CN104024793A - 形状检查方法及其装置 - Google Patents

Abstract

本发明提供一种三维形状检查方法及其装置，通过互补地组合多种三维形状计测法、表面计测方法，不受测定对象的形状影响地确保高的计测精度。本发明提供一种三维形状检查装置，其特征在于，具备：取得检查对象的第一形状数据的第一三维形状传感器；取得上述检查对象的与上述第一形状数据不同的第二形状数据的第二三维形状传感器；和对上述第一形状数据和上述第二形状数据进行校正、整合的互补整合部。

Description

形状检查方法及其装置

技术领域

本发明涉及例如加工品和加工工具的形状检查方法和检查装置。

背景技术

为了确保制造中的加工及组装中的产品的品质，要求不受目视检查员的技能所影响的能够定量地对制造工艺进行反馈的加工工具、产品的形状及表面状态检查技术。

专利文献1中提出了在通过激光扫描广泛地进行三维形状测定的三维形状测定中，即使三维形状带有色彩或阴影，也通过以反射光量恒定的方式调整激光光量而实施精度良好的三维形状测定。

此外，专利文献2中，记载了对于表示用光切断法计测的测定对象物的形状的测定点数据和基准点数据基于逐次逼近处理进行对齐，基于对齐后的测定点数据和基准点数据来评价测定对象物的形状的物体形状评价装置。对齐处理中，基于相邻的测定点之间的相邻点间距离或相邻的基准点之间的相邻点间距离来决定相邻点间距离加权系数，该相邻点间距离加权系数在求出逐次逼近处理中的逐次逼近评价值时使用。

现有技术文献

专利文献

专利文献1：日本特开2009-204425

专利文献2：日本特开2010-107300

发明内容

发明要解决的技术问题

但是，即使如专利文献1、2一般用单一的三维形状测定方法进行三维形状测定，例如测定对象的形状中包括锐角、陡峭的面的情况下，也难以确保计测精度。

于是，本发明鉴于上述问题点，目的在于提供一种三维形状检查方法及其装置，其通过互补地组合多种三维形状计测法、表面计测方法，而不受测定对象的形状影响地确保高的计测精度。

用于解决技术问题的手段

为了解决上述技术问题，本发明提供一种三维形状检查装置，其特征在于，具备：取得检查对象的第一形状数据的第一三维形状传感器；取得上述检查对象的与上述第一形状数据不同的第二形状数据的第二三维形状传感器；和对上述第一形状数据和上述第二形状数据进行校正、整合的互补整合部。

此外，其他观点的本发明提供一种三维形状检查方法，其特征在于：取得第一形状数据；取得上述检查对象的与上述第一形状数据不同的第二形状数据；对上述第一形状数据和上述第二形状数据进行整合。

发明的效果

根据本发明，能够提供一种三维形状检查方法及其装置，其通过组合多种三维形状计测法、表面计测方法，而不受测定对象的形状影响地确保高的计测精度。

附图说明

图1是表示本发明的实施例1的三维形状检查装置的结构的框图。

图2是表示本发明的实施例1的互补整合的流程的流程图。

图3是表示本发明的实施例1的样品和面的方向的图。

图4是表示本发明的实施例1的点群数据与图像数据的整合流程的流程图。

图5是表示本发明的实施例1的点群数据与图像数据在特征点上对齐的图。

图6是表示本发明的实施例1的互补整合的流程的流程图。

图7是表示本发明的实施例1的互补整合的流程的流程图。

图8是表示本发明的实施例1的样品的类似性的图。

图9是表示本发明的实施例1的用自参考形状数据进行的形状量化的流程图。

图10是表示本发明的实施例1的自参考形状数据的导出方法的图。

图11是表示本发明的实施例1的用平均形状数据进行的形状量化的流程图。

图12是表示本发明的实施例1的平均形状数据的导出方法的图。

图13是表示本发明的实施例1的使用自参考形状数据和CAD数据的形状不良定量化的流程的流程图。

图14是表示本发明的实施例1的使用自参考形状数据和平均形状数据的形状不良定量化的流程的流程图。

图15是表示本发明的实施例1的根据用二维相机图像拍摄的样品表面的正常部与缺陷部的特征量的不同检测缺陷的图。

图16是表示本发明的实施例1的根据用二维相机图像拍摄的样品表面的正常部与缺陷部的特征量的不同检测缺陷的流程的流程图。

图17是表示本发明的实施例1的导出开孔加工工具的影响度的流程的流程图。

图18是表示本发明的实施例1的开孔加工工具的检查参数的图。

图19是表示本发明的实施例1的显示检查结果的GUI的图。

图20是表示本发明的实施例2的三维形状检查装置的结构的框图。

图21是表示本发明的实施例3的距离计测传感器的检查流程的流程图。

图22是表示本发明的实施例3的立体法的检查流程的流程图。

图23是表示本发明的实施例3的照度差立体法的检查流程的流程图。

图24是表示本发明的实施例3的互补整合检查的检查流程的流程图。

图25是示意性地表示本发明的实施例3的包括例外值的计测结果的图。

图26是表示本发明的实施例3的法线矢量的角度变化的图。

图27是表示本发明的实施例3的边缘抽出法的图。

图28是表示本发明的实施例3的照度差立体法的校正方法的图。

图29是表示本发明的实施例3的GUI的图。

图30是表示本发明的实施例4的互补整合检查的检查流程的流程图。

图31是表示本发明的实施例4的GUI的图。

具体实施方式

三维形状的检查中，需要计测三维形状，通过与参考模型比较而对形状不良定量化，进而根据不良定量值估算其影响度。此处，影响度是指不良定量值对于产品的表示该产品性能的指标、或对于加工工具的表示加工性能的指标的影响量化后的值。

专利文献1、2中的三维计测装置在上述技术方面具有各自的技术问题。其中有：存在计测时边缘和锐角部的精度不足的倾向，与计测的数据进行比较时需要CAD数据的情况较多、手边没有CAD数据的情况下不能够进行检查，不具备根据形状不良值推测影响度的功能。

以下用附图说明鉴于上述问题点的本发明的实施例。

实施例1

用图1～图17说明本发明的第一实施例。

图1表示三维计测装置的结构。样品1被保持机构101和102保持。此处，样品1和保持机构101及102整体与伺服电动机103连接，具有在xz平面上以y轴为中心的旋转机构。此处，保持机构101和102具有伺服电动机103的旋转量与样品1的旋转量不产生偏差的适度的保持力。通过伺服电动机103的旋转设定样品1与图像拍摄部120和点群计测部130的相对位置。此处，样品1以样品1与图像拍摄部120和点群计测部130的相对位置的检查覆盖率(＝可检查面积/整体面积试样)增大的方式、即检查区域更广的方式配置在保持机构101和102上。样品1是需要通过三维形状计测确保品质的加工品、或为了加工精度管理而需要计测形状的加工工具等。

此外，样品1、保持机构101和102、伺服电动机103整体被底座105保持，底座105搭载在x载物台106、y载物台107、θ载物台108上。θ载物台108的旋转方向在xy平面内，θ轴与xy平面正交。x载物台106、y载物台107、θ载物台108和底座105搭载在防振固定座110上。伺服电动机103通过电动机控制器104被控制用PC140控制动作，x载物台106、y载物台107、θ载物台108通过三轴的载物台控制器109被控制用PC140控制动作。

图1所示的三维计测装置中，通过图像拍摄部120和点群计测部130计测样品1的表面状态和形状。图像拍摄部120中，通过照明部121从任意方向对样品1照明，通过二维相机123使用透镜122拍摄其反射光、散射光、衍射光、扩散光，将三维形状取得为二维的图像数据。照明部121能够使用灯、LED(Light Emitting Diode)等，图1表示了来自单一方向的照明，但照明方向也可以是多个方向，也可以使用环状照明。此外，从单一方向照明的情况下，也具有能够自由设定照明方向的机构，能够根据样品1的表面状态、形状从使表面凹凸和形状明显化的方向照射照明光。二维相机123能够使用CCD(ChargeCoupled Device)图像传感器或CMOS(Complementary Metal OxideSemiconductor)图像传感器等。此处，二维相机123的像素间距设定为比由透镜122的倍率和开口率决定的分辨能力更小。二维相机123通过相机控制器124被控制用PC140控制，计测结果对监视器141输出。根据用二维相机123拍摄的图像求出形状的方法具有：基于三角测量的立体法；通过移动透镜的焦点进行合焦而计测距离的透镜焦点法；和对物体投影格子图案并根据与物体表面的形状相应地变形的图案计测形状的云纹法等。此外，检测表面凹凸的方法具有利用照明方向导致的阴影的不同来推测对象物体的面的法线矢量方向的照度差立体法等。

点群计测部130由点群计测传感器131和传感器控制器132构成，被控制用PC140控制，计测结果对监视器141输出。点群计测传感器130是非接触的光学式或接触式探针式等，计测物体表面的形状，将多个点的三维坐标作为点群输出的装置。关于光学式的点群计测传感器提出了多种方法，任意方法都能够应用于本发明。以下能够用于本发明的方式具有：基于三角测量的光切断法；对物体照射光、根据该光返回的时间计测距离的TOF(Time Of Flight)法；通过移动透镜的焦点进行合焦而计测距离的透镜焦点法；对物体投射格子图案并根据与物体表面的形状相应地变形的图案来计测形状的云纹法；和使用白色干涉的干涉法等。此外，近年来，也提出了使用在频率空间中具有等间隔排列的多个光频率模式的光频梳的点群计测法，和使用频率反馈型激光器的点群计测法。

图1的装置为了精确地实施样品1的表面状态和形状计测，而具有：对二维相机123的图像和点群计测传感器130的数据进行整合的互补整合部1401；与控制用PC140连接的存储了表示3D形状的CAD(Computer Aided Design)数据142的存储部；根据CAD数据142确定用点群计测传感器131取得形状数据的区域的区域确定部；对CAD数据142或根据样品1具有的类似性导出的自参考形状数据与用互补整合部1401整合后的数据进行比较而将形状不良值定量化的不良定量化部1402；和根据由不良定量部1402定量化的不良程度，参考基于过去的实验结果和模拟结果的数据库(DB)143，对产品的品质进行合格、不合格判定或程度的判断的判定部，详情在后文中叙述。此外，为了提高计测效率，也可以具有基于CAD数据142、判断各方法是否擅长、确定由距离计测传感器131和二维相机123取得形状数据的区域的区域确定部。

以下详细说明本发明中提出的通过组合点群计测法和图像的优点而更加正确地计测三维形状、表面凹凸的互补整合，对通过互补整合复原的样品的观察位置的三维信息的形状不良进行定量化的不良定量化方法，和推测形状不良最终对产品的结果和加工工具的加工精度的结果的影响度的方法。

(互补整合)

点群计测法适合把握大体的形状，但对于局部变化和微小凹凸会发生计测精度降低。使用探针的接触式中具有在探针扫描困难的边缘和锐角部形状计测精度降低的倾向。此外，应用激光等光学的非接触式中，边缘和锐角部、以及具有陡峭的倾斜的形状中光的反射角与平坦的形状有较大不同，也具有测定精度降低的倾向。进而，点群计测法不擅长样品的表面粗糙等微小凹凸的计测。

二维相机在一定照明下取得边缘部和锐角部、以及具有陡峭的倾斜的形状的情况下，具有取得图像中与周边的亮度差较大、或者亮度变化较大的特征。因此，能够从图像中复原点群计测法不擅长的边缘部和锐角部、以及具有陡峭的倾斜的形状的信息。此外，对于表面状态和微小凹凸，也能够根据图像中的阴影导出其形状。但是，对于点群计测法擅长的大体形状，因为成为平坦的强度分布的图像，特征性的场所较少，所以可能难以复原形状。

本实施例中，提出了通过用二维相机拍摄的图像补足这些点群计测法不擅长的场所，与仅使用点群计测或仅使用二维相机图像的情况相比实现更高精度的三维形状计测的互补整合。以下表示互补整合方法的具体例。

图2中表示形状计测中的互补整合的流程。表示样品的三维形状的CAD数据中包括表示构成形状的面的方向的信息。点群计测法中，具有用方法保证了测定精度的面的方向、倾斜。将该保证了测定精度的区域作为能够用点群计测传感器计测的区域。读取CAD数据(S100)，设定样品1的计测区域(S101)，计算图1所示的保持样品1时的配置和旋转轴与点群计测传感器的相对位置(S102)，判定图3所示的样品的面与点群计测传感器的倾角β是由点群计测传感器的特性决定的阈值以下还是以上(S103)，用区域确定部确定能够进行点群计测的面的区域。对于阈值以下的区域用点群计测传感器计测表示形状的点群(S104)。对于阈值以上的区域，因为不能保证点群计测传感器的精度，所以用二维相机拍摄(S105)，根据拍摄的图像推测形状数据(S106)。对用点群计测传感器的点群和根据图像推测出的形状数据的位置信息进行对照(S107)，取得要求的形状数据(S108)。

根据用二维相机拍摄的图像推测形状数据(S105)有多种方法。图1的装置结构中，能够通过控制伺服电动机103的旋转量而从多个视点用二维相机123拍摄样品1。使用该多个视点的图像推测点群计测传感器不擅长的边缘、锐角部等的形状数据。形状数据的推测也可以使用基于三角测量法的深度测定法即立体法，根据图像的阴影推测测定面的倾斜的逆向绘制(inverse rendering)法，根据多个图像的轮廓推测样品的轮廓的体积交法。立体法使用从不同方向拍摄同一视野的2幅图像。使图1的伺服电动机103旋转一定量，控制与二维相机123的相对位置，取得不同方向的图像。例如，取得第一幅图像之后，用伺服电动机103使样品1旋转5度，取得第二幅图像。根据这2幅图像使用三角测量的原理计算深度。通过使伺服电动机以5度的刻度旋转360度，能够取得样品1的与旋转轴平行的面的形状数据。逆向绘制法是已知照明状态和物体反射率，根据用二维相机得到的图像，使用绘制方程式推测几何形状的方法。能够根据1幅图像取得物体的形状数据。与立体法同样，通过用伺服电动机103的旋转控制与二维相机123的相对位置，能够取得样品1的与旋转轴平行的面的形状数据。体积交法是导出以视点为顶点、轮廓为截面的锥体的体积，求出所有视点下的体积的共同部分，由此复原对象物的形状的方法。使伺服电动机103旋转，用二维相机123取得样品1的与旋转轴平行的面的360度的图像，根据各图像的轮廓分别导出体积，根据各图像的体积的共同部分取得形状数据。根据图像取得轮廓有通过计算包括对象物的输入图像与预先准备的背景图像的差分而抽出轮廓的背景差分，和利用视点不同的多幅图像的共同部分的统计值抽出轮廓的DAVIS法等方法。

图4中表示位置对照(S107)的例子。取得的点群数据(S200)和图像数据(S202)中，点群计测部和图像拍摄部设计时决定的空间分辨能力不同。于是，如图5所示，将点群数据的空间分辨能力调整为与用图像拍摄部取得的图像数据相同的比例尺(S201)。此处，比例尺的调整只要点群数据与图像数据的空间分辨能力成为相同即可，可以用图像处理部实施，也可以对点群数据和图像数据双方实施。此外，在点群数据和图像数据设计为相同空间分辨能力的情况下，不需要该比例尺调整(S201)。比例尺调整(S201)后，根据点群计测部和图像拍摄部的几何配置的不同，对点群数据和图像数据进行粗调整(S203)。粗调整(S203)后，用图5的点群数据中位移急剧变化的点161、图像中强度变化大的场所162这样两数据中共同的特征点实施详细的位置对照(S204)。存在多个特征点的情况下，以各特征点之间的距离的总和最小的方式进行位置对照。或者，也可以以特征点之间的距离在统计上是中间值的方式进行位置对照。

图2中表示了取得形状数据时的互补整合流程，对于点群计测法不擅长的表面粗糙等点群计测法的精度以下的微小凹凸的计测，由图1的透镜122和二维相机123的像素尺寸决定的分辨能力设定为能够充分捕捉着眼的微小凹凸的大小，取得图像。

图2中表示了使用CAD数据计算点群计测的区域的方法，但图6所示的使用取得的点群数据与CAD数据的比较结果来决定使用二维图像的区域的方法也能够与二维图像互补整合。设定进行样品的形状计测的区域(S300)，进行点群计测(S301)。输入样品的CAD数据(S302)，与(S301)中计测的点群对齐地计算对应点彼此之间的距离(S303)。该对照使用广泛用于点群对照的ICP(Iterative Closest Point)法等。用ICP法取得计测的点群与CAD数据的各对应点之间的距离的平均，该平均值与某一阈值进行比较(S304)。对于阈值以上的区域，因为点群计测传感器的精度不能保证，所以用二维相机拍摄(S305)，根据拍摄的图像推测形状数据(S306)。对点群计测传感器的点群和根据图像推测的形状数据的位置信息进行对照(S307)，取得要求的形状数据(S308)。因为是比较实际的计测结果与CAD来决定是否可以使用点群计测结果，所以能够进行图2所示的流程中不能进行的除去点群计测中的离群值，提高计测的精度。此外，与各对应点之间的距离的平均进行比较的阈值，设定为大于检查对象的形状不良或表面凹凸等的值。

以上叙述的图2和图6的方式中，为了复原形状而取得点群数据或图像数据中的某一方，但也可以先取得双方的数据，在形状计测中边缘和锐角部使用图像数据，除此以外使用点群数据。此外，也可以将图像数据用于表面凹凸的检查。图7中表示在与CAD数据比较之前取得点群数据和图像数据双方的计测的流程。设定进行样品的形状计测的区域(S400)，对设定的区域进行点群计测(S401)，进而也拍摄图像(S402)。计测后读取CAD数据(S403)，判定样品的面与点群计测传感器的倾角β是由点群计测传感器的特性决定的阈值以下还是以上(S404)，判断能够进行点群计测的面的区域。对于阈值以下的区域采用由点群计测传感器计测的形状数据(S406)，在阈值以上的区域中根据图像的阴影计算形状数据(S405)。然后，使点群计测数据和根据图像计算的形状数据对齐(S407)，输出形状数据(S408)。在与CAD数据比较之前取得点群数据和图像数据双方的情况下，使点群数据与图像数据对齐时需要重复部分，因为对所有区域取得双方的数据，所以数据量增加，但不会发生重复部分不足。从而，通过在与CAD数据比较之前取得点群数据和图像数据双方，能够使用点群数据和图像数据中精度较高的数据，能够进一步提高计测的精度。

(不良定量化)

为了将形状不良定量化，而对计测的形状与作为基准的形状定量地进行比较。作为基准的形状使用理想形状即CAD数据、或者利用样品自身的类似性计算出的平均的自参考形状数据、多个相同形状的样品的平均形状数据中的某一个或多个。以下叙述各形状数据的导出方法和不良定量化方法、组合。

使用CAD数据的情况下，取得测定的形状数据与CAD数据的差分，将该差分值作为形状不良值输出。

对利用样品自身的类似性的自参考形状数据的导出方法和使用自参考形状数据的形状不良定量化进行说明。图8表示了6片叶片的叶轮170作为测定对象的样品的例子。6片叶片170a～170f具有相同的形状。在图1的检查装置上使叶轮中心轴1701与y轴一致地搭载，以y轴为中心用伺服电动机103旋转，同时用点群计测传感器131和二维相机123用上述方法取得形状、表面数据。在图9中表示自参考形状数据的导出流程。用图1的检查装置取得形状、表面数据(S501)，从形状、表面数据中识别类似性(S502)。在图10中表示表达叶轮170的形状的波形。图10(a)中表示各叶片170a～170f的波形的轮廓171a～171f在设计上是相同的轮廓。该轮廓171a～171f的类似性的识别，可以由装置操作者手动地进行，也可以基于模式识别技术自动识别。相同形状部分存在3个以上的情况下，根据其统计平均值计算自参考形状数据171(S503)。统计平均值为了从自参考形状数据中除去形状不良和表面凹凸不良的影响，而用中值计算，或省略最大值和最小值用平均值计算。此处设想发生形状不良和表面凹凸不良的概率较低。使该自参考形状数据171与各轮廓171a～171f对齐(S504)，如图10(b)所示计算其差分(S505)，将该差分值作为形状不良值输出(S506)。因为利用样品自身的类似性，所以即使没有CAD数据也能够对形状不良定量化。

接着，对多个相同形状的样品的平均形状数据的导出方法、和使用平均形状的形状不良定量化进行说明。在图11中表示平均形状数据的导出流程。用图1的检查装置取得形状、表面数据(S601)。在图12中表示表现叶轮170的形状的波形。图12(a)中表示对叶轮计测n次时的各自的整体轮廓172a～170n。根据这些轮廓的统计平均值计算平均形状数据172(S602)。统计平均值为了从平均形状数据中除去形状不良和表面凹凸不良的影响，而用中值计算，或省略最大值和最小值用平均值计算。此处设想发生形状不良和表面凹凸不良的概率较低。使该平均形状数据172与各轮廓172a～171n对齐(S603)，如图12(b)所示计算其差分(S604)，将该差分值作为形状不良值输出(S605)。自参考形状数据在样品自身没有类似性时不能够使用。另一方面，平均形状数据是根据多个样品导出形状数据，所以即使没有CAD数据、对于没有类似性的样品也能够进行比较检查。

接着，对组合CAD数据、自参考形状数据、平均形状数据这3种作为基准的形状数据的形状不良定量化进行说明。样品的个数不足以计算平均形状数据时，如图13所示，使用自参考形状数据和CAD数据对形状不良定量化。用图1的装置计测形状、表面凹凸数据(S701)，判定有无类似性(S702)。如上所述，类似性的识别可以由装置操作者手动进行，也可以基于模式识别技术自动识别。没有类似性的情况下，取得测定的形状数据与CAD数据的差分，将该差分值作为形状不良值输出(S703)。存在类似性的情况下，对类似部按照图9所示的流程计算与自参考形状数据的差分(S704)，对非类似部计算与CAD数据的差分(S705)，输出形状不良值(S706)。

能够计算平均数据的情况下，如图14所示，使用自参考形状数据和平均形状数据对形状不良定量化。用图1的装置计测形状、表面凹凸数据(S801)，判断有无类似性(S802)。如上所述，类似性的识别可以由装置操作者手动进行，也可以基于模式识别技术自动识别。没有类似性的情况下，按照图11所示的流程，取得测定的形状数据与平均形状数据的差分，将该差分值作为形状不良值输出(S803)。没有类似性的情况下，对类似部按照图9所示的流程计算与自参考形状数据的差分值(S804)，对非类似部计算与平均形状数据的差分(S805)，输出形状不良值(S806)。

进行样品表面的凹凸等缺陷检测时，也可以根据用二维相机图像拍摄的样品表面的正常部与缺陷部的特征量的不同检测缺陷。特征量表现图像的特征，有高维局部自相关(Higher Order LocalAutocolleration：HLAC)特征量等。本发明中，也使用二维相机的位置、照明的位置和样品的倾斜作为特征量。图15所示的二维相机123的位置是单位矢量I301，照明121的位置是单位矢量S302，正交坐标系中的样品的倾斜使用由点群计测传感器计测的结果，例如使用由点群中相邻的3点形成的三角网格303的法线矢量304作为表现样品倾斜的特征量。有CAD数据、仅检查表面凹凸的情况下，也可以使用CAD数据导出法线矢量304。用二维相机123得到的图像依赖于照明121的位置、二维相机123的位置、样品的倾斜，所以不仅使用图像的特征，也使用这些特征，能够更加正确地判别缺陷部305和正常部。此外，能够计算因样品的形状产生的遮蔽部306，考虑阴影引起的亮度降低导致的图像特征变化，能够更加正确地判别缺陷部305。

图16中表示流程图。用二维相机计测样品的图像(S1001)。对于用二维相机取得的图像的各像素(或根据周边的多个像素实施平滑化处理等求出的值)，计算25维的HLAC特征、照明位置、二维相机位置、样品的法线矢量的值作为特征量(S1002)。接着，指示正常部和缺陷部，决定用特征量空间判别正常部与缺陷部的边界(S1003)。使用支持向量机(Support Vector Machine，SVM)决定边界。最后，使用(S1003)中计算出的边界抽出缺陷部(S1004)。其中，(S1002)中决定的边界，也可以在检查前用样本决定。

(产品的加工精度判定)

图1的三维形状检查装置中，对形状不良定量化之后，该形状不良值在样品是加工品的情况下用其结果的产品性能作为指标、在样品是加工工具的情况下用加工精度作为指标输出是否良好的判定结果。

用图17～图19表示开孔加工工具的例子。用图17的流程说明检查流程。指定表现工具的形状的参数(S901)。本例中，将图18的开孔加工工具的尖端的磨耗面积180和尖端的刃尖角度181作为评价参数。接着用上述方式计测作为样品的开孔加工工具的形状，与CAD数据、自参考形状数据或者平均形状数据之一进行比较，对形状不良值量化(S902)。然后，根据用距离表示形状不同的形状不良值计算磨耗面积和刃尖角度(S903)。根据过去的实验结果和加工模拟结果估算该磨耗面积和刃尖角度对加工结果造成的影响。准备使决定开孔工具的性能的孔的深度和圆度与磨耗面积180和刃尖角度181的关系与过去的实验结果和加工模拟结果关联的数据库，估算与磨耗面积对应的孔的深度、圆度(S904)。此外，也推测由使用次数决定的磨耗面积的增大、刃尖角度的变化，计算剩余的使用次数。进而，为了进行开孔加工工具的合格、不合格判定，预先对于由孔的深度和圆度代表的形状异常设定阈值，判定与容许值的大小关系(S905)。超过容许值的情况下输出不合格判定(S906)。容许值以内的情况下输出合格判定和根据数据库推测出的剩余的使用次数(S907)。加工工具的情况下，能够根据随着加工发生的切削碎屑的形状推测加工工具的状态，能够直接应用图17的方法。图19中表示输入检查条件、输出结果的GUI。GUI在检查装置中搭载的监视器141上显示。用检查区域、对加工的影响度即深度和圆度的容许值作为输入值，输出作为测定结果的刃尖倾角、磨耗面积、根据它们导出的对加工的影响度的推测值。此外，将最终的判定值作为检查结果191输出。

根据本实施例，通过互补地使用点群计测数据和二维相机图像，与分别仅使用点群计测数据和二维相机图像的情况相比能够实现更高精度的三维形状计测。

此外，通过使用利用样品自身的类似性生成的自参考形状数据，能够进行无设计数据的形状不良定量化。

此外，对于形状不良，通过以使用加工品、加工工具时的性能为基准进行好坏的判定、好坏程度的把握，能够进行产品的品质、成品率预测。能够进行加工工具的劣化、磨耗状态和考虑加工精度降低的寿命预测等管理。

实施例2

用图20说明本发明的第二实施例。在图20中表示装置结构。基本结构与实施例1相同，用能够分析反射光的偏振状态的偏振相机200代替图1的二维相机123，用环形照明系统201代替照明部121。偏振相机中，在各像素前贴有微小的偏振元件，以4个像素为1组，组内的4个像素的偏振元件的方位分别不同。已知从样品1反射的光的偏振状态因面的方向而不同，通过整合用4个像素得到的不同的偏振信息，能够检测面的方向。通过使用偏振信息，即使在存在用通常的图像难以识别的污垢等颜色变化，也能够高精度地决定面的方向。此外，偏振信息对瑕疵等微小凹凸的响应性较高，表面凹凸能够有效地明显化。

实施例3

用图21～29说明本发明的第三实施例。本实施例中，在以下详细说明通过组合距离计测法和图像的优点而更加正确地计测三维形状、表面凹凸的互补整合，和对通过互补整合复原的样品的观察场所的三维信息的形状不良定量化的不良定量化方法。

本实施例中，对用多种计测方法得到的计测数据互补地整合，实现计测方法的稳定性、精度的提高。首先，说明单独使用各计测方法的情况。

距离计测法适合把握大体的形状，但对于局部的变化和微小凹凸计测精度经常不足。应用激光等光学的非接触式中，边缘和锐角部、以及具有陡峭的倾斜的形状中光的反射角与平坦的形状有较大不同，存在测定精度降低的倾向。该使用激光的距离计测法对于对象照射整形为点或线状的光束，根据其反射光的位置计测距离。因此，为了计测3D形状，需要使样品或激光扫描。扫描的间隔就是计测的空间分辨能力。另一方面，使用图像的形状计测法的空间分辨能力依赖于二维相机123的像素尺寸和透镜122的倍率，一般而言比扫描间隔更精细，但对于平滑变化的图像中难以表现出特征的大体形状部的计测不擅长。从而，距离计测法与使用图像的方法相比更擅长把握大体形状，不适合计测局部的微小表面凹凸。

图21中表示使用距离计测法的形状检查的流程。与使用的距离计测部130的性能相应地决定计测区域(S1100)，对于S1100中决定的计测区域对样品1进行载物台控制同时用距离计测部130取得表现3D空间中的坐标的点群(S1101)，除去计测的点群中包括的因距离计测部130的计测误差引起的例外值(S1102)，对于点群生成网格作为计测形状数据(S1103)。对计测形状数据(S1103)与CAD数据、或对良品按与S1100～S1103同样的过程计测的良品形状数据进行比较，对计测形状数据的形状不良定量化(S1104)，设置阈值进行合格/不合格判定(S1105)。

以下详细说明各步骤。

(S1100)

距离计测部130的计测精度受到样品1的面的倾斜的限制。能够事前获取样品1的CAD数据的情况下，能够根据距离计测部130与计测对象的位置关系，决定可以保证计测精度的计测区域。用距离计测部130计测的距离信息的精度，依赖于距离计测部130与样品1的距离、样品1相对于距离计测部的倾斜、样品1的材质。将可以确保必要的精度的区域设定为检查区域。此外，没有CAD数据的情况下，也可以目视样品1的形状，决定认为可以保证计测精度的计测区域。

(S1101)

距离计测部130与样品1的相对位置用x载物台106、y载物台107、θ载物台108控制。对各载物台以覆盖样品1的计测区域的方式进行控制，取得表现3D空间中的坐标的点群。用距离计测部130计测的是与样品1表面的距离，所以用各载物台的位置信息变换为3D空间坐标。

(S1102)

用距离计测部130计测的点群中，因距离计测部130的计测误差而产生例外值。该例外值一般根据计测点群的统计性质除去。例如，可以考虑用标准差表现某个观察范围中密集的点群的位置不同，将离开标准差的N倍距离的点作为例外值等处理。

(S1103)

将点群变换为适合CAD比较的网格形式。关于变换方法，提出了Ball-Pivoting、PowerCrust等方法。

(S1104)

对S1103中网格化的计测数据与CAD数据进行比较，对形状不良定量化。此外，没有CAD数据的情况下，也能够与对良品按S1100～S1103的流程数字化的良品形状数据进行比较，对形状不良定量化。

(S1105)

对于S1104中量化的形状不良值，预先设定阈值，自动地进行合格/不合格判定。

使用多幅图像的视点不同复原立体形状的立体法，适合距离计测法不擅长的边缘部的形状把握。这是因为边缘部在图像中是强度急剧变化的特征性的场所。此外，立体法也适合有纹理的样品表面的形状复原。图22中表示使用立体法的形状检查流程。决定用立体计测计测形状的计测区域(S1200)，对于S1200中决定的计测区域用θ载物台108使样品旋转同时用二维相机123取得不同视点的图像(S1201)，从取得的图像中抽出边缘(S1202)。在不同视点的图像中用S1202抽出边缘，探索各图像之间表示同一场所的对应点(S1203)，根据视点的偏差和对应点的位置偏差量计算深度信息，导出表示3D空间中的坐标的点群(S1204)。对于计算出的点群生成网格变换为计测形状数据(S1205)。对计测形状数据与CAD数据、或对良品按与S1200～S1205同样的过程计测的良品形状数据进行比较，对计测形状数据的形状不良定量化(S1206)，设置阈值进行合格/不合格判定(S1207)。

以下详细说明各步骤。

(S1200)

决定用立体计测进行形状计测的区域，决定取得图像的场所。

(S1201)

对于S200中决定的测定区域，设定θ载物台108的旋转角，使其旋转，同时以不同视点取得多幅图像。旋转角依赖于物体的大小，以图像之间具有同一场所的对应关系的方式充分精细地设定。

(S1202)

从S1201中取得的图像中抽出边缘。边缘抽出能够使用CANNY边缘抽出法和使用SOBEL过滤的方法等。

(S1203)

计算S1202中抽出边缘的视点不同的多幅图像之间的边缘部的对应关系。计算对应关系能够使用归一化相关法等。

(S1204)

根据能够用载物台移动量计算的视点偏差、和S1203中计算出的对应点的位置偏差量，基于三角测量的原理计算深度信息，导出表示3D空间中的坐标的点群。

(S1205)

将S1204中计算出的点群边缘为适合CAD比较的网格形式。关于变换方法，提出了Ball-Pivoting、PowerCrust等方法。

(S1206)

对S1205中网格化的计测数据与CAD数据进行比较，对形状不良定量化。此外，没有CAD数据的情况下，也能够与对良品按S1200～S1205的流程数字化的良品形状数据进行比较，对形状不良定量化。

(S1207)

对于S1206中量化的形状不良值，预先设定阈值，自动地进行合格/不合格判定。

根据个别地使用多个照明方向取得的阴影不同的图像复原形状信息的照度差立体法，能够取得用上述距离计测法和立体法难以取得的表面凹凸信息。在图23中表示使用照度差立体法的表面凹凸检查流程。决定用照度差立体法计测进行形状计测的计测区域(S1300)，对于S1300中决定的计测区域使照明从最少3种不同的方向照射样品1，在各照明下取得图像。使θ载物台108旋转，对计测区域全体在各照明下取得图像(S1301)。根据在不同照明下取得的图像，将样品1的反射率假设为朗伯面，导出样品1表面的法线矢量(S1302)，使用基准样本等对反射率和照明方向进行校正(S1303)。对S1303中已校正的法线矢量实施积分处理计算形状数据(S1304)。对于计算出的点群生成网格变换为计测形状数据(S1305)。对计测形状数据与CAD数据、或对良品按与S1200～S1205同样的过程计测的良品形状数据进行比较，对计测形状数据的形状不良定量化(S1306)，设置阈值进行合格/不合格判定(S1307)。

以下详细说明各步骤。

(S1300)

决定用照度差立体法计测进行形状计测的区域，决定取得图像的场所。

(S1301)

对于S1300中决定的测定区域，使照明从最少3种以上的不同方向照射，取得最少3幅图像。设定θ载物台108的旋转角，使其旋转，同时在不同视点下进行图像取得。旋转角依赖于物体的大小，以图像之间具有同一场所的对应关系的方式充分精细地设定。

(S1302)

对S1301中取得的图像实施矩阵计算，计算法线矢量。通过将物体的反射率假设为朗伯面，根据用二维相机123取得的照明方向不同的图像的强度组成的强度向量、和表现照明方向的单位矢量组成的照明方向矩阵，计算面的法线矢量。一般而言，样品1的面不是朗伯面时、设定的照明方向中包含误差时，计算出的法线矢量中包含系统误差。

(S1303)

S1302中导出的法线矢量中包含的系统误差，能够使用由与试料1相同的材质构成的、包括3种以上不同的面倾角的已知的形状样本进行校正。但是，一般而言，难以获得形状已知的样本，所以难以除去误差。因此，照度差立体法较少用于形状的绝对计测。

(S1304)

通过对S1302、S1303中导出的法线矢量积分，能够计算出表现形状信息的点群。但是，S303中不能完全校正法线矢量的误差的情况下，点群中也包含误差。

(S1305)

将S1304中计算出的点群变换为适于CAD比较的网格形式。变换方法使用Ball-Pivoting、PowerCrust等方法。

(S1306)

对S1305中网格化的计测数据与CAD数据进行比较，对形状不良定量化。此外，没有CAD数据的情况下，也能够与对良品按S300～S305的流程数字化的良品形状数据进行比较，对形状不良定量化。

(S1307)

对于S1306中量化的形状不良值，预先设定阈值，自动地进行合格/不合格判定。

接着说明作为本实施例特征的互补地整合多种形状计测方法的形状检查方法。用二维相机123在某一照明下取得边缘部和锐角部、以及具有陡峭的倾斜的形状的情况下，取得图像中具有与周边的亮度差较大、或亮度变化较大的特征。因此，能够根据图像复原距离计测法不擅长的边缘部和锐角部、以及具有陡峭的倾斜的形状的信息(立体法)。此外，对于表面状态和微小凹凸也能够根据图像中的阴影导出其形状(照度差立体法)。但是，对于距离计测部130擅长的大体的形状，因为是平坦的强度分布的图像，特征性的场所少，所以可能难以复原形状。于是，对通过对用各方法得到的信息互补地处理进行校正、整合，高精度地计测复杂形状的整体的方法进行叙述。其中，因为样品1的测定场所，可能仅能用一种方法计测。该情况下，因为不能够进行互补整合，所以直接采用测定结果进行整合。

图24中表示流程。它是将图21～23的流程整合而得的，仅说明方法的整合场所。

首先，说明对于S1403的用照度差立体法取得的对法线矢量积分而得的点群信息、和S1407的用距离计测部130得到的点群中分别包括的例外值通过相互比较除去的方法。在图25中表示详细内容。表示了对于样品1的面200用距离计测部130、照度差立体法计测的结果。面2000中包括形状缺陷2001。距离计测部的计测点2002的分辨能力依赖于载物台的扫描分辨能力，用照度差立体法导出的对法线矢量2006积分而得的计测点2007的分辨能力由透镜倍率和相机像素尺寸决定。本实施例中，假设载物台扫描的分辨能力是100um程度，像素尺寸/透镜倍率是10um程度。实验结果中依赖于距离计测传感器和相机的稳定性，包括随机的例外值2003、2008。

例外值的判定一般而言通过与周边比较计算离群值进行。例如，根据相邻的计测点生成面，导出其倾角2004，基于倾角的角度变化量计算例外值。在图26中表示例子。虚线表示距离计测部130的结果，实线表示照度差立体法的结果。照度差立体法的结果中，例外值2011仅在1点上角度变化量局部较大，能够判断为例外值。另一方面，距离计测部的结果中，分辨能力低，仅用角度变化量不能够区别缺陷2009和例外值2010。于是，用距离计测部与照度差立体法的角度变化量的差分作为指标，将存在阈值±A(2014)以上的差的点判断为例外值。通过该处理，不仅能够判断照度差立体法的例外值2012，也能够容易地判断距离计测的例外值2013。此处，例外值可以认为是在计测时随机产生的，所以通过进行多种方法之间的比较能够简单地除去例外值。此外，取得距离分辨能力不同的数据之间的差分时，对分辨能力较粗略的采样间隔进行插值。决定除去例外值的程度的阈值±A(2014)，是决定点群数据的精度的参数，由用户任意地设定为各计测方法的测定精度以上的值。

其次，说明利用S1403的用照度差立体法取得的对法线矢量积分而得的点群信息使利用立体法抽出图像边缘S1409高精度化的方法。一般的边缘抽出技术中，图像中的边缘抽出是计算像素之间的强度变化，将强度变化大的场所识别为边缘。有使用一阶微分的CANNY法、SOBEL法，和使用二阶微分的微分边缘检测法等。但是，这些方法仅根据1幅图像中的强度信息判断边缘，所以如图27所示因为材质和取得图像时的视点，边缘部没有表现为强度变化的情况下，不能够顺利地抽出边缘。于是，利用通过照度差立体法求出的样品1的面的法线矢量。对于根据多幅图像导出的面的法线矢量的方向在相邻的像素之间计算差分，计算法线矢量的角度变化，设定阈值B2015，将存在一定以上的角度变化的情况判断为边缘。阈值B2015由用户考虑形状中包括的边缘的锐度等设定。通过利用照度差立体法的法线矢量，能够改善立体法中的边缘抽出的精度，提高用立体法导出的点群的精度。此外，用于照度差立体法的图像，如果从与用于立体法的图像相同的视点使用多个照明取得，则不需要两种方法的像素的对齐。

第三，说明对于照度差立体法的校正S1404用整合了距离计测部和立体法的结果的点群S1412进行校正的方法。照度差立体法中，根据图像的强度导出法线矢量时，设定的光源的方向、样品1的反射率已知。但是，光源方向的设定位置与实际的位置包含误差。此外，已知的反射率也不是正确的值。因此，S1402中导出的法线矢量中包含误差。此外，S1403中导出的形状中也包含系统误差。为了校正该误差，利用距离计测部和立体法的结果。

此处，空间坐标中的坐标变换能够用数式(1)表示。

[数1]

$\left(\begin{array}{c}{x}^{\′}\\ y^{\′}\\ z^{\′}\\ 1\end{array}\right)=\left(\begin{array}{cccc}{t}_{11}& t_{12}& t_{13}& t_{14}\\ t_{21}& t_{22}& t_{23}& t_{24}\\ t_{31}& t_{32}& t_{33}& t_{34}\\ 0& 0& 0& 1\end{array}\right)\·\left(\begin{array}{c}x\\ y\\ z\\ 1\end{array}\right)$ ……数式(1)

对于原坐标(x y z1)，通过从左侧乘以由12个系数构成的3×4变换矩阵，得到变换后的坐标(x'y'z'1)。变换矩阵的12个变量能够通过对不相同的3个平面导出原坐标与变换后坐标的变换方程式而求出。在图28中说明详细内容。在用距离计测部130得到的样品1的计测结果中，设定范围2050，在xyz空间内导出表现平面S2051的方程式。范围2050的设定通过对各计测面中的法线矢量方向变化设置阈值C、将小于某一阈值C的范围作为平面而求出。法线矢量的方向变化的阈值C由用户进行指定。接着，从对与平面2051相同场所的平面2052用照度差立体法计测的结果中，导出其方程式，根据两个方程式导出变换矩阵的第一行的系数。对于其他2个平面也同样地导出变换矩阵的第二、第三行的系数。之后，将照度差立体法的计测结果作为(x y z1)，用变换矩阵变换至(x'y'z'1)空间，由此得到校正了系统误差的形状信息2053。通过用样品1自身的其他计测器数据对照度差立体法的系统误差进行校正，能够取得与距离计测传感器相比更细密的形状数据。进而，也具有不需要以往必需的与样品1相同材质的已知形状的校正用样本的优点。此外，对于使用照度差立体法的结果除去例外值、抽出边缘，要考虑照度差立体法中包含的系统误差的值，设定各处理需要的阈值。

S1412、S1413的点群之间的结合，有使不同种类传感器取得的点群之间按对应点距离加权相加的方法。本实施例中，将由观察的点和相邻的最少2个点形成的三角形的法线矢量用作加权函数。S412中，根据分别用距离计测法和立体法取得的观察点和相邻点的点群，导出观察点上的法线矢量。使其结合时，计算观察点之间的法线矢量的内积。内积越接近于1，表示面的方向越一致，所以实施进行内积越大系数越大的加权的ICP法。即，内积越接近于1，越增大用距离计测法和立体法得到的点群的权值，内积越接近于1，越增大用照度差立体法得到的点群的权值。对于S1413，与S1412同样以法线矢量为权值计算用照度差立体法直接计算的法线矢量和S1412中计算出的点群的结合。其中，不同种类传感器之间的点群中计测密度有较大不同的情况下，为了使法线矢量平滑地连接，而对数据插值。这样，通过将法线矢量用于点群的结合，因为考虑了现有的使用对应点距离的方法中没有考虑的面形状，所以能够进行更高精度的点群结合。

在图29中表示图1所示的形状计测装置的GUI(Graphic UserInterface)。GUI显示在PC显示器400上。计测开始前，输入上述阈值A401、B402、C403的值。阈值A是决定除去例外值的程度的参数，阈值B是抽出边缘的参数，阈值C是决定视为平面的区域的参数，它们是影响计测精度的参数。设定各参数后，按下计测开始按钮404，进行计测。计测结果显示在计测结果显示窗口405中。此外，通过CAD比较按钮406进行计测结果与CAD数据的比较，与CAD的差异显示在误差显示框407中。误差的大小用作为统计量的最大值、平均值、标准差等表现。此外，根据事前设定的误差容许值的大小，较大时在合格/不合格显示框408中显示不合格，较小时显示合格。

根据上述，根据本实施例，分别使用距离计测法、立体法、照度差立体法，对数据进行校正并互补地整合，由此能够利用各种三维形状计测发的优点，不依赖于测定对象的形状地以较高的计测精度进行三维形状检查。

实施例4

用图30、图31说明本发明的第四实施例。与第三实施例的不同点在于使用的计测方法仅有距离计测法和照度差立体法这2种。在图30中表示检查流程。对照度差立体法的结果进行校正时，在仅使用距离计测的结果这一点上与第一实施例不同。在图31中表示GUI。与第三实施例的不同在于没有作为与立体法相关的参数的阈值B的输入框。

因为不使用立体法，边缘部分等立体法擅长的场所的精度降低，但计算量减少，所以可以高速化。这是适合不着眼于样品1的边缘形状的情况的方法。

此外，本实施例中，不限于仅使用距离计测法和照度差立体法这2种，例如也可以是距离计测法和立体法这2种的组合。

以上说明的实施例都只表示实施本发明时具体化的一例，本发明的技术范围不由这些实施例限定地解释。即，本发明能够不脱离其技术思想和主要特征地以各种形式实施。此外，也可以通过组合实施例1～4实施本发明。

符号的说明

1……样品

101、102……保持机构

103……伺服电动机

104……电动机控制器

105……底座

106……x载物台

107……y载物台

108……θ载物台

109……载物台控制器

110……防振固定座

120……图像拍摄部

121……照明部

122……透镜

123……二维相机

124……相机控制器

130……点群计测部

131……点群计测传感器

132……传感器控制器

140……控制用PC

141……监视器

142……CAD数据

143……数据库

144……输入装置

160……点群数据上的1点

161……点群数据特征点

162……图像数据特征点

170……叶轮

1701……叶轮中心轴

170a，170b，170c，170d，170e，170f……叶片

170……自参考形状数据

171a，171b，171c，171d，171e，171f……轮廓

180……磨耗面积

181……刃尖角度

190……GUI

191……检查结果

200……偏振相机

201……环形照明系统

301……二维相机方向的单位矢量

302……照明方向的单位矢量

303……三角网格

304……法线矢量

305……缺陷

306……遮蔽部

1401……互补整合部

1402……不良定量化部

1403……判定部

Claims (24)

1.一种三维形状检查装置，其特征在于，具备：

取得检查对象的第一形状数据的第一三维形状传感器；

取得所述检查对象的与所述第一形状数据不同的第二形状数据的第二三维形状传感器；和

对所述第一形状数据和所述第二形状数据进行校正、整合的互补整合部。

2.如权利要求1所述的三维形状检查装置，其特征在于，具备：

存储作为检查对象的参考模型的形状数据的参考数据的存储部；和

根据所述参考数据来确定取得所述第一形状数据的区域的区域确定部。

3.如权利要求1所述的三维形状检查装置，其特征在于：

具备对由所述互补整合部整合后的整合数据和所述参考数据进行定量评价的不良定量化部。

4.如权利要求1所述的三维形状检查装置，其特征在于：

所述第一三维形状传感器是计测三维形状的点群的点群计测传感器，所述第二三维形状传感器是将三维形状作为二维的图像数据来取得的二维摄像机。

5.如权利要求1所述的三维形状检查装置，其特征在于：

所述第一三维形状传感器是计测三维形状的点群的点群计测传感器，所述第二三维形状传感器是根据多个不同的偏振信息来计测三维形状的偏振摄像机。

6.如权利要求2所述的三维形状检查装置，其特征在于：

所述存储部将根据检查对象自身所具有的类似性导出的自参考形状数据作为参考数据来存储。

7.如权利要求1所述的三维形状检查装置，其特征在于：

具备使所述检查对象旋转的θ载物台，

所述第二三维形状传感器取得通过使所述θ载物台旋转而得到的多个形状数据。

8.如权利要求7所述的三维形状检查装置，其特征在于：

具备从多个方向对所述检查对象照射照明光的照明部，

所述第二三维形状传感器取得通过由所述照明部从不同的方向照射照明光而得到的多个形状数据。

9.如权利要求3所述的三维形状检查装置，其特征在于：

具备判定部，所述判定部根据由所述不良定量化部得到的形状不良值、和实验值或模拟值来进行所述检查对象的形状异常的判定。

10.如权利要求9所述的三维形状检查装置，其特征在于：

所述判定部使用所述照明部的位置、所述二维摄像机的位置、所述检查对象的倾斜度中的任意个作为特征量来进行形状异常的判定。

11.如权利要求1所述的三维形状检查装置，其特征在于：

所述互补整合部根据由所述第一三维形状传感器得到的点群中的法线矢量和由所述第二三维形状传感器得到的点群中的法线矢量来进行加权，对所述第一形状数据和所述第二形状数据进行整合。

12.如权利要求1所述的三维形状检查装置，其特征在于：

所述互补整合部使用由所述第一三维形状传感器得到的点群中的法线矢量和由所述第二三维形状传感器得到的点群中的法线矢量，对所述第一形状数据和所述第二形状数据进行校正。

13.一种三维形状检查方法，其特征在于：

取得第一形状数据，

取得所述检查对象的与所述第一形状数据不同的第二形状数据，

对所述第一形状数据和所述第二形状数据进行整合。

14.如权利要求13所述的三维形状检查方法，其特征在于：

读取作为检查对象的参考模型的形状数据的参考数据，

根据所述参考数据来确定取得第一形状数据的区域，

对于已确定的区域取得所述第一形状数据，

对于所述已确定的区域以外的区域取得所述检查对象的与所述第一形状数据不同的第二形状数据。

15.如权利要求14所述的三维形状检查方法，其特征在于：

对整合后的整合数据和所述参考数据进行定量评价。

16.如权利要求13所述的三维形状检查方法，其特征在于：

所述第一形状数据是三维形状的点群，所述第二形状数据是由二维摄像机拍摄的图像。

17.如权利要求13所述的三维形状检查方法，其特征在于：

所述第一形状数据是三维形状的点群，所述第二形状数据是由偏振摄像机拍摄的图像。

18.如权利要求13所述的三维形状检查方法，其特征在于：

所述参考数据是根据检查对象自身所具有的类似性导出的自参考形状数据。

19.如权利要求13所述的三维形状检查方法，其特征在于：

从不同的视点取得所述检查对象的多个所述第二形状数据。

20.如权利要求13所述的三维形状检查方法，其特征在于：

取得从不同的方向照射照明光而得到的所述检查对象的多个所述第二形状数据。

21.如权利要求13所述的三维形状检查方法，其特征在于：

根据通过对由所述互补整合部整合后的整合数据和所述参考数据进行定量评价而得到的形状不良值、和实验值或模拟值，进行所述检查对象的形状异常的判定。

22.如权利要求21所述的三维形状检查方法，其特征在于：

使用照射所述检查对象的照明部的位置、所述二维摄像机的位置、所述检查对象的倾斜度中的任意个作为特征量来进行形状异常的判定。

23.如权利要求9所述的三维检查方法，其特征在于：

根据所述第一形状数据的点群中的法线矢量和所述第二形状数据的点群中的法线矢量来进行加权，对所述第一形状数据和所述第二形状数据进行整合。

24.如权利要求23所述的三维形状检查方法，其特征在于：

使用所述第二形状数据的点群中的法线矢量和所述第二形状数据的点群中的法线矢量，对所述第一形状数据和所述第二形状数据进行校正。