FI122806B - Menetelmä ja tuote poikkeavuuksien havaitsemiseksi - Google Patents
Menetelmä ja tuote poikkeavuuksien havaitsemiseksi Download PDFInfo
- Publication number
- FI122806B FI122806B FI20050706A FI20050706A FI122806B FI 122806 B FI122806 B FI 122806B FI 20050706 A FI20050706 A FI 20050706A FI 20050706 A FI20050706 A FI 20050706A FI 122806 B FI122806 B FI 122806B
- Authority
- FI
- Finland
- Prior art keywords
- image data
- previous
- weighted
- filtered
- additional information
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 65
- 238000001914 filtration Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 16
- 230000003044 adaptive effect Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 description 16
- 238000001514 detection method Methods 0.000 description 13
- 238000011179 visual inspection Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 7
- 230000004044 response Effects 0.000 description 7
- 230000007704 transition Effects 0.000 description 7
- 239000000047 product Substances 0.000 description 6
- 230000002950 deficient Effects 0.000 description 5
- 238000007781 pre-processing Methods 0.000 description 5
- 230000010354 integration Effects 0.000 description 4
- 238000002203 pretreatment Methods 0.000 description 4
- 238000012935 Averaging Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 239000002699 waste material Substances 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 229920006395 saturated elastomer Polymers 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000008685 targeting Effects 0.000 description 2
- 230000003612 virological effect Effects 0.000 description 2
- 101100518501 Mus musculus Spp1 gene Proteins 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000007795 chemical reaction product Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005470 impregnation Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000011045 prefiltration Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000037303 wrinkles Effects 0.000 description 1
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
-
- 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
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
- G01N21/8983—Irregularities in textured or patterned surfaces, e.g. textiles, wood for testing textile webs, i.e. woven material
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Textile Engineering (AREA)
- Theoretical Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Wood Science & Technology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Keksintö kohdistuu menetelmään kuvadatan käsittelemiseksi poikkeavuuksien havaitsemiseksi rainassa. Rainaa valvotaan ainakin yhdellä kameralla muodostaen kuva, jossa on yksi tai useita pikseleitä rainan poikkisuunnassa ja yksi tai useita pikseleitä rainan pituussuunnassa. Kuvan data tallennetaan muistiin. Kuvan dataa käsitellään prosessorilla muodostamalla suodatettu kuvadata painottamalla kuvadataa ja yhdistämällä painotettu kuvadata ainakin yhteen painotetusta aiemmasta kuvadatasta ja painotetusta aiemmasta suodatetusta kuvadatasta sekä suorittamalla suodatus ainakin yhdellä epälineaarisella algoritmilla. Suodatetun kuvan data tallennetaan muistiin.
Description
MENETELMÄ JA TUOTE POIKKEAVUUKSIEN HAVAITSEMISEKSI
5 Tekniikan ala
Esillä oleva keksintö kohdistuu menetelmään kuvadatan käsittelemiseksi poikkeavuuksien havaitsemiseksi rainassa, sekä tietokoneella käsiteltävään tallennusvälineeseen tallennettuun tietokoneohjelmatuotteeseen kuvadatan käsittelemiseksi poikkeavuuksien havaitsemiseksi rainassa.
10
Keksinnön tausta
Nykyiset rainan tarkastusjärjestelmät käyttävät kuvantamistekniikoita vikojen ja muiden poikkeavuuksien havaitsemiseksi. Reiät, täplät ja likahiukkaset ovat esimerkkejä vioista ja rynkyt, viirut ja limapilkut ovat esimerkkejä heikoista vioista, jotka paperinvalmistajien tulee 15 tunnistaa. Vastaavasti metallilevyn valmistaj ien osalta kuonasulkeumat, säröt ja naarmut ovat esimerkkejä vioista ja heikot säröt, heikot naarmut ja painumat ovat esimerkkejä heikoista vioista, jotka tulee tunnistaa. Näissä tapauksissa heikko vika aiheuttaa ainoastaan pienen muutoksen digitaalisen videosignaalin intensiteettitasoon verrattuna virheettömästä tuotteesta mitatun signaalin keskimääräiseen vaihteluun.
20
Rainassa olevat heikot pitkänomaiset viat voidaan nykyisin parhaiten tunnistaa keskiarvoistus--1- tai intcgrointimcnctchnin. Optimaalinen tulos saadaan vain silloin, kun vika on tarkalleen rainan δ ^ poikkisuunnassa, vika on tarkalleen rainan konesuunnassa tai vika on tietyssä tarkassa kulmassa c\i V rainatuotteeseen nähden, o w 25 x £ Heikkojen vikojen tunnistamiseen käytetään sovitussuotimia tai kaksiulotteisia FIR (Finite g Impulse Response) -suotimia (esimerkiksi reunaoperaattoreita), mutta vian kokoj aja muotoj a g on rajattu määrä.
o o C\l 2
Perinteinen tapa viirujen havaitsemiseksi on integroida tai keskiarvoistaa videosignaali konesuunnassa signaali-kohinasuhteen (S/N) parantamiseksi. Perinteinen menetelmä ei ole riittävä, jos digitaalikameran erottelukyky poikkisuunnassa on suuri ja heikkojen viirujen havaitsemiselle asetetaan korkeat vaatimukset. Kun käytetään suurta poikkisuuntaista 5 erottelukykyä, poikkisuuntaisten pikselipaikkojen määrä on suuri ja yksittäisen pikselin leveys on pieni. Tämä voi johtaa ongelmiin perinteisessä menetelmässä esimerkiksi laitteiston normaalin värähtelyn takia, sillä raina ja täten myös viiru voivat värähdellä ja kapea viiru voi siirtyä pois alkuperäisestä poikkisuuntaisesta pikselipaikastaan. Yksinkertainen keskiarvoistus tai integrointi konesuunnassa ei siis ole optimaalista viimjen havaitsemisen kannalta. Viirujen 10 havaitsemismenetelmän tulisi pystyä seuraamaan viirua, kun poikkisuuntainen paikka muuttuu hieman.
On tarvetta havaitsemismenetelmälle, joka pystyy käsittelemään vikoja heikot viat mukaan luettuina.
15
Keksinnön kuvaus
Keksinnön tarkoituksena on ratkaista edellä mainitut ongelmat ja aikaansaada uusi menetelmä kuvadatan käsittelemiseksi poikkeavuuksien havaitsemiseksi rainassa, jossa menetelmässä rainaa valvotaan ainakin yhdellä kameralla, muodostetaan ainakin yksi 20 kuva, jossa on ainakin yksi pikseli rainan poikkisuunnassa ja ainakin yksi pikseli rainan pituussuunnassa, ja kuvadata tallennetaan muistiin. Kuvadataa käsitellään prosessorilla seuraavasti: muodostetaan suodatettu kuvadata painottamalla kuvadataa, yhdistetään painotettu kuvadata ainakin yhteen seuraavista: painotettuun aiempaan kuvadataan ja painotettuun aiempaan suodatettuun kuvadataan, suoritetaan suodatus ainakin yhdellä o 25 epälineaarisella algoritmilla ja tallennetaan suodatetun kuvan data muistiin.
CM
CM
Keksinnön toisena näkökantana on aikaansaada tietokoneella käsiteltävään tallennusvälineeseen tallennettu tietokoneohjelmatuote kuvadatan käsittelemiseksi poikkeavuuksien havitsemiseksi
CL
(q rainassa, jolloin rainaa valvotaan ainakin yhdellä kameralla, muodostetaan ainakin yksi kuva, o o 30 jossa on ainakin yksi pikseli rainan poikkisuunnassa ja ainakin yksi pikseli rainan tn o pituussuunnassa, ja kuvadata tallennetaan muistiin. Tietokoneohjelmatuote käsittää välineet
CM
kuvadatan käsittelemiseksi prosessorilla, välineet suodatetun kuvadatan muodostamiseksi painottamalla kuvadataa, välineet painotetun kuvadatan yhdistämiseksi ainakin yhteen 3 seuraavista: painotettuun aiempaan kuvadataan ja painotettuun aiempaan suodatettuun kuvadataan, välineet suodatuksen suorittamiseksi ainakin yhdellä epälineaarisella algoritmilla ja välineet suodatetun kuvan datan tallentamiseksi muistiin.
Esillä oleva keksintö on paikallinen käsittelymenetelmä, joka perustuu adaptiivisen 5 ympäristön ajatukseen. Menetelmässä käytetään yhtä tai useita suotimia yhdessä epälineaarisen algoritmin kanssa päätösperustaisen suotimen muodostamiseksi. Päätösperustaisen suotimen sisäinen suodinrakenne voi olla esimerkiksi HR (Infinite Impulse Response)- tai FIR (Finite Impulse Response) -suodin. Kun käytetään kahta tai sitä useampaa suodinta sarjassa, rinnan tai matriisissa, suotimet voivat käsittää erityyppisiä 10 suotimia. Tyypillisiä esimerkkejä adaptiivisessa algoritmissa käytettävistä epälineaarisista funktioista ovat minimi-, maksimi-ja mediaanifunktiot.
Adaptiivista algoritmia käytetään päätöksentekoon siitä, miten kuvadatan paikallisen ympäristön aiempaa kuvadataa ja/tai aiempaa suodatettua kuvadataa painotetaan suodatetun kuvadatan arvon muodostamiseksi. Suodatuksen painotus voi perustua useisiin 15 tietolähteisiin: 1. nykyisen pikselin paikallisen ympäristön aiempi kuvadata, 2. nykyisen pikselin paikallisen ympäristön aiempi suodatettu kuvadata, 3. valinnaiset parametrit, jotka voivat perustua johonkin a priori -tietoon ja esimerkiksi pakottaa jotkin painot kiinteästi tiettyyn ennalta määrättyyn arvoon, 4. valinnaiset lisätiedot suodatusprosessin edellisestä vaiheesta synkronoituina vastaavien suotimen vasteiden kanssa ja tallennettuina 20 epälineaarisen adaptiivisen algoritmin rakenteen sisällä olevaan muistiin, 5. valinnaiset lisätiedot sarja- ja/tai rinnakkais- ja/tai matriisimuotoisen suodinrakenteen jostakin muusta suotimesta. Suodatetun kuvadatan muodostamiseen käytettyjen signaalien painotus määrittelee kuvadatan paikallisen ympäristön. Paikallinen ympäristö voidaan määritellä o aiemman kuvadatan perusteella (päätösperustaisen suotimen myötäsuuntainen osa) ja/tai <n 25 aiemman suodatetun kuvadatan perusteella (päätösperustaisen suotimen o takaisinkytkentäosa). Painotuksen mukaan tietyt vikasignaaliarvot rainan tietyssä g suunnassa, kuvadatan arvon paikallisessa ympäristössä, voivat korostua. Lisätiedot voivat
CL
sisältää esimerkiksi paikallisen suunnan, globaalin suunnan, kulma-alueen, kasvavan tai o ^ vähenevän intensiteetin, kiinteän suunnan, värin (esimerkiksi tosi- tai väärävärin), kulman m § 30 (suunnan) vaiheen sekä jotakin a priori -tietoa.
c\i 4
Erityistapauksessa kaikki painot yhtä lukuun ottamatta voidaan asettaa nollaksi, jolloin muodostuu valitsin. Aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan painotus eli se, mitkä arvot suuresta joukosta aiemman kuvadatan arvoja ja/tai aiemman suodatetun kuvadatan arvoja valitaan yhdistettäviksi kuvadataan, perustuu aiempaan kuvadataan ja/tai 5 aiempaan suodatettuun kuvadataan, edellisten suodatusprosessien valinnaisiin lisätietoihin tai valinnaisiin parametreihin.
Lisätiedot voidaan muodostaa pemstuen: • aiempaan kuvadataan ja/tai aiempaan suodatettuun kuvadataan tai • edellisten suodatusprosessien lisätietoihin tai 10 · yhteen tai useaan parametriin tai • edellisen suotimen lisätietoihin.
Lisätiedot voidaan myös määrittää kiinteästi ennalta. Lisätiedot tallennetaan adaptiivisen algoritmin rakenteen sisällä olevaan muistiin.
Yksi menetelmän periaatteista on minimi- ja maksimifunktioiden käyttäminen adaptiivisen 15 algoritmin sisällä ja sellaisen menetelmän muodostaminen, jossa lähdevideosignaalin maksimi- intensiteetin harjanteita tai minimi-intensiteetin laaksoja seurataan ja ne integroidaan tai keskiarvoistetaan harjanteen tai laakson suunnassa. Keksintöä voidaan hyödyntää myös heikkojen alueiden tunnistamiseen, jossa heikkona alueena pidetään lyhyttä ja leveää käyrää. Menetelmä integroi heikkojen alueiden ylänköjen tai alankojen signaalit. Menetelmän vahvuus ___ 20 perustuu sen kykyyn levitä heikolle alueelle alueen muodosta tai koosta riippumatta.
δ
CVJ
Esillä olevassa keksinnössä havaitseminen voidaan parametroida kattamaan i o samanaikaisesti viat, joiden kulma on mikä tahansa välillä 0-180°. Käytännössä 0° g tarkoittaa rainan poikkisuuntaa ja 90° konesuuntaa. Kuvadataa voidaan kuitenkin käsitellä
CL
φ 25 missä tahansa suunnassa mainittujen kulmien rajoissa. Jos esimerkiksi o ^ esikäsittelymenetelmä kiertää kuvaa 45°, niin 0° laskennassa on 45° todellisuudessa ja 90° m § laskennassa on 135° todellisuudessa.
CM
5
Menetelmä voidaan kohdistaa tietylle kulma-alueelle. Aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan valinnan suunta suodatettua kuvadataa varten voi olla esimerkiksi • kiinnitetty ennalta määrättyyn sektoriin tai • olla sama kuin aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan sektori tai 5 · olla rajoitettu kapeampaan sektoriin tai laajennettu leveämpään sektoriin aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan edelliseen sektoriin verrattuna tai • olla riippumaton aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan edellisen valinnan suunnasta tai • olla riippuvainen aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan 10 edellisen valinnan suunnasta tai • olla automaattisesti säädettävissä esimerkiksi rynkyn, käyrän tai viirun havaitsemistuloksen perusteella.
Viimeisessä tapauksessa kulma-alue voi siis muuttua havaittavan vian mukaisesti. Säädön nopeus voi olla parametroitavissa. Kulma-alueen erottelukyky perustuu ainoastaan kulman 15 esittämiseen varattujen laiteresurssien määrään.
Toisaalta aiempi kuvadata ja/tai aiempi suodatettu kuvadata voidaan valita mistä tahansa rainan suunnasta tai se voi olla peräisin kuvadatan paikallisesta ympäristöstä.
Aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan painotus suodatettua kuvadataa ^ varten on riippumaton tai riippuvainen aiemmasta kuvadatasta ja/tai aiemmasta painotetusta ^ 20 kuvadatasta ja/tai edellisen suotimen lisätiedoista ja/tai aiemman kuvadatan ja/tai aiemman ^ suodatetun kuvadatan edellisten suodatusprosessien lisätiedoista.
CM
| Ennen kuvadatan yhdistämistä voidaan käyttää joukkoa esikäsittelymenetelmiä.
to Esikäsittelymenetelmän valinta riippuu sovelluksesta. Normaalin harmaasävyvideosignaalin
O
o lisäksi menetelmän lähdevideosignaali voidaan muodostaa ylipäästö-, alipäästö-, kaistanpäästö-
LO
o 25 tai kaistanestovideosuodatuksen, tosi- tai väärävärikuvatiedon tai muun sellaisen tiedon
CM
perusteella, joka korostaa alkuperäisen videosignaalin haluttuja piirteitä, jotka menetelmällä tunnistetaan. Esimerkiksi perinteisiä reunanilmaisuoperaattoreita voidaan hyödyntää ennen 6 menetelmässä tapahtuvaa yhdistämistä, minkä jälkeen menetelmällä integroidaan reunanilmaisimen löytämiä reunaelementtejä.
Havaitsemisen suorituskyky paranee, jos käytetään useita keksinnön mukaisen menetelmän 5 muunnelmia samanaikaisesti Saijassa tai rinnan. Tämä riippuu luonnollisesti käytettävissä olevista resursseista.
Rainanvalvontakamera voi olla minkätyyppinen elektroninen kamera hyvänsä, esimerkiksi viivakamera tai matriisikamera. Muodostettava kuva koostuu k x n pikselistä, esimerkiksi 10 1 x 1 tai 4 x 4. Menetelmä mahdollistaa vikojen etsinnän kuvista, joiden erotuskyky poikkeaa toisistaan, esikäsittelymenetelmiä käyttäen.
Edullisessa suoritusmuodossa menetelmä kuvadatan käsittelemiseksi tarkoituksena havaita poikkeavuuksia rainassa suoritetaan tietokoneella. Käytettävät ohjelmat tallennetaan tietokoneen muistiin tai tietokoneella luettavalle tallennusvälineelle, joka voidaan ladata 15 tietoj enkäsittelylaitteeseen. Kyseisissä tietokoneella luettavissa tallennusvälineissä on ohjeet, joilla saadaan tietokone suorittamaan tietty menetelmä.
Piirustusten lyhyt kuvaus
Kuvio 1 on kaavamainen yleiskuva visuaalisen tarkastuksen järjestelmästä; 20 Kuvio 2 esittää vuokaaviota, jossa kuvataan keksinnön päävaiheet;
Kuvio 3 on päätösperustaisen suodinjäijestelmän sisäinen rakenne;
Kuvio 4 on ensimmäisen suoritusmuodon mukaisen suodinjäijestelmän sisäinen rakenne;
Kuvio 5 esittää kulmaruudukkoa.
δ 25 Yksityiskohtainen kuvaus
OJ
V Kuvio 1 esittää visuaalisen tarkastusjärjestelmän 10 teollista sovellusta 1, jonka yhteydessä o 0X1 menetelmää ja tuotetta poikkeavuuksien havaitsemiseksi voidaan käyttää. Tässä esimerkissä
X
£ visuaalisen tarkastuksen jäijestelmä edustaa mitä tahansa visuaalista järjestelmää, joka ottaa ja § kerää elektronisia kuvia eri materiaaleista tai kohteista niiden eri ominaisuuksien luokittelua § 30 varten. Visuaalisen tarkastuksen järjestelmää 10 voidaan soveltaa erilaisiin jatkuviin ja
O
oj epäjatkuviin tuotantolinjoihin. Kuvio 1 esittää tapausta, jossa visuaalisen tarkastuksen 7 järjestelmä 10 tarkastaa liikkuvaa ja jatkuvaa rainaa 11, joka on valmistettu paperikoneen kaltaisella prosessilinjalla.
Liikkuvaa rainaa 11 tarkastellaan yhdellä tai usealla kameralla 13 rainan 11 yhdeltä puolelta. 5 Kamerat 13 on asennettu sopivaan mekaaniseen tukeen, kuten kamerapalkkiin 12. Raina 11 valaistaan alapuolelta valonlähteen 14 avulla. Valonlähde voidaan sijoittaa myös rainan 11 yläpuolelle. Läpikuultaville materiaaleille käytetään ensisijaisesti läpäisevää valoa, kuten kuviossa 1 on esitetty. Heijastuva valo on sovelias etenkin muille materiaalityypeille. Heijastuvan valon ollessa kyseessä valaistuskulma voi olla peilimäinen tai hajanainen suhteessa 10 kameran kuvakulmaan.
Kamerat 13 voivat olla minkä tahansa tyyppisiä elektronisia kameroita, jotka voidaan kytkeä suoraan tai epäsuorasti kuvankäsittely-yksikköön 15. Kuvankäsittely-yksikön 15 toimintoja voidaan myös integroida kameran 13 kanssa, jolloin kamera 13 on tavallista monimutkaisempi 15 itsenäinen kuvankäsittely-yksikkö. Analogisen kameran, esimerkiksi analogisen CCD-viivakameran tai -matriisikameran, kuvasignaali on ensin muunnettava digitaaliseen muotoon. Digitaalisen kameran tuottama kuvadata on tavallisesti valmiimpaa käsiteltäväksi digitaalisesti kuvankäsittely-yksikössä 15. Kuvankäsittely-yksikkö 15 vastaanottaa kameroista 13 digitaalisen esityksen kameroilla 13 kuvannetusta näkymästä. Kyseinen esitys on digitaalisten lukujen 20 Saijan muodossa. Kuvankäsittely-yksikkö 15 tulkitsee tämän datan elektroniseksi kuvaksi, josta toisaalla käytetään nimitystä kuva, kameran 13 ominaisuuksista omaamiensa tietojen perusteella. Esimerkiksi kuvankäsittely-yksikkö 15 yhdistää viivakameran lähettämät peräkkäiset datasaijat matriisiksi, joka edustaa kuvaa rainasta 11.
5 25 Kuvankäsittely-yksikkö 15 on erillinen laiteyksikkö, joka tavallisesti on ohjelmoitavissa. Se voi
(M
di olla osittain tai täysin integroitu kameraan, kuten kuviossa 1 on esitetty. Se voi myös olla o henkilökohtainen tietokone tai mikä tahansa muu tyypiltään yleinen tietokone. Yksi tietokone
(M
x huolehtii yhden tai usean kameran kuvadatan käsittelystä. Kuvadatan käsittelymenetelmää sovelletaan tässä vaiheessa. Suoritetaan havaitseminen eli otetaan tarkastussignaali, jonka
CD
° 30 tunnistetaan olevan peräisin viasta, j a kuvadatan käsittelymenetelmän avulla rainan kuva j aetaan o o kiinnostaviin alueisiin. Tämän käsittelyvaiheen lopputuote on joukko elektronisia kuvia, jotka ^ esittävät segmentoituja osia rainasta, kyseisten kuvien ollessa elektronisesti manipuloituja siten, että ne täyttävät käsillä olevan sovelluksen vaatimukset.
8
Kuvat välitetään eteenpäin seuraavaan käsittelyvaiheeseen, joka on kuva-analysointi. Tämä vaihe voidaan tehdä kuvankäsittely-yksiköllä 15 tai erillisellä tietokoneella, joka voi olla osa visuaalisen tarkastuksen järjestelmän 10 työasemaa 16 ja joka tavallisesti on kaikille kameroille 5 13 yhteinen. Kuva-analyysi käsittää esimerkiksi kuvassa olevien kiinnostavien alueiden, kuten vikojen, lisäsegmentoinnin. Segmentoinnin jälkeen voidaan poimia segmentoinnissa löytyneiden alueiden ominaisuuksia kuvaavat piirrekomponentit. Piirrekomponentit ovat numeerisia arvoja, joita voidaan käyttää alueiden tunnistamiseen so. niiden luokitteluun.
10 Työasema 16 sisältää visuaalisen tarkastuksen jäqestelmän 10 käyttöliittymän. Sen avulla syötetään erilaisia säätöparametreja sekä valitaan halutut näytöt ja raportit, joista voi näkyä esimerkiksi jäqestelmän tila ja tarkastettujen tuotteiden laatu. Visuaalisen tarkastuksen jäqestelmä 10 edellyttää tietenkin erikseen välineet virran syöttämiseksi jäqestelmään sekä laitteet ulkoisiin jäqestelmiin, kuten prosessiin itseensä, kytkeytymistä varten. Nämä välineet, 15 jotka ovat alan ammattilaiselle hyvin tunnettuja, voidaan sijoittaa sähkökaappiin 17. Työaseman 16 ohella voidaan käyttää ulkoisia laitteita 18, jotka antavat varoituksia operaattorille.
Kuvadata tallennetaan kuvatietokantaan. Tietokannan kuvakokoelma koostuu erityyppisistä digitoiduista rainavikojen kuvista. Viat havaitaan ja niiden kuvat digitoidaan liikkuvasta 20 rainasta. Vikojen luokitteluun käytetään luokitinta 19.
Digitaaliset viivakamerat saavat kuvat vioista läpäisevällä tai heijastuvalla valaistuksella, ja kuvat tallennetaan kuvatietokantaan yhdessä kuvan tiettyihin alueisiin liitetyn laskettujen piirteiden joukon kanssa. Useiden tällaisten vikakuvien, joissa kussakin on vaihteleva määrä o 25 vikoj aja niihin liitettyj ä piirteitä, kokonaisuus muodostaa kuvakokoelman.
(M
i
(M
o Kuvio 2 esittää vuokaaviota, jossa kuvataan keksinnön päävaiheet. Menetelmä kuvadatan
(M
x käsittelemiseksi tarkoituksena havaita poikkeavuuksia rainassa käsittää useita vaiheita, jotka on cc numeroitu 21-26. to ° 30 o o Vaihe 21 sisältää esikäsittelymenetelmät alkuperäisen signaalin haluttujen ominaisuuksien
O
^ korostamiseksi. Esimerkkejä esikäsittelymenetelmistä ovat kyllästys sekä esisuodatus poikkisuunnassa ja/tai konesuunnassa. Tapauksesta riippuen lähdevideosignaali on joko 9 kyllästetty (rajoitettu) tai kyllästämätön ennen sen johtamista päätösperusteiseen suotimeen 22. Kyllästämistä käytetään korostamaan heikkoja vikoja verrattuna suurikontrastisiin vikoihin intensiteettikuvassa. Lähdevideosignaali, kyllästettynä tai kyllästämättömänä, esisuodatetaan alipäästösuotimella (esimerkiksi kaksiulotteisella keskiarvoistuksella), ylipäästösuotimella 5 (esimerkiksi vierekkäisten pikseleiden ero), kaistanpäästösuotimella tai kaistanestosuotimella poikki- ja/tai konesuunnassa tai jollakin edellä mainittujen suodinten yhdistelmällä. Suodatusta poikki- ja konesuunnassa käytetään korostamaan korkea- tai matalataajuisia vikojen heikkoja ominaisuuksia intensiteetissä tai korostamaan värikuvaa. Tämä on oleellista signaali-kohinasuhteen parantamiseksi. Kohinalla tarkoitetaan virheettömän tuotteen vaihtelua, 10 esimerkiksi paperin formaatiokohinaa. Alipäästösuodin määritellään esimerkiksi yksinkertaisena keskiarvosuotimena, FIR (Finite Impulse Response) -suotimena tai mediaanihybridisuotimena, joka on keskiarvosuodinten ja mediaanisuodinten yhdistelmä. Vastaava ylipäästösuodin voidaan määritellä videosignaalin hetkellisen arvon ja alipäästösuodatetun arvon eron perusteella. Perusero keskiarvosuotimen ja 15 mediaanihybridiperustaisen suotimen välillä on se, että mediaanihybridisuodin suodattaa reunat pois, mutta havaitsee huiput melko ihanteellisesti, kun taas keskiarvosuodin korostaa sekä huippuja että reunoja, mutta huippuvaste sisältää varjoja. Varjot voivat kuitenkin olla joillekin havaitsemisalgoritmeille positiivinen piirre. Käytetyn poikkeamien havaitsemismenetelmän mukaan voidaan käyttää erilaisia esikäsittelymenetelmiä, joiden avulla voidaan keskittyä eri 20 vikatyyppcihin.
Kun kyseessä ovat heikot pitkänomaiset viat, joissa alkuperäinen signaali-kohinasuhde on yhtäsuuri tai pienempi kuin yksi ja vian suunta on tuntematon, vian havaitseminen edellyttää esisuodatusta poikki- tai konesuunnassa. Erityistapauksessa, jossa viat ovat pitkiä ja niiden 5 25 suunta on tunnettu, tai jos viat ovat lyhyitä ja voimakkaita, esisuodatus voidaan ohittaa
(M
c\j käytettäessä Fiat Field -korjattua videosignaalia. Fiat Field -korjaus korjaa kunkin pikselin o vahvistuksen ja pysyvän poikkeaman valaistuksen ja anturin epäsäännöllisyyksien c\i x kompensoimiseksi. Vian pituus määrittelee vian spatiaalisen taajuuden vian pituussuunnassa.
CL . .
Vian pituuden tulisi olla niin suuri, että tunnetun suunnan integrointiin käytettävä
CD
° 30 alipäästösuodin pystyy vähentämään kohinatasoa riittävästi vikasignaalin erottamiseksi o o formaatiokohinasta. Havaittavien vikojen vähimmäispituus perustuu alkuperäiseen signaali- ^ kohinasuhteeseen eli mitä pidempi vika on, sitä matalampi vikasignaalitaso tarvitaan.
Esimerkiksi viirusignaaleja ei useimmissa tapauksissa pystytä havaitsemaan ilman 10 konesuuntaista alipäästösuodatusta, koska viirusignaalit ovat formaatiokohinaan verrattuna niin heikkoja.
Suodatus suoritetaan vaiheessa 22. Päätösperustainen suodin käyttää HR (Infinite Impulse 5 Response) -suodinrakennetta ja epälineaarista adaptiivista algoritmia. Suotimen sisäinen rakenne, jossa käytetään IIR-suotimen suoraa toteutusmuotoa I ja jossa suodinvakioita ohjaa epälineaarinen adaptiivinen algoritmi, on esitetty kuviossa 3. Myös muita IIR-suotimen toteutusrakenteita, kuten suoraa muotoa II, vuoroteltuja rakenteita ym. voidaan myös käyttää. Päätöspemstaisessa suotimessa 300 lähtö videosignaali y(n) voidaan esittää kaavalla 10 y(n) = b0(a0(n)x(n) + αγ (ή)χ(η -1 ) + a2(n)x(n -Ls +1) + a3 (n)x(n -Ls) + a4(n)x(n -Ls-1))+ k (n)y{n -1 ) + b2 (n)y(n -Ls+\) + b3 (n)y(n -Ls) + b4 (n)y(n -Ls-1) 5 jossa a0 - a4 ja b0 - b4 ovat epälineaarisen adaptiivisen algoritmin 301 ohjaamat suodinvakiot, x(n) on tulovideosignaali ja Ls on kuvajuovan pituus. Summaimet 310, 311 on esitetty kuvassa 15 3. Lähtösignaali y(n) lasketaan aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan arvojen sekä tulosignaalin x(n) painotettuna summana. Kaksiulotteinen paikallinen ympäristö muodostetaan videosignaalin viive-elementeillä 306-309 takaisinkytkentäosalle ja 302-305 myötäsuuntaiselle osalle. Jos myötäsuuntaisen osan suodinvakiot ax - a4 asetetaan nolliksi, vain aiempi suodatettu kuvadata eli takaisinkytkentäosa otetaan huomioon. Vastaavasti jos 20 takaisinkytkentäosan suodinvakiot l\ - b4 asetetaan nolliksi, vain aiempi kuvadata eli myötäsuuntainen osa otetaan huomioon, ja suodinrakenne vastaa FIR (Finite Impulse Response) -suodinrakennetta. Epälineaariseen adaptiiviseen algoritmiin 301 voidaan tuoda ___ esimerkiksi valinnaisia parametrej a 312 tai valinnaisia lisätietoj a toisesta suotimesta 313, j a valinnaisia lisätietoja voidaan viedä toiseen suotimeen 314. Päätösperustaisen suotimen 300 25 toteuttaminen edellyttää vain yhden aiemman kuvadatan juovan j a yhden aiemman suodatetun ° kuvadatan juovan puskurointia muistiin.
X
tr
CL
φ Päätösperustaisen suotimen perusmuoto kattaa viat kulmissa 0-135°. Kulmaruudukko on o ^ esitetty kuviossa 5. Pikselin P 51 paikallinen ympäristö käsittää neljä pikselin arvoa: kulman 0°
LO
§ 30 52, kulman 45° 53, kulman 90° 54 ja kulman 135° 55. Kulma 0° 52 viittaa nykyisestä C\l kuvajuovasta otettuun edelliseen aiemman kuvadatan arvoon (päätösperustaisen suotimen myötäsuuntainen osa) tai edelliseen aiemman suodatetun kuvadatan arvoon (päätösperustaisen 11 suotimen takaisinkytkentäosa) rainan poikkisuunnassa CD. Kolme arvoa kulmissa 45° 53, 90° 54 ja 135° 55 ovat peräisin aiemman kuvadatan edellisestä kuvajuovasta (päätösperustaisen suotimen myötäsuuntaiset osat) tai aiemman suodatetun kuvadatan edellisestä kuvajuovasta (päätösperustaisen suotimen takaisinkytkentäosat). Kulmissa välillä 135° 55 ja 180° 56 olevat 5 viat voidaan havaita kääntämällä kuvasignaali peilikuvaksi poikkisuunnassa ennen sen välittämistä päätösperustaiseen suotimeen. Tässä tapauksessa yksi kuvajuova tallennetaan muistiin ja luetaan sieltä päinvastaisessa järjcstykscssä. Jos halutaan kattaa koko kulma-alue ΟΙ 80°, voidaan käyttää kahta päätösperustaista suodinta rinnan. MD tarkoittaa konesuuntaa.
10 Yksinkertaisuuden vuoksi kulma 0° viittaa suoritusmuodoissa rainan poikkisuuntaan ja 90° konesuuntaan. Kuvadataa voidaan kuitenkin käsitellä missä tahansa suunnassa mainittujen kulmien rajoissa. Jos esimerkiksi esikäsittelymenetelmä kiertää kuvaa 90°, niin 0° laskennassa on MD ja 90° laskennassa on CD.
15 Pikselin oletetaan tässä olevan neliömäinen. Itse asiassa useimmissa tapauksissa pikselin muoto ja samalla todellinen kulmien kattavuus riippuu kuvantamisen geometriasta ja rainan nopeudesta eli pikselin muoto venyy rainan poikki- tai konesuunnassa.
Kynnystys tapahtuu vaiheessa 23. Päätösperustaisen suotimen (tai suotimien) lähtösignaalille 20 suoritetaan kynnystys määritettyjen havaitsemistasojen perusteella käyrä- tai viivavikojen löytämiseksi. Seuraavassa vaiheessa 24 rainan poikkisuuntaiset vierekkäiset vikapikselit yhdistetään, jos määritetty etäisyysraja ei ylity. Konesuuntaiset vierekkäiset vika-alueet yhdistetään, jos määritetty etäisyysraja ei ylity vaiheessa 25. Käyrä- tai viivavian lopussa kaikki vian ominaisuudet raportoidaan 26 ilmaisujäijestelmän ylemmälle tasolle. Esimerkkejä vian o 25 ominaisuuksista ovat: vian tyyppi, vian minimi- ja maksimi-intensiteetin paikat, vian rajat, vian
CM
oj pääkomponentit j a vian pääasiallinen kulma, o
CM
x Keksinnön ensimmäisessä suoritusmuodossa päätösperustaisen suotimen adaptiivinen algoritmi en
CL
ohjaa takaisinkytkentävakioita bx-b4 minimi- tai maksimifunktiota käyttäen. Tässä o ^ 30 tapauksessa myötäsuuntaisen osan vakiot ax - a4 asetetaan kiinteästi nolliksi ja vakio a0 m o asetetaan kiinteästi ykköseksi. Aiemman suodatetun kuvadatan minimi- tai maksimiarvo etsitään minimi- tai maksimifunktiolla, ja vastaavan vakion b{ - b4 arvoksi asetetaan 1 - b0 .
12
Muut vakiot bx - bA asetetaan nolliksi. Tällä tavoin IIR-suotimen rakenne supistuu kuviossa 4 esitetyksi normaalimuotoiseksi ensimmäisen kertaluvun IIR-suotimeksi. IIR-suotimessa 40 lähtö videosignaali y(n) voidaan esittää kaavalla 5 y(n) = b0x(n) + (1 - b0)f{y(n -1 ),y(n -Ls+1 ),y(n - Ls),y(n -Ls— 1)}, jossa b0 on suodinvakio, x(n) on tulovideosignaali,/42 on minimi- tai maksimifiinktio ja Ls on juovan pituus. Uusi lähtösignaali y(n) lasketaan siis epälineaarisella takaisinkytkentäfunktiolla 42 käsitellyn vanhan lähtösignaalin ja uuden tulosignaalin x(n) painotettuna summana 41. 10 Esimerkiksi minimifunktiota käytetään tummien vikojen tunnistamiseen ja vastaavasti maksimifunktiota vaaleiden vikojen tunnistamiseen, jos pienet arvot vastaavat tummia arvoja intensiteettialueella. Kaksiulotteinen paikallinen ympäristö muodostetaan videosignaalin viive-elementeillä Z 43—46. Suodinvakio b0 ohjaa havaitsemisen herkkyyttä. Matalammat vikasignaalitasot vaativat pidempää vikaa konesuunnassa ja samanaikaisesti pienempää 15 suodinvakion arvoa.
Tämä keksinnön suoritusmuoto on erityisen tehokas havaitsemaan heikkoja pitkänomaisia vikoja, jotka esiintyvät kulmissa 0-135°. Minimi- ja maksimifunktioiden käyttäminen adaptiivisen algoritmin sisällä muodostaa menetelmän, jossa lähdevideosignaalin maksimi-20 intensiteetin harjanteita tai minimi-intensiteetin laaksoja seurataan ja signaali integroidaan haijanteen tai laakson suunnassa. Tätä keksinnön suoritusmuotoa voidaan hyödyntää myös heikkojen alueiden tunnistamiseen, jossa heikkona alueena pidetään lyhyttä ja leveää käyrää. Menetelmä integroi heikkojen alueiden ylänköjen tai alankojen signaalit. Menetelmän vahvuus ^ perustuu sen kykyyn levitä heikolle alueelle alueen muodosta tai koosta riippumatta.
CM
, 25
CM
^ Keksinnön toisessa suoritusmuodossa saavutetaan keksinnön ensimmäiseen suoritusmuotoon o verrattuna parempi signaali-kohinasuhde käyttämällä rinnakkaisia päätösperustaisia suotimia.
ϊ
Minimi- ja maksimiarvojen määrittelyssä otetaan huomioon vain kaksi tai kolme pikselin arvoa o paikallisesta ympäristöstä. Suodatetulle kuvadatalle valitun aiemman suodatetun kuvadatan g 30 suunta kiinnitetään tämän jälkeen ennalta määritettyyn sektoriin. Tämä mahdollistaa suotimen cm kohdistamisen halutulle kulmien perusteella määritetylle etsintäalueelle. Suotimet seuraavat haijanteita tai laaksoja kulmissa 0M5°, 45-90°, 90-135°, 0-90° tai 45-135°. Rinnakkaisten 13 suodinten avulla on mahdollista määritellä eri havaitsemismenetelmät eri kulma-alueille. Kulmissa 135-180° olevat viat voidaan havaita kääntämällä kuvasignaali peilikuvaksi poikkisuunnassa ennen sen välittämistä päätösperustaiseen suotimeen. Tässä tapauksessa yksi kuvajuova tallennetaan muistiin ja luetaan sieltä päinvastaisessa järjestyksessä.
5
Keksinnön kolmannessa suoritusmuodossa päätösperustaista suodinta käytetään lähes konesuuntaisten aaltoilevien viirujen havaitsemiseen. Ajatuksena on seurata lähdevideosignaalin maksimi- tai minimi-intensiteetin harjanteita tai laaksoja ja integroida signaali harjanteen tai laakson suunnassa. Tässä keksinnön suoritusmuodossa vianetsintäsektori 10 voidaan kaventaa 45-135°:sta kapeaksi sektoriksi 90°:n ympärillä, esimerkiksi 82-98°. Todelliset fyysiset etsintäsektorin kulmat ovat yleensä lähellä 90° :a, koska normaalisti viirunilmaisujärjestelmissä fyysinen konesuuntainen pikselin koko on suurempi kuin poikkisuuntainen pikselin koko.
15 Tässä keksinnön suoritusmuodossa päätösperustaisen suotimen adaptiivinen algoritmi ohjaa takaisinkytkentävakioita b2 - b4 minimi- tai maksimifunktiota käyttäen eli pikselin paikallinen ympäristö käsittää kolme aiemman suodatetun kuvadatan arvoa 45°:n, 90°:n ja 135°:n kulmissa edellisestä kuvajuovasta. Tässä tapauksessa myötäsuuntaisen osan vakiot ax - a4 sekä takaisinkytkentäosan vakio bx asetetaan kiinteästi nolliksi ja vakio a{] asetetaan kiinteästi 20 ykköseksi. Aiemman suodatetun kuvadatan minimi- tai maksimiarvo etsitään minimi- tai maksimifunktiolla, ja vastaavan vakion b2 - b4 arvoksi asetetaan 1 - b0. Muut vakiot b2 - b4 asetetaan nolliksi. Tämä tarkoittaa sitä, että IIR-suotimen rakenne supistuu normaalimuotoiseksi ensimmäisen kertaluvun IIR-suotimeksi, jonka takaisinkytkentäarvo valitaan minimi- tai ^ maksimifunktiota käyttäen. Aaltoilevien viirujen havaitsemiseen käytettävässä ^ 25 päätösperusteisessa suotimessa on lisätietona dataa, joka ilmaisee integroinnin suunnan vaiheen.
^ Lisätietoa käytetään aiemman suodatetun kuvadatan arvojen vahvistamiseksi maksimi- tai ^ minimifunktiota varten. Kussakin suodatusvaiheessa integroinnin paikallista suuntaa eli rmnirni- x tai maksimifunktiota käyttäen valitun arvon suuntaa käytetään päivittämään integroinnin o suunnan vaihe, ja tämä lisätieto tallennetaan muistiin. Lisätiedolle on varattu puskuri. Puskurin § 30 pituus vastaa yhden kuvajuovan pituutta, o
CM
14
Suodatettua kuvadatan arvoa laskettaessa aiemman suodatetun kuvadatan arvo kulmasta 45° tai 135° on kelvollinen minimi- tai maksimiarvon laskentaan vain, jos lisätiedoissa oleva vastaava suunnan vaiheen arvo on nolla. Jos kaikkien kelvollisten arvojen minimi- tai maksimiarvo löytyy kulmasta 45° tai 135°, vastaavan suunnan vaiheen arvoksi asetetaan kiinteä parametrin 5 arvo. Parametri määrittää ennen suunnanvaihtoa vaadittavien juovien lukumäärän. Uusi suunnan vaiheen arvo on positiivinen 45°:n kuhnaile ja negatiivinen 135°:n kulmalle. Jos minimi- tai maksimiarvo löytyy kulmasta 90°, suunnan vaiheen arvoa lisätään tai vähennetään yhdellä siten, että uusi vaiheen arvo lähestyy nollaa. Tämä tarkoittaa sitä, että aina, kun minimi-tai maksimiarvo löytyy jostakin muusta kulmasta kuin 90°, laskettu suodatetun kuvadatan arvo 10 voi levitä uudelleen samaan suuntaan ainoastaan sen jälkeen, kun parametroitu määrä juovia on mennyt. Tämä rajoittaa päätösperustaista suodatusta kapeammalle sektorille verrattuna etsintäsektoriin 45-135°. Tässä tapauksessa suodatetulle kuvadatalle valitun aiemman suodatetun kuvadatan suunta riippuu aiemman suodatetun kuvadatan edellisen valinnan suunnasta.
15
Keksinnön neljännessä suoritusmuodossa päätösperustaisen suotimen adaptiivinen algoritmi sisältää lisätietoja, jotka käsittävät useita elementtejä. Lisätiedot käsittävät globaaleja tietoja, jotka päivitetään jokaisen suodatusvaiheen aikana ja synkronoidaan suodatustuloksen kanssa: 1. etsintäsektorin vasemmanpuoleinen kulma-alue, 2. etsintäsektorin oikeanpuoleinen kulma-alue, 20 3. etsintäsektorin vasemmanpuoleinen kulma, 4. etsintäsektorin oikeanpuoleinen kulma, 5.
vasemmanpuoleinen siirtymävaihe ja 6. oikeanpuoleinen siirtymävaihe. Päätösperustainen suodinrakenne kattaa etsintäsektorit 0-135°. Pikselin paikallinen ympäristö käsittää neljä pikselin arvoa kulmissa 0° (nykyinen kuvajuova), 45°, 90° ja 135° (edellisestä kuvajuovasta). Etsintäsektori voidaan määritellä kiinteäksi tai muuttuvaksi kuvadatan tai jonkin lisätiedon o 25 perusteella. Etsintäsektori määritellään antamalla sektorin vasemmanpuoleinen ja
CM
oj oikeanpuoleinen kulma, esimerkiksi 63-100°. Etsintäsektorin vasemmanpuoleinen ja ό oikeanpuoleinen kulma voivat perustua esimerkiksi kiinteään parametriin tai toisesta
CM
x päätösperustaisesta suodattimesta saatavaan lisätietoon.
tr
CL
CD
° 30 Koko kulma-alue on jaettu seuraaviin kulma-alueisiin: 0-22,5°, 22,5^15°, 45-67,5°, 67,5-90°, o o 90-112,5° ja 112,5-135°. Kulma-alueita vastaavat ensisijaiset kulmat ovat 0°, 45°, 45°, 90°, 90° o ^ ja 135°. Lisäksi kulma-alueilla on vastaavat päätösehdot ’’enintään”, ’’vähintään”, ’’enintään”, ’’vähintään”, ’’enintään” ja ’’vähintään” etsintäsektorin vasemmanpuoleiselle kulmalle sekä 15 ’’vähintään”, ’’enintään”, ’’vähintään”, ’’enintään”, ’’vähintään” ja ’’enintään” etsintäsektorin oikeanpuoleiselle kulmalle. Kunkin suodatusvaiheen aikana aiemman suodatetun kuvadatan arvot vahvistetaan minimi- tai maksimiarvon laskentaa varten. Vahvistaminen perustuu vasemman- ja oikeanpuoleisiin siirtymävaiheisiin, etsintäsektorin vasemman- ja 5 oikeanpuoleisen kulman ensisijaisiin kulmiin, vastaaviin päätösehtoihin sekä etsintäsektorin vasemman-ja oikeanpuoleiseen kulmaan.
Esimerkiksi jos etsintäsektorin vasemmanpuoleiseksi kulmaksi on asetettu 63° ja etsintäsektorin oikeanpuoleinen kulma on 100°, niitä vastaavat kulma-alueet ovat 45-67,5° ja 90-112,5°, 10 ensisijaiset kulmat ovat 45° ja 90°, ja vastaavat päätösehdot ovat tyyppiä ’’enintään” ja ’’vähintään”. Tämä tarkoittaa sitä, että aiemman suodatetun kuvadatan arvo kulmassa 0° ei milloinkaan ole kelvollinen. Aiemman suodatetun kuvadatan arvo kulmassa 45° on kelvollinen, jos vasemmanpuoleinen siirtymävaihe on enintään määritetyn rajan suuruinen eli peräkkäisten siirtymien määrä ensisijaisesta kulmasta 45° ei ylitä määritettyä rajaa. Rajaksi voidaan tässä 15 tapauksessa asettaa 1, joka vastaa 63° :n etsintäsektorin vasemmanpuoleista kulmaa. Tässä tapauksessa aiemman suodatetun kuvadatan arvo kulmassa 90° on aina kelvollinen. Aiemman suodatetun kuvadatan arvo kulmassa 135° on kelvollinen, jos oikeanpuoleinen siirtymävaihe on vähintään määritetyn rajan suuruinen eli peräkkäisten siirtymien määrä ensisijaisesta kulmasta 90° ei alita määritettyä rajaa. Rajaksi voidaan tässä tapauksessa asettaa 6, joka vastaa 100°:n 20 etsintäsektorin oikeanpuoleista kulmaa.
Koko kulma-alue 0-180° katetaan kahdella rinnakkaisella päätösperustaisella suodinrakenteella, joiden ulostulo on päätösperustaisten suodinten ulostulojen maksimi tai minimi. Toiseen päätöspemstaiseen suotimeen syötetään käännetty kuvajuova.
5 25
CM
c\j Keksinnön viidennessä suoritusmuodossa päätösperustaisen suotimen adaptiivinen algoritmi o sisältää epälineaarisen funktion, minimi- tai maksimifunktion. Tässä tapauksessa kunkin
CM
x suodatusvaiheen aikana päivitetään ja tallennetaan muistiin uusi lisätieto, joka käsittää vian paikallisen ja globaalin kulman. Globaali kulma perustuu paikalliseen kulmaan, joka
CD
° 30 määritellään minimi- tai maksimifunktiota käyttäen valitun aiemman suodatetun kuvadatan
O
o arvon suunnan perusteella. Globaali kulma voidaan laskea alipäästösuodattamalla paikallinen ^ kulmatieto. Globaali kulma kuvaa mahdollista heikon vian polkua, sillä jokainen pikseli päivittää edetessään polkua. Tämän jälkeen etsintäsektori voidaan määritellä globaalin 16 kulmatiedon perusteella. Sitä voidaan esimerkiksi kaventaa. Tämä mahdollistaa etsinnän kohdentamisen löydettyyn intensiteettihaijanteeseen. Lisätiedot paikallisesta ja globaalista kulmasta voidaan välittää seuraavaan suodatusvaiheeseen, esimerkiksi neljännen suoritusmuodon mukaiseen päätösperustaiseen suotimeen, jossa tietoja voidaan käyttää 5 etsintäsektorin määrittelemiseen kunkin suodatusvaiheen aikana. Kun samanaikaisesti havaitaan useita vikoja, globaalia kulmaa koskeva lisätieto helpottaa kunkin viirun seuraamista erikseen kohdentamalla etsinnät kapeampiin sektoreihin. Tämä on erityisen tärkeä ominaisuus tapauksessa, jossa kaksi tai sitä useampia vikoja leikkaa toisensa ja sekoittumisen vaara on olemassa.
10
Keksinnön kuudes suoritusmuoto on esikäsittelymenetelmä suoritusmuotoja 1-5 varten. Tässä suoritusmuodossa päätösperustaisen suotimen myötäsuuntaista osaa käytetään esikäsittelyyn. Esimerkiksi jos suodinvakioiden a0-a4 arvoiksi asetetaan kiinteästi a0= 0, a, =1, a2= 0, a3 = -1 ja a4 = 0 , myötäsuuntaista osaa käytetään reunanilmaisimena (kohdistuen kulmaan 15 45°) takaisinkytkentäosaa varten, jota voidaan tämän jälkeen käyttää reunaelementtien integrointiin. Toisessa esimerkissä asettamalla suodinvakioiden a0 - a4 arvoiksi kiinteästi a0=l/5, ^=1/5, α2=1/5, a3=l/5 ja a4 = 1/5 , myötäsuuntaista osaa käytetään paikallisen ympäristön keskiarvoistamiseen. Kolmannessa esimerkissä adaptiivinen algoritmi löytää maksimi-, minimi- tai mediaaniarvon aiemmasta kuvadatasta (neljä arvoa) ja nykyisen 20 kuvadatan arvon sekä asettaa vastaavan myötäsuuntaisen osan suodinvakion ykköseksi ja muut vakiot a0 - a4 nolliksi. Tämän jälkeen maksimi-, minimi- tai mediaanisuodatettu tulos syötetään päätösperustaisen suotimen takaisinkytkentäosaan.
o Keksinnön seitsemännessä suoritusmuodossa päätösperustaisia suotimia käytetään sarjassa.
c\i cm 25 Kun käytetään esimerkiksi kahta suodinta, ensimmäinen suodin on viidennessä o suoritusmuodossa kuvattu päätösperustainen suodin. Se sisältää lisätiedot, jotka käsittävät tiedot
CM
x paikallisista ja globaaleista kulmista. Sitä käytetään määrittelemään etsinnässä käytettävät Q_ kulmat ja määrittämään etsintäsektori. Toinen suodin voi olla neljännessä suoritusmuodossa
CD
° kuvattu päätösperustainen suodin. Tässä tapauksessa suotimen adaptiivinen algoritmi käyttää o o 30 ensimmäisestä suotimesta saatavia lisätietoj a etsintäsektorien määrittelyyn.
CM
17
Keksinnön kahdeksannessa suoritusmuodossa koko kulma-alue 0-180° katetaan kahdella rinnakkaisella päätösperustaisella suodinrakenteella, joiden ulostulo on päätösperustaisten suodinten ulostulojen maksimi tai minimi. Toiseen päätösperustaiseen suotimeen syötetään käännetty kuvadatajuova.
5
Keksinnön yhdeksännessä suoritusmuodossa suotimen etsintäsektoria ohjaavat aiemmat paikalliset suunnat. Ohjausvälineet ovat suodatettava signaali, mahdollinen vika ja mahdollisen vian kulma.
10 Menetelmä toteutetaan edullisessa suoritusmuodossaan tietokonetta käyttäen.
Keksintöön voidaan tehdä erilaisia muutoksia poikkeamatta sen perusajatuksesta tai laajuudesta.
o
CNJ
(M
O
(M
x en
CL
CD
O
h-·
O
m o o
(M
Claims (26)
1. Menetelmä kuvadatan käsittelemiseksi poikkeavuuksien havaitsemiseksi rainassa 5 (11), jossa menetelmässä rainaa (11) valvotaan ainakin yhdellä kameralla (13), muodostetaan ainakin yksi useasta pikselistä (51-56) muodostuva kuva kuvadatan (x(n)) muodostamiseksi, ja kuvadata (x(n)) tallennetaan muistiin, tunnettu siitä, että kuvadataa (x(n)) käsitellään prosessorilla suodatetun kuvadatan (y(n)) muodostamiseksi; ja suodatetun kuvadatan (y(n)) muodostamiseksi painotetaan 10 kuvadataa (x(n), a0, b{)) ja ainakin yhtä seuraavista: kuvadatan (x(n)) paikallisen ympäristön aiempaa kuvadataa (x(n), 52-55, ai-a^ b0) ja kuvadatan (x(n)) paikallisen ympäristön aiempaa suodatettua kuvadataa (y(n), 52-55, bi-b4), suunnassa, joka suunta riippuu edellisen suodatuksen (300) tuloksesta; painotettu kuvadata yhdistetään (310, 311) ainakin yhteen seuraavista: kuvadatan (x(n), a0, 15 b0) paikallisen ympäristön painotettuun aiempaan kuvadataan ja kuvadatan (x(n), a0, b{]) paikallisen ympäristön painotettuun aiempaan suodatettuun kuvadataan; ohjataan suodatusta (300) ainakin yhdellä epälineaarisella algoritmilla (301); muodostetaan suodatettu kuvadata (y(n)), ja kynnystetään (23) suodatettu kuvadata (y(n)) ja tallennetaan kynnystetty kuvadata muistiin. 20
2.Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että suodatetun kuvadatan (y(n)) muodostamiseksi painotetun aiemman kuvadatan (x(n), 52-55, ai-a4) ja/tai aiemman suodatetun kuvadatan (y(n), 52-55, bi-b4) suunta on 0° (52) tai - 45° (53) tai 90° (54) tai 135° (55). (M
3. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että suodatetun oj 25 kuvadatan (y(n)) muodostamiseksi painotetun aiemman kuvadatan (x(n), 52-55, aj- c a4) ja/tai aiemman suodatetun kuvadatan (y(n), 52-55, bj-b4) suunta ei riipu cd aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan edellisen painotuksen o suunnasta. LO o o
^ 4.Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että suodatetun 30 kuvadatan (y(n)) muodostamiseksi painotetun aiemman kuvadatan (x(n), 52-55, ai- a4) ja/tai aiemman suodatetun kuvadatan (y(n), 52-55, bi-b4) suunta riippuu aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan edellisen painotuksen suunnasta.
5. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että suodatetun 5 kuvadatan (y(n)) muodostamiseksi painotetun aiemman kuvadatan (x(n), 52-55, aj- a4) ja/tai aiemman suodatetun kuvadatan (y(n), 52-55, bi-b4) suunta on rajoitettu kapeampaan sektoriin kuin aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan edellinen sektori.
6. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että suodatetun 10 kuvadatan (y(n)) muodostamiseksi painotetun aiemman kuvadatan (x(n), 52-55, ai- a4) ja/tai aiemman suodatetun kuvadatan (y(n), 52-55, bi-b4) suunta on kiinnitetty ennalta määritettyyn sektoriin tai se on sama kuin aiemman kuvadatan ja/tai aiemman suodatetun kuvadatan sektori.
7. Minkä tahansa patenttivaatimuksen 1-6 mukainen menetelmä, tunnettu siitä, että 15 suodatusta (300) painotetaan aiemman kuvadatan (x(n), 52-55, ai-a4) perusteella.
8. Minkä tahansa patenttivaatimuksen 1-7 mukainen menetelmä, tunnettu siitä, että suodatusta (300) painotetaan aiemman suodatetun kuvadatan (y(n), 52-55, bi-b4) perusteella.
9. Minkä tahansa patenttivaatimuksen 1-8 mukainen menetelmä, tunnettu siitä, että 20 suodatusta (300) painotetaan ainakin yhden parametrin perusteella.
»- 10. Patenttivaatimuksen 1 mukainen menetelmä, tunnettu siitä, että menetelmä lisäksi o käsittää lisätietojen hyödyntämisen ja lisätiedot tallennetaan muistiin. CVJ i
11. Patenttivaatimuksen 10 mukainen menetelmä, tunnettu siitä, että suodatusta (300) x painotetaan suodatusprosessin edellisestä vaiheesta saatavien lisätietojen CL 25 perusteella, o
§ 12. Patenttivaatimuksen 11 mukainen menetelmä, tunnettu siitä, että suodatusta (300) o c\j painotetaan saija- ja/tai rinnakkais- ja/tai matriisimuotoisen suodinrakenteen jostakin muusta suotimesta saatavien lisätietojen (314) perusteella.
13. Minkä tahansa patenttivaatimuksen 1-12 mukainen menetelmä, tunnettu siitä, että suodatus (300) suoritetaan epälineaarisella adaptiivisella algoritmilla, jossa käytetään ainakin yhtä seuraavista: maksimi-, minimi-ja mediaanifunktio.
14. Patenttivaatimuksen 13 mukainen menetelmä, tunnettu siitä, että epälineaarinen 5 adaptiivinen algoritmi sisältää lisätietoja.
15. Minkä tahansa patenttivaatimuksen 1-14 mukainen menetelmä, tunnettu siitä, että kuvadataa esikäsitellään (21).
16. Patenttivaatimuksen 10 tai 14 mukainen menetelmä, tunnettu siitä, että lisätiedot muodostetaan aiemman kuvadatan (x(n), 52-55, ai-a4) ja/tai aiemman suodatetun 10 kuvadatan (y(n), 52-55, bi-b4) perusteella.
17. Patenttivaatimuksen 10 tai 14 mukainen menetelmä, tunnettu siitä, että lisätiedot muodostetaan edellisten suodatusprosessien lisätietojen perusteella.
18. Patenttivaatimuksen 10 tai 14 mukainen menetelmä, tunnettu siitä, että lisätiedot muodostetaan ainakin yhden parametrin perusteella.
19. Patenttivaatimuksen 10 tai 14 mukainen menetelmä, tunnettu siitä, että lisätiedot muodostetaan edellisen suotimen lisätietojen perusteella.
20. Patenttivaatimuksen 10 tai 14 mukainen menetelmä, tunnettu siitä, että lisätiedot asetetaan kiinteästi ennalta määritettyyn arvoon.
21. Patenttivaatimuksen 10 tai 14 mukainen menetelmä, tunnettu siitä, että lisätiedot ^ 20 sisältävät painotetun aiemman kuvadatan (x(n), 52-55, ai-a4) ja/tai aiemman o ^ suodatetun kuvadatan (y(n), 52-55, bi-b4) suunnan. CM i
22. Minkä tahansa patenttivaatimuksen 1-21 mukainen menetelmä, tunnettu siitä, että rainanvalvontakamera (13) on viivakamera. CL
23. Minkä tahansa patenttivaatimuksen 1-21 mukainen menetelmä, tunnettu siitä, että g 25 rainanvalvontakamera (13) on matriisikamera. o C\l
24. Patenttivaatimuksen 15 mukainen menetelmä, tunnettu siitä että esikäsittely (21) kiertää kuvaa.
25. Patenttivaatimuksen 15 mukainen menetelmä, tunnettu siitä että esikäsittely (21) kääntää kuvan peilikuvaksi.
26. Tietokoneella käsiteltävään tallennusvälineeseen tallennettu tietokoneohjelmatuote vaatimuksen 1 mukaisen menetelmän suorittamiseksi, jolla 5 tietokoneohjelmatuotteella käsitellään kuvadataa poikkeavuuksien havaitsemiseksi rainassa (11), jolloin rainaa (11) valvotaan ainakin yhdellä kameralla (13), muodostetaan ainakin yksi useasta pikselistä (51-56) muodostuva kuva kuvadatan (x(n)) muodostamiseksi, ja kuvadata tallennetaan muistiin, tunnettu siitä, että tietokoneohjelmatuote käsittää: välineet kuvadatan (x(n)) käsittelemiseksi 10 prosessorilla; välineet kuvadatan (x(n)) ja ainakin yhden seuraavista painottamiseksi: kuvadatan (x(n)) paikallisen ympäristön aiemman kuvadatan (x(n), 52-55, ai-a4, b0) ja kuvadatan (x(n)) paikallisen ympäristön aiemman suodatetun kuvadatan (y(n), 52-55, bi-b4), suunnassa, joka suunta riippuu edellisen suodatuksen (300) tuloksesta; välineet painotetun kuvadatan yhdistämiseksi (310, 15 311) ainakin yhteen seuraavista: kuvadatan (x(n), a0, b()) paikallisen ympäristön painotettu aiempi kuvadata ja kuvadatan (x(n), a0, b()) paikallisen ympäristön painotettu aiempi suodatettu kuvadata; välineet suodatuksen (300) ohjaamiseksi ainakin yhdellä epälineaarisella algoritmilla (301); välineet suodatetun kuvadatan (y(n)) muodostamiseksi; välineet suodatetun kuvadatan (y(n)) kynnystämiseksi ja 20 välineet kynnystetyn kuvadatan tallentamiseksi muistiin. δ CM CM O CM X cc CL CD O 1^ O LO o o CM
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FI20050706A FI122806B (fi) | 2005-07-01 | 2005-07-01 | Menetelmä ja tuote poikkeavuuksien havaitsemiseksi |
| CN2006800241707A CN101213575B (zh) | 2005-07-01 | 2006-06-22 | 用于检测异常的方法和产品 |
| DE112006001774.8T DE112006001774B4 (de) | 2005-07-01 | 2006-06-22 | Verfahren und Produkt zur Entdeckung von Unregelmäßigkeiten |
| US11/921,226 US8000501B2 (en) | 2005-07-01 | 2006-06-22 | Method and product for detecting abnormalities |
| PCT/FI2006/000223 WO2007003685A1 (en) | 2005-07-01 | 2006-06-22 | Method and product for detecting abnormalities |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FI20050706A FI122806B (fi) | 2005-07-01 | 2005-07-01 | Menetelmä ja tuote poikkeavuuksien havaitsemiseksi |
| FI20050706 | 2005-07-01 |
Publications (3)
| Publication Number | Publication Date |
|---|---|
| FI20050706A0 FI20050706A0 (fi) | 2005-07-01 |
| FI20050706A FI20050706A (fi) | 2007-01-02 |
| FI122806B true FI122806B (fi) | 2012-07-13 |
Family
ID=34803174
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FI20050706A FI122806B (fi) | 2005-07-01 | 2005-07-01 | Menetelmä ja tuote poikkeavuuksien havaitsemiseksi |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US8000501B2 (fi) |
| CN (1) | CN101213575B (fi) |
| DE (1) | DE112006001774B4 (fi) |
| FI (1) | FI122806B (fi) |
| WO (1) | WO2007003685A1 (fi) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE531120C2 (sv) * | 2007-09-25 | 2008-12-23 | Abb Research Ltd | En anordning och ett förfarande för stabilisering och visuell övervakning av ett långsträckt metalliskt band |
| US8345949B2 (en) * | 2010-03-09 | 2013-01-01 | General Electric Company | Sequential approach for automatic defect recognition |
| BR112012023814A2 (pt) * | 2010-03-25 | 2016-08-02 | Japan Tobacco Inc | máquina e método de fabricar uma folha contínua com baixa propagação de chamas e método de fabricar um papel de envolvimento com baixa propagação de chamas |
| DE202010008084U1 (de) * | 2010-07-15 | 2011-10-21 | Eltromat Gmbh | Vorrichtung zur Überwachung des Druckergebnisses bei Rotationsdruckmaschinen |
| US8666188B2 (en) * | 2011-03-23 | 2014-03-04 | Xerox Corporation | Identifying edges of web media using textural contrast between web media and backer roll |
| US8724904B2 (en) | 2011-10-25 | 2014-05-13 | International Business Machines Corporation | Anomaly detection in images and videos |
| FI124434B (fi) * | 2012-10-31 | 2014-08-29 | Metso Automation Oy | Menetelmä ja laite rainan monitorointiin |
| CN102944181B (zh) * | 2012-11-02 | 2015-04-15 | 海宁市科威工业电子科技有限公司 | 一种整经机整经数量及纱线直径检测系统 |
| CN102967606B (zh) * | 2012-11-02 | 2015-04-15 | 海宁市科威工业电子科技有限公司 | 一种纺织机织物瑕疵视觉检测系统 |
| KR102023581B1 (ko) * | 2012-11-23 | 2019-09-24 | 해성디에스 주식회사 | 릴-투-릴 검사장치 및 릴-투-릴 검사방법 |
| FI126174B (fi) | 2012-12-04 | 2016-07-29 | Valmet Automation Oy | Pehmopaperin mittaus |
| JP6089335B2 (ja) * | 2013-06-07 | 2017-03-08 | パナソニックＩｐマネジメント株式会社 | シート状物の検査装置及びシート状物の検査方法 |
| EP3174006A1 (de) * | 2015-11-30 | 2017-05-31 | MULTIVAC Sepp Haggenmüller SE & Co. KG | Verfahren zum ermitteln greifbarer objekte mittels eines visionssystems |
| EP3361444A1 (en) * | 2017-02-10 | 2018-08-15 | ABB Schweiz AG | Real-time, full web image processing method and system for web manufacturing supervision |
| US20180374022A1 (en) * | 2017-06-26 | 2018-12-27 | Midea Group Co., Ltd. | Methods and systems for improved quality inspection |
| JP6809510B2 (ja) * | 2018-03-09 | 2021-01-06 | Ｊｆｅスチール株式会社 | 金属帯表面の幅方向線状模様欠陥の検査方法及び検査装置 |
| JP6996363B2 (ja) | 2018-03-12 | 2022-01-17 | 王子ホールディングス株式会社 | シート状物の欠陥検査装置及び製造方法 |
| DE102018108696B4 (de) * | 2018-04-12 | 2024-05-02 | Ims Messsysteme Gmbh | Anordnung und Verfahren zum berührungslosen Bestimmen einer Abmessung einer bewegten Materialbahn |
| CN114324321B (zh) * | 2020-09-29 | 2024-06-18 | 南京造币有限公司 | 机器视觉检测控制装置、系统和方法 |
| CN118583802B (zh) * | 2024-07-31 | 2024-10-11 | 四川意龙科纺集团股份有限公司 | 一种智能验布检测方法、系统、设备及介质 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5068799A (en) * | 1985-04-24 | 1991-11-26 | Jarrett Jr Harold M | System and method for detecting flaws in continuous web materials |
| ES2146730T3 (es) | 1995-05-10 | 2000-08-16 | Mahlo Gmbh & Co Kg | Procedimiento y dispositivo para detectar defectos en telas o similares en movimiento. |
| EP0816825A3 (en) | 1996-06-26 | 1998-08-12 | Toshiba Engineering Corporation | Method and apparatus for inspecting streak |
| FR2773247A1 (fr) | 1997-12-31 | 1999-07-02 | Philips Electronics Nv | Procede de traitement d'une image multidimensionnelle bruitee et appareil d'imagerie medicale mettant en oeuvre ce procede |
| US7817844B2 (en) * | 1999-08-26 | 2010-10-19 | Nanogeometry Research Inc. | Pattern inspection apparatus and method |
| US6728416B1 (en) | 1999-12-08 | 2004-04-27 | Eastman Kodak Company | Adjusting the contrast of a digital image with an adaptive recursive filter |
| US6804381B2 (en) | 2000-04-18 | 2004-10-12 | The University Of Hong Kong | Method of and device for inspecting images to detect defects |
| US6728592B2 (en) * | 2000-08-24 | 2004-04-27 | Voith Paper Automation, Inc. | Streak detection in papermaking |
| US6750466B2 (en) | 2001-02-09 | 2004-06-15 | Wintriss Engineering Corporation | Web inspection system |
| US7231080B2 (en) * | 2001-02-13 | 2007-06-12 | Orbotech Ltd. | Multiple optical input inspection system |
| US6990255B2 (en) | 2001-09-19 | 2006-01-24 | Romanik Philip B | Image defect display system |
| US20050135667A1 (en) * | 2003-12-22 | 2005-06-23 | Abb Oy. | Method and apparatus for labeling images and creating training material |
-
2005
- 2005-07-01 FI FI20050706A patent/FI122806B/fi active IP Right Grant
-
2006
- 2006-06-22 US US11/921,226 patent/US8000501B2/en active Active
- 2006-06-22 WO PCT/FI2006/000223 patent/WO2007003685A1/en active Application Filing
- 2006-06-22 DE DE112006001774.8T patent/DE112006001774B4/de active Active
- 2006-06-22 CN CN2006800241707A patent/CN101213575B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| WO2007003685A1 (en) | 2007-01-11 |
| FI20050706A (fi) | 2007-01-02 |
| FI20050706A0 (fi) | 2005-07-01 |
| DE112006001774T5 (de) | 2008-05-08 |
| US20090022391A1 (en) | 2009-01-22 |
| US8000501B2 (en) | 2011-08-16 |
| DE112006001774B4 (de) | 2015-01-22 |
| CN101213575A (zh) | 2008-07-02 |
| CN101213575B (zh) | 2013-01-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| FI122806B (fi) | Menetelmä ja tuote poikkeavuuksien havaitsemiseksi | |
| CN111968144B (zh) | 一种图像边缘点获取方法及装置 | |
| GB2569751A (en) | Static infrared thermal image processing-based underground pipe leakage detection method | |
| CN104112269B (zh) | 一种基于机器视觉的太阳能电池激光刻线参数检测方法及系统 | |
| US9077869B2 (en) | Method and apparatus for detection and removal of rain from videos using temporal and spatiotemporal properties | |
| US11748874B2 (en) | Automated inspection for sheet parts of arbitrary shape from manufactured film | |
| CN104508423A (zh) | 用于被检查对象的表面的检查的方法和装置 | |
| CN102175700A (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
| CN102122344A (zh) | 基于红外图像的道路边界检测方法 | |
| JP2009139248A (ja) | 欠陥検出光学系および欠陥検出画像処理を搭載した表面欠陥検査装置 | |
| CN102175692A (zh) | 织物坯布疵点快速检测系统及方法 | |
| CN111353993A (zh) | 一种基于机器视觉的螺纹角度测量方法 | |
| CN114140384A (zh) | 基于轮廓拟合与形心跟踪的提升钢丝绳横向振动图像识别算法 | |
| CN115330653A (zh) | 基于边窗滤波的多源图像融合方法 | |
| EP0563897A1 (en) | Defect inspection system | |
| CN113610054B (zh) | 一种水下结构病害深度检测方法、系统、装置及存储介质 | |
| EP3459045B1 (en) | Real-time, full web image processing method and system for web manufacturing supervision | |
| US10388011B2 (en) | Real-time, full web image processing method and system for web manufacturing supervision | |
| Radovan et al. | An approach for automated inspection of wood boards | |
| CN111882537B (zh) | 视觉检测方法及系统 | |
| JP7469740B2 (ja) | ベルト検査システムおよびベルト検査プログラム | |
| JPH0979997A (ja) | 欠陥検査方法及び装置 | |
| AU716024B2 (en) | Surface topography enhancement | |
| JPH04238207A (ja) | 欠陥検査装置 | |
| EP0725362B1 (en) | Method of extracting a texture region from an input image |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| FG | Patent granted |
Ref document number: 122806 Country of ref document: FI Kind code of ref document: B |