专利名称：对用于检测幅材型材料中可变性的不均匀度严重性进行连续制图的制作方法
技术领域：
本发明涉及自动化检测系统，例如用于检测移动幅材的计算机化系统。
背景技术：
已经证明用于分析移动幅材的计算机化检测系统对现代制造操作至关重要。生产线的目标是生产完全均匀并且不具有可变性的材料。然而，不均匀性是幅材型材料制造过程中的常见问题。这可由许多过程变量或配方误差导致。因此，配置基于成像的检测系统变得日益常见，该检测系统能够根据光学检测传感器(如摄像机)捕获的数字图像对制成品的质量进行自动分类。在最简单的情况下，一些检测系统应用了通常称为“分类器”的算法，该算法尝试对每个捕获的数字图像(即“样品”)指定评级，从而指示样品或其部分是合格的还是不合格的。这些检测系统通常尝试辨识“点”缺陷，其中每个缺陷局限在制成材料的单一区域内。然而，可能存在称为“不均匀”缺陷或“不均匀因素”的其他类型的缺陷，其中幅材在较大区域上表现出不均匀可变性。此类不均匀因素的例子包括斑点、颤痕、条带和条纹。按照定义，诸如此类的不均匀型缺陷是分散的而非局部的。因此，相对于局部的点缺陷，计算机化检测系统对此类缺陷的检测和定量可能更难。因此，操作者或质量控制工程师可以采取对稀疏采样的幅材样品进行离线(即在生产完成后)手动检测。
发明内容
总体来讲，本公开描述了计算机化检测系统，该系统用于检测不均匀缺陷的存在并提供表征每个缺陷的严重性的输出。此外，该技术可以提供输出，所述输出提供不均匀度严重性的连续制图。换句话讲，计算机化检测系统可以提供更连续的样品评级，而非局限于离散的等级标签，例如“合格”或“不合格”、或或“5”。例如，计算机化检测系统可以应用算法生成给定样品在连续刻度上的不均匀度严重性的量度，例如在O至10刻度上的
1.63。在一个实施例中，装置包括处理器和存储多个训练样品的存储器。已为每个图像指定训练图像中存在的不均匀缺陷的一组离散等级标签中的一个。处理器上执行的训练软件包括特征提取�？椋糜谕ü酉嘤ρ盗吠枷竦南袼刂导扑阊盗吠枷竦拿恳桓龅奶卣飨蛄浚刺崛《喔鲅盗吠枷竦拿恳桓龅奶卣�。训练软件将训练图像的特征向量的每一个表示为多维空间内的一点。该训练计算出训练图像的连续等级，其中针对不同类型的缺陷，为训练图像的每一个指定在连续刻度上的不均匀度严重性等级值。
在另一个实施例中，计算机化检测系统包括存储器，用于存储将训练图像的连续等级表示为多维特征空间内的多个点的模型。多维空间内的每个点对应于不同训练图像的特征向量。计算机化检测系统包括执行软件的服务器，该软件对从制成幅材捕获的新图像进行处理，从而提取新图像的特征。该软件根据训练图像的模型，计算幅材在连续刻度上的不均匀缺陷严重级别。计算机化检测系统包括用户界面，用于向用户输出严重级别。在另一个实施例中，方法包括在计算机上执行软件，用于通过从相应训练图像的像素值计算每个训练图像的数字描述符，来提取多个训练图像的每一个的特征，其中已对每个图像指定训练图像中存在的不均匀缺陷的一组离散等级标签中的一个。该方法还包括用评级软件处理训练图像的数字描述符，从而根据对训练图像指定的离散等级标签计算训练图像的连续等级。该方法包括对从制成幅材捕获的新图像进行处理，以便提取新图像的特征，以及根据训练图像的连续等级计算幅材的不均匀缺陷的严重级别；以及呈现用户界面，用于向用户输出该严重级别。该技术可以提供一个或多个优点。例如，向操作员提供的信息越详细，对不均匀度原因的探究可能将越有效。其中缺陷严重级别在连续刻度上实时输出的不均匀度严重性连续制图可以使操作员能够更清楚地看见随时间推移而出现的不均匀度的量和严重性，这可能比诸如“良好”和“差”的离散输出更有利。因此，向操作员呈现的具体不均匀缺陷的输出并不局限于为训练样品指定的离散等级标签。此外，可以通过计算机化检测系统应用该技术，以便为幅材制造设施内的用户如工艺工程师提供关于不均匀因素的存在及其严重性的实时反�。佣沟酶糜没Э梢远圆痪纫蛩氐某鱿挚焖僮鞒龇从Γ赐ü髡ひ仗跫跃勒侍猓换嵯灾映偕蛏龃罅课抻玫牟牧�。换句话讲，该技术的应用可以使得操作员能够在故障发生时检测到故障，从而降低浪费的量。此外，该技术可以应用连续分级模型以实现样品的连续分级，并且作为输入时，连续分级模型可通过一组训练图像开发，对于这组训练图像，不均匀度严重级别仅在粗略离散的刻度如“ I ”、“3”和“5”的水平上已知。此外，本文所述用于对不均匀度严重性进行连续制图的技术对于许多产品系列适用且有效，包括在幅材上生产的任何材料。该技术还可用于对不透明或需要反光照明的产品中的不均匀因素进行辨识和评级。然而，该技术不限于任何具体的制成材料或显像模式。本发明的一个或多个实施例的细节在附图和以下具体实施方式
中说明。通过具体实施方式
和附图以及权利要求书，本发明的其他特征、目标和优点将显而易见。
图1为框图，示出了示例性幅材制造以及可以应用本文所述技术的转换系统。图2为框图，示出了示例性幅材制造厂中的检测系统的示例性实施例。图3为示出本文所述系统的示例性操作的流程图。图4示出了称为“流形”的连续三维(3D)表面，参考该表面容易理解通过训练软件应用算法以生成连续分级模型的过程。图5为更详细地示出示例性工艺的流程图，训练软件通过该工艺对从训练图像提取的特征向量进行处理，从而开发训练图像的连续分级并生成连续分级模型。
图6为更详细地示出示例性工艺的流程图，制图�？橥ü霉ひ帐凳崩昧旨赌Ｐ图觳獠痪热毕莸拇嬖冢⑻峁┟恐秩毕莸难现丶侗鸬牧仆肌Ｍ�7为提供找到二维特征空间中K最近邻点的逻辑表示的图表。图8示出了使用散列算法找到K最近邻点的第二种技术。
具体实施例方式图1为示出示例性系统2的框图，其中可以应用本文所述的技术。幅材制造厂6A-6N(幅材制造厂6)表示生产和运输幅材卷7形式的幅材的制造地点。幅材制造厂6可以按地理位置分布，该幅材制造厂中的每一个可以包括一条或多条生产线。通常，可以通过制造厂6中的任何一个制造幅材卷7，然后在幅材制造厂之间运输以便进行额外的处理。将成品幅材卷10运输到转换位点8A-8N(转换位点8)，以便转换为产品12A-12N(产品12)。如图1所示，转换控制系统4、幅材制造厂6A-6M(幅材制造厂6)和转换位点8A-8N(转换位点8)通过计算机网络9互连，用于交换与幅材制造和转换成产品12有关的信息(如缺陷信息)。通常，幅材卷7、10可以包含已生产的幅材，其可以是在一个方向具有固定尺寸并且在正交方向上具有预定或待定长度的任何片状材料。幅材的例子包括但不限于金属、纸张、织物、非织物、玻璃、聚合物膜、柔性电路或它们的组合。金属可以包括例如钢或铝等材料。织物一般包括各种布。非织物包括例如纸张、过滤介质或绝缘材料等材料。膜包括例如透明和不透明的聚合物膜，包括层压材料和涂覆膜。转换位点8可以接纳来自幅材制造厂6的成品幅材卷10，并将成品幅材卷10转换为单独的片材用于组装到产品12中，从而销售给客户14A-14N(客户14)。转换系统可以根据诸如产品相关等级水平的多种标准确定将给定成品幅材卷10转换为哪一种产品14。也就是说，可以根据每个片材所符合的具体等级水平选择应将哪个片材组装到哪个产品12中。根据本文所述的技术，转换位点8也可接收成品幅材卷10中的与异常有关的数据，即，可能的缺陷。最终，转换位点8可将成品幅材卷10转换成各个片材，所述各个片材可组装到用于销售至客户14A-14N(客户14)的产品12内。为了生产准备转换成用于组装到产品12中的各个片材的成品幅材卷10，非成品幅材卷7可能需要经多条生产线的处理，这些生产线可位于一个幅材制造厂内，例如幅材制造厂6A内，也可位于多个制造厂内。每一个加工过程通常使用幅材卷作为原料卷，利用卷将幅材送入制备工艺中。完成每一个加工过程后，幅材通常再次卷绕成幅材卷7并转移至不同产品线或运送至不同制造厂，在那里进行退绕、加工并再次卷绕成卷。重复该过程，直至最终生产出成品幅材卷10。对于多个应用，用于幅材卷7中的每一个的幅材可具有多个涂层，所述涂层是在一个或多个幅材制造厂6的一条或多条生产线处涂覆的。就第一制备工艺而言，涂层通常涂覆至基础幅材的暴露表面，或者就后续制备工艺而言，涂层通常涂覆至先前涂覆的涂层。涂层的例子包括粘合剂、硬涂层、低粘附力背面涂层、金属化涂层、中密度涂层、导电或不导电涂层，或者它们的组合。在一个给定幅材卷7的各制造过程中，一个或多个检测系统会采集幅材的异常信息。例如，如图2所示，处理幅材时，如向幅材施加一个或多个涂层时，生产线的检测系统可以包括紧邻连续移动幅材设置的一个或多个图像采集装置。图像采集装置扫描连续移动幅材的连续部分，以获得数字图像。检测系统包括分析计算机，其采用一种或多种算法分析图像，以便根据幅材所转换成的最终产品12生成可能代表实际“缺陷”的所谓“局部”异常信息。检测系统可以例如生成“点”缺陷的异常信息，其中每个缺陷局限于单一区域内。又如，检测系统可以生成“不均匀”缺陷或“不均匀因素”的异常信息，其中幅材在比点缺陷的区域更大的区域内表现出不均匀可变性。此类不均匀因素的例子包括斑点、颤痕、条带和条纹。幅材制造厂6内的分析计算机可以应用算法检测不均匀因素缺陷的存在并提供表征每个缺陷的严重度的输出。此外，该技术可以提供输出，所述输出提供不均匀度严重性的连续制图。分析计算机可以在幅材的制造过程中实时应用算法，或者在已对幅材捕获所有图像数据之后离线应用算法。例如，计算机化检测系统可以向幅材制造厂6内的用户如工艺工程师提供关于不均匀因素的存在及其严重性的实时反�。佣沟酶糜没Э梢远圆痪纫蛩氐某鱿挚焖僮鞒龇从Γ赐ü髡ひ仗跫跃勒侍猓换嵯灾映偕蛏龃罅课抻玫牟牧�。计算机化检测系统可以应用算法生成给定样品在连续刻度或更精确采样的刻度上的不均匀度严重性的量度，例如在O至10刻度上的1.63。不均匀度严重性的连续制图可以使得操作员能够更清楚地看见随时间推移而出现的不均匀因素的量和严重性，这可能比诸如“良好”和“差”的离散输出更有利。例如，计算机化检测系统可以向操作员提供可导致探究不均匀因素的原因的详细信息。在该连续制图过程中，分析计算机通过应用根据训练数据开发的连续分级模型对捕获的数字图像进行处理。通常在算法的“训练阶段”过程中处理训练数据，并且开发连续分级模型以最佳地匹配训练数据。也就是说，在训练阶段和开发连续分级模型之后，对训练数据应用连续分级模型将为训练数据贴上高正确概率的标签。一旦通过训练数据开发出模型，分析计算机将在处理的“分级阶段”，对从新制成品捕获的样品潜在地实时应用该模型，并提供不均匀度严重性的连续制图，所述不均匀度严重性不局限于离散的等级标签，例如“合格”或“不合格”、或或“5”，计算机化检测系统可以提供样品的连续分级。例如，计算机化检测系统可以应用算法在连续刻度上生成幅材内不均匀缺陷严重性的量度，例如O至10刻度上的1.63。此外，可以通过一组训练图像开发用于实现样品的连续分级的连续分级模型，对于这组训练图像，不均匀度严重级别仅在粗略离散的刻度上已知。在一些实施例中，可以通过转换控制系统4对给定的制成幅材的数字图像进行离线分析。根据给定幅材的等级，转换控制系统4可以为每个幅材卷10选择并生成转换方案。数字图像分析和严重级别测定可能是特定于应用的，因为某些不均匀因素可能在一个产品(如产品12A)中引起缺陷，而该异常在不同产品(如产品12B)中可能不会引起缺陷。每一个转换方案表示限定的指令，用于将对应成品幅材卷10加工，以用于形成可以最终出售给客户14的产品12。例如，可将幅材卷10转换成用于应用到笔记本电脑的显示屏的最终产品，如，特定尺寸的片材。又如，可将相同的幅材卷10取代地转换成用于应用到移动电话的显示屏的最终产品。转换控制系统4可根据可应用到异常的不同缺陷检测算法来辨识出哪一个产品最佳地实现某些参数，例如幅材的最大利用率。图2为框图，示出了位于图1的示例性幅材制造厂6A中的幅材生产线21的一部分内的检测系统的示例性实施例。在该示例性实施例中，将幅材20的一段设置在两个支承辊22、24之间。将图像采集装置26A-26N(图像采集装置26)设置在紧邻连续移动幅材20处，并扫描连续移动幅材20的连续部分以获得图像数据。采集计算机27从图像采集装置26收集图像数据，然后将图像数据传送至分析计算机28。图像采集装置26可以是能够读取移动幅材20的连续部分并以数字数据流方式提供输出的常规图像装置。如图2所示，成像装置26可为直接提供数字数据流的摄像机或是具有额外模数转换器的模拟摄像机。其他传感器，例如激光扫描仪，可以作为图像采集装置使用。幅材的连续部分表明通过连续的单行采集数据。单行包括映射到单排传感器或像素的连续移动幅材的区域。适于采集图像的装置的例子包括行扫描摄像机，例如得自加拿大安大略省滑铁卢市达尔萨公司(Dalsa (Waterloo, Ontario, Canada))的Piranha型,或得自加利福利亚州圣荷西市爱特梅尔公司(Atmel (San Jose, Calif))的Aviiva SC2 CL型。其他例子包括与模数转换器结合使用的得自德国慕尼黑表面检测系统股份有限公司(SurfaceInspection Systems GmbH (Munich, Germany))的激光扫描仪。可以通过辅助获取图像的光学组件可选地采集图像数据。组件可以是摄像机的一部分，也可以与摄像机分开。光学组件在成像过程中利用反射光、透射光或折射光。反射光例如通常适合检测由于幅材表面变形(例如表面划痕)引起的缺陷。在一些实施例中，基准标记控制器30控制基准标记读出器29来从幅材20采集卷和位置信息。例如，基准标记控制器30可包括一个或多个光学照相传感器，以用于从幅材20读取条形码或其他标记。另外，基准标记控制器30可从与幅材20和/或辊22、24接合的一个或多个高精度编码器接收位置信号。根据这些位置信号，基准标记控制器30确定每一个检测到的基准标记的位置信息。基准标记控制器30将卷和位置信息传送到分析计算机28，以用于与检测到的异常进行关联。分析计算机28对来自采集计算机27的图像数据流进行处理。例如，根据本文所述的技术，计算机化不均匀度制图�？�39 ( “制图�？�39”)在分析计算机28上执行并应用算法，该算法利用根据训练数据35开发的连续分级模型34 ( “模型34”)检测不均匀缺陷的存在并提供每种缺陷的严重级别的连续制图。训练数据35通常由一大组代表性样品数字图像组成，这些数字图像已被一个或多个专家38指定等级。先前自动分级的数据也可用于训练。数字图像可以例如表示从幅材20或由幅材生产线21先前生产的另一个幅材获取的样品。训练服务器36可以提供用于执行软件的操作环境，该软件提供计算机化专家评级工具37 ( “评级工具37”)，以辅助专家38对代表样品的大数字图像集合有效并一致地指定等级(即标签)。示例性专家评级工具37的其他细节可见于Ribnick等人提交于2010年10月19日的名称为“COMPUTER-AIDEDASSIGNMENT OF RATINGS TO DIGITAL SAMPLES OF A MANUFACTURED WEB PRODUCT” (幅材制成品的数字采样评级的计算机辅助指定)的美国临时专利申请N0.61/394，428。制图�？�39可以至少部分实施为由分析计算机28的一个或多个处理器执行的软件指令，所述处理器包括一个或多个硬件微处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)、或任何其他等同的集成或离散逻辑电路、以及此类组件的任何组合。可以将软件指令保存在非瞬时计算机可读介质中，例如随机存取存储器(RAM)、只读存储器(ROM)、可编程只读存储器(PROM)、可擦可编程只读存储器(EPROM)、电可擦可编程只读存储器(EEPROM)、闪存、硬盘、⑶-ROM、软盘、盒式录音带、磁性介质、光学介质、或其他计算机可读存储介质。虽然出于示例性目的显示为设置在制造厂6A内部，但分析计算机28和制图�？�39、以及训练服务器36和评级工具37可以位于制造厂外部，如位于中央位置或在转换位点处。例如，分析计算机28和训练服务器36可以在转换控制系统4内部运行。又如，制图�？�39和评级工具37在单个计算平台上执行并且可以集成到同一个软件系统中。一旦确立了训练数据35，训练�？�41将处理训练数据，从而生成连续分级�？�34，以便随后被制图�？�39用于对从采集计算机27接收的幅材20的图像数据进行实时分析。因此，可根据连续分级�？�34对幅材20各区域的新图像进行分级。可以检测到的示例性缺陷包括不均匀因素例如斑点、颤痕、条带和条纹，以及点缺陷，包括污点、刮痕和油滴。分析计算机28在数据库32内存储幅材20的异常信息，包括幅材20的卷辨识信息和每一个异常的位置信息。例如，分析计算机28可以利用基准标记控制器30生成的位置数据，来确定每个异常在生产线坐标系内的空间位置或图像区域。也就是说，根据来自基准标记控制器30的位置信息，分析计算机28确定每个异常在当前生产线所用坐标系内的X、y以及可能的z位置或范围。例如，可以限定坐标系，使得X维度表示幅材20的横向距离，y维度表示幅材的纵向距离，z维度表示幅材的高度，所述高度取决于涂层的数量、材料或此前涂覆到幅材的其他层。此外，可以限定x、y、z坐标系在生产线内物理位置处的原点，其通常与幅材20的初始进料位置相关。数据库32可以按许多不同形式中的任一形式执行，包括数据存储文件或在一个或多个数据库服务器上执行的一个或多个数据库管理系统(DBMS)。数据库管理系统可以是例如关系(RDBMS)、分层(HDBMS)、多维(MDBMS)、面向对象(0DBMS或OODBMS)或对象关系(ORDBMS)数据库管理系统。例如，数据库32是作为由微软公司(Microsoft Corporation)的SQL Server 提供的关系数据库而执行的。一旦该过程结束，分析计算机28可以将收集在数据库32中的数据通过网络9传送至转换控制系统4。例如，分析计算机28可以将卷信息和异常信息以及每个异常的相应子图像传送至转换控制系统4，用于根据连续分级�？�34进行后续的离线详细分析。例如，信息可通过数据库32与转换控制系统4之间的数据库同步进行传送。在一些实施例中，转换控制系统4 (并非分析计算机28)可确定出每一个异�？稍诓�12中引起缺陷的那些产品。一旦将成品幅材卷10的数据收集在数据库32中，就可将所述数据传送至转换位点8和/或用于标记幅材卷上的异常，方式为利用可移除或可擦洗标记直接在幅材表面上进行标记或者在覆盖片材上进行标记，所述覆盖片材可在幅材上的异常标记之前或期间被施加至幅材。图3为提供训练模块41和制图�？�39的操作概览的流程图。通常，该过程包括两个总体加工阶段:训练阶段45和在线评估阶段47。首先，训练模块41接收通常为一组图像的形式的训练数据35作为输入，对于这组图像，严重性等级在可能粗略离散的刻度上是已知的(50)。也就是说，训练数据35可以是表示从幅材20获取的样品的数字图像，并且计算机化专家评级工具37( “评级工具37”)可以通过美国临时专利申请N0.61/394，428中所述方式对每个数字图像指定离散等级53。接下来，训练�？�41的特征提取软件模块对每个图像进行处理，以提取特征
(52)。特征提取提供每个图像的数字描述符，其形式为每个图像中内在的相关信息的紧凑型数字表示。可通过任何方式提取特征，所述方式保留了关于训练组中图像之间关系的可用信息，并同时消除不能提供信息的图像特征。常用特征提取技术的例子包括用一组过滤器进行图像卷积并计算过滤像的统计数字，或根据颜色或强度直方图提取特征。有时像素值可用作特征，但在这种情况下描述符不具有紧凑性，因为通常必须保存整个图像。通常，将所得特征处理为对应图像中相关信息的紧凑型描述。本文所述技术不限于与任何特定特征提取方法一起使用，并且可以容易地应用到其他类型的特征更适合的应用中。通常，从图像提取的特征为描述性的，因为它们包含关于图像相对于特定类型的不均匀因素的辨别信息。这样，一旦提取了特征，对应于每个图像的特征向量将代表该图像中包含的大部分相关信息。以紧凑形式封装相关图像信息(尤其在其涉及纹理时)的一个示例性方式是计算整个图像的像素特征的小型协方差矩阵。一旦提取了该小型协方差矩阵(如5X5)，则可仅根据这些矩阵而不是直接处理图像来有效地进行图像间的两两对比。例如，将灰度图像定义为由像素坐标X和y指示为I (x，y)的二维阵列。在每个像素位置(x，y)处，根据像素的强度值及其在该像素处的一阶和二阶导数提取特征向量:
权利要求
1.一种方法，其包括: 在计算机上执行软件，用于通过从所述相应训练图像的像素值计算所述训练图像的每一个的数字描述符，来提取多个训练图像的每一个的特征，其中已对所述图像的每一个指定所述训练图像内存在的不均匀缺陷的一组离散等级标签中的一个； 用所述评级软件处理所述训练图像的所述数字描述符，从而根据对所述训练图像指定的所述离散标签计算所述训练图像的连续等级；以及 对从制成幅材捕获的新图像进行处理，以便从所述新图像提取特征，以及根据所述训练图像的所述连续等级计算所述幅材的所述不均匀缺陷的严重级别。
2.根据权利要求1所述的方法，还包括呈现用户界面，用于向用户输出所述严重级别。
3.根据权利要求2所述的方法，其中呈现用户界面包括更新图表，从而用曲线图表示随时间推移所述幅材的所述不均匀缺陷的所述严重级别。
4.根据权利要求2所述的方法，还包括: 接收来自所述用户的输入；和 响应于所述输入，调整所述制成幅材的工艺控制参数。
5.根据权利要求1所述的方法，其中计算所述训练图像的每一个的数字描述符包括计算多维特征空间内的特征向量。
6.根据权利要求5所述的方法，其中用所述评级软件处理所述训练图像的所述数字描述符以计算所述训练图像的连 续等级，包括: 将所述训练图像的所述特征向量的每一个表示为所述多维空间内的一点； 计算从所述多维空间内的每一点转移到由所述特征向量表示的其他点中的每一个的概率，其中计算所述转移概率包括对表示指定了不同等级标签的训练图像的两点间的转移进行罚分； 根据所述转移概率，计算所述点的每一个之间的成对距离，其中所述成对距离的每一个指示由所述点表示的所述训练图像之间差异性的量度；以及 计算所述训练图像的每一个的不均匀度严重性等级，该等级为由所述训练图像表示的所述点与所述其他点的每一个之间的所述成对距离和所述多维特征空间的函数。
7.根据权利要求6所述的方法，其中处理新图像包括: 计算所述新图像在多维特征空间内的特征向量； 用所述软件辨识所述训练图像在所述多维特征空间内的多个最近邻点； 计算一组重构权值，所述权值将所述新图像的所述特征向量最佳地表示为所述多个最近邻点的线性组合；以及 根据由所述多维空间内的所述多个最近邻点表示的所述训练图像的所述不均匀度等级值的加权平均数，计算所述新图像的所述不均匀缺陷的所述严重级别。
8.—种设备,其包括: 处理器； 存储多个训练样品的存储器，其中已对所述图像的每一个指定了所述训练图像中存在的不均匀缺陷的一组离散等级标签的一个；以及 在所述处理器上执行的训练软件，其中所述软件包括特征提取�？椋糜谕ü铀鱿嘤ρ盗吠枷竦南袼刂导扑闼鲅盗吠枷竦拿恳桓龅奶卣飨蛄浚刺崛《喔鲅盗吠枷竦拿恳桓龅奶卣鳎� 其中所述训练软件将所述训练图像的所述特征向量的每一个表示为多维空间内的点，并且计算所述训练图像的连续等级，其中为所述训练图像的每一个指定在连续刻度上的不均匀度严重性等级值。
9.根据权利要求8所述的设备，其中所述训练软件计算从所述多维空间内的每一点转移到由所述特征向量表示的所述其他点的每一个的概率，其中所述训练软件包括对与表示指定了不同等级标签的训练图像的两点之间的转移对应的所述转移概率进行罚分。
10.根据权利要求8所述的设备，其中所述训练软件根据所述转移概率计算所述点的每一个之间的成对距离，其中所述成对距离的每一个指示由所述点表示的所述训练图像之间的差异性的量度；并且计算所述训练图像的每一个的所述不均匀度严重性等级值，所述等级为由所述训练图像表示的所述点与所述其他点的每一个之间的所述成对距离和所述多维特征空间的函数。
11.一种计算机化检测系统，包括: 存储器，用于存储将所述训练图像的连续等级表示为多维特征空间内的多个点的模型；其中所述多维空间内的每个点对应于不同所述训练图像的特征向量； 服务器执行软件，其中所述软件对从制成幅材捕获的新图像进行处理，以提取所述新图像的特征，以及根据所述训练图像的所述模型，计算所述幅材的不均匀缺陷在连续刻度上的严重级别；以及 用户界面，用于向用户输出所述严重级别。
12.根据权利要求11所述的计算机化检测系统，其中所述软件计算所述新图像在多维特征空间内的特征向量，辨识具有多个点的多维特征空间内的多个最近邻点，计算一组重构权值，所述权值将所述新图像的所述特征向量最佳地表示为所述多个最近邻点的线性组合，以及根据由所述多维空间内的所述多个最近邻点表示的所述训练图像的所述不均匀度等级值的加权平均数，计算所述幅材的所述不均匀缺陷的所述严重级别。
13.一种非瞬时计算机可读介质，包括软件指令，所述指令用于使计算机处理器: 在计算机上执行软件，用于通过从所述相应训练图像的像素值计算所述训练图像的每一个的数字描述符，来提取多个训练图像的每一个的特征，其中已对所述图像的每一个指定所述训练图像内存在的不均匀缺陷的一组离散等级标签中的一个； 用所述评级软件处理所述训练图像的所述数字描述符，从而根据对所述训练图像指定的所述离散标签计算所述训练图像的连续等级； 对从制成幅材捕获的新图像进行处理，以便从所述新图像提取特征，以及根据所述训练图像的所述连续等级计算所述幅材的所述不均匀缺陷的严重级别；以及 呈现用户界面，从而向用户输出所述严重级别。
全文摘要
本发明描述了一种计算机化检测系统，所述检测系统用于检测制成幅材中不均匀缺陷的存在，以及用于提供表征每种缺陷的严重级别的输出。所述系统提供输出，所述输出实时提供所述不均匀缺陷在连续刻度上的所述严重级别。训练软件处理多个训练样品以生成模型，其中只需对所述训练样品的每一个指定所述不均匀缺陷的一组离散等级标签中的一个。所述训练软件生成用于表示所述训练图像的连续等级的所述模型，并且所述检测系统利用所述模型实时计算所述幅材在连续刻度上的所述严重级别，而不会将所述输出限定在对所述训练样品指定的所述离散等级标签。
文档编号G01N21/89GK103180724SQ201180050420
公开日2013年6月26日 申请日期2011年10月4日 优先权日2010年10月19日
发明者E·J·里布尼克, D·L·霍菲尔特, D·H·贾斯泰斯, G·萨皮罗 申请人:3M创新有限公司
专业数控铣床产品供应商
20年生产经验，实力工厂，精工品质，质量有保障
