JP2011089920A - X線検査方法、及び該x線検査方法を用いたx線検査装置 - Google Patents
X線検査方法、及び該x線検査方法を用いたx線検査装置 Download PDFInfo
- Publication number
- JP2011089920A JP2011089920A JP2009244519A JP2009244519A JP2011089920A JP 2011089920 A JP2011089920 A JP 2011089920A JP 2009244519 A JP2009244519 A JP 2009244519A JP 2009244519 A JP2009244519 A JP 2009244519A JP 2011089920 A JP2011089920 A JP 2011089920A
- Authority
- JP
- Japan
- Prior art keywords
- feature
- normal
- ray
- normal product
- ray inspection
- 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
Images
Landscapes
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
【課題】正常品の特徴量の分布に関する学習から適切な判定条件を与えることにより、信頼性の高いX線検査方法及びX線検査装置を提供する。
【解決手段】本発明に係るX線検査方法では、被検査物に対する検査を行う前に、複数の正常品に対する測定と検査及び特徴ベクトルの生成を行い(ステップS1〜S7)、得られた複数の特徴ベクトルを学習データとして記憶して(ステップS8〜S10)、正常品領域を生成する(ステップS11)。その後、被検査物に対して同様に測定と検査及び特徴ベクトルの生成を行い(ステップS12〜S18)、この特徴ベクトルが正常品領域に含まれるか否かによって被検査物の良否判定を行う(ステップS19)。ここで、ステップS11で生成される正常品領域は正常品の分布から得られるものであるため、ステップS19の判定は特徴量間の相関関係を含んだものとなる。これにより、信頼性の高い判定を行うことが可能となる。
【選択図】図3
【解決手段】本発明に係るX線検査方法では、被検査物に対する検査を行う前に、複数の正常品に対する測定と検査及び特徴ベクトルの生成を行い(ステップS1〜S7)、得られた複数の特徴ベクトルを学習データとして記憶して(ステップS8〜S10)、正常品領域を生成する(ステップS11)。その後、被検査物に対して同様に測定と検査及び特徴ベクトルの生成を行い(ステップS12〜S18)、この特徴ベクトルが正常品領域に含まれるか否かによって被検査物の良否判定を行う(ステップS19)。ここで、ステップS11で生成される正常品領域は正常品の分布から得られるものであるため、ステップS19の判定は特徴量間の相関関係を含んだものとなる。これにより、信頼性の高い判定を行うことが可能となる。
【選択図】図3
Description
本発明は、検査対象となる物品(以下、これを「被検査物」と称す)に対し、画像処理を施したX線画像から得られる複数種類の特徴量を用いて、異物混入検査、欠陥検査、個数検査等の種々の検査を行うX線検査装置に関する。
X線検査装置はX線を物品に照射し、そのX線透過量をX線検出器で測定して、それに基づきX線画像を作成することにより、非破壊で物品の内部を検査する装置である。その用途としては、例えば、包装された商品の内容物に異物が混入していないかを検査する異物混入検査、内容物が所定の個数を備えているかを検査する個数検査、内容物にひび割れ等の欠陥が発生していないかを検査する欠陥検査などがある。これらの検査は食品、医薬品、工業部品等の様々な物品に対して行われる。
X線検査装置は、X線透視装置とX線CT(Computed Tomography)装置の2種類に大別される。このうちX線透視装置は一方向からX線を照射して透過画像を得るのに対して、X線CT装置は、被検査物の全周方向で測定されたX線透過量のデータをフーリエ変換で再構成することにより、内部構造の断層像を得るものである。
X線透視装置は一方向からの透視しか行わないため、X線CT装置に比べて情報量は少ないものの、迅速に被検査物の検査を実行できるという特徴を有している。そのため、ベルトコンベア等により連続的に搬送される物品の連続検査に多く利用されている。一方、X線CT装置は、全周からの撮影と断層像の再構成が必要であり、X線透視装置に比べて処理に時間を要する。これを高速に処理できるようにすることも可能であるが、撮影速度や画像再構成を行うコンピュータの処理速度等を向上させる必要があるため、装置の製造コストが高くなる。従って、高速な処理を必要とする連続検査よりも、精密検査により適性を有している。
これらのX線検査装置では、被検査物のX線画像に対して所定の画像処理を施し、そこから1又は複数の特徴量を抽出して、学習等により予め与えられた基準値(許容範囲)と比較することにより、被検査物が正常品であるか否かの判定を行っている。上記の画像処理としては、取得されたX線画像を、背景画像の領域と背景以外の画像の領域とに切り分ける2値化処理や、2値化処理により切り分けられた画像領域の分類を行うラベリング処理等がある。また、抽出される特徴量としては、前記画像領域の周囲長や面積がある(特許文献1)。さらに、前記画像領域におけるX線透過量から、厚みや体積等を特徴量として抽出することもできる(特許文献2)。
特許文献1や特許文献2のX線検査装置に見られるように、従来のX線検査装置における検査方法では、各々の特徴量が対応する許容範囲内にあるか否かをそれぞれ独立に判定することにより、被検査物の良否判定を行っていた。しかしながら、この検査方法を経て正常品と判定された商品の中から、その後の目視検査や精密検査等による最終チェックで不良品と判定されてしまうケースがあった。
このような問題は、各特徴量が許容範囲の限界の近傍にある場合に容易に起こりうる。例えば、被検査物の長さと幅のパラメータを特徴量として取得する検査の場合、両方の特徴量が共に許容範囲の限界の近傍に存在すれば、その被検査物の面積が正常品の範囲を逸脱してしまうということがある。近年、食品等の管理に対する消費者の要求が厳しくなりつつあり、それに伴って、X線検査装置に要求される異物や欠陥品等の検出精度も高くなってきている。従って、このような誤判定を防ぐためには、上記の例ではさらに面積のパラメータも特徴量に追加するなど特徴量の種類を増加させるか、長さと幅の特徴量に対する許容範囲をより厳しく設定する必要がある。
しかしながら、特徴量の種類を増加させると、それらを抽出するための処理が増加し、その結果、処理時間や装置の製造コストが増加してしまう。また、許容範囲を厳しく設定すると、本来、正常品に含まれるべき被検査物が不良品と判別され、歩留率や作業効率が悪化してしまう。
本発明が解決しようとする課題は、適切な判定条件を与えることにより、上記の問題を解決する、信頼性の高いX線検査方法及びX線検査装置を提供することである。
上記課題を解決するために成された本発明に係るX線検査方法は、
物品にX線を照射して、その透過量を測定することにより、該物品のX線画像を生成するステップと、前記X線画像からn種類(nは2以上の整数)の特徴量を抽出するステップと、前記抽出されたn種類の特徴量に基づき、n次元の特徴ベクトルを生成するステップと、を有するX線検査方法において、
m個(mは2以上の整数)の正常品に対して特徴ベクトルをそれぞれ生成し、該正常品の特徴ベクトルの分布を学習データとして記憶するステップと、
前記学習データに基づき、正常品領域を決定するステップと、
被検査物に対して特徴ベクトルを生成し、該被検査物の特徴ベクトルが前記正常品領域に含まれているか否かによって、該被検査物が正常品であるか否を判定するステップと、
を有していることを特徴とする。
物品にX線を照射して、その透過量を測定することにより、該物品のX線画像を生成するステップと、前記X線画像からn種類(nは2以上の整数)の特徴量を抽出するステップと、前記抽出されたn種類の特徴量に基づき、n次元の特徴ベクトルを生成するステップと、を有するX線検査方法において、
m個(mは2以上の整数)の正常品に対して特徴ベクトルをそれぞれ生成し、該正常品の特徴ベクトルの分布を学習データとして記憶するステップと、
前記学習データに基づき、正常品領域を決定するステップと、
被検査物に対して特徴ベクトルを生成し、該被検査物の特徴ベクトルが前記正常品領域に含まれているか否かによって、該被検査物が正常品であるか否を判定するステップと、
を有していることを特徴とする。
また、上記課題を解決するために成された本発明に係るX線検査装置は、
物品にX線を照射して、その透過量を測定することにより、該物品のX線画像を生成する画像生成手段と、前記X線画像からn種類(nは2以上の整数)の特徴量を抽出する特徴量抽出手段と、前記抽出されたn種類の特徴量に基づき、n次元の特徴ベクトルを生成する特徴ベクトル生成手段と、を有するX線検査装置において、
m個(mは2以上の整数)の正常品に対して特徴ベクトルをそれぞれ生成し、該正常品の特徴ベクトルの分布を学習データとして記憶する学習手段と、
前記学習データに基づき、正常品領域を決定する領域決定手段と、
被検査物に対して特徴ベクトルを生成し、該被検査物の特徴ベクトルが前記正常品領域に含まれているか否かによって、該被検査物が正常品であるか否を判定する判定手段と、
を有していることを特徴とする。
物品にX線を照射して、その透過量を測定することにより、該物品のX線画像を生成する画像生成手段と、前記X線画像からn種類(nは2以上の整数)の特徴量を抽出する特徴量抽出手段と、前記抽出されたn種類の特徴量に基づき、n次元の特徴ベクトルを生成する特徴ベクトル生成手段と、を有するX線検査装置において、
m個(mは2以上の整数)の正常品に対して特徴ベクトルをそれぞれ生成し、該正常品の特徴ベクトルの分布を学習データとして記憶する学習手段と、
前記学習データに基づき、正常品領域を決定する領域決定手段と、
被検査物に対して特徴ベクトルを生成し、該被検査物の特徴ベクトルが前記正常品領域に含まれているか否かによって、該被検査物が正常品であるか否を判定する判定手段と、
を有していることを特徴とする。
なお、前記特徴ベクトルの存在する空間は、各特徴量パラメータを座標軸とする空間(以下、これを「特徴空間」と称す)であっても良いし、その写像空間であっても良い。また、特徴空間から写像空間に変換する関数(写像関数)は線形・非線形のどちらであっても良い。
また、前記正常品領域の決定には、サポートベクターマシン、単純ベイズ分類器、クラスタ解析等の機械学習やデータマイニング分野での手法など、様々な方法を用いることができる。
本発明では、複数個の正常品に対して予め取得した特徴ベクトルの分布に基づいて正常品領域を決定し、その後、被検査物の特徴ベクトルが正常品領域に含まれるか否かにより被検査物の良否を判定する。上記の正常品領域は特徴量間の相関関係を含んだものであるため、正常品領域を用いた判定も必然的に特徴量間の相関関係を含んだものになる。これにより、被検査物を適切に判定することができ、従来より信頼性の高いX線検査方法及びX線検査装置を提供することができる。また、正常品の特徴ベクトルの分布から正常品領域を自動的に設定できるため、ユーザが許容範囲の数値を入れる必要がなく、使い勝手が改善するという効果も得ることができる。
従来のX線検査方法では、各特徴量毎の独立した検査を組み合わせるだけであるため、複数の特徴量に相関関係があった場合には、正常品の分布から外れている欠陥品でも正常品と見なす場合がある。これを、図1を用いて説明する。
図1の(a)に示すように、特徴量として例えば長さと幅を使用する検査では、正常品の面積が一定の範囲内に収まっていなければならないことがある。このような場合、長さと幅が共に許容範囲の大きい方の限界に近かったり、逆に小さい方の限界に近かったりすると、たとえ各々の特徴量が許容範囲内に収まっていたとしても、面積が正常品の分布する領域から外れてしまう。また、図1の(b)に示すように、特徴量として面積と体積を使用する検査で、形状等の問題により、これらの特徴量の比率が一定の範囲内になければならないこともある。従って、複数の特徴量が互いに何らかの関係を有する場合には、その相関関係も考慮して被検査物の良否判定を行う必要がある。
そこで本発明に係るX線検査装置では、複数の正常品の特徴ベクトルを学習データとして、これらの正常品の特徴ベクトルの分布を含む正常品領域を生成した後に、被検査物の特徴ベクトルが正常品領域に含まれるか否かによって被検査物の良否を判定する。この正常品領域は正常品の分布から得られるものであるため、必然的に特徴量間の相関関係を含んだものとなる。従って、図1及び2に示すような、従来の検査方法では正常品の分布から外れているにも関わらず正常品と判定されてしまう場合でも、適切に不良品と判定することが可能となる。
本発明に係るX線検査装置の一実施例を図2〜4を用いて説明する。ここで、図2は本実施例のX線検査装置の構成を示すブロック図、図3は該X線検査装置による検査の手順を示すフローチャート、図4は本実施例のX線検出方法における正常品領域の生成の手順を示す模式図である。
図2に示す本実施例のX線検査装置の構成について、以下、説明を行う。
本実施例のX線検査装置は、正常品や被検査物にX線を照射し、その透過量を測定する測定部10と、測定部10で測定されたX線透過量に基づいてX線画像を作成し、n種類(nは2以上の整数)の特徴量を抽出して、n次元特徴ベクトルを生成する検査部20と、複数の正常品の特徴ベクトルの分布を学習し、正常品領域を決定する前処理部30と、前処理部30で決定された正常品領域に基づき、被検査物の良否判定を行う判定部40と、から構成されている。
本実施例のX線検査装置は、正常品や被検査物にX線を照射し、その透過量を測定する測定部10と、測定部10で測定されたX線透過量に基づいてX線画像を作成し、n種類(nは2以上の整数)の特徴量を抽出して、n次元特徴ベクトルを生成する検査部20と、複数の正常品の特徴ベクトルの分布を学習し、正常品領域を決定する前処理部30と、前処理部30で決定された正常品領域に基づき、被検査物の良否判定を行う判定部40と、から構成されている。
また、上記した測定部10は、X線源からX線を照射するX線照射部11と、X線が照射された正常品や被検査物のX線透過量を測定する、X線検出器等から成るX線検出部12と、を有している。検査部20は、X線検出部12で測定された正常品や被検査物のX線透過量に基づき、それらのX線画像を生成する画像生成部21と、画像生成部21で生成されたX線画像に画像処理を施す画像処理部22と、画像処理部22で画像処理を施されたX線画像からn種類の特徴量を抽出する特徴量抽出部23と、特徴量抽出部23で抽出された特徴量からn次元の特徴ベクトルを生成する特徴ベクトル生成部24と、を有している。さらに、前処理部30は、特徴ベクトル生成部24で生成された特徴ベクトルのデータが正常品であるか被検査物であるかによって、この特徴ベクトルのデータを該前処理部30に送るか判定部40に送るかを切り替える切替部31と、切替部31により該前処理部30に送られてきた複数の正常品の特徴ベクトルを学習・記憶する学習部32と、その分布から正常品領域を決定する領域決定部33と、を有している。
次に、図2に示した本実施例のX線検査装置の検査の手順を、図3のフローチャートを用いて説明する。
本実施例のX線検査装置では、被検査物に対する検査を行う前に、複数の正常品に対して各々の特徴ベクトルを生成し、学習データとして記憶する(ステップS1〜S10)。この特徴ベクトルの生成及び学習は、以下のようにして行われる。
本実施例のX線検査装置では、被検査物に対する検査を行う前に、複数の正常品に対して各々の特徴ベクトルを生成し、学習データとして記憶する(ステップS1〜S10)。この特徴ベクトルの生成及び学習は、以下のようにして行われる。
検査部20で得られる特徴ベクトルのデータが前処理部30に送られるように、該前処理部30内の切替部31を操作し、測定部10の所定の位置(X線照射位置)に正常品を送る(ステップS1)。そして、X線照射部11から該正常品にX線を照射し(ステップS2)、その透過量をX線検出部12で測定する(ステップS3)。X線検出部12で測定されたX線透過量のデータは検査部20内の画像生成部21に送られ、前記正常品に対するX線画像が生成される(ステップS4)。しかしながら、画像生成部21で生成されたX線画像は、正常品の画像のみならず背景画像も含むため、画像処理部22で所定の画像処理を施すことにより、背景画像と正常品の画像とを切り分けることが必要となる。この画像処理には、例えば2値化処理やラベリング処理等を用いることができる。これにより、X線画像から対象となる物品(この場合は正常品)の領域が検出できる(ステップS5)。
画像処理部22で検出した正常品の画像領域に対し、特徴量抽出部23では検査に使用するn種類の特徴量x1,x2,...,xnが抽出される(ステップS6)。この抽出されたn種類の特徴量x1,x2,...,xnを用いて、各特徴量パラメータを座標軸とするn次元特徴空間における特徴ベクトルX=[x1,x2,...,xn]を特徴ベクトル生成部24で生成する(ステップS7)。なお、検査に使用する特徴量としては、例えば面積、体積、周囲長、慣性主軸方向の最大長、円形度など、既知の画像特徴量を用いることができる。さらに、特徴ベクトル生成部24で生成された前記正常品の特徴ベクトルのデータは前処理部30内の学習部32に送られ、学習データとして記憶される(ステップS8)。
以上の処理を他の正常品に対して繰り返し行うことにより、複数の正常品に対する特徴ベクトルの学習データを得ることができる(ステップS9及びS10)。ここで、特徴ベクトルを生成した正常品の個数をmとし、m個の正常品の特徴ベクトルをそれぞれX1,X2,...,Xmとして、その集合を学習データA={X1,X2,...,Xm}で表す。なお、正常品の個数mは最低でも検査に使用する特徴量の種類の数nよりも多いことが望ましく、また、多ければ多いほど良い。
次に、学習部32で得られた学習データAから正常品領域を決定する(ステップS11)。以下、本実施例で用いた正常品領域の決定方法を図4を用いて説明する。
図4(a)は、n次元特徴空間における学習データAの各要素(正常品の特徴ベクトル)の分布を模式的に示したものである。ここで、これらの分布を平均Xの多次元正規分布で近似できるものと仮定する。また、正常品の特徴ベクトルは、多次元正規分布の確率密度関数が一定の閾値以上の値をとる範囲にあると仮定する。これらの仮定の下で、学習データAに含まれるm個の正常品の特徴ベクトルX1,X2,...,Xmの平均が零ベクトルとなるように平行移動した後に白色化を行うと、その写像空間内における正常品領域は、原点を中心とする所定の半径以下の球領域となる。以下、この所定の半径をRで表す。
図4(a)は、n次元特徴空間における学習データAの各要素(正常品の特徴ベクトル)の分布を模式的に示したものである。ここで、これらの分布を平均Xの多次元正規分布で近似できるものと仮定する。また、正常品の特徴ベクトルは、多次元正規分布の確率密度関数が一定の閾値以上の値をとる範囲にあると仮定する。これらの仮定の下で、学習データAに含まれるm個の正常品の特徴ベクトルX1,X2,...,Xmの平均が零ベクトルとなるように平行移動した後に白色化を行うと、その写像空間内における正常品領域は、原点を中心とする所定の半径以下の球領域となる。以下、この所定の半径をRで表す。
具体的には、Xi'=Xi−Xa、A'={X1',X2',...,Xm'}とすると、この集合A'は学習データAの特徴ベクトルの平均が零ベクトルになるように平行移動したものとなる(図4(b))。ここで、集合A'の要素に対する共分散行列をCとし、この共分散行列Cの固有値をd1,d2,...,dn、各固有値に対応する、ノルムが1の固有ベクトルをe1,e2,...,enで表す。このとき、固有値の平方根を対角成分とする行列を
とし、固有ベクトルを列ベクトルに持つ行列をE=(e1 T e2 T ... en T)とすると、集合A'の要素に対する白色化行列Vは、V = DETで計算することができる。なお、白色化行列の計算方法は一通りでなく、別の計算方法によって得られた白色化行列を本発明に用いることもできる。例えば、ある白色化行列V'に任意の直交行列Uを掛けたUV'も白色化行列となる。前記の行列Eは直交行列であるため、EDETも白色化行列となる。従って、DETの代わりにEDETを白色化行列Vとして用いても良い。
原点を平行移動した後に、白色化行列Vによる変換を行うことにより、正常品領域は、特徴空間から線形変換された写像空間上での、原点を中心とする半径R以下の球領域として決定される(図4(c))。
次に、以下に示す手順により被検査物に対する検査を行う。
前処理部30内の切替部31を操作し、検査部20で得られる特徴ベクトルのデータが判定部に送られるように、該前処理部30内の切替部31を操作する。そして、被検査物に対して、正常品で示した処理と同様の処理を行い、その特徴ベクトルを生成する(ステップS12〜S18)。これらのステップにより得られた被検査物の特徴ベクトルをYとする。
前処理部30内の切替部31を操作し、検査部20で得られる特徴ベクトルのデータが判定部に送られるように、該前処理部30内の切替部31を操作する。そして、被検査物に対して、正常品で示した処理と同様の処理を行い、その特徴ベクトルを生成する(ステップS12〜S18)。これらのステップにより得られた被検査物の特徴ベクトルをYとする。
この被検査物の特徴ベクトルYが、ステップS11で決定した正常品領域に含まれていれば正常品、含まれていなければ不良品と判定する(ステップS19)。ここで、ステップS19における判定は、ステップS11で用いた白色化行列Vにより、次式で行うことができる。
‖ V (Y−Xa) ‖ ≦ R
すなわち、上式が成立すれば被検査物の特徴ベクトルYは正常品領域に含まれているため、正常品と判定される。
‖ V (Y−Xa) ‖ ≦ R
すなわち、上式が成立すれば被検査物の特徴ベクトルYは正常品領域に含まれているため、正常品と判定される。
なお、領域決定部33における正常品領域の決定には、上記した白色化による方法の他にも、機械学習やデータマイニング分野での手法(サポートベクターマシンや単純ベイズ分類器、クラスタ解析など)など正常品の分布を適切に捉えられる手法が利用できる。
10…測定部
11…X線照射部
12…X線検出部
20…検査部
21…画像生成部
22…画像処理部
23…特徴量抽出部
24…特徴ベクトル生成部
30…前処理部
31…切替部
32…学習部
33…領域決定部
40…判定部
11…X線照射部
12…X線検出部
20…検査部
21…画像生成部
22…画像処理部
23…特徴量抽出部
24…特徴ベクトル生成部
30…前処理部
31…切替部
32…学習部
33…領域決定部
40…判定部
Claims (8)
- 物品にX線を照射して、その透過量を測定することにより、該物品のX線画像を生成するステップと、前記X線画像からn種類(nは2以上の整数)の特徴量を抽出するステップと、前記抽出されたn種類の特徴量に基づき、n次元の特徴ベクトルを生成するステップと、を有するX線検査方法において、
m個(mは2以上の整数)の正常品に対して特徴ベクトルをそれぞれ生成し、該正常品の特徴ベクトルの分布を学習データとして記憶するステップと、
前記学習データに基づき、正常品領域を決定するステップと、
被検査物に対して特徴ベクトルを生成し、該被検査物の特徴ベクトルが前記正常品領域に含まれているか否かによって、該被検査物が正常品であるか否を判定するステップと、
を有していることを特徴とするX線検査方法。 - 前記正常品領域が、各特徴量パラメータを座標軸とする特徴空間を白色化行列で変換した写像空間上で与えられていることを特徴とする請求項1に記載のX線検査方法。
- 前記正常品の個数mが前記特徴量の種類数nよりも大きいことを特徴とする請求項1〜3のいずれかに記載のX線検査方法。
- 物品にX線を照射して、その透過量を測定することにより、該物品のX線画像を生成する画像生成手段と、前記X線画像からn種類(nは2以上の整数)の特徴量を抽出する特徴量抽出手段と、前記抽出されたn種類の特徴量に基づき、n次元の特徴ベクトルを生成する特徴ベクトル生成手段と、を有するX線検査装置において、
m個(mは2以上の整数)の正常品に対して特徴ベクトルをそれぞれ生成し、該正常品の特徴ベクトルの分布を学習データとして記憶する学習手段と、
前記学習データに基づき、正常品領域を決定する領域決定手段と、
被検査物に対して特徴ベクトルを生成し、該被検査物の特徴ベクトルが前記正常品領域に含まれているか否かによって、該被検査物が正常品であるか否を判定する判定手段と、
を有していることを特徴とするX線検査装置。 - 前記正常品領域が、各特徴量パラメータを座標軸とする特徴空間を白色化行列で変換した写像空間上で与えられていることを特徴とする請求項5に記載のX線検査装置。
- 前記正常品の個数mが前記特徴量の種類数nよりも大きいことを特徴とする請求項5〜7のいずれかに記載のX線検査装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009244519A JP2011089920A (ja) | 2009-10-23 | 2009-10-23 | X線検査方法、及び該x線検査方法を用いたx線検査装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2009244519A JP2011089920A (ja) | 2009-10-23 | 2009-10-23 | X線検査方法、及び該x線検査方法を用いたx線検査装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2011089920A true JP2011089920A (ja) | 2011-05-06 |
Family
ID=44108297
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2009244519A Pending JP2011089920A (ja) | 2009-10-23 | 2009-10-23 | X線検査方法、及び該x線検査方法を用いたx線検査装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2011089920A (ja) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019040503A (ja) * | 2017-08-28 | 2019-03-14 | 沖電気工業株式会社 | 認証装置、プログラムおよび認証方法 |
JP2019045235A (ja) * | 2017-08-31 | 2019-03-22 | 株式会社Ihiエアロスペース | 画像検査システム、画像検査方法及び画像検査用プログラム |
JP2019215328A (ja) * | 2018-04-24 | 2019-12-19 | エクスロン インターナショナル ゲゼルシャフト ミット ベシュレンクテル ハフツングYxlon International Gmbh | 短繊維強化プラスチック部品の射出成形プロセスを最適化するためにx線コンピュータ断層撮影データから情報を取得する方法 |
WO2020004068A1 (ja) * | 2018-06-29 | 2020-01-02 | 株式会社イシダ | 検査装置、検査システム、検査方法、検査プログラム及び記録媒体 |
WO2020071162A1 (ja) | 2018-10-01 | 2020-04-09 | 株式会社システムスクエア | 教師データ生成装置及び教師データ生成プログラム |
JP2020142928A (ja) * | 2019-03-04 | 2020-09-10 | 株式会社ビジュアルジャパン | 異常検出システム |
JPWO2019235022A1 (ja) * | 2018-06-08 | 2021-06-17 | 株式会社イシダ | 検査装置 |
WO2021193733A1 (ja) | 2020-03-24 | 2021-09-30 | 株式会社システムスクエア | 教師データ生成装置、検査装置及びプログラム |
EP3754594A4 (en) * | 2018-02-14 | 2021-11-17 | ISHIDA CO., Ltd. | INSPECTION DEVICE |
KR20220149627A (ko) * | 2018-02-14 | 2022-11-08 | 가부시끼가이샤 이시다 | 검사 장치 |
-
2009
- 2009-10-23 JP JP2009244519A patent/JP2011089920A/ja active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019040503A (ja) * | 2017-08-28 | 2019-03-14 | 沖電気工業株式会社 | 認証装置、プログラムおよび認証方法 |
JP2019045235A (ja) * | 2017-08-31 | 2019-03-22 | 株式会社Ihiエアロスペース | 画像検査システム、画像検査方法及び画像検査用プログラム |
KR102668930B1 (ko) * | 2018-02-14 | 2024-05-29 | 가부시끼가이샤 이시다 | 검사 장치 |
US11977036B2 (en) | 2018-02-14 | 2024-05-07 | Ishida Co., Ltd. | Inspection device |
KR20220149627A (ko) * | 2018-02-14 | 2022-11-08 | 가부시끼가이샤 이시다 | 검사 장치 |
EP3754594A4 (en) * | 2018-02-14 | 2021-11-17 | ISHIDA CO., Ltd. | INSPECTION DEVICE |
JP2019215328A (ja) * | 2018-04-24 | 2019-12-19 | エクスロン インターナショナル ゲゼルシャフト ミット ベシュレンクテル ハフツングYxlon International Gmbh | 短繊維強化プラスチック部品の射出成形プロセスを最適化するためにx線コンピュータ断層撮影データから情報を取得する方法 |
JP7196009B2 (ja) | 2018-04-24 | 2022-12-26 | エクスロン インターナショナル ゲゼルシャフト ミット ベシュレンクテル ハフツング | 短繊維強化プラスチック部品の射出成形プロセスを最適化するためにx線コンピュータ断層撮影データから情報を取得する方法 |
JPWO2019235022A1 (ja) * | 2018-06-08 | 2021-06-17 | 株式会社イシダ | 検査装置 |
JP7250301B2 (ja) | 2018-06-29 | 2023-04-03 | 株式会社イシダ | 検査装置、検査システム、検査方法、検査プログラム及び記録媒体 |
JP2020003387A (ja) * | 2018-06-29 | 2020-01-09 | 株式会社イシダ | 検査装置、検査システム、検査方法、検査プログラム及び記録媒体 |
WO2020004068A1 (ja) * | 2018-06-29 | 2020-01-02 | 株式会社イシダ | 検査装置、検査システム、検査方法、検査プログラム及び記録媒体 |
JP6754155B1 (ja) * | 2018-10-01 | 2020-09-09 | 株式会社 システムスクエア | 教師データ生成装置、検査装置およびコンピュータプログラム |
WO2020071162A1 (ja) | 2018-10-01 | 2020-04-09 | 株式会社システムスクエア | 教師データ生成装置及び教師データ生成プログラム |
JP2020142928A (ja) * | 2019-03-04 | 2020-09-10 | 株式会社ビジュアルジャパン | 異常検出システム |
JP7446567B2 (ja) | 2019-03-04 | 2024-03-11 | 株式会社LoPAS | 異常検出システム |
WO2021193733A1 (ja) | 2020-03-24 | 2021-09-30 | 株式会社システムスクエア | 教師データ生成装置、検査装置及びプログラム |
JP2021152489A (ja) * | 2020-03-24 | 2021-09-30 | 株式会社 システムスクエア | 教師データ生成装置、検査装置及びプログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2011089920A (ja) | X線検査方法、及び該x線検査方法を用いたx線検査装置 | |
US10520452B2 (en) | Automated quality control and selection | |
Warnett et al. | Towards in-process x-ray CT for dimensional metrology | |
US11953451B2 (en) | Item inspection by dynamic selection of projection angle | |
JP4944892B2 (ja) | 放射線を用いて液体物品に対する保安検査を行う方法及び装置 | |
EP2189785B1 (en) | Method and device for detecting a liquid article | |
EP2750104B1 (en) | Methods for extracting shape feature, inspection methods and apparatuses | |
EP3121591B1 (en) | Inspection method and device | |
US11927586B2 (en) | Item inspection by radiation imaging using an iterative projection-matching approach | |
US9299001B2 (en) | Object identification using sparse spectral components | |
RU2009108639A (ru) | Способы и устройство для интегрирования систематического прореживания данных в основанный на генетическом алгоритме выбор подмножества признаков | |
JP2009014705A (ja) | 液体物品に隠れている麻薬を検査する方法及び装置 | |
US20190137419A1 (en) | Dual-energy microfocus radiographic imaging method for meat inspection | |
AU2017376804B2 (en) | Dual-energy microfocus radiographic imaging method for meat inspection | |
Wulfsohn et al. | Volume estimation from projections | |
JP2007322344A (ja) | X線検査装置 | |
JP2011085424A (ja) | X線検査方法、及び該x線検査方法を用いたx線検査装置 | |
Yu et al. | Analysis and processing of decayed log CT image based on multifractal theory | |
Xiao et al. | Automatic detection method for BGA defects based on x-ray imaging | |
Li et al. | Detection of cracks in computer tomography images of logs based on fractal dimension | |
JP2008175691A (ja) | X線検査装置および検査方法 | |
JP7240780B1 (ja) | 検査装置 | |
JP7406220B2 (ja) | X線検査装置 | |
Al-Hameed et al. | Context-Based Image Segmentation of Radiography | |
Kim et al. | Evaluation of flaw detection algorithm using simulated X-ray computed tomography of ground truth data |