COFFilm缺陷AITraining数据库及应用的制作方法

本发明涉及coffilm生产工艺，特别涉及一种aitraining数据库的生成方法、aitraining数据库、coffilm缺陷的检测方法及动态aitraining数据库。

背景技术：

在coffilm生产工艺中，产品检测流程如图1，镀锡工艺结束后会有一站光学检查站点aoi(automatedopticalinspection),产品制程完成之后也会有一站光学检查站点avi(automatedvisualinspection)，检测完成之后对于疑似ng的情况都会拍照片留档，下一站点即针对光学检测留档的照片人工进行复判。

该检测流程存在以下不足：

①人力需求较多；

②人力检测能力水平参差不齐，容易造成overkill或underkill；

③对于复判能力较差人员，人力培训周期较长，费用较大；

④检测站点tacttime较长；

⑤对于主要不良模式的反馈与分析，需要经验丰富的人员消耗较多时间才能整理出结果，实时性较差，不利于制程及时做改善。

上述背景技术是为了便于理解本发明，并非是申请本发明之前已向普通公众公开的公知技术。

技术实现要素：

针对上述缺陷，一方面，本发明提供一种aitraining数据库的生成方法，该方法生成的aitraining数据库用于coffilm缺陷的检测，可以替代人员肉眼的判定，节省人力成本，同时提高检测站点产能。

技术方案是：一种aitraining数据库的生成方法，该aitraining数据库用于人工智能检测coffilm缺陷，该生成方法包括以下步骤：

s11，将图像集人工区分标识为ok图像和ng图像；

s12，将s1已区分开的ok图像和ng图像作为training材料读入aitrainingserver学习；

s13，形成training数据库v0；

s14，将s11所用的每一张图像作为检验图像；

s15，将检验图像交由学习后的aitrainingserver判定，人工对aitrainingserver判定结果复判，将复判结果分为ai判定正确和ai判定错误；

s16，将s15中ai判定错误的图像再次作为training材料，读入aitrainingserver学习，形成training数据库v1；

s17，将s15中ai判定错误的每一张图像作为检验图像再次作为检验图像交由再次学习后的aitrainingserver判定，再次人工对aitrainingserver判定结果复判，将复判结果再次分为ai判定正确和ai判定错误；

s18，重复s16和s17，重复验证aitrainingserver准确检出率，直至aitrainingserver判断完全准确，最后形成aitraining数据库。

进一步地，所述图像集中的图像来源于镀锡工艺结束后的产品经aoi检测判定为疑似ng的产品拍成的图像或制程完成之后的产品经avi检测判定为疑似ng的产品拍照片成图像。

进一步地，所述将图像集区分为ok图像和ng(notgood)图像是通过经验丰富的检测人员人工区分的。

进一步地，所述s11中，ng图像进一步通过经验丰富的检测人员人工区分标识为各自具体的缺陷名称。

进一步地，所述s11中，图像集的图像数量≥5000张。

一方面，本发明还提供一种aitraining数据库。

技术方案是：一种aitraining数据库，该aitraining数据库由上述的生成方法生成。

一方面，本发明还提供一种coffilm缺陷的检测方法。

技术方案是：一种coffilm缺陷的检测方法，该方法包括以下步骤：

s21，光学检测出疑似ng的产品：将镀锡工艺结束后的产品经aoi检测判定为疑似ng的产品拍照片成图像/将制程完成之后的产品经avi检测判定为疑似ng的产品拍照片成被检测图像；

s22，将s21的被检测图像输入带上述的aitraining数据库的aitrainingserver判定，aitrainingserver判定后分为ok图像、ng图像和unsure图像；

s23，经验丰富的检测人员对ng图像和unsure图像全部进行人工复判；

s24，根据人工复判结果将aitrainingserver判定结果分为判定正确和判定错误，将aitrainingserver判定错误的图像作为training材料输入aitrainingserver学习，形成新的aitraining数据库，完成该批次产品的检测；

s25，进行下一批次产品的检测，同时形成新的aitraining数据库。

进一步地，所述s23中，经验丰富的检测人员还对ok图像进行抽检复判是否aitrainingserver漏检，s24中，还将aitrainingserver漏检的图像作为training材料输入aitrainingserver学习。

进一步地，所述s23中，对于人工复判出的新缺陷，该新缺陷为aitraining数据库中没有的缺陷，对该缺陷进行标识缺陷名称，s24中，该缺陷的图像经aitrainingserver学习后成为aitraining数据库中的新缺陷样本。

一方面，本发明还提供一种动态aitraining数据库。

技术方案是：一种动态aitraining数据库，其特征在于：所述动态aitraining数据库由上述的coffilm缺陷的检测方法生成。

与现有技术相比，本发明的有益效果在于：

本发明实现了在coffilm生产工艺中，使用人工智能技术来代替人工检测缺陷，节省了人工成本，同样的检测标准，避免了overkill或underkill。

附图说明

图1是背景技术结构示意图；

图2是本发明aitraining数据库形成原理框图；

图3是本发明coffilm缺陷检测原理框图。

具体实施方式

下面将结合附图对本发明作进一步说明。

一种用于人工智能检测(ai,automatedinspection)coffilm缺陷的aitraining数据库,如图2，该aitraining数据库通过以下步骤步骤生成：

s11，将图像集人工区分标识为ok图像和ng(notgood)图像；图像集中的图像来源于镀锡工艺结束后的产品经aoi检测判定为疑似ng的产品拍成的图像或制程完成之后的产品经avi检测判定为疑似ng的产品拍照片成图像；将图像集区分为ok图像和ng(notgood)图像是通过经验丰富的检测人员人工区分的。

s12，将s1已区分开的ok图像和ng(notgood)图像读入智能学习服务器(aitrainingserver)，智能学习服务器进行学习。

智能学习服务器进行学习为智能学习服务器抓取读入的图像的图像特征，分别形成ok图像标准和ng图像标准，设定待检验图像与ok图像标准的比对形成的ok图像相似度≧初始ok门槛值则判定为ok图像，设定待检验图像与ng图像标准比对形成的ng图像相似度≧初始ng门槛值则判定为ng图像，否则为unsure(不确定)图像。

s13，形成training数据库v0；

s14，将s11所用的每一张图像作为检验图像；

s15，将检验图像交由学习后的aitrainingserver判定，人工对aitrainingserver判定结果复判，将复判结果分为ai判定正确和ai判定错误；

aitrainingserver判定为aitrainingserver将检验图像与training数据库v0中保存的ok图像标准和ng图像标准进行比对获得ok图像相似度或ng图像相似度，并与初始ok门槛值或初始ng门槛值比较，符合ok图像相似度≧初始ok门槛值则判定为ok图像，符合ng图像相似度≧初始ng门槛值则判定为ng图像。

s16，将s15中ai判定错误的图像再次作为training材料，读入aitrainingserver再次学习，形成training数据库v1。重复验证ai准确检出率；

aitrainingserver再次学习为根据复判结果分别调整初始ok门槛值或初始ng门槛值。

s17，将s15中ai判定错误的每一张图像作为检验图像再次作为检验图像交由再次学习后的aitrainingserver判定，再次人工对aitrainingserver判定结果复判，将复判结果再次分为ai判定正确和ai判定错误。

s18，重复s16和s17，重复验证aitrainingserver准确检出率，直至判断完全准确，最后形成aitraining数据库。

进一步地，s11中，图像集的图像数量≥5000张，图像集的图像数量越大，形成的aitraining数据库的检测效果越好。

进一步地，s11中，ng(notgood)图像进一步通过经验丰富的检测人员人工区分标识为异物、开路、短路等缺陷。s12中，智能学习服务器进行学习中，智能学习服务器将读入的ng图像分别抓取异物图像、开路图像、短路图像等缺陷的图像特征，分别形成异物图像标准、开路图像标准、短路图像标准等缺陷的图像标准，设定待检验图像与异物图像标准比对形成的异物图像相似度≧初始异物门槛值则判定为异物图像，设定待检验图像与开路图像标准比对形成的开路图像相似度≧初始开路门槛值则判定为开路图像，设定待检验图像与短路图像标准比对形成的短路图像相似度≧初始短路门槛值则判定为短路图像。

进一步地，s15中，aitrainingserver判定中，将检验图像与training数据库v0中保存的异物图像标准、开路图像标准或短路图像标准进行比对获得异物图像相似度、开路图像相似度或短路图像相似度，并与初始异物门槛值、初始开路门槛值或短路图像门槛值比较，符合异物图像相似度≧初始异物门槛值则判定为异物图像，符合开路图像相似度≧初始开路门槛值则判定为开路图像，符合短路图像相似度≧初始短路门槛值则判定为短路图像。

基于上述的用于人工智能检测(ai,automatedinspection)coffilm缺陷的training数据库，本发明还提供了一种coffilm缺陷的检测方法，如图3，该方法包括以下步骤：

s21，光学检测出疑似ng的产品：将镀锡工艺结束后的产品经aoi检测判定为疑似ng的产品拍照片成图像/将制程完成之后的产品经avi检测判定为疑似ng的产品拍照片成被检测图像。

s22，将s21的被检测图像输入上述的带aitraining数据库的aitrainingserver判定，aitrainingserver判定后分为ok图像，ng图像和unsure(不确定)图像。

s23，经验丰富的检测人员对ng图像和unsure(不确定)图像全部进行人工复判。

s24，根据人工复判结果将aitrainingserver判定结果分为判定正确和判定错误，将aitrainingserver判定错误的图像作为training材料输入aitrainingserver学习，形成新的aitraining数据库。

s25，每批次产品经由s21-s24，逐步完善aitrainingserver判定的准确性和效率。

进一步地，s23中，经验丰富的检测人员还对ok图像进行抽检复判是否aitrainingserver漏检，s24中，还将aitrainingserver漏检的图像作为training材料输入aitrainingserver学习。

进一步地，s23中，对于人工复判出的新缺陷(aitraining数据库中没有的缺陷)，对该缺陷进行标识缺陷名称，s24中，该缺陷的图像经aitrainingserver学习后成为aitraining数据库中的新缺陷样本，aitrainingserver即具有该缺陷的检测能力。

本发明使用人工智能进行自我学习对coffilm缺陷的认知，从而可以替代人员肉眼的判定，节省人力成本，同时提高检测站点产能。

本发明通过将带aitraining数据库的aitrainingserver用于coffilm缺陷，对于原来需要100％复判的图片，使用ai系统后，可以减少75％以上工作量，并随着ai反复training，需要人工复判的比重越来越少，故相应可以节省75％以上的人力。

本发明通过将经验丰富的检测人员的能力短时间复制给ai，节省人力培训时间&费用。

coffilm生产中，使用本发明的检测方法后，可以及时调取ai系统数据进行柏拉图分析，对于主要不良第一时间反馈给制程进行实时、针对性改善，可以及时止损，促进良率提升。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。