JP2024086545A - 装着状態検出装置 - Google Patents

装着状態検出装置 Download PDF

Info

Publication number
JP2024086545A
JP2024086545A JP2023104893A JP2023104893A JP2024086545A JP 2024086545 A JP2024086545 A JP 2024086545A JP 2023104893 A JP2023104893 A JP 2023104893A JP 2023104893 A JP2023104893 A JP 2023104893A JP 2024086545 A JP2024086545 A JP 2024086545A
Authority
JP
Japan
Prior art keywords
bobbin
image
state detection
learning
holder
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
Application number
JP2023104893A
Other languages
English (en)
Inventor
一登 吉田
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.)
TMT Machinery Inc
Original Assignee
TMT Machinery Inc
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 TMT Machinery Inc filed Critical TMT Machinery Inc
Priority to KR1020230156557A priority Critical patent/KR20240096349A/ko
Priority to EP23209683.4A priority patent/EP4386663A1/en
Priority to CN202311542371.8A priority patent/CN118205960A/zh
Publication of JP2024086545A publication Critical patent/JP2024086545A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Replacing, Conveying, And Pick-Finding For Filamentary Materials (AREA)
  • Filamentary Materials, Packages, And Safety Devices Therefor (AREA)

Abstract

【課題】ボビンの装着状態が適切か否かを精度良く判定できる装着状態検出装置を提供する。【解決手段】装着状態検出装置は、制御装置と、糸巻取機のボビンホルダに装着されるボビンを撮影可能に構成されている撮影装置とを備える。制御装置は、複数の学習用データを機械学習することにより生成されている推定モデルを取得する処理を実行する。複数の学習用データの各々は、ボビンを写す学習用ボビン画像に対して、当該ボビンの装着状態を表わす装着状態情報をラベルとして関連付けている。制御装置は、さらに、ボビンホルダに装着されたボビンを撮影することで撮影装置から判定用ボビン画像を取得する処理と、判定用ボビン画像を推定モデルに入力することで当該推定モデルから出力される装着状態情報に基づいて、ボビンホルダに対してボビンが正常に装着されているか否かを判定する処理とを実行する。【選択図】図２

Description

本発明は、主として、ボビンホルダへのボビンの装着状態を検出する装置に関する。
特許文献１には、巻取機と、台車と、紙管供給装置と、が開示されている。巻取機は、２つ並べて設けられている。巻取機は、糸を巻き取ってパッケージを製造する。台車は、２つの巻取機のそれぞれに対して紙管を押送してセットする。紙管供給装置は、台車に対して紙管を供給する。紙管供給装置は、光電センサを用いて紙管のスリットの位置を検出することにより、紙管の種類及び紙管の向きを判定する。
実開平４－９７７６９号公報
特許文献１のように光電センサを用いて紙管のスリットを検出する方法は、例えば紙管の凹凸、紙管同士の隙間、又は異物等の影響により、誤検出の可能性があり得る。また、スリットの検出に限られず、例えばボビン間の隙間の大きさ等、ボビンの装着状態に関する様々な事象を検出する際においても、同様に誤検出の可能性があり得る。従って、ボビンの装着状態が適切か否かを精度良く判定できる構成が求められていた。
本開示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、ボビンの装着状態が適切か否かを精度良く判定できる装着状態検出装置、装着状態検出方法、および装着状態検出プログラムを提供することにある。
本開示の一例では、装着状態検出装置が提供される。上記装着状態検出装置は、制御装置と、糸巻取機のボビンホルダに装着されるボビンを撮影可能に構成されている撮影装置とを備える。上記制御装置は、複数の学習用データを機械学習することにより生成されている推定モデルを取得する処理を実行する。上記複数の学習用データの各々は、ボビンを写す学習用ボビン画像に対して、当該ボビンの装着状態を表わす装着状態情報をラベルとして関連付けている。上記制御装置は、さらに、上記ボビンホルダに装着されたボビンを撮影することで上記撮影装置から判定用ボビン画像を取得する処理と、上記判定用ボビン画像を上記推定モデルに入力することで当該推定モデルから出力される上記装着状態情報に基づいて、上記ボビンホルダに対してボビンが正常に装着されているか否かを判定する処理とを実行する。
この装着状態検出装置おいては、学習用ボビン画像と装着状態情報との関係が学習された推定モデルが用いられる。これにより、装着状態検出装置は、当該推定モデルに対して判定用ボビン画像を入力することでボビンの装着状態情報を取得することができ、ボビンの装着状態を判定することができる。
本開示の一例では、上記判定する処理では、上記ボビンホルダに対するボビンの装着向きが正常であるか否かが判定される。
これにより、装着状態検出装置は、ボビンの具体的な装着異常を検出することができる。
本開示の一例では、上記ボビンには、スリットが形成されている。上記ラベルとしての上記装着状態情報は、上記学習用ボビン画像内におけるボビンの範囲を示すボビン範囲と、当該学習用ボビン画像内におけるスリットの範囲を示すスリット範囲とを含む。上記推定モデルは、上記判定用ボビン画像の入力を受けて、当該判定用ボビン画像内における上記ボビン範囲と、当該判定用ボビン画像内における上記スリット範囲とを装着状態情報として出力する。上記装着向きが正常であるか否かは、上記推定モデルから出力される上記ボビン範囲と上記スリット範囲との位置関係に基づいて判定される。
装着状態検出装置は、ボビン画像内におけるボビン範囲とスリット範囲との位置関係に着目することで、ボビンホルダに対するボビンの装着向きが正常であるか否かをより正確に判定することができる。
本開示の一例では、上記ボビンホルダには、複数のボビンが並べて配置されている。上記判定する処理では、上記判定用ボビン画像に含まれている各ボビンの間隔が正常であるか否かが判定される。
これにより、装着状態検出装置は、ボビンの具体的な装着異常を検出することができる。
本開示の一例では、上記ラベルとしての上記装着状態情報は、上記学習用ボビン画像内におけるボビンの範囲を示すボビン範囲を含む。上記推定モデルは、上記判定用ボビン画像の入力を受けて、当該判定用ボビン画像内に含まれている各ボビンについて上記ボビン範囲を出力する。上記間隔が正常であるか否かは、上記推定モデルから出力される各ボビン範囲の内の隣り合うボビン範囲の位置関係に基づいて判定される。
装着状態検出装置は、ボビン画像内におけるボビン範囲の間隔に着目することで、隣り合うボビンの間隔が正常であるか否かをより正確に判定することができる。
本開示の一例では、上記制御装置は、さらに、上記ボビンホルダに対してボビンが正常に装着されていないと判定された場合に、当該ボビンの装着異常を報知する処理を実行する。
これにより、装着状態検出装置は、ボビンの装着状態の異常をオペレータに知らせることができる。
本開示の一例では、上記撮影装置は、上記ボビンホルダにボビンを装着する作業の開始後は、かつ、上記糸巻取機による糸の巻取りの開始前に、当該ボビンを撮影する。
これにより、装着状態検出装置は、ボビンの装着ミスに伴う不具合が発生する前に、ボビンの装着状態を判定できる。
本開示の一例では、上記ボビンは、上記ボビンホルダに並べて複数配置されている。上記ボビンホルダの軸方向に沿って、複数の上記撮影装置が配置されている。上記撮影装置は、１又は複数の上記ボビンを含む上記判定用ボビン画像を生成する。
これにより、ボビンホルダに複数のボビンが並べて配置される場合においても、複数の撮影装置を用いることにより、これらのボビンの装着状態を精度良く検出できる。
本開示の一例では、上記ボビンは、上記ボビンホルダに並べて複数配置されている。１つの上記撮影装置が、全ての上記ボビンを含む上記判定用ボビン画像を生成する。
これにより、ボビンホルダに複数のボビンが並べて配置される場合においても、複数のボビンをまとめて撮影できるような広角の撮影装置を用いることにより、撮影装置の個数を抑えつつ、これらのボビンの装着状態を精度良く検出できる。
本開示の一例では、上記ボビンは、上記ボビンホルダに並べて複数配置されている。上記撮影装置は、上記ボビンホルダの軸方向に沿って走行可能に構成されている。上記撮影装置は、上記ボビンを含む上記判定用ボビン画像を生成した後に走行して、別の上記ボビンを含む上記判定用ボビン画像を生成する。
これにより、ボビンホルダに複数のボビンが並べて配置される場合においても、ボビンホルダの軸方向に沿って撮影装置を走行させることにより、撮影装置の個数を抑えつつ、これらのボビンの装着状態を精度良く検出できる。
本開示の一例では、上記ボビンホルダの挿入端から上記ボビンが挿入されて上記ボビンがスライド移動されることで、上記ボビンが並べて複数配置されている。上記撮影装置は、上記挿入端から挿入される上記ボビンを順次撮影することにより、全ての上記ボビンについての上記判定用ボビン画像を生成する。
これにより、ボビンホルダに複数のボビンが並べて配置される場合においても、ボビンの挿入時に当該ボビンを順次撮影することにより、撮影装置の個数を抑えつつ、これらのボビンの装着状態を精度良く検出できる。
本開示の一例では、上記撮影装置を複数備える。上記撮影装置は、上記ボビンを複数方向から撮影する。上記ボビンホルダに対してボビンが正常に装着されているか否かは、複数方向から撮影された複数の上記判定用ボビン画像に基づいて、判定される。
これにより、ボビンの周方向の広い範囲の撮影結果に基づいて判定するため、検出精度を高くすることができる。
本開示の一例では、上記撮影装置は、上記ボビンホルダの軸方向を回転中心として上記ボビンが回転している状態で上記ボビンを複数回撮影して複数の上記判定用ボビン画像を生成する。上記ボビンホルダに対してボビンが正常に装着されているか否かは、複数の上記判定用ボビン画像に基づいて、判定される。
これにより、ボビンの周方向の全体の撮影結果に基づいて判定するため、検出精度を高くすることができる。
本開示の他の例では、装着状態検出装置によって実行される装着状態検出方法が提供される。上記装着状態検出装置は、糸巻取機のボビンホルダに装着されるボビンを撮影可能に構成されている撮影装置を備える。上記装着状態検出方法は、複数の学習用データを機械学習することにより生成されている推定モデルを取得するステップを備える。上記複数の学習用データの各々は、ボビンを写す学習用ボビン画像に対して、当該ボビンの装着状態を表わす装着状態情報をラベルとして関連付けている。上記装着状態検出方法は、さらに、上記ボビンホルダに装着されたボビンを撮影することで上記撮影装置から判定用ボビン画像を取得するステップと、上記判定用ボビン画像を上記推定モデルに入力することで当該推定モデルから出力される上記装着状態情報に基づいて、上記ボビンホルダに対してボビンが正常に装着されているか否かを判定するステップとを備える。
この装着状態検出方法おいては、学習用ボビン画像と装着状態情報との関係が学習された推定モデルが用いられる。これにより、装着状態検出方法は、当該推定モデルに対して判定用ボビン画像を入力することでボビンの装着状態情報を取得することができ、ボビンの装着状態を判定することができる。
本開示の他の例では、装着状態検出装置によって実行される装着状態検出プログラムが提供される。上記装着状態検出装置は、糸巻取機のボビンホルダに装着されるボビンを撮影可能に構成されている撮影装置を備える。上記装着状態検出プログラムは、上記装着状態検出装置に、複数の学習用データを機械学習することにより生成されている推定モデルを取得するステップを実行させる。上記複数の学習用データの各々は、ボビンを写す学習用ボビン画像に対して、当該ボビンの装着状態を表わす装着状態情報をラベルとして関連付けている。上記装着状態検出プログラムは、上記装着状態検出装置に、さらに、上記ボビンホルダに装着されたボビンを撮影することで上記撮影装置から判定用ボビン画像を取得するステップと、上記判定用ボビン画像を上記推定モデルに入力することで当該推定モデルから出力される上記装着状態情報に基づいて、上記ボビンホルダに対してボビンが正常に装着されているか否かを判定するステップとを実行させる。
