JP3905741B2

JP3905741B2 - 光学部材検査方法

Info

Publication number: JP3905741B2
Application number: JP2001331262A
Authority: JP
Inventors: 太一中西
Original assignee: ペンタックス株式会社
Priority date: 2001-10-29
Filing date: 2001-10-29
Publication date: 2007-04-18
Anticipated expiration: 2021-10-29
Also published as: JP2003130756A

Description

【０００１】
【発明の属する技術分野】
この発明は、レンズ等の光学部材の品質を検査するための画像検査装置における検査方法に関する。
【０００２】
【従来の技術】
従来、レンズ等の光学部材（以下、被検物という）の品質を検査する画像検査装置が知られている。
【０００３】
該画像検査装置を使用すると被検物は以下のように検査される。まず、画像検査装置は、光源からの光で照明された被検物をＣＣＤカメラ等で撮影し、撮影された画像に所定の処理を施すことにより被検物に存在する不良要因を抽出し、その形状ごとに分類する。一般的に、不良要因の形状としては、ゴミやキズ、ケバ（糸くず）、汚れ等がある。また、画像検査装置によっては、撮影された被検物を複数のエリアで分割しており、不良要因を、該不良要因が発生した位置に対応するエリアごとに分類する。
【０００４】
抽出された不良要因を形状やエリアによって分類すると、画像検査装置は、各不良要因を数値（品質点数）化する。そして画像検査装置は、各不良要因の合計点数によって、被検物の良否判定を行う。なお本明細書では、撮影された画像の任意の場所での明るさのことを輝度という。
【０００５】
具体的には、ＣＣＤカメラ等によって撮影した画像、またはエリアごとに分割された画像を２値化し、さらにこの２値化画像をラベリングして不良要因を一つ一つ抽出したうえでこれらの不良要因の評価を行う。
【０００６】
しかしながら、例えばレンチキュラーレンズのように、被検物の種類によっては特にゴミやキズ等がなくても撮影した画像に周期的な濃淡模様が現れる。このような濃淡模様は、そのレベルによっては２値化後も縞模様として残る場合があり、この縞模様を不良要因として評価してしまったり、或いは縞模様と二値化された不良要因とが重なり（例えばゴミを傷として評価してしまうといった）不良要因の評価ミスが発生する可能性がある。
【０００７】
このような問題を解決するため、従来は２値化後の縞模様を抽出したうえで消去していた。従って、不良要因が濃淡模様と重なっているような場合は、その不良要因を評価できず、被検物を厳密に評価することができなかった。
【０００８】
【発明が解決しようとする課題】
そこで本発明は上記の事情に鑑み、撮影した画像に周期的な濃淡模様が現れるような被検物に対しても不良要因の評価をより厳密に行うことが可能な光学部材検査方法を提供することを目的とする。
【０００９】
【課題を解決するための手段】
以上の目的を達成するため、本発明の光学部材検査方法は、周期的な濃淡模様が現れるような撮影画像を生成する画像生成ステップと、画像の濃淡模様の濃淡変化の方向と平行な分割線により画像を複数枚に分割する分割ステップと、分割ステップにて分割された画像のそれぞれについて濃淡模様の濃淡変化に垂直な方向の平均値を取って１次元のデータを生成する１次元化ステップと、１次元化ステップにて生成された１次元のデータを１次元スペクトル分布に変換する、スペクトル分布変換ステップと、１次元スペクトル分布から所定周波数以上の周波数帯に発生する卓越成分を除去するフィルタリングステップと、卓越成分が除去された１次元スペクトル分布から１次元のデータを復号する逆変換ステップとを有し、逆変換ステップにて復号された１次元のデータを用いて被検物の品質を評価する。
【００１０】
周期的な濃淡模様は、スペクトル分布においては濃淡模様の周波数の整数倍のところに現れる急激なピークとなるため、このスペクトル分布から所定周波数以上の周波数帯に発生する卓越成分を除去したうえで逆変換することにより、周期的な濃淡模様のみ除去することができる。
【００１１】
また、本発明によれば、１次元スペクトル分布の変換を分割された画像の枚数分行えばよいので、たとえば画像を直接２次元スペクトル分布に変換する場合と比べて処理時間を大幅に短縮することができる。
【００１２】
なお、１次元スペクトル分布に変換する方法としては、フーリエ変換、離散コサイン変換、ウエーブレット変換等が考えられる。
【００１３】
【発明の実施の形態】
図１は本発明の光源部材検査方法を使用する画像検査装置１の概略構成図である。画像検査装置１は、画像撮影部１００と画像処理システム２００とを有する。
【００１４】
画像撮影部１００は、ＣＣＤカメラ１０１、光源１０２、ホルダ１０４を有する。ホルダ１０４の上面は、被検物Ｓが載置されるテーブル部１０４ａとして構成される。またホルダ１０４の下部は、画像撮影部１００のステージ１０３の上面に形成されたレール１０３ａ上に設置され、レール１０３ａに沿って水平方向に移動可能な駆動部１０４ｂとして構成されている。また、ＣＣＤカメラ１０１および光源１０２は、それぞれ画像撮影部１００のフレーム部１０５に固定されている。ＣＣＤカメラ１０１は対物レンズユニット１０１ａとＣＣＤ１０１ｂとを有する。光源１０２は、複数の光ファイバを有している。各光ファイバは、各々から射出された光は、被検物Ｓに斜めに入射するように、かつ射出端面が環状に並ぶように配設されている。
【００１５】
画像処理システム２００は、画像撮影部１００より送信された画像データを処理して、後述する被検物Ｓの良否判定を行うプロセッサ２０１と、画像撮影部１００より送信された画像データやプロセッサ２０１による画像処理結果等を表示可能なモニタ２０２とを有する。なお、本実施形態における「プロセッサ２０１による画像処理結果」には、二値化や細線化等の処理が行われた後の画像と、被検物Ｓが良品であるか不良品であるかどうかの判定結果等の画像計測結果との双方が含まれる。
【００１６】
以上のように構成された画像検査装置１による、被検物Ｓの検査手順を図面を用いて説明する。図２は画像検査装置１による画像検査フローである。なお、画像検査装置１の起動時、ホルダ１０４は、図１中破線で示すように画像撮影部１００のフレーム部１０５の外側の所定位置（供給位置）に位置している。
【００１７】
画像検査装置１が起動すると、最初にＳ１０１が実行され、光源１０２が点灯する。次いでＳ１０３に進み、図示しない機構により被検物Ｓをホルダ１０４のテーブル部１０４ａ上に載置する。次いでＳ１０５に進む。
【００１８】
Ｓ１０５では、画像検査装置１のコントローラはホルダ１０４の駆動部１０４ｂを制御して、供給位置にあるホルダ１０４を画像検査装置１のフレーム部１０５の中に向かって一定速度で移動させる。なお、ホルダ１０４の移動量は画像検査装置１のコントローラによってカウントされている。次いでＳ１０７に進む。
【００１９】
ホルダ１０４に載置された被検物Ｓは、光源１０２からの光によって照明される領域を通過する。被検物Ｓは光を透過する透明な部材であるので、光源１０２からの光によって照明された被検物Ｓにゴミやキズ等がある場合はその傷や汚れのみが光を反射して明るく浮かび上がる。ＣＣＤカメラ１０１の対物レンズユニット１０１ａによるこの被検物Ｓの像は、ＣＣＤカメラ１０１のＣＣＤ１０１ｂの受光面上で結像する。ＣＣＤ１０１ｂの受光面は受光画素がホルダ１０４の移動方向と直交かつ水平に並んでおり、ＣＣＤ１０１ｂはラインセンサとして機能する。従って、光源１０２によって被検物Ｓを照射しながらホルダ１０４を移動させることにより被検物Ｓの走査が行われる。
【００２０】
Ｓ１０７では、この走査が終了したかどうかの判定が行われている。すなわち、ホルダ１０４の移動量が一定量に達したかどうかの判定が行われる。被検物Ｓの走査が終了したのであれば（Ｓ１０７：ＹＥＳ）、Ｓ１０９に進みホルダ１０４の動作を停止した上でＳ１１１に進む。一方、被検物Ｓの走査がまだ終了していないのであれば（Ｓ１０７：ＮＯ）、Ｓ１０７を引き続き実行する。すなわち、被検物Ｓの走査が終了するまで待機する。
【００２１】
被検物Ｓを上記のように走査することによって得られる画像はモノクロ２５６階調のディジタル画像データとして画像処理システム２００のプロセッサ２０１に送信される。
【００２２】
Ｓ１１１では、プロセッサ２０１はこのディジタル画像データを処理して、被検物Ｓ上の不良要因を抽出し、品質点数化する。次いで、算出した品質点数の合計が許容範囲内であるかどうかの判定処理（以下、良否判定処理という）を行う。次いでＳ１１３に進む。本発明の光学部材検査方法は、Ｓ１１１で行われる良否判定処理に関するものである。この点については、後に詳述する。
【００２３】
Ｓ１１３では画像検査装置１のコントローラはホルダ１０４の駆動部１０４ｂを制御してホルダ１０４を画像撮影部１００のフレーム部１０５の外側、つまり供給位置に向かって反転移動させる。
【００２４】
次いで図示しない機構により被検物Ｓをホルダ１０４のテーブル部１０４ａから取りだし、プロセッサ２０１による判定結果をもとに被検物Ｓを所定の棚に収納する（Ｓ１１５）。すなわち、被検物Ｓが良品であると判定されれば（Ｓ１１５：ＯＫ）、被検物Ｓは良品棚に収納される（Ｓ１１７）。一方、被検物Ｓが不良品であると判定されれば（Ｓ１１５：ＮＧ）、被検物Ｓは不良品棚に収納される（Ｓ１１９）。
【００２５】
以上が画像検査装置１および該装置を用いた被検物Ｓの検査手順の概説である。次に、本発明の実施形態である光学部材検査方法（すなわち図２のフローチャートにおけるステップＳ１１１の処理内容）について詳説する。
【００２６】
図３は画像検査装置１によって取り込まれた被検物Ｓの画像の一例である。なお、以下に示す図中に例示される被検物Ｓの画像においては、図中左右方向をＸ軸（図中右向きを正とする）、上下方向をＹ軸（図中下向きを正とする）と定義している。また画像座標軸の原点は図中左上隅であり、画像における座標（ｍ，ｎ）の画素は「原点からｍ画素分右かつｎ画素分下の画素」を意味する。また、実際の画像においては不良要因は背景よりも明るく示されるが、図面の簡略化のため、明暗を逆転して不良要因を暗部として示している。
【００２７】
図３中には不良要因Ｆ１、Ｆ２、Ｆ３が図示されている。Ｆ１は所定以上の面積を有するゴミ状の不良要因、Ｆ２は曲線として示されるケバ状の不良要因、Ｆ３は略直線として示されるキズ状の不良要因である。また画像の背景部ＢにはＸ軸方向に周期的な濃度変動する濃淡模様Ａが発生している。なお、実際の濃淡模様は明部から暗部へ、また暗部から名部へと徐々に輝度が変動する濃淡模様である。
【００２８】
不良要因Ｆ１、Ｆ２、Ｆ３の輝度に濃淡模様Ａの輝度が加算されてしまうため、同じ不良要因であっても濃淡模様Ａのどの部分と重なっているかによって輝度が変わってしまい、正確に評価をすることができない。従って、不良要因の評価を行うのに当たって、まずこのノイズ成分を除去する必要がある。
【００２９】
なお、本発明の実施の形態においては、濃淡模様の濃淡の変化方向が水平（Ｘ軸方向）となるようにあらかじめ画像が撮影されているが、一旦画像を撮影した後に濃淡模様の濃淡の変化方向がＸ軸方向になるよう画像回転処理を行う構成としても良い。
【００３０】
ノイズ成分除去ルーチンのフローチャートを図４に示す。本ルーチンが開始すると、最初にステップＳ３０１が実行される。ステップＳ３０１では、濃淡模様の濃淡の変化方向に平行な方向すなわちＸ軸方向に走る分割線Ｄ（図３）によって画像がＹ軸方向に分割される。なお、図３中には分割線Ｄは２本しか記載されていないが、実際は分割線Ｄは８画素毎の間隔で画像全体に定義されており、８画素ごとに画像を分割している。分割前の画像の大きさはＸ軸方向がＭ画素、Ｙ軸方向がＮ画素となっているので、ステップＳ３０１によってＸ軸方向がＭ画素、Ｙ軸方向が８画素の画像ｇ_ｄ（ｘ，ｙ）が（Ｎ／８）枚生成される。なお、ｇ_ｄ（ｍ，ｎ）は分割された画像の座標（ｍ，ｎ）の画素の輝度を示す（０≦ｍ≦Ｍ−１，０≦ｎ≦７）。次いでステップＳ３０２に進む。
【００３１】
ステップＳ３０２では、ステップＳ３０１で分割された画像の一次元化が行われる。すなわち、分割後の画像ｇ_ｄ（ｘ，ｙ）に対して、数１に基づいてＹ軸方向に平均化を行い、Ｘ軸方向がＭ画素、Ｙ軸方向が１画素の画像ｇ_ｌ（ｘ）を求める（０≦ｘ≦Ｍ−１）。次いで、ステップＳ３０３に進む。
【００３２】
【数１】

【００３３】
本実施形態においては、濃淡模様の濃淡の変化方向がＸ軸方向となっているので、一次元化された画像ｇ_ｌ（ｘ）にも濃淡模様が含まれる。例えば、図３の破線Ｉ−Ｉ近傍の分割された画像を一次元化すると、図５のように濃淡模様による正弦波状部に不良要因による高輝度部が加算されたｇ_ｌ（ｘ）が得られる。
【００３４】
ステップＳ３０３では、このｇ_ｌ（ｘ）から濃淡模様による正弦波状部のみを除去するために、ｇ_ｌ（ｘ）をフーリエ変換する。フーリエ変換の演算式を数２に示す。なお、フーリエ変換の結果はを周波数領域の大きさがＭとなるよう標本化された周波数ｋの関数Ｇ_ｌ（ｋ）で示す。
【００３５】
【数２】

【００３６】
さらに、スペクトル分布Ｐ（ｋ）をＧ_ｌ（ｋ）の実数成分Ｒ（ｋ）と虚数成分Ｉ（ｋ）より数３を用いて演算する。次いでステップＳ３０４に進む。
【００３７】
【数３】

【００３８】
なお、本実施形態においてはフーリエ変換を用いてスペクトル分析を行っているが１次元のスペクトル分布が得られるような他の変換手段を利用しても良い。このような変換手段としては、例えば離散コサイン変換やウエーブレット変換等がある。
【００３９】
数３に示されるように、スペクトル分布Ｐ（ｋ）は標本化された周波数ｋで表される。図６に示すように、本実施形態におけるノイズ成分はＸ軸に対して周期的な変動を持っている。このようなノイズ成分のスペクトル分布Ｐ（ｋ）は、図６に示すように、このノイズ成分の周波数の整数倍のところにデルタ関数状の急激なピークＰを有する。なお、本実施の形態においてはもともとのノイズ成分が正弦波上の濃淡変化であるため、ノイズ成分の周波数の１倍成分のみにピークが現れるようになっているが、濃淡変化が矩形波状などの他の形態の周期的な変動であれば、ノイズ成分の周波数のｎ倍成分にもピークＰが発生する。なお、図６左端に発生しているピークは直流成分であり、ノイズ成分によるものではない。
【００４０】
ノイズ成分のおおよその変動周期は既知であるため、ノイズ成分によるピークＰが発生しうる周波数領域は既知である。そこで、ステップＳ３０４においては「ピークＰが発生しうる空間周波数領域が含まれ、かつ不良要因自身による成分が含まれえない」空間周波数領域ｆａを実験等によりあらかじめ求め、この空間周波数領域ｆａに含まれるピーク成分の周波数を検出する。次いで、検出した周波数におけるＧ_ｌ（ｋ）の値に０を代入し、Ｇ_ｌ（ｋ）に含まれるピーク成分Ｐを除去する。次いでステップＳ３０５に進み、ピーク成分除去後のＧ_ｌ（ｋ）を数４を用いて逆フーリエ変換して一次元化画像ｇ_ｌ（ｘ）に戻すと、ノイズ成分のみが除去された一次元化画像ｇ_ｌ（ｘ）が得られる。次いでステップＳ３０６に進む。
【００４１】
【数４】

【００４２】
ステップＳ３０６では、ステップＳ３０１にて分割した全ての画像について、１次元スペクトル分布を利用したノイズ成分の除去が終了したかどうかの範囲を行っている。全ての画像について処理が終了したのであれば（Ｓ３０６：ＹＥＳ）、ステップＳ３０７に進み、未処理の画像が残っているのであれば（Ｓ３０６：ＮＯ）ステップＳ３０２に戻り、次の画像の処理を実施する。
【００４３】
ステップＳ３０７では、ステップＳ３０２で分割され、ステップＳ３０２−３０５でノイズ成分を除去した各一次元画像をＹ軸方向に再結合し、Ｘ軸方向がＭ画素、Ｙ軸方向がＮ／８画素の画像ｇ_ｆ（ｘ，ｙ）を生成する。
【００４４】
このようにしてノイズが除去された画像ｇ_ｆ（ｘ，ｙ）に対して不良要因の評価が行われる。以下、図面を用いてその方法について説明する。図７は本実施形態による、不良要因評価ルーチンのフローチャートである。本ルーチンがスタートすると、最初にステップＳ２０１にて画像の２値化が行われる。なお、この２値化に当たっては経験則による閾値を一意に用いる、画像のヒストグラムから好適な閾値を演算する、或いは各座標につきその周囲の画素の輝度から動的に閾値を求める構成としても良い。
【００４５】
次いでステップＳ２０２に進み、２値化画像のラベリングが行われる。この結果、各不良要因ごとにユニークなラベル番号が付与され、不良要因の総数Ｑが得られる。次いでステップＳ２０３に進む。
【００４６】
ステップＳ２０３ではラベル番号がＬである不良要因の評価が行われる。なお、変数Ｌの初期値は０である。具体的な評価手順については後述する。次いで、ステップＳ２０４に進む。
【００４７】
ステップＳ２０４では、全ての不良要因について評価が行われたかどうかの判定が行われる。すなわち、Ｌ＜Ｑが満足されているかどうかチェックされる。ここで、まだ全ての不良要因について評価が行われていないのであれば（Ｓ２０４：ＮＯ）ステップＳ２０５に進む。
【００４８】
ステップＳ２０５では変数Ｌに１が加算され、ステップＳ２０３に戻る。
【００４９】
一方、ステップＳ２０４において、全ての不良要因について評価が行われたと判断されたのであれば（Ｓ２０４：ＹＥＳ）、ステップＳ２０６に進む。ステップＳ２０６では各不良要因についてステップＳ２０３にて演算された評価値の合計値を演算し、この合計値を被検物Ｓの評価値とする。次いで本ルーチンを終了する。
【００５０】
上記のステップＳ２０２にて抽出された不良要因の評価方法を以下に示す。不良要因はその特徴に応じて異なる評価基準に基づいて評価される。このような特徴としては、例えば不良要因の形状やその発生位置（エリア）といったものがある。特徴付けは、不良要因の形状およびエリアで特定される項目のいずれかに不良要因を分類し、各項目別に異なる評価点演算方法を用いて不良要因の評価点を求める。
【００５１】
まず、不良要因の形状分類について詳説する。本実施形態は、不良要因を、所定の条件要素の大小によって、汚れ、ゴミ、キズ、ケバの四種類の特定形状に分類する。
【００５２】
抽出された不良要因が、「ゴミまたは汚れ」または「キズまたはケバ」のいずれであるかは、該不良要因の円度の大小によって判断される。円度は、不良要因の面積を該不良要因の外接円の面積で除算することにより求められる。不良要因は、その円度が大きくなればなるほど円形状により近い形状になり、小さくなればなるほど線状により近くなる。そして本実施形態の検査方法では、円度に関する閾値Ｃを設定している。そして不良要因の円度Ｃ_０が、閾値Ｃを上回れば該不良要因は「ゴミまたは汚れ」に分類され、閾値Ｃを下回れば該不良要因は「キズまたはケバ」に分類される。
【００５３】
上記の手段によって不良要因が「ゴミまたは汚れ」に分類された場合、この不良要因がゴミ、汚れのいずれであるかは、該不良要因の面積の大小によって判断される。本実施形態の検査方法では、ゴミと汚れの分類の指標として、面積に関する閾値Ｈを設定する。そして不良要因の面積Ｈ_０が、閾値Ｈを上回ればゴミに分類され、閾値Ｈを下回れば汚れに分類される。
【００５４】
なお、一般に面積が閾値Ｈを下回りかつ円度が閾値Ｃを上回るような不良要因は所定距離内に集団形成されている場合が多い。一方、他の特定形状の不良要因が集団形成されているケースはごくまれである。本実施形態では、閾値Ｈを下回る面積の不良要因を汚れ要素として捉え、検出された該汚れ要素の重心から所定距離内に含まれる不良要因の数Ｕ_０が所定値Ｕを上回る場合は該汚れ要素を「集合汚れ要素」と定義し、そうでない場合は該汚れ要素を「単独汚れ要素」と定義している。なお、単一汚れか集合汚れかについての判断はあくまでも特定形状である汚れに分類された不良要因（汚れ要素）に対してのみ行われるものであり、ゴミと判定された不良要因に関しては、単一汚れか集合汚れかについての判断は行わない。
【００５５】
前述の手段によって不良要因が「キズまたはケバ」に分類された場合、抽出された不良要因が、キズ、ケバのいずれの形状であるかは、該不良要因の方向性のばらつきの大小によって判断される。不良要因の方向性は該不良要因を細線化した後にチェイン符号化処理して得られる、細線化後の各画素の方向ベクトルの分布から判断することができる。すなわち、例えばその不良要因は略一直線状である場合は、「上と右上と右」や「左上と左と左下」のように隣接する３ベクトルの全ベクトルに対する割合が（以下、直線度と称す）が極端に高くなる。例えば、左上−左−左下の間の９０度の中のある方向に向かって走る一直線状の不良要因のベクトル分布を取ると、「左上と左と左下」のベクトルがほとんどとなる。一方、ケバのような曲線状の不良要因のベクトル分布は、直線度が低くなる。本実施形態の検査方法では、キズとケバの分類の指標としてこの直線度を使用し、ある不良要因の直線度Ｒ_０が閾値Ｒよりも大きければ該不良要因はキズと判断され、小さければケバと判断される。
【００５６】
不良要因は、上記形状のいずれかに分類されると、該分類結果に基づいて以下の式によって品質点数化される。
【００５７】
所定の特定形状Ｔに分類された不良要因の品質点数Ｐ_Ｔは、数５によって求められる。
【００５８】
【数５】

【００５９】
ただし、
Ｂ_０は、該不良要因の相対輝度、
Ｎ_ＴＥは、該不良要因の特定形状および重心の座標に応じて分類された、該不良要因に対するエリア重み付け係数をそれぞれ表す。
【００６０】
ここで、不良要因の相対輝度とは、不良要因自身の平均輝度から不良要因近傍の平均輝度を減算した値である。
【００６１】
また、重み付け係数Ｎ_ＴＥは、被検物Ｓの良否判定に与える影響の程度を示す値であり、特定形状および重心の座標に応じてにユーザが予め設定する。本実施形態においては、ケバが最も被検物Ｓの性能に影響を与えるとしてケバ、集合汚れ要素、単独汚れ要素、ゴミ、キズの順に係数Ｎ_ＴＥが小さくなるように設定されている。
【００６２】
また、被検物Ｓの性能にとって重要な箇所における不良要因をより厳しく評価する必要があるため、同じ不良要因であっても位置に応じて重み付け係数Ｎ_ＴＥを変えている。本実施形態においては、被検物Ｓすなわち画像の中心部における係数Ｎ_ＴＥが最も大きくなるようにし、この中心部から離れるに従って係数Ｎ_ＴＥが小さくなるようにしている。
【００６３】
本実施例で使用される重み付け係数Ｎ_ＴＥは、不良要因の形状ＴとそのエリアＥに依存する。本実施形態の場合特定形状は５種類であり、また特定エリアは画像中心部、画像外縁部、そして該中心部と該外縁部の中間の中間部の３種類であるので、Ｎ_ＴＥは２次元配列Ｎ(Ｔ,E)として、表１に示す１５種類が設定される。
【００６４】
【表１】

【００６５】
以上が本発明の実施形態である。本発明はこれらの実施形態に限定されるものではなく趣旨を逸脱しない範囲で様々な変形が可能である。
【００６６】
上記実施形態で説明した、不良要因の形状の種類は、あくまでも例示である。従って、汚れ、ゴミ、キズ、ケバの４種類以上の特定形状を設定してもよい。また、不良要因が分類されるエリアも、例示である。従って、中心部、中間部、外縁部の三種類以上の特定エリアを設定してもよく、また中心部以外の部分（例えば画像右上隅など）の重み付け係数が最も大きくなるような構成としても良い。形状やエリアの種類を上記実施形態よりも増やせば、それだけより緻密な品質点数化が行われ、精度の高い良否判定を行うことができる。また、形状やエリアの種類を上記実施形態よりも少なめに設定すれば、迅速な良否判定を行うことができる。
【００６７】
また、不良要因の形状を特定せず、不良要因の画素数または明るさ(コントラスト)で良否判定を行う構成としても良い。すなわち、ステップＳ３０５で逆フーリエ変換された一次元化画像ｇ_ｌ（ｘ）の各画素について前後それぞれＦ画素の（すなわちｇ_ｌ（ｘ−Ｆ）からｇ_ｌ（ｘ＋Ｆ）までの２Ｆ＋１画素分の）移動平均値を取った平均１次元データｇ_ｆｍ（ｘ）を数６を用いて演算し、この平均１次元データｇ_ｆｍ（ｘ）とステップＳ３０５で逆フーリエ変換された一次元化画像ｇ_ｌ（ｘ）を比較して不良要因の抽出を行う。
【００６８】
【数６】

【００６９】
平均１次元データｇ_ｆｍ（ｘ）とステップＳ３０５で逆フーリエ変換された一次元化画像ｇ_ｌ（ｘ）とを比較して不良要因を抽出しその不良要因の面積を品質点数Ｐ_Ｔとして求める方法としては、数７を用いて一次元化画像ｇ_ｌ（ｘ）のそれぞれと平均１次元データｇ_ｆｍ（ｘ）との差分が所定の閾値ｂ’を上回っているときはその画素を不良要因と判定してカウントアップする方法がある。
【００７０】
【数７】

【００７１】
または、不良要因の面積(画素数)に関係なく明るさ、すなわちｇ_ｌ（ｘ）-ｇ_ｆｍ（ｘ）が閾値ｃ’を超えるかどうかで良否判定する方法がある。
【００７２】
或いは、一次元化画像ｇ_ｌ（ｘ）のうち平均１次元データｇ_ｆｍ（ｘ）を上回っている各区間についてその各区間のｇ_ｌ（ｘ）−ｇ_ｆｍ（ｘ）の合算が閾値ａ’を超えている区間があるかどうかで良否判定する方法がある。このときの品質点数Ｐ_Ｔは、数８によって求められる。
【００７３】
【数８】

【００７４】
【発明の効果】
このように本発明の光学部材検査方法によれば、画像の濃淡模様の濃淡変化の方向に平行に画像を複数枚に分割し、分割された画像のそれぞれについて濃淡模様の濃淡変化に垂直な方向の平均値を取って１次元のデータを生成し、生成された１次元のデータをスペクトル分布に変換し、この１次元スペクトル分布からから不良要因ではない周期的な濃淡模様を抽出し、その濃淡模様を消去可能とすると共に、その濃淡模様と重なっている不良要因の画像は保持される。従って、周期的な濃淡模様が現れるような被検物に対しても不良要因の評価をより厳密に行うことが可能となる。
【図面の簡単な説明】
【図１】本発明の光学部材検査方法を使用する画像検査装置の概略構成図である。
【図２】画像検査装置による画像検査に関するフローチャートである。
【図３】画像検査装置によって取り込まれた被検物の画像の一例である。
【図４】本発明の実施の形態のノイズ成分除去ルーチンのフローチャートである。
【図５】図３の破線Ｉ−Ｉ近傍の分割された画像を一次元化した画像のＸ軸を横軸に、輝度を縦軸にとったグラフである。
【図６】図５のグラフのスペクトル分布である。
【図７】本発明の実施の形態の不良要因評価ルーチンのフローチャートである。
【符号の説明】
１画像検査装置
１００画像撮影部
１０１ＣＣＤカメラ
１０２光源
１０４ホルダ
１０４ａテーブル部
２００画像処理システム

Claims

光学部材の品質を検査するための画像検査装置における光学部材検査方法であって、特に撮影した画像に周期的な濃淡模様が現れる被検物の品質を検査する方法であり、該光学部材検査方法が、
前記周期的な濃淡模様が現れるような撮影画像を生成する、画像生成ステップと、
前記画像の濃淡模様の濃淡変化の方向と平行な分割線により前記画像を複数枚に分割する、分割ステップと、
前記分割ステップにて分割された画像のそれぞれについて、濃淡模様の濃淡変化に垂直な方向の平均値を取って１次元のデータを生成する、１次元化ステップと、
前記１次元化ステップにて生成された１次元のデータを１次元スペクトル分布に変換する、スペクトル分布変換ステップと、
前記１次元スペクトル分布から、所定周波数以上の周波数帯に発生する卓越成分を除去するフィルタリングステップと、
前記卓越成分が除去された前記１次元スペクトル分布から１次元のデータを復号する、逆変換ステップと、
前記逆変換ステップにて復号された１次元のデータを用いて、所定の評価基準に基づいて前記被検物の品質を評価する、評価ステップと、を有し、
前記分割ステップは、前記画像に含まれる不良要因の寸法に比べて充分に小さい画素数ごとに前記画像を分割することを特徴とする、光学部材検査方法。
前記スペクトル分布変換ステップは、フーリエ変換により前記１次元のデータを１次元スペクトル分布に変換することを特徴とする、請求項１に記載の光学部材検査方法。
前記スペクトル分布変換ステップは、ウェーブレット変換により前記１次元のデータを１次元スペクトル分布に変換することを特徴とする、請求項１に記載の光学部材検査方法。
前記スペクトル分布変換ステップは、離散コサイン変換により前記画像を１次元のデータを１次元スペクトル分布に変換することを特徴とする、請求項１に記載の光学部材検査方法。
前記評価ステップは、前記分割ステップにて分割された画像の前記逆変換ステップにて復号された１次元のデータを濃淡模様の濃淡変化に垂直な方向に結合して２次元の画像にする、結合ステップと、
前記結合ステップにて生成された画像を２値化して２値化画像を生成する２値化ステップと、を有し、
前記評価ステップは前記２値化画像を用いて前記被検物の品質を評価することを特徴とする、請求項１から請求項４のいずれかに記載の光学部材検査方法。
前記評価ステップは、前記２値化画像内の各連結成分のそれぞれにユニークなラベルを付与するするラベリングステップと、
前記ラベリングステップによってラベルが付与された各連結成分のそれぞれを不良要因と特定しこの不良要因毎の不良の度合いを示す品質点数を算出する、品質点数算出ステップと、
全ての不良要因の品質点数から前記光学部材の品質を示す品質評価値を算出する、品質評価値算出ステップと、を有することを特徴とする、請求項５に記載の光学部材検査方法。
前記評価ステップは、前記逆変換ステップにて復号された１次元のデータに一定以上の強度のピークが存在するかどうかで不良要因を検出することを特徴とする、請求項１から請求項４のいずれかに記載の光学部材検査方法。
前記評価ステップは、前記逆変換ステップにて復号された１次元のデータを平均して得られた平均１次元データを演算する、平均データ生成ステップと、
前記逆変換ステップにて復号された１次元のデータと前記平均１次元データとの輝度の差分を演算する、輝度差分演算ステップと、を有し、
前記評価ステップは、前記１次元のデータと前記平均１次元データとの輝度の差分が所定値以上となる部分を前記一定以上の強度のピークと判断することを特徴とする、請求項７に記載の光学部材検査方法。
前記平均１次元データは、前記逆変換ステップにて復号された１次元のデータの各画素について前後それぞれ所定画素分の移動平均値をとることによって求められることを特徴とする、請求項８に記載の光学部材検査方法。
前記評価ステップは、前記逆変換ステップにて復号された１次元のデータに存在するピークの内、ある一定以上の面積をもつピークが存在するかどうかで不良要因を検出することを特徴とする、請求項１から請求項４のいずれかに記載の光学部材検査方法。
前記評価ステップは、前記逆変換ステップにて復号された１次元のデータを平均して得られた平均１次元データを演算する、平均データ生成ステップと、
前記逆変換ステップにて復号された１次元のデータと前記平均１次元データとの輝度の差分を演算する、輝度差分演算ステップと、
前記輝度差分演算ステップの演算結果から、前記１次元のデータが前記平均１次元データよりも連続して大きくなる区間を抽出する、区間抽出ステップと、を有し、
前記評価ステップは、前記区間抽出ステップにて抽出された区間のうち、その区間の輝度の合計が所定値を超える区間を前記ある一定以上の面積をもつピークと判断することを特徴とする、請求項１０に記載の光学部材検査方法。
前記平均１次元データは、前記逆変換ステップにて復号された１次元のデータの各画素について前後それぞれ所定画素分の移動平均値をとることによって求められることを特徴とする、請求項１１に記載の光学部材検査方法。