JP7043030B2 - 光電センサ - Google Patents

Description

本発明は、対象物の状態についての判定機能を備える光電センサに関する。

従来、対象物の有無を検出するセンサとして、対象物に光を照射し、対象物を透過する光を検出したり、対象物による光の遮蔽を検出したり、対象物により反射した光を検出したりする光電センサが用いられている。また、対象物の有無ではなく、対象物の状態を検出する場合には、カメラで対象物を撮像し、画像分析を行う視覚センサを用いることがある。

光電センサについて、例えば下記特許文献１には、背景レベルに相当する検出値をゼロリセット基準値として記憶させることにより、任意の検出値を、背景レベルを基準とした相対値で表示し得るように構成した光電センサが記載されている。

また、下記特許文献２には、鋼板表面をレーザ光で走査し、反射光波形を代表する複数個の特徴量を算出し、その特徴量を予め学習させた神経回路網に加えて疵有／無出力を行う検査方法が記載されている。

特開２００１－１２４５９４号公報 特開平２－２９８８４０号公報

普及している光電センサ１つでできる対象物の有無の検出よりは難しいが、光電センサに比べれば大型、高価である視覚センサの多様な能力が必要というほどではないような対象物の状態の検出需要がある。例えば、形状や模様が大きく異なる対象物を見分ける場合、単に対象物の有無を検出するだけでは足りないが、視覚センサの多様な能力が必要というほどではない。

ここで、従来の光電センサと特許文献１に示されているような受光量波形を分析する手法とを組み合わせることで、原理的には対象物の状態についての判定が可能と考えられる。しかし、判定に必要な部分（特許文献２における疵の大きさに対応する部分）の波形のみを取得するための適切なトリガが得られないため、判定に必要な部分よりも長い時間範囲の波形の取得を完了してから波形分析を行うこととなり、例えば搬送ライン上を次々と運ばれてくる対象物に適用するにはリアルタイム性に欠ける。

そこで、本発明は、簡易な構成で、時間遅れ少なく、対象物の状態を判定する光電センサを提供する。

本開示の一態様に係る光電センサは、対象物が到来する検出範囲に向けて光を出射する投光部と、光の受光に基づく時系列の信号値を取得する受光部と、取得された順に順序付けて所定数の信号値を記憶し、周期的に、新たに取得された信号値により所定数の信号値を更新するＦＩＦＯメモリと、所定のパラメータを含む予測モデルにより、第１時間範囲に取得された信号値に基づいて、第１時間範囲より後の第２時間範囲に取得される信号値を予測する予測部と、ＦＩＦＯメモリの更新を１回又は複数回行う毎に一度の頻度で、予測部により予測された信号値と、第２時間範囲に対応するＦＩＦＯメモリに記憶された信号値との一致度に基づいて、対象物の状態を判定する判定部と、を備える。

この態様によれば、ＦＩＦＯメモリの更新を１回又は複数回行う毎に一度の頻度で、予測部により予測された信号値と、第１時間範囲より後の第２時間範囲に対応するＦＩＦＯメモリに記憶された信号値との一致度に基づいて、対象物の状態を判定することで、簡易な構成で、時間遅れ少なく、搬送ライン上を次々と運ばれてくる対象物の状態を判定することができる。

上記態様において、判定部は、一致度が所定値よりも高い場合に、対象物の状態は特定の状態であると判定してもよい。

上記態様において、予測モデルは、機械学習によって生成されたモデルであってもよい。

この態様によれば、学習済みモデルによって、第１時間範囲に取得された信号値に基づいて、第１時間範囲より後の第２時間範囲に取得される信号値を予測することで、信号値の予測精度を向上させ、搬送ライン上を次々と運ばれてくる対象物の状態をより柔軟に判定することができる。

上記態様において、信号値に基づいて予測モデルを生成する動作制御部をさらに備えてもよい。

この態様によれば、光電センサが自ら予測モデルを生成できるので、予測モデルを外部から取得することなく、実際の対象物に応じて生成された予測モデルを使用することができる。

上記態様において、動作制御部は、時系列の信号値の変動が比較的小さい安定期に続いて、時系列の信号値の変動が比較的大きい変動期が現れた場合に、変動期に属する信号値に基づいて予測モデルを生成してもよい。

この態様によれば、信号値の中から対象物によって生じた信号値を選択的に使用して予測モデルを生成することができる。

上記態様において、動作制御部は、予測モデルを外部に出力可能であってもよい。

この態様によれば、生成した予測モデルを他の光電センサで用いることができるので、同様の対象物及び設置状況で使用される複数の光電センサごとに予測モデルの生成を繰り返す必要が無くなる。

上記態様において、動作制御部は、時系列の信号値を外部に出力可能であってもよい。

この態様によれば、信号値を外部に出力し、外部機器で予測モデルを生成することができる。これにより、予測モデルを生成する処理に関する計算資源を光電センサ自身で持つ必要がない。

上記態様において、予測モデルを外部から取得する動作制御部をさらに備えてもよい。

この態様によれば、他の装置、例えば他の光電センサにより生成された予測モデルを流用することで予測モデルの生成を省略することができる。

本発明によれば、簡易な構成で、時間遅れ少なく、対象物の状態を判定する光電センサが提供される。

本発明の実施形態に係る光電センサを含む検出システムの概要を示す図である。 本実施形態に係る光電センサの構成を示す図である。 本実施形態に係る光電センサの処理部の構成の一例を示す図である。 本実施形態に係る光電センサの学習モード及び判定モードの処理のフローチャートである。 本実施形態に係る光電センサの第ｎサイクルに測定された信号値の一例を示す図である。 本実施形態に係る光電センサの第ｎ＋１サイクルに測定された信号値の一例を示す図である。 本実施形態に係る光電センサの第ｎサイクルに測定された信号値の他の例を示す図である。 本実施形態に係る光電センサの処理部の構成の他の例を示す図である。

以下、本発明の一側面に係る実施の形態（以下、「本実施形態」と表記する。）を、図面に基づいて説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。

［構成例］
図１から図３を参照しつつ、本実施形態に係る光電センサ１０の構成の一例について説明する。図１は、本実施形態に係る光電センサ１０を含む検出システム１の概要を示す図である。検出システム１は、光電センサ１０と、コントローラ２０と、コンピュータ３０と、ロボット４０と、搬送装置５０とを備える。

光電センサ１０は、取得される信号値に基づいて、光電センサ１０の検出範囲１０ａに対象物１００が到来したことを検出し、その対象物１００の状態を判定する装置である。光電センサ１０は、反射型の光電センサであったり、透過型の光電センサであったり、回帰反射型の光電センサであったりしてよい。また、光電センサ１０は、対象物１００にレーザビームを投光し、三角測距の原理に基づいて対象物１００までの距離に対応する信号値を得る変位センサであってもよい。また、光電センサ１０は、対象物１００で反射される光の往復時間に基づいて対象物１００までの距離に対応する信号値を得る測距センサであってもよい。本明細書において、「信号値」は、受光量の値のほか、対象物１００までの距離に対応する信号値も含むものとする。

対象物１００は、光電センサ１０による検出の対象となる物であり、例えば生産される製品の完成品であったり、部品等の未完成品であったりしてよい。図１に例示する対象物１００は、ベースの上に突起が付いた形状の対象物である。また、異種対象物として、同じベースを有するが突起が付いていない形状の対象物も混入して搬送されるものとする。光電センサ１０が、例えば反射型の光電センサである場合、対象物１００が光電センサ１０の検出範囲１０ａに到来すると、検出される反射光量が増加する。また、対象物１００がベースの上に突起が付いた形状の場合、検出範囲１０ａに対象物１００の突起があるとさらに反射光量が増加する。

コントローラ２０は、ロボット４０及び搬送装置５０を制御する。コントローラ２０は、例えばＰＬＣ（Programmable Logic Controller）で構成されてよい。コントローラ２０は、光電センサ１０からの出力により対象物１００が到来したことを検知し、さらに、判定された対象物１００の状態に応じてロボット４０を制御する。

コンピュータ３０は、光電センサ１０、コントローラ２０及びロボット４０の設定を行う。また、コンピュータ３０は、コントローラ２０から、コントローラ２０による制御の実行結果を取得する。さらに、コンピュータ３０は、光電センサ１０により対象物１００の状態を判定するための判定モデルを機械学習により生成する学習装置を含んでよい。ここで、判定モデルは、例えばニューラルネットワークにより構成されたり、決定木により構成されたりしてよい。

ロボット４０は、コントローラ２０による制御に従って、対象物１００を操作したり加工したりする。ロボット４０は、例えば対象物１００をピックアップして別の場所に移動させたり、対象物１００を切削したり、組み立てたりしてよい。また、ロボット４０は、対象物１００に突起が有るか無いかによって、加工内容又は移動先を変えてもよい。

搬送装置５０は、コントローラ２０による制御に従って、対象物１００を搬送する装置である。搬送装置５０は、例えばベルトコンベアであってよく、コントローラ２０により設定された速度で対象物１００を搬送してよい。

図２は、本実施形態に係る光電センサ１０の構成を示す図である。光電センサ１０は、投光部１１、受光部１２、処理部１３、操作部１４及び出力部１５を備える。

＜投光部＞
投光部１１は、対象物１００が到来する検出範囲１０ａに向けて光を出射する。投光部１１は、投光素子１１ａ及び駆動回路１１ｂを含んでよい。投光素子１１ａは、ＬＥＤ（Light Emitting Diode）やレーザダイオードで構成されてよく、駆動回路１１ｂは、投光素子１１ａを発光させるための電流を制御する。駆動回路１１ｂは、投光素子１１ａを間欠的に、例えば０．１ｍｓ周期でパルス発光させてよい。投光素子１１ａから出射した光は、図示しないレンズ又は光ファイバを介して、検出範囲１０ａに照射されてよい。

＜受光部＞
受光部１２は、光の受光に基づく時系列の信号値を取得する。受光部１２は、受光素子１２ａ、増幅器１２ｂ、サンプル／ホールド回路１２ｃ及びＡ／Ｄ変換器１２ｄを含んでよい。受光素子１２ａは、フォトダイオードによって構成されてよく、受光量を電気的な出力信号に変換する。受光部１２は、検出範囲１０ａにおいて反射又は透過した光を、図示しないレンズ又は光ファイバを介して受光素子１２ａに入射させてよい。増幅器１２ｂは、受光素子１２ａの出力信号を増幅する。サンプル／ホールド回路１２ｃは、投光部１１によるパルス発光のタイミングに同期して、増幅器１２ｂにより増幅された受光素子１２ａの出力信号を保持する。これにより外乱光の影響が低減される。Ａ／Ｄ変換器１２ｄは、サンプル／ホールド回路１２ｃにより保持されたアナログの信号値をデジタル値である受光量の値に変換する。

＜処理部＞
処理部１３は、動作制御部１３ａ、ＦＩＦＯ（Ｆｉｒｓｔ Ｉｎ Ｆｉｒｓｔ Ｏｕｔ）メモリ１３ｂ、予測値記憶部１３ｃ、判定部１３ｄ及び予測部１３ｅを含む。処理部１３は、例えば、マイクロプロセッサ、メモリ及びメモリに格納されたプログラム等から構成されるコンピュータとして構成されてよい。

動作制御部１３ａは、後述する予測モデルを取り扱う処理の他、光電センサ１０全体の動作を統括制御してよい。

ＦＩＦＯメモリ１３ｂは、取得された順に順序付けて所定数の信号値を記憶し、周期的に、新たに取得された信号値により所定数の信号値を更新する。ここで、ＦＩＦＯメモリ１３ｂに記憶される信号値の数、すなわち所定数は、任意であるが、例えば１００程度であってよい。ＦＩＦＯメモリ１３ｂは、専用のハードウェアによって実現できるほか、処理部１３のメモリ上に処理部１３のプログラムに従って実現されてもよい。その場合、ＦＩＦＯメモリ１３ｂの後段への信号値のシフトは、格納されているデータの物理的なシフトではなく、メモリ上のアクセス箇所の更新によって行うことができる。

予測値記憶部１３ｃは、予測部１３ｅにより予測された予測値を少なくとも一時的に記憶する。ここで、予測値は、予測部１３ｅにより予測された直後に判定部１３ｄによる判定に用いられてもよいし、予測部１３ｅにより予測された後、ＦＩＦＯメモリ１３ｂの更新を１回又は複数回行った後に判定部１３ｄによる判定に用いられてもよい。

予測部１３ｅは、所定のパラメータを含む予測モデルにより、第１時間範囲に取得された信号値に基づいて、第１時間範囲より後の第２時間範囲に取得される信号値を予測する。ここで、第１時間範囲及び第２時間範囲は、固定的な時刻の範囲（例えば０時０分０秒から０時０分１秒）を意味しない。第１時間範囲は、所定の継続時間を有する時間範囲であって、時刻は問わない。第２時間範囲は、第１時間範囲と所定の時間関係（第１時間範囲の終了直後からの時間範囲等）をもって所定時間継続する時間範囲であってよい。予測部１３ｅにより予測される第２時間範囲における信号値の数は、単一でもよいし複数でもよい。

予測部１３ｅは、機械学習によって生成された予測モデルにより、第１時間範囲に取得された信号値に基づいて、第１時間範囲より後の第２時間範囲に取得される信号値を予測してもよい。予測モデルは、学習済みのニューラルネットワークや決定木により構成されてよい。予測モデルが学習済みのニューラルネットワークの場合、予測モデルに含まれる所定のパラメータは、ノード間の重みパラメータやバイアス値を含んでよい。学習済みモデルによって、第１時間範囲に取得された信号値に基づいて、第１時間範囲より後の第２時間範囲に取得される信号値を予測することで、信号値の予測精度を向上させ、搬送ライン上を次々と運ばれてくる対象物１００の状態をより柔軟に判定することができる。

判定部１３ｄは、ＦＩＦＯメモリ１３ｂの更新を１回又は複数回行う毎に一度の頻度で、第１時間範囲に対応するＦＩＦＯメモリ１３ｂに記憶された信号値に基づいて予測部１３ｅにより予測された信号値と、第２時間範囲に対応するＦＩＦＯメモリ１３ｂに記憶された信号値との一致度に基づいて、対象物の状態を判定する。例えば、対象物１００が、ベースに突起が付いた対象物である場合、予測部１３ｅは、第１時間範囲に取得されたベースの部分の信号値に基づいて、第２時間範囲に取得される突起の部分の信号値を予測する。そして、判定部１３ｄは、第２時間範囲に実際に取得された信号値と、予測値との一致度が十分に高い場合に、対象物１００は、ベースに突起が付いた状態であると判定してよい。このように、ＦＩＦＯメモリ１３ｂの更新を１回又は複数回行う毎に一度の頻度で、第１時間範囲に対応するＦＩＦＯメモリ１３ｂに記憶された信号値に基づいて予測部１３ｅにより予測された値と、第１時間範囲より後の第２時間範囲に対応するＦＩＦＯメモリ１３ｂに記憶された信号値との一致度に基づいて、対象物１００の状態を判定することで、簡易な構成で、時間遅れ少なく、搬送ライン上を次々と運ばれてくる対象物１００の状態を判定することができる。これにより、普及している光電センサに近い簡易な構成で、すなわち画像処理や別途のトリガ手段を必要としないで、時間遅れ少なく、対象物１００の状態を判定することができる。

より具体的には、判定部１３ｄは、一致度が所定値よりも高い場合に、対象物の状態は特定の状態であると判定してもよい。

また、学習済みモデルを生成するための学習用データは、１種類の対象物について第１時間範囲に取得された信号値と第２時間範囲に取得された信号値とを含んでよいが、特定の複数種類の対象物が混合搬送される場合には、複数種類の対象物について第１時間範囲に取得された信号値と第２時間範囲に取得された信号値とを含んでよい。複数種類の対象物が混合搬送される場合、学習済みモデルは、第１時間範囲に取得された信号値から予測された第２時間範囲に取得される信号値の予測値により構成される波形と、複数種類の対象物に対応する第２時間範囲に取得された信号値との一致度に基づいて、搬送されている対象物の状態を判定してもよい。

例えば、第１種の対象物と第２種の対象物とが混合搬送される場合、学習済みモデルは、第１時間範囲に取得された信号値から第２時間範囲に取得される信号値を予測し、判定部１３ｄは、予測された信号値と第１種の対象物に対応する信号値との一致度が所定値より高い場合に、搬送されている対象物の状態は、第１種の対象物の特定の状態であると判定してよい。また、学習済みモデルは、第１時間範囲に取得された信号値から第２時間範囲に取得される信号値を予測し、判定部１３ｄは、予測された信号値と第２種の対象物に対応する信号値との一致度が所定値より高い場合に、搬送されている対象物の状態は、第２種の対象物の特定の状態であると判定してよい。

＜操作部＞
操作部１４は、光電センサ１０の操作を行うためのものであり、操作スイッチ、表示器などを含んでよい。光電センサ１０の操作者は、操作部１４を用いて、光電センサ１０の動作モードの設定等の指示の入力や動作状態の確認を行うことができる。なお、本実施形態に係る光電センサ１０は、動作モードとして、予測モデルを生成するための学習モードと、生成された予測モデルを用いて対象物１００の状態を判定するための判定モードを備えてよい。

＜出力部＞
出力部１５は、判定部１３ｄによる判定結果を含む様々なデータの出力を行う。出力部１５は、最も簡単には判定部１３ｄによる判定結果の２値出力を行ってよい。なお、光電センサ１０は、出力部１５に代えて通信部を備え、大量のデータの入出力を行えるようにしてもよい。

図３は、本実施形態に係る光電センサ１０の処理部１３の構成の一例を示す図である。処理部１３は、第１周期で、ＦＩＦＯメモリ１３ｂの各ステージに記憶されている信号値を１つ後方のステージにシフトして、Ａ／Ｄ変換器１２ｄから出力された受光量のデジタル値を初段ｑ０に記憶する。なお、同図では、原理を説明するために、ＦＩＦＯメモリ１３ｂの段数をｑ０～ｑ９の１０段としているが、ＦＩＦＯメモリ１３ｂの段数はさらに多くてもよく、例えば１００段程度であってもよい。

ＦＩＦＯメモリ１３ｂの更新を行う第１周期は、投光部１１によるパルス発光の周期と同じであってもよいし、異なっていてもよい。また、ＦＩＦＯメモリ１３ｂの更新を行う第１周期は、投光部１１のパルス発光及びＡ／Ｄ変換器１２ｄによる変換の周期（第２周期とする）と同じであってもよいし、異なっていてもよい。例えば、第２周期は、光電センサ１０に固有の値（例えば０．１ｍｓ）に固定されていてもよい。第１周期は、図１に示すコンピュータ３０からコントローラ２０経由で設定可能であってもよい。第１周期は、同時に処理したい信号値波形の範囲がＦＩＦＯメモリ１３ｂに収まるように決められる必要がある。第１周期は、第２周期よりも長い場合が多く、例えば１ｍｓであってよい。

予測部１３ｅは、第１時間範囲に対応するＦＩＦＯメモリ１３ｂのｑ６、ｑ７、ｑ８及びｑ９に記憶された信号値ｓ０、ｓ１、ｓ２及びｓ３に基づいて、第２時間範囲に取得される信号値ｒ０、ｒ１、ｒ２及びｒ３を予測する。判定部１３ｄは、ＦＩＦＯメモリ１３ｂの更新を１回又は複数回行う毎に一度の頻度で、予測部１３ｅにより予測された値ｒ０、ｒ１、ｒ２及びｒ３と、第２時間範囲に対応するＦＩＦＯメモリ１３ｂのｑ２、ｑ３、ｑ４及びｑ５に記憶された信号値との一致度に基づいて、対象物１００の状態を判定して、判定結果を第１周期で動作制御部１３ａに対して出力する。

予測値記憶部１３ｃは、予測部１３ｅにより予測された値ｒ０、ｒ１、ｒ２及びｒ３を記憶する。判定部１３ｄは、これらの予測値ｒ０、ｒ１、ｒ２及びｒ３と、ＦＩＦＯメモリ１３ｂのｑ２、ｑ３、ｑ４及びｑ５に記憶された信号値との差の絶対値の総和を算出し、その値が小さいほど一致度が大きくなるように一致度を算出して、一致度が所定の値より大きい場合に、対象物１００の状態が特定の状態であると判定してよい。

動作制御部１３ａは、判定部１３ｄによる判定を実行する前に、信号値に基づいて予測モデルを生成する。例えば、動作制御部１３ａは、取得された信号値に基づいて学習モデルの機械学習を実行し、学習済みモデルを生成して、生成した学習済みモデルを予測部１３ｅに実装してよい。このように、光電センサ１０が自ら予測モデルを生成できるので、予測モデルを外部から取得することなく、実際の対象物に応じて生成された予測モデルを使用することができる。

動作制御部１３ａは、予測モデルを外部に出力可能であってよい。これにより、生成した予測モデルを他の光電センサで用いることができるので、同様の対象物及び設置状況で使用される複数の光電センサごとに予測モデルの生成を繰り返す必要が無くなる。そのため、対象物の状態を判定する光電センサを効率良く準備することができる。

動作制御部１３ａは、時系列の信号値の変動が比較的小さい安定期に続いて、時系列の信号値の変動が比較的大きい変動期が現れた場合に、変動期に属する信号値に基づいて予測モデルを生成してよい。ここで、時系列の信号値の変動が比較的小さい安定期は、ノイズの影響を差し引いた場合に、実質的に時系列の信号値の変動が無い期間であってよい。また、時系列の信号値の変動が比較的大きい変動期は、ノイズの影響を差し引いた場合に、実質的に時系列の信号値の変動が有る期間であってよい。このように、信号値の中から対象物によって生じた信号値を選択的に使用して予測モデルを生成することができる。なお、時系列の信号値の変動が比較的小さい安定期と、時系列の信号値の変動が比較的大きい変動期との具体例は、図５ａ及び図５ｂを用いて説明する。

図４は、本実施形態に係る光電センサ１０の学習モード及び判定モードの処理のフローチャートである。はじめに、光電センサ１０は、予測モデルの生成を行う学習モードであるか否かを判定する（Ｓ１０）。なお、学習モード及び判定モードの切り替えは、操作部１４によって行われてよい。

光電センサ１０が学習モードである場合（Ｓ１０：ＹＥＳ）、光電センサ１０は、時系列の信号値を取得し、予測モデルを生成する（Ｓ１１）。予測モデルの生成は、動作制御部１３ａにより、任意の機械学習の手法により行われてよい。

一方、光電センサ１０が学習モードでない場合（Ｓ１０：ＮＯ）、すなわち光電センサ１０が判定モードである場合、光電センサ１０は、新しい信号値によりＦＩＦＯメモリ１３ｂを更新し（Ｓ１２）、第１時間範囲において取得した信号値に対して予測モデルを適用することにより、第２時間範囲における信号値を予測する（Ｓ１３）。そして、第２時間範囲において取得した信号値の実測値と、予測した信号値との一致度に基づいて対象物１００の状態を判定する（Ｓ１４）。

その後、光電センサ１０は、判定モードを終了するか否かを判定する（Ｓ１５）。判定モードの終了は、光電センサ１０の稼働を終了する場合や、判定モードから学習モードに切り替えられる場合に生じてよい。判定モードを終了しない場合（Ｓ１５：ＮＯ）、光電センサ１０は、再び新しい信号値を取得し（Ｓ１２）、信号値の予測（Ｓ１３）と対象物１００の状態の判定（Ｓ１４）とを実行する。一方、判定モードを終了する場合（Ｓ１５：ＹＥＳ）、学習モード及び判定モードの処理が終了する。

図５ａは、本実施形態に係る光電センサ１０の第ｎサイクルに測定された信号値の一例を示す図である。また、図５ｂは、本実施形態に係る光電センサ１０の第ｎ＋１サイクルに測定された信号値の一例を示す図である。図５ａ及び図５ｂでは、縦軸に受光量の値を示し、横軸に時間とそれに対応するＦＩＦＯメモリ１３ｂのステージを示している。両図に示すように、最新の受光量の値（時間ｔ９の値）は、ＦＩＦＯメモリ１３ｂの初段ｑ０に記憶されており、最も過去の受光量の値（時間ｔ０の値）は、ＦＩＦＯメモリ１３ｂの最終段ｑ９に記憶されている。本例では、ＦＩＦＯメモリ１３ｂは、取得された順に順序付けて１０の信号値を記憶している。

破線により示す対象物の形状Ｓ１は、各受光量の値が得られるタイミングに合わせて対象物の形状を模式的に示すものである。対象物の形状Ｓ１によれば、対象物は、ベースに突起の付いた形状であることが読み取れる。

図５ａにおいて実線により示す波形Ｗ１は、第ｎサイクルに取得され、ＦＩＦＯメモリ１３ｂに記憶された信号値により構成された波形である。また、図５ｂにおいて実線により示す波形Ｗ２は、第ｎ＋１サイクルに取得され、ＦＩＦＯメモリ１３ｂに記憶された信号値により構成された波形である。両図に示すように、第ｎサイクルにＦＩＦＯメモリ１３ｂに記憶されていた信号値は、第ｎ＋１サイクルにおいて１つ後段にシフトされてＦＩＦＯメモリ１３ｂに記憶されている。

検出範囲１０ａには一定の広がりがあるため、対象物１００の段差に対応するタイミング付近では段差の上面と下面との両方からの反射光が受光され、波形Ｗ１及び波形Ｗ２を構成する信号値は中間的な値となる。中間的な受光量の値は、わずかな取得タイミングの違いで大きく変動しやすい。したがって、同一形状の対象物１００についても毎回受光量の値は変動し得る。判定モデルの生成にあたっては、平均化の効果が得られるように、ある程度の回数にわたって対象物１００を搬送させて、受光量の値の取得を繰り返すことが好ましい。

動作制御部１３ａは、時系列の信号値の変動が比較的小さい安定期に続いて、時系列の信号値の変動が比較的大きい変動期が現れた場合に、変動期に属する信号値に基づいて予測モデルを生成してよい。図５ａの例の場合、時系列の信号値の変動が比較的小さい安定期は、時間ｔ０からｔ１までであり、時系列の信号値の変動が比較的大きい変動期は、時間ｔ２からｔ８までである。また、図５ｂの例の場合、時系列の信号値の変動が比較的小さい安定期は、時間ｔ８以降であり、時系列の信号値の変動が比較的大きい変動期は、時間ｔ２からｔ７までである。動作制御部１３ａは、ＦＩＦＯメモリ１３ｂの最終段から初段に向かって隣り合うステージに記憶された値を比較して、その差が閾値以上である隣り合うステージが存在する場合に、隣り合うステージのうち初段に近い側のステージから初段に向かって変動期に属する信号値が記憶されていると判定し、隣り合うステージのうち最終段に近い側のステージから最終段に向かって安定期に属する信号値が記憶されていると判定してもよい。具体的には、動作制御部１３ａは、図７ａの例の場合、最終段ｑ９と第８段ｑ８に記憶された値を比較して、その差が０であり閾値以下であるため、第８段ｑ８と第７段ｑ７に記憶された値を比較して、その差が２であり閾値以上であると判定してよい。ここで、閾値は、例えば１であってよい。そして、動作制御部１３ａは、記憶された値の差が閾値以上である第８段ｑ８と第７段ｑ７のうち初段ｑ０に近い側の第７段ｑ７から初段ｑ０に向かって変動期に属する信号値が記憶されていると判定し、第８段ｑ８と第７段ｑ７のうち最終段に近い側の第８段ｑ８から最終段ｑ９に向かって安定期に属する信号値が記憶されていると判定してよい。

予測部１３ｅは、所定のパラメータを含む予測モデルにより、第１時間範囲に取得された信号値に基づいて、第１時間範囲より後の第２時間範囲に取得される信号値を予測する。図５ａに示す例の場合、第１時間範囲はｔ０～ｔ３であり、第２時間範囲はｔ４～ｔ７である。予測部１３ｅは、第１時間範囲ｔ０～ｔ３に取得され、ＦＩＦＯメモリ１３ｂのｑ９～ｑ６に記憶された信号値に基づいて、第２時間範囲ｔ４～ｔ７に取得される信号値を予測する。判定モードで動作している時に搬送されてきた対象物１００が突起のある対象物である場合、ＦＩＦＯメモリ１３ｂの特定のシフトサイクル（第ｎサイクル）において、第１時間範囲（ｔ０～ｔ３）において取得される受光量の値で構成される波形と、予測モデル生成時における受光量の値で構成される波形との一致の程度が高くなる。そうすると、第２時間範囲（ｔ４～ｔ７）における受光量の値を誤差少なく予測することができる。そして、判定部１３ｄは、ＦＩＦＯメモリの更新を１回又は複数回行う毎に一度の頻度で、予測部１３ｅにより予測された値と、第２時間範囲（ｔ４～ｔ７）に対応するＦＩＦＯメモリ１３ｂに記憶された信号値（ｑ５～ｑ２に記憶された信号値）との一致度に基づいて、対象物の状態を判定する。予測部１３ｅによって誤差少なく第２時間範囲（ｔ４～ｔ７）における受光量の値を予測できる場合、一致度が高くなり、判定部１３ｄによって、対象物１００は、突起がある対象物であると判定される。

一方、図５ｂに示す第ｎ＋１サイクルの例の場合、第１時間範囲はｔ１～ｔ４となり、第２時間範囲はｔ５～ｔ８となる。この際も、予測部１３ｅに入力する信号値は、ＦＩＦＯメモリ１３ｂのｑ９～ｑ６の段に記憶されている受光量の値である。この場合、予測部１３ｅに入力される受光量の値の波形は、予測モデル生成時における受光量の値の波形と時間的にずれるので、正しい予測はできず、予測部１３ｅにより予測された値と、第２時間範囲に対応するＦＩＦＯメモリ１３ｂに記憶された信号値（ｑ５～ｑ２に記憶された信号値）との一致度は小さくなる。そのため、第ｎ＋１サイクルにおいて、判定部１３ｄは、対象物１００の状態を突起がある対象物の状態であると判定しない。

図６は、本実施形態に係る光電センサ１０の第ｎサイクルに測定された信号値の他の例を示す図である。同図では、縦軸に受光量の値を示し、横軸に時間とそれに対応するＦＩＦＯメモリ１３ｂのステージを示している。

図６において実線により示す波形Ｗ３は、第ｎサイクルに取得され、ＦＩＦＯメモリ１３ｂに記憶された信号値により構成された波形である。また、破線により示す対象物の形状Ｓ２は、各受光量の値が得られるタイミングに合わせて対象物の形状を模式的に示すものである。対象物の形状Ｓ２によれば、対象物は、突起が無いベースのみの形状であることが読み取れる。

波形Ｗ３を図５ａに示す波形Ｗ１と比較すると、時間ｔ４からｔ６までの間の受光量の値に差異がある。判定モードで動作しているときに搬送されるものが突起のない対象物である場合、ＦＩＦＯメモリ１３ｂのあるシフトサイクルにおいて第１時間範囲（ｔ０～ｔ３）の受光量の値が図６のようになったとすると、これは予測モデル生成時の受光量の値と実質的に同じであるから、第２時間範囲（ｔ４～ｔ７）について一点鎖線で示すような予測値Ｐが得られる。これをＦＩＦＯメモリ１３ｂのｑ５～ｑ２に記憶されている実測値と比較すると差異が大きく、一致度が小さいため、判定部１３ｄは、この対象物は突起のある対象物ではないと判定してよい。

図７は、本実施形態に係る光電センサ１０の処理部１３の構成の他の例を示す図である。同図に示す処理部１３の構成の例は、図３に示す処理部１３の構成の例と比較して、第１時間範囲に対応するＦＩＦＯメモリ１３ｂのステージと、第２時間範囲に対応するＦＩＦＯメモリ１３ｂのステージとが重畳しており、さらに、動作制御部１３ａが、時系列の受光量の値を外部に出力し、それに基づいて外部のコンピュータで生成された予測モデルを入力させる点で相違し、それ以外の構成について共通する。

本例において、予測部１３ｅは、予測値記憶部１３ｃに記憶させる予測値をＦＩＦＯメモリ１３ｂの更新が１回又は複数回行われる毎に更新する。予測値記憶部１３ｃに記憶させる予測値は、第１の時間範囲と第２の時間範囲との時間差である４シフトサイクル前にＦＩＦＯメモリ１３ｂのｑ９～ｑ６の段に記憶されていた受光量の値から得られた予測値である。この４シフトサイクルの間にＦＩＦＯメモリ１３ｂのｑ０～ｑ３に記憶されている受光量の値は、第２時間範囲における値に入れ替わっているので、正しく判定ができる。このように構成することで、ＦＩＦＯメモリ１３ｂの所要段数が少なくなる。代わりに、予測部１３ｅの中で、予測値を求めてからその予測値により予測値記憶部１３ｃを更新するまでの間、予測値を記憶しておくためのＦＩＦＯメモリが必要になるが、受光量の値のためのＦＩＦＯメモリ１３ｂは複数段おきに予測や判定に使う場合があるので、そのような場合には所要段数の削減効果は大きい。このように、ＦＩＦＯメモリ１３ｂの初段に近い部分を使って予測を行う方が、時間遅れが少なくなる。

動作制御部１３ａは、時系列の信号値を外部に出力可能であってよい。外部に出力される信号値は、ＦＩＦＯメモリ１３ｂに記憶されている信号値であってよい。信号値を外部に出力し、外部機器で予測モデルを生成することができる。これにより、予測モデルを生成する処理に関する計算資源を光電センサ自身で持つ必要がない。

動作制御部１３ａは、予測モデルを外部から取得してよい。動作制御部１３ａは、外部のコンピュータで生成された予測モデルを取得したり、他の光電センサにより生成された予測モデルを取得したりしてよい。他の装置、例えば他の光電センサにより生成された予測モデルを流用することで予測モデルの生成を省略することができる。

なお、動作制御部１３ａは、時系列の信号値を外部に出力することなく、他の光電センサにおいて生成されたモデル、又は他の光電センサで取得された時系列の信号値に基づいて外部のコンピュータで生成されたモデルを入力して使用するようにしてもよい。

以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。

［附記］
対象物（１００）が到来する検出範囲（１０ａ）に向けて光を出射する投光部（１１）と、
前記光の受光に基づく時系列の信号値を取得する受光部（１２）と、
取得された順に順序付けて所定数の前記信号値を記憶し、周期的に、新たに取得された前記信号値により所定数の前記信号値を更新するＦＩＦＯメモリ（１３ｂ）と、
所定のパラメータを含む予測モデルにより、第１時間範囲に取得された前記信号値に基づいて、前記第１時間範囲より後の第２時間範囲に取得される前記信号値を予測する予測部（１３ｅ）と、
前記ＦＩＦＯメモリ（１３ｂ）の更新を１回又は複数回行う毎に一度の頻度で、前記予測部（１３ｅ）により予測された値と、前記第２時間範囲に対応する前記ＦＩＦＯメモリ（１３ｂ）に記憶された前記信号値との一致度に基づいて、前記対象物（１００）の状態を判定する判定部（１３ｄ）と、
を備える光電センサ（１０）。

１…検出システム、１０…光電センサ、１０ａ…検出範囲、１１…投光部、１１ａ…投光素子、１１ｂ…駆動回路、１２…受光部、１２ａ…受光素子、１２ｂ…増幅器、１２ｃ…サンプル／ホールド回路、１２ｄ…Ａ／Ｄ変換器、１３…処理部、１３ａ…動作制御部、１３ｂ…ＦＩＦＯメモリ、１３ｃ…予測値記憶部、１３ｄ…判定部、１３ｅ…予測部、１４…操作部、１５…出力部、２０…コントローラ、３０…コンピュータ、４０…ロボット、５０…搬送装置、１００…対象物

Claims (8)

1. 対象物が到来する検出範囲に向けて光を出射する投光部と、
   前記光の受光に基づく時系列の信号値を取得する受光部と、
   取得された順に順序付けて所定数の前記信号値を記憶し、周期的に、新たに取得された前記信号値により所定数の前記信号値を更新するＦＩＦＯメモリと、
   所定のパラメータを含む予測モデルにより、第１時間範囲に取得された前記信号値に基づいて、前記第１時間範囲より後の第２時間範囲に取得される前記信号値を予測する予測部と、
   前記ＦＩＦＯメモリの更新を１回又は複数回行う毎に一度の頻度で、前記予測部により予測された信号値と、前記第２時間範囲に対応する前記ＦＩＦＯメモリに記憶された前記信号値との一致度に基づいて、前記対象物の状態を判定する判定部と、
   を備える光電センサ。
2. 前記判定部は、前記一致度が所定値よりも高い場合に、前記対象物の状態は特定の状態であると判定する、
   請求項１に記載の光電センサ。
3. 前記予測モデルは、機械学習によって生成されたモデルである、
   請求項１又は２に記載の光電センサ。
4. 前記信号値に基づいて前記予測モデルを生成する動作制御部をさらに備える、
   請求項１から３のいずれか一項に記載の光電センサ。
5. 前記動作制御部は、時系列の前記信号値の変動が比較的小さい安定期に続いて、時系列の前記信号値の変動が比較的大きい変動期が現れた場合に、前記変動期に属する前記信号値に基づいて前記予測モデルを生成する、
   請求項４に記載の光電センサ。
6. 前記動作制御部は、前記予測モデルを外部に出力可能である、
   請求項４又は５に記載の光電センサ。
7. 前記動作制御部は、時系列の前記信号値を外部に出力可能である、
   請求項４又は５に記載の光電センサ。
8. 前記予測モデルを外部から取得する動作制御部をさらに備える、
   請求項１から３のいずれか一項に記載の光電センサ。

Images