JP2020077158A - 画像処理装置及び画像処理方法 - Google Patents
画像処理装置及び画像処理方法 Download PDFInfo
- Publication number
- JP2020077158A JP2020077158A JP2018209651A JP2018209651A JP2020077158A JP 2020077158 A JP2020077158 A JP 2020077158A JP 2018209651 A JP2018209651 A JP 2018209651A JP 2018209651 A JP2018209651 A JP 2018209651A JP 2020077158 A JP2020077158 A JP 2020077158A
- Authority
- JP
- Japan
- Prior art keywords
- image data
- class
- teacher
- unknown
- classifier
- 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
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
Description
まず、図1乃至図2を参照しながら、本発明の適用例について説明する。
本発明の実施形態では、良品が分類されるクラスと不良品が分類されるクラスとを予め設定し、検査対象となる製品を撮影して得られる既知の画像データとその画像データが分類されるクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための2クラス分類器を生成する。このような教師付き学習では、学習に用いられる画像データから特徴(例えば、エッジ、色ヒストグラム、方向性特徴、ウェーブレット係数など)が特徴量ベクトルとして抽出され、この抽出された特徴と、教示者によりラベル付けされたクラスとの対応関係が学習される。
ステップ201において、画像処理装置は、学習データ30を用いて、各教示者のラベル付けを教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を生成する。ステップ201で生成される分類器は、未知の画像データの分類結果を教示者毎に区別して出力してもよく、或いは、未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に区別して算出してもよい。ステップ201では、画像処理装置は、教示者毎に対応付けられる分類器を生成してもよい。この場合、分類器と教示者とは一対一に対応しており、分類器の数は教示者の人数に一致する。また、ステップ201で生成される分類器の数は1つでもよい。この場合、分類器と教示者とは一対多の関係にあり、分類器の数は、教示者の人数に関わらず1つである。
次に、図3を参照しながら、本実施形態に関わる画像処理装置10のハードウェア構成の一例について説明する。
画像処理装置10は、そのハードウェア資源として、プロセッサ11と、メインメモリ12と、カメラインタフェース13と、入出力インタフェース14と、ディスプレイインタフェース15と、通信インタフェース16と、記憶装置17とを備えるコンピュータシステムである。
次に、図4及び図5を参照しながら、本実施形態に関わる第1の画像処理方法について説明する。
図4は第1の画像処理方法の処理の流れの一例を示す説明図である。
分類器40Aは、教示者Aによりラベル付けされた既知の画像データ31の教師付き学習により生成されたものである。同様に、分類器40Bは、教示者Bによりラベル付けされた既知の画像データ31の教師付き学習により生成されたものである。また同様に、分類器40Cは、教示者Cによりラベル付けされた既知の画像データ31の教師付き学習により生成されたものである。分類器40は、分類器40A,40B,40Cを総称するものであり、それぞれの分類器40A,40B,40Cを区別しないときは、分類器40と呼ぶものとする。
ステップ501において、画像処理装置10は、既知の画像データ31とその画像データ31が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ70をクラス別に分類するための分類器40を教示者毎に生成する。
ステップ502において、画像処理装置10は、教示者毎に生成された分類器40を用いて、未知の画像データ70の分類結果を教示者毎に出力する。
ステップ503において、画像処理装置10は、教示者毎の分類結果の重み付き多数決に基づいて、未知の画像データ70をクラス別に分類する。
次に、図6及び図7を参照しながら、本実施形態に関わる第2の画像処理方法について説明する。
図6は第2の画像処理方法の処理の流れの一例を示す説明図である。
画像処理装置10は、教示者毎に生成された分類器40A,40B,40Cを用いて、未知の画像データ70が特定のクラスに所属する確率を示すスコア42A,42B,42Cを教示者毎に算出する。特定のクラスは、例えば、不良品として分類されるクラスでもよく、この場合、スコアは、欠陥(例えば、キズ、打痕、汚れなど)の度合いを定量的に示す値でもよい。教示者A、教示者B、及び教示者Cによる既知の画像データ31のラベル付けは、完全には一致していないため、分類器40A,40B,40Cのモデルパラメータもまた完全には一致していない。このため、未知の画像データ70が特定のクラスに所属する確率を示すスコア42A,42B,42Cが異なることがある。例えば、スコア42Aが0.7であるのに対し、スコア42Bが0.6である場合がある。
ステップ701において、画像処理装置10は、既知の画像データ31とその画像データ31が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ70をクラス別に分類するための分類器40を教示者毎に生成する。画像処理装置10は、教示者の熟練度に応じた重み付けで対応関係(既知の画像データ31とその画像データ31が分類されるクラスとして教示者により教示されたクラスとの対応関係)を学習してもよい。
ステップ702において、画像処理装置10は、教示者毎に生成された分類器40を用いて、未知の画像データ70が特定のクラスに所属する確率を示すスコア42A,42B,42Cを教示者毎に算出する。
ステップ703において、画像処理装置10は、教示者毎に算出されたスコア42A,42B,42Cの重み付け和と閾値との比較に基づいて未知の画像データ70が特定のクラスに属するか否かを判定する。
次に、図9乃至図12を参照しながら、本実施形態に関わる第3の画像処理方法について説明する。
上述の第1及び第2の画像処理方法においては、分類器40と教示者とは一対一に対応しており、分類器40の数は教示者の人数に一致する。これに対し、第3の画像処理方法においては、分類器40と教示者とは一対多の関係にあり、分類器40の数は、教示者の人数に関わらず1つである。分類器40は、未知の画像データ70の分類結果を教示者毎に区別して出力する。第3の画像処理方法では、例えば、畳み込みニューラルネットワークのアルゴリズムに基づいて分類器40を生成する。
ステップ1201において、画像処理装置10は、複数の既知の画像データ31のうちクラス別の分類が教示者間で一致している画像データ31A,31D,31E,31F,31H,31Iとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ31のうちクラス別の分類が教示者間で異なる画像データ31B,31C,31G,31Jとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ70をクラス別に分類するための分類器40を生成する。
ステップ1201において、画像処理装置10は、教示者間に共通する撮影条件下で撮影される画像データ31のクラス別の分類を事前学習し、教示者間で異なる撮影条件下で撮影される画像データ31のクラス別の分類を転移学習してもよい。
ステップ1202において、画像処理装置10は、分類器40を用いて、未知の画像データ70の分類結果41A,41B,41Cを教示者毎に出力する。
ステップ1203において、画像処理装置10は、教示者毎の分類結果41A,41B,41Cの重み付き多数決に基づいて未知の画像データ70をクラス別に分類する。
次に、図13及び図14を参照しながら、本実施形態に関わる第4の画像処理方法について説明する。
第4の画像処理方法においても、第3の画像処理方法と同様に、事前学習及び転移学習を通じて分類器40を生成する。画像処理装置10は、分類器40を用いて、未知の画像データ70が特定のクラスに所属する確率を示すスコア42A,42B,42Cを教示者毎に区別して算出する。特定のクラスは、例えば、不良品として分類されるクラスでもよく、この場合、スコアは、欠陥の度合いを定量的に示す値でもよい。分類器40による算出結果であるスコア42Aは、分類器40Aによる算出結果であるスコア42Aと同じである。同様に、分類器40による算出結果であるスコア42Bは、分類器40Bによる算出結果であるスコア42Bと同じである。また同様に、分類器40による算出結果であるスコア42Cは、分類器40Cによる算出結果であるスコア42Cと同じである。
ステップ1401において、画像処理装置10は、複数の既知の画像データ31のうちクラス別の分類が教示者間で一致している画像データ31A,31D,31E,31F,31H,31Iとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ31のうちクラス別の分類が教示者間で異なる画像データ31B,31C,31G,31Jとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ70をクラス別に分類するための分類器40を生成する。
ステップ1401において、画像処理装置10は、教示者間に共通する撮影条件下で撮影される画像データ31のクラス別の分類を事前学習し、教示者間で異なる撮影条件下で撮影される画像データ31のクラス別の分類を転移学習してもよい。
ステップ1402において、画像処理装置10は、分類器40を用いて、未知の画像データ70が特定のクラスに所属する確率を示すスコアスコア42A,42B,42Cを教示者毎に算出する。
ステップ1403において、画像処理装置10は、教示者毎に算出されたスコア42A,42B,42Cの重み付け和と閾値との比較に基づいて未知の画像データ70が特定のクラスに属するか否かを判定する。
(付記1)
既知の画像データ31と既知の画像データ31が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ70をクラス別に分類するための分類器40A,40B,40Cを教示者毎に生成する手段501と、
教示者毎に生成された分類器40A,40B,40Cを用いて、未知の画像データ70の分類結果41A,41B,41Cを教示者毎に出力する手段502と、
教示者毎の分類結果41A,41B,41Cの重み付き多数決に基づいて、未知の画像データ70をクラス別に分類する手段503と、
を備える画像処理装置10。
(付記2)
既知の画像データ31と既知の画像データ31が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ70をクラス別に分類するための分類器40A,40B,40Cを教示者毎に生成する手段701と、
教示者毎に生成された分類器40A,40B,40Cを用いて、未知の画像データ70が特定のクラスに所属する確率を示すスコア42A,42B,42Cを教示者毎に算出する手段702と、
教示者毎に算出されたスコア42A,42B,42Cの重み付け和と閾値との比較に基づいて、未知の画像データ70が特定のクラスに属するか否かを判定する手段703と、
を備える画像処理装置10。
(付記3)
付記2に記載の画像処理装置10であって、
生成する手段701は、教示者の熟練度に応じた重み付けで対応関係を学習する、画像処理装置10。
(付記4)
付記2又は3に記載の画像処理装置10であって、
判定する手段703は、教示者毎に算出されたスコア42A,42B,42Cの最大値と最小値との間の範囲を教示者間でクラス分類の判断が分かれる範囲として判定する、画像処理装置10。
(付記5)
付記1乃至4のうち何れか1項に記載の画像処理装置10であって、
教師付き学習は、ニューラルネットワークの学習アルゴリズムに基づいている、画像処理装置10。
(付記6)
複数の既知の画像データ31のうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ31のうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ70をクラス別に分類するための分類器40を生成する手段1201と、
分類器40を用いて、未知の画像データ70の分類結果41A,41B,41Cを教示者毎に出力する手段1202と、
教示者毎の分類結果41A,41B,41Cの重み付き多数決に基づいて、未知の画像データ70をクラス別に分類する手段1203と、
を備える画像処理装置10。
(付記7)
複数の既知の画像データ31のうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ31のうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ70をクラス別に分類するための分類器40を生成する手段1401と、
分類器40を用いて、未知の画像データ70が特定のクラスに所属する確率を示すスコア42A,42B,42Cを教示者毎に算出する手段1402と、
教示者毎に算出されたスコア42A,42B,42Cの重み付け和と閾値との比較に基づいて未知の画像データ70が特定のクラスに属するか否かを判定する手段1403と、
を備える画像処理装置10。
(付記8)
付記6又は7に記載の画像処理装置10であって、
生成する手段1201,1401は、教示者間に共通する撮影条件下で撮影される画像データ31のクラス別の分類を事前学習し、教示者間で異なる撮影条件下で撮影される画像データ31のクラス別の分類を転移学習する、画像処理装置10。
(付記9)
コンピュータシステムが、
既知の画像データ31と既知の画像データ31が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ70をクラス別に分類するための分類器40A,40B,40Cを教示者毎に生成するステップ501と、
教示者毎に生成された分類器40A,40B,40Cを用いて、未知の画像データ70の分類結果41A,41B,41Cを教示者毎に出力するステップ502と、
教示者毎の分類結果41A,41B,41Cの重み付き多数決に基づいて、未知の画像データ70をクラス別に分類するステップ503と、
を実行する画像処理方法。
(付記10)
コンピュータシステムが、
既知の画像データ31と既知の画像データ31が分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データ70をクラス別に分類するための分類器40A,40B,40Cを教示者毎に生成するステップ701と、
教示者毎に生成された分類器40A,40B,40Cを用いて、未知の画像データ70が特定のクラスに所属する確率を示すスコア42A,42B,42Cを教示者毎に算出するステップ702と、
教示者毎に算出されたスコア42A,42B,42Cの重み付け和と閾値との比較に基づいて未知の画像データ70が特定のクラスに属するか否かを判定するステップ703と、
を実行する画像処理方法。
(付記11)
コンピュータシステムが、
複数の既知の画像データ31のうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ31のうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ70をクラス別に分類するための分類器40を生成するステップ1201と、
分類器40を用いて、未知の画像データ70の分類結果41A,41B,41Cを教示者毎に出力するステップ1202と、
教示者毎の分類結果41A,41B,41Cの重み付き多数決に基づいて、未知の画像データ70をクラス別に分類するステップ1203と、
を実行する画像処理方法。
(付記12)
コンピュータシステムが、
複数の既知の画像データ31のうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、複数の既知の画像データ31のうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データ70をクラス別に分類するための分類器40を生成するステップ1401と、
分類器40を用いて、未知の画像データ70が特定のクラスに所属する確率を示すスコア42A,42B,42Cを教示者毎に算出するステップ1402と、
教示者毎に算出されたスコア42A,42B,42Cの重み付け和と閾値との比較に基づいて未知の画像データ70が特定のクラスに属するか否かを判定するステップ1403と、
を実行する画像処理方法。
(付記13)
コンピュータシステムに、
付記9乃至12に記載の画像処理方法を実行させるための画像処理プログラム20。
Claims (12)
- 既知の画像データと前記既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成する手段と、
前記教示者毎に生成された分類器を用いて前記未知の画像データの分類結果を教示者毎に出力する手段と、
前記教示者毎の分類結果の重み付き多数決に基づいて前記未知の画像データをクラス別に分類する手段と、
を備える画像処理装置。 - 既知の画像データと前記既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成する手段と、
前記教示者毎に生成された分類器を用いて前記未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出する手段と、
前記教示者毎に算出された前記スコアの重み付け和と閾値との比較に基づいて前記未知の画像データが前記特定のクラスに属するか否かを判定する手段と、
を備える画像処理装置。 - 請求項2に記載の画像処理装置であって、
前記生成する手段は、前記教示者の熟練度に応じた重み付けで前記対応関係を学習する、画像処理装置。 - 請求項2又は3に記載の画像処理装置であって、
前記判定する手段は、教示者毎に算出された前記スコアの最大値と最小値との間の範囲を教示者間でクラス分類の判断が分かれる範囲として判定する、画像処理装置。 - 請求項1乃至4のうち何れか1項に記載の画像処理装置であって、
前記教師付き学習は、ニューラルネットワークの学習アルゴリズムに基づいている、画像処理装置。 - 複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、前記複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成する手段と、
前記分類器を用いて前記未知の画像データの分類結果を教示者毎に出力する手段と、
前記教示者毎の分類結果の重み付き多数決に基づいて、前記未知の画像データをクラス別に分類する手段と、
を備える画像処理装置。 - 複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、前記複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成する手段と、
前記分類器を用いて前記未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出する手段と、
教示者毎に算出された前記スコアの重み付け和と閾値との比較に基づいて前記未知の画像データが前記特定のクラスに属するか否かを判定する手段と、
を備える画像処理装置。 - 請求項6又は7に記載の画像処理装置であって、
前記生成する手段は、教示者間に共通する撮影条件下で撮影される画像データのクラス別の分類を事前学習し、教示者間で異なる撮影条件下で撮影される画像データのクラス別の分類を転移学習する、画像処理装置。 - コンピュータシステムが、
既知の画像データと前記既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成するステップと、
前記分類器を用いて、前記未知の画像データの分類結果を教示者毎に出力するステップと、
前記教示者毎の分類結果の重み付き多数決に基づいて前記未知の画像データをクラス別に分類するステップと、
を実行する画像処理方法。 - コンピュータシステムが、
既知の画像データと前記既知の画像データが分類されるクラスとして教示者により教示されたクラスとの対応関係を教師付き学習することにより、未知の画像データをクラス別に分類するための分類器を教示者毎に生成するステップと、
前記教示者毎に生成された分類器を用いて前記未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出するステップと、
教示者毎に算出された前記スコアの重み付け和と閾値との比較に基づいて前記未知の画像データが前記特定のクラスに属するか否かを判定するステップと、
を実行する画像処理方法。 - コンピュータシステムが、
複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、前記複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成するステップと、
前記分類器を用いて前記未知の画像データの分類結果を教示者毎に出力するステップと、
前記教示者毎の分類結果の重み付き多数決に基づいて前記未知の画像データをクラス別に分類するステップと、
を実行する画像処理方法。 - コンピュータシステムが、
複数の既知の画像データのうちクラス別の分類が教示者間で一致している画像データとその画像データが分類されるクラスとの対応関係を事前学習し、前記複数の既知の画像データのうちクラス別の分類が教示者間で異なる画像データとその画像データが分類されるクラスとの対応関係を転移学習することにより、未知の画像データをクラス別に分類するための分類器を生成するステップと、
前記分類器を用いて前記未知の画像データが特定のクラスに所属する確率を示すスコアを教示者毎に算出するステップと、
教示者毎に算出された前記スコアの重み付け和と閾値との比較に基づいて前記未知の画像データが前記特定のクラスに属するか否かを判定するステップと、
を実行する画像処理方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018209651A JP7123306B2 (ja) | 2018-11-07 | 2018-11-07 | 画像処理装置及び画像処理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018209651A JP7123306B2 (ja) | 2018-11-07 | 2018-11-07 | 画像処理装置及び画像処理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020077158A true JP2020077158A (ja) | 2020-05-21 |
JP7123306B2 JP7123306B2 (ja) | 2022-08-23 |
Family
ID=70725083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018209651A Active JP7123306B2 (ja) | 2018-11-07 | 2018-11-07 | 画像処理装置及び画像処理方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7123306B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102341236B1 (ko) * | 2021-03-22 | 2021-12-20 | 미소에이스 주식회사 | 딥러닝을 기반으로 한 압흔 검사시스템 및 압흔 검사시스템의 제어 방법 |
WO2023032549A1 (ja) * | 2021-09-01 | 2023-03-09 | 株式会社エフ・シー・シー | 欠陥検査装置、欠陥検査方法および予測モデル生成方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009110064A (ja) * | 2007-10-26 | 2009-05-21 | Toshiba Corp | 分類モデル学習装置および分類モデル学習方法 |
JP2010122746A (ja) * | 2008-11-17 | 2010-06-03 | Secom Co Ltd | 画像監視装置 |
JP2010272053A (ja) * | 2009-05-25 | 2010-12-02 | Victor Co Of Japan Ltd | データ分類器作成装置、データ分類装置、データ分類器作成方法、データ分類方法、データ分類器作成プログラム、データ分類プログラム |
JP2015079308A (ja) * | 2013-10-15 | 2015-04-23 | 国立大学法人広島大学 | 認識システム |
JP2018112996A (ja) * | 2017-01-13 | 2018-07-19 | キヤノン株式会社 | 映像認識装置、映像認識方法及びプログラム |
-
2018
- 2018-11-07 JP JP2018209651A patent/JP7123306B2/ja active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009110064A (ja) * | 2007-10-26 | 2009-05-21 | Toshiba Corp | 分類モデル学習装置および分類モデル学習方法 |
JP2010122746A (ja) * | 2008-11-17 | 2010-06-03 | Secom Co Ltd | 画像監視装置 |
JP2010272053A (ja) * | 2009-05-25 | 2010-12-02 | Victor Co Of Japan Ltd | データ分類器作成装置、データ分類装置、データ分類器作成方法、データ分類方法、データ分類器作成プログラム、データ分類プログラム |
JP2015079308A (ja) * | 2013-10-15 | 2015-04-23 | 国立大学法人広島大学 | 認識システム |
JP2018112996A (ja) * | 2017-01-13 | 2018-07-19 | キヤノン株式会社 | 映像認識装置、映像認識方法及びプログラム |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102341236B1 (ko) * | 2021-03-22 | 2021-12-20 | 미소에이스 주식회사 | 딥러닝을 기반으로 한 압흔 검사시스템 및 압흔 검사시스템의 제어 방법 |
WO2023032549A1 (ja) * | 2021-09-01 | 2023-03-09 | 株式会社エフ・シー・シー | 欠陥検査装置、欠陥検査方法および予測モデル生成方法 |
JP2023035643A (ja) * | 2021-09-01 | 2023-03-13 | 株式会社エフ・シー・シー | 欠陥検査装置、欠陥検査方法および予測モデル生成方法 |
Also Published As
Publication number | Publication date |
---|---|
JP7123306B2 (ja) | 2022-08-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111179251B (zh) | 基于孪生神经网络利用模板比对的缺陷检测系统及方法 | |
EP3502966B1 (en) | Data generation apparatus, data generation method, and data generation program | |
US10885618B2 (en) | Inspection apparatus, data generation apparatus, data generation method, and data generation program | |
US20210089895A1 (en) | Device and method for generating a counterfactual data sample for a neural network | |
JP6584250B2 (ja) | 画像分類方法、分類器の構成方法および画像分類装置 | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
CN110648305B (zh) | 工业图像检测方法、系统与计算机可读记录介质 | |
CN109543760A (zh) | 基于图像滤镜算法的对抗样本检测方法 | |
JP2018026122A5 (ja) | ||
Ribeiro et al. | An adaptable deep learning system for optical character verification in retail food packaging | |
CN114494780A (zh) | 基于特征对比的半监督工业缺陷检测方法及系统 | |
JP7123306B2 (ja) | 画像処理装置及び画像処理方法 | |
KR20210067606A (ko) | 특징 생성 기술을 이용한 머신러닝 기반 결함 분류 장치 및 방법 | |
US11393182B2 (en) | Data band selection using machine learning | |
EP3696771A1 (en) | System for processing an input instance, method, and medium | |
KR20230036650A (ko) | 영상 패치 기반의 불량 검출 시스템 및 방법 | |
CN113627538A (zh) | 训练非对称生成对抗网络产生图像的方法及电子装置 | |
CN114692887A (zh) | 半监督学习系统及半监督学习方法 | |
WO2023282043A1 (ja) | 検査方法、分類方法、管理方法、鋼材の製造方法、学習モデルの生成方法、学習モデル、検査装置及び鋼材の製造設備 | |
CN111651433B (zh) | 一种样本数据清洗方法及系统 | |
Huang et al. | Quality control on manufacturing computer keyboards using multilevel deep neural networks | |
TWI745767B (zh) | 光學檢測二次圖像分類方法 | |
WO2022185474A1 (ja) | 学習装置、学習方法、検査装置、検査方法、及び、記録媒体 | |
CN117275076B (zh) | 基于特征的人脸质量评估模型的构建方法及应用 | |
TWI834426B (zh) | Pcb缺陷檢測模型的評估方法、評估裝置及訓練方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201211 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211124 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20211216 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220208 |
|
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: 20220711 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220724 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7123306 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |