JP7036485B1 - 欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム - Google Patents
欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム Download PDFInfo
- Publication number
- JP7036485B1 JP7036485B1 JP2022004220A JP2022004220A JP7036485B1 JP 7036485 B1 JP7036485 B1 JP 7036485B1 JP 2022004220 A JP2022004220 A JP 2022004220A JP 2022004220 A JP2022004220 A JP 2022004220A JP 7036485 B1 JP7036485 B1 JP 7036485B1
- Authority
- JP
- Japan
- Prior art keywords
- image data
- data
- defect
- defect detection
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 232
- 238000001514 detection method Methods 0.000 title claims description 91
- 238000010801 machine learning Methods 0.000 claims abstract description 65
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000012545 processing Methods 0.000 claims abstract description 55
- 238000007689 inspection Methods 0.000 claims abstract description 29
- 238000013507 mapping Methods 0.000 claims abstract description 17
- 238000010422 painting Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims description 15
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000003384 imaging method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 7
- 230000001186 cumulative effect Effects 0.000 claims description 4
- 239000003086 colorant Substances 0.000 claims description 2
- 230000002950 deficient Effects 0.000 abstract description 69
- 238000010586 diagram Methods 0.000 abstract description 22
- 238000012549 training Methods 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 description 39
- 238000004519 manufacturing process Methods 0.000 description 12
- 238000004040 coloring Methods 0.000 description 9
- 238000011179 visual inspection Methods 0.000 description 8
- 229910052782 aluminium Inorganic materials 0.000 description 7
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 7
- 238000002845 discoloration Methods 0.000 description 4
- 239000003973 paint Substances 0.000 description 4
- 238000000926 separation method Methods 0.000 description 4
- 238000005520 cutting process Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000012805 post-processing Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 229910052751 metal Inorganic materials 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000003908 quality control method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000011347 resin Substances 0.000 description 1
- 229920005989 resin Polymers 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000009966 trimming Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analytical Chemistry (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
Description
処理回路により、検査対象物を撮像した欠陥のある元画像データと、所定の色を塗るステップにおいて元画像データに対して欠陥の種類毎に所定の色でラベルが付されたマーキング済み画像データとを、第1の教師データとして、一組以上の第1の教師データを用意するステップと、
処理回路により、検査対象物を撮像した欠陥の無い元画像データと、当該元画像データとの差異が無い恒等写像データとを、第2の教師データとして、一組以上の第2の教師データを用意するステップと、
処理回路により、第1の教師データ及び第2の教師データを用いて学習を行うことで学習済みの機械学習モデルを用意するステップと
を含む。
学習済みの機械学習モデルを用意するステップにおいては、
第1の教師データにおける、元画像データとマーキング済み画像データとをタイリング処理して切り分け画像とした上で、タイリングした切り分け画像毎に元画像データとマーキング済み画像データの対応関係の学習を行い、並びに、
第2の教師データにおける、元画像データと恒等写像データとを、同様にタイリング処理して切り分け画像とした上で、タイリングした切り分け画像毎に元画像データと恒等写像データの対応関係の学習を行い、
両方のタイリング処理では、タイリング後に隣接する切り分け画像の両方の縁部がオーバーラップするように切り分け画像が作成され、
更に、
第1の教師データにおける、切り分け画像とされたマーキング済み画像データがマーキングの部分を含まない場合、切り分け画像である元画像データと当該元画像データの恒等写像データの対応関係の学習を行う。
本開示の欠陥検出方法は、更に、
処理回路により、前記学習済みの機械学習モデルに検査対象物の画像データを入力して、該機械学習モデルが出力する検査対象物の画像データを取得するステップであって、入力される画像データはタイリング処理されたものである、取得するステップと、
処理回路により、出力された画像データから、入力された画像データを差し引いて、予測画像データを取得するステップと、
処理回路により、予測画像データについて逆タイリング処理を行うステップであって、逆タイリング処理では、組み合わせ前の予測画像データの各々において、重複する縁部の外側に当たる1/2の部分が無視された上で組み合わされる、逆タイリング処理を行うステップと
を含む。
従来、様々な製品の製造工程における品質管理のために、外観の目視検査が行われている。目視検査は、検査者に熟練した技能が求められるので、効率化を図ることが困難である。このため、製品の外観に現れる欠陥を、画像処理技術により自動的に且つ精確に検出することが求められている。
以下、添付の図面を参照して、本開示の好ましい実施の形態を説明する。
実施の形態に係る欠陥検出システム及び欠陥検出方法は、何らかの欠陥が現れている工業製品の画像データから、欠陥部分を自動的に検出するシステム及び方法である。図1は、本実施の形態に係る欠陥検出システム2のシステム構成図である。
本実施の形態に係る欠陥検出方法は、概略、以下の4つのフェーズにより構成される。
(1)色塗りによる教師データ作りフェーズ
(2)前処理及び学習フェーズ
(3)予測フェーズ
(4)後処理及び検出フェーズ
本実施の形態に係る欠陥検出システムは、上述の4つのフェーズを含む欠陥検出方法を実行する。夫々のフェーズについて、以下にて説明する。
本実施の形態に係る欠陥検出システムでは、適宜の色塗りツールを用いて、欠陥を含む元画像データに対して、欠陥部分にラベルとして色が付される(塗られる)。ここでの適宜の色塗りツールとは、例えば、Microsoft(登録商標)社によるWindows(登録商標)の「ペイント」である。
このテーブルは、例えば、一つのファイルとして、メモリ10及び記憶装置12に記憶される。
更に、「クラック」部分には、「オレンジ」が塗られるが、この「オレンジ」の具体的なR(赤)G(緑)B(青)の成分情報もテーブルに記録される。ここでの「オレンジ」のR(赤)G(緑)B(青)の成分情報は、「255」、「127」、「39」である。
本実施の形態に係る欠陥検出システム及び欠陥検出方法では、[色塗りによる教師データ作りフェーズ]にて色が付された教師データ、即ち、マーキング済み学習データを、輪郭ラベリングデータと領域ラベリングデータとに分ける。
後でも説明するように、本実施の形態に係る欠陥検出システムでは機械学習モデルとして、完全畳み込みニューラルネットワーク(Fully connvolutional neural Network)の構成のものを利用している。このような本実施の形態に係る欠陥検出システムでは、学習済みの機械学習モデルが、予測時(即ち、検出時)にて、特に、切り分け画像データの縁の部分にて、欠陥の過検出を含む誤検出を生じさせる傾向があることを、本発明者は把握している。これは、学習済みの機械学習モデルが、画像データの縁の部分そのものを、何らかの輪郭又は領域により表される欠陥であると捉え得るからであると、本発明者は想定している。
(a)先ず、仮に切り分けた範囲を作成する。
(b)仮に切り分けた範囲よりも少し大きい範囲での本切り分けを実施する。
ここで、「少し大きい範囲での本切り分け」は、仮の切り分けのラインを挟む、隣接し合う切り分け範囲(画像)の両方に関して行うから、隣接する切り分け画像の両方の縁部において、重複するオーバーラップのマージンが生じることになる。
予測時(検出時)には、画像データは、図5(2)に示すような部分に切り分けられて、学習済みの機械学習モデルに入力される。更に、学習済みの機械学習モデルから出力される予測データ(検出データ)は、図8A(A1)(A2)に示すように、逆タイリング処理されて、組み合わされる。この際、オーバーラップするマージン部分の、より縁側(即ち、外側)に当たる、1/2の部分が、無視される。この、オーバーラップするマージン部分の、外側に当たる1/2の部分が、無視されることにより、上述の誤検出が抑制される。
本実施の形態に係る欠陥検出システムの学習フェーズでは、良品学習と不良品学習とのハイブリット型の学習を意図している。
まず、図7Aは、本実施の形態の機械学習モデルにおける(1)元画像データ、(2)入力画像データ、(3)出力画像データ、(4)予測画像データ、及び、(5)答え画像(教師画像)データの、一連の例を示す図である。これらの画像データは、全てタイリング処理された切り分け画像データであり、例えば、256画素×256画素のものである。
[(4)予測画像データ]=[(3)出力画像データ]-[(2)入力画像データ]
図7A(4)の予測画像データでは、欠陥を示す色、即ち、ラベリング76bのみが示されている。
[(4)予測画像データ]=[(3)出力画像データ]-[(2)入力画像データ]
図7B(4)の予測画像データでは、何も示されていない。
[(4)予測画像データ]=[(3)出力画像データ]-[(2)入力画像データ]
図7C(4)の予測画像データでは、欠陥を示す色、即ち、ラベリング76bのみが示されている。
図8Aは、逆タイリング処理を模式的に示す図である。切り分けされている画像データである、予測画像データ(図7(4)参照)は、逆タイリング処理が施され、当初の画像データのサイズにまで組み合わせられる。
本実施の形態に係る欠陥検出方法は、処理回路8により、検査対象物を撮像した元画像における当該検査対象物に存在し得る輪郭状の欠陥部分及び領域状の欠陥部分に画像上、欠陥の種類毎に所定の色を塗るステップと、処理回路8により、検査対象物を撮像した欠陥のある元画像データと、所定の色を塗るステップにおいて元画像データに対して欠陥の種類毎に所定の色でラベルが付されたマーキング済み画像データとを、第1の教師データとして、一組以上の第1の教師データを用意するステップと、処理回路8により、検査対象物を撮像した欠陥の無い元画像データと、当該元画像データとの差異が無い恒等写像データとを、第2の教師データとして、一組以上の第2の教師データを用意するステップと、処理回路8により、第1の教師データ及び第2の教師データを用いて学習を行うことで学習済みの機械学習モデルを用意するステップと、を含む。学習済みの機械学習モデルを用意するステップにおいては、第1の教師データにおける、元画像データとマーキング済み画像データとをタイリング処理して切り分け画像とした上で、タイリングした切り分け画像毎に元画像データとマーキング済み画像データの対応関係の学習を行い、並びに、第2の教師データにおける、元画像データと恒等写像データとを、同様にタイリング処理して切り分け画像とした上で、タイリングした切り分け画像毎に元画像データと恒等写像データの対応関係の学習を行い、両方のタイリング処理では、タイリング後に隣接する切り分け画像の両方の縁部がオーバーラップするように切り分け画像が作成され、更に、第1の教師データにおける、切り分け画像とされたマーキング済み画像データがマーキングの部分を含まない場合、切り分け画像である元画像データと当該元画像データの恒等写像データの対応関係の学習を行う。欠陥検出方法は、更に、処理回路8により、上述の用意される学習済みの機械学習モデルに検査対象物の画像データを入力して、該機械学習モデルが出力する検査対象物の画像データを取得するステップであって、入力される画像データはタイリング処理されたものである、取得するステップと、処理回路8により、出力された画像データから、入力された画像データを差し引いて、予測画像データを取得するステップと、処理回路8により、予測画像データについて逆タイリング処理を行うステップであって、逆タイリング処理では、組み合わせ前の予測画像データの各々において、重複する縁部の外側に当たる1/2の部分が無視された上で組み合わされる、逆タイリング処理を行うステップと、を含む。
以上のように、本出願において開示する技術の例示として、実施の形態を説明した。しかしながら、本開示における技術は、これに限定されず、適宜、変更、置き換え、付加、省略などを行った実施の形態にも適用可能である。
Claims (8)
- 処理回路により、検査対象物を撮像した元画像における当該検査対象物に存在し得る輪郭状の欠陥部分及び領域状の欠陥部分に画像上、欠陥の種類毎に所定の色を塗るステップと、
前記処理回路により、前記検査対象物を撮像した欠陥のある元画像データと、前記所定の色を塗るステップにおいて前記元画像データに対して欠陥の種類毎に所定の色でラベルが付されたマーキング済み画像データとを、第1の教師データとして、一組以上の第1の教師データを用意するステップと、
前記処理回路により、前記検査対象物を撮像した欠陥の無い元画像データと、当該元画像データとの差異が無い恒等写像データとを、第2の教師データとして、一組以上の第2の教師データを用意するステップと、
前記処理回路により、前記第1の教師データ及び前記第2の教師データを用いて学習を行うことで学習済みの機械学習モデルを用意するステップと
を含む、欠陥検出方法であって、
前記学習済みの機械学習モデルを用意するステップにおいては、
前記第1の教師データにおける、元画像データとマーキング済み画像データとをタイリング処理して切り分け画像とした上で、タイリングした切り分け画像毎に元画像データとマーキング済み画像データの対応関係の学習を行い、並びに、
前記第2の教師データにおける、元画像データと恒等写像データとを、同様にタイリング処理して切り分け画像とした上で、タイリングした切り分け画像毎に元画像データと恒等写像データの対応関係の学習を行い、
両方のタイリング処理では、タイリング後に隣接する切り分け画像の両方の縁部がオーバーラップするように切り分け画像が作成され、
更に、
前記第1の教師データにおける、切り分け画像とされたマーキング済み画像データがマーキングの部分を含まない場合、切り分け画像である元画像データと当該元画像データの恒等写像データの対応関係の学習を行う、
欠陥検出方法。 - 前記機械学習モデルが、畳み込みニューラルネットワーク(CNN)若しくは完全畳み込みニューラルネットワーク(FCNN)により構成される、
請求項1に記載の欠陥検出方法。 - 前記処理回路により、請求項1又は2に記載の欠陥検出方法にて用意される学習済みの機械学習モデルに検査対象物の画像データを入力して、該機械学習モデルが出力する検査対象物の画像データを取得するステップであって、前記入力される画像データは前記タイリング処理されたものである、取得するステップと、
前記処理回路により、出力された画像データから、入力された画像データを差し引いて、予測画像データを取得するステップと、
前記処理回路により、予測画像データについて逆タイリング処理を行うステップであって、逆タイリング処理では、組み合わせ前の予測画像データの各々において、重複する縁部の外側に当たる1/2の部分が無視された上で組み合わされる、逆タイリング処理を行うステップと
を含む、欠陥検出方法。 - 前記逆タイリング処理を行うステップにおいて、組み合わせ前の複数の予測画像データの間で欠陥の種類毎に所定の色に基づき色相、彩度、及び、明度が調整される、
請求項3に記載の欠陥検出方法。 - 更に、
前記処理回路が、前記予測画像データに含まれる前記所定の色の部分の、前記予測画像データの平均画素からの乖離状況により、前記検査対象物の画像データにおける欠陥を検出して分類するステップを含む、
請求項4に記載の欠陥検出方法。 - 更に、
前記予測画像データが前記所定の色の何れでもない例外色の部分を含む場合、前記処理回路が、当該例外色の部分について、画素値の累積状況により、前記欠陥の種類の何れでもない欠陥を検出して分類するステップを含む、
請求項4に記載の欠陥検出方法。 - 前記処理回路に、請求項1~6のうちのいずれか一に記載の欠陥検出方法を実行させるコンピュータプログラム。
- コンピュータ装置及び記憶装置を備える欠陥検出システムであって、
前記コンピュータ装置が、請求項1~6のうちのいずれか一に記載の欠陥検出方法を実行する、欠陥検出システム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2022/016721 WO2023067829A1 (ja) | 2021-10-18 | 2022-03-31 | 欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム |
TW111138347A TW202329043A (zh) | 2021-10-18 | 2022-10-11 | 缺陷檢測方法、缺陷檢測系統和記錄媒體 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021170158 | 2021-10-18 | ||
JP2021170158A JP7036477B1 (ja) | 2021-10-18 | 2021-10-18 | 欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7036485B1 true JP7036485B1 (ja) | 2022-03-15 |
JP2023060798A JP2023060798A (ja) | 2023-04-28 |
Family
ID=81213496
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021170158A Active JP7036477B1 (ja) | 2021-10-18 | 2021-10-18 | 欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム |
JP2022004220A Active JP7036485B1 (ja) | 2021-10-18 | 2022-01-14 | 欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021170158A Active JP7036477B1 (ja) | 2021-10-18 | 2021-10-18 | 欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム |
Country Status (3)
Country | Link |
---|---|
JP (2) | JP7036477B1 (ja) |
TW (1) | TW202329043A (ja) |
WO (1) | WO2023067829A1 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7473765B2 (ja) | 2022-09-29 | 2024-04-24 | 山陽特殊製鋼株式会社 | 非金属介在物の自動領域識別方法およびそれを組み込んだ介在物判別システム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021070675A1 (ja) | 2019-10-08 | 2021-04-15 | キヤノン株式会社 | 教師データの生成方法、学習済の学習モデル、及びシステム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6705777B2 (ja) | 2017-07-10 | 2020-06-03 | ファナック株式会社 | 機械学習装置、検査装置及び機械学習方法 |
JP7129669B2 (ja) | 2018-07-20 | 2022-09-02 | 株式会社エヌテック | ラベル付き画像データ作成方法、検査方法、プログラム、ラベル付き画像データ作成装置及び検査装置 |
JP7229881B2 (ja) | 2018-08-14 | 2023-02-28 | キヤノン株式会社 | 医用画像処理装置、学習済モデル、医用画像処理方法及びプログラム |
JP7144244B2 (ja) | 2018-08-31 | 2022-09-29 | 株式会社日立ハイテク | パターン検査システム |
JP2021043797A (ja) | 2019-09-12 | 2021-03-18 | フリュー株式会社 | 画像処理装置、画像処理方法及び画像処理プログラム |
JP2021067508A (ja) | 2019-10-18 | 2021-04-30 | 株式会社Ideaai | 外観検査システム及び方法 |
JP2021086520A (ja) | 2019-11-29 | 2021-06-03 | 日本電産株式会社 | 対象物検出装置、プログラムおよび運転支援システム |
JP2021092887A (ja) | 2019-12-09 | 2021-06-17 | コニカミノルタ株式会社 | 外観検査装置、外観検査システム、特徴量推定装置および外観検査プログラム |
-
2021
- 2021-10-18 JP JP2021170158A patent/JP7036477B1/ja active Active
-
2022
- 2022-01-14 JP JP2022004220A patent/JP7036485B1/ja active Active
- 2022-03-31 WO PCT/JP2022/016721 patent/WO2023067829A1/ja active Application Filing
- 2022-10-11 TW TW111138347A patent/TW202329043A/zh unknown
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021070675A1 (ja) | 2019-10-08 | 2021-04-15 | キヤノン株式会社 | 教師データの生成方法、学習済の学習モデル、及びシステム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7473765B2 (ja) | 2022-09-29 | 2024-04-24 | 山陽特殊製鋼株式会社 | 非金属介在物の自動領域識別方法およびそれを組み込んだ介在物判別システム |
Also Published As
Publication number | Publication date |
---|---|
WO2023067829A1 (ja) | 2023-04-27 |
JP2023060798A (ja) | 2023-04-28 |
JP2023060515A (ja) | 2023-04-28 |
JP7036477B1 (ja) | 2022-03-15 |
TW202329043A (zh) | 2023-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6705777B2 (ja) | 機械学習装置、検査装置及び機械学習方法 | |
US9773302B2 (en) | Three-dimensional object model tagging | |
CN108355981B (zh) | 一种基于机器视觉的电池连接器质量检测方法 | |
US20200133182A1 (en) | Defect classification in an image or printed output | |
TWI467515B (zh) | 掃描文件之彩色捨去 | |
CN110596120A (zh) | 玻璃边界缺陷检测方法、装置、终端及存储介质 | |
CN113034488B (zh) | 一种喷墨印刷品的视觉检测方法 | |
CN107301634A (zh) | 一种机器人自动分拣方法及系统 | |
JP7036485B1 (ja) | 欠陥検出方法、欠陥検出システム、及び、欠陥検出プログラム | |
CN115713476A (zh) | 基于激光焊接的视觉检测方法、装置及可读存储介质 | |
Banus et al. | A deep-learning based solution to automatically control closure and seal of pizza packages | |
JP7154786B2 (ja) | 画像処理装置、画像処理方法及びプログラム | |
JP7380332B2 (ja) | 画像処理装置、画像処理装置の制御方法およびプログラム | |
CA3219745A1 (en) | Texture mapping to polygonal models for industrial inspections | |
JP6180889B2 (ja) | 印字検査装置 | |
CA2997335C (en) | Automatically generating image datasets for use in image recognition and detection | |
JP2006145228A (ja) | ムラ欠陥検出方法及び装置 | |
JP2000074643A (ja) | 三次元距離データを変換する方法および装置並びにデータ変換用プログラムを記憶した記憶媒体 | |
JP6960620B2 (ja) | 検知システム | |
CN117495846B (zh) | 图像检测方法、装置、电子设备及存储介质 | |
WO2021230249A1 (ja) | 見積支援装置、見積支援方法、及びプログラム | |
CN116678898B (zh) | 一种通用化的晶片缺陷检测方法、系统、设备及介质 | |
US11763445B2 (en) | Inspection of a target object using a comparison with a master image and a strictness of a quality evaluation threshold value | |
JP7258345B2 (ja) | 物体識別装置と物体識別方法 | |
Stan et al. | Centroid and planar rotation calculus using parallel computational geometry for regular shaped objects |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220114 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220114 |
|
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: 20220208 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220224 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7036485 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |