专利名称：快速处理和检测幅材型材料中的不均匀因素的制作方法
技术领域：
本发明涉及自动检测系统，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。产品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，“样本”)指定评级，从而指示样本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个区域内。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杂色、颤动、带和条纹。按照定义，诸如此类的不均匀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。尝试检测制成材料中的不均匀因素时，检测系统通常会收集并处理样本图像，以提取表征具体不均匀因素的特征。基于这些特征，检测系统应用一个或多个分类器以生成不均匀因素的严重性评估。特征提取可为计算密集型并且可为检测流程的限制因素。例如，在此步骤中，包含几百万像素的高分辨率图像将被缩小，通过可能涉及过滤、形态学、时间、光谱或统计处理的例程变成或许不超过50个代表性数字(或特征)。所得数字随后成为评估基础产品质量的依据。将数百万像素的值缩减成数十个信息化数字需要的时间可能很长，因此，即使是现代计算机，也无法实时执行以获得快速生产率。一个方法是购买更多更昂贵的计算机，但此解决方案可能使检测系统的成本过高，并且带来数据分布和结果汇总方面的额外实施问题。
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。描述了增大设计用于检测并分类制造幅材中特定图形的检测系统的吞吐量的技术。描述了大大缩短检测期望为基本上均匀的给定数量材料所需平均时间的算法和硬件方法。这样，该技术可以显著提高生产率。本文所述的算法技术涉及动态(即，在线)确定要计算哪些图像特征，方法是首先从基本特征组开始，然后根据需要仅触发额外特征的计算。在一个实施例中，描述了用于在制造幅材时实时检测幅材并计算不均匀缺陷严重性的在线计算机化检测系统。该检测系统包含用来存储模型的存储器，其中模型定义了用于实时选择从幅材的样本图像提取哪些特征的动态触发链。计算机会执行软件以处理从当前正在制造的制造幅材捕获的样本图像，从而提取第一个特征组。软件应用该模型动态触发选择额外的特征组以从样本图像中提取，直到所提取的特征足以用来计算幅材的不均匀缺陷的严重级别。在另一个实施例中，描述了用于在制造幅材时实时检测幅材并计算不均匀缺陷严重性的方法。该方法包括使用在线计算机化检测系统接收从正在制造的幅材捕获的图像、使用该检测系统处理图像以提取第一个特征组、以及使用该检测系统处理第一个特征组以确定是否能够计算出幅材的不均匀缺陷的严重级别。该方法还包括在确定无法从第一个特征组计算出的严重级别时，应用模型来动态选择第二个特征组以从图像中提取、使用检测系统处理图像以提取第二个特征组、以及使用检测系统处理第二个特征组来确定是否可以计算出幅材的不均匀缺陷的严重级别。该方法还包括，确定可从第一个特征组和第二个特征组计算出的严重级别时，使用检测系统来计算幅材的不均匀缺陷的严重级别。本文所述的技术适用于许多产品线，包括在幅材上生产的任何材料。该技术应用范围广泛，可用于均匀度为重要因素的众多产品。一些例子包括光学膜、窗膜和磨料。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为示出了示例性幅材制造和转换系统的框图，其中可在该系统中应用本文所述的技术。图2为示出了示例性幅材制造厂中检测系统的示例性实施例的框图。图3为示出了本文所述系统的示例性操作的流程图。图4为示出了示例性动态系统架构的流程图，其中特征提取模型通过使用得自连续较大特征组的结果实时构建“最佳特征组”，从而触发额外特征的计算。图5示出了 ROC空间中三步序列的性能。图6为示出了基线随机法和贪心优化法之间区别的柱状图。图7和图8为不出基于I旲拟研究的性能结果的图。
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，幅材卷7可由任何制造厂6制造，并可在幅材制造厂之间运输以进行额外的处理。成品幅材卷10运输到转换位点8A-8N (转换位点8)以转换成产品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，以交换与幅材制造相关的信息(例如缺陷信息)并转换成产品12。
通常，幅材卷7、10可以包含制造幅材，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。幅材的实例包括但不限于金属、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。转换系统可根据多种标准(例如与产品相关的等级水平)确定将给定成品幅材卷10转换成何种产品14。也就是说，可以根据每个片材所符合的特定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。完成每个制造过程后，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。不断重复该过程，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的每一个制备工艺中，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。检测系统使用一种或多种算法来分析图像，以生成可表示实际“缺陷”的所谓“局部”异常信息，具体取决于将幅材转换成何种最终产品12。检测系统可以(例如)生成“点”缺陷的异常信息，其中每个缺陷都被定位在单一区域中。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杂色、颤动、带和条纹。幅材制造厂6内的检测系统可应用算法来在制造幅材时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。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馈，从而使得该用户可以对不均匀因素的出现快速作出反应，即通过调整工艺条件以弥补问题，而不会显著延迟生产或生产出大量无用的材料。计算机化检测系统可应用算法来计算严重级别，方法是最终指定不均匀因素的等级标签(如，“好”或“坏”)，或以连续刻度或更准确的采样刻度生成给定样本不均匀度严重性的量度，例如O至10刻度上的1.63。在此流程中，检测系统可应用本文所述的技术来动态(即，在幅材制造过程中实时)确定要计算哪些图像特征。在一个示例中，检测系统首先提取基本特征组，仅根据需要触发额外特征的计算。对于采集的每个样本图像，该技术通过使用得自连续较大特征组的结果实时构建“最佳特征组”，以触发额外特征的计算。检测系统首先使用基线特征组，然后根据基线特征组的值决定要计算哪些额外特征(如果有的话)。类似地，分析这些额外特征组以确定需要哪些额外特征。特征提取流程每个步骤处的决定在本文中被称为潜在触发事件。在一个实施例中，检测系统可决定是否在每个潜在触发事件处触发额外特征的计算，以优化可控Markov链模型下分级准确性中的预期收益。在一些实施例中，检测系统的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本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本的连续分级。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本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对给定的制造幅材的数字图像进行离线的额外分析。转换控制系统4可根据给定幅材的分类为每个幅材卷10选择和生成转换方案。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。图像采集装置26A_26N(图像采集装置26)被设置为紧邻连续移动幅材20，并扫描连续移动幅材20的连续部分以获取图像数据。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实例包括行扫描摄像机，例如得自的AviivaSC2CL型。其他例子包括与模数转换器结合使用的得自Surface Inspection SystemsGmbH (Munich, Germany)的激光扫描仪。可以通过使用辅助获取图像的光学组件而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，以用于与所检测的异常进行关联。分析计算机28处理来自采集计算机27的图像数据流。根据本文所述的技术，特征提取模型43在分析计算机28上执行，并动态确定在幅材20的制造期间基于每个图像实时计算哪些图像特征。即，对于制造期间采集的每个样本图像，特征提取模型43通过使用得自连续较大特征组的结果实时构建“最佳特征组”，以触发额外特征的计算，直至可计算出每个类型的潜在不均匀因素的严重级别。在一个示例性实施例中，计算机化不均匀度制图模块39 (“制图模块39”)通过应用算法处理提取的特征，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。示例性制图模块39的其他细节可见于Ribnick等人提交的名称为“CONTINUOUSCHARTING OF NON-UNIFORMITY SEVERITY FOR DETECTING VARIABILITY IN WEB-BASEDMATERIALS”(用于检测幅材型材料可变性的不均匀度严重性的连续制图)的美国临时专利申请 61/394，655。训练数据35通常由一大组代表性样本数字图像组成，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)代表取自幅材20或此前由生产线21生产的另一个幅材的样本。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对代表样本的较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等人提交的名称为“COMPUTER-AIDED ASSIGNMENT OF RATINGSTO 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61/394，428。一旦确立了训练数据35，训练模块41将处理训练数据，从而生成连续分级模型34，以便随后被制图模块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，可根据连续分级模型34对幅材20各区域的新图像进行分级。可检测的示例性缺陷包括不均匀因素(例如杂色、颤动、带和条纹)和点缺陷(包括斑点、划痕、油滴)。分析计算机28可在数据库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可能位置信息。例如，分析计算机28可使用由基准标记控制器30生成的位置数据来确定生产线坐标系内每个异常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(ODBMS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Microsoft Corporation的SQL Server 提供的关系数据库而执行的。—旦该过程结束，分析计算机28就可将收集在数据库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，用于根据连续分级模型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)可确定出每一个异常可在产品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/或使用所述数据来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进行异常标注之前或期间被施加至幅材。分析计算机28和训练服务器36的组件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)、可擦除可编程只读存储器(EPROM)、电可擦除可编程只读存储器(EEPROM)、闪存、硬盘、CD-ROM、软盘、盒式磁带、磁介质、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以及训练服务器36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，所述组件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。图3是流程图，提供了图2中检测系统的概览。在本实例中，流程包括处理的两个常规阶段:训练阶段45和在线评估阶段47。出于示例目的，就以连续刻度或更准确的采样刻度生成给定样本不均匀度严重性的量度(例如，刻度O至10上的1.63)对检测系统进行了描述。该技术在这一点上不受限制，并且可应用于幅材内不均匀缺陷严重性的其他形式标记或评级。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获取的样本的数字图像，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，训练模块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值描述符作为每个图像固有相关信息的简化数值表示。由于训练期间的特征提取是离线进行的，因此特征提取软件模块可执行每个训练图像的完整特征组的提取计算。可以保留与训练集中图像之间关系相关的可用信息的任何方式来提取特征，同时去除无信息的图像特征。通用特征提取技术的例子包括用一组过滤器卷积图像并计算已过滤图像的统计信息，或根据颜色或强度直方图提取特征。有时可将像素值用作特征，但这种情况下的描述符无简化，因为通常必须存储整个图像。通常，所得特征被视为对应图像中相关信息的简化描述。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矢量将表示该图像中包含的大部分相关信息。一个示例性特征提取算法，特别是当其涉及纹理时，是计算图像上像素特征的小协方差矩阵。一旦推导出该小协方差矩阵(例如5X5)，就可仅根据这些矩阵有效地进行图像间的成对比较，而不是直接处理图像。例如，将灰度图像定义为二维阵列，并通过像素坐标X和y将其标记为I (X，y)。在每个像素位置(X，y)，根据像素强度值及该像素处的一阶和二阶导数推导出特征矢量:
权利要求
1.一种用于在制造幅材时实时检测幅材并计算不均匀缺陷严重性的方法，所述方法包括: 使用在线计算机化检测系统接收从正在制造的幅材捕获的图像； 使用所述检测系统处理所述图像以提取第一个特征组； 使用所述检测系统通过模型处理所述第一个特征组，从而根据所述模型来动态选择第二个特征组以从所述图像中提取； 根据所述模型确定，如果所述第二个特征组提取自所述图像，相对于所述不均匀缺陷，错误分级所述图像的预期成本降低量； 当所述预期成本降低量超过阈值时，使用所述检测系统处理所述图像以提取所述第二个特征组；和 使用从所述图像提取的所述第一个特征组和第二个特征组，通过所述检测系统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，其中所述模型包括Markov模型，所述模型定义一个或多个动态触发链来控制选择所述第二个特征组以及任意额外的特征组以从所述图像中提取。
3.根据权利要求2所述的方法，还包括: 定义指定分类器系列的当前状态矢量； 使用由所述第一个特征组中的至少一个特征参数化的条件分布根据所述当前状态矢量来计算未来状态矢量的预测，其中所述条件分布代表所述Markov模型的所述动态触发的转换函数；和 根据所计算出的转换函数从全部特征组中动态选择所述第二个特征组。
4.根据权利要求3所述的方法，其中动态选择所述第二个特征组包括选择所述第二个特征组，以最小化与选择所述全部特征组中的任一个相关联的总预期成本。
5.根据权利要求1所述的方法，还包括: 通过所述模型使用所述检测系统处理所述第二个特征组，从而根据所述模型动态选择第三个特征组以从所述图像中提取； 根据所述模型确定，如果所述第三个特征组提取自所述图像，相对于所述不均匀缺陷，错误分级所述图像的第二预期成本降低量； 当所述第二预期成本降低量超过阈值时，使用所述检测系统处理所述图像以提取所述第三个特征组；和 使用从所述图像提取的所述第一个特征组、所述第二个特征组和所述第三个特征组，通过所述检测系统计算所述幅材的所述不均匀缺陷的严重级别。
6.根据权利要求1所述的方法，其中计算所述严重级别包括应用一个或多个分类器以确定是否能够确定所述不均匀缺陷的等级标签。
7.根据权利要求1所述的方法，还包括: 在使用所述在线计算机化检测系统接收所述图像之前，在计算机上执行软件，通过利用相应训练图像的像素值计算每个所述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，其中已对每个所述图像指定所述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；和使用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等级标签计算所述训练图像的连续等级， 其中，使用所述在线计算机化检测系统处理计算所述严重级别包括根据所述连续等级计算所述不均匀缺陷的严重级别。
8.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。
9.根据权利要求8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严重级别。
10.根据权利要求8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 所制造幅材的工艺控制参数。
11.根据权利要求1所述的方法，其中处理所述图像以提取所述第一个特征组包括调用所述检测系统中集成的流水线图像处理单元(GPU)的硬件组件来并行处理所述图像和提取所述第一个特征组。
12.—种用于在制造幅材时实时检测幅材并计算不均匀缺陷严重性的在线计算机化检测系统，所述检测系统包括: 用来存储模型的存储器，其中所述模型定义用于实时选择从图像提取哪些特征的动态触发链；和 计算机，执行软件以处理从当前正在制造的制造幅材捕获的样本图像，从而提取第一个特征组， 其中所述软件应用所述模型来重复地动态触发选择额外特征组以从所述样本图像中提取，直到所提取的特征足以用来计算所定义的置信水平范围内所述幅材的不均匀缺陷的严重级别。
13.根据权利要求12所述的检测系统， 其中所述软件应用所述模型来触发选择第二个特征组以从新图像中提取， 其中，当触发时，所述软件会根据从所述图像提取的所述第一个特征组从全部特征组中动态选择所述第二个特征组，以及 其中所述软件会处理所述样本图像，以从所述图像提取所述第二个特征组，并且根据所述第一个特征组和所述第二个特征组计算所述不均匀缺陷的严重级别。
14.根据权利要求12所述的检测系统，其中所述模型包括Markov模型。
15.根据权利要求12所述的检测系统， 其中，对于所述模型的每个触发，所述软件会定义指定分类器系列的当前状态矢量，并使用由已经从所述样本图像提取的至少一个特征参数化的条件分布根据所述当前状态矢量来计算未来状态矢量的预测，所述条件分布代表所述模型的相应触发的转换函数，以及 其中，对于所述模型的每个触发，所述软件根据所计算出的转换函数动态选择额外的特征组以进行提取。
16.根据权利要求15所述的检测系统，其中，对于每个触发，所述软件动态选择所述额外的特征组，以最小化与计算所述不均匀缺陷的严重级别相关联的预期总成本。
17.根据权利要求12所述的检测系统，还包括用于向用户输出所述严重级别的用户界面。
18.根据权利要求11所述的检测系统，还包括集成到所述检测系统内的流水线图像处理单元(GPU)，其中所述软件配置为在每次动态触发时重复调用GPU以并行处理所述样本图像和提取所述特征。
19.一种非瞬时性计算机可读介质，所述非瞬时性计算机可读介质包括软件指令以促使计算机处理器执行以下操作: 使用在线计算机化检测系统接收从正在制造的幅材捕获的图像； 使用所述检测系统处理所述图像以提取第一个特征组； 使用所述检测系统处理所述第一个特征组以确定是否能够计算所述幅材的不均匀缺陷的严重级别； 确定无法利用所述第一个特征组计算所述严重级别时，应用模型动态选择第二个特征组以进行提取； 使用所述检测系统通过模型处理所述第一个特征组，从而根据所述模型动态选择第二个特征组以从所述图像中提取； 根据所述模型确定，如果所述第二个特征组提取自所述图像，相对于所述不均匀缺陷，错误分级所述图像的预期成本降低量； 当所述预期成本降低量超过阈值时，使用所述检测系统处理所述图像以提取所述第二个特征组；和 使用从所述图像提取的所述第一个特征组和所述第二个特征组，通过所述检测系统计算所述幅材的所述不均匀缺陷 的严重级别。
全文摘要
本公开涉及计算机化检测系统，所述系统用于检测所述不均匀缺陷的存在并提供表征每个类型不均匀缺陷的严重性的输出。描述了增大所述检测系统吞吐量的技术。描述了大大缩短检测期望为基本上均匀的给定数量材料所需平均时间的算法和硬件方法。本文所述的技术涉及选择动态选择要计算的图像特征，方法是首先以基本特征组开始，然后根据需要仅触发额外的特征计算，直到所述特征足以用来计算每个类型不均匀缺陷的严重性。提取的特征数和所述特征的提取顺序均实时动态确定，以降低与所述特征提取相关联的成本。
文档编号B65H43/00GK103221807SQ201180054637
公开日2013年7月24日 申请日期2011年10月28日 优先权日2010年11月12日
发明者埃文·J·瑞博尼克, 肯尼斯·G·布里顿, 约翰·A·拉姆瑟恩, 德里克·H·贾斯蒂斯, 吉列尔莫·萨皮罗 申请人:3M创新有限公司