JP7447874B2 - 鋼板の蛇行量推定モデルの生成方法、鋼板の蛇行量推定方法、鋼板の蛇行制御方法、及び鋼板の製造方法 - Google Patents

Description

本発明は、鋼板の蛇行量推定モデルの生成方法、鋼板の蛇行量推定方法、鋼板の蛇行制御方法、及び鋼板の製造方法に関する。

連続式圧延機を利用して鋼板を圧延する際、鋼板の幅方向中心位置が圧延ロールの圧延中心位置（ミル中心位置）からずれ、鋼板が圧延ロールの軸方向端部方向へ移動する鋼板の蛇行現象が発生することがある。鋼板の蛇行現象が発生した場合、鋼板が移動した側の圧延機のハウジングに掛かる荷重が他方側のハウジングに掛かる荷重よりも大きくなるために、鋼板が移動した側のミル伸びが他方側のミル伸びよりも大きくなり、結果として蛇行現象がさらに助長される。鋼板の蛇行現象が発生した場合、鋼板の幅方向に板厚差が生じ、鋼板の品質が劣化する。また、鋼板の蛇行量が大きい場合には、鋼板がサイドガイドに接触することによって鋼板が屈曲した状態で圧延される絞り込みが発生し、圧延ロールに疵がつき、鋼板の生産性が低下することがある。なお、鋼板の蛇行現象は、特に鋼板の尾端部が圧延ロールを通過する際、換言すれば、圧延ロールの入側における鋼板の張力が存在しない時に発生しやすい。例えば熱間圧延鋼帯の製造ライン（熱延ライン）では、加熱されたスラブが粗圧延工程や仕上圧延工程等の工程を経て、所定の板幅及び板厚の鋼帯が製造される。仕上圧延工程では、複数台（例えば７台）の圧延機からなる仕上圧延設備で熱間圧延鋼帯（以下、単に鋼帯という）が仕上圧延されるタンデム圧延が行われ、所定の板厚の鋼帯が製造される。タンデム圧延では、鋼帯の幅方向の板厚分布、温度差、及び曲がりによって蛇行現象が発生することがある。なお、各圧延機の幅方向（鋼帯の幅方向と同じ方向）の中心位置から鋼帯の幅方向の中心位置までの距離を蛇行量と呼ぶ。

このような蛇行現象の発生を抑制し、安定した鋼板の製造を実現するためには、圧延中の鋼板の蛇行量を精度よく測定し、測定された蛇行量に基づいて圧延機の操業条件を再設定する必要がある。これに対して、従来までは、鋼板の蛇行量を測定するためのセンサーとして光電式の板幅計を用い、鋼板の上方に走査型の検出器を設置し、鋼板の下方に光源を設けたバックライト方式により、鋼板の幅方向端部位置（以下、エッジ位置と表記）を検出する方法が用いられてきた。一方、２次元ＣＣＤカメラを用いた簡易な蛇行量の測定方法も提案されている。例えば特許文献１には、熱延ラインの粗圧延工程における鋼板のキャンバー（板曲がり）測定方法に関するものであるが、粗圧延機の出側上方にＣＣＤカメラ等の二次元撮像素子を設け、撮影画像に対してラインスキャニングを実行することにより鋼板の蛇行量を算出することが記載されている。

また、特許文献２には、パスラインの垂線に対して圧延方向に傾斜した方向から、板材のエッジ位置を含む撮像視野を有する２次元撮像装置で板材表面を撮影する第１ステップと、撮影画像について、板幅方向の走査線毎に濃度値の変化を検出することにより、板材のエッジ位置を走査線毎に検出する第２ステップと、走査線毎に検出した各エッジ位置に対して最小二乗法を適用することにより近似直線を算出する第３ステップと、近似直線と所定の走査線との交点の位置を算出する第４ステップと、交点の位置に基づき蛇行量を算出する第５ステップと、を含む蛇行量測定方法が記載されている。一方、特許文献３には、圧延スタンド間に設置されたラインセンサカメラにより蛇行量を測定する方法が記載されている。このラインセンサカメラは、１次元撮像装置であり、ＣＣＤイメージングセンサー素子等で構成されるものである。１次元の輝度分布から鋼板の幅方向両端部の位置を検出するため、蛇行量を出力するための演算処理が簡易化され、短い制御周期で蛇行制御を実行できる。

特開平４－１６７９１１号公報 特許３８８５９５５号公報 特許６８０１８３３号公報

しかしながら、特許文献１に記載の蛇行量測定方法は、鋼板の圧延方向の所定位置における１走査線分の鋼板の幅方向端部を測定することにより鋼板の蛇行量を測定するものである。従って、圧延スタンド間における霧状水滴やヒュームによって鋼板の幅方向端部を特定できない場合が生じ、蛇行量に関する異常な測定結果が出力されることが多く、鋼板の蛇行制御を実行する際の入力信号として用いると、制御トラブルが発生するリスクが大きくなる。また、特許文献２に記載の蛇行量測定方法は、２次元撮像装置により取得される情報を用いるものである。この場合、２次元データは情報量が多く、画像データの転送及び画像データからの蛇行量の演算に時間がかかり、測定周期が大きくなってしまうために、時々刻々と変化する蛇行量に対して適切な蛇行制御を行うのが困難な場合がある。一方、特許文献３に記載の蛇行量測定方法は、ラインセンサカメラを用いた１次元データを用いるため、高速な演算処理が可能ではある。しかしながら、特許文献１に記載の方法と同様、１回の演算により取得される蛇行量の測定値には圧延スタンド間における霧状水滴やヒュームによる外乱の影響が含まれる場合があるため、霧状水滴が多く発生する環境で使用する際には改善の余地がある。

本発明は、上記課題に鑑みてなされたものであって、その目的は、鋼板の蛇行量を精度よく推定する蛇行量推定モデルを生成可能な鋼板の蛇行量推定モデルの生成方法を提供することにある。また、本発明の他の目的は、鋼板の蛇行量を精度よく推定可能な鋼板の蛇行量推定方法を提供することにある。また、本発明の他の目的は、鋼板の蛇行を抑制可能な鋼板の蛇行制御方法を提供することにある。また、本発明の他の目的は、鋼板の蛇行による製造トラブルの発生を抑制可能な鋼板の製造方法を提供することにある。

本発明に係る鋼板の蛇行量推定モデルの生成方法は、鋼板の蛇行量を推定する鋼板の蛇行量推定モデルの生成方法であって、前記鋼板の画像データと、前記画像データに対応する鋼板の蛇行量の測定データとを取得するデータ取得ステップと、前記データ取得ステップで取得した画像データに対して画像加工処理を施すことにより生成した画像加工データを入力実績データ、前記画像データに対応する鋼板の蛇行量の測定データを出力実績データとした、複数の学習用データを用いた機械学習によって、鋼板の蛇行量推定モデルを生成するステップと、を含む。

前記画像データに対して施す画像加工処理には、ぼかし処理及び色調補正処理のうち少なくとも一方が含まれるとよい。

前記機械学習の手法として、畳み込みニューラルネットワークの手法を用いるとよい。

本発明に係る鋼板の蛇行量推定方法は、本発明に係る鋼板の蛇行量推定モデルの生成方法によって生成された鋼板の蛇行量推定モデルに対して鋼板の画像データを入力することにより鋼板の蛇行量を推定するステップを含む。

本発明に係る鋼板の蛇行制御方法は、本発明に係る鋼板の蛇行量推定方法を用いて前記鋼板の圧延工程における鋼板の蛇行量を制御するステップを含む。

本発明に係る鋼板の製造方法は、本発明に係る鋼板の蛇行制御方法を用いて鋼板を製造するステップを含む。

本発明に係る鋼板の蛇行量推定モデルの生成方法によれば、鋼板の蛇行量を精度よく推定する蛇行量推定モデルを生成することができる。また、本発明に係る鋼板の蛇行量推定方法によれば、鋼板の蛇行量を精度よく推定することができる。また、本発明に係る鋼板の蛇行制御方法によれば、鋼板の蛇行を抑制することができる。また、本発明に係る鋼板の製造方法によれば、鋼板の蛇行による製造トラブルの発生を抑制することができる。

図１は、複数の圧延機を用いて鋼板をタンデム圧延する際に圧延機間において鋼板の蛇行量を測定する実施形態を示す図である。 図２は、鋼板の画像データの一例を示す図である。 図３は、本発明の一実施形態であるデータ取得装置及び蛇行量推定モデル生成装置の構成を示す図である。 図４は、ぼかし処理の一例を示す図である。 図５は、ぼかし処理の他の例を示す図である。 図６は、データベース部に蓄積されるデータセットの一例を示す図である。 図７は、畳み込みニューラルネットワークの構成例を示す図である。 図８は、フィルタリング処理に用いられるフィルターの構成例を示す図である。 図９は、フィルタリング処理を説明するための概念図である。 図１０は、Ｍａｘプーリングの一例を示す図である。 図１１は、本発明の一実施形態である鋼板の蛇行量制御システムの構成を示す模式図である。 図１２は、発明例、比較例、及び従来例の鋼板の蛇行量推定精度を示す図である。

以下、図面を参照して、本発明の一実施形態について説明する。なお以下では、熱延薄鋼板を製造する熱延ラインの仕上圧延設備に対して本発明を適用した形態を実施形態として説明する。但し、本発明は、熱延ラインの粗圧延設備や厚鋼板を製造する厚板圧延設備、冷延鋼板を製造する冷間圧延設備等に対しても適用することができる。

〔データ取得装置〕
図１は、複数の圧延機を用いて鋼板をタンデム圧延する際に圧延機間において鋼板の蛇行量を測定する実施形態を示す図である。図１に示すように、本実施形態では、鋼板Ｓは、圧延機２及び圧延機３によって連続的に圧延され、順次減厚されていく。圧延機２と圧延機３の圧延スタンド間には、鋼板Ｓを撮影して鋼板Ｓの画像データを取得するカメラ４と、鋼板Ｓの蛇行量を測定可能な蛇行量測定装置５が配置されている。本実施形態では、２つの圧延機の圧延スタンド間で鋼板Ｓの蛇行量を測定するが、圧延機は３つ以上の圧延スタンドによって構成されるタンデム圧延機であってもよい。その場合、カメラ４と蛇行量測定装置５は、連続する圧延機の圧延スタンド間に配置されれば、任意の圧延スタンド間に設置してよい。また、第１圧延スタンドの上流側や最終圧延スタンドの下流側のように、必ずしも圧延スタンド間に配置する必要はない。なお、本実施形態では、カメラ４と蛇行量測定装置５が同一の圧延スタンド間に配置されるものとする。但し、複数の圧延スタンド間にカメラ４と蛇行量測定装置５を含む装置を配置してもよい。

カメラ４と蛇行量測定装置５は概ね同一の位置に配置される。概ね同一の位置とは、圧延スタンド間の距離をＬ（通常は４～６ｍ程度）として、鋼板Ｓの進行方向におけるカメラ４と蛇行量測定装置５との間の距離が０．７Ｌ以下であれば概ね同一と言える。通常、圧延スタンド間の距離Ｌの範囲では鋼板Ｓの曲がり量は小さい。このため、カメラ４で鋼板Ｓの画像データを取得する位置と蛇行量測定装置５により鋼板Ｓの蛇行量の測定データを取得する位置との間の距離が０．７Ｌ以下であれば、鋼板Ｓの蛇行量はほぼ同一とみなすことができる場合が多いからである。但し、鋼板Ｓの進行方向におけるカメラ４と蛇行量測定装置５との間の距離は０．３Ｌ以下が好ましく、０．１Ｌ以下がより好ましい。一方、蛇行量測定装置５としてバックライト方式の蛇行計を用いる場合には、蛇行量測定装置５によってカメラ４の画像の一部が欠損することがあるので、必ずしも鋼板Ｓの進行方向に対してカメラ４と蛇行量測定装置５とを同一の位置に配置する必要はない。

カメラ４は、２次元カメラ（エリアカメラ）であっても、１次元カメラ（ラインセンサカメラ）であってもよい。また、カメラ４は、カラーカメラであっても、モノクロカメラであってもよい。カメラ４として２次元カメラを用いた場合に取得される画像データの例を図２に示す。図２に示す鋼板の画像データは、カラーカメラにより取得された画像をグレースケールで図示したものである。鋼板は図２の縦方向に連続的に搬送されているが、鋼板の進行方向（圧延方向）の上流側の一部と下流側の一部には鋼板が写っていない部分が生じている。これは、圧延スタンド間には、各種センサー類やガイド等の付帯設備が配置されているために、取得される画像データの一部に鋼板が撮像されない部分が生じるためである。本実施形態は、画像データに鋼板の一部が撮像されていない部分があってもよい。但し、鋼板について同一の長手方向位置において、少なくとも鋼板の幅方向両端部が同一の画像データに含まれればよい。すなわち、鋼板の長手方向の少なくとも１ピクセル分の位置に鋼板の幅方向両端部が撮像されていればよい。

カメラ４により取得される複数の画像データは、圧延スタンド間において固定した位置（同一の位置）から撮影される画像であることが好ましい。但し、カメラ４により取得される画像データに鋼板の画像と共に圧延スタンド間の固定された位置にある構造物が撮像される場合には、カメラ４により取得される複数の画像データが異なる位置から撮影されたものであってもよい。カメラ４により取得される複数の画像データが同一の位置から撮影されたものである場合、撮像された鋼板の画像内での位置により鋼板の蛇行状態を特定できる。一方、カメラ４により取得される複数の画像データが異なる位置から撮影されたものである場合には、撮像された構造物と鋼板との相対的な位置関係に基づき鋼板の蛇行状態を特定できる。

蛇行量測定装置５は、上述のバックライト方式により鋼板のエッジ位置を検出する方法や、レーダー方式、カメラ画像を画像処理（板エッジ検出）する方式等、従来技術として蛇行量の測定に使用されてきたものを用いることができる。少なくとも圧延スタンド間における霧状水滴やヒュームによる外乱が少ない条件を選択すれば、鋼板の蛇行量についての正確な測定データを取得できるからである。

図１に戻る。本実施形態のデータ取得装置１０は、カメラ４によって鋼板Ｓを撮影することにより取得した画像データと、鋼板Ｓの画像データを取得したタイミングで蛇行量測定装置５により取得した鋼板Ｓの蛇行量の測定データとを、データセットとして対応付ける。但し、同一の鋼板Ｓに対してカメラ４により鋼板Ｓを撮影するタイミングと蛇行量測定装置５により鋼板Ｓの蛇行量を測定するタイミングとを完全に一致させる必要はない。例えば鋼板Ｓの進行方向に対してカメラ４が蛇行量測定装置５よりも上流側の位置に配置されていても、カメラ４により鋼板Ｓの画像データを取得するタイミングと蛇行量測定装置５により鋼板Ｓの蛇行量の測定データを取得するタイミングとが同時であってもよい。また、蛇行量測定装置５により鋼板Ｓの蛇行量の測定データを取得するタイミングを鋼板Ｓがカメラ４の位置から蛇行量測定装置５の位置まで搬送される時間だけ遅らせてもよい。すなわち、鋼板Ｓの蛇行状態が変化しないと想定される範囲で、カメラ４により鋼板Ｓの画像データを取得するタイミングと蛇行量測定装置５により鋼板Ｓの蛇行量の測定データを取得するタイミングとの間にずれがあってもよい。

また、カメラ４により取得した鋼板Ｓの画像データと蛇行量測定装置５により取得した鋼板Ｓの蛇行量の測定データは、鋼板Ｓについて長手方向の複数の位置において取得したデータセットとすることができる。鋼板Ｓの蛇行量は、鋼板Ｓの長手方向で変化するからである。また、鋼板Ｓの先端部又は尾端部のように、鋼板Ｓの長手方向における特定の位置で学習用データを取得してもよい。また、鋼板Ｓの先端部から尾端部までの全長に対して、一定の周期（例えば、５～１０００ｍｓｅｃ）で学習用データを取得してもよい。以上のようにして取得した鋼板Ｓの画像データとその画像データと対応付けられた鋼板Ｓの蛇行量の測定データは、図３に示す蛇行量推定モデル生成装置２０に送られる。

図３に示すように、データ取得装置１０は、鋼板の蛇行量の測定データとして誤差が大きいデータセットを除去するためのスクリーニング処理部１１を有することが好ましい。スクリーニング処理部１１は、鋼板の蛇行量の測定データが圧延スタンド間における外乱（霧状水滴やヒュームによる外乱）の影響を受けたものであるか否かを判定する。そして、鋼板の蛇行量の測定データへの外乱の影響が大きいと判定された場合、スクリーニング処理部１１は、その蛇行量の測定データと鋼板の画像データのデータセットを蛇行量推定モデル生成装置２０の学習用データから除外する。例えば鋼板の長手方向に連続的に取得した鋼板の蛇行量の測定データの変動が予め設定した変動幅よりも大きい場合、スクリーニング処理部１１は、その変動幅を超えた鋼板の蛇行量の測定データと、それに対応付けられた画像データを除去する。また、カメラ４により取得した鋼板の画像データの輝度値についての鋼板の長手方向における変動量が予め設定した閾値よりも大きい場合、スクリーニング処理部１１は、その画像データと対応する鋼板Ｓの蛇行量の測定データとを除去してもよい。さらに、特許文献１に記載の方法を用いてカメラ４により取得した鋼板の画像データから鋼板のエッジ位置を特定し、特定されたエッジ位置から鋼板の蛇行量を算出し、蛇行量測定装置５による鋼板の蛇行量の測定データと比較してその差が予め設定した閾値を超える場合、スクリーニング処理部１１は、その鋼板の蛇行量の測定データとそれに対応付けられた画像データを除去してもよい。

〔画像加工処理部〕
データ取得装置１０により取得され、必要に応じてスクリーニング処理が施された鋼板の画像データは、図３に示す蛇行量推定モデル生成装置２０に送られる。図３に示すように、蛇行量推定モデル生成装置２０は、鋼板の画像データに対して画像加工処理を施す画像加工処理部２１を備えている。以下では、画像加工処理が施された鋼板の画像データを画像加工データと呼ぶ。蛇行量推定モデル生成装置２０は、鋼板の画像データに対して画像加工処理を施した画像加工データと鋼板の画像データと対応付けられた鋼板の蛇行量の測定データとをデータベース部２２に蓄積し、蛇行量推定モデルＭの学習用データとして用いる。鋼板Ｓの画像データに対して画像加工処理を実行するのは、蛇行量推定モデル生成装置２０に送られた鋼板の画像データとそれに対応する鋼板の蛇行量の測定データとは、圧延スタンド間における外乱（霧状水滴やヒュームによる外乱）の影響を受けていない状態で取得されたデータセットであるためである。鋼板の画像データに画像加工処理を施すことにより、圧延スタンド間において外乱の影響が生じた状態を模擬した画像加工データが得られる。これにより、画像加工データと鋼板の蛇行量の測定データとのデータセットを学習用データとすることにより、圧延スタンド間における外乱の影響を受けた状態であっても、精度の高い蛇行量の推定値を出力可能な蛇行量推定モデルＭを生成できる。

画像加工処理の手法としては、画像加工処理に適用可能な任意の処理手法を適用できる。その場合、ぼかし処理及び色調補正処理の少なくとも一方による画像加工処理を実行することが好ましい。ぼかし処理は、圧延スタンド間における霧状水滴やヒュームによる外乱によって、画像の鮮明度が低下した状態に対応した画像加工データを得るための処理である。また、色調補正処理は、鋼板の温度が変化した状態に対応した画像加工データを得るための処理である。具体的には、色調補正処理は、例えば熱間圧延等において圧延スタンド間における鋼板の温度が異なると、鋼板の温度に応じて鋼板の色調が変化するため、元の画像データを取得した際の鋼板温度とは異なる温度域に対応する画像加工データを得るための処理である。

本実施形態では、鋼板の画像データと鋼板の蛇行量の測定データとの１組のデータセットに対して、鋼板の画像データに対する複数の画像加工処理を実行することにより、複数の画像加工データを生成し、それらの画像加工データに対応する１つの鋼板の蛇行量の測定データを、それぞれ新たなデータセットとして生成することができる。従って、鋼板の画像データと鋼板の蛇行量の測定データの１組のデータセットから、画像加工処理の種類や画像加工処理の条件の違いに応じた複数組のデータセットを生成することができる。これにより、学習用データの収集が容易になり、少数の画像データから多数の学習用データを取得することができる。

〔ぼかし処理〕
鋼板の画像データに対するぼかし処理には、平均化フィルター処理を用いることができる。図４を参照して、モノクロの画像データに対して平均化フィルター処理を行い、画像加工データを取得する方法について説明する。図４に示すように、モノクロの画像データは、画像の各画素に対して輝度値が割り当たられたデータである。輝度値は、例えば０～２５５の数値情報で表される。平均化フィルターは、例えば縦方向及び横方向の画素数をＮとして、縦方向Ｎ画素×横方向Ｎ画素のように設定される。平均化フィルターは、元の画像データの中で着目する画素を代表点として、代表点を含むＮ×Ｎの画素領域に適用し、その範囲に含まれる輝度値の平均値を算出し、算出した平均値を代表点の新たな輝度値に置き換えるものである。このような処理を画像データ内で代表点を変更しながら繰り返し実行することにより画像データは画像加工データに変換される。図４に示す例では平均化フィルターの画素数Ｎは３に選択されている。画素Ａを代表点として、平均化フィルターを適用すると、その範囲の輝度値の平均値が算出され、画素Ａの新たな輝度値（本例では９４）となる。このようにして、図４には、代表点を画像データ内で移動させて処理を行った結果生成された画像加工データを示している。鋼板の画像データは、鋼板の周囲に霧状水滴やヒューム等が存在した状態に近い画像に変換される。

本実施形態に適用する平均化フィルターの画素数Ｎは、鋼板が熱間圧延されるような温度域では、取得した画像データの縦方向又は横方向の画素数Ｐに対して、２００分の１から２０分の１程度とすることが好適である。また、画像データとして撮像された鋼板の板幅に対応する画素数をＰｘとする場合に、平均化フィルターの画素数Ｎは、Ｐｘ／１００～Ｐｘ／１０の範囲で選択するのが好ましい。平均化フィルターの画素数ＮがＰｘ／１００より小さい場合、画像データに対するぼかし処理の効果が小さく、画像加工データとして霧状水滴やヒュームの影響を反映させにくい場合があるからである。一方、画素数ＮがＰｘ／１０より大きい場合には、輝度値を平均化する範囲が大きく、画像加工データとして鋼板の蛇行量を識別できるほどの鮮明度が失われてしまうおそれがあるからである。なお、画像データの端部については、画像データの外側の輝度値を０で埋めること（パディング）によって、元画像の端部の情報不足を防ぐようにしてもよい。

鋼板の画像データに対するぼかし処理の他の手法として、ガウシアンフィルターを用いる処理について、図５を用いて説明する。ガウシアンフィルターを適用する場合も、予め縦方向Ｎ画素×横方向Ｎ画素のようにガウシアンフィルターのサイズを設定する。ガウシアンフィルターは、元の画像の中で着目する画素である代表点を中心として、代表点からの距離に応じてガウシアンフィルターを作用させる領域の輝度値に重みづけを行う方法である。輝度への重みづけ係数ｆは以下の数式（１）に示すガウス分布による。数式（１）中のｘは代表点からの横方向の距離を画素数として表した値であり、ｙは代表点からの縦方向の距離を画素数として表した値である。また、σはガウス分布の標準偏差を示す。

ガウシアンフィルターを用いる場合でも、平均化フィルターを用いて元の画像データから画像加工データを生成する方法は同様であり、代表点を画像データ内で移動させて処理を行う。具体的には、図５に示すように、ガウシアンフィルターの画素数Ｎも、鋼板が熱間圧延されるような温度域では、取得した画像データの縦方向又は横方向の画素数Ｐに対して２００分の１から２０分の１程度とすることが好適である。また、画像データとして撮像された鋼板の板幅に対応する画素数をＰｘとする場合に、ガウシアンフィルターの画素数Ｎは、Ｐｘ／１００～Ｐｘ／１０の範囲で選択するのが好ましい。ガウシアンフィルターの画素数ＮがＰｘ／１００より小さい場合、画像データに対するぼかし処理の効果が小さく、画像加工データとして霧状水滴やヒュームの影響を反映させにくい場合があるからである。一方、画素数ＮがＰｘ／１０より大きい場合には、輝度値を平均化する範囲が大きく、画像加工データとして鋼板の蛇行量を識別できるほどの鮮明度が失われるおそれがあるからである。さらに、ガウシアンフィルターでは、数式（１）中の標準偏差σによってもぼかし処理の効果が変化する。選択する標準偏差σの値によってガウシアンフィルター内での重み係数の差が変化するからである。標準偏差σの範囲はＰｘ／２００～Ｐｘ／２０の範囲であることが好ましい。標準偏差σの値が小さい場合、代表点の近傍のみの輝度値に対する重みが大きくなるため、ぼかし処理の効果が小さくなる。一方、標準偏差σの値が大きすぎると、ぼかし処理の効果が過大となって、画像加工データとして鋼板の蛇行量を識別できるほどの鮮明度が失われるおそれがある。

ぼかし処理は、取得した画像データの全ての画素に対して適用しても、一部の画素にのみ適用してもよい。例えば画像データの右半分のみ、画像データの上半分のみ等、部分的に適用してもよい。圧延スタンド間における霧状水滴やヒュームは、圧延機の駆動側又は作業側のように鋼板の進行方向に対して左右のいずれかにのみ発生している場合があるからである。なお、ぼかし処理には、平均化フィルター処理やガウシアンフィルター処理の他、選択的ガウシアンフィルター、モザイクフィルター、メディアンフィルター、モーションフィルター等、画像加工処理手法として一般的に用いられるフィルター手法を適用してもよい。

一方、上記の例は画像データがモノクロ画像の例であったが、取得する画像データがカラー画像の場合には、１枚の画像データは、ＲＧＢの３種類の画像データに分割でき、分割されたそれぞれの画像データが有する輝度値に対して、上記ぼかし処理を適用できる。また、ＲＧＢの３種類の画像データから得られた３種類の画像加工データのいずれかを蛇行量推定モデルＭの入力としても、３種類の画像加工データを合成したカラー画像を新たな画像加工データとしてもよい。また、ＲＧＢの３つの画像データに対して異なるフィルター処理を実行し、それらを合成したカラー画像を画像加工データとしてもよい。また、圧延スタンド間における霧状水滴やヒュームが吸収しやすい光の波長はその大きさによって変化するため、特定の光の波長に対応した画像にのみぼかし処理を実行してもよい。

〔色調補正処理〕
鋼板の画像データに対する色調補正処理としては、明るさ補正処理、コントラスト補正処理、ガンマ補正処理等、鋼板の画像データの色調を変更する画像加工処理を適用できる。明るさ補正処理は画像データの明暗を調整するものであり、コントラスト補正処理は画像データ内の明暗の差を調整するものである。また、ガンマ補正処理は、画像データ全体に対して同一の割合で明るさを調整するのでなく、画像データを構成する画素の輝度値に応じてその値を調整するものである。鋼板の画像データに対して色調補正処理を実行することにより、鋼板の画像データを取得した条件とは鋼板温度等の撮像環境が異なる条件において、鋼板の周囲との境界部についての明瞭さが変化しても、蛇行量推定モデルＭによる精度の高い蛇行量の推定を実現できる。

色調補正処理に用いる明るさ補正処理は、以下の数式（２）に示すように、画像データの中の代表点における画素の輝度値に対して補正値βを加算して補正後の輝度値とする方法であり、画像データ内の代表点を移動させながら画像加工データを生成する。なお、数式（２）のｘは代表点の輝度値であり、ｙは補正後の代表点の輝度値を表す。但し、輝度値が０～２５５の範囲となるように、ｙが負の値となる場合には輝度値を０に修正し、ｙの値が２５５を超える場合には、輝度値を２５５に修正する。鋼板が熱間圧延される温度域にある場合には、鋼板が撮像されている領域の輝度の平均値Ｂに対して、補正値βは－２Ｂ～＋２Ｂの範囲から選択するのが好ましい。補正値βが－２Ｂよりも小さい場合、鋼板の画像が暗くなり、鋼板の画像内での位置が不明瞭になるからである。また、補正値βが２Ｂよりも大きい場合には、鋼板の画像が極端に明るくなって、この場合も鋼板の画像内での位置が不明瞭になるからである。

色調補正処理に用いるコントラスト補正処理は、以下の数式（３）に示すように、画像データの中の代表点における画素の輝度値に対して補正値αを乗算して補正後の輝度値とする方法であり、画像データ内の代表点を移動させながら画像加工データを生成する。但し、この場合にも補正後の輝度値が０～２５５の範囲となるように調整を行う。補正値αは、鋼板が熱間圧延される温度域にある場合には、０．７～１．５の範囲で設定するのが好ましい。補正値αが０．７よりも小さい場合、鋼板の画像を示す領域の輝度値が小さくなって、鋼板の周囲との境界が不明瞭になるからである。一方、補正値αが１．５よりも大きい場合には、鋼板の画像を示す領域の輝度値が大きくなって、この場合にも鋼板の周囲との境界が不明瞭になるからである。

色調補正処理は、取得した画像データの全ての画素に適用しても、一部の画素にのみ適用してもよい。例えば画像データの右半分のみ、画像データの上半分のみ等、部分的に適用してもよい。圧延スタンド間における鋼板には、長手方向又は幅方向に温度分布が生じる場合があり、鋼板の色調が位置によって変化する場合があるからである。一方、上記の例は画像データがモノクロ画像の例であるが、取得する画像データがカラー画像である場合には、一枚の画像データは、ＲＧＢの３種類の画像データに分割でき、分割されたそれぞれの画像データが有する輝度値に対して上記色調補正処理を適用できる。また、ＲＧＢの３種類の画像データから得られた３種類の画像加工データのいずれかを蛇行量推定モデルＭの入力としても、３種類の画像加工データを合成したカラー画像を新たな画像加工データとしてもよい。また、ＲＧＢの３つの画像データに対して異なる画像加工処理を実行して、それらを合成したカラー画像を画像加工データとしてもよい。鋼板の温度が変化すると、取得する画像データの色調が変化するため、カラー画像の色調を補正することにより、一つの画像データから複数の温度域に対応した画像加工データを得られ、学習用データの収集が容易になる。

〔蛇行量推定モデル生成装置〕
図３に戻る。蛇行量推定モデル生成装置２０は、データ取得装置１０が取得し、必要に応じてスクリーニング処理が施された鋼板の画像データと、その画像データに対応する鋼板の蛇行量の測定データとを取得し、鋼板の画像データに対して画像加工処理を実行した後、画像加工データを鋼板の蛇行量の測定データと共にデータベース部２２に蓄積する。画像加工処理では、１枚の画像データから複数の画像加工データが生成されるが、それらに対して同一の鋼板の蛇行量の測定データが対応付けられてデータベース部２２に蓄積される。データベース部２２に蓄積されるデータセットの例を図６に示す。具体的には、図６に示す例では、画像データに対して４種類の画像加工処理１～４を施すことにより生成された画像加工データと、同一の鋼板の蛇行量の測定データ（蛇行量Ａｍｍ）とが対応付けられてデータベース部２２に蓄積される。なお、データベース部２２に蓄積するデータには、鋼板の画像データとその画像データに対応付けられた鋼板の蛇行量の測定データが含まれてもよい。画像加工処理が実行された画像加工データと対応する鋼板の蛇行量の測定データがデータベース部２２に含まれていれば、高精度な蛇行量推定モデルＭを生成できるからである。

図３に戻る。蛇行量推定モデル生成装置２０は、データベース部２２に蓄積された学習用データを用いて、機械学習部２３において鋼板の蛇行量を推定する鋼板の蛇行量推定モデルＭを生成する。蛇行量推定モデル生成装置２０は、圧延設備による鋼板の圧延工程を統括する制御用計算機の内部にあってもよく、制御用計算機とは別個のハードウエアにより構成してもよい。また、後述する蛇行量推定装置３０に配置してもよい。データベース部２２に蓄積するデータセットの数は、１００個以上、好ましくは５００個以上である。また、板幅等の鋼板の属性情報の区分毎にデータセットを蓄積し、それらの区分に応じて蛇行量推定モデルＭを生成してもよい。データベース部２２に蓄積されるデータについては、必要に応じてスクリーニング処理が行われる場合があり、鋼板の画像加工データとして欠損があるような画像加工データは取り除かれてよい。また、カメラ４による画像データの取得時にレンズの汚れ等により正常な画像データが取得できない場合もあり、そのような画像データに基づく画像加工データについて、カメラ４が不調であった期間のデータが取り除かれてもよい。一方、データベース部２２に蓄積されるデータセットは、一定のデータセット数を上限として、その上限内でデータベース部２２に蓄積されるデータセットを適宜更新してもよい。

〔機械学習部〕
機械学習部２３は、データベース部２２に蓄積されたデータセットを用いて、画像加工データを入力実績データ、鋼板の蛇行量の測定データを出力実績データとした、複数の学習用データを用いた機械学習によって、鋼板の画像データから蛇行量を推定する鋼板の蛇行量推定モデルＭを生成する。蛇行量推定モデルＭを生成するための機械学習モデルは、実用上十分な蛇行量の推定精度が得られれば、いずれの機械学習モデルでもよい。例えば、一般的に用いられるニューラルネットワーク（深層学習や畳み込みニューラルネットワークなどを含む）、決定木学習、ランダムフォレスト、サポートベクター回帰等を用いればよい。また、複数のモデルを組み合わせたアンサンブルモデルを用いてもよい。また、ｋ―近傍法やロジスティック回帰のような分類モデルを用いることもできる。

本実施形態では、機械学習の手法として、畳み込みニューラルネットワーク（ＣＮＮ）の手法を用いることが好ましい。畳み込みニューラルネットワークとは、畳み込み層とプーリング層を含むニューラルネットワークであり、画像を判別する機能に優れる。ここで、図７を参照して本実施形態の畳み込みニューラルネットワークについて説明する。図７に示すように、鋼板の画像加工データがカラーである場合、入力画像である画像加工データは、ＲＧＢの３チャンネルに対応して、チャンネル毎に輝度値を例えば０～２５５の数値情報に変換できる。すなわち、カラーの画像加工データにより取得した画像情報は、画像の縦方向ピクセル数×横方向ピクセル数×チャンネル毎の輝度値から構成される３次元配列情報となる。このような入力情報に対して、畳み込み層ではカーネルと呼ばれるフィルターを用いてフィルタリング処理を施して、第１特徴マップを得る。畳み込みとは、入力データにフィルターを適用して特徴マップと呼ばれる出力を生成する演算処理をいう。

フィルタリング処理に用いるフィルターは、例えば図８に示すような縦方向３ピクセル×横方向３ピクセルのフィルターであり、フィルター内の９つのピクセル位置に重み係数ωｉｊ（ｉはフィルター内の行番号、ｊはフィルター内の列番号を指す）が割り当てられている。フィルタリング処理では、フィルターをかける入力画像の各ピクセル位置での輝度値と重み係数との積を求め、これらの総和を求める。算出されたフィルター内での総和に対しては、バイアスを設け、活性化関数による出力値を算出し、この値を第１特徴マップのピクセル位置における出力値に割り当てる。そして、図９に示すように、フィルターの位置を移動させながら、各位置での出力値（特徴量）を求めることにより、１つの入力画像に対応した第１特徴マップが生成される。このとき、フィルターの位置を移動させる際の移動量をストランドと呼び、設定するストライドの数によって第１特徴マップのサイズが変化することになる。なお、入力画像の周辺を０で埋める（パディング）ことによって、元画像の端部の情報不足を防ぐことができる。第１特徴マップを生成するためのフィルターは複数用いることができ、複数のフィルターを組み合わせて判別した方が識別性能が向上する。従って、１つの入力画像に対して、使用するフィルターの数に対応する複数の第１特徴マップが生成される。

畳み込みニューラルネットワークでは、この畳み込み層によって、蛇行量の推定対象である鋼板が入力画像内のどの位置にあっても、その特徴を検知することができる。また、カメラ４により取得される画像データの中に鋼板を撮像した画像と共に圧延機の圧延スタンド間で固定された位置にある構造物が含まれる場合には、画像加工データ内の鋼板と固定構造物との相対的な位置関係を反映した画像の特徴量が抽出される。これにより、カメラ４により取得される複数の画像データが異なる位置から撮影された画像であっても鋼板の蛇行量を推定できる。

図７に戻る。次に、畳み込み層で生成した第１特徴マップの情報はプーリング層で集約され、第２特徴マップが生成される。プーリング層は第１特徴マップの情報を圧縮する役割を有する。図１０はＭａｘプーリングの例を示したものである。Ｍａｘプーリングとは、プーリング層の入力となる第１特徴マップを一定の領域で区切って（図１０に示す例では２行×２列）、その中の最大値を抽出して新たな特徴マップとして出力する処理である。但し、プーリング層に用いるフィルターは、最大値を抽出するものでなく、平均値を抽出するものであってもよい。このようなプーリング層により、入力画像の特徴を維持しながら情報量を削減し、次元圧縮された第２特徴マップを生成することができる。プーリング層によれば、入力画像の局所的な輝度値の変化があっても、換言すれば、入力画像内に圧延スタンド間における霧状水滴やヒュームによる外乱が含まれていても、情報を圧縮する機能により鋼板の蛇行量（位置）に関する特徴量を検知できる。プーリング層に用いるフィルターの大きさとしては複数のものを適用することが可能であり、フィルターの種類に対応した第２特徴マップが生成される。

図７に戻る。本実施形態の畳み込みニューラルネットワークでは、上記プーリング層の下流側に全結合層と出力層が接続される。全結合層は、第２特徴マップの値を一列に配置して、プーリング層からの出力をまとめるために配置される。全結合層の構造は、通常のニューラルネットワークの中間層と同様である。一方、出力層は鋼板の蛇行量を出力とするものである。例えば、ソフトマックス関数により入力画像に含まれる鋼板の画像加工データが対応する蛇行量の測定データに合致する確率を計算し、もっとも確率の高い蛇行量の情報を出力してもよい。また、全結合層を入力とするサポートベクトルマシンを用いた分類器により区分された蛇行量の情報を出力してもよい。

以上のような畳み込みニューラルネットワークの手法を用いる場合、畳み込み層とプーリング層の数や組合せは任意に選択してよい。また、ネットワーク構造として、一般に用いられるLeNet、AlexNet、VGG（Visual Geometry Group）等を用いてもよい。さらに、より複雑なネットワーク構造として、GoogleNet、MobileNet、EfficientNet等を用いてもよい。なお、入力画像に対してそのまま畳み込み処理を施してもよいが、入力画像をグレースケールやＲ値のみ等の１チャンネルの情報に変換した後、そのような入力画像に対して畳み込み処理を施してもよい。

機械学習部２３は、データベース部２２に蓄積されたデータセットを訓練データとテストデータに分けて学習を行うことにより蛇行量の推定精度を向上させてもよい。例えば訓練データを用いてニューラルネットワークの重み係数の学習を行い、テストデータでの蛇行量の正解率が高くなるようにニューラルネットワークの構造（畳み込み層やプーリング層の数、フィルターサイズ等）を適宜変更しながら蛇行量推定モデルＭを得てもよい。重み係数の更新には、誤差伝播法を用いることができる。なお、蛇行量推定モデルＭは、例えば１ヶ月毎又は１年毎に再学習により新たなモデルに更新してもよい。データベース部２２に保存されるデータが増えるほど、精度の高い蛇行量推定が可能となるからであり、最新のデータに基づいて蛇行量推定モデルＭを更新することにより、経時的な操業条件の変化を反映した蛇行量推定モデルＭを生成できる。

〔鋼板の蛇行量推定方法〕
図１１に、圧延設備に蛇行量推定装置を含み、鋼板の蛇行量を制御するシステムを構成した例を示す。鋼板Ｓの画像データを取得するカメラ４は、蛇行量推定モデルＭを生成する際に使用したカメラと同一のものを用いても、異なるものを用いてもよい。学習用データの元となった画像データと、必ずしも同一の視野で鋼板Ｓを撮像した画像でなくても、蛇行量推定モデルＭにより画像データ内での鋼板Ｓの位置情報を含む特徴量が抽出されるからである。また、カメラ４により取得される画像データに、学習用データの元となった画像データに含まれる固定構造物が同一の位置に設置された状態であれば、画像加工データ内の鋼板Ｓと固定構造物との相対的な位置関係が特徴量として抽出され、鋼板Ｓの蛇行量を精度よく推定できるからである。但し、鋼板Ｓの画像データを取得するカメラ４としては、蛇行量推定モデルＭを生成する際に使用したカメラと同じ解像度のものを用いるのが好ましい。また、圧延機のパスラインからのカメラ４の高さや鋼板Ｓに対向するカメラ４の角度も同一であることがより好ましい。蛇行量推定モデルＭによる推定誤差が低減するからである。

図１１に示す圧延機２，３は、学習用データの元となった画像データを取得する際の圧延機と同一でなくてもよい。すなわち、熱延ラインの仕上圧延機において、霧状水滴やヒュームによる外乱影響が少ない後段の圧延スタンド間で学習用データを取得し、蛇行量推定モデル生成装置２０が生成した蛇行量推定モデルＭを前段又は中段の圧延スタンド間に適用して、前段又は中段の圧延スタンド間で取得した鋼板の画像データを入力として、鋼板の蛇行量を推定してもよい。本実施形態の蛇行量推定モデルは、学習用データとして、鋼板の画像データに対してぼかし処理や色調補正処理等の画像加工処理を実行した画像加工データを用いているので、圧延スタンド間で霧状水滴やヒュームによる外乱影響がある場合や鋼板温度が異なり鋼板の色調が変化する場合にも、精度よく鋼板の蛇行量を推定できる。また、機械学習により生成した蛇行量推定モデルＭは、カメラ４により撮像された画像データを入力すれば、複雑な画像処理やそれに伴う演算処理を行うことなく鋼板の蛇行量の推定値を出力できるので、鋼板が高速で搬送される条件であっても鋼板の蛇行量を推定することができる。

従って、本実施形態の蛇行量推定モデルＭは、図１１に示すように、圧延工程のオンラインの蛇行量推定装置３０に配置し、例えば５～１００ｍｓｅｃ程度の圧延機の制御周期毎に鋼板の蛇行量を出力できる。推定した蛇行量に応じて圧延機２又は圧延機３のレベリング量を操作することにより、圧延中の鋼板Ｓの蛇行量を効果的に低減できる。また、鋼板Ｓの蛇行量が低減することにより、鋼板の幅方向端部に絞り込み等による欠陥がない鋼板を製造できる。具体的には、熱延仕上圧延機のＦ１，Ｆ２圧延スタンド間で鋼板の蛇行量を上記方法で測定する場合、蛇行量推定モデルＭにより推定した蛇行量に応じて、Ｆ１圧延スタンドのレベリング量を操作することができる。レベリングは、鋼板の幅方向中心位置から鋼板の蛇行方向のロール隙間を狭めるように操作し、例えば蛇行量１０ｍｍにつきレベリング量０．０５ｍｍ程度の操作を行い、推定される蛇行量が十分小さくなるまでレベリング操作を継続する。

以下、仕上圧延機７基を有する熱延ラインに本発明を適用した実施例について説明する。本実施例では、まず蛇行量推定モデルを生成した。仕上圧延機の第２圧延スタンドであるＦ２圧延スタンド及び第３圧延スタンドであるＦ３圧延スタンドとの間に学習用データを生成するために２次元モノクロ画像を撮像可能なカメラを配置した。カメラは、図１に示すカメラ４のように、圧延機の上方から下流側の圧延スタンド方向に搬送される鋼板を撮影するように設置した。カメラによって撮像された画像データは、データ取得装置１０に送られ鋼板の画像データとして蓄積される。一方、鋼板の蛇行量の測定データは、鋼板の画像データの輝度分布から鋼板の幅方向端部の輪郭を検出し、予め同定されている画像の縮尺及び圧延スタンド間の固定構造物との相対的な位置関係から鋼板の蛇行量の測定データを算出した。なお、鋼板の蛇行量の測定データを取得した元画像としては、蒸気やヒューム等の外乱が少ないものを選択し、画像データの輝度分布から鋼板の幅方向端部の輪郭が明瞭に識別される画像データのみを用いた。以上のようにして、鋼板の画像データと対応する鋼板の蛇行量の測定データとのデータセットを用いて、蛇行量推定モデル生成装置２０にて機械学習による蛇行量推定モデルＭを生成した。蛇行量推定モデル生成装置２０の画像加工処理部２１では、１枚の画像データに対してぼかし処理として平均化フィルター及びガウシアンフィルターを適用した画像加工処理と、同一の画像データに対して色調補正処理として明るさ補正処理及びコントラスト補正処理とをそれぞれ単独で実行して画像加工データを生成した。

表１に本実施例で適用した画像加工処理の条件を示す。発明例１は、１枚の画像データに対して、ぼかし処理として４条件の平均化フィルター処理を実行した４枚の画像加工データを取得すると共に、ガウシアンフィルター処理（Ｎ＝１００に対して標準偏差σを２水準）を実行した２枚の画像加工データを取得した。さらに、明るさ補正処理として補正値βを変更した２枚の画像加工データと、コントラスト補正処理として補正値αを変更した２枚の画像加工データを取得した。以上により発明例１では１枚の画像データから１０枚の画像加工データを取得し、それらに対して同一の蛇行量測定データを対応付けてデータベース部２２に保存した。なお、同一の画像データについて画像加工処理を施さない画像データと蛇行量の測定データもデータベース部２２に含めた。一方、発明例２では、発明例１と色調補正処理の条件は同一で、ぼかし処理による画像加工処理を実行しなかった。また、発明例３では、発明例１とぼかし処理の条件は同一で、色調補正処理による画像加工処理を実行しなかった。また、発明例４は、発明例１と画像加工処理の条件が異なる例である。

このような条件で生成した画像加工データと対応付けられた鋼板の蛇行量の測定データのデータセットは、それぞれの発明例に対応するデータベース部２２に蓄積され、それぞれのデータベース部２２に蓄積された学習用データを用いて鋼板の蛇行量推定モデルＭを生成した。データベース部２２には、鋼板として、仕上げ板厚１．２～４．０ｍｍ、板幅６００～１８００ｍｍの範囲の炭素鋼を対象として実績データを蓄積した。その際、鋼板の長手方向を３つに区分して、先端部、中央部、及び尾端部のそれぞれの位置で鋼板の画像データ及び鋼板の蛇行量の測定データを収集した。データベース部２２に蓄積した鋼板の数が５０，０００枚となった時点で、蛇行量推定モデル生成装置２０において蛇行量推定モデルＭを生成した。使用した機械学習手法は畳み込みニューラルネットワークであり、畳み込み層２層及びプーリング層２層からなるネットワーク構造を用いて入力画像データに対して蛇行量を出力する蛇行量推定モデルＭを生成した。

一方、本発明の比較例として、データベース部２２には鋼板の画像データに対して画像加工処理を実行しなかった実績データを蓄積した。すなわち、鋼板の画像データとそれに対応付けられた鋼板の蛇行量の測定データのみをデータベース部２２に蓄積して、上記発明例と同一の鋼板枚数について実績データが取得されたタイミングで、機械学習による蛇行量推定モデルＭを生成した。すなわち、本比較例は、鋼板の画像データに対して画像加工処理を実行しなかったデータのみから生成された機械学習モデルを用いたものである。

以上のようにしてＦ２，Ｆ３圧延スタンド間に設置したカメラにより撮像した鋼板の画像データに基づいて生成した蛇行量推定モデルＭを、同一の仕上圧延機の別の圧延スタンド間であるＦ６，Ｆ７圧延スタンド間の蛇行量の推定手段に適用した。Ｆ６，Ｆ７圧延スタンド間には、鋼板の画像データを取得するためのカメラを圧延機の上方に配置して、カメラにより取得される画像情報を入力として、生成した蛇行量推定モデルＭにより鋼板の蛇行量を出力する蛇行量推定装置３０を設けた。Ｆ６，Ｆ７圧延スタンド間に設置したカメラは、画像の縦方向画素が１２００ピクセル、横方向画素が２０００ピクセル（Ｐｘ）のモノクロカメラである。一方、Ｆ６，Ｆ７圧延スタンド間には、試験的に外部下部光源を用いた蛇行センサーを設置すると共に、鋼板のエッジ位置の検出感度を上げるために、検出器を通常の１／５程度の距離まで鋼板に近接させて設置した。これにより、圧延スタンド間で霧状水滴やヒュームが存在しても、比較的外乱による測定誤差が生じない条件で鋼板の蛇行量を測定した。なお、通常の操業では、このように鋼板の幅方向端部を検出するセンサーを近接化させると、圧延中の鋼板のばたつきにより検出器の破損が多発するため、あくまで試験的に設置したものである。

一方、本発明に対する従来例としては、Ｆ６，Ｆ７圧延スタンド間に設置したカメラで撮像した画像データを用いて、特許文献１に記載の方法のように、ラインスキャニングを実行することにより鋼板の幅方向端部の位置を特定し、その結果に基づいて蛇行量に換算する方法についても精度検証を行った。鋼板の蛇行量の推定精度の評価は、試験的に下部光源を用いた蛇行量測定手法による測定値を正しい値として、その値と上記推定手段による推定値との誤差に関する標準偏差により行った。評価結果を図１２に示す。図１２に示すように、いずれの発明例も、従来例である輝度分布のラインスキャニングによるエッジ検出よりも、蛇行量の推定精度が大幅に向上することが確認された。また、機械学習手法として畳み込みニューラルネットワークを適用して、画像データに対する画像加工処理を実行していない比較例は、画像データに対して画像加工処理を実行した本発明例に比べて、蛇行量の推定精度が劣ることが確認された。なお、Ｆ６，Ｆ７圧延スタンド間はＦ２，Ｆ３圧延スタンドよりも鋼板の温度が低くなるため、色調補正処理を実行した場合の発明例で蛇行量の推定精度が高い傾向にあることも確認された。

以上、本発明者らによってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。

２，３ 圧延機
４ カメラ
５ 蛇行量測定装置
１０ データ取得装置
１１ スクリーニング処理部
２０ 蛇行量推定モデル生成装置
２２ データベース部
２３ 機械学習部
３０ 蛇行量推定装置
Ｍ 蛇行量推定モデル
Ｓ 鋼板

Claims (6)

1. 鋼板の蛇行量を推定する鋼板の蛇行量推定モデルの生成方法であって、
   前記鋼板の画像データと、前記画像データに対応する鋼板の蛇行量の測定データとを取得するデータ取得ステップと、
   前記データ取得ステップで取得した画像データに対して画像加工処理を施すことにより生成した、圧延スタンド間において外乱の影響が生じた状態を模擬した画像加工データを入力実績データ、前記画像データに対応する鋼板の蛇行量の測定データを出力実績データとした、複数の学習用データを用いた機械学習によって、鋼板の蛇行量推定モデルを生成するステップと、
   を含む、鋼板の蛇行量推定モデルの生成方法。
2. 前記画像データに対して施す画像加工処理には、ぼかし処理及び色調補正処理のうち少なくとも一方が含まれる、請求項１に記載の鋼板の蛇行量推定モデルの生成方法。
3. 前記機械学習の手法として、畳み込みニューラルネットワークの手法を用いる、請求項１又は２に記載の鋼板の蛇行量推定モデルの生成方法。
4. 請求項１～３のうち、いずれか１項に記載の鋼板の蛇行量推定モデルの生成方法によって生成された鋼板の蛇行量推定モデルに対して鋼板の画像データを入力することにより鋼板の蛇行量を推定するステップを含む、鋼板の蛇行量推定方法。
5. 請求項４に記載の鋼板の蛇行量推定方法を用いて前記鋼板の圧延工程における鋼板の蛇行量を制御するステップを含む、鋼板の蛇行制御方法。
6. 請求項５に記載の鋼板の蛇行制御方法を用いて鋼板を製造するステップを含む、鋼板の製造方法。

Images