DE102020102853A1 - Fehlerprüfvorrichtung und -verfahren - Google Patents
Fehlerprüfvorrichtung und -verfahren Download PDFInfo
- Publication number
- DE102020102853A1 DE102020102853A1 DE102020102853.9A DE102020102853A DE102020102853A1 DE 102020102853 A1 DE102020102853 A1 DE 102020102853A1 DE 102020102853 A DE102020102853 A DE 102020102853A DE 102020102853 A1 DE102020102853 A1 DE 102020102853A1
- Authority
- DE
- Germany
- Prior art keywords
- defect
- unit
- image
- dimension
- deep learning
- 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- Withdrawn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
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
- G06T7/0004—Industrial image inspection
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8806—Specially adapted optical and illumination features
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8854—Grading and classifying of flaws
- G01N2021/8874—Taking dimensions of defect into account
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
Eine Fehlerprüfvorrichtung (1) gemäß einem Aspekt der vorliegenden Erfindung umfasst eine Einheit zum tiefgehenden Lernen (31), der ein durch Fotografieren einer Oberfläche eines Prüfgegenstands (O) erzieltes Bild zugeführt wird, und wobei die Einheit zum tiefgehenden Lernen auf der Grundlage des zugeführten Bildes das Fehlen oder Vorhandensein eines Fehlers auf einer Oberfläche des Prüfgegenstands (O) beurteilt und eine als der Fehler beurteilte Stelle spezifiziert; eine Abmessung-Messeinheit (32), die eine Abmessung des Fehlers auf der Grundlage des Bildes der durch die Einheit zum tiefgehenden Lernen (31) spezifizierten Stelle misst; und eine Fehlerklassifizierungseinheit (33), die den Fehler auf der Grundlage der durch die Abmessung-Messeinheit (32) gemessenen Abmessung des Fehlers klassifiziert.
Description
- TECHNISCHES GEBIET
- Die vorliegende Offenlegung betrifft eine Fehlerprüfvorrichtung und ein Fehlerprüfverfahren.
- STAND DER TECHNIK
- Eine automatische Prüfvorrichtung, die einen Prüfgegenstand unter Verwendung von tiefgehendem Lernen (Deep Learning) in einem neuronalen Netzwerk prüft, ist bekannt (siehe zum Beispiel PTL 1).
- PTL 1 Japanische nicht geprüfte Patentanmeldung, Veröffentlichung Nummer 2003-76991
- KURZDARSTELLUNG DER ERFINDUNG
- TECHNISCHES PROBLEM
- Wenn Fehler an einem Prüfgegenstand unter Verwendung von tiefgehendem Lernen zu prüfen sind, wird die Qualität auf der Grundlage von durch tiefgehendes Lernen definierten abstrakten Fehlermerkmalen beurteilt. Daher wird spezifische Information, wie beispielsweise Längen und Tiefen von Fehlern, nicht verwendet.
- Bei einigen Prüffällen ist es jedoch wünschenswert, zum Beispiel Fehler mit einer Länge oder Tiefe kleiner als ein vorgegebener Wert zu reparieren und Prüfgegenstände mit Fehlern mit einer Länge oder Tiefe gleich oder größer als der vorgegebene Wert zu ersetzen.
- Wenn eine solche Beurteilung durch tiefgehendes Lernen durchgeführt wird, müssen Abmessungen, wie beispielsweise Längen und Tiefen, einer großen Anzahl von Fehlern in der Lernphase gemessen werden, und eine solche Lernaufgabe ist kompliziert und zeitaufwändig.
- Es ist daher wünschenswert, Prüfgegenstände entsprechend vorgesehener Abmessungen zu klassifizieren, ohne Zeit zum Lernen zu verbrauchen.
- LÖSUNG DES PROBLEMS
- Gemäß einem Aspekt der vorliegenden Offenlegung wird eine Fehlerprüfvorrichtung bereitgestellt, umfassend: eine Einheit zum tiefgehenden Lernen (Deep-Learning-Einheit), der ein durch Fotografieren einer Oberfläche eines Prüfgegenstands erzieltes Bild zugeführt wird, wobei die Einheit zum tiefgehenden Lernen auf der Grundlage des zugeführten Bildes das Fehlen oder Vorhandensein eines Fehlers auf einer Oberfläche des Prüfgegenstands beurteilt und eine als der Fehler beurteilte Stelle spezifiziert; eine Abmessung-Messeinheit, die eine Abmessung des Fehlers auf der Grundlage des Bildes der durch die Einheit zum tiefgehenden Lernen spezifizierten Stelle misst; und eine Fehlerklassifizierungseinheit, die den Fehler auf der Grundlage der durch die Abmessung-Messeinheit gemessenen Abmessung des Fehlers klassifiziert.
- Figurenliste
-
-
1 ist ein Blockdiagramm, das eine Fehlerprüfvorrichtung gemäß einer ersten Ausführungsform der vorliegenden Erfindung darstellt. -
2 ist eine Darstellung eines Beispiels eines durch eine Kamera in der in1 dargestellten Fehlerprüfvorrichtung erzielten Bildes. -
3 ist eine Darstellung, die rechteckige Bereiche darstellt, die als Fehler beurteilte Stellen umfassen, und die durch Zuführen des in2 dargestellten Bildes einer Einheit zum tiefgehenden Lernen erzielt werden. -
4 stellt ein Beispielbild dar, auf dem die Wahrscheinlichkeit, dass der in3 gezeigte rechteckige Bereich A einen Fehler aufweist, in Graustufen ausgedrückt ist. -
5 stellt ein Beispielbild dar, auf dem die Wahrscheinlichkeit, dass der in3 gezeigte rechteckige Bereich B einen Fehler aufweist, in Graustufen ausgedrückt ist. -
6 stellt ein Beispielbild eines durch Binarisieren des in4 gezeigten Bildes erzielten binären Bildes dar. -
7 stellt ein Beispielbild eines durch Binarisieren des in5 gezeigten Bildes erzielten binären Bildes dar. -
8 ist ein ein Fehlerprüfverfahren angebendes Flussdiagramm, das die in1 gezeigte Fehlerprüfvorrichtung verwendet. -
9 ist ein Blockdiagramm, das eine Modifikation der in1 gezeigten Fehlerprüfvorrichtung angibt. - BESCHREIBUNG VON AUSFÜHRUNGSFORMEN
- Eine Fehlerprüfvorrichtung
1 und ein Fehlerprüfverfahren gemäß einer Ausführungsform der vorliegenden Erfindung werden nunmehr mit Bezug auf die Zeichnungen beschrieben. - Wie es in
1 gezeigt ist, ist die Fehlerprüfvorrichtung1 gemäß dieser Ausführungsform mit einer Kamera2 , die einen PrüfgegenstandO fotografiert, und einer Bildverarbeitungseinrichtung3 ausgerüstet, die ein durch die Kamera2 erzieltes Bild (zweidimensionales Bild) P1 verarbeitet. - Die Bildverarbeitungseinrichtung
3 ist mit einer Einheit zum tiefgehenden Lernen (Deep-Learning-Einheit)31 , der das durch die Kamera2 erzielte BildP1 zugeführt wird; einer Fehlerabmessung-Messeinheit (Abmessung-Messeinheit)32 , die eine Abmessung eines Fehlers von dem aus der Einheit zum tiefgehenden Lernen31 ausgegebenen Bild berechnet; einer Fehlerklassifizierungseinheit33 , die den Fehler auf der Grundlage, ob die berechnete Abmessung des Fehlers einen vorgegebenen Schwellenwert übersteigt oder nicht, klassifiziert; und einer Speichereinheit34 ausgerüstet, die den Fehler und die Abmessung in Zusammenhang miteinander speichert. Die Einheit zum tiefgehenden Lernen31 , die Fehlerabmessung-Messeinheit32 und die Fehlerklassifizierungseinheit33 werden jeweils durch einen Prozessor gebildet, und die Speichereinheit34 wird durch einen Speicher gebildet. - Der Einheit zum tiefgehenden Lernen
31 werden im Voraus erzielte BilderP1 einer großen Anzahl von PrüfgegenständenO und die Information über Fehlen oder Vorhandensein von Fehlern auf den BildernP1 zugeführt, um tiefgehendes Lernen zu ermöglichen und ein Lernmodell zu konfigurieren. - Da die zum Konfigurieren des Lernmodells verwendete Information lediglich Information darüber sein muss, ob es Mängel gibt oder nicht, ist es nicht notwendig, die Abmessungen der Fehler zu messen, und somit ist die Lernaufgabe einfach.
- Wenn ein durch die Kamera
2 erzieltes BildP1 dem Lernmodell in der Einheit zum tiefgehenden Lernen31 zugeführt ist, wird das Fehlen oder Vorhandensein von Fehlern auf der Oberfläche des PrüfgegenstandsO auf dem BildP1 beurteilt.2 stellt ein durch die Kamera2 erzieltes BildP1 dar, und3 stellt das durch die Kamera2 erzielte BildP1 dar, auf dem Informationen über Positionen von rechteckigen Bereichen A und B, die als Fehler beurteilte Stellen enthalten, durch die Einheit zum tiefgehenden Lernen31 spezifiziert werden. - Die Einheit zum tiefgehenden Lernen
31 gibt dann Information über die Wahrscheinlichkeit eines Fehlers für jedes Pixel in den rechteckigen Bereichen A und B aus. - Wie es in
4 und5 gezeigt ist, werden BilderP2 undP3 , in welchen Abschnitte mit hohen Wahrscheinlichkeiten für Fehler in hellen Schattierungen und Abschnitte mit niedrigen Wahrscheinlichkeiten für Fehler in dunklen Schattierungen angegeben sind, in der Fehlerabmessung-Messeinheit32 auf der Grundlage der von der Einheit zum tiefgehenden Lernen31 ausgegebenen Information erzeugt. Darüber hinaus werden die erzeugten BilderP2 undP3 durch einen vorgegebenen Schwellenwert binarisiert, um binäre BilderP4 undP5 zu erzeugen, wie es in6 und7 gezeigt ist. - Für jeden weißen Pixelbereich in den erzeugten binären Bildern
P4 undP5 berechnet die Fehlerabmessung-Messeinheit32 zumindest die Länge in der Längsrichtung, die Länge in einer Richtung senkrecht zu der Längsrichtung, den Umfang und/oder die Fläche. - Die Fehlerklassifizierungseinheit
33 vergleicht den Schwellenwert und die in der Fehlerabmessung-Messeinheit32 berechnete Abmessung. Der Schwellenwert ist ein Wert zur Beurteilung, ob zum Beispiel eine Reparatur möglich ist oder ob eine Auslieferung möglich ist, und kann nach Wunsch eingestellt werden. - Mit anderen Worten können Fehler, die Längen, Umfänge oder Flächen kleiner als ein vorgegebener Schwellenwert aufweisen als reparierbar oder akzeptabel für die Auslieferung klassifiziert werden, und Fehler, die Längen, Umfänge, oder Flächen gleich oder größer als der Schwellenwert aufweisen, als irreparabel oder inakzeptabel für die Auslieferung klassifiziert werden.
- Die Speichereinheit
34 speichert die klassifizierten Fehler in Zusammenhang mit den durch die Fehlerabmessung-Messeinheit32 gemessenen Abmessungen. - Ein Fehlerprüfverfahren, das die Fehlerprüfvorrichtung
1 der vorliegenden Ausführungsform mit den vorstehend beschriebenen Merkmalen verwendet, wird nunmehr beschrieben. - Wie es in
8 dargestellt ist, beinhaltet das Fehlerprüfverfahren dieser Ausführungsform Fotografieren eines PrüfgegenstandsO mit der Kamera2 , um ein BildP1 zu erzielen (SchrittS1 ) und Zuführen des erzielten BildesP1 der Einheit zum tiefgehenden Lernen31 . In der Einheit zum tiefgehenden Lernen31 wird das Fehlen oder Vorhandensein von Fehlern auf der Oberfläche des PrüfgegenstandsO beurteilt (SchrittS2 ) und werden die als Mängel beurteilten Stellen spezifiziert (SchrittS3 ). - Wenn es keine als Fehler beurteilten Stellen in Schritt
S2 gibt, ist das Verfahren beendet. Wenn es als Fehler beurteilte Stellen gibt, wird Information hinsichtlich der Wahrscheinlichkeit, dass ein Fehler vorhanden ist, an die Fehlerabmessung-Messeinheit32 für jeden diese Stellen enthaltenden rechteckigen Bereich A und B ausgegeben und wird für jeden Fehler mindestens die Länge, Umfang und/oder Fläche in der Fehlerabmessung-Messeinheit32 berechnet (SchrittS4 ). - Als nächstes wird in der Fehlerklassifizierungseinheit
33 beurteilt, ob die berechnete Abmessung gleich oder größer als ein Schwellenwert ist (SchrittS5 ) und werden die Fehler in zwei Kategorien X und Y klassifiziert, die jeweils Fehlern entsprechen, die eine Abmessung kleiner als der Schwellenwert aufweisen, und Fehlern, die eine Abmessung gleich oder größer als der Schwellenwert aufweisen (SchritteS6 undS7 ). Die klassifizierten Fehler werden in der Speichereinheit34 in Zusammenhang mit den in der Fehlerabmessung-Messeinheit32 gemessenen Abmessungen der Fehler gespeichert (Schritt8 ). - Wenn nicht alle rechteckigen Bereiche A und B klassifiziert sind, werden die Schritte von Schritt
S4 an für die nächsten rechteckigen Bereiche A und B wiederholt (SchrittS9 ). - Gemäß der Fehlerprüfvorrichtung
1 und dem Fehlerprüfverfahren dieser Ausführungsform wird das Fehlen oder Vorhandensein von Fehlern durch tiefgehendes Lernen von einem durch die Kamera2 erzielten BildP1 beurteilt. Somit kann das Fehlen oder Vorhandensein von Fehlern beurteilt werden und können deren Stellen spezifiziert werden, ohne klar zu definieren, was Fehler sind. Mit anderen Worten kann gemäß tiefgehendem Lernen leicht erlernt werden, ob der betreffende Gegenstand ein Fehler oder anhaftende Materie, wie beispielsweise Staub, ist und kann das Fehlen oder Vorhandensein von Fehlern auf dem zugeführten BildP1 leicht beurteilt werden. - Die als Fehler beurteilten Stellen werden Bildverarbeitung in der Fehlerabmessung-Messeinheit
32 unterzogen, um mindestens die Länge, Umfang und/oder Fläche für jeden Fehler zu messen. Somit können die Fehler leicht in der Fehlerklassifizierungseinheit33 klassifiziert werden. - In diesem Fall wird eine beim tiefgehenden Lernen als Fehler beurteilte Stelle gemessen, um die Abmessung des Fehlers durch Bildverarbeitung zu ermitteln. Somit besteht ein Vorteil darin, dass es keine Notwendigkeit gibt, Abmessungen von Fehlern bei der Lernphase von tiefgehendem Lernen zu verwenden, und somit kann Lernen leicht und in kurzer Zeit abgeschlossen werden. Ein weiterer Vorteil besteht darin, dass, wenn die gemessene Abmessung kleiner als ein Schwellenwert ist und wenn zum Beispiel der Fehler als akzeptabel zur Auslieferung klassifiziert ist, der Fehler und die Abmessung in Zusammenhang miteinander in der Speichereinheit
34 gespeichert werden und somit die Rückverfolgbarkeit nach Auslieferung verbessert werden kann. Noch ein weiterer Vorteil besteht darin, dass der Auslieferungsstandard durch Ändern des Schwellenwerts der Abmessung des Fehlers eingestellt werden kann, ohne das Lernen erneut durchführen zu müssen. - Bei dieser Ausführungsform wird in der Fehlerabmessung-Messeinheit
32 mindestens die Länge, Umfang und/oder Fläche eines Fehlers berechnet und wird die berechnete Abmessung mit einem Schwellenwert verglichen, um den Fehler in zwei Kategorien X und Y zu klassifizieren. Alternativ können sowohl die Länge, der Umfang als auch die Fläche eines Fehlers berechnet werden, und der Fehler kann in zwei Kategorien X und Y auf der Grundlage, ob einer dieser Werte gleich oder größer als der entsprechende Schwellenwert ist, klassifiziert werden. In Abhängigkeit der Arten von Abmessungen, die die Schwellenwerte überschreiten, kann der Fehler in drei oder mehr Kategorien klassifiziert werden. - Bei dieser Ausführungsform werden Bilder
P2 undP3 , die von der Information erzeugt werden, die die Wahrscheinlichkeit, dass ein von der Einheit zum tiefgehenden Lernen31 ausgegebener Fehler besteht, binarisiert und werden die Abmessungen von diesen binären Bilder gemessen; alternativ kann das durch die Kamera2 erzielte BildP1 direkt Bildverarbeitung unterzogen werden, um den Rand eines Fehlers zu extrahieren und mindestens die Länge, Umfang und/oder Fläche des Fehlers unter Verwendung des extrahierten Randes zu berechnen. - Bei dieser Ausführungsform nimmt die Kamera
2 ein zweidimensionales BildP1 auf; alternativ kann die Kamera2 ein zweidimensionales Bild und ein dreidimensionales Bild aufnehmen. Wie es in9 dargestellt ist, kann die Kamera2 sowohl mit einer zweidimensionalen Kamera21 als auch mit einer dreidimensionalen Kamera22 ausgerüstet sein, um ein zweidimensionales Bild und ein dreidimensionales Bild durch Wechseln zwischen diesen Kameras aufzunehmen. Alternativ können zwei zweidimensionale Bilder mit unterschiedlichen Parallaxen erzielt werden, um ein dreidimensionales Bild aus den zweidimensionalen Bildern zu bilden. - In einem solchen Fall können, wie es in
9 dargestellt ist, in der Einheit zum tiefgehenden Lernen31 die zweidimensionalen Bilder verwendet werden, um das Fehlen oder Vorhandensein eines Fehlers zu beurteilen und die Stelle des Fehlers zu spezifizieren, und kann in der Fehlerabmessung-Messeinheit32 das dreidimensionale Bild verwendet werden, um die Tiefe des Fehlers zu messen. Auf diese Weise kann die Tiefe als Standard zur Klassifizierung des Fehlers verwendet werden. In der Fehlerabmessung-Messeinheit32 können sowohl ein zweidimensionales Bild als auch ein dreidimensionales Bild verwendet werden, um mindestens die Länge, Umfang, Fläche und/oder Tiefe des Fehlers zu verwenden, um den Fehler zu klassifizieren. - Bei dieser Ausführungsform kann ein Bewegungsmechanismus vorgesehen sein, der die dreidimensionale Kamera
22 bewegt. Auf diese Weise kann die dreidimensionale Kamera22 durch den Bewegungsmechanismus auf der Grundlage der Positionsinformation des aus dem zweidimensionalen Bild erzielten Fehlers bewegt werden und somit kann eine dreidimensionale Kamera22 mit einem engeren Sichtfeld (zum Beispiel eine Kamera mit höherer Auflösung aber mit einem engeren Sichtfeld) als die zweidimensionale Kamera21 verwendet werden. - Bezugszeichenliste
-
- 1
- Fehlerprüfvorrichtung
- 31
- Einheit zum tiefgehenden Lernen (Deep-Learning-Einheit)
- 32
- Fehlerabmessung-Messeinheit (Abmessung-Messeinheit)
- 33
- Fehlerklassifizierungseinheit
- 34
- Speichereinheit
- O
- Prüfgegenstand
- P1
- Bild (zweidimensionales Bild)
Claims (6)
- Fehlerprüfvorrichtung, umfassend: eine Einheit zum tiefgehenden Lernen, der ein durch Fotografieren einer Oberfläche eines Prüfgegenstands erzieltes Bild zugeführt wird, wobei die Einheit zum tiefgehenden Lernen auf der Grundlage des zugeführten Bildes das Fehlen oder Vorhandensein eines Fehlers auf einer Oberfläche des Prüfgegenstands beurteilt und eine als der Fehler beurteilte Stelle spezifiziert; eine Abmessung-Messeinheit, die eine Abmessung des Fehlers auf der Grundlage des Bildes der durch die Einheit zum tiefgehenden Lernen spezifizierten Stelle misst; und eine Fehlerklassifizierungseinheit, die den Fehler auf der Grundlage der durch die Abmessung-Messeinheit gemessenen Abmessung des Fehlers klassifiziert.
- Fehlerprüfvorrichtung nach
Anspruch 1 , wobei die Abmessung-Messeinheit mindestens eine Länge und/oder eine Fläche des Fehlers in einem binären Bild misst, das durch Binarisieren von beim Beurteilen des Fehlens oder Vorhandenseins des Fehlers in der Einheit zum tiefgehenden Lernen verwendeten Pixelwerten erzielt wird. - Fehlerprüfvorrichtung nach
Anspruch 1 , wobei die Abmessung-Messeinheit einen Rand des Fehlers aus den Bilddaten extrahiert und mindestens eine Länge und/oder eine Fläche des Fehlers auf der Grundlage des extrahierten Randes misst. - Fehlerprüfvorrichtung nach
Anspruch 1 , wobei das zugeführte Bild ein zweidimensionales Bild und ein dreidimensionales Bild umfasst; auf der Grundlage des zweidimensionalen Bildes die Einheit zum tiefgehenden Lernen das Fehlen oder Vorhandensein des Fehlers auf der Oberfläche des Prüfgegenstands beurteilt und die als der Fehler beurteilte Stelle spezifiziert, und auf der Grundlage des dreidimensionalen Bildes die Abmessung-Messeinheit eine Tiefe des Fehlers an der durch die Einheit zum tiefgehenden Lernen spezifizierten Stelle misst. - Fehlerprüfvorrichtung nach einem der
Ansprüche 1 bis4 , ferner umfassend eine Speichereinheit, die den durch die Fehlerklassifizierungseinheit klassifizierten Fehler in Zusammenhang mit der durch die Abmessung-Messeinheit gemessenen Abmessung des Fehlers speichert. - Fehlerprüfverfahren, umfassend: Zuführen eines durch Fotografieren einer Oberfläche eines Prüfgegenstands erzielten Bildes; Beurteilen des Fehlens oder Vorhandenseins eines Fehlers auf der Oberfläche des Prüfgegenstands und Spezifizieren der als der Fehler beurteilten Stelle auf der Grundlage des zugeführten Bildes; Messen einer Abmessung des Fehlers auf der Grundlage des Bildes der spezifizierten Stelle; und Klassifizieren des Fehlers auf der Grundlage der gemessenen Abmessung des Fehlers.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019024369A JP2020134187A (ja) | 2019-02-14 | 2019-02-14 | 傷検査装置および方法 |
JP2019-024369 | 2019-02-14 |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102020102853A1 true DE102020102853A1 (de) | 2020-08-20 |
Family
ID=71843897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020102853.9A Withdrawn DE102020102853A1 (de) | 2019-02-14 | 2020-02-05 | Fehlerprüfvorrichtung und -verfahren |
Country Status (4)
Country | Link |
---|---|
US (1) | US20200265575A1 (de) |
JP (1) | JP2020134187A (de) |
CN (1) | CN111563873A (de) |
DE (1) | DE102020102853A1 (de) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7356962B2 (ja) | 2020-12-15 | 2023-10-05 | 株式会社神戸製鋼所 | 機械学習装置および該方法ならびに膜厚測定装置および該方法 |
KR102494890B1 (ko) * | 2020-12-17 | 2023-02-06 | 텔스타홈멜 주식회사 | 철제 금형물 품질 검사를 위한 지능형 전수검사 시스템 |
JP2022187282A (ja) * | 2021-06-07 | 2022-12-19 | 日本電気硝子株式会社 | 検査装置、検査方法、ガラス板の製造方法、および検査プログラム |
CN113758932B (zh) * | 2021-09-07 | 2022-11-25 | 广东奥普特科技股份有限公司 | 一种基于深度学习的锂电池膈膜缺陷视觉检测方法 |
CN114529507B (zh) * | 2021-12-30 | 2024-05-17 | 广西慧云信息技术有限公司 | 一种基于视觉Transformer的刨花板表面缺陷检测方法 |
-
2019
- 2019-02-14 JP JP2019024369A patent/JP2020134187A/ja active Pending
-
2020
- 2020-01-13 US US16/740,697 patent/US20200265575A1/en not_active Abandoned
- 2020-01-21 CN CN202010072475.7A patent/CN111563873A/zh active Pending
- 2020-02-05 DE DE102020102853.9A patent/DE102020102853A1/de not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
CN111563873A (zh) | 2020-08-21 |
US20200265575A1 (en) | 2020-08-20 |
JP2020134187A (ja) | 2020-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020102853A1 (de) | Fehlerprüfvorrichtung und -verfahren | |
DE3937950C2 (de) | ||
DE60100594T2 (de) | Verfahren und system zur aufspürung von fehlern auf einer gedruckten leiterplatte | |
DE10000364B4 (de) | Merkmalbasierende Feststellung von Fehlern | |
DE10392705B4 (de) | Verfahren zur Musterprüfung | |
DE60225354T2 (de) | Verfahren und vorrichtung zur herstellung eines referenzbildes bei einer prüfvorrichtung für glasflaschen | |
DE102018129425B4 (de) | System zur Erkennung eines Bearbeitungsfehlers für ein Laserbearbeitungssystem zur Bearbeitung eines Werkstücks, Laserbearbeitungssystem zur Bearbeitung eines Werkstücks mittels eines Laserstrahls umfassend dasselbe und Verfahren zur Erkennung eines Bearbeitungsfehlers eines Laserbearbeitungssystems zur Bearbeitung eines Werkstücks | |
DE69822608T2 (de) | Binarisierungsverfahren in einem Zeichenerkennungssystem | |
DE4201514A1 (de) | Verfahren zur ermittlung von fehlerhaften stellen | |
DE112013000627T5 (de) | Segmentierung zur Waferinspektion | |
DE19641414A1 (de) | Verfahren und Vorrichtung zur Einteilung eines Fehlers auf einem Halbleiterwafer | |
DE102008015499A1 (de) | Verfahren und Vorrichtung zur Bestimmung der 3D-Koordinaten eines Objekts | |
DE112015004721T5 (de) | Defektdetektion unter verwendung von strukturinformation | |
DE102012107287A1 (de) | System und Verfahren zum identifizieren von Fehlern in einem Material | |
DE202009013865U1 (de) | Konzept zum Auswählen eines optimierten Bewertungsmerkmalsteilsatzes für eine Inspektion von Freiformoberflächen und Konzept zum Inspizieren einer Freiformoberfläche | |
DE2831297C2 (de) | Automatische Prüfanordnung zum Untersuchen von Zeichenstrukturen | |
EP2605212A2 (de) | Verfahren und Vorrichtung zum optischen Prüfen von bei der Herstellung und/oder Verpackung von Zigaretten zu prüfenden Objekten | |
DE69913274T2 (de) | Automatische Überwachung der Druckqualität durch ein elastisches Modell | |
DE102016100132B4 (de) | Verfahren und Vorrichtung zum Untersuchen eines Objekts unter Verwendung von maschinellem Sehen | |
DE102010032241A1 (de) | Verfahren und Vorrichtung zum Erkennen von Oberflächenfehlern | |
DE102016100134A1 (de) | Verfahren und Vorrichtung zum Untersuchen eines Objekts unter Verwendung von maschinellem Sehen | |
DE60026774T2 (de) | Defekterkennung mit Verwendung von Grauwertsignaturen | |
DE3303841C2 (de) | Musterprüfeinrichtung und Verfahren zum Prüfen eines Musters | |
DE102023113166A1 (de) | Bildverarbeitungsverfahren und -einrichtung | |
DE102016123194A1 (de) | Messvorrichtung, Messverfahren und Produktfertigungsverfagren |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |