JP2019052872A - 軸受検査装置 - Google Patents

Abstract

【課題】不良品の検出精度が向上した軸受検査装置を提供する。【解決手段】軸受検査装置５は、欠陥候補抽出部７と、分類確率算出部８とを備える。欠陥候補抽出部７は、軸受表面を撮影するカメラによって得られた画像の輝度に対して、２値化処理を行なったときに生じる２値化しきい値を下回る画素の塊または２値化しきい値を超える画素の塊であるブロブを欠陥候補として抽出し、ブロブから特徴量を取得する。分類確率算出部８は、特徴量に関する入力パラメータを多層パーセプトロン構造のディープラーニングモデルに入力し、ディープラーニングモデルの出力値から求められる良否分類の確率値を算出する。【選択図】図５

Description

この発明は、画像処理による軸受表面の欠陥検査を行なう軸受検査装置に関する。

従来の、画像処理による軸受表面の欠陥検査としては、カメラで撮像された画像の輝度に対して２値化しきい値を設け、２値化しきい値を下回る輝度の画素の塊（以降、画素の塊をブロブ（blob）と記す）の面積、または、２値化しきい値を上回る輝度のブロブの面積を、予め設定された面積しきい値と比較し、面積しきい値を上回るブロブが検出された場合に不良品と判定する方法が用いられている。この方法の一例が、特開２００２−２２６６６号公報「球面状表面検査方法および検査装置」に記載されている。

特開２００２−２２６６６号公報

画像処理による軸受表面の欠陥検査では、しばしば欠陥の過検出が問題となる。画像処理による過検出の多くはゴミや汚れの付着によるものである。ゴミや汚れの付着の場合、欠陥のある不良品と異なり、クリーニング等すれば良品となるので、不良品には含めずに分けて検出できれば好ましい。

しかし、検出すべき欠陥の面積の分布と付着するゴミの面積の分布とは重なっており、両者を分類する面積しきい値を決めることはできない。

この発明は、上記の課題を解決するためのものであって、その目的は、不良品の検出精度が向上した軸受検査装置を提供することである。

この発明は、要約すると、軸受検査装置であって、欠陥候補抽出部と、分類確率算出部とを備える。欠陥候補抽出部は、軸受表面を撮影するカメラによって得られた画像の輝度に対して、２値化処理を行なったときに生じる２値化しきい値を下回る画素の塊または２値化しきい値を超える画素の塊であるブロブを欠陥候補として抽出し、ブロブから特徴量を取得する。分類確率算出部は、特徴量に関する入力パラメータを多層パーセプトロン構造のディープラーニングモデルに入力し、ディープラーニングモデルの出力値から求められる良否分類の確率値を算出する。

好ましくは、欠陥候補抽出部は、ブロブの特徴量として、ブロブの面積、周囲長、円形度、針状度、主軸長、および副軸長を取得する。

好ましくは、分類確率算出部は、良否分類として、良品を示す第１類と、欠陥品を示す第２類と、ゴミ品を示す第３類の各々の確率値を算出する。

好ましくは、分類確率算出部は、特徴量を対数処理した後に入力パラメータとしてディープラーニングモデルに入力する。

本発明によれば、不良品の検出精度が向上し、不良品の過検出が減少することにより軸受の生産効率が向上する。

本実施の形態で用いられる分類器の概念を示す図である。 スラストニードルころ軸受２の軸方向に沿った断面構造を示す図である。 軸受検査の対象の一例であるスラスト軸受の軌道輪の形状を示す図である。 本実施の形態で用いられる検査装置の構成を示す図である。 欠陥検査装置の構成を示すブロック図である。 欠陥候補抽出部７の処理を示す処理フロー図である。 特徴量のうち、円形度、主軸長、副軸長を説明するための図である。 良品、欠陥品、ゴミ品の画像例を示した図である。 図８の画像において各特徴量がどのような数値となっているかを示した図である。 図５の分類確率算出部８の構成を示すブロック図である。 図１０の対数化処理部８１の処理を説明するためのフローチャートである。 多層パーセプトロンの各ノードを示した図である。

以下、本発明の実施の形態について図面を参照しつつ説明する。なお、以下の図面において同一または相当する部分には同一の参照番号を付し、その説明は繰返さない。

軸受検査時に問題となるゴミは、欠陥とは外観の違いが見られる場合が有るため、本実施の形態では、ブロブの面積だけでなく他の特徴量（例えば、周囲長、円形度、針状度など）の組み合わせで分類する方法を導入した。ただし、これらの特徴量は、組み合わせの数が膨大となるため、分類アルゴリズムの作成が非常に困難であるといった課題がある。

そこで、本実施の形態では、機械学習を用いて分類器を作成する。図１は、本実施の形態で用いられる分類器の概念を示す図である。まず、カメラで撮像された画像の輝度に対する２値化しきい値を下回るブロブ、または、その２値化しきい値を超えるブロブが画像から抽出される。次に抽出されたブロブの特徴量（面積、周囲長、円形度、針状度、主軸長、副軸長など）を多層パーセプトロン構造のディープラーニングモデルに入力する。ディープラーニングモデルは、良品、欠陥品、ゴミ品である確率値を出力する。これらの確率値を用いて軸受の良否分類が行なわれる。

まず、軸受検査装置の検査対象となる軌道輪１１を含むスラストニードルころ軸受２の構成について説明する。スラスト軸受は、回転体の軸方向に働く力を受け止める軸受である。スラスト軸受は、基本的には軌道輪、転動体、保持器から構成される。図２は、スラストニードルころ軸受２の軸方向に沿った断面構造を示している。図２を参照して、スラストニードルころ軸受２は、一対の軌道輪１１と、複数のニードルころ１２と、保持器１３とを主に有している。

軌道輪１１は、たとえば炭素濃度が０．４質量％以上である鋼からなり、円盤形状を有している。軌道輪１１は、一方の主面においてニードルころ１２が接触する軌道輪転走面１１Ａを有している。一対の軌道輪１１は、軌道輪転走面１１Ａが互いに対向するように配置されている。

ニードルころ１２は鋼からなり、外周面においてころ転動面１２Ａを有している。ニードルころ１２は、図２に示すように、ころ転動面１２Ａが軌道輪転走面１１Ａに接触するように、一対の軌道輪１１の間に配置されている。

保持器１３はたとえば樹脂からなり、複数のニードルころ１２を軌道輪１１の周方向において所定のピッチで保持する。より具体的には、保持器１３は、円環形状を有するとともに、周方向において等間隔に形成された複数のポケット（図示しない）を有している。そして、保持器１３は、当該ポケットにおいてニードルころ１３を収容する。

複数のニードルころ１２は、保持器１３によって軌道輪１１の周方向に沿った円環状の軌道上において転動自在に保持されている。以上の構成により、スラストニードルころ軸受２は、一対の軌道輪１１が互いに相対的に回転可能に構成されている。

図３は、軸受検査の対象の一例であるスラスト軸受の軌道輪１１の形状を示す図である。図３に示す円板形の軌道輪１１は、スラスト軸受の軌道輪形状の一例である。

図４は、本実施の形態で用いられる検査装置の構成を示す図である。図４に示す検査系を用いて検査対象となる軸受の軌道面の撮像とその良否判定を行なう。測定台１にワークである軌道輪１１を載せ、測定台１に向けて発光する照明３により軌道面の照度が均一になるように光を照射し、上方に設置したエリアカメラ４で撮像を行なう。撮影された画像を欠陥検査装置５にて分析し、良品、欠陥品、およびゴミ品に分類を行なう。欠陥検査装置５は、演算処理部５Ａと記憶部５Ｂとを含む。記憶部５Ｂは、エリアカメラ４で撮像された画像データや処理に必要な数値パラメータ等を記憶する。演算処理部５Ａは、記憶部５Ｂの画像データを読み出し、演算処理をおこなって製品の分析、分類を行なう。

図５は、図４の欠陥検査装置５の構成を示すブロック図である。図５に示す機能ブロックは、図４の演算処理部５Ａおよび記憶部５Ｂによって実現される。欠陥検査装置５は、カメラで撮像された画像データを取得し、デジタル変換する撮像データ変換部６と、撮像された画像から欠陥の候補を抽出する欠陥候補抽出部７と、抽出された欠陥候補を分類する分類確率算出部８と、得られた分類確率から最終的な分類（合否判定）を行なう判定処理部９と、得られた結果を外部に出力する結果出力部１０とを含む。

エリアカメラ４で撮影された画像は、撮像データ変換部６で２５６階調のモノクロ画像データに変換され欠陥候補抽出部７へ送られる。欠陥候補抽出部７は、軸受表面を撮影するカメラによって得られた画像の輝度に対して、２値化処理を行なったときに生じる２値化しきい値を下回る画素の塊または２値化しきい値を超える画素の塊であるブロブを欠陥候補として抽出する。欠陥候補抽出部７は、２値化画像が白黒で表されるとき、連続する同色の画素の面積がしきい値を超えるものであって、軌道輪の軌道面の境界よりも内側に存在するものを画素の塊として認識する。そして、欠陥候補抽出部７は、認識したブロブから特徴量を取得する。分類確率算出部８は、特徴量に関する入力パラメータを多層パーセプトロン構造のディープラーニングモデル８２（図１０）に入力し、ディープラーニングモデル８２の出力値から求められる良否分類の確率値を確率算出処理部８３（図１０）において算出する。

図６は、欠陥候補抽出部７の処理を示す処理フロー図である。欠陥候補抽出部７では、畳み込みフィルタ処理７１、２値化処理７２、膨張収縮処理７３、ブロブ検出処理７４、特徴量パラメータ算出処理７５が順に行なわれる。

畳み込みフィルタ処理７１では、画像データに畳み込みフィルタを適用して光量ムラを除去する。２値化処理７２では、光量ムラが除去された画像が予め定められた２値化しきい値に応じた白黒の２値画像に変換される。２値画像は、膨張収縮処理７３でノイズ除去された後、ブロブ検出処理７４で欠陥候補が抽出される。ブロブ検出処理７４では、画像に暗く現れる欠陥に関して２値化しきい値を下回るブロブ、および明るく現れる欠陥に関しては２値化しきい値を上回るブロブを、欠陥候補として抽出する。特徴量パラメータ算出処理７５では、得られたブロブの中で面積が最大のものに対して特徴量の算出を行なう。

本実施の形態では、欠陥候補抽出部７は、ブロブの特徴量として、ブロブの面積、周囲長、円形度、針状度、主軸長、および副軸長の６つのパラメータを算出し、分類確率算出部８に出力する。

図７は、特徴量のうち、円形度、主軸長、副軸長を説明するための図である。図７をみればわかるように、円形度は、検出したブロブが完全円にどの程度近いかを表す０〜１までの数値である。また主軸長は、平行外接矩形の長辺の長さであり、副軸長は、平行外接矩形の短辺の長さである。また、針状度は、主軸長÷副軸長で算出される数値である。

なお、特徴量は本実施の形態で用いた６種類に限定されるものではない。例えば、得られたブロブ内の平均輝度値や輝度の分散などを特徴量として用いても良い。

図８は、良品、欠陥品、ゴミ品の画像例を示した図である。図９は、図８の画像において各特徴量がどのような数値となっているかを示した図である。

ただし、これらの特徴量は、組み合わせの数が膨大となるため、分類アルゴリズムの作成が非常に困難である。そこで、本実施の形態の軸受検査装置には、図１で説明したような多層パーセプトロン構造のディープラーニングモデルを分類器として採用する。

図１０は、図５の分類確率算出部８の構成を示すブロック図である。分類確率算出部８は、対数化処理部８１と、多層パーセプトロン構造のディープラーニングモデル８２と、確率算出処理部８３とを含む。

対数化処理部８１は、分類確率算出部８に入力された各特徴量を対数に変換する。ディープラーニングモデル８２は、対数に変換された特徴量を入力とし、良品と欠陥品とゴミ品に対応した出力値を算出する。確率算出処理部８３は、多層パーセプトロンからの出力値を良品と欠陥品とゴミ品のそれぞれの確率値に変換する。

図１１は、対数化処理部８１の処理を説明するためのフローチャートである。分類確率算出部８は、対数化処理部８１において特徴量を対数処理した後に入力パラメータとしてディープラーニングモデル８２に入力する。対数化処理部８１ではディープラーニングモデル８２内での数値の発散を防ぐ為に、特徴量を対数に変換する。但し、分類確率算出部８の前段の処理である欠陥候補抽出部７のブロブ検出処理７４でブロブが検出されなかった場合には、特徴量は０となり対数に変換できない為、その場合は０を変換値とする。

対数化する処理を介在させることによって、学習データに特異なデータ（例えば、非常に大きな欠けなどの欠陥）が混入した際に、そのデータに引っ張られる形で多層パーセプトロンの重み係数が大きく変わることが予防できる。

本実施の形態では、多層パーセプトロン構造のディープラーニングモデル８２は、入力層６点、中間層９点×２層、出力層３点の構成とした。

図１２は、多層パーセプトロンの各ノードを示した図である。多層パーセプトロンの各ノードは、下式（１）に示されるように、前層の各ノードからの入力ｘ（ｘ_１〜ｘ_ｎ）と重み係数ｗ（ｗ_１〜ｗ_ｎ）の積を合計した値にバイアスｂを足し合わせ、さらに活性化関数ｆ（ｘ）を適用した値を出力値とする。

重み係数ｗとバイアスｂの値は誤差逆伝搬法による学習で算出される。活性化関数ｆ（ｘ）は下式（２）に示すシグモイド関数σを使用する。

多層パーセプトロン構造のディープラーニングモデル８２からの３つの出力値は、確率算出処理部８３で下式（３）に示すソフトマックス関数にて確率値に変換される。

以上のように、分類確率算出部８は、良否分類として、良品を示す第１類と、欠陥品を示す第２類と、ゴミ品を示す第３類の各々の確率値を算出する。

なお、中間層の点数や層数は設計的項目であり、本実施の形態で開示した条件に限定されるものではない。また、出力層の点数も同様に３点（ＯＫ、キズ、ゴミ）に限定されるものではない。例えば、汚れの分類を追加して４点（ＯＫ、キズ、ゴミ、汚れ）とし４分類に分類しても良い。

［学習実施例の説明］
多層パーセプトロン構造のディープラーニングモデル８２内での演算に使用する重み係数ｗは、予め入力する特徴量と出力すべき正解とを関連づけたデータを、誤差逆伝搬法を用いたディープラーニングの学習プログラムに与えて算出しておく。

本実施の形態の実施例では、良品２２０枚、キズ品８０枚、ゴミ品２００枚の計５００枚の画像を用意した。各々の画像に対して画像処理プログラムにてブロブ検出を行ない、１画像ごとに、検出されたブロブの中で面積が最大のブロブに対して、特徴量（面積、周囲長、円形度、主軸長、副軸長、針状度）を取得した。それらの特徴量を現物ワークの目視確認による正解（ＯＫ、キズ、ゴミのいずれか）と共に誤差逆伝搬法を用いたディープラーニングの学習プログラムに与え、重み係数ｗとバイアスｂの値を算出した。その際、５００個のデータの２／３を学習用データ、残りの１／３を検証用データに分割して学習を行なった。また、ディープラーニングの学習ループ回数は５０００回とし、検証用データを用いた検証フェーズで、正解率の最も高い結果を得た際の重み係数ｗとバイアスｂの値をディープラーニングのモデルのパラメータとして採用した。

再び図５に戻って、判定処理部９は分類確率算出部８から入力される確率値に応じて判定を行なう。例えば、最も確率値の大きな分類を判定結果としてもよい。もしくは、良品確率値に対してしきい値を設け、しきい値を上回るものを良品と判定し、しきい値を下回るものを不良品候補とし、不良品候補は、欠陥品確率≧ゴミ品確率であれば欠陥品と判定し、欠陥品確率＜ゴミ品確率であればゴミ品と判定してもよい。

結果出力部１０は判定処理部９から受け取った判定結果を画面表示したり他の機器へ出力したりする。

実施例では、ブロブの面積を予め設定された面積しきい値と比較し、面積しきい値を上回るブロブが検出された場合に不良品と判定する従来手法で不良品として過検出したゴミ品の内の９７％をゴミ品として分類しており、欠陥品の検出能力の向上が確認された。

なお、運用行程で新たな不良が発見された場合、同種の不良が繰り返し発生する場合には再学習させることによって不良を排除できるようになる。

以上説明した本実施の形態の軸受の検査装置によれば、画像処理による軸受表面の欠陥品の検出能力が向上するとともに、過検出低減によって生産性も向上する。

今回開示された実施の形態は、すべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は、上記した実施の形態の説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

３ 照明、４ エリアカメラ、５ 欠陥検査装置、５Ａ 演算処理部、５Ｂ 記憶部、６ 撮像データ変換部、７ 欠陥候補抽出部、８ 分類確率算出部、９ 判定処理部、１０ 結果出力部、 １１ 軌道輪、７１ フィルタ処理、７２ ２値化処理、７３ 膨張収縮処理、７４ ブロブ検出処理、７５ 特徴量パラメータ算出処理、８１ 対数化処理部、８２ ディープラーニングモデル、８３ 確率算出処理部。

Claims (4)

1. 軸受表面を撮影するカメラによって得られた画像の輝度に対して、２値化処理を行なったときに生じる２値化しきい値を下回る画素の塊または前記２値化しきい値を超える画素の塊であるブロブを欠陥候補として抽出し、前記ブロブから特徴量を取得する欠陥候補抽出部と、
   前記特徴量に関する入力パラメータを多層パーセプトロン構造のディープラーニングモデルに入力し、前記ディープラーニングモデルの出力値から求められる良否分類の確率値を算出する分類確率算出部とを備える、軸受検査装置。
2. 前記欠陥候補抽出部は、前記ブロブの特徴量として、前記ブロブの面積、周囲長、円形度、針状度、主軸長、および副軸長を取得する、請求項１に記載の軸受検査装置。
3. 前記分類確率算出部は、前記良否分類として、良品を示す第１類と、欠陥品を示す第２類と、前記第１類および前記第２類のいずれにも属さない他の分類の各々の確率値を算出する、請求項１に記載の軸受検査装置。
4. 前記分類確率算出部は、前記特徴量を対数処理した後に入力パラメータとして前記ディープラーニングモデルに入力する、請求項１に記載の軸受検査装置。