CN113016023B - 信息处理方法以及计算机可读的非暂时性记录介质 - Google Patents
信息处理方法以及计算机可读的非暂时性记录介质 Download PDFInfo
- Publication number
- CN113016023B CN113016023B CN201980074677.0A CN201980074677A CN113016023B CN 113016023 B CN113016023 B CN 113016023B CN 201980074677 A CN201980074677 A CN 201980074677A CN 113016023 B CN113016023 B CN 113016023B
- Authority
- CN
- China
- Prior art keywords
- image data
- input image
- similarity
- data
- error
- 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
- G06T7/0012—Biomedical image inspection
- G06T7/0014—Biomedical image inspection using an image reference approach
-
- 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
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
- G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
- G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
- G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
-
- 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
- G06T2207/30121—CRT, LCD or plasma display
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Computer Hardware Design (AREA)
- Image Analysis (AREA)
- Testing Of Optical Devices Or Fibers (AREA)
- Control Of Indicators Other Than Cathode Ray Tubes (AREA)
Abstract
本发明的目的在于提供一种能够抑制在显示器制造工序中检查时间增加的信息处理方法和计算机可读的非暂时性记录介质。所述信息处理方法具备误差计算步骤、相似度计算步骤、以及判定步骤,在所述误差计算步骤中,计算输入到自动编码器的输入图像数据与所述自动编码器输出的输出图像数据的误差,在所述相似度计算步骤中,基于用所述自动编码器的编码器压缩所述输入图像数据得到的压缩数据和基准数据,计算所述压缩数据与所述基准数据的相似度,在所述判定步骤中,基于所述误差与所述相似度的关系,判定所述输入图像数据的显示不均匀是否为可允许,其中,所述关系为关系式或表格。
Description
技术领域
本发明涉及一种信息处理方法和计算机程序。
背景技术
显示器图像显示部的显示画面因诸如制造品质偏差会出现显示不均匀的情况。这里所谓的显示不均匀既可以表示为亮度不均匀和色度不均匀中的一种,也可以表示为亮度不均匀和色度不均匀两者。在作为LCD(Liquid Crystal Display)显示器的图像显示部的液晶面板中,显示不均匀的原因可以列举液晶层厚度偏差、驱动二极管的动作特性偏差、以及背光的发光分布的偏差等。
在显示器的制造工序中,在组装显示器的各个部件之后,有时会设置检查工序来检查画面显示部的显示画面是否显示不均匀(例如专利文献1)。
现有技术文献
专利文献
专利文献1:日本特开2005-107155号公报
发明内容
发明要解决的问题
由于在传统显示器的制造工序中,靠检查员的经验来检测图像显示部显示不均匀等缺陷,所以,在传统的显示器制造工序中存在检查时间容易增大的问题。
本发明是鉴于这样的情况而完成的,其目的在于提供一种能够抑制显示器制造工序检查时间增大的问题的信息处理方法和计算机程序。
用于解决问题的技术方案
根据本发明,提供一种信息处理方法,具备误差计算步骤、相似度计算步骤、以及判定步骤,在所述误差计算步骤中,计算输入到自动编码器的输入图像数据与所述自动编码器输出的输出图像数据的误差,在所述相似度计算步骤中,基于用所述自动编码器的编码器压缩所述输入图像数据得到的压缩数据和基准数据,计算所述压缩数据与所述基准数据的相似度,在所述判定步骤中,基于所述误差与所述相似度的关系,判定所述输入图像数据的显示不均匀是否为可允许的,其中,所述关系为关系式或表格。
在本发明中的判定步骤中,基于上述误差和上述相似度的关系来判定显示不均匀是否为可允许的。第1:在本发明中,因为考虑到上述误差来判定显示不均匀是否为可允许的,所以能够从基于显示不均匀的强弱(像素值)的观点来分类图像数据。第2:在本发明中,因为考虑到上述相似度来判定显示不均匀是否为可允许的,所以能够从基于多样显示不均匀的图案的观点来分类图像数据。以上述方式,在本发明中,用上述两种观点来分类显示不均匀是否为可允许的,从而能够迅速判断图像数据是否为可允许的,因此可以抑制显示器检查时间增加。
以下,例示本发明的各种实施方式。以下示出的实施方式可以彼此组合。
优选提供一种进一步具备获取步骤的信息处理方法,在所述获取步骤中,通过对多个所述输入图像数据中的每一个执行第1步骤和第2步骤来计算多组关系获取用误差和关系获取用相似度,并基于所述关系获取用误差和所述关系获取用相似度获取所述关系,在第1步骤中,基于关系获取用输入图像数据、来自于所述自动编码器的关系获取用输出图像数据计算所述关系获取用误差,在第2步骤中,基于用所述自动编码器的所述编码器压缩所述关系获取用输入图像数据得到的关系获取用压缩数据和所述基准数据,计算所述关系获取用相似度。
优选提供一种信息处理方法,其中,所述自动编码器具有所述编码器和解码器,且所述自动编码器用学习模型进行学习,所述学习模型是让由所述解码器输出的学习时输出图像数据接近输入到所述编码器的学习时输入图像数据,所述学习时输入图像数据是所述显示不均匀为可允许的数据。
优选提供一种信息处理方法,基于用所述编码器压缩所述学习时输入图像数据得到的数据生成所述基准数据是,在所述相似度计算步骤中,基于所述压缩数据与所述基准数据的内积获取所述相似度。
优选提供一种计算机程序,在计算机中执行具备误差计算步骤、相似度计算步骤、以及判定步骤的信息处理,在所述误差计算步骤中,计算输入到自动编码器的输入图像数据与来自于所述自动编码器的输出图像数据的误差,在所述相似度计算步骤中,基于用所述自动编码器的编码器压缩所述输入图像数据得到的压缩数据和基准数据,计算所述压缩数据与所述基准数据的相似度,在所述判定步骤中,基于所述误差与所述相似度的关系,判定所述输入图像数据的显示不均匀是否为可允许,其中,所述关系为关系式或表格。
附图说明
图1是表示第1实施方式中的信息处理系统100的构成的方框图。
图2是说明适用于测定部10获取的图像数据的滤波处理和阈值处理的图。
图3是表示在学习阶段中的数据流的方框图。
图4是表示在关系获取阶段中的数据流的方框图。
图5中,图5A是表示误差L与相似度S的关系RS的曲线图,图5B是图5A所示的曲线P1的图像数据,图5C是图5A所示曲线P2的图像数据。
图6是表示在判定阶段中的数据流的方框图。
图7是第1实施方式的信息处理系统100的动作流程图。
图8是表示第1实施方式的变形例1所涉及的误差L与相似度S的关系RS的图。
图9是第1实施方式的变形例2所涉及的滤波处理的说明图。
图10是表示第2实施方式中的信息处理系统100的构成的方框图。
具体实施方式
在下文中,使用附图说明本发明的实施方式。在以下所示实施方式中示出的各种特征事项可以彼此组合。此外,每个特征可独立地使本发明成立。
第1实施方式
基于图1~图8说明第1实施方式所涉及的信息处理系统100。如图1所示,本实施方式中的信息处理系统100具备信息处理装置1、信息处理装置11、以及测定部10。信息处理系统100评估显示不均匀的对象为评价对象显示器21。信息处理装置1具备数据生成部2a、判定部2A、误差计算部2B、相似度计算部2C、处理部3、记忆部4、以及输入输出部5。信息处理装置11具备运算部12、记忆部13、以及输入输出部14。运算部12具备学习部12A、误差计算部12B、相似度计算部12C、以及获取部12D。
上述每个构成要素可以通过软件实现,也可以通过硬件实现。当通过软件实现时,可以通过CPU执行计算机程序来实现各种功能。程序可以存储在内置记忆部,也可以存储在计算机可读的非暂时性记录介质中。此外,还可以通过读取存储在外部记忆部中的程序,即利用云端运算来实现。当通过硬件实现时,可以通过ASIC、FPGA、或DRP等各种电路来实现。在该实施方式中,虽然处理的是各种信息或包含该些信息的概念,但其均是由作为0或1构成的二进制的比特集合体的信号值的高低来表示,并通过上述软件或硬件的方式执行通信或运算而得到的。
1.构成概要以及数据概要
1-1.学习阶段、关系获取阶段、以及判定阶段
在第1实施方式中有3个阶段。第1阶段为学习阶段,在学习阶段中,于稍后描述的自动编码器执行机器学习来确定加权系数。第2阶段为关系获取阶段。在关系获取阶段中,获取关系式,该关系式是作为用来判定评价对象显示器21的图像显示部22的显示不均匀是否是可允许的基准。第3阶段为判定阶段。在判定阶段中,在生产现场获取来自于评价对象显示器21的测量光,并基于上述作为基准的关系式来判定评价对象显示器21的图像显示部22的显示不均匀是否是可允许的。也就是说,判定阶段是在生产现场对评价对象显示器21进行检查的阶段。
1-2.有关于在各个阶段中的进行处理的数据
如图3所示,在学习阶段中进行处理的数据包含学习时输入图像数据d1、学习时输出图像数据d2、以及压缩数据dc。所有学习时输入图像数据d1是预先分类为可允许的图像数据。
如图4所示,在关系获取阶段中进行处理的数据包含关系获取用输入图像数据D1、关系获取用输出图像数据D2、以及压缩数据Dc。关系获取用输入图像数据D1不仅是预先分类为可允许的图像数据,还包含预先分类为不允许的显示画面的图像数据。也就是说,所有关系获取用输入图像数据D1被预先分类为可允许的图像数据或不允许的图像数据中的任一者。换而言之,关系获取用输入图像数据D1被预先标记。即,所有关系获取用输入图像数据D1被预先标记为可允许的图像数据或不允许的图像数据中的任一者。
如图6所示,在判定阶段中进行处理的数据包含输入图像数据r1、输出图像数据r2、及压缩数据rc。输入图像数据r1可从处理部3获得。输出图像数据r2以及压缩数据rc生成于数据生成部2a。
1-3.在标记中的分类方法
如上所述,学习时输入图像数据d1是被预先分类为可允许的图像数据。关系获取用输入图像数据D1被预先分类为可允许的图像数据或不允许的图像数据中的任一者。下面,说明该分类方法的一个例子。由摄像装置获取的图像数据实施稍后描述的滤波处理等转换为输入图像数据。输入图像数据显示不均匀由彼此相邻的暗区域和亮区域分布构成。在输入图像数据亮区域与输入图像数据暗区域的边界部分含有像素值为极大值的部分、和像素值为极小值的部分。输入图像数据基于极大值与极小值的差值的大小被分类为可允许的图像数据或不允许的图像数据。具体而言、极大值与极小值的差值大于阈值的输入图像数据被分类为不允许的图像数据。相反,极大值与极小值的差值小于阈值的输入图像数据被分类为可允许的图像数据。
1-4.滤波处理、阈值处理、以及绝对值处理
在第1实施方式中,不是使用由测定部10获取的图像数据的像素值来判定评价对象显示器21的显示不均匀是否为可允许的,而是如图2所示,利用施以滤波处理、阈值处理以及绝对值处理的图像数据来判定评价对象显示器21的显示不均匀是否为可允许的。由此,可以强调显示不均匀的特征部分,从而提高判定精度。应予说明,图像数据实施阈值处理和绝对值处理不是必需。例如,当分析图像数据中特定范围的显示不均匀时,优选实施阈值处理和绝对值处理。但当分析图像数据中的整个范围的显示不均匀时,不需要实施阈值处理或绝对值处理。在第1实施方式中的输入图像数据包含学习时输入图像数据d1、关系获取用输入图像数据D1、以及基于评价对象显示器21图像数据的输入图像数据r1。在第1实施方式中,对任何输入图像数据均施以滤波处理、阈值处理以及绝对值处理。有关于这些处理的构成的例子将在处理部3的构成中进行说明。
2.构成说明
2-1.测定部10
如图2所示,测定部10获取评价对象显示器21的图像显示部22的显示画面的显示不均匀信息。测定部10由摄像装置构成,测定部10面向评价对象显示器21的图像显示部22的显示画面,并检测由显示画面照射的测量光。测定部10的检测结果被作为测量光信息发送到信息处理装置1。该测量光信息包含表示图像显示部22显示画面的显示不均匀的信息,因此测量光信息包含在显示不均匀信息中。
显示不均匀既可以表示亮度不均匀或色度不均匀中的一者,也可以表示亮度不均匀和色度不均匀两者。测量光信息包含表示任意灰阶的显示画面的亮度或色度的信息。评价对象显示器21可以是诸如LCD(Liquid Crystal Display)显示器、有机EL(ElectroLuminescence)显示器、或PDP(Plasma Display Panel)显示器。
2-2.信息处理装置11
信息处理装置11具有作为管理信息处理装置11的服务器的功能。信息处理装置11具备运算部12、记忆部13、以及输入输出部14。运算部12具备学习部12A、误差计算部12B、相似度计算部12C、以及获取部12D。运算部12具备处理器单元。例如,运算部12具备GPU(Graphics Processing Unit),且运算速度快。
如图3所示,学习部12A是使用于学习阶段和关系获取阶段两者的构成。如图4所示,误差计算部12B、相似度计算部12C、以及获取部12D(省略图示)是使用于关系获取阶段的构成。学习阶段是逐次变更稍后描述的学习部12A的自动编码器的加权系数并最终将其进行确定的阶段。关系获取阶段是使用在学习阶段中确定的加权系数来获取与图5A所示图表相对应的关系RS的阶段。
2-2-1.学习部12A
如图3所示,学习部12A具有作为自动编码器的功能,学习部12A具有编码器12A1和解码器12A2。作为学习部12A的自动编码器可以采用使用了全连接层的自动编码器,也可以采用使用了卷积层的自动编码器。也就是说,学习部12A的自动编码器的构成可以适宜变更。在第1实施方式中,除卷积层以外,还采用使用了用来抽出相似度的全连接层的自动编码器。学习部12A构成为当输入学习时输入图像数据d1后输出学习时输出图像数据d2。具体而言,学习部12A用学习模型预先学习,所述学习模型是将学习时输出图像数据d2接近于学习时输入图像数据d1。这里,学习时输入图像数据d1是由被预先分类为可允许的图像数据生成的图像数据。学习时输入图像数据d1执行与在处理部3进行说明的滤波处理相同的处理。
所谓学习模型是指使用多个教师数据训练模型,并能预测未来输出的模型。在本实施方式中,教师数据的输入数据为学习时输入图像数据d1,教师数据的正确数据与教师数据的输入数据相同。通过向学习部12A输入多个教师数据,来逐次改变编码器12A1以及解码器12A2的加权系数。随后,当完成学习部12A的学习后,在学习部12A确定加权系数。也就是说,于上述学习阶段,在学习部12A中确定加权系数。此后在上述关系获取阶段,学习部12A用来获取如图5A所示的误差L以及相似度S的关系RS。具体而言,当输入关系获取用输入图像数据D1时,学习部12A基于确定后的加权系数输出压缩数据dc的同时,还输出基于确定后的加权系数算得的输出图像数据(关系获取用输出图像数据D2)。误差计算部12B以及相似度计算部12C获取上述输出数据。
2-2-2.误差计算部12B
如图4所示,误差计算部12B计算关系获取用输入图像数据D1与关系获取用输出图像数据D2的误差L。误差L是基于关系获取用输入图像数据D1的每个坐标的每个像素值与关系获取用输出图像数据D2的每个坐标的每个像素值的差值t计算而得的。换而言之,误差L是基于损失函数(输入I-输出O)2计算得到的。输入I与关系获取用输入图像数据D1的每个坐标的每个像素值相对应,输出O与关系获取用输出图像数据D2的每个坐标的每个像素值相对应。例如,当图像数据具有纵a×横b(a、b是自然数)的坐标时,误差L表示为(每个坐标的差值t)2的总和的平均值。
2-2-3.相似度计算部12C
如图4所示,相似度计算部12C基于经编码器12A1压缩后的数据(压缩数据dc)和基准数据dref来计算压缩数据dc与基准数据dref的相似度。这里所谓的相似度指的是余弦相似度。也就是说,相似度计算部12C基于压缩数据dc与基准数据dref的内积来计算相似度。在基准数据dref中使用多个压缩数据dc的重心数据。在第1实施方式中,使用于生成基准数据dref的所有压缩数据dc由被预先分类为可允许的图像数据生成。也就是说,在生成基准数据dref时,使用压缩有学习时输入图像数据d1的数据(压缩数据dc)。应予说明,在学习部12A处于学习中途的状态下,加权系数逐次变化。因此,在学习部12A处于学习中途的状态下,当将获取的压缩数据dc使用于重心数据运算时,则可能降低作为基准数据dref的基准的适当性。此时,用于获取重心数据时的压缩数据dc在确定了加权系数的状态下,可以通过在学习部12A中输入多个学习时输入图像数据d1来获得。此外,压缩数据dc是多维矢量,重心数据是在被预先分类为可允许的图像数据群中的多个压缩数据dc的重心矢量。
在第1实施方式中,相似度的值为0以上1以下。也就是说,在计算相似度时,压缩数据dc与基准数据dref的内积被归一化。相似度越接近1则意味着对应于压缩数据dc的图像数据的显示不均匀的图案与对应于基准数据dref的图像的显示不均匀的图案越相似。应予说明,在第1实施方式中,虽然将相似度的值设定为0以上1以下,但不限定于此,其可以适当改变。例如,在第1实施方式所涉及的自动编码器中虽然采用编码结果为输出斜坡函数的构成,但当自动编码器没有采用斜坡函数时,相似度的值为-1以上1以下。
2-2-4.获取部12D
获取部12D获取由误差计算部12B以及相似度计算部12C计算得到的误差以及相似度。通过多个关系获取用输入图像数据输入学习部12A,获取部12D获取与输入到学习部12A中的关系获取用输入图像数据的个数相对应的多组误差和相似度。图5A是以误差L为横轴相似度S为纵轴,并绘制有由获取部12D获取的每组误差和相似度的图。
如图5A所示,在由线La示出的区域的左侧,分布有预先分类成可允许的显示画面的关系获取用输入图像数据。在由线La示出的区域的右侧,分布有预先分类成不允许的显示画面的关系获取用输入图像数据。以这种方式,将误差和相似度两者作为特征量绘制输入图像数据,其中,如图5A中的图所示,不允许的图像数据与可允许的图像数据被分离。也就是说,图5A中示出的线La是分类可允许的图像数据与不允许的图像数据的关系式。
获取部12D获取与该线La对应的关系式。当线La例如是直线时,获取部12D获取线La的斜率和截距。获取部12D获取线LA的斜率和截距的方法可以是由计算机(获取部12D)基于每组误差和相似度的点进行运算来获取的方法,也可以是用户参照图5A所示线图来决定的方法。此外,与线La相对应的关系式不限定于直线,例如也可以用曲线表示的关系式。在第1实施方式中,虽然获取部12D获取与线La相对应的关系式,但不限定于此,获取部12D还可以根据误差以及相似度获取用来分类可允许的图像数据和不允许的图像数据的表格。
2-2-5.记忆部13以及输入输出部14
在记忆部13中存储有诸如在学习部12A的学习模型中使用的各种参数等。输入输出部14接受学习时输入图像数据d1和关系获取用输入图像数据D1等,此外,输入输出部14向信息处理装置1输出获取部12D获取的关系式。
2-3.信息处理装置1
信息处理装置1具备数据生成部2a、判定部2A、误差计算部2B、相似度计算部2C、处理部3、记忆部4、以及输入输出部5。信息处理装置1配置在例如生产现场的生产线上。
2-3-1.处理部3
处理部3执行滤波处理、阈值处理以及绝对值处理。如图2所示,滤波处理过程中,在由测定部10获取的图像数据中适用带通滤波器。例如,当使带状不均匀或条纹状不均匀明显显示时,在由测定部10获取的图像数据中,适用与带状不均匀或条纹状不均匀的宽度相对应的空间频率的滤波器。滤波处理的滤波器可以根据要确定的不均匀的种类来决定。
如图2所示,对滤波处理后的图像数据施以阈值处理。在阈值处理中,将预定阈值范围内的像素值的每个坐标的像素值转换为固定值,并将该阈值范围外的像素值的每个坐标的像素值保持原样。在绝对值处理中,例如反转显示画面暗区域中的不均匀的明暗,并使显示画面暗区域中的不均匀的显示形式和显示画面亮区域中的不均匀的显示形式相同。
2-3-2.数据生成部2a
数据生成部2a还具有与在学习部12A中说明了的自动编码器相对应的功能。数据生成部2a基于由学习部12A确定的加权系数进行运算。具体而言,数据生成部2a当由处理部3输入输入图像数据r1时使用确定了的加权系数生成压缩数据rc和输出图像数据r2。以这种方式,在数据生成部2a中不是使用多个教师数据训练模型,而是数据生成部2a使用由学习部12A确定的加权系数生成压缩数据rc或输出图像数据r2。
2-3-3.误差计算部2B以及相似度计算部2C
误差计算部2B的功能与误差计算部12B相同。应予说明,输入到误差计算部12B中的数据例如是关系获取用输入图像数据D1,输入到误差计算部2B中的数据是基于输入图像数据r1的数据。误差计算部2B计算输入图像数据r1与输出图像数据r2的误差L。误差L是基于输入图像数据r1的每个坐标的每个像素值和输出图像数据r2的每个坐标的每个像素值的差值t计算得到的。换而言之,误差L基于损失函数(输入I-输出O)2计算得到的。输入I与输入图像数据r1的每个坐标的每个像素值相对应,输出O与输出图像数据r2的每个坐标的每个像素值相对应。
相似度计算部2C的功能与相似度计算部12C相同。应予说明,虽然输入到相似度计算部12C的数据例如是关系获取用输入图像数据D1,但输入到相似度计算部2C的数据是基于输入图像数据r1的数据。相似度计算部2C基于由数据生成部2a的编码器压缩得到的数据(压缩数据rc)和基准数据dref来计算压缩数据rc与基准数据dref的相似度。也就是说,相似度计算部2C基于压缩数据rc与基准数据dref的内积计算相似度。相似度计算部2C所使用的基准数据dref与相似度计算部12C所使用的基准数据dref相同。
2-3-4.判定部2A
判定部2A基于误差L与相似度S的关系RS来判定图像显示部22的显示画面的显示不均匀是否为可允许的图像数据。判定部2A获取由获取部12D预先获取的关系式或表格。判定部2A以基于输入图像数据r1的误差L、相似度S、以及获取部12D预先获取的关系式为基础来分类图像数据的显示不均匀是否为可允许的图像数据。基于输入图像数据r1的误差L与误差计算部2B计算而得的误差L相对应,基于输入图像数据r1的相似度S是相似度计算部2C计算而得的相似度S。
若基于输入图像数据r1的误差L和相似度S的点的位置位于图5A所示线La的右侧,则输入图像数据r1被分类为不允许的图像数据。相反,若基于输入图像数据r1的误差L和相似度S的点的位置位于图5A所示线La左侧,则输入图像数据r1被分类为可允许的图像数据。判定部2A可以将该分类结果作为判定结果输出,或判定部2A也可以考虑其他分析结果并最终将判定结果输出。此外,判定部2A可以将线La附近的点的图像数据作为检查员需关注的数据输出。在第1实施方式中,判定部2A将该分类结果作为判定结果输出。当输入图像数据r1分类为可允许时,判定部2A判定输入图像数据r1的显示不均匀为可允许的。判定部2A的判定结果和分类结果在设置于信息处理装置1的显示器(省略图示)上表示。
2-3-5.记忆部4和输入输出部5
在记忆部4存储用于数据生成部2a运算的各种参数等。输入输出部5接收来自于测定部10的输入图像数据。此外,输入输出部5从信息处理装置11接收在学习部12A确定的加权系数、基准数据dref、以及获取部12D预先获取的关系式或表格等。
3.流程图
基于图7说明信息处理装置1的动作流程。信息处理装置1的输入输出部5获取图像显示部22的显示画面的图像数据(步骤S1)。图像数据与测定部10从图像显示部22的显示画面获取的测量光信息相对应。信息处理装置1的处理部3对图像数据施以滤波处理、阈值处理以及绝对值处理,并将图像数据转换为输入图像数据r1(步骤S2)。也就是说,信息处理装置1的处理部3通过将图像数据转换为输入图像数据r1来获取输入图像数据r1。
信息处理装置1的数据生成部2a由输入图像数据r1生成压缩数据rc和输出图像数据r2(步骤S3)。信息处理装置1的误差计算部2B基于输入图像数据r1和输出图像数据r2计算误差L(步骤S4)。此外,信息处理装置1的相似度计算部2C基于压缩数据rc和基准数据dref计算相似度S(步骤S5)。步骤S4与误差计算步骤相对应,步骤S5与相似度计算步骤相对应。步骤S4与步骤S5的顺序不特别限定。信息处理装置1的判定部2A基于在步骤S4中计算得到的误差L、在步骤S5计算得到的相似度、以及预先获取的关系RS(与图4所示线La相对应的关系式)来判定输入图像数据r1的显示不均匀是否是可允许的(步骤S6)。步骤S6与判定步骤相对应。
信息处理装置1的判定部2A由信息处理装置11的获取部12D预先获取关系RS。信息处理装置11的获取部12D通过计算多组关系获取用误差L和关系获取用相似度S来获取关系RS。具体而言,信息处理装置11的获取部12D通过执行稍后说明的第1、第2步骤来获取关系RS。在第1步骤中,基于关系获取用输入图像数据D1和来自于学习部12A的关系获取用输出图像数据D2来计算关系获取用误差L。在第2步骤中,基于用学习部12A的编码器12A1压缩关系获取用输入图像数据D1而得的关系获取用压缩数据dc和基准数据dref来计算关系获取用相似度S。以上述方式,获取部12D获取关系RS且判定部2A从信息处理装置11获取关系RS的步骤与获取步骤相对应。
4.第1实施方式的效果
在第1实施方式中,信息处理装置1的判定部2A是基于稍后说明的2个观点来自动判定图像数据是否为可允许的构成,其迅速进行检查评价对象显示器21,从而能够抑制检查评价对象显示器21时间的增加。
在第1实施方式的判定步骤中,基于误差L和相似度S的关系来判定显示不均匀是否为可允许的图像数据。具体而言,在判定步骤中,由于是考虑到误差L来分类显示不均匀是否为可允许的,所以能够利用基于显示不均匀的强弱(像素值)来对图像数据进行分类。在判定步骤中,由于是考虑到相似度S来分类显示不均匀是否是可允许的,所以能够基于多种显示不均匀的图案来对图像数据进行分类。
当仅基于显示不均匀强弱(像素值)的观点来分类显示不均匀是否为可允许的图像数据时,图5A所示的所有点将都分布在横轴上。这里,为了强调仅基于显示不均匀强弱(像素值)的观点来分类显示不均匀是否为可允许的图像数据的缺点,将基于图5A所示的点来进行说明。当仅基于显示不均匀强弱(像素值)的观点来判定显示不均匀是否为可允许的图像数据时,用于分类的关系式限定为如图5A所示的直线Lb的样式。这里,直线Lb平行于纵轴。在该直线Lb左侧,还存在显示不均匀为不允许的图像数据的点,所以显然无法使用直线Lb来适当地分类显示不均匀是可允许和不允许的图像数据。
相似度S表示图像数据的显示不均匀的图案与允许的显示不均匀的图案的接近程度。也就是说,相似度S不是从显示不均匀强弱的观点来分析图像数据的参数。而从显示不均匀强弱的观点来分析图像数据的参数是误差L。这是因为相似度S是被归一化的,不含有与显示不均匀强弱相关信息。
当存在误差L相同但相似度S不同的2个输入图像数据r1时,相似度S高的输入图像数据r1具有与可允许的显示不均匀相似的显示不均匀的图案,所以相似度S高的输入图像数据r1一定是显示不均匀为可允许的可能性高的。利用该性质,即使误差L相同,当相似度S高时,第1实施方式的判定部2A的关系式设定为输入图像数据r1易于分类成可允许的图像数据的方式。此外,即使误差L相同,当相似度S低时,第1实施方式的判定部2A的关系式设定为输入图像数据r1易于被分类为不允许的图像数据的方式。
在第1实施方式的判定步骤中,不仅仅是从基于显示不均匀强弱(像素值)的观点,还从基于多种显示不均匀的图案的观点来分类显示不均匀是否为可允许的,所以能够将图像数据分类得更精细。通过用这两种观点来分类输入图像数据r1,如图5A所示,可以在图形上设置分离显示不均匀为可允许的图像数据和显示不均匀为不允许的图像数据的关系式。因此,在第1实施方式的判定步骤中,改善了显示图像的显示不均匀是否为可允许的图像数据的判定精度。
即使图7的流程图应用于与学习时使用的显示器不同类型的显示器时,也可以获得与第1实施方式相同的效果。也就是说,能够更精确地判定显示图像的显示不均匀是否为可允许的图像数据。这是因为学习时使用的的显示器的误差L与相似度S的相关性类似于与学习时使用的显示器不同类型的显示器的误差L与相似度S相关性。
5-1.变形例1
在第1实施方式中,虽然是将显示不均匀分类为可允许的图像数据与不允许的图像数据2个的方式,但不限定于此。在变形例1中,可以将显示不均匀分类为关注数据。具体而言,如图8所示,获取部12D可以分别获取对应于线La1和线La2的关系式。线La1左侧的区域Ar1是可允许的图像数据的区域,线La2右侧的区域Ar2是不允许的图像数据的区域,线La1与线La2之间的区域Ar3是关注数据的区域。当输入图像数据r1的点位于区域Ar3时,则判定部2A的判定结果为向检查员警告关注的内容。若可允许的显示不均匀的图像数据主要分布的区域与不允许的图像数据主要分布的区域的边界不明确时,如变形例1所示设定多个分类公式,这样检查员能够更精确更谨慎地判断显示不均匀是否为可允许的。应予说明,即使是变形例1的构成,所有评价对象显示器21的显示不均匀也不一定被分类为关注数据。也就是说,即使是变形例1的构成,所有评价对象显示器21中的一部分显示不均匀可能被分类到区域Ar1或区域Ar2。因此,即使是变形例1的构成,也能够获得抑制评价对象显示器21检查时间增大的效果。
5-2.变形例2
在变形例2中,对空间频率适用将人类的视觉特性模型化后的对比敏感度函数(CSF:Contrast Sensitivity Function)作为处理部3的带通滤波器。通过使用2维CSF滤波器,可以根据人类的视觉特性使显示不均匀突出。此外,通过采用2维CSF滤波器滤过特定方向的空间频率的构成,能够使特定方向的带状不均匀和条纹状不均匀突出。如图9所示,当应用2维CSF滤波器时,从图像数据生成处理后的图像数据Da,当应用仅滤过2维CSF滤波器中的纵向成分的滤波器时,从图像数据生成处理后的图像数据Db。
5-3.变形例3
在变形例3中,关系式由机器学习确定。例如,利用机器学习确定使用于关系式的变数。具体而言,基于距离的总和来确定使用于关系式中的变数,其中,所述距离的总和是指被标记的可允许的图像数据的点和不可允许的图像数据的点中的至少一者与用关系式表示的曲线或直线之间的距离的总和。当计算距离时,可以对距离点的距离进行加权,或距离点和曲线/直线的距离的总和最大化或最小化地来确定使用于关系式的变数。
还可以使误差L和相似度S进行机器学习,来判定显示不均匀是否为可允许的。例如,机械学习误差L和相似度S与显示不均匀为可允许的几率关系。此时,进行学习以使判定显示不均匀是否为可允许的精度提高。可以将几率为规定阈值以上(或以下)的图像数据的点形成的边界作为关系式,或将机器学习后的分类器作为关系式。
应予说明,利用机器学习的分类方法有诸如逻辑回归、回归树、临近算法、支持向量机、随机森林、或递归神经网络等。
第2实施方式
在第2实施方式中,将主要说明与第1实施方式不同的部分,省略说明有关于相同的部分。如图10所示,第2实施方式的信息处理系统100的信息处理装置11具备判定部2A和处理部3。应予说明、学习部12A具有与数据生成部2a相同的功能,所以第2实施方式的信息处理系统100的信息处理装置11不具有数据生成部2a。
与第1实施方式的信息处理装置1相比,第2实施方式的信息处理装置1的功能被限制。第2实施方式的信息处理装置1存储有将从测定部10获取的图像数据输出到信息处理装置11的应用程序。也就是说,第2实施方式的信息处理装置1具有将图像数据输出到信息处理装置11的功能。此外,第2实施方式的信息处理装置1具有接收输出后的图像数据的显示不均匀是否为可允许的判定结果。也就是说,第2实施方式是设置于生产现场的信息处理装置1不分析图像数据,而是由信息处理装置11分析图像数据的方式。信息处理装置1接收的判定结果表示在信息处理装置1的显示器(未图示)中。在第2实施方式中,即使在生产现场没有分析图像数据的机器,生产现场的检察人员依旧能够判定图像数据的显示不均匀是否为可允许的。第2实施方式适宜于信息处理装置1配置在相对于信息处理装置11位于远程的位置、或将持有信息处理装置1的公司与持有信息处理装置11的公司不同的情况。
符号说明
1:信息处理装置、2A:判定部、2B:误差计算部、2C:相似度计算部、2a:数据生成部、3:处理部、4:记忆部、5:输入输出部、10:测定部、11:信息处理装置、12:运算部、12A:学习部、12A1:编码器、12A2:解码器、12B:误差计算部、12C:相似度计算部、12D:获取部、13:记忆部、14:输入输出部、21:评价对象显示器、22:图像显示部、100:信息处理系统、Ar1:区域、Ar2:区域、Ar3:区域、RS:关系、S:相似度、d1:学习时输入图像数据、d2:学习时输出图像数据、dc:压缩数据、D1:关系获取用输入图像数据、D2:关系获取用输出图像数据、Dc:压缩数据、r1:输入图像数据、r2:输出图像数据、rc:压缩数据、dref:基准数据。
Claims (4)
1.一种信息处理方法,具备误差计算步骤、相似度计算步骤、以及判定步骤,
在所述误差计算步骤中,计算输入到自动编码器的输入图像数据与所述自动编码器输出的输出图像数据的误差,
在所述相似度计算步骤中,基于用所述自动编码器的编码器压缩所述输入图像数据得到的压缩数据和基准数据,计算所述压缩数据与所述基准数据的相似度,
在所述判定步骤中,基于所述误差与所述相似度的关系,判定所述输入图像数据的显示不均匀是否为可允许的,其中,所述关系为关系式或表格,
所述自动编码器具有所述编码器和解码器,且所述自动编码器用学习模型进行学习,所述学习模型是让由所述解码器输出的学习时输出图像数据接近输入到所述编码器的学习时输入图像数据,
所述学习时输入图像数据是所述显示不均匀为可允许的数据。
2.根据权利要求1所述的信息处理方法,其中,
进一步具备获取步骤,
在所述获取步骤中,通过对多个所述输入图像数据中的每一个执行第1步骤和第2步骤来计算多组关系获取用误差和关系获取用相似度,并基于所述关系获取用误差和所述关系获取用相似度获取所述关系,
在第1步骤中,基于关系获取用输入图像数据、来自于所述自动编码器的关系获取用输出图像数据计算所述关系获取用误差,
在第2步骤中,基于用所述自动编码器的所述编码器压缩所述关系获取用输入图像数据得到的关系获取用压缩数据和所述基准数据,计算所述关系获取用相似度。
3.根据权利要求1或2所述的信息处理方法,其中,
基于用所述编码器压缩所述学习时输入图像数据获取的数据生成所述基准数据,
在所述相似度计算步骤中,基于所述压缩数据与所述基准数据的内积获取所述相似度。
4.一种计算机可读的非暂时性记录介质,其存储有计算机程序,其中,
在计算机中执行具备误差计算步骤、相似度计算步骤、以及判定步骤的信息处理,
在所述误差计算步骤中,计算输入到自动编码器的输入图像数据与所述自动编码器输出的输出图像数据的误差,
在所述相似度计算步骤中,基于用所述自动编码器的编码器压缩所述输入图像数据得到的压缩数据和基准数据,计算所述压缩数据与所述基准数据的相似度,
在所述判定步骤中,基于所述误差与所述相似度的关系,判定所述输入图像数据的显示不均匀是否为可允许的,其中,所述关系为关系式或表格,
所述自动编码器具有所述编码器和解码器,且所述自动编码器用学习模型进行学习,所述学习模型是让由所述解码器输出的学习时输出图像数据接近输入到所述编码器的学习时输入图像数据,
所述学习时输入图像数据是所述显示不均匀为可允许的数据。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2018/043736 WO2020110224A1 (ja) | 2018-11-28 | 2018-11-28 | 情報処理方法及びコンピュータプログラム |
JPPCT/JP2018/043736 | 2018-11-28 | ||
PCT/JP2019/043367 WO2020110629A1 (ja) | 2018-11-28 | 2019-11-06 | 情報処理方法及びコンピュータプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113016023A CN113016023A (zh) | 2021-06-22 |
CN113016023B true CN113016023B (zh) | 2023-06-27 |
Family
ID=70854192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980074677.0A Active CN113016023B (zh) | 2018-11-28 | 2019-11-06 | 信息处理方法以及计算机可读的非暂时性记录介质 |
Country Status (6)
Country | Link |
---|---|
US (1) | US11776114B2 (zh) |
JP (1) | JP7008843B2 (zh) |
KR (1) | KR102647255B1 (zh) |
CN (1) | CN113016023B (zh) |
TW (1) | TWI735967B (zh) |
WO (2) | WO2020110224A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210364999A1 (en) * | 2019-11-29 | 2021-11-25 | Boe Technology Group Co., Ltd. | System and method for analyzing cause of product defect, computer readable medium |
EP4276743A1 (en) * | 2022-05-13 | 2023-11-15 | Framatome | Method and system for inspecting an object, such as a nuclear reactor component, e.g. a nuclear fuel assembly |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1424672A1 (en) * | 2002-11-29 | 2004-06-02 | Barco N.V. | Method and device for correction of matrix display pixel non-uniformities |
