CN110959114A - 缺陷检查方法及缺陷检查装置 - Google Patents

缺陷检查方法及缺陷检查装置 Download PDF

Info

Publication number
CN110959114A
CN110959114A CN201880048854.3A CN201880048854A CN110959114A CN 110959114 A CN110959114 A CN 110959114A CN 201880048854 A CN201880048854 A CN 201880048854A CN 110959114 A CN110959114 A CN 110959114A
Authority
CN
China
Prior art keywords
image
defect
inspection
cut
defective
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
Application number
CN201880048854.3A
Other languages
English (en)
Inventor
多田扩太郎
杉浦彰彦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Yokohama Rubber Co Ltd
Original Assignee
Yokohama Rubber Co Ltd
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 Yokohama Rubber Co Ltd filed Critical Yokohama Rubber Co Ltd
Publication of CN110959114A publication Critical patent/CN110959114A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G01N21/8803—Visual 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
    • G01N21/8806—Specially adapted optical and illumination features
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9515—Objects of complex shape, e.g. examined with use of a surface follower device
    • 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
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/952—Inspecting the exterior surface of cylindrical bodies or wires
    • 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
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8812—Diffuse illumination, e.g. "sky"
    • G01N2021/8816—Diffuse illumination, e.g. "sky" by using multiple sources, e.g. LEDs
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • 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
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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

Landscapes

  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Theoretical Computer Science (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

一种缺陷检查方法及缺陷检查装置，在检查物品的缺陷时，为了识别器的学习，获取与检查对象物品不同的物品的包含缺陷的缺陷图像和不含缺陷的无缺陷图像，使用所述缺陷图像和所述无缺陷图像，使所述识别器学习所述缺陷的像和并非所述缺陷的非缺陷的像。使学习后的所述识别器对分隔了所述检查对象物品的检查图像的各个切出检查图像是否包含缺陷进行识别，使用所述识别器的识别结果，判定所述检查对象物品有无缺陷。在使所述识别器学习所述缺陷时，改变从所述缺陷图像中切出的切出区域以使所述缺陷图像中的所述缺陷位于图像中的不同位置，将根据所述缺陷图像制作的多个切出缺陷图像作为学习用图像提供给所述识别器。

