WO2021141381A1 - 고배율 촬상을 위한 최적 촬상경로 연산 방법 - Google Patents

고배율 촬상을 위한 최적 촬상경로 연산 방법 Download PDF

Info

Publication number
WO2021141381A1
WO2021141381A1 PCT/KR2021/000131 KR2021000131W WO2021141381A1 WO 2021141381 A1 WO2021141381 A1 WO 2021141381A1 KR 2021000131 W KR2021000131 W KR 2021000131W WO 2021141381 A1 WO2021141381 A1 WO 2021141381A1
Authority
WO
WIPO (PCT)
Prior art keywords
imaging
path
block
optimal
targets
Prior art date
Application number
PCT/KR2021/000131
Other languages
English (en)
French (fr)
Inventor
정보원
이주선
최종호
이영득
Original Assignee
(주)유아이엠디
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by (주)유아이엠디 filed Critical (주)유아이엠디
Publication of WO2021141381A1 publication Critical patent/WO2021141381A1/ko

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/60—Control of cameras or camera modules
    • H04N23/695—Control of camera direction for changing a field of view, e.g. pan, tilt or based on tracking of objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/20—Image enhancement or restoration using local operators
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00—Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/57—Mechanical or electrical details of cameras or camera modules specially adapted for being embedded in other devices

Definitions

  • the present invention relates to an optimal imaging path calculation method for efficiently imaging a plurality of distributed imaging targets.
  • path planning refers to a technique of finding an optimal moving path for moving from a starting point to a target point.
  • this technique is to find the optimal movement path to avoid obstacles in the obstacle distribution situation from the starting point of the moving robot to the target point, or, in the case of a cleaning robot, the optimal movement to pass through the cleaning object such as dust in the space. It could be a technique for finding a path.
  • a path generation algorithm considering the driving characteristics and driving time of an unmanned driving vehicle is also proposed.
  • a grid-based grid travel route plan and a sampling-based route It introduces the plan, and introduces a method of sequentially deleting and creating a number of route plans, pointing out the difficulty of creating a route according to the state of the robot or the time-consuming to search for a route as disadvantages.
  • image processing technology is being used in various technical fields such as medical diagnosis, semiconductor, and astronomy.
  • the actions such as diagnosis, examination, and observation are often performed simultaneously or sequentially with the overall and general work and the detailed and specific work.
  • a plurality of imaging targets are irregularly distributed on a low magnification image for high magnification imaging, it is necessary to plan and create an imaging path in order to perform imaging while minimizing an image acquisition time for the imaging targets.
  • the conventional path plan used for the above-described robot has different circumstances, such as the presence of obstacles, and the goals and conditions of high magnification imaging are different, so it is not suitable.
  • the present invention has been derived based on the above needs, and a first object of the present invention is to calculate an optimal imaging path for high magnification imaging that can reduce image acquisition time for imaging targets that are irregularly distributed on a low magnification image. to provide a way.
  • a second object of the present invention is to provide an optimal imaging path calculation method for high magnification imaging that can improve the time required to acquire high magnification images of imaging targets based on low magnification images in observation of specimens such as blood or bone marrow. .
  • a third object of the present invention is to select imaging targets based on low magnification images for defect inspection or astronomical observation of semiconductor wafers, etc., and to improve the time required for obtaining high magnification images of the selected targets.
  • Optimal for high magnification imaging An object of the present invention is to provide a method for calculating an imaging path.
  • An object of the present invention as described above is a method of calculating an optimal imaging path based on a low magnification image of the targets in order to image irregularly distributed targets at a high magnification, and clustering of the imaging targets based on the low magnification image is performed.
  • the clustering step (S10) may include: detecting imaging targets based on a low-magnification imaging image (S110); Creating a node map based on the size of the imaging targets (S120); a random masking step (S130) of randomly arranging a plurality of masks corresponding to the size of the high magnification angle of view with respect to the low magnification captured image; a duplication removal step (S140) of removing a mask having a smaller or equal number of imaging targets among overlapping masks among a plurality of randomly arranged masks; and sequentially repeating the random masking step ( S130 ) and the duplication removing step ( S140 ) N-1 more times to sequentially repeat one clustering with the largest number of masks including the set number of imaging targets or more among the N clustering derived It may include a clustering selection step (S150) of selecting clustering (where N is a positive integer of 2 or more).
  • the optimal imaging path planning step (S20) includes: an imaging block partitioning step (S210) of dividing the low-magnification captured image into two or more imaging blocks; and an optimal imaging path calculating step ( S220 ) of selecting sequential imaging directions for the partitioned imaging blocks and calculating an optimal imaging path based on the selected sequential imaging directions.
  • the sequential imaging direction may be square path planning.
  • the optimal imaging path calculation step (S220) selects a plurality of reference points on one side of each imaging block, and selects possible block paths in each imaging block connecting a cluster located near from the selected reference points to a cluster located farther away from the selected reference points. calculating (S222); determining the shortest one of the calculated block paths as a block imaging path in each imaging block (S224); and calculating optimal imaging paths of imaging targets by connecting the respective determined block imaging paths in all imaging blocks (S226).
  • the method may further include an interpolation step (S225) of selecting the one having the shortest path as the final block imaging path.
  • the step of calculating the optimal imaging path ( S226 ) may be a step of calculating the optimal imaging path of the imaging targets by connecting the final block imaging paths.
  • an optimal imaging path calculation method for high magnification imaging since the transmission of the control signal of the position control motor for high magnification imaging at each location of the imaging targets, the physical movement of the motor, and software computing constitute the image acquisition time for the targets, the optimal high magnification imaging path selection is for the targets. It plays a direct role in reducing the image acquisition time.
  • imaging targets are selected based on low magnification images for defect inspection such as semiconductor wafers or astronomical observation, and the time required for acquiring high magnification images of the selected targets can be improved.
  • FIG. 1 is a flowchart sequentially showing an embodiment of the method of calculating an optimal imaging path for high magnification imaging according to the present invention
  • FIG. 2 is a flowchart sequentially illustrating a process of performing clustering on imaging targets based on a low magnification imaging image in an embodiment of the method of calculating an optimal imaging path for high magnification imaging according to the present invention
  • FIG. 3 is an image (a) of leukocyte detection in a slide sample in order to apply an embodiment of the method for calculating an optimal imaging path for high-magnification imaging of the present invention (a), and an image (b) in which a node map is generated with the average size of leukocyte cells.
  • a an image of leukocyte detection in a slide sample in order to apply an embodiment of the method for calculating an optimal imaging path for high-magnification imaging of the present invention (a), and an image (b) in which a node map is generated with the average size of leukocyte cells.
  • FIG. 4 is a view showing a state in which masks corresponding to the high-magnification angle of view size are randomly arranged in the node map generated image of FIG. 3(b);
  • FIG. 5 is a view showing before (a) and after (b) removal of duplication, respectively, in which a mask having a smaller or equal number of imaging targets is removed between overlapping masks;
  • FIG. 6 is a flowchart sequentially illustrating an imaging path planning process (S20) for planning an optimal imaging path for high magnification imaging of imaging targets based on clustering among an embodiment of the method for calculating an optimal imaging path for high magnification imaging according to the present invention
  • FIG. 7 is a diagram illustrating a method for calculating an optimal imaging path for high magnification imaging according to the present invention in which a low magnification image is partitioned into 4 blocks (a) and a partitioned image into 16 blocks (b) in the path planning process, respectively. is a drawing shown,
  • FIGS. 7 (a) and (b) are diagrams showing sequential imaging directions for the imaging blocks partitioned with respect to each of FIGS. 7 (a) and (b) with arrows, respectively;
  • FIG. 9 is a flowchart sequentially showing the optimal imaging path calculation step (S220) of the method of calculating the optimum imaging path for high magnification imaging according to the present invention.
  • FIG. 11 is a diagram showing an example of a block imaging path (a) determined to explain the interpolation process, and a crystal block imaging path (b) in which the imaging order is changed between adjacent clusters of the determined block imaging paths,
  • FIG. 12 is a view showing the calculated optimal imaging paths of imaging targets by connecting the final block imaging paths in 4 imaging blocks and 16 imaging blocks, respectively.
  • FIG. 1 is a flowchart sequentially illustrating an embodiment of the method of calculating an optimal imaging path for high magnification imaging according to the present invention.
  • an embodiment of the method for calculating an optimal imaging path for high magnification imaging according to the present invention is performed by performing target clustering (S10) in which clustering is performed on imaging targets based on a low magnification imaging image. It may be implemented by performing the imaging path planning ( S20 ) of planning an optimal imaging path for high-magnification imaging of imaging targets based on clustering.
  • this embodiment it is possible to reduce the image acquisition time for imaging targets that are irregularly distributed on the low magnification image, and in the observation of specimens such as blood or bone marrow, defect inspection of semiconductor wafers, etc. Thus, it acts to select imaging targets and to improve the time required for acquiring high-magnification images of the selected targets.
  • the case of application to the observation of a sample of white blood cells will be exemplified, but the present invention is not limited thereto.
  • FIG. 2 is a flowchart sequentially illustrating a process of clustering imaging targets based on a low magnification image according to an embodiment of the method of calculating an optimal imaging path for high magnification imaging according to the present invention.
  • imaging targets are detected based on a low-magnification captured image ( S110 ).
  • Fig. 3(a) shows an image obtained when a white blood cell (boxed) is selected as an imaging target as a low-magnification imaging image.
  • a node map is created based on the sizes of the imaging targets ( S120 ). Since the sizes of the imaging targets may be slightly different, the sizes of the imaging targets may be determined as an average value. In FIG. 3 (b), the size of the node was selected as 64 ⁇ 64 pixels in consideration of the average size of the white blood cells.
  • a random masking step ( S130 ) of randomly arranging a plurality of masks corresponding to the size of the high magnification angle of view is performed on the low magnification captured image.
  • the mask since the mask is for high magnification imaging, it is preferable to select a mask having a high magnification field of view (FOV) size.
  • the randomly arranged mask includes imaging targets therein, and may appear as shown in FIG. 4 .
  • a duplication removal step S140 of removing a mask having a smaller or equal number of imaging targets among overlapping masks among a plurality of randomly arranged masks is performed.
  • This duplication removal is to prevent overlapping of clustering derived as a result of random masking and to derive optimal clustering.
  • 5 shows before (a) and after (b) the duplication removal, respectively.
  • the random masking step ( S130 ) and the duplication removal step ( S140 ) are sequentially repeated N-1 more times.
  • the clustering process may be implemented by selecting one clustering having the largest number of masks including the set number of imaging targets or more as the final clustering among the derived N clusterings ( S150 ).
  • N is a positive integer of 2 or more
  • the term 'a mask including a set number or more of imaging targets' means that the condition is that the number of imaging targets located inside the mask is equal to or greater than the preset number.
  • a mask including two or more imaging targets is set, but one imaging target may be set separately from an increase in the amount of computation.
  • the imaging path planning step S20 of planning the optimal imaging path for high magnification imaging of imaging targets based on clustering as shown in FIG. 6 , the imaging block partitioning the low magnification imaging image into two or more imaging blocks.
  • the step (S220) of sequentially selecting an imaging direction for the partitioned imaging blocks and calculating an optimal imaging path based on the selected sequential imaging direction is performed.
  • the imaging block partitioning step ( S210 ) relates to regional segmentaion for high magnification imaging, and refers to regular region segmentation of the entire area of a low magnification imaging image.
  • the imaging block partitioning step ( S210 ) relates to regional segmentaion for high magnification imaging, and refers to regular region segmentation of the entire area of a low magnification imaging image.
  • FIG. 7 one in which four square imaging blocks are partitioned (a) and one in which 16 square imaging blocks are partitioned (b) can be used. Since the imaging block can be selected according to the density of the imaging targets, if there are many imaging targets, it may be divided into 16 or more.
  • the imaging direction from departure to arrival has regularity by selecting square path planning.
  • the imaging directions of the four imaging blocks are shown (a) and the imaging directions of the 16 imaging blocks are shown (b).
  • Step S220 may be implemented in steps as shown in FIG. 9 .
  • Step S220 will be described with reference to FIG. 9.
  • a plurality of reference points are selected on one side of each imaging block, and a possible block path within each imaging block connecting a cluster located near the selected reference points to a cluster located farther away from the selected reference points. are calculated (S222).
  • the plurality of reference points on each side may be set to be spread on one side at a predetermined interval.
  • the first imaging block selects the outer side as one side having a plurality of reference points, and the second imaging block along the above-described imaging direction Select the block destination at the boundary of And since the block arrival point is selected at the boundary line of the third imaging block along the imaging direction, one side having a plurality of reference points in the second imaging block is selected as a side facing the block arrival point. Subsequently, since the block destination is selected at the boundary of the fourth imaging block, one side having a plurality of reference points in the third imaging block is also selected as a side facing the block destination. Finally, since the block arrival point is selected on the right boundary of the fourth imaging block, one side having a plurality of reference points in the fourth imaging block is also selected as a side facing the block arrival point.
  • the shortest one of the calculated block paths is determined as the block imaging path in each imaging block (S224).
  • the optimal imaging path calculation step ( S220 ) may be performed by connecting the respective determined block imaging paths in all imaging blocks to calculate the optimal imaging paths of the imaging targets ( S226 ).
  • an interpolation step may be further included between the step of determining the block imaging path (S224) and the step of calculating the optimal imaging path (S226).
  • the interpolation step (S225) is performed by comparing the determined block imaging path and the corrected block imaging path in which the imaging order is changed between adjacent clusters of the determined block imaging paths, and selecting the one having the shortest path as the final block imaging path. do.
  • the step of calculating the optimal imaging path ( S226 ) may be a step of calculating the optimal imaging path of the imaging targets by connecting the final block imaging paths.
  • the interpolation step S225 is called bubble path interpolation, and as an example, as shown in FIG. 11 (a), the imaging path of cluster 0 ⁇ 8 ⁇ 5 ⁇ 19 and cluster 0 ⁇ 5 ⁇ 8 ⁇ It is useful in this case because a shorter path can be derived when the imaging sequence between adjacent clusters is changed, such as the imaging path of 19.
  • the optimal imaging path of the imaging targets can be derived as shown in FIGS. 12 (a) and (b).
  • Table 1 is a table comparing the results of clustering and K-Means in this example. It can be seen that the number of leukocyte cells, the number of clusters including a single imaging target, and the number of clusters including two or more imaging targets are significantly higher in this embodiment, and the calculation time is rather short.
  • Table 2 shows that, as a result of comparing the imaging path planning of the present embodiment, the existing method of path planning following a nearby imaging target, and the DFS (Breadth First Search) method, the calculation time is significantly shorter and the imaging It can be seen that the distance (pixel) corresponding to the path is also smaller.

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시예에 의하면, 고배율 촬상을 위한 최적 촬상경로 연산 방법을 제공함으로써 저배율 이미지 상에 불규칙적으로 분포하는 촬상 타겟들에 대한 영상 획득 시간을 감소시킬 수 있다. 이를 위하여 특히 본 발명의 일 실시예는, 불규칙적으로 분포하는 타겟들을 고배율 촬상하기 위해 타겟들의 저배율 촬상 이미지에 기초하여 최적 촬상경로를 연산하는 방법에 있어서, 저배율 촬상 이미지에 기초하여 촬상 타겟들에 대하여 클러스터링을 수행하는 타겟 클러스터링 단계(S10); 및 클러스티링에 기초하여 촬상 타겟들의 고배율 촬상을 위한 최적 촬상경로를 계획하는 촬상경로 계획단계(S20)를 포함하는 고배율 촬상을 위한 최적 촬상경로 연산 방법을 포함할 수 있다.

Description

고배율 촬상을 위한 최적 촬상경로 연산 방법
본 발명은 분산된 복수의 촬상 타겟을 효율적으로 촬상하기 위한 최적 촬상경로 연산방법에 관한 것이다.
일반적으로 경로 계획(path planning)이란 출발점에서부터 목표점까지 이동하기 위한 최적의 이동 경로를 찾는 기술을 의미한다. 이러한 기술은 예를 들어 이동하는 로봇의 출발점에서 목표점까지 장애물 분포 상황에서 장애물을 회피하기 위한 최적의 이동 경로를 찾는 것이거나, 청소 로봇의 경우에는 공간 내의 먼지 등 청소 대상을 거쳐가기 위한 최적의 이동 경로를 찾는 기술일 수 있다. 나아가 무인 주행 차량의 주행 특성과 주행 시간을 고려한 경로 생성 알고리즘이 제시되기도 한다.
경로 계획의 일 예로 대한민국 특허공개 공보 제20140055134호 "로봇의 경로계획 장치와 방법 및 상기 방법을 구현하는 프로그램이 기록된 기록매체"에서는 종래 그리드(grid) 기반의 격자 주행 경로계획과 샘플링 기반의 경로계획을 소개하고 있으며, 로봇의 상태에 따른 경로 생성의 어려움이나 경로 탐색의 많은 시간 소요 등을 단점으로 지적하면서 다수의 경로 계획을 순차적으로 삭제 및 생성하는 방식을 소개하고 있다.
한편 의료진단, 반도체, 천문학 등의 여러 기술분야에서 영상처리에 관한 기술이 이용되고 있다. 이러한 다양한 기술 분야에서는 진단, 검사 및 관찰 등의 행위는 전체적이고도 개괄적인 작업과 세부적이고 구체적인 작업이 동시 또는 순차적으로 진행되는 경우가 많다. 특히 고배율 촬상을 위해 저배율 이미지 상에서 복수의 촬상 타겟들이 불규칙적으로 분포하는 경우 촬상 타겟들에 대한 영상 획득 시간을 최소화하면서 촬상하기 위해서는 촬상 경로를 계획하고 생성할 필요가 있다. 그러나 전술한 로봇 등에 이용되는 종래 경로 계획은 장애물의 존재 등 상황이 다르고 고배율 촬상의 목표와 조건 등이 달라 적합하지 않은 측면이 있다.
따라서 저배율 이미지에 기반하여 각각의 촬상 타겟을 고배율 촬상하는 이미지 촬상 방법에 있어서, 최적의 촬상 경로를 도출할 수 있는 알고리즘 및 최적 촬상 경로 연산 방법에 대한 연구의 필요성이 대두된다.
본 발명은 상기와 같은 필요성에 기하여 도출된 것으로서, 본 발명의 제1 목적은, 저배율 이미지 상에 불규칙적으로 분포하는 촬상 타겟들에 대한 영상 획득 시간을 감소시킬 수 있는 고배율 촬상을 위한 최적 촬상경로 연산 방법을 제공하는 데 있다.
본 발명의 제2 목적은, 혈액이나 골수 등 표본 관찰에 있어서 저배율 이미지에 기반하여 촬상 타겟들의 고배율 이미지 획득을 위한 소요 시간을 향상시킬 수 있는 고배율 촬상을 위한 최적 촬상경로 연산 방법을 제공하는 데 있다.
본 발명의 제3 목적은, 반도체 웨이퍼 등의 결함 검사 또는 천체 관측을 위해 저배율 이미지에 기반하여 촬상 타겟들을 선정하고 선정된 타겟들의 고배율 이미지 획득을 위한 소요시간을 향상시킬 수 있는 고배율 촬상을 위한 최적 촬상경로 연산 방법을 제공하는 데 있다.
상기와 같은 본 발명의 목적은, 불규칙적으로 분포하는 타겟들을 고배율 촬상하기 위해 타겟들의 저배율 촬상 이미지에 기초하여 최적 촬상경로를 연산하는 방법에 있어서, 저배율 촬상 이미지에 기초하여 촬상 타겟들에 대하여 클러스터링을 수행하는 타겟 클러스터링 단계(S10); 및 클러스티링에 기초하여 촬상 타겟들의 고배율 촬상을 위한 최적 촬상경로를 계획하는 촬상경로 계획단계(S20)를 포함하는 고배율 촬상을 위한 최적 촬상경로 연산 방법을 제공함으로써 달성될 수 있다.
여기서 클러스터링 단계(S10)는, 저배율 촬상 이미지에 기반하여 촬상 타겟들을 디텍션하는 단계(S110); 촬상 타겟들의 사이즈에 기반하여 노드맵을 작성하는 단계(S120); 저배율 촬상 이미지에 대하여 고배율 화각 사이즈에 대응하는 다수의 마스크를 무작위로 배치하는 랜덤 마스킹 단계(S130); 무작위 배치된 다수의 마스크 중 중첩되는 마스크들 사이에서 촬상 타겟 개수가 적거나 같은 개수를 포함하는 마스크를 제거하는 듀플리케이션 제거 단계(S140); 및 랜덤 마스킹 단계(S130) 및 듀플리케이션 제거 단계(S140)를 순차적으로 N-1 회 더 반복하여 도출된 N 개의 클러스터링 중에서 설정 개수 이상의 촬상 타겟들을 포함하는 마스크의 개수가 가장 많은 하나의 클러스터링을 최종 클러스터링으로 선정하는 클러스터링 선정단계(S150)(여기서 N은 2 이상의 양의 정수임.)를 포함할 수 있다.
또한 최적 촬상경로 계획단계(S20)는, 저배율 촬상 이미지에 대하여 2 이상의 촬상블럭으로 구획하는 촬상블럭 구획단계(S210); 및 구획된 촬상블럭들에 대하여 순차적 촬상방향을 선정하고 선정된 순차적 촬상방향에 기반하여 최적 촬상경로를 산출하는 최적 촬상경로 산출단계(S220)를 포함할 수 있다.
그리고 최적 촬상경로 산출단계(S220)에서, 순차적 촬상방향은 스퀘어 경로 계획(square path planning)일 수 있다.
아울러 최적 촬상경로 산출단계(S220)는, 각 촬상블럭의 일 변에 복수의 기준점을 선정하여 선정된 기준점들로부터 가까운 곳에 위치하는 클러스터에서 먼 곳에 위치하는 클러스터를 잇는 각 촬상블럭 내의 가능한 블럭경로들을 연산하는 단계(S222); 연산된 블럭경로들 중 최단인 것을 각 촬상블럭에서의 블럭 촬상경로로 결정하는 단계(S224); 및 모든 촬상블럭에서 각 결정된 블럭 촬상경로들을 연결하여 촬상 타겟들의 최적 촬상경로를 산출하는 단계(S226)를 포함할 수 있다.
한편 블럭 촬상경로 결정단계(S224)와 최적 촬상경로 산출단계(S226) 사이에는, 결정된 블럭 촬상경로와, 결정된 블럭 촬상경로들의 인접한 클러스터들 사이에 촬상 순서를 변경한 수정 블럭 촬상경로를 상호 대비하여 최단 경로를 가지는 것을 최종 블럭 촬상경로로 선택하는 보간단계(S225)를 더 포함할 수 있다. 이 경우에 최적 촬상경로 산출단계(S226)는 최종 블럭 촬상경로를 연결하여 촬상 타겟들의 최적 촬상경로를 산출하는 단계일 수 있다.
상기와 같은 본 발명의 일 실시예에 의하면, 고배율 촬상을 위한 최적 촬상경로 연산 방법을 제공함으로써 저배율 이미지 상에 불규칙적으로 분포하는 촬상 타겟들에 대한 영상 획득 시간을 감소시킬 수 있다. 즉 촬상 타겟들의 각 위치에서 고배율 촬상을 위한 위치 제어 모터의 제어신호의 전송, 모터의 물리적 움직임, 소프트웨어 컴퓨팅 등이 타겟들에 대한 영상 획득 시간을 구성하므로 최적의 고배율 촬상 경로 선정은 타겟들에 대한 영상 획득 시간 감소에 직접적인 역할을 한다.
그리고 고배율 촬상을 위한 최적 촬상경로 연산 방법을 제공함으로써 혈액이나 골수 등 표본 관찰에 있어서 저배율 이미지에 기반하여 촬상 타겟들의 고배율 이미지 획득을 위한 소요 시간을 향상시킬 수 있다.
아울러 고배율 촬상을 위한 최적 촬상경로 연산 방법을 제공함으로써 반도체 웨이퍼 등의 결함 검사 또는 천체 관측을 위해 저배율 이미지에 기반하여 촬상 타겟들을 선정하고 선정된 타겟들의 고배율 이미지 획득을 위한 소요 시간을 향상시킬 수 있다.
도 1은 본 발명인 고배율 촬상을 위한 최적 촬상경로 연산 방법의 일 실시예를 순차적으로 나타낸 순서도이고,
도 2는 본 발명인 고배율 촬상을 위한 최적 촬상경로 연산 방법의 일 실시예 중 저배율 촬상 이미지에 기초하여 촬상 타겟들에 대하여 클러스터링을 수행하는 과정을 순차적으로 나타낸 순서도이고,
도 3은 본 발명인 고배율 촬상을 위한 최적 촬상경로 연산 방법의 일 실시예를 적용하기 위해 슬라이드 표본 내에서 백혈구 세포 디텍션한 이미지(a)와, 백혈구 세포의 평균 사이즈로 노드 맵을 생성한 이미지(b)를 나타낸 도면이고,
도 4는 도 3(b)의 노드 맵 생성 이미지에 고배율 화각 사이즈에 대응하는 마스크를 무작위로 배치한 상태를 나타낸 도면이며,
도 5는 중첩되는 마스크들 사이에서 촬상 타겟 개수가 적거나 같은 개수를 포함하는 마스크를 제거하는 듀플리케이션 제거 전(a)과 제거 후(b)를 각각 나타낸 도면이고,
도 6은 본 발명인 고배율 촬상을 위한 최적 촬상경로 연산 방법의 일 실시예 중 클러스티링에 기초하여 촬상 타겟들의 고배율 촬상을 위한 최적 촬상경로를 계획하는 촬상경로 계획 과정(S20)을 순차적으로 나타낸 순서도이고,
도 7은 본 발명인 고배율 촬상을 위한 최적 촬상경로 연산 방법의 일 실시예 중 경로 계획 과정에 있어서 저배율 이미지를 4개 블럭으로 구획화한 것(a)과 16개 블럭으로 구획화한 것(b)을 각각 나타낸 도면이고,
도 8 (a), (b)는 도 7 (a), (b) 각각에 대하여 구획된 촬상블럭들에 대한 순차적 촬상방향을 화살표로 각각 나타낸 도면이고,
도 9는 본 발명인 고배율 촬상을 위한 최적 촬상경로 연산 방법의 일 실시예 중 최적 촬상경로 산출단계(S220)를 순차적으로 나타낸 순서도이고,
도 10 (a), (b), (c), (d)는 본 발명인 고배율 촬상을 위한 최적 촬상경로 연산 방법의 일 실시예 중 경로 계획 과정에 있어서, 4 개의 촬상블럭 내의 가능한 블럭경로들의 일 예들을 각각 나타낸 도면이고,
도 11은 보간 과정을 설명하기 위해 결정된 블럭 촬상경로(a)와, 결정된 블럭 촬상경로들의 인접한 클러스터들 사이에 촬상 순서를 변경한 수정 블럭 촬상경로(b)의 예시를 나타낸 도면이고,
도 12는 최종 블럭 촬상경로를 연결하여 촬상 타겟들의 산출된 최적 촬상경로를 4 개의 촬상블럭과 16 개의 촬상블럭에 각각 도시한 것을 나타낸 도면이다.
이하 첨부 도면들 및 첨부 도면들에 기재된 내용들을 참조하여 본 발명의 실시예를 상세하게 설명하지만, 본 발명이 실시예에 의해 제한되거나 한정되는 것은 아니다.
아래 설명하는 실시예들에는 다양한 변경이 가해질 수 있다. 아래 설명하는 실시예들은 실시 형태에 대해 한정하려는 것이 아니며, 이들에 대한 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
한편, 본 발명을 설명함에 있어서, 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는, 그 상세한 설명을 생략할 것이다. 그리고, 본 명세서에서 사용되는 용어(terminology)들은 본 발명의 실시예를 적절히 표현하기 위해 사용된 용어들로서, 이는 사용자, 운용자의 의도 또는 본 발명이 속하는 분야의 관례 등에 따라 달라질 수 있다. 따라서, 본 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
이상 첨부된 도면을 참조하여 본 발명의 실시 예를 설명하였지만, 상술한 본 발명의 기술적 구성은 본 발명이 속하는 기술 분야의 당 업자가 본 발명의 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해되어야 한다. 아울러, 본 발명의 범위는 상기의 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어진다. 또한, 특허청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
고배율 촬상을 위한 최적 촬상경로 연산 방법
도 1은 본 발명인 고배율 촬상을 위한 최적 촬상경로 연산 방법의 일 실시예를 순차적으로 나타낸 순서도이다. 도 1에 도시된 바와 같이, 본 발명인 고배율 촬상을 위한 최적 촬상경로 연산 방법의 일 실시예는, 저배율 촬상 이미지에 기초하여 촬상 타겟들에 대하여 클러스터링을 수행하는 타겟 클러스터링(S10)을 수행하고 수행된 클러스터링에 기초하여 촬상 타겟들의 고배율 촬상을 위한 최적 촬상경로를 계획하는 촬상경로 계획(S20)을 수행함으로써 구현될 수 있다.
본 실시예에 의하면 저배율 이미지 상에 불규칙적으로 분포하는 촬상 타겟들에 대한 영상 획득 시간을 감소시킬 수 있으며, 혈액이나 골수 등 표본 관찰이나 반도체 웨이퍼 등의 결함 검사 또는 천체 관측 등에 있어서, 저배율 이미지에 기반하여 촬상 타겟들을 선정하고 선정된 타겟들의 고배율 이미지 획득을 위한 소요 시간을 향상시킬 수 있도록 작용한다. 이하 본 실시예의 설명에 있어서, 백혈구 세포(White Blood Cell)의 표본 관찰에 적용하는 경우를 예시하여 설명하지만 이에 한정되는 것이 아님을 밝혀둔다.
클러스터링
*도 2는 본 발명인 고배율 촬상을 위한 최적 촬상경로 연산 방법의 일 실시예 중 저배율 촬상 이미지에 기초하여 촬상 타겟들에 대하여 클러스터링을 수행하는 과정을 순차적으로 나타낸 순서도이다. 도 2를 참조하면, 클러스터링 수행 과정은 우선, 저배율 촬상 이미지에 기반하여 촬상 타겟들을 디텍션 한다(S110). 도 3 (a)에서는 저배율 촬상 이미지로서 백혈구 세포(박스 표시)를 촬상 타겟으로 선택한 경우의 이미지를 나타내었다.
다음 촬상 타겟들의 사이즈에 기반하여 노드맵을 작성한다(S120). 촬상 타켓들의 크기는 조금씩 다를 수 있으므로 촬상 타겟들의 사이즈는 평균 값으로 정할 수 있다. 도 3 (b)에서는 백혈구 세포의 평균 사이즈를 고려하여 노드의 크기를 64 × 64 픽셀로 선정하였다.
다음 저배율 촬상 이미지에 대하여 고배율 화각 사이즈에 대응하는 다수의 마스크를 무작위로 배치하는 랜덤 마스킹 단계(S130)를 수행한다. 여기서 마스크는 고배율 촬상을 위한 것이므로 고배율 화각(FOV; Field of View) 사이즈의 마스크를 선택하는 것이 바람직하다. 결국 무작위로 배치되는 마스크는 내부에 촬상 타겟들을 포함하게 되며, 도 4에 도시된 바와 같이 나타날 수 있다.
다음 무작위 배치된 다수의 마스크 중 중첩되는 마스크들 사이에서 촬상 타겟 개수가 적거나 같은 개수를 포함하는 마스크를 제거하는 듀플리케이션 제거 단계(S140)가 수행된다. 이러한 듀플리케이션 제거는 랜덤 마스킹 결과 도출되는 클러스터링이 중복되는 것을 방지하고 최적의 클러스터링을 도출하기 위함이다. 도 5에서는 듀플리케이션 제거 전(a)과 듀플리케이션 제거 후(b)를 각각 나타내었다.
다음 랜덤 마스킹 단계(S130) 및 듀플리케이션 제거 단계(S140)를 순차적으로 N-1 회 더 반복 수행한다.
결국, 도출된 N 개의 클러스터링 중에서 설정 개수 이상의 촬상 타겟들을 포함하는 마스크의 개수가 가장 많은 하나의 클러스터링을 최종 클러스터링으로 선정(S150)함으로써 클러스터링 수행 과정이 구현될 수 있다.
여기서 N은 2 이상의 양의 정수이고, '설정 개수 이상의 촬상 타겟들을 포함하는 마스크'라 함은 마스크 내부에 위치하는 촬상 타겟들이 설정된 개수 이상일 것을 조건으로 한다는 것을 의미한다. 본 실시예에서는 2 개 이상의 촬상 타겟들이 포함된 마스크로 설정하였지만 연산량 증가와는 별개로 1 개의 촬상 타겟으로 설정할 수도 있다.
촬상 경로 계획(imaging path planning)
*클러스티링에 기초하여 촬상 타겟들의 고배율 촬상을 위한 최적 촬상경로를 계획하는 촬상경로 계획단계(S20)는, 도 6에 도시된 바와 같이 저배율 촬상 이미지에 대하여 2 이상의 촬상블럭으로 구획하는 촬상블럭 구획단계(S210)가 수행된 이후에, 구획된 촬상블럭들에 대하여 순차적으로 촬상방향을 선정하고 선정된 순차적 촬상방향에 기반하여 최적 촬상경로를 산출하는 단계(S220)가 수행됨으로써 구현될 수 있다.
여기서 촬상블럭 구획단계(S210)는 고배율 촬상을 위한 영역 분할(regional segmentaion)에 관한 것으로서 저배율 촬상 이미지 전체 면적을 규칙적으로 영역 분할하는 것을 의미한다. 본 실시예에서는 도 7에 도시된 바와 같이, 정사각형의 4 개의 촬상블럭을 구획한 것(a)과 정사각형 16 개의 촬상블럭을 구획한 것(b)을 이용할 수 있다. 촬상블럭은 촬상 타겟들의 밀집도에 따라 선택될 수 있는 것이므로 촬상 타겟들이 많은 경우 16 개 이상으로 구획화될 수도 있다.
최적 촬상경로 산출단계(S220)는 도 8에 도시된 바와 같이, 스퀘어 경로 계획(square path planning)을 선택함으로써 출발에서부터 도착까지의 촬상방향이 규칙성을 갖도록 하는 것이 바람직하다. 도 8에서는 4 개 촬상블럭의 촬상방향을 표시한 것(a)과 16 개 촬상블럭의 촬상방향을 표시한 것(b)을 나타내었다.
한편 최적 촬상경로 산출단계(S220)는, 도 9에 도시된 바와 같은 단계들로 구현될 수 있다. 도 9를 참조하여 S220 단계를 설명하면, 우선 각 촬상블럭의 일 변에 복수의 기준점을 선정하여 선정된 기준점들로부터 가까운 곳에 위치하는 클러스터에서 먼 곳에 위치하는 클러스터를 잇는 각 촬상블럭 내의 가능한 블럭경로들을 연산한다(S222). 여기서 각 변에서 복수의 기준점들은 소정 간격으로 그 일 변에 산개되도록 설정할 수 있다.
도 10 (a), (b), (c), (d)에서와 같이, 첫 번째 촬상블럭은 외곽 일 변을 복수의 기준점을 갖는 일 변으로 선정하고 전술한 촬상방향을 따라 두 번째 촬상블럭의 경계선에 블럭 도착점을 선정한다. 그리고 촬상방향을 따라 세 번째 촬상블럭의 경계선에 블럭 도착점을 선정하게 되므로 두 번째 촬상블럭에서 복수의 기준점을 갖는 일 변은, 블럭 도착점과 마주보는 일 변으로 선정한다. 이어서 네 번째 촬상블럭의 경계선에 블럭 도착점을 선정하게 되므로 세 번째 촬상블럭에서 복수의 기준점을 갖는 일 변은, 또한 블럭 도착점과 마주보는 일 변으로 선정한다. 마지막으로 네 번째 촬상블럭의 오른쪽 경계선에 블럭 도착점을 선정하므로 네 번째 촬상블럭에서 복수의 기준점을 갖는 일 변은, 또한 블럭 도착점과 마주보는 일 변으로 선정한다.
다음 연산된 블럭경로들 중 최단인 것을 각 촬상블럭에서의 블럭 촬상경로로 결정한다(S224).
마지막으로 모든 촬상블럭에서 각 결정된 블럭 촬상경로들을 연결하여 촬상 타겟들의 최적 촬상경로를 산출함(S226)으로써 최적 촬상경로 산출단계(S220)가 수행될 수 있다.
전술한 최적 촬상경로 산출단계(S220)는 결정된 블럭 촬상경로가 해당 촬상블럭에서 독립적으로 결정된 것이므로 모든 결정된 블럭 촬상경로들을 연결하는 경우 촬상블럭 경계 사이의 경로문제와 최초 위치제어수단의 위치에 따른 경로문제가 발생할 수 있다.
경로문제를 최소화하기 위해 블럭 촬상경로 결정단계(S224)와 최적 촬상경로 산출단계(S226) 사이에, 보간단계(S225)를 더 포함할 수 있다.
보간단계(S225)는 결정된 블럭 촬상경로와, 결정된 블럭 촬상경로들의 인접한 클러스터들 사이에 촬상 순서를 변경한 수정 블럭 촬상경로를 상호 대비하여 최단 경로를 가지는 것을 최종 블럭 촬상경로로 선택하는 방법으로 수행된다. 이 경우에 최적 촬상경로 산출단계(S226)는 최종 블럭 촬상경로를 연결하여 촬상 타겟들의 최적 촬상경로를 산출하는 단계일 수 있다.
여기서 보간단계(S225)는 버블 패스 인터폴레이션(bubble path interpolation)이라고 명명되며, 일 예로 도 11 (a)에 도시된 바와 같이, 클러스터 0 → 8 → 5 → 19의 촬상경로와 클러스터 0 → 5 → 8 → 19의 촬상경로와 같이 인접하는 클러스터 사이의 촬상 순서를 변경하는 경우 더 짧은 경로가 도출될 수 있으므로 이 경우에 유용하다.
본 실시예에서 4 개의 촬상블럭 및 16 개의 촬상블럭에 대하여 최종 블럭 촬상경로를 연결하면 도 12 (a), (b)에서와 같이 촬상 타겟들의 최적 촬상경로가 도출될 수 있다.
Figure PCTKR2021000131-appb-T000001
상기 표 1은 본 실시예에서의 클러스터링과 K-Means의 결과를 대비한 표이다. 백혈구 세포 개수, 싱글 촬상 타겟을 포함하는 클러스터 개수, 2개 이상의 촬상 타겟을 포함하는 클러스터 개수에서 본 실시예가 월등히 높음을 알 수 있으며 계산 시간은 오히려 더 짧은 것을 알 수 있다
Figure PCTKR2021000131-appb-T000002
상기 표 2는 본 실시예의 촬상 경로 계획(path planning)을, 근처에 있는 촬상 타겟을 따라 가는 경로 계획의 기존 방법과, 그리고 DFS(Breadth First Search)방법을 비교한 결과 계산시간이 월등히 짧으며 촬상 경로에 해당하는 거리(pixel) 또한 더 작은 것을 알 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시 예를 설명하였지만, 상술한 본 발명의 기술적 구성은 본 발명이 속하는 기술 분야의 당 업자가 본 발명의 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해되어야 한다. 아울러, 본 발명의 범위는 상기의 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어진다. 또한, 특허청구범위의 의미 및 범위 그리고 그 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (6)

  1. 불규칙적으로 분포하는 타겟들을 고배율 촬상하기 위해 상기 타겟들의 저배율 촬상 이미지에 기초하여 최적 촬상경로를 연산하는 방법에 있어서,
    저배율 촬상 이미지에 기초하여 촬상 타겟들에 대하여 클러스터링을 수행하는 타겟 클러스터링 단계(S10); 및
    상기 클러스티링에 기초하여 상기 촬상 타겟들의 고배율 촬상을 위한 최적 촬상경로를 계획하는 촬상경로 계획단계(S20)를 포함하는 고배율 촬상을 위한 최적 촬상경로 연산 방법.
  2. 제1 항에 있어서,
    상기 클러스터링 단계(S10)는,
    상기 저배율 촬상 이미지에 기반하여 상기 촬상 타겟들을 디텍션하는 단계(S110);
    상기 촬상 타겟들의 사이즈에 기반하여 노드맵을 작성하는 단계(S120);
    상기 저배율 촬상 이미지에 대하여 고배율 화각 사이즈에 대응하는 다수의 마스크를 무작위로 배치하는 랜덤 마스킹 단계(S130);
    상기 무작위 배치된 다수의 마스크 중 중첩되는 마스크들 사이에서 상기 촬상 타겟 개수가 적거나 같은 개수를 포함하는 마스크를 제거하는 듀플리케이션 제거 단계(S140); 및
    상기 랜덤 마스킹 단계 및 상기 듀플리케이션 제거 단계를 순차적으로 N-1 회 더 반복하여 도출된 N 개의 클러스터링 중에서 설정 개수 이상의 촬상 타겟들을 포함하는 마스크의 개수가 가장 많은 하나의 클러스터링을 최종 클러스터링으로 선정하는 클러스터링 선정단계(S150)
    (여기서 N은 2 이상의 양의 정수임.)
    를 포함하는 고배율 촬상을 위한 최적 촬상경로 연산 방법.
  3. 제2 항에 있어서,
    상기 최적 촬상경로 계획단계(S20)는,
    상기 저배율 촬상 이미지에 대하여 2 이상의 촬상블럭으로 구획하는 촬상블럭 구획단계(S210); 및
    상기 구획된 촬상블럭들에 대하여 순차적 촬상방향을 선정하고 상기 선정된 순차적 촬상방향에 기반하여 상기 최적 촬상경로를 산출하는 최적 촬상경로 산출단계(S220)를 포함하는 고배율 촬상을 위한 최적 촬상경로 연산 방법.
  4. 제3 항에 있어서,
    상기 최적 촬상경로 산출단계(S220)에서,
    상기 순차적 촬상방향은 스퀘어 경로 계획(square path planning)인 것을 특징으로 하는 고배율 촬상을 위한 최적 촬상경로 연산 방법.
  5. 제3 항에 있어서,
    상기 최적 촬상경로 산출단계(S220)는,
    상기 각 촬상블럭의 일 변에 복수의 기준점을 선정하여 상기 선정된 기준점들로부터 가까운 곳에 위치하는 클러스터에서 먼 곳에 위치하는 클러스터를 잇는 상기 각 촬상블럭 내의 가능한 블럭경로들을 연산하는 단계(S222);
    상기 연산된 블럭경로들 중 최단인 것을 상기 각 촬상블럭에서의 블럭 촬상경로로 결정하는 단계(S224); 및
    상기 모든 촬상블럭에서 각 결정된 블럭 촬상경로들을 연결하여 상기 촬상 타겟들의 최적 촬상경로를 산출하는 단계(S226)를 포함하는 고배율 촬상을 위한 최적 촬상경로 연산 방법.
  6. 제5 항에 있어서,
    상기 블럭 촬상경로 결정단계(S224)와 상기 최적 촬상경로 산출단계(S226) 사이에는, 상기 결정된 블럭 촬상경로와, 상기 결정된 블럭 촬상경로들의 인접한 클러스터들 사이에 촬상 순서를 변경한 수정 블럭 촬상경로를 상호 대비하여 최단 경로를 가지는 것을 최종 블럭 촬상경로로 선택하는 보간단계(S225)를 더 포함하고,
    상기 최적 촬상경로 산출단계(S226)는 상기 최종 블럭 촬상경로를 연결하여 상기 촬상 타겟들의 최적 촬상경로를 산출하는 단계인 것을 특징으로 하는 고배율 촬상을 위한 최적 촬상경로 연산 방법.
PCT/KR2021/000131 2020-01-09 2021-01-06 고배율 촬상을 위한 최적 촬상경로 연산 방법 WO2021141381A1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2020-0003239 2020-01-09
KR1020200003239A KR102272209B1 (ko) 2020-01-09 2020-01-09 고배율 촬상을 위한 최적 촬상경로 연산 방법

Publications (1)

Publication Number Publication Date
WO2021141381A1 true WO2021141381A1 (ko) 2021-07-15

Family

ID=76788146

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2021/000131 WO2021141381A1 (ko) 2020-01-09 2021-01-06 고배율 촬상을 위한 최적 촬상경로 연산 방법

Country Status (2)

Country Link
KR (1) KR102272209B1 (ko)
WO (1) WO2021141381A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0927028A (ja) * 1995-07-07 1997-01-28 Dainippon Screen Mfg Co Ltd 多階調画像の修正装置
KR20050035564A (ko) * 2003-10-13 2005-04-19 학교법인 포항공과대학교 클러스터링 기법을 이용한 자동 카운팅 방법
KR20150110704A (ko) * 2013-03-29 2015-10-02 가부시키가이샤 히다치 하이테크놀로지즈 결함 검사 방법 및 결함 검사 장치
KR101763199B1 (ko) * 2016-06-14 2017-08-03 한국화학연구원 미세 대상물 관찰 장치
JP2018534074A (ja) * 2015-11-18 2018-11-22 ライトラボ・イメージング・インコーポレーテッド Ｘ線画像特徴検出および位置合わせのシステムおよび方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0927028A (ja) * 1995-07-07 1997-01-28 Dainippon Screen Mfg Co Ltd 多階調画像の修正装置
KR20050035564A (ko) * 2003-10-13 2005-04-19 학교법인 포항공과대학교 클러스터링 기법을 이용한 자동 카운팅 방법
KR20150110704A (ko) * 2013-03-29 2015-10-02 가부시키가이샤 히다치 하이테크놀로지즈 결함 검사 방법 및 결함 검사 장치
JP2018534074A (ja) * 2015-11-18 2018-11-22 ライトラボ・イメージング・インコーポレーテッド Ｘ線画像特徴検出および位置合わせのシステムおよび方法
KR101763199B1 (ko) * 2016-06-14 2017-08-03 한국화학연구원 미세 대상물 관찰 장치

Also Published As

Publication number Publication date
KR102272209B1 (ko) 2021-07-02

Similar Documents

Publication Publication Date Title
WO2019132589A1 (ko) 다중 객체 검출을 위한 영상 처리 장치 및 방법
WO2017188732A1 (ko) 구조광을 이용한 3차원 스캐닝 장치
US10586336B2 (en) Image pre-processing for accelerating cytological image classification by fully convolutional neural networks
WO2020040411A1 (ko) 교통상태정보를 예측하는 장치, 교통상태정보를 예측하는 방법 및 교통상태정보를 예측하는 프로그램을 저장하는 저장매체
CN110715622B (zh) 一种电缆导体截面积测量方法
WO2016108327A1 (ko) 차량검출방법, 차량검출을 위한 데이터베이스의 구조, 및 차량검출을 위한 데이터베이스 구축방법
WO2020141812A1 (ko) 골수 판독을 위한 관심영역 레이블링 장치 및 이를 포함하는 관심영역 검출 시스템
WO2019216474A1 (ko) 빈 피킹을 위한 빈 모델링 방법 및 그 장치
WO2020235734A1 (ko) 모노카메라를 이용한 자율주행 차량의 거리 및 위치 추정 방법
WO2021075772A1 (ko) 복수 영역 검출을 이용한 객체 탐지 방법 및 그 장치
CN115619826A (zh) 一种基于重投影误差和深度估计的动态slam方法
WO2021141381A1 (ko) 고배율 촬상을 위한 최적 촬상경로 연산 방법
WO2011034305A2 (ko) 건축물 이미지의 계층적 매칭 방법, 시스템 및 컴퓨터 판독 가능한 기록 매체
DE3867674D1 (de) Verfahren und geraet zur bewegungsabschaetzung in einer bildfolge.
WO2024080550A1 (ko) 자율 탐색 방법 및 상기 방법을 수행하는 컴퓨팅 장치
WO2014046325A1 (ko) 3차원 계측 시스템 및 그 방법
WO2021049761A2 (ko) 서브 블록 단위의 수술 데이터 획득 방법 및 그 장치
WO2019009579A1 (ko) 지원점 보간법을 이용한 스테레오 매칭 방법 및 장치
WO2016013881A1 (ko) 3차원 볼륨 영상의 빅 데이터 데이터베이스 구축 장치 및 방법
WO2020101424A1 (ko) 지상 로봇의 움직임을 고려한 강인한 레이저 스캐너 매칭 방법 및 그 장치
Laporte et al. A tiling and routing heuristic for the screening of cytological samples
WO2020004740A1 (ko) 3차원 평면추출 방법 및 그 장치
CN109903334A (zh) 一种基于时间一致性的双目视频运动物体检测方法
WO2022270751A1 (ko) 라이다 센서를 이용하여 노면을 검출하는 방법 및 장치
WO2019216643A1 (ko) 특정 데이터 군집의 종단지점 탐색 방법 및 이를 위한 데이터 처리시스템

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 21737968

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 21737968

Country of ref document: EP

Kind code of ref document: A1