JP2003344300A - 表面欠陥判別方法 - Google Patents

表面欠陥判別方法

Info

Publication number
JP2003344300A
JP2003344300A JP2002146787A JP2002146787A JP2003344300A JP 2003344300 A JP2003344300 A JP 2003344300A JP 2002146787 A JP2002146787 A JP 2002146787A JP 2002146787 A JP2002146787 A JP 2002146787A JP 2003344300 A JP2003344300 A JP 2003344300A
Authority
JP
Japan
Prior art keywords
defect
discriminant
function
type
discriminating
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2002146787A
Other languages
English (en)
Inventor
Takehide Hirata
丈英 平田
Kazuya Asano
一哉 浅野
Yasuo Tomura
寧男 戸村
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
JFE Steel Corp
Original Assignee
JFE Steel Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by JFE Steel Corp filed Critical JFE Steel Corp
Priority to JP2002146787A priority Critical patent/JP2003344300A/ja
Priority to US10/514,770 priority patent/US20050175231A1/en
Priority to KR10-2004-7016654A priority patent/KR20040111529A/ko
Priority to EP03752907A priority patent/EP1507141A4/en
Priority to CNA038114690A priority patent/CN1656371A/zh
Priority to PCT/JP2003/006102 priority patent/WO2003098201A1/ja
Priority to TW092113458A priority patent/TW587154B/zh
Publication of JP2003344300A publication Critical patent/JP2003344300A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
    • G01B11/00—Measuring arrangements characterised by the use of optical techniques
    • G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Textile Engineering (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

(57)【要約】 【課題】 欠陥種類や欠陥等級の判別ロジックの作成を
短期間かつ自動的に行うとともに、欠陥種類や欠陥等級
の一致率を向上させる。 【解決手段】 過去に取得し蓄積した複数の表面欠陥の
特徴量を特徴空間上の点で表し、仮想写像関数により、
写像先空間で線形分離が完全に行えるような識別面が存
在するという制約条件下で、識別面への距離が最も近い
点との距離を目的関数とし、それを最大化する２次計画
問題を解くことにより求まる識別面を識別関数として予
め求めておき、種類が未知の表面欠陥の特徴量を前記識
別関数に代入し、その結果により、種類が未知の表面欠
陥が前記欠陥種類に該当するか否かを判別する。

Description

【発明の詳細な説明】
【０００１】
【発明の属する技術分野】本発明は、被検査材における
表面欠陥の欠陥種類あるいは欠陥等級の判別方法に関す
る。
【０００２】
【従来の技術】被検査材の表面欠陥を検出する装置とし
ては、図１に示す如く、搬送中の被検査材１０の表面に
外部照明２０から光を照射し、被検査材１０の表面から
の反射光をカメラ３０で撮像し、撮像した画像から画像
処理により欠陥の特徴量を抽出し、抽出された特徴量を
もとに欠陥種類や欠陥等級を判別する表面欠陥検査装置
がある。
【０００３】このような表面欠陥検査装置では、画像処
理によって得られる表面欠陥の長さ、幅、面積などの寸
法的な特徴量、円形度、アスペクト比などの形状的な特
徴量、欠陥部画像濃度平均値、欠陥部画像濃度最小値、
欠陥部画像濃度最大値などの画像の濃淡的な特徴量など
に基づき、決定木方式により欠陥種類や欠陥等級の判別
を行っている。この決定木方式は、判別条件をツリー状
に組合せ、第１の判別において第１の判別条件に合えば
第１の欠陥と判別し、そうでなければ第２の判別を行
い、第２の判別条件に合えば第２の欠陥と判別し、欠陥
種類や欠陥等級が決定されるまでこれを次々に繰り返し
行っていく方法である。一方、各判別条件では、各欠陥
種類や各欠陥等級を特徴づけるいくつかの特徴量を予め
選択しておき、特徴量毎に予め設定した閾値と比較して
判別を行う。
【０００４】
【発明が解決しようとする課題】しかしながら、前述の
ような従来の方法では、各判別条件において、専門技術
者が大量のデータに基づいて解析を行い、各欠陥を特徴
づける特徴量を選定し、閾値の設定を試行錯誤的に行う
ため、判別ロジックの完成に多大の労力を要し、表面欠
陥検査装置の立上げに長時間を要するという問題があっ
た。
【０００５】さらに、被検査材の材質が変更されたり、
加工方法が変更されたりすると、前述の作業を最初から
実施しなければならず、その度に多大の労力を要し、速
やかな検査への対応ができないという問題があった。
【０００６】また、判別条件に用いる特徴量の選択や各
特徴量の閾値の設定は、特徴量の数が多数あると、理論
上は欠陥種類や欠陥等級の一致率向上につながるもの
の、実質的には解析が困難となり、欠陥種類や欠陥等級
の一致率の向上に限界を生じるという問題があった。
【０００７】ここで一致率とは、欠陥種類の場合、検査
員などによる判断を正とし、ある欠陥種類Ａに属すると
判断された欠陥のうち、表面欠陥検査装置により種類Ａ
と判別した割合、あるいは、逆に、表面欠陥検査装置に
より種類Ａと判別した欠陥のうち、検査員などにより正
しいと判断された割合を言う。また、欠陥等級について
も同様である。
【０００８】一方、判別ロジックの完成に要する労力を
省力化することを目的に、判別ロジックの作成を自動化
する技術としてニューラルネットを適用した特開平４−
１４２４１２などがある。しかし、ニューラルネットは
学習に要するデータ数が多く必要で学習時間が冗長的な
ため非効率的である。また、中味がブラックボックスと
なるため、ある特定事項について判別ミスが生じた場合
には個々の調整が不可能になるという問題がある。
【０００９】本発明はかかる事情に鑑みてなされたもの
であり、欠陥種類や欠陥等級の判別ロジックの作成を短
期間かつ自動的に行うとともに、欠陥種類や欠陥等級の
一致率を向上させる方法を提供することを目的とする。
【００１０】
【課題を解決するための手段】上記課題を解決するため
に、第１の本発明は、被検査材の表面状態の情報を取得
し、取得した情報に基づいて表面欠陥の特徴量を抽出
し、前記特徴量に基づいて、所定の欠陥種類に該当する
か否かを判別する表面欠陥判別方法において、過去に取
得し蓄積した複数の表面欠陥の特徴量と、これに対応づ
けされた表面欠陥の種類を学習データとして予め用意
し、前記学習データを特徴空間上の点として表し、仮想
的に想定する写像関数により、写像先の空間上で線形分
離が完全に行えるような識別面が存在するという制約条
件のもとで、前記識別面への距離が最も近い点と前記識
別面との距離を目的関数とし、前記目的関数を最大化す
る２次計画問題を解くことにより、最適な識別面を識別
関数として予め求めておき、種類が未知の表面欠陥の特
徴量を前記識別関数に代入し、その結果により、前記種
類が未知の表面欠陥が前記欠陥種類に該当するか否かを
判別することを特徴とする。
【００１１】第２の本発明は、被検査材の表面状態の情
報を取得し、取得した情報に基づいて表面欠陥の特徴量
を抽出し、前記特徴量に基づいて、所定の欠陥種類に該
当するか否かを判別する表面欠陥判別方法において、過
去に取得し蓄積した複数の表面欠陥の特徴量と、これに
対応づけされた表面欠陥の種類を学習データとして予め
用意し、前記学習データを特徴空間上の点として表し、
仮想的に想定する写像関数により、写像先の空間上で線
形分離が完全に行えるような識別面が存在するという制
約条件を設定するとともに、前記識別面への距離が最も
近い点と前記識別面との距離を目的関数として設定し、
前記の線形分離が完全に行えるという制約条件を緩和
し、識別ミスを生じる点が存在することを許容するとと
もに、前記目的関数にペナルティー項を付加して補正
し、前記緩和した制約条件のもとで、前記補正した目的
関数を最大化する２次計画問題を解くことにより求まる
識別面を識別関数として予め求めておき、種類が未知の
表面欠陥の特徴量を前記識別関数に代入し、その結果に
より、前記種類が未知の表面欠陥が前記欠陥種類に該当
するか否かを判別することを特徴とする。
【００１２】第３の本発明は、第１または第２の本発明
における識別関数に対して、見逃しの許されない重要度
の高い表面欠陥に対しては、所望の欠陥種類一致率が得
られるように前記識別関数のバイアス項を調整すること
を特徴とする。
【００１３】第４の本発明は、第１乃至３いずれかの本
発明に係る表面欠陥判別方法により欠陥等級を判別する
ことを特徴とする。
【００１４】第５の本発明は、第１乃至４のいずれかの
本発明における表面欠陥判別方法を決定木のなかに組込
むことにより、複数の欠陥種類及び／又は欠陥等級を判
別することを特徴とする。
【００１５】
【作用】上記方法において、第１の本発明によれば、過
去に取得し蓄積した複数の表面欠陥の特徴量と、これに
対応づけされた表面欠陥の種類を学習データとして予め
用意し、前記学習データを特徴空間上の点として表し、
仮想的に想定する写像関数により、写像先の空間上で線
形分離が完全に行えるような識別面が存在するという制
約条件のもとで、前記識別面への距離が最も近い点と前
記識別面との距離を目的関数とし、前記目的関数を最大
化する２次計画問題を解くことにより、最適な識別面を
識別関数として予め求めておき、種類が未知の表面欠陥
の特徴量を前記識別関数に代入し、その結果により、前
記種類が未知の表面欠陥が前記欠陥種類に該当するか否
かを判別するため、特徴空間上で線形分離不可能な分布
のデータを完全に識別可能になり欠陥種類の一致率が向
上する。また、判別ロジックが短期間かつ自動的に作成
されるため、判別ロジックの完成に要する労力を省力化
できるとともに、表面欠陥検査装置の早期立上げが可能
となる。
【００１６】第２の本発明によれば、第１の本発明に係
る表面欠陥判別方法を一部改変し、前記の線形分離が完
全に行えるという制約条件を緩和し、識別ミスを生じる
点が存在することを許容するとともに、前記目的関数に
ペナルティ項を付加するため、当該欠陥種類とそうでな
い両方のデータが識別面付近で混在していても過学習す
ることなく適切な判別が可能になる。
【００１７】第３の本発明によれば、第１又は第２の本
発明における識別関数に対して、見逃しの許されない重
要度の高い表面欠陥に対しては、所望の欠陥種類一致率
が得られるように前記識別関数のバイアス項を調整する
ため、専門技術者などの調整を行う者により意識的に識
別面を平行移動し、見逃しの許されない重要度の高い表
面欠陥側の特徴空間領域を広げることができ、所望の欠
陥種類一致率を得ることが可能になる。
【００１８】第４の本発明によれば、第１乃至３のいず
れかの本発明に係る表面欠陥判別方法により欠陥等級を
判別するため、欠陥種類を判別する場合と同様に第１乃
至第３の本発明で前述したことが、欠陥等級を判別する
場合でも可能となる。
【００１９】第５の本発明によれば、第１乃至４の本発
明における表面欠陥判別方法を決定木のなかに組込むた
め、複数の欠陥種類や欠陥等級を判別することが可能と
なる。
【００２０】
【発明の実施の形態】以下、本発明の実施形態について
図面を参照して説明する。
【００２１】図１は、被検査材の表面状態の情報取得に
カメラを用いる場合の表面欠陥検査装置の全体構成例で
ある。照明２０により、図中矢印Ａ方向に搬送される被
検査材１０に光を照射し、その反射光や散乱光をカメラ
３０で撮像する。
【００２２】撮像した画像は表面欠陥特徴量抽出部４０
で画像処理され、画像濃度の変化などから表面欠陥を検
出し、複数の特徴量が抽出される。特徴量としては、表
面欠陥の寸法に関連した長さ、幅、面積など、表面欠陥
の形状に関連した円形度、アスペクト比など、更に画像
濃度に関連した欠陥部画像濃度平均値、欠陥部画像濃度
最小値、欠陥部画像濃度最大値などがある。
【００２３】なお、被検査材の表面状態の情報取得のた
めの手段としては、上記の他、レーザ光を被検査材に照
射し、その反射光や散乱光の変化を用いる方法などもあ
る。
【００２４】本発明は特徴空間上でデータを扱うため、
各特徴量の間で数値のレンジが異なると正確な評価がで
きないため、このようにして得られた特徴量は規格化処
理部５０で
【００２５】
【数１】 ただし μ：学習データとして取得した、ある特徴
量の平均値σ：学習データとして取得した、ある特徴量
の標準偏差もしくは
【数２】 などの適当な形に規格化される。
【００２６】規格化された特徴量は、表面欠陥種類判別
部６０で処理され、表面欠陥の種類が判別され、表面欠
陥種類判別結果出力部９０で判別結果が出力される。
【００２７】図２は、表面欠陥種類判別部６０の一例と
して、表面欠陥Ａに該当するか否かの判別を行う場合を
示した図である。該表面欠陥種類判別部６０は学習デー
タ処理部７０と未知データ判別部８０に分けられる。
【００２８】学習データ処理部７０には、過去に取得し
蓄積した複数の表面欠陥の特徴量と、これに対応づけさ
れた表面欠陥種類のセットが学習データとして入力され
る。
【００２９】２次計画問題処理部７２では、学習データ
を特徴空間上の点として表し、仮想的に想定する写像関
数により、写像先の空間上で線形分離が完全に行えるよ
うな識別面が存在するという制約条件のもとで、識別面
への距離が最も近い点とその識別面との距離を目的関数
とし、この目的関数を最大化する２次計画問題を解くこ
とにより、最適な識別面を識別関数として予め求める。
作成された識別関数は識別関数記憶部７４に記憶され
る。なお、入力される表面欠陥の特徴量に対応づけられ
た表面欠陥種類は検査員の判断などにより決定されたも
のである。また、学習データは入力するだけでよく、被
検査材の材質変更や加工方法変更などの経時的な変化が
あった場合に、新たに学習データを再入力し識別関数を
更新すればよい。即ち、従来のように専門技術者がデー
タ解析を行い、試行錯誤的に判別ロジックを作成する必
要はない。
【００３０】一方、未知データ判別部８０では、識別関
数記憶部７４で記憶されている識別関数を用いて表面欠
陥Ａに該当するか否かの判別を行う。
【００３１】
【実施例１】ここで、表面欠陥Ａとそれ以外の表面欠陥
Ａ’を判別する場合の表面欠陥種類判別部６０の学習デ
ータ処理部７０における学習方法について詳細に説明す
る。特徴空間上の点として表される学習データの特徴量
ベクトル
【外１】 は、
【数３】 を満足するような仮想的な写像関数Φにより
【外２】 と写像される。即ち、写像先のΦ空間上での内積
【外３】 は写像元の特徴空間上での内積
【外４】 の関数とする。ここで、i、jは学習データ番号であり、
ｉ，ｊ＝１，２，・・・，ｎ（ｎ：学習データ数） である。また、この写像は写像元の特徴空間上での距離
の関係を保存するとともに、写像の結果、Φ空間では表
面欠陥Ａの集合とそれ以外の表面欠陥Ａ’の集合は線形
分離可能になるものとする。
【００３２】Φ空間上では線形分離可能となるので、符
号化関数ｓｇｎ（正の値は＋１、負の値は−１を返す）
を用いて、次式によりＡの集合とＡ’の集合の判別が可
能となる。
【００３３】
【数４】
【００３４】ここで、（４）式を幾何学的に解釈する
と、法線ベクトル
【外５】 とバイアスｈで決まる識別面を境界にΦ空間を２つに分
け、一方に１を、もう一方に−１を割り当てるものと解
釈できる。しかし、Ａの集合とＡ’の集合に対して線形
分離が完全に行えるような識別面が存在する場合、法線
ベクトル
【外６】 とバイアスｈは一意的には決まらない。そこで、識別面
への距離が最も近い点とその識別面との距離ｄmを最大
にするような識別面を最適な識別面として求める。
【００３５】
【数５】
【００３６】更に、
【外７】 およびｈの冗長性を排除するための規格化条件、即ち、
【数６】 を与える。
【００３７】一方、Ａの集合とＡ’の集合に対して完全
分離が可能ということから、
【数７】 を満たすようなεが必ず存在する。ここで、規格化条件
（６）式より、（７）式は次式で表すことができる。
【００３８】
【数８】
【００３９】以上を整理すると、
【数９】 となり、２次計画問題に帰着することができる。
【００４０】ここで２次計画問題を解く場合の常套手段
であるLagrange関数を導入すると、
【数１０】 ただし αi：Lagrange乗数（αi≧０）が得られ、
【外８】 ，ｈの鞍点では
【数１１】 という関係が得られる。
【００４１】これらの関係式をもとのLagrange関数に代
入すれば、以下の双対問題に帰着することができる。
【００４２】
【数１２】
【００４３】ここで（３）式の関係から、
【数１３】 となる。今回は具体的なＫの関数として、
【数１４】 を用いた。よって、（１４）式は、
【数１５】 となる。（１６）式は、例えばMatlabで用意されている
２次計画問題を解く関数quadprogなどを利用して実際に
解くことができ、αが求まる。
【００４４】また、（３）式、（１２）式、（１５）式
より識別関数（４）式は、
【数１６】 となり、２次計画問題を解くことで求めたαと適当な
σ、ｈを与えることにより識別関数を決定することがで
きる。
【００４５】
【実施例２】しかし、実際には特徴空間上での各集合の
分布は確率的で、なかには誤ったデータ（検査員の判断
を正としているが誤判断が含まれるケースもある）もあ
るため、学習データを完全に正しいとして判別すること
は必ずしも得策とはいえない場合もある。
【００４６】そこで、第２の実施例として、第１の実施
例で示した線形分離が完全に行えるという制約条件を緩
和し、識別ミスを生じる点が存在することを許容すると
ともに、その場合には第１の実施例で示した目的関数に
ペナルティー項を付加する方法について説明する。
【００４７】本実施例では、制約条件における識別ミス
を許す変数ξと識別ミスに対するペナルティーパラメー
タＣにより、（９）式を以下の形で記述する。
【００４８】
【数１７】
【００４９】（１８）式を第１の実施例と同様にLagran
ge関数を導入し、双対問題に帰着させ、（１５）式を用
いると、以下の形で記述できる。
【００５０】
【数１８】
【００５１】（１９）式も（１６）式と同様に、例えば
Matlabで用意されている２次計画問題を解く関数quadpr
ogなどを利用して実際に解くことができ、αが求まる。
【００５２】また、識別関数は（１７）式と同じであ
り、２次計画問題を解くことで求めたαと適当なσ、ｈ
を与えることにより識別関数を決定することができる。
【００５３】なお、本実施例では、識別関数のパラメー
タとしてＣ＝１０4、σ＝１．０、ｈ＝０もしくはＣ＝
∞、σ＝１０、ｈ＝０を選択した。
【００５４】
【実施例３】前述した実施例２は、表面欠陥Ａの一致率
（例えば、検査員などによる判断を正とし、ある欠陥種
類Ａに属すると判断された欠陥のうち、表面欠陥検査装
置により種類Ａと判別した割合）とそれ以外の表面欠陥
Ａ’の一致率（例えば、検査員などによりＡ’と判断さ
れた欠陥のうち、表面欠陥検査装置によりＡ’と判別し
た割合）がほぼ等量になるような判別を行う。しかし、
表面欠陥の種類によっては見逃しの許されない重要度の
高い表面欠陥もあり、その欠陥種類以外の欠陥種類に対
する判別の一致率を低下させても、その欠陥種類に対す
る判別の一致率は向上させたい場合がある。
【００５５】そこで、第３の実施例として、見逃しの許
されない重要度の高い表面欠陥に対して所望の欠陥種類
一致率を得るための方法について説明する。
【００５６】本実施例では、学習データを与え、自動作
成された識別関数（１７）式において所望の一致率が得
られるように、予めバイアスｈの調整を行う。これによ
り、専門技術者などの調整を行う者により、意識的に識
別面を平行移動することができ、見逃しの許されない重
要度の高い表面欠陥側の特徴空間領域を広げることがで
き、所望の一致率が得られるようになる。
【００５７】
【実施例４】実施例１〜３は表面欠陥種類を対象にした
実施例であるが、つぎに第４の実施例として表面欠陥の
等級を対象にする場合について説明する。
【００５８】本実施例では、特徴量として、円形度やア
スペクト比のような欠陥形状よりも、表面欠陥の長さ、
幅、面積のような欠陥寸法や画像濃度などの特徴量を中
心に用いる。この場合、実施例１〜３と全く同様な方法
で欠陥等級の判別を行うことができる。
【００５９】
【実施例５】以上は所定の欠陥種類もしくは欠陥等級に
該当するか否かを判別する場合であったが、実際には欠
陥種類はＡ，Ｂ，Ｃ・・・、欠陥等級は大、中、小とい
うように複数存在し、それぞれを判別したい場合が多
い。そこで、第５の実施例として複数の欠陥種類及び／
又は欠陥等級を判別する場合について説明する。
【００６０】図３は、複数の欠陥種類を判別する場合の
表面欠陥種類判別部６０を示した図である。複数の判別
条件が決定木の中に組み込まれツリー状に構成されてお
り、まず始めに表面欠陥Ａ判別条件部により表面欠陥Ａ
か、それ以外の表面欠陥Ａ’かが判別され、それ以外の
表面欠陥Ａ’と判別された場合は、表面欠陥Ｂ判別条件
部に進む。表面欠陥Ｂ判別条件部では、表面欠陥Ｂか、
それ以外の表面欠陥Ｂ’かが判別され、それ以外と判別
された場合は、表面欠陥Ｃ判別条件部に進み、次々と判
別されていく。判別条件部は判別したい表面欠陥種類の
数だけ存在することになる。
【００６１】また、判別条件Ａ，Ｂ，Ｃ・・・を適宜、
欠陥等級の判別条件に置換えていけば、複数の欠陥種類
と欠陥等級が混在していても各々区別して判別すること
が可能となる。
【００６２】なお、本実施例の判別条件は実施例１〜４
で説明した表面欠陥種類判別部６０における方法と同様
である。
【００６３】
【発明の効果】以上説明したように、第１の本発明によ
れば、過去に取得し蓄積した複数の表面欠陥の特徴量
と、これに対応づけされた表面欠陥の種類を学習データ
として予め用意し、学習データを特徴空間上の点として
表し、仮想的に想定する写像関数により、写像先の空間
上で線形分離が完全に行えるような識別面が存在すると
いう制約条件のもとで、前記識別面への距離が最も近い
点と前記識別面との距離を目的関数とし、前記目的関数
を最大化する２次計画問題を解くことにより、最適な識
別面を識別関数として予め求めておき、種類が未知の表
面欠陥の特徴量を前記識別関数に代入し、その結果によ
り、種類が未知の表面欠陥が前記欠陥種類に該当するか
否かを判別するため、特徴空間上で線形分離不可能な分
布のデータを完全に識別可能になり欠陥種類の一致率が
向上する。また、判別ロジックが短期間かつ自動的に作
成されるため、判別ロジックの完成に要する労力を省力
化できるとともに、表面欠陥検査装置の早期立上げが可
能となる。
【００６４】第２の本発明によれば、第１の表面欠陥判
別方法を一部改変し、前記の線形分離が完全に行えると
いう制約条件を緩和し、識別ミスを生じる点が存在する
ことを許容するとともに、前記目的関数にペナルティ項
を付加するため、当該欠陥種類とそうでない両方のデー
タが識別面付近で混在していても過学習することなく適
切な判別が可能になる。
【００６５】第３の本発明によれば、第１または第２の
本発明における識別関数に対して、見逃しの許されない
重要度の高い表面欠陥に対しては、所望の欠陥種類一致
率が得られるように前記識別関数のバイアス項を調整す
るため、専門技術者などの調整を行う者により意識的に
識別面を平行移動し、見逃しの許されない重要度の高い
表面欠陥側の特徴空間領域を広げることができ、所望の
欠陥種類一致率を得ることが可能になる。
【００６６】第４の本発明によれば、第１乃至３のいず
れかの本発明に係る表面欠陥判別方法により欠陥等級を
判別するため、欠陥等級を判別する場合でも、欠陥種類
を判別する場合と同様に第１乃至第３の本発明で前述し
たことが可能となる。
【００６７】第５の本発明によれば、第１乃至第４の本
発明における表面欠陥判別方法を決定木のなかに組込む
ため、複数の欠陥種類や欠陥等級を判別することが可能
となる。
【図面の簡単な説明】
【図１】本発明に係る表面欠陥検査方法の実施に用いる
検査装置の構成を示すブロック図
【図２】前記検査装置の表面欠陥種類判別部を示す説明
図
【図３】同じく表面欠陥種類・等級判別部を示す説明図
【符号の説明】
１０…被検査材 ２０…照明 ３０…カメラ ４０…表面欠陥特徴量抽出部 ５０…規格化処理部 ６０…表面欠陥種類判別部 ７０…学習データ処理部 ７２…２次計画問題処理部 ７４…識別関数記憶部 ８０…未知データ判別部
フロントページの続き (72)発明者 戸村 寧男 千葉県千葉市中央区川崎町１番地 川崎製 鉄株式会社千葉製鉄所内 Ｆターム(参考） 2F065 AA21 AA49 AA58 BB15 DD06 FF04 GG04 HH12 JJ08 JJ26 QQ03 QQ08 QQ24 QQ29 QQ31 QQ38 UU05 2G051 AA32 AB02 AC04 CA04 CB01 CB05 DA06 EA12 EA16 EB01 EB05 EC01 EC03 ED07 ED08 ED21 5B057 AA01 DA03 DA12 DC36 5L096 BA03 JA11 JA18 JA22 JA24

Claims (5)

    【特許請求の範囲】
  1. 【請求項１】被検査材の表面状態の情報を取得し、取得
    した情報に基づいて表面欠陥の特徴量を抽出し、前記特
    徴量に基づいて、所定の欠陥種類に該当するか否かを判
    別する表面欠陥判別方法において、 過去に取得し蓄積した複数の表面欠陥の特徴量と、これ
    に対応づけされた表面欠陥の種類を学習データとして予
    め用意し、 前記学習データを特徴空間上の点として表し、仮想的に
    想定する写像関数により、写像先の空間上で線形分離が
    完全に行えるような識別面が存在するという制約条件の
    もとで、 前記識別面への距離が最も近い点と前記識別面との距離
    を目的関数とし、前記目的関数を最大化する２次計画問
    題を解くことにより、 最適な識別面を識別関数として予め求めておき、 種類が未知の表面欠陥の特徴量を前記識別関数に代入
    し、その結果により、前記種類が未知の表面欠陥が前記
    欠陥種類に該当するか否かを判別することを特徴とする
    表面欠陥判別方法。
  2. 【請求項２】被検査材の表面状態の情報を取得し、取得
    した情報に基づいて表面欠陥の特徴量を抽出し、前記特
    徴量に基づいて、所定の欠陥種類に該当するか否かを判
    別する表面欠陥判別方法において、 過去に取得し蓄積した複数の表面欠陥の特徴量と、これ
    に対応づけされた表面欠陥の種類を学習データとして予
    め用意し、 前記学習データを特徴空間上の点として表し、仮想的に
    想定する写像関数により、写像先の空間上で線形分離が
    完全に行えるような識別面が存在するという制約条件を
    設定するとともに、 前記識別面への距離が最も近い点と前記識別面との距離
    を目的関数として設定し、 前記の線形分離が完全に行えるという制約条件を緩和
    し、識別ミスを生じる点が存在することを許容するとと
    もに、前記目的関数にペナルティ項を付加して補正し、 前記緩和した制約条件のもとで、前記補正した目的関数
    を最大化する２次計画問題を解くことにより求まる識別
    面を識別関数として予め求めておき、 種類が未知の表面欠陥の特徴量を前記識別関数に代入
    し、その結果により、前記種類が未知の表面欠陥が前記
    欠陥種類に該当するか否かを判別することを特徴とする
    表面欠陥判別方法。
  3. 【請求項３】請求項１又は２における識別関数に対し
    て、見逃しの許されない重要度の高い表面欠陥に対して
    は、所望の欠陥種類一致率が得られるように前記識別関
    数のバイアス項を調整することを特徴とする表面欠陥判
    別方法。
  4. 【請求項４】請求項１乃至３のいずれかに記載の表面欠
    陥判別方法により欠陥等級を判別することを特徴とする
    表面欠陥判別方法。
  5. 【請求項５】請求項１乃至４のいずれかにおける表面欠
    陥判別方法を決定木のなかに組込むことにより、複数の
    欠陥種類及び／又は欠陥等級を判別することを特徴とす
    る表面欠陥判別方法。
JP2002146787A 2002-05-21 2002-05-21 表面欠陥判別方法 Pending JP2003344300A (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
JP2002146787A JP2003344300A (ja) 2002-05-21 2002-05-21 表面欠陥判別方法
US10/514,770 US20050175231A1 (en) 2002-05-21 2003-05-16 Surface defect judging method
KR10-2004-7016654A KR20040111529A (ko) 2002-05-21 2003-05-16 표면 결함 판별 방법
EP03752907A EP1507141A4 (en) 2002-05-21 2003-05-16 SURFACE DEFECT ASSESSMENT PROCEDURES
CNA038114690A CN1656371A (zh) 2002-05-21 2003-05-16 判定表面缺陷的方法
PCT/JP2003/006102 WO2003098201A1 (fr) 2002-05-21 2003-05-16 Procede d'analyse de defauts de surface
TW092113458A TW587154B (en) 2002-05-21 2003-05-19 Surface defect judging method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2002146787A JP2003344300A (ja) 2002-05-21 2002-05-21 表面欠陥判別方法

Publications (1)

Publication Number Publication Date
JP2003344300A true JP2003344300A (ja) 2003-12-03

Family

ID=29545149

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2002146787A Pending JP2003344300A (ja) 2002-05-21 2002-05-21 表面欠陥判別方法

Country Status (7)

Country Link
US (1) US20050175231A1 (ja)
EP (1) EP1507141A4 (ja)
JP (1) JP2003344300A (ja)
KR (1) KR20040111529A (ja)
CN (1) CN1656371A (ja)
TW (1) TW587154B (ja)
WO (1) WO2003098201A1 (ja)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2008082821A (ja) * 2006-09-27 2008-04-10 Hitachi High-Technologies Corp 欠陥分類方法及びその装置並びに欠陥検査装置
JP2009186243A (ja) * 2008-02-04 2009-08-20 Nippon Steel Corp 判別装置、判別方法及びプログラム
JP2011112572A (ja) * 2009-11-27 2011-06-09 Nagoya Electric Works Co Ltd 良否判定装置、良否判定方法および良否判定プログラム
JP2011214941A (ja) * 2010-03-31 2011-10-27 Caloria Japan Co Ltd 物体中の異物混入判別装置
JP5038293B2 (ja) * 2006-03-16 2012-10-03 日本碍子株式会社 ハニカム構造体の外壁検査方法
JP2012229928A (ja) * 2011-04-25 2012-11-22 Jfe Steel Corp 表面欠陥検出方法、および表面欠陥検出装置
US11182423B2 (en) 2015-12-11 2021-11-23 Canon Kabushiki Kaisha Information presentation method and apparatus

Families Citing this family (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7107167B2 (en) * 2003-07-15 2006-09-12 Qualcomm Inc. Method and apparatus for searching external issues for testing a product
JP5120254B2 (ja) * 2006-07-06 2013-01-16 旭硝子株式会社 クラスタリングシステムおよび欠陥種類判定装置
JP2010014436A (ja) * 2008-07-01 2010-01-21 Micronics Japan Co Ltd 欠陥検査方法及び欠陥検査装置
JP5260183B2 (ja) * 2008-08-25 2013-08-14 株式会社日立ハイテクノロジーズ 欠陥検査方法及びその装置
US20130208978A1 (en) * 2010-10-19 2013-08-15 3M Innovative Properties Company Continuous charting of non-uniformity severity for detecting variability in web-based materials
WO2012115819A1 (en) * 2011-02-24 2012-08-30 3M Innovative Properties Company System for detection of non-uniformities in web-based materials
CN103745942B (zh) * 2013-12-31 2016-10-05 株洲南车时代电气股份有限公司 判断功率半导体模块基板拱度的装置及其方法
MY165130A (en) * 2015-03-31 2018-02-28 Nisshin Steel Co Ltd Surface defect inspecting device and method for hot-dip coated steel sheets
CN109844498B (zh) * 2016-11-30 2022-10-18 杰富意钢铁株式会社 粉末比率测定装置以及粉末比率测定系统
CN109102486B (zh) * 2017-06-21 2020-07-14 合肥欣奕华智能机器有限公司 基于机器学习的表面缺陷检测方法及装置
CN107749058B (zh) * 2017-10-23 2021-05-04 中南大学 一种锅炉管道表面缺陷的机器视觉检测方法及系统
CN108008554B (zh) * 2017-11-27 2020-09-11 武汉精测电子集团股份有限公司 一种基于弥散斑锐度的点缺陷面积检测方法
JP2019111570A (ja) * 2017-12-26 2019-07-11 Ｊｆｅスチール株式会社 ステンレス冷延鋼板の処理の決定方法および処理方法
CN108362746B (zh) * 2018-02-01 2021-07-02 中国石油大学(华东) 基于单对电极电容成像检测技术提离效应的缺陷判别方法
DE102018109816B3 (de) 2018-04-24 2019-10-24 Yxlon International Gmbh Verfahren zur Gewinnung mindestens eines signifikanten Merkmals in einer Serie von Bauteilen gleichen Typs und Verfahren zur Klassifikation eines Bauteils eienr solchen Serie
CN109407630B (zh) * 2018-09-21 2020-08-21 深圳新视智科技术有限公司 参数计算的方法、装置、终端及可读存储介质
DE102018133092B3 (de) * 2018-12-20 2020-03-12 Volume Graphics Gmbh Computer-implementiertes Verfahren zur Analyse von Messdaten aus einer Messung eines Objektes
GB2585821B (en) * 2019-06-17 2021-10-13 Southampton Solent Univ Non-destructive testing method and apparatus
CN111079832B (zh) * 2019-12-13 2023-04-18 辽宁科技大学 具有抗特征噪声性能的钢板表面缺陷分类方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05280960A (ja) * 1992-03-30 1993-10-29 Fuji Photo Film Co Ltd 欠陥検査装置
US5640492A (en) * 1994-06-30 1997-06-17 Lucent Technologies Inc. Soft margin classifier
CN100428277C (zh) * 1999-11-29 2008-10-22 奥林巴斯光学工业株式会社 缺陷检查系统
JP2001256480A (ja) * 2000-03-09 2001-09-21 Hitachi Ltd 画像自動分類方法及び装置

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5038293B2 (ja) * 2006-03-16 2012-10-03 日本碍子株式会社 ハニカム構造体の外壁検査方法
JP2008082821A (ja) * 2006-09-27 2008-04-10 Hitachi High-Technologies Corp 欠陥分類方法及びその装置並びに欠陥検査装置
JP2009186243A (ja) * 2008-02-04 2009-08-20 Nippon Steel Corp 判別装置、判別方法及びプログラム
JP2011112572A (ja) * 2009-11-27 2011-06-09 Nagoya Electric Works Co Ltd 良否判定装置、良否判定方法および良否判定プログラム
JP2011214941A (ja) * 2010-03-31 2011-10-27 Caloria Japan Co Ltd 物体中の異物混入判別装置
JP2012229928A (ja) * 2011-04-25 2012-11-22 Jfe Steel Corp 表面欠陥検出方法、および表面欠陥検出装置
US11182423B2 (en) 2015-12-11 2021-11-23 Canon Kabushiki Kaisha Information presentation method and apparatus

Also Published As

Publication number Publication date
KR20040111529A (ko) 2004-12-31
US20050175231A1 (en) 2005-08-11
WO2003098201A1 (fr) 2003-11-27
TW200401878A (en) 2004-02-01
TW587154B (en) 2004-05-11
CN1656371A (zh) 2005-08-17
EP1507141A4 (en) 2007-01-31
EP1507141A1 (en) 2005-02-16

Similar Documents

Publication Publication Date Title
JP2003344300A (ja) 表面欠陥判別方法
CN110245802B (zh) 基于改进梯度提升决策树的卷烟空头率预测方法及系统
JP6061713B2 (ja) 検査装置、検査方法及びプログラム
CN105975913B (zh) 一种基于自适应聚类学习的道路网提取的方法
JP7196009B2 (ja) 短繊維強化プラスチック部品の射出成形プロセスを最適化するためにｘ線コンピュータ断層撮影データから情報を取得する方法
Gatica et al. Olive fruits recognition using neural networks
CN109934278B (zh) 一种信息增益混合邻域粗糙集的高维度特征选择方法
CN110021028B (zh) 一种基于服装款式图的自动制衣方法
CN112102226A (zh) 数据处理方法、图案检测方法及晶圆缺陷图案检测方法
EP3327470A1 (en) Method of assisting analysis of radiation image and system using the same
CN110968618B (zh) 一种挖掘焊接参数量化关联规则的方法及应用
CN111914902B (zh) 一种基于深度神经网络的中药识别与表面缺陷检测方法
Stanley et al. Data-driven homologue matching for chromosome identification
CN114581764B (zh) 基于深度学习算法的地下结构裂纹病害判别方法
CN110449658A (zh) 板材开料方法及装置
CN104680185A (zh) 基于边界点重分类的高光谱图像分类方法
CN112488983A (zh) 缺陷识别网络的获得方法、缺陷识别方法和等级确定方法
CN116597239B (zh) 一种建筑用回收钢管的加工处理方法及系统
CN108648193B (zh) 生物组织影像识别的方法及其系统、计算机储存介质
CN116071335A (zh) 墙面验收方法、装置、设备及存储介质
CN115512098A (zh) 一种桥梁电子化巡检系统及巡检方法
Chady et al. The application of rough sets theory to design of weld defect classifiers
CN114897863A (zh) 一种缺陷的检测方法、装置以及设备
Chady et al. Multisource system for NDT of welded elements exploited in aircraft industry
CN117132828B (zh) 一种铜管加工过程固体废料的自动分类方法及系统

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20040728

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20060801

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20060925

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20061031

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20070306