JPH02298840A - 神経回路網による鋼板表面疵検査方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、反射光波形による、神経回路網を用いた鋼板
の表面疵検査方法に関する。

〔従来の技術〕

鋼板の表面疵の検査には、反射光による方法が広く用い
られている。レーザ光を鋼板表面に投射し、反射光を光
電変換し、その変換出力（電圧波形）またはその微分出
力を闇値と比較し、闇値以上なら疵とする、は代表的な
方法である。

闇値以外のものを用いる方法としては特開昭６２−２７
８４０３がある。これは鋼板表面にレーザ光を投射し、
反射光を光電変換し、その平均電圧から表面粗度を求め
る。粗度が高いと反射光は散乱光となり、光電変換出力
は下るから、予め粗度と光電変換出力との関係を求めて
おくと、この関係より、光電変換出力で粗度を知ること
ができる。

また特開昭６２−２３５５１１は被検査体にレーザ光を
投射し、表面状態が異常な所（表面欠陥や凹凸のある所
）では反射光の入射点が正常時よりΔＸだけずれるのを
利用して、該表面状態を検出する。

〔発明が解決しようとする課題〕

従来の鋼板表面疵の検査では、反射光の光電変換出力を
闇値で判別して疵あり／なしとするのが一般的であり、
この方法では絶対的な反射光強度による疵判定であるか
ら、鋼種間の反射程度の差異や地合の影響が考慮されな
い。閾値は、これを低く設定すると班ではないが反射か
や＼異常な部分を疵と誤検出しく過検出）、またこれを
高く設定すると疵であるのにこれを疵として検出しない
ケース（見逃し）が増加する。従って闇値は適切な値に
設定する必要があるが、鋼種や地合などによって変わる
から、適切な値の選定、調整が困難で、この方式では判
定精度に難がある。また、検出すべき疵種類が変化した
場合、それに遠心できないという問題がある。

本発明はか−る点を改善し、反射光の光電変換出力から
、班を包括する狭い範囲Ａおよび該範囲Ａを包括する広
い範囲Ｂの変換出力から特徴量を求め、これより、特に
神経回路網を用いて、疵判定して、閾値の選択に悩まさ
れることなく、過検出や見逃しを回避することができる
疵検査方法を提供することを目的とするものである。

〔課題を解決するための手段〕

本発明では鋼板表面をレーザ光で走査し、その反射光を
光電変換し、更にＡ／Ｄ変換し、鋼板の疵部分に相当す
る小範囲Ａとその複数個を包含する大範囲（鋼板幅また
はその複数分の１の範囲）における該変換出力から、反
射光波形を代表する複数個の特徴量を算出する。

この複数個の特徴量を、入力層のノード数は該複数個と
同数、出力ノード層は疵有り／無しに対応させて１つと
し、そして予め学習させた神経回路網に加え、該回路網
より疵有／無出力を生じさせる。

特徴量としては２次平均、３次平均、微分レンジなどが
あるが、次式で表わされる正規化２次平均マπと正規化
微分レンジＸ□、が適当である。

Ｘ　ｚｓ　””　Ｘ　ｚ／　Ｘ　ｔｌｌｘｓＸ　ＤＩｌ
！　−Ｘ　ｎｉｐ／　６　ｘｎ＊〔作用〕 この鋼板表面疵検査では、小／大範囲Ａ、Ｂにおける変
換出力からの特徴量算出、得られた特徴量の神経回路網
への印加で疵有／無出力が得られ、従来法のように闇値
をどこに設定するかの問題はない。また誤検出と過検出
を共に僅小にすることが可能で、従来法のように闇値を
高く設定すれば誤検出が多発し、闇値を低く設定すれば
過検出が多発するという問題に悩まされることがない。

〔実施例〕

本発明の実施例を第１図に示す。１０は検査対象である
鋼板、１１はレーザ発振器、１２はレーザ光、１３はそ
のレシーバである０例えば鋼板１０が矢印方向Ｆ＋で示
す鋼板長手方向に移動し、レーザ光が矢印Ｆｔで示す鋼
板幅方向に往復移動することにより、鋼板１０の全表面
が走査される。

レシーバ１３は光ファイバとその両端の受光素子（フォ
トマル）からなり、鋼板に投射されたレーザ光の反射光
が光ファイバに入射し、その先電変操出力を両端の受光
素子が出力する。この型のレシーバは反射光の入射位置
従って鋼板上の走査位置情報も与える。

レシーバ１３の出力は微分回路２１で微分されたのち、
Ａ／Ｄ変換器２２でＡ／Ｄ変換される。

第２図（ａ）はレシーバ出力を示し、［有］）はその微
分出力である。Ｂは鋼板の板幅を示し、レシーバ出力は
板端で立上り／立下り、また底位置で凹陥部を作る。Ａ
／Ｄ変換器２２は（ハ）の微分波形を極めて短い周期（
２０〜Ｌ　ＯＯｎｓ）でサンブリソゲして（Ｃ）の如き
アナログ量を得、これを本例では８ビツトのデジタル値
に変換する。

このようにして採取したデータから特徴量を計算する。

特徴量としては２次平均と微分レンジを用い、これを、
疵を包括する小範囲Ａと、該小範囲Ａを包括する広範囲
已につき算出する。第２図（ａ）では範囲Ｂは全板幅と
するが、これば板幅の１／２．１／３などでもよい。１
／２．１／３・・・・・・にする場合は第１図の装置を
２組、３組・・・・・・設けて、鋼板表面を２分割、３
分割、・・・・・・して検査（並行同時検査）するとよ
い。範囲Ａは、予想される大きさの疵を十分包含する微
小範囲（例えば５Ｗ幅）とし、範囲Ｂには複数個の範囲
Ａが含まれる。範囲Ａ、　Ｂの２次平均７２．マｔｍＪ
１１は次式％式％ こ−でｙｉは位置ＸｉにおけるＡ／Ｄ変換値、ｘ、、Ｘ
ａは範囲Ｂの始、終端のｉ値、ｉ、、　ｉ、＋ａは範囲
Ａの始、終端のｉ値、Ｅ、、Ｅ、は範囲Ａ、Ｂ内のｙの
個数の逆数である。範囲Ａ、　Ｂの微分レンジＸＤＲ＋
　　ｘ、、□□は、Ｘ　ｌ１ｌ＝　Ａ　Ｂ　Ｓ　（ａ＋
ａｘ　ｙ　−ＩＩＩｉｎ　ｙ　）　　　−・・・（３）
ｉ　、＜　ｙ　＜ｉｏ＋ａ Ｘｅｍｍｊｎ＝ＡＢ　Ｓ　（ｓａｘｙ　　ｗｉｎ）ｌ　
）　　−−（４）ｘ、＜ｙ＜ｘ。

で表わされる。範囲Ｂの微分レンジを計算し、過去のデ
ータから標準偏差σｘＤｌｌを次式により計算し、新た
に微分レンジを得る毎にこれを更新する。

σＸＤＩＩ＝（Σ　（Ｘ　Ｄｌｌａｌｊｉ−マｏ＊ｍｎ
ｎ）”／ｎ）””σｘＤっの計算方法としては、他の特
徴量の計算と同期して毎回計算を行なう他、サンプルデ
ータから得られた値を用いて計算しオンラインユースで
は定数とする等がある。次は正規化を行なう。

次の（５）式、（６）式に示すように、（１）式を（２
）式で割って２次平均の正規化値ｘｚｓとし、範囲Ａの
微分レンジを範囲Ｂの標準偏差σＸ□で割って範囲Ａの
微分レンジの正規化値Ｘ　Ｄｌｌｌとする。

７つ、＝マｔ／　Ｘ　１ｍ１ｍ　　　　　　　　・・・
・・・（５）Ｘ　Ｄｍ！””　Ｘ　Ｄｊｌ／　６　ＩＩ
）Ｉｔ　　　　　　　　”””（６）この正規化した特
徴量マＺＳ＋　　ｘｏｍｓを用いて疵判定を行なう。微
分レンジＸ□と２次平均７２を第２図（ｄ）に示すよう
に縦軸、横軸にとって疵有りＯ１疵無し×の領域を求め
ると図示の如くなり、両者は分れるがその境界は非直線
である。第２図（ｅ）に示すように４５°線で分離すれ
ば回帰分析可能であるが、第２図（ロ）では回帰分析は
困難である。

そこでニューラルネットワークを用い、これにより疵有
／無を出力させる。

第２図（ｆ）に示すようにこのニューラルネットワーク
は入力層、中間層、および出力層の３層構造で、ノード
数は入力層が２、中間層が３、出力層が１であり、これ
にバイアス層（学習促進用）が１つ加わる。各ノードの
人、出力の関係はシグモイド関数ａ　（１＋　ｅ−”）
−’であり、バイアス層の出力はｌ、学習規則は一般化
デルタルールである。

疵ありｌ、疵なし０で、１０００回程度学習させる。

最終出力層の出力が０．５以上で疵あり、それ以下で疵
なしとする。

正規化特徴量の算出には適所にメモリを置く必要がある
。メモリ設置位置は第５図に示すように、Ａ／Ｄ変換器
２２の出側と微分レンジ計算部２４゜２６の出側などで
ある。範囲Ｂは１ライン分（１／２．１／４ライン分な
どもよいが、こ＼では１ライン分とする）、範囲Ａはそ
の１ラインの微小部分であるから、メモリＭ１に複数ラ
イン分の格納容量をもたせ、計算部２３．２４でその１
ラインについてＸ。１□、σ。、を計算したら計算部２
．５．２６で当該ラインの各範囲Ａにつきマｌ　　ｘｏ
ｔを計算し、正規化処理部２７で前記（５）　（６）式
により、正規化した２次平均瓦、微分レンジＸ　ＤＩＩ
Ｓを計算し、ニューラルネットワーク３０へ入力する、
のが一つの方法である。

メモリＭ２を用いて、１ラインの各範囲Ａについての計
算結果をＭ２に蓄え、当該ラインについての即ち範囲Ｂ
についての計算結果が出たとき処理部２７で正規化処理
する、は第２の方法であり、メモリＭ、を用いて範囲Ｂ
についての計算結果を該メモリＭ、ｌに格納し、次のラ
インの各範囲Ａの計算結果とメモリＭ、の内容（１ライ
ン前の範囲Ｂについての計算結果）を用いて正規化処理
する、は第３の方法である。

上記の第３の方法は、メモリ容量が少なくて済み、１ラ
イン前も今回ラインも２次平均などにそれ程差はないか
ら、有効な方法である。

第３図、第４図に誤検出率等を示す。第３図は従来法で
、横軸は闇値（２，４，・・・・・・は０．２　Ｖ　。

０．４Ｖ、・・・・・・に相当）、縦軸は率％である。

図示のように閾値を低くすると過検出（疵でないのに疵
とする）率は上り、閾値を高くすると誤検出（見逃し）
率が上り、正答率は適切な闇値で最高になるが、この最
高正答率になる闇値は鋼板の表面性状等により種々変化
する。

第４図は本発明にューラルネット法）と従来法（微分ス
レッシュレベル法）とを対比して示すグラフである。横
軸は誤検出率、縦軸は過検出率であり、図示のように従
来法では一方が良くなれば他方は悪くなる。これに対し
て本発明法ではグループＧ、Ｇ２に示すように両方共、
低くすることができる。なおＧｔはＧ＋　より、ニュー
ラルネットを更によく学習させた場合である。

特徴量としては正規化２次平均７２．と正規化微分レン
ジＸ　ＤＩＳを採用する他、３次平均マ。＝Ｅ・Σｙ３
．なども含めて適当に組合わせたものを特徴量とするこ
とも考えられる。次にこの組合せ実験の結果を示す。

表１　（各種ケース） 註：σは学習データの標準偏差（＝σｘＤＲ）表２（学
習データ） 表３（未学習データ） 表４（結果） この表からケース阻１０などがよい結果を示しており、
３次平均を用いるものは、複雑な計算を要するにも拘わ
らず結果がよくない。

本発明では疵信号（範囲Ａの信号）だけでなく、その周
囲の信号（範囲Ｂの信号）も用いて疵有／無判定を行な
う。これが、闇値を不要にしている。

微分レンジは高さく強度）情報を与え、２次平均は疵形
状情報を与える。これらで、周囲と相違がある部分が存
在するか、否か、の識別を行なわせている。

本発明では強度が変動した微分波形を、変動を受けてい
ない波形と併せて学習させる事により、入力される微分
波形が強度的に変動を受けても（すなわち、Ｓ／Ｎが悪
化しても）検出率への影響が小さいシステムが得られる
。微分信号の大きさは、ラインでの設置条件、機器の劣
化や対象とする被検定物の種類によっても変化すること
は十分に考えられる。従来の微分スレッシュ法では、こ
れらの変化に柔軟に対応することは原理上不可能であり
、検出精度が悪化し、設置後、調整（すなわち、微分ス
レッシレベルの値）の手直し等が生じる危険が大きい。

現在学習に使用しているデータに関し、微分強度を±２
０％変動させたデータを併せて学習させた。ついで、未
学習データについても、±２０％の変動を与え、微分法
と新しく得られたニューラルネットについて、検出率、
過検出率の評価をしたところ、微分法が大きな変動を示
すのに対し、ニューラルネット法では変動がきわめて少
ないことが確認された。次表にこの結果等を示す。

表５　３／Ｎ±２０％変動の影響（％）表６　過検出率
と検出率の比較（％） また前記表２２表３に対する最新データを表７に示す。

表７ 註：疵学習計８、疵未学習計１２７、無疵学習計７、無
疵未学習計１４３〔発明の効果〕 以上説明したように本発明によれば、閾値設定に煩わさ
れることなく、誤検出と過検出を共に最低に抑えること
ができる鋼板表面疵検査を行なうことができる。

【図面の簡単な説明】

第１図は本発明の鋼板表面疵検査法の説明図、第２図は
疵検査の各部の説明図、 第３図および第４図は検査結果例を示すグラフ、第５図
はメモリ設置位置の各側を示すブロック図である。 第１図で２１は微分回路、２２はＡ／Ｄ変換器である。 出　願　人　新日本製鐵株式会社 代理人弁理士　　青　　柳　　　　　　稔第１図 Ｘ　ＤＲ”　ＯＲ 第２図 第３図

Claims (1)

1. 【特許請求の範囲】 １、鋼板表面をレーザ光で走査し、その反射光を光電変
   換し、更にＡ／Ｄ変換し、鋼板の小範囲（Ａ）とその複
   数個を包含する大範囲（Ｂ）における該変換出力から、
   反射光波形を代表する複数個の特徴量を算出し、該特徴
   量を、予め学習させた神経回路網に加えて疵有／無出力
   を生じさせることを特徴とする神経回路網による鋼板表
   面疵検査方法。 ２、特徴量は、次式で表わされる正規化２次平均＠ｘ＠
   ＿２＿３と正規化微分レンジｘ＿Ｄ＿Ｒ＿３であること
   を特徴とする請求項１記載の神経回路網による鋼板表面
   疵検査方法。 ＠ｘ＠＿２＿３＝＠ｘ＠＿２／＠ｘ＿２＿ａ＿ｌ＿ｌ＠
   ｘ＿Ｄ＿Ｒ＿３＝Ｘ＿Ｄ＿Ｒ／σ＿Ｘ＿Ｄ＿Ｒこゝで＠
   ｘ＠＿２は小範囲ＡのＡ／Ｄ変換出力の２次平均、＠Ｘ
   ＿２＿ａ＿ｌ＿ｌ＠は大範囲ＢのＡ／Ｄ変換出力の２次
   平均、ｘ＿Ｄ＿Ｒは小範囲Ａの微分レンジ、σ＿Ｘ＿Ｄ
   ＿Ｒは大範囲Ｂの微分レンジの標準偏差。 ３、鋼板表面を走査するレーザ光を発生するレーザ発振
   器と、 鋼板表面で反射したレーザ光を受光するレシーバと、 該レシーバの出力を微分し、その微分出力をＡ／Ｄ変換
   する回路と、 該Ａ／Ｄ変換出力より、各小範囲（Ａ）について２次平
   均と微分レンジを計算する手段と、該Ａ／Ｄ変換出力よ
   り、前記小範囲の複数個を包含する大範囲（Ｂ）につい
   て２次平均、微分レンジ、および標準偏差を計算する手
   段と、 これらの２次平均より正規化２次平均を、また小範囲（
   Ａ）の微分レンジと大範囲（Ｂ）の標準偏差から正規化
   微分レンジを算出する正規化処理手段と、 該正規化２次平均および微分レンジを加えられて疵有／
   無出力を生じる神経回路網とを備えることを特徴とする
   、神経回路網による鋼板表面疵検査装置。