JP2010139317A - 軸物工具表面の欠陥検査方法および装置 - Google Patents

Abstract

【課題】複雑な構造を有する軸物工具の表面における欠陥を検査することができる軸物工具表面の欠陥検査方法および装置を提供する。
【解決手段】欠陥検査装置が、軸物工具の表面を撮影した画像が入力され、該入力された画像を予め定められている画像サイズに分割する画像分割部と、画像分割部の分割した画像を入力データとして、予め学習されている第１のニューラルネットワークにより出力値を算出する第１のニューラルネットワーク処理部と、第１のニューラルネットワーク処理部の算出した出力値に基いて、軸物工具の表面に欠陥があるか否かを判定する欠陥有無判定部と、を有する。
【選択図】図１

Description

本発明は、軸物工具表面の剥離欠陥の自動検出に必要な、軸物工具を含む画像からの刃面に相当する箇所の認識と切り出し、刃面上で欠陥の有無判定、および、欠陥がある場合にその種類を識別する検査装置に関する。

工具の切れ刃面の欠陥検査の自動化に関し、拡散照明により検査に適した画像をＣＣＤカメラで捉えること、および、採取した画像に対し、２値化処理、境界線検出処理、ハフ変換処理などの画像処理を行い、切れ刃形状を検出し欠陥の程度を数値的に求める技術が知られている（特許文献１参照）。

また、ギア表面の表面状態を診断するため対象領域の画像輝度の変化により検査対象領域を抽出するとともに、抽出された領域の形状を表現する特徴ベクトルを入力とする自己組織化ニューラルネットモデルにより抽出領域の正常あるいは異常を識別する方法およびその実現装置が知られている（特許文献２参照）。

また、繊維表面の欠陥を認識する目的に対し、一定の面積を操作して得られた繊維表面の領域について画像における輝度あるいは強度データを入力とし欠陥パターン値を出力とする階層型ニューラルネットモデルによる欠陥認識方法および装置が知られている（特許文献３参照）。

また、半導体ウェファや液晶ガラス基板の表面欠陥を認識する課題に関し、光学的処理装置と階層型ニューラルネットにより欠陥に関する情報を入力してその結果４層からなる階層型ニューラルネットモデルが欠陥種を識別して提示する装置およびプロセス管理システムが知られている（特許文献４参照）。

上述したように、製品の結果検査の自動化については、半導体ウェファの欠陥検査、繊維布の損傷認識、ギア表面の傷の検査などで発明考案が行われており、画像処理の技術やニューラルネットモデルによる情報処理技術を利用した検査の自動化が試みられている。
特開２００１−２６４０３２号公報 特開２００６−０４７０９８号公報 特表２０００−５１６７１５号公報 特開平８−０２１８０３号公報

ところで、エンドミルという工具が知られている。このエンドミルは、軸物工具であり、平面ではなく、立体的な構造を有している。また、このエンドミルは、その形状として、外周の領域と底刃の領域とを有していること、また、外周の領域には複数の刃を有している。

このように、複雑な構造を有しているエンドミルなどの軸物工具の表面における欠陥を検査する場合には、エンドミルが、立体物であること、外周の領域と底刃の領域とを有していること、外周の領域には複数の刃を有していること、などの理由のために、上述した技術では検査できないという問題がある。そのため、エンドミルなどの軸物工具の表面における欠陥の認識と識別については、熟練した作業者の目視検査に頼っているのが実情である。しかし、製品によっては全数検査が必要であるため、目視検査の自動化が強く求められている。

本発明は、このような事情に鑑みてなされたもので、その目的は、複雑な構造を有する軸物工具の表面における欠陥を検査することができる軸物工具表面の欠陥検査方法および装置を提供することにある。

この発明は上述した課題を解決するためになされたもので、請求項１に記載の発明は、軸物工具の表面を撮影した画像が入力され、該入力された画像を予め定められている画像サイズに分割する画像分割手順と、前記画像分割手順で分割した画像を入力データとして、予め学習されている第１のニューラルネットワークにより出力値を算出する第１のニューラルネットワーク処理手順と、前記第１のニューラルネットワーク処理手順で算出した出力値に基いて、前記軸物工具の表面に欠陥があるか否かを判定する欠陥有無判定手順と、を有していることを特徴とする軸物工具表面の欠陥検査方法である。

請求項２に記載の発明は、軸物工具の表面を撮影した画像が入力され、該入力された画像を予め定められている画像サイズに分割する画像分割部と、前記画像分割部の分割した画像を入力データとして、予め学習されている第１のニューラルネットワークにより出力値を算出する第１のニューラルネットワーク処理部と、前記第１のニューラルネットワーク処理部の算出した出力値に基いて、前記軸物工具の表面に欠陥があるか否かを判定する欠陥有無判定部と、を有していることを特徴とする軸物工具表面の欠陥検査装置である。

請求項３に記載の発明は、前記軸物工具が、側面に刃を複数有する軸物工具であり、前記予め定められている画像サイズが、前記軸物工具が有する複数の側面の刃のうち、１つの側面の刃が含まれる画像となるような画像サイズとして予め定められており、前記画像分割部が、前記入力された画像を、前記軸物工具が有する複数の側面の刃のうち１つの側面の刃が含まれる画像サイズに分割する、ことを特徴とする請求項２に記載の軸物工具表面の欠陥検査装置である。

請求項４に記載の発明は、前記軸物工具の表面に欠陥があると前記欠陥有無判定部が判定した場合に、前記画像分割部の分割した画像を入力データとして、予め学習されている第２のニューラルネットワークにより出力値を算出する第２のニューラルネットワーク処理部と、前記第２のニューラルネットワーク処理部の算出した出力値に基いて、前記軸物工具の表面にある欠陥の種類を判定する欠陥種類判定部と、を有していることを特徴とする請求項２または請求項３に記載の軸物工具表面の欠陥検査装置である。

請求項５に記載の発明は、前記軸物工具表面の欠陥検査装置が、前記画像分割部が分割した画像に基いて、予め定められている判定方法により、前記軸物工具の表面において前記画像分割部が分割した画像が該当する部位を検出する部位検出部、を有し、前記第１のニューラルネットワーク処理部が、前記画像分割部の分割した画像が該当する部位毎に、予め学習されている複数のニューラルネットワークである部位毎ニューラルネットワーク処理部を有しており、前記第１のニューラルネットワーク処理部が、前記ニューラルネットワーク処理部が前記画像分割部の分割した画像を入力データとして予め学習されているニューラルネットワークに入力して出力値を算出する場合に、前記部位検出部が検出した部位に該当する前記部位毎ニューラルネットワーク処理部が、前記画像分割部の分割した画像を入力データとして前記出力値を算出する、ことを特徴とする請求項２から請求項４のいずれかに記載の軸物工具表面の欠陥検査装置である。

請求項６に記載の発明は、前記欠陥検査装置が、前記部位毎ニューラルネットワーク処理部として、前記軸物工具の外周に該当する領域の画像に基いて予め学習されている外周用ニューラルネットワーク処理部と、前記軸物工具の底刃に該当する領域の画像に基いて予め学習されている底刃用ニューラルネットワーク処理部と、を有し、前記部位検出部が、前記画像分割部が分割した画像に基いて、予め定められている判定方法により、前記画像分割部が、前記軸物工具の外周の領域に該当するか、前記軸物工具の底刃の領域の画像に該当するかを判定し、前記部位検出部の判定結果が前記軸物工具の外周の領域に該当する場合には、前記外周用ニューラルネットワーク処理部が、前記画像分割部の分割した画像を入力データとして前記出力値を算出し、前記部位検出部の判定結果が前記軸物工具の底刃の領域に該当する場合には、前記底刃用ニューラルネットワーク処理部が、前記画像分割部の分割した画像を入力データとして前記出力値を算出する、ことを特徴とする請求項５に記載の軸物工具表面の欠陥検査装置である。

請求項７に記載の発明は、前記欠陥有無判定部が、前記部位毎ニューラルネットワーク処理部の算出した出力値に基いて、前記軸物工具の表面に欠陥があるか否かを判定する前記部位毎ニューラルネットワーク処理部毎に対応する部位毎欠陥有無判定部を有する、ことを特徴とする請求項５または請求項６に記載の軸物工具表面の欠陥検査装置である。

請求項８に記載の発明は、前記部位毎欠陥有無判定部が、前記外周用ニューラルネットワーク処理部に対応する外周用欠陥有無判定部と、前記底刃用ニューラルネットワーク処理部に対応する底刃用欠陥有無判定部と、を有することを特徴とする請求項７に記載の軸物工具表面の欠陥検査装置である。

請求項９に記載の発明は、前記部位検出部が、前記画像分割部の分割した画像において、予め定められている複数の画素位置の輝度値が、前記部位毎に予め定められている条件を満たすか否かを判定することにより、前記軸物工具の表面において前記画像分割部が分割した画像が該当する部位を検出する、ことを特徴とする請求項５から請求項８のいずれかに記載の軸物工具表面の欠陥検査装置である。

請求項１０に記載の発明は、前記欠陥検査装置が、前記画像分割部が分割した画像を前処理する前処理部、を有し、前記第１のニューラルネットワーク処理部が、前記前処理部が前処理した画像を前記入力データとして前記出力値を算出し、前記前処理部が、前記画像分割部が分割した画像を予め定められているエッジ抽出フィルタにより畳み込み演算するエッジ抽出部と、前記エッジ抽出部が畳み込み演算した画像を２次元フーリエ変換するフーリエ変換部と、を有することを特徴とする請求項２から請求項９のいずれかに記載の軸物工具表面の欠陥検査装置である。

請求項１１に記載の発明は、前記欠陥検査装置が、前記画像分割部が分割した画像をグレースケール化するグレースケール部、を有し、前記前処理部が、前記グレースケール部がグレースケール化した画像を前処理する、ことを特徴とする請求項１０に記載の軸物工具表面の欠陥検査装置である。

請求項１２に記載の発明は、前記第１のニューラルネットワーク処理部が、前記画像分割部の分割する画素サイズよりも大きいサイズで撮影され、表面に欠陥がある軸物工具の画像から、前記画像分割部の分割する画素サイズと同じ領域を、当該領域において前記欠陥の位置が異なるようにして抽出された複数の画像に基いて予め学習されている、ことを特徴とする請求項２から請求項１１のいずれかに記載の軸物工具表面の欠陥検査装置である。

請求項１３に記載の発明は、前記第２のニューラルネットワーク処理部が、前記画像分割部の分割する画素サイズよりも大きいサイズで撮影され、表面に欠陥がある軸物工具の画像から、前記画像分割部の分割する画素サイズと同じ領域を、当該領域において前記欠陥の位置が異なるようにして抽出された複数の画像に基いて予め学習されている、ことを特徴とする請求項４から請求項１２のいずれかに記載の軸物工具表面の欠陥検査装置である。

請求項１４に記載の発明は、前記欠陥検査装置が、前記軸物工具の軸を回転軸として、前記軸物工具を一方の方向に順に回転させる回転装置と、前記回転装置により回転された前記軸物工具の表面を、前記軸物工具の一方の軸方向に順に撮影し、該撮影した画像を前記画像分割部に入力する撮影装置と、前記回転装置の回転量および回転のタイミングと、前記撮影装置の撮影するタイミングとを制御する制御部と、を有することを特徴とする請求項２から請求項１３のいずれかに記載の軸物工具表面の欠陥検査装置である。

この発明によれば、軸物工具の表面の画像を定められている画像サイズに分割し、この分割した画像に対して、予め学習されているニューラルネットワークにより軸物工具の表面の画像に欠陥があるか否かを判定することにより、軸物工具が複雑な構造を有している場合においても、分割した画像は比較的簡易な構造となるため、予め学習されているニューラルネットワークにより軸物工具の表面の画像に欠陥があるか否かを判定することが可能となる。そのため、複雑な構造を有する軸物工具の表面における欠陥を検査することができる。

＜欠陥検査装置１の構成＞
以下、図面を参照して、本発明の実施の形態について説明する。図１は、この発明の一実施形態による軸物工具表面の欠陥検査装置１（以降、欠陥検査装置１と称する）の構成を示す概略ブロック図である。

ここでは、欠陥検査装置１が、欠陥検査対象とする軸物工具として、エンドミルのように側面に刃を複数有する軸物工具である場合について説明する。このエンドミルとは、切削加工に用いる工具（切削工具）であるフライスの一種である。エンドミルは、外周（最外径）に複数の刃が設けられている。そして、このエンドミルは側面の刃で切削し、軸に直交する方向に穴を削り広げる。また、エンドミルの底刃に相当する先端の形状は、平坦なものや、球状であるものがある。

欠陥検査装置１は、周辺装置として、撮影装置２と、昇降装置３と、回転装置４とを有している。回転装置４は、軸物工具の軸を回転軸として、軸物工具を一方の方向に順に回転させる。昇降装置３は、軸物工具と撮影装置２との、軸物工具の軸方向における相対位置が変化するように、軸物工具または撮影装置２のうちいずれか一方または両方の、軸物工具の軸方向における位置を変位させる。回転装置４および昇降装置３は、たとえば、内蔵するステッピングモータの回転を制御することにより、軸物工具を回転させ、また、軸物工具と撮影装置２との軸物工具の軸方向における相対位置を変化させる。

たとえば、軸物工具の軸が鉛直方向と同じとなるように回転装置４に取り付けられている。そして、この昇降装置３は、軸物工具を回転装置４とともに、鉛直方向に上昇または下降の方向に、順に移動させる。撮影装置２は、回転装置４により回転された軸物工具の表面を、昇降装置３により軸方向に順に移動する軸物工具の表面を撮影し、この撮影した画像を欠陥検査装置１に出力する。ここでは、撮影装置２は、画像をカラー画像として撮影するものとして説明する。

また、欠陥検査装置１は、撮影装置としての周辺装置として、外光を遮光する遮光部材、１つまたは複数の照明装置、照明装置からの照明光を反射する１つまたは複数の反射板、照明装置からの照明光を拡散させる１つまたは複数の拡散板を有している。これにより、欠陥検査装置１は、軸物工具を検査しやすいように撮影する。

次に、欠陥検査装置１の構成について説明する。欠陥検査装置１は、撮影画像記憶部１０と、画像分割部１１と、グレースケール部１２と、部位検出部１３と、前処理部１４と、第１のニューラルネットワーク処理部１５と、欠陥有無判定部１６と、第２のニューラルネットワーク処理部１７と、欠陥種類判定部１８と、出力部１９と、判定結果記憶部２０と、制御部２１とを有する。

画像分割部１１は、軸物工具の表面を撮影した画像が撮影装置２から入力され、この入力された画像を予め定められている画像サイズに分割する。ここで、撮影装置２から入力された軸物工具の表面を撮影した画像は、撮影画像記憶部１０に記憶されるようにしてもよい。そして、画像分割部１１は、撮影画像記憶部１０に記憶された画像を読み出し、この読み出した画像を予め定められている画像サイズに分割するようにしてもよい。

この予め定められている画像サイズは、軸物工具が有する複数の側面の刃のうち、１つの側面の刃が含まれる画像となるような画像サイズである。そのため、画像分割部１１は、撮影装置２から入力された画像を、軸物工具が有する複数の側面の刃のうち１つの側面の刃が含まれる画像サイズに分割する。

本実施形態においては、画像サイズは、６４画素×６４画素とする。ここで、６４画素×６４画素へ分割する３つの理由について説明する。まず、分割された画像は、後述する前処理部１４のフーリエ変換部１４２で、２次元ＦＦＴ（Fast Fourie Transform）の演算処理がされる。このＦＦＴの演算においては、一般に、入力するデータ数に対して、「データ数が２のべき乗であること」という条件がある。ここで、本実施形態においては２次元ＦＦＴを用いるため、画像の縦方向のサイズも横方向のサイズも２のべき乗となることを条件とする。
また、「画像の中で最も大きい疵が、分割した画像に含まれる」ことを条件とする。この条件の理由は、分割範囲と同じ大きさ、または、それ以上の大きさを有する疵が存在する場合、この分割した画像からは、特徴点抽出を行っても疵の特徴点抽出が行えないためである。
また、画像サイズとして、軸物工具が有する複数の側面の刃のうち、１つの側面の刃が含まれる画像となるような画像サイズとすることを条件とする。この条件による効果については、後述する。
以上の条件を満たす画像サイズとして、本実施形態においては、６４画素×６４画素とする。

グレースケール部１２は、画像分割部１１が分割した画像をグレースケール化する。たとえば、グレースケール部１２は、次の（式１）により、画像分割部１１が分割した画像をグレースケール化する。

Y = 0.229×R + 0.587×G + 0.114×B …（式１）

ここで、Rは画素の赤成分の値を示し、Gは画素の緑成分の値を示し、Bは画素の青成分の値を示す。そして、Yは、画素の輝度値を示す。グレースケール部１２は、画像分割部１１が分割した画像の各画素毎に、この（式１）によりカラー画像としての値を輝度値に変換して、グレースケール化する。ここで、Ｒ、ＧおよびＢの各成分の値は、０から２５５の値をとる。そして、（式１）において、それぞれの係数の合計値は１であるため、（式１）により算出される輝度値Ｙは、０から２５５の値をとる。

部位検出部１３は、画像分割部１１が分割しグレースケール部１２がグレースケール化した画像に基いて、予め定められている判定方法により、軸物工具の表面において画像分割部１１が分割した画像が該当する部位を検出する。この部位検出部１３は、画像分割部１１の分割した画像において、予め定められている複数の画素位置の輝度値が、部位毎に予め定められている条件に該当するか否かを判定することにより、軸物工具の表面において画像分割部１１が分割した画像が該当する部位を検出する。部位検出部１３の動作の詳細については、図４と図５とを用いて後述する。

前処理部１４は、画像分割部１１が分割しグレースケール部１２がグレースケール化した画像を、エッジ抽出部１４１と、フーリエ変換部１４２と、部分抽出部１４３とにより、前処理する。

エッジ抽出部１４１は、画像分割部１１が分割した画像を予め定められているエッジ抽出フィルタにより畳み込み演算して、輪郭を抽出することにより、特徴点を抽出する。このエッジ抽出フィルタとして、Prewittフィルタなどの、２次元微分フィルタを用いる。

フーリエ変換部１４２は、エッジ抽出部１４１が畳み込み演算した画像を２次元フーリエ変換する。フーリエ変換部１４２は、２次元フーリエ変換として、演算を高速にするために、２次元離散フーリエ変換のうち、特に２次元ＦＦＴを用いて演算する。ここで、フーリエ変換部１４２が２次元フーリエ変換により算出した値は複素数となる。本実施形態においては、この複素数の絶対を算出し、更に、その常用対数を算出することでデシベルに変換し、次の（式２）により、０から１の値を取るように正規化する。

Ｌ_ＦＦＴ＝（Ａ−Ｂ）／（Ｃ−Ｂ） … （式２）

ここで、Ａは、算出したデシベル値であり、Ｂは、算出したデシベル値のうち最小の値となるデシベル値であり、Ｃは、算出したデシベル値のうち最大の値となるデシベル値である。そして、Ｌ_ＦＦＴが、正規化したデシベル値である。

部分抽出部１４３は、フーリエ変換部１４２が２次元フーリエ変換した画像から、予め定められている一部の領域の画像を抽出する。一般に、２次元フーリエ変換により入力データに対する複素数を算出した場合には、この算出された複素数を実数軸と虚数軸とが直交する複素平面上に描画すると、回転対象を有している。そこで、部分抽出部１４３は、フーリエ変換部１４２が２次元フーリエ変換した画像から、予め定められている回転対象となる一部のみを抽出する。

本実施形態においては、部分抽出部１４３は、複素平面上において虚数軸が正となる領域のみ、すなわち、全てのデータ数に対して半数となるデータ数のみを、抽出する。具体的には、全てのデータ数が６４×６４であったのに対して、その半数となるデータ数は、６４×３２となる。このようにデータ数を少なくしたことにより、後段の処理を高速に実行することができる。また、特徴量を示すデータにおいて、対象性を用いて一部のデータを抽出しているため、特徴点を示す情報量を低減することなく、データ量のみを低減することができる。

第１のニューラルネットワーク処理部１５は、前処理部１４が前処理した画像を入力データとして、すなわち、画像分割部１１の分割した画像を入力データとして、予め学習されている第１のニューラルネットワークにより出力値を算出する。

この第１のニューラルネットワーク処理部１５は、画像分割部１１の分割した画像が該当する部位毎に、予め学習されている複数のニューラルネットワークである部位毎ニューラルネットワーク処理部１５０を有している。この第１のニューラルネットワーク処理部１５は、画像分割部１１の分割する画素サイズよりも大きいサイズで撮影され、表面に欠陥がある軸物工具の画像から、画像分割部１１の分割する画素サイズと同じ領域を、当該領域において欠陥の位置が異なるようにして抽出された複数の画像に基いて予め学習されている。この第１のニューラルネットワーク処理部１５、および、第２のニューラルネットワーク処理部１７の、一例としての学習方法については、図６を用いて、後述する。

部位毎ニューラルネットワーク処理部１５０として、軸物工具の外周に該当する領域の画像に基いて予め学習されている外周用ニューラルネットワーク処理部１５１と、軸物工具の底刃に該当する領域の画像に基いて予め学習されている底刃用ニューラルネットワーク処理部１５２と、を有している。

部位検出部１３は、画像分割部１１が分割した画像に基いて、予め定められている判定方法により、画像分割部１１が軸物工具の外周の領域に該当するか、軸物工具の底刃の領域の画像に該当するか、を判定する。そして、部位検出部１３の判定結果が軸物工具の外周の領域に該当する場合には、外周用ニューラルネットワーク処理部１５１は、画像分割部１１の分割した画像を入力データとして出力値を算出する。部位検出部１３の判定結果が軸物工具の底刃の領域に該当する場合には、底刃用ニューラルネットワーク処理部１５２は、画像分割部１１の分割した画像を入力データとして出力値を算出する。

欠陥有無判定部１６が、部位毎ニューラルネットワーク処理部１５０の算出した出力値に基いて、軸物工具の表面に欠陥があるか否かを判定する部位毎ニューラルネットワーク処理部１５０毎に対応する部位毎欠陥有無判定部１６０を有する、ことを特徴とする
部位毎欠陥有無判定部１６０が、外周用ニューラルネットワーク処理部１５１に対応する外周用欠陥有無判定部１６１と、底刃用ニューラルネットワーク処理部１５２に対応する底刃用欠陥有無判定部１６２と、を有する。

また、第１のニューラルネットワーク処理部１５は、画像分割部１１の分割した画像を入力データとして、予め学習されているニューラルネットワークに入力して出力値を算出する場合に、部位検出部１３が検出した部位に該当する部位毎ニューラルネットワーク処理部１５０が、画像分割部１１の分割した画像を入力データとして出力値を算出する。本実施形態においれは、第１のニューラルネットワーク処理部１５は、この部位毎ニューラルネットワーク処理部１５０として、外周用ニューラルネットワーク処理部１５１と底刃用ニューラルネットワーク処理部１５２とを有している。

外周用ニューラルネットワーク処理部１５１と底刃用ニューラルネットワーク処理部１５２とは、それぞれ階層型ニューラルネットワークであり、本実施形態においては、たとえば、入力層と、隠れ層と、出力層との３階層を有している。

本実施形態においては、部分抽出部１４３が６４×３２のデータ数を出力する。そのため、階層型ニューラルネットワークの入力層は、６４×３２（＝２０４８）のノードを有している。また、階層型ニューラルネットワークの中間層として、たとえば、７０のノード数を有している。また、階層型ニューラルネットワークの出力層として、２ノードを有している。

この出力層の２ノードは、それぞれのノードからの出力値が、互いに論理が反転する結果を出力し、それぞれのノードからの出力値の合計が１となるように、予め学習されている。一例として、外周用ニューラルネットワーク処理部１５１の出力層の２ノードを、ノードＡとノードＢとして説明する。たとえば、正常画像の場合、このノードＡは１を出力し、ノードＢは０を出力する。そして、欠陥画像の場合、ノードＡは０を出力し、ノードＢは１を出力するように、外周用ニューラルネットワーク処理部１５１は予め学習されている。外周用ニューラルネットワーク処理部１５１が出力する実際の値は、たとえば、ノードＡからの出力が０．９７４０、ノードＢからの出力が０．０２６０となる。

欠陥有無判定部１６は、第１のニューラルネットワーク処理部１５の算出した出力値に基いて、軸物工具の表面に欠陥があるか否かを判定する。

第２のニューラルネットワーク処理部１７は、軸物工具の表面に欠陥があると欠陥有無判定部１６が判定した場合に、画像分割部１１の分割した画像を入力データとして、予め学習されている第２のニューラルネットワークにより出力値を算出する。この第２のニューラルネットワーク処理部１７は、画像分割部１１の分割する画素サイズよりも大きいサイズで撮影され、表面に欠陥がある軸物工具の画像から、画像分割部１１の分割する画素サイズと同じ領域を、当該領域において欠陥の位置が異なるようにして抽出された複数の画像に基いて予め学習されている。

第２のニューラルネットワーク処理部１７は、第１のニューラルネットワーク処理部１５が有する外周用ニューラルネットワーク処理部１５１および底刃用ニューラルネットワーク処理部１５２と同様に、階層型ニューラルネットワークであり、本実施形態においては、入力層と、隠れ層と、出力層との３階層を有している。ただし、第２のニューラルネットワーク処理部１７は、第１のニューラルネットワーク処理部１５と異なり、画像分割部１１の分割した画像が入力データとして入力されるため、入力層は、６４×６４（＝４０９６）のノードを有している。
なお、第２のニューラルネットワーク処理部１７に入力される入力データは、画像分割部１１の分割した画像でありカラー画像であるが、このカラー画像における各画素の値を正規化したデータを入力データとして、第２のニューラルネットワーク処理部１７に入力してもよい。

欠陥種類判定部１８は、第２のニューラルネットワーク処理部１７の算出した出力値に基いて、軸物工具の表面にある欠陥の種類を判定する。本実施形態においては、欠陥種類判定部１８は、欠陥が、コーティング工程前に生じたものであるのか、コーティング工程後に生じたものであるのか、という欠陥の種類を判定する。

ここで、本実施形態による欠陥検査装置１が対象とするエンドミルにおいては、コーティング工程前にできた欠陥は周囲よりも色が黒く、コーティング工程後にできた欠陥は周囲よりも色が白いことが知られている。そのため、第２のニューラルネットワーク処理部１７および欠陥種類判定部１８は、画像分割部１１の分割した画像により、すなわち、カラーの画像により、欠陥有無判定部１６により判定された欠陥が、コーティング工程前に生じたものであるか、または、コーティング工程後に生じたものであるか、という欠陥の種類を判定することが可能となる。

出力部１９は、軸物工具の表面に欠陥があるか否かを判定した結果を欠陥有無判定部１６から入力され、また、軸物工具の表面にある欠陥の種類を判定した結果を欠陥種類判定部１８から入力される。出力部１９は、判定が終了したことを示す信号を制御部２１に出力するとともに、この入力された結果をたとえば表示装置に出力する。

制御部２１は、判定が終了したことを示す信号が出力部１９から入力されたことに応じて、または、検出した部位が背景であったことを示す信号が部位検出部１３から入力されたことに応じて、すなわち、画像分割部１１が分割した画像の判定処理が終了したことを検出したことに応じて、回転装置４の回転量および回転のタイミングと、撮影装置２の撮影するタイミングとを制御する。

また、制御部２１は、画像分割部１１の分割した画像の判定処理が終了したことを検出したことに応じて、出力部１９が出力した結果と、画像分割部１１が分割した画像とを関連付けて、判定結果記憶部２０に記憶させる。ここで、制御部２１は、画像分割部１１の分割した画像の判定処理が終了したことを検出し、その判定結果に異常がある場合に、出力部１９が出力した結果と、画像分割部１１が分割した画像とを関連付けて、判定結果記憶部２０に記憶させる。この判定結果の異常とは、たとえば、軸物工具の表面に欠陥がある場合である。

＜欠陥検査装置１の動作概要＞
次に、図２を用いて、欠陥検査装置１の動作概要について説明する。
まず、制御部２１が、初期値としての回転角および垂直移動量を設定する（ステップＳ２０１）。次に、制御部２１が、ステップＳ２０１で設定した回転角および垂直移動量に基いて、回転装置４と昇降装置３とを制御して軸物工具を回転および垂直移動させる（ステップＳ２０２）。次に、制御部２１が、撮影装置２を制御して軸物工具を撮影する。そして、撮影装置２は、撮影した軸物工具の画像を、撮影画像記憶部１０に記憶して保存させる（ステップＳ２０３）。次に、画像分割部１１が、撮影画像記憶部１０から読み出した画像を、複数の分割画像に分割する（ステップＳ２０４）。

この分割された画像のうち第１の分割画像は、欠陥検査装置１により、順に、判定処理が行われる（ステップＳ２０５）。この欠陥検査装置１による分割された画像の判定処理については、後に、図３を用いて詳細に説明する。

次に、出力部１９が、第１の分割画像の判定結果を出力する（ステップＳ２０６）。次に、制御部２１が、ステップＳ２０４で複数に分割された画像に対して、全て検査したか否かを判定する（ステップＳ２０７）。ステップＳ２０７の判定結果が、全て検査されていない場合には、制御部２１は、ステップＳ２０５からの処理を繰り返させる。ここで、このステップＳ２０５においては、先に判定処理が行われた第１の分割画像とは異なる分割画像、すなわち、第２の分割画像について判定処理が行われる。

一方、ステップＳ２０７の判定結果が、全て検査された場合には、制御部２１は、工具の検査対象となる領域を全て検査したか否かを判定する（ステップＳ２０８）。この制御部２１による判定は、たとえば、現在設定されている回転装置４の回転角および昇降装置３の昇降位置が、工具の検査対象となる領域に対応するように予め定められている回転装置４の回転角および昇降装置３の昇降位置の範囲に、含まれているか否かにより判定される。

ステップＳ２０８の判定結果が、工具の検査対象となる領域を全て検査していない場合には、制御部２１は、ステップＳ２０１からの処理を繰り返す。ここで、ステップＳ２０１においては、再度、回転角および垂直移動量を設定され、工具の表面を撮影装置２が順に撮影するようにされている。

一方、ステップＳ２０８の判定結果が、工具の検査対象となる領域を全て検査した場合には、制御部２１は、工具の検査を終了する。

＜欠陥検査装置１の判定処理＞
次に、図３を用いて、欠陥検査装置１の分割画像の判定処理、すなわち、図２を用いて説明したステップＳ２０５の処理について詳細に説明する。

まず、グレースケール部１２が、画像分割部１１が分割した画像をグレースケール化する（ステップＳ３０１）。すなわち、グレースケール部１２は、画像分割部１１が分割した画像に対して、第１の前処理を実行する。

次に、部位検出部１３が、グレースケール部１２のグレースケール化した画像に基いて、予め定められている判定方法により、軸物工具の表面において画像分割部１１が分割した画像が該当する部位を検出する（ステップＳ３０２）。このステップＳ３０２において、部位検出部１３は、軸物工具の表面において画像分割部１１が分割した画像が該当する部位が、背景と底刃と外周とのうち、いずれに該当するかを判定する。このステップＳ３０２における部位検出部１３の動作については、図４を用いて後述する。

ステップＳ３０２の判定結果が、背景である場合には、欠陥検査装置１は、軸物工具に欠陥は無いものと判定して、判定処理を終了する。一方、ステップＳ３０２の判定結果が、底刃である場合には、前処理部１４が、グレースケール部１２のグレースケール化した画像を前処理する（ステップＳ３１１）。すなわち、前処理部１４のエッジ抽出部１４１は、画像分割部１１が分割した画像を予め定められているエッジ抽出フィルタにより畳み込み演算する。そして、前処理部１４のフーリエ変換部１４２は、エッジ抽出部１４１が畳み込み演算した画像を２次元フーリエ変換する。そして、部分抽出部１４３は、フーリエ変換部１４２が２次元フーリエ変換した画像から、予め定められている一部の領域の画像を抽出する。

次に、前処理部１４が前処理した画像を入力データとして、第１のニューラルネットワーク処理部１５の底刃用ニューラルネットワーク処理部１５２が、出力値を算出する（ステップＳ３１２）。次に、欠陥有無判定部１６の底刃用欠陥有無判定部１６２が、第１のニューラルネットワーク処理部１５の底刃用ニューラルネットワーク処理部１５２が算出した出力値に基いて、軸物工具の底刃の領域に、欠陥があるか否かを判定する（ステップＳ３１３）。

ステップＳ３１３の判定結果で欠陥が無い場合には、欠陥検査装置１は、軸物工具に欠陥は無いものと判定して、判定処理を終了する。一方、ステップＳ３１３の判定結果で欠陥がある場合には、出力部１９が、軸物工具に欠陥があることを示す情報を表示装置に出力して（ステップＳ３３０）、判定処理を終了する。
また、このステップＳ３３０で、制御部２１は、出力部１９が出力した結果と、画像分割部１１が分割した画像とを関連付けて、判定結果記憶部２０に記憶させる。この場合、出力部１９が出力した結果には、軸物工具の底刃の領域に欠陥があることを示す情報が含まれている。

一方、ステップＳ３０２の判定結果が、外周である場合には、前処理部１４が、グレースケール部１２のグレースケール化した画像を前処理する（ステップＳ３２１）。このステップＳ３２１における前処理部１４の処理は、ステップＳ３１１における前処理部１４の処理と同様である。

次に、前処理部１４が前処理した画像を入力データとして、第１のニューラルネットワーク処理部１５の外周用ニューラルネットワーク処理部１５１が、出力値を算出する（ステップＳ３２２）。次に、欠陥有無判定部１６の外周用欠陥有無判定部１６１が、第１のニューラルネットワーク処理部１５の底刃用ニューラルネットワーク処理部１５２が算出した出力値に基いて、軸物工具の外周の領域に、欠陥があるか否かを判定する（ステップＳ３２３）。

ステップＳ３２３の判定結果で欠陥が無い場合には、欠陥検査装置１は、軸物工具に欠陥は無いものと判定して、判定処理を終了する。一方、ステップＳ３２３の判定結果で欠陥がある場合には、第２のニューラルネットワーク処理部１７が、画像分割部１１の分割した画像を入力データとして、予め学習されている第２のニューラルネットワークにより出力値を算出する（ステップＳ３２４）。次に、欠陥種類判定部１８が、第２のニューラルネットワーク処理部１７の算出した出力値に基いて、軸物工具の表面にある欠陥の種類を判定する（ステップＳ３２５）。

次に、出力部１９が、軸物工具に欠陥があることを示す情報を表示装置に出力して（ステップＳ３３０）、判定処理を終了する。
また、このステップＳ３３０で、制御部２１は、出力部１９が出力した結果と、画像分割部１１が分割した画像とを関連付けて、判定結果記憶部２０に記憶させる。この場合、出力部１９が出力した結果には、軸物工具の外周の領域に欠陥があることを示す情報と、欠陥の種類の情報とが含まれている。

次に、図４と図５とを用いて、図３のステップＳ３０２で説明した部位検出部１３の処理について説明する。ここでは、画像分割部１１が分割する画像サイズが、６４画素×６４画素である場合について説明する。

まず、図４を用いて、部位検出部１３が判定に用いる予め定められている複数の画素位置について説明する。部位検出部１３は、画像分割部１１が分割する画像に対して予め定められている複数の画素位置として、図４の図面上において、左上の隅を原点として、３隅の画素位置と、左端の中央となる画素位置と、下端の右隅と下端の左隅とを１対３に内分する点に対応する画素位置との、合計５点の画素位置が定められている。たとえば、図４に示すように、図面上において左上となる画素位置を座標（０，０）、右下となる画素位置を座標（６３，６３）として、座標（６３，０）、座標（０，６３）、および、座標（６３，６３）の３隅の画素位置に対応する画素位置と、座標（０，３１）という左端の中央となる画素位置と、座標（４７，６３）という下端の右隅と下端の左隅とを１対３に内分する点に対応する画素位置との、合計５点の画素位置が定められている。

そして、座標（６３，０）、座標（０，６３）、および、座標（６３，６３）の３隅の画素位置に対応する画素位置に対応する輝度をＹ１、Ｙ３、および、Ｙ５とする。また、座標（０，３１）という左端の中央となる画素位置に対応する画素位置に対応する輝度をＹ２とする。また、座標（４７，６３）という下端の右隅と下端の左隅とを１対３に内分する画素位置をＹ４とする。ここで、Ｙ１からＹ５の各輝度値は、グレースケール部１２がグレースケール化する場合に、算出されているものである。また、このグレースケール部１２は、輝度値として、値が０から２５５の範囲である２５６段階の輝度値を出力するものとして説明する。ここで、輝度値０が最も暗く、輝度値２５５が最も明るい。

次に、図５を用いて説明した輝度値Ｙ１からＹ５を用いて、部位検出部１３が、軸物工具の表面において、画像分割部１１の分割した画像が該当する部位を判定する方法について説明する。

まず、部位検出部１３は、予め定められている複数の画素位置の輝度値が、領域が背景である場合に予め定められている条件を満たすか否かを判定する（ステップＳ５０１）。このステップＳ５０１において、部位検出部１３は、領域が背景である場合に予め定められている条件として、たとえば、輝度値Ｙ２、輝度値Ｙ３、および、輝度値Ｙ４の値が、それぞれ、２１０以上であるか否かを判定する。この２１０という値は、その画素が背景であるか否かを判定するために予め定められている値である。この値は、軸物工具を撮影する場合の背景色と、軸物工具自体の色とに基いて、予め定められるものである。そのため、撮影装置２で撮影する場合に背景となる領域の色を、軸物工具との色の区別がつけやすい背景色となるようにしておくことが望ましい。

ステップＳ５０１において、領域が背景である場合に予め定められている条件を満たす場合には、部位検出部１３は、画像分割部１１の分割した画像が該当する部位を、背景であると判定する（ステップＳ５１１）。

一方、ステップＳ５０１において、領域が背景である場合に予め定められている条件を満たさない場合には、部位検出部１３は、領域が外周である場合に予め定められている複数の画素位置の輝度値が、領域が外周である場合に予め定められている条件を満たすか否かを判定する（ステップＳ５０２）。このステップＳ５０２において、部位検出部１３は、領域が外周である場合に予め定められている条件として、たとえば、輝度値Ｙ１、輝度値Ｙ４および輝度値Ｙ５の値が、それぞれ、２１０より小さいか否かを判定する。

ステップＳ５０２において、領域が外周である場合に予め定められている条件を満たす場合には、部位検出部１３は、画像分割部１１の分割した画像が該当する部位を、外周であると判定する（ステップＳ５１２）。一方、ステップＳ５０２において、領域が外周である場合に予め定められている条件を満たさない場合には、部位検出部１３は、画像分割部１１の分割した画像が該当する部位を、底刃であると判定する（ステップＳ５１３）。

次に、図６を用いて、第１のニューラルネットワーク処理部１５、および、第２のニューラルネットワーク処理部１７の、一例としての学習方法について説明する。まず、図６（ａ）に示すように、画像分割部１１の分割する画素サイズよりも大きいサイズで、欠陥の画像が予め撮影されている。

第１のニューラルネットワーク処理部１５を学習させる第１の学習装置は、この表面に欠陥がある軸物工具の画像から、画像分割部１１の分割する画素サイズと同じ領域を、当該領域において欠陥の位置が異なるようにして抽出する。たとえば、図６（ｂ）に示すように、欠陥が真ん中となる画像（０５：真ん中）を中心として、右下、下、左下、右、左、右上、上、左上の、合計９個の画像を抽出する。この抽出した画像のサイズは、それぞれ、画像分割部１１の分割する画素サイズと同一である。

次に、第１の学習装置は、この抽出されたそれぞれの画像に対して、グレースケール部１２および前処理部１４と同様の処理を実行する。そして、第１の学習装置は、この処理した画像それぞれを入力データとして、第１のニューラルネットワーク処理部１５から、欠陥があることを示すような出力値が出力されるように、第１のニューラルネットワーク処理部１５を学習させる。

このように、第１の学習装置は、画像分割部１１の分割する画素サイズよりも大きいサイズで撮影され、表面に欠陥がある軸物工具の画像から、画像分割部１１の分割する画素サイズと同じ領域を、当該領域において欠陥の位置が異なるようにして抽出された複数の画像に基いて、第１のニューラルネットワーク処理部１５を学習させる。

第１の学習装置と同様に、第２のニューラルネットワーク処理部１７を学習させる第２の学習装置も、抽出され処理されたそれぞれの画像を入力データとして、第２のニューラルネットワーク処理部１７を学習させる。

このように、第１のニューラルネットワーク処理部１５、および、第２のニューラルネットワーク処理部１７は、それぞれ、画像において欠陥の位置が異なる画像に基いて学習されている。これにより、実際に欠陥を検査する場合に、検査対象となる欠陥の画像における位置に依存することなく、欠陥を検出することが可能となる。また、欠陥の画像が少ない場合においても、上述の抽出においては、１つの大きい画像から９つの画像を抽出することが可能となり、学習用となるデータを増やすことが可能となる。

以上図１から図５を用いて説明した欠陥検査装置１によれば、画像分割部１１により、予め知れている最大サイズの欠陥を含むことができる画像サイズ、かつ、軸物工具が有する１つの側面の刃が含まれる画像となるような画像サイズに画像を分割し、この分割した画像に対して欠陥を検出することにより、軸物工具が複雑な構造を有している場合においても、分割した画像は比較的簡易な構造となるため、予め学習されているニューラルネットワークにより軸物工具の表面の画像に欠陥があるか否かを判定することが可能となる。そのため、複雑な構造を有する軸物工具の表面における欠陥を検査することができる。

また、軸物工具が有する１つの側面の刃が含まれる画像となるような画像サイズであるため、軸物工具が複数の刃を側面に有している場合においても、複数の刃の数に依存することなく、欠陥検査装置１が、欠陥を検出することが可能である。

そのため、たとえば、刃を５枚有する軸物工具についてのみについて、欠陥検査装置１の第１のニューラルネットワーク処理部１５および第２のニューラルネットワーク処理部１７について予め学習させておくことにより、刃を５枚有する軸物工具に限ることなく、たとえば、４枚、６枚、７枚などの刃を有する軸物工具も検査することが可能となる。

また、欠陥検査装置１は、画像分割部１１により部位を検出し、検出した部位毎に対応するニューラルネットワーク処理部と判定部とにより、すなわち、外周用ニューラルネットワーク処理部１５１と底刃用ニューラルネットワーク処理部１５２、および、外周用欠陥有無判定部１６１と底刃用欠陥有無判定部１６２により、部位毎に欠陥を検出することにより、外周の領域と底刃の領域とを有しているエンドミルのような軸物工具も検査することが可能となる。

なお、上記においては本実施形態による欠陥検査装置１は、エンドミルなどの軸物工具を検査する場合について説明した。しかし、これに限られるものではなく、本実施形態による欠陥検査装置１は、画像処理に基いて検査するというように、検査方法は汎用的であるため、軸物工具の刃面の欠陥に利用が限定されるものではなく、一般の金属表面の欠陥検査やガラス・陶器製品表面の欠陥検査、繊維製品の傷や汚れ・しわなどの欠陥検査など広く利用できるものである。

なお、撮影画像記憶部１０および判定結果記憶部２０は、ハードディスク装置や光磁気ディスク装置、フラッシュメモリ等の不揮発性のメモリや、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）のような揮発性のメモリ、あるいはこれらの組み合わせにより構成されるものとする。

また、図１における画像分割部１１と、グレースケール部１２と、部位検出部１３と、前処理部１４と、第１のニューラルネットワーク処理部１５と、欠陥有無判定部１６と、第２のニューラルネットワーク処理部１７と、欠陥種類判定部１８と、出力部１９と、判定結果記憶部２０と、制御部２１とは、それぞれ、専用のハードウェアにより実現されるものであってもよく、また、メモリおよびＣＰＵ（中央演算装置）により実現させるものであってもよい。

また、図１におけるこの各構成は、それぞれ、専用のハードウェアにより実現されるものであってもよく、また、この各構成はメモリおよびＣＰＵにより構成され、各構成の機能を実現するためのプログラムをメモリにロードして実行することによりその機能を実現させるものであってもよい。

以上、この発明の実施形態を図面を参照して詳述してきたが、具体的な構成はこの実施形態に限られるものではなく、この発明の要旨を逸脱しない範囲の設計等も含まれる。

この発明の一実施形態による欠陥検査装置の構成を示すブロック図である。 欠陥検査装置１の動作を示すフローチャートである。 欠陥検査装置１における分割画像の判定処理の動作を示すフローチャートである。 部位検出部で用いる画素位置を説明する説明図である。 部位検出部による、画像分割部の分割した画像が該当する部位を判定する動作を示すフローチャートである。 第１または第２のニューラルネットワーク処理部の学習に用いる一例としての画像を説明する説明図である。

符号の説明

１…欠陥検査装置、２…撮影装置、３…昇降装置、４…回転装置、１０…撮影画像記憶部、１１…画像分割部、１２…グレースケール部、１３…部位検出部、１４…前処理部、１５…第１のニューラルネットワーク処理部、１６…欠陥有無判定部、１７…第２のニューラルネットワーク処理部、１８…欠陥種類判定部、１９…出力部、２０…判定結果記憶部、２１…制御部、１４１…エッジ抽出部、１４２…フーリエ変換部、１４３…部分抽出部、１５０…部位毎ニューラルネットワーク処理部、１５１…外周用ニューラルネットワーク処理部、１５２…底刃用ニューラルネットワーク処理部、１６０…部位毎欠陥有無判定部、１６１…外周用欠陥有無判定部、１６２…底刃用欠陥有無判定部

Claims (14)

1. 軸物工具の表面を撮影した画像が入力され、該入力された画像を予め定められている画像サイズに分割する画像分割手順と、
   前記画像分割手順で分割した画像を入力データとして、予め学習されている第１のニューラルネットワークにより出力値を算出する第１のニューラルネットワーク処理手順と、
   前記第１のニューラルネットワーク処理手順で算出した出力値に基いて、前記軸物工具の表面に欠陥があるか否かを判定する欠陥有無判定手順と、
   を有していることを特徴とする軸物工具表面の欠陥検査方法。
2. 軸物工具の表面を撮影した画像が入力され、該入力された画像を予め定められている画像サイズに分割する画像分割部と、
   前記画像分割部の分割した画像を入力データとして、予め学習されている第１のニューラルネットワークにより出力値を算出する第１のニューラルネットワーク処理部と、
   前記第１のニューラルネットワーク処理部の算出した出力値に基いて、前記軸物工具の表面に欠陥があるか否かを判定する欠陥有無判定部と、
   を有していることを特徴とする軸物工具表面の欠陥検査装置。
3. 前記軸物工具が、側面に刃を複数有する軸物工具であり、
   前記予め定められている画像サイズが、
   前記軸物工具が有する複数の側面の刃のうち、１つの側面の刃が含まれる画像となるような画像サイズとして予め定められており、
   前記画像分割部が、
   前記入力された画像を、前記軸物工具が有する複数の側面の刃のうち１つの側面の刃が含まれる画像サイズに分割する、
   ことを特徴とする請求項２に記載の軸物工具表面の欠陥検査装置。
4. 前記軸物工具の表面に欠陥があると前記欠陥有無判定部が判定した場合に、前記画像分割部の分割した画像を入力データとして、予め学習されている第２のニューラルネットワークにより出力値を算出する第２のニューラルネットワーク処理部と、
   前記第２のニューラルネットワーク処理部の算出した出力値に基いて、前記軸物工具の表面にある欠陥の種類を判定する欠陥種類判定部と、
   を有していることを特徴とする請求項２または請求項３に記載の軸物工具表面の欠陥検査装置。
5. 前記軸物工具表面の欠陥検査装置が、
   前記画像分割部が分割した画像に基いて、予め定められている判定方法により、前記軸物工具の表面において前記画像分割部が分割した画像が該当する部位を検出する部位検出部、
   を有し、
   前記第１のニューラルネットワーク処理部が、
   前記画像分割部の分割した画像が該当する部位毎に、予め学習されている複数のニューラルネットワークである部位毎ニューラルネットワーク処理部を有しており、
   前記第１のニューラルネットワーク処理部が、
   前記ニューラルネットワーク処理部が前記画像分割部の分割した画像を入力データとして予め学習されているニューラルネットワークに入力して出力値を算出する場合に、前記部位検出部が検出した部位に該当する前記部位毎ニューラルネットワーク処理部が、前記画像分割部の分割した画像を入力データとして前記出力値を算出する、
   ことを特徴とする請求項２から請求項４のいずれかに記載の軸物工具表面の欠陥検査装置。
6. 前記欠陥検査装置が、
   前記部位毎ニューラルネットワーク処理部として、
   前記軸物工具の外周に該当する領域の画像に基いて予め学習されている外周用ニューラルネットワーク処理部と、
   前記軸物工具の底刃に該当する領域の画像に基いて予め学習されている底刃用ニューラルネットワーク処理部と、
   を有し、
   前記部位検出部が、
   前記画像分割部が分割した画像に基いて、予め定められている判定方法により、前記画像分割部が、前記軸物工具の外周の領域に該当するか、前記軸物工具の底刃の領域の画像に該当するかを判定し、
   前記部位検出部の判定結果が前記軸物工具の外周の領域に該当する場合には、前記外周用ニューラルネットワーク処理部が、前記画像分割部の分割した画像を入力データとして前記出力値を算出し、
   前記部位検出部の判定結果が前記軸物工具の底刃の領域に該当する場合には、前記底刃用ニューラルネットワーク処理部が、前記画像分割部の分割した画像を入力データとして前記出力値を算出する、
   ことを特徴とする請求項５に記載の軸物工具表面の欠陥検査装置。
7. 前記欠陥有無判定部が、
   前記部位毎ニューラルネットワーク処理部の算出した出力値に基いて、前記軸物工具の表面に欠陥があるか否かを判定する前記部位毎ニューラルネットワーク処理部毎に対応する部位毎欠陥有無判定部を有する、
   ことを特徴とする請求項５または請求項６に記載の軸物工具表面の欠陥検査装置。
8. 前記部位毎欠陥有無判定部が、
   前記外周用ニューラルネットワーク処理部に対応する外周用欠陥有無判定部と、
   前記底刃用ニューラルネットワーク処理部に対応する底刃用欠陥有無判定部と、
   を有することを特徴とする請求項７に記載の軸物工具表面の欠陥検査装置。
9. 前記部位検出部が、
   前記画像分割部の分割した画像において、予め定められている複数の画素位置の輝度値が、前記部位毎に予め定められている条件を満たすか否かを判定することにより、前記軸物工具の表面において前記画像分割部が分割した画像が該当する部位を検出する、
   ことを特徴とする請求項５から請求項８のいずれかに記載の軸物工具表面の欠陥検査装置。
10. 前記欠陥検査装置が、
    前記画像分割部が分割した画像を前処理する前処理部、
    を有し、
    前記第１のニューラルネットワーク処理部が、
    前記前処理部が前処理した画像を前記入力データとして前記出力値を算出し、
    前記前処理部が、
    前記画像分割部が分割した画像を予め定められているエッジ抽出フィルタにより畳み込み演算するエッジ抽出部と、
    前記エッジ抽出部が畳み込み演算した画像を２次元フーリエ変換するフーリエ変換部と、
    を有することを特徴とする請求項２から請求項９のいずれかに記載の軸物工具表面の欠陥検査装置。
11. 前記欠陥検査装置が、
    前記画像分割部が分割した画像をグレースケール化するグレースケール部、
    を有し、
    前記前処理部が、
    前記グレースケール部がグレースケール化した画像を前処理する、
    ことを特徴とする請求項１０に記載の軸物工具表面の欠陥検査装置。
12. 前記第１のニューラルネットワーク処理部が、
    前記画像分割部の分割する画素サイズよりも大きいサイズで撮影され、表面に欠陥がある軸物工具の画像から、前記画像分割部の分割する画素サイズと同じ領域を、当該領域において前記欠陥の位置が異なるようにして抽出された複数の画像に基いて予め学習されている、
    ことを特徴とする請求項２から請求項１１のいずれかに記載の軸物工具表面の欠陥検査装置。
13. 前記第２のニューラルネットワーク処理部が、
    前記画像分割部の分割する画素サイズよりも大きいサイズで撮影され、表面に欠陥がある軸物工具の画像から、前記画像分割部の分割する画素サイズと同じ領域を、当該領域において前記欠陥の位置が異なるようにして抽出された複数の画像に基いて予め学習されている、
    ことを特徴とする請求項４から請求項１２のいずれかに記載の軸物工具表面の欠陥検査装置。
14. 前記欠陥検査装置が、
    前記軸物工具の軸を回転軸として、前記軸物工具を一方の方向に順に回転させる回転装置と、
    前記回転装置により回転された前記軸物工具の表面を、前記軸物工具の一方の軸方向に順に撮影し、該撮影した画像を前記画像分割部に入力する撮影装置と、
    前記回転装置の回転量および回転のタイミングと、前記撮影装置の撮影するタイミングとを制御する制御部と、
    を有することを特徴とする請求項２から請求項１３のいずれかに記載の軸物工具表面の欠陥検査装置。

Images