JP2022074488A - Defect determination device and defect determination method - Google Patents
Defect determination device and defect determination method Download PDFInfo
- Publication number
- JP2022074488A JP2022074488A JP2020184572A JP2020184572A JP2022074488A JP 2022074488 A JP2022074488 A JP 2022074488A JP 2020184572 A JP2020184572 A JP 2020184572A JP 2020184572 A JP2020184572 A JP 2020184572A JP 2022074488 A JP2022074488 A JP 2022074488A
- Authority
- JP
- Japan
- Prior art keywords
- inspection
- determination
- data
- defect
- amplitude
- 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
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Abstract
Description
本発明は、主として、検査対象物に欠陥が含まれるか否かを判定する欠陥判定装置に関する。 The present invention mainly relates to a defect determination device for determining whether or not an inspection object contains a defect.
従来から、超音波又は電磁波を用いて非破壊検査を行って、検査対象物に欠陥が含まれるか否かを判定することが行われている。特許文献1は、被検査体(検査対象物)に超音波を送信して、被検査体での反射波を検出する。そして、被検査体の表面(上面)での反射波と裏面(下面)での反射波以外に、振幅が閾値を超える反射波が存在する場合は、欠陥が存在すると判定する。
Conventionally, non-destructive inspection has been performed using ultrasonic waves or electromagnetic waves to determine whether or not the inspection target contains defects.
しかし、例えば検査対象物が複合材料である場合は異なる材料の界面では振幅の大きい反射波が発生し易くなる。また、単一材料である場合でも、品質に問題なく欠陥とは言えないような結晶性の乱れが発生している箇所で振幅の大きい反射波が発生し易くなる。従って、単純に振幅の大きさだけでは検査対象物に欠陥が含まれるか否かを精度良く判定できない。 However, for example, when the object to be inspected is a composite material, a reflected wave having a large amplitude is likely to be generated at the interface of different materials. Further, even in the case of a single material, a reflected wave having a large amplitude is likely to be generated at a place where a crystallinity disorder that cannot be said to be a defect without a problem in quality is generated. Therefore, it is not possible to accurately determine whether or not the inspection object contains a defect simply by the magnitude of the amplitude.
本発明は以上の事情に鑑みてされたものであり、その主要な目的は、検査対象物に欠陥が含まれるか否かを精度良く判定可能な欠陥判定装置を提供することにある。 The present invention has been made in view of the above circumstances, and a main object thereof is to provide a defect determination device capable of accurately determining whether or not a defect is included in an inspection object.
本発明の解決しようとする課題は以上の如くであり、次にこの課題を解決するための手段とその効果を説明する。 The problem to be solved by the present invention is as described above, and next, the means for solving this problem and its effect will be described.
本発明の第1の観点によれば、以下の構成の欠陥判定装置が提供される。即ち、欠陥判定装置は、検査データ取得部と、前処理部と、判定部と、を備える。前記検査データ取得部は、検査対象物に音波又は電磁波を送信して得られる、前記検査対象物の深さに応じた反射波の振幅を示す波形データを取得する。前記前処理部は、前記波形データに前処理を行って判定用データを出力する。前記判定部は、前記判定用データを入力として、前記検査対象物に欠陥が含まれるか否かの判定結果を出力する判定モデルを用いて判定処理を行う。前記前処理には、少なくとも前記波形データの振幅の大きさに基づいて前記波形データの複数のピークを抽出する処理と、抽出したピークの振幅の大きさと深さを出力する処理が含まれる。前記判定モデルは、過去の検査で得られた前記波形データに前記前処理を行うことで出力される学習用データと、過去の検査での判定結果と、に対して機械学習を行うことにより構築されている。 According to the first aspect of the present invention, a defect determination device having the following configuration is provided. That is, the defect determination device includes an inspection data acquisition unit, a preprocessing unit, and a determination unit. The inspection data acquisition unit acquires waveform data indicating the amplitude of the reflected wave according to the depth of the inspection object, which is obtained by transmitting a sound wave or an electromagnetic wave to the inspection object. The preprocessing unit performs preprocessing on the waveform data and outputs determination data. The determination unit uses the determination data as an input and performs a determination process using a determination model that outputs a determination result as to whether or not the inspection object contains a defect. The preprocessing includes a process of extracting a plurality of peaks of the waveform data based on at least the magnitude of the amplitude of the waveform data, and a process of outputting the magnitude and depth of the amplitude of the extracted peaks. The determination model is constructed by performing machine learning on the learning data output by performing the preprocessing on the waveform data obtained in the past inspection and the determination result in the past inspection. Has been done.
本発明の第2の観点によれば、以下の欠陥判定方法が提供される。即ち、欠陥判定方法は、検査データ取得工程と、前処理工程と、判定工程と、を含む。前記検査データ取得工程では、検査対象物に音波又は電磁波を送信して得られる、前記検査対象物の深さに応じた反射波の振幅を示す波形データを取得する。前記前処理工程では、前記波形データに前処理を行って判定用データを出力する。前記判定工程では、前記判定用データを入力として、前記検査対象物に欠陥が含まれるか否かの判定結果を出力する判定モデルを用いて判定処理を行う。前記前処理には、少なくとも前記波形データの振幅の大きさに基づいて複数のピークを抽出する処理と、抽出したピークの振幅の大きさとピークの深さを出力する処理が含まれる。前記判定モデルは、過去の検査で得られた前記波形データに前記前処理を行うことで出力される学習用データと、過去の検査での判定結果と、に対して機械学習を行うことにより構築されている。 According to the second aspect of the present invention, the following defect determination method is provided. That is, the defect determination method includes an inspection data acquisition step, a pretreatment step, and a determination step. In the inspection data acquisition step, waveform data indicating the amplitude of the reflected wave according to the depth of the inspection object, which is obtained by transmitting a sound wave or an electromagnetic wave to the inspection object, is acquired. In the preprocessing step, the waveform data is preprocessed and the determination data is output. In the determination step, the determination process is performed using the determination model that inputs the determination data and outputs the determination result of whether or not the inspection object contains a defect. The preprocessing includes a process of extracting a plurality of peaks based on at least the magnitude of the amplitude of the waveform data, and a process of outputting the magnitude of the amplitude of the extracted peaks and the depth of the peaks. The determination model is constructed by performing machine learning on the learning data output by performing the preprocessing on the waveform data obtained in the past inspection and the determination result in the past inspection. Has been done.
過去の検査のデータを用いて機械学習を行って判定モデルを作成するため、単純に閾値の大きさだけで判定する方法と比較して、判定精度を高くすることができる。特に、重要なパラメータであるピークの振幅と深さを抽出して機械学習させるため、波形データをそのまま機械学習させる構成と比較して、高い判定精度を実現できる。 Since the judgment model is created by performing machine learning using the data of the past inspection, the judgment accuracy can be improved as compared with the method of judging only by the size of the threshold value. In particular, since the amplitude and depth of the peak, which are important parameters, are extracted and machine-learned, higher determination accuracy can be realized as compared with the configuration in which the waveform data is machine-learned as it is.
本発明によれば、検査対象物に欠陥が含まれるか否かを精度良く判定可能な欠陥判定装置を実現できる。 According to the present invention, it is possible to realize a defect determination device capable of accurately determining whether or not a defect is included in an inspection object.
次に、図面を参照して本発明の実施形態を説明する。初めに、図1を参照して、本実施形態の検査システム1の概要について説明する。
Next, an embodiment of the present invention will be described with reference to the drawings. First, the outline of the
検査システム1は、検査対象物100の内部に欠陥が存在するか否かを非破壊で検査するシステムである。検査システム1の検査対象となる欠陥とは、例えば、空隙の存在、異物の混入、又は、層間剥離等である。
The
本実施形態の検査対象物100は、板状の複合材料(例えば炭素繊維強化プラスチック)である。板状とは、厚さの概念が生じる程度に薄い部材で構成されていることであり、平板状に限られない。また、複合材料とは、複数の材料を一体的に組み合わせた材料のことである。検査システム1は、他の検査対象物、例えばブロック状の部材、又は、アルミニウム等の単一素材からなる材料等にも適用可能である。
The
図1に示すように、検査システム1は、検査装置10と、欠陥判定装置20と、を備える。
As shown in FIG. 1, the
検査装置10は、超音波を用いて検査対象物100の内部を測定する装置である。検査装置10は、超音波に代えて、電磁波(例えば放射線)を用いて検査対象物100の内部を測定する装置であってもよい。検査装置10は、プローブ11と、処理装置12と、を備える。
The
プローブ11は、検査対象物100に向けて超音波を送信するとともに、超音波が検査対象物100等で反射した反射波を受信する。プローブ11が送信した超音波は、検査対象物100の表面及び裏面で反射し易い。検査対象物100の表面とは、プローブ11に対向しており、プローブ11に近い側の検査対象物100の面を示し、検査対象物100の裏面とは、プローブ11に対向しており、プローブ11から遠い側(反対側)の検査対象物100の面を示す。また、プローブ11が送信した超音波は、検査対象物100の内部でも反射する。特に、欠陥がある箇所、異なる材料の界面、又は、結晶性が乱れている箇所において、超音波が反射し易い。また、本実施形態では、超音波が反射した位置を深さで特定する。深さは、プローブ11の位置(又は検査対象物100の表面の位置)を基準値(ゼロ)として、プローブ11から離れるに連れて値が大きくなる。
The
プローブ11は、受信した反射波に関する信号を処理装置12へ出力する。処理装置12は、信号処理等を行う情報処理端末であり、プローブ11から受信した信号を処理して波形データを生成する。波形データとは、図2に示すように、深さに応じた反射波の強度を示すデータである。処理装置12は、波形データを欠陥判定装置20へ出力する。
The
プローブ11に対して検査対象物100を移動させつつ、又は、検査対象物100に対してプローブ11を移動させつつ、超音波の送受信を行うことにより、検査対象物100の広い範囲について検査を行うことができる。
An inspection is performed on a wide range of the
欠陥判定装置20は、CPU等の演算装置と、フラッシュメモリ、ハードディスク、又はSSD等の記憶装置と、を備えるコンピュータである。演算装置は、記憶装置に記憶されたプログラムを読み出して実行することで様々な機能を発揮できる。これらの機能を概念的な構成要素として名称を付けることにより、欠陥判定装置20は、検査データ取得部21、前処理部22、及び判定部23を備える。
The
検査データ取得部21は、検査データを取得する処理を行う。検査データとは、処理装置12が出力した波形データ及び検査対象物100の板厚に関するデータを含むデータである。検査対象物100の板厚に関するデータは、作業者から検査対象物100に関する情報が入力されることにより取得してもよいし、検査対象物100に関するデータベースにアクセスして取得してもよい。また、検査対象物100の裏面位置で検出されるピーク(P7及びP8)は、一般的に検査対象物100の内部で検出されるピーク(P3~P6)よりも振幅が大きい。従って、板厚を用いずに、ピークの振幅の大きさに基づいて、検査対象物100の裏面位置を特定してもよい。言い換えれば、検査装置10を用いて板厚を計測して、それを用いて検査対象物100の裏面位置を特定してもよい。前処理部22は、波形データに前処理を行う。前処理は、欠陥の判定が行い易くなるようにデータを変換する処理である(詳細は後述)。判定部23は、前処理部22が出力したデータ及び過去の検査データに基づいて機械学習を行うことで構築された判定モデルを用いて、検査対象物100に欠陥が含まれるか否かを判定する判定処理を行う(詳細は後述)。
The inspection
次に、図2から図4を参照して、前処理及び判定処理について詳細に説明する。図3は、判定モデルを構築する処理を示す図である。図4は、検査対象物100の欠陥を判定する処理する図である。
Next, the pre-processing and the determination processing will be described in detail with reference to FIGS. 2 to 4. FIG. 3 is a diagram showing a process for constructing a determination model. FIG. 4 is a diagram for determining a defect of the
上述した判定モデルとは、検査で得られたデータを入力として、検査対象物100に欠陥が含まれるか否か(又はその確率)を示す判定結果を出力するものである。上述したように、判定モデルは、過去に行った検査の検査データと、その判定結果と、に基づいて機械学習を行うことにより構築される。ここで、検査装置10が出力する波形データをそのまま用いて機械学習を行った場合、波形データには欠陥の判定に不要なデータも多数含まれているため、波形データと欠陥の因果関係や傾向の把握が困難になるので、判定精度が高い判定モデルが得られない。
The above-mentioned determination model takes data obtained in the inspection as an input and outputs a determination result indicating whether or not the
この点に鑑み、本実施形態では、波形データから欠陥の判定に関連するデータを抽出する前処理を行う。具体的には、前処理には、波形データから所定条件を満たすピークを抽出し、抽出したピークの振幅と深さを出力する処理が含まれている。ピークとは、波形データにおける極大値/極小値に相当する値である。なお、波形データはノイズの影響で振幅が上下するため、平滑化した後にピークを求めてもよい。また、ピークは、深さ方向で隣り合う領域と比較して、比較的振幅が大きい箇所でもある。あるいは、ピークは、ノイズの値と比較して大きな振幅となっている箇所と特定してもよい。図2には、P1~P9の9個のピークが記載されている。本実施形態では、反射波の強度は検出信号の電圧値で表されるので負の値も取るため、極小値もピークに含めている。ただし、反射波の強度として正の値のみを取るように処理している場合は、極大値のみをピークとすればよい。 In view of this point, in the present embodiment, preprocessing for extracting data related to defect determination from waveform data is performed. Specifically, the preprocessing includes a process of extracting a peak satisfying a predetermined condition from the waveform data and outputting the amplitude and depth of the extracted peak. The peak is a value corresponding to a maximum value / minimum value in the waveform data. Since the amplitude of the waveform data fluctuates due to the influence of noise, the peak may be obtained after smoothing. The peak is also a place where the amplitude is relatively large as compared with the regions adjacent to each other in the depth direction. Alternatively, the peak may be identified as a location having a large amplitude compared to the noise value. In FIG. 2, nine peaks P1 to P9 are shown. In the present embodiment, since the intensity of the reflected wave is represented by the voltage value of the detection signal, it also takes a negative value, so that the minimum value is also included in the peak. However, when processing is performed so that only a positive value is taken as the intensity of the reflected wave, only the maximum value may be the peak.
本実施形態では、ピークが検出された箇所の深さと、ピークの振幅の大きさと、に基づいてピークを抽出する。初めに、前処理では、検査対象物100が存在しない位置での反射波を除外する処理を行う。これにより、検査対象物100とは関係ない物で反射した反射波(即ち、欠陥の判定には不要な反射波)が除外されるので、適切な反射波を用いて判定処理を行うことができる。検査対象物100が存在する位置を特定するためには、検査対象物100の表面位置と裏面位置とを特定する必要がある。
In the present embodiment, the peak is extracted based on the depth of the location where the peak is detected and the magnitude of the amplitude of the peak. First, in the pretreatment, a process of excluding the reflected wave at a position where the
ここで、検査対象物100の表面位置では、それよりもプローブ11側の位置と比較して、超音波が反射し易い。従って、所定の振幅を示す第1閾値を設定し、振幅が第1閾値を超えたピークのうち、最も深さが小さい位置にあるピーク(図2のP1)を特定し、このピークが検出された位置を検査対象物100の表面位置として特定する。第1閾値は、プローブ11と検査対象物100の間で検出されるピーク(P3~P6)の振幅を大きく越える値であって、かつ、検査対象物100の表面位置で検出されるピーク(P1及びP2)の振幅を大きく下回る値であることが好ましい。以下の説明では、プローブ11から検査対象物100の表面位置までの距離(言い換えれば波形データの深さの原点から検査対象物100の表面位置までの距離)を検査距離と称する。つまり、検査対象物100の表面位置を特定する処理は、検査距離を特定する処理と言い換えることができる。また、検査距離は、プローブ11と検査対象物100の距離を超音波の送信方向に沿って測定した距離である。
Here, at the surface position of the
また、欠陥判定装置20には検査対象物100の板厚に関するデータが入力されている。従って、検査対象物100の表面位置に板厚を加えた位置が、検査対象物100の裏面位置に相当する。以上により、検査対象物100が存在する位置が特定される。
Further, data regarding the plate thickness of the
なお、検査対象物100が存在する位置の特定方法は、上記に限られない。例えば、プローブ11と検査対象物100の距離(即ち検査距離)が殆ど又は全く変化しない場合は、予め設定された又は計測(算出)された検査距離を用いて検査対象物100の表面位置を特定できる。
The method for specifying the position where the
以上のようにして、検査対象物100が存在する位置で反射したピークを特定できる。次に、前処理では、検査対象物100が存在する位置で検出された複数のピークの振幅を算出し、振幅が大きいピークから順番に所定数のピークを抽出する。図2に示す例では、P9は振幅が大きいが、検査対象物100が存在しない位置でのピークであるため、抽出されない。ピークの振幅の大きさに基づいて抽出を行う理由は、ピークの振幅が大きいほど欠陥の判定に用いるデータとして有用性が高いからである。本実施形態では、抽出されるピークの数は常に同じ数であるが、状況に応じて異なる数のピークが抽出されてもよい。例えば、ピークの抽出条件として振幅が所定の第2閾値を超えているという条件を加えた場合、振幅が第2閾値を超えるピークが少ない場合は、通常時よりも少ない数のピークが抽出される可能性がある。
As described above, the reflected peak can be specified at the position where the
ピークの抽出条件は、振幅の大きさだけに限られない。例えば、振幅が大きいピークに加えて、このピークに深さ方向で隣り合うピークを抽出してもよい。これにより。ピークの振幅の変化態様が特定できるので、欠陥の判定精度が向上する可能性がある。また、検査対象物100の表面位置と裏面位置で検出されたピークを、抽出対象のピークから除いてもよい。なぜなら、これらのピークは検査対象物100の内部の欠陥との関連が低いからである。
The peak extraction conditions are not limited to the magnitude of the amplitude. For example, in addition to the peak having a large amplitude, a peak adjacent to this peak in the depth direction may be extracted. By this. Since the change mode of the peak amplitude can be specified, the defect determination accuracy may be improved. Further, the peaks detected at the front surface position and the back surface position of the
前処理では、抽出したピークの振幅と深さを対応付けたデータを作成する。ここで、深さの基準はプローブ11の位置であるため、深さは、プローブ11と検査対象物100の距離の影響を受ける。従って、何らかの原因でプローブ11と検査対象物100の距離が大きくなった場合、深さの値が大きくなる。
In the preprocessing, data corresponding to the amplitude and depth of the extracted peak is created. Here, since the reference of the depth is the position of the
以上のようにして、前処理では、ピークが抽出され、抽出されたピークの振幅と深さが求められる。 As described above, in the pretreatment, peaks are extracted, and the amplitude and depth of the extracted peaks are obtained.
前処理では、更に、抽出されたピークの深さが、検査距離に基づいて補正される。ここで、欠陥の判定のために重要なのは検査対象物100を基準とした深さである。一方で、波形データが示す深さは、プローブ11の位置を基準とした深さである。従って、例えば何らかの原因でプローブ11が検査対象物100から通常時よりも離れた場合、通常時と比較して、ピークの深さとして大きい値が特定されてしまう。
In the pretreatment, the depth of the extracted peak is further corrected based on the inspection distance. Here, what is important for determining the defect is the depth with respect to the
そこで、プローブ11と検査装置10の距離に関係なくピークの深さを特定するために、本実施形態の前処理では、検査対象物100の表面位置が深さの基準(ゼロ)となるように深さの値をオフセットする。これにより、プローブ11と検査対象物100の距離が変化した場合であっても、検査対象物100を基準とした深さでピークの深さを記述できる。検査距離は上述の方法で特定されているため、オフセット量を新たに特定する必要はない。
Therefore, in order to specify the peak depth regardless of the distance between the
なお、プローブ11と検査対象物100の距離(即ち検査距離)が殆ど又は全く変化しない場合は、検査距離に基づく補正を省略することができる。
If the distance between the
以上により、前処理では、抽出されたピークの振幅及び深さ(検査対象物100基準)が特定されて出力される。以下では、抽出されたピークの振幅及び深さに板厚を加えたデータを学習用データと称する。学習用データは機械学習のために用いられるデータである。 As described above, in the pretreatment, the amplitude and depth of the extracted peak (based on the inspection target 100) are specified and output. In the following, the data obtained by adding the plate thickness to the amplitude and depth of the extracted peaks will be referred to as learning data. The learning data is the data used for machine learning.
判定モデルを構築するための機械学習では、学習用データに加えて、過去の判定結果を示すデータが用いられる。過去の判定結果とは、検査対象物100の内部に欠陥があるか否かを示すデータである。また、検査すべき欠陥が複数ある場合は、判定結果に欠陥の種類が含まれていてもよい。判定精度の高い判定モデルを作成するために、精度の高い判定結果を用いて判定モデルを作成することが好ましい。例えば、欠陥が含まれることが明らかである場合は、検査員の分析結果を判定結果として使用してもよいが、欠陥が含まれるか否かの判断が難しい場合は、別の検査方法や検査対象物100を破壊して欠陥の有無を特定することが好ましい。
In machine learning for constructing a judgment model, in addition to learning data, data showing past judgment results is used. The past determination result is data indicating whether or not there is a defect inside the
また、過去の判定結果は、学習用データと対応付けて学習される。詳細には、1回又は複数回の超音波を送受信を1回の検査とする。そして、N回目の検査で得られた学習用データと、N回目の検査で測定された箇所の判定結果と、を対応付けて機械学習のためのコンピュータに入力する。これにより、学習用データに含まれるピークと、それらのピークが欠陥を示すか否かの結果と、の関連性を学習させることができる。具体的な処理としては、検査毎に識別情報を付与し、学習用データ及び判定結果にも対応する検査の識別情報を対応付ければよい。 Further, the past determination result is learned in association with the learning data. Specifically, one or more ultrasonic waves are transmitted and received as one inspection. Then, the learning data obtained in the Nth inspection and the determination result of the portion measured in the Nth inspection are associated and input to the computer for machine learning. This makes it possible to learn the relationship between the peaks included in the training data and the result of whether or not those peaks show defects. As a specific process, identification information may be added to each inspection, and the learning data and the identification information of the inspection corresponding to the determination result may be associated with each other.
ここで、検査対象物100の内部で検出されるピーク(P3~P6)は、欠陥に起因するピーク、材料の界面に起因するピーク、結晶性の乱れに起因するピーク等が混在しており、単純に振幅の大きさだけで欠陥に起因するピークを特定することができない。そのため、コンピュータによる自動判定及び検査員による判定の何れの場合であっても、欠陥に起因するピークを区別することは困難であった。
Here, the peaks (P3 to P6) detected inside the
しかし、複数のピークについて振幅だけでなく深さも用いることで、どの程度の大きさの振幅がどの位置にどのように分布しているかの情報も含まれることになる。このように、ピークに関する様々な情報を含めることにより、欠陥が発生している場合のピークの状況についての傾向を特定することができる。ただし、欠陥が発生している場合のピークの状況は、単純な条件式で特定できる事項ではないため、機械学習を用いることにより、コンピュータを用いて判定を行うことができる。 However, by using not only the amplitude but also the depth for a plurality of peaks, information on how and where the amplitude of what magnitude is distributed is also included. In this way, by including various information about the peak, it is possible to identify the tendency of the peak situation when the defect occurs. However, since the peak situation when a defect has occurred is not a matter that can be specified by a simple conditional expression, it is possible to make a determination using a computer by using machine learning.
以上の機械学習を行うことにより、判定モデルが構築される。判定モデルは、新規の検査で得られたデータ(学習用データと同じ種類のデータ)を入力として、判定結果を出力するモデルである。 By performing the above machine learning, a judgment model is constructed. The determination model is a model that inputs the data obtained by the new inspection (data of the same type as the learning data) and outputs the determination result.
次に、図4を参照して、欠陥を判定する処理について説明する。 Next, a process for determining a defect will be described with reference to FIG.
初めに、検査装置10を用いて検査対象物100の計測を行う。検査データ取得部21は、検査装置10の処理装置12から波形データを取得する。また、検査データ取得部21は、上述したように、検査対象物100の板厚に関するデータを取得する。
First, the
次に、前処理部22は、検査データ(波形データ及び板厚)に対して前処理を行う。ここで行われる前処理は、判定モデルの作成時の前処理と同じであるため、説明を省略する。以下では、欠陥判定時の前処理で前処理部22が出力するデータを判定用データと称する。判定用データを構成するデータは、学習用データを構成するデータと同種である。
Next, the preprocessing
次に、判定部23は、判定用データを判定モデルに入力して判定処理を行う。上述したように、判定モデルは、学習用データと、判定結果と、の対応関係を学習して構築されている。従って、学習用データと同種の判定用データを入力として、検査対象物100の内部に欠陥が含まれるか否かの判定結果を出力することができる。
Next, the
判定結果は、欠陥が含まれるか否かを特定するものであってもよいし、欠陥が含まれる場合は、欠陥の種類を合わせて出力してもよい。また、判定結果に確率を含めてもよい。 The determination result may specify whether or not a defect is included, and if a defect is included, the determination result may be output together with the type of the defect. In addition, the probability may be included in the determination result.
なお、欠陥判定で行った判定結果に誤りがあることが後に判明した場合は、追加学習を行ってもよい。追加学習とは、判定用データと、正しい判定結果と、を対応付けて更に機械学習を行うことにより、判定モデルを更新する処理である。 If it is later found that the determination result performed in the defect determination is incorrect, additional learning may be performed. The additional learning is a process of updating the determination model by further performing machine learning in association with the determination data and the correct determination result.
以上に説明したように、本実施形態の欠陥判定装置20は、検査データ取得部21と、前処理部22と、判定部23と、を備える。欠陥判定装置20を用いて以下の欠陥判定方法が行われる。検査データ取得部21は、検査対象物100に音波又は電磁波を送信して得られる、検査対象物100の深さに応じた反射波の振幅を示す波形データを取得する(検査データ取得工程)。前処理部22は、波形データに前処理を行って判定用データを出力する(前処理工程)。判定部23は、判定用データを入力として、検査対象物100に欠陥が含まれるか否かの判定結果を出力する判定モデルを用いて判定処理を行う(判定工程)。前処理には、少なくとも波形データの振幅の大きさに基づいて波形データの複数のピークを抽出する処理と、抽出したピークの振幅の大きさと深さを出力する処理が含まれる。判定モデルは、過去の検査で得られた波形データに前処理を行うことで出力される学習用データと、過去の検査での判定結果と、に対して機械学習を行うことにより構築されている。
As described above, the
過去の検査のデータを用いて機械学習を行って判定モデルを作成するため、単純に閾値の大きさだけで判定する方法と比較して、判定精度を高くすることができる。特に、重要なパラメータであるピークの振幅と深さを抽出して機械学習させるため、波形データをそのまま機械学習させる構成と比較して、高い判定精度を実現できる。 Since the judgment model is created by performing machine learning using the data of the past inspection, the judgment accuracy can be improved as compared with the method of judging only by the size of the threshold value. In particular, since the amplitude and depth of the peak, which are important parameters, are extracted and machine-learned, higher determination accuracy can be realized as compared with the configuration in which the waveform data is machine-learned as it is.
本実施形態の欠陥判定装置20において、前処理には、音波又は電磁波を送受信するプローブ11と、検査対象物100と、の距離を示す検査距離に基づいてピークの深さを補正する処理が含まれる。
In the
これにより、検査距離の影響を除外して波形データを取り扱うことができる。 As a result, the waveform data can be handled by excluding the influence of the inspection distance.
本実施形態の欠陥判定装置20において、前処理部22は、波形データのピークのうち振幅が第1閾値以上であって、かつ、プローブ11に最も近いピークの位置を検査距離として特定する。
In the
これにより、波形データを用いて精度良く検査距離を特定できる。 As a result, the inspection distance can be accurately specified using the waveform data.
本実施形態の欠陥判定装置20において、検査対象物100は板状である。学習用データ及び判定用データには、検査対象物100の板厚を示すデータが含まれている。
In the
これにより、板厚の影響を考慮して判定を行うことができる。 Thereby, the judgment can be made in consideration of the influence of the plate thickness.
本実施形態の欠陥判定装置20において、前処理部22には検査対象物100の板厚を示すデータが入力されている。前処理部22は、検査対象物100が存在しない位置でのピークを除外することにより、検査対象物100が存在する位置でのピークのみを抽出する。
In the
これにより、検査対象物100の検査に有用なピークのみを抽出できる。
As a result, only peaks useful for inspection of the
本実施形態の欠陥判定装置20において、判定処理を行う対象である検査対象物100が複合材料である。
In the
複合材料は材料の界面で音波又は電磁波の反射が生じ易く、欠陥に起因する反射との区別することが検査員にとっては困難なので、機械学習による判定処理を有効に活用できる。 Since the composite material tends to reflect sound waves or electromagnetic waves at the interface of the material and it is difficult for the inspector to distinguish it from the reflection caused by the defect, the judgment process by machine learning can be effectively utilized.
以上に本発明の好適な実施の形態を説明したが、上記の構成は例えば以下のように変更することができる。 Although the preferred embodiment of the present invention has been described above, the above configuration can be changed as follows, for example.
上記実施形態では、処理装置12と欠陥判定装置20は別の装置であるが、処理装置12と欠陥判定装置20の機能を有する1つの装置として実現してもよい。
In the above embodiment, the
上記実施形態で示した前処理及び判定処理は一例であり、一部の工程を省略したり、一部の工程の内容を変更したり、新たな工程を追加したりしてもよい。また、前処理及び判定処理で入出力するデータは一例であり、板厚を省略したり、別のデータを追加してもよい。例えば、検査システム1が複数の材料に対して検査を行う場合は、入出力するデータに材料の種類を加えてもよい。材料の種類に応じて、欠陥に起因するピークの振幅や深さが異なる可能性があるからである。
The pretreatment and determination processing shown in the above embodiment are examples, and some steps may be omitted, the contents of some steps may be changed, or new steps may be added. Further, the data input / output in the preprocessing and the determination processing is an example, and the plate thickness may be omitted or another data may be added. For example, when the
1 検査システム
10 検査装置
11 プローブ
12 処理装置
20 欠陥判定装置
21 検査データ取得部
22 前処理部
23 判定部
100 検査対象物
1
Claims (7)
前記波形データに前処理を行って判定用データを出力する前処理部と、
前記判定用データを入力として、前記検査対象物に欠陥が含まれるか否かの判定結果を出力する判定モデルを用いて判定処理を行う判定部と、
を備え、
前記前処理には、少なくとも前記波形データの振幅の大きさに基づいて前記波形データの複数のピークを抽出する処理と、抽出したピークの振幅の大きさと深さを出力する処理が含まれ、
前記判定モデルは、過去の検査で得られた前記波形データに前記前処理を行うことで出力される学習用データと、過去の検査での判定結果と、に対して機械学習を行うことにより構築されていることを特徴とする欠陥判定装置。 An inspection data acquisition unit that acquires waveform data indicating the amplitude of reflected waves according to the depth of the inspection object, which is obtained by transmitting sound waves or electromagnetic waves to the inspection object.
A preprocessing unit that preprocesses the waveform data and outputs judgment data,
A judgment unit that performs judgment processing using a judgment model that inputs the judgment data and outputs a judgment result as to whether or not the inspection object contains a defect.
Equipped with
The preprocessing includes a process of extracting a plurality of peaks of the waveform data based on at least the magnitude of the amplitude of the waveform data, and a process of outputting the magnitude and depth of the amplitude of the extracted peaks.
The determination model is constructed by performing machine learning on the learning data output by performing the preprocessing on the waveform data obtained in the past inspection and the determination result in the past inspection. Defect determination device characterized by being
前記前処理には、音波又は電磁波を送受信するプローブと、前記検査対象物と、の距離を示す検査距離に基づいてピークの深さを補正する処理が含まれることを特徴とする欠陥判定装置。 The defect determination device according to claim 1.
The pretreatment includes a process of correcting the peak depth based on an inspection distance indicating a distance between a probe that transmits and receives sound waves or electromagnetic waves and the inspection object.
前記前処理部は、前記波形データのピークのうち振幅が閾値以上であって、かつ、前記プローブに最も近いピークの位置を前記検査距離として特定することを特徴とする欠陥判定装置。 The defect determination device according to claim 2.
The preprocessing unit is a defect determination device, characterized in that the amplitude of the peaks of the waveform data is equal to or greater than a threshold value, and the position of the peak closest to the probe is specified as the inspection distance.
前記検査対象物は板状であり、
前記学習用データ及び前記判定用データには、前記検査対象物の板厚を示すデータが含まれていることを特徴とする欠陥判定装置。 The defect determination device according to any one of claims 1 to 3.
The inspection object is plate-shaped and has a plate shape.
The defect determination device, characterized in that the learning data and the determination data include data indicating the plate thickness of the inspection object.
前記前処理部には前記検査対象物の板厚を示すデータが入力されており、
前記前処理部は、前記検査対象物が存在しない位置でのピークを除外することにより、前記検査対象物が存在する位置でのピークのみを抽出することを特徴とする欠陥判定装置。 The defect determination device according to claim 4.
Data indicating the plate thickness of the inspection target is input to the pretreatment section.
The pretreatment unit is a defect determination device characterized in that by excluding a peak at a position where the inspection target does not exist, only a peak at a position where the inspection target exists is extracted.
前記判定処理を行う対象である前記検査対象物が複合材料であることを特徴とする欠陥判定装置。 The defect determination device according to any one of claims 1 to 5.
A defect determination device, characterized in that the inspection object to be subjected to the determination process is a composite material.
前記波形データに前処理を行って判定用データを出力する前処理工程と、
前記判定用データを入力として、前記検査対象物に欠陥が含まれるか否かの判定結果を出力する判定モデルを用いて判定処理を行う判定工程と、
を含み、
前記前処理には、少なくとも前記波形データの振幅の大きさに基づいて複数のピークを抽出する処理と、抽出したピークの振幅の大きさとピークの深さを出力する処理が含まれ、
前記判定モデルは、過去の検査で得られた前記波形データに前記前処理を行うことで出力される学習用データと、過去の検査での判定結果と、に対して機械学習を行うことにより構築されていることを特徴とする欠陥判定方法。 An inspection data acquisition step of acquiring waveform data indicating the amplitude of a reflected wave according to the depth of the inspection object, which is obtained by transmitting a sound wave or an electromagnetic wave to the inspection object.
A preprocessing step that preprocesses the waveform data and outputs judgment data,
A determination step in which the determination process is performed using the determination model that inputs the determination data and outputs the determination result of whether or not the inspection object contains a defect.
Including
The preprocessing includes a process of extracting a plurality of peaks based on at least the magnitude of the amplitude of the waveform data, and a process of outputting the magnitude of the amplitude of the extracted peaks and the depth of the peaks.
The determination model is constructed by performing machine learning on the learning data output by performing the preprocessing on the waveform data obtained in the past inspection and the determination result in the past inspection. Defect determination method characterized by being.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020184572A JP2022074488A (en) | 2020-11-04 | 2020-11-04 | Defect determination device and defect determination method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020184572A JP2022074488A (en) | 2020-11-04 | 2020-11-04 | Defect determination device and defect determination method |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022074488A true JP2022074488A (en) | 2022-05-18 |
Family
ID=81606059
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020184572A Pending JP2022074488A (en) | 2020-11-04 | 2020-11-04 | Defect determination device and defect determination method |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2022074488A (en) |
-
2020
- 2020-11-04 JP JP2020184572A patent/JP2022074488A/en active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9297788B2 (en) | Determination assist system of ultrasonic testing, determination assist method of ultrasonic testing, determination assist program of ultrasonic testing, and computer-readable storage medium for storing determination assist program of ultrasonic testing | |
JP7520582B2 (en) | Information processing device, determination method, and information processing program | |
CN112816556B (en) | Defect detection method, device, equipment and storage medium | |
KR102154413B1 (en) | Defect signal diagnostics apparatus and method using acoustic emission | |
CN108802181B (en) | Defect detection method and device | |
CN114878582A (en) | Defect detection and analysis method and system for special steel | |
CN114002332A (en) | Structural damage monitoring and early warning method and structural integrity digital twinning system | |
EP3388827B1 (en) | Defect detection using ultrasound scan data | |
CN116542984A (en) | Hardware defect detection method, device, computer equipment and storage medium | |
CN113554645B (en) | Industrial anomaly detection method and device based on WGAN | |
CN112816557B (en) | Defect detection method, device, equipment and storage medium | |
JP2022074488A (en) | Defect determination device and defect determination method | |
US20220253735A1 (en) | Method for simulation assisted data generation and deep learning intelligence creation in non-destructive evaluation systems | |
US20210096246A1 (en) | Method and system for generating a merged b-scan for assisted ultrasonic inspection flaw screening | |
JP5150302B2 (en) | Ultrasonic inspection data evaluation apparatus and ultrasonic inspection data evaluation method | |
US11060860B2 (en) | Method of inspection by guided waves | |
JP2011047655A (en) | Defect recognition method and defect recognition device using ultrasonic wave | |
CN115356400B (en) | BiLSTM-based ultrasonic wood nondestructive testing method and BiLSTM-based ultrasonic wood nondestructive testing system | |
US11579120B2 (en) | Colored defect detection curves | |
US20240118245A1 (en) | Ultrasonic measurement representation | |
WO2020250583A1 (en) | Inspection system | |
US20240161267A1 (en) | Information processing device, determination method, and storage medium | |
Nageswaran | Ultrasonic System to Automatically Measure Size of Cracks using the Snooker Algorithm, a Simulator and Machine Learning | |
EP4246140A1 (en) | Software-based assistance for non-destructive inspection | |
KR20180072203A (en) | Method for determining cracked eggs using energy distribution in frequency range |