用于识别产品两维数字图像中的异常的方法和装置制造方法及图纸

本发明专利技术涉及识别产品数字图像异常的方法，当数字图像区域属性值大于预定最大阈值时识别为最大值异常，当区域属性值小于预定最小阈值时识别为最小值异常。最大阈值/最小阈值在以下学习中确定：产生不含异常的良品数字图像；对于每个数字图像，规定区域并确定每个区域属性值，确定最大抽样值和/或最小抽样值；确定描述最大值抽样或最小值抽样的概率密度函数参数的估值；用概率密度函数确定最大阈值，使出现大于等于最大阈值的最大值的概率对应于错误识别最大值异常的预定比率，用概率密度函数确定最小阈值，使出现小于等于最小阈值的最小值的概率对应于错误识别最小值异常的预定比率。本发明专利技术还涉及用于执行该方法的装置及计算机程序产品。计算机程序产品。计算机程序产品。

【技术实现步骤摘要】
用于识别产品两维数字图像中的异常的方法和装置


[0001]本专利技术涉及一种具有权利要求1或2的前序部分的特征的用于识别产品数字图像中的异常的方法。另外，本专利技术涉及一种用于执行该方法的装置以及计算机程序产品。

技术介绍

[0002]在生产产品时经常期望或需要使制成产品接着就产品是否有异常尤其是瑕疵、异物等而接受检查。例如在食品行业中可以在制造酸奶或奶酪时提出以下任务，即，就是否有不希望的异物或其它不希望的材料段位于产品内而检查制成产品。为了解决该问题，实际上采用如下检验装置，其用电磁辐射、尤其用在X射线频谱的射线透射产品。通过这种方式产生产品数字图像，其不仅包含关于产品的外几何形状尺寸或表面的信息，也包含关于产品内部的信息。待查异常在此可以与其衰减相关地在透射时造成如下图像区域，其相对于不具异常的图像区域(以下称为“区域”)具有更高或更低的“灰度值”即像素值(相比良区)。在以下说明中，术语“灰度值”表示探测器依据照中单独像素的辐射功率或在有效曝光时间期间内所探测的相应辐射能量所产生的信息，而不受在相关的数字图像中能以何种颜色或方式显示该像素值所影响。
[0003]关于这种产品监视，也知道如下的装置或方法，在此待检产品未被完全透射(即辐射源和探测器位于产品的对置两侧)，而是在此辐射足够深地透入待检产品中并且在产品内被“反射”，其中，所述“反射”实际上通过进入体积区域中的辐射的散射或通过在该体积区域内产生荧光辐射来造成。在这样的检验装置中，辐射源和探测器也可以位于待检产品的同一侧。
[0004]待检产品在此能以任何类型的单件产品形式或作为散料存在，其借助输送装置被输送经过检验装置。
[0005]作为辐射用探测器，在待检产品沿输送路径运动的生产线中经常采用行探测器，其具有一个或多个分别有预定数量的像素的探测器行。数字图像在此通常以恒定速度被运动经过这样的扫描装置，其中，数字图像由许多所探查的行组成。但显然也可能的是，代替行扫描器地使用面扫描器。在此，待检产品的数字图像可以借助唯一的探查过程(即唯一的曝光过程)来采集。
[0006]如此产生的数字图像通常随后就在相关产品内是否有异常而被自动检查。在此，直接借助所执行的扫描过程产生的图像可以在这种检查之前被处理或准备。为此可以例如以数字方式过滤初始图像，其中，为此所需的过滤器可以实现对比度改善。
[0007]也可能的是在产生图像时就已采取尤其关于异常识别的对比度改善措施。例如可以采用双能量方法，其中，选择两个频谱，从而通过相关部分图像的叠加得到对比度改善。
[0008]还可能的是采用频谱分辨探测器，其产生许多图像，其中，每个图像由若干像素组成，这些像素的灰度值对应于分别在探查辐射的一定频谱部段内的辐射能量。于是，如下图像可被用于识别异常，它从这种频谱分辨探测器的所有的或所选的局部图像中产生，例如通过将相关像素值加权求和。但是也可以单独检查每个局部图像是否有异常。
[0009]为了自动化检查产品数字图像，知道如下方法，在此规定一个阈值，其中，当至少一个像素的灰度值大于阈值时存在异常。为此，在学习过程中通常扫描相同产品类型的预定数量的良品(即不具有异常的产品)，以获得关于通常在这种良品中出现最大灰度值的信息。接着，与此相关地如此确定该阈值，即，满足误淘汰率的预定值(例如百分比或千分比)。误淘汰率在此是良品被识别为“差品”的概率。通过确定“良品被鉴别为差品”的经验频率，可以检查(理论)误淘汰率。为此，可以产生足够数量的良品数字图像并使用规定的阈值来检查，其中，按经验的误淘汰率被确定为：“被识别为差品的良品除以良品总数所得的商”。
[0010]因此，这种阈值的确定需要必须产生相对大量的良品数字图像的复杂学习过程。但这是不利的，因为首先必须借助相关的生产线产生这种数量的良品，即，生产时间被相应浪费。此外，几乎无法预测学习过程所需的良品的数量必须大到何种程度才能可靠确定该阈值，从而满足期望的误淘汰率。

技术实现思路

[0011]鉴于该现有技术，本专利技术的任务是提供一种用于识别在被扫描产品的数字图像中的异常的方法，在此，用于确定被用来探查异常的阈值的自动化过程能快速可靠地用较少量的数字图像执行。此外，本专利技术的任务是提供一种用于执行该方法的装置以及计算机程序产品。
[0012]本专利技术利用权利要求1和2或16和17的特征完成该任务。
[0013]本专利技术基于以下认识：当假定了用以识别待检数字图像中异常的特定参量最大值或最小值(下称极值)的统计分布时，可以在学习过程中用相对少的数字图像相当可靠地确定用于探查产品数字图像中异常的阈值。为此，根据本专利技术作出如下假定，即，极值分布可以足够好地用预定的待参数化的概率密度函数来描述(在本说明书中用术语“参数化”表示查明或确定用于概率密度函数参数的值)。换言之，作出以下假定，即，分别预定的概率密度函数的抽样单元(即各自最大值或最小值的量)足够或者其出现概率良好地通过概率密度函数被描述。在使用抽样单元情况下，查明用于概率密度函数的所有待规定参数(即用于所有或许尚未预定的参数)的估值。通常，概率密度函数具有两个参数，在正态分布情况下例如是经验值μ和标准偏差σ或方差σ2。
[0014]根据本专利技术的一个实施方式，采用极值分布、尤其是广义极值分布的预定变型、即威布尔分布、弗雷歇分布或耿贝尔分布，以便描述特定参量的最大值或最小值的分布。显然，可采用本身具有三个参数的广义极值分布。
[0015]在此，本专利技术不局限于前言所述的情况，即，像素值尤其是每个单独像素值与用于像素值的阈值相关地被考虑用于判断待检数字图像是否含有异常。
[0016]相反，本专利技术概括出该做法所基于的原理。待检图像被划分为一个或多个区域，其中，每个区域至少被分配所述一个属性或所述多个属性。在此，每个区域包括正好一个或多个像素，其中，只有当多个像素相邻(即，区域的每个像素具有同一区域的至少一个紧邻像素)时才被分配给同一区域。在此，以其一个边缘与目标像素的一边缘相邻的每个像素(即，在目标像素的上、下、左、右的像素)或者(附加地)以其一角邻近相邻像素的一角的每个像素(即在所关注的像素的对角线延长线上的像素)可被视为邻近所关注的像素。对于在先确定的区域的每个属性查明一个值，该值描述各自属性。如果给区域分配多个属性，则可以针
对每个属性确定单独值，或两个或更多的属性的值被关联成一个复合值，例如通过算数运算(例如乘或除或加权求和)。
[0017]异常的探查在该概论中通过确定用于每个属性的阈值或用于多个属性组合的阈值进行。
[0018]极端情况下，整个图像可被认定或确定为一个区域。如果在此还作为用于识别异常的特定参量而检查每个像素的像素值是否高于或低于用于像素值的预定阈值，则这导致与每个像素被认定或确定为具有正好一个像素的区域时一样的结果。在此情况下，前述的概论在使用预限定的区域和所属的任何属性的情况下又导致迄今常见的做法，据此这些单独像素关于其像素值被检查其是否高于或低于用于像素值的阈值。
[0019]用于属本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于识别产品数字图像中的异常的方法，其中，每个数字图像通过多个像素形成，且其中，每个像素呈现相关图像内的对应位点并且具有表征相关位点的值，(a)其中，每个待检图像被认定为一个区域或被分为两个或更多的区域，每个区域分别由一个或多个相邻的像素构成，并且(b)其中，对于每个区域确定该区域的至少一个属性的值或多个属性的复合值，(c)其中，若一区域的至少一个属性的值或多个属性的复合值大于预定的最大阈值或由此导出的二级最大阈值，则该区域被识别为最大值异常；和/或其中，若一区域的至少一个属性的值或多个属性的复合值小于预定的最小阈值或由此导出的二级最小阈值，则该区域被识别为最小值异常，其特征是，(d)该最大阈值和/或该最小阈值在学习过程中通过执行以下步骤被确定：(i)产生或使用一定数量的不含异常的良品数字图像或大多不含异常的良过程产品的数字图像，其中，图像数量是被设定、或是在学习过程进展中被确定的；(ii)对于每个所述数字图像，规定这个或这些区域并且确定每个区域的该至少一个属性的值或多个属性的复合值，并且将这些值的最大值确定为最大值抽样的最大抽样值和/或将这些值的最小值确定为最小值抽样的最小抽样值；(iii)在使用统计估算方法情况下，采用所述最大抽样值来确定为了描述该最大值抽样而预定的概率密度函数的所有空闲且未预定的参数的估算值，和/或采用所述最小抽样值确定为了描述该最小值抽样而预定的概率密度函数的所有空闲且未预定的参数的估算值；(iv)设定用以在待检图像中错误地识别最大值异常的第一比率或者用以在待检图像中正确地未识别出最大值异常的第二比率，和/或设定用以在待检图像中错误地识别最小值异常的第三比率或者用以在待检图像中正确地未识别最小值异常的第四比率，(v)使用根据(iii)参数化的概率密度函数或与之对应的分布函数来按如下方式确定该最大阈值，即，出现大于或等于该最大阈值的最大值的概率对应于预定的第一比率，或出现小于或等于该最大阈值的最大值的概率对应于预定的第二比率，和/或(vi)使用根据(iii)参数化的概率密度函数或与之对应的分布函数按如下方式确定该最小阈值，即，出现小于或等于该最小阈值的最小值的概率对应于预定的第三比率，或出现大于或等于该最小阈值的最小值的概率对应于预定的第四比率。2.一种用于识别产品数字图像中的异常的方法，其中，每个数字图像由多个像素构成，并且其中，每个像素呈现相关图像内的对应位点并具有表征相关位点的值，(a)其中，每个待检图像被认定为一个区域或被分为两个或更多的区域，每个区域由一个或多个相邻像素构成，并且(b)其中，对于每个区域来确定该区域的至少一个属性的值或多个属性的复合值，(c)其中，若一区域的至少一个属性的值或多个属性的复合值大于预定的最大阈值或由此导出的二级最大阈值，则该区域被识别为最大值异常，和/或若一区域的至少一个属性的值或多个属性的复合值小于预定的最小阈值或由此导出的二级最小阈值，则该区域被识别为最小值异常，其特征是，
(d)该最大阈值和/或该最小阈值在执行以下步骤的学习过程中被确定：(i)产生或使用一定数量的含至少一个异常的差品数字图像或大多含异常的差过程产品的数字图像，其中，图像数量是被设定、或在学习过程进展中被确定的；(ii)对于每个所述数字图像，规定这个或这些区域并且确定每个区域的至少一个属性的值或多个属性的复合值，并且将这些值的最大值确定为最大值抽样的最大抽样值或者将这些值的最小值确定为最小值抽样的最小抽样值；(iii)在使用统计估算方法情况下，采用所述最大抽样值来确定为了描述该最大值抽样而预定的概率密度函数的所有空闲且未预定的参数的估算值，和/或采用所述最小抽样值确定为了描述该最小值抽样而预定的概率密度函数的所有空闲且未预定的参数的估算值；(iv)设定用以在待检图像中正确识别最大值异常的第五比率或者用以在待检图像中错误地未识别最大值异常的第六比率，和/或设定用以在待检图像中正确识别最小值异常的第七比率或者用以在待检图像中错误地未识别最小值异常的第八比率，(v)利用根据(iii)参数化的概率密度函数或与之对应的分布函数来按下述方式确定该最大阈值，即，出现小于或等于该最大阈值的最大值的概率对应于预定的第六比率，或者出现大于或等于该最大阈值的最大值的概率对应于预定的第五比率，和/或(vi)利用根据(iii)参数化的概率密度函数或与之对应的分布函数来按下述...

【专利技术属性】
技术研发人员：米夏埃尔，
申请(专利权)人：伟博泰有限公司，
类型：发明
国别省市：