CN111563873A - 损伤检查装置及方法 - Google Patents
损伤检查装置及方法 Download PDFInfo
- Publication number
- CN111563873A CN111563873A CN202010072475.7A CN202010072475A CN111563873A CN 111563873 A CN111563873 A CN 111563873A CN 202010072475 A CN202010072475 A CN 202010072475A CN 111563873 A CN111563873 A CN 111563873A
- Authority
- CN
- China
- Prior art keywords
- damage
- size
- image
- lesion
- unit
- 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
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
- 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
-
- 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
- G01N21/8806—Specially adapted optical and illumination features
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G01N2021/8854—Grading and classifying of flaws
-
- 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
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- 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
- G01N2021/8883—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 involving the calculation of gauges, generating models
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种损伤检查装置(1)及方法,包括:深度学习部(31),其输入有通过拍摄检查对象(O)的表面而获取的图像,并基于输入的图像进行检查对象(O)的表面有无损伤的辨别和被判断为损伤的部位的确定;尺寸测量部(32),其对由深度学习部(31)确定的部位的图像进行处理并对损伤的尺寸进行测量;以及损伤分类部(33),其基于由尺寸测量部(32)测量的损伤的尺寸进行损伤的分类。
Description
技术领域
本发明涉及一种损伤检查装置及方法。
背景技术
已知一种使用神经网络的深度学习来进行检查对象的检查的自动检查装置(例如参照专利文献1)。
现有技术文献
专利文献
专利文献1:日本特开2003-76991号公报
发明内容
发明所要解决的问题
在使用深度学习对检查对象的损伤进行检查的情况下,以由深度学习定义的抽象的损伤特征为基准来进行合格与否的判定,因而不需要使用损伤的长度或者深度等具体的信息。
然而,根据检查的情况,可能出现想要对小于指定长度或小于指定深度的损伤进行修补,并对存在指定长度以上或指定深度以上的损伤的检查对象进行更换等的处理的情况。
在通过深度学习进行这样的判断的情况下,需要在学习阶段对大量的损伤的长度或深度等的损伤的尺寸进行测量,因而学习操作繁琐且耗费时间。
因此,期望学习不耗费时间且能够根据指定的尺寸对检查对象进行分类的技术。
用于解决问题的手段
本发明的一方面为一种损伤检查装置,包括:深度学习部,其输入有通过拍摄检查对象的表面而获取的图像,并基于输入的所述图像进行所述检查对象的表面有无损伤的辨别和被判断为所述损伤的部位的确定;尺寸测量部,其基于由所述深度学习部确定的所述部位的所述图像,测量所述损伤的尺寸;以及损伤分类部,其基于由所述尺寸测量部测量的所述损伤的尺寸进行所述损伤的分类。
附图说明
图1为表示本发明的一个实施方式所涉及的损伤检查装置的框图。
图2为表示由图1的损伤检查装置的摄像机获取的图像的一个示例的图。
图3为对向深度学习部输入图2的图像而获得的、包含被判断为损伤的部位的矩形区域进行说明的图。
图4为通过灰度等级表示图3的矩形区域A的成为损伤的概率的图像例。
图5为通过灰度等级表示图3的矩形区域B的成为损伤的概率的图像例。
图6为表示将图4的图像二值化的二值化图像的图像例。
图7为表示将图5的图像二值化的二值化图像的图像例。
图8为表示使用图1的损伤检查装置的损伤检查方法的流程图。
图9为表示图1的损伤检查装置的变形例的框图。
具体实施方式
以下,参照附图对本发明的一个实施方式所涉及的损伤检查装置1及方法进行说明。
如图1所示,根据本实施方式的损伤检查装置1包括:摄像机2,其用于拍摄检查对象O;以及图像处理装置3,其对由摄像机2获取的图像(二维图像)P1进行处理。
图像处理装置3包括:深度学习部31,其输入有由摄像机2获取的图像P1;损伤尺寸测量部(尺寸测量部)32,其根据从深度学习部31输出的图像,计算出损伤的尺寸;损伤分类部33,其根据计算出的损伤的尺寸是否超过预定的阈值而对损伤进行分类;以及存储部34,其使损伤与尺寸相互关联地存储。深度学习部31、损伤尺寸测量部32以及损伤分类部33由处理器构成,存储部34由存储器构成。
在深度学习部31中,通过输入大量预先获取的检查对象O的图像P1以及该图像P1中的有无损伤的信息来进行深度学习,并构建学习模型。
作为用于构建该学习模型的信息,只要是关于是否存在损伤的信息即可,因而无需对损伤的尺寸进行测量,学习操作较为容易。
在深度学习部31的学习模型中输入有由摄像机2获取的图像P1的情况下,对图像P1上的检查对象O的表面有无损伤进行辨别。图2表示由摄像机2获取的图像P1,图3为表示在由摄像机2获取的图像P1中,由深度学习部31确定的包含被判断为损伤的部位的矩形区域A、B的位置信息的图像P1。
并且,深度学习部31输出上述矩形区域A、B的各像素中的成为损伤的概率的信息。
在损伤尺寸测量部32中,使用从深度学习部31输出的信息,如图4和图5所示,生成成为损伤的概率越高则越白、成为损伤的概率越低则越黑的图像P2、P3,并且如图6和图7所示,通过预定的阈值使生成的图像P2、P3二值化,从而生成二值化图像P4、P5。
然后,损伤尺寸测量部32计算出生成的二值化图像P4、P5中的白色像素区域的长边方向和与长边方向正交的方向的长度尺寸、周长以及面积中的至少一个。
损伤分类部33对损伤尺寸测量部32中计算出的尺寸与阈值进行比较。作为阈值,例如为用于判断是否可以修补或者是否可以出货的值,并且能够任意地进行设定。
即,具有小于预定的阈值的长度尺寸、周长或者面积的损伤被分类为能够修补或者能够出货,具有阈值以上的长度尺寸、周长或者面积的损伤被分类为不能修补或者不能出货。
存储部34使分类后的损伤与由损伤尺寸测量部32测量的尺寸相互关联地存储。
以下,对使用了如上所述构成的本实施方式所涉及的损伤检查装置1的损伤检查方法进行说明。
如图8所示,在本实施方式所涉及的损伤检查方法中,通过摄像机2对检查对象O进行拍摄并获取图像P1(步骤S1),并将获取的图像P1输入至深度学习部31。在深度学习部31中,辨别检查对象O的表面有无损伤(步骤S2),并确定被判断为损伤的部位(步骤S3)。
在步骤S2中,当不存在被判断为损伤的部位时,结束处理。当存在被判断为损伤的部位时,针对包含各部位的矩形区域A、B,与成为损伤的概率有关的信息被输出至损伤尺寸测量部32,在损伤尺寸测量部32中,计算出损伤的长度尺寸、周长以及面积中的至少一个(步骤S4)。
然后,在损伤分类部33中判定计算出的尺寸是否为阈值以上(步骤S5),损伤被分类为小于阈值的情况和阈值以上的情况的两种类型的X类、Y类(步骤S6、S7)。使分类后的损伤与损伤尺寸测量部32中测量的损伤的尺寸相关联地存储于存储部34(步骤S8)。
然后,在矩形区域A、B未被全部分类的情况下,在下一个矩形区域A、B重复从步骤S4起的工序(步骤S9)。
如上所述,根据本实施方式的损伤检查装置1及方法,通过深度学习而基于由摄像机2获取的图像P1进行有无损伤的辨别,因而无需明确地进行损伤的定义就能够辨别出有无损伤并确定其部位。即,根据深度学习,能够容易地进行是损伤还是灰尘等附着物的学习,能够容易地辨别输入的图像P1中有无损伤。
并且,对于被辨别为存在损伤的部位,通过损伤尺寸测量部32进行图像处理并计算出损伤的长度尺寸、周长以及面积中的至少一个,因而能够通过损伤分类部33容易地对损伤进行分类。
在该情况下,对于深度学习中被辨别为损伤的部位,通过图像处理对损伤的尺寸进行测量,因而具有无需在深度学习的学习阶段使用损伤的尺寸并能够简单且以短时间进行学习这样的优点。在测量到的尺寸小于阈值的情况下,例如在分类为可以出货的损伤的情况下,具有通过使损伤与尺寸相互关联地存储于存储部34,从而提高出货后的可追溯性这样的优点。通过变更损伤的尺寸的阈值,具有无需重新进行学习操作就能够调整出货基准这样的优点。
在本实施方式中,在损伤尺寸测量部32中计算出损伤的长度尺寸、周长以及面积中的至少一个,并将计算出的任意的尺寸与阈值进行比较,从而将损伤分类为两种类型的X类、Y类。作为代替,也可以将损伤的长度尺寸、周长以及面积全部计算出来,根据任一个是否为阈值以上而将损伤分类为两种类型的X类、Y类。也可以根据超过阈值的尺寸的种类进行三种或更多种类的分类。
在本实施方式中,将基于从深度学习部31输出的、表示成为损伤的概率的信息而生成的图像P2、P3二值化来测量尺寸,但取而代之地,也可以通过对由摄像机2获取的图像P1直接进行图像处理来提取损伤的边缘,并使用提取的边缘计算出损伤的长度尺寸、周长以及面积中的至少一个。
在本实施方式中,对摄像机2获取二维图像即图像P1的情况进行了说明,但取而代之地,摄像机2也可以获取二维图像和三维图像。如图9所示,摄像机2也可以同时具备二维摄像机21和三维摄像机22,通过切换操作来获取二维图像和三维图像,也可以获取视差不同的两个二维图像,并根据这两个二维图像合成三维图像。
如图9所示,在该情况下,也可以在深度学习部31中使用二维图像进行有无损伤的辨别和部位的确定,并在损伤尺寸测量部32中使用三维图像对损伤的深度尺寸进行测量。由此,可以将深度尺寸用作对损伤进行分类的基准。也可以为,在损伤尺寸测量部32中使用二维图像和三维图像这两者,将损伤的长度尺寸、周长、面积以及损伤的深度尺寸中的至少一个用于损伤的分类。
在本实施方式中,也可以包括使三维摄像机22移动的移动机构。通过这样的设置,基于从二维图像获取的损伤的位置信息,利用移动机构使三维摄像机22移动,从而能够使用比二维摄像机21窄的视野的三维摄像机22(例如,视野较窄但精度等优异)。
附图标记说明
1:损伤检查装置
31:深度学习部
32:损伤尺寸测量部(尺寸测量部)
33:损伤分类部
34:存储部
O:检查对象
P1:图像(二维图像)
Claims (6)
1.一种损伤检查装置,其特征在于,包括:
深度学习部,其输入有通过拍摄检查对象的表面而获取的图像,并基于输入的所述图像进行所述检查对象的表面有无损伤的辨别和被判断为所述损伤的部位的确定;
尺寸测量部,其基于由所述深度学习部确定的所述部位的所述图像,测量所述损伤的尺寸;以及
损伤分类部,其基于由所述尺寸测量部测量的所述损伤的尺寸进行所述损伤的分类。
2.根据权利要求1所述的损伤检查装置,其特征在于,
所述尺寸测量部在二值化图像中测量所述损伤的长度或面积中的至少一个,所述二值化图像为对在所述深度学习部中用于辨别有无所述损伤的像素值进行二值化而获得的图像。
3.根据权利要求1所述的损伤检查装置,其特征在于,
所述尺寸测量部提取所述图像中的所述损伤的边缘,并基于所提取的所述边缘对所述损伤的长度或面积中的至少一个进行测量。
4.根据权利要求1所述的损伤检查装置,其特征在于,
被输入的所述图像为二维图像和三维图像,
所述深度学习部基于所述二维图像进行所述检查对象的表面有无所述损伤的辨别以及被判断为所述损伤的所述部位的确定,
所述尺寸测量部基于所述三维图像,对由所述深度学习部确定的所述部位处的所述损伤的深度进行测量。
5.根据权利要求1至4中任一项所述的损伤检查装置,其特征在于,
还包括存储部,所述存储部使由所述损伤分类部分类后的各所述损伤与由所述尺寸测量部测量的所述损伤的尺寸相互关联地存储。
6.一种损伤检查方法,其特征在于,包括:
输入通过拍摄检查对象的表面而获取的图像,
基于输入的所述图像进行所述检查对象的表面有无损伤的辨别和被判断为所述损伤的部位的确定,
基于确定的所述部位的所述图像对所述损伤的尺寸进行测量,
基于测量到的所述损伤的尺寸进行所述损伤的分类。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019024369A JP2020134187A (ja) | 2019-02-14 | 2019-02-14 | 傷検査装置および方法 |
JP2019-024369 | 2019-02-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563873A true CN111563873A (zh) | 2020-08-21 |
Family
ID=71843897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010072475.7A Pending CN111563873A (zh) | 2019-02-14 | 2020-01-21 | 损伤检查装置及方法 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200265575A1 (zh) |
JP (1) | JP2020134187A (zh) |
CN (1) | CN111563873A (zh) |
DE (1) | DE102020102853A1 (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7356962B2 (ja) | 2020-12-15 | 2023-10-05 | 株式会社神戸製鋼所 | 機械学習装置および該方法ならびに膜厚測定装置および該方法 |
KR102494890B1 (ko) * | 2020-12-17 | 2023-02-06 | 텔스타홈멜 주식회사 | 철제 금형물 품질 검사를 위한 지능형 전수검사 시스템 |
JP2022187282A (ja) * | 2021-06-07 | 2022-12-19 | 日本電気硝子株式会社 | 検査装置、検査方法、ガラス板の製造方法、および検査プログラム |
CN113758932B (zh) * | 2021-09-07 | 2022-11-25 | 广东奥普特科技股份有限公司 | 一种基于深度学习的锂电池膈膜缺陷视觉检测方法 |
CN114529507B (zh) * | 2021-12-30 | 2024-05-17 | 广西慧云信息技术有限公司 | 一种基于视觉Transformer的刨花板表面缺陷检测方法 |
-
2019
- 2019-02-14 JP JP2019024369A patent/JP2020134187A/ja active Pending
-
2020
- 2020-01-13 US US16/740,697 patent/US20200265575A1/en not_active Abandoned
- 2020-01-21 CN CN202010072475.7A patent/CN111563873A/zh active Pending
- 2020-02-05 DE DE102020102853.9A patent/DE102020102853A1/de not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
JP2020134187A (ja) | 2020-08-31 |
DE102020102853A1 (de) | 2020-08-20 |
US20200265575A1 (en) | 2020-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563873A (zh) | 损伤检查装置及方法 | |
JP6924413B2 (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 | |
CN111539908B (zh) | 对样本的缺陷检测的方法及其系统 | |
KR101934313B1 (ko) | 검사 이미지들 내에서 결함들을 검출하기 위한 시스템, 방법 및 컴퓨터 프로그램 제품 | |
US9489562B2 (en) | Image processing method and apparatus | |
US20070285537A1 (en) | Image quality analysis with test pattern | |
CN107111872B (zh) | 信息处理装置、信息处理方法、及存储介质 | |
KR101759496B1 (ko) | Pcb 결함 및 결함종류 분류 시스템 및 방법 | |
JP2007334766A (ja) | 異常領域検出装置および異常領域検出方法 | |
CN108445010B (zh) | 自动光学检测方法及装置 | |
JP7137487B2 (ja) | 画像評価装置及び方法 | |
Pieringer et al. | Flaw detection in aluminium die castings using simultaneous combination of multiple views | |
US6993187B2 (en) | Method and system for object recognition using fractal maps | |
Kumar et al. | Flaws classification using ANN for radiographic weld images | |
JP2008047664A (ja) | パターン検査装置及び半導体検査システム | |
US7062079B2 (en) | Method and system for image segmentation | |
CN113850749A (zh) | 训练缺陷侦测器的方法 | |
JP2018096908A (ja) | 検査装置及び検査方法 | |
CN114549493A (zh) | 一种基于深度学习的磁芯缺陷检测系统及方法 | |
CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
KR101623689B1 (ko) | 바코드 식별 장치 및 방법 | |
JP2020037356A (ja) | 架線摩耗検査装置 | |
EP3933388A1 (en) | Feature point recognition system and recognition method | |
JP7404817B2 (ja) | 学習装置、検出装置、学習方法、及び学習プログラム | |
KR20230036650A (ko) | 영상 패치 기반의 불량 검출 시스템 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200821 |
|
WD01 | Invention patent application deemed withdrawn after publication |