JP2020035097A - 画像識別装置、画像識別方法及び画像識別プログラム - Google Patents
画像識別装置、画像識別方法及び画像識別プログラム Download PDFInfo
- Publication number
- JP2020035097A JP2020035097A JP2018159603A JP2018159603A JP2020035097A JP 2020035097 A JP2020035097 A JP 2020035097A JP 2018159603 A JP2018159603 A JP 2018159603A JP 2018159603 A JP2018159603 A JP 2018159603A JP 2020035097 A JP2020035097 A JP 2020035097A
- Authority
- JP
- Japan
- Prior art keywords
- image
- score
- classification
- unit
- teacher
- 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
Links
- 238000000034 method Methods 0.000 title claims description 82
- 230000005856 abnormality Effects 0.000 claims abstract description 92
- 238000013528 artificial neural network Methods 0.000 claims abstract description 79
- 230000006870 function Effects 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 69
- 230000002159 abnormal effect Effects 0.000 claims description 55
- 230000002950 deficient Effects 0.000 claims description 49
- 239000013598 vector Substances 0.000 claims description 20
- 238000012706 support-vector machine Methods 0.000 claims description 10
- 238000011156 evaluation Methods 0.000 claims description 8
- 238000005192 partition Methods 0.000 claims 1
- 238000004364 calculation method Methods 0.000 abstract description 17
- 230000008569 process Effects 0.000 description 71
- 210000002569 neuron Anatomy 0.000 description 36
- 230000007246 mechanism Effects 0.000 description 23
- 238000001514 detection method Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 18
- 238000007599 discharging Methods 0.000 description 16
- 238000007689 inspection Methods 0.000 description 10
- 238000011179 visual inspection Methods 0.000 description 10
- 238000013459 approach Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 7
- 230000032258 transport Effects 0.000 description 7
- 230000002093 peripheral effect Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 3
- WBMKMLWMIQUJDP-STHHAXOLSA-N (4R,4aS,7aR,12bS)-4a,9-dihydroxy-3-prop-2-ynyl-2,4,5,6,7a,13-hexahydro-1H-4,12-methanobenzofuro[3,2-e]isoquinolin-7-one hydrochloride Chemical compound Cl.Oc1ccc2C[C@H]3N(CC#C)CC[C@@]45[C@@H](Oc1c24)C(=O)CC[C@@]35O WBMKMLWMIQUJDP-STHHAXOLSA-N 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/245—Classification techniques relating to the decision surface
- G06F18/2451—Classification techniques relating to the decision surface linear, e.g. hyperplane
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
Description
図1は、実施形態に係る画像識別装置が備わる外観検査装置の概略構成を示す斜視図である。図1に示す外観検査装置100は、電子部品Pの外観を撮影した画像に基づいて電子部品Pが良品であるか不良品であるかを検査する装置である。外観検査装置100は、供給部110と、搬送部120と、カメラ130と、不良品排出機構140と、識別不能品排出機構150と、良品排出機構160と、表示部170と、駆動制御部180と、画像識別装置200と、を備える。
外観検査装置100の動作として、最初に、検査対象である電子部品Pの画像を取得する過程を説明する。外観検査装置100において、電子部品Pは、供給部110により搬送部120に供給される。電子部品Pは、回転テーブル121の上面の周縁部に載置されて搬送される。載置の際、電子部品Pは帯電され、静電気によって回転テーブル121に吸着される。次に、電子部品Pは、回転テーブル121の搬送によりカメラ130の位置まで送られる。電子部品Pはカメラ130によって撮像される。電子部品Pを被写体とする画像は、画像識別装置200に送られる。電子部品Pの上面を被写体とする画像は、カメラ130aにより取得することができる。電子部品Pの正面又は側面を被写体とする画像は、カメラ130bにより取得することができる。
図2は、実施形態に係る画像識別装置の機能の一例を示すブロック図である。画像識別装置200は、入力画像に含まれる被写体(電子部品P)が良品である画像と、被写体が不良品である画像とに識別する。識別対象となる入力画像は、上述の外観検査装置100におけるカメラ130により取得された画像である。
図3は、図2に示す装置のハードウェア構成を示すブロック図である。図3に示すように、画像識別装置200は、CPU(Central Processing Unit)301と、RAM(Random Access Memory)302と、ROM303(Read Only Memory)と、グラフィックコントローラ304と、補助記憶装置305と、外部接続インタフェース306(以下インタフェースは「I/F」と記す)と、ネットワークI/F307と、バス308と、を含む、通常のコンピュータシステムとして構成される。
図4は、分類部230におけるニューラルネットワークの模式図である。図4に示すように、分類部230におけるニューラルネットワーク400は、いわゆる階層型ニューラルネットワークであり、円で示す多数の人工ニューロン(ノード)が階層を形成しつつ連結されている。階層型ニューラルネットワークは、入力用の人工ニューロン、処理用の人工ニューロン及び出力用の人工ニューロンを備える。
図5は、分類部230における学習及び推論を示す模式図である。図5の(A),(B)は学習時の特徴量(特徴ベクトル)を示すグラフの一例であり、図5の(C),(D)は推論時(検査時)の特徴量(特徴ベクトル)を示すグラフの一例である。
図6は、異常判定部におけるニューラルネットワークの模式図である。図6に示すように、異常判定部240におけるニューラルネットワーク500は、いわゆる階層型ニューラルネットワークであり、円で示す多数の人工ニューロン(ノード)が階層を形成しつつ連結されている。階層型ニューラルネットワークは、入力用の人工ニューロン、処理用の人工ニューロン及び出力用の人工ニューロンを備える。
図7は、異常判定部におけるニューラルネットワークの特徴量の分布を示す図である。図7の(A),(B)において、縦軸と横軸とはそれぞれ、形状や色などの特徴量の指標を示している。図7の(A)は、高次元空間における教師画像の特徴量の分布の一例である。図7の(A)では、教師画像から抽出された特徴量の分布が点群601としてプロットされている。図7の(B)は、高次元空間における入力画像(被写体は不良品の電子部品P)の特徴量の分布の一例である。図7の(B)では、入力画像から抽出された特徴量の分布が点群601及び点群602としてプロットされている。図7の(A),(B)を比較すると、抽出された主たる特徴量が異なることがわかる。このように、異常判定部におけるニューラルネットワークは、被写体が不良品である場合には、教師画像の特徴量とは異なる特徴量(点群602)を抽出可能である。このような特徴量の分布の差異を異常スコアとすることもできる。
図8は、分類スコア及び異常スコアと、判定結果との関係を示すグラフである。図8に示すグラフ(散布領域800)は、横軸が異常スコアに関する評価軸であり、縦軸が分類スコアに関する評価軸である。図8においては、異常スコアは0〜1の範囲となり、分類スコアは0〜1の範囲となる。散布領域800内の円は分類スコア及び異常スコアを座標データとして持った入力画像のデータである。縦軸の値が0に近いほど不良カテゴリに属する確からしさが高いことを表す。縦軸の値が1に近いほど良カテゴリに属する確からしさが高いことを表す。横軸の値が0に近いほど教師画像との相違が小さいことを表す。横軸の値が1に近いほど教師画像との相違が大きいことを表す。なお、評価軸における上限や下限の設定において、数値は変更してもよい。
[学習処理]
図9は、学習処理のフローチャートである。画像識別装置200における学習処理は、分類学習部231における分類用学習処理(S900)と、判定学習部241における異常検知用学習処理(S910)と、を有する。分類用学習処理(S900)と、異常検知用学習処理(S910)との順番は、どちらが先でも構わない。あるいはまた、後述の画像識別処理において、予め学習されたニューラルネットワークが用いられてもよい。この場合、分類用学習処理(S900)および異常検知用学習処理(S910)のいずれかまたは両方の処理を省略することができる。
図12は、閾値設定処理のフローチャートである。設定部280は、散布図作成処理(S920)として、分類スコアを縦軸とし、異常スコアを横軸とした散布図を生成する。設定部280は、閾値設定処理(S930)として、受付部270で受け付けたユーザ操作による設定条件に基づいて、分類閾値801、異常閾値802、分類相違閾値804、及び、異常相違閾値805を設定する。この散布図は、後述の入力画像から取得される分類スコアと異常スコアとを図示するための散布領域800を示している。閾値設定処理(S930)が終了すると、図12のフローチャートを終了する。
図13は、画像識別処理のフローチャートである。図13のフローチャートは、図9〜11のフローチャートの終了後に開始される。分類推論部232及び判定推論部242は、画像取得処理(S940:第1工程)として、取得部220において取得された入力画像を取得する。分類推論部232は、分類用推論処理(S950:第2工程)として、入力画像の分類スコアを算出する。判定推論部242は、異常検知用推論処理(S960:第3工程)として、入力画像の異常スコアを算出する。識別部250は、識別処理(S970:第4工程)として、分類スコア、異常スコア、分類閾値801、異常閾値802、分類相違閾値804、及び、異常相違閾値805に基づいて、入力画像を識別する。識別部250は、完了判定処理(S980)として、全ての入力画像について処理が完了したか否かを判定する。全ての入力画像について処理が完了していないと判定された場合(S980:NO)、再びS940〜S980の処理が繰り返される。全ての入力画像について処理が完了したと判定された場合(S980:YES)、図13に示されるフローチャートが終了する。
図14は、分類用推論処理のフローチャートである。図14のフローチャートは、図13に示す分類用推論処理(S950)の詳細である。分類推論部232は、演算処理(S951)として、入力画像を、分類用学習処理(S900)で得られたニューラルネットワークに適用して演算を行う。入力画像は、被写体として電子部品Pを含む。教師画像と異なり、入力画像にはラベルは付与されていない。分類推論部232は、スコア取得処理(S952)として、ニューラルネットワークから入力画像の分類スコアを取得する。推論段階においても、入力画像について、良スコアと不良スコアとが、ニューラルネットワークから出力される。本実施形態では、ニューラルネットワークから出力されたスコアのうち、良スコアが分類スコアとして取得される。スコア取得処理(S952)が完了すると、図14のフローチャートを終了して、図13のフローチャートに戻る。
図15は、異常検知用推論処理のフローチャートである。図15の推論フローチャートは、図13に示す異常検知用推論処理(S960)の詳細である。判定推論部242は、演算処理(S961)として、入力画像を、異常検知用学習処理(S910)で得られたニューラルネットワークに適用して演算を行う。この演算処理(S912)では、入力画像が有する特徴量を圧縮した後に、教師画像が有している特徴量に近似するように、圧縮された特徴量を再構成する演算が行われる。判定推論部242は、演算処理(S961)を行うことにより、入力画像から再構成された画像を得ることができる。判定推論部242は、スコア取得処理(S962)として、ニューラルネットワークから入力画像の異常スコアを取得する。スコア取得処理(S962)が完了すると、図15のフローチャートを終了して、図13のフローチャートに戻る。
図16は、入力画像識別処理のフローチャートである。図16のフローチャートは、図13に示す入力画像識別処理(S970)の詳細である。識別部250は、良カテゴリ判定処理(S971)として、散布領域800において、入力画像の分類スコアと異常スコアとをプロットした場合、データ点が良カテゴリ領域803にプロットされるか否かを判定する。良カテゴリ領域803にデータ点がプロットされると判定された場合(S971:YES)、識別部250は、良識別処理(S973)として、入力画像を良画像に識別する。良カテゴリ領域803にデータ点がプロットされないと判定された場合(S971:NO)、識別部250は、不良カテゴリ判定処理(S972)として、散布領域800において、入力画像の分類スコアと異常スコアとがプロットされた場合、不良カテゴリ領域807にデータ点がプロットされるか否かを判定する。不良カテゴリ領域807にデータ点がプロットされると判定された場合(S972:YES)、識別部250は、不良識別処理(S974)として、入力画像を不良画像に識別する。不良カテゴリ領域807にデータ点がプロットされないと判定された場合(S972:NO)、識別部250は、識別不能処理(S975)として、入力画像を識別不能画像に識別する。良識別処理(S973)、不良識別処理(S974)、又は、識別不能処理(S975)が完了すると、図16のフローチャートを終了して、図13のフローチャートに戻る。
上述の実施形態では、分類学習部231と判定学習部241とが画像識別装置200に含まれる構成について説明したが、これらのいずれかまたは双方が画像識別装置200の外部装置に含まれる構成であってもよい。図17は、別実施形態に係る、画像識別装置200と学習装置1000との機能の一例を示すブロック図である。図17に示される通り、教師データ取得部210と、分類学習部231と、判定学習部241とが学習装置1000に設けられている。学習装置1000で学習された分類用ニューラルネットワークと、異常検知用ニューラルネットワークとは、学習処理が終了した後に、それぞれ分類推論部232と、判定推論部242とに適用される。
画像識別装置200として機能させるための画像識別プログラムを説明する。画像識別プログラムは、メインモジュール、取得モジュール、分類モジュール、異常判定モジュール及び識別モジュールを備えている。メインモジュールは、装置を統括的に制御する部分である。取得モジュール、分類モジュール、異常判定モジュール及び識別モジュールを実行させることにより実現される機能は、上述した画像識別装置200の取得部220、分類部230、異常判定部240及び識別部250の機能とそれぞれ同様である。
本実施形態に係る画像識別装置200では、分類部230により、正解及び不正解のラベルが付与された教師画像に基づく学習済みのニューラルネットワーク400と、入力画像とに基づいて、入力画像と教師画像との類似度合いを示す分類スコアが算出される。異常判定部240により、教師画像に基づく学習済みのニューラルネットワーク500と、入力画像とに基づいて、入力画像と教師画像との相違度合いを示す異常スコアが算出される。入力画像は、識別部250により、分類スコアと異常スコアとに基づいて良画像と不良画像とに分類される。このように、画像識別装置200は、分類スコアと異常スコアという2つの異なる評価に基づいて入力画像を最終的に分類することにより、入力画像を良画像又は不良画像に適切に分類することができる。
Claims (10)
- 入力画像を取得する取得部と、
正解及び不正解の教師画像に基づいた機械学習により前記教師画像と処理対象の画像との類似度合いを示す分類スコアを処理対象の画像に基づいて算出するように決定された各層における重み係数を有するニューラルネットワークと、前記取得部により取得された前記入力画像とに基づいて、前記入力画像の前記分類スコアを算出する分類部と、
正解の教師画像と処理対象の画像との相違度合いを示す異常スコアを処理対象の画像に基づいて算出するために正解の前記教師画像に基づいた機械学習により構築された関数近似器と、前記取得部により取得された前記入力画像とに基づいて、前記入力画像の前記異常スコアを算出する異常判定部と、
前記分類部により算出された前記分類スコアと前記異常判定部により算出された前記異常スコアとに基づいて、前記入力画像を、正解の前記教師画像との類似度合いが高い良画像又は正解の前記教師画像との類似度合いが低い不良画像に分類する識別部と、
を備える、画像識別装置。 - 前記識別部は、前記分類スコアに対して予め定められた分類閾値と、前記異常スコアに対して予め定められた異常閾値とに基づいて、前記入力画像を前記良画像又は前記不良画像に分類する、
請求項1に記載の画像識別装置。 - ユーザ操作を受け付ける受付部と、
前記受付部により受け付けられた前記ユーザ操作に基づいて前記分類閾値及び前記異常閾値を設定する設定部と、
をさらに備える、請求項2に記載の画像識別装置。 - 前記分類スコアに関する分類スコア評価軸と前記異常スコアに関する異常スコア評価軸とを座標軸とする散布領域を表示させる表示制御部をさらに備え、
前記表示制御部は、前記入力画像の前記分類スコア及び前記異常スコアを座標とするデータと、前記分類閾値と、前記異常閾値と、を前記散布領域に表示させる、
請求項2又は3に記載の画像識別装置。 - 前記関数近似器は、処理対象の画像が有する情報を圧縮した後に、正解の前記教師画像が有する情報を再構成するように学習されたオートエンコーダであり、
前記異常判定部は、前記入力画像と、前記オートエンコーダで前記入力画像から再構成された画像とに基づいて、前記入力画像の異常スコアを算出する、
請求項1〜4の何れか1項に記載の画像識別装置。 - 前記異常判定部は、前記入力画像と、前記再構成された画像との画素値の相関に基づいて、前記入力画像の異常スコアを算出する、
請求項5に記載の画像識別装置。 - 前記関数近似器は、特徴空間において、正解の前記教師画像との相違度合いが低い画像から抽出された特徴ベクトルがプロットされる第1の領域と、正解の前記教師画像との相違度合いが高い画像から抽出された特徴ベクトルがプロットされる第2の領域とを区画するように学習されたサポートベクタマシンであり、
前記サポートベクタマシンによって、前記入力画像から抽出された特徴ベクトルが前記第2の領域にプロットされる場合、前記異常判定部は、正解の前記教師画像と、前記入力画像とに基づいて、前記入力画像の異常スコアを算出する、
請求項1〜4の何れか1項に記載の画像識別装置。 - 前記異常判定部は、正解の前記教師画像と、前記入力画像との画素値の差分を用いて、前記入力画像の異常スコアを算出する、
請求項7に記載の画像識別装置。 - 入力画像を取得する第1工程と、
正解及び不正解の教師画像に基づいた機械学習により前記教師画像と処理対象の画像との類似度合いを示す分類スコアを処理対象の画像に基づいて算出するように決定された各層における重み係数を有するニューラルネットワークと、前記第1工程において取得された前記入力画像とに基づいて、前記入力画像の前記分類スコアを算出する第2工程と、
正解の教師画像と処理対象の画像との相違度合いを示す異常スコアを処理対象の画像に基づいて算出するために正解の前記教師画像に基づいた機械学習により構築された関数近似器と、前記第1工程において取得された前記入力画像とに基づいて、前記入力画像の前記異常スコアを算出する第3工程と、
前記第2工程で算出された前記分類スコアと前記第3工程で算出された前記異常スコアとに基づいて、前記入力画像を、正解の教師画像との類似度合いが高い良画像又は正解の教師画像との類似度合いが低い不良画像に分類する第4工程と、
を備える、画像識別方法。 - コンピュータを、請求項1〜8の何れか1項に記載の画像識別装置として機能させるための画像識別プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018159603A JP6757378B2 (ja) | 2018-08-28 | 2018-08-28 | 画像識別装置、画像識別方法及び画像識別プログラム |
CN201910776714.4A CN110866891B (zh) | 2018-08-28 | 2019-08-22 | 图像识别装置、图像识别方法及存储介质 |
US16/551,249 US11295173B2 (en) | 2018-08-28 | 2019-08-26 | Image identification apparatus, image identification method, and recording medium |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018159603A JP6757378B2 (ja) | 2018-08-28 | 2018-08-28 | 画像識別装置、画像識別方法及び画像識別プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020035097A true JP2020035097A (ja) | 2020-03-05 |
JP6757378B2 JP6757378B2 (ja) | 2020-09-16 |
Family
ID=69639627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018159603A Active JP6757378B2 (ja) | 2018-08-28 | 2018-08-28 | 画像識別装置、画像識別方法及び画像識別プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11295173B2 (ja) |
JP (1) | JP6757378B2 (ja) |
CN (1) | CN110866891B (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021181749A1 (ja) * | 2020-03-10 | 2021-09-16 | 株式会社Screenホールディングス | 学習装置、画像検査装置、学習済みパラメータ、学習方法、および画像検査方法 |
JP2021157847A (ja) * | 2020-11-16 | 2021-10-07 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッドBeijing Baidu Netcom Science Technology Co., Ltd. | 異常なナンバープレート認識方法、装置、デバイス及び読み取り可能な記憶媒体 |
CN113850828A (zh) * | 2021-11-30 | 2021-12-28 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备、存储介质及程序产品 |
JPWO2022024245A1 (ja) * | 2020-07-29 | 2022-02-03 | ||
US20220230301A1 (en) * | 2019-10-15 | 2022-07-21 | Aisapack Holding Sa | Manufacturing Method And Image Processing Method and System For Quality Inspection Of Objects Of A Manufacturing Method |
JP2023035618A (ja) * | 2021-09-01 | 2023-03-13 | ダイハツ工業株式会社 | 異常検知装置および異常検知方法 |
WO2023095505A1 (ja) * | 2021-11-24 | 2023-06-01 | 東レエンジニアリング株式会社 | 自動欠陥分類装置 |
JP7414629B2 (ja) | 2020-04-23 | 2024-01-16 | 株式会社Screenホールディングス | 学習用データ処理装置、学習装置、学習用データ処理方法、およびプログラム |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108875821A (zh) * | 2018-06-08 | 2018-11-23 | Oppo广东移动通信有限公司 | 分类模型的训练方法和装置、移动终端、可读存储介质 |
US10846531B2 (en) * | 2018-09-20 | 2020-11-24 | The Boeing Company | Image-based anomaly detection for aerial inspection using self-supervised learning |
CN111177328B (zh) * | 2018-11-12 | 2023-04-28 | 阿里巴巴集团控股有限公司 | 问答匹配系统和方法及问答处理设备和介质 |
US11971689B2 (en) * | 2018-12-12 | 2024-04-30 | Hewlett-Packard Development Company, L.P. | Object manufacturing visualization |
US10963757B2 (en) * | 2018-12-14 | 2021-03-30 | Industrial Technology Research Institute | Neural network model fusion method and electronic device using the same |
US10997717B2 (en) * | 2019-01-31 | 2021-05-04 | Siemens Healthcare Gmbh | Method and system for generating a confidence score using deep learning model |
US11790275B2 (en) * | 2019-04-18 | 2023-10-17 | Teledyne Scientific & Imaging, Llc | Adaptive continuous machine learning by uncertainty tracking |
JP7420607B2 (ja) * | 2020-03-19 | 2024-01-23 | 本田技研工業株式会社 | 情報処理装置、情報処理方法、車両、情報処理サーバ、及びプログラム |
CN111507393B (zh) * | 2020-04-14 | 2021-11-09 | 艾瑞思检测技术(苏州)有限公司 | 一种基于拉普拉斯特征映射学习的显卡接口机器测试方法 |
US11537915B2 (en) * | 2020-05-14 | 2022-12-27 | International Business Machines Corporation | Targeted data acquisition for model training |
US11637858B2 (en) * | 2020-05-29 | 2023-04-25 | Cylance Inc. | Detecting malware with deep generative models |
CN111738330A (zh) * | 2020-06-19 | 2020-10-02 | 电子科技大学中山学院 | 一种手绘临摹作品的智能自动化评分方法 |
CN112541550B (zh) * | 2020-12-16 | 2023-03-24 | 南京掌控网络科技有限公司 | 一种基于图像分类的冰箱完整性判断方法及电子设备 |
CN112884030B (zh) * | 2021-02-04 | 2022-05-06 | 重庆邮电大学 | 一种基于交叉重建的多视角分类系统及方法 |
CN114881913A (zh) * | 2021-02-05 | 2022-08-09 | 富泰华工业(深圳)有限公司 | 图像瑕疵检测方法、装置、电子设备及存储介质 |
CN115375609A (zh) * | 2021-05-21 | 2022-11-22 | 泰连服务有限公司 | 自动零件检查系统 |
CN113205512B (zh) * | 2021-05-26 | 2023-10-24 | 北京市商汤科技开发有限公司 | 图像异常检测方法、装置、设备及计算机可读存储介质 |
CN117377968A (zh) * | 2021-05-31 | 2024-01-09 | 三菱电机株式会社 | 信息处理装置 |
CN114312242A (zh) * | 2021-11-18 | 2022-04-12 | 埃维尔汽车部件(苏州)有限公司 | 一种高效汽车出风口面板组装工艺 |
CN114742987B (zh) * | 2022-06-08 | 2022-09-27 | 苏州市洛肯电子科技有限公司 | 一种用于非金属材料切割的自动定位控制方法及系统 |
CN116309250A (zh) * | 2022-09-08 | 2023-06-23 | 深圳大学 | 一种基于肌肉超声的影像特征提取及分类方法 |
CN116523914B (zh) * | 2023-07-03 | 2023-09-19 | 智慧眼科技股份有限公司 | 一种动脉瘤分类识别装置、方法、设备、存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050286772A1 (en) * | 2004-06-24 | 2005-12-29 | Lockheed Martin Corporation | Multiple classifier system with voting arbitration |
JP2010008159A (ja) * | 2008-06-25 | 2010-01-14 | Panasonic Electric Works Co Ltd | 外観検査処理方法 |
JP2016133953A (ja) * | 2015-01-19 | 2016-07-25 | 株式会社メガチップス | 判定装置及び制御プログラム並びに判定方法 |
JP2018049355A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム |
Family Cites Families (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5718781B2 (ja) * | 2011-09-30 | 2015-05-13 | 株式会社Screenホールディングス | 画像分類装置および画像分類方法 |
US9143601B2 (en) * | 2011-11-09 | 2015-09-22 | Microsoft Technology Licensing, Llc | Event-based media grouping, playback, and sharing |
CN104169945B (zh) * | 2012-01-11 | 2017-08-08 | 电子慕泽雷帕里公司 | 对图像中的对象的两级分类 |
US8958618B2 (en) * | 2012-06-28 | 2015-02-17 | Kabushiki Kaisha Toshiba | Method and system for identification of calcification in imaged blood vessels |
JP5993897B2 (ja) | 2014-06-19 | 2016-09-14 | ヤフー株式会社 | 特定装置、特定方法及び特定プログラム |
CN105938558B (zh) | 2015-03-06 | 2021-02-09 | 松下知识产权经营株式会社 | 学习方法 |
US9904871B2 (en) * | 2016-04-14 | 2018-02-27 | Microsoft Technologies Licensing, LLC | Deep convolutional neural network prediction of image professionalism |
JP2018005640A (ja) * | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 分類器生成装置、画像検査装置、及び、プログラム |
JP2018045673A (ja) * | 2016-09-09 | 2018-03-22 | 株式会社Screenホールディングス | 分類器構築方法、画像分類方法、分類器構築装置および画像分類装置 |
CN107679525B (zh) * | 2017-11-01 | 2022-11-29 | 腾讯科技(深圳)有限公司 | 图像分类方法、装置及计算机可读存储介质 |
EP4361947A3 (en) * | 2018-03-23 | 2024-06-19 | Memorial Sloan-Kettering Cancer Center | Systems and methods for multiple instance learning for classification and localization in biomedical imagining |
US10755104B2 (en) * | 2018-06-18 | 2020-08-25 | Hulu, LLC | Scene level video search |
US10936907B2 (en) * | 2018-08-10 | 2021-03-02 | Buffalo Automation Group Inc. | Training a deep learning system for maritime applications |
-
2018
- 2018-08-28 JP JP2018159603A patent/JP6757378B2/ja active Active
-
2019
- 2019-08-22 CN CN201910776714.4A patent/CN110866891B/zh active Active
- 2019-08-26 US US16/551,249 patent/US11295173B2/en active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050286772A1 (en) * | 2004-06-24 | 2005-12-29 | Lockheed Martin Corporation | Multiple classifier system with voting arbitration |
JP2010008159A (ja) * | 2008-06-25 | 2010-01-14 | Panasonic Electric Works Co Ltd | 外観検査処理方法 |
JP2016133953A (ja) * | 2015-01-19 | 2016-07-25 | 株式会社メガチップス | 判定装置及び制御プログラム並びに判定方法 |
JP2018049355A (ja) * | 2016-09-20 | 2018-03-29 | 株式会社東芝 | 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム |
Non-Patent Citations (1)
Title |
---|
和田 俊和: "画像を用いた対象検出・追跡", 画像ラボ, vol. 第17巻 第7号, JPN6020000664, 1 July 2006 (2006-07-01), JP, pages 60 - 63, ISSN: 0004191410 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220230301A1 (en) * | 2019-10-15 | 2022-07-21 | Aisapack Holding Sa | Manufacturing Method And Image Processing Method and System For Quality Inspection Of Objects Of A Manufacturing Method |
JP2021144314A (ja) * | 2020-03-10 | 2021-09-24 | 株式会社Screenホールディングス | 学習装置、画像検査装置、学習済みパラメータ、学習方法、および画像検査方法 |
JP7426261B2 (ja) | 2020-03-10 | 2024-02-01 | 株式会社Screenホールディングス | 学習装置、画像検査装置、学習済みパラメータ、学習方法、および画像検査方法 |
WO2021181749A1 (ja) * | 2020-03-10 | 2021-09-16 | 株式会社Screenホールディングス | 学習装置、画像検査装置、学習済みパラメータ、学習方法、および画像検査方法 |
JP7414629B2 (ja) | 2020-04-23 | 2024-01-16 | 株式会社Screenホールディングス | 学習用データ処理装置、学習装置、学習用データ処理方法、およびプログラム |
WO2022024245A1 (ja) * | 2020-07-29 | 2022-02-03 | オリンパス株式会社 | 検査システム、学習方法、検査方法、及び記憶媒体 |
JPWO2022024245A1 (ja) * | 2020-07-29 | 2022-02-03 | ||
JP7499337B2 (ja) | 2020-07-29 | 2024-06-13 | 株式会社エビデント | 検査システム、学習方法、検査方法、及び記憶媒体 |
JP2021157847A (ja) * | 2020-11-16 | 2021-10-07 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッドBeijing Baidu Netcom Science Technology Co., Ltd. | 異常なナンバープレート認識方法、装置、デバイス及び読み取り可能な記憶媒体 |
JP2023035618A (ja) * | 2021-09-01 | 2023-03-13 | ダイハツ工業株式会社 | 異常検知装置および異常検知方法 |
JP7535484B2 (ja) | 2021-09-01 | 2024-08-16 | ダイハツ工業株式会社 | 異常検知装置および異常検知方法 |
WO2023095505A1 (ja) * | 2021-11-24 | 2023-06-01 | 東レエンジニアリング株式会社 | 自動欠陥分類装置 |
CN113850828A (zh) * | 2021-11-30 | 2021-12-28 | 腾讯科技(深圳)有限公司 | 图像处理方法、装置、电子设备、存储介质及程序产品 |
Also Published As
Publication number | Publication date |
---|---|
US20200074238A1 (en) | 2020-03-05 |
JP6757378B2 (ja) | 2020-09-16 |
CN110866891B (zh) | 2023-12-26 |
CN110866891A (zh) | 2020-03-06 |
US11295173B2 (en) | 2022-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6757378B2 (ja) | 画像識別装置、画像識別方法及び画像識別プログラム | |
Harrou et al. | An integrated vision-based approach for efficient human fall detection in a home environment | |
US11645744B2 (en) | Inspection device and inspection method | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN1977286B (zh) | 对象识别方法及其设备 | |
JP6472621B2 (ja) | 分類器構築方法、画像分類方法および画像分類装置 | |
CN111044525A (zh) | 一种产品缺陷检测方法、装置与系统 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
US20080260239A1 (en) | Object image detection method | |
US20150262068A1 (en) | Event detection apparatus and event detection method | |
US20170330315A1 (en) | Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program | |
JP2013210968A (ja) | 物体検出装置及びその方法、プログラム | |
JP2015041164A (ja) | 画像処理装置、画像処理方法およびプログラム | |
JP5290227B2 (ja) | 対象物検知装置及びその学習装置 | |
CN111415339B (zh) | 一种复杂纹理工业产品图像缺陷检测方法 | |
JP2017102906A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP2021174456A (ja) | 異常判定方法及び異常判定装置 | |
CN109271906A (zh) | 一种基于深度卷积神经网络的烟雾检测方法及其装置 | |
CN117333489B (zh) | 一种薄膜破损检测装置及检测系统 | |
JP7056259B2 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
KR102269741B1 (ko) | 머신러닝을 이용한 오버랩 패턴의 엑스선 검사 방법 | |
CN113728357B (zh) | 图像处理方法、图像处理装置以及图像处理系统 | |
CN115937991A (zh) | 人体摔倒识别方法、装置、计算机设备及存储介质 | |
CN111814514A (zh) | 号码识别装置、方法以及电子设备 | |
CN115249316A (zh) | 工业缺陷检测方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181203 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191213 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200114 |
|
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: 20200825 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200828 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6757378 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
S531 | Written request for registration of change of domicile |
Free format text: JAPANESE INTERMEDIATE CODE: R313531 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |