JP2020106936A - 画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラム - Google Patents
画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラム Download PDFInfo
- Publication number
- JP2020106936A JP2020106936A JP2018242927A JP2018242927A JP2020106936A JP 2020106936 A JP2020106936 A JP 2020106936A JP 2018242927 A JP2018242927 A JP 2018242927A JP 2018242927 A JP2018242927 A JP 2018242927A JP 2020106936 A JP2020106936 A JP 2020106936A
- Authority
- JP
- Japan
- Prior art keywords
- inspection system
- image inspection
- information indicating
- image
- work
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 224
- 238000013461 design Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000013528 artificial neural network Methods 0.000 claims description 48
- 230000006870 function Effects 0.000 claims description 2
- 238000005286 illumination Methods 0.000 description 19
- 238000003860 storage Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 230000003287 optical effect Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004381 surface treatment Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000012356 Product development Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 235000009508 confectionery Nutrition 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
【課題】専門知識を有さない者であっても画像検査システムの設計が行えるように支援する画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラムを提供する。【解決手段】画像検査システム設計装置10は、画像検査システムによる検査内容を表す情報と、画像検査システムによる検査の対象となるワークの絶対寸法を表す情報との入力を受け付ける入力部10eと、過去の事例に基づいて生成された学習モデル12に検査内容を表す情報及び絶対寸法を表す情報を入力し、学習モデル12の出力に基づいて、画像検査システムを構成する機器のパラメータを算出する算出部13と、を備える。【選択図】図2
Description
本発明は、画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラムに関する。
従来、製品の製造ラインに画像検査システムを導入して、部品や完成品の検品を行うことがある。この場合、対象物の状態を適切に撮影できるように、照明、レンズ及びカメラを含む機器の配置や光学特性を設計する必要がある。
例えば下記特許文献1には、被写体を照明する光源及び1ライン単位に撮像する光学系と撮像素子を備えた走行体と、走行体が1方向に走査して被写体の2次元画像を入力する画像入力手段と、を有するシミュレーション装置が記載されている。シミュレーション装置は、被写体の光学特性を示す理想画像を対象として画像入力条件を設定し、設定された信号処理条件で理想画像を用いて信号を算出し、設定された信号処理条件で信号処理された画像信号を生成する。
特許文献1に記載の技術によれば、画像入力装置に関して、光学系、機械系、電気系及び信号処理系を統合的にシミュレーションし、製品開発の試作回数を少なくして、製品化における開発期間及びコストを削減することができる。
しかしながら、画像検査システムは、使用される現場毎に照明の位置や種類を調整したり、レンズやカメラの位置や種類を選定したりする必要がある。そのため、従来、画像検査システムを使用する場合には、専門の作業員が独自のノウハウに基づいて画像検査システムの設計を行うことがある。そのような専門知識を有する人材は確保が難しく、画像検査システムを導入する障壁となることがあった。
そこで、本発明は、専門知識を有さない者であっても画像検査システムの設計が行えるように支援する画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラムを提供する。
本開示の一態様に係る画像検査システム設計装置は、画像検査システムによる検査内容を表す情報と、画像検査システムによる検査の対象となるワークの絶対寸法を表す情報との入力を受け付ける入力部と、過去の事例に基づいて生成された学習モデルに検査内容を表す情報及び絶対寸法を表す情報を入力し、学習モデルの出力に基づいて、画像検査システムを構成する機器のパラメータを算出する算出部と、を備える。
この態様によれば、画像検査システムによる検査内容を表す情報と、画像検査システムによる検査の対象となるワークの絶対寸法を表す情報とを入力することで、画像検査システムを構成する機器のパラメータを算出することができ、専門知識を有さない者であっても画像検査システムの設計が行える。
上記態様において、入力部は、ワークの特性を表す情報の入力をさらに受け付け、学習モデルは、検査内容を表す情報、絶対寸法を表す情報及びワークの特性を表す情報と、パラメータとを関係付けるモデルであってよい。
この態様によれば、画像検査システムを構成する機器のパラメータをワークの特性に応じて算出することができる。
上記態様において、ワークの特性を表す情報は、ワークを撮影した画像を含んでよい。
この態様によれば、専門知識を有さない者であっても、ワークの特性を表す情報を容易に入力することができる。
上記態様において、学習モデルは、画像に基づいてワークの特性を識別する第1ニューラルネットワークを含んでよい。
この態様によれば、ワークを撮影した画像からワークの特性を識別し、画像検査システムを構成する機器のパラメータをワークの特性に応じて算出することができる。
上記態様において、絶対寸法を表す情報は、ワークの2次元CADデータ及びワークの3次元CADデータの少なくともいずれかを含んでよい。
この態様によれば、専門知識を有さない者であっても、ワークの絶対寸法を表す情報を容易に入力することができる。
上記態様において、学習モデルは、2次元CADデータ及び3次元CADデータの少なくともいずれかに基づいてワークの絶対寸法を識別する第2ニューラルネットワークを含んでよい。
この態様によれば、2次元CADデータ及び3次元CADデータの少なくともいずれかからワークの絶対寸法を識別し、画像検査システムを構成する機器のパラメータをワークの絶対寸法に応じて算出することができる。
上記態様において、検査内容を表す情報は、ワークの種類、部位及び状態の少なくともいずれかを表す情報を含んでよい。
この態様によれば、専門知識を有さない者であっても、検査内容を表す情報を適切に入力することができる。
上記態様において、学習モデルは、検査内容を表す情報から検査内容の項目を識別する第3ニューラルネットワークを含んでよい。
この態様によれば、検査内容を表す情報から検査内容の項目を識別し、画像検査システムを構成する機器のパラメータを検査内容に応じて算出することができる。
上記態様において、学習モデルは、検査内容を表す情報及び絶対寸法を表す情報と、パラメータとを対応付けたデータベースを含んでよい。
この態様によれば、比較的少ない演算量で画像検査システムを構成する機器のパラメータを算出することができる。
本開示の他の態様に係る画像検査システム設計方法は、画像検査システムによる検査内容を表す情報と、画像検査システムによる検査の対象となるワークの絶対寸法を表す情報との入力を受け付けることと、過去の事例に基づいて生成された学習モデルに検査内容を表す情報及び絶対寸法を表す情報を入力し、学習モデルの出力に基づいて、画像検査システムを構成する機器のパラメータを算出することと、を含む。
この態様によれば、画像検査システムによる検査内容を表す情報と、画像検査システムによる検査の対象となるワークの絶対寸法を表す情報とを入力することで、画像検査システムを構成する機器のパラメータを算出することができ、専門知識を有さない者であっても画像検査システムの設計が行える。
本開示の他の態様に係る画像検査システム設計プログラムは、画像検査システムによる検査内容を表す情報と、画像検査システムによる検査の対象となるワークの絶対寸法を表す情報との入力を受け付ける入力部を備える画像検査システム設計装置に備えられたプロセッサを、過去の事例に基づいて生成された学習モデルに検査内容を表す情報及び絶対寸法を表す情報を入力し、学習モデルの出力に基づいて、画像検査システムを構成する機器のパラメータを算出する算出部、として機能させる。
この態様によれば、画像検査システムによる検査内容を表す情報と、画像検査システムによる検査の対象となるワークの絶対寸法を表す情報とを入力することで、画像検査システムを構成する機器のパラメータを算出することができ、専門知識を有さない者であっても画像検査システムの設計が行える。
本発明によれば、専門知識を有さない者であっても画像検査システムの設計が行えるように支援する画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラムを提供することができる。
添付図面を参照して、本発明の実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。
図1は、本発明の実施形態に係る画像検査システム設計装置10により設計される画像検査システム100の概要を示す図である。画像検査システム100は、カメラ32により撮影されたワーク1の画像に基づいて、ワーク1の検査を行うシステムである。なお、図1に示す画像検査システム100は一例であり、画像検査システム100は、図示していない任意の機器を含んでもよいし、図示した機器の一部を含まなくてもよい。
画像検査システム100は、第1照明21、第2照明22、レンズ31及びカメラ32を含む。第1照明21は、カメラからd1の距離かつワーク1からd2の距離に固定され、光Lをワーク1に投光する。第2照明22は、破線で示す基準軸から角度θ傾けて固定され、ワーク1に投光する。第1照明21及び第2照明22により照射された光は、ワーク1で反射され、反射光Rがレンズ31に入射する。カメラ32は、レンズ31により集光された反射光Rを撮影する。
このような画像検査システム100によりワーク1の画像検査を行う場合、カメラ32から第1照明21までの距離d1、ワーク1から第1照明21までの距離d2、第2照明22の取付角度θ、レンズ31の焦点距離及びF値並びにカメラ32の解像度及び感度といったパラメータを設計する必要がある。本明細書では、第1照明21、第2照明22、レンズ31及びカメラ32を機器と総称し、画像検査を行うために決定すべき距離d1、距離d2、角度θ、第1照明21及び第2照明22の形状、光量及び光の色、レンズ31の焦点距離及びF値並びにカメラ32の解像度及び感度を機器のパラメータと総称する。なお、画像検査システム100は、任意の機器を含んでよく、機器のパラメータは、機器の位置、姿勢及び光学特性を特定する量を含んでよい。
図2は、本実施形態に係る画像検査システム設計装置10の機能ブロックを示す図である。画像検査システム設計装置10は、入力部10e、記憶部11、算出部13及び表示部10fを備える。
入力部10eは、画像検査システム100による検査内容を表す情報と、画像検査システム100による検査の対象となるワーク1の絶対寸法を表す情報との入力を受け付ける。ここで、画像検査システム100による検査内容を表す情報は、ワーク1の種類、部位及び状態の少なくともいずれかを表す情報を含んでよい。
検査内容を表す情報は、例えば、「オブジェクトAの部位Bの状態Xを検査する」という形式で記述されてよい。ここで、オブジェクトは、例えば、エンジンブロック、ペットボトルキャップ、お菓子箱、電子基板及びチップコンデンサ等であってよい。また、部位は、例えば、ネジ穴、天面、側面、素体、電極、切削面及び賞味期限印字等であってよい。状態は、例えば、幅、長さ、面積、大きさ、方向、形状、傷の有無、汚れの有無及びバリの有無等であってよい。画像検査システム設計装置10は、表示部10fによって、オブジェクト(ワークの種類)、ワークの部位及び検査対象とする状態の選択候補を表示して、入力部10eによって選択を受け付けてもよい。これにより、専門知識を有さない者であっても、検査内容を表す情報を適切に入力することができる。
画像検査システム100による検査の対象となるワーク1の絶対寸法を表す情報は、ワーク1の2次元CADデータ及びワークの3次元CADデータの少なくともいずれかを含んでよい。ワーク1の2次元CADデータ及びワークの3次元CADデータは、ワーク1の寸法を所定の単位系で示す情報を含んでいてよい。これにより、専門知識を有さない者であっても、ワーク1の絶対寸法を表す情報を容易に入力することができる。
入力部10eは、ワーク1の特性を表す情報の入力をさらに受け付けてよい。ここで、ワーク1の特性は、ワーク1の形状、色、材質及び表面処理の種類等を含んでよい。ワーク1の特性を表す情報は、ワーク1を撮影した画像を含んでよい。これにより、専門知識を有さない者であっても、ワーク1の特性を表す情報を容易に入力することができる。なお、ワーク1の特性を表す情報は、ワーク1を異なる方向、異なる距離又は異なる照明下で撮影した複数の画像を含んでよい。
記憶部11は、学習モデル12を記憶する。学習モデル12は、検査内容を表す情報、絶対寸法を表す情報及びワーク1の特性を表す情報と、画像検査システム100を構成する機器のパラメータとを関係付けるモデルであってよい。学習モデル12は、後述するように、ニューラルネットワークによって構成されてよい。もっとも、学習モデル12は、過去の事例を蓄積したデータベースによって構成されてもよいし、二分木やサポートベクターマシン等のモデルであってもよい。
算出部13は、過去の事例に基づいて生成された学習モデル12に検査内容を表す情報及び絶対寸法を表す情報を入力し、学習モデル12の出力に基づいて、画像検査システム100を構成する機器のパラメータを算出する。算出部13は、後述するように、ニューラルネットワークによって構成されてよい。
本実施形態に係る画像検査システム設計装置10によれば、画像検査システム100による検査内容を表す情報と、画像検査システム100による検査の対象となるワーク1の絶対寸法を表す情報とを入力することで、画像検査システム100を構成する機器のパラメータを算出することができ、専門知識を有さない者であっても画像検査システム100の設計が行える。また、画像検査システム100を構成する機器のパラメータをワーク1の特性に応じて算出することができる。
図3は、本実施形態に係る画像検査システム設計装置10の物理的構成を示す図である。画像検査システム設計装置10は、演算装置に相当するCPU(Central Processing Unit)10aと、記憶部11に相当するRAM(Random Access Memory)10bと、記憶部11に相当するROM(Read only Memory)10cと、通信部10dと、入力部10eと、表示部10fとを有する。これらの各構成は、バスを介して相互にデータ送受信可能に接続される。なお、本例では画像検査システム設計装置10が一台のコンピュータで構成される場合について説明するが、画像検査システム設計装置10は、複数のコンピュータを用いて実現されてもよい。
CPU10aは、RAM10b又はROM10cに記憶されたプログラムの実行に関する制御やデータの演算、加工を行う制御部である。CPU10aは、学習モデル12に検査内容を表す情報及び絶対寸法を表す情報を入力し、学習モデル12による演算を実行し、学習モデル12の出力に基づいて、画像検査システム100を構成する機器のパラメータを算出するプログラム(画像検査システム設計プログラム)を実行する演算装置である。CPU10aは、入力部10eや通信部10dから種々の入力データを受け取り、演算結果を表示部10fに表示したり、RAM10bやROM10cに格納したりする。
RAM10bは、記憶部11のうちデータの書き換えが可能なものであり、例えば半導体記憶素子で構成されてよい。RAM10bは、CPU10aが実行する画像検査システム設計プログラムや、学習モデル12といったデータを記憶する。
ROM10cは、記憶部11のうちデータの読み出しが可能なものであり、例えば半導体記憶素子で構成されてよい。ROM10cは、例えば画像検査システム設計プログラムや、書き換えが行われないデータを記憶する。
通信部10dは、画像検査システム設計装置10を外部機器に接続するインターフェースである。通信部10dは、インターネットやLAN(Local Area Network)のインターフェースであってよい。
入力部10eは、ユーザからデータの入力を受け付けるものであり、例えば、キーボード、マウス及びタッチパネルを含んでよい。
表示部10fは、CPU10aによる演算結果を視覚的に表示するものであり、例えば、LCD(Liquid Crystal Display)により構成されてよい。
画像検査システム設計プログラムは、RAM10bやROM10c等のコンピュータによって読み取り可能な記憶媒体に記憶されて提供されてもよいし、通信部10dにより接続される通信ネットワークを介して提供されてもよい。画像検査システム設計装置10では、CPU10aが画像検査システム設計プログラムを実行することにより、図2を用いて説明した学習モデル12及び算出部13の動作が実現される。なお、これらの物理的な構成は例示であって、必ずしも独立した構成でなくてもよい。例えば、画像検査システム設計装置10は、CPU10aとRAM10bやROM10cが一体化したLSI(Large-Scale Integration)を備えていてもよい。
図4は、本実施形態に係る画像検査システム設計装置10に入力されるデータと、出力されるデータの一例を示す図である。同図に示すように、本実施形態に係る画像検査システム設計装置10の学習モデル12は、第1ニューラルネットワーク12a、第2ニューラルネットワーク12b及び第3ニューラルネットワーク12cを含む。また、算出部13は、第4ニューラルネットワークを含む。
学習モデル12は、ワーク1の画像に基づいてワーク1の特性を識別する第1ニューラルネットワーク12aを含む。第1ニューラルネットワーク12aは、ワーク1の画像と、ワーク1の形状、色、材質及び表面処理の種類等のワーク1の特性を表す情報とを含む学習データを用いて、ワーク1の画像が入力された場合に、適切なワーク1の特性を表す情報を出力するように学習された、学習済みのニューラルネットワークであってよい。第1ニューラルネットワーク12aを用いることで、ワーク1を撮影した画像からワーク1の特性を識別し、画像検査システム100を構成する機器のパラメータをワーク1の特性に応じて算出することができる。
学習モデル12は、ワーク1の2次元CADデータ及び3次元CADデータの少なくともいずれかに基づいてワーク1の絶対寸法を識別する第2ニューラルネットワーク12bを含む。第2ニューラルネットワーク12bは、ワーク1の2次元CADデータ及び3次元CADデータの少なくともいずれかと、ワーク1の絶対寸法を表す数値情報とを含む学習データを用いて、ワーク1の2次元CADデータ及び3次元CADデータの少なくともいずれかが入力された場合に、適切なワーク1の絶対寸法を表す情報を出力するように学習された、学習済みのニューラルネットワークであってよい。第2ニューラルネットワーク12bを用いることで、2次元CADデータ及び3次元CADデータの少なくともいずれかからワーク1の絶対寸法を識別し、画像検査システム100を構成する機器のパラメータをワーク1の絶対寸法に応じて算出することができる。
学習モデル12は、検査内容を表す情報から検査内容の項目を識別する第3ニューラルネットワーク12cを含む。第3ニューラルネットワーク12cは、「オブジェクトAの部位Bの状態Xを検査する」という形式で記載された検査内容を表す情報と、オブジェクト、部位及び状態を表す項目とを含む学習データを用いて、検査内容を表す情報が入力された場合に、適切な検査内容の項目を出力するように学習された、学習済みのニューラルネットワークであってよい。第3ニューラルネットワーク12bcを用いることで、検査内容を表す情報から検査内容の項目を識別し、画像検査システム100を構成する機器のパラメータを検査内容に応じて算出することができる。
算出部13は、第1ニューラルネットワーク12aの出力、第2ニューラルネットワーク12bの出力及び第3ニューラルネットワーク12cの出力を入力として、画像検査システム100を構成する機器のパラメータを出力する第4ニューラルネットワークを含む。第4ニューラルネットワークは、ワーク1を撮影した画像を入力した場合の第1ニューラルネットワーク12aの出力、ワーク1の2次元CADデータ及びワークの3次元CADデータの少なくともいずれかを入力した場合の第2ニューラルネットワーク12bの出力及び画像検査システム100による検査内容を表す情報を入力した場合の第3ニューラルネットワーク12cの出力と、画像検査システム100を構成する機器のパラメータとを含む学習データを用いて、第1ニューラルネットワーク12aの出力、第2ニューラルネットワーク12bの出力及び第3ニューラルネットワーク12cの出力が入力された場合に、適切な機器のパラメータを出力するように学習された、学習済みのニューラルネットワークであってよい。第4ニューラルネットワークは、画像検査システム100を構成する機器の配置や光学特性を表すパラメータを出力する。このようにして、画像検査システム100を構成する機器のパラメータを算出することができ、専門知識を有さない者であっても画像検査システム100の設計が行える。
図5は、本実施形態に係る画像検査システム設計装置10により実行されるパラメータ算出処理のフローチャートである。はじめに、画像検査システム設計装置10は、検査内容を表す情報の入力を受け付ける(S10)。また、画像検査システム設計装置10は、ワーク1の絶対寸法を表すCADデータの入力を受け付ける(S11)。また、画像検査システム設計装置10は、ワーク1の特性を表す画像の入力を受け付ける(S12)。なお、これらの情報の入力を受け付ける順序は任意である。
画像検査システム設計装置10は、第1ニューラルネットワーク12aに画像を入力し(S13)、第2ニューラルネットワーク12bにCADデータを入力し(S14)、第3ニューラルネットワーク12cに検査内容を入力する(S15)。そして、画像検査システム設計装置10は、第1ニューラルネットワーク12aの出力、第2ニューラルネットワーク12bの出力及び第3ニューラルネットワーク12cの出力を、第4ニューラルネットワークに入力する(S16)。
最後に、画像検査システム設計装置10は、第4ニューラルネットワークの出力に基づいて、画像検査システム100を構成する機器のパラメータを算出する(S17)。以上により、パラメータ算出処理が終了する。
図6は、本実施形態の変形例に係る画像検査システム設計装置10により実行されるパラメータ算出処理のフローチャートである。本実施形態の変形例に係る画像検査システム設計装置10の学習モデル12は、検査内容を表す情報及び絶対寸法を表す情報と、画像検査システム100を構成する機器のパラメータとを対応付けたデータベースを含む。データベースは、オブジェクト(ワーク1の種類)、ワーク1の部位、検査対象とする状態、ワーク1の絶対寸法及びワーク1の画像と、画像検査システム100を構成する機器のパラメータとを対応付けるテーブルを含んでよい。
はじめに、画像検査システム設計装置10は、検査内容を表す情報の入力を受け付ける(S20)。また、画像検査システム設計装置10は、ワーク1の絶対寸法を表すCADデータの入力を受け付ける(S21)。また、画像検査システム設計装置10は、ワーク1の特性を表す画像の入力を受け付ける(S22)。なお、これらの情報の入力を受け付ける順序は任意である。
画像検査システム設計装置10は、検査内容を検索キーとしてデータベースを検索する(S23)。画像検査システム設計装置10は、検索キーとして入力された検査内容の項目に完全一致する過去の事例を検索したり、部分一致する過去の事例を検索したり、類似する過去の事例を検索したりしてよい。
次に、画像検査システム設計装置10は、入力された画像と検索結果に含まれる画像を比較して、類似度が所定値以上のデータに絞り込みを行う(S24)。検査内容を検索キーとして抽出した過去の事例は、ワーク1の画像を含む。画像検査システム設計装置10は、入力された画像と、抽出された過去の事例の画像との類似度を算出し、検索結果を、例えば、類似度が上位所定割合であるデータに絞り込んでよい。
その後、画像検査システム設計装置10は、入力された絶対寸法と検索結果に含まれる絶対寸法を比較して、類似度が所定値以上のデータに絞り込みを行う(S25)。画像を用いて絞り込まれた検索結果は、ワーク1の絶対寸法を含む。画像検査システム設計装置10は、入力された絶対寸法と、抽出された過去の事例の絶対寸法との類似度を算出し、検索結果を、例えば、類似度が上位所定割合であるデータに絞り込んでよい。
最後に、画像検査システム設計装置10は、絞り込まれた検索結果に基づいて、画像検査システム100を構成する機器のパラメータを算出する(S26)。画像検査システム設計装置10は、例えば、絞り込まれた検索結果に含まれる機器のパラメータの平均によって、画像検査システム100を構成する機器のパラメータを算出してよい。このように、データベースの検索によって、比較的少ない演算量で画像検査システム100を構成する機器のパラメータを算出することができる。以上により、本実施形態の変形例に係る画像検査システム設計装置10により実行されるパラメータ算出処理が終了する。
以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。
[附記]
画像検査システム(100)による検査内容を表す情報と、前記画像検査システム(100)による検査の対象となるワーク(1)の絶対寸法を表す情報との入力を受け付ける入力部(10e)と、
過去の事例に基づいて生成された学習モデル(12)に前記検査内容を表す情報及び前記絶対寸法を表す情報を入力し、前記学習モデル(12)の出力に基づいて、前記画像検査システム(100)を構成する機器のパラメータを算出する算出部(13)と、
を備える画像検査システム設計装置(10)。
画像検査システム(100)による検査内容を表す情報と、前記画像検査システム(100)による検査の対象となるワーク(1)の絶対寸法を表す情報との入力を受け付ける入力部(10e)と、
過去の事例に基づいて生成された学習モデル(12)に前記検査内容を表す情報及び前記絶対寸法を表す情報を入力し、前記学習モデル(12)の出力に基づいて、前記画像検査システム(100)を構成する機器のパラメータを算出する算出部(13)と、
を備える画像検査システム設計装置(10)。
1…ワーク、10…画像検査システム設計装置、10a…CPU、10b…RAM、10c…ROM、10d…通信部、10e…入力部、10f…表示部、11…記憶部、12…学習モデル、12a…第1ニューラルネットワーク、12b…第2ニューラルネットワーク、12c…第3ニューラルネットワーク、13…算出部、21…第1照明、22…第2照明、31…レンズ、32…カメラ、100…画像検査システム
Claims (11)
- 画像検査システムによる検査内容を表す情報と、前記画像検査システムによる検査の対象となるワークの絶対寸法を表す情報との入力を受け付ける入力部と、
過去の事例に基づいて生成された学習モデルに前記検査内容を表す情報及び前記絶対寸法を表す情報を入力し、前記学習モデルの出力に基づいて、前記画像検査システムを構成する機器のパラメータを算出する算出部と、
を備える画像検査システム設計装置。 - 前記入力部は、前記ワークの特性を表す情報の入力をさらに受け付け、
前記学習モデルは、前記検査内容を表す情報、前記絶対寸法を表す情報及び前記ワークの特性を表す情報と、前記パラメータとを関係付けるモデルである、
請求項1に記載の画像検査システム設計装置。 - 前記ワークの特性を表す情報は、前記ワークを撮影した画像を含む、
請求項2に記載の画像検査システム設計装置。 - 前記学習モデルは、前記画像に基づいて前記ワークの特性を識別する第1ニューラルネットワークを含む、
請求項3に記載の画像検査システム設計装置。 - 前記絶対寸法を表す情報は、前記ワークの2次元CADデータ及び前記ワークの3次元CADデータの少なくともいずれかを含む、
請求項1から4のいずれか一項に記載の画像検査システム設計装置。 - 前記学習モデルは、前記2次元CADデータ及び前記3次元CADデータの少なくともいずれかに基づいて前記ワークの絶対寸法を識別する第2ニューラルネットワークを含む、
請求項5に記載の画像検査システム設計装置。 - 前記検査内容を表す情報は、前記ワークの種類、部位及び状態の少なくともいずれかを表す情報を含む、
請求項1から6のいずれか一項に記載の画像検査システム設計装置。 - 前記学習モデルは、前記検査内容を表す情報から検査内容の項目を識別する第3ニューラルネットワークを含む、
請求項7に記載の画像検査システム設計装置。 - 前記学習モデルは、前記検査内容を表す情報及び前記絶対寸法を表す情報と、前記パラメータとを対応付けたデータベースを含む、
請求項1から8のいずれか一項に記載の画像検査システム設計装置。 - 画像検査システムによる検査内容を表す情報と、前記画像検査システムによる検査の対象となるワークの絶対寸法を表す情報との入力を受け付けることと、
過去の事例に基づいて生成された学習モデルに前記検査内容を表す情報及び前記絶対寸法を表す情報を入力し、前記学習モデルの出力に基づいて、前記画像検査システムを構成する機器のパラメータを算出することと、
を含む画像検査システム設計方法。 - 画像検査システムによる検査内容を表す情報と、前記画像検査システムによる検査の対象となるワークの絶対寸法を表す情報との入力を受け付ける入力部を備える画像検査システム設計装置に備えられたプロセッサを、
過去の事例に基づいて生成された学習モデルに前記検査内容を表す情報及び前記絶対寸法を表す情報を入力し、前記学習モデルの出力に基づいて、前記画像検査システムを構成する機器のパラメータを算出する算出部、
として機能させる画像検査システム設計プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018242927A JP2020106936A (ja) | 2018-12-26 | 2018-12-26 | 画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラム |
PCT/JP2019/048075 WO2020137488A1 (ja) | 2018-12-26 | 2019-12-09 | 画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラム |
CN201980058215.XA CN112655017A (zh) | 2018-12-26 | 2019-12-09 | 图像检查系统设计装置、图像检查系统设计方法以及图像检查系统设计程序 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018242927A JP2020106936A (ja) | 2018-12-26 | 2018-12-26 | 画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020106936A true JP2020106936A (ja) | 2020-07-09 |
Family
ID=71129781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018242927A Pending JP2020106936A (ja) | 2018-12-26 | 2018-12-26 | 画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラム |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP2020106936A (ja) |
CN (1) | CN112655017A (ja) |
WO (1) | WO2020137488A1 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63201876A (ja) * | 1987-02-18 | 1988-08-19 | Hitachi Ltd | 画像処理方法および装置 |
JPS63204373A (ja) * | 1987-02-19 | 1988-08-24 | Fuji Electric Co Ltd | 撮像用照明方法の設計支援装置 |
JPH06229957A (ja) * | 1993-02-01 | 1994-08-19 | Fujitsu Ltd | 材質判別方法 |
JPH07220058A (ja) * | 1991-07-12 | 1995-08-18 | Omron Corp | 照明条件設定支援装置および方法 |
US20180107896A1 (en) * | 2016-10-16 | 2018-04-19 | Samsung Electronics Co., Ltd. | Method and apparatus to perform material recognition and training for material recognition |
JP2019060780A (ja) * | 2017-09-27 | 2019-04-18 | ファナック株式会社 | 検査装置及び検査システム |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050157920A1 (en) * | 2004-01-21 | 2005-07-21 | John Doherty | Machine vision system and method |
US9855698B2 (en) * | 2013-08-07 | 2018-01-02 | Massachusetts Institute Of Technology | Automatic process control of additive manufacturing device |
JP6604832B2 (ja) * | 2015-12-02 | 2019-11-13 | 池上通信機株式会社 | 機械学習支援装置 |
-
2018
- 2018-12-26 JP JP2018242927A patent/JP2020106936A/ja active Pending
-
2019
- 2019-12-09 CN CN201980058215.XA patent/CN112655017A/zh active Pending
- 2019-12-09 WO PCT/JP2019/048075 patent/WO2020137488A1/ja active Application Filing
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS63201876A (ja) * | 1987-02-18 | 1988-08-19 | Hitachi Ltd | 画像処理方法および装置 |
JPS63204373A (ja) * | 1987-02-19 | 1988-08-24 | Fuji Electric Co Ltd | 撮像用照明方法の設計支援装置 |
JPH07220058A (ja) * | 1991-07-12 | 1995-08-18 | Omron Corp | 照明条件設定支援装置および方法 |
JPH06229957A (ja) * | 1993-02-01 | 1994-08-19 | Fujitsu Ltd | 材質判別方法 |
US20180107896A1 (en) * | 2016-10-16 | 2018-04-19 | Samsung Electronics Co., Ltd. | Method and apparatus to perform material recognition and training for material recognition |
JP2019060780A (ja) * | 2017-09-27 | 2019-04-18 | ファナック株式会社 | 検査装置及び検査システム |
Also Published As
Publication number | Publication date |
---|---|
CN112655017A (zh) | 2021-04-13 |
WO2020137488A1 (ja) | 2020-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Nuchitprasitchai et al. | Factors effecting real-time optical monitoring of fused filament 3D printing | |
Koniar et al. | Virtual instrumentation for visual inspection in mechatronic applications | |
CN110176075A (zh) | 通过视觉系统同时考虑图像特征中边缘和法线的系统和方法 | |
CN112989947A (zh) | 一种人体关键点的三维坐标的估计方法及装置 | |
Zhdanova et al. | Human activity recognition for efficient human-robot collaboration | |
Roda-Sanchez et al. | Comparison of RGB-D and IMU-based gesture recognition for human-robot interaction in remanufacturing | |
Oyekan et al. | Utilising low cost RGB-D cameras to track the real time progress of a manual assembly sequence | |
Lyu et al. | Automated visual inspection expert system for multivariate statistical process control chart | |
WO2020137488A1 (ja) | 画像検査システム設計装置、画像検査システム設計方法及び画像検査システム設計プログラム | |
Ho et al. | Preliminary study of Augmented Reality based manufacturing for further integration of Quality Control 4.0 supported by metrology | |
Vergeest et al. | Fitting freeform shape patterns to scanned 3D objects | |
WO2020012874A1 (ja) | 画像処理装置、画像処理方法及び画像処理プログラム | |
JPS63201876A (ja) | 画像処理方法および装置 | |
López-Estrada et al. | Design and implementation of a vision system on an innovative single point micro-machining device for tool tip localization | |
Sherman et al. | Automatic defect classification system for semiconductor wafers | |
US20210142049A1 (en) | Motion recognition apparatus, motion recognition method, non-transitory computer readable storage medium, and motion recognition system | |
CN113850113A (zh) | 动作识别系统、方法及存储介质 | |
JP2019003324A (ja) | Cae解析支援装置 | |
Bahubalendruni | An efficient method for exploded view generation through assembly coherence data and precedence relations | |
US11087218B2 (en) | Electronic device, presentation method for decision-making process module and computer readable medium | |
Ranky | Advanced machine vision systems and application examples | |
JP2020154798A (ja) | 画像検査装置 | |
KR20210026176A (ko) | 딥 러닝을 위한 라벨링 이미지 생성 방법 | |
Root et al. | Challenges of designing hand recognition for a manual assembly assistance system | |
Chen et al. | Automatic Identification of Wrist Position in a Virtual Environment for Garment Design |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201214 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220207 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220406 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20220825 |