FR3126253A1 - Procédé pour normaliser la variabilité d’une image, application de ce procédé à la détection d’anomalie et système d’inspection visuelle implémentant cette détection - Google Patents
Procédé pour normaliser la variabilité d’une image, application de ce procédé à la détection d’anomalie et système d’inspection visuelle implémentant cette détection Download PDFInfo
- Publication number
- FR3126253A1 FR3126253A1 FR2108810A FR2108810A FR3126253A1 FR 3126253 A1 FR3126253 A1 FR 3126253A1 FR 2108810 A FR2108810 A FR 2108810A FR 2108810 A FR2108810 A FR 2108810A FR 3126253 A1 FR3126253 A1 FR 3126253A1
- Authority
- FR
- France
- Prior art keywords
- reference images
- target image
- normalization
- images
- image
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000011179 visual inspection Methods 0.000 title claims abstract description 7
- 238000010606 normalization Methods 0.000 claims abstract description 39
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 12
- 230000011218 segmentation Effects 0.000 claims abstract description 10
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000009826 distribution Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000001747 exhibiting effect Effects 0.000 claims description 4
- 238000010200 validation analysis Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims 1
- 238000005192 partition Methods 0.000 claims 1
- 238000012549 training Methods 0.000 description 8
- 230000005856 abnormality Effects 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 4
- 238000003908 quality control method Methods 0.000 description 4
- 238000003909 pattern recognition Methods 0.000 description 3
- 239000002131 composite material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012552 review Methods 0.000 description 2
- 238000011425 standardization method Methods 0.000 description 2
- 241001091433 Itea Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003703 image analysis method Methods 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20016—Hierarchical, coarse-to-fine, multiscale or multiresolution image processing; Pyramid transform
-
- 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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
-
- 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
- G06T2207/20172—Image enhancement details
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
Procédé pour normaliser la variabilité d’une image, application de ce procédé à la détection d’anomalie et système d’inspection visuelle implémentant cette détection Procédé pour normaliser la variabilité d’une image cible par rapport à un ensemble d’images de référence d’au moins un objet d’intérêt, cette image cible et ces images de référence étant acquises par une caméra prévue pour observer une surface ou un volume d’analyse de l’objet, l’ensemble d’images de référence présentant une variabilité de position et/ou d’éclairage par rapport à une référence de position préalablement choisie et une variabilité de texture. Le procédé comporte (i) un traitement des images de référence comprenant les étapes de segmentation des images de référence pour y sélectionner un objet d’intérêt et générer un masque de l’objet, normalisation en position des images segmentées par rapport à la référence de position, normalisation en texture de l’ensemble d’images de référence, par apprentissage auto-supervisé d’un réseau de neurones sur l’ensemble d’images de référence, (ii) un pré-traitement de l’image cible comprenant les étapes de segmentation de l’image cible avec le masque de l’objet, normalisation en position de l’image cible segmentée puis normalisation de l’image cible segmentée, et normalisation en texture de l’image cible ainsi segmentée et normalisée en position. Figure pour l’abrégé : Figure 1
Description
Domaine de l’invention
La présente invention vise un procédé pour normaliser la variabilité d’une image. Elle vise également une application de ce procédé de normalisation à la détection d’anomalie, ainsi qu’un système d’inspection visuelle implémentant cette application de détection.
Le domaine de l’invention est plus particulièrement celui du contrôle qualité en production industrielle automatisée.
Etat de la technique
Le contrôle de la qualité dans les lignes de production a longtemps été effectué par des opérateurs humains. Or, l'automatisation du processus permet d'accélérer, de réduire le coût de production et de lisser les variations de performances dues à la fatigue des opérateurs [1, 2].
Comme souligné dans plusieurs revues [3], [4], la détection d'anomalies n'est pas un problème de classification classique [5], qui nécessite des classes bien équilibrées et bien définies. Les anomalies ne forment pas une classe ni même plusieurs classes. Elles sont rares et n'ont pas de modèle défini. Les objets sur lesquels détecter les anomalies peuvent également être extrêmement divers. Il est vrai que des algorithmes spécifiques fonctionnent bien pour des cas plus simples comme des motifs répétitifs dans le textile en utilisant la représentation de Fourier [6] ou lorsqu'une référence parfaite est disponible [7]. Pourtant, il n'y a pas de principe général caractérisant la normalité en raison de la nature complexe des objets « normaux ». Une méthode automatique auto-supervisée travaillant avec une large gamme d'objets est confrontée à la variabilité de l'apparence des objets normaux, causée par exemple par des réflexions lumineuses changeantes ou une texture variable.
Les détecteurs d'anomalies sont nécessaires pour automatiser le contrôle qualité industriel. Cependant, la fabrication de tels détecteurs est difficile en raison de la complexité et de la variabilité de l'objet, même en travaillant uniquement avec des objets rigides.
La détection d'anomalies est un problème industriel de base qui reçoit beaucoup d'attention ces derniers temps, surtout après la publication d'un nouveau jeu de données de référence par MvTec [8]. Une revue récente [4] classe les détecteurs d'anomalies en cinq catégories principales :
Modèles de fond stochastiques: Le principe de ces méthodes de détection d'anomalies est que les anomalies se produisent dans les régions à faible probabilité du modèle de fond [9, 10, 11].
Modèle de fond homogène: Ces méthodes estiment et généralement soustrait le fond de l'image pour obtenir une représentation d'image résiduelle sur laquelle la détection est finalement effectuée [12, 13].
Modèles d'homogénéité locale: détection centre-entourage. Ces méthodes sont souvent utilisées pour créer des cartes de saillance. Leur justification est que les anomalies (ou saillance) se produisent comme des événements locaux contrastant avec leur environnement [14, 15, 16]. La principale limitation de ce modèle est qu'une anomalie locale n'est pas nécessairement une anomalie globale.
Modèles d'arrière-plan variationnels basés sur la parcimonie: Une tendance non paramétrique récente consiste à apprendre un dictionnaire clairsemé représentant le contexte (c'est-à-dire la normalité) et à caractériser les valeurs aberrantes par leur non-parité. Pour cela chaque patch de l'image est projeté sur le dictionnaire et détecté comme anormal en fonction de la qualité de la reconstruction ainsi que du nombre d'éléments du dictionnaire utilisés pour la reconstruction [17, 18, 19, 20].
Modèles d'arrière-plan auto-similaires non locaux: L'hypothèse de base de ce modèle d'arrière-plan générique, applicable à la plupart des images, est que dans les données normales, chaque patch d'image appartient à un cluster dense dans l'espace de patch de l'image. Les anomalies se produisent plutôt loin de leurs plus proches voisins. Cette définition d'une anomalie peut être implémentée en regroupant les patchs images ou par une recherche de voisin le plus proche menant à une mesure directe de de rareté [21, 22].
Plus récemment, des méthodes sophistiquées basées sur l'apprentissage en profondeur ont également été utilisées pour tenter de résoudre ce problème. ITEA [23] procède sur des images en niveaux de gris, normalise leur orientation et forme un auto-encodeur sur des images sans anomalie. AESC [24] est similaire sauf qu'ici le réseau est entraîné à débruiter l'image d'un bruit de tache. SPADE [25] crée une base de caractéristiques à partir d'un réseau de neurones pré-entraîné avec les images de référence et utilise la norme L2 entre les caractéristiques d'une image et son k-NN (algorithme des plus proches voisins) de la base de référence comme score. Il implique des fonctionnalités à différentes couches pour effectuer une analyse à plusieurs échelles. Des GAN (pour « Generative Adversarial Networks ») ont également été utilisés pour détecter des anomalies dans des images médicales [26, 27].
Le documentWO2015/085189divulgue un procédé de réduction de la variabilité d’un analyseur au moyen d’une cible de normalisation, comprenant l’inclusion dans l’instrument d’une cible de normalisation disposée directement ou indirectement dans le trajet optique du système optique.
Le documentUS8640015B2divulgue un procédé de détection d’anomalie dans une base de données directionnelles obtenues en séquence à partir d'un objet surveillé. Ce procédé de détection d'anomalie comprend une génération séquentielle de données directionnelles indiquant une caractéristique de chaque élément de données surveillées en correspondance avec les données surveillées qui sont entrées en séquence, un calcul de la dissemblance des données directionnelles par rapport à un vecteur de référence, une mise à jour de la distribution de la dissemblance apparaissant lorsque les données directionnelles sont modélisées avec une distribution de probabilité multidimensionnelle, basée sur l'instant correspondant déjà aux données surveillées, un calcul d’un paramètre déterminant la variance de la distribution de probabilité multidimensionnelle, sur la base du moment, un calcul d’un seuil de dissimilarité à partir de la distribution de probabilité multidimensionnelle dont la variance est déterminée par le paramètre; et une détection d’une anomalie dans les données surveillées qui correspond à la dissemblance si cette dissemblance dépasse le seuil.
Le documentKR101916347B1divulgue un procédé de comparaison d'images comprenant une réception, par une fonction de réseau pré-appris, de premières données d'image et de deuxièmes données d'image ayant une corrélation, une détermination d’informations relatives à une anomalie des secondes données d'image sur la base des premières données d'image et des secondes données d'image reçues; et une génération d’informations d’anomalie déterminées par la fonction de réseau.
Le documentWO2020004815divulgue un procédé pour déterminer une anomalie de données d'image, comprenant les étapes suivantes : une fonction réseau pré-apprise reçoit des données d'image. Les données d'image sont classées à l'aide de la fonction de réseau pré-appris. Des valeurs de notation pour chaque classe pour classer les données d'image sorties de la fonction de réseau pré-appris sont obtenues. Et, sur la base des valeurs de notation pour chaque classe, il est déterminé si une anomalie existe dans les données d'image.
Le documentUS9679224B2divulgue un système et procédé d'apprentissage de plusieurs modèles de reconnaissance et d'enregistrement de formes commençant par un premier modèle de forme. Le modèle est entraîné à partir de plusieurs images. Les modèles composites peuvent être utilisés pour améliorer la robustesse ou modéliser de petites différences d'apparence d'une région cible. Les modèles composites combinent les données d'images d'entraînement bruitées montrant des instances de modèles sous-jacents pour créer un modèle unique. Un modèle de reconnaissance et de recalage de formes est généré et couvre toute la gamme d'apparences du motif cible dans l'ensemble d'images d'apprentissage. L'ensemble de modèles de motifs peut être implémenté en tant qu'instances distinctes de modèles de recherche de motifs ou en tant que multi-modèles de motifs.
Le documentUS10846531B2divulgue un procédé de détection automatique d'anomalie à partir d'images aériennes d'un objet d'intérêt. Le procédé peut comprendre la génération d'un modèle de codage de données correspondant à une catégorie d'actifs en entraînant un réseau neuronal avec un ensemble d'images numériques d'apprentissage représentant un actif dans un état exempt d'anomalies. Le procédé peut comprendre en outre la réception d'une image numérique cible représentant un actif cible, et la reconstruction de l'image numérique cible à l'aide du modèle de codage de données pour générer une image numérique cible décodée associée à l'état exempt d'anomalies. Le modèle de codage de données peut être auto-supervisé pour apprendre à se reconstruire dans un état sans anomalie. Le procédé peut également comprendre la comparaison de l'image numérique cible à l'image numérique cible décodée pour générer une carte de différence et, en réponse à une détermination selon laquelle la carte de différence représente une anomalie, générer des données d'alerte d'anomalie.
Le documentEP3588368A2divulgue un procédé d'analyse d'image comprenant une saisie de données d'analyse incluant des informations concernant une cellule cible d'analyse dans un algorithme d'apprentissage en profondeur, une implémentation d’une structure de réseau neuronal, une analyse d’une image en calculant, à l'aide de l'algorithme d'apprentissage en profondeur, une probabilité que la cellule cible d'analyse appartient à chacune des classifications morphologiques d'une pluralité de cellules appartenant à un groupe cellulaire prédéterminé.
Ces procédés d’analyse, de détection ou de normalisation de l’art antérieur présentent l’inconvénient de ne pas être explicables, et donc moins prédictibles sur leurs performances en plus d’être moins performants tout court dans la détection d’anomalies. Un objectif de l’invention est ainsi de proposer un nouveau procédé de normalisation qui présente de meilleures performances que les procédés actuels tout en étant aisément implémentable dans un système d’inspection visuelle pour le contrôle qualité sur une ligne de production.
Cet objectif est atteint avec un procédé pour normaliser la variabilité d’une image cible par rapport à un ensemble d’images de référence d’au moins un objet d’intérêt, ladite image cible et lesdites images de référence étant acquises par une caméra prévue pour observer une surface ou un volume d’analyse dudit au moins un objet, ledit ensemble d’images de référence présentant une variabilité de position par rapport à une référence de position préalablement choisie et une variabilité de texture et/ou d’éclairage,
ce procédé comportant un traitement des images de référence comprenant les étapes de :
- segmentation de la référence de position, par une méthode de segmentation ou en sélectionnant un objet d’intérêt et en générant un masque dudit objet,
- normalisation en position et/ou couleur desdites images de référence par rapport à ladite référence de position,
- segmentation desdites images de référence normalisées en position avec ledit masque de l’objet,
- normalisation en texture de l’ensemble d’images de référence, par apprentissage auto-supervisé d’un réseau de neurones sur ledit ensemble d’images de référence,
ce procédé comportant en outre un pré-traitement de l’image cible comprenant les étapes de :
- normalisation en position de ladite image cible
- segmentation de l’image cible avec ledit masque de l’objet,
- normalisation en texture et/ou couleur de l’image cible ainsi segmentée et normalisée en position, par inférence dudit réseau de neurones auto-supervisé sur ladite image cible.
Les images de référence peuvent en outre présenter une variabilité de leurs arrière-plans respectifs et/ou une variabilité de couleur qui est compensée par une normalisation d’histogramme de couleur.
Le réseau de neurones auto-supervisé utilisé pour la normalisation texturale des images peut être de type U-Net.
Le prétraitement des images de référence peut en outre comprendre une création d’un modèle de pré-traitement comprenant la référence de position, le masque de l’objet, les images de référence segmentées et normalisées en position et en texture.
Ce modèle de pré-traitement peut en outre comprendre des poids du réseau de neurones auto-supervisé.
L’étape de normalisation texturale peut comprendre une suite de comparaisons d’une image de référence au sein de l’ensemble d’images de référence avec une autre image de référence au sein dudit ensemble d’images de référence, deux à deux sur une partie ou sur l’intégralité dudit ensemble d’images de référence.
Le procédé de normalisation selon l’invention peut en outre avantageusement comprendre une sélection préalable de patchs ou portions des images de référence et ce que les étapes de pré-traitement sont appliquées sur lesdits patchs ou portions d’images de référence ainsi sélectionnés.
La sélection préalable de patchs peut comprendre une sélection des N plus proches voisins au sens d’une distance entre les images ou patchs de manière à éviter de sélectionner des objets qui seraient trop différents et ainsi ajuster le niveau de variabilité résiduelle de l’ensemble de référence.
L’étape de normalisation en position peut mettre en œuvre un algorithme de type Inverse Compositional.
Suivant un autre aspect de l’invention, il est proposé une application du procédé de normalisation selon l’invention, pour détecter une anomalie à partir d’une image cible d’au moins un objet d’intérêt en comparaison avec un ensemble d’images de référence dudit au moins un objet d’intérêt, mettant en œuvre le procédé de normalisation selon l’invention, ladite image cible et lesdites images de référence étant acquises par une caméra prévue pour observer une surface ou un volume d’analyse dudit au moins un objet, ledit ensemble d’images de référence présentant une variabilité de position par rapport à une référence de position préalablement choisie et une variabilité de texture, ce procédé de détection comportant :
- une séquence de normalisation dudit au moins un objet, comprenant un apprentissage auto-supervisé d’un réseau de neurones sur ledit ensemble d’images de référence et sur ladite image cible pour produire des images de référence et une image cible normalisées en position et en texture,
- une séquence multi-échelle comprenant une étape pour estimer une image auto-similaire à partir de l’image cible prétraitée, une étape pour soustraire l’image auto-similaire de l’image cible pré traitée de manière à obtenir des cartes binaires et des résidus pour une série d’échelles, une étape pour fusionner les cartes binaires obtenues à différentes échelles et
- une étape pour délivrer un score de normalité dudit au moins un objet d’intérêt à partir de la carte binaire issue de ladite étape de fusion et d’un résidu calculé à partir de l’ensemble des résidus correspondant aux différentes échelles.
L’étape pour estimer une image auto-similaire û à partir de l’image cible prétraitée u peut utiliser une méthode de débruitage.
Cette méthode de débruitage peut comprendre une comparaison de chaque image cible prétraitée avec les images de référence, ou en comparant chaque patch de l’image cible prétraitée avec des patchs de référence.
Les patchs de référence utilisés pour la comparaison avec le patch de l’image cible prétraitée sont sélectionnés selon l’algorithme des plus proches voisins, en faisant varier le nombre K de voisins selon la variabilité résiduelle de l’ensemble de référence.
L’application de détection selon l’invention peut en outre comprendre une étape pour restreindre la recherche des patchs de référence à une fenêtre de taille M x N autour du patch cible prétraité, ainsi qu’une extension de la recherche sur la globalité de l’image dans un espace modifié de type arbre k-d pour accélérer la recherche, lorsqu’un nombre insuffisant de patchs de référence est trouvé dans une fenêtre locale au sens des plus proches voisins.
L’étape de comparaison peut être répétée en choisissant une échelle différente de l’image, parmi une série d’échelles.
L’application de détection selon l’invention peut aussi comprendre un calcul d’un seuil à partir d’une hypothèse statistique sur la nature du résidu et un nombre de fausses alarmes acceptables.
La méthode de débruitage de patchs peut mettre en œuvre un algorithme de type Non Local Means.
L’application de détection selon l’invention peut en outre comprendre un calcul d’un score d’activation comportant les étapes de :
- normaliser les résidus obtenus à différentes échelles selon la moyenne et l’écart type des résidus des images de l’ensemble de référence,
- obtenir les cartes binaires correspondantes à différentes échelles en utilisant un seuil sur les résidus,
- fusionner les cartes binaires obtenues à différentes échelles,
- calculer un score de normalité pour chaque objet défini comme la somme de la valeur absolue des résidus à différentes échelles dans la carte binaire fusionnée pour chaque pixel.
L’application de détection selon l’invention peut également comprendre une génération d’une alerte basée sur la valeur d’un score de normalité d’un objet par rapport à un seuil déterminé, ainsi qu’une prédétermination d’un seuil de détection à partir d’une image contenant le motif à détecter.
Le seuil de détection peut être prédéterminé :
- à partir d’une portion de l’ensemble de référence appelé ensemble de validation, en plaçant le seuil au-delà d’un certain pourcentage de tolérance de faux positifs,
- en modélisant la distribution des scores d’activation de l’ensemble de validation et en plaçant le seuil selon une hypothèse statistique sur cette distribution.
Suivant encore un autre aspect de l’invention, il est proposé un système d’inspection visuelle pour contrôler la qualité d’un ensemble de pièces, mettant en œuvre l’application de détection d’anomalie selon l’invention, ce système comprenant :
- au moins une caméra pour couvrir un champ d’une surface d’analyse recevant lesdites pièces,
- un éclairage permettant de maintenir une lumière plus homogène sur la zone d’observation,
- des moyens logiciels pour traiter un flux vidéo produit par la caméra et appliquer sur des images cibles extraites dudit flux vidéo le procédé de détection d’anomalies selon l’invention.
Ainsi, l'ajout d'une étape de normalisation par apprentissage profond en tant qu'étape de prétraitement aux détecteurs basés sur un modèle permet des détections meilleures et plus robustes. Ce réseau de neurones de normalisation auto-supervisé est entraîné uniquement sur des données non anormales. Le procédé de prétraitement proposé, suivi d'un détecteur automatique, permet d'obtenir des résultats performants sur des objets rigides à partir de l'ensemble de données MvTec.
La présente invention propose ainsi de décomposer la tâche en deux étapes (voir ), traitant séparément les deux difficultés évoquées : la variabilité des objets normaux d'une part et l'indétermination des anomalies d'autre part. Pour réduire la variabilité de la normalité, l’on applique d'abord un processus d'apprentissage en profondeur auto-supervisé qui apprend à créer une version normalisée d'images d'objets normaux, où les variations dues à l'éclairage, à la peinture ou à la texture sont atténuées ou éliminées. Une fois les données normalisées par le réseau de neurones, l’on utilise une méthode de détection basée sur l'auto-similarité. Le procédé de normalisation selon l’invention améliore la détection d'anomalies sur des objets rigides.
L’algorithme NLM(« Non Local Means ») est utilisé pour le débruitage d'images. Contrairement aux filtres « moyenne locale », qui prennent la valeur moyenne d'un groupe de pixels entourant un pixel cible pour lisser l'image, le filtrage des moyennes non locales prend une moyenne de tous les pixels de l'image, pondérée par la similarité d’un voisinage de ces pixels avec le voisinage correspondant du pixel cible.
L’apprentissage non supervisédésigne la situation d'apprentissage automatique dans laquelle les données ne sont pas étiquetées. Il s'agit donc de découvrir les structures sous-jacentes à ces données non étiquetées. Puisque les données ne sont pas étiquetées, il est impossible à l'algorithme de calculer de façon certaine un score de réussite.
L’apprentissage auto-superviséest un moyen d'entraîner les ordinateurs à effectuer des tâches sans que les humains ne fournissent de données étiquetées. Il s'agit d'un sous-ensemble de l’apprentissage non supervisé, dans lequel les résultats ou les objectifs sont dérivés par des machines qui étiquettent, catégorisent et analysent les informations par elles-mêmes, puis tirent des conclusions sur la base de connexions et de corrélations.
L’AUROCpour « Area Under the Receiver Operating Characteristic » est une mesure de performance qui est utilisée pour évaluer les modèles de classification
L'algorithme k-NNdes k plus proches voisinsest une méthode non paramétrique utilisée en reconnaissance de forme pour la classification et la régression. Dans les deux cas, il s'agit de classer l'entrée dans la catégorie à laquelle appartiennent les k plus proches voisins dans l'espace des caractéristiques identifiées par apprentissage.
LesGAN(pour «Generative Adversarial Network) sont en intelligence artificielle des réseaux adverses génératifs. Ils constituent une classe d'algorithmes d'apprentissage non supervisé.
MVTEC ADest un ensemble de données de détection d’anomalie mis à disposition publiquement par la société MVTec Software GmbH. Cet ensemble de données permet de comparer les méthodes de détection d'anomalies en mettant l'accent sur l'inspection industrielle. Il contient plus de 5000 images haute résolution réparties en quinze catégories d'objets et de textures différentes. Chaque catégorie comprend un ensemble d'images d'apprentissage sans défaut et un ensemble d'images de test avec divers types de défauts ainsi que des images sans défauts.
U-Netest un réseau de neurones à convolution créé par Olaf Ronneberger, Philipp Fischer et Thomas Brox en 2015 et développé pour la segmentation d'images biomédicales au département d'informatique de l'université de Fribourg en Allemagne. Ce réseau est basé sur le réseau entièrement convolutionnel créé par Evan Shelhamer, Jonathan Long et Trevor Darrell en 2014 et son architecture a été modifiée et étendue pour fonctionner avec moins d’images d'apprentissage et pour permettre une segmentation plus précise.
Description des figures
Claims (25)
- Procédé pour normaliser la variabilité d’une image cible (3) par rapport à un ensemble d’images de référence (2) d’au moins un objet d’intérêt (22-24), ladite image cible (3) et lesdites images de référence (2) étant acquises par une caméra (25) prévue pour observer une surface ou un volume d’analyse dudit au moins un objet (22-24), ledit ensemble d’images de référence (2) présentant une variabilité de position par rapport à une référence de position préalablement choisie et une variabilité de texture et/ou d’éclairage,
ce procédé comportant un traitement des images de référence (2) comprenant les étapes de :
- segmentation de la référence de position, par une méthode de segmentation ou en sélectionnant un objet d’intérêt et en générant un masque dudit objet,
- normalisation en position et/ou couleur (31) desdites images de référence par rapport à ladite référence de position,
- segmentation desdites images de référence normalisées en position avec ledit masque de l’objet,
- normalisation en texture (33) de l’ensemble d’images de référence (2), par apprentissage auto-supervisé d’un réseau de neurones (38) sur ledit ensemble d’images de référence (2),
ce procédé comportant en outre un pré-traitement de l’image cible comprenant les étapes de :
- normalisation en position de ladite image cible,
- segmentation de l’image cible avec ledit masque de l’objet,
- normalisation en texture et/ou couleur de l’image cible ainsi segmentée et normalisée en position, par inférence dudit réseau de neurones auto-supervisé (38) sur ladite image cible (3). - Procédé de normalisation selon la revendication précédente, caractérisé en ce que les images de référence (2) présentent en outre une variabilité de leurs arrière-plans respectifs.
- Procédé de normalisation selon l’une des revendications précédentes, caractérisé en ce que les images de référence (2) présentent en outre une variabilité de couleur qui est compensée par une normalisation d’histogramme de couleur.
- Procédé de normalisation selon l’une quelconque des revendications précédentes, caractérisé en ce que le réseau de neurones auto-supervisé (38) utilisé pour la normalisation texturale des images est de type U-Net.
- Procédé de normalisation selon l’une quelconque des revendications précédentes, caractérisé en ce que le prétraitement des images de référence (2) comprend en outre une création d’un modèle de pré-traitement comprenant la référence de position, le masque de l’objet, les images de référence segmentées et normalisées en position et en texture.
- Procédé de normalisation selon la revendication précédente, caractérisé en ce que le modèle de pré-traitement comprend en outre des poids du réseau de neurones auto-supervisé (38).
- Procédé de normalisation selon l’une quelconque des revendications précédentes, caractérisé en ce que l’étape de normalisation texturale comprend une suite de comparaisons d’une image de référence au sein de l’ensemble d’images de référence (2) avec une autre image de référence au sein dudit ensemble d’images de référence (2), formant des paires sur une partie ou sur l’intégralité dudit ensemble d’images de référence (2).
- Procédé de normalisation selon l’une quelconque des revendications précédentes, caractérisé en ce qu’il comprend en outre une sélection préalable de patchs (35) ou portions des images de référence (2) et ce que les étapes de pré-traitement sont appliquées sur lesdits patchs ou portions d’images de référence ainsi sélectionnés.
- Procédé de normalisation selon la revendication précédente, dans lequel la sélection préalable de patchs (35) comprend une sélection des N plus proches voisins au sens d’une distance entre les images ou patchs de manière à éviter de sélectionner des objets qui seraient trop différents et ainsi ajuster le niveau de variabilité résiduelle de l’ensemble de référence.
- Procédé de normalisation selon l’une quelconque des revendications précédentes, dans lequel l’étape (31) de normalisation en position met en œuvre un algorithme (36) de type Inverse Compositional.
- Procédé de détection d’une anomalie à partir d’une image cible (3) d’au moins un objet d’intérêt (23) en comparaison avec un ensemble d’images de référence (2) dudit au moins un objet d’intérêt (23), ladite image cible (3) et lesdites images de référence (2) étant acquises par une caméra (25) prévue pour observer une surface ou un volume d’analyse dudit au moins un objet (23), ledit ensemble d’images de référence (2) présentant une variabilité de position par rapport à une référence de position préalablement choisie et une variabilité de texture, ce procédé de détection comportant :
- une séquence (4) de normalisation dudit au moins un objet, comprenant un apprentissage auto-supervisé d’un réseau de neurones (38) sur ledit ensemble d’images de référence (2) et sur ladite image cible (3) pour produire des images de référence et une image cible normalisées en position et en texture selon l’une quelconque des revendications précédentes,
- une séquence multi-échelle (7) comprenant une étape (40) pour estimer une image auto-similaire à partir de l’image cible prétraitée, une étape pour soustraire l’image auto-similaire de l’image cible pré traitée de manière à obtenir des cartes binaires et des résidus pour une série d’échelles, une étape (45) pour fusionner les cartes binaires obtenues à différentes échelles et
- une étape(10) pour délivrer un score de normalité dudit au moins un objet d’intérêt à partir de la carte binaire issue de ladite étape de fusion (45) et d’un résidu calculé à partir de l'ensemble des résidus correspondant aux différentes échelles. - Procédé de détection selon la revendication précédente, caractérisé en ce que l’étape pour estimer une image auto-similaire û à partir de l’image cible prétraitée u utilise une méthode de débruitage.
- Procédé de détection selon la revendication précédente, caractérisé en ce que la méthode de débruitage comprend une comparaison de chaque image cible prétraitée avec les images de référence, ou en comparant chaque patch de l’image cible prétraitée avec des patchs de référence.
- Procédé de détection selon la revendication précédente, caractérisé en ce que les patchs de référence utilisés pour la comparaison avec le patch de l’image cible prétraitée sont sélectionnés selon l’algorithme des plus proches voisins, en faisant varier le nombre K de voisins selon la variabilité résiduelle de l’ensemble de référence.
- Procédé de détection selon la revendication précédente, caractérisé en ce qu’il comprend en outre une étape pour restreindre la recherche des patchs de référence à une fenêtre de taille M x N autour du patch cible prétraité.
- Procédé de détection selon la revendication précédente, comprenant en outre une extension de la recherche sur la globalité de l’image dans un espace modifié de type arbre de partition, par exemple arbre k-d, pour accélérer la recherche, lorsqu’un nombre insuffisant de patchs de référence est trouvé dans une fenêtre locale au sens des plus proches voisins.
- Procédé de détection selon l’une quelconque des revendications 13 à 16, dans lequel l’étape de comparaison est répétée en choisissant une échelle différente de l’image, parmi une série d’échelles.
- Procédé de détection selon la revendication précédente, caractérisé en ce qu’il comprend en outre un calcul d’un seuil à partir d’une hypothèse statistique sur la nature du résidu et un nombre de fausses alarmes acceptables.
- Procédé de détection selon l’une quelconque des revendications 13 à 18, dans lequel la méthode de débruitage de patchs met en œuvre un algorithme (41) de type Non Local Means.
- Procédé de détection selon l’une quelconque des revendications 11 à 19, caractérisé en ce qu’il comprend en outre un calcul (10) d’un score de normalité comportant les étapes de :
- normalisation de résidus obtenus à différentes échelles selon la moyenne et l’écart type des images de l’ensemble de référence,
- obtention des cartes binaires correspondantes à différentes échelles en utilisant un seuil sur les résidus,
- fusion des cartes binaires obtenues à différentes échelles,
- calcul dudit score de normalité pour chaque objet défini comme la somme de la valeur absolue des résidus à différentes échelles dans la carte binaire fusionnée pour chaque pixel. - Procédé de détection selon la revendication précédente, comprenant en outre une génération (46) d’une alerte basée sur la valeur d’un score de normalité d’un objet par rapport à un seuil déterminé.
- Procédé de détection selon la revendication précédente, comprenant en outre une prédétermination d’un seuil de détection à partir d’une image contenant le motif à détecter.
- Procédé de détection selon la revendication précédente, caractérisé en ce que le seuil de détection est prédéterminé :
- à partir d’une portion de l’ensemble de référence appelé ensemble de validation, en plaçant le seuil au-delà d’un certain pourcentage de tolérance de faux positifs,
- en modélisant la distribution des scores d’activation de l’ensemble de validation et en plaçant le seuil selon une hypothèse statistique sur cette distribution. - Système (S) d’inspection visuelle pour contrôler la qualité d’un ensemble de pièces (22-24), mettant en œuvre le procédé de détection d’anomalie selon l’une quelconque des revendications 11 à 23, ce système comprenant :
- au moins une caméra (25) pour couvrir un champ d’une surface d’analyse (21) recevant lesdites pièces,
- des moyens logiciels pour traiter un flux vidéo produit par la caméra et appliquer sur des images cibles extraites dudit flux vidéo le procédé de détection d’anomalies selon l’une quelconque des revendications 11 à 23. - Système (S) selon la revendication précédente caractérisé en ce qu’il comprend en outre un éclairage permettant de maintenir une lumière plus homogène sur le champ couvert par la caméra.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2108810A FR3126253B1 (fr) | 2021-08-20 | 2021-08-20 | Procédé pour normaliser la variabilité d’une image, application de ce procédé à la détection d’anomalie et système d’inspection visuelle implémentant cette détection |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| FR2108810 | 2021-08-20 | ||
| FR2108810A FR3126253B1 (fr) | 2021-08-20 | 2021-08-20 | Procédé pour normaliser la variabilité d’une image, application de ce procédé à la détection d’anomalie et système d’inspection visuelle implémentant cette détection |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| FR3126253A1 true FR3126253A1 (fr) | 2023-02-24 |
| FR3126253B1 FR3126253B1 (fr) | 2024-01-12 |
Family
ID=78483355
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| FR2108810A Active FR3126253B1 (fr) | 2021-08-20 | 2021-08-20 | Procédé pour normaliser la variabilité d’une image, application de ce procédé à la détection d’anomalie et système d’inspection visuelle implémentant cette détection |
Country Status (1)
| Country | Link |
|---|---|
| FR (1) | FR3126253B1 (fr) |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8640015B2 (en) | 2004-08-02 | 2014-01-28 | International Business Machines Corporation | Anomaly detection based on directional data |
| WO2015085189A1 (fr) | 2013-12-06 | 2015-06-11 | Quidel Corporation | Procédé de réduction de la variabilité d'un analyseur au moyen d'une cible de normalisation |
| US9679224B2 (en) | 2013-06-28 | 2017-06-13 | Cognex Corporation | Semi-supervised method for training multiple pattern recognition and registration tool models |
| KR101916347B1 (ko) | 2017-10-13 | 2018-11-08 | 주식회사 수아랩 | 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램 |
| EP3588368A2 (fr) | 2018-05-10 | 2020-01-01 | Juntendo Educational Foundation | Procédé d'analyse d'image, appareil et procédé de génération d'un algorithme d'apprentissage profond |
| WO2020004815A1 (fr) | 2018-06-25 | 2020-01-02 | 주식회사 수아랩 | Procédé de détection d'une anomalie dans des données |
| US10846531B2 (en) | 2018-09-20 | 2020-11-24 | The Boeing Company | Image-based anomaly detection for aerial inspection using self-supervised learning |
-
2021
- 2021-08-20 FR FR2108810A patent/FR3126253B1/fr active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8640015B2 (en) | 2004-08-02 | 2014-01-28 | International Business Machines Corporation | Anomaly detection based on directional data |
| US9679224B2 (en) | 2013-06-28 | 2017-06-13 | Cognex Corporation | Semi-supervised method for training multiple pattern recognition and registration tool models |
| WO2015085189A1 (fr) | 2013-12-06 | 2015-06-11 | Quidel Corporation | Procédé de réduction de la variabilité d'un analyseur au moyen d'une cible de normalisation |
| KR101916347B1 (ko) | 2017-10-13 | 2018-11-08 | 주식회사 수아랩 | 딥러닝 기반 이미지 비교 장치, 방법 및 컴퓨터 판독가능매체에 저장된 컴퓨터 프로그램 |
| EP3588368A2 (fr) | 2018-05-10 | 2020-01-01 | Juntendo Educational Foundation | Procédé d'analyse d'image, appareil et procédé de génération d'un algorithme d'apprentissage profond |
| WO2020004815A1 (fr) | 2018-06-25 | 2020-01-02 | 주식회사 수아랩 | Procédé de détection d'une anomalie dans des données |
| US10846531B2 (en) | 2018-09-20 | 2020-11-24 | The Boeing Company | Image-based anomaly detection for aerial inspection using self-supervised learning |
Non-Patent Citations (36)
| Title |
|---|
| ANNE-SOPHIE COLLINCHRISTOPHE DE VLEESCHOUWER, IM- PROVED ANOMALY DÉTECTION BY TRAINING AN AUTOENCODER WITH SKIP CONNECTIONS ON IMAGES CORRUPTED WITH STAIN-SHAPED NOISE, 2020 |
| ANTONI BUADESBARTOMEU COLLJ-M MOREL: "CVPR", 2005, IEEE, article "Equivalence and efficiency of image alignment algorithms" |
| BO DULIANGPEI ZHANG: "Random-selection-based anomaly detector for hy-perspectral imagery", IEEE TRANSAC- TIONS ON GEOSCIENCE AND REMOTE SENSING, vol. 49, no. 5, 2011, pages 1578 - 1589, XP011354324, DOI: 10.1109/TGRS.2010.2081677 |
| CHAOQIN HUANGFEI YEJINKUN CAOMAOSEN LIYA ZHANGCEWU LU, ATTRIBUTE RESTORATION FRAMEWORK FOR ANOMALY DETECTION, 2020 |
| DIEGO CARRERAGIACOMO BORACCHIALESSANDRO FOIBRENDT WOHLBERG: "2015 International Joint Conference on Neural Networks", 2015, IEEE, article "Detecting anomalous structures by convolutional sparse models", pages: 1 - 8 |
| DIEGO CARRERAGIACOMO BORACCHIALESSANDRO FOIBRENDT WOHLBERG: "ICIP", 2018, IEEE, article "Scale-invariant anomaly détection with multiscale group-sparse models" |
| D-M TSAIC-Y HSIEH: "Automated surface inspection for directional textures", IMAGE AND VISION COMPUTING, vol. 18, no. 1, 1999, pages 49 - 62, XP055019481, DOI: 10.1016/S0262-8856(99)00009-8 |
| DOMEN TABERNIK ET AL: "Segmentation-Based Deep-Learning Approach for Surface-Defect Detection", ARXIV.ORG, CORNELL UNIVERSITY LIBRARY, 201 OLIN LIBRARY CORNELL UNIVERSITY ITHACA, NY 14853, 20 March 2019 (2019-03-20), XP081370220, DOI: 10.1007/S10845-019-01476-X * |
| DONG XINGHUI ET AL: "Defect Detection and Classification by Training a Generic Convolutional Neural Network Encoder", IEEE TRANSACTIONS ON SIGNAL PROCESSING, IEEE, USA, vol. 68, 19 October 2020 (2020-10-19), pages 6055 - 6069, XP011818775, ISSN: 1053-587X, [retrieved on 20201030], DOI: 10.1109/TSP.2020.3031188 * |
| DONG XINGHUI ET AL: "Small Defect Detection Using Convolutional Neural Network Features and Random Forests", 23 January 2019, ADVANCES IN DATABASES AND INFORMATION SYSTEMS; [LECTURE NOTES IN COMPUTER SCIENCE; LECT.NOTES COMPUTER], SPRINGER INTERNATIONAL PUBLISHING, CHAM, PAGE(S) 398 - 412, ISBN: 978-3-319-10403-4, XP047501185 * |
| DU-MING TSAITSE-YUN HUANG: "Automated surface in- spection for sta-tistical textures", IMAGE AND VISION COMPUTING, vol. 21, no. 4, 2003, pages 307 - 323 |
| GIACOMO BORACCHIDIEGO CARRERABRENDT WOHLBERG: "2014 IEEE Symposium on Intelligent Embedded Systems", 2014, IEEE, article "Novelty détection in images by sparse representations", pages: 47 - 54 |
| HUI-CHAO SHANGYOU-PING CHENWEN-YONG YUZU-DE ZHOU: "Online auto-detection method and system of presswork quality", THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTUR- ING TECHNOLOGY, vol. 33, no. 7-8, 2007, pages 756 - 765, XP019511340, DOI: 10.4028/0-87849-421-9.1072 |
| IRVING S REEDXIAOLI YU: "Adaptive multiple-band cfar détection of an optical pattern with unknown spectral distri- bution", IEEE TRANSACTIONS ON ACOUSTICS, SPEECH, AND SIGNAL PROCESSING, vol. 38, no. 10, 1990, pages 1760 - 1770 |
| JAAKKO LEHTINENJACOB MUNKBERGJON HASSELGRENSAMULI LAINETERO KARRASMIIKA AITTALATIMO AILA: "Noise2noise: Learning image restoration without clean data", ICML, 2018 |
| JINWON AN: "Variational Autoencoder based Anomaly Detec- tion using Reconstruction Probability", ARXIV, 2016 |
| JULIE DELON: "Midway image equalization", JOURNAL OF MATHE- MATICAL IMAGING AND VISION, vol. 21, no. 2, 2004, pages 119 - 134 |
| LAURENT ITTICHRISTOF KOCHERNST NIEBUR: "A model of saliency-based visual attention for rapid scene analysis", PAMI, vol. 20, no. 11, 1998, pages 1254 - 1259 |
| LIONEL TARASSENKOPAUL HAYTONNICHOLAS CERNEAZMICHAEL BRADY, NOVELTY DÉTECTION FOR THE IDENTIFICATION OF MASSES IN MAMMOGRAMS, 1995 |
| MARCO AF PIMENTELDAVID A CLIFTONLEI CLIFTONLIONEL TARASSENKO: "A review of novelty detection", SIGNAL PROCESS- ING, vol. 99, 2014, pages 215 - 249, XP055254623, DOI: 10.1016/j.sigpro.2013.12.026 |
| MARIA ZONTAKISRAEL COHEN: "Defect détection in patterned wafers using ani-sotropic kernels", MACHINE VISION AND APPLI- CATIONS, vol. 21, no. 2, 2010, pages 129 - 141 |
| MD MAHFUZUR RAHMAN SIDDIQUEEZONGWEI ZHOUNIMA TAJBAKHSHRUIBIN FENGMICHAEL B GOTWAYYOSHUA BENGIOJIANMING LIANG: "Learning fixed points in generative ad- versarial networks: From image-to-image translation to dis- ease détection and localization", ICCV, 2019, pages 191 - 200 |
| MUJA MARIUS ET AL: "Scalable Nearest Neighbor Algorithms for High Dimensional Data", IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, IEEE COMPUTER SOCIETY, USA, vol. 36, no. 11, 1 November 2014 (2014-11-01), pages 2227 - 2240, XP011560102, ISSN: 0162-8828, [retrieved on 20141001], DOI: 10.1109/TPAMI.2014.2321376 * |
| NIV COHENYEDID HOSHEN, TRANSFORMER-BASED ANOMALY SEGMENTATION, 2020 |
| OLGA RUSSAKOVSKYJIA DENGHAO SUJONATHAN KRAUSESAN- JEEV SATHEESHSEAN MAZHIHENG HUANGANDREJ KARPATHYADITYA KHOSLAMICHAEL BERNSTEIN: "ImageNet Large Scale Visual Récognition Chai- lenge", IJCV, vol. 115, no. 3, 2015, pages 211 - 252 |
| PAUL BERGMANNMICHAEL FAUSERDAVID SATTLEGGERCARSTEN STEGER: "Mvtec ad-a comprehensive real-world dataset for un- supervised anomaly detection", CVPR, 2019 |
| PAUL BERGMANNSINDY LO''WEMICHAEL FAUSERDAVID SATTLEGCARSTEN STEGER: "Improving unsupervised defect seg- mentation by applying structural si-milarity to autoencoders", PROCEEDINGS OF THE 14TH INTERNATIONAL JOINT CONFERENCE ON COMPUTER VISION, IMAGING AND COMPUTER GRAPHICS THEORY AND APPLICATIONS, 2019 |
| PIN XIESHENG-UEI GUAN: "A golden-template self- generating method for patterned wafer inspection", MACHINE VISION AND APPLICATIONS, vol. 12, no. 3, 2000, pages 149 - 156, XP002458775, DOI: 10.1007/s001380050133 |
| RAN MARGOLINAYELLET TALLIHI ZELNIK-MANOR: "What makes a patch distinct?", CVPR, 2013 |
| THIBAUD EHRETAXEL DAVYJEAN-MICHEL MORELMAURICIO DELBRACIO: "Image anomalies: A review and synthesis of de- tection methods", JMIV, vol. 61, no. 5, 2019, pages 710 - 743 |
| THIERRY GUILLEMOTJULIE DELON: "Implementation of the Midway Image Equalization", IMAGE PROCESSING ON LINE, vol. 6, 2016, pages 114 - 129 |
| THOMAS SCHLEGLPHILIPP SEEBO'CKSEBASTIAN M. WALDSTEINURSULA SCHMIDT-ERFURTHGEORG LANGS: "Unsupervised Anomaly Détection with Generative Adversarial Networks to Guide Marker Discovery", ARXIV, 2017 |
| TOSHIFUMI HONDASHREE K NAYAR: "ICCV", 2001, IEEE, article "Finding'' anomalies'' in an arbitrary image" |
| V ZOGRAFOS: "Pose-invariant, model-based object recognition, using linear combination of views and Bayesian statistics", PHD THESIS, UNIV. COLLEGE LONDON, 1 January 2009 (2009-01-01), XP055219943, Retrieved from the Internet <URL:http://www.researchgate.net/profile/Vasileios_Zografos/publication/237077968_Pose-invariant_model-based_object_recognition_using_linear_combination_of_views_and_Bayesian_statistics/links/0c96051b5831f04dea000000.pdf> [retrieved on 20151012] * |
| XIANGHUA XIEMAJID MIRMEHDI: "Texems: Texture exem- plars for defect détection on random textured surfaces", IEEE PAMI, vol. 29, no. 8, 2007, pages 1454 - 1464 |
| XIANGQIAN PENGYOUPING CHENWENYONG YUZUDE ZHOUGUODONG SUN: "An online defects inspection method for float glass fabrication based on machine vision", THE INTERNATIONAL JOURNAL OF ADVANCED MANUFACTURING TECHNOLOGY, vol. 39, no. 11-12, 2008, pages 1180 - 1189, XP019652087 |
Also Published As
| Publication number | Publication date |
|---|---|
| FR3126253B1 (fr) | 2024-01-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Aquino et al. | Grapevine flower estimation by applying artificial vision techniques on images with uncontrolled scene and multi-model analysis | |
| Suriyal et al. | Mobile assisted diabetic retinopathy detection using deep neural network | |
| CN111368764B (zh) | 一种基于计算机视觉与深度学习算法的虚假视频检测方法 | |
| US20240160194A1 (en) | System and method for manufacturing quality control using automated visual inspection | |
| Bong et al. | Vision-based inspection system for leather surface defect detection and classification | |
| Dang et al. | Deep learning-based sewer defect classification for highly imbalanced dataset | |
| JP2022027473A (ja) | 半導体試料の検査に使用可能な訓練データの生成 | |
| EP3172548A1 (fr) | Procede pour detecter des anomalies dans un reseau de distribution, en particulier d'eau potable | |
| Prakash et al. | Interpretable unsupervised diversity denoising and artefact removal | |
| Bai et al. | Robust texture-aware computer-generated image forensic: Benchmark and algorithm | |
| CN117115147A (zh) | 一种基于机器视觉的纺织品检测方法及*** | |
| Vatsavayi et al. | Identification and classification of wild animals from video sequences using hybrid deep residual convolutional neural network | |
| Kumar et al. | LSTM based texture classification and defect detection in a fabric | |
| WO2015132531A1 (fr) | Procede d'analyse d'echantillons sedimentaires avec reconnaissance automatique de nannofossiles | |
| FR3126253A1 (fr) | Procédé pour normaliser la variabilité d’une image, application de ce procédé à la détection d’anomalie et système d’inspection visuelle implémentant cette détection | |
| Li et al. | BI-CAM: generating explanations for deep neural networks using bipolar information | |
| Tailanian et al. | A multi-scale a contrario method for unsupervised image anomaly detection | |
| Gibson et al. | A no-reference perceptual based contrast enhancement metric for ocean scenes in fog | |
| US11639906B2 (en) | Method and system for virtually executing an operation of an energy dispersive X-ray spectrometry (EDS) system in real-time production line | |
| EP4099228A1 (fr) | Apprentissage automatique sans annotation ameliore par regroupements adaptatifs en ensemble ouvert de classes | |
| FR3112008A1 (fr) | Procédé de détection d’au moins un trait biométrique visible sur une image d’entrée au moyen d’un réseau de neurones à convolution | |
| Rahmon et al. | Evaluation of Different Decision Fusion Mechanisms for Robust Moving Object Detection | |
| Ström et al. | Extracting regions of interest and detecting outliers from image data | |
| Berthet et al. | On the Impact of AI-Based Compression on Deep Learning-Based Source Social Network Identification | |
| FR2872326A1 (fr) | Procede de detection d'evenements par videosurveillance |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PLFP | Fee payment |
Year of fee payment: 2 |
|
| PLSC | Publication of the preliminary search report |
Effective date: 20230224 |
|
| PLFP | Fee payment |
Year of fee payment: 3 |