JP7270314B1 - 検査方法、検査システム、ニューラルネットワーク - Google Patents
検査方法、検査システム、ニューラルネットワーク Download PDFInfo
- Publication number
- JP7270314B1 JP7270314B1 JP2022177926A JP2022177926A JP7270314B1 JP 7270314 B1 JP7270314 B1 JP 7270314B1 JP 2022177926 A JP2022177926 A JP 2022177926A JP 2022177926 A JP2022177926 A JP 2022177926A JP 7270314 B1 JP7270314 B1 JP 7270314B1
- Authority
- JP
- Japan
- Prior art keywords
- image data
- feature extraction
- layer
- inspection
- feature
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000013528 artificial neural network Methods 0.000 title claims description 18
- 230000007547 defect Effects 0.000 claims abstract description 122
- 230000008569 process Effects 0.000 claims abstract description 39
- 238000000605 extraction Methods 0.000 claims description 177
- 238000012545 processing Methods 0.000 claims description 123
- 239000000284 extract Substances 0.000 claims description 16
- 230000002950 deficient Effects 0.000 claims description 15
- 239000000463 material Substances 0.000 claims description 7
- 238000004891 communication Methods 0.000 description 20
- 238000011176 pooling Methods 0.000 description 15
- 238000010586 diagram Methods 0.000 description 10
- 238000010801 machine learning Methods 0.000 description 8
- 238000011056 performance test Methods 0.000 description 6
- 238000007639 printing Methods 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000000428 dust Substances 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000013136 deep learning model Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005562 fading Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 208000002173 dizziness Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Abstract
Description
このような構成とすることで、欠陥種別に対応した基準値に基づき印刷物の良品・不良品判定を行うことができる。また、検査の現場別に、許容する基準値を設定することができる。
前記第2検査工程は、基準画像データおよび対象画像データを前記判定モデルに入力し、前記判定モデルより前記分類結果を出力として取得し、
前記対象画像データは、前記第2画像データにおいて欠陥として検出された所定領域の画像データであって、
前記基準画像データは、前記第2画像データにおいて欠陥として検出された所定領域に対応する前記第1画像データにおける所定領域の画像データである。
このような構成とすることで、機械学習により検査の現場別の判定モデルを容易に生成し、現場のニーズに適合した検査を実施することができる。
このような構成とすることで、欠陥の有無という2値分類の場合におけるコンピュータの判定処理のブラックボックス化を防止する。
前記画像特徴抽出工程は、前記基準画像データの特徴抽出基準画像データと、前記対象画像データの特徴抽出対象画像データと、を生成し、
前記差分特徴抽出工程は、前記特徴抽出基準画像データおよび前記特徴抽出対象画像データに基づいて差分特徴量を抽出し、
前記分類工程は、前記差分特徴量に基づき前記分類結果を出力する。
また、本発明の好ましい形態では、前記判定モデルは、複数の特徴抽出層を有するニューラルネットワーク構造を有し、
前記画像特徴抽出工程は、特徴抽出層の各層において特徴抽出処理を実行し、異なる解像度の特徴抽出基準画像データおよび特徴抽出対象画像データを生成し、
前記差分特徴抽出工程は、前記特徴抽出層の各層において生成された前記特徴抽出基準画像データおよび前記特徴抽出対象画像データに基づいて差分特徴量を抽出する。
このような構成とすることで、画像特徴抽出後の基準画像データと対象画像データの差分特徴量を得ることで、分類精度を向上させることができる。
前記分類工程は、前記画像特徴量および前記差分特徴量に基づき、前記分類結果を出力する。
このような構成とすることで、異なる解像度で段階的に得られる画像特徴量と差分特徴量を用いることで、分類精度を向上させることができる。
前記画像処理工程は、抽出された前記画像特徴量および前記差分特徴量の少なくとも何れか一方に基づいて、前記特徴抽出対象画像データの特徴領域に重みを付与する。
このような構成とすることで、画像中の特徴領域を強調し、分類精度を向上させることができる。
このような構成とすることで、特徴領域が強調された画像データを得ることで、コンピュータによる特徴抽出の過程を可視化でき、ブラックボックス化を防止する。
前記特徴抽出処理は、畳み込み処理であって、
前記特徴抽出基準画像データは、畳み込み基準画像データであって、
前記特徴抽出対象画像データは、畳み込み対象画像データである。
このような構成とすることで、畳み込み処理の段階ごとの画像の特徴や、画像の差分の特徴に基づく好ましい判定モデルとすることができる。
入力層と、複数層の第1特徴抽出層と、複数層の第2特徴抽出層と、差分処理層と、出力層と、を備え、
前記入力層は、基準画像データおよび対象画像データの入力を受け付け、
前記第1特徴抽出層は、各層において前記基準画像データに対して特徴抽出処理を実行し、異なる解像度の特徴抽出基準画像データを生成し、
前記第2特徴抽出層は、各層において前記対象画像データに対して特徴抽出処理を実行し、異なる解像度の特徴抽出対象画像データを生成し、
前記差分処理層は、前記第1特徴抽出層および前記第2特徴抽出層の各層において生成された前記特徴抽出基準画像データおよび前記特徴抽出対象画像データの入力を受け付け、各層ごとに差分処理を実行し、
前記出力層は、前記差分処理層より各層ごとの差分処理結果の入力を受け付け、前記対象画像データの分類結果を出力する。
このような構成とすることで、異なる解像度の特徴に基づく好ましい判定を行うモデルとすることができる。
入力層と、複数層の第1特徴抽出層と、複数層の第2特徴抽出層と、差分処理層と、出力層と、を備え、
前記入力層は、対象を含まない基準画像データおよび、検査対象となる対象画像データの入力を受け付け、
前記第1特徴抽出層は、各層において前記基準画像データに対して特徴抽出処理を実行し、異なる解像度の特徴抽出基準画像データを生成し、
前記第2特徴抽出層は、各層において前記対象画像データに対して特徴抽出処理を実行し、異なる解像度の特徴抽出対象画像データを生成し、
前記差分処理層は、前記第1特徴抽出層および前記第2特徴抽出層の各層において生成された前記特徴抽出基準画像データおよび前記特徴抽出対象画像データの入力を受け付け、各層ごとに差分処理を実行し、
前記出力層は、前記差分処理層より各層ごとの差分処理結果の入力を受け付け、前記対象画像データの分類結果を出力する。
このような構成とすることで、異なる解像度の特徴に基づく好ましい判定を行うモデルとすることができる。
図1は、検査システム0のブロック図を示す。検査システム0は、図1に示すように、第1検査装置1と、利用者端末3と、第2検査装置2と、記憶部DBと、を備える。検査を実施する工場などの検査現場Fは、第1検査装置1および利用者端末3を備える。検査現場Fは、図1に示すように、F1、F2と複数存在するものとする。第1検査装置1、利用者端末3、第2検査装置2は、通信ネットワークNWに接続され、それぞれデータ通信可能に構成される。なお、第1検査装置1と利用者端末3は、有線または無線により接続されてもよい。
図2は、第1検査装置1のハードウェア構成図の一例を示す。第1検査装置1は、ハードウェア構成として、制御部101、通信部102、供給排出部103、読取部104、記憶部105、入出力インターフェイス(IF)部106、を備える。
図4は、第1検査装置1が実行する第1検査工程の処理フローチャートを示す。
図5は、第2検査装置2が実行する第2検査工程の処理フローチャートを示す。本実施形態において、第2検査工程は、画像特徴抽出工程と、差分特徴抽出工程と、画像処理工程と、分類工程と、を含む。
ステップS22:第2検査部22の画像特徴抽出部23は、基準画像データおよび対象画像データの入力を受け付け、画像特徴抽出処理を実行する。画像特徴抽出部23は、画像特徴抽出処理を実行することで、基準画像データおよび対象画像データのそれぞれの画像特徴量を抽出する。
ステップS24:差分特徴抽出部24は、差分特徴抽出処理を実行することで、差分特徴量を抽出する。差分特徴量は、基準画像データおよび対象画像データの差分演算、抽象度ごとの特徴抽出基準画像データおよび特徴抽出対象画像データの差分演算により取得される。差分特徴量は、基準画像データおよび対象画像データより抽出された画像特徴量の差分演算、抽象度ごとの特徴抽出基準画像データおよび特徴抽出対象画像データより抽出された画像特徴量の差分演算により取得される構成であってもよい。
ステップS25:画像処理部25は、基準画像データおよび対象画像データより抽出された画像特徴量および差分特徴量の少なくとも何れか一方に基づいて、特徴領域に重みを付与する画像処理を実行する。
ステップS26:特徴抽出処理が完了すると(S25でYES)、分類部26は、画像特徴量および差分特徴量の少なくとも何れか一方に基づき分類結果を出力する。ここで、分類部26は、異なる抽象度で取得された画像特徴量、差分特徴量を融合し、分類結果を出力する。
本実施形態において、第2検査部22は、基準画像データおよび対象画像データを第2判定モデルに入力し、第2検査処理を実行することで、当該第2判定モデルより分類結果を出力として取得する。第2判定モデルは、機械学習により生成され、記憶部DBに格納される。第2判定モデルは、機械学習済のモデルを示す。
入力層51は、対象画像データを入力する入力層51Aと、基準画像データを入力する入力層51Bと、を備える。
特徴抽出層52は、異なる抽象度の画像データの画像特徴量を抽出する複数の特徴抽出層521~523により形成される。特徴抽出層52は、図8において、3層の例を示すが層数はこれに限定されず、N層(N=1、2、・・・N)により形成される。特徴抽出層521A~523Aは、基準画像データに基づく画像特徴抽出処理を行う層であり、特徴抽出層521B~523Bは、対象画像データに基づく画像特徴抽出処理を行う層である。特徴抽出層521Aと特徴抽出層521Bは、同じ抽象度の画像データの画像特徴抽出処理を行う層を示す。特徴抽出層52は、同じ抽象度の基準画像データと対象画像データの画像特徴抽出処理の結果を、差分処理層53および画像処理層54に対して出力する。
差分処理層53は、特徴抽出層521~523の層数に対応した差分処理層53A~53Cを備える。図8において、差分処理層53Aは、第1の抽象度となる特徴抽出層521の出力(基準画像データ、対象画像データ)を入力とし、それら差分処理の結果を差分特徴量として出力する。差分処理層53Bは、第2の抽象度となる特徴抽出層522の出力(基準画像データに基づく特徴マップ、対象画像データに基づく特徴マップ)を入力とし、それら差分処理の結果を差分特徴量として出力する。差分処理層53A~53Cは、それぞれの差分処理の結果を、分類層55の入力データとする。また、差分処理層53A~53Cは、それぞれの差分処理の結果を、画像処理層54の入力データとすることもできる(図示せず)。
画像処理層54は、特徴抽出層521~523の層数に対応し、それぞれの結果を入力する層(入力1~3)と、領域抽出層541と、領域抽出層の結果を出力する層(出力1~3)と、により形成される。領域抽出層は、特徴抽出層52により抽象化された画像特徴の位置情報を、基の画像データの位置情報に復元する役割を担う。
分類層55は、融合層551と、畳み込み層552と、プーリング層553と、全結合層554と、出力層555と、を備える。融合層551は、差分処理層53および画像処理層54による結果を入力データとして受け付け、融合する層である。融合層551は、異なる抽象度の特徴マップを融合し、同じ抽象度の特徴マップを生成する。畳み込み層552は、融合層551で融合された特徴マップを畳み込み処理する。プーリング層553は、畳み込み層552により生成された特徴マップをプーリング処理する。プーリング層553は、GAP(Global Average Pooling)および/またはGMP(Global Max Pooling)によるプーリング処理を行う。全結合層554は、プーリング層553のニューロンと全結合するニューロンにより構成される。出力層555は、活性化関数を有し、全結合層554の処理結果を活性化関数の入力とし、分類結果を出力する。
本実施形態における第2判定モデルM1、M2の性能テストの結果を表1に示す。第2判定モデルM1は、画像処理層54を有さない第2判定モデルを示し、第2判定モデルM2は、画像処理層54を有する第2判定モデルを示す。パラメータ数は、判定モデルに含まれるパラメータの総数を示す。表1に示す性能テストの結果は、各判定モデルによる欠陥種別ごとの正答率と、正答率のマイクロ平均値(micro-F1)およびマクロ平均値(macro-F1)を示す。
図11は、検査システム0の異なるシステム構成例を示す。実施形態1と共通する構成要素には同様の符号を付して、説明を省略する。
1 第1検査装置
11 第1画像取得部
12 第1検査部
13 第1出力部
2 第2検査装置
21 第2画像取得部
22 第2検査部
23 画像特徴抽出部
24 差分特徴抽出部
25 画像処理部
26 分類部
27 第2出力部
3 利用者端末
DB 記憶部
50 ニューラルネットワーク
51 入力層
52 特徴抽出層
53 差分処理層
54 画像処理層
55 分類層
100 検査システム
Claims (9)
- 印刷物に含まれる欠陥を検査する検査方法であって、
検査装置を用いて、欠陥を含まない印刷物の第1画像データに基づいて検査対象となる印刷物の第2画像データに含まれる欠陥の有無を判定する第1検査工程を実行し、
前記第1検査工程により欠陥ありと判定された場合、前記検査装置より前記欠陥に関する基準画像データおよび対象画像データを含む欠陥情報を取得し、複数の特徴抽出層を有するニューラルネットワーク構造を有する判定モデルに入力し、前記判定モデルより前記検査対象に含まれる欠陥の分類結果を出力する第2検査工程をコンピュータが実行し、
前記第2検査工程は、
前記特徴抽出層の各層において前記基準画像データおよび前記対象画像データの特徴抽出処理を実行し、異なる解像度の前記基準画像データおよび前記対象画像データの画像特徴量をそれぞれ抽出する画像特徴抽出工程と、
異なる解像度の前記基準画像データおよび前記対象画像データに基づいて差分特徴量を抽出する差分特徴抽出工程と、
少なくとも異なる解像度の前記差分特徴量に基づいて、異なる解像度の前記対象画像データの特徴領域に重みを付与する画像処理工程と、
前記重みを付与した対象画像データより抽出される特徴強調画像特徴量および前記差分特徴量に基づき前記分類結果を出力する分類工程と、を含む、検査方法。 - 前記第2検査工程は、前記欠陥の欠陥種別を特定し、前記欠陥種別ごとに設定された基準値に基づき前記検査対象となる印刷物の不良品を判定する、請求項1に記載の検査方法。
- 欠陥を含まない印刷物の画像データと、欠陥を含む印刷物の画像データと、前記欠陥の分類結果と、を含むデータセットを用いて機械学習された判定モデルを格納する記憶工程を更に実行し、
前記対象画像データは、前記第2画像データにおいて欠陥として検出された所定領域の画像データであって、
前記基準画像データは、前記第2画像データにおいて欠陥として検出された所定領域に対応する前記第1画像データにおける所定領域の画像データである、請求項1に記載の検査方法。 - 前記分類結果は、前記欠陥の欠陥種別を含む、請求項3に記載の検査方法。
- 前記重みに基づき画像処理された前記特徴領域を含む画像データを出力する出力工程を更に実行する、請求項1に記載の検査方法。
- 前記特徴抽出層は、畳み込み層であって、
前記特徴抽出処理は、畳み込み処理であって、
前記特徴抽出基準画像データは、畳み込み基準画像データであって、
前記特徴抽出対象画像データは、畳み込み対象画像データである、
請求項1~請求項5の何れか1項に記載の検査方法。 - 請求項1に記載の判定モデルは、複数の特徴抽出層を有するニューラルネットワークであって、
入力層と、複数層の第1特徴抽出層と、複数層の第2特徴抽出層と、複数の差分処理層と、出力層と、を備え、
前記入力層は、基準画像データおよび対象画像データの入力を受け付け、
前記第1特徴抽出層は、各層において前記基準画像データに対して特徴抽出処理を実行し、異なる解像度の特徴抽出基準画像データを生成し、
前記第2特徴抽出層は、各層において前記対象画像データに対して特徴抽出処理を実行し、異なる解像度の特徴抽出対象画像データを生成し、
前記差分処理層は、前記第1特徴抽出層および前記第2特徴抽出層の各層において生成された前記特徴抽出基準画像データおよび前記特徴抽出対象画像データの入力を受け付け、各層ごとに差分処理を実行し、
前記出力層は、前記差分処理層より各層ごとの差分処理結果の入力を受け付け、前記対象画像データの分類結果を出力する、検査方法。 - 複数の特徴抽出層を有するニューラルネットワークであって、
入力層と、複数層の第1特徴抽出層と、複数層の第2特徴抽出層と、複数の差分処理層と、画像処理層と、分類層と、を備え、
前記入力層は、対象を含まない基準画像データおよび、検査対象となる対象画像データの入力を受け付け、
前記第1特徴抽出層は、各層において前記基準画像データに対して特徴抽出処理を実行し、異なる解像度の特徴抽出基準画像データを生成し、異なる解像度の特徴抽出基準画像データの画像特徴量を抽出し、
前記第2特徴抽出層は、各層において前記対象画像データに対して特徴抽出処理を実行し、異なる解像度の特徴抽出対象画像データを生成し、異なる解像度の特徴抽出対象画像データの画像特徴量を抽出し、
前記差分処理層は、前記第1特徴抽出層および前記第2特徴抽出層の各層において生成された前記特徴抽出基準画像データおよび前記特徴抽出対象画像データの入力を受け付け、各層ごとに差分処理を実行し、差分特徴量を抽出し、
前記画像処理層は、少なくとも異なる解像度の前記差分特徴量に基づいて、異なる解像度の前記対象画像データの特徴領域に重みを付与し、
前記分類層は、前記重みを付与した対象画像データより抽出され、前記画像処理層より出力される特徴強調画像特徴量および前記差分処理層より各層ごとの差分特徴量の入力を受け付け、前記対象画像データの分類結果を出力する、ニューラルネットワーク。 - 印刷物に含まれる欠陥を検査する検査システムであって、
画像取得部と、第1検査部と、第2検査部と、を備え、
前記画像取得部は、欠陥を含まない印刷物の第1画像データと、検査対象となる印刷物の第2画像データと、を取得し、
前記第1検査部は、前記第1画像データに基づいて、前記第2画像データに含まれる欠陥の有無を判定し、
前記第2検査部は、前記第1検査部より前記欠陥に関する基準画像データおよび対象画像データを含む欠陥情報を取得し、複数の特徴抽出層を有するニューラルネットワーク構造を有する判定モデルに入力し、前記判定モデルより前記検査対象となる印刷物の分類結果を出力し、
前記第2検査部は、
前記特徴抽出層の各層において前記基準画像データおよび前記対象画像データの特徴抽出処理を実行し、異なる解像度の前記基準画像データおよび前記対象画像データの画像特徴量をそれぞれ抽出する画像特徴抽出部と、
異なる解像度の前記基準画像データおよび前記対象画像データに基づいて差分特徴量を抽出する差分特徴抽出部と、
少なくとも異なる解像度の前記差分特徴量に基づいて、異なる解像度の前記対象画像データの特徴領域に重みを付与する画像処理部と、
前記重みを付与した対象画像データより抽出される特徴強調画像特徴量および前記差分特徴量に基づき前記分類結果を出力する分類部と、を備える、検査システム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022177926A JP7270314B1 (ja) | 2022-11-07 | 2022-11-07 | 検査方法、検査システム、ニューラルネットワーク |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022177926A JP7270314B1 (ja) | 2022-11-07 | 2022-11-07 | 検査方法、検査システム、ニューラルネットワーク |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7270314B1 true JP7270314B1 (ja) | 2023-05-10 |
JP2024067674A JP2024067674A (ja) | 2024-05-17 |
Family
ID=86316796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022177926A Active JP7270314B1 (ja) | 2022-11-07 | 2022-11-07 | 検査方法、検査システム、ニューラルネットワーク |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7270314B1 (ja) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018096908A (ja) * | 2016-12-15 | 2018-06-21 | 大日本印刷株式会社 | 検査装置及び検査方法 |
CN111681197A (zh) * | 2020-06-12 | 2020-09-18 | 陕西科技大学 | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 |
JP2020187657A (ja) * | 2019-05-16 | 2020-11-19 | 株式会社キーエンス | 画像検査装置 |
JP2021047592A (ja) * | 2019-09-18 | 2021-03-25 | 富士フイルム株式会社 | 印刷物の欠陥検査装置、欠陥検査方法及びプログラム、並びに印刷システム |
JP2021139769A (ja) * | 2020-03-05 | 2021-09-16 | 国立大学法人 筑波大学 | 欠陥検出分類システム及び欠陥判定トレーニングシステム |
JP2021177154A (ja) * | 2020-05-08 | 2021-11-11 | ダイキン工業株式会社 | 外観検査システム |
WO2022130762A1 (ja) * | 2020-12-15 | 2022-06-23 | Agc株式会社 | 欠陥検査装置、欠陥検査方法および製造方法 |
-
2022
- 2022-11-07 JP JP2022177926A patent/JP7270314B1/ja active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018096908A (ja) * | 2016-12-15 | 2018-06-21 | 大日本印刷株式会社 | 検査装置及び検査方法 |
JP2020187657A (ja) * | 2019-05-16 | 2020-11-19 | 株式会社キーエンス | 画像検査装置 |
JP2021047592A (ja) * | 2019-09-18 | 2021-03-25 | 富士フイルム株式会社 | 印刷物の欠陥検査装置、欠陥検査方法及びプログラム、並びに印刷システム |
JP2021139769A (ja) * | 2020-03-05 | 2021-09-16 | 国立大学法人 筑波大学 | 欠陥検出分類システム及び欠陥判定トレーニングシステム |
JP2021177154A (ja) * | 2020-05-08 | 2021-11-11 | ダイキン工業株式会社 | 外観検査システム |
CN111681197A (zh) * | 2020-06-12 | 2020-09-18 | 陕西科技大学 | 一种基于Siamese网络结构的遥感图像无监督变化检测方法 |
WO2022130762A1 (ja) * | 2020-12-15 | 2022-06-23 | Agc株式会社 | 欠陥検査装置、欠陥検査方法および製造方法 |
Non-Patent Citations (8)
Title |
---|
"Siamese Networkの紹介と印刷検査への応用", タクトピクセル開発者ブログ[ONLINE], JPN6022055357, 9 May 2022 (2022-05-09), ISSN: 0004961790 * |
"印刷製造現場への深層学習技術の適用と画像認識プラットフォーム POODL(プードル)の紹介", MAVIC[ONLINE], JPN6022055356, 14 March 2019 (2019-03-14), ISSN: 0004961789 * |
"外観検査AIの決定版。教師あり&なし統合外観検査AI「Gemini eye Integration」を正式発売。", PR TIMES[ONLINE], JPN6022055354, 28 December 2020 (2020-12-28), ISSN: 0004961792 * |
LEI Tao et al.,Unsupervised SAR image change detection based on difference feature fusion,CAAI Transactions on Intelligent Systems,2021年05月,Vol.16, No.3,p.595-604,<DOI:https://dx.doi.org/10.11992/tis.202103011> |
LEI TAO ET AL.: "Unsupervised SAR image change detection based on difference feature fusion", CAAI TRANSACTIONS ON INTELLIGENT SYSTEMS, vol. 16, no. 3, JPN6022055359, May 2021 (2021-05-01), pages 595 - 604, ISSN: 0004961791 * |
Siamese Networkの紹介と印刷検査への応用,タクトピクセル開発者ブログ[online],2022年05月09日,[2022年12月22日検索],インターネット<URL:https://techblog.taktpixel.co.jp/entry/2022/05/09/141229> |
印刷製造現場への深層学習技術の適用と画像認識プラットフォーム POODL(プードル)の紹介,Mavic[online],2019年03月14日,[2022年12月22日検索],インターネット<URL:https://mavic.ne.jp/ai-shinsogakusyu-poodl/> |
外観検査AIの決定版。教師あり&なし統合外観検査AI「Gemini eye Integration」を正式発売。,PR TIMES[online],2020年12月28日,[2022年12月22日検索],インターネット<URL:https://prtimes.jp/main/html/rd/p/000000009.000055953.html> |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7004145B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
JP6924413B2 (ja) | 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 | |
WO2019188040A1 (ja) | 画像処理装置、画像処理方法および画像処理プログラム | |
KR102137184B1 (ko) | 자동 및 수동 결함 분류의 통합 | |
US10824906B2 (en) | Image processing device, non-transitory computer readable storage medium, and image processing system | |
JP2017211259A (ja) | 検査装置、検査方法、及びプログラム | |
JP5956814B2 (ja) | 外観検査装置、外観検査方法及びコンピュータプログラム | |
TW202105549A (zh) | 對樣本的缺陷檢測的方法及其系統 | |
KR20130118275A (ko) | 자동 결함 분류를 위한 알려지지 않은 결함 리젝션의 최적화 | |
JP2012026982A (ja) | 検査装置 | |
JP2016115331A (ja) | 識別器生成装置、識別器生成方法、良否判定装置、良否判定方法、プログラム | |
WO2019235554A1 (ja) | 商品特定装置、プログラム及び学習方法 | |
KR20220114716A (ko) | 이미지 클러스터링 방법 및 그 장치 | |
Wang et al. | Local defect detection and print quality assessment | |
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 | |
JP2021086379A (ja) | 情報処理装置、情報処理方法、プログラム及び学習モデルの生成方法 | |
JP7270314B1 (ja) | 検査方法、検査システム、ニューラルネットワーク | |
CN112669300A (zh) | 瑕疵检测方法及装置、计算机设备和存储介质 | |
KR20220100673A (ko) | 컨볼루션 컨텍스트 속성을 사용한 반도체 결함 발견 | |
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 | |
JP2023181587A (ja) | 欠陥検査装置 | |
CN115222705A (zh) | 基于改进yolov5的化纤丝饼外观缺陷检测方法 | |
JP2024067674A (ja) | 検査方法、検査システム、ニューラルネットワーク | |
JP7206892B2 (ja) | 画像検査装置、画像検査のための学習方法および画像検査プログラム | |
US20200167908A1 (en) | Determination device and determining method thereof |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221116 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20221116 |
|
A80 | Written request to apply exceptions to lack of novelty of invention |
Free format text: JAPANESE INTERMEDIATE CODE: A80 Effective date: 20221111 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230110 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230309 |
|
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: 20230404 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230418 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7270314 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |