JPH02280078A - 物体撮像方式 - Google Patents
物体撮像方式Info
- Publication number
- JPH02280078A JPH02280078A JP1101368A JP10136889A JPH02280078A JP H02280078 A JPH02280078 A JP H02280078A JP 1101368 A JP1101368 A JP 1101368A JP 10136889 A JP10136889 A JP 10136889A JP H02280078 A JPH02280078 A JP H02280078A
- Authority
- JP
- Japan
- Prior art keywords
- target object
- shape
- stage
- sound pressure
- waves
- 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
Landscapes
- Image Processing (AREA)
- Radar Systems Or Details Thereof (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
- Image Analysis (AREA)
- Length Measuring Devices Characterised By Use Of Acoustic Means (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
【発明の詳細な説明】
坦釘ｌ夏
本発明は、物体撮像方式に関し、例えば、超音波を用い
た３次元カメラ、３次元コピア、３次元ファクシミリ、
およびロボットの目等に応用できるものである。
た３次元カメラ、３次元コピア、３次元ファクシミリ、
およびロボットの目等に応用できるものである。
従ＪＪＬ尊
超音波を対象物体に照射し、その散乱波を複数個の受波
器で受け、その測定値から対象物体の形状を撮像する方
法は、例えば、音響ホログラフィ等で知られる方法がこ
れまでにも考えられていたが、超音波の波長の長さ、受
波アレイの大きさが有限であることなどの理由により実
用的な撮像を行えるには至っていない。
器で受け、その測定値から対象物体の形状を撮像する方
法は、例えば、音響ホログラフィ等で知られる方法がこ
れまでにも考えられていたが、超音波の波長の長さ、受
波アレイの大きさが有限であることなどの理由により実
用的な撮像を行えるには至っていない。
また、ニューラルネットワークを用いて超音波映像を構
成する方法は、［ニューラルネットワークを用いた超音
波によるロボット・アイ・システム」（電子情報通信学
会１９８９年２月２２日）により提案されているが、未
学習な形の物体については高精細な再生像が得られなか
った。
成する方法は、［ニューラルネットワークを用いた超音
波によるロボット・アイ・システム」（電子情報通信学
会１９８９年２月２２日）により提案されているが、未
学習な形の物体については高精細な再生像が得られなか
った。
且−一煎
本発明は、上述のごとき欠点を解決するためになされた
もので、超音波を対象体に照射し、その散乱波をアレイ
型レシーバ−を用いて測定し解析することにより、対型
体の高精細な３次元形状を撮像する物体撮像方式を提供
することを目的としてなされたものである。
もので、超音波を対象体に照射し、その散乱波をアレイ
型レシーバ−を用いて測定し解析することにより、対型
体の高精細な３次元形状を撮像する物体撮像方式を提供
することを目的としてなされたものである。
娼−一域−
本発明は、上記目的を達成するために、（１）対象物体
に超音波を放射し、その散乱波の音圧をＮ個（Ｎ＞０）
のアレイ型レシーバ−で測定し、対象物体の形状を再構
成する場合において、操作を２段に分け、第１段では、
散乱波の音圧から対象物体のおおよその形状を再構成し
、第２段では、対象物体のおおよその形状から対物体の
精密な形状を再構成すること、更には、（２）対象物体
に超音波を放射し、その散乱波の音圧をＮ個（Ｎ＞０）
のアレイ型レシーバ−で泪１定し、対象物体の形状を再
構成するために、操作を２段に分け、第１段では、散乱
波の音圧から対象物体のおおよその形状を再構成し、第
２段では、対象物体のおおよその形状から対物体の精密
な形状を再構成する場合において、第１段、第２段とも
、与えられたデータとそれに対する望ましい出力データ
からその対応関係を学習させる事によって構成すること
、或いは、（３）対象物体に超音波を放射し、その散乱
波の音圧をＮ個（Ｎ＞０）のアレイ型レシーバ−で測定
し、対象物体の形状を再構成するために、対象物体とし
てＮ個の異なる位置形状のものを用意し、それからの散
乱波を２１Ｉ１１定し、対象物体と散乱波の音圧とが線
形な関係を持つことを利用することにより、？ｌｌ！ｌ
定された音圧から対象物体の形状を再構成する関係式を
構成すること、更には、（４）対象物体に超音波を放射
し、その散乱波の音圧をＮ個（Ｎ＞０）のアレイ型レシ
ーバ−で測定し、対象物体の形状を再構成するために、
操作を２段に分け、第１段では、散乱波の音圧から対象
物体のおおよその形状を再構成し、第２段では、対象物
体のおおよその形状から対物体の精密な形状を再構成す
る場合において、第１段では、請求項３記載の方式を用
い、第２段では、ニューラルネットワークを用いること
、或いは、（５）対象物体に超音波を放射し、その散乱
波の音圧をＮ個（Ｎ＞０）のアレイ型レシーバ−で測定
し、対象物体の形状を再構成するために、操作を２段に
分け、第１段では、散乱波の音圧から対象物体のおおよ
その形状を再構成し、第２段では、対象物体のおおよそ
の形状から対物体の精密な形状を再構成するために第１
段では、請求項３記載の方式を用い、第２段では、ニュ
ーラルネットワークを用いる場合において、そのニュー
ラルネットワークに学習させる時に用いる入力データと
教師出力データを人工的に作られた出力データとそれを
変換することで得られる入力データで代用することを特
徴としたものである。以下、本発明の実施例に基づいて
説明する。
に超音波を放射し、その散乱波の音圧をＮ個（Ｎ＞０）
のアレイ型レシーバ−で測定し、対象物体の形状を再構
成する場合において、操作を２段に分け、第１段では、
散乱波の音圧から対象物体のおおよその形状を再構成し
、第２段では、対象物体のおおよその形状から対物体の
精密な形状を再構成すること、更には、（２）対象物体
に超音波を放射し、その散乱波の音圧をＮ個（Ｎ＞０）
のアレイ型レシーバ−で泪１定し、対象物体の形状を再
構成するために、操作を２段に分け、第１段では、散乱
波の音圧から対象物体のおおよその形状を再構成し、第
２段では、対象物体のおおよその形状から対物体の精密
な形状を再構成する場合において、第１段、第２段とも
、与えられたデータとそれに対する望ましい出力データ
からその対応関係を学習させる事によって構成すること
、或いは、（３）対象物体に超音波を放射し、その散乱
波の音圧をＮ個（Ｎ＞０）のアレイ型レシーバ−で測定
し、対象物体の形状を再構成するために、対象物体とし
てＮ個の異なる位置形状のものを用意し、それからの散
乱波を２１Ｉ１１定し、対象物体と散乱波の音圧とが線
形な関係を持つことを利用することにより、？ｌｌ！ｌ
定された音圧から対象物体の形状を再構成する関係式を
構成すること、更には、（４）対象物体に超音波を放射
し、その散乱波の音圧をＮ個（Ｎ＞０）のアレイ型レシ
ーバ−で測定し、対象物体の形状を再構成するために、
操作を２段に分け、第１段では、散乱波の音圧から対象
物体のおおよその形状を再構成し、第２段では、対象物
体のおおよその形状から対物体の精密な形状を再構成す
る場合において、第１段では、請求項３記載の方式を用
い、第２段では、ニューラルネットワークを用いること
、或いは、（５）対象物体に超音波を放射し、その散乱
波の音圧をＮ個（Ｎ＞０）のアレイ型レシーバ−で測定
し、対象物体の形状を再構成するために、操作を２段に
分け、第１段では、散乱波の音圧から対象物体のおおよ
その形状を再構成し、第２段では、対象物体のおおよそ
の形状から対物体の精密な形状を再構成するために第１
段では、請求項３記載の方式を用い、第２段では、ニュ
ーラルネットワークを用いる場合において、そのニュー
ラルネットワークに学習させる時に用いる入力データと
教師出力データを人工的に作られた出力データとそれを
変換することで得られる入力データで代用することを特
徴としたものである。以下、本発明の実施例に基づいて
説明する。
本発明の物体撮像方式は大きく分けて次の２段に分れて
いる。
いる。
第１段：対象物体に超音波を照射し、その散乱波から対
象物体のおおよその形状を構成する方式。
象物体のおおよその形状を構成する方式。
第２段二対象物体のおおよその形状から対象物体の精密
な形状を構成する方式。
な形状を構成する方式。
第１段では、対象物体に超音波を照射し、その散乱波の
音圧をＮ個（Ｎ＞０）の受波器で測定し。
音圧をＮ個（Ｎ＞０）の受波器で測定し。
その測定値から対象物体の形状を構成する。測定された
音圧と対象物体の形状は線形な関係にあるので、両者を
結ぶ一次変換を表わす行列を、Ｎ個の異なる対象物体の
形状とそのときの散乱波の音圧とを具体的に測定するこ
とにより決定することができる。
音圧と対象物体の形状は線形な関係にあるので、両者を
結ぶ一次変換を表わす行列を、Ｎ個の異なる対象物体の
形状とそのときの散乱波の音圧とを具体的に測定するこ
とにより決定することができる。
第２段では、第１段で得られた対象物体のおおよその形
状をニューラルネットを用いることにより高精細化する
。
状をニューラルネットを用いることにより高精細化する
。
まず、第１段の実施例について説明する。第１図は、本
発明の詳細な説明するための散乱波測定装置で、図中、
１は対象物体、２は超音波の照射器、３はＮＸＮ個の受
波器からなるレシーバ−アレイ、４はパルスジェネレー
タ、５はコンピュータ、６はデイスプレィである。パル
スジェネレータ４から送られた信号 を超音波照射器２から超音波バースト波として対象物体
に向けて照射する（ｒｏは照射器の位置を表わす）。こ
のとき対象物体からの散乱波をレシーバ−アレイ３の受
波器（ｐ、ｑ）により時刻を変えてＭ測測定し、その値
を （ｇ（ｐ、ｑ＋ｒ）） ｒ＝ １１２１３”””Ｍとし
、コンピュータ５に送る。コンピュータ５での計算は次
の様に行う。
発明の詳細な説明するための散乱波測定装置で、図中、
１は対象物体、２は超音波の照射器、３はＮＸＮ個の受
波器からなるレシーバ−アレイ、４はパルスジェネレー
タ、５はコンピュータ、６はデイスプレィである。パル
スジェネレータ４から送られた信号 を超音波照射器２から超音波バースト波として対象物体
に向けて照射する（ｒｏは照射器の位置を表わす）。こ
のとき対象物体からの散乱波をレシーバ−アレイ３の受
波器（ｐ、ｑ）により時刻を変えてＭ測測定し、その値
を （ｇ（ｐ、ｑ＋ｒ）） ｒ＝ １１２１３”””Ｍとし
、コンピュータ５に送る。コンピュータ５での計算は次
の様に行う。
第２図は、本発明の詳細な説明するための図で、対象物
体の再生領域をデジタル化したものを表わしている。こ
のとき関数ξ（ｉｔｊ＋ｋ）を次の様に定義する。
体の再生領域をデジタル化したものを表わしている。こ
のとき関数ξ（ｉｔｊ＋ｋ）を次の様に定義する。
このとき、散乱波ｇ （ｐ＋ｑ＋ｒ）と対象物体の表面
存在関数ξ（ｉ、ｊ、ｋ）とは線形な関係があるので、
ある定数ａ（Ｐ＋Ｑ＋ｒ＋ｌ＋ｊ、ｋ）を用いて１＝Ｏ
ｊ＝Ｏｋ＝Ｏ と表わすことができる。ａ（Ｐ＋Ｑ＋ｒｔｌｔＪ＋ｋ）
を求めるためには、各ボクセル（ｉ、、＋、ｋ）にだけ
表面が存在する小さな対象物体をおいて、そのときの散
乱波を測定すれはよい。
存在関数ξ（ｉ、ｊ、ｋ）とは線形な関係があるので、
ある定数ａ（Ｐ＋Ｑ＋ｒ＋ｌ＋ｊ、ｋ）を用いて１＝Ｏ
ｊ＝Ｏｋ＝Ｏ と表わすことができる。ａ（Ｐ＋Ｑ＋ｒｔｌｔＪ＋ｋ）
を求めるためには、各ボクセル（ｉ、、＋、ｋ）にだけ
表面が存在する小さな対象物体をおいて、そのときの散
乱波を測定すれはよい。
Ｐ＝（ｐｐｑ＋ｒ）
Ｉ＝（１＋ｊ＋ｋ）
と書くことにすると、両式は。
ｇ（Ｐ）＝Σａ（Ｐ、Ｉ）ξ（Ｉ）
ＩＥボクセル
となるから、行列（ａ（［’、Ｉ）） Ｐ、Ｉの逆行列
を（ａ ’（１，Ｐ）） ｒ、ｐとすると（行列が与え
られた時。
を（ａ ’（１，Ｐ）） ｒ、ｐとすると（行列が与え
られた時。
その逆行列を計算する方法は周知である。）。
ξ（■）＝Σａ−” （Ｉ、Ｐ）ｇ（Ｐ）ＰＥｉｌｌｌ
Ｊ定時刻、場所 番こよって、ξ（ｉ）を求めることかできる。ξ（１）
は対象物体の表面が存在するかどうかを表わす関数であ
ったから、このξをコンピュータ５で計算し、デイスプ
レィ６に表示すれば対象物体のおおよその形が得られる
。
Ｊ定時刻、場所 番こよって、ξ（ｉ）を求めることかできる。ξ（１）
は対象物体の表面が存在するかどうかを表わす関数であ
ったから、このξをコンピュータ５で計算し、デイスプ
レィ６に表示すれば対象物体のおおよその形が得られる
。
次に第２段の実施例について説明する。第１段で得られ
た再生像はＭ、Ｎか小さいときには劣化が著しく実用に
向ない。また、Ｍ、Ｎを大きく取ることは、装置の制約
上できないことが多い。そこで、第２段では、第１段で
得られた像から、より解像度の高い像を構成する方式に
ついて述べる。
た再生像はＭ、Ｎか小さいときには劣化が著しく実用に
向ない。また、Ｍ、Ｎを大きく取ることは、装置の制約
上できないことが多い。そこで、第２段では、第１段で
得られた像から、より解像度の高い像を構成する方式に
ついて述べる。
第３図は、第１段で得られたＮＸＮＸＭの再生領域上の
再構成像から、ＬＸＬＸＫ上の像を構成するニューラル
ネットワークを説明するための図で、丸はネットワーク
の各ユニットを、実線は各ユニット間の結合をそれぞれ
表わしている。入力）ｔ！Ｊに属するユニットはＮＸＮ
ＸＭ個、出力層に属するユニットはＬＸＬＸＫ個、中間
層に属するユニットの個数は可変である（中間層の個数
はネットワークの望ましい性能によって選ぶことができ
る）。各情報は実線で示されるユニット間結合を通る際
にその結合の重み倍になり、また各ユニットから出力さ
れる情報は、そのユニットに集る情報の和をＸとすると
き、 １／（１＋ｅｘｐ（−ｘ＋ ０ ）） で与えられる。ここで、０はそのユニットのバイアス値
である。この様な構造のネットワークに対して、入カバ
ターンとそれに対する望ましい出カバターンが与えられ
ると、周知の方式パックプロパゲーション法によって、
それらの対応関係を実現するための結合間の重みとバイ
アス値とをニューラルネットワークに学習させることが
できる。
再構成像から、ＬＸＬＸＫ上の像を構成するニューラル
ネットワークを説明するための図で、丸はネットワーク
の各ユニットを、実線は各ユニット間の結合をそれぞれ
表わしている。入力）ｔ！Ｊに属するユニットはＮＸＮ
ＸＭ個、出力層に属するユニットはＬＸＬＸＫ個、中間
層に属するユニットの個数は可変である（中間層の個数
はネットワークの望ましい性能によって選ぶことができ
る）。各情報は実線で示されるユニット間結合を通る際
にその結合の重み倍になり、また各ユニットから出力さ
れる情報は、そのユニットに集る情報の和をＸとすると
き、 １／（１＋ｅｘｐ（−ｘ＋ ０ ）） で与えられる。ここで、０はそのユニットのバイアス値
である。この様な構造のネットワークに対して、入カバ
ターンとそれに対する望ましい出カバターンが与えられ
ると、周知の方式パックプロパゲーション法によって、
それらの対応関係を実現するための結合間の重みとバイ
アス値とをニューラルネットワークに学習させることが
できる。
そこで、第２段では、このネットワークに学習させるた
めの入力データと出力データとの構成法を示す。
めの入力データと出力データとの構成法を示す。
入力データと出力データの構成法としては、多様な形の
表面をもつ実際の物体を数多く用いて実測により構成す
る方法が考えられるが、立体の場合十分多様な形の物体
を構成することは実用上得策でない。そこで、入力デー
タと出力データを人工的に構成する方式を以下に述べる
。
表面をもつ実際の物体を数多く用いて実測により構成す
る方法が考えられるが、立体の場合十分多様な形の物体
を構成することは実用上得策でない。そこで、入力デー
タと出力データを人工的に構成する方式を以下に述べる
。
第４図（ａ）、（ｂ）はニューラルネットワークに学習
させるための入力データと出力データとを構成する方式
を説明するための図で、（、）は望ましい出力データを
、（ｂ）はその出力データが期待される時のデータをそ
れぞれ表わしている。ここで、実際のデータは３次元上
に表わされるが、見やすくするため２次元上に表示した
。
させるための入力データと出力データとを構成する方式
を説明するための図で、（、）は望ましい出力データを
、（ｂ）はその出力データが期待される時のデータをそ
れぞれ表わしている。ここで、実際のデータは３次元上
に表わされるが、見やすくするため２次元上に表示した
。
以下、Ｌ＝ｓＮ、に＝ｔＭとする。ここで、Ｓ。
ｔはある整数である。第４図では、５＝Ｔ＝３で表示し
である。まず、第４図（ａ）の様な物体の表面を表わす
図形をＬＸＬＸＫの領域上に十分多く作っておく。第４
図（ａ）で、斜線を引いたボクセルは物体の表面が存在
することを示しており。
である。まず、第４図（ａ）の様な物体の表面を表わす
図形をＬＸＬＸＫの領域上に十分多く作っておく。第４
図（ａ）で、斜線を引いたボクセルは物体の表面が存在
することを示しており。
ここでの値を１とする。また、斜線のないボクセルは物
体の表面がないことを示しており、ここでの値はＯであ
る。これらをニューラルネットの望ましい出力データと
する。次に、ＬＸＬＸＫの領域をＮＸＮＸＭの領域に分
ける（すなわち、５ＸｓＸｔ、のボクセルをまとめてひ
とつのボクセルとする。）。こうして得られるＮＸＮＸ
Ｍの領域上の値を次のように決める。すなわち、新しく
できたボクセルが含む旧ボクセルのうち、値が１である
ものの個数を５ＸｓＸｔで割った値を新しいボクセル上
の値とする。第４図では、５ＸｓＸｔの値を９で表示し
である。
体の表面がないことを示しており、ここでの値はＯであ
る。これらをニューラルネットの望ましい出力データと
する。次に、ＬＸＬＸＫの領域をＮＸＮＸＭの領域に分
ける（すなわち、５ＸｓＸｔ、のボクセルをまとめてひ
とつのボクセルとする。）。こうして得られるＮＸＮＸ
Ｍの領域上の値を次のように決める。すなわち、新しく
できたボクセルが含む旧ボクセルのうち、値が１である
ものの個数を５ＸｓＸｔで割った値を新しいボクセル上
の値とする。第４図では、５ＸｓＸｔの値を９で表示し
である。
以上の様にして入力データと出力データが構成できたの
で、このデータを用いて得られるＮＸＮＸＭのデータは
第４図（ａ）の様なものになるので、こうしてできたネ
ットワークを用いれば、対象物体の精密な形を撮像する
ことができる。
で、このデータを用いて得られるＮＸＮＸＭのデータは
第４図（ａ）の様なものになるので、こうしてできたネ
ットワークを用いれば、対象物体の精密な形を撮像する
ことができる。
例−一米
以上の説明から明らかなように、本発明によると、少数
個の受波器からなるレシーバ−アレイによって超音波反
射波を測定することにより高精細な物体撮像が可能にな
る。
個の受波器からなるレシーバ−アレイによって超音波反
射波を測定することにより高精細な物体撮像が可能にな
る。
また、ニューラルネットの構成の際に学習に用いなかっ
た形についても高精細な像が得られる。
た形についても高精細な像が得られる。
さらに、ニューラルネットワークに学習させるときに用
いるデータを実ｄ１すでなく、人工的に構成することが
できるので、これまでよりも高速に所望のネットワーク
を構成することができる。
いるデータを実ｄ１すでなく、人工的に構成することが
できるので、これまでよりも高速に所望のネットワーク
を構成することができる。
第１図は、本発明による物体撮像方式を説明するた・め
のもので、散乱波測定装置の構成図、第２図は、対象物
体の再生領域をディジタル化した図、第３図は、ニュー
ラルネットワークを示す図、第４図（ａ）、（ｂ）は、
ニューラルネットワークに学習させるための入力データ
と出力データとの構成法を示す図である。 １・・対象物体、２・・・超音波照射、３・・・レシー
バ−アレイ、４・・・パルスジェネレータ、５・・°コ
ンピュータ、６・・・デイスプレィ。
のもので、散乱波測定装置の構成図、第２図は、対象物
体の再生領域をディジタル化した図、第３図は、ニュー
ラルネットワークを示す図、第４図（ａ）、（ｂ）は、
ニューラルネットワークに学習させるための入力データ
と出力データとの構成法を示す図である。 １・・対象物体、２・・・超音波照射、３・・・レシー
バ−アレイ、４・・・パルスジェネレータ、５・・°コ
ンピュータ、６・・・デイスプレィ。
Claims (1)
- 【特許請求の範囲】 １、対象物体に超音波を放射し、その散乱波の音圧をＮ
個（Ｎ＞０）のアレイ型レシーバーで測定し、対象物体
の形状を再構成する場合において、操作を２段に分け、
第１段では、散乱波の音圧から対象物体のおおよその形
状を再構成し、第２段では、対象物体のおおよその形状
から対物体の精密な形状を再構成することを特徴とする
物体撮像方式。 ２、対象物体に超音波を放射し、その散乱波の音圧をＮ
個（Ｎ＞０）のアレイ型レシーバーで測定し、対象物体
の形状を再構成するために、操作を２段に分け、第１段
では、散乱波の音圧から対象物体のおおよその形状を再
構成し、第２段では、対象物体のおおよその形状から対
物体の精密な形状を再構成する場合において、第１段、
第２段とも、与えられたデータとそれに対する望ましい
出力データからその対応関係を学習させる事によって構
成することを特徴とする請求項１記載の物体撮像方式。 ３、対象物体に超音波を放射し、その散乱波の音圧をＮ
個（Ｎ＞０）のアレイ型レシーバーで測定し、対象物体
の形状を再構成するために、対象物体としてＮ個の異な
る位置形状のものを用意し、それからの散乱波を測定し
、対象物体と散乱波の音圧とが線形な関係を持つことを
利用することにより、測定された音圧から対象物体の形
状を再構成する関係式を構成することを特徴とする物体
撮像方式。 ４、対象物体に超音波を放射し、その散乱波の音圧をＮ
個（Ｎ＞０）のアレイ型レシーバーで測定し、対象物体
の形状を再構成するために、操作を２段に分け、第１段
では、散乱波の音圧から対象物体のおおよその形状を再
構成し、第２段では、対象物体のおおよその形状から対
物体の精密な形状を再構成する場合において、第１段で
は、前記請求項３記載の方式を用い、第２段では、ニュ
ーラルネットワークを用いることを特徴とする請求項１
記載の物体撮像方式。 ５、対象物体に超音波を放射し、その散乱波の音圧をＮ
個（Ｎ＞０）のアレイ型レシーバーで測定し、対象物体
の形状を再構成するために、操作を２段に分け、第１段
では、散乱波の音圧から対象物体のおおよその形状を再
構成し、第２段では、対象物体のおおよその形状から対
物体の精密な形状を再構成するために第１段では、前記
請求項３記載の方式を用い、第２段では、ニューラルネ
ットワークを用いる場合において、そのニューラルネッ
トワークに学習させる時に用いる入力データと教師出力
データを人工的に作られた出力データとそれを変換する
ことで得られる入力データで代用することを特徴とする
請求項４記載の物体撮像方式。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1101368A JP2843356B2 (ja) | 1989-04-20 | 1989-04-20 | 物体撮像方式 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP1101368A JP2843356B2 (ja) | 1989-04-20 | 1989-04-20 | 物体撮像方式 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH02280078A true JPH02280078A (ja) | 1990-11-16 |
| JP2843356B2 JP2843356B2 (ja) | 1999-01-06 |
Family
ID=14298882
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP1101368A Expired - Fee Related JP2843356B2 (ja) | 1989-04-20 | 1989-04-20 | 物体撮像方式 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2843356B2 (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002365373A (ja) * | 2001-06-06 | 2002-12-18 | Mitsubishi Heavy Ind Ltd | 物体探査方法および物体探査装置 |
| JP2008309533A (ja) * | 2007-06-13 | 2008-12-25 | Ihi Corp | 車両形状計測方法と装置 |
| JP2012078347A (ja) * | 2010-09-30 | 2012-04-19 | Mitsubishi Electric Research Laboratories Inc | シーンを検知するための方法及びシステム |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2878414B2 (ja) | 1989-09-04 | 1999-04-05 | 株式会社リコー | ３次元物体認識方式 |
| JP2878409B2 (ja) | 1989-09-04 | 1999-04-05 | 株式会社リコー | ３次元物体撮像方式 |
| JP2879828B2 (ja) | 1989-09-07 | 1999-04-05 | 株式会社リコー | 超音波３次元物体認識方式 |
-
1989
- 1989-04-20 JP JP1101368A patent/JP2843356B2/ja not_active Expired - Fee Related
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2002365373A (ja) * | 2001-06-06 | 2002-12-18 | Mitsubishi Heavy Ind Ltd | 物体探査方法および物体探査装置 |
| JP2008309533A (ja) * | 2007-06-13 | 2008-12-25 | Ihi Corp | 車両形状計測方法と装置 |
| JP2012078347A (ja) * | 2010-09-30 | 2012-04-19 | Mitsubishi Electric Research Laboratories Inc | シーンを検知するための方法及びシステム |
Also Published As
| Publication number | Publication date |
|---|---|
| JP2843356B2 (ja) | 1999-01-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2878409B2 (ja) | ３次元物体撮像方式 | |
| JP2022537274A (ja) | 合成エラストログラフィ画像を生成するための方法及びシステム | |
| KR20210069655A (ko) | 학습식 비선형 매핑을 기반으로 한 영상 복원 방법 | |
| EP0473959A2 (en) | Method of transforming a multi-beam sonar image | |
| CN112823283A (zh) | 通过使用超声非侵入性地表征非均匀介质的方法和系统 | |
| Perez-Liva et al. | Speed of sound ultrasound transmission tomography image reconstruction based on Bézier curves | |
| JP2021186313A (ja) | 超音波診断装置の故障判定装置、故障判定方法及びプログラム | |
| CN110244305A (zh) | 一种水下目标信号散射的仿真方法 | |
| Nair et al. | One-step deep learning approach to ultrasound image formation and image segmentation with a fully convolutional neural network | |
| JPH02280078A (ja) | 物体撮像方式 | |
| Huntzicker et al. | Quantitative sparse array vascular elastography: the impact of tissue attenuation and modulus contrast on performance | |
| JP2969202B2 (ja) | ニューラルネットワークによる３次元物体の認識方法 | |
| CN112001998B (zh) | 基于OptiX和Unity3D虚拟现实平台实时模拟超声成像的方法 | |
| Redman et al. | Holographic display of data from ultrasonic scanning | |
| JP2824673B2 (ja) | 超音波診断装置 | |
| JP2882861B2 (ja) | 超音波３次元物体撮像方式 | |
| Taskin et al. | A frequency-hopping technique for solving the cycle-skipping problem encountered with acoustic full-waveform inversion | |
| Shin et al. | K-space domain spatial filtering for retrospective transmit beam focusing/shaping and per-element data estimation from arrays with microbeamforming | |
| JP2934858B1 (ja) | 物体の透視装置 | |
| JP5660665B2 (ja) | 反射音情報推定装置、反射音情報推定方法、プログラム | |
| JP2592201Y2 (ja) | 超音波診断装置 | |
| Taskin et al. | Redatuming for breast ultrasound | |
| Shahila et al. | Refining Image Quality: Deep Neural Network Applications in Plane Wave Medical Imaging | |
| JPH04276785A (ja) | 超音波３次元物体認識方式 | |
| Shen et al. | A new pulse-echo system for real-time 3D ultrasonic imaging-phantom tests |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |