JP7164417B2 - きれい又はよごれたキャプチャ画像判定 - Google Patents
きれい又はよごれたキャプチャ画像判定 Download PDFInfo
- Publication number
- JP7164417B2 JP7164417B2 JP2018219101A JP2018219101A JP7164417B2 JP 7164417 B2 JP7164417 B2 JP 7164417B2 JP 2018219101 A JP2018219101 A JP 2018219101A JP 2018219101 A JP2018219101 A JP 2018219101A JP 7164417 B2 JP7164417 B2 JP 7164417B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- cleanliness
- dirty
- dirt
- index
- 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/457—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by analysing connectivity, e.g. edge linking, connected component analysis or slices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
- G06T2207/10021—Stereoscopic video; Stereoscopic image sequence
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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
- G06T2207/20024—Filtering details
-
- 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
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- 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
- G06T2207/30232—Surveillance
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Studio Devices (AREA)
- Image Processing (AREA)
Description
当該技術分野において、キャプチャ装置(例えばカメラ)の動作を監視する多くの方法及びシステムが既知であり、その技術水準によれば、例えば、キャプチャ装置によってキャプチャされた画像がよごれているか否かを判定することができる。よごれたキャプチャ画像(例えば、対応するカメラの「外部」レンズがよごれているため)は、信頼性が低く、したがって、対応するアプリケーションでは使用することができない。例えば、車両の障害物検出システムは、十分にきれいでないレンズを通って画像がキャプチャされた場合に、対応するオンボード・カメラ(車載カメラ)からの画像品質が悪いために、使用することができない。レンズは、例えば、粉塵の蓄積、泥の飛沫、悪意のあるペインティング等によって、よごれてしまう。よごれたキャプチャ画像はまた、カメラの内部コンポーネントに悪影響を与えるカメラ内の異常な内部状態(例えば、湿気)から生じ得る。例えば、内部撮像センサは、カメラの不十分な水密性等によって生じた異常状態のために、ゆがんだ像を得ることがある。
第1の態様において、画像のキャプチャ装置によってキャプチャされた画像がきれいであるか又はよごれているか否かを判定する方法が提供される。その方法は、前記キャプチャ装置によってキャプチャされた画像を受信すること、及び、受信した前記画像を所定の分割基準に従って複数の画像部分に分割すること、を含む。
これに限定されることのない本開示の例は、添付の図面を参照しながら、以下に説明される。
図1は、キャプチャ装置によってキャプチャされた画像がきれいである(clean)か又はよごれている(dirty)かを判定する例に従うシステムを備えることができる監視システム又はビジョン・システムの概略図を示す。キャプチャ装置100(例えばカメラ)は、対応するレンズ101を介して周囲の画像(例えば、写真、ビデオ等)を取り込むように、構成することができる。カメラ100は、図において、監視カメラである。しかしながら、他のアプリケーションも想定され、例えば、障害物を検出するための車両内の検出カメラ/ビジョン・カメラ、運転支援システム、リアビューミラー・ミラー・システム等の車両のその他のモニタリング・システムが含まれる。このようなビジョン・システムは、任意の型の任意の媒体上を移動できる車両、例えばボート、飛行機、車等に適している。
「adjusted weight contour」は、対応する外郭/エッジのアルファ係数であり、
「#cells region contour」は、外郭におけるセル数(図4bの例において、外郭409は、3つのセル410,411,412を有する)であり、
「#cells border of ROI」は、ROIの境界におけるセル数(図4bの例において、境界405が3つのセルを有し境界406が8つのセルを有するので、ROIの境界におけるセル数は、11である)であり、
「WEIGHT_COUNTOUR」は、多様な例示的な状況を表す既知の入力及び出力で線形分類器等をトレーニングすることによって(再)定義することができるトレーニング(学習)後係数である。
「clean confidence contour」は、外郭がその隣のきれいなセルの清潔さを承継するという信頼度である、
「#cells region contour」は、対応する外郭におけるセル数(図4bの例において、外郭409は、3つのセル410,411,412を有する)であり、
「maximum clean confidencei」は、選択された外郭におけるi番目のよごれているセルに隣接するきれいなセルの清潔さ/汚れの指数/信頼度であり、それは、i番目のよごれているセルのうち他のものと比較して最大の/より高い清潔さを表しており、
「Σi∈region countor maximum clean confidencei」は、外郭におけるよごれているセルの各々(又は幾つか)のために選択された隣接のきれいなセルの清潔さ/汚れの指数/信頼度の加算である。
「corrected clean confidence inner cell」は、ROI内の対応するセルの調整された清潔さ/汚れの指数又は信頼度であり、
「clean confidence inner cell」は、(調整前の)セルの現在の清潔さ/汚れの指数又は信頼度である。
Claims (14)
- 画像のキャプチャ装置(100)によってキャプチャされた画像(400)がきれいであるか又はよごれているかを判定する方法であって、
前記キャプチャ装置によってキャプチャされた画像(400)を受信(301)すること、
受信した前記画像(400)を所定の分割基準に従って複数の画像部分に分割(302)すること、
前記画像部分の幾つかの各々に対して、エッジ/シャープネス・フィルタの工程(303)を実行して、前記画像部分の特徴ベクトルを生成すること、
生成した前記特徴ベクトルの少なくとも幾つかの各々を第1機械学習モジュールであって、対応する画像部分の清潔さ又は汚れの確率的な値を含む清潔さ/汚れの指数を対応する特徴ベクトルに応じて生成(304)するように学習された前記第1機械学習モジュールに送信すること、
コンテキストベースのフィルタを実行すること、前記コンテキストベースのフィルタ実行が、
汚れを示す清潔さ/汚れの指数を持つ部分である隣接のよごれている部分(410-412)を含む1以上のよごれているブロック(401)を判定することと、
前記1以上のよごれているブロック(401)の1以上のエッジ(409)を検出することと、
前記1以上のエッジ(409)のシャープネスを判定することと、
前記エッジ(409)に隣接する清潔さを示す清潔さ/汚れの指数を持つ部分であるきれいな部分(413-416)のシャープネス及び/又は清潔さ/汚れの指数に応じて、前記よごれているブロック(401)内の前記よごれている部分(410-412)の清潔さ/汚れの指数を調整することと、を有し、及び、
前記第1機械学習モジュールによって生成されてその後に前記コンテキストベースのフィルタ実行によって調整された清潔さ/汚れの前記指数に応じて、前記画像がきれいであるか又はよごれているかを判定(305)すること、
を含む方法。 - 請求項1に記載の方法であって、
前記エッジ/シャープネス・フィルタは、特徴ベクトルに含まれるラプラシアン・フィルタ特徴を生成するラプラシアン・フィルタである、
方法。 - 請求項2に記載の方法であって、
対応する画像部分のラプラシアン・フィルタから得られるラプラシアン・フィルタ特徴は、前記画像部分の前記ラプラシアン・フィルタの、尖度、平均値、分散、平均グレー値、及び1以上のモーメントのうちの少なくとも1つを含む、
方法。 - 請求項1乃至3の何れか1項に記載の方法であって、
前記第1機械学習モジュールは、線形分類器である、
方法。 - 請求項1乃至4の何れか1項に記載の方法であって、
前記画像がきれいであるか又はよごれているかの前記判定は、
前記第1機械学習モジュールによって提供される清潔さ/汚れの前記指数を集約して、前記画像の全体の清潔さ/汚れの指数を生成すること、及び、
前記画像の前記全体の清潔さ/汚れの前記指数が全体の清潔さ/汚れの閾値を超えるか否かによって、前記画像がきれいであるか又はよごれているかを判定すること、
を有する、
方法。 - 請求項1乃至5の何れか1項に記載の方法であって、
前記画像がきれいであるか又はよごれているかの前記判定は、
きれいな部分の数及び/又はよごれている部分の数を決定するために、前記第1機械学習モジュールによって提供される清潔さ/汚れの前記指数をカウントすること、及び、
きれいな部分の前記数がきれいな部分の閾値を超えるか否か及び/又はよごれている部分の前記数がよごれている部分の閾値を超えるか否かによって、前記画像がきれいであるか又はよごれているかを判定すること、
を有する、
方法。 - 請求項1乃至6の何れか1項に記載の方法であって、
前記画像がきれいであるか又はよごれているかの前記判定は、
前記第1機械学習モジュールによって提供される清潔さ/汚れの前記指数を第2機械学習モジュールであって、前記画像の全体の清潔さ/汚れの指数を画像部分の対応する清潔さ又は汚れの指数に応じて生成するように学習された前記第2機械学習モジュールに送信すること、及び、
前記第2機械学習モジュールによって生成された前記画像の前記全体の清潔さ/汚れの前記指数に応じて、前記画像がきれいであるか又はよごれているかを判定すること、
を有する、
方法。 - 請求項1乃至7の何れか1項に記載の方法であって、
前記キャプチャ装置(100)によって時間とともにキャプチャされた異なる画像における対応する画像部分の清潔さ/汚れの指数に関して時間フィルタを実行すること、
を更に含む方法。 - 請求項8に記載の方法であって、
前記時間フィルタの前記実行は、
対応する画像部分の複数の清潔さ/汚れの指数から最大値又は平均値又は中央値を決定すること、及び、
前記複数の清潔さ/汚れの前記指数と前記最大値又は平均値又は中央値との間の偏差に応じて、1以上の外れ値を決定すること、
を有する、
方法。 - 請求項1乃至9の何れか1項に記載の方法であって、
前記よごれているブロック(401)における前記画像部分の前記清潔さ/汚れの前記指数の前記調整は、
