CN106934794A - 信息处理装置，信息处理方法和检查系统 - Google Patents

信息处理装置，信息处理方法和检查系统 Download PDF

Info

Publication number
CN106934794A
CN106934794A CN201611088679.XA CN201611088679A CN106934794A CN 106934794 A CN106934794 A CN 106934794A CN 201611088679 A CN201611088679 A CN 201611088679A CN 106934794 A CN106934794 A CN 106934794A
Authority
CN
China
Prior art keywords
image
outlier
roi
value
target
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
CN201611088679.XA
Other languages
English (en)
Inventor
田中拓哉
笠原亮介
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ricoh Co Ltd
Original Assignee
Ricoh Co Ltd
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 Ricoh Co Ltd filed Critical Ricoh Co Ltd
Publication of CN106934794A publication Critical patent/CN106934794A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Processing (AREA)

Abstract

信息处理装置检查包括检查目标的图像的目标图像。该装置包括预处理器(702)、第一计算器(703)、第二计算器(703)和确定器(704)。预处理器(702)配置为执行用于将目标图像与参考图像或者多个参考图像比较的预处理。第一计算器(703)配置为在目标图像中限定感兴趣区域(ROI)和与ROI相邻的周围区域，并计算ROI的特征值。第二计算器(703)配置为从与参考图像中的对应于ROI和周围区域的图像的特征值的比较来计算离群值。该离群值数字地指示在ROI处的图像的奇异性。确定器(704)配置为基于该离群值提供要用于检查的指示符。

Description

信息处理装置，信息处理方法和检查系统
技术领域
本发明涉及信息处理装置、信息处理方法和检查系统。
背景技术
用于检测图像内的区分点(像素)和区域的技术，比如通过产品的外观检查或者使用监控相机的异常的检测是已知的。在用于检测图像内的区别点(像素)和区域的现有技术中，预先准备正常的一组参考图像。通常在这之后的步骤是计算在检查目标图像和参考图像中的每个像素和相应像素的特征值，比如亮度值之间的差值，以标识图像之间的改变。
例如，日本未审查专利申请公开No.2005-265661提出了配置为在产品的外观检查中统计地确定检查目标图像中亮度值的正常范围，由此独立于检查操作者的图像检查。日本未审查专利申请公开No.2013-160629提出了预先确定各个参考图像中的相应像素的亮度值的平均值和标准偏差的方法。在该方法中，当然后进行检查时，通过从检查目标图像中的亮度值减去相应的平均值且然后将减法的结果除以相应的标准偏差来获得各个像素的标准分数，且标准分数大于先前确定的阈值的像素被标识为异常像素。
但是，现有技术的缺点在于当存在检查目标的定位错误和存在检查目标的形状的轻微改变时不能充分地检测到异常。此外，使用遍及图像的平均值获得标准分数的方法的缺点在于因为局部存在的异常作为遍及图像的噪声分量而在有些情况下不能检测到局部异常。
实施例的目的是提供使能对图像内异常的高效检测的技术。
发明内容
根据本发明的一个方面，信息处理装置检查包括检查目标的图像的目标图像。信息处理装置包括预处理器、第一计算器、第二计算器和确定器。预处理器配置为执行用于将目标图像与参考图像或者多个参考图像比较的预处理。第一计算器配置为在目标图像中限定感兴趣区域(ROI)和与ROI相邻的周围区域，并计算ROI的特征值。第二计算器配置为从与参考图像中的对应于ROI和周围区域的图像的特征值的比较来计算离群值(outlier)。该离群值数字地指示在ROI处的图像的奇异性(singularity)。确定器配置为基于该离群值提供要用于检查的指示符。
本发明具有的优点在于使能对图像内异常的高效检测。
附图说明
图1(a)-1(d)是解释根据本实施例和现有方法的一致性确定方法的概念图；
图2(a)-2(d)是解释根据本实施例的一致性确定方法的概念图；
图3是图示其中实现根据本实施例的处理方法的检查系统300的实现形式的图；
图4是根据本实施例的自动编码器中的处理的概念图；
图5是图示其中实现根据本实施例的处理方法的检查系统500的实现形式的图；
图6是图示根据本实施例的控制器501的硬件块600的实现形式的图；
图7是图示根据本实施例的控制器501的软件块700的实现形式的图；
图8是解释根据本实施例的处理方法的流程图；
图9(a)和9(b)是根据本实施例的获得缺陷分数的实现形式的概念图；
图10是图示根据本实施例的另一实现形式的图；
图11是绘制用于要对于离群值设置的阈值的曲线下面积(AUC)的曲线图；
图12(a)、12(b)和12(c)是图示其中在实际检查目标上进行的图像评估中获得的缺陷分数与检查目标当中的一致项(conforming item)和不一致项(nonconforming item)相关联的试验实例的图；
图13是图示具有设置为22σ的阈值的使用如图8所示的相同方法的经验实例中的缺陷分数的图；和
图14是图示取决于用于参考的周围区域的尺寸(邻居的数目)的识别性能(AUC)的改变的图。
附图意在示出本发明的示例性实施例且不应该被解释为限制其范围。相同或者类似的附图标记指定遍及各个附图的相同或者类似的组件。
具体实施方式
在这里使用的术语仅用于描述特定的实施例的目的而不意在限制本发明。
如在此使用的，单数形式“一”、“一个”和“该”意在也包括复数形式，除非上下文清楚地指示例外。
在描述在图中图示的优选实施例时，为了清楚的缘故可以采用特定术语。但是，本专利说明书的公开不意在限于这样选择的特定术语，且将要理解每个特定元件包括具有相同功能、以类似的方式操作且实现类似的结果的所有技术等效。
以下将参考附图具体描述本发明的实施例。
以下通过实施例的方式描述本发明；但是，本发明不由以下描述的实施例限制。图1是根据本实施例和作为比较实例引用的现有技术的检查方法中的一致性确定的概念图。
在本实施例中，如图1中的(a)所示，使用目标图像进行检查，在目标图像中，捕获的检查目标111是检查区域110内的图像。在本实施例中，关于检查目标(已经在目标图像中捕获了该检查目标的图像)符合或者不符合的检查通过与具有确定为一致项的检查目标的图像的目标图像或者具有确定为一致项的检查目标的图像的一组目标图像的比较而进行。在下文中，具有确定为一致项的检查目标的图像的目标图像或者具有确定为一致项的检查目标的图像的一组目标图像在本公开中被称为参考图像或者多个参考图像。参考图像之一在图1中的(b)中图示。与图1中的(b)相比，图1中的(a)中图示的目标图像中的检查目标111在检查区域110内仅向右移位或者变形了可允许范围Δ。该可允许范围Δ等于或者小于机器人手臂的定位精度限制或者产品的可允许精度限制。为此，检查目标111是被认为确定是一致项的检查目标。
如图1中的(a)和(b)所示，在本实施例中，在形成检查区域110的图像区域中设置感兴趣区域(在下文中，ROI)113a。它指示图1中的(b)中的参考图像中的ROI 113a不包括检查目标111的图像。但是，在图1中的(a)中图示的实现形式中，ROI 113a包括检查目标111的图像。在现有方法中，基于ROI 113a的特征值之间的差值确定检查目标111的一致性。这在图1中的(c)中图示。
在图1中，(c)是图示假定这种特征值可以被二维地表示时已经绘制的目标图像中的ROI 113a的特征值的图。在图1中的(c)中，包括检查目标111的目标图像中的像素由实心黑圆指示，在其中不包括检查目标111的图像的像素由实心白圆指示。相反地，在图1中的(b)中图示的参考图像中不包括检查目标111，这意味着在图1中的(c)中没有实心黑圆。
实心黑圆的图像的特征值具有与参考图像的相应特征值大的差值，因此奇异地呈现。在现有技术中，因此目标图像的检查目标111被当做不一致项。但是，因为其移位在可允许范围Δ内，检查目标111被认为是确定为一致项。这种错误的确定减小了产品产率和生产率。
为此，在本实施例中，限定ROI 113a和与ROI 113a相邻的周围区域113b，且在检查区域110中形成包括ROI 113a和周围区域113b的感兴趣部分(在下文中，SOI)113。然后通过利用该SOI 113确定ROI 113a的奇异性。在图1中，(b)图示SOI 113、和形成SOI 113的ROI113a和113b。在图1中，(b)还图示其中根据本实施例的SOI 113被形成为包括ROI 113a和与ROI 113a相邻地设置的周围区域113b的正方形区域的实例。
在图1中，(d)以与图1中的(c)类似的方式图示已经在本实施例中的特征值空间中绘制的SOI 113中成像的检查目标111的特征值。在图1中，(d)与图1中的(c)相同之处在于，包括检查目标111的参考图像中的像素由实心黑圆指示，在其中不包括检查目标111的图像的像素由实心白圆指示。部分地包括检查目标111的图像的周围区域113b由半色调阴影圆形指示。因为在ROI 113a中成像检查目标，所以ROI 113a的特征值与参考图像中的相应特征值具有与图1的(a)中相同的差值。
相反地，在本实施例中，如图1中的(d)中所示，SOI 113由多个像素形成，以使得在ROI 113a的特征值周围添加具有参考图像中的特征值的周围区域113b的特征值。这使得可以考虑周围区域113b的图像信息而确定ROI 113a的特征值。因此改进了仅取决于ROI 113a的奇异性的现有的一致项确定。也就是，本实施例使得可以通过利用整个SOI 113的特征值来检查ROI 113a的特征值。
这里，参考图2解释关于不一致项的确定的SOI 113的建立效果。图2中部分地图示为产品的检查目标111具有毛刺(burr)114。如图2中的(a)所示，对应于该毛刺114的ROI113a因此包括检查目标111的图像。给定该情形，在图2中，(b)图示已经以与图1同样的方式在特征值空间中绘制的与毛刺114相邻的区域的特征值。
这里，图2中的(b)中图示的特征值空间中的特征重视之间的差值与图1中的(b)中的相同。作为对比实例，在图2中，(c)图示确定为包括一致项的图像和根据本实施例的SOI113的参考图像。如图2中的(c)中所示，在参考图像中的相应SOI 113中，没有近似与目标图像中的SOI 113a的特征值相同的特征值。
因此，当检测到图2中的(a)中图示的毛刺114时，可以通过利用图2中的(b)中图示的确定方法确定一致性，如通常确定的那样。
注意到，ROI 113a和周围区域113b每个可以根据检查目标111的尺寸和期望精度以像素为单位限定。在另一实现形式中，这些区域中的每一个可以限定为由多个像素形成且可以覆盖平面的多边形区域。另外，SOI 113、ROI 113a和周围区域113b的尺寸、包括的像素的数目和形状可以根据特定目的而被设置为适当的。
替代地，可以根据统计信息等自动地确定SOI。例如，从该组参考图像预先求出各个像素的方差，且设置SOI的方差之和。根据此方面，可以以如下方式确定SOI，以使得当对于其方差低的区域获得大的SOI时，对于其方差高的区域获得小的SOI。此外，可应用另一方面，其中，预先求出该组参考图像和目标图像中各个像素的梯度方向，改变SOI的纵横比以使得可以优先地观看这些梯度方向。
如上所述，本实施例使得可以通过以对于在正常范围内的改变减小检测灵敏度，而不减小对于非一致状态的检测灵敏度的方式增强检查的鲁棒性来改进一致性确定的精度。
为了说明的方便的缘故，以下说明假定ROI 113a和周围区域113b每个对应于像素。在本实施例中，关于颜色种类的特征值，比如亮度值或者颜色值可以用作图像的特征值。作为关于颜色种类的特征值，可以使用任何种类的特征值或者由任何等式表示的特征值，比如获得为L*a*b，L*uv，或者HSV的那些，只要那些特征值可以在图像上如亮度值和颜色值那样标识，且可以被量化。
当使用比如颜色值的以三维表示的特征值时，可以通过获得各个维度的处理结果并最终合并那些结果来实现缺陷检测。例如，当红色(R)、绿色(G)和蓝色(B)图像经历检查时，可以以如下方式进行缺陷检测，以使得在关于R、G和B图像中的每一个执行以下将要描述的离群值计算之后，求出各个图像的产生的离群值的平均值或者最大值，以使得图像被合并成一个图像。
否则，更具体地，在本实施例中表示形状信息的边缘信息，或者空间频率信息可以用作图像的特征值。图像的局部特征值的其他实例包括高阶局部自动相关性(HLAC)、标量无变化特征转换(SIFT)值和加速鲁棒性特征(SURF)。另外的替代的可应用实例包括使用密度(density)协同出现矩阵以使得图像的纹理用作图像的特征值的方法、和例如通过基于深度学习的自动编码器自动地获得的特征值。在本实施例中，由用于提取图像特征的这些方法中的任何一个量化的值可以用作特征值。以下详细地描述可作为与颜色有关的特征值的替代应用的上述特征值。
(1)边缘特征值
可作为边缘特征值应用的实例包括梯度方向和梯度强度。例如，可以通过以下等式(1)获得在像素位置(u，v)的梯度强度s(u，v)(Fujiyoshi实验室，计算机科学系，Chubu大学，“Image Local Feature and Specific Object Recognition-SIFT and recentapproaches-”[在线]，[于2015-11-24检索到]，从<http://www.vision.cs.chubu.ac.jp/cvtutorial/PDF/02SIFTandMore.pdf>检索到)。
在图像L中的像素位置(u，v)的梯度方向可以通过以下等式(2)获得。
(2)空间频率信息
可以通过使用功率谱作为空间频率信息量化空间频率信息，且这些功率谱也可以用作特征值(Keiji Yano，“Studies on discrimination of images by unifyingcontour information and texture information”，博士论文，Kyushu Institute ofDesign，1999年3月18日，pp.45-70[在线]，[于2015-11-24检索到]，从<http://www.design.kyushu-u.ac.jp/lib/doctor/1999/k032/k032-05.pdf>检索到)。
P(u,v)＝|F(u,v)|2 (3)
(3)纹理特征值
空间频率信息用作特征值，通过利用以下等式(4)可以从该特征值获得纹理特征值。
由以上等式(4)限定的纹理特征值可以用作在本实施例中的特征值。这里，p(r)在以功率谱空间的原点在其中心形成的环形区域内。另外，q(θ)是扇形区域内的能量之和。基于比如p(r)和q(θ)的直方图的位置和高度以及p(r)和q(θ)的平均值和/或方差之类的值，纹理信息可以被采用为特征值。
虽然不能对于单个像素求出上面描述的p(r)和q(θ)，可以以使得对于每个在中心具有目标像素的局部区域获得的p(r)和q(θ)用作目标像素的特征值的方式计算离群值，就像在有关颜色种类的特征值的情况下那样。
(4)局部特征值
通过以下等式(5)确定作为高阶局部自动相关性(HALC)值提供的局部特征值，x(a1,a2...,an)(智能系统和信息学实验室，“Higher-order Local AutoCorrelationfeature”[在线]，[于2015-11-24检索到]，从<http://www.isi.imi.i.u tokyo.ac.jp/en/pattern/hlac.html>检索到；和Takahumi Suzuki和Takashi Izumi，“The person'sexpression classification based on the extraction of face feature and theamount of feature movement-Facial expression classification based on HLAC-feature and k-Nearest-Neighbor method-”，Workshop Proceedings，科学和技术学院，Nihon大学，2009，pp.508-509[在线]，[于2015-11-24检索到]，从<http://www.cst.nihon-u.ac.jp/research/gakujutu/53/pdf/g-1.pdf>检索到)。
x(a1,a2,…,aN)＝∫Pf(r)f(r+a1)…f(r+aN)dr
r：参考矢量 ai：位移矢量 (5)
f：亮度值图案P：屏幕(整数范围)
不能对于单个像素求出由两个或更多维度表示的HALC特征值。但是，可以以使得对于每个目标像素在中心的区域获得的HLAC特征值用作目标像素的HLAC特征值的方式限定和计算离群值，如在有关颜色种类的特征值的情况下那样。SIFT分数(Fujiyoshi实验室，计算机科学系，Chubu大学，“Image Local Feature and Specific Object Recognition-SIFT and recent approaches-”；和Hironobu Fujiyoshi，“Gradient-Based FeatureExtraction-SIFT and HOG-”，技术报告，日本信息处理学会，CVIM 160，2007年9月，pp.211-224[在线]，[于2015-11-24检索到]，从<http://www.hci.iis.u-tokyo.ac.jp/～ysato/class14/supplements/sift_tutorial-fujiyoshi.pdf>检索到)或者SURF Bay,H.,A.Ess，T.Tuytelaars，和L.Van Gool，“SURF:Speeded Up Robust Features”，计算机视觉和图像理解(CVIU)，Vol.110，No.3，2008，pp.346-359)也可以用作在本实施例中的特征值。
(5)通过使用行程长度矩阵获得的特征值
作为用于提取纹理的特征的方法，使用行程长度矩阵的方法(Keiji Yano，“Studies on discrimination of images by unifying contour information andtexture information”，博士论文，九州设计院，1999年3月18日，pp.45-70)。在本实施例中，如图3所示的行程长度矩阵用于计算每个像素的特征值。在如图3所示的每一个行程长度矩阵中，行程长度对应于行方向，且密度对应于列方向。
通过利用如图3所示的行程长度矩阵，由分别对应于五个维度的以下等式(6)给出的某些或者全部特征值的任何一个或者任何组合可以用作在本实施例中的特征值。
f1：短行程强调
f2：长行程强调
f3：灰度级不一致性
f4：行程长度不一致性
f5：行程百分比
不能对于单个像素求出所有种类的纹理特征值，包括通过使用行程长度矩阵的方法获得的纹理特征值。但是，可以以使得对于每个目标像素在中心的区域获得的纹理特征值用作目标像素的纹理特征值的方式计算离群值，如在有关颜色种类的特征值的情况下那样。
(6)基于深度学习的特征值
例如，使用自动编码器提取特征值的方法(Geoffrey E.hinton；R.R.Salakhutdinov，“Reducing the Dimensionality of Data with Neural Networks”，Science 313(5786)，2006年7月28日，pp.504-507；和Kai Sasaki，“Extracting Featureswith Autoencoder”[在线]，[于2015-11-24检索到]，从<http://www.slideshare.net/lewuathe/auto-encoder-v2>检索到)可以用于基于深度学习获得特征值。自动编码器是将输入临时映射到低维空间且然后重构输入的神经网络，且能够自动地获取输入的低维和更少受噪声影响的表示。
图4图示自动编码器的实例。自动编码器能够通过执行学习以使得通过其维数低于输入(在该实例中矢量化图像)的维数的隐蔽层(隐藏)而获得目标图像的低维表示，“输出＝输入”可以是结果。在本实施例中在本实施例中，如图4所示的值当中隐藏的值可以用作在本实施例中的特征值。这里，可以通过利用参考图像执行学习。
在图4中，输入层表示为x，到隐藏的输入表示为y，且到输出的输入表示为z。另外，可以通过利用图4中限定的等式计算“编码”和“解码”。称为“权重”和“偏置”的参数分别表示为W和b。在采用自动编码器的实现形式中，可以以用作输入的像素的颜色信息(由R、B和G的三维空间表示)求出特征值。图4中的输入和输出可以是三维限定的，且在其中的隐藏可以是一维或者二维限定的。此外，当对于包括每个目标像素的区域已经求出的隐藏的值用作特征值时可以执行离群值计算。
如参考图1到图4描述的，本实施例使得可以通过考虑ROI 113a的周围区域的状态来从图像确定ROI 113a的奇异性，而更有效地数字地确定检查目标111的外围部分111a的邻居的奇异性。
图5图示其中实现根据本实施例的处理方法的检查系统500的实现形式。如图3所示的检查系统500包括控制器501，用于提供指令给控制器501的操作单元502和输出侧I/O503。
控制器501由比如计算机的信息处理装置构成。操作单元502由比如液晶显示装置、键盘、鼠标、触摸板等的组件构成，且提供控制器501和操作者之间的接口。输出侧I/O503通过基于来自控制器501的计算结果生成用于移动检查目标506的输出，而控制输送臂505的位置，且可以被简单地称为输出单元。
在放置在输送器507上和由输送臂505固定之后，检查目标506被输送到检查位置，且其图像由比如数码相机之类的图像捕获装置508捕获。图像捕获装置508可以被称为图像捕获单元。由此捕获的图像被发送到控制器501，且关于图像进行检查目标111是否具有奇异性的检查。根据检查的结果，控制器501控制输送臂505的移动，以将检查目标传送到容器部分504中，容器部分504在其中存储检查目标，同时基于它们是一致项或者不一致项而分类它们。
图6图示根据本实施例的控制器501的硬件块600的实现形式。图像控制器501可以由经由系统总线606彼此连接的组件构成，该组件包括中央处理单元(CPU)601、随机存取存储器(RAM)602、图像RAM(如果需要)、只读存储器(ROM)603、显示装置604和通信装置605。I/O总线607进一步经由比如PCI或者PCI直通的总线桥接器连接到系统总线606。另外，比如外部驱动器或者DVD驱动器的外部驱动器610经由适当的协议连接到I/O总线607。此外，控制器501连接到比如数码相机的图像捕获装置608、存储装置609和外部驱动器610，由此能够获取图像和存储计算机程序和数据，使得可以执行根据本实施例的处理。
用于控制器501的CPU的更特定的实例包括，但不限于，商标为奔腾(注册商标)到奔腾4(注册商标)的处理器，核心i(注册商标)系列，和Atom(注册商标)、Pentium(注册商标)兼容的CPU、PowerPC(注册商标)处理器和MIPS处理器。
用于此的操作系统(OS)的实例包括MacOS(商标)、iOS(注册商标)、Windows(注册商标)、Chrome(注册商标)、Android(注册商标)、Windows(注册商标)200x服务器、UNIX(注册商标)、AIX(注册商标)、LINUX(注册商标)及其他适当的操作系统。控制器501进一步使能存储和执行在上述OS上运行的以比如C、C++、Visual C++、VisualBasic、Java(注册商标)、Perl和Ruby的编程语言所写的应用程序。
图7图示根据本实施例的控制器501的软件块700的实现形式。控制器501通过使用适当的传送协议，比如通用串行总线(USB)或者HDMI(注册商标)，或者在另一实现形式中另一适当的传送协议，比如以太网(注册商标)，而从图像捕获装置608接收检查目标图像。控制器501包括输入侧I/O 701、定位器(预处理器)702和计算器703，且输入侧I/O 701对应于在本实施例中的输入单元。输入侧I/O 701可以由包括适当的总线接口和网络接口卡(NIC)的组件构成。输入侧I/O 701能够例如在作为适当的存储单元的图像RAM 602中存储接收到的检查目标图像。
定位器702通过相对于检查区域110定位需要接下来检查的由图像捕获装置608获取的目标图像，而使能后续处理。另外，定位器702执行降噪滤波和掩蔽的处理。定位器702可以被称为预处理器。例如，定位器702可以通过执行其中将所获取的检查目标图像中的至少一个像素或者区域与检查区域110内的某些位置坐标相关联的处理，来执行定位。
计算器703提供计算根据本实施例的离群值的功能，且对应于计算关于颜色的特征值的单元和计算在本实施例中的离群值的单元。计算器703可以包括执行包括之后描述的那些的各个计算的多个计算器。为了执行处理，计算器703访问其中已经存储参考图像的存储单元706，和其中存储设置参数的第二存储单元707，且然后通过使用这样获取的参数与参考图像中的像素比较地计算离群值。用于该情况的每一个设置参数的实例包括，但不限于用于指定周围区域的范围的值，要获取的用于参考图像的标识值，对于参考图像预先计算的标准偏差(σ的值)，对于参考图像的特征值预先计算的平均值，和std(i,j)的值。在之后进一步详细地描述这些值和参数。
控制器501进一步包括确定器704和输出单元705。确定器704接收由计算器703生成的离群值，且通过应用设置的阈值确定检查目标是否是非一致的。响应于该确定，输出单元705计算用于控制输送臂505的控制信息，并将控制信息输出到输出侧I/O 503，由此使能输送臂505的控制。
根据本实施例的控制器501进一步包括用户界面708。用户界面708具有使用户能够向控制器501输入各种设置和向用户通知控制器501的结果的功能。特别地，用户界面708例如可以具有使用户能够限定SOI 113的功能，和使用户能够限定要在SOI 113中包括的区域的数目的功能。用户界面708进一步具有使用户能够改变和限定要从其计算离群值的周围区域的范围的功能，放大和减小检查图像的尺寸的功能，和基于其尺寸已经放大或者减小的检查图像执行离群值计算的功能。此外，用户能够通过用户界面708添加新的参考图像和以其他图像替换参考图像。
接下来，参考图8解释根据本实施例的处理方法。处理起始于步骤S800，且在步骤S801获取检查目标的图像。然后预处理应用于检查区域110和检查目标图像。例如，图像相对于彼此的定位可以包括在预处理中。通过从存储单元706读出对应于检查目标的任何适当的参考图像，和将该参考图像限定为模板而执行该定位。注意到，当在处理中出现需要时，用户可以按照需要删除或者添加参考图像。
然后执行该定位作为以下处理：其中，确定要检查的目标图像的特征值和模板的特征值之间的一致性；确定其特征值具有最高的一致性的区域为相同区域；和然后将这些区域与检查区域110中的相应区域相关联。可以通过被称为零均值归一化互相关(ZNCC)方法的实现用于模板匹配的方法。另外，预处理根据用途可以包括放大或者缩小图像的尺寸，和控制要由一个像素或者一个区域保持的信息的量。
随后，在步骤S802，计算器703基于分配给检查区域的像素、面积和/或形状而限定区域，并计算各个区域的特征值。如上所述，只要可以从图像提取特征值，则特征值可以是比如亮度值或者颜色值的任何标量值，且没有是什么种类的特征值和它们怎样格式化的限制。为提供更特定的说明，在下面的说明中亮度值用作特征值。但是，本实施例不限于使用亮度值的处理。
在步骤S803，计算器703然后比较这样获得的特征值与每个相应的区域及其周围区域的特征值，并计算离群值。不特别限制计算离群值的方法。如在本实施例的情况下的使用标准分数可应用为该方法。否则，使用盒子绘制的图表、Grubbs测试、Mahalanobis的距离，局部离群值因素(LOF)。这里，详细说明要由计算器703执行的用于计算离群值的处理。在下面说明中，ROI的位置表示为位置(i,j)，且围绕目标区域的各个周围区域表示为位置(i±1,j±1)。该实现形式对应于其中周围区域113b限定为与其相邻的围绕ROI 113a的区域的实现形式。i和j的值可以是从包括0的正整数中选出的任何整数。
首先，计算器703读出一组参考图像(例如，包括一致项的50个图像)，计算所有区域的亮度值的平均值n(i,j)和标准偏差std(i,j)，并在适当的存储单元中存储计算的结果。注意到，如上所述已经预先计算每一个参考图像的特征值。在该计算中，取决于该组参考图像，标准(i,j)可以极端地接近0，由此在计算中可能发生溢出异常。为此，在另一实现形式中，可以对于std(i,j)设置阈值std_min，且等于或者小于该阈值的任何std(i,j)可以被转换为std_min的值。使得可以根据用途从外部设置std_min的配置也是可应用的。
在离群值的计算中，从在ROI 113a的像素位置(i,j)的亮度值v(i,j)，在该组参考图像中与其对应的像素位置(i,j)，和已经以关于当前经历确定的检查目标的信息计算的参考图像的亮度值的平均值m(i,j)之间计算余数绝对值。如果需要可以包括余数的平方的计算。注意到，参考图像限定为预先获取和寄存、且包括确定为一致项的检查目标111的检查图像，或者限定为一组这种检查图像。该余数绝对值然后除以参考图像中ROI 113a的标准偏差标准(i,j)。除法的结果量化为离群值。注意到，该处理是统计标准化方法且被称为离群值的是与该组参考图像中的ROI 113a的标准分数对应的值。
通过利用周围区域113b，即，在像素位置(i±1,j±1)的所有平均值和标准偏差来执行相同计算操作。在特定的实现形式中，这样计算的离群值当中的最小值设置为ROI113a的离群值。明显地，在某些特定实现模式中，离群值当中的最大值可以量化为ROI 113a的离群值。以上处理由以下等式(7)表示。
关于检查图像内的所有区域执行该计算，以使得量化与完整图像对应的离群值。注意到，使用(i,j)、k和l的值根据用户规范设置和改变SOI 113。与从其计算离群值的图像范围对应的(i,j)的范围也根据用户规范按照需要改变。
在步骤S803计算离群值之后，由确定器704执行确定处理。在本实施例中，以下面的特定方式执行该确定处理。通过利用区域的各个位置的离群值，进一步计算在用于确定检查图像是否包括一致项的图像的指示符中的缺陷分数。该指示符在本公开中以下被称为缺陷分数。
在本实施例中，与完整图像对应的离群值的标准偏差(以下称为σ)用作用于指示图像奇异性怎样注意不到的标量值，且设置某个阈值。例如，在等于或者小于3σ的离群值具有值0的假定之下，删去这种离群值且完整图像的离群值乘以彼此。结果，一致项的图像导致进一步降低的缺陷分数。这样缺陷分数允许增强其与不一致项的图像的差值。该值σ是在已经对于完整图像获得的ROI的离群值的分布是正态分布的假定之下获得的标准偏差，且不同于上面描述的std(i,j)。注意到，要用于这些计算的值和参数可以根据处理的进程而更新和学习为新的值和参数。
在优选实现形式中的以上描述的乘法处理中，为了精度改进的目的，可以在等于或者小于设置阈值的任何离群值，即，其图像奇异性注意不到的图像区域的离群值设置为0的同时，执行乘法。其原因在于：即使对于从应用于该处理的正常图像区域获得的任何离群值，由以上等式(7)求出的离群值也由于各种噪声分量关于其的影响而具有非零值；且，如果最初计算的离群值乘以彼此，则累积的噪声分量导致不一致项的图像奇异性的信噪比(S/N)减小，由此可能降低检测性能。
在本实施例中的缺陷分数可以由各种替代方法中的任何一个确定。例如，在示例性实现形式中，缺陷分数被限定为通过将以上描述的离群值乘以彼此而获得的值，如以下等式(8)给出的。
在本实施例中的缺陷分数可以通过其他的方法获得。接下来描述由这些其他方法计算缺陷分数的实现形式。缺陷分数可以通过利用等式(9)替代地确定为离群值当中的最大值。
缺陷分数＝max{Outlier} (9)
在另外的实现形式中，如图9中的(a)中所示地执行处理，以求出每个包括至少一个离群值的区域的面积，且缺陷分数然后可以通过利用以下等式(10)确定为该面积中包括的像素的数目。
在另外的实现形式中，要限定为缺陷分数的面积可以如图9中的(b)中所示的，通过等式(11)通过利用画圈的矩形的坐标而确定，且该面积中包括的像素的数目可以用作缺陷分数。在以下等式(11)中，k表示图像中区域的像素标识值，其区域中的离群值等于或大于某个值。
注意到，要设置为阈值的值可以根据用途例如基于目标的形状和定位精度来设置。此外，例如，位置密集具有高离群值可以被确定为奇异状态。
在步骤S804，通过利用从离群值获得的上述缺陷分数做出关于检查目标是否是非一致的确定，且输出确定的结果，以使得控制输送臂505的移动。该处理然后在步骤S805结束。
以上描述的实现形式已经描述为配置为使用目标像素的邻居计算比如缺陷分数的值的实现形式。替代地，在另一示例性实现形式中，当如图10所示在检查图像内存在多个相同模块1011和1012时，因为用户能够设置检查区域，所以控制器501能够参考模块1011的缺陷分数中的ROI 1016计算模块1012的缺陷分数。该实现形式使能离群值的计算而不每次执行计算都读出该组参考图像，这样允许存储器的经济使用和下载参考数据的时间的减小。
控制器501进一步使能当检查图像包括期望从检查排除的区域(比如具有打印的制造商编号的区域，灰尘或者污点的附着毫无意义的区域，或者与固定检查下的部分的机器人手臂对应的区域)时，采用其中用户排除该区域的被称为掩蔽处理的。此外，控制器501可以通过使用户能够放大或者减小图像的尺寸和放大或者减小预处理中的图像的尺寸，来控制由一个像素或者一个区域保持的信息的量。
其原因在于可以通过减小参考区域的尺寸而实现计算成本的减小。这样，图像的分辨率可以减小到不导致精度问题的程度。为了该目的，由一个像素或者一个区域保持的信息的量可以增加，因此这使得可以减小计算成本和加速检查。
另外，当减小具有小的奇异区域的图像的分辨率时，奇异的区域变得更小，且可能减小确定精度。因此，在另一示例性实现形式中，控制器501配置为响应于用户规范禁止指定区域的减小，且可以期望该配置使能加速确定和保持确定精度不减小的控制。将电子基底的检查作为示例，可以通过执行离群值计算来减小计算成本，而不减小每个密集地具有小的组件的区域的分辨率，同时减小其他区域的分辨率。
在又一示例性实现形式中，控制器501可以配置为使用户能够通过添加参考图像或者以另一参考图像替换任何一个参考图像来更新参考图像。其原因在于参考图像被认为例如经历来自它们来自于的生产批次的影响，对于发光的老化恶化的到期日的变化，和由于对产品型号的修改导致的正常和异常的定义的改变。当这样改变参考图像时，则不能期望参数带给检查足够精度。在这种情况下，通过参考图像的添加和参考图像的改变更新参数，以使得使能用户使用更新参数的按照需要的确定。
图11是绘制用于要对于离群值设置的阈值的曲线下面积(AUC)的曲线图。这里，AUC是给出检查精度的标量值的指示值，给定1，除非已经错误地做出确定。该曲线图示出了随着阈值从0σ增加到接近于5σ的值，AUC实质上线性地改进。相反地，在6σ到7σ的范围内的阈值就改进AUC的效果而言达到饱和。这是由于，作为将等于或者小于阈值的离群值设置为0σ的结果，以忽略的在正常像素的小的离群值计算缺陷分数，且当缺陷分数不极大时不影响AUC。
图12图示其中在关于实际检查目标进行的图像评估中获得的缺陷分数与检查目标当中的一致项和不一致项相关联的试验实例。在图12中，(a)、(b)和(c)是其中离群值的阈值分别设置为0σ、6σ和9σ，且在其每个中评估大约70个检查图像的缺陷分数的实例的结果。如图12所示，当应用于离群值的阈值设置为0σ时，一致项样本和不一致项样本之间的缺陷分数的差值由于噪声累积不能被考虑为明显的。
关于其中阈值设置为6σ的经验实例，但是，可以确认一致项样本的缺陷分数免于噪声累积的影响且显著地减小。此外，当阈值设置为9σ时，几乎所有的一致项样本的缺陷分数是0，这指示其与不一致项的差值被更清楚地识别出。
图13图示以设置为22σ的阈值的使用与如图12所示相同的方法的经验实例中的缺陷分数。图13指示与图12相同的改进，以使得一致项样本的缺陷分数达到0。但是，某些不一致项样本的缺陷分数也是0的值。因为作为使用高阈值的结果具有相对低奇异性的某些不一致项样本的缺陷分数减小，这是可能的。
根据本实施例的检查系统关于基于由控制器501做出的确定选择一致项和不一致项的前提配置，且因此优选地消除将不一致项错误地识别为一致项的可能性。从该观点，优选地基于图11中的结果，要应用于离群值的阈值设置为5σ和20σ之间的值。
图14是图示取决于用于参考的周围区域的尺寸(邻居的数目)的识别性能(AUC)的改变的图。对于图14图示的结果是以每个ROI设置为一个像素而获得的结果。不同的五个样本1401、1402、1403、1404和1005的结果表示为线形图，且其平均值表示为条形图1410。
“邻居的数目＝0”意味着没有周围区域用于参考的情况。在“邻居的数目＝1”的情况下，指示如图1所示的目标像素的最相邻的像素用于参考。在其中最相邻的像素用于参考的“邻居的数目＝1”的情况下，指示识别性能的AUC的平均值(以蓝色条形图)高于没有周围区域用于参考的情况。在“邻居的数目＝2”的情况下，AUC的平均值高于没有区域用于参考的情况。
但是，在“邻居的数目＝3”的情况下求出AUC比"邻居的数目＝2"的情况下更低。这可能部分地因为随着用于参考的区域的数目增加，在其中统计地包括给出接近于那些被认为是非一致的值的位置的概率增大，导致对不一致项的敏感性减小。在“邻居的数目＝4”的情况下求出的AUC进一步降低。
基于逐个样本，某些样本，样本1401和1403的AUC在邻居的数目＝0时是1(它们的最高性能)。那些样本的AUC不减小且在“邻居的数目＝1”和"邻居的数目＝2"时维持在高的值。因此，优选地在本实施例中要用于参考的邻居的数目设置为1或者2。
如上所述，本发明使得可以提供信息处理装置、信息处理方法、计算机程序和检查系统，其使能图像内奇异性的高效检测而无论检查目标位于哪里、它具有什么形状和异常分布在哪里。
上述实施例是说明性的且不限制本发明。这样，考虑以上教导许多的附加修改和变化是可能的。例如，在本公开和所附权利要求的范围内，在这里的不同说明性和示例性实施例的至少一个元件可以彼此组合或者彼此替代。另外，实施例的组件的特征，比如数目、位置和形状不限制实施例且因此可以优选地设置。因此要理解在所附权利要求的范围内，本发明的公开可以以在这里特别地描述的之外地实践。
在这里描述的方法步骤、处理或操作不被看作是必须要求它们以讨论或者图示的特定次序执行，除非特别地标识为执行的次序或者通过上下文清楚地标识。也要理解可以采用附加的或者替换的步骤。
另外，上述设备、装置或单元中的任意可以实现为硬件设备，比如专用电路或装置，或者作为硬件/软件组合，比如执行软件程序的处理器。
另外，如上所述，本发明的上述及其他方法中的任何一个可以具体表现为在任何种类的存储介质中存储的计算机程序的形式。存储介质的实例包括，但不限于软盘、硬盘、光盘、磁光盘、磁带、非易失性存储器、半导体存储器、只读存储器(ROM)，等等。
替代地，本发明的上述及其他方法中的任何一个可以由专用集成电路(ASIC)、数字信号处理器(DSP)或者现场可编程门阵列(FPGA)实现，通过互连现有的组件电路的适当的网络或者通过其与相应地编程的一个或多个现有的通用微处理器或者信号处理器的组合而制备。
描述的实施例中的每一个功能可以由一个或多个处理电路或者电路系统实现。处理电路包括编程的处理器，因为处理器包括电路系统。处理电路还包括比如专用集成电路(ASIC)、数字信号处理器(DSP)、现场可编程门阵列(FPGA)和布置为执行所述功能的现有的电路组件之类的装置。

Claims (13)

1.一种信息处理装置，用于检查包括检查目标的图像的目标图像，所述信息处理装置包括：
预处理器，配置为执行用于将目标图像与参考图像或者多个参考图像比较的预处理；
第一计算器，配置为在目标图像中限定感兴趣区域(ROI)和与ROI相邻的周围区域，并计算ROI的特征值；
第二计算器，配置为从与参考图像中的对应于ROI和周围区域的图像的特征值的比较来计算离群值，所述离群值数字地指示在ROI处的图像的奇异性；和
确定器，配置为基于所述离群值提供要用于检查的指示符。
2.如权利要求1所述的信息处理装置，进一步包括第三计算器，配置为当获得离群值时减小离群值中包括的噪声分量，其中，
所述确定器通过使用已经从其删除噪声分量的离群值来生成所述指示符。
3.如权利要求1或者2所述的信息处理装置，其中，所述特征值是通过利用亮度值、颜色值、边缘信息、空间频率信息、纹理信息或者神经网络生成的值。
4.如权利要求1到3中任何一个所述的信息处理装置，进一步包括第四计算器，配置为以相对于参考图像中的相应区域的标准分数的形式量化图像的奇异性。
5.如权利要求1所述的信息处理装置，进一步包括配置为使能周围区域的尺寸的改变的接口。
6.如权利要求1所述的信息处理装置，进一步包括配置为在尺寸上放大或者缩小整个目标图像或者目标图像的一部分的接口。
7.如权利要求1所述的信息处理装置，其中，所述第二计算器配置为通过使用已经在尺寸上放大或者缩小的目标图像来计算所述离群值。
8.如权利要求1所述的信息处理装置，进一步包括：
接口，配置为使能参考图像的添加；和
第五计算器，配置为使能外部地设置离群值的阈值，其中，
所述第二计算器更新在计算中包括添加的参考图像的同时计算离群值时使用的参数，且以更新之后的更新参数计算离群值。
9.一种在信息处理装置中执行以量化包括检查目标的图像的目标图像的方法，所述方法包括：
执行用于比较目标图像与参考图像或者多个参考图像的预处理；
在目标图像中限定感兴趣区域(ROI)和与ROI相邻的周围区域以计算ROI的特征值；
从与参考图像中的对应于ROI和周围区域的图像的特征值的比较来计算离群值，所述离群值数字地指示在ROI处的图像的奇异性；和
基于所述离群值提供要用于检查的指示符。
10.如权利要求9所述的方法，进一步包括：
当获得离群值时减小离群值中包括的噪声分量；和
通过使用已经从其删除噪声分量的离群值来生成所述指示符。
11.如权利要求9或者10所述的方法，其中，所述特征值是通过利用亮度值、颜色值、边缘信息、空间频率信息、纹理信息或者神经网络生成的值。
12.如权利要求9到11中的任何一个所述的方法，进一步包括：
以相对于参考图像中的相应区域的标准分数的形式量化图像的奇异性。
13.一种用于检查检查目标的检查系统，所述检查系统包括：
图像捕获单元，配置为获取包括检查目标的图像的目标图像；
预处理器，配置为执行用于将目标图像与参考图像或者多个参考图像比较的预处理；
第一计算器，配置为在目标图像中限定感兴趣区域(ROI)和与ROI相邻的周围区域，并计算ROI的特征值；
第二计算器，配置为从与参考图像中的对应于ROI和周围区域的图像的特征值的比较计算离群值，所述离群值数字地指示在ROI处的图像的奇异性；和
确定器，配置为基于所述离群值提供要用于检查的指示符；和
第三计算器，配置为当获得离群值时减小离群值中包括的噪声分量，其中，
所述确定器通过使用已经从其删除噪声分量的离群值提供指示符，并通过使用所述指示符从目标图像中确定检查目标中的缺陷。
CN201611088679.XA 2015-12-01 2016-11-30 信息处理装置，信息处理方法和检查系统 Pending CN106934794A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
JP2015234843 2015-12-01
JP2015-234843 2015-12-01
JP2016-185440 2016-09-23
JP2016185440A JP6794737B2 (ja) 2015-12-01 2016-09-23 情報処理装置、情報処理方法、プログラムおよび検査システム

Publications (1)

Publication Number Publication Date
CN106934794A true CN106934794A (zh) 2017-07-07

Family

ID=59059720

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201611088679.XA Pending CN106934794A (zh) 2015-12-01 2016-11-30 信息处理装置，信息处理方法和检查系统

Country Status (2)

Country Link
JP (1) JP6794737B2 (zh)
CN (1) CN106934794A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110933446A (zh) * 2019-11-15 2020-03-27 网宿科技股份有限公司 一种感兴趣区域的识别方法、系统及设备
CN110996099A (zh) * 2019-11-15 2020-04-10 网宿科技股份有限公司 一种视频编码方法、系统及设备
CN111198191A (zh) * 2018-10-30 2020-05-26 三星显示有限公司 用于检查显示装置的装置及其检查方法
CN113039432A (zh) * 2018-11-18 2021-06-25 因斯佩克托艾姆威有限责任公司 优化自动视觉检查过程中的设置阶段
CN114252448A (zh) * 2020-09-21 2022-03-29 科德机械科技有限公司 用于执行手套检查的方法

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6707920B2 (ja) 2016-03-14 2020-06-10 株式会社リコー 画像処理装置、画像処理方法、およびプログラム
EP3502920A1 (en) * 2017-12-25 2019-06-26 Dassault Systèmes Prediction of an event affecting a physical system
JP6876940B2 (ja) 2018-04-04 2021-05-26 パナソニックＩｐマネジメント株式会社 画像処理装置および画像処理方法
JP7243376B2 (ja) * 2018-04-07 2023-03-22 東洋製罐グループホールディングス株式会社 色味検査装置、及び色味検査プログラム
CN109086780B (zh) * 2018-08-10 2020-08-04 北京百度网讯科技有限公司 用于检测电极片毛刺的方法和装置
JP2019101047A (ja) * 2019-02-25 2019-06-24 株式会社アセット・ウィッツ 部品外観自動検査装置
JP7308656B2 (ja) * 2019-05-16 2023-07-14 株式会社キーエンス 画像検査装置
KR102523770B1 (ko) * 2021-06-03 2023-04-19 동의대학교 산학협력단 딥러닝을 활용한 머신 비전 기반의 전장 부품의 품질 관리 시스템 및 방법
WO2022255566A1 (ko) * 2021-06-03 2022-12-08 동의대학교 산학협력단 딥러닝 기반 타겟의 품질 관리 방법 및 이를 이용한 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100021067A1 (en) * 2006-06-16 2010-01-28 Nobuyuki Otsu Abnormal area detection apparatus and abnormal area detection method
US20130202188A1 (en) * 2012-02-06 2013-08-08 Hitachi High-Technologies Corporation Defect inspection method, defect inspection apparatus, program product and output unit

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3749090B2 (ja) * 2000-07-06 2006-02-22 大日本スクリーン製造株式会社 パターン検査装置
JP2004012422A (ja) * 2002-06-11 2004-01-15 Dainippon Screen Mfg Co Ltd パターン検査装置、パターン検査方法およびプログラム
JP4017148B2 (ja) * 2002-09-05 2007-12-05 大日本スクリーン製造株式会社 パターン検査装置、歩留管理システム、パターン検査方法、基板製造方法およびプログラム
JP2014106109A (ja) * 2012-11-27 2014-06-09 Sharp Corp 検査装置、検査方法、検査プログラムおよび記録媒体

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20100021067A1 (en) * 2006-06-16 2010-01-28 Nobuyuki Otsu Abnormal area detection apparatus and abnormal area detection method
US20130202188A1 (en) * 2012-02-06 2013-08-08 Hitachi High-Technologies Corporation Defect inspection method, defect inspection apparatus, program product and output unit

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
SCOTT KRIG: "Interest Point Detector and Feature Descriptor Survey", 《COMPUTER VISION METRICS》 *
VARUN CHANDOLA等: "Anomaly detection: A survey", 《ACM COMPUTING SURVEYS (CSUR) 》 *
高宏伟等编著: "《电子制造装备技术》", 30 September 2015, 西安电子科技大学出版社 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111198191A (zh) * 2018-10-30 2020-05-26 三星显示有限公司 用于检查显示装置的装置及其检查方法
CN113039432A (zh) * 2018-11-18 2021-06-25 因斯佩克托艾姆威有限责任公司 优化自动视觉检查过程中的设置阶段
CN110933446A (zh) * 2019-11-15 2020-03-27 网宿科技股份有限公司 一种感兴趣区域的识别方法、系统及设备
CN110996099A (zh) * 2019-11-15 2020-04-10 网宿科技股份有限公司 一种视频编码方法、系统及设备
CN110933446B (zh) * 2019-11-15 2021-05-25 网宿科技股份有限公司 一种感兴趣区域的识别方法、系统及设备
CN110996099B (zh) * 2019-11-15 2021-05-25 网宿科技股份有限公司 一种视频编码方法、系统及设备
CN114252448A (zh) * 2020-09-21 2022-03-29 科德机械科技有限公司 用于执行手套检查的方法

Also Published As

Publication number Publication date
JP6794737B2 (ja) 2020-12-02
JP2017107541A (ja) 2017-06-15

Similar Documents

Publication Publication Date Title
CN106934794A (zh) 信息处理装置，信息处理方法和检查系统
CN109325954B (zh) 图像分割方法、装置及电子设备
EP3176751B1 (en) Information processing device, information processing method, computer-readable recording medium, and inspection system
CN110060237B (zh) 一种故障检测方法、装置、设备及系统
CN109978839B (zh) 晶圆低纹理缺陷的检测方法
CN108805023B (zh) 一种图像检测方法、装置、计算机设备及存储介质
CN109948566B (zh) 一种基于权重融合与特征选择的双流人脸反欺诈检测方法
JP3435684B2 (ja) 画像情報処理装置
CN106503724A (zh) 分类器生成装置、有缺陷/无缺陷确定装置和方法
TW559739B (en) Image processor and pattern recognition apparatus using the image processor
CN112329851B (zh) 一种图标检测方法、装置及计算机可读存储介质
JP7253573B2 (ja) マッチング方法、装置、電子機器及びコンピュータ可読記憶媒体
CN115205223B (zh) 透明物体的视觉检测方法、装置、计算机设备及介质
CN115205194B (zh) 基于图像处理的粘虫板覆盖率检测方法、系统及装置
KR101549495B1 (ko) 문자 추출 장치 및 그 방법
CN110826418A (zh) 脸部特征提取方法及装置
CN110059607B (zh) 活体多重检测方法、装置、计算机设备及存储介质
CN113487473B (zh) 一种添加图像水印的方法、装置、电子设备及存储介质
CN116168351B (zh) 电力设备巡检方法及装置
CN110647889B (zh) 医学图像识别方法、医学图像识别装置、终端设备及介质
CN111507252A (zh) 人体跌倒检测装置、方法、电子终端及存储介质
CN107368832A (zh) 基于图像的目标检测及分类方法
Huang et al. HEp-2 cell images classification based on textural and statistic features using self-organizing map
JP2005165387A (ja) 画面のスジ欠陥検出方法及び装置並びに表示装置
CN117765330A (zh) 基于mri图像的数据标注方法及系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170707

RJ01 Rejection of invention patent application after publication