JP2005537578A - 紙の特徴付け - Google Patents
紙の特徴付け Download PDFInfo
- Publication number
- JP2005537578A JP2005537578A JP2004533529A JP2004533529A JP2005537578A JP 2005537578 A JP2005537578 A JP 2005537578A JP 2004533529 A JP2004533529 A JP 2004533529A JP 2004533529 A JP2004533529 A JP 2004533529A JP 2005537578 A JP2005537578 A JP 2005537578A
- Authority
- JP
- Japan
- Prior art keywords
- paper
- features
- classification
- lbp
- unsupervised
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012512 characterization method Methods 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 3
- 238000003384 imaging method Methods 0.000 claims 1
- 238000004088 simulation Methods 0.000 claims 1
- 238000009826 distribution Methods 0.000 description 12
- 238000004364 calculation method Methods 0.000 description 8
- 241000282412 Homo Species 0.000 description 5
- 230000015572 biosynthetic process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000012800 visualization Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010191 image analysis Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000926 separation method Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000013467 fragmentation Methods 0.000 description 1
- 238000006062 fragmentation reaction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000059 patterning Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/34—Paper
- G01N33/346—Paper sheets
-
- 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
- G06V10/98—Detection or correction of errors, e.g. by rescanning the pattern or by human intervention; Evaluation of the quality of the acquired patterns
- G06V10/993—Evaluation of the quality of the acquired pattern
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30124—Fabrics; Textile; Paper
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
Abstract
紙の特徴付けのための方法および装置であって、紙の特徴を描写する多次元の特徴が、多数の紙サンプルの画像から抽出され、これらの特徴が入力として、教師なし手法で動作する学習付き分類器へと入力され、この分類器が、各画像部分の前記データの低次元空間への写像を、近い特性を有する紙の等級が該低次元空間における近接した写像を生むようなやり方で生成し、この低次元空間に写像された分類結果が、分類を補助するために使用される。
Description
本発明は、コンピュータ・ビジョンまたはその他の二次元描写方法の使用による紙の品質の特徴付けおよび分類に関する。
本件出願には参考文献一覧が添付されているが、それらは四角括弧付きの参照番号によって参照される。従来技術は、本発明の各態様を説明しているその箇所において、当該態様に関連する引用文献として参照される。
本発明の目的は、人的要因によるばらつきがなく、現在の方法よりも信頼できる分類を提供するであろう紙の品質の特徴付けのための方法を実現することである。
従来技術を代表するコンピュータ・ビジョンに基づく紙の等級分けシステムは、従来、教師あり学習手法および画像から計算された古くて非効率な特徴に基礎をおいている。特徴としては、通常、同時生起行列、パワースペクトル解析、および特定の周縁の特徴から得られた測定結果が使用されている。また、灰色階調の平均および画像の不一致も、紙の坪量のばらつきを表すものと推定されている。これらの特徴から、紙の品質を表現する数値量が形成されている。次いで、この数値量に基づき、紙の構成やその他の特性が分類される。
クレッソン、トミマス、およびルナー(Cresson T. M., Tomimasu H. & Luner P.)(1990年)紙の構成の特徴付け、その1:紙構成の検知(Characterization of Paper Formation, Part 1: Sensing Paper Formation.)、タッピ・ジャーナル(Tappi Journal)、第73巻、第7号、153〜159頁
クレッソンおよびルナー(Cresson T. & Luner P.)(1990年)紙の構成の特徴付け、その2:紙構成のテクスチャ分析(Characterization of Paper Formation, Part 2: The Texture Analysis of Paper Formation.)、タッピ・ジャーナル(Tappi Journal)、第73巻、第12号、175〜184頁
クレッソンおよびルナー(Cresson T. & Luner P.)(1991年)紙の構成の特徴付け、その3:紙構成の描写のためのテクスチャ・マップの使用(Characterization of Paper Formation, Part 3: The Use of Texture Maps to Describe Paper Formation.)、タッピ・ジャーナル(Tappi Journal)、第74巻、第2号、167〜175頁
スダカーラ、ストリダー、ゴーパル、メーナクシ、レバシー、チトラおよびパラニアンディ(Sudhakara R. P., Stridhar R., Gopal A., Meenakshi K., Revathy R., Chitra K. & Palaniandi D.)(2001年)光学式紙構成分析器(Optical Paper Formation Analyzer.)、CEERIセンター、インド
バーニーおよびダグラス(Bernie J. P. & Douglas W. J. M.)(1996年)光透過画像分析による紙の局所坪量分布および構成(Local Grammage Distribution and Formation of Paper by Light Transmission Image Analysis.)、タッピ・ジャーナル(Tappi Journal)、第79巻、第1号、193〜202頁
ボウインダイン、コロム、ナバッロおよびプラデローレンス(Bouyndain M., Colom J. F., Navarro R. & Pladellorens J.)(2001年)光透過画像のフーリエ解析による紙構成の決定(Determination of Paper Formation by Fourier Analysis of Light Transmission Images.)、アピータ・ジャーナル(Appita Journal)、第54巻、第2号、103〜105,115頁
コホーネン(Kohonen T.)、(1997年)自己組織化マップ(Self−organizing Maps.)、シュプリンガー出版(Springer−Verlag)、ベルリン、ザクーザ(Saksa)、426頁
ロワイスおよびソウル(Roweis S. T. & Saul L. K.)(2000年)局所線形埋め込みによる非線形次元低減(Nonlinear Dimensionality Reduction by Locally Linear Embedding.)、サイエンス・マガジン(Science Magazine)、第290巻、2000年12月22日号、2323〜2326頁
ロワイスおよびソウル(Roweis S. T. & Saul L. K.)(2001年)局所線形埋め込みへの案内(An Introduction to Locally Linear Embedding.)、URL: http://www.cs.toronto.edu/〜roweis/Ile/papers/Ileintroa4.pdf(2002年5月13日)
スヴェンソン(Svensen J. F. M.)(1998年)GTM:生成的トポグラフィック・マッピング(GTM: The Generative Topographic Mapping.)、博士論文、アストン大学(Aston University)、エングランティ(Englanti)、108頁
テーネンバウム(Tenenbaum J. B.)(1998年)知覚観察の多様性のマッピング(Mapping a Manifold of Perceptual Observations.)、ニューラル情報処理システムの進歩(Advances in Neural Information Processing Systems)、第10巻
オヤーラ、ピエティカイネンおよびハーウッド(Ojala T., Pietikainen M. & Harwood D.)(1996年)テクスチャ手段の特徴分布に基づく分類との比較検討(A Comparative Study of Texture Measures With Classification Based on Feature Distributions.)、パターン認識(Pattern Recognition)、第29巻、第1号、51〜59頁
オヤーラ、ピエティカイネンおよびマエンパア(Ojala T., Pietikainen M. & Maenpaa T.)(2002年)多分解能灰色階調および局所バイナリ・パターンによる回転不変テクスチャ分類(Multiresolution Gray−Scale and Rotation Invariant Texture Classification with Local Binary Patterns.)、パターン分析および人工知能についての電気電子技術者学会会報(IEEE Transactions on Pattern Analysis and Machine Intelligence)、第24巻、第7号
コホーネン(Kohonen T.)、(1997年)自己組織化マップ(Self−organizing Maps.)、シュプリンガー出版(Springer−Verlag)、ベルリン、ザクーザ(Saksa)、426頁
古いテクスチャの特徴は、紙のテクスチャについてあまり正確な情報を提供できず、照明などの条件の変化に左右されやすい。分別に乏しい特徴が分類器の教師あり学習手法と組み合わされた場合、システムの特徴付け能力が、さらに劣ったものとなってしまう。これは、従来からの教師あり手法が人的誤差にきわめて左右されやすいためである。人間による学習サンプルの選択およびその命名においては、誤差がつきものである。さらに、人間によって行なわれる選択は主観的であって、異なる人間の解釈は互いに異なっている。これは、品質検査の観点から望ましくない。条件の変化によってシステムの再学習が必要とされるが、教師あり学習手法に基づくシステムの再学習は困難である。これは、あまり開発されていないテクスチャの特徴が条件の変化にきわめて敏感であることから、しばしば問題となることである。
問題は、紙を識別力に乏しいテクスチャの特徴で分析している点にある。さらに、すでに分離され不規則に分布した特徴空間へのパラメトリック法による分類境界の指定が試みられている。教師あり手法が、分類器の学習および分類境界の検知に使用されており、誤差の量を大きくしている。
紙の特徴付けにおいて、その目的は、同じ特性を共有する紙を同じカテゴリーに分類することにある。紙を、その製造の全体にわたって画像化することができ、製造の種々の段階においても、良好な紙または好ましくない紙の特性についての情報をもたらすことができる。特徴付けなしで画像にのみ基づいた場合、画像の評価および分類が人にとってきわめて難しくかつ主観的であるため、プロセスについての有用な情報を求めることは不可能であり、さらに、数値またはシンボルに基づく自動の分類なしでは、大量のデータの処理が不可能である。特徴付けによって、紙の品質を幾つかの分類へと分類することができ、これにもとづいて製造プロセスの動作を追跡することができ、どの要因が紙の品質に影響を及ぼしているのか、および製造の各段階で紙がどのようになっているのかをそれぞれ知る限りにおいて、紙の或る特性を向上させるための試みが可能になる。特徴付けそのものは、必ずしも紙の品質に有効ではないが、類似の紙が同じ分類に分類されれば充分である。分類に従って、プロセスを制御すること、あるいは、紙を品質分類へと分類することができる。
コンピュータ・ビジョン法において、その目的は、紙の特性を可能な限り正確に描写するであろう多数の特徴を計算することである[1、2、3、4、5、6]。典型的な特性は、例えば、紙の印刷適合性および引張り強度である。計算された特徴は数値量であり、それらは多次元特徴空間内において断片化分離されたクラスターを形成する。特徴空間はきわめて多次元であるかもしれず、異なる紙の等級を表現する特徴を、断片化分離された空間内に見つけることが困難であることは明らかである。図1は、分かりやすくするため、二次元座標系に提示された特徴空間の例を示している。図中の十字は特徴の値を示しており、図中に引かれた線は、紙の印刷適合特性における変化の可能性を示している。
添付の図面を参照して本発明の実施形態の詳細について説明する。従来からのパラメトリック法は、データの分布について推定を行なうため、紙の異なる等級間の境界を正確に見つけることができない。本発明による方法においては、データが、まず二次元の座標系に描かれる。それぞれのクラスターに、当該クラスターが代表する紙の種類に基づいてラベルが与えられる。換言すれば、紙の品質についての演繹を、当該サンプルの二次元座標系における位置に基づいて行なうことができる。図2は、データの局所構造およびサンプル間の相互距離を維持する或る方法によって、多次元特徴空間を二次元座標系に描写した例を示している[7、8、9、10、11]。ラベル3a〜3dは、紙の異なる特性を代表しており、同じラベルが付された領域に分類された紙は、同じ分類にある他の紙と、当該特性に関して類似している。ラベルは後で与えられ、例えば、引張り強度、光沢の程度または印刷適合性が、通常、異なる領域に分割され、異なるラベルを有することは明らかである。
この方法においては、データが、新しい座標系におけるサンプルの相互の位置が元の多次元特徴空間と同じになるように、自動的に編成される。紙の等級に関する信頼できる演繹を、それらが新しい座標系のどこに位置しているのかに基づいて、行なうことができる。当初は、データの分布について演繹はまったく行なわれず、それがどんな種類であってもよい。異なるテクスチャを有する紙が、それにもかかわらず類似の印刷適合特性を有するかもしれない。これは、異なるクラスターにラベルを付す際に考慮することができる。LBPなどの有効なテクスチャの特徴により、紙の表面のテクスチャを、きわめて有効に分析することができる[12、13]。
本発明においては、教師なし学習手法、有効な灰色階調相違テクスチャ特徴、および多次元特徴データの図式的視覚化が、特徴空間の次元を減らすことによって組み合わされる。この方法においては、学習材料に関して人間が推定および演繹を行なう必要がなく、学習データが、その特性に従って自動的に編成される。多次元特徴空間が図示的形式で描かれ、特徴空間におけるサンプルの位置を視覚化できる。
新しい洗練されたテクスチャ手法が、テクスチャの微細構造についての正確な情報をもたらす。そのような灰色階調不変のテクスチャの特徴は、例えば、局所バイナリ・パターンを測定するLBP特徴およびその改良種である[12、13]。紙の表面を、これらの特徴を用いて調べるとき、紙の重要な特性を発見することができる。有効なテクスチャの特徴を教師なし学習法と組み合わせることによって、等級分けの正確さを大きく向上させることができる。
この方法の図解が、図3に示されている。まず、学習セット11から、段階12でテクスチャの特徴が計算され、次いで分類器の学習に使用される。多次元特徴空間の次元が、図式的に視覚化できるよう低減される。分類も、新しい特徴空間14を使用することによって実行される。人間に残される仕事は、分類された各領域の命名および選択、ならびに次の段階において、後にプロセスがそれらに基づいて調節できるよう、それらをより容易に理解できる形式にするか、あるいは紙の等級を優位性の順序に並べることである。種々の紙の代表サンプルが得られるよう学習セットを選択することも、人間に残された仕事である。これらの仕事は、参照番号15、16、17および18によって示されている。
この方法においては、紙の特性が、まず有効なテクスチャの特徴によって描写され、特徴空間の断片化分離を目に見えて低減させる。多次元特徴空間は、データの局所構造が保存されるように、低次元の座標系に描かれる。低次元座標系におけるクラスターが、異なる紙の等級を代表している。異なるクラスターには、当該クラスターによって代表される紙の等級に従った名前が付けられる。この後で、調べられた紙がクラスタリングされるクラスターを見つけることによって、紙の種々の等級が新しい座標系において分類される。クラスタリングされた特徴空間を代表する図が、図2に示されている。
特徴は、例えば局所バイナリ・パターンに基づくテクスチャ量を使用することによって、抽出することができる。LBP(局所バイナリ・パターン)特徴は、局所画像レベル環境に現れるパターンを描写する[12、13]。元のLBP特徴[12]は、例えば、3×3の環境から計算されたテクスチャの特徴であり、その計算が図4に示されている。この図に示した例では、3×3の環境31が、この環境の中心点(CV)の灰色階調による閾値によって、2つのレベル32を有するように分類され(矢印41)、すなわち、閾値CV以上のピクセルに値1が与えられ、より小さい値はしきい値0を得る。閾値による分類に続いて、得られた値32がLBP演算子33によって乗算されて(矢印42)、入力マトリクス34が与えられ、その各要素が加算されて(矢印44)、LBPの値を与える。LBPの計算において考えられる他の方法は、閾値環境から直接8ビット・コード・ワードを形成する方法である。この例の場合には、コード・ワードは100101012となり、十進法では149になる。
LBP特徴は、また、種々の多分解能および回転不変法[13]によって生成されている。加えて、種々のバイナリ・パターンのLBP演算子の性能への影響が調べられており、特徴の分布の形成において或るパターンを省略することを可能にしている[13]。このようにして、LBP特徴分布を短くすることが可能である。
多分解能LBPは、点の近傍がいくつかの異なる距離から選択されることを意味する。距離は、原理的には、任意の正の数でよく、計算に使用される点の数も、距離に従って変化する。図5は、距離4(d=4)における点の近傍を示している。点の周囲に円が描かれており、その半径は選択された距離と等しい。円周からサンプルが、Nα=2πとなるような角度αによって示される間隔で選択され、ここでNが選択されたサンプルの数である。円周上のサンプルがピクセルと正確に一致しない場合、サンプルが補間され、これにより点の座標が円周上の座標に一致するようにされる。通常使用される距離は、1、2および3であり、これに対応してサンプルの数は8、16および24である。多くの点が選択されるほど、より大きいLBP分布が得られる。24次元の特徴空間は、1600万を越える極を含んだLBP分布を生む。
計算において広大なLBP分布を使用することは、煩わしいことである。分布のサイズは、LBPコードの或るあらかじめ選択された部分のみを考慮することにより、計算にとってより妥当なサイズに低減できる。選択されたコードは、いわゆる連続バイナリ・コードであり、円周上の数が、0から1またはその反対のビット変化を最大2つ含んでいる。したがって、選択されたコード・ワードが、0および1からなる長い連続の鎖を含んでいる。コードの選択は、或るLBPによって、パターンをテクスチャにおけるパターン化の90%以上まで表現できるという知見に基づいている。計算においてこれら連続バイナリ鎖のみを使用することによって、8サンプルのLBP分布を、256から58へと減らすことができる。一方で、16個のサンプルを有するLBP分布は、6万5千以上から242へと減らすことができ、24個のサンプルの分布は、1600万以上から554まで減らすことができる[13]。
回転不変のLBP特徴の計算には、あらかじめ選択されたLBPパターンのサブセットが含まれる[13]。パターンは、テクスチャにおいて生じる回転に関して不変であるように選択される。非不変の問題に回転不変のLBP特徴を使用することは、特徴の能力を低減させる。しかしながら、紙の特徴付けは回転不変問題ではない。
分類およびクラスタリングは、例えば自己形成マップ[14]に基づく技法を適用することによって実行することができる。自己形成マップ、すなわちSOMは、人工ニューラル・ネットワークに基づく教師なし学習の方法である。SOMは、多次元データを、より図示的に、通常は二次元形式で人間に提示することを可能とする。
SOMは、新しい二次元座標系におけるサンプル間の距離が、可能な限り正確に元の座標系における実際のサンプル間の距離に一致するように、データを示すことを目的としている。SOMは、それが含むかもしれないクラスターについてデータを別個に検索すること、または、それらを表示することを目的とするものでもないが、代わりに、局所構造を維持しつつデータの確率密度の推定を可能な限りの信頼性で提示する。これは、二次元マップにサンプルによって形成された密なクラスターが見られるならば、それらのサンプルが特徴空間においても実際に互いに近接して位置していることを意味する[14]。
SOMが或る種類のデータをグループ化するのに使用可能とするために、まず学習を行なわなければならない。SOMの学習は、反復の教師なし法によって行なわれる[14]。SOMの学習に続いて、マップ上の各ノードについて、当該ノードが対応する多次元空間の点の設定が行なわれる。或るアルゴリズムが、学習サンプルによってマップを調整する。多次元ベクトルが、二次元座標系への非線形の写像を形成し、クラスターの明快な視覚化を可能にする[14]。
SOMの分類器としての使用は、類似のサンプルのお互いに近接してクラスタリングすることに基づいており、それらを、マップ上にそれら自身の分類として定義できることを意味している。互いに離れたノードのサンプルは、お互いに相違しており、これにより、それらを異なるクラスに属するよう区別することができる。図6は、良好な紙および好ましくない紙について、マップの反対の角へのクラスタリングを示している。図6は、分類器としてのSOMの使用を示している。この図のサンプル61、62が、クラス63、64に分類される。大まかな例として、良好な紙61のクラス領域63への分類、および好ましくない紙の領域64への分類が示されている。良好な紙および好ましくない紙の両方が、幾つかの領域を例えば二次元空間の異なる部分に分離して有してもよいが、ただしこの場合、例えば領域64に分類された全ての紙は、同じ観点において好ましくないことに、留意すべきである。
紙の製造者にとって、どんな状況がそのような種類の紙を生み出すのかを知ることが、好ましくない紙を生み出す状況を製造時に回避することができるためきわめて有用であることは、理解できるであろう。これは、製造パラメータを監視し、紙の品質を継続的に分類することによって可能であり、これにより、プロセスの運転の新しい態様を学ぶことができるであろう。プロセス・パラメータおよび紙の分類の結果を他のSOM分類器に入れることも可能であり、これにより、プロセス制御の補助として使用できる誤差から学習するシステムを得ることができる。これは、最終的結果として、紙の品質に関して製造の状況を描写する分類を与える。このように、システムは、例えば数百もの変数の紙の品質への影響を学習する。
以上、SOM分類を使用する本発明による分類を説明したが、例えば実際のニューラル・ネットワーク技法ではないLLE、ISOMAPおよびGTM技法など、あらゆる教師なしクラスタリング手法が、本発明による分類における使用に適している。
紙の製造時の品質検査における使用に適した方法が、例えば図7に示されている。高速カメラで、抄紙機75に関連して移動する紙の帯74の画像が取得される。図中の図には、背景光73が示されており、必要に応じて、例えば斜めの前面光を使用することもできる。この後、製造される紙の品質特性についての演繹を行なうことができ、プロセスの進行におけるあらゆる調整を行なうことができる。ここに提示の方法は、図中に示されているコンピュータ71に関連して使用される。広大な測定データについての高速な画像分析および図解によるユーザ・インターフェイスが、製造される紙についての大量の追加の情報を、紙の製造者自身に提供する。
特徴が、前記技法によって、画像分析において撮られた画像から抽出され、種々の品質クラスへの分類が実行される。ユーザ・インターフェイスによって、製造が進行するときの紙の品質の推移を理解することができる。
この方法によって、紙を、その製造サイクルのほぼ全体にわたって分析することができる。しかしながら、背景光の強さは、コーティング済みの紙の画像を撮る場合には、大きくしなければならない。さらに、テクスチャ特徴の能力は、コーティング済みの紙においては劣っているかもしれない。
製造時における紙の品質についての正確な情報は、紙の製造者が行なう研究を促進させる。自動化製造者は、このシステムを、プロセス全体およびその調整の一部として統合することができる。
本発明は、独立請求項の記載によって特徴付けられ、従属請求項は、その好ましい実施の形態を示している。
11 サンプル・セット
12 特徴の抽出
13 分類器/クラスタリング
14 分類の結果
15 視覚化
16 観察
17 命名
12 特徴の抽出
13 分類器/クラスタリング
14 分類の結果
15 視覚化
16 観察
17 命名
Claims (7)
- コンピュータ・ビジョンに基づく紙の特徴を特徴付けるための方法であって、
多数の紙サンプルの画像から、紙の特徴を描写する多次元の特徴を抽出し、
前記特徴を入力として、教師なし手法で動作する学習付き分類器に入力し、
該分類器が各画像部分の前記データの低次元空間への写像を生成し、近い特性を有する紙の等級が該低次元空間における近接した写像を生成し、該低次元空間に写像された分類結果が分類を補助するために使用されることを特徴とする方法。 - 教師なし手法で動作する前記学習システムが、教師なしクラスタリング法またはそのシミュレーション、例えば、SOM(自己形成マップ)であることを特徴とする請求項1に記載の紙の特徴付けのための方法。
- 紙サンプルを描写する前記特徴が、LBPまたはLBPから導出されたビット・パターン特徴であることを特徴とする請求項1または2に記載の紙の特徴付けのための方法。
- 当該方法によって、紙がさらに製造の種々の段階においても画像化および分類されることを特徴とする前記請求項のいずれか一項に記載の紙の特徴を特徴付けるための方法。
- 分類が製造プロセスの進行にも関係するように、製造の種々の段階において画像化されたサンプルが、さらに、前記教師なし学習付き分類器によって処理されることを特徴とする請求項4に記載の紙の特徴を特徴付けるための方法。
- 前記画像情報に加え、選択されたプロセス・パラメータおよび/または測定結果が入力として使用されることを特徴とする請求項5に記載の方式。
- コンピュータ・ビジョンを使用して紙を分類するためのシステムであって、
画像化手段と、
紙の画像から紙の品質を描写する特徴を抽出するための手段と、
特徴空間と比べて低次元である空間へと、教師なし学習付き分類を行うための手段とを備えることを特徴とするシステム。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FI20021578A FI20021578A (fi) | 2002-09-03 | 2002-09-03 | Paperin karakterisointi |
PCT/FI2003/000626 WO2004023398A1 (en) | 2002-09-03 | 2003-08-27 | Characterisation of paper |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2005537578A true JP2005537578A (ja) | 2005-12-08 |
Family
ID=8564525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2004533529A Pending JP2005537578A (ja) | 2002-09-03 | 2003-08-27 | 紙の特徴付け |
Country Status (8)
Country | Link |
---|---|
US (1) | US20060045356A1 (ja) |
EP (1) | EP1547015A1 (ja) |
JP (1) | JP2005537578A (ja) |
CN (1) | CN1689044A (ja) |
AU (1) | AU2003255551A1 (ja) |
CA (1) | CA2497547A1 (ja) |
FI (1) | FI20021578A (ja) |
WO (1) | WO2004023398A1 (ja) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006285627A (ja) * | 2005-03-31 | 2006-10-19 | Hokkaido Univ | 3次元モデルの類似検索装置及び方法 |
JP2011008631A (ja) * | 2009-06-26 | 2011-01-13 | Canon Inc | 画像変換方法及び装置並びにパターン識別方法及び装置 |
JP2012094016A (ja) * | 2010-10-28 | 2012-05-17 | Hitachi Ltd | 生産情報管理装置および生産情報管理方法 |
WO2013021580A1 (ja) * | 2011-08-11 | 2013-02-14 | パナソニック株式会社 | 特徴抽出装置、特徴抽出プログラム、および画像処理装置 |
WO2013105513A1 (ja) * | 2012-01-12 | 2013-07-18 | パナソニック株式会社 | 特徴抽出装置、特徴抽出方法、および特徴抽出プログラム |
JP2014085802A (ja) * | 2012-10-23 | 2014-05-12 | Pioneer Electronic Corp | 特徴量抽出装置、特徴量抽出方法及びプログラム |
JP2014232485A (ja) * | 2013-05-30 | 2014-12-11 | 三星電子株式会社Samsung Electronics Co.,Ltd. | テクスチャ検出装置、テクスチャ検出方法、テクスチャ検出プログラム、および画像処理システム |
JP2017516142A (ja) * | 2014-05-06 | 2017-06-15 | ケーエルエー−テンカー コーポレイション | ダイ対データベースのフォトマスク検査のための自動的な較正サンプルの選択 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102005020357A1 (de) * | 2005-05-02 | 2006-11-16 | Robert Bosch Gmbh | Übertragungsvorrichtung einer Elektrowerkzeugmaschine sowie Elektrowerkzeugmaschine |
DE102008012152A1 (de) | 2008-03-01 | 2009-09-03 | Voith Patent Gmbh | Verfahren und Vorrichtung zur Charakterisierung der Formation von Papier |
BR112013011107A2 (pt) | 2010-11-12 | 2016-08-02 | 3M Innovative Properties Co | ''processamento e detecção rápidos de não uniformidades em materiais á base de manta'' |
WO2014076360A1 (en) * | 2012-11-16 | 2014-05-22 | Metso Automation Oy | Measurement of structural properties |
WO2015102644A1 (en) * | 2014-01-06 | 2015-07-09 | Hewlett-Packard Development Company, L.P. | Paper classification based on three-dimensional characteristics |
CN108335402B (zh) * | 2017-01-18 | 2019-12-10 | 武汉卓目科技有限公司 | 一种基于深度学习的验钞机红外对管鉴伪方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5104488A (en) * | 1987-10-05 | 1992-04-14 | Measurex Corporation | System and process for continuous determination and control of paper strength |
JPH10318937A (ja) * | 1997-05-22 | 1998-12-04 | Dainippon Screen Mfg Co Ltd | 光学的むら検査装置および光学的むら検査方法 |
CN100401043C (zh) * | 2000-04-18 | 2008-07-09 | 香港大学 | 一种检验含缺陷织物的方法 |
US20020165839A1 (en) * | 2001-03-14 | 2002-11-07 | Taylor Kevin M. | Segmentation and construction of segmentation classifiers |
-
2002
- 2002-09-03 FI FI20021578A patent/FI20021578A/fi not_active Application Discontinuation
-
2003
- 2003-08-27 WO PCT/FI2003/000626 patent/WO2004023398A1/en not_active Application Discontinuation
- 2003-08-27 EP EP03793828A patent/EP1547015A1/en not_active Withdrawn
- 2003-08-27 JP JP2004533529A patent/JP2005537578A/ja active Pending
- 2003-08-27 AU AU2003255551A patent/AU2003255551A1/en not_active Abandoned
- 2003-08-27 US US10/526,831 patent/US20060045356A1/en not_active Abandoned
- 2003-08-27 CA CA002497547A patent/CA2497547A1/en not_active Abandoned
- 2003-08-27 CN CNA038238497A patent/CN1689044A/zh active Pending
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006285627A (ja) * | 2005-03-31 | 2006-10-19 | Hokkaido Univ | 3次元モデルの類似検索装置及び方法 |
JP2011008631A (ja) * | 2009-06-26 | 2011-01-13 | Canon Inc | 画像変換方法及び装置並びにパターン識別方法及び装置 |
JP2012094016A (ja) * | 2010-10-28 | 2012-05-17 | Hitachi Ltd | 生産情報管理装置および生産情報管理方法 |
WO2013021580A1 (ja) * | 2011-08-11 | 2013-02-14 | パナソニック株式会社 | 特徴抽出装置、特徴抽出プログラム、および画像処理装置 |
JP2013041330A (ja) * | 2011-08-11 | 2013-02-28 | Panasonic Corp | 特徴抽出装置、特徴抽出方法、特徴抽出プログラム、および画像処理装置 |
US9294665B2 (en) | 2011-08-11 | 2016-03-22 | Panasonic Intellectual Property Management Co., Ltd. | Feature extraction apparatus, feature extraction program, and image processing apparatus |
WO2013105513A1 (ja) * | 2012-01-12 | 2013-07-18 | パナソニック株式会社 | 特徴抽出装置、特徴抽出方法、および特徴抽出プログラム |
JP2013143100A (ja) * | 2012-01-12 | 2013-07-22 | Panasonic Corp | 特徴抽出装置、特徴抽出方法、および特徴抽出プログラム |
US9367758B2 (en) | 2012-01-12 | 2016-06-14 | Panasonic Intellectual Property Management Co., Ltd. | Feature extraction device, feature extraction method, and feature extraction program |
JP2014085802A (ja) * | 2012-10-23 | 2014-05-12 | Pioneer Electronic Corp | 特徴量抽出装置、特徴量抽出方法及びプログラム |
JP2014232485A (ja) * | 2013-05-30 | 2014-12-11 | 三星電子株式会社Samsung Electronics Co.,Ltd. | テクスチャ検出装置、テクスチャ検出方法、テクスチャ検出プログラム、および画像処理システム |
JP2017516142A (ja) * | 2014-05-06 | 2017-06-15 | ケーエルエー−テンカー コーポレイション | ダイ対データベースのフォトマスク検査のための自動的な較正サンプルの選択 |
Also Published As
Publication number | Publication date |
---|---|
EP1547015A1 (en) | 2005-06-29 |
US20060045356A1 (en) | 2006-03-02 |
FI20021578A0 (fi) | 2002-09-03 |
CA2497547A1 (en) | 2004-03-18 |
AU2003255551A1 (en) | 2004-03-29 |
WO2004023398A1 (en) | 2004-03-18 |
CN1689044A (zh) | 2005-10-26 |
FI20021578A (fi) | 2004-03-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108319964B (zh) | 一种基于混合特征和流形学习的火灾图像识别方法 | |
KR102631031B1 (ko) | 반도체 장치의 불량 검출 방법 | |
JP2005537578A (ja) | 紙の特徴付け | |
CN100573100C (zh) | 基于数字图像处理技术的气液两相流流型识别方法 | |
CN108492298B (zh) | 基于生成对抗网络的多光谱图像变化检测方法 | |
CN112200121B (zh) | 基于evm和深度学习的高光谱未知目标检测方法 | |
CN112017204A (zh) | 一种基于边缘标记图神经网络的刀具状态图像分类方法 | |
CN111965197B (zh) | 一种基于多特征融合的缺陷分类方法 | |
EP4174766A1 (en) | Generating segmentation masks for training a semantic segmentation model | |
CN113870254B (zh) | 目标对象的检测方法、装置、电子设备及存储介质 | |
Gan et al. | Automated leather defect inspection using statistical approach on image intensity | |
Hartert et al. | A semi-supervised dynamic version of fuzzy k-nearest neighbours to monitor evolving systems | |
Makaremi et al. | A new method for detecting texture defects based on modified local binary pattern | |
CN108921172B (zh) | 基于支持向量机的图像处理装置及方法 | |
CN111144425B (zh) | 检测拍屏图片的方法、装置、电子设备及存储介质 | |
KR101782364B1 (ko) | 케이평균군집화를 통한 학습기반의 비전검사 방법 | |
Wang et al. | Local defect detection and print quality assessment | |
Castejón-Limas et al. | Texture descriptors for automatic estimation of workpiece quality in milling | |
CN112633296A (zh) | 一种基于聚类分析的视觉工业零部件明暗等级划分方法 | |
CN112396580A (zh) | 一种圆形零件缺陷检测方法 | |
CN116664540A (zh) | 基于高斯线检测的橡胶密封圈表面缺陷检测方法 | |
CN116188445A (zh) | 一种产品表面缺陷的检测定位方法、装置及终端设备 | |
CN115731211A (zh) | 一种采用四级级联架构的接触网紧固件故障检测方法 | |
CN115984639A (zh) | 一种零件疲劳状态智能检测方法 | |
Turtinen et al. | Paper characterisation by texture using visualisation-based training |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20060615 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20090421 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20091201 |