JP6973623B2 - 学習済みモデルの生成方法、学習済みモデル、表面欠陥検出方法、鋼材の製造方法、合否判定方法、等級判定方法、表面欠陥判定プログラム、合否判定プログラム、判定システム、及び鋼材の製造設備 - Google Patents
学習済みモデルの生成方法、学習済みモデル、表面欠陥検出方法、鋼材の製造方法、合否判定方法、等級判定方法、表面欠陥判定プログラム、合否判定プログラム、判定システム、及び鋼材の製造設備 Download PDFInfo
- Publication number
- JP6973623B2 JP6973623B2 JP2020509542A JP2020509542A JP6973623B2 JP 6973623 B2 JP6973623 B2 JP 6973623B2 JP 2020509542 A JP2020509542 A JP 2020509542A JP 2020509542 A JP2020509542 A JP 2020509542A JP 6973623 B2 JP6973623 B2 JP 6973623B2
- Authority
- JP
- Japan
- Prior art keywords
- defect
- image
- determination
- periodic
- absence
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N21/8922—Periodic flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
- G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
- G01N2021/8918—Metal
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
- G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
- G01N2021/8924—Dents; Relief flaws
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Textile Engineering (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Signal Processing (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Biodiversity & Conservation Biology (AREA)
- Databases & Information Systems (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Description
〔鋼材判定システム〕
図1は、本発明の実施の形態1に係る鋼材判定システムの構成を示す模式図である。図1に示すように、本発明の実施の形態1に係る鋼材判定システム1は、照明装置2と、撮像装置3と、画像処理部4と、鋼材判定部5と、を備えている。
次に、本発明に係る実施の形態1が、周期性欠陥を検出するために用いる学習済みモデルについて説明する。本発明の学習済みモデルは、人工知能ソフトウエアの一部であるプログラムモジュールとしての利用が想定されており、CPU及び記憶装置を備えるコンピュータ(本明細書内においては、鋼材判定部5)にて用いられる。学習済みモデルは、教師画像の欠陥マップの画像サイズと同一画像サイズである欠陥マップを入力値、その欠陥マップにおける周期性欠陥の有無に関する値を出力値とする学習済みモデルである。欠陥マップは、有害な欠陥であると判定された欠陥部の2次元分布を示した画像である。言い換えれば、欠陥マップは、欠陥部が点によりプロットされた画像である。
次に、この学習済みモデルの生成方法を説明する。なお、学習済みモデルの生成は、1度行えばよく、生成した学習済みモデルを用いて、繰り返し鋼板Pの表面の周期性欠陥を検出することができる。また、本発明の学習済みモデルは、CPU及び記憶装置を備えるコンピュータ(本明細書内においては、機械学習部6)にて生成される。また、このコンピュータには、クラウドコンピューティングを利用したものも含まれる。
次に、図18〜図22を参照して、作成した学習済みモデルを用いた鋼材の表面欠陥検出方法を詳細に説明する。
そして、鋼材判定部5のサイズ変換部51は、各欠陥マップの画像サイズを教師画像と同一画像サイズに変換するサイズ変換処理を行う(ステップS35)。具体的には、判定対象となる欠陥マップの画像サイズが、予め設定された同一画像サイズよりも大きかった場合、サイズ変換部51は、画像サイズを小さくして同一画像サイズと同じとする。逆に、判定対象となる欠陥マップの画像サイズが、予め設定された同一画像サイズよりも小さかった場合は、画像サイズを大きくして同一画像サイズと同じとする。なお、教師画像と同一画像サイズとは、学習済みモデルを作成する際の教師画像の欠陥マップの画像サイズであり、教師画像の欠陥マップの画像サイズから、予め設定される。言い換えれば、ステップS35においては、使用される学習済みモデルを作成する際に選択された教師画像及びテスト画像の欠陥マップの同一画像サイズが、判定画像の欠陥マップにも用いられる。
次に、図23を参照して、作成した学習済みモデルを用いた鋼材の合否判定方法を詳細に説明する。鋼板Pの合否判定方法では、図20に示すステップS42に代えて、図23に示すS42の処理を行う。ステップS21、S22、及びS24の処理は、上述した処理と同様の処理であるから説明を省略する。
図24は、図18の判定ステップS23を示すフローチャートである。図24に示すように、ステップS41の処理は、上述した処理と同様の処理であるから説明を省略する。ステップS42において、判定部53は、周期性欠陥判定部52が算出した確率x及び確率yに基づいて、判定画像に対応する鋼板Pが合格であるか否かを判定する(ステップS423)。判定部53は、周期性欠陥判定部52が算出した判定画像が周期性欠陥が無い画像である確率x%がA%以上である場合(ステップS423:Yes)、その判定画像に対応する鋼板Pを合格と判定し、確率x%がA%より小さい場合(ステップS423:No)、その判定画像に対応する鋼板Pを不合格と判定する。このように、判定画像が周期性欠陥が無い画像であるか否かの判定を行わずに、直接鋼板Pの合否を判定してもよい。
図25は、本発明の実施の形態2に係る鋼材判定システムの構成を示す模式図である。図25に示すように、実施の形態2に係る鋼材判定システム1において、鋼材判定部5は、欠陥混入率計算部54を備える。照明装置2、撮像装置3、画像処理部4、鋼材判定部5、機械学習部6、データ取得部41、画像補正部42、欠陥検出部43、欠陥判定部44、欠陥マップ作成部45、サイズ変換部51,61、周期性欠陥判定部52、判定部53、表示部55,65、モデル作成部62、及び正答率算出部63は、実施の形態1で説明したものと同じであるから、説明を省略する。
図26は、図18の判定ステップS23を示すフローチャートである。図26に示すように、ステップS41、S421の処理は、上述した処理と同様の処理であるから説明を省略する。また、図26の最初の処理において、矢印が2つに記載されているが、これはステップS41の処理と、ステップS43の処理とを、並行して行ってよいことを示している。
また、変形例3として、図26のステップS421とS424とに代えて、図24のステップS423を用いてもよい。つまり、ステップS423において、判定部53は、周期性欠陥の無い画像である確率x%がA%以上(ステップS423:Yes)と判定した判定画像を、ステップS425へ進め、確率x%がA%より小さい(ステップS423:No)と判定された判定画像に対応する鋼板Pを不合格と判定する。この場合は、1ステップ分処理が減るので、より迅速に処理が行えることが期待できる。
次に、図27を参照して、作成した学習済みモデルを用いた鋼材の等級判定方法を詳細に説明する。鋼板Pの等級判定方法では、図26に示すステップS42に代えて、図27に示すS42の処理を行う。ステップS21、S22、及びS24の処理は、上述した処理と同様の処理であるから説明を省略する。
2 照明装置
3 撮像装置
4 画像処理部
5 鋼材判定部
6 機械学習部
41 データ取得部
42 画像補正部
43 欠陥検出部
44 欠陥判定部
45 欠陥マップ作成部
51、61 サイズ変換部
52 周期性欠陥判定部
53 判定部
54 欠陥混入率計算部
55、65 表示部
62 モデル作成部
63 正答率算出部
71 入力層
72 中間層
73 出力層
D 周期性欠陥
P 鋼板
Claims (20)
- 鋼材表面の欠陥部の分布を示し、かつ所定の画像サイズの欠陥マップと、該欠陥マップにおける周期性欠陥の有無と、を含む教師画像を用いて、
鋼材表面の欠陥部の分布を示し、かつ画像サイズが前記所定の画像サイズである欠陥マップを入力値、該欠陥マップ内における周期性欠陥の有無に関する値を出力値とする学習済みモデルを機械学習により生成する、学習済みモデルの生成方法。 - 前記周期性欠陥は、鋼材の幅方向に位置が動いており、かつ前記鋼材の長手方向に周期的に形成された欠陥である、請求項1に記載の学習済みモデルの生成方法。
- 前記教師画像として用いる前記欠陥マップの画像サイズが、前記所定の画像サイズと異なる場合、該欠陥マップの画像サイズを前記所定の画像サイズに変換してから入力値とする、請求項1または2に記載の学習済みモデルの生成方法。
- 鋼材表面の欠陥部の分布を示し、かつ前記教師画像と同一の画像サイズである欠陥マップと、該欠陥マップにおける周期性欠陥の有無と、を含むテスト画像を用いて生成される学習済みモデルの生成方法であって、
前記テスト画像の前記欠陥マップを前記学習済みモデルに入力し、該テスト画像における周期性欠陥の有無に関する値を出力させ、該周期性欠陥の有無に関する値に基づいて、前記テスト画像における周期性欠陥の有無を判定し、
前記判定された周期性欠陥の有無と前記テスト画像の欠陥マップにおける周期性欠陥の有無とを比較して正答率を算出し、
前記算出された正答率に応じて、前記学習済みモデルの生成条件を調整する、請求項1〜3のいずれか一項に記載の学習済みモデルの生成方法。 - 前記学習済みモデルの生成条件の調整は、前記教師画像の画像サイズを、他の所定の画像サイズへ変更することである、請求項4に記載の学習済みモデルの生成方法。
- 前記所定の画像サイズとして、互いに異なる複数種類の画像サイズを設定し、
前記設定された各画像サイズの前記教師画像と前記テスト画像との組を用いて、前記正答率を前記複数種類の画像サイズ毎に算出し、
前記算出された正答率が最も高い画像サイズの教師画像とテスト画像とを用いて、学習済みモデルを生成する、請求項4に記載の学習済みモデルの生成方法。 - 鋼材の表面の欠陥部の分布を示し、かつ所定の画像サイズの欠陥マップが、判定画像として入力される入力層と、
前記判定画像に対する周期性欠陥の有無に関する値を出力する出力層と、
前記判定画像と同一の画像サイズである欠陥マップを入力、前記欠陥マップに対する周期性欠陥の有無に関する値を出力とする教師画像を用いて、パラメータが学習された中間層とを備え、
前記入力層に入力された、前記所定の画像サイズである判定画像に対し、前記中間層において前記パラメータに基づく演算を行い、前記出力層から周期性欠陥の有無に関する値を出力するよう、
コンピュータを機能させるための学習済みモデル。 - 鋼材の表面を撮像した撮像データを取得するステップと、
前記撮像データに基づいて、欠陥部の分布を示した画像である欠陥マップを作成するステップと、
前記欠陥マップの画像サイズを、所定の画像サイズに変換して、前記欠陥マップごとに判定画像を作成するステップと、
前記判定画像を学習済みモデルに入力して、周期性欠陥の有無に関する値を出力させ、該周期性欠陥の有無に関する値に基づいて、前記判定画像に対する周期性欠陥の有無を判定するステップと、
を含む、表面欠陥検出方法。 - 前記学習済みモデルは、前記判定画像が入力された際に、前記周期性欠陥の有無に関する値を出力するように、前記判定画像と同一の画像サイズの教師画像を用いて機械学習が施された、請求項8に記載の表面欠陥検出方法。
- 請求項8または9に記載の表面欠陥検出方法を用いて、鋼材の表面の周期性欠陥を検出し、該検出結果に応じて製造条件を制御して鋼材を製造する、鋼材の製造方法。
- 鋼材の表面を撮像した撮像データを取得するステップと、
前記撮像データに基づいて、欠陥部の分布を示した画像である欠陥マップを作成するステップと、
前記欠陥マップの画像サイズを、所定の画像サイズに変換して、前記欠陥マップごとに判定画像を作成するステップと、
前記判定画像を学習済みモデルに入力して、周期性欠陥の有無に関する値を出力させ、該周期性欠陥の有無に関する値に基づいて、前記鋼材に対する合否を判定するステップと、
を含む、合否判定方法。 - 前記学習済みモデルは、前記判定画像が入力された際に、前記周期性欠陥の有無に関する値を出力するように、前記判定画像と前記所定の画像サイズの教師画像を用いて機械学習が施された、請求項11に記載の合否判定方法。
- 請求項11または12に記載の合否判定方法を利用して、鋼材の合否を判定し、該判定結果に応じて製造条件を制御して鋼材を製造する、鋼材の製造方法。
- 鋼材の表面を撮像した撮像データを取得するステップと、
前記撮像データに基づいて、欠陥部の分布を示した画像である欠陥マップを作成するステップと、
前記欠陥マップの画像サイズを所定の画像サイズに変換して、前記欠陥マップごとに判定画像を作成するステップと、
前記判定画像を学習済みモデルに入力して、周期性欠陥の有無に関する値を出力させ、該周期性欠陥の有無に関する値に基づいて、前記判定画像に対する周期性欠陥の有無を判定するステップと、
前記欠陥部に基づいて、前記判定画像の欠陥混入率を計算するステップと、
前記計算された欠陥混入率と、前記判定画像に対する周期性欠陥の有無の判定結果とに基づいて、前記判定画像に対応する前記鋼材の等級を判定するステップと、
を含む、等級判定方法。 - 鋼材の表面を撮像した撮像データを取得するステップと、
前記撮像データに基づいて、欠陥部の分布を示した画像である欠陥マップを作成するステップと、
前記欠陥マップの画像サイズを、所定の画像サイズに変換して、前記欠陥マップごとに判定画像を作成するステップと、
前記判定画像を学習済みモデルに入力して、周期性欠陥の有無に関する値を出力させ、該周期性欠陥の有無に関する値に基づいて、前記鋼材に対する合否を判定するステップと、
前記欠陥部に基づいて、前記判定画像の欠陥混入率を計算するステップと、
前記計算された欠陥混入率と、前記鋼材に対する合否の判定結果とに基づいて、前記判定画像に対応する前記鋼材の等級を判定するステップと、
を含む、等級判定方法。 - 請求項14または15に記載の等級判定方法を利用して、鋼材を等級ごとに分別する分別ステップを含む鋼材の製造方法。
- 鋼材の表面を撮像した撮像データを取得するステップと、
前記撮像データに基づいて、欠陥部の分布を示した画像である欠陥マップを作成するステップと、
前記欠陥マップの画像サイズを、所定の画像サイズに変換して、前記欠陥マップごとに判定画像を作成するステップと、
前記判定画像を学習済みモデルに入力して、周期性欠陥の有無に関する値を出力させ、該周期性欠陥の有無に関する値に基づいて、前記判定画像に対する周期性欠陥の有無を判定するステップと、
を含む処理をコンピュータに実行させるための表面欠陥判定プログラム。 - 鋼材の表面を撮像した撮像データを取得するステップと、
前記撮像データに基づいて、欠陥部の分布を示した画像である欠陥マップを作成するステップと、
前記欠陥マップの画像サイズを、所定の画像サイズに変換して、前記欠陥マップごとに判定画像を作成するステップと、
前記判定画像を学習済みモデルに入力して、周期性欠陥の有無に関する値を出力させ、該周期性欠陥の有無に関する値に基づいて、前記鋼材に対する合否を判定するステップと、
を含む処理をコンピュータに実行させるための合否判定プログラム。 - 鋼材の表面を撮像した撮像データに基づいて、欠陥部の分布を示した画像である欠陥マップを作成する欠陥マップ作成部と、
前記欠陥マップの画像サイズを、所定の画像サイズに変換して、前記欠陥マップごとに判定画像を作成するサイズ変換部と、
機械学習済みの学習済みモデルに対して、前記判定画像を入力し、周期性欠陥の有無に関する値を出力する周期性欠陥判定部と、
前記周期性欠陥の有無に関する値に基づいて、前記判定画像に対する周期性欠陥の有無を判定する、及び/または、前記鋼材の合否を判定する判定部と、を備え、
前記学習済みモデルは、前記判定画像が入力された際に、前記周期性欠陥の有無に関する値を出力するように、前記判定画像と前記所定の画像サイズの教師画像を用いて機械学習が施された、判定システム。 - 請求項19に記載の判定システムを備えた鋼材の製造設備。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018241213 | 2018-12-25 | ||
JP2018241213 | 2018-12-25 | ||
PCT/JP2019/042848 WO2020137151A1 (ja) | 2018-12-25 | 2019-10-31 | 学習済みモデルの生成方法、学習済みモデル、表面欠陥検出方法、鋼材の製造方法、合否判定方法、等級判定方法、表面欠陥判定プログラム、合否判定プログラム、判定システム、及び鋼材の製造設備 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020137151A1 JPWO2020137151A1 (ja) | 2021-02-18 |
JP6973623B2 true JP6973623B2 (ja) | 2021-12-01 |
Family
ID=71127917
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020509542A Active JP6973623B2 (ja) | 2018-12-25 | 2019-10-31 | 学習済みモデルの生成方法、学習済みモデル、表面欠陥検出方法、鋼材の製造方法、合否判定方法、等級判定方法、表面欠陥判定プログラム、合否判定プログラム、判定システム、及び鋼材の製造設備 |
Country Status (7)
Country | Link |
---|---|
US (1) | US20220044383A1 (ja) |
EP (1) | EP3904868A4 (ja) |
JP (1) | JP6973623B2 (ja) |
KR (1) | KR102636470B1 (ja) |
CN (1) | CN113260854A (ja) |
MX (1) | MX2021007733A (ja) |
WO (1) | WO2020137151A1 (ja) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112275807B (zh) * | 2020-09-30 | 2022-11-18 | 首钢集团有限公司 | 一种热轧带钢轮廓边部平台的检测方法及装置 |
DE102021122939B4 (de) | 2021-09-06 | 2023-06-01 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zum Beurteilen einer Oberfläche eines Karosseriebauteils sowie Verfahren zum Trainieren eines künstlichen neuronalen Netzes |
JP2023042738A (ja) * | 2021-09-15 | 2023-03-28 | 株式会社日立ハイテク | 欠陥検査システム及び欠陥検査方法 |
KR20230073720A (ko) | 2021-11-19 | 2023-05-26 | 부산대학교 산학협력단 | 딥러닝 모델을 이용한 냉연강판에서의 표면결함 자동분류를 위한 장치 및 방법 |
KR102471441B1 (ko) * | 2021-12-20 | 2022-11-28 | 주식회사 아이코어 | 딥 러닝을 기반으로 고장을 검출하는 비전 검사 시스템 |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58156842A (ja) | 1982-03-15 | 1983-09-17 | Toshiba Corp | ロ−ル疵検出装置 |
JPH07198627A (ja) | 1994-01-06 | 1995-08-01 | Nippon Steel Corp | 金属表面欠陥検査装置 |
JP3507695B2 (ja) * | 1998-04-30 | 2004-03-15 | 日本電信電話株式会社 | カオスニューラルネットワークを用いた信号検出方法及び装置 |
KR100838723B1 (ko) * | 2001-12-05 | 2008-06-16 | 주식회사 포스코 | 스트립표면 결함부의 검출 및 평점산출장치 |
JP4414658B2 (ja) * | 2003-02-14 | 2010-02-10 | 株式会社メック | 欠陥検査装置および欠陥検査方法 |
JP2004354250A (ja) * | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
JP5453861B2 (ja) | 2008-03-31 | 2014-03-26 | Jfeスチール株式会社 | 周期性欠陥検出装置及びその方法 |
JP2010139317A (ja) * | 2008-12-10 | 2010-06-24 | Mitsubishi Materials Corp | 軸物工具表面の欠陥検査方法および装置 |
JP5206697B2 (ja) * | 2009-01-15 | 2013-06-12 | 新日鐵住金株式会社 | 連続欠陥判定方法、連続欠陥判定装置及びプログラム |
KR101271795B1 (ko) * | 2011-08-10 | 2013-06-07 | 주식회사 포스코 | 주편 하면 검사 시스템 및 검사 방법 |
EP3315950A4 (en) * | 2015-06-25 | 2018-12-19 | JFE Steel Corporation | Surface flaw detection device, surface flaw detection method, and manufacturing method for steel material |
JP2018005640A (ja) * | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 分類器生成装置、画像検査装置、及び、プログラム |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN108021938A (zh) * | 2017-11-29 | 2018-05-11 | 中冶南方工程技术有限公司 | 一种冷轧带钢表面缺陷在线检测方法以及检测系统 |
CN108242054A (zh) * | 2018-01-09 | 2018-07-03 | 北京百度网讯科技有限公司 | 一种钢板缺陷检测方法、装置、设备和服务器 |
-
2019
- 2019-10-31 KR KR1020217019056A patent/KR102636470B1/ko active IP Right Grant
- 2019-10-31 WO PCT/JP2019/042848 patent/WO2020137151A1/ja unknown
- 2019-10-31 CN CN201980086096.9A patent/CN113260854A/zh active Pending
- 2019-10-31 MX MX2021007733A patent/MX2021007733A/es unknown
- 2019-10-31 EP EP19906072.4A patent/EP3904868A4/en active Pending
- 2019-10-31 JP JP2020509542A patent/JP6973623B2/ja active Active
- 2019-10-31 US US17/413,759 patent/US20220044383A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
MX2021007733A (es) | 2021-08-05 |
EP3904868A4 (en) | 2023-01-25 |
JPWO2020137151A1 (ja) | 2021-02-18 |
US20220044383A1 (en) | 2022-02-10 |
WO2020137151A1 (ja) | 2020-07-02 |
KR20210091309A (ko) | 2021-07-21 |
EP3904868A1 (en) | 2021-11-03 |
CN113260854A (zh) | 2021-08-13 |
KR102636470B1 (ko) | 2024-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6973623B2 (ja) | 学習済みモデルの生成方法、学習済みモデル、表面欠陥検出方法、鋼材の製造方法、合否判定方法、等級判定方法、表面欠陥判定プログラム、合否判定プログラム、判定システム、及び鋼材の製造設備 | |
Çelik et al. | Development of a machine vision system: real-time fabric defect detection and classification with neural networks | |
TW201839383A (zh) | 用於缺陷偵測之動態注意區 | |
JP2007132757A (ja) | 外観検査方法および同装置 | |
JP2011192032A (ja) | 疵学習装置、疵学習方法、及びコンピュータプログラム | |
TW202013538A (zh) | 用於損害篩選之跨層共同─獨特分析 | |
WO2019216303A1 (ja) | 検査装置、検査方法、学習方法、及びプログラム | |
CN115335855A (zh) | 豆腐制品的检查设备、豆腐制品的制造系统、豆腐制品的检查方法及程序 | |
US20220284567A1 (en) | Teacher data generation method, trained learning model, and system | |
JP5305002B2 (ja) | 外観検査装置 | |
JP6970550B2 (ja) | 欠陥検査システム及び欠陥検査方法 | |
JP7415286B2 (ja) | カラーフィルタ検査装置、検査装置、カラーフィルタ検査方法および検査方法 | |
JP2010249624A (ja) | 走行材の表面品質判定装置および表面品質判定方法 | |
RU2796806C2 (ru) | Способ формирования обучаемой модели, обучаемая модель, способ контроля поверхностных дефектов, способ производства стали, способ определения соответствия/несоответствия, способ определения сорта, программа определения поверхностных дефектов, программа определения соответствия/несоответствия, система определения и оборудование для производства стали | |
TWI753424B (zh) | 外觀檢查管理系統、外觀檢查管理裝置、外觀檢查管理方法以及程式 | |
JP7248316B2 (ja) | 豆腐類検査装置、豆腐類製造システム、豆腐類の検査方法、およびプログラム | |
JP7469740B2 (ja) | ベルト検査システムおよびベルト検査プログラム | |
JPH10123066A (ja) | 特異点検出装置及び方法 | |
JP2019023588A (ja) | 欠陥検査システム及び欠陥検査方法 | |
CN115668290A (zh) | 使用深度学习来检查片材物品 | |
JP6769447B2 (ja) | 鋼板の疵検査装置及び疵検査方法 | |
JP2007198803A (ja) | 外観検査システム | |
Bukhari et al. | Automated PCB Inspection System. | |
JP2019052872A (ja) | 軸受検査装置 | |
JP4889018B2 (ja) | 外観検査方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200218 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210105 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210226 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210706 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210825 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20211005 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20211018 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6973623 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |