CN109196555B - 用于卷材制造监督的实时、完整卷材图像处理方法和系统 - Google Patents
用于卷材制造监督的实时、完整卷材图像处理方法和系统 Download PDFInfo
- Publication number
- CN109196555B CN109196555B CN201780031048.0A CN201780031048A CN109196555B CN 109196555 B CN109196555 B CN 109196555B CN 201780031048 A CN201780031048 A CN 201780031048A CN 109196555 B CN109196555 B CN 109196555B
- Authority
- CN
- China
- Prior art keywords
- interest
- region
- local pixel
- area
- influence
- 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.)
- Active
Links
Images
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
-
- 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
- G06T2207/30124—Fabrics; Textile; Paper
Abstract
提供一种用于检测在卷材制造过程期间沿移动方向传输的卷材中的区别性特征的方法,该方法包括以下步骤:a)获取卷材的图像,所述图像可表示为包括多个像素Pi的数字图像,其中i∈{1;…;p},b)通过以下过程处理多个像素Pi来标识多个感兴趣区域,每个感兴趣区域对应于区别性特征:c)选择包括多个像素的子集Pj的局部像素单元,其中所述子集i)代表数字图像的子区域,以及ii)与先前选择的局部像素单元不同,d)确定局部像素单元是否是感兴趣的,i)如果局部像素单元是感兴趣的,1)标识局部像素单元是否位于先前标识的感兴趣区域Rk的影响面积Ak内,其中 2)如果局部像素单元不位于任何先前标识的感兴趣区域Rk的任何影响面积Ak内,其中或者先前尚没有标识出任何感兴趣区域,(a)将局部像素单元标识为新的感兴趣区域Rn+1;(b)初始化所述新的感兴趣区域Rn+1的影响面积An+1;(c)增加代表先前标识的感兴趣区域的数目的计数n;(3)如果局部像素单元位于先前标识的感兴趣区域Rk0的影响面积Ak0内,(a)根据合并条件,将局部像素单元与所述先前标识的感兴趣区域Rk0合并,(b)如果满足合并条件,则更新所述感兴趣区域Rk0的影响面积Ak0;ii)优选地,如果局部像素单元不是感兴趣的,(1)标识局部像素单元是否位于先前标识的感兴趣区域Rk的影响面积Ak内,其中k∈{1;…;n},(2)如果局部像素单元位于先前标识的感兴趣区域Rk0的影响面积Ak0内,则更新所述影响面积Ak0;e)重复步骤b)到d),直到已经处理图像的至少基本上全部像素。
Description
技术领域
本发明涉及卷材(web)制造领域。具体地,本发明涉及根据独立权利要求的前序部分的基于检查图像处理的完整卷材实时卷材的系统和方法。
背景技术
卷材制造是指生产和/或处理可弯曲、柔性和/或柔软材料的长薄板,特别是纸张、纸板、纺织品、塑料膜、箔、(板)金属、有时是线,通常称为卷材。在生产或处理期间,卷材通常在辊上在移动方向上传输。在处理阶段之间,卷材可以作为卷(也称为带材卷)、包和落卷而被存储和运输。卷材制造的最终结果通常包括:通过在垂直于移动方向的横向上切割或以其他方式分离而使板与卷材分离。使用卷材代替板的主要原因是经济上的。连续的卷材通常可以比板更高的速度生产和/或处理,而没有生产和/或处理板所固有的启停问题。
对于卷材制造的监督和/或质量控制,经常应用卷材检查系统,卷材查系统使用数字成像技术,特别是图像捕获和图像处理,以用于检测缺陷或其它异常。对于纸张或纸板的卷材制造,孔、斑点和污垢颗粒是强缺陷的示例,经常简称为缺陷,而皱褶、斑纹和粘液斑点是弱缺陷的示例。相应地,对于金属板制造商的卷材制造,夹渣、裂缝和划痕是强缺陷的示例,而弱裂缝、弱划痕和压痕是弱缺陷的示例。
缺陷导致各种特征图像量,特别是像素强度水平,与平均值和/或预期值的局部偏差。在上述示例中,与从无缺陷产品测量的强度水平的均值变化相比,弱缺陷仅导致数字视频信号的强度水平的轻微变化。另一方面,强缺陷通常导致大量偏差。
在纸张和纸浆制造中,污垢颗粒会显著降低产品的质量。当前可得的用于缺陷检测的卷材检查系统(WIS)可以每系统每秒计数少于500个污垢颗粒,并根据它们的尺寸进行分类。在这种情况下,当前系统不能做任何其他事情,例如检测其它类型的缺陷。
当前可用的卷材检查系统的性能并不足够高到允许在线(即,实时)对污垢颗粒进行分类,而同时支持完整卷材测量。用于纸浆和纸张污垢分析的当前方案基于快照图像、有限的横向(CD)带或扫描成像方法;或者它们不支持非常高的污垢密度,即超过1000的污垢密度,更不用说每秒超过10000个污垢颗粒,因此不能支持实时的完整卷材覆盖和非常高密度的污垢分析。
最有益的监督和/或质量控制程序之一是污垢计数和污垢区域分类,其分析卷材中异物的含量。已经公开了几种用于污垢分析程序的国际标准,但是它们中的大多数代表离线的实验室测量并且产生制造的纸浆、纸张或纸板产品的仅一小部分区域的测试报告。ISO5350标准由四部分组成,在总标题“纸浆—污垢和碎屑的估算”下。前两部分包括用于实验室板和磨片纸浆(mill sheeted pulp)的基于透射光的测试程序。第3和第4部分基于反射测量和等效黑区(EBA)方法。第3部分提出了视觉检查,第4部分提出了仪器检查测试方法。此外,Tappi组织已经发布了几种污垢分析标准。Tappi T213om-01的“纸浆中的污垢——图表法”提供了一种基于等效黑区(EBA)估算纸浆中污垢量的测试方法。在T213中,污垢污点被定义为TAPPI污垢估计图表的白色背景上的圆形黑点区域。Tappi T 563的“等效黑区(EBA)和通过图像分析在纸浆、纸张和纸板中的视觉污垢计数”提出了一种使用图像分析来基于以百万分之几为单位报告的物理面积范围为0.02至3.0mm2内的污垢污点的EBA以及每平方米的污垢数目数量,来确定纸浆、纸张和纸板中的污垢水平的方法。
不仅在造纸中、而且对于一些例如纸浆或玻璃纤维的其他卷材产品,另一质量因素是成型。某些种类的成型不规则——例如,不均匀的纤维束——导致所谓的絮凝物(在检查产品时,其呈现为浑浊(cloudiness))。并且,在一些卷材制造产品中,成型不规则以不平坦表面的形式存在,例如具有斑点的涂布纸张,这可能导致不希望的、不均匀的印刷密度和颜色变化。针对纸张或表面成型絮凝物分析的早期的方案基于快照图像、窄带或扫描成像方法,因此不能实时覆盖整个卷材。
当前可用的卷材检查系统的性能不足以允许在线的(即,实时的)絮凝物分析,其包括絮凝物大小分布的计算,同时支持完整的卷材测量,即在卷材的整个横向上的分析。
发明内容
因此,本发明的目的是提供一种用于卷材中的缺陷和/或成型不规则在线分析的方法,其克服了上述缺点。
本发明的另一目的是允许同时检测和分析不同类型的缺陷,特别是同时检测强缺陷和弱缺陷,和/或同时检测缺陷和成型不规则。
该目的通过用于检测和/或分析在卷材制造过程期间沿移动方向传输的卷材中的区别性特征,特别是缺陷和/或成型不规则,的方法来实现,该方法包括以下步骤:
a)获取卷材的图像,所述图像可表示为包括多个像素Pi的数字图像,其中i∈{1;…;p},
b)通过以下过程处理多个像素Pi来标识多个感兴趣区域,每个感兴趣区域对应于缺陷:
i)代表数字图像的子区域,以及
ii)与先前选择的局部像素单元不同,
d)确定局部像素单元是否是感兴趣的,
i)如果局部像素单元是感兴趣的,
(a)将局部像素单元标识为新的感兴趣区域Rn+1;
(b)为所述新的感兴趣区域Rn+1初始化影响面积An+1
(c)增加代表先前标识的感兴趣区域的数目的计数n;
(3)如果局部像素单元位于先前标识的感兴趣区域Rk0的影响面积Ak0内,
(a)根据合并条件,将局部像素单元与所述先前标识的感兴趣区域Rk0合并,
(b)如果合并条件被满足,则更新所述感兴趣区域Rk0的影响面积Ak0;
ii)优选地,如果局部像素单元不是感兴趣的,
(1)则标识局部像素单元是否位于先前标识的感兴趣区域Rk的影响面积Ak内,其中k∈{1;…;n},
(2)如果局部像素单元位于先前标识的感兴趣区域Rk0的影响面积Ak0内,则更新所述影响面积Ak0;
e)重复步骤b)到d),直到图像的至少基本上全部像素已被处理。
该方法允许实时和在线污垢计数且100%完整卷材覆盖,其包括组合污垢计数、缺陷成像、高级分类,并且能够提供不依赖于操作员的高度一致的标准化检测结果。可提供符合工业标准或手动定义限制的大小分类。在实验测试中已经观察到优异的实验室相关性。
参照下文描述的实施例,本发明的这些和其他方面将变得明显并得以阐明。
附图说明
下文参照附图中示出的示例性实施例更详细地解释本发明的主题,其中:
图1示出了卷材检查系统,其可以被用于将根据本发明的方法应用于卷材制造过程;
图1a示出了基于反馈分析或信息的判定规则的示例性实施方式;
图2示出了根据本发明的方法的示例性实施方式的流程图;
图2b示出了根据本发明的方法作为单通滤波器的示例性表示;
图3示出了各种形状的示例性感兴趣区域;
图4示出了产品成像算法的并行架构的示例;
图5示出了用于测试根据本发明的方法的测试图案;
图6示出了组合的强度和大小分类测试的结果。
原则上,附图中相同的附图标记表示相同的部分。为了更好的可读性,已经在特定附图中或者在单个附图中重复出现的相同的部分中省略了特定附图标记。
具体实施方式
图1示出了卷材检查系统,卷材检查系统可以被用于将根据本发明的方法应用于卷材制造过程。
在所述卷材制造过程期间,卷材11在线扫描相机12下方、沿移动方向MD(在下文中简称为MD)移动,该线扫描相机12包括被布置成行的多个X像素传感器13(为清楚起见仅示出了四个),行沿垂直于移动方向的卷材的横向(在下文中简称为CD)上延伸。在操作中,线扫描相机12在卷材经过时扫描卷材,以便获取所述卷材的图像并传送线扫描的流。Y个连续线扫描可以组合成在移动方向上的卷材的截面的二维数字图像,所述数字图像具有X·Y像素的像素尺寸并且包括多个(P=X·Y个)像素Pi,其中i∈{1;…;X·Y},每个像素具有代表局部颜色或总强度、色调、饱和度的一个或多个像素值。像素值可以具有特定的位深度或位分辨率,并且特别是可由单个位表示的二进制值,该位深度可以对应于线扫描相机的位深度,或者已经通过对位深度进行上采样或下采样而获得。这样,对于线扫描速率fline和卷材沿移动方向的传输速度vMD,沿移动方向成像的卷材的截面的长度是Y·vMD/fline。
典型的线扫描相机包括每条线512个、1024个、2048个、4096个、8192个、12288个、16384个或更多像素,并且一些模型包括多条线,例如2条或4条线,以形成一种区域扫描相机。备选地,可以采用基于不同传感器尺寸的一个或多个区域扫描相机。有时,线扫描和区域扫描相机包括特殊的部分读出模式,其在一些情况下可以被用于将高的速线速率甚至增大更多。相机的典型动态范围是8位、10位或12位。流视频输入可以包括在CD和MD上的一个或多个组或集合的像素。例如,具有8192个像素传感器的线扫描相机可以同时发送8个CD方向的像素。
虽然可以将因此获取的卷材的数字图像进行存储,特别地存储在计算机的存储器中,特别是标准计算机或图形处理单元中,并且特别地通过在计算机上或由计算机实施的图像处理程序或应用,对存储的数字图像执行的根据本发明的方法,然而出于与效率相关的各种原因,优选不这样做。
优选地,根据本发明的方法在从线扫描或区域扫描相机流出的传输的图像数据上执行,优选地以单通算法,其中每个像素或每组像素仅被处理一次(与例如双通连接分量算法形成对比,双通连接分量算法在第一次通过时生成标签图像,并且在第二次通过时更新/替换标签)。换言之,一旦特定像素或像素组已经被处理,便不可能回到或参考回该特定像素或像素组。可以根据可用的实时处理资源来选择用于像素或像素组处理的数据窗口,可用的实时处理资源例如是用于中间处理结果存储的高速存储器的量。
在根据本发明的方法中,通过处理多个像素Pi来在二维数字图像中标识感兴趣区域,其中发现的每个感兴趣区域被认为对应于卷材的缺陷,其也可以是成型不规则。为了标识感兴趣区域,对子集,优选地对数字图像的不相连子集(即,没有共同像素的子集),或者对可能是数字图像的放大或缩小版本重复进行处理,这种子集称为局部像素单元。在通过如上所述的线扫描相机扫描的情况下,局部像素单元优选地具有x·y的尺寸,其中在对应于CD的x方向上,x≥1,并且x<X并且优选地x<<X,特别地2<x<8,例如x=4,并且其中在对应于MD的y方向上,y≥1,并且y≤Y且优选y<<Y,特别地2<y<4。因此,局部像素单元可以对应于单个像素,或者通常对应于数字图像的一组像素或像素组。特别地,对于多扫描(例如2线或4线)线扫描相机,局部像素单元可以是例如4·2、8·2、10·2、8·4或也可以是根据感兴趣区域的检测要求的一些其它局部像素单元。
因此,每个感兴趣区域可以被认为表示或对应于由数字图像组成的多个像素的像素的子集Pr,其中另外地或可选地,每个感兴趣区域可以被认为表示或者对应于已经处理的全部局部像素单元的子集,这将通过以下描述而变得清楚。
在下一步骤中,基于判定规则来判定局部像素单元是否是感兴趣的局部像素单元。这优选地通过设置阈值来实现,即通过检查局部像素单元的像素的像素值中的至少一个的平均值、中值、最小值或最大值高于或低于给定或自适应阈值。可以定义各种其它规则,以用于判定局部像素单元是否是感兴趣的局部像素单元,特别地基于空间、反馈或统计分析或信息进行判定。来自各种数据源的数据可以用于对判定规则进行参数化。
举例来说,基于空间分析或信息的判定规则可以定义:像素除了足够高的强度水平之外还需要具有感兴趣的特定CD位置。基于反馈分析或信息的判定规则,即反馈信号判定规则,可以例如基于以无限脉冲响应(IIR)滤波器(包括反馈部分)为基础的定向非线性滤波器,其检测原始强度图像的细长的强度脊或谷。基于统计分析或信息的判定规则可以考虑统计测量,并且利用例如原始或预处理的输入图像数据的平均值和标准偏差。这种统计规则可用于将“正常”产品图像的2D强度和频率内容与“异常”行为分离。正常行为(由具有正常、平均或标准质量、特别是符合给定标准或规范的质量的正常质量产品表现)可以由基于一个或多个相对大的产品区域获得的统计测量来定义,特别是具有尺寸xglobal·yglobal.的产品区域。然后,基于局部测量获得的统计测量可以与正常质量产品统计测量进行比较,以定义局部像素单元是否是感兴趣的局部像素单元。局部测量,特别是当前局部频率内容,可以例如通过在定义的局部像素邻域(具有特别地像素xlocal·ylocal的尺寸,其中,优选地xlocal<<xglobal,xglobal≈X,xglobal≤X,ylocal<<yglobal,yglobal≈Y,和/或yglobal≤Y)内CD和MD像素-与-像素差结果的平均值来获得,其不一定与定义的局部像素单元相同(可以被认为是预处理滤波方法)。
图1a示出了基于非线性IIR的基于反馈分析或信息的判定规则的示例性实施方式,其中
y(n)=b0x(n)+(1-b0)f{y(n-1),y(n-Ls+1),y(n-Ls),y(n-Ls-1)},
其中b0是滤波器系数,x(n)是输入视频信号,f42是最小或最大函数,Ls是线的长度。因此,新输出y(n)被计算为旧输出和新输入x(n)的加权和41,该旧输出由非线性反馈函数42进行处理。例如,如果低值对应于强度范围中的暗值,则最小函数被用于暗缺陷检测,并且相称地,最大函数被用于亮缺陷检测。通过视频信号延迟元件Z 43-46建立二维局部环境。滤波器系数b0控制检测的灵敏性。对于较低缺陷信号水平,在机器方向上需要较长的缺陷,并且同时需要较小的滤波器系数值。
如果基于适用的判定规则,判定局部像素单元是感兴趣的局部像素单元,则遵循局部像素单元属于感兴趣区域,或者至少是与一个或多个感兴趣区域合并的候选,或用于定义新的感兴趣区域。然而,如在绝大多数情况下,在数字图像中将存在多个感兴趣区域,必须在下一步骤中确定局部像素单元所属的感兴趣区域。
如果n>0个感兴趣区域Rk(其中k∈{1;…;n})已经在处理实施期间被标识,则在下一步骤中检查局部像素单元是否可以被认为属于这些感兴趣区域Rk(其中k∈{1;…;n})中的一个,或者至少属于感兴趣区域Rk(其中)的一个子集。数目n是计数器,其值是自然数并且表示到目前为止已经被标识的感兴趣区域的当前数目。随着越来越多的局部像素单元或像素被处理,该数目可以增长,并且通常将会增长,这将从下面的描述中进一步变得明显。在任何时刻,每个感兴趣区域表示——或对应于——数字图像的多个像素的像素的子集Pj,其中随着像素的处理继续,感兴趣区域及其对应的子集可以改变;特别是每当局部像素单元被认为属于它们时增长。
为了允许简化和/或加速检查局部像素单元可以被认为属于哪个感兴趣区域的处理,可以引入有效区域的概念,其中有效区域形成感兴趣区域Rk的子集,其中并且其中检查局部像素单元是否可以被认为属于已经标识的感兴趣区域中的一个受限于有效区域。子集被重复更新,其中感兴趣区域可以最终确定,即从有效区域的子集中移除。
基于所述候选的感兴趣区域Rkc的影响面积Akc来执行局部像素单元是否属于候选感兴趣区域Rkc的检查,其中kc∈{1;…;n}。类似于感兴趣区域Rk,,影响面积Ak表示或对应于数字图像的多个像素的像素的子集Pi,其中其通常位于和/或覆盖影响面积Ak所属的感兴趣区域Rk的邻域。实际上来讲,适当选择的影响面积可以被用于允许合并处于邻域的局部像素单元,或远离它们相应的候选感兴趣区域Rkc不超过给定最大距离,特别是像素距离。在备选的方法下,可能在其局部特征对应于相应的候选的感兴趣区域Rkc的特定影响面积特征这一另外的条件下,它们将允许合并位于影响面积的定义2D形状内的局部像素单元。
针对感兴趣区域Rk1的影响面积Ak1可以优选地通过从每隔一个感兴趣区域Rk2(其中k2!=k1)建立距离图来生成,优选地通过基于无限脉冲响应的滤波器,优选地利用非线性环境处理。
备选地或附加地,针对感兴趣区域Rk1的影响面积Ak1的2D形状和尺寸可以优选地通过从每隔一个感兴趣区域Rk2(其中k2!=k1)建立方向距离图来生成,优选地通过基于无限脉冲响应的滤波器,优选地利用非线性环境处理。用于距离滤波器的源信号可以是原始强度图像、经处理的图像或候选的感兴趣区域Rkc的特征值,这使得影响面积形状(与相应的候选感兴趣区域Rkc的角度和距离)取决于原始图像强度、经处理的图像强度或相应的候选感兴趣区域Rkc的特征。
如果使用有效区域的概念,则仅针对有效区域来检查局部像素单元是否可以被认为属于感兴趣区域。
如果局部像素单元位于候选的感兴趣区域Rkc的影响面积Akc内,则其可以与所述候选的感兴趣区域Rkc合并,导致所述候选的感兴趣区域Rkc的增长对应于或表示所述候选的感兴趣区域Rkc的像素子集的增长。是否局部像素单元和候选感兴趣区域Rkc实际上被合并可以取决于附加的合并条件,其可以特别地取决于候选的感兴趣区域Rkc的性质或特征,特别是当前性质或特征,特别是所述候选的感兴趣区域Rkc的形状、大小、方向、局部空间频率内容、强度,特别是最大强度、最小强度、均值强度和/或平均强度等。举例来说,合并条件可以指定局部像素单元应当或不应当与细长的感兴趣区域合并,或者应当或者不应当与至少近似圆形的感兴趣区域合并。
如果局部像素单元位于候选感兴趣区域Rkc的影响面积Akc内并且与所述候选感兴趣区域Rkc合并,则影响面积至少在一版情况下需要被更新。
优选地,还可以检查局部像素单元是否位于其他感兴趣区域Rko的影响面积Ako内,其中ko∈{1;…;n}\{kc};并且,如果是这种情况,这样的其他感兴趣区域Rko可以被更新。
更新在上述上下文中可以特别地包括:更新影响面积2D形状滤波器和/或,与候选的感兴趣区域Rkc和/或相应的影响面积Akc和/或其他感兴趣区域Rko和/或相应的影响面积Ako相关联的至少一些、优选所有特征值。
如果局部像素单元不位于任何感兴趣区域Rk(其中k∈{1;…;n})的影响面积Ak内,或者因为不满足附加的合并条件而不与任何感兴趣区域Rk合并,其中k∈{1;…;n}),则将优选地初始化新的感兴趣区域Rn+1,并且将优选地为所述新的感兴趣区域Rn+1初始化新的影响面积An+1。随后,目前在处理被执行期间已经被标识的感兴趣区域Rk(其中k∈{1;…;n})的数目n根据n->n+1递增1。
如果,基于适用的判定规则,确定局部像素单元是不感兴趣的局部像素单元,则不需要进行与任何感兴趣区域Rk(其中k∈{1;…;n})合并。然而,优选在下一步骤中检查局部像素是否位于已经被标识的感兴趣区域Rk(其中k∈{1;…;n})中的一个的影响面积Ak内,或者至少位于这种感兴趣区域Rk的一个子集的影响面积Ak(其中 )内,如果是这种情况,则相应的影响面积Ak被更新。
更新感兴趣区域或影响面积可以特别地指示感兴趣区域或影响面积的像素子集可以被认为代表或对应于变化。因此,相应的感兴趣区域或面积的性质或特征,特别是形状、大小、方向、局部空间频率内容、强度,特别是最大强度、最小强度、均值强度和/或平均强度、面积(像素数目的大小)、移动方向上和/或横向上的大小/范围、在定义的测量区域内的计数(account)、角度(基于加权点跟踪)、加权点、基于强度的加权点、边界框(在移动方向和/或横向上)、平均强度,特别是在感兴趣区域的测量区域内,最大或最小强度、圆度、从强度直方图导出的信息、在各种/不同方向上的局部空间频率内容等也可能改变。
在根据本发明的方法的优选实施例中,可以针对一个或多个感兴趣区域Rk(其中k∈{1;…;n})和/或对应的影响面积Ak确定表示一个或多个特征或性质的多个数值或其他量。所述数值或其他量可以特别地与面积(像素数目的大小)、移动方向和/或横向的大小/范围、在定义的测量区域内的计数(account)、角度(基于加权点跟踪)、加权点、基于强度的加权点、边界框(在移动方向和/或横向上)、感兴趣区域的平均强度、感兴趣区域的测量区域内的平均强度、感兴趣区域的最大或最小强度、圆度、从强度直方图导出的信息、在各种/不同方向上的局部空间频率内容等。数值或其他量可以被存储、显示和/或用于对感兴趣区域的进一步分析。特别地,形态测量方法,优选实时形态测量方法,可以有利地被应用于确定数值或其他量。
此外,可以为一个或多个感兴趣区域Rk(其中k∈{1;…;n})和/或相应影响面积Ak定义和确定特征向量。针对感兴趣区域Rk和/或相应的影响面积Ak的特征向量vk包含一个或优选多个代表如上所述的一个或多个感兴趣区域或影响面积特征或性质的数值或其他量。来自特征向量的分量或条目可以有利地用于附加的合并条件的公式中。可以在相关的维基百科条目例如https://en.wikipedia.Org/w/index下找到与特征向量相关的背景信息。每当局部像素单元与候选的感兴趣区域Rk合并时,优选地还随后更新针对所述候选的感兴趣区域Rk和/或相应影响面积Ak的特征向量vkc。
表示如上所述的一个或多个区域特征或性质的数值或其他量和/或特征向量vk优选地用于感兴趣区域Rk的分类和/或报告,和/或用于对根据本发明的方法的进一步评估和/或控制,优选地通过后处理方式。
为了进一步说明,图2示出了根据本发明的方法的示例性实施方式的流程图,其中假设局部像素单元是感兴趣的局部像素单元,所述局部像素单元例如基于强度而被标识为前景区域。
在根据本发明的方法的优选实施例中,对所获取的图像进行附加的图像处理,特别地通过在数字化之前和/或之后的预处理和/或后处理。特别地,自适应平线校正、平场校正(flat field correction)的变体可以被应用到由线扫描相机提供的扫描,或者被应用于包括有多个单独线扫描的合成图像。备选地或附加地,可以如上面已经进一步指出的,针对位深度和/或空间分辨率应用上缩放或下缩放。
如上所述的根据本发明的方法允许将形态测量方法实时应用于正在被标识的感兴趣区域(ROI)。ROI分割处理允许确定成像产品的感兴趣区域。下一步骤是分析区域并生成关于产品质量的有价值信息。形态测量指的是测量大小和形状的方法。这些方法可以用于测量和生成几何特征,然后可以基于特征来对感兴趣区域进行分类。特征是指可从二进制图像值和区域中的像素的坐标中计算的数值。当同时提取几个特征时,可以生成特征向量。利用现代的基于现场可编程门阵列(FGPA)技术的硬件(将在下面更详细地描述)和合适的算法,可以从流图像数据中实时计算形态测量参数。一个重要的参数是面积,它是区域的像素的总数,并且可以用于对区域大小进行分类。面积还用于生成其他几何特征。另一重要的几何参数是区域的周长,其是区域轮廓的长度。周长也可用于生成其他几何性质。例如,圆度可以通过以下导出
圆度(区域)=4π·(面积(区域))/(周长2(区域))
基于圆度和其他比率计算的特征对于平移、旋转和缩放是不变的,因此它们是用于区域分类的可靠特征。边界框和质心也是有价值的形态测量特征,并且它们可以从区域像素坐标中导出。具有测量的面积和计算的圆度特征的感兴趣区域的示例性形状在图4中示出。当比较图4中的这些形状时,可以清楚地看到例如圆度特征将圆形区域(值0.92)与“花”形区域(值0.16)良好地分离,而面积特征值几乎相同(17790和19682)。
FPGA是可编程逻辑芯片。典型的FPGA包括大量非常简单的逻辑元件,每个逻辑元件可以被配置为执行相对简单的逻辑功能。这些逻辑元件然后可以被连接在一起以产生更复杂的功能。产生的逻辑的复杂性仅受逻辑元件的数目和可用的互连布线资源的限制。过去,基于对设计进行变化以及对装置进行重新编程所需的时间相对较短,FPGA在样机设计中特别受欢迎。一旦设计被完全测试后,它通常在专用集成电路(ASIC)中实现。这允许制造商节约ASIC开发成本,并且仍然利用了高容量ASIC成本节约的优势。FPGA技术的发展使得当今的器件能够包含数百万个逻辑单元、支持较高的内部时钟频率、较大的内部存储器、专用数字信号处理(DSP)模块、并且具有竞争力的价格水平。今天的FPGA技术在中低容量生产应用中的成本和性能上与ASIC技术相比具有竞争力。与功能固定的ASIC装置不同,FPGA器件可以通过下载用户定义的配置文件而被重新编程。市场上存在各种FPGA器件,其提供多种专用功能。FPGA装置的一个主要优点是灵活性。通用处理器受限于固定的硬件特征,例如乘法器的数目、存储器量、数据路径量和数据宽度。在基于FPGA的设计中,可以配置应用特定特征,并且可以根据需要优化资源使用。
如在例如2008年全国硬件与系统研究与开发会议(CSI-RDHS)会议论文集中由Mittal,S.,Gupta,S.和Dasgupta,S.提出的“FPGA:用于实时图像处理应用的高效且有前途的平台”所描述的,FPGA非常适合于卷材成像中通常需要的实时图像处理应用。图像处理算法需要或受益于对空间、时间、计算和数据并行性的支持,因为通常应当针对每个像素位置利用多个数据源来执行大量操作。卷材成像系统的智能相机并行架构的示例在图3中呈现。使用基于FPGA的系统,稍后还可以设计新算法(例如新的“软成像传感器“)并将其作为并行算法添加到系统。
特别在纸浆、纸张和纸板产品中的感兴趣区域的大小、形状和类型不同。因此,单一分析方法可能不能够最优地分析所有这些区域。因此,可以优选地使用具有专用硬件和软件的智能相机来代替标准相机。多种缺陷、对分析的不同要求、以及因此不同的算法已经针对硬件设定了新的要求。图4中呈现了产品成像算法的并行架构的示例。在卷材成像系统中,处理的第一阶段优选地包括利用成像传感器的原始图像捕获。然后,不同的图像分析算法中的每一个需要专用的图像增强阶段,以在分割之前最大化信噪比,即,目标对象与背景的分离。处理的下一阶段是基于分段的ROI的图像数据的特征提取。然后计算的特征被用于区域分类,其是智能图像数据滤波的基础——仅报告具有期望性质的区域的结果。在典型系统中,后处理方法然后被用于在报告之前将一些区域分析结果进行组合。最后一个阶段是区域数据报告,其还可以包括使用特定可视化要求生成的区域图像。对分析结果的显示和报告可以特别地包括指示已经超出阈值限制的精确区域的缺陷图、提供大小组中的总缺陷面积和缺陷数目的专用污垢汇总表、根据ISO和TAPPI分类标准的报告、在线/离线缺陷图,与磨碎宽(mill wide)系统的OPC接口,和/或趋势和曲线。
为了测试如上所述的根据本发明的方法的能力,组合了强度和尺寸分类的测试被执行以在一个任务中评估系统的性能,在该任务中首先设置阈值以找到点,然后可以用另一个可能更灵敏的阈值来确定点的大小。强度和大小分类性能的组合通过利用如图5所示的测试图案来执行,测试团由90个灰点和90个具有灰和暗部分、5种不同大小的点组成,点具有约3.1mm2、2.0mm2、1.1mm2、0.5mm2和0.2mm2的面积,并且从最大大小开始具有6.7%、13.3%、20.0%、26.7%和33.3%的计数分布。测试图案通过线扫描成像、使用用来模拟115m/min的卷材速度的旋转测试鼓而被成像。暴光时间为30μs,测试持续时间为19.2s。测试在使用两个不同的检测阈值水平的两个部分中进行。通过使用低灵敏度检测水平,点区域内具有暗点的10980个点区域被检测到,其大小基于另一个高灵敏度分割水平而被测量,并且检测到的点基于所测量的大小而被分类。结果显示在图6的上方图表中,其示出了组合的强度和大小分类测试的结果。在这种情况下,由于灵敏度检测水平较低,仅如图5所示的测试图案的左半部分中存在暗区的灰点被检测到以用于区域计数。如图6中的下方图表可以看到,通过使用更高的灵敏度检测水平,全部21960个灰点/暗点被检测到。在这种情况下,灰点、以及不具有(如图5的测试图案的右半部分所示)和具有暗区(如图5的测试图案的左半部分所示)的灰点被检测到并测量,以用于区域计数。计数,大小和强度分类结果对应于测试图案中的暗点分布,即,系统能够检测对应于图12中的上方图表和下方图表的具有较高或较低的期望强度的点,以根据灵敏的分割水平测量点的大小,并根据它们的大小来对检测到的点进行分类。
除非另有说明,否则在整个文献中应当假设:条件a≈b表示|a-b|/(|a|+|b|)<1,优选地|a-b|/(|a|+|b|)<10-1,最优选地|a-b|/(|a|+|b|)<10-2,其中a和b可以表示如上所述的、和/或者在本文献中的任何地方定义的、或者如本领域技术人员已知的任意变量。此外,条件a与b至少近似相等或至少近似相同表示a≈b,优选地a=b。此外,除非另有说明,否则在整个文献中应当假设:a>>b表示a>3b,优选地a>10b,最优选地a>100b;并且a<<b表示3a<b,优选地10a<b,最优选地100a<b。
本发明的优选实施例,特别是如上所述的优选实施例,可以如下面列出的项目中详述的被实施,有利地与如上详述的一个或多个特征组合。
1).一种用于在卷材制造过程期间检测在移动方向上传输的卷材中的区别性特征,特别是缺陷和/或成型不规则的方法,该方法包括以下步骤:
a)获取卷材的图像,所述图像可表示为包括多个像素Pi的数字图像,其中i∈{1;…;P},
b)通过以下过程处理多个像素Pi来标识多个感兴趣区域Rk,每个感兴趣区域对应于区别性特征,其中k∈{1;…;n}:
i)代表数字图像的子区域,以及
ii)与先前选择的局部像素单元不同,
d)判定局部像素单元是否是感兴趣的,
i)如果局部像素单元是感兴趣的,
(a)将局部像素单元标识为新的感兴趣区域Rn+1;
(b)为所述新的感兴趣区域Rn+1初始化影响面积An+1;
(c)增加代表先前标识的感兴趣区域的数目的计数n;
(3)如果局部像素单元位于先前标识的感兴趣区域Rk0的影响面积Ak0内,
(a)取决于合并条件,将局部像素单元与所述先前标识的感兴趣区域Rk0合并,
(b)如果合并条件被满足,则更新所述感兴趣区域Rk0的影响面积Ak0;
e)重复步骤b)到d),直到图像的至少基本上全部像素已被处理。
2).根据项目1所述的方法,其中,在步骤d)中
i)局部像素单元不是感兴趣的,
(1)标识局部像素单元是否位于先前标识的感兴趣区域Rk的影响面积Ak内,其中k∈{1;…;n},
(2)如果局部像素单元位于先前标识的感兴趣区域Rk0的影响面积Ak0内,则更新所述影响面积Ak0。
3).根据前述项目中任一项所述的方法,其中局部像素单元包括多个像素,特别是由线扫描相机获取的像素的子集。
4).根据前述项目中任一项所述的方法,其中判定局部像素单元是否是感兴趣的步骤包括:确定局部像素单元的强度、特别是平均像素强度、中值像素强度、最小像素强度或最大像素强度是否大于或小于阈值。
5).根据前述项目中任一项所述的方法,其中判定局部像素单元是否是感兴趣的步骤基于特别地从先前处理的像素获得的空间、反馈或统计信息。
6).根据前述项目中任一项所述的方法,其中判定局部像素单元是否是感兴趣的步骤基于来自至少附加源的附加数据,特别是基于连接的区域处理信息。
7).根据前述项目中任一项所述的方法,其中为每个感兴趣区域Rk生成影响面积A,其中k∈{1;…;n}。
9).根据前述项目中任一项所述的方法,其中为每个感兴趣区域Rk确定特征向量,其中k∈{1;…;n}。
10).根据前述项目中任一项所述的方法,其中通过从每隔一个感兴趣区域Rk2建立距离图来生成感兴趣区域Rk1的影响面积Ak1,其中k2!=k1,优选地利用非线性环境处理通过基于无限脉冲响应的滤波器来生成。
11).根据前述项目中任一项所述的方法,进一步包括以下步骤:
a)在项目1的步骤b)中或之前,将先前标识的感兴趣区域的数目n设置为0,
b)在图像的至少基本上全部像素已被处理后,将n的当前值报告为找到的区别性特征的数目。
12).根据前述项目中任一项所述的方法,进一步包括以下步骤:
a)在项目1的步骤f)之后,确定至少一个感兴趣区域Rk的形态测量特征,其中k∈{1;…;n}。
13).一种光学卷材检查系统,包括:
a)图像获取单元(12),用于获取在卷材制造过程期间沿移动方向输送的卷材(11)的图像,
b)数字化单元,优选地由图像获取单元组成,
c)处理单元(17),被配置为执行根据项目1至11中任一项的方法,其中局部像素单元由数字化单元提供,
d)显示单元(16),用于显示结果,特别地是所标识的感兴趣区域Rk数目n,其中k∈{1;…;n}。
14).根据前述项目所述的光学卷材检查系统,其特征在于,处理单元包括现场可编程门阵列。
Claims (26)
1.一种用于在卷材制造过程期间检测在移动方向上传输的卷材中的区别性特征的计算机实施的方法,所述方法包括以下步骤:
a)获取所述卷材的图像,所述图像能够表示为包括多个像素Pi的数字图像,其中i∈{1;…;P},
b)通过以下过程处理所述多个像素Pi来标识多个感兴趣区域Rk,每个感兴趣区域对应于区别性特征,其中k∈{1;…;n}:
i)代表所述数字图像的子区域,以及
ii)与先前选择的局部像素单元不同,
d)基于判定规则,判定所述局部像素单元是否是感兴趣的,其特征在于
i)如果所述局部像素单元是感兴趣的,
(1)标识所述局部像素单元是否位于先前标识的感兴趣区域Rk的影响面积Ak内,其中其中影响面积Ak表示或对应于所述多个数字图像的像素的子集Pi,其中其至少位于和/或覆盖所述影响面积Ak所属的感兴趣区域Rk的邻域,
(a)将所述局部像素单元标识为新的感兴趣区域Rn+1;
(b)为所述新的感兴趣区域Rn+1初始化影响面积An+1;
(c)增加代表先前标识的感兴趣区域的数目的计数n;
(3)如果所述局部像素单元位于先前标识的感兴趣区域Rk0的影响面积Ak0内,
(a)取决于合并条件,将所述局部像素单元与所述先前标识的感兴趣区域Rk0合并,
(b)如果所述合并条件被满足,则更新所述感兴趣区域Rk0的影响面积Ak0;
(c)其中所述合并条件取决于所述先前标识的感兴趣区域Rk0的性质或特征,
e)重复步骤b)到d),直到所述图像的至少全部像素已被处理。
2.根据权利要求1所述的方法,其中所述区别性特征是缺陷和/或成型不规则。
3.根据权利要求1所述的方法,其中所述先前标识的感兴趣区域Rk是所述先前标识的感兴趣区域Rk中的任意一个感兴趣区域。
4.根据权利要求1所述的方法,其中所述先前标识的感兴趣区域Rk0的所述性质或特征包括所述感兴趣区域Rk0的形状、大小、方向。
5.根据权利要求1所述的方法,其中在步骤d)中,如果所述合并条件被满足,则所述局部像素单元与所述先前标识的感兴趣区域Rk0合并,以及如果所述合并条件不被满足,则所述局部像素单元不与所述先前标识的感兴趣区域Rk0合并。
6.根据权利要求1-5中任一项所述的方法,其中所述合并条件要求所述先前标识的感兴趣区域Rk0至少是细长的。
7.根据权利要求1-5中任一项所述的方法,其中所述合并条件要求所述先前标识的感兴趣区域Rk0至少是圆形的。
8.根据权利要求1-5中任一项所述的方法,其中,
i)如果所述局部像素单元不是感兴趣的,
(1)则标识所述局部像素单元是否位于先前标识的感兴趣区域Rk的影响面积Ak内,其中k∈{1;…;n},
(2)如果所述局部像素单元位于先前标识的感兴趣区域Rk0的影响面积Ak0内,则更新所述影响面积Ak0。
9.根据权利要求1-5中任一项所述的方法,其中所述局部像素单元包括多个像素。
10.根据权利要求9所述的方法,其中所述局部像素单元包括由线扫描相机获取的像素的子集。
11.根据权利要求1-5中任一项所述的方法,其中判定所述局部像素单元是否是感兴趣的步骤包括:确定所述局部像素单元的强度是否高于或低于阈值。
12.根据权利要求11所述的方法,其中所述判定所述局部像素单元是否是感兴趣的步骤包括:确定所述局部像素单元的平均像素强度、中值像素强度、最小像素强度、或最大像素强度是否高于或低于阈值。
13.根据权利要求1-5中任一项所述的方法,其中判定所述局部像素单元是否是感兴趣的步骤基于空间、反馈或统计信息。
14.根据权利要求13所述的方法,其中所述空间、反馈或统计信息是从先前处理的像素获得的。
15.根据权利要求1-5中任一项所述的方法,其中判定所述局部像素单元是否是感兴趣的步骤基于来自至少一个附加源的附加数据。
16.根据权利要求1-5中任一项所述的方法,其中为每个感兴趣区域Rk生成影响面积Ak,其中k∈{1;…;n}。
18.根据权利要求1-5中任一项所述的方法,其中为每个感兴趣区域Rk和/或对应的影响面积Ak0,确定特征向量vk,其中k∈{1;…;n}。
19.根据权利要求1-5中任一项所述的方法,其中在评估合并条件是否被满足时,考虑先前标识的感兴趣区域Rk0和/或对应的影响区域Ak0的特征向量vk0。
20.根据权利要求1-5中任一项所述的方法,其中通过从每隔一个感兴趣区域Rk2建立距离图,通过基于无限脉冲响应的滤波器利用非线性环境处理,来生成感兴趣区域Rk1的影响面积Ak1,其中k2!=k1。
21.根据权利要求1-5中任一项所述的方法,进一步包括以下步骤:
a)在权利要求1的步骤b)中或之前,将先前标识的感兴趣区域的数目n设置为0,
b)在所述图像的至少全部像素已被处理时,将n的当前值报告为找到的区别性特征的数目。
22.根据权利要求1-5中任一项所述的方法,进一步包括以下步骤:
a)在权利要求1的步骤f)之后,确定至少一个感兴趣区域Rk的形态测量特征,其中k∈{1;…;n}。
23.根据权利要求1-5中任一项所述的方法,其中所述合并条件取决于所述先前标识的感兴趣区域Rk0的形状或方向。
24.一种光学卷材检查系统,包括:
a)图像获取单元(12),用于在卷材制造过程期间获取在移动方向上输送的卷材(11)的图像,
b)数字化单元,由所述图像获取单元组成,
c)处理单元(17),被配置为执行根据权利要求1至17中任一项所述的方法,其中局部像素单元由所述数字化单元提供,
d)显示单元(16),用于显示结果。
25.根据权利要求24所述的光学卷材检查系统,其中所述结果是所标识的感兴趣区域Rk的数目n,其中k∈{1;…;n}。
26.根据权利要求24-25中任一项所述的光学卷材检查系统,其特征在于,所述处理单元包括现场可编程门阵列。
Applications Claiming Priority (5)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201662337625P | 2016-05-17 | 2016-05-17 | |
US62/337,625 | 2016-05-17 | ||
EP16180281 | 2016-07-20 | ||
EP16180281.4 | 2016-07-20 | ||
PCT/EP2017/025138 WO2017198348A1 (en) | 2016-05-17 | 2017-05-17 | Real-time, full web image processing method and system for web manufacturing supervision |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109196555A CN109196555A (zh) | 2019-01-11 |
CN109196555B true CN109196555B (zh) | 2021-12-31 |
Family
ID=60324799
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201780031048.0A Active CN109196555B (zh) | 2016-05-17 | 2017-05-17 | 用于卷材制造监督的实时、完整卷材图像处理方法和系统 |
Country Status (4)
Country | Link |
---|---|
EP (1) | EP3459045B1 (zh) |
CN (1) | CN109196555B (zh) |
CA (1) | CA3024758C (zh) |
WO (1) | WO2017198348A1 (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3361444A1 (en) | 2017-02-10 | 2018-08-15 | ABB Schweiz AG | Real-time, full web image processing method and system for web manufacturing supervision |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1633592A (zh) * | 2001-02-12 | 2005-06-29 | 3M创新有限公司 | 卷筒材料的检查方法和装置 |
CN101988907A (zh) * | 2010-09-16 | 2011-03-23 | 无锡动视科技有限公司 | 一种卷材表面检测用的图像处理系统 |
CN104616275A (zh) * | 2013-11-04 | 2015-05-13 | 北京兆维电子(集团)有限责任公司 | 一种缺陷检测方法和装置 |
CN105531581A (zh) * | 2013-09-10 | 2016-04-27 | 蒂森克虏伯钢铁欧洲股份公司 | 对用于识别表面缺陷的检查系统进行检验的方法和设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6750466B2 (en) * | 2001-02-09 | 2004-06-15 | Wintriss Engineering Corporation | Web inspection system |
WO2013182313A1 (de) * | 2012-06-08 | 2013-12-12 | Giesecke & Devrient Gmbh | Blob-encoding |
-
2017
- 2017-05-17 EP EP17725863.9A patent/EP3459045B1/en active Active
- 2017-05-17 WO PCT/EP2017/025138 patent/WO2017198348A1/en active Search and Examination
- 2017-05-17 CA CA3024758A patent/CA3024758C/en active Active
- 2017-05-17 CN CN201780031048.0A patent/CN109196555B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1633592A (zh) * | 2001-02-12 | 2005-06-29 | 3M创新有限公司 | 卷筒材料的检查方法和装置 |
CN101988907A (zh) * | 2010-09-16 | 2011-03-23 | 无锡动视科技有限公司 | 一种卷材表面检测用的图像处理系统 |
CN105531581A (zh) * | 2013-09-10 | 2016-04-27 | 蒂森克虏伯钢铁欧洲股份公司 | 对用于识别表面缺陷的检查系统进行检验的方法和设备 |
CN104616275A (zh) * | 2013-11-04 | 2015-05-13 | 北京兆维电子(集团)有限责任公司 | 一种缺陷检测方法和装置 |
Non-Patent Citations (2)
Title |
---|
Multiple Vehicles License Plate Tracking and Recognition via Isotropic Dilation;LORITA ANGELINE ET等;《COMPUTATIONAL INTELLIGENCE,COMMUNICATION》;20110726;54-59 * |
基于B超的防水卷材搭接缝焊接质量检测方法研究与仪器研制;朱亚超;《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》;20150115(第1期);B022-513 * |
Also Published As
Publication number | Publication date |
---|---|
WO2017198348A1 (en) | 2017-11-23 |
CA3024758A1 (en) | 2017-11-23 |
CA3024758C (en) | 2020-05-19 |
CN109196555A (zh) | 2019-01-11 |
EP3459045B1 (en) | 2020-03-11 |
EP3459045A1 (en) | 2019-03-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102203112B1 (ko) | 표준 기준 이미지로부터 결정된 속성에 기초한 결함 검출 및 분류 | |
US10607333B2 (en) | Real-time, full web image processing method and system for web manufacturing supervision | |
CN108629775B (zh) | 一种热态高速线材表面图像处理方法 | |
KR102132328B1 (ko) | Cad-기반 컨텍스트 속성들을 사용하는 결함 분류 | |
CN109685766B (zh) | 一种基于区域融合特征的布匹瑕疵检测方法 | |
Islam et al. | Capsule image segmentation in pharmaceutical applications using edge-based techniques | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
Yangping et al. | Real-time Defect Detection Method for Printed Images Based on Grayscale and Gradient Differences. | |
US10388011B2 (en) | Real-time, full web image processing method and system for web manufacturing supervision | |
CN109196555B (zh) | 用于卷材制造监督的实时、完整卷材图像处理方法和系统 | |
Coulthard | Image processing for automatic surface defect detection | |
TW202034421A (zh) | 濾色器檢查裝置、檢查裝置、濾色器檢查方法及檢查方法 | |
CN113888539B (zh) | 缺陷分类方法、装置、设备及存储介质 | |
Strokina et al. | Framework for developing image-based dirt particle classifiers for dry pulp sheets | |
Mishra et al. | Surface defects detection for ceramic tiles using image processing and morphological techniques | |
Islam et al. | Image processing techniques for quality inspection of gelatin capsules in pharmaceutical applications | |
Niskanen et al. | Experiments with SOM based inspection of wood | |
JP2007057705A (ja) | 表示パネルの検査方法および検査装置 | |
Xie et al. | An adaptive defect detection technology for car-bodies surfaces | |
Wang et al. | Digital realization of precision surface defect evaluation system | |
JP2005128635A (ja) | 画像処理装置 | |
JPH02252392A (ja) | 画質評価方法 | |
JPH09179985A (ja) | 画像欠陥検査方法及び画像欠陥分類方法 | |
Strokina | Machine vision methods for process measurements in pulping | |
JP2004125629A (ja) | 欠陥検出装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |