JPWO2020158630A1 - 検出装置、学習器、コンピュータプログラム、検出方法及び学習器の生成方法 - Google Patents
検出装置、学習器、コンピュータプログラム、検出方法及び学習器の生成方法 Download PDFInfo
- Publication number
- JPWO2020158630A1 JPWO2020158630A1 JP2020569594A JP2020569594A JPWO2020158630A1 JP WO2020158630 A1 JPWO2020158630 A1 JP WO2020158630A1 JP 2020569594 A JP2020569594 A JP 2020569594A JP 2020569594 A JP2020569594 A JP 2020569594A JP WO2020158630 A1 JPWO2020158630 A1 JP WO2020158630A1
- Authority
- JP
- Japan
- Prior art keywords
- image
- detection
- type
- detection target
- learner
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
微小な検出対象を精度よく検出することができる検出装置、学習器、コンピュータプログラム、検出方法及び学習器の生成方法を提供する。検出装置は、第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出する候補領域抽出部と、抽出した候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成する画像生成部と、第1学習器と、生成した第2画像を第1学習器に入力して検出対象の有無を検出する検出部とを備える。
Description
本発明は、検出装置、学習器、コンピュータプログラム、検出方法及び学習器の生成方法に関する。
太陽電池モジュールの欠陥の有無の検査方法の一つとして、エレクトロルミネッセンス(EL)を利用したEL検査が用いられている。EL検査は、太陽電池モジュールを構成するセル毎に電流を流してセル自体を発光させ、セルの表面をカメラで撮影した画像に基づいてクラックや断線等を確認する(特許文献1参照)。
しかし、セル毎に画像の輝度分布や歪みが異なり、目視では確認が難しい微小な検出対象(例えば、欠陥)が存在する。また、微小な検出対象にも様々な種類の形状があり、検出対象の種類に応じてセルの良否判定も異なる。このため、微小な検出対象を精度よく検出することが望まれる。
本発明は、斯かる事情に鑑みてなされたものであり、微小な検出対象を精度よく検出することができる検出装置、学習器、コンピュータプログラム、検出方法及び学習器の生成方法を提供することを目的とする。
本発明の実施の形態に係る検出装置は、第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出する候補領域抽出部と、前記候補領域抽出部で抽出した候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成する画像生成部と、第1学習器と、前記画像生成部で生成した第2画像を前記第1学習器に入力して検出対象の有無を検出する検出部とを備える。
本発明の実施の形態に係る学習器は、検出対象が含まれる第1ラベル画像と検出対象が含まれない第2ラベル画像とを学習データとして用いて生成された第1学習器と、前記第1ラベル画像に含まれる検出対象の異なる種別毎に区分された複数の種別ラベル画像を学習データとして用いて生成された第2学習器とを備える。
本発明の実施の形態に係るコンピュータプログラムは、コンピュータに、第1画像を取得する処理と、取得した第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出する処理と、抽出した候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成する処理と、生成した第2画像を第1学習器に入力して検出対象の有無を検出する処理とを実行させる。
本発明の実施の形態に係る検出方法は、第1画像を取得し、取得された第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出し、抽出された候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成し、生成された第2画像を第1学習器に入力して検出対象の有無を検出する。
本発明の実施の形態に係る学習器の生成方法は、検出対象が含まれる第1ラベル画像と検出対象が含まれない第2ラベル画像とを取得し、取得された第1ラベル画像及び第2ラベル画像を学習データとして用いて第1学習器を生成し、前記第1ラベル画像に含まれる検出対象の異なる種別毎に区分された複数の種別ラベル画像を学習データとして用いて第2学習器を生成する。
本発明によれば、微小な検出対象を精度よく検出することができる。
以下、本発明の実施の形態を図面に基づいて説明する。図1は本実施の形態の検出装置50の構成の一例を示すブロック図である。検出装置50は、装置全体を制御する制御部51、入力部52、欠陥判定部53、候補領域抽出部54、記憶部55、画像生成部56、学習器57及び検出部58を備える。学習器57は、第1学習器571及び第2学習器572を備える。記憶部55は、後述の入力画像、検出処理の結果など所要のデータを記憶することができる。
入力部52は、取得部としての機能を有し、撮像対象が撮像された入力画像を取得する。撮像対象は、被検査対象であり、例えば、太陽電池モジュールの場合、モジュールを構成する各セルとすることができるが、これに限定されない。
欠陥判定部53は、判定部としての機能を有し、入力画像に所定の欠陥対象が含まれるか否かを判定する。欠陥判定部53は、画像処理機能を備え、入力画像に基づいて所定の欠陥対象の有無を判定できる。撮像対象が、セルの場合、所定の欠陥対象は、例えば、単セル異常、断線(フィンガー断線ともいう)、洗浄跡(水跡ともいう)、断線併発ひび等を含むが、これらに限定されない。
図2は欠陥対象の一例を示す模式図である。図2は、太陽電池モジュールを構成するセルを撮像して得られた画像(セル画像ともいう)を示す。セル画像内の横方向の平行な黒線は、セル内の金属線を示す。図2のAは、セル内にフィンガー断線が存在する場合を模式的に示すものである。フィンガー断線は、比較的は幅の大きい断線であり、例えば、セル内に1箇所あれば、当該セルは不良品と判定される。図2のBは、セル内に水跡が存在する場合を模式的に示すものである。水跡は、洗浄工程の後に残った洗浄跡であり、セル内に1箇所あれば、当該セルは不良品と判定される。図2のCは、セル内に断線併発ひびが存在する場合を模式的に示すものである。セル内に1箇所あれば、当該セルは不良品と判定される。図2のDは、セル異常を模式的に示すものである。セル異常はセルが発光しない、あるいは発光量が著しく低い場合であり、当該セルは不良品と判定される。
欠陥判定部53は、所定の欠陥対象がないと判定した入力画像を第1画像として候補領域抽出部54へ出力する。これにより、比較的、検出の易しい欠陥対象を予め除外し、検出が困難な微小な検出対象が含まれる可能性のある画像だけを絞り込んで候補領域抽出部54以降の処理することができる。
検出部58は、欠陥判定部53で所定の欠陥対象があると判定した場合、当該セルを不良品として検出する。
図3は本実施の形態の検出装置50が検出する検出対象の一例を示す模式図である。検出対象は、欠陥判定部53で判定が困難な微小な欠陥対象であり、形状や大きさなど、様々な種類が存在し得る。本明細書では、図3に示すように、検出対象を、例えば、形状や種別に応じて、便宜上、タイプA、B、C、Dの4種類に分ける。なお、種別は4種類に限定されない。太陽電池モジュールを構成するセルの場合、検出対象は、形状や大きさなどの種類が異なるひびとすることができ、本明細書では検出対象を「ひびと称する対象」として説明するが、検出対象は、ひびに限定されない。また、図3に示す、ひびの形状や大きさは一例であって、図3の例に限定されない。
候補領域抽出部54は、欠陥判定部53が出力した第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出する。画像処理は、例えば、濃度補正、雑音除去、エッジ検出、特徴量抽出などの通常の画像処理を含む。検出対象候補は、例えば、目視や欠陥判定部53での判定では検出が難しい微小な欠陥が含まれる領域であり、微小な検出対象候補を含む領域である。
検出部58は、候補領域抽出部54で検出対象候補が抽出できない第1画像に対応するセルを良品であると判定できる。
画像生成部56は、候補領域抽出部54により、1つの第1画像において複数の候補領域が抽出された場合、候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成する。少なくとも一つとは、多数の候補領域を含まないという意味であり、例えば、一つ、二つ、あるいは三つ程度(少数)とすることができる。本明細書では、第2画像には一つの候補領域を含む場合について説明するが、一つの第2画像に含まれる候補領域の数は一つに限定されない。
図4は第2画像の生成の一例を示す模式図である。図4に示すように、候補領域抽出部54は、一つの第1画像において、検出対象としてタイプA、C、Dの3つそれぞれの候補領域を抽出したとする。この場合、画像生成部56は、タイプAの候補領域が含まれる第2画像、タイプCが含まれる第2画像、及びタイプDが含まれる第2画像の3つの第2画像を生成する。
画像生成部56は、候補領域抽出部54で抽出した候補領域の少なくとも一つを所定画像の所定位置に配置して第2画像を生成することができる。所定画像は、例えば、輝度値が一定の画像(輝度値が高い画像、明るい画像)とすることができる。候補領域は、検出対象候補の形状や大きさに応じて、検出対象候補を囲む矩形状の領域とすることができる。所定位置は、例えば、所定画像の中央(中点)とすることができる。例えば、候補領域の中央が所定画像の中央に一致するように候補領域を配置することができる。
第2画像上での候補領域の位置を、第2画像毎に同じ位置にできるので、候補領域の位置が画像毎にばらつく場合に比べて、微小な検出対象を精度よく検出することができる。
所定画像の背景色を白にすることにより、微小な検出対象と背景とのコントラストを高くすることができる。
第1学習器571及び第2学習器572は、例えば、多層のニューラルネットワーク(深層学習)で構成することができ、例えば、畳み込みニューラルネットワーク(Convolutional Neural Network)を用いることができるが、他の機械学習を用いてもよい。本明細書では、第1学習器571及び第2学習器572は、畳み込みニューラルネットワークで構成されるものとして説明するが、これに限定されない。
図5は第1学習器571及び第2学習器572の構成の一例を示す模式図である。畳み込みニューラルネットワークは、入力層と出力層との間に隠れ層を備える。隠れ層は、複数段からなる畳み込み層及びプーリング層、及び最終段に全結合層を備える。なお、畳み込み層、プーリング層及び全結合層の数は適宜決定できる。
次に、第1学習器571及び第2学習器572の生成方法(学習方法)について説明する。なお、制御部51は、第1学習器571及び第2学習器572の学習処理を行うことができる。制御部51及び学習器57は、例えば、CPU(例えば、複数のプロセッサコアを実装したマルチ・プロセッサなど)、GPU(Graphics Processing Units)、DSP(Digital Signal Processors)、FPGA(Field-Programmable Gate Arrays)などのハードウェアを組み合わせることによって構成することができる。
第1学習器571は、検出対象が含まれる第1ラベル画像と検出対象が含まれない第2ラベル画像とを学習データとして用いて生成することができる。まず、第1ラベル画像を用いる場合について説明する。
図6は第1ラベル画像を用いた第1学習器571の生成方法の一例を示す模式図である。第1ラベル画像は、タイプAのみが含まれる画像の集合、タイプBのみが含まれる画像の集合、タイプCのみが含まれる画像の集合、タイプDのみが含まれる画像の集合とすることができる。第1学習器571は、第1ラベル画像の集合を入力層に与え、検出対象ありのラベル(例えば、レベル11)を出力層に与えて生成できる。
図7は第2ラベル画像を用いた第1学習器571の生成方法の一例を示す模式図である。第2ラベル画像は、タイプA、B、C、Dのいずれも含まれない画像の集合とすることができる。第1学習器571は、第2ラベル画像の集合を入力層に与え、検出対象なしのラベル(例えば、ラベル12)を出力層に与えて生成できる。
これにより、画像生成部56で生成した第2画像に、検出対象としてのタイプA、B、C、Dのいずれか一つが含まれている場合、第1学習器571は、検出対象が存在していることを検出できる。また、第2画像に、検出対象としてのタイプA、B、C、Dのいずれも含まれていない場合、第1学習器571は、検出対象が存在しないことを検出できる。
次に、第2学習器572の生成方法(学習方法)について説明する。第2学習器572は、第1ラベル画像に含まれる検出対象の異なる種別毎に区分された複数の種別ラベル画像を学習データとして用いて生成できる。
図8は種別ラベル画像を用いた第2学習器572の生成方法の一例を示す模式図である。例えば、第1ラベル画像の集合にタイプA、B、C、Dの4つの種別の検出対象が含まれる場合、種別ラベル画像として、タイプAを含むタイプAレベル画像、タイプBを含むタイプBレベル画像、タイプCを含むタイプCレベル画像、タイプDを含むタイプDレベル画像の4つの集合に分ける。
第2学習器572は、タイプAレベル画像の集合を入力層に与え、種別がタイプAであることを示すラベル(例えば、ラベル21)を出力層に与えて生成し、タイプBレベル画像の集合を入力層に与え、種別がタイプBであることを示すラベル(例えば、ラベル23)を出力層に与えて生成し、タイプCレベル画像の集合を入力層に与え、種別がタイプCであることを示すラベル(例えば、ラベル25)を出力層に与えて生成し、タイプDレベル画像の集合を入力層に与え、種別がタイプDであることを示すラベル(例えば、ラベル27)を出力層に与えて生成することができる。なお、ラベル21を出力層に与える場合、タイプB、C、Dは存在しないので、ラベル24、26、28を併用してもよい。ラベル23、25、27を出力層に与える場合も同様である。
これにより、第2学習器572は、検出対象の種別を検出できる。
検出対象としてのタイプA〜Dのうち、例えば、タイプDについては、セル内に存在する個数に応じてセルの良否が決定されるとする。第2学習器572が所定の検出対象(例えば、タイプD)の個数を検出できるように学習させることもできる。この場合には、1又は複数のタイプDラベル画像を含む種別ラベル画像を第2学習器572の入力層に与え、タイプDラベル画像の枚数(例えば、ラベル0〜N)を出力層に与えて第2学習器572を生成できる。
次に、第1学習器571による検出対象の有無の検出、及び第2学習器572による検出対象の種別及び検出対象の個数の検出方法について説明する。
図9は本実施の形態の検出装置50による検出対象の検出方法の一例を示す模式図である。欠陥判定部53は、入力画像に所定の欠陥対象が含まれるか否かを判定する。欠陥対象がある場合、検出部58は、欠陥あり、すなわち不良品であることを検出する。欠陥判定部53は、欠陥対象がない入力画像を第1画像として候補領域抽出部54へ出力する。
候補領域抽出部54は、第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出する。候補領域がない場合、検出部58は、良品であることを検出する。候補領域がある場合、候補領域抽出部54は、候補領域が含まれる第1画像を画像生成部56へ出力する。
画像生成部56は、候補領域が所定位置に配置された第2画像を、抽出された候補領域の数だけ生成し、生成した第2画像を順番に第1学習器571へ出力する。
前述のように、第1学習器571は、教師データを用いて検出対象の有無を検出できるよう生成されている。第1学習器571で検出対象がないと判定された場合、検出部58は、セルが良品であることを検出する。また、第1学習器571で検出対象があると判定された場合、検出部58は、セルが不良品であることを検出する。このように、検出部58は、第2画像を第1学習器571に入力して検出対象の有無を検出することができる。第1学習器571に入力する第2画像は、少数の候補領域だけが含まれるので、第1学習器571の検出精度を高めることができる。また、通常の画像処理では、画像の輝度分布や歪み等の影響で微小な欠陥の検出が困難であるとしても、第1学習器571を用いることにより、検出精度が所要の精度になるまで学習させることができ、微小な検出対象を精度よく検出することができる。
また、検出部58は、第2画像それぞれを順番に第1学習器571に入力して検出対象の有無を検出することができる。例えば、検出候補対象を含む候補領域が5つ抽出された場合、5つの第2画像を順番に第1学習器571に入力し、第1学習器571は、第2画像毎に検出対象の有無を検出する。これにより、すべての検出候補対象について漏れなく、検出対象であるか否かを検出することができる。
前述のように、第2学習器572は、教師データを用いて検出対象の種別を検出できるよう生成されている。
検出部58は、種別検出部としての機能を有し、第1学習器571に入力された第2画像のうち、検出対象が検出された第2画像を第3画像として第2学習器572に入力する。第2学習器572は、検出対象の種別を検出する。候補領域が含まれる複数の第2画像が第1学習器571に入力された場合、第3画像は、第1学習器571で検出対象が存在しないと判定された第2画像を除き、第1学習器571で検出対象が存在すると判定された第2画像のみを含む。第2学習器572を用いることにより、検出対象の種別の検出精度が所要の精度になるまで学習させることができ、微小な検出対象の種別を精度よく検出することができる。
図9に示すように、第2学習器572がタイプA〜Cの有無を判定すると、検出部58は、タイプA〜Cの種別毎の検出結果を出力することができる。例えば、タイプA〜Cのいずれか一つの種別が含まれる場合、検出部58は、当該セルを不良品として検出できる。
このように、検出部58は、第3画像を第2学習器572に入力し、異なる種別の検出対象を検出することができる。例えば、タイプA、B、C、Dが含まれる4つの第3画像が第2学習器572に入力された場合、検出部58は、タイプA、B、C、Dの4つの異なる種別を検出することができる。これにより、検出対象の形状が多種多様であって異なる種別がある場合でも、検出対象の種別を検出できる。
また、第2学習器572がタイプDの個数を判定すると、検出部58は、タイプDの個数に応じた良品・不良品の判定結果を出力することができる。例えば、タイプDのひびの個数が一つのセル内に4個以上存在する場合、当該セルを不良品と判定できる。
このように、検出部58は、第3画像それぞれを順番に第2学習器572に入力し、同一種別の検出対象の個数を検出することができる。例えば、タイプDが含まれる3つの第3画像が順番に第2学習器572に入力されると、第2学習器572は、タイプDについて3回検出するので、タイプDの個数を3と検出することができる。これにより、撮像対象の中に存在する微小な検出対象の個数に応じて撮像対象の良否が決まる場合でも、検出対象の個数も検出できるので、撮像対象の良否を判定できる。
図10は学習器57の構成の他の例を示す模式図である。学習器57は、複数の第2学習器572a、572b、572c、…、572nを備える。第2学習器572a、572b、572c、…、572nは、それぞれタイプA、B、C、…Nの検出対象を検出できるように学習してある。
例えば、異なる種別として、タイプA、Bがある場合、タイプAを検出する第2学習器、タイプBを検出する第2学習器の2つの第2学習器を備えることができる。検出部58は、一の第2学習器に入力された第3画像のうち、一の種別が検出された第3画像を除く第4画像を別の第2学習器に入力して一の種別と異なる種別を検出することができる。例えば、タイプAが含まれる第3画像、及びタイプBが含まれる第3画像が順番に一の第2学習器に入力され、当該一の第2学習器がタイプAを検出した場合、タイプAを除くタイプBが含まれる第3画像を第4画像として次の第2学習器に入力する。当該次の第2学習器はタイプBを検出できる。検出種別が3以上の場合も同様である。これにより、検出対象の形状が多種多様であって異なる種別がある場合でも、検出対象の種別を検出できる。
図11は検出システムの構成の一例を示す模式図である。本実施の形態の検出システムは、検出装置50を備えるサーバ100が通信ネットワーク1に接続されている。なお、図11では、サーバ100を1台だけ図示しているが、サーバ100の数は1台に限定されない。通信ネットワーク1には、複数のクライアント装置10が接続されている。サーバ100及びクライアント装置10は、所要のデータを送受信できる通信機能を備えている。
クライアント装置10が、通信ネットワーク1を介して撮像対象が撮像された入力画像をサーバ100へ送信すると、サーバ100は、入力画像を受信する。サーバ100は、受信した入力画像に対して、検出装置50による各処理を行う。サーバ100は、検出結果(例えば、撮像対象の良否、検出対象の有無、検出対象の種別など)を当該クライアント装置10へ送信する。これにより、クライアント装置10側では、入力画像を送信するだけで、検出結果を得ることができ、クライアント装置10側で検出装置50を備える必要がない。
図12は検出装置50による処理の手順の一例を示すフローチャートである。以下では便宜上、処理の主体を制御部51として説明する。制御部51は、入力画像を取得し(S11)、欠陥の有無を判定する(S12)。ここで、欠陥とは、例えば、図2に例示したものである。欠陥がない場合(S12でNO)、制御部51は、候補領域抽出部54に第1画像を入力する(S13)。第1画像は、欠陥対象がないと判定された入力画像である。
制御部51は、候補領域を抽出し(S14)、候補領域の有無を判定する(S15)。候補領域がない場合(S15でNO)、入力画像には、欠陥対象も無く、かつ検出対象も無いので、入力画像に対応する撮像対象(例えば、セル)を良品と判定し(S16)、処理を終了する。
候補領域がある場合(S15でYES)、制御部51は、第2画像を生成する(S17)。例えば、第1画像内に3つの候補領域がある場合、それぞれの候補領域を所定位置に配置した第2画像を3つ生成する。制御部51は、第1学習器571に第2画像を順番に入力し(S18)、検出対象としてのひびの有無を判定する(S19)。ひびがない場合(S19でNO)、制御部51は、ステップS16の処理を行う。
ひびがある場合(S19でYES)、制御部51は、第2学習器572に第3画像を入力する(S20)。第3画像は、第1学習器571に入力された第2画像のうち、第1学習器571でひびが検出された画像である。制御部51は、ひびの種別を検出する(S21)。
制御部51は、他の第3画像の有無を判定し(S22)、他の第3画像がある場合(S22でYES)、ステップS20以降の処理を繰り返す。他の第3画像がない場合(S22でNO)、制御部51は、タイプA〜Cのひびの有無を判定し(S23)、タイプA〜Cのひびがない場合(S23でNO)、タイプDのひびの個数が所定値以上であるか否かを判定する(S24)。
タイプDのひびの個数が所定値以上でない場合(S24でNO)、制御部51は、ステップS16の処理を行う。欠陥がある場合(S12でYES)、タイプA〜Cのひびがある場合(S23でYES)、あるいは、タイプDのひびの個数が所定値以上である場合(S24でYES)、制御部51は、入力画像に対応する撮像対象(例えば、セル)を不良品と判定し(S25)、処理を終了する。なお、入力画像が複数ある場合には、図12に示す処理を繰り返せばよい。
検出装置50は、CPU(プロセッサ)、GPU、RAM(メモリ)などを備えたコンピュータを用いて実現することもできる。すなわち、図12に示すような、各処理の手順を定めたコンピュータプログラムをコンピュータに備えられたRAM(メモリ)にロードし、コンピュータプログラムをCPU(プロセッサ)で実行することにより、コンピュータ上で検出装置50を実現することができる。コンピュータプログラムは記録媒体に記録され流通されてもよい。
本実施の形態によれば、目視では確認が難しい微小な検出対象や、形状や大きさが多種多様の微小な検出対象であっても、精度良く検出対象を検出することができる。また、様々な検出対象の種別も検出することができる。
上述の実施の形態では、撮像対象として太陽電池モジュールを構成するセルを用いて説明するとともに、検出対象として「ひびと称する対象」を用いて説明したが、撮像対象及び検出対象は、これらに限定されるものではない。
本実施の形態に係る検出装置は、第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出する候補領域抽出部と、前記候補領域抽出部で抽出した候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成する画像生成部と、第1学習器と、前記画像生成部で生成した第2画像を前記第1学習器に入力して検出対象の有無を検出する検出部とを備える。
本実施の形態に係るコンピュータプログラムは、コンピュータに、第1画像を取得する処理と、取得した第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出する処理と、抽出した候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成する処理と、生成した第2画像を第1学習器に入力して検出対象の有無を検出する処理とを実行させる。
本実施の形態に係る検出方法は、第1画像を取得し、取得された第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出し、抽出された候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成し、生成された第2画像を第1学習器に入力して検出対象の有無を検出する。
候補領域抽出部は、第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出する。第1画像は、例えば、撮像対象が撮像された入力画像に対して、目視で確認できる欠陥が存在しないと判定された画像である。画像処理は、例えば、濃度補正、雑音除去、エッジ検出、特徴量抽出などの通常の画像処理を含む。検出対象候補は、例えば、目視では検出が難しい微小な欠陥が含まれる領域であり、微小な検出対象候補を含む領域である。なお、検出対象候補が抽出できない第1画像は、撮像対象が良品であると判定できる。
画像生成部は、抽出した候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成する。少なくとも一つとは、多数の候補領域を含まないという意味であり、例えば、一つ、二つ、あるいは三つ程度(少数)とすることができる。例えば、1つの第1画像から3つの検出対象候補A、B、Cが抽出された場合、画像生成部が、検出対象候補Aが含まれる第2画像、検出対象候補Bが含まれる第2画像、検出対象候補Cが含まれる第2画像の3つの第2画像を生成する。
第1学習器は、例えば、多層のニューラルネットワーク(深層学習)で構成することができ、例えば、畳み込みニューラルネットワーク(Convolutional Neural Network)を用いることができるが、他の機械学習を用いてもよい。第1学習器は、教師データを用いて検出対象の有無を検出できるよう生成されている。
検出部は、第2画像を第1学習器に入力して検出対象の有無を検出する。第1学習器に入力する第2画像は、少数の候補領域だけが含まれるので、第1学習器の検出精度を高めることができる。また、通常の画像処理では、画像の輝度分布や歪み等の影響で微小な欠陥の検出が困難であるとしても、第1学習器を用いることにより、検出精度が所要の精度になるまで学習させることができ、微小な検出対象を精度よく検出することができる。
本実施の形態に係る検出装置において、前記画像生成部は、前記候補領域抽出部で抽出した候補領域の少なくとも一つを所定画像の所定位置に配置して第2画像を生成する。
画像生成部は、抽出した候補領域の少なくとも一つを所定画像の所定位置に配置して第2画像を生成する。所定画像は、例えば、輝度値が一定の画像(輝度値が高い画像、明るい画像)とすることができる。候補領域は、検出対象候補の形状や大きさに応じて、検出対象候補を囲む矩形状の領域とすることができる。所定位置は、例えば、所定画像の中央(中点)とすることができる。例えば、候補領域の中央が所定画像の中央に一致するように候補領域を配置することができる。
第2画像上での候補領域の位置を、第2画像毎に同じ位置にできるので、候補領域の位置が画像毎にばらつく場合に比べて、微小な検出対象を精度よく検出することができる。
本実施の形態に係る検出装置において、前記検出部は、前記第2画像それぞれを順番に前記第1学習器に入力して検出対象の有無を検出する。
検出部は、第2画像それぞれを順番に第1学習器に入力して検出対象の有無を検出する。例えば、検出候補対象を含む候補領域が5つ抽出された場合、5つの第2画像を順番に第1学習器に入力し、第1学習器は、第2画像毎に検出対象の有無を検出する。これにより、すべての検出候補対象について、検出対象であるか否かを検出することができる。
本実施の形態に係る検出装置において、前記第1学習器は、検出対象が含まれる第1ラベル画像と検出対象が含まれない第2ラベル画像とを学習データとして用いて生成してある。
第1学習器は、検出対象が含まれる第1ラベル画像と検出対象が含まれない第2ラベル画像とを学習データとして用いて生成してある。検出対象を、例えば、形状や種別に応じて、便宜上、タイプA、B、C、Dと分けたとする。第1ラベル画像は、タイプAのみが含まれる画像、タイプBのみが含まれる画像、タイプCのみが含まれる画像、タイプDのみが含まれる画像の集合とすることができる。第1学習器は、第1ラベル画像と検出対象ありのラベルとを用いて生成できる。第2ラベル画像は、タイプA、B、C、Dのいずれも含まれない画像の集合とすることができる。第1学習器は、第2ラベル画像と検出対象なしのラベルとを用いて生成できる。
これにより、第2画像に、タイプA、B、C、Dのいずれか一つが含まれている場合、検出対象が存在していることを検出できる。また、第2画像に、タイプA、B、C、Dのいずれも含まれていない場合、検出対象が存在しないことを検出できる。
本実施の形態に係る検出装置は、第2学習器と、前記第1学習器に入力された第2画像のうち、検出対象が検出された第3画像を前記第2学習器に入力して検出対象の種別を検出する種別検出部とを備える。
第2学習器は、例えば、多層のニューラルネットワーク(深層学習)で構成することができ、例えば、畳み込みニューラルネットワーク(Convolutional Neural Network)を用いることができるが、他の機械学習を用いてもよい。第2学習器は、教師データを用いて検出対象の種別を検出できるよう生成されている。
種別検出部は、第1学習器に入力された第2画像のうち、検出対象が検出された第3画像を第2学習器に入力して検出対象の種別を検出する。候補領域が含まれる複数の第2画像が第1学習器に入力された場合、第3画像は、第1学習器で検出対象が存在しないと判定された第2画像を除き、第1学習器で検出対象が存在すると判定された第2画像のみを含む。第2学習器を用いることにより、検出対象の種別の検出精度が所要の精度になるまで学習させることができ、微小な検出対象の種別を精度よく検出することができる。
本実施の形態に係る検出装置において、前記種別検出部は、前記第3画像それぞれを順番に前記第2学習器に入力し、同一種別の検出対象の個数を検出する。
種別検出部は、第3画像それぞれを順番に第2学習器に入力し、同一種別の検出対象の個数を検出する。例えば、タイプDが含まれる3つの第3画像が順番に第2学習器に入力されると、第2学習器は、タイプDについて3回検出するので、タイプDの個数を3と検出することができる。これにより、撮像対象の中に存在する微小な検出対象の個数に応じて撮像対象の良否が決まる場合でも、検出対象の個数も検出できるので、撮像対象の良否を判定できる。
本実施の形態に係る検出装置において、前記種別検出部は、前記第3画像を前記第2学習器に入力し、異なる種別の検出対象を検出する。
種別検出部は、第3画像を第2学習器に入力し、異なる種別の検出対象を検出する。例えば、タイプA、B、C、Dが含まれる4つの第3画像が第2学習器に入力された場合、種別検出部は、タイプA、B、C、Dの4つの異なる種別を検出することができる。これにより、検出対象の形状が多種多様であって異なる種別がある場合でも、検出対象の種別を検出できる。
本実施の形態に係る検出装置は、前記第2学習器を複数備え、前記種別検出部は、一の第2学習器に入力された前記第3画像のうち、一の種別が検出された第3画像を除く第4画像を別の第2学習器に入力して前記一の種別と異なる種別を検出する。
第2学習器を複数備える。例えば、異なる種別として、タイプA、Bがある場合、タイプAを検出する第2学習器、タイプBを検出する第2学習器の2つの第2学習器を備えることができる。種別検出部は、一の第2学習器に入力された第3画像のうち、一の種別が検出された第3画像を除く第4画像を別の第2学習器に入力して一の種別と異なる種別を検出する。例えば、タイプAが含まれる第3画像、及びタイプBが含まれる第3画像が順番に一の第2学習器に入力され、当該一の第2学習器がタイプAを検出した場合、タイプAを除くタイプBが含まれる第3画像を第4画像として次の第2学習器に入力する。当該次の第2学習器はタイプBを検出できる。これにより、検出対象の形状が多種多様であって異なる種別がある場合でも、検出対象の種別を検出できる。
本実施の形態に係る検出装置において、前記第2学習器は、検出対象が含まれる第1ラベル画像の前記検出対象の異なる種別毎に区分された複数の種別ラベル画像を学習データとして用いて生成してある。
第2学習器は、第1ラベル画像に含まれる検出対象の異なる種別毎に区分された複数の種別ラベル画像を学習データとして用いて生成してある。例えば、第1ラベル画像の集合にタイプA、B、C、Dの4つの種別の検出対象が含まれる場合、タイプAを含むタイプAレベル画像、タイプBを含むタイプBレベル画像、タイプCを含むタイプCレベル画像、タイプDを含むタイプDレベル画像の4つの集合に分ける。第2学習器は、タイプAレベル画像の集合と種別がタイプAであることを示すラベルとを用いて生成し、タイプBレベル画像の集合と種別がタイプBであることを示すラベルとを用いて生成し、タイプCレベル画像の集合と種別がタイプCであることを示すラベルとを用いて生成し、タイプDレベル画像の集合と種別がタイプDであることを示すラベルとを用いて生成することができる。
本実施の形態に係る検出装置は、撮像対象が撮像された入力画像を取得する取得部と、前記取得部で取得した入力画像に所定の欠陥対象が含まれるか否かを判定する判定部とを備え、前記判定部で欠陥対象がないと判定された入力画像を前記第1画像とする。
取得部は、撮像対象が撮像された入力画像を取得する。撮像対象は、被検査対象であり、例えば、太陽電池モジュールの場合、モジュールを構成する各セルとすることができるが、これに限定されない。
判定部は、入力画像に所定の欠陥対象が含まれるか否かを判定する。判定部は、画像処理機能を備え、入力画像に基づいて所定の欠陥対象の有無を判定できる。撮像対象が、セルの場合、所定の欠陥対象は、例えば、単セル異常、断線(フィンガー断線ともいう)、洗浄跡(水跡ともいう)、断線併発ひび等を含むが、これらに限定されない。判定部で欠陥対象がないと判定された入力画像を第1画像とする。これにより、比較的、検出の易しい欠陥を予め除外し、検出が困難な微小な検出対象が含まれる可能性のある画像だけを絞り込んで処理することができる。
本実施の形態に係る学習器は、検出対象が含まれる第1ラベル画像と検出対象が含まれない第2ラベル画像とを学習データとして用いて生成された第1学習器と、前記第1ラベル画像に含まれる検出対象の異なる種別毎に区分された複数の種別ラベル画像を学習データとして用いて生成された第2学習器とを備える。
本実施の形態に係る学習器の生成方法は、検出対象が含まれる第1ラベル画像と検出対象が含まれない第2ラベル画像とを取得し、取得された第1ラベル画像及び第2ラベル画像を学習データとして用いて第1学習器を生成し、前記第1ラベル画像に含まれる検出対象の異なる種別毎に区分された複数の種別ラベル画像を学習データとして用いて第2学習器を生成する。
学習器は、第1学習器及び第2学習器を備える。第1学習器及び第2学習器は、例えば、多層のニューラルネットワーク(深層学習)で構成することができ、例えば、畳み込みニューラルネットワーク(Convolutional Neural Network)を用いることができるが、他の機械学習を用いてもよい。
第1学習器は、検出対象が含まれる第1ラベル画像と検出対象が含まれない第2ラベル画像とを学習データとして用いて生成してある。検出対象を、例えば、形状や種別に応じて、便宜上、タイプA、B、C、Dと分けたとすると、第1ラベル画像は、タイプAのみが含まれる画像、タイプBのみが含まれる画像、タイプCのみが含まれる画像、タイプDのみが含まれる画像の集合とすることができる。第1学習器は、第1ラベル画像と検出対象ありのラベルとを用いて生成できる。第2ラベル画像は、タイプA、B、C、Dのいずれも含まれない画像の集合とすることができる。第1学習器は、第2ラベル画像と検出対象なしのラベルとを用いて生成できる。
これにより、第2画像に、タイプA、B、C、Dのいずれか一つが含まれている場合、検出対象が存在していることを検出できる。また、第2画像に、タイプA、B、C、Dのいずれも含まれていない場合、検出対象が存在しないことを検出できる。
第2学習器は、第1ラベル画像に含まれる検出対象の異なる種別毎に区分された複数の種別ラベル画像を学習データとして用いて生成してある。例えば、第1ラベル画像の集合にタイプA、B、C、Dの4つの種別の検出対象が含まれる場合、タイプAを含むタイプAレベル画像、タイプBを含むタイプBレベル画像、タイプCを含むタイプCレベル画像、タイプDを含むタイプDレベル画像の4つの集合に分ける。第2学習器は、タイプAレベル画像の集合と種別がタイプAであることを示すラベルとを用いて生成し、タイプBレベル画像の集合と種別がタイプBであることを示すラベルとを用いて生成し、タイプCレベル画像の集合と種別がタイプCであることを示すラベルとを用いて生成し、タイプDレベル画像の集合と種別がタイプDであることを示すラベルとを用いて生成することができる。
これにより、第3画像の集合に異なる種別の検出対象が含まれる場合、検出対象の種別を検出できる。
本実施の形態に係る学習器において、前記第1ラベル画像は、検出対象候補が含まれる候補領域の少なくとも一つを含む。
第1ラベル画像は、検出対象候補が含まれる候補領域の少なくとも一つを含む。少なくとも一つとは、多数の候補領域を含まないという意味であり、例えば、一つ、二つ、あるいは三つ程度(少数)とすることができる。例えば、1つの学習用画像に3つの検出対象候補A、B、Cが含まれる場合、第1ラベル画像は、検出対象候補Aが含まれる画像、検出対象候補Bが含まれる画像、検出対象候補Cが含まれる画像の3つの画像となる。少数の候補領域だけが含まれるので、第1学習器の検出精度を高めることができる。
本実施の形態に係る学習器において、前記第1ラベル画像は、検出対象候補が含まれる候補領域を所定画像の所定位置に配置してある。
第1ラベル画像は、検出対象候補が含まれる候補領域を所定画像の所定位置に配置してある。所定画像は、例えば、輝度値が一定の画像(輝度値が高い画像、明るい画像)とすることができる。候補領域は、検出対象候補の形状や大きさに応じて、検出対象候補を囲む矩形状の領域とすることができる。所定位置は、例えば、所定画像の中央(中点)とすることができる。例えば、候補領域の中央が所定画像の中央に一致するように候補領域を配置することができる。
第1ラベル画像上での候補領域の位置を、第1ラベル画像毎に同じ位置にできるので、候補領域の位置が画像毎にばらつく場合に比べて、微小な検出対象を精度よく検出することができる。
本実施の形態に係る学習器において、前記所定画像は、背景色が白である。
所定画像は、背景色が白である。これにより、微小な検出対象と背景とのコントラストを高くすることができる。
本実施の形態に係る学習器において、前記第1ラベル画像は、撮像対象が撮像された画像のうち所定の欠陥対象がないと判定された画像である。
第1ラベル画像は、撮像対象が撮像された画像のうち所定の欠陥対象がないと判定された画像である。撮像対象は、被検査対象であり、例えば、太陽電池モジュールの場合、モジュールを構成する各セルとすることができるが、これに限定されない。撮像対象が、セルの場合、所定の欠陥対象は、例えば、単セル異常、断線(フィンガー断線ともいう)、洗浄跡(水跡ともいう)、断線併発ひび等を含むが、これらに限定されない。これにより、比較的、検出の易しい欠陥を予め除外し、検出が困難な微小な検出対象が含まれる可能性のある画像だけを絞り込んで処理することができる。
1 通信ネットワーク
10 クライアント装置
50 検出装置
51 制御部
52 入力部
53 欠陥判定部
54 候補領域抽出部
55 記憶部
56 画像生成部
57 学習器
571 第1学習器
572、572a、572b、572c、572n 第2学習器
58 検出部
100 サーバ
10 クライアント装置
50 検出装置
51 制御部
52 入力部
53 欠陥判定部
54 候補領域抽出部
55 記憶部
56 画像生成部
57 学習器
571 第1学習器
572、572a、572b、572c、572n 第2学習器
58 検出部
100 サーバ
Claims (18)
- 第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出する候補領域抽出部と、
前記候補領域抽出部で抽出した候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成する画像生成部と、
第1学習器と、
前記画像生成部で生成した第2画像を前記第1学習器に入力して検出対象の有無を検出する検出部と
を備える検出装置。 - 前記画像生成部は、
前記候補領域抽出部で抽出した候補領域の少なくとも一つを所定画像の所定位置に配置して第2画像を生成する請求項1に記載の検出装置。 - 前記検出部は、
前記第2画像それぞれを順番に前記第1学習器に入力して検出対象の有無を検出する請求項1又は請求項2に記載の検出装置。 - 前記第1学習器は、
検出対象が含まれる第1ラベル画像と検出対象が含まれない第2ラベル画像とを学習データとして用いて生成してある請求項1から請求項3のいずれか一項に記載の検出装置。 - 第2学習器と、
前記第1学習器に入力された第2画像のうち、検出対象が検出された第3画像を前記第2学習器に入力して検出対象の種別を検出する種別検出部と
を備える請求項1から請求項4のいずれか一項に記載の検出装置。 - 前記種別検出部は、
前記第3画像それぞれを順番に前記第2学習器に入力し、同一種別の検出対象の個数を検出する請求項5に記載の検出装置。 - 前記種別検出部は、
前記第3画像を前記第2学習器に入力し、異なる種別の検出対象を検出する請求項5又は請求項6に記載の検出装置。 - 前記第2学習器を複数備え、
前記種別検出部は、
一の第2学習器に入力された前記第3画像のうち、一の種別が検出された第3画像を除く第4画像を別の第2学習器に入力して前記一の種別と異なる種別を検出する請求項5又は請求項6に記載の検出装置。 - 前記第2学習器は、
検出対象が含まれる第1ラベル画像の前記検出対象の異なる種別毎に区分された複数の種別ラベル画像を学習データとして用いて生成してある請求項5から請求項8のいずれか一項に記載の検出装置。 - 撮像対象が撮像された入力画像を取得する取得部と、
前記取得部で取得した入力画像に所定の欠陥対象が含まれるか否かを判定する判定部と
を備え、
前記判定部で欠陥対象がないと判定された入力画像を前記第1画像とする請求項1から請求項9のいずれか一項に記載の検出装置。 - 検出対象が含まれる第1ラベル画像と検出対象が含まれない第2ラベル画像とを学習データとして用いて生成された第1学習器と、
前記第1ラベル画像に含まれる検出対象の異なる種別毎に区分された複数の種別ラベル画像を学習データとして用いて生成された第2学習器と
を備える学習器。 - 前記第1ラベル画像は、
検出対象候補が含まれる候補領域の少なくとも一つを含む請求項11に記載の学習器。 - 前記第1ラベル画像は、
検出対象候補が含まれる候補領域を所定画像の所定位置に配置してある請求項12に記載の学習器。 - 前記所定画像は、背景色が白である請求項13に記載の学習器。
- 前記第1ラベル画像は、
撮像対象が撮像された画像のうち所定の欠陥対象がないと判定された画像である請求項12から請求項14のいずれか一項に記載の学習器。 - コンピュータに、
第1画像を取得する処理と、
取得した第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出する処理と、
抽出した候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成する処理と、
生成した第2画像を第1学習器に入力して検出対象の有無を検出する処理と
を実行させるコンピュータプログラム。 - 第1画像を取得し、
取得された第1画像に対して画像処理を行って検出対象候補が含まれる1又は複数の候補領域を抽出し、
抽出された候補領域の少なくとも一つが含まれる1又は複数の第2画像を生成し、
生成された第2画像を第1学習器に入力して検出対象の有無を検出する検出方法。 - 検出対象が含まれる第1ラベル画像と検出対象が含まれない第2ラベル画像とを取得し、
取得された第1ラベル画像及び第2ラベル画像を学習データとして用いて第1学習器を生成し、
前記第1ラベル画像に含まれる検出対象の異なる種別毎に区分された複数の種別ラベル画像を学習データとして用いて第2学習器を生成する学習器の生成方法。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019016262 | 2019-01-31 | ||
JP2019016262 | 2019-01-31 | ||
PCT/JP2020/002630 WO2020158630A1 (ja) | 2019-01-31 | 2020-01-24 | 検出装置、学習器、コンピュータプログラム、検出方法及び学習器の生成方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPWO2020158630A1 true JPWO2020158630A1 (ja) | 2021-10-07 |
Family
ID=71840140
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020569594A Pending JPWO2020158630A1 (ja) | 2019-01-31 | 2020-01-24 | 検出装置、学習器、コンピュータプログラム、検出方法及び学習器の生成方法 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JPWO2020158630A1 (ja) |
WO (1) | WO2020158630A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7453552B2 (ja) * | 2020-12-07 | 2024-03-21 | ダイトロン株式会社 | 欠陥評価方法及びプログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000057349A (ja) * | 1998-08-10 | 2000-02-25 | Hitachi Ltd | 欠陥の分類方法およびその装置並びに教示用データ作成方法 |
JP2012026982A (ja) * | 2010-07-27 | 2012-02-09 | Panasonic Electric Works Sunx Co Ltd | 検査装置 |
JP2012181209A (ja) * | 2012-06-14 | 2012-09-20 | Hitachi Ltd | 欠陥分類方法及びその装置 |
JP2015041164A (ja) * | 2013-08-20 | 2015-03-02 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
JP2017102906A (ja) * | 2015-11-25 | 2017-06-08 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
-
2020
- 2020-01-24 JP JP2020569594A patent/JPWO2020158630A1/ja active Pending
- 2020-01-24 WO PCT/JP2020/002630 patent/WO2020158630A1/ja active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000057349A (ja) * | 1998-08-10 | 2000-02-25 | Hitachi Ltd | 欠陥の分類方法およびその装置並びに教示用データ作成方法 |
JP2012026982A (ja) * | 2010-07-27 | 2012-02-09 | Panasonic Electric Works Sunx Co Ltd | 検査装置 |
JP2012181209A (ja) * | 2012-06-14 | 2012-09-20 | Hitachi Ltd | 欠陥分類方法及びその装置 |
JP2015041164A (ja) * | 2013-08-20 | 2015-03-02 | キヤノン株式会社 | 画像処理装置、画像処理方法およびプログラム |
JP2017102906A (ja) * | 2015-11-25 | 2017-06-08 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
WO2020158630A1 (ja) | 2020-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6936957B2 (ja) | 検査装置、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 | |
TWI787296B (zh) | 光學檢測方法、光學檢測裝置及光學檢測系統 | |
Shipway et al. | Automated defect detection for fluorescent penetrant inspection using random forest | |
US20230386013A1 (en) | Method and system for scanning wafer | |
JP6189127B2 (ja) | はんだ付け検査装置、はんだ付け検査方法および電子部品 | |
JP2017049974A (ja) | 識別器生成装置、良否判定方法、およびプログラム | |
JP2019109563A (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 | |
JP2016106228A5 (ja) | ||
US20200402221A1 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
JP2019050376A5 (ja) | ||
US10726535B2 (en) | Automatically generating image datasets for use in image recognition and detection | |
JP2016181098A (ja) | 領域検出装置および領域検出方法 | |
US20220076404A1 (en) | Defect management apparatus, method and non-transitory computer readable medium | |
CN113554645B (zh) | 基于wgan的工业异常检测方法和装置 | |
WO2020158630A1 (ja) | 検出装置、学習器、コンピュータプログラム、検出方法及び学習器の生成方法 | |
JP2020112483A (ja) | 外観検査システム、計算モデル構築方法及び計算モデル構築プログラム | |
CN117274245A (zh) | 基于图像处理技术的aoi光学检测方法及系统 | |
JP2010019646A (ja) | 画像処理検査方法及び画像処理検査システム | |
JP2014135007A (ja) | フラットパネルディスプレイの自動ムラ検出装置および自動ムラ検出方法 | |
JP2011141202A (ja) | 部品検査装置及びプログラム | |
KR20070006424A (ko) | 디스플레이 수단의 메탈 마스크 검사 방법 | |
JP6652593B2 (ja) | 検査装置、検査方法、及び検査プログラム | |
CN113808067B (zh) | 电路板检测方法、视觉检测设备及具有存储功能的装置 | |
WO2021229901A1 (ja) | 画像検査装置、画像検査方法及び学習済みモデル生成装置 | |
WO2023089846A1 (ja) | 検査装置および検査方法並びにこれに用いるプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210419 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220614 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20221206 |