JPH0777416A - ニューラルネットワークによる表面粗さ測定方法及び測定装置 - Google Patents
ニューラルネットワークによる表面粗さ測定方法及び測定装置Info
- Publication number
- JPH0777416A JPH0777416A JP5223403A JP22340393A JPH0777416A JP H0777416 A JPH0777416 A JP H0777416A JP 5223403 A JP5223403 A JP 5223403A JP 22340393 A JP22340393 A JP 22340393A JP H0777416 A JPH0777416 A JP H0777416A
- Authority
- JP
- Japan
- Prior art keywords
- surface roughness
- neural network
- reflected light
- light distribution
- measured
- 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】 （修正有）
【目的】 無方向性表面平坦化加工を施した工作物の表
面粗さを光学的に非接触測定するために、光学的に得ら
れた各種データを画像処理及びニューラルネットワーク
を用いて評価する。 【構成】 マイクロスコープ、マイクロスコープ用コン
トローラ、イメージプロセッシングボード、ニューラル
ネットワークシステムボード、パーソナルコンピュータ
等により構成し、前もって標準面の表面粗さ及び光反射
特性を測定して、ニューラルネットワークに教師信号と
して入力し、標準面の各種光反射特性値によって、学習
を行わせて、表面粗さを決定するためのニューラルネッ
トワークを構築し、被測定表面の光反射特性による各種
測定値を表面粗さを決定するためのニューラルネットワ
ークに入力し、教師信号と比較評価させ、被測定表面の
表面粗さを決定する。
面粗さを光学的に非接触測定するために、光学的に得ら
れた各種データを画像処理及びニューラルネットワーク
を用いて評価する。 【構成】 マイクロスコープ、マイクロスコープ用コン
トローラ、イメージプロセッシングボード、ニューラル
ネットワークシステムボード、パーソナルコンピュータ
等により構成し、前もって標準面の表面粗さ及び光反射
特性を測定して、ニューラルネットワークに教師信号と
して入力し、標準面の各種光反射特性値によって、学習
を行わせて、表面粗さを決定するためのニューラルネッ
トワークを構築し、被測定表面の光反射特性による各種
測定値を表面粗さを決定するためのニューラルネットワ
ークに入力し、教師信号と比較評価させ、被測定表面の
表面粗さを決定する。
Description
【発明の詳細な説明】
【０００１】
【産業上の利用分野】この発明は無方向性表面平坦化加
工をほどこした工作物の表面粗さを光学的に非接触で測
定するために光学的に得られた各種のデータを画像処理
及びニューラルネットワークを用いて評価することを目
的としたニューラルネットワークによる表面粗さ測定方
法及び測定装置に関する。
工をほどこした工作物の表面粗さを光学的に非接触で測
定するために光学的に得られた各種のデータを画像処理
及びニューラルネットワークを用いて評価することを目
的としたニューラルネットワークによる表面粗さ測定方
法及び測定装置に関する。
【０００２】
【従来の技術】従来光波を用いて非接触で工作物の表面
粗さを測定するために各種の方法が知られている。たと
えば光切断法・光波干渉法・ＮＦ粗度計・全反射光沢計
などがこれである。
粗さを測定するために各種の方法が知られている。たと
えば光切断法・光波干渉法・ＮＦ粗度計・全反射光沢計
などがこれである。
【０００３】
【発明により解決すべき課題】しかしこれらの方法のう
ちＮＦ粗度計や全反射光沢計は粗さを測定するのでな
く、反射光量又はそれに関連した光量又は光量分布を測
定するものであり、粗さは換算値であり、試験片の種類
によって偏差が有る。また光波干渉法は非接触で表面粗
さが測定出来るけれども調整が困難で、かつ自動測定は
不可能に近い。
ちＮＦ粗度計や全反射光沢計は粗さを測定するのでな
く、反射光量又はそれに関連した光量又は光量分布を測
定するものであり、粗さは換算値であり、試験片の種類
によって偏差が有る。また光波干渉法は非接触で表面粗
さが測定出来るけれども調整が困難で、かつ自動測定は
不可能に近い。
【０００４】光切断法も同様な欠点を有し、かつ粗さが
光波干渉法よりはるかに粗い面しか測定出来ない。
光波干渉法よりはるかに粗い面しか測定出来ない。
【０００５】また光反射法に用いた表面測定法において
はデータ処理によって種々の光物性が得られているがデ
ータ間に統一性が無く、個別に光物性を表示しているに
すぎない。
はデータ処理によって種々の光物性が得られているがデ
ータ間に統一性が無く、個別に光物性を表示しているに
すぎない。
【０００６】したがって、光反射法を用いて表面を測定
することによって得られる種々の情報を処理して、表面
物性に関する確定値の一つを求める手法が要求されてお
り、この要求をニューラルネットワークを使用して解決
しようとするものである。
することによって得られる種々の情報を処理して、表面
物性に関する確定値の一つを求める手法が要求されてお
り、この要求をニューラルネットワークを使用して解決
しようとするものである。
【０００７】
【課題を解決するための手段】この発明は光反射法によ
るデータを表面粗さに関連づけるためニューラルネット
ワークを使用し、表面粗さＲａを測定してある標準試料
表面の光反射法による測定値をニューラルネットワーク
に教師信号として入力し上記標準面の光反射法による各
種の測定値を入力して学習を行なわせて、表面粗さを決
定するためのニューラルネットワークを構築し試験表面
の入力信号に対応する表面粗さデータを決定しようとす
るものである。
るデータを表面粗さに関連づけるためニューラルネット
ワークを使用し、表面粗さＲａを測定してある標準試料
表面の光反射法による測定値をニューラルネットワーク
に教師信号として入力し上記標準面の光反射法による各
種の測定値を入力して学習を行なわせて、表面粗さを決
定するためのニューラルネットワークを構築し試験表面
の入力信号に対応する表面粗さデータを決定しようとす
るものである。
【０００８】即ち方法の発明は各種の無方向性表面平坦
化加工をほどこした表面の表面粗さを光反射特性を用い
て測定するに当たり、前似て標準面の表面粗さ及び光反
射特性を測定して、ニューラルネットワークに教師信号
として入力し、上記標準面の各種光反射特性値によっ
て、学習を行わせて、表面粗さを決定するためのニュー
ラルネットワークを構築し、被測定表面の光反射特性に
よる各種測定値を前記の表面粗さを決定するためのニュ
ーラルネットワークに入力し、前記教師信号と比較評価
させ、前記被測定表面の表面粗さを決定することを特徴
としたニューラルネットワークによる表面粗さ測定方法
である。
化加工をほどこした表面の表面粗さを光反射特性を用い
て測定するに当たり、前似て標準面の表面粗さ及び光反
射特性を測定して、ニューラルネットワークに教師信号
として入力し、上記標準面の各種光反射特性値によっ
て、学習を行わせて、表面粗さを決定するためのニュー
ラルネットワークを構築し、被測定表面の光反射特性に
よる各種測定値を前記の表面粗さを決定するためのニュ
ーラルネットワークに入力し、前記教師信号と比較評価
させ、前記被測定表面の表面粗さを決定することを特徴
としたニューラルネットワークによる表面粗さ測定方法
である。
【０００９】前記における無方向性表面平坦化加工は、
バレル加工又はポリシング加工としたものである。
バレル加工又はポリシング加工としたものである。
【００１０】また他の発明は光反射法により測定される
測定値は、反射光分布の最大値、反射光分布の偏差、反
射光分布の平均値、反射光分布の中央値、反射光分布の
四分位範囲、ＦＦＴ（高速フーリエ変換）のスペクトル
平均、ＦＦＴのスペクトル中央値、ＦＦＴスペクトルの
標準偏差、ＦＦＴのスペクトル最大値の全部又は一部と
したものである。
測定値は、反射光分布の最大値、反射光分布の偏差、反
射光分布の平均値、反射光分布の中央値、反射光分布の
四分位範囲、ＦＦＴ（高速フーリエ変換）のスペクトル
平均、ＦＦＴのスペクトル中央値、ＦＦＴスペクトルの
標準偏差、ＦＦＴのスペクトル最大値の全部又は一部と
したものである。
【００１１】次に装置の発明は各種の無方向性表面平坦
化加工をほどこした表面の表面粗さの測定に当り、各種
反射光特性を測定するマイクロスコープ及びそのコント
ローラ、マイクロスコープの出力を処理する画像処理装
置よりの反射光測定値を処理し、表面粗さを求めるため
のニューラルネットワークを具えたコンピュータよりな
る表面評価装置において、表面粗さ決定のためのニュー
ラルネットワークは標準面の表面粗さ及び光反射特性を
教師信号として入力し、学習を行わせて構築したことを
特徴とするニューラルネットワークによる表面粗さの測
定装置である。
化加工をほどこした表面の表面粗さの測定に当り、各種
反射光特性を測定するマイクロスコープ及びそのコント
ローラ、マイクロスコープの出力を処理する画像処理装
置よりの反射光測定値を処理し、表面粗さを求めるため
のニューラルネットワークを具えたコンピュータよりな
る表面評価装置において、表面粗さ決定のためのニュー
ラルネットワークは標準面の表面粗さ及び光反射特性を
教師信号として入力し、学習を行わせて構築したことを
特徴とするニューラルネットワークによる表面粗さの測
定装置である。
【００１２】前記における無方向性表面平坦化加工はバ
レル加工又はポリシング加工としたものである。
レル加工又はポリシング加工としたものである。
【００１３】また他の発明は反射光測定値は、反射光分
布の最大値、反射光分布の偏差、反射光分布の平均値、
反射光分布の中央値、反射光分布の四分位範囲、ＦＦＴ
（高速フーリエ変換）のスペクトル平均、ＦＦＴのスペ
クトルの中央値、ＦＦＴスペクトルの標準偏差及びＦＦ
Ｔスペクトルの最大値の全部又は一部としたものであ
る。
布の最大値、反射光分布の偏差、反射光分布の平均値、
反射光分布の中央値、反射光分布の四分位範囲、ＦＦＴ
（高速フーリエ変換）のスペクトル平均、ＦＦＴのスペ
クトルの中央値、ＦＦＴスペクトルの標準偏差及びＦＦ
Ｔスペクトルの最大値の全部又は一部としたものであ
る。
【００１４】
【実施例】図１によりこの発明に使用した評価システム
の構成を示す。
の構成を示す。
【００１５】このシステムは、マイクロスコープ、マイ
クロスコープ用コントローラ、イメージプロセッシング
ボード、ニューラルネットワークシステムボード、パー
ソナルコンピュータ等により構成されている。
クロスコープ用コントローラ、イメージプロセッシング
ボード、ニューラルネットワークシステムボード、パー
ソナルコンピュータ等により構成されている。
【００１６】評価システムの検出器及び照明器として、
モニタマイクロスコープＶＨ−５９００（キーエンス
社）を使用した。マイクロスコープは、ＣＣＤカメラと
照明光源を一体化し、撮像をレンズの交換によって、２
０倍から１０００倍まで拡大することのできる顕微鏡Ｃ
ＣＤカメラである。その仕様は、表１に示す。
モニタマイクロスコープＶＨ−５９００（キーエンス
社）を使用した。マイクロスコープは、ＣＣＤカメラと
照明光源を一体化し、撮像をレンズの交換によって、２
０倍から１０００倍まで拡大することのできる顕微鏡Ｃ
ＣＤカメラである。その仕様は、表１に示す。
【００１７】
【表１】
【００１８】本システムでは、金属表面の評価であるこ
とからその特徴が最も顕著である２００倍のレンズを使
用した。特に図２に示すようにヘッド部の周りに同軸光
ファイバー照明を採用したことにより、光は、矢示のよ
うに先端より下に向かって投光され、光源の明るさを均
一に伝えることができる。これにより、他の照明法より
も視写界深度を飛躍的に向上させてある。
とからその特徴が最も顕著である２００倍のレンズを使
用した。特に図２に示すようにヘッド部の周りに同軸光
ファイバー照明を採用したことにより、光は、矢示のよ
うに先端より下に向かって投光され、光源の明るさを均
一に伝えることができる。これにより、他の照明法より
も視写界深度を飛躍的に向上させてある。
【００１９】表面評価システムの評価アルゴリズムは、
以下のように示す。
以下のように示す。
【００２０】（１） マイクロスコープを使用し、試験
片の表面の反射光量を測定し、画像処理ボードでデジタ
ルデータに変換を行った後、パソコン内に画像データと
して転送する。
片の表面の反射光量を測定し、画像処理ボードでデジタ
ルデータに変換を行った後、パソコン内に画像データと
して転送する。
【００２１】（２） 前処理を行いノイズを取り除く。
【００２２】（３） 反射光量の分布をとる。
【００２３】（４） 反射光量の分布から標準偏差、平
均反射光量、反射光量の最大値、反射光量の中央値、反
射光量の四分位範囲などを算出する。
均反射光量、反射光量の最大値、反射光量の中央値、反
射光量の四分位範囲などを算出する。
【００２４】（５） 反射光量を用いて、２次元フーリ
エ変換を行う。
エ変換を行う。
【００２５】（６） 反射光量のパワースペクトル分布
から標準偏差、平均値、最大値、中央値を算出する。
から標準偏差、平均値、最大値、中央値を算出する。
【００２６】（７） 反射光量分布とパワースペクトル
分布から得られた特徴量をニューラルネットワークの入
力信号に変換する。
分布から得られた特徴量をニューラルネットワークの入
力信号に変換する。
【００２７】（８） 入力信号数と出力信号数に合わせ
て、バックプロバゲーション方式のニューラルネットワ
ークを構成する。
て、バックプロバゲーション方式のニューラルネットワ
ークを構成する。
【００２８】（９） （１）から（７）の動作を繰りか
えし、ニューラルネットの入力信号としてネットワーク
を学習させる。
えし、ニューラルネットの入力信号としてネットワーク
を学習させる。
【００２９】（１０） 出力信号を取り出し教師信号と
の差を算出し認識誤差と自乗誤差を演算する。
の差を算出し認識誤差と自乗誤差を演算する。
【００３０】（１１） 認識誤差及び自乗誤差が小さく
なり、繰り返し処理が収束するまで（１０）を繰り返し
学習を行う。
なり、繰り返し処理が収束するまで（１０）を繰り返し
学習を行う。
【００３１】（１２） 評価する試験片の出力信号を取
り出し、教師信号と比較することにより試験片の評価を
行う。
り出し、教師信号と比較することにより試験片の評価を
行う。
【００３２】以上のアルゴリズムをフローチャートで示
すと図３のようになる。
すと図３のようになる。
【００３３】仕上げ加工面の評価システムで評価部で使
用しているニューラルネットワークは、パーソナルニュ
ーロコンピュータ「ニューロ ０７」である。これは、
パーソナルコンピュータ（例えばＮＥＣのＰＣ−９８０
０）上でニューラルネットワーク演算をミニコンピュー
タ上位機種並の演算処理能力で高速に実行させるもので
ある。「ニューロ ０７」の構成を図４に示す。
用しているニューラルネットワークは、パーソナルニュ
ーロコンピュータ「ニューロ ０７」である。これは、
パーソナルコンピュータ（例えばＮＥＣのＰＣ−９８０
０）上でニューラルネットワーク演算をミニコンピュー
タ上位機種並の演算処理能力で高速に実行させるもので
ある。「ニューロ ０７」の構成を図４に示す。
【００３４】前記パーソナルコンピュータはマイクロス
コープ、画像ボード、ニューラルネットワークシステム
ボードを制御し、表面評価のための画像処理を行うこと
ができる。
コープ、画像ボード、ニューラルネットワークシステム
ボードを制御し、表面評価のための画像処理を行うこと
ができる。
【００３５】先ず、無方向性表面平坦化加工の一例とし
てポリシング標準片のニューラルネットワークを構成す
るためにポリシング標準片（英国ルバート社製）を使用
した。各種特徴量の演算結果を、表２に示す。本実験で
は、５つの粗さサンプルをそれぞれ違う位置で５回ずつ
測定し、この計２５のデータを学習用データとした。こ
れらの５回の測定値のデータの平均値及び標準偏差を表
２に示す。
てポリシング標準片のニューラルネットワークを構成す
るためにポリシング標準片（英国ルバート社製）を使用
した。各種特徴量の演算結果を、表２に示す。本実験で
は、５つの粗さサンプルをそれぞれ違う位置で５回ずつ
測定し、この計２５のデータを学習用データとした。こ
れらの５回の測定値のデータの平均値及び標準偏差を表
２に示す。
【００３６】
【表２】
【００３７】このポリシングの表面評価のためにバック
プロバゲーションニューラルネットワークを構築した。
これは、３層構造のバックプロバゲーション学習構造を
持ったものであり、入力層におけるデータ数は９、出力
層におけるデータ数は５、中間層におけるユニット数は
７となっている。
プロバゲーションニューラルネットワークを構築した。
これは、３層構造のバックプロバゲーション学習構造を
持ったものであり、入力層におけるデータ数は９、出力
層におけるデータ数は５、中間層におけるユニット数は
７となっている。
【００３８】ニューラルネットで検証を行うためには、
出力信号となる教師信号によって学習を行なう。この発
明においては５つの出力に対しての教師信号ファイルを
作成する。教師信号データは、５×５次元の単位行列と
なる。表２の測定値をニューラルネットワークの入力信
号として使用するためには、使用するデータＮは０≦Ｎ
≦１の範囲内の値でなければならない。また、入力信号
は、各層のユニットを刺激して結合係数とオフセットを
更新する。その刺激を強くするために、各入力信号の差
を大きくする。そのために、測定値の入力信号への正規
化を行い、入力パタンファイルを作成する。
出力信号となる教師信号によって学習を行なう。この発
明においては５つの出力に対しての教師信号ファイルを
作成する。教師信号データは、５×５次元の単位行列と
なる。表２の測定値をニューラルネットワークの入力信
号として使用するためには、使用するデータＮは０≦Ｎ
≦１の範囲内の値でなければならない。また、入力信号
は、各層のユニットを刺激して結合係数とオフセットを
更新する。その刺激を強くするために、各入力信号の差
を大きくする。そのために、測定値の入力信号への正規
化を行い、入力パタンファイルを作成する。
【００３９】入力信号への正規化は、データＮが０≦Ｎ
≦１の範囲内でデータ間差を大きくする。そのため、各
特徴量のサンプル（ポリシングでは２０）の中で最大値
をＮｍａｘ、最小値をＮｍｉｎとする。データＮｉに対
しての入力信号Ｔｉは、入力信号Ｔｉ＝（Ｎｉ−Ｎｍｉ
ｎ）／（Ｎｍａｘ−Ｎｍｉｎ）となる。これを各測定値
にかけて、データの正規化を行い入力信号とする。その
入力信号によって、学習を行っていく。出力信号と教師
信号の自乗誤差収束特性と誤認識回数、そして学習アル
ゴリズムを図５に示す。
≦１の範囲内でデータ間差を大きくする。そのため、各
特徴量のサンプル（ポリシングでは２０）の中で最大値
をＮｍａｘ、最小値をＮｍｉｎとする。データＮｉに対
しての入力信号Ｔｉは、入力信号Ｔｉ＝（Ｎｉ−Ｎｍｉ
ｎ）／（Ｎｍａｘ−Ｎｍｉｎ）となる。これを各測定値
にかけて、データの正規化を行い入力信号とする。その
入力信号によって、学習を行っていく。出力信号と教師
信号の自乗誤差収束特性と誤認識回数、そして学習アル
ゴリズムを図５に示す。
【００４０】ポリシング標準片の評価ニューラルネット
は、図６を見ても分かるとおり、学習回数が約１０００
回で誤認識と誤差２乗和が収束する。終了後のニューラ
ルネットに対して、表２の学習データを用いて検証実験
を行った。その結果の一部を表３に示す。全体的に２５
サンプル中２３サンプルの正しい検証が可能となり、実
用となることが分った。
は、図６を見ても分かるとおり、学習回数が約１０００
回で誤認識と誤差２乗和が収束する。終了後のニューラ
ルネットに対して、表２の学習データを用いて検証実験
を行った。その結果の一部を表３に示す。全体的に２５
サンプル中２３サンプルの正しい検証が可能となり、実
用となることが分った。
【００４１】
【表３】
【００４２】画像ボードは、マイクロテクニカ社のＮＥ
Ｃ ＰＣ−９８０１シリーズ用に開発された画像入出力
ボードＭＴ−９８０１−ＦＭＭである。マイクロスコー
プから取り込んだアナログデータを、Ａ／Ｄ変換し、デ
ジタル画像データに変換することによって、画像処理を
行う。本ボードは、高速８ビットＡ／Ｄコンバータ、５
１２×５１２×８ビットのフレームメモリ、同８ビット
Ｄ／Ａコンバータから構成されている。
Ｃ ＰＣ−９８０１シリーズ用に開発された画像入出力
ボードＭＴ−９８０１−ＦＭＭである。マイクロスコー
プから取り込んだアナログデータを、Ａ／Ｄ変換し、デ
ジタル画像データに変換することによって、画像処理を
行う。本ボードは、高速８ビットＡ／Ｄコンバータ、５
１２×５１２×８ビットのフレームメモリ、同８ビット
Ｄ／Ａコンバータから構成されている。
【００４３】測定したデータの一例は図７ないし図１２
に示すとおりである。
に示すとおりである。
【００４４】図７及び図８はポリシングによって作製し
た表面粗さＲａが０．２μｍ及び０．０１２５μｍの場
合における反射光量データ、図９及び図１０は反射光量
正規分布データ、図１１及び図１２はパワースペクトル
をフーリエ変換したデータを示す。
た表面粗さＲａが０．２μｍ及び０．０１２５μｍの場
合における反射光量データ、図９及び図１０は反射光量
正規分布データ、図１１及び図１２はパワースペクトル
をフーリエ変換したデータを示す。
【００４５】以上ポリシングした表面についてマイクロ
スコープの測定値より表面粗さＲａを求められることが
判明したので、これをバレル加工面に適用する。使用し
た表面粗さは表４に示すような８種のサンプルであり、
材料はステンレス鋼（ＳＵＳ）、加工方法は回転式バレ
ル加工法（ＲＨ）と遠心バレル加工法（ＨｉＳｉ）の２
種である。
スコープの測定値より表面粗さＲａを求められることが
判明したので、これをバレル加工面に適用する。使用し
た表面粗さは表４に示すような８種のサンプルであり、
材料はステンレス鋼（ＳＵＳ）、加工方法は回転式バレ
ル加工法（ＲＨ）と遠心バレル加工法（ＨｉＳｉ）の２
種である。
【００４６】
【表４】
【００４７】画像解析により得られた各種特徴量の平均
値と標準偏差を、表４に示す。この場合は、バレル研磨
した８サンプルをそれぞれ違う位置で４回ずつ測定し
た。そして、この計３２のデータを学習用データとす
る、バレル研磨試験片の表面評価のためのバックプロバ
ゲーションニューラルネットワークを構築した。このネ
ットワークでは、入力信号にポリシングの場合の各種特
徴量に加えてバレル研磨機種を入れ、ネットワークは、
３層構造のバックブロバゲーション学習ルールを採用し
たものであり、入力層におけるデータ数は１０、出力層
におけるデータ数は７、中間層におけるユニット数は７
となっている。
値と標準偏差を、表４に示す。この場合は、バレル研磨
した８サンプルをそれぞれ違う位置で４回ずつ測定し
た。そして、この計３２のデータを学習用データとす
る、バレル研磨試験片の表面評価のためのバックプロバ
ゲーションニューラルネットワークを構築した。このネ
ットワークでは、入力信号にポリシングの場合の各種特
徴量に加えてバレル研磨機種を入れ、ネットワークは、
３層構造のバックブロバゲーション学習ルールを採用し
たものであり、入力層におけるデータ数は１０、出力層
におけるデータ数は７、中間層におけるユニット数は７
となっている。
【００４８】ニューラルネットで判定を行うためには、
出力となる教師信号によって、学習を行わなければなら
ない。７ユニットの出力に対しての教師信号ファイルを
作成する。そのために教師信号データは、７×７次元の
単位行列となる。
出力となる教師信号によって、学習を行わなければなら
ない。７ユニットの出力に対しての教師信号ファイルを
作成する。そのために教師信号データは、７×７次元の
単位行列となる。
【００４９】表４の測定値をニューラルネットワークの
入力信号として使用するために、データＮを０≦Ｎ≦１
の範囲での値で正規化を行い、入力パタンファイルを作
成した。出力信号と教師信号の自乗誤差収束特性と誤認
識回数、そして学習アルゴリズムを図１３に示す。
入力信号として使用するために、データＮを０≦Ｎ≦１
の範囲での値で正規化を行い、入力パタンファイルを作
成した。出力信号と教師信号の自乗誤差収束特性と誤認
識回数、そして学習アルゴリズムを図１３に示す。
【００５０】バレル研磨試験片評価ニューラルネット
は、図１４を見ても分かるとおり、学習回数が約２００
０回で誤認識と誤差２乗和が収束することが認められ
た。学習終了後のニューラルネットに対して、表４の学
習データを入力し検証を行った。その結果を、表５に示
す。これらの結果から３２データ中３１データの正しい
判定が可能であることが示された。
は、図１４を見ても分かるとおり、学習回数が約２００
０回で誤認識と誤差２乗和が収束することが認められ
た。学習終了後のニューラルネットに対して、表４の学
習データを入力し検証を行った。その結果を、表５に示
す。これらの結果から３２データ中３１データの正しい
判定が可能であることが示された。
【００５１】
【表５】
【００５２】次に黄銅試験片をバレル研磨した８種のサ
ンプルについての表面測定を行なったが、同様に測定出
来ることが確かめられた。
ンプルについての表面測定を行なったが、同様に測定出
来ることが確かめられた。
【００５３】
【発明の効果】上記のようにこの発明は、光反射法によ
り無接触にて測定された各種測定値より、ニューラルネ
ットワークを用いて表面粗さを決定することが出来るの
で、流れ作業中の工作物を自動的に測定することが出来
る。また表面粗さ測定に新規軸を開くとともに、無人表
面粗さ測定装置に組入れることにより人手を省くことが
出来るなどの諸効果がある。
り無接触にて測定された各種測定値より、ニューラルネ
ットワークを用いて表面粗さを決定することが出来るの
で、流れ作業中の工作物を自動的に測定することが出来
る。また表面粗さ測定に新規軸を開くとともに、無人表
面粗さ測定装置に組入れることにより人手を省くことが
出来るなどの諸効果がある。
【図１】この発明のパーソナルコンピューターと他部と
を連結を示す概念図。
を連結を示す概念図。
【図２】同じく照明ヘッドの投光を示す断面拡大図。
【図３】同じく実施例のブロック図。
【図４】同じくニューロ０７の連結を示すブロック図。
【図５】同じくポリシング表面評価ニューラルネットワ
ークの学習アルゴリズムを示す図。
ークの学習アルゴリズムを示す図。
【図６】ポリシング表面評価の教師信号における学習を
示すグラフ。
示すグラフ。
【図７】同じくポリシング面、Ｒａ ０．２μｍにおけ
る画素数一階調値の実測グラフ。
る画素数一階調値の実測グラフ。
【図８】同じくポリシング面、Ｒａ ０．０１２５μｍ
における画素数と階調値の実測グラフ。
における画素数と階調値の実測グラフ。
【図９】同じくポリシング面、Ｒａ ０．２μｍにおけ
る画素数一平滑化した階調値のグラフ。
る画素数一平滑化した階調値のグラフ。
【図１０】同じくポリシング面、Ｒａ ０．０１２５μ
ｍにおける画素数一平滑化した階調値のグラフ。
ｍにおける画素数一平滑化した階調値のグラフ。
【図１１】同じくポリシング面、Ｒａ ０．２μｍにお
けるＦＦＴのグラフ。
けるＦＦＴのグラフ。
【図１２】同じくポリシング面、Ｒａ ０．０１２５μ
ｍにおけるＦＦＴのグラフ。
ｍにおけるＦＦＴのグラフ。
【図１３】バレル研磨試験片の表面評価ニューラルネッ
トワークの学習アルゴリズムを示す図。
トワークの学習アルゴリズムを示す図。
【図１４】同じくバレル研磨試験片（ＳＵＳ、ステンレ
ス鋼）のニューラルネットワーク自乗誤差収束特性グラ
フ。
ス鋼）のニューラルネットワーク自乗誤差収束特性グラ
フ。
Claims (8)
- 【請求項１】 各種の無方向性表面平坦化加工をほどこ
した表面の表面粗さを光反射特性を用いて測定するに当
たり、前似て標準面の表面粗さ及び光反射特性を測定し
て、ニューラルネットワークに教師信号として入力し、
上記標準面の各種光反射特性値によって、学習を行わせ
て、表面粗さを決定するためのニューラルネットワーク
を構築し、被測定表面の光反射特性による各種測定値を
前記の表面粗さを決定するためのニューラルネットワー
クに入力し、前記教師信号と比較評価させ、前記被測定
表面の表面粗さを決定することを特徴としたニューラル
ネットワークによる表面粗さ測定方法。 - 【請求項２】 無方向性表面平坦化加工は、バレル加工
としたことを特徴とする請求項１記載のニューラルネッ
トワークによる表面粗さ測定方法。 - 【請求項３】 無方向性表面平坦化加工は、ポリッシン
グ加工としたことを特徴とする請求項１記載のニューラ
ルネットワークによる表面粗さの測定方法。 - 【請求項４】 光反射法により測定される測定値は、反
射光分布の最大値、反射光分布の偏差、反射光分布の平
均値、反射光分布の中央値、反射光分布の四分位範囲、
ＦＦＴ（高速フーリエ変換）のスペクトル平均、ＦＦＴ
のスペクトル中央値、ＦＦＴスペクトルの標準偏差、Ｆ
ＦＴのスペクトル最大値の全部又は一部としたことを特
徴とする請求項１記載のニューラルネットワークによる
表面粗さ測定方法。 - 【請求項５】 各種の無方向性表面平坦化加工をほどこ
した表面の表面粗さの測定に当り、各種反射光特性を測
定するマイクロスコープ及びそのコントローラ、マイク
ロスコープの出力を処理する画像処理装置よりの反射光
測定値を処理し、表面粗さを求めるためのニューラルネ
ットワークを具えたコンピュータよりなる表面評価装置
において、表面粗さ決定のためのニューラルネットワー
クは標準面の表面粗さ及び光反射特性を教師信号として
入力し、学習を行わせて構築したことを特徴とするニュ
ーラルネットワークによる表面粗さの測定装置。 - 【請求項６】 無方向性表面平坦化加工はバレル加工と
した請求項５記載のニューラルネットワークによる表面
粗さ測定装置。 - 【請求項７】 無方向性表面平坦化加工は、ポリッシン
グ加工としたことを特徴とする請求項５記載のニューラ
ルネットワークによる表面粗さの測定装置。 - 【請求項８】 反射光測定値は、反射光分布の最大値、
反射光分布の偏差、反射光分布の平均値、反射光分布の
中央値、反射光分布の四分位範囲、ＦＦＴ（高速フーリ
エ変換）のスペクトル平均、ＦＦＴのスペクトルの中央
値、ＦＦＴスペクトルの標準偏差及びＦＦＴスペクトル
の最大値の全部又は一部とした請求項５記載のニューラ
ルネットワークによる表面粗さ測定装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5223403A JPH0777416A (ja) | 1993-09-08 | 1993-09-08 | ニューラルネットワークによる表面粗さ測定方法及び測定装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP5223403A JPH0777416A (ja) | 1993-09-08 | 1993-09-08 | ニューラルネットワークによる表面粗さ測定方法及び測定装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0777416A true JPH0777416A (ja) | 1995-03-20 |
Family
ID=16797605
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP5223403A Pending JPH0777416A (ja) | 1993-09-08 | 1993-09-08 | ニューラルネットワークによる表面粗さ測定方法及び測定装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0777416A (ja) |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011012963A (ja) * | 2009-06-30 | 2011-01-20 | Hitachi Ltd | 加工仕上げ面の検査システム及び検査方法 |
| KR20130124218A (ko) * | 2012-05-04 | 2013-11-13 | 살바그니니 이탈리아 에스.피.에이. | 시트의 굽힘각 측정 장치 및 방법 |
| WO2020022473A1 (ja) * | 2018-07-26 | 2020-01-30 | 国立大学法人 東京大学 | 計測装置、計測システム、計測プログラム、及び計測方法。 |
| WO2020121594A1 (ja) * | 2018-12-14 | 2020-06-18 | 株式会社堀場製作所 | 表面特性検査装置及び表面特性検査用の機械学習装置 |
| JP2020180886A (ja) * | 2019-04-25 | 2020-11-05 | 株式会社ジェイテクト | 表面粗さ推定装置及び表面粗さ推定方法 |
| WO2021065009A1 (ja) * | 2019-10-04 | 2021-04-08 | 日本電気株式会社 | 表面性状推定システム |
| JP2021163107A (ja) * | 2020-03-31 | 2021-10-11 | ブラザー工業株式会社 | 数値制御装置と数値制御装置の制御方法 |
| DE102020112496A1 (de) | 2020-05-08 | 2021-11-11 | Carl Zeiss Smt Gmbh | Verfahren und Vorrichtung zur Inspektion der Oberfläche eines optischen Elements |
-
1993
- 1993-09-08 JP JP5223403A patent/JPH0777416A/ja active Pending
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011012963A (ja) * | 2009-06-30 | 2011-01-20 | Hitachi Ltd | 加工仕上げ面の検査システム及び検査方法 |
| KR20130124218A (ko) * | 2012-05-04 | 2013-11-13 | 살바그니니 이탈리아 에스.피.에이. | 시트의 굽힘각 측정 장치 및 방법 |
| JP2013234994A (ja) * | 2012-05-04 | 2013-11-21 | Salvagnini Italia Spa | 薄板の曲げ角度の測定装置および測定方法 |
| US20210262934A1 (en) * | 2018-07-26 | 2021-08-26 | The University Of Tokyo | Measurement device, measurement system, measurement program, and measurement method |
| JPWO2020022473A1 (ja) * | 2018-07-26 | 2021-08-02 | 国立大学法人 東京大学 | 計測装置、計測システム、計測プログラム、及び計測方法。 |
| WO2020022473A1 (ja) * | 2018-07-26 | 2020-01-30 | 国立大学法人 東京大学 | 計測装置、計測システム、計測プログラム、及び計測方法。 |
| US11874225B2 (en) | 2018-07-26 | 2024-01-16 | The University Of Tokyo | Measurement device, measurement system, measurement program, and measurement method |
| WO2020121594A1 (ja) * | 2018-12-14 | 2020-06-18 | 株式会社堀場製作所 | 表面特性検査装置及び表面特性検査用の機械学習装置 |
| JPWO2020121594A1 (ja) * | 2018-12-14 | 2021-10-21 | 株式会社堀場製作所 | 表面特性検査装置及び表面特性検査用の機械学習装置 |
| JP2020180886A (ja) * | 2019-04-25 | 2020-11-05 | 株式会社ジェイテクト | 表面粗さ推定装置及び表面粗さ推定方法 |
| WO2021065009A1 (ja) * | 2019-10-04 | 2021-04-08 | 日本電気株式会社 | 表面性状推定システム |
| JPWO2021065009A1 (ja) * | 2019-10-04 | 2021-04-08 | ||
| JP2021163107A (ja) * | 2020-03-31 | 2021-10-11 | ブラザー工業株式会社 | 数値制御装置と数値制御装置の制御方法 |
| DE102020112496A1 (de) | 2020-05-08 | 2021-11-11 | Carl Zeiss Smt Gmbh | Verfahren und Vorrichtung zur Inspektion der Oberfläche eines optischen Elements |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rifai et al. | Evaluation of turned and milled surfaces roughness using convolutional neural network | |
| US6983065B1 (en) | Method for extracting features from an image using oriented filters | |
| Lee et al. | The model of surface roughness inspection by vision system in turning | |
| US5859919A (en) | Method and system for measuring surface roughness using fractal dimension values | |
| CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
| US20210358160A1 (en) | Method and system for determining plant leaf surface roughness | |
| JPH0777416A (ja) | ニューラルネットワークによる表面粗さ測定方法及び測定装置 | |
| CN116342597A (zh) | 一种汽车配件表面电镀加工缺陷检测方法和系统 | |
| CN115223164A (zh) | 一种基于人工智能的甜瓜成熟度检测方法及系统 | |
| EP1896792B1 (en) | Method and system for measuring the curvature of an optical surface | |
| CN106682604B (zh) | 一种基于深度学习的模糊图像检测方法 | |
| CN117058106A (zh) | 基于随机森林的柔性玻璃平面度及表面缺陷的测量方法 | |
| CN114881938A (zh) | 基于小波分析和神经网络的晶粒度检测方法及系统 | |
| JPH02271211A (ja) | 塗装鮮映性評価方法 | |
| Sutcliffe et al. | Automatic defect recognition of single-v welds using full matrix capture data, computer vision and multi-layer perceptron artificial neural networks | |
| CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
| CN112818762B (zh) | 一种大尺寸复合材料及其夹层结构快速无损检测方法 | |
| Vasylieva et al. | Automation Methods for Processing Medical Images Based on the Application of Grids. | |
| JPH0989801A (ja) | 長尺材の表面検査方法および装置 | |
| CN114548250A (zh) | 一种基于数据分析的手机外观检测方法及装置 | |
| CN114689604A (zh) | 具有光滑表面的待测物于光学检测上的影像处理方法及其检测系统 | |
| Kj et al. | Automated grading of wood slabs: The development of a prototype system | |
| Zainudin et al. | Comparison between GLCM and modified Zernike moments for material surfaces identification from photo images | |
| JPH0989803A (ja) | 金属帯の表面疵検査方法および装置 | |
| Chebrolu et al. | Automated Evaluation of Surface Roughness using Machine Vision based Intelligent Systems |