CN107004265A - 信息处理装置、处理信息的方法、鉴别器生成装置、生成鉴别器的方法、以及程序 - Google Patents
信息处理装置、处理信息的方法、鉴别器生成装置、生成鉴别器的方法、以及程序 Download PDFInfo
- Publication number
- CN107004265A CN107004265A CN201580067477.4A CN201580067477A CN107004265A CN 107004265 A CN107004265 A CN 107004265A CN 201580067477 A CN201580067477 A CN 201580067477A CN 107004265 A CN107004265 A CN 107004265A
- Authority
- CN
- China
- Prior art keywords
- image
- defect
- characteristic quantity
- check image
- discriminator
- 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
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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
为了以高精度对检查图像实施有缺陷/无缺陷确定,同时防止特征量的维度变得更大以及算术处理时间增加,获取包括要被检查的对象的检查图像;通过对检查图像实施频率转换来生成多个层次检查图像;关于该多个层次检查图像中的至少一个层次检查图像提取与可能包括在要被检查的对象中的缺陷的类型对应的特征量;以及基于所提取的特征量来输出关于检查图像的缺陷的信息。
Description
技术领域
本发明涉及用于通过捕获对象的图像和使用该图像进行关于对象是有缺陷还是无缺陷的确定来确定的方法。
背景技术
在例如工厂中制造的产品一般接受视觉检查(visual inspection)以确定它们是无缺陷的还是有缺陷的。在预先知道有缺陷产品中所包括的缺陷的出现方式(例如,强度、大小和位置)的情况下通过对要被检查对象的图像的图像处理来检测缺陷的方法已经被实际使用。但是,实际上,缺陷的出现方式经常是不稳定的,并且它们具有各种强度、大小、位置等。因此,当前检查经常由人眼实施并且基本上不自动进行。
作为自动化检查不稳定缺陷的方法,已经提出了使用大量特征量的检查方法。具体地,捕获为学习准备的多个无缺陷产品和有缺陷产品的样品的图像,从那些图像中提取大量特征量(诸如像素值的平均值或分布和最大值、以及对比度),并生成相对于高维特征量空间分类无缺陷产品和有缺陷产品的鉴别器。然后,使用鉴别器来确定要被检查的实际对象是无缺陷或有缺陷的。
如果特征量的量相对于用于学习的样品数量变大,则可能发生以下问题:鉴别器在学习期间对样品的无缺陷产品和有缺陷产品过度拟合(overfit),以及对要被检查的对象的泛化误差(generalization error)变大。如果特征量的数量大,则可能生成冗余的特征量,并且可能增加处理时间。因此,已经提出了通过在大量特征量中选择适当的特征量来减少泛化误差并提高算术运算速度的技术。在PTL 1中,从参考图像中提取多个特征量,并且选择用于鉴别检查图像的特征量来鉴别图像。
如果使用PTL 1的方法,则关于各种缺陷中具有强缺陷信号的缺陷可以利用相关领域的特征量(诸如平均值、分布、最大值和对比度)来提取缺陷信号。但是,具有弱缺陷信号的缺陷和虽然其缺陷信号强但依赖于缺陷数量的缺陷难以被提取为特征量。为此原因,对检查图像的有缺陷/无缺陷确定的精度显著地低。
[引用列表]
[专利文献]
[PTL 1]
日本专利特许公开No.2005-309878
发明内容
本公开的无缺陷检查装置包括获取单元,被配置为获取包括要被检查的对象的检查图像;生成单元,被配置为通过对检查图像实施频率转换来生成多个层次检查图像;提取单元,被配置为关于该多个层次检查图像中的至少一个层次检查图像提取与可以被包括在要被检查的对象中的缺陷的类型对应的特征量;以及输出单元,被配置为基于所提取的特征量来输出关于检查图像的缺陷的信息。
本公开的鉴别器生成装置包括:获取单元,被配置为获取包括对象体的学习图像,对于该对象体已经知道是否包括缺陷;生成单元,被配置为通过对学习图像实施频率转换来生成多个层次学习图像;提取单元,被配置为对该多个层次学习图像中的至少一个层次学习图像提取与缺陷的类型对应的特征量;以及生成单元,被配置为基于所提取的特征量生成输出关于对象体的缺陷的信息的鉴别器。
根据本公开,可以以高精度实施关于检查图像中是否包括缺陷的确定,同时防止特征量在维度上变得更大和增加算术处理时间。
参考附图,从以下对示例性实施例的描述,本发明的进一步的特征将变得清楚。
附图说明
图1示出了本实施例中的鉴别器生成装置的功能块配置。
图2示出了本实施例中的有缺陷/无缺陷确定装置的功能块配置。
图3是本实施例中的处理的流程图。
图4示出了本实施例中的用于生成金字塔层次图像的方法。
图5示出了用于描述小波变换的像素数。
图6是在图像上捕获的有缺陷形状的分类图。
图7是用于计算强调点状缺陷的特征量的方法的示意图。
图8是用于计算强调线状缺陷的特征量的方法的示意图。
图9是用于计算强调不均一状(nonuniformity)缺陷的特征量的方法的示意图。
图10示出了当将强调线状缺陷的特征量用于金字塔层次图像时的示例性特征提取。
图11示出了用于点状缺陷、线状缺陷和不均一状缺陷这三种类型特征量以及一般统计值的图像的层次级别和类型。
图12示出了本实施例的鉴别器生成装置和有缺陷/无缺陷确定装置的示例性硬件配置。
具体实施方式
在下文中,将参考附图描述用于实现本发明的形式(即,实施例)。
在对本发明的每个实施例进行描述之前,参考图12描述其上安装了本实施例中描述的鉴别器生成装置1或有缺陷/无缺陷确定装置2的硬件配置。
图12是本实施例中的鉴别器生成装置1或有缺陷/无缺陷确定装置2的硬件配置图。在图12中,CPU 1210总体上控制经由总线1200连接的设备。CPU 1210读取并执行存储在只读存储器(ROM)1220中的处理步骤和程序。操作系统(OS)、与本实施例相关的每个处理程序、设备驱动程序(device driver)等被存储在ROM 1220中,临时存储在随机存取存储器(RAM)1230中,并由CPU 1210执行。输入I/F 1240将信号以可以在鉴别器生成装置1或有缺陷/无缺陷确定装置2中处理的格式从外部装置(例如,显示装置或操纵装置)输入作为输入信号。输出I/F 1250将信号以可以由显示装置处理的格式输出到外部装置(例如,显示装置)作为输出信号。
第一实施例
图1示出了本实施例中的鉴别器生成装置1的配置。本实施例的鉴别器生成装置1包括图像获取单元110、层次图像生成单元120、特征量提取单元130、特征量选择单元140、鉴别器生成单元150,以及存储单元160。鉴别器生成装置1连接到图像捕获装置100。
图像获取单元110从图像捕获装置100获取图像。要被获取的图像是通过由图像捕获装置100捕获作为检查目标的对象的图像而获取的学习图像。由图像捕获装置100捕获的对象先前被用户标记为无缺陷或有缺陷。在本实施例中,鉴别器生成装置1连接到从其获取图像的图像捕获装置100。但是,可替代地,预先捕获的图像可以被存储在存储单元中,并且可以从存储单元被读取。
层次图像生成单元120根据由图像获取单元110获取的图像来生成层次图像(即,层次学习图像)。稍后详细描述层次图像的生成。
特征量提取单元130从由层次图像生成单元120生成的图像中提取强调点、线状和不均一状缺陷中的每个的特征量。稍后详细描述特征量的提取。
特征量选择单元140基于所提取的特征量选择对于分离无缺陷产品的图像与有缺陷产品的图像有效的特征量。稍后详细描述特征量的选择。
鉴别器生成单元150通过使用所选择的特征量执行学习处理来生成鉴别无缺陷产品的图像与有缺陷产品的图像的鉴别器。稍后详细描述鉴别器的生成。
存储单元160存储由鉴别器生成单元150生成的鉴别器以及由特征量选择单元140选择的特征量的类型。
图像捕获装置100是捕获作为检查目标的对象的图像的照相机。图像捕获装置100可以是单色照相机或彩色照相机。
图2示出了本实施例中的有缺陷/无缺陷确定装置2的配置。关于还不知道其无缺陷还是有缺陷的图像,有缺陷/无缺陷确定装置2使用由鉴别器生成装置1生成的鉴别器来确定图像是无缺陷产品的图像还是有缺陷产品的图像。本实施例的有缺陷/无缺陷确定装置2包括图像获取单元180、存储单元190、层次图像生成单元191、特征量提取单元192、确定单元193以及输出单元194。鉴别器生成装置1连接到图像捕获装置170和显示装置195。
图像获取单元180从图像捕获装置170获取检查图像。要被获取的检查图像是通过捕获作为检查目标的对象而获得的图像,即,通过由图像捕获装置170捕获还不知道其无缺陷还是有缺陷的对象而获取的图像。
存储单元190存储由鉴别器生成单元150生成的鉴别器、以及由鉴别器生成装置1的特征量选择单元140选择的特征量的类型。
层次图像生成单元191基于由图像获取单元110获取的图像来生成层次图像(即,层次检查图像)。层次图像生成单元191的处理是与层次图像生成单元120的处理相同的处理,稍后详细描述。
特征量提取单元192从由层次图像生成单元191生成的图像提取在强调点、线状和不均一状缺陷中的每个的特征量之中存储单元190中所存储的类型的特征量。稍后详细描述特征量的提取。
确定单元193基于由特征量提取单元192提取的特征量和存储在存储单元190中的鉴别器分离无缺陷产品的图像与有缺陷产品的图像。稍后详细描述确定单元193中的确定。
输出单元194经由未示出的接口以可以由外部显示装置195显示的格式向显示单元发送确定结果。除了确定结果,输出单元194还可以发送在确定中使用的检查图像、层次图像等。
图像捕获装置170是捕获作为检查目标的对象的图像的照相机。图像捕获装置170可以是单色照相机或彩色照相机。
显示装置195显示由输出单元194输出的确定结果。输出结果可以通过文本、颜色显示或声音来指示无缺陷/有缺陷。显示装置195可以是液晶显示器和CRT显示器。显示装置195的显示由CPU1210控制(显示控制)。
图3是本实施例的流程图。下文参考图3的流程图给出描述。首先描述流程图的概述和四个特征,然后给出流程图的详细描述。
实施例的流程图的概述和本发明的特征
如图3中所示,本实施例具有两个不同步骤:学习步骤S1和检查步骤S2。在学习步骤S1中,获取用于学习的图像(步骤S101),并且对于用于学习的图像生成具有多个层次级别和类型的金字塔层次图像(步骤S102)。接下来,关于生成的金字塔层次图像提取所有特征量(步骤S103)。然后,选择用于检查的特征量(步骤S104),并且生成用来鉴别无缺陷产品的图像和有缺陷产品的图像的鉴别器(步骤S105)。
在检查步骤S2中,获取用于检查的图像(步骤S201),并且如步骤S102中那样对于用于检查的图像生成金字塔层次图像(步骤S202)。接下来,关于生成的金字塔层次图像提取在步骤S104中选择的特征量(步骤S203),并且使用在其中生成鉴别器的步骤S105中生成的鉴别器确定用于检查的图像是无缺陷的还是有缺陷的(步骤S204)。已经描述了本实施例的流程图的概述。
接下来,对本发明的特征进行描述。本发明具有四个特征,其中三个特征存在于生成金字塔层次图像的步骤S102中和提取特征量的步骤S103中。
第一特征是使用能够提取具有弱缺陷信号的缺陷或依赖于缺陷数量的缺陷的特征量。具体地,缺陷被分类为三种类型:点状缺陷、线状缺陷和不均一状缺陷,并且使用关于图像中某个区域计算的特征量来强调它们中的每个。稍后描述缺陷和特征量的细节。
第二特征是准备具有多个层次级别的金字塔层次图像并且对于每个金字塔层次图像使用关于基本上相同尺寸的区域计算的特征量。为了仅仅强调缺陷,必须根据缺陷的尺寸准备关于各种尺寸的区域计算的特征量。在本发明中,通过对于每个金字塔层次图像使用关于基本上相同尺寸的区域计算的特征量,计算变得等价于模拟地关于各种尺寸的区域的计算。
第三特征是金字塔层次图像的层次和类型被限制为对每个特征量有效的层次和类型。以这种方式,可以避免由与缺陷信号不相关的特征量引起的鉴别器的精度降低和由冗余特征量提取的计算引起的计算时间的增加。
本发明的第四特征存在于选择特征量的S104中。通过在大量特征量中选择对于分离无缺陷产品的图像与有缺陷产品的图像有效的特征量,可以在生成鉴别器的步骤S105中减少过度拟合的风险。另外,在检查步骤2中在其中提取所选择的特征量的步骤S203中,可以减少计算时间。以上描述了实施例的流程图的概述和本发明的特征。
每个步骤的详细描述
在下文中,参考图3详细描述每个步骤。
描述作为学习步骤的步骤S1。
步骤S1
步骤S101
在步骤S101中,图像获取单元110获取用于学习的图像。具体地,使用例如工业照相机捕获已知其无缺陷还是有缺陷的产品的外表,并且获取其图像。获取多个无缺陷产品的图像和多个有缺陷产品的图像。例如,获取150个无缺陷产品的图像和50个有缺陷产品的图像。在本实施例中,图像是无缺陷还是有缺陷是由用户预先定义的。
步骤S102
在S102中,层次图像生成单元120将在步骤S101中获取的用于学习的图像(即,学习图像)划分为具有不同频率的多个层次,并生成是多个图像类型的金字塔层次图像。下面详细描述步骤S102。
在本实施例中,使用小波变换(即,频率转换)生成金字塔层次图像(即,层次学习图像)。用于生成金字塔层次图像的方法在图4中示出。首先,令在步骤S101中获取的图像作为图4的原始图像201,从原始图像201生成四种类型的图像:低频图像202、垂直频率图像203、水平频率图像204和对角频率图像205。四种类型的图像中的全部被缩小到原始图像201的四分之一。图5示出了用于描述小波变换的像素数。如图5中所示,当左上像素为a、右上像素为b、左下像素为c、右下像素为d时,通过如下关于原始图像201转换像素值中的每个来生成低频图像202、垂直频率图像203、水平频率图像204和对角频率图像205:
(a+b+c+d)/4 (1)
(a+b-c-d)/4 (2)
(a-b+c-d)/4 (3)
(a-b-c+d)/4 (4)。
另外,根据生成的三种类型的图像:垂直频率图像203、水平频率图像204和对角频率图像205,生成四种类型的图像:垂直频率图像的绝对值图像206、水平频率图像的绝对值图像207、对角频率图像的绝对值图像208,以及垂直、水平和对角频率图像的平方和图像209。垂直频率图像的绝对值图像206、水平频率图像的绝对值图像207、对角频率图像的绝对值图像208是通过获得垂直频率图像203、水平频率图像204和对角频率图像205中的每个的绝对值中的每个来生成的。垂直、水平和对角频率图像的平方和图像209是通过关于垂直频率图像203、水平频率图像204和对角频率图像205中的全部计算平方和来生成的。八种类型的图像202至209被称为相对于原始图像201的第一层次级别的图像组。
接下来,对低频图像202执行与为了生成第一层次级别的图像组而执行的图像转换相同的图像转换以生成用于第二层次级别的八种类型的图像。对第二层次级别的低频图像重复相同的图像转换。如上所述,这种转换对每个层次级别的低频图像重复直到图像的尺寸变为某个值或更低为止。重复处理由图4中的虚线部分210示出。通过重复该过程,为每个层次级别生成八种类型的图像。例如,如果该过程对10个层次级别重复,则对一个图像生成81种类型(即,原始图像+10个层次级别×8种类型)的图像。对于在步骤S101中获取的全部图像执行这个处理。
虽然在本实施例中使用小波变换来生成金字塔层次图像,但也可以替代地使用其它方法,诸如傅里叶变换。上面已经描述了步骤S102。
步骤S103
在步骤S103中,特征量提取单元130从在步骤S102中生成的每个层次并从每种类型的图像中提取特征量。如上所述,步骤S103包括本发明的三个特别有特点的特征。下文中,依次描述这三个特征。
强调点状缺陷、线状缺陷和不均一状缺陷中的每个的特征量
描述第一特征,该第一特征是强调点状缺陷、线状缺陷和不均一状缺陷的特征量。图6是在图像上捕获的有缺陷形状的分类图。在图6中,水平轴表示关于缺陷的某个方向的长度,并且垂直轴表示与该长度垂直的方向(即,宽度)。参考图6,视觉检查中的有缺陷形状可以分类为三种类型。第一缺陷是由401表示的、在长度和宽度上都小的点状缺陷。点状缺陷可以具有强信号。在一些情况下,单个缺陷可以不被人眼捕获为缺陷,但是存在于某个区域中的多个缺陷可以被捕获为缺陷。有时可能在有灰尘等附着到图像捕获位置处的对象的外表时捕获对象的图像。由灰尘引起的点状缺陷不是缺陷,但在图像捕获结果中出现为点状缺陷。因此,依赖于其数量,点状缺陷可以变成或可以不变成缺陷。第二缺陷是由402表示的、在一个方向上延伸的细长线状缺陷。这个图像主要是由裂缝生成的。第三缺陷是由403表示的、其长度和宽度上都大的不均一状缺陷。不均一状缺陷由不均匀的涂层或者在树脂模制处理期间生成。线状缺陷402和不均一状缺陷403经常具有较弱的缺陷信号。
在本发明中,提取强调关于这三种类型的形状中的每种的缺陷的信号的特征量。下文中,详细描述这些。
首先描述强调点状缺陷的特征量。图7是用于计算强调点状缺陷的特征量的方法的示意图。矩形区域(即,参考区域)501(在图7中由实线示出的矩形框内)是在步骤S102中生成的金字塔层次图像中的一个。关于图像501(在层次检查图像内部),从预定的矩形区域502(在图7中由虚线示出的矩形框内)中的每个像素值以及矩形区域502的中心像素503(在图7中由点划线示出的矩形框内)的像素值提取强调点状缺陷的特征量。在本实施例中,矩形区域502中除中心像素503以外的像素的平均值与中心像素503的像素值彼此比较,并且具有某个比较结果或更大的像素被计算并设定为特征量。以这种方式,可以计算出其值显著高于相邻像素的像素的量,因此,可以将点状缺陷的数量看作特征量。
下文中使用表达式给出描述。在表达式中,在矩形区域502中的除中心像素503的像素之外的平均值为a_Ave,标准差为a_Dev,并且中心像素503的像素值为b。在这里,m=4、6和8,并且计算|a_Ave-b|-m×a_Dev(5)。如果表达式(5)大于0,则比较结果为1,而如果表达式(5)为0或更小,则对矩形区域502的结果为0。m是通过将标准差的多少倍设定为阈值来确定的,并且在本实施例中是4倍、6倍和8倍。可替代地,可以使用其它值。在扫描(与图7中的箭头对应)的同时对图像501执行以上计算,计算其中表达式(5)为1的像素的数量,并且获得强调点状缺陷的特征量。
描述强调线状缺陷的第二特征量。图8是用于计算强调线状缺陷的特征量的方法的示意图。图8中由实线示出的矩形框601是在步骤S102中生成的金字塔层次图像中的一个。关于图像601,实施卷积运算以使用矩形区域602(即,图8中由虚线示出的矩形框)以及在一个方向上连续(continued)的细长矩形区域603(即,图8中由点划线示出的矩形框)来提取强调线状缺陷的特征量。在本实施例中,通过扫描整个图像601(与图8中的箭头对应)来计算矩形区域602中除线状矩形区域603之外的像素组中的每个的平均值与线状矩形区域603的平均值之间的比,并且将最大值和最小值定义为特征量。因为矩形区域603在形状上是线状的,所以可以提取更加强调线状缺陷的特征量。虽然图像601和线状矩形区域603在图8中彼此平行,但是,因为线状缺陷可以在360度的各个方向上发生,所以矩形区域603例如在24个方向上间隔15度旋转,并且在各个角度计算特征量。
描述强调不均一状缺陷的第三特征量。图9是用于计算强调不均一状缺陷的特征量的方法的示意图。矩形区域701(在图9中由实线示出的矩形框内)是在步骤S102中生成的金字塔层次图像中的一个。与这个图像701相反,实施卷积运算以使用矩形区域702(在图9中由虚线示出的矩形框内)和矩形区域702内部具有包括不均一状缺陷的区域的矩形区域703(在图9中由点划线示出的矩形框内)提取强调不均一状缺陷的特征量。在本实施例中,通过扫描整个图像701(与图9中的箭头对应)来计算矩形区域702中除矩形区域703之外的像素的平均值与矩形区域703的平均值之间的比,并且将最大值和最小值定义为特征量。因为矩形区域703是包括不均一状缺陷的区域,所以可以计算进一步强调不均一状缺陷的特征量。
在本实施例中在强调线状缺陷和不均一状缺陷的特征量中计算平均值之间的比。可替代地,可以使用分布的比或标准差的比,并且可以使用差而不是比。在本实施例中,在扫描之后获取最大值和最小值,但是可以替代地使用其它统计值、平均、分布。
在本实施例中,使用三种类型的强调缺陷的特征量来检测可能出现在图像上的全部缺陷。如果要出现的缺陷预先已知为点状缺陷和线状缺陷,则不必使用不均一状缺陷的特征量。
在本实施例中使用三种类型的强调缺陷的特征量。可以附加地使用在相关领域中使用的金字塔层次图像的像素值的一般统计值(诸如平均值、分布、峰度、偏度、最大值和最小值)作为特征量。
使用金字塔层次图像的特征提取
接下来,描述使用作为第二特征的金字塔层次图像的特征提取。图10示出了当强调线状缺陷的特征量被用于金字塔层次图像时的示例性特征提取。矩形区域602和线状矩形区域603是实施用于强调由图8示出的线状缺陷的卷积运算的区域。附图标记801、802和803例如表示原始图像、第一层次级别的低频图像和第二层次级别的低频图像。线状缺陷804存在于图像801中,线状缺陷805存在于图像802中,并且线状缺陷806存在于图像803中。在这里,针对一个或数个(several)尺寸的区域准备强调线形状的特征量并且在对每个层次的计算中使用这些特征量。当如图10中示出的那样准备用于矩形区域602和线状矩形区域603的仅一个尺寸的区域的特征量时,在原始图像801中和第二层次级别的低频图像803中不容易强调线状缺陷,但是线状缺陷的尺寸和线状矩形区域603的尺寸在第一层次级别的低频图像802中彼此一致,并且缺陷信号被进一步强调。因此,因为强调每个缺陷的特征量是相对于金字塔层次图像计算的,所以不必根据缺陷的尺寸来准备相对于各种尺寸的区域计算的特征量。
根据每个特征量对层次和图像类型的限制
接下来,描述本发明的第三特征,即,根据每个特征量对层次和图像类型的限制。在本发明中,在提取特征量期间层次和图像类型根据每个特征量被限制(即,被选择)。图11示出了用于三种类型的特征量(点状缺陷、线状缺陷和不均一状缺陷)以及一般统计值的图像类型和层次级别。垂直轴的上半部分的图像类型是步骤S102中详细描述的金字塔层次图像的类型,并且垂直轴的下半部分的层次用于特征量提取。在相关领域的一般统计值(即,平均、分布和最大值)中,例如,八种图像类型中的全部、以及包括原始图像和从第一层次级别到最终层次级别的全部层次级别如图11所示那样被使用。这是因为一般统计值的计算成本相对低。
在本发明中强调缺陷的特征量中,因为实施卷积运算等,所以计算成本高。如果特征量与缺陷信号无关,则鉴别器的精度降低可能发生。因此,图像类型和层次根据特征量来限制。下文中对三种类型的缺陷的特征量进行描述。
在强调点状缺陷的特征量中,图像类型被限制为低频图像。这是因为点状缺陷经常可以具有强信号。要使用的层次级别被限制为从原始图像和第一层次级别到至多第二或第三层次级别。这是因为点状缺陷的缺陷尺寸小,并且包括高频分量的层次级别就足够了。
接下来,针对强调线状缺陷的特征量,图像类型被限制为低频图像、垂直频率图像的绝对值图像、水平频率图像的绝对值图像、对角频率图像的绝对值图像、以及垂直、水平和对角频率图像的平方和图像。线状缺陷在垂直于线的方向的方向(被称为垂直方向)上短。这是因为在垂直方向上线状矩形区域603中的平均值在被边缘增强(edge-enhanced)的绝对值图像中可以大,并且可以以进一步被强调的方式提取为特征量。要使用的层次级别被限制为从原始图像和第一层次级别到至多第二或第三层次级别。这是因为线状缺陷在垂直方向上的缺陷尺寸小,并且包括高频分量的层次级别就足够了。
接下来,在强调不均一状缺陷的特征量中,图像类型被限制为低频图像。这是因为,由于不均一状缺陷在每个方向上具有某个尺寸,所以具有包括不均一状缺陷的区域的矩形区域703的平均值变大的效果在被边缘增强的绝对值图像中被降低。所使用的层次级别是原始图像和从第一层次级别到可计算的层次级别。这是因为不均一状缺陷也存在于低频分量中,并且不能依赖于包括不均一状缺陷的矩形区域703的尺寸对最终层次级别实施计算。
虽然在本实施例中金字塔层次图像的类型和层次级别受到限制,但是图像的类型和层次级别可以依赖于计算机的计算速度和允许时间被进一步限制。可替代地,允许时间可以在计算机中输入,并且图像的类型和层次级别可以被限制在该允许时间内。
已经描述了其中提取包括三个特征的特征量的步骤S103。当原始图像的尺寸为大约1000×2000像素时,特征量为大约1000到2000。因而步骤S103中的处理完成。
步骤S104
在步骤S104中,特征量选择单元140从在步骤S103中提取的特征量之中选择对分离无缺陷产品的图像与有缺陷产品的图像有效的特征量。这是为了减少其中生成鉴别器的步骤S105中过度拟合的风险。另外,这是因为高速分离通过仅提取在检查期间选择的特征量而变得可能。例如,特征量可以通过公知的过滤方法或封装器方法(wrapper method)来选择。可以使用用于评估特征量的组合的方法。具体地,通过排名对分离无缺陷产品与有缺陷产品有效的特征量的类型并且确定使用从最高排名开始到哪个排名(即,要使用的特征量的数量),来选择特征量。
排名按下列方式创建。在这里,用于学习的对象的数量是j(j=1,2,...,200:其中1至150是无缺陷产品,151至200是有缺陷产品),第j个对象的第i个特征量(i=1,2,...)是(xi,j)。关于每个特征量的类型计算150个无缺陷产品的平均值xave_i和标准差σave_i,并且假定由频率量(xi,j)生成的概率密度函数f(xi,j)是归一化分布。在这里,f(xi,j)如下:
[数学公式1]
接下来,计算用于学习的全部有缺陷产品的概率密度函数的积,并将其用作排名创建的评估值。在这里,评估值g(i)为:
[数学公式2]
评估值g(i)的值越小,评估值g(i)就变成对分离无缺陷产品与有缺陷产品越有效的特征量。因此,g(i)被排序(sort),并且从具有较小值的评估值按降序创建特征量的类型的排名。
作为用于创建排名的方法,可以评估特征量的组合。当评估特征量的组合时,创建并评估与要组合的特征量的维度的数量对应的概率密度函数。例如,关于第i个和第k个二维特征量的组合,表达式(6)和(7)被二维化:
[数学公式3]
[数学公式4]
关于评估值g(i,k),通过固定特征量k进行排序,并且从具有较小值的评估值按降序提供点。例如,关于某个k,点被提供给排名中的前10个:如果值g(i,k)最小,则向特征量i提供10,并且如果g(i’,k)是下一个最小的,则向特征量i’提供9。通过向全部k提供点,创建考虑特征量的组合的排名。
接下来,确定使用从最高排名开始到哪个排名的、特征量的类型(即,要使用的特征量的数量)。首先,以要使用的特征量的数量为参数关于用于学习的所有对象计算得分。具体地,要使用的特征量的数量是p,在排名中排序的特征量的类型是m,并且第j个对象的得分h(p,j)是
[数学公式5]
基于得分,用于学习的对象全都按得分的次序排列,并且确定其中使用数据分离程度作为评估值的特征量的数量p。对于数据分离程度,可以使用接收器工作特性曲线(ROC)的曲线下面积(AUC)或者当用于学习的图像的有缺陷产品的忽视(overlooking)被设定为零时无缺陷产品的通过率(transmission)。通过使用这些方法,选择通过特征提取计算出的大约50个特征量。已经描述了其中选择特征量的步骤S104。
步骤S105
在步骤S105中,鉴别器生成单元150生成鉴别器。具体地,鉴别器生成单元150相对于利用表达式(10)计算的得分确定用于在检查时确定产品是无缺陷还是有缺陷的阈值。用户依赖于生产线情况确定相对于得分的阈值(诸如有缺陷的产品是否被部分忽视)以分类无缺陷产品和有缺陷产品。鉴别器生成单元150将生成的鉴别器存储在存储单元160中。可替代地,鉴别器可以由支持向量机(SVM)生成。
通过上述方法,鉴别器生成装置1生成用于缺陷检查的鉴别器。接下来,对由执行缺陷检查的有缺陷/无缺陷确定装置2使用由鉴别器生成装置1生成的鉴别器实施的处理进行描述。
参考图3描述使用由上述方法生成的鉴别器实施检查的检查步骤S2。
步骤S201
在步骤S201中,图像获取单元180获取用于s检查的、其中捕获要被检查的对象的图像(即,检查图像)。
步骤S202
接下来,在步骤S202中,关于在步骤S201中获取的检查图像,如步骤S102中那样生成金字塔层次图像(即,层次检查图像)。在这个时候,可以不生成在下一步骤S203中不使用的金字塔层次图像,在步骤S203中提取所选择的特征量。在那种情况下,检查处理时间进一步减少。
在其中提取所选择的特征量的步骤S203中,关于要进行检查的每个图像,基于在步骤S103中的各种方法提取在步骤S104中选择的特征量。在步骤S204中,基于在S105中生成的鉴别器,确定无缺陷产品的图像和有缺陷产品的图像并且对图像进行分类。具体地,使用表达式(10)计算得分并且,如果得分等于或小于在步骤S105中确定的阈值,则产品被确定为无缺陷的,并且,如果得分大于阈值,则产品被确定为有缺陷的。本发明不限于无缺陷和有缺陷的二元确定。可替代地,可以准备两个阈值并且,如果得分等于或大于第一阈值,则产品被确定为无缺陷的,如果得分小于第一阈值或者等于或大于第二阈值,则确定被保留,并且如果得分小于第二阈值,则产品被确定为有缺陷的。在这种情况下,可以通过人眼来视觉检查确定被保留的产品以获得更精确的确定结果。确定也可以是模糊的。已经描述了检查步骤S2。
上述本发明可以提供还能够提取具有弱信号的缺陷或依赖于其数量或密度的缺陷的图像分类方法,同时防止特征量在维度上变得更高。
其它实施例
本发明的实施例还可以通过读取并执行记录在存储介质(例如,非暂态计算机可读存储介质)上的计算机可执行指令以执行本发明的上述(一个或多个)实施例中的一个或多个的功能的系统或装置的计算机来实现,以及通过由系统或装置的计算机通过例如从存储介质读取并执行计算机可执行指令以执行上述(一个或多个)实施例中的一个或多个的功能而执行的方法来实现。计算机可以包括中央处理单元(CPU)、微处理单元(MPU)或其它电路中的一个或多个,并且可以包括分开的计算机或分开的计算机处理器的网络。计算机可执行指令可以例如从网络或存储介质提供给计算机。存储介质可以包括例如硬盘、随机存取存储器(RAM)、只读存储器(ROM)、分布式计算系统的存储装置、光盘(诸如紧凑盘(CD)、数字多功能盘(DVD)或蓝光光盘(BD)TM)、闪存设备、存储卡等。
虽然已经参考示例性实施例描述了本发明,但是应当理解的是,本发明不限于所公开的示例性实施例。以下权利要求的范围应当被赋予最广泛的解释,以便涵盖所有这样的修改以及等同的结构和功能。
本申请要求于2014年12月12日提交的日本专利申请No.2014-251882和于2015年9月11日提交的No.2015-179097的权益,这两个专利申请通过引用整体并入本文。
Claims (20)
1.一种信息处理装置,包括:
获取单元,被配置为获取包括要被检查的对象的检查图像;
生成单元,被配置为通过对检查图像实施频率转换来生成多个层次检查图像;
提取单元,被配置为关于所述多个层次检查图像中的至少一个层次检查图像提取与可能被包括在要被检查的对象中的缺陷的类型对应的特征量;以及
输出单元,被配置为基于所提取的特征量来输出关于检查图像的缺陷的信息。
2.如权利要求1所述的信息处理装置,其中提取单元提取与缺陷的类型对应的特征量,同时对于每种类型的缺陷改变在提取特征量期间参考的参考区域。
3.如权利要求1或2所述的信息处理装置,其中提取单元基于层次检查图像中包括的像素和区域中除该像素之外的像素组来提取特征量。
4.如权利要求3所述的信息处理装置,其中特征量是指示点状缺陷的特征量。
5.如权利要求1或2所述的信息处理装置,其中提取单元基于层次检查图像中所包括的预定区域中的矩形区域中的像素组以及所述预定区域中除所述矩形区域中的像素组之外的像素组来提取特征量。
6.如权利要求5所述的信息处理装置,其中特征量是指示线状缺陷的特征量。
7.如权利要求5所述的信息处理装置,其中特征量是指示不均一状缺陷的特征量。
8.如权利要求1至7中任一项所述的信息处理装置,还包括:选择单元,被配置为从所述多个层次检查图像中选择至少一个层次检查图像,其中选择单元是依赖于缺陷的类型选择的。
9.如权利要求8所述的信息处理装置,还包括获取由用户输入的允许时间的单元,其中选择单元还根据所述允许时间选择层次检查图像。
10.如权利要求1至9所述的信息处理装置,其中缺陷在检查图像中的存在作为关于检查图像的缺陷的信息被输出。
11.一种鉴别器生成装置,包括:
获取单元,被配置为获取包括对象体的学习图像,对于该对象体已经知道是否包括缺陷;
生成单元,被配置为通过对学习图像实施频率转换来生成多个层次学习图像;
提取单元,被配置为对所述多个层次学习图像中的至少一个层次学习图像提取与缺陷的类型对应的特征量;以及
生成单元,被配置为基于所提取的特征量生成输出关于所述对象体的缺陷的信息的鉴别器。
12.如权利要求11所述的鉴别器生成装置,其中提取单元提取与缺陷的类型对应的特征量,同时对于每种类型的缺陷改变在提取特征量期间参考的参考区域。
13.如权利要求11或12所述的鉴别器生成装置,其中提取单元基于层次检查图像中的预定区域中的像素和该区域中除该像素之外的像素组来提取特征量。
14.如权利要求13所述的鉴别器生成装置,其中特征量是指示点状缺陷的特征量。
15.如权利要求11或12所述的鉴别器生成装置,其中提取单元基于层次学习图像中所包括的预定区域中的矩形区域中的像素组、以及该预定区域中除该矩形区域中的像素组之外的像素组来提取特征量。
16.如权利要求15所述的鉴别器生成装置,其中特征量是指示线状缺陷的特征量。
17.如权利要求15所述的鉴别器生成装置,其中特征量是指示不均一状缺陷的特征量。
18.一种用于处理信息的方法,包括:
获取包括要被检查的对象的检查图像;
通过对检查图像实施频率转换来生成多个层次检查图像;
关于该多个层次检查图像中的至少一个层次检查图像提取与可能被包括在要被检查的对象中的缺陷的类型对应的特征量;以及
基于所提取的特征量来输出关于检查图像的缺陷的信息。
19.一种用于生成鉴别器的方法,包括:
获取包括对象体的学习图像,对于该对象体已经知道是否包括缺陷;
通过对学习图像实施频率转换来生成多个层次学习图像;
对所述多个层次学习图像中的至少一个层次学习图像提取与缺陷的类型对应的特征量;以及
基于所提取的特征量生成输出关于所述对象体的缺陷的信息的鉴别器。
20.一种程序,使计算机充当如权利要求1至10中任一项所述的信息处理装置或者如权利要求11至17中任一项所述的鉴别器生成装置的每个单元。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014-251882 | 2014-12-12 | ||
JP2014251882 | 2014-12-12 | ||
JP2015-179097 | 2015-09-11 | ||
JP2015179097A JP2016115331A (ja) | 2014-12-12 | 2015-09-11 | 識別器生成装置、識別器生成方法、良否判定装置、良否判定方法、プログラム |
PCT/JP2015/006010 WO2016092783A1 (en) | 2014-12-12 | 2015-12-03 | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107004265A true CN107004265A (zh) | 2017-08-01 |
Family
ID=56142008
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201580067477.4A Pending CN107004265A (zh) | 2014-12-12 | 2015-12-03 | 信息处理装置、处理信息的方法、鉴别器生成装置、生成鉴别器的方法、以及程序 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20170330315A1 (zh) |
JP (1) | JP2016115331A (zh) |
CN (1) | CN107004265A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111108368A (zh) * | 2017-09-19 | 2020-05-05 | 富士胶片株式会社 | 教学数据制作方法及装置以及缺陷检查方法及装置 |
CN112088387A (zh) * | 2018-05-10 | 2020-12-15 | 因斯佩克托艾姆威有限责任公司 | 检测成像物品缺陷的系统和方法 |
