JP2019120527A - Information processing apparatus, information processing method and program - Google Patents
Information processing apparatus, information processing method and program Download PDFInfo
- Publication number
- JP2019120527A JP2019120527A JP2017253665A JP2017253665A JP2019120527A JP 2019120527 A JP2019120527 A JP 2019120527A JP 2017253665 A JP2017253665 A JP 2017253665A JP 2017253665 A JP2017253665 A JP 2017253665A JP 2019120527 A JP2019120527 A JP 2019120527A
- Authority
- JP
- Japan
- Prior art keywords
- defect
- data
- type
- defect data
- predetermined
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
Description
本発明は、欠陥の分類に関する処理を行う情報処理装置、情報処理方法及びプログラムに関する。 The present invention relates to an information processing apparatus, an information processing method, and a program that perform processing related to defect classification.
検査対象の欠陥検査を行う際、検査対象の撮影画像から抽出した欠陥領域について、欠陥の種類（以下、欠陥種という）を識別関数を用いて分類し、分類結果に応じた判定基準により良否判定を行うことがある。識別関数はサポートベクターマシン（SVM）等の機械学習手法により作成し、これにより欠陥をいくつかの欠陥種に分類することができる（例えば、特許文献１−２）。 When performing a defect inspection of the inspection target, the type of defect (hereinafter referred to as a defect type) is classified using a discrimination function for the defect area extracted from the photographed image of the inspection target, and the quality is judged based on the judgment criteria according to the classification result Have to do. The discrimination function is created by a machine learning method such as a support vector machine (SVM), whereby the defect can be classified into several defect types (for example, Patent Documents 1-2).
しかしながら、従来技術では識別関数による欠陥種の分類を完全に正しく行うことは困難であった。欠陥検査の分野では、見逃してはならない特定の欠陥種の欠陥を含む製品が誤分類によって流出してしまう虞があり、重大な問題であった。 However, in the prior art, it is difficult to completely classify the defect type by the discrimination function. In the field of defect inspection, there has been a risk that products containing defects of certain defect types that should not be overlooked may be leaked due to misclassification, which is a serious problem.
本発明は、このような課題に鑑みてなされたもので、特定の欠陥種を正確に分類することが可能な情報処理装置等を提供することを目的とする。 The present invention has been made in view of such problems, and it is an object of the present invention to provide an information processing apparatus and the like capable of accurately classifying a specific defect type.
前述した課題を解決するための第１の発明は、欠陥領域を含む欠陥画像を欠陥種の情報とともに欠陥データとして記憶する記憶手段と、前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するプロット手段と、表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを削除する削除手段と、他の欠陥種の前記欠陥データを削除した後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成する識別関数作成手段と、を備えることを特徴とする情報処理装置である。
第２の発明は、欠陥領域を含む欠陥画像を欠陥種の情報とともに欠陥データとして記憶する記憶手段と、前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するプロット手段と、表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとする置換手段と、他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとした後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成する識別関数作成手段と、を備えることを特徴とする情報処理装置である。
According to a first aspect of the present invention, there is provided a storage means for storing a defect image including a defect area as defect data together with information on a defect type, and plotting the defect data based on the feature amount of the defect area. A plotting means for displaying a graph, a deleting means for deleting the defect data of other defect types in the vicinity of the defect data of a predetermined defect type among the displayed defect data, and the defects of the other defect types Information processing means for performing machine learning on the set of defect data after data deletion and for generating a discrimination function for classifying the defect area into a predetermined defect type; It is a processing device.
According to a second aspect of the present invention, there is provided a storage means for storing a defect image including a defect area as defect data together with information on a defect type, and a plotting means for displaying a graph plotting the defect data based on feature quantities of the defect area. Replacement means for setting the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data as the defect data of the predetermined defect type, and the defect of the other defect type Discriminant function generation means for performing machine learning on the set of defect data after converting data into the defect data of a predetermined defect type, and generating a discrimination function for classifying a defect area into a predetermined defect type; An information processing apparatus comprising:
本発明によれば、上記のようにプロットされた欠陥データにおいて、所定の欠陥種の欠陥データの近傍にある他の欠陥種の欠陥データを削除あるいは所定の欠陥種に置換した後、機械学習手法により欠陥種を分類する識別関数を作成する。これにより、所定の欠陥種の欠陥については正確に当該所定の欠陥種に分類できる識別関数が得られ、所定の欠陥種の欠陥を含む製品の流出を防止することが可能となる。 According to the present invention, in the defect data plotted as described above, after the defect data of another defect type in the vicinity of the defect data of the predetermined defect type is deleted or replaced with the predetermined defect type, the machine learning method Create a discriminant function that classifies defect types according to. As a result, for a defect of a predetermined defect type, a discrimination function that can accurately classify the predetermined defect type is obtained, and it is possible to prevent the outflow of a product including the defect of the predetermined defect type.
前記識別関数作成手段で作成した識別関数により、新たな欠陥画像の欠陥領域について欠陥種の分類を行う分類手段と、所定の欠陥種に分類された前記新たな欠陥画像を表示する表示手段と、を有することが望ましい。
これにより、新たに入力された欠陥画像について、前記作成した識別関数により欠陥種の分類を行うことが可能である。前記の識別関数は他の欠陥種の欠陥を所定の欠陥種に分類する可能性があるが、この場合も所定の欠陥種に分類された欠陥画像を表示し、目視検査を行うことでフォローできる。
A classification unit that classifies a defect type of a defect area of a new defect image according to the classification function generated by the classification function generation unit; a display unit that displays the new defect image classified into a predetermined defect type; It is desirable to have
As a result, it is possible to classify the type of defect with the created identification function for the newly input defect image. Although the discrimination function may classify defects of other defect types into predetermined defect types, in this case also, defect images classified into predetermined defect types can be displayed and followed by visual inspection. .
前記情報処理装置は、表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データの選択を受付ける選択受付手段を有することが望ましい。あるいは、表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを抽出する抽出手段を有することも望ましい。
前者の場合、オペレータにより選択された欠陥データを削除あるいは置換でき、後者の場合、情報処理装置により自動的に抽出された欠陥データを削除あるいは置換できる。
It is preferable that the information processing apparatus has a selection accepting unit that accepts selection of the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data. Alternatively, it is desirable to have an extraction unit for extracting the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data.
In the former case, defect data selected by the operator can be deleted or replaced, and in the latter case, defect data automatically extracted by the information processing apparatus can be deleted or replaced.
前記プロット手段は、機械学習の結果に基づきプロットを行うことが望ましい。
これにより、適当な特徴量によって欠陥データをプロットできる。
The plotting means preferably plots based on the result of machine learning.
Thereby, defect data can be plotted by appropriate feature quantities.
第３の発明は、欠陥領域を含む欠陥画像を欠陥種の情報とともに欠陥データとして記憶する記憶手段を有するコンピュータが、前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するステップと、表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを削除するステップと、他の欠陥種の前記欠陥データを削除した後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成するステップと、を実行することを特徴とする情報処理方法である。
第４の発明は、欠陥領域を含む欠陥画像を欠陥種の情報とともに欠陥データとして記憶する記憶手段を有するコンピュータが、前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するステップと、表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとするステップと、他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとした後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成するステップと、を実行することを特徴とする情報処理方法である。
In a third aspect of the present invention, a computer having storage means for storing a defect image including a defect area as defect data together with information of a defect type displays a graph in which the defect data is plotted based on the feature amount of the defect area. And the step of deleting the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data, and after deleting the defect data of the other defect type Performing machine learning on a set of defect data, and creating a discrimination function for classifying the defect area into a predetermined defect type.
In a fourth aspect of the present invention, a computer having storage means for storing a defect image including a defect area as defect data together with information on a defect type displays a graph in which the defect data is plotted based on the feature amount of the defect area. And selecting the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data as the defect data of the predetermined defect type, and the other defect type Performing machine learning on the defect data set after converting the defect data to the defect data of a predetermined defect type, and creating a discrimination function for classifying the defect area into the predetermined defect type An information processing method characterized by:
第５の発明は、欠陥領域を含む欠陥画像を欠陥種の情報とともに欠陥データとして記憶する記憶手段を有するコンピュータを、前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するプロット手段と、表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを削除する削除手段と、他の欠陥種の前記欠陥データを削除した後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成する識別関数作成手段と、して機能させるためのプログラムである。
第６の発明は、欠陥領域を含む欠陥画像を欠陥種の情報とともに欠陥データとして記憶する記憶手段を有するコンピュータを、前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するプロット手段と、表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとする置換手段と、他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとした後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成する識別関数作成手段と、して機能させるためのプログラムである。
A fifth invention is a plot which displays a graph in which a computer having storage means for storing a defect image including a defect area as defect data together with information on defect type is plotted on the basis of the feature amount of the defect area. Means, and deletion means for deleting the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data, and after deleting the defect data of the other defect type And a program for causing the set of defect data to function as identification function creating means for creating a identification function for classifying the defect area into a predetermined defect type.
A sixth invention is a plot which displays a graph in which a computer having storage means for storing a defect image including a defect area as defect data together with information on defect type is plotted on the basis of the feature amount of the defect area. And means for replacing the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data as the defect data of the predetermined defect type, and other defect types Machine learning is performed on the set of defect data after converting the defect data of the above into the defect data of a predetermined defect type, and a discrimination function creation for creating a discrimination function for classifying the defect area into the predetermined defect type It is a program for functioning as a means.
本発明により、特定の欠陥種を正確に分類することが可能な情報処理装置等を提供できる。 According to the present invention, it is possible to provide an information processing apparatus etc. capable of accurately classifying a specific defect type.
以下、図面に基づいて本発明の実施形態を詳細に説明する。 Hereinafter, an embodiment of the present invention will be described in detail based on the drawings.
（１．情報処理装置１）
図１は本発明の実施形態に係る情報処理装置１のハードウェア構成を示す図である。本実施形態の情報処理装置１は、検査対象の欠陥の分類及び欠陥検査と、欠陥の分類に用いる識別関数の作成を行う。検査対象はカード基材とするが、これに限ることはない。
(1. Information processing apparatus 1)
FIG. 1 is a diagram showing a hardware configuration of an information processing apparatus 1 according to an embodiment of the present invention. The information processing apparatus 1 according to the present embodiment performs classification of defects to be inspected and defect inspection, and creation of a discrimination function used for classification of defects. The inspection target is a card substrate, but is not limited thereto.
図１に示すように、情報処理装置１は、制御部１１、記憶部１２、入力部１３、表示部１４、通信制御部１５等がバスを介して接続されたコンピュータにより実現できる。しかしながらこれに限ることはなく、用途、目的に応じて様々な構成を採ることが可能である。 As shown in FIG. 1, the information processing apparatus 1 can be realized by a computer in which a control unit 11, a storage unit 12, an input unit 13, a display unit 14, a communication control unit 15 and the like are connected via a bus. However, the configuration is not limited thereto, and various configurations can be adopted according to the application and purpose.
制御部１１は、CPU、ROM、RAM等によって構成される。CPUは、記憶部１２やROM等の記録媒体に格納されるプログラムをRAM上のワークメモリ領域に呼び出して実行し、バスを介して接続された各部を駆動制御することで情報処理装置１の後述する各処理を実現する。ROMは不揮発性メモリであり、コンピュータのブートプログラムやBIOS等のプログラム、データ等を恒久的に保持している。RAMは揮発性メモリであり、記憶部１２やROMなどの記録媒体からロードしたプログラム、データ等を一時的に保持するとともに、制御部１１が各種処理を行う為に使用するワークエリアを備える。 The control unit 11 is configured of a CPU, a ROM, a RAM, and the like. The CPU calls a program stored in a storage medium such as the storage unit 12 or the ROM to a work memory area on the RAM and executes the program, and drives and controls each unit connected via a bus to control the information processor 1 described later. To implement each process. The ROM is a non-volatile memory and permanently holds a computer boot program, a program such as a BIOS, data and the like. The RAM is a volatile memory, and temporarily stores programs, data and the like loaded from a storage medium such as the storage unit 12 and the ROM, and has a work area used by the control unit 11 to perform various processes.
記憶部１２はハードディスクドライブ、ソリッドステートドライブ、フラッシュメモリ等であり、制御部１１が実行するプログラム、プログラム実行に必要なデータ、OS等が格納される。プログラム等は制御部１１により必要に応じて読み出されてRAMに移され、CPUにより各種の手段として実行される。 The storage unit 12 is a hard disk drive, a solid state drive, a flash memory or the like, and stores a program executed by the control unit 11, data necessary for program execution, an OS, and the like. The program and the like are read by the control unit 11 as necessary, transferred to the RAM, and executed by the CPU as various means.
入力部１３は、情報処理装置１に対し各種の入力を行うものであり、キーボード、マウス、タッチパネルディスプレイ等の入力装置等を含む。
表示部１４は液晶パネルなどのディスプレイ等を備え、制御部１１の指示に従ってディスプレイでの表示を行う。
通信制御部１５はネットワーク等を介して他の装置との通信を行う。ネットワークは、有線、無線を問わない。
The input unit 13 performs various inputs to the information processing apparatus 1 and includes an input device such as a keyboard, a mouse, and a touch panel display.
The display unit 14 includes a display such as a liquid crystal panel and the like, and performs display on the display according to an instruction of the control unit 11.
The communication control unit 15 communicates with other devices via a network or the like. The network may be wired or wireless.
図２は情報処理装置１の機能構成を示す図である。図２に示すように、情報処理装置１は、記憶手段１０１、プロット手段１０２、選択受付手段１０３、削除手段１０４、識別関数作成手段１０５、分類手段１０６、表示手段１０７等を有する。 FIG. 2 is a diagram showing a functional configuration of the information processing apparatus 1. As shown in FIG. 2, the information processing apparatus 1 includes a storage unit 101, a plotting unit 102, a selection receiving unit 103, a deleting unit 104, a discrimination function creating unit 105, a classification unit 106, a display unit 107, and the like.
記憶手段１０１（記憶部１２）は、欠陥領域を含む欠陥画像を欠陥種の情報とともに欠陥データとして記憶するものである。本実施形態では欠陥データ以外に、欠陥の分類に用いる識別関数も記憶する。欠陥領域、欠陥画像、欠陥種、および識別関数については後述する。 The storage unit 101 (storage unit 12) stores a defect image including a defect area as defect data together with information on a defect type. In the present embodiment, in addition to defect data, a discrimination function used for defect classification is also stored. The defect area, the defect image, the defect type, and the discrimination function will be described later.
プロット手段１０２は、欠陥領域の特徴量に基づいて欠陥データをプロットしたグラフを表示するものである。 The plotting means 102 displays a graph in which defect data is plotted based on the feature amount of the defect area.
選択受付手段１０３は、プロット手段１０２で表示した欠陥データのうち、所定の欠陥種の欠陥データの近傍にある他の欠陥種の欠陥データの選択を受付けるものである。 The selection receiving unit 103 receives selection of defect data of another defect type in the vicinity of defect data of a predetermined defect type among the defect data displayed by the plotting unit 102.
削除手段１０４は、上記選択された他の欠陥種の欠陥データを削除するものである。 The deleting means 104 is for deleting the defect data of the other selected defect type.
識別関数作成手段１０５は、削除手段１０４で欠陥データを削除した後の欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成するものである。 The discriminant function creating means 105 performs machine learning on the defect data set after the defect data is deleted by the deleting means 104, and creates a discriminant function for classifying the defect area into a predetermined defect type. .
分類手段１０６は、識別関数作成手段１０５で作成した識別関数により、新たな欠陥画像の欠陥領域について欠陥種の分類を行うものである。 The classification unit 106 classifies the defect type of the defect area of the new defect image by using the discrimination function generated by the discrimination function generation unit 105.
表示手段１０７は、所定の欠陥種に分類された上記新たな欠陥画像を表示するものである。 The display means 107 displays the new defect image classified into a predetermined defect type.
（２．情報処理装置１による情報処理方法）
次に、情報処理装置１が実行する処理について説明する。前記したように、情報処理装置１は検査対象であるカード基材の欠陥の分類及び欠陥検査と、欠陥の分類に用いる識別関数の作成を行う。
(2. Information processing method by information processing device 1)
Next, a process performed by the information processing device 1 will be described. As described above, the information processing apparatus 1 classifies and inspects defects of the card base material to be inspected and creates an identification function used to classify the defects.
（２−１．欠陥の分類及び欠陥検査）
図３は欠陥の分類及び欠陥検査の流れを示すフローチャートである。図３の各ステップは情報処理装置１の制御部１１が実行する処理である。
(2-1. Classification of defects and defect inspection)
FIG. 3 is a flowchart showing the flow of defect classification and defect inspection. Each step in FIG. 3 is processing executed by the control unit 11 of the information processing device 1.
情報処理装置１は、検査対象であるカード基材を撮影した撮影画像を取得すると（Ｓ１１）、当該撮影画像に基づいて欠陥領域（欠陥）を抽出する（Ｓ１２）。欠陥領域の抽出方法は特に限定されない。例えば、撮影画像と基準画像（検査対象の正の画像）の画素値の差分をとって差分画像を作成し、差分画像を閾値で二値化することにより欠陥領域を抽出できる。欠陥領域が抽出された場合、撮影画像から欠陥領域を含む部分を切り出し、欠陥画像（新たな欠陥画像）として記憶部１２に記録する。 When the information processing apparatus 1 acquires a photographed image obtained by photographing a card substrate to be inspected (S11), the information processing apparatus 1 extracts a defect area (defect) based on the photographed image (S12). The method of extracting the defect area is not particularly limited. For example, a difference image can be created by taking the difference between the pixel values of the photographed image and the reference image (positive image to be inspected), and the difference image can be binarized with a threshold to extract a defect area. When the defect area is extracted, a portion including the defect area is cut out from the photographed image and recorded in the storage unit 12 as a defect image (new defect image).
情報処理装置１は、抽出した欠陥領域について、欠陥種を分類するための特徴量を算出する（Ｓ１３）。特徴量は、例えば欠陥領域の面積、欠陥領域に外接する楕円の長辺方向や短辺方向の長さ、欠陥領域の濃度等であるが、これらに限定されることはない。 The information processing apparatus 1 calculates a feature amount for classifying a defect type for the extracted defect area (S13). The feature amount is, for example, the area of the defect area, the length of the long side direction or the short side direction of the ellipse circumscribing the defect area, the density of the defect area, and the like, but is not limited thereto.
情報処理装置１は、Ｓ１３で算出した特徴量と、機械学習により予め求めた当該特徴量を変数とする識別関数に基づいて、欠陥領域がどの欠陥種に属するか分類する（Ｓ１４；分類手段１０６）。 The information processing apparatus 1 classifies which defect type the defect area belongs to, based on the feature quantity calculated in S13 and the discrimination function having the feature quantity obtained in advance by machine learning as a variable (S14; classification means 106) ).
Ｓ１４では、例えば欠陥領域を図４に例示する打痕傷３１、スター傷３２、線傷３３などの欠陥種に分類する。このうち打痕傷３１はカード基材の凹凸を伴い、その後の工程で磁気テープ剥がれ等のカードの機能上の不良を発生させる要因となるので、見逃しなく非常に正確に検査を行う必要がある。一方、スター傷３２や線傷３３はカードの外観における心情的な欠陥であり通常の使用でもカード基材上に生じるものであるため、打痕傷３１ほどには厳格な検査が要求されない。 In S14, for example, the defect area is classified into defect types such as a nick scar 31, a star scratch 32, and a line scratch 33 illustrated in FIG. Among them, the nick marks 31 cause unevenness of the card base material and cause functional defects such as magnetic tape peeling in the subsequent steps, so it is necessary to carry out the inspection very accurately without missing . On the other hand, since the star marks 32 and the line marks 33 are emotional defects in the appearance of the card and occur on the card base even in normal use, a more stringent inspection than the nick marks 31 is not required.
前記の機械学習は既知の技術であり、SVMやディープラーニング等の手法が知られているが、SVMについて簡単に説明すると、図５に示すように、様々な欠陥画像のデータを、その欠陥領域の特徴量A、Bによりグラフ上にプロットした時に、ある欠陥種のグループG1のうち境界線ａに最も近いデータから境界線ａまでの距離g1と、他の欠陥種のグループG2のうち境界線ａに最も近いデータから境界線ａまでの距離g2が最大となるように、これらのグループを区分する境界線ａの式を算出するものである。 The above-mentioned machine learning is a known technology, and techniques such as SVM and deep learning are known. To briefly explain SVM, as shown in FIG. 5, various defect image data and their defect areas are shown. When plotted on the graph by the feature quantities A and B of the above, the distance g1 from the data closest to the boundary a to the boundary a in the group G1 of certain defect types and the boundary among the group G2 of other defect types The equation of the boundary a dividing these groups is calculated so that the distance g2 from the data closest to a to the boundary a is maximized.
図５の例において、特徴量Aの値をx、特徴量Bの値をy、Zを所定値として境界線ａの式を仮にf(x,y)=Zで表すと、ある欠陥画像の欠陥領域の特徴量A、Bの値x,yを代入した時に、f(x，y)＜Zとなる場合、そのデータは欠陥種G2のデータであると判別できる。すなわち、上記の式f(x，y)=Zが、欠陥領域を欠陥種G2に分類するための前記の識別関数（判別式）である。この例では２つの特徴量により欠陥種の判別を行うが、１つあるいは３つ以上の特徴量により欠陥種の判別を行う場合もある。 In the example of FIG. 5, if the value of the feature amount A is x, the value of the feature amount B is y, Z is a predetermined value, and the boundary line a is temporarily represented by f (x, y) = Z, When f (x, y) <Z when the values x and y of the feature amounts A and B of the defect area are substituted, it can be determined that the data is data of the defect type G2. That is, the above equation f (x, y) = Z is the discrimination function (discriminant) for classifying the defect area into the defect type G2. In this example, the defect type is determined by two feature quantities, but the defect type may be determined by one or more feature quantities.
情報処理装置１は、欠陥種の分類結果に基づき、カード基材の良否を判定する（Ｓ１５）。判定方法は特に限定されず、例えば欠陥領域の面積や濃度等の値が所定値以上であれば不良と判定する。判定基準は欠陥種の分類結果に応じて異なるものとする。 The information processing apparatus 1 determines the quality of the card base based on the classification result of the defect type (S15). The determination method is not particularly limited, and, for example, if the value such as the area or density of the defect area is equal to or more than a predetermined value, it is determined as defective. Judgment criteria shall differ according to the classification result of defect type.
情報処理装置１は、欠陥画像の欠陥領域がＳ１４で所定の欠陥種に分類された場合（Ｓ１６；Ｙｅｓ）、その欠陥画像を表示部１４に表示させ（Ｓ１７；表示手段１０７）、目視検査を行う。そうでない場合（Ｓ１６；Ｎｏ）はそのまま処理を終了する。本実施形態では、目視検査を行う所定の欠陥種を、見逃しなく正確に検査を行う必要がある前記の打痕傷３１とし、他の欠陥種については目視検査を省略することで、目視検査の負担を軽減する。 When the defect area of the defect image is classified into a predetermined defect type in S14 (S16; Yes), the information processing apparatus 1 displays the defect image on the display unit 14 (S17; display means 107), and performs visual inspection Do. If not (S16; No), the process ends. In the present embodiment, a predetermined defect type to be subjected to visual inspection is regarded as the above-described dent 31 which needs to be accurately inspected without missing it, and visual inspection is omitted for other defect types. Reduce the burden.
（２−２．識別関数の作成）
前記した識別関数は、情報処理装置１において予め作成される。図６は識別関数の作成の流れを示すフローチャートである。図６の各ステップは情報処理装置１の制御部１１が実行する処理である。
(2-2. Creation of identification function)
The discrimination function described above is created in advance in the information processing apparatus 1. FIG. 6 is a flow chart showing the flow of creation of the discrimination function. Each step in FIG. 6 is processing executed by the control unit 11 of the information processing device 1.
情報処理装置１は、予めカード基材の様々な欠陥についての欠陥データの入力を受付け、これを記憶部１２（記憶手段１０１）に記録する（Ｓ２１）。欠陥データは、機械学習を行う際に用いる欠陥画像とその欠陥種の情報が紐付いた教師あり学習データである。 The information processing apparatus 1 receives in advance input of defect data on various defects of the card base material, and records this in the storage unit 12 (storage means 101) (S21). The defect data is supervised learning data in which a defect image used when performing machine learning and information of the defect type are linked.
情報処理装置１は、これらの欠陥データの集合について機械学習を行い、その結果をグラフにプロットし、表示する（Ｓ２２；プロット手段１０２）。 The information processing apparatus 1 performs machine learning on the set of defect data, and plots and displays the result on a graph (S22; plotting means 102).
例えば、情報処理装置１は、機械学習を行うことにより、欠陥種の分類に適した特徴量を求め、当該特徴量の値を軸としたグラフ上に各欠陥データをその欠陥種を識別できるようにプロットする。また当該特徴量を変数とした初期の識別関数を同じくグラフ上に表示する。 For example, by performing machine learning, the information processing apparatus 1 obtains a feature suitable for classification of a defect type, and can identify each defect type on a graph having the value of the feature as an axis. Plot to Also, an initial discrimination function with the feature amount as a variable is similarly displayed on the graph.
図７（ａ）はこのグラフ５０の例であり、横軸を特徴量Aの値、縦軸を特徴量Bの値とし、打痕傷の欠陥データを「◇」、スター傷の欠陥データを「■」、線傷の欠陥データを「△」のマーカーにより識別可能にプロットしたものである。また、図のa1、a2はそれぞれ打痕傷とスター傷を判別する初期の識別関数、打痕傷と線傷を判別する初期の識別関数の例である。 FIG. 7A shows an example of the graph 50, in which the horizontal axis is the value of feature amount A, the vertical axis is the value of feature amount B, the defect data of the pit and scratch is “「 ”, and the defect data of the star scratch is The data of the defect of the line defect is plotted distinguishably by the marker of “Δ”. Further, a1 and a2 in the figure are examples of an initial discrimination function for discriminating between a scratch and a star, and an initial discrimination function for discriminating between a scratch and a line, respectively.
図７（ａ）からわかるように、これらの識別関数は完全に打痕傷とその他の欠陥種を判別できるものでなく、例えば打痕傷は識別関数a1、a2に対して主に左側に存在するが、識別関数a1の右側（スター傷側）にも打痕傷３１が一部存在し、識別関数a2の右側（線傷側）にも打痕傷３１が一部存在している。 As can be seen from FIG. 7A, these discriminant functions can not completely discriminate between a dent and a flaw and other defect types, for example, a dent and scar are mainly present on the left side with respect to the discriminant functions a1 and a2. However, a part of the scratch 31 is also present on the right side (star wound side) of the discrimination function a1, and a part of the scratch 31 is also present on the right side (line wound side) of the discrimination function a2.
結果、識別関数a1、a2を用いると、これら一部の打痕傷３１がＳ１４の欠陥分類においてスター傷や線傷として誤分類され、その後の判定で見逃される可能性がある。前記したように打痕傷３１は見逃せない欠陥であるため、本実施形態では以下の処理により識別関数a1、a2を修正する。 As a result, when the discrimination functions a1 and a2 are used, some of the dent marks 31 may be misclassified as star marks or line marks in the defect classification of S14 and may be missed in the subsequent determination. As described above, since the nick and scratch 31 is a defect that can not be overlooked, in the present embodiment, the discrimination functions a1 and a2 are corrected by the following processing.
すなわち、オペレータは、打痕傷の欠陥データに着目し、打痕傷の欠陥データの近傍に他の欠陥種の欠陥データがある場合、その欠陥データを選択する。情報処理装置１は、この選択を受付けて（Ｓ２３；選択受付手段１０３）、その欠陥データを識別関数を作成する元となる欠陥データの集合から削除する（Ｓ２４；削除手段１０４）。 That is, the operator pays attention to the defect data of the dent and scratch, and if there is defect data of another defect type in the vicinity of the defect data of the dent and scratch, selects the defect data. The information processing apparatus 1 receives the selection (S23; selection receiving means 103), and deletes the defect data from the set of defect data as a source of creating the identification function (S24; deletion means 104).
打痕傷のデータの近傍に他の欠陥種のデータがある場合としては、例えば図７（ａ）の３１に例示するように打痕傷のデータが他の欠陥種の欠陥データの位置に混在するケースや、図７（ａ）の３２、３３に例示するように他の欠陥種のデータが打痕傷の欠陥データの位置に混在するケースがあり、Ｓ２３、Ｓ２４ではこのようなケースにおける他の欠陥種の欠陥データが選択され図７（ｂ）に示すように削除される。 In the case where there is data of other defect types in the vicinity of the data of the nick marks, for example, the data of nick marks is mixed with the position of the defect data of the other defect types as exemplified in 31 of FIG. 7A. In some cases, data of other defect types are mixed at the position of defect data of pits and scratches, as exemplified by 32 and 33 in FIG. 7A, and in S23 and S24, other cases in such a case are included. The defect data of the defect type is selected and deleted as shown in FIG. 7 (b).
その後、情報処理装置１は、選択された欠陥データを削除した後の欠陥データの集合から再度機械学習を行って識別関数を作成し（Ｓ２５；識別関数作成手段１０５）、これを記憶部１２に記録する（Ｓ２６）。 Thereafter, the information processing apparatus 1 performs machine learning again from the set of defect data after deletion of the selected defect data to create a discrimination function (S25; discrimination function creating means 105), and stores this in the storage unit 12. Record (S26).
図７（ｂ）のa1’、a2’はＳ２５で作成された識別関数を示したものであり、前記の処理により打痕傷の欠陥データの近傍の他の欠陥種の欠陥データを削除した結果、初期の識別関数a1の右側（スター傷側）に存在していた打痕傷３１の欠陥データが修正後の識別関数a1’ではその左側（打痕傷側）に位置することとなる。同様に、初期の識別関数a2の右側（線傷側）に存在していた打痕傷３１の欠陥データも、修正後の識別関数a2’の左側（打痕傷側）に位置することとなる。 In FIG. 7 (b), a1 'and a2' indicate the discriminant function created in S25, and as a result of deleting the defect data of other defect types in the vicinity of the defect data of the nick and scratch by the above-mentioned processing. The defect data of the nick 31 present on the right side (star wound side) of the initial discrimination function a1 is located on the left side (dent side) in the discrimination function a1 ′ after the correction. Similarly, the defect data of the dent 31 existing on the right side (line wound side) of the initial discrimination function a2 is also located on the left side (dention side) of the corrected discrimination function a2 ′. .
そのため、識別関数a1’、a2’は、全ての打痕傷を打痕傷として分類できるものとなり、これをＳ１４における新たな欠陥画像の欠陥領域の分類に用いることで、打痕傷３１がその他の欠陥種の欠陥として誤分類されることがなくなる。一方、この識別関数a1’、a2’は、Ｓ２４で削除した欠陥データのような他の欠陥種の欠陥領域を打痕傷として誤分類するものであるが、この誤分類はＳ１７で欠陥画像を表示部１４に表示させて、目視検査を行うことによりフォローできるため許容する。 Therefore, the discrimination functions a1 ′ and a2 ′ can classify all the dent marks as the dent marks, and by using this for classification of the defect area of the new defect image in S14, the dent marks 31 are not Can not be misclassified as a defect of On the other hand, the discrimination functions a1 'and a2' misclassify defect areas of other defect types such as defect data deleted in S24 as dent marks, but this misclassification determines the defect image in S17. It is displayed on the display unit 14 and is acceptable because it can be followed by visual inspection.
以上に説明した本実施形態では、前記のようにプロットされた欠陥データにおいて、打痕傷３１の欠陥データの近傍にある他の欠陥種の欠陥データを削除した後、機械学習手法により欠陥種を分類する識別関数a1’,a2’を作成する。これにより、打痕傷３１の欠陥については確実に打痕傷３１と分類できる識別関数が得られ、打痕傷３１を含む製品の流出を防止することが可能になる。またこのような致命的欠陥が正確に分類できるという前提があれば、良否判定時の判定基準なども必要以上に厳しくする必要が無く合理的なものとでき、また他の欠陥種に分類された欠陥画像の目視検査を省略できるなど、検査の利便性も向上する。 In the present embodiment described above, after the defect data of other defect types in the vicinity of the defect data of the dent 31 are deleted from the defect data plotted as described above, the defect type is determined by the machine learning method. A classification function a1 ′, a2 ′ to be classified is created. As a result, a discrimination function that can be reliably classified as the nick mark 31 with respect to the defect of the nick mark 31 is obtained, and it is possible to prevent the outflow of the product including the nick mark 31. In addition, if there is a premise that such fatal defects can be classified correctly, it is not necessary to make the judgment criteria at the time of pass / fail judgment more severe than necessary, and it can be made rational. The convenience of inspection is also improved, for example, visual inspection of a defect image can be omitted.
また、情報処理装置１は、新たに入力された欠陥画像について、前記作成した識別関数a1’,a2’により欠陥種の分類を行うことが可能である。前記の識別関数a1’,a2’は他の欠陥種を打痕傷３１に分類する可能性があるが、この場合も打痕傷３１に分類された欠陥画像を表示し、目視検査を行うことでフォローできる。 In addition, the information processing apparatus 1 can classify the type of defect with the generated identification functions a1 'and a2' for the newly input defect image. Although the discrimination functions a1 ′ and a2 ′ described above may classify other defect types into the nick marks 31 also in this case, display the defect images classified into the nick marks 31 and perform a visual inspection. You can follow
また、本実施形態では、オペレータにより選択された欠陥データを削除することで、修正後の識別関数a1’,a2’を作成するための欠陥データの集合を好適に作成できる。 Further, in the present embodiment, by deleting the defect data selected by the operator, it is possible to preferably create a set of defect data for creating the corrected identification functions a1 'and a2'.
また、本実施形態では初期の欠陥データの集合に対し機械学習を行いその結果をＳ２２でプロットすることで、欠陥を分類するのに適当な特徴量による欠陥データのプロットが可能になる。 Further, in the present embodiment, by performing machine learning on the initial set of defect data and plotting the result in S22, it is possible to plot defect data with feature amounts suitable for classifying defects.
しかしながら、本発明はこれに限らない。例えば本実施形態ではオペレータにより選択された欠陥データをＳ２４において削除したが、削除する欠陥データを自動で抽出してもよい。この場合、情報処理装置１は図８（ａ）に示すように前記の選択受付手段１０３に代えて抽出手段１０３ａを有する。抽出手段１０３ａは、所定の欠陥種（例えば打痕傷３１）のオペレータによる設定を受付けると、図７（ａ）のようにプロットされている欠陥データのうち、所定の欠陥種の各欠陥データの近傍の所定範囲内にある他の欠陥種の欠陥データを抽出する。抽出した欠陥データはＳ２４で削除される。 However, the present invention is not limited to this. For example, in the present embodiment, defect data selected by the operator is deleted in S24, but defect data to be deleted may be extracted automatically. In this case, as shown in FIG. 8A, the information processing apparatus 1 has an extraction means 103a in place of the selection receiving means 103. When the extraction means 103a receives the setting by the operator of a predetermined defect type (for example, the nick mark 31), among the defect data plotted as shown in FIG. 7A, each defect data of the predetermined defect type is displayed. Defect data of other defect types within a predetermined range in the vicinity are extracted. The extracted defect data is deleted at S24.
また、本実施形態ではＳ２４において欠陥データを削除したが、欠陥データを削除する代わりに当該欠陥データの欠陥種を打痕傷３１（所定の欠陥種）に置き換えてもよい。この場合、情報処理装置１は図８（ｂ）に示すように前記の削除手段１０４に代えて置換手段１０４ａを有する。置換手段１０４ａは、図７（ａ）のようにプロットされている欠陥データのうち、打痕傷３１の欠陥データの近傍にある他の欠陥種の欠陥データを打痕傷３１の欠陥データとする。上記他の欠陥種の欠陥データは、例えばオペレータにより選択されたものであるが、前記の抽出手段１０３ａにより自動で抽出されたものであってもよい。 Further, in the present embodiment, the defect data is deleted in S24. However, instead of deleting the defect data, the defect type of the defect data may be replaced with the dent 31 (predetermined defect type). In this case, as shown in FIG. 8B, the information processing apparatus 1 has replacing means 104a in place of the deleting means 104. Among the defect data plotted as shown in FIG. 7A, the substitution means 104a uses the defect data of another defect type in the vicinity of the defect data of the nick 31 as the defect data of the nick 31. . The defect data of the other defect type is, for example, one selected by the operator, but may be one extracted automatically by the extraction means 103a.
また、本実施形態では前記の打痕傷３１を正確に分類する必要がある所定の欠陥種としたが、そのような欠陥種は打痕傷３１に限らない。また本実施形態ではカード基材の検査を行う例を説明したが、検査対象もこれに限らず、各種の検査対象の欠陥分類に本発明の方法を適用できる。その例としてインクジェットのノズルに用いられる孔付きのステンレス板などがあり、その孔の検査に本発明の方法を適用することが可能である。 Moreover, although it was set as the predetermined defect kind which needs to classify | categorize said nick damage 31 correctly in this embodiment, such defect type is not restricted to nick damage 31. FIG. Moreover, although the example which test | inspects a card | curd base material was demonstrated in this embodiment, the test object is not restricted to this, and the method of this invention is applicable to the defect classification of various test objects. An example is a stainless steel plate with a hole used for an ink jet nozzle, and the method of the present invention can be applied to the inspection of the hole.
以上、添付図面を参照して、本発明の好適な実施形態について説明したが、本発明は係る例に限定されない。当業者であれば、本願で開示した技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。 The preferred embodiments of the present invention have been described above with reference to the accompanying drawings, but the present invention is not limited to such examples. It is apparent that those skilled in the art can conceive of various modifications or alterations within the scope of the technical idea disclosed in the present application, and of course these also fall within the technical scope of the present invention. It is understood.
１：情報処理装置
３１：打痕傷
３２：スター傷
３３：線傷
５０：グラフ
１０１：記憶手段
１０２：プロット手段
１０３：選択受付手段
１０３ａ：抽出手段
１０４：削除手段
１０４ａ：置換手段
１０５：識別関数作成手段
１０６：分類手段
１０７：表示手段
1: Information processing apparatus 31: Scratch mark 32: Star mark 33: Line mark 50: Graph 101: Storage means 102: Plotting means 103: Selection receiving means 103a: Extraction means 104: Deletion means 104a: Replacement means 105: Discrimination function Creation means 106: Classification means 107: Display means
Claims (10)
前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するプロット手段と、
表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを削除する削除手段と、
他の欠陥種の前記欠陥データを削除した後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成する識別関数作成手段と、
を備えることを特徴とする情報処理装置。 Storage means for storing a defect image including a defect area as defect data together with information on defect types;
Plotting means for displaying a graph plotting the defect data based on the feature amount of the defect area;
Deleting means for deleting the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data;
Discriminant function generation means for performing machine learning on the set of defect data after deleting the defect data of another defect type, and creating a discrimination function for classifying the defect area into a predetermined defect type;
An information processing apparatus comprising:
前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するプロット手段と、
表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとする置換手段と、
他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとした後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成する識別関数作成手段と、
を備えることを特徴とする情報処理装置。 Storage means for storing a defect image including a defect area as defect data together with information on defect types;
Plotting means for displaying a graph plotting the defect data based on the feature amount of the defect area;
Replacement means for setting the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data as the defect data of the predetermined defect type;
Machine learning is performed on the set of defect data after converting the defect data of another defect type to the defect data of a predetermined defect type, and a discrimination function for classifying a defect area into a predetermined defect type is created Means for creating a discrimination function
An information processing apparatus comprising:
所定の欠陥種に分類された前記新たな欠陥画像を表示する表示手段と、
を有することを特徴とする請求項１または請求項２に記載の情報処理装置。 Classification means for classifying a defect type for a defect area of a new defect image by the discrimination function generated by the discrimination function generation means;
Display means for displaying the new defect image classified into a predetermined defect type;
The information processing apparatus according to claim 1, further comprising:
前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するステップと、
表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを削除するステップと、
他の欠陥種の前記欠陥データを削除した後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成するステップと、
を実行することを特徴とする情報処理方法。 A computer having storage means for storing a defect image including a defect area as defect data together with information on defect type;
Displaying a graph in which the defect data is plotted based on the feature amount of the defect area;
Deleting the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data;
Performing machine learning on the set of defect data after deleting the defect data of another defect type, and creating a discrimination function for classifying the defect area into a predetermined defect type;
An information processing method characterized in that:
前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するステップと、
表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとするステップと、
他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとした後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成するステップと、
を実行することを特徴とする情報処理方法。 A computer having storage means for storing a defect image including a defect area as defect data together with information on defect type;
Displaying a graph in which the defect data is plotted based on the feature amount of the defect area;
Setting the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data as the defect data of the predetermined defect type;
Machine learning is performed on the set of defect data after converting the defect data of another defect type to the defect data of a predetermined defect type, and a discrimination function for classifying a defect area into a predetermined defect type is created Step to
An information processing method characterized in that:
前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するプロット手段と、
表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを削除する削除手段と、
他の欠陥種の前記欠陥データを削除した後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成する識別関数作成手段と、
して機能させるためのプログラム。 A computer having storage means for storing a defect image including a defect area as defect data together with information on a defect type,
Plotting means for displaying a graph plotting the defect data based on the feature amount of the defect area;
Deleting means for deleting the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data;
Discriminant function generation means for performing machine learning on the set of defect data after deleting the defect data of another defect type, and creating a discrimination function for classifying the defect area into a predetermined defect type;
Program to make it work.
前記欠陥領域の特徴量に基づいて前記欠陥データをプロットしたグラフを表示するプロット手段と、
表示した前記欠陥データのうち、所定の欠陥種の前記欠陥データの近傍にある他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとする置換手段と、
他の欠陥種の前記欠陥データを所定の欠陥種の前記欠陥データとした後の前記欠陥データの集合に対して機械学習を行い、欠陥領域を所定の欠陥種に分類するための識別関数を作成する識別関数作成手段と、
して機能させるためのプログラム。 A computer having storage means for storing a defect image including a defect area as defect data together with information on a defect type,
Plotting means for displaying a graph plotting the defect data based on the feature amount of the defect area;
Replacement means for setting the defect data of another defect type in the vicinity of the defect data of a predetermined defect type among the displayed defect data as the defect data of the predetermined defect type;
Machine learning is performed on the set of defect data after converting the defect data of another defect type to the defect data of a predetermined defect type, and a discrimination function for classifying a defect area into a predetermined defect type is created Means for creating a discrimination function
Program to make it work.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017253665A JP2019120527A (en) | 2017-12-28 | 2017-12-28 | Information processing apparatus, information processing method and program |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2017253665A JP2019120527A (en) | 2017-12-28 | 2017-12-28 | Information processing apparatus, information processing method and program |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2019120527A true JP2019120527A (en) | 2019-07-22 |
Family
ID=67307131
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2017253665A Pending JP2019120527A (en) | 2017-12-28 | 2017-12-28 | Information processing apparatus, information processing method and program |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2019120527A (en) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021006088A (en) * | 2019-06-27 | 2021-01-21 | 株式会社大一商会 | Game machine |
| JP2021006089A (en) * | 2019-06-27 | 2021-01-21 | 株式会社大一商会 | Game machine |
| JP7029201B1 (en) | 2021-02-04 | 2022-03-03 | コネクテッドロボティクス株式会社 | Object inspection equipment, inspection programs, and systems |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11344450A (en) * | 1998-06-03 | 1999-12-14 | Hitachi Ltd | Instruction data forming method and defect classifying method and apparatus thereof |
| JP2000057349A (en) * | 1998-08-10 | 2000-02-25 | Hitachi Ltd | Method for sorting defect, device therefor and method for generating data for instruction |
| JP2010091401A (en) * | 2008-10-08 | 2010-04-22 | Dainippon Screen Mfg Co Ltd | Method for assisting data preparation for teacher, and method and device for classifying image |
| WO2011036846A1 (en) * | 2009-09-28 | 2011-03-31 | 株式会社日立ハイテクノロジーズ | Defect inspection device and defect inspection method |
-
2017
- 2017-12-28 JP JP2017253665A patent/JP2019120527A/en active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH11344450A (en) * | 1998-06-03 | 1999-12-14 | Hitachi Ltd | Instruction data forming method and defect classifying method and apparatus thereof |
| JP2000057349A (en) * | 1998-08-10 | 2000-02-25 | Hitachi Ltd | Method for sorting defect, device therefor and method for generating data for instruction |
| JP2010091401A (en) * | 2008-10-08 | 2010-04-22 | Dainippon Screen Mfg Co Ltd | Method for assisting data preparation for teacher, and method and device for classifying image |
| WO2011036846A1 (en) * | 2009-09-28 | 2011-03-31 | 株式会社日立ハイテクノロジーズ | Defect inspection device and defect inspection method |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2021006088A (en) * | 2019-06-27 | 2021-01-21 | 株式会社大一商会 | Game machine |
| JP2021006089A (en) * | 2019-06-27 | 2021-01-21 | 株式会社大一商会 | Game machine |
| JP7029201B1 (en) | 2021-02-04 | 2022-03-03 | コネクテッドロボティクス株式会社 | Object inspection equipment, inspection programs, and systems |
| JP2022119455A (en) * | 2021-02-04 | 2022-08-17 | コネクテッドロボティクス株式会社 | Object inspection device, inspection program, and system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210372939A1 (en) | Information processing apparatus, information processing method and program | |
| JP2019120527A (en) | Information processing apparatus, information processing method and program | |
| US20140189576A1 (en) | System and method for visual matching of application screenshots | |
| US20140218385A1 (en) | System and method for visual segmentation of application screenshots | |
| JP5151019B2 (en) | Wrinkle detection device and wrinkle detection method | |
| JP5820451B2 (en) | System and method for selecting and displaying segmentation parameters for optical character recognition | |
| JP6113024B2 (en) | Classifier acquisition method, defect classification method, defect classification device, and program | |
| US11378522B2 (en) | Information processing apparatus related to machine learning for detecting target from image, method for controlling the same, and storage medium | |
| JP6410749B2 (en) | Information processing apparatus, information processing method, and information processing program | |
| Miura et al. | Reproducible image handling and analysis | |
| JP6237168B2 (en) | Information processing apparatus and information processing program | |
| CN107845091A (en) | Quick mask method and system based on pre- examination | |
| US20130064468A1 (en) | Methods and Apparatus for Image Analysis and Modification Using Fast Sliding Parabola Erosian | |
| JP6874864B2 (en) | Image processing equipment, image processing methods and programs | |
| CN115661160A (en) | Panel defect detection method, system, device and medium | |
| US11407179B2 (en) | Recoater automated monitoring systems and methods for additive manufacturing machines | |
| Liu et al. | Quantifying fibrillar collagen organization with curvelet transform-based tools | |
| JP2023501161A (en) | Image Processing-Based Object Classification Using Bootstrapping Region-Level Annotations | |
| JP7240199B2 (en) | Parameter determination method, parameter determination device, and program | |
| KR102175289B1 (en) | Method and apparatus for performing machine learning on image | |
| JP2021125786A5 (en) | Inspection device, information processing method, inspection system, inspection method, and program | |
| US8413037B2 (en) | User selection of flaw present within digitally scanned document | |
| US11288809B2 (en) | Automated detection of artifacts in scan image | |
| JP4796535B2 (en) | Multi-conductor electric wire tracking method, apparatus and program by image processing, and multi-conductor electric wire abnormality detection method, apparatus and program using the same | |
| US10915682B1 (en) | Remodeling testing method for remodeling text-based display design to thereby achieve graphic-based display design and design remodeling testing device using the same |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201026 |
|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20210730 |
|
| A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210810 |
|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220215 |