JP7366729B2

JP7366729B2 - 軸受検査装置、検査方法、および検査プログラム

Info

Publication number: JP7366729B2
Application number: JP2019227387A
Authority: JP
Inventors: 育彦榊原
Original assignee: NTN Corp
Current assignee: NTN Corp
Priority date: 2019-12-17
Filing date: 2019-12-17
Publication date: 2023-10-23
Anticipated expiration: 2039-12-17
Also published as: JP2021096157A

Description

本開示は、超仕上げ加工された軸受部品の加工面を検査するための技術に関する。

軸受部品の加工面の面性状を検査するための技術に関し、特開２０１２－６８０２５号公報（特許文献１）は、画像処理によって軸受部品の加工面の面性状を検査する外観検査装置を開示している。より具体的には、当該外観検査装置は、照明装置で照らされた検査対象部品を撮影し、検査対象部品を表わす画像を取得する。次に、当該外観検査装置は、取得した画像の淡部または濃部をカウントし、当該カウント値に基づいて、検査対象部品の加工面の面性状の有無を判別する。

特開２０１２－６８０２５号公報

特許文献１に開示される検査方法では、画像から淡部または濃部を抽出する際ためのアルゴリズムの実装や、各種のパラメータ（たとえば、輝度しきい値やフィルタの値など）を設定が必要となる。アルゴリズムの実装やパラメータの決定のためには、多くの工数が必要となる。したがって、これらの設計工数を削減するための技術が望まれている。

本開示は上述のような問題点を解決するためになされたものであって、ある局面における目的は、軸受部品の加工面の面状態検査に関して設計工数を削減できる検査装置を提供することである。他の局面における目的は、軸受部品の加工面の面状態検査に関して設計工数を削減できる検査方法を提供することである。他の局面における目的は、軸受部品の加工面の面状態検査に関して設計工数を削減できる検査プログラムを提供することである。

本開示の一例では、超仕上げ加工された軸受部品の加工面を検査するための検査装置は、上記軸受部品を回転するための回転機構と、上記軸受部品の加工面を撮像するように配置されたラインセンサとを備える。上記ラインセンサは、一列に並べられた撮像素子群を含む。上記検査装置は、さらに、上記回転機構が上記軸受部品を回転している間に当該軸受部品の加工面を上記ラインセンサに順次撮像させることで、上記撮像素子群から一列の輝度値群を複数取得し、当該取得した複数列の各々の輝度値群を撮影順に並べた画像を生成するための画像生成部と、上記画像または当該画像の部分画像における各列の輝度値群に対して列ごとに正規化処理を実行し、正規化画像を生成するための正規化部と、上記正規化画像の入力を受けて、上記軸受部品の加工面の検査結果を出力する学習済みモデルとを備える。

本開示の一例では、上記検査装置は、上記画像生成部によって生成された画像から、予め定められたサイズの画像を上記部分画像として切り出すための切出部をさらに備える。上記正規化部は、上記部分画像に対して上記正規化処理を実行する。

本開示の一例では、上記正規化処理は、上記部分画像を構成する各列の輝度値群の平均値が所定値になるように当該各列の輝度値群を調整する処理を含む。

本開示の一例では、上記学習済みモデルは、ＣＮＮ（Convolutional Neural Network）を用いた学習処理により生成されている。

本開示の一例では、上記軸受部品は、軸受けの外輪と、軸受けの転動体と、軸受けの内輪との少なくとも１つを含む。

本開示の他の例では、超仕上げ加工された軸受部品の加工面を検査するための検査方法は、上記軸受部品を回転するステップと、上記軸受部品が回転している間に、ラインセンサが上記軸受部品の加工面を順次撮像するステップとを備える。上記ラインセンサは、一列に並べられた撮像素子群を含む。上記検査方法は、さらに、上記撮像するステップで上記撮像素子群から一列の輝度値群を複数取得し、当該取得した複数列の各々の輝度値群を撮影順に並べた画像を生成するステップと、上記画像または当該画像の部分画像における各列の輝度値群に対して列ごとに正規化処理を実行し、正規化画像を生成するステップと、上記正規化画像を学習済みモデルに入力し、当該学習済みモデルから得られる上記軸受部品の加工面の検査結果を出力するステップとを備える。

本開示の他の例では、超仕上げ加工された軸受部品の加工面を検査するための検査プログラムは、検査装置に、上記軸受部品を回転するステップと、上記軸受部品が回転している間に、ラインセンサが上記軸受部品の加工面を順次撮像するステップとを実行させる。上記ラインセンサは、一列に並べられた撮像素子群を含む。上記検査プログラムは、上記検査装置に、さらに、上記撮像するステップで上記撮像素子群から一列の輝度値群を複数取得し、当該取得した複数列の各々の輝度値群を撮影順に並べた画像を生成するステップと、上記画像または当該画像の部分画像における各列の輝度値群に対して列ごとに正規化処理を実行し、正規化画像を生成するステップと、上記正規化画像を学習済みモデルに入力し、当該学習済みモデルから得られる上記軸受部品の加工面の検査結果を出力するステップとを実行させる。

ある局面において、軸受部品の加工状態の検査に関して設計工数を削減できる。
本発明の上記および他の目的、特徴、局面および利点は、添付の図面と関連して理解される本発明に関する次の詳細な説明から明らかとなるであろう。

検査システムの装置構成を説明するための図である。検査対象物の一例である外輪を示す図である。検査装置による検査処理の概要を説明するための図である。画像の生成過程を示す図である。画像から部分画像を切り出す過程を示す図である。正規化部が部分画像から正規化画像を生成する過程を示す図である。学習済みモデルの演算過程を示す図である。学習済みモデルのネットワーク構造の一例と、各層の出力結果の一例とを示す図である。検査装置のハードウェア構成の一例を示す模式図である。検査装置が実行する検査処理を表わすフローチャートである。学習処理に用いられる学習用データセットを示す図である。学習用データセットを用いた学習過程を示す図である。

以下、図面を参照しつつ、本発明に従う各実施の形態について説明する。以下の説明では、同一の部品および構成要素には同一の符号を付してある。それらの名称および機能も同じである。したがって、これらについての詳細な説明は繰り返さない。なお、以下で説明される各実施の形態および各変形例は、適宜選択的に組み合わされてもよい。

＜Ａ．検査システム５０＞
図１は、検査システム５０の装置構成を説明するための図である。図１に示されるように、検査システム５０は、ワークホルダ１と、回転機構３と、ラインセンサ４と、レンズ５と、照明６と、表示装置８と、検査装置１００とを含む。

ワークホルダ１には、検査対象物である軸受部品２が固定される。検査対象物になり得る軸受部品２の種類は、任意である。一例として、検査対象物になり得る軸受部品２は、軸受けの外輪と、軸受けの内輪と、外輪および内輪の間を転がる転動体との少なくとも１つを含む。転動体は、たとえば、円錐ころや玉などである。

図２は、検査対象物の一例である外輪の斜視図を示す図である。以下では、検査対象物の一例として、軸受けの外輪を例に挙げて説明を行うが、検査システム５０による検査対象物は、軸受けの外輪に限定されない。

検査システム５０は、超仕上げ加工により研磨された軸受部品２の加工面を検査する。超仕上げ加工とは、専用の超仕上げ砥石を用いた研磨方法である。軸受部品２の加工面は、軸受部品２の軌道面に対応する。軌道面とは、外輪と転動体との接触面、または、内輪と転動体との接触面のことをいう。

回転機構３は、ワークホルダ１に接続されており、ワークホルダ１を一定速度（たとえば、６０ｒｐｍ（revolutions per minute））で回転させる。軸受部品２の回転中心は、回転機構３の回転軸上に位置する。回転機構３は、モータ（図示しない）などによって回転駆動される。

ラインセンサ４には、レンズ５が取り付けられている。ラインセンサ４は、レンズ５を介して、超仕上げ加工された軸受部品２の加工面２Ａを撮像する。ラインセンサ４は、一列に並べられた後述の撮像素子群４Ａを含む。

照明６は、軸受部品２の加工面２Ａを照らすように配置される。照明６は、ラインセンサ４が軸受部品２を撮像する間、軸受部品２の加工面２Ａを照らす。

ラインセンサ４が軸受部品２の加工面２Ａを撮像して得られた画像は、検査装置１００に入力される。検査装置１００は、得られた画像を分析し、加工面２Ａの状態を判別する。検査装置１００による検査結果は、表示装置８に表示される。

＜Ｂ．検査装置１００の検査処理概要＞
図３は、検査装置１００による検査処理の概要を説明するための図である。図３に示されるように、検査装置１００は、機能構成として、画像生成部１５２と、前処理部１５４と、検査処理部１６０と、判別部１６２とを含む。

画像生成部１５２は、回転機構３が軸受部品２を回転している間に軸受部品２の超仕上げ加工された加工面をラインセンサ４に順次撮像させることで、ラインセンサ４の撮像素子群４Ａから一列の輝度値群ｘ_１（ｔ）～ｘ_ｎ（ｔ）を複数取得する。ｘ_１（ｔ）～ｘ_ｎ（ｔ）は、同一タイミングｔで得られた輝度値群を示す。画像生成部１５２は、各タイミングで得られた各列の輝度値群ｘ_１（ｔ）～ｘ_ｎ（ｔ）を撮影順に並べた画像ＩＭ１を生成する。

前処理部１５４は、画像生成部１５２によって生成された画像ＩＭ１に対して種々の前処理を実行する。一例として、前処理部１５４は、画像生成部１５２によって生成された画像ＩＭ１から部分画像を切り出す切出部１５６と、切り出された部分画像に対する正規化処理を実行する正規化部１５８とを含む。

正規化部１５８は、画像ＩＭ１、または画像ＩＭ１の部分画像ＩＭ２における各列の輝度値群に対して列ごとに正規化処理を実行する。正規化処理の詳細については後述する。正規化処理の結果、正規化画像ＩＭ３が出力される。正規化処理が画像の列ごとに行われることで、ラインセンサ４の撮像素子群４Ａの配列方向に表われる輝度むらが抑制される。

検査処理部１６０は、学習処理が施されている学習済みモデル１２４に対して正規化画像ＩＭ３を入力する。学習済みモデル１２４は、正規化画像ＩＭ３の入力を受けて、軸受部品２の加工面の検査結果を出力するように学習されている。図３の例では、学習済みモデル１２４は、軸受部品２が正常である確率を示す正常確率ｓ１と、軸受部品２が異常である確率を示す異常確率ｓ２とを出力する。正常確率ｓ１および異常確率ｓ２は、それぞれ、軸受部品２の加工状態に関する良否確率を表わし、０以上１以下の値で表わされる。

判別部１６２は、正常確率ｓ１および異常確率ｓ２に基づいて、軸受部品２の加工状態の良否を判別する。判別部１６２による加工状態の良否の判別結果は、上述の表示装置８（図１参照）に出力される。

以上のように、学習済みモデル１２４が軸受部品２の検査処理に用いられることで、アルゴリズムの実装やパラメータを設定するための設計工数が削減される。また、得られた画像ＩＭ１や部分画像ＩＭ２の列ごとに輝度値群が正規化されることで、ラインセンサ４の素子方向に表われる輝度むらが抑制され、軸受部品２の検査精度が改善される。さらに、目視検査では、検査員の個人差、体調、疲労などの要因から正確な検査結果が得られないが、本実施の形態に従う検査装置１００は、軸受部品２の検査処理を自動で実行するため、検査結果に個人差が表われない。

＜Ｃ．画像生成部１５２＞
図４を参照して、図３に示される画像生成部１５２の機能について説明する。図４は、画像ＩＭ１の生成過程を示す図である。

図４に示されるように、ラインセンサ４は、一列に並べられた撮像素子群４Ａを含む。ラインセンサ４に含まれる撮像素子の数は、たとえば、２０４８個である。

画像生成部１５２は、上述の回転機構３が軸受部品２を回転している間にラインセンサ４に軸受部品２の加工面２Ａを順次撮像させる。これにより、撮像素子群４Ａは、各タイミングで撮影された輝度値群ｘ_１（ｔ）～ｘ_ｎ（ｔ）を出力する。ｘ_１（ｔ）～ｘ_ｎ（ｔ）は、同一タイミングｔで得られた輝度値群を示す。輝度値群ｘ_１（ｔ）～ｘ_ｎ（ｔ）の各々は、２５６階調で表わされる。

図４には、タイミングＴ１において得られた輝度値群ｘ_１（Ｔ１）～ｘ_ｎ（Ｔ１）と、タイミングＴ２において得られた輝度値群ｘ_１（Ｔ２）～ｘ_ｎ（Ｔ２）と、タイミングＴ３において得られた輝度値群ｘ_１（Ｔ３）～ｘ_ｎ（Ｔ３）と、タイミングＴ４において得られた輝度値群ｘ_１（Ｔ４）～ｘ_ｎ（Ｔ４）と、タイミングＴ５において得られた輝度値群ｘ_１（Ｔ５）～ｘ_ｎ（Ｔ５）と、タイミングＴ６において得られた輝度値群ｘ_１（Ｔ６）～ｘ_ｎ（Ｔ６）と、タイミングＴ７において得られた輝度値群ｘ_１（Ｔ７）～ｘ_ｎ（Ｔ７）と、タイミングＴＭにおいて得られた輝度値群ｘ_１（ＴＭ）～ｘ_ｎ（ＴＭ）とが示されている。

画像生成部１５２は、各タイミングで得られた各列の輝度値群ｘ_１（ｔ）～ｘ_ｎ（ｔ）を列ごとに撮影順に並べて画像ＩＭ１を生成する。一例として、撮像処理は、８０００Ｈｚで行われ、画像生成部１５２は、１秒ごとに画像ＩＭ１を生成する。すなわち、ラインセンサ４に含まれる撮像素子の数が２０４８個である場合には、画像ＩＭ１のサイズは、幅２０４８×高さ８０００となる。画像生成部１５２は、生成した画像ＩＭ１を前処理部１５４に順次出力する。

＜Ｄ．切出部１５６＞
次に、図５を参照して、図３に示される切出部１５６の機能について説明する。図５は、画像ＩＭ１から部分画像ＩＭ２を切り出す過程を示す図である。

図５に示されるように、切出部１５６は、画像生成部１５２によって生成された画像ＩＭ１から予め定められたサイズの部分画像ＩＭ２を切り出す。一例として、切出部１５６は、幅２０４８×高さ８０００の画像ＩＭ１から幅１９６×高さ１９６の部分画像ＩＭ２を切り出す。切出範囲の基準点の座標値は、予め決められている。切り出された部分画像ＩＭ２は、正規化部１５８に出力される。

なお、画像ＩＭ１から切り出される部分画像ＩＭ２の数は、任意である。ある局面において、１枚の画像ＩＭ１から１枚の部分画像ＩＭ２が切り出される。他の局面において、１枚の画像ＩＭ１から複数枚の部分画像ＩＭ２が切り出される。

＜Ｅ．正規化部１５８＞
次に、図６を参照して、図３に示される正規化部１５８の機能について説明する。図６は、正規化部１５８が部分画像ＩＭ２から正規化画像ＩＭ３を生成する過程を示す図である。

図６には、部分画像ＩＭ２の各画素の輝度値がｘ_ｉｊとして示されており、正規化画像ＩＭ３の各画素の輝度値がｙ_ｉｊとして示されている。「ｉ」は、画像内の行方向の座標を表わす。「ｊ」は、画像内の列方向の座標を表わす。

正規化部１５８は、部分画像ＩＭ２を構成する各列の輝度値群の平均値が所定値（たとえば、１）になるように当該各列の輝度値群を調整する。一例として、正規化処理は、下記式（１）により実行される。

ｙ_ｉｊ＝ｘ_ｉｊ／＜ｘ_ｊ＞・・・（１）
式（１）に示される＜ｘ_ｊ＞は、ｊ列目の輝度値群の平均値を示す。たとえば、図６に示される部分画像ＩＭ２を例にすると、＜ｘ_１＞は、輝度値群ｘ_０１～ｘ_７１の平均値を示す。このような正規化が部分画像ＩＭ２の全列の輝度値群に対して実行される。その結果、部分画像ＩＭ２から正規化画像ＩＭ３が生成される。生成された正規化画像ＩＭ３は、検査処理部１６０に出力される。

＜Ｆ．検査処理部１６０＞
次に、図７および図８を参照して、図３に示される検査処理部１６０の機能について説明する。図７は、学習済みモデル１２４の演算過程を示す図である。

図７に示されるように、検査処理部１６０は、学習処理が施されている学習済みモデル１２４に対して正規化画像ＩＭ３を入力する。学習済みモデル１２４は、ＣＮＮを用いた学習処理により生成される。

学習済みモデル１２４は、たとえば、特徴抽出層Ｌ１～Ｌ１０と、全結合層Ｌ１１と、確率変換層Ｌ１２とで構成される。

特徴抽出層Ｌ１～Ｌ１０は、軸受部品２の加工状態の良否を判別するために有効な特徴量を抽出するための一種のフィルタとして機能する。特徴抽出層Ｌ１～Ｌ１０では、畳み込み層（CONV）とプーリング層（Pooling）とが交互に配置される。畳み込み層およびプーリング層のそれぞれの数は任意である。図７の例では、畳み込み層は５層で構成されており、プーリング層は５層で構成されている。なお、畳み込み層とプーリング層との数は、同数でなくてもよい。

図８は、学習済みモデル１２４のネットワーク構造の一例と、各層の出力結果の一例とを示す図である。

畳み込み層である特徴抽出層Ｌ１は、１９６×１９６のサイズを有する正規化画像ＩＭ３に対して、学習処理で最適化されている５×５の４つのフィルタを畳み込む。その結果、１９２×１９２のサイズを有する４つの画像が特徴抽出層Ｌ１から出力される。特徴抽出層Ｌ１の出力画像は、所定の活性化関数（たとえば、ランプ関数）を通した後、次の特徴抽出層Ｌ２に出力される。

プーリング層である特徴抽出層Ｌ２は、特徴抽出層Ｌ１から出力される４つの画像を縮小する。典型的には、特徴抽出層Ｌ２は、画像内の２×２の領域ごとに最大値を抽出し、当該最大値を新たな画像の対応箇所に割り当てる（いわゆる、最大プーリング）。その結果、９６×９６のサイズを有する４つの画像が特徴抽出層Ｌ２から出力される。特徴抽出層Ｌ２の出力画像は、次の特徴抽出層Ｌ３に出力される。

このような畳み込み処理およびプーリング処理が、後続の特徴抽出層Ｌ３～Ｌ１０において繰り返し実行される。その結果、４×４のサイズを有する６４枚の画像が特徴抽出層Ｌ１０から出力される。特徴抽出層Ｌ１０の出力画像は、次の全結合層Ｌ１１に出力される。

全結合層Ｌ１１は、入力層Ｘと、所定数の中間層Ｈと、出力層Ｙとを含む。全結合層Ｌ１１の入力層Ｘは、複数のユニットＵ１で構成される。各ユニットＵ１には、特徴抽出層Ｌ１０の出力画像の各画素が１次元に変換された上で入力される。

全結合層Ｌ１１の中間層Ｈは、複数の層で構成される。中間層Ｈの層数は、任意である。中間層Ｈの各層は、複数のユニットＵ２で構成される。各ユニットＵ２は、前の層の各ユニットと、次の層の各ユニットとに接続される。各ユニットＵ２は、前の層の各ユニットからの各出力値に重みを乗算し、それらの乗算結果を積算する。次に、各ユニットＵ２は、積算結果の各々に対して所定のバイアスを加算（または減算）し、その加算結果（または減算結果）を所定の活性化関数（たとえば、ランプ関数またはシグモイド関数）に入力し、その活性化関数の出力値を次の層の各ユニットに出力する。

出力層Ｙは、複数のユニットＵ３で構成される。出力層Ｙのユニット数は、任意である。一例として、出力層Ｙは、２つのユニットＵ３で構成される。一方のユニットＵ３は、軸受部品２の正常度と相関するスコアを出力し、他方のユニットＵ３は、軸受部品２の異常度と相関するスコアを出力する。各ユニットＵ３は、中間層Ｈの最終層の各ユニットＵ２に接続される。出力層Ｙの各ユニットＵ３は、中間層Ｈの最終層の各ユニットＵ２からの出力値を受けて、各出力値に重みを乗算し、それらの乗算結果を積算する。次に、各ユニットＵ３は、積算結果の各々に対して所定のバイアスを加算（または減算）し、その加算結果（または減算結果）を所定の活性化関数（たとえば、ランプ関数またはシグモイド関数）に入力し、その活性化関数の出力結果を確率変換層Ｌ１２に出力する。

確率変換層Ｌ１２は、出力層Ｙの出力値を確率に変換する。出力層Ｙの出力値は、たとえば、ソフトマックス関数によって確率に変換される。その結果、軸受部品２の正常確率ｓ１と、軸受部品２の異常確率ｓ２とが、確率変換層Ｌ１２から出力される。正常確率ｓ１および異常確率ｓ２は、それぞれ、軸受部品２の加工状態に関する良否確率を表わし、０以上１以下の値で表わされる。正常確率ｓ１および異常確率ｓ２は、判別部１６２に出力される。

＜Ｇ．判別部１６２＞
次に、図３に示される判別部１６２の機能について説明する。

判別部１６２は、学習済みモデル１２４から出力される正常確率ｓ１および異常確率ｓ２の少なくとも一方を予め決められた閾値と比較することで、軸受部品２の加工状態の良否を判別する。

ある局面において、正常確率ｓ１のみが判別処理に用いられる。より具体的には、判別部１６２は、正常確率ｓ１が０．５未満である場合に、軸受部品２の加工状態が不良であると判別する。一方で、判別部１６２は、正常確率ｓ１が０．５以上である場合に、軸受部品２が正常であると判別する。

他の局面において、異常確率ｓ２のみが判別処理に用いられる。より具体的には、判別部１６２は、異常確率ｓ２が０．５未満である場合に、軸受部品２が正常と判別する。一方で、判別部１６２は、異常確率ｓ２が０．５以上である場合に、軸受部品２の加工状態が不良であると判別する。

判別部１６２による加工状態の良否の判別結果は、上述の表示装置８（図１参照）に表示される。

＜Ｈ．検査装置１００のハードウェア構成＞
図９を参照して、検査装置１００のハードウェア構成について順に説明する。図９は、検査装置１００のハードウェア構成の一例を示す模式図である。

検査装置１００は、制御装置１０１と、ＲＯＭ（Read Only Memory）１０２と、ＲＡＭ（Random Access Memory）１０３と、通信インターフェイス１０４と、カメラインターフェイス１０５と、表示インターフェイス１０６と、入力インターフェイス１０７と、記憶装置１２０とを含む。これらのコンポーネントは、バス１１０に接続される。

制御装置１０１は、たとえば、少なくとも１つの集積回路によって構成される。集積回路は、たとえば、少なくとも１つのＣＰＵ（Central Processing Unit）、少なくとも１つのＧＰＵ（Graphics Processing Unit）、少なくとも１つのＡＳＩＣ（Application Specific Integrated Circuit）、少なくとも１つのＦＰＧＡ（Field Programmable Gate Array）、またはそれらの組み合わせなどによって構成され得る。

制御装置１０１は、検査装置１００の検査プログラム１２２やオペレーティングシステムなどの各種プログラムを実行することで検査装置１００の動作を制御する。制御装置１０１は、検査プログラム１２２の実行命令を受け付けたことに基づいて、記憶装置１２０またはＲＯＭ１０２からＲＡＭ１０３に検査プログラム１２２を読み出す。ＲＡＭ１０３は、ワーキングメモリとして機能し、検査プログラム１２２の実行に必要な各種データを一時的に格納する。

通信インターフェイス１０４には、ＬＡＮ（Local Area Network）やアンテナなどが接続される。検査装置１００は、通信インターフェイス１０４を介して、外部機器との間でデータをやり取りする。当該外部機器は、たとえば、学習処理を実行するサーバーなどを含む。検査装置１００は、当該外部機器から、検査プログラム１２２や学習済みモデル１２４をダウンロードできるように構成されてもよい。

カメラインターフェイス１０５は、軸受部品２を撮影することで生成された画像データを受ける入力部に相当し、ラインセンサ４と制御装置１０１との間のデータ伝送を仲介する。より具体的には、ラインセンサ４は、一定周期ごとに撮像処理を実行し、撮像処理により得られた画像信号は、カメラインターフェイス１０５を介して制御装置１０１に逐次出力される。なお、ラインセンサ４は、検査装置１００と一体的に構成されてもよいし、検査装置１００とは別に構成されてもよい。

表示インターフェイス１０６には、表示装置８が接続される。表示インターフェイス１０６は、制御装置１０１などからの指令に従って、表示装置８に対して、画像を表示するための画像信号を送出する。表示装置８は、たとえば、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、またはその他のディスプレイである。表示装置８には、軸受部品２の検査処理などが表示される。なお、表示装置８は、検査装置１００と一体的に構成されてもよいし、検査装置１００とは別に構成されてもよい。

入力インターフェイス１０７には、入力装置１０が接続される。入力装置１０は、たとえば、マウス、キーボード、タッチパネル、またはユーザの操作を受け付けることが可能なその他の装置である。なお、入力装置１０は、検査装置１００と一体的に構成されてもよいし、検査装置１００とは別に構成されてもよい。

記憶装置１２０は、たとえば、ハードディスクやＳＳＤ（Solid State Drive）やフラッシュメモリなどの記憶媒体である。記憶装置１２０は、検査プログラム１２２および学習済みモデル１２４などを格納する。なお、検査プログラム１２２および学習済みモデル１２４の格納場所は、記憶装置１２０に限定されず、制御装置１０１の記憶領域（たとえば、キャッシュメモリなど）、ＲＯＭ１０２、ＲＡＭ１０３、外部機器（たとえば、サーバー）などに格納されていてもよい。

検査プログラム１２２は、単体のプログラムとしてではなく、任意のプログラムの一部に組み込まれて提供されてもよい。この場合、検査プログラム１２２による検査処理は、任意のプログラムと協働して実現される。このような一部のモジュールを含まないプログラムであっても、本実施の形態に従う検査プログラム１２２の趣旨を逸脱するものではない。さらに、検査プログラム１２２によって提供される機能の一部または全部は、専用のハードウェアによって実現されてもよい。さらに、少なくとも１つのサーバーが検査プログラム１２２の処理の一部を実行する所謂クラウドサービスのような形態で検査装置１００が構成されてもよい。

＜Ｉ．検査装置１００による検査フロー＞
図１０を参照して、検査装置１００による検査処理のフローについて説明する。図１０は、検査装置１００が実行する検査処理を表わすフローチャートである。

図１０に示される処理は、検査装置１００の制御装置１０１（図９参照）が上述の検査プログラム１２２（図９参照）を実行することにより実現される。他の局面において、処理の一部または全部が、回路素子またはその他のハードウェアによって実行されてもよい。

ステップＳ１１０において、制御装置１０１は、上述の画像生成部１５２（図３参照）として機能し、ラインセンサ４の出力値に基づいて、検査対象の軸受部品２を表わす画像ＩＭ１を生成する。画像ＩＭ１の生成方法については、上記「Ｃ．画像生成部１５２」で説明した通りであるので、その説明については繰り返さない。

ステップＳ１１２において、制御装置１０１は、上述の切出部１５６（図３参照）として機能し、ステップＳ１１０で生成された画像ＩＭ１から予め定められた範囲の部分画像ＩＭ２を切り出す。部分画像ＩＭ２の切り出し方法については、上記「Ｄ．切出部１５６」で説明した通りであるので、その説明については繰り返さない。

ステップＳ１１４において、制御装置１０１は、上述の正規化部１５８（図３参照）として機能し、ステップＳ１１２で生成された部分画像ＩＭ２に対する正規化処理を実行する。その結果、正規化画像ＩＭ３が生成される。正規化処理については、上記「Ｅ．正規化部１５８」で説明した通りであるので、その説明については繰り返さない。

ステップＳ１１６において、制御装置１０１は、検査処理部１６０（図３参照）として機能し、学習処理が施されている学習済みモデル１２４に対して正規化画像ＩＭ３を入力する。その結果、学習済みモデル１２４は、正規化画像ＩＭ３の入力を受けて、軸受部品２の正常確率ｓ１と、軸受部品２の異常確率ｓ２とを出力する。学習済みモデル１２４の機能については、上記「Ｆ．検査処理部１６０」で説明した通りであるので、その説明については繰り返さない。

ステップＳ１１８において、制御装置１０１は、判別部１６２（図３参照）として機能し、ステップＳ１１６で算出された正常確率ｓ１および異常確率ｓ２の少なくとも一方を予め決められた閾値と比較することで、軸受部品２の加工状態の良否を判別する。加工状態の良否の判別方法については、上記「Ｇ．判別部１６２」で説明した通りであるので、その説明については繰り返さない。

ステップＳ１２０において、制御装置１０１は、ステップＳ１１８での判別結果が軸受部品２の異常を示すか否かを判断する。制御装置１０１は、ステップＳ１１８での判別結果が軸受部品２の異常を示すと判断した場合（ステップＳ１２０においてＹＥＳ）、制御をステップＳ１２２に切り替える。そうでない場合には（ステップＳ１２０においてＮＯ）、制御装置１０１は、制御をステップＳ１２４に切り替える。

ステップＳ１２２において、制御装置１０１は、軸受部品２の加工状態が異常であることを出力する。異常の出力態様は、任意である。一例として、異常があることは、表示装置８に表示されるメッセージや画像などで報知されてもよいし、検査装置１００のスピーカーなどから音によって報知されてもよい。

ステップＳ１２４において、制御装置１０１は、軸受部品２が正常であることを出力する。正常であることの出力態様は、任意である。一例として、正常であることは、表示装置８に表示されるメッセージや画像などで報知されてもよいし、検査装置１００のスピーカーなどから音によって報知されてもよい。

＜Ｊ．学習処理＞
上述の検査処理で用いられる学習済みモデル１２４（図７参照）は、ＣＮＮを用いた学習処理により生成される。

以下では、図１１および図１２を参照して、ＣＮＮを用いた学習処理により学習済みモデル１２４を生成する方法について説明する。図１１は、学習用データセットＳＤを示す図である。ＣＮＮによる学習処理では、予め準備されている学習用データセットＳＤが用いられる。

学習用データセットＳＤには、同種の軸受部品２を撮影して得られた複数の学習用画像が含まれる。図１１の例では、学習用データセットＳＤにおいて、学習用画像ＩＭＡ～ＩＭＣが含まれている。学習用画像ＩＭＡ～ＩＭＣの各々には、写っている軸受部品２が正常であるか異常であるかを示す情報がラベル情報（正解情報）として関連付けられている。図１１の例では、学習用画像ＩＭＡには、「正常」を示すラベルＬＢ１が関連付けられている。学習用画像ＩＭＢには、「異常」を示すラベルＬＢ２が関連付けられている。学習用画像ＩＭＣには、「異常」を示すラベルＬＢ３が関連付けられている。

図１２は、学習用データセットＳＤを用いた学習過程を示す図である。図１２には、ＣＮＮによる学習機能を有する学習モジュール２００が示されている。学習モジュール２００は、上述の検査装置１００に実装されてもよいし、サーバーなどのその他の装置に実行されてもよい。

以下では、学習処理が完了していないモデルを学習中モデル１２４Ａとも称する。すなわち、学習モジュール２００による学習処理が実行されると、学習中モデル１２４Ａの内部パラメータが最適化され、学習中モデル１２４Ａは、上述の学習済みモデル１２４となる。更新対象の内部パラメータは、たとえば、上述の畳み込み層（図７参照）で用いられる各フィルタの値や、全結合層Ｌ１１（図７参照）で用いられる重みやバイアスなどである。学習中モデル１２４Ａのネットワーク構造は、図７で説明した学習済みモデル１２４のネットワーク構造と同じである。

学習モジュール２００は、図１１に示される学習用データセットＳＤに含まれる各学習用画像を用いて、学習中モデル１２４Ａの内部パラメータを順次更新する。学習モジュール２００は、機能構成として、前処理部１５４Ａと、学習部１７０とを含む。図１２に示される前処理部１５４Ａは、図３に示される前処理部１５４と同じ前処理を実行する。すなわち、学習段階と検査段階とで同じ前処理が実行される。

より具体的には、ステップＳ１において、前処理部１５４Ａは、学習用データセットＳＤに含まれる学習用画像ＩＭＡから予め定められた範囲の部分画像を切り出し、その部分画像を列ごとに正規化する。次に、前処理部１５４Ａは、初期状態の学習中モデルＭ１に対して正規化画像を入力する。その結果、学習用画像ＩＭＡに写る軸受部品が正常である確率を示す正常確率ｓ１と、学習用画像ＩＭＡに写る軸受部品が異常である確率を示す異常確率ｓ２とが学習中モデルＭ１から出力される。

次に、学習部１７０は、学習中モデルＭ１から出力される正常確率ｓ１および異常確率ｓ２が、ラベルＬＢ１に示される正常確率ｓ１および異常確率ｓ２に近付くように、学習中モデルＭ１の内部パラメータを更新する。内部パラメータの更新処理は、たとえば、誤差逆伝搬法により実現される。

ステップＳ２において、前処理部１５４Ａは、学習用データセットＳＤに含まれる学習用画像ＩＭＢから予め定められた範囲の部分画像を切り出し、その部分画像を列ごとに正規化する。次に、前処理部１５４Ａは、１回目のパラメータ更新が済んだ学習中モデルＭ２に対して正規化画像を入力する。その結果、学習用画像ＩＭＢに写る軸受部品が正常である確率を示す正常確率ｓ１と、学習用画像ＩＭＢに写る軸受部品が異常である確率を示す異常確率ｓ２とが学習中モデルＭ２から出力される。

次に、学習部１７０は、学習中モデルＭ２から出力される正常確率ｓ１および異常確率ｓ２が、ラベルＬＢ２に示される正常確率ｓ１および異常確率ｓ２に近付くように、学習中モデルＭ２の内部パラメータを更新する。内部パラメータの更新処理は、たとえば、誤差逆伝搬法により実現される。

このように、学習部１７０は、学習中モデル１２４Ａの内部パラメータの更新処理を、学習用データセットＳＤに含まれる各学習用データについて繰り返す。その結果、正規化画像の入力を受けて、軸受部品の加工面の検査結果を出力する学習済みモデル１２４が生成される。

今回開示された実施の形態は全ての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内での全ての変更が含まれることが意図される。

１ワークホルダ、２軸受部品、２Ａ加工面、３回転機構、４ラインセンサ、４Ａ撮像素子群、５レンズ、６照明、８表示装置、１０入力装置、５０検査システム、１００検査装置、１０１制御装置、１０２ＲＯＭ、１０３ＲＡＭ、１０４通信インターフェイス、１０５カメラインターフェイス、１０６表示インターフェイス、１０７入力インターフェイス、１１０バス、１２０記憶装置、１２２検査プログラム、１２４学習済みモデル、１２４Ａ学習中モデル、１５２画像生成部、１５４，１５４Ａ前処理部、１５６切出部、１５８正規化部、１６０検査処理部、１６２判別部、１７０学習部、２００学習モジュール。

Claims

超仕上げ加工された軸受部品の軌道面を検査するための検査装置であって、
前記軸受部品が固定されたワークホルダを回転することによって前記軸受部品を回転するための回転機構と、
前記軸受部品の軌道面を撮像するように配置されたラインセンサとを備え、前記ラインセンサは、一列に並べられた撮像素子群を含み、
前記回転機構が前記軸受部品を回転している間に当該軸受部品の軌道面を照明で照らしながら前記ラインセンサに順次撮像させることで、前記撮像素子群から一列の輝度値群を複数取得し、当該取得した複数列の各々の輝度値群を撮影順に並べた画像を生成するための画像生成部と、
前記画像または当該画像の部分画像における各列の輝度値群に対して列ごとに正規化処理を実行し、正規化画像を生成するための正規化部と、
前記正規化画像の入力を受けて、前記軸受部品の軌道面の検査結果を出力する学習済みモデルとを備える、検査装置。
前記検査装置は、前記画像生成部によって生成された画像から、予め定められたサイズの画像を前記部分画像として切り出すための切出部をさらに備え、
前記正規化部は、前記部分画像に対して前記正規化処理を実行する、請求項１に記載の検査装置。
前記正規化処理は、前記部分画像を構成する各列の輝度値群の平均値が所定値になるように当該各列の輝度値群を調整する処理を含む、請求項２に記載の検査装置。
前記学習済みモデルは、ＣＮＮ（Convolutional Neural Network）を用いた学習処理により生成されている、請求項１～３のいずれか１項に記載の検査装置。
前記軸受部品は、軸受けの外輪と、軸受けの転動体と、軸受けの内輪との少なくとも１つを含む、請求項１～４のいずれか１項に記載の検査装置。
超仕上げ加工された軸受部品の軌道面を検査するための検査方法であって、
前記軸受部品が固定されたワークホルダを回転することによって前記軸受部品を回転するステップと、
前記軸受部品が回転している間に、照明で前記軸受部品の軌道面を照らしながらラインセンサが前記軸受部品の軌道面を順次撮像するステップとを備え、前記ラインセンサは、一列に並べられた撮像素子群を含み、さらに、
前記撮像するステップで前記撮像素子群から一列の輝度値群を複数取得し、当該取得した複数列の各々の輝度値群を撮影順に並べた画像を生成するステップと、
前記画像または当該画像の部分画像における各列の輝度値群に対して列ごとに正規化処理を実行し、正規化画像を生成するステップと、
前記正規化画像を学習済みモデルに入力し、当該学習済みモデルから得られる前記軸受部品の軌道面の検査結果を出力するステップとを備える、検査方法。
超仕上げ加工された軸受部品の軌道面を検査するための検査プログラムであって、
前記検査プログラムは、検査装置に、
ワークホルダに固定された前記軸受部品を回転するステップと、
前記軸受部品が回転している間に、照明で前記軸受部品の軌道面を照らしながらラインセンサが前記軸受部品の軌道面を順次撮像するステップとを実行させ、前記ラインセンサは、一列に並べられた撮像素子群を含み、
前記検査プログラムは、前記検査装置に、さらに、
前記撮像するステップで前記撮像素子群から一列の輝度値群を複数取得し、当該取得した複数列の各々の輝度値群を撮影順に並べた画像を生成するステップと、
前記画像または当該画像の部分画像における各列の輝度値群に対して列ごとに正規化処理を実行し、正規化画像を生成するステップと、
前記正規化画像を学習済みモデルに入力し、当該学習済みモデルから得られる前記軸受部品の軌道面の検査結果を出力するステップとを実行させる、検査プログラム。