JPH05272925A - バイト端縁検出装置 - Google Patents
バイト端縁検出装置Info
- Publication number
- JPH05272925A JPH05272925A JP4100520A JP10052092A JPH05272925A JP H05272925 A JPH05272925 A JP H05272925A JP 4100520 A JP4100520 A JP 4100520A JP 10052092 A JP10052092 A JP 10052092A JP H05272925 A JPH05272925 A JP H05272925A
- Authority
- JP
- Japan
- Prior art keywords
- edge
- reference plate
- slit
- cutting tool
- neural network
- 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.)
- Pending
Links
Landscapes
- Length Measuring Devices By Optical Means (AREA)
Abstract
(57)【要約】
【目的】 バイトの位置を精度良く検出すること。
【構成】 基準プレート１４は刃物台１１と所定の位置
関係で固定されており、バイト１２の端縁１２ａと基準
プレート１４の端縁１４ａ間には微小幅のスリットが形
成されている。このスリットにレーザ光源２１からレー
ザ光２２が照射され光センサ２４にてその回折した明暗
パターンの所定位置における光強度が測定される。予め
設定されたスリット幅を教師データとし、そのときの光
強度の測定データを入力データとしてニューラルネット
ワークの結合係数が学習される。このニューラルネット
ワークへの新たな入力データの入力に対する出力に基づ
き基準プレートの端縁位置に対するバイトの端縁位置が
算出される。このため、基準プレートの端縁の加工精度
が多少悪くても、同じ基準プレートを使用する限り検出
精度が良く、測定するスリット幅の範囲が広いバイト端
縁検出装置となる。
関係で固定されており、バイト１２の端縁１２ａと基準
プレート１４の端縁１４ａ間には微小幅のスリットが形
成されている。このスリットにレーザ光源２１からレー
ザ光２２が照射され光センサ２４にてその回折した明暗
パターンの所定位置における光強度が測定される。予め
設定されたスリット幅を教師データとし、そのときの光
強度の測定データを入力データとしてニューラルネット
ワークの結合係数が学習される。このニューラルネット
ワークへの新たな入力データの入力に対する出力に基づ
き基準プレートの端縁位置に対するバイトの端縁位置が
算出される。このため、基準プレートの端縁の加工精度
が多少悪くても、同じ基準プレートを使用する限り検出
精度が良く、測定するスリット幅の範囲が広いバイト端
縁検出装置となる。
Description
【０００１】
【産業上の利用分野】本発明は、旋盤用切削工具である
バイトの先端位置となるバイト端縁を精度良く検出する
ための装置に関する。
バイトの先端位置となるバイト端縁を精度良く検出する
ための装置に関する。
【０００２】
【従来技術】従来、バイトの切削に関与する先端位置で
あるバイト端縁位置や形状を検出する手法は、PRECISIO
N ENG. (Butter worth Co. Ltd.),1989,Oct,vol11,No4,
231頁に開示されている。上記手法では、先ず、バイト
先端部を顕微鏡で拡大した状態でＣＣＤカメラなどで撮
像する。そして、撮像された入力データを画像処理する
ことにより顕微鏡又は撮像装置に対するバイトの端縁形
状からその位置を検出するのである。
あるバイト端縁位置や形状を検出する手法は、PRECISIO
N ENG. (Butter worth Co. Ltd.),1989,Oct,vol11,No4,
231頁に開示されている。上記手法では、先ず、バイト
先端部を顕微鏡で拡大した状態でＣＣＤカメラなどで撮
像する。そして、撮像された入力データを画像処理する
ことにより顕微鏡又は撮像装置に対するバイトの端縁形
状からその位置を検出するのである。
【０００３】
【発明が解決しようとする課題】上記手法にて例えば、
２mm×２mmの範囲を1024×1024画素のＣＣＤカメラで撮
像すると１画素がほぼ２μm ×２μm 相当となる。一般
に画像処理して輪郭線位置などを抽出処理すると、輪郭
線位置の位置精度が１画素の分解能よりも１桁程度低下
してしまう。このため、この場合にはミクロン単位でバ
イト端縁位置や形状を検出することが困難である。又、
この構成で検出精度を向上させるには更に高倍率の顕微
鏡や特別な照明なども必要となることから加工現場に適
用することは極めて困難であるという問題があった。
２mm×２mmの範囲を1024×1024画素のＣＣＤカメラで撮
像すると１画素がほぼ２μm ×２μm 相当となる。一般
に画像処理して輪郭線位置などを抽出処理すると、輪郭
線位置の位置精度が１画素の分解能よりも１桁程度低下
してしまう。このため、この場合にはミクロン単位でバ
イト端縁位置や形状を検出することが困難である。又、
この構成で検出精度を向上させるには更に高倍率の顕微
鏡や特別な照明なども必要となることから加工現場に適
用することは極めて困難であるという問題があった。
【０００４】本発明は、上記の課題を解決するために成
されたものであり、その目的とするところは、バイト端
縁形状に基づきその位置を精度良く検出することができ
る装置を提供することである。
されたものであり、その目的とするところは、バイト端
縁形状に基づきその位置を精度良く検出することができ
る装置を提供することである。
【０００５】
【課題を解決するための手段】上記課題を解決するため
の発明の構成は、刃物台に固定されたバイトのバイト端
縁形状にほぼ対応する形状の端縁を有し、前記バイト端
縁との間でスリットを形成する基準プレートと、前記ス
リットにレーザ光を照射するレーザ光源と、前記レーザ
光が前記スリットで回折されて生じる明暗パターンの所
定位置における光強度を検出する光強度検出手段と、前
記光強度検出手段により検出された光強度に基づく測定
データを入力データとしそのときのスリット幅もしくは
前記バイトの端縁位置を教師データとし、多数の前記入
力データの入力に対して、対応する教師データが出力さ
れるように結合係数を逐次補正して所定の入出力特性を
学習させるニューラルネットワークと、前記所定の入出
力特性を有するニューラルネットワークへの新たな入力
データを入力することにより前記基準プレートの端縁位
置に対する前記バイトの端縁位置を求める位置演算手段
とを備えたことを特徴する。
の発明の構成は、刃物台に固定されたバイトのバイト端
縁形状にほぼ対応する形状の端縁を有し、前記バイト端
縁との間でスリットを形成する基準プレートと、前記ス
リットにレーザ光を照射するレーザ光源と、前記レーザ
光が前記スリットで回折されて生じる明暗パターンの所
定位置における光強度を検出する光強度検出手段と、前
記光強度検出手段により検出された光強度に基づく測定
データを入力データとしそのときのスリット幅もしくは
前記バイトの端縁位置を教師データとし、多数の前記入
力データの入力に対して、対応する教師データが出力さ
れるように結合係数を逐次補正して所定の入出力特性を
学習させるニューラルネットワークと、前記所定の入出
力特性を有するニューラルネットワークへの新たな入力
データを入力することにより前記基準プレートの端縁位
置に対する前記バイトの端縁位置を求める位置演算手段
とを備えたことを特徴する。
【０００６】
【作用】バイト端縁と基準プレートとの間のスリットに
レーザ光が照射され回折されて生じる明暗パターンの所
定位置における光強度が検出される。実際の測定に先立
ち、ニューラルネットワークにおける結合係数が上記検
出された光強度に基づく測定データを入力データとしそ
のときのスリット幅を教師データとして逐次補正され、
所定の入出力特性となるように学習される。そして、上
記入出力特性を有するニューラルネットワークに測定し
たい新たな入力データを入力することによりスリット幅
に関する出力が得られ、基準プレート位置に対するバイ
ト端縁の位置が算出される。
レーザ光が照射され回折されて生じる明暗パターンの所
定位置における光強度が検出される。実際の測定に先立
ち、ニューラルネットワークにおける結合係数が上記検
出された光強度に基づく測定データを入力データとしそ
のときのスリット幅を教師データとして逐次補正され、
所定の入出力特性となるように学習される。そして、上
記入出力特性を有するニューラルネットワークに測定し
たい新たな入力データを入力することによりスリット幅
に関する出力が得られ、基準プレート位置に対するバイ
ト端縁の位置が算出される。
【０００７】
【実施例】以下、本発明を具体的な実施例に基づいて説
明する。図１は本発明に係るバイト端縁検出装置を示し
た全体構成図である。又、図２はバイトと基準プレート
との間のスリット部分を示した部分拡大図である。バイ
ト端縁検出装置１０において、刃物台１１にはバイト１
２が位置決め固定されている。基準プレート１４はバイ
ト１２の先端刃先から成る端縁１２ａにほぼ対応する端
縁１４ａを有している。又、基準プレート１４は刃物台
１１と所定の位置関係で固定されており、バイト１２の
端縁１２ａと基準プレート１４の端縁１４ａ間には微小
幅のスリットＳが形成されている。レーザ光源２１はス
リットＳにレーザ光２２を照射する位置に固定されてい
る。又、その反対側には光強度検出手段を達成するＣＣ
Ｄなどの光センサ２４が固定されている。
明する。図１は本発明に係るバイト端縁検出装置を示し
た全体構成図である。又、図２はバイトと基準プレート
との間のスリット部分を示した部分拡大図である。バイ
ト端縁検出装置１０において、刃物台１１にはバイト１
２が位置決め固定されている。基準プレート１４はバイ
ト１２の先端刃先から成る端縁１２ａにほぼ対応する端
縁１４ａを有している。又、基準プレート１４は刃物台
１１と所定の位置関係で固定されており、バイト１２の
端縁１２ａと基準プレート１４の端縁１４ａ間には微小
幅のスリットＳが形成されている。レーザ光源２１はス
リットＳにレーザ光２２を照射する位置に固定されてい
る。又、その反対側には光強度検出手段を達成するＣＣ
Ｄなどの光センサ２４が固定されている。
【０００８】光センサ２４からのデータはインタフェー
ス３１を介してコンピュータ４０に入力される。コンピ
ュータ４０は主として、ＣＰＵ４１、ＲＯＭ４２、ＲＡ
Ｍ４３から構成されている。ＲＯＭ４２には新たな入力
データに対する教師データ（スリット幅）を算出する制
御プログラムの記憶された制御プログラム領域４２１と
ニューラルネットワークの演算プログラムの記憶された
ニューラルネットワーク領域４２２とニューラルネット
ワークを学習させるためのプログラムの記憶された学習
プログラム領域４２３とが形成されている。又、ＲＡＭ
４３には蓄積される入力データ及び教師データをそれぞ
れ記憶する入力データ記憶領域４３１及び教師データ記
憶領域４３２、ニューラルネットワークの結合係数を記
憶する結合係数記憶領域４３３とが形成されている。
又、コンピュータ４０にはインタフェース３１を介し
て、教師データの指示や各種の指令を与えるためのキー
ボード３３と各種データを表示するＣＲＴ表示装置３４
とが接続されている。更に、コンピュータ４０はインタ
フェース３１及びコントローラ３６を介して刃物台１１
に接続されている。
ス３１を介してコンピュータ４０に入力される。コンピ
ュータ４０は主として、ＣＰＵ４１、ＲＯＭ４２、ＲＡ
Ｍ４３から構成されている。ＲＯＭ４２には新たな入力
データに対する教師データ（スリット幅）を算出する制
御プログラムの記憶された制御プログラム領域４２１と
ニューラルネットワークの演算プログラムの記憶された
ニューラルネットワーク領域４２２とニューラルネット
ワークを学習させるためのプログラムの記憶された学習
プログラム領域４２３とが形成されている。又、ＲＡＭ
４３には蓄積される入力データ及び教師データをそれぞ
れ記憶する入力データ記憶領域４３１及び教師データ記
憶領域４３２、ニューラルネットワークの結合係数を記
憶する結合係数記憶領域４３３とが形成されている。
又、コンピュータ４０にはインタフェース３１を介し
て、教師データの指示や各種の指令を与えるためのキー
ボード３３と各種データを表示するＣＲＴ表示装置３４
とが接続されている。更に、コンピュータ４０はインタ
フェース３１及びコントローラ３６を介して刃物台１１
に接続されている。
【０００９】レーザ光源２１から照射されたレーザ光２
２は基準プレート１４の端縁１４ａとバイト１２の端縁
１２ａとで形成される所定の幅のスリットＳにより回折
され、光センサ２４面において光強度の差から成る明暗
パターンが生成される。 図３に示したように、例え
ば、光センサ２４のＸ方向における所定位置ｘと光強度
Ｉとの関係が得られる。即ち、Ｘ方向の所定位置ｘ1,ｘ
2,ｘ3,… ,ｘn における各光強度Ｉ11，Ｉ12，Ｉ13，
…，Ｉ1nが測定データ（ニューラルネットワークにおけ
る入力データ）とされる。又、このときのスリットＳの
スリット幅ｔ1 がニューラルネットワークにおける教師
データとされる。そして、図６に示したように、Ｘ方向
において同様に、スリット幅をｔ1〜ｔjと替えて測定Ｎ
o.１〜ｊまでの光強度に基づく測定データを得る。
２は基準プレート１４の端縁１４ａとバイト１２の端縁
１２ａとで形成される所定の幅のスリットＳにより回折
され、光センサ２４面において光強度の差から成る明暗
パターンが生成される。 図３に示したように、例え
ば、光センサ２４のＸ方向における所定位置ｘと光強度
Ｉとの関係が得られる。即ち、Ｘ方向の所定位置ｘ1,ｘ
2,ｘ3,… ,ｘn における各光強度Ｉ11，Ｉ12，Ｉ13，
…，Ｉ1nが測定データ（ニューラルネットワークにおけ
る入力データ）とされる。又、このときのスリットＳの
スリット幅ｔ1 がニューラルネットワークにおける教師
データとされる。そして、図６に示したように、Ｘ方向
において同様に、スリット幅をｔ1〜ｔjと替えて測定Ｎ
o.１〜ｊまでの光強度に基づく測定データを得る。
【００１０】本実施例のニューラルネットワークは、図
７に示したように、入力層ＬI と出力層ＬO と中間層Ｌ
M の３層構造にて構成されている。入力層ＬI はｎ個の
入力素子を有し、中間層ＬM はｋ個の出力素子を有し、
出力層ＬO は１個の出力素子を有している。そして、入
力層ＬI の入力素子と中間層ＬM との出力素子間は結合
係数ｗa11-X,ｗa12-X,…，ｗank-X 、中間層ＬM の出力
素子と出力層ＬO との出力素子間は結合係数ｗb1-X，
…，ｗbk-Xにてそれぞれ結合されている。
７に示したように、入力層ＬI と出力層ＬO と中間層Ｌ
M の３層構造にて構成されている。入力層ＬI はｎ個の
入力素子を有し、中間層ＬM はｋ個の出力素子を有し、
出力層ＬO は１個の出力素子を有している。そして、入
力層ＬI の入力素子と中間層ＬM との出力素子間は結合
係数ｗa11-X,ｗa12-X,…，ｗank-X 、中間層ＬM の出力
素子と出力層ＬO との出力素子間は結合係数ｗb1-X，
…，ｗbk-Xにてそれぞれ結合されている。
【００１１】次に、同実施例装置で使用されているＣＰ
Ｕ４１の処理手順を示した図４の学習プログラムのフロ
ーチャートに基づき図７のニューラルネットワークの学
習について述べる。先ず、ステップ１００で上述の結合
係数が初期化される。次にステップ１０２に移行して、
ＲＡＭ４３の入力データ記憶領域４３１に記憶されたＮ
o.ｘの入力データを読み込む。次にステップ１０４に移
行して、ニューラルネットワークが実行される。このニ
ューラルネットワークの実行では、先ず、ステップ１０
２で読み込まれたＮo.１の入力データであるＩ11，
Ｉ12，Ｉ13，…，Ｉ1nが入力層ＬI の入力素子ｉ1,ｉ2,
ｉ3,…，ｉn にそれぞれ入力される。次に、入力層ＬI
の入力素子ｉ1,ｉ2,ｉ3,…，ｉn への入力データＩ11，
Ｉ12，Ｉ13，…，Ｉ1nとこのときの結合係数ｗa11-X,ｗ
a12-X,…，ｗank-X との積和演算により中間層ＬM の出
力素子ｍ1,ｍ2,…，ｍk の出力値が算出される。そし
て、中間層ＬM の出力素子ｍ1,ｍ2,…，ｍk の出力値と
このときの結合係数ｗb1-X，…，ｗbk-Xとの積和演算に
より出力層ＬO の出力素子ｏ1 の出力値が算出される。
次にステップ１０６に移行して、ＲＡＭ４３の教師デー
タ記憶領域４３２に記憶されたＮo.１の教師データｔ1
が読み込まれる。次にステップ１０８に移行して、ステ
ップ１０４における出力値とステップ１０６における教
師データｔ1 との誤差Ｅ1 が算出される。そして、ステ
ップ１１０に移行し、Ｎo.ｊの入力データまでの演算が
終了したか否かが判定される。Ｎo.ｊの入力データまで
の演算が終了していなければ、ステップ１１２に移行
し、ｘ＝ｘ＋１として上述のステップ１０２〜１１０を
繰り返す。そして、Ｎo.ｊの入力データまでの演算が終
了すると、ステップ１１４に移行し、Ｎo.１〜Ｎo.ｊま
での算出された全ての誤差Ｅ1〜Ｅjが設定範囲Ｌimit以
内であるか否かが判定される。ここで、誤差Ｅx の一つ
でも設定範囲Ｌimitを越えていると、ステップ１１６に
移行し、結合係数が変化される。この結合係数の学習に
よる変化は良く知られたバックプロパゲーション法によ
り実行される。そして、ステップ１１８でｘ＝１とし、
ステップ１０２に戻ってＮo.１の入力データから上述と
同様の処理が繰り返される。このようにして、ステップ
１１４でＥx≦Ｌimit となり、全ての誤差Ｅ1〜Ｅjが設
定範囲Ｌimit以内となると、ステップ１２０に移行し、
そのときの入力層ＬI と中間層ＬM との入力素子間の結
合係数ｗa11-X,ｗa12-X,…，ｗank-X 、中間層ＬM と出
力層ＬO との入力素子間の結合係数ｗb1-X，…，ｗbk-X
をＲＡＭ４３の結合係数記憶領域４３３に記憶し、本プ
ログラムを終了する。
Ｕ４１の処理手順を示した図４の学習プログラムのフロ
ーチャートに基づき図７のニューラルネットワークの学
習について述べる。先ず、ステップ１００で上述の結合
係数が初期化される。次にステップ１０２に移行して、
ＲＡＭ４３の入力データ記憶領域４３１に記憶されたＮ
o.ｘの入力データを読み込む。次にステップ１０４に移
行して、ニューラルネットワークが実行される。このニ
ューラルネットワークの実行では、先ず、ステップ１０
２で読み込まれたＮo.１の入力データであるＩ11，
Ｉ12，Ｉ13，…，Ｉ1nが入力層ＬI の入力素子ｉ1,ｉ2,
ｉ3,…，ｉn にそれぞれ入力される。次に、入力層ＬI
の入力素子ｉ1,ｉ2,ｉ3,…，ｉn への入力データＩ11，
Ｉ12，Ｉ13，…，Ｉ1nとこのときの結合係数ｗa11-X,ｗ
a12-X,…，ｗank-X との積和演算により中間層ＬM の出
力素子ｍ1,ｍ2,…，ｍk の出力値が算出される。そし
て、中間層ＬM の出力素子ｍ1,ｍ2,…，ｍk の出力値と
このときの結合係数ｗb1-X，…，ｗbk-Xとの積和演算に
より出力層ＬO の出力素子ｏ1 の出力値が算出される。
次にステップ１０６に移行して、ＲＡＭ４３の教師デー
タ記憶領域４３２に記憶されたＮo.１の教師データｔ1
が読み込まれる。次にステップ１０８に移行して、ステ
ップ１０４における出力値とステップ１０６における教
師データｔ1 との誤差Ｅ1 が算出される。そして、ステ
ップ１１０に移行し、Ｎo.ｊの入力データまでの演算が
終了したか否かが判定される。Ｎo.ｊの入力データまで
の演算が終了していなければ、ステップ１１２に移行
し、ｘ＝ｘ＋１として上述のステップ１０２〜１１０を
繰り返す。そして、Ｎo.ｊの入力データまでの演算が終
了すると、ステップ１１４に移行し、Ｎo.１〜Ｎo.ｊま
での算出された全ての誤差Ｅ1〜Ｅjが設定範囲Ｌimit以
内であるか否かが判定される。ここで、誤差Ｅx の一つ
でも設定範囲Ｌimitを越えていると、ステップ１１６に
移行し、結合係数が変化される。この結合係数の学習に
よる変化は良く知られたバックプロパゲーション法によ
り実行される。そして、ステップ１１８でｘ＝１とし、
ステップ１０２に戻ってＮo.１の入力データから上述と
同様の処理が繰り返される。このようにして、ステップ
１１４でＥx≦Ｌimit となり、全ての誤差Ｅ1〜Ｅjが設
定範囲Ｌimit以内となると、ステップ１２０に移行し、
そのときの入力層ＬI と中間層ＬM との入力素子間の結
合係数ｗa11-X,ｗa12-X,…，ｗank-X 、中間層ＬM と出
力層ＬO との入力素子間の結合係数ｗb1-X，…，ｗbk-X
をＲＡＭ４３の結合係数記憶領域４３３に記憶し、本プ
ログラムを終了する。
【００１２】上述のようにして、図２に示したバイト１
２の端縁１２ａと基準プレート１４の端縁１４ａとの領
域Ａにおけるスリット幅を替えて得られた測定データか
らＸ方向における結合係数が決定され記憶される。同様
にして、図２に示したバイト１２の端縁１２ａと基準プ
レート１４の端縁１４ａとの領域Ｂ，Ｃにおけるスリッ
ト幅を替えて得られた測定データからＹ，Ｚ方向におけ
るそれぞれの結合係数が決定され記憶される。
２の端縁１２ａと基準プレート１４の端縁１４ａとの領
域Ａにおけるスリット幅を替えて得られた測定データか
らＸ方向における結合係数が決定され記憶される。同様
にして、図２に示したバイト１２の端縁１２ａと基準プ
レート１４の端縁１４ａとの領域Ｂ，Ｃにおけるスリッ
ト幅を替えて得られた測定データからＹ，Ｚ方向におけ
るそれぞれの結合係数が決定され記憶される。
【００１３】上述の学習プログラムが終了した後、同実
施例装置で使用されているＣＰＵ４１の処理手順を示し
た図５のフローチャートに基づいて実際の切削時におけ
るバイト１２の端縁位置が算出される。先ず、ステップ
２００で、ＲＡＭ４３の結合係数記憶領域４３３から上
述の学習プログラムにて決定されたＸ，Ｙ，Ｚ方向にお
けるそれぞれの結合係数が読み込まれる。次にステップ
２０２に移行して、上述の学習時と同様に光センサ２４
からのＸ，Ｙ，Ｚ方向におけるそれぞれの測定データが
読み込まれる。次にステップ２０４に移行して、図２の
領域Ａ，Ｂ，ＣにおけるＸ，Ｙ，Ｚ方向毎にニューラル
ネットワークによるスリット幅の演算が実行される。即
ち、各方向に対応した結合係数を代入したニューラルネ
ットワークに対して各方向に対応した測定データを入力
データとされ、ニューラルネットワークの出力層ＬO か
らＸ，Ｙ，Ｚ方向における各スリット幅が算出されるの
である。次にステップ２０６に移行して、ステップ２０
４で算出された各スリット幅に基づき基準プレート１４
の端縁位置に対するバイト１２の端縁位置が算出され
る。
施例装置で使用されているＣＰＵ４１の処理手順を示し
た図５のフローチャートに基づいて実際の切削時におけ
るバイト１２の端縁位置が算出される。先ず、ステップ
２００で、ＲＡＭ４３の結合係数記憶領域４３３から上
述の学習プログラムにて決定されたＸ，Ｙ，Ｚ方向にお
けるそれぞれの結合係数が読み込まれる。次にステップ
２０２に移行して、上述の学習時と同様に光センサ２４
からのＸ，Ｙ，Ｚ方向におけるそれぞれの測定データが
読み込まれる。次にステップ２０４に移行して、図２の
領域Ａ，Ｂ，ＣにおけるＸ，Ｙ，Ｚ方向毎にニューラル
ネットワークによるスリット幅の演算が実行される。即
ち、各方向に対応した結合係数を代入したニューラルネ
ットワークに対して各方向に対応した測定データを入力
データとされ、ニューラルネットワークの出力層ＬO か
らＸ，Ｙ，Ｚ方向における各スリット幅が算出されるの
である。次にステップ２０６に移行して、ステップ２０
４で算出された各スリット幅に基づき基準プレート１４
の端縁位置に対するバイト１２の端縁位置が算出され
る。
【００１４】上記バイト端縁位置の演算においては、ス
テップ２０４で算出されたＸ方向のスリット幅をＴx 、
Ｙ方向のスリット幅をＴy 及びＺ方向のスリット幅をＴ
z とし、バイト１２の先端角度及び基準プレート１４の
対応する谷部の角度をそれぞれ２θとする。すると、バ
イト１２の端縁位置のＸ方向に垂直な方向のズレ量Ｖy
は、次式にて算出される。
テップ２０４で算出されたＸ方向のスリット幅をＴx 、
Ｙ方向のスリット幅をＴy 及びＺ方向のスリット幅をＴ
z とし、バイト１２の先端角度及び基準プレート１４の
対応する谷部の角度をそれぞれ２θとする。すると、バ
イト１２の端縁位置のＸ方向に垂直な方向のズレ量Ｖy
は、次式にて算出される。
【数１】 Ｖy＝Ｔz cosθ−(Ｔz／tan２θ＋Ｔy／sin２θ)sinθ このズレ方向はスリット幅Ｔy 又はスリット幅Ｔz の小
さい方である。又、バイト１２の端縁位置のＸ方向のズ
レ量Ｖx は、次式にて算出される。
さい方である。又、バイト１２の端縁位置のＸ方向のズ
レ量Ｖx は、次式にて算出される。
【数２】 Ｖx＝Ｔz sinθ＋(Ｔz／tan２θ＋Ｔy／sin２θ)cosθ そして、上記算出されたＸ方向のズレ量Ｖx 及びＸ方向
に垂直な方向のズレ量Ｖy に基づき基準プレート１４の
端縁（谷部）位置からのバイト１２の端縁（先端）位置
が算出される。
に垂直な方向のズレ量Ｖy に基づき基準プレート１４の
端縁（谷部）位置からのバイト１２の端縁（先端）位置
が算出される。
【００１５】そして、ステップ２０８に移行し、ステッ
プ２０６にて算出されたバイト１２の端縁位置が出力さ
れる。尚、位置演算手段は上述のステップ２００〜２０
６にて達成される。このコンピュータ４０からのバイト
１２の端縁位置の出力はインタフェース３１を介してコ
ントローラ３６に入力される。このコントローラ３６か
ら刃物台１１に位置指令が送出されバイト１２の端縁位
置が補正される。
プ２０６にて算出されたバイト１２の端縁位置が出力さ
れる。尚、位置演算手段は上述のステップ２００〜２０
６にて達成される。このコンピュータ４０からのバイト
１２の端縁位置の出力はインタフェース３１を介してコ
ントローラ３６に入力される。このコントローラ３６か
ら刃物台１１に位置指令が送出されバイト１２の端縁位
置が補正される。
【００１６】上述の実施例装置においては、ニューラル
ネットワークへの入力データを光センサ２４からの測定
データとしている。ここで、ニューラルネットワークへ
の入力データとして、更に、温度及び湿度など周囲の環
境因子を追加する。即ち、温度センサや湿度センサから
の出力信号も入力データに加え、ニューラルネットワー
クの入出力特性を学習させるのである。すると、周囲環
境の変動による影響を受けることがないバイト端縁検出
装置が構築可能となる。
ネットワークへの入力データを光センサ２４からの測定
データとしている。ここで、ニューラルネットワークへ
の入力データとして、更に、温度及び湿度など周囲の環
境因子を追加する。即ち、温度センサや湿度センサから
の出力信号も入力データに加え、ニューラルネットワー
クの入出力特性を学習させるのである。すると、周囲環
境の変動による影響を受けることがないバイト端縁検出
装置が構築可能となる。
【００１７】尚、上述の実施例では、ニューラルネット
ワークの出力をスリット幅として、更に、この求められ
たスリット幅を計算式に代入してバイトの先端位置を求
めている。本発明に係るバイト端縁検出装置はこれに限
られるものでなく、計算式の代わりに新たなニューラル
ネットワークを構築してバイト先端位置を求めても良
く、更に、バイト先端位置を出力するニューラルネット
ワークとしても良い。
ワークの出力をスリット幅として、更に、この求められ
たスリット幅を計算式に代入してバイトの先端位置を求
めている。本発明に係るバイト端縁検出装置はこれに限
られるものでなく、計算式の代わりに新たなニューラル
ネットワークを構築してバイト先端位置を求めても良
く、更に、バイト先端位置を出力するニューラルネット
ワークとしても良い。
【００１８】
【発明の効果】本発明は、以上説明したように構成され
ており、バイトの端縁と基準プレートの端縁とのスリッ
ト幅もしくはバイトの端縁位置に対して予め学習された
入出力特性を有するニューラルネットワークを利用して
いる。従って、バイトの端縁に対して基準プレートの端
縁の加工精度が多少悪くても、同じ基準プレートを使用
する限り全く検出精度に影響することはなくバイトの端
縁位置を非接触で精度良く測定することができる。又、
ニューラルネットワークの利用においては、光の回折に
おける理論式で適用されるスリット幅の範囲にこだわる
必要がないため、測定するスリット幅の範囲を広くする
ことが可能となる。
ており、バイトの端縁と基準プレートの端縁とのスリッ
ト幅もしくはバイトの端縁位置に対して予め学習された
入出力特性を有するニューラルネットワークを利用して
いる。従って、バイトの端縁に対して基準プレートの端
縁の加工精度が多少悪くても、同じ基準プレートを使用
する限り全く検出精度に影響することはなくバイトの端
縁位置を非接触で精度良く測定することができる。又、
ニューラルネットワークの利用においては、光の回折に
おける理論式で適用されるスリット幅の範囲にこだわる
必要がないため、測定するスリット幅の範囲を広くする
ことが可能となる。
【図１】本発明の具体的な一実施例に係るバイト端縁検
出装置を示した全体構成図である。
出装置を示した全体構成図である。
【図２】バイトと基準プレートとの間のスリット部分を
示した部分拡大図である。
示した部分拡大図である。
【図３】同実施例装置に係る光センサのＸ方向における
所定位置Ｘと光強度Ｉとの関係を示した説明図である。
所定位置Ｘと光強度Ｉとの関係を示した説明図である。
【図４】同実施例装置で使用されているＣＰＵの処理手
順を示したフローチャートである。
順を示したフローチャートである。
【図５】同実施例装置で使用されているＣＰＵの処理手
順を示したフローチャートである。
順を示したフローチャートである。
【図６】同実施例に係るＸ方向におけるスリット幅と光
強度との測定データを示した説明図である。
強度との測定データを示した説明図である。
【図７】同実施例に係る３層構造のニューラルネットワ
ークを示した構成図である。
ークを示した構成図である。
１０−バイト端縁検出装置 １１−刃物台 １２−バイト １２ａ−（バイトの）端縁 １４−基準プレート １４ａ−（基準プレートの）端縁 ２１−レーザ光源 ２４−光センサ（光強度検出手段） ３１−インタフェース ３６−コントローラ ４０−コンピュータ（位置演算手段） ４１−ＣＰＵ ４２−ＲＯＭ ４２２−ニューラルネットワーク領域 ４２３−学習プログラム領域 ４３−ＲＡＭ Ｓ−スリット
───────────────────────────────────────────────────── フロントページの続き (72)発明者 山川 陽一 愛知県刈谷市朝日町１丁目１番地 豊田工 機株式会社内 (72)発明者 太田 浩充 愛知県刈谷市朝日町１丁目１番地 豊田工 機株式会社内
Claims (1)
- 【請求項１】 刃物台に固定されたバイトのバイト端縁
形状にほぼ対応する形状の端縁を有し、前記バイト端縁
との間でスリットを形成する基準プレートと、 前記スリットにレーザ光を照射するレーザ光源と、 前記レーザ光が前記スリットで回折されて生じる明暗パ
ターンの所定位置における光強度を検出する光強度検出
手段と、 前記光強度検出手段により検出された光強度に基づく測
定データを入力データとしそのときのスリット幅もしく
は前記バイトの端縁位置を教師データとし、多数の前記
入力データの入力に対して、対応する教師データが出力
されるように結合係数を逐次補正して所定の入出力特性
を学習させるニューラルネットワークと、 前記所定の入出力特性を有するニューラルネットワーク
への新たな入力データを入力することにより前記基準プ
レートの端縁位置に対する前記バイトの端縁位置を求め
る位置演算手段とを備えたことを特徴とするバイト端縁
検出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4100520A JPH05272925A (ja) | 1992-03-25 | 1992-03-25 | バイト端縁検出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4100520A JPH05272925A (ja) | 1992-03-25 | 1992-03-25 | バイト端縁検出装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05272925A true JPH05272925A (ja) | 1993-10-22 |
Family
ID=14276237
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4100520A Pending JPH05272925A (ja) | 1992-03-25 | 1992-03-25 | バイト端縁検出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05272925A (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003121123A (ja) * | 2001-10-15 | 2003-04-23 | Mmc Kobelco Tool Kk | レーザ光を用いた精密形状測定方法 |
| JP2010139306A (ja) * | 2008-12-10 | 2010-06-24 | Shoichi Shimada | 測定装置 |
| JP2018092489A (ja) * | 2016-12-06 | 2018-06-14 | オムロン株式会社 | 分類装置、分類方法およびプログラム |
| CN112683193A (zh) * | 2020-11-06 | 2021-04-20 | 西安交通大学 | 基于机器视觉的刀具类型判别及几何参数检测方法及系统 |
-
1992
- 1992-03-25 JP JP4100520A patent/JPH05272925A/ja active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003121123A (ja) * | 2001-10-15 | 2003-04-23 | Mmc Kobelco Tool Kk | レーザ光を用いた精密形状測定方法 |
| JP2010139306A (ja) * | 2008-12-10 | 2010-06-24 | Shoichi Shimada | 測定装置 |
| JP2018092489A (ja) * | 2016-12-06 | 2018-06-14 | オムロン株式会社 | 分類装置、分類方法およびプログラム |
| WO2018105138A1 (ja) * | 2016-12-06 | 2018-06-14 | オムロン株式会社 | 分類装置、分類方法およびプログラム |
| US11475294B2 (en) | 2016-12-06 | 2022-10-18 | Omron Corporation | Classification apparatus for detecting a state of a space with an integrated neural network, classification method, and computer readable medium storing a classification program for same |
| CN112683193A (zh) * | 2020-11-06 | 2021-04-20 | 西安交通大学 | 基于机器视觉的刀具类型判别及几何参数检测方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112669393A (zh) | 一种激光雷达与相机联合标定方法 | |
| EP0533590A2 (en) | Distance measuring method and apparatus | |
| CN113267258B (zh) | 红外测温方法、装置、设备、智能巡检机器人及存储介质 | |
| CN109952176B (zh) | 一种机器人标定方法、系统、机器人及存储介质 | |
| JP3828552B2 (ja) | 寸法測定方法と寸法測定システム及び寸法測定プログラム | |
| US20050012056A1 (en) | Method for determining corresponding points in three-dimensional measurement | |
| JPS61277012A (ja) | カメラ位置姿勢校正方法 | |
| CN116152218A (zh) | 施工质量智能检测方法及装置 | |
| US5311289A (en) | Picture processing method in optical measuring apparatus | |
| CN110987378A (zh) | 振镜幅面校正方法及标准校正板 | |
| JPH05272925A (ja) | バイト端縁検出装置 | |
| JP2859946B2 (ja) | 非接触型測定装置 | |
| CN116056561A (zh) | 植物的尺寸测定方法 | |
| Lynch et al. | Backpropagation neural network for stereoscopic vision calibration | |
| US20020159073A1 (en) | Range-image-based method and system for automatic sensor planning | |
| JPS6356702B2 (ja) | ||
| JPH11132763A (ja) | 測距方法 | |
| JP2621416B2 (ja) | 移動量の測定用プレート | |
| JP2000055624A (ja) | ずれ測定方法 | |
| JP3384617B2 (ja) | 物体計測装置及びその方法 | |
| JPH05203427A (ja) | 光学式形状認識装置 | |
| JPH09113222A (ja) | ２次元位置姿勢測定用マーク、及び２次元位置姿勢測定方法及び装置 | |
| US5222156A (en) | Object information processing apparatus | |
| CN108846863B (zh) | 定位标位置检测方法、装置、计算机和存储介质 | |
| JP3195851B2 (ja) | 曲面上の三次元位置計測方法及びその装置 |