防水橡膠墊片的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列問答集和整理懶人包

基於機器視覺之手機墊片檢測系統開發

為了解決防水橡膠墊片的問題，作者盧志嘉 這樣論述：

近年來3C產品防水需求性越來越高，隨著產品尺寸逐漸縮小，產品外殼接合處的橡膠墊片也越來越小，然而目前仰賴人工檢查的方式，在長時間工作下容易造成誤判或是檢測效率降低的情況發生，且無一標準化檢測標準。因此本研究開發一套基於機器視覺之手機墊片檢測系統，針對產線需求設計出一套流水線型式的自動光學檢測架構，主要分為兩大檢測站，第一檢測站針對上視野所能觀測到的瑕疵為主，其中包含：分層、密封圈缺料、合模歪斜與頂部缺料；第二站則以側視野所能觀測到的瑕疵，其中包含：包風、塑膠件缺料與鐵件歪斜。針對以上七種瑕疵制定標準化檢測規範，分別以783個手機墊片進行線上以及線下進行瑕疵檢測，第一檢測站檢測結果辨識率達到9

1%，第二檢測站檢測結果辨識率達到99%，整體檢測結果辨識率為92%。並將檢測結果進行分類統計，將資訊回饋給製程端作為改善製程之參考依據。

基於機械視覺之殘差網路深度學習像膠墊片表面瑕疵檢測

為了解決防水橡膠墊片的問題，作者李柏桀 這樣論述：

本論文透過深度學習對不同方法產生的橡膠防水墊片數據集做瑕疵檢測與探討，要使之做自動光學瑕疵檢測需透過各種不同波長光源照射，再加上各種瑕疵要透過不同濾鏡來過濾雜訊，不僅步驟繁雜，最重要的是要符合業界要求的檢測速度，更是難上加難。本研究的檢測物是某牌手機傳輸線接頭的橡膠防水墊片，其尺寸為11 mm × 6 mm × 4 mm的大小，由於其體積較小，所以瑕疵更小，更難檢測。深度學習的優點是準確度達到90%以上，且學習完成後檢測速度為1張影像2.7秒，最重要的是可以降低檢測的人事成本。深度學習應用在瑕疵檢測是電腦透過學習不同類別且大量檢測物影像，再從這些影像去分別去抓取可以涵蓋此類別且與其他類別區分

的特徵來產生權重，再透過softmax層的輸出結果判斷並分類。由於深度學習需要有大量的資料量才能達到好的成效，但是本研究沒有如此海量資料，所以本研究將分別進行檢測物的實際旋轉的影像與高動態範圍的影像，經由不同物理量的變化來增加物品影像資料數量。再將影像透過類神經卷積網路(CNN)中的殘差神經網路(deep residual learning, 簡稱Resnt, 採v1,50_layers)去做深度學習，並使用Google Brain團隊所開發的深度學習可視化開源軟體Tensorflow。由於本研究的檢測物樣品數不多所以數據集不大，所以我們透過樣品在不同物理量變化下產生大量的新影像，使用這些大量

的新影像做深度學習後的結果，在電腦判斷瑕疵位置正確率約9成，在類別判斷準確率可以到98%，而且沒有過度擬合的現象。