具有辅助判断功能的产品测试系统及产品测试辅助方法与相关技术

权利要求书

1.一种产品测试辅助方法，应用于一产品测试系统与多个待测试产品上，该系统包含有一电

脑装置与一测试治具，该电脑装置信号连接于该测试治具，该电脑装置载有一机器学习模式，而该方法包含下列步骤：

该测试治具按序测试所述待测试产品，并分别产生一测试数据而传送至该电脑装置；

该电脑装置将各测试数据分别产生一趋势线形图；

作业员根据各趋势线形图的显示内容进行判断而分别产生一人为判断结果；

将各测试数据、各趋势线形图与各人为判断结果输入至该机器学习模式中以进行一学习程序；以及

当该学习程序所具有的样本数达一预设门限值时，使该机器学习模式针对相应的该测试数据与该趋势线形图产生相应的一辅助判断结果。

2.如权利要求1所述的产品测试辅助方法，其中该方法为于该电脑装置中存储成一测试应用

程序以提供执行，而该方法包含下列步骤：

执行该测试应用程序以控制该机器学习模式。

3.如权利要求1所述的产品测试辅助方法，其中各人为判断结果或各辅助判断结果为一第一

品质类别或一第二品质类别，而该第一品质类别或该第二品质类别包含有至少一种等级的子项目。

4.如权利要求3所述的产品测试辅助方法，其中该方法还包含下列步骤：

该机器学习模式判断相应的该测试数据与该趋势线形图于该第一品质类别与该第二品质类别上所占的权重，而产生相应的该辅助判断结果。

5.如权利要求3所述的产品测试辅助方法，其中该方法还包含下列步骤：

该机器学习模式比对相应的该辅助判断结果与相应的该人为判断结果；

当相应的该辅助判断结果不同于相应的该人为判断结果时，产生一提示信息；以及

作业员产生相应的一修正判断结果，并输入至该机器学习模式中以进行调整。

6.如权利要求5所述的产品测试辅助方法，其中该方法还包含下列步骤：

该机器学习模式根据相应的该修正判断结果调整相应的该测试数据与该趋势线形图于该第一品质类别与该第二品质类别上所占的权重。

7.如权利要求5所述的产品测试辅助方法，其中该方法还包含下列步骤：

该机器学习模式根据相应的该辅助判断结果、相应的该人为判断结果与相应的该修正判断结果产生一判断成功率；以及

根据该判断成功率调整该预设门限值。

8.如权利要求1所述的产品测试辅助方法，其中该机器学习模式为一类神经网络模式或一人

工神经网络模式。

9.一种具有辅助判断功能的产品测试系统，应用于多个待测试产品上，该系统包含有：

一测试治具，用以按序测试所述待测试产品，并分别产生一测试数据；以及

一电脑装置，信号连接于该测试治具，该电脑装置并载有一机器学习模式，用以接收该测试治具所传送的各测试数据并分别产生一趋势线形图；

其中，作业员根据各趋势线形图的显示内容进行判断而分别产生一人为判断结果，进而将各测试数据、各趋势线形图与各人为判断结果输入至该机器学习模式中以进行一学习程序；当

该学习程序所具有的样本数达一预设门限值时，该机器学习模式针对相应的该测试数据与该趋势线形图产生相应的一辅助判断结果。

10.如权利要求9所述的产品测试系统，其中各人为判断结果或各辅助判断结果为一第一品质

类别或一第二品质类别，而该第一品质类别或该第二品质类别包含有至少一种等级的子项目。

11.如权利要求10所述的产品测试系统，其中该机器学习模式用以判断相应的该测试数据与

该趋势线形图于该第一品质类别与该第二品质类别上所占的权重，而产生相应的该辅助判断结果。

12.如权利要求10所述的产品测试系统，其中该机器学习模式用以比对相应的该辅助判断结

果与相应的该人为判断结果，并于相应的该辅助判断结果不同于相应的该人为判断结果时产生一提示信息，进而提供作业员可产生相应的一修正判断结果，并输入至该机器学习模式中以进行调整。

13.如权利要求12所述的产品测试系统，其中该机器学习模式用以根据相应的该修正判断结

果调整相应的该测试数据与该趋势线形图于该第一品质类别与该第二品质类别上所占的权重。

14.如权利要求12所述的产品测试系统，其中该机器学习模式用以根据相应的该辅助判断结

果、相应的该人为判断结果与相应的该修正判断结果产生一判断成功率，进而使该预设门限值可根据该判断成功率做调整。

15.如权利要求9所述的产品测试系统，其中该机器学习模式为一类神经网络模式或一人工神

经网络模式。

技术说明书

具有辅助判断功能的产品测试系统及产品测试辅助方法

技术领域

本技术涉及一种具有辅助判断功能的产品测试系统及应用于其上的产品测试辅助方法，尤其涉及使用机器学习模式来产生预测以提供作业员主观判断外的客观参考，从而能减少作业时间和避免误判的系统与方法。

背景技术

随着工业与科技的日益进步，人们已于日常生活中普遍地使用各种电子产品，例如3C电子装置。而目前的生产工厂在产品的制造上，除了需在线上进行包括电路或电性测试的产线测试以符合电气安规外，还会进行产品出厂前的功能测试。根据目前技术，此一功能测试作业可使用相关的检测程序来计算出其趋势线形图，借此得知产品的品质。

举例来说，陀螺仪或加速度计等装置是一种以感测加速度方向或角速度而能感测动作的动作感测器。而针对此一产品所进行的测试可为将一动作感测器置放在一测试治具中的一测试平面上，且测试治具可对测试平面进行三维运动(包括移动与转动)，进而通过观察动作感测器在不同角度上的感测结果所产生的趋势线形图来判断其功能可否正常运行。

请参见图1A与图1B，分别为对两个不同的感测器以现有技术进行功能测试的趋势线形图。在经由线上作业员对此两个趋势线形图进行检视与主观判断后，将其中的图1A判断为品质良好，也就是相应的感测器通过检测而被定义为“良好(Pass)”；另外，将其中的图1B判断为品质劣等，也就是相应的感测器未通过检测而被定义为“劣等(Fail)”。此两个图在横轴可代表转动的角度，纵轴可代表所测量到的扭力(单位：牛顿米)。

承上所述，根据作业员的经验累积，当看到所产生的线形是随着转动角度的增加变化而呈现出相应地缓慢上升趋势时，便判断产品为品质良好(Pass)，如其中的图1A所示。相对地，当看到所产生的线形是随着转动角度的增加变化而未呈现出相应地缓慢上升趋势时，便判断产

品为品质劣等(Fail)，如其中的图1B所示。当然，品质劣等的趋势线形图亦可能以其他形式呈现，并不限于图1B的形式。

由此可知，当有大量的产品需要进行测试或者所要进行测试的项目较多时，作业员就得耗用大量时间来处理所收集到的数据并对大量的趋势线形图进行检视与判断。如此，除了会增加作业上的人力负担外，即使只是良好(Pass)与劣等(Fail)的判断分类，亦有可能会在庞大的工作量之下出现作业员的误判。再者，即使有客观的分类标准，所述的检视与判断仍然是人为的主观结果。一旦所产生的趋势线形图有较难区分的细节时，将会影响作业员本身的判断。

因而，如何开发出一个能足以应付产线上的大量产品测试并能提供作业员进行测试上的辅助判断的辅助系统，以达到减少误判几率、减少作业时间和减少生产成本的目的，将是业界所不可忽视的重要议题。

技术内容

本技术的目的在于提出一种具有辅助判断功能的产品测试系统及应用于其上的产品测试辅助方法。该系统与方法是使用机器学习模式来产生测试上的辅助判断功能，也就是在线上作业员对所形成的趋势线形图进行检视与主观判断下，可同时使该机器学习模式经过特定演算法的训练与学习后，产生一种人工智能性质的辅助判断结果来提供作业员参考。如此，作业员在大量作业时间与庞大工作量之下所可能造成的误判就可以避免，或是一些细节无法做主观区分等情形，就有可另外参考的资源来辅助判断。

本技术为一种产品测试辅助方法，应用于一产品测试系统与多个待测试产品上。该系统包含有一电脑装置与一测试治具，该电脑装置信号连接于该测试治具，该电脑装置载有一机器学习模式。该方法包含下列步骤：该测试治具按序测试所述待测试产品，并分别产生一测试数据而传送至该电脑装置；该电脑装置将各测试数据分别产生一趋势线形图；作业员根据各趋势线形图的显示内容进行判断而分别产生一人为判断结果；将各测试数据、各趋势线形图与各人为判断结果输入至该机器学习模式中以进行一学习程序；以及当该学习程序所具有的样本数达一预设门限值时，使该机器学习模式针对相应的该测试数据与该趋势线形图产生相应的一辅助判断结果。

本技术另一方面为一种具有辅助判断功能的产品测试系统，应用于多个待测试产品上。该系统包含有一电脑装置与一测试治具。该测试治具用以按序测试所述待测试产品，并分别产生一测试数据。该电脑装置信号连接于该测试治具，该电脑装置并载有一机器学习模式，用以接收该测试治具所传送的各测试数据并分别产生一趋势线形图。其中，作业员根据各趋势线形图的显示内容进行判断而分别产生一人为判断结果，进而将各测试数据、各趋势线形图与各人为判断结果输入至该机器学习模式中以进行一学习程序；当该学习程序所具有的样本数达一预设门限值时，该机器学习模式针对相应的该测试数据与该趋势线形图产生相应的一辅助判断结果。

为了对本技术的上述及其他方面有更佳的了解，下文特举实施例并配合附图进行详细说明。

附图说明

图1A与图1B为现有技术对两个不同的感测器进行功能测试的趋势线形图。

图2为本技术所提出的一产品测试系统100的功能方框示意图。

图3为典型的一类神经网络20的架构图。

图4为本技术所提出的产品测试辅助方法的流程图。

符号说明

100：产品测试系统 11：测试治具12：电脑装置 20：类神经网络21：输入层 22：隐藏层23：输出层 S1～S6：步骤

具体实施方式

以下提出实施例进行详细说明，实施例仅用以作为范例说明，并不会限缩本技术欲保护的范围。此外，实施例中的附图省略不必要或以通常技术即可完成的元件，以清楚显示本技术的技术特点。

现以一实施例进行本技术所提出的具有辅助判断功能的产品测试系统及应用于其上的产品测试辅助方法的实施说明。请参见图2，其为本技术的一产品测试系统100的功能方框示意图。如图2所示，该产品测试系统100包含有一电脑装置12与一测试治具11，该电脑装置12信号连接于该测试治具11。其中该电脑装置12载有一机器学习模式，而该测试治具11能对多个待测试产品(未显示于附图)进行测试。

于此实施例中，其中的待测试产品可为一种动作感测器，而该测试治具11则为可对这些动作感测器进行三维运动测试的装置，但本技术并不限于此。因而，该电脑装置12应用于一功能测试作业的执行，例如在一产线上对相关电子产品进行出厂前的各项测试以确认其品质。另一方面，类似于现有技术，该电脑装置12可使用相关的检测程序来对所测试的产品计算出其趋势线形图(如图1A与图1B所示)，从而来判断其功能可否正常运行。

本技术的目的在于该机器学习模式的使用而来产生测试上的辅助判断功能，也就是在线上作业员对所形成的趋势线形图进行检视与主观判断下，可同时使该机器学习模式经过特定演算法的训练与学习后，产生一种人工智能性质的辅助判断结果来提供作业员参考。如此，作业员在大量作业时间与庞大工作量之下所可能造成的误判就可以避免，或是一些细节无法做主观区分等情形，就有可另外参考的资源来辅助判断。

于一实施例中，该机器学习模式为一类神经网络模式(Neural Network Model)或一人工神经网络模式(Artificial Neural Network Model)。根据目前技术，所谓的类神经网络是一种运用电脑来模拟生物大脑神经的人工智能系统，具有学习、存储和归纳等特性，并可进行识别、判断、控制或预测等功能的应用。

请参见图3，其为典型的一类神经网络20的架构图。该类神经网络20主要由神经元(neuron)

(或称节点)、层(layer)和网络(network)三个部分所组成，整个网络包含一系列通过权重

(weight)相互连接并以层的方式来组织的多个基本神经元(以圆圈示意)，且每层的每个神经元

会和前一层与后一层的神经元形成连接。图3的该类神经网络20是以三层架构做示意，包括一输入层(Input layer)21、一隐藏层(Hidden layer)22与一输出层(Output layer)23，而多个神经元分布于此三层中并相互连接形成整个网络。

承上所述，该输入层21负责接收从外部输入的数据或信息，且该输入层21的每个神经元会将数据或信息传递至下一层。该隐藏层22介于该输入层21和该输出层23之间，且该隐藏层22的每个神经元用以进行分析，并以函数联系该输入层21的变数与该输出层23的变数来配适(fit)数据。该输出层23则能相应地产生出结果并输出至外部。具体而言，类神经网络的每层各有数个神经元，层与层之间的神经元彼此以连线相接，每一个连线有一权重，而神经元有一转移函数(Transfer Function)或激发函数，可以将输入的值经过函数计算后输出。

大致上，类神经网络的训练或学习过程可分为两个阶段，即前向传播(forward-propagation)与反向传播(backward-propagation)。在前向传播的阶段，模式会对所得到的数据进行分析而产生预测结果，且其判断结果可例如在“0”或“1”、“是”或“非”、“有”或“没有”、“会”或“不会”等这种二分法或两极化的方式中进行比重高低的选择。在反向传播的阶段，作业员或工程师会告知模式其预测结果与真实结果之间的差距，而于误差修正之后反向传递回去，以使每一个神经元都往正确的方向来调整权重。如此，当模式再次遇到相似的情况时，便能提高接近真实结果的预测或判断成功率。

本技术的该机器学习模式所采用的该类神经网络模式可为上述图3所示的架构，但不限于此。举例来说，在图3中是以一层的该隐藏层22作示意，但于另一实施例中还可将架构中的隐藏层设计成多层；例如两层。或者，各层所具有的神经元数目可依应用需求做不同的设置。或者，该机器学习模式还可采用其他类似的演算法或模式；例如支持向量机(Support

Vector Machines，简称SVM)模式。

本技术的其一特征在于，该机器学习模式将要处理测试作业所产生的非线性的测试结果。所谓的训练与学习，即是在拥有足够的数据下进行归纳与收敛，进而使其输出结果能达到期望的目标值。本技术所提出的应用于该产品测试系统100上的产品测试辅助方法将详细说明如后。

请参见图4，其为本技术所提出的产品测试辅助方法的流程图。首先，该测试治具11按序测试所述待测试产品，并分别产生一测试数据而传送至该电脑装置12(步骤S1)；其次，该电脑装置12将各测试数据分别产生一趋势线形图(步骤S2)；接着，作业员根据各趋势线形图的显示内容进行判断而分别产生一人为判断结果(步骤S3)；接着，将各测试数据、各趋势线形图与各人为判断结果输入至该机器学习模式中以进行一学习程序(步骤S4)；接着，判断该学习程序所具有的样本数是否达一预设门限值(步骤S5)；其中，当该学习程序所具有的样本数达该预设门限值时，使该机器学习模式针对相应的该测试数据与该趋势线形图产生相应的一辅助判断结果(步骤S6)。

于一实施例中，本技术所提出的产品测试辅助方法于该产品测试系统100上的应用，可采用软件方式而于该电脑装置12中存储成一测试应用程序以提供执行。详细来说，在该测试应用程序被执行之下，除了会监控产线上的该测试治具11对各待测试产品所进行的测试外，还会对该机器学习模式进行控制。作业员可在该电脑装置12上得知该测试治具11所回传的测试结果，并在该电脑装置12上输入相关的测试指令或判断指令。

在所述步骤S1与S2中，该测试治具11对各待测试产品分别进行测试，而所分别得到的测试数据代表着相应的产品的品质或运行效能，并分别传送至该电脑装置12。如前所述，所得到的这些对应不同产品的测试数据可再使用相关的检测程序来计算出其趋势线形图(如图1A与图1B所示)。

于一实施例中，现有用以产生其趋势线形图的检测程序可为本技术的该测试应用程序的一部分，也就是可整合于该测试应用程序之中而能同时被执行。或者，现有用以产生其趋势线形图的检测程序与本技术的该测试应用程序可互为而分别载于该电脑装置12中，但彼此会协同运行。

另一方面，本技术的该测试应用程序可于执行时于该电脑装置12(例如其显示屏幕)上产生一使用者操作界面(未显示于附图)，让作业员除了能观看到各个待测试产品所相应的趋势线形图外，还能在完成检视与判断后提供作业员输入自己的判断结果。其输入的方式可为使用该使用者操作界面所具有的相关选取图符进行点选，或是使用该电脑装置12的相关输入装置

(例如键盘或鼠标)。

在所述步骤S3中，作业员进行主观判断而对每一趋势线形图分别产生一人为判断结果。类似于现有技术，作业员是综观各趋势线形图整体的显示内容后才进行主观判断。于一实施例中，各人为判断结果为一第一品质类别或一第二品质类别，也就是仅以二分法或两极化的方式进行品质分类。举例来说，观察其线形或曲线的走向是否为相应地缓慢上升且未有任何线段陡变或杂讯等情况，从而判断为品质良好(Pass)；反之，则为品质劣等(Fail)。

承上所述，可定义该第一品质类别代表品质良好，而该第二品质类别则代表品质劣等。作业员可在该使用者操作界面上按序输入相应的人为判断结果，而该使用者操作界面则可设计具有分别代表该第一品质类别与该第二品质类别的两个选取图符。当然，本技术的该测试应用程序于执行时所产生的该使用者操作界面的设计样式可不限于此。

本技术的另一特征在于，所述的各人为判断结果将作为该机器学习模式的训练与学习的目标或依据。因此，于一实施例中，于初步阶段可尽量采用已通过检测认证或其品质能被轻易分辨的产品作为理想样本(Golden Sample)来进行测试，使其所产生的趋势线形图能成为理想的学习对象。换句话说，使用理想样本能有助于该机器学习模式进行判断、归纳出该第一品质类别或该第二品质类别所相应的趋势线形图是何种样式。

在所述步骤S4中，当各测试数据、各趋势线形图与各人为判断结果产生时，将被进一步输入至该机器学习模式中，而该机器学习模式会以各人为判断结果作为目标值进行一学习程序。以类神经网络模式为例，虽然本技术设计在此一步骤的阶段尚不会显示可供判断参考的结果，但仍可在网络初始的权重配置下产生输出数据。所谓的学习程序，即是比较输出数据与目标值(即人为判断结果)之间的差异。当有差异时，网络即依目标值调整各连线的权重。

详细来说，由于一张数字化的趋势线形图是由多个像素点所构成的，所以该类神经网络模式可经由各像素点的内容与分布情形而得知其线形或曲线的走向。于一实施例中，可设计各趋势线形图具有相同大小与像素尺寸，并可将图3中的该输入层21的神经元设计成相应于该趋势线形图中的像素点，也就是每一像素点所代表的值会作为输入数据而分别输入至该输入层

21的一个相应的神经元中。

另一方面，由网络各连线的权重与该隐藏层22的运算来归纳所输入的数据，并将该输出层23的输出结果限定在该第一品质类别或该第二品质类别。就目前技术来说，该学习程序的结果

可视为是在对多笔不同的输入数据进行判断、归纳之后，其网络各连线的权重调整结果。

承上所述，只有当该学习程序所具有的样本数达一预设门限值时，模式才会显示足以提供判断参考的结果。举例来说，可设计该预设门限值为20组测试数据，也就是对20个待测试产品进行测试的结果并得到相应的20张趋势线形图，同时作业员也相应地进行20次的人为判断。就目前的理论来说，模式所得到的训练与学习的样本数愈多，就愈能对所输入的数据进行更正确而符合预期的判断、归纳与预测。

因而，在所述步骤S5中，当该学习程序所具有的样本数未达该预设门限值时，模式就必须继续进行训练与学习，也就是重复前述的步骤而对更多的待测试产品进行测试。相对地，在所述步骤S5至步骤S6中，当该学习程序所具有的样本数已达该预设门限值时，模式针对所测试的产品就可判断其测试数据与趋势线形图于该第一品质类别与该第二品质类别上所占的权重(即根据当时网络各连线的权重配置产生输出数据)，而产生相应的辅助判断结果。类似地，于一实施例中，各辅助判断结果也为该第一品质类别或该第二品质类别的定义。

承上所述，所产生的各辅助判断结果是提供作业员进行产品测试时的判断参考，是作为辅助、提示或建议之用，并不代表最后判断确定的结果。然而，针对该次测试所产生的辅助判断结果已可提供作业员参考，并查看与所输入的人为判断结果有无差异。因此，可设计使该使用者操作界面再次显示，以供作业员进行最后判断的确认与点选。

因而，本技术的产品测试辅助方法还可包含下列步骤：该机器学习模式比对相应的该辅助判断结果与相应的该人为判断结果；当相应的该辅助判断结果不同于相应的该人为判断结果时，产生一提示信息；其次，作业员产生相应的一修正判断结果，并输入至该机器学习模式中以进行调整。

所述的该提示信息可为显示于该电脑装置12(例如通过显示屏幕或扩音器)上的文字、图案或声音的信息，以提醒作业员其判断结果与模式的判断有所不同。另一方面，所述的该修正判断结果可代表例如作业员认为模式的判断才是对的，故舍弃原来的人为判断结果而改以该辅助判断结果做决定；或是作业员认为模式的判断是错的，自己的判断才是对的，故而反向告知模式相应的该辅助判断结果是不符实际的。

因而，本技术的产品测试辅助方法还可包含下列步骤：该机器学习模式根据相应的该修正判断结果调整相应的该测试数据与该趋势线形图于该第一品质类别与该第二品质类别上所占的权重；也就是此时可使网络将该修正判断结果作为最新的目标值来调整各连线的权重。

本技术的又一特征在于，以类神经网络模式为例，虽然在步骤S6的阶段已能针对所测试的产品显示可供判断参考的结果，但仍旧可持续不断地进行训练与学习。换句话说，模式除了会同时输出数据以提供参考外，作业员每次输入的人为判断结果或修正判断结果将可作为模式再训练与再学习的目标值。因此，该学习程序可视为是一种持续输入新数据、输出预测结果及根据目标值调整所述权重的更新结果，只要产线上的功能测试作业持续进行，该学习程序就不会结束。

本技术还可根据上述的实施例做进一步的变化。举例来说，当该学习程序所具有的样本数已达该预设门限值时，针对之后所测试的产品也可设计成尚不需由作业员产生相应的人为判断结果，而可先参考该机器学习模式所产生的相应的辅助判断结果为何，再由作业员做最后的判断与决定。如此，这种方式所产生的人为判断结果便是直接认同该辅助判断结果，或是直接对其提出修正。

另一方面，在上述的实施例中的人为判断结果或辅助判断结果是以二分法或两极化的方式来定义该第一品质类别与该第二品质类别，也就是仅粗略地将产品的品质各以一种等级来分类良好或劣等。然而，在非线性的测试议题下，所得到的测试结果通常无法由二分法的定义来精确分类。因而，本技术可在二分法的概念下进一步设计该第一品质类别与该第二品质类别还各包含有更多等级的子项目，以弥补分类的不足。

举例来说，可将代表品质良好的该第一品质类别设计包含有“优良”、“佳”等两种等级，并可将代表品质劣等的该第二品质类别设计包含有“不良”、“差”等两种等级。如此，作业员在产品测试的判断上便有更多的选择性，也使得该机器学习模式可进行更细节的训练与学习。

又另一方面，由上述实施例的说明可知，模式的预测结果有可能和人为的判断有所出入，且类神经网络的技术重点在于有足够的数据方能有效学习与修正权重。然而，学习的数据量太多则可能会耗费相当的工时，但太少又会影响预测的准确性。因而，在测试的过程当中，可能需要多加实验以确认模式能得到最佳的训练，以提供未来有效的预测。

因而，本技术的产品测试辅助方法还可包含下列步骤：该机器学习模式根据相应的该辅助判断结果、相应的该人为判断结果与相应的该修正判断结果产生一判断成功率；其次，根据该判断成功率调整该预设门限值。

举例来说，若如上述的将该预设门限值设计为20组测试数据，却仍常在后续预测上出现判断有误(也就是判断成功率不高)时，可将该预设门限值再调高为例如100组测试数据，待到达此标准后，模式才能显示可供判断参考的结果。如此，可有效地确认模式已能判断与学习到何种样式的趋势线形图代表品质良好，何种样式的趋势线形图代表品质劣等。

综上所述，本技术所提出的具有辅助判断功能的产品测试系统及应用于其上的产品测试辅助方法相较于现有技术能达到以下几点的技术增进：其一，在具有足够数据样本数的条件下，机器学习模式所产生的辅助判断具有一定的可信度，所以加入机器学习模式所产生的预测，能提供作业员在人为的主观判断外有一客观的参考，并可有效减少作业时间与生产成本；其二，可有效避免作业员在大量作业时间与庞大工作量之下所可能造成的误判，同时还能更客观地区分出不同线形或曲线所存在的细节；其三，能为未来的产线智能化、人工智能的无人工厂的目标提供了良好的发展基础。

因此，本技术能有效解决现有技术中所提出的相关问题，而能成功地达到本公开发展的主要目的。

虽然本技术已以实施例公开如上，然其并非用以限定本技术。本技术所属技术领域中技术人员，在不脱离本技术的构思和范围内，当可作各种的变动与润饰。因此，本技术的保护范围当视权利要求所界定者为准。