Description

缺陷检查方法及缺陷检查装置
技术领域
本发明涉及一种通过识别器对物品的检查图像中的缺陷的像进行识别，来检查物品的缺陷的缺陷检查方法及缺陷检查装置。
背景技术
以往，对于制造出的全部轮胎，进行以下检查：检查员通过用手触摸或者目视轮胎的外表面和内表面来判断有无缺陷。在该检查中，针对轮胎部位和每个产生因素定义缺陷的规定尺寸，进行有无缺陷的判定。以无法量化缺陷的产品制作限度样品，通过与限度样品的比较来判定有无缺陷。在检查员判定为无缺陷的合格品的轮胎中，包括与缺陷类似但因为未满足规定尺寸等的理由而未被判断为缺陷的“伪缺陷”。
近年，为了减轻检查员的检查负担，希望使轮胎外表面、内表面的整个范围的拍摄以及缺陷的像的识别自动化。
例如，为了判定有无在轮胎外表面的胎面(轮胎接地面)表面上产生的具有厚度0.4mm、面积100mm2左右的凸型椭圆形状的薄宽面状缺陷，提出了由图像处理实现的将被称为胎面花纹的轮胎槽部去除的外表面特征提取方法(非专利文献1)。
此外，提出了：以轮胎内表面为对象，将LED照明和区域摄像机用作摄像单元，分别对照明环境和图像处理***进行改进，由此来识别并排除存在于轮胎内表面的周期性花纹的图案地检测缺陷的方法(非专利文献2)。
现有技术文献
非专利文献
非专利文献1：舟桥琢磨等，“汽车用轮胎外表面部薄宽面状缺陷检查装置的开发”，精密工学会志，2014，80.12：1200-1205.
非专利文献2：舆水大和等，“汽车用轮胎的外观检查技术”.SSII2010第16届图像感测研讨会，DS2-08，2010.
发明内容
发明所要解决的问题
在上述的缺陷判定中，虽然能根据图像中的背景图案、特定种类的缺陷来制作与每一种对应的缺陷识别算法，高精度地识别特定种类的缺陷，但是难以像检查员那样高效地识别各种缺陷。而且，也难以识别伪缺陷。
不以特定种类的缺陷为对象而是进行各种缺陷的识别并不限定于轮胎，在一般物品的检查工序中也是重要的。
因此，本发明的目的在于，提供一种并非像以往那样识别形成于物品的表面的特定种类的缺陷，而是能高效地识别各种缺陷的物品的缺陷检查方法及缺陷检查装置。
技术方案
本发明的一个方案是通过识别器对物品的检查图像中的缺陷的像进行识别，来检查物品的缺陷的缺陷检查方法。该缺陷检查方法具备以下步骤：
为了识别器的学习，获取与检查对象物品不同的物品的包含缺陷的像的缺陷图像和不含缺陷的像的无缺陷图像；
使用所述缺陷图像和所述无缺陷图像，使所述识别器学习所述缺陷的像和并非所述缺陷的非缺陷的像；
使学习后的所述识别器对将所述检查对象物品的检查图像分割后的各个切出检查图像是否包含缺陷的像进行识别；以及，
使用所述识别器的识别结果，判定所述检查对象物品有无缺陷。
在使所述识别器学习所述缺陷的像和所述非缺陷的像时，改变从所述缺陷图像中切出的缺陷切出区域以使所述缺陷图像中的所述缺陷的像位于图像中的不同位置，将根据所述缺陷图像制作的多个切出缺陷图像作为学习用图像提供给所述识别器。
优选的是，所述切出缺陷图像包括：所述缺陷的像在图像内的位置位于所述切出缺陷图像的中心像素位置的一个图像；以及位于相对于所述切出缺陷图像的中心像素位置在上下方向和左右方向上离开规定的距离的位置的多个图像。
优选的是，所述切出检查图像是在不遗漏所述检查图像的所有区域的情况下改变切出区域而切出的图像，
各个所述切出检查图像中的所述切出区域与所述切出检查图像中的至少一个中的所述切出区域重叠。
优选的是，所述切出缺陷图像与所述切出检查图像的图像尺寸相同，
各个所述切出检查图像中的所述切出区域是相对于所述切出检查图像中的至少一个中的所述切出区域在上下方向或者左右方向上移动了规定距离的区域，
所述切出检查图像中的所述切出区域的移动距离在所述切出缺陷图像和所述切出检查图像的上下方向和左右方向的任一方向上，都与所述切出缺陷图像中的所述缺陷的像的相互离得最远的位置的变动量相同或在其以下。
优选的是，所述切出缺陷图像包括：所述缺陷的像在图像内的位置位于所述切出缺陷图像的中心像素位置的一个图像；以及位于相对于所述切出缺陷图像的中心像素位置在上下方向和左右方向上离开规定的距离的整数倍的位置的多个图像，
通过调整所述整数倍中的整数和所述规定的距离来调整所述切出缺陷图像的总数。
优选的是，所述切出缺陷图像包括：所述缺陷的像在图像内的位置位于所述切出缺陷图像的中心像素位置的一个图像；以及位于相对于所述切出缺陷图像的中心像素位置在上下方向和左右方向上离开规定的距离的整数倍的位置的多个图像，
所述切出检查图像中的所述切出区域的所述移动距离比所述切出缺陷图像的所述规定的距离大。
优选的是，对于使所述识别器学习所述缺陷的像和所述非缺陷的像的所述学习用图像而言，除了包含所述切出缺陷图像之外，还包含多个无缺陷图像，所述多个无缺陷图像不含缺陷的像且大小与所述切出缺陷图像的图像尺寸相同，
将所述切出检查图像中的所述识别器的识别结果与根据预定的检查标准判断出的标准依据判断结果不同的图像同所述标准依据判断结果一起提供给所述识别器，作为所述学习用图像供所述识别器学习。
优选的是，根据所述缺陷图像内的缺陷的像的大小，在不改变所述切出缺陷图像的像素数的情况下调整所述切出区域的大小，或者，改变所述切出缺陷图像的像素数并调整所述切出区域的大小。
本发明的另一个方案是通过识别器单元对物品的检查图像中的缺陷的像进行识别，来检查物品的缺陷的缺陷检查方法。该缺陷检查方法具备以下步骤：
为了所述识别器单元的学习，获取与检查对象物品不同的物品的包含缺陷的像的缺陷图像和不含缺陷的像的无缺陷图像；
使用所述缺陷图像和所述无缺陷图像，使所述识别器单元学习所述缺陷的像；
使学习后的所述识别器单元对将所述检查对象物品的检查图像分割后的各个切出检查图像是否包含缺陷的像进行识别；以及，
使用所述识别器单元的识别结果，判定所述检查对象物品有无缺陷，其中，
所述识别器单元具备：第一识别器，识别是在所述切出检查图像内是存在缺陷的可能性的缺陷候选的像，或是没有缺陷候选的像；以及第二识别器，识别是在由所述第一识别器识别为有缺陷候选的像的切出检查图像内有与缺陷的像类似但未被分类为缺陷的像的伪缺陷的像，或是有缺陷的像，所述缺陷候选包括所述缺陷和所述伪缺陷，
用于供所述第一识别器学习的学习用图像包括：包含缺陷候选的像的图像、以及不含所述缺陷候选的像的图像，
用于供所述第二识别器学习的学习用图像包括：包含伪缺陷的像的图像、以及包含缺陷的像的图像。
本发明的又一个方案是通过识别器对物品的检查图像中的缺陷的像进行识别，来检查物品的缺陷的缺陷检查装置。该缺陷检查装置具备：
识别器，使用提供的图像对所述图像内的缺陷的像进行识别；
图像获取部，为了所述识别器的学习，获取与检查对象物品不同的物品的包含缺陷的像的缺陷图像和不含缺陷的像的无缺陷图像；
第一处理部，使用所述缺陷图像和所述无缺陷图像，使所述识别器学习所述缺陷的像以及并非所述缺陷的非缺陷的像；
第二处理部，使学习后的所述识别器从将所述检查对象物品的检查图像分割后的各个切出检查图像识别所述切出检查图像是否包含缺陷的像；和
第三处理部，使用所述识别器的识别结果，判定所述检查对象物品有无缺陷。
所述第一处理部改变从所述缺陷图像中切出的切出区域以使所述缺陷图像中的所述缺陷的像位于图像中的不同位置，将根据所述缺陷图像制作的多个切出缺陷图像作为学习用图像提供至所述识别器。
本发明的又一个方案是通过识别器对物品的检查图像中的缺陷的像进行识别，来检查物品的缺陷的缺陷检查装置。该缺陷检查装置具备：
识别器单元，使用提供的图像对所述图像内的缺陷的像进行识别；
图像获取部，为了所述识别器单元的学习，获取与检查对象物品不同的物品的包含缺陷的像的缺陷图像和不含缺陷的像的无缺陷图像；
第一处理部，使用所述缺陷图像和所述无缺陷图像，使所述识别器单元学习所述缺陷的像；
第二处理部，使学习后的所述识别器单元从将所述检查对象物品的检查图像分割后的各个切出检查图像识别所述切出检查图像是否包含缺陷的像；和
第三处理部，使用所述识别器的识别结果，判定所述检查对象物品有无缺陷。
所述识别器单元至少包含第一识别器和第二识别器，
所述第一识别器识别是在所述切出检查图像内有存在缺陷的可能性的缺陷候选的像，或是没有缺陷候选的像，
所述第二识别器识别是在由所述第一识别器识别为有缺陷候选的像的切出检查图像内有与缺陷的像类似但未被分类为缺陷的像的伪缺陷的像，或是有缺陷的像，所述缺陷候选包括所述缺陷和所述伪缺陷，
用于供所述第一识别器学习的学习用图像包括：包含缺陷候选的像的图像；以及不含缺陷候选的像的图像，
用于供所述第二识别器学习的学习用图像包括：包含伪缺陷的像的图像；以及包含缺陷的像的图像。
发明效果
根据上述的缺陷检查方法及缺陷检查装置，能高效地识别物品的各种缺陷。
附图说明
图1是表示作为一个实施方式的检查轮胎的缺陷的缺陷检查***的构成的框图。
图2的(a)、(b)是说明测量轮胎的内表面的测量装置的一个例子的图。
图3是说明测量轮胎的内表面的部分的例子的图。
图4的(a)～(c)是表示没有缺陷的像的图像的例子的图。
图5的(a)～(c)是表示具有未被分类为缺陷的像的伪缺陷的像的图像的例子的图。
图6的(a)～(c)是表示具有缺陷的像的图像的例子的图。
图7是说明缺陷检查装置所进行的一个实施方式的缺陷检查方法的流程的图。
图8的(a)～(d)是示意性说明切出缺陷图像的图。
图9是说明一个实施方式中的检查图像与切出检查图像的关系的图。
图10是说明一个实施方式中的识别器的构成的图。
具体实施方式
以下，对本发明的缺陷检查方法及缺陷检查装置进行详细说明。图1是表示作为一个实施方式的检查轮胎的缺陷的缺陷检查***10的构成的框图。在缺陷检查***10中，以轮胎为检查对象物品，但检查对象物品并不限定于轮胎，也可以是刚制造完的任何物品。
缺陷检查***10具备测量装置12和缺陷检查装置20。测量装置12测量轮胎T的内表面的形状，获取数据。缺陷检查装置20使用获取到的数据，根据轮胎T的检查图像来判定轮胎T有无缺陷。
图2的(a)、(b)是说明测量轮胎T的内表面的测量装置12的一个例子的图。轮胎T的内表面是指面朝由装接于轮胎T的轮辋包围的轮胎空腔区域的面，一般是指设有内衬的面。
测量装置12主要具备：摄像机14、光源16以及反射镜18a～18d。
在测量装置12中，例如使用光切断法。光切断法是指，从光源16对轮胎T的内表面照射狭缝光，通过以规定的角度倾斜的摄像机14来拍摄轮胎T的内表面的狭缝光，由此来测量轮胎T的内表面的表面形状。而且，通过使轮胎T绕轮胎旋转轴沿轮胎周向旋转，连续测量轮胎T的内表面的表面形状，得到轮胎T的内表面整周的测量数据。
图2的(a)是表示测量轮胎T的内表面中与侧壁部分对应的内表面的情况的例子的图。在该情况下，从光源16发射的狭缝光的方向被反射镜18a改变，使狭缝光照射与侧壁部分对应的内表面。摄像机14经由反射镜18b、18c拍摄照射到内表面的狭缝光的像。反射镜18b和狭缝光的光路彼此在轮胎周向上错开，以便反射镜18b不位于狭缝光的光路中。
图2的(b)是表示测量轮胎T的内表面中与胎面部分对应的内表面的情况的例子的图。在该情况下，从光源16发射的狭缝光照射与胎面部分对应的内表面。摄像机14经由反射镜18d拍摄所照射的狭缝光的像。此时，光源16和反射镜18d的位置彼此在轮胎周向上错开，以便光源16不进入摄像机14的拍摄视野内。
将通过测量获得的测量数据发送至缺陷检查装置20。
在轮胎T的内表面的测量中，作为一个例子设定以下的尺寸。例如，在缺陷的最小纵横尺寸为0.5mm、凹凸方向的最小尺寸为0.1mm的情况下，以轮胎宽度方向和轮胎周向的图像的分辨率例如约为0.1mm的方式设定摄像机14的分辨率和轮胎旋转速度，以使该缺陷的形状反映在图像内。凹凸方向的分辨率根据摄像机14的分辨率以及摄像机14与狭缝光的角度来确定，例如设定为约0.02mm。在该情况下，当测量轮胎T的内表面整周时，在拍摄了轮胎T的内表面的后述每个部分A～C(参照图3)得到在轮胎周向上约20000像素、在轮胎宽度方向上约1500像素的图像。
缺陷检查装置20是通过识别器对轮胎的检查图像中的缺陷的像或者无缺陷的像进行识别，来判定轮胎有无缺陷的装置。缺陷检查装置20包括：处理装置20a，即具有CPU22、GPU(Graphics Processing Unit：图像处理单元)23以及存储器24的计算机；以及处理装置20b，即具有CPU26和存储器28的计算机。处理装置20a具有使识别器38学习后述缺陷的像或者非缺陷的像的功能，处理装置20b具有再现对缺陷的像和非缺陷的像进行了学习的识别器38，从轮胎的检查图像中检查轮胎有无缺陷的功能。处理装置20a与显示器40和鼠标/键盘等输入操作***44连接。处理装置20b与显示器42和鼠标/键盘等输入操作***46连接。
在存储器24和存储器28中存储有多个程序。通过计算机从存储器24中调用并启动程序之一，形成图像获取部30、第一处理部32以及识别器38而构成处理装置20a。通过计算机从存储器28中调用并启动程序之一，形成第二处理部34、第三处理部36以及识别器38而构成处理装置20b。在处理装置20b中形成的识别器38再现了通过处理装置20a学习了缺陷的像和非缺陷的像的识别器。
即，图像获取部30、第一处理部32、第二处理部34、第三处理部36以及识别器38是由程序形成的模块，这些部分的功能实际上由CPU22、26以及GPU23负责。根据一个实施方式，使用两个计算机构成缺陷检查装置20，但也可以使用一个计算机构成缺陷检查装置20。此外，根据一个实施方式，图像获取部30、第一处理部32、第二处理部34、第三处理部36以及识别器38的一部分可以由硬件，例如ASIC(Application Specific Integrated Circuit：专用集成电路)等集成电路构成。
识别器38是通过使用从第二处理部34提供的图像来识别图像内的缺陷的像或者非缺陷的像的部分，使用公知的机械学习方法。缺陷和非缺陷的像的学习使用从第一处理部32提供的学习用图像以及该学习用图像中有无缺陷的像的结果的信息来进行。识别器38是例如利用神经网络来学习缺陷和非缺陷的像的单元。识别器38例如优选地采用在图像识别领域中广泛应用的卷积神经网络(Convolutional Neural Network)。
图像获取部30为了识别器38的学习，获取与检查对象轮胎不同的轮胎的包含缺陷的像的缺陷图像和不含缺陷的像的无缺陷图像。
具体而言，图像获取部30使用通过测量装置12的测量获得的轮胎T的测量数据，生成轮胎T的内表面的图像。图3是说明测量轮胎T的内表面的部分的例子的图。如图3所示，分为与胎面部对应的部分A和与侧壁对应的部分B、C来测量轮胎T的内表面。在轮胎T的内表面的测量中，以部分A与部分B或者部分C部分重叠而产生部分D、E的方式进行测量。
在此，图像获取部30所获取的图像是用XY正交坐标系表示位置，并用像素值表示此位置处的凹凸方向(高度方向)的值的图像，所述XY正交坐标系将沿着轮胎T的内表面的、轮胎宽度方向设为x方向，将轮胎周向设为y方向。
图像获取部30对所获取的图像实施滤波处理。由于所生成的图像包括轮胎T的内表面弯曲的形状的成分(弯曲成分)，因此，优选预先从图像中去除弯曲成分。识别器38学习作为轮胎T的内表面上的微小凹凸形状的缺陷的像和并非缺陷的非缺陷的像，识别所提供的检查图像中的缺陷的像，因此，从识别作为凹凸形状的缺陷的像的精度方面来看，学习用图像和检查图像中包含弯曲成分是不优选的。因此，图像获取部30对图像实施滤波处理，去除上述弯曲成分。
在由图像获取部30进行的滤波处理中，例如，对图像实施中值滤波和平均滤波，提取弯曲成分的图像，从滤波处理前的图像的像素值中减去该图像的像素值，由此得到去除了弯曲成分的值。虽然去除弯曲成分的滤波处理在缺陷的像的识别中并非必须的步骤，但从进行高精度缺陷检查的观点来看，作为学习用图像，或者作为用于检查缺陷的像的检查图像，优选使用进行了滤波处理的图像。
这样，图像获取部30为了识别器38的学习，获取与检查对象的轮胎不同的轮胎的包含缺陷的像的缺陷图像和不含缺陷的像的无缺陷图像。这样的图像的例子在图4～图6中示出。
图4的(a)～(c)是表示没有缺陷的像的图像的例子的图，图5的(a)～(c)是表示具有与缺陷的像类似但未被分类为缺陷的像的伪缺陷的像的图像的例子的图，图6的(a)～(c)是表示具有缺陷的像的图像的例子的图。
这样的图像是作为如后所述的学习用图像的切出缺陷图像、用于供识别器38检查缺陷的像的切出检查图像而生成的。
处理装置20a的第一处理部32以及处理装置20b的第二处理部34和第三处理部36是为了供识别器38学习及识别缺陷和非缺陷的像而准备图像或者汇总缺陷的像的识别结果的部分。
图7是说明缺陷检查装置20所进行的一个实施方式的缺陷检查方法的图。一边说明第一处理部32、第二处理部34、第三处理部36以及识别器38的功能，一边对图7所示的一个实施方式的缺陷检查方法进行说明。
图像获取部30使用上述滤波处理，为了识别器38的学习，获取与检查对象的轮胎不同的轮胎的包含缺陷的像的缺陷图像和不含缺陷的像的无缺陷图像(步骤ST10)。
接着，第一处理部32使用所获取的缺陷图像和无缺陷图像，使识别器38学习缺陷的像以及并非缺陷的非缺陷的像(步骤ST12)。
具体而言，第一处理部32改变从缺陷图像切出的切出区域以使缺陷图像中的缺陷的像位于图像中的不同位置，将制作的多个切出缺陷图像作为学习用图像提供给识别器38。在此，所提供的学习用图像为例如256×256像素数的例如256灰度值的灰度图像。
在第一处理部32中，改变切出区域以使缺陷图像中的缺陷的像位于图像中的不同位置，并根据缺陷图像制作多个切出缺陷图像，是为了防止识别器38学习到缺陷的像位于图像中的规定位置。此外，缺陷的产生概率低，缺陷图像的总数少，但是通过增加用作学习用图像的切出缺陷图像的总数，可以接近根据无缺陷图像制作的切出无缺陷图像的数量，能识别高精度的缺陷的像。
根据一个实施方式，优选的是，切出缺陷图像包括：缺陷的像在图像内的位置(缺陷的像的中心位置)位于切出缺陷图像的中心像素位置的一个图像；以及相对于切出缺陷图像的中心像素位置在上下方向和左右方向上离开规定的距离的位置的多个图像。根据一个实施方式，优选的是，将用像素数表示的基准距离的整数倍的距离设为上述规定的距离。例如，将相当于5像素数的基准距离的1倍、2倍、3倍……8倍的距离分别设为上述规定的距离。将基准距离的整数倍所使用的整数的总数称为滑动数，在上述1倍、2倍、3倍……8倍的情况下，滑动数为8。因此，在多个切出缺陷图像中，相同的缺陷的像存在于多个位置。例如，在滑动数为8的情况下，沿左右方向将相同的缺陷的像移动到除了切出缺陷图像的中心像素位置以外的16个位置，而且，沿上下方向将相同的缺陷的像移动到除了切出缺陷图像的中心像素位置以外的16个位置，因此，根据一个缺陷图像生成合计17×17个切出缺陷图像。
图8的(a)～(d)是示意性地说明切出缺陷图像的图。在图8的(a)中，示出了以缺陷图像50中的缺陷的像52(缺陷的像52的中心)来到切出缺陷图像的中心像素位置的方式配置切出区域54的例子。在图8的(b)、(c)中，示出了与图8的(a)所示的切出区域54相比使切出区域54a向左上侧移动，以使缺陷的像52(缺陷的像52的中心)来到切出缺陷图像的右下的位置的例子。因此，能制作出在多个切出缺陷图像中缺陷的像52的位置如图8(d)所示从切出缺陷图像54的中心像素位置起向上下方向和左右方向移动了上述规定的距离的切出缺陷图像。
例如，在缺陷图像内存在合计10个缺陷的像的情况下，将相当于5像素数的基准距离的1倍、2倍、3倍……8倍的各个距离设为上述规定的距离，由此能针对这些缺陷的像制作合计2890个切出缺陷图像。
因此，根据一个实施方式，优选的是，通过设定基准距离或者调整上述规定的距离和上述滑动数(整数倍所使用的整数的总数)来调整切出缺陷图像的总数。由于这样能增加切出缺陷图像的数量，因此，即使在发生频率低的缺陷的总数少的情况下，也能将切出缺陷图像的总数调整为接近切出无缺陷图像的总数。
使用提供给识别器38的切出缺陷图像和切出无缺陷图像以及有无缺陷的信息，使识别器38学习缺陷和非缺陷的像。这样在处理装置20a中学习后的识别器38的学习信息被传输至处理装置20b，处理装置20b内的识别器38被再现为进行了机械学习的识别器。在处理装置20b中，第二处理部34提供切出检查图像，识别器38识别切出检查图像内有无缺陷的像(步骤ST14)。
在处理装置20b中，第二处理部34根据获取到的检查图像生成切出检查图像。切出检查图像是在不遗漏覆盖轮胎的整个内表面的检查图像的所有区域的情况下改变切出区域而切出的图像。检查图像是通过图像获取部30测量检查对象的轮胎T的内表面而获得的图像。此时，根据一个实施方式，优选的是，在检查图像内，第二处理部34生成切出检查图像，以使各个切出检查图像中的切出区域与切出检查图像中的至少一个中的切出区域部分重叠。由此，能在不遗漏检查图像的缺陷的像的情况下进行检查。图9是说明一个实施方式中的检查图像与切出检查图像的关系的图。如图9所示，用于根据检查图像60生成各个切出检查图像的切出区域62在检查图像60内与切出检查图像中的至少一个中的切出区域62a、62b部分重叠。
此外，根据一个实施方式，如图9所示，由第一处理部32生成的切出缺陷图像和由第二处理部34生成的切出检查图像的图像尺寸相同，各个切出检查图像中的切出区域62是相对于切出检查图像中的至少一个中的切出区域62a、62b沿上下方向或者左右方向移动了规定的距离的区域。在该情况下，优选的是，切出检查图像中的切出区域62的移动距离在切出缺陷图像和切出检查图像的上下方向和左右方向的任一方向上，都与切出缺陷图像中的缺陷的像52的相互离得最远的位置的变动量(基准距离×(2×滑动数))相同或在其以下。由此，无论位于检查图像的任何位置的缺陷的像，都进入与切出缺陷图像中的缺陷的像的位置的移动范围对应的切出检查图像的对应范围内，因此能高精度地进行缺陷的像的识别。
根据一个实施方式，优选的是，第二处理部34所生成的切出检查图像中的切出区域62的移动距离比第一处理部32所生成的切出缺陷图像中的规定的距离(基准距离的整数倍的距离)大。在上述例子中，规定的距离最大为基准距离的8倍的距离，因此，切出区域62的移动距离优选比基准距离的8倍大。由此，能抑制切出检查图像的数量，因此能缩短检查缺陷的时间。
第三处理部36使用处理装置20b内的识别器38的切出检查图像有无缺陷的像的识别结果，判定检查对象的轮胎T的内表面有无缺陷(步骤ST16)。用于识别缺陷的像的有无的切出检查图像在检查图像60内与其他切出检查图像部分重叠，因此考虑到该重叠，第三处理部36对缺陷的数量进行计数。在轮胎T的内表面的整周，只要有一个缺陷存在，就判定为轮胎T存在缺陷。
这样的缺陷的检查结果(缺陷的有无和缺陷的数量)被发送至显示器42，在显示器42上显示。根据需要，也显示缺陷的位置的信息。此外，第三处理部36将切出检查图像合并为轮胎T的内表面整周的图像。用框包围合并后的图像之中被识别为缺陷的像的切出检查图像的区域，在显示器42上显示。
以上，缺陷检查装置20为了使识别器38学习缺陷和非缺陷的像，改变切出区域54以使缺陷图像中的缺陷的像位于图像中的不同位置，将根据缺陷图像制作的多个切出缺陷图像作为学习用图像提供给识别器38。由此，无论缺陷的像位于切出检查图像的哪个位置，都能高效地识别各种缺陷的像。
在上述实施方式中，将检查对象设为轮胎T的内表面，但也可以将侧壁、胎面部等轮胎T的外侧的表面作为检查对象。
需要说明的是，优选的是，在识别器38中，在供给至识别器38的切出检查图像中，将识别器38的识别结果与根据预定的检查标准判断出的标准依据判断结果不同的图像同标准依据判断结果一起提供给识别器38，作为学习用图像供识别器38学习。通过使识别器38进行这样的学习，能提高缺陷的像的识别精度。
此外，检查对象的缺陷的像的大小不一。因此，根据一个实施方式，优选根据缺陷图像内的缺陷的像的大小来扩大/缩小图像。在该情况下，例如，优选在不改变用作学习用图像的切出缺陷图像的像素数的情况下调整切出区域的大小(改变分辨率)。根据另一个实施方式，优选的是，改变用作学习用图像的切出缺陷图像的像素数并调整切出区域的大小(不改变分辨率)。由此，能提高缺陷的像的识别精度。通过输入操作***28来改变切出区域54的大小、切出缺陷图像的像素数。
以往，在由检查员进行的轮胎T的内表面的检查中，即使在判断为无缺陷的情况下，在轮胎T的内表面，除了背景图案的表面凹凸(形成于内衬橡胶的、在加硫工序中从内侧按压生胎的内表面的气囊的凹凸图案)以外还存在凹凸形状，但未被识别为缺陷，以及，虽然具有与缺陷同等的特征，但由于尺寸在标准以下而不符合缺陷，即虽然未被分类为缺陷，但存在具有凹凸形状的伪缺陷。优选的是，该伪缺陷构成为在识别器38中不被识别为缺陷的像。
因此，在提供给识别器38的用于学习缺陷和非缺陷的像的学习用图像中，作为切出无缺陷图像包括：包含缺陷的像且不含伪缺陷的像的图像以及包含伪缺陷的像但不含缺陷的像的图像，作为切出缺陷图像包括：包含缺陷的像的图像。
图10是说明一个实施方式中的识别器38的构成的图。
根据图10所示的一个实施方式，识别器38是由第一识别器38a和第二识别器38b构成的识别器单元，第一识别器38a和第二识别器38b的识别对象不同。
具体而言，第一识别器38a识别在切出检查图像内是有缺陷候选的像，或是没有缺陷候选的像。在缺陷候选的像中包括伪缺陷的像。第二识别器38b识别在由第一识别器38a识别出存在缺陷候选的像的切出检查图像内是有与缺陷的像类似但未被分类为缺陷的像的伪缺陷的像，或是有缺陷的像。
在此，如图10所示，作为供第一识别器38a学习的学习用图像，第一处理部32将包含缺陷候选的像的图像和不含缺陷候选的像的图像提供给第一识别器38a。在缺陷候选的像中，除了缺陷的像之外，还包含伪缺陷的像。需要说明的是，第一识别器38a将由第一识别器38a的无缺陷候选的像的识别结果以外的识别结果作为有缺陷候选的像来处理。
如图10所示，作为供第二识别器38b学习的学习用图像，第一处理部32将包含伪缺陷的像的图像和包含缺陷的像的图像提供给第二识别器38b。学习后的第二识别器38b将由第一学习器38a识别的缺陷候选的像识别为缺陷的像和伪缺陷的像。
这样，与以往的检查员所进行的包含不被视为缺陷的伪缺陷的缺陷检查对应，识别器38进行缺陷的识别，因此，缺陷检查装置20能进行与以往的检查员所进行的检查相同的检查。
关于这种缺陷的像的检查进行了实验，得到以下的效果。
通过设定滑动数，生成切出图像，准备了10万张以上的包含伪缺陷的像但不含缺陷的像的学习用图像、既不含伪缺陷的像也不含缺陷的像的学习用图像、包含缺陷的像的学习用图像。
将识别器38制作为，针对所准备的学习用图像，将包含伪缺陷的像但不含缺陷的像的学习用图像和既不含伪缺陷的像也不含缺陷的像的学习用图像学习为没有缺陷，将包含缺陷的像的学习用图像学习为有缺陷。将与学习用图像另行制作的包含缺陷的像的检查图像提供给处理装置20b的识别器38，求出根据识别结果获得的缺陷的像的检测率作为检测率1。检测率1是由检测器38得到的一级检测率。
另一方面，将第一识别器38a制作为，针对所准备的学习用图像，将既不含伪缺陷的像也不含缺陷的像的学习用图像学习为无缺陷候选，将包含伪缺陷的像但不含缺陷的像的学习用图像和包含缺陷的像的学习用图像学习为有缺陷候选(参照图10)。而且，将第二识别器38b制作为，将包含伪缺陷的像但不含缺陷的像的学习用图像学习为无缺陷，将包含缺陷的像的学习用图像学习为有缺陷(参照图10)。将与学习用图像另行制作的包含缺陷的像的检查图像提供给第一识别器38a、第二识别器38b，求出由第一识别器38a和第二识别器38b的识别结果得到的缺陷的像的检测率作为检测率2。检测率2是由第一检测器38a和第二检测器38b得到的二级检测率。
检测率1较高，但检测率2比检测率1还上升了14％。需要说明的是，检测率是指本来应作为缺陷等检测的检查图像的总数中的、作为缺陷被正确检测出的检查图像的数量的比率。
这样，可知使用识别器38或者使用第一识别器38a和第二识别器38b，能高效地识别不限于特定的种类的缺陷的像。此外，即使存在形成于轮胎T的内表面的凹凸图案，也能高精度地识别缺陷的有无。本实施方式的方法在检查像轮胎那样的形状变动要素大的物品的缺陷方面是有效的。而且，在以往的缺陷的识别中，难以识别缺陷和伪缺陷，但是在本实施方式中，能够识别缺陷的像和伪缺陷的像。特别是，在如图10所示的使用两个识别器的构成中，能降低缺陷的像的误识别率。因此，上述的实施方式适用于包括轮胎等物品的缺陷的检查的自动化。
以上，对本发明的缺陷检查方法及缺陷检查装置进行了详细说明，但本发明并不限于上述实施方式及实施例，在不脱离本发明的主旨的范围，当然也可以进行各种改进、变更。
符号说明
10 缺陷检查***
12 测量装置
14 摄像机
16 光源
18a～18d 反射镜
20 缺陷监查装置
20a、20b 处理装置
22、26 CPU
23 GPU
24、28 存储器
30 图像获取部
32 第一处理部
34 第二处理部
36 第三处理部
38 识别器
38a 第一识别器
38b 第二识别器
40、42 显示器
44、46 输入操作***
50 缺陷图像
52 缺陷的像
54、54a、62、62a、62b 切出区域
60 检查图像

Claims (11)

1.一种缺陷检查方法，通过识别器对物品的检查图像中的缺陷的像进行识别，来检查物品的缺陷，其特征在于，具备以下步骤：
为了识别器的学习，获取与检查对象物品不同的物品的包含缺陷的像的缺陷图像和不含缺陷的像的无缺陷图像；
使用所述缺陷图像和所述无缺陷图像，使所述识别器学习所述缺陷的像和并非所述缺陷的非缺陷的像；
使学习后的所述识别器对将所述检查对象物品的检查图像分割后的各个切出检查图像是否包含缺陷的像进行识别；以及，
使用所述识别器的识别结果，判定所述检查对象物品有无缺陷，其中，
在使所述识别器学习所述缺陷的像和所述非缺陷的像时，改变从所述缺陷图像中切出的切出区域以使所述缺陷图像中的所述缺陷的像位于图像中的不同位置，将根据所述缺陷图像制作的多个切出缺陷图像作为学习用图像提供给所述识别器。
2.根据权利要求1所述的缺陷检查方法，其中，
所述切出缺陷图像包括：所述缺陷的像在图像内的位置位于所述切出缺陷图像的中心像素位置的一个图像；以及位于相对于所述切出缺陷图像的中心像素位置在上下方向和左右方向上离开规定距离的位置的多个图像。
3.根据权利要求1或2所述的缺陷检查方法，其中，
所述切出检查图像是在不遗漏所述检查图像的所有区域的情况下改变切出区域而切出的图像，
各个所述切出检查图像中的所述切出区域与所述切出检查图像中的至少一个中的所述切出区域重叠。
4.根据权利要求3所述的缺陷检查方法，其中，
所述切出缺陷图像与所述切出检查图像的图像尺寸相同，
各个所述切出检查图像中的所述切出区域是相对于所述切出检查图像中的至少一个中的所述切出区域在上下方向或者左右方向上移动了规定的距离的区域，
所述切出检查图像中的所述切出区域的移动距离在所述切出缺陷图像和所述切出检查图像的上下方向和左右方向的任一方向上都与所述切出缺陷图像中的所述缺陷的像的相互离得最远的位置的变动量相同或在其以下。
5.根据权利要求1至4中任一项所述的缺陷检查方法，其中，
所述切出缺陷图像包括：所述缺陷的像在图像内的位置位于所述切出缺陷图像的中心像素位置的一个图像；以及位于相对于所述切出缺陷图像的中心像素位置在上下方向和左右方向上离开规定的距离的整数倍的位置的多个图像，
通过调整所述整数倍中的整数和所述规定的距离，来调整所述切出缺陷图像的总数。
6.根据权利要求1至4中任一项所述的缺陷检查方法，其中，
所述切出缺陷图像包括：所述缺陷的像在图像内的位置位于所述切出缺陷图像的中心像素位置的一个图像；以及位于相对于所述切出缺陷图像的中心像素位置在上下方向和左右方向上离开规定的距离的整数倍的位置的多个图像，
所述切出检查图像中的所述切出区域的所述移动距离比所述切出缺陷图像的所述规定的距离大。
7.根据权利要求1至6中任一项所述的缺陷检查方法，其中，
对于使所述识别器学习所述缺陷的像和所述非缺陷的像的所述学习用图像而言，除了包含所述切出缺陷图像之外，还包含多个无缺陷图像，所述多个无缺陷图像不含缺陷的像且大小与所述切出缺陷图像的图像尺寸相同，
将所述切出检查图像中的所述识别器的识别结果与根据预定的检查标准判断出的标准依据判断结果不同的图像同所述标准依据判断结果一起提供给所述识别器，作为所述学习用图像供所述识别器学习。
8.根据权利要求1至7中任一项所述的缺陷检查方法，其中，
根据所述缺陷图像内的缺陷的像的大小，在不改变所述切出缺陷图像的像素数的情况下调整所述切出区域的大小，或者，改变所述切出缺陷图像的像素数并调整所述切出区域的大小。
9.一种缺陷检查方法，通过识别器单元对物品的检查图像中的缺陷的像进行识别，来检查物品的缺陷，其特征在于，具备以下步骤：
为了所述识别器单元的学习，获取与检查对象物品不同的物品的包含缺陷的像的缺陷图像和不含缺陷的像的无缺陷图像；
使用所述缺陷图像和所述无缺陷图像，使所述识别器单元学习所述缺陷的像；
使学习后的所述识别器单元对将所述检查对象物品的检查图像分割后的各个切出检查图像是否包含缺陷的像进行识别；以及，
使用所述识别器单元的识别结果，判定所述检查对象物品有无缺陷，其中，
所述识别器单元具备：第一识别器，识别是在所述切出检查图像内有存在缺陷的可能性的缺陷候选的像，或是没有缺陷候选的像；以及第二识别器，识别是在由所述第一识别器识别为有缺陷候选的像的切出检查图像内有与缺陷的像类似但未被分类为缺陷的像的伪缺陷的像，或是有缺陷的像，所述缺陷候选包括所述缺陷和所述伪缺陷，
用于供所述第一识别器学习的学习用图像包括：包含缺陷候选的像的图像；以及不含所述缺陷候选的像的图像，
用于供所述第二识别器学习的学习用图像包括：包含伪缺陷的像的图像；以及包含缺陷的像的图像。
10.一种缺陷检查装置，通过识别器对物品的检查图像中的缺陷的像进行识别来检查物品的缺陷，其特征在于，具备：
识别器，使用提供的图像对所述图像内的缺陷的像进行识别；
图像获取部，为了所述识别器的学习，获取与检查对象物品不同的物品的包含缺陷的像的缺陷图像和不含缺陷的像的无缺陷图像；
第一处理部，使用所述缺陷图像和所述无缺陷图像，使所述识别器学习所述缺陷的像以及并非所述缺陷的非缺陷的像；
第二处理部，使学习后的所述识别器从将所述检查对象物品的检查图像分割后的各个切出检查图像识别所述切出检查图像是否包含缺陷的像；和
第三处理部，使用所述识别器的识别结果，判定所述检查对象物品有无缺陷，其中，
所述第一处理部改变从所述缺陷图像中切出的切出区域以使所述缺陷图像中的所述缺陷的像位于图像中的不同位置，将根据所述缺陷图像制作的多个切出缺陷图像作为学习用图像提供至所述识别器。
11.一种缺陷检查装置，通过识别器单元对物品的检查图像中的缺陷的像进行识别来检查物品的缺陷，其特征在于，具备：
识别器单元，使用提供的图像对所述图像内的缺陷的像进行识别；
图像获取部，为了所述识别器单元的学习，获取与检查对象物品不同的物品的包含缺陷的像的缺陷图像和不含缺陷的像的无缺陷图像；
第一处理部，使用所述缺陷图像和所述无缺陷图像，使所述识别器单元学习所述缺陷的像；
第二处理部，使学习后的所述识别器单元从将所述检查对象物品的检查图像分割后的各个切出检查图像识别所述切出检查图像是否包含缺陷的像；和
第三处理部，使用所述识别器单元的识别结果，判定所述检查对象物品有无缺陷，其中，
所述识别器单元至少包括第一识别器和第二识别器，
所述第一识别器识别是在所述切出检查图像内有存在缺陷的可能性的缺陷候选的像，或是没有缺陷候选的像，
所述第二识别器识别是在由所述第一识别器识别为有缺陷候选的像的切出检查图像内有与缺陷的像类似但未被分类为缺陷的像的伪缺陷的像，或是有缺陷的像，所述缺陷候选包括所述缺陷和所述伪缺陷，
用于供所述第一识别器学习的学习用图像包括：包含缺陷候选的像的图像；以及不含缺陷候选的像的图像，
用于供所述第二识别器学习的学习用图像包括：包含伪缺陷的像的图像；以及包含缺陷的像的图像。
CN201880048854.3A 2017-07-26 2018-07-25 缺陷检查方法及缺陷检查装置 Pending CN110959114A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2017144524A JP7210873B2 (ja) 2017-07-26 2017-07-26 欠陥検査方法及び欠陥検査装置
JP2017-144524 2017-07-26
PCT/JP2018/027998 WO2019022170A1 (ja) 2017-07-26 2018-07-25 欠陥検査方法及び欠陥検査装置

Publications (1)

Publication Number Publication Date
CN110959114A true CN110959114A (zh) 2020-04-03

Family

ID=65040280

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201880048854.3A Pending CN110959114A (zh) 2017-07-26 2018-07-25 缺陷检查方法及缺陷检查装置

Country Status (5)

Country Link
US (1) US11313806B2 (zh)
EP (1) EP3660491A4 (zh)
JP (1) JP7210873B2 (zh)
CN (1) CN110959114A (zh)
WO (1) WO2019022170A1 (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210004946A1 (en) * 2019-07-02 2021-01-07 MakinaRocks Co., Ltd. Systems and methods for detecting flaws on panels using images of the panels
CN116500048A (zh) * 2023-06-28 2023-07-28 四川联畅信通科技有限公司 一种线缆卡具缺陷检测方法、装置、设备及介质

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7188930B2 (ja) * 2018-07-27 2022-12-13 株式会社Ｓｃｒｅｅｎホールディングス 刻印検査装置、刻印検査方法および物品検査装置
US11435719B2 (en) * 2019-09-27 2022-09-06 Samsung Display Co., Ltd. System and method for identifying manufacturing defects
JP7373840B2 (ja) * 2019-10-03 2023-11-06 株式会社 システムスクエア 検査装置
KR102436786B1 (ko) * 2020-04-16 2022-08-26 주식회사 에이비에이치 인공지능 기반 외관 표면 품질 검사 장치 및 방법
JP7487568B2 (ja) 2020-06-04 2024-05-21 株式会社リコー 画像検査装置、表示方法及びプログラム
KR102600584B1 (ko) * 2020-11-23 2023-11-08 한국기술교육대학교 산학협력단 공정 데이터 구축을 위한 비전 시스템
DE102020216289A1 (de) * 2020-12-18 2022-06-23 Fresenius Medical Care Deutschland Gmbh Verfahren zur klassifizierung von bildern und verfahren zur optischen prüfung eines objekts

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101449149A (zh) * 2006-05-23 2009-06-03 麒麟工程技术***公司 表面检查装置
CN104903712A (zh) * 2013-01-30 2015-09-09 株式会社日立高新技术 缺陷观察方法以及缺陷观察装置

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06231257A (ja) * 1993-02-02 1994-08-19 Nec Corp 学習データ生成装置
US6148099A (en) * 1997-07-03 2000-11-14 Neopath, Inc. Method and apparatus for incremental concurrent learning in automatic semiconductor wafer and liquid crystal display defect classification
JP4815630B2 (ja) 2000-10-02 2011-11-16 株式会社トプコン チップ検査方法及び装置
US6980687B2 (en) 2000-10-02 2005-12-27 Kabushiki Kaisha Topcon Chip inspecting apparatus and method
JP2005156334A (ja) 2003-11-25 2005-06-16 Nec Tohoku Sangyo System Kk 疑似不良画像自動作成装置及び画像検査装置
JP5260183B2 (ja) 2008-08-25 2013-08-14 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
JP5390215B2 (ja) * 2009-02-25 2014-01-15 株式会社日立ハイテクノロジーズ 欠陥観察方法および欠陥観察装置
JP5452392B2 (ja) * 2009-12-16 2014-03-26 株式会社日立ハイテクノロジーズ 欠陥観察方法及び欠陥観察装置
CN101996405B (zh) * 2010-08-30 2012-07-04 中国科学院计算技术研究所 一种快速的玻璃图像缺陷检测及分类方法及其装置
JP6435740B2 (ja) 2014-09-22 2018-12-12 日本電気株式会社 データ処理システム、データ処理方法およびデータ処理プログラム
EP3317855B1 (en) 2015-06-30 2020-08-05 Pirelli Tyre S.p.A. Method and apparatus for analysing a surface of a tyre
US20170069075A1 (en) * 2015-09-04 2017-03-09 Canon Kabushiki Kaisha Classifier generation apparatus, defective/non-defective determination method, and program
US10436720B2 (en) * 2015-09-18 2019-10-08 KLA-Tenfor Corp. Adaptive automatic defect classification
JP6897042B2 (ja) 2016-09-27 2021-06-30 日本電気株式会社 画像検査装置、画像検査方法および画像検査プログラム

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101449149A (zh) * 2006-05-23 2009-06-03 麒麟工程技术***公司 表面检查装置
CN104903712A (zh) * 2013-01-30 2015-09-09 株式会社日立高新技术 缺陷观察方法以及缺陷观察装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DANIEL YAPI ET AL.: "A Learning-Based Approach for Automatic Defect Detection in Textile Images", 《IFAC-PAPERSONLINE》 *
LI YI ET AL.: "An End-to-End Steel Strip Surface Defects Recognition System Based on Convolutional Neural Networks", 《STEEL RESEARCH INTERNATIONAL》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210004946A1 (en) * 2019-07-02 2021-01-07 MakinaRocks Co., Ltd. Systems and methods for detecting flaws on panels using images of the panels
US11948292B2 (en) * 2019-07-02 2024-04-02 MakinaRocks Co., Ltd. Systems and methods for detecting flaws on panels using images of the panels
CN116500048A (zh) * 2023-06-28 2023-07-28 四川联畅信通科技有限公司 一种线缆卡具缺陷检测方法、装置、设备及介质
CN116500048B (zh) * 2023-06-28 2023-09-15 四川联畅信通科技有限公司 一种线缆卡具缺陷检测方法、装置、设备及介质

Also Published As

Publication number Publication date
JP2019027826A (ja) 2019-02-21
EP3660491A1 (en) 2020-06-03
US11313806B2 (en) 2022-04-26
WO2019022170A1 (ja) 2019-01-31
US20200173933A1 (en) 2020-06-04
EP3660491A4 (en) 2021-05-05
JP7210873B2 (ja) 2023-01-24

Similar Documents

Publication Publication Date Title
CN110959114A (zh) 缺陷检查方法及缺陷检查装置
US9109974B2 (en) Tire shape inspection method and tire shape inspection apparatus
US9097514B2 (en) Device and method for inspecting tyre shape
JP5443435B2 (ja) タイヤの欠陥検出方法
JP6922539B2 (ja) 表面欠陥判定方法および表面欠陥検査装置
CN113570605B (zh) 一种基于液晶显示面板的缺陷检测方法和***
US8611638B2 (en) Pattern inspection method and pattern inspection apparatus
US9171364B2 (en) Wafer inspection using free-form care areas
US20050259859A1 (en) Method and Apparatus for Characterizing a Surface, and Method and Apparatus for Determining a Shape Anomaly of a Surface
US9230318B2 (en) Analysis of the digital image of the external surface of a tyre and processing of false measurement points
US20130202188A1 (en) Defect inspection method, defect inspection apparatus, program product and output unit
KR101882511B1 (ko) 웨이퍼 정합 방법 및 시스템
CN111539908A (zh) 对样本的缺陷检测的方法及其***
Eshkevari et al. Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method
JP2018096908A (ja) 検査装置及び検査方法
CN116993744A (zh) 一种基于阈值分割的焊缝缺陷检测方法
KR20030047736A (ko) 반도체 기판 상의 패턴을 검사하는 장치와 방법 및 컴퓨터판독 가능한 기록매체
JP7058170B2 (ja) タイヤ金型サイドプレートの検査方法
KR101782366B1 (ko) 스케일 보정을 통한 표본 정규화가 수행되는 학습기반의 비전검사 방법
KR20190119801A (ko) 차량 헤드라이트 얼라인먼트 보정 및 분류 방법 및 이를 이용한 차량 헤드라이트 불량검사 방법
JP2023137057A (ja) 欠陥予測モデルの生成方法、びん外観検査方法、およびびん外観検査装置
CN115452845B (zh) 一种基于机器视觉的led屏幕表面损伤检测方法
KR20190128851A (ko) 디스플레이 결함 검출 장치 및 방법
TWI590191B (zh) 光學圖像的缺陷補償方法
CN116802676A (zh) 用于使用芯片设计数据以改进光学检验及计量图像质量的方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20200403