JP2019052872A - 軸受検査装置 - Google Patents
軸受検査装置 Download PDFInfo
- Publication number
- JP2019052872A JP2019052872A JP2017175624A JP2017175624A JP2019052872A JP 2019052872 A JP2019052872 A JP 2019052872A JP 2017175624 A JP2017175624 A JP 2017175624A JP 2017175624 A JP2017175624 A JP 2017175624A JP 2019052872 A JP2019052872 A JP 2019052872A
- Authority
- JP
- Japan
- Prior art keywords
- blob
- deep learning
- bearing
- learning model
- classification
- 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
Links
Landscapes
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
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。
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。
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(x1〜xn)と重み係数w(w1〜wn)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。
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)
- 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。 - 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。
- 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。
- 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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017175624A JP2019052872A (ja) | 2017-09-13 | 2017-09-13 | 軸受検査装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017175624A JP2019052872A (ja) | 2017-09-13 | 2017-09-13 | 軸受検査装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2019052872A true JP2019052872A (ja) | 2019-04-04 |
Family
ID=66014612
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2017175624A Pending JP2019052872A (ja) | 2017-09-13 | 2017-09-13 | 軸受検査装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2019052872A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022222120A1 (zh) * | 2021-04-23 | 2022-10-27 | 中国科学院宁波材料技术与工程研究所 | 一种轴承三维缺陷检测方法及系统 |
-
2017
- 2017-09-13 JP JP2017175624A patent/JP2019052872A/ja active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022222120A1 (zh) * | 2021-04-23 | 2022-10-27 | 中国科学院宁波材料技术与工程研究所 | 一种轴承三维缺陷检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sun et al. | An effective method of weld defect detection and classification based on machine vision | |
Yuan et al. | An improved Otsu method using the weighted object variance for defect detection | |
Shipway et al. | Automated defect detection for fluorescent penetrant inspection using random forest | |
Shen et al. | Bearing defect inspection based on machine vision | |
Zhao et al. | A sparse-representation-based robust inspection system for hidden defects classification in casting components | |
JP2017049974A (ja) | 識別器生成装置、良否判定方法、およびプログラム | |
JP2011058940A (ja) | 外観検査装置、外観検査方法 | |
Islam et al. | Capsule image segmentation in pharmaceutical applications using edge-based techniques | |
JP6973623B2 (ja) | 学習済みモデルの生成方法、学習済みモデル、表面欠陥検出方法、鋼材の製造方法、合否判定方法、等級判定方法、表面欠陥判定プログラム、合否判定プログラム、判定システム、及び鋼材の製造設備 | |
CN115880284B (zh) | 一种用于润滑油磨粒均匀度的检测方法及系统 | |
CN110782443B (zh) | 一种铁路轨道缺陷检测方法和系统 | |
JP5085573B2 (ja) | 欠陥検査方法および欠陥検査装置 | |
Kuo et al. | Automated defect inspection system for CMOS image sensor with micro multi-layer non-spherical lens module | |
JP2021143884A (ja) | 検査装置、検査方法、プログラム、学習装置、学習方法、および学習済みデータセット | |
Mir et al. | Machine learning-based evaluation of the damage caused by cracks on concrete structures | |
Yazid et al. | Discontinuities detection in welded joints based on inverse surface thresholding | |
Xia et al. | An automatic machine vision-based algorithm for inspection of hardwood flooring defects during manufacturing | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
JP2019052872A (ja) | 軸受検査装置 | |
JP7415286B2 (ja) | カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法 | |
Sauter et al. | Defect detection of metal nuts applying convolutional neural networks | |
Mansano et al. | Inspection of metallic surfaces using local binary patterns | |
JP7356010B2 (ja) | 表面性状検査装置及び表面性状検査方法 | |
고진석 et al. | Surface inspection of a journal bearing using machine vision | |
US20210049396A1 (en) | Optical quality control |