KR20210091309A - 학습 완료 모델의 생성 방법, 학습 완료 모델, 표면 결함 검출 방법, 강재의 제조 방법, 합부 판정 방법, 등급 판정 방법, 표면 결함 판정 프로그램, 합부 판정 프로그램, 판정 시스템 및, 강재의 제조 설비 - Google Patents

학습 완료 모델의 생성 방법, 학습 완료 모델, 표면 결함 검출 방법, 강재의 제조 방법, 합부 판정 방법, 등급 판정 방법, 표면 결함 판정 프로그램, 합부 판정 프로그램, 판정 시스템 및, 강재의 제조 설비 Download PDF

Info

Publication number
KR20210091309A
KR20210091309A KR1020217019056A KR20217019056A KR20210091309A KR 20210091309 A KR20210091309 A KR 20210091309A KR 1020217019056 A KR1020217019056 A KR 1020217019056A KR 20217019056 A KR20217019056 A KR 20217019056A KR 20210091309 A KR20210091309 A KR 20210091309A
Authority
KR
South Korea
Prior art keywords
defect
image
determination
periodic
absence
Prior art date
Application number
KR1020217019056A
Other languages
English (en)
Other versions
KR102636470B1 (ko
Inventor
타카히로 고시하라
히로아키 오노
Original Assignee
제이에프이 스틸 가부시키가이샤
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 제이에프이 스틸 가부시키가이샤 filed Critical 제이에프이 스틸 가부시키가이샤
Publication of KR20210091309A publication Critical patent/KR20210091309A/ko
Application granted granted Critical
Publication of KR102636470B1 publication Critical patent/KR102636470B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G01N21/8922—Periodic flaws
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
    • G01N2021/8918—Metal
    • 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
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/892—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the flaw, defect or object feature examined
    • G01N2021/8924—Dents; Relief flaws
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Chemical & Material Sciences (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Textile Engineering (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Signal Processing (AREA)
  • Quality & Reliability (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Multimedia (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Databases & Information Systems (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

학습 완료 모델의 생성 방법은, 강재 표면의 결함부의 분포를 나타낸 화상이고, 또한 동일 화상 사이즈의 결함 맵과, 당해 결함 맵에 미리 부여된 주기성 결함의 유무를 포함하는 교사 화상을 이용하여, 강재 표면의 결함부의 분포를 나타낸 화상이고, 또한 화상 사이즈가 상기 동일 화상 사이즈인 결함 맵을 입력값, 당해 결함 맵 내에 있어서의 주기성 결함의 유무에 관한 값을 출력값으로 하는 학습 완료 모델을 기계 학습에 의해 생성한다.

Description

학습 완료 모델의 생성 방법, 학습 완료 모델, 표면 결함 검출 방법, 강재의 제조 방법, 합부 판정 방법, 등급 판정 방법, 표면 결함 판정 프로그램, 합부 판정 프로그램, 판정 시스템 및, 강재의 제조 설비
본 발명은, 학습 완료 모델의 생성 방법, 학습 완료 모델, 표면 결함 검출 방법, 강재의 제조 방법, 합부(合否; pass/fail) 판정 방법, 등급 판정 방법, 표면 결함 판정 프로그램, 합부 판정 프로그램, 판정 시스템 및, 강재의 제조 설비에 관한 것이다.
강판의 제조 라인에서는, 제품 표면의 품질 보증이나 품질 관리를 위해, 표면 결함의 검사가 행해지고 있다. 최근은 판정 시스템의 도입이 진행되고 있어, 검사의 자동화나 생력화(labor-saving)가 도모되고 있다. 최근 도입되어 있는 강재 판정 시스템은, 주로 조명, 카메라에 의한 광학계와 화상 처리계로 이루어지는 검사 시스템이 주류이다. 이들은, 결함부에 있어서 빛이 산란함으로써 생기는 수광 광량의 차이에 기초하여 결함을 검출하고 있다.
압연 강판의 경우, 롤 표면의 부착물, 혹은 결함이 강판에 전사되어, 강판의 표면에 결함이 발생하는 경우가 있다. 이들 결함은, 장척인 강판인 강대에서는, 그의 전체 길이에 걸쳐 주기성을 갖고 발생하기 때문에, 주기성 결함(periodic defects)이라고 불린다. 주기성 결함은, 그의 발생 원인으로부터 일단 발생하면 대량 발생으로 이어진다. 주기성 결함은, 매우 유해함에도 불구하고, 개개의 결함은 매우 미소하기 때문에, 그의 검출은 용이하지 않다. 또한, 강대의 통판 속도가 빠른 고속 라인에서는, 주기성 결함의 검출이 한층 곤란해진다.
또한, 통판 중에 강판이 사행(meandering)하면 주기성 결함의 폭 방향(강판의 흐름 방향에 직교하는 방향)에 있어서의 위치가 크게 움직이기 때문에, 주기성 결함을 흐름 방향으로 주기성이 있는 결함으로서 검출하는 것이 곤란해지는 것이 알려져 있다.
또한, 제조 공정의 사정에 따라, 실제로 주기성 결함이 발생하고 있는 라인보다 하류의 라인에서 주기성 결함을 검사할 필요가 생기는 경우가 있다. 예를 들면, 산 세정 라인에 있어서의 주기성 결함을 냉간 압연 후의 CAL(Continuous Annealing Line: 연속 어닐링 라인)에 있어서 검사하는 경우가 해당한다. 이와 같이, 검사 라인과 결함 발생 라인이 상이한 경우, 결함 발생 라인에 있어서 발생한 강판의 사행의 영향을, 검사 라인에 있어서 검출한 결함부의 위치 정보로부터 판단하는 것은 더욱 곤란해진다.
강판이 사행한 경우라도 주기성 결함을 검출하는 방법으로서, 폭 방향으로 허용폭을 설정하는 방법이 알려져 있다. 구체적으로는, 결함을 검출한 경우에, 그 결함으로부터 폭 방향으로 일정한 허용폭을 설정하고, 이 허용폭 내에 있어서 주기적으로 발생하는(예를 들면 3개 이상) 결함을 주기성 결함으로 판정함으로써, 강판이 사행한 경우라도 주기성 결함을 검출할 수 있다.
특허문헌 1에는, 폭 방향의 수광 신호에 대해서 강판의 흐름 방향에 있어서의 자기 상관 계수(autocorrelation coefficient)를 연산하여 주기성 결함을 검출하는 방법이 제안되어 있다.
특허문헌 2에서는, 결함의 종별마다 결함의 평가값과, 당해 결함종이 주기성 결함종인지 아닌지가 미리 설정된다. 또한, 주기성 결함종에 대해서는, 평가값의 합계값의 문턱값이 미리 설정된다. 그리고, 결함을 검출하는 신호 레벨(결함 검출의 문턱값)을 노이즈 레벨 근처에 설정하고, 검출한 결함의 결함종을 결정하고, 당해 결함종이 주기성 결함이라고 판단된 경우에는, 당해 결함이 동일한 피치로 일정 횟수 이상 연속하여 발생하고, 그의 평가값의 합계값이 미리 설정된 평가값의 합계값의 문턱값 이상이 되었을 때에, 당해 결함을 주기성 결함이라고 판정하는 방법이 제안되어 있다.
특허문헌 3에는, 피검체를 자화(magnetizing)하고, 피검체로부터 누설되는 자속을 자기 센서로 검출하는 누설 자속법에 있어서, 계측한 신호의 2차원 맵에 기초하여, 결함과 동(同)정도의 크기의 복수의 소(小)영역을 롤 피치 상당으로 등간격으로 배치하고, 그 영역 간의 상관 연산을 행함으로써 주기성 결함을 검출하는 방법이 제안되어 있다.
일본공개특허공보 소58-156842호 일본공개특허공보 평7-198627호 일본공개특허공보 2009-265087호
허용폭을 설정하는 방법 및, 특허문헌 2에 기재된 방법은, 결함의 폭 방향의 위치에 착안하여, 결함의 폭 방향의 어긋남량을 평가하고 있기 때문에, 강판의 사행의 영향을 크게 받는다. 그 결과, 강판의 사행에 의해 폭 방향의 위치의 어긋남량이 커진 경우, 주기성 결함으로 판정할 수 없는 경우가 있다. 한편, 폭 방향의 어긋남에 대한 허용량을 크게 하면, 주기성 결함이 아닌 결함을 주기성 결함으로서 검출(과검출)해 버린다.
특허문헌 1에 기재된 방법은, 폭 방향의 전체 신호를 기억하고, 이 신호를 검출해야 할 롤 피치의 전부에 대해서 자기 상관을 취하는 연산을 필요로 하는 점에서, 매우 다대한 기억 용량과 연산 시간을 필요로 한다. 또한, 특허문헌 1에 기재된 방법에 있어서, 감도를 조정하여 다량으로 결함이 검출된 경우에는, 과검출이 되고, 그 중에서 자기 상관 연산에 의해 다수의 주기성 결함으로서 인식되어 버려, 진정한 주기성 결함을 알 수 없게 되어 버릴 가능성이 있다.
특허문헌 3에 기재된 방법은, 특허문헌 1, 2와 달리 누설 자속법에 관한 기술이지만, 이 방법에서도 복수의 소영역은 폭 방향의 동일한 위치에 등간격으로 위치하기 때문에, 강판이 크게 사행하는 경우에는, 주기성 결함을 검출할 수 없다.
본 발명은, 상기 과제를 감안하여 이루어진 것으로서, 강판이 사행하고 있어도 주기성 결함을 고정밀도로 검출할 수 있는 학습 완료 모델의 생성 방법, 학습 완료 모델, 표면 결함 검출 방법, 강재의 제조 방법, 합부 판정 방법, 등급 판정 방법, 표면 결함 판정 프로그램, 합부 판정 프로그램, 판정 시스템 및, 강재의 제조 설비를 제공하는 것을 목적으로 한다.
전술한 과제를 해결하여, 목적을 달성하기 위해, 본 발명의 일 실시 형태에 따른 학습 완료 모델의 생성 방법은, 강재 표면의 결함부의 분포를 나타낸 화상이고, 또한 동일 화상 사이즈의 결함 맵과, 당해 결함 맵에 미리 부여된 주기성 결함의 유무를 포함하는 교사 화상(teacher image)을 이용하여, 강재 표면의 결함부의 분포를 나타낸 화상이고, 또한 화상 사이즈가 상기 동일 화상 사이즈인 결함 맵을 입력값, 당해 결함 맵 내에 있어서의 주기성 결함의 유무에 관한 값을 출력값으로 하는 학습 완료 모델을 기계 학습에 의해 생성한다.
또한, 본 발명의 일 실시 형태에 따른 학습 완료 모델의 생성 방법은, 상기 입력값으로서 이용하는 상기 결함 맵의 화상 사이즈가, 상기 동일 화상 사이즈와 상이한 경우, 당해 결함 맵의 화상 사이즈를 상기 동일 화상 사이즈로 변환하여 상기 입력값으로 한다.
또한, 본 발명의 일 실시 형태에 따른 학습 완료 모델의 생성 방법은, 강재 표면의 결함부의 분포를 나타낸 화상이고, 또한 상기 교사 화상과 동일 화상 사이즈인 결함 맵과, 당해 결함 맵에 미리 부여된 주기성 결함의 유무를 포함하는 테스트 화상을 이용하여 생성되는 학습 완료 모델의 생성 방법으로서, 상기 테스트 화상의 상기 결함 맵을 상기 학습 완료 모델에 입력하고, 당해 테스트 화상에 있어서의 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 테스트 화상에 있어서의 주기성 결함의 유무를 판정하고, 상기 판정된 주기성 결함의 유무와 상기 미리 부여된 주기성 결함의 유무를 비교하여 정답률을 산출하고, 상기 산출된 정답률에 따라서, 상기 학습 완료 모델의 생성 조건을 조정한다.
또한, 본 발명의 일 실시 형태에 따른 학습 완료 모델의 생성 방법은, 상기 학습 완료 모델의 생성 조건의 조정은, 상기 동일 화상 사이즈를 화상 사이즈가 상이한 다른 동일 화상 사이즈로 변경하는 것이다.
또한, 본 발명의 일 실시 형태에 따른 학습 완료 모델의 생성 방법은, 상기 동일 화상 사이즈로서, 서로 화상 사이즈가 상이한 복수 종류의 동일 화상 사이즈를 설정하고, 상기 설정된 각 동일 화상 사이즈의 상기 교사 화상과 상기 테스트 화상의 조(組)를 이용하여, 상기 정답률을 상기 복수 종류의 동일 화상 사이즈마다 산출하고, 상기 산출된 정답률이 가장 높은 동일 화상 사이즈의 교사 화상과 테스트 화상을 이용하여, 학습 완료 모델을 생성한다.
또한, 본 발명의 일 실시 형태에 따른 학습 완료 모델은, 강재의 표면의 결함부의 분포를 나타낸 화상이고, 또한 동일 화상 사이즈의 결함 맵이, 판정 화상으로서 입력되는 입력층과, 상기 판정 화상에 대한 주기성 결함의 유무에 관한 값을 출력하는 출력층과, 상기 판정 화상과 동일 화상 사이즈인 결함 맵을 입력, 상기 결함 맵에 대한 주기성 결함의 유무에 관한 값을 출력으로 하는 교사 화상을 이용하여, 파라미터가 학습된 중간층을 구비하고, 상기 동일 화상 사이즈인 판정 화상을 입력층에 입력하고, 상기 중간층에서 계산하고, 상기 출력층으로부터 주기성 결함의 유무에 관한 값을 출력하도록, 컴퓨터를 기능시킨다.
또한, 본 발명의 일 실시 형태에 따른 표면 결함 검출 방법은, 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과, 상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과, 상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과, 상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 판정 화상에 대한 주기성 결함의 유무를 판정하는 스텝을 포함한다.
또한, 본 발명의 일 실시 형태에 따른 표면 결함 검출 방법은, 상기 학습 완료 모델은, 상기 판정 화상이 입력되었을 때에, 상기 주기성 결함의 유무에 관한 값을 출력하도록, 상기 판정 화상과 동일 화상 사이즈의 교사 화상을 이용하여 기계 학습이 실시된 것이다.
또한, 본 발명의 일 실시 형태에 따른 강재의 제조 방법은, 표면 결함 검출 방법을 이용하여, 강재의 표면의 주기성 결함을 검출하고, 당해 검출 결과에 따라서 제조 조건을 제어하여 강재를 제조한다.
또한, 본 발명의 일 실시 형태에 따른 합부 판정 방법은, 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과, 상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과, 상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과, 상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 강재에 대한 합부를 판정하는 스텝을 포함한다.
또한, 본 발명의 일 실시 형태에 따른 강재의 합부 판정 방법은, 상기 학습 완료 모델은, 상기 판정 화상이 입력되었을 때에, 상기 주기성 결함의 유무에 관한 값을 출력하도록, 상기 판정 화상과 동일 화상 사이즈의 교사 화상을 이용하여 기계 학습이 실시된 것이다.
또한, 본 발명의 일 실시 형태에 따른 강재의 제조 방법은, 합부 판정 방법을 이용하여, 강재의 합부를 판정하고, 당해 판정 결과에 따라서 제조 조건을 제어하여 강재를 제조한다.
또한, 본 발명의 일 실시 형태에 따른 등급 판정 방법은, 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과, 상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과, 상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과, 상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 판정 화상에 대한 주기성 결함의 유무를 판정하는 스텝과, 상기 결함부에 기초하여, 상기 판정 화상의 결함 혼입률을 계산하는 스텝과, 상기 계산된 결함 혼입률과, 상기 판정 화상에 대한 주기성 결함의 유무의 판정 결과에 기초하여, 상기 판정 화상에 대응하는 상기 강재의 등급을 판정하는 스텝을 포함한다.
또한, 본 발명의 일 실시 형태에 따른 등급 판정 방법은, 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과, 상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과, 상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과, 상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 강재에 대한 합부를 판정하는 스텝과, 상기 결함부에 기초하여, 상기 판정 화상의 결함 혼입률을 계산하는 스텝과, 상기 계산된 결함 혼입률과, 상기 강재에 대한 합부의 판정 결과에 기초하여, 상기 판정 화상에 대응하는 상기 강재의 등급을 판정하는 스텝을 포함한다.
또한, 본 발명의 일 실시 형태에 따른 강재의 제조 방법은, 등급 판정 방법을 이용하여, 강재를 등급마다 분별하는 분별 스텝을 포함한다.
또한, 본 발명의 일 실시 형태에 따른 표면 결함 판정 프로그램은, 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과, 상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과, 상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과, 상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 판정 화상에 대한 주기성 결함의 유무를 판정하는 스텝을 포함하는 처리를 컴퓨터에 실행시킨다.
또한, 본 발명의 일 실시 형태에 따른 합부 판정 프로그램은, 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과, 상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과, 상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과, 상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 강재에 대한 합부를 판정하는 스텝을 포함하는 처리를 컴퓨터에 실행시킨다.
또한, 본 발명의 일 실시 형태에 따른 판정 시스템은, 강재의 표면을 촬상한 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 결함 맵 작성부와, 상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 사이즈 변환부와, 기계 학습 완료의 학습 완료 모델에 대하여, 상기 판정 화상을 입력하고, 주기성 결함의 유무에 관한 값을 출력하는 주기성 결함 판정부와, 상기 주기성 결함의 유무에 관한 값에 기초하여, 상기 판정 화상에 대한 주기성 결함의 유무를 판정하거나, 및/또는, 상기 강재의 합부를 판정하는 판정부를 구비하고, 상기 학습 완료 모델은, 상기 판정 화상이 입력되었을 때에, 상기 주기성 결함의 유무에 관한 값을 출력하도록, 상기 판정 화상과 동일 화상 사이즈의 교사 화상을 이용하여 기계 학습이 실시된 것이다.
또한, 본 발명의 일 실시 형태에 따른 강재의 제조 설비는, 판정 시스템을 구비한다.
본 발명에 의하면, 강판이 사행하고 있어도 주기성 결함을 고정밀도로 검출할 수 있는 학습 완료 모델의 생성 방법, 학습 완료 모델, 표면 결함 검출 방법, 강재의 제조 방법, 합부 판정 방법, 등급 판정 방법, 표면 결함 판정 프로그램, 합부 판정 프로그램, 판정 시스템 및, 강재의 제조 설비를 실현할 수 있다.
도 1은, 본 발명의 실시 형태 1에 따른 강재 판정 시스템의 구성을 나타내는 개략도이다.
도 2는, 학습 완료 모델의 구성을 나타내는 개략도이다.
도 3은, 학습 완료 모델을 생성하는 흐름을 나타내는 플로우차트이다.
도 4는, 결함 맵의 일 예를 나타내는 도면이다.
도 5는, 결함 맵의 일 예를 나타내는 도면이다.
도 6은, 화상 사이즈를 변환하기 전의 결함 맵의 일 예를 나타내는 도면이다.
도 7은, 화상 사이즈를 변환한 후의 결함 맵의 일 예를 나타내는 도면이다.
도 8은, 본 실시 형태에서 이용한 CNN의 예를 설명하기 위한 도면이다.
도 9는, 준비한 교사 화상용 결함 맵 및 테스트 화상용 결함 맵의 매수의 일 예를 나타내는 도면이다.
도 10은, 테스트 판정 결과의 일 예를 나타내는 도면이다.
도 11은, 테스트 판정 결과의 다른 일 예를 나타내는 도면이다.
도 12는, 종래 기술에 의한 테스트 판정 결과의 일 예를 나타내는 도면이다.
도 13은, 동일 화상 사이즈를 60×120화소로 설정했을 때의, 교사 화상 및 테스트 화상에 대한 정답률의 변화를 나타내는 그래프이다.
도 14는, 동일 화상 사이즈를 120×240화소로 설정했을 때의, 교사 화상 및 테스트 화상에 대한 정답률의 변화를 나타내는 그래프이다.
도 15는, 동일 화상 사이즈를 240×480화소로 설정했을 때의, 교사 화상 및 테스트 화상에 대한 정답률의 변화를 나타내는 그래프이다.
도 16은, 도 13∼도 15에 있어서, 테스트 화상에 대한 최고 정답률과 동일 화상 사이즈의 관계를 플롯한 그래프이다.
도 17은, 도 16의 플롯점의 정답률의 값 및 최고 정답률일 때의 에폭(epochs)수를 나타내는 표이다.
도 18은, 강재의 주기성 결함의 유무를 판정하는 흐름을 나타내는 플로우차트이다.
도 19는, 도 18의 판정 화상 작성 처리를 나타내는 플로우차트이다.
도 20은, 도 18의 판정을 나타내는 플로우차트이다.
도 21은, 주기성 결함을 포함하는 결함 맵의 일 예를 나타내는 도면이다.
도 22는, 주기성 결함을 포함하지 않는 결함 맵의 일 예를 나타내는 도면이다.
도 23은, 도 18의 판정을 나타내는 플로우차트이다.
도 24는, 도 18의 판정을 나타내는 플로우차트이다.
도 25는, 본 발명의 실시 형태 2에 따른 강재 판정 시스템의 구성을 나타내는 개략도이다.
도 26은, 도 18의 판정을 나타내는 플로우차트이다.
도 27은, 도 18의 판정을 나타내는 플로우차트이다.
(발명을 실시하기 위한 형태)
이하, 도면을 참조하여, 본 발명의 일 실시 형태인 학습 완료 모델의 생성 방법, 학습 완료 모델, 표면 결함 검출 방법, 강재의 제조 방법, 합부 판정 방법, 등급 판정 방법, 표면 결함 판정 프로그램, 합부 판정 프로그램, 판정 시스템 및, 강재의 제조 설비에 대해서 설명한다. 먼저, 판정 시스템의 개요를 설명한다. 계속하여, 이 판정 시스템에서 이용하는 표면 결함을 검출하기 위한 학습 완료 모델에 대해서 설명한다. 그 후, 이 학습 완료 모델의 생성 방법을 설명한다. 그리고, 학습 완료 모델을 이용한 표면 결함 검출 방법, 그 표면 결함 검출 방법을 이용한 강재의 제조 방법, 합부 판정 방법, 그 합부 판정 방법을 이용한 강재의 제조 방법, 강재의 제조 설비 및, 등급 판정 방법을 순서대로 설명한다.
본 발명은, 주기성 결함을 가질 가능성이 있는 강재이면, 강재 일반에 대하여 적용할 수 있지만, 이하에 있어서는 강판(P)을 예로 설명한다. 강판(P)은, 예를 들면, 냉연 강판, 표면 처리 강판, 산 세정 강판, 열연 강판, 전자 강판 등의 사행의 영향을 받을 가능성이 있는 공정을 거쳐 제조된 강판이다. 또한, 본 발명은, 장척인 강판인 강대에도 적용할 수 있다. 강대에 대하여 적용하는 경우에는, 긴 범위에서 발생하기 쉬운 주기성 결함에 의해 제품 품질이 크게 손상되는 것을 막는 효과가 특히 현저하다.
(실시 형태 1)
〔강재 판정 시스템〕
도 1은, 본 발명의 실시 형태 1에 따른 강재 판정 시스템의 구성을 나타내는 개략도이다. 도 1에 나타내는 바와 같이, 본 발명의 실시 형태 1에 따른 강재 판정 시스템(1)은, 조명 장치(2)와, 촬상 장치(3)와, 화상 처리부(4)와, 강재 판정부(5)를 구비하고 있다.
강재 판정 시스템(1)은, 후술하는 학습 완료 모델을 이용하여 강판(P)의 표면에 주기성 결함이 있는지 아닌지를 판정하는 강판(P)의 판정 시스템이다.
조명 장치(2)는, 광원으로서, 강재 판정 시스템(1)의 검사 대상인 강판(P)의 표면을 조명한다. 조명 장치(2)는, 강재 판정 시스템(1)에 이용되는 광원이면 좋고, 예를 들면, LED 광원, 백열 광원, 스트로브(strobe), 또는 메탈할라이드 광원이다.
촬상 장치(3)는, 조명 장치(2)에 의해 조명된 강판(P)의 표면을 촬상하고, 그 후, 얻어진 강판(P) 표면의 화상의 전자 데이터를 화상 처리부(4)에 전송한다. 촬상 장치(3)는, 1차원 촬상 소자를 갖는 소위 라인 센서 카메라 또는 2차원 촬상 소자를 갖는 소위 에어리어 카메라의 어느 것이라도 좋지만, 어느 경우에도 강판(P)의 반송에 동기(synchronization)하여 촬상이 행해진다. 촬상 장치(3)가 라인 센서 카메라인 경우, 조명 장치(2)로서 연속 점등 조명이 이용된다. 촬상 장치(3)가 에어리어 카메라인 경우에는, 조명 장치(2)로서 강판(P)이 일정 거리 진행될 때마다 섬광을 발하는 플래시 조명이 이용된다. 촬상 장치(3)에 이용되는 촬상 소자는, CCD(Charge Coupled Device)라도 좋지만, CMOS(Complementary Metal Oxide Semiconductor)라도 좋다. 또한, 촬상 장치(3)는, 조명의 정반사, 확산 반사의 어느 것을 촬상해도 좋다. 도 1에서는, 1조의 광원과 카메라를 도시하고 있지만, 광원 및 카메라는 각각 복수라도 좋다. 예를 들면, 1조의 광원과 카메라를 정반사로 배치하고, 다른 1조의 광원과 카메라를 확산 반사로 배치하는 2조의 광학계라도 좋다. 또한, 2조의 광원과 카메라를 각각 확산 반사로 배치해도 좋고, 3조 이상의 광원과 카메라를 조합해도 좋다. 또한, 강판(P)의 폭 방향을 복수로 분할하고, 복수조의 광원과 카메라로 나누어 촬상하고, 나중에 화상을 합성해도 좋다. 또한, 통상, 광원과 카메라의 사이에는, 색 유리 필터, IR 컷오프 필터, 편광 필터 등, 여러 가지의 광학 소자가 배치되지만, 도 1에서는 생략했다.
화상 처리부(4)는, 촬상 장치(3)로부터 전송된 강판(P) 표면의 화상의 데이터를 해석하여 강판(P) 표면에 표면 결함이 있으면 그들을 검출하고, 또한, 그들 표면 결함의 종별이나 유해도를 판정하여, 그의 정보를 강재 판정부(5)에 출력한다.
화상 처리부(4)는, 데이터 취득부(41), 화상 보정부(42), 결함 검출부(43), 결함 판정부(44) 및, 결함 맵 작성부(45)를 내부에 구비하고 있다. 화상 처리부(4)는, CPU(Central Processing Unit) 등의 각종 연산 회로, 메모리나 하드 디스크 등의 기억 장치를 이용하여 실현된다. 화상 처리부(4) 내의 각 블록은, 연산 회로에 의해 실행되는 프로그램에 의해 실현된다. 즉, 화상 처리부(4)는, 이 프로그램의 실행을 통하여, 데이터 취득부(41), 화상 보정부(42), 결함 검출부(43), 결함 판정부(44) 및, 결함 맵 작성부(45)로서 기능한다.
강재 판정부(5)는, 사이즈 변환부(51), 주기성 결함 판정부(52) 및, 판정부(53)를 내부에 구비하고 있다. 강재 판정부(5)는, CPU 등의 각종 연산 회로, 메모리나 하드 디스크 등의 기억 장치를 이용하여 실현된다. 강재 판정부(5) 내의 각 블록은, 연산 회로에 의해 실행되는 프로그램에 의해 실현된다. 즉, 강재 판정부(5)는, 이 프로그램의 실행을 통하여, 사이즈 변환부(51), 주기성 결함 판정부(52) 및, 판정부(53)로서 기능한다. 또한, 강재 판정부(5)는, 액정 또는 유기 EL(Electro Luminescence) 등으로 이루어지는 표시 패널을 갖는 표시부(55)를 구비한다.
강재 판정 시스템(1)은, 필요에 따라서 기계 학습부(6)를 구비해도 좋다. 기계 학습부(6)는, 사이즈 변환부(61), 모델 작성부(62) 및, 정답률 산출부(63)를 내부에 구비하고 있다. 기계 학습부(6)는, CPU 등의 각종 연산 회로, 메모리나 하드 디스크 등의 기억 장치를 이용하여 실현된다. 기계 학습부(6) 내의 각 블록은, 연산 회로에 의해 실행되는 프로그램에 의해 실현된다. 즉, 기계 학습부(6)는, 이 프로그램의 실행을 통하여, 사이즈 변환부(61), 모델 작성부(62) 및, 정답률 산출부(63)로서 기능한다. 또한, 기계 학습부(6)는, 액정 또는 유기 EL 등으로 이루어지는 표시 패널을 갖는 표시부(65)를 구비한다.
화상 처리부(4), 강재 판정부(5) 및, 기계 학습부(6)는, 각각 다른 컴퓨터로 이루어지는 구성이면 좋다. 이 경우, 화상 처리부(4), 강재 판정부(5) 및, 기계 학습부(6)는, 각각 마우스 및 키보드 등의 도시하지 않는 입력부나 표시부를 갖는다. 또한, 도 1에는, 강재 판정부(5)의 표시부(55) 및 기계 학습부(6)의 표시부(65)를 도시하고 있지만, 입력부나 화상 처리부(4)의 표시부는 도시하고 있지 않다.
또한, 도 1에 있어서는, 화상 처리부(4)와 강재 판정부(5)는, 전기적으로 접속되어 있다. 그 때문에, 화상 처리부(4)에서 작성된 후술하는 결함 맵이나 결함부 등의 전자 데이터는, 화상 처리부(4)로부터 강재 판정부(5)로 전송되는 것이 가능해지고 있다.
또한, 기계 학습부(6)는, 필요할 때에, 화상 처리부(4)와 강재 판정부(5)의 각각에 전기적으로 접속할 수 있도록 되어 있다. 예를 들면, 학습 완료 모델의 재학습이 필요해진 경우, 화상 처리부(4)로부터 결함 맵의 백업 데이터와, 강재 판정부(5)로부터 결함 맵에 대응하는 주기성 결함의 유무의 전자 데이터를, 각각 기계 학습부(6)로 입력할 수 있다. 그리고, 기계 학습부(6)에서 재학습이 실시된 학습 완료 모델은, 전자 데이터로서, 기계 학습부(6)로부터 강재 판정부(5)로 출력할 수 있다.
또한, 기계 학습부(6)의 모델 작성부(62)는, 클라우드 컴퓨팅을 이용한 것 이라도 좋다. 이 경우, 모델 작성부(62)는, 사이즈 변환부(61)와 정답률 산출부(63)로, 네트워크(예를 들면, 인터넷이나 로컬 에어리어 네트워크 등)을 통하여 접속된다. 또한, 이 경우, 사이즈 변환부(61)와 정답률 산출부(63)도, 동일 또는 다른 클라우드 컴퓨팅을 이용한 것이라도 좋다. 반대로, 사이즈 변환부(61)와 정답률 산출부(63)를 구비하는 것을 불필요로 해도 좋다. 또한, 학습 완료 모델이 벤더(유저에게 제품을 제공하고 있는 회사)나 메이커 등으로부터 클라우드 컴퓨팅 등을 이용하여 제공되는 경우, 기계 학습부(6)의 모델 작성부(62)를 형성하지 않아도 좋다. 이 경우, 추가로, 사이즈 변환부(61)와 정답률 산출부(63)를 형성하지 않는다면, 강재 판정 시스템(1)은, 기계 학습부(6)를 구비하지 않는 시스템이 된다.
또한, 화상 처리부(4), 강재 판정부(5) 및, 기계 학습부(6)는, 1개의 컴퓨터로 이루어지는 구성이라도 좋고, 화상 처리부(4), 강재 판정부(5) 및, 기계 학습부(6) 중, 어느 2개가 1개의 컴퓨터로 이루어지는 구성이라도 좋다. 강재 판정부(5) 및 기계 학습부(6)가 1개의 컴퓨터로 이루어지는 구성의 경우에는, 사이즈 변환부(51)와 사이즈 변환부(61)는, 동일한 부라도 좋다. 또한, 표시부(65, 55)도 동일한 부라도 좋다.
또한 반대로, 화상 처리부(4), 강재 판정부(5) 및, 기계 학습부(6)는, 각각이 1개 이상의 컴퓨터로 이루어지는 구성이라도 좋다. 연산 회로로의 부하가 높은 처리를 행하는 경우에 있어서는, 1개 이상의 컴퓨터로 구성하는 것이 바람직하다. 특히, 후술하는 학습 완료 모델을 생성하는 기계 학습부(6)는, 1개 이상의 컴퓨터로 구성하는 것이 바람직하다. 또한, 이 컴퓨터에는, 클라우드 컴퓨팅을 이용한 것도 포함된다.
〔학습 완료 모델〕
다음으로, 본 발명에 따른 실시 형태 1이, 주기성 결함을 검출하기 위해 이용하는 학습 완료 모델에 대해서 설명한다. 본 발명의 학습 완료 모델은, 인공 지능 소프트웨어의 일부인 프로그램 모듈로서의 이용이 상정되어 있고, CPU 및 기억 장치를 구비하는 컴퓨터(본 명세서 내에 있어서는, 강재 판정부(5))에서 이용된다. 학습 완료 모델은, 교사 화상의 결함 맵의 화상 사이즈와 동일 화상 사이즈인 결함 맵을 입력값, 그 결함 맵에 있어서의 주기성 결함의 유무에 관한 값을 출력값으로 하는 학습 완료 모델이다. 결함 맵은, 유해한 결함이라고 판정된 결함부의 2차원 분포를 나타낸 화상이다. 환언하면, 결함 맵은, 결함부가 점에 의해 플롯된 화상이다.
도 2는, 학습 완료 모델의 구성을 나타내는 개략도이다. 도 2에 있어서의 학습 완료 모델은, 입력층(71)과 중간층(72)과 출력층(73)을 구비한다. 여기에서, 입력층(71)에는, 강판(P)의 표면의 결함부의 분포를 나타낸 화상이고, 또한 교사 화상과 동일 화상 사이즈의 결함 맵이, 판정 화상으로서 입력된다. 중간층(72)은, 판정 화상과 동일 화상 사이즈인 결함 맵을 입력, 결함 맵에 대한 주기성 결함의 유무에 관한 값을 출력으로 하는 교사 화상을 이용하여, 파라미터가 학습되어 있다. 출력층(73)으로부터는, 판정 화상에 대한 주기성 결함의 유무에 관한 값이 출력된다.
그리고, 학습 완료 모델은, 교사 화상과 동일 화상 사이즈인 판정 화상을 입력층(71)에 입력하고, 중간층(72)에서 계산하고, 출력층(73)으로부터 주기성 결함의 유무에 관한 값을 출력하도록 컴퓨터를 기능시킨다. 또한, 판정 화상은, 주기성 결함의 유무가 판정되는 대상이 되는 화상이고, 강판(P)의 표면의 결함부의 2차원 분포를 나타낸 화상이고, 또한 교사 화상과 동일 화상 사이즈의 결함 맵이다. 교사 화상에 대해서는 후술한다. 또한, 이하에 있어서, 동일 화상 사이즈란, 판정 화상, 교사 화상 및, 후술하는 테스트 화상의 결함 맵의 화상 사이즈를 동일한 사이즈로 통일할 때의 화상 사이즈이다. 또한, 이상에서 설명한 학습 완료 모델은, 그의 기능으로부터, 분류기(Classifier)라고 환언할 수도 있다.
〔학습 완료 모델의 생성 방법〕
다음으로, 이 학습 완료 모델의 생성 방법을 설명한다. 또한, 학습 완료 모델의 생성은, 한번 행하면 좋고, 생성한 학습 완료 모델을 이용하여, 반복하여 강판(P)의 표면의 주기성 결함을 검출할 수 있다. 또한, 본 발명의 학습 완료 모델은, CPU 및 기억 장치를 구비하는 컴퓨터(본 명세서 내에 있어서는, 기계 학습부(6))에서 생성된다. 또한, 이 컴퓨터에는, 클라우드 컴퓨팅을 이용한 것도 포함된다.
도 3은, 학습 완료 모델을 생성하는 흐름을 나타내는 플로우차트이다. 도 3의 최초의 처리에 있어서, 화살표가 2개 있지만, 이는 스텝 S1∼S3의 처리와, 스텝 S4, S5의 처리를, 병행하여 행하면 좋은 것을 나타내고 있다. 이후의 플로우차트에 있어서도, 2개의 화살표는 마찬가지의 처리를 의미한다. 또한, 화살표의 분기도 마찬가지의 처리를 의미한다. 또한, 스텝 S1∼S3의 처리를 행한 후에 스텝 S4, S5의 처리를 행해도 좋다. 또한, 스텝 S1과 스텝 S4의 처리, 스텝 S2와 스텝 S4의 처리를 각각 정리하여 행하고, 그 후에 스텝 S3의 처리를 행해도 좋다.
도 3에 나타내는 바와 같이, 우선, 결함 맵과, 그 결함 맵에 미리 부여된 주기성 결함의 유무를 교사 화상용의 데이터조로서 복수 준비한다(스텝 S1). 교사 화상용 결함 맵은, 길이나 폭이 상이한 강판(P)의 표면을 미리 촬상한 촬상 데이터로부터 작성된다.
도 4, 도 5는, 결함 맵의 일 예를 나타내는 도면이다. 도 4, 도 5에 있어서, 검게 표시된 부분이 결함부이다. 도 4는, 주기성 결함을 갖지 않는 결함 맵의 일 예이고, 도 5는, 주기성 결함(D)을 갖는 결함 맵의 일 예이다. 미리 준비한 모든 결함 맵에는, 각각 대응하는 주기성 결함의 유무가 미리 작성되어 있고, 각 결함 맵과 그 결함 맵에 있어서의 주기성 결함의 유무가 각각 대응지어져 있다.
계속하여, 사이즈 변환부(61)는, 교사 화상용의 데이터조에 포함되는 각 결함 맵의 화상 사이즈를, 동일 화상 사이즈로 변환하는 사이즈 변환 처리를 행한다(스텝 S2). 이 처리를 행함으로써, 결함 맵과 그 결함 맵에 미리 부여된 주기성 결함의 유무를 포함하는 교사 화상이 준비된다.
강판(P)은, 제조 조건마다 길이, 폭이 상이하기 때문에, 그 강판(P)에 대응하는 결함 맵도 길이, 폭이 상이한 것으로 되어 있다. 도 6은, 화상 사이즈를 변환하기 전의 결함 맵의 일 예를 나타내는 도면이다. 도 6에 나타내는 바와 같이, 예를 들면, 길이 100m, 폭 1500㎜의 강판(B1)을 촬상하여 작성된 결함 맵과, 길이 75m, 폭 900㎜의 강판(B2)을 촬상하여 작성된 결함 맵이 있다고 한다. 강판(B1) 및 강판(B2)에는, 주기 간격 8m, 사행량 460㎜의 동정도의 주기, 사행량의 주기성 결함이 발생했다고 한다. 또한, 동일한 제조 장치를 이용하여 동시기에 강판을 제조하면, 발생하는 주기성 결함은, 동정도의 주기, 사행량이 되기 쉽다.
도 7은, 화상 사이즈를 변환한 후의 결함 맵의 일 예를 나타내는 도면이다. 도 7에 나타내는 바와 같이, 사이즈 변환부(61)는, 강판(B1)에 대응하는 결함 맵과, 강판(B2)에 대응하는 결함 맵을 각각 120×240화소의 화상 사이즈(동일 화상 사이즈)로 변환한다. 그러면, 사이즈 변환 후의 결함 맵(C1)에는, 주기 간격 19화소, 사행량 37화소의 주기성 결함이 발생하고 있고, 사이즈 변환 후의 결함 맵(C2)에는, 주기 간격 26화소, 사행량 61화소의 주기성 결함이 발생하고 있게 된다. 즉, 사이즈 변환부(61)가 결함 맵을 동일 사이즈로 변환함으로써, 상이한 주기, 사행량의 주기성 결함을 포함하는 교사 화상을 이용하여 기계 학습하는 것과 마찬가지의 효과가 얻어진다. 이와 같이, 사이즈 변환부(61)가, 교사 화상용 결함 맵의 화상 사이즈를 동일 사이즈로 변환하여 교사 화상으로 함으로써, 많은 베리에이션(variation)의 주기성 결함을 포함하는 교사 화상을 이용하여 기계 학습하는 것과 동등의 효과가 얻어지기 때문에, 효율 좋게 기계 학습을 행할 수 있다.
또한, 초회(初回)의 동일 화상 사이즈는, 적당히 설정한 화상 사이즈를 이용해도 좋다. 또한, 교사 화상의 결함 맵의 화상 사이즈가 통일되어 있지 않은 채 기계 학습을 행하고, 후술하는 정답률의 결과에 기초하여 적합한 화상 사이즈를 결정하고 나서, 사이즈 변환부(61)에 의해 교사 화상의 결함 맵을 동일 화상 사이즈로 변환해도 좋다. 또한, 동일 화상 사이즈로서, 서로 화상 사이즈가 상이한 복수 종류의 동일 화상 사이즈를 설정하고, 설정한 각 동일 화상 사이즈에 있어서 후술하는 정답률을 산출하고, 산출된 정답률이 미리 정한 문턱값 이상이거나 가장 높아지는 화상 사이즈를 결정하고, 결정한 동일 화상 사이즈로 학습 완료 모델을 생성해도 좋다.
또한, 어느 경우에 있어서도, 사이즈 변환부(61)를 이용하지 않고, 다른 컴퓨터 등을 이용하여, 미리 결함 맵의 화상 사이즈가 동일 화상 사이즈로 된 교사 화상을 준비해도 좋다.
한편, 스텝 S4에 있어서, 스텝 S1과 마찬가지로, 강판(P) 표면의 결함부의 2차원 분포를 나타낸 화상인 결함 맵과, 그 결함 맵에 부여된 주기성 결함의 유무를 테스트 화상용의 데이터조로서 복수 준비한다. 테스트 화상용 결함 맵도, 전술의 교사 화상용 결함 맵과 동일하게, 길이나 폭이 상이한 강판(P)의 표면을 미리 촬상한 촬상 데이터로부터 작성된다.
계속하여, 스텝 S5에 있어서, 스텝 S2와 마찬가지로, 사이즈 변환부(61)는, 테스트 화상용의 데이터조에 포함되는 각 결함 맵의 화상 사이즈를, 전술의 교사 화상의 결함 맵과 동일 화상 사이즈로 변환하는 사이즈 변환 처리를 행한다. 이 처리를 행함으로써, 결함 맵과 그 결함 맵에 미리 부여된 주기성 결함의 유무를 포함하는 테스트 화상이 준비된다.
교사 화상을 준비한 후, 모델 작성부(62)는, 스텝 S2에서 준비한 교사 화상을 이용하여, 학습 완료 모델을 기계 학습에 의해 생성하는 모델 작성 처리를 행한다(스텝 S3). 환언하면, 모델 작성부(62)가 입력값으로서 이용하는 결함 맵의 화상 사이즈가, 동일 화상 사이즈와 상이한 경우, 스텝 S2의 처리에 의해, 사이즈 변환부(61)가 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하고 나서 입력값으로 한다.
본 실시 형태에서 이용되는 기계 학습은, 심층 학습(Deep Learnig(딥러닝))이 바람직하고, 그 중에서도, 특히, 합성곱 뉴럴 네트워크(Convolutional Neural Networks, 이하, 생략하여 CNN이라고 칭함)를 이용하는 것이 보다 바람직하다. 이들 심층 학습을 이용하는 경우, 특히 CNN을 이용하는 경우는, 2층 이상의 뉴럴 네트워크를 구비하고 있으면 좋다. CNN을 이용하는 경우, 학습 완료 모델 또는 분류기는, 합성곱 뉴럴 네트워크 시스템이라고 환언할 수 있다.
본 실시 형태에서 이용한 CNN의 예를, 도 8을 이용하여 상세하게 설명한다. 도 8은, 결함부의 2차원 분포 화상인 결함 맵과, 주기성 결함의 유무에 관한 값을 결부시키는 뉴럴 네트워크 모델을, CNN을 이용하여 실현한 예이다.
우선, 입력층(71)에는, 입력 데이터로서, 120×240화소의 결함 맵이 입력된다.
다음으로, 중간층(72)으로서, 제1 합성곱층(7201)에서 드롭아웃층(7213)까지를 구비한다.
우선, 제1 합성곱층(7201)에서는, 결함 맵의 특징을 추출하여, 120×240×128ch의 데이터가 작성된다.
계속하여, 제1 활성화 함수(7202)에서는, Rectifier Linear Unit(ReLU)이 적용된다.
또한, 제1 풀링층(pooling layer)(7203)에서는, 중요한 정보를 남기면서 사이즈를 축소하여, 120×240×256ch의 데이터가 작성된다.
그 후, 제2 합성곱층(7204), 제2 활성화 함수(7205) 및, 제2 풀링층(7206)에서는, 제1 합성곱층(7201), 제1 활성화 함수(7202) 및, 제1 풀링층(7203)과 마찬가지의 처리가 행해져, 60×120×256ch의 데이터가 작성된다.
또한, 제3 합성곱층(7207), 제3 활성화 함수(7208) 및, 제3 풀링층(7209)에 있어서도 마찬가지의 처리가 행해져, 30×60×16ch의 데이터가 작성된다.
그리고, 제1 전체 결합층(7210)에서는, 노드의 결합의 가중치 부여를 행하여, 15×30×16ch의 데이터가 작성된다.
또한, 제4 활성화 함수(7211)에서는, ReLU가 적용된다.
그 후, 제2 전체 결합층(7212)에서는, 노드의 결합의 가중치 부여를 행하여, 16ch의 데이터가 작성된다. 그리고, 드롭아웃층(7213)을 경유하여 과학습을 막는다.
마지막으로, 출력층(73)으로부터 출력 데이터로서, 입력한 결함 맵에 대하여 주기성 결함의 유무에 관한 값을 출력한다. 주기성 결함의 유무에 관한 값이란, 입력한 결함 맵이, 주기성 결함이 없을 확률 x％, 주기성 결함이 있을 확률 y％이다.
복수의 교사 화상을 이용한 기계 학습이 완료된 후, 테스트 화상의 결함 맵을, 스텝 S3에 있어서 작성한 학습 완료 모델에 입력한다(스텝 S6). 그러면, 학습 완료 모델은, 입력한 테스트 화상에 있어서의 주기성 결함의 유무에 관한 값을 출력한다. 또한, 정답률 산출부(63)는, 학습 완료 모델이 출력한 주기성 결함의 유무에 관한 값에 기초하여, 테스트 화상에 있어서의 주기성 결함의 유무를 판정한다. 그 후, 정답률 산출부(63)는, 각 테스트 화상에 대해서, 판정된 주기성 결함의 유무와, 스텝 S4에 있어서 미리 부여된 주기성 결함의 유무를 비교하여, 정답률을 산출한다.
여기에서, 도 9에서 준비한 전체 결함 맵을 이용하여 얻어진, 복수 종류의 동일 화상 사이즈와 정답률의 예를 설명한다. 이 설명에 의해, 교사 화상의 결함 맵, 테스트 화상의 결함 맵 및 후술하는 판정 화상의 결함 맵의 화상 사이즈를 동일 화상 사이즈로 하는 것의 기술적 중요성이, 명확하게 된다.
도 9는, 준비한 교사 화상용 결함 맵 및 테스트 화상용 결함 맵의 매수의 일 예를 나타내는 도면이다. 도 9에 나타내는 바와 같이, 우선, 길이나 폭이 상이한 강판(P)의 표면을 미리 촬상한 촬상 데이터로부터 작성한 1544매의 결함 맵(전체 결함 맵)을 준비했다. 이들 결함 맵은, 미리 사람에 의해 주기성 결함의 유무가 판정되어 있고, 주기성 결함이 없다고 판정된 결함 맵이 1102매, 주기성 결함이 있다고 판정된 결함 맵이 442매이다.
전체 결함 맵 중, 랜덤으로 선택한 80％(1230매)의 결함 맵은, 교사 화상용 결함 맵에 이용했다. 교사 화상용 결함 맵과 그들에 부여된 주기성 결함의 유무의 데이터의 데이터조는, 기계 학습에 의해 학습 완료 모델을 작성하기 위해 이용된다. 또한, 교사 화상용 결함 맵에 이용한 1230매의 결함 맵에는, 주기성 결함이 없다고 판정된 결함 맵이 881매, 주기성 결함이 있다고 판정된 결함 맵이 349매 각각 포함되어 있다.
한편, 전체 결함 맵 중, 나머지의 20％(314매)의 결함 맵을 테스트 화상용 결함 맵에 이용했다. 테스트 화상용 결함 맵과 그들에 부여된 주기성 결함의 유무의 데이터의 데이터조는, 전술의 교사 화상을 이용하여 작성된 학습 완료 모델의 정답률을 확인하는 테스트를 행할 때에 이용된다. 또한, 테스트 화상용 결함 맵에 이용한 314매의 결함 맵에는, 주기성 결함이 없다고 판정된 결함 맵이 221매, 주기성 결함이 있다고 판정된 결함 맵이 93매 각각 포함되어 있다.
도 10과 도 11은, 테스트 판정 결과의 일 예를 나타내는 도면이다. 도 10은, 사이즈 변환부(61)에 있어서, 교사 화상 및 테스트 화상의 결함 맵의 화상 사이즈를, 240×480화소의 동일 화상 사이즈로 한 경우의 판정 결과이다. 정답률은, (주기성 결함 없음을 주기성 결함 없음으로 판정한 수＋주기성 결함 있음을 주기성 결함 있음으로 판정한 수)/(테스트 화상의 총수)로 정의할 수 있고, 정답률＝(209＋80)/314＝92.0％로 산출할 수 있다. 또한, 과검률은, (주기성 없음을 주기성 있음으로 판정한 수)/(테스트 화상의 총수)로 정의할 수 있고, 과검률＝12/314＝3.8％로 산출할 수 있다.
도 11은, 사이즈 변환부(61)에 있어서, 교사 화상 및 테스트 화상의 결함 맵의 화상 사이즈를, 120×240화소의 동일 화상 사이즈로 한 경우의 판정 결과이다. 정답률은, (211＋82)/314＝93.3％로 산출할 수 있다. 또한, 과검률은, 10/314＝3.2％로 산출할 수 있다.
도 3으로 되돌아와, 산출된 정답률이 문턱값 이상이었던 경우(스텝 S7: Yes), 기계 학습부(6)는, 학습 완료 모델의 생성을 종료한다. 예를 들면, 정답률의 문턱값이 90％인 경우, 도 10에 나타내는 동일 화상 사이즈를 240×480화소로 설정한 경우에 있어서도, 도 11에 나타내는 동일 화상 사이즈를 120×240화소로 설정한 경우에 있어서도, 스텝 S7의 조건이 충족된다.
한편, 산출된 정답률이 문턱값보다 작은 경우(스텝 S7: No), 스텝 S2 및 스텝 S5로 되돌아와, 사이즈 변환부(61)가, 동일 화상 사이즈로 되어 있는 교사 화상 및 테스트 화상의 결함 맵의 화상 사이즈를, 현재의 동일 화상 사이즈와는 화상 사이즈가 상이한 다른 동일 화상 사이즈로 변경한다. 또한, 화상 사이즈의 변경의 방법은 특별히 한정되지 않는다. 예를 들면, 현재의 동일 화상 사이즈보다 큰 화상 사이즈와 작은 화상 사이즈의 쌍방의 화상 사이즈를 새로운 동일 화상 사이즈로서 설정하고, 쌍방의 화상 사이즈에 있어서 정답률을 산출하고, 정답률이 높아지는 방향으로 화상 사이즈를 반복하여 변경하여, 정답률이 문턱값 이상이 되는 화상 사이즈를 검출하면 좋다. 또한, 표시부(65)에, 산출된 정답률이나, 도 10이나 도 11과 같은 교사 화상 및 테스트 화상의 정보 등을 표시시키고, 그들 정보로부터 유저가 변경하는 화상 사이즈를 입력해도 좋다.
또한, 도 10 및 도 11에 나타낸 정답률의 계산예에 있어서, 정답률, 과검률 모두 120×240화소의 쪽이 보다 화상 사이즈가 큰 240×480화소보다도 개선되어 있다. 일반적으로, 기계 학습에 있어서, 화상 사이즈가 클수록 위치 정보의 분해능이 높아져 판정의 정밀도가 좋아지지만, 정보량이 많아지기 때문에 계산의 부담이 커진다. 그러나, 전술한 결과에 있어서는, 화상 사이즈가 작은 120×240화소의 쪽이 판정의 정밀도가 좋다. 이는, 화상 사이즈를 지나치게 크게 하면, 서로 이웃하는 주기성 결함을 연속적인 것으로 인식하기 어려워지기 때문이라고 생각된다. 단, 화상 사이즈를 지나치게 작게 하면, 서로 이웃하는 주기성 결함을 구별할 수 없게 되기 때문에 바람직하지 않다. 또한, 화상 사이즈와 정답률의 관계에 대해서는, 나중에 설명한다.
또한, 화상 사이즈는, 120×240화소, 또는 240×480화소에 한정되지 않는다. 발명자가 시험한 결과, 강판(P)의 폭 방향이 60∼600화소, 길이 방향이 120∼1200화소의 범위가, 계산량과 결함의 위치 정보의 분해능의 균형으로부터 적절한 화상 사이즈의 범위라고 생각되지만, 폭 방향이 60∼180화소, 길이 방향이 120∼360화소로 하면 계산 시간이 짧아져 보다 적합하다고 생각된다.
또한, 전술한 예에서는, 동일 화상 사이즈를 반복하여 변경하는 예를 설명했지만, 이에 한정되지 않는다. 예를 들면, 동일 화상 사이즈로서, 서로 화상 사이즈가 상이한 복수 종류의 동일 화상 사이즈를 설정하고, 설정한 각 동일 화상 사이즈에 있어서 정답률을 산출하고, 산출된 정답률이 미리 정해진 문턱값 이상이거나 가장 높아지는 화상 사이즈에 있어서, 학습 완료 모델을 생성해도 좋다. 예를 들면, 서로 화상 사이즈가 상이한 복수 종류의 동일 화상 사이즈로서, 도 10 및 도 11에서 설명한 240×480화소 및 120×240화소를 설정했다고 하면, 보다 정답률이 높은 120×240화소에 있어서 학습 완료 모델이 작성된다.
또한, 본 발명과의 비교를 위해, 종래 기술을 이용한 경우의 정답률 및 과검률을 산출했다. 종래 기술로서, 결함을 검출한 경우에, 그 결함으로부터 폭 방향으로 일정한 허용폭을 형성하고, 이 허용폭 내에 있어서 주기적으로 발생하는 결함을 주기성 결함으로 판정하는 판정 방법을 이용했다. 이하의 판정에 있어서, 허용폭은 5㎜로 했다. 도 12는, 종래 기술에 의한 테스트 판정 결과의 일 예를 나타내는 도면이다. 도 12에 나타내는 바와 같이, 정답률은, (844＋401)/1544＝80.6％, 과검률은, 258/1544＝16.7％이다. 이 결과와 학습 완료 모델에 의한 판정 결과를 대비하면, 학습 완료 모델에 의해, 정답률, 과검률 모두 대폭으로 개선되어 있는 것을 확인할 수 있다.
여기에서, 화상 사이즈와 정답률의 관계에 대한 인식에 대해서, 도 13∼도 17을 참조하면서 설명한다. 본 검토에서는, 30×60화소, 60×120화소, 120×240화소, 240×480화소, 480×960화소의 5종류의 화상 사이즈를 동일 화상 사이즈로 했다. 이 5종류의 동일 화상 사이즈마다, 전술한 학습 모델의 생성 방법에 의해 학습 완료 모델을 작성하고, 각각의 정답률을 확인했다. 그 결과, 동일 화상 사이즈가 클수록, 판정의 정밀도(즉 정답률)가 좋아지는 것이 아닌 것이 밝혀졌다.
각 화상 사이즈의 정답률의 확인 방법은, 다음과 같다. 본 검토에서는, 교사 화상(교사 화상용 결함 맵과 그들에 부여된 주기성 결함의 유무의 데이터의 데이터조) 및 테스트 화상(테스트 화상용 결함 맵과 그들에 부여된 주기성 결함의 유무의 데이터의 데이터조)에, 도 9에서 준비한 전체 결함 맵을 이용했다. 매수와 내역은, 도 9에 나타난 바와 같다. 즉, 교사 화상용 결함 맵이 1230매, 테스트 화상용 결함 맵이 314매이다. 또한, 교사 화상용 결함 맵 중, 주기성 결함이 없다고 판정된 결함 맵이 881매, 주기성 결함이 있다고 판정된 결함 맵이 349매이다. 한편, 테스트 화상용 결함 맵 중, 주기성 결함이 없다고 판정된 결함 맵이 221매, 주기성 결함이 있다고 판정된 결함 맵이 93매이다.
계속하여, 이들 교사 화상을 이용하여 동일 화상 사이즈마다, 전술한 학습 완료 모델의 생성 방법에 의해 학습 완료 모델을 작성했다. 다음으로, 동일 화상 사이즈마다 작성된 학습 완료 모델에 대하여, 동일한 동일 화상 사이즈의 테스트 화상을 이용하여, 주기성 결함의 유무를 추정시켰다. 이들 교사 화상에 의한 학습 과정과 테스트 화상의 추정 과정에 있어서, 에폭수를 최대 100까지 변화시킨 경우의 손실 함수와 정답률도 아울러 산출했다.
도 13∼도 15는, 동일 화상 사이즈를 60×120화소, 120×240화소, 240×480화소로 각각 설정했을 때의 정답률의 예를 나타내는 그래프이다. 도 13∼도 15에 있어서, 종축은 정답률, 횡축은 에폭수이다. 그래프 중의 점선이, 테스트 화상에 대한 정답률이다. 참고로, 동일한 그래프 중에 실선으로, 교사 화상에 대한 정답률도 게재해 둔다.
산출한 테스트 화상에 대한 정답률 중, 동일 화상 사이즈마다의 최고값을, 그 동일 화상 사이즈에 있어서의 정답률로 했다. 도 16은, 전술의 방법으로 구한 정답률을, 동일 화상 사이즈를 횡축으로 하여 플롯한 그래프이다. 또한, 도 17은, 전술의 방법으로 구한 정답률을 수치로 나타내고 있다. 또한, 도 17에 병기한 에폭수는, 테스트 화상의 최고 정답률일 때에 있어서의 에폭수를 나타내고 있다. 도 16 및 도 17에 나타내는 바와 같이, 5종류의 동일 화상 사이즈 중, 동일 화상 사이즈를 120×240화소로 설정한 경우의 정답률이 가장 높았다. 즉, 동일 화상 사이즈가 클수록, 판정의 정밀도(즉 정답률)가 좋아지는 것이 아닌 것을 알 수 있다. 따라서, 학습 완료 모델을 생성할 때 및, 학습 완료 모델을 사용할 때, 입력값이 되는 화상의 화상 사이즈를 단지 크게 하는 것이 아니라, 정답률을 허용할 수 있는 범위에 들어간다고 예상되는 화상 사이즈를 선택하여, 동일 화상 사이즈로서 사용하는 것이, 기술적으로 바람직하다. 또한, 정답률이 허용 범위에 들어간다고 예상되는 화상 사이즈 중에서도, 보다 높은 정답률의 화상 사이즈를 선택하여 사용하는 것이, 매우 바람직하다.
이상 설명한 학습 완료 모델의 생성 방법에 의하면, 교사 화상 및 테스트 화상의 결함 맵이 동일 화상 사이즈가 되도록 화상 사이즈를 변경하고 나서, 기계 학습이 실시된 학습 완료 모델을 생성하기 때문에, 정답률이 높은 학습 완료 모델(또는 분류기, 더욱 한정된 경우는 합성곱 뉴럴 네트워크 시스템)을 얻을 수 있다. 또한, 정답률이 문턱값 이상이 되도록 학습 완료 모델의 생성 조건을 조정하여 기계 학습이 실시된 학습 완료 모델을 생성하기 때문에, 보다 정답률이 높은 학습 완료 모델을 얻을 수 있다. 여기에서, 학습 완료 모델의 생성 조건의 조정의 구체적인 방법으로서는, 뉴럴 네트워크(본 실시 형태에 있어서는 CNN)의 중간층수를 증가시키거나, 중간층의 조합 방법을 바꾸거나, 및, 교사 화상을 더욱 증가시켜 재학습시키는 등, 공지의 방법을 이용할 수 있다. 또한, 본 발명 독자의 방법으로서는, 교사 화상 및 테스트 화상의 결함 맵의 동일 화상 사이즈를 다른 동일 화상 사이즈로 변환하는 방법을, 이용할 수 있다. 또한, 이 학습 완료 모델을 이용하여 결함 맵을 판정함으로써, 강재 표면의 주기성 결함이 크게 사행하고 있어도, 인력에 의하지 않고 자동적으로 고정밀도로 검출할 수 있다.
〔강재의 표면 결함 검출 방법〕
다음으로, 도 18∼도 22를 참조하여, 작성한 학습 완료 모델을 이용한 강재의 표면 결함 검출 방법을 상세하게 설명한다.
도 18은, 강재의 주기성 결함의 유무를 판정하는 흐름을 나타내는 플로우차트이다. 도 18에 나타내는 바와 같이, 우선, 조명 장치(2)로부터 강판(P)의 표면에 조명광을 조사하고, 촬상 장치(3)가, 조명광이 조사된 강판(P)의 표면을 촬상한다(스텝 S21). 촬상 장치(3)가 촬상한 전자 데이터인 촬상 데이터는, 화상 처리부(4)에 출력된다.
계속하여, 화상 처리부(4)는, 판정 화상을 생성하는 판정 화상 작성 처리를 행한다(스텝 S22). 판정 화상은, 학습 완료 모델에 의해 주기성 결함의 유무 등이 판정되는 대상이 되는 화상이다.
도 19는, 도 18의 판정 화상 작성 처리를 나타내는 플로우차트이다. 도 19에 나타내는 바와 같이, 화상 처리부(4)는, 촬상 장치(3)가 출력한 촬상 데이터에 대하여 전(前) 처리를 행한다(스텝 S31). 데이터 취득부(41)는, 촬상 장치(3)와 접속하고, 촬상 장치(3)가 촬상한 상(image)을 전자 데이터로 하여, 화상 처리부(4)가 취입할 수 있도록 한다. 우선, 데이터 취득부(41)는, 내부에 일시 기억 영역을 갖고, 촬상 장치(3)로부터 전송된 강판(P) 표면의 촬상 데이터를 순차적으로 일시 기억 영역에 버퍼링한다. 그리고, 데이터 취득부(41)는, 촬상 장치(3)가 에어리어 센서나 CCD이고, 촬상 데이터가 소정의 크기의 2차원 화상인 경우, 2차원 화상 데이터를 화상 보정부(42)에 출력한다. 또한, 데이터 취득부(41)는, 촬상 장치(3)가 라인 센서이고, 촬상 데이터가 1차원 데이터인 경우, 소정의 길이의 촬상 데이터를 결합시킨 2차원 화상 데이터로 하여 화상 보정부(42)에 출력한다. 화상 보정부(42)는, 데이터 취득부(41)가 출력한 2차원 화상 데이터에 대하여, 엣지 검출, 휘도 불균일의 보정(셰이딩 보정), 휘도 조정 등의 화상 보정을 행한다.
계속하여, 결함 검출부(43)는, 미리 강판(P)의 재료나 종류 등에 기초하여 정해진 문턱값을 이용하여, 각 2차원 화상 데이터에 있어서 휘도값이 문턱값 이상인 점을 결함 후보부로서 추출하고, 그의 폭, 길이, 위치, 휘도의 최대값, 최소값, 평균 휘도 등의 특징량을 계산하는 결함 검출 처리를 행한다(스텝 S32).
그 후, 결함 판정부(44)는, 스텝 S3에서 산출된 결함 후보부마다의 특징량에 기초하여, 유해/무해의 판정, 크기, 결함의 종별 및, 중독도(severity) 등을 판정하는 결함 판정 처리를 행한다(스텝 S33). 또한, 이하에 있어서, 결함 후보부 중, 결함 판정부(44)가 유해하다고 판정한 결함 후보부를 결함부라고 한다. 또한, 결함부의 데이터에는, 적어도 결함의 종별, 중독도, 크기, 좌표가 포함된다.
또한, 결함 맵 작성부(45)는, 결함 판정부(44)가 판정한 결함부 데이터로부터, 결함부의 2차원 분포를 나타내는 결함 맵을 작성한다(스텝 S34).
그 후, 단수 또는 복수의 판정 대상이 되는 결함 맵은, 강재 판정부(5)로 전달된다.
그리고, 강재 판정부(5)의 사이즈 변환부(51)는, 각 결함 맵의 화상 사이즈를 교사 화상과 동일 화상 사이즈로 변환하는 사이즈 변환 처리를 행한다(스텝 S35). 구체적으로는, 판정 대상이 되는 결함 맵의 화상 사이즈가, 미리 설정된 동일 화상 사이즈보다도 큰 경우, 사이즈 변환부(51)는, 화상 사이즈를 작게 하여 동일 화상 사이즈와 동일하게 한다. 반대로, 판정 대상이 되는 결함 맵의 화상 사이즈가, 미리 설정된 동일 화상 사이즈보다도 작은 경우는, 화상 사이즈를 크게 하여 동일 화상 사이즈와 동일하게 한다. 또한, 교사 화상과 동일 화상 사이즈는, 학습 완료 모델을 작성할 때의 교사 화상의 결함 맵의 화상 사이즈이고, 교사 화상의 결함 맵의 화상 사이즈로부터, 미리 설정된다. 환언하면, 스텝 S35에 있어서는, 사용되는 학습 완료 모델을 작성할 때에 선택된 교사 화상 및 테스트 화상의 결함 맵의 동일 화상 사이즈가, 판정 화상의 결함 맵에도 이용된다.
이상 설명한 처리에 의해, 교사 화상 및 테스트 화상과 동일 화상 사이즈의 결함 맵인 판정 화상이 작성된다. 판정 화상은, 주기성 결함의 유무를 판정하는 대상이 되는 화상이기 때문에, 이 시점에서는 주기성 결과의 유무는 미지(미판정)이다. 그리고, 판정 화상은, 이 후의 처리에 의해, 학습 완료 모델에 의해 주기성의 유무가 판정된다.
강재 판정부(5)의 사이즈 변환부(51)는, 전술한 스텝 S2, S4에 있어서의 사이즈 변환부(61)와 기능은 동일하지만, 역할은 상이하다. 스텝 S35에 있어서의 사이즈 변환부(51)는, 서로 상이한 화상 사이즈의 결함 맵을, 미리 설정된 동일 화상 사이즈로 고정하고, 통일하는 것이 역할이다. 전술의 사이즈 변환부(61)의 경우는, 학습 완료 모델의 정답률을 올리기 위해, 특정의 동일 화상 사이즈로 고정되어 있는 교사 화상과 테스트 화상을, 다른 동일 화상 사이즈로 변경하는 것이 역할이다.
도 18로 되돌아와, 강재 판정부(5)는, 판정 화상에 대한 판정을 행한다(스텝 S23). 판정은, 강재 판정부(5)가 행하는 처리이고, 여기에서는, 강판(P)의 주기성 결함의 유무 등을 판정하는 처리이다.
도 20은, 도 18의 판정 스텝 S23을 나타내는 플로우차트이다. 도 20 중의, 주기성 결함 판정부(52)는, 판정 화상이 주기성 결함을 갖는 화상인지 아닌지를 판정하는 주기성 결함 판정 처리를 행한다(스텝 S41). 구체적으로는, 주기성 결함 판정부(52)는, 판정 화상을 학습 완료 모델에 입력하고, 주기성 결함의 유무에 관한 값을 출력한다. 주기성 결함의 유무에 관한 값이란, 판정 화상이 주기성 결함이 없는 화상일 확률 x％ 및, 판정 화상이 주기성 결함이 있는 화상일 확률 y％이다.
계속하여, 판정부(53)는, 판정 화상에 대한 판정을 행하는 판정 처리를 행한다(스텝 S42). 판정 처리는, 판정부(53)가 행하는 처리이고, 여기에서는, 판정부(53)가, 판정 화상이 주기성 결함을 갖는 화상인지 아닌지를 판정하는 처리이다. 구체적으로는, 판정부(53)는, 주기성 결함 판정부(52)가 산출한 확률 x에 기초하여, 판정 화상이 주기성 결함이 없는 화상인지 아닌지를 판정한다(스텝 S421). 판정부(53)는, 주기성 결함 판정부(52)가 산출한 판정 화상이 주기성 결함이 없는 화상일 확률 x％가 문턱값 이상인 경우에, 판정 화상이 주기성 결함이 없는 화상이라고 판정하고, 확률 x％가 문턱값보다 작은 경우에, 판정 화상이 주기성 결함이 있는 화상이라고 판정한다. 또한, 판정부(53)는, 주기성 결함 판정부(52)가 산출한 확률 y, 또는 확률 x 및 확률 y의 쌍방을 이용하여, 판정 화상이 주기성 결함이 없는 화상인지 아닌지를 판정해도 좋다.
도 18로 되돌아와, 강재 판정부(5)는, 예를 들면 표시부(55)에 판정 결과를 표시하는 것이나, 판정 결과를 기억 장치에 기억함으로써, 판정 결과를 출력하고(스텝 S24), 일련의 처리를 종료한다.
이상 설명한 강재의 표면 결함 검출 방법에 의하면, 학습 완료 모델(또는 분류기, 더욱 한정된 경우는 합성곱 뉴럴 네트워크 시스템)을 이용함으로써, 강판(P)이 사행하고 있는 경우라도, 주기성 결함의 유무를, 사람의 육안에 의하지 않고 자동적으로 고정밀도로 판정할 수 있다.
다음으로, 종래 기술과 본 발명의 강재의 표면 결함 검출 방법의 비교 결과에 대해서 설명한다. 도 21은, 주기성 결함을 포함하는 결함 맵의 일 예를 나타내는 도면이다. 도 21의 (a)∼(c)는, 모두 주기성 결함을 포함하는 결함 맵이고, 강재의 표면 결함 검출 방법 및 종래 기술의 어느 것에 의해서도 주기성 결함을 포함한다고 판정되었다.
도 22는, 주기성 결함을 포함하지 않는 결함 맵의 일 예를 나타내는 도면이다. 도 22의 (a), (b)는, 모두 주기성 결함을 포함하지 않는 결함 맵이고, 강재의 표면 결함 검출 방법에는, 주기성 결함을 포함하지 않는다고 판정되고, 종래 기술에는, 주기성 결함을 포함한다고 판정되었다. 즉, 강재의 표면 결함 검출 방법은, 종래 기술에서는 검출할 수 없었던 주기성 결함을 검출할 수 있었던 것을 실증할 수 있었다.
또한, 전술한 강재의 표면 결함 검출 방법을 이용하여, 강재의 표면의 주기성 결함을 검출하고, 그 검출 결과에 따라서 제조 조건을 제어함으로써, 강재를 제조하는 강재의 제조 방법으로 해도 좋다. 표면 결함 검출 방법 이외의 강재의 제조 방법은, 공지의 것이나 기존의 것을 이용할 수 있다. 제조 조건의 제어로서, 예를 들면, 주기성 결함의 원인이라고 생각되는 압연 롤이나 반송용의 롤을 세정 또는 교환한다. 그 결과, 주기성 결함을 신속하게 발견할 수 있어, 제조된 강재의 품질이 저하하는 것을 방지할 수 있다. 강재 중에서도 강판, 특히, 장척인 강판인 강대를 제조하는 경우에는, 긴 범위에서 발생하기 쉬운 주기성 결함에 의해 제품 품질이 크게 손상되는 것을 막는 효과가 현저하다.
〔강재의 합부 판정 방법〕
다음으로, 도 23을 참조하여, 작성한 학습 완료 모델을 이용한 강재의 합부 판정 방법을 상세하게 설명한다. 강판(P)의 합부 판정 방법에서는, 도 20에 나타내는 스텝 S42에 대신하여, 도 23에 나타내는 S42의 처리를 행한다. 스텝 S21, S22 및, S24의 처리는, 전술한 처리와 마찬가지의 처리이기 때문에 설명을 생략한다.
도 23은, 도 18의 판정 스텝 S23을 나타내는 플로우차트이다. 도 23에 나타내는 바와 같이, 스텝 S41, S421의 처리는, 전술한 처리와 마찬가지의 처리이기 때문에 설명을 생략한다. 스텝 S42에 있어서, 판정부(53)는, 판정 화상에 대응하는 강판(P)이 합격인지 아닌지를 판정한다(스텝 S422). 판정부(53)는, 판정 화상이 주기성 결함이 없는 화상이라고 판정되어 있는 경우, 그 판정 화상에 대응하는 강판(P)을 합격으로 판정하고, 판정 화상이 주기성 결함이 있는 화상이라고 판정되어 있는 경우, 그 판정 화상에 대응하는 강판(P)을 불합격으로 판정한다.
또한, 전술한 강재의 합부 판정 방법을 이용하여, 강재의 합부를 판정하고, 그 판정 결과에 따라서 제조 조건을 제어함으로써, 강재를 제조하는 강재의 제조 방법으로 해도 좋다. 합부 판정 방법 이외의 강재의 제조 방법은, 공지의 것이나 기존의 것을 이용할 수 있다. 제조 조건의 제어로서, 예를 들면, 판정이 불합격인 원인이라고 생각되는 압연 롤이나 반송용의 롤을 세정 또는 교환한다. 그 결과, 주기성 결함을 가짐으로써 판정이 불합격인 강재를 신속하게 발견할 수 있어, 제조된 강재의 품질이 저하하는 것을 방지할 수 있다. 강재 중에서도 강판, 특히, 장척인 강판인 강대를 제조하는 경우에는, 긴 범위에서 발생하기 쉬운 주기성 결함에 의해 제품 품질이 크게 손상되는 것을 막는 효과가 현저하다.
〔강재의 합부 판정 방법의 변형예 1〕
도 24는, 도 18의 판정 스텝 S23을 나타내는 플로우차트이다. 도 24에 나타내는 바와 같이, 스텝 S41의 처리는, 전술한 처리와 마찬가지의 처리이기 때문에 설명을 생략한다. 스텝 S42에 있어서, 판정부(53)는, 주기성 결함 판정부(52)가 산출한 확률 x 및 확률 y에 기초하여, 판정 화상에 대응하는 강판(P)이 합격인지 아닌지를 판정한다(스텝 S423). 판정부(53)는, 주기성 결함 판정부(52)가 산출한 판정 화상이 주기성 결함이 없는 화상일 확률 x％가 A％ 이상인 경우(스텝 S423: Yes), 그 판정 화상에 대응하는 강판(P)을 합격으로 판정하고, 확률 x％가 A％보다 작은 경우(스텝 S423: No), 그 판정 화상에 대응하는 강판(P)을 불합격으로 판정한다. 이와 같이, 판정 화상이 주기성 결함이 없는 화상인지 아닌지의 판정을 행하지 않고, 직접 강판(P)의 합부를 판정해도 좋다.
(실시 형태 2)
도 25는, 본 발명의 실시 형태 2에 따른 강재 판정 시스템의 구성을 나타내는 개략도이다. 도 25에 나타내는 바와 같이, 실시 형태 2에 따른 강재 판정 시스템(1)에 있어서, 강재 판정부(5)는, 결함 혼입률 계산부(54)를 구비한다. 조명 장치(2), 촬상 장치(3), 화상 처리부(4), 강재 판정부(5), 기계 학습부(6), 데이터 취득부(41), 화상 보정부(42), 결함 검출부(43), 결함 판정부(44), 결함 맵 작성부(45), 사이즈 변환부(51, 61), 주기성 결함 판정부(52), 판정부(53), 표시부(55, 65), 모델 작성부(62) 및, 정답률 산출부(63)는, 실시 형태 1에서 설명한 것과 동일하기 때문에, 설명을 생략한다.
〔강재의 합부 판정 방법의 변형예 2〕
도 26은, 도 18의 판정 스텝 S23을 나타내는 플로우차트이다. 도 26에 나타내는 바와 같이, 스텝 S41, S421의 처리는, 전술한 처리와 마찬가지의 처리이기 때문에 설명을 생략한다. 또한, 도 26의 최초의 처리에 있어서, 화살표가 2개로 기재되어 있지만, 이는 스텝 S41의 처리와, 스텝 S43의 처리를, 병행하여 행하면 좋은 것을 나타내고 있다.
스텝 S43에 있어서, 결함 혼입률 계산부(54)는, 결함 혼입률을 산출하는 결함 혼입률 판정 처리를 행한다. 결함 혼입률은, 결함 맵에 있어서의 단위 면적당의 결함부의 개수에 기초하여 산출되는 값이다.
스텝 S424에 있어서, 판정부(53)가, 판정 화상이 대응하는 강판(P)을 합격으로 판정한 경우(스텝 S424: Yes), 판정부(53)는, 그 판정 화상에 대응하는 결함 맵의 결함 혼입률이 Z％ 이하인지 아닌지를 판정한다(스텝 S425). 판정부(53)가, 결함 혼입률이 Z％ 이하라고 판정한 경우(스텝 S425: Yes), 판정부(53)는, 그 판정 화상에 대응하는 강판(P)을 합격으로 판정한다. 한편, 판정부(53)가, 결함 혼입률이 Z％보다 크다고 판정한 경우(스텝 S425: No), 판정부(53)는, 그 판정 화상에 대응하는 강판(P)을 불합격으로 판정한다.
〔강재의 합부 판정 방법의 변형예 3〕
또한, 변형예 3으로서, 도 26의 스텝 S421과 S424에 대신하여, 도 24의 스텝 S423을 이용해도 좋다. 즉, 스텝 S423에 있어서, 판정부(53)는, 주기성 결함이 없는 화상일 확률 x％가 A％ 이상(스텝 S423: Yes)으로 판정한 판정 화상을, 스텝 S425로 진행하고, 확률 x％가 A％보다 작다(스텝 S423: No)고 판정된 판정 화상에 대응하는 강판(P)을 불합격으로 판정한다. 이 경우는, 1스텝분 처리가 줄기 때문에, 보다 신속하게 처리를 행할 수 있는 것을 기대할 수 있다.
또한, 전술한 강재의 합부 판정 방법을 이용하여, 강재의 합부를 판정하고, 그 판정 결과에 따라서 제조 조건을 제어함으로써, 강재를 제조하는 강재의 제조 방법으로 해도 좋다. 합부 판정 방법 이외의 강재의 제조 방법은, 공지의 것이나 기존의 것을 이용할 수 있다. 제조 조건의 제어로서, 예를 들면, 판정이 불합격인 원인이라고 생각되는 압연 롤이나 반송용의 롤을 세정 또는 교환한다. 그 결과, 주기성 결함을 가짐으로써 판정이 불합격인 강재를 신속하게 발견할 수 있어, 제조된 강재의 품질이 저하하는 것을 방지할 수 있다. 전술한 변형예 1∼3을 이용하는 경우에는, 더하여, 압연 롤이나 반송용 롤의 세정 또는 교환을 곧바로 행할 필요가 있는지 아닌지를 판단할 수 있다. 이 결과, 보다 효율적인 제어, 예를 들면, 허용할 수 없는 결함의 발생을 즉각 억제하는 등이 가능해진다. 강재 중에서도 강판, 특히, 장척인 강판인 강대를 제조하는 경우에는, 긴 범위에서 발생하기 쉬운 주기성 결함에 의해 제품 품질이 크게 손상되는 것을 막는 효과가 현저하다.
이상 설명한 강재의 합부 판정 방법에 의하면, 주기성 결함의 유무 뿐만 아니라, 주기성 결함의 혼입률에 입각하여 강판(P)의 합부를 판정할 수 있다.
〔강재의 등급 판정 방법〕
다음으로, 도 27을 참조하여, 작성한 학습 완료 모델을 이용한 강재의 등급 판정 방법을 상세하게 설명한다. 강판(P)의 등급 판정 방법에서는, 도 26에 나타내는 스텝 S42에 대신하여, 도 27에 나타내는 S42의 처리를 행한다. 스텝 S21, S22 및, S24의 처리는, 전술한 처리와 마찬가지의 처리이기 때문에 설명을 생략한다.
도 27은, 도 18의 판정 스텝 S23을 나타내는 플로우차트이다. 도 27에 나타내는 바와 같이, 스텝 S41, S43, S421의 처리는, 전술한 처리와 마찬가지의 처리이기 때문에 설명을 생략한다.
스텝 S424에 있어서, 판정부(53)가, 판정 화상이 대응하는 강판(P)을 합격으로 판정한 경우(스텝 S424: Yes), 판정부(53)는, 그 판정 화상에 대응하는 결함 맵의 결함 혼입률이 Z1％ 이하인지 아닌지를 판정한다(스텝 S426). 판정부(53)가, 결함 혼입률이 Z1％ 이하라고 판정한 경우(스텝 S426: Yes), 판정부(53)는, 그 판정 화상에 대응하는 결함 맵의 결함 혼입률이 Z2％ 이하인지 아닌지를 판정한다(스텝 S427). 판정부(53)가, 결함 혼입률이 Z2％ 이하라고 판정한 경우(스텝 S427: Yes), 판정부(53)는, 그 판정 화상에 대응하는 결함 맵의 결함 혼입률이 Z3％ 이하인지 아닌지를 판정한다(스텝 S428). 판정부(53)가, 결함 혼입률이 Z3％ 이하라고 판정한 경우(스텝 S428: Yes), 판정부(53)는, 그 판정 화상에 대응하는 강판(P)의 등급이 1급이라고 판정한다.
스텝 S428에 있어서, 판정부(53)가, 결함 혼입률이 Z3％보다 크다고 판정한 경우(스텝 S428: No), 판정부(53)는, 그 판정 화상에 대응하는 강판(P)의 등급이 2급이라고 판정한다.
스텝 S427에 있어서, 판정부(53)가, 결함 혼입률이 Z2％보다 크다고 판정한 경우(스텝 S427: No), 판정부(53)는, 그 판정 화상에 대응하는 강판(P)의 등급이 3급이라고 판정한다.
스텝 S426에 있어서, 판정부(53)가, 결함 혼입률이 Z1％보다 크다고 판정한 경우(스텝 S426: No), 판정부(53)는, 그 판정 화상에 대응하는 강판(P)을 불합격으로 판정한다.
이상 설명한 강재의 등급 판정 방법에 의하면, 주기성 결함을 갖는 강판(P)을 불합격으로 함과 함께, 주기성 결함을 갖지 않는 강판(P)을 결함 혼입률에 기초하여 등급을 분류할 수 있다. 이 경우에 있어서도, 학습 완료 모델(또는 분류기, 더욱 한정된 경우는 합성곱 뉴럴 네트워크 시스템)을 이용하고 있기 때문에, 강판(P)이 사행하고 있는 경우라도, 주기성 결함의 유무를 고정밀도로 판정하여, 강판(P)의 등급을 판정할 수 있다.
또한, 전술한 강재의 등급 판정 방법에서는, 스텝 S421의 후, 스텝 S422에 있어서 강판(P)의 합부를 판정했지만 이에 한정되지 않는다. 스텝 S421의 후, 판정부(53)는, 스텝 S424에서 판정 화상에 대한 주기성 결함의 유무를 판정하고, 주기성 결함이 없다고 판정된 경우에 스텝 S426∼428의 강판(P)의 등급의 분류를 정리하여 한번 행하고, 주기성 결함이 있다고 판정된 경우에 강판(P)을 불합격으로 판정해도 좋다.
또한, 전술한 강재의 등급 판정 방법에서는, 판정부(53)가 스텝 S424, S426, S427, S428의 처리를 순서대로 행하는 처리를 설명했지만, 이에 한정되지 않는다. 판정부(53)는, 주기성 결함의 유무 및 결함 혼입률이 입력되면, 강판(P)의 합부 및 등급을 출력하는 테이블을 갖고 있어도 좋다. 이 경우, 판정부(53)에 주기성 결함의 유무 및 결함 혼입률을 입력하면, 판정부(53)는, 강판(P)이 합격 또한 결함 혼입률이 Z3％ 이하인 경우에는 1급, 강판(P)이 합격 또한 결함 혼입률이 Z3％보다 크고 Z2％ 이하인 경우에는 2급, 강판(P)이 합격 또한 결함 혼입률이 Z2％보다 크고 Z1％ 이하인 경우에는 3급, 강판(P)이 불합격 또는 결함 혼입률이 Z1％보다 큰 경우에는 불합격으로 하는 판정을 출력한다.
또한, 변형예로서, 도 27의 스텝 S421과 S424에 대신하여, 도 24의 스텝 S423을 이용해도 좋다. 즉, 스텝 S423에 있어서, 판정부(53)는, 주기성 결함이 없는 화상일 확률 x％가 A％ 이상(스텝 S423: Yes)으로 판정한 판정 화상을, 스텝 S426으로 진행하고, 확률 x％가 A％보다 작다(스텝 S423: No)고 판정된 판정 화상에 대응하는 강판(P)을 불합격으로 판정한다. 이 경우는, 1스텝분 처리가 줄기 때문에, 보다 신속하게 처리를 행할 수 있는 것을 기대할 수 있다.
또한, 강재의 제조 방법은, 전술한 강재의 등급 판정 방법을 이용하여, 강재의 등급을 판정하고, 그 판정 결과를 이용하여 등급마다 강재를 분별하는 분별 스텝을 구비할 수 있다. 등급 판정 방법 이외의 강재의 제조 방법은, 공지의 것이나 기존의 것을 이용할 수 있다. 이 경우, 강재를 등급별로 분별할 수 있다. 그 결과, 종류는 동일하지만 등급이 상이한 강재를 적절한 용도처로 출하할 수 있다. 이 경우에도, 불합격의 강재가 임의의 양을 초과할 것 같다면, 제조 조건을 제어해도 좋다. 제조 조건의 제어로서, 예를 들면, 판정이 불합격인 원인이라고 생각되는 압연 롤이나 반송용의 롤을 세정 또는 교환한다. 그 결과, 주기성 결함을 가짐으로써 판정이 불합격인 강재를 신속하게 발견할 수 있어, 제조된 강재의 품질이 저하하는 것을 방지할 수 있다. 강재 중에서도 강판, 특히, 장척인 강판인 강대를 제조하는 경우에는, 긴 범위에서 발생하기 쉬운 주기성 결함에 의해 제품 품질이 크게 손상되는 것을 막는 효과가 현저하다.
또한, 강재의 제조 설비는, 전술한 강재 판정 시스템을 구비할 수 있다. 강재 판정 시스템 이외의 강재의 제조 설비는, 공지의 것이나 기존의 것을 이용할 수 있다. 그 결과, 주기성 결함을 갖는 강재를 신속하게 발견할 수 있어, 제조된 강재의 품질이 저하하는 것을 방지할 수 있다. 또한, 전술한 강재 판정 시스템은, 적어도 1개 이상의 롤을 구비한 제조 설비에 구비된 경우에, 보다 높은 효과가 얻어진다. 왜냐하면, 상기 효과에 더하여, 강재에 주기성 결함이 발생하는 원인이라고 생각되는 압연 롤이나 반송용의 롤을 세정 또는 교환하는 시기에 대해서도, 주기성 결함을 갖는 강재의 발생량에 기초하여 판단하는 것이 용이해지기 때문이다. 이들 강재의 제조 설비 중에서도 강판의 제조 설비, 특히, 장척인 강판인 강대를 제조하는 설비의 경우에는, 특히 높은 효과가 얻어진다. 왜냐하면, 상기 효과에 더하여, 긴 범위에서 발생하기 쉬운 주기성 결함에 의해 제품 품질이 크게 손상되는 것을 막는 효과가 현저하기 때문이다.
이상, 본 발명자들에 의해 이루어진 발명을 적용한 실시 형태에 대해서 설명했지만, 본 실시 형태에 의한 본 발명의 개시의 일부를 이루는 기술 및 도면에 의해 본 발명은 한정되는 일은 없다. 즉, 본 실시 형태에 기초하여 당업자들에 의해 이루어지는 다른 실시 형태, 실시예 및, 운용 기술 등은 모두 본 발명의 범주에 포함된다.
1 : 강재 판정 시스템
2 : 조명 장치
3 : 촬상 장치
4 : 화상 처리부
5 : 강재 판정부
6 : 기계 학습부
41 : 데이터 취득부
42 : 화상 보정부
43 : 결함 검출부
44 : 결함 판정부
45 : 결함 맵 작성부
51, 61 : 사이즈 변환부
52 : 주기성 결함 판정부
53 : 판정부
54 : 결함 혼입률 계산부
55, 65 : 표시부
62 : 모델 작성부
63 : 정답률 산출부
71 : 입력층
72 : 중간층
73 : 출력층
D : 주기성 결함
P : 강판

Claims (19)

  1. 강재 표면의 결함부의 분포를 나타낸 화상이고, 또한 동일 화상 사이즈의 결함 맵과, 당해 결함 맵에 미리 부여된 주기성 결함의 유무를 포함하는 교사 화상(teacher image)을 이용하여,
    강재 표면의 결함부의 분포를 나타낸 화상이고, 또한 화상 사이즈가 상기 동일 화상 사이즈인 결함 맵을 입력값, 당해 결함 맵 내에 있어서의 주기성 결함의 유무에 관한 값을 출력값으로 하는 학습 완료 모델을 기계 학습에 의해 생성하는, 학습 완료 모델의 생성 방법.
  2. 제1항에 있어서,
    상기 입력값으로서 이용하는 상기 결함 맵의 화상 사이즈가, 상기 동일 화상 사이즈와 상이한 경우, 당해 결함 맵의 화상 사이즈를 상기 동일 화상 사이즈로 변환하여 상기 입력값으로 하는, 학습 완료 모델의 생성 방법.
  3. 제1항 또는 제2항에 있어서,
    강재 표면의 결함부의 분포를 나타낸 화상이고, 또한 상기 교사 화상과 동일 화상 사이즈인 결함 맵과, 당해 결함 맵에 미리 부여된 주기성 결함의 유무를 포함하는 테스트 화상을 이용하여 생성되는 학습 완료 모델의 생성 방법으로서,
    상기 테스트 화상의 상기 결함 맵을 상기 학습 완료 모델에 입력하고, 당해 테스트 화상에 있어서의 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 테스트 화상에 있어서의 주기성 결함의 유무를 판정하고,
    상기 판정된 주기성 결함의 유무와 상기 미리 부여된 주기성 결함의 유무를 비교하여 정답률을 산출하고,
    상기 산출된 정답률에 따라서, 상기 학습 완료 모델의 생성 조건을 조정하는, 학습 완료 모델의 생성 방법.
  4. 제3항에 있어서,
    상기 학습 완료 모델의 생성 조건의 조정은, 상기 동일 화상 사이즈를 화상 사이즈가 상이한 다른 동일 화상 사이즈로 변경하는 것인, 학습 완료 모델의 생성 방법.
  5. 제3항에 있어서,
    상기 동일 화상 사이즈로서, 서로 화상 사이즈가 상이한 복수 종류의 동일 화상 사이즈를 설정하고,
    상기 설정된 각 동일 화상 사이즈의 상기 교사 화상과 상기 테스트 화상의 조(組)를 이용하여, 상기 정답률을 상기 복수 종류의 동일 화상 사이즈마다 산출하고,
    상기 산출된 정답률이 가장 높은 동일 화상 사이즈의 교사 화상과 테스트 화상을 이용하여, 학습 완료 모델을 생성하는, 학습 완료 모델의 생성 방법.
  6. 강재의 표면의 결함부의 분포를 나타낸 화상이고, 또한 동일 화상 사이즈의 결함 맵이, 판정 화상으로서 입력되는 입력층과,
    상기 판정 화상에 대한 주기성 결함의 유무에 관한 값을 출력하는 출력층과,
    상기 판정 화상과 동일 화상 사이즈인 결함 맵을 입력, 상기 결함 맵에 대한 주기성 결함의 유무에 관한 값을 출력으로 하는 교사 화상을 이용하여, 파라미터가 학습된 중간층을 구비하고,
    상기 동일 화상 사이즈인 판정 화상을 입력층에 입력하고, 상기 중간층에서 계산하고, 상기 출력층으로부터 주기성 결함의 유무에 관한 값을 출력하도록,
    컴퓨터를 기능시키기 위한 학습 완료 모델.
  7. 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과,
    상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과,
    상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과,
    상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 판정 화상에 대한 주기성 결함의 유무를 판정하는 스텝
    을 포함하는, 표면 결함 검출 방법.
  8. 제7항에 있어서,
    상기 학습 완료 모델은, 상기 판정 화상이 입력되었을 때에, 상기 주기성 결함의 유무에 관한 값을 출력하도록, 상기 판정 화상과 동일 화상 사이즈의 교사 화상을 이용하여 기계 학습이 실시된, 표면 결함 검출 방법.
  9. 제7항 또는 제8항에 기재된 표면 결함 검출 방법을 이용하여, 강재의 표면의 주기성 결함을 검출하고, 당해 검출 결과에 따라서 제조 조건을 제어하여 강재를 제조하는, 강재의 제조 방법.
  10. 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과,
    상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과,
    상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과,
    상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 강재에 대한 합부(合否)를 판정하는 스텝
    을 포함하는, 합부 판정 방법.
  11. 제10항에 있어서,
    상기 학습 완료 모델은, 상기 판정 화상이 입력되었을 때에, 상기 주기성 결함의 유무에 관한 값을 출력하도록, 상기 판정 화상과 동일 화상 사이즈의 교사 화상을 이용하여 기계 학습이 실시된, 합부 판정 방법.
  12. 제10항 또는 제11항에 기재된 합부 판정 방법을 이용하여, 강재의 합부를 판정하고, 당해 판정 결과에 따라서 제조 조건을 제어하여 강재를 제조하는, 강재의 제조 방법.
  13. 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과,
    상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과,
    상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과,
    상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 판정 화상에 대한 주기성 결함의 유무를 판정하는 스텝과,
    상기 결함부에 기초하여, 상기 판정 화상의 결함 혼입률을 계산하는 스텝과,
    상기 계산된 결함 혼입률과, 상기 판정 화상에 대한 주기성 결함의 유무의 판정 결과에 기초하여, 상기 판정 화상에 대응하는 상기 강재의 등급을 판정하는 스텝
    을 포함하는, 등급 판정 방법.
  14. 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과,
    상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과,
    상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과,
    상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 강재에 대한 합부를 판정하는 스텝과,
    상기 결함부에 기초하여, 상기 판정 화상의 결함 혼입률을 계산하는 스텝과,
    상기 계산된 결함 혼입률과, 상기 강재에 대한 합부의 판정 결과에 기초하여, 상기 판정 화상에 대응하는 상기 강재의 등급을 판정하는 스텝
    을 포함하는, 등급 판정 방법.
  15. 제13항 또는 제14항에 기재된 등급 판정 방법을 이용하여, 강재를 등급마다 분별하는 분별 스텝을 포함하는 강재의 제조 방법.
  16. 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과,
    상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과,
    상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과,
    상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 판정 화상에 대한 주기성 결함의 유무를 판정하는 스텝
    을 포함하는 처리를 컴퓨터에 실행시키기 위한 표면 결함 판정 프로그램.
  17. 강재의 표면을 촬상한 촬상 데이터를 취득하는 스텝과,
    상기 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 스텝과,
    상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 스텝과,
    상기 판정 화상을 학습 완료 모델에 입력하여, 주기성 결함의 유무에 관한 값을 출력시키고, 당해 주기성 결함의 유무에 관한 값에 기초하여, 상기 강재에 대한 합부를 판정하는 스텝
    을 포함하는 처리를 컴퓨터에 실행시키기 위한 합부 판정 프로그램.
  18. 강재의 표면을 촬상한 촬상 데이터에 기초하여, 결함부의 분포를 나타내는 결함 맵을 작성하는 결함 맵 작성부와,
    상기 결함 맵의 화상 사이즈를 동일 화상 사이즈로 변환하여, 상기 결함 맵마다 판정 화상을 작성하는 사이즈 변환부와,
    기계 학습 완료의 학습 완료 모델에 대하여, 상기 판정 화상을 입력하고, 주기성 결함의 유무에 관한 값을 출력하는 주기성 결함 판정부와,
    상기 주기성 결함의 유무에 관한 값에 기초하여, 상기 판정 화상에 대한 주기성 결함의 유무를 판정하거나, 및/또는, 상기 강재의 합부를 판정하는 판정부를 구비하고,
    상기 학습 완료 모델은, 상기 판정 화상이 입력되었을 때에, 상기 주기성 결함의 유무에 관한 값을 출력하도록, 상기 판정 화상과 동일 화상 사이즈의 교사 화상을 이용하여 기계 학습이 실시된, 판정 시스템.
  19. 제18항에 기재된 판정 시스템을 구비한 강재의 제조 설비.
KR1020217019056A 2018-12-25 2019-10-31 학습 완료 모델의 생성 방법, 학습 완료 모델, 표면 결함 검출 방법, 강재의 제조 방법, 합부 판정 방법, 등급 판정 방법, 표면 결함 판정 프로그램, 합부 판정 프로그램, 판정 시스템 및, 강재의 제조 설비 KR102636470B1 (ko)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JPJP-P-2018-241213 2018-12-25
JP2018241213 2018-12-25
PCT/JP2019/042848 WO2020137151A1 (ja) 2018-12-25 2019-10-31 学習済みモデルの生成方法、学習済みモデル、表面欠陥検出方法、鋼材の製造方法、合否判定方法、等級判定方法、表面欠陥判定プログラム、合否判定プログラム、判定システム、及び鋼材の製造設備

Publications (2)

Publication Number Publication Date
KR20210091309A true KR20210091309A (ko) 2021-07-21
KR102636470B1 KR102636470B1 (ko) 2024-02-13

Family

ID=71127917

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020217019056A KR102636470B1 (ko) 2018-12-25 2019-10-31 학습 완료 모델의 생성 방법, 학습 완료 모델, 표면 결함 검출 방법, 강재의 제조 방법, 합부 판정 방법, 등급 판정 방법, 표면 결함 판정 프로그램, 합부 판정 프로그램, 판정 시스템 및, 강재의 제조 설비

Country Status (7)

Country Link
US (1) US20220044383A1 (ko)
EP (1) EP3904868A4 (ko)
JP (1) JP6973623B2 (ko)
KR (1) KR102636470B1 (ko)
CN (1) CN113260854A (ko)
MX (1) MX2021007733A (ko)
WO (1) WO2020137151A1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102471441B1 (ko) * 2021-12-20 2022-11-28 주식회사 아이코어 딥 러닝을 기반으로 고장을 검출하는 비전 검사 시스템
KR20230073720A (ko) 2021-11-19 2023-05-26 부산대학교 산학협력단 딥러닝 모델을 이용한 냉연강판에서의 표면결함 자동분류를 위한 장치 및 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112275807B (zh) * 2020-09-30 2022-11-18 首钢集团有限公司 一种热轧带钢轮廓边部平台的检测方法及装置
DE102021122939B4 (de) 2021-09-06 2023-06-01 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Beurteilen einer Oberfläche eines Karosseriebauteils sowie Verfahren zum Trainieren eines künstlichen neuronalen Netzes
JP2023042738A (ja) * 2021-09-15 2023-03-28 株式会社日立ハイテク 欠陥検査システム及び欠陥検査方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58156842A (ja) 1982-03-15 1983-09-17 Toshiba Corp ロ−ル疵検出装置
JPH07198627A (ja) 1994-01-06 1995-08-01 Nippon Steel Corp 金属表面欠陥検査装置
KR100838723B1 (ko) * 2001-12-05 2008-06-16 주식회사 포스코 스트립표면 결함부의 검출 및 평점산출장치
JP2009265087A (ja) 2008-03-31 2009-11-12 Jfe Steel Corp 周期性欠陥検出装置及びその方法
JP2010185868A (ja) * 2009-01-15 2010-08-26 Nippon Steel Corp 連続欠陥判定方法、連続欠陥判定装置及びプログラム
KR101271795B1 (ko) * 2011-08-10 2013-06-07 주식회사 포스코 주편 하면 검사 시스템 및 검사 방법

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3507695B2 (ja) * 1998-04-30 2004-03-15 日本電信電話株式会社 カオスニューラルネットワークを用いた信号検出方法及び装置
JP4414658B2 (ja) * 2003-02-14 2010-02-10 株式会社メック 欠陥検査装置および欠陥検査方法
JP2004354250A (ja) * 2003-05-29 2004-12-16 Nidek Co Ltd 欠陥検査装置
JP2010139317A (ja) * 2008-12-10 2010-06-24 Mitsubishi Materials Corp 軸物工具表面の欠陥検査方法および装置
EP3315950A4 (en) * 2015-06-25 2018-12-19 JFE Steel Corporation Surface flaw detection device, surface flaw detection method, and manufacturing method for steel material
JP2018005640A (ja) * 2016-07-04 2018-01-11 タカノ株式会社 分類器生成装置、画像検査装置、及び、プログラム
WO2018165753A1 (en) * 2017-03-14 2018-09-20 University Of Manitoba Structure defect detection using machine learning algorithms
CN108021938A (zh) * 2017-11-29 2018-05-11 中冶南方工程技术有限公司 一种冷轧带钢表面缺陷在线检测方法以及检测系统
CN108242054A (zh) * 2018-01-09 2018-07-03 北京百度网讯科技有限公司 一种钢板缺陷检测方法、装置、设备和服务器

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS58156842A (ja) 1982-03-15 1983-09-17 Toshiba Corp ロ−ル疵検出装置
JPH07198627A (ja) 1994-01-06 1995-08-01 Nippon Steel Corp 金属表面欠陥検査装置
KR100838723B1 (ko) * 2001-12-05 2008-06-16 주식회사 포스코 스트립표면 결함부의 검출 및 평점산출장치
JP2009265087A (ja) 2008-03-31 2009-11-12 Jfe Steel Corp 周期性欠陥検出装置及びその方法
JP2010185868A (ja) * 2009-01-15 2010-08-26 Nippon Steel Corp 連続欠陥判定方法、連続欠陥判定装置及びプログラム
KR101271795B1 (ko) * 2011-08-10 2013-06-07 주식회사 포스코 주편 하면 검사 시스템 및 검사 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Francisco G. Bulnes 등, Periodic defects in steel strips: Detection through a vision-based technique, IEEE Industry Applications Magazine, Vol. 19, No. 2, pp39-46, 2012.12.* *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230073720A (ko) 2021-11-19 2023-05-26 부산대학교 산학협력단 딥러닝 모델을 이용한 냉연강판에서의 표면결함 자동분류를 위한 장치 및 방법
KR102471441B1 (ko) * 2021-12-20 2022-11-28 주식회사 아이코어 딥 러닝을 기반으로 고장을 검출하는 비전 검사 시스템

Also Published As

Publication number Publication date
JPWO2020137151A1 (ja) 2021-02-18
JP6973623B2 (ja) 2021-12-01
KR102636470B1 (ko) 2024-02-13
CN113260854A (zh) 2021-08-13
EP3904868A4 (en) 2023-01-25
EP3904868A1 (en) 2021-11-03
WO2020137151A1 (ja) 2020-07-02
US20220044383A1 (en) 2022-02-10
MX2021007733A (es) 2021-08-05

Similar Documents

Publication Publication Date Title
KR20210091309A (ko) 학습 완료 모델의 생성 방법, 학습 완료 모델, 표면 결함 검출 방법, 강재의 제조 방법, 합부 판정 방법, 등급 판정 방법, 표면 결함 판정 프로그램, 합부 판정 프로그램, 판정 시스템 및, 강재의 제조 설비
Çelik et al. Development of a machine vision system: real-time fabric defect detection and classification with neural networks
Shipway et al. Automated defect detection for fluorescent penetrant inspection using random forest
JP6027295B1 (ja) 溶融めっき鋼板の表面欠陥検査装置および表面欠陥検査方法
CN108449525B (zh) 自动光学检查中标准图像的获取方法及自动光学检查设备
JP2011192032A (ja) 疵学習装置、疵学習方法、及びコンピュータプログラム
EP3889589A1 (en) Surface defect detecting method, surface defect detecting device, method for manufacturing steel material, steel material quality control method, steel material manufacturing equipment, method for creating surface defect determination model, and surface defect determination model
KR102073229B1 (ko) 표면 결함 검출 장치 및 표면 결함 검출 방법
JP2019184380A (ja) 撮像装置及び撮像装置を用いた検査システム
JP5347661B2 (ja) 帯状体の表面検査装置、表面検査方法及びプログラム
JPH04166712A (ja) プリント基板のパターン検査方法
RU2796806C2 (ru) Способ формирования обучаемой модели, обучаемая модель, способ контроля поверхностных дефектов, способ производства стали, способ определения соответствия/несоответствия, способ определения сорта, программа определения поверхностных дефектов, программа определения соответствия/несоответствия, система определения и оборудование для производства стали
TWI753424B (zh) 外觀檢查管理系統、外觀檢查管理裝置、外觀檢查管理方法以及程式
JP6566903B2 (ja) 表面欠陥検出方法および表面欠陥検出装置
JPH10123066A (ja) 特異点検出装置及び方法
JP2007184364A (ja) パターン欠陥の検査装置及び検査方法
CN115668290A (zh) 使用深度学习来检查片材物品
JP2011232302A (ja) 画像検査方法及び画像検査装置
WO2015159352A1 (ja) ウェブ検査装置、ウェブ検査方法、ウェブ検査プログラム
JP2016075542A (ja) 無地の段ボールシートの欠陥検出装置及び欠陥検出方法
CN112129768A (zh) 外观检查管理系统、装置、方法以及存储介质
Bukhari et al. Automated PCB Inspection System.
CN112763511B (zh) 显示面板的线路缺陷的检测方法
JP2015059854A (ja) 欠陥検査方法及び欠陥検査装置
Bilal Machine learning-based evaluation of the damage using images on concrete infrastructure structures

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant