JP2018128357A - 形状検査方法および形状検査装置 - Google Patents

Abstract

【課題】被検査物の形状の良否を目視検査によらずに正確かつ客観的に検査することができる形状検査方法を提供する
【解決手段】被検査物の法線画像を作成し、法線画像の各点における特徴量を算出し３０１、特徴量に基づいて被検査物の良否を判定する。特徴量は法線画像上の所定の原点からのモーメントを使用する。特徴量から算出されたマハラノビス距離３０３に基づいて被検査物の良否を判定する（３０４，３０５）。
【選択図】図４

Description

本発明は被検査物の形状欠陥すなわち形状の良否を検査する形状検査方法および形状検査装置に関するものである。

形状検査を目視で行う場合には、検査員の人件費が必要であるとともに各検査員の主観による検査結果のばらつきが問題である。

なお、特許文献１には、画像表示装置の表示画像の欠陥の有無を検査する方法が示されており、ここでは、表示画像の各画素の輝度情報に基づくヒストグラムを求め、当該ヒストグラムに基づいて得られたマハラノビスの平方距離を検査閾値として上記表示画像の良否の判定を行っている。

特開２０１５−６６２５２

そこで本発明は、被検査物の良否を目視検査によらずに正確かつ客観的に検査することができる形状検査方法および形状検査装置を提供することを目的とする。

上記目的を達成するために本発明の形状検査方法では、被検査物の法線画像を作成し、前記法線画像の特徴量を算出し、前記特徴量に基づいて被検査物の良否を判定する。また、本発明の形状検査装置は、被検査物の法線画像を作成する手段と、前記法線画像の特徴量を算出し、前記特徴量に基づいて被検査物の形状の良否を判定する手段とを備える。

ここで、前記特徴量は法線画像上の所定の原点からのモーメントを使用することができる。さらに、前記特徴量から算出されたマハラノビス距離に基づいて前記被検査物の良否を判定することができる。

以上のように、本発明の形状検査方法および形状検査装置によれば、被検査物の良否を目視検査によらずに正確かつ客観的に検査することができる。

形状検査装置の全体構成を示す図である。 学習処理の手順を示すフローチャートである。 特徴量計算処理の手順を示すフローチャートである。 形状良否の判定を行う処理の手順を示すフローチャートである。 ３Ｄ計測点の画像を示す図である。 法線画像の一例を示す図である。 特徴抽出画像の一例を示す図である。

なお、以下に説明する実施形態はあくまで一例であり、本発明の要旨を逸脱しない範囲で当業者が行う種々の設計的改良も本発明の範囲に含まれる。

図１に本発明方法を実施する形状検査装置の構成を示す。図１において、被検査物１の三次元形状を測定する公知の光切断式の３Ｄ計測器２が設けられて、その計測データ２ａがパーソナルコンピュータ（ＰＣ）３に入力している。形状検査装置では最初に、正常な形状の一又は複数の被検査物について予め学習処理を行っておく。学習処理の手順を図２に示す。なお、以下に説明する各処理は全てＰＣ３上でプログラムが実行されることによって実現される。

図２に示す学習処理では、後述する特徴量計算処理を行い（ステップ１０１）、続いて当該処理で得られた特徴量ベクトルから平均ベクトルとＰＣＡ白色化行列を計算する（ステップ１０２）。なお、特徴量計算処理は一の被検査物１について種々の条件下で例えば１００回ほど繰り返して行う。

特徴量計算処理の詳細を図３に示す。特徴量計算処理のステップ２０１では、３Ｄ計測器の計測データである３Ｄ計測点群を取得して、各３Ｄ計測点について法線ベクトルを算出する。３Ｄ計測点の画像の一例を図５に示す。画像中の明度の違いは実際には被検査物１を異なる高さ毎に色分けしたカラー画像である。法線ベクトルは計測点の位置によらず、その近傍の点の微小な変化に敏感であるから、目視検査で感じる微小な凹凸による光の反射の変化に近いものとなっている。そして、光切断式３Ｄ計測器から得られる計測データ２ａでは３Ｄ計測点は二次元マップ上で整然と並んでいるから、法線ベクトルは画像（法線画像）となる。

さらに、方向と大きさを有する法線ベクトルで、形状検出で重要なのは方向だけなので、法線ベクトルの情報は三次元から二次元に圧縮できる（ステップ２０３）。そして、計算量を低減するために法線画像は三色カラー画像から二色カラー画像に圧縮される（ステップ２０４）。この時の法線画像の一例を図６に示し、実際にはカラー画像である。ステップ２０５では、圧縮された法線画像にガボールフィルタを適用して回転角度、スケールを連続的に変化させたカーネルを作成して法線画像の特徴を抽出した特徴抽出画像を得る。特徴抽出画像の一例を図７に示す。

ステップ２０６では、特徴抽出画像について特徴量モーメントを計算する。特徴量モーメントｍｕnmは下式（１）で算出される。

ここで、ｎ，ｍはモーメント次元数で０次から３次までとする。fは輝度値、ｘ，ｙは画像座標、ｘ0,ｙ0は原点座標で、画像の左上と右下の二箇所に取った場合について考慮する。したがって、特徴量モーメントは一画像当たり１９個得られる。さらに特徴抽出画像は二色の情報を有しているから特徴量モーメントは１９×２＝３８個となる。なお、画像は本実施形態では一の被検査物について１００枚得られているから、それぞれの画像について３８個の特徴量モーメントがあり、これらを要素とした特徴量ベクトルが得られる。

以上の特徴量計算処理を終えると、図２のステップ１０２で、特徴量ベクトルから平均ベクトルμを算出するとともに、ＰＣＡ白色化行列ΛＵを算出する。平均ベクトルμは、特徴量ベクトルの各要素である３８個の特徴量モーメントの平均を要素とするベクトルである。また、Λは、特徴ベクトルと平均ベクトルから算出される共分散行列Ｓの固有値の平方根の逆数の対角行列であり、Ｕは共分散行列Ｓの固有ベクトルを並べた行列である。

図４に、ライン上の被検査物の形状良否の判定を行う処理を示す。最初にステップ３０１で、上述したのと同様の特徴量計算処理を行って特徴量ベクトルを得る。次に上記学習処理で得た平均ベクトルμとＰＣＡ白色化行列ΛＵを使用して下式（２）によって特徴量ベクトルを白色化する（ステップ３０２）。

ここで、Ｘは特徴量ベクトル、Ｘ´は白色化された特徴量ベクトルである。

続いてステップ３０３では、白色化された特徴量ベクトルについてマハラノビス距離ＭＤを下式（３）で算出する。

ここで、ｎは入力データの次元数である。

ステップ３０４では、算出されたマハラノビス距離ＭＤが予め設定した閾値よりも小さい場合は形状が正常であると判定し（ステップ３０５）、閾値よりも大きい場合は形状が異常と判定して（ステップ３０６）その結果を出力し、処理を終了する。ここで、上記閾値は、正常な形状の被検査物についてステップ３０１からステップ３０３を複数回繰り返して、この時に得られるマハラノビス距離の集合から適当に決定される。

１…３Ｄ計測器、２…パーソナルコンピュータ。

Claims (4)

1. 被検査物の法線画像を作成し、前記法線画像の特徴量を算出し、前記特徴量に基づいて被検査物の形状の良否を判定する形状検査方法。
2. 前記特徴量は法線画像上の所定の原点からのモーメントである請求項１に記載の形状検査方法。
3. 前記特徴量から算出されたマハラノビス距離に基づいて前記被検査物の形状の良否を判定する請求項１又は２に記載の形状検査方法。
4. 被検査物の法線画像を作成する手段と、前記法線画像の特徴量を算出し、前記特徴量に基づいて被検査物の形状の良否を判定する手段とを備える形状検査装置。