清潔から汚れへの急激な変化又はその逆の急激な変化を示すように急激な閾値の上のシャープネスを選択し、選択したシャープネスに応じて前記清潔さ/汚れの前記指数を調整すること、及び/又は、
隣接のきれいな部分の清潔さを決定し、前記隣接のきれいな部分の前記清潔さに応じて前記清潔さ/汚れの前記指数を調整すること、
を有する、
方法。 - 請求項1乃至10の何れか1項に記載の方法であって、
対応する画像の画素レベルのラプラシアン・フィルタであって、ラプラシアン畳み込みカーネルを決定すること及び前記画像の各画素に前記ラプラシアン畳み込みカーネルを適用することを有する前記ラプラシアン・フィルタを、実行すること、
を更に含む方法。 - 請求項1乃至11の何れか1項に記載の方法をコンピュータ・システムに実行させて、キャプチャ装置(100)によってキャプチャされた画像(400)がきれいであるか又はよごれているかを判定させるためのプログラム命令を備えるコンピュータ・プログラム。
- 記録媒体に組み込まれ、且つ/又は、搬送信号によって運ばれる請求項12に記載のコンピュータ・プログラム。
- 画像のキャプチャ装置(100)によってキャプチャされた画像(400)がきれいであるか又はよごれているかを判定するシステム(200)であって、
前記キャプチャ装置(100)によってキャプチャされた画像(400)を受信するための受け付けモジュール(201)と、
受信した前記画像(400)を所定の分割基準に従って複数の画像部分に分割するための分割モジュール(202)と、
前記画像部分の幾つかの各々に対して、エッジ/シャープネス・フィルタの工程を実行して、前記画像部分の特徴ベクトルを生成するためのフィルタ・モジュール(203)と、
生成した前記特徴ベクトルの少なくとも幾つかの各々を第1機械学習モジュールであって、対応する画像部分の清潔さ又は汚れの確率的な値を含む清潔さ/汚れの指数を対応する特徴ベクトルに応じて生成するように学習された前記第1機械学習モジュールに供給するための供給モジュール(204)と、
コンテキストベースのフィルタを実行するように構成されるコンテキストベースのフィルタ・モジュールであって、前記コンテキストベースのフィルタ実行が、
汚れを示す清潔さ/汚れの指数を持つ部分である隣接のよごれている部分(410-412)を含む1以上のよごれているブロック(401)を判定すること、
前記1以上のよごれているブロック(401)の1以上のエッジ(409)を検出すること、
前記1以上のエッジ(409)のシャープネスを判定すること、及び
前記エッジ(409)に隣接する清潔さを示す清潔さ/汚れの指数を持つ部分であるきれいな部分(413-416)のシャープネス及び/又は清潔さ/汚れの指数に応じて、前記よごれているブロック(401)内の前記よごれている部分(410-412)の清潔さ/汚れの指数を調整することを有する、前記コンテキストベースのフィルタ・モジュールと、
前記第1機械学習モジュールによって生成された清潔さ/汚れの前記指数に応じて、前記画像がきれいであるか又はよごれているかを判定するための状態判定モジュール(205)と、
を備えるシステム(200)。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
EP17382793.2A EP3489892B1 (en) | 2017-11-24 | 2017-11-24 | Determining clean or dirty captured images |
EP17382793.2 | 2017-11-24 |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2019096320A JP2019096320A (ja) | 2019-06-20 |
JP2019096320A5 JP2019096320A5 (ja) | 2022-01-06 |
JP7164417B2 true JP7164417B2 (ja) | 2022-11-01 |
Family
ID=60543482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018219101A Active JP7164417B2 (ja) | 2017-11-24 | 2018-11-22 | きれい又はよごれたキャプチャ画像判定 |
Country Status (4)
Country | Link |
---|---|
US (1) | US10922803B2 (ja) |
EP (1) | EP3489892B1 (ja) |
JP (1) | JP7164417B2 (ja) |
CN (1) | CN109840911B (ja) |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020175589A1 (ja) * | 2019-02-27 | 2020-09-03 | ダイキン工業株式会社 | 情報提供システム |
US11209282B2 (en) * | 2019-07-02 | 2021-12-28 | Ford Global Technologies, Llc | Vehicle cleanliness detection and carwash recommendation |
CN110572636B (zh) * | 2019-07-23 | 2020-08-04 | RealMe重庆移动通信有限公司 | 摄像头脏污检测方法、装置、存储介质及电子设备 |
CN112824926B (zh) * | 2019-11-20 | 2024-06-28 | 上海为彪汽配制造有限公司 | 一种无人机雷达清洁方法 |
US11328428B2 (en) | 2019-12-18 | 2022-05-10 | Clarion Co., Ltd. | Technologies for detection of occlusions on a camera |
US11113580B2 (en) | 2019-12-30 | 2021-09-07 | Industrial Technology Research Institute | Image classification system and method |
CN111724349B (zh) * | 2020-05-29 | 2022-09-20 | 同济大学 | 一种基于hsv和svm的图像脏污识别方法 |
DE102020209198A1 (de) * | 2020-07-22 | 2022-01-27 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren zur Bestimmung einer Abbildungs-Degradation eines bildgebenden Sensors |
CN111787315A (zh) * | 2020-08-05 | 2020-10-16 | 昆山软龙格自动化技术有限公司 | 一种基于fpga的嵌入式高速运算网卡装置 |
US11341682B2 (en) | 2020-08-13 | 2022-05-24 | Argo AI, LLC | Testing and validation of a camera under electromagnetic interference |
US11368672B2 (en) | 2020-09-14 | 2022-06-21 | Argo AI, LLC | Validation of a camera cleaning system |
CN112261403B (zh) * | 2020-09-22 | 2022-06-28 | 深圳市豪恩汽车电子装备股份有限公司 | 车载摄像头的脏污物检测装置及方法 |
CN111970506B (zh) * | 2020-10-20 | 2020-12-29 | 常州市瑞泰光电有限公司 | 镜头脏污检测方法、装置和设备 |
CN112455396B (zh) * | 2020-12-18 | 2022-05-27 | 青海慧洗智能科技有限公司 | 面向自动洗车的车轮定位系统、方法和装置 |
CN113600525B (zh) * | 2021-07-29 | 2022-09-16 | 河北白沙烟草有限责任公司保定卷烟厂 | 一种基于智能识别技术的铜排链在线清洁装置 |
US20230068848A1 (en) * | 2021-08-25 | 2023-03-02 | Argo AI, LLC | Systems and methods for vehicle camera obstruction detection |
WO2023079593A1 (ja) * | 2021-11-02 | 2023-05-11 | 三菱電機ビルソリューションズ株式会社 | 汚れ判定装置、汚れ判定方法、および汚れ判定プログラム |
CN115082473B (zh) * | 2022-08-22 | 2023-06-20 | 小米汽车科技有限公司 | 脏污检测方法、装置及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090174773A1 (en) | 2007-09-13 | 2009-07-09 | Gowdy Jay W | Camera diagnostics |
US20090278950A1 (en) | 2008-05-09 | 2009-11-12 | Micron Technology, Inc. | Lens cleaning warning system and method |
US20160379067A1 (en) | 2013-02-20 | 2016-12-29 | Magna Electronics Inc. | Vehicle vision system with dirt detection |
WO2017001189A1 (en) | 2015-07-02 | 2017-01-05 | Continental Automotive Gmbh | Detection of lens contamination using expected edge trajectories |
US20170249769A1 (en) | 2015-07-29 | 2017-08-31 | Adobe Systems Incorporated | Image Distractor Detection and Processing |
DE102016204206A1 (de) | 2016-03-15 | 2017-09-21 | Robert Bosch Gmbh | Verfahren zum Detektieren einer Verschmutzung einer optischen Komponente eines Umfeldsensors zum Erfassen eines Umfelds eines Fahrzeugs, Verfahren zum maschinellen Anlernen eines Klassifikators und Detektionssystem |
US10185892B1 (en) | 2014-05-30 | 2019-01-22 | Amazon Technologies, Inc. | Automatic large-scale imaging device diagnostics |
Family Cites Families (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5923027A (en) * | 1997-09-16 | 1999-07-13 | Gentex Corporation | Moisture sensor and windshield fog detector using an image sensor |
DE10322087A1 (de) * | 2003-05-15 | 2004-12-02 | Daimlerchrysler Ag | Verfahren zur Erkennung und Lokalisierung von Verschmutzungen auf der Optik eines Kamerasystems |
US7545985B2 (en) * | 2005-01-04 | 2009-06-09 | Microsoft Corporation | Method and system for learning-based quality assessment of images |
US20070280552A1 (en) * | 2006-06-06 | 2007-12-06 | Samsung Electronics Co., Ltd. | Method and device for measuring MPEG noise strength of compressed digital image |
US8295565B2 (en) * | 2007-03-16 | 2012-10-23 | Sti Medical Systems, Llc | Method of image quality assessment to produce standardized imaging data |
RU2653461C2 (ru) * | 2014-01-21 | 2018-05-08 | Общество с ограниченной ответственностью "Аби Девелопмент" | Обнаружение блика в кадре данных изображения |
US20110182495A1 (en) * | 2010-01-26 | 2011-07-28 | General Electric Company | System and method for automatic defect recognition of an inspection image |
CN103235949B (zh) * | 2013-04-12 | 2016-02-10 | 北京大学 | 图像兴趣点检测方法和装置 |
CN104346622A (zh) * | 2013-07-31 | 2015-02-11 | 富士通株式会社 | 卷积神经网络分类器及其分类方法和训练方法 |
US10289962B2 (en) * | 2014-06-06 | 2019-05-14 | Google Llc | Training distilled machine learning models |
US10453098B2 (en) * | 2015-03-04 | 2019-10-22 | Google Llc | Privacy-aware personalized content for the smart home |
US9576219B2 (en) * | 2015-07-14 | 2017-02-21 | ADANI Systems, Inc. | Method and system for detection of contraband narcotics in human digestive tract |
US10186026B2 (en) * | 2015-11-17 | 2019-01-22 | Kla-Tencor Corp. | Single image detection |
US10347294B2 (en) * | 2016-06-30 | 2019-07-09 | Google Llc | Generating moving thumbnails for videos |
US10102423B2 (en) * | 2016-06-30 | 2018-10-16 | Snap Inc. | Object modeling and replacement in a video stream |
US10115040B2 (en) * | 2016-09-14 | 2018-10-30 | Kla-Tencor Corporation | Convolutional neural network-based mode selection and defect classification for image fusion |
CN109792829B (zh) * | 2016-10-11 | 2021-12-10 | 昕诺飞控股有限公司 | 监控系统的控制系统、监控系统和控制监控系统的方法 |
US11580398B2 (en) * | 2016-10-14 | 2023-02-14 | KLA-Tenor Corp. | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
US10410084B2 (en) * | 2016-10-26 | 2019-09-10 | Canon Virginia, Inc. | Devices, systems, and methods for anomaly detection |
EP3655923B1 (en) * | 2016-12-06 | 2022-06-08 | Siemens Energy, Inc. | Weakly supervised anomaly detection and segmentation in images |
US10402688B2 (en) * | 2016-12-07 | 2019-09-03 | Kla-Tencor Corporation | Data augmentation for convolutional neural network-based defect inspection |
US10417524B2 (en) * | 2017-02-16 | 2019-09-17 | Mitsubishi Electric Research Laboratories, Inc. | Deep active learning method for civil infrastructure defect detection |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
GB201704373D0 (en) * | 2017-03-20 | 2017-05-03 | Rolls-Royce Ltd | Surface defect detection |
US20200096454A1 (en) * | 2017-03-27 | 2020-03-26 | Mitsubishi Heavy Industries, Ltd. | Defect detection system for aircraft component and defect detection method for aircraft component |
CN114972180A (zh) * | 2017-04-13 | 2022-08-30 | 英卓美特公司 | 用于预测在装配单元中的缺陷的方法 |
US10453366B2 (en) * | 2017-04-18 | 2019-10-22 | Samsung Display Co., Ltd. | System and method for white spot mura detection |
US10949872B2 (en) * | 2017-04-28 | 2021-03-16 | Snap Inc. | Methods and systems for server generation of interactive advertising with content collections |
CN107292869B (zh) * | 2017-06-07 | 2020-04-07 | 西安电子科技大学 | 基于各向异性高斯核和梯度搜索的图像斑点检测方法 |
US10929945B2 (en) * | 2017-07-28 | 2021-02-23 | Google Llc | Image capture devices featuring intelligent use of lightweight hardware-generated statistics |
EP3451284A1 (de) * | 2017-09-05 | 2019-03-06 | Siemens Healthcare GmbH | Verfahren zur automatischen artefakterkennung in computertomographischen bilddaten |
JP6936958B2 (ja) * | 2017-11-08 | 2021-09-22 | オムロン株式会社 | データ生成装置、データ生成方法及びデータ生成プログラム |
US10755133B2 (en) * | 2018-02-22 | 2020-08-25 | Samsung Display Co., Ltd. | System and method for line Mura detection with preprocessing |
US10607331B1 (en) * | 2019-06-28 | 2020-03-31 | Corning Incorporated | Image segmentation into overlapping tiles |
-
2017
- 2017-11-24 EP EP17382793.2A patent/EP3489892B1/en active Active
-
2018
- 2018-11-21 US US16/198,499 patent/US10922803B2/en active Active
- 2018-11-22 JP JP2018219101A patent/JP7164417B2/ja active Active
- 2018-11-23 CN CN201811407473.8A patent/CN109840911B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090174773A1 (en) | 2007-09-13 | 2009-07-09 | Gowdy Jay W | Camera diagnostics |
US20090278950A1 (en) | 2008-05-09 | 2009-11-12 | Micron Technology, Inc. | Lens cleaning warning system and method |
US20160379067A1 (en) | 2013-02-20 | 2016-12-29 | Magna Electronics Inc. | Vehicle vision system with dirt detection |
US10185892B1 (en) | 2014-05-30 | 2019-01-22 | Amazon Technologies, Inc. | Automatic large-scale imaging device diagnostics |
WO2017001189A1 (en) | 2015-07-02 | 2017-01-05 | Continental Automotive Gmbh | Detection of lens contamination using expected edge trajectories |
US20170249769A1 (en) | 2015-07-29 | 2017-08-31 | Adobe Systems Incorporated | Image Distractor Detection and Processing |
DE102016204206A1 (de) | 2016-03-15 | 2017-09-21 | Robert Bosch Gmbh | Verfahren zum Detektieren einer Verschmutzung einer optischen Komponente eines Umfeldsensors zum Erfassen eines Umfelds eines Fahrzeugs, Verfahren zum maschinellen Anlernen eines Klassifikators und Detektionssystem |
Also Published As
Publication number | Publication date |
---|---|
CN109840911A (zh) | 2019-06-04 |
EP3489892B1 (en) | 2022-01-05 |
US20190164271A1 (en) | 2019-05-30 |
US10922803B2 (en) | 2021-02-16 |
JP2019096320A (ja) | 2019-06-20 |
CN109840911B (zh) | 2024-07-16 |
EP3489892A1 (en) | 2019-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7164417B2 (ja) | きれい又はよごれたキャプチャ画像判定 | |
US10970871B2 (en) | Estimating two-dimensional object bounding box information based on bird's-eye view point cloud | |
JP6266238B2 (ja) | 接近物検出システム、及び車両 | |
JP5297078B2 (ja) | 車両の死角における移動物体を検知するための方法、および死角検知装置 | |
KR101609303B1 (ko) | 카메라 캘리브레이션 방법 및 그 장치 | |
US9224052B2 (en) | Method for in-image periodic noise pixel inpainting | |
JP6257792B2 (ja) | カメラの被覆状態の認識方法、カメラシステム、及び自動車 | |
CN110263920B (zh) | 卷积神经网络模型及其训练方法和装置、巡检方法和装置 | |
US20160217335A1 (en) | Stixel estimation and road scene segmentation using deep learning | |
US20130162826A1 (en) | Method of detecting an obstacle and driver assist system | |
KR102606931B1 (ko) | 정적 오염 감지 및 보정 | |
KR102013781B1 (ko) | 다른 초점 거리를 갖는 두 개의 카메라를 이용한 객체 검출 방법 및 그 장치 | |
US20160180158A1 (en) | Vehicle vision system with pedestrian detection | |
CN112261403B (zh) | 车载摄像头的脏污物检测装置及方法 | |
US11530993B2 (en) | Deposit detection device and deposit detection method | |
Berriel et al. | A particle filter-based lane marker tracking approach using a cubic spline model | |
CN115327572A (zh) | 一种车辆前方障碍物检测方法 | |
US20230186506A1 (en) | Object Detection Device and Object Detection Method | |
CN107506739B (zh) | 一种夜间前向车辆检测及测距方法 | |
EP3336747A1 (en) | Rain detection with a camera | |
CN103377472B (zh) | 用于去除附着噪声的方法和系统 | |
WO2020003764A1 (ja) | 画像処理装置、移動装置、および方法、並びにプログラム | |
JP2013206328A (ja) | 物体検出装置 | |
US11568547B2 (en) | Deposit detection device and deposit detection method | |
KR20190086334A (ko) | 촬영 이미지에서 확률 기반으로 led를 추적하는 방법 및 장치 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20211122 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211122 |
|
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: 20220920 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20221020 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7164417 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |