WO2004055731A2 - Verfahren und anordnung zur automatischen erkennung von objekten und strukturen in materialien - Google Patents
Verfahren und anordnung zur automatischen erkennung von objekten und strukturen in materialien Download PDFInfo
- Publication number
- WO2004055731A2 WO2004055731A2 PCT/EP2003/014158 EP0314158W WO2004055731A2 WO 2004055731 A2 WO2004055731 A2 WO 2004055731A2 EP 0314158 W EP0314158 W EP 0314158W WO 2004055731 A2 WO2004055731 A2 WO 2004055731A2
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- color
- signal
- generated
- sensor
- image
- 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.)
- Ceased
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING OR CALCULATING; 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
Definitions
- the present invention relates to a method for the automatic detection of objects and structures in materials, with a 1-chip color image camera which has N sensor pixels covered by primary color filters, onto which the material to be inspected is imaged.
- the present invention further relates to an arrangement for the automatic detection of objects and structures in materials, with a 1-chip color image camera which has N sensor pixels covered by primary color filters, onto which the material to be inspected can be imaged.
- Vüesstoffbahnen contaminations of different colors and defects within the scope of to recognize optical quality control usually learn the color distribution of the GUT material, ie the contamination-free or defect-free material, in a reference phase and save it in the form of a GUT classifier.
- each scanned image point of the material web is classified into the classes "GOOD” and "NON-GOOD” by a comparison with the GUT classifier obtained during the reference phase, and on the basis of this color class image the sorting, marking or Logging of the defect or contamination triggered (see, for example: Robert Massen, Pia Böttcher: "Shape and color: color image processing for industrial monitoring in real time", pp. 121 - 125, ed. Prof. Dr. Hartmut Ernst, in: machine vision, Electronics Journal Science and Practice, Europa-Fachpresse Verlag Kunststoff, ISBN 3-87207-004-5, 1990).
- a pixel of the class “object” or “structure” is generated if the signal value of the respective sensor pixel lies within the signal interval.
- K ⁇ N color image points are formed, at which K ⁇ N color signals are formed during an image, during a learning phase, a reference material is created for the N sensor image points of the color image camera a classification scheme with the classes “object” or “structure” and “background” is formed and based on the color signals of the K color image points.
- Fig. 1 shows the structure of a 1-chip color image sensor with RED, GREEN and
- large objects which are above the resolution limit are also detected electronically by at least three sensor image points for a color image point.
- -usarnmengeank and so K ⁇ N color image points are formed.
- a reference material is mapped onto the N sensor image points of the color image camera and a classification scheme with the classes “object” or “structure” and “background” is formed on the basis of the color signals of the K color image points.
- FIG. 3 An arrangement for carrying out the method according to the invention can be seen schematically in FIG. 3.
- Each of the N sensor pixels 12 of a color line camera arranged in a row is assigned a separate interval comparator 30 in which the signal interval assigned to the respective sensor pixel 12 is stored.
- An electronic one (not shown here) is used for the simultaneous detection of large objects or structures lying above the resolution limit
- the method on which the invention is based can also be used on 1-chip matrix color cameras and for the detection of objects or structures in moving and unmoving materials. It is particularly advantageous for the detection of thread-like contaminations on textile webs, in bulk flows of cotton flakes and similar applications in automatic optical quality control.
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Abstract
Bei einem Verfahren zur automatischen Erkennung von Objekten und Strukturen in Materialien wird während einer Lernphase ein Referenzmaterial auf die N Sensorbildpunkte (12) der Farbbildkamera abgebildet und an jedem Sensorbildpunkt (12) ein Signal erzeugt und aus den während der Lernphase erzeugten Signalwerten wird für jeden der N Sensorbildpunkte (12) ein Signalintervall gebildet. Zur Erkennung von kleinen, unterhalb der Auflösungsgrenze der Farbbildkamera liegender Objekte und Strukturen wird das zu inspizierende Material auf die N Sensorbildpunkte abgebildet und jedes der durch die Abbildung an den einzelnen Sensorbildpunkten erzeugten Signale mit dem Signalintervall des jeweiligen Sensorbildpunktes verglichen. Es wird ein binäres Klassenbild erzeugt, wobei ein Bildpunkt der ersten Klasse erzeugt wird, wenn der Signalwert des jeweiligen Sensorbildpunktes (12) ausserhalb des während der Lernphase erzeugten Signalintervalls liegt und ein Bildpunkt der zweiten Klasse erzeugt wird, wenn der Signalwert des jeweiligen Sensorbildpunktes (12) innerhalb des während der Lernphase erzeugten Signalintervalls liegt. Durch dieses Verfahren können mit Hilfe einer einfachen 1-Chip Farbbildkamera kleine, unterhalb der Auflösungsgrenze liegende Objekte und Strukturen zuverlässig erkannt werden.
Description
Verfahren und Anordnung zur automatischen Erkennung von Objekten und Strukturen in Materialien
Die vorliegende Erfindung betrifft ein Verfahren zur automatischen Erkennung von Objekten und Strukturen in Materialien, mit einer 1-Chip Farbbildkamera, die N durch Primärfarbfilter abgedeckte Sensorbildpunkte aufweist, auf die das zu inspizierende Material abgebildet wird. Die vorliegende Erfindung betrifft ferner eine Anordnung zur automatischen Erkennung von Objekten und Strukturen in Materialien, mit einer 1-Chip Farbbildkamera, die N durch Primärfarbfilter abgedeckte Sensorbildpunkte aufweist, auf die das zu inspizierende Material abgebildet werden kann.
Die Erkennung von andersfarbigen Objekten bzw. Strukturen in Materialien, wie beispielsweise in pneumatisch transportierten Baumfasern, bewegten Vliesstoffbahnen oder in im Schüttstrom transportierten körnigen Lebensmitteln, mit Hilfe von Farbkameras und Bildverarbeitungssystemen ist ein seit längerem bekanntes Verfahren, das in der optischen Qualitätskontrolle und optischen Sortierung angewandt wird. Die zu erkennende Objekte bzw. Strukturen können beispielsweise Kontaminationen bzw. Fehlstellen im Material sein.
So werden z.B. in dem von der Fa. Jossi AG (CH-Islikon) produzierten und vertriebenen System mit der Bezeichnung „The Vision Shield" andersfarbige Kontaminationen wie Kunststoffolien, Fadenreste usw. mit Hilfe von schnellen Farbzeilenkameras und einer Echtzeitfarbbildklassifikation im Strom von pneumatisch geförderten Baumwollflocken erkannt und mit Hilfe von von der Bildverarbeitung angesteuerten schnellen pneumatischen Ejektoren gezielt aus dem Flockenstrom ausgeblasen.
Das von der Fa. MASSEN machine vision Systems GmbH (D-78467
Konstanz) entwickelte und vermarktete System „The ColourBrain®-NonWovens- Inspector" setzt ebenfalls schnelle Farbzeilenkameras ein, um an schnell bewegten
Vüesstoffbahnen andersfarbige Kontaminationen und Fehlstellen im Rahmen der
optischen Qualitätskontrolle zu erkennen. Diese Systeme lernen in der Regel in einer Referenzphase die Farbverteilung des GUT Materials, d.h. des kontaminationsfreien bzw. fehlstellenfreien Materials, und speichern diese in Form eines GUT Klassifikators ab. Während der eigentlichen Inspektion im Rahmen der optischen Qualitätskontrolle wird jeder abgetastete Bildpunkt der Materialbahn durch einen Vergleich mit dem während der Referenzphase gewonnen GUT Klassifikator in die Klassen „GUT" und „NICHT-GUT" klassifiziert, und anhand dieses Farbklassenbilds wird die Aussortierung, Markierung oder Protokollierung der Fehlstelle oder der Kontamination ausgelöst (siehe z.B.: Robert Massen, Pia Böttcher: „Form und Farbe: Farbbildverarbeitung für industrielle Überwachung in Echtzeit", S. 121 - 125, Hrsg. Prof. Dr. Hartmut Ernst, in: Maschinelles Sehen, Elektronik Journal Wissenschaft und Praxis, Europa-Fachpresse Verlag München, ISBN 3-87207-004-5, 1990).
Bei diesen und ähnlichen Anwendungen ist die Wahl der Farbkamera- technologie eine für die Erkennungsrate und die Systemkosten entscheidende Frage. Im Sinne einer möglichst hohen geometrischen Auflösung müßten eigentlich immer Farbbildkameras mit Farbstrahlteiler und drei getrennten Bildsensoren eingesetzt werden, welche mit Hilfe der Farbstrahlteiler die gleiche Stelle der zu beobachteten Materialbahn auf die drei getrennten Bildsensoren abbilden. Nur auf diese Weise ist die geometrische Auflösung gleich der Anzahl der Sensorbildpunkte. Derartige Farbbildsensoren werden als 3 -Chip Farbbildsensoren bezeichnet.
Farbbildkameras mit 3-Chip Farbbildsensoren, die beispielsweise als Farbmatrix- oder Farbzeilenkameras gestaltet sein können, sind aufgrund ihrer aufwendigen optischen Konstruktion sehr teuer, so daß aus wirtschaftlichen Gründen oft die preiswerteren sogenannten 1-Chip Farbbildkameras eingesetzt werden, bei welchen über ein Farbmosaikfilter benachbarte Bildpunkte des Bildsensors mit einem ROT-, GRÜN- oder BLAU-Farbfilter abgedeckt sind. Insbesondere Farbzeilenkameras mit einem Farbstrahlteiler und einer hohen Anzahl von Bildpunkten sind aus technischen Gründen kaum oder nur zu sehr
hohen Kosten erhältlich. Die mit diesen Farbzeilenkameras erreichbaren hohen Auflösungen sind aber für die Beobachtung breiter Materialströme oder Materialbahnen sowie die Detektion kleiner, insbesondere fadenförmiger Kontaminationen erforderlich.
Sogenannte tri-lineare Farbzeilenkameras mit drei nebeneinander angeordneten Bildsensorzeilen, welche jeweils mit einem ROT-, GRÜN- und BLAU- Farbfilter abgedeckt sind, stellen eine kostengünstige Lösung für Materialströme dar, deren Geschwindigkeit genau bekannt und konstant ist. Bei „tri-linearen" Farbzeilenkameras erfassen die drei Bildsensorzeilen jeweils drei in Vorschüb- richtung unterschiedliche Objektzeilen der Materialbahn. Ein korrektes Farbbild entsteht erst durch die elektronische Verzögerung der beiden in Bewegungs- richtung der beobachteten Materialbahn gesehenen Bildzeilen um eine Zeit, welche proportional dem Quotienten der Bahngeschwindigkeit zum Bildzeilen- abstand ist. Bei nicht-konstanten Geschwindigkeiten, wie sie in der industriellen Umgebung oft auftreten und bei Schüttströmen die Regel sind, kann diese Verzögerung nicht mehr durchgeführt werden, so daß diese Kameras dort nicht eingesetzt werden können.
Bei 1-Chip Farbbildkameras mit einem Farbmosaikfilter sind benachbarte Bildpunkte durch jeweils einen andersfarbigen Primärfarbfilter abgedeckt. Fig. 1 zeigt den Fall eines Farbzeilensensors mit 1200 Bildpunkten, bei welchem die einzelnen Bildpunkte mit einem Farbfilter in der Anordnung RGBRGBRGB usw. (R = ROT, G = GRÜN, B = BLAU) abgedeckt sind. Da ein Farbbildpunkt aus jeweils einem Tripel von (RGB)-Bildpunkten besteht, sinkt die geometrische Auflösung dieser Farbzeile auf ca. 1200/3 = 400 Farbbildpunkte. Diese erhebliche Reduktion der geometrischen Auflösung ist unabhängig davon, auf welche Weise benachbarte primärfarbige Bildpunkte zu einem Farbbildpunkt zusammengefaßt werden. Bei einem 1-Chip Farbbildsensor beträgt somit die Anzahl der Farbbildpunkte nur ca. 33% der Anzahl der Sensorbildpunkte. Bei diesen sehr kostengünstigen Farbbildsensoren ist die geometrische Auflösung für die Farbbild- auswertung so klein, daß kleine andersfarbige Objekte bzw. Strukturen nicht mehr
aufgelöst erkannt werden können. Diese Einschränkung gilt in gleichem Maß für 1-Chip Farbmatrix- wie 1-Chip Farbzeilensensoren mit Farbmosaikfilter.
Trotz dieser kleinen geometrischen Auflösung kann bei 1-Chip Farbbildsensoren durch verschachtelte Farbfilteranordnungen z.B. in Form eines sog. Bayer-Filters, ein leicht besserer visueller Bildeindruck gewonnen werden; die erhebliche Verringerung der geometrischen Auflösung des 1-Chip Farbbildsensors gegenüber einem 3-Chip Sensor mit Farbstrahlteiler bleibt jedoch bestehen.
Es ist daher von hohem technischem und wirtschaftlichem Interesse, daß die optische Detektion von andersfarbigen Objekten und Strukturen in Materialien, beispielsweise Kontaminationen und Fehlstellen, so durchgeführt werden kann, daß trotz der Verwendung kostengünstiger einfacher 1-Chip Farbbildsensoren die Erkennung von kleinen andersfarbigen Objekten und kleinen Strukturen, die von den Farbbildpunkten des 1-Chip Sensors nicht mehr aufgelöst werden, möglich ist.
Dies wird erfindungsgemäß dadurch erreicht, daß während einer Lernphase ein
Referenzmaterial auf die N Sensorbildpunkte der Farbbildkamera abgebildet wird und an jedem Sensorbildpunkt ein Signal erzeugt wird, daß aus den während der Lernphase erzeugten Signalwerten für jeden der N Sensorbildpunkte ein Signalintervall gebildet wird, wobei die Intervallmitte jedes Signalintervalls der Mittel- wert der während der Lernphase erzeugten Signalwerte des jeweiligen Sensorbildpunkts und die Intervallbreite proportional zur Varianz der während der Lernphase erzeugten Signalwerte des jeweiligen Sensorbildpunkts ist, daß zur Erkennung von kleinen, unterhalb der Auflösungsgrenze der Farbbildkamera liegenden Objekten und Strukturen das zu inspizierende Material auf die einzelnen Sensorbildpunkte abgebildet wird und jedes der durch die Abbildung an den einzelnen Sensorbildpunkten erzeugten Signale N mit dem Signalintervall des jeweiligen Sensorbildpunktes verglichen wird, und daß ein binäres Klassenbild mit N Bildpunkten erzeugt wird, wobei ein Bildpunkt der ersten Klasse erzeugt wird, wenn der Signal wert des jeweiligen Sensorbildpunktes außerhalb des während der Lernphase erzeugten Signalintervalls liegt und ein Bildpunkt der
zweiten Klasse erzeugt wird, wenn der Signalwert des jeweiligen Sensorbildpunktes innerhalb des während der Lernphase erzeugten Signalintervalls liegt. Im Vergleich zu einem Farbklassenbild, welches lediglich eine geometrische Auflösung von N/3 Farbbildpunkte aufweist und damit auch nur ein Klassenbild mit N/3 Bildpunkten erzeugt, erzeugt das erfindungsgemäße Verfahren ein Klassenbild mit der dreifachen geometrischen Auflösung. Damit ist es durch das erfindungsgemäße Verfahren möglich, auch dünne, nur noch ein Sensorbildpunkt breite Objekte bzw. Sl-rukturen zu erkennen, sofern sie sich ausreichend vom Signalwert des objekt- bzw. strukturlosen Materials unterscheiden.
Das Referenzmaterial kann gemäß der vorliegenden Erfindung Material sein, das frei von Objekten und Stπikturen ist. Es wird dann ein Bildpunkt der Klasse „Objekt" bzw. „Stixiktur" erzeugt, wenn der Signalwert des jeweiligen Sensorbildpunktes außerhalb des Signalintervalls liegt.
Alternativ dazu ist vorgesehen, daß das Referenzmaterial repräsentative
Stichproben der zu erkennenden Objekte bzw. Strukturen sind. In diesem Fall wird ein Bildpunkt der Klasse „Objekt" bzw. „Struktur" erzeugt, wenn der Signalwert des jeweiligen Sensorbildpunkts innerhalb des Signalintervalls liegt.
Gemäß einer bevorzugten Variante des erfindungsgemäßen Verfahrens wird aus den während der Inspektion des Materials erzeugten Signalen der Sensorbildpunkte jeweils ein neues Signalintervall gebildet, das zu einem definierten Zeitpunkt für den Vergleich mit den während der Inspektion des Materials erzeugten Signalwerten des jeweiligen Sensorbildpunktes übernommen wird. Parallel zur laufenden Inspektion wird demnach ein neues Signalintervall gebildet, um eventuell sich ändernde optische Eigenschaften des Materials zu berücksichtigen. Ab einem definierten Zeitpunkt werden dann die durch die Abbildung des Materials auf die Sensorbildpunkte erzeugten Signale mit dem neuen Signalintervall verglichen und auf der Grundlage dieses Vergleichs ein binäres Klassenbild erzeugt, wobei eventuell sich ändernde optische
Eigenschaften des Materials in der Breite und in der Mitte des neuen Signalintervalls berücksichtigt wurden.
Gemäß einer weiteren bevorzugten Variante des erfindungsgemäßen Verfahrens werden durch die elektronische Zusammenfassung von mindestens drei Sensorbildpunkten zu einem Farbbildpunkt K<N Farbbildpunkte gebildet, an denen bei einer Abbildung K<N Farbsignale gebildet werden, während einer Lernphase wird ein Referenzmaterial auf die N Sensorbildpunkte der Farbbildkamera abgebildet und anhand der Farbsignale der K Farbbildpunkte wird ein Klassifikationsschema mit den Klassen „Objekt" bzw. „Struktur" und „Hintergrund" gebildet. Mit Hilfe dieses vorher festgelegten Klassifikationsschemas werden große, oberhalb der Auflösungsgrenze der Farbbildkamera liegende Objekte bzw. Strukturen anhand ihrer Farbeigenschaften erkannt. Dadurch ist es gemäß dieser bevorzugten Variante des erfindungsgemäßen Verfahrens möglich, gleichzeitig sowohl kleine, unterhalb der Auflösungsgrenze liegende Objekte bzw. Strukturen und große, oberhalb der Auflösungsgrenze liegende Objekte bzw. Strukturen mit Hilfe einer einfachen 1- Chip Farbbildkamera zuverlässig zu erkennen.
Zur automatischen Erkennung von Objekten und Strukturen stellt die vorliegende Erfindung ferner eine Anordnung mit einer 1-Chip Farbbildkamera bereit, die N durch Primärfarbfilter abgedeckte Sensorbildpunkte aufweist, auf die das zu inspizierende Material abgebildet werden kann. Die Anordnung umfaßt ferner N Intervallkomparatoren, die jeweils einem der N Sensorbildpunkte zugeordnet sind und in denen jeweils ein dem jeweiligen Sensorbildpunkt zugeordnetes Signalintervall abgelegt werden kann. Jedes Signalintervall ist aus den in einer Lernphase bei der Abbildung eines Referenzmaterials auf den jeweiligen Sensorbildpunkt erzeugten Signalwerten gebildet. Durch einen Vergleich der durch die Abbildung des zu inspizierenden Materials auf die einzelnen Sensorbildpunkte erzeugten Signalwerte mit dem Signalintervall des jeweiligen Sensorbildpunktes liegen an den Ausgängen der Intervallkomparatoren Signale an, die ein binäres Klassenbild mit N Bildpunkten mit den Klassen
„Objekt" bzw. „Struktur" und „Hintergrund" bilden. Durch diese Anordnung ist es möglich, auch kleine, unterhalb der Auflösungsgrenze der Farbbildkamera liegende Strulcturen zuverlässig zu erkennen.
Weitere Merkmale und vorteilhafte Ausgestaltungen ergeben sich aus den Unteransprüchen.
Das erfindungsgemäße Verfahren wird im folgenden beispielhaft an der optischen Erkennung von andersfarbigen Kontaminationen an einer hellen, bewegten Vliesstoffbahn erläutert, welche durch eine 1-Chip Farbzeilenkamera beobachtet wird. Der Erfindungsgedanke umfaßt jedoch ebenfalls die Anwendung von 1-Chip Farbmatrixkameras zur bildhaften Erfassung von anderen bewegten oder auch statischen Materialbahnen, Schüttströmen oder ähnlichen flächenhaftenden Materialien, bei welchen das Vorhandensein von kleinen Objekten und Strukturen automatisch erkannt werden soll.
Zur Erläuterung werden die folgenden Figuren verwendet. In diesen zeigen:
Fig. 1 den Aufbau eines 1-Chip Farbbildsensors mit ROT-, GRÜN- und
BLAU-F arbfiltern, bei welchem die Anzahl K der Farbbildpunkte nur ca. 33% der Anzahl N der Sensorbildpunkte beträgt,
Fig. 2a bis 2c beispielhaft die Erfassung kleiner fadenförmiger Kontaminationen, die unterhalb der Auflösungsgrenze des Farbbildsensors von Figur 1 sind, und die Erfassung großer, mehrere Farbbildpunkte abdeckender Kontaminationen mit Hilfe des in Figur 1 gezeigten 1-Chip Farbbildsensors,
Fig. 3 schematisch eine Anordnung zur Durchführung des erfindungsgemäßen Verfahrens, mit einer 1-Chip Farbbildkamera und einem Intervallkomparator, in dem ein während einer Lernphase gebildetes Signalintervall abgelegt ist.
Zur Erläuterung des Erfindungsgedankens wird eine helle Vliesstoffbahn mit einer 1-Chip Farbbildkamera beobachtet, welche nach Fig. 1 über einen Bildsensor 10 mit insgesamt 1200 Sensorbildpunkten 12 verfügt. Die Sensorbildpunkte 12 sind jeweils mit einem ROT (R)-, GRÜN (G)- oder BLAU
(B)-Farbfilter abgedeckt. Die Farbzeile verfügt daher über N = 1200 Sensorbildpunkte 12, aber nur über K = 1200/3 = 400 Farbbildpunkte, wobei jeder Farbbildpunkt aus drei benachbarten, mit jeweils einem Primärfarbfilter abgedeckten Sensorbildpunkten gebildet wird. Die geometrische Auflösung dieser 1 -Chip Farbbildkamera beträgt daher nur 400 Farbbildpunkte.
Fig. 2a zeigt, wie eine große, flächige, andersfarbige Kontamination 16 auf mehrere Farbbildpunkte abgebildet wird und durch die damit ausreichende geometrische Auflösung sicher über eine Farbbildpunkt-Klassifikation erkannt werden kann. Die Signalwerte dreier benachbarter Sensorbildpunkte bilden jeweils eine Komponente eines Farbvektors im dreidimensionalen R-, G- und B- Raum. Der Farbvektor ist repräsentativ für einen bestimmten Farbwert und anhand der Farbbildpunkt-Klassifikation kann dann zwischen GUT Material, d.h. objekt- bzw. strukturlosem Material, und NICHT-GUT Material, d.h. Material mit einem Objekt bzw. einer Struktur, unterschieden werden. Wie in Figur 2b zu sehen ist, ist bei der Abbildung der großen, andersfarbigen Kontamination 16 der Unterschied zwischen dem Farbvektor 18 des GUT Materials und dem Farbvektor 20 des NICHT-GUT Materials, i.e. der Kontamination, groß und erlaubt damit eine eindeutige Erkennung.
Ein schmaler Faden 22 wird hingegen nur auf einen einzelnen Sensorbildpunkt 12 bzw. 1/3 Farbbildpunkt abgebildet und erzeugt damit keinen eindeutigen, sich von dem GUT Material unterscheidenden Farbwert, welcher sich je nach Lage des Fadens 22 auf dem Sensorbildpunkt 12 und auf den benachbarten Sensorbildpunkten 12 stark verändert. Er kann über eine Farbbildpunkt- Klassifikation nicht zuverlässig erkannt werden, obwohl das skalare Signal des den Faden abbildenden Sensorbildpunktes, i.e. das aus nur einer Komponente bestehende Helligkeitssignal des abbildenden Sensorbildpunktes, sich deutlich von dem skalaren Signalwert unterscheidet, den dieser Sensorbildpunkt erzeugt, wenn er nur GUT Material erfaßt.
Dieser Sachverhalt ist in Figur 2c veranschaulicht. Die (gestrichelt gezeichneten) Farbvektoren 26, die das Farbsignal dreier benachbarter
Sensorbildpunkte 12 mit unterschiedlichen Farbfiltern repräsentieren, wobei auf mindestens einen der Sensorbildpunkte 12 eine fadenförmige Kontamination 22 abgebildet wird, unterscheiden sich kaum von dem Farbvektor 28 der Sensorbildpunkte, auf die nur GUT Material abgebildet wird. Eine zuverlässige Erkennung eines sehr kleinen Objekts bzw. einer Struktur ist mit diesem Verfahren daher nicht möglich.
Der Wert des Helligkeitssignals des den Faden 22 abbildenden Sensorbildpunktes hängt stark davon ab, ob der Faden auf einen ROT-, GRÜN- oder BLAU- Sensorbildpunkt abgebildet wird. Ebenso wird natürlich der Wert des Helligkeitssignals, welches die Abbildung des GUT Materials erzeugt, stark davon abhängen, ob es an einem ROT-, einem GRÜN- oder einem BLAU- Sensorbildpunkt gemessen wird. Um den Faden zuverlässig zu erkennen, wird daher gemäß dem vorliegenden Verfahren der Signal wert jedes Sensorbildpunktes 12 mit einem eigenen Signalintervall verglichen, wobei die ervallmitte dem Helligkeitsmittelwert an dem entsprechenden R- oder G- oder B-Sensorbildpunkt entspricht, der durch die Abbildung des GUT Materials an diesem Sensorbildpunkt erzeugt wird. Die Intervallbreite wird proportional zur Varianz des Helligkeitssignalwertes erzeugt, welches das GUT Material an dem betreffenden Sensorbildpunkt erzeugt. Die an einem Sensorbildpunkt erzeugten Signalwerte unterliegen einer gewissen Schw-mkungsbreite, da das GUT Material nie absolut homogen ist. Solange der Signalwert innerhalb des Intervalls liegt, wird GUT Material, d.h. Material ohne andersfarbige Objekte und Strukturen, erfaßt; liegt der Signalwert außerhalb des Intervalls, so ist ein Objekt oder eine Struktur, im hier vorliegenden Fall die fadenförmige Kontamination 22, vorhanden.
In diesem Beispiel wird das Struktur- bzw. objektlose Material als
Referenzmaterial genommen und in einer Lernphase auf die N Sensorbildpunkte der Farbbildkamera abgebildet. Aus den während dieser Lernphase erzeugten
Signal werten wird für jeden Sensorbildpunkt ein Signalintervall gebildet. Wenn bei der anschließenden automatischen Inspektion des Materials ein Signalwert
eines Sensorbildpunktes außerhalb des während der Lernphase erzeugten Signalintervalls liegt, wird ein Bildpunkt der Klasse „Objekt" bzw. „Struktur" erzeugt. Alternativ dazu ist aber auch gemäß der vorliegenden Erfindung vorgesehen, daß das Referenzmaterial repräsentative Stichproben der zu erkennenden Objekte bzw. Strukturen sind. In diesem Fall wird bei der anschließenden automatischen Inspektion ein Bildpunkt der Klasse „Objekt" bzw. „Str-iktur" erzeugt, wenn der Signalwert des Sensorbildpunktes innerhalb des während der Lernphase erzeugten Signalintervalls liegt.
Gemäß einer bevorzugten Variante des erfindungsgemäßen Verfahrens wird aus den während der Inspektion des Materials erzeugten Signalwerten der Sensorbildpunkte jeweils ein neues Signalintervall gebildet. Die neuen Signalintervalle werden jeweils zu einem definierten Zeitpunkt für den Vergleich mit den an dem jeweiligen Sensorbildpunkt während der Inspektion des Materials erzeugten Signalwerten übernommen. Dadurch kann das als Grundlage für den Vergleich mit den Signalwerten dienende Signalintervall fortlaufend an sich eventuell auftretende optische Eigenschaften des zu inspizierenden Materials angepaßt werden.
Gemäß einer weiteren bevorzugten Variante des erfindungsgemäßen Verfahrens werden parallel zu dem oben beschriebenen Verfahren zur Erkennung kleiner, unterhalb der Auflösungsgrenze liegender Objekte bzw. St-τ-kturen auch große, oberhalb der Auflösungsgrenze liegende Objekte erkannt, indem mindestens drei Sensorbildpunkte zu einem Farbbildpunkt elektronisch --usarnmengefaßt und so K<N Farbbildpunkte gebildet werden. Während einer Lernphase wird ein Referenzmaterial auf die N Sensorbildpunkte der Farbbildkamera abgebildet und anhand der Farbsignale der K Farbbildpunkte wird ein Klassifikationsschema mit den Klassen „Objekt" bzw. „Struktur" und „Hintergrund" gebildet. Die großen, oberhalb der Auflösungsgrenze der Farbbildkamera liegenden Objekte bzw. Sfr-d-turen können dann anhand ihrer Farbeigenschaften mit Hilfe des vorher festgelegten Klassifikationsschema festgelegt werden. Dieses Verfahren entspricht im wesentlichen dem in
Verbindung mit den Figuren 2a bis 2c erläuterten Verfahren. Das Verfahren gemäß der vorliegenden Erfindung ermöglicht damit das zuverlässige Erkennen von kleinen und großen andersfarbigen Objekten bzw. Strukturen mit Hilfe einer einfachen, kostengünstigen 1-Chip Farbbildkamera.
Eine Anordnung zur Durchführung des erfindungsgemäßen Verfahrens ist schematisch in Figur 3 zu sehen. Dort ist jedem der N, in einer Zeile angeordneten Sensorbildpunkte 12 einer Farbzeilenkamera ein eigener Intervallkomparator 30 zugeordnet, in dem das dem jeweiligen Sensorbildpunkt 12 zugeordnete Signalintervall abgespeichert ist. Die an den Ausgängen 32 der N Intervall- komparatoren 30 anliegenden Signale, wobei N im vorliegenden Beispiel 1200 beträgt, bilden die Bildpunkte eines zweiwertigen, zeilenweise aufgebauten Klassenbildes mit den beiden Zuständen „Objekt" bzw. „Struktur" und „Hintergrund".
Zur gleichzeitigen Erfassung von großen, oberhalb der Auflösungsgrenze liegenden Objekten bzw. Strukturen ist eine (hier nicht abgebildete) elektronische
Speichereinheit vorgesehen, in dem die Farbsignale, die durch die elektronische
Zusammenfassung dreier benachbarter Sensorbildpunkte bei einer Abbildung auf die Sensorbildpunkte erzeugt werden, abgespeichert werden können.
Im Gegensatz zu dem Farbklassenbild, welches lediglich eine geometrische Auflösung von 400 Farbbildpunkten und damit auch nur ein Klassenbild mit 400 Bildpunkten entlang der Sensorzeile erzeugt, erzeugt das erfindungsgemäße Verfahren zur Erkennung kleiner Objekte bzw. Strukturen ein Klassenbild mit der dreifachen geometrischen Auflösung. Damit ist die beschriebene Erfindung in der Lage, auch dünne, nur noch ein Sensorbildpunkt breite Kontaminationen bzw. Slxukturen zu erkennen, sofern sie sich ausreichend vom GUT Material im skalaren Signalwert unterscheiden. Dies ist immer dann der Fall, wenn die dünne Kontamination deutlich heller oder dunkler als das objekt- bzw. strukturlose Material ist.
Es ist aber auch dann der Fall, wenn sich die Farbe der Kontamination deutlich von der Primärfarbe des Farbfilters des jeweils abbildenden Sensorbildpunktes und von der Farbe des objekt- bzw. strukturlosen Materials unterscheidet. Ein grüner Faden, welcher von einem ROT- Sensorbildpunkt erfaßt wird, erzeugt dort ein sehr niedriges Signal, da GRÜN und ROT komplementäre Farben sind. Dadurch ist eine gute Detektion möglich.
Da schmale fadenförmige Kontaminationen wegen des bewegten Materials mehrfach auf unterschiedliche Sensorbildpunkte abgebildet werden, ist die Wahrscheinlichkeit sehr hoch, daß zumindest bei einigen Sensorbildpunkten diese Farbdifferenz groß ist und dort zu einer Detektion führt.
Damit erfüllt der erfindungsgemäße Gedanke gleichzeitig zwei Anforderungen: mit Hilfe von preiswerten 1-Chip Farbsensoren können sowohl größere Objekte bzw. Stri-kturen anhand des Farbunterschieds zum objekt- bzw. strukturlosen Material erkannt werden als auch feine, unter die Auflösungsgrenze der Farbbildpunkte fallende Kontaminationen. Die kleinen, unter die Auflösungsgrenze der Farbbildpunkte fallenden Objekte bzw. Strukturen können sowohl anhand ihres Helligkeitsunterschiedes zum objekt- bzw. strukturlosen Material als auch anhand ihres Farbunterschiedes zu den Primärfarben ROT oder GRÜN oder BLAU des bzw. der jeweils abbildenden Sensorbildpunkte ermittelt werden.
Gemäß einer bevorzugten Variante werden die N unterschiedlichen Intervallmitten und Intervallbreiten in einer Lernphase bestimmt, in der eine repräsentative Bahnlänge von GUT Material, d.h. objekt- bzw. strukturloses Material, von der Farbbildkamera erfaßt wird und für jeden Sensorbildpunkt getrennt der Mittelwert und die Varianz der skalaren Sensorbildpunktsignalwerte bestimmt werden. Eine übliche Festlegung der Intervallbreite ist die sechs- bis achtfache Standardabweichung des GUT Signalrauschens. Durch diese Art des Lernens der N unterschiedlichen Intervallmitten und -breiten wird gleichzeitig auch der Helligkeitsabfall zum Rande des Bildfeldes (der sog. shading Effekt)
berücksichtigt, da dieser ebenfalls den Helligkeitswert am Orte jedes Sensorbildpunktes beeinflußt.
Das der Erfindung zugrundeliegende Verfahren ist auch auf 1 -Chip-Matrixfarbkameras sowie zur Erkennung von Objekten bzw. Strukturen in bewegten und unbewegten Materialien anwendbar. Es ist besonders vorteilhaft zur Erkennung von fadenförmigen Kontaminationen auf textilen Bahnen, in Schüttströmen von Baumwollflocken und ähnlichen Anwendungen in der automatischen optischen Qualitätskontrolle.
Das erfindungsgemäße Verfahren kann auch dazu verwendet werden, die Position von Kanten eines Objektes in einem mit einer 1-Chip Kamera aufgenommenen Farbbild mit einer um ca. 3-fach höheren Genauigkeit zu erkennen. Hierzu werden die Farbbildpunkte am Rande des Objektes nicht mehr als vekto- rielle Farbsignale betrachtet, sondern die diese Randzone abbildenden Sensorbildpunkte werden einzeln auf ihre vom Hintergrund abweichende Signalwerte untersucht. Die feinen Strukturen sind in diesem Fall nicht mehr die im oben genannten Beispiel genannten feinen fadenförmigen Kontaminationen, die von den Farbbildpunkten nicht mehr aufgelöst werden können, sondern feine Kanten, die nicht mehr von den Farbbildpunkten aufgelöst werden können und lediglich Farbsäume erzeugen.
Claims
1. Verfahren zur automatischen Erkennung von Objekten und Strukturen in Materialien,
mit einer 1-Chip Farbbildkamera, die N durch Primärfarbfilter abgedeckte Sensorbildpunkte aufweist, auf die das zu inspizierende Material abgebildet wird,
dadurch gekennzeichnet,
daß während einer Lernphase ein Referenzmaterial auf die N Sensorbildpunkte (12) der Farbbildkamera abgebildet wird und an jedem Sensorbildpunkt (12) ein Signal erzeugt wird,
daß aus den während der Lernphase erzeugten Signal werten für jeden der N Sensorbildpunkte (12) ein Signalintervall gebildet wird, wobei die Intervallmitte jedes Signalintervalls der Mittelwert der während der Lernphase erzeugten Signalwerte des jeweiligen Sensorbildpunkts (12) und die Intervallbreite proportional zur Varianz der während der
Lernphase erzeugten Signalwerte des jeweiligen Sensorbildpunkts (12) ist,
daß zur Erkennung von kleinen, unterhalb der Auflösungsgrenze der Farbbildkamera liegenden Objekten und Strukturen (22) das zu inspizierende Material auf die N Sensorbildpunkte (12) abgebildet wird und jedes der durch die Abbildung an den einzelnen Sensorbildpunkten
(12) erzeugten Signale mit dem Signalintervall des jeweiligen Sensorbildpunktes (12) verglichen wird,
und daß ein binäres Klassenbild mit N Bildpunkten erzeugt wird, wobei ein Bildpunkt der ersten Klasse erzeugt wird, wenn der Signalwert des jeweiligen Sensorbildpunkts (12) außerhalb des während der Lernphase erzeugten Signalintervalls liegt und ein Bildpunkt der zweiten Klasse erzeugt wird, wenn der Signalwert des jeweiligen Sensorbildpunkts (12) innerhalb des während der Lernphase erzeugten Signalintervalls liegt.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß das Referenzmaterial Material ist, das frei von Objekten und Strukturen ist, und daß ein Bildpunkt der Klasse „Objekt" bzw. „Struktur" erzeugt wird, wenn der Signalwert des jeweiligen Sensorbildpunkts (12) außerhalb des während der Lernphase erzeugten Signalintervalls liegt.
3. Verfahren nach Anspruch 1, dadurch gekennzeichnet, daß das Referenzmaterial repräsentative Stichproben der zu erkennenden Objekte bzw. Strukturen sind und daß ein Bildpunkt der Klasse
„Objekt" bzw. „Struktur" erzeugt wird, wenn der Signalwert des jeweiligen Sensorbildpunkts (12) innerhalb des während der Lernphase erzeugten Signalintervalls liegt.
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, daß aus den während der Inspektion des Materials erzeugten
Signal werten der Sensorbildpunkte (12) jeweils ein neues Signalintervall gebildet wird, das zu einem definierten Zeitpunkt für den Vergleich mit den an dem jeweiligen Sensorbildpunkt (12) während der Inspektion des Materials erzeugten Signalwerten übernommen wird.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, daß durch die elektronische Zusammenfassung von mindestens drei Sensorbildpunkten (12) zu einem Farbbildpunkt K<N Farbbildpunkte gebildet werden, an denen bei einer Abbildung K Farbsignale gebildet werden, daß während einer Lemphase ein Referenzmaterial auf die N
Sensorbildpunkte der Farbbildkamera abgebildet und anhand der Farbsignale (12) der K Farbbildpunkte ein Klassifikationsschema mit den Klassen „Objekt" bzw. „Struktur" und „Hintergrund" gebildet wird, und daß große, oberhalb der Auflösungsgrenze der Farbbildkamera liegende Objekte bzw. Strukturen anhand ihrer Farbeigenschaften mit Hilfe des vorher festgelegten Klassifikationsschemas erkannt werden.
6. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die zu erkennenden Objekte Kontaminationen (16,
22) oder Fehlstellen in oder auf dem Material sind.
7. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß die 1-Chip Kamera eine Farbzeilenkamera ist.
8. Verfahren nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet, daß das Material ein bewegter Materialstrom oder eine bewegte Materialbahn ist.
9. Anordnung zur automatischen Erkennung von Objekten und Stnikturen in Materialien, mit einer 1-Chip Farbbildkamera, die N durch Primärfarbfilter abgedeckte Sensorbildpunkte (12) aufweist, auf die das zu inspizierende Material abgebildet werden kann, mit N
Intervallkomparatoren (30), die jeweils einem der N Sensorbildpunkte (12) zugeordnet sind und in denen jeweils ein dem jeweiligen Sensorbildpunkt (12) zugeordnetes Signalintervall abgelegt werden kann, wobei jedes Signalintervall aus den in einer Lernphase bei der Abbildung eines Referenzmaterials auf den jeweiligen Sensorbildpunkt
(12) erzeugten Signal werten gebildet ist, und wobei durch einen Vergleich der durch die Abbildung des zu inspizierenden Materials auf die einzelnen Sensorbildpunkte erzeugten Signalwerte mit dem Signalintervall des jeweiligen Sensorbildpunktes (12) an den Ausgängen (32) der Intervallkomparatoren (30) Signale anliegen, die ein binäres Klassenbild mit N Bildpunkten mit den Klassen „Objekt" bzw. „Struktur" und „Hintergrund" bilden.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| EP03795891A EP1581909B1 (de) | 2002-12-14 | 2003-12-12 | Verfahren und anordnung zur automatischen erkennung von objekten und strukturen in materialien |
| AU2003298181A AU2003298181A1 (en) | 2002-12-14 | 2003-12-12 | Method and arrangement for the automatic recognition of objects and structures in materials |
| DE50305074T DE50305074D1 (de) | 2002-12-14 | 2003-12-12 | Verfahren und anordnung zur automatischen erkennung von objekten und strukturen in materialien |
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE10258599A DE10258599A1 (de) | 2002-12-14 | 2002-12-14 | Optische Erkennung von groben und feinen Objekten und Strukturen mit einfachen 1-Chip Farbkameras |
| DE10258599.7 | 2002-12-14 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| WO2004055731A2 true WO2004055731A2 (de) | 2004-07-01 |
| WO2004055731A3 WO2004055731A3 (de) | 2004-09-30 |
Family
ID=32336341
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| PCT/EP2003/014158 Ceased WO2004055731A2 (de) | 2002-12-14 | 2003-12-12 | Verfahren und anordnung zur automatischen erkennung von objekten und strukturen in materialien |
Country Status (4)
| Country | Link |
|---|---|
| EP (1) | EP1581909B1 (de) |
| AU (1) | AU2003298181A1 (de) |
| DE (2) | DE10258599A1 (de) |
| WO (1) | WO2004055731A2 (de) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2385494C1 (ru) * | 2008-10-22 | 2010-03-27 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Способ распознавания изображения текстуры клеток |
| RU2659217C1 (ru) * | 2017-12-12 | 2018-06-28 | федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский ядерный университет МИФИ" (НИЯУ МИФИ) | Способ распознавания структуры ядер бластов крови и костного мозга с применением световой микроскопии в сочетании с компьютерной обработкой данных для определения В- и Т-линейных острых лимфобластных лейкозов |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101758030B (zh) * | 2010-01-19 | 2013-04-17 | 浙江工业大学 | 链片自动分选排列机 |
Family Cites Families (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US4095696A (en) * | 1977-02-04 | 1978-06-20 | Amf Incorporated | Produce grader |
| DE4301018A1 (de) * | 1993-01-16 | 1994-07-21 | Steinbeis Transferzentrum Kons | Verfahren und Anordnung für die Verarbeitung von Farbzeilenkamera-Signalen |
| US5352888A (en) * | 1993-04-26 | 1994-10-04 | Esm International, Inc. | Method and apparatus for detecting and utilizing frame fill information in a sorting machine having a background and a color sorting band of light |
| US5353937A (en) * | 1993-05-17 | 1994-10-11 | Esm International, Inc. | Automatic variable ejector delay time and dwell type mechanism in a sorting apparatus |
| US5544256A (en) * | 1993-10-22 | 1996-08-06 | International Business Machines Corporation | Automated defect classification system |
| DE4419395C2 (de) * | 1994-05-30 | 2000-09-28 | Graphikon Gmbh | Verfahren und Einrichtung zur Analyse und Verarbeitung von Farbbildern |
| DE19638065A1 (de) * | 1996-09-18 | 1998-03-19 | Massen Machine Vision Systems | Automatische Qualitätskontrolle von Fliesen |
| DE19751862C2 (de) * | 1997-11-22 | 2002-09-19 | Lutz Priese | Verfahren und Vorrichtung zum Identifizieren und Sortieren von bandgeförderten Objekten |
| DE10018444B4 (de) * | 1999-05-04 | 2006-01-26 | Soft Imaging System Gmbh | Halbleitersystem zur Registrierung von Spektren, Farbsignalen, Farbbildern und dergleichen |
| DE10109019B4 (de) * | 2001-02-23 | 2004-06-17 | Hans-Wilhelm Dr. Warnecke | Verfahren zur Bestimmung von Anteilen biologischer Strukturen |
| DE10140660A1 (de) * | 2001-08-24 | 2003-03-13 | Visolution Gmbh Systemloesunge | Verfahren und Vorrichtung zur optoelektronischen Erfassung von Oberflächen |
-
2002
- 2002-12-14 DE DE10258599A patent/DE10258599A1/de not_active Withdrawn
-
2003
- 2003-12-12 AU AU2003298181A patent/AU2003298181A1/en not_active Abandoned
- 2003-12-12 DE DE50305074T patent/DE50305074D1/de not_active Expired - Lifetime
- 2003-12-12 WO PCT/EP2003/014158 patent/WO2004055731A2/de not_active Ceased
- 2003-12-12 EP EP03795891A patent/EP1581909B1/de not_active Expired - Lifetime
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2385494C1 (ru) * | 2008-10-22 | 2010-03-27 | Государственное образовательное учреждение высшего профессионального образования Московский инженерно-физический институт (государственный университет) | Способ распознавания изображения текстуры клеток |
| RU2659217C1 (ru) * | 2017-12-12 | 2018-06-28 | федеральное государственное автономное образовательное учреждение высшего образования "Национальный исследовательский ядерный университет МИФИ" (НИЯУ МИФИ) | Способ распознавания структуры ядер бластов крови и костного мозга с применением световой микроскопии в сочетании с компьютерной обработкой данных для определения В- и Т-линейных острых лимфобластных лейкозов |
Also Published As
| Publication number | Publication date |
|---|---|
| EP1581909B1 (de) | 2006-09-13 |
| AU2003298181A8 (en) | 2004-07-09 |
| DE10258599A1 (de) | 2004-06-24 |
| DE50305074D1 (de) | 2006-10-26 |
| AU2003298181A1 (en) | 2004-07-09 |
| EP1581909A2 (de) | 2005-10-05 |
| WO2004055731A3 (de) | 2004-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| DE3639636C2 (de) | Automatische Inspektion von Textilbahnen | |
| DE3347645C1 (de) | Verfahren und Einrichtung zum opto-elektronischen Pruefen eines Flaechenmusters an einem Objekt | |
| DE69932462T2 (de) | Elektrooptische Einheit zum Abtasten der gesamten seitlichen Oberfläche von Gegenständen im wesentlichen zylindrischer Form | |
| EP2910934B1 (de) | Vorrichtung zur Inspektion eines mit einer beschichteten Oberfläche versehenen Materials und entsprechendes Verfahren | |
| WO2018019817A1 (de) | Vorrichtung zum erfassen und auswerten von produktspezifischen informationen von produkten der nahrungsmittel verarbeitenden industrie sowie system mit einer solchen vorrichtung und verfahren zum verarbeiten von produkten der nahrungsmittel verarbeitenden industrie | |
| WO1999026734A1 (de) | Verfahren und vorrichtung zum identifizieren und sortieren von bandgeförderten objekten | |
| DD152870A1 (de) | Verfahren und vorrichtung zum klassieren in bewegung befindlichen stueckgutes | |
| DE102016203392B3 (de) | Bildinspektionsverfahren mit mehreren Kameras | |
| DE102017006566B3 (de) | Vorrichtung und Verfahren zur optischen Überwachung von Oberflächen eines Körpers | |
| WO2023237552A1 (de) | Kamerasystem zur optischen inspektion der oberfläche eines elements einer energiezelle und zugehöriges inspektionsverfahren | |
| DE2653590C3 (de) | Vorrichtung zum Ermitteln von Fehlern in flächenhaften Mustern, insbesondere in Photomasken | |
| DE4345106C2 (de) | Verfahren zum optischen Sortieren von Schüttgut | |
| DE102004025948B3 (de) | Verfahren und Vorrichtung zum Untersuchen von lichtdurchlässigen Objekten | |
| DE102006017337A1 (de) | Verfahren zur optischen Erfassung von bewegten Objekten und Vorrichtung | |
| DE69104906T2 (de) | Verfahren und Apparat zur optischen Inspektion von band- oder blattförmigen Produkten. | |
| EP1581909B1 (de) | Verfahren und anordnung zur automatischen erkennung von objekten und strukturen in materialien | |
| DD273505A5 (de) | Verfahren zur automatischen Erkennung von Fehlern in bewegten Warenbahnen | |
| DE102007018204B4 (de) | Vorrichtung zur Erfassung von Fehlerstellen in Tierhäuten | |
| WO2019185184A1 (de) | Vorrichtung und verfahren zur optischen positionserkennung transportierter objekte | |
| WO2013026826A1 (de) | Inspektionsverfahren | |
| EP0342318B1 (de) | Automatischer Bildschärfeabgleich von Bildröhren | |
| EP0734789A2 (de) | Vorrichtung und Verfahren zum Sortieren von Schüttgut | |
| EP0623885B1 (de) | Einrichtung zum Gewinnen von Klassifikationsinformationen | |
| EP1862309B1 (de) | Sensoreinrichtung | |
| DE102016220523B4 (de) | Vorrichtung und Verfahren zur Analyse optisch erfassbarer Inhomogenitäten auf der Oberfläche von Wafern |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AK | Designated states |
Kind code of ref document: A2 Designated state(s): AE AG AL AM AT AU AZ BA BB BG BR BY BZ CA CH CN CO CR CU CZ DE DK DM DZ EC EE ES FI GB GD GE GH GM HR HU ID IL IN IS JP KE KG KP KR KZ LC LK LR LS LT LU LV MA MD MG MK MN MW MX MZ NI NO NZ OM PG PH PL PT RO RU SC SD SE SG SK SL SY TJ TM TN TR TT TZ UA UG US UZ VC VN YU ZA ZM ZW |
|
| AL | Designated countries for regional patents |
Kind code of ref document: A2 Designated state(s): BW GH GM KE LS MW MZ SD SL SZ TZ UG ZM ZW AM AZ BY KG KZ MD RU TJ TM AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HU IE IT LU MC NL PT RO SE SI SK TR BF BJ CF CG CI CM GA GN GQ GW ML MR NE SN TD TG |
|
| 121 | Ep: the epo has been informed by wipo that ep was designated in this application | ||
| WWE | Wipo information: entry into national phase |
Ref document number: 2003795891 Country of ref document: EP |
|
| DFPE | Request for preliminary examination filed prior to expiration of 19th month from priority date (pct application filed before 20040101) | ||
| WWP | Wipo information: published in national office |
Ref document number: 2003795891 Country of ref document: EP |
|
| WWG | Wipo information: grant in national office |
Ref document number: 2003795891 Country of ref document: EP |
|
| NENP | Non-entry into the national phase |
Ref country code: JP |
|
| WWW | Wipo information: withdrawn in national office |
Country of ref document: JP |