JP2008076167A - Method of inspecting surface state of object by image processing, and image processing program for it - Google Patents

Method of inspecting surface state of object by image processing, and image processing program for it Download PDF

Info

Publication number
JP2008076167A
JP2008076167A JP2006254418A JP2006254418A JP2008076167A JP 2008076167 A JP2008076167 A JP 2008076167A JP 2006254418 A JP2006254418 A JP 2006254418A JP 2006254418 A JP2006254418 A JP 2006254418A JP 2008076167 A JP2008076167 A JP 2008076167A
Authority
JP
Japan
Prior art keywords
image
object
gt
lt
resolution
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.)
Granted
Application number
JP2006254418A
Other languages
Japanese (ja)
Other versions
JP4992081B2 (en
Inventor
Satoshi Goto
Fumio Miyamoto
文穂 宮本
悟史 後藤
Original Assignee
Yamaguchi Univ
国立大学法人山口大学
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Yamaguchi Univ, 国立大学法人山口大学 filed Critical Yamaguchi Univ
Priority to JP2006254418A priority Critical patent/JP4992081B2/en
Publication of JP2008076167A publication Critical patent/JP2008076167A/en
Application granted granted Critical
Publication of JP4992081B2 publication Critical patent/JP4992081B2/en
Application status is Active legal-status Critical
Anticipated expiration legal-status Critical

Links

Images

Abstract

<P>PROBLEM TO BE SOLVED: To accurately identify the surface state of an object by performing image processing of an image obtained by imaging the surface of the object, and to inspect the surface state of the object without requiring experience, knowledge, or a special device. <P>SOLUTION: The image that is obtained by imaging the surface of the object and has a score, is wavelet-converted horizontally and vertically, and a 2k-dimension feature vector E is determined for each of a plurality of images whose components are values for each resolution m of the ratio E<SP>n</SP><SB>m</SB>of frequency energy Em of the whole image in resolution (m) to the frequency energy sum of the total resolution whose maximal solution is (k), and the ratio E<SP>l</SP><SB>m</SB>of the frequency energy in the inclined direction in the resolution (m) to the frequency energy sum of the total resolution. The determined feature vector is classified according to the score by a support vector machine, and time-by-time model is constructed. The score of an image whose score is unknown is identified with the feature vector E using the constructed identification model. <P>COPYRIGHT: (C)2008,JPO&INPIT

Description

本発明は、材料の表面を検査する方法及びそのためのプログラムに関し、特に耐候性鋼材のさび外観のような材料の表面状態を評価する場合に有効な画像処理を用いて材料の表面を検査する方法及びそのための画像処理のプログラムに関する。 The present invention, which relates to a method and a program therefor inspecting the surface of the material, inspecting the surface of the material using an effective image processing when evaluating particular surface condition of the materials as rust appearance weathering steel and a program of the image processing therefor.

耐候性鋼材は、大気中において乾湿を適切に繰り返すうちに、その表面に緻密で密着性に優れたさび(保護性さび)が形成されてさびが安定化し、腐食速度が著しく遅くなるという特性をもつ。 Weathering steel, after repeated wet and dry properly in the atmosphere, is superior rust dense adhesion to the surface (protective rust) is formed by rust stabilization, the characteristic that the corrosion rate is significantly slower with. このため適切な使用方法と維持管理を施せば、橋梁等の構造物が半永久的に無塗装で使用可能になり、LCC(Life Cycle Cost:初期建設費用、維持管理費用、更新費を含めたトータルコスト)の面でも優れた鋼材である。 Therefore if Hodokose maintenance and proper use, structures such as bridges becomes available in semi-permanently unpainted, LCC (Life Cycle Cost: initial construction cost, total, including maintenance costs, the update fee it is an excellent steel in terms of cost). このような塗装の塗り替えを必要としない耐候性鋼材の鋼橋への適用は年々増加しており、2002年には年間10万tを超え、全鋼橋に占める割合は15%に至っているが、このことは、旧建設省土木研究所により提唱され、架け替えを前提とせず将来にわたりLCCを最小限に抑えるというミニマムメンテナンス橋構想に相応したものであると言える。 Applied to the steel bridge of weathering steel that does not require repainting of such paint has been increasing year by year, more than a year 100,000 t in 2002, but the proportion of total steel bridge has led to 15% , this is, proposed by the former Ministry of Construction Public Works Research Institute, it can be said that those commensurate with the minimum maintenance Bridge idea to minimize the LCC for a future without the premise of re hung.

耐候性鋼材のさび安定化度の評価についてこれまでに種々研究がなされており、外観検査、さび厚測定、透明テープ試験、イオン透過抵抗法等さまざまな手法が提案されている。 Evaluation of rust stable degree of weathering steel and various studies have been made so far, visual inspection, rust thickness measuring, transparent tape test, a variety of techniques such as ion permeability resistance method has been proposed. このうちの外観検査以外の手法では、対象とする部位に直接接触して試験、測定を行う必要があり、そのため足場を設置するというような煩雑な作業が不可欠となる。 In the method other than visual inspection of the test contacts directly to the site of interest, it must be measured, it is essential to complicated operations such as that the order to install the scaffold. 直接接触できないか、著しく困難な場合には、外観検査のみで評価せざるを得ないことにもなる。 Do not be in direct contact, if considerably difficult, also the appearance inspection only evaluate forced it. しかし、外観検査は「目視でよく観察」し、さび評価の目安を示す基準写真によって判別する方法であり、定量性、客観性の面で劣り、点検者による評価のばらつきが大きかった。 However, visual inspection is "often observed visually" is a method of determining the reference photograph showing a measure of rust evaluation, quantitative properties, inferior in terms of objectivity, greater evaluation variation in by the inspector.

耐候性鋼材のさび安定化度を表することについて、次のような文献に記載されている。 For that represent the rust stable degree of weathering steel, it is described in the following document.

非特許文献1には、さび層の塩化物イオンに対する抵抗力を計測する環境遮断性に着目した評価手法について記載されており、非特許文献2には、鋼材の電位を計測し、電気化学的な特性からさび層の防食性能を評価する手法について記載されている。 Non-Patent Document 1 describes the evaluation method focusing on environmental barrier properties for measuring the resistance to chloride ion rust layer, Non-Patent Document 2, to measure the potential of the steel, electrochemical there is described a method of evaluating the corrosion performance of the rust layer from such properties. これらは、さびの化学反応論から導かれた技術であり信頼性が高いが、測定に関する知識、経験や特殊な装置が必要であり、一般的な日常点検で使用されるには至っていない。 These are are reliable technique derived from a chemical reaction theory rust, knowledge measurement, requires experience and special equipment, have yet to be used in a general daily inspection. また、非特許文献3には、画像処理技術を利用して鋼橋の塗膜劣化度を定量的に評価することについて記載されているが、画像パターンとしてさび外観のような不規則性をもつ対象物の表面状態を精度よく検査するのに適切なものではない。 Further, Non-Patent Document 3, by utilizing the image processing technology has been described for the quantitative evaluation of coating deterioration degree of the steel bridge, with irregularities such as appearance rust as an image pattern not suitable to inspect accurately the surface state of the object.

耐候性鋼材のさび安定化度を評価するための従来の技術においては、経験や知識を要するもの、特殊な装置が不可欠なものが多く、また、さび安定化度の評価を含め一般的に対象物の表面状態を検査するための画像処理を用いた手法についても実際的に使用されるには至っていない。 In the conventional techniques for evaluating rust stable degree of weathering steel, which requires experience and knowledge, many a special device is essential, also generally subject including evaluation of rust degree of stabilization It has yet to be practically used also method using image processing to inspect a surface state of the object. このため、経験、知識あるいは特殊な装置を要することなく、画像処理により対象物の表面状態を検査するのに有効な手法が望まれていた。 Therefore, experience, without requiring knowledge or special equipment, effective technique for inspecting the surface condition of the object has been demanded by the image processing.

本発明は、前述した課題を解決すべくなしたものであり、本発明による対象物の表面状態を検査する方法は、表面状態が評点により分類される対象物の表面状態を撮像した画像について画像処理を行って表面状態を表す評点の識別により対象物の表面状態を検査する方法であって、対象物の表面を撮像して得られ評点が付与されている画像について水平方向及び鉛直方向にウェーブレット変換を行い、最大解像度をkとして全解像度の周波数エネルギー和に対する解像度mにおける画像全体の周波数エネルギーEmの比E と解像度mにおける水平方向及び鉛直方向の周波数エネルギー和に対する斜め方向のエネルギーの比E との解像度mごとの値を成分とする2k次元の特徴ベクトルEを求めるウェーブレット解析を複数の画像の The present invention has no order to solve the aforementioned problems, a method of inspecting the surface condition of the object according to the invention, an image for an image surface condition images the surface condition of the object to be classified by the score process a method of inspecting the surface condition of the object by identifying scores representing the surface state by performing the wavelet in the horizontal and vertical directions for images score obtained by imaging the surface of the object has been granted It performs conversion ratio in an oblique direction of energy to frequency energy sum of the horizontal and vertical directions in the ratio E n m and resolution m of frequency energy Em of the entire image at a resolution m for frequency energy sum of all resolutions up to resolution as k of E l m and 2k-dimensional feature vector E multiple images wavelet analysis seeking the value of each resolution m and components 各々に対して行うことと、多次元の複数のベクトルを超平面により2つのクラスに分類するサポートベクトルマシンにより前記複数の画像にそれぞれ対応する2k次元の特徴ベクトルEを評点にしたがって分類して評点が未知の画像の評点をその特徴ベクトルEにより識別するための識別モデルを構築することと、構築された前記識別モデルにより評点が未知の画像についての特徴ベクトルEからその評点を識別することと、からなるものである。 And it is made to each scored respectively by support vector machine to classify the plurality of vectors of multidimensional into two classes by hyperplane in the plurality of images corresponding 2k-dimensional feature vectors E and classified according to grade and it but to build an identification model to identify by their characteristic vector E scores of unknown images, and the score by the identification model built to identify the score from the feature vector E of an unknown image, it is made of. 前記対象物の表面状態は耐候性鋼材のさびの状態であるようにしてもよい。 Surface state of the object may be located in the state of rust weathering steel.

また、本発明による対象物の表面状態を検査することをコンピュータ上で実行するための画像処理プログラムは、対象物の表面を撮像して得られ評点が付与されている複数の画像の各々について水平方向及び鉛直方向にウェーブレット変換を行い、最大解像度をkとして全解像度の周波数エネルギー和に対する解像度mにおける画像全体の周波数エネルギーEmの比E と解像度mにおける水平方向及び鉛直方向の周波数エネルギー和に対する斜め方向のエネルギーの比E との解像度mごとの値を成分とする2k次元の特徴ベクトルEを求め、多次元の複数の特徴ベクトルを超平面により2つのクラスに分類するサポートベクトルマシンの機能により前記複数の画像にそれぞれ対応する2k次元の特徴ベクトルEを評点にしたがって The image processing program for executing inspecting the surface condition of the object according to the invention on a computer, the horizontal for each of the plurality of images score obtained by imaging the surface of the object has been granted performs wavelet transform and vertical directions, with respect to the frequency energy sum of the horizontal and vertical directions in the ratio E n m and resolution m of frequency energy Em of the entire image at a resolution m for frequency energy sum of all resolutions up to resolution as k seeking 2k-dimensional feature vector E to the value of each resolution m of the ratio E l m in the oblique direction of the energy component, a plurality of feature vectors of multidimensional by hyperplanes support vector machine to classify into two classes according scored 2k-dimensional feature vector E corresponding to the plurality of images by the function 分類して評点が未知の画像の評点をその特徴ベクトルEにより識別するための識別モデルを構築し、構築された前記識別モデルにより既定の評点が未知の画像についての特徴ベクトルEからその評点を識別することにより、表面状態が評点により分類され対象物の表面状態を撮像した画像について画像処理を行って表面状態を表す評点の識別により対象物の表面状態を検査するものである。 Rating classification to the building identification model to identify by their characteristic vector E scores of the unknown image, the default rating by the identification model constructed identification its score from the feature vector E for the unknown image by is for inspecting the surface condition of the object by identifying scores representing the surface state of the surface state by performing image processing on the image captured of the object surface condition is classified by the score.

本発明は、対象物の表面を撮像して得られた画像についてウェーブレット解析を行い、サポートベクトルマシンを用いた学習により識別モデルを構築することにより、画像に対応する特徴ベクトルから対象物の表面状態が簡易に、精度よく識別できるものである。 The present invention performs a wavelet analysis on the image obtained by imaging the surface of an object, by building an identification model by learning using Support Vector Machine, the surface state of the object from the feature vector corresponding to image There simply is one that can be identified accurately.

本発明による対象物の表面状態の検査に関し、対象物の表面状態として耐候性鋼材のさび外観の場合を例にとって説明する。 Relates inspecting the surface state of the object according to the invention, in the case of rust appearance of weathering steel will be described as an example of the surface state of the object. この例は、耐候性鋼材の表面をデジタルカメラで撮像して得られた画像について画像処理を行い、それに基づいてさび外観を適切に評価するものであり、この画像処理は、耐候性鋼材の表面を撮像して得られた画像についてウェーブレット(wavelet)変換を行い、それにより得られた周波数特性からさび外観の評点を識別するのである。 This example, performs image processing on an image obtained by imaging the surface of weathering steel in a digital camera, which to properly evaluate the appearance rust on the basis thereof, image processing, the surface of weathering steel It performs wavelet (wavelet) transformation on the image obtained by imaging the is thereby identify a rating of appearance rust from the frequency characteristics obtained. そこで、最初にウェーブレット変換を用いた多重解像度解析について説明する。 Therefore, initially the multi-resolution analysis is described using wavelet transform to.
〔ウェーブレット変換を用いた多重解像度解析〕 [Multiresolution analysis using wavelet transform]
ウェーブレットは、図1に示すような局在性のある平均値0の波として定義されるΨ(t)で表現される。 Wavelet is represented by [psi (t) is defined as a wave of zero mean that localization of a certain, as shown in FIG. Ψ(t)をt軸上でシフトあるいは拡大縮小した基底Ψ ab (t)と任意の信号f(t)との内積をウェーブレット変換といい、式(1)で定義される。 Called inner product wavelet transform and [psi basis of (t) shifted or scaled on the t-axis [psi ab (t) and any signal f (t), is defined by equation (1).

ここで、スケールaは拡大縮小を決定する正の実数であり、シフトbは時間(空間)方向への移動量を決定する実数である。 Here, the scale a is a positive real number determining the scaling, the shift b is a real number determining the amount of movement in time (space) direction. Ψ ab (t)に関して、 With respect to Ψ ab (t),

による直交性の関係があり、また、Ψ ab (t)は There is orthogonal relationship by, also, Ψ ab (t) is

のように規格化される。 It is normalized as. Ψ (t)はΨ(t)の複素共役を示す。 Ψ * (t) denotes the complex conjugate of Ψ (t). W(a,b)はウェーブレット展開係数であり、信号f(t)の中にΨ ab (t)の成分がどれだけ含まれるかを表すものであることから、f(t)は W (a, b) is the wavelet expansion coefficients, since it is intended to represent whether components of Ψ ab (t) in the signal f (t) is contained much, f (t) is

のように成分分解したものとして表される。 It expressed as those components decomposed as. ウェーブレット変換は、基底が時間軸を移動し、かつ対象とする任意の信号に対して基底の時間幅を拡大縮小することができるため、局所的な周波数情報が得られ、効率的な時間−周波数解析を行うことができるものである。 Wavelet transform base moves the time axis, and it is possible to scale the time width of the base with respect to any signal of interest, local frequency information is obtained and efficient time - frequency one in which it is possible to perform the analysis.

適当な直交基底関数をウェーブレットとし、式(1)のa,bを次のように離散化する。 And wavelet appropriate orthogonal basis functions, discretized as a, b of the following expression (1).

a=2 −j ,b=k・2 −j a = 2 -j, b = k · 2 -j
(ここで、j=0,±1,±2,・・・;k=0,±1,±2,・・・) (Where, j = 0, ± 1, ± 2, ···; k = 0, ± 1, ± 2, ···)
また、変数tを整数値nで置き換えると、N個のサンプリングデータからなる離散信号に対するf[n]に対する離散ウェーブレット変換は Further, by replacing the variable t as an integer n, the discrete wavelet transform for f [n] for discrete signal composed of N sampling data

で示される。 In shown.

離散ウェーブレット変換は多重解像度解析の1つであり、原信号を直交系のスケーリング関数の1次結合で近似した時に、解像度mの近似関数とそれより1レベル粗いm+1の近似関数との差分がウェーブレットの1次結合となる。 Discrete wavelet transform is one of multi-resolution analysis, when approximated by a linear combination of the scaling function of the original signal orthogonal system, the difference between the approximate function and the 1 level coarse m + 1 of the approximation function than that of the resolution m wavelet the primary bonds. つまり、ウェーブレット変換は、原信号の解像度を落としながら低域側の信号を次々と2分割していき、各解像度ごとに高域側の信号を出力するサブバンド分解と等価である。 That is, the wavelet transform, the original signal will continue to resolution after another 2 divides the signal of the low-frequency side while dropping, is equivalent to a sub-band decomposition of outputting the high frequency side of the signal for each resolution.

関数f(t)で表される原画像を逐次2分割し高域側を出力する状況を示すと、図2のようになる。 When successively 2 divides the original image represented by the function f (t) shows the situation of outputting a high-frequency side, it is as shown in FIG. 原関数f(t)を周波数成分で逐次分解していくにあたり、原画像について最も高い周波数成分の成分画像を抜き出しこれをH1とし、原画像から成分画像H1を差し引いた残りの成分画像をL1とする。 The original function f (t) Upon going sequentially decomposed in the frequency components, extracts the component images of the highest frequency component for the original image and H1, the remaining component image obtained by subtracting the component images H1 from the original image and L1 to. 次に、成分画像L1について次に高い周波数成分の成分画像H2を抜き出し、L1からH2を差し引いた成分画像をL2とする、というように逐次反復していく。 Then, extracted component image H2 of the next higher frequency components for component image L1, the component image by subtracting of H2 from L1 and L2, continue to iteratively so on. 周波数成分による分解の各段階において、それぞれ成分画像の解像度が対応したものとなる。 At each stage of degradation by frequency components, and that the resolution of the component images respectively corresponding.

このような過程において、原画像の1次元情報としての関数f(t)について周波数成分の分解がなされるが、画像としては2次元の変量分布であるので、水平向及び垂直方向の変量f(t),g(t)について周波数成分による分解を行う。 In this process, although the decomposition of the function f (t) the frequency component of the 1-dimensional information of the original image is made, so as the image is a two-dimensional variable distribution, the horizontal direction and vertical direction of the variable f ( t), disassembly by frequency components for g (t). この場合、最初に例えば各行の画像信号に対して水平方向の1次元ウェーブレット変換を行い、高域の成分画像Hと低域の成分画像Lとに分割する。 In this case, it performs one-dimensional wavelet transform in the horizontal direction with respect to the first example each line of the image signal is divided into a component image L of the component image H and the low frequency of the high frequency range. 次に、周波数成分で分割された成分画像Hの各列の信号に対して鉛直方向のウェーブレット変換を行ってHHとHLとの成分画像に分割し、また、成分画像Lの各列の信号に対してウェーブレット変換を行ってLHとLLとの成分画像に分割する。 Next, divided into component images of the HH and HL performs wavelet transformation in the vertical direction for each column of signal divided component image H in the frequency components, also the signals of the respective columns of the component images L It is divided into component images of LH and LL by performing a wavelet transform for. この水平方向の分割と鉛直方向の分割とにより、4つの周波数成分(LL,LH,HL,HH)が算出される。 By the the horizontal division and vertical division, four frequency components (LL, LH, HL, HH) is calculated. 各周波数成分は、LLが原画像の基本的情報が含まれる低域成分であり、LHおよびHLはそれぞれ水平方向および鉛直方向のエッジが強調され、HHは対角方向のエッジが強調される特性をもつ。 Each frequency component is a low-frequency component LL are contained basic information of the original image, LH and HL are emphasized horizontal and vertical edges, respectively, HH edge diagonal direction is emphasized characteristics the with. その次の段階では、4つに分解された周波数成分のうち、その段階でのLL成分をさらに4つに分解し、以下同じように低周波数側を4つに分解する過程を反復する。 In the next stage, among the resolved frequency component to four, further decomposed into four the LL component at that stage, to repeat the process of decomposing the low frequency side into four like follows. このように水平方向と鉛直方向とに分解された4つの成分画像のうちLLの成分画像に対してさらに水平方向と鉛直方向との分解を行い、以下同様に反復する(図3)。 Thus further subjected to decomposition in the horizontal and vertical direction with respect to the horizontal and vertical directions and the LL component images of decomposed four component images, repeated Similarly (Figure 3).

原画像が2 10 ×2 10ピクセルであったとして、図2のような周波数成分による分解を水平方向、垂直方向に行う過程と、各段階の成分画像の1画素に含まれる現画像の情報量との関係を示すと、表1のようになる。 As an original image is a 2 10 × 2 10 pixels, and the process of performing the degradation by frequency components as shown in FIG. 2 in the horizontal direction, vertical direction, the amount of information of the current image included in one pixel of each stage of the component images When showing the relationship between, it becomes as shown in Table 1.

ウェーブレット展開係数をW(x,y)とすると、M×Nの画素からなる画像の解像度mにおけるLH成分の周波数エネルギーE LHm When the wavelet expansion coefficient and W (x, y), frequency energy E LHm of LH component in resolution m of the image comprising pixels of M × N is

で、また、画像全体の周波数エネルギーE In, also, the frequency energy E m of the entire image

で算出される。 In is calculated. このとき最大解像度をkとすると、全解像度の周波数エネルギー和に対するE の比E (nはnormalを表す)は If the maximum resolution this time is k, the ratio E n m of E m for frequency energy sum of all resolutions (n represents the normal) is

で算出され、画像の周波数エネルギーの分布特性を評価することができる。 In the calculated, it is possible to evaluate the distribution characteristic of the image frequency energy.

また、E の分布図の重心に相当するCAは Further, the CA that corresponds to the center of gravity of the distribution diagram of E n m

で算出される。 In is calculated. 、CAは解像度間のエネルギー比であり、複数の画像を評価する場合、画像の明るさや全体的な色合いの違いに影響を受けにくいパラメータである。 E n m, CA is the energy ratio between the resolution when evaluating a plurality of images is a difficult parameter influenced the difference in brightness and overall hue of the image.
〔さび画像の評定〕 [Assessment of rust image]
画像処理の目標として、耐候性鋼材のさび外観を適切に評価することがある。 As the target of image processing, there is possible to appropriately evaluate the rust appearance of weathering steel. さび画像によりさび外観を判別するのには個人差が伴うが、熟練技術者は的確に判別し得る。 Although accompanied by individual differences to determine the rust appearance by rust image, a skilled technician may accurately determine. 外観耐候性鋼材のさび外観については表2のような外観評点の基準がある。 The rust appearance appearance weathering steel is standard appearance score as shown in Table 2.

ウェーブレット変換による多重解像度解析を用いた画像処理の目標としては、このようなさび画像を画像処理して得られた結果により表2に示されるような外観評点と同程度にさび外観を判別できるようにすることがある。 The goal of the image processing using the multi-resolution analysis by wavelet transform, so that it can determine the appearance rust by the results obtained with such a rust image by image processing to the appearance rating comparable as shown in Table 2 there is to be in. 目視外観基準にあるさびの平均外観粒径は同一スケールのさび画像におけるさびの粗密さ、周波数として表現できると考えられる。 Average appearance particle diameter of rust on the visual appearance criteria density of rust in the same scale of the rust image is considered to be expressed as a frequency. 表2における評点1(異常)や評点2(要観察)のさび外観はさび粒子とは別に層状ないしうろこ状の剥離形状をもち、これらのさび画像は低周波領域のエネルギーが高くなると考えられる。 Rust appearance scores in Table 2 1 (abnormal) and grade 2 (on observation) Apart from having the layered or scaly peeling shape and rust particles, these rust image is considered to energy of the low-frequency region is increased.

最大解像度別にさび画像について前述したE の分布重心CAの平均値、標準偏差を求め、線形近似により、E やCAがさびの粗密さを大まかではあるが定量的に表現できることがわかる。 Average value of the distribution centroid CA of E n m described above for rust image by the maximum resolution, the standard deviation, the linear approximation, there is roughly a density of E n m and CA Gasabi but it can be seen that expressed quantitatively . やCAは各解像度における画像全体のエネルギーに着目した特徴量である。 E n m and CA is a characteristic quantity that focuses on energy of the entire image at each resolution. そのため、表2における評点3〜5のさび画像の評価には適しているが、評点1,2のさび画像のように層状ないしうろこ状のさびで均一でないものについての評価には適切とは言えない。 Therefore, although suitable for evaluation of rust image scores 3-5 in Table 2, although appropriate for the evaluation of those not uniform layered or scaly rust as rust image scores 1,2 Absent. そのため、より精度を高めるためにパターン認識の手法を用いるのがよい。 Therefore, it is preferable to use a method of pattern recognition in order to improve the accuracy.
〔パターン認識手法を用いた判別〕 [Determined using a pattern recognition technique]
評点1,2のような層状剥離さびないしうろこ状さびのような非均一的な画像に対しては、局所的な分布特性を表現する指標が必要であり、各解像度について新たな特徴量として Do not rust delamination as scores 1,2 for non-uniform images such as scaly rust, it is necessary indicators to represent local distribution characteristics, as a new feature quantity for each resolution

(lはlocalを表す)を用いる。 E l m (l represents a local) is used. は水平方向及び鉛直方向の周波数エネルギー和に対する斜め方向のエネルギーの比であり、さび画像のテクスチャとしての不均一性に着目した特徴量である。 E l m is the ratio of energy in an oblique direction with respect to the frequency energy sum of the horizontal and vertical directions, a feature quantity which focuses on non-uniformity of the texture of rust image. 式(8)及び式(10)から、さび画像の特徴ベクトルEを From equations (8) and (10), the feature vector E rust image

で定義する。 In the definition. このような特徴量と外観評点との相関をよくするために、非線形性を考慮したパターン認識の手法を取り入れる。 To improve the correlation between such features and the appearance rating, incorporate a technique pattern recognition with Nonlinear. この手法について、 For this technique,
・特徴ベクトルEを学習パターンとした外観評点の識別モデルをサポートベクトルマシンにより構築する。 · The identification model appearance score that the learning pattern feature vectors E constructed by support vector machine.
・構築された識別モデルによりさび画像の識別を行い、その結果により識別モデルを用いたさび画像の識別の有効性について検証する。 - perform identification of rust image by constructing identification model, it verifies the validity of the identification of rust image using the identified model by the results.
という段階に分けて説明する。 It will be described separately in the stage called.
(a)サポートベクトルマシンによる識別モデルの構築 サポートベクトルマシン(Support Vector Machine;以下、SVM)は、2クラスの分類問題を解くために作られた学習機械である。 (A) a support vector machine by the recognition model construction support vector machine (Support Vector Machine; hereinafter, SVM) is made the learning machine to solve a classification problem of two classes. 式(11)における特徴ベクトルEは2k次元の特徴量空間に分布するサポートベクトルとして示されるが、このような2クラスのパターン分布には、超平面によって2つに分けられる線形分離可能な場合と、分けることができない非線形な場合とが存在する。 Although feature vectors E in formula (11) is shown as support vectors distributed in the feature quantity space of 2k dimensions, the pattern distribution of such two classes, and if linearly separable, divided into two by the hyperplane , and if it is non-linear it is not possible to divide exists. SVMはこの両方に適用可能で、マージン最大化と呼ばれる手法に基づいた汎化能力の高いものと言える。 SVM is applicable to both, it can be said that a high generalization ability based on the technique called margin maximization.

一般的な線形識別器における次元数dの学習パターンX=(x ,・・・,x の識別関数は、 Dimensionality d in general linear classifier learning pattern X = (x 1, ···, x d) identifying a function of t is

のように表される。 Represented as. ここで、w は識別器の重みを表し、bはバイアス項と呼ばれるパラメータである。 Here, w i represents the weight of the discriminator, b is a parameter called the bias term. この識別器のP(X)=0を満たす点の集合(識別面)は、(d−1)次元の超平面となる。 Set of points satisfying P (X) = 0 of the discriminator (discriminant plane) becomes (d-1) dimension of the hyperplane. ここで、図4(a)のように異なるクラスの学習パターンが(d−1)次元の超平面(図では直線)によって分離できたとすると、学習パターンを完全に識別する超平面は無数に存在する。 Here, the different classes of the learning pattern as shown in FIG. 4 (a) (d-1) when (in FIG linear) hyperplane dimensions and could be separated by, hyperplane fully identify the training pattern countless exist to. 識別の最終目標は、無数にある未知のテストパターンを正確に識別することであり、SVMでは2つのクラスの中央部を通る(マージンを最大にする)超平面が最も識別性に優れているものとして、図4(b)のように、これを探索する。 The goal of the identification is to accurately identify unknown test pattern in the innumerable, (to maximize the margin) passing through the center portion of the two classes in the SVM that hyperplane is most excellent in distinctiveness as, as shown in FIG. 4 (b), explore this.

線形分離が不可能な特徴量空間の場合、式(12)のような識別関数では十分な識別性能が得られない。 For linear separation impossible feature amount space, sufficient identification performance can be obtained with the discriminant function of Equation (12). そこで、非線形関数Φ(X)を用いて特徴ベクトルX∈R をより高次元の空間R に写像する。 Therefore, mapping the feature vectors X∈R d a higher dimensional space R q using a non-linear function Φ (X). これにより、写像先のq次元ユークリッド空間で線形識別を行えば、実質的にもとの空間で非線形識別を行ったのと同等になる(図5)。 Thus, by performing the linear discriminant with mapping destination q-dimensional Euclidean space, becomes equivalent to Substantially the nonlinear identified under the space (Fig. 5).

スカラーを出力する任意のh個の非線形関数φ (X)(j=1,・・・,h)を用い、関数Φ(X)を Any h number of nonlinear function phi j (X) for outputting a scalar (j = 1, ···, h ) using the function Φ (X) is

のように定義する。 It is defined as. Φ(X)を新たなパターンとみなせば、線形SVMと同様に最適な識別関数が定式化されるが、Φ(X)を含む非線形関数は高次元のベクトル演算を含み、膨大な計算量を必要とする。 Is regarded as [Phi (X) a new pattern, although linear SVM as well as optimal discrimination function is formulated, non-linear function containing [Phi (X) includes a vector operation of high-dimensional, an enormous amount of calculation I need. そのため、もとの空間で定義されるカーネル関数K(X,Y)を、 Therefore, the kernel function K defined in the original space (X, Y), and

として導入する。 Be introduced as. カーネル関数は、もとの空間における学習パターンX及びYの位置関係を写像先で内積として反映し、識別に重要な役割をもつもので、例えば多項式型やガウシアン型のカーネル関数がある。 Kernel function reflects the inner product a positional relationship between the learning pattern X and Y in the original space mapping destination, those with an important role in the identification, for example, a kernel function polynomial and Gaussian. 簡易に高次元への写像を可能にするものとして、 As to enable the mapping of the high-dimensional in a simple,


の形のRBF関数がある。 There is a form of RBF function of. ここで、γ(γ>0)はカーネルパラメータである。 Here, γ (γ> 0) is a kernel parameter.

このようにして、SVMを用いた学習により、さび画像の場合について表2に示される外観評点基準に従ってそれぞれ評点が付されている多数のさび画像を、個々のさび画像に対応する特徴ベクトルEによってどの評点のものであるか識別できるようにするための識別モデルを構築する。 In this manner, by learning using SVM, the number of rust image scoring each according to the appearance rating criteria shown in Table 2 is attached in the case of the rust image by a feature vector E corresponding to an individual rust image the identification model to be able to identify at either of any grade building. このために、図4(a),(b)に示すように、評点が既知の特徴ベクトルEをSVMを用いてクラス分けして5つの評点に分類できる識別モデルを作り上げる。 Therefore, FIG. 4 (a), the (b), the make up the identification model score can classify the known feature vector E into five grades by classification using SVM. ここで、SVMは2クラスの分類問題を解く学習機械であるため、全クラスの外観評点に対して対象とする評点の画像とそれ以外の画像とを1種類ずつ総当たりで分類する(2クラス分類の繰り返し)問題として考える。 Since SVM is a learning machine for solving classification problems two classes, the image and other images of scores of interest with respect to the appearance rating of all classes sorted by one by brute force (2 class think as the classification of repetition) problem.

このようにSVMを用いた学習の過程を経て構築された識別モデルを用いることにより識別されていないさび画像がどの評点のものであるか画像さらにその識別モデルを用いてさび画像を自動的に識別することができる。 Thus automatically identify the image rust using the identification model in which one image addition of any grade rust image not identified by using the identification model constructed through a process of learning using SVM can do. 識別モデルを構築しさび画像の評点を識別することをフローで示すと図6のようになる。 If indicated by the flow identifying a score rust image build identification model is shown in Figure 6.
(b)識別モデルによりさび画像の識別とその結果による識別モデルを用いたさび画像の識別の有効性 図6に示すようなフローによりさび画像の評点を識別するための識別モデルの構築を実際にさび画像について実行し、構築された識別モデルを用いてさび画像の識別を行い、その結果を別途外観評定で得られた結果と対比し、識別モデルの有効性について検証する。 (B) Construction of the identification model to identify the rating of rust image by flow shown in effectiveness Figure 6 of the identification of rust image using the identification model by identifying and resultant rust image by the identification model actually run for rust image, performs identification of the image rust using the constructed identified model, the results separately compared with the results obtained in the appearance rating, to verify the validity of the identification model.

解析に用いるさび画像は、経過年数6年の無塗装橋梁から有効画素数300万画素のデジタルカメラで採取したものであり、得られた画像は全て Rust image used in the analysis are those taken at effective pixels megapixel digital camera from unpainted bridges elapsed years 6 years resulting image all
Y=0.299R+0.587G+0.114B Y = 0.299R + 0.587G + 0.114B
(R,G,Bは赤、緑、青の濃度値)の式によりグレースケールに変換するという前処理を行っている。 (R, G, B are the red, green density value of blue) is performed preprocessing of converting grayscale by formula. さび画像558枚とそれらの外観評点を全パターンとし、それらの一部を学習パターンとして識別モデルを構築する。 558 Like rust images and their appearance score and all the patterns to build an identification model part thereof as a learning pattern. 全パターンの外観評点は表3に示すようになっている。 Appearance rating of all patterns are as shown in Table 3. 学習パターンはパターン数の制約による識別モデルのロバスト性を検証するために、全画像データに対する学習パターンの比率αを10%〜50%に変化させ適合率を比較する。 Learning patterns in order to verify the robustness of the identification models by the pattern number of the constraints, by changing the ratio α of the learning patterns for the entire image data 10% to 50% compared compliance rate. また、学習の偏りを防ぐため、各条件での識別はランダムに選択した学習パターンによる識別モデル30組について行い、それらの適合率を平均して評価する。 In order to prevent the deviation of the learning, identification of each condition performed for identifying the model 30 set by learning pattern selected randomly and evaluated by averaging their suitability index. この識別モデルに対する適合率の評価は図7のフローの形で行う。 Evaluation of adaptation rates for this identification model is carried out in the form of the flow of FIG.

全パターンのうちの学習パターンの割合αを10%〜50%の範囲で変えていった場合の適合率の変化は図8(a)のようになり、最大解像度(k)は5〜8の場合について行っている。 Change adaptation rate when went varied from 10% to 50% the proportion α of the learning patterns of the total pattern is as shown in FIG. 8 (a), the maximum resolution (k) is the 5-8 It is carried out on the case. また、図8(b)には、最大解像度(k)を8とし、特徴ベクトル(E,E ,E )と学習パターンの割合αを変えた場合の適合率の変化を示している。 Further, in FIG. 8 (b), the maximum resolution (k) is 8, shows a feature vector (E, E n m, E l m) changes in the adaptation rate when changing the ratio α of the learning pattern there. 図8(a),(b)に示す結果から、学習パターンの割合が増えると適合率が向上するのは明らかである。 FIG. 8 (a), the results shown in (b), it is clear that fit ratio is improved and the proportion of the learning patterns is increased. 全体のパターン数が一定であるため、学習パターンが増えると、残りの識別対象となるパターンの数は経るが、学習により適合率が向上することになる。 For total number of patterns is constant, the learning pattern is increased, but go through the number of patterns to be remaining to be identified, so that the fit ratio is improved by learning. また、図8(b)に示す結果からすれば、特徴ベクトルとしてE 及びE を単独で用いるより、これらを併せたEを用いた方が適合率がよく、識別に有効なパラメータとなることがわかる。 Further, from the results shown in FIG. 8 (b), than using E n m and E l m as a feature vector alone, is preferable to use these the combined E good precision rate, valid parameters to identify it can be seen that to be.

特徴ベクトルの次元数(d)と学習パターンの数(n)は適合率に大きく影響し、一般に2クラスの分類問題で統計的に信頼できる結果を得るのにn>2(d+1)の条件を満たす必要があると考えられている。 Dimensionality of the feature vector (d) the number of learning patterns (n) is a significant impact on satisfaction degree, the conditions generally to obtain statistically reliable results in classification problems two classes n> 2 (d + 1) it is believed that there is a need to be met. 図8(a)に示す結果では、最大解像度の違い(k=5,6,7,8)は適合率にそれほど影響を及ぼしていないと言える。 In the results shown in FIG. 8 (a), the maximum resolution difference (k = 5,6,7,8) can be said to not affect significantly the compliance rate. 最大解像度を低くすれば特徴ベクトルの次元数を削減でき、同じ学習パターン数であるとしても信頼性の向上につながるとともに、ウェーブレット変換やSVMの学習に要する時間が短縮される。 If lower maximum resolution can reduce the number of dimensions of the feature vectors, with leads to improvement of reliability as the same learning pattern number, the time required for learning of the wavelet transform and SVM is shortened. ウェーブレット変換に際し低周波域での周波数エネルギーに対する誤差が大きいというようなことを踏まえて考えると、最大解像度は5〜6が合理的であると言える。 Taken given that such that the error is large upon relative frequency energy in the low frequency band wavelet transform, the maximum resolution 5-6 can be said to be reasonable.

表4に、最大解像度を6、学習パターンの割合(α)を50%として、学習パターンについての特徴ベクトルEにより学習を行って識別モデルを構築し、この識別モデルにより他の(100−α)%のパターンの識別を行うこと、これを学習パターンをランダムに選択することで識別モデルの構築、評価を30回行って得られた識別結果を合計したものを外観評定と対比して示す。 Table 4, the maximum resolution 6, the ratio of the learning patterns (alpha) of 50% by the feature vector E of the learning pattern by performing learning to build an identification model, other (100-alpha) by the identification model to perform% of the identification pattern, the construction of the identification model by randomly selecting learning patterns which shows the sum of the identification result obtained evaluated by 30 times in comparison with appearance rating. 表4において、SVMにより構築された識別モデルによる識別結果が外観評点と一致する対角線上の枠内の結果が正しい識別がなされたことを示し、その割合がカッコ内数字の適合率となる。 In Table 4, it indicates that the results of the framework diagonal to the result identified by the recognition model constructed by SVM matches the appearance rating is the correct identification has been made, the rate is the rate of compliance in brackets numbers. 最も高い適合率は評点1で94%、最も低い場合で評点3の72%であり、全体として学習モデルによる識別として良好な適合率が得られている。 The highest matching rate is 94% in score 1, 72% of grade 3 in case the lowest, good compliance rate is obtained as identified by the learning model as a whole.

ここでの説明では、識別モデルの構築とその有効性の検証とを行うという面から、全画像パターンのうちの一部(α%)を学習パターンとし、構築された識別モデルにより残りの(100−α)%のパターンの識別を行い、その識別結果か正しい評点と一致する適合率により識別モデルの有効性を確認したものであるが、このようにさび画像についてのウェーブレット解析、SVMを用いた学習により識別モデルを構築することにより、さび画像の評点の識別を自動的に行うことができる。 In the description herein, the terms performs a verification of its validity and construction of the identification models, part (alpha%) as training pattern of the entire image pattern, the remaining (100 by constructing identification model perform identification pattern-.alpha.)%, but is obtained by confirming the validity of the identification model by adaptation rate that matches the identification result is correct scores, wavelet analysis for such rust image, using SVM by constructing the identification model by learning, it is possible to automatically identify the grade of rust image. 識別を自動的に行うために精度の高い識別モデルを構築することが必要であり、そのためにはできるだけ多数、多様な画像のパターンを蓄積する必要がある。 It is necessary to construct a highly accurate identification model to automatically perform an identification, in order that as many as possible, it is necessary to accumulate the pattern of diverse images.

本発明を耐候性鋼材表面のさび画像をもとにさび外観を評価する場合の例に関して説明したが、ここでのウェーブレット解析、SVMを用いた学習による識別モデルの構築、それにより自動的識別を行うという手法は、特に耐候性鋼材のさび外観の評価に限られることはなく、一般的な材料の表面状態、あるいは地面・植生の状態等を撮像した画像により評価するような場合にも、表面状態が評点により分類されるものとして、適用可能なものである。 While the invention has been described with reference example of evaluating the appearance rust based rust image of weathering steel surface, wavelet analysis here, the construction of the identification model by learning using SVM, the thus automatically identified method of performing, especially not limited to the evaluation of the rust appearance of weathering steel, surface condition of the common materials, or even in the case such as evaluating the image of the captured state of the ground and vegetation, surface as state is classified by score, but applicable.

ウェーブレットの波形の例を示す図である。 Is a diagram illustrating an example of a wavelet waveform. ウェーブレット変換により画像の解像度を落としながら周波数成分で逐次分解することを説明する図である。 It is a diagram for explaining that successively decomposed in the frequency components while reducing the resolution of the image by the wavelet transform. 画像に対し水平方向、鉛直方向のウェーブレット変換を行い分解する過程を概略示す図である。 Horizontally with respect to the image, a diagram schematically showing the decomposing process performs wavelet transformation in the vertical direction. (a),(b)サポートベクトルマシンによる特徴ベクトルの分類を概略的に示す図である。 (A), is a diagram schematically showing a classification of the feature vector by (b) a support vector machine. 特徴空間の高次元空間への写像をイメージ化する図である。 Is a view to image the mapping to higher-dimensional space of the feature space. 本発明による識別モデルの構築とそれを用いた識別の過程を示すフロー図である。 It is a diagram illustrating a process of identification using it with the construction of the identification models according to the invention. 本発明により構築される識別モデルの有効性を検証する過程を示す図である。 It illustrates a process of verifying the validity of the identification model constructed by the present invention. 識別モデルの構築に際し全パターンに対する学習パターンの割合を変えた時の適合率を示す図であり、(a)では最大解像度を変え、(b)では特徴ベクトルを変えて示している。 It is a diagram showing the adaptation rate when changing the ratio of the learning pattern to the total pattern upon the construction of the identification model, changing the maximum resolution in (a), showing changing the feature vector in (b).

Claims (3)

  1. 表面状態が評点により分類される対象物の表面状態を撮像した画像について画像処理を行って表面状態を表す評点の識別により対象物の表面状態を検査する方法であって、 A method of surface condition inspecting the surface state of the object by identifying scores representing the surface state of the surface state by performing image processing on the image captured of the object to be classified by the score,
    対象物の表面を撮像して得られ評点が付与されている画像について水平方向及び鉛直方向にウェーブレット変換を行い、最大解像度をkとして全解像度の周波数エネルギー和に対する解像度mにおける画像全体の周波数エネルギーEmの比E と解像度mにおける水平方向及び鉛直方向の周波数エネルギー和に対する斜め方向のエネルギーの比E との解像度mごとの値を成分とする2k次元の特徴ベクトルEを求めるウェーブレット解析を複数の画像の各々に対して行うことと、 Performs wavelet transformation in the horizontal and vertical directions for images score obtained by imaging the surface of the object has been granted full resolution frequency energy Em of the entire image at a resolution m for frequency energy sum of the maximum resolution as k wavelet analysis for obtaining the 2k-dimensional feature vector E to the value of each resolution m and components of the ratio E l m of energy in an oblique direction with respect to the frequency energy sum of the horizontal and vertical directions in the ratio E n m and resolution m of and it is made to each of the plurality of images,
    多次元の複数のベクトルを超平面により2つのクラスに分類するサポートベクトルマシンにより前記複数の画像にそれぞれ対応する2k次元の特徴ベクトルEを評点にしたがって分類して評点が未知の画像の評点をその特徴ベクトルEにより識別するための識別モデルを構築することと、 A plurality of vectors of multidimensional by hyperplane that scores of two scores with support vector machine to classify a class feature vectors E of 2k dimension corresponding to the plurality of images classified according to rating is unknown image and constructing an identification model for identifying the feature vector E,
    構築された前記識別モデルにより評点が未知の画像についての特徴ベクトルEからその評点を識別することと、 And the score is to identify the score from the feature vector E for the unknown image by constructed the identified model,
    からなることを特徴とする対象物の表面状態を検査する方法。 Method of inspecting the surface condition of the object, characterized in that it consists of.
  2. 前記対象物の表面状態が耐候性鋼材のさびの状態であることを特徴とする請求項1に記載の対象物の表面状態を検査する方法。 Method of inspecting the surface condition of an object according to claim 1, wherein the surface condition of the object is a state of rust weathering steel.
  3. 対象物の表面を撮像して得られ評点が付与されている複数の画像の各々について水平方向及び鉛直方向にウェーブレット変換を行い、最大解像度をkとして全解像度の周波数エネルギー和に対する解像度mにおける画像全体の周波数エネルギーEmの比E と解像度mにおける水平方向及び鉛直方向の周波数エネルギー和に対する斜め方向のエネルギーの比E との解像度mごとの値を成分とする2k次元の特徴ベクトルEを求め、多次元の複数の特徴ベクトルを超平面により2つのクラスに分類するサポートベクトルマシンの機能により前記複数の画像にそれぞれ対応する2k次元の特徴ベクトルEを評点にしたがって分類して評点が未知の画像の評点をその特徴ベクトルEにより識別するための識別モデルを構築し、構築された前 Performs wavelet transform on each of a plurality of images score obtained by imaging the surface of the object is given in the horizontal direction and the vertical direction, the entire image at a resolution m for frequency energy sum of all resolutions up to resolution as k the frequency energy Em of the ratio E n m and 2k dimension whose value is the component for each resolution m of the ratio E l m of diagonal energy to frequency energy sum of the horizontal and vertical directions at resolution m feature vectors E determined, a plurality of multi-dimensional feature vectors scores are classified according to rating the 2k-dimensional feature vector E corresponding to the plurality of images by the function of the support vector machine to classify into two classes by hyperplane is unknown before constructing the identification model to identify by their characteristic vector E scores images were constructed 記識別モデルにより評点が未知の画像についての特徴ベクトルEからその評点を識別することにより、表面状態が評点により分類され対象物の表面状態を撮像した画像について画像処理を行って表面状態を表す評点の識別により対象物の表面状態を検査することをコンピュータ上で実行するための画像処理プログラム。 By rating the serial identification model to identify the score from the feature vector E for the unknown image, scores surface condition representing the surface condition of the surface state by performing image processing on the image captured of the classified object by rating the image processing program for executing inspecting the surface condition of the object on a computer by the identification.
JP2006254418A 2006-09-20 2006-09-20 How to inspect the surface state of the object by image processing and image processing program therefor Active JP4992081B2 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2006254418A JP4992081B2 (en) 2006-09-20 2006-09-20 How to inspect the surface state of the object by image processing and image processing program therefor

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2006254418A JP4992081B2 (en) 2006-09-20 2006-09-20 How to inspect the surface state of the object by image processing and image processing program therefor

Publications (2)

Publication Number Publication Date
JP2008076167A true JP2008076167A (en) 2008-04-03
JP4992081B2 JP4992081B2 (en) 2012-08-08

Family

ID=39348406

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2006254418A Active JP4992081B2 (en) 2006-09-20 2006-09-20 How to inspect the surface state of the object by image processing and image processing program therefor

Country Status (1)

Country Link
JP (1) JP4992081B2 (en)

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009293993A (en) * 2008-06-03 2009-12-17 Central Res Inst Of Electric Power Ind Method and apparatus for evaluating degree of corrosion and program
WO2010024064A1 (en) * 2008-08-25 2010-03-04 株式会社 日立ハイテクノロジーズ Defect check method and device thereof
JP2011107029A (en) * 2009-11-19 2011-06-02 Toyota Central R&D Labs Inc Degreased degree determining device and method
JP2012098181A (en) * 2010-11-02 2012-05-24 Sumitomo Electric Ind Ltd Device and method for detection
CN102778427A (en) * 2012-07-10 2012-11-14 广西大学 Full-angle ultraviolet light radiation weatherable test box
JP2013224942A (en) * 2012-04-19 2013-10-31 Applied Materials Israel Ltd Optimization of unknown defect rejection for automatic defect classification
KR20160096461A (en) * 2015-02-05 2016-08-16 동우 화인켐 주식회사 Method for inspecting film
US10043264B2 (en) 2012-04-19 2018-08-07 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
US10114368B2 (en) 2013-07-22 2018-10-30 Applied Materials Israel Ltd. Closed-loop automatic defect inspection and classification

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105181933B (en) * 2015-09-11 2017-04-05 北华航天工业学院 Prediction of Soil compression factor

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0979997A (en) * 1995-09-08 1997-03-28 Sumitomo Metal Ind Ltd Defect inspection method and device
JP2004144668A (en) * 2002-10-25 2004-05-20 Jfe Steel Kk Defect detection method
JP2004212392A (en) * 2002-12-17 2004-07-29 Aida Engineering Co Ltd Surface inspection method
JP2006162583A (en) * 2004-11-10 2006-06-22 Taisei Corp Crack detection method
JP2006244462A (en) * 2005-01-10 2006-09-14 Fuji Xerox Co Ltd Method, system, and device for detecting useful image and ranking images in order of usefulness and program for ranking images

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0979997A (en) * 1995-09-08 1997-03-28 Sumitomo Metal Ind Ltd Defect inspection method and device
JP2004144668A (en) * 2002-10-25 2004-05-20 Jfe Steel Kk Defect detection method
JP2004212392A (en) * 2002-12-17 2004-07-29 Aida Engineering Co Ltd Surface inspection method
JP2006162583A (en) * 2004-11-10 2006-06-22 Taisei Corp Crack detection method
JP2006244462A (en) * 2005-01-10 2006-09-14 Fuji Xerox Co Ltd Method, system, and device for detecting useful image and ranking images in order of usefulness and program for ranking images

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009293993A (en) * 2008-06-03 2009-12-17 Central Res Inst Of Electric Power Ind Method and apparatus for evaluating degree of corrosion and program
WO2010024064A1 (en) * 2008-08-25 2010-03-04 株式会社 日立ハイテクノロジーズ Defect check method and device thereof
JP2011107029A (en) * 2009-11-19 2011-06-02 Toyota Central R&D Labs Inc Degreased degree determining device and method
JP2012098181A (en) * 2010-11-02 2012-05-24 Sumitomo Electric Ind Ltd Device and method for detection
JP2013224942A (en) * 2012-04-19 2013-10-31 Applied Materials Israel Ltd Optimization of unknown defect rejection for automatic defect classification
US10043264B2 (en) 2012-04-19 2018-08-07 Applied Materials Israel Ltd. Integration of automatic and manual defect classification
CN102778427A (en) * 2012-07-10 2012-11-14 广西大学 Full-angle ultraviolet light radiation weatherable test box
US10114368B2 (en) 2013-07-22 2018-10-30 Applied Materials Israel Ltd. Closed-loop automatic defect inspection and classification
KR20160096461A (en) * 2015-02-05 2016-08-16 동우 화인켐 주식회사 Method for inspecting film
KR101694337B1 (en) * 2015-02-05 2017-01-09 동우 화인켐 주식회사 Method for inspecting film

Also Published As

Publication number Publication date
JP4992081B2 (en) 2012-08-08

Similar Documents

Publication Publication Date Title
Besnard et al. “Finite-element” displacement fields analysis from digital images: application to Portevin–Le Châtelier bands
Heyman et al. Is there really a foreign ownership wage premium? Evidence from matched employer–employee data
Al-Rousan et al. Evaluation of image analysis techniques for quantifying aggregate shape characteristics
Moon et al. Performance analysis of a simple vehicle detection algorithm
Abdel-Qader et al. Analysis of edge-detection techniques for crack identification in bridges
JP4368767B2 (en) Abnormal operation detection device and abnormal operation detection method
Abdel-Qader et al. PCA-based algorithm for unsupervised bridge crack detection
Vielva et al. Detection of non-Gaussianity in the Wilkinson microwave anisotropy probe first-year data using spherical wavelets
EP1862941A2 (en) Method and apparatus for identifying properties of an object detected by a video surveillance camera
Khellah Texture classification using dominant neighborhood structure
JP3870044B2 (en) Pattern inspection method and pattern inspection apparatus
Tucker et al. Generative models for functional data using phase and amplitude separation
Jahanshahi et al. A survey and evaluation of promising approaches for automatic image-based defect detection of bridge structures
Tinker Redshift-space distortions with the halo occupation distribution–II. Analytic model
US8063815B2 (en) Method and system for automatic classification of objects
Petrovic et al. Objective image fusion performance characterisation
Murray et al. Texture-based classification of sub-Antarctic vegetation communities on Heard Island
Zhou et al. Comparative evaluation of visualization and experimental results using image comparison metrics
Qiao et al. Waveform fractal dimension for mode shape-based damage identification of beam-type structures
Wang et al. Sub-pixel mapping of remote sensing images based on radial basis function interpolation
Rubin Use of forecasting signatures to help distinguish periodicity, randomness, and chaos in ripples and other spatial patterns
Cord et al. Automatic road defect detection by textural pattern recognition based on AdaBoost
US20100202700A1 (en) Method and system for determining structural similarity between images
Zhu et al. Detection of large-scale concrete columns for automated bridge inspection
Li et al. Referenceless measure of blocking artifacts by Tchebichef kernel analysis

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20090403

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20110601

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20110607

A521 Written amendment

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20110803

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20120410

A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

R150 Certificate of patent or registration of utility model

Free format text: JAPANESE INTERMEDIATE CODE: R150