CN114240920A (zh) * | 2021-12-24 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 一种外观缺陷检测方法 |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3207521B1 (en) * | 2014-10-17 | 2022-11-02 | Stichting Maastricht Radiation Oncology "Maastro Clinic" | Image analysis method supporting illness development prediction for a neoplasm in a human or animal body |
US20170069075A1 (en) * | 2015-09-04 | 2017-03-09 | Canon Kabushiki Kaisha | Classifier generation apparatus, defective/non-defective determination method, and program |
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 |
US10223615B2 (en) * | 2016-08-23 | 2019-03-05 | Dongfang Jingyuan Electron Limited | Learning based defect classification |
JP6923794B2 (ja) * | 2017-08-04 | 2021-08-25 | 富士通株式会社 | 検査装置、検査プログラム、及び検査方法 |
JP6675433B2 (ja) * | 2018-04-25 | 2020-04-01 | 信越化学工業株式会社 | 欠陥分類方法、フォトマスクブランクの選別方法、およびマスクブランクの製造方法 |
JP7102941B2 (ja) * | 2018-05-24 | 2022-07-20 | 株式会社ジェイテクト | 情報処理方法、情報処理装置、及びプログラム |
US10545096B1 (en) * | 2018-10-11 | 2020-01-28 | Nanotronics Imaging, Inc. | Marco inspection systems, apparatus and methods |
US11593919B2 (en) | 2019-08-07 | 2023-02-28 | Nanotronics Imaging, Inc. | System, method and apparatus for macroscopic inspection of reflective specimens |
US10915992B1 (en) | 2019-08-07 | 2021-02-09 | Nanotronics Imaging, Inc. | System, method and apparatus for macroscopic inspection of reflective specimens |
JPWO2022202365A1 (zh) * | 2021-03-22 | 2022-09-29 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004144668A (ja) * | 2002-10-25 | 2004-05-20 | Jfe Steel Kk | 欠陥検出方法 |
US7295695B1 (en) * | 2002-03-19 | 2007-11-13 | Kla-Tencor Technologies Corporation | Defect detection via multiscale wavelets-based algorithms |
CN101197301A (zh) * | 2006-12-08 | 2008-06-11 | 奥林巴斯株式会社 | 缺陷检查装置及缺陷检查方法 |
CN101887526A (zh) * | 2009-05-13 | 2010-11-17 | 索尼公司 | 信息处理设备和方法及系统、学习设备和方法、程序 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005315748A (ja) * | 2004-04-28 | 2005-11-10 | Sharp Corp | データ圧縮方法、欠陥検査方法および欠陥検査装置 |
JP2008020235A (ja) * | 2006-07-11 | 2008-01-31 | Olympus Corp | 欠陥検査装置及び欠陥検査方法 |
JP5765713B2 (ja) * | 2012-05-24 | 2015-08-19 | レーザーテック株式会社 | 欠陥検査装置、欠陥検査方法、及び欠陥検査プログラム |
JP5995756B2 (ja) * | 2013-03-06 | 2016-09-21 | 三菱重工業株式会社 | 欠陥検出装置、欠陥検出方法および欠陥検出プログラム |
-
2015
- 2015-09-11 JP JP2015179097A patent/JP2016115331A/ja active Pending
- 2015-12-03 CN CN201580067477.4A patent/CN107004265A/zh active Pending
- 2015-12-03 US US15/532,041 patent/US20170330315A1/en not_active Abandoned
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7295695B1 (en) * | 2002-03-19 | 2007-11-13 | Kla-Tencor Technologies Corporation | Defect detection via multiscale wavelets-based algorithms |
JP2004144668A (ja) * | 2002-10-25 | 2004-05-20 | Jfe Steel Kk | 欠陥検出方法 |
CN101197301A (zh) * | 2006-12-08 | 2008-06-11 | 奥林巴斯株式会社 | 缺陷检查装置及缺陷检查方法 |
CN101887526A (zh) * | 2009-05-13 | 2010-11-17 | 索尼公司 | 信息处理设备和方法及系统、学习设备和方法、程序 |
Non-Patent Citations (1)
Title |
---|
HUAI-GUANG LIU ET AL.: "A classification method of glass defect based on multiresolution and information fusion", 《INT J ADV MANUF TECHNOL》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111108368A (zh) * | 2017-09-19 | 2020-05-05 | 富士胶片株式会社 | 教学数据制作方法及装置以及缺陷检查方法及装置 |
CN111108368B (zh) * | 2017-09-19 | 2022-06-28 | 富士胶片株式会社 | 教学数据制作方法及装置以及缺陷检查方法及装置 |
US11386542B2 (en) | 2017-09-19 | 2022-07-12 | Fujifilm Corporation | Training data creation method and device, and defect inspection method and device |
CN112088387A (zh) * | 2018-05-10 | 2020-12-15 | 因斯佩克托艾姆威有限责任公司 | 检测成像物品缺陷的系统和方法 |
CN112088387B (zh) * | 2018-05-10 | 2024-04-16 | 因斯佩克托艾姆威有限责任公司 | 检测成像物品缺陷的系统和方法 |
CN114240920A (zh) * | 2021-12-24 | 2022-03-25 | 苏州凌云视界智能设备有限责任公司 | 一种外观缺陷检测方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2016115331A (ja) | 2016-06-23 |
US20170330315A1 (en) | 2017-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107004265A (zh) | 信息处理装置、处理信息的方法、鉴别器生成装置、生成鉴别器的方法、以及程序 | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
WO2019117065A1 (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
CN107111872B (zh) | 信息处理装置、信息处理方法、及存储介质 | |
CN106503724A (zh) | 分类器生成装置、有缺陷/无缺陷确定装置和方法 | |
JPWO2019026104A1 (ja) | 情報処理装置、情報処理プログラム及び情報処理方法 | |
JP2018005639A (ja) | 画像分類装置、画像検査装置、及び、プログラム | |
CN109584202A (zh) | 图像处理装置、方法和非暂时性计算机可读存储介质 | |
CN110582783B (zh) | 训练装置、图像识别装置、训练方法和计算机可读信息存储介质 | |
JP6749655B1 (ja) | 検査装置、異常検出方法、コンピュータプログラム、学習モデルの生成方法、及び学習モデル | |
CN109462999B (zh) | 通过数据平衡基于学习的视觉检查方法以及利用其的视觉检查装置 | |
CN110378313A (zh) | 细胞团识别方法、装置及电子设备 | |
CN111242899B (zh) | 基于图像的瑕疵检测方法及计算机可读存储介质 | |
JP2017054331A (ja) | 画像分類方法、分類器の構成方法および画像分類装置 | |
CN110570442A (zh) | 一种复杂背景下轮廓检测方法、终端设备及存储介质 | |
JP2021143884A (ja) | 検査装置、検査方法、プログラム、学習装置、学習方法、および学習済みデータセット | |
JP2020085583A (ja) | 検査装置及び検査方法 | |
CN110866931B (zh) | 图像分割模型训练方法及基于分类的强化图像分割方法 | |
CN107622280A (zh) | 基于场景分类的模块化处方式图像显著性检测方法 | |
CN108288274B (zh) | 模具检测方法、装置以及电子设备 | |
JP2023123387A (ja) | 欠陥検出方法およびシステム | |
CN110188592B (zh) | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 | |
CN113450323B (zh) | 质量检测方法、装置、电子设备及计算机可读存储介质 | |
EP4131074A1 (en) | Data classification device, data classification method, and data classification program | |
WO2016092783A1 (en) | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program |
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 | ||
AD01 | Patent right deemed abandoned |
Effective date of abandoning: 20210312 |
|
AD01 | Patent right deemed abandoned |