CN112255250B - 图像生成装置、检查装置及学习装置 - Google Patents
图像生成装置、检查装置及学习装置 Download PDFInfo
- Publication number
- CN112255250B CN112255250B CN202010618226.3A CN202010618226A CN112255250B CN 112255250 B CN112255250 B CN 112255250B CN 202010618226 A CN202010618226 A CN 202010618226A CN 112255250 B CN112255250 B CN 112255250B
- Authority
- CN
- China
- Prior art keywords
- image
- range
- value
- pixel
- virtual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 97
- 238000012545 processing Methods 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 94
- 230000008569 process Effects 0.000 claims abstract description 85
- 238000010521 absorption reaction Methods 0.000 claims abstract description 46
- 238000010801 machine learning Methods 0.000 claims description 46
- 238000001514 detection method Methods 0.000 claims description 42
- 238000003860 storage Methods 0.000 claims description 9
- 230000003247 decreasing effect Effects 0.000 claims description 8
- 230000015572 biosynthetic process Effects 0.000 claims description 7
- 238000003786 synthesis reaction Methods 0.000 claims description 7
- 230000002194 synthesizing effect Effects 0.000 claims description 6
- 230000002950 deficient Effects 0.000 description 27
- 230000008859 change Effects 0.000 description 22
- 230000005540 biological transmission Effects 0.000 description 16
- 238000013528 artificial neural network Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 9
- 239000000126 substance Substances 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 210000000988 bone and bone Anatomy 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000001678 irradiating effect Effects 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 230000003313 weakening effect Effects 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000002834 transmittance Methods 0.000 description 3
- 239000011800 void material Substances 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 241000209094 Oryza Species 0.000 description 2
- 235000007164 Oryza sativa Nutrition 0.000 description 2
- 235000013339 cereals Nutrition 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003331 infrared imaging Methods 0.000 description 2
- 235000020997 lean meat Nutrition 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 235000013372 meat Nutrition 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 235000009566 rice Nutrition 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- NNJPGOLRFBJNIW-HNNXBMFYSA-N (-)-demecolcine Chemical compound C1=C(OC)C(=O)C=C2[C@@H](NC)CCC3=CC(OC)=C(OC)C(OC)=C3C2=C1 NNJPGOLRFBJNIW-HNNXBMFYSA-N 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000002945 steepest descent method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/18—Investigating the presence of flaws defects or foreign matter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/10—Image acquisition
- G06V10/12—Details of acquisition arrangements; Constructional details thereof
- G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
- G06V10/143—Sensing or illuminating at different wavelengths
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/03—Investigating materials by wave or particle radiation by transmission
- G01N2223/04—Investigating materials by wave or particle radiation by transmission and measuring absorption
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/10—Different kinds of radiation or particles
- G01N2223/101—Different kinds of radiation or particles electromagnetic radiation
- G01N2223/1016—X-ray
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/40—Imaging
- G01N2223/401—Imaging image processing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/618—Specific applications or type of materials food
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2223/00—Investigating materials by wave or particle radiation
- G01N2223/60—Specific applications or type of materials
- G01N2223/652—Specific applications or type of materials impurities, foreign matter, trace amounts
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Toxicology (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了图像生成装置、检查装置及学习装置。图像处理部(50)具备:第一处理部(52),通过改变第一合格品图像(P111)的第一对象像素(PX1)的像素值,生成第一虚拟不合格品图像(P112);以及第二处理部(53),通过改变第二合格品图像(P121)的第二对象像素(PX2)的像素值,生成第二虚拟不合格品图像(P122)。第一处理部通过基于异物(F)的电磁波的吸收特性的第一处理来改变第一对象像素的像素值,第二处理部通过基于吸收特性的第二处理来改变第二对象像素的像素值,第二处理是与第一处理不同的处理。
Description
技术领域
本公开的一方面涉及图像生成装置、检查装置及学习装置。
背景技术
已知有一种检查装置(X射线检查装置),其基于通过使光透过物品而得到的透射图像来进行物品的检查。近年来,在各种检查装置中,大量尝试使用通过机器学习生成的机器学习模型(学习完成模型)实施检查,并且考虑在X射线检查装置中也使用机器学习模型实施异物的检查等。为了生成该机器学习模型,需要使用包含异物的物品的图像即不合格品图像与表示异物位置的数据即标签的组合(以下,也称为“示教数据”),使生成机器学习模型的机器进行机器学习(输入示教数据进行机器学习,生成机器学习模型)。
作为这种示教数据,考虑使用通过在不包含异物的合格品图像上合成(包括)表示预先登记的虚拟异物的图像(以下,也称为“虚拟异物图像”)而生成的表示虚拟不合格品的图像(以下,也称为“虚拟不合格品图像”)。这种虚拟不合格品图像的生成方法例如记载在专利文献1(国际公开第2006/001107号)中。在专利文献1中,公开了能够从多个图像处理算法中选择在检查时的图像处理中所使用的最佳图像处理算法的X射线检查装置,并且记载了在选择该最佳图像处理算法的处理中,使用该虚拟不合格品图像。
作为这种X射线检查装置,已知有如下装置(具有双能量传感器的检查装置):具备两个线传感器,在各线传感器获取能带互不相同的X射线透射图像,并且使用所获取的两个X射线透射图像的差分图像进行各种检查(例如,专利文献2:专利第5876116号)。当在这种检查装置中使用学习模型实施检查时,考虑对机器学习模型输入从两个线传感器分别得到的两种透射图像,从而使其输出有无异物的判定结果。当生成这种机器学习模型时,需要将从两个线传感器分别输出的不合格品图像与表示异物位置的标签的组合作为示教数据来进行学习。在此,考虑使用如上所述的虚拟不合格品图像作为该示教数据。
发明内容
然而,即使通过简单地在两个合格品图像上分别合成虚拟异物图像而生成两个虚拟不合格品图像,这些虚拟不合格品图像也会成为不反映实际电磁波的吸收特性的图像,由此存在无法实施良好的机器学习的情况。
因此,本发明的一方面的目的在于,提供图像生成装置、检查装置及学习装置,在对于基于从能带互不相同的两个线传感器分别得到的两种透射图像来判定物品是否包含异物的机器学习模型机器学习时,能够生成优选的示教数据。
本公开一方面所涉及的图像生成装置生成虚拟不合格品图像,该虚拟不合格品图像是在基于透过了不包含异物的被检查物的电磁波的合格品图像上合成表示虚拟的异物的虚拟异物图像而得到的,图像生成装置具备:图像获取部,针对同一被检查物,获取第一合格品图像和第二合格品图像的组合,第一合格品图像是基于第一能带的电磁波的合格品图像,第二合格品图像是基于与第一能带不同的第二能带的电磁波的合格品图像;第一处理部,通过改变构成第一合格品图像的至少一个以上的像素即第一对象像素的像素值,生成作为虚拟不合格品图像的第一虚拟不合格品图像;以及第二处理部,通过改变与第一对象像素对应的构成第二合格品图像的至少一个以上的像素即第二对象像素的像素值,生成作为虚拟不合格品图像的第二虚拟不合格品图像,第一处理部通过基于异物的电磁波的吸收特性的第一处理来改变第一对象像素的像素值,第二处理部通过基于吸收特性的第二处理来改变第二对象像素的像素值,第二处理是与第一处理不同的处理。
但是,作为计算公式(计算公式的结构),第二处理部可以是与第一处理部相同的处理。第二处理也可以是基于吸收特性并根据内部参数的不同而成为与第一处理不同的结果的处理。可以适当地设定这些第一处理和第二处理,以通过互不相同的处理适当地改变各图像的像素值。
根据上述结构,第一处理部和第二处理部能够针对第一合格品图像和第二合格品图像中与第一对象像素和第二对象像素对应的位置,分别反映第一能带和第二能带的吸收特性并合成(包括)虚拟异物图像。其结果,能够良好地反映电磁波吸收量根据能带而不同的异物的吸收特性,生成基于各能量的虚拟不合格品图像。具体而言,在想要虚拟地合成吸收特性比被检查物(例如,瘦肉)高的异物(例如,骨头或金属片)的情况下,(在X射线的透射率越大则像素的浓淡值越大的指标中)减小与在第一合格品图像和第二合格品图像上合成的虚拟异物的形状对应的像素的像素值(在这种情况下,与X射线的透射量减少相应地,对应于虚拟异物的像素变暗)。在以被检查物的像素值为基准的情况下,如果使第一合格品图像中的第一对象像素的像素值的变更值的程度大于第二合格品图像中的第二对象像素的像素值的变更值的程度,则能够反映实际异物的电磁波的吸收特性。此外,在想要虚拟地合成吸收特性比被检查物(例如,瘦肉)低的异物(例如,空隙或脂肪块)的情况下,(在X射线的透射率越大则像素的浓淡值越大的指标中)将与在第一合格品图像和第二合格品图像中想要合成的虚拟异物的形状相应的像素的像素值增加(在这种情况下,与X射线的透射量增加相应地,对应于虚拟异物的像素变亮)。在以被检查物的像素值为基准的情况下,如果使第一合格品图像中的第一对象像素的像素值的变更值的程度(变更量的绝对值)小于第二合格品图像中的第二对象像素的像素值的变更值的程度(变更量的绝对值),则能够反映实际异物的电磁波的吸收特性。
在本公开一方面所涉及的图像生成装置中,可以是,第一处理是以第一合格品图像的像素值为基准使第一对象像素的像素值在第一范围内减小或增加的处理,第二处理是以第二合格品图像的像素值为基准使第二对象像素的像素值在第二范围内与第一处理同样地减小或增加的处理,第一范围和第二范围被设定为互不相同的范围。
在此所谓的“互不相同的范围”是指第一范围和第二范围只要不是完全相同的范围即可,第一范围和第二范围中的一方至少包括与第一范围和第二范围中的另一方不重叠的范围的一部分。此外,第一合格品图像的像素值可以基于构成第一合格品图像的像素的像素值的众数值、中值、平均值、最大值、最小值(未必需要与平均值等统计值完全一致,也包括其二分之一等进行了适当的变更后的值)来设定。第二合格品图像的像素值也是如此。
在该结构中,由于在第一处理部和第二处理部中改变对象像素的像素值的处理互不相同,因此在第一能带和第二能带各自的处理中,能够最佳地反映电磁波的吸收特性。
在本公开一方面所涉及的图像生成装置中,可以是,第一范围和第二范围中任意一方的绝对值的下限值被设定为小于第一范围和第二范围中另一方的绝对值的下限值,第一范围和第二范围中一方的绝对值的上限值被设定为小于第一范围和第二范围中另一方的绝对值的上限值。在该结构中,由于在第一处理部和第二处理部中改变对象像素的像素值的量互不相同,因此在第一能带和第二能带各自的处理中,能够最佳地反映电磁波的吸收特性。
在本公开一方面所涉及的图像生成装置中,可以是,第一范围和第二范围中一方的上限值和下限值中的至少一方是基于第一范围和第二范围中的另一方来设定的。在该结构中,能够更适当地设定通过第一处理部和第二处理部改变第一对象像素和第二对象像素的像素值的改变范围。
在本公开一方面所涉及的图像生成装置中,图像生成装置还具备:信息输入部,针对在合格品图像上合成的虚拟异物图像,受理异物种类的输入;以及存储部,存储在合格品图像上合成的异物的种类与第一范围和第二范围中的至少一方建立了关联的合成处理信息,第一处理部和第二处理部中的至少一方可以基于输入到信息输入部的异物种类,从合成处理信息获取第一范围或所述第二范围。在该结构中,能够更适当地设定通过第一处理部和第二处理部改变第一对象像素和第二对象像素的像素值的改变范围。
在本公开一方面所涉及的图像生成装置中,合成处理信息以被检查物的种类、在合格品图像上合成的异物的种类、第一范围以及第二范围建立关联的方式而被存储,当异物的吸收特性小于被检查物的吸收特性时,合成处理信息形成为第一范围的代表值比第二范围的代表值小的组合,当异物的吸收特性大于被检查物的吸收特性时,合成处理信息形成为第一范围的代表值比第二范围的代表值大的组合。在该结构中,能够在第一能带和第二能带各自的处理中最佳地反映电磁波的吸收特性。需要注意的是,代表值是基于众数值、中值、平均值、最大值、最小值等的值,并且分别以相同的基准提取。
本公开一方面所涉及的检查装置,可以具备:上述图像生成装置;照射部,对被检查物照射电磁波;检测部,检测透过了被检查物的所述第一能带的电磁波和第二能带的电磁波;以及图像生成部,基于由检测部检测到的第一能带的电磁波生成被检查物的第一图像,并且基于由检测部检测到的第二能带的电磁波生成被检查物的第二图像。在该结构的检查装置中,在对于基于从能带互不相同的两个线传感器分别得到的两种透射图像来判定物品是否包含异物的机器学习模型机器学习时,能够生成优选的示教数据。
本公开一方面所涉及的学习装置,可以具备:学习部,通过使用示教数据执行机器学习来构建学习完成模型,示教数据包括:由上述图像生成装置生成的第一虚拟不合格品图像和第二虚拟不合格品图像;以及表示与第一对象像素相关的信息和与第二对象像素相关的信息的正确数据,学习完成模型构成为,输入第一图像和第二图像而输出每个像素的表示作为异物可能性的异物似然度,第一图像是基于透过了有可能包含异物的被检查物的第一能带电磁波的图像,第二图像是基于透过了有可能包含异物的被检查物的第二能带电磁波的图像。在该结构的学习装置中,在对于基于从能带互不相同的两个线传感器分别得到的两种透射图像来判定物品中包含的异物有无的机器学习模型机器学习时,能够良好地进行学习。
根据本公开的一方面,在对于基于从能带互不相同的两个线传感器分别得到的两种透射图像来判定物品是否包含异物的机器学习模型机器学习时,能够生成优选的示教数据。
附图说明
图1是一实施方式的X射线检查装置的结构图。
图2是图1所示屏蔽箱的内部的结构图。
图3是控制部的功能结构图。
图4A是软图像的一例。
图4B是硬图像的一例。
图5是示出虚拟不合格品图像的生成方法的说明图。
图6是示出对合格品图像合成虚拟异物图像的过程的一例的说明图。
图7是示出机器学习模型的一例的图。
图8是示出学习阶段的X射线检查装置的动作例的流程图。
图9是示出检查阶段的X射线检查装置的动作例的流程图。
具体实施方式
以下,参照附图说明本公开一方面所涉及的实施方式。在各附图中,对相同或相应的部分标注相同的附图标记,并省略重复说明。
如图1所示,X射线检查装置(检查装置)1包括装置主体2、支承脚3、屏蔽箱4、输送部5、X射线照射部6、X射线检测部7、显示操作部8以及控制部10。X射线检查装置1边输送物品(被检查物)G边生成物品G的X射线透射图像,并基于该X射线透射图像进行物品G的检查(例如,收纳数量检查、异物检查、缺货检查、裂纹检查等)。检查前的物品G由搬入输送机151搬入X射线检查装置1。检查后的物品G由搬出输送机152从X射线检查装置1搬出。通过配置在搬出输送机152的下游的分选装置(省略图示),将由X射线检查装置1判定为不合格品的物品G分选到生产线外。由X射线检查装置1判定为合格品的物品G直接通过该分选装置。在本实施方式中,物品G是食用肉。
装置主体2收容控制部10等。支承腿3支承装置主体2。屏蔽箱4设于装置主体2。屏蔽箱4防止X射线(电磁波)泄漏到外部。在屏蔽箱4的内部设有实施利用X射线对物品G的检查的检查区域R。在屏蔽箱4形成有搬入口4a和搬出口4b。检查前的物品G从搬入输送机151经由搬入口4a被搬入到检查区域R。检查后的物品G从检查区域R经由搬出口4b被搬出至搬出输送机152。在搬入口4a和搬出口4b分别设有防止X射线泄漏的X射线遮蔽帘(省略图示)。
输送部5被配置成贯通屏蔽箱4的中央。输送部5沿输送方向A将物品G从搬入口4a经由检查区域R输送至搬出口4b。输送部5例如是架设在搬入口4a与搬出口4b之间的带式输送机。另外,带式输送机也可以向搬入口4a和搬出口4b的外侧突出。
如图1和图2所示,X射线照射部6配置在屏蔽箱4内。X射线照射部6对由输送部5输送的物品G照射X射线。X射线照射部6例如具有射出X射线的X射线管以及使从X射线管射出的X射线在与输送方向A垂直的平面内以扇形扩展的光圈部。在从X射线照射部6照射的X射线中包括从低能量(长波长)到高能量(短波长)的各种能带的X射线。另外,上述的低能带和高能带中的“低”和“高”表示从X射线照射部6照射的多个能带中的相对“低”和“高”,并不表示特定的范围。
X射线检测部7配置在屏蔽箱4内。X射线检测部7对透过了物品G的多个能带的各X射线进行检测。在本实施方式中,X射线检测部7构成为检测低能带(第一能带)的X射线和高能带(第二能带)的X射线。即,X射线检测部7具有第一线传感器11和第二线传感器12。第一线传感器11和第二线传感器12分别由沿着与输送方向A垂直的水平方向一维地排列的X射线检测元件构成。第一线传感器11检测透过了物品G及输送部5的输送带的低能带X射线。第二线传感器12检测透过了物品G、输送部5的输送带以及第一线传感器11的高能带X射线。
如图1所示,显示操作部8设于装置主体2。显示操作部8显示各种信息,并且受理各种条件的输入。显示操作部8例如是液晶显示器,显示作为触摸面板的操作画面。在这种情况下,操作员能够经由显示操作部8输入各种条件。
控制部10配置在装置主体2内。控制部10控制X射线检查装置1的各部(在本实施方式中为输送部5、X射线照射部6、X射线检测部7及显示操作部8、以及配置在X射线装置下游的未图示的分选装置)的动作。另外,分选装置是将通过X射线检查装置1的图像检查判定为不合格品的被检查物(物品)从输送路径上排除的装置。控制部10包括CPU(CentralProcessing Unit:中央处理单元)等处理器、ROM(Read Only Memory:只读存储器)、RAM(Random Access Memory:随机存取存储器)等存储器以及SSD(Solid State Drive:固态驱动器)等存储设备。在ROM中记录有用于控制X射线检查装置1的程序。低能带的X射线的检测结果从X射线检测部7的第一线传感器11输入到控制部10,并且高能带的X射线的检测结果从X射线检测部7的第二线传感器12输入到控制部10。
如图3所示,控制部(学习装置)10具备:第一图像获取部(图像生成部)101、学习部102、机器学习模型103以及检测部104,它们构成为通过由CPU和RAM等硬件读取规定的计算机软件而在CPU的控制下被执行。机器学习模型103是根据基于透过了物品G的低能带的X射线的软图像(第一图像)和基于透过了物品G的高能带的X射线的硬图像(第二图像),在物品G包含异物F的情况下预测该异物位置的模型。在本实施方式中,主要设想物品G(食用肉)中包含的骨头作为异物F。
控制部10构成为执行学习阶段和检查阶段这两者。学习阶段是使用示教数据进行机器学习模型103的学习的阶段。即,学习阶段是通过执行使用了示教数据的机器学习,构建作为学习完成模型的机器学习模型103的阶段。作为用于机器学习模型103的机器学习的例子,可列举(多层)神经网络(深层学习/深度学习)、支持向量机、遗传算法等。检查阶段是使用通过学习阶段构建的机械学习模型103来执行作为检查对象的物品G的异物检查的阶段。在本实施方式中,由第一图像获取部101和学习部102执行学习阶段,由第一图像获取部101和检测部104执行检查阶段。
第一图像获取部101获取上述软图像和硬图像。另外,第一图像获取部101经由图像生成部获取软图像和硬图像,该图像生成部基于从X射线检测部7输出的电压值转换为图像。在本实施方式中,第一图像获取部101基于X射线检测部7的第一线传感器11对低能带的X射线的检测结果,生成关于该低能带的X射线透射图像即软图像。此外,第一图像获取部101基于X射线检测部7的第二线传感器12对高能带的X射线的检测结果,生成关于该高能带的X射线透射图像即硬图像。
需要注意的是,在本实施方式中,如图2所示,从X射线照射部6照射的X射线以扇形发射,并且从X射线照射部6到第一线传感器11的距离与从X射线照射部6到第二线传感器12的距离不同。因此,软图像中的物品G的大小与硬图像中的物品G的大小不同。具体而言,硬图像中的物品G比软图像中的物品G稍大。因此,第一图像获取部101可以基于从X射线照射部6到第一线传感器11的距离(L1)与从X射线照射部6到第二线传感器12的距离(L2)之比(L2/L1)来实施匹配软图像与硬图像的比例的处理。
例如,第一图像获取部101既可以以上述比放大软图像,也可以以上述比的倒数(L1/L2)缩小硬图像。进而,第一图像获取部101也可以实施使图4A及图4B所示软图像P10中的物品G的位置与硬图像P20中的物品G的位置匹配的处理。例如,第一图像获取部101也可以使软图像P10上下左右移动,使得软图像P10与硬图像P20之间的差异最小。更具体而言,第一图像获取部101可以将两个图像重叠,计算两个图像的各像素的浓淡值之差的绝对值的总和,以使该总和为最小的方式进行位置匹配。
图4A是通过上述第一图像获取部101的处理生成的软图像P10的一例,图4B是通过上述第一图像获取部101的处理生成的硬图像P20的一例。软图像P10的对比度较高,并且整体上较暗。另一方面,硬图像P20的对比度较低,并且整体上较亮。在本实施方式中,软图像P10和硬图像P20具有相同的宽度和高度。即,软图像P10和硬图像P20都具有排列成H行×W列的像素,各像素与像素值(浓淡值)建立关联。
需要注意的是,在学习阶段,第一图像获取部101获取分别在规定位置配置有异物F的软图像P11和硬图像P21来作为由后述的学习部102使用的示教数据。在互相关联的规定位置(即,软图像P11中的规定位置和硬图像P21中与上述规定位置对应的位置)配置有异物F的软图像P11和硬图像P21例如以如下方式获取。即,将在原本不包含异物的物品G(即,合格品的物品G)的规定位置配置有异物F(或测试片)的样本输送至输送部5。然后,第一图像获取部101针对该样本通过上述处理生成软图像和硬图像。由此,获得在规定位置配置有异物F的软图像P11和硬图像P21。
但是,在这种方法中,设定后述示教数据中的正确数据(即,存在异物F的位置(像素))的作业(设定标签)耗费工夫。此外,有时无法在异物F的轮廓部分等中准确地确定存在异物F的像素。为了获得针对异物F的尺寸、位置等的各种变化的示教数据,需要准备每种变化的样本,并将各样本输送至输送部5以获取软图像和硬图像,因此非常耗费工夫。
此外,作为获得配置有异物F的图像的方法,可以一边在实际生产线上收集图像,一边用人工判断实际检查物是否有异物以及其位置在哪,并且也能够在图像上标记异物,但这是非常耗费工夫的作业。此外,混入异物的样本本身的发生频率也低,因此需要很长的时间来收集拍摄有异物的图像。
更详细而言,此处的课题有两点,(1)成为示教数据的异物图像由于原本异物混入频率低而难以收集,(2)即使获得异物图像,也需要用人工标记(称为注释)哪里有异物。由于这两点,以下说明的虚拟不合格品图像是有效的,该图像是基于能够大量收集的合格品图像而制作的,并且虚拟异物是由计算机生成的,因此异物的位置也由计算机本身明确知道,因此能够容易地生成标签。
因此,本实施方式的X射线检查装置1具有生成虚拟不合格品图像(第一虚拟不合格品图像P112和第二虚拟不合格品图像P122)的图像处理部(图像生成装置)50,该虚拟不合格品图像通过在基于透过了不包含异物F的物品G的X射线(电磁波)的合格品图像上合成表示虚拟的异物的虚拟异物图像而得到。图像处理部50具有第二图像获取部51、第一处理部52、第二处理部53、信息输入部54、HDD(Hard Disk Drive:硬盘驱动器)55以及存储部56。第二图像获取部51、第一处理部52、第二处理部53以及信息输入部54构成为通过由上述控制部10的CPU和RAM等硬件读入规定的计算机软件而在CPU的控制下被执行。HDD55存储(储存)由X射线检测部7获取的软图像和硬图像。如此拍摄得到的软图像和硬图像也可以由在后面详细描述的第一图像获取部101和第二图像获取部51获取。
如图5所示,第二图像获取部51获取基于第一能带的X射线的合格品图像即第一合格品图像P111和基于与第一能带不同的第二能带的X射线的合格品图像即第二合格品图像P121。至少各获取一张第一合格品图像P111和第二合格品图像P121。合格品图像是指不包含异物的物品G的透射图像。第二图像获取部51基于X射线检测部7的第一线传感器11对低能带X射线的检测结果,生成第一合格品图像P111。此外,第二图像获取部51基于X射线检测部7的第二线传感器12对高能带X射线的检测结果,生成第二合格品图像P121。在此,下面针对X射线的透射量越多则像素的浓淡值(例如,取0~255的值)越大的指标进行描述。
另外,第一合格品图像P111和第二合格品图像P121可以使用在通常的检查时获得的合格品图像。即,在日常实施的检查中,也可存储被判断为合格品的软图像P11和硬图像P21,并将其用于学习阶段。
第一处理部52通过改变构成第一合格品图像P111的至少一个以上的像素即第一对象像素PX1的像素值,合成虚拟异物图像PF1,从而生成作为虚拟不合格品图像的第一虚拟不合格品图像P112。第二处理部53通过改变第二对象像素PX2的像素值,合成虚拟异物图像PF2,从而生成作为虚拟不合格品图像的第二虚拟不合格品图像P122,其中,第二对象像素PX2与第一对象像素PX1对应,并且是构成第二合格品图像的至少一个以上的像素且处于与第一对象像素PX1的位置对应的位置。
如图6所示,第一处理部52在改变第一对象像素PX1的像素值之前,可以将与没有物品G的部分对应的区域的亮度(亮度值)调整为例如220(8bit:0~255灰度)。此外,第二处理部53在改变第二对象像素PX2的像素值之前,也可以将与没有物品G的部分对应的区域的亮度调整为例如220(8bit:0~255灰度)。即,在第一合格品图像P111和第二合格品图像P121之间,与没有物品G的部分对应的区域可以被调整为具有相同亮度220。通过这样的前处理,例如第一合格品图像P111中与物品G对应的区域的亮度为90,第二合格品图像P121中与物品G对应的区域的亮度为110。另外,为了便于说明,与物品G对应的区域以均匀的亮度示出,但实际上存在变化。
第一处理部52通过基于异物F的X射线(电磁波)的减弱特性(吸收特性)的第一处理来改变第一对象像素PX1的像素值,第二处理部53通过作为与第一处理不同的处理且基于减弱特性的第二处理来改变第二对象像素PX2的像素值。
第一处理是以第一合格品图像P111的像素值(例如,构成第一合格品图像P111的像素的众数值、平均值、最大值、最小值)为基准使第一对象像素PX1的像素值在第一范围COL内减小的处理。例如,在像素值的例子是表示亮度的指标(所谓的浓淡值、浓度值、明度值、亮度值等)的情况下,通过减小这些值,使得第一对象像素PX1与周围相比变暗。
第二处理是以第二合格品图像P121的像素值(例如,构成第二合格品图像P121的像素的众数值、平均值、最大值、最小值)为基准使第二对象像素PX2的像素值在第二范围COH内减小的处理。例如,在像素值的例子是表示亮度的指标(浓度值、明度值、亮度值)的情况下,通过减小这些值,使得第二对象像素PX2与周围相比变暗。另外,第一范围COL和第二范围COH被设定为互不相同的范围。
在此,第一范围COL和第二范围COH都是正值,是计算对象的像素的变更量的程度(绝对值),并且是具有某一范围的值。第一范围COL和第二范围COH以各自对应的实际图像的像素值(例如,与被检查物所包含的实际异物对应的像素的浓淡值,该被检查物被拍摄在软图像(第一图像)和硬图像(第二图像)的各组合中)为基准而确定。在这种情况下,不限于一个组合,也可以根据软图像(第一图像)和硬图像(第二图像)的多个组合各自的趋势确定被检查物的浓淡值。
第二范围COH(第一范围和第二范围中的任意一方)的绝对值的下限值被设定为小于第一范围COL(第一范围和第二范围中的另一方)的绝对值的下限值,第二范围COH(第一范围和第二范围中的上述一方)的绝对值的上限值被设定为小于第一范围COL(第一范围和第二范围中的上述另一方)的绝对值的上限值。例如,存在第一范围COL的下限值小于第二范围COH的下限值的关系性。该关系性对于上限值也成立,成为第一范围 COL的上限值小于第二范围COH的上限值的关系性。在本实施方式中,第一范围COL和第二范围COH的设定如下。
第一范围:8≤COL≤30,
第二范围:4≤COH≤15,
即,第二范围COH的下限值小于第一范围COL的下限值,且第二范围COH的上限值小于第一范围COL的上限值。这样,存在第一范围COL和第二范围COH的一部分值重复的情况。
此外,在本实施方式中,第二范围COH(第一范围和第二范围中的一方)的上限值和下限值双方是基于第一范围COL(第一范围和第二范围中的另一方)设定的。该关系性满足以下公式(1)。
COH=kCOL+δ,(0<k<1)…(1)
在此,可以将k设定为即使忽略δ也没有影响的大小。此时,公式(1)能够近似于公式(2)。
COH≒kCOL,(0<k<1)…(2)
近似等号表示只是在处理(计算)上存在可忽略的差异,以下可以视为相等。接着,表示通过具体对象(例如,被检查物是瘦肉,异物是骨头)得到的值的范围的公式(2)的具体例子为以下公式(3)。
COH=(1/2)COL,(k=1/2)…(3)
另外,在公式(3)中,为完全的等号“=”。这是因为δ=0。
例如,基于对模仿预先存储的异物F的形状的形状数据进行了放大/缩小、旋转、反转、剪切变换、梯形变换等(仿射变换及非仿射变换等)而得到的形状数据,进行第一对象像素PX1和第二对象像素PX2的选择。但是,在成为组合的第一图像和第二图像中,第一对象像素PX1和第二对象像素PX2处于对应的位置。这是因为设想成为组合的第一图像和第二图像中包含同一异物。单纯地看,第一对象像素PX1和第二对象像素PX2处于相同的位置,但反映了第一图像和第二图像各自被拍摄的位置的差异、或拍摄第一图像和第二图像的X射线拍摄部的像素大小(面积)的差异,从而在图像上未必限于处于完全重叠的位置。但是,第一对象像素PX1和第二对象像素PX2必然产生对应关系(从一方的像素到另一方的像素(组)的对应关系)。
(第一处理)
第一处理针对这样选择的第一对象像素PX1的每个像素进行像素转换。
具体而言,第一处理对于同一软图像(第一图像)P10中的所有第一对象像素PX1,根据以包括在第一范围COL中为条件均匀随机地(以等概率)选出的共同的一个值C'OL,转换所有的第一对象像素PX1。在此,转换第一对象像素PX1是指从各第一对象像素转换前的浓淡值减去从上述第一范围COL中选出的一个值(绝对值)即第一值C'OL,并替换为得到的浓淡值。结果,将第一对象像素PX1分别减去包括在第一范围COL内的一个值(绝对值)并进行替换。即,第一处理经过上述计算,执行使第一对象像素PX1变暗的上述一系列处理。以上,通过第一处理,能够获得包括第一虚拟不合格品图像P112的第二虚拟不合格品图像。
但是,也可以针对每个第一对象像素PX1通过从第一范围COL中选出个别的值来进行转换。在这种情况下,将各个第一对象像素PX1减去包括在第一范围COL内的(在各像素之间未必为相等的值)个别的值(绝对值)C'OL并进行替换。此外,虽然示出了构成为均匀随机地(以等概率)选择值的例子,但是也可以构成为例如根据以范围的上下限值的平均值(或者考虑了减弱特性、考虑了出现频率的值)为基准的正态分布,以加权概率进行选择。
(第二处理)
第二处理也对于如上所述选择的第二对象像素PX2的每个像素,按规定的第二规则随机地转换像素。在此,在实际的运用阶段,需要基于拍摄有同一异物的成为组合的第一图像和第二图像来判断有无异物。因此,即使在学习阶段,也需要设想在成为组合的第一图像和第二图像中包含同一异物的状况。因此,第二处理基于值C'OH(后面详细描述)对第二对象像素进行转换,值C'OH是基于在第一处理中从第一范围选出的第一值C'OL(考虑第一值C'OL)而附属地确定的值。但是,第二处理为了表现(例如,厚度等的)异物的多样性,需要使其发生变化(为了表现多样性,在规定的范围内使值增加或减小)。
具体而言,使用公式(3)(公式(2)的具体例),其为分别从包含实际异物的样本图像等单独地确定的第一范围COL与第二范围COH之间的关系性。在此,第二范围COH是第一范围COL的1/2。因此,可知如果设想拍摄同一样本的状况,则可以通过从第二对象像素PX2中减去第一值C'OL(其是在第一处理中从第一范围选出的一个值(各像素的浓淡值的变更量))乘以1/2而得到的第二值C'OH来表现异物(其浓淡值的变更量的程度)。但是,仅固定地乘以1/2,无法表现异物的多样性(例如,成为在各组虚拟异物之间具有厚度始终恒定等的某种不必要的共通性的异物组)。因此,当从第一值C'OL(在此为某个固定值)获得第二值C'OH时,使第一值在规定范围内增加/减小并对其进行调制。
作为进行调制的公式,例如,可以使用以下公式(4)。
(1-f)kC'OL≤C'OH≤(1+f)kC'OL,(0<k<1,0<f<1)…(4)
在此,如上所述k=1/2。此外,f例如被设定为1/5。另外,将f确定为适当的值,以使后述学习完成模型的输出精度良好。可以创建设定了不同f的多个学习(完成)模型,并基于比较探讨后的结果来确定(选出)更适当的f。
然后,关于作为调制后的第二值(以下,调制第二值)的可取范围的第二值范围C'OH,可从公式(4)得到下述公式(5)。
(2/5)C'OL≤C'OH≤(3/5)kC'OL,(例如,k=1/2,f=1/5)…(5)
如此获得的(每个第二对象像素PX2的)第二值C'OH的范围用于第二处理。
第二处理对于同一硬图像(第二图像)P20中的所有第二对象像素PX2,根据以包括在第二值范围C'OH中为条件均匀随机地(以等概率)选出的共同的一个调制第二值C”OH,转换所有的第二对象像素PX2。在此,转换第二对象像素PX2是指从各第二对象像素转换前的浓淡值减去从上述第二值范围C'OH中选出的一个值(绝对值)即调制第二值C”OH,并替换为得到的浓淡值。结果,将第二对象像素PX2分别减去包括在第二值范围C'OH内的一个值(绝对值)并进行替换。即,第二处理经过上述计算,执行使第二对象像素PX2变暗的上述一系列处理。以上,通过第二处理,能够获得包括第二虚拟不合格品图像P122的第二虚拟不合格品图像。
但是,也可以针对每个第二对象像素PX2通过从第二值范围C'OH中选出个别的值来进行转换。在这种情况下,将各个第二对象像素PX2减去包括在第二值范围C'OH内的(在各像素之间未必为相等的值)个别的值(绝对值)C'OL并进行替换。此外,虽然示出了构成为针对每个第二对象像素PX2均匀随机地(以等概率)选出调制第二值C”OH的例子,但是也可以构成为例如根据以范围的上下限值的平均值等(或者考虑了减弱特性、考虑了出现频率的值)为基准的正态分布,以加权概率进行选择。
如图5所示,通过由第一处理部52对第一合格品图像P111进行第一处理来合成虚拟异物图像PF1,从而生成第一虚拟不合格品图像P112。此外,通过由第二处理部53对第二合格品图像P121进行第二处理来合成虚拟异物图像PF2,从而生成第二虚拟不合格品图像P122。
在上述实施方式中,为了便于说明,列举通过第一处理和第二处理进行处理的像素的位置在第一合格品图像P111和第二合格品图像P121中相同的例子而进行了说明。然而,从X射线照射部6到第一线传感器11的距离与从X射线照射部6到第二线传感器12的距离不同。因此,说明了第二图像获取部51基于从X射线照射部6到第一线传感器11的距离(L1)与从X射线照射部6到第二线传感器12的距离(L2)之比(L2/L1)来实施匹配软图像与硬图像的比例的处理(其结果,通过第一处理和第二处理进行处理的像素的位置在第一合格品图像P111和第二合格品图像P121中相同)。另外,考虑到这种比例的差异,也可以在第一合格品图像P111和第二合格品图像P121之间改变通过第一处理和第二处理进行处理的像素的位置、数量、大小等(虚拟异物图像合成的位置)。
如图3所示,图像处理部50具有信息输入部54和存储部56。信息输入部54是输入关于将要由图像处理部50生成的虚拟不合格品图像(第一虚拟不合格品图像P112和第二虚拟不合格品图像P122)的信息的部分。具体而言,信息输入部54是受理物品G的种类和将要虚拟合成的异物F的种类的输入的部分。
存储部56存储物品G的种类、在合格品图像上合成的异物的种类、上述第一范围COL以及上述第二范围COH建立了关联的合成处理信息。第一处理部52和第二处理部53例如基于由操作员经由信息输入部54输入操作的异物的种类,从合成处理信息中提取(获取)第一范围COL或第二范围COH。即,通过由操作员选择物品G的种类和在合格品图像上合成的异物的种类,从而选择最佳的第一范围COL和第二范围COH,其结果,生成优选的第一虚拟不合格品图像P112和第二虚拟不合格品图像P122。
在上述合成处理信息中,当异物F的减弱特性小于物品G的减弱特性时,第一范围COL的代表值(例如,上下限值的平均值)小于第二范围COH的代表值(例如,上下限值的平均值。需要以与第一范围COL的代表值相同的基准进行比较)。第一范围COL和第二范围COH是非0的正值范围。
在此,在异物F的减弱特性小于物品G的减弱特性的情况下为了反映物理特性(X射线的吸收特性,在本实施方式中为减弱特性),与上述异物F的减弱特性大于物品G的减弱特性的情况相反,需要增加第一对象像素PX1和第二对象像素PX2的浓淡值(像素值)。因此,在异物F的减弱特性大于物品G的减弱特性的情况下,形成第一范围COL的代表值大于第二范围COH的代表值那样的组合的数据库。
即使在这种情况下,在X射线中,第二范围COH(第一范围和第二范围中的任意一方)的绝对值的下限值被设定为小于第一范围COL(第一范围和第二范围中的另一方)的绝对值的下限值,并且第二范围COH(第一范围和第二范围中的上述一方)的绝对值的上限值被设定为小于第一范围COL(第一范围和第二范围中的上述另一方)的绝对值的上限值。例如,存在第一范围COL的下限值小于第二范围COH的下限值的关系性。该关系性对于上限值也成立,成为第一范围COL的上限值小于第二范围COH的上限值的关系性。
需要注意的是,这种数据库不仅存储在X射线检查装置1的内置的存储部56中,而且还可以存储在例如可经由网络进行通信的服务器等中。
另外,在上述实施方式中,虽然列举了通过由操作员选择物品G的种类和在合格品图像上合成的异物的种类来选择最佳的第一范围COL和第二范围COH的例子并进行了说明,但是也可以仅选择第一范围COL和第二范围COH中的一方。也可以根据另外存储的计算公式等计算第一范围COL和第二范围COH中的另一方。也就是说,如果能够根据物品G的种类、在合格品图像上合成的异物的种类且基于物理特性(吸收特性,在本实施方式中为X射线的减弱特性)确定一方,则能够计算另一方,因此也可以仅存储一方。
学习部102执行上述学习阶段的机器学习模型103的学习处理。具体而言,学习部102准备示教数据,该示教数据包括分别在规定位置配置有异物F(参照图5)的第一虚拟不合格品图像P112和第二虚拟不合格品图像P122、以及表示与规定位置(即,第一对象像素PX1和第二对象像素PX2)对应的像素的正确数据。在本实施方式中,学习部102获取由图像处理部50生成的第一虚拟不合格品图像P112和第二虚拟不合格品图像P122。但是,如上所述,学习部102不需要与X射线检查装置1的实时检查同时并行地获取软图像P11和硬图像P21。将从一个或多个X射线检查装置1输出的数据预先存储在外置于X射线检查装置1的记录介质即未图示的HDD等中,学习部102构成为从该HDD适当地获取图像。此外,学习部102通过从第二图像获取部51获取表示在虚拟异物图像所占区域中所包括的像素的信息,从而获取正确数据。
然后,学习部102通过将如此获得的示教数据(第一虚拟不合格品图像P112、第二虚拟不合格品图像P122以及正确数据)输入到机器学习模型103,使机器学习模型103进行学习。学习部102通过执行上述机器学习,构建包括(多层)神经网络的学习完成模型(即,神经网络的参数经调整后的机器学习模型103),该神经网络构成为输入软图像P10和硬图像P20而输出每个像素的异物似然度。在此,异物似然度是表示作为异物的可能性的信息。例如,某像素的异物似然度可通过该像素是与异物F(在本实施方式中为虚拟异物图像)对应的像素的概率(0~1的数值)来表示。
图7是示出机器学习模型103的一例的图。如图7所示,在本实施方式中,作为一例,机器学习模型103包括预先构成的神经网络N。
机器学习模型103的学习(即,神经网络N的参数的调整)通过如下方式进行。即,学习部102将示教数据中的第一虚拟不合格品图像P112和第二虚拟不合格品图像P122输入到神经网络N。然后,学习部102调整神经网络N的参数,以增加与根据神经网络N输出的预测结果R1(每个像素的异物似然度)确定的异物对应的像素和示教数据中的正确数据的一致度。这种参数的调整可以使用误差逆传播算法等公知的方法。
作为一例,学习部102基于预测结果R1中包含的每个像素的异物似然度来确定通过神经网络N推断为对应于异物的像素。例如,学习部102获取具有预先设定的阈值(例如0.5)以上的异物似然度的像素来作为对应于异物的像素。另一方面,学习部102获取具有小于上述阈值的异物似然度的像素作为不对应于异物的像素。然后,学习部102通过将如此确定的对应于异物的像素(或不对应于异物的像素)与正确数据进行比较,能够计算预测结果R1与正确数据的误差。学习部102设定表示这种误差(损失)的任意的损失函数(成本函数),并使用最速下降法等调整神经网络N的参数(权重),以减小该损失函数的值。
检测部104使用在上述学习阶段构建的机器学习模型103,对作为检查对象的物品G进行异物检测。即,检测部104在检查阶段,通过将关于作为检查对象的物品G的软图像P10和硬图像P20输入到机器学习模型103,从而获取每个像素的异物似然度(从机器学习模型103输出的预测结果R1)。然后,检测部104基于每个像素的异物似然度检测异物。例如,检测部104能够通过将具有如上所述预先设定的阈值(例如0.5)以上的异物似然度的像素确定为与异物对应的像素,从而检测混入物品G中的异物。
接着,参照图8,对学习阶段的X射线检查装置1的动作的一例进行说明。
在步骤S1中,用于创建示教数据的物品G从搬入输送机151经由搬入口4a被搬入到检查区域R(参照图1)。然后,X射线照射部6对该物品G照射X射线,X射线检测部7检测透过了该物品G的多个能带中的每个的X射线。在本实施方式中,通过X射线检测部7的第一线传感器11检测低能带的X射线,通过X射线检测部7的第二线传感器12检测高能带的X射线(参照图2)。
在步骤S2中,第二图像获取部51基于第一线传感器11对低能带的X射线的检测结果生成第一合格品图像P111,并基于第二线传感器12对高能带的X射线的检测结果生成第二合格品图像P121(参照图5)。
在步骤S3中,第一处理部52通过将用于软图像的虚拟异物图像合成到第一合格品图像P111的第一对象像素PX1上,从而获取在规定位置配置有异物F的第一虚拟不合格品图像P112。此外,第二处理部53通过将用于硬图像的虚拟异物图像粘贴到第二合格品图像P121的第二对象像素PX2,从而获取在规定位置配置有异物F的第二虚拟不合格品图像P122(参照图5)。
图像处理部50通过使用不同的多个虚拟异物图像PF对在步骤S1、S2中获取的一组第一合格品图像P111和第二合格品图像P121多次执行步骤S3的处理,从而生成多个不同的示教数据。此外,通过对物品G和虚拟异物图像的多个不同组合多次执行步骤S1~S3的处理,创建多个不同的示教数据。此时,优选以虚拟异物图像PF(第一对象像素PX1和第二对象像素PX2)的亮度(浓淡值的对比度)的大小关系不反转的方式确定设定值(例如,上述k或f这样的规定值)。但是,如果整体趋势上保持对比度的大小关系,则可以在一部分虚拟异物中发生大小关系的反转。由于示教数据通常包含多个图像,因此期望在比较第一对象像素PX1的(例如)平均值和第二对象像素PX2的(例如)平均值时,将对比度的大小关系设定为表示如前所述的大小关系。但是,存在如下情况,即,即使在示教数据的极小部分中该对比度的大小关系反转,也可以忽略对最终输出的影响。在这种情况下,整体的影响非常有限。
在步骤S4中,图像处理部50创建包括在步骤S3中获取的第一虚拟不合格品图像P112和第二虚拟不合格品图像P122以及分别表示第一对象像素PX1和第二对象像素PX2的正确数据的示教数据。
在步骤S5中,学习部102通过使用步骤S4中创建的示教数据执行机器学习(例如,深层学习等),从而构建学习完成模型(即,神经网络N的参数经调整后的机器学习模型103)。
接着,参照图9,对检查阶段的X射线检查装置1的动作的一例进行说明。
在步骤S11中,作为异物检查对象的物品G从搬入输送机151经由搬入口4a搬入到检查区域R(参照图1)。然后,X射线照射部6对该物品G照射X射线,X射线检测部7检测透过了该物品G的多个能带中的每个的X射线。在本实施方式中,通过X射线检测部7的第一线传感器11检测低能带的X射线,通过X射线检测部7的第二线传感器12检测高能带的X射线(参照图2)。
在步骤S12中,第一图像获取部101基于第一线传感器11对低能带的X射线的检测结果生成软图像P10,并且基于第二线传感器12对高能带的X射线的检测结果生成硬图像P20(参照图4A和图4B)。
在步骤S13中,检测部104通过将步骤S12中获取的软图像P10和硬图像P20输入到机器学习模型103,从而获取每个像素的异物似然度(从机器学习模型103输出的预测结果R1)。
在步骤S14中,检测部104基于从机器学习模型103输出的预测结果R1检测异物。例如,检测部104能够通过将具有预先设定的阈值(例如0.5)以上的异物似然度的像素确定为与异物对应的像素,从而检测混入物品G中的异物。
根据上述实施方式,第一处理部52和第二处理部53能够针对第一合格品图像P111和第二合格品图像P121中与第一对象像素PX1和第二对象像素PX2对应的位置,分别反映第一能带和第二能带的减弱特性,从而合成(包括)虚拟异物图像。其结果,能够良好地反映X射线的减弱量因能带而不同的异物的减弱特性,生成基于各能量的虚拟不合格品图像(第一虚拟不合格品图像P112和第二虚拟不合格品图像P122)。
更详细地说,在想要虚拟地合成减弱特性比物品G(例如,瘦肉)高的异物(例如,骨头或金属片)的情况下,当以物品G的像素值为基准时,将第一合格品图像P111中的第一对象像素PX1的像素值的变更值的程度(为绝对值,例如在根据被检查物或异物的物理特性适当地改变上述规定值k、f之后,通过与第一值C'OL相同的计算而获得的值)设定为大于第二合格品图像P121中的第二对象像素PX2的像素值的变更值的程度(为绝对值,例如在根据被检查物或异物的物理特性适当地改变上述规定值k、f之后,通过与调制第二值C”OH相同的计算而获得的值)。由此,能够反映实际异物F的X射线的减弱特性。
在此,在想要虚拟地合成减弱特性比物品G(例如,瘦肉)低的异物F(例如,空隙或脂肪块)的情况下,针对以物品G的像素值为基准的情况进行描述。在这种情况下,也可以同样将第一合格品图像P111中的第一对象像素PX1的像素值的变更值的程度(为绝对值,例如在根据被检查物或异物的物理特性适当地改变上述规定值k、f之后,通过与第一值C'OL相同的计算而获得的值)设定为大于第二合格品图像P121中的第二对象像素PX2的像素值的变更值的程度(为绝对值,例如在根据被检查物或异物的物理特性适当地改变上述规定值k、f之后,通过与调制第二值C”OH相同的计算而获得的值)。但是,之后的计算不同。即,在第一处理中,执行将第一对象像素PX1中的各像素的像素值替换为通过增加(而非减去)第一值C'OL而得到的值的操作,并且在第二处理中,执行将第二对象像素PX2中的各像素的像素值替换为通过增加(而非减去)第二值C”OH而得到的值的操作。这样,能够反映实际异物F的X射线的减弱特性。
此外,已知有如下X射线检查装置:对X射线透射图像实施使用了图像处理算法的图像处理而生成处理图像,并基于该处理图像进行物品的检查。在这样的X射线检查装置中,在存储部中预先存储有多个图像处理算法,从存储的多个图像处理算法中选择并设定在检查时的图像处理中使用的最佳图像处理算法。
这种图像处理算法通常是针对一张图像执行的,不能输入两张图像。该图像处理算法的一例是GA(遗传算法)。GA提出了一种方法,该方法的目的在于结合现有的图像处理,生成(确定)与要检查的对象物和要发现的异物相相应的图像处理(适当进行所使用的图像处理滤波器的选择变更、对该图像进行滤波的顺序、分别进行滤波的强度的变更,合理化的图像处理)。
在此,GA是在生成(确定)图像处理时执行各种组合以根据适应度来评估是否适合于目的,并使用遗传算法来提高适应度的方法。然而,由于X射线图像通常是单色图像,在现有的图像处理中以处理单色图像为主,因此即使使用遗传算法,在处理单色图像上也没有变化。因此,这里没有设想输入两张图像进行图像处理。但是,能够从通过上述第一处理和第二处理改变为虚拟地包含同一异物的第一图像和第二图像,通过使用减影等公知的方法,获得强调异物的一张图像(所谓的差分图像)。在差分图像的时间点,除了异物信号以外,存在包括噪声信号的可能性(S/N比不良)。如果对该差分图像使用GA,则能够从差分图像中良好地提取异物。在此,作为适应度的评估,若在第一处理和第二处理中与包括异物的位置对应的像素(第一对象像素和第二对象像素)是已知的,则能够通过与由GA提取的异物对应的像素进行比较来计算上述适应度。由此,能够调整上述图像处理以提高适应度,从而能够调整为可高精度地检测异物的GA。
即,在本实施方式的X射线检查装置1中,在具有这种类型的图像处理算法的X射线检查装置中,预先设定最佳图像处理算法时,能够获取适于选择最佳图像处理算法的第一图像和第二图像的组合。
以上,对本公开一方面所涉及的实施方式进行了说明,但是本公开的一方面未必限定于上述实施方式,可以在不脱离其主旨的范围内进行各种变更。
在上述实施方式中,列举图像生成装置作为图像处理部50安装在X射线检查装置1中的例子并进行了说明,但并不限定于此。例如,可以构造为PC、平板电脑等终端装置。此外,图像处理部50可以构造为与X射线检查装置1分开构造的服务器装置(图像生成装置)。在这种情况下,构造为包括X射线检查装置1和服务器装置的***,X射线检查装置1与服务器装置可经由电子网络连接。
在上述实施方式和变形例中,列举了从与物品G对应的区域的像素使第一对象像素PX1和第二对象像素PX2的像素值(亮度)减小的例子并进行了说明,但是例如在将空隙或脂肪块等设为异物F的情况下,也可以增加像素值(亮度)。此外,当第一虚拟不合格品图像P112和第二虚拟不合格品图像P122的正负反转时,上述关系性也反转。但是,这里的反转是指使相对于第一对象像素和第二对象像素的增加或减小的计算处理反转。由绝对值定义的第一范围、第一值、第二范围、第二值等中的大小关系性不反转。
在上述实施方式和变形例中,列举了预先存储从与物品G对应的区域的像素使第一对象像素PX1和第二对象像素PX2的像素值(亮度)减小的像素值范围的例子并进行了说明,但是例如也可以预先存储与物品G对应的区域的像素的代表值(例如,众数值、平均值、最大值、最小值等)的比例(%)来代替像素值的范围。
此外,在上述实施方式中,以检查装置是X射线检查装置1的方式为一例进行了说明。然而,本公开一方面所涉及的检查装置并不限定于X射线检查装置1,只要是利用电磁波进行物品G的异物检查的装置即可。在此,电磁波是指X射线、近红外线、光及其他电磁波。此外,物品G的种类没有特别限定,可以将各种物品G作为检查对象。同样,异物的种类没有特别限定,可以将各种异物作为检查对象。
(红外线检查装置中的上述实施方式的变形例)
例如,在红外线检查装置的情况下,可以获取基于透过了第一波长带的红外线的第一合格品图像和基于透过了与第一波长带不同的第二波长带的红外线的第二合格品图像,通过实施上述第一处理和第二处理合成虚拟异物图像,从而生成第一虚拟不合格品图像和第二虚拟不合格品图像。红外线检查装置例如是检查在作为被检查物的包装物的密封(封装)部分是否发生作为异物的内容物咬入的装置。在后述的两个能带中分别拍摄(均)透过了密封部分的红外线、或者(均)由密封部分反射的红外线,从而拍摄第一合格品图像和第二合格品图像。
在此,在红外线检查装置中,第一处理和第二处理中的各值(范围)的设定方法不同。这是因为,X射线的吸收特性(减弱系数)主要是由原子核以及电子与光子的相互作用而引起的特性,与此相对,红外线的吸收特性主要是由在分子结合的伸缩运动、改变结合图像时光子被吸收(所谓的分光特性)而引起的特性。因此,在红外线检查中,需要通过与X射线检查装置不同的逻辑来设定各值(范围)。
(装置结构)
在红外线检查中,考虑一种图像生成装置,其生成虚拟不合格品图像,该虚拟不合格品图像通过在基于透过了不包含异物(包装物的咬入)的被检查物的红外线的合格品图像上合成表示虚拟的异物的虚拟异物图像而得到。这种情况下,图像生成装置具备以下各构成要素。即,具备图像获取部,该图像获取部获取基于第一能带的红外线的合格品图像即第一合格品图像以及基于与第一能带不同的第二能带的红外线的合格品图像即第二合格品图像。此外,具备第一处理部和第二处理部,第一处理部通过改变构成第一合格品图像的至少一个以上的像素即第一对象像素的像素值,生成作为虚拟不合格品图像的第一虚拟不合格品图像,第二处理部通过改变与第一对象像素对应的构成第二合格品图像的至少一个以上的像素即第二对象像素的像素值,生成作为虚拟不合格品图像的第二虚拟不合格品图像。在此,构成为图像生成装置所具有的第一处理部通过基于异物中红外线的吸收特性(光谱特性等)的第一处理改变第一对象像素的像素值,且第二处理部通过与第一处理不同的处理且基于吸收特性的第二处理改变第二对象像素的像素值。
此外,红外线检查装置具备上述图像生成装置。此外,红外线检查装置还具备:第一红外线照射部,能够照射第一能带的红外线;以及第二红外线照射部,能够照射与第一能带不同的第二能带的红外线。此外,红外线检查装置具备:检测部,检测透过了被检查物的第一能带的电磁波和第二能带的电磁波;以及图像生成部,基于由检测部检测到的第一能带的电磁波生成被检查物的第一图像,并且基于由检测部检测到的第二能带的电磁波生成被检查物的第二图像。
以下,具体地说明红外线检查装置所具备的图像生成装置中的第一处理和第二处理的一例。
(原理)
在(近)红外线区域中,电磁波表现出在与异物(在此,发生咬入的内容物本身)相应的特定波长区域比其他波长区域被显著地吸收的吸收特性。在此,使第一能带或第二能带中的一方与异物吸收显著较大的波长带一致,并且将另一方设定成几乎不发生异物吸收的区域。具体而言,在异物为米粒的情况下,由于米粒包含大量的水分,因此将第一能带或第二能带中的一方设定为被水大量吸收的一个第一波长(在水的情况下,经常使用的波长是970nm附近、1450nm附近、1940nm附近中的任意一个,在此,例如为1450nm)。基于此,配置第一红外线照射部,其能够照射在被水大量吸收的该一个波长具有峰值的第一波长带(第一能带)的红外线。而且,另一方是几乎不被这些水吸收的波长带,设定与该一个波长不同的一个第二波长(例如,1300nm),以使装有内容物的袋或包(以下简称为被检查物)对红外线的吸收量与上述设定的一个波长的红外线的吸收量几乎不变。基于此,配置第二红外线照射部,其能够照射在与该第一波长不同的第二波长具有峰值的第二波长带(第二能带)的红外线。第一红外线照射部和第二红外线照射部在大致相同的区域照射红外线,并通过红外线拍摄部拍摄经照射而透射或反射后的红外线。
(第一处理)
第一处理是使通过第一波长带拍摄的第一合格品图像虚拟地包含异物的处理。首先,在第一处理中,图像处理部与上述实施方式同样地确定第一对象像素。接着,设定第一对象像素的变更值的第一范围(上下限范围)。根据实际不合格品图像中与异物对应的像素的吸收量的程度(与不是异物的对象物的浓淡值之差(减小量)的绝对值)设定该范围,其中,实际不合格品图像包括在第一波长带中拍摄到的异物。然后,例如均匀随机地从该上下限范围中选出(针对每个像素单独地或所有像素共同的)第一值。然后,将各第一对象像素的像素值(浓淡值)替换为从各第一对象像素的初始像素值(浓淡值)减去该第一值D'1而得到的值,获得第一虚拟不合格品图像。由此,能够虚拟地包含异物。
(第二处理)
第二处理是使通过第二波长带拍摄与上述第一合格品图像相同的对象物得到的第二合格品图像虚拟地包含异物的处理。在此,根据实际不合格品图像中与异物对应的像素的吸收量的程度(与不是异物的对象物的浓淡值之差(减小量)的绝对值)设定第二范围(上下限范围),其中,实际不合格品图像包括在第二波长带中拍摄到的异物。在将该第二范围乘以常数m(0<m<1)的情况下,能够设定使其基本上与第一范围一致的m。在这种情况下,第二值D′2设为D′2=mD′1。但是,与上述实施方式同样地,为了表现异物的多样性,对第二值进行调制。具体而言,提取满足(1-g)mD′1<D′2<(1+g)mD′1(0<m<1,0<g<1)的某一个值,从而获取调制第二值D”2。然后,将各第二对象像素的像素值(浓淡值)替换为从各第二对象像素的初始像素值(浓淡值)减去该调制第二值D”2而得到的值,从而获得第二虚拟不合格品图像。由此,能够虚拟地包含异物。
(总结)
通过上述第一处理和第二处理,能够粘贴反映了红外线拍摄中的吸收特性的虚拟异物。对粘贴有这些虚拟异物的第一虚拟不合格品图像和第二虚拟不合格品图像的学习工序与上述实施方式相同,因此省略其记载。
Claims (8)
1.一种图像生成装置,生成虚拟不合格品图像,所述虚拟不合格品图像是在基于透过了不包含异物的被检查物的电磁波的合格品图像上合成表示虚拟的异物的虚拟异物图像而得到的,其特征在于,具备:
图像获取部,针对同一被检查物,获取第一合格品图像和第二合格品图像的组合,所述第一合格品图像是基于第一能带的电磁波的所述合格品图像,所述第二合格品图像是基于与所述第一能带不同的第二能带的电磁波的所述合格品图像;
第一处理部,通过改变构成所述第一合格品图像的至少一个以上的像素即第一对象像素的像素值,生成作为所述虚拟不合格品图像的第一虚拟不合格品图像;以及
第二处理部,通过改变与所述第一对象像素对应的构成所述第二合格品图像的至少一个以上的像素即第二对象像素的像素值,生成作为所述虚拟不合格品图像的第二虚拟不合格品图像,
所述第一处理部通过基于所述异物的所述电磁波的吸收特性的第一处理来改变所述第一对象像素的像素值,所述第二处理部通过基于所述吸收特性的第二处理来改变所述第二对象像素的像素值,所述第二处理是与所述第一处理不同的处理,
所述第一处理及所述第二处理是在所述异物的所述吸收特性比所述被检查物的所述吸收特性高的情况下分别使所述第一合格品图像及所述第二合格品图像中的像素值减小,在所述异物的所述吸收特性比所述被检查物的所述吸收特性低的情况下分别使所述第一合格品图像及所述第二合格品图像中的像素值增加的处理。
2.根据权利要求1所述的图像生成装置,其特征在于,
所述第一处理是以所述第一合格品图像的像素值为基准使所述第一对象像素的像素值在第一范围内减小或增加的处理,
所述第二处理是以所述第二合格品图像的像素值为基准使所述第二对象像素的像素值在第二范围内与所述第一处理同样地减小或增加的处理,
所述第一范围和所述第二范围被设定为互不相同的范围。
3.根据权利要求2所述的图像生成装置,其特征在于,
所述第一范围和所述第二范围中任意一方的绝对值的下限值被设定为小于所述第一范围和所述第二范围中另一方的绝对值的下限值,所述第一范围和所述第二范围中所述一方的绝对值的上限值被设定为小于所述第一范围和所述第二范围中所述另一方的绝对值的上限值。
4.根据权利要求2或3所述的图像生成装置,其特征在于,
所述第一范围和所述第二范围中一方的上限值和下限值中的至少一方是基于所述第一范围和所述第二范围中的另一方来设定的。
5.根据权利要求2或3所述的图像生成装置,其特征在于,
所述图像生成装置还具备:
信息输入部,针对在所述合格品图像上合成的所述虚拟异物图像,受理所述异物种类的输入;以及
存储部,存储在所述合格品图像上合成的所述异物的种类与所述第一范围和所述第二范围中的至少一方建立了关联的合成处理信息,
所述第一处理部和所述第二处理部中的至少一方基于输入到所述信息输入部的所述异物的种类,从所述合成处理信息获取所述第一范围或所述第二范围。
6.根据权利要求5所述的图像生成装置,其特征在于,
所述合成处理信息以所述被检查物的种类、在所述合格品图像上合成的所述异物的种类、所述第一范围以及所述第二范围建立关联的方式而被存储,
当所述异物的所述吸收特性小于所述被检查物的所述吸收特性时,所述合成处理信息形成为所述第一范围的代表值比所述第二范围的代表值小的组合,当所述异物的所述吸收特性大于所述被检查物的所述吸收特性时,所述合成处理信息形成为所述第一范围的代表值比所述第二范围的代表值大的组合。
7.一种检查装置,其特征在于,具备:
权利要求1至6中任一项所述的图像生成装置;
照射部,对被检查物照射电磁波;
检测部,检测透过了所述被检查物的所述第一能带的电磁波和所述第二能带的电磁波;以及
图像生成部,基于由所述检测部检测到的所述第一能带的电磁波生成所述被检查物的第一图像,并且基于由所述检测部检测到的所述第二能带的电磁波生成所述被检查物的第二图像。
8.一种学习装置,其特征在于,
具备学习部,所述学习部通过使用示教数据执行机器学习来构建学习完成模型,
所述示教数据包括:
由权利要求1至6中任一项所述的图像生成装置生成的所述第一虚拟不合格品图像和所述第二虚拟不合格品图像;以及
表示与所述第一对象像素相关的信息和与所述第二对象像素相关的信息的正确数据,
所述学习完成模型构成为,输入第一图像和第二图像而输出每个像素的表示作为异物可能性的异物似然度,所述第一图像是基于透过了有可能包含所述异物的所述被检查物的所述第一能带电磁波的图像,所述第二图像是基于透过了有可能包含所述异物的所述被检查物的所述第二能带电磁波的图像。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019-126528 | 2019-07-05 | ||
JP2019126528A JP7250331B2 (ja) | 2019-07-05 | 2019-07-05 | 画像生成装置、検査装置及び学習装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112255250A CN112255250A (zh) | 2021-01-22 |
CN112255250B true CN112255250B (zh) | 2024-06-18 |
Family
ID=72147868
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010618226.3A Active CN112255250B (zh) | 2019-07-05 | 2020-07-01 | 图像生成装置、检查装置及学习装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US11189058B2 (zh) |
EP (1) | EP3764087B1 (zh) |
JP (1) | JP7250331B2 (zh) |
CN (1) | CN112255250B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020082171A1 (en) | 2018-10-22 | 2020-04-30 | Voti Inc. | Tray insert for screening tray |
WO2021034829A1 (en) * | 2019-08-22 | 2021-02-25 | John Bean Technologies Corporation | X-ray unit technology modules and automated application training |
US11160521B2 (en) * | 2019-12-20 | 2021-11-02 | Hdt Co., Ltd. | Method for 3D image reconstruction |
CN113014773B (zh) * | 2021-03-02 | 2023-08-01 | 山东鲁软数字科技有限公司智慧能源分公司 | 一种架空线路视频可视化监拍***及方法 |
CN113159206A (zh) * | 2021-04-28 | 2021-07-23 | 北京达佳互联信息技术有限公司 | 图像比对方法、装置、电子设备、计算机可读存储介质 |
EP4083614A1 (de) * | 2021-04-29 | 2022-11-02 | Sesotec GmbH | Verfahren zum erfassen der detektionsempfindlichkeit eines röntgengeräts |
JP2023000672A (ja) * | 2021-06-18 | 2023-01-04 | 株式会社サタケ | 選別機、不良品の判別方法、および、選別方法 |
US12019035B2 (en) * | 2021-07-16 | 2024-06-25 | Rapiscan Holdings, Inc. | Material detection in x-ray security screening |
JP7034529B1 (ja) * | 2021-08-13 | 2022-03-14 | 株式会社ハシマ | 学習モデルの生成方法、学習モデル、検査装置、検査方法およびコンピュータプログラム |
KR20230070714A (ko) * | 2021-11-15 | 2023-05-23 | 라이트비전 주식회사 | 실제 결함 이미지의 종류와 분포를 고려한 인공지능 기반 재료 결함 검출 시스템 및 방법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009997A (zh) * | 2017-11-08 | 2018-05-08 | 青岛海信电器股份有限公司 | 一种调整图像对比度的方法及装置 |
Family Cites Families (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7907762B2 (en) * | 2004-05-26 | 2011-03-15 | Guardian Technologies International, Inc. | Method of creating a divergence transform for identifying a feature of interest in hyperspectral data |
CN1906480B (zh) * | 2004-06-24 | 2012-08-08 | 株式会社石田 | X射线检查装置和x射线检查装置的图像处理顺序的生成方法 |
CN2901301Y (zh) * | 2005-07-15 | 2007-05-16 | 北京中盾安民分析技术有限公司 | 便携式双能量x射线检查装置 |
JP2010190830A (ja) * | 2009-02-20 | 2010-09-02 | Hamamatsu Photonics Kk | 放射線検出装置 |
JP5890344B2 (ja) * | 2012-04-20 | 2016-03-22 | 富士フイルム株式会社 | 放射線画像検出装置及び放射線撮影システム |
CN103903303B (zh) * | 2012-12-27 | 2018-01-30 | 清华大学 | 三维模型创建方法和设备 |
US9778391B2 (en) * | 2013-03-15 | 2017-10-03 | Varex Imaging Corporation | Systems and methods for multi-view imaging and tomography |
JP6356430B2 (ja) * | 2014-02-20 | 2018-07-11 | 株式会社イシダ | 脂質含有率測定装置 |
JP5876116B1 (ja) * | 2014-08-11 | 2016-03-02 | 株式会社イシダ | X線検査装置 |
JP6487703B2 (ja) * | 2015-02-09 | 2019-03-20 | 株式会社ジョブ | X線検査装置及びx線検査方法 |
WO2016168194A1 (en) * | 2015-04-13 | 2016-10-20 | Case Western Reserve University | Dual energy x-ray coronary calcium grading |
EP3287774B8 (en) * | 2015-04-20 | 2020-12-02 | Job Corporation | Data processing device for x-ray examination, and computer implemented data processing method |
JP6654397B2 (ja) * | 2015-10-09 | 2020-02-26 | 株式会社イシダ | X線検査装置 |
DE102016203257B4 (de) * | 2016-02-29 | 2023-12-07 | Siemens Healthcare Gmbh | Erzeugen von kontrastverstärkten Bilddaten auf Basis einer Multi-Energie-Röntgenbildgebung |
JP6747948B2 (ja) * | 2016-11-25 | 2020-08-26 | 浜松ホトニクス株式会社 | 放射線検出装置、放射線画像取得装置、及び放射線画像の取得方法。 |
CN108169255B (zh) * | 2016-12-07 | 2020-06-30 | 同方威视技术股份有限公司 | 多能谱x射线成像***和用于利用多能谱x射线成像***对待测物品进行物质识别的方法 |
CN108572183B (zh) * | 2017-03-08 | 2021-11-30 | 清华大学 | 检查设备和分割车辆图像的方法 |
DE102017217543B4 (de) * | 2017-10-02 | 2020-01-09 | Siemens Healthcare Gmbh | Verfahren und System zur Klassifikation von Materialien mittels maschinellen Lernens |
CN109978809B (zh) * | 2017-12-26 | 2022-02-22 | 同方威视技术股份有限公司 | 图像处理方法、装置及计算机可读存储介质 |
DE102018200895A1 (de) * | 2018-01-19 | 2019-07-25 | Fraunhofer-Gesellschaft zur Förderung der angewandten Forschung e.V. | Verfahren und Vorrichtung zur Bestimmung zumindest einer mechanischen Eigenschaft zumindest eines Objektes |
KR20200108895A (ko) * | 2018-01-22 | 2020-09-21 | 젠셀랩, 엘엘씨 | 다중 에너지 분해를 이용한 피사체의 엑스레이 이미징 방법 |
US10977842B2 (en) * | 2018-06-04 | 2021-04-13 | Korea Advanced Institute Of Science And Technology | Method for processing multi-directional X-ray computed tomography image using artificial neural network and apparatus therefor |
-
2019
- 2019-07-05 JP JP2019126528A patent/JP7250331B2/ja active Active
-
2020
- 2020-06-29 EP EP20182887.8A patent/EP3764087B1/en active Active
- 2020-06-30 US US16/916,993 patent/US11189058B2/en active Active
- 2020-07-01 CN CN202010618226.3A patent/CN112255250B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108009997A (zh) * | 2017-11-08 | 2018-05-08 | 青岛海信电器股份有限公司 | 一种调整图像对比度的方法及装置 |
Non-Patent Citations (1)
Title |
---|
A deep learning framework for the automated inspection of complex dual-energy x-ray cargo imagery;Thomas W. Rogers et al;《Proc. of SPIE》;第7-8页 * |
Also Published As
Publication number | Publication date |
---|---|
JP2021012108A (ja) | 2021-02-04 |
EP3764087A3 (en) | 2021-03-10 |
CN112255250A (zh) | 2021-01-22 |
EP3764087B1 (en) | 2024-04-17 |
JP7250331B2 (ja) | 2023-04-03 |
US20210004994A1 (en) | 2021-01-07 |
EP3764087A2 (en) | 2021-01-13 |
US11189058B2 (en) | 2021-11-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112255250B (zh) | 图像生成装置、检查装置及学习装置 | |
JP4317566B2 (ja) | X線検査装置およびx線検査装置の画像処理手順の生成方法 | |
KR20210126163A (ko) | 검사 장치 | |
US10197512B2 (en) | Dual-energy microfocus radiographic imaging method for meat inspection | |
KR102387529B1 (ko) | 검사 장치 | |
CN115908257A (zh) | 缺陷识别模型训练方法及果蔬缺陷识别方法 | |
US10006873B1 (en) | Dual-energy microfocus radiographic imaging method for meat inspection | |
JP2023082280A (ja) | X線検査装置、x線検査システム、及びx線検査方法 | |
KR102498829B1 (ko) | 검사 장치 | |
JP7250330B2 (ja) | 検査装置及び学習装置 | |
JP6763569B2 (ja) | 光検査装置及び光検査システム | |
JP6757970B2 (ja) | 光検査装置及び光検査方法 | |
US20230243764A1 (en) | X-ray inspection device | |
US20230284991A1 (en) | X-ray inspection apparatus and adjustment method thereof | |
JP7406220B2 (ja) | X線検査装置 | |
Andriiashen et al. | X-Ray Image Generation as a Method of Performance Prediction for Real-Time Inspection: a Case Study | |
JP2021148645A (ja) | X線検査装置 | |
CN116559205A (zh) | 检查装置、学习模型生成方法及检查方法 | |
JP2023114827A (ja) | 検査装置、学習モデル生成方法および検査方法 |
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 | ||
GR01 | Patent grant |