WO2023248795A1 - 欠陥検査装置および欠陥検査方法 - Google Patents

欠陥検査装置および欠陥検査方法 Download PDF

Info

Publication number
WO2023248795A1
WO2023248795A1 PCT/JP2023/021136 JP2023021136W WO2023248795A1 WO 2023248795 A1 WO2023248795 A1 WO 2023248795A1 JP 2023021136 W JP2023021136 W JP 2023021136W WO 2023248795 A1 WO2023248795 A1 WO 2023248795A1
Authority
WO
WIPO (PCT)
Prior art keywords
defect
waveform data
feature amount
defect inspection
brightness
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.)
Ceased
Application number
PCT/JP2023/021136
Other languages
English (en)
French (fr)
Inventor
康彦 小林
高輝 関
恭弘 藤岡
貴正 今泉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Astemo Ltd
Original Assignee
Hitachi Astemo Ltd
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 Hitachi Astemo Ltd filed Critical Hitachi Astemo Ltd
Priority to CN202380029625.8A priority Critical patent/CN118974549A/zh
Priority to US18/846,003 priority patent/US20250191173A1/en
Publication of WO2023248795A1 publication Critical patent/WO2023248795A1/ja
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/60—Extraction of image or video features relating to illumination properties, e.g. using a reflectance or lighting model
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10024—Color image
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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 OR CALCULATING; 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
    • G06T2207/30164—Workpiece; Machine component
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the present invention relates to a defect inspection device and a defect inspection method.
  • Patent Document 1 discloses that a plurality of images of a part of a workpiece to be measured are acquired while a light-dark pattern by an illumination device is moved relative to the workpiece whose surface defects are to be detected, and a binary value for each image is obtained.
  • the feature points of the image are extracted by processing and the application of a threshold value, multidimensional feature quantities are determined for each feature point, and temporary defect candidates are extracted.
  • the temporary defect candidate is determined as a defect candidate, and the determined defect candidate is included.
  • a surface defect detection device for a workpiece has been disclosed, which generates a composite image by combining a plurality of images, and performs defect detection based on the created composite image.
  • One of the objects of the present invention is to provide a defect inspection device and a defect inspection method with improved inspection judgment accuracy.
  • a defect inspection method includes an image acquisition step in which the defect inspection apparatus changes the relative posture of the object to be inspected and the imaging unit and captures an image for each relative posture to obtain a plurality of images; a feature amount acquisition step of acquiring a specific feature obtained by scanning each of a plurality of images as a first feature amount; and a waveform data acquisition step of acquiring first waveform data in which the first feature amounts are arranged in order of change in relative posture. and a defect determination step of determining defects according to the first waveform data.
  • the accuracy of inspection determination is improved by determining dirt and defects according to the first waveform data in which the first feature quantities are arranged in the order of changes in relative posture. be able to.
  • FIG. 1 is an overall diagram of a defect inspection apparatus according to a first embodiment
  • FIG. 3 is a flowchart showing the flow of a defect inspection method in Embodiment 1.
  • FIG. 3 is a diagram showing characteristics of a brightness difference (first feature amount) in the first embodiment.
  • 5 is a first time chart illustrating the operation of the defect inspection method in the first embodiment.
  • 7 is a second time chart illustrating the operation of the defect inspection method in Embodiment 1.
  • FIG. 7 is a diagram showing characteristics of a brightness gradient (first feature amount) in Embodiment 2.
  • FIG. 7 is a first time chart illustrating the operation of the defect inspection method in Embodiment 2.
  • FIG. 7 is a second time chart illustrating the operation of the defect inspection method in the second embodiment.
  • FIG. 7 is a diagram showing characteristics of brightness variations (first feature amount) in Embodiment 3; 7 is a time chart illustrating the operation of the defect inspection method in Embodiment 3. 12 is a time chart illustrating the geometric characteristics (first feature quantity) and the operation of the defect inspection method in Embodiment 4. 7 is a diagram showing characteristics of color intensity (first feature amount) in Embodiment 5.
  • FIG. 12 is a time chart illustrating the operation of the defect inspection method in Embodiment 5.
  • 12 is a flowchart showing the flow of a defect inspection method in Embodiment 6.
  • 7 is a first time chart illustrating the operation of the defect inspection method in Embodiment 6.
  • FIG. 12 is a second time chart illustrating the operation of the defect inspection method in Embodiment 6.
  • 12 is a flowchart showing the flow of a defect inspection method in Embodiment 7.
  • 12 is a time chart illustrating the operation of the defect inspection method in Embodiment 7.
  • 12 is a flowchart showing the flow of a defect inspection method in Embodiment 8.
  • FIG. 1 is an overall diagram of a defect inspection apparatus according to a first embodiment.
  • the inspection apparatus 1 of the first embodiment includes a camera (imaging section) 2, a robot 3, and a computer 4.
  • the camera 2 captures an image of the crown surface 5a of the piston (object to be inspected) 5.
  • the crown surface 5a of the piston 5 has a processed surface and a cast surface that have significantly different surface properties.
  • the robot 3 changes the relative posture (angle) of the piston 5 with respect to the camera 2.
  • the computer 4 is, for example, a personal computer and includes a CPU 6.
  • the CPU 6 includes an image acquisition section 7, a feature amount acquisition section 8 having a region extraction section 8a, a waveform data acquisition section 9, and a defect determination section 10.
  • the image acquisition unit 7 acquires a plurality of images of the crown surface 5a of the piston 5 captured by the camera 2 (image acquisition step).
  • the area extraction unit 8a extracts and specifies defect candidate areas by machine learning or image processing (defect candidate area identification step).
  • Machine learning is, for example, learning using a neural network, and in the first embodiment, CNN (Convolutinal Neural Network) is employed.
  • the feature amount acquisition unit 8 acquires images of a plurality of defect candidate areas extracted and identified by the area extraction unit 8a through machine learning or image processing, scans the entire respective pixel area, and calculates the brightness difference (first feature amount). ) (feature acquisition step).
  • the brightness difference is the difference between the maximum value and the minimum value of the obtained brightness.
  • the waveform data acquisition unit 9 acquires first waveform data in which the acquired first feature amounts are arranged in order of change in relative posture (angle) (waveform data acquisition step).
  • the defect determination unit 10 determines a defect from the shape of the first waveform data by machine learning (defect determination step).
  • This machine learning is, for example, learning using a neural network, and in the first embodiment, an RNN (Recurrent Neural Network) is employed.
  • FIG. 2 is a flowchart showing the flow of the defect inspection method in the first embodiment.
  • step S1 the relative posture (angle) of the piston 5 is changed by the robot 3, and the image acquisition unit 7 acquires a plurality of images of the crown surface 5a of the piston 5 captured by the camera 2 (image acquisition step). Specifically, the total number of relative postures (angles) is 25 angles.
  • step S2 the area extraction unit 8a extracts and specifies a defect candidate area by machine learning or image processing (defect candidate area identification step).
  • step S3 the feature amount acquisition section 8 acquires images of a plurality of defect candidate regions extracted and identified by the region extraction section 8a through machine learning or image processing, scans the entire respective pixel regions, and calculates the brightness difference. Acquire (feature acquisition step).
  • step S4 the waveform data acquisition unit 9 acquires first waveform data in which the acquired luminance differences are arranged in order of change in relative posture (angle) (waveform data acquisition step). Note that the brightness difference is set to 0 for angle numbers that are not extracted or specified as defect candidate areas.
  • step S5 the defect determination unit 10 determines a defect from the shape of the first waveform data using machine learning (defect determination step).
  • FIG. 3 is a diagram showing the characteristics of the brightness difference (first feature amount) in the first embodiment. That is, as shown in FIG. 3A, the brightness difference characteristic is that stains have a light black color, so the brightness difference is small, and defects have a dark black color, so the brightness difference is large. Furthermore, as shown in FIG. 3B, the characteristics of the brightness difference are such that even if the brightness difference is the same, stains occur randomly and defects occur continuously in the bright field.
  • FIG. 4 is a first time chart illustrating the operation of the defect inspection method in the first embodiment. That is, the operation of the method for inspecting the machined surfaces of the piston 5 for defects is shown.
  • the area extracting unit 8a extracts and identifies images with angle numbers 14 and 18-20 as defect candidate areas on processed surface 1, and images with angle numbers 14-17 on processed surface 2. Extracted and identified as a defect candidate area.
  • the feature amount acquisition section 8 extracts and identifies images of angle numbers 14 and 18-20 of the machined surface 1 as defect candidate regions by the region extraction section 8a and the angle of the machined surface 2. Images numbered 14-17 are acquired, the entire pixel area of each is scanned to acquire the brightness difference, and the waveform data acquisition unit 9 acquires first waveform data arranged in order of change in relative posture (angle). do.
  • the defect determination unit 10 performs defect determination on the acquired first waveform data of the luminance difference using an RNN (Recurrent Neural Network). That is, since the brightness difference a1 between the images with angle numbers 14 and 18-20 on processed surface 1 is small, it is determined to be OK (stains), and the brightness difference a2 between the images with angle numbers 14-17 on processed surface 2 is large, so Determined as NG (defect).
  • RNN Recurrent Neural Network
  • FIG. 5 is a second time chart illustrating the operation of the defect inspection method in the first embodiment. That is, the operation of the defect inspection method for the cast surface and processed surface of the piston 5 is shown.
  • the area extraction unit 8a extracts and identifies images with angle numbers 10, 12, and 15 as defect candidate areas for the casting surface, and images with angle numbers 14-17 as defect candidate areas for the processed surface. Extracted and specified as a candidate area.
  • the feature amount acquisition section 8 extracts images of angle numbers 10, 12, and 15 of the cast surface surface extracted and identified as defect candidate regions by the region extraction section 8a and the angle of the machined surface. Images numbered 14-17 are acquired, the entire pixel area of each is scanned to acquire the brightness difference, and the waveform data acquisition unit 9 acquires first waveform data arranged in order of change in relative posture (angle). do.
  • the defect determination unit 10 performs defect determination on the acquired first waveform data of luminance using an RNN (Recurrent Neural Network).
  • RNN Recurrent Neural Network
  • Embodiment 1 has the following effects.
  • the defect inspection device 1 includes an image acquisition unit 7 that changes the relative posture of the piston 5 and the camera 2, captures images for each relative posture, and acquires a plurality of images, and a pixel area of each of the plurality of images.
  • a feature amount acquisition unit 8 that acquires a brightness difference as a first feature obtained by scanning the entire area;
  • a waveform data acquisition unit 9 that acquires first waveform data in which the brightness differences are arranged in order of change in relative posture;
  • the present invention includes a defect determination section 10 that determines defects according to the magnitude of the brightness difference based on one waveform data. Therefore, it is possible to improve the determination accuracy of NG (defect) and OK (stain) inspections.
  • the brightness difference is the difference between the maximum and minimum brightness values obtained by scanning the entire pixel area of each of the plurality of images. Therefore, the larger the difference between the maximum value and the minimum value of brightness, the more rapid the change in brightness is, and the accuracy of the test determination can be further improved.
  • the region extraction section 8a of the feature amount acquisition section 8 extracts and specifies defect candidate regions using CNN (Convolutinal Neural Network), which is machine learning. Therefore, defects can be easily determined.
  • CNN Convolutinal Neural Network
  • Defects are determined according to the magnitude of the brightness difference and the occurrence status (random or continuous) of the brightness difference. Therefore, the determination accuracy of NG (defect) and OK (stain) inspection can be further improved.
  • FIG. 6 is a diagram showing the characteristics of the brightness gradient (first feature amount) in the second embodiment. That is, as shown in FIG. 6A, the characteristics of the brightness gradient are such that stains have a small maximum value of the brightness gradient, and defects have a large maximum value of the brightness gradient. Further, the characteristics of the brightness gradient, like the characteristics of the brightness difference, have the characteristics that stains occur randomly and defects occur continuously in the bright field, as shown in FIG. 6(b).
  • FIG. 7 is a first time chart explaining the operation of the defect inspection method in the second embodiment. That is, the operation of the method for inspecting the machined surfaces of the piston 5 for defects is shown.
  • the area extracting unit 8a extracts and identifies images with angle numbers 14 and 18-20 as defect candidate areas on processed surface 1, and images with angle numbers 21-24 on processed surface 2. Extracted and identified as a defect candidate area.
  • the feature amount acquisition section 8 extracts and identifies images of angle numbers 14 and 18-20 of the machined surface 1 as defect candidate regions by the region extraction section 8a and the angle of the machined surface 2. Images numbered 21 to 24 are acquired, the entire pixel area of each is scanned to acquire the brightness gradient, and the waveform data acquisition unit 9 acquires first waveform data arranged in order of change in relative posture (angle). do.
  • the defect determination unit 10 performs defect determination on the acquired first waveform data of the brightness gradient using an RNN (Recurrent Neural Network).
  • RNN Recurrent Neural Network
  • FIG. 8 is a second time chart illustrating the operation of the defect inspection method in the second embodiment. That is, the operation of the defect inspection method for the cast surface and processed surface of the piston 5 is shown.
  • the region extracting unit 8a extracts and identifies images with angle numbers 14, 16, and 18 as defect candidate regions for the casting surface, and images of angle numbers 21 to 24 as defects on the processed surface. Extracted and specified as a candidate area.
  • the feature amount acquisition section 8 obtains images of angle numbers 14, 16, and 18 of the cast surface surface extracted and identified as defect candidate regions by the region extraction section 8a and the angle number of the machined surface. 21 to 24 are acquired, the entire pixel area of each is scanned to acquire the brightness gradient, and the waveform data acquisition unit 9 acquires first waveform data arranged in order of change in relative posture (angle). .
  • the defect determination unit 10 performs defect determination on the acquired first waveform data of luminance using an RNN (Recurrent Neural Network).
  • RNN Recurrent Neural Network
  • the brightness gradients of the images with angle numbers 14, 16, and 18 on the cast surface are small and occur randomly, so they are determined to be OK (stains), and the brightness gradients of the images with angle numbers 21-24 on the machined surface are determined to be OK (stains). Since this is large and occurs continuously, it is determined to be NG (defect).
  • a brightness difference is used as the first feature amount
  • a brightness gradient is used as the first feature amount. Since the other configurations are the same as those of the first embodiment, the same configurations are denoted by the same reference numerals and the description thereof will be omitted.
  • the second embodiment has the following effects similar to the first embodiment.
  • the defect inspection device 1 includes an image acquisition unit 7 that changes the relative posture of the piston 5 and the camera 2, captures images for each relative posture, and acquires a plurality of images, and a pixel area of each of the plurality of images.
  • a feature amount acquisition unit 8 that acquires a brightness gradient as a first feature obtained by scanning the entire area
  • a waveform data acquisition unit 9 that acquires first waveform data in which the brightness gradients are arranged in order of change in relative posture
  • the present invention includes a defect determination section 10 that determines defects according to the magnitude of the brightness gradient based on one waveform data. Therefore, it is possible to improve the determination accuracy of NG (defect) and OK (stain) inspections.
  • the maximum value of the brightness gradients obtained by scanning each of a plurality of images is used. Therefore, although a plurality of brightness gradients can be obtained, by using the maximum value, it is possible to further improve the determination accuracy of NG (defect) and OK (stain) inspections.
  • the region extraction section 8a of the feature amount acquisition section 8 extracts and specifies defect candidate regions using CNN (Convolutinal Neural Network), which is machine learning. Therefore, defects can be easily determined.
  • CNN Convolutinal Neural Network
  • Defects are determined according to the magnitude of the brightness gradient and the occurrence status (random or continuous) of the brightness gradient. Therefore, the determination accuracy of NG (defect) and OK (stain) inspection can be further improved.
  • FIG. 9 is a diagram showing characteristics of brightness variations (first feature amount) in the third embodiment.
  • the characteristics of the luminance variation (luminance distribution standard deviation) ⁇ are as shown in FIG. deviation) ⁇ is small.
  • FIG. 10 is a time chart illustrating the operation of the defect inspection method in the third embodiment. That is, the operation of the defect inspection method for the cast surface and processed surface of the piston 5 is shown.
  • the area extracting unit 8a extracts and identifies images with angle numbers 14, 16, and 18 as defect candidate areas on the casting surface, and images with angle numbers 22-24 as defect candidate areas on the processed surface. Extracted and specified as a candidate area.
  • the feature amount acquisition section 8 obtains images of angle numbers 14, 16, and 18 of the cast surface surface extracted and identified as defect candidate regions by the region extraction section 8a and the angle number of the machined surface. 22 to 24 are acquired, and the entire pixel area of each is scanned to obtain the brightness variation (brightness distribution standard deviation) ⁇ , and the waveform data acquisition unit 9 arranges the images in the order of change in relative orientation (angle). 1. Obtain first waveform data.
  • the defect determination unit 10 performs defect determination on the acquired luminance waveform data using an RNN (Recurrent Neural Network).
  • RNN Recurrent Neural Network
  • the brightness difference is used as the first feature amount
  • the variation in brightness (brightness distribution standard deviation) ⁇ is used as the first feature amount. Since the other configurations are the same as those in the first embodiment, the same configurations are denoted by the same reference numerals and the description thereof will be omitted. Therefore, the third embodiment provides the same effects as the first embodiment.
  • FIG. 11 is a time chart illustrating the geometric characteristics (first feature amount) and the operation of the defect inspection method in the fourth embodiment. That is, the operation of the method for inspecting the machined surfaces of the piston 5 for defects is shown.
  • stains In terms of geometrical characteristics, stains have small widths and areas, while defects have large widths and areas.
  • the defect candidate region identification step an image extracted and identified as a defect candidate region of the processed surface 1 with a predetermined brightness or less and an image extracted and identified as a defect candidate region of the processed surface 2 with a predetermined brightness or less by the region extraction unit 8a.
  • the feature value acquisition unit 8 extracts the plurality of images extracted and identified as defect candidate areas by the area extraction unit 8a.
  • the waveform data acquisition unit 9 acquires first waveform data arranged in order of change in relative orientation (angle) by scanning the entire respective pixel regions and acquiring their respective geometric characteristics.
  • the defect determination unit 10 performs defect determination on the acquired waveform data of the geometric characteristics using an RNN (Recurrent Neural Network).
  • RNN Recurrent Neural Network
  • FIG. 12 is a diagram showing characteristics of color intensity (first feature amount) in the fifth embodiment. For example, if a defect has a large brightness difference between G (green) and B (blue), and a stain has a large brightness difference between G (green) and R (red), ) and R (red) to determine whether it is a defect or dirt.
  • FIG. 13 is a time chart illustrating the operation of the defect inspection method in the fifth embodiment. That is, the operation of the defect inspection method for the machined surface and cast surface of the piston 5 is shown.
  • the region extraction unit 8a extracts and identifies an image extracted and identified as a defect candidate region on the machined surface and an image extracted and identified as a defect candidate region on the casting surface (see the drawing). , only those with specific angle numbers are displayed).
  • the feature amount acquisition section 8 acquires a plurality of images that the region extraction section 8a has extracted and specified as defect candidate regions, scans the entire pixel region of each, and The color intensity (brightness difference) is acquired, and the waveform data acquisition unit 9 acquires first waveform data arranged in order of change in relative posture (angle). Note that the color intensity (brightness difference) is set to 0 for angle numbers that are not extracted or specified as defect candidate areas.
  • the defect determination unit 10 performs defect determination on the acquired intensity (luminance difference) waveform data for each color (RGB) using an RNN (Recurrent Neural Network).
  • RNN Recurrent Neural Network
  • the brightness difference is used as the first feature amount
  • the color intensity (brightness difference) is used as the first feature amount. Since the other configurations are the same as those of the first embodiment, the same configurations are denoted by the same reference numerals and the description thereof will be omitted. Therefore, the fifth embodiment provides the same effects as the first embodiment.
  • FIG. 14 is a flowchart showing the flow of the defect inspection method in the sixth embodiment.
  • the feature amount acquisition unit 8 acquires images of a plurality of defect candidate regions extracted and identified by the area extraction unit 8a, scans the entire respective pixel areas, and calculates the brightness difference (first feature amount). ), the brightness gradient (second feature), and in step S4a, the waveform data acquisition unit 9 acquires the brightness difference (first feature) and the brightness gradient (second feature) of the relative orientation (angle).
  • the first waveform data and the second waveform data arranged in the order of change are acquired, and in step S5a, the defect determination unit 10 uses machine learning to determine defects from the shapes of the first waveform data and the second waveform data. I have to. Since the other configurations are the same as those of the first embodiment, the same configurations are denoted by the same reference numerals and the description thereof will be omitted.
  • FIG. 15 is a first time chart explaining the operation of the defect inspection method in the sixth embodiment. That is, the operation of the defect inspection method for the cast surface and processed surface of the piston 5 is shown.
  • the area extraction unit 8a extracts and identifies images with angle numbers 18, 20, and 23 as defect candidate areas for the casting surface, and images with angle numbers 22-25 as defect candidate areas for the processed surface. Extracted and specified as a candidate area.
  • the feature value acquisition unit 8 extracts images of angle numbers 18, 20, and 23 of the casting surface that the region extraction unit 8a has extracted and identified as defect candidate regions, and the angle number of the machined surface. 22 to 25 are acquired, the entire pixel area of each is scanned to obtain the brightness difference and brightness gradient, and the waveform data acquisition unit 9 calculates each of the brightness difference and brightness gradient by changing the relative posture (angle). First and second waveform data arranged in this order are acquired.
  • first and second waveform data of angle number 18 of the cast surface and angle number 22 of the machined surface are shown as a representative example.
  • the brightness difference and brightness gradient are set to 0 for angle numbers that are not extracted or specified as defect candidate areas.
  • the defect determination unit 10 performs defect determination on the acquired first waveform data of luminance using an RNN (Recurrent Neural Network). That is, although the brightness gradient b1 of the image of angle number 18 of the cast surface and the brightness gradient b1 of the image of angle number 22 of the machined surface are large, the brightness difference a1 of the cast surface is small, and the brightness difference a2 of the machined surface is large. . Therefore, the image of angle number 18 on the cast surface is determined to be OK (stain), and the image of angle number 22 on the machined surface is determined to be NG (defect). Images with other extracted/obtained angle numbers are similarly determined.
  • FIG. 16 is a second time chart illustrating the operation of the defect inspection method in the sixth embodiment. That is, the operation of the defect inspection method for the cast surface and processed surface of the piston 5 is shown.
  • the area extraction unit 8a extracts and identifies images with angle numbers 18, 20, and 23 as defect candidate areas for the casting surface, and images with angle numbers 22-25 as defect candidate areas for the processed surface. Extracted and specified as a candidate area.
  • the feature value acquisition unit 8 extracts images of angle numbers 18, 20, and 23 of the casting surface that the region extraction unit 8a has extracted and identified as defect candidate regions, and the angle number of the machined surface. 22 to 25 are acquired, and the entire pixel area of each is scanned to obtain the brightness difference and brightness gradient. First waveform data and second waveform data arranged in order of change in angle) are obtained.
  • first and second waveform data of angle number 18 of the cast surface and angle number 22 of the machined surface are shown as a representative example.
  • the brightness difference and brightness gradient are set to 0 for angle numbers that are not extracted or specified as defect candidate areas.
  • the defect determination unit 10 performs defect determination on the acquired luminance first waveform data and second waveform data using an RNN (Recurrent Neural Network). That is, the brightness gradient b1 of the image of angle number 18 of the cast surface is small, the brightness gradient b2 of the image of angle number 22 of the processed surface is large, and the brightness difference a1 of the cast surface and the brightness difference a1 of the processed surface are large.
  • RNN Recurrent Neural Network
  • the image of angle number 18 on the cast surface has a large brightness difference a1, but the brightness gradient b1 is small, so it is determined to be OK (dirt), and the image of angle number 22 on the machined surface has a large brightness difference a1 and a small brightness gradient b1. Since both brightness gradients b2 are large, it is determined to be NG (defect). Images with other extracted/obtained angle numbers are similarly determined.
  • FIG. 17 is a flowchart showing the flow of the defect inspection method in the seventh embodiment.
  • the first feature amount and the second feature amount are used, but in the seventh embodiment, in addition to the first feature amount and the second feature amount, a third feature amount is used. That is, in step S3b, the feature acquisition section 8 acquires images of the plurality of defect candidate regions extracted and identified by the region extraction section 8a, scans the entire respective pixel regions, and calculates the brightness difference (first feature amount). ), brightness gradient (second feature), and brightness variation (third feature), and in step S4b, the waveform data acquisition unit 9 acquires the brightness difference (first feature), brightness gradient (second feature).
  • the first waveform data, the second waveform data, and the third waveform data are obtained in which the variations in brightness (the third feature amount) are arranged in the order of the change in relative posture (angle), and in step S5b, the defect determination unit No. 10 uses machine learning to determine defects from the shapes of the first waveform data, the second waveform data, and the third waveform data. Since the other configurations are the same as those in the sixth embodiment, the same configurations are denoted by the same reference numerals and the description thereof will be omitted.
  • FIG. 18 is a time chart illustrating the operation of the defect inspection method in the seventh embodiment. That is, the operation of the defect inspection method for the cast surface and processed surface of the piston 5 is shown.
  • the region extraction unit 8a extracts and identifies images of angle numbers 14, 17, 18, and 20 on the casting surface as defect candidate regions, and images of angle numbers 19, 22, and 23 on the machined surface. , 25 images have been extracted and identified as defect candidate areas.
  • the feature amount acquisition section 8 extracts and identifies images of angle numbers 14, 17, 18, and 20 of the cast surface surface as defect candidate regions by the region extraction section 8a and the machined surface. Images with angle numbers 19, 22, 23, and 25 are acquired, and the entire pixel area of each is scanned to obtain the brightness difference, brightness gradient, and brightness variation.
  • First waveform data, second waveform data, and third waveform data are obtained in which variations in brightness and luminance are arranged in order of change in relative posture (angle). Note that for angle numbers that are not extracted or specified as defect candidate areas, the brightness difference, brightness gradient, and brightness variation are set to zero.
  • the defect determination unit 10 performs defect determination on the acquired luminance first waveform data, second waveform data, and third waveform data using an RNN (Recurrent Neural Network).
  • RNN Recurrent Neural Network
  • the brightness difference (first feature quantity), brightness gradient (second feature quantity), and brightness variation (third feature quantity) are used together. Therefore, as the amount of information increases, the determination accuracy is further improved.
  • FIG. 19 is a flowchart showing the flow of the defect inspection method in the eighth embodiment.
  • the region extraction unit 8a extracts and specifies defect candidate regions using CNN (Convolutinal Neural Network) and obtains the brightness difference (first feature amount), but in the eighth embodiment, multiple The entire pixel area of each image at this angle is scanned to obtain the brightness difference (first feature amount). Since the other configurations are the same as those of the first embodiment, the same configurations are denoted by the same reference numerals and the description thereof will be omitted.
  • the CNN (Convolutinal Neural Network) of the area extraction unit 8a that extracts and specifies defect candidate areas of the computer 4 is not used. Therefore, the cost of the computer 4 can be suppressed.
  • the embodiments for carrying out the present invention have been described above, the specific configuration of the present invention is not limited to the configuration of the embodiments, and design changes may be made within the scope of the gist of the invention. are also included in the present invention.
  • the object to be inspected is not limited to a piston
  • machine learning is not limited to a CNN (Convolutinal Neural Network) or an RNN (Recurrent Neural Network).
  • the attitude control unit uses a robot to change the attitude of the piston, the attitude control unit may change the attitude of the piston by changing the position of the camera.

Landscapes

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

Abstract

検査の判定精度を向上した欠陥検査装置および欠陥検査方法を提供することにある。欠陥検査方法は、欠陥検査装置が、被検査物と撮像部の相対姿勢を変化させて、相対姿勢毎に撮像を行い、複数の画像を取得する画像取得ステップと、複数の画像をそれぞれ走査して得られる特定の特徴を第１特徴量として取得する特徴量取得ステップと、第１特徴量を相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得ステップと、第１波形データに応じて欠陥の判定を行う欠陥判定ステップを有する。

Description

欠陥検査装置および欠陥検査方法
　本発明は、欠陥検査装置および欠陥検査方法に関する。
　特許文献１には、表面欠陥の検出対象であるワークに対し照明装置による明暗パターンを相対的に移動させた状態で、ワークの被測定部位についての複数の画像を取得し、各画像に対する二値化処理と閾値の適用により、画像の特徴点を抽出し、各特徴点に対し多次元の特徴量を求め、仮欠陥候補を抽出する。仮欠陥候補が抽出された複数の画像のうち、仮欠陥候補が対応する画像が予め設定された閾値以上存在すれば、仮欠陥候補を欠陥候補として決定し、決定された欠陥候補が含まれている複数の画像を合成して合成画像を作成し、作成された合成画像に基づいて欠陥検出を行うワークの表面欠陥検出装置が開示されている。
特開２０２１－５６１８３号公報
　しかしながら、特許文献1の表面欠陥検査装置では、決定された欠陥候補が含まれている複数の画像を合成して合成画像を作成し、作成された１つの合成画像に基づいて欠陥検出を行うため、欠陥を誤検出してしまうおそれがあった。
　本発明の目的の一つは、検査の判定精度を向上した欠陥検査装置および欠陥検査方法を提供することにある。
　本発明の一実施形態における欠陥検査方法は、欠陥検査装置が、被検査物と撮像部の相対姿勢を変化させて、相対姿勢毎に撮像を行い、複数の画像を取得する画像取得ステップと、複数の画像をそれぞれ走査して得られる特定の特徴を第１特徴量として取得する特徴量取得ステップと、第１特徴量を相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得ステップと、第１波形データに応じて欠陥の判定を行う欠陥判定ステップと、を有する。
　よって、本発明の一実施形態にあっては、第１特徴量を相対姿勢の変化の順に並べた第１波形データに応じて汚れ、欠陥の判定を行うことで、検査の判定精度を向上することができる。
実施形態１の欠陥検査装置の全体図である。 実施形態１における欠陥検査方法の流れを示すフローチャートである。 実施形態１における輝度差（第１特徴量）の特性を示す図である。 実施形態１における欠陥検査方法の動作を説明する第１タイムチャートである。 実施形態１における欠陥検査方法の動作を説明する第２タイムチャートである。 実施形態２における輝度勾配（第１特徴量）の特性を示す図である。 実施形態２における欠陥検査方法の動作を説明する第１タイムチャートである。 実施形態２における欠陥検査方法の動作を説明する第２タイムチャートである。 実施形態３における輝度のばらつき（第１特徴量）の特性を示す図である。 実施形態３における欠陥検査方法の動作を説明するタイムチャートである。 実施形態４における幾何的特性（第１特徴量）と欠陥検査方法の動作を説明するタイムチャートである。 実施形態５における色強度（第１特徴量）の特性を示す図である。 実施形態５における欠陥検査方法の動作を説明するタイムチャートである。 実施形態６における欠陥検査方法の流れを示すフローチャートである。 実施形態６における欠陥検査方法の動作を説明する第１タイムチャートである。 実施形態６における欠陥検査方法の動作を説明する第２タイムチャートである。 実施形態７における欠陥検査方法の流れを示すフローチャートである。 実施形態７における欠陥検査方法の動作を説明するタイムチャートである。 実施形態８における欠陥検査方法の流れを示すフローチャートである。
　〔実施形態１〕
　図１は、実施形態１の欠陥検査装置の全体図である。
　実施形態１の検査装置1は、カメラ（撮像部）２、ロボット３およびコンピュータ４を備える。
　カメラ２は、ピストン（被検査物）５の冠面５ａの画像を撮像する。
　なお、ピストン５の冠面５ａは、表面性状が大きく異なる加工面と鋳肌面を有している。
　ロボット３は、カメラ２に対するピストン５の相対姿勢（アングル）を変化させる。
　コンピュータ４は、例えばパーソナルコンピュータであり、ＣＰＵ６を備える。
　ＣＰＵ６は、画像取得部７、領域抽出部８ａを有する特徴量取得部８、波形データ取得部９、欠陥判定部１０を備える。
　画像取得部７は、カメラ２により撮像されたピストン５の冠面５ａの画像を、複数取得する（画像取得ステップ）。
　領域抽出部８ａは、機械学習や画像処理にて欠陥候補領域を抽出・特定する（欠陥候補領域特定ステップ）。
　機械学習は、例えば、ニューラルネットを用いた学習であって、実施形態１では、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）を採用している。
　特徴量取得部８は、領域抽出部８ａが機械学習や画像処理により抽出・特定した複数の欠陥候補領域の画像を取得し、それぞれの画素領域全体を走査して、輝度差（第１特徴量）を取得する（特徴量取得ステップ）。
　輝度差とは、得られた輝度の最大値と最小値の差である。
　波形データ取得部９は、取得した第１特徴量を相対姿勢（アングル）の変化の順に並べた第１波形データを取得する（波形データ取得ステップ）。
　なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度差は０としている。
　欠陥判定部１０は、機械学習にて第１波形データの形状から欠陥を判定する（欠陥判定ステップ）。
　この機械学習は、例えば、ニューラルネットを用いた学習であって、実施形態１では、ＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）を採用している。
　図２は、実施形態１における欠陥検査方法の流れを示すフローチャートである。
　ステップＳ１では、ロボット３によりピストン５の相対姿勢（アングル）を変化させ、カメラ２により撮像されたピストン５の冠面５ａの画像を、画像取得部７が複数取得する（画像取得ステップ）。
　具体的には、相対姿勢（アングル）の総数は、２５アングルである。
　ステップＳ２では、領域抽出部８ａが、機械学習や画像処理により欠陥候補領域を抽出・特定する（欠陥候補領域特定ステップ）。
　ステップＳ３では、特徴量取得部８が、領域抽出部８ａが機械学習や画像処理により抽出・特定した複数の欠陥候補領域の画像を取得し、それぞれの画素領域全体を走査して、輝度差を取得する（特徴量取得ステップ）。
　ステップＳ４では、波形データ取得部９が、取得した輝度差を相対姿勢（アングル）の変化の順に並べた第１波形データを取得する（波形データ取得ステップ）。
　なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度差は０としている。
　ステップＳ５では、欠陥判定部１０が、機械学習にて第１の波形データの形状から欠陥を判定する（欠陥判定ステップ）。
　図３は、実施形態１における輝度差（第１特徴量）の特性を示す図である。
　すなわち、輝度差の特性は、図３（ａ）に示すように、汚れは黒色が薄いので輝度差が小さく、欠陥は黒色が濃いので輝度差が大きい特性を有している。
　また、輝度差の特性は、図３（ｂ）に示すように、輝度差は同じでも、汚れはランダムに発生し、欠陥は明視野で連続して発生する特性を有している。
　図４は、実施形態１における欠陥検査方法の動作を説明する第１タイムチャートである。
　すなわち、ピストン５の加工面同士の欠陥検査方法の動作を示している。
　欠陥候補領域特定ステップでは、領域抽出部８ａにより、加工面１は、アングル番号１４、１８－２０の画像が欠陥候補領域として抽出・特定され、加工面２は、アングル番号１４－１７の画像が欠陥候補領域として抽出・特定されている。
　特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した加工面１のアングル番号１４、１８－２０の画像と加工面２のアングル番号１４－１７の画像を取得し、それぞれの画素領域全体を走査して、輝度差を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
　欠陥判定ステップでは、欠陥判定部１０が、取得した輝度差の第１波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
　すなわち、加工面１のアングル番号１４、１８－２０の画像の輝度差ａ１は小さいので、ＯＫ（汚れ）と判定し、加工面２のアングル番号１４－１７の画像の輝度差ａ２は大きいので、ＮＧ（欠陥）と判定する。
　図５は、実施形態１における欠陥検査方法の動作を説明する第２タイムチャートである。
　すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。
　欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１０、１２、１５の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号１４－１７の画像が欠陥候補領域として抽出・特定されている。
　特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが、欠陥候補領域として抽出・特定した鋳肌面のアングル番号１０、１２、１５の画像と加工面のアングル番号１４－１７の画像を取得し、それぞれの画素領域全体を走査して、輝度差を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
　欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の第１波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
　すなわち、鋳肌面のアングル番号１０、１２、１５の画像の輝度差ａ３と加工面のアングル番号１４－１７の画像の輝度差ａ３に差はないが、鋳肌面の輝度差はランダムに発生し、加工面の輝度は連続して発生している。
　このため、鋳肌面のアングル番号１０、１２、１５の画像は、ＯＫ（汚れ）と判定し、加工面のアングル番号１４－１７の画像は、ＮＧ（欠陥）と判定する。
　次に、実施形態１の作用効果を説明する。
　実施形態１では、以下のような作用効果を奏する。
（１）欠陥検査装置１は、ピストン５とカメラ２の相対姿勢を変化させて、相対姿勢毎に撮像を行い、複数の画像を取得する画像取得部７と、複数の画像のそれぞれの画素領域全体を走査して得られる第１特徴量としての輝度差を取得する特徴量取得部８と輝度差を相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得部９と、第１波形データによる輝度差の大きさに応じて、欠陥の判定を行う欠陥判定部１０とを備えるようにした。
　よって、ＮＧ（欠陥）、ＯＫ（汚れ）の検査の判定精度を向上することができる。
（２）輝度差は、複数の画像のそれぞれ画素領域全体を走査して得られる輝度の最大値と最小値の差であるようにした。
　よって、輝度の最大値と最小値の差が大きいほど急激な輝度変化があるということで、検査の判定精度をより向上することができる。
（３）特徴量取得部８の領域抽出部８ａは、機械学習であるＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）を用いて、欠陥候補領域の抽出・特定を行うようにした。
　よって、欠陥の判定が容易となる。
（４）輝度差の大きさと輝度差の発生状況（ランダムまたは連続）に応じて、欠陥の判定を行うようにした。
　よって、ＮＧ（欠陥）、ＯＫ（汚れ）の検査の判定精度をより向上することができる。
　〔実施形態２〕
　図６は、実施形態２における輝度勾配（第１特徴量）の特性を示す図である。
　すなわち、輝度勾配の特性は、図６（ａ）に示すように、汚れは輝度勾配の最大値が小さく、欠陥は輝度勾配の最大値が大きい特性を有している。
　また、輝度勾配の特性は、輝度差の特性と同様に、図６（ｂ）に示すように、汚れはランダムに発生し、欠陥は明視野で連続して発生する特性を有している。
　図７は、実施形態２における欠陥検査方法の動作を説明する第１タイムチャートである。
　すなわち、ピストン５の加工面同士の欠陥検査方法の動作を示している。
　欠陥候補領域特定ステップでは、領域抽出部８ａにより、加工面１は、アングル番号１４、１８－２０の画像が欠陥候補領域として抽出・特定され、加工面２は、アングル番号２１－２４の画像が欠陥候補領域として抽出・特定されている。
　特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した加工面１のアングル番号１４、１８－２０の画像と加工面２のアングル番号２１－２４の画像を取得し、それぞれの画素領域全体を走査して、輝度勾配を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
　なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度勾配は０としている。
　欠陥判定ステップでは、欠陥判定部１０が、取得した輝度勾配の第1波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
　すなわち、加工面１のアングル番号１４、１８－２０の画像の輝度勾配は小さいので、ＯＫ（汚れ）と判定し、加工面２のアングル番号２１－２４の画像の輝度勾配は大きいので、ＮＧ（欠陥）と判定する。
　図８は、実施形態２における欠陥検査方法の動作を説明する第２タイムチャートである。
　すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。
　欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１４、１６、１８の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号２１－２４の画像が欠陥候補領域として抽出・特定されている。
　特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した鋳肌面のアングル番号１４、１６、１８の画像と加工面のアングル番号２１－２４の画像を取得し、それぞれの画素領域全体を走査して、輝度勾配を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
　なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度勾配は０としている。
　欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の第１波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
　すなわち、鋳肌面のアングル番号１４、１６、１８の画像の輝度勾配は小さく、ランダムに発生しているので、ＯＫ（汚れ）と判定し、加工面のアングル番号２１－２４の画像の輝度勾配は大きく、連続して発生しているので、ＮＧ（欠陥）と判定する。
　このように、実施形態1では、第１特徴量として輝度差を用いていたが、実施形態２では、第１特徴量として輝度勾配を用いるようにした。
　その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
　次に、実施形態２の作用効果を説明する。
　実施形態２では、実施形態１と同様に以下のような作用効果を奏する。
（１）欠陥検査装置１は、ピストン５とカメラ２の相対姿勢を変化させて、相対姿勢毎に撮像を行い、複数の画像を取得する画像取得部７と、複数の画像のそれぞれの画素領域全体を走査して得られる第１特徴量としての輝度勾配を取得する特徴量取得部８と輝度勾配を相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得部９と、第１波形データによる輝度勾配の大きさに応じて、欠陥の判定を行う欠陥判定部１０とを備えるようにした。
　よって、ＮＧ（欠陥）、ＯＫ（汚れ）の検査の判定精度を向上することができる。
（２）輝度勾配は、複数の画像をそれぞれ走査して得られる輝度勾配の最大値を用いるようにした。
　よって、輝度勾配は複数取得することができるが、最大値を用いることで、ＮＧ（欠陥）、ＯＫ（汚れ）の検査の判定精度をより向上することができる。
（３）特徴量取得部８の領域抽出部８ａは、機械学習であるＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）を用いて、欠陥候補領域の抽出・特定を行うようにした。
　よって、欠陥の判定が容易となる。
（４）輝度勾配の大きさと輝度勾配の発生状況（ランダムまたは連続）に応じて、欠陥の判定を行うようにした。
　よって、ＮＧ（欠陥）、ＯＫ（汚れ）の検査の判定精度をより向上することができる。
　〔実施形態３〕
　図９は、実施形態３における輝度のばらつき（第１特徴量）の特性を示す図である。
　すなわち、輝度のばらつき（輝度分布標準偏差）σの特性は、図９（ａ）に示すように、汚れは輝度のばらつき（輝度分布標準偏差）σが大きく、欠陥は輝度のばらつき（輝度分布標準偏差）σが小さい特性を有している。
　図１０は、実施形態３における欠陥検査方法の動作を説明するタイムチャートである。
　すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。
　欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１４、１６、１８の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号２２－２４の画像が欠陥候補領域として抽出・特定されている。
　特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した鋳肌面のアングル番号１４、１６、１８の画像と加工面のアングル番号２２－２４の画像を取得し、それぞれの画素領域全体を走査して、輝度のばらつき（輝度分布標準偏差）σを取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
　なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度のばらつき（輝度分布標準偏差）は０としている。
　欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
　すなわち、鋳肌面のアングル番号１４、１６、１８の画像の輝度のばらつき（輝度分布標準偏差）σは大きいので、ＯＫ（汚れ）と判定し、加工面のアングル番号２２－２４の画像の輝度のばらつき（輝度分布標準偏差）σは小さいので、ＮＧ（欠陥）と判定する。
　このように、実施形態1では、第１特徴量として輝度差を用いていたが、実施形態３では、第１特徴量として輝度のばらつき（輝度分布標準偏差）σを用いるようにした。
　その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
　よって、実施形態３では、実施形態１と同様の作用効果を奏する。
　〔実施形態４〕
　図１１は、実施形態４における幾何的特性（第１特徴量）と欠陥検査方法の動作を説明するタイムチャートである。
　すなわち、ピストン５の加工面同士の欠陥検査方法の動作を示している。
　幾何的特性としては、汚れは幅、面積などが小さく、欠陥は幅、面積が大きい特性を有している。
　欠陥候補領域特定ステップで、領域抽出部８ａにより、所定輝度以下の加工面１の欠陥候補領域として抽出・特定された画像と所定輝度以下の加工面２の欠陥候補領域として抽出・特定された画像（図面では、特定のアングル番号のもののみ表示）を、特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した複数の画像を取得し、それぞれの画素領域全体を走査して、それぞれの幾何的特性を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
　なお、欠陥候補領域として抽出・特定されていないアングル番号では、幾何的特性は０としている。
　欠陥判定ステップでは、欠陥判定部１０が、取得した幾何的特性の波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
　すなわち、加工面１の画像の幾何的特性の幅、面積が大きいので、ＮＧ（欠陥）と判定し、加工面２の画像の幾何的特性の幅、面積が小さいので、ＯＫ（汚れ）と判定する。
　このように、実施形態1では、第１特徴量として輝度差を用いていたが、実施形態４では、第１特徴量として幾何的特性を用いるようにした。
　その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
　よって、実施形態４では、実施形態１と同様の作用効果を奏する。
　〔実施形態５〕
　図１２は、実施形態５における色強度（第１特徴量）の特性を示す図である。
　例えば、色強度が、欠陥はＧ(緑)とＢ(青)の輝度差が大きく、汚れはＧ(緑)とＲ(赤)の輝度差が大きい特性を有している場合、Ｂ(青)とＲ(赤)の輝度差の大きさから欠陥か汚れかを判定可能となる。
　図１３は、実施形態５における欠陥検査方法の動作を説明するタイムチャートである。
　すなわち、ピストン５の加工面と鋳肌面の欠陥検査方法の動作を示している。
　欠陥候補領域特定ステップで、領域抽出部８ａにより、加工面の欠陥候補領域として抽出・特定された画像と鋳肌面の欠陥候補領域として抽出・特定された画像が抽出・特定されている（図面では、特定のアングル番号のもののみ表示）。
　特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した複数の画像を取得し、それぞれの画素領域全体を走査して、それぞれの色強度（輝度差）を取得し、波形データ取得部９が、相対姿勢（アングル）の変化の順に並べた第１波形データを取得する。
　なお、欠陥候補領域として抽出・特定されていないアングル番号では、色強度（輝度差）は０としている。
　欠陥判定ステップでは、欠陥判定部１０が、取得した色（ＲＧＢ）ごとの強度（輝度差）の波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
　すなわち、加工面の画像の色強度（輝度差）がＢ(青)の輝度差が大きく、Ｒ(赤)の輝度差が小さいので、ＮＧ(欠陥)と判定し、鋳肌面の画像の色強度（輝度差）がＢ(青)の輝度差が小さく、Ｒ(赤)の輝度差が大きいのでＯＫ(汚れ)と判定する。
　このように、実施形態1では、第１特徴量として輝度差を用いていたが、実施形態５では、第１特徴量として色強度（輝度差）を用いるようにした。
　その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
　よって、実施形態５では、実施形態１と同様の作用効果を奏する。
　〔実施形態６〕
　図１４は、実施形態６における欠陥検査方法の流れを示すフローチャートである。
　実施形態１では、第１特徴量のみを用いていたが、実施形態６では、第１特徴量に加え、第２特徴量を用いるようにしている。
　すなわち、ステップＳ３ａでは、特徴量取得部８が、領域抽出部８ａが抽出・特定した複数の欠陥候補領域の画像を取得し、それぞれの画素領域全体を走査して、輝度差（第１特徴量）、輝度勾配（第２特徴量）を取得し、ステップＳ４ａでは、波形データ取得部９が、輝度差（第１特徴量）、輝度勾配（第２特徴量）をそれぞれ相対姿勢(アングル)の変化の順に並べた第１波形データ、第２波形データを取得し、ステップＳ５ａでは、欠陥判定部１０が、機械学習にて、第１波形データ、第２波形データの形状から欠陥を判定するようにしている。
　その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
　図１５は、実施形態６における欠陥検査方法の動作を説明する第１タイムチャートである。
　すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。
　欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１８、２０、２３の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号２２－２５の画像が欠陥候補領域として抽出・特定されている。
　特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した鋳肌面のアングル番号１８、２０、２３の画像と加工面のアングル番号２２－２５の画像を取得し、それぞれの画素領域全体を走査して、輝度差と輝度勾配を取得し、波形データ取得部９が、輝度差と輝度勾配のそれぞれを相対姿勢（アングル）の変化の順に並べた第１、第２波形データを取得する。
　なお、図面では、代表例として、鋳肌面のアングル番号１８と加工面のアングル番号２２の第１、第２波形データを示している。
　また、欠陥候補領域として抽出・特定されていないアングル番号では、輝度差、輝度勾配は０としている。
　欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の第１波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
　すなわち、鋳肌面のアングル番号１８の画像の輝度勾配ｂ１と加工面のアングル番号２２の画像の輝度勾配ｂ１は大きいが、鋳肌面の輝度差ａ１は小さく、加工面の輝度差ａ２は大きい。
　このため、鋳肌面のアングル番号１８の画像は、ＯＫ（汚れ）と判定し、加工面のアングル番号２２の画像は、ＮＧ（欠陥）と判定する。
　他の抽出・取得したアングル番号の画像も同様に判定する。
　図１６は、実施形態６における欠陥検査方法の動作を説明する第２タイムチャートである。
　すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。
　欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１８、２０、２３の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号２２－２５の画像が欠陥候補領域として抽出・特定されている。
　特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した鋳肌面のアングル番号１８、２０、２３の画像と加工面のアングル番号２２－２５の画像を取得し、それぞれの画素領域全体を走査して、走査して、輝度差と輝度勾配を取得し、波形データ取得部９が、輝度差と輝度勾配のそれぞれを相対姿勢（アングル）の変化の順に並べた第１波形データ、第２波形データを取得する。
　なお、図面では、代表例として、鋳肌面のアングル番号１８と加工面のアングル番号２２の第１、第２波形データを示している。
　また、欠陥候補領域として抽出・特定されていないアングル番号では、輝度差、輝度勾配は０としている。
　欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の第１波形データ、第２波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
　すなわち、鋳肌面のアングル番号１８の画像の輝度勾配ｂ１は小さく、加工面のアングル番号２２の画像の輝度勾配ｂ２は大きく、鋳肌面の輝度差ａ１と加工面の輝度差ａ１は大きい。
　このため、鋳肌面のアングル番号１８の画像は、輝度差ａ１は大きいが、輝度勾配ｂ１が小さいので、ＯＫ（汚れ）と判定し、加工面のアングル番号２２の画像は、輝度差ａ１および輝度勾配ｂ２がともに大きいので、ＮＧ（欠陥）と判定する。
　他の抽出・取得したアングル番号の画像も同様に判定する。
　次に、実施形態６の作用効果を説明する。
　実施形態１の作用効果に加え、以下の作用効果を奏する。
（１）特徴量として、輝度差（第１特徴量）と輝度勾配（第２特徴量）を併用するようにした。
　よって、情報量が増えることにより、判定精度がさらに向上する。
　〔実施形態７〕
　図１７は、実施形態７における欠陥検査方法の流れを示すフローチャートである。
　実施形態６では、第１特徴量と第２特徴量を用いていたが、実施形態７では、第１特徴量と第２特徴量に加え、第３特徴量を用いるようにしている。
　すなわち、ステップＳ３ｂでは、特徴量取得部８が、領域抽出部８ａが抽出・特定した複数の欠陥候補領域の画像を取得し、それぞれの画素領域全体を走査して、輝度差（第１特徴量）、輝度勾配（第２特徴量）、輝度のばらつき（第３特徴量）を取得し、ステップＳ４ｂでは、波形データ取得部９が、輝度差（第１特徴量）、輝度勾配（第２特徴量）、輝度のばらつき（第３特徴量）をそれぞれ相対姿勢(アングル)の変化の順に並べた第１波形データ、第２波形データ、第３波形データを取得し、ステップＳ５ｂでは、欠陥判定部１０が、機械学習にて、第１波形データ、第２波形データ、第３波形データの形状から欠陥を判定するようにしている。
　その他の構成は、実施形態６と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
　図１８は、実施形態７における欠陥検査方法の動作を説明するタイムチャートである。
　すなわち、ピストン５の鋳肌面と加工面の欠陥検査方法の動作を示している。
　欠陥候補領域特定ステップでは、領域抽出部８ａにより、鋳肌面は、アングル番号１４、１７、１８、２０の画像が欠陥候補領域として抽出・特定され、加工面は、アングル番号１９、２２、２３、２５の画像が欠陥候補領域として抽出・特定されている。
　特徴量取得ステップおよび波形データ取得ステップでは、特徴量取得部８が、領域抽出部８ａが欠陥候補領域として抽出・特定した鋳肌面のアングル番号１４、１７、１８、２０の画像と加工面のアングル番号１９、２２、２３、２５の画像を取得し、それぞれの画素領域全体を走査して、輝度差と輝度勾配と輝度のばらつきを取得し、波形データ取得部９が、輝度差と輝度勾配と輝度のばらつきをそれぞれ相対姿勢（アングル）の変化の順に並べた第１波形データ、第２波形データ、第３波形データを取得する。
　なお、欠陥候補領域として抽出・特定されていないアングル番号では、輝度差、輝度勾配、輝度のばらつきは０としている。
　欠陥判定ステップでは、欠陥判定部１０が、取得した輝度の第１波形データ、第２波形データ、第３波形データをＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）により、欠陥判定を行う。
　すなわち、鋳肌面は、輝度勾配、輝度差は大きいが、輝度のばらつきが大きいので、ＯＫ(汚れ)と判定し、加工面は、輝度勾配、輝度差は大きいが、輝度のばらつきが小さいので、ＮＧ(欠陥)と判定する。
　次に、実施形態７の作用効果を説明する。
　実施形態６の作用効果に加え、以下の作用効果を奏する。
（１）特徴量として、輝度差（第１特徴量）と輝度勾配（第２特徴量）と輝度のばらつき（第３特徴量）を併用するようにした。
　よって、情報量が増えることにより、より判定精度がさらに向上する。
　〔実施形態８〕
　図１９は、実施形態８における欠陥検査方法の流れを示すフローチャートである。
　実施形態１では、領域抽出部８ａが、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）を用いて欠陥候補領域を抽出・特定し、輝度差（第１特徴量）を取得していたが、実施形態８では、複数のアングルの画像のそれぞれの画素領域全体を走査して、輝度差（第１特徴量）を取得するようにした。
　その他の構成は、実施形態１と同じ構成であるため、同じ構成には同一符号を付して、説明は省略する。
　次に、実施形態８の作用効果を説明する。
　実施形態１の作用効果に加え、以下の作用効果を奏する。
（１）コンピュータ４の欠陥候補領域を抽出・特定する領域抽出部８ａのＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）を用いないようにした。
　よって、コンピュータ４の費用を抑制することができる。
　〔他の実施形態〕
　以上、本発明を実施するための実施形態を説明したが、本発明の具体的な構成は実施形態の構成に限定されるものではなく、発明の要旨を逸脱しない範囲の設計変更等があっても本発明に含まれる。
　例えば、被検査物は、ピストンに限らないし、機械学習は、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｎａｌ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）やＲＮＮ（Ｒｅｃｕｒｒｅｎｔ　Ｎｅｕｒａｌ　Ｎｅｔｗａｒｋ）に限らない。
　また、姿勢制御部は、ロボットによりピストンの姿勢変化を行っているが、カメラの位置を変更することにより行ってもよい。
　本願は、２０２２年６月２０日付出願の日本国特許出願第２０２２－９８６３８号に基づく優先権を主張する。２０２２年６月２０日付出願の日本国特許出願第２０２２－９８６３８号の明細書、特許請求の範囲、図面、及び要約書を含む全開示内容は、参照により本願に全体として組み込まれる。
１　欠陥検査装置、２　カメラ（撮像部）、３　ロボット、４　コンピュータ、５　ピストン（被検査物）、６　ＣＰＵ、７　画像取得部、８　特徴量取得部、８ａ　領域抽出部、９　波形データ取得部、１０　欠陥判定部

Claims (12)

  1. 　被検査物の欠陥判定を行う欠陥検査装置であって、
    　前記被検査物と撮像部の相対姿勢を変化させて、前記相対姿勢毎に撮像を行い、複数の画像を取得する画像取得部と、
    　前記複数の画像をそれぞれ走査して得られる特定の特徴を第１特徴量として取得する特徴量取得部と、
    　前記第１特徴量を前記相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得部と、
    　前記第１波形データに応じて欠陥の判定を行う欠陥判定部と、
    　を備えることを特徴とした欠陥検査装置。
  2. 　請求項１に記載の欠陥検査装置において、
    　前記第１特徴量は、前記複数の画像を走査して得られる輝度、輝度勾配、幾何的特性、輝度のばらつき、色強度のうちの１つである、
    　ことを特徴とする欠陥検査装置。
  3. 　請求項２に記載の欠陥検査装置において、
    　前記特徴量取得部は、前記輝度、輝度勾配、幾何的特性、輝度のばらつき、色強度のうちの前記第１特徴量以外の１つを第２特徴量として取得し、
    　前記波形データ取得部は、前記第２特徴量を前記相対姿勢の変化の順に並べた第２波形データを取得し、
    　前記欠陥判定部は、前記第１波形データと前記第２波形データの両方の波形データを用いて欠陥の判定を行う、
    　ことを特徴とする欠陥検査装置。
  4. 　請求項３に記載の欠陥検査装置において、
    　前記特徴量取得部は、前記輝度、輝度勾配、幾何的特性、輝度のばらつき、色強度のうちの前記第１特徴量及び前記第２特徴量以外の１つを第３特徴量として取得し、
    　前記波形データ取得部は、前記第３特徴量を前記相対姿勢の変化の順に並べた第３波形データを取得し、
    　前記欠陥判定部は、前記第１波形データと前記第２波形データと前記第３波形データの３つの波形データを用いて欠陥の判定を行う、
    　ことを特徴とする欠陥検査装置。
  5. 　請求項２に記載の欠陥検査装置において、
    　前記第１特徴量は輝度差であって、前記画像を走査して得られる輝度の最大値と最小値の差を用いる、
    　ことを特徴とする欠陥検査装置。
  6. 　請求項２に記載の欠陥検査装置において、
    　前記第１特徴量は輝度勾配であって、前記画像を走査して得られる輝度勾配の最大値を用いる、
    　ことを特徴とする欠陥検査装置。
  7. 　請求項３に記載の欠陥検査装置において、
    　前記第１特徴量は輝度差であり、前記第２特徴量は輝度勾配である、
    　ことを特徴とする欠陥検査装置。
  8. 　請求項４に記載の欠陥検査装置において、
    　前記第１特徴量は輝度差であり、前記第２特徴量は輝度勾配であり、前記第３特徴量は輝度のばらつきである、
    　ことを特徴とする欠陥検査装置。
  9. 　請求項１に記載の欠陥検査装置において、
    　前記特徴量取得部は、機械学習を用いて前記複数の画像のそれぞれから欠陥の可能性がある欠陥候補領域を抽出する領域抽出部を有し、
    　前記第１特徴量は、前記欠陥候補領域を走査して得られる特定の特徴である、
    　ことを特徴とする欠陥検査装置。
  10. 　請求項１に記載の欠陥検査装置において、
    　前記第１特徴量は、前記複数の画像のそれぞれの画素領域の全体を走査して得られる特定の特徴である、
    　ことを特徴とする欠陥検査装置。
  11. 　請求項２に記載の欠陥検査装置において、
    　前記第１特徴量は、前記画像を走査して得られる、輝度が所定以下の画素領域の幾何的特性である、
    　ことを特徴とする欠陥検査装置。
  12. 　欠陥検査装置が被検査物の欠陥判定を行う欠陥検査方法であって、
    　前記欠陥検査装置が、
    　前記被検査物と撮像部の相対姿勢を変化させて、前記相対姿勢毎に撮像を行い、複数の画像を取得する画像取得ステップと、
    　前記複数の画像をそれぞれ走査して得られる特定の特徴を第１特徴量として取得する特徴量取得ステップと、
    　前記第１特徴量を前記相対姿勢の変化の順に並べた第１波形データを取得する波形データ取得ステップと、
    　前記第１波形データに応じて欠陥の判定を行う欠陥判定ステップと、
    　を備えることを特徴とした欠陥検査方法。
PCT/JP2023/021136 2022-06-20 2023-06-07 欠陥検査装置および欠陥検査方法 Ceased WO2023248795A1 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202380029625.8A CN118974549A (zh) 2022-06-20 2023-06-07 缺陷检查装置以及缺陷检查方法
US18/846,003 US20250191173A1 (en) 2022-06-20 2023-06-07 Defect inspection apparatus and defect inspection method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022098638A JP7894249B2 (ja) 2022-06-20 2022-06-20 欠陥検査装置および欠陥検査方法
JP2022-098638 2022-06-20

Publications (1)

Publication Number Publication Date
WO2023248795A1 true WO2023248795A1 (ja) 2023-12-28

Family

ID=89379892

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2023/021136 Ceased WO2023248795A1 (ja) 2022-06-20 2023-06-07 欠陥検査装置および欠陥検査方法

Country Status (4)

Country Link
US (1) US20250191173A1 (ja)
JP (1) JP7894249B2 (ja)
CN (1) CN118974549A (ja)
WO (1) WO2023248795A1 (ja)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024171362A (ja) * 2023-05-30 2024-12-12 日立Astemo株式会社 検査装置および判定モデル生成方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007285754A (ja) * 2006-04-13 2007-11-01 Seiko Epson Corp 欠陥検出方法および欠陥検出装置
JP2016070732A (ja) * 2014-09-29 2016-05-09 株式会社Ｓｃｒｅｅｎホールディングス 検査装置および検査方法
JP2018066717A (ja) * 2016-10-18 2018-04-26 株式会社高瀬文夫商店 蒲鉾板の欠陥検査装置
JP2019215206A (ja) * 2018-06-12 2019-12-19 国立大学法人岐阜大学 表面検査装置および表面検査方法
JP2022028337A (ja) * 2020-08-03 2022-02-16 日立Astemo株式会社 検査装置、検査方法およびピストンの製造方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5626559B2 (ja) 2010-02-09 2014-11-19 アイシン精機株式会社 欠陥判定装置および欠陥判定方法
JP7356010B2 (ja) 2019-10-15 2023-10-04 日本製鉄株式会社 表面性状検査装置及び表面性状検査方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007285754A (ja) * 2006-04-13 2007-11-01 Seiko Epson Corp 欠陥検出方法および欠陥検出装置
JP2016070732A (ja) * 2014-09-29 2016-05-09 株式会社Ｓｃｒｅｅｎホールディングス 検査装置および検査方法
JP2018066717A (ja) * 2016-10-18 2018-04-26 株式会社高瀬文夫商店 蒲鉾板の欠陥検査装置
JP2019215206A (ja) * 2018-06-12 2019-12-19 国立大学法人岐阜大学 表面検査装置および表面検査方法
JP2022028337A (ja) * 2020-08-03 2022-02-16 日立Astemo株式会社 検査装置、検査方法およびピストンの製造方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2024171362A (ja) * 2023-05-30 2024-12-12 日立Astemo株式会社 検査装置および判定モデル生成方法

Also Published As

Publication number Publication date
CN118974549A (zh) 2024-11-15
US20250191173A1 (en) 2025-06-12
JP2024000090A (ja) 2024-01-05
JP7894249B2 (ja) 2026-07-23

Similar Documents

Publication Publication Date Title
KR101773791B1 (ko) 검사대상 물체의 표면 검사 방법 및 장치
KR101338576B1 (ko) 화상 해석에 의해서 결함 검사를 실시하는 결함검사장치
JP6701118B2 (ja) 画像処理装置および画像処理方法
CN109472271B (zh) 印刷电路板图像轮廓提取方法及装置
WO2017141611A1 (ja) 欠陥検出装置、欠陥検出方法およびプログラム
KR20130142118A (ko) 타이어의 트레드 디자인을 형성하는 기본 패턴을 식별하여 규정하기 위한 방법
JP4230880B2 (ja) 欠陥検査方法
US8237848B2 (en) Image sensing apparatus and method for sensing target that has a defective portion region
JP4241361B2 (ja) キャップ天面の検査方法
JP2005265661A (ja) 画像処理方法およびその装置
CN112200790B (zh) 布料缺陷检测方法、设备和介质
JP2004109018A (ja) 回路パターン検査方法および検査装置
Feng et al. Image processing of the grinding wheel surface
JP2024000090A (ja) 欠陥検査装置および欠陥検査方法
JP2009080004A (ja) 検査装置
KR20060130109A (ko) 기판 검사 장치
JP6623545B2 (ja) 検査システム、検査方法、プログラムおよび記憶媒体
JP2019215206A (ja) 表面検査装置および表面検査方法
CN107256835B (zh) 一种凸块缺陷检测方法
JP2012007952A (ja) 外観検査装置
JP4978215B2 (ja) 加工面欠陥判定方法
KR20150137474A (ko) 컬러 이미지 분리를 이용한 비전검사 방법
JP4910128B2 (ja) 対象物表面の欠陥検査方法
JP4244046B2 (ja) 画像処理方法および画像処理装置
JP2004170374A (ja) 表面欠陥検出装置、及び表面欠陥検出方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23826982

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 18846003

Country of ref document: US

WWE Wipo information: entry into national phase

Ref document number: 202380029625.8

Country of ref document: CN

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 18846003

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 23826982

Country of ref document: EP

Kind code of ref document: A1