CN112655017A - 图像检查系统设计装置、图像检查系统设计方法以及图像检查系统设计程序 - Google Patents
图像检查系统设计装置、图像检查系统设计方法以及图像检查系统设计程序 Download PDFInfo
- Publication number
- CN112655017A CN112655017A CN201980058215.XA CN201980058215A CN112655017A CN 112655017 A CN112655017 A CN 112655017A CN 201980058215 A CN201980058215 A CN 201980058215A CN 112655017 A CN112655017 A CN 112655017A
- Authority
- CN
- China
- Prior art keywords
- inspection system
- image inspection
- information indicating
- workpiece
- image
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 227
- 238000013461 design Methods 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims description 48
- 238000011960 computer-aided design Methods 0.000 claims description 28
- 230000006870 function Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 description 18
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004381 surface treatment Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Abstract
本发明提供一种图像检查系统设计装置、图像检查系统设计方法以及图像检查系统设计程序,以不具有专业知识的人也能进行图像检查系统的设计的方式进行支持。图像检查系统设计装置10包括:输入部10e,受理表示图像检查系统100的检查内容的信息、及表示成为图像检查系统100的检查对象的工件1的绝对尺寸的信息的输入;以及计算部13,向基于以往的事例所生成的学习模型12输入表示检查内容的信息及表示绝对尺寸的信息,基于学习模型12的输出而算出构成图像检查系统100的机器的参数。
Description
技术领域
本发明涉及一种图像检查系统设计装置、图像检查系统设计方法以及图像检查系统设计程序。
背景技术
以往,有时在制品的制造线中导入图像检查系统,进行零件或成品的检查。此时,需要以能够适当地拍摄对象物的状态的方式,设计包含照明、透镜及摄像机的机器的配置或光学特性。
例如下述专利文献1中记载了一种模拟装置,其具有:移动体,包括将被摄物照明的光源以及以单线单位进行拍摄的光学系统及拍摄元件;以及图像输入部件,移动体沿一个方向扫描而输入被摄物的二维图像。模拟装置将表示被摄物的光学特性的理想图像作为对象而设定图像输入条件,以所设定的信号处理条件使用理想图像算出信号,生成以所设定的信号处理条件进行了信号处理的图像信号。
现有技术文献
专利文献
专利文献1:日本专利特开2002-41581号公报
发明内容
发明所要解决的问题
根据专利文献1所记载的技术,关于图像输入装置,可将光学系统、机械系统、电气系统及信号处理系统综合模拟,减少制品开发的尝试次数,削减制品化的开发期间及成本。
但是,图像检查系统需要在每个使用现场调整照明的位置或种类,或者选定透镜或摄像机的位置或种类。因此,以往在使用图像检查系统的情况下,有时专业的作业员基于独自的诀窍(knowhow)来进行图像检查系统的设计。有时难以确保这种具有专业知识的人材,而妨碍导入图像检查系统。
因此,本发明提供一种图像检查系统设计装置,图像检查系统设计方法以及图像检查系统设计程序,以不具有专业知识的人也能进行图像检查系统的设计的方式进行支持。
解决问题的技术手段
本公开的一实施例的图像检查系统设计装置包括:输入部,受理表示图像检查系统的检查内容的信息、及表示成为图像检查系统的检查对象的工件的绝对尺寸的信息的输入;以及计算部,向基于以往的事例所生成的学习模型输入表示检查内容的信息及表示绝对尺寸的信息,并基于学习模型的输出而算出构成图像检查系统的机器的参数。
根据所述实施例,通过输入表示图像检查系统的检查内容的信息、及表示成为图像检查系统的检查对象的工件的绝对尺寸的信息,从而可算出构成图像检查系统的机器的参数,即便是不具有专业知识的人,也能进行图像检查系统的设计。
所述实施例中,输入部可还受理表示工件的特性的信息的输入,且学习模型为使表示检查内容的信息、表示绝对尺寸的信息及表示工件的特性的信息与参数有关的模型。
根据所述实施例,可根据工件的特性来算出构成图像检查系统的机器的参数。
所述实施例中,表示工件的特性的信息可包含拍摄工件所得的图像。
根据所述实施例,即便是不具有专业知识的人,也可容易地输入表示工件的特性的信息。
所述实施例中,学习模型可包含:第一神经网络,基于图像来识别工件的特性。
根据所述实施例,可根据拍摄工件所得的图像来识别工件的特性,并根据工件的特性来算出构成图像检查系统的机器的参数。
所述实施例中,表示绝对尺寸的信息可包含工件的二维计算机辅助设计(Computer Aided Design,CAD)数据及工件的三维CAD数据的至少任一个。
根据所述实施例,即便是不具有专业知识的人,也可容易地输入表示工件的绝对尺寸的信息。
所述实施例中,学习模型可包含:第二神经网络,基于二维CAD数据及三维CAD数据的至少任一个来识别工件的绝对尺寸。
根据所述实施例,可根据二维CAD数据及三维CAD数据的至少任一个来识别工件的绝对尺寸,并根据工件的绝对尺寸来算出构成图像检查系统的机器的参数。
所述实施例中,表示检查内容的信息可包含表示工件的种类、部位及状态的至少任一个的信息。
根据所述实施例,即便是不具有专业知识的人,也可适当地输入表示检查内容的信息。
所述实施例中,学习模型可包含:第三神经网络,根据表示检查内容的信息来识别检查内容的项目。
根据所述实施例,可根据表示检查内容的信息来识别检查内容的项目,并根据检查内容来算出构成图像检查系统的机器的参数。
所述实施例中,学习模型可包含使表示检查内容的信息及表示绝对尺寸的信息与参数相关联的数据库。
根据所述实施例,能以相对较少的运算量算出构成图像检查系统的机器的参数。
本公开的另一实施例的图像检查系统设计方法包括:受理表示图像检查系统的检查内容的信息、及表示成为图像检查系统的检查对象的工件的绝对尺寸的信息的输入;以及向基于以往的事例所生成的学习模型输入表示检查内容的信息及表示绝对尺寸的信息,基于学习模型的输出而算出构成图像检查系统的机器的参数。
根据所述实施例,通过输入表示图像检查系统的检查内容的信息、及表示成为图像检查系统的检查对象的工件的绝对尺寸的信息,从而可算出构成图像检查系统的机器的参数,即便是不具有专业知识的人,也能进行图像检查系统的设计。
本公开的另一实施例的图像检查系统设计程序使图像检查系统设计装置所包括的处理器作为计算部发挥功能,所述图像检查系统设计装置包括:输入部,受理表示图像检查系统的检查内容的信息、及表示成为图像检查系统的检查对象的工件的绝对尺寸的信息的输入,所述计算部向基于以往的事例所生成的学习模型输入表示检查内容的信息及表示绝对尺寸的信息,基于学习模型的输出而算出构成图像检查系统的机器的参数。
根据所述实施例,通过受理表示图像检查系统的检查内容的信息、及表示成为图像检查系统的检查对象的工件的绝对尺寸的信息,从而可算出构成图像检查系统的机器的参数,即便是不具有专业知识的人,也能进行图像检查系统的设计。
发明的效果
根据本发明,可提供一种图像检查系统设计装置、图像检查系统设计方法以及图像检查系统设计程序,以不具有专业知识的人也能进行图像检查系统的设计的方式进行支持。
附图说明
图1为表示由本发明的实施方式的图像检查系统设计装置设计的图像检查系统的概要的图。
图2为表示本实施方式的图像检查系统设计装置的功能块的图。
图3为表示本实施方式的图像检查系统设计装置的物理结构的图。
图4为表示输入至本实施方式的图像检查系统设计装置的数据及输出的数据的一例的图。
图5为表示由本实施方式的图像检查系统设计装置执行的参数计算处理的流程图。
图6为表示由本实施方式的变形例的图像检查系统设计装置执行的参数计算处理的流程图。
具体实施方式
参照附图对本发明的实施方式进行说明。另外,各图中,标注相同符号的部分具有相同或同样的结构。
图1为表示由本发明的实施方式的图像检查系统设计装置10设计的图像检查系统100的概要的图。图像检查系统100为基于由摄像机32所拍摄的工件1的图像来进行工件1的检查的系统。另外,图1所示的图像检查系统100为一例,图像检查系统100可包含未图示的任意的机器,也可不包含图示的机器的一部分。
图像检查系统100包含第一照明21、第二照明22、透镜31及摄像机32。第一照明21固定于距摄像机d1的距离且距工件1的d2的距离,向工件1投射光L。第二照明22自虚线所示的基准轴倾斜角度θ而固定,向工件1投光。由第一照明21及第二照明22照射的光经工件1反射,反射光R入射至透镜31。摄像机32拍摄由透镜31所聚光的反射光R。
在利用这种图像检查系统100进行工件1的图像检查的情况下,有时需要设计从摄像机32到第一照明21的距离d1、从工件1到第一照明21的距离d2、第二照明22的安装角度θ、透镜31的焦点距离及F值以及摄像机32的分辨率及灵敏度等参数。本说明书中,将第一照明21、第二照明22、透镜31及摄像机32统称为机器,将为了进行图像检查而需决定的距离d1、距离d2、角度θ、第一照明21及第二照明22的形状、光量及光的颜色、透镜31的焦点距离及F值以及摄像机32的分辨率及灵敏度统称为机器的参数。另外,图像检查系统100可包含任意的机器,机器的参数可包含确定机器的位置、姿势及光学特性的量。
图2为表示本实施方式的图像检查系统设计装置10的功能块的图。图像检查系统设计装置10包括输入部10e、存储部11、计算部13及显示部10f。
输入部10e受理表示图像检查系统100的检查内容的信息、及表示成为图像检查系统100的检查对象的工件1的绝对尺寸的信息的输入。此处,表示图像检查系统100的检查内容的信息可包含表示工件1的种类、部位及状态的至少任一个的信息。
表示检查内容的信息例如能以“检查目标A的部位B的状态X”等形式描述。此处,目标例如可为发动机组(engine block)、塑料瓶盖、糖果盒、电子基板及芯片电容器等。而且,部位例如可为螺孔、顶面、侧面、本体、电极、切削面及保质期印字等。状态例如可为宽度、长度、面积、大小、方向、形状、有无伤痕、有无污染及有无毛边等。图像检查系统设计装置10也可通过显示部10f来显示目标(工件的种类)、工件的部位及作为检查对象的状态的选择候选,通过输入部10e受理选择。由此,即便是不具有专业知识的人,也可适当地输入表示检查内容的信息。
表示成为图像检查系统100的检查对象的工件1的绝对尺寸的信息可包含工件1的二维CAD数据及工件的三维CAD数据的至少任一个。工件1的二维CAD数据及工件的三维CAD数据可包含以规定的单位系表示工件1的尺寸的信息。由此,即便是不具有专业知识的人,也可容易地输入表示工件1的绝对尺寸的信息。
输入部10e可还受理表示工件1的特性的信息的输入。此处,工件1的特性可包含工件1的形状、颜色、材质及表面处理的种类等。表示工件1的特性的信息可包含拍摄工件1所得的图像。由此,即便是不具有专业知识的人,也可容易地输入表示工件1的特性的信息。另外,表示工件1的特性的信息可包含对工件1在不同方向、不同距离或不同照明下拍摄所得的多个图像。
存储部11存储学习模型12。学习模型12可为使表示检查内容的信息、表示绝对尺寸的信息及表示工件1的特性的信息与构成图像检查系统100的机器的参数有关的模型。如后述,学习模型12可包含神经网络。当然,学习模型12可包含存储了以往的事例的数据库,也可为二叉树或支持向量机等模型。
计算部13向基于以往的事例所生成的学习模型12输入表示检查内容的信息及表示绝对尺寸的信息,基于学习模型12的输出而算出构成图像检查系统100的机器的参数。如后述,计算部13可包含神经网络。
根据本实施方式的图像检查系统设计装置10,通过输入表示图像检查系统100的检查内容的信息、及表示成为图像检查系统100的检查对象的工件1的绝对尺寸的信息,从而可算出构成图像检查系统100的机器的参数,即便是不具有专业知识的人,也能进行图像检查系统100的设计。而且,可根据工件1的特性来算出构成图像检查系统100的机器的参数。
图3为表示本实施方式的图像检查系统设计装置10的物理结构的图。图像检查系统设计装置10具有相当于运算装置的中央处理器(Central Processing Unit,CPU)10a、相当于存储部11的随机存取存储器(Random Access Memory,RAM)10b、相当于存储部11的只读存储器(Read only Memory,ROM)10c、通信部10d、输入部10e及显示部10f。这些各结构经由总线相互可收发数据地连接。另外,本例中对图像检查系统设计装置10包含一台计算机的情况进行说明,但图像检查系统设计装置10也可使用多个计算机来实现。
CPU 10a为进行存储于RAM 10b或ROM 10c的程序的执行相关的控制或数据的运算、加工的控制部。CPU 10a为执行下述程序(图像检查系统设计程序)的运算装置,即:向学习模型12输入表示检查内容的信息及表示绝对尺寸的信息,执行利用学习模型12的运算,基于学习模型12的输出而算出构成图像检查系统100的机器的参数。CPU 10a从输入部10e或通信部10d接收各种输入数据,或将运算结果显示于显示部10f,或保存于RAM 10b或ROM10c。
RAM 10b为存储部11中可改写数据的存储部,例如包含半导体存储元件。RAM 10b存储CPU 10a执行的图像检查系统设计程序、或学习模型12等数据。
ROM 10c为存储部11中可读出数据的存储部,例如包含半导体存储元件。ROM 10c例如存储图像检查系统设计程序、或不进行改写的数据。
通信部10d为将图像检查系统设计装置10连接于外部机器的接口。通信部10d可为国际互联网或局域网(Local Area Network,LAN)的接口。
输入部10e从用户受理数据的输入,例如可包含键盘、鼠标及触控面板。
显示部10f以视觉方式显示CPU 10a的运算结果,例如包含液晶显示器(LiquidCrystal Display,LCD)。
图像检查系统设计程序可存储于RAM 10b或ROM 10c等可由计算机读取的存储介质而提供,或也可经由通过通信部10d而连接的通信网络来提供。图像检查系统设计装置10中,通过CPU 10a执行图像检查系统设计程序,从而实现使用图2所说明的学习模型12及计算部13的动作。另外,这些物理结构为例示,也可未必为独立的结构。例如,图像检查系统设计装置10也可包括CPU 10a与RAM 10b或ROM 10c一体化的大规模集成电路(Large-ScaleIntegration,LSI)。
图4为表示输入至本实施方式的图像检查系统设计装置10的数据及输出的数据的一例的图。如所述图所示,本实施方式的图像检查系统设计装置10的学习模型12包含第一神经网络12a、第二神经网络12b及第三神经网络12c。而且,计算部13包含第四神经网络。
学习模型12包含:第一神经网络12a,基于工件1的图像来识别工件1的特性。第一神经网络12a可为下述学习完毕的神经网络,即:使用包含工件1的图像以及表示工件1的形状、颜色、材质及表面处理的种类等工件1的特性的信息的学习数据,以在输入了工件1的图像时,输出适当的表示工件1的特性的信息的方式进行了学习。通过使用第一神经网络12a,从而可根据拍摄工件1所得的图像来识别工件1的特性,并根据工件1的特性来算出构成图像检查系统100的机器的参数。
学习模型12包含:第二神经网络12b,基于工件1的二维CAD数据及三维CAD数据的至少任一个来识别工件1的绝对尺寸。第二神经网络12b可为下述学习完毕的神经网络,即:使用包含工件1的二维CAD数据及三维CAD数据的至少任一个、以及表示工件1的绝对尺寸的数值信息的学习数据,以在输入了工件1的二维CAD数据及三维CAD数据的至少任一个时,输出适当的表示工件1的绝对尺寸的信息的方式进行了学习。通过使用第二神经网络12b,从而可根据二维CAD数据及三维CAD数据的至少任一个来识别工件1的绝对尺寸,并根据工件1的绝对尺寸来算出构成图像检查系统100的机器的参数。
学习模型12包含:第三神经网络12c,根据表示检查内容的信息来识别检查内容的项目。第三神经网络12c可为下述学习完毕的神经网络,即:使用包含以“检查目标A的部位B的状态X”等形式记载的表示检查内容的信息以及表示目标、部位及状态的项目的学习数据,以在输入了表示检查内容的信息时,输出适当的检查内容的项目的方式进行了学习。通过使用第三神经网络12bc,从而可根据表示检查内容的信息来识别检查内容的项目,并根据检查内容来算出构成图像检查系统100的机器的参数。
计算部13包含:第四神经网络,将第一神经网络12a的输出、第二神经网络12b的输出及第三神经网络12c的输出作为输入,输出构成图像检查系统100的机器的参数。第四神经网络为下述学习完毕的神经网络,即:使用包含输入了拍摄工件1所得的图像时的第一神经网络12a的输出、输入了工件1的二维CAD数据及工件的三维CAD数据的至少任一个时的第二神经网络12b的输出、及输入了表示图像检查系统100的检查内容的信息时的第三神经网络12c的输出、以及构成图像检查系统100的机器的参数的学习数据,以在输入了第一神经网络12a的输出、第二神经网络12b的输出及第三神经网络12c的输出时,输出适当的机器的参数的方式进行了学习。第四神经网络输出表示构成图像检查系统100的机器的配置或光学特性的参数。这样,可算出构成图像检查系统100的机器的参数,即便是不具有专业知识的人,也能进行图像检查系统100的设计。
图5为由本实施方式的图像检查系统设计装置10执行的参数计算处理的流程图。首先,图像检查系统设计装置10受理表示检查内容的信息的输入(S10)。接下来,图像检查系统设计装置10受理表示工件1的绝对尺寸的CAD数据的输入(S11)。接下来,图像检查系统设计装置10受理表示工件1的特性的图像的输入(S12)。另外,受理这些信息的输入的顺序为任意。
图像检查系统设计装置10向第一神经网络12a输入图像(S13),向第二神经网络12b输入CAD数据(S14),向第三神经网络12c输入检查内容(S15)。接下来,图像检查系统设计装置10将第一神经网络12a的输出、第二神经网络12b的输出及第三神经网络12c的输出输入至第四神经网络(S16)。
最后,图像检查系统设计装置10基于第四神经网络的输出,算出构成图像检查系统100的机器的参数(S17)。通过以上步骤,参数计算处理结束。
图6为由本实施方式的变形例的图像检查系统设计装置10执行的参数计算处理的流程图。本实施方式的变形例的图像检查系统设计装置10的学习模型12包含使表示检查内容的信息及表示绝对尺寸的信息、与构成图像检查系统100的机器的参数相关联的数据库。数据库可包含使目标(工件1的种类)、工件1的部位、作为检查对象的状态、工件1的绝对尺寸及工件1的图像与构成图像检查系统100的机器的参数相关联的表。
首先,图像检查系统设计装置10受理表示检查内容的信息的输入(S20)。接下来,图像检查系统设计装置10受理表示工件1的绝对尺寸的CAD数据的输入(S21)。接下来,图像检查系统设计装置10受理表示工件1的特性的图像的输入(S22)。另外,受理这些信息的输入的顺序为任意。
图像检查系统设计装置10将检查内容作为搜索关键字来搜索数据库(S23)。图像检查系统设计装置10可搜索与作为搜索关键字而输入的检查内容的项目完全一致的以往的事例,或搜索部分一致的以往的事例,或搜索类似的以往的事例。
接下来,图像检查系统设计装置10将输入的图像与搜索结果中所含的图像进行比较,锁定为类似度为规定值以上的数据(S24)。将检查内容作为搜索关键字而提取的以往的事例包含工件1的图像。图像检查系统设计装置10可算出所输入的图像与所提取的以往的事例的图像的类似度,将搜索结果例如锁定为类似度为上位规定比例的数据。
随后,图像检查系统设计装置10将所输入的绝对尺寸与搜索结果中所含的绝对尺寸进行比较,锁定为类似度为规定值以上的数据(S25)。使用图像锁定的搜索结果包含工件1的绝对尺寸。图像检查系统设计装置10可算出所输入的绝对尺寸与所提取的以往的事例的绝对尺寸的类似度,将搜索结果例如锁定为类似度为上位规定比例的数据。
最后,图像检查系统设计装置10基于锁定的搜索结果,算出构成图像检查系统100的机器的参数(S26)。图像检查系统设计装置10例如可通过锁定的搜索结果中所含的机器的参数的平均,而算出构成图像检查系统100的机器的参数。这样,可通过数据库的搜索以相对较少的运算量算出构成图像检查系统100的机器的参数。通过以上步骤,由本实施方式的变形例的图像检查系统设计装置10执行的参数计算处理结束。
以上说明的实施方式是为了使本发明的理解容易,并非限定解释本发明。实施方式所包括的各元件及其配置、材料、条件、形状及尺寸等不限定于例示,可适当变更。而且,可将不同实施方式所示的结构彼此局部地替换或组合。
[附注]
一种图像检查系统设计装置(10),包括:
输入部(10e),受理表示图像检查系统(100)的检查内容的信息、及表示成为所述图像检查系统(100)的检查对象的工件(1)的绝对尺寸的信息的输入;以及
计算部(13),向基于以往的事例所生成的学习模型(12)输入表示所述检查内容的信息以及表示所述绝对尺寸的信息,基于所述学习模型(12)的输出而算出构成所述图像检查系统(100)的机器的参数。
符号的说明
1:工件
10:图像检查系统设计装置
10a:CPU
10b:RAM
10c:ROM
10d:通信部
10e:输入部
10f:显示部
11:存储部
12:学习模型
12a:第一神经网络
12b:第二神经网络
12c:第三神经网络
13:计算部
21:第一照明
22:第二照明
31:透镜
32:摄像机
100:图像检查系统
Claims (11)
1.一种图像检查系统设计装置,包括:
输入部,受理表示图像检查系统的检查内容的信息、及表示成为所述图像检查系统的检查对象的工件的绝对尺寸的信息的输入;以及
计算部,向基于以往的事例所生成的学习模型输入表示所述检查内容的信息及表示所述绝对尺寸的信息,基于所述学习模型的输出而算出构成所述图像检查系统的机器的参数。
2.根据权利要求1所述的图像检查系统设计装置,其中,
所述输入部还受理表示所述工件的特性的信息的输入,
所述学习模型为使表示所述检查内容的信息、表示所述绝对尺寸的信息及表示所述工件的特性的信息与所述参数有关的模型。
3.根据权利要求2所述的图像检查系统设计装置,其中,
表示所述工件的特性的信息包含拍摄所述工件所得的图像。
4.根据权利要求3所述的图像检查系统设计装置,其中,
所述学习模型包含:第一神经网络,基于所述图像来识别所述工件的特性。
5.根据权利要求1至4中任一项所述的图像检查系统设计装置,其中,
表示所述绝对尺寸的信息包含所述工件的二维计算机辅助设计数据及所述工件的三维计算机辅助设计数据的至少任一个。
6.根据权利要求5所述的图像检查系统设计装置,其中,
所述学习模型包含:第二神经网络,基于所述二维计算机辅助设计数据及所述三维计算机辅助设计数据的至少任一个来识别所述工件的绝对尺寸。
7.根据权利要求1至6中任一项所述的图像检查系统设计装置,其中,
表示所述检查内容的信息包含表示所述工件的种类、部位及状态的至少任一个的信息。
8.根据权利要求7所述的图像检查系统设计装置,其中,
所述学习模型包含:第三神经网络,根据所述表示检查内容的信息来识别检查内容的项目。
9.根据权利要求1至8中任一项所述的图像检查系统设计装置,其中,
所述学习模型包含使表示所述检查内容的信息及表示所述绝对尺寸的信息与所述参数相关联的数据库。
10.一种图像检查系统设计方法,包括:
受理表示图像检查系统的检查内容的信息、及表示成为所述图像检查系统的检查对象的工件的绝对尺寸的信息的输入;以及
向基于以往的事例所生成的学习模型输入表示所述检查内容的信息及表示所述绝对尺寸的信息,基于所述学习模型的输出而算出构成所述图像检查系统的机器的参数。
11.一种图像检查系统设计程序,使图像检查系统设计装置所包括的处理器作为计算部发挥功能,
所述图像检查系统设计装置包括:输入部,受理表示图像检查系统的检查内容的信息、及表示成为所述图像检查系统的检查对象的工件的绝对尺寸的信息的输入,
所述计算部向基于以往的事例所生成的学习模型输入表示所述检查内容的信息及表示所述绝对尺寸的信息,基于所述学习模型的输出而算出构成所述图像检查系统的机器的参数。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018242927A JP2020106936A (ja) | 2018-12-26 | 2018-12-26 | 画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラム |
JP2018-242927 | 2018-12-26 | ||
PCT/JP2019/048075 WO2020137488A1 (ja) | 2018-12-26 | 2019-12-09 | 画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112655017A true CN112655017A (zh) | 2021-04-13 |
Family
ID=71129781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980058215.XA Pending CN112655017A (zh) | 2018-12-26 | 2019-12-09 | 图像检查系统设计装置、图像检查系统设计方法以及图像检查系统设计程序 |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2020106936A (zh) |
CN (1) | CN112655017A (zh) |
WO (1) | WO2020137488A1 (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63201876A (ja) * | 1987-02-18 | 1988-08-19 | Hitachi Ltd | 画像処理方法および装置 |
JPS63204373A (ja) * | 1987-02-19 | 1988-08-24 | Fuji Electric Co Ltd | 撮像用照明方法の設計支援装置 |
JPH07220058A (ja) * | 1991-07-12 | 1995-08-18 | Omron Corp | 照明条件設定支援装置および方法 |
US20050157920A1 (en) * | 2004-01-21 | 2005-07-21 | John Doherty | Machine vision system and method |
CN105555509A (zh) * | 2013-08-07 | 2016-05-04 | 麻省理工学院 | 增材制造设备的自动化过程控制 |
JP2017102755A (ja) * | 2015-12-02 | 2017-06-08 | 池上通信機株式会社 | 機械学習支援装置 |
CN108073942A (zh) * | 2016-11-16 | 2018-05-25 | 三星电子株式会社 | 执行材料识别和用于材料识别的训练的方法和设备 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06229957A (ja) * | 1993-02-01 | 1994-08-19 | Fujitsu Ltd | 材質判別方法 |
JP6626057B2 (ja) * | 2017-09-27 | 2019-12-25 | ファナック株式会社 | 検査装置及び検査システム |
-
2018
- 2018-12-26 JP JP2018242927A patent/JP2020106936A/ja active Pending
-
2019
- 2019-12-09 WO PCT/JP2019/048075 patent/WO2020137488A1/ja active Application Filing
- 2019-12-09 CN CN201980058215.XA patent/CN112655017A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63201876A (ja) * | 1987-02-18 | 1988-08-19 | Hitachi Ltd | 画像処理方法および装置 |
JPS63204373A (ja) * | 1987-02-19 | 1988-08-24 | Fuji Electric Co Ltd | 撮像用照明方法の設計支援装置 |
JPH07220058A (ja) * | 1991-07-12 | 1995-08-18 | Omron Corp | 照明条件設定支援装置および方法 |
US20050157920A1 (en) * | 2004-01-21 | 2005-07-21 | John Doherty | Machine vision system and method |
CN105555509A (zh) * | 2013-08-07 | 2016-05-04 | 麻省理工学院 | 增材制造设备的自动化过程控制 |
JP2017102755A (ja) * | 2015-12-02 | 2017-06-08 | 池上通信機株式会社 | 機械学習支援装置 |
CN108073942A (zh) * | 2016-11-16 | 2018-05-25 | 三星电子株式会社 | 执行材料识别和用于材料识别的训练的方法和设备 |
Also Published As
Publication number | Publication date |
---|---|
WO2020137488A1 (ja) | 2020-07-02 |
JP2020106936A (ja) | 2020-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
TWI539150B (zh) | 用於偵測檢查圖像中之缺陷的系統、方法及電腦程式產品 | |
US20180260669A1 (en) | Image processing apparatus, image processing method, template generation apparatus, object recognition processor, and object recognition processing program | |
TWI651687B (zh) | 三維模型建構方法及其系統 | |
JP6632288B2 (ja) | 情報処理装置、情報処理方法、プログラム | |
US20160224858A1 (en) | Method and device for recognizing a known object in a field of view of a three-dimensional machine vision system | |
Koniar et al. | Virtual instrumentation for visual inspection in mechatronic applications | |
TW202217664A (zh) | 基於機器學習之圖案分組方法 | |
CN108369915B (zh) | 减少配准及设计附近所引发的裸片内检验的噪声 | |
JP2023159360A (ja) | ビジョンシステムにより画像特徴におけるエッジと法線を同時に考慮するためのシステム及び方法 | |
KR20180014676A (ko) | 비전 시스템에서 3d 정렬 알고리즘의 자동 선택을 위한 시스템 및 방법 | |
Lenty et al. | Quality control automation of electric cables using machine vision | |
Parkot et al. | Development of an automated quality control system of confectionery using a vision system | |
Ogun et al. | 3D vision assisted flexible robotic assembly of machine components | |
Lyu et al. | Automated visual inspection expert system for multivariate statistical process control chart | |
CN112655017A (zh) | 图像检查系统设计装置、图像检查系统设计方法以及图像检查系统设计程序 | |
Fastowicz et al. | Combined metrics for quality assessment of 3d printed surfaces for aesthetic purposes: Towards higher accordance with subjective evaluations | |
Bennett et al. | Automatic defect classification: status and industry trends | |
KR20210008352A (ko) | 촬상된 품목의 결함을 검출하기 위한 시스템 및 방법 | |
Farnes et al. | Autofocus measurement for electronic components using deep regression | |
Sherman et al. | Automatic defect classification system for semiconductor wafers | |
Wu et al. | A surface defect detection method based on multi-feature fusion | |
Hargas et al. | Novel machine vision tools applied in biomechatronic tasks | |
López-Estrada et al. | Design and implementation of a vision system on an innovative single point micro-machining device for tool tip localization | |
JP6703672B1 (ja) | 検査対象品の欠陥検出方法、その装置及びそのコンピュータプログラム | |
Yu et al. | 3D vision based quality inspection with computational intelligence |
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 |