CN101213575A - 用于检测异常的方法和产品 - Google Patents
用于检测异常的方法和产品 Download PDFInfo
- Publication number
- CN101213575A CN101213575A CNA2006800241707A CN200680024170A CN101213575A CN 101213575 A CN101213575 A CN 101213575A CN A2006800241707 A CNA2006800241707 A CN A2006800241707A CN 200680024170 A CN200680024170 A CN 200680024170A CN 101213575 A CN101213575 A CN 101213575A
- Authority
- CN
- China
- Prior art keywords
- image data
- filtered image
- view data
- previous
- data
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 230000005856 abnormality Effects 0.000 title abstract description 3
- 238000001914 filtration Methods 0.000 claims abstract description 39
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 26
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 5
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000011045 prefiltration Methods 0.000 claims description 3
- 230000002950 deficient Effects 0.000 description 48
- 230000007547 defect Effects 0.000 description 19
- 230000006870 function Effects 0.000 description 18
- 238000001514 detection method Methods 0.000 description 17
- 230000010354 integration Effects 0.000 description 14
- 230000004044 response Effects 0.000 description 8
- 238000011179 visual inspection Methods 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 7
- 230000006978 adaptation Effects 0.000 description 5
- 229920006395 saturated elastomer Polymers 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000012141 concentrate Substances 0.000 description 3
- 238000013500 data storage Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003705 background correction Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 230000008676 import Effects 0.000 description 2
- 230000037303 wrinkles Effects 0.000 description 2
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009408 flooring Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000002893 slag Substances 0.000 description 1
- 230000001360 synchronised effect Effects 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
-
- 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
-
- 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
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N21/898—Irregularities in textured or patterned surfaces, e.g. textiles, wood
- G01N21/8983—Irregularities in textured or patterned surfaces, e.g. textiles, wood for testing textile webs, i.e. woven material
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Textile Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Wood Science & Technology (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种用于处理图像数据以检测卷筒纸中的异常的新方法。卷筒纸由至少一个相机来监测,由此产生包含多个像素的图像。图像的数据存储在存储器中。由处理器通过对图像数据以及先前图像数据和先前已滤波图像数据这两者中的至少一个进行加权来创建已滤波图像数据,将加权的图像数据以及加权的先前图像数据和加权的先前已滤波图像数据这两者中的至少一个进行组合,通过至少一种非线性算法来控制滤波,以及对创建的已滤波图像数据进行阈值化,来对图像数据进行滤波。
Description
技术领域
本发明涉及一种用于处理图像数据以检测卷筒纸(web)中的异常的方法以及在计算机可操作介质中存储的、用于处理图像数据以检测卷筒纸中的异常的计算机程序产品。
背景技术
卷筒纸检验***将当今成像技术用于检测缺陷和其它异常。孔、斑点和脏颗粒是缺陷的实例,以及皱纹、条痕和疵点是有待造纸这检测的弱缺陷(weak defect)的实例。相应地,对于钢板制造厂,含渣、裂纹和划痕是缺陷的实例,以及浅裂纹、浅划痕和压痕是待检测的弱缺陷的实例。在这些情况下,与从无缺陷产品所测量的信号的平均变化相比,弱缺陷仅引起数字视频信号的强度等级的细微变化。
目前,通过求平均或积分方法来最好地检测细长弱缺陷。仅当缺陷完全在卷筒纸的横向移动、缺陷完全在卷筒纸的机器方向移动或者缺陷在卷筒纸产品的某个精确角度方向移动时,才找到最佳结果。
匹配滤波器或者二维有限脉冲响应(FIR)滤波器(例如边缘算子)用于检测弱缺陷,但缺陷大小和形状的数量受到限制。例如,在US2002054293 A1中描述了如何查找纹面材料的最佳匹配滤波器。
检测条痕的传统方式是对机器方向上的视频信号积分或求平均,以改进信噪(S/N)比。对于数字相机增加的横向分辨率以及检测更弱条痕的高要求,传统方法是不够的。当采用高横向分辨率时,横向像素位置很高,但一个像素的宽度很小。这可能例如由于机械的正常振动而在传统方法中产生问题,因为卷筒纸、因而条痕可能振动,并且窄条痕可能离开它的原始横向像素位置。因此,对于条痕检测,在机器方向上的简单求平均或积分不是最佳的。条痕检测方法应当在每次横向位置略微改变时能够跟踪条痕。
需要一种能够处理包括弱缺陷在内的缺陷的检测方法。
发明内容
本发明的目的是解决上述问题以及创建一种用于处理图像数据以检测卷筒纸中的异常的新方法,其中,卷筒纸由至少一个相机来监测,由此产生用于创建图像数据的包含多个像素的至少一个图像,以及图像数据存储在存储器中,由处理器通过对图像数据以及先前图像数据和先前已滤波图像数据这两者中的至少一个进行加权,来对图像数据进行滤波,用于创建已滤波图像数据;将加权图像数据以及加权的先前图像数据和加权的先前已滤波图像数据这两者中的至少一个进行组合;通过至少一种非线性算法来控制滤波;以及对创建的已滤波图像数据进行阈值化(thresholding)。
本发明的第二个方面是创建在计算机可操作介质中存储的、用于处理图像数据以检测卷筒纸中的异常的计算机程序产品,其中,卷筒纸由至少一个相机来监测,由此产生用于创建图像数据的包含多个像素的至少一个图像,以及图像数据存储在存储器中,计算机程序产品包括:用于通过处理器对图像数据进行滤波的部件,用于通过对图像数据以及先前图像数据和先前已滤波图像数据这两者中的至少一个进行加权来创建已滤波图像数据的部件;用于将加权的图像数据以及加权的先前图像数据和加权的先前已滤波图像数据这两者中的至少一个进行组合的部件;用于通过至少一种非线性算法来控制滤波的部件;以及用于对创建的已滤波图像数据进行阈值化的部件。
本发明是一种局部处理方法,它依靠自适应邻域的概念。在该方法中,一个或几个滤波器与非线性自适应算法共同用来组成基于判定的滤波器。基于判定的滤波器内部的滤波器结构例如可能是无限脉冲响应(IIR)滤波器或有限脉冲响应(FIR)滤波器。当两个或两个以上滤波器串联或并联或者以矩阵形式来使用时,滤波器可包括不同类型的滤波器。自适应算法内部采用的非线性函数的典型实例是最小值、最大值和中值函数。
自适应算法用于对于如何对图像数据和/或已滤波图像数据的局部邻域中的先前图像数据和/或先前已滤波图像数据进行加权以创建已滤波图像数据值进行判定。滤波的加权可基于若干信息源:1.当前像素的局部邻域(neighborhood)中的先前图像数据,2.当前像素的局部邻域中的先前已滤波图像数据,3.可选参数,它们可能基于某种先验信息,并且例如迫使一些加权被固定为某个预定值,4.来自滤波过程的先前阶段的可选辅助信息数据,与对应的滤波器响应同步并存储在位于非线性自适应算法结构内部的存储器中,5.来自依次和/或并行和/或矩阵滤波器结构的另一个滤波器的可选辅助信息数据。用于创建已滤波图像数据的信号的加权定义图像数据的局部邻域以及已滤波图像数据的局部邻域。可通过先前图像数据(基于判定的滤波器的前向部分)和/或先前已滤波图像数据(基于判定的滤波器的反馈部分)来定义局部邻域。根据加权,在图像数据值的局部邻域中,可加强卷筒纸的特定方向上的某些缺陷信号值。例如,从图像数据和/或已滤波图像数据的0或45或90或135的任何角对先前图像数据和/或先前已滤波图像数据进行加权。
辅助信息数据例如可包括先前图像数据和/或先前已滤波图像数据的局部角、全局角、角区域、强调角、增加或减小的强度、固定方向、色彩(例如真或假彩色)、角的相位和某种先验信息。
在特殊情况下,除一个加权以外的所有加权也可设置为零或者组成选择器。先前图像数据和/或先前已滤波图像数据、即被选择与图像数据组合的许多先前图像数据值和/或先前已滤波图像数据值的一部分的加权基于先前图像数据和/或先前已滤波图像数据或者先前的滤波过程的可选辅助信息或可选参数。
辅助信息数据可根据以下各项来创建:
-先前图像数据和/或先前已滤波图像数据;或者
-先前的滤波过程的辅助信息数据;或者
-一个或若干参数;或者
-先前滤波器的辅助信息数据。
辅助信息数据也可固定为预定值。辅助信息数据存储在位于自适应算法结构内部的存储器中。
该方法的一个原理是利用自适应算法中的最小值和最大值函数,以及形成一种方法,在其中,跟踪源视频信号中的最大强度脊线或最小强度谷线,并在脊线和谷线的方向上进行积分或求平均。本发明还可用于弱区检测,在其中,弱区可看作是短而宽的曲线。该方法对弱区的高地或低地中的信号积分。该方法的效能基于在弱区上扩展而不管区域的形状或大小的能力。
在本发明中,可用参数表示检测,以同时覆盖具有0-180°之间的任何角的缺陷。实际上,0°表示卷筒纸的横向,以及90°表示机器方向。但是,可在该角范围内在任何方向上处理图像数据。例如,如果预处理方法将图像旋转45°,则在计算中0°实际上是45°,以及在计算中90°实际上是135°。
缺陷检测可集中于准许强调角的扇区。以强调角对先前图像数据和/或先前已滤波图像数据进行加权。用于创建滤波图像数据的先前图像数据和/或先前已滤波图像数据的准许强调角例如可能是:
-固定为预定扇区;或者
-与先前图像数据和/或先前已滤波图像数据的准许强调角的先前个扇区相同;或者
-与先前图像数据和/或先前已滤波图像数据的准许强调角的先前个扇区相比,限制到更窄的扇区或者扩大到更宽的扇区;或者
-与先前图像数据和/或先前已滤波图像数据的先前准许强调角无关;或者
-与先前图像数据和/或先前已滤波图像数据的先前准许强调角相关;或者
-根据例如皱纹、弯曲或条痕的检测结果来自动调节。
因此,在最后一种情况下,准许强调角的扇区可沿可检测缺陷改变。调节的速度可能是可用参数表示的。准许强调角的扇区的分辨率仅基于为表示角度而保留的装置资源的数量。
另一方面,可从卷筒纸的任何方向来选择强调角,按照它对先前图像数据和/或先前已滤波图像数据进行加权,但是,先前图像数据和/或先前已滤波图像数据可基于图像数据和/或已滤波图像数据的局部邻域。
用于创建已滤波图像数据的先前图像数据和/或先前已滤波图像数据的加权与先前图像数据和/或先前已滤波图像数据和/或先前滤波器的辅助信息数据和/或先前图像数据和/或先前已滤波数据的先前滤波过程的辅助信息数据无关或相关。
在创建已滤波图像数据之前可应用一组预处理方法。预处理方法的选择取决于应用。除了常规灰度级视频信号之外,用于该方法的源视频信号还可通过高通、低通、带通或带阻视频滤波、像素分辨率修改、视频信号反转、真或假彩色图像信息或者用于对将要采用该方法来检测的原始视频信号的预期特征进行加权的其它信息来产生。例如,在该方法的已滤波图像数据的创建之前可采用传统的边缘检测算子,然后将该方法用于对边缘检测器找到的边缘元素积分。
如果同时依次和/或并行地采用创造性方法的若干变化,则实现更好的检测性能。这无疑取决于可用资源。
卷筒纸监测相机可能是任何类型的电子相机,例如行扫描相机或矩阵相机。所产生的图像包含k×n个像素、例如1×1或4×4。通过采用预处理方法,该方法允许对于具有不同分辨率的图像进行缺陷搜索。
在一个有利实施例中,用于处理图像数据以检测卷筒纸中的异常的方法采用计算机来执行。待使用的程序存储在计算机的存储器中,或者存储在计算机可读介质中,它们可加载到计算机装置上。这些计算机可读介质具有用于使计算机执行方法的指令。
附图说明
图1是视觉检验***的示意图;
图2提供流程图,描述本发明的主要步骤;
图3是基于判定的滤波器***的内部结构;
图4是第一实施例的滤波器***的内部结构;
图5示出角网格。
具体实施方式
图1图解说明视觉检验***10的工业应用1,可与其结合使用用于检测异常的方法和产品。这是一个实例,在其中,视觉检验***表示获取和收集各种材料或对象的电子图像的任何视觉***、用于对它们的不同特性进行分类的任何视觉***。视觉检验***10可应用于各种连续和不连续生产线。图1图解说明一种情况,在其中,视觉检验***10正检验在生产线、如造纸机上制造的移动和连续的卷筒纸11。
移动卷筒纸11由一个或数个相机13从卷筒纸的一侧进行检查。相机13安装在适当的机械支架、如相机架12上。卷筒纸11由光源14从下方照明。光源也可设置在卷筒纸11的上方。如图1所示,透射光有利地用于半透明材料。反射光特别适合于其它类型的材料。通过反射光,照射角相对于相机查看角可能是反射的或者是散射的。
相机13可以是任何类型的电子相机,它们可与图像处理单元15直接或间接地耦合。图像处理单元15的功能也可与相机13结合,在这种情况下,相机13是更复杂且独立的图像处理单元。模拟相机、如模拟CCD行扫描相机或矩阵相机的图像数据输出首先必须转换成数字格式。数字相机输出通常更易于图像处理单元15中的数字处理。图像处理单元15从相机13接收通过相机13成像的视图的数字表示。以一系列数字标号的形式进行这种表示。图像处理单元15根据它所具有的关于相机13的属性的信息将这个数据解释为电子图像、在其它地方称作图像。例如,图像处理单元15将行扫描类型的相机所发送的连续数据系列进行组合,从而形成表示卷筒纸11的图像的矩阵。
图像处理单元15是通常可编程的独立硬件单元。它可部分或全部与相机集成,如图1所示。它也可以是个人计算机或者其它任何类型的通用计算机。一个计算机可负责一个或数个相机的图像数据处理。在这个阶段应用用于处理图像数据的方法。检测、即获得被识别为来自缺陷的检验信号被执行,以及通过用于处理图像数据的方法,卷筒纸的图像分为受关注区域。这个处理阶段的结果是表示卷筒纸的分段部分的电子图像集合,图像经过电子方式处理以满足以后应用的要求。
将图像转发到作为图像分析的下一个处理步骤。这个步骤可在图像处理单元15或者在独立计算机中进行,图像处理单元15或独立计算机可以是视觉检验***10的操作台16的一部分,并且通常是所有相机13共用的。例如,图像分析包括进一步分割图像中的受关注区域、如缺陷。在分割之后,可提取描述通过分割所找到的区域的属性的特征。特征是用于识别区域、即用于对它们进行分类的数值。
操作台16包含视觉检验***10的用户界面。它用于输入各种调整参数,以及选择预期显示和报告,例如显示***的状态和被检验产品的质量。视觉检验***10无疑需要用于向与外部***、如生产线(process)本身接口的***和装置供电的独立部件。本领域的技术人员公知的这些部件可位于电子箱17中。除了操作台16之外,外部装置18还可用于对操作人员进行告警。
图像数据存储在图像数据库中。数据库的图像集合包含不同类型的数字化卷筒纸缺陷。缺陷被检测,以及从移动卷筒纸中对它们的图像进行数字化。为了对缺陷分类,采用分类器19。
数字行扫描相机通过透射或反射光获取缺陷图像,以及图像与关联图像的某些区域的所计算特征集合一起存储到图像数据库中。具有各图像中的可变数量的缺陷及关联特征的多个这类缺陷图像组成图像集合。
图2提供流程图,描述方法的主要步骤。用于处理图像数据以检测卷筒纸中的异常的方法包括从21到23进行编号的若干步骤,并通过步骤24-26进行增强。
步骤21包括用于强调原始信号的预期属性的预处理方法。预处理方法的实例是饱和及横向和/或机器方向前置滤波。根据情况,源视频信号在被导向基于判定的滤波器22之前是饱和(限制)或者未饱和的。饱和用来指出与强度图像中的高对比缺陷相比的弱缺陷。饱和或未饱和的源视频信号由低通例如2维求平均)、高通(例如相邻像素差)、带通或带阻、横向和/或机器方向滤波器或者上述滤波器的组合进行前置滤波。横向和机器方向滤波用于以强度来强调缺陷的高频或低频弱特征。对于改进S/N比是必要的,在其中,噪声表示无缺点产品的变化,例如纸张中的形成噪声。低通滤波器例如由简单平均滤波器、有限脉冲响应(FIR)滤波器或者作为平均滤波器和中值滤波器的组合的中值混合滤波器来定义。对应的高通滤波器可由瞬时视频值和低通滤波值之差来定义。平均与基于中值混合的滤波器之间的基本差异在于,中值混合滤波器略占优势,但可看到相当理想的峰值,而平均滤波器则强调峰值以及边缘,但峰值响应包含阴影。但是,阴影可能是某些检测算法的明确特征。根据所应用的异常检测方法,可采用不同的预处理方法,从而允许集中于各种缺陷类型。
在原始S/N比等于或小于一、并且缺陷的方向是未知的细长弱缺陷的情况下,对于缺陷检测需要横向或机器方向上的前置滤波。在具有已知方向的长缺陷的特殊情况下,或者在短而强的缺陷的情况下,当采用平场校正视频时可省略前置滤波。平场校正对每个像素应用增益和偏差校正,以校正照明和传感器的不规则性。缺陷的长度定义缺陷的纵向的缺陷的空间频率。缺陷的长度应当相当长,使得用于已知方向积分的低通滤波器可足够减小噪声等级以分隔缺陷信号和形成噪声。可检测缺陷的最小长度基于原始S/N比,即,缺陷越长,则需要更低的检测信号电平。例如,如果没有机器方向低通滤波,则在大多数情况下无法检测条痕信号,因为条痕信号与形成噪声相比相当弱。
在步骤22执行滤波。基于判定的滤波器采用无限脉冲响应(IIR)滤波器结构和非线性自适应算法。其中采用IIR滤波器的直接I型实现以及非线性自适应算法控制滤波器系数的滤波器的内部结构如图3所示。也可采用IIR滤波器的其它实现结构,例如直接II型、转置结构等。在基于判定的滤波器300中,输出视频信号y(n)、即已滤波图像数据可表示为
y(n)=b0(a0(n)x(n)+a1(n)x(n-1)+a2(n)x(n-Ls+1)+a3(n)x(n-Ls)+a4(n)x(n-Ls-1))+
b1(n)y(n-1)+b2(n)y(n-Ls+1)+b3(n)y(n-Ls)+b4(n)y(n-Ls-1)
式中,α0-α4和b0-b4是由非线性自适应算法301控制的滤波器系数,x(n)是输入视频信号(图像数据),以及Ls是图像行的长度。加法器310、311如图3所示。通过计算先前图像数据和/或先前已滤波图像数据以及输入x(n)的加权和,来执行加权的图像数据和加权的先前图像数据和/或加权的先前已滤波图像数据的组合。由反馈部分的视频信号延迟元件306-309以及前向部分的302-305来建立二维局部环境。如果前向部分的滤波器系数α1-α4设置为零,则仅考虑先前已滤波图像数据、即反馈部分。相应地,如果反馈部分的b1-b4设置为零,则仅考虑先前图像数据、即前向部分,并且滤波器结构对应于有限脉冲响应滤波器FIR结构。例如可选参数312等的信息或者来自另一个滤波器313的可选辅助信息可导入非线性自适应算法301,并且还可导出另一个滤波器314的可选辅助信息。非线性自适应算法301控制滤波300。为了实现基于判定的滤波器300,仅需要在存储器中缓冲先前图像数据的一个图像行以及先前已滤波图像数据的一个图像行。
通过基本形式的基于判定的滤波器,覆盖了角0-135°中的缺陷。强调角网格如图5所示。像素P51的局部邻域包括四个像素值:角0°52、角45°53,角90°54以及角135°55。角0°52表示来自卷筒纸的横向CD的当前图像行的先前图像数据值(基于判定的滤波器的前向部分)或者先前先前已滤波图像数据值(基于判定的滤波器的反馈部分)。角45°53和135°55中的三个值来自先前图像数据(基于判定的滤波器的前向部分)的先前图像行或者来自先前已滤波图像数据(基于判定的滤波器的反馈部分)的先前图像行。可通过在将图像数据信号转发给基于判定的滤波器之前将它在横向反转,来查找从130°55至180°56的角中的缺陷。在那种情况下,一个图像行存储在存储器中并以相反顺序从其中读取。如果应当覆盖整个强调角0-180°,则可并行使用两个基于判定的滤波器。MD表示机器方向。
为了简洁起见,在实施例中,0°角表示卷筒纸的横向,以及90°表示机器方向。但是,可在该角范围内在任何方向上处理图像数据。例如,如果预处理方法将图像旋转90°,则在计算中0°表示MD,以及在计算中90°表示CD。
本文中假定像素为正方形。实际上,在大多数情况下,像素形式以及同时的实际角覆盖取决于卷筒纸的成像几何形状和速度,即,像素形式在卷筒纸的横向或机器方向上展开。
在步骤23进行阈值化。根据查找曲线或线条缺陷的给定检测等级来对基于判定的滤波器(或多个滤波器)的输出即已滤波图像数据进行阈值化。
在下一个步骤24,如果没有超过给定距离极限,则组合卷筒纸的横向上的相邻缺陷像素。在步骤25,如果没有超过给定距离极限,则组合机器方向上的相邻缺陷区域。在曲线或线条缺陷结束时,向检测***的高层报告26所有缺陷属性。缺陷属性的实例是:缺陷的类型、缺陷的最小和最大强度的位置、缺陷的边界、缺陷的主要成分和主要角。
在第一优选实施例中,基于判定的滤波器的自适应算法通过利用最小值或最大值函数来控制反馈系数b1-b4。在这种情况下,前向部分的系数α1-α4固定设置为零,以及系数α0固定设置为1。最小值或最大值函数用来查找先前已滤波图像数据的最小或最大值,以及对应系数b1-b4设置成具有值1-b0。其它系数b1-b4设置为零。这样,IIR滤波器结构减小到图4所示的标准化一阶IIR滤波器。在IIR滤波器40中,输出视频信号y(n)可表示为
y(n)=b0x(n)+(1-b0)f{y(n-1),y(n-Ls+1),y(n-Ls),y(n-Ls-1)}
式中,b0是滤波器系数,x(n)是输入视频信号,f42是最小值或最大值函数,以及Ls是一行的长度。因此,作为由非线性反馈功能42来处理的旧输出以及新输入x(n)的加权和41来计算新的输出y(n)。例如,如果低值对应于强度范围中的暗值,则最小值函数用于暗缺陷检测,以及相应地最大值函数用于亮缺陷检测。二维局部环境通过视频信号延迟元素Z43-46来建立。滤波器系数b0控制检测的灵敏度。对于较低的缺陷信号电平,需要机器方向上较长的缺陷,同时需要较小的滤波器系数值。
这个优选实施例对于检测0-135°的角中出现的细长的弱缺陷极为有效。使用自适应算法中的最小值和最大值函数形成一种方法,在其中,跟踪源视频信号中的最大强度脊线或最小强度谷线,并在脊线和谷线的方向上对信号积分。优选实施例还可用于弱区检测,在其中,弱区可看作是短而宽的曲线。该方法对弱区的高地或低地中的信号积分。该方法的效能基于在弱区上扩展而不管区域的形状或大小的能力。
在第二优选实施例中,与第一优选实施例相比,通过采用并行的基于判定的滤波器来获得更好的S/N比。在最小和最大值的定义中,仅考虑来自局部邻域的两个或三个像素值。用于创建已滤波图像数据的先前已滤波图像数据的准许强调角则固定为预定扇区。这允许滤波器集中于这些角所限定的预期搜索区域。滤波器跟踪0-45°、45-90°、90-135°、0-90°或45-135°的角中的脊线或谷线。并行滤波器使得能够定义用于不同角区域的不同检测方法。可通过在将图像数据信号转发给基于判定的滤波器之前将它在横向反转,来查找130°-180°的角中的缺陷。在那种情况下,一个图像行存储在存储器中并以相反顺序从其中读取。
在第三优选实施例中,将基于判定的滤波器应用于在接近机器方向上移动的波纹条痕的检测。思路是跟踪源视频信号中的最大或最小强度脊线或谷线,并在脊线或谷线的方向上对信号积分。在这个实施例中,准许强调角的扇区可从45-135°窄小到大约90°、例如82-98°的窄扇区。由于通常在条痕检测***中物理机器方向的像素大小大于横向像素大小,因此实际的物理强调角在这里通常更接近90°。
在这个实施例中,基于判定的滤波器的自适应算法通过采用最小值和最大值函数来控制反馈系数b2-b4,即,像素的局部邻域包括来自先前图像行的45°、90°和135°的角中的三个先前已滤波图像数据值。在这种情况下,前向部分的系数α1-α4和反馈部分的系数b1固定设置为零,以及系数α0固定设置为1。最小值或最大值函数用来查找先前已滤波图像数据的最小或最大值,以及对应系数b2-b4设置成具有值1-b0。其它系数b2-b4设置为零。这意味着,滤波器结构减小到标准化一阶IIR滤波器,其反馈值通过采用最小值或最大值函数来选择。在用于波纹检测的基于判定的滤波器中,存在用于告知积分的角的相位的另一个辅助信息数据。这个辅助信息数据用来验证最大值或最小值函数的先前已滤波图像数据值。在各滤波步骤中,积分的局部角、即通过采用最小值或最大值函数所选择的值的角用来更新积分的角的相位,以及这个辅助信息数据存储在存储器中。存在为辅助信息数据保留的缓冲器。缓冲器的长度与一个图像行的长度相同。
在计算已滤波图像数据值时,仅当辅助信息数据中的对应角相位值为零时,才准许来自45°或135°的角的先前已滤波图像数据值用于最小或最大值计算。如果从45°或135°的角找到所有准许值的最小或最大值,则对应角相位值设置为固定参数值。参数定义在再次准许45°或135°的强调角之前所需的图像行的数量。新的角相位值对于45°的角为正,以及对于135°的角为负。如果从90°的角找到最小或最大值,则角相位值增加或减少一,使得新相位值接近零。这意味着,每当从90°之外的任何角找到最小或最大值时,计算的已滤波图像数据值仅在参数表示数量的扫描行之后才可再次扩展到相同方向。与45-135°的准许强调角的扇区相比,这将基于判定的滤波限制到更窄的扇区。在这种情况下,用于创建已滤波图像数据的先前已滤波图像数据的准许强调角取决于先前已滤波图像数据的先前强调角。
在第四优选实施例中,基于判定的滤波器的自适应算法包括其中包含若干元素的辅助信息数据。辅助信息数据包括在各滤波步骤中更新并与滤波结果同步的全局信息:1.准许强调角的扇区的左角区域,2.准许强调角的扇区的右角区域,3.准许强调角的扇区的左角,4.准许强调角的扇区的右角,5.左过渡相,以及6.右过渡相。基于判定的滤波器结构覆盖0-135°的准许强调角的扇区。像素的局部邻域包括0°(当前图像行)、45°、90°和135°(来自先前图像行)的角中的四个像素值。准许强调角的扇区可定义为固定的,或者根据图像数据或某个辅助信息数据进行适配。通过给出例如63-100°的扇区的左角和右角,来定义准许强调角的扇区。准许强调角的扇区的左角和右角可基于例如固定参数或者来自另一个基于判定的滤波器的辅助信息数据。
整个角范围分为0-22.5°、22.5-45°、45-67.5°、67.5-90°、90-112.5°和112.5-135°的角区域。这些角区域具有对应的主要角(primaryangle)0、45°、45°、90°、90°和135°。此外,这些角区域对于准许强调角的扇区的左角具有对应的判定条件“最多”、“最少”、“最多”、“最少”、“最多”和“最少”,以及对于准许强调角的扇区的右角具有“最少”、“最多”、“最少”、“最多”、“最少”和“最多”。在各滤波步骤中,对于最小或最大值计算验证先前已滤波图像数据值。验证基于左和右过渡相、准许强调角的扇区的左和右角的主要角、对应判定条件以及准许强调角的扇区的左和右角。
例如,如果准许强调角的扇区的左角设置为63°,并且准许强调角的扇区的右角为100°,则对应角区域为45-67.5°和90-112.5°,主要角为45°和90°,以及对应检测条件必有类型“最多”和“最少”。这表示0°的角中的先前已滤波图像数据值决不是有效的。如果左过渡相最多为给定极限,即来自45°的主要角的连续过渡的数量最多为给定极限,则45°的角中的先前已滤波图像数据值是有效的。这种情况下的极限可设置为1,它对应于63°的准许强调角的扇区的左角。在这种情况下,90°的角中的先前已滤波图像数据值始终是有效的。如果右过渡相最少为给定极限,即来自90°的主要角的连续过渡的数量最少为给定极限,则135°的角中的先前已滤波图像数据值是有效的。这种情况下,极限可设置为6,它对应于100°的准许强调角的扇区的右角。
0-180°的整个角范围通过两个并行的基于判定的滤波器结构来覆盖,在其中,输出是基于判定的滤波器输出的最大值或最小值。由反转图像行对另一个基于判定的滤波器进行馈送。
在第五优选实施例中,基于判定的滤波器的自适应算法包括非线性函数、最小值或最大值函数。在这种情况下,包含缺陷的局部和全局角的新辅助信息数据在各滤波步骤中被更新并存储在存储器中。全局角基于局部角,局部角由通过采用最小值或最大值函数所选择的先前已滤波图像数据值的强调角来定义。通过对局部角信息进行低通滤波,可计算全局角。全局角描述在进行时每个像素更新路线时的可能的弱缺陷路线。准许强调角的扇区则可根据全局角信息来定义、例如缩小。这允许将强调集中到找到的强度脊线上。可将局部和全局角辅助信息转发给下一个滤波级,例如用于第四实施例的基于判定的滤波器,在其中,信息可用于在各滤波步骤中定义准许强调角的扇区。在同时找到若干缺陷时,全局角辅助信息有助于通过将强调集中于更窄的扇区分别跟踪各条痕。具体来说,这是这种情况下的一个重要特征,在其中,两个或两个以上缺陷相交,并且存在混合的风险。
第六优选实施例是一种用于实施例1-5的预处理方法。在这个实施例中,基于判定的滤波器的前向部分用于预处理。例如,通过将滤波器系数α0-α4固定设置成具有值α0=0、α1=1、α2=0、α3=-1以及α4=0,前向部分用于反馈部分的边缘检测器(对45°角聚焦),反馈部分则可用于以边缘元素进行积分。在另一个实例中,通过将滤波器系数α0-α4固定设置成具有值α0=1/5、α1=1/5、α2=1/5、α3=1/5和α4=1/5,前向部分用于局部邻域求平均。在第三实例中,自适应算法从先前图像数据(四个值)中查找最大值、最小值或中值以及当前图像数据值,以及将前向部分的对应滤波器系数设置为1,并将其它系数α0-α4设置为零。然后,将最大、最小或中值滤波结果馈送到基于判定的滤波器的反馈部分。
在第七优选实施例中,依次使用基于判定的滤波器。例如,在使用两个滤波器时,第一滤波器是在第五优选实施例中描述的基于判定的滤波器。它包括包含局部和全局角的信息的辅助信息。它用来确定准许强调角的扇区。第二滤波器可以是在第四实施例中描述的基于判定的滤波器。在这种情况下,滤波器的自适应算法把来自第一滤波器的辅助信息数据用于定义准许强调角的扇区。
在第八优选实施例中,0-180°的整个角范围通过两个并行的基于判定的滤波器结构来覆盖,在其中,输出是基于判定的滤波器输出的最大值或最小值。由反转图像数据行对另一个基于判定的滤波器进行馈送。
在第九优选实施例中,滤波器的准许强调角的扇区由先前局部角来控制。控制工具则是待滤波的信号、可能的缺陷以及可能的缺陷的角。
在一个有利实施例中,该方法采用计算机来执行。
可在不背离本发明的精神和范围的前提下,对本发明进行各种改变。
Claims (26)
1.一种用于处理图像数据以检测卷筒纸中的异常的方法,其中,所述卷筒纸(11)由至少一个相机(13)来监测,由此产生用于创建所述图像数据(x(n))的包含多个像素(51-56)的至少一个图像,以及所述图像数据(x(n))存储在存储器中,其特征在于,由处理器通过对所述图像数据(x(n))以及先前图像数据(315-318)和先前已滤波图像数据(319-322)这两者中的至少一个进行加权,来对所述图像数据(x(n))进行滤波,用于创建已滤波图像数据;将所述加权的图像数据以及所述加权的先前图像数据和所述加权的先前已滤波图像数据这两者中的至少一个进行组合;通过至少一种非线性算法(301)来控制所述滤波(300);以及对所创建的已滤波图像数据(y(n))进行阈值化。
2.如权利要求1所述的方法,其特征在于,以强调角(52-56)对所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)进行加权。
3.如权利要求1所述的方法,其特征在于,从所述图像数据和/或所述已滤波图像数据的0(52)或45(53)或90(54)或135(55)的任何角来对所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)进行加权。
4.如权利要求2所述的方法,其特征在于,所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)的所述强调角与所述先前图像数据(315-318)和所述先前已滤波图像数据(319-322)的先前的强调角无关。
5.如权利要求2所述的方法,其特征在于,所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)的所述强调角与所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)的所述先前的强调角相关。
6.如权利要求2所述的方法,其特征在于,所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)的所述强调角从准许强调角的预定扇区中固定选择,或者从所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)的准许强调角的先前扇区中来选择。
7.如权利要求2所述的方法,其特征在于,所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)的所述强调角从准许强调角的扇区中来选择,以及所述扇区窄于所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)的准许强调角的所述先前扇区。
8.如权利要求1-7中的任一项所述的方法,其特征在于,所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)来自所述图像数据和/或所述已滤波图像数据的局部邻域。
9.如权利要求1-8中的任一项所述的方法,其特征在于,根据先前图像数据(315-318)来对所述滤波(300)进行加权。
10.如权利要求1-8中的任一项所述的方法,其特征在于,根据先前已滤波图像数据(319-322)来对所述滤波(300)进行加权。
11.如权利要求1-10中的任一项所述的方法,其特征在于,根据至少一个参数来对所述滤波(300)进行加权。
12.如权利要求1所述的方法,其特征在于,所述方法还包括利用辅助信息数据,以及所述辅助信息数据存储在存储器中。
13.如权利要求12所述的方法,其特征在于,根据来自所述滤波过程的先前阶段的辅助信息数据对所述滤波(300)进行加权。
14.如权利要求12所述的方法,其特征在于,根据来自所述连续和/或并行和/或矩阵滤波器结构的另一个滤波器的辅助信息数据来对所述滤波(300)进行加权。
15.如权利要求1-14中的任一项所述的方法,其特征在于,滤波(300)通过采用最大值和最小值和中值函数这三者中的至少一个的非线性自适应算法来控制。
16.如权利要求15所述的方法,其特征在于,所述非线性自适应算法包括辅助信息数据。
17.如权利要求1-16中的任一项所述的方法,其特征在于,在创建已滤波图像数据(y(n))之前对所述图像数据(x(n))进行预处理。
18.如权利要求12或16所述的方法,其特征在于,根据所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)来创建辅助信息数据。
19.如权利要求12或16所述的方法,其特征在于,根据来自滤波过程的先前阶段的所述辅助信息数据来创建所述辅助信息数据。
20.如权利要求12或16所述的方法,其特征在于,根据至少一个参数来创建所述辅助信息数据。
21.如权利要求12或16所述的方法,其特征在于,根据先前滤波器的所述辅助信息数据来创建所述辅助信息数据。
22.如权利要求12或16所述的方法,其特征在于,所述辅助信息数据固定为预定值。
23.如权利要求12或16所述的方法,其特征在于,所述辅助信息数据包括所述先前图像数据(315-318)和/或所述先前已滤波图像数据(319-322)的所述强调角。
24.如权利要求1-23中的任一项所述的方法,其特征在于,所述卷筒纸监测相机(13)是行扫描相机。
25.如权利要求1-23中的任一项所述的方法,其特征在于,所述卷筒纸监测相机(13)是矩阵相机。
26.一种在计算机可操作介质中存储的、用于处理图像数据以检测卷筒纸(11)中的异常的计算机程序产品,其中,所述卷筒纸(11)由至少一个相机(13)来监测,由此产生用于创建所述图像数据(x(n))的包含多个像素(51-56)的至少一个图像,以及所述图像数据(x(n))存储在存储器中,其特征在于,所述计算机程序产品包括:用于通过处理器对所述图像数据(x(n))进行滤波的部件,用于通过对所述图像数据(x(n))以及先前图像数据(315-318)和先前已滤波图像数据(319-322)这两者中的至少一个进行加权来创建已滤波图像数据(y(n))的部件;用于将所述加权的图像数据以及所述加权的先前图像数据和所述加权的先前已滤波图像数据这两者中的至少一个进行组合的部件;用于通过至少一种非线性算法(301)来控制所述滤波(300)的部件;以及用于对所创建的已滤波图像数据(y(n))进行阈值化的部件。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FI20050706 | 2005-07-01 | ||
FI20050706A FI122806B (fi) | 2005-07-01 | 2005-07-01 | Menetelmä ja tuote poikkeavuuksien havaitsemiseksi |
PCT/FI2006/000223 WO2007003685A1 (en) | 2005-07-01 | 2006-06-22 | Method and product for detecting abnormalities |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101213575A true CN101213575A (zh) | 2008-07-02 |
CN101213575B CN101213575B (zh) | 2013-01-02 |
Family
ID=34803174
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2006800241707A Active CN101213575B (zh) | 2005-07-01 | 2006-06-22 | 用于检测异常的方法和产品 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8000501B2 (zh) |
CN (1) | CN101213575B (zh) |
DE (1) | DE112006001774B4 (zh) |
FI (1) | FI122806B (zh) |
WO (1) | WO2007003685A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110235173A (zh) * | 2017-02-10 | 2019-09-13 | Abb瑞士股份有限公司 | 用于卷材制造监督的实时完整的卷材图像处理方法和*** |
Families Citing this family (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE0702163L (sv) * | 2007-09-25 | 2008-12-23 | Abb Research Ltd | En anordning och ett förfarande för stabilisering och visuell övervakning av ett långsträckt metalliskt band |
US8345949B2 (en) * | 2010-03-09 | 2013-01-01 | General Electric Company | Sequential approach for automatic defect recognition |
WO2011117998A1 (ja) * | 2010-03-25 | 2011-09-29 | 日本たばこ産業株式会社 | 低延焼性ウエブの製造機及びその製造方法並びにシガレットに用いられる低延焼性巻紙の製造方法 |
DE202010008084U1 (de) * | 2010-07-15 | 2011-10-21 | Eltromat Gmbh | Vorrichtung zur Überwachung des Druckergebnisses bei Rotationsdruckmaschinen |
US8666188B2 (en) * | 2011-03-23 | 2014-03-04 | Xerox Corporation | Identifying edges of web media using textural contrast between web media and backer roll |
US8724904B2 (en) * | 2011-10-25 | 2014-05-13 | International Business Machines Corporation | Anomaly detection in images and videos |
FI124434B (en) * | 2012-10-31 | 2014-08-29 | Metso Automation Oy | Method and apparatus for track monitoring |
CN102967606B (zh) * | 2012-11-02 | 2015-04-15 | 海宁市科威工业电子科技有限公司 | 一种纺织机织物瑕疵视觉检测*** |
CN102944181B (zh) * | 2012-11-02 | 2015-04-15 | 海宁市科威工业电子科技有限公司 | 一种整经机整经数量及纱线直径检测*** |
KR102023581B1 (ko) * | 2012-11-23 | 2019-09-24 | 해성디에스 주식회사 | 릴-투-릴 검사장치 및 릴-투-릴 검사방법 |
FI126174B (en) * | 2012-12-04 | 2016-07-29 | Valmet Automation Oy | Tissue measurement |
JP6089335B2 (ja) * | 2013-06-07 | 2017-03-08 | パナソニックIpマネジメント株式会社 | シート状物の検査装置及びシート状物の検査方法 |
EP3174006A1 (de) * | 2015-11-30 | 2017-05-31 | MULTIVAC Sepp Haggenmüller SE & Co. KG | Verfahren zum ermitteln greifbarer objekte mittels eines visionssystems |
US20180374022A1 (en) * | 2017-06-26 | 2018-12-27 | Midea Group Co., Ltd. | Methods and systems for improved quality inspection |
JP6809510B2 (ja) * | 2018-03-09 | 2021-01-06 | Jfeスチール株式会社 | 金属帯表面の幅方向線状模様欠陥の検査方法及び検査装置 |
JP6996363B2 (ja) | 2018-03-12 | 2022-01-17 | 王子ホールディングス株式会社 | シート状物の欠陥検査装置及び製造方法 |
DE102018108696B4 (de) * | 2018-04-12 | 2024-05-02 | Ims Messsysteme Gmbh | Anordnung und Verfahren zum berührungslosen Bestimmen einer Abmessung einer bewegten Materialbahn |
CN114324321B (zh) * | 2020-09-29 | 2024-06-18 | 南京造币有限公司 | 机器视觉检测控制装置、***和方法 |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5068799A (en) * | 1985-04-24 | 1991-11-26 | Jarrett Jr Harold M | System and method for detecting flaws in continuous web materials |
ES2146730T3 (es) * | 1995-05-10 | 2000-08-16 | Mahlo Gmbh & Co Kg | Procedimiento y dispositivo para detectar defectos en telas o similares en movimiento. |
EP0816825A3 (en) | 1996-06-26 | 1998-08-12 | Toshiba Engineering Corporation | Method and apparatus for inspecting streak |
FR2773247A1 (fr) | 1997-12-31 | 1999-07-02 | Philips Electronics Nv | Procede de traitement d'une image multidimensionnelle bruitee et appareil d'imagerie medicale mettant en oeuvre ce procede |
US7817844B2 (en) * | 1999-08-26 | 2010-10-19 | Nanogeometry Research Inc. | Pattern inspection apparatus and method |
US6728416B1 (en) | 1999-12-08 | 2004-04-27 | Eastman Kodak Company | Adjusting the contrast of a digital image with an adaptive recursive filter |
CN100401043C (zh) * | 2000-04-18 | 2008-07-09 | 香港大学 | 一种检验含缺陷织物的方法 |
US6728592B2 (en) * | 2000-08-24 | 2004-04-27 | Voith Paper Automation, Inc. | Streak detection in papermaking |
US6750466B2 (en) | 2001-02-09 | 2004-06-15 | Wintriss Engineering Corporation | Web inspection system |
US7231080B2 (en) * | 2001-02-13 | 2007-06-12 | Orbotech Ltd. | Multiple optical input inspection system |
US6990255B2 (en) | 2001-09-19 | 2006-01-24 | Romanik Philip B | Image defect display system |
US20050135667A1 (en) * | 2003-12-22 | 2005-06-23 | Abb Oy. | Method and apparatus for labeling images and creating training material |
-
2005
- 2005-07-01 FI FI20050706A patent/FI122806B/fi active IP Right Grant
-
2006
- 2006-06-22 CN CN2006800241707A patent/CN101213575B/zh active Active
- 2006-06-22 DE DE112006001774.8T patent/DE112006001774B4/de active Active
- 2006-06-22 US US11/921,226 patent/US8000501B2/en active Active
- 2006-06-22 WO PCT/FI2006/000223 patent/WO2007003685A1/en active Application Filing
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110235173A (zh) * | 2017-02-10 | 2019-09-13 | Abb瑞士股份有限公司 | 用于卷材制造监督的实时完整的卷材图像处理方法和*** |
CN110235173B (zh) * | 2017-02-10 | 2023-04-18 | Abb瑞士股份有限公司 | 用于卷材制造监督的实时完整的卷材图像处理方法和*** |
Also Published As
Publication number | Publication date |
---|---|
DE112006001774T5 (de) | 2008-05-08 |
DE112006001774B4 (de) | 2015-01-22 |
FI122806B (fi) | 2012-07-13 |
CN101213575B (zh) | 2013-01-02 |
FI20050706A0 (fi) | 2005-07-01 |
US8000501B2 (en) | 2011-08-16 |
FI20050706A (fi) | 2007-01-02 |
US20090022391A1 (en) | 2009-01-22 |
WO2007003685A1 (en) | 2007-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101213575B (zh) | 用于检测异常的方法和产品 | |
CN102175700B (zh) | 数字x射线图像焊缝分割和缺陷检测方法 | |
CN100562878C (zh) | 缺陷检查***及缺陷检查方法 | |
KR100759950B1 (ko) | 외관 검사 방법 및 그 장치 | |
JP2017049974A (ja) | 識別器生成装置、良否判定方法、およびプログラム | |
CN101082592B (zh) | 不均检查方法及不均检查装置 | |
CN109886960A (zh) | 基于机器视觉的玻璃边缘缺陷检测的方法 | |
CN107578021A (zh) | 基于深度学习网络的行人检测方法、装置及*** | |
US20210390676A1 (en) | Automated inspection for sheet parts of arbitrary shape from manufactured film | |
CN110443783A (zh) | 一种图像质量评估方法及装置 | |
CN115170475A (zh) | 一种基于深度学习方法的无纺布缺陷检测方法 | |
CN107611047A (zh) | 一种晶圆检测方法 | |
CN108428247A (zh) | 焊锡点方向的检测方法和*** | |
Murakami | Image processing for non-destructive testing | |
JPH04194606A (ja) | プリント基板のライン幅検査方法 | |
Niskanen et al. | Experiments with SOM based inspection of wood | |
JP2827756B2 (ja) | 欠陥検査装置 | |
JP2021004751A (ja) | 外観検査管理システム、外観検査管理装置、外観検査管理方法及びプログラム | |
KR20010055119A (ko) | 표면 검사 장치 및 그 방법 | |
JP2710685B2 (ja) | 外観検査による欠陥検出方法 | |
Su et al. | Micro image surface defect detection technology based on machine vision big data analysis | |
CN109374256B (zh) | 一种工业检测自适应分类方法及装置 | |
CN106290391A (zh) | 一种对液晶屏进行表面氧化检测的***及方法 | |
CN106403823A (zh) | 一种珠体宽度缺陷检测方法及装置 | |
JPH04238207A (ja) | 欠陥検査装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |