用于识别产品两维数字图像中的异常的方法和装置与流程

本发明涉及一种具有权利要求1或2的前序部分的特征的用于识别产品数字图像中的异常的方法。另外，本发明涉及一种用于执行该方法的装置以及计算机程序产品。

背景技术：

1、在生产产品时经常期望或需要使制成产品接着就产品是否有异常尤其是瑕疵、异物等而接受检查。例如在食品行业中可以在制造酸奶或奶酪时提出以下任务，即，就是否有不希望的异物或其它不希望的材料段位于产品内而检查制成产品。为了解决该问题，实际上采用如下检验装置，其用电磁辐射、尤其用在x射线频谱的射线透射产品。通过这种方式产生产品数字图像，其不仅包含关于产品的外几何形状尺寸或表面的信息，也包含关于产品内部的信息。待查异常在此可以与其衰减相关地在透射时造成如下图像区域，其相对于不具异常的图像区域(以下称为“区域”)具有更高或更低的“灰度值”即像素值(相比良区)。在以下说明中，术语“灰度值”表示探测器依据照中单独像素的辐射功率或在有效曝光时间期间内所探测的相应辐射能量所产生的信息，而不受在相关的数字图像中能以何种颜色或方式显示该像素值所影响。

2、关于这种产品监视，也知道如下的装置或方法，在此待检产品未被完全透射(即辐射源和探测器位于产品的对置两侧)，而是在此辐射足够深地透入待检产品中并且在产品内被“反射”，其中，所述“反射”实际上通过进入体积区域中的辐射的散射或通过在该体积区域内产生荧光辐射来造成。在这样的检验装置中，辐射源和探测器也可以位于待检产品的同一侧。

3、待检产品在此能以任何类型的单件产品形式或作为散料存在，其借助输送装置被输送经过检验装置。

4、作为辐射用探测器，在待检产品沿输送路径运动的生产线中经常采用行探测器，其具有一个或多个分别有预定数量的像素的探测器行。数字图像在此通常以恒定速度被运动经过这样的扫描装置，其中，数字图像由许多所探查的行组成。但显然也可能的是，代替行扫描器地使用面扫描器。在此，待检产品的数字图像可以借助唯一的探查过程(即唯一的曝光过程)来采集。

5、如此产生的数字图像通常随后就在相关产品内是否有异常而被自动检查。在此，直接借助所执行的扫描过程产生的图像可以在这种检查之前被处理或准备。为此可以例如以数字方式过滤初始图像，其中，为此所需的过滤器可以实现对比度改善。

6、也可能的是在产生图像时就已采取尤其关于异常识别的对比度改善措施。例如可以采用双能量方法，其中，选择两个频谱，从而通过相关部分图像的叠加得到对比度改善。

7、还可能的是采用频谱分辨探测器，其产生许多图像，其中，每个图像由若干像素组成，这些像素的灰度值对应于分别在探查辐射的一定频谱部段内的辐射能量。于是，如下图像可被用于识别异常，它从这种频谱分辨探测器的所有的或所选的局部图像中产生，例如通过将相关像素值加权求和。但是也可以单独检查每个局部图像是否有异常。

8、为了自动化检查产品数字图像，知道如下方法，在此规定一个阈值，其中，当至少一个像素的灰度值大于阈值时存在异常。为此，在学习过程中通常扫描相同产品类型的预定数量的良品(即不具有异常的产品)，以获得关于通常在这种良品中出现最大灰度值的信息。接着，与此相关地如此确定该阈值，即，满足误淘汰率的预定值(例如百分比或千分比)。误淘汰率在此是良品被识别为“差品”的概率。通过确定“良品被鉴别为差品”的经验频率，可以检查(理论)误淘汰率。为此，可以产生足够数量的良品数字图像并使用规定的阈值来检查，其中，按经验的误淘汰率被确定为：“被识别为差品的良品除以良品总数所得的商”。

9、因此，这种阈值的确定需要必须产生相对大量的良品数字图像的复杂学习过程。但这是不利的，因为首先必须借助相关的生产线产生这种数量的良品，即，生产时间被相应浪费。此外，几乎无法预测学习过程所需的良品的数量必须大到何种程度才能可靠确定该阈值，从而满足期望的误淘汰率。

技术实现思路

1、鉴于该现有技术，本发明的任务是提供一种用于识别在被扫描产品的数字图像中的异常的方法，在此，用于确定被用来探查异常的阈值的自动化过程能快速可靠地用较少量的数字图像执行。此外，本发明的任务是提供一种用于执行该方法的装置以及计算机程序产品。

2、本发明利用权利要求1和2或16和17的特征完成该任务。

3、本发明基于以下认识：当假定了用以识别待检数字图像中异常的特定参量最大值或最小值(下称极值)的统计分布时，可以在学习过程中用相对少的数字图像相当可靠地确定用于探查产品数字图像中异常的阈值。为此，根据本发明作出如下假定，即，极值分布可以足够好地用预定的待参数化的概率密度函数来描述(在本说明书中用术语“参数化”表示查明或确定用于概率密度函数参数的值)。换言之，作出以下假定，即，分别预定的概率密度函数的抽样单元(即各自最大值或最小值的量)足够或者其出现概率良好地通过概率密度函数被描述。在使用抽样单元情况下，查明用于概率密度函数的所有待规定参数(即用于所有或许尚未预定的参数)的估值。通常，概率密度函数具有两个参数，在正态分布情况下例如是经验值μ和标准偏差σ或方差σ2。

4、根据本发明的一个实施方式，采用极值分布、尤其是广义极值分布的预定变型、即威布尔分布、弗雷歇分布或耿贝尔分布，以便描述特定参量的最大值或最小值的分布。显然，可采用本身具有三个参数的广义极值分布。

5、在此，本发明不局限于前言所述的情况，即，像素值尤其是每个单独像素值与用于像素值的阈值相关地被考虑用于判断待检数字图像是否含有异常。

6、相反，本发明概括出该做法所基于的原理。待检图像被划分为一个或多个区域，其中，每个区域至少被分配所述一个属性或所述多个属性。在此，每个区域包括正好一个或多个像素，其中，只有当多个像素相邻(即，区域的每个像素具有同一区域的至少一个紧邻像素)时才被分配给同一区域。在此，以其一个边缘与目标像素的一边缘相邻的每个像素(即，在目标像素的上、下、左、右的像素)或者(附加地)以其一角邻近相邻像素的一角的每个像素(即在所关注的像素的对角线延长线上的像素)可被视为邻近所关注的像素。对于在先确定的区域的每个属性查明一个值，该值描述各自属性。如果给区域分配多个属性，则可以针对每个属性确定单独值，或两个或更多的属性的值被关联成一个复合值，例如通过算数运算(例如乘或除或加权求和)。

7、异常的探查在该概论中通过确定用于每个属性的阈值或用于多个属性组合的阈值进行。

8、极端情况下，整个图像可被认定或确定为一个区域。如果在此还作为用于识别异常的特定参量而检查每个像素的像素值是否高于或低于用于像素值的预定阈值，则这导致与每个像素被认定或确定为具有正好一个像素的区域时一样的结果。在此情况下，前述的概论在使用预限定的区域和所属的任何属性的情况下又导致迄今常见的做法，据此这些单独像素关于其像素值被检查其是否高于或低于用于像素值的阈值。

9、用于属性的阈值的或用于属性组合的阈值的确定根据本发明在学习过程中进行。阈值确定所需的图像已经能在先以足够的预定数量来产生或根据需要产生，即，连续一直产生一个或多个新数字图像，直到达到足够数量。在此要指明的是，学习过程可在每个任何时间执行并且尤其不必在相应装置或设备投入(生产性)使用之前执行。尤其是，该过程也可以在设备的生产性工作期间内执行，尤其当此时产生良品或至少良过程产品之时(见下)。学习过程在本发明的一个优选实施方式中自动进行。但也可能的是完全人工地或人工辅助地进行工作过程的一定步骤，如数字图像的产生(其也包含所识别的原始数字图像的处理)。

10、根据本发明方法的一个变型，所述学习过程或用于确定用于至少一个属性的阈值的自动化过程在使用不具异常的良品数字图像下进行。如已经前述地，可能是扫描过程的直接结果的图像可以首先被处理或准备用于识别方法。在此，也可以产生所查明的总图像的合适局部，该局部总体上整个产品或包含预定局部区域。如此产生的局部或所采集的整个数字图像也可经历数字过滤以便例如实现对比度改善，以期更强突显异常。如果应该检查连续生产的产品或散料产品是否有异常，则可产生这种产品的各部分的数字图像，并就像针对孤立产品(或这种产品的局部)的图像做到的那样加工和检查它们。

11、在此要说明的是不一定需要只用良品执行自动化过程。相反，也可使用在生产线中产生的产品的图像执行自动化过程，但不保证这些产品没有差品。因此代替良品地也可以使用这种称为“良过程产品”的产品，其中，一定数量的良过程产品主要由良品组成且仅有较小部分由差品组成。因为实际上假定差品占良过程产品数量的份额小，尤其是小于25％、优选小于10％、最多优选小于5％。

12、在自动化过程的范围内，产生或使用固定预定数量的数字图像或能够在自动化过程进展中确定的良品或良过程产品的图像数量。

13、对于每个所述数字图像确定所述一个或多个区域并且对于每个区域确定该至少一个属性的值或用于多个属性的复合值。该值的最大值被确定为最大值抽样的最大抽样值，和/或该值的最小值被确定为最小值抽样的最小抽样值。

14、在此，这种不可信的或明确指明误差的极值可被排除。例如在查明该极值时可排除具有所用灰度值量程的绝对最大值或绝对最小值的像素值，因为相应的最小值例如0值可以指明探测器的有缺陷的像素并且最大值指明探测器的过调像素。

15、如此确定的极值表明上述的抽样并且能例如以列表形式被存储(或许单独针对最小值和最大值)。

16、接着，在使用最大抽样值下确定用于描述最大值抽样而预定的概率密度函数的所有空闲且未预定的参数的估值，和/或在使用最小抽样值的情况下确定用于描述最小值抽样而预定的概率密度函数的所有空闲且未预定的参数的估值。为此采用统计估算方法。

17、因为只有当抽样包括最小数量的值时才能预期尤其在使用估算函数(也称为统计估算器)下的统计估算方法的有意义的结果，故人们通常设定这种最小数量，这又需要相应的最小数量的数字图像。

18、本发明的一个重点在于，设定一个在待检图像中(在使用阈值执行该方法时)错误地识别最大值异常的比率或一个在待检图像中(在使用阈值执行该方法时)正确地未识别最大值异常的比率，和/或设定一个在待检图像中(在使用阈值执行该方法时)错误地识别最小值异常的比率或一个在待检图像中(在使用阈值执行该方法时)正确地未识别最小值异常的比率。待确定的最大阈值或最小阈值因此可被如此确定，即，遵守预定比率。

19、术语“比率”在此是指在使用检验时满足相关比率标准的良品数量与良品或良过程产品的预定总数之商。在待检图像中错误地识别最大值异常或最小值异常的比率因此对应于实际上常用的术语“误淘汰率”。在待检图像中错误地识别最大值异常或最小值异常的比率和在待检图像中正确地未识别最大值异常或最小值异常的比率加起来总是为1。在设备工作中，该比率也可以作为平滑值来查明，即例如关于最后检查的产品的数量n。

20、如果预定的概率密度函数借助估算方法被参数化，则最大阈值可在使用在先参数化的概率密度函数或与之对应的分布函数的情况下被如此确定，即，出现大于或等于最大阈值的最大值的概率对应于在待检图像中错误地识别最大值异常的相关的预定比率，或出现小于或等于最大阈值的最大值的概率对应于在待检图像中正确地未识别最大值异常的预定比率。换言之，可如此确定最大阈值，即，高于最大阈值的在概率密度函数下方的面积或者低于最大阈值的在概率密度函数下方的面积对应于相关的预定比率。

21、与之相似地，最小阈值可以在使用在先参数化的概率密度函数或与之对应的分布函数情况下被如此确定，即，出现小于或等于最小阈值的最小值的概率对应于在待检图像中错误地识别最小值异常的预定比率，或出现大于或等于最小阈值的最小值的概率对应于在良品中正确地未识别最小值异常的预定比率。换言之，最小阈值可被如此确定，即，低于最小阈值的在相关的概率密度函数下方的面积或者高于最小阈值的在概率密度函数下方的面积对应于相关的预定比率。

22、为了确定面积，显然可以采用关于概率密度函数的积分，其中，从相关阈值直至概率密度函数的定义区间上限(如正无穷或预定上限值，若高于该上限值，则该积分的值、即该面积的值仅还按照不超过预定误差边界的方式变动)或者从定义区间下限(如负无穷或预定下限值，若低于该下限值，则积分值、即面积值仅还以不超过预定的误差边界的方式变动)直至阈值地形成该积分。

23、显然，代替如上所述的积分计算地，也可以动用相关的概率密度函数的分布函数，因为分布函数表示关于概率密度函数的从概率密度函数的负无穷或定义区间下限到相关阈值的积分值。在概率密度函数下方的区间面积、即积分值或分布函数值因此对应于“良品图像的区域属性的最大值或最小值小于或等于相关阈值”的(理论)概率。如果应该计算“最大值或最小值大于或等于阈值”的概率，则对此只需从1中减去如此计算出的概率。

24、由于为了计算而设定所述面积或积分或分布函数的值，因此应该采用相应的反函数。该计算可以通过分析技术或借助数值方法进行。根据本发明方法的另一个变型，自动化过程也可以借助差品的数字图像来执行。在每个(“故意”产生的)差品中包含至少一个例如在应该使用本发明的用于识别异常的方法的产品类型中可能实际上出现的异常。所产生的异常在此应该覆盖一个实际上可能出现的频谱。

25、如果知道在待检数字图像中的这种异常是什么样的，尤其是哪些最大值或最小值能够表明应该被识别为异常的区域属性，则也可以人工产生数字图像以用于执行学习过程，其中，相应异常也能以数字方式显现到良品图像中。但为了在此情况下获得有意义的阈值，需要对实际出现的异常的充分认识。

26、如上已表明地可能的是差品的数字图像针对学习过程并非仅具有唯一异常，而是有多个异常。在此情况下本发明建议将这种数字图像划分为多个图像，每个图像只含唯一异常。这种划分应该在知晓位点信息下进行，即，知晓哪个异常在产品表面或内部的哪个位置且因此在考虑如何采集图像的信息(视角、采集类型如照片、透射扫描等)下知晓在图像内的哪个位点有哪个异常。

27、于是，利用如此产生的分别含有异常的差品数字图像，可以通过相似方式执行前述学习过程，故以下还将仅介绍决定性区别。

28、代替唯一使用差品地，也可以采用大多包含差品、即也少量包含良品的产品。这种产品以下被称为差过程产品。如下所述，良过程产品所包含的良品或由此产生的极值以及差过程产品所包含的良品或由此产生的极值都能以合适的方法从相关抽样中被挑出。

29、因为数字图像在差品情况下具有由异常引起的区域属性最大值或最小值，故所属概率密度函数仅描述异常而不描述产品的良区。该信息因此不能被用于设定或获得误淘汰率。相反，又可采用该信息来说明何时或在何前提下错误地不再将差品识别为差品。

30、如果用差品或过程差品执行学习过程，则分别设定一个应在待检图像中正确识别最大值异常或最小值异常的比率，或设定一个应在待检图像中错误地未识别最大值异常或最小值异常的比率。

31、如此在使用参数化概率密度函数或与之对应的分布函数下确定最大阈值，即，出现小于或等于最大阈值的最大值的概率对应于在待检图像中错误地未识别最大值异常的预定比率，或出现大于或等于最大阈值的最大值的概率对应于在待检图像中正确地识别最大值异常或最小值异常的预定比率。

32、如果应该使用参数化概率密度函数或与之对应的分布函数来确定最小阈值，则这以相似的方式进行，即，出现大于或等于最小阈值的最小值的概率对应于在待检图像中错误地未识别最小值异常的相关的预定比率，或出现小于或等于最小阈值的最小值的概率对应于在待检图像中正确地识别最小值异常的相关预定比率。

33、根据本发明的一个实施方式，用于预定概率密度函数的参数的估值可以借助统计估算器(也称为估算函数)来确定，例如借助最大似然估计法或矩估计法。也可能的是将抽样单元“分箱”，即，分别配属给具有预定宽度的相邻区间并因此创建经验频率分布。接着，所选的待参数化的概率密度函数可被拟合至该频率分布。为此，例如可以采用最小平方法。但通常为此采用的是更有利的统计估算函数如最大似然估计法或矩估计法。

34、结果，人们获得用于预定概率密度函数的参数的值。在此要说明的是，在一定情况下也可以设定用于概率密度函数的一定参数的一个或多个值，并且仅以前述方式确定其余的“空闲”参数。

35、根据另一实施方式，这些区域可借助基础阈值来确定，其中，像素值大于(或等于)基础阈值的相邻像素形成第一组区域，像素值小于基础阈值的相邻像素形成第二组区域。第一和第二组区域也可以被组合成唯一的组。用于确定区域的另一可能性在于使用预定的(几何形状)掩模。例如可以采用矩阵状掩模，其将例如正方形格栅(即棋盘状格栅)放到数字图像上，其中，一个方格内的所有像素形成一个区域。显然，掩模也能实现其它划分，在此，整个图像不一定被划分为多个区域。

36、根据本发明，给所述区域分配一个可用值描述的属性。在此情况下，它尤其可以是几何形状属性例如该区域的面积、周长或直径(在其至少近似为圆形时)或由如下值描述的像素值属性，该值来自相关区域的像素值、例如像一个区域的最大值或最小值、像素值的平均值或方差。

37、也可以将可通过复合值来描述的多个属性组合。例如中值和标准偏差可以相加，其中，该信息表示一种用于像素值的置信区间。也可以采用最大值与最小值之差作为复合值，其描述区域的亮度差。因为该设定值对异常值敏感，故可改为采用分位数、例如10％和90％的分位数来代替最大值和最小值。另外，可以采用周长与面积之商，以便推断出该区域的圆度或与圆形的差异程度。但也可以将几何形状属性与像素值属性结合使用。

38、如已经上述地，抽样单元的数量、即极值(最大或最小灰度值)的数量也能够不从一开始就固定设定。尤其是，良品或良过程产品的或差品或差过程产品的数字图像数量可以在学习过程进展中使用至少一个中止标准来确定。对此，数字图像的当前数量可被一直增大，直到满足了至少一个中止标准。在此，用于确定相关阈值的前述方法在每个步骤中、即在每次增大数字图像数量之后执行。

39、在此显然可能的是，在第一步骤中首先评估最小数量的数字图像，以获得最大或最小灰度值的每个抽样单元的最小数量。该最小数量被选择为大到足够程度而使得所用估算函数已经能以一定的概率产生用于相关概率密度函数的参数的相当有意义的估值。

40、根据本发明的一个实施方式，该至少一个中止标准可以通过用于相关的概率密度函数的至少一个参数的置信区间来构成或由此导出。为了确定置信区间，可以设定例如95％或99％的置信水平。如果与预定置信水平对应的置信区间具有足够小的(预定)总宽度或估值距置信区间上限或下限的足够小的(预定)差距，则中止标准可被视为得到满足。但是，只有当已经有经验表明相关的概率密度函数的这个或这些参数的相应的不可靠性如何影响待确定的阈值时，才选择该变型。

41、根据另一个实施方式，该至少一个中止标准通过用于最小阈值或最大阈值的阈值-置信区间构成，其中，该阈值-置信区间通过针对每个参数确定置信区间和确定置信区间对阈值-置信区间的影响来确定，尤其是使用误差传播方法、尤其是高斯误差传播方法。由此得到如下优点，即，可以直接识别阈值的不可靠性。为了误差传播，相关参数的置信区间的左边界和右边界被确定，并由此确定估值与相关边界之差。所述差于是可以被用于误差传播。

42、最终也可能的是，作为至少一个中止标准采用用于最小阈值或最大阈值的阈值-置信区间，其中，借助统计方法来确定该阈值-置信区间，尤其采用自助法(bootstrappingmethod)。在此，从分别已有的最大或最小灰度值的抽样中生成许多其它抽样，其通常具有相同范围并且从已有的抽样中分别通过重新“抽取后放回”(在相同的抽样比下)来产生。利用如此产生的抽样，分别重新利用相关的估算函数来计算该阈值。这导致阈值在一个区间内的分布，其中，该分布被用来确定置信区间。

43、同样可以设定用于相关的预定比率的置信区间。

44、总的来说，如果最小阈值和最大阈值都应在同一学习过程中被确定，则为了设定置信区间而只在两个中止标准都被满足时才进行中止。

45、根据另一个实施方式，在将相关的参数化概率密度函数和相关参数用于每个识别的最大抽样值或最小抽样值的情况下，确定出现小于或等于相关识别的最大抽样值或最小抽样值的值的概率以及出现大于或等于相关识别的最大抽样值或最小抽样值的值的概率。当对于至少其中一个所识别的最大抽样值或最小抽样值分别如此确定的两个概率之一小于预定的异常值边界时，用于概率密度函数的参数在使用该结果的情况下被重新确定，其中，在重新确定时始终不考虑最大抽样值或最小抽样值。

46、由此实现异常值识别，此时出现概率最低的抽样单元(即极值)在确定概率密度函数时不予考虑。这特别是允许本发明的方法也在不保证学习过程只用良品进行或只用差品进行的情况下被采用。例如可以在生产线启动时(或在连续生产期间)执行学习阶段，在学习阶段中，各自生产的产品或设备被供以的产品被用来确定(或重新确定)各自阈值。如果在这些产品中有差品(即它是良过程产品)，则表征差品的相关的最大灰度值或最小灰度值可被排除。

47、该做法也可以递归执行，因为在排除抽样时得到新的、改变的参数化概率密度函数，其随后也关于仍被采用的抽样值导致变化的出现概率。执行的最大递归次数在此显然可能是有限的。同样，异常值识别可以只在相关抽样包含最小数量的值时被使用。

48、在此要说明的是，出现概率显然又可借助所属的分布函数被查明，而无需分别用于概率密度函数积分的重新计算过程。

49、根据本发明的另一个实施方式，可以执行统计检验，其说明了各自预定的概率密度函数是否在使用为此所查明的参数估值下足够精确地以相关识别的最大和/或最小灰度值的形式描述经验分布。作为可能的统计检验的例子，举出卡方适配度检验、科尔莫格罗夫-斯米尔诺夫适配度检验、安德森-达令适配度检验、雅克-贝拉适配度检验或莉莉福斯适配度检验。

50、由此能保证采用足够数量的抽样单元以估算概率密度函数的参数，其此外足够精确地表征概率密度函数或所选类型的概率密度函数是否适于表征相关抽样的经验分布密度。

51、参数估算可以优选在探查预定最小数量的最大抽样值或最小抽样值之后针对许多预定的不同概率密度函数来进行，其中，对于每个如此参数化的概率密度函数执行该统计检验，并且其中，对于其它方法将如下概率密度函数用作预定的概率密度函数，即，统计检验对此提供最吻合的结果。由此可以在学习过程中从预定数量的概率密度函数类型中挑选如下类型，其依据特征或特性(尤其是待检产品的几何形状和材料和出现的异常)被证明为最合适。

52、根据本发明的一个实施方式，可以从用于最大阈值和/或最小阈值的置信区间的边界中确定用于相关的预定比率的一个置信区间和/或至少一个误差边界。这显然可以又通过概率密度函数的积分或所属分布函数的使用来进行。

53、如此确定的值于是可以在学习过程结束之后、即在使用相应确定的阈值执行方法时用于监测和/或控制用于制造、加工或检查产品的装置或整条生产线。例如实际比率可被监测和/或在显示器上被显示，例如也取决于生产时间。此时起决定性作用的尤其是在应在待检图像中错误地识别最大值异常或最小值异常的预定比率情况下的误差上限，或者是在应在待检图像中正确地识别最小值异常或最大值异常的预定比率情况下的误差下限。

54、也可能的是，输出最大阈值和/或最小阈值用于监测和/或控制用于制造、加工或检查所扫描的产品的装置或整条生产线。尤其是，用以产生数字图像的检验装置的辐射源(如x射线源)的功率可被减小到足够程度而使得总还是可获得期望(低)的预定比率。

55、根据本发明的另一实施方式，可基于所查明的最大阈值来查明二级最大阈值，其中，二级最大阈值被选择为在针对最大阈值所确定的置信区间的边界内或等于置信区间的边界。同样可基于所查明的最小阈值来查明二级最小阈值，其中，该二级最小阈值被选择为在针对最小阈值所确定的置信区间的边界内或等于该置信区间的边界。由此，最大值异常或最小值异常的探查可以在改善(减小)的误淘汰率方面或在改善的异常识别灵敏度方面被优化。通过将二级最大阈值设定为最大阈值用置信区间的上限或通过将二级最小阈值设定为最小阈值用置信区间的下限来减小误淘汰率可被视为实际上最重要。

56、根据本发明的用于执行所述的本发明方法的装置包括数据处理装置，其设计成获得数字图像数据，其呈现待检查是否有异常的产品数字图像。整个装置例如可以是用于产生数字图像的装置，例如可设计成x射线检验装置的检验装置，在此也以数字图像形式生成关于产品内部的信息，或可设计成带有一个或多个摄像头的检验装置，借此生成产品的2d图像或3d图像。

57、适用于本发明的装置的数据处理装置通常可以具有带有合适的输入和输出接口的处理器。该处理器例如可以设计成专用于工业图像处理的处理器。显然，该处理器也可以通过常见的处理器与图像处理专用处理器组合来实现。整个数据处理装置也能以独立的带有相应接口的cpu单元形式实现，例如也以插槽cpu形式。

58、本发明的其它实施方式来自从属权利要求。