CN111598152B - 视觉系统复现方法、设备及计算机可读存储介质 - Google Patents
视觉系统复现方法、设备及计算机可读存储介质 Download PDFInfo
- Publication number
- CN111598152B CN111598152B CN202010400309.5A CN202010400309A CN111598152B CN 111598152 B CN111598152 B CN 111598152B CN 202010400309 A CN202010400309 A CN 202010400309A CN 111598152 B CN111598152 B CN 111598152B
- Authority
- CN
- China
- Prior art keywords
- index value
- target
- vision system
- actual
- standard
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06T7/0002—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
- G06T7/00—Image analysis
- G06T7/80—Analysis of captured images to determine intrinsic or extrinsic camera parameters, i.e. camera calibration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种视觉系统复现方法、设备及计算机可读存储介质,所述视觉系统复现方法通过创建目标校验靶标来代替以往的人工测量方式来获取样机视觉系统中的标准指标数值,提升了标准指标数值的获取效率;通过在基于深度学习的缺陷检测模型的基础上还借助目标校准靶标来获取量产阶段中复制视觉系统的实际指标数值,提升了实际指标数值的获取效率;通过在实际指标数值与目标标准指标数值不匹配时不断调试复制视觉系统,并动态观察实际指标数值是否合格,直至完成视觉系统复现,既保证了视觉系统环境复现的准确性,同时也避免了深度学习算法的重工以及数据集的更换,还提升了系统调试过程的可视性与智能性,极大提高视觉系统复现的效率。
Description
技术领域
本发明涉及机器视觉技术领域,尤其涉及一种视觉系统复现方法、设备及计算机可读存储介质。
背景技术
对于传统机器视觉技术而言,检测具有复杂表面纹理和外观变化的部件是一个非常严峻的挑战。而随着设计方和制造商对产品品质提出越来越高的要求,工业现场对外观检测设备的需求却是与日俱增。近年来,随着深度学习技术的成熟应用,该难题变得可解,越来越多设备商推出基于深度学习的外观检测设备。
但基于深度学习的检测算法一方面为了满足工业现场苛刻的检验标准,对成像效果的一致性要求较高,另一方面算法的建立需要大量的数据集支撑,成像效果的变化会造成原有数据集的失效。这两点造成了外观检测设备批量复制的复杂性和不可控性。目前市面上绝大多数机器视觉厂商或检测业务设备商,在处理检测设备的的量产复制时仍采用基于人工经验的视觉系统调试与复现的方法,人工测量并记录光学与机构参数,用于设备量产阶段调机的参考。且在量产设备上,调机员再参考记录表进行光学以及机构的调整,然后靠算法点检进行效果验证,重复精调直至效果最佳。如果最终无法复现效果,则需要再次对算法进行训练,以适应新的图片效果。因此,上述的种种情况均反映出了基于人工经验的视觉系统复现方式的效率低下的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种视觉系统复现方法,旨在解决基于人工经验的视觉系统复现方式的效率低下的技术问题。
为实现上述目的,本发明提供一种视觉系统复现方法,所述视觉系统复现方法包括:
基于预设已调试的样机视觉系统创建目标校验靶标,并根据预设基于深度学习的缺陷检测模型与所述目标校验靶标,获取所述样机视觉系统在预设系统指标上的标准指标数值;
基于所述缺陷检测模型与目标校验靶标,获取预设初始复制视觉系统在所述系统指标上的实际指标数值,并判断所述实际指标数值是否与所述标准指标数值匹配;
若不匹配,则对所述初始复制视觉系统进行调试,并动态更新所述实际指标数值,直至检测到更新后的实际指标数值与所述标准指标数值匹配,以复现所述样机视觉系统。
可选地,所述基于预设已调试的样机视觉系统创建目标校验靶标的步骤包括:
获取所述样机视觉系统的样机视野范围,并基于所述样机视野范围确定目标校验靶标规格;
根据所述目标校验靶标规格,创建所述目标校验靶标。
可选地,所述初始复制视觉系统中包括系统光源与工业相机,
所述基于所述缺陷检测模型与目标校验靶标,获取预设初始复制视觉系统在所述系统指标上的实际指标数值的步骤包括:
获取所述工业相机的相机视野范围,并将所述目标校验靶标设置在所述相机视野范围之内;
开启所述系统光源,并利用所述工业相机获取包含所述目标校验靶标的靶标图像;
将所述靶标图像输入所述缺陷检测模型,以获取所述实际指标数值。
可选地,所述初始复制视觉系统中还包括用于调节所述工业相机位置的机械手,
所述若不匹配,则对所述初始复制视觉系统进行调试,并动态更新所述实际指标数值,直至检测到更新后的实际指标数值与所述标准指标数值匹配,以复现所述样机视觉系统的步骤包括:
若所述实际指标数值与所述标准指标数值不匹配,则基于所述机械手调节所述工业相机位置、调试所述工业相机的相机参数和/或调试系统光源,以动态更新所述实际指标数值;
直至检测到更新后的实际指标数值与所述标准指标数值匹配时,确定当前已完成复现所述样机视觉系统。
可选地,所述直至检测到更新后的实际指标数值与所述标准指标数值匹配时,确定当前已完成复现所述样机视觉系统的步骤之后,还包括:
将当前已完成调试的所述初始复制视觉系统确定为第一目标视觉系统,保存所述第一目标视觉系统中所述系统光源、工业相机与机械手的配置参数,并将所述缺陷检测模型部署在所述第一目标视觉系统中,以基于所述第一目标视觉系统量产目标检测设备。
可选地,所述判断所述实际指标数值是否与所述标准指标数值匹配的步骤之后,还包括:
若匹配,则将所述初始复制视觉系统确定为第二目标视觉系统,并将所述缺陷检测模型部署在所述第二目标视觉系统中,以基于所述第二目标视觉系统量产目标检测设备。
可选地,所述判断所述实际指标数值是否与所述标准指标数值匹配的步骤包括:
获取所述实际指标数值与所述标准指标数值之间的指标差值,并判断所述指标差值是否超出预设差值范围;
若否,则判定所述实际指标数值与所述标准指标数值匹配;
若是,则判定所述实际指标数值与所述标准指标数值不匹配。
可选地,所述系统指标包括:位置指标、视野范围指标、角度指标、焦距指标与曝光度指标。
此外,为实现上述目的,本发明还提供一种视觉系统复现装置,所述视觉系统复现装置包括:
指标数值获取模块,用于基于预设已调试的样机视觉系统创建目标校验靶标,并根据预设基于深度学习的缺陷检测模型与所述目标校验靶标,获取所述样机视觉系统在预设系统指标上的标准指标数值;
指标数值匹配模块,用于基于所述缺陷检测模型与目标校验靶标,获取预设初始复制视觉系统在所述系统指标上的实际指标数值,并判断所述实际指标数值是否与所述标准指标数值匹配;
视觉系统复现模块,用于若不匹配,则对所述初始复制视觉系统进行调试,并动态更新所述实际指标数值,直至检测到更新后的实际指标数值与所述标准指标数值匹配,以复现所述样机视觉系统。
可选地,所述指标数值获取模块包括:
靶标规格获取单元,用于获取所述样机视觉系统的样机视野范围,并基于所述样机视野范围确定目标校验靶标规格;
校验靶标创建单元,用于根据所述目标校验靶标规格,创建所述目标校验靶标。
可选地,所述指标数值匹配模块包括:
校验靶标设置单元,用于获取所述工业相机的相机视野范围,并将所述目标校验靶标设置在所述相机视野范围之内;
靶标图像获取单元,用于开启所述系统光源,并利用所述工业相机获取包含所述目标校验靶标的靶标图像;
实际数值获取单元,用于将所述靶标图像输入所述缺陷检测模型,以获取所述实际指标数值。
可选地,所述视觉系统复现模块包括:
实际数值更新单元,用于若所述实际指标数值与所述标准指标数值不匹配,则基于所述机械手调节所述工业相机位置、调试所述工业相机的相机参数和/或调试系统光源,以动态更新所述实际指标数值;
视觉系统复现单元,用于直至检测到更新后的实际指标数值与所述标准指标数值匹配时,确定当前已完成复现所述样机视觉系统。
可选地,所述视觉系统复现单元还用于:
将当前已完成调试的所述初始复制视觉系统确定为第一目标视觉系统,保存所述第一目标视觉系统中所述系统光源、工业相机与机械手的配置参数,并将所述缺陷检测模型部署在所述第一目标视觉系统中,以基于所述第一目标视觉系统量产目标检测设备。
可选地,所述视觉系统复现装置还包括:
模型部署模块,用于若匹配,则将所述初始复制视觉系统确定为第二目标视觉系统,并将所述缺陷检测模型部署在所述第二目标视觉系统中,以基于所述第二目标视觉系统量产目标检测设备。
可选地,所述指标数值匹配模块还包括:
指标差值判断单元,用于获取所述实际指标数值与所述标准指标数值之间的指标差值,并判断所述指标差值是否超出预设差值范围;
指标差值判定单元,用于若否,则判定所述实际指标数值与所述标准指标数值匹配;
若是,则判定所述实际指标数值与所述标准指标数值不匹配。
可选地,所述视觉系统复现装置还包括:
系统指标模块,用于所述系统指标包括:位置指标、视野范围指标、角度指标、焦距指标与曝光度指标。
此外,为实现上述目的,本发明还提供一种视觉系统复现设备,所述视觉系统复现设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的视觉系统复现程序,所述视觉系统复现程序被所述处理器执行时实现如上述的视觉系统复现方法的步骤。
此外,为实现上述目的,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有视觉系统复现程序,所述视觉系统复现程序被处理器执行时实现如上述的视觉系统复现方法的步骤。
本发明提供一种视觉系统复现方法、设备及计算机可读存储介质。所述视觉系统复现方法通过基于预设已调试的样机视觉系统创建目标校验靶标,并根据预设基于深度学习的缺陷检测模型与所述目标校验靶标,获取所述样机视觉系统在预设系统指标上的标准指标数值;基于所述缺陷检测模型与目标校验靶标,获取预设初始复制视觉系统在所述系统指标上的实际指标数值,并判断所述实际指标数值是否与所述标准指标数值匹配;若不匹配,则对所述初始复制视觉系统进行调试,并动态更新所述实际指标数值,直至检测到更新后的实际指标数值与所述标准指标数值匹配,以复现所述样机视觉系统。通过上述方式,本发明通过创建目标校验靶标来代替以往的人工测量方式来获取样机视觉系统中的标准指标数值,提升了标准指标数值的获取效率;通过在基于深度学习的缺陷检测模型的基础上还借助目标校准靶标来获取量产阶段中复制视觉系统的实际指标数值,提升了实际指标数值的获取效率;通过在实际指标数值与目标标准指标数值不匹配时不断调试复制视觉系统,并动态观察实际指标数值是否合格,直至完成视觉系统复现,既保证了视觉系统环境复现的准确性,同时也避免了深度学习算法的重工以及数据集的更换,还提升了系统调试过程的可视性与智能性,大大降低了对系统部署人员的要求,极大地提高视觉系统复现的效率,从而解决了基于人工经验的视觉系统复现方式的效率低下的技术问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的视觉系统复现设备结构示意图;
图2为本发明视觉系统复现方法第一实施例的流程示意图;
图3为本发明视觉系统复现方法一具体实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的视觉系统复现设备结构示意图。
本发明实施例视觉系统复现设备可以是计算机,服务器等终端设备。
如图1所示,该视觉系统复现设备可以包括:处理器1001,例如CPU,通信总线1002,用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选的用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储设备。
本领域技术人员可以理解,图1中示出的视觉系统复现设备结构并不构成对视觉系统复现设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及视觉系统复现程序。
在图1所示的视觉系统复现设备中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的视觉系统复现程序,并执行以下操作:
基于预设已调试的样机视觉系统创建目标校验靶标,并根据预设基于深度学习的缺陷检测模型与所述目标校验靶标,获取所述样机视觉系统在预设系统指标上的标准指标数值;
基于所述缺陷检测模型与目标校验靶标,获取预设初始复制视觉系统在所述系统指标上的实际指标数值,并判断所述实际指标数值是否与所述标准指标数值匹配;
若不匹配,则对所述初始复制视觉系统进行调试,并动态更新所述实际指标数值,直至检测到更新后的实际指标数值与所述标准指标数值匹配,以复现所述样机视觉系统。
进一步地,所述基于预设已调试的样机视觉系统创建目标校验靶标的步骤包括:
获取所述样机视觉系统的样机视野范围,并基于所述样机视野范围确定目标校验靶标规格;
根据所述目标校验靶标规格,创建所述目标校验靶标。
进一步地,所述初始复制视觉系统中包括系统光源与工业相机,
所述基于所述缺陷检测模型与目标校验靶标,获取预设初始复制视觉系统在所述系统指标上的实际指标数值的步骤包括:
获取所述工业相机的相机视野范围,并将所述目标校验靶标设置在所述相机视野范围之内;
开启所述系统光源,并利用所述工业相机获取包含所述目标校验靶标的靶标图像;
将所述靶标图像输入所述缺陷检测模型,以获取所述实际指标数值。
进一步地,所述初始复制视觉系统中还包括用于调节所述工业相机位置的机械手,
所述若不匹配,则对所述初始复制视觉系统进行调试,并动态更新所述实际指标数值,直至检测到更新后的实际指标数值与所述标准指标数值匹配,以复现所述样机视觉系统的步骤包括:
若所述实际指标数值与所述标准指标数值不匹配,则基于所述机械手调节所述工业相机位置、调试所述工业相机的相机参数和/或调试系统光源,以动态更新所述实际指标数值;
直至检测到更新后的实际指标数值与所述标准指标数值匹配时,确定当前已完成复现所述样机视觉系统。
进一步地,所述直至检测到更新后的实际指标数值与所述标准指标数值匹配时,确定当前已完成复现所述样机视觉系统的步骤之后,处理器1001可以调用存储器1005中存储的视觉系统复现程序,还执行以下操作:
将当前已完成调试的所述初始复制视觉系统确定为第一目标视觉系统,保存所述第一目标视觉系统中所述系统光源、工业相机与机械手的配置参数,并将所述缺陷检测模型部署在所述第一目标视觉系统中,以基于所述第一目标视觉系统量产目标检测设备。
进一步地,所述判断所述实际指标数值是否与所述标准指标数值匹配的步骤之后,处理器1001可以调用存储器1005中存储的视觉系统复现程序,还执行以下操作:
若匹配,则将所述初始复制视觉系统确定为第二目标视觉系统,并将所述缺陷检测模型部署在所述第二目标视觉系统中,以基于所述第二目标视觉系统量产目标检测设备。
进一步地,所述判断所述实际指标数值是否与所述标准指标数值匹配的步骤包括:
获取所述实际指标数值与所述标准指标数值之间的指标差值,并判断所述指标差值是否超出预设差值范围;
若否,则判定所述实际指标数值与所述标准指标数值匹配;
若是,则判定所述实际指标数值与所述标准指标数值不匹配。
进一步地,所述系统指标包括:位置指标、视野范围指标、角度指标、焦距指标与曝光度指标。
基于上述硬件结构,提出本发明视觉系统复现方法的各个实施例。
对于传统机器视觉技术来讲,检测具有复杂表面纹理和外观变化的部件是一个非常严峻的挑战。而随着设计方和制造商对产品品质提出越来越高的要求,工业现场对外观检测设备的需求却是与日俱增。近年来,随着深度学习技术的成熟应用,该难题变得可解,于是越来越多设备商推出基于深度学习的外观检测设备。
但基于深度学习的检测算法一方面为了满足工业现场苛刻的检验标准,对成像效果的一致性要求较高,另一方面算法的建立需要大量的数据集支撑,成像效果的变化会造成原有数据集的失效。这两点造成了外观检测设备批量复制的复杂性和不可控性。目前市面上绝大多数机器视觉厂商或检测业务设备商,在处理检测设备的的量产复制时仍采用基于人工经验的视觉系统调试与复现的方法,人工测量并记录光学与机构参数,用于设备量产阶段调机的参考。且在量产设备上,调机员再参考记录表进行光学以及机构的调整,然后靠算法点检进行效果验证,重复精调直至效果最佳。如果最终无法复现效果,则需要再次对算法进行训练,以适应新的图片效果。因此,上述的种种情况均反映出了基于人工经验的视觉系统复现方式的效率低下的技术问题。
为解决上述问题,本发明提供一种视觉系统复现方法,即创建目标校验靶标来代替以往的人工测量方式来获取样机视觉系统中的标准指标数值,提升了标准指标数值的获取效率;通过在基于深度学习的缺陷检测模型的基础上还借助目标校准靶标来获取量产阶段中复制视觉系统的实际指标数值,提升了实际指标数值的获取效率;通过在实际指标数值与目标标准指标数值不匹配时不断调试复制视觉系统,并动态观察实际指标数值是否合格,直至完成视觉系统复现,既保证了视觉系统环境复现的准确性,同时也避免了深度学习算法的重工以及数据集的更换,还提升了系统调试过程的可视性与智能性,大大降低了对系统部署人员的要求,极大地提高视觉系统复现的效率,从而解决了基于人工经验的视觉系统复现方式的效率低下的技术问题。所述视觉系统复现方法应用于视觉系统复现设备。
参照图2,图2为视觉系统复现方法第一实施例的流程示意图。
本发明第一实施例提供一种视觉系统复现方法,所述视觉系统复现方法包括以下步骤:
步骤S10,基于预设已调试的样机视觉系统创建目标校验靶标,并根据预设基于深度学习的缺陷检测模型与所述目标校验靶标,获取所述样机视觉系统在预设系统指标上的标准指标数值;
在本实施例中,预设已调试的样机视觉系统为:在基于目标检测设备的样机与相关取像设备进行光学实验并调试后,所得实验结果满足客户验证指标的视觉系统。其中,目标检测设备为当前需要量产的检测设备。目标校验标靶为本申请所提出的用于获取调试成功的样机视觉系统的预设系统指标后运用于复制视觉系统的第三方参照物。预设基于深度学习的缺陷检测模型为基于深度学习算法所训练的缺陷检测模型。具体的训练及调试过程为:先采集样机的图片数据,使用传统图像处理算法建立模板图像,然后采集大量缺陷样机的图片数据,标注图片上的缺陷,作为训练集,设置算法训练参数,最后开始训练缺陷数据模型。模型训练完成后,另外再准备一批缺陷样品图片做为测试集,用来检验模型的有效性,若检测效果未达到客户的验证指标,则调整训练参数,重新训练模型,直到模型的检测效果达到客户的验证指标,以满足上线要求。预设系统指标为用于表征视觉系统检测效果的判定指标,可基于目标校验靶标进行获取,具体可为以下九种:X轴位置Position-X、Y轴位置Position-Y、角度Angle、横轴视觉范围(FOV,Field of View)-X、纵轴视觉范围FOV-Y、相机焦距Focus、X轴方向倾斜角Rotation-X、Y轴方向倾斜角Rotation-Y与相机曝光度Intensity。标准指标数值为已满足上线要求的样机视觉系统在预设系统指标上的具体数值。
视觉系统复现设备根据已经过调试,满足上线要求的样机视觉系统创建目标校验靶标,并根据实际的精度要求将目标校验靶标的图案印刷在硬纸板或是陶瓷上后,在调试好的样机上部署加载有预设已训练的深度学习缺陷检测模型的校验软件。待系统部署人员将目标校验靶标放置到样机视觉系统中相机的视野范围内,视觉系统复现设备根据校验软件连接相机后,根据校验软件以及目标校验靶标学习当前的样机视觉系统在系统指标上的实际数值,也即是上述标准指标数值。
步骤S20,基于所述缺陷检测模型与目标校验靶标,获取预设初始复制视觉系统在所述系统指标上的实际指标数值,并判断所述实际指标数值是否与所述标准指标数值匹配;
在本实施例中,预设初始复制视觉系统为未经过调试的用于复制量产目标检测设备的视觉系统。实际指标数值为预设初始复制视觉系统在预设系统指标上的具体数值。实际指标数值与标准指标数值的匹配标准可设置为实际指标数值处于标准指标数值的误差范围内。视觉系统复现设备在初始复制视觉系统中部署加载有预设已训练的深度学习缺陷检测模型的校验软件以及学习到的标准指标数值,并通过目标校验靶标获取到初始复制视觉系统在相同的系统指标上的实际指标数值。视觉系统复现设备将样机视觉系统的标准指标数值与初始复制视觉系统的实际指标数值进行比较,判断两者是否匹配。
步骤S30,若不匹配,则对所述初始复制视觉系统进行调试,并动态更新所述实际指标数值,直至检测到更新后的实际指标数值与所述标准指标数值匹配,以复现所述样机视觉系统。
在本实施例中,若视觉系统复现设备比较样机视觉系统的标准指标数值与初始复制视觉系统的实际指标数值后,判定两者不匹配,也即是当前的初始复制视觉系统尚未完成样机视觉系统的复现,则视觉系统复现设备还需对当前的初始复制视觉系统进行调试。在调试的过程中,通过校验软件可动态检测复制视觉系统的预设系统指标是否合格,若有其中的一项或多项指标不合格,则视觉系统复现设备可针对不合格的系统指标对复制视觉系统中的相关设备进行调试,直至系统指标全部合格,即可判定当前完成了对样机视觉系统的复现,视觉系统复现设备可锁定当前复制视觉系统中硬件设备的位置以及参数,并进行深度学习缺陷检测算法的部署,以便基于此进行目标检测设备的量产复制。
作为一具体实施例,如图3所示,虚线框将实际的操作过程分为样机阶段与设备量产阶段。在样机阶段,终端根据需量产的目标检测设备的样机建立初始的样机视觉系统,对其进行光学实验与调试,同时对该视觉系统中的设备进行不断地优化调整,直至样机的图像效果达标后,终端再根据已达标的样机图像,使用传统图像处理算法建立模板图像,然后采集大量缺陷样机的图片数据,标注图片上的缺陷,作为训练集,设置算法训练参数,最后开始训练缺陷数据模型。模型训练完成后,另外再准备一批缺陷样品图片做为测试集,用来检验模型的有效性,若检测效果未达到客户的验证指标,则调整训练参数,重新训练模型,直到模型的检测效果达到客户的验证指标,以满足上线要求。图中算法的迭代意为数据集的训练。终端根据已经过调试,满足上线要求的样机视觉系统创建目标校验靶标,并根据实际的精度要求将目标校验靶标的图案印刷在硬纸板上后,在调试好的样机上部署加载有检测效果已满足客户验证指标的的深度学习缺陷检测模型的校验软件。待系统部署人员将目标校验靶标放置到样机视觉系统中相机的视野范围内,视觉系统复现设备根据校验软件连接相机后,根据校验软件以及目标校验靶标学习当前的样机视觉系统的系统参数,也即是上述标准指标数值。
在设备量产阶段,终端在初始复制视觉系统中部署加载有上述深度学习缺陷检测模型的校验软件以及学习到的系统参数,并通过目标校验靶标获取到初始复制视觉系统在相同的系统指标上的实际参数。终端将样机视觉系统的标准指标数值与初始复制视觉系统的实际指标数值进行比较,并判断实际参数是否处于系统参数的预设误差范围内。若否,终端则在当前的复制实际系统中进行光学效果调整以及设备机构调整,并在调试的过程中动态更新复制视觉系统的系统指标,直至调整至系统指标全部合格,软件界面显示绿色图标,则终端可判定当前已完成对于样机视觉系统的复现,可进行算法部署以及客户验收;若是,终端则可直接进行算法部署及客户验收。
在本实施例中,通过基于预设已调试的样机视觉系统创建目标校验靶标,并根据预设基于深度学习的缺陷检测模型与所述目标校验靶标,获取所述样机视觉系统在预设系统指标上的标准指标数值;基于所述缺陷检测模型与目标校验靶标,获取预设初始复制视觉系统在所述系统指标上的实际指标数值,并判断所述实际指标数值是否与所述标准指标数值匹配;若不匹配,则对所述初始复制视觉系统进行调试,并动态更新所述实际指标数值,直至检测到更新后的实际指标数值与所述标准指标数值匹配,以复现所述样机视觉系统。通过上述方式,本发明通过创建目标校验靶标来代替以往的人工测量方式来获取样机视觉系统中的标准指标数值,提升了标准指标数值的获取效率;通过在基于深度学习的缺陷检测模型的基础上还借助目标校准靶标来获取量产阶段中复制视觉系统的实际指标数值,提升了实际指标数值的获取效率;通过在实际指标数值与目标标准指标数值不匹配时不断调试复制视觉系统,并动态观察实际指标数值是否合格,直至完成视觉系统复现,既保证了视觉系统环境复现的准确性,同时也避免了深度学习算法的重工以及数据集的更换,还提升了系统调试过程的可视性与智能性,大大降低了对系统部署人员的要求,极大地提高视觉系统复现的效率,从而解决了基于人工经验的视觉系统复现方式的效率低下的技术问题。
进一步地,图中未示的,基于上述图2所示的第一实施例,提出本发明视觉系统复现方法的第二实施例。在本实施例中,所述基于预设已调试的样机视觉系统创建目标校验靶标的步骤包括:
获取所述样机视觉系统的样机视野范围,并基于所述样机视野范围确定目标校验靶标规格;
根据所述目标校验靶标规格,创建所述目标校验靶标。
在本实施例中,视觉系统复现设备获取待量产的目标检测设备的样机视野范围,根据样机视野范围选择适宜的靶标规格,再根据当前的靶标规格创建对应的目标校验靶标。具体地,若现有一套检测手机后壳表面划痕、异物、脏污等缺陷的外观检测设备,其样机视野范围的为250mm*209mm,则选取合适的校验靶标规格为100mm规格,当前的设备检测精度要求为0.1mm,则可根据100mm规格与0.1mm的设备检测精度要求,将目标校验靶标的图案印刷在硬纸板上。
进一步地,在本实施例中,所述基于所述缺陷检测模型与目标校验靶标,获取预设初始复制视觉系统在所述系统指标上的实际指标数值的步骤包括:
获取所述工业相机的相机视野范围,并将所述目标校验靶标设置在所述相机视野范围之内;
开启所述系统光源,并利用所述工业相机获取包含所述目标校验靶标的靶标图像;
将所述靶标图像输入所述缺陷检测模型,以获取所述实际指标数值。
在本实施例中,用于取像的相机优选为工业视频相机。视觉系统复现设备根据当前所使用的工业相机的相机视野范围,将印有目标校验靶标图案的载具放置于相机视野范围内,并开启系统光源。视觉系统复现设备使用工业相机拍摄包含有目标校验靶标的靶标图像,并将靶标图像作为深度学习缺陷检测模型的输入,模型则会输出与输入靶标图像对应的预设系统指标的实际指标数值。
进一步地,在本实施例中,步骤S30包括:
若所述实际指标数值与所述标准指标数值不匹配,则基于所述机械手调节所述工业相机位置、调试所述工业相机的相机参数和/或调试系统光源,以动态更新所述实际指标数值;
直至检测到更新后的实际指标数值与所述标准指标数值匹配时,确定当前已完成复现所述样机视觉系统。
在本实施例中,若经视觉系统复现设备判定,初始复制视觉系统此时在预设系统指标上的实际指标数值与标准指标数值不匹配,则可针对不匹配的系统指标对系统中的设备机构进行调试,视觉系统复现设备可动态更新显示复制视觉系统当前在系统指标上的实际指标数值,以便针对不合格的系统指标进行精准调试,直至系统指标全部调试完毕,即可判定当前已完成样机视觉系统的复现。例如,当前不合格的系统指标为相机曝光度与相机焦距,则可针对这两项不合格的系统指标,对复制视觉系统中的工业相机进行曝光度与焦距的参数调整,以将曝光度与焦距这两项系统指标的实际指标数值调整到标准指标数值的误差范围,以完成视觉系统复现。
进一步地,在本实施例中,所述直至检测到更新后的实际指标数值与所述标准指标数值匹配时,确定当前已完成复现所述样机视觉系统的步骤之后,还包括:
将当前已完成调试的所述初始复制视觉系统确定为第一目标视觉系统,保存所述第一目标视觉系统中所述系统光源、工业相机与机械手的配置参数,并将所述缺陷检测模型部署在所述第一目标视觉系统中,以基于所述第一目标视觉系统量产目标检测设备。
在本实施例中,配置参数包括位置参数与设置参数,例如,对于系统中的工业相机,其对应的位置参数为相机放置位置的具体数据,对应的配置参数可包括焦距数据、曝光度数据等。视觉系统复现设备将经过调试后的初始复制视觉系统作为第一目标视觉系统,保存第一目标视觉系统中系统光源、工业相机与机械手中的一种或是多种配置参数,并将缺陷检测模型部署在量产设备上。
作为一具体实施例,现有一套检测手机后壳表面划痕、异物、脏污等缺陷的外观检测设备,经过一段时间的调试,已完成样机验收,现客户计划新下单20套,希望交期1个月,现场部署半个月完成。具体步骤如下:
首先,根据样机视野范围250mm*209mm,选取合适的校验靶标规格100mm规格,设备检测精度要求为0.1mm,可直接印刷在硬纸板上;然后,在调整好的样机上安装校验软件,并把印有靶标的硬纸板粘贴到一个特制载具上,然后放置到待校验的相机视野范围内,连接相机,点击学习按钮创建并保存模板;再在量产设备上,首先也要安装校验软件,然后把从样机上学习的模板文件拷贝到本机校验软件指定目录下,点击设置范围按钮逐一设置系统指标的校验范围,然后把靶标放置到待校验的相机视野范围内;最后不断调整相机、光源和机构直至软件界面显示全部绿色通过,即可锁定相机、光源和机构的当前位置,完成系统复现,整个过程只需30min。
在本实施例中,进一步通过确定试用的靶标规格创建对应的目标校验靶标,使得基于目标校验靶标而得到的系统指标数值更加准确;通过以目标校验靶标作为参照物来获取实际指标数值,并有针对性地动态调试复制视觉系统中不合格的系统指标,极大提升了系统调试效率;通过在完成调试后锁定并保存当前视觉系统中的设备配置参数,提升了量产目标检测设备的效率。
进一步地,图中未示的,基于上述图2所示的第一实施例,提出本发明视觉系统复现方法的第三实施例。在本实施例中,所述判断所述实际指标数值是否与所述标准指标数值匹配的步骤之后,还包括:
若匹配,则将所述初始复制视觉系统确定为第二目标视觉系统,并将所述缺陷检测模型部署在所述第二目标视觉系统中,以基于所述第二目标视觉系统量产目标检测设备。
在本实施例中,若视觉系统复现设备直接判定初始复制视觉系统的实际指标数值与样机视觉系统的标准指标数值匹配,则将当前各项系统指标直接判定为合格的初始复制视觉系统作为第二目标视觉系统,保存第二目标视觉系统中各种设备的一种或是多种配置参数,并将缺陷检测模型部署在量产设备上,以量产目标检测设备。
进一步地,在本实施例中,所述判断所述实际指标数值是否与所述标准指标数值匹配的步骤包括:
获取所述实际指标数值与所述标准指标数值之间的指标差值,并判断所述指标差值是否超出预设差值范围;
若否,则判定所述实际指标数值与所述标准指标数值匹配;
若是,则判定所述实际指标数值与所述标准指标数值不匹配。
在本实施例中,若预设系统指标为多种,可根据不同的系统指标设置不同的差值范围,也可对其中的一种或多种系统指标设置同一差值范围。本实施例对此不做具体限定。视觉系统复现设备将当前初始复制视觉系统中的实际指标数值与样机视觉系统中的标准指标数值进行比较,获取与各项系统指标对应的指标差值,并判断其是否超出预设差值范围。若各项指标差值均为超出预设差值范围,则视觉系统复现设备即可判定当前的实际指标数值与标准指标数值匹配;若视觉系统复现设备判定各项指标差值中存在一项或是多项超出了预设差值范围,则可判定当前的实际指标数值与标准指标数值不匹配。
进一步地,在本实施例中,还包括:
所述系统指标包括:位置指标、视野范围指标、角度指标、焦距指标与曝光度指标。
在本实施例中,位置指标可包括X轴位置Position-X与Y轴位置Position-Y,视野范围指标可包括横轴视觉范围(FOV,Field of View)-X与纵轴视觉范围FOV-Y,角度指标可包括X轴方向倾斜角Rotation-X、Y轴方向倾斜角Rotation-Y与角度Angle,焦距指标为相机焦距Focus,曝光度指标为相机曝光度Intensity。
在本实施例中,进一步通过设置预设差值范围,简化了实际指标数值与标准指标数值的匹配判断过程,从而提高了判断效率;通过细化出多项系统指标,使得系统指标能够全面准确地反映出视觉系统的检测效果,从而提升了系统检测准确度。
本发明还提供一种种视觉系统复现设备。
所述种视觉系统复现设备包括处理器、存储器及存储在所述存储器上并可在所述处理器上运行的视觉系统复现程序,其中所述视觉系统复现程序被所述处理器执行时,实现如上所述的视觉系统复现方法的步骤。
其中,所述视觉系统复现程序被执行时所实现的方法可参照本发明视觉系统复现方法的各个实施例,此处不再赘述。
本发明还提供一种计算机可读存储介质。
本发明计算机可读存储介质上存储有视觉系统复现程序,所述视觉系统复现程序被处理器执行时实现如上所述的视觉系统复现方法的步骤。
其中,所述视觉系统复现程序被执行时所实现的方法可参照本发明视觉系统复现方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种视觉系统复现方法,其特征在于,所述视觉系统复现方法包括:
基于预设已调试的样机视觉系统创建目标校验靶标,并根据预设基于深度学习的缺陷检测模型与所述目标校验靶标,获取所述样机视觉系统在预设系统指标上的标准指标数值;
所述基于预设已调试的样机视觉系统创建目标校验靶标的步骤包括:
获取所述样机视觉系统的样机视野范围,并基于所述样机视野范围确定目标校验靶标规格;
根据所述目标校验靶标规格,创建所述目标校验靶标;
基于所述缺陷检测模型与目标校验靶标,获取预设初始复制视觉系统在所述系统指标上的实际指标数值,并判断所述实际指标数值是否与所述标准指标数值匹配;
其中,所述初始复制视觉系统中包括系统光源与工业相机;
所述基于所述缺陷检测模型与目标校验靶标,获取预设初始复制视觉系统在所述系统指标上的实际指标数值的步骤包括:
获取所述工业相机的相机视野范围,并将所述目标校验靶标设置在所述相机视野范围之内;
开启所述系统光源,并利用所述工业相机获取包含所述目标校验靶标的靶标图像;
将所述靶标图像输入所述缺陷检测模型,以获取所述实际指标数值;
若不匹配,则对所述初始复制视觉系统进行调试,并动态更新所述实际指标数值,直至检测到更新后的实际指标数值与所述标准指标数值匹配,以复现所述样机视觉系统;
其中,所述初始复制视觉系统中还包括用于调节所述工业相机位置的机械手;
所述若不匹配,则对所述初始复制视觉系统进行调试,并动态更新所述实际指标数值,直至检测到更新后的实际指标数值与所述标准指标数值匹配,以复现所述样机视觉系统的步骤包括:
若所述实际指标数值与所述标准指标数值不匹配,则基于所述机械手调节所述工业相机位置、调试所述工业相机的相机参数和/或调试系统光源,以动态更新所述实际指标数值;
直至检测到更新后的实际指标数值与所述标准指标数值匹配时,确定当前已完成复现所述样机视觉系统。
2.如权利要求1所述的视觉系统复现方法,其特征在于,所述直至检测到更新后的实际指标数值与所述标准指标数值匹配时,确定当前已完成复现所述样机视觉系统的步骤之后,还包括:
将当前已完成调试的所述初始复制视觉系统确定为第一目标视觉系统,保存所述第一目标视觉系统中所述系统光源、工业相机与机械手的配置参数,并将所述缺陷检测模型部署在所述第一目标视觉系统中,以基于所述第一目标视觉系统量产目标检测设备。
3.如权利要求1所述的视觉系统复现方法,其特征在于,所述判断所述实际指标数值是否与所述标准指标数值匹配的步骤之后,还包括:
若匹配,则将所述初始复制视觉系统确定为第二目标视觉系统,并将所述缺陷检测模型部署在所述第二目标视觉系统中,以基于所述第二目标视觉系统量产目标检测设备。
4.如权利要求1所述的视觉系统复现方法,其特征在于,所述判断所述实际指标数值是否与所述标准指标数值匹配的步骤包括:
获取所述实际指标数值与所述标准指标数值之间的指标差值,并判断所述指标差值是否超出预设差值范围;
若否,则判定所述实际指标数值与所述标准指标数值匹配;
若是,则判定所述实际指标数值与所述标准指标数值不匹配。
5.如权利要求1-4任一项所述的视觉系统复现方法,其特征在于,所述系统指标包括:位置指标、视野范围指标、角度指标、焦距指标与曝光度指标。
6.一种视觉系统复现设备,其特征在于,所述视觉系统复现设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的视觉系统复现程序,所述视觉系统复现程序被所述处理器执行时实现如权利要求1至5中任一项所述的视觉系统复现方法的步骤。
7.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有视觉系统复现程序,所述视觉系统复现程序被处理器执行时实现如权利要求1至5中任一项所述的视觉系统复现方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400309.5A CN111598152B (zh) | 2020-05-12 | 2020-05-12 | 视觉系统复现方法、设备及计算机可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010400309.5A CN111598152B (zh) | 2020-05-12 | 2020-05-12 | 视觉系统复现方法、设备及计算机可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111598152A CN111598152A (zh) | 2020-08-28 |
CN111598152B true CN111598152B (zh) | 2023-06-13 |
Family
ID=72192213
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010400309.5A Active CN111598152B (zh) | 2020-05-12 | 2020-05-12 | 视觉系统复现方法、设备及计算机可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111598152B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112797944B (zh) * | 2020-12-26 | 2022-12-09 | 深兰智能科技(上海)有限公司 | 柔性检测方法、装置、设备及计算机可读存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110118784A (zh) * | 2019-06-20 | 2019-08-13 | 山西大数据产业发展有限公司 | 基于机器视觉的钢卷表面质量缺陷检测系统 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8509600B2 (en) * | 2011-08-03 | 2013-08-13 | Qatar Foundation | Copy detection |
CN110619618B (zh) * | 2018-06-04 | 2023-04-07 | 杭州海康威视数字技术股份有限公司 | 一种表面缺陷检测方法、装置及电子设备 |
CN109242829A (zh) * | 2018-08-16 | 2019-01-18 | 惠州学院 | 基于小样本深度学习的液晶屏缺陷检测方法、系统及装置 |
CN109493389B (zh) * | 2018-10-15 | 2021-11-09 | 同济大学 | 一种基于深度学习的相机标定方法及系统 |
CN109406533A (zh) * | 2018-10-25 | 2019-03-01 | 北京阿丘机器人科技有限公司 | 一种产品表面缺陷的检测系统及方法 |
CN110516707B (zh) * | 2019-07-19 | 2023-06-02 | 深圳力维智联技术有限公司 | 一种图像标注方法及其装置、存储介质 |
CN110880179A (zh) * | 2019-12-20 | 2020-03-13 | 易思维(杭州)科技有限公司 | 视觉传感器工作状态测试方法 |
CN111080633A (zh) * | 2019-12-20 | 2020-04-28 | Oppo(重庆)智能科技有限公司 | 屏缺陷检测方法、装置、终端设备以及存储介质 |
-
2020
- 2020-05-12 CN CN202010400309.5A patent/CN111598152B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110118784A (zh) * | 2019-06-20 | 2019-08-13 | 山西大数据产业发展有限公司 | 基于机器视觉的钢卷表面质量缺陷检测系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111598152A (zh) | 2020-08-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104581136B (zh) | 图像校准系统和立体摄像机的校准方法 | |
CN1316427C (zh) | 产生与装置链的装置的缺陷相关的格式化信息的方法和系统 | |
CN104870967B (zh) | 用于检查眼镜片的光学特性的符合性的方法以及相关设备 | |
JP4416795B2 (ja) | 補正方法 | |
US20150212019A1 (en) | Pattern inspection device and pattern inspection method | |
US20050135670A1 (en) | CAD modeling system and method | |
KR20080033897A (ko) | 마스크 디자인과 마스크 제조를 위한 마스크 검사 방법 | |
KR20120083854A (ko) | 조정 장치, 레이저 가공 장치 및 조정 방법 | |
CN111598152B (zh) | 视觉系统复现方法、设备及计算机可读存储介质 | |
US11176651B2 (en) | Computer-controlled 3D analysis of collectible objects | |
KR100650366B1 (ko) | 그레이톤 마스크의 결함 검사 방법 | |
KR20100111620A (ko) | 포토리소그래피 마스크의 리페어 검증 방법 | |
WO2023173691A1 (zh) | 一种光刻机匹配方法 | |
US20080292304A1 (en) | Projection Type Image Display Apparatus And Projection Type Image Display System | |
CN116433780A (zh) | 一种基于机器视觉的激光结构光自动标定方法 | |
JPH10122817A (ja) | レーザマスクリペアでのマスクの位置合せ方法 | |
FR2836576A1 (fr) | Procede et appareil d'affichage d'une image d'un materiau en feuille et de coupe de parties du materiau en feuille, et procede associe d'acquisition de donnees d'images | |
CN113645398B (zh) | 一种基于自动对焦功能的尺寸测量仪系统 | |
WO2022121314A1 (zh) | 显示屏色域调节方法及装置 | |
JPWO2020158325A1 (ja) | 光学部材の位置調整支援装置、光学部材の位置調整支援方法、光学部材の位置調整支援プログラム、レンズ装置の製造方法 | |
JP2004132703A (ja) | 測定システム、演算方法および演算プログラム | |
JPH1097983A (ja) | 位置検出方法 | |
CN113052294A (zh) | 用于模拟第二摄影机物镜的方法及配置方法和电影摄影机 | |
US20220254041A1 (en) | Image processing device, storage medium, and image processing method | |
JP2020135660A (ja) | 情報管理装置及び情報管理方法 |
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 |