JPWO2020121594A1 - 表面特性検査装置及び表面特性検査用の機械学習装置 - Google Patents
表面特性検査装置及び表面特性検査用の機械学習装置 Download PDFInfo
- Publication number
- JPWO2020121594A1 JPWO2020121594A1 JP2020559709A JP2020559709A JPWO2020121594A1 JP WO2020121594 A1 JPWO2020121594 A1 JP WO2020121594A1 JP 2020559709 A JP2020559709 A JP 2020559709A JP 2020559709 A JP2020559709 A JP 2020559709A JP WO2020121594 A1 JPWO2020121594 A1 JP WO2020121594A1
- Authority
- JP
- Japan
- Prior art keywords
- image
- converted image
- test object
- unit
- machine learning
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/30—Measuring arrangements characterised by the use of optical techniques for measuring roughness or irregularity of surfaces
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/55—Specular reflectivity
- G01N21/57—Measuring gloss
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本発明は、被検物の表面特性を精度良く検出するものであり、被検物Wに光を照射する光照射部2と、被検物Wからの反射光を撮像する撮像部3と、撮像部3の撮像画像を非線形変換して変換画像を生成する画像処理部4と、変換画像を用いて被検物の表面特性を算出する表面特性算出部5とを備える。
Description
本発明は、被検物からの反射光を検出して当該被検物の表面特性を算出する表面特性検査装置及びこの表面特性検査に用いられる機械学習装置に関するものである。
従来、特許文献1に示すように、被検物に光を照射して当該被検物からの反射光を撮像して得られた撮像画像から、表面の材質又は表面の凹凸の有無を識別する表面種別識別装置が考えられている。
この表面種別識別装置は、撮像画像の画素値における空間方向の変化の度合いを定量化した特徴量を算出し、予め登録された辞書データと照合することにより、表面の材質又は表面の凹凸の有無を識別するものである。ここで、前記特徴量としては、正反射方向をゼロとする相対的な角度(相対角度)ψに対する画素値の分布状態などである。
しかしながら、上記の表面種別識別装置は、表面特性に方向性を有さない被検物を想定した測定方法であり、相対角度の算出方法に方向性の考慮が全くなされていないため、例えば筋状の凹凸等の方向性のある表面特性を精度良く測定することが難しい。
そこで本発明は上記問題点を解決すべくなされたものであり、被検物の表面特性を精度良く検出することをその主たる課題とするものである。
すなわち本発明に係る表面特性検査装置は、被検物に光を照射する光照射部と、前記被検物からの反射光を撮像する撮像部と、前記撮像部の撮像画像を非線形変換して変換画像を生成する画像処理部と、前記変換画像を用いて前記被検物の表面特性を算出する表面特性算出部とを備えることを特徴とする。ここで、非線形変換には、対数変換、指数変換、ガンマ変換などが考えられる。
このようなものであれば、反射光を撮像した撮像画像を非線形変換し、これによって得られた変換画像を用いて被検物の表面特性を算出しているので、反射光の輝度分布の変化を捉えやすくなり、被検物の表面特性を精度良く検出することができる。
変換画像の全部のデータを用いた場合には、データ量が大きいため、処理時間がかかってしまう恐れがある。このため、前記表面特性算出部は、前記変換画像における所定方向に沿った輝度分布を用いて前記被検物の表面特性を算出するものであることが望ましい。この構成であれば、変換画像の一部のデータを用いて処理しているので、処理時間を短縮することができる。
変換画像の一部のデータを用いる場合には、変換画像における正反射成分と拡散反射成分との境界領域が大きく表れている部分を用いることが望ましい。このため、前記表面特性算出部は、前記変換画像における輝度が延びる方向に沿った輝度分布を用いて前記被検物の表面特性を算出するものであることが望ましい。
表面特性検査装置が自動的に精度良く表面特性を判定できるようにするためには、前記撮像部の撮像画像を非線形変換して得られた変換画像及び当該変換画像に対応する表面特性ラベルからなる学習データセットを用いた機械学習により学習モデルを生成する機械学習部をさらに備え、前記表面特性算出部は、前記学習モデルに基づいて前記被検物の表面特性を算出することが望ましい。
また、本発明に係る表面特性検査用の機械学習装置は、被検物に光を照射し、前記被検物からの反射光を撮像して得られた撮像画像を取得する撮像画像取得部と、取得された撮像画像を非線形変換して変換画像を生成する変換画像生成部と、前記変換画像及び前記変換画像に対応する表面特性ラベルからなる学習データセットを用いた機械学習により学習モデルを生成する機械学習部とを備えることを特徴とする。
このようなものであれば、反射光を撮像した撮像画像を非線形変換し、これによって得られた変換画像を用いて機械学習しているので、反射光の輝度分布の変化を捉えた学習モデルを生成することができ、被検物の表面特性を精度良く検出することができるようになる。
機械学習の処理時間を短縮するためには、前記機械学習部は、前記学習データセットの前記変換画像として、前記変換画像における所定方向に沿った輝度分布を用いることが望ましい。
変換画像における反射光の輝度分布の変化が大きく表れている情報を用いて機械学習するためには、前記機械学習部は、前記学習データセットの前記変換画像として、前記変換画像における輝度が延びる方向に沿った輝度分布を用いることが望ましい。
以上に述べた本発明によれば、被検物の表面特性を精度良く検出することができる。
100・・・表面特性検査装置
W ・・・被検物
2 ・・・光照射部
3 ・・・撮像部
42 ・・・画像処理部
43 ・・・表面特性算出部
44 ・・・機械学習部
W ・・・被検物
2 ・・・光照射部
3 ・・・撮像部
42 ・・・画像処理部
43 ・・・表面特性算出部
44 ・・・機械学習部
以下、本発明の一実施形態に係る表面特性検査装置について、図面を参照しながら説明する。
<全体構成>
本実施形態の表面特性検査装置100は、非接触で被検物Wの表面特性を検査するものである。ここで、表面特性とは、被検物Wの外観や表面状態の指標となるものであり、例えば表面の反射率や輝度分布などの光学特性、あるいは、表面粗さ、うねりなどの機械的な加工状態の良し悪しを表す尺度、ヘアライン加工のような特殊な加工状態の良否判定を行うための指標を含む。
本実施形態の表面特性検査装置100は、非接触で被検物Wの表面特性を検査するものである。ここで、表面特性とは、被検物Wの外観や表面状態の指標となるものであり、例えば表面の反射率や輝度分布などの光学特性、あるいは、表面粗さ、うねりなどの機械的な加工状態の良し悪しを表す尺度、ヘアライン加工のような特殊な加工状態の良否判定を行うための指標を含む。
具体的に表面特性検査装置100は、図1に示すように、被検物Wに光を照射する光照射部2と、被検物Wにより反射した反射光を検出して被検物Wの表面を撮像する撮像部3と、撮像部3により撮像された撮像画像を処理して表面特性を算出する演算装置4とを備えている。
光照射部2は、例えば赤外光を射出するものであり、撮像部3の撮像範囲に向けて光を射出する。光照射部2は、撮像部3が撮影する範囲について、光量が一様になるように構成することが望ましい。また、外乱光等の影響を排除するために、光照射部2および撮像部3を含めて被検物Wを覆う囲い等を設けると良い。
撮像部3は、被検物Wにより反射した少なくとも正反射光(本実施形態では正反射光及び拡散反射光)を撮像するものであり、二次元状に配列された複数の画素を有する撮像素子31と、当該撮像素子31における各画素の蓄積電荷量に基づいて、被検物Wの輝度画像である撮像画像50を生成する撮像画像生成部32とを有している。なお、撮像部3は、少なくとも正反射光及びその周囲、具体的には、少なくとも正反射光及びその周囲の拡散反射光の一部を撮像するものであっても良い。図2(a)は筋状の凹凸を有する平板状の被検物Wを撮影した撮影画像50の一例を示すものである。また図2(b)は、撮像素子31の二次元状配列をx軸、y軸とし、撮影画像50における各画素の輝度を高さとして3次元的に表示した相対輝度分布図である。xy平面の中央部には鋭いピーク状の正反射成分51が観察できる。この正反射成分51の輝度値を基準として(例えば100%として)、他の画素の輝度値を相対的に表示する。正反射成分51の周囲には、拡散反射成分52が存在するが、輝度値が3桁以上小さいので高さはゼロとみなせる。また、正反射成分51と拡散反射成分52の境界領域53も、輝度値が正反射成分51に比べて1桁以上小さい。このため、正反射成分51から拡散反射成分52へと遷移する境界領域53の変化が目立たない。
演算装置4は、撮像部3からの撮像画像50を処理して、被検物Wの表面特性を算出するものである。具体的に演算装置4は、構造としては、CPU、メモリ、入出力インターフェース、AD変換器、ディスプレイ、入力手段などを有するコンピュータであり、メモリに格納された表面特性検査プログラムに基づいて、CPU及びその周辺機器が作動することにより、図1に示すように、受付部41、画像処理部42、表面特性算出部43、機械学習部44、データ格納部45等としての機能を少なくとも発揮する。
受付部41は、撮像部3の撮像画像生成部32から撮像画像50の各画素の輝度値を示す撮像画像データを受け付けるものである。
画像処理部42は、受付部41が受け付けた各画素の撮像画像データを非線形変換した変換画像54を示す変換画像データを生成する。ここで、非線形変換としては、ウェーバー・フェヒナーの法則(Weber−Fechner law)により人間の明るさに対する感覚量は明るさの対数に比例することから、対数変換を用いている。なお、その他の非線形変換として、指数変換やガンマ変換等を用いても良い。図3(a)は撮影画像50を非線形変換した変換画像54である。変換画像54は、撮影画像データの変換結果である変換画像データの値を画素値とした画像である。また図3(b)は、変換画像データの値を高さとして3次元的に表示した相対輝度分布図である。正反射成分51の非線形変換結果を基準として(例えば100%として)、他の変換画像データの値を相対的に表示する。変換前の輝度値が3ケタ以上小さい拡散反射成分52の高さは、非線形変換を行っても相変わらずゼロとみなせる(非常に小さい)。しかしながら境界領域53は、正反射成分51と比べても遜色ない値(小さいが無視できない程度の値、例えば半分程度の値)に非線形変換される。このため正反射成分51から拡散反射成分52へと遷移する境界領域53の変化を明瞭に観察でき、境界領域の特性を正確に捉えることができる。
このように画像処理部42により撮像画像50の撮影画像データが対数変換されることから、撮像部3の撮像画像生成部32により生成される撮像画像50は対数変換に耐えられるダイナミックレンジを有する画像であることが必要である。具体的には、撮像画像生成部32がHDR(ハイダイナミックレンジ)合成により撮像画像50を生成することが望ましい。すなわち、露光時間を変えて取得した複数の撮影画像を、露光時間を考慮して合成する等の手法を用いる。例えば、比較的長時間露光(たとえば1秒間露光)させて第1の撮影画像を取得した後、露光時間を1/100に減じて第2の撮影画像を取得し、第1および第2の撮影画像を合成すれば、2桁広いダイナミックレンジを有する画像が得られる。この際、反射光の正反射成分などを検出する画素は、長時間露光時には所謂「白とび」状態(撮像素子31の蓄積電荷量が飽和した状態)となるので、短時間露光である第2の撮影画像を利用する。また拡散反射成分を検出する画素は、短時間撮影時にはノイズ成分に埋もれる(撮像素子31の蓄積電荷量が不足した状態となる)ので、長時間露光である第1の撮影画像を利用する。そして、第1の撮影画像は露光時間が100倍長いので、第1の撮影画像の画素については、輝度値を100倍して合成する。こうして第1および第2の撮影画像から画素ごとに適切な輝度値を選択したものを、改めて撮影画像50とすればよい。
このようにして得た撮影画像50を非線形変換した変換画像54を見ると、図3(b)に示すように斜め方向に延びる白色輝線が明瞭に観察できる。変換画像54の画素値が最大となる正反射成分51の頂点を通り、白色輝線が伸びる方向となる直線を考えると、変換画像54の画素値が概ね線対称に分布していることがわかる。これは、筋状の凹凸を有する被検物Wで顕著な変換結果である。
表面に凹凸がある被検物Wに光照射部2から光が照射されると、表面の巨視的な法線方向に反射する正反射成分51に加えて、凹凸による微細形状に応じた微視的な傾きに応じた方向へと反射する成分が存在する。その程度は凹凸の大小によって増減し、凹凸の全く無い鏡面では、正反射成分51だけが残ることになる。
さらに筋状の凹凸を有する被検物Wでは、凹凸の方向が筋目の方向に揃っているので、筋目の方向の微視的な傾きが小さく、筋目と直交する方向の傾きが大きい。このため図3(b)に示すように、凹凸の筋目の方向と略直交した方向に白色輝線が直線状に延びる。
すなわち、図3(c)に示すような対称軸55の方向に白色輝線が伸びる。そして、対称軸55に沿った方向の変換画像54の輝度分布は、被検物Wの凹凸の程度や傾きの揃い具合を顕著に表している。
そこで画像処理部42は、変換画像データが示す変換画像54において(対称軸55を検出し、当該対称軸55に沿った方向の1次元の輝度分布データを抽出する。この1次元の輝度分布を図4に示す。
ここで画像処理部42は、一般の画像処理技術として公知のハフ変換(Hough変換)等のエッジ検出技術を変換画像54に適用して対称軸55を検出する。
また図3(b)の輝度分布を見るとわかるように、筋状の凹凸を有する被検物Wでは対称軸55に加えて、図3(c)に示す対称軸56の方向にも線対称となる。このような場合には変換画像54の白色輝線の長さから対称軸55を主方向、対称軸56を副方向と決定して、それぞれの方向の1次元輝度分布データを抽出しても良い。なお、変換画像54の輝度分布が点対称に近い場合には、正反射成分51の頂点を通る任意の方向に対称軸55を定めた後、当該対称軸55に直交する方向の対称軸56と、対称軸55、56から45度傾いた方向の軸57を定めて、3方向についての輝度分布データを抽出しても良い。
表面特性算出部43は、画像処理部42により変換された変換画像54を用いて被検物Wの表面特性を算出するものである。
具体的に表面特性算出部43は、画像処理部42により抽出された変換画像54における輝度である変換画像データを用いて、被検物Wの表面特性を算出する。本実施形態では、画像処理部42により得られた変換画像54における対称軸55に沿った方向の1次元の輝度分布データを用いて被検物Wの表面特性を算出する。
しかして本実施形態の表面特性検査装置100は、表面特性検出用の学習モデルを生成する機械学習部44をさらに備えている。
この機械学習部44は、撮像部3の撮像画像50を非線形変換(ここでは対数変換)して得られた変換画像データ及び当該変換画像54に対応する表面特性ラベルからなる学習データセットを用いた機械学習により学習モデルを生成する。
具体的に機械学習部44は、変換画像54における対称軸55に沿った方向の1次元の輝度分布データと、当該輝度分布データに対応する表面特性ラベルからなる学習データセットを用いた機械学習により学習モデルを生成する。なお、生成された学習モデルは、データ格納部45に格納される。
ここで、機械学習部44による機械学習アルゴリズムとしては、人工ニューラルネットワーク(ANN)、サポートベクターマシン(SVM)、決定木、ランダムフォレスト、k平均法クラスタリング、自己組織化マップ、遺伝的アルゴリズム、ベイジアンネットワーク、ディープラーニング手法などから選択される1つ又は複数の組み合わせを用いることができる。
そして、表面特性算出部43は、機械学習部44により生成された学習モデルを用いて、被検物Wを撮像して得られた撮影画像データ(を非線形変換した変換画像データ)から被検物Wの表面特性を算出する。
なお、上記の受付部41が受け付けた撮像画像50、画像処理部42により得られた変換画像54及びそれから得られる各種データ(例えば輝度分布データ)、表面特性算出部43により得られた表面特性は、ディスプレイ上に表示する等、出力することができる。
<機械学習手順>
次に、機械学習におけるデータの処理手順について簡単に説明する。
次に、機械学習におけるデータの処理手順について簡単に説明する。
表面特性が既知の被検物W(被検面)を撮像部3により撮像する。このとき、オペレータは、図示しない入力手段によって撮像した被検物Wの表面特性ラベルを入力する。なお、表面特性ラベルの入力は、予め準備されたデータベースから選択するように構成しても良い。既知の表面特性としては、例えば、金属表面に種々のヘアライン加工を施したものや、金属表面に種々のスピン加工を施したものなどが種々の表面加工が施されたものが考えられる。
画像処理部42は、撮像部3により得られた撮像画像50を非線形変換(ここでは対数変換)して変換画像54を生成する。また、画像処理部42は、変換画像54から輝度分布の対称軸55に沿った方向の輝度分布データを生成する。
このようにして生成された輝度分布データと、当該輝度分布データに対応する表面特性ラベルとからなる学習データセット(図5参照)が機械学習部44に入力される。なお、図5では、1つの表面特性ラベルA〜Dに対して、複数の輝度分布データを用いた例を示している。この学習データセットは、表面特性検査装置100の演算装置4(具体的には画像処理部42)において生成するものであったが、予め準備された学習データセットを表面特性検査装置100の演算装置4に入力することによって、機械学習部44に入力するように構成しても良い。また、過去の表面特性検査データを学習データセットとしてデータ格納部45に格納しておき、このデータを用いて機械学習しても良い。
<本実施形態の効果>
本実施形態の表面特性検査装置100によれば、反射光を撮像した撮像画像を非線形変換し、これによって得られた変換画像を用いて被検物Wの表面特性を算出しているので、変換画像において正反射成分と拡散反射成分との境界領域の変化を相対的に大きくすることができ、被検物Wの表面特性を精度良く検出することができる。
例えば、筋状の凹凸を有する金属表面を撮像した場合、撮像画像では正反射成分である白色輝点しか確認できないが、非線形変換した変換画像では、正反射成分から直線的に延びる白色輝線、すなわち正反射成分と拡散反射成分との境界領域が容易に確認できる。
本実施形態の表面特性検査装置100によれば、反射光を撮像した撮像画像を非線形変換し、これによって得られた変換画像を用いて被検物Wの表面特性を算出しているので、変換画像において正反射成分と拡散反射成分との境界領域の変化を相対的に大きくすることができ、被検物Wの表面特性を精度良く検出することができる。
例えば、筋状の凹凸を有する金属表面を撮像した場合、撮像画像では正反射成分である白色輝点しか確認できないが、非線形変換した変換画像では、正反射成分から直線的に延びる白色輝線、すなわち正反射成分と拡散反射成分との境界領域が容易に確認できる。
<その他の変形実施形態>
なお、本発明は前記実施形態に限られるものではない。
なお、本発明は前記実施形態に限られるものではない。
例えば、前記実施形態では機械学習機能を有する表面特性検査装置について説明したが、表面特性検査装置に入力される学習モデルを生成する表面特性検査用の機械学習装置についても、上記と同様に機械学習する。
また、対称軸55の検出方法も、ハフ変換(Hough変換)等のエッジ検出技術に限られるものではなく、以下のような方法を用いても良い。
すなわち変換画像54において、変換画像データが最大となる(輝度が最大となる)点を検出する。この点は正反射成分51の中心になる点である。この点を中点とし任意の方向を向いた所定長さの線分を考え、線分上の変換画像データを積分する(所定画素間隔単位で変換画像データの累計値を求める)。線分の方向を変えながら繰り返し計算し、積分値(累計値)が最大となる方向が対称軸55の方向であると判定すれば良く、山登り法など周知の極値探索アルゴリズムを用いれば良い。なお線分の長さは、変換画像54の縦横方向のサイズと同程度であることが望ましい。また、単純な積分ではなく、線分の中点からの距離に比例した重みづけを行っても良い。さらに距離の2乗を重みとして処理すれば、線分上の1次元ガウス分布を仮定した分散を求めることと等しくなる。すなわち、分散が最も大きくなる方向を探索することになり、対称軸55の方向を精度よく検出できる。
すなわち変換画像54において、変換画像データが最大となる(輝度が最大となる)点を検出する。この点は正反射成分51の中心になる点である。この点を中点とし任意の方向を向いた所定長さの線分を考え、線分上の変換画像データを積分する(所定画素間隔単位で変換画像データの累計値を求める)。線分の方向を変えながら繰り返し計算し、積分値(累計値)が最大となる方向が対称軸55の方向であると判定すれば良く、山登り法など周知の極値探索アルゴリズムを用いれば良い。なお線分の長さは、変換画像54の縦横方向のサイズと同程度であることが望ましい。また、単純な積分ではなく、線分の中点からの距離に比例した重みづけを行っても良い。さらに距離の2乗を重みとして処理すれば、線分上の1次元ガウス分布を仮定した分散を求めることと等しくなる。すなわち、分散が最も大きくなる方向を探索することになり、対称軸55の方向を精度よく検出できる。
この考え方を2次元に拡張して、2次元ガウス分布に最小二乗法を用いてフィッティングしても良い。すなわち変換画像54において、変換画像データの分布状態は、撮像素子31平面上のx軸、y軸に対する2次元の分布関数、例えば2次元ガウス分布関数で近似できると仮定する。この時、2次元ガウス分布関数の等高線(関数値が同じ値の所をつないだ線)は、対称軸55の方向を長軸、対称軸56を短軸とする楕円形となる。この楕円形の長軸・短軸方向は、2次元ガウス分布関数の係数から計算できる。そこで変換画像54において、x軸、y軸座標値と、変換画像データの組を選択して、最小二乗法により2次元ガウス分布関数の係数を決定すればよい。ここで、最小二乗法に用いるデータの組は、変換画像データが所定の閾値より大きい画素だけを選択すると良い。閾値より小さい値を有する画素は、ノイズとして作用するため楕円の検出精度を劣化させるからである。また、2次元の分布関数は2次元ガウス分布関数に限られるものではなく、変換画像データの分布状態を精度よく近似できる関数を用いれば良い。
その他、本発明の趣旨に反しない限りにおいて様々な実施形態の変形や組み合わせを行っても構わない。
本発明によれば、被検物の表面特性を精度良く検出することができる。
Claims (7)
- 被検物に光を照射する光照射部と、
前記被検物からの反射光を撮像する撮像部と、
前記撮像部の撮像画像を非線形変換して変換画像を生成する画像処理部と、
前記変換画像を用いて前記被検物の表面特性を算出する表面特性算出部とを備える、表面特性検査装置。 - 前記表面特性算出部は、前記変換画像における所定方向の輝度分布を用いて前記被検物の表面特性を算出するものである、請求項1記載の表面特性検査装置。
- 前記表面特性算出部は、前記変換画像における輝度が延びる方向の輝度分布を用いて前記被検物の表面特性を算出するものである、請求項1又は2記載の表面特性検査装置。
- 前記撮像部の撮像画像を非線形変換して得られた変換画像及び当該変換画像に対応する表面特性ラベルからなる学習データセットを用いた機械学習により学習モデルを生成する機械学習部をさらに備え、
前記表面特性算出部は、前記学習モデルに基づいて前記被検物の表面特性を算出する、請求項1乃至3の何れか一項に記載の表面特性検査装置。 - 被検物に光を照射し、前記被検物からの反射光を撮像して得られた撮像画像を取得する撮像画像取得部と、
取得された撮像画像を非線形変換して変換画像を生成する変換画像生成部と、
前記変換画像及び前記変換画像に対応する表面特性ラベルからなる学習データセットを用いた機械学習により学習モデルを生成する機械学習部とを備える、表面特性検査用の機械学習装置。 - 前記機械学習部は、前記学習データセットの前記変換画像として、前記変換画像における所定方向の輝度分布を用いる、請求項5記載の表面特性検査用の機械学習装置。
- 前記機械学習部は、前記学習データセットの前記変換画像として、前記変換画像における輝度が延びる方向の輝度分布を用いる、請求項5又は6記載の表面特性検査用の機械学習装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018234701 | 2018-12-14 | ||
JP2018234701 | 2018-12-14 | ||
PCT/JP2019/031698 WO2020121594A1 (ja) | 2018-12-14 | 2019-08-09 | 表面特性検査装置及び表面特性検査用の機械学習装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPWO2020121594A1 true JPWO2020121594A1 (ja) | 2021-10-21 |
Family
ID=71076673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020559709A Pending JPWO2020121594A1 (ja) | 2018-12-14 | 2019-08-09 | 表面特性検査装置及び表面特性検査用の機械学習装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JPWO2020121594A1 (ja) |
WO (1) | WO2020121594A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112597666B (zh) * | 2021-01-08 | 2022-05-24 | 北京深睿博联科技有限责任公司 | 一种基于表面材质建模的路面状态分析方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0777416A (ja) * | 1993-09-08 | 1995-03-20 | Tipton Mfg Corp | 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 |
JP2005351645A (ja) * | 2004-06-08 | 2005-12-22 | Fuji Photo Film Co Ltd | 表面傷検出方法および装置並びにプログラム |
JP2006177937A (ja) * | 2004-11-26 | 2006-07-06 | Denso It Laboratory Inc | 距離計測装置及び距離計測方法 |
US20080008375A1 (en) * | 2006-07-06 | 2008-01-10 | Petersen Russell H | Method for inspecting surface texture direction of workpieces |
JP2010230450A (ja) * | 2009-03-26 | 2010-10-14 | Panasonic Electric Works Co Ltd | 物体表面検査装置 |
US20160274022A1 (en) * | 2015-03-18 | 2016-09-22 | CENTRE DE RECHERCHE INDUSTRIELLE DU QUéBEC | Optical method and apparatus for identifying wood species of a raw wooden log |
US20170109874A1 (en) * | 2014-07-01 | 2017-04-20 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | Determining a Material Type and/or a Surface Condition of a Workpiece |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111356913B (zh) * | 2017-12-15 | 2023-08-01 | 株式会社堀场制作所 | 表面特性检查装置和记录介质 |
-
2019
- 2019-08-09 WO PCT/JP2019/031698 patent/WO2020121594A1/ja active Application Filing
- 2019-08-09 JP JP2020559709A patent/JPWO2020121594A1/ja active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0777416A (ja) * | 1993-09-08 | 1995-03-20 | Tipton Mfg Corp | 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 |
JP2005351645A (ja) * | 2004-06-08 | 2005-12-22 | Fuji Photo Film Co Ltd | 表面傷検出方法および装置並びにプログラム |
JP2006177937A (ja) * | 2004-11-26 | 2006-07-06 | Denso It Laboratory Inc | 距離計測装置及び距離計測方法 |
US20080008375A1 (en) * | 2006-07-06 | 2008-01-10 | Petersen Russell H | Method for inspecting surface texture direction of workpieces |
JP2010230450A (ja) * | 2009-03-26 | 2010-10-14 | Panasonic Electric Works Co Ltd | 物体表面検査装置 |
US20170109874A1 (en) * | 2014-07-01 | 2017-04-20 | Trumpf Werkzeugmaschinen Gmbh + Co. Kg | Determining a Material Type and/or a Surface Condition of a Workpiece |
US20160274022A1 (en) * | 2015-03-18 | 2016-09-22 | CENTRE DE RECHERCHE INDUSTRIELLE DU QUéBEC | Optical method and apparatus for identifying wood species of a raw wooden log |
Also Published As
Publication number | Publication date |
---|---|
WO2020121594A1 (ja) | 2020-06-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108875524B (zh) | 视线估计方法、装置、系统和存储介质 | |
US9928592B2 (en) | Image-based signal detection for object metrology | |
JP7304082B2 (ja) | 三次元実物体を実物体の二次元のスプーフと区別するための方法 | |
US10007971B2 (en) | Systems and methods for user machine interaction for image-based metrology | |
KR101122971B1 (ko) | 생체 인증 장치, 생체 인증 방법, 및 생체 인증 프로그램을 기록한 컴퓨터로 판독가능한 기록 매체 | |
US20170262979A1 (en) | Image correction and metrology for object quantification | |
JP6305171B2 (ja) | シーン内の物体を検出する方法 | |
US20170258391A1 (en) | Multimodal fusion for object detection | |
US20170262977A1 (en) | Systems and methods for image metrology and user interfaces | |
JP6340838B2 (ja) | 生体認証装置、生体認証方法及びプログラム | |
CN106524909B (zh) | 三维图像采集方法及装置 | |
TW201702600A (zh) | 球狀體之旋轉之測定裝置、測定方法以及程式 | |
JP6282377B2 (ja) | 3次元形状計測システムおよびその計測方法 | |
WO2019228471A1 (zh) | 指纹识别方法、设备及计算机可读存储介质 | |
CN109345460B (zh) | 用于矫正图像的方法和装置 | |
CN109751980A (zh) | 基于单目视觉激光三角法的波浪高度测量方法 | |
JPWO2020121594A1 (ja) | 表面特性検査装置及び表面特性検査用の機械学習装置 | |
CN108876757B (zh) | 环境光检测方法、装置和设备及存储介质 | |
JP2018205030A (ja) | 距離測定装置、距離測定方法および距離測定プログラム | |
JP6801434B2 (ja) | 生体画像処理装置、生体画像処理方法および生体画像処理プログラム | |
ES2923881T3 (es) | Detección de irregularidades superficiales en monedas | |
JP2018063161A (ja) | 情報処理装置、情報処理装置の制御方法及びプログラム | |
Kogumasaka et al. | Surface finishing inspection using a fisheye camera system | |
Malekmohamadi | Deep learning based photometric stereo from many images and under unknown illumination | |
Wilk et al. | Reference point estimation technique for direct validation of subpixel point detection algorithms for Internet of Things |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211206 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221115 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230502 |