JP2020187735A - 表面欠陥識別方法及び装置 - Google Patents
表面欠陥識別方法及び装置 Download PDFInfo
- Publication number
- JP2020187735A JP2020187735A JP2020055855A JP2020055855A JP2020187735A JP 2020187735 A JP2020187735 A JP 2020187735A JP 2020055855 A JP2020055855 A JP 2020055855A JP 2020055855 A JP2020055855 A JP 2020055855A JP 2020187735 A JP2020187735 A JP 2020187735A
- Authority
- JP
- Japan
- Prior art keywords
- image
- defect
- neural network
- acquired
- acquired image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 151
- 238000000034 method Methods 0.000 title claims abstract description 82
- 238000013528 artificial neural network Methods 0.000 claims abstract description 130
- 238000012549 training Methods 0.000 claims abstract description 74
- 239000000463 material Substances 0.000 claims abstract description 57
- 239000013077 target material Substances 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 38
- 230000004931 aggregating effect Effects 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 5
- 230000009467 reduction Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 14
- 238000003860 storage Methods 0.000 description 8
- 238000004140 cleaning Methods 0.000 description 7
- 230000002950 deficient Effects 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 230000007246 mechanism Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003384 imaging method Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 4
- 241001251074 Imperator Species 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 3
- 238000004220 aggregation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000009659 non-destructive testing Methods 0.000 description 3
- RLLPVAHGXHCWKJ-UHFFFAOYSA-N permethrin Chemical compound CC1(C)C(C=C(Cl)Cl)C1C(=O)OCC1=CC=CC(OC=2C=CC=CC=2)=C1 RLLPVAHGXHCWKJ-UHFFFAOYSA-N 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241001465754 Metazoa Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 241000271566 Aves Species 0.000 description 1
- 241000938605 Crocodylia Species 0.000 description 1
- 241000282412 Homo Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000001994 activation Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002902 bimodal effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000004042 decolorization Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000003711 image thresholding Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 230000000007 visual effect Effects 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
- G06T2200/00—Indexing scheme for image data processing or generation, in general
- G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
Description
‐ 第1には、人間によりラベル付けされた画像の大きいデータセットを作成することであり、これは非常に骨が折れ、注釈者の専門知識により制限される。
‐ 第2には、手作りのアルゴリズムを作成することである。この手法は、ラベル付けされていないデータセット上でコンピュータビジョン法を適用し、小さいラベル付けされたデータセット上でアルゴリズムを評価する。このような手法は、効果的なアルゴリズムを設計することの困難さに悩まされる。
(付記1)
材料表面の画像を処理して画像化された材料表面の欠陥を識別する方法であって、
第1のニューラルネットワークを自動的に訓練して材料表面の入力訓練画像の欠陥低減バージョンを生成するステップと、
対象材料表面の画像を取得するステップと、
前記取得された画像を前記第1のニューラルネットワークに入力して前記取得された画像の欠陥低減バージョンを生成するステップと、
前記取得された画像の前記生成された欠陥低減バージョンを前記取得された画像と比較して差異を識別するステップと、
前記識別された差異の位置で前記対象材料表面の欠陥を識別するステップと、
を含む方法。
(付記2)
各訓練画像は複数の画像部分として前記第1のニューラルネットワークに入力され、各画像部分は前記訓練画像の空間的細分化を表し、当該方法は、前記画像部分の欠陥低減バージョンを前記訓練画像の欠陥低減バージョンに集約するステップをさらに含み、
前記取得された画像は複数の画像部分として前記第1のニューラルネットワークに入力され、各画像部分は前記取得された画像の空間的細分化を表し、当該方法は、前記画像部分の欠陥低減バージョンを集約して前記取得された画像の欠陥低減バージョンを得るステップをさらに含む、
付記1に記載の方法。
(付記3)
前記比較することは、前記画像の欠陥低減バージョンと前記取得された画像との間で差異が識別された1つ以上の位置を特定することと、前記1つ以上の位置を出力することとを含む、付記1又は2に記載の方法。
(付記4)
前記取得された画像から、前記画像の欠陥低減バージョンと前記取得された画像との間で差異が識別された前記1つ以上の位置のうちの位置又は各位置と境を接する画像部分を抽出するステップと、
前記又は各画像部分を第2のニューラルネットワークに入力するステップであり、前記第2のニューラルネットワークは、材料表面欠陥を示す入力画像部分を処理することにより前記材料表面欠陥のエンコードされた特徴を出力するように訓練されたエンコーディングニューラルネットワークである、ステップと、
前記取得された画像から抽出された前記又は各画像部分をそれぞれの出力されたエンコードされた特徴に基づきラベルと共に出力するステップと、
をさらに含む付記3に記載の方法。
(付記5)
前記1つ以上の位置は、前記画像の欠陥低減バージョンと前記取得された画像との間で差異が識別された複数の位置であり、前記取得された画像から抽出された複数の画像部分があり、各々がそれぞれの位置と境を接し、
前記複数の画像部分は、過去に取得された画像と該画像のそれぞれの欠陥低減バージョンとから差異が識別された位置と境を接する画像部分の記憶された集合に追加され、前記画像部分の集合の各メンバは、前記画像部分を前記エンコーディングニューラルネットワークで処理することにより得られたそれぞれのエンコードされた特徴と共に記憶され、
前記取得された画像から抽出された前記画像部分の前記エンコードされた特徴に対してクラスタリングアルゴリズムが実行されて前記画像部分をグループに分割し、前記取得された画像から抽出された前記複数の画像部分の各々はそれぞれのグループのメンバであり、
前記取得された画像から抽出された前記複数の画像部分の各々に対して出力されるラベルは、前記画像部分の前記エンコードされた特徴の、過去に取得された画像からの記憶された画像部分のエンコードされた特徴との比較に基づいて、過去に取得された画像から抽出された記憶された画像部分に割り当てられたラベルから選択される、
付記4に記載の方法。
(付記6)
同じグループ内の画像部分に割り当てられるラベルは、ユーザインターフェースを介してユーザによりそれぞれの画像部分に前に割り当てられたラベルである、
付記5に記載の方法。
(付記7)
ユーザインターフェースを介して、同じグループ内の前記又は各画像部分をそれぞれの出力されたエンコードされた特徴に基づきラベルと共に出力することは、前記画像部分に対する複数の候補ラベルを出力することを含み、前記候補ラベルの各々は、前記画像部分の前記エンコードされた特徴の、過去に取得された画像及び前記画像部分からの記憶された画像部分のエンコードされた特徴との比較に基づき、過去に取得された画像に割り当てられたラベルから選択され、
当該方法は、
ユーザインターフェースを介して、前記出力された候補ラベルの中からのラベルの選択を受け入れ、前記選択されたラベルを前記画像部分に割り当てるステップ
をさらに含む、付記5又は6に記載の方法。
(付記8)
前記複数の画像部分の各々に対して出力されるラベル、又は前記複数の画像部分の各々に対して出力される候補ラベルのうち1つは、画像部分へのラベルの過去の割り当てに基づき機械学習アルゴリズムにより選択された推奨されたラベルである、
付記5、6、又は7に記載の方法。
(付記9)
前記第1のニューラルネットワークは敵対的生成ネットワークであり、前記訓練することは、前記第1のニューラルネットワークを訓練して、生成された画像データが訓練データセットに属するディスクリミネータネットワークを満たす画像データを生成することと、前記ディスクリミネータネットワークを訓練して、訓練データセットに属する画像データと生成された画像データとを区別することとを含む、付記1乃至8のうちいずれか1項に記載の方法。
(付記10)
前記第1のニューラルネットワークは、材料表面の入力訓練画像の欠陥低減バージョンを生成するインペインタモデルと、前記生成された画像からノイズを取り除くクリーニングモデルとを含む、付記1乃至9のうちいずれか1項に記載の方法。
(付記11)
前記第1のニューラルネットワークは畳み込みノイズ除去ニューラルネットワークを含む、付記1乃至10のうちいずれか1項に記載の方法。
(付記12)
プロセッサハードウェア及びメモリハードウェアを含むコンピューティングシステムにより実行されたときに前記プロセッサハードウェアに方法を実行させるコンピュータプログラムであって、前記方法は、
第1のニューラルネットワークを自動的に訓練して材料表面の入力訓練画像の欠陥低減バージョンを生成するステップと、
対象材料表面の画像を取得するステップと、
前記取得された画像を前記第1のニューラルネットワークに入力して前記取得された画像の欠陥低減バージョンを生成するステップと、
前記取得された画像の前記生成された欠陥低減バージョンを前記取得された画像と比較して差異を識別するステップと、
前記識別された差異の位置で前記対象材料表面の欠陥を識別するステップと、
を含む、コンピュータプログラム。
(付記13)
プロセッサハードウェア及びメモリハードウェアを含む装置であって、前記メモリハードウェアは、前記プロセッサハードウェアにより実行されたときに前記プロセッサハードウェアに方法を実行させる処理命令を記憶し、前記方法は、
第1のニューラルネットワークを自動的に訓練して材料表面の入力訓練画像の欠陥低減バージョンを生成するステップと、
対象材料表面の画像を取得するステップと、
前記取得された画像を前記第1のニューラルネットワークに入力して前記取得された画像の欠陥低減バージョンを生成するステップと、
前記取得された画像の前記生成された欠陥低減バージョンを前記取得された画像と比較して差異を識別するステップと、
前記識別された差異の位置で前記対象材料表面の欠陥を識別するステップと、
を含む、装置。
(付記14)
前記プロセッサハードウェアはGPUを含む、付記13に記載の装置。
Claims (10)
- 材料表面の画像を処理して画像化された材料表面の欠陥を識別する方法であって、
第1のニューラルネットワークを自動的に訓練して材料表面の入力訓練画像の欠陥低減バージョンを生成するステップと、
対象材料表面の画像を取得するステップと、
前記取得された画像を前記第1のニューラルネットワークに入力して前記取得された画像の欠陥低減バージョンを生成するステップと、
前記取得された画像の前記生成された欠陥低減バージョンを前記取得された画像と比較して差異を識別するステップと、
前記識別された差異の位置で前記対象材料表面の欠陥を識別するステップと、
を含む方法。 - 各訓練画像は複数の画像部分として前記第1のニューラルネットワークに入力され、各画像部分は前記訓練画像の空間的細分化を表し、当該方法は、前記画像部分の欠陥低減バージョンを前記訓練画像の欠陥低減バージョンに集約するステップをさらに含み、
前記取得された画像は複数の画像部分として前記第1のニューラルネットワークに入力され、各画像部分は前記取得された画像の空間的細分化を表し、当該方法は、前記画像部分の欠陥低減バージョンを集約して前記取得された画像の欠陥低減バージョンを得るステップをさらに含む、
請求項1に記載の方法。 - 前記比較することは、前記画像の欠陥低減バージョンと前記取得された画像との間で差異が識別された1つ以上の位置を特定することと、前記1つ以上の位置を出力することとを含む、請求項1又は2に記載の方法。
- 前記取得された画像から、前記画像の欠陥低減バージョンと前記取得された画像との間で差異が識別された前記1つ以上の位置のうちの位置又は各位置と境を接する画像部分を抽出するステップと、
前記又は各画像部分を第2のニューラルネットワークに入力するステップであり、前記第2のニューラルネットワークは、材料表面欠陥を示す入力画像部分を処理することにより前記材料表面欠陥のエンコードされた特徴を出力するように訓練されたエンコーディングニューラルネットワークである、ステップと、
前記取得された画像から抽出された前記又は各画像部分をそれぞれの出力されたエンコードされた特徴に基づきラベルと共に出力するステップと、
をさらに含む請求項3に記載の方法。 - 前記1つ以上の位置は、前記画像の欠陥低減バージョンと前記取得された画像との間で差異が識別された複数の位置であり、前記取得された画像から抽出された複数の画像部分があり、各々がそれぞれの位置と境を接し、
前記複数の画像部分は、過去に取得された画像と該画像のそれぞれの欠陥低減バージョンとから差異が識別された位置と境を接する画像部分の記憶された集合に追加され、前記画像部分の集合の各メンバは、前記画像部分を前記エンコーディングニューラルネットワークで処理することにより得られたそれぞれのエンコードされた特徴と共に記憶され、
前記取得された画像から抽出された前記画像部分の前記エンコードされた特徴に対してクラスタリングアルゴリズムが実行されて前記画像部分をグループに分割し、前記取得された画像から抽出された前記複数の画像部分の各々はそれぞれのグループのメンバであり、
前記取得された画像から抽出された前記複数の画像部分の各々に対して出力されるラベルは、前記画像部分の前記エンコードされた特徴の、過去に取得された画像からの記憶された画像部分のエンコードされた特徴との比較に基づいて、過去に取得された画像から抽出された記憶された画像部分に割り当てられたラベルから選択される、
請求項4に記載の方法。 - ユーザインターフェースを介して、同じグループ内の前記又は各画像部分をそれぞれの出力されたエンコードされた特徴に基づきラベルと共に出力することは、前記画像部分に対する複数の候補ラベルを出力することを含み、前記候補ラベルの各々は、前記画像部分の前記エンコードされた特徴の、過去に取得された画像及び前記画像部分からの記憶された画像部分のエンコードされた特徴との比較に基づき、過去に取得された画像に割り当てられたラベルから選択され、
当該方法は、
ユーザインターフェースを介して、前記出力された候補ラベルの中からのラベルの選択を受け入れ、前記選択されたラベルを前記画像部分に割り当てるステップ
をさらに含む、請求項5に記載の方法。 - 前記複数の画像部分の各々に対して出力されるラベル、又は前記複数の画像部分の各々に対して出力される候補ラベルのうち1つは、画像部分へのラベルの過去の割り当てに基づき機械学習アルゴリズムにより選択された推奨されたラベルである、
請求項5又は6に記載の方法。 - 前記第1のニューラルネットワークは敵対的生成ネットワークであり、前記訓練することは、前記第1のニューラルネットワークを訓練して、生成された画像データが訓練データセットに属するディスクリミネータネットワークを満たす画像データを生成することと、前記ディスクリミネータネットワークを訓練して、訓練データセットに属する画像データと生成された画像データとを区別することとを含む、請求項1乃至7のうちいずれか1項に記載の方法。
- プロセッサに、
第1のニューラルネットワークを自動的に訓練して材料表面の入力訓練画像の欠陥低減バージョンを生成するステップと、
対象材料表面の画像を取得するステップと、
前記取得された画像を前記第1のニューラルネットワークに入力して前記取得された画像の欠陥低減バージョンを生成するステップと、
前記取得された画像の前記生成された欠陥低減バージョンを前記取得された画像と比較して差異を識別するステップと、
前記識別された差異の位置で前記対象材料表面の欠陥を識別するステップと、
を含む方法を実行させるコンピュータプログラム。 - プロセッサハードウェア及びメモリハードウェアを含む装置であって、前記メモリハードウェアは、前記プロセッサハードウェアにより実行されたときに前記プロセッサハードウェアに方法を実行させる処理命令を記憶し、前記方法は、
第1のニューラルネットワークを自動的に訓練して材料表面の入力訓練画像の欠陥低減バージョンを生成するステップと、
対象材料表面の画像を取得するステップと、
前記取得された画像を前記第1のニューラルネットワークに入力して前記取得された画像の欠陥低減バージョンを生成するステップと、
前記取得された画像の前記生成された欠陥低減バージョンを前記取得された画像と比較して差異を識別するステップと、
前記識別された差異の位置で前記対象材料表面の欠陥を識別するステップと、
を含む、装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP19174221.2A EP3739513A1 (en) | 2019-05-13 | 2019-05-13 | Surface defect identification method and apparatus |
EP19174221.2 | 2019-05-13 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020187735A true JP2020187735A (ja) | 2020-11-19 |
Family
ID=66542047
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020055855A Pending JP2020187735A (ja) | 2019-05-13 | 2020-03-26 | 表面欠陥識別方法及び装置 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11276162B2 (ja) |
EP (1) | EP3739513A1 (ja) |
JP (1) | JP2020187735A (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021106566A1 (ja) * | 2019-11-25 | 2021-06-03 | オムロン株式会社 | 画像検査装置 |
JP6955734B1 (ja) * | 2021-03-08 | 2021-10-27 | 株式会社データグリッド | 画像データ生成方法、学習方法、画像データ生成システム、学習システムおよびプログラム |
JPWO2022024245A1 (ja) * | 2020-07-29 | 2022-02-03 | ||
JP2022100292A (ja) * | 2020-12-23 | 2022-07-05 | 株式会社リコー | ニューラルネットワーク訓練方法および欠陥検出方法、装置および記憶媒体 |
WO2022201451A1 (ja) * | 2021-03-25 | 2022-09-29 | 株式会社日立国際電気 | 検知装置および検知方法 |
WO2022201973A1 (ja) * | 2021-03-25 | 2022-09-29 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理システム及び学習モデルの生成方法 |
WO2022201968A1 (ja) * | 2021-03-26 | 2022-09-29 | コニカミノルタ株式会社 | 情報処理装置、制御プログラム、および制御方法 |
WO2022244406A1 (ja) * | 2021-05-17 | 2022-11-24 | コニカミノルタ株式会社 | 信号処理装置、信号処理方法、及びプログラム |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020095428A (ja) * | 2018-12-12 | 2020-06-18 | 株式会社東芝 | モデル学習システム、モデル学習方法、プログラム、及び記憶媒体 |
US11126895B2 (en) * | 2019-05-22 | 2021-09-21 | Lawrence Livermore National Security, Llc | Mimicking of corruption in images |
US11195012B1 (en) * | 2019-05-31 | 2021-12-07 | United Services Automobile Association (Usaa) | System and method for assessing damage from aerial imagery |
US11710158B2 (en) * | 2020-01-23 | 2023-07-25 | Ford Global Technologies, Llc | Vehicle damage estimation |
US11210774B2 (en) * | 2020-03-31 | 2021-12-28 | Disney Enterprises, Inc. | Automated pixel error detection using an inpainting neural network |
CN113822836B (zh) * | 2020-06-05 | 2024-06-18 | 英业达科技有限公司 | 标记图像的方法 |
US11824894B2 (en) * | 2020-11-25 | 2023-11-21 | International Business Machines Corporation | Defense of targeted database attacks through dynamic honeypot database response generation |
WO2022115100A1 (en) * | 2020-11-25 | 2022-06-02 | Hewlett-Packard Development Company, L.P. | Identifying anomaly location |
CN114663335A (zh) * | 2020-12-22 | 2022-06-24 | 富泰华工业(深圳)有限公司 | 图像瑕疵检测方法、装置、电子设备及介质 |
CN114764765A (zh) * | 2020-12-30 | 2022-07-19 | 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 |
EP4027300B1 (en) * | 2021-01-12 | 2023-12-27 | Fujitsu Limited | Apparatus, program, and method for anomaly detection and classification |
CN112950837B (zh) * | 2021-03-03 | 2023-06-16 | 中国工商银行股份有限公司 | 基于深度学习的纸币破损情况识别方法及装置 |
CN113129265B (zh) * | 2021-03-18 | 2022-10-18 | 广东工业大学 | 瓷砖表面缺陷检测方法、装置及存储介质 |
US20220392025A1 (en) * | 2021-06-04 | 2022-12-08 | Adobe Inc. | Restoring degraded digital images through a deep learning framework |
CN113570549A (zh) * | 2021-06-30 | 2021-10-29 | 青岛海尔科技有限公司 | 反光表面的缺陷检测方法及装置 |
EP4123506A1 (de) * | 2021-07-20 | 2023-01-25 | Fujitsu Technology Solutions GmbH | Verfahren und vorrichtung zum analysieren eines produkts, trainingsverfahren, system, computerprogramm und computerlesbares speichermedium |
CN113592830B (zh) * | 2021-08-04 | 2024-05-03 | 航天信息股份有限公司 | 一种图像缺陷检测方法、装置及存储介质 |
CN114897868A (zh) * | 2022-05-31 | 2022-08-12 | 广东利元亨智能装备股份有限公司 | 极片缺陷识别及模型训练方法、装置及电子设备 |
DE102023115096A1 (de) * | 2022-07-12 | 2024-01-18 | Janoschka AG | Verfahren zur Prüfung von Tiefdruckzylindern und Tiefdruckplatten |
CN115100451B (zh) * | 2022-08-29 | 2023-11-28 | 启东万惠机械制造有限公司 | 一种用于液压泵漏油监控的数据扩充方法 |
CN116481461B (zh) * | 2022-11-24 | 2023-09-22 | 广州帕卡汽车零部件有限公司 | 一种汽车隔音隔热零配件成孔切口毛糙度检测方法 |
CN115984235A (zh) * | 2023-01-31 | 2023-04-18 | 苏州大学 | 一种基于图像分割的晶圆图混合缺陷模式识别方法及系统 |
CN116682069B (zh) * | 2023-07-31 | 2023-11-24 | 水利部珠江水利委员会珠江水利综合技术中心 | 基于人工智能的船闸混凝土修复决策方法及系统 |
CN116883393B (zh) * | 2023-09-05 | 2023-12-01 | 青岛理工大学 | 一种基于无锚框目标检测算法的金属表面缺陷检测方法 |
CN116912637B (zh) * | 2023-09-13 | 2023-12-22 | 国网山东省电力公司济南供电公司 | 输变电缺陷识别的方法、装置、计算机设备和存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012026982A (ja) * | 2010-07-27 | 2012-02-09 | Panasonic Electric Works Sunx Co Ltd | 検査装置 |
JP2018120300A (ja) * | 2017-01-23 | 2018-08-02 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
JP2018205163A (ja) * | 2017-06-06 | 2018-12-27 | 株式会社デンソー | 外観検査装置、変換データ生成装置、及びプログラム |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101794116B1 (ko) | 2013-03-18 | 2017-11-06 | 더 트러스티스 오브 컬럼비아 유니버시티 인 더 시티 오브 뉴욕 | 하드웨어 특징들을 사용한 이상 프로세스들의 비감시된 검출 |
US10579923B2 (en) * | 2015-09-15 | 2020-03-03 | International Business Machines Corporation | Learning of classification model |
US10635563B2 (en) | 2016-08-04 | 2020-04-28 | Oracle International Corporation | Unsupervised method for baselining and anomaly detection in time-series data for enterprise systems |
US20180096261A1 (en) | 2016-10-01 | 2018-04-05 | Intel Corporation | Unsupervised machine learning ensemble for anomaly detection |
US10607119B2 (en) * | 2017-09-06 | 2020-03-31 | Kla-Tencor Corp. | Unified neural network for defect detection and classification |
US10430937B2 (en) * | 2017-09-25 | 2019-10-01 | United Technologies Corporation | Automated material characterization system including conditional generative adversarial networks |
-
2019
- 2019-05-13 EP EP19174221.2A patent/EP3739513A1/en active Pending
-
2020
- 2020-03-26 JP JP2020055855A patent/JP2020187735A/ja active Pending
- 2020-03-31 US US16/835,908 patent/US11276162B2/en active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012026982A (ja) * | 2010-07-27 | 2012-02-09 | Panasonic Electric Works Sunx Co Ltd | 検査装置 |
JP2018120300A (ja) * | 2017-01-23 | 2018-08-02 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
JP2018205163A (ja) * | 2017-06-06 | 2018-12-27 | 株式会社デンソー | 外観検査装置、変換データ生成装置、及びプログラム |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021106566A1 (ja) * | 2019-11-25 | 2021-06-03 | オムロン株式会社 | 画像検査装置 |
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 |
JP7243801B2 (ja) | 2020-12-23 | 2023-03-22 | 株式会社リコー | ニューラルネットワーク訓練方法および欠陥検出方法、装置および記憶媒体 |
JP2022100292A (ja) * | 2020-12-23 | 2022-07-05 | 株式会社リコー | ニューラルネットワーク訓練方法および欠陥検出方法、装置および記憶媒体 |
JP6955734B1 (ja) * | 2021-03-08 | 2021-10-27 | 株式会社データグリッド | 画像データ生成方法、学習方法、画像データ生成システム、学習システムおよびプログラム |
JP2022136957A (ja) * | 2021-03-08 | 2022-09-21 | 株式会社データグリッド | 画像データ生成方法、学習方法、画像データ生成システム、学習システムおよびプログラム |
JP2022136583A (ja) * | 2021-03-08 | 2022-09-21 | 株式会社データグリッド | 画像データ生成方法、学習方法、画像データ生成システム、学習システムおよびプログラム |
JP7398127B2 (ja) | 2021-03-08 | 2023-12-14 | 株式会社データグリッド | 画像データ生成方法、学習方法、画像データ生成システム、学習システムおよびプログラム |
WO2022201451A1 (ja) * | 2021-03-25 | 2022-09-29 | 株式会社日立国際電気 | 検知装置および検知方法 |
JPWO2022201451A1 (ja) * | 2021-03-25 | 2022-09-29 | ||
JP7436752B2 (ja) | 2021-03-25 | 2024-02-22 | 株式会社日立国際電気 | 検知装置および検知方法 |
WO2022201973A1 (ja) * | 2021-03-25 | 2022-09-29 | ソニーセミコンダクタソリューションズ株式会社 | 情報処理システム及び学習モデルの生成方法 |
WO2022201968A1 (ja) * | 2021-03-26 | 2022-09-29 | コニカミノルタ株式会社 | 情報処理装置、制御プログラム、および制御方法 |
WO2022244406A1 (ja) * | 2021-05-17 | 2022-11-24 | コニカミノルタ株式会社 | 信号処理装置、信号処理方法、及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
US11276162B2 (en) | 2022-03-15 |
EP3739513A1 (en) | 2020-11-18 |
US20200364842A1 (en) | 2020-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020187735A (ja) | 表面欠陥識別方法及び装置 | |
US11727670B2 (en) | Defect detection method and apparatus | |
US11922626B2 (en) | Systems and methods for automatic detection and quantification of pathology using dynamic feature classification | |
US20220262108A1 (en) | Apparatus, program, and method for anomaly detection and classification | |
Fuchs et al. | Defect detection in CT scans of cast aluminum parts: A machine vision perspective | |
JP2015087903A (ja) | 情報処理装置及び情報処理方法 | |
CN114902279A (zh) | 基于机器视觉的自动化缺陷检测 | |
Yuan et al. | A method for the evaluation of image quality according to the recognition effectiveness of objects in the optical remote sensing image using machine learning algorithm | |
GB2602581A (en) | Automatic detection and replacement of identifying information in images using machine learning | |
US10726535B2 (en) | Automatically generating image datasets for use in image recognition and detection | |
US20210337073A1 (en) | Print quality assessments via patch classification | |
Ordoñez et al. | Explaining decisions of deep neural networks used for fish age prediction | |
JP2021143884A (ja) | 検査装置、検査方法、プログラム、学習装置、学習方法、および学習済みデータセット | |
CN116664839A (zh) | 一种弱监督半监督缺陷感知分割方法、装置及电子设备 | |
KR20210037199A (ko) | 자동 분할 태깅 장치 및 이를 이용하여 학습된 손상영역 검출 장치 | |
CN115082909B (zh) | 一种肺部病变识别方法及系统 | |
JP7401537B2 (ja) | システム、該システムを備えるワークステーション及び撮像装置、並びにコンピュータによって実施される方法、該方法をプロセッサシステムに実行させる命令を表す一時的又は非一時的データを含むコンピュータ可読媒体 | |
KR20220143119A (ko) | 인지 시스템용 훈련 데이터 후보의 자동 식별 | |
CN116977334B (zh) | 一种光缆表面瑕疵检测方法及装置 | |
CA2997335A1 (en) | Automatically generating image datasets for use in image recognition and detection | |
CN117351196B (zh) | 图像分割方法、装置、计算机设备和存储介质 | |
US20240037717A1 (en) | Generating neural network based perceptual artifact segmentations in modified portions of a digital image | |
US20220189005A1 (en) | Automatic inspection using artificial intelligence models | |
Niaz et al. | Increment-CAM: Incrementally-weighted Class Activation Maps for Better Visual Explanations | |
Priyadarshi et al. | Deblurring of Images and Barcode Extraction of PV Modules using Supervised Machine learning for Plant Operation and Maintenance |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221208 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231023 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231031 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231219 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20240312 |