CN1689044A - 纸张的描述 - Google Patents
纸张的描述 Download PDFInfo
- Publication number
- CN1689044A CN1689044A CNA038238497A CN03823849A CN1689044A CN 1689044 A CN1689044 A CN 1689044A CN A038238497 A CNA038238497 A CN A038238497A CN 03823849 A CN03823849 A CN 03823849A CN 1689044 A CN1689044 A CN 1689044A
- Authority
- CN
- China
- Prior art keywords
- paper
- feature
- classification
- features
- lbp
- 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
- 238000012512 characterization method Methods 0.000 title description 4
- 238000000034 method Methods 0.000 claims abstract description 44
- 238000004519 manufacturing process Methods 0.000 claims description 13
- 238000010586 diagram Methods 0.000 claims description 9
- 238000003384 imaging method Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 description 13
- 238000009826 distribution Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000015572 biosynthetic process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012369 In process control Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 238000010965 in-process control Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/34—Paper
- G01N33/346—Paper sheets
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
描述纸张的一种方法和系统，从大量纸张样本的图像中提取出描述纸张特征的多维特征；把所述特征作为输入送入一个以非监督方式进行操作的学习分类器，该分类器对所述的每一个照片部分中的数据生成一个低维空间的投影，使得具有相近特性的纸张等级在低维空间中产生相近的投影，并且在低维空间中表示出的分类结果用于辅助分类。
Description
技术领域
本发明涉及用计算机视觉或其他二维描述方法对纸张的质量进行描述和分类。
背景技术
本申请所附的参考书目，通过方括号中的参考数字引用。前人的技术通过分别引用与当前观点相关的参考书目来提及。
本发明的目的是实现一种描述纸张质量的方法，它将提供比现行方法更可靠的不受人为因素影响的分类。
基于计算机视觉的纸张等级体系——它代表了前人的技术——先前建立在监督学习的方法以及从图像计算得到的古老而无效的特征上。从共生矩阵，功率谱分析和特殊边界特征获得的测量值经常被作为特征使用。灰度的平均和图像的变化也被假定代表了纸张克重的变化。这些特征形成了描述纸张质量的数子量。之后以这些数子量为基础，对纸张的结构或其他特性进行分类。[1，2，3，4，5]
以前的质地特征已经无法提供有关纸张质地的非常准确的信息，并且它们对条件变化，比如光照，是敏感的。当缺乏差别的特征与分类器的监督训练结合在一起时，系统的描述能力进一步减弱。这是因为传统的监督方法对人为误差极其敏感。人们通常在选择训练样本和为它们命名时犯错。此外，人们做出的选择是主观的，因此不同人的解释互不相同。从质量检查的角度看，这是不合要求的。基于监督学习方法重新训练一个系统是困难的，如果需要知道条件变化的话。而通常出现的正是这种情况，因为不那么先进的质地特征对条件变化极其敏感。
用缺乏差别的质地特征分析纸张是存在问题的。此外，人们试图利用参数方法在一个已经被分割且不是正态分布的特征空间中指定分类边界。在训练分类器和寻找分类边界时采用了监督方法，其增加了错误数量。
描述纸张的目的在于把具有相同特性的纸张归入同一类中。贯穿其生产过程，纸张可以被成像，它也可以在不同的生产阶段中提供有关优质或劣质纸张性质的信息。没有描述而仅以图像为基础，就不可能找到有关生产过程的有用信息。因为人类对图像的评估和分类是主观且非常困难的，另外，在没有基于数值或符号的自动分类的情况下，处理大量数据是不可能的。通过描述，只要分别知道了哪些因素影响着纸张质量以及在生产的每个阶段纸张是什么样子的，就可以根据生产过程中的哪些操作可以被跟踪和哪些尝试可以改进纸张的特定性质，把纸张的质量分为若干类。描述自身不需要在纸张质量上做出判断，它需要满足的是使类似的纸张被分入同一类中。这个过程可以控制，或者纸张可以被分入与分类相一致的质量类别中。
计算机视觉方法的目的是计算许多特征，它们将尽可能准确地描述纸张的性质[1，2，3，4，5]。例如，典型的性质有，纸张的适印性和抗张强度。计算出的特征是数字量，并形成了多维特征空间中被分割的簇。特征空间的维数可能非常大，而要在被分割的空间中找到描述不同纸张等级的特征显然是困难的。图1给出了一个特征空间的实例，出于简单的缘故，表示在二维坐标系中。图中的叉表示特征的值，所画的线代表了纸张适印特性的可能发生的变化。
附图说明
对本发明的书面描述涉及到以下附图：
图1特征分割和特性分界。
图2二维坐标系中多维特征数据的分簇。
图3本发明的分类原理图。
图43×3大小的LBP特征的计算。
图5一个点在圆周上的邻点，由它们计算出LBP特征。
图6SOM作为分类器的使用。
图7生产中的纸张描述的图解。
具体实施方式
传统的参数方法无法准确地找出不同纸张等级之间的分界，因为它们对数据的分布做出了假设。在本发明所述的方法中，数据首先表示在二维坐标系中。按照该簇所代表的纸张类型，每个簇被分配一个标志。换言之，可以根据样本在二维坐标系中的位置推断出纸张质量。图2给出了在二维坐标系中描述多维特征空间的实例，所采用的方法保持了数据的局部结构和样本间的相互距离[6，7，8，9，10]。标志3a-3d代表了不同的纸张性质；对于所讨论的性质，分入以相同标志标记的一个区域的纸张相似于同类的其他纸张。然后给出这些标志，并且，例如抗张强度、光泽度或适印性通常被分入不同的区域，因而很明显具有不同的标志。
本方法自动地组织数据，采取的方式使样本的相互位置在新坐标系中与在原来的多维特征空间中相同。可根据它们在新坐标系中的位置而可靠地推断出纸张等级。首先，对数据分布不做任何推断，它可以是任意形式的。具有不同质地的纸张仍可能具有相同的打印特性。标记不同簇时，这一点将被予以考虑。运用有效的质地特征，例如LBP，可以非常有效地分析纸张的表面质地。
在本发明中，通过减少特征空间的维数，非监督学习方法、有效的灰度变化质地特征和多维特征数据的示例性可视化被结合起来。本方法不需要对训练材料做出人为的假设和推断，但训练数据将按照其特性被自动地组织。多维特征空间以一种示例的形式被描绘出来，特征空间中样本的位置是可视的。
新的、复杂的质地方法给出了关于质地微观结构的准确信息。这样的灰度不变质地特征有，例如LBP特征(它测量局部二进制模式)及它的变型[11，12]。当用这些特征检查纸张表面时，可以发现纸张的重要性质。通过把有效的质地特征和非监督学习方法结合起来，分级的准确性可以显著提高。
图3给出了本方法的图解。质地特征首先在阶段12从训练集合11中计算出来，它们将被用于训练分类器。减少多维特征空间的维数使其可以被示例性地可视化。使用新的特征空间14还完成了分类。留给人们的任务是命名和选择已经分类的区域，并在接下来的阶段中把它们表示成更容易理解的形式，或以优越性次序排列纸张等级，使得随后的过程可以据此得到调整。人们还有一项任务，就是选择训练集合使得不同纸张的代表性样本被包括进来。编号为15，16，17和18的参考书目中说明了这些任务。
在本方法中，首先用有效的质地特征描述纸张特性，这显著减少了对特征空间的分割。多维特征空间用低维坐标系表示，并保持着数据的局部结构。在低维坐标系中，簇代表着不同的纸张等级。对不同簇的命名与其所代表的纸张等级相一致。之后，在新的坐标系中，可以通过找出正接受检查的纸张被归入哪一簇来确定它被分入哪个纸张等级。分簇后的特征空间图如图2所示。
特征可以通过使用，例如，基于局部二进制模式的质地数量来提取。LBP(局部二进制模式)特征描述了在一个局部的平面图像邻域中出现的模式[11，12]。例如，原始的LBP特征[11]是从3×3邻域中计算得到的质地特征，计算过程示于图4。该图所示的例子中，3×3的邻域31以该邻域中心点的灰度(CV)为阈值进行分类(箭头41)，得到两个值32：大于或等于阈值CV的象素被赋为1，低于阈值的被赋为0。按阈值分类之后，得到的数值32与一个LBP算子33相乘(箭头42)，由此得到一个输入矩阵34，把其中的元素加在一起(箭头44)，就得到了LBP的值。另一种构造LBP计算的方法是直接从阈值邻域中构造一个8比特的码字。在本例中，码字是100101012，在十进制中是149。
关于LBP特征，已经创造了多种多分辨率和旋转不变的方法[12]。另外，不同的二进制模式对LBP算子性能的影响已经被检测，由此在形成特征分布时忽略特定的模式已经成为可能[12]。于是可以缩短LBP特征分布。
多分辨率LBP意味着某个点的邻点可以从若干不同距离中选出。这个距离原则上可以是任意正数，而计算用到的点数也可以根据距离而变化。图5给出了一个点的距离为4的邻点(d＝4)。围绕这个点作一个圆，其半径等于选定的距离。从圆周选出的样本点间的距离由角α指明，α满足Nα＝2π，其中N是选择的样本点数。如果圆周上的一个样本不能与象素准确吻合，就对它进行插值使该点坐标对应圆周上的坐标。代表性的距离有1，2和3，相应的样本数是8，16和24。选择的点越多，得到的LBP分布就越大。一个24维特征空间产生的LBP分布包含的极点数超过了一千六百万。
在计算中运用大规模的LBP分布是非常麻烦的。通过只考虑LBP编码的特定的预先选好的部分，所述分布的规模可以减小到计算更能接受的程度。选定的编码是所谓的连续二进制编码，在这种编码中，圆周上的数字最多包含两个比特从0到1或相反的变化。因此，选出的码字包含连续的由0和1组成的长序列。选择编码依据的是以下知识：依靠这些特定的LBP模式，质地中90％以上的模式都可以被表达。仅仅通过在计算中使用这些连续的二进制序列，一个8样本的LBP分布可以从256减少到58。另一方面，16样本的LBP分布可以从大于65,000减小到242，而24样本的分布可以从大于16,000,000减少到554[12]。
在旋转不变量的LBP特征的计算过程中，包含了LBP模式的一个预先选定的子集[12]。选出的模式满足当质地中发生旋转时它们是不变的。在非恒定问题中，运用旋转不变量的LBP特征减少了特征容量。尽管如此，纸张描述并不是一个旋转不变问题。
分类和分簇可以通过运用，例如基于自组织示意图[13]的技术来实现。自组织示意图，SOM，是基于人工神经网络的非监督学习方法。SOM使得多维数据可以在人类面前以更直观的方式，通常是二维形式进行表达。
在新的二维坐标系中样本间的距离尽可能准确地与原始坐标系中的真实样本间的距离保持一致，SOM的目标正是以这种方式表示数据。SOM的目标并不是单独地为各簇寻找其可能包含的数据或显示它们，而是尽可能可靠地在保持数据局部结构的同时给出数据的概率密度估计。这意味着，如果二维示意图显示样本形成密集的簇，那么这些样本在现实的特征空间中的位置也相互靠近[13]。
为了使SOM可以用于对一定类型的数据进行分组，它必须首先接受训练。SOM的训练依靠一种迭代的非监督方法。SOM受训之后，示意图上的每个结点在多维空间中都有一个相应的点集。一种算法通过训练样本对示意图进行调整。多维向量在二维坐标系中形成非线性投影，于是可以实现各簇的清晰可视化[13]。
使用SOM作为分类器的依据是把相互靠近的类似样本分为同一簇，这意味着它们可以在示意图上被定义为它们自己的类别。距离远的结点代表的样本相互不同，由此它们被区分而属于不同的类别。图6说明优质和劣质纸张的簇位于示意图上相对的角落。图6展示的是SOM被作为分类器使用。图中的样本61，62被分入类别63，64。作为一个粗略的例子说明，优质纸张61的分类位于类别区域63，而劣质纸张的分类位于区域64。需要注意的是，可能有若干既有优质又有劣质的纸张的区域被分在例如二维空间的不同部分，但尽管如此，用这样的方式，所有被分入区域64的纸张在同一个特征上都是劣质的。可以理解的是，了解哪些条件生产出所述性质的纸张对纸张生产者是非常有用的，于是可以在生产中避免造成质量低劣的那些条件。这些可以通过监控产品参数和对纸张质量进行连续分类来实现，由此可以学习一些生产操作中的新过程。还可以把过程参数和纸张分类结果输入另一个SOM分类器，于是得到了一个错误学习体系，它可以在过程控制中起辅助作用。给出一种分类作为最终结果，它描述了与纸张质量有关的生产条件。于是该体系学习到，例如影响纸张质量的上百个变量的作用。
上面所述的是按照本发明利用SOM分类器进行的分类，不过在本发明所述的分类方法中，任何非监督的分簇方法都是适用的，例如，不是真正的神经网络技术的LLE，ISOMAP和GTM技术。
本方法适用于在纸张生产过程中进行的纸张质量检查，如图7所示。一个快速照相机为刚从纸张制造机75生产出来的不停移动的纸74拍照。图中有一个背景灯73；取决于是否需要，还可以有例如一个对角前灯。此后，可以推断正被生产的纸张的质量特性，然后可以进行任何调整以改进生产过程。这里提出的方法可以结合计算机71使用，如图所示。对大量测量数据的快速图像分析和一个示例性的用户界面向纸张生产者提供了非常多的关于正被生产的纸张的附加信息。
在图像分析的过程中，依靠前面提到的技术从拍到的照片中提取出特征，然后完成向不同质量类别的分类。借助用户界面，接下来可以改进纸张质量作为产品改进。
依靠本方法，对纸张的分析几乎可以贯穿其生产周期。不过如果要对已经涂过层的纸张进行拍照，背景灯的功率应该增加。此外，在涂过层的纸张中，质地特征的性能可能会受到削弱。
生产过程中，纸张质量的准确信息推动了纸张生产者进行的研究。自动的生产装置可以把本系统合并，作为整个生产及调整过程的一部分。
本发明的范围如独立的权利要求和描述其优选实施例的相关权利要求所述。
参考文献：
[1]Cresson T.M.，Tomimasu H.& Luner P.(1990)Characterization of PaperFormation，Part 1：Sensing Paper Formation.Tappi Journal：Vol.73，No.7：p.153-159.
[2]Cresson T.& Luner P.(1990)Characterization of Paper Formation，Part2：The Texture Analysis of Paper Formation.Tappi Journal：Vol.73，No.12：p.175-184.
[2]Cresson T.& Luner P.(1991)Characterization of Paper Formation，Part3：The Use of Texture Maps to Describe Paper Formation.Tappi Journal：Vol.74，No.2：p.167-175.
[3]Sudhakara R.P.，Stridhar R.，Gopal A.，Meenakshi K.，Revathy R.，ChitraK.& Palanlandi D.(2001)Optical Paper Formation Analyzer.CEERI Centre，India.
[4]Bernie J.P.& Douglas W.J.M.(1996)Local Grammage Distribution andFormation of Paper by Light Transmission Image Analysis.Tappi Journal：Vol.79，No.1：p.193-202.
[5]Bouyndain M.，Colom J.F.，Navarro R.& Pladellorens J.(2001)Determination of Paper Formation by Fourier Analysis of Light TransmssionImages.Appita Journal：Vol.54，No.2：p.103-105，115.
[6]Kohonen T.(1997)Self-organizing Maps.Springer-Verlag，Berlin，Saksa，426 p.
[7]Roweis S.T.& Saul L.K.(2000)Nonlinear Dimensionality Reduction byLocally Linear Embedding.Science Magazine，Vol 290，22 December 2000：p.2323-2326.
[8]Rowels S.T.& Saul L.K.(2001)An Introduction to Locally LinearEmbedding.URL：
http：//www.cs.toronto.edu/～roweis/lle/papers/lleintroa4.pdf(13.5.2002).
[9]Svensên J.F.M.(1998)GTM：The Generative Topographic Mapping.Doctoral thesis.Aston University，Englanti，108 p.
[10]Tenenbaum J.B.(1998)Mapping a Manifold of Perceptual Observations.Advances in Neural Information Processing Systems，Vol.10.
[11]Ojala T.，Pietikinen M.& Harwood D.(1996)A Comparative Study ofTexture Measures With Classification Based on Feature Distributions.PatternRecognition，Vol.29，No.1，p.51-59.
[12]Ojala T.，Pietikinen M.& Menp T.(2002)Multiresolution Gray-Scaleand Rotation Invariant Texture Classification with Local Binary Patterns.IEEETransactions on Pattern Analysis and Machine Intelligence，Vol.24，No.7.
[13]Kohonen T.(1997)Self-organizing Maps.Springer-Verlag，Berlin，Saksa，426 p.
Claims (7)
1.一种基于计算机视觉的描述纸张特征的方法，其特征在于：从大量纸张样本的照片中提取出描述纸张特征的多维特征；把所述特征作为输入送入到一个以非监督方式进行操作的学习分类器，该分类器对所述的每一个照片部分中的数据生成一个低维空间的投影，使得具有相近特性的纸张等级在低维空间中产生相接近的投影，并且投影在低维空间上的分类结果用于辅助分类。
2.如权利要求1所述的描述纸张的方法，其特征在于：所述以非监督方式进行操作的学习系统是一种非监督的分簇方法或其仿真，例如，一个SOM(自组织示意图)。
3.如权利要求1或2所述的描述纸张的方法，其特征在于：描述纸张样本的所述特征是LBP或由其得出的比特模式特征。
4.如上述权利要求中任一条所述的描述纸张特征的方法，其特征在于：按照本方法，纸张在其生产过程的不同阶段被另外成像和分类。
5.如权利要求4所述的描述纸张特征的方法，其特征在于：利用所述非监督学习分类器对在生产过程的不同阶段被成像的样本用这样的方式进行进一步处理，使得所述分类方法也与改进生产过程有关。
6.如权利要求5所述的系统，其特征在于：除图像信息之外，选定的过程参数和/或测量结果也被用作输入。
7.一种运用计算机视觉进行纸张分类的系统，其特征在于：该系统包括成像装置，从纸张图像中提取描述纸张质量的特征的装置，以及非监督学习分类到一个与所述特征空间相比维数较低的空间的装置。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FI20021578A FI20021578A (fi) | 2002-09-03 | 2002-09-03 | Paperin karakterisointi |
| FI20021578 | 2002-09-03 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN1689044A true CN1689044A (zh) | 2005-10-26 |
Family
ID=8564525
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CNA038238497A Pending CN1689044A (zh) | 2002-09-03 | 2003-08-27 | 纸张的描述 |
Country Status (8)
| Country | Link |
|---|---|
| US (1) | US20060045356A1 (zh) |
| EP (1) | EP1547015A1 (zh) |
| JP (1) | JP2005537578A (zh) |
| CN (1) | CN1689044A (zh) |
| AU (1) | AU2003255551A1 (zh) |
| CA (1) | CA2497547A1 (zh) |
| FI (1) | FI20021578A (zh) |
| WO (1) | WO2004023398A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9294665B2 (en) | 2011-08-11 | 2016-03-22 | Panasonic Intellectual Property Management Co., Ltd. | Feature extraction apparatus, feature extraction program, and image processing apparatus |
| CN108335402A (zh) * | 2017-01-18 | 2018-07-27 | 武汉卓目科技有限公司 | 一种基于深度学习的验钞机红外对管鉴伪方法 |
Families Citing this family (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006285627A (ja) * | 2005-03-31 | 2006-10-19 | Hokkaido Univ | ３次元モデルの類似検索装置及び方法 |
| DE102005020357A1 (de) * | 2005-05-02 | 2006-11-16 | Robert Bosch Gmbh | Übertragungsvorrichtung einer Elektrowerkzeugmaschine sowie Elektrowerkzeugmaschine |
| DE102008012152A1 (de) | 2008-03-01 | 2009-09-03 | Voith Patent Gmbh | Verfahren und Vorrichtung zur Charakterisierung der Formation von Papier |
| JP5254893B2 (ja) * | 2009-06-26 | 2013-08-07 | キヤノン株式会社 | 画像変換方法及び装置並びにパターン識別方法及び装置 |
| JP5571528B2 (ja) * | 2010-10-28 | 2014-08-13 | 株式会社日立製作所 | 生産情報管理装置および生産情報管理方法 |
| EP2638384A4 (en) | 2010-11-12 | 2017-04-19 | 3M Innovative Properties Company | Rapid processing and detection of non-uniformities in web-based materials |
| JP5891409B2 (ja) * | 2012-01-12 | 2016-03-23 | パナソニックＩｐマネジメント株式会社 | 特徴抽出装置、特徴抽出方法、および特徴抽出プログラム |
| JP2014085802A (ja) * | 2012-10-23 | 2014-05-12 | Pioneer Electronic Corp | 特徴量抽出装置、特徴量抽出方法及びプログラム |
| WO2014076360A1 (en) * | 2012-11-16 | 2014-05-22 | Metso Automation Oy | Measurement of structural properties |
| JP6125331B2 (ja) * | 2013-05-30 | 2017-05-10 | 三星電子株式会社Ｓａｍｓｕｎｇ Ｅｌｅｃｔｒｏｎｉｃｓ Ｃｏ．，Ｌｔｄ． | テクスチャ検出装置、テクスチャ検出方法、テクスチャ検出プログラム、および画像処理システム |
| WO2015102644A1 (en) * | 2014-01-06 | 2015-07-09 | Hewlett-Packard Development Company, L.P. | Paper classification based on three-dimensional characteristics |
| US9747518B2 (en) * | 2014-05-06 | 2017-08-29 | Kla-Tencor Corporation | Automatic calibration sample selection for die-to-database photomask inspection |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5104488A (en) * | 1987-10-05 | 1992-04-14 | Measurex Corporation | System and process for continuous determination and control of paper strength |
| JPH10318937A (ja) * | 1997-05-22 | 1998-12-04 | Dainippon Screen Mfg Co Ltd | 光学的むら検査装置および光学的むら検査方法 |
| US6804381B2 (en) * | 2000-04-18 | 2004-10-12 | The University Of Hong Kong | Method of and device for inspecting images to detect defects |
| US20020164070A1 (en) * | 2001-03-14 | 2002-11-07 | Kuhner Mark B. | Automatic algorithm generation |
-
2002
- 2002-09-03 FI FI20021578A patent/FI20021578A/fi not_active Application Discontinuation
-
2003
- 2003-08-27 EP EP03793828A patent/EP1547015A1/en not_active Withdrawn
- 2003-08-27 AU AU2003255551A patent/AU2003255551A1/en not_active Abandoned
- 2003-08-27 WO PCT/FI2003/000626 patent/WO2004023398A1/en not_active Application Discontinuation
- 2003-08-27 JP JP2004533529A patent/JP2005537578A/ja active Pending
- 2003-08-27 US US10/526,831 patent/US20060045356A1/en not_active Abandoned
- 2003-08-27 CA CA002497547A patent/CA2497547A1/en not_active Abandoned
- 2003-08-27 CN CNA038238497A patent/CN1689044A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9294665B2 (en) | 2011-08-11 | 2016-03-22 | Panasonic Intellectual Property Management Co., Ltd. | Feature extraction apparatus, feature extraction program, and image processing apparatus |
| CN108335402A (zh) * | 2017-01-18 | 2018-07-27 | 武汉卓目科技有限公司 | 一种基于深度学习的验钞机红外对管鉴伪方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2004023398A1 (en) | 2004-03-18 |
| CA2497547A1 (en) | 2004-03-18 |
| JP2005537578A (ja) | 2005-12-08 |
| AU2003255551A1 (en) | 2004-03-29 |
| US20060045356A1 (en) | 2006-03-02 |
| FI20021578A (fi) | 2004-03-04 |
| FI20021578A0 (fi) | 2002-09-03 |
| EP1547015A1 (en) | 2005-06-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN1689044A (zh) | 纸张的描述 | |
| US8433105B2 (en) | Method for acquiring region-of-interest and/or cognitive information from eye image | |
| CN107305691A (zh) | 基于图像匹配的前景分割方法及装置 | |
| CN101140216A (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
| CN110335293A (zh) | 一种基于tld框架的长时间目标跟踪方法 | |
| Turtinen et al. | Visual characterization of paper using isomap and local binary patterns | |
| CN118176522A (zh) | 用于生成分割掩码的方法和系统 | |
| Okarma et al. | Color independent quality assessment of 3D printed surfaces based on image entropy | |
| Agarwal et al. | The advent of deep learning-based image forgery detection techniques | |
| Zheng et al. | Laboratory-on-a-smartphone for estimating angularity of granular soils | |
| CN106250828B (zh) | 一种基于改进的lbp算子的人群计数方法 | |
| CN112633296A (zh) | 一种基于聚类分析的视觉工业零部件明暗等级划分方法 | |
| CN115311293B (zh) | 一种印刷品图案的快速匹配方法 | |
| Turtinen et al. | Paper characterisation by texture using visualisation-based training | |
| CN115830323A (zh) | 一种碳纤维复合材料数据集的深度学习分割方法 | |
| CN115457050A (zh) | 一种基于超像素的古代壁画图像优化分割方法及系统 | |
| Batra et al. | Review on the techniques used for detection of fabric defects using AI | |
| Mahanta et al. | Handloomed fabrics recognition with deep learning | |
| CN110310311B (zh) | 一种基于盲文的图像配准方法 | |
| Yang et al. | The large-scale crowd analysis based on sparse spatial-temporal local binary pattern | |
| Podsiadlo et al. | Fast classification of engineering surfaces without surface parameters | |
| Turtinen et al. | Texture-based paper characterization using nonsupervised clustering | |
| Iivarinen et al. | A SOM-based system for web surface inspection | |
| CN114529772B (zh) | Oct三维图像分类方法、系统、计算机装置及存储介质 | |
| Tong | Computer vision-based automatic fabric defect detection models for the textile and apparel industries |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
| WD01 | Invention patent application deemed withdrawn after publication |