JPH03144350A - 神経回路網による鋼板表面疵検査方法 - Google Patents
神経回路網による鋼板表面疵検査方法Info
- Publication number
- JPH03144350A JPH03144350A JP28436189A JP28436189A JPH03144350A JP H03144350 A JPH03144350 A JP H03144350A JP 28436189 A JP28436189 A JP 28436189A JP 28436189 A JP28436189 A JP 28436189A JP H03144350 A JPH03144350 A JP H03144350A
- Authority
- JP
- Japan
- Prior art keywords
- range
- output
- differential
- steel plate
- small
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 28
- 239000010959 steel Substances 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 23
- 230000001537 neural effect Effects 0.000 title 1
- 238000006243 chemical reaction Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000007689 inspection Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 14
- 238000004364 calculation method Methods 0.000 description 12
- 238000007796 conventional method Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 239000013307 optical fiber Substances 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000002436 steel type Substances 0.000 description 2
- 208000020322 Gaucher disease type I Diseases 0.000 description 1
- 238000005119 centrifugation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
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。
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。
の表面疵検査方法に関する。
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。
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、予め粗度と充電変換出力との関係を求めて
おくと、この関係より、充電変換出力で粗度を知ること
ができる。
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、予め粗度と充電変換出力との関係を求めて
おくと、この関係より、充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。
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。
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。闇値は、これを低く設定すると疵ではないが反射か
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。
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。闇値は、これを低く設定すると疵ではないが反射か
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、反射光の充電変換出力から
、疵を包括する2つの狭い範囲A、 A’および該範囲
A、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。
、疵を包括する2つの狭い範囲A、 A’および該範囲
A、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。
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および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。
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および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i1に量を、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。
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−1m′と正
規化微分レンジχ、85.χ′。、。
あるが、次式で表わされる正規化2次平均−1m′と正
規化微分レンジχ、85.χ′。、。
が適当である。
X 冨3=)を冨/ X を龜11
X !!’ = X’z/ X zBlBX tlll
J= X OR/σxlll X DllS= X
till/σxDl〔作用〕 この鋼板表面疵検査では、2つの小範囲A、A’および
大範囲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。
J= X OR/σxlll X DllS= X
till/σxDl〔作用〕 この鋼板表面疵検査では、2つの小範囲A、A’および
大範囲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
来法のように閾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。
来法のように閾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。
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。例えば鋼板lO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F2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。
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。例えば鋼板lO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F2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、その光電変換出力を両端の受光
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。
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、その光電変換出力を両端の受光
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。
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、(b)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(b)の微分波形を極めて短い周期(2
0〜100nS)でサンプリングして(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。
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(b)の微分波形を極めて短い周期(2
0〜100nS)でサンプリングして(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と隣り合う同じ大きさ
の小範囲A″と、該小範囲AおよびA′を包括する広範
囲Bにつき算出する。
包括する小範囲Aと、該小範囲Aと隣り合う同じ大きさ
の小範囲A″と、該小範囲AおよびA′を包括する広範
囲Bにつき算出する。
第2図(a)では範囲Bは全板幅とするが、これは板幅
の1/2.l/3などでもよい。l/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、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5■幅)とし、範囲Bには複数個の範囲Aが含まれる
。範囲A、A’ は隣り合うものであるが、該範囲A、
A’のとり方は図2(d)■の如(前回の範囲A′の
1つ前の範囲を次回の範囲A′、前回の範囲A′を次回
の範囲Aとする方法と、図2(d)■の如く前回の範囲
A′の2つの前を次回の範囲A′、前回の範囲A′の1
つ前を次回の範囲Aとする方法がある。範囲A、A’
、Bの2次平均マt+XR+マ、、1は次式で表わされ
る。
の1/2.l/3などでもよい。l/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、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5■幅)とし、範囲Bには複数個の範囲Aが含まれる
。範囲A、A’ は隣り合うものであるが、該範囲A、
A’のとり方は図2(d)■の如(前回の範囲A′の
1つ前の範囲を次回の範囲A′、前回の範囲A′を次回
の範囲Aとする方法と、図2(d)■の如く前回の範囲
A′の2つの前を次回の範囲A′、前回の範囲A′の1
つ前を次回の範囲Aとする方法がある。範囲A、A’
、Bの2次平均マt+XR+マ、、1は次式で表わされ
る。
こ\でYrは位置X!におけるA/D変換値、x、、x
、は範囲Bの始、終端のi値、i6. i6十aは範囲
Aの始、終端のi値、E+、Exは範囲A、B内のyの
個数の逆数である。範囲A、A’Bの微分レンジX D
II+ X’olt+ xDlajjは〜xo==A
Bs (ssxyi+ atnFi+)
・”・”(4)i、< i、< i、+a x6.=ABS (111111)’!l’ 5ia
)’i+’) ・・・・−・(5)L+a< i+’<
L+2 a XDII+alA=ABS (saw)’i! 5i
ayiり・・・・・・(6)x、<i!<x。
、は範囲Bの始、終端のi値、i6. i6十aは範囲
Aの始、終端のi値、E+、Exは範囲A、B内のyの
個数の逆数である。範囲A、A’Bの微分レンジX D
II+ X’olt+ xDlajjは〜xo==A
Bs (ssxyi+ atnFi+)
・”・”(4)i、< i、< i、+a x6.=ABS (111111)’!l’ 5ia
)’i+’) ・・・・−・(5)L+a< i+’<
L+2 a XDII+alA=ABS (saw)’i! 5i
ayiり・・・・・・(6)x、<i!<x。
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σ1+01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。
差σ1+01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。
σk11ml=(Σ (X D1mJj!−マIlla
jm)”/n)””σ。、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。
jm)”/n)””σ。、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(7)式、(8)式、(9)式、00式に示すよう
に、(1)式(2)式をそれぞれ(3)式で割って範囲
A、A’の2次平均の正規化値マ!Sr x’zsとし
、範囲A、範囲A′の2次平均の正規化値マ、8、こゝ
でxよ、としく4)式、(5)式で示される範囲A、範
囲A′の微分レンジを範囲Bの標準偏差σX111で割
って範囲A、範囲A′の微分レンジの正規化値XDlf
f 、x’o*sとする。
に、(1)式(2)式をそれぞれ(3)式で割って範囲
A、A’の2次平均の正規化値マ!Sr x’zsとし
、範囲A、範囲A′の2次平均の正規化値マ、8、こゝ
でxよ、としく4)式、(5)式で示される範囲A、範
囲A′の微分レンジを範囲Bの標準偏差σX111で割
って範囲A、範囲A′の微分レンジの正規化値XDlf
f 、x’o*sとする。
マzs=72/72,11 ・・・・・
・(7)x’zs ” x’z/ x zm*a
・・・・・・(8)X els = X D
I/ (11101−−(9)X Dml = X O
R/ 6 If!1m ”’ ”’GD
Iこの正規化した特徴量マ!!+ X’2Sr X
l1ls +X□、を用いて疵判定を行なう、微分レン
ジX1l(X’o*)と2次平均マz(x’z)を第2
図(e)に示すように縦軸、横軸にとって疵有りO1疵
無し×の頷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(f)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(
e)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、この回帰分析を可能とし、疵有りO1
疵無し×の各領域に分類する。しかし各領域の境界は明
確ではないため、境界付近では正確に分離できない。こ
れに対し、近隣の2つの小範囲A、A’の相関をも考慮
に入れることにより、疵なし部の地合と疵有り部との差
異を強調することによってより正確な疵有/p!#の出
力を得る。
・(7)x’zs ” x’z/ x zm*a
・・・・・・(8)X els = X D
I/ (11101−−(9)X Dml = X O
R/ 6 If!1m ”’ ”’GD
Iこの正規化した特徴量マ!!+ X’2Sr X
l1ls +X□、を用いて疵判定を行なう、微分レン
ジX1l(X’o*)と2次平均マz(x’z)を第2
図(e)に示すように縦軸、横軸にとって疵有りO1疵
無し×の頷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(f)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(
e)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、この回帰分析を可能とし、疵有りO1
疵無し×の各領域に分類する。しかし各領域の境界は明
確ではないため、境界付近では正確に分離できない。こ
れに対し、近隣の2つの小範囲A、A’の相関をも考慮
に入れることにより、疵なし部の地合と疵有り部との差
異を強調することによってより正確な疵有/p!#の出
力を得る。
このニューラルネットワークは第2図(局に示すように
2段構成となっている。すなわち、小範囲Aの特徴音に
対応した入力層、中間層、出力層を持った3N構造をな
す小ネットワークlと、これと同じ構成で小範囲A゛に
対応した小ネットワーク■の2つからなる1段目と、こ
れらの出力層を合わせたものを入力層とし、中間層、出
力層を持った2段目を持つものである。ここで小ネット
ワークIおよび■のノード数はともに、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つ加わる構成である。一方、2段目のネッ
トワークは、例えば第2図(g)■に示ずように中間層
が1つのもの、あるいは例えば第2図(g)■に示すよ
うに中間層が複数個のものがある。各ノードの人、出力
の関係はシグモイド関数a (1+6−1)−1であり
、バイアス層の出力は11学習規則は一般化デルタルー
ルである。疵あり1、疵なしOで、1000回程度学習
させる。最終出力層の出力がある値、たとえば0.5以
上で疵あり、それ以下で疵なしとする。
2段構成となっている。すなわち、小範囲Aの特徴音に
対応した入力層、中間層、出力層を持った3N構造をな
す小ネットワークlと、これと同じ構成で小範囲A゛に
対応した小ネットワーク■の2つからなる1段目と、こ
れらの出力層を合わせたものを入力層とし、中間層、出
力層を持った2段目を持つものである。ここで小ネット
ワークIおよび■のノード数はともに、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つ加わる構成である。一方、2段目のネッ
トワークは、例えば第2図(g)■に示ずように中間層
が1つのもの、あるいは例えば第2図(g)■に示すよ
うに中間層が複数個のものがある。各ノードの人、出力
の関係はシグモイド関数a (1+6−1)−1であり
、バイアス層の出力は11学習規則は一般化デルタルー
ルである。疵あり1、疵なしOで、1000回程度学習
させる。最終出力層の出力がある値、たとえば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1547分(l/2.l/4ライン分な
どもよいが、こ\ではlライン分とする)、範囲Aおよ
び範囲A′はそのlラインの微小部分であるから、メモ
リM+に複数ライン分の格納容量をもたせ、計算部23
,24でそのlラインについてX。、1、σxt11を
計算したら計算部25.26で当該ラインの各範囲Aに
つきxz、XDIを、各範囲A′につきX’!+ X’
DIを計算し、正規化処理部27で前記(7)(8)(
9)OI弐により、正規化した2次平均Xχ!y x
!!’+微分レンジXし*s 、 Xoas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1547分(l/2.l/4ライン分な
どもよいが、こ\ではlライン分とする)、範囲Aおよ
び範囲A′はそのlラインの微小部分であるから、メモ
リM+に複数ライン分の格納容量をもたせ、計算部23
,24でそのlラインについてX。、1、σxt11を
計算したら計算部25.26で当該ラインの各範囲Aに
つきxz、XDIを、各範囲A′につきX’!+ X’
DIを計算し、正規化処理部27で前記(7)(8)(
9)OI弐により、正規化した2次平均Xχ!y x
!!’+微分レンジXし*s 、 Xoas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、lラインの各範囲Aおよび各範囲
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、に
格納し、次のラインの各範囲Aおよび各範囲A′の計算
結果とメモリM3の内容(l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。
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、に
格納し、次のラインの各範囲Aおよび各範囲A′の計算
結果とメモリM3の内容(l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、l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。また図2(d)■の方法を取る
場合は各範囲A′の正規化処理後の結果をM4に格納し
ておけば次回計算における各範囲Aについての計算を省
くことができ、高速な処理が可能となる。
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。また図2(d)■の方法を取る
場合は各範囲A′の正規化処理後の結果をM4に格納し
ておけば次回計算における各範囲Aについての計算を省
くことができ、高速な処理が可能となる。
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0.2V。
、横軸は闇値(2,4,・・・・・・は0.2V。
0.4V、・・・・・・に相当)、縦軸は率%である0
図示のように闇値を低くすると過検出(ME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。
図示のように闇値を低くすると過検出(ME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(相互参照型ニューラルネット法)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 t 、G z
に示すように両方共、低くすることができる。なおG2
はG1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。
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 t 、G z
に示すように両方共、低くすることができる。なおG2
はG1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。
特徴音としては正規化2次平均72.と正規化微分レン
ジx olsを採用する他、3次平均73=E・Σy−
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。
ジx olsを採用する他、3次平均73=E・Σy−
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。
本発明では隣り合う2つの範囲において疵信号(範囲A
あるいは範囲A′の信号)と、その周囲の信号(範囲B
の信号)を用いて疵有/無判定を行なう。これが闇値の
不要な過積率、6検率の優れた疵有/無判定を可能とし
ている。微分レンジは高さ(強度)情報を与え、2次平
均は疵形状情報を与える。1段目のネットワークにおい
てこれらを用いて周囲と相違があるかどうかを識別し、
さらに、隣り合う部分を比較することによって全体的に
分布する相違点に対してもごく近くの相違点を識別する
ことが可能となっている。
あるいは範囲A′の信号)と、その周囲の信号(範囲B
の信号)を用いて疵有/無判定を行なう。これが闇値の
不要な過積率、6検率の優れた疵有/無判定を可能とし
ている。微分レンジは高さ(強度)情報を与え、2次平
均は疵形状情報を与える。1段目のネットワークにおい
てこれらを用いて周囲と相違があるかどうかを識別し、
さらに、隣り合う部分を比較することによって全体的に
分布する相違点に対してもごく近くの相違点を識別する
ことが可能となっている。
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。
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。
以上説明したように本発明によれば、闇値設定に煩わさ
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。
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。
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。 第1図 第2図 fgl■ tg+■ 第3図
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。 第1図 第2図 fgl■ tg+■ 第3図
Claims (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2つの小範囲(A)(
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、2つの小範囲A、A′に対応して次式で
表わされる正規化2次平均@x@_2_S、@x@′_
2_Sと正規化微分レンジx_D_R_S、x′_D_
R_S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_S=@x@_2/@x_2_a_l_l
@ ・@x@′_2_S=@x@′_2/@x_2_a
_l_l@・x_D_R_S=x_D_R/σ_x_D
_R ・x′_D_R_S=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、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)および(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)および(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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP28436189A JPH0695076B2 (ja) | 1989-10-31 | 1989-10-31 | 神経回路網による鋼板表面疵検査方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP28436189A JPH0695076B2 (ja) | 1989-10-31 | 1989-10-31 | 神経回路網による鋼板表面疵検査方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH03144350A true JPH03144350A (ja) | 1991-06-19 |
JPH0695076B2 JPH0695076B2 (ja) | 1994-11-24 |
Family
ID=17677596
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP28436189A Expired - Lifetime JPH0695076B2 (ja) | 1989-10-31 | 1989-10-31 | 神経回路網による鋼板表面疵検査方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0695076B2 (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06308049A (ja) * | 1993-04-23 | 1994-11-04 | Nippon Steel Corp | 表面疵判別装置 |
-
1989
- 1989-10-31 JP JP28436189A patent/JPH0695076B2/ja not_active Expired - Lifetime
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06308049A (ja) * | 1993-04-23 | 1994-11-04 | Nippon Steel Corp | 表面疵判別装置 |
Also Published As
Publication number | Publication date |
---|---|
JPH0695076B2 (ja) | 1994-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20030123726A1 (en) | Scene change detection apparatus | |
JPH05209821A (ja) | 粒子判定装置 | |
JPS58113807A (ja) | 距離測定装置 | |
US6680671B2 (en) | Fire detection device | |
JPH0556462B2 (ja) | ||
CN111638226B (zh) | 检测方法、图像处理器以及检测系统 | |
JPH08189904A (ja) | 表面欠陥検出装置 | |
JP3728965B2 (ja) | 表面検査装置 | |
JPH03144350A (ja) | 神経回路網による鋼板表面疵検査方法 | |
JP3265826B2 (ja) | 画像判定装置および画像判定方法 | |
JPH09297062A (ja) | 材料、特にプラスチック材料の種類の識別方法 | |
JP2890801B2 (ja) | 表面傷検査装置 | |
RU2171469C1 (ru) | Способ неразрушающего контроля качества объекта и устройство для его осуществления | |
JPH0687046B2 (ja) | 神経回路網による鋼板表面疵検査方法 | |
Volodarsky et al. | Methods for determining the recalibration intervals of measuring equipment during their operation | |
US6455832B1 (en) | Defect discriminating method and device for solid-state detector | |
JP2842241B2 (ja) | 膜厚測定方法 | |
KR20220115820A (ko) | 변조된 웨이퍼의 감도를 튜닝하고 변조된 웨이퍼에 대한 프로세스 윈도우를 결정하는 시스템, 방법 및 비일시적 컴퓨터 판독 가능 매체 | |
JPH04238207A (ja) | 欠陥検査装置 | |
JPS6199846A (ja) | ストリツプ側端部の欠陥検出方法 | |
JPH06331447A (ja) | 放射温度計の精度評価方法および装置 | |
JPH01253641A (ja) | 筋状欠陥弁別処理回路 | |
JPH01313744A (ja) | 金属帯表面疵検査装置 | |
JPH01262447A (ja) | 周期性欠陥弁別処理回路 | |
JPH045941B2 (ja) |