[發(fā)明專利]用于設定照明條件的方法、裝置、系統(tǒng)以及存儲介質

有效

• 申請?zhí)枺?/td>: 201880089331.3
• 申請日: 2018-03-05
• 公開（公告）號: CN111727412B
• 公開（公告）日: 2023-07-14
• 發(fā)明（設計）人: 成瀬洋介;栗田真嗣
• 申請（專利權）人: 歐姆龍株式會社
• 主分類號: G05B19/418
• 分類號: G05B19/418
• 代理公司: 北京同立鈞成知識產權代理有限公司 11205
• 代理人: 馬爽;臧建明

本公開涉及一種用于在檢查對象時設定照明條件的方法、裝置、系統(tǒng)以及存儲介質。所述方法包括：由能夠改變照明參數(shù)的光源對所述對象進行照明，所述照明參數(shù)規(guī)定拍攝對象時的照明條件，且由圖像傳感器在多個此種照明參數(shù)下拍攝具有對應的標簽數(shù)據(jù)的對象，以獲得多個所拍攝的圖像；基于通過將所拍攝的圖像與對應的照明參數(shù)相關聯(lián)而獲得的圖像數(shù)據(jù)集來產生對象的估計圖像；以及將估計圖像及對應的標簽數(shù)據(jù)應用于機器學習模型的學習，且基于機器學習模型的估計結果與標簽數(shù)據(jù)之間的比較結果來設定照明條件。因此，會簡化操作。

技術領域

本公開涉及一種用于在工業(yè)檢測期間設定照明條件的方法、裝置、系統(tǒng)以及存儲介質。

背景技術

生產現(xiàn)場中的產品外觀檢查是用機器代替人實施最少的領域之一，且是未來關于用于減少勞動力的自動化必須解決的重要的技術問題。近年來，隨著以深度學習為代表的人工智能及機器學習技術的發(fā)展，檢查自動化技術得到了飛躍性的改善。然而，在外觀檢查、機器視覺等中，檢查系統(tǒng)建立期間最麻煩的流程是成像系統(tǒng)的設計，包括照明的最佳設計。存在以下問題：當操作者手動實行照明的最佳設計時，為了處理工件的個體差異，需要改變被確定為對象的工件，并且交替地及重復地同時實行基于手動調節(jié)的照明優(yōu)化及檢查算法的調節(jié)，以實現(xiàn)預期的檢測性能，這是非常耗時的。此外，還存在以下問題：當照明被調節(jié)為容易被操作者觀察時，可能不總是達到最佳檢查準確度。

在用于解決這些問題的傳統(tǒng)技術中，報道了一種用于根據(jù)所拍攝的圖像計算評價參考并重復計算使其最大化/最小化的成像及照明參數(shù)的方法(專利文獻1)。然而，根據(jù)所述方法，可僅實現(xiàn)根據(jù)當前拍攝的單個工件的所拍攝的圖像而計算的評價值的優(yōu)化，且可能無法實現(xiàn)基于機器學習(例如，多個工件之間的差異的學習)的辨識器(recognizer)的優(yōu)化。

此外，還存在以下問題：可能存在大量組合的成像及照明參數(shù)，并且同時改變成像及照明條件、實行成像及實行優(yōu)化可能需要花費相對長的時間。

此外，上述問題不僅存在于生產現(xiàn)場中的產品外觀檢查期間，而且還存在于其他判斷裝置(例如面部辨識系統(tǒng))中，所述判斷裝置可使用所拍攝的被照亮對象的圖像作為輸入，以借助于機器學習作出各種判斷。

現(xiàn)有技術文獻

專利文獻

專利文獻1：EP2887055A1

發(fā)明內容

·待解決的技術問題

本公開用于解決至少部分或全部前述問題。

·解決技術問題的方法

本公開公開一種用于在基于機器學習的檢查算法的參數(shù)包括照明的設計參數(shù)的條件下對檢查算法的參數(shù)進行優(yōu)化的方法。因此，用戶可以將檢查算法的損失值(Lossvalue)(在判斷條件下的正確率)最大化的方式，同時直接實行照明的優(yōu)化及檢查算法的優(yōu)化。

(1)根據(jù)本公開的實施例，公開一種用于在檢查對象時設定照明條件的方法，其中使用包括機器學習模型的檢查模塊來檢查所述對象，所述機器學習模型通過使用包括圖像的學習數(shù)據(jù)來產生，且所述方法包括：由能夠改變照明參數(shù)的光源對所述對象進行照明，所述照明參數(shù)規(guī)定拍攝所述對象時的所述照明條件，且由圖像傳感器以多個此種照明參數(shù)來拍攝所述對象，以獲得對應于所述多個照明參數(shù)的多個所拍攝的圖像，其中所述對象具有已知的標簽數(shù)據(jù)；基于通過將所述所拍攝的圖像與對應于所述所拍攝的圖像的照明參數(shù)相關聯(lián)而獲得的圖像數(shù)據(jù)集，來產生在以可變照明參數(shù)進行照明期間所述對象的估計圖像；以及將所述對象的對應于所述可變照明參數(shù)的所述估計圖像及對應的所述標簽數(shù)據(jù)應用于所述機器學習模型的學習，且基于所述機器學習模型的估計結果與所述對象的所述標簽數(shù)據(jù)之間的比較結果、通過同時優(yōu)化所述照明參數(shù)及檢查算法參數(shù)兩者，來設定所述機器學習模型的所述照明條件及所述檢查算法參數(shù)兩者。