TW201935415A - 評估系統、評估裝置、評估方法、評估程式及記錄媒體 - Google Patents

評估系統、評估裝置、評估方法、評估程式及記錄媒體 Download PDF

Info

Publication number
TW201935415A
TW201935415A TW107138631A TW107138631A TW201935415A TW 201935415 A TW201935415 A TW 201935415A TW 107138631 A TW107138631 A TW 107138631A TW 107138631 A TW107138631 A TW 107138631A TW 201935415 A TW201935415 A TW 201935415A
Authority
TW
Taiwan
Prior art keywords
evaluation
image
area
captured image
unit
Prior art date
Application number
TW107138631A
Other languages
English (en)
Inventor
中野可也
Original Assignee
日商新東工業股份有限公司
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 日商新東工業股份有限公司 filed Critical 日商新東工業股份有限公司
Publication of TW201935415A publication Critical patent/TW201935415A/zh

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
    • G06T7/0006—Industrial image inspection using a design-rule based approach
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B24—GRINDING; POLISHING
    • B24C—ABRASIVE OR RELATED BLASTING WITH PARTICULATE MATERIAL
    • B24C1/00—Methods for use of abrasive blasting for producing particular effects; Use of auxiliary equipment in connection with such methods
    • B24C1/10—Methods for use of abrasive blasting for producing particular effects; Use of auxiliary equipment in connection with such methods for compacting surfaces, e.g. shot-peening
    • 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
    • G06T5/00—Image enhancement or restoration
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/24—Indexing scheme for image data processing or generation, in general involving graphical user interfaces [GUIs]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2200/00—Indexing scheme for image data processing or generation, in general
    • G06T2200/28—Indexing scheme for image data processing or generation, in general involving image processing hardware
    • 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
    • G06T2207/20004—Adaptive image processing
    • G06T2207/20012—Locally adaptive
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30156—Vehicle coating
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Mechanical Engineering (AREA)
  • Image Analysis (AREA)

Abstract

本發明之評估系統係使用評估對象物之攝像圖像，評估評估對象物之覆蓋度之系統，其具備：圖像取得部，其取得攝像圖像；修正部，其藉由修正攝像圖像而產生評估用圖像；評估部，其基於評估用圖像來評估覆蓋度；及輸出部，其輸出評估部之評估結果；且修正部基於攝像圖像所含之凹痕區域之大小，自攝像圖像擷取評估區域，並基於評估區域產生評估用圖像，凹痕區域係產生於評估對象物之凹痕之圖像。

Description

評估系統、評估裝置、評估方法、評估程式及記錄媒體
本發明係關於一種評估系統、評估裝置、評估方法、評估程式及記錄媒體。
為提高機械零件等之強度，有對機械零件等之表面實施珠擊處理之情形。已知有評估此種珠擊處理之完成程度之覆蓋度測定裝置。例如，於專利文獻1中揭示有一種覆蓋度測定裝置，其基於藉由拍攝加工面所得之圖像，算出覆蓋度，並顯示覆蓋度。
[先前技術文獻]
[專利文獻]
[專利文獻1]日本專利特開2011-152603號公報
[發明所欲解決之問題]
對於珠擊處理，可使用各種大小之投射材。因此，形成於加工面之凹痕大小根據投射材之大小而變化。但，若對不同大小之投射材，將相同面積之表面作為評估對象，則有投射材之大小對覆蓋度之評估造成影響之虞。例如，對於投射材之大小，評估對象之表面不具有充分面積之情形時，由於1個凹痕對覆蓋度帶來之影響變大，故有無法對對象物評估全體(平均)覆蓋度之虞。
本技術領域中，期望提高覆蓋度之評估精度。
[解決問題之技術手段]
本發明之一態樣之評估系統係使用評估對象物之攝像圖像，評估評估對象物之覆蓋度之系統。該評估系統具備：圖像取得部，其取得攝像圖像；修正部，其藉由修正攝像圖像而產生評估用圖像；評估部，其基於評估用圖像評估覆蓋度；及輸出部，其輸出評估部之評估結果。修正部基於攝像圖像所含之凹痕區域之大小，自攝像圖像擷取評估區域，基於評估區域產生評估用圖像。凹痕區域為產生於評估對象物之凹痕之圖像。
本發明之其他態樣之評估裝置係使用評估對象物之攝像圖像，評估評估對象物之覆蓋度之裝置。該評估裝置具備：圖像取得部，其取得攝像圖像；修正部，其藉由修正攝像圖像而產生評估用圖像；評估部，其基於評估用圖像評估覆蓋度；及輸出部，其輸出評估部之評估結果。修正部基於攝像圖像所含之凹痕區域之大小，自攝像圖像擷取評估區域，基於評估區域產生評估用圖像。凹痕區域為產生於評估對象物之凹痕之圖像。
本發明之進而其他態樣之評估方法係使用評估對象物之攝像圖像，評估評估對象物之覆蓋度之方法。該評估方法具備以下步驟：取得攝像圖像之步驟；藉由修正攝像圖像而產生評估用圖像之步驟；基於評估用圖像評估覆蓋度之步驟；及輸出評估覆蓋度之步驟中之評估結果之步驟。產生評估用圖像之步驟中，基於攝像圖像所含之凹痕區域之大小，自攝像圖像擷取評估區域，基於評估區域產生評估用圖像。凹痕區域為產生於評估對象物之凹痕之圖像。
本發明之進而其他態樣之評估程式係用以使電腦執行以下步驟之程式：取得評估對象物之攝像圖像之步驟；藉由修正攝像圖像而產生評估用圖像之步驟；基於評估用圖像，評估評估對象物之覆蓋度之步驟；及輸出評估覆蓋度之步驟中之評估結果之步驟。產生評估用圖像之步驟中，基於攝像圖像所含之凹痕區域之大小，自攝像圖像擷取評估區域，基於評估區域產生評估用圖像。凹痕區域為產生於評估對象物之凹痕之圖像。
本發明之進而其他態樣之記錄媒體係記錄有評估程式之電腦可讀取之記錄媒體，該評估程式使電腦執行以下步驟：取得評估對象物之攝像圖像之步驟；藉由修正攝像圖像，產生評估用圖像之步驟；基於評估用圖像，評估評估對象物之覆蓋度之步驟；及輸出評估覆蓋度之步驟中之評估結果之步驟。產生評估用圖像之步驟中，基於攝像圖像所含之凹痕區域之大小，自攝像圖像擷取評估區域，基於評估區域產生評估用圖像。凹痕區域為產生於評估對象物之凹痕之圖像。
該等評估系統、評估裝置、評估方法、評估程式及記錄媒體中，自評估對象物之攝像圖像擷取評估區域，基於評估區域產生評估用圖像。且，基於評估用圖像評估覆蓋度，輸出評估結果。評估區域係基於產生於評估對象物之凹痕之圖像即凹痕區域之大小，自攝像圖像擷取。因此，例如凹痕區域較大之情形時，以評估區域之面積變大之方式擷取評估區域。藉此，以對應於凹痕區域之大小之範圍為對象，評估覆蓋度。其結果，可提高覆蓋度之評估精度。
修正部亦可以凹痕區域之大小愈大，評估區域愈大之方式，自攝像圖像擷取評估區域。該情形時，可減低因凹痕大小之覆蓋度之誤差。其結果，可提高覆蓋度之評估精度。
修正部亦可藉由對凹痕區域之大小乘以預先規定之常數，設定評估區域之大小，自攝像圖像擷取評估區域。該情形時，由於對於凹痕區域之大小，可充分增大評估對象之範圍(面積)，故可減低1個凹痕對覆蓋度帶來之影響。其結果，可提高覆蓋度之評估精度。
修正部亦可以使凹痕區域之大小與特定之大小一致之方式，擴大或縮小評估區域。該情形時，可適當進行利用類神經網路之評估。
修正部亦可基於攝像圖像所含之參照區域之顏色，修正評估區域之顏色。參照區域亦可為標註有特定顏色之參照體之圖像。即使為相同評估對象物，亦有攝像圖像之色調根據拍攝所使用之光源之色調而變化之情形。又，即使為相同評估對象物，亦有攝像圖像之亮度根據光之照射量而不同之情形。上述構成中，參照區域之顏色與特定之顏色不同之情形時，認為攝像圖像之顏色受到光的影響。因此，例如可以參照區域之顏色變為特定之顏色(例如原來的顏色)之方式，藉由修正評估區域之顏色，減低光的影響。藉此，可進而提高覆蓋度之評估精度。
修正部亦可將鏡面反射自評估區域去除。若對評估對象物照射強光，則有產生鏡面反射之情形，若於該狀態下拍攝評估對象物，則有於攝像圖像產生過曝之情形。產生過曝之區域中，損失顏色資訊。因此，藉由將鏡面反射(過曝)去除，可復原顏色資訊。藉此，可進而提高覆蓋度之評估精度。
評估部亦可使用類神經網路評估覆蓋度。該情形時，可藉由學習類神經網路，進而提高覆蓋度之評估精度。
[發明之效果]
根據本發明之各態樣及各實施形態，可提高覆蓋度之評估精度。
以下，一面參照圖式，一面詳細說明本發明之實施形態。另，圖式之說明中對同一要素標註同一符號，省略重複說明。
(第1實施形態)
圖1係概略地顯示包含第1實施形態之評估裝置之評估系統之構成圖。圖1所示之評估系統1為評估評估對象物之覆蓋度之系統。作為評估對象物之例，列舉阿爾曼試片、齒輪及彈簧。覆蓋度係因衝擊產生凹痕之面積相對於成為測定對象之整個表面積之比例。
評估系統1具備1個或複數個使用者終端10，及評估裝置20。使用者終端10及評估裝置20藉由網路NW互相可通信地連接。網路NW亦可以有線及無線之任一者構成。作為網路NW之例，列舉網際網路、移動體通信網及WAN(Wide Area Network，廣域網路)。
使用者終端10係由使用者使用之終端裝置。使用者終端10藉由拍攝評估對象物而產生評估對象物之攝像圖像，將攝像圖像發送至評估裝置20。使用者終端10接收來自評估裝置20之評估結果，將評估結果向使用者輸出。使用者終端10可應用於內置有攝像裝置之攜帶裝置，亦可應用於可與攝像裝置通信之裝置。本實施形態中，作為使用者終端10，使用內置有攝像裝置之攜帶裝置進行說明。作為攜帶終端之例，列舉智慧型手機、平板終端及PC(Personal Computer，個人電腦)。
圖2係圖1所示之使用者終端之硬體構成圖。如圖2所示，使用者終端10物理上可作為電腦構成，該電腦具備：1個或複數個處理器101、主記憶裝置102、輔助記憶裝置103、通信裝置104、輸入裝置105、輸出裝置106及攝像裝置107等之硬體。作為處理器101，使用處理速度較快之處理器。作為處理器101之例，列舉GPU(Graphics Processing Unit，圖形處理單元)及CPU(Central Processing Unit，中央處理單元)。主記憶裝置102係以RAM(Random Access Memory，隨機存取記憶體)及ROM(Read Only Memory，唯讀記憶體)等構成。作為輔助記憶裝置103之例，列舉半導體記憶體及硬碟裝置。
通信裝置104係經由網路NW與其他裝置進行資料收發之裝置。作為通信裝置104之例，列舉網卡。對於經由網路NW之資料之收發，亦可使用加密。即，通信裝置104亦可將資料加密，將經加密之資料發送至其他裝置。通信裝置104亦可自其他裝置接收經加密之資料，並將經加密之資料解碼。加密可使用三重DES(Data Encryption Standard，資料加密標準)及Rijndael等共通鍵加密方式，或RSA及ElGamal等公開鍵加密方式。
輸入裝置105係使用者操作使用者終端10時使用之裝置。作為輸入裝置105之例，列舉觸控面板、鍵盤及滑鼠。輸出裝置106係將各種資訊對使用者終端10之使用者輸出之裝置。作為輸出裝置106之例，列舉顯示器、揚聲器及振動子。
攝像裝置107係用以攝像(圖像化)之裝置。攝像裝置107例如為相機模組。具體而言，攝像裝置107包含：透鏡及攝像元件等複數個光學系統之零件；驅動控制該等之複數個控制系統之電路；及將表示藉由攝像元件產生之攝像圖像之電性信號轉換成數位信號即圖像信號之信號處理系統之電路部。
使用者終端10之圖1所示之各功能係藉由如下而實現：藉由將1個或複數個特定之電腦程式讀取至主記憶裝置102等硬體，基於1個或複數個處理器101之控制，使各硬體動作，且進行主記憶裝置102及輔助記憶裝置103之資料之讀出及寫入。
使用者終端10功能性具備圖像取得部11、修正部13、發送部14、接收部15、輸出部16及修正資訊取得部17。
圖像取得部11係用以取得包含評估對象物之攝像圖像之部分。圖像取得部11例如係藉由攝像裝置107而實現。攝像裝置可為靜止圖像，亦可為動態圖像。攝像圖像例如係作為表示各像素(像素)之像素值之圖像資料而取得，但為便於說明而表現為攝像圖像。使用者終端10不具有攝像裝置107之情形時，圖像取得部11例如藉由自該其他裝置接收藉由其他裝置(例如具有相機功能之終端等)拍攝之攝像圖像，取得攝像圖像。例如，圖像取得部11自其他裝置經由網路NW接收攝像圖像之情形時，進行攝像圖像之接收處理之部分(圖2之通信裝置104等)作為圖像取得部11發揮功能。圖像取得部11將攝像圖像輸出至修正部13。
修正部13係用以藉由修正攝像圖像而產生評估用圖像之部分。修正部13自攝像圖像擷取評估區域，基於評估區域產生評估用圖像。評估區域係根據攝像圖像所含之凹痕之圖像即凹痕區域之大小而規定。修正部13例如對攝像圖像進行尺寸修正、失真修正、顏色修正、鏡面反射去除、雜訊去除及振動修正。針對各修正處理之細節於下文敍述。修正部13將評估用圖像輸出至發送部14。
發送部14係用以將評估用圖像發送至評估裝置20之部分。發送部14經由網路NW將評估用圖像發送至評估裝置20。發送部14進而將藉由修正資訊取得部17取得之修正資訊發送至評估裝置20。發送部14例如係藉由通信裝置104而實現。接收部15係用以接收來自評估裝置20之評估結果之部分。接收部15自評估裝置20經由網路NW接收評估結果。接收部15例如係藉由通信裝置104而實現。
輸出部16係用以輸出評估結果之部分。輸出部16例如係藉由輸出裝置106而實現。其他裝置具有之顯示器等輸出裝置中輸出評估結果之情形時，輸出部16例如經由網路NW將評估結果發送至其他裝置。該情形時，進行評估結果之發送處理之部分(圖2之通信裝置104等)作為輸出部16發揮功能。
修正資訊取得部17係用以取得評估結果之修正資訊之部分。例如，有使用者確認藉由輸出部16輸出之評估結果後，使用輸入裝置105修正評估結果之情形。此時，修正資訊取得部17取得經修正之評估結果作為修正資訊。修正資訊取得部17將修正資訊輸出至發送部14。
評估裝置20係使用評估對象物之攝像圖像(評估用圖像)，評估評估對象物之覆蓋度之裝置。評估裝置20例如係藉由電腦等資訊處理裝置(伺服器裝置)構成。
圖3係圖1所示之評估裝置之硬體構成圖。如圖3所示，評估裝置20物理性可作為電腦構成，該電腦具備：1個或複數個處理器201、主記憶裝置202、輔助記憶裝置203、及通信裝置204等之硬體。作為處理器201，使用處理速度較快之處理器。作為處理器201之例，列舉GPU及CPU。主記憶裝置202係以RAM及ROM等構成。作為輔助記憶裝置203之例，列舉半導體記憶體及硬碟裝置。
通信裝置204係經由網路NW與其他裝置進行資料收發之裝置。作為通信裝置204之例，列舉網卡。對於經由網路NW之資料收發，亦可使用加密。即，通信裝置204亦可將資料加密，將經加密之資料發送至其他裝置。通信裝置204亦可自其他裝置接收經加密之資料，並將經加密之資料解碼。加密可使用三重DES及Rijndael等共通鍵加密方式，或RSA及ElGamal等公開鍵加密方式。
另，通信裝置204亦可實施判定使用者終端10之使用者為正規使用者或非正規使用者之使用者認證。該情形時，評估裝置20亦可於使用者為正規使用者之情形時，進行覆蓋度之評估，於使用者為非正規使用者之情形時，不進行覆蓋度之評估。對於使用者認證，例如使用預先登記之使用者ID(identifier，識別符)及密碼。對於使用者認證亦可使用一次性密碼本(一次性密碼)。
評估裝置20之圖1所示之各功能係藉由如下而實現：藉由將1個或複數個特定之電腦程式讀取至主記憶裝置202等硬體，基於1個或複數個處理器201之控制，使各硬體動作，且進行主記憶裝置202及輔助記憶裝置203之資料之讀出及寫入。
評估裝置20功能性包含接收部21、評估部22及發送部23。
接收部21係用以接收來自使用者終端10之評估用圖像之部分。接收部21經由網路NW接收來自使用者終端10之評估用圖像。接收部21進而接收來自使用者終端10之修正資訊。接收部21例如係藉由通信裝置204實現。接收部21將評估用圖像及修正資訊輸出至評估部22。
評估部22係用以基於評估用圖像評估評估對象之覆蓋度之部分。評估部22使用類神經網路，評估評估對象物之覆蓋度。類神經網路可為卷積類神經網路(Convolutional Neural Network：CNN)，亦可為遞歸類神經網路(Recurrent Neural Network：RNN)。評估部22將評估結果輸出至發送部23。
發送部23係用於對使用者終端發送評估結果之部分。發送部23經由網路NW將評估結果發送至使用者終端10。發送部23例如係藉由通信裝置204而實現。另，由於發送部23將評估結果輸出(發送)至使用者終端10，故可視為輸出部。
接著，參照圖4～圖13(b)，說明評估系統1進行之評估方法。圖4係顯示圖1所示之評估系統進行之評估方法之順序圖。圖5係詳細顯示圖4所示之修正處理之流程圖。圖6(a)～(f)係顯示標記之例之圖。圖7係用於說明失真修正之圖。圖8(a)及(b)係用於說明評估區域之擷取之圖。圖9(a)及(b)係用於說明顏色修正之圖。圖10係顯示類神經網路之一例之圖。圖11係顯示評估結果之一例之圖。圖12(a)及(b)係顯示評估結果之表示例之圖。圖13(a)及(b)係顯示評估結果之修正例之圖。
圖4所示之評估方法之一連串處理，例如係以使用者終端10之使用者使用攝像裝置107拍攝評估對象物為契機而開始。首先，圖像取得部11取得評估對象物之攝像圖像(步驟S01)。例如，圖像取得部11取得藉由攝像裝置107產生之評估對象物之圖像，作為攝像圖像。且，圖像取得部11將取得之攝像圖像輸出至修正部13。
另，亦可於取得評估對象物之攝像圖像之前，對評估對象物標註標記MK。標記MK係於後述之圖像處理中，為了修正攝像圖像而使用。標記MK具有可特定標記MK之朝向之形狀。標記MK於上下方向及寬度方向之至少任一者中為非對稱。具體而言，如圖6(a)～(f)所示，標記MK包含標註白色之區域Rw及標註黑色之區域Rb。為使後述之圖像處理容易化，標記MK具有四角形之邊F1。邊F1為區域Rb之邊。如圖6(b)～(f)所示，標記MK亦可由框F2包圍，於框F2與區域Rb之間，設置間隙Rgap。
標記MK描繪於片材狀構件。例如，使用者終端10之使用者將包含標記MK之片材狀構件直接黏貼於評估對象物。使用者亦可使用UAV(Unmanned Aerial Vehicle，遙控無人載具)或伸縮棒等，將包含標記MK之片材狀構件黏貼於評估對象物。
另，標記MK只要由標註有互相不同顏色之2個以上區域構成即可。例如，標註於區域Rw之顏色可為白色，亦可為灰色等。標註於區域Rb之顏色可為黑色，亦可為具有彩度之顏色。本實施形態中，使用圖6(a)所示之標記MK。
接著，修正部13修正攝像圖像(步驟S02)。如圖5所示，步驟S02之修正處理中，首先，修正部13進行用以修正攝像圖像之失真之失真修正(步驟S21)。將評估對象物與藉由自正面拍攝所得之圖像進行比較，有攝像圖像失真之情形。例如，攝像裝置107為深度相機之情形時，獲得攝像裝置107與評估對象物之各位置之距離。該情形時，修正部13基於攝像裝置107與評估對象物之各位置之距離，藉由將攝像圖像轉換成藉由自正面拍攝評估對象物所得之圖像，而進行失真修正。修正部13於評估對象物為彈簧等具有曲面之構造物之情形時，亦可進而進行作為失真修正之曲面修正。
修正部13亦可使用標記MK進行失真修正。標註有標記MK之評估對象物之攝像圖像包含標記MK之圖像(圖像區域)即標記區域Rm。該情形時，首先，修正部13自攝像圖像擷取標記區域Rm。修正部13例如藉由對攝像圖像進行物體檢測處理或邊緣檢測處理，而擷取標記區域Rm。標記MK具有簡易形狀之情形時，邊緣檢測處理較物理檢測處理之檢測精度更高，處理速度更快，故亦可使用邊緣檢測處理。
且，修正部13確認擷取之標記區域Rm是否為標記MK之圖像。修正部13例如對標記區域Rm進行直方圖之平均化處理後，對標記區域Rm進行二值化處理。且，修正部13將已二值化之標記區域Rm與標記MK進行比較，於兩者一致之情形時，判定標記區域Rm為標記MK之圖像。藉此，取得攝像圖像之標記MK之頂點座標。修正部13於兩者不一致之情形時，判定標記區域Rm非標記MK之圖像，再次擷取標記區域Rm。
且，修正部13使用標記區域Rm計算攝像圖像之標記MK之朝向。由於標記MK於上下方向及寬度方向之至少任一者中為非對稱，故可計算攝像圖像之標記MK之朝向。且，如圖7所示，修正部13以自攝像圖像之標記MK之頂點座標及朝向復原原來之標記MK之形狀之方式，投影轉換攝像圖像，從而將攝像圖像轉換成藉由自正面拍攝評估對象物所得之圖像。具體而言，修正部13將頂點Pm1設為原點，將自頂點Pm1朝向頂點Pm2之方向設為X1軸方向，將自頂點Pm1朝向頂點Pm4之方向設為Y1軸方向。且，修正部13藉由將X1-Y1座標系轉換成X-Y正交座標系，而復原標記MK之形狀。藉此進行失真修正。
接著，修正部13自攝像圖像擷取評估區域Re(步驟S22)。1次珠擊處理係使投射材之大小一致而進行，故凹痕之大小變為相同程度。但，對於珠擊處理所使用之投射材之種類，例如有0.1 mm～1 mm左右之直徑(粒徑)之投射材。因此，有一個珠擊處理所使用之投射材之大小與其他珠擊處理所使用之投射材之大小不同之情形。對該等投射材以相同面積評估覆蓋度之情形時，1個凹痕對覆蓋度之評估帶來之影響根據投射材之大小(直徑)而不同。因此，如圖8(a)及(b)所示，修正部13基於攝像圖像G所含之凹痕區域De之大小，自攝像圖像G擷取評估區域Re，基於評估區域Re產生評估用圖像。凹痕區域De為產生於評估對象物之凹痕之圖像。
對於凹痕區域De之大小，例如使用攝像圖像G所含之複數個凹痕區域De之平均尺寸(例如平均直徑)。修正部13例如藉由物體檢測，而檢測攝像圖像G所含之複數個凹痕區域De。且，修正部13計算攝像圖像G所含之複數個凹痕區域De之平均尺寸(例如平均直徑)，以凹痕區域De之平均尺寸愈大，評估區域Re愈大之方式，自攝像圖像G擷取評估區域Re。具體而言，修正部13藉由對凹痕區域De之平均尺寸(平均直徑)乘以預先規定之倍數(例如5～10倍)，而設定評估區域Re之大小。例如，修正部13自攝像圖像擷取將乘算結果設為一邊之長度之正方形區域，作為評估區域Re。
接著，修正部13修正評估區域Re之尺寸(步驟S23)。評估區域Re之大小可對應於凹痕區域De之大小而變化。因此，尺寸修正中，修正部13以使凹痕區域De之大小與特定之大小(基準粒徑)一致之方式，進行評估區域Re之伸縮處理。藉此，評估區域Re之尺寸與特定之評估尺寸一致。評估尺寸係類神經網路NN之學習所使用之基準圖像(教師資料)之尺寸。
伸縮處理中，首先，修正部13將凹痕區域De之大小(平均直徑)與基準粒徑進行比較，決定是否進行擴大處理及縮小處理之任一者。修正部13於凹痕區域De之平均直徑小於基準粒徑之情形時，進行擴大處理，於凹痕區域De之平均直徑大於基準粒徑之情形時，進行縮小處理。即，修正部13藉由將評估區域Re擴大或縮小，而使評估用圖像之尺寸與評估尺寸一致。對擴大處理例如使用雙線性內插法。對縮小處理例如使用平均像素法。對擴大處理及縮小處理，可使用其他伸縮運算法，但較佳為即使進行伸縮處理亦保持圖像之狀態。
接著，修正部13進行評估區域Re之顏色修正(步驟S24)。即使為相同之評估對象物，圖像之明暗亦可能根據拍攝環境而變化。又，若拍攝所使用之光源之顏色不同，則圖像之顏色亦可能不同。為減低拍攝環境之影響，而進行顏色修正。修正部13基於攝像圖像所含之參照區域之顏色，修正評估區域Re之顏色。參照區域係標註有特定顏色之參照體之圖像(圖像區域)。
如圖9(a)所示，作為參照體，可使用標記MK之區域Rw。該情形時，標記MK之區域Rw之顏色係以比色計等預先測定，表示所測定顏色之基準值記憶於未圖示之記憶體。作為表示顏色之值，使用RGB值及HSV值等。如圖9(b)所示，修正部13取得攝像圖像(評估區域Re)所含之標記區域Rm之區域Rw之顏色值，將取得之值與基準值進行比較，以該等之差分變小(例如變為零)之方式進行顏色修正。對顏色修正使用灰階修正等。作為顏色修正，亦可對各像素值加入差分(偏移處理)。
亦可使用標記MK作為參照體。該情形時，亦可藉由將已預先測定顏色之試料(例如灰板)作為參照體，與評估對象物一起進行拍攝，而與使用標記MK之情形同樣地，進行評估區域Re之顏色修正。修正部13亦可基於灰色假說進行顏色修正。
接著，修正部13將鏡面反射自評估區域Re去除(步驟S25)。有鏡面反射於評估對象物具有金屬光澤之情形中產生之情形。有根據評估對象物之塗膜狀態，產生鏡面反射之情形。圖像中，產生鏡面反射之部分通常係作為強烈白色顯現。即，導致產生鏡面反射之部分於圖像中產生過曝。顏色修正後，由於產生鏡面反射之部分可能作為白色部分被檢測，故修正部13使用顏色修正後之圖像(評估區域Re)將鏡面反射去除。
此處，修正部13基於評估區域Re所含之各像素之像素至特定鏡面反射部分。例如，修正部13於RGB之像素值任一者皆大於特定之臨限值之情形時，判定該像素為鏡面反射之一部分。修正部13亦可藉由將像素值轉換成HSV，對亮度(V)或亮度(V)及彩度(S)之兩者實施相同處理而特定鏡面反射部分。
且，修正部13將鏡面反射自鏡面反射部分去除，復原原來的圖像資訊(像素值)。修正部13例如根據使用納維斯托克方程之方法及Alexandru Telea(亞曆山德魯泰來亞)之快速行進法等，以鏡面反射部分附近之圖像資訊自動內插(復原)鏡面反射部分之圖像資訊。修正部13亦可藉由機械學習，預先學習具有各種覆蓋度值之圖像，從而復原鏡面反射部分之圖像資訊。機械學習例如係使用GAN(Generative Adversarial Network，生成對抗網路)。另，修正部13亦可對將鏡面反射部分之外緣擴大之區域(即，包含鏡面反射部分，大於鏡面反射部分之區域)復原圖像資訊。
接著，修正部13將雜訊自評估區域Re去除(步驟S26)。修正部13例如使用高斯濾波器及低通濾波器等雜訊抑制濾波器(雜訊抑制函數)，將雜訊自評估區域Re去除。
接著，修正部13進行評估區域Re之振動修正(步驟S27)。使用者使用使用者終端10進行拍攝時，有產生手震等振動之情形。修正部13例如使用維納濾波器及盲解卷積算法，進行圖像之振動修正。
另，圖5之修正處理為一例，修正部13進行之修正處理不限於此。亦可省略步驟S21、S23～S27之一部分或全部。步驟S21～S27亦可以任意順序進行。如上述，顏色修正後進行鏡面反射去除之情形時，圖像中鏡面反射部分顯現出強烈白色，故鏡面反射部分之特定精度提高。
又，如圖7所示，修正部13亦可視為藉由方格狀排列之複數個區塊構成標記區域Rm，使用標記區域Rm(標記MK)之4個頂點之座標，求得各區塊之頂點座標。藉此，修正部13可將標記區域Rm分割成複數個區塊進行處理。例如，修正部13使用各區塊，判定標記區域Rm是否為標記MK之圖像。又，修正部13亦可將任一區塊作為使用於顏色修正之參照區域。再者，修正部13亦可自各區塊之座標算出攝像圖像之失真程度，進行攝像裝置107之校正。
接著，修正部13將藉由步驟S02之修正處理修正之攝像圖像作為評估用圖像輸出至發送部14，發送部14經由網路NW將評估用圖像發送至評估裝置20(步驟S03)。此時，發送部14將評估用圖像與可唯一識別使用者終端10之終端ID一起，發送至評估裝置20。作為終端ID，例如亦可使用IP(Internet Protocol，網路協定)位址。且，接收部21接收自使用者終端10發送之評估用圖像，將評估用圖像輸出至評估部22。另，修正部13於評估用圖像之鮮明度不足之情形時，亦可不將評估用圖像輸出至發送部14。又，發送部14亦可如上述，將評估用圖像加密，將經加密之評估用圖像發送至評估裝置20。該情形時，接收部21自使用者終端10接收經加密之評估用圖像，將經加密之評估用圖像解碼，將評估用圖像輸出至評估部22。
接著，評估部22基於評估用圖像，評估評估對象物之覆蓋度(步驟S04)。該例中，評估部22使用圖10所示之類神經網路NN，評估評估對象物之覆蓋度。另，若評估部22接收到評估用圖像，則將可唯一識別評估用圖像之圖像ID賦予評估用圖像。
類神經網路NN輸入評估用圖像，輸出各類別之貼合率。作為類別，可使用將覆蓋度彙總為特定之比例單位之值。例如，覆蓋度以百分比記述之情形時，將類別以10%單位設定至0～98%。另，作為覆蓋度相關之規格，列舉JIS B2711及SAE J2277。作為一例，SAE J2277中，將可測定覆蓋度之上限值設為98%(全覆蓋度)。類別不限於10%單位，可以5%單位設定，亦可以1%單位設定。
如圖11所示，本實施形態中，作為類別，使用將覆蓋度以10%單位彙總至0～98%之值。該例中，為便於說明，使用類別「100%」。貼合率表示評估對象物之覆蓋度屬於此類別之概率。貼合率愈大，意指評估對象物之覆蓋度屬於此類別之可能性愈高。
評估部22亦可將評估用圖像分離成1個或複數個通道，將各通道之圖像資訊(像素值)作為類神經網路NN之輸入。評估部22例如將評估用圖像分離成顏色空間之各成分。使用RGB顏色空間作為顏色空間之情形時，評估部22將評估用圖像分類成R成分之像素值、G成分之像素值及B成分之像素值。使用HSV顏色空間作為顏色空間之情形時，評估部22將評估用圖像分類成H成分之像素值、S成分之像素值及V成分之像素值。評估部22亦可將評估用圖像轉換成灰度，將經轉換之圖像作為類神經網路NN之輸入。
如圖10所示，類神經網路NN具有輸入層L1、中間層L2及輸出層L3。輸入層L1位於類神經網路NN之入口，對輸入層L1輸入M個輸入值xi (i為1～M之整數)。輸入層L1具有複數個神經元41。神經元41係對應於輸入值xi 而設置，神經元41之數量與輸入值xi 之總數M相等。即，神經元41之數量與評估用圖像之各通道所含之像素數之總合相等。第i號神經元41將輸入值xi 輸出至中間層L2之第1中間層L21之各神經元421。輸入層L1包含節點41b。節點41b對各神經元421輸出偏差值bj (j為1～M1之整數)。
中間層L2位於輸入層L1與輸出層L3之間。由於中間層L2自類神經網路NN之外部隱藏，故亦稱為隱藏層。中間層L2包含1個或複數個層。圖10所示之例中，中間層L2包含第1中間層L21與第2中間層L22。第1中間層L21具有M1個神經元421。此時，第j號神經元421如式(1)所示，藉由對由重量係數wij 加權各輸入值xi 之值之總合進而加上偏差值bj 而獲得計算值zj 。另，類神經網路NN為卷積類神經網路之情形時，神經元421例如依序進行使用卷積、活性化函數之計算及池化。該情形時，對活性化函數例如使用ReLU函數。
【數1】
且，第j號神經元421對第2中間層L22之各神經元422輸出計算值zj 。第1中間層L21包含節點421b。節點421b對各神經元422輸出偏差值。以下，各神經元進行與神經元421相同之計算，對後段層之各神經元輸出計算值。中間層L2之最終段之神經元(此處為神經元422)對輸出層L3之各神經元43輸出計算值。
輸出層L3位於類神經網路NN之出口，輸出輸出值yk (k為1～N之整數)。輸出值yk 係分配成各類別，對應於該類別之貼合率之值。輸出層L3具有複數個神經元43。神經元43係與輸出值yk 對應設置，神經元43之數量與輸出值yk 之總數N相等。即，神經元43之數量與表示覆蓋度之類別之數量相等。各神經元43進行與神經元421相同之計算，將其計算結果作為參數，計算活性化函數，從而獲得輸出值yk 。作為活性化函數之例，列舉softmax函數、ReLU函數、雙曲線函數、雙彎曲函數、恆等函數及階梯函數。本實施形態中，使用softmax函數。因此，各輸出值yk 以N個輸出值yk 之合計變為1之方式正規化。即，藉由對輸出值yk 乘以100，而獲得貼合率(%)。
接著，評估部22例如將N個輸出值yk 與評估用圖像之圖像ID一起作為評估用圖像之評估結果，輸出至發送部23。N個輸出值yk 之排列係預先規定，各輸出值yk 與N個類別之任一類別建立對應。另，評估部22亦可將N個輸出值yk 中之最大輸出值與對應於該輸出值之類別名或索引(相當於圖11所示之「序號」)一起作為評估結果。此處，將對應於圖11所示之貼合率之輸出值之排列作為評估結果輸出至發送部23。該情形時，使用者終端10可決定使用者如何輸出。
且，發送部23經由網路NW將評估結果發送至使用者終端10(步驟S05)。此時，發送部23基於與評估用圖像一起自使用者終端10發送之終端ID，識別發送端之使用者終端10，對該使用者終端10發送評估結果。且，接收部15接收自評估裝置20發送之評估結果，將評估結果輸出至輸出部16。另，發送部23亦可如上述，將評估結果加密，將經加密之評估結果發送至使用者終端10。該情形時，接收部15自評估裝置20接收經加密之評估結果，將經加密之評估結果解碼，將評估結果輸出至輸出部16。
接著，輸出部16產生用以對使用者通知評估結果之輸出資訊，基於輸出資訊對使用者輸出評估結果(步驟S06)。輸出部16例如顯示貼合率最高之類別之名稱(覆蓋度○○%)，及該貼合率。又，輸出部16例如亦可藉由相加將各類別之值與貼合率相乘之結果而計算覆蓋度，將該計算結果作為評估結果顯示。圖11之例中，覆蓋度為45%(=40%×0.5+50%×0.5)。
如圖12(a)及(b)所示，輸出部16亦可使用箭頭Pa，將覆蓋度之評估結果顯示於圖表上。輸出部16亦可以文本表示評估結果。例如，輸出部16表示為「結果：覆蓋度45%」等。輸出部16亦可以文本表示所有類別之名稱及其貼合率。
輸出部16亦可使用評估結果，對使用者通知珠擊處理為合格或不合格。輸出部16可以聲音輸出評估結果，亦可以振動輸出評估結果。輸出部16之輸出形態亦可由使用者設定。
接著，修正資訊取得部17判定使用者是否已進行評估結果之修正操作。例如，使用者於確認了由輸出部16輸出之評估結果後，以顯示用於使用輸入裝置105修正評估結果之畫面之方式操作。
例如，如圖13(a)及(b)所示，使用者藉由操作輸入裝置105，使用指針MP使箭頭Pa移動，而於圖表上指定覆蓋度。即，使用者藉由以目視檢查評估對象物而判定覆蓋度，以顯示與使用者判定之覆蓋度對應之數值之方式，使用者移動箭頭Pa。
使用者為指定覆蓋度，亦可使用文字盒。使用者為選擇類別，亦可使用單選按鈕、下拉式列表或滑塊等物件。
當修正資訊取得部17判定未進行修正操作之情形時，評估系統1之評估方法之一連串處理便結束。另一方面，修正資訊取得部17判定藉由輸入裝置105進行了修正操作之情形時，將表示修正後之類別之資訊，與進行了該修正操作之評估用圖像之圖像ID一同，作為修正資訊(步驟S07)取得。
且，修正資訊取得部17將修正資訊輸出至發送部14，發送部14經由網路NW將修正資訊發送至評估裝置20(步驟S08)。且，接收部21接收自使用者終端10發送之修正資訊，將修正資訊輸出至評估部22。另，發送部14亦可如上述，將修正資訊加密，將經加密之修正資訊發送至評估裝置20。該情形時，接收部21自使用者終端10接收經加密之修正資訊，將經加密之修正資訊解碼，將修正資訊輸出至評估部22。
接著，評估部22基於修正資訊進行學習(步驟S09)。具體而言，評估部22將修正後之類別與評估用圖像之組設為教師資料。評估部22亦可以線上學習、小批量學習及批量學習之任一方法，進行類神經網路NN之學習。線上學習係每次取得新的教師資料，便使用該教師資料進行學習之方法。小批量學習係將一定量之教師資料作為1個單位，使用1個單位之教師資料進行學習之方法。批量學習係使用所有教師資料進行學習之方法。學習係使用反向傳播等運算法。另，所謂類神經網路NN之學習，意指將類神經網路NN所使用之重量係數及偏差值更新為更佳值。
如上，評估系統1之評估方法之一連串處理結束。
另，使用者終端10及評估裝置20之各功能部係藉由於構成使用者終端10及評估裝置20之電腦中執行用以實現各功能之程式模組而實現。包含該等程式模組之評估程式例如係藉由ROM或半導體記憶體等電腦可讀取之記錄媒體提供。又，評估程式亦可作為資料信號，經由網路提供。
以上說明之評估系統1、評估裝置20、評估方法、評估程式及記錄媒體中，自評估對象物之攝像圖像擷取評估區域Re，基於評估區域Re產生評估用圖像。且，基於評估用圖像評估覆蓋度，輸出評估結果。評估區域Re係基於產生於評估對象物之凹痕之圖像即凹痕區域De之大小，自攝像圖像擷取。具體而言，以凹痕區域De愈大，評估區域Re(之面積)愈大之方式，自攝像圖像擷取評估區域Re。藉此，以對應於凹痕區域De之大小之範圍為對象，評估覆蓋度，故可減低1個凹痕對覆蓋度帶來之影響。其結果，可提高覆蓋度之評估精度。
更具體而言，藉由對凹痕區域De之大小(例如平均直徑)乘以預先規定之常數，而設定評估區域Re之大小。因此，對於凹痕區域De之大小，可充分增大評估區域Re之範圍(面積)，故可減低1個凹痕對覆蓋度帶來之影響。其結果，可提高覆蓋度之評估精度。
以使凹痕區域De之大小與特定之大小(例如基準粒徑)一致之方式，擴大或縮小評估區域Re。因此，可適當進行類神經網路NN之評估。又，由於可以共通之基準對互相不同粒徑之投射材評估覆蓋度，故可提高覆蓋度之評估精度。
即使為相同評估對象物，亦有攝像圖像之色調根據拍攝所使用之光源之色調而變化之情形。又，即使為相同評估對象物，亦有攝像圖像之亮度根據光之照射量而不同之情形。因此，基於攝像圖像所含之參照區域(例如標記區域Rm之區域Rw)之顏色，修正評估區域Re之顏色。標記區域Rm之區域Rw之顏色與標記MK之區域Rw之顏色(白色)不同之情形時，認為攝像圖像之顏色受到光之影響。因此，以標記區域Rm之區域Rw之顏色變為標記MK之區域Rw之顏色之方式，修正評估區域Re之顏色。藉此，可減低光之影響。其結果，可提高覆蓋度之評估精度。
若對評估對象物照射強光，則有產生鏡面反射之情形，若於該狀態下拍攝評估對象物，則有於攝像圖像產生過曝之情形。產生過曝之區域中，損失顏色資訊。因此，藉由將鏡面反射(過曝)自評估區域Re去除，而可復原顏色資訊。藉此，可進而提高覆蓋度之評估精度。
使用類神經網路NN評估覆蓋度。藉由珠擊處理產生於評估對象物之表面之圖案為不定形。因此，一般之物體檢測中，特定不定形物體之位置及狀態較困難。又，圖案辨識不適合辨識無數存在之圖案。相對於此，藉由學習類神經網路NN，而可評估覆蓋度，可進而提高覆蓋度之評估精度。
(第2實施形態)
圖14係概略地顯示包含第2實施形態之評估裝置之評估系統之構成圖。圖14所示之評估系統1A主要於取代使用者終端10，具備使用者終端10A之點，及取代評估裝置20，具備評估裝置20A之點，與評估系統1不同。
使用者終端10A主要於不具備修正部13之點，及取代評估用圖像，將攝像圖像發送至評估裝置20A之點，與使用者終端10不同。另，使用者終端10A中，圖像取得部11將攝像圖像輸出至發送部14。發送部14將攝像圖像發送至評估裝置20A。
評估裝置20A主要於自使用者終端10A接收取代評估用圖像之攝像圖像之點，及進而具備修正部24之點，與評估裝置20不同。接收部21自使用者終端10A接收攝像圖像，將攝像圖像輸出至修正部24。另，由於接收部21自使用者終端10A取得攝像圖像，故視為圖像取得部。修正部24具有與修正部13相同之功能。即，修正部24自攝像圖像擷取評估區域，基於評估區域產生評估用圖像。且，修正部24將評估用圖像輸出至評估部22。
接著，參照圖15，說明評估系統1A進行之評估方法。圖15係顯示圖14所示之評估系統進行之評估方法之順序圖。首先，圖像取得部11取得評估對象物之攝像圖像(步驟S31)。例如，圖像取得部11與步驟S01同樣地，取得藉由攝像裝置107產生之評估對象物之圖像，作為攝像圖像。
且，圖像取得部11將取得之攝像圖像輸出至發送部14，發送部14經由網路NW將攝像圖像發送至評估裝置20A(步驟S32)。此時，發送部14將攝像圖像與可唯一識別使用者終端10A之終端ID一起，發送至評估裝置20A。且，接收部21接收自使用者終端10A發送之攝像圖像，將攝像圖像輸出至修正部24。另，發送部14亦可如上述，將攝像圖像加密，將經加密之攝像圖像發送至評估裝置20A。該情形時，接收部21自使用者終端10A接收經加密之攝像圖像，將經加密之攝像圖像解碼，將攝像圖像輸出至修正部24。
接著，修正部24修正攝像圖像(步驟S33)。由於步驟S33之處理與步驟S02之處理相同，故省略詳細說明。修正部24將藉由步驟S33之修正處理修正之攝像圖像作為評估用圖像，輸出至評估部22。以下，由於步驟S34～步驟S39之處理與步驟S04～步驟S09之處理相同，故省略其詳細說明。如上，評估系統1A之評估方法之一連串處理結束。
另，使用者終端10A及評估裝置20A之各功能部係藉由於構成使用者終端10A及評估裝置20A之電腦中執行用以實現各功能之程式模組而實現。包含該等程式模組之評估程式例如係藉由ROM或半導體記憶體等電腦可讀取之記錄媒體提供。又，評估程式亦可作為資料信號，經由網路提供。
第2實施形態之評估系統1A、評估裝置20A、評估方法、評估程式及記錄媒體中，亦發揮與第1實施形態之評估系統1、評估裝置20、評估方法、評估程式及記錄媒體相同之效果。又，第2實施形態之評估系統1A、評估裝置20A、評估方法、評估程式及記錄媒體中，由於使用者終端10A不具有修正部13，故可減輕使用者終端10A之處理負荷。
(第3實施形態)
圖16係概略地顯示包含第3實施形態之評估裝置之評估系統之構成圖。圖16所示之評估系統1B主要於取代使用者終端10，具備使用者終端10B之點，及不具備評估裝置20之點，與評估系統1不同。使用者終端10B主要於進而具備評估部18之點，及不具備發送部14及接收部15之點，與使用者終端10不同。該情形時，使用者終端10B亦為脫機型評估裝置。
另，使用者終端10B中，修正部13將評估用圖像輸出至評估部18。修正資訊取得部17將修正資訊輸出至評估部18。評估部18具有與評估部22相同之功能。即，評估部18基於評估用圖像，評估評估對象物之覆蓋度。且，評估部18將評估結果輸出至輸出部16。
接著，參照圖17，說明評估系統1B(使用者終端10B)進行之評估方法。圖17係顯示圖16所示之評估系統進行之評估方法之流程圖。
首先，圖像取得部11與步驟S01同樣地取得評估對象物之攝像圖像(步驟S41)。且，圖像取得部11將攝像圖像輸出至修正部13。接著，修正部13修正攝像圖像(步驟S42)。步驟S42之處理與步驟S02之處理相同，故省略其詳細說明。且，修正部13將藉由步驟S42之修正處理修正之攝像圖像作為評估用圖像，輸出至評估部18。
接著，評估部18基於評估用圖像，評估評估對象物之覆蓋度(步驟S43)。步驟S43之處理與步驟S04之處理相同，故省略其詳細說明。且，評估部18將評估結果輸出至輸出部16。接著，輸出部16產生用以對使用者通知評估結果之輸出資訊，基於輸出資訊對使用者輸出評估結果(步驟S44)。步驟S44之處理與步驟S06之處理相同，故省略其詳細說明。
接著，修正資訊取得部17判定是否由使用者進行評估結果之修正操作(步驟S45)。判定修正資訊取得部17未進行修正操作之情形時(步驟S45：否)，評估系統1B之評估方法之一連串處理結束。另一方面，判定修正資訊取得部17進行修正操作之情形時(步驟S45：是)，與進行該修正操作之評估用圖像之圖像ID一起取得表示修正後之類別之資訊作為修正資訊。且，修正資訊取得部17將修正資訊輸出至評估部18。
接著，評估部18基於修正資訊進行學習(步驟S46)。步驟S46之處理與步驟S09之處理相同，故省略其詳細說明。如上，評估系統1B之評估方法之一連串處理結束。
另，使用者終端10B之各功能部係藉由於構成使用者終端10B之電腦中執行用以實現各功能之程式模組而實現。包含該等程式模組之評估程式例如係藉由ROM或半導體記憶體等電腦可讀取之記錄媒體提供。又，評估程式亦可作為資料信號，經由網路提供。
第3實施形態之評估系統1B、使用者終端10B、評估方法、評估程式及記錄媒體中，亦發揮與第1實施形態之評估系統1、評估裝置20、評估方法、評估程式及記錄媒體相同之效果。又，第3實施形態之評估系統1B、使用者終端10B、評估方法、評估程式及記錄媒體中，由於無需進行經由網路NW之資料收發，故產生伴隨經由網路NW之通信之時滯，可提高應答速度。又，可削減網路NW之流量及通信費用。
另，本發明之評估系統、評估裝置、評估方法、評估程式及記錄媒體不限於上述實施形態。
例如，使用者不進行評估結果之修正之情形時，使用者終端10、10A、10B亦可不具備修正資訊取得部17。
又，類神經網路NN中，亦可進行批量正規化。所謂批量正規化，係以分散變為固定之方式轉換各層之輸出值之處理。該情形時，由於無需使用偏差值，故可省略輸出偏差值之節點(節點41b及節點421b等)。
又，評估部18、22亦可使用類神經網路以外之方法，基於評估用圖像評估覆蓋度。
又，輸出部16亦可將評估結果輸出至未圖示之記憶體(記憶裝置)，將評估結果保持至記憶體。輸出部16例如製作可唯一識別評估結果之管理序號，及將進行該評估之日期等與評估結果建立對應之管理資料，保存管理資料。
標記MK之形狀不限於正方形。標記MK之形狀亦可為長方形。
上述實施形態中，標記MK具有可特定標記MK之朝向之形狀，但標記MK之形狀不限於具有指向性之形狀。標記MK之形狀亦可為無指向性之形狀。例如，如圖18(a)所示，亦可區域Rb之形狀為正方形，區域Rw之形狀為較區域Rb小一圈之正方形。亦可區域Rb之中心點與區域Rw之中心點重疊，且區域Rb之各邊與區域Rw之各邊以互相平行之方式配置。標記MK具有無指向性之形狀之情形時，由於標記MK之形狀簡單，故可使標記MK之製作容易化。又，由於標記MK之朝向並不重要，故使用者可容易進行評估對象物之拍攝。
如圖18(b)所示，標記MK亦可具有開口部Hm。開口部Hm係貫通描繪標記MK之片材狀構件之貫通孔。開口部Hm之開口面積充分大於可擷取之評估區域Re之面積。因此，作為評估區域Re之擷取之前處理，修正部13、24亦可自攝像圖像擷取經由開口部Hm露出之區域。且，修正部13、24亦可基於擷取之區域所含之凹痕區域De之大小，自擷取之區域擷取評估區域Re。
使用未由框F2包圍之標記MK之情形時，有因光之反射等而標記區域Rm與評估對象物之區域之邊界變得不明確之情形。此種情形時，邊緣檢測處理中，有無法檢測邊緣之情形。物體檢測中，若過於縮小判定臨限值，則錯誤檢測變多，若過於放大判定臨限值，則檢測遺漏變多。又，物體檢測本身無法獲得標記區域Rm之朝向(角度)。再者，以物體檢測處理擷取標記區域Rm之後，進行邊緣強調處理，進而進行邊緣檢測處理之情形時，如檢測精度提高，但標記區域Rm之外緣部分之顏色與標記區域Rm之周邊顏色幾乎不變之情形時，可能產生檢測遺漏。
另一方面，圖6(b)～(f)、圖18(c)及(d)所示之標記MK中，標記MK係由框F2包圍，於框F2與區域Rb之間設置間隙Rgap。間隙Rgap沿緣F1包圍區域Rb。間隙Rgap之顏色與標記MK之外緣部分(即區域Rb)之顏色不同。因此，即使標記區域Rm之周邊(框F2之外側)之顏色與標記區域Rm之外緣部分(區域Rb)之顏色類似，標記區域Rm之外緣(緣F1)亦明確，故可檢測標記區域Rm之外緣。例如，以物體檢測處理擷取標記區域Rm之後，進行邊緣強調處理，進而進行邊緣檢測處理之情形時，可更確實檢測區域Rb之頂點(頂點Pm1～Pm4)。因此，可高速且高精度地擷取標記區域Rm。其結果，可提高覆蓋度之評估精度。另，例如為確保間隙Rgap，框F2與區域Rb之距離(間隙Rgap之寬度)亦可為標記MK之一邊之1/10以上。例如考慮到標記MK之使用容易度，框F2與區域Rb之距離(間隙Rgap之寬度)亦可為標記MK之一邊之一半以下。
又，如圖18(c)及(d)所示，框F2亦可非完全包圍標記MK之框。即，亦可於框F2設置脫落部Fgap。例如，框F2不限於實線，亦可為虛線。該情形時，框F2具有將框F2之框線F2於中途中斷之形狀。於框F2設置脫落部Fgap之情形時，可藉由邊緣檢測處理等，減低由框F2包圍之區域被作為標記區域Rm檢測出之可能性，故標記區域Rm之檢測精度提高。即，由於可減低檢測出框F2之頂點之可能性，故可進而確實檢測標記區域Rm(區域Rb)之頂點。其結果，可提高覆蓋度之評估精度。
如圖19所示，修正部13、24自攝像圖像G擷取基於凹痕區域De設定之大小之評估區域Re時，亦可自攝像圖像G隨機決定評估區域Re，擷取所決定之評估區域Re。該情形時，首先，修正部13、24求得評估區域Re之基準點Pr可取座標之最大值。所謂基準點Pr，係評估區域Re之4個頂點中之1個，此處，係評估區域Re之4個頂點中最接近X-Y座標之原點之頂點。例如，評估區域Re之一邊長度為100像素之情形時，基準點Pr之X座標之最大值xcrop_max 及Y座標之最大值ycrop_max 係以下式(2)表示。另，攝像圖像G之頂點Pg1位於原點(0, 0)，頂點Pg2位於(Xg , 0)，頂點Pg3位於(Xg , Yg )，頂點Pg4位於(0, Yg )。
【數2】
修正部13、24使用式(3)，隨機決定評估區域Re之基準點之座標(xcrop , ycrop )。另，函數random(最小值, 最大值)係返回最小值至最大值之範圍內所含之任意值之函數。
【數3】
修正部13、24於所決定之評估區域Re與標記區域Rm重疊之情形時，亦可再次決定評估區域Re之基準點之座標。
如圖20所示，修正部13、24亦可對標記區域Rm指定擷取方向，自攝像圖像G擷取評估區域Re。該情形時，首先，修正部13、24計算攝像圖像G之中心位置Cg之座標(xcg , ycg )，及標記區域Rm之中心位置Cm之座標(xcm , ycm )。且，修正部13、24如式(4)所示，計算自中心位置Cm朝向中心位置Cg之矢量V。
【數4】
修正部13、24於自標記區域Rm之矢量V所示之方向，決定評估區域Re之位置。修正部13、24例如以評估區域Re之基準點Pr位於自中心位置Cm之矢量V所示方向之方式，決定評估區域Re之位置。此處，基準點Pr係評估區域Re之4個頂點中最接近標記區域Rm之頂點。修正部13、24例如以不與標記區域Rm重複之方式，決定評估區域Re之位置。具體而言，修正部13、24計算基準點Pr可取之座標中，最遠離標記區域Rm之基準點Pr_max之座標(xcrop_max , ycrop_max )，及最接近標記區域Rm之基準點Pr_min之座標(xcrop_min , ycrop_min )。且，修正部13、24以基準點Pr位於該等2點間之線段上之方式，決定評估區域Re之位置。
1、1A、1B‧‧‧評估系統
10、10A、10B‧‧‧使用者終端
11‧‧‧圖像取得部
13、24‧‧‧修正部
14‧‧‧發送部
15‧‧‧接收部
16‧‧‧輸出部
17‧‧‧修正資訊取得部
18、22‧‧‧評估部
20、20A‧‧‧評估裝置
21‧‧‧接收部(圖像取得部)
23‧‧‧發送部(輸出部)
24‧‧‧修正部
41‧‧‧神經元
41b‧‧‧節點
43‧‧‧神經元
101‧‧‧處理器
102‧‧‧主記憶裝置
103‧‧‧輔助記憶裝置
104‧‧‧通信裝置
105‧‧‧輸入裝置
106‧‧‧輸出裝置
107‧‧‧攝像裝置
201‧‧‧處理器
202‧‧‧主記憶裝置
203‧‧‧輔助記憶裝置
204‧‧‧通信裝置
421‧‧‧神經元
421b‧‧‧節點
422‧‧‧神經元
De‧‧‧凹痕區域
F1‧‧‧緣
F2‧‧‧框
Fgap‧‧‧脫落部
G‧‧‧攝像圖像
L1‧‧‧輸入層
L2‧‧‧中間層
L3‧‧‧輸出層
L21‧‧‧第1中間層
L22‧‧‧第2中間層
MK‧‧‧標記
MP‧‧‧指針
NN‧‧‧類神經網路
NW‧‧‧網路
Pa‧‧‧箭頭
Pm1～Pm4‧‧‧頂點
Rb‧‧‧區域
Re‧‧‧評估區域
Rgap‧‧‧間隙
Rm‧‧‧標記區域
Rw‧‧‧區域
S01～S09‧‧‧步驟
S21～S27‧‧‧步驟
S31～S39‧‧‧步驟
S41～S46‧‧‧步驟
圖1係概略地顯示包含第1實施形態之評估裝置之評估系統之構成圖。
圖2係圖1所示之使用者終端之硬體構成圖。
圖3係圖1所示之評估裝置之硬體構成圖。
圖4係顯示圖1所示之評估系統進行之評估方法之順序圖。
圖5係詳細顯示圖4所示之修正處理之流程圖。
圖6(a)～(f)係顯示標記之例之圖。
圖7係用以說明失真修正之圖。
圖8(a)及(b)係用以說明評估區域之擷取之圖。
圖9(a)及(b)係用以說明顏色修正之圖。
圖10係顯示類神經網路之一例之圖。
圖11係顯示評估結果之一例之圖。
圖12(a)及(b)係顯示評估結果之表示例之圖。
圖13(a)及(b)係顯示評估結果之修正例之圖。
圖14係概略地顯示包含第2實施形態之評估裝置之評估系統之構成圖。
圖15係顯示圖14所示之評估系統進行之評估方法之順序圖。
圖16係概略地顯示包含第3實施形態之評估裝置之評估系統之構成圖。
圖17係顯示圖16所示之評估系統進行之評估方法之流程圖。
圖18(a)～(d)係顯示標記之變化例之圖。
圖19係用以說明評估區域之擷取方法之變化例之圖。
圖20係用以說明評估區域之擷取方法之變化例之圖。

Claims (11)

  1. 一種評估系統，其係使用評估對象物之攝像圖像，評估上述評估對象物之覆蓋度者，其包含： 圖像取得部，其取得上述攝像圖像； 修正部，其藉由修正上述攝像圖像而產生評估用圖像； 評估部，其基於上述評估用圖像來評估上述覆蓋度；及 輸出部，其輸出上述評估部之評估結果；且 上述修正部基於上述攝像圖像所含之凹痕區域之大小，自上述攝像圖像擷取評估區域，基於上述評估區域產生評估用圖像， 上述凹痕區域係產生於上述評估對象物之凹痕之圖像。
  2. 如請求項1之評估系統，其中上述修正部以上述凹痕區域之大小愈大，上述評估區域愈大之方式，自上述攝像圖像擷取上述評估區域。
  3. 如請求項2之評估系統，其中上述修正部藉由對上述凹痕區域之大小乘以預先規定之常數，來設定上述評估區域之大小，自上述攝像圖像擷取上述評估區域。
  4. 如請求項1至3中任一項之評估系統，其中上述修正部以使上述凹痕區域之大小與特定之大小一致之方式，擴大或縮小上述評估區域。
  5. 如請求項1至4中任一項之評估系統，其中上述修正部基於上述攝像圖像所含之參照區域之顏色，修正上述評估區域之顏色， 上述參照區域係標註有特定顏色之參照體之圖像。
  6. 如請求項1至5中任一項之評估系統，其中上述修正部將鏡面反射自上述評估區域去除。
  7. 如請求項1至6中任一項之評估系統，其中上述評估部使用類神經網路評估上述覆蓋度。
  8. 一種評估裝置，其係使用評估對象物之攝像圖像，評估上述評估對象物之覆蓋度者，其包含： 圖像取得部，其取得上述攝像圖像； 修正部，其藉由修正上述攝像圖像而產生評估用圖像； 評估部，其基於上述評估用圖像來評估上述覆蓋度；及 輸出部，其輸出上述評估部之評估結果；且 上述修正部基於上述攝像圖像所含之凹痕區域之大小，自上述攝像圖像擷取評估區域，基於上述評估區域產生上述評估用圖像， 上述凹痕區域係產生於上述評估對象物之凹痕之圖像。
  9. 一種評估方法，其係使用評估對象物之攝像圖像，評估上述評估對象物之覆蓋度者，其包含以下步驟： 取得上述攝像圖像之步驟； 藉由修正上述攝像圖像而產生評估用圖像之步驟； 基於上述評估用圖像來評估上述覆蓋度之步驟；及 輸出評估上述覆蓋度之步驟中之評估結果之步驟；且 於產生上述評估用圖像之步驟中，基於上述攝像圖像所含之凹痕區域之大小，自上述攝像圖像擷取評估區域，並基於上述評估區域產生上述評估用圖像， 上述凹痕區域係產生於上述評估對象物之凹痕之圖像。
  10. 一種評估程式，其係用於使電腦執行以下步驟者： 取得評估對象物之攝像圖像之步驟； 藉由修正上述攝像圖像而產生評估用圖像之步驟； 基於上述評估用圖像，評估上述評估對象物之覆蓋度之步驟；及 輸出評估上述覆蓋度之步驟中之評估結果之步驟；且 於產生上述評估用圖像之步驟中，基於上述攝像圖像所含之凹痕區域之大小，自上述攝像圖像擷取評估區域，並基於上述評估區域產生上述評估用圖像， 上述凹痕區域係產生於上述評估對象物之凹痕之圖像。
  11. 一種記錄媒體，其係記錄有評估程式之電腦可讀取者，該評估程式使電腦執行以下步驟： 取得評估對象物之攝像圖像之步驟； 藉由修正上述攝像圖像，產生評估用圖像之步驟； 基於上述評估用圖像，評估上述評估對象物之覆蓋度之步驟；及 輸出評估上述覆蓋度之步驟中之評估結果之步驟；且 於產生上述評估用圖像之步驟中，基於上述攝像圖像所含之凹痕區域之大小，自上述攝像圖像擷取評估區域，並基於上述評估區域產生上述評估用圖像， 上述凹痕區域係產生於上述評估對象物之凹痕之圖像。
TW107138631A 2018-02-16 2018-10-31 評估系統、評估裝置、評估方法、評估程式及記錄媒體 TW201935415A (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2018026097A JP6773061B2 (ja) 2018-02-16 2018-02-16 評価システム、評価装置、評価方法、評価プログラム、及び記録媒体
JP2018-026097 2018-02-16

Publications (1)

Publication Number Publication Date
TW201935415A true TW201935415A (zh) 2019-09-01

Family

ID=67618641

Family Applications (1)

Application Number Title Priority Date Filing Date
TW107138631A TW201935415A (zh) 2018-02-16 2018-10-31 評估系統、評估裝置、評估方法、評估程式及記錄媒體

Country Status (6)

Country Link
US (1) US11941796B2 (zh)
JP (1) JP6773061B2 (zh)
CN (1) CN111712352B (zh)
DE (1) DE112018005573T5 (zh)
TW (1) TW201935415A (zh)
WO (1) WO2019159424A1 (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401205A (zh) * 2020-03-11 2020-07-10 深圳市商汤科技有限公司 动作识别方法及装置、电子设备、计算机可读存储介质

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2021039192A1 (ja) * 2019-08-30 2021-03-04 ソニー株式会社 画像処理装置、画像処理方法およびプログラム
KR102251855B1 (ko) * 2019-09-25 2021-05-13 주식회사 코아칩스 열화상을 이용한 도장 품질 관리 장치 및 방법
JP7393321B2 (ja) * 2020-12-14 2023-12-06 株式会社神戸製鋼所 機械学習装置および該方法ならびに膜密着性評価装置および該方法
JP7008957B1 (ja) * 2021-10-05 2022-01-25 三信トレーディング株式会社 錦鯉評価装置および方法並びにプログラム
CN117067112B (zh) * 2023-10-17 2024-01-16 杭州泓芯微半导体有限公司 一种水切割机及其控制方法

Family Cites Families (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5293320A (en) * 1992-03-13 1994-03-08 General Electric Company Measurment of shot peening coverage by impact dent characterization
JPH06174452A (ja) * 1992-12-07 1994-06-24 Asutoro Design Kk 光学計測器の照明装置
US5581483A (en) * 1994-09-19 1996-12-03 General Electric Company Measurement of shot peening coverage by correlation analysis of surface line data
JPH09292349A (ja) * 1996-04-25 1997-11-11 Bridgestone Sports Co Ltd ゴルフボールの外観検査方法及びその装置
JP3455031B2 (ja) * 1996-10-23 2003-10-06 シャープ株式会社 バンプ外観検査装置
US7210322B2 (en) * 2002-08-28 2007-05-01 Sintokogio, Ltd. Dent distribution diagram drawing method and system in shotblasting, and processing conditions setting method and shotblasting device
JP4799426B2 (ja) 2007-01-10 2011-10-26 菱栄エンジニアリング株式会社 輪郭部の欠け検査方法およびその装置
JP5219663B2 (ja) * 2008-07-10 2013-06-26 中央発條株式会社 カバレージを測定する装置、方法、プログラム
DE102010001286A1 (de) * 2010-01-27 2011-07-28 Rolls-Royce Deutschland Ltd & Co KG, 15827 Verfahren zum Erfassen der Flächenbedeckung beim Kugelstrahlen
JP5511407B2 (ja) 2010-01-27 2014-06-04 東洋精鋼株式会社 カバレージ測定装置
JP5427198B2 (ja) 2011-03-14 2014-02-26 株式会社日立製作所 設備劣化診断装置、設備劣化診断方法および設備劣化診断プログラム
WO2013071114A1 (en) 2011-11-11 2013-05-16 Alcoa Inc. Apparatus and method for imparting selected topographies to aluminum sheet metal
JP2013240815A (ja) 2012-05-22 2013-12-05 Daido Steel Co Ltd 製品識別方法
JP2014190890A (ja) * 2013-03-28 2014-10-06 Mitsutoyo Corp 硬さ試験機、及び硬さ試験方法
WO2015029982A1 (ja) 2013-08-29 2015-03-05 日本電気株式会社 画像処理装置、画像処理方法、及びプログラム
JP2015160282A (ja) * 2014-02-27 2015-09-07 中央発條株式会社 カバレージ測定方法及びカバレージ測定装置
JP6335548B2 (ja) 2014-02-27 2018-05-30 中央発條株式会社 ばねのカバレージ測定方法及びカバレージ測定装置
CN104451079B (zh) 2014-12-11 2016-07-06 南车戚墅堰机车车辆工艺研究所有限公司 一种齿轮齿面喷丸强化精整方法
KR102127138B1 (ko) 2015-10-22 2020-06-26 한화정밀기계 주식회사 플립 칩의 플럭스 도포 상태 검사 방법
JP7188870B2 (ja) * 2017-05-31 2022-12-13 株式会社キーエンス 画像検査装置
JP6881347B2 (ja) 2018-02-16 2021-06-02 新東工業株式会社 評価システム、評価装置、評価方法、評価プログラム、及び記録媒体
US10755403B2 (en) * 2018-08-17 2020-08-25 The Boeing Company Apparatus and methods for shot peening evaluation

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111401205A (zh) * 2020-03-11 2020-07-10 深圳市商汤科技有限公司 动作识别方法及装置、电子设备、计算机可读存储介质

Also Published As

Publication number Publication date
CN111712352A (zh) 2020-09-25
US11941796B2 (en) 2024-03-26
DE112018005573T5 (de) 2020-07-02
WO2019159424A1 (ja) 2019-08-22
US20210004947A1 (en) 2021-01-07
JP6773061B2 (ja) 2020-10-21
JP2019141927A (ja) 2019-08-29
CN111712352B (zh) 2022-04-15

Similar Documents

Publication Publication Date Title
TW201935415A (zh) 評估系統、評估裝置、評估方法、評估程式及記錄媒體
CN109325933B (zh) 一种翻拍图像识别方法及装置
CN109376667B (zh) 目标检测方法、装置及电子设备
TW201935320A (zh) 評估系統、評估裝置、評估方法、評估程式及記錄媒體
CN105740775B (zh) 一种三维人脸活体识别方法及其装置
Raja et al. Video presentation attack detection in visible spectrum iris recognition using magnified phase information
CN111311523B (zh) 图像处理方法、装置、系统和电子设备
US11508038B2 (en) Image processing method, storage medium, image processing apparatus, learned model manufacturing method, and image processing system
Liu et al. Collabar: Edge-assisted collaborative image recognition for mobile augmented reality
CN111985427A (zh) 活体检测方法、设备及可读存储介质
JP2017130794A (ja) 情報処理装置、評価用チャート、評価システム、および性能評価方法
Ng et al. Discrimination of computer synthesized or recaptured images from real images
US20220398766A1 (en) Information processing method, information processing system, and information processing device
JP2019219928A (ja) 画像処理装置、画像処理方法、及び画像処理プログラム
CN113642639A (zh) 活体检测方法、装置、设备和存储介质
CN112102207A (zh) 一种确定温度的方法、装置、电子设备及可读存储介质
US20210312200A1 (en) Systems and methods for video surveillance
CN114387648A (zh) 异常图像检测方法、装置、计算机设备及存储介质
KR20220027769A (ko) 상황 적응적인 블로킹을 사용한 개인 정보 보호 방법
Kannan et al. Quality Assessment of Low-Light Restored Images: A Subjective Study and an Unsupervised Model
JP7438269B2 (ja) 情報処理装置、情報処理方法およびプログラム
WO2024009744A1 (ja) 情報処理装置、情報処理方法、およびプログラム
US11928799B2 (en) Electronic device and controlling method of electronic device
KR102318051B1 (ko) 사용자 인증 시스템에서 여백을 포함한 얼굴영역 이미지를 이용한 라이브니스 검사방법
JP7372072B2 (ja) 画像処理装置、画像処理方法、画像処理プログラム、および画像検査システム