JP7489240B2 - 自動表面評価のためのシステム及び方法 - Google Patents
自動表面評価のためのシステム及び方法 Download PDFInfo
- Publication number
- JP7489240B2 JP7489240B2 JP2020106950A JP2020106950A JP7489240B2 JP 7489240 B2 JP7489240 B2 JP 7489240B2 JP 2020106950 A JP2020106950 A JP 2020106950A JP 2020106950 A JP2020106950 A JP 2020106950A JP 7489240 B2 JP7489240 B2 JP 7489240B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- contamination
- map
- input image
- depth information
- 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
- 238000000034 method Methods 0.000 title claims description 40
- 238000011156 evaluation Methods 0.000 title description 20
- 238000011109 contamination Methods 0.000 claims description 126
- 238000005202 decontamination Methods 0.000 claims description 38
- 230000003588 decontaminative effect Effects 0.000 claims description 33
- 238000003860 storage Methods 0.000 claims description 17
- 239000002131 composite material Substances 0.000 claims description 9
- 230000010339 dilation Effects 0.000 claims description 9
- 238000013473 artificial intelligence Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 239000000356 contaminant Substances 0.000 claims description 7
- 230000011218 segmentation Effects 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 230000007547 defect Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000003384 imaging method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 208000009119 Giant Axonal Neuropathy Diseases 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 5
- 201000003382 giant axonal neuropathy 1 Diseases 0.000 description 5
- 230000001788 irregular Effects 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 239000003795 chemical substances by application Substances 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- MHAJPDPJQMAIIY-UHFFFAOYSA-N Hydrogen peroxide Chemical compound OO MHAJPDPJQMAIIY-UHFFFAOYSA-N 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910000679 solder Inorganic materials 0.000 description 2
- 238000005507 spraying Methods 0.000 description 2
- 230000007306 turnover Effects 0.000 description 2
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 240000005561 Musa balbisiana Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 235000021015 bananas Nutrition 0.000 description 1
- 238000005422 blasting Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007849 functional defect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 230000002792 vascular Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/50—Depth or shape recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06T2207/20212—Image combination
- G06T2207/20224—Image subtraction
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Description
本明細書に記載される実施形態は、(i)カメラ画像からの対象物の画像の位置合わせされた基準(例えば、透明なバージョン)を自動的に合成すること、及び画像上の汚染又は他の欠陥をハイライトすることによって、並びに(ii)対象物の幾何学的及び深度情報に基づいて、1つ又は複数の軌道を生成することによって、制約のない視点及び可変の照明状態における対象物の表面評価を容易にするという問題を解決する。
図1は、本出願の一実施形態による、例示的な表面評価システムを示す。この例では、環境100は、汚染除去装置136の汚染除去操作を制御することができるアプリケーションサーバ134を含む。汚染除去装置136は、対象物から汚染物を除去することができる任意の装置であり得る。例えば、汚染除去装置136は、内部で汚染除去剤(例えば、過酸化水素蒸気(HPV)、二酸化炭素、アイスブラスト)が対象物に添加される密閉環境を含むことができる。環境100の検査サーバ132は、表面検査を容易にし、アプリケーションサーバ134に検査結果を提供することができる。いくつかの実施形態では、検査サーバ132は、ローカル又は広域ネットワークであり得るネットワーク130を介してアプリケーションサーバ134と通信する。
図2は、本出願の一実施形態による、以前に知られていない汚染物について例示的な一般的な表面評価を示す。システム120の重要な能力は、制約されないポーズ及び可変照明状態における対象物上の汚染の大きな変化を効率的かつ正確にマッピングすることが可能である。換言すれば、システム120は、同じポーズでクリーンな状態、及び汚染された状態を示す同一の対象物を特徴とする一致した対でトレーニングされる必要がない。システム120は、いくつかの汚染された対象物の画像、及び同様のポーズにおける同様のクリーンな対象物の対応する画像を含むことができる画像サンプル220によってトレーニングされ得る。この例では、画像サンプル220は、対象物200上の汚染を描写する画像222及び画像224、及びクリーンな対象物200を描写する画像226を含むことができる。
図5Aは、本出願の一実施形態による、対象物の表面上の汚染をハイライトする深層強調画像を生成する表面評価システムの方法を示すフローチャートを示す。操作中、システムは、対象物の1つ又は複数の対象物画像を受信し(操作502)、各対象物画像に関連付けられた視点を決定する(操作504)。システムは、決定された視点から対象物の視点を選択することができる(操作506)。次いで、システムは、深度情報を生成し、選択された視点の入力画像を決定する(操作508)。対象物画像が深度情報を含む場合、システムは、深度情報及び入力画像を対象物画像から生成することができる。他の方法では、システムは、深度情報を別個に取得することができる。
図7は、本出願の一実施形態による、表面評価システムを容易にする例示的なコンピュータシステムを示す。コンピュータシステム700は、プロセッサ702、メモリデバイス704、及び記憶デバイス708を含む。メモリデバイス704は、揮発性メモリデバイス(例えば、デュアルインラインメモリモジュール(dual in-line memory module、DIMM))を含むことができる。更に、コンピュータシステム700は、ディスプレイデバイス710、キーボード712、及びポインティングデバイス714に連結することができる。記憶デバイス708は、オペレーティングシステム716、表面評価システム718、及びデータ736を記憶することができる。表面評価システム718は、システム120の操作を組み込むことができる。
Claims (16)
- 汚染を検出するために対象物の表面を評価する方法であって、
前記対象物上の前記汚染を示す入力画像を取得することと、
前記入力画像に関連付けられた深度情報を決定することと、
前記入力画像に基づいて人工知能(AI)モデルを使用して、合成画像を生成することであって、前記合成画像が、前記汚染のない前記対象物を示す、生成することと、
前記入力画像と前記合成画像との差分を決定して、前記汚染に対応する画像領域を識別することと、
1つ又は複数の画像強調操作に基づいて、前記画像領域をハイライトすることによって、汚染の汚染マップを生成することと、
前記深度情報を前記汚染マップに組み込んで、強調汚染マップを生成することと、
前記強調汚染マップに基づいて汚染除去装置の軌道のセットを生成することであって、それぞれの軌道が、前記軌道に対応する深度での前記対象物上の汚染箇所を覆う、生成することと、
を含む、方法。 - 前記AIモデルが、周期の一貫した敵対的生成ネットワーク(CC-GAN)を含む、請求項1に記載の方法。
- 前記CC-GANが2セットの画像サンプルでトレーニングされ、前記2セットの画像サンプルのうちの第1の画像サンプルが、汚染を伴う前記対象物の画像を含み、前記2セットの画像サンプルのうちの第2の画像サンプルが、汚染のない前記対象物の画像を含み、前記入力画像内に示される前記汚染が、前記2セットの画像サンプルの中に存在しない、請求項2に記載の方法。
- 前記入力画像と前記合成画像との差分が、赤-緑-青(RGB)空間、
色相、彩度、明度(HSL)空間、及び色相、彩度、値(HSV)空間のうちの1つ又は複数の画素差分である、請求項1に記載の方法。 - 前記画像強調操作が、拡張、平滑化、閾値処理、及び深層分割ネットワークに関連付けられた操作のセットのうちの1つ又は複数を含む、請求項1に記載の方法。
- 前記深度情報を組み込むことが、
前記深度情報に基づいて、前記対象物の幾何学的形状を表すメッシュを決定することと、
前記汚染マップ内に示された汚染領域を、前記メッシュ内の対応する箇所に投影することと
を含む、請求項1に記載の方法。 - 前記対象物のための汚染マップのセットを生成することを更に含み、それぞれの汚染マップが前記対象物の視点を示す、請求項1に記載の方法。
- 前記汚染マップを生成することが、前記入力画像の背景及び前記対象物の汚染されていない要素を除外することを含む、請求項1に記載の方法。
- コンピュータによって実行されると、前記コンピュータに、汚染を検出するために対象物の表面を評価する方法を実行させる命令を記憶する非一時的コンピュータ可読記憶媒体であって、前記方法が、
前記対象物上の前記汚染を示す入力画像を取得することと、
前記入力画像に関連付けられた深度情報を決定することと、
前記入力画像に基づいて人工知能(AI)モデルを使用して、合成画像を生成することであって、前記合成画像が、前記汚染のない前記対象物を示す、生成することと、
前記入力画像と前記合成画像との差分を決定して、前記汚染に対応する画像領域を識別することと、
1つ又は複数の画像強調操作に基づいて、前記画像領域をハイライトすることによって、前記汚染の汚染マップを生成することと、
前記深度情報を前記汚染マップに組み込んで、強調汚染マップを生成することと、
前記強調汚染マップに基づいて汚染除去装置の軌道のセットを生成することであって、それぞれの軌道が、前記軌道に対応する深度での前記対象物上の汚染箇所を覆う、生成することと、
を含む、非一時的コンピュータ可読記憶媒体。 - 前記AIモデルが、周期の一貫した敵対的生成ネットワーク(CC-GAN)を含む、請求項9に記載のコンピュータ可読記憶媒体。
- 前記CC-GANが2セットの画像サンプルでトレーニングされ、前記2セットの画像サンプルのうちの第1の画像サンプルが、汚染を伴う前記対象物の画像を含み、前記2セットの画像サンプルのうちの第2の画像サンプルが、汚染のない前記対象物の画像を含み、前記入力画像内に示される前記汚染が、前記2セットの画像サンプルの中に存在しない、請求項10に記載のコンピュータ可読記憶媒体。
- 前記入力画像と前記合成画像との差分が、赤-緑-青(RGB)空間、
色相、彩度、明度(HSL)空間、及び色相、彩度、値(HSV)空間のうちの1つ又は複数の画素差分である、請求項9に記載のコンピュータ可読記憶媒体。 - 前記画像強調操作が、拡張、平滑化、閾値処理、及び深層分割ネットワークに関連付けられた操作のセットのうちの1つ又は複数を含む、請求項9に記載のコンピュータ可読記憶媒体。
- 前記深度情報を組み込むことが、
前記深度情報に基づいて、前記対象物の幾何学的形状を表すメッシュを決定することと、
前記汚染マップ内に示された汚染領域を、前記メッシュ内の対応する箇所に投影することと
を含む、請求項9に記載のコンピュータ可読記憶媒体。 - 前記方法が、前記対象物のための汚染マップのセットを生成することを更に含み、それぞれの汚染マップが前記対象物の視点を示す、請求項9に記載のコンピュータ可読記憶媒体。
- 前記汚染マップを生成することが、前記入力画像の背景及び前記対象物の汚染されていない要素を除外することを含む、請求項9に記載のコンピュータ可読記憶媒体。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US16/522,510 | 2019-07-25 | ||
US16/522,510 US11222418B2 (en) | 2019-07-25 | 2019-07-25 | System and method for automated surface assessment |
Publications (3)
Publication Number | Publication Date |
---|---|
JP2021022369A JP2021022369A (ja) | 2021-02-18 |
JP2021022369A5 JP2021022369A5 (ja) | 2023-06-29 |
JP7489240B2 true JP7489240B2 (ja) | 2024-05-23 |
Family
ID=71607723
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020106950A Active JP7489240B2 (ja) | 2019-07-25 | 2020-06-22 | 自動表面評価のためのシステム及び方法 |
Country Status (3)
Country | Link |
---|---|
US (2) | US11222418B2 (ja) |
EP (1) | EP3779874A3 (ja) |
JP (1) | JP7489240B2 (ja) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112557416A (zh) * | 2019-09-09 | 2021-03-26 | 英业达科技有限公司 | 使用深度学习模型检测焊点是否桥接的系统及方法 |
JP7501264B2 (ja) * | 2020-09-15 | 2024-06-18 | 株式会社アイシン | 異常検出装置、異常検出プログラム、および異常検出システム |
US11651497B2 (en) | 2021-03-25 | 2023-05-16 | Mitsubishi Electric Research Laboratories, Inc. | InSeGAN: a generative approach to instance segmentation in depth images |
CN113052972B (zh) * | 2021-04-09 | 2022-08-23 | 杭州群核信息技术有限公司 | 基于神经网络的光照效果增强的方法、装置、系统和介质 |
KR102419738B1 (ko) * | 2021-08-31 | 2022-07-12 | 주식회사 별하늘친구 | 인공지능을 이용하는 얼룩검사 학습을 위한 이미지 데이터를 생성하는 방법 |
CN113888506B (zh) * | 2021-09-30 | 2023-05-05 | 电子科技大学 | 基于深度分割网络的包覆药形状缺陷检测算法 |
CN115100215A (zh) * | 2022-08-29 | 2022-09-23 | 南通市赛孚环保科技有限公司 | 一种污水处理过程中溶解氧含量的预测方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070217672A1 (en) | 2006-03-20 | 2007-09-20 | Siemens Power Generation, Inc. | Combined 2D and 3D nondestructive examination |
WO2016157349A1 (ja) | 2015-03-30 | 2016-10-06 | 株式会社日立製作所 | 形状計測方法およびその装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10922807B2 (en) * | 2018-10-29 | 2021-02-16 | Stmicroelectronics S.R.L. | Wafer manufacturing system, device and method |
-
2019
- 2019-07-25 US US16/522,510 patent/US11222418B2/en active Active
-
2020
- 2020-06-22 JP JP2020106950A patent/JP7489240B2/ja active Active
- 2020-07-10 EP EP20185376.9A patent/EP3779874A3/en active Pending
-
2021
- 2021-11-12 US US17/525,295 patent/US11580634B2/en active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070217672A1 (en) | 2006-03-20 | 2007-09-20 | Siemens Power Generation, Inc. | Combined 2D and 3D nondestructive examination |
WO2016157349A1 (ja) | 2015-03-30 | 2016-10-06 | 株式会社日立製作所 | 形状計測方法およびその装置 |
Non-Patent Citations (2)
Title |
---|
Kyosuke Komoto et al.,A Performance Evaluation of Defect Detection by using Denoising AutoEncoder Generative Adversarial Networks,[online],2018年03月31日,https://ieeexplore.ieee.org/document/8369766 |
Praveer Singh et al., Cloud-Gan: Cloud Removal for Sentinel-2 Imagery Using a Cyclic Consistent Generative Adversarial Networks,[online],2018年11月04日,https://ieeexplore.ieee.org/document/8519033 |
Also Published As
Publication number | Publication date |
---|---|
US20210027442A1 (en) | 2021-01-28 |
JP2021022369A (ja) | 2021-02-18 |
US11222418B2 (en) | 2022-01-11 |
US20220067908A1 (en) | 2022-03-03 |
EP3779874A2 (en) | 2021-02-17 |
EP3779874A3 (en) | 2021-05-12 |
US11580634B2 (en) | 2023-02-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7489240B2 (ja) | 自動表面評価のためのシステム及び方法 | |
Murali et al. | Shadow detection and removal from a single image using LAB color space | |
US9042662B2 (en) | Method and system for segmenting an image | |
JP4610411B2 (ja) | 物体を含むシーンの様式化された画像を生成する方法 | |
Xu et al. | Shadow removal from a single image | |
CN108377374B (zh) | 用于产生与图像相关的深度信息的方法和系统 | |
US20230351582A1 (en) | A line clearance system | |
TW201434010A (zh) | 具有在預處理層及一或多個更高層之間之多通道介面之影像處理器 | |
CN115937059A (zh) | 具有生成式训练模型的零件检查系统 | |
JP2024529423A (ja) | 保安検査ct対象物認識方法及び装置 | |
Yan et al. | Snow removal from light field images | |
CN111612681A (zh) | 数据获取方法、水印识别方法、水印去除方法及装置 | |
Haik et al. | A novel inspection system for variable data printing using deep learning | |
Vasavi et al. | Metadata Based Object Detection and Classification Using Key Frame Extraction Method | |
Antonello et al. | Autonomous robotic system for thermographic detection of defects in upper layers of carbon fiber reinforced polymers | |
Krutov et al. | Television images identification in the vision system basis on the mathematical apparatus of cubic normalized B-splines | |
Cardaillac et al. | Marine snow detection for real time feature detection | |
Narasimharao et al. | Advanced Techniques for Color Image Blind Deconvolution to Restore Blurred Images | |
Frick et al. | Time-consistent foreground segmentation of dynamic content from color and depth video | |
JP2006145228A (ja) | ムラ欠陥検出方法及び装置 | |
Priyadarshi et al. | Deblurring of Images and Barcode Extraction of PV Modules using Supervised Machine learning for Plant Operation and Maintenance | |
Cislariu et al. | Defect detection and restoration of cultural heritage images | |
CN118351059A (zh) | 电路板检测方法、装置、计算机设备和存储介质 | |
Meng et al. | Enhancing images for vision measurement in hazy tunnel construction | |
Ha et al. | Glare and shadow reduction for desktop digital camera capture systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20200703 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20200707 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230621 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230621 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230621 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231010 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231101 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20240131 |
|
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: 20240411 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240513 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7489240 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |