JP2006047099A - 検査対象物の表面状態を判定する装置およびプログラム - Google Patents

Abstract

【課題】検査対象物における傷その他の表面状態の判定を効率的に行う。
【解決手段】検査対象物の表面状態判定装置は、該対象物を回転させて、該対象物の画像を順次撮像する撮像手段を備える。該装置は、撮像手段から取得した対象物の画像において、他の領域に対し予め定めたしきい値を超える輝度差を有する要判定領域を検出し、該要判定領域を囲む検査領域を特定する。順次撮像した画像のうち、連続した複数の画像において、該検査領域が、対象物上の同じ位置に特定されたならば、該検査領域が所定の表面状態を含むと判定する。こうして、計算集約的な判定処理を行うことなく、効率的に表面状態の判定を行う。
【選択図】図４

Description

この発明は、検査対象物の表面状態を画像分析により判定する技術に関する。

ギアその他の加工品の表面の傷その他の表面状態の検査は、目視によって行われることが多いが、作業が単純である反面、集中力を必要とし、困難な作業とされている。このため、目視に依存することなくギアその他の加工品の検査を行うことのできる装置が必要とされている。

特許文献１には、ギア歯面を撮影し、得られた画像の輝度を評価してギア歯面の打痕等の傷の有無を判別する方法が記載されている。１つのギアについて所定の間隔をおいて検査すべきギア歯面およびその歯面と異なるギア歯面を撮影して、異なる歯面に関する実質的に同一方向からの複数の画像を作成し、画像間の輝度の差を表す差分画像を作成する。この差分画像を加算して加算画像を作成し、加算画像の輝度と基準値とを比較することにより、打痕の有無を判別する。

特許文献２には、ニューラルネットワークを用いて対象物の画像から自己組織化マップを作成し、同じ画像に対応するニューロンのクラスタを形成し、このクラスタを用いて対象物の画像の認証を行う手法が記載されている。
特許出願公開番号昭63-201556 特許出願公開番号2002-109541

特許文献１に記載される技術では、ギアその他の加工品の表面の色ムラや切削痕など傷ではないが他の画像領域と輝度の異なる領域（以下、過検出、または過検出領域と呼ぶ）を多く検出してしまい、この中から傷その他の表面状態を検出するために相当な目視作業を必要とすることになる。

特許文献２のように、自己組織化マップを用いて検査対象物を認識する手法は、認識の精度を向上させることができる。しかしながら、該対象物上に検出される、傷その他の表面状態および過検出を潜在的に含むすべての領域について、このような計算集約的な処理を行うと、傷その他の表面状態の判定に要する時間が増大するおそれがある。

この発明は、目視による判定の労力を軽減させつつ、より効率的に検査対象物の表面状態を判定することのできる手法を提供する。

この発明の表面状態判定装置は、一形態（請求項１）では、検査対象物を相対的に回転させて、該対象物の画像を順次撮像する撮像手段と、撮像手段から取得した対象物の画像において、他の領域に対し予め定めたしきい値を超える輝度差を有する要判定領域を検出し、該要判定領域を囲む検査領域を特定する手段と、順次撮像した画像のうち、連続した複数の画像において、該検査領域が、対象物上の同じ位置に特定されたならば、該検査領域が所定の表面状態を含むと判定する判定手段と、を備える。

対象物上の傷、打痕、剥離などの所定の表面状態は、単なる色ムラ等の過検出とは異なり、様々な方向に光を反射するので、対象物の相対的な回転に従って順次撮像した画像のうち、複数の連続した画像にわたって対象物上の同じ位置に検出されるという特性を有する。したがって、複数の連続した画像にわたって対象物上の同じ位置に該検査領域が特定されたかどうかに基づいて所定の表面状態を判定することにより、判定に要する処理時間を抑制して、効率的に判定を実施することができる。

この発明の一実施形態（請求項２）では、判定手段は、所定数以上の連続した画像において、該検査領域が、対象物上の同じ位置に特定されたならば、該検査領域が所定の表面状態を含むと判定する。該所定の表面状態を含むと判定された検査領域以外の検査領域については、予め定めた複数のパラメータに関して該検査領域の特徴を抽出し、該抽出した特徴に基づいて該検査領域が該所定の表面状態を含むかどうかを判定する。この形態よれば、所定数以上の連続した画像において検査領域が同じ位置に特定されたならば、所定の表面状態を含むと判定し、それ以外の検査領域については、該検査領域の特徴を用いたより計算集約的な手法で表面状態を判定する。こうして、第１の段階では、より簡単な手法で表面状態を判定し、第１の段階で判定できなかった検査領域については、より精細な手法で表面状態を判定するので、判定の精度を向上しつつ、判定を効率的に行うことができる。

また、この発明の一実施形態（請求項３）では、対象物はギアであり、判定手段は、順次撮像した画像のうち、連続した複数の画像において、該検査領域が、該ギアの歯幅方向に対して同じ位置に特定されたならば、該検査領域が所定の表面状態を含むと判定する。

次に図面を参照して、この発明の実施形態を説明する。図１は、検査の対象物がギア１１であるときの撮像装置の構成を示す。ギア１１は、回転テーブル１５に取り付けられ、台座１７に設けられた図示しないステップモータによってギア歯のピッチでステップ状に回転される。ギア１１は、照明装置１９によって照射されている。CMOSイメージセンサを備えたカメラ２１が、ギア１１の歯面を撮影する。撮影は、ギア１１のステップ状の回転と同期して行われ、一歯回転するたびに、歯面ごとに静止画像が撮影される。一実施例では、照明装置１９は、青色発光ダイオードを用いるが、ランプその他の照明装置を使用することもできる。また、カメラ２１には、測定可能な輝度レンジの広いワイドダイナミックレンジCMOSカメラを用いることにより、傷の判定に適した良好な画像が得られる。対象物によっては、CCDイメージセンサを用いたカメラを使用することもできる。

位置決めセンサ１８は、一般に近接センサと呼ばれるもので、検出コイルにより高周波磁界を発生する。この磁界に金属の検出物体が近づくと電磁誘導により、検出物体に誘導電流（渦電流）が流れる。この電流によって検出コイルのインピーダンスが変化して、高周波の発振が停止することで、検出物体の接近を検出する。この実施例では、ギアの歯の山の接近をこの近接センサによって検出する。位置決めセンサ１８からの信号は、コンピュータ２３（図２）に送られ、タイミング部２４が、該ギアの歯山の検出に応じて、カメラ２１に信号を送る。カメラ２１は、この信号に応答してギアを撮影する。

図２は、カメラ２１で撮影した画像を処理するコンピュータ２３の機能ブロックを示す。コンピュータ２３は、パーソナル・コンピュータ、ワークステーションその他のコンピュータであってよい。コンピュータ２３は、演算を実行するプロセッサ（CPU）、様々なデータおよびプログラムを記憶する記憶装置、ユーザが該プロセッサに処理をさせるためのデータを入力するマウスおよびキーボードなどの入力装置、および該プロセッサによる処理結果を表示する表示装置（ディスプレイ）、および該処理結果を出力するプリンタなどの出力装置を備えることができる。記憶装置は、ＲＯＭおよびＲＡＭなどのメモリおよびディスク装置などの補助記憶装置を含むことができる。図の各機能ブロックによる処理は、プロセッサにより実行される。

画像取得部２５は、カメラ２１から歯面ピッチごとに撮影される画像を受け取り、差分画像生成部２７に渡す。差分画像生成部２７は、今回取得した画像と、前回取得した画像、すなわち１ピッチ前のギア歯面の画像との差分をとる。傷その他の表面状態のないギアの歯面は、どれも実質的に同じであるから、差分をとると、全体的に輝度の小さい画像になる。ギア歯面に打痕および剥離などの傷がついていると、傷の部分の輝度が他の部分と異なるため、差分画像に大きな輝度の部分として現れる。

２つの画像の差分をとると、輝度値が負の値をとる画素があるので、差分の輝度値に中間輝度の128を加算して、すべての画素の輝度値を正の値にする。128を加算することによって輝度値が255を超える画素は、輝度値を255とし、128を加算しても負の値になる画素は、輝度値を0とする。こうして、差分画像の輝度値のレンジを0から255に整える。

図３の（Ａ）を参照すると、検査領域設定部２８は、差分画像からしきい値より大きい輝度の領域を潜在的な傷領域３１として検出し、この領域を囲む領域３３を検査領域として設定する。検査領域３３の形状は、この実施例では四角形であるが、その他の多角形であってもよく、または円形もしくは楕円形であってもよい。その大きさは、潜在的な傷領域３１に応じて、傷領域３１を囲むに十分な大きさに設定される。

図４を参照すると、ギアを回転させて、一歯ごとにギアの歯面を撮影した場合の、連続した３枚の画像６１の例が示されている。符号６２は、該画像６１に撮影されたギアを示す。ギアの歯幅は、長さＷで表されている。撮影サイクルをｎにより表すと、図４の（Ａ）は、ｎサイクル目に撮影された画像であり、（Ｂ）は（ｎ＋１）サイクル目に撮影された画像であり、（Ｃ）は（ｎ＋２）サイクル目に撮影された画像である。これらの画像には、検査領域３３が設定されている。これらの３枚の画像は、ギアが一歯回転するたびに撮影されたものなので、検査領域３３が、ｎ、（ｎ＋１）、（ｎ＋２）サイクルにわたり、画像の高さ方向においては、ｈ１、ｈ２、ｈ３と移動しているが、ギアの歯幅方向における位置は、ｗ’と一定である。

ギアの表面における打痕および剥離などの傷その他の表面状態は、色むらなどの過検出とは異なり、様々な方向に照明光を反射するという特性を有する。傷その他の表面状態がこのような特性を持つので、ギアをカメラに対して相対的に回転させながら画像を順次取得すると、傷は、連続した複数の画像にわたって、ギアの歯幅方向の同じ位置に検出される。言い換えると、検査領域が傷を含んでいれば、該検査領域は、図４に示すように、連続した複数の画像にわたって、ギアの歯幅方向の同じ位置に検出される。こうして、検査領域が、連続した複数の画像にわたって設定されるかどうかに従い、色むらや汚れのような過検出と区別して、傷その他の表面状態を良好に検出することができる。

検査領域設定部２８は、検査領域の位置情報（この例では、歯幅方向の位置、および該検査領域が設定されたサイクル）、および該検査領域の画像を、たとえば図５に示すようなマップとして、コンピュータ２３の記憶装置に記録することができる。図５を参照すると、横軸は、ギアの歯幅方向の位置を表しており、縦軸はサイクルを表す。この例では、ギアの歯幅Ｗを２０等分し、ギアの歯幅方向の位置をｗ０〜ｗ１９により特定する。また、この例では、撮影は一歯ごとに行われ、ギアの歯数が３９個であるので、サイクルは、０〜３８により特定される。サイクルの値により、ギアの歯を特定することができる。Ａ１〜Ａ４は、歯幅方向に対する位置ｗ４において、３０番目のサイクルから３４番目のサイクルにわたって検査領域３３が特定されたことを示す。Ｂ１〜Ｂ３は、歯幅方向に対する位置ｗ１９において、３０番目のサイクルから３２番目のサイクルにわたって検査領域３３が特定されたことを示す。Ｃ１は、歯幅方向に対する位置ｗ１０において、１６番目のサイクルにおいて検査領域３３が特定されたことを示す。Ｄ１およびＤ２は、歯幅方向に対する位置ｗ１９において、１６番目のサイクルおよび１７番目のサイクルにおいて検査領域３３が特定されたことを示す。

図２に戻り、第１の判定部２９は、記憶装置に記憶された、検査領域の歯幅方向の位置およびサイクルについての情報を参照する。第１の判定部２９は、連続して、歯幅方向の同じ位置に検査領域３３が所定回数（たとえば、３回）以上設定されたかどうかを判断する。Ａ１〜Ａ４およびＢ１〜Ｂ３のように、歯幅方向の同じ位置に検査領域３３が該所定回数以上設定されたならば、図４を参照して説明したように、該検査領域３３は、傷その他の表面状態を含むと判定する。Ｃ１およびＤ１〜Ｄ２のように、傷その他の表面状態と判定された検査領域以外の検査領域については、検査必要領域とする。検査必要領域については、より精細に、傷その他の表面状態を含むかどうかを判断する必要があるので、特徴抽出部４１および第２の判定部４２による処理に供される。

特徴抽出部４１は、第１の判定部２９によって検査必要領域と判断された検査領域３３について、次の６つのパラメータを抽出する。

（１）潜在的な傷領域３１の面積S_A
検査領域を、縦軸をi、横軸をjとする座標で表示し、傷領域３１の境界線の座標を用いた積分演算により面積S_Aを求める。

（２）傷領域３１を楕円近似したときの歯スジに対する長軸の傾きθ_A
ギアに生じることの多い打痕は、楕円近似することができる。図３の（Ｂ）において、図形の近似プログラムを用いて傷領域３１を近似する楕円の近似式を求める。近似式は、既知のプログラムを用いて求めることができる。典型的には、多変量の非線形最小二乗法によるあてはめプログラムを用いて近似式を求める。こうして求めた楕円の長軸３７とギアの歯スジ１３（図１）に平行な直線３５とのなす角度θ_Aを求める。

（３）検査領域３３の輝度値エントロピーentB
潜在的な傷領域３１を含む検査領域３３の輝度値のエントロピーを次の式により求める。輝度値エントロピーは、輝度値分布の情報量を表し、情報量が大きいことは、輝度値分布の乱雑度が大きいことを表す。

この実施例では、輝度値エントロピーとして、輝度値0から255までの輝度値分布の乱雑性を用いた。数１で、ｐは輝度値、rel[p]は、輝度値ｐの頻度である。

図６は、輝度値ヒストグラムの例を示す。打痕その他の傷を有するギア歯面の場合、その画像の差分の画像に傷が多様な輝度値をもつ画素領域として現れるので、輝度値エントロピーが大きい。図６の（Ａ）は、種々の輝度値を有する画素がランダムに存在する画像の輝度値ヒストグラムである。中間輝度128を中心に広く輝度値が分布しており、エントロピーが大きい。図６の（Ｂ）は、輝度値のばらつきが小さい画像の輝度値ヒストグラムであり、エントロピーが小さい。

（４）検査領域３３の輝度値アニソトロピーansB
検査領域３３の輝度値のアニソトロピーは、次の式で表される。アニソトロピーは、輝度値分布の対称性の度合いを示す。

この式で、ｋは、出現頻度が最小の輝度値である。つまり、ansBは、検査領域３３における０から最小の輝度値までの輝度値エントロピーを０から全輝度値のエントロピーで割った値である。輝度値分布が中間輝度値125の左右で対称のとき、ansB = -0.5 となる。ansB が-0.5に近づくほど対称性が高く、アニソトロピーが小さい。ansBが-0.5から離れて0または-1に近づくほど対称性が低く、アニソトロピーが大きい。

図７を参照すると、（Ａ）のような輝度値ヒストグラムは、輝度値が中間値の128を中心として偏りなく分布しているので、対称性が高く、アニソトロピーは小さい。図７（Ｂ）の輝度値ヒストグラムは、中間値128の左側と右側で輝度値の分布が異なり、対称性が低く、アニソトロピーが大きい。（Ｂ）で出現頻度が最小の輝度値が230であるとすると、ansBが-1に近い値となる。

（５）潜在的傷領域３１の円形度Ｃ_Ａ
傷領域３１の円形度Ｃ_Ａ は、次の式で表される。

この式で、Ｓ_Ａ は、傷領域３１の面積、r_max は、傷領域３1の重心から領域３３の端部までの最大距離である。

（６）検査領域３３のエッジ画像の平均輝度edgB
検査領域３３の面積をＳ_Ｂで表すと、検査領域３３のエッジ画像の平均輝度edgB は、次の式で求められる。

ここで、i、j は、画素の座標を示し、P(i,j)は、座標i, j の画素の輝度値を示す。ΔP(i,j) は、P(i,j) の上下（i軸方向）に隣接する２つの画素の輝度値の差分の二乗と、左右（j軸方向）に隣接する２つの画素の輝度値の差分の二乗との和の平方根である。ΔP(i,j)は、隣接する画素の輝度値の差分の大きさを表す。隣接画素の輝度値の差分をとることは、画像において輝度値の変化の大きいエッジ部分を強調した画像、すなわちエッジ画像、を生成することに相当する。edgB は、隣接画素の輝度値の差分の大きさの総和を領域３３の面積で割ったもので、エッジ画像の平均輝度を示す。

こうして求めた６つのパラメータのそれぞれについて、たくさんの検査領域のサンプルについての最大値および最小値を用いて、次の式により正規化する。

正規化＝（得られた値 ― 最小値）/（最大値 ― 最小値）
この正規化により、それぞれのパラメータは、0から１の範囲の値をとる。こうして、潜在的傷領域３１を含む検査領域３３は、６つの特徴パラメータの数値ベクトルで表すことができる。

図８は、こうして得られた特徴ベクトルを示す。図８の（Ａ）は、打痕に対応する特徴ベクトルを示す。図８の（Ｂ）は、ギア歯面の色ムラ（過検出）の特徴ベクトルを示す。潜在的傷領域３１の面積パラメータS_A、楕円近似したときの長軸の傾きθ_A 、およびアニソトロピーansB については両者の間に大きな相違はないが、輝度値エントロピーentB 、円形度Ｃ_Ａ、およびエッジ画像の平均輝度edgB について大きな相違があることがわかる。

図２に戻ると、特徴抽出部４１は、上述のようにして、検査領域３３から特徴ベクトルを抽出する。一実施例では、特徴抽出部４１は、上述の６つのパラメータからなる特徴ベクトルを抽出する。代替実施例では、特徴抽出部４１は、検査領域の輝度値エントロピー、潜在的傷領域の円形度および検査領域のエッジ画像の平均輝度の３つのパラメータからなる特徴ベクトルを抽出する。

第２の判定部４２は、予め多数のサンプルでのテストに基づいて生成した傷モデルの特徴ベクトルと特徴抽出部４１で抽出された特徴ベクトルとの距離を算出し、距離が判定のしきい値より小さい傷モデルがあるとき、傷ありの判定を行う。距離が判定しきい値より小さい傷モデルがないときは、検査領域に含まれるのは、傷ではなく、過検出であると判定する。

代替実施例では、第２の判定部４２は、後述するように、学習機能をもつニューロコンピュータで構成される。

傷その他の表面状態を判定する処理のフロー
図９は、この発明の一実施例におけるギアのすべての歯面について、傷その他の表面状態を判定する処理の流れを示すフローチャートである。ギア１１を図１の回転テーブルに取り付け、照明装置１９を起動させてから処理に入る。ステップＳ１０１でギア１１のすべてのギア歯面が検査されたかどうかを判定し、未了であればステップＳ１０３に移る。すべてのギア歯面が検査されたかどうかの判定は、ギア１１の歯数をカウンタにセットしておき、１つの歯についての処理が終了するごとにカウンタをデクリメントし、このカウンタの値を点検することによって行う。

ステップＳ１０３では、ギア１１を一歯分、回転させ、位置決めセンサ１８がオンになった位置で停止し、位置決めをする。位置決めセンサ１８は、ギア１１の回転位置が所定の位置になったとき信号を出すよう設定されている。

続いてステップＳ１０５で、ギア１１を撮影し、その画像を画像処理用パーソナル・コンピュータ２３に送る。撮影回数が１であるとき(Ｓ１０７)、すなわちギア１１の最初の歯の撮影をしたばかりのときは、差分画像を用いた画像処理ができないので、この画像は保存しておき、次の歯を撮影するため、ステップＳ１０１に戻る。

ステップＳ１０９では、上述したように２つの連続する歯の画像から差分画像を生成し、潜在的傷領域３１（図３）を囲む検査領域３３を設定する。次にステップＳ１１１では、設定した検査領域３３について、ギアの歯幅方向に対する位置、上記のカウンタの値（これは、サイクルを識別する）、および該検査領域の画像を記憶する。その後、ステップＳ１０１に戻る。

こうして、ステップＳ１０１の判断がＮｏになったとき、ギアの全歯について、検査領域の歯幅方向の位置、該検査領域が設定されたサイクル、および該検査領域の画像が記憶されており、図５に示すようなマップを生成することができる。

ステップＳ１１３では、該マップを参照して、所定回数以上の連続したサイクルにわたって、歯幅方向の同じ位置に設定された検査領域が存在するかどうかを調べる。存在するならば、該検査領域が傷その他の表面状態を含むと判定する（第１の判定）。

ステップＳ１１５において、該マップを参照し、傷その他の表面状態を含むと判定された検査領域以外の検査領域、すなわち検査必要領域が存在するかどうかを調べる。検査必要領域が存在するならば、ステップＳ１１７において、該検査必要領域から特徴ベクトルを抽出し、ステップＳ１１９において、該特徴抽出ベクトルと予め生成された傷モデルの特徴ベクトルとの距離を算出し、該検査必要領域が傷その他の表面状態を含むかどうかを判定する（第２の判定）。

第２の判定部の代替実施例
次に、図２の第２の判定部４２の第２の実施例を説明する。第２の実施例では、自己組織化マップに基づいて生成された判定データマップを用いて、傷その他の表面状態の判定を行う。

この実施例では、40×40 のニューロンを用いて自己組織化マップを生成する。図１０は、３つのニューロンN_j-1、N_j、N_j+1を示す。ω_j=(ω_j0、ω_j1、・・・、ω_jm )は、ニューロンN_jの結合係数ベクトルであり、χ=(χ₀、χ₁、・・・、χ_m )は、入力ベクトルである。自己組織化マップは、自己組織化特徴マップとも呼ばれ、学習なしアルゴリズムである。このマップは、入力データ中の隠れた特徴を抽出して自動的に学習を行い、入力データに対して選択的に反応するマップを生成する。自己組織化マップは、コホーネン(Kohonen)が提案したもので、たとえば産業図書株式会社発行の「ニューロ・ファジイ・遺伝的アルゴリズム」1994年、に解説されている。

この実施例での入力ベクトルは、複数のサンプルの検査領域３３について、特徴抽出部４１（図２）により抽出された特徴ベクトルである。自己組織化マップは、次のステップで作成される。

１）ステップ１：ネットワーク初期化：
ニューロンの結合ベクトルω_j=(ω_j0、ω_j1、・・・、ω_jm )をすべてのニューロンについて乱数を用いて決定する。

２）ステップ２：入力ベクトル入力：
入力ベクトルχ=(χ₀、χ₁、・・・、χ_m )をそれぞれのニューロンに与える。各ニューロンと入力ベクトルとの関係は図８に示すとおりである。

３）ステップ３：ニューロンの結合係数ベクトルと入力ベクトルの距離計算：
それぞれのニューロンの結合ベクトルと入力ベクトルとの距離を次の式により計算する。

４）ステップ４：勝者ニューロン決定：
距離d_j が最小となるニューロンを選定する。このニューロンを勝者ニューロンと呼び、j*で表す。

５）ステップ５：結合係数ベクトルの学習：
勝者ニューロンとその近傍のニューロンのそれぞれの結合係数（重み）を次の式に従い更新する。

ηは、正の定数で、この実施例では0.05とする。h(j,j*)は、近傍関数と呼ばれ、次の式で表される。

σ(t)は学習経過とともに小さくなっていく。したがって、近傍関数の範囲は、図１１に円で示すように学習の初期は広く、学習の進行とともに狭くなっていく。つまり、学習の進行とともに粗調整から微調整へと変化する。このように近傍関数は、マップを効果的に生成させる。図１１は、勝者ニューロンを小さい円９１で示し、これを囲む近傍関数を大きい円９３で表している。

６）ステップ６：ｔ更新、入力ベクトル入力にもどる：
学習回数tをt+1に更新し、ステップ２の入力ベクトルの入力にもどり、ステップ２〜６を繰り返し、結合係数ベクトルの更新を繰り返す。

自己組織化マップでは、勝者ニューロンとその近くのニューロンはすべてその時の入力ベクトルに近づく。学習の初期は、近傍関数によって多くのニューロンが近くとみなされ、おおまかなマップが形成される。学習の進行とともに近傍関数によって勝者ニューロンの近くとみなされるニューロン数が少なくなる。そのため、局所的な微調整が進み、空間的な解像度が上がる。

複数のサンプルについて取得した、傷その他の表面状態または過検出を含む検査領域３３の特徴ベクトルをすべて順番に、またはランダムに選択して自己組織化マップに入力して学習させることで、入力した特徴ベクトルの類似関係を反映した自己組織化マップを生成することができる。すなわち、類似した特徴を持つクラスタが自己組織化マップ上で寄り集まる結果になる。

図１２は、このようにして得られた自己組織化マップを示す。実施例では、40×40のニューロンを用いたが、図１２では簡単のために20×20のマップとして示す。図１２でそれぞれの升目が一つのニューロンに対応する。実線で区切られた(1)、(2)、・・・(28)のブロックは、次のようにして決定されたクラスタを表す。

自己組織化マップのそれぞれのニューロン位置に、その結合係数ベクトルとの距離が最も小さい特徴ベクトルを有する検査領域３３の画像を配置する。この検査領域３３は、自己組織化マップの生成に使用された複数のサンプルのうちの一つである。同じ画像を有する隣接するニューロンを選択してグループ化する。こうして形成されたニューロンのグループをクラスタと呼ぶ。ここでのグループ化は、既存の描画プログラムで使われているグループ化機能と同じで、グループ化されたニューロンは、グループ全体として選択し、プロパティを設定することができる。

次いで、それぞれのクラスタに配置された画像を目視で確認して、この検査領域３３に含まれるのが傷その他の表面状態であるのか、あるいは表面ムラのような過検出であるのかを判定する。この判定結果をクラスタのプロパティとして設定する。具体的には、初期状態としてすべてのクラスタのプロパティ・フィールドに「過検出」が入力されている状態で、コンピュータのディスプレイ上に自己組織化マップを表示し、傷と判定されたクラスタをマウスで右クリックして「傷」に変更入力する。このようにクラスタ単位でニューロンを分類することができるので、作業時間を短縮することができる。

図１３は、こうしてクラスタが分類されたマップ（判定データマップ）を示す。図においてハッチングを施されたクラスタ（１）、（２）、（６）、（１０）、（１１）、（１２）、（１３）、（１５）、（１６）、（２２）、（２７）、（２８）が「傷」に分類されたクラスタであり、ハッチングのないクラスタが「過検出」のクラスタである。この判定データマップをコンピュータ２３（図２）の記憶装置に登録し、これが、第２の判定部４２によって傷の判定に使用される。

第２の判定部４２によって実施される、傷判定の具体的手法について説明する。第２の判定部４２は、特徴抽出部４１から受け取った特徴ベクトルと、判定データマップの結合係数ベクトルとの距離を求める。この距離は、上に示した［数５］に従って算出される。この距離が小さい順にニューロンを選択し、予め定めた数、たとえば１０個以下のニューロンを選び、これを囲む円または楕円を近傍領域とする。判定データマップの生成過程から明らかなように、結合係数ベクトルが近似したニューロンがクラスタとしてグループ化されているので、上記のようにして距離が小さい順にニューロンを選択すると、互いに隣接したニューロンのかたまりが選択される。このニューロンのかたまりを囲む円または楕円を近傍領域とする。たとえば、図１４を参照すると、円５７が近傍領域を規定している。

円５７は、選択されたニューロンのかたまりの判定データマップ上の配列からこれらのニューロンのかたまりの中心位置を求め、この中心からこのニューロンの固まりの最も遠くにあるニューロンまでの距離を半径とする円として求めることができる。

こうして選ばれた円または楕円で規定される近傍領域に含まれる傷クラスタに属するニューロンの数（K）と近傍領域内のニューロンの総数(S)との比、(K)/(S)に基づいて傷の判定を行う。(K)/(S)≧D のとき、傷と判定し、(K)/(S)<D のとき、過検出と判定する。Dは予め設定したしきい値であり、たとえば0.5である。このようにして、傷その他の表面状態と過検出とを判別する。図１４の例では、円５７の中に傷クラスタ（１２）に属するニューロンが７個あり、円５７内のニューロンの総数は、１２であるので、(K)/(S) = 8/12 = 0.67 であり、よって、今回の検査領域３３に含まれているのは、傷であると判定される。

こうして、本願発明によれば、第１の判定では、所定回数以上連続した画像にわたってギア上の同じ位置に検査領域が特定されるかどうかに従い、該検査領域が傷その他の表面状態を含むかどうかを判定する。こうして、傷その他の表面状態の特性を用いることにより、効率的に判定を行うことができる。また、第２の判定では、第１の判定では判定しきれなかった検査領域について、該検査領域から抽出した特徴ベクトルを用いて、所定の傷モデルの特徴ベクトルと比較することにより、または自己組織化マップに基づき、該検査領域が傷その他の表面状態を含むかどうかを判定する。第２の判定により、第１の判定では判定しきれなかった検査領域について、より精細に判定を行うことができる。このような２段階の判定により、効率的に、かつ良好な精度で傷その他の表面状態の判定を行うことができる。

以上この発明を具体的な実施例について説明したが、この発明はこのような実施例に限定されるものではない。

この発明の一実施例に従う、ギア歯面の撮影装置の全体的構成を示す構成図。 この発明の一実施例に従う、画像処理コンピュータの全体的構成を示す機能ブロック図。 この発明の一実施例に従う、潜在的傷領域と検査領域の関係を示す図。 この発明の一実施例に従う、第１の判定に従って傷を判定する手法を示す図。 この発明の一実施例に従う、検査領域に関するデータに基づき生成されるマップを示す図。 この発明の一実施例に従う、エントロピーの異なる輝度値ヒストグラムを示す図。 この発明の一実施例に従う、アニソトロピーの異なる輝度値ヒストグラムを示す図。 この発明の一実施例に従う、特徴ベクトルを示す図。 この発明の一実施例に従う、ギア歯面の傷を判定する処理の流れを示すフローチャート。 この発明の一実施例に従う、ニューラルネットワークの部分的な構成を示す図。 この発明の一実施例に従う、自己組織化マップの生成過程を示す図。 この発明の一実施例に従う、クラスタに区分けした自己組織化マップを示す図。 この発明の一実施例に従う、自己組織化マップから生成した判定データマップを示す図。 この発明の一実施例に従う、判定データマップを用いた傷判定を説明するための図。

符号の説明

１１ ギア
１９ 照明装置（ＬＥＤ）
２１ カメラ
２３ コンピュータ

Claims (6)

1. 検査対象物の表面状態を判定する装置であって、
   前記対象物を相対的に回転させて、該対象物の画像を順次撮像する撮像手段と、
   前記撮像手段から取得した前記対象物の画像において、他の領域に対し予め定めたしきい値を超える輝度差を有する要判定領域を検出し、該要判定領域を囲む検査領域を特定する手段と、
   前記順次撮像した画像のうち、連続した複数の画像において、前記検査領域が、前記対象物上の同じ位置に特定されたならば、該検査領域が所定の表面状態を含むと判定する判定手段と、
   を備える装置。
2. 前記判定手段は、所定数以上の前記連続した画像において、前記検査領域が、前記対象物上の同じ位置に特定されたならば、該検査領域が前記所定の表面状態を含むと判定し、該所定の表面状態を含むと判定された検査領域以外の検査領域については、予め定めた複数のパラメータに関して該検査領域の特徴を抽出し、該抽出した特徴に基づいて該検査領域が該所定の表面状態を含むかどうかを判定する、
   請求項１に記載の装置。
3. 前記対象物はギアであり、前記判定手段は、前記順次撮像した画像のうち、前記連続した複数の画像において、前記検査領域が、該ギアの歯幅方向に対して同じ位置に特定されたならば、該検査領域が前記所定の表面状態を含むと判定する、
   請求項１に記載の装置。
4. コンピュータに、検査対象物の表面状態を判定させるプログラムであって、
   前記対象物を相対的に回転させて該対象物の画像を順次撮像する撮像装置により取得した該対象物の画像において、他の領域に対し予め定めたしきい値を超える輝度差を有する要判定領域を検出し、該要判定領域を囲む検査領域を特定する機能と、
   前記順次撮像した画像のうち、連続した複数の画像において、前記検査領域が、前記対象物上の同じ位置に特定されたならば、該検査領域に、所定の表面状態が含まれると判定する判定機能と、
   を実現させるコンピュータ・プログラム。
5. 前記判定機能は、さらに、所定数以上の前記連続した画像において、前記検査領域が、前記対象物上の同じ位置に特定されたならば、該検査領域に前記所定の表面状態が含まれると判定し、該所定の表面状態が含まれると判定された検査領域以外の検査領域については、予め定めた複数のパラメータに関して該検査領域の特徴を抽出し、該抽出した特徴に基づいて該検査領域が該所定の表面状態を含むかどうかを判定する機能を含む、
   請求項４に記載のコンピュータ・プログラム。
6. 前記対象物はギアであり、前記判定機能は、さらに、前記順次撮像した画像のうち、前記連続した複数の画像において、前記検査領域が、該ギアの歯幅方向に対して同じ位置に特定されたならば、該検査領域に前記所定の表面状態が含まれると判定する機能を含む、
   請求項４に記載のコンピュータ・プログラム。

Images