JP7337323B1

JP7337323B1 - 品質推定システム、ラミネートシステム、品質推定方法、及びプログラム

Info

Publication number: JP7337323B1
Application number: JP2022136722A
Authority: JP
Inventors: 諭志前田; 良太大島
Original assignee: Toyo Morton Ltd; Toyo Ink SC Holdings Co Ltd
Current assignee: Toyo Morton Ltd; Toyo Ink SC Holdings Co Ltd
Priority date: 2022-08-30
Filing date: 2022-08-30
Publication date: 2023-09-04
Anticipated expiration: 2042-08-30
Also published as: JP2024033240A

Abstract

【課題】ラミネート装置で積層体を形成した後、積層体の品質を迅速に推定すること。【解決手段】本開示の一態様にかかる品質推定システム１０は、第１基材２７および第２基材２８を互いに貼り合わせた直後の積層体２９の画像データを第１画像データとして取得する第１画像データ取得部１１と、積層体２９を形成した後、所定期間経過後の積層体２９の画像データを積層体２９の品質に対応する第２画像データとして取得する第２画像データ取得部１２と、積層体２９を形成する際のパラメータ情報を取得するパラメータ情報取得部１３と、第１画像データ、第２画像データ、及びパラメータ情報を教師データとして機械学習させ、積層体２９の品質推定モデルを生成する品質推定モデル生成部１５と、第１画像データとパラメータ情報とを品質推定モデルに入力することで、積層体２９の品質を推定する品質推定部１６と、を備える。【選択図】図２

Description

本開示は、品質推定システム、ラミネートシステム、品質推定方法、及びプログラムに関する。

フィルム等の基材同士を互いに貼り合わせて積層体を形成するラミネート装置が知られている。特許文献１には、ラミネートロールのクリアランスを適切に設定し、板厚不良が発生することを抑制する積層板の製造方法に関する技術が開示されている。

特開２００１－３００９５９号公報

ラミネート装置は、第１巻出しローラから供給された第１基材と第２巻出しローラから供給された第２基材とをラミネートローラで貼り合わせることで、積層体を連続的に形成する装置である。ラミネート装置で形成された積層体の品質は、積層体を形成した後、所定期間経過後（エージング後）に判明するため、品質不良が判明するまでに時間を要していた。このため、ラミネート装置で積層体を形成した後、積層体の品質を迅速に推定するシステムが必要とされていた。

上記課題に鑑み本開示の目的は、ラミネート装置で積層体を形成した後、積層体の品質を迅速に推定することが可能な品質推定システム、ラミネートシステム、品質推定方法、及びプログラムを提供することである。

本開示の一態様にかかる品質推定システムは、ラミネート装置を用いて第１基材および第２基材を接着剤を介して互いに貼り合わせて形成された積層体の品質を推定する品質推定システムであって、前記第１基材および前記第２基材を互いに貼り合わせた直後の前記積層体の画像データを第１画像データとして取得する第１画像データ取得部と、前記積層体を形成した後、所定期間経過後の前記積層体の画像データを前記積層体の品質に対応する第２画像データとして取得する第２画像データ取得部と、前記積層体を形成する際のパラメータ情報を取得するパラメータ情報取得部と、前記第１画像データ、前記第２画像データ、及び前記パラメータ情報を教師データとして機械学習させ、前記積層体の品質推定モデルを生成する品質推定モデル生成部と、前記第１画像データと前記パラメータ情報とを前記品質推定モデルに入力することで、前記積層体の品質を推定する品質推定部と、を備える。

本開示の一態様にかかるラミネートシステムは、前記ラミネート装置と、上述の品質推定システムと、を備えるラミネートシステムであって、前記ラミネート装置が備える制御装置は、前記品質推定システムで推定された前記積層体の品質に応じて前記ラミネート装置を制御する。

本開示の一態様にかかる品質推定方法は、ラミネート装置を用いて第１基材および第２基材を接着剤を介して互いに貼り合わせて形成された積層体の品質を推定する品質推定方法であって、前記第１基材および前記第２基材を互いに貼り合わせた直後の前記積層体の画像データを第１画像データとして取得し、前記積層体を形成した後、所定期間経過後の前記積層体の画像データを前記積層体の品質に対応する第２画像データとして取得し、前記積層体を形成する際のパラメータ情報を取得し、前記第１画像データ、前記第２画像データ、及び前記パラメータ情報を教師データとして機械学習させ、前記積層体の品質推定モデルを生成し、前記第１画像データ及び前記パラメータ情報を前記品質推定モデルに入力することで、前記積層体の品質を推定する。

本開示の一態様にかかるプログラムは、ラミネート装置を用いて第１基材および第２基材を接着剤を介して互いに貼り合わせて形成された積層体の品質を推定する品質推定用のプログラムであって、前記第１基材および前記第２基材を互いに貼り合わせた直後の前記積層体の画像データを第１画像データとして取得し、前記積層体を形成した後、所定期間経過後の前記積層体の画像データを前記積層体の品質に対応する第２画像データとして取得し、前記積層体を形成する際のパラメータ情報を取得し、前記第１画像データ、前記第２画像データ、及び前記パラメータ情報を教師データとして機械学習させ、前記積層体の品質推定モデルを生成し、前記第１画像データ及び前記パラメータ情報を前記品質推定モデルに入力することで、前記積層体の品質を推定する、処理をコンピュータに実行させるためのプログラムである。

本開示により、ラミネート装置で積層体を形成した後、積層体の品質を迅速に推定することが可能な品質推定システム、ラミネートシステム、品質推定方法、及びプログラムを提供することができる。

実施の形態にかかるラミネートシステムの一例を示す模式図である。実施の形態にかかる品質推定システムを説明するためのブロック図である。品質推定モデル生成処理を説明するための図である。品質推定処理を説明するための図である。複数のラミネート装置を含むラミネートシステムの構成例を示すブロック図である。実施の形態にかかる品質推定システムのハードウェア構成例を示すブロック図である。

以下、図面を参照して実施の形態について説明する。
図１は、実施の形態にかかるラミネートシステムの一例を示す模式図である。図１に示すように、本実施の形態にかかるラミネートシステム１は、品質推定システム１０およびラミネート装置２０を備える。

ラミネート装置２０は、第１巻出しローラ２１、巻取りローラ２２、第２巻出しローラ２３、ガイドローラ２４、ラミネートローラ２５、２６、第１基材２７、第２基材２８、印刷部３１、塗工部３２、第１撮像部３３、第２撮像部３４、及び制御装置３５を備える。

第１巻出しローラ２１には第１基材２７が捲回されており、第１基材２７は第１巻出しローラ２１から図中矢印方向に向かって搬送される。第２巻出しローラ２３には第２基材２８が捲回されており、第２基材２８は第２巻出しローラ２３から図中矢印方向に向かって搬送される。このとき第２基材２８はガイドローラ２４によってガイドされる。ラミネートローラ２５、２６は、搬送されてきた第１基材２７と第２基材２８とを貼り合わせて積層体２９を形成する。ラミネートローラ２５、２６で形成された積層体２９は、巻取りローラ２２で巻き取られる。

本実施の形態においてラミネート装置２０は、第１巻出しローラ２１および第２巻出しローラ２３からそれぞれ第１基材２７および第２基材２８を連続的に供給し、ラミネートローラ２５、２６で第１基材２７および第２基材２８を連続的に貼り合わせて積層体２９形成し、形成された積層体２９を巻取りローラ２２で連続的に巻き取ることで、積層体２９を連続的に形成する。

印刷部３１は、第１基材２７に所定の画像を印刷する。例えば、印刷部３１はインクジェット技術を用いた印刷装置である。インクジェット技術を用いる場合は、イエローのインキ、マゼンタのインキ、シアンのインキ、ブラックのインキをそれぞれインクジェットヘッドから第１基材２７の表面に向けて吐出することで画像を形成する。また、印刷部３１はグラビア技術を用いた印刷装置であってもよい。なお、本実施の形態では、画像が予め印刷された第１基材２７を使用してもよい。つまり、画像が予め印刷された第１基材２７を第１巻出しローラ２１に捲回しておき、画像が予め印刷された第１基材２７を、図中矢印方向に向かって搬送するようにしてもよい。この場合は、印刷部３１を省略できる。

塗工部３２は、第１基材２７の表面（貼合面）に接着剤を塗工する。接着剤には、溶剤型の接着剤や無溶剤型の接着剤を使用できる。無溶剤型の接着剤を使用した場合は、溶剤型の接着剤を使用した場合と比べてＣＯ_２の排出量を削減できる。例えば、接着剤として、主剤および硬化剤の二液を混合させることによって硬化が開始する二液硬化型の接着剤を使用してもよい。この場合、塗工部３２は、主剤および硬化剤を混合した接着剤を第１基材２７に塗工してもよく、主剤を第１基材２７に塗工した後、硬化剤を第１基材２７に塗工してもよく、硬化剤を第１基材２７に塗工した後、主剤を第１基材２７に塗工してもよい。また、主剤および硬化剤を第１基材２７および第２基材２８に別々に塗工するようにしてもよい。すなわち、主剤を第１基材２７に塗工し、硬化剤を第２基材２８に塗工してもよく、硬化剤を第１基材２７に塗工し、主剤を第２基材２８に塗工してもよい。また、主剤および硬化剤を混合した接着剤を第１基材２７に塗工し、その他の反応成分や添加剤を第２基材２８に塗工してもよい。なお、第２基材２８に主剤等を塗工する場合は別途、第２基材２８に主剤等を塗工する塗工部を設けてもよい。

ラミネートローラ２５、２６は、接着剤が塗工された第１基材２７と第２基材２８とを挟み込んで圧縮して第１基材２７と第２基材２８と貼り合わせて積層体２９を形成する。ラミネートローラ２５、２６で形成された積層体２９は、巻取りローラ２２で巻き取られる。

その後、巻取りローラ２２で巻き取られた積層体２９を所定期間静置してエージングを実施する。例えば、エージングは３０～４０℃の条件で２４～７２時間静置して実施する。エージングを実施することで、接着剤を硬化させることができる。

制御装置３５は、ラミネート装置２０を制御する。例えば、制御装置３５は、第１巻出しローラ２１の巻出し速度、第２巻出しローラ２３の巻出し速度、巻取りローラ２２の巻取り速度、ラミネートローラ２５、２６のラミネート条件、印刷部３１の印刷条件、塗工部３２の塗工条件等を制御する。

第１撮像部３３は、第１基材２７および第２基材２８を互いに貼り合わせた直後の積層体２９、つまり、ラミネートローラ２５、２６で形成された直後の積層体２９の表面を撮像する。第１撮像部３３で撮像された画像は第１画像データとして品質推定システム１０に供給される。第１撮像部３３は、カメラを用いて構成できる。

第２撮像部３４は、積層体２９を形成した後、所定期間経過後の積層体２９の表面、すなわちエージング後の積層体２９の表面を撮像する。第２撮像部３４で撮像された画像は第２画像データとして品質推定システム１０に供給される。第２撮像部３４は、カメラを用いて構成できる。

品質推定システム１０は、ラミネート装置２０を用いて第１基材２７および第２基材２８を接着剤を介して互いに貼り合わせて形成された積層体２９の品質を推定するシステムである。以下、品質推定システム１０について説明する。

図２は、実施の形態にかかる品質推定システム１０を説明するためのブロック図である。図２に示すように、品質推定システム１０は、第１画像データ取得部１１、第２画像データ取得部１２、パラメータ情報取得部１３、データ格納部１４、品質推定モデル生成部１５、及び品質推定部１６を備える。

第１画像データ取得部１１は、第１基材２７および第２基材２８を互いに貼り合わせた直後の積層体２９（図１参照）の画像データを第１画像データとして取得する。第１画像データ取得部１１で取得された第１画像データは、データ格納部１４に格納される。また、積層体２９の品質を推定する際、第１画像データ取得部１１で取得された第１画像データは、品質推定部１６に供給される。

第２画像データ取得部１２は、積層体２９を形成した後、所定期間経過後の積層体２９の画像データを、積層体２９の品質に対応する第２画像データとして取得する。つまり、第２画像データ取得部１２は、エージング後の巻き取りローラ３０に捲回されている積層体２９の表面の画像データを第２画像データとして取得する。第２画像データ取得部１２で取得された第２画像データは、データ格納部１４に格納される。

パラメータ情報取得部１３は、積層体２９を形成する際のパラメータ情報を取得する。パラメータ情報は、ラミネート装置２０の設定に関する情報、接着剤に関する情報、第１基材２７及び第２基材２８に関する情報、並びに第１基材２７に印刷された画像に関する情報のうちの少なくとも一つを含んでもよい。

上述のラミネート装置２０の設定に関する情報は、第１基材２７及び第２基材２８の搬送速度、並びに積層体２９を巻取りローラ２２で巻き取る際の張力のうちの少なくとも一つを含んでもよい。

例えば、第１基材２７及び第２基材２８の搬送速度が速い場合は、塗工された接着剤面が粗くなり、ラミネート時に気泡が多くなる傾向がある。一方、第１基材２７及び第２基材２８の搬送速度が遅い場合は、塗工された接着剤面が平滑になり、ラミネート時に気泡が少なくなる傾向がある。

また、積層体２９を巻取りローラ２２で巻き取る際の張力が大きい場合は、ラミネートされた積層体２９中の気泡がつぶされるので、気泡が少なくなる傾向がある。一方、積層体２９を巻取りローラ２２で巻き取る際の張力が小さい場合は、ラミネートされた積層体２９中の気泡が残りやすい傾向がある。

上述の接着剤に関する情報は、接着剤の種類、接着剤の表面張力、接着剤の温度、接着剤の塗工量、接着剤の粘度、及び塗工後の接着剤の平滑性のうちの少なくとも一つを含んでもよい。例えば、接着剤の温度が高い場合は接着剤の粘度が下がり、塗工された接着剤面が平滑になる。一方、接着剤の温度が低い場合は接着剤の粘度が上がり、塗工された接着剤面が粗くなる。

また、接着剤の塗工量が過多となると、エージング中に気泡が発生しやすくなる。一方、接着剤の塗工量が不足すると、ラミネート時に気泡が発生しやすくなる。例えば、塗工部３２として接着剤転移ローラを使用した場合、接着剤転移ローラの回転速度が高すぎると、接着剤の塗工量が過多となり、エージング中に気泡が発生しやすくなる。一方、接着剤転移ローラの回転速度が低すぎると、接着剤の塗工量が不足し、ラミネート時に気泡が発生しやすくなる。

また、接着剤の粘度が低い場合は、塗工された接着剤面が平滑になり、ラミネート時に気泡が少なくなる傾向がある。一方、接着剤の粘度が高い場合は、塗工された接着剤面が粗くなり、ラミネート時に気泡が多くなる傾向がある。また、塗工後の接着剤の平滑性が高い場合、つまり塗工後の接着剤面が平滑である場合は、ラミネート時に気泡が少なくなる傾向がある。一方、塗工後の接着剤の平滑性が低い場合、つまり塗工後の接着剤面が粗い場合は、ラミネート時に気泡が多くなる傾向がある。

上述の第１基材２７及び第２基材２８に関する情報は、第１基材２７の種類、第２基材２８の種類、及び第１基材２７と第２基材２８の層構成のうちの少なくとも一つを含んでもよい。例えば、第１基材２７と第２基材２８の層構成によっては外観不良が発生しやすい組み合わせもある。一例を挙げると、ＯＰＰ（Oriented Polypropylene）とＣＰＰ（Cast Polypropylene）の組み合わせは外観不良が発生しにくい傾向がある。一方、ＯＰＰとＶＭＣＰＰ（Vacuum Metallizing Cast Polypropylene）の組み合わせは外観不良が発生しやすい傾向がある。ＰＥＴ（Polyethylene Terephthalate）とＶＭＰＥＴ（Vacuum Metallizing Polyethylene Terephthalate）の組み合わせは外観不良がより発生しやすい傾向がある。

上述の第１基材２７に印刷された画像に関する情報は、第１基材２７に印刷されたインキの種類に関する情報、第１基材２７上における印刷された画像の平滑性に関する情報、第１基材２７に印刷されたインキの表面張力に関する情報、第１基材２７に印刷されたインキの含水率に関する情報、及び第１基材２７に印刷された模様に関する情報のうちの少なくとも一つを含んでもよい。

例えば、第１基材２７上に印刷されたインキの表面が平滑な場合は、ラミネート時に気泡が少なくなる傾向がある。一方、第１基材２７上に印刷されたインキの表面が粗い場合は、ラミネート時に気泡が多くなる傾向がある。また、第１基材２７に印刷された模様に関する情報にはインキありの箇所とインキなしの箇所の段差に関する情報が含まれている。例えば、インキありの箇所とインキなしの箇所の段差が大きい場合は、エージング後も気泡が多くなる傾向がある。一方、インキありの箇所とインキなしの箇所の段差が小さい場合は、エージング後の気泡が少なくなる傾向がある。

なお、上述のパラメータは一例であり、本実施の形態では上述したパラメータ以外のパラメータを用いてもよい。

図２に示すデータ格納部１４は、第１画像データ取得部１１で取得された第１画像データ、第２画像データ取得部１２で取得された第２画像データ、及びパラメータ情報取得部１３で取得されたパラメータ情報を格納する。

品質推定モデル生成部１５は、データ格納部１４に格納されている第１画像データ、第２画像データ、及びパラメータ情報を取得する。そして図３に示すように、品質推定モデル生成部１５は、第１画像データ、第２画像データ、及びパラメータ情報を教師データとして機械学習させ、積層体２９の品質推定モデルを生成する。生成された品質推定モデルは、品質推定部１６に供給される。

品質推定モデル生成部１５は、第１画像データに含まれる気泡の数、第２画像データに含まれる気泡の数、及びパラメータ情報を用いて品質推定モデルを生成してもよい。このとき、品質推定モデル生成部１５は、第１画像データに対して２値化処理を実施し、当該二値化処理後の第１画像データを用いて気泡の数および気泡の大きさを求めてもよい。同様に品質推定モデル生成部１５は、第２画像データに対して２値化処理を実施し、当該二値化処理後の第２画像データを用いて気泡の数および気泡の大きさを求めてもよい。

例えば、品質推定モデル生成部１５は、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional neural network）等の公知の機械学習アルゴリズムを用いて、第１画像データ、第２画像データ、及びパラメータ情報との関係を教師データとして機械学習させることで品質推定モデルを生成できる。公知の機械学習アルゴリズムとしては、ＶＧＧ１９、ＩｎｃｅｐｔｉｏｎＶ３、ＲｅｓＮｅｔ等を使用できる。

例えば、品質推定モデル生成部１５は、エージング後の積層体２９の第２画像データのうち品質が良好な積層体２９の第２画像データと、品質が良好な第２画像データと対応する第１画像データおよびパラメータ情報と、を教師データとして用いて機械学習させてもよい。ここで、品質が良好な積層体２９とは、気泡の数が少ない（または気泡が含まれない）積層体である。

また、品質推定モデル生成部１５は、エージング後の積層体２９の第２画像データのうち品質が良好な積層体２９以外の第２画像データと、これらの第２画像データと対応する第１画像データおよびパラメータ情報と、を教師データとして更に用いて機械学習させてもよい。換言すると、品質推定モデル生成部１５は、あらゆる品質の積層体２９の第２画像データと、これらの第２画像データと対応する第１画像データおよびパラメータ情報と、を教師データとして用いて機械学習させてもよい。

このように、品質推定モデル生成部１５は、第１画像データ、第２画像データ、及びパラメータ情報を教師データとして機械学習させることで、第１画像データ及びパラメータ情報からエージング後の積層体の品質を推定可能な品質推定モデルを生成できる。

品質推定部１６は、品質推定モデル生成部１５で生成された品質推定モデルに、第１画像データとパラメータ情報とを入力することで、積層体２９の品質（つまり、エージング後の積層体２９の品質）を推定する。具体的には図２、図４に示すように、品質推定部１６は、品質推定モデル生成部１５で生成された品質推定モデルを取得する。また、品質推定部１６には、第１画像データ取得部１１から第１画像データが、パラメータ情報取得部１３からパラメータ情報がそれぞれ供給される。そして、品質推定部１６は、品質推定モデルに第１画像データとパラメータ情報とを入力することで、エージング後の積層体２９の品質を推定する。

以上で説明したように、本実施の形態では、ラミネート直後の積層体の第１画像データ、エージング後の積層体の第２画像データ、及びパラメータ情報を教師データとして機械学習させ、積層体の品質推定モデルを生成している。そして、この品質推定モデルに第１画像データとパラメータ情報とを入力することで、エージング後の積層体の品質を推定している。したがって、ラミネート直後の積層体の第１画像データを用いてエージング後の積層体の品質を推定できるので、ラミネート装置で積層体を形成した後、積層体の品質を迅速に推定することができる。

また、ラミネート直後の積層体に気泡が含まれている場合でも、エージング後の積層体では気泡が少なくなり品質が良好となる場合がある。逆に、ラミネート直後の積層体に含まれる気泡が少ない場合でも、エージング後の積層体では気泡が多くなり品質が劣化する場合もある。このように、ラミネート直後の積層体からエージング後の積層体の品質を予測することは困難であった。これに対して本実施の形態では、ラミネート直後の積層体の第１画像データ、エージング後の積層体の第２画像データ、及びパラメータ情報を教師データとして機械学習させ、積層体の品質推定モデルを生成し、この品質推定モデルを用いてエージング後の積層体の品質を推定している。したがって、ラミネート直後の積層体の第１画像データを用いてエージング後の積層体の品質を正確に推定できる。

なお、本実施の形態では、ラミネート装置２０に赤外線塗工量計を設け、この赤外線塗工量計を用いて接着剤の塗工量を測定してもよい。このような構成により、接着剤の塗工量をリアルタイムかつ正確に測定できる。

また、本実施の形態では、ラミネート装置２０にインライン粘度計を設け、このインライン粘度計を用いて接着剤の粘度を測定してもよい。このような構成により、接着剤の粘度をリアルタイムかつ正確に測定できる。

また、ラミネート装置２０が備える制御装置３５は、品質推定システム１０で推定された積層体２９の品質に応じてラミネート装置２０を制御してもよい。例えば、品質推定システム１０で推定された積層体２９の品質が良好でない場合は、積層体２９の品質が良好となるように、機械学習の結果に基づいてラミネート装置２０のパラメータの設定を変更してもよい。例えば、制御装置３５は、第１基材２７及び第２基材２８の搬送速度、積層体２９を巻取りローラ２２で巻き取る際の張力等を調整してもよい。このような構成とすることで、品質のよい積層体２９を製造することができる。また、機械学習の結果に基づいて、ラミネート装置２０のパラメータを容易に決定できるので、熟練しているユーザでなくても品質のよい積層体を製造することができる。

図５は、複数のラミネート装置を含むラミネートシステムの構成例を示すブロック図である。図５に示すラミネートシステム２は、品質推定システム１０と複数のラミネート装置２０ａ～２０ｃとを備える。品質推定システム１０はネットワーク４０を介して複数のラミネート装置２０ａ～２０ｃと接続されている。図５に示すラミネートシステムにおいて、品質推定システム１０は、各々のラミネート装置２０ａ～２０ｃで形成された積層体の品質を推定する。なお、各々のラミネート装置２０ａ～２０ｃの構成は、図１に示したラミネート装置２０の構成と同様である。

品質推定システム１０の第１画像データ取得部１１（図２参照）は、各々のラミネート装置２０ａ～２０ｃからネットワーク４０を介して第１画像データを取得する。第２画像データ取得部１２（図２参照）は、各々のラミネート装置２０ａ～２０ｃからネットワーク４０を介して第２画像データを取得する。パラメータ情報取得部１３（図２参照）は、各々のラミネート装置２０ａ～２０ｃからネットワーク４０を介してパラメータ情報を取得する。

品質推定モデル生成部１５（図２参照）は、各々のラミネート装置２０ａ～２０ｃ毎に品質推定モデルを生成する。このとき、品質推定モデル生成部１５は、ラミネート装置の種類に応じた品質推定モデルを生成してもよい。つまり、各々のラミネート装置２０ａ～２０ｃは、ラミネート装置の種類が異なる場合や、使用する第１基材２７、第２基材２８、接着剤等も異なる場合がある。このため品質推定モデル生成部１５は、ラミネート装置２０ａ～２０ｃ毎に品質推定モデルを生成する。

品質推定部１６（図２参照）は、各々のラミネート装置２０ａ～２０ｃからネットワーク４０を介して第１画像データ及びパラメータ情報を取得し、当該取得した第１画像データ及びパラメータ情報をラミネート装置２０ａ～２０ｃ毎の品質推定モデルに入力することで、ラミネート装置２０ａ～２０ｃ毎に積層体の品質を推定する。

図５に示すラミネートシステム２においても、各々のラミネート装置２０ａ～２０ｃで積層体を形成した後、積層体の品質を迅速に推定することができる。また、図５に示すラミネートシステム２では、品質推定システム１０は、複数のラミネート装置２０ａ～２０ｃにおける第１画像データ、第２画像データ、及びパラメータ情報を取得できる。このため、品質推定システム１０が取得したこれらのデータを解析することで、高品質な積層体を製造するための情報、つまりラミネート装置の設定に関する情報、接着剤に関する情報、第１基材及び第２基材に関する情報、並びに第１基材に印刷された画像に関する情報等を取得できる。また、このようにして取得した情報を用いて、各々のラミネート装置２０ａ～２０ｃを制御（フィードバック制御）することで、より高品質の積層体を製造することができる。

次に、図６を用いて、本実施の形態にかかる品質推定システム１０のハードウェア構成例を説明する。品質推定システム１０は、プロセッサ１０１と、メモリ１０２とを有している。プロセッサ１０１は、例えば、マイクロプロセッサ、MPU（Micro Processing Unit）、又はCPU（Central Processing Unit）であってもよい。プロセッサ１０１は、複数のプロセッサを含んでもよい。メモリ１０２は、揮発性メモリ及び不揮発性メモリの組み合わせによって構成される。メモリ１０２は、プロセッサ１０１から離れて配置されたストレージを含んでもよい。この場合、プロセッサ１０１は、図示されていない入出力インタフェースを介してメモリ１０２にアクセスしてもよい。

また、上述の実施の形態における各装置は、ハードウェア又はソフトウェア、もしくはその両方によって構成され、１つのハードウェア又はソフトウェアから構成してもよいし、複数のハードウェア又はソフトウェアから構成してもよい。上述の実施の形態における各装置の機能（処理）を、コンピュータにより実現してもよい。例えば、メモリ１０２に実施の形態における動作を行うためのプログラムを格納し、各機能を、メモリ１０２に格納されたプログラムをプロセッサ１０１で実行することにより実現してもよい。

本実施の形態に係る品質推定用のプログラムは、ラミネート装置を用いて第１基材および第２基材を接着剤を介して互いに貼り合わせて形成された積層体の品質を推定する品質推定用のプログラムであって、（１）第１基材および第２基材を互いに貼り合わせた直後の積層体の画像データを第１画像データとして取得し、（２）積層体を形成した後、所定期間経過後の積層体の画像データを前記積層体の品質に対応する第２画像データとして取得し、（３）積層体を形成する際のパラメータ情報を取得し、（４）第１画像データ、第２画像データ、及び前記パラメータ情報を教師データとして機械学習させ、積層体の品質推定モデルを生成し、（５）第１画像データ及びパラメータ情報を品質推定モデルに入力することで、積層体の品質を推定する、処理をコンピュータに実行させるためのプログラムである。

プログラムは、コンピュータに読み込まれた場合に、実施の形態で説明された１又はそれ以上の機能をコンピュータに行わせるための命令群（又はソフトウェアコード）を含む。プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、random-access memory（RAM）、read-only memory（ROM）、フラッシュメモリ、solid-state drive（SSD）又はその他のメモリ技術、CD-ROM、digital versatile disk（DVD）、Blu-ray（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、またはその他の形式の伝搬信号を含む。

以上、本発明を上記実施形態に即して説明したが、本発明は上記実施の形態の構成にのみ限定されるものではなく、本願特許請求の範囲の請求項の発明の範囲内で当業者であればなし得る各種変形、修正、組み合わせを含むことは勿論である。

１、２ラミネートシステム
１０品質推定システム
１１第１画像データ取得部
１２第２画像データ取得部
１３パラメータ情報取得部
１４データ格納部
１５品質推定モデル生成部
１６品質推定部
２０ラミネート装置
２１第１巻出しローラ
２２巻取りローラ
２３第２巻出しローラ
２４ガイドローラ
２５、２６ラミネートローラ
２７第１基材
２８第２基材
２９積層体
３０エージング後の巻き取りローラ
３１印刷部
３２塗工部
３３第１撮像部
３４第２撮像部
３５制御装置

Claims

ラミネート装置を用いて第１基材および第２基材を接着剤を介して互いに貼り合わせて形成された積層体の品質を推定する品質推定システムであって、
前記第１基材および前記第２基材を互いに貼り合わせた直後の前記積層体の画像データを第１画像データとして取得する第１画像データ取得部と、
前記積層体を形成した後、エージング後の前記積層体の画像データを前記積層体の品質に対応する第２画像データとして取得する第２画像データ取得部と、
前記積層体を形成する際のパラメータ情報を取得するパラメータ情報取得部と、
前記第１画像データ、前記第２画像データ、及び前記パラメータ情報を教師データとして機械学習させ、前記積層体の品質推定モデルを生成する品質推定モデル生成部と、
前記第１画像データと前記パラメータ情報とを前記品質推定モデルに入力することで、前記積層体の品質を推定する品質推定部と、を備える、
品質推定システム。
前記パラメータ情報は、前記ラミネート装置の設定に関する情報、前記接着剤に関する情報、前記第１及び第２基材に関する情報、並びに前記第１基材に印刷された画像に関する情報のうちの少なくとも一つを含む、請求項１に記載の品質推定システム。
前記ラミネート装置の設定に関する情報は、前記第１及び第２基材の搬送速度、並びに前記積層体を巻取りローラを用いて巻き取る際の張力のうちの少なくとも一つを含む、請求項２に記載の品質推定システム。
前記接着剤に関する情報は、前記接着剤の種類、前記接着剤の表面張力、前記接着剤の温度、前記接着剤の塗工量、前記接着剤の粘度、及び塗工後の前記接着剤の平滑性のうちの少なくとも一つを含む、請求項２に記載の品質推定システム。
前記第１及び第２基材に関する情報は、前記第１基材の種類、前記第２基材の種類、及び前記第１基材と前記第２基材の層構成のうちの少なくとも一つを含む、請求項２に記載の品質推定システム。
前記第１基材に印刷された画像に関する情報は、前記第１基材に印刷されたインキの種類に関する情報、前記第１基材上における前記印刷された画像の平滑性に関する情報、前記第１基材に印刷されたインキの表面張力に関する情報、前記第１基材に印刷されたインキの含水率に関する情報、及び前記第１基材に印刷された模様に関する情報のうちの少なくとも一つを含む、請求項２に記載の品質推定システム。
前記品質推定モデル生成部は、前記第１画像データに含まれる気泡の数、前記第２画像データに含まれる気泡の数、及び前記パラメータ情報を用いて前記品質推定モデルを生成する、請求項１に記載の品質推定システム。
前記品質推定モデル生成部は、前記第１画像データに対して２値化処理を実施し、当該二値化処理後の第１画像データを用いて前記気泡の数を求める、請求項７に記載の品質推定システム。
前記品質推定モデル生成部は、前記ラミネート装置の種類に応じた品質推定モデルを生成する、請求項１に記載の品質推定システム。
前記品質推定システムはネットワークを介して複数のラミネート装置と接続されており、
前記第１画像データ取得部は、前記各々のラミネート装置から前記ネットワークを介して前記第１画像データを取得し、
前記第２画像データ取得部は、前記各々のラミネート装置から前記ネットワークを介して前記第２画像データを取得し、
前記パラメータ情報取得部は、前記各々のラミネート装置から前記ネットワークを介して前記パラメータ情報を取得し、
前記品質推定モデル生成部は、前記各々のラミネート装置毎に前記品質推定モデルを生成し、
前記品質推定部は、前記各々のラミネート装置から前記ネットワークを介して前記第１画像データ及び前記パラメータ情報を取得し、当該取得した第１画像データ及びパラメータ情報を前記ラミネート装置毎の前記品質推定モデルに入力することで、前記ラミネート装置毎に前記積層体の品質を推定する、
請求項１に記載の品質推定システム。
前記ラミネート装置と、
請求項１～１０のいずれか一項に記載の品質推定システムと、を備えるラミネートシステムであって、
前記ラミネート装置が備える制御装置は、前記品質推定システムで推定された前記積層体の品質に応じて前記ラミネート装置を制御する、
ラミネートシステム。
ラミネート装置を用いて第１基材および第２基材を接着剤を介して互いに貼り合わせて形成された積層体の品質を推定する品質推定方法であって、
前記第１基材および前記第２基材を互いに貼り合わせた直後の前記積層体の画像データを第１画像データとして取得し、
前記積層体を形成した後、エージング後の前記積層体の画像データを前記積層体の品質に対応する第２画像データとして取得し、
前記積層体を形成する際のパラメータ情報を取得し、
前記第１画像データ、前記第２画像データ、及び前記パラメータ情報を教師データとして機械学習させ、前記積層体の品質推定モデルを生成し、
前記第１画像データ及び前記パラメータ情報を前記品質推定モデルに入力することで、前記積層体の品質を推定する、
品質推定方法。
ラミネート装置を用いて第１基材および第２基材を接着剤を介して互いに貼り合わせて形成された積層体の品質を推定する品質推定用のプログラムであって、
前記第１基材および前記第２基材を互いに貼り合わせた直後の前記積層体の画像データを第１画像データとして取得し、
前記積層体を形成した後、エージング後の前記積層体の画像データを前記積層体の品質に対応する第２画像データとして取得し、
前記積層体を形成する際のパラメータ情報を取得し、
前記第１画像データ、前記第２画像データ、及び前記パラメータ情報を教師データとして機械学習させ、前記積層体の品質推定モデルを生成し、
前記第１画像データ及び前記パラメータ情報を前記品質推定モデルに入力することで、前記積層体の品質を推定する、処理をコンピュータに実行させるためのプログラム。