散器，由此检查通过可变扩散器向物体透射的光的扩散度低的状态和高的状态。在此情况下，被用户选择的特性可以为产品价格。如上所述的特性仅为例示，本公开并不局限于此。58.在本说明书中，边缘场是用于指代在检查对象物体表面形成并照射光源像时，由于光源像而使得向物体表面照射的光的照度变化的部分的术语。边缘场为为了与在光学系统中使用的暗场(darkfield)、光场(lightfield)相应而在本说明书中定义的单词，当在检查对象物体表面形成并照射照明光源像时，从光源的最亮的中心部至事先确定的距离以内的区域。59.以下，参照图2还说明边缘场的概念。60.上述边缘场的预设距离d(附图标记12)包括比在检查对象物体10表面形成并照射光源像的光源区域11更宽的区域。即，上述边缘场可包括光源直接照射而照度比其他区域高的光源区域11和脱离光源直接照射的部分之外的照度相对低的区域13。形成并照射光源像的光源区域11是指根据检查对象物体表面的特性透射光的光源本身的形状直接显示在检查对象物体表面的情况的光源形状。光源的形状根据光源的形态包括如圆形的光源形状、直线形的光源形状、多边形的光源形状等，但本公开并不局限于此，包括所有具有特定形状的光源。61.总之，边缘场指包括从上述光源区域11和光源的中心隔开预设距离d(附图标记12)的区域中存在的照度相对低的区域13的总区域。62.上述边缘场的预设距离可根据检查对象物体的特性、用户的选择来确定是大还是小。例如，在检查对象物体不允许有任何小划痕(scratch)或凹痕(dent)的情况下，处理器110将边缘场的预设距离设置得小并以非常密集的透射光来检查检查对象物体表面。相反，在重要度相对低的检查过程或仅检查规定大小以上的缺陷也充足的情况下，处理器110可将边缘场的预设距离设置的更大。与如上所述的边缘场的范围有关的记载仅为例示，本公开并不局限于此。63.在本说明书中，“包括照度的剧烈变化的区域”以与“包括至少一个边缘场的区域”相同的含义使用。64.以下，参照图3a、图3b、图3c、图3d说明导入边缘场概念的原因。65.通常，在本领域中，为了观察检查对象物体的表面，在向照明系统200的照明板附着扩散板(diffuser)来将向检查对象物体10透射的光的扩散度调节得高的状态300b下，检查物体的缺陷(参照图3b)。即，向整个检查对象物体10表面透射具有规定照度的光(参照图3d)。这是因为，通常，若在检查对象物体10的表面存在直接形成光源像的光源区域11，则各个区域的照度不同而无法均匀地观察表面。66.但是，在从如闪烁(shiny，glossy)材质的表面、金属框架(metalframe)的表面或镜面的以特定角度正反射所入射的光的检查对象物体10的表面中检测出包括划痕、高度差、凹痕等的外观不良的情况下，不存在扩散板或者扩散板的透明度高的边缘场光学系统(参照图3a)的可见性增加。即，若在向检查对象物体10透射的光的扩散度调节得低的状态300a下，向检查对象物体10表面透射照明，使得交叉示出光源区域11和暗区域14，则可容易检测出存在扩散板时不易检测的表面缺陷1(参照图3c)。67.本公开一实施例的缺陷检查装置100以检查对象物体10的特性为基础控制可变扩散器的原因在于，在根据检查对象物体的表面适当地使用如上所述的向检查对象物体透射的光不扩散的边缘场光学系统(参照图3a)及向检查对象物体透射的光扩散的通用光学系统(参照图3b)的情况下，具有表面缺陷检测概率增加的优点。68.在本公开一实施例的缺陷检查装置100的照明系统200中包括的上述可变扩散器300中，通过处理器的电信号控制透明度，由此调节所通过的光的扩散度。缺陷检查装置100的照明系统200中包括的上述可变扩散器300可包括根据电信号调节透明度的液晶膜。根据本公开的另一实施例，缺陷检查装置100的照明系统200所包括的上述可变扩散器300可根据处理器的控制信号调节配置状态来调节向检查对象物体10透射的光的扩散度。69.图4示出本公开一实施例的缺陷检查装置100所包括的照明系统200的照明板及可变扩散器300。70.为了调节向检查对象物体10透射的光的扩散度，可变扩散器300能够以通过处理器110的电信号调节透明度的方式被控制。为了调节向检查对象物体10透射的光的扩散度，可变扩散器300能够以通过处理器110的电信号变更配置的方式被控制。71.在缺陷检查装置100的照明系统200所包括的可变扩散器300中，透明度根据所施加的电压改变，由此，可调节所通过的光的扩散度。72.以下，参照图5及图6进行说明。在向上述可变扩散器300施加电压而将向检查对象物体透射的光的扩散度调节得低的状态300a下，位于可变扩散器的液晶内部的各个液晶分子可平行地排列在光的移动路径。在此情况下，从照明板透射的光当通过可变扩散器300时，维持光的移动方向，由此直接到达至检查对象物体10。即，光在可变扩散器的透明度高的状态下通过，因此，光的扩散度低。相反，在未向上述可变扩散器300施加电压而将向检查对象物体10透射的光的扩散度调节得高的状态300b下，可变扩散器液晶内部的各个液晶分子可沿着任意方向随机排列。在此情况下，从照明板透射而通过这种液晶分子的光的扩散度变高，由此，光在到达检查对象物体10之前扩算。即，光在可变扩散器的透明度低的状态下通过，因此，光的扩散度高。73.根据上述电信号调节光的扩散度的可变扩散器300可由通过电信号调节其透明度的材质形成。例如，可变扩散器可使用液晶(lcd)膜、高分子分散液晶膜(pdlc膜)等。如上所述的可变扩散器的材质仅为例示，本公开并不局限于此。74.本公开一实施例的缺陷检查装置100的照明系统200所包括的可变扩散器300还能够以根据处理器110的电信号调节三维空间中的配置的方式控制。75.以下，参照图7进行说明。图7为示出以“滑动”方式控制可变扩散器300的空间配置的例的图。76.图7的(a)部分为为了将通过处理器的电信号而使可变扩散器300向检查对象物体10透射的光的扩散度维持得低而变更可变扩散器的配置的例示。图7的(b)部分为为了通过处理器的电信号提高可变扩散器300向检查对象物体10透射的光的扩散度而向光源与检查对象物体之间设可变扩散器的例示图。在此情况下，可变扩散器300的透明度可根据检查对象物体10适当地选择不同。77.在上述图7中说明的可变扩散器的空间配置变更方法仅为一例示，为了无限制地调节向检查对象物体透射的光的扩散度，本公开包括变更可变扩散器300的空间配置的方法及检查装置。78.通常，在本领域中，为了验收所制备的物件，使用附着扩散板的检查设备。但是，如上所述，在具有发光表面特性的检查对象物体和具有无光表面特性的检查对象物体的情况下，为了检测表面缺陷，扩散器的需要与否可不同。但是，若用户根据所生产的每个产品的扩散器使用与否直接装拆扩散器，则其需要昂贵的费用和时间。因此，本公开可通过可变扩散器300主动(active)控制光的扩散度，由此具有可节减生产费用和时间的效果。进而，处理器可实时控制可变扩散器的透明度，可通过使用本公开的一各缺陷检查装置来验收各种生产产品，由此具有经济性优点。79.本公开一实施例的缺陷检查装置100的照明系统200所包括的可变扩散器300可将通过处理器110的控制信号向对象物体表面的各个区域透射的光的扩散度调节得不同。80.在为了调节向检查对象物体10透射的光的扩散度而使处理器110利用电信号来控制透明度的可变扩散器300的情况下，可按照区域将可变扩散器300的透明度控制得不同。例如，如图8所示，处理器110可区分为向检查对象物体10透射的光的扩散度调节得低的状态300a的一区域和向检查对象物体10透射的光的扩散度调节得高的状态300b的其他区域来按照区域控制可变扩散器300。上述处理器110按照区域可变扩散器300是指可将可变扩散器300的至少一区域和其他区域的透明度控制得不同。以与上述至少一区域不同的透明度控制的区域的数可以为复数。在按照区域控制可变扩散器300的过程中，上述处理器110能够以使可变扩散器300具有特定图案的方式控制。上述特定图案可以为横线、竖线、对角线、圆形或多边形。为了控制上述特定图案，可变扩散器300还可由多个个别可变扩散器的组合形成。上述按照区域的图案仅为一实施例，本公开并不局限于此，能够以任何图案控制可变扩散器来调节向检查对象物体的所需表面透射的光的扩散度。根据如上所述的可变扩散器300的按照区域的透明度控制，可根据检查对象物体10的表面按照区域一次性构成所需的可变扩散器300的透明状态，由此具有检查速度变快的优点。81.在为了调节向检查对象物体10透射的光的扩散度而处理器110调节可变扩散器的配置状态的情况下，处理器可将上述可变扩散器300仅位于光源与检查对象物体的一部分区域之间。若可变扩散器仅位于光源与上述一部分区域之间，则可向其一部分区域透射扩散度高的光，可向其他区域透射扩散度低的光。82.本公开一实施例的缺陷检查装置100可包括用于获取图像数据的拍摄部。处理器通过从拍摄部获取的图像数据以识别检查对象物体的表面特性来识别的物体为基础确定向检查对象物体透射的光的扩散度，由此，可控制上述可变扩散器300。83.图9示出本公开一实施例的由缺陷检查装置100所包括的液晶膜形成的可变扩散器300。图9的(a)部分例示将向检查对象物体10透射的光的扩散度调节得低的状态300a。图9的(b)部分例示将向检查对象物体10透射的光的扩散度调节得高的状态300b。84.以下，参照图10a及图10b说明以所识别的物体为基础确定向检查对象物体透射的光的扩散度的例示。图10a的(a)部分为处理器110通过控制可变扩散器300来将向检查对象物体10透射的光的扩散度调节得低的情况。相反，图10a的(b)部分为处理器110通过控制可变扩散器300来将向检查对象物体10透射的光的扩散度调节得高的情况。图10a的3a及3b分别指相同检查对象物体表面中的相同线。在图10b例示与沿着上述线测定的检查对象物体表面的暗区域(darkfield)有关的照度分布。即，若沿着作为检查对象物体的一区域的暗区域的相同位置的线段测定照度分布，则可知，在向检查对象物体10透射的光的扩散度调节得低的状态下沿着显示在图像数据中的部分3a测定照度分布的情况(参照图10b的(a)部分)的照度比在向检查对象物体10透射的光的扩散度调节得高的状态下沿着显示在图像数据中的部分3b测定的情况(参照图10b的(b)部分)分布得更均匀。照度的分布均匀是指对区域进行了相应的细分，这将与暗区域相关的图像数据的画质变得好来最终增加外观不良检测效率。85.在本公开的一实施例中，上述处理器110从通过上述拍摄部获取的图像数据识别检查对象物体，以检查对象物体表面的光的反射率为基础确定向上述检查对象物体10透射的光的扩散度，由此，可控制上述可变扩散器。86.上述处理器当做基础的物体表面的光的反射率可包括反射物体表面由光滑的材料或具有光泽的材质形成而反射大部分所入射的光的表面、由没有光泽的材质形成而反射一部分所入射的光并洗沙鸥剩余光的表面、由透明材质形成而将大部分所入射的光通过的表面。87.以下，参照图11至图16说明发明的实施例。88.图11至图16为示出本公开一实施例的通过可变扩散器调节光的扩散度的情况下的根据光的扩散度分别获取的图像数据的图。在图11至图16中，各个附图的左侧图像(附图的(a)部分)为通过可变扩散器300将向检查对象物体10透射的光的扩散度调节得低的环境中拍摄的图像数据的例示，各个附图的右侧图像(附图标记的(b)部分)为通过可变扩散器300将向检查对象物体10透射的光的扩散度调节得高的环境中拍摄的图像数据的例示。如在例示性图像数据中观察，通过调节可变扩散器的光的扩散度，在各个附图中以方框形态示出的缺陷部分的识别可能性可不同。本公开一实施例的缺陷检查装置100可根据检查对象物体的表面特性、检查对象物体的缺陷特性等控制可变扩散器，使得缺陷的识别可能性变高，由此可调节向检查对象物体透射的光的扩散度。89.图11的(a)部分、图12的(a)部分、图13的(a)部分、图14的(a)部分、图15的(a)部分、图16的(a)部分分别为可变扩散器的透明度控制得高的情况，图11的(b)部分、图12的(b)部分、图13的(b)部分、图14的(b)部分、图15的(b)部分、图16的(b)部分分别为可变扩散器的透明度控制得低的情况。90.图11为例示在检查对象物体表面由具有光泽的材质形成的情况下，所透射的光根据扩散度不同的图。图11的(a)部分具有如下的优点，即，若观察所标记的部分3a，则可明显观察到作为表面缺陷的划痕的一部分，在参照图11的(b)部分所标记的部分3b的情况下，具有可确认划痕的整体形状的优点。91.图12为例示在检查对象物体由透明材质形成的情况下，所透射的光根据扩散度不同的图。若观察图12的(a)部分所标记的部分3a，则可知，相比于在图12的(b)部分中拍摄的图像数据的相同位置标记的部分3b，可更明显地确认在透明的检查对象物体表面存在的划痕。92.图13为在制造工序过程中检查对象物体沾上透明材质的胶(glue)的情况下的图像数据。在作为所透射的光的扩散度低的状态的在图13的(a)部分标记的部分3a示出存在于检查对象物体表面的胶。若观察作为所透射的光的扩散度高的状态的图13的(b)部分中标记在相同位置的部分3b，则可知，相比于扩散度低的图13的(a)部分，可更容易地确认表面的缺陷。93.图14为在检查对象物体10的表面存在凹痕印记缺陷的情况下的例示性图像数据。可确认，在所透射的光的扩散度低的状态下拍摄的图像数据(参照图14的(a)部分)中标记的部分3a的缺陷周围的光的变化比在所透射的光的扩散度高的状态下拍摄的图像数据(参照图14的(b)部分)的相同标记部分3b更严重。94.图15例示在检查对象物体10的表面存在曲率不规定的缺陷的状态。在所透射的光的扩散度低的状态下拍摄的图像数据(参照图15的(a)部分)中标记的部分3a比在所透射的光的扩散度高的状态下拍摄的图像数据(参照图15的(b)部分)的相同标记部分3b更明显地获取与缺陷部位相关的图像数据。95.图16例示在检查对象物体10表面存在特异形态的缺陷的情况。在所透射的光的扩散度低的状态下拍摄的图像数据(参照图16的(a)部分)中标记的部分3a比在所透射的光的扩散度高的状态下拍摄的图像数据(参照图16的(b)部分)中的相同标记部分3b获取更高分辨率的与缺陷部分相关的图像数据。96.在上述图11至图16示出的例示仅为一例示，本发明并不局限于此。97.如上所述，根据检查对象物体10的表面状态，为了有效检查而所需的光的扩散度不同。本公开的缺陷检查装置具有如下的优点，即，通过处理器调节可变扩散器的透明度，可考虑检查对象物体表面的光的反射率主动地实时控制其。98.在本公开的一实施例中，在识别检查对象物体10并在检查对象物体表面的至少一区域所需的光的扩散度与剩余其他区域不同的情况下，上述处理器110可按照区域控制上述可变扩散器300。或者，当识别检查对象物体10且检查对象物体表面的至少一区域所需的光的扩散度与剩余其他区域不同时，上述处理器110能够以上述可变扩散器300具有至少两个互不相同的透明度的方式进行控制。在此情况下，为了按照区域控制上述可变扩散器300，可变扩散器可由多个单独控制的可变扩散器的组合形成。例如，在通过处理器110识别的检查对象物体表面的区域为具有光泽材质的手机屏幕和具有无光泽材质的手机边框的情况下，在与屏幕相应的检查对象物体的一区域中，提高可变扩散器的透明度来减少光的扩散度，在与边框相应的检查对象物体的剩余区域中，降低可变扩散器的透明度来提高光的扩散度，由此可快速且准确地检查。如上所述的记载仅为例示，本公开并不局限于此。99.处理器110识别检查对象物体，之后，在可变扩散器的透明度低的状态、高的状态或具有两者之间的任意透明度的状态中确定检查所需的透明度状态，并可控制可变扩散器。上述检查所需的透明度状态可包括一个以上的状态。具体地，处理器110可根据检查所需的透明度状态仅以一个透明度状态检查检查对象物体表面的缺陷。并且，在处理器110中，在根据检查所需的透明度状态确定在透明度低的状态和高的状态下拍摄后需要比较影像的情况下，可对在互不相同的可变扩散器的透明度状态拍摄的图像数据进行比较。并且，处理器执行多次的将可变扩散器300控制成透明度低的状态、高的状态或两者之间的任意透明度状态中的一个的动作，并可比较在各个状态下拍摄的图像数据。100.处理器110可利用包括检查对象物体表面的图像数据判断在检查对象物体是否存在缺陷。处理器110利用基于深度学习的模型处理与检查对象物体有关的图像数据，由此可判断在检查对象物体是否存在缺陷。处理器110向基于深度学习的模型输入图像数据，可利用基于深度学习的模型判断在检查对象物体是否存在缺陷。并且，上述处理器110可包括利用基于深度学习的模型从图像数据对存在于检查对象物体表面的缺陷进行分类的结果。101.在本公开的一实施例中，存在于存储器120的基于深度学习的模型可以为为了对于输入图像数据执行分类(classification)、检测(detection)、分割(segmentation)等而学习的模型。模型的学习能够以与图像数据有关的监督学习(supervisedlearning)或非监督学习(unsupervisedlearning)的方式进行。102.处理器110通过上述基于深度学习的模型输入图像数据，并可输入在所输入的检查对象物体的图像中是否存在缺陷。处理器110还可利用基于深度学习的模型分类是否具有缺陷和缺陷的种类。例如，可分类缺陷的种类是否为划痕或是否为凹痕印记。处理器110输出是否具有缺陷，同时，在判断为具有缺陷的情况下，可通过检测相应缺陷位置来显示在限位框(boundingbox)。处理器110可利用用于提供分割结果而学习的基于深度学习的模型判断是否存在缺陷，同时，在判断为具有缺陷的情况下，区分具有缺陷的区域的像素和除此之外区域的像素并在输出图像数据中标记其缺陷位置。103.如上所述，处理器110向给予深度学习的模型输入检查对象物体的图像数据，并获取与缺陷与否有关的输出，本公开可与影像的复杂程度无关地确保检查对象物体表面缺陷的可见性，由此可增加不良识别率。104.在本公开的一实施例中，对于根据上述可变扩散器的透明度的一个以上的图像数据，处理器110可利用上述基于深度学习的模型的一个以上的子模型判断上述图像数据中所包括的检查对象物体的缺陷。具体地，一个以上的子模型指根据可变扩散器的状态另行学习的基于深度学习的模型。即，向检查对象物体透射的光的扩散度根据可变扩散器的各个透明度不同，因此，可使用以对于各个扩散度最优化的深度学习为基础的子模型。处理器可利用上述子模型输出每个模型的根据可变扩散器的透明度的缺陷与否。处理器利用上述子模型运算是否存在缺陷后，还可在检查对象物体的图像数据同时标记来生成一个输出数据。在具体一实施例中，在上述可变扩散器的透明度未使所透射的光扩散的情况下，处理器向上述基于深度学习的模型的第一子模型输入所获取的非扩散光图像数据来判断上述图像数据所包含的检查对象物体的缺陷，在上述可变扩散器的透明度使所透射的光扩散的情况下，可向上述基于深度学习的模型的第二子模型输入所获取的扩散光图像数据来判断上述图像数据所包含的检查对象物体的缺陷。105.如上所述，边缘场光学系统(参照图3b)对于具有光滑表面的检查对象物体10的表面缺陷具有有用的方面，但在以往的产业现场未使用边缘场光学系统的原因在于，影像的复杂程度高而不易利用以往的影像处理系统导出是否存在缺陷。因此，本发明具有通过结合与边缘场相关的图像数据和基于深度学习的模型来迅速且容易地检查更多种物体表面的缺陷的效果。以下，本公开一实施例的缺陷检查装置100的处理器110在控制照明系统200所包括的上述可变扩散器300的透明度并将所通过的光的扩散度维持得低的状态(参照图5的(a)部分，图6的(a)部分，图7的(a)部分)下，即，在通过照明系统200透射光的检查对象物体10的表面存在包括照度的剧烈变化的区域为前体，说明处理器110的追加控制及根据其的效果。106.处理器110可获取在物体表面上包括通过照明系统200透射的照明图案的图像数据。处理器110可从拍摄检查对象物体的表面的拍摄部140获取图像数据。或者，处理器110可获取存储在如上所述的存储器120的图像数据，还可通过网络130获取从外部存储器接收的图像数据。图像数据可通过透射的照明图案在物体表面的至少一区域包括照度的剧烈变化。以下，参照图17说明本公开一实施例的缺陷检查装置中使用的上述照明系统200。作为本公开的一实施例，照明系统包括多个光源，多个光源能够以事先确定的间隔配置。并且，照明系统的多个光源还能够以事先确定的形状配置。上述光源包括白炽灯、卤素灯、荧光灯、无电极灯、高压钠灯、发光二极管(led)灯等，此外，无限制地包括根据电信号点亮的光源。107.上述事先确定的间隔指照明系统所包括的光源之间的距离。可根据所要在检查对象物体表面形成的边缘场之间的距离确定上述事先确定的间隔。上述事先确定的形状是指照明系统所包括的至少两个光源的配置所示出的形状。可根据所要检查的对象物体的特性确定上述事先确定的间隔及事先确定的形状。作为具体一实施例，多个光源的事先确定的形状可以为在特定光源上下左右存在至少一个其他光源的棋盘排列200a，至少一个光源隔着规定间隔形成圆形或椭圆形且多个上述圆形或椭圆形线形成同心圆关系来散布在同一面上200b。为了体现上述多个光源的事先确定的形状，在配置光源的过程中，可根据所需的边缘场之间的距离去顶上述事先确定的间隔。虽未在附图示出，但作为另一实施例，配置多个光源，使得另一光源仅存在于一光源的对角线上，由此，还可形成格子形结构。并且，作为发明的一实施例，为了使多个光源根据事先确定的间隔和形状向检查对象物体的表面投射边缘场，还可在三维坐标系中分布在形成球形、长方体、圆柱的侧面、圆锥等的面上。如上所述的事先确定的间隔及事先确定的形状为本公开的例示，本公开包括用于在检查对象物体表面形成边缘场的光源的配置。如上所述，在照明系统根据事先确定的形状及事先确定的间隔包括多个光源的情况下，能够以最小的数量形成检查检查对象物体所需的照明图案，因此，具有节减费用的效果。108.本公开一实施例的照明系统200包括多个光源，可通过控制多个光源各自的动作来透射不同的照明图案。具体地，可单独点灭照明系统中的多个光源中的任意一个光源211a、221a、211b、221b。这表示与光源的配置无关地，可控制单独光源，进而，除由此标准化的图案(例如，多边形、圆形、直线、对角线等)之外，可考虑物体表面的特征或物体形状形成非典型图案(例如，曲率半径的大小均不同的曲线图案)或由多个图案组合的图案(例如，向一个物体同时投射四边形照明图案和圆形照明图案)，通过本说明书的内容，这对普通技术人员而言是显而易见的。并且，如上所述的多个光源的单独控制具有如下的效果：即使检查对象物体的形状持续变化，与之无关地，可通过控制照明系统200的光源来在物体表面所要的一区域形成边缘场，由此可检查外观的不良。109.本公开一实施例的照明系统200可由多个光源构成，上述多个光源可由至少两个组构成。例如，能够以直线形态构成光源组210a、220a。或者，当通过虚拟线连接各个光源时，形成圆的多个光源可相互构成组210b、220b。上述光源的组仅为一实施例，本公开并不局限于此。如上所述，在分组控制光源的情况下，可向物体投射所要形状的照明图案，并且，不单独控制各个光源也可以，因此，具有减少用于控制的费用的效果。110.进而，在本公开一实施例的缺陷检查装置中，照明系统包括多个光源，当上述光源发光时，可在检查对象物体表面的一区域将每个单位面积的边缘场的数量生成的与其他区域不同。换言之，光源区域11的密度可按照区域不同。或者，对于按照组的光源或对于各个单独光源，使与多个光源有关的控制不同，能够以包括照度的剧烈变化的照度变化区域(在本公开中，为边缘场)覆盖检查对象物体表面的至少一部分的方式生成照明图案。111.如上所述，调节边缘场的密度或仅检查对象物体表面的一部分生成边缘场的原因在于，根据检查对象物体的表面特性，可需要边缘场或不需要边缘场。例如，在缺陷检查装置100中，在物体表面的一区域由有光泽的材质形成，但其他一区域由无光泽材质形成的情况下，有光泽部分形成边缘场来提高检查效率，另一方面，对于其他无光泽的一区域，利用扩散板等来透射均匀的光，或者，可根据情况，对于无光泽的一区域，还可关闭光源来不透射光。作为另一例，在调节边缘场的密度或仅检查对象物体表面的一部分生成边缘场的情况下，还可需要进对检查对象物体表面的特定部分进行检查。即，对于剩余区域，已完成缺陷检查，在物体表面的特定区域发生缺陷而需再次照射。112.如上所述，照明系统仅向一部分区域透射边缘场或能够以调节每个单位面积的边缘场的数量的方式运用照明系统具有如下的效果，即，在产业现场减少与控制费用及电费相关的总费用(cost)，将资源集中在需要集中的区域，由此可提高检查效率。113.可控制上述照明系统200，由此向检查对象物体表面透射照度按照区域不同的照明图案。以下，本公开一实施例的缺陷检查装置中使用的照明系统200说明形成于检查对象物体10表面的照明图案。114.以下，参照图18进行说明。上述多个光源以事先确定的间隔配置，上述照明图案可通过中隔光源的总开/关(on/off)向检查对象物体10表面透射。在多个光源以相同间隔均匀地罗列的照明系统中，至少一个光源根据线形、多边形、圆形等的线被控制，使得上述照明图案可向检查对象物体10表面透射。115.在图18的例示中，暗区域和亮区域为示出用于构成照明图案的光源的组的例示。照明图案为线形可以为与第一组的光源411与第二组的光源412交叉投射的检查对象物体有关的竖线410或横线。为了在检查对象物体表面生成照明图案，上述第一组的光源411和第二组的光源412可通过处理器相互变更光源的发光状态来被控制。作为照明图案的追加例示，第一组的光源421和第二组的光源422能够以对角线420形态示出反复图案。或者，还可以为多边形430、圆形450等，在光源的组区分为格子形的情况下，可向检查对象物体照射如附图标记440的照明图案。但是，如上所述的例示仅为例示，本公开包括如上所述的例示，由此，可无限制地形成多种图案。116.如上所述的照明图案的宽度或间隔可分别控制多个光源或按照组控制多个光源,由此可在检查对象物体表面体现。并且，上述照明图案的宽度或间隔可通过变更光源与检查对象物体之间的距离来体现。117.在本公开中，可利用边缘场检查具有闪烁(shiny，glossy)材质的表面、金属框架的表面或具有镜面表面的物体的如划痕、高度差、凹痕等的缺陷的原因中的一个如下：如上所述的缺陷表面相对于入射角以与正常表面不同的反射角反射光，因此，可通过检测如上所述的具有不同反射角散射的光来检查缺陷。118.因此，如上所述，在可形成多种照度按照区域不同的照明图案的本公开的检查装置中，将所入射的光的角度变形为多种并利用，因此，可在多个角度尽可能多的检查在缺陷表面反射的不同反射角。这具有增加缺陷检查装置的性能的效果。119.另一方面，通常，物体表面的不良在任意区域发生，因此，当将边缘场尽可能不相互重叠且可利用边缘场覆盖尽可能多的表面区域时，不良检测概率增加。120.因此，在本公开一实施例的缺陷检查装置的照明系统中，向检查对象物体透射互不相同的至少两个照明图案，使得包括照度的剧烈变化的照度变化区域的至少一部分不重叠，对于互不相同的至少两个上述照明图案，拍摄部可获取多个图像数据。之后，可通过处理器向基于深度学习的模型输入多个互不相同的上述图像数据来检查在检查对象物体表面是否存在缺陷。121.如上所述，透射边缘场，使得其可覆盖检查对象物体10表面区域的大部分，由此，可增加可检查的面积并提高检查效率。122.以下，参照图19及图20说明本公开一实施例的缺陷检查装置中使用的照明系统的例示性结构及根据其的照明图案的例示。123.在本公开的实施例中，缺陷检查装置的照明系统由配置有多个光源的多个照明板构成，多个照明板可以为一区域冲孔的形态，使得从位于上部层的照明板透射的光的至少一部分到达检查对象物体表面。124.为了具体例示，若具有两个照明板，则存在图19的(a)部分的上部照明板510和图19的(b)部分的下部照明板520。在此情况下，上部照明板的多个光源511与下部照明板的多个光源521相互隔开，当重叠两个照明板时，使它们不相互重叠，并且，可位于照明板的内部。并且，与下部照明板的上部照明板的光源相应的区域522具有冲孔的形态，使得下部照明板520不遮挡上部照明板的光源511。在图19中，上部照明板的截面513及下部照明板的截面523用于说明分别将上部照明板与下部照明板重叠时的截面。在图20公开了与所重叠的照明板的截面有关的侧视图。如可在图20所确认，下部照明板的相应部分由冲孔的区域522形成，使得下部照明板不遮挡上部照明板的光源511。并且，当使用检查装置时，为了在检查对象物体表面形成按照区域具有不同照度的照明图案，能够以如下的形态使用，即，当开启上部照明板的光源时，下部照明板关闭，当挂壁上部照明板的光源时，下部照明板开启。在上述下部照明板示出的格子形式的冲孔图案仅为例示，可根据冲孔图案的变形重叠多个照明板来无限制地制造包括线形、圆形、多边形等的各种图案，这对普通技术人员而言是显而易见的。125.如上所述，通过重叠多个照明板来获取的发明效果的特征如下：不对特定光源组进行控制或对多个光源分别进行控制，仅对各个照明板进行控制来在检查对象物体表面形成按照区域具有不同照度的照明图案。换言之，可统一控制个别照明板所包括的多个光源来形成不同的照明图案，因此，具有控制费用低且容易操作的效果。126.处理器110可通过照明系统获取与所透射的互不相同的各个照明图案有关的图像数据。例如，对于一个检查对象物体，可按照互不相同的照明图案具有多个图像数据。处理器110能够以包括不同照明图案的多个图像数据为基础判断检查对象物体的缺陷。127.处理器110可利用包括检查对象物体表面的图像数据判断在检查对象物体是否存在缺陷。处理器110利用基于深度学习的模型处理与检查对象物体有关的图像数据，由此可判断在检查对象物体是否存在缺陷。处理器110向基于深度学习的模型输入图像数据，可利用基于深度学习的模型判断在检查对象物体是否存在缺陷。并且，上述处理器110可包括利用基于深度学习的模型从图像数据对存在于检查对象物体表面的缺陷进行分类的结果。128.图21为处理器110从包括检查对象物体10表面的图像数据检测存在于检查对象物体10的缺陷及标记缺陷位置的例示图。在检查对象物体10存在缺陷的情况下，处理器110不仅输出存在缺陷的判断，还可输出成为其判断依据的缺陷位置。即，如图21的(a)部分，在检查对象物体10表面具有划痕形态的缺陷1的情况下，如图21的(b)部分，处理器110可利用基于深度学习的模型能够以区分其缺陷1位置与其他判断为正常部位的视觉表达(例如，颜色等)标记。129.在本公开的一实施例中，处理器110可从图像数据仅提取边缘场部分并向基于深度学习的模型输入。处理器110可将图像数据分割为补丁并以补丁的按照像素的像素值为基础提取边缘场。例如，处理器110从所获取的图像数据参照各个像素的rgb值来求得每个像素的照度值。这可对照实际rgb值与颜色表来获取绝对值，可导出整个像素的rgb值的平均和分散来获取相对值。并且，处理器110能够以表示边缘场部分的元信息为基础从图像数据仅提取边缘场部分。130.为了以上述每个像素的照度值为基础筛选成为边缘场的中心的多个像素，在位于3×3矩阵正中心的像素具有高于周围像素的照度值的情况下，处理器110可利用成为边缘场的中心的像素筛选其。并且，可将这种像素作为光源的中心，利用边缘场的预设距离提取边缘场。在另一实施例中，成为上述边缘场的中心的像素筛选过程还可通过下述过程进行，即，在二维图像数据上，将各个像素的照度值作为额外的轴，找到照度值的最大值来进行筛选。不仅如此，代替最大值，还可筛选具有特定阈值遇上的照度值的像素，可在更宽的n×n矩阵选择最大值。131.在另一实施例中，处理器110提取多个边缘场补丁后，比较各个补丁所包括的区域，在补丁所重叠的区域为规定以上的情况下，可仅选择一部分的补丁。132.在本公开的一实施例中，处理器110可向基于深度学习的模型输入图像数据和元数据，在上述元数据中，为了强调产生照度的剧烈变化的部分，可包含与产生照度的剧烈变化的部分有关的信息。处理器110可向基于深度学习的模型输入边缘场的位置信息和图像数据。具体地，处理器110可通过从所获取的图像数据参照各个像素的rgb值来获取每个像素的照度值。并且，处理器可计算与向检查对象物体透射的照明图案的边界线方向正交的方向隔开任意距离的像素之间的照度值差异。若照明图案为圆形450，则可计算沿着从位于图像数据中心的光源区域的中心以放射形延伸的线隔开规定距离的像素之间的照度值差异。上述照度值的差异可以为简单的减法，还可以为像素之间的照度值差异除以上述规定距离的倾斜率。处理器能够以上述照度值的差异为基础筛选示出照度的剧烈变化的区域的像素。并且，可向深度学习模型输入像素的信息和上述图像数据。上述照明图案及根据其的正交方向的例示仅为以例示，本公开并不局限于此。133.如上所述，在从图像数据仅提取边缘场部分并向基于深度学习的模型输入或者向基于深度学习的模型输入强调示出照度的剧烈变化的区域的元数据和上述图像数据的情况下，处理器无需探索整个图像数据，仅对所提取的边缘场或所强调的像素附近执行判断缺陷与否的运算就可以，因此，具有将计算资源消耗得少且运算处理速度变快的优点。134.在本公开的一实施例中，为了利用边缘场覆盖检查对象物体表面的整个区域中的规定宽度以上的区域，处理器110可执行额外的运算。即，在检查对象物体表面的总面积中的边缘场所覆盖的多个互不相同的区域的面积之和小于阈值的情况下，为了通过控制照明系统来在之前未覆盖的区域生成边缘场，处理器110可向检查对象物体表面的其他区域透射用于诱导照度的剧烈变化的照明图案。例如，在为了检查检查对象物体的整个表面而将所设置的阈值设置为100％的情况下，若判断执行提取边缘场的运算后所提取的边缘场区域的面积之和无法覆盖检查对象物体的整个表面，则处理器110通过控制照明系统来向不同的区域透射照明图案，可从拍摄部140再次接收图像数据来再次提取边缘场。如上所述的再输入及再提取过程可根据所设置的阈值实施多次。作为另一实施例，当以透射与之前图案不同的照明图案的方式控制照明系统时，处理器可控制照明系统，由此在检查对象物体表面在除已利用边缘场覆盖的区域之外的其他区域具有照度的剧烈变化。135.通常，外观的不良在检查对象物体表面的任意区域产生，因此，如上所述，处理器110具有如下的优点，即，若可在检查对象物体表面检查到至少覆盖(coverage)阈值以上，则可提高表面缺陷的检测概率。136.在本公开的一实施例中，处理器110向检查对象物体透射互不相同的照明图案来获取多个图像数据，可向基于深度学习的模型输入其来判断检查对象物体表面的缺陷。在具体一实施例中，处理器110按照各个像素重叠多个图像数据并生成一个图像数据后，可向基于深度学习的模型输入。在另一实施例中，多个图像数据依次向相同的模型输入而依次确认具有缺陷的位置后，可最终均显示在一个输出图像。在追加实施例中，在多个图像数据中，输入包括与按照各个照明图案学习的子模型相应的照明图案的图像数据，由此，可额外输出各个照明图案下的缺陷位置。137.根据检查对象物体的表面，当所透射的光的入射角形成特定角度时，可更好地检测表面缺陷。例如，若检查对象物体表面为包括多个圆形的宽度非常窄且薄的槽且具有光泽的材质，则为了检测这种表面的划痕，圆形照明图案更有效。因此，如上所述，若利用互不相同的照明图案检查检查对象物体表面的缺陷，则可将光的入射角变更得不同来检查外观的缺陷，因此，检测概率增加。并且，处理器通过重叠根据不同照明图案的多个图像数据来检查的情况下，具有检查速度变快的效果。相反，若根据额外的模型或依次向相同模型输入多个图像数据来获取输出数据，则可提高缺陷检查的准确率。138.如上所述，处理器110向基于深度学习的模型输入包括边缘场的检查对象物体的图像数据，获取具有多种形态的输出，由此，与影像的复杂程度无关地，本公开可确保检查对象物体表面缺陷的可见性，并可增加不良识别率。139.本公开实施例的缺陷检查装置所包括的处理器110可包括从所述的图像数据再次提取包括照度的剧烈变化的照度变化区域的过程。包括如上所述的从输入图像数据提取照度变化区域的预处理过程，由此，可减少处理器从图像中的物体之外的区域，即，背景图像判断存在缺陷的误差，从整个图像数据仅提取关注区域来执行检查，因此，数据处理速度可变快。140.在本说明书全文中，能够以相同含义使用基于深度学习的模型、运算模型、神经网、网络函数、神经网络(neuralnetwork)。神经网可由通常称为节点的相连接的计算单位的集合构成。这种节点还可称为神经元(neuron)。神经网包括至少一个节点来构成。构成神经网的节点(或神经元)可通过一个以上的链接相连。141.在神经网中，通过链接连接的一个以上的节点可相对地形成输入节点与输出节点的关系。输入节点及输出节点的概念是相对的，对于一个节点处于输出节点关系的任意节点可在与其他节点的关系中，处于输入节点关系，且反之也亦然。如上所述，输入节点与输出节点的关系能够以链接为中心生成。一个输入节点可通过链接与一个以上的输出节点相连，反之也亦然。142.在通过一个链接相连的输入节点与输出节点的关系中，输出节点的数据能够以向输入节点输入的数据为基础确定其值。其中，使输入节点与输出节点相连的链接可具有加权值(weight)。加权值是可变的，为了执行神经网所要的功能，可通过用户或算法改变。例如，在一个输出节点与一个以上的输入节点通过各自的链接相连的情况下，输出节点能够以向与上述输出节点相连的输入节点输入的值及与各个输入节点相应的链接中设置的加权值为基础确定输出节点值。143.如上所述，在神经网中，一个以上的节点通过一个以上的链接相连来在神经网中形成输入节点与输出节点关系。在神经网中，可根据节点与链接的数量及节点与链接之间的相关关系、向多个链接赋予的加权值的值确定神经网的特性。例如，在存在具有相同数量的节点及链接、链接的加权值不同的两个神经网的情况下，可将两个神经网识别为互不相同。144.神经网可由一个以上的节点的集合构成。构成神经网的节点的部分集合可构成层(layer)。构成神经网的节点中的一部分能够以距初始输入节点的距离为基础构成一个层(layer)。例如，距初始输入节点的距离为n的节点的集合可构成n层。距初始输入节点的距离可通过从初始输入节点到达相应节点为止而需经过的链接的最少数量定义。但是，这种层的定义为了说明而任意定义的，神经网中的层的顺序可通过与上述说明不同的方法定义。例如，节点的层还可通过距最终输出节点的距离定义。145.初始输入节点可意味着在神经网中的节点中的与其他节点额关系汇总不经过链接并直接输入数据的一个以上的节点。或者，可意味着在神经网络中的以链接为基准的节点之间的关系中，不具有通过链接相连的其他输入节点的节点。与此相似地，最终输出节点可意味着在神经网中节点中的其他节点的关系中，不具有输出节点的一个以上的节点。并且，隐藏节点可意味着不是初始输入节点及最终输出节点的构成神经网的节点。146.本公开一实施例的神经网可以为如下形态的神经网，即，输入层的节点数量可与输出层的节点数量相同，随着从输入层移动到隐藏层，节点的数量先减少并再次增加。并且，本公开再一实施例的神经网可以为如下形态的神经网，即，输入层节点的数量可少于输出层节点的数量，随着从输入层移动至隐藏层，节点的数量减少。并且，本公开另一实施例的神经网可以为如下形态的神经网，即，输入层节点的数量可多于输出层节点的数量，随着从输入层移动至隐藏层，节点的数量增加。本公开还有一实施例的神经网可以为如上所述的神经网组合的形态的神经网。147.深度神经网络(dnn，deepneuralnetwork)可意味着除输入层和输出层之外包括多个隐藏层的神经网。若利用深度神经网络，则可掌握数据的潜在结构(latentstructures)。即，可掌握照片、文本、视频、声音和音乐的潜在结构(例如，照片中的物体是什么、文本的内容和情感是什么、声音的内容和情感是什么等)。深度神经网络可包括卷积神经网络(cnn，convolutionalneuralnetwork)、循环神经网络(rnn，recurrentneuralnetwork)、自编码器(autoencoder)、生成式对抗网络(gan，generativeadversarialnetworks)、受限玻尔兹曼机(rbm，restrictedboltzmannmachine)、深度信念网络(dbn，deepbeliefnetwork)、q网络、u网络、连体网络、等。如上所述的深度神经网络地记载仅为例示，本公开并不局限于此。148.在本公开的一实施例中，网络函数还可包括自编码器。自编码器可以为用于输出与输入数据相似的输出数据的人工神经网的一种。自编码器可包括至少一个隐藏层，奇数个隐藏层可配置于输入层与输出层之间。各个层的节点数量可在输入层节点的数量缩小为称为瓶颈层(编码)的中间层，可与缩小对称而在瓶颈层扩张至输出层(与输入层对称)。自编码器可执行非线性维度减少。输入层及输出层的数量可与输入数据的预处理之后的维度相应。在自编码器结构中，编码器所包括的隐藏层节点的数量可具有距输入层的距离增加而减少的结构。在瓶颈层(具有位于编码器与解码器之间的最少节点的层)节点的数量过小的情况下，可不传递充足量的信息，还能够以特定数以上(例如，输入层的一半以上等)。149.