JP6715282B2

JP6715282B2 - 品質監視システム

Info

Publication number: JP6715282B2
Application number: JP2018057425A
Authority: JP
Inventors: 理佐酒井; 山田　渉; 渉山田
Original assignee: Toshiba Corp
Current assignee: Toshiba Corp
Priority date: 2018-03-26
Filing date: 2018-03-26
Publication date: 2020-07-01
Anticipated expiration: 2038-03-26
Also published as: WO2019187228A1; JP2019169022A; DE112018007375T5

Description

本発明の実施形態は、品質監視システムに関する。

設備で処理されるワーク（製品）の品質を監視するシステムがある。このような品質監視システムについて、より簡便に設備の動作と品質との相関を分析できる技術の開発が望まれている。

特開２０１７−１４４５３２号公報

本発明が解決しようとする課題は、より簡便に設備の動作と品質との相関を分析できる品質監視システムを提供することである。

実施形態に係る品質監視システムは、撮像部と、検査部と、処理部と、を備える。前記撮像部は、ワークを処理する第１動作が繰り返される設備について、前記第１動作の第１タイミングにおける前記設備を撮影した第１画像を繰り返し取得する。前記検査部は、処理後の前記ワークの品質を検査する。前記処理部は、複数の前記第１画像に基づいて前記複数の第１画像のそれぞれに写された前記設備の評価を決定し、複数の前記評価と複数の前記品質との相関を分析する。前記処理部は、２つの前記第１画像をそれぞれ複数のメッシュに分割し、対応するメッシュ同士の間で最も特徴量の差が大きい第１メッシュを抽出する。前記処理部は、前記複数の第１画像の前記第１メッシュにおける特徴量を、それぞれ、前記複数の評価とする。

実施形態に係る品質監視システムの構成を表すブロック図である。実施形態に係る品質監視システムを説明するための模式図である。実施形態に係る品質監視システムを説明するための模式図である。実施形態に係る品質監視システムを説明するための模式図である。実施形態に係る品質監視システムを説明するための模式図である。実施形態に係る品質監視システムによる分析結果を例示するグラフである。実施形態に係る品質監視システムの動作を表すフローチャートである。実施形態の変形例に係る品質監視システムの動作を表すフローチャートである。

以下に、本発明の各実施形態について図面を参照しつつ説明する。
また、本願明細書と各図において、既に説明したものと同様の要素には同一の符号を付して詳細な説明は適宜省略する。

図１は、実施形態に係る品質監視システムの構成を表すブロック図である。
図１に表したように、実施形態に係る品質監視システム１は、撮像部１０、検査部２０、処理部３０、出力部４０、及び記憶部５０を備える。品質監視システム１は、設備の動作と、当該設備で処理されたワークの品質と、の相関を分析して調べるために用いられる。

撮像部１０は、ある第１動作を繰り返す設備を撮影し、静止画を取得する。具体的には、撮像部１０は、設備が第１動作を開始してから第１時間が経過した、第１タイミングにおける設備の様子を繰り返し撮影する。これにより、第１タイミングにおける設備を表す第１画像が繰り返し取得されていく。撮像部１０は、撮影した画像を、記憶部５０に記憶する。

検査部２０は、設備で処理されたワークの品質を検査する。例えば、検査部２０は、ワークの外観から品質（出来映え）を検査する。この他に、検査部２０は、ワークの電気特性、熱特性、強度、又は耐久性などを検査しても良い。検査部２０は、検査結果を記憶部５０に記憶する。

処理部３０は、記憶部５０を参照し、撮影された複数の第１画像を取得する。処理部３０は、複数の第１画像に基づき、第１画像に写された設備の評価を決定する。評価は、例えば、１つの第１画像に写された設備が、別の１つの第１画像に写された設備に対して、どの程度異常かを示す。

例えば、過去の第１画像に写された設備の状態と、新規の第１画像に写された設備の状態と、が実質的に同じ場合、異常の度合いは小さい。これは、例えば、評価が低い状態に対応する。過去の第１画像中の設備の状態と、新規の第１画像中の設備の状態と、が大きく異なる場合、異常の度合いは大きい。これは、例えば、評価が高い状態に対応する。評価は、例えば数値で表される。

処理部３０は、さらに、記憶部５０を参照し、検査部２０による品質の検査結果を取得する。処理部３０は、品質と評価との間の相関を分析する。例えば、評価が高くなるほど、品質が低下している場合、品質と評価は相関している。相関は、例えば、複数の品質の検査結果と複数の評価とを用いて、教師無しの機械学習を行うことで分析できる。処理部３０は、例えば、判定結果を出力部４０へ送信する。

出力部４０は、例えば、品質と、評価と、相関と、を示す情報を表示させる。出力部４０は、当該情報を予め設定された宛先に送信しても良い。情報は、例えば、グラフ又は表を含む。この他に、出力部４０は、ユーザに注意を促すための音や光などを発しても良い。

撮像部１０は、例えばカメラである。処理部３０は、ＣＰＵ(Central Processing Unit)及びメモリなどを含む。出力部４０は、例えば、モニタ、プリンタ、スピーカ、又は照明などである。

検査部２０の具体的構成は、実施される検査内容に応じて適宜変更できる。例えば、設備で処理されたワークの外観検査を行う場合、検査部２０は、カメラを含む。ワークの電気特性を検査する場合、検査部２０は、電気特性を計測するための計測器や制御ユニットを含む。

実施形態に係る品質監視システム１によれば、設備の動作に関する評価と、その設備によって処理されるワークの品質と、の相関を分析できる。また、当該評価は、新しい第１画像と、過去の第１画像と、に基づいて決定される。このため、当該評価を決定するための参照データ等を用意する必要が無い。従って、品質監視システム１は、監視したい設備に、より簡便に導入することができる。当該評価と品質との相関の分析を容易に実施できる。例えば、稼働したばかりの設備に対しても、参照データを用意することなく、品質監視システム１を適用できる。

また、品質監視システム１によれば、新しい第１画像を取得し、ワークの検査結果が得られた際に、評価と品質との相関を分析できる。このため、設備と品質との関係をリアルタイムに分析し、品質を監視できる。これにより、例えば、品質の低下が将来発生しそうな場合は、設備を事前に停止でき、低品質の製品が量産されることを防止できる。また、品質監視システム１によれば、評価と品質の相関が分析されることで、どうすれば品質を向上できるかをユーザに提示することも可能である。

撮像部１０は、設備を動画撮影しても良い。処理部３０は、その動画の一部を切り出すことで複数の第１画像を取得する。ただし、この場合、データ量が非常に大きくなる。このため、撮像部１０は、第１動作の第１タイミングで設備を撮影し、静止画を取得することが望ましい。すなわち、撮像部１０は、第１動作の第１タイミング以外の少なくとも一部では、設備を撮影しない。特定の瞬間の静止画のみを取得することで、データ量を小さくできる。

また、撮像部１０は、さらに、第１動作の別のタイミングにおいて、設備を繰り返し撮影しても良い。例えば、撮像部１０は、第１動作の第２タイミング及び第３タイミングにおいて設備を撮影し、第２画像及び第３画像を取得する。第２タイミングは、第１タイミングよりも前である。第３タイミングは、第２タイミングよりも前である。

処理部３０は、第２画像及び第３画像についても、上述した処理を行っても良い。すなわち、処理部３０は、複数の第２画像に基づき、第２画像に写された設備の評価を決定する。処理部３０は、複数の第３画像に基づき、第３画像に写された設備の評価を決定する。処理部３０は、それぞれの評価と、品質と、の相関を分析する。

図２〜図５は、実施形態に係る品質監視システムを説明するための模式図である。
図２に表した例では、設備９０が、コンベヤ上を流れるワーク９１を処理している。この例では、ワーク９１は、組み立て途中の仕掛品である。撮像部１０は、設備９０及びワーク９１を撮影する。画像には、監視対象の設備及びワーク以外の他の被写体が含まれていても良い。ただし、監視の精度を向上させるためには、他の被写体の動きが小さい又は無いことが望ましい。

コンベヤ上を流れたワーク９１は、検査部２０により撮影される。この例では、検査部２０は、処理されたワーク９１の外観を検査する。例えば、検査部２０は、ワーク９１のある部分と別の部分との位置関係や、ある部分の別の部分に対する傾きなどを検査する。例えば、検査部２０は、予め設定された値に対するずれ量、処理されたワーク９１がＯＫかＮＧか、などの品質の検査結果を出力する。

図３（ａ）〜図３（ｃ）は、設備９０の正常な動作を例示している。設備９０は、図３（ａ）〜図３（ｃ）に表した一連の動作（第１動作）を、繰り返し実行する。例えば、撮像部１０は、第１動作の第１タイミングにおける設備９０を撮影し、図３（ｃ）に表した第１画像Ａ１を取得する。撮像部１０は、第１動作が行われるたびに、設備９０及びワーク９１を繰り返し撮影する。

撮像部１０は、例えば、設備９０の動作に関連する信号を受信する。この信号を受信したタイミングを基準に、設備９０を撮影するタイミングを特定する。一例として、撮像部１０は、第１動作を開始させる際に、設備９０に入力される制御信号を受信する。撮像部１０は、この制御信号の受信を、時間の測定の起点とする。撮像部１０は、この起点から所定時間経過後の特定のタイミングで、設備９０を撮影する。又は、撮像部１０は、設備９０の動画を撮影し、設備９０又はワーク９１が特定の状態となったときを、時間の測定の起点としても良い。

図４において、横軸は時間Ｔを表す。撮像部１０は、例えば図４に表したように、第１タイミングＴ１で設備９０及びワーク９１を撮影し、第１画像Ａ１を取得する。設備９０が第１動作を行うたびに、撮像部１０による撮影が行われる。この結果、図４に表したように、複数の第１画像Ａ１が取得される。

処理部３０は、検査部２０でワーク９１の品質が検査されると、その検査されたワーク９１が処理されていたときに撮影された設備９０の第１画像を参照する。例えば、第１動作の起点から検査部２０による検査が実行されるまでの時間がユーザにより設定される。処理部３０は、設定された時間を基に、ワークの品質の検査結果と、そのワークを処理した際の設備に関する評価と、を対応付ける。又は、処理部３０は、設備９０が撮影されたタイミングと、ワーク９１が搬送された際の信号などを基に、検査結果と評価とを対応付けても良い。あるいは、ワーク９１に固有の識別情報が付されている場合、その識別情報を利用して検査結果と評価とを対応付けても良い。例えば、設備９０でワーク９１が処理される際、及び検査部２０でワーク９１が検査される際に、この識別情報が読み取られる。処理部３０は、同じ識別情報のワーク９１に関する検査結果と評価を対応付ける。

処理部３０は、その第１画像と、過去の第１画像と、その第１画像に写された設備の評価を決定する。評価は、例えば、画像に写された設備の異常度合いに関し、２つの画像の間の特徴量の差で表される。例えば、特徴量の差が大きいほど、一方の画像は、もう一方の画像に対して異常度合いが大きいことを示す。特徴量の抽出方法（アルゴリズム）としては、例えば、ＳＩＦＴ（Scale-Invariant Feature Transform）又はＳＵＲＦ（Speed-Upped Robust Feature）などを用いることができる。

評価は、画像に写された設備の正常度合いに関し、２つの画像の間の類似度で表されても良い。類似度が高いほど、２つの画像は類似しており、正常度合いが大きい（異常度合いが小さい）ことを示す。処理部３０は、品質の検査結果と評価との相関を分析する。

図５（ａ）〜図５（ｃ）は、設備９０に異常が生じている場合の第１動作を例示している。図５（ａ）及び図５（ｂ）は、それぞれ、図３（ａ）及び図３（ｂ）に表した正常時の動作と同じである。一方、図５（ｃ）では、設備９０のアーム９０ａの位置（角度）及びハンド９０ｂの位置が、図３（ｃ）に表した状態と異なる。処理部３０は、図３（ｃ）の第１画像Ａ１と図５（ｃ）の第１画像Ａ１とから、図５（ｃ）の第１画像Ａ１に写された設備９０に関する評価を決定する。この場合、設備９０は、異常度合いが大きいと評価される。

図６は、実施形態に係る品質監視システムによる分析結果を例示するグラフである。
図６において、横軸は、処理部３０による設備の評価を示す。縦軸は、品質を示す。一例として、図６では、評価は、異常度合いに関する。品質は、不良数に関する。図６は、各異常度合いにおいて、どの程度不良が発生しているかを示す。例えば、処理部３０による相関分析の結果、直線Ｌで表されるように、評価と品質とに相関が有ると判定される。処理部３０は、例えば、図６に表したグラフを、出力部４０に表示させる。

評価と品質とに相関が有ると判定された場合、処理部３０は、さらに分析を行っても良い。例えば、処理部３０は、時間に対する異常度合いの変化を算出する。異常度合いが増加傾向にある場合は、不良数がその後増加することが予測される。例えば、処理部３０は、その予測結果を出力する。

又は、第１画像に写された設備の評価は、その第１画像に基づいて決定されても良い。この場合、評価は、例えば、その第１画像の特徴量で表される。処理部３０は、複数の特徴量と、複数の品質と、の相関を分析する。この方法においても、品質の監視を効果的に行うことができる。

特徴量を評価として用いる場合、処理部３０は、第１画像をメッシュ処理しても良い。メッシュ処理では、画像が複数のメッシュに分割され、メッシュごとに特徴量が算出される。処理部３０は、複数の第１画像のそれぞれにおいて、複数のメッシュの１つにおける特徴量を、評価とする。

または、処理部３０は、以下の方法により、評価と品質の相関を分析しても良い。
処理部３０は、複数の第１画像から、２つの第１画像を抽出し、それらの第１画像を複数のメッシュに分割する。処理部３０は、対応するメッシュ同士の間でそれぞれ特徴量の差を算出する。処理部３０は、最も特徴量の差が大きかった第１メッシュを抽出する。処理部３０は、複数の第１画像の第１メッシュにおける特徴量を、それぞれ複数の評価とする。処理部３０は、複数の評価と複数の品質との相関を分析する。

上記の処理において、相関が無いと判定された場合、処理部３０は、例えば以下の処理をさらに行う。
処理部３０は、対応するメッシュ同士の間で、２番目に特徴量の差が大きかった第２メッシュを抽出する。処理部３０は、複数の第１画像の第２メッシュにおける特徴量を、それぞれ複数の評価とする。処理部３０は、複数の評価と複数の品質との相関を分析する。

この分析方法によれば、評価と品質との相関をより効率的に分析できる。例えば、処理部３０による計算量を低減できる。

処理部３０は、第１画像をメッシュ処理する際に、被写体の動きが大きい部分は、より小さなメッシュに分割し、被写体の動きが小さい（又は無い）部分は、大きなメッシュに分割しても良い。こうすることで、特徴量に重み付けすることができ、特徴量の変化を検出し易くなる。画像中における、細かくメッシュ処理する領域と粗くメッシュ処理する領域は、例えば、第１画像と、その直前の画像と、の間の特徴量の変化を基に決定される。

例えば、処理部３０は、ｎ回目（ｎ＝１、２、３・・・）の第２タイミングで撮影された第２画像を複数のメッシュに分割する。第２タイミングは、第１タイミングの前である。処理部３０は、ｎ回目の第１タイミングで撮影された第１画像を複数のメッシュに分割する。処理部３０は、第１画像と第２画像との間で、対応するメッシュ同士の間の特徴量の差をそれぞれ算出する。特徴量の差が大きいほど、そのメッシュにおける被写体の動きが大きいことを示す。

処理部３０は、特徴量の差が小さかったメッシュ同士を結合させ、より大きなメッシュとする。処理部３０は、特徴量の差が大きかったメッシュを複数に分割し、より小さなメッシュとする。これにより、被写体の動きが大きい部分ほど、特徴量をより大きく重み付けできる。

図７は、実施形態に係る品質監視システムの動作を表すフローチャートである。
撮像部１０は、第１動作を繰り返す設備について、第１動作の第１タイミングにおける設備を撮影した第１画像を繰り返し取得する（ステップＳ１）。検査部２０は、設備で処理されたワークの品質を検査する（ステップＳ２）。処理部３０は、複数の第１画像に基づいて、第１画像に写された設備の複数の評価を決定する（ステップＳ３）。

処理部３０は、複数の品質と複数の評価が相関しているか分析する（ステップＳ４）。相関していない場合、ステップＳ１〜Ｓ３が繰り返される。相関している場合、処理部３０は、その結果を出力しても良い。又は、処理部３０は、図７に表したように、評価の変化から将来の品質の変化を予測しても良い（ステップＳ５）。品質が低下すると予測される場合、処理部３０は、その結果を出力する（ステップＳ６）。例えば、処理部３０は、設備を停止させるための信号を送信する、又はユーザに通知する。

以上で説明した実施形態に係る品質監視システム１によれば、より簡便に設備の動作と品質との相関を分析できる。

（変形例）
処理部３０は、複数の第１画像に基づいて、第１画像に写された設備の異常を判定しても良い。ここでは、異常とは、例えば、設備の通常の動作に対して、特定の動作の遅れ、設備の特定部位の可動域の変化、処理されるワークの位置や傾きの変化などを含む。

撮像部１０で新規の第１画像が取得されると、処理部３０は、記憶部５０を参照し、過去の第１画像を取得する。処理部３０は、過去の複数の第１画像に基づき、新規の第１画像に含まれる設備に異常が有るか判定する。例えば、過去の第１画像に写された設備の状態と、新規の第１画像に写された設備の状態と、実質的に同じ場合、設備は正常と判定される。過去の第１画像中の設備の状態と、新規の第１画像中の設備の状態と、が大きく異なる場合、設備は異常と判定される。

処理部３０は、複数の第１画像Ａ１を用いて、例えば、教師無し学習を行う。教師無し学習の具体的な手法としては、主成分分析又はクラスタリングなどを用いることができる。処理部３０は、教師無し学習により生成された、第１画像Ａ１中の設備の異常を判定するためのモデルを、記憶部５０に記憶する。

図５（ａ）〜図５（ｃ）は、設備９０に異常が有る場合の第１動作を例示している。例えば、処理部３０は、新規の第１画像と、過去の複数の第１画像の１つと、の特徴量の差を算出する。過去の複数の第１画像の当該１つは、例えば、新規の第１画像の直前に取得された第１画像である。処理部３０は、算出された差と、第１閾値と、を比較する。当該差が第１閾値を超えているときに、処理部３０は、新規の第１画像の被写体である設備に異常が有ると判定する。

第１閾値は、特徴量データに基づいて設定される。例えば、過去の特徴量データを基に、その平均値及び標準偏差を算出する。３σを計算し、それを第１閾値と設定する。機械学習により、設定された第１閾値と、新たに取得された第１画像に基づく特徴量と、が比較され、閾値内に入っているか判定される。

例えば、図３（ｃ）に表した画像同士の間では、特徴量の差が小さい。図３（ｃ）に表した画像と、図５（ｃ）に表した画像と、では、アーム９０ａ及びハンド９０ｂの位置が大きく異なる。このため、これらの画像の間では特徴量の差が大きく、図５（ｃ）に表した画像中の設備９０が異常と判定される。

処理部３０は、新規の第１画像と、過去の第１画像と、をそれぞれメッシュ処理しても良い。処理部３０は、いずれかのメッシュにおける特徴量の差が第１閾値以上の場合、設備が異常と判定する。また、第１画像をメッシュ処理することで、第１画像において設備の異常が生じている箇所（メッシュ）を特定できる。

処理部３０は、第１画像をメッシュ処理する際に、上述した通り、被写体の動きが大きい部分は、より小さなメッシュに分割し、被写体の動きが小さい（又は無い）部分は、大きなメッシュに分割しても良い。

処理部３０は、設備の異常を判定する際に、第１画像に加えて、設備で発生する信号を利用しても良い。例えば、設備９０では、アーム９０ａ及びハンド９０ｂを駆動させる際、設備９０における電圧値又は電流値の変化が生じるとする。この場合、処理部３０は、設備９０における電圧値又は電流値を検出するセンサから、電圧値又は電流値を示す信号を受信する。処理部３０は、受信した信号の強度を、予め設定された第１範囲と比較する。処理部３０は、例えば、新規の第１画像と過去の第１画像との特徴量の差が第１閾値を超え、且つ、信号強度が第１範囲を外れていた場合に、設備９０が異常と判定する。

設備に異常が生じている場合、典型的には、設備から出力される信号にも異常が生じる。撮影された画像と、設備から出力される信号と、に基づいて設備の異常を判定することで、判定の精度を向上させることができる。これにより、例えば、設備に異常が生じていないにも拘わらず異常と判定される可能性を低減できる。処理部３０は、電圧値及び電流値以外に、例えば、設備における圧力やガス流量などを示す信号を利用し、設備の異常を判定しても良い。

処理部３０は、新規の第１画像と、過去の複数の第１画像の１つと、の間の類似度を算出し、この類似度に基づいて第１画像に写された設備の異常を判定しても良い。処理部３０は、算出された類似度と、予め設定された閾値と、を比較する。類似度が閾値未満であるときに、処理部３０は、新規の第１画像の被写体である設備に異常が有ると判定する。

または、処理部３０は、複数の第１画像をそれぞれメッシュ処理し、対応するメッシュ同士の間の類似度をそれぞれ算出しても良い。処理部３０は、第１画像をメッシュ処理する際に、被写体の動きの大きさに応じて、メッシュの大きさを変化させても良い。また、処理部３０は、類似度に加えて、設備で発生する信号を異常の判定に用いても良い。

出力部４０による出力内容は、処理部３０における処理に応じて適宜変更できる。出力部４０は、第１画像において、異常が生じている箇所を具体的に示しても良い。例えば、処理部３０で第１画像がメッシュ処理された場合、第１画像において異常が生じている箇所（メッシュ）を特定できる。出力部４０は、処理部３０により特定された箇所を示す。これにより、設備のどこが品質監視システム１により異常と判定されたか、ユーザが容易に把握できる。

処理部３０は、新規の第１画像に写された設備が異常と判定された場合に、品質と評価との相関を分析しても良い。異常と判定された場合に相関を分析することで、その異常が品質に与える影響を分析できる。処理部３０による計算量も低減できる。

図８は、実施形態の変形例に係る品質監視システムの動作を表すフローチャートである。
撮像部１０は、第１動作を繰り返す設備について、第１動作の第１タイミングにおける設備を撮影した第１画像を繰り返し取得する（ステップＳ１１）。検査部２０は、設備で処理されたワークの品質を検査する（ステップＳ１２）。処理部３０は、設備の動作に関する情報を取得する（ステップＳ１３）。この情報は、例えば、設備から出力される信号である。処理部３０は、新規の第１画像を、過去の複数の第１画像と比較し、機械学習を行う（ステップＳ１４）。また、処理部３０は、新規の第１画像と過去の複数の第１画像との比較結果、及び設備の動作に関する情報に基づき、設備の動作が正常か判定する（ステップＳ１５）。

設備の動作が異常と判定されると、処理部３０は、複数の第１画像に基づいて、第１画像に写された設備の複数の評価を決定する（ステップＳ１６）。処理部３０は、複数の品質と複数の評価が相関しているか分析する（ステップＳ１７）。相関していない場合、ステップＳ１１が再度行われる。又は、相関していない場合、処理部３０は、設備に異常が生じていること、設備の異常と品質は相関していないこと、を出力しても良い。相関している場合、例えば、処理部３０は、評価の変化から将来の品質の変化を予測する（ステップＳ１８）。品質が低下すると予測される場合、処理部３０は、その結果を出力する（ステップＳ１９）。

以上、本発明のいくつかの実施形態を例示したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更などを行うことができる。これら実施形態やその変形例は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。また、前述の各実施形態は、相互に組み合わせて実施することができる。

１品質監視システム、１０撮像部、２０検査部、３０処理部、４０出力部、５０記憶部、９０設備、９０ａアーム、９０ｂハンド、９１ワーク、Ａ１第１画像、Ｌ直線、Ｔ１第１タイミング

Claims

ワークを処理する第１動作が繰り返される設備について、前記第１動作の第１タイミングにおける前記設備を撮影した第１画像を繰り返し取得する撮像部と、
処理後の前記ワークの品質を検査する検査部と、
複数の前記第１画像に基づいて前記複数の第１画像のそれぞれに写された前記設備の評価を決定し、複数の前記評価と複数の前記品質との相関を分析する処理部と、
を備え、
前記処理部は、
２つの前記第１画像をそれぞれ複数のメッシュに分割し、対応するメッシュ同士の間で最も特徴量の差が大きい第１メッシュを抽出し、
前記複数の第１画像の前記第１メッシュにおける特徴量を、それぞれ、前記複数の評価とし、
前記複数の評価と、前記複数の品質と、の相関を分析する、
品質監視システム。
前記処理部は、前記複数の第１画像の特徴量をそれぞれ前記複数の評価とし、前記複数の評価と前記複数の品質との相関を分析する請求項１記載の品質監視システム。
前記品質と前記評価との間に相関がある場合、前記処理部は、前記評価と、前記品質と、前記相関と、を示す情報を出力する請求項１または２に記載の品質監視システム。
ワークを処理する第１動作が繰り返される設備について、前記第１動作の第１タイミングにおける前記設備を撮影した第１画像を繰り返し取得する撮像部と、
処理後の前記ワークの品質を検査する検査部と、
新規の前記第１画像が取得された際に、過去の複数の前記第１画像に基づき、前記新規の第１画像に写された前記設備の異常を判定し、
前記新規の第１画像に写された前記設備に異常が有った場合に、前記新規の第１画像及び前記過去の複数の第１画像に基づき、それぞれの前記第１画像に写された前記設備の評価を決定し、複数の前記評価と複数の前記品質との相関を分析する処理部と、
を備え、
前記処理部は、
２つの前記第１画像をそれぞれ複数のメッシュに分割し、対応するメッシュ同士の間で最も特徴量の差が大きい第１メッシュを抽出し、
前記複数の第１画像の前記第１メッシュにおける特徴量を、それぞれ、前記複数の評価とし、
前記複数の評価と、前記複数の品質と、の相関を分析する、
品質監視システム。