JP2024000090A - 欠陥検査装置および欠陥検査方法 - Google Patents

Abstract

【課題】 検査の判定精度を向上した欠陥検査装置および欠陥検査方法を提供することにある。【解決手段】 欠陥検査方法は、欠陥検査装置が、被検査物と撮像部の相対姿勢を変化させて、相対姿勢毎に撮像を行い、複数の画像を取得する画像取得ステップと、複数の画像をそれぞれ走査して得られる特定の特徴を第１特徴量として取得する特徴量取得ステップと、第１特徴量を相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得ステップと、第１波形データに応じて欠陥の判定を行う欠陥判定ステップを有する。【選択図】 図１

Description

本発明は、欠陥検査装置および欠陥検査方法に関する。

特許文献１には、表面欠陥の検出対象であるワークに対し照明装置による明暗パターンを相対的に移動させた状態で、ワークの被測定部位についての複数の画像を取得し、各画像に対する二値化処理と閾値の適用により、画像の特徴点を抽出し、各特徴点に対し多次元の特徴量を求め、仮欠陥候補を抽出する。仮欠陥候補が抽出された複数の画像のうち、仮欠陥候補が対応する画像が予め設定された閾値以上存在すれば、仮欠陥候補を欠陥候補として決定し、決定された欠陥候補が含まれている複数の画像を合成して合成画像を作成し、作成された合成画像に基づいて欠陥検出を行うワークの表面欠陥検出装置が開示されている。

特開２０２１－５６１８３号公報

しかしながら、特許文献1の表面欠陥検査装置では、決定された欠陥候補が含まれている複数の画像を合成して合成画像を作成し、作成された１つの合成画像に基づいて欠陥検出を行うため、欠陥を誤検出してしまうおそれがあった。
本発明の目的の一つは、検査の判定精度を向上した欠陥検査装置および欠陥検査方法を提供することにある。

本発明の一実施形態における欠陥検査方法は、欠陥検査装置が、被検査物と撮像部の相対姿勢を変化させて、相対姿勢毎に撮像を行い、複数の画像を取得する画像取得ステップと、複数の画像をそれぞれ走査して得られる特定の特徴を第１特徴量として取得する特徴量取得ステップと、第１特徴量を相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得ステップと、第１波形データに応じて欠陥の判定を行う欠陥判定ステップと、を有する。

よって、本発明にあっては、第１特徴量を相対姿勢の変化の順に並べた第１波形データに応じて汚れ、欠陥の判定を行うことで、検査の判定精度を向上することができる。

実施形態１の欠陥検査装置の全体図である。 実施形態１における欠陥検査方法の流れを示すフローチャートである。 実施形態１における輝度差（第１特徴量）の特性を示す図である。 実施形態１における欠陥検査方法の動作を説明する第１タイムチャートである。 実施形態１における欠陥検査方法の動作を説明する第２タイムチャートである。 実施形態２における輝度勾配（第１特徴量）の特性を示す図である。 実施形態２における欠陥検査方法の動作を説明する第１タイムチャートである。 実施形態２における欠陥検査方法の動作を説明する第２タイムチャートである。 実施形態３における輝度のばらつき（第１特徴量）の特性を示す図である。 実施形態３における欠陥検査方法の動作を説明するタイムチャートである。 実施形態４における幾何的特性（第１特徴量）と欠陥検査方法の動作を説明するタイムチャートである。 実施形態５における色強度（第１特徴量）の特性を示す図である。 実施形態５における欠陥検査方法の動作を説明するタイムチャートである。 実施形態６における欠陥検査方法の流れを示すフローチャートである。 実施形態６における欠陥検査方法の動作を説明する第１タイムチャートである。 実施形態６における欠陥検査方法の動作を説明する第２タイムチャートである。 実施形態７における欠陥検査方法の流れを示すフローチャートである。 実施形態７における欠陥検査方法の動作を説明するタイムチャートである。 実施形態８における欠陥検査方法の流れを示すフローチャートである。

〔実施形態１〕
図１は、実施形態１の欠陥検査装置の全体図である。

実施形態１の検査装置1は、カメラ（撮像部）２、ロボット３およびコンピュータ４を備える。
カメラ２は、ピストン（被検査物）５の冠面５ａの画像を撮像する。
なお、ピストン５の冠面５ａは、表面性状が大きく異なる加工面と鋳肌面を有している。
ロボット３は、カメラ２に対するピストン５の相対姿勢（アングル）を変化させる。
コンピュータ４は、例えばパーソナルコンピュータであり、ＣＰＵ６を備える。
ＣＰＵ６は、画像取得部７、領域抽出部８ａを有する特徴量取得部８、波形データ取得部９、欠陥判定部１０を備える。
画像取得部７は、カメラ２により撮像されたピストン５の冠面５ａの画像を、複数取得する（画像取得ステップ）。
領域抽出部８ａは、機械学習や画像処理にて欠陥候補領域を抽出・特定する（欠陥候補領域特定ステップ）。
機械学習は、例えば、ニューラルネットを用いた学習であって、実施形態１では、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）を採用している。
特徴量取得部８は、領域抽出部８ａが機械学習や画像処理により抽出・特定した複数の欠陥候補領域の画像を取得し、それぞれの画素領域全体を走査して、輝度差（第１特徴量）を取得する（特徴量取得ステップ）。
輝度差とは、得られた輝度の最大値と最小値の差である。
波形データ取得部９は、取得した第１特徴量を相対姿勢（アングル）の変化の順に並べた第１波形データを取得する（波形データ取得ステップ）。
なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度差は０としている。
欠陥判定部１０は、機械学習にて第１波形データの形状から欠陥を判定する（欠陥判定ステップ）。
この機械学習は、例えば、ニューラルネットを用いた学習であって、実施形態１では、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）を採用している。

図２は、実施形態１における欠陥検査方法の流れを示すフローチャートである。

ステップＳ１では、ロボット３によりピストン５の相対姿勢（アングル）を変化させ、カメラ２により撮像されたピストン５の冠面５ａの画像を、画像取得部７が複数取得する（画像取得ステップ）。
具体的には、相対姿勢（アングル）の総数は、２５アングルである。
ステップＳ２では、領域抽出部８ａが、機械学習や画像処理により欠陥候補領域を抽出・特定する（欠陥候補領域特定ステップ）。
ステップＳ３では、特徴量取得部８が、領域抽出部８ａが機械学習や画像処理により抽出・特定した複数の欠陥候補領域の画像を取得し、それぞれの画素領域全体を走査して、輝度差を取得する（特徴量取得ステップ）。
ステップＳ４では、波形データ取得部９が、取得した輝度差を相対姿勢（アングル）の変化の順に並べた第１波形データを取得する（波形データ取得ステップ）。
なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度差は０としている。
ステップＳ５では、欠陥判定部１０が、機械学習にて第１の波形データの形状から欠陥を判定する（欠陥判定ステップ）。

図３は、実施形態１における輝度差（第１特徴量）の特性を示す図である。
すなわち、輝度差の特性は、図３（ａ）に示すように、汚れは黒色が薄いので輝度差が小さく、欠陥は黒色が濃いので輝度差が大きい特性を有している。
また、輝度差の特性は、図３（ｂ）に示すように、輝度差は同じでも、汚れはランダムに発生し、欠陥は明視野で連続して発生する特性を有している。

図４は、実施形態１における欠陥検査方法の動作を説明する第１タイムチャートである。
すなわち、ピストン５の加工面同士の欠陥検査方法の動作を示している。

欠陥候補領域特定ステップでは、領域抽出部８ａにより、加工面１は、アングル番号１４、１８－２０の画像が欠陥候補領域として抽出・特定され、加工面２は、アングル番号１４－１７の画像が欠陥候補領域として抽出・特定されている。
特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した加工面１のアングル番号１４、１８－２０の画像と加工面２のアングル番号１４－１７の画像を取得し、それぞれの画素領域全体を走査して、輝度差を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
欠陥判定ステップでは、欠陥判定部１０が、取得した輝度差の第１波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
すなわち、加工面１のアングル番号１４、１８－２０の画像の輝度差ａ１は小さいので、ＯＫ（汚れ）と判定し、加工面２のアングル番号１４－１７の画像の輝度差ａ２は大きいので、ＮＧ（欠陥）と判定する。

図５は、実施形態１における欠陥検査方法の動作を説明する第２タイムチャートである。
すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。

欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１０、１２、１５の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号１４－１７の画像が欠陥候補領域として抽出・特定されている。
特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが、欠陥候補領域として抽出・特定した鋳肌面のアングル番号１０、１２、１５の画像と加工面のアングル番号１４－１７の画像を取得し、それぞれの画素領域全体を走査して、輝度差を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の第１波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
すなわち、鋳肌面のアングル番号１０、１２、１５の画像の輝度差ａ３と加工面のアングル番号１４－１７の画像の輝度差ａ３に差はないが、鋳肌面の輝度差はランダムに発生し、加工面の輝度は連続して発生している。
このため、鋳肌面のアングル番号１０、１２、１５の画像は、ＯＫ（汚れ）と判定し、加工面のアングル番号１４－１７の画像は、ＮＧ（欠陥）と判定する。

次に、実施形態１の作用効果を説明する。
実施形態１では、以下のような作用効果を奏する。

（１）欠陥検査装置１は、ピストン５とカメラ２の相対姿勢を変化させて、相対姿勢毎に撮像を行い、複数の画像を取得する画像取得部７と、複数の画像のそれぞれの画素領域全体を走査して得られる第１特徴量としての輝度差を取得する特徴量取得部８と輝度差を相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得部９と、第１波形データによる輝度差の大きさに応じて、欠陥の判定を行う欠陥判定部１０とを備えるようにした。
よって、ＮＧ（欠陥）、ＯＫ（汚れ）の検査の判定精度を向上することができる。

（２）輝度差は、複数の画像のそれぞれ画素領域全体を走査して得られる輝度の最大値と最小値の差であるようにした。
よって、輝度の最大値と最小値の差が大きいほど急激な輝度変化があるということで、検査の判定精度をより向上することができる。

（３）特徴量取得部８の領域抽出部８ａは、機械学習であるＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）を用いて、欠陥候補領域の抽出・特定を行うようにした。
よって、欠陥の判定が容易となる。

（４）輝度差の大きさと輝度差の発生状況（ランダムまたは連続）に応じて、欠陥の判定を行うようにした。
よって、ＮＧ（欠陥）、ＯＫ（汚れ）の検査の判定精度をより向上することができる。

〔実施形態２〕
図６は、実施形態２における輝度勾配（第１特徴量）の特性を示す図である。
すなわち、輝度勾配の特性は、図６（ａ）に示すように、汚れは輝度勾配の最大値が小さく、欠陥は輝度勾配の最大値が大きい特性を有している。
また、輝度勾配の特性は、輝度差の特性と同様に、図６（ｂ）に示すように、汚れはランダムに発生し、欠陥は明視野で連続して発生する特性を有している。

図７は、実施形態２における欠陥検査方法の動作を説明する第１タイムチャートである。
すなわち、ピストン５の加工面同士の欠陥検査方法の動作を示している。

欠陥候補領域特定ステップでは、領域抽出部８ａにより、加工面１は、アングル番号１４、１８－２０の画像が欠陥候補領域として抽出・特定され、加工面２は、アングル番号２１－２４の画像が欠陥候補領域として抽出・特定されている。
特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した加工面１のアングル番号１４、１８－２０の画像と加工面２のアングル番号２１－２４の画像を取得し、それぞれの画素領域全体を走査して、輝度勾配を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度勾配は０としている。
欠陥判定ステップでは、欠陥判定部１０が、取得した輝度勾配の第1波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
すなわち、加工面１のアングル番号１４、１８－２０の画像の輝度勾配は小さいので、ＯＫ（汚れ）と判定し、加工面２のアングル番号２１－２４の画像の輝度勾配は大きいので、ＮＧ（欠陥）と判定する。

図８は、実施形態２における欠陥検査方法の動作を説明する第２タイムチャートである。
すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。

欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１４、１６、１８の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号２１－２４の画像が欠陥候補領域として抽出・特定されている。
特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した鋳肌面のアングル番号１４、１６、１８の画像と加工面のアングル番号２１－２４の画像を取得し、それぞれの画素領域全体を走査して、輝度勾配を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度勾配は０としている。
欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の第１波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
すなわち、鋳肌面のアングル番号１４、１６、１８の画像の輝度勾配は小さく、ランダムに発生しているので、ＯＫ（汚れ）と判定し、加工面のアングル番号２１－２４の画像の輝度勾配は大きく、連続して発生しているので、ＮＧ（欠陥）と判定する。
このように、実施形態1では、第１特徴量として輝度差を用いていたが、実施形態２では、第１特徴量として輝度勾配を用いるようにした。
その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。

次に、実施形態２の作用効果を説明する。
実施形態２では、実施形態１と同様に以下のような作用効果を奏する。

（１）欠陥検査装置１は、ピストン５とカメラ２の相対姿勢を変化させて、相対姿勢毎に撮像を行い、複数の画像を取得する画像取得部７と、複数の画像のそれぞれの画素領域全体を走査して得られる第１特徴量としての輝度勾配を取得する特徴量取得部８と輝度勾配を相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得部９と、第１波形データによる輝度勾配の大きさに応じて、欠陥の判定を行う欠陥判定部１０とを備えるようにした。
よって、ＮＧ（欠陥）、ＯＫ（汚れ）の検査の判定精度を向上することができる。

（２）輝度勾配は、複数の画像をそれぞれ走査して得られる輝度勾配の最大値を用いるようにした。
よって、輝度勾配は複数取得することができるが、最大値を用いることで、ＮＧ（欠陥）、ＯＫ（汚れ）の検査の判定精度をより向上することができる。

（３）特徴量取得部８の領域抽出部８ａは、機械学習であるＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）を用いて、欠陥候補領域の抽出・特定を行うようにした。
よって、欠陥の判定が容易となる。

（４）輝度勾配の大きさと輝度勾配の発生状況（ランダムまたは連続）に応じて、欠陥の判定を行うようにした。
よって、ＮＧ（欠陥）、ＯＫ（汚れ）の検査の判定精度をより向上することができる。

〔実施形態３〕
図９は、実施形態３における輝度のばらつき（第１特徴量）の特性を示す図である。
すなわち、輝度のばらつき（輝度分布標準偏差）σの特性は、図９（ａ）に示すように、汚れは輝度のばらつき（輝度分布標準偏差）σが大きく、欠陥は輝度のばらつき（輝度分布標準偏差）σが小さい特性を有している。

図１０は、実施形態３における欠陥検査方法の動作を説明するタイムチャートである。
すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。

欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１４、１６、１８の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号２２－２４の画像が欠陥候補領域として抽出・特定されている。
特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した鋳肌面のアングル番号１４、１６、１８の画像と加工面のアングル番号２２－２４の画像を取得し、それぞれの画素領域全体を走査して、輝度のばらつき（輝度分布標準偏差）σを取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度のばらつき（輝度分布標準偏差）は０としている。
欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
すなわち、鋳肌面のアングル番号１４、１６、１８の画像の輝度のばらつき（輝度分布標準偏差）σは大きいので、ＯＫ（汚れ）と判定し、加工面のアングル番号２２－２４の画像の輝度のばらつき（輝度分布標準偏差）σは小さいので、ＮＧ（欠陥）と判定する。
このように、実施形態1では、第１特徴量として輝度差を用いていたが、実施形態３では、第１特徴量として輝度のばらつき（輝度分布標準偏差）σを用いるようにした。
その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
よって、実施形態３では、実施形態１と同様の作用効果を奏する。

〔実施形態４〕
図１１は、実施形態４における幾何的特性（第１特徴量）と欠陥検査方法の動作を説明するタイムチャートである。
すなわち、ピストン５の加工面同士の欠陥検査方法の動作を示している。

幾何的特性としては、汚れは幅、面積などが小さく、欠陥は幅、面積が大きい特性を有している。
欠陥候補領域特定ステップで、領域抽出部８ａにより、所定輝度以下の加工面１の欠陥候補領域として抽出・特定された画像と所定輝度以下の加工面２の欠陥候補領域として抽出・特定された画像（図面では、特定のアングル番号のもののみ表示）を、特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した複数の画像を取得し、それぞれの画素領域全体を走査して、それぞれの幾何的特性を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
なお、欠陥候補領域として抽出・特定されていないアングル番号では、幾何的特性は０としている。
欠陥判定ステップでは、欠陥判定部１０が、取得した幾何的特性の波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
すなわち、加工面１の画像の幾何的特性の幅、面積が大きいので、ＮＧ（欠陥）と判定し、加工面２の画像の幾何的特性の幅、面積が小さいので、ＯＫ（汚れ）と判定する。
このように、実施形態1では、第１特徴量として輝度差を用いていたが、実施形態４では、第１特徴量として幾何的特性を用いるようにした。
その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
よって、実施形態４では、実施形態１と同様の作用効果を奏する。

〔実施形態５〕
図１２は、実施形態５における色強度（第１特徴量）の特性を示す図である。
例えば、色強度が、欠陥はＧ(緑)とＢ(青)の輝度差が大きく、汚れはＧ(緑)とＲ(赤)の輝度差が大きい特性を有している場合、Ｂ(青)とＲ(赤)の輝度差の大きさから欠陥か汚れかを判定可能となる。

図１３は、実施形態５における欠陥検査方法の動作を説明するタイムチャートである。
すなわち、ピストン５の加工面と鋳肌面の欠陥検査方法の動作を示している。

欠陥候補領域特定ステップで、領域抽出部８ａにより、加工面の欠陥候補領域として抽出・特定された画像と鋳肌面の欠陥候補領域として抽出・特定された画像が抽出・特定されている（図面では、特定のアングル番号のもののみ表示）。
特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した複数の画像を取得し、それぞれの画素領域全体を走査して、それぞれの色強度（輝度差）を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
なお、欠陥候補領域として抽出・特定されていないアングル番号では、色強度（輝度差）は０としている。
欠陥判定ステップでは、欠陥判定部１０が、取得した色（ＲＧＢ）ごとの強度（輝度差）の波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
すなわち、加工面の画像の色強度（輝度差）がＢ(青)の輝度差が大きく、Ｒ(赤)の輝度差が小さいので、ＮＧ(欠陥)と判定し、鋳肌面の画像の色強度（輝度差）がＢ(青)の輝度差が小さく、Ｒ(赤)の輝度差が大きいのでＯＫ(汚れ)と判定する。
このように、実施形態1では、第１特徴量として輝度差を用いていたが、実施形態５では、第１特徴量として色強度（輝度差）を用いるようにした。
その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
よって、実施形態５では、実施形態１と同様の作用効果を奏する。

〔実施形態６〕
図１４は、実施形態６における欠陥検査方法の流れを示すフローチャートである。

実施形態１では、第１特徴量のみを用いていたが、実施形態６では、第１特徴量に加え、第２特徴量を用いるようにしている。
すなわち、ステップＳ３ａでは、特徴量取得部８が、領域抽出部８ａが抽出・特定した複数の欠陥候補領域の画像を取得し、それぞれの画素領域全体を走査して、輝度差（第１特徴量）、輝度勾配（第２特徴量）を取得し、ステップＳ４ａでは、波形データ取得部９が、輝度差（第１特徴量）、輝度勾配（第２特徴量）をそれぞれ相対姿勢(アングル)の変化の順に並べた第１波形データ、第２波形データを取得し、ステップＳ５ａでは、欠陥判定部１０が、機械学習にて、第１波形データ、第２波形データの形状から欠陥を判定するようにしている。
その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。

図１５は、実施形態６における欠陥検査方法の動作を説明する第１タイムチャートである。
すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。

欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１８、２０、２３の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号２２－２５の画像が欠陥候補領域として抽出・特定されている。
特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した鋳肌面のアングル番号１８、２０、２３の画像と加工面のアングル番号２２－２５の画像を取得し、それぞれの画素領域全体を走査して、輝度差と輝度勾配を取得し、波形データ取得部９が、輝度差と輝度勾配のそれぞれを相対姿勢（アングル）の変化の順に並べた第１、第２波形データを取得する。
なお、図面では、代表例として、鋳肌面のアングル番号１８と加工面のアングル番号２２の第１、第２波形データを示している。
また、欠陥候補領域として抽出・特定されていないアングル番号では、輝度差、輝度勾配は０としている。
欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の第１波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
すなわち、鋳肌面のアングル番号１８の画像の輝度勾配ｂ１と加工面のアングル番号２２の画像の輝度勾配ｂ１は大きいが、鋳肌面の輝度差ａ１は小さく、加工面の輝度差ａ２は大きい。
このため、鋳肌面のアングル番号１８の画像は、ＯＫ（汚れ）と判定し、加工面のアングル番号２２の画像は、ＮＧ（欠陥）と判定する。
他の抽出・取得したアングル番号の画像も同様に判定する。

図１６は、実施形態６における欠陥検査方法の動作を説明する第２タイムチャートである。
すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。

欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１８、２０、２３の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号２２－２５の画像が欠陥候補領域として抽出・特定されている。
特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した鋳肌面のアングル番号１８、２０、２３の画像と加工面のアングル番号２２－２５の画像を取得し、それぞれの画素領域全体を走査して、走査して、輝度差と輝度勾配を取得し、波形データ取得部９が、輝度差と輝度勾配のそれぞれを相対姿勢（アングル）の変化の順に並べた第１波形データ、第２波形データを取得する。
なお、図面では、代表例として、鋳肌面のアングル番号１８と加工面のアングル番号２２の第１、第２波形データを示している。
また、欠陥候補領域として抽出・特定されていないアングル番号では、輝度差、輝度勾配は０としている。
欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の第１波形データ、第２波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
すなわち、鋳肌面のアングル番号１８の画像の輝度勾配ｂ１は小さく、加工面のアングル番号２２の画像の輝度勾配ｂ２は大きく、鋳肌面の輝度差ａ１と加工面の輝度差ａ１は大きい。
このため、鋳肌面のアングル番号１８の画像は、輝度差ａ１は大きいが、輝度勾配ｂ１が小さいので、ＯＫ（汚れ）と判定し、加工面のアングル番号２２の画像は、輝度差ａ１および輝度勾配ｂ２がともに大きいので、ＮＧ（欠陥）と判定する。
他の抽出・取得したアングル番号の画像も同様に判定する。

次に、実施形態６の作用効果を説明する。
実施形態１の作用効果に加え、以下の作用効果を奏する。

（１）特徴量として、輝度差（第１特徴量）と輝度勾配（第２特徴量）を併用するようにした。
よって、情報量が増えることにより、判定精度がさらに向上する。

〔実施形態７〕
図１７は、実施形態７における欠陥検査方法の流れを示すフローチャートである。

実施形態６では、第１特徴量と第２特徴量を用いていたが、実施形態７では、第１特徴量と第２特徴量に加え、第３特徴量を用いるようにしている。
すなわち、ステップＳ３ｂでは、特徴量取得部８が、領域抽出部８ａが抽出・特定した複数の欠陥候補領域の画像を取得し、それぞれの画素領域全体を走査して、輝度差（第１特徴量）、輝度勾配（第２特徴量）、輝度のばらつき（第３特徴量）を取得し、ステップＳ４ｂでは、波形データ取得部９が、輝度差（第１特徴量）、輝度勾配（第２特徴量）、輝度のばらつき（第３特徴量）をそれぞれ相対姿勢(アングル)の変化の順に並べた第１波形データ、第２波形データ、第３波形データを取得し、ステップＳ５ｂでは、欠陥判定部１０が、機械学習にて、第１波形データ、第２波形データ、第３波形データの形状から欠陥を判定するようにしている。
その他の構成は、実施形態６と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。

図１８は、実施形態７における欠陥検査方法の動作を説明するタイムチャートである。
すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。

欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１４、１７、１８、２０の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号１９、２２、２３、２５の画像が欠陥候補領域として抽出・特定されている。
特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した鋳肌面のアングル番号１４、１７、１８、２０の画像と加工面のアングル番号１９、２２、２３、２５の画像を取得し、それぞれの画素領域全体を走査して、輝度差と輝度勾配と輝度のばらつきを取得し、波形データ取得部９が、輝度差と輝度勾配と輝度のばらつきをそれぞれ相対姿勢（アングル）の変化の順に並べた第１波形データ、第２波形データ、第３波形データを取得する。
なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度差、輝度勾配、輝度のばらつきは０としている。
欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の第１波形データ、第２波形データ、第３波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
すなわち、鋳肌面は、輝度勾配、輝度差は大きいが、輝度のばらつきが大きいので、ＯＫ(汚れ)と判定し、加工面は、輝度勾配、輝度差は大きいが、輝度のばらつきが小さいので、ＮＧ(欠陥)と判定する。

次に、実施形態７の作用効果を説明する。
実施形態６の作用効果に加え、以下の作用効果を奏する。

（１）特徴量として、輝度差（第１特徴量）と輝度勾配（第２特徴量）と輝度のばらつき（第３特徴量）を併用するようにした。
よって、情報量が増えることにより、より判定精度がさらに向上する。

〔実施形態８〕
図１９は、実施形態８における欠陥検査方法の流れを示すフローチャートである。

実施形態１では、領域抽出部８ａが、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）を用いて欠陥候補領域を抽出・特定し、輝度差（第１特徴量）を取得していたが、実施形態８では、複数のアングルの画像のそれぞれの画素領域全体を走査して、輝度差（第１特徴量）を取得するようにした。
その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。

次に、実施形態８の作用効果を説明する。
実施形態１の作用効果に加え、以下の作用効果を奏する。

（１）コンピュータ４の欠陥候補領域を抽出・特定する領域抽出部８ａのＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）を用いないようにした。
よって、コンピュータ４の費用を抑制することができる。

〔他の実施形態〕
以上、本発明を実施するための実施形態を説明したが、本発明の具体的な構成は実施形態の構成に限定されるものではなく、発明の要旨を逸脱しない範囲の設計変更等があっても本発明に含まれる。
例えば、被検査物は、ピストンに限らないし、機械学習は、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）やＲＮＮ（Ｒｅｃｕｒｒｅｎｔ Ｎｅｕｒａｌ Ｎｅｔｗａｒｋ）に限らない。
また、姿勢制御部は、ロボットによりピストンの姿勢変化を行っているが、カメラの位置を変更することにより行ってもよい。

１ 欠陥検査装置、２ カメラ（撮像部）、３ ロボット、４ コンピュータ、５ ピストン（被検査物）、６ ＣＰＵ、７ 画像取得部、８ 特徴量取得部、８ａ 領域抽出部、９ 波形データ取得部、１０ 欠陥判定部

Claims (12)

1. 被検査物の欠陥判定を行う欠陥検査装置であって、
   前記被検査物と撮像部の相対姿勢を変化させて、前記相対姿勢毎に撮像を行い、複数の画像を取得する画像取得部と、
   前記複数の画像をそれぞれ走査して得られる特定の特徴を第１特徴量として取得する特徴量取得部と、
   前記第１特徴量を前記相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得部と、
   前記第１波形データに応じて欠陥の判定を行う欠陥判定部と、
   を備えることを特徴とした欠陥検査装置。
2. 請求項１に記載の欠陥検査装置において、
   前記第１特徴量は、前記複数の画像を走査して得られる輝度、輝度勾配、幾何的特性、輝度のばらつき、色強度のうちの１つである、
   ことを特徴とする欠陥検査装置。
3. 請求項２に記載の欠陥検査装置において、
   前記特徴量取得部は、前記輝度、輝度勾配、幾何的特性、輝度のばらつき、色強度のうちの前記第１特徴量以外の１つを第２特徴量として取得し、
   前記波形データ取得部は、前記第２特徴量を前記相対姿勢の変化の順に並べた第２波形データを取得し、
   前記欠陥判定部は、前記第１波形データと前記第２波形データの両方の波形データを用いて欠陥の判定を行う、
   ことを特徴とする欠陥検査装置。
4. 請求項３に記載の欠陥検査装置において、
   前記特徴量取得部は、前記輝度、輝度勾配、幾何的特性、輝度のばらつき、色強度のうちの前記第１特徴量及び前記第２特徴量以外の１つを第３特徴量として取得し、
   前記波形データ取得部は、前記第３特徴量を前記相対姿勢の変化の順に並べた第３波形データを取得し、
   前記欠陥判定部は、前記第１波形データと前記第２波形データと前記第３波形データの３つの波形データを用いて欠陥の判定を行う、
   ことを特徴とする欠陥検査装置。
5. 請求項２に記載の欠陥検査装置において、
   前記第１特徴量は輝度差であって、前記画像を走査して得られる輝度の最大値と最小値の差を用いる、
   ことを特徴とする欠陥検査装置。
6. 請求項２に記載の欠陥検査装置において、
   前記第１特徴量は輝度勾配であって、前記画像を走査して得られる輝度勾配の最大値を用いる、
   ことを特徴とする欠陥検査装置。
7. 請求項３に記載の欠陥検査装置において、
   前記第１特徴量は輝度差であり、前記第２特徴量は輝度勾配である、
   ことを特徴とする欠陥検査装置。
8. 請求項４に記載の欠陥検査装置において、
   前記第１特徴量は輝度差であり、前記第２特徴量は輝度勾配であり、前記第３特徴量は輝度のばらつきである、
   ことを特徴とする欠陥検査装置。
9. 請求項１に記載の欠陥検査装置において、
   前記特徴量取得部は、機械学習を用いて前記複数の画像のそれぞれから欠陥の可能性がある欠陥候補領域を抽出する領域抽出部を有し、
   前記第１特徴量は、前記欠陥候補領域を走査して得られる特定の特徴である、
   ことを特徴とする欠陥検査装置。
10. 請求項１に記載の欠陥検査装置において、
    前記第１特徴量は、前記複数の画像のそれぞれの画素領域の全体を走査して得られる特定の特徴である、
    ことを特徴とする欠陥検査装置。
11. 請求項２に記載の欠陥検査装置において、
    前記第１特徴量は、前記画像を走査して得られる、輝度が所定以下の画素領域の幾何的特性である、
    ことを特徴とする欠陥検査装置。
12. 欠陥検査装置が被検査物の欠陥判定を行う欠陥検査方法であって、
    前記欠陥検査装置が、
    前記被検査物と撮像部の相対姿勢を変化させて、前記相対姿勢毎に撮像を行い、複数の画像を取得する画像取得ステップと、
    前記複数の画像をそれぞれ走査して得られる特定の特徴を第１特徴量として取得する特徴量取得ステップと、
    前記第１特徴量を前記相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得ステップと、
    前記第１波形データに応じて欠陥の判定を行う欠陥判定ステップと、
    を備えることを特徴とした欠陥検査方法。