神经网络可通过监督学习(supervisedlearning)、非监督学习(unsupervisedlearning)、半监督学习(semisupervisedlearning)或强化学习(reinforcementlearning)中的至少一个方式学习。神经网络的学习可以为向神经网络适用神经网络用于执行特定动作的知识的过程。150.神经网络可通过将输出的误差最小化的方向学习。学习神经网络的过程为如下的过程，即，反复地向神经网络输入学习数据，计算与学习数据有关的神经网络的输出和目标的误差，朝向用于减少误差的方向，从神经网络的输出层至输入层方向反向传播(backpropagation)神经网络的误差，并更新神经网络的各个节点的加权值。在监督学习的情况下，使用在各个学习数据标记正确答案的学习数据(即，标记的学习数据)，在非监督学习的情况下，可在各个学习数据未标记正确答案。即，例如，与数据分类有关的监督学习情况下的学习数据可以为在各个学习数据标记类别的数据。向神经网络输入标记的学习数据，并比较神经网络的输出(类别)与学习数据的标记，由此可计算误差(error)。作为另一例，在于数据分类有关的非监督学习的情况下，可通过比较作为输入的学习数据与神经网络输出来计算误差。所计算的误差可在神经网络朝向反方向(即，从输出层至输入层方向)反向传播，可根据反向传播更新神经网络的各个层的各个节点的连接加权值。所更新的各个节点的连接加权值的变化量可根据学习率(learningrate)确定。与输入数据有关的神经网络的计算与误差的反向传播可构成学习周期(epoch)。学习率可根据神经网络的学习周期的反复次数适用的不同。例如，在神经网络的学习初期使用高学习率，使得神经网络快速确保规定水平的性能来提高效率，在学习后期，可使用低学习率来提高准确率。151.在学习神经网络的过程中，通常，学习数据可以为实际数据(即，所要利用所学习的神经网络来处理的数据)的部分集合，因此，柯村仔与学习数据有关的误差可减少，但是，与实际数据的误差增加的学习周期。过度拟合(overfitting)为如上所述的过多的学习学习数据而使与实际数据有关的误差增加的现象。例如，通过显示黄色猫来学习猫的神经网络将除黄色之外的猫未识别为猫的现象为过度拟合的一种。过度拟合可成为增加机器学习算法的误差的原因。为了防止这种过度拟合，可使用多种最优化方法。为了防止过度拟合，可适用增加学习数据或正则化(regularization)、在学习过程中禁用网络节点的一部分的信号丢失(dropout)、批归一化层(batchnormalizationlayer)的利用等的方法。152.图22为与可体现本公开实施例的例示性计算环境有关的简要的通用简图。153.以本公开通常可通过计算装置体现的情况进行说明，但是，只要是普通技术人员就可知，本公开与可在一个以上的计算机上运行的计算机可运行指令和/或其他程序模块结合和/或由硬件和软件的组合体现。154.通常，程序模块包括执行特定任务或体现特定抽象数据类型的例行程序、程序、组件、数据结构、其他等等。并且，只要是普通技术人员就可知道，本公开的方法不仅通过单一‑处理器或多处理器计算系统、小型计算机、大型计算机结构来实施，还可通过个人计算机、手持(handheld)式计算装置、基于微型处理器或可编程家电、其他等等(这些可分别与一个以上的相关的装置相连来动作)的其他计算机系统结构实施。155.本公开的所说明的实施例还可在如下的环境中实施，即，某些任务被通过通信网络相连的远程处理装置执行的分散计算环境。在分散计算环境中，程序模块可位于本地存储装置及远程存储器存储装置。156.通常，计算机包括多种计算机可读介质。计算机可访问的任何介质可以为计算机可读介质，这种计算机可读介质包括易失性及非易失性介质、暂时性(transitory)及非暂时性(non‑transitory)介质、可移动及不可移动介质。作为非限制性例，计算机可读介质可包括计算机可读存储介质及计算机可读传输介质。计算机可读存储介质包括用于存储如计算机可读指令、数据结构、程序模块或其他数据的信息的以任意方法或技术体现的易失性及非易失性介质、暂时性及非暂时性介质、可移动及不可移动介质。计算机可读存储介质包括随机存取存储器、只读存储器、带电可擦可编程只读存储器、闪存或其他存储技术、cd‑rom、数字通用光盘(dvd，digitalvideodisk)或其他光盘存储装置、磁带盒、磁带、磁盘存储装置或其他磁性存储装置或可通过计算机访问并用于存储所要的信息的任意其他介质，但并不限定于此。157.通常，计算机可读传输介质在如载波(carrierwave)或其他传送机制(transportmechanism)的调制数据信号(modulateddatasignal)体现计算机可读指令、数据结构、程序模块或其他数据等并包括所有信息传递介质。术语“调制数据信号”是指以向信号中对信息进行编码的方式设置或其信号的特性中的一个以上的信号。作为非限制性例，计算机可读传输介质包括如有线网络或直接接线联接(direct‑wiredconnection)的有线介质以及如音响、射频(rf)、红外线、其他无线介质的无线介质。如上所述的介质中的任意组合也包括在计算机可读传输介质的范围内。158.示出了包括计算机1102的体现本公开的各种方面的例示性环境1100，计算机1102包括处理装置1104、系统存储器1106以及系统总线1108。系统总线1108将包括系统存储器1106(并不限定于此)在内的系统组件连接在处理装置1104。处理装置1104可以为多种商用处理器中的一种处理器。还可将双处理器及其他多处理器结构用作处理装置1104。159.系统总线1108可以为能够在使用存储器总线、周围装置总线及多种商用总线结构中的任意一种的本地总线追加相连的几种类型的总线结构中的一种。系统存储器1106包括只读存储器1110及随机存取存储器1112.基本输入输出系统(bios)存储在只读存储器、可擦除可编程只读存储器(eprom)、带电可擦可编程只读存储器等的非易失性存储器1110，上述基本输入输出系统包括基本例行程序，上述例行程序在启动的同时帮助在计算机1102中的结构要素之间传输信息。随机存取存储器1112还可包括用于缓存数据的静态随机存取存储器等的高速随机存取存储器。160.计算机1102还包括内置型硬盘驱动器(hdd)1114(例如，增强形电子集成驱动器(eide)、串行高级技术附件(sata))、磁盘驱动器(fdd)1116(例如，从可移动磁盘1118读取或向可移动磁盘1118写入)及光盘驱动器1120(例如，读取cd‑rom盘1122或从数字通用光盘等的其他高容量光介质读取或向其写入)，上述内置型硬盘驱动器1114还可在适当的机架(未图示)中以外置型用途构成。硬盘驱动器1114、磁盘驱动器1116及光盘驱动器1120分别可通过硬盘驱动器接口1124、磁盘驱动器接口1126及光驱动器接口1128与系统总线1108相连。用于体现外置型驱动器的接口1124包括通用串行总线(usb，universalserialbus)及ieee1394接口技术中的至少一个或两个。161.这些驱动器及与之相关的计算机可读介质提供数据、数据结构、计算机可执行指令、其他等等的非易失性存储。在计算机1102的情况下，驱动器及介质与以适当的数字形式存储任意数据相应。在上文中，与计算机可读介质有关的说明提及硬盘驱动器、可移动磁盘及光碟或数字通用光盘等的可移动光介质，只要是普通技术人员就可知，极碟驱动器(zipdrive)、磁带盒、闪存卡、盒式磁带机、其他等等的计算机可读的其他类型的介质也可用于例示性操作环境，并且，上述任意介质可包括用于执行本公开的方法的计算机可执行指令。162.包括操作系统11130、一个以上的应用程序1132、其他程序模块1134及程序数据1136在内的多个程序模块可存储在驱动器及随机存取存储器1112。操作系统、应用程序、模块和/或数据的全部或一部分还可在随机存取存储器1112缓存。众所周知，本公开可在各种商业上可利用的操作系统或多个操作系统的组合体现。163.用户可通过一个以上的有线/无线输入装置，例如，键盘1138及鼠标1140等的指示装置向计算机1102输入命令及信息。作为其他输入装置(未图示)，具有麦克风、红外线(ir)遥控器、操纵杆、游戏板、手写笔、触摸屏、其他等等。这些及其他输入装置通常通过连接在系统总线1108的输入装置接口1142与处理装置1104相连，还可通过并行端口、ieee1394串行端口、游戏端口、通用串行总线端口、红外线接口、其他等等的其他接口相连。164.显示器1144或其他类型的显示装置也可通过显示适配器1146等的接口与系统总线1108相连。除显示器1144之外，通常，计算机包括扬声器、打印机、其他等等的其他周围输出装置(未图示)。165.计算机1102可通过使用经由有线和/或无线通信的(多个)远程计算机1148等的一个以上的远程计算机的逻辑连接在网络化的环境中进行工作。(多个)远程计算机1148可以为工作站、计算设备计算机、路由器、个人计算机、便携式计算机、基于微型处理器的娱乐设备、对等设备或其他常规网络节点，通常，包括对于计算机1102记述的结构要素中的大部分或其全部，为了简略，仅示出存储器存储设备1150。所图示的逻辑连接包括在局域网1152和/或更大网络，例如，广域网1154中的有线/无线连接。这种局域网及广域网联网环境在办公室及公司是常见的，促进了内联网等的企业级计算机网络(enterprise‑widecomputernetwork)，这些均可连接到全球计算机网络，例如，互联网。166.当在局域网联网环境中使用时，计算机1102通过有线和/或无线通信网络接口或者适配器1156与本地网络1152相连。适配器1156可促进与局域网1152的有线或无线通信，并且，上述局域网1152包括设置于其的无线访问点，由此与无线适配器1156进行通信。当在广域网联网环境中使用时，计算机1102可包括调制解调器1158或与广域网1154中的通信计算设备相连，或者具有通过互联网等广域网1154设置通信的其他单元。可以为内置型或外置型及有线或无线装置的调制解调器1158可通过串行端口接口1142与系统总线1108相连。在网络化的环境中，对于计算机1102说明的多个程序模块或它们的一部分可存储在远程存储器/存储装置1150。所图示的网络连接仅为例示，众所周知，可使用在计算机之间设置通信链接的其他单元。167.计算机1102与通过无线通信配置而进行工作的任意无线装置或个体，例如，打印机、扫描仪、台式机和/或便携式计算机、便携式数据助理(pda，portabledataassistant)、通信卫星、与可无线检测的标签相关的任意设备或地点及电话进行通信。这至少包括无线保真(wi‑fi)及蓝牙无线技术。因此，通信可以为如在以往的网络中，预定义的结构或仅仅至少两个装置之间的特定通信(adhoccommunication)。168.无线保真(wi‑fi，wirelessfidelity)没有有线也可进行互联网等的连接。无线保真为如下的无线技术，即，这种装置，例如，可将计算机在室内及室外，即，基站的通信范围内的任何地方传输及接收数据的如手机的无线技术。无线保真网络安全可具有可靠性，为了提供高速无线连接使用称为ieee802.11(a、b、g、其他)的无线技术。为了使计算机相连且与互联网及有线网络(使用ieee802.3或以外网)连接而可使用无线保真。无线保真网络在未经授权的2.4及5ghz无线频带中以如11mbps(802.11a)或54mbps(802.11b)数据速率进行工作，或者可在包括两个带(双频带)的产品进行工作。169.本公开
技术领域：
：的普通技术人员可理解的是，可利用任意二多种不同技术及方法表达信息及信号。例如，可在上文中引用的数据、指令、命令、信息、信号、位、符号及芯片可通过电压、电流、电磁波、磁场或粒子、光场或粒子或者它们的任意结合表达。170.本公开
技术领域：
：的普通技术人员可理解的是，与在此公开的实施例相关来说明的多种例示性逻辑块、模块、处理器、单元、电路及算法步骤可通过电子硬件、(为了便于说明，在此称为软件)多种形态的程序或设计代码或它们的结合体现。为了明确说明硬件及软件的这种相互互换性，已在上文说明多种例示性组件、块、模块、电路及步骤及它们的功能。这种功能是否以硬件或软件体现取决于对特定应用及整个系统赋予的设计制约。本公开
技术领域：
：的普通技术人员可体现对于各个特定应用以多种方式进行说明的功能，但这种决定不超出本公开的范围。171.在此公开的多种实施例可体现为方法、装置或标准编程和/或使用工程技术的制造物品(article)。术语“制造物品”包括可从任意的计算机可读存储装置访问的计算机程序、载波或介质(media)。例如，计算机可读存储介质包括磁性存储装置(例如，硬盘、软盘、磁条等)、光盘(例如，光碟、数字通用光盘等)、智能卡及闪存(例如，带电可擦可编程只读存储器、卡、条、键驱动器等)，但并不局限于此。并且，在此提出的多种存储介质包括用于存储信息的一个以上的装置和/或其他机械可读介质。172.需要理解的是，所提出的处理器中的步骤的特定顺序或层次结构为例示性访问的一例。以设计优先顺序为基础，可在本公开的范围内，再次排列处理器中的步骤的特定顺序或层次结构。发明要求保护范围以样品顺序提供多种步骤的元素，但并不意味着限定于所提出的特定顺序或层次结构。173.提供与所提出的实施例有关的说明，使得任意的本公开
技术领域：
：的普通技术人员可利用或实施本公开。与这种实施例有关的多种变形对于本公开
技术领域：
：的普通技术人员而言是显而易见的，在此定义的常规原理可在不超出本公开的范围内适用于其他实施例。因此，本公开并不限定于在此公开的实施例，需与在此公开的原理及新特征一贯的最宽范围内解释。当前第1页12当前第1页12