JP7435464B2 - ワーク判別システム、ワーク判別装置及びワーク判別方法 - Google Patents

ワーク判別システム、ワーク判別装置及びワーク判別方法 Download PDF

Info

Publication number
JP7435464B2
JP7435464B2 JP2020557592A JP2020557592A JP7435464B2 JP 7435464 B2 JP7435464 B2 JP 7435464B2 JP 2020557592 A JP2020557592 A JP 2020557592A JP 2020557592 A JP2020557592 A JP 2020557592A JP 7435464 B2 JP7435464 B2 JP 7435464B2
Authority
JP
Japan
Prior art keywords
workpiece
image
discrimination
reference image
processed 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
Application number
JP2020557592A
Other languages
English (en)
Other versions
JPWO2020105679A1 (ja
Inventor
賢一 片貝
美紀 後藤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sony Corp
Sony Group Corp
Original Assignee
Sony Corp
Sony Group Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sony Corp, Sony Group Corp filed Critical Sony Corp
Publication of JPWO2020105679A1 publication Critical patent/JPWO2020105679A1/ja
Application granted granted Critical
Publication of JP7435464B2 publication Critical patent/JP7435464B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
    • G06Q10/087—Inventory or stock management, e.g. order filling, procurement or balancing against orders
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
    • 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
    • G01N21/01—Arrangements or apparatus for facilitating the optical investigation
    • 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
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G02—OPTICS
    • G02F—OPTICAL DEVICES OR ARRANGEMENTS FOR THE CONTROL OF LIGHT BY MODIFICATION OF THE OPTICAL PROPERTIES OF THE MEDIA OF THE ELEMENTS INVOLVED THEREIN; NON-LINEAR OPTICS; FREQUENCY-CHANGING OF LIGHT; OPTICAL LOGIC ELEMENTS; OPTICAL ANALOGUE/DIGITAL CONVERTERS
    • G02F1/00—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics
    • G02F1/01—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour 
    • G02F1/13—Devices or arrangements for the control of the intensity, colour, phase, polarisation or direction of light arriving from an independent light source, e.g. switching, gating or modulating; Non-linear optics for the control of the intensity, phase, polarisation or colour  based on liquid crystals, e.g. single liquid crystal display cells
    • G02F1/133—Constructional arrangements; Operation of liquid crystal cells; Circuit arrangements
    • G02F1/1333—Constructional arrangements; Manufacturing methods
    • G02F1/1337—Surface-induced orientation of the liquid crystal molecules, e.g. by alignment layers
    • G02F1/13378—Surface-induced orientation of the liquid crystal molecules, e.g. by alignment layers by treatment of the surface, e.g. embossing, rubbing or light irradiation
    • G02F1/133788—Surface-induced orientation of the liquid crystal molecules, e.g. by alignment layers by treatment of the surface, e.g. embossing, rubbing or light irradiation by light irradiation, e.g. linearly polarised light photo-polymerisation
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Nonlinear Science (AREA)
  • Tourism & Hospitality (AREA)
  • Accounting & Taxation (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Development Economics (AREA)
  • Immunology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Mathematical Physics (AREA)
  • Length Measuring Devices By Optical Means (AREA)
  • Image Analysis (AREA)

Description

本技術は、ワーク判別システム、ワーク判別装置及びワーク判別方法に関する。
家電やゲーム機器などのセット製品に付属する、ＡＣケーブル、ＡＣアダプタ、リモコン、バッテリーチャージャーなどのワークは、仕向け地ごとに形状が異なる場合が多い。このため、製品を梱包する際、不良品の発生を防止するため、製品の仕向け地に対応していない形状のワーク（異なる仕向け地のワーク）が誤って付属されていないかを目視で確認している。しかしながら、人為的ミスが発生する可能性があり、異なる仕向け地のワークが製品に混入する「仕向け違い」の発生を完全に防止することは困難である。
例えば、特許文献１には、ワーク判別装置に関する技術が記載されているが、実用に耐えうる判別精度を確保することは難しい。このため、製品の製造現場においてはワークの仕向け違いの検出を目視で行わざるを得ないという実状がある。
特開平１０－１８０６６９号公報
ワークの仕向け違いの発生を防止するため、自動的に且つ高精度にワークを判別する技術が求められている。そこで、本技術は、ワークの判別精度を向上させることが可能なワーク判別システムを提供することを主目的とする。
すなわち、本技術は、
ワークを撮影する偏光カメラと、ワーク判別装置と、を有し、
前記ワーク判別装置は、
前記偏光カメラにより撮影された前記ワークの基準画像を取得する基準画像取得部と、
前記基準画像を用いた機械学習により、前記ワークを判別する判別モデルを構築する判別モデル構築部と、
判別対象のワークの前記基準画像と、予め構築された前記判別モデルと、を用いて前記判別対象のワークを判別する判別部と、
を備える、ワーク判別システムを提供する。
前記ワーク判別装置は、前記基準画像に基づいて加工画像を生成する加工画像生成部を備えてもよく、前記判別モデル構築部は、前記機械学習において前記加工画像を更に用いてもよく、前記判別部は、前記判別対象のワークを判別する際に前記加工画像を更に用いてもよい。
前記加工画像は、反射除去画像、偏光度画像及び法線方向画像から選択される少なくとも１種の画像であってもよい。
前記判別モデル構築部は、前記機械学習において前記ワークの仕向け地の情報を更に用いてもよく、前記判別部は、前記判別対象のワークが所定の仕向け地に対応するワークであるか否かを判別してもよい。
前記ワーク判別システムは、前記偏光カメラにより撮影されるワークに光を照射するリング状の光源を有してもよい。
前記偏光カメラにより撮影されるワークは、シート上に載置されてもよく、前記シートの光の反射率は、前記ワークの光の反射率より低くてもよい。
前記ワーク判別システムは、前記偏光カメラにより撮影されるワークを転動させる転動力伝達部を有してもよい。
前記ワーク判別システムは、前記判別対象のワークの重量を測定する重量測定部を有してもよく、前記ワーク判別装置は、前記重量測定部により測定された重量に基づいて不良品のワークを検出する不良品検出部を備えてもよい。
また、本技術は、
偏光カメラにより撮影されたワークの基準画像を取得する基準画像取得部と、
前記基準画像を用いた機械学習により、前記ワークを判別する判別モデルを構築する判別モデル構築部と、
判別対象のワークの前記基準画像と、予め構築された前記判別モデルと、を用いて前記判別対象のワークを判別する判別部と、
を備える、ワーク判別装置を提供する。
また、本技術は、
偏光カメラにより撮影されたワークの基準画像を取得するステップと、
前記基準画像を用いた機械学習により、前記ワークを判別する判別モデルを構築するステップと、
判別対象のワークの前記基準画像と、予め構築された前記判別モデルと、を用いて前記判別対象のワークを判別するステップと、
を含む、ワーク判別方法を提供する。
ワーク判別システム１の構成例を示す模式的な図である 偏光素子の一例を示す図である。 ワーク判別装置２０の機能構成例を示すブロック図である。 モデル関数へのフィッティング結果の一例を示す図である。 モデル関数へのフィッティング結果の一例を示す図である。 ワーク表面の傾きとＰＳ分離比との関係を表すグラフの一例である。 法線方向画像を説明するための参考図である。 機械学習に関する処理の一例を示すフローチャートである。 ワークを判別する処理の一例を示すフローチャートである。 シートの一例を示す模式図である。 試験１～４で使用した画像の一例を示す図である。 試験５～７で使用した画像の一例を示す図である。
以下、本技術を実施するための好適な形態について図面を参照しながら説明する。なお、以下に説明する実施形態は、本技術の代表的な実施形態を示したものであり、これにより本技術の範囲が狭く解釈されることはない。説明は以下の順序で行う。
１．第１実施形態
（１）ワーク判別システムの全体構成
（２）ワーク判別装置の機能構成
（３）ワーク判別システムの動作
２．第１実施形態の第１変形例（リング状の光源を有する構成）
３．第１実施形態の第２変形例（ワークがシート上に載置される構成）
４．第２実施形態（転動力伝達部を有する構成）
５．第３実施形態（重量測定部を有する構成）
＜１．第１実施形態＞
（１）ワーク判別システムの全体構成
図１を参照して、第１実施形態に係るワーク判別システム１の全体構成について説明する。
図１は、本技術に係るワーク判別システム１の構成例を示す模式的な図である。図１に示すように、ワーク判別システム１は、レンズ１１を備えワークＷを撮影する偏光カメラ１０と、ワーク判別装置２０と、を有する。
ワークＷは、特に限定されないが、例えば、家電やゲーム機器などのセット製品に付属される各種の部材、部品、付属品などが挙げられ、具体的には、ＡＣケーブル、ＡＣアダプタ、リモコン、バッテーリーチャージャーなどが挙げられる。
偏光カメラ１０は、ワークＷを撮影し、ワークＷの偏光情報を取得するカメラである。偏光カメラ１０は、特に限定されないが、例えば図２に示すように、撮像素子の各画素上に４５度ずつ回転して配置させた４方向の偏光素子を有する偏光カメラを用いることができる。
ワーク判別装置２０は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）、ＨＤＤ（Hard Disk Drive）などのハードウェアを有するコンピュータである。ワーク判別装置２０として、例えば、ＰＣ（Personal Computer）が用いられるが、他の任意のコンピュータが用いられてもよい。ＣＰＵが、ＲＯＭやＨＤＤなどに記録されているプログラムやデータをＲＡＭ上に呼び出して処理を実行することにより、後述するワーク判別装置２０の各機能が実現される。
図１に示す例では、ワーク判別装置２０は、偏光カメラ１０と有線により接続されている。ワーク判別装置２０は、偏光カメラ１０が撮影したワークＷの画像を取得し、当該画像を各種処理に用いる。ワーク判別装置２０と偏光カメラ１０との間の接続は、上記の有線接続に限られず、無線ＬＡＮ（Local Area Network）などにより接続されていてもよい。
（２）ワーク判別装置の機能構成
次に、図３を参照して、ワーク判別装置２０の機能構成について説明する。図３は、ワーク判別装置２０の機能構成例を示すブロック図である。ワーク判別装置２０は、機能部として、基準画像取得部２１、加工画像生成部２２、画像処理部２３、判別モデル構築部２４、判別部２５を備えることができる。加工画像生成部２２及び画像処理部２３は必須の機能部ではなく、ワーク判別装置２０は、基準画像取得部２１、判別モデル構築部２４、判別部２５のみを備える構成であってもよい。
（２－１）基準画像取得部２１
基準画像取得部２１は、偏光カメラ１０により撮影されたワークの基準画像を取得する。基準画像には、ワークの偏光情報が含まれている。基準画像は、判別モデル構築部２４において機械学習用の画像データとして用いられる。また、基準画像は、判別部２５においてワークを判別するための画像データとしても用いられる。
（２－２）加工画像取得部２２
加工画像生成部２２は、基準画像取得部２１により取得された基準画像に基づいて加工画像を生成する。加工画像は、判別モデル構築部２４において基準画像とともに機械学習用の画像データとして用いられる。また、加工画像は、判別部２５において基準画像とともにワークを判別するための画像データとしても用いられる。
加工画像は、好ましくは、反射除去画像、偏光度画像及び法線方向画像から選択される少なくとも１種の画像であり、より好ましくは、反射除去画像、偏光度画像及び法線方向画像から選択される少なくとも２種の画像であり、更に好ましくは、反射除去画像、偏光度画像及び法線方向画像である。
反射除去画像は、基準画像から乱反射成分を除去した画像である。反射除去画像の生成には公知の技術が用いられうる。例えば、各画素でクロスニコル状態を作った場合に想定される画像を反射除去画像として生成することができる。具体的には、下記式（１）に示すモデル関数へのフィッティング結果から想定される最小強度Ｍを各ピクセルについて演算し、画像化したものを反射除去画像とすることができる。
Iｍ＝Ａ・（１+ｃｏｓ（２・（π／４・ｍ＋φ）））＋Ｍ ・・・（１）
（上記式（１）中、ｍは偏光素子の方向を示し、ｍ＝１、２、３又は４である。Ｉｍは受光強度、Ａは変動成分、Ｍは固定成分、φは変動成分の位相を示す。）
上記モデル関数へのフィッティング結果の一例を、図４に示す。
偏光度画像は、基準画像の偏光度を表示した画像である。具体的には、偏光度画像は、偏光度を０～１の範囲として偏光度に応じて黒（偏光度＝０）から白（偏光度＝１）の白黒画像としたものである。偏光度画像の生成には公知の技術が用いられうる。例えば、上記式（１）を用いて受光強度をモデル化し、固定回転角０度、４５度、９０度、１３５度の４結果からフィッティングする。更に、下記式（２）を用いることで、偏光度（ＤｏＰ；Degree of Polarization）を算出することができる。
偏光度（ＤｏＰ）＝（Ｉｍａｘ－Ｉｍｉｎ）／（Ｉｍａｘ＋Ｉｍｉｎ）
＝２Ａ／（２Ａ＋２Ｍ） ・・・（２）
（上記式（２）中、Ｉｍａｘは受光強度の最大値、Ｉｍｉｎは受光強度の最小値、Ａは変動成分、Ｍは固定成分を示す。）
上記フィッティング結果の一例を、図５に示す。
偏光度は、上述の通り０～１の値を取る。直線偏光の場合、上記式（２）においてＭ＝０となるため、偏光度は１となる。無偏光の場合、上記式（２）においてＡ＝０となるため、偏光度は０となる。
法線方向画像は、基準画像の法線方向を色空間で表示した画像である。つまり、法線方向画像は、法線方向の方位角αと天頂角θとに応じて色付けしたカラー画像である。法線方向画像の生成には公知の技術が用いられうる。例えば、基準画像の反射光の偏光比変動（ＰＳ分離）を計測して、ワーク表面の傾きに換算する。図６に、ワーク表面の傾きとＰＳ分離比との関係を表すグラフの一例を示す。
法線方向の方位角αは、例えば、上記式（１）を利用して下記式（３）により求めることができる。法線方向の天頂角θは、例えば、上記式（２）を利用して下記式（４）により求めることができる。
方位角α＝Ｉｍｉｎでの偏光角＝（初期位相φ＋２７０度）／２ ・・・（３）
天頂角θ＝ｆ（ＤｏＰ）＝ｆ（（Ｉｍａｘ－Ｉｍｉｎ）／（Ｉｍａｘ＋Ｉｍｉｎ））
・・・（４）
法線方向画像における色空間は、ＲＧＢ表色系により表現することができ、ＲＧＢの値は下記式（５）～（７）により求めることができる。
Ｒ＝ｃｏｓα・ｓｉｎθ ・・・（５）
Ｇ＝ｓｉｎα・ｓｉｎθ ・・・（６）
Ｂ＝ｃｏｓθ ・・・（７）
図７は、法線方向画像を説明するための参考図である。図７Ａは、半球体を真上から見た場合の法線方向画像の一例である。図７Ｂは、半球体を真横から見た場合の法線方向画像の一例である。図７Ａ、図７Ｂに示すように、法線方向画像においては法線方向の違いが色の違いによって表現されている。図７Ｃは、法線方向ｒの方位角α及び天頂角θを示す模式図である。
（２－３）画像処理部２３
画像処理部２３は、基準画像及び／又は加工画像に処理を施して処理済み画像を生成する。処理済み画像は、判別モデル構築部２４において基準画像とともに、又は基準画像及び加工画像とともに、機械学習用の画像データとして用いられる。また、処理済み画像は、判別部２５において基準画像とともに、又は基準画像及び加工画像とともに、ワークを判別するための画像データとして用いられる。このように、画像処理部２３は、機械学習用及び判別用の画像データのバリエーションを増やす役割を果たす。
画像処理部２３における処理は、画像データのバリエーションを増やすことができればよく、特に限定されない。例えば、明るさ（２５６階調）を０～1の値に変換する処理、所定のピクセルの範囲（例えば±２０ピクセルの範囲）で画像を上下左右にシフトする処理、画像を所定の角度の範囲（例えば±５度の範囲）で傾ける処理、画像サイズを変更する処理、コントラストを変更する処理、画像を正則化する（平均＝０、標準偏差＝１に変換する）処理などが挙げられる。このような各種処理を施すことで、画像処理部２３は、種々の処理済み画像を生成することができる。
（２－４）判別モデル構築部２４
判別モデル構築部２４は、基準画像取得部２１により取得された基準画像を用いた機械学習により、ワークを判別する判別モデルを構築する。
判別モデルは、機械学習に関する種々の技術により構築されうる。例えば、判別モデルは、深層学習（Deep Learning）により構築されうる。深層学習は、多層の階層型ニューラルネットワークを用いた機械学習の総称である。多層のニューラルネットワークとしては、例えば、ＣＮＮ（Convolutional Neural Network）、ＲＮＮ（Recurrent Neural Network）などが挙げられる。
判別モデル構築部２４は、機械学習において、加工画像生成部２２により生成された加工画像を更に用いてもよい。すなわち、判別モデル構築部２４は、基準画像及び加工画像を用いた機械学習により、ワークを判別する判別モデルを構築してもよい。
判別モデル構築部２４において、機械学習に加工画像を用いる場合、当該加工画像は、好ましくは、反射除去画像、偏光度画像及び法線方向画像から選択される少なくとも１種の画像である。上記加工画像は、より好ましくは、反射除去画像、偏光度画像及び法線方向画像から選択される少なくとも２種の画像である。上記加工画像は、更に好ましくは、反射除去画像、偏光度画像及び法線方向画像である。機械学習に用いられる加工画像の種類が多いほど、機械学習の精度を向上させることができるため、後述する判別部２５においてワークの判別精度が向上する。
反射除去画像では、ワークからの光の乱反射が抑えられているため、反射除去画像にはワーク本来の質感が反映されていると考えられる。機械学習において反射除去画像を用いることで、ワークごとの質感の違い、例えば材質の違いなどを学習できると推測される。
偏光度画像では、照明によるワークの極端な反射光（例えば、金属部分やケーブル部分のテカリなど）が抑えられるため、偏光カメラではない通常のカメラにより撮影された画像と比較して、ワークの全体的な形状を把握しやすいと考えられる。機械学習において偏光度画像を用いることで、ワークの全体的な形状の違い（例えば、ケーブルの巻きの状態や、プラグとケーブルの位置関係など）を精度よく学習できると推測される。
法線方向画像では、ワークの表面の凹凸や曲面の具合が色に置き換えられて表現されている。機械学習において法線方向画像を用いることで、ワークごとの表面形状の違いを精度よく学習できると推測される。
判別モデル構築部２４は、機械学習において、画像処理部２３により生成された処理済み画像を更に用いてもよい。すなわち、判別モデル構築部２４は、基準画像、加工画像及び処理済み画像を用いた機械学習により、ワークを判別する判別モデルを構築してもよい。基準画像及び加工画像に加えて、更に処理済み画像を用いて機械学習を行うことで、機械学習の精度が向上し、ひいては後述する判別部２５におけるワークの判別精度が向上する。
機械学習の際、用いられる画像データ（基準画像、加工画像、処理済み画像）に、画像に写るワークに関するラベルデータが付与されてもよく、ラベルデータが上記画像データと共に学習されてもよい。ラベルデータは、ワーク判別装置２０が備える入力装置（不図示）を介してユーザにより入力されうる。
判別モデル構築部２４は、機械学習において、ワークの仕向け地の情報を更に用いてもよい。画像データと共にワークの仕向け地の情報を学習することで、ワークの特徴と仕向け地の情報とを対応付けて学習することが可能である。これにより、後述する判別部２５において、判別対象のワークが所定の仕向け地に対応するワークであるか否かを判別することができる。
（２－５）判別部２５
判別部２５は、判別対象のワークの基準画像と、判別モデル構築部２４によって予め構築された判別モデルと、を用いて、判別対象のワークを判別する。
ワーク判別装置２０が加工画像生成部２２を備え、判別モデル構築部２４において基準画像及び加工画像を用いた機械学習により判別モデルが構築された場合、判別部２５は、判別対象のワークを判別する際に加工画像を更に用いてもよい。すなわち、判別部２５は、判別対象のワークの基準画像及び加工画像と、予め構築された判別モデルと、を用いて判別対象のワークを判別してもよい。
ワーク判別装置２０が画像処理部２３を備え、判別モデル構築部２４において基準画像、加工画像及び処理済み画像を用いた機械学習により判別モデルが構築された場合、判別部２５は、判別対象のワークを判別する際に処理済み画像を更に用いてもよい。すなわち、判別部２５は、判別対象のワークの基準画像、加工画像及び処理済み画像と、予め構築された判別モデルと、を用いて判別対象のワークを判別してもよい。
判別モデル構築部２４において、画像データ（基準画像、加工画像、処理済み画像）とワークの仕向け地の情報とを用いた機械学習により判別モデルが構築された場合、判別部２５は、判別対象のワークが所定の仕向け地に対応するワークであるか否かを判別してもよい。これにより、従来目視で行われていたワークの仕向け違いの検出を自動化することができるため、ワークの仕向け違いの発生率を格段に減少させることが可能である。
（３）ワーク判別システムの動作
次に、図８、９を参照して、第１実施形態に係るワーク判別システムの動作について説明する。ワーク判別システムが動作することにより、本技術に係るワーク判別方法が実現される。
図８は、機械学習に関する処理の一例を示すフローチャートである。基準画像取得部２１は、偏光カメラ１０により撮影されたワークの基準画像を取得する（ステップＳ１１）。加工画像生成部２２は、基準画像に基づいて加工画像を生成する（ステップＳ１２）。画像処理部２３は、基準画像及び加工画像に処理を施して処理済み画像を生成する（ステップＳ１３）。ステップＳ１１～Ｓ１３により得られる画像の取得回数が所定数（ｎ回）に満たない場合（ステップＳ１４：Ｎｏ）、ステップＳ１１～Ｓ１３を繰り返す。画像をｎ回取得したら（ステップＳ１４：Ｙｅｓ）、基準画像、加工画像及び処理済み画像に、ユーザにより入力されたワークに関するラベルデータを付与する（ステップＳ１５）。判別モデル構築部２４は、基準画像、加工画像、処理済み画像及びワークの仕向け地の情報を用いた機械学習により、ワークを判別する判別モデルを構築する（ステップＳ１６）。
加工画像を生成するステップ（ステップＳ１２）及び処理済み画像を生成するステップ（ステップＳ１３）は、必須のステップではないが、実行されることが好ましい。これにより、機械学習に用いられる画像データのバリエーションを増やして、機械学習の精度をより向上させることができるため、ワークの判別精度が更に向上する。
加工画像を生成するステップ（ステップＳ１２）において生成される加工画像は、好ましくは、反射除去画像、偏光度画像及び法線方向画像から選択される少なくとも１種の画像である。上記加工画像は、より好ましくは、反射除去画像、偏光度画像及び法線方向画像から選択される少なくとも２種の画像である。上記加工画像は、更に好ましくは、反射除去画像、偏光度画像及び法線方向画像である。これらの画像は、ワークの判別精度向上に適している。
図９は、ワークを判別する処理の一例を示すフローチャートである。基準画像取得部２１は、偏光カメラ１０により撮影された判別対象のワークの基準画像を取得する（ステップＳ２１）。加工画像生成部２２は、基準画像に基づいて加工画像を生成する（ステップＳ２２）。画像処理部２３は、基準画像及び加工画像に処理を施して処理済み画像を生成する（ステップＳ２３）。判別部２５は、判別対象のワークの基準画像、加工画像及び処理済み画像と、上記図８の処理において構築された判別モデルと、を用いて、判別対象のワークが所定の仕向け地に対応するワークであるか否かを判別する（ステップＳ２４）。判別結果は、例えばワーク判別装置２０が備える不図示の表示部又は不図示の他の装置へ出力される（ステップＳ２５）。
加工画像を生成するステップ（ステップＳ２２）及び処理済み画像を生成するステップ（ステップＳ２３）は、必須のステップではないが、実行されることが好ましい。これにより、ワークの判別精度をより向上させることが可能である。
加工画像を生成するステップ（ステップＳ２２）において生成される加工画像の種類は、図８に示すステップＳ１２において生成される加工画像の種類と同様でありうる。また、処理済み画像を生成するステップ（ステップＳ２３）において生成される処理済み画像の種類は、図８に示すステップＳ１３において生成される処理済み画像の種類と同様でありうる。
＜２．第１実施形態の第１変形例＞
再び図１を参照し、第１実施形態の第１変形例について説明する。本変形例に係るワーク判別システム１は、上記第１実施形態の構成に加えて、偏光カメラにより撮影されるワークに光を照射するリング状の光源３０を有する。リング状の光源３０を有することにより、外乱光の影響を低減させ、且つ、乱反射を抑制することができるため、ワークの形状や材質などの違いをより的確に捉えた画像を取得することが可能となる。このような画像を用いて機械学習を行うことで、ワークの判別精度をより向上させることができる。
リング状の光源３０としては、例えば、リング照明として市販されている光源を用いることができる。リング状の光源３０は、偏光カメラ１０のレンズ１１とワークＷとの間に配置されることが好ましい。
＜３．第１実施形態の第２変形例＞
次に、図１を参照し、第１実施形態の第２変形例について説明する。本変形例に係るワーク判別システム１は、上記第１実施形態の構成に加えて、シート４０を有する。シート４０はワークＷの下に配置される。すなわち、ワークＷはシート４０上に載置される。
シート４０は、光の反射率が低いシートであることが好ましい。具体的には、シート４０の光の反射率は、ワークＷの光の反射率よりも低いことが好ましい。当該シート４０をワークＷの下に配置することで、反射光を低減することが可能である。これにより、偏光カメラ１０でワークＷの画像を撮影する際に、ワークＷの画像が周辺の背景の画像よりも明るくなって、ワークＷの形状や材質などの違いをより詳細に捉えた画像を取得することが可能となる。このような画像を用いて機械学習を行うことで、ワークの判別精度をより向上させることができる。
シート４０の形状は、図１に示すように平坦であってもよく、本技術の効果が損なわれない範囲において他の形状が採用されてもよい。図１０は、シートの一例を示す模式図である。例えば、図１０に示すように、側面から見た際にＶ字形状に屈曲している板状のシート４０Ａを用いてもよい。この場合、シート４０Ａの下方に固定部材５０，５０を配置して、シート４０Ａを固定してもよい。シートの色は、適宜選択されうるが、反射光低減の観点から黒色が好適である。
なお、当該第１実施形態の第２変形例に、第１変形例のリング状の光源３０が組み合わせられてもよい。
＜４．第２実施形態＞
次に、第２実施形態に係るワーク判別システムについて説明する。本実施形態のワーク判別システムは、第１実施形態（第１変形例及び第２変形例を含む）の構成に加えて、偏光カメラにより撮影されるワークを転動させる転動力伝達部を有する。
偏光カメラにより撮影されるワークの画像には、ワークの判別精度向上の観点から、ワークの特徴部分が収められていることが好ましい。ワークの特徴部分とは、ワーク同士を区別するために用いられるワーク同士の相違点に係る部分である。本技術において、偏光カメラのレンズの位置が固定されていると、ワークの向きや角度によってはワークの特徴部分が撮影されない場合がある。このような場合、ワークの特徴部分を撮影するために、転動力伝達部によりワークに力をかけて転動させ、ワークの向きや角度を変えることが好ましい。ワークを転動させることで、ワークの特徴部分をより的確に捉えた画像を取得することができ、このような画像を用いて機械学習を行うことにより、ワークの判別精度をより向上させることができる。
＜５．第３実施形態＞
次に、第３実施形態に係るワーク判別システムについて説明する。本実施形態のワーク判別システムは、第１実施形態（第１変形例及び第２変形例を含む）の構成に加えて、判別対象のワークの重量を測定する重量測定部を有する。また、本実施形態のワーク判別システムに用いられるワーク判別装置は、機能部として、重量測定部により測定された重量に基づいて不良品のワークを検出する不良品検出部を備える。
重量測定部の構造や種類は、ワークの重量を測定することが可能であれば特に限定されず、例えば公知の重量計を用いることができる。
ワーク判別装置の不良品検出部は、重量測定部により測定された重量に基づいて、判別対象のワークが不良品であるか否かを検出する。例えば、不良品検出部は、予めワーク判別装置に記憶されている良品のワークの重量と、重量測定部により測定された重量と、に基づいて、不良品のワークを検出してもよい。この場合、不良品検出部は、良品の重量と重量測定部により測定された重量とを対比して、重量の差が所定の値以上である場合に不良品と判断してもよい。
本実施形態のワーク判別システムは、重量測定部及び不良品検出部を備えることにより、不良品の検出作業を自動化することができる。
なお、当該第３実施形態に、第２実施形態の転動力伝達部が組み合わせられてもよい。
以下、実施例に基づいて本技術を更に詳細に説明する。なお、以下に説明する実施例は、本技術の代表的な実施例の一例を示したものであり、本技術は以下の実施例に限定されるものではない。
本技術のワーク判別システムを用いて、ワークを判別する試験を行った。ワークとして、特定の仕向け地（Ａ国）用のＡＣケーブルを使用した。このＡＣケーブルをワーク判別システムに判別させて、当該ＡＣケーブルの仕向け地がＡ国であると判別した場合には正解、Ａ国以外である判別した場合には不正解とした。
ワーク判別システムに用いた偏光カメラ、リング照明及び画像生成ソフトウェアは以下のとおりである。画像生成ソフトウェアは、ワーク判別装置であるコンピュータにインストールして使用した。また、偏光カメラでＡＣケーブルを撮影する際には、光の反射率がＡＣケーブルよりも低い黒色の平坦上のシート上に上記ＡＣケーブルを載置した。
偏光カメラ：ソニー株式会社製「ＸＣＧ－ＣＧ５１０」
リング照明：株式会社アイ・ピー・システム製「ＩＰＳ－Ｒ１５０ＭＡ－Ｗ－ＩＦ２０」
画像生成ソフトウェア：ソニーグローバルマニュファクチャリング＆オペレーションズ株式会社製ソフトウェア
＜実施例１＞
ワーク判別装置を用いて、ＡＣケーブルの基準画像を取得し、基準画像から加工画像（反射除去画像、偏光度画像及び法線方向画像）を生成した。これらの画像を用いて、図８に示した処理に沿って判別モデルを構築した。次に、判別対象となるＡＣケーブルの基準画像と加工画像（反射除去画像、偏光度画像及び法線方向画像）を取得し、これらの画像と判別モデルとを用いて、ワーク判別装置によりＡＣケーブルを判別する試験を行った。試験は、機械学習及び判別に用いる画像の枚数を変えて、以下の４パターンで行った。
［機械学習及び判別に使用した画像］
試験１：基準画像（１枚のみ）
試験２：基準画像と、加工画像のうち１枚（計２枚）
試験３：基準画像と、加工画像のうち２枚（計３枚）
試験４：基準画像と、加工画像３枚（計４枚）
試験１～４で使用した画像の一例を図１１に示す。図１１Ａは基準画像、図１１Ｂは反射除去画像、図１１Ｃは偏光度画像、図１１Ｄは法線方向画像である。試験１～４をそれぞれ複数回行い、正解率を算出した。試験１～４の正解率を以下に示す。
［正解率］
試験１：９０．２５％
試験２：９８．０８％
試験３：９８．８３％
試験４：９８．９１％
これらの結果から、本技術のワーク判別システムを用いることで、自動的に且つ高精度にワークを判別できることが確認された。また、機械学習及び判別に使用する画像の種類が多い程、判別精度が向上することも確認された。
＜実施例２＞
ＡＣケーブルを判別する試験５～７を行った。試験５は、ワークの下に配置するシートを図１０に示すような黒色の屈曲形状のシートに変更した以外は、実施例１の試験４と同様に行った。試験６は、ワークの下に配置するシートの色を黒色から白色に変更した以外は、試験５と同様に行った。試験７は、ワークの下に配置するシートの色を黒色から緑色に変更した以外は、試験５と同様に行った。光の反射率は、黒色のシートが最も低かった。
試験５～７で使用した画像の一例を図１２に示す。図１２に示すように、シートの色によってＡＣケーブルの特徴部分が異なって見えることが確認された。
試験５～７を行った結果、ワーク判別システムの正解率は、試験５が最も高く、次が試験６であり、試験７が最も低かった。これらの結果から、光の反射率が低いシートの上にワークを載置することで、ワークの判別精度がより向上することが確認された。
なお、本技術は以下のような構成も採ることができる。
〔１〕ワークを撮影する偏光カメラと、ワーク判別装置と、を有し、
前記ワーク判別装置は、
前記偏光カメラにより撮影された前記ワークの基準画像を取得する基準画像取得部と、
前記基準画像を用いた機械学習により、前記ワークを判別する判別モデルを構築する判別モデル構築部と、
判別対象のワークの前記基準画像と、予め構築された前記判別モデルと、を用いて前記判別対象のワークを判別する判別部と、
を備える、ワーク判別システム。
〔２〕前記ワーク判別装置は、前記基準画像に基づいて加工画像を生成する加工画像生成部を備え、
前記判別モデル構築部は、前記機械学習において前記加工画像を更に用い、
前記判別部は、前記判別対象のワークを判別する際に前記加工画像を更に用いる、〔１〕に記載のワーク判別システム。
〔３〕前記加工画像は、反射除去画像、偏光度画像及び法線方向画像から選択される少なくとも１種の画像である、〔２〕に記載のワーク判別システム。
〔４〕前記判別モデル構築部は、前記機械学習において前記ワークの仕向け地の情報を更に用い、
前記判別部は、前記判別対象のワークが所定の仕向け地に対応するワークであるか否かを判別する、〔１〕から〔３〕のいずれか１つに記載のワーク判別システム。
〔５〕前記偏光カメラにより撮影されるワークに光を照射するリング状の光源を有する、〔１〕から〔４〕のいずれか１つに記載のワーク判別システム。
〔６〕前記偏光カメラにより撮影されるワークは、シート上に載置され、
前記シートの光の反射率は、前記ワークの光の反射率より低い、〔１〕から〔５〕のいずれか１つに記載のワーク判別システム。
〔７〕前記偏光カメラにより撮影されるワークを転動させる転動力伝達部を有する、〔１〕から〔６〕のいずれか１つに記載のワーク判別システム。
〔８〕前記判別対象のワークの重量を測定する重量測定部を有し、
前記ワーク判別装置は、前記重量測定部により測定された重量に基づいて不良品のワークを検出する不良品検出部を備える、〔１〕から〔７〕のいずれか１つに記載のワーク判別システム。
〔９〕偏光カメラにより撮影されたワークの基準画像を取得する基準画像取得部と、
前記基準画像を用いた機械学習により、前記ワークを判別する判別モデルを構築する判別モデル構築部と、
判別対象のワークの前記基準画像と、予め構築された前記判別モデルと、を用いて前記判別対象のワークを判別する判別部と、
を備える、ワーク判別装置。
〔１０〕偏光カメラにより撮影されたワークの基準画像を取得するステップと、
前記基準画像を用いた機械学習により、前記ワークを判別する判別モデルを構築するステップと、
判別対象のワークの前記基準画像と、予め構築された前記判別モデルと、を用いて前記判別対象のワークを判別するステップと、
を含む、ワーク判別方法。
１ ワーク判別システム
１０ 偏光カメラ
１１ レンズ
２０ ワーク判別装置
３０ リング状の光源
４０、４０Ａ シート
５０ 固定部材

Claims (8)

  1. ワークを撮影する偏光カメラと、ワーク判別装置と、を有し、
    前記ワーク判別装置は、
    前記偏光カメラにより撮影された前記ワークの基準画像を取得する基準画像取得部と、
    前記基準画像に基づいて加工画像を生成する加工画像生成部と、
    前記基準画像を用いた機械学習により、前記ワークを判別する判別モデルを構築する判別モデル構築部と、
    判別対象のワークの前記基準画像と、予め構築された前記判別モデルと、を用いて前記判別対象のワークを判別する判別部と、
    を備え、
    前記判別モデル構築部は、前記機械学習において前記加工画像を更に用い、
    前記判別部は、前記判別対象のワークを判別する際に前記加工画像を更に用い、
    前記加工画像は、反射除去画像、偏光度画像及び法線方向画像から選択される少なくとも１種の画像であり、
    前記偏光カメラにより撮影されるワークは、シート上に載置され、
    前記シートは、側面から見た際にＶ字形状に屈曲している、ワーク判別システム。
  2. 前記判別モデル構築部は、前記機械学習において前記ワークの仕向け地の情報を更に用い、
    前記判別部は、前記判別対象のワークが所定の仕向け地に対応するワークであるか否かを判別する、請求項１に記載のワーク判別システム。
  3. 前記偏光カメラにより撮影されるワークに光を照射するリング状の光源を有する、請求項１に記載のワーク判別システム。
  4. 前記偏光カメラにより撮影されるワークは、シート上に載置され、
    前記シートの光の反射率は、前記ワークの光の反射率より低い、請求項１に記載のワーク判別システム。
  5. 前記偏光カメラにより撮影されるワークを転動させる転動力伝達部を有する、請求項１に記載のワーク判別システム。
  6. 前記判別対象のワークの重量を測定する重量測定部を有し、
    前記ワーク判別装置は、前記重量測定部により測定された重量に基づいて不良品のワークを検出する不良品検出部を備える、請求項１に記載のワーク判別システム。
  7. 偏光カメラにより撮影されたワークの基準画像を取得する基準画像取得部と、
    前記基準画像を用いた機械学習により、前記ワークを判別する判別モデルを構築する判別モデル構築部と、
    判別対象のワークの前記基準画像と、予め構築された前記判別モデルと、を用いて前記判別対象のワークを判別する判別部と、
    前記基準画像に基づいて加工画像を生成する加工画像生成部と、
    を備え、
    前記判別モデル構築部は、前記機械学習において前記加工画像を更に用い、
    前記判別部は、前記判別対象のワークを判別する際に前記加工画像を更に用い、
    前記加工画像は、反射除去画像、偏光度画像及び法線方向画像から選択される少なくとも１種の画像であり、
    前記偏光カメラにより撮影されるワークは、シート上に載置され、
    前記シートは、側面から見た際にＶ字形状に屈曲している、ワーク判別装置。
  8. 偏光カメラにより撮影されたワークの基準画像を取得するステップと、
    前記基準画像に基づいて加工画像を生成するステップと、
    前記基準画像を用いた機械学習により、前記ワークを判別する判別モデルを構築するステップと、
    判別対象のワークの前記基準画像と、予め構築された前記判別モデルと、を用いて前記判別対象のワークを判別するステップと、
    を含み、
    前記判別モデルを構築するステップは、前記機械学習において前記加工画像を更に用い、
    前記ワークを判別するステップは、前記判別対象のワークを判別する際に前記加工画像を更に用い、
    前記加工画像は、反射除去画像、偏光度画像及び法線方向画像から選択される少なくとも１種の画像であり、
    前記偏光カメラにより撮影されるワークは、シート上に載置され、
    前記シートは、側面から見た際にＶ字形状に屈曲している、ワーク判別方法。
JP2020557592A 2018-11-21 2019-11-20 ワーク判別システム、ワーク判別装置及びワーク判別方法 Active JP7435464B2 (ja)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2018218139 2018-11-21
JP2018218139 2018-11-21
PCT/JP2019/045450 WO2020105679A1 (ja) 2018-11-21 2019-11-20 ワーク判別システム、ワーク判別装置及びワーク判別方法

Publications (2)

Publication Number Publication Date
JPWO2020105679A1 JPWO2020105679A1 (ja) 2021-10-07
JP7435464B2 true JP7435464B2 (ja) 2024-02-21

Family

ID=70773118

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020557592A Active JP7435464B2 (ja) 2018-11-21 2019-11-20 ワーク判別システム、ワーク判別装置及びワーク判別方法

Country Status (3)

Country Link
US (1) US20220005172A1 (ja)
JP (1) JP7435464B2 (ja)
WO (1) WO2020105679A1 (ja)

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006011261A1 (ja) 2004-07-26 2006-02-02 Matsushita Electric Industrial Co., Ltd. 画像処理方法、画像処理装置および画像処理プログラム
JP2008309580A (ja) 2007-06-13 2008-12-25 Omron Corp はんだフィレットの検査方法および基板外観検査装置
WO2009028489A1 (ja) 2007-08-30 2009-03-05 Kabushiki Kaisha Yaskawa Denki 物体検出方法と物体検出装置およびロボットシステム
US20150193732A1 (en) 2014-01-06 2015-07-09 Neopost Technologies Secure locker system for the deposition and retrieval of shipments
JP2016015093A (ja) 2014-07-03 2016-01-28 アレイ株式会社 錠剤識別装置およびその方法、並びに、分包錠剤監査装置
WO2016174915A1 (ja) 2015-04-30 2016-11-03 ソニー株式会社 画像処理装置と画像処理方法およびプログラム
JP2016200528A (ja) 2015-04-13 2016-12-01 株式会社リコー 物体検出装置、移動体機器制御システム及び物体検出用プログラム
WO2017081925A1 (ja) 2015-11-10 2017-05-18 ソニー株式会社 画像処理装置と画像処理方法
US20180181839A1 (en) 2016-12-22 2018-06-28 Advanced Optical Technologies, Inc. Polarimeter with multiple independent tunable channels and method for material and object classification and recognition
KR101891631B1 (ko) 2018-03-07 2018-08-27 (주)크레아소프트 영상 학습 장치, 이를 이용한 촬영영상 분석 시스템 및 방법, 이를 수행하기 위한 기록매체
US20180300668A1 (en) 2017-04-18 2018-10-18 International Bridge, Inc. Item shipping screening and validation
WO2018190394A1 (ja) 2017-04-14 2018-10-18 株式会社湯山製作所 薬剤仕分装置、仕分容器、及び薬剤返却方法

Family Cites Families (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5524381A (en) * 1978-08-10 1980-02-21 Hakko Denki Seisakusho Kk Ceramic heater
EP0727760A3 (en) * 1995-02-17 1997-01-29 Ibm Product size detection system
FR2752178B1 (fr) * 1996-08-06 1998-10-09 Vauche P Sa Machine de tri de bouteilles plastiques et procede mis en oeuvre par la machine
JPH10221036A (ja) * 1997-02-07 1998-08-21 Hitachi Ltd 部品の品種自動識別方法および装置
US6959108B1 (en) * 2001-12-06 2005-10-25 Interactive Design, Inc. Image based defect detection system
EP1706706A2 (en) * 2003-11-07 2006-10-04 Albert Schweser Telecentric optical sensor
JP3918854B2 (ja) * 2004-09-06 2007-05-23 オムロン株式会社 基板検査方法および基板検査装置
JP5947169B2 (ja) * 2012-09-14 2016-07-06 株式会社キーエンス 外観検査装置、外観検査法およびプログラム
US10147176B1 (en) * 2016-09-07 2018-12-04 Applied Vision Corporation Automated container inspection system
JP6919982B2 (ja) * 2017-05-09 2021-08-18 株式会社キーエンス 画像検査装置
US10269108B2 (en) * 2017-09-01 2019-04-23 Midea Group Co., Ltd. Methods and systems for improved quality inspection of products using a robot
CN111356895A (zh) * 2017-11-24 2020-06-30 索尼公司 检测装置以及生产电子装置的方法
IL257256A (en) * 2018-01-30 2018-03-29 HYATT Yonatan System and method for establishing production line tests
US10937705B2 (en) * 2018-03-30 2021-03-02 Onto Innovation Inc. Sample inspection using topography
US10733723B2 (en) * 2018-05-22 2020-08-04 Midea Group Co., Ltd. Methods and system for improved quality inspection
US10846678B2 (en) * 2018-08-21 2020-11-24 Sensormatic Electronics, LLC Self-service product return using computer vision and Artificial Intelligence

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2006011261A1 (ja) 2004-07-26 2006-02-02 Matsushita Electric Industrial Co., Ltd. 画像処理方法、画像処理装置および画像処理プログラム
JP2008309580A (ja) 2007-06-13 2008-12-25 Omron Corp はんだフィレットの検査方法および基板外観検査装置
WO2009028489A1 (ja) 2007-08-30 2009-03-05 Kabushiki Kaisha Yaskawa Denki 物体検出方法と物体検出装置およびロボットシステム
US20150193732A1 (en) 2014-01-06 2015-07-09 Neopost Technologies Secure locker system for the deposition and retrieval of shipments
JP2016015093A (ja) 2014-07-03 2016-01-28 アレイ株式会社 錠剤識別装置およびその方法、並びに、分包錠剤監査装置
JP2016200528A (ja) 2015-04-13 2016-12-01 株式会社リコー 物体検出装置、移動体機器制御システム及び物体検出用プログラム
WO2016174915A1 (ja) 2015-04-30 2016-11-03 ソニー株式会社 画像処理装置と画像処理方法およびプログラム
WO2017081925A1 (ja) 2015-11-10 2017-05-18 ソニー株式会社 画像処理装置と画像処理方法
US20180181839A1 (en) 2016-12-22 2018-06-28 Advanced Optical Technologies, Inc. Polarimeter with multiple independent tunable channels and method for material and object classification and recognition
WO2018190394A1 (ja) 2017-04-14 2018-10-18 株式会社湯山製作所 薬剤仕分装置、仕分容器、及び薬剤返却方法
US20180300668A1 (en) 2017-04-18 2018-10-18 International Bridge, Inc. Item shipping screening and validation
KR101891631B1 (ko) 2018-03-07 2018-08-27 (주)크레아소프트 영상 학습 장치, 이를 이용한 촬영영상 분석 시스템 및 방법, 이를 수행하기 위한 기록매체

Also Published As

Publication number Publication date
JPWO2020105679A1 (ja) 2021-10-07
WO2020105679A1 (ja) 2020-05-28
US20220005172A1 (en) 2022-01-06

Similar Documents

Publication Publication Date Title
JP4797593B2 (ja) 光沢測定装置及びプログラム
TWI236840B (en) Method and apparatus for optical inspection of a display
US9437035B2 (en) Light source detection from synthesized objects
US7474415B2 (en) Measurement method of three-dimensional profiles and reconstruction system thereof using subpixel localization with color gratings and picture-in-picture switching on single display
JP6325520B2 (ja) むら検査システム、むら検査方法およびむら検査プログラム
TWI394431B (zh) 評價立體影像顯示面板的方法及系統
JP2019522781A (ja) 固定具なしのレンズメータ及びその操作方法
JP2010243353A (ja) 光沢感評価方法、光沢感評価装置、該装置を有する画像評価装置、画像評価方法および該方法を実行するためのプログラム
CN101620816B (zh) 评价立体影像显示面板的方法及系统
US11710289B2 (en) Information processing apparatus, information processing system, and material identification method
TW200926839A (en) Image sensor apparatus and method for color correction with an illuminant-dependent color correction matrix
CN101207832A (zh) 数码相机色彩还原的检测方法
JP6556013B2 (ja) 処理装置、処理システム、撮像装置、処理方法、プログラム、および記録媒体
JP4333269B2 (ja) 投影装置の監視システム、投影装置
CN110458803A (zh) 基于彩带校准的帧图像偏色和亮度检测方法及装置
WO2014013792A1 (ja) ノイズ評価方法、画像処理装置、撮像装置およびプログラム
CN108351969A (zh) 毛发卷曲测量
CN108351970A (zh) 毛发直径测量
JP2012230081A (ja) 光沢品の外観検査装置、プログラム
JP7435464B2 (ja) ワーク判別システム、ワーク判別装置及びワーク判別方法
Vazquez-Corral et al. Color constancy algorithms: Psychophysical evaluation on a new dataset
KR20210059477A (ko) 분리막의 열수축율 측정방법
JP5893593B2 (ja) 外装材の色数値検査方法
Martinkauppi et al. Face video database
JP2019022147A (ja) 光源方向推定装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220929

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230711

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230830

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: 20231222

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: 20240109

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20240122

R151 Written notification of patent or utility model registration

Ref document number: 7435464

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R151