JP2009122939A - Feature extraction program creation device for tire inspection and tire inspection device - Google Patents
Feature extraction program creation device for tire inspection and tire inspection device Download PDFInfo
- Publication number
- JP2009122939A JP2009122939A JP2007295907A JP2007295907A JP2009122939A JP 2009122939 A JP2009122939 A JP 2009122939A JP 2007295907 A JP2007295907 A JP 2007295907A JP 2007295907 A JP2007295907 A JP 2007295907A JP 2009122939 A JP2009122939 A JP 2009122939A
- Authority
- JP
- Japan
- Prior art keywords
- tire
- image
- feature extraction
- extraction program
- defect
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
本発明は、タイヤ又はタイヤ構成部材の表面を検査するためのタイヤ検査用特徴抽出プログラム作成装置及びタイヤ装置に関する。 The present invention relates to a tire inspection feature extraction program creation device and a tire device for inspecting the surface of a tire or a tire constituent member.
タイヤ等の被検出体の表面欠陥について、変位センサにより得られる表面形状の凹凸波形から周波数解析することにより欠陥検出する技術が各種知られている。その周波数解析には、高速フーリエ変換による技術が一般的に知られており、この技術では計測データに含まれる雑音（ノイズ）の除去や欠陥部の抽出（欠陥位置の特定）が可能である。この高速フーリエ変換では、位置特定が困難であるため、タイヤ外面の変位をセンサにより検知し、その変位信号であるセンサ出力信号についてウェーブレット処理により波形を得て、得られた波形と欠陥波形とを比較することによりタイヤ欠陥を検出する技術も知られている（例えば、特許文献１参照）。 Various techniques are known for detecting defects of a surface defect of an object to be detected such as a tire by performing frequency analysis from an uneven waveform of a surface shape obtained by a displacement sensor. For the frequency analysis, a technique based on fast Fourier transform is generally known, and with this technique, it is possible to remove noise contained in measurement data and to extract a defective part (defect position specification). In this fast Fourier transform, it is difficult to specify the position. Therefore, the displacement of the outer surface of the tire is detected by a sensor, a waveform is obtained by wavelet processing for the sensor output signal that is the displacement signal, and the obtained waveform and the defect waveform are obtained. A technique for detecting a tire defect by comparison is also known (see, for example, Patent Document 1).
このようなタイヤ等の表面欠陥を変位センサを用いて行うことに比べ、タイヤ等の表面を撮像した撮像画像を画像処理して検査することは、目視検査に近く、好ましい検査である。
しかしながら、画像処理によりタイヤ等の表面欠陥を得る方法では、画像処理のための様々なフィルタを詳細に設定した後に画像処理しなければならず、その設定は職人芸的なものであった。例えば、表面欠陥を表示させるためにタイヤ等の表面から欠陥箇所を抽出するのには、複数のフィルタ等を組み合わせたタイヤ検査用の特徴抽出プログラムを作成する必要がある。この特徴抽出プログラムの作成には、膨大な処理時間を要すると共にフィルタの組み合わせ等の設定は熟練者に依存する必要があった。従って、多数の種類が存在するタイヤやタイヤ構成部材の各々の検査に適用するのには実用的ではなく、また、特徴抽出プログラムの作成を簡単に行うことが困難であった。 However, in the method of obtaining surface defects such as tires by image processing, image processing has to be performed after various filters for image processing are set in detail, and the setting is craftsmanship. For example, in order to extract a defective part from the surface of a tire or the like in order to display a surface defect, it is necessary to create a feature extraction program for tire inspection that combines a plurality of filters and the like. The creation of this feature extraction program requires a huge amount of processing time, and the setting of filter combinations and the like has to depend on an expert. Therefore, it is not practical to apply to the inspection of tires and tire components having many types, and it is difficult to easily create a feature extraction program.
本発明は上記事実を考慮し、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することを可能とするタイヤ検査用特徴抽出プログラム作成装置及びタイヤ検査装置を得ることが目的である。 In consideration of the above facts, an object of the present invention is to provide a tire inspection feature extraction program creation device and a tire inspection device that can inspect defects on the surface of tires and tire components with high accuracy.
請求項１に記載の発明のタイヤ検査用特徴抽出プログラム作成装置は、タイヤ又はタイヤ構成部材の表面の検査における前記表面の撮像画像から欠陥領域を抽出するためのタイヤ検査用特徴抽出プログラムを作成するタイヤ検査用特徴抽出プログラム作成装置であって、前記タイヤ検査用特徴抽出プログラムを構成する複数種類の画像処理用フィルタを記憶するフィルタ記憶手段と、前記タイヤ又は前記タイヤ構成部材の表面に発生し得る欠陥が撮像された原画像を記憶した原画像記憶手段と、前記撮像画像を前記特徴抽出プログラムにより処理した際の目標となる目標画像を記憶する目標画像記憶手段と、前記原画像と前記目標画像とに基づいて、遺伝的プログラミングにより前記複数種類の画像処理用フィルタの中から適応度が最大となる画像処理用フィルタの組み合わせを決定する決定手段と、を備えたことを特徴とする。
The tire inspection feature extraction program creation device according to
この発明によれば、タイヤ又はタイヤ構成部材の表面に発生し得る欠陥が撮像された原画像と、撮像画像を特徴抽出プログラムにより処理した際の目標となる目標画像とに基づいて、遺伝的プログラミングによりタイヤ検査用特徴抽出プログラムを構成する複数種類の画像処理用フィルタの中から適応度が最大となる画像処理用フィルタの組み合わせを決定するので、容易にタイヤ検査用特徴抽出プログラムを作成することができると共に、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することを可能とすることができる。 According to the present invention, genetic programming is performed based on an original image in which a defect that may occur on the surface of a tire or a tire component is captured, and a target image that is a target when the captured image is processed by a feature extraction program. Determines the combination of the image processing filters that maximizes the fitness from among a plurality of types of image processing filters constituting the tire inspection feature extraction program. Therefore, it is possible to easily create a tire inspection feature extraction program. In addition, it is possible to inspect the surface of the tire or the tire component member with high accuracy.
なお、請求項２に記載したように、前記原画像記憶手段は、前記欠陥の種類毎に前記原画像を記憶すると共に、前記目標画像記憶手段は、前記欠陥の種類毎に前記目標画像を記憶するようにしてもよい。これにより、様々な欠陥の検査に対応することが可能となる。
In addition, as described in
請求項３記載の発明のタイヤ検査装置は、請求項１又は請求項２記載のタイヤ検査用特徴抽出プログラム作成装置で作成されたタイヤ検査用特徴抽出プログラムを記憶するプログラム記憶手段と、タイヤ又はタイヤ構成部材の表面を撮像する撮像手段と、前記撮像手段で撮像した撮像画像を前記プログラム記憶手段に記憶された特徴抽出プログラムにより画像処理する画像処理手段と、前記画像処理手段による処理後の画像に基づいて、前記タイヤ又はタイヤ構成部材の表面の欠陥の有無を判定する判定手段と、を備えたことを特徴とする。
A tire inspection apparatus according to a third aspect of the invention includes a program storage means for storing a tire inspection feature extraction program created by the tire inspection feature extraction program creation device according to
この発明によれば、請求項１又は請求項２記載のタイヤ検査用特徴抽出プログラム作成装置で作成されたタイヤ検査用特徴抽出プログラムを用いてタイヤ又はタイヤ構成部材の表面の欠陥の検査を行うので、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することができる。
According to this invention, the surface inspection of the tire or the tire component member is inspected using the tire inspection feature extraction program created by the tire inspection feature extraction program creation device according to
なお、請求項４に記載したように、前記判定手段は、前記処理後の画像に関する複数のパラメータを各々算出する算出手段を含み、前記複数のパラメータに関して予め定めた条件に基づいて、前記欠陥の有無を判定するようにしてもよい。これにより、より高精度に欠陥を検査することができる。 According to a fourth aspect of the present invention, the determination unit includes a calculation unit that calculates each of a plurality of parameters related to the processed image, and the defect is determined based on a predetermined condition regarding the plurality of parameters. The presence or absence may be determined. Thereby, a defect can be inspected with higher accuracy.
また、請求項５に記載したように、前記判定手段は、前記複数のパラメータを用いた重回帰式により前記処理後の画像の前記目標画像に対する適応率を求める適応率算出手段を含み、前記条件は、前記適応率に関して予め定めた条件を含むようにしてもよい。これにより、より高精度に欠陥を検査することができる。
In addition, as described in
以上説明したように本発明によれば、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することが可能になる、という優れた効果を有する。 As described above, according to the present invention, there is an excellent effect that a surface defect of a tire or a tire constituent member can be inspected with high accuracy.
以下、図面を参照して本発明の実施の形態を詳細に説明する。 Hereinafter, embodiments of the present invention will be described in detail with reference to the drawings.
まず、タイヤ検査用特徴抽出プログラム作成装置について説明する。本実施形態に係るタイヤ検査用特徴抽出プログラム作成装置は、タイヤやタイヤを構成するタイヤ構成部材の表面に発生している欠陥領域を精度良く抽出するための特徴抽出プログラム（画像処理プログラム）を自動的に作成するための装置である。なお、本実施の形態では、一例としてタイヤ構成部材であるベルトプライの表面検査用の特徴抽出プログラムを自動的に作成する場合について説明する。 First, a tire inspection feature extraction program creation device will be described. The tire inspection feature extraction program creation device according to the present embodiment automatically uses a feature extraction program (image processing program) for accurately extracting a defective region occurring on the surface of a tire or a tire constituent member constituting the tire. It is a device for creating automatically. In the present embodiment, as an example, a case will be described in which a feature extraction program for surface inspection of a belt ply that is a tire constituent member is automatically created.
図１には、本発明の実施形態に係る特徴抽出プログラム作成装置１０の概略構成図を示した。同図に示すように、特徴抽出プログラム作成装置１０は、遺伝的プログラミング部１２、フィルタ記憶部１４、原画像記憶部１６、目標画像記憶部１８、及び作成プログラム記憶部２０を含んで構成されている。
FIG. 1 shows a schematic configuration diagram of a feature extraction
フィルタ記憶部１４には、タイヤ構成部材の表面の画像に対して各種のフィルタ処理（画像処理）を施す複数のフィルタが記憶されている。フィルタとしては例えばメディアンフィルタ等の公知の各種フィルタがあるが、処理対象のベルトプライの画像に対して画像処理を施すものであれば、所定の画像処理を施す関数や画像処理プログラムでもよく、本発明のフィルタにはこれらも含まれる。
The
原画像記憶部１６には、過去に撮像した各種の欠陥を含むベルトプライの表面の画像が欠陥の種類毎に記憶されている。
The original
目標画像記憶部１８には、遺伝的プログラミング部１２により作成された特徴抽出プログラムにより、実際の検査においてベルトプライの表面の撮像画像を処理した時の目標となる目標画像が、欠陥の種類毎に記憶されている。
In the target
遺伝的プログラミング部１２は、詳細は後述するが、欠陥の種類毎に、上記の原画像や目標画像等に基づいて最適なフィルタの組み合わせ、すなわち特徴抽出プログラムを遺伝的プログラミングにより作成する。作成した特徴抽出プログラムは、作成プログラム記憶部２０に記憶される。
Although described in detail later, the
これらの各部１２〜２０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の組み合わせからなるコンピュータにより構成されるものとすることができ、このコンピュータが所定プログラムを読み込んで実行することにより特徴抽出プログラム作成装置１０が実現されたものとすることができる。
Each of these
次に、遺伝的プログラミング部１２において実行される特徴抽出プログラム作成処理について図２に示すフローチャートを参照して説明する。なお、本実施形態では、一例としてベルトプライの凹みの欠陥を抽出するのに適した特徴抽出プログラムを作成する場合について説明する。
Next, the feature extraction program creation process executed in the
まず、ステップ１００では、遺伝的プログラミングの手法に従い、初期個体群を作成する。すなわち、図３に示すようにランダムにＮ個の個体（木）を生成し、これを初期個体群とする。ここで、個体とは一つの特徴抽出プログラムであり、複数のノードを木構造によって接続したものとして表現される。ノードは、プログラム内の１関数又はデータであり、画像処理に関するフィルタや四則演算等の各種処理を表わす。具体的には、フィルタ記憶部１４に記憶された各種フィルタをランダムに組み合わせて図３に示すような初期個体群を作成する。
First, in
ステップ１０２では、各個体の適応度Ａを、原画像及び目標画像に基づいて次式により計算する。
In
なお、ｘは原画像、目標画像の横画素位置、ｙは原画像、目標画像の縦横画素位置、ｗは原画像、目標画像の横画素数、ｈは原画像、目標画像の縦画素数、ｇ（ｘ、ｙ）は目標画像の画素位置、ｈ（ｘ、ｙ）は原画像の画素位置である。また、上記（１）式は、一例として各画像の階調が０〜２５５の２５６階調の場合の式である。 Note that x is the original image, the horizontal pixel position of the target image, y is the original image, the vertical and horizontal pixel positions of the target image, w is the original image, the horizontal pixel number of the target image, h is the original image, the vertical pixel number of the target image, g (x, y) is the pixel position of the target image, and h (x, y) is the pixel position of the original image. Also, the above equation (1) is an equation when the gradation of each image is 256 gradations from 0 to 255 as an example.
具体的には、原画像記憶部１６からベルトプライの凹みを含む原画像を読み込むと共に、目標画像記憶部１８からベルトプライの凹みに対応した目標画像、すなわちベルトプライの凹みを明確に認識できる目標画像を読み込む。そして、読み込んだ原画像に対して各個体により画像処理を行い、その処理後の原画像と目標画像とに基づいて上記（１）式により適応度を計算する。
Specifically, the original image including the belt ply dent is read from the original
例えば図３の個体１における適応度Ａを計算する場合、読み込んだ原画像を個体１の末端のノードであるノードＨ、Ｉ、Ｅ、Ｆ、Ｇの各々に対して原画像を入力させ、個体１の根であるノードＡまで各処理を施す。すなわち、例えばノードＨ、Ｉに設定されたフィルタ等により原画像を各々処理した画像に対して、ノードＤでは例えばノードＨ、Ｉの処理が施された画像を足した後に所定のフィルタにより画像処理を施すといったように、末端側のノードから原画像を順次処理して、その個体により処理された画像を得る。 For example, when the fitness A in the individual 1 in FIG. 3 is calculated, the original image is input to each of the nodes H, I, E, F, and G, which are the end nodes of the individual 1 Each process is performed up to the node A which is the root of 1. That is, for example, for an image obtained by processing each of the original images using a filter or the like set in the nodes H and I, for example, in the node D, an image subjected to the processing of the nodes H and I is added and then image processing is performed using a predetermined filter. The original image is sequentially processed from the node on the end side to obtain an image processed by the individual.
適応度の最大値は上記（１）式より１．０であり、適応度が大きいほど、すなわち１．０に近いほど原画像が目標画像に近いことを示す。 The maximum value of the fitness is 1.0 from the above equation (1), and the greater the fitness, that is, the closer to 1.0, the closer the original image is to the target image.
ステップ１０４では、次世代の個体の決定を行う。本実施形態では、例えば公知のルーレット選択によってＮ個の個体の中から幾つかの個体を選択する。なお、選択の方式はルーレット選択に限らずランキング選択等の他の方法を用いてもよい。
In
ルーレット選択式は、個体ｉ（ｉは個体を表わす添え字）を選ぶ確率をｐｉとして次式で表わされる。 The roulette selection formula is represented by the following formula, where pi is the probability of selecting an individual i (i is a subscript representing an individual).
ここで、ｆｉは個体ｉの適応度、ｋは１〜Ｎの個体番号を示す。 Here, fi represents the fitness of the individual i, and k represents the individual number of 1 to N.
ステップ１０６では、ノードの交叉を行う。すなわち、ステップ１０４で選択された次世代の個体の中からランダムに２つの個体を選んでペア（親）を作る。そして、例えばユーザーが設定した交叉率（例えば６０〜９０％程度）で、そのペアを交叉させるか否かを決定する。
In
交叉させると決定した場合には、部分木交換交叉により例えば任意のノード以下の部分木を交叉させる。例えば図３に示す個体１と個体Ｎの交叉を行う場合、例えば個体１のノードＢ以下の部分木１−Ｂと個体ＮのノードＢ以下の部分木Ｎ−Ｂとを交換した新たな個体を２つ作成する。なお、新たな個体とせず、元のペアに置き換えても良い。 If it is decided to cross, for example, a subtree below an arbitrary node is crossed by subtree exchange crossover. For example, when the individual 1 and the individual N shown in FIG. 3 are crossed, for example, a new individual obtained by exchanging the subtree 1-B below the node B of the individual 1 and the subtree NB below the node B of the individual N is obtained. Create two. In addition, you may replace with the original pair instead of making it a new individual.
ステップ１０８では、個体を突然変異させる。具体的には、全個体に対して所定の生起確率（例えば１〜１０％程度）で、ランダムにあるノードを別のノードや部分木に交換させる。例えば図１の個体１を突然変異させる場合、例えばノードＣ以下の部分木を他のノードＺや他の部分木に交換する。
In
ステップ１１０では、次世代の各個体に対してステップ１０２と同様に適応度を計算する。
In
ステップ１１２では、所定の終了条件を満たすか否かを判断する。終了条件は、例えば各個体について計算した適応度のうち最大の適応度が１．０である場合や、世代数が例えばユーザーが設定した最大世代数に達した場合等とすることができる。
In
そして、終了条件を満たさない場合にはステップ１０４へ移行し、さらに次世代の個体について上記と同様の処理を行う。 If the end condition is not satisfied, the process proceeds to step 104, and the same process as described above is performed for the next generation individual.
一方、終了条件を満たす場合には、ステップ１１４へ移行する。そして、例えば、適応度が最大となる個体をベルトプライの凹みを抽出するのに最適な特徴抽出プログラムとして作成プログラム記憶部２０に記憶する。このようにして作成した特徴抽出プログラムにより実際に凹みのあるベルトプライを撮像した画像を処理すると、凹み部分を明確に認識可能な目標画像に近い画像を得ることができる。これにより、この特徴抽出プログラムを用いてベルトプライの検査をした場合に、高精度で凹みを検出することが可能となる。
On the other hand, if the end condition is satisfied, the process proceeds to step 114. For example, the individual having the maximum fitness is stored in the creation
上記の処理を欠陥の種類毎に行うことにより、各欠陥に対応した特徴抽出プログラムが作成プログラム記憶部２０に記憶される。
By performing the above process for each type of defect, a feature extraction program corresponding to each defect is stored in the creation
次に、作成した特徴抽出プログラムを用いてタイヤの構成部材等の検査を行う場合について説明する。なお、本実施形態では、一例としてドラムに巻き掛けられたベルトプライの表面を検査する場合について説明する。 Next, description will be given of a case in which a tire component or the like is inspected using the created feature extraction program. In the present embodiment, a case where the surface of the belt ply wound around the drum is inspected will be described as an example.
図４には、タイヤ検査装置５０の概略構成図を示した。同図に示すように、タイヤ検査装置５０は、制御部５２、駆動部５４、撮像部５６、表示部５８、及び特徴抽出プログラム記憶部６０を含んで構成されている。
In FIG. 4, the schematic block diagram of the
駆動部５４は、短冊状のベルトプライ６２が巻き掛けられるドラム６４を回転駆動させる。
The
撮像部５６は、ドラム６４に巻き掛けられたベルトプライ６２の表面を撮像する。なお、この撮像部５６は、本実施形態では一例として予め定めた所定位置（例えば撮像部５６の位置）からベルトプライ６２の表面までのベルトプライ６２の厚み方向における距離を、撮像範囲の各位置について三角測距法により測定するものであり、ベルトプライ６２にレーザー光を照射する投光部、ベルトプライ６２から反射された光を受光する受光部等を含んで構成される。すなわち、撮像部５６は、ベルトプライ６２の表面の撮像画像をベルトプライ６２の撮像範囲の各位置における厚み方向の距離として取得する。これにより、ベルトプライ６２の表面の凹凸を検出することが可能となる。
The
表示部５８は、検査結果等を表示するためのものである。特徴抽出プログラム記憶部６０は、前述の特徴抽出プログラム作成装置１０により作成された各種欠陥に応じた複数の特徴抽出プログラムを予め記憶する。
The
制御部５２は、駆動部５４、撮像部５６、表示部５８、及び特徴抽出プログラム記憶部６０を統括制御すると共に、特徴抽出プログラム記憶部６０に記憶された特徴抽出プログラムを用いて撮像画像を画像処理する。
The
次に、制御部５２で実行されるタイヤ検査処理について図５に示すフローチャートを参照して説明する。
Next, the tire inspection process executed by the
ステップ２００では、駆動部５４によりドラム６４を回転駆動させ、撮像部５６にベルトプライ６２の表面を撮像させる。
In
ステップ２０２では、撮像画像に基づいて、所定の欠陥種類特定処理を行い、欠陥が発生している可能性があるか否か、欠陥が発生している可能性がある場合には、どのような種類の欠陥が発生している可能性があるかを判定し、欠陥種類を特定する。なお、特定する欠陥の種類は、予め用意された特徴抽出プログラムの種類に対応する。
In
前述したように、撮像画像は、撮像範囲の各位置におけるベルトプライ６２の厚み方向の距離として取得されているため、例えば凹凸が発生している領域やその形状を判別することができ、これらに基づいて、発生している可能性のある欠陥種類を特定することができる。 As described above, since the captured image is acquired as the distance in the thickness direction of the belt ply 62 at each position in the imaging range, for example, the region where the unevenness is generated and its shape can be determined. Based on this, it is possible to identify a defect type that may have occurred.
ステップ２０４では、発生している可能性のある欠陥種類を特定できたか否かを判断し、例えば凹凸がほぼ発生しておらず欠陥種類を特定できないと判断された場合、すなわち正常であると判断された場合にはステップ２１４へ移行し、発生している可能性のある欠陥種類を特定することができた場合には、ステップ２０６へ移行する。
In
ステップ２０６では、特定した欠陥種類に対応した特徴抽出プログラムを特徴抽出プログラム記憶部６０から読み出し、ステップ２０８において、その特徴抽出プログラムにより、撮像した画像を画像処理する。これにより、欠陥領域を他の領域と明確に判別することが可能な画像が得られる。
In
ステップ２１０では、画像処理後の撮像画像に基づいて図６に示すような重回帰解析処理が行われる。この重回帰解析処理では、判別された欠陥の種類に応じた処理がなされる。以下では、一例として欠陥の種類が横長の凹みである場合について説明する。
In
図６に示すステップ３００では、撮像画像に対して公知のラベリング処理を施し、欠陥と思われる欠陥候補領域を抽出する。本実施形態では、一例として図７（Ａ）に示すように撮像画像７０内から横長の凹み領域である欠陥候補領域７２が抽出された場合について説明する。なお、欠陥候補領域７２は、例えば図７（Ｂ）に示すように、ベルトプライ６２のうち一部のベルトプライ６２Ａが何らかの原因によってずれてしまった場合に、その領域（図７（Ｂ）においてハッチングした領域）の一部（例えば図７（Ｂ）において点線枠で示した領域）として抽出される場合があるが、これに限られるものではない。
In
ステップ３０２では、欠陥候補領域７２の長手方向における重心位置Ｇを求め、この重心位置で欠陥候補領域７２を前記長手方向と直交する方向に横切るゲージプロファイルを撮像画像から抽出する。前述したように、撮像画像は、ベルトプライ６２の厚み方向における距離で表わされるため、前記ゲージプロファイルは、図８（Ａ）に示すように欠陥候補領域７２の位置で凹部７４となるようなプロファイルとなる。
In
ステップ３０４では、抽出したゲージプロファイルに対して平滑微分フィルタ処理を施す。これにより、図８（Ｂ）に示すように、同図８（Ａ）の凹部７４の壁７４Ａ、７４Ｂに相当する位置に互いに逆方向のピーク７６Ａ、７６Ｂを有するプロファイルが得られる。
In
ステップ３０６では、図８（Ｂ）に示すプロファイルをチェーンコード化する。本実施形態におけるチェーンコード化では、図９（Ａ）に示すように、中心である‘０’から見た８方向に‘１’〜‘８’のコード（数字）を割り当て、このコードでプロファイルを表現する。図８（Ｂ）に示すプロファイルをチェーンコード化した例を図９（Ｂ）に示す。
In
ステップ３０８では、欠陥候補領域７２がその周辺と比較してどの程度凹んでいるかを示すボリューム偏差を求める。具体的には、図７（Ａ）に示すように欠陥候補領域７２を含む矩形領域７８を定義し、例えば欠陥候補領域７２の画素（ベルトプライ６２の厚み方向の距離）の平均値と、矩形領域７８から欠陥候補領域７２を除いた周辺領域の画素の平均値との差分を求めてこれをボリューム偏差とする。
In
ステップ３１０では、欠陥候補領域７２の面積、図７（Ａ）に示すようにＸ方向（横方向）主軸長Ｘ１及びＹ方向（縦方向）主軸長Ｙ１を算出する。
In
ステップ３１２では、適応率ｇを重回帰式により算出する。本実施形態では、重回帰式を次式で表わす。
In
ｇ＝（ｋ１×ａ１）＋（ｋ２×ａ２）＋（ｋ３×ａ３）＋（ｋ４×ａ４）＋（ｋ５×ａ５）＋（ｋ６×ａ６）＋ｇ０ ・・・（３） g = (k1 * a1) + (k2 * a2) + (k3 * a3) + (k4 * a4) + (k5 * a5) + (k6 * a6) + g0 (3)
ここで、ａ１〜ａ６は図６の処理で得られた欠陥候補領域７２に関するパラメータから選択されたパラメータである。本実施形態では、例えば以下のようにパラメータを設定するが、これに限られない。また、重回帰式や各パラメータは欠陥の種類に応じて適宜変更することができる。
Here, a1 to a6 are parameters selected from the parameters relating to the
ａ１：図９（Ｂ）に示すチェーンコードのコード‘１’、‘７’の傾斜角度。 a1: Inclination angles of the codes ‘1’ and ‘7’ of the chain cord shown in FIG.
ａ２：図９（Ｂ）に示すチェーンコードのコード‘３’、‘５’の傾斜角度。 a2: Inclination angles of the codes ‘3’ and ‘5’ of the chain cord shown in FIG.
ａ３：欠陥候補領域７２の面積。
a3: The area of the
ａ４：欠陥候補領域７２のＹ方向主軸長Ｙ１。
a4: Y-direction principal axis length Y1 of the
ａ５：欠陥候補領域７２のＸ方向主軸長Ｘ１。
a5: X-direction principal axis length X1 of the
ａ６：欠陥候補領域７２とその周辺領域とのボリューム偏差。
a6: Volume deviation between the
また、ｋ１〜ｋ６、ｇ０は多数の過去のデータに基づいて最小自乗法等を用いて求めた定数である。 K1 to k6 and g0 are constants obtained by using the least square method or the like based on a large number of past data.
そして、図５のステップ２１２において、正常か否か、すなわち欠陥候補領域７２が欠陥ではなく正常であるか否かを判定する。
Then, in
具体的には、例えば複数の条件（ルール）を全て満たした場合に欠陥と判定し、それ以外は欠陥ではないと判定するプロダクションルールを用いた判定を行うことができる。本実施形態では、一例として以下のルール１〜８の全てを満たした場合に異常と判定する。
Specifically, for example, it is possible to perform a determination using a production rule that determines a defect when all of a plurality of conditions (rules) are satisfied and determines that the other is not a defect. In this embodiment, as an example, when all of the following
ルール１：図９（Ｂ）に示すチェーンコードのコード‘８’の後にコード‘４’が出現する。 Rule 1: Code “4” appears after code “8” of the chain code shown in FIG.
ルール２：図９（Ｂ）に示すチェーンコードのコード‘１’、‘７’、‘３’、‘５’の傾斜角度のうち所定閾値以上となるものがある。 Rule 2: Some of the inclination angles of chain codes ‘1’, ‘7’, ‘3’, and ‘5’ shown in FIG.
ルール３：欠陥候補領域７２の面積＞所定閾値以上。
Rule 3: The area of the
ルール４：欠陥候補領域７２のＹ方向主軸長Ｙ１＜欠陥候補領域７２のＸ方向主軸長Ｘ１。
Rule 4: Y-direction principal axis length Y1 of the
ルール５：欠陥候補領域７２のＹ方向主軸長Ｙ１＞所定閾値以上。
Rule 5: Y-direction principal axis length Y1 of the
ルール６：欠陥候補領域７２のＸ方向主軸長Ｘ１＞所定閾値以上。
Rule 6: X-direction principal axis length X1 of the
ルール７：ボリューム偏差＜所定閾値。 Rule 7: Volume deviation <predetermined threshold.
ルール８：適応率ｇ＜所定閾値 Rule 8: Adaptation rate g <predetermined threshold
なお、ルールの設定は一例であって、これに限られるものではなく、ルールの設定は欠陥の種類等に応じて適宜変更することができる。例えば、上記のルール８のみを用いて判定するようにしてもよい。すなわち、適応率ｇ＜所定閾値を満たせば欠陥（異常）と判定し、満たさなければ欠陥ではない（正常）と判定するようにしてもよい。
Note that the rule setting is an example, and is not limited to this. The rule setting can be changed as appropriate according to the type of defect. For example, the determination may be made using only the
そして、ステップ２１２で正常と判定した場合には、ステップ２１４へ移行して例えば正常である旨を表示部５８に表示させ、異常と判定した場合には、ステップ２１６へ移行して異常である旨を表示部５８に表示させる。
If it is determined in
このように、本実施形態では、特徴抽出プログラム作成装置１０により遺伝的プログラミングを用いて欠陥の種類毎に特徴抽出プログラムを作成し、これを用いてタイヤ構成部材の検査を行うので、タイヤ構成部材の表面にどのような欠陥が発生しているかを高精度に検査することができる。
Thus, in this embodiment, since the feature extraction
また、本実施形態では、タイヤ構成部材としてベルトプライの表面を検査する場合について説明したが、これに限らず、他のタイヤ構成部材の表面の検査や完成品のタイヤの表面の検査にも本発明を適用可能であることは言うまでもない。 Further, in the present embodiment, the case where the surface of the belt ply is inspected as the tire constituent member has been described. However, the present invention is not limited to this, and the present invention is also applicable to the inspection of the surface of other tire constituent members and the surface of the finished tire. It goes without saying that the invention is applicable.
１０ 特徴抽出プログラム作成装置（タイヤ検査用特徴抽出プログラム作成装置）
１２ 遺伝的プログラミング部（決定手段）
１４ フィルタ記憶部（フィルタ記憶手段）
１６ 原画像記憶部（原画像記憶手段）
１８ 目標画像記憶部（目標画像記憶手段）
２０ 作成プログラム記憶部
５０ タイヤ検査装置
５２ 制御部（画像処理手段、判定手段、算出手段、適応率算出手段）
５４ 駆動部
５６ 撮像部
５８ 表示部
６０ 特徴抽出プログラム記憶部（プログラム記憶手段）
６２ ベルトプライ
６４ ドラム
７０ 撮像画像
７２ 欠陥候補領域
10. Feature extraction program creation device (feature extraction program creation device for tire inspection)
12 Genetic Programming Department (Determination means)
14 Filter storage unit (filter storage means)
16 Original image storage unit (original image storage means)
18 Target image storage unit (target image storage means)
20 creation
54
62 Belt ply 64 Drum 70 Captured
Claims (5)
前記タイヤ検査用特徴抽出プログラムを構成する複数種類の画像処理用フィルタを記憶するフィルタ記憶手段と、
前記タイヤ又は前記タイヤ構成部材の表面に発生し得る欠陥が撮像された原画像を記憶した原画像記憶手段と、
前記撮像画像を前記タイヤ検査用特徴抽出プログラムにより処理した際の目標となる目標画像を記憶する目標画像記憶手段と、
前記原画像と前記目標画像とに基づいて、遺伝的プログラミングにより前記複数種類の画像処理用フィルタの中から適応度が最大となる画像処理用フィルタの組み合わせを決定する決定手段と、
を備えたことを特徴とするタイヤ検査用特徴抽出プログラム作成装置。 A tire inspection feature extraction program creation device for creating a tire inspection feature extraction program for extracting a defect region from a captured image of the surface in the inspection of the surface of a tire or a tire component,
Filter storage means for storing a plurality of types of image processing filters constituting the tire inspection feature extraction program;
Original image storage means for storing an original image in which defects that may occur on the surface of the tire or the tire constituent member are captured;
Target image storage means for storing a target image that is a target when the captured image is processed by the tire inspection feature extraction program;
Determining means for determining a combination of image processing filters having the maximum fitness among the plurality of types of image processing filters by genetic programming based on the original image and the target image;
A feature extraction program creation device for tire inspection, comprising:
タイヤ又はタイヤ構成部材の表面を撮像する撮像手段と、
前記撮像手段で撮像した撮像画像を前記プログラム記憶手段に記憶されたタイヤ検査用特徴抽出プログラムにより画像処理する画像処理手段と、
前記画像処理手段による処理後の画像に基づいて、前記タイヤ又はタイヤ構成部材の表面の欠陥の有無を判定する判定手段と、
を備えたタイヤ検査装置。 Program storage means for storing a tire inspection feature extraction program created by the tire inspection feature extraction program creation device according to claim 1 or 2,
Imaging means for imaging the surface of the tire or tire component;
Image processing means for image-processing a captured image captured by the imaging means by a tire inspection feature extraction program stored in the program storage means;
Based on the image after processing by the image processing means, determination means for determining the presence or absence of defects on the surface of the tire or tire constituent member;
Tire inspection device equipped with.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007295907A JP2009122939A (en) | 2007-11-14 | 2007-11-14 | Feature extraction program creation device for tire inspection and tire inspection device |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2007295907A JP2009122939A (en) | 2007-11-14 | 2007-11-14 | Feature extraction program creation device for tire inspection and tire inspection device |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2009122939A true JP2009122939A (en) | 2009-06-04 |
Family
ID=40815034
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2007295907A Pending JP2009122939A (en) | 2007-11-14 | 2007-11-14 | Feature extraction program creation device for tire inspection and tire inspection device |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2009122939A (en) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011137656A (en) * | 2009-12-25 | 2011-07-14 | Sharp Corp | Image processing method, image processing apparatus, program and recording medium |
| JP2011179874A (en) * | 2010-02-26 | 2011-09-15 | East Nippon Expressway Co Ltd | Method for extracting surface cracks of paved road and evaluating surface damage level of paved road |
| JP2013532315A (en) * | 2010-04-19 | 2013-08-15 | コンパニー ゼネラール デ エタブリッスマン ミシュラン | How to monitor the appearance of a tire surface |
| CN103914527A (en) * | 2014-03-28 | 2014-07-09 | 西安电子科技大学 | Graphic image recognition and matching method based on genetic programming algorithms of novel coding modes |
| JP2017010475A (en) * | 2015-06-26 | 2017-01-12 | 富士通株式会社 | Program generation device, program generation method, and generated program |
| JP2017146208A (en) * | 2016-02-17 | 2017-08-24 | リコーエレメックス株式会社 | Inspection device and inspection method |
| CN107901319A (en) * | 2017-11-23 | 2018-04-13 | 青岛科技大学 | A kind of detection method and system for rolling wirecord fabric arrangement |
| CN112767471A (en) * | 2021-01-04 | 2021-05-07 | 湖南大学 | Tire ground contact area measuring method and device based on image feature extraction |
| US11182650B2 (en) | 2017-03-24 | 2021-11-23 | Fujitsu Limited | Information processing apparatus to generate a next generation image processing program in genetic programming, control method, and non-transitory computer-readable storage medium for storage program |
| CN114372983A (en) * | 2022-03-22 | 2022-04-19 | 武汉市富甸科技发展有限公司 | Shielding box coating quality detection method and system based on image processing |
-
2007
- 2007-11-14 JP JP2007295907A patent/JP2009122939A/en active Pending
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011137656A (en) * | 2009-12-25 | 2011-07-14 | Sharp Corp | Image processing method, image processing apparatus, program and recording medium |
| JP2011179874A (en) * | 2010-02-26 | 2011-09-15 | East Nippon Expressway Co Ltd | Method for extracting surface cracks of paved road and evaluating surface damage level of paved road |
| US9002093B2 (en) | 2010-04-19 | 2015-04-07 | Compagnie Generale Des Etablissements Michelin | Method of monitoring the appearance of the surface of a tire |
| JP2013532315A (en) * | 2010-04-19 | 2013-08-15 | コンパニー ゼネラール デ エタブリッスマン ミシュラン | How to monitor the appearance of a tire surface |
| CN103914527B (en) * | 2014-03-28 | 2017-02-15 | 西安电子科技大学 | Graphic image recognition and matching method based on genetic programming algorithms of novel coding modes |
| CN103914527A (en) * | 2014-03-28 | 2014-07-09 | 西安电子科技大学 | Graphic image recognition and matching method based on genetic programming algorithms of novel coding modes |
| JP2017010475A (en) * | 2015-06-26 | 2017-01-12 | 富士通株式会社 | Program generation device, program generation method, and generated program |
| JP2017146208A (en) * | 2016-02-17 | 2017-08-24 | リコーエレメックス株式会社 | Inspection device and inspection method |
| US11182650B2 (en) | 2017-03-24 | 2021-11-23 | Fujitsu Limited | Information processing apparatus to generate a next generation image processing program in genetic programming, control method, and non-transitory computer-readable storage medium for storage program |
| CN107901319A (en) * | 2017-11-23 | 2018-04-13 | 青岛科技大学 | A kind of detection method and system for rolling wirecord fabric arrangement |
| CN107901319B (en) * | 2017-11-23 | 2024-03-22 | 青岛科技大学 | Method and system for detecting arrangement of calendered wirecord fabric |
| CN112767471A (en) * | 2021-01-04 | 2021-05-07 | 湖南大学 | Tire ground contact area measuring method and device based on image feature extraction |
| CN112767471B (en) * | 2021-01-04 | 2024-03-29 | 湖南大学 | Tire ground contact area measuring method and device based on image feature extraction |
| CN114372983A (en) * | 2022-03-22 | 2022-04-19 | 武汉市富甸科技发展有限公司 | Shielding box coating quality detection method and system based on image processing |
| CN114372983B (en) * | 2022-03-22 | 2022-05-24 | 武汉市富甸科技发展有限公司 | Shielding box coating quality detection method and system based on image processing |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2009122939A (en) | Feature extraction program creation device for tire inspection and tire inspection device | |
| CN107798672B (en) | Method and system for measuring width of cut tobacco or cut stem and server with system | |
| TWI597689B (en) | Defect classification using topographical attributes | |
| JP2019109563A (en) | Data generation device, data generation method, and data generation program | |
| JP5543872B2 (en) | Pattern inspection method and pattern inspection apparatus | |
| TWI631638B (en) | Inspection recipe setup from reference image variation | |
| JP5548780B2 (en) | Image processing apparatus and computer program | |
| JP2006098151A (en) | Pattern inspection device and pattern inspection method | |
| JP6757690B2 (en) | Inspection support equipment, inspection support methods and programs | |
| JP2016115331A (en) | Identifier generator, identifier generation method, quality determination apparatus, quality determination method and program | |
| JP5441728B2 (en) | Sensory inspection device and sensory inspection method | |
| JP2014021973A (en) | Image processor | |
| JP7435303B2 (en) | Inspection device, unit selection device, inspection method, and inspection program | |
| JP2015197396A (en) | Image inspection method and image inspection device | |
| JP2013238449A (en) | Crack detection method | |
| US20210004721A1 (en) | Inspection system, discrimination system, and learning data generation device | |
| JP7298176B2 (en) | Defect inspection device and trained model | |
| JP3699949B2 (en) | PATTERN MEASURING METHOD, SEMICONDUCTOR DEVICE MANUFACTURING METHOD USING THE PATTERN MEASURING METHOD, PROGRAM, COMPUTER-READABLE RECORDING MEDIUM, AND PATTERN MEASURING DEVICE | |
| CN115485740A (en) | Abnormal wafer image classification | |
| CN113016023B (en) | Information processing method and computer-readable non-transitory recording medium | |
| CN116309517B (en) | Wire rod roller flaw detection method and system for enameled wire | |
| JP2010287179A (en) | Device, method, and program for inspecting image | |
| JP2007198968A (en) | Image-classifying method and image-classifying apparatus | |
| JP6802944B1 (en) | Inspection support equipment, inspection support methods and programs | |
| JP5452035B2 (en) | Defect inspection method and defect inspection apparatus |