JP2022023390A - 検査システム、検査方法、及び検査プログラム - Google Patents

Abstract

【課題】生産した工作物を判定する際のしきい値を更新できない、時間経過で工作物の特性が変動した場合に誤判定が増加する、との課題がある。【解決手段】検査システムは、対象物を測定して測定値を出力する測定器と、前記測定値に基づく前記対象物の特徴を表す対象特徴量と、前記対象物の種別の判別に用いる判別パラメーターとを用いて前記対象物の判別を行う判別部と、前記対象特徴量を用いて前記判別パラメーターを更新する判別パラメーター更新部と、を備える。【選択図】図１

Description

本発明は、対象物の良否を判別する検査システム、検査方法、及び検査プログラムに関する。

生産工場の生産ラインでは、生産物の全数に対する検査あるいは抜き取り検査を行って良否の判別を行っている。従来、検査対象の工作物の個数を削減しつつ不良品の取りこぼしを防止する加工機械システムが知られている（例えば、特許文献１参照）。

特許文献１に記載の加工機械システムは、加工機械と、数値制御装置と、内部情報取得部と、仮判定部と、最終判定部と、しきい値更新部とを備える。
加工機械は、少なくとも１つの電動機が軸を駆動して工作物を加工する。
数値制御装置は、加工プログラムに基づき加工機械の軸を駆動するための指令を生成する。

内部情報取得部は、数値制御装置の内部情報を取得する。
仮判定部は、前記内部情報としきい値との比較結果に基づいて工作物の良否を判定する。
最終判定部は、生産された工作物を測定した測定結果に基づいて当該工作物の良否を判定する。
しきい値更新部は、仮判定部、及び最終判定部の判定結果に基づいて、仮判定部の判定に用いられるしきい値を更新する。

特開２０１７－１７４２３６号公報

特許文献１の加工機械システムでは、仮判定部が判定に用いるしきい値を更新できるが、生産された工作物の測定結果に基づいて当該工作物の良否を判定する最終判別部が用いるしきい値を更新できない、との課題がある。

生産工場では例えば、朝の始業時から日中へ時間が経過して測定環境（例えば、振動、気圧、温度、湿度など）が変動することにより、工作物の測定値が全体的に変動する場合がある。特許文献１の加工機械システムでは、時間経過により工作物の測定値が全体的に変動した場合でも、仮判定部が判定処理に用いる内部情報のしきい値を更新するだけであるので、不良品を良品と判定する誤判定が増加するおそれがある、との課題がある。

第一態様に係る検査システムは、対象物を測定して測定値を出力する測定器と、前記測定値に基づく前記対象物の特徴を表す対象特徴量と、前記対象物の種別の判別に用いる判別パラメーターとを用いて前記対象物の判別を行う判別部と、前記対象特徴量を用いて前記判別パラメーターを更新する判別パラメーター更新部と、を備える。

第二態様に係る検査方法は、対象物を測定して測定値を出力する測定器により測定された前記対象物の前記測定値に基づいて、前記対象物を検査する検査方法であって、前記測定値に基づく前記対象物の特徴を表す対象特徴量と、前記対象物の種別の判別に用いる判別パラメーターとを用いて前記対象物の判別を行う判別ステップと、前記対象特徴量を用いて前記判別パラメーターを更新する判別パラメーター更新ステップと、を備える。

第三態様に係る検査プログラムは、コンピューターにより読み取り実行可能な検査プログラムであって、第二態様の検査方法を前記コンピューターに実施させる。

一実施形態の検査システムの構成、及び制御部の機能構成を示すブロック図。 一実施形態の検査システムの検査方法の概略を示すフローチャート。 一実施形態の対象物の検査に使用する特徴量パラメーター、及び判別パラメーターを学習するパラメーター学習処理の一例を示すフローチャート。 一実施形態の対象物を検査する対象物検査処理の一例を示すフローチャート。 フィッシャー特徴量の特徴を説明するための概念図。 従来技術の課題の一つを説明するための概念図。

以下、図面を参照して本発明に係る実施形態について説明する。
［検査システム１の構成］
図１は、一実施形態の検査システム１の構成、及び制御部１２の機能構成を示すブロック図である。
検査システム１は、図１に示すように、検査装置１０と、測定器１１と、を備える。検査装置１０は、コンピューターであり、ＣＰＵ（Central Processing Unit）等により構成された制御部１２と、メモリーまたはハードディスク等の記録回路により構成された記憶部１３とを備える。

測定器１１は、後述する特徴量パラメーター、及び判別パラメーターを学習する際に使用する対象物２１と、実際に生産され、検査の対象である対象物２２とをそれぞれ測定する。
測定器１１は、対象物２１及び２２の特徴と相関を有する物理量を計測できるものであればよい。本実施形態では、測定器１１は、対象物２１及び２２で反射された光に含まれる複数波長の光のそれぞれの光強度を測定する、分光測定装置である。測定器１１は、具体的には、測色計、ＲＧＢカメラ、マルチバンド光量計またはマルチバンドカメラ等により構成されている。

学習用の対象物２１、検査用の対象物２２を区別するため、学習用の対象物２１を第一対象物（事前対象物）２１と称する。また、検査用の対象物２２を第二対象物２２と称する。
本実施形態では、第二対象物２２が良品であるか不良品であるかを判別することを目的とする。そのため、第一対象物２１として、良品であると予め確認されている複数の第一対象物２１からなる良品群と、不良品であると予め確認されている複数の第一対象物２１からなる不良品群とを用意する。

制御部１２は、パラメーター学習処理と、対象物検査処理とを実行する。
制御部１２は、パラメーター学習処理では、第二対象物２２を検査する前に、当該検査に使用する特徴量パラメーター、及び判別パラメーターを学習し、特徴量パラメーターを特徴量パラメーター保存部４１に保存するとともに、判別パラメーターを判別パラメーター保存部４２に保存する。

制御部１２は、対象物検査処理では、第二対象物２２の検査を行うとともに、第二対象物２２の特性が変動した場合には判別パラメーターを逐次更新し、第二対象物２２の特性の変動量が所定のしきい値を超えた場合はアラートを出力する。

制御部１２は、具体的には、記憶部１３に記憶されたパラメーター学習処理プログラム、対象物検査処理プログラム等の各種プログラムを読み込み実行することにより、図１に示すように、特徴量算出部３１と、判別部３２と、判別結果出力部３３と、判別パラメーター更新部３４と、判別パラメーター監視部３５と、アラート出力部３６等として機能する。

記憶部１３は、特徴量パラメーター保存部４１、及び判別パラメーター保存部４２を有し、前記パラメーター学習処理プログラム、前記対象物検査処理プログラム等の各種プログラムが記憶されているとともに、前記各種プログラムが実行される際に使用される各種データが記憶される。

特徴量算出部３１は、前記パラメーター学習処理では、測定器１１から供給される良品群、及び不良品群にそれぞれ属する複数の第一対象物２１を測定した複数の測定値と、各第一対象物２１が良品であるか否かを示す良否情報とを用いて、良品群と不良品群を判別するのに適した学習用の特徴量を算出する。特徴量算出部３１は、学習用の特徴量を判別部３２に供給するとともに、測定値を特徴量に変換する特徴ベクトル（式（９）参照）を特徴量パラメーターとして特徴量パラメーター保存部４１に保存する。

特徴量算出部３１は、前記対象物検査処理では、測定器１１から供給される第二対象物２２を測定した測定値と、特徴量パラメーター保存部４１から読み出した特徴量パラメーター（特徴ベクトル）とを用いて、検査用の特徴量を算出する。特徴量算出部３１は、算出した検査用の特徴量を判別部３２に供給する。

第一対象物２１を測定した測定値、第二対象物２２を測定した測定値を区別するため、第一対象物２１を測定した測定値を第一測定値と称する。また、第二対象物２２を測定した測定値を第二測定値と称する。
また、学習用の特徴量、検査用の特徴量を区別するため、学習用の特徴量を第一特徴量（事前特徴量）と称する。また、検査用の特徴量を第二特徴量と称する。

以下、本実施形態において採用する特徴量について図５及び図６を参照して説明する。
測定環境などが変動することにより、図６に示すように、工作物の特性が全体的に変動した場合、特許文献１の加工機械システムでは、仮判定部が判定処理に用いる内部情報のしきい値を、生産初期に用いられたもの（図６に示す１点鎖線の円）から、破線の円により示すものに更新するだけであるので、不良品を良品と判定する誤判定が増加するおそれがある。

図６は、工作物の良否を判定するために測定する物理量１（例えば、寸法）と物理量２（例えば、重量）とからなる２次元空間を表している。
図６において、白丸は生産初期に得られる良品の物理量１の測定値と物理量２の測定値とからなる座標、黒丸は所定時間経過後に生産された良品の物理量１の測定値と物理量２の測定値とからなる座標、×印は生産初期から所定時間経過後までに生産された良品の物理量１の測定値と物理量２の測定値とからなる座標の平均を表している。

測定環境が変動しない場合でも、工作機械の加工精度などが影響して、図５に示すように、工作物の測定値は良品群内、及び不良品群内である程度ばらつく。
図５は、工作物の良否を判別するために測定する物理量１（例えば、分光スペクトルの波長１）と物理量２（例えば、分光スペクトルの波長２）とからなる２次元空間を表している。
なお、工作物の良否を判別するために複数の物理量を測定するので、これらの物理量で形成される空間は多次元空間となる。

図５において、白丸は生産初期に得られる良品の物理量１の測定値と物理量２の測定値とからなる座標、黒丸は所定時間経過後に生産された良品の物理量１の測定値と物理量２の測定値とからなる座標を表している。
また、実線の×印は生産初期に得られる良品の物理量１の測定値の平均と物理量２の測定値の平均とからなる座標、破線の×印は所定時間経過後に生産された良品の物理量１の測定値の平均と物理量２の測定値の平均とからなる座標を表している。
さらに、１点鎖線の楕円は生産初期に用いられる判別域、破線の楕円は所定時間経過後に用いられる判別域を表している。

測定環境などが変化して工作物の特性が全体的に変動した場合でも良品と不良品とを高い判別率で判別するためには、工作物が良品であるか不良品であるかを特徴付ける特徴量は、良品と不良品との間では差が大きいことが好ましい。

一方、工作機械の加工精度などが影響して、工作物の測定値が良品群内、及び不良品群内でばらつくことを考慮すると、工作物が良品であるか不良品であるかを特徴付ける特徴量は、良品群内、及び不良品群内において前記した測定値のばらつきの影響を受けないことが好ましい。

以上のことから、工作物が良品であるか不良品であるかを特徴付ける特徴量は、良品と不良品との間では差が大きく、良品群内、及び不良品群内では差が小さくなる成分を特徴量とすることが好ましい。

そこで、良品群内、及び不良品群内については、異なる２組の物理量の測定値の関係を示す共分散（以下「群内共分散」という。）を求める。一方、良品群と不良品群との間については、同一の物理量に関し、良品の各測定値と不良品の各測定値との関係を示す共分散（以下「群間共分散」という。）を求める。共分散は、各測定値の平均からの偏差を全て乗じたものを測定回数で除して得られる。

そして群間共分散を群内共分散で除した群間共分散／群内共分散を最大化する成分を特徴量とする。このような群間共分散／群内共分散を最大化する性質を有する特徴量の１つとして、フィッシャー（Fisher）情報量がある。フィッシャー情報量は、測定環境などが変化して工作物の特性が全体的に変動した場合でも高い判別率を維持するために適した特徴量である。
したがって、本実施形態では、特徴量として、フィッシャー情報量を用いる。

具体的には、特徴量算出部３１は、以下に示す式（１）～式（９）に基づいて、測定値ｘから良品群と不良品群とを判別するのに適した特徴量（フィッシャー情報量）ｙを求め、測定値ｘを特徴量ｙに変換する特徴ベクトルＵを特徴量パラメーターとする。

式（１）において、ｘ_ｉｊは、群「i」における「ｊ」番目の測定スペクトルであり、具体的には、Ｌ個の測定値から構成されるベクトルである。本実施形態では、測定値ｘ_ｉｊの添字ｉは良品群（例えば、ｉ＝１）と不良品群（例えば、ｉ＝２）を示す変数であり、添字ｊは同一の群内における順番を示す変数である。
式（１）において、「Ｌ」は測定される物理量の数（例えば、スペクトルの波長数）を表している。「Ｌ」が測定される物理量の数を表すことは後述する式（１０）においても同様である。
式（１）において、「Ｔ」はベクトルまたは行列の転置を表している。「Ｔ」が転置を表すことは後述する式（４）、式（５）、式（９）、式（１０）、式（１２）、式（１３）、式（１４）、及び式（１６）においても同様である。

式（２）は、良品群毎及び不良品群毎の平均スペクトルを表し、測定値からなるベクトルｘ_ｉｊを全てのｊについて平均して得られるベクトルである。式（３）は測定値からなるベクトルｘ_ｉｊを全てのｉ，ｊについて平均して得られる平均ベクトルである。式（２）、及び式（３）において、Ｎ_ｉは良品群毎及び不良品群毎のベクトルｘ_ｉｊの総数を表している。

式（４）は良品群、及び不良品群のそれぞれの内部において、全ての物理量の測定値の組み合わせについて求めた共分散を行列の形で表した群内共分散行列、式（５）は良品群と不良品群との間において、同一の物理量の測定値の全ての組み合わせについて求めた共分散を行列の形で表した群間共分散行列を表している。

式（６）は、フィッシャー情報量に基づいて対象物の良品と不良品を判別するための式である。すなわち、式（５）を式（４）で除した群間共分散行列／群内共分散行列Ｓ_Ｗ ^－１Ｓ_Ｂが最大になるように、式（７）に示す特徴ベクトルＵ_ｍ（１≦ｍ≦Ｋ≦Ｌ）(またはその行列表現であるＵ)、及び式（８）に示す固有値λ_ｍ（１≦ｍ≦Ｋ≦Ｌ）(またはその行列表現であるΛ)を求めればよい。ここで、ｍは整数である。また、後述するように、Ｋは、主成分の数であり、Ｌ以下である。Ｌは、前記の通り、測定値から構成されるベクトルｘ_ｉｊにおける要素数である。

特徴ベクトルＵはフィッシャー情報量スペクトルであり、これを特徴量パラメーターとする。
固有値Λはフィッシャー情報量スペクトルの寄与度である。
特徴ベクトルＵ、及び固有値Λはスペクトルの波長数Ｌと同数のＬ個がそれぞれ求まるが、このうち、上位Ｋ個が主成分である。

式（６）において、「－１」は逆行列を表している。「－１」が逆行列を表すことは後述する式（１３）においても同様である。
式（８）において、Ｉは単位行列を表している。
式（９）に示すように、特徴ベクトルＵと測定値ｘ_ｉｊの内積をとることにより、対応する特徴量（フィッシャー情報量）ｙ_ｉｊを求めることができる。後述する対象物検査処理（図２のステップＳ２、及び図４参照）において第二測定値ｘから第二特徴量ｙを算出するために、特徴量算出部３１は、特徴ベクトルＵを特徴量パラメーターとして特徴量パラメーター保存部４１に保存する。

判別部３２は、パラメーター学習処理では、特徴量算出部３１から供給される第一特徴量ｙ_ｉｊ（式（１０）参照）を用いて、対象物検査処理において第二対象物２２を良品群と不良品群とに判別するための判別パラメーターを求める。
判別パラメーターは、式（１１）に示す平均特徴量と、式（１２）に示す共分散行列とを含む。
判別部３２は、パラメーター学習処理では、前記平均特徴量、及び前記共分散行列を含む判別パラメーターを判別パラメーター保存部４２に保存する。

式（１０）～式（１２）において、添字ｉは良品群（例えば、ｉ＝１）と不良品群（例えば、ｉ＝２）を示す変数であり、添字ｊは同一の群内における順番を示す変数である。
式（１１）、及び式（１２）において、Ｎ_ｉは良品群と不良品群それぞれの特徴量ｙの総数を表している。

判別部３２は、対象物検査処理では、第二対象物２２の良否を判別するために、特徴量算出部３１から供給される第二特徴量ｙと、判別パラメーター保存部４２から読み出した判別パラメーター（平均特徴量、及び共分散行列）とを用いて、第二特徴量ｙから良品群、及び不良品群それぞれの平均特徴量までのマハラノビス距離（式（１３）参照）を計算する。
判別部３２は、計算したマハラノビス距離の中で最も小さくなる群を第二対象物２２の判別結果とし、判別結果を判別結果出力部３３に供給する。

このように、測定値と平均値との偏差だけでなく、測定値のばらつき（分散）に対する偏差の比率も考慮することによって、第二対象物２２の良否をより正確に判別することができる。マハラノビス距離とは、このように測定値のばらつきまでを考慮した上で、第二対象物２２が良品群または不良品群のいずれに属すると判断できるかを示す指標である。ある群に属する可能性が高くなるほど、当該群に対するマハラノビス距離は小さくなる。

判別結果出力部３３は、判別部３２から供給される判別結果を、例えば、図示しない表示装置に表示したり、図示しない関連装置へ制御信号として出力したりすることにより、外部へ出力する。

判別パラメーター更新部３４は、判別パラメーター保存部４２に保存されている判別パラメーター（平均特徴量、及び共分散行列）を、特徴量算出部３１が第二対象物２２から算出した第二特徴量ｙを用いて更新する。
判別パラメーター監視部３５は、判別パラメーター（平均特徴量、及び共分散行列）の変化を監視する。
アラート出力部３６は、判別パラメーター（平均特徴量、及び共分散行列）の変化が大きくなった際にアラートを出力する。

記憶部１３において、特徴量パラメーター保存部４１は、第二特徴量ｙを算出するために必要な特徴量パラメーター（特徴ベクトルＵ）を保存する。
判別パラメーター保存部４２は、前記平均特徴量、及び前記共分散行列を含む判別パラメーターを保存する。

［検査方法］
本実施形態の検査システム１は、生産工場で生産された生産物、すなわち、第二対象物２２の良否を判別する。
図２は、本実施形態の検査方法の概略を示すフローチャートである。
本実施形態の検査方法は、パラメーター学習処理(ステップＳ１)と、対象物検査処理(ステップＳ２)とにより構成されている。

パラメーター学習処理では、第二対象物２２を検査する前に、当該検査に使用する特徴量パラメーター、及び判別パラメーターを学習し、特徴量パラメーターを特徴量パラメーター保存部４１に保存するとともに、判別パラメーターを判別パラメーター保存部４２に保存する（ステップＳ１）。

対象物検査処理では、第二対象物２２の検査を行うとともに、第二対象物２２の特性が変動した場合には判別パラメーターを逐次更新し、第二対象物２２の特性の変動量が所定のしきい値を超えた場合はアラートを出力する（ステップＳ２）。

［パラメーター学習処理］
次に、パラメーター学習処理について説明する。
図３は、パラメーター学習処理の一例を示すフローチャートである。
まず、測定器１１は、良品群、及び不良品群をそれぞれ構成する複数の第一対象物２１の物理量を測定し、それぞれの測定結果を特徴量算出部３１に順次供給する（ステップＳ１１）。

次に、特徴量算出部３１は、測定器１１から複数の測定結果が供給されると、良品群、及び不良品群をそれぞれ構成する複数の第一対象物２１毎に良品であるか不良品であるかを示す良否情報を取得する（ステップＳ１２）。この処理は、例えば、作業者が図示しない操作部を操作して、各測定結果に対応させて入力してもよい。

次に、特徴量算出部３１は、測定器１１から供給される良品群、及び不良品群にそれぞれ属する複数の第一対象物２１を測定した複数の第一測定値ｘ_ｉｊ（式（１）参照）と、第一対象物２１毎の良否情報とを用いて、特徴ベクトルＵ（式（７）参照）、及び第一特徴量ｙ_ｉｊ（式（９）参照）を算出し、判別部３２に供給する（ステップＳ１３）。第一特徴量ｙ_ｉｊは、式（１）に合わせて式（１０）で表すことができる。

判別部３２は、特徴量算出部３１から第一特徴量ｙ_ｉｊ（式（１０）参照）が供給されると、良品群、及び不良品群のそれぞれについて、当該第一特徴量ｙ_ｉｊ（式（１０）参照）を用いて、判別パラメーターを構成する平均特徴量（式（１１）参照）、及び共分散行列（式（１２）参照）を算出する（ステップＳ１４）。

次に、特徴量算出部３１は、特徴ベクトルＵ（式（７）参照）を特徴量パラメーターとして特徴量パラメーター保存部４１に保存する。判別部３２は、良品群、及び不良品群のそれぞれに関する前記平均特徴量（式（１１）参照）、及び前記共分散行列（式（１２）参照）を各群の判別パラメーターとして判別パラメーター保存部４２に保存する。その後、特徴量算出部３１、及び判別部３２は、図３に示すパラメーター学習処理を終了して、図２に示すメインの処理に復帰する（ステップＳ１５）。

［対象物検査処理］
次に、対象物検査処理について説明する。
図４は、対象物検査処理の一例を示すフローチャートである。
まず、測定器１１は、生産ラインで実際に生産され、検査の対象である第二対象物２２について、図３に示すステップＳ１１の処理と同一の条件で測定し、測定結果である第二測定値ｘを特徴量算出部３１に供給する（ステップＳ２１）。

特徴量算出部３１は、測定器１１から第二測定値ｘが供給されると、当該第二測定値ｘと、特徴量パラメーター保存部４１から読み出した特徴量パラメーター（特徴ベクトルＵ）（式（７）参照）を用いて、第二特徴量ｙ（式（１４）参照）を算出し、判別部３２に供給する（ステップＳ２２）。

判別部３２は、特徴量算出部３１から第二特徴量ｙが供給されると、前記第二特徴量ｙに基づいて対応する第二対象物２２の良否を判別するために、前記第二特徴量ｙと、判別パラメーター保存部４２から読み出した良品群、及び不良品群のそれぞれに関する平均特徴量（式（１１）参照）、及び共分散行列（式（１２）参照）を用いて、第二特徴量ｙから良品群、及び不良品群それぞれの平均特徴量までのマハラノビス距離（式（１３）参照）を計算する。
判別部３２は、計算したマハラノビス距離の中で最もが小さくなる群を第二対象物２２の判別結果とし、判別結果を判別結果出力部３３に供給する（ステップＳ２３；判別ステップ）。

判別結果出力部３３は、判別部３２から判別結果が供給されると、当該判別結果を、例えば、図示しない表示装置に表示したり、図示しない関連装置へ制御信号として出力したりすることにより、外部へ出力した後、その旨を判別パラメーター更新部３４に通知する(ステップＳ２４)。

判別パラメーター更新部３４は、判別結果出力部３３から判別結果を外部へ出力した旨の通知を受けると、ステップＳ２３の処理において判別結果を求めた第二対象物２２が、予め定めた判別パラメーターを更新する対象の群に属するか否かを判断する（ステップＳ２５）。本実施形態では、第二対象物２２の良否を判別するので、良品のみを判別パラメーターの更新対象とする。ステップＳ２５の判断結果が「ＹＥＳ」の場合には、判別パラメーター更新部３４は、ステップＳ２６へ進む。

ステップＳ２６では、判別パラメーター更新部３４は、判別パラメーター保存部４２から読み出した判別パラメーター（平均特徴量、及び共分散行列）と、特徴量算出部３１が第二対象物２２の第二測定値ｘから算出した第二特徴量ｙとを式（１５）、及び式（１６）に代入して、新たな判別パラメーター（平均特徴量、及び共分散行列）を求める。
次に、判別パラメーター更新部３４は、新たな判別パラメーター（平均特徴量、及び共分散行列）を判別パラメーター保存部４２に保存して更新した後、その旨を判別パラメーター監視部３５に通知する（判別パラメーター更新ステップ）。
このステップＳ２６の処理は、図５の例では、パラメーター学習処理で求めた平均特徴量（実線の×印）を、新たな平均特徴量（破線の×印）に変更することに相当する。
なお、パラメーター学習処理において算出した判別パラメーター（平均特徴量、及び共分散行列）は、判別パラメーター保存部４２に記憶しておく。

判別パラメーター更新処理は、測定環境などが変化することにより工作物の特性が全体的に変動した場合を考慮したものである。
式（１５）、及び式（１６）において、αは工作物の特性変化への追従速度を制御するパラメーターである。

一方、ステップＳ２５の判断結果が「ＮＯ」の場合、すなわち、ステップＳ２３の処理において判別結果を求めた第二対象物２２が、予め定めた判別パラメーターを更新する対象の群に属しない場合には、判別パラメーター更新部３４は、その旨を特徴量算出部３１に通知する。これにより、後述するステップＳ２６～Ｓ２９の処理は実行されず、特徴量算出部３１は、ステップＳ３０へ進む。

判別パラメーター監視部３５は、判別パラメーター更新部３４から判別パラメーター（平均特徴量、及び共分散行列）を更新した旨の通知を受けると、パラメーター学習処理において算出した判別パラメーター（平均特徴量、及び共分散行列）と、ステップＳ２６において判別パラメーター更新部３４が更新した判別パラメーター（平均特徴量、及び共分散行列）との差分（変動量）を計算する（ステップＳ２７）。

次に、判別パラメーター監視部３５は、ステップＳ２７において計算した差分（変動量）が予め設定したしきい値より大きいか否かを判断する（ステップＳ２８）。ステップＳ２８の判断結果が「ＹＥＳ」の場合には、判別パラメーター監視部３５は、その旨をアラート出力部３６に通知する。

アラート出力部３６は、判別パラメーター監視部３５から差分（変動量）が予め設定したしきい値より大きい旨の通知を受けると、判別パラメーター（平均特徴量、及び共分散行列）が更新された群に含まれる対象物の特性が明らかに変動したものと判断してアラートを出力した後、その旨を特徴量算出部３１に通知する（ステップＳ２９）。
これにより、作業者は、例えば、検査対象の生産ラインを停止させ、当該生産ラインにおいて４Ｍ変動が起こっていないかなどをチェックする。４Ｍ変動とは、人（man）、製造機械（machine）、材料（material）または製造方法（method）のいずれかが変化することを意味する。
つまり、この場合は、測定環境だけでなく、生産環境（例えば、電源電圧、加工機械の温度、切削工具の位置や切れ味など）にも何らかの変動が生じている可能性が高いのである。
前記しきい値は、このような変動を想定して予め設定しておくことが好ましい。

一方、ステップＳ２８の判断結果が「ＮＯ」の場合、すなわち、ステップＳ２７において計算した差分（変動量）が予め設定したしきい値より大きくない場合には、判別パラメーター監視部３５は、その旨を特徴量算出部３１に通知する。これにより、前記したステップＳ２９の処理は実行されず、特徴量算出部３１は、ステップＳ３０へ進む。

特徴量算出部３１は、判別パラメーター更新部３４、判別パラメーター監視部３５またはアラート出力部３６から前記したそれぞれの通知を受けると、第二特徴量ｙ（式（１４）参照）を算出するために、第二測定値ｘが新たに供給されたか否か判断する（ステップＳ３０）。ステップＳ３０の判断結果が「ＹＥＳ」の場合には、特徴量算出部３１は、ステップＳ２１へ戻り、ステップＳ２１以降の処理を繰り返す。
一方、ステップＳ３０の判断結果が「ＮＯ」の場合、すなわち、第二特徴量ｙ（式（１４）参照）を算出するための第二測定値ｘが新たに供給されなかった場合には、特徴量算出部３１は、図４に示す対象物検査処理を終了して、図２に示すメインの処理に復帰する。

［本実施形態の作用効果］
本実施形態の検査システム１は、第一対象物２１、及び第二対象物２２を測定して測定値を出力する測定器１１と、測定値に基づく第一対象物２１、及び第二対象物２２の特徴を表す特徴量と、対象物の種別の判別に用いる判別パラメーターとを用いて第一対象物２１、及び第二対象物２２の判別を行う判別部３２と、特徴量を用いて判別パラメーターを更新する判別パラメーター更新部３４と、を備える。

これにより、検査用の第二対象物２２の判別に用いる判別パラメーターを検査用の第二対象物２２の特徴量を用いて更新しているので、測定環境が変動したことを検出するためのセンサーを設けることなく、安価な構成で、測定環境の変動（例えば、外光や温度の変動）等による第二対象物２２の測定値の変動に追従した判別が行われ、よりロバストな検査が可能になる。
また、判別のためしきい値の更新ではないので、不良品を良品と誤判定するおそれが少ない。

本実施形態の検査システム１は、判別パラメーターの変化を監視する判別パラメーター監視部３５と、判別パラメーターの変化が所定値よりも大きくなった場合にアラートを出力するアラート出力部３６と、をさらに備える。
したがって、測定環境だけでなく、生産や検査に影響を与えるような生産環境などに大きな変動があった場合にそれを確認することができる。

本実施形態の検査システム１では、判別パラメーターは、第二対象物２２を判別すべき群毎の特徴量の共分散と、第二対象物２２を判別すべき群毎の特徴量の平均であり、判別部３２は、第二対象物２２の特徴量から各群の特徴量の平均までのマハラノビス距離に基づいて群を第二対象物２２が属する群と判別している。

また、本実施形態の検査システム１では、特徴量算出部３１と、特徴量パラメーターを保存する特徴量パラメーター保存部４１と、判別パラメーターを保存する判別パラメーター保存部４２と、をさらに備えている。測定器１１は、第二対象物２２を判別すべき良品群及び不良品群をそれぞれ構成する複数の第一対象物２１を測定して複数の第一測定値を出力する。

特徴量算出部３１は、良品群及び不良品群にそれぞれ属する複数の第一測定値と、複数の第一対象物２１毎の良否情報とを用いて、各第一特徴量と、第一測定値を第一特徴量に変換する特徴ベクトルＵを算出して特徴ベクトルＵを特徴量パラメーターとして特徴量パラメーター保存部４１に保存し、第二測定値と、特徴量パラメーター保存部４１から読み出した特徴ベクトルＵを用いて第二特徴量を算出している。

判別部３２は、良品群及び不良品群のそれぞれについて、各第一特徴量を用いて、特徴量の共分散行列と、平均特徴量を算出して判別パラメーター保存部４２に保存し、第二特徴量と、判別パラメーター保存部４２から読み出した特徴量の共分散行列と、平均特徴量とを用いて第二対象物２２の判別を行っている。

したがって、一律に測定環境が変動したものと判断する場合と比較して、良品を不良品と判定する誤判定が発生する可能性は低く、歩留まりが低下するおそれは少ない。また、測定環境の変動を受けた場合でも、他の場合と同様に良品または不良品の判別が行われるので、工数が増加することはない。

［変形例］
なお、本発明は前記実施形態に限定されるものではなく、本発明の目的を達成できる範囲での変形、及び改良等によって得られる構成は本発明に含まれるものである。

（変形例１）
前記実施形態では、第一対象物２１として、特性が変動することを前提とせず、良品であると予め確認されている複数の第一対象物２１からなる良品群と、不良品であると予め確認されている複数の第一対象物２１からなる不良品群とを用意する例を示したが、これに限定されない。良品群、及び不良品群を構成する複数の第一対象物２１には、時間が経過して特性が全体的に変動することを想定したものを含めてもよい。

（変形例２）
前記実施形態では、測定器１１は、測色計、ＲＧＢカメラ、マルチバンド光量計またはマルチバンドカメラ等により構成されている例を示したが、これに限定されない。測定器１１は、第一対象物２１、及び第二対象物２２の特徴と相関を有する物理量を計測できるものであれば、他のものでもよいが、複数のセンサーによって検出される複数の測定値（例えば、対象物の重量や厚みなど）の組み合わせの方が共分散を求めるためにはよい。

（変形例３）
前記実施形態では、図３に示すステップＳ１５において特徴量算出部３１が特徴量パラメーターを特徴量パラメーター保存部４１に保存し、判別部３２が判別パラメーターを判別パラメーター保存部４２に保存する例を示したが、これに限定されない。ステップＳ１３において特徴量算出部３１が特徴量パラメーターを特徴量パラメーター保存部４１に保存し、ステップＳ１４において判別部３２が判別パラメーターを判別パラメーター保存部４２に保存してもよい。

（変形例４）
前記実施形態では、図４に示すステップＳ２１において、第二対象物２２の全数について物理量を測定する例を示したが、これに限定されない。第二対象物２２の一定数毎に抜き取って各物理量を測定してもよい。

（変形例５）
前記実施形態では、図４に示すステップＳ２６において、判別パラメーターだけを更新する例を示したが、これに限定されず、特徴量パラメーターも更新してもよい。

（変形例６）
前記実施形態では、図４に示すステップＳ２６において、第二対象物２２を測定する毎に、判別パラメーターを更新する例を示したが、これに限定されず、判別パラメーターは、一定量の第二対象物２２を測定する毎に、あるいは、ロット毎に更新してもよい。

（変形例７）
前記実施形態では、図４に示すステップＳ２７及びＳ２８において、第二対象物２２を測定する毎に、判別パラメーターの変動量を確認し、当該変動量がしきい値を超えているか否か判断する例を示したが、これに限定されない。判別パラメーターの変動量確認、及び当該変動量がしきい値を超えているか否かの判断は、一定量の第二対象物２２を測定する毎に、あるいは、ロット毎に実行してもよい。

（変形例８）
前記実施形態では、特徴量として、フィッシャー情報量を用いる例を示したが、これに限定されず、特徴量として、測定値をそのまま用いたり、測定値の主成分や機械学習で求めた他の特徴量を用いたりしてもよい。

（変形例９）
前記実施形態では、第二対象物２２の良否の判別にマハラノビス距離を用いる例を示したが、これに限定されず、第二対象物２２の良否の判別には、通常のユークリッド空間距離を用いたり、機械学習法による判別を用いたりしてもよい。

（変形例１０）
前記実施形態では、本発明を第二対象物２２の良否を判別する場合に適用する例を示したが、これに限定されず、本発明は、第二対象物２２の種類を判別する場合にも適用できる。

（変形例１１）
前記実施形態では、第二対象物２２の測定値のばらつきを示す値として分散を用いる例を示したが、これに限定されず、例えば、測定値とその平均値との差の絶対値、測定値と平均値との差の高次乗の積の高次乗根の絶対値などでもよい。

１…検査システム、１０…検査装置、１１…測定器、１２…制御部、１３…記憶部、２１，２２…対象物、３１…特徴量算出部、３２…判別部、３３…判別結果出力部、３４…判別パラメーター更新部、３５…判別パラメーター監視部、３６…アラート出力部、４１…特徴量パラメーター保存部、４２…判別パラメーター保存部。

Claims (8)

1. 対象物を測定して測定値を出力する測定器と、
   前記測定値に基づく前記対象物の特徴を表す対象特徴量と、前記対象物の種別の判別に用いる判別パラメーターとを用いて前記対象物の判別を行う判別部と、
   前記対象特徴量を用いて前記判別パラメーターを更新する判別パラメーター更新部と、
   を備えることを特徴とする検査システム。
2. 請求項１に記載の検査システムにおいて、
   前記判別パラメーターの変化を監視する判別パラメーター監視部と、
   前記判別パラメーターの変化が所定値よりも大きくなった場合にアラートを出力するアラート出力部と、
   をさらに備えることを特徴とする検査システム。
3. 請求項１又は請求項２に記載の検査システムにおいて、
   前記判別パラメーターは、前記対象物を判別すべき群毎の事前特徴量の共分散と、前記対象物を判別すべき前記各群の前記事前特徴量の平均であり、
   前記判別部は、検査用の前記対象物の前記事前特徴量から前記各群の前記事前特徴量の前記平均までのマハラノビス距離に基づいて前記群を前記対象物が属する前記群と判別することを特徴とする検査システム。
4. 請求項３に記載の検査システムにおいて、
   特徴量算出部と、
   前記対象特徴量を算出するのに用いる特徴量パラメーターを保存する特徴量パラメーター保存部と、
   前記判別パラメーターを保存する判別パラメーター保存部と、
   をさらに備え、
   前記測定器は、前記対象物を判別すべき各群をそれぞれ構成する複数の学習用の事前対象物を測定して複数の学習用の前記事前対象物の測定値を出力し、検査用の前記対象物を測定して検査用の前記対象物の前記測定値を出力し、
   前記特徴量算出部は、前記各群にそれぞれ属する前記学習用の前記各事前対象物の前記各測定値と、前記学習用の前記各事前対象物の前記各群に関する情報とを用いて、前記学習用の前記各事前特徴量と、前記事前対象物の前記測定値を前記事前特徴量に変換する前記特徴量パラメーターを算出し前記特徴量パラメーター保存部に保存し、前記検査用の前記対象物の前記測定値と、前記特徴量パラメーターを用いて前記検査用の前記対象物の前記特徴量を算出し、
   前記判別部は、前記各群のそれぞれについて、前記学習用の前記各事前特徴量を用いて、前記事前特徴量の前記共分散と、前記事前特徴量の前記平均を算出して前記判別パラメーター保存部に保存し、前記検査用の前記対象物の前記対象特徴量と、前記対象特徴量の前記共分散と、前記対象特徴量の前記平均とを用いて前記検査用の前記対象物の判別を行う
   ことを特徴とする検査システム。
5. 請求項１から請求項４のいずれか１項に記載の検査システムにおいて、
   前記対象特徴量及び前記事前特徴量は、フィッシャー情報量であることを特徴とする検査システム。
6. 請求項１から請求項５のいずれか１項に記載の検査システムにおいて、
   前記測定器は、前記対象物で反射された光に含まれる複数波長の光のそれぞれの光強度を測定する、分光測定装置であることを特徴とする検査システム。
7. 対象物を測定して測定値を出力する測定器により測定された前記対象物の前記測定値に基づいて、前記対象物を検査する検査方法であって、
   前記測定値に基づく前記対象物の特徴を表す対象特徴量と、前記対象物の種別の判別に用いる判別パラメーターとを用いて前記対象物の判別を行う判別ステップと、
   前記対象特徴量を用いて前記判別パラメーターを更新する判別パラメーター更新ステップと、
   を備えることを特徴とする検査方法。
8. コンピューターにより読み取り実行可能な検査プログラムであって、
   請求項７に記載の検査方法を前記コンピューターに実施させる
   ことを特徴とする検査プログラム。

Images