CN1835054A (zh) * | 2005-03-15 | 2006-09-20 | 株式会社日立显示器 | 显示装置 |
CN107454396A (zh) * | 2016-04-05 | 2017-12-08 | 富士通株式会社 | 图像编码设备和方法、图像解码设备和方法及图像传输系统 |
CN107566689A (zh) * | 2011-07-21 | 2018-01-09 | 图象公司 | 用于修改输入图像数据的系统和方法 |
CN108665441A (zh) * | 2018-03-30 | 2018-10-16 | 北京三快在线科技有限公司 | 一种近似重复图像检测方法及装置,电子设备 |
Family Cites Families (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5305204A (en) * | 1989-07-19 | 1994-04-19 | Kabushiki Kaisha Toshiba | Digital image display apparatus with automatic window level and window width adjustment |
EP0500315B1 (en) | 1991-02-18 | 1999-07-21 | Sumitomo Cement Co. Ltd. | Method of optical recognition and classification of pattern |
JPH06295168A (ja) * | 1993-04-09 | 1994-10-21 | Hitachi Ltd | 表示素子の色むら検出方法 |
DE10022009C2 (de) | 1999-11-26 | 2002-12-05 | Inb Vision Ag | Verfahren und Einrichtung zur Bestimmung und mindestens teilweisen Korrektur der Fehler eines Bildwiedergabesystems |
JP4085301B2 (ja) | 2001-11-09 | 2008-05-14 | ソニー株式会社 | 情報処理装置および方法、記録媒体、並びにプログラム |
DE60134561D1 (de) * | 2001-12-28 | 2008-08-07 | Texas Instruments France | Verfahren zum Komprimieren von Bildern eines Bildfernsprechsystems |
JP4515739B2 (ja) | 2003-09-30 | 2010-08-04 | 大日本印刷株式会社 | カラーフィルタの製造方法 |
KR100540469B1 (ko) | 2004-05-07 | 2006-01-10 | (주)제이엠아이씨큐 | 악성코드 분석, 차단, 치료장치 및 그 제어방법 |
US20060208671A1 (en) | 2005-03-15 | 2006-09-21 | Hitachi Displays, Ltd. | Display device |
JP2010159979A (ja) * | 2009-01-06 | 2010-07-22 | Hitachi Ltd | 外観検査方法及び外観検査システム |
JP2012185030A (ja) * | 2011-03-04 | 2012-09-27 | Sony Corp | 色ムラ判別装置、色ムラ判別方法及び表示装置 |
CA2953619A1 (en) * | 2014-06-05 | 2015-12-10 | Interdev Technologies Inc. | Systems and methods of interpreting speech data |
US10395356B2 (en) | 2016-05-25 | 2019-08-27 | Kla-Tencor Corp. | Generating simulated images from input images for semiconductor applications |
JP2018005773A (ja) | 2016-07-07 | 2018-01-11 | 株式会社リコー | 異常判定装置及び異常判定方法 |
WO2018105028A1 (ja) * | 2016-12-06 | 2018-06-14 | 三菱電機株式会社 | 検査装置及び検査方法 |
US11509918B2 (en) * | 2017-01-26 | 2022-11-22 | Semiconductor Energy Laboratory Co., Ltd. | Semiconductor device, and electronic device |
JP6624125B2 (ja) | 2017-03-13 | 2019-12-25 | コニカミノルタ株式会社 | 画像検査装置、画像形成システム及び画像圧縮方法 |
JP2018156451A (ja) | 2017-03-17 | 2018-10-04 | 株式会社東芝 | ネットワーク学習装置、ネットワーク学習システム、ネットワーク学習方法およびプログラム |
JP7042118B2 (ja) * | 2018-03-08 | 2022-03-25 | 株式会社東芝 | 検査装置、検査方法、及びプログラム |
KR101911061B1 (ko) | 2018-03-26 | 2018-10-23 | 주식회사 대곤코퍼레이션 | 비지도 학습기반 영역별 자가부호기를 이용한 제품 불량판별 시스템 및 비지도 학습기반 영역별 자가부호기를 이용한 제품 불량판별 방법 |
-
2018
- 2018-11-28 WO PCT/JP2018/043736 patent/WO2020110224A1/ja active Application Filing
-
2019
- 2019-10-08 TW TW108136466A patent/TWI735967B/zh active
- 2019-11-06 US US17/294,506 patent/US11776114B2/en active Active
- 2019-11-06 JP JP2020558244A patent/JP7008843B2/ja active Active
- 2019-11-06 CN CN201980074677.0A patent/CN113016023B/zh active Active
- 2019-11-06 WO PCT/JP2019/043367 patent/WO2020110629A1/ja active Application Filing
- 2019-11-06 KR KR1020217016279A patent/KR102647255B1/ko active IP Right Grant
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1424672A1 (en) * | 2002-11-29 | 2004-06-02 | Barco N.V. | Method and device for correction of matrix display pixel non-uniformities |
CN1835054A (zh) * | 2005-03-15 | 2006-09-20 | 株式会社日立显示器 | 显示装置 |
CN107566689A (zh) * | 2011-07-21 | 2018-01-09 | 图象公司 | 用于修改输入图像数据的系统和方法 |
CN107454396A (zh) * | 2016-04-05 | 2017-12-08 | 富士通株式会社 | 图像编码设备和方法、图像解码设备和方法及图像传输系统 |
CN108665441A (zh) * | 2018-03-30 | 2018-10-16 | 北京三快在线科技有限公司 | 一种近似重复图像检测方法及装置,电子设备 |
Also Published As
Publication number | Publication date |
---|---|
JP7008843B2 (ja) | 2022-01-25 |
US20220020135A1 (en) | 2022-01-20 |
WO2020110629A1 (ja) | 2020-06-04 |
WO2020110224A1 (ja) | 2020-06-04 |
TW202020802A (zh) | 2020-06-01 |
KR102647255B1 (ko) | 2024-03-12 |
US11776114B2 (en) | 2023-10-03 |
CN113016023A (zh) | 2021-06-22 |
KR20210084576A (ko) | 2021-07-07 |
TWI735967B (zh) | 2021-08-11 |
JPWO2020110629A1 (ja) | 2021-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3502966B1 (en) | Data generation apparatus, data generation method, and data generation program | |
JP7004145B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
JP5546317B2 (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
TWI557650B (zh) | 用於識別材料中之缺陷之系統及方法 | |
CN106503724A (zh) | 分类器生成装置、有缺陷/无缺陷确定装置和方法 | |
US20180330193A1 (en) | Image processing device, non-transitory computer readable storage medium, and image processing system | |
JP5441728B2 (ja) | 官能検査装置及び官能検査方法 | |
KR102308437B1 (ko) | 대상체의 외부의 검사를 최적화하기 위한 장치 및 그 방법 | |
JP2016115331A (ja) | 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 | |
Wu et al. | Automated visual inspection of surface mounted chip components | |
CN113016023B (zh) | 信息处理方法以及计算机可读的非暂时性记录介质 | |
JP5405245B2 (ja) | 画像検査方法及び画像検査装置 | |
CN114445410A (zh) | 基于图像识别的电路板检测方法、计算机及可读存储介质 | |
JP2020135051A (ja) | 欠点検査装置、欠点検査方法、欠点検査プログラム、学習装置および学習済みモデル | |
JP2004296592A (ja) | 欠陥分類装置、欠陥分類方法およびプログラム | |
JP6126290B1 (ja) | 外観検査装置 | |
Bonello et al. | A new based image subtraction algorithm for bare PCB defect detection | |
CN113870342A (zh) | 外观缺陷检测方法、智能终端以及存储装置 | |
JP6114559B2 (ja) | フラットパネルディスプレイの自動ムラ検出装置 | |
JP2021174194A (ja) | 学習用データ処理装置、学習装置、学習用データ処理方法、およびプログラム | |
Ibrahim et al. | An improved defect classification algorithm for six printing defects and its implementation on real printed circuit board images | |
WO2023095416A1 (ja) | 表示装置の検査方法及び情報処理装置 | |
WO2023095417A1 (ja) | 画像のコントラスト強調方法及び情報処理装置 | |
Dai et al. | Anomaly detection and segmentation based on defect repaired image resynthesis | |
KR20240093896A (ko) | 표시 장치의 검사 방법 및 정보 처리 장치 |
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 |