使用深度学习的新产品的质量检查方法及系统与流程

1.本说明书公开的实施例涉及一种使用深度学习的新产品的质量检查方法及系统，更详细而言，涉及一种通过使用预先学习的模型来检查产品生产线上新生产的新产品的不良的方法及系统，以检查生产线上生产的产品的不良。


背景技术：

2.随着计算技术的发展，机器学习的应用增加。尤其是近年来，在机器学习中，以人工神经网络为代表的深度学习技术发展迅速，并且在多种产业现场的应用案例不断增多。即使在制造领域，人工神经网络也创新地改变制造现场。
3.虽然现有的基于规则(rule)的测试方式无法检测生产线上发生的非典型不良，但人工神经网络可以向人类一样提取非典型不良。过去，人类亲自在产品的生产线上对非典型不良判断不良，但现在，通过使用应用人工神经网络的机器视觉来判断产品的不良与否并应用的示例越来越多。
4.如此，为了使用人工神经网络来识别产品是否不良，需要人工神经网络的学习过程。即通常，获取在生产过程中可能发生的不良产品的图像，并使用获取的不良产品的图像以监督学习方式使人工神经网络学习。
5.为了对新生产的产品使用人工神经网络检测产品的不良，需要使用新产品的不良图像来使人工神经网络学习，但由于生产过程中产品的不良率通常非常低，因此难以获取关于新产品的不良状态的图像，并且存在使人工神经网络学习需要很长时间的问题。
6.与此相关，作为现有技术文献的韩国专利公开第10-2000-0087346号涉及互联网人工智能学习及管理方法。描述了如下内容，通过互联网对教师和学习者进行注册，教师可以创建并使用想使用的出题和试题，学习者通过从问题数据库中取题进行学习，并且精确地评估其学习结果，但是无法迅速执行人工智能的学习。
7.因此，需要用于解决如上所述的问题点的技术。
8.另一方面，前述的背景技术是发明人为推导本发明而拥有的，或者是推导本发明的过程中学到的技术信息，不能说一定是在申请本发明前向公众公开的公知技术。


技术实现要素：

9.要解决的技术问题
10.本说明书公开的实施例的目的在于，提出一种使用深度学习的新产品的质量检查方法及系统。
11.本说明书公开的实施例的目的在于，提出一种新产品的质量检查方法和系统，通过学习新产品的良品图像来过滤不良。
12.本说明书公开的实施例的目的在于，提出一种新产品的质量检查方法和系统，基于新产品的良品图像和基于现有产品的不良图像生成的不良图像生成新产品的缺陷图像。
13.本说明书公开的实施例的目的在于，提出一种新产品的质量检查方法和系统，基
于现有产品的不良图像和新产品的缺陷图像执行补丁(patch)学习。
14.本说明书公开的实施例的目的在于，提出一种新产品的质量检查方法和系统，用于过滤新产品中的不良，并对过滤的不良产品的不良类型进行分类。
15.本说明书公开的实施例的目的在于，提出一种新产品的质量检查方法和系统，通过使用不良图像来学习分类模型。
16.用于解决问题的手段
17.作为用于解决上述技术问题的技术手段，根据一实施例，在检查新产品的质量的系统中，可包括：学习数据生成系统，基于作为存在缺陷的现有产品的图像的不良图像来生成用于所述新产品的质量检查的学习所需的学习数据；以及不良识别系统，学习所述学习数据，并且基于学习执行所述新产品的质量检查。
18.根据另一实施例，在质量检查系统检查新产品的质量的方法中，可包括如下步骤：基于作为存在缺陷的现有产品的图像的不良图像，生成用于所述新产品的质量检查的学习所需的学习数据；学习所述学习数据；以及基于学习执行所述新产品的质量检查。
19.根据又一实施例，在记录有用于执行质量检查方法的程序的计算机可读记录介质中，所述质量检查方法可包括如下步骤：基于作为存在缺陷的现有产品的图像的不良图像，生成用于所述新产品的质量检查的学习所需的学习数据；学习所述学习数据；以及基于学习执行所述新产品的质量检查。
20.根据另一实施例，在通过质量检查系统执行且存储在介质以执行质量检查方法的计算机程序中，所述质量检查方法可包括如下步骤：基于作为存在缺陷的现有产品的图像的不良图像，生成用于所述新产品的质量检查的学习所需的学习数据；学习所述学习数据；以及基于学习执行所述新产品的质量检查。
21.发明效果
22.根据上述问题解决手段中的任意一个，能够提出一种使用深度学习的新产品的质量检查方法及系统。
23.根据上述问题解决手段中的任意一个，能够提出一种新产品的质量检查方法和系统，可以通过学习新产品的良品图像来快速过滤新产品的不良。
24.根据上述问题解决手段中的任意一个，能够提出一种新产品的质量检查方法和系统，基于新产品的良品图像和基于现有产品的的不良图像生成的不良图像生成新产品的不良图像。
25.根据上述问题解决手段中的任意一个，能够提出一种新产品的质量检查方法和系统，基于现有产品的不良图像和新产品的缺陷图像执行补丁(patch)学习，从而强化对缺陷的学习。
26.根据上述问题解决手段中的任意一个，能够提出一种新产品的质量检查方法和系统，用于过滤新产品中的不良，并对过滤的不良产品的不良类型进行分类。
27.本发明的实施例所能够获得的效果不限于以上所提及的效果，本领域技术人员可从以下记载中清楚地理解未提及的其他效果。
附图说明
28.图1是示出一实施例的质量检查系统的结构图。
29.图2是示出一实施例的质量检查系统的结构的框图。
30.图3至图5是用于说明一实施例的质量检查方法的流程图。
具体实施方式
31.下面，参照附图详细描述各种实施例。下面描述的实施例还可以以各种不同的形式修改并实施。为了更清楚地描述实施例的特征，以下实施例所属的本领域普通技术人员公知的事项的详细描述将被省略。而且，在附图中，省略了与实施例的描述无关的部分，并且在整个说明书中对于相似的部分赋予相似的附图标记。
32.在整个说明书中，当描述一个组件与另一个组件“连接”时，它不仅包括“直接连接”的情况，还包括“其中间隔着其他组件连接”的情况。并且，当描述一个组件“包括”另一个组件时，除非另有说明，否则意味着还可以包括其他组件，而不是排除其他组件。
33.参照以下附图详细描述实施例。
34.但是在进行描述之前，先定义下面使用的术语的含义。
[0035]“人工神经网络”是一种通过工程模拟生物神经系统的先进信息处理机构，并详细地相互关联输入和输出来进行复杂的控制的信息处理技术，是多个三种神经元(神经细胞)模型连接成的网络，该三种神经元(神经细胞)模型由将信号发送到开关或各传感器等的输入层、根据该信息对输入和输出进行优先排序并调整相关性的隐藏层、以及由此计算并输出所需控制量的输出层构成。
[0036]
以下进行说明的质量检查系统10例如可以使用通过结合或连接至用于使用机器视觉检查产品的检查装置来获取的产品图像，从而使人工神经网络学习或检查或测量产品是否有缺陷。
[0037]
这里，机器视觉是指，通过相机(视觉识别)、中央处理器(cpu)、申威处理器(sw)来实现产业自动化，以代替现有的用人类的肉眼判断的方式，以检查或测量物体。
[0038]
此外，监督学习方法(supervised learning)是通过使用包括需要作为结果输出的值的学习数据(training data)来执行的机器学习(machine learning)的一种方法。
[0039]
无监督学习方法(unsupervised learning)是一种用于找出数据如何构成的学习方法，与监督学习(supervised learning)或强化学习(reinforcement learning)不同，没有给定作为结果应该输出的目标值的学习数据。
[0040]“未分类产品”是指根据基于正常产品的拍摄图像无监督学习的人工神经网络分类为非正常产品的产品，“不良产品”是指未分类产品中实际产品存在缺陷的产品。
[0041]“不良图像”是指拍摄在生产线上生产的现有产品中被识别为不良产品的现有产品图像，“缺陷图像”是指将虚拟的缺陷与在生产现有产品的生产线上生产的新产品的良品图像合成而生成的虚拟的不良图像。
[0042]
除了上面定义的术语以外，下面将单独说明需要说明的术语。
[0043]
图1是示出一实施例的质量检查系统10的结构图。
[0044]
即使在生产现有产品的现有生产线上生产新产品时，质量检查系统10也可以通过机器视觉用相机拍摄正在生产的新产品，并将获得的拍摄图像输入到人工神经网络来检查是否为不良。为此，质量检查系统10可以基于存在缺陷的现有产品的不良图像来生成用于新产品的质量检查的人工神经网络的学习所需的学习数据，并且可以通过学习所生成的学
习数据来执行新产品的质量检查。
[0045]
这种质量检查系统10可包括：学习数据生成系统11，基于作为存在缺陷的现有产品的图像的不良图像来生成用于新产品的质量检查的人工神经网络的学习所需的学习数据；以及不良识别系统12，通过学习学习数据来执行新产品的质量检查。
[0046]
此外，构成质量检查系统10的学习数据生成系统11和不良识别系统12分别通过网络(n)连接到远程服务器，或者实现为可与另一终端和服务器连接的计算机。这里，计算机可包括例如，配备有网络浏览器(web browser)的笔记本电脑、台式机(desktop)、膝上型轻便电脑(laptop)等。
[0047]
此外，构成质量检查系统10的学习数据生成系统11和不良识别系统12分别物理上分离，可以在单独的服务器中实现或在一个服务器中实现。另外，质量检查系统10可以以物理上分离的服务器通过网络连接以逻辑上形成一个系统的云端的形式实现。
[0048]
首先，学习数据生成系统11可以通过学习不良图像，该不良图像是在通过机器视觉相机拍摄的现有产品的图像中判断为存在缺陷的现有产品的图像，并且在后述不良识别系统12生成用于新产品的质量检查的学习数据。
[0049]
此外，不良识别系统12可以将在上述学习数据生成系统11生成的学习数据输入到人工神经网络来学习，可以使用学习的人工神经网络并基于通过机器视觉相机拍摄的新产品的图像检查新产品是否为不良，并且对于判断为不良产品的新产品，可以识别不良类型。
[0050]
此时，学习数据生成系统11和不良识别系统12分别根据实施例，可以包括人工神经网络或者可以与在物理上隔开的第三服务器实现的人工神经网络连接。以下，假设在学习数据生成系统11和不良识别系统12内实现人工神经网络进行说明。
[0051]
图2是示出一实施例的质量检查系统10的结构的框图。参照图2，根据一实施例的质量检查系统10可包括学习数据生成系统11和不良识别系统12。
[0052]
首先，学习数据生成系统11可包括学习数据控制部111、学习数据通信部112和学习数据存储器113。
[0053]
学习数据控制部111控制学习数据生成系统11的整体操作，并且可包括如cpu等的处理器。学习数据控制部111可以控制包括在学习数据生成系统11的其他结构，以便对通过学习数据通信部112接收的数据进行处理来执行用于生成学习数据的操作。
[0054]
例如，学习数据控制部111可以执行存储在学习数据存储器113的程序，或者可以读取存储在学习数据存储器113的文件，或者可以将新文件存储在学习数据存储器113。
[0055]
这种学习数据控制部111可以通过后述学习数据通信部112获取作为存在缺陷的现有产品的图像的不良图像，并且可以学习获取的不良图像。
[0056]
例如，学习数据控制部111可以获取不良图像，该不良图像是拍摄在后述不良识别系统12执行质量检查的现有产品中存在缺陷的现有产品的图像，并且可以通过不良图像学习包括在不良图像的缺陷的图案、位置、大小或形状等。
[0057]
此外，学习数据控制部111可以学习作为可通过质量检查的新产品的图像的良品图像。
[0058]
例如，学习数据控制部111可以通过学习数据通信部112获取可通过质量检查的新产品的良品图像，并且可以学习获取的良品图像。
[0059]
此后，学习数据控制部111可以基于学习的现有产品的不良图像和新产品的良品
图像，生成新产品的缺陷图像。
[0060]
例如，学习数据控制部111可以基于学习的不良图像中包括的缺陷的图案、位置、大小或形状等生成各种形状的缺陷，并且可以通过将生成的缺陷合成在新产品的良品图像来生成缺陷图像。
[0061]
如此，通过使用通过将现有产品中出现的缺陷结合在新产品的良品图像而生成的缺陷图像，可以使后述不良识别系统12快速学习。
[0062]
此外，学习数据控制部111可以生成用于新产品的质量检查的学习所需的学习数据。
[0063]
例如，学习数据控制部111可以通过裁剪不良图像和缺陷图像中分别存在缺陷的区域来生成学习数据或者可以生成包括不良图像和缺陷图像的学习数据。
[0064]
此后，学习数据控制部111可以将生成的学习数据提供给后述不良识别系统12。
[0065]
另一方面，学习数据通信部112可以与其他设备或网络执行有线或无线通信。为此，学习数据通信部112可包括支持各种有线或无线通信方法中的至少一种的通信模块。例如，通信模块可以由芯片组(chipset)的形式实现。
[0066]
学习数据通信部112支持的无线通信例如可以是无线保真(wi-fi，wirelessfidelity)、wi-fi直连(wi-fi direct)、蓝牙(bluetooth)、超宽带(uwb，ultra wide band)或近场通信(nfc，near field communication)等。另外，学习数据通信部112支持的有线通信例如可以是通用串行总线(usb)或高清晰多媒体接口(hdmi，high definition multimedia interface)等。
[0067]
这种学习数据通信部112可以从第三服务器或后述不良识别系统12接收新产品的良品图像，或者可以获取现有产品的不良图像，并且可以将学习数据控制部111生成的学习数据传输给不良识别系统12。
[0068]
学习数据存储器113中可以设置并存储有如文件、应用和程序等的各种类型的数据。学习数据控制部111可以访问并使用存储在学习数据存储器113的数据，或者可以将新的数据存储在学习数据存储器113。另外，学习数据控制部111可以执行设置在学习数据存储器113的程序。
[0069]
另一方面，不良识别系统12可包括不良识别输入输出部121、不良识别控制部122、不良识别通信部123和不良识别存储器124。
[0070]
不良识别系统12的不良识别输入输出部121可包括：输入部，用于通过机器视觉用相机拍摄生产中的产品；以及输出部，用于显示工作的执行结果或不良识别系统12的状态等信息。例如，不良识别输入输出部121可包括：相机，设置在产品的生产线上并拍摄产品；以及显示面板(display panel)，显示画面。
[0071]
具体而言，输入部可包括能够接收各种类型的用户输入的装置，例如，键盘、物理按钮、触摸屏、相机或麦克风等。尤其，机器视觉用相机设置在生产产品的生产线上，并且可以实时拍摄沿生产线移动的产品。
[0072]
另外，输出部可包括显示面板或扬声器等。然而，不限于此，不良识别输入输出部121可包括支持各种输入和输出的结构。
[0073]
此外，不良识别系统12的不良识别控制部122控制不良识别系统12的整体操作，并且可包括如cpu等处理器。此外，不良识别控制部122由人工神经网络实现或者使用第三服
务器中实现的人工神经网络，从而可以根据通过不良识别输入输出部121获取的产品的拍摄图像检查产品是正常还是不良，为此，还可以控制包括在不良识别系统12的其他结构。
[0074]
这种不良识别控制部122可以学习新产品的良品图像。
[0075]
例如，不良识别控制部122可以通过获取学习数据中包括的新产品的良品图像或通过不良识别输入输出部121拍摄的新产品的良品图像来学习。
[0076]
此外，不良识别控制部122可以通过使用从学习数据生成系统11获取的学习数据来学习。
[0077]
例如，不良识别控制部122可以从缺陷图像中以预设的大小仅分割存在缺陷的区域来进行补丁(patch)学习，该缺陷图像是在学习数据生成系统11生成的学习数据中包括的新产品的虚拟不良图像。
[0078]
如此，可以通过对基于现有产品的不良图像生成的学习数据进行补丁学习来学习存在缺陷的区域，从而对由于生产线(过程)相同发生类似于现有产品中发生的缺陷类型的缺陷的新产品执行质量检查。
[0079]
此外，不良识别控制部122可以基于学习执行新产品的质量检查。
[0080]
根据实施例，不良识别控制部122可以将作为质量检查对象的新产品中与新产品的良品图像不同的新产品分类为未分类产品。
[0081]
例如，不良识别控制部122可以将用不良识别输入输出部121的机器视觉相机拍摄生产线上生产的新产品的图像与预先学习的良品图像进行比较，并且将与良品图像不同的新产品分类为未分类产品。
[0082]
此外，不良识别控制部122可以识别未分类产品中存在缺陷的不良产品。
[0083]
例如，不良识别控制部122可以识别通过补丁学习来学习的缺陷是否在于未分类产品的图像上，并且可以指定识别缺陷的区域。
[0084]
此后，不良识别控制部122可以基于未分类产品中发现缺陷的不良产品的缺陷来确定不良产品的不良类型。
[0085]
此时，根据实施例，当使用学习数据学习缺陷时，不良识别控制部122可以根据不良的类型对缺陷进行分类学习。
[0086]
例如，不良识别控制部122可以在学习学习数据时，基于学习数据中包括的缺陷的图案、大小、位置或形状等来对缺陷进行分类，并且可以根据分类的缺陷确定不良类型。
[0087]
此外，不良识别控制部122可以基于不良产品的缺陷确定不良产品的不良类型。
[0088]
例如，不良识别控制部122针对确定为在作为新产品的有机发光二极管面板的表面上存在缺陷的不良产品，可以将不良产品的不良类型确定为线(line)缺陷、点(spot)缺陷、边缘(edge)缺陷等。
[0089]
如此，即使在同一条生产线上生产新产品，通过补丁学习现有产品的不良图像来学习发生缺陷的区域，并将其应用于新产品的质量检查，从而减少新产品的机器视觉的应用时间，同时可以进行精确的质量检查。
[0090]
图3至图5是用于说明一实施例的质量检查方法的流程图。
[0091]
根据图3至图5所示的实施例的质量检查方法包括图1和图2所示的质量检查系统10中按时间顺序处理的步骤。因此，即使是以下省略的内容，以上关于图1和图2所示的质量检查系统10所述的内容也可以适用于根据图3至图5所示的实施例的质量检查方法。
[0092]
首先，参照图3，质量检查系统10的学习数据生成系统11可以基于作为存在缺陷的现有产品的图像的不良图像，生产用于新产品的质量检查的学习所需的学习数据s3001。
[0093]
例如，学习数据生成系统11可以通过设置在生产线的机器视觉用相机使用作为现有产品中存在缺陷的现有产品的拍摄图像的不良图像中包括的缺陷来将缺陷结合在新产品的良品图像，从而生成缺陷图像。
[0094]
图4是详细示出一实施例的生成学习数据的方法的流程图。
[0095]
参照图4，学习数据生成系统11可以学习现有产品的不良图像s4001。
[0096]
例如，学习数据生成系统11可以获取通过设置在生产线的机器视觉用相机拍摄的现有产品的图像，并且可以通过无监督学习方法学习获取的图像来学习存在缺陷的现有产品的不良图像。
[0097]
或者例如，学习数据生成系统11可以通过监督学习方法学习从管理者获取的现有产品的不良图像。
[0098]
此外，学习数据生成系统11可以基于作为可通过质量检查的新产品的图像的良品图像生成新产品的缺陷图像s4002。
[0099]
例如，学习数据生成系统11可以获取新产品的良品图像，并且基于获取的良品图像通过合成在步骤s4001学习的现有产品中包括的缺陷来生成新产品的缺陷图像。此时，学习数据生成系统11可以针对生成缺陷图像时合成的缺陷的位置、大小、形状，基于现有产品的不良图像以相似或相同的模式合成缺陷。
[0100]
此后，学习数据生成系统11可以基于不良图像和缺陷图像中的至少一个生成学习数据s4003。
[0101]
例如，学习数据生成系统11可以通过步骤s4002生成包括缺陷图像的学习数据，该缺陷图像包括新产品的各种形态的缺陷。
[0102]
此后，质量检查系统10的不良识别系统12可以学习在步骤s3001生成的学习数据s3002。
[0103]
例如，不良识别系统12可以通过划分作为在步骤s3001生成的学习数据中包括的图像的不良图像或缺陷图像中的至少一者来对包括缺陷的区域进行补丁(patch)学习。
[0104]
另外，不良识别系统12可以通过获取新产品的良品图像来进行学习。
[0105]
例如，不良识别系统12可以获取拍摄新产品的图像，并且可以通过对获取的图像的无监督学习方法来学习新产品的良品图像。
[0106]
此外，不良识别系统12可以基于学习执行新产品的质量检查s3003。
[0107]
例如，不良识别系统12可以基于步骤s3002的学习来识别通过机器视觉用相机拍摄的新产品的图像上是否存在缺陷。
[0108]
图5是示出一实施例的新产品的质量检查过程的流程图。
[0109]
参照图5，不良识别系统12可以通过机器视觉用相机拍摄生产线上生产的新产品s5001，可以基于在步骤s3002学习的新产品的良品图像，将新产品分类为正常产品和未分类产品。
[0110]
例如，不良识别系统12可以基于在步骤s3002通过无监督学习方法学习的新产品的良品图像，将与良品图像不同的新产品分类为未分类产品。此外，不良识别系统12可以将未被分类为未分类产品的新产品分类为正常产品。
[0111]
此外，不良识别系统12可以识别被分类为未分类产品的新产品的图像中是否存在缺陷s5003。
[0112]
例如，不良识别系统12可以基于被分类为未分类产品的新产品的图像，来识别是否存在与在步骤s3002通过补丁方法学习的缺陷相同或类似的形态的缺陷。此外，当被分类为未分类产品的新产品的图像中不存在缺陷时，不良识别系统12可以将该未分类产品的新产品分类为正常产品，但当存在缺陷时，将该未分类产品的新产品分类为不良产品。
[0113]
此后，不良识别系统12可以识别被识别缺陷的不良产品的不良类型s5004。
[0114]
为此，不良识别系统12可以在步骤s3002学习学习数据时，通过无监督学习方法按不良类型学习学习数据中包括的缺陷。
[0115]
例如，不良识别系统12可以分别学习根据不良类型发生的缺陷的图案、大小、位置或形状等，以基于学习在步骤s5003被分类为不良产品的新产品的图像中包括的缺陷为基础，将不良类型识别为线(line)不良、点(spot)不良、边缘(edge)不良、光渗(light leak)不良、蝶形(butterfly)不良、污点(stain)不良、不均匀性(un-uniform)不良、云纹(cloud)不良、地形(terrain)不良中的任意一种。
[0116]
如此，通过使用现有产品的不良图像来生成新产品的缺陷图像并学习，最小化使用机器视觉对新产品进行质量检查所需的学习数据的收集和学习所需的时间，同时可以快速对新产品执行质量检查，并且还可以识别不良产品的不良类型。
[0117]
在上述实施例中使用的术语“～部”是指软件或现场可编程门阵列(fieldprogrammable gate array，fpga)或专用集成电路(asic)等硬件组件，“～部”可执行某种角色。但是“～部”并不限定于软件或硬件。“～部”可以配置成在可寻址的存储介质，还可以配置成运行一个或多个处理器。因此，作为一例，“～部”包括：如软件组件、面向对象的软件组件、类组件及任务组件的组件；进程；函数；属性；程序；子程序；程序专有代码段；驱动程序；固件；微代码；电路；数据；数据库；数据结构；表；数组；以及变量。
[0118]
组件和“～部”中提供的功能可以组合成较少数量的组件和“～部”，或者与附加组件和“～部”分开。
[0119]
不仅如此，组件和“～部”也可以被实现为运行装置或安全多媒体卡中的一个或多个中央处理器。
[0120]
根据通过图3至图5进行说明的实施例的质量检查方法还可以以存储可由计算机执行的指令和数据的计算机可读介质的形式来实现。此时，指令和数据可以以程序代码的形式存储，在被处理器执行时，可以生成预定的程序模块来执行预定的操作。并且，计算机可读介质可以是可由计算机访问的任何可用介质，包括易失性和非易失性介质、可移动和不可移动介质。并且，计算机可读介质可以是计算机记录介质，计算机记录介质可以包括以用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术实现的易失性和非易失性、可移动和不可移动介质。例如，计算机记录介质可以是磁存储介质，如硬盘驱动器(hdd)及固态硬盘(ssd)；光记录介质，如光盘(cd)、数字化视频光盘(dvd)及蓝光光盘；或包括在可通过网络访问的服务器中的存储器。
[0121]
另外，根据通过图3至图5进行说明的实施例的质量检查方法也可以被实现为包括可通过计算机执行的指令的计算机程序(或计算机程序产品)。计算机程序包括由处理器处理的可编程机械指令，并且可以用高级编程语言(high-level programming language)、面
向对象的编程语言(object-oriented programming language)、汇编语言或机器语言来实现。此外，计算机程序可以记录在有形的计算机可读记录介质(例如，存储器、硬盘、磁/光介质或固态驱动器(solid-state drive，ssd)等)。
[0122]
因此，根据通过图3至图5进行说明的实施例的质量检查方法可通过由计算装置执行如上所述的计算机程序来实现。计算装置还可包括处理器、存储器、存储装置、连接到存储器和高速扩展端口的高速接口以及连接到低速总线和存储装置的低速接口中的至少一部分。这些组件中的每一个都使用各种总线相互连接，可以安装在共同主板上或以任何其他合适的方式安装。
[0123]
其中，处理器可以在计算装置中处理指令，这些指令可包括存储在存储器或存储装置中以在外部输入或输出装置(例如连接到高速接口的显示器)上显示用于提供图形用户接口(graphic user interface，gui)的图形信息的指令。例如，作为另一实施例，多个处理器和(或)多个总线可以与多个存储器和存储器形态一起适当地使用。并且，处理器可以实现为由包括多个独立模拟和(或)数字处理器的芯片组成的芯片组。
[0124]
并且，存储器在计算装置中存储信息。作为一例，存储器可以配置为易失性存储器单元或其集合。作为另一例，存储器可以配置为非易失性存储器单元或其集合。并且，存储器也可以是另一种形式的计算机可读介质，例如磁盘或光盘。
[0125]
而且，存储装置可以为计算装置提供大容量的存储空间。存储装置可以是计算机可读介质或包含这种介质的组件，例如，也可包括存储区域网络(storage area network，san)中的装置或其他组件，可以是软盘装置、硬盘装置、光盘装置或磁带装置、闪存或其他类似的半导体存储装置或装置阵列。
[0126]
以上实施例是用于例示，上述实施例所属领域的普通技术人员可以理解，在不改变上述实施例具有的技术构思或必要特征的情况下，可以很容易地将其修改为其他具体形式。因此，应当理解，上述实施例在所有方面都是示例性的而不是限制性的。例如，描述为单一型的每个组件可以以分散的形式实现，同样描述为分布式的组件可以以组合的形式实现。
[0127]
通过本说明书所保护的范围由所附权利要求书而不是所述详细说明来表示，并且应理解为，包括权利要求的意义和范围及从其等同概念导出的所有变更或变形的形式。