TWI735967B - 信息處理方法及計算機程序 - Google Patents

信息處理方法及計算機程序 Download PDF

Info

Publication number
TWI735967B
TWI735967B TW108136466A TW108136466A TWI735967B TW I735967 B TWI735967 B TW I735967B TW 108136466 A TW108136466 A TW 108136466A TW 108136466 A TW108136466 A TW 108136466A TW I735967 B TWI735967 B TW I735967B
Authority
TW
Taiwan
Prior art keywords
image data
data
similarity
relationship
input image
Prior art date
Application number
TW108136466A
Other languages
English (en)
Other versions
TW202020802A (zh
Inventor
筒川和樹
伴場裕介
田端伸成
Original Assignee
日商Ｅｉｚｏ股份有限公司
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 日商Ｅｉｚｏ股份有限公司 filed Critical 日商Ｅｉｚｏ股份有限公司
Publication of TW202020802A publication Critical patent/TW202020802A/zh
Application granted granted Critical
Publication of TWI735967B publication Critical patent/TWI735967B/zh

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • 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
    • G06T7/0012—Biomedical image inspection
    • G06T7/0014—Biomedical image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M11/00—Testing of optical apparatus; Testing structures by optical methods not otherwise provided for
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09G—ARRANGEMENTS OR CIRCUITS FOR CONTROL OF INDICATING DEVICES USING STATIC MEANS TO PRESENT VARIABLE INFORMATION
    • G09G3/00—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes
    • G09G3/20—Control arrangements or circuits, of interest only in connection with visual indicators other than cathode-ray tubes for presentation of an assembly of a number of characters, e.g. a page, by composing the assembly by combination of individual elements arranged in a matrix no fixed position being assigned to or needed to be assigned to the individual characters or partial characters
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30121—CRT, LCD or plasma display

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Radiology & Medical Imaging (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • General Health & Medical Sciences (AREA)
  • Image Analysis (AREA)
  • Testing Of Optical Devices Or Fibers (AREA)
  • Control Of Indicators Other Than Cathode Ray Tubes (AREA)

Abstract

本發明的目的在於提供一種能夠抑制顯示器製造工序中檢查時間增大的信息處理方法和計算機程序。信息處理方法具備誤差計算步驟、相似度計算步驟、以及判定步驟，在誤差計算步驟中，計算輸入到自動編碼器的輸入圖像數據與所述自動編碼器輸出的輸出圖像數據的誤差，在相似度計算步驟中，基於用所述自動編碼器的編碼器壓縮所述輸入圖像數據得到的壓縮數據和基準數據，計算所述壓縮數據與所述基準數據的相似度，在判定步驟中，基於所述誤差與所述相似度的關係，判定所述輸入圖像數據的顯示不均勻是否為可允許，其中，所述關係為關係式或表格。

Description

信息處理方法及計算機程序
本發明涉及一種信息處理方法和計算機程序。
顯示器圖像顯示部的顯示畫面因諸如製造品質偏差會出現顯示不均勻的情況。這裡所謂的顯示不均勻既可以表示為亮度不均勻和色度不均勻中的一種，也可以表示為亮度不均勻和色度不均勻兩者。在作為LCD(Liquid Crystal Display)顯示器的圖像顯示部的液晶面板中，顯示不均勻的原因可以列舉液晶層厚度偏差、驅動二極體的動作特性偏差、以及背光的發光分佈的偏差等。
在顯示器的製造步驟中，在組裝顯示器的各個部件之後，有時會設置檢查工序來檢查畫面顯示部的顯示畫面是否有顯示不均勻(例如專利文獻1)。
[現有技術文件] [專利文獻]
專利文獻1：日本特開2005-107155號公報
由於在傳統顯示器的製造步驟中，靠檢查員的經驗來檢測圖像顯示部顯示不均勻等缺陷，所以，在傳統的顯示器製造工序中存在檢查時間容易增大的問題。
本發明是鑒於這樣的情況而完成的，其目的在於提供一種能夠抑制顯示器製造工序中檢查時間增大問題的信息處理方法和計算機程序。
根據本發明，提供一種信息處理方法，具備誤差計算步驟、相似度計算步驟、以及判定步驟，在所述誤差計算步驟中，計算輸入到自動編碼器的輸入圖像數據與所述自動編碼器輸出的輸出圖像數據的誤差，在所述相似度計算步驟中，基於用所述自動編碼器的編碼器壓縮所述輸入圖像數據得到的壓縮數據和基準數據，計算所述壓縮數據與所述基準數據的相似度，在所述判定步驟中，基於所述誤差與所述相似度的關係，判定所述輸入圖像數據的顯示不均勻是否為可允許的，其中，所述關係為關係式或表格。
在本發明中的判定步驟中，基於上述誤差和上述相似度的關係來判定顯示不均勻是否為可允許的。第1：在本發明中，因為考慮到上述誤差來判定顯示不均勻是否為可允許的，所以能夠從基於顯示不均勻的強弱(像素值)的觀點來分類圖像數據。第2：在本發明中，因為考慮到上述相似度來判定顯示不均勻是否為可允許的，所以能夠從基於多樣顯示不均勻的圖案的觀點來分類圖像數據。以上述方式，在本發明中，用上述兩種觀點來分類顯示不 均勻是否為可允許的，從而能夠迅速判斷圖像數據是否為可允許的，因此可以抑制顯示器檢查時間增加。
以下，例示本發明的各種實施方式。以下示出的實施方式可以彼此組合。
優選提供一種進一步具備獲取步驟的信息處理方法，在所述獲取步驟中，通過對多個所述輸入圖像數據中的每一個執行第1步驟和第2步驟來計算多組關係獲取用誤差和關係獲取用相似度，並基於所述關係獲取用誤差和所述關係獲取用相似度獲取所述關係，在第1步驟中，基於關係獲取用輸入圖像數據和來自於所述自動編碼器的關係獲取用輸出圖像數據，計算所述關係獲取用誤差，在第2步驟中，基於用所述自動編碼器的所述編碼器壓縮所述關係獲取用輸入圖像數據得到的關係獲取用壓縮數據和所述基準數據，計算所述關係獲取用相似度。
優選提供一種信息處理方法，其中，所述自動編碼器具有所述編碼器和解碼器，且所述自動編碼器用學習模型進行學習，所述學習模型是讓由所述解碼器輸出的學習時輸出圖像數據接近輸入到所述編碼器的學習時輸入圖像數據，所述學習時輸入圖像數據是所述顯示不均勻為可允許的數據。
優選提供一種信息處理方法，基於用所述編碼器壓縮所述學習時輸入圖像數據得到的數據生成所述基準數據，在所述相似度計算步驟中，基於所述壓縮數據與所述基準數據的內積獲取所述相似度。
優選提供一種計算機程序，在計算機中執行具備誤差計算步驟、相似度計算步驟、以及判定步驟的信息處理，在所述誤差計 算步驟中，計算輸入到自動編碼器的輸入圖像數據與來自於所述自動編碼器的輸出圖像數據的誤差，在所述相似度計算步驟中，基於用所述自動編碼器的編碼器壓縮所述輸入圖像數據得到的壓縮數據和基準數據，計算所述壓縮數據與所述基準數據的相似度，在所述判定步驟中，基於所述誤差與所述相似度的關係，判定所述輸入圖像數據的顯示不均勻是否為可允許，其中，所述關係為關係式或表格。
1:信息處理裝置
2A:判定部
2B:誤差計算部
2C:相似度計算部
2a:數據生成部
3:處理部
4:記憶部
5:輸入輸出部
10:測定部
11:信息處理裝置
12:運算部
12A:學習部
12A1:編碼器
12A2:解碼器
12B:誤差計算部
12C:相似度計算部
12D:獲取部
13:記憶部
14:輸入輸出部
21:評價對象顯示器
22:圖像顯示部
100:信息處理系統
Ar1:區域
Ar2:區域
Ar3:區域
RS:關係
S:相似度
d1:學習時輸入圖像數據
d2:學習時輸出圖像數據
dc:壓縮數據
D1:關係獲取用輸入圖像數據
D2:關係獲取用輸出圖像數據
Dc:壓縮數據
r1:輸入圖像數據
r2:輸出圖像數據
rc:壓縮數據
dref:基準數據
圖1是表示第1實施方式中的信息處理系統100的構成的方框圖。
圖2是說明適用於測定部10獲取的圖像數據的濾波處理和閾值處理的圖。
圖3是表示在學習階段中的數據流程的方框圖。
圖4是表示在關係獲取階段中的數據流程的方框圖。
圖5A是表示誤差L與相似度S的關係RS的曲線圖，圖5B是圖5A所示的曲線P1的圖像數據，圖5C是圖5A所示曲線P2的圖像數據。
圖6是表示在判定階段中的數據流程的方框圖。
圖7是第1實施方式的信息處理系統100的動作流程圖。
圖8是表示第1實施方式的變形例1所涉及的誤差L與相似度S的關係RS的圖。
圖9是第1實施方式的變形例2所涉及的濾波處理的說明圖。
圖10是表示第2實施方式中的信息處理系統100的構成的方框圖。
在下文中，使用附圖說明本發明的實施方式。在以下所示實施方式中示出的各種特徵事項可以彼此組合。此外，每個特徵可獨立地使本發明成立。
第1實施方式
基於圖1~圖8說明第1實施方式所涉及的信息處理系統100。如圖1所示，本實施方式中的信息處理系統100具備信息處理裝置1、信息處理裝置11、以及測定部10。信息處理系統100評估顯示不均勻的對象為評價對象顯示器21。信息處理裝置1具備數據生成部2a、判定部2A、誤差計算部2B、相似度計算部2C、處理部3、記憶部4、以及輸入輸出部5。信息處理裝置11具備運算部12、記憶部13、以及輸入輸出部14。運算部12具備學習部12A、誤差計算部12B、相似度計算部12C、以及獲取部12D。
上述每個構成要素可以通過軟件實現，也可以通過硬體實現。當通過軟件實現時，可以通過CPU執行計算機程序來實現各種功能。程序可以存儲在內置記憶部，也可以存儲在計算機可讀的非暫時性記錄介質中。此外，還可以通過讀取存儲在外部記憶部中的程序，即利用雲端運算來實現。當通過硬體實現時，可以通過ASIC、FPGA、或DRP等各種電路來實現。在該實施方式中，雖然處理的是各種信息或包含該些信息的概念，但其均是 由作為0或1構成的二進位的比特集合體的信號值的高低來表示，並通過上述軟件或硬體的方式執行通信或運算而得到的。
1．構成概要以及數據概要 1-1．學習階段、關係獲取階段、以及判定階段
在第1實施方式中有3個階段。第1階段為學習階段，在學習階段中，於稍後描述的自動編碼器執行機器學習來確定加權係數。第2階段為關係獲取階段。在關係獲取階段中，獲取關係式，該關係式是作為用來判定評價對象顯示器21的圖像顯示部22的顯示不均勻是否是可允許的基準。第3階段為判定階段。在判定階段中，在生產現場獲取來自於評價對象顯示器21的測量光，並基於上述作為基準的關係式來判定評價對象顯示器21的圖像顯示部22的顯示不均勻是否是可允許的。也就是說，判定階段是在生產現場對評價對象顯示器21進行檢查的階段。
1-2．有關於在各個階段中進行處理的數據
如圖3所示，在學習階段中進行處理的數據包含學習時輸入圖像數據d1、學習時輸出圖像數據d2、以及壓縮數據dc。所有學習時輸入圖像數據d1是預先分類為可允許的圖像數據。
如圖4所示，在關係獲取階段中進行處理的數據包含關係獲取用輸入圖像數據D1、關係獲取用輸出圖像數據D2、以及壓縮數據Dc。關係獲取用輸入圖像數據D1不僅是預先分類為可允許的圖像數據，還包含預先分類為不允許的顯示畫面的圖像數據。也就是說，所有關係獲取用輸入圖像數據D1被預先分類為可允許的圖像數據或不允許的圖像數據中的任一者。換而言之，關係獲取用輸入圖像數據D1被預先標記。即，所有關係獲取用輸入 圖像數據D1被預先標記為可允許的圖像數據或不允許的圖像數據中的任一者。
如圖6所示，在判定階段中進行處理的數據包含輸入圖像數據r1、輸出圖像數據r2、及壓縮數據rc。輸入圖像數據r1可從處理部3獲得。輸出圖像數據r2以及壓縮數據rc生成於數據生成部2a。
1-3．在標記中的分類方法
如上所述，學習時輸入圖像數據d1是被預先分類為可允許的圖像數據。關係獲取用輸入圖像數據D1被預先分類為可允許的圖像數據或不允許的圖像數據中的任一者。下面，說明該分類方法的一個例子。由攝像裝置獲取的圖像數據實施稍後描述的濾波處理等轉換為輸入圖像數據。輸入圖像數據的顯示不均勻由彼此相鄰的暗區域和亮區域分佈構成。在輸入圖像數據亮區域與輸入圖像數據暗區域的邊界部分含有像素值為極大值的部分、和像素值為極小值的部分。輸入圖像數據基於極大值與極小值的差值的大小被分類為可允許的圖像數據或不允許的圖像數據。具體而言、極大值與極小值的差值大於閾值的輸入圖像數據被分類為不允許的圖像數據。相反，極大值與極小值的差值小於閾值的輸入圖像數據被分類為可允許的圖像數據。
1-4．濾波處理、閾值處理、以及絕對值處理
在第1實施方式中，不是使用由測定部10獲取的圖像數據的像素值來判定評價對象顯示器21的顯示不均勻是否為可允許的，而是如圖2所示，利用施以濾波處理、閾值處理以及絕對值處理的圖像數據來判定評價對象顯示器21的顯示不均勻是 否為可允許的。由此，可以強調顯示不均勻的特徵部分，從而提高判定精度。應予說明，圖像數據實施閾值處理和絕對值處理不是必需。例如，當分析圖像數據中特定範圍的顯示不均勻時，優選實施閾值處理和絕對值處理。但當分析圖像數據中的整個範圍的顯示不均勻時，不需要實施閾值處理或絕對值處理。在第1實施方式中的輸入圖像數據包含學習時輸入圖像數據d1、關係獲取用輸入圖像數據D1、以及基於評價對象顯示器21圖像數據的輸入圖像數據r1。在第1實施方式中，對任何輸入圖像數據均施以濾波處理、閾值處理以及絕對值處理。有關於這些處理的構成例子將在處理部3的構成中進行說明。
2．構成說明 2-1．測定部10
如圖2所示，測定部10獲取評價對象顯示器21的圖像顯示部22的顯示畫面的顯示不均勻信息。測定部10由攝像裝置構成，測定部10面向評價對象顯示器21的圖像顯示部22的顯示畫面，並檢測由顯示畫面照射的測量光。測定部10的檢測結果被作為測量光信息發送到信息處理裝置1。該測量光信息包含表示圖像顯示部22顯示畫面的顯示不均勻的信息，因此測量光信息包含在顯示不均勻信息中。
顯示不均勻既可以表示亮度不均勻或色度不均勻中的一者，也可以表示亮度不均勻和色度不均勻兩者。測量光信息包含表示任意灰階的顯示畫面的亮度或色度的信息。評價對象顯示器21可以是諸如LCD(Liquid Crystal Display)顯示器、有機EL(Electro Luminescence)顯示器、或PDP(Plasma Display Panel)顯示器。
2-2．信息處理裝置11
信息處理裝置11具有作為管理信息處理裝置11的伺服器的功能。信息處理裝置11具備運算部12、記憶部13、以及輸入輸出部14。運算部12具備學習部12A、誤差計算部12B、相似度計算部12C、以及獲取部12D。運算部12具備處理器單元。例如，運算部12具備GPU(Graphics Processing Unit)，且運算速度快。
如圖3所示，學習部12A是使用於學習階段和關係獲取階段兩者的構成。如圖4所示，誤差計算部12B、相似度計算部12C、以及獲取部12D(省略圖示)是使用於關係獲取階段的構成。學習階段是逐次變更稍後描述的學習部12A的自動編碼器的加權係數並最終將其進行確定的階段。關係獲取階段是使用在學習階段中確定的加權係數來獲取與圖5A所示圖表相對應的關係RS的階段。
2-2-1．學習部12A
如圖3所示，學習部12A具有作為自動編碼器的功能，學習部12A具有編碼器12A1和解碼器12A2。作為學習部12A的自動編碼器可以採用使用了全連接層的自動編碼器，也可以採用使用了卷積層的自動編碼器。也就是說，學習部12A的自動編碼器的構成可以適宜變更。在第1實施方式中，除卷積層以外，還採用使用了用來抽出相似度的全連接層的自動編碼器。學習部12A構成為當輸入學習時輸入圖像數據d1後輸出 學習時輸出圖像數據d2。具體而言，學習部12A用學習模型預先學習，所述學習模型是將學習時輸出圖像數據d2的像素值接近於學習時輸入圖像數據d1的像素值。這裡，學習時輸入圖像數據d1是由被預先分類為可允許的圖像數據生成的圖像數據。學習時輸入圖像數據d1執行與在處理部3進行說明的濾波處理相同的處理。
所謂學習模型是指使用多個教師數據訓練模型，並能預測未來輸出的模型。在本實施方式中，教師數據的輸入數據為學習時輸入圖像數據d1，教師數據的正確數據與教師數據的輸入數據相同。通過向學習部12A輸入多個教師數據，來逐次改變編碼器12A1以及解碼器12A2的加權係數。隨後，當完成學習部12A的學習後，在學習部12A確定加權係數。也就是說，於上述學習階段，在學習部12A中確定加權係數。此後在上述關係獲取階段，學習部12A用來獲取如圖5A所示的誤差L以及相似度S的關係RS。具體而言，當輸入關係獲取用輸入圖像數據D1時，學習部12A基於確定後的加權係數輸出壓縮數據dc的同時，還輸出基於確定後的加權係數算得的輸出圖像數據(關係獲取用輸出圖像數據D2)。誤差計算部12B以及相似度計算部12C獲取上述輸出數據。
2-2-2．誤差計算部12B
如圖4所示，誤差計算部12B計算關係獲取用輸入圖像數據D1與關係獲取用輸出圖像數據D2的誤差L。誤差L是基於關係獲取用輸入圖像數據D1的每個座標的每個像素值與關係獲取用輸出圖像數據D2的每個座標的每個像素值的差值t計 算而得的。換而言之，誤差L是基於損失函數(輸入I-輸出O)2計算得到的。輸入I與關係獲取用輸入圖像數據D1的每個座標的每個像素值相對應，輸出O與關係獲取用輸出圖像數據D2的每個座標的每個像素值相對應。例如，當圖像數據具有縱a×橫b(a、b是自然數)的座標時，誤差L表示為(每個座標的差值t)2的總和的平均值。
2-2-3．相似度計算部12C
如圖4所示，相似度計算部12C基於經編碼器12A1壓縮後的數據(壓縮數據dc)和基準數據dref來計算壓縮數據dc與基準數據dref的相似度。這裡所謂的相似度指的是余弦相似度。也就是說，相似度計算部12C基於壓縮數據dc與基準數據dref的內積來計算相似度。在基準數據dref中使用多個壓縮數據dc的重心數據。在第1實施方式中，使用於生成基準數據dref的所有壓縮數據dc由被預先分類為可允許的圖像數據生成。也就是說，在生成基準數據dref時，使用壓縮有學習時輸入圖像數據d1的數據(壓縮數據dc)。應予說明，在學習部12A處於學習中途的狀態下，加權係數逐次變化。因此，在學習部12A處於學習中途的狀態下，當將獲取的壓縮數據dc使用於重心數據運算時，則可能降低作為基準數據dref的基準的適當性。此時，用於獲取重心數據時的壓縮數據dc在確定了加權係數的狀態下，可以通過在學習部12A中輸入多個學習時輸入圖像數據d1來獲得。此外，壓縮數據dc是多維向量，重心數據是在被預先分類為可允許的圖像數據群中的多個壓縮數據dc的重心向量。
在第1實施方式中，相似度的值為0以上1以下。也就是說，在計算相似度時，壓縮數據dc與基準數據dref的內積被歸一化。相似度越接近1則意味著對應於壓縮數據dc的圖像數據的顯示不均勻的圖案與對應於基準數據dref的圖像的顯示不均勻的圖案越相似。應予說明，在第1實施方式中，雖然將相似度的值設定為0以上1以下，但不限定於此，其可以適當改變。例如，在第1實施方式所涉及的自動編碼器中雖然採用編碼結果為輸出斜坡函數的構成，但當自動編碼器沒有採用斜坡函數時，相似度的值為-1以上1以下。
2-2-4．獲取部12D
獲取部12D獲取由誤差計算部12B以及相似度計算部12C計算得到的誤差以及相似度。通過多個關係獲取用輸入圖像數據輸入學習部12A，獲取部12D獲取與輸入到學習部12A中的關係獲取用輸入圖像數據的個數相對應的多組誤差和相似度。圖5A是以誤差L為橫軸相似度S為縱軸，並繪製有由獲取部12D獲取的每組誤差和相似度的圖。
如圖5A所示，在由線La示出的區域的左側，分佈有預先分類成可允許的顯示畫面的關係獲取用輸入圖像數據。在由線La示出的區域的右側，分佈有預先分類成不允許的顯示畫面的關係獲取用輸入圖像數據。以這種方式，將誤差和相似度兩者作為特徵量繪製輸入圖像數據，其中，如圖5A中的圖所示，不允許的圖像數據與可允許的圖像數據被分離。也就是說，圖5A中示出的線La是分類可允許的圖像數據與不允許的圖像數據的關係式。
獲取部12D獲取與該線La對應的關係式。當線La例如是直線時，獲取部12D獲取線La的斜率和截距。獲取部12D獲取線La的斜率和截距的方法可以是由計算機(獲取部12D)基於每組誤差和相似度的點進行運算來獲取的方法，也可以是用戶參照圖5A所示線圖來決定的方法。此外，與線La相對應的關係式不限定於直線，例如也可以用曲線表示的關係式。在第1實施方式中，雖然獲取部12D獲取與線La相對應的關係式，但不限定於此，獲取部12D還可以根據誤差以及相似度獲取用來分類可允許的圖像數據和不允許的圖像數據的表格。
2-2-5．記憶部13以及輸入輸出部14
在記憶部13中存儲有諸如在學習部12A的學習模型中使用的各種參數等。輸入輸出部14接受學習時輸入圖像數據d1和關係獲取用輸入圖像數據D1等，此外，輸入輸出部14向信息處理裝置1輸出獲取部12D獲取的關係式。
2-3．信息處理裝置1
信息處理裝置1具備數據生成部2a、判定部2A、誤差計算部2B、相似度計算部2C、處理部3、記憶部4、以及輸入輸出部5。信息處理裝置1配置在例如生產現場的生產線上。
2-3-1．處理部3
處理部3執行濾波處理、閾值處理以及絕對值處理。如圖2所示，濾波處理過程中，在由測定部10獲取的圖像數據中適用帶通濾波器。例如，當使帶狀不均勻或條紋狀不均勻明顯顯示時，在由測定部10獲取的圖像數據中，適用與帶狀不均勻或條 紋狀不均勻的寬度相對應的空間頻率的濾波器。濾波處理的濾波器可以根據要確定的不均勻的種類來決定。
如圖2所示，對濾波處理後的圖像數據施以閾值處理。在閾值處理中，將預定閾值範圍內的像素值的每個座標的像素值轉換為固定值，並將該閾值範圍外的像素值的每個座標的像素值保持原樣。在絕對值處理中，例如反轉顯示畫面暗區域中的不均勻的明暗，並使顯示畫面暗區域中的不均勻的顯示形式和顯示畫面亮區域中的不均勻的顯示形式相同。
2-3-2．數據生成部2a
數據生成部2a還具有與在學習部12A中說明了的自動編碼器相對應的功能。數據生成部2a基於由學習部12A確定的加權係數進行運算。具體而言，數據生成部2a當由處理部3輸入輸入圖像數據r1時使用確定了的加權係數生成壓縮數據rc和輸出圖像數據r2。以這種方式，在數據生成部2a中不是使用多個教師數據訓練模型，而是數據生成部2a使用由學習部12A確定的加權係數生成壓縮數據rc或輸出圖像數據r2。
2-3-3．誤差計算部2B以及相似度計算部2C
誤差計算部2B的功能與誤差計算部12B相同。應予說明，輸入到誤差計算部12B中的數據例如是關係獲取用輸入圖像數據D1，輸入到誤差計算部2B中的數據是基於輸入圖像數據r1的數據。誤差計算部2B計算輸入圖像數據r1與輸出圖像數據r2的誤差L。誤差L是基於輸入圖像數據r1的每個座標的每個像素值和輸出圖像數據r2的每個座標的每個像素值 的差值t計算得到的。換而言之，誤差L基於損失函數(輸入I-輸出O)2計算得到的。輸入I與輸入圖像數據r1的每個座標的每個像素值相對應，輸出O與輸出圖像數據r2的每個座標的每個像素值相對應。
相似度計算部2C的功能與相似度計算部12C相同。應予說明，雖然輸入到相似度計算部12C的數據例如是關係獲取用輸入圖像數據D1，但輸入到相似度計算部2C的數據是基於輸入圖像數據r1的數據。相似度計算部2C基於由數據生成部2a的編碼器壓縮得到的數據(壓縮數據rc)和基準數據dref來計算壓縮數據rc與基準數據dref的相似度。也就是說，相似度計算部2C基於壓縮數據rc與基準數據dref的內積計算相似度。相似度計算部2C所使用的基準數據dref與相似度計算部12C所使用的基準數據dref相同。
2-3-4．判定部2A
判定部2A基於誤差L與相似度S的關係RS來判定圖像顯示部22的顯示畫面的顯示不均勻是否為可允許的圖像數據。判定部2A獲取由獲取部12D預先獲取的關係式或表格。判定部2A以基於輸入圖像數據r1的誤差L、相似度S、以及獲取部12D預先獲取的關係式為基礎來分類圖像數據的顯示不均勻是否為可允許的圖像數據。基於輸入圖像數據r1的誤差L與誤差計算部2B計算而得的誤差L相對應，基於輸入圖像數據r1的相似度S是相似度計算部2C計算而得的相似度S。
若基於輸入圖像數據r1的誤差L和相似度S的點的位置位於圖5A所示線La的右側，則輸入圖像數據r1被分類為不允許 的圖像數據。相反，若基於輸入圖像數據r1的誤差L和相似度S的點的位置位於圖5A所示線La左側，則輸入圖像數據r1被分類為可允許的圖像數據。判定部2A可以將該分類結果作為判定結果輸出，或判定部2A也可以考慮其他分析結果並最終將判定結果輸出。此外，判定部2A可以將線La附近的點的圖像數據作為檢查員需關注的數據輸出。在第1實施方式中，判定部2A將該分類結果作為判定結果輸出。當輸入圖像數據r1分類為可允許時，判定部2A判定輸入圖像數據r1的顯示不均勻為可允許的。判定部2A的判定結果和分類結果在設置於信息處理裝置1的顯示器(省略圖示)上表示。
2-3-5．記憶部4和輸入輸出部5
在記憶部4存儲用於數據生成部2a運算的各種參數等。輸入輸出部5接收來自於測定部10的輸入圖像數據。此外，輸入輸出部5從信息處理裝置11接收在學習部12A確定的加權係數、基準數據dref、以及獲取部12D預先獲取的關係式或表格等。
3．流程圖
基於圖7說明信息處理裝置1的動作流程。信息處理裝置1的輸入輸出部5獲取圖像顯示部22的顯示畫面的圖像數據(步驟S1)。圖像數據與測定部10從圖像顯示部22的顯示畫面獲取的測量光信息相對應。信息處理裝置1的處理部3對圖像數據施以濾波處理、閾值處理以及絕對值處理，並將圖像數據轉換為輸入圖像數據r1(步驟S2)。也就是說，信息處理裝置1 的處理部3通過將圖像數據轉換為輸入圖像數據r1來獲取輸入圖像數據r1。
信息處理裝置1的數據生成部2a由輸入圖像數據r1生成壓縮數據rc和輸出圖像數據r2(步驟S3)。信息處理裝置1的誤差計算部2B基於輸入圖像數據r1和輸出圖像數據r2計算誤差L(步驟S4)。此外，信息處理裝置1的相似度計算部2C基於壓縮數據rc和基準數據dref計算相似度S(步驟S5)。步驟S4與誤差計算步驟相對應，步驟S5與相似度計算步驟相對應。步驟S4與步驟S5的順序不特別限定。信息處理裝置1的判定部2A基於在步驟S4中計算得到的誤差L、在步驟S5計算得到的相似度、以及預先獲取的關係RS(與圖4所示線La相對應的關係式)來判定輸入圖像數據r1的顯示不均勻是否是可允許的(步驟S6)。步驟S6與判定步驟相對應。
信息處理裝置1的判定部2A由信息處理裝置11的獲取部12D預先獲取關係RS。信息處理裝置11的獲取部12D通過計算多組關係獲取用誤差L和關係獲取用相似度S來獲取關係RS。具體而言，信息處理裝置11的獲取部12D通過執行稍後說明的第1、第2步驟來獲取關係RS。在第1步驟中，基於關係獲取用輸入圖像數據D1和來自於學習部12A的關係獲取用輸出圖像數據D2來計算關係獲取用誤差L。在第2步驟中，基於用學習部12A的編碼器12A1壓縮關係獲取用輸入圖像數據D1而得的關係獲取用壓縮數據dc和基準數據dref來計算關係獲取用相似度S。以上述方式，獲取部12D獲 取關係RS且判定部2A從信息處理裝置11獲取關係RS的步驟與獲取步驟相對應。
4．第1實施方式的效果
在第1實施方式中，由於信息處理裝置1的判定部2A是基於稍後說明的2個觀點來自動判定圖像數據是否為可允許的構成，所以評價對象顯示器21的檢查可迅速進行，從而能夠抑制評價對象顯示器21的檢查時間增加。
在第1實施方式的判定步驟中，基於誤差L和相似度S的關係來判定顯示不均勻是否為可允許的圖像數據。具體而言，在判定步驟中，由於是考慮到誤差L來分類顯示不均勻是否為可允許的，所以能夠利用基於顯示不均勻的強弱(像素值)來對圖像數據進行分類。在判定步驟中，由於是考慮到相似度S來分類顯示不均勻是否是可允許的，所以能夠基於多種顯示不均勻的圖案來對圖像數據進行分類。
當僅基於顯示不均勻強弱(像素值)的觀點來分類顯示不均勻是否為可允許的圖像數據時，圖5A所示的所有點將都分佈在橫軸上。這裡，為了強調僅基於顯示不均勻強弱(像素值)的觀點來分類顯示不均勻是否為可允許的圖像數據的缺點，將基於圖5A所示的點來進行說明。當僅基於顯示不均勻強弱(像素值)的觀點來判定顯示不均勻是否為可允許的圖像數據時，用於分類的關係式限定為如圖5A所示的直線Lb的樣式。這裡，直線Lb平行於縱軸。在該直線Lb左側，還存在顯示不均勻為不允許的圖像數據的點，所以顯然無法使用直線Lb來適當地分類顯示不均勻是可允許和不允許的圖像數據。
相似度S表示圖像數據的顯示不均勻的圖案與可允許的顯示不均勻的圖案的接近程度。也就是說，相似度S不是從顯示不均勻強弱的觀點來分析圖像數據的參數。而是從顯示不均勻強弱的觀點來分析圖像數據的參數是誤差L。這是因為相似度S是被歸一化的，不含有與顯示不均勻強弱相關信息。
當存在誤差L相同但相似度S不同的2個輸入圖像數據r1時，相似度S高的輸入圖像數據r1具有與可允許的顯示不均勻相似的顯示不均勻的圖案，所以相似度S高的輸入圖像數據r1一定是顯示不均勻為可允許的可能性高的。利用該性質，即使誤差L相同，當相似度S高時，第1實施方式的判定部2A的關係式設定為輸入圖像數據r1易於分類成可允許的圖像數據的方式。此外，即使誤差L相同，當相似度S低時，第1實施方式的判定部2A的關係式設定為輸入圖像數據r1易於被分類為不允許的圖像數據的方式。
在第1實施方式的判定步驟中，不僅僅是從基於顯示不均勻強弱(像素值)的觀點，還從基於多種顯示不均勻的圖案的觀點來分類顯示不均勻是否為可允許的，所以能夠將圖像數據分類得更精細。通過用這兩種觀點來分類輸入圖像數據r1，如圖5A所示，可以在圖形上設置分離顯示不均勻為可允許的圖像數據和顯示不均勻為不允許的圖像數據的關係式。因此，在第1實施方式的判定步驟中，顯示圖像的顯示不均勻是否為可允許的圖像數據的判定精度得到了提高。
即使圖7的流程圖應用於與學習時使用的顯示器不同類型的顯示器時，也可以獲得與第1實施方式相同的效果。也就是說，能 夠更精確地判定顯示圖像的顯示不均勻是否為可允許的圖像數據。這是因為學習時使用的的顯示器的誤差L與相似度S的相關性類似於與學習時使用的顯示器不同類型的顯示器的誤差L與相似度S相關性。
5-1．變形例1
在第1實施方式中，雖然是將顯示不均勻分類為可允許的圖像數據與不允許的圖像數據2種的方式，但不限定於此。在變形例1中，可以將顯示不均勻分類為關注數據。具體而言，如圖8所示，獲取部12D可以分別獲取對應於線La1和線La2的關係式。線La1左側的區域Ar1是可允許的圖像數據的區域，線La2右側的區域Ar2是不允許的圖像數據的區域，線La1與線La2之間的區域Ar3是關注數據的區域。當輸入圖像數據r1的點位於區域Ar3時，則判定部2A的判定結果為向檢查員提起警告的內容。若可允許的顯示不均勻的圖像數據主要分佈的區域與不允許的圖像數據主要分佈的區域的邊界不明確時，如變形例1所示設定多個分類公式，這樣檢查員能夠更精確更謹慎地判斷顯示不均勻是否為可允許的。應予說明，即使是變形例1的構成，所有評價對象顯示器21的顯示不均勻也不一定被分類為關注數據。也就是說，即使是變形例1的構成，所有評價對象顯示器21中的一部分顯示不均勻可能被分類到區域Ar1或區域Ar2。因此，即使是變形例1的構成，也能夠獲得抑制評價對象顯示器21檢查時間增大的效果。
5-2．變形例2
在變形例2中，對空間頻率適用將人類的視覺特性模型化後的對比敏感度函數(CSF：Contrast Sensitivity Function)作為處理部3的帶通濾波器。通過使用2維CSF濾波器，可以根據人類的視覺特性使顯示不均勻突出。此外，通過採用2維CSF濾波器濾過特定方向的空間頻率的構成，能夠使特定方向的帶狀不均勻和條紋狀不均勻突出。如圖9所示，當應用2維CSF濾波器時，從圖像數據生成處理後的圖像數據Da，當應用僅濾過2維CSF濾波器中的縱向成分的濾波器時，從圖像數據生成處理後的圖像數據Db。
5-3．變形例3
在變形例3中，關係式由機器學習確定。例如，利用機器學習確定使用於關係式的變數。具體而言，基於距離的總和來確定使用於關係式中的變數，其中，所述距離的總和是指被標記的可允許的圖像數據的點和不可允許的圖像數據的點中的至少一者與用關係式表示的曲線或直線之間的距離的總和。當計算距離時，可以對距離點的距離進行加權，或距離點和曲線/直線的距離的總和最大化或最小化地來確定使用於關係式的變數。
還可以使誤差L和相似度S進行機器學習，來判定顯示不均勻是否為可允許的。例如，機械學習誤差L和相似度S與顯示不均勻為可允許的幾率關係。此時，進行學習以使判定顯示不均勻是否為可允許的精度提高。可以將幾率為規定閾值以上(或以下)的圖像數據的點形成的邊界作為關係式，或將機器學習後的分類器作為關係式。
應予說明，利用機器學習的分類方法有諸如邏輯回歸、回歸樹、臨近演算法、支持向量機、隨機森林、或遞迴神經網路等。
第2實施方式
在第2實施方式中，將主要說明與第1實施方式不同的部分，省略說明有關於相同的部分。如圖10所示，第2實施方式的信息處理系統100的信息處理裝置11具備判定部2A和處理部3。應予說明、學習部12A具有與數據生成部2a相同的功能，所以第2實施方式的信息處理系統100的信息處理裝置11不具有數據生成部2a。
與第1實施方式的信息處理裝置1相比，第2實施方式的信息處理裝置1的功能被限制。第2實施方式的信息處理裝置1存儲有將從測定部10獲取的圖像數據輸出到信息處理裝置11的應用程序。也就是說，第2實施方式的信息處理裝置1具有將圖像數據輸出到信息處理裝置11的功能。此外，第2實施方式的信息處理裝置1具有接收輸出後的圖像數據的顯示不均勻是否為可允許的判定結果。也就是說，第2實施方式是設置於生產現場的信息處理裝置1不分析圖像數據，而是由信息處理裝置11分析圖像數據的方式。信息處理裝置1接收的判定結果表示在信息處理裝置1的顯示器(未圖示)中。在第2實施方式中，即使在生產現場沒有分析圖像數據的機器，生產現場的檢察人員依舊能夠判定圖像數據的顯示不均勻是否為可允許的。第2實施方式適宜於信息處理裝置1配置在相對於信息處理裝置11位於遠端的位置、或將持有信息處理裝置1的公司與持有信息處理裝置11的公司不同的情況。
r1:輸入圖像數據
r2:輸出圖像數據
rc:壓縮數據
dref:基準數據

Claims (5)

  1. 一種信息處理方法，具備誤差計算步驟、相似度計算步驟、以及判定步驟，在所述誤差計算步驟中，計算輸入到自動編碼器的輸入圖像數據與所述自動編碼器輸出的輸出圖像數據的誤差，在所述相似度計算步驟中，基於用所述自動編碼器的編碼器壓縮所述輸入圖像數據得到的壓縮數據和基準數據，計算所述壓縮數據與所述基準數據的相似度，在所述判定步驟中，基於所述誤差與所述相似度的關係，判定所述輸入圖像數據的顯示不均勻是否為可允許的，其中，所述關係為關係式或表格。
  2. 如請求項1之信息處理方法，進一步具備獲取步驟，在所述獲取步驟中，通過對多個所述輸入圖像數據中的每一個執行第1步驟和第2步驟來計算多組關係獲取用誤差和關係獲取用相似度，並基於所述關係獲取用誤差和所述關係獲取用相似度獲取所述關係，在第1步驟中，基於關係獲取用輸入圖像數據和來自於所述自動編碼器的關係獲取用輸出圖像數據，計算所述關係獲取用誤差，在第2步驟中，基於用所述自動編碼器的所述編碼器壓縮所述關係獲取用輸入圖像數據得到的關係獲取用壓縮數據和所述基準數據，計算所述關係獲取用相似度。
  3. 如請求項1或2之信息處理方法， 所述自動編碼器具有所述編碼器和解碼器，且所述自動編碼器用學習模型進行學習，所述學習模型是讓由所述解碼器輸出的學習時輸出圖像數據的像素值接近輸入到所述編碼器的學習時輸入圖像數據的像素值，所述學習時輸入圖像數據是所述顯示不均勻為可允許的數據。
  4. 如請求項3之信息處理方法，基於用所述編碼器壓縮所述學習時輸入圖像數據得到的數據生成所述基準數據，在所述相似度計算步驟中，基於所述壓縮數據與所述基準數據的內積獲取所述相似度。
  5. 一種計算機程序，在計算機中執行具備誤差計算步驟、相似度計算步驟、以及判定步驟的信息處理，在所述誤差計算步驟中，計算輸入到自動編碼器的輸入圖像數據與所述自動編碼器輸出的輸出圖像數據的誤差，在所述相似度計算步驟中，基於用所述自動編碼器的編碼器壓縮所述輸入圖像數據得到的壓縮數據和基準數據，計算所述壓縮數據與所述基準數據的相似度，在所述判定步驟中，基於所述誤差與所述相似度的關係，判定所述輸入圖像數據的顯示不均勻是否為可允許的，其中，所述關係為關係式或表格。
TW108136466A 2018-11-28 2019-10-08 信息處理方法及計算機程序 TWI735967B (zh)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
WOPCT/JP2018/043736 2018-11-28
PCT/JP2018/043736 WO2020110224A1 (ja) 2018-11-28 2018-11-28 情報処理方法及びコンピュータプログラム

Publications (2)

Publication Number Publication Date
TW202020802A TW202020802A (zh) 2020-06-01
TWI735967B true TWI735967B (zh) 2021-08-11

Family

ID=70854192

Family Applications (1)

Application Number Title Priority Date Filing Date
TW108136466A TWI735967B (zh) 2018-11-28 2019-10-08 信息處理方法及計算機程序

Country Status (6)

Country Link
US (1) US11776114B2 (zh)
JP (1) JP7008843B2 (zh)
KR (1) KR102647255B1 (zh)
CN (1) CN113016023B (zh)
TW (1) TWI735967B (zh)
WO (2) WO2020110224A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220107118A (ko) * 2019-11-29 2022-08-02 보에 테크놀로지 그룹 컴퍼니 리미티드 제품 결함의 원인을 분석하는 시스템 및 방법, 컴퓨터 판독가능 매체
EP4276743A1 (en) * 2022-05-13 2023-11-15 Framatome Method and system for inspecting an object, such as a nuclear reactor component, e.g. a nuclear fuel assembly

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5305204A (en) * 1989-07-19 1994-04-19 Kabushiki Kaisha Toshiba Digital image display apparatus with automatic window level and window width adjustment
CN1835054A (zh) * 2005-03-15 2006-09-20 株式会社日立显示器 显示装置
JP2012185030A (ja) * 2011-03-04 2012-09-27 Sony Corp 色ムラ判別装置、色ムラ判別方法及び表示装置
CN107566689A (zh) * 2011-07-21 2018-01-09 图象公司 用于修改输入图像数据的***和方法
WO2018105028A1 (ja) * 2016-12-06 2018-06-14 三菱電機株式会社 検査装置及び検査方法

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP0500315B1 (en) * 1991-02-18 1999-07-21 Sumitomo Cement Co. Ltd. Method of optical recognition and classification of pattern
JPH06295168A (ja) * 1993-04-09 1994-10-21 Hitachi Ltd 表示素子の色むら検出方法
DE10022009C2 (de) * 1999-11-26 2002-12-05 Inb Vision Ag Verfahren und Einrichtung zur Bestimmung und mindestens teilweisen Korrektur der Fehler eines Bildwiedergabesystems
JP4085301B2 (ja) * 2001-11-09 2008-05-14 ソニー株式会社 情報処理装置および方法、記録媒体、並びにプログラム
EP1324616B1 (en) * 2001-12-28 2008-06-25 Texas Instruments France Method of compression of video telephony images
EP1424672A1 (en) * 2002-11-29 2004-06-02 Barco N.V. Method and device for correction of matrix display pixel non-uniformities
JP4515739B2 (ja) 2003-09-30 2010-08-04 大日本印刷株式会社 カラーフィルタの製造方法
KR100540469B1 (ko) 2004-05-07 2006-01-10 (주)제이엠아이씨큐 악성코드 분석, 차단, 치료장치 및 그 제어방법
US20060208671A1 (en) 2005-03-15 2006-09-21 Hitachi Displays, Ltd. Display device
JP2010159979A (ja) * 2009-01-06 2010-07-22 Hitachi Ltd 外観検査方法及び外観検査システム
WO2015184525A1 (en) * 2014-06-05 2015-12-10 Interdev Technologies Systems and methods of interpreting speech data
JP6634936B2 (ja) * 2016-04-05 2020-01-22 富士通株式会社 画像符号化装置、画像符号化方法、画像符号化プログラム、画像復号装置、画像復号方法、画像復号プログラムおよび画像伝送システム
US10395356B2 (en) * 2016-05-25 2019-08-27 Kla-Tencor Corp. Generating simulated images from input images for semiconductor applications
JP2018005773A (ja) 2016-07-07 2018-01-11 株式会社リコー 異常判定装置及び異常判定方法
WO2018138597A1 (ja) * 2017-01-26 2018-08-02 株式会社半導体エネルギー研究所 半導体装置、及び電子機器
JP6624125B2 (ja) * 2017-03-13 2019-12-25 コニカミノルタ株式会社 画像検査装置、画像形成システム及び画像圧縮方法
JP2018156451A (ja) * 2017-03-17 2018-10-04 株式会社東芝 ネットワーク学習装置、ネットワーク学習システム、ネットワーク学習方法およびプログラム
JP7042118B2 (ja) * 2018-03-08 2022-03-25 株式会社東芝 検査装置、検査方法、及びプログラム
KR101911061B1 (ko) 2018-03-26 2018-10-23 주식회사 대곤코퍼레이션 비지도 학습기반 영역별 자가부호기를 이용한 제품 불량판별 시스템 및 비지도 학습기반 영역별 자가부호기를 이용한 제품 불량판별 방법
CN108665441B (zh) * 2018-03-30 2019-09-17 北京三快在线科技有限公司 一种近似重复图像检测方法及装置，电子设备

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5305204A (en) * 1989-07-19 1994-04-19 Kabushiki Kaisha Toshiba Digital image display apparatus with automatic window level and window width adjustment
CN1835054A (zh) * 2005-03-15 2006-09-20 株式会社日立显示器 显示装置
JP2012185030A (ja) * 2011-03-04 2012-09-27 Sony Corp 色ムラ判別装置、色ムラ判別方法及び表示装置
CN107566689A (zh) * 2011-07-21 2018-01-09 图象公司 用于修改输入图像数据的***和方法
WO2018105028A1 (ja) * 2016-12-06 2018-06-14 三菱電機株式会社 検査装置及び検査方法

Also Published As

Publication number Publication date
US11776114B2 (en) 2023-10-03
US20220020135A1 (en) 2022-01-20
CN113016023B (zh) 2023-06-27
CN113016023A (zh) 2021-06-22
JP7008843B2 (ja) 2022-01-25
WO2020110224A1 (ja) 2020-06-04
WO2020110629A1 (ja) 2020-06-04
TW202020802A (zh) 2020-06-01
KR102647255B1 (ko) 2024-03-12
KR20210084576A (ko) 2021-07-07
JPWO2020110629A1 (ja) 2021-10-21

Similar Documents

Publication Publication Date Title
Cavalcante et al. Measuring streetscape complexity based on the statistics of local contrast and spatial frequency
US11631230B2 (en) Method, device, system and computer-program product for setting lighting condition and storage medium
JP2016115331A (ja) 識別器生成装置、識別器生成方法、良否判定装置、良否判定方法、プログラム
JPWO2008156147A1 (ja) 塗色データベースの作成方法及びそのデータベースを用いた検索方法、並びにそれらのシステム、プログラム及び記録媒体
TWI735967B (zh) 信息處理方法及計算機程序
JPWO2014136561A1 (ja) むら検査システム、むら検査方法およびむら検査プログラム
CN114066857A (zh) 红外图像质量评价方法、装置、电子设备及可读存储介质
CN117115147B (zh) 一种基于机器视觉的纺织品检测方法及***
JPWO2018179361A1 (ja) 画像処理装置、画像処理方法、およびプログラム
JP2020135051A (ja) 欠点検査装置、欠点検査方法、欠点検査プログラム、学習装置および学習済みモデル
CN109102486A (zh) 基于机器学习的表面缺陷检测方法及装置
JP6114559B2 (ja) フラットパネルディスプレイの自動ムラ検出装置
CN112488986A (zh) 基于Yolo卷积神经网络的布匹表面瑕疵识别方法、装置及***
JP6126290B1 (ja) 外観検査装置
CN106971386A (zh) 判断图像完整度及页面加载度的方法、装置和客户端设备
CN110288662A (zh) 显示器检测方法与***
CN117745730B (zh) 一种基于图像处理技术的涤纶长丝毛丝检测方法及***
CN116703912B (zh) 一种迷你主机网口完整性视觉检测方法
Dai et al. Anomaly detection and segmentation based on defect repaired image resynthesis
US20240037768A1 (en) Optical Inspection Based on Repetitive Feature Comparison
JP2011237369A (ja) 表面状態分類装置、表面状態分類方法及び表面状態分類プログラム
Park et al. Human visual system-based perceptual Mura index for quantitative Mura evaluation
Vibhute et al. Attribute Inspection of Product Using Image Processing
Çevik et al. Computer aided control of cutting error in textile products
JP5842479B2 (ja) 地合検査装置及び地合検査方法