自动化光学检测技术已广泛应用于工业场景，现有研究集中在理论模型和系统设计上。

在工业生产环境中，对于不同类型和规格的产品，有必要根据产品缺陷的检测及时调整检测参数的阈值，以提高设备的检测率。本文对采集设备检测到的缺陷数据进行了实际研究。机器学习方法用于分析不同类型缺陷的检测参数指标，以提高缺陷检测的准确性。

图1：研究过程

我们以一家TFT-LCD工厂为研究对象，关键缺陷检测现场使用自动光学检测设备来实现面板缺陷检测。研究过程如图1所示。我们将AOI设备生成的数据收集并组织到数据库中，然后分析数据的参数，使用机器学习方法训练和测试模型，最后应用研究结果到实际生产。

图2：源数据格式

图3：程序流程图

每个面板的原始数据文件生成具有不同数据结构的多个缺陷数据文件，如图2所示，该文件保存在本地主机中。由于数据存在于不同的文件中，因此我们需要使用面板名称，检测到的参数值和检测结果来将它们收集并存储在数据仓库中。为了完成收集和组织数据的目标，我们编写程序来完成此过程，程序流程图如图3所示。

图4：数据采集过程

图5：数据仓库的数据结构

数据获取过程如图4所示，其结果表示在数据仓库中，如图5所示。

图6：缺陷和特征数据

获得的特征数据需要使用适当的工具来进行分析和分类，以找到参数数据与缺陷之间的相关性。我们以两种类型的缺陷为例，以缺陷的正确性作为结果，图6仅显示了缺陷与特征数据之间的关系。由于多因素参数的相互影响，因此应考虑使用PCA / ICA等方法进行数据选择和特征提取的数据复杂性以及错误和无关信息的影响。

图7：训练结果

图8：测试结果

在分析过程中，根据不同参数数据的特征，我们使用数据挖掘和机器学习算法，这些算法适合于为实现对不同缺陷的准确分类而选择的数据特征。

在这种情况下，我们使用Weka SimpleKMeans方法进行简单的训练和测试，结果如图7和图8所示。

在实际的生产环境中，缺陷的检测与许多因素有关。特征数据和特定缺陷之间的关系需要不断测试和验证。我们的目标是根据缺陷及其特征参数进行监视和预警。同时，图像数据的缺陷检测需要这样的处理流程，提取特征参数并提高检测率。

标签： 精度检测