DE102007004231A1 - Optical inspection method for object e.g. label, involves verifying whether characteristics vectors that are provided for object region records, lie within target areas defined by ellipsoids, for pixels on objects that are to be inspected - Google Patents
Optical inspection method for object e.g. label, involves verifying whether characteristics vectors that are provided for object region records, lie within target areas defined by ellipsoids, for pixels on objects that are to be inspected Download PDFInfo
- Publication number
- DE102007004231A1 DE102007004231A1 DE102007004231A DE102007004231A DE102007004231A1 DE 102007004231 A1 DE102007004231 A1 DE 102007004231A1 DE 102007004231 A DE102007004231 A DE 102007004231A DE 102007004231 A DE102007004231 A DE 102007004231A DE 102007004231 A1 DE102007004231 A1 DE 102007004231A1
- Authority
- DE
- Germany
- Prior art keywords
- pixels
- pixel
- objects
- determined
- ellipsoid
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Abstract
Description
Die Erfindung betrifft ein Verfahren gemäß dem Oberbegriff des Anspruches 1.The The invention relates to a method according to the preamble of the claim 1.
Bei einer Vielzahl von Gegenständen, die mittels einem bildgebenden Verfahren abgebildet werden, stellt sich das Problem, die Oberfläche des Gegenstandes bildpunktweise bzw. im Hinblick auf eine Vielzahl von einzelnen Bildpunkten überprüfen zu müssen. Eine Überprüfung der aufgenommenen Bilder erfordert einen ausgesprochen umfangreichen Rechenaufwand, insbesondere wenn eine Mehrzahl von Merkmalen jedes aufgenommenen Bildpunktes überprüft werden muss bzw. die Anzahl der zu überprüfenden Gegenstände pro Zeiteinheit groß ist. Des weiteren soll ein derartiges Prüfverfahren eine möglichst sichere Aussage über jeden geprüften Bildpunkt liefern. Eine solche Aussage wird entweder für eine weitere Beurteilung des aufgenommenen Gegenstandes herangezogen oder für sich selbst als Bewertung des Gegenstandes angesehen.at a variety of items, which are imaged by means of an imaging process provides the problem, the surface of the object pixel by pixel or in terms of a variety to check from individual pixels. A review of taken pictures requires a very extensive computational effort, especially if a plurality of features each recorded Pixels are checked must or the number of items to be checked per Time unit is large. Furthermore, such a test method should be as possible sure statement about every tested Deliver pixel. Such a statement will either be for another Assessment of the recorded object used or for themselves considered as an evaluation of the object.
Erfindungsgemäß werden diese Aufgaben mit den im Kennzeichen des Patentanspruches 1 angeführten Merkmalen gelöst.According to the invention These objects with the features mentioned in the characterizing part of claim 1 solved.
Mit dieser Vorgangsweise wird ein mit einfacher Hardware rasch erhaltenes zuverlässiges Prüfungsergebnis erstellt, das eine Auswertung oder Beurteilung einem Mehrzahl von Merkmalen der einzelnen Bildpunkte zulässt und die Möglichkeit bietet, eine Vielzahl von Gegenständen innerhalb kürzester Zeit zu bewerten. Das Prüfergebnis stützt sich dabei auf die für die Bildpunkte des zu prüfenden Objektes ermittelten Merkmalsvektoren und den Vergleich dieser Merkmalsvektoren mit einem Sollbereich. Die Erstellung des Sollbereiches kann vor Durchführung der Prüfung mit entsprechend hoher Genauigkeit vorgenommen werden; die Überprüfung der Bildpunkte des zu prüfenden Gegenstandes kann sehr rasch vorgenommen werden, da der rechnerische Teil der Überprüfung, ob ein Merkmalsvektor eines Bildpunktes des Gegenstandes in den Sollbereich fällt, mit einfacher Hardware rasch durchgeführt werden kann.With this procedure will be a quick one with simple hardware reliable test results created, which is an evaluation or assessment a plurality of Features of each pixel allows and the possibility offers a variety of items in no time to rate. The test result supports focus on the for the pixels of the to be tested Object determined feature vectors and the comparison of these feature vectors with a target range. The creation of the target range can be before Carrying out the exam be made with a correspondingly high accuracy; the review of Pixels of the to be tested Subject can be made very quickly because the computational Part of the review, whether a feature vector of a pixel of the object in the desired range falls can be done quickly with simple hardware.
Bei der erfindungsgemäßen Vorgangsweise wird ein Sollbereich erstellt. Dieser Sollbereich wird durch ein einen Körper, d.h. eine Ellipse, eine Ellipsoid oder eine Hyperellipsoid bestimmt. Ein Ellipsoid ist durch einen Mittelwertvektor und eine Kovarianzmatrix beschrieben: Der Mittelwertvektor gibt die Lage des Mittelpunktes im Merkmalsraum an; die Kovarianzmatrix beschreibt die Orientierung und Ausdehnung.at the procedure of the invention is created a target range. This target range is determined by a Body, i.e. an ellipse, an ellipsoid or a hyperellipsoid. An ellipsoid is defined by a mean vector and a covariance matrix described: The mean vector gives the position of the center in the feature space; the covariance matrix describes the orientation and expansion.
Üblicherweise werden den einzelnen Bildpunkten drei Parameterwerte, z.B. zu mischende Farbwerte, wie z.B. Rot, Grün und Blau, zugeordnet. In diesem Fall wird der Sollbereich durch das von einem Ellipsoid eingeschlossene Volumen bestimmt. Im einfachsten Fall liegt dieses Ellipsoid vollständig im gültigen Wertebereich der Merkmale und der Sollbereich entspricht dem Ellipsoid. Das Ellipsoid kann jedoch auch aus dem Wertebereich der Merkmale hinausragen, z.B. in den Bereich negativer Rot-, Grün- oder Blauwerte. In diesen Fällen ist der Sollbereich beschrieben durch ein Ellipsoid welches mit der/den entsprechenden Grundebenen geschnitten wird.Usually the individual pixels are given three parameter values, e.g. color values to be mixed, such as. Red Green and blue, associated. In this case, the target range is through determines the volume enclosed by an ellipsoid. In the simplest Case, this ellipsoid is completely within the valid value range of the features and the target area corresponds to the ellipsoid. The ellipsoid, however, can also protrude from the range of values of the features, e.g. in the Range of negative red, green or Blue values. In these cases is the target range described by an ellipsoid which with the corresponding ground level is cut.
Zu Beginn der erfindungsgemäßen Vorgangsweise wird eine vorgegebene Anzahl von Muster- bzw. Sollwertgegenständen mit einer Bildverarbeitungseinheit aufgenommen bzw. werden digitale Bilder der Mustergegenstände erstellt. Für eine vorgegebene Anzahl von Bildpunkten aller von den Muster- bzw. Sollwertgegenständen aufgenommenen Bilder wird jeweils ein Merkmalsvektor erstellt. Dazu wird derart vorgegangen, dass auf einer vorgegebenen Anzahl von Mustergegenständen ein und derselbe Bildpunkt bzw. ein Bildpunkt mit gleicher Adresse bzw. gleichen Koordinaten auf allen Mustergegenständen ausgewählt wird. Für diesen festgelegten Bildpunkt werden für jeden Mustergegenstand die Merkmale ermittelt und zu einem Merkmalsvektor zusammengestellt. Dies bedeutet, dass eine Vielzahl von Merkmalsvektoren erstellt wird, die der Anzahl der aufgenommenen Mustergegenstände entspricht. Da die Merkmalsvektoren ein und desselben Bildpunktes auf den einzelnen Mustergegenständen voneinander mehr oder weniger abweichen bzw. unterschiedliche Ausprägungen besitzen, ergibt sich eine Punktwolke bzw. eine Menge an Merkmalsvektoren mit mehr oder weniger großen Merkmalsunterschieden im Merkmalsraum, dessen Dimension durch die Anzahl der Merkmale definiert ist. Dieser Bildpunkt, der auf den Mustergegenständen festgelegt wird, entspricht einem Bildpunkt auf dem zu prüfenden Gegenstand bzw. der Bildpunkt am Gegenstand besitzt ein Pendant mit gleicher Adresse bzw. gleichen Koordinaten auf dem Mustergegenstand.To Beginning of the procedure according to the invention comes with a predetermined number of sample or Sollgegengegenständen with an image processing unit or are digital images the pattern objects created. For a predetermined number of pixels of all of the pattern or Shall valuables recorded images, a feature vector is created in each case. This will be so proceeded that on a predetermined number of sample objects a and the same pixel or a pixel with the same address or same coordinates on all sample items is selected. For this specified pixel be for each pattern object determines the features and a feature vector compiled. This means that a multiplicity of feature vectors is created, which corresponds to the number of recorded pattern objects. There the feature vectors of one and the same pixel on the individual Sample objects differ more or less from each other or have different characteristics, results in a point cloud or a set of feature vectors with more or less large Characteristic differences in the feature space whose dimension is determined by the number the characteristics is defined. This pixel set on the pattern objects , corresponds to a pixel on the object to be tested or the Pixel on the object has a pendant with the same address or the same coordinates on the sample object.
Für jeden Bildpunkt des zu prüfenden Gegenstandes wird im dreidimensionalen Raum ein Ellipsoid im Merkmalsraum festgelegt. Im zweidimensionalen Raum ergibt sich eine Ellipse; im höher dimensionierten Raum ein Hyperellipsoid. Dabei kann für jeden Bildpunkt ein eigenes Ellipsoid, beschrieben durch den Parametersatz aus Mittelwertvektor und Kovarianzmatrix, oder für eine Anzahl von Bildpunkten durch ein repräsentatives Ellipsoid oder aber auch durch eine Teilmenge des Parametersatzes festgelegt werden. Zwei Teilmengen des Parametersatzes können demnach die mit dem Mittelwertvektor verbunden Parameter und die in der Kovarianzmatrix enthaltenen Parameter sein; in diesem Fall wird jeder Bildpunkt durch einen eigenen Mittelwertvektor charakterisiert und mehrere Bildpunkte teilen sich die Parameter ein und derselben Kovarianzmatrix.For each Pixel of the to be tested The object becomes an ellipsoid in three-dimensional space in the feature space established. In two-dimensional space, an ellipse results; im higher dimensioned space a hyperellipsoid. It can be for everyone Pixel a separate ellipsoid, described by the parameter set of mean vector and covariance matrix, or for a number of pixels through a representative Ellipsoid or even by a subset of the parameter set become. Two subsets of the parameter set can therefore be connected to the mean vector Parameter and the parameters contained in the covariance matrix; In this case, each pixel is replaced by its own mean vector characterized and several pixels share the parameters one and the same covariance matrix.
In
Das dargestellte Diagramm ist zur Erläuterung auf zwei Dimensionen reduziert und betrifft als Merkmale nur die Farbwerte Grün (G) und Rot (R). Der Sollbereich wird in der Abbildung durch die Schwellwerte Gh und Gl für den Grünwert und Rl und Rh für den Rotwert beschrieben. Die Punkte bzw. Merkmalsvektoren der Merkmalswolke, die maximale und minimale Werte in R bzw. G annehmen definieren die Schwellwerte Rl und Rh bzw. Gl und Gh. Der durch Paare von Geraden, bzw. Paaren von Ebenen, begrenzte zweidimensionale Körper, d.h. Fläche, stellt den Sollbereich dar.The Illustrated diagram is for explanation on two dimensions reduces and affects only the color values green (G) and Red (R). The target range is shown in the figure by the threshold values Gh and Gl for the green value and Rl and Rh for described the red value. The points or feature vectors of the feature cloud, define the maximum and minimum values in R and G. the thresholds Rl and Rh or Gl and Gh. Der by pairs of straight lines, or pairs of planes, limited two-dimensional bodies, i. Area, places the desired range.
In
Allerdings beschreibt dieser rechteckige, durch achsparallele Geraden begrenzte Bereich die Wolke der Trainingspunkte bzw. den Sollbereich nicht sonderlich gut bzw. ist zu groß bzw. zu permissiv. Insbesondere Bereiche in der linken oberen und rechten unteren Ecke des Rechtecks wären erlaubt, sind aber von den erhaltenen Trainingspunkten bzw. Merkmalsvektoren relativ weit entfernt und würden daher für einen Betrachter des Gegenstandes als fehlerhaft bewertet werden.Indeed describes this rectangular, bounded by axially parallel lines Do not set the cloud of the training points or the target range especially good or is too big or too permissive. In particular, areas in the upper left and right lower corner of the rectangle would be allowed, but are from the obtained training points or feature vectors relatively far away and would therefore for one Viewers of the item are rated as faulty.
Aus
diesem Grund ist es sinnvoll, den erlaubten Sollbereich enger einzugrenzen,
wozu insbesondere eine Vorgabe der Anzahl und Richtung der Achsvektoren
zielführend
ist, welche der tatsächlichen
Erstreckung der Punktewolke besser gerecht wird. Aus
Es
wird nochmals bemerkt, dass die
Eine
Verbesserung der Schätzung
des Sollbereichs wird durch gleichzeitige Elimination von Ausreißern erreicht.
In diesem Fall wird angenommen, die Stichprobe der Trainingspixel
ist nicht zur Gänze
repräsentativ.
Ein Verfahren dazu ist das Volumen des Sollbereichs, bzw. die Fläche im zweidimensionalen
Fall, auf einen Bruchteil des Gesamtvolumens zu reduzieren. Ein
sinnvoller Wert ist z.B. eine Reduktion des Sollbereiches auf 95%
des ursprünglichen
Volumens.
Eine
weitere Möglichkeit
besteht in der Verwendung eines Mehrschrittverfahrens, wobei im
ersten Schritt ein Sollbereich ermittelt wird, in einem zweiten
Schritt jene Trainingspixel am Rand des Sollbereiches entfernt werden,
und im letzten Schritt aus den verbleibenden Trainingspixel eine neuer
Sollbereich ermittelt wird. Als Randpixel wird hier ein Bruchteil
r der Stichprobe angesehen und aus den verbleibenden Bruchteil von
1-r Trainingspixel wird der Sollbereich des letzten Schrittes bestimmt.
Ein sinnvoller Wert für
die zur Schätzung
des endgültigen
Sollbereiches herangezogenen Pixel ist 95% der Stichprobe.
Die Prüfung eines Bildpunktes besteht in der Ermittlung ob der mit diesem Punkt verbundene Merkmalsvektor innerhalb des Sollbereiches liegt. Ist der Sollbereich durch eine Ellipse, ein Ellipsoid oder ein Hyperellipsoid beschrieben, so genügt es zur Feststellung der Distanz die Mahalanobisdistanz für diesen Bildpunkt zu berechnen und mit der Mahalanobisdistanz des Umfanges der Ellipse bzw. der Hülle des Ellipsoids bzw. Hyperellipsoids zu vergleichen. Die Mahalanobisdistanz beinhaltet alle Parameter des Sollbereiches, d.h. den Mittelwertvektor μ und die Kovarianzmatrix Σ. Die Mahalanobisdistanz d für einen Merkmalsvektor x → ist definiert als d = (x → – μ)Σ(x → – μ) und wird verglichen mit der Mahalonisdistanz D für den Rand des Sollbereiches, d.h. die Mahalanobisdistanz für die Hülle des Ellipsoids. Ein Punkt wird als in den Sollbereich fallend klassifiziert, d.h. er hat dann die Prüfung bestanden, wenn d ≤ D. Merkmalsvektoren, die auf der Hüllkurve bzw. -fläche liegen, können als zum Sollwertbereich gehörend klassifiziert werden.The exam of a pixel is in the determination of whether with this point Connected feature vector is within the desired range. Is the Target range by an ellipse, an ellipsoid or a hyperellipsoid described, then suffices for establishing the distance the Mahalanobis distance for this Pixel to calculate and with the Mahalanobisdistanz the scope the ellipse or the shell of the ellipsoid or hyperellipsoid. The Mahalanobisdistanz includes all parameters of the target range, i. the mean vector μ and the Covariance matrix Σ. The Mahalanobisdistanz d for a feature vector x → is defined as d = (x → - μ) Σ (x → - μ) and is compared with the Mahalonis dance D for the edge of the target area, i. the Mahalanobisdistanz for the cover of the Ellipsoid. A point is classified as falling within the target range, i. He then has the exam passed if d ≤ D. feature vectors, the on the envelope or area are, can classified as belonging to the setpoint range become.
Die Ermittlung der Mahalonisdistanz wird erläutert in P.C. Mahalanobis, "On the generalized distance in statistics", Proceedings of National Institute of Sciences of India, Vol. 2, pages 49–55, oder J.D. Jobson "Applied Multivariate Data Analysis", Volume II, Categorical and Multivariate Methods, Chapter 7.1.3: Geometric Interpretation of Data Matrices, pages 140–144, Springer, 1994, oder Luc Devroye, Laszio Györfi, Gabor Lugosi "A Probabilistic Theory of Pattern Recognition", Chapter 3.8, The Mahalanobis Distance, pages 30–31, Springer, 1996.The Determination of the Mahalonize Distance is explained in P.C. Mahalanobis, "On the generalized distance in statistics ", Proceedings of National Institute of Sciences of India, Vol. 2, pages 49-55, or J.D. Jobson "Applied Multivariate Data Analysis ", Volume II, Categorical and Multivariate Methods, Chapter 7.1.3: Geometric Interpretation of Data Matrices, pages 140-144, Springer, 1994, or Luc Devroye, Laszio Györfi, Gabor Lugosi "A Probabilistic Theory of Pattern Recognition, "Chapter 3.8, The Mahalanobis Distance, pages 30-31, Springer, 1996.
Mit der erfindungsgemäßen Vorgangsweise kann der Anforderung entsprochen werden, dass eine Überprüfung eines Gegenstandes extrem schnell vorgenommen werden muss. Es wird dabei mit einer dezidierten Hardware gearbeitet, auf der jedoch der Speicherbedarf sehr begrenzt ist, sodass nur wenige Parameterwerte für die einzelnen Bildpunkte vorgegeben werden können.With the procedure of the invention can The requirement that a review of an item be extremely fast must be made. It is doing this with a dedicated hardware worked, but where the storage requirements are very limited, so only a few parameter values for each pixel can be specified.
Eine Approximation des Sollbereiches durch einen Körper bzw. eine Hüllkurve bzw. -fläche, der bzw. die die Wolke der Merkmalsvektoren möglichst eng umschließt bzw. diese Punktwolke zur Gänze enthält und mit wenigen Parameterwerten beschreibbar ist, ist vorteilhaft. Ein konvexer Körper ist dazu gut geeignet. Weiters ist die Idee der Darstellung eines Sollbereiches durch ein umschließendes Ellipsoid äquivalent zu der Sichtweise der Repräsentation einer Stichprobe durch eine multivariate Normalverteilung. Die Normalverteilungsannahme ist in der Regel eine gute Vorgangsweise für die Prüfung von Gegenständen die durch Merkmale gekennzeichnet welche eine Streuung um einen Sollwert aufweisen.A Approximation of the target range by a body or an envelope or area, the one or the cloud of the feature vectors encloses as closely as possible or Contains this point cloud in its entirety and with is writable few parameter values, is advantageous. A convex body is well suited for this. Furthermore, the idea of representing one Target range equivalent by an enclosing ellipsoid to the view of the representation of a Sample by a multivariate normal distribution. The normal distribution assumption is usually a good procedure for checking items characterized by features which a scatter around a setpoint exhibit.
Die Bildprüfung erfolgt in einer an die Bildaufnahmeeinheit bzw. deren Bildsensor angeschlossenen Recheneinheit, vorzugsweise realisiert durch für die Aufgabe optimierte elektronische Schaltkreise. Dabei spielt der für die Bildprüfung benötigte Speicherplatz eine wesentliche Rolle. Es ist vorteilhaft, eine suboptimale Lösung für die Prüfung der Farbbildpunkte zu akzeptieren und dafür Speicherplatz zu sparen, indem dieselben Parameter für verschiedene Bildpunkte mit gleichen oder ähnlichen Parametersätzen verwendet werden. Besonders vorteilhaft ist es, die Orientierung und Streuung, d.h. die Kovarianzmatrix, für eine Gruppe von Bildpunkten gemeinsam vorzugeben und nur den Mittelwertvektor für jeden Bildpunkt individuell zu speichern.The checking takes place in a to the image pickup unit or its image sensor connected arithmetic unit, preferably realized by for the task optimized electronic circuits. It plays the space required for image verification an essential role. It is advantageous to have a suboptimal solution for testing the To accept color pixels and save space, by setting the same parameters for different pixels with the same or similar parameter sets used become. It is particularly advantageous to the orientation and scattering, i.e. the covariance matrix, for to specify a group of pixels together and only the mean value vector for each Save pixel individually.
Im dreidimensionalen Merkmalsraum sind bei Verwendung eines Ellipsoids 10 Parameter pro zu prüfenden Bildpunkt nötig. Diese Parameter sind die 3 Einträge des Mittelwertvektors μ, 6 Werte die sich aus der symmetrischen 3 × 3 Kovarianzmatrix Σ ergeben und ein skalarer Wert der die Mahalonobisdistanz der Ellipsoidhülle D angibt.in the Three-dimensional feature space are when using an ellipsoid 10 parameters per test to be tested Pixel required. These parameters are the 3 entries the mean vector μ, 6 values resulting from the symmetric 3 × 3 covariance matrix Σ and a scalar value indicating the Mahalonobis distance of the ellipsoidal envelope D.
Es hat sich als vorteilhaft erwiesen, eine Gruppe von Bildpunkten zusammenzufassen und für diese Gruppe einen gemeinsamen Satz der 6 Parameter der Kovarianzmatrix Σ zu speichern und für jeden Bildpunkt in der Gruppe einen individuellen Satz von 4 Parametern zur Festlegung des Mittelwertvektors μ und der Mahalanobisdistanz der Ellipsoidhülle D vorzusehen.It has proven to be advantageous to summarize a group of pixels and for this Group to store a common set of the 6 parameters of the covariance matrix Σ and for each pixel in the group has an individual set of 4 parameters for determining the mean vector μ and the Mahalanobis distance the ellipsoidal envelope D provided.
Der Rechenaufwand zur Prüfung selbst, d.h. die Berechnung der Mahalanobisdistanz d und Vergleich dieser mit dem Wert der Mahalanobisdistanz für den Rand des Sollbereiches D, setzt sich pro Bildpunkt aus den folgenden Operationen zusammen: 3 Subtraktionen, 5 Additionen, 10 Multiplikationen und eine Vergleichsoperation.Of the Calculation effort for testing itself, i. the calculation of Mahalanobisdistanz d and comparison this with the value of the Mahalanobisdistanz for the edge of the target range D, is composed per pixel of the following operations: 3 subtractions, 5 additions, 10 multiplications, and one comparison operation.
Soll die Prüfung mit einer gewissen Toleranz versehen werden, so wird dies vorzugsweise dadurch erreicht, dass der Parameter D derart verändert wird, dass das Ellipsoid bezüglich des Volumens vergrößert wird. Hier kann, ähnlich der Einschränkung des Sollbereichs auf Volumensanteile kleiner 100%, eine Vergrößerung des Toleranzbereiches proportional dem Volumen größer als 100% angegeben werden.If the test is to be provided with a certain tolerance, this is preferably achieved by changing the parameter D such that the ellipsoid is enlarged in relation to the volume. Here, similar to the restriction of the target range to volume fractions smaller than 100%, an increase in the tolerance range proportional to the volume greater than 100%.
Die Zusammenfassung von Bildpunkten des zu prüfenden Gegenstandes zu Gruppen mit teilweise oder gänzlich gleichen Parametern kann nach unterschiedlichen Gesichtspunkten erfolgen:
- 1) Die Punkte können nach Bildregionen, z.B. nach bestimmten Bildmotiven zusammengefasst werden. Das hat den Vorteil, dass sich vorgegebene Toleranzen (siehe oben) jeweils auf eine Gruppe von Bildpunkten beziehen, denen ein Betrachter eine gemeinsame Bedeutung zuordnet.
- 2) Die Bildpunkte können nach einer verfahrenstechnischen Gemeinsamkeit zusammengefasst werden (bei Banknoten z.B. Tiefdruck, Offsetdruck, OVI-Druck usw.)
- 3) Die Bildpunkte können nach farblichen Ähnlichkeiten zusammengefasst werden.
- 4) Die Bildpunkte können nach ähnlichen Orientierungen und Streuungen zusammengefasst werden.
- 1) The points can be grouped by image regions, eg according to specific motifs. This has the advantage that given tolerances (see above) each relate to a group of pixels to which a viewer assigns a common meaning.
- 2) The pixels can be summarized according to a procedural commonality (in banknotes eg gravure, offset printing, OVI printing, etc.)
- 3) The pixels can be summarized according to color similarities.
- 4) The pixels can be summarized according to similar orientations and scatters.
Ferner sind Kombinationen aus obigen Gesichtspunkten, besonders einer der Punkte 1 bis 3 mit 4, vorteilhaft.Further are combinations of the above aspects, especially one of Points 1 to 3 with 4, advantageous.
Die Erfindung betrifft ferner ein Softwareprodukt entsprechend den Merkmalen des Anspruches 9.The The invention further relates to a software product according to the features of claim 9.
Claims (9)
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
AT0015006A AT504627B1 (en) | 2006-02-01 | 2006-02-01 | METHOD FOR THE OPTICAL REVIEW OF OBJECTS |
AT150/2006 | 2006-02-01 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102007004231A1 true DE102007004231A1 (en) | 2007-08-02 |
Family
ID=38268377
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102007004231A Withdrawn DE102007004231A1 (en) | 2006-02-01 | 2007-01-27 | Optical inspection method for object e.g. label, involves verifying whether characteristics vectors that are provided for object region records, lie within target areas defined by ellipsoids, for pixels on objects that are to be inspected |
Country Status (2)
Country | Link |
---|---|
AT (1) | AT504627B1 (en) |
DE (1) | DE102007004231A1 (en) |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE502658C2 (en) * | 1994-02-28 | 1995-12-04 | Non Stop Info Ab | Procedure and control device for reading identity and value documents. |
GB0313002D0 (en) * | 2003-06-06 | 2003-07-09 | Ncr Int Inc | Currency validation |
-
2006
- 2006-02-01 AT AT0015006A patent/AT504627B1/en not_active IP Right Cessation
-
2007
- 2007-01-27 DE DE102007004231A patent/DE102007004231A1/en not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
AT504627B1 (en) | 2009-05-15 |
AT504627A3 (en) | 2009-01-15 |
AT504627A2 (en) | 2008-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102006041645B4 (en) | Method and device for orientation determination in an image | |
DE10157958B4 (en) | Image processing method and apparatus | |
DE69720399T2 (en) | Digital composition of a mosaic-like picture | |
DE69937785T2 (en) | Method of selecting color block points for block coding | |
DE102016100101A1 (en) | SYSTEM FOR MACHINE SEALING AND ANALYTICAL METHOD FOR SEGMENTING PLANAR SURFACES | |
DE4418217A1 (en) | Shape recognition method | |
DE102009051826A1 (en) | Method for comparing the similarity of 3D pictorial objects | |
DE102019211656A1 (en) | Determination of the degree of wear of a tool | |
DE60220118T2 (en) | Apparatus, method and program for comparing patterns | |
DE60217748T2 (en) | Method and device for displaying a picture space | |
DE19928231C2 (en) | Method and device for segmenting a point distribution | |
EP3444780A1 (en) | Method for registering at least two different 3d models | |
EP2064672A2 (en) | Method and device for image processing | |
EP1154369A2 (en) | Method for cyclic, interactive image analysis , computer system and program for carrying out the method | |
DE69814482T2 (en) | Method and device for displaying surfaces from volumetric data | |
DE102005049017A1 (en) | Method for segmentation in an n-dimensional feature space and method for classification based on geometric properties of segmented objects in an n-dimensional data space | |
DE102019100011B4 (en) | Process for 3D reconstruction of an object | |
DE19752212B4 (en) | Störereigniszählvorrichtung | |
DE102007004231A1 (en) | Optical inspection method for object e.g. label, involves verifying whether characteristics vectors that are provided for object region records, lie within target areas defined by ellipsoids, for pixels on objects that are to be inspected | |
DE10045360A1 (en) | Method for classifying documents, especially banknotes, for use in automatic banknote processing machines, in which to speed and improve classification, only the most significant characteristics are used for sorting | |
DE602004001718T2 (en) | Method for real-time correction of non-functioning pixels in digital radiography | |
DE102019127622B4 (en) | Defense generator, method for preventing an attack on an AI unit and computer-readable storage medium | |
EP3316216B1 (en) | Method for checking an object | |
AT408377B (en) | METHOD AND DEVICE FOR TESTING OR EXAMINATION OF OBJECTS | |
EP0195281B1 (en) | Circuit arrangement for picture processing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
8110 | Request for examination paragraph 44 | ||
R016 | Response to examination communication | ||
R016 | Response to examination communication | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |