查詢結果分析
來源資料
頁籤選單縮合
| 題 名 | 運用YOLOv11影像辨識之導電薄膜表面印刷電路瑕疵檢測 |
|---|---|
| 作 者 | 陳濬承; 王錫澤; | 書刊名 | 萬能學報 |
| 卷 期 | 47 2025.07[民114.07] |
| 頁 次 | 頁127-147 |
| 分類號 | 312.831 |
| 關鍵詞 | 導電薄膜; 瑕疵檢測; 自動光學檢測; 深度學習; 影像辨識; AOI; YOLOv11; |
| 語 文 | 中文(Chinese) |
| 中文摘要 | 隨著工業 4.0 與人工智慧(Artificial Intelligence, AI)技術的迅速發展,傳統 大量製造已逐步轉型為少量多樣的客製化生產模式,市場對產品外觀、功能與品 質之要求亦日益嚴格。AI 技術已廣泛應用於製造流程中,其中以提升生產效率 與品質控管為主要目標。針對傳統網版印刷製程中之瑕疵檢測方法,本研究提出 一套改良式自動光學檢測系統,專注於導電薄膜、印刷電路板與觸控面板等對導 電線路精度與完整性要求極高之電子製品,期能提升瑕疵辨識之準確性與即時 性。 本研究以 YOLOv11(You Only Look Once, version 11)為核心模型,建構一 套結合高解析度攝影模組之瑕疵自動化檢測系統,並應用於導電薄膜表面微細瑕 疵之影像辨識。透過 Google Colab 搭配 Google Drive 建構雲端運算環境,整合 資料集儲存、訓練與推論流程,並導入多種資料增強技術(包含隨機旋轉、裁切、 亮度與對比度調整、Mosaic 組合等),有效提升模型對於高變異性工業影像的泛 化能力。 模型訓練方面,本研究採用預訓練之 YOLOv11 權重進行微調,訓練週期設 為 20,輸入影像尺寸為 640×640。訓練策略融合 anchor-free 邊界框預測、自適 應特徵融合模組、改良式 CIoU 損失函數與分類損失之整合,並採用 AdamW 優 化器與餘弦退火學習率調整策略,以強化模型學習效果與穩定性。 實驗結果顯示,本系統於測試集上可達成 mAP@0.5 為 94.7%、Precision 為 92.8%、Recall 為 95.1%,整體準確率相較傳統方法提升約 9.3%。混淆矩陣分析 結果指出,模型於良品與瑕疵品分類中無誤判情形,分類準確率達 100%。即便 在瑕疵樣本具形狀不規則、邊界模糊與光照變化劇烈等情況下,仍可維持高水準 之辨識效能,顯示本系統具備高度穩定性與實用價值。 本研究成功建構一套具即時性、準確性與智慧化特徵之雲端瑕疵檢測系統, 驗證 YOLOv11 模型於導電薄膜印刷電路板表面瑕疵自動檢測任務中之優異表 現,對未來工業自動光學檢測\(AOI)系統之數位轉型與智慧製造發展具有實質 貢獻。 |
本系統中英文摘要資訊取自各篇刊載內容。