JP6961319B2 - 評価方法及び評価装置 - Google Patents
評価方法及び評価装置 Download PDFInfo
- Publication number
- JP6961319B2 JP6961319B2 JP2021043561A JP2021043561A JP6961319B2 JP 6961319 B2 JP6961319 B2 JP 6961319B2 JP 2021043561 A JP2021043561 A JP 2021043561A JP 2021043561 A JP2021043561 A JP 2021043561A JP 6961319 B2 JP6961319 B2 JP 6961319B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- singular
- evaluation
- data
- format
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Description
以下、データベースDB1及びデータベースDB2に格納する教師データの生成方法について説明する。
以下、第1実施形態の変形例について説明する。第1実施形態では、撮像部12が備えるラインセンサを用いて対象物のグレースケールデータを取得した。本変形例における撮像部12は、二次元のRGBデータを取得するエリアセンサ(例えば、CMOSイメージセンサ)を用いて対象物の第1画像を取得する。特異部検出部14は、撮像部12によって取得されたRGBデータに基づいて、第1画像のグレースケールデータ(「第1形式の画像データ」の一例)を生成し、これに基づいて特異部を検出する。また、特異部有無評価部20は、検出された特異部を含む第2範囲に相当するRGBデータ(「第2形式の画像データ」の一例)を撮像部12から取得し、これに基づいて第2範囲の特異部の有無を評価する。
本開示に係る評価システム及び評価装置は、様々な対象物を評価するために適用することが可能である。例えば、ポリ塩化ビニリデン(PVDC)の透明フィルムの製造工程において、透明フィルムに含まれ得る異物、傷、皺等を特異部として検出するために使用することができる。
対象物の第1範囲に対応する画像を取得することと、
第1方法を用いて、前記第1範囲に対応する画像であって、各画素の色彩の違いが第1の指標により表現される第1の画像から、前記第1範囲の一部である第2範囲を抽出することと、
前記第2範囲に対応する画像であって、各画素の色彩の違いが前記第1指標により表現される第2の画像に、前記各画素の色彩の違いを示す第2の指標を付与することで、前記各画素の色彩の違いが前記第1の指標および前記第2の指標により表現される第3画像の画像を得ることと、
機械学習を用いて取得される第2の方法を用いて、前記第3の画像内の特異部の有無を評価することと、
を含む評価方法であってよい。
対象物の第1画像を取得することと、
第1方法を用いて、前記第1画像であって、各画素の色彩が第1の色情報により表現される第1形式の前記第1画像の一部を、特異部が存在する候補領域の第2画像として抽出することと、
前記第1形式の前記第2画像に、各画素の色彩を表す第2の色情報を付与することで、各画素の色彩が、前記第1の色情報および前記第2の色情報により表現される第2形式の第3画像を得ることと、
機械学習を用いて取得された第2方法を用いて、前記第2形式の前記第3画像から、特異部の有無を識別することと、
を含む評価方法、であってよい。
対象物の第1画像を取得する手段と、
第1方法を用いて、前記第1画像であって、各画素の色彩が第1の色情報により表現される第1形式の前記第1画像の一部を、特異部が存在する候補領域の第2画像として抽出する手段と、
前記第1形式の前記第2画像に、各画素の色彩を表す第2の色情報を付与することで、各画素の色彩が、前記第1の色情報および前記第2の色情報により表現される第2形式の第3画像を取得する手段と、
機械学習を用いて取得された第2方法を用いて、前記第2形式の前記第3画像から、特異部の有無を識別する手段と、
を含む評価装置、であってよい。
(付記1)
対象物の第1画像を取得することと、
第1方法を用いて、前記第1画像であって1画素あたり1つの指標により表現される第1形式の前記第1画像の一部を、第2画像として抽出することと、
機械学習を用いて取得された第2方法を用いて、前記第2画像であって1画素あたり複数の指標により表現される第2形式の前記第2画像から、特異部の有無を評価することと、
を含む評価方法。
(付記2)
前記第1形式の前記第1画像に基づいて前記第2形式の前記第2画像を生成すること、
を更に含む付記1に記載の評価方法。
(付記3)
前記第2画像の抽出は、前記第1画像から、複数の前記第2画像を抽出し、
前記特異部の有無の評価は、複数の前記第2画像に対して行われる、
付記1又は2に記載の評価方法。
(付記4)
前記第2画像の特異部の有無の評価結果に基づいて、目視による評価を行うか否かを判定すること、
を更に含む付記1乃至3の何れか一項に記載の評価方法。
(付記5)
前記第1方法を用いて、前記第1画像から、前記第2画像を抽出できない場合に、前記対象物の前記第1画像の範囲に前記特異部が無いと判定すること、
を更に含む付記1乃至4の何れか一項に記載の評価方法。
(付記6)
抽出された複数の前記第2画像に前記特異部が無い場合に、前記対象物に前記特異部が無いと評価すること、
を更に含む付記3に記載の評価方法。
(付記7)
前記機械学習は、
特異部を含む第3画像から、前記第3画像よりも小さく、かつ、前記特異部の位置が異なる複数の第4画像を生成することと、
複数の前記第4画像であって前記第2形式で表現された前記第4画像を教師データとして内部パラメータの最適化を行うこと、
を含む付記1乃至6の何れか一項に記載の評価方法。
(付記8)
対象物の第1画像を取得する手段と、
第1方法を用いて、前記第1画像であって1画素あたり1つの指標により表現される第1形式の前記第1画像の一部を、第2画像として抽出する手段と、
機械学習を用いて取得された第2方法を用いて、前記第2画像であって1画素あたり複数の指標により表現される第2形式の前記第2画像から、特異部の有無を評価する手段と、
を含む評価装置。
(付記9)
前記第1形式の前記第1画像に基づいて前記第2形式の前記第2画像を生成する手段、
を更に備える付記8に記載の評価装置。
(付記10)
前記第2画像を抽出する手段は、前記第1画像から、複数の前記第2画像を抽出するように構成され、
前記特異部の有無を評価する手段は、複数の前記第2画像に対して特異部の有無を評価するように構成される、
付記8又は9に記載の評価装置。
(付記11)
前記第2画像の特異部の有無の評価結果に基づいて、目視による評価を行うか否かを判定する手段、
を更に備える付記8乃至10の何れか一項に記載の評価装置。
(付記12)
前記第1方法を用いて、前記第1画像から、前記第2画像を抽出できない場合に、前記対象物の前記第1画像の範囲に前記特異部が無いと判定する手段、
を更に備える付記8乃至11の何れか一項に記載の評価装置。
(付記13)
抽出された複数の前記第2画像に前記特異部が無い場合に、前記対象物に前記特異部が無いと評価する手段、
を更に備える付記10に記載の評価装置。
(付記14)
前記機械学習は、
特異部を含む第3画像から、前記第3画像よりも小さく、かつ、前記特異部の位置が異なる複数の第4画像を生成することと、
複数の前記第4画像であって前記第2形式で表現された前記第4画像を教師データとして内部パラメータの最適化を行うこと、
を含む付記8乃至13の何れか一項に記載の評価装置。
12 撮像部
14 特異部検出部
16 特異部画像抽出部
18 画像データ変換部
20 特異部有無評価部
22 プロセッサ
24 記憶部
28 表示部
30 通信I/F部
32 入力部
AR1 第1範囲
AR2 第2範囲
AR3 第2範囲
AR4 第2範囲
Claims (12)
- 対象物の第1画像を取得することと、
第1方法を用いて、前記第1画像であって1画素あたり1つの指標により表現される第1形式の前記第1画像の一部を抽出することと、
前記第1方法により抽出した前記第1画像に基づいて、1画素あたり複数の指標により表現される第2形式の第2画像を生成することと、
機械学習を用いて取得された第2方法を用いて、前記第2画像から、特異部の有無を評価することと、
を含む評価方法。 - 前記抽出は、前記第1画像から、複数の前記第1画像の一部を抽出し、
前記生成は、複数の前記第1画像の一部に基づいて、複数の前記第2画像を生成し、
前記特異部の有無の評価は、複数の前記第2画像に対して行われる、
請求項1に記載の評価方法。 - 前記第2画像の特異部の有無の評価結果に基づいて、目視による評価を行うか否かを判定すること、
を更に含む請求項1又は2に記載の評価方法。 - 前記第1方法を用いて、前記第1画像の一部を抽出できない場合に、前記対象物の前記第1画像の範囲に前記特異部が無いと判定すること、
を更に含む請求項1乃至3の何れか一項に記載の評価方法。 - 生成された複数の前記第2画像に前記特異部が無い場合に、前記対象物に前記特異部が無いと評価すること、
を更に含む請求項2に記載の評価方法。 - 前記機械学習は、
特異部を含む第3画像から、前記第3画像よりも小さく、かつ、前記特異部の位置が異なる複数の第4画像を生成することと、
複数の前記第4画像であって前記第2形式で表現された前記第4画像を教師データとして内部パラメータの最適化を行うこと、
を含む請求項1乃至5の何れか一項に記載の評価方法。 - 対象物の第1画像を取得する手段と、
第1方法を用いて、前記第1画像であって1画素あたり1つの指標により表現される第1形式の前記第1画像の一部を抽出する手段と、
前記第1方法により抽出した前記第1画像に基づいて、1画素あたり複数の指標により表現される第2形式の第2画像を生成する手段と、
機械学習を用いて取得された第2方法を用いて、前記第2画像から、特異部の有無を評価する手段と、
を含む評価装置。 - 前記抽出する手段は、前記第1画像から、複数の前記第1画像の一部を抽出するように構成され、
前記生成する手段は、複数の前記第1画像の一部に基づいて、複数の前記第2画像を生成するように構成され、
前記特異部の有無を評価する手段は、複数の前記第2画像に対して特異部の有無を評価するように構成される、
請求項7に記載の評価装置。 - 前記第2画像の特異部の有無の評価結果に基づいて、目視による評価を行うか否かを判定する手段、
を更に備える請求項7又は8に記載の評価装置。 - 前記第1方法を用いて、前記第1画像の一部を抽出できない場合に、前記対象物の前記第1画像の範囲に前記特異部が無いと判定する手段、
を更に備える請求項7乃至9の何れか一項に記載の評価装置。 - 生成された複数の前記第2画像に前記特異部が無い場合に、前記対象物に前記特異部が無いと評価する手段、
を更に備える請求項8に記載の評価装置。 - 前記機械学習は、
特異部を含む第3画像から、前記第3画像よりも小さく、かつ、前記特異部の位置が異なる複数の第4画像を生成することと、
複数の前記第4画像であって前記第2形式で表現された前記第4画像を教師データとして内部パラメータの最適化を行うこと、
を含む請求項7乃至11の何れか一項に記載の評価装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020054162 | 2020-03-25 | ||
JP2020054162 | 2020-03-25 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021157791A JP2021157791A (ja) | 2021-10-07 |
JP6961319B2 true JP6961319B2 (ja) | 2021-11-05 |
Family
ID=77890247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021043561A Active JP6961319B2 (ja) | 2020-03-25 | 2021-03-17 | 評価方法及び評価装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6961319B2 (ja) |
WO (1) | WO2021193287A1 (ja) |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5591849B2 (ja) * | 2012-03-09 | 2014-09-17 | 株式会社 日立産業制御ソリューションズ | 異物検査装置、異物検査プログラム、異物検査方法 |
JP2018005506A (ja) * | 2016-06-30 | 2018-01-11 | 株式会社東芝 | 画像認識手法評価装置、画像認識手法評価方法、及びプログラム |
EP3648054A4 (en) * | 2017-06-29 | 2021-03-10 | Sumitomo Chemical Company Limited | IDIOSYNCRASY DETECTION SYSTEM AND IDIOSYNCRASY DETECTION METHOD |
-
2021
- 2021-03-17 JP JP2021043561A patent/JP6961319B2/ja active Active
- 2021-03-17 WO PCT/JP2021/010829 patent/WO2021193287A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
JP2021157791A (ja) | 2021-10-07 |
WO2021193287A1 (ja) | 2021-09-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3877916B2 (ja) | デジタル画像の異常検出方法およびシステム、ならびにそのための記憶媒体 | |
CN111681273B (zh) | 图像分割方法、装置、电子设备及可读存储介质 | |
KR20230124713A (ko) | 결함 검출 방법, 장치 및 시스템 | |
JP2017049974A (ja) | 識別器生成装置、良否判定方法、およびプログラム | |
KR20200087297A (ko) | 인공신경망 기반의 영상 분할을 이용한 불량 검출 방법 및 불량 검출 장치 | |
TWI673683B (zh) | 用於辨識組織病徵影像的系統及方法 | |
TWI743837B (zh) | 訓練資料增量方法、電子裝置與電腦可讀取記錄媒體 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN111325717B (zh) | 手机缺陷位置识别方法及设备 | |
US20230222645A1 (en) | Inspection apparatus, unit selection apparatus, inspection method, and computer-readable storage medium storing an inspection program | |
CN115830004A (zh) | 表面缺陷检测方法、装置、计算机设备和存储介质 | |
CN116453104B (zh) | 液位识别方法、装置、电子设备及计算机可读存储介质 | |
CN105718931A (zh) | 用于确定采集图像中的杂斑的系统和方法 | |
JP7481956B2 (ja) | 推論装置、方法、プログラムおよび学習装置 | |
CN110619619A (zh) | 一种缺陷检测方法、装置及电子设备 | |
JP7298176B2 (ja) | 欠点検査装置および学習済みモデル | |
CN109902751B (zh) | 融合卷积神经网络和半字模板匹配的表盘数字字符识别法 | |
CN114445410A (zh) | 基于图像识别的电路板检测方法、计算机及可读存储介质 | |
CN108021914B (zh) | 基于卷积神经网络的印刷品字符区域提取方法 | |
JP6961319B2 (ja) | 評価方法及び評価装置 | |
CN115131355B (zh) | 利用电子设备数据检测防水布异常的智能方法 | |
CN115861259A (zh) | 一种基于模板匹配的引线框架表面缺陷检测方法及装置 | |
CN115546141A (zh) | 一种基于多维度度量的小样本Mini LED缺陷检测方法及系统 | |
CN112750113B (zh) | 基于深度学习和直线检测的玻璃瓶缺陷检测方法及装置 | |
JP7362924B2 (ja) | データ増強基盤空間分析モデル学習装置及び方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210317 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210331 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20210331 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20210409 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210630 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210709 |
|
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: 20211006 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211012 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6961319 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |