TWI745946B

TWI745946B - 一種高爾夫球電腦檢測系統及自動光學檢測設備

Info

Publication number: TWI745946B
Application number: TW109114604A
Authority: TW
Inventors: 林耿呈; 李冠儒; 劉妍杏
Original assignee: 慧穩科技股份有限公司
Priority date: 2020-04-30
Filing date: 2020-04-30
Publication date: 2021-11-11
Also published as: TW202143165A

Abstract

本發明係一種利用深度學習檢測高爾夫球缺陷的光學檢測系統。利用預先訓練好的缺陷推論深度學習模型、商標推論深度學習模型及風洞樣式推論深度學習模型就待測高爾夫球影像進行缺陷的辨識及分類。將深度學模型輸出的辨識及分類結果與一限度邏輯作比較，以篩選出與人為檢出結果一致的高爾夫球缺陷。

Description

一種高爾夫球電腦檢測系統及自動光學檢測設備

本發明係關於一種高爾夫電腦檢測系統及自動光學檢測設備。

自動光學檢測AOI(Automatic Optic Inspection)係一種利用影像感測器自動掃描待測物的影像資訊，檢測出待測物上缺陷或瑕疵的光學檢測設備。常用在工廠生產過程中透過光學檢測設備自動化檢測不良品或產品缺陷、瑕疵處。自動光學檢測設備通常針對某一種缺陷瑕疵或不良問題需搭載相對應的光學設計。因此，若要檢測出待測物上多種瑕疵種類或相異的不良問題，通常需要多種對應的光學設計搭配來檢測。所以自動光學檢測設備常受限於一組特定光學設計只能檢測一種對應的缺陷或瑕疵。若需檢測多種缺陷或瑕疵則需要多組光學設計。

本發明的第一觀點的高爾夫球電腦檢測系統包括：一微處理器組配來接收一待測高爾夫球的影像資訊。該微處理器組配來根據一第一深度學習推論模型辨識及分類該待測高爾夫球表面的缺陷並輸出一缺陷特徵向量，根據一第二深度學習推論模型辨識及分類該待測高爾夫球的商標並輸出一商標特徵向量，及根據一第三深度學習推論模型辨識該待測高爾夫球表面的風洞樣式並輸出一風洞樣式特徵向量。一電腦辨識模組以該等缺陷、商標、風洞樣式特徵向量及該待測高爾夫球的影像參數計算出一組限度值，該組限度值係對應至少一個限度維度的數值，且根據一限度邏輯比較該組限度值與一允收標準來決定該組限度值是否與該允收標準相吻合，以篩選出與人為判定所檢出一致的高爾夫球缺陷。

本發明的第二觀點的自動光學檢測設備至少包含用於擷取一待測高爾夫球表面影像資訊的影像感測器，用於承載該待測高爾夫球並可轉動該待測高爾夫球的高爾夫球承載，及第一觀點所述的高爾夫球電腦檢測系統

根據本發明，可實現以單一自動光學檢測系統完成對多種缺陷、瑕疵進行光學檢測的功能，不需額外搭配多組光學設計。

100:自動光學檢測設備

101:影像感測器

102:高爾夫球承載

103:輔助光源裝置

104:電腦辨識博組

105:待測高爾夫球

200:高爾夫球檢測軟體系統

201:深度學習訓練單元

202:深度學習推論單元

203:料號建立管理單元

204:瑕疵標記管理單元

205:設備控制子單元

206:報表管理子單元

301:缺陷辨識深度學習推論模型

303:商標辨識深度學習推論模型

305:風洞樣式深度學習推論模型

S401~S407:步驟

圖1是表示根據本發明的一實施例之自動光學檢測設備。

圖2是表示根據本發明的一實施例之高爾夫球檢測系統架構圖。

圖3是表示根據本發明的一實施例之高爾夫球缺陷推論模型架構圖。

圖4是根據本發明之一實施例的利用限度邏輯推論流程示意圖。

具體實施方式現在將在下文中參考附圖更全面地描述本公開內容。附圖中示出了本公開內容的示例性實施例。然而，本公開內容以許多不同的形式實施，並且不應該被解釋僅限於這裡闡述的示例性實施例。相反地，提供這些示例性實施例是為了使本公開內容徹底和完整，並且將本公開的範圍完全傳達給本領域技術人員。

本文使用的術語僅用于描述特定示例性實施例的目的，而不意圖限制本發明。如本文所使用的，除非上下文另外清楚地指出，否則單數形式“一”，“一個”和“該”旨在也包括複數形式。此外，當在本文中使用時，“包括”和/或“包含”或“包括”和/或“包括”或“具有”和/或“具有”步驟、操作、組件和/或其群組，但不排除存在或添加一個或多個其它特徵，步驟、操作、組件和/或其群組。

除非另外定義，否則本文使用的所有術語(包括技術和科學術語)具有與本公開所屬領域的普通技術人員通常理解的相同的含義。此外，除非文中明確定義，諸如在通用字典中定義的那些術語應該被解釋為具有與其在相關技術和本公開內容中的含義一致的含義。

以下內容將結合附圖對示例性實施例進行描述。須注意的是，參考附圖中所描繪的組件不一定按比例顯示；而相同或類似的組件將被賦予相同或相似的附圖標記表示或類似的技術用語。

圖1係表示根據本發明一實施例的自動光學檢測(AOI)設備。自動光學檢測設備100包含一影像感測器101、一高爾夫球承載102、一輔助光源裝置103及一電腦辨識模組104。自動光學檢測設備100係用來檢測一待測高爾夫球是否具有缺陷、瑕疵或不良問題的設備。在本發明實施例中，高爾夫球的缺陷、瑕疵及不良問題意指經由人為判定所檢出的高爾夫球不完美處，缺陷/瑕疵/不良問題在本公開內容上下文可互為替換。影像感測器101用來擷取設置於高爾夫球承載102上一待測高爾夫球105的影像。影像感測器101可為面掃描攝影機(Area Scan Camera)、以及線掃描攝影機(Line Scan Camera)，配合實際上的需求所述的兩種攝影機或其他種類的攝影裝置都有可能被使用。。

輔助光源裝置103用來照明待測高爾夫球，提供足夠亮度使得影像感測器101能擷取足夠清楚的高爾夫105表面影像。輔助光源裝置103可為平行光燈具、漫射光燈具、穹形燈等；在某些實施例中，可能會用到兩組以上的輔助光源103。

高爾夫球承載102組配來將高爾夫球105轉動，使得影像感測器101至少可以擷取高爾夫球表面充分的影像資訊，例如360度的表面環繞影像資訊。影像感測器101將所擷取到的影像資訊傳遞給電腦辨識模組104。

電腦辨識模組104包含至少一微處理單元及至少一儲存介質，該至少一儲存介質存放一個以上預先訓練好的深度學習推論模型，基於待測高爾夫球的影像資訊，決定待測高爾夫球是否有瑕疵、缺陷且能篩選出與人為判定一致的真缺陷。

當電腦辨識模組104接收到影像感測器101傳來的待測高爾夫球影像資訊後，該至少一處理單元根據多個預先訓練好的深度學習推論模型，執行辨識程序並推論出待測高爾夫球缺陷種類及缺陷位置、商標及商標位置、風洞樣式等特徵。

在本發明另一實施例中，電腦辨識模組104可組配於影像感測器101中，使得影像感測器可以直接利用辨識模組中的深度學習推論模型，進行高爾夫球缺陷辨識及推論功能，而不需額外運算硬體。

圖2係根據本發明一實施例的高爾夫球檢測軟體系統架構。高爾夫球檢測軟體系統200包含深度學習訓練單元201、深度學習推論單元202、料號建立管理單元203、瑕疵標記管理單元204、設備控制子單元205及報表管理子單元206，各單元間之介面及互動由箭頭所例示。

高爾夫球辨識所需的訓練資料係由標記有缺陷類別、商標及風洞樣式等標籤的高爾夫球圖片所構成的訓練資料集。該高爾夫球訓練資料集作為深度學習所需之訓練資料。缺陷類別標籤包含但不限於塗裝髒汙、噴漆不均、流漆、表面刮傷、漆渣、粗糙、托針痕及毛屑等；商標標籤包含單一料號標誌logo及號頭；風洞樣式標籤包含風洞與赤道樣式排列組合，例如圓形、六角形風洞、風洞大小與風洞總個數等。

高爾夫球訓練資料集可存放於瑕疵標記管理單元204。料號建立管理單元203建立待測高爾夫球的料號資訊。深度學習訓練單元201使用訓練資料集的標籤圖片對高爾夫球缺陷、商標及風洞樣式的辨識及分類予以訓練。深度學習訓練單元201執行深度學習模型的訓練，完成後的模型參數及權重可下載至深度學習推論單元202存取。設備控制子單元205用來操控自動光學檢測設備100各硬體設備，例如高爾夫球承載的轉動速度、轉度，及輔助光源裝置的光強度等。深度學習推論單元202根據訓練完成後的深度學習模型進行高爾夫球的缺陷、商標及風洞樣式推論，並將推論結果輸出給報表管理子單元206。報表管理子單元206則輸出推論結果報表並將該報表存放於數據庫(database)當中。

深度學習訓練單元201透過圖形介面接收使用者的指示進行深度學習訓練，並可將訓練結果存放在網路存儲空間NAS(Network Attached Storage)中。深度學習推論單元202包含設備控制子單元205及報表管理子單元206，並以圖形介面方式讓使用者控制設備相關硬體。

在本發明一實施例中，電腦辨識模組104包含深度學習推論單元202、設備控制子單元205及報表管理子單元206。其他單元可以建置於與電腦辨識模組同一電腦硬體中或個別不同電腦硬體中。

設備控制子單元205提供硬體設備控制、自動化控制與設備狀態記錄檔，另包含各硬體設備的馬達轉速、馬達正反轉、輸入輸出作動及可編程邏輯控制PLC(Programmable Logic Control)通訊等相關參數。

在本發明一實施例中，深度學習訓練單元201組配來建立一辨識缺陷的深度學習模型，用以學習辨識及分類各種高爾夫球瑕疵或缺陷。該缺陷辨識深度學習模型係使用卷積神經網路CNN(Convolutional Neural Network)演算法，以高爾夫球影像資料集中的標籤圖片來訓練高爾夫球瑕疵的辨識及分類。

在本發明一實施例中，缺陷辨識深度學習模型包含一輸入層(input layer)、一卷積層(convolution layer)、一池化層(pooling layer)、一全連結層(full connection layer)及一輸出層(output layer)。高爾夫球訓練圖片由輸入層輸入，卷積層及池化層壓縮處理該輸入的影像資料以擷取與高爾夫球缺陷相關的特徵，全連結層則透過權重經由投票方式將獲得的影像特徵進行缺陷辨識及分類，最後輸出層經由正規化處理(例如，softmax運算)而輸出一缺陷特徵向量，該缺陷特徵向量包含各種缺陷類別的信心程度、位置相關聯之資訊。該信心程度可對應於屬於一缺陷類別之機率。池化層可採用最大池化(Max Pooling)或平均池化(Mean Pooling)來進行次採樣(Subsampling)，進一步簡化從卷積層獲得的影像特徵。

經由輸出層的結果與預期結果的相互驗證，調整及更新缺陷辨識模型全連結層的函數權重。經過幾次相互驗證，深度學習疊代過程將趨於收斂，此時缺陷模型的訓練將完成。訓練完成後的缺陷辨識模型具有特定的權重組合，用於實際高爾夫球缺陷的推論。

由缺陷辨識深度學習模型可辨識的高爾夫球缺陷類別包含但不限於：塗裝髒汙、噴漆不均、流漆、表面刮傷、漆渣、粗糙、托針痕及毛屑等。

在本發明一實施例中，深度學習訓練單元201組配來建立一辨識商標的深度學習模型，用以學習辨識及分類各種高爾夫球商標。該商標辨識深度學習模型係使用卷積神經網路CNN(Convolutional Neural Network)演算法，以高爾夫球訓練資料集內的標籤圖片來訓練高爾夫球商標的辨識及分類。

在本發明一實施例中，商標辨識深度學習模型包含一輸入層(input layer)、一卷積層(convolution layer)、一池化層(pooling layer)、一全連結層(full connection layer)及一輸出層(output layer)。高爾夫球訓練圖片由輸入層輸入，卷積層及池化層壓縮處理該輸入的影像資料以擷取與商標相關的影像特徵，全連結層則透過權重經由投票方式將獲得的影像特徵進行商標辨識及分類，最後輸出層經由正規化處理(例如，softmax運算)而輸出一商標特徵向量，該商標特徵向量包含各種商標類別的信心程度、位置及號頭相關聯資訊。該信心程度可對應於屬於一商標的機率。池化層可採用最大池化(Max Pooling)或平均池化 (Mean Pooling)來進行次採樣(Subsampling)，進一步簡化從卷積層獲得的影像特徵。

經由輸出層的結果與預期結果的相互驗證，調整及更新商標辨識模型全連結層的函數權重。經過幾次相互驗證，深度學習疊代過程將趨於收斂，此時商標模型的訓練將完成。訓練成後的商標辨識模型具有特定的權重組合，用於實際高爾夫球商標的推論。

在本發明一實施例中，深度學習訓練單元201組配來建立一辨識風洞樣式的深度學習模型，用以學習辨識及分類高爾夫球風洞樣式。該風洞樣式辨識深度學習模型係使用卷積神經網路CNN(Convolutiona1 Neural Network)演算法，以高爾夫球訓練資料集內標籤圖片來訓練高爾夫球風洞樣式辨識。

在本發明一實施例中，辨識風洞樣式學習模型包含一輸入層(input layer)、一卷積層(convolution layer)、一池化層(pooling layer)、一全連結層(full connection layer)及一輸出層(output layer)。高爾夫球訓練圖片由輸入層輸入，卷積層及池化層壓縮處理該輸入的影像資料以擷取與風洞樣式相關的影像特徵，全連結層則透過權重經由投票方式將獲得的影像特徵進行風洞樣式辨識，最後輸出層經由正規化處理(例如，softmax運算)而輸出風洞樣式特徵向量，該風洞樣式特徵向量包含風洞樣式類別之信心程度、位置相關聯資訊。該信心程度可對應為使於一風洞樣式類別的機率。池化層可採用最大池化(Max Pooling)或平均池化(Mean Pooling)來進行次採樣(Subsampling)，進一步簡化從卷積層獲得的影像特徵。

經由輸出層的結果與預期結果的比較，調整及更新風洞樣式辨識模型的函數權重。經過幾次相互驗證，深度學習疊代過程將趨於收斂，此時風洞樣式模型的訓練將完成。訓練完成後的風洞樣式辨識模型具有特定的權重組合，用於實際高爾夫球風洞樣式的推論。

在本發明另一實施例中，上述各深度學習模型訓練過程中，根據實務上的需求，卷積層、池化層及全連結層，各別可組配為單層或多層。

在本發明一實施例中，經由深度學習訓練單元201訓練完成的各深度學習模型可由電腦辨識模組下載至深度學習推論單元202。在另一實施例中，電腦辨識模組可透過網路存儲空間NAS存取該等預先訓練的深度學習推論模型於深度學習推論管理單元202中。

當待測高爾夫球影像資訊輸入給電腦辨識模組後，電腦辨識模組可直接根據預先內存已訓料完成的深度學習推論模型，來進行高爾夫球缺陷辨識及推論；或者，將訓練完成的深度學習推論模型直接下載或向網路存儲空間存取，來進行高爾夫球辨識及推論。缺陷辨識深度學習推論模型根據輸入的影像資訊輸出一缺陷特徵向量、商標辨識深度學習推論模型根據輸入的影像資訊輸出一商標特徵向量、及風洞樣式辨識深度學習推論模型根據輸入的影像資訊輸出一風洞樣式特徵向量。

在本發明一實施例中，該缺陷特徵向量包含屬於各缺陷類別的推論信心程度、座標位置相關聯資訊。該電腦辨識模組將該推論信心程度、座標位置結合該影像資訊計算出一組限度值。該組限度值包含屬於各缺陷類別的信心值、面積值、長度值及深淺值或上述數值之任一組合。

該信心值係對應各特定缺陷類別之信心程度量化值，其值介於0~1之間。

該面積值係利用該座標位置透過影像像素轉化後計算出的面積大小，其單位為mm平方。在本發明一實施例中，以影像二值化方式將缺陷辨識深度學習推論模型所框選區域中顏色較深的像素點個數統計出來，再將該像素點個數與空間解析度相乘，以獲得屬於該缺陷類別的面積大小。空間解析度為影像中的一個像素點大小對應至實體面積的數值。例如，一個像素面積對應於實體面積的大小為0.0607mm平方。在本發明另一實施例中，利用缺陷辨識模型所框選區域的左上角端點座標(x1,y1)及右下角端點座標(x2,y2)，基於線性回歸公式計算出新的左上角座標(x1’,y1’)及右下角座標(x2’,y2’)。基於(x1’,y1’)及(x2’,y2’)所計算出辨識模型框選區域的長l及寬w，瑕疵實際面積值以長、寬、空間解析度及一因子常數相乘計算獲得。

該長度值係該面積大小之最長邊或對角線之長短，其單位為mm。

該深淺值係對應各特定缺陷類別區域顏色與影像背景色之對比差異計算獲得，其值介於0~1之間。在本發明一實施例中，利用二值化將缺陷辨識深度學習推論模型所框選區域中顏色較深像素點進一步框選出來；在推論模型所框選區域中另框選出未有缺陷的一區域；將較深像素框選區域及未有缺陷框選區域分別計算灰階值的平均，再用兩者平均值計算兩者的差異大小；最後經由差異大小除以255獲得深淺值。

基於計算獲得的限度值，電腦辨識模組根據一限度邏輯比較該等限度值與一允收標準，決定該組限度值是否與該允收標準相吻合，以篩選出與人為判定所檢出一致的高爾夫球缺陷。

具體而言，限度邏輯係組配來針對多個限度維度設立的比較條件。限度值係相應於該等多個限度維度的一組數值大小。限度維度包含但不限於對應各缺陷類別的信心維度、面積維度、長度維度、深淺維度及其任一組合。為更準確篩選出與人為認定一致的真缺陷，限度維度可以不僅限於上述維度；任何可提高真缺陷檢出率的資訊維度均可納入限度邏輯的限度維度中。例如，限度邏輯可組配來另包含與商標類別或風洞樣式類別相關聯的限度維度。

允收標準為一組與各限度維度的比較條件相對應的數值範圍或數值大小。在本發明一實施例中，允收標準可為一組數值範圍，與此組範圍吻合的限度值被認定為檢出正確的真缺陷，否則為檢出錯誤的假缺陷。例如，屬於某一缺陷類別的信心值需大於0.8、且面積值大於或等於0.7mm²、且長度值大於或等於0.7mm、且深淺值小於或等於0.01。若計算獲得的限度值落於此等範圍區間，則認定為檢出正確的真缺陷；若否，則為檢出錯誤的假缺陷。

在本發明另一實施例中，允收標準可為一組特定數值，與此組特定數值相等的限度值被認定為檢出正確的真缺陷，否則為檢出錯誤的假缺陷；例如屬於某一缺陷類別的信心值等於0.9、且面積值等於0.8mm²、且長度值等於0.7mm、且深淺值等於0.1。若限度值等於此等數值，則認定為檢出正確的真缺陷；若否，則為檢出錯誤的假缺陷。

在本發明之一實施例中，一限度邏輯可包含多個允收標準。該等多個允收標準可對應不同的缺陷檢出正確度等級。例如，第一允收標準對應檢出為無缺陷的良品等級、第二允收標準對應檢出正確度高的缺陷等級、或第三允收標準對應檢出正確度低的缺陷等級。如圖3所示，待測高爾夫球影像資訊輸入至缺陷辨識深度學習推論模型301，經由輸入層(input)、卷積層、池化層(Conv.+pool)、全連結層(FC)處理辨識及分類，然後在輸出層(output)輸出缺陷特徵向量；待測高爾夫球影像資訊輸入至商標辨識深度學習推論模型303及風洞樣式深度學習推論模型305，經由與缺陷辨識模型相似推論過程後，該等推論模型辨識及分類輸出各別特徵向量。電腦辨識模組基於該等特徵向量及影像資訊計算出一組限度值。該組限度值經由一限度邏輯所設定的各允收標準，將待測高爾夫球分級到特定的檢出正確度等級。符號OK代表良品等級，表示經由限度邏輯判斷為無瑕疵的高爾夫球良品。符號NG1至NG2代表兩個缺陷檢出正確度等級，其中NG1可代表由限度邏輯判斷推論模型輸出之結果係與人為判定吻合的高正確度等級、及NG2可代表由限度邏輯判斷推論模型輸出之結果係與人為判定不吻合的低正確度等級。

在本發明一實施例中，電腦辨識模組可另包含一測試單元來決定該等深度學習推論模型(例如301、303及305)的推論結果與該限度邏輯的允收標準比較後，是否需要額外的訓練。測試單元的輸入端分別接收深度學習推論模型直接輸出的檢出結果及經由限度邏輯決定的檢出結果，藉以計算出直接推論的缺陷檢出正確率及透過限度邏輯的檢出正確率。若限度邏輯的缺陷檢出正確率未明顯高過直接推論的檢出正確率，表示限度邏輯的限度不足，進而使得電腦辨識模組調整限度邏輯的允收標準、或增加額外的限度維度的比較條件；或者，使用者可以添加更多的訓練圖片給深度學習模型改善訓練結果。

圖4係根據本發明之一實施例利用限度邏輯的推論流程示意圖。利用限度邏輯的高爾夫球缺陷推論流程包含：擷取待測高爾夫球的影像資訊並將擷取影像資訊傳遞給電腦辨識模組處理(步驟S401)；輸入擷取影像資訊給缺陷辨識深度學習推論模型並且輸出缺陷特徵向量，輸入擷取影像資訊給商標辨識深度學習推論模型並且輸出商標特徵向量、以及輸入擷取影像資訊給風洞樣式辨識深度學習推論模型並且輸出風洞樣式特徵向量(步驟S403)；基於缺陷特徵向量、商標特徵向量、風洞樣式特徵向量及所擷取影像資訊，計算出與缺陷信心程度、面積大小、長短及深淺相關聯的一組限度值(步驟S405)；利用限度邏輯比較該組限度值與一允收標準，決定缺陷推論結果是否與人為檢出的結果相吻合(步驟S407)。

本發明之一實施例所述之推論流程之方法步驟亦可作為一種電腦程式產品實施，用以存儲在網路伺服器之硬碟、記憶裝置、例如app store、google play、window市集、或其他類似之應用程式線上發行平台。

以上已將本發明做一詳細說明，惟以上所述者，僅為本發明之一實施例而已，當不能以此限定本發明實施之範圍，即凡依本發明申請專利範圍所作之均等變化與修飾，皆應仍屬本發明之專利涵蓋範圍內。

301:缺陷辨識深度學習推論模型

303:商標辨識深度學習推論模型

305:風洞樣式深度學習推論模型

OK:良品等級

NG1:人為判定吻合的高正確度等級

NG2:人為判定不吻合的低正確度等級

Claims

一種高爾夫球電腦檢測系統，其包括：一微處理器，其組配來接收一待測高爾夫球的影像資訊；根據一第一深度學習推論模型辨識及分類該待測高爾夫球表面的缺陷並輸出一缺陷特徵向量；根據一第二深度學習推論模型辨識及分類該待測高爾夫球的商標並輸出一商標特徵向量；根據一第三深度學習推論模型辨識該待測高爾夫球表面的風洞樣式並輸出一風洞樣式特徵向量；其中，一高爾夫球電腦辨識模組以該等缺陷、商標、風洞樣式特徵向量及該待測高爾夫球的影像參數計算出一組限度值，該組限度值係對應至少一個限度維度的數值，且根據一限度邏輯比較該組限度值與一允收標準來決定該組限度值是否與該允收標準相吻合，該允收標準包含對應於該至少一個限度維度的容許數值範圍或數值大小，及該限度邏輯係組配來提供與該容許數值範圍或數值大小作比較的條件組合，以篩選出與人為判定所檢出一致的高爾夫球缺陷；以及一測試單元，該測試單元組配來將經由該限度邏輯所獲得的缺陷檢出結果與該等深度學習推論模型直接輸出的推論結果作比較，藉以調整該限度邏輯或添加訓練資料。
如請求項1的高爾夫球電腦檢測系統，其中：該缺陷特徵向量包含屬於一缺陷之機率及位置相關聯資訊。
如請求項1的高爾夫球電腦檢測系統，其中：該至少一個限度維度包含屬於一缺陷類別的信心程度、面積、表面長度、表面深淺及其任一組合。
如請求項3的高爾夫球電腦檢測系統，其中：該組限度值包含屬於一缺陷類別的信心值、面積值、長度值、深淺值及其任一組合；其中該信心值係由該第一深度學習推論模型產生的屬於該缺陷類別之機率值，該面積值係該缺陷類別透過影像像素轉化後計算的面積大小、該長度值係該缺陷類別最長邊或對角線之長度、該深淺值係該缺陷類別表面影像顏色與背景色之對比差異大小。
如請求項1的高爾夫球電腦檢測系統，其中：該等第一、第二及第三深度學習推論模型個別使用一卷積神經網路(Convolutional Neural Network)演算法以標記有缺陷、商標及風洞樣式的高爾夫球圖片予以訓練而形成。
如請求項1的高爾夫球電腦檢測系統，其中：該待測高爾夫球影像參數包含該第一深度學習推論模型所框選區域中顏色較深的像素點個數及一空間解析度。
一種自動光學檢測設備，包含：一影像感測器，用於擷取一待測高爾夫球表面影像資訊；一高爾夫球承載，用於承載該待測高爾夫球並可轉動該待測高爾夫球；及如請求項1至6中任一項的高爾夫球電腦檢測系統。
如請求項7的自動光學檢測設備，另包含：一輔助光源裝置，組配來照明該待測高爾夫球以提供足夠亮度，使得該影像感測器能擷取足夠清楚的影像資訊。