この装着状態検出プログラムおいては、学習用ボビン画像と装着状態情報との関係が学習された推定モデルが用いられる。これにより、装着状態検出プログラムは、当該推定モデルに対して判定用ボビン画像を入力することでボビンの装着状態情報を取得することができ、ボビンの装着状態を判定することができる。
一実施形態に係る糸巻取機の正面図を示す図である。 糸巻取機の側面図を示す図である。 糸巻取機のブロック図を示す図である。 機械学習により推定モデルを構築する方法を示す図である。 推定モデルを用いて推定データを得る方法を示す図である。 推定モデルの推定結果をボビン画像に重畳した図を示す図である。 ボビン装着状態が適切か否かを判定するためのフローチャートを示す図である。 制御装置のハードウェア構成の一例を示す図である。 学習用データセットの一例を示す図である。 制御装置の機能構成の一例を示す図である。 学習部による学習処理を概念的に示す図である。 判定部による装着状態判定処理を概念的に示す図である。 第２変形例における装着状態判定システムの装置構成を示す図である。 第３変形例における学習用データセットの一例を示す図である。 第３変形例における学習部による学習処理を概念的に示す図である。 第３変形例における判定部による装着異常の判定処理を概念的に示す図である。 第４変形例における糸巻取機の側面図を示す図である。 第５変形例における糸巻取機の側面図を示す図である。 第６変形例における糸巻取機の側面図を示す図である。 第７変形例における糸巻取機の正面図を示す図である。
以下、図面を参照しつつ、本発明に従う各実施の形態について説明する。以下の説明では、同一の部品および構成要素には同一の符号を付してある。それらの名称および機能も同じである。したがって、これらについての詳細な説明は繰り返さない。なお、以下で説明される各実施の形態および各変形例は、適宜選択的に組み合わされてもよい。
＜Ａ．概要＞
まず、実施の形態に従う装着状態検出装置の概要について説明する。
装着状態検出装置は、糸巻取機のボビンホルダに装着されるボビンを撮影することで撮影装置から得られるボビン画像に基づいて、当該ボビンが正常に装着されたか否かを判定する。このような判定機能を実現するために、まず、装着状態検出装置は、複数の学習用データを機械学習することにより生成されている推定モデルを取得する。
複数の学習用データの各々は、ボビンを写す学習用ボビン画像に対して、当該ボビンの装着状態を表わす装着状態情報をラベルとして関連付けている。ここでいう「装着状態情報」とは、ボビンホルダに対するボビンの装着状態を直接的または間接的に特定することが可能な情報を意味する。異なる言い方をすれば、装着状態情報は、ボビンホルダに対するボビンの装着状態と相関する情報である。装着状態情報の具体例については後述する。
装着状態検出装置は、ボビンホルダに装着されたボビンを撮影装置に撮影させることで当該撮影装置から判定用ボビン画像を取得し、当該判定用ボビン画像を上記推定モデルに入力する。次に、装着状態検出装置は、当該推定モデルから出力される装着状態情報に基づいて、ボビンホルダに対してボビンが正常に装着されているか否かを判定する。これにより、装着状態検出装置は、ボビンホルダに対するボビンの装着状態を正確に判定することができる。
＜Ｂ．糸巻取機１＞
次に、図面を参照して本開示の実施形態についてさらに詳細に説明する。図１は、本開示の一実施形態に係る糸巻取機１の正面図である。図２は、糸巻取機１の側面図である。図３は、糸巻取機１のブロック図である。以下の説明では、糸の走行方向の上流又は下流を単に上流又は下流と称することがある。
図１に示す糸巻取機１の上流には、図略の紡糸機が配置されている。紡糸機は、糸９３を製造して糸巻取機１に供給する。糸巻取機１は、糸９３をボビン９１に巻き取ってパッケージ９４を製造する。
ボビン９１は、円筒状の部材である。図２に示すように、ボビン９１にはスリット９１ａが形成されている。スリット９１ａは、ボビン９１の表面に周方向に沿って形成された溝である。スリット９１ａは全周にわたって形成されていてもよいし、周方向の一部のみに形成されていてもよい。スリット９１ａはボビン９１の軸方向の片側に寄った位置に形成されている。言い換えれば、スリット９１ａは軸方向の中央に対して非対称な形状であるため、ボビン９１を正しい装着向きで配置する必要がある。
図１に示すように、上側の巻取位置にあるボビン９１には、糸９３が巻き取られて糸層が形成されパッケージ９４が形成されている。一方、下側の待機位置にあるボビン９１には、糸９３が巻き取られていない。糸９３の対象は、例えばナイロン又はポリエステル等の合繊糸である。また、糸９３の対象には、スパンデックス等の弾性糸も含まれる。
また、図２に示すように、本実施形態では、紡糸機から糸巻取機１には、糸送りローラ１００から、第１ボビンホルダ４１（第２ボビンホルダ４２）の軸方向に並ぶ複数の糸９３が供給される。また、ボビン９１は、第１ボビンホルダ４１（第２ボビンホルダ４２）の軸方向に並べて複数設けられている。糸巻取機１は、複数の糸９３をそれぞれボビン９１に巻き取って、複数のパッケージ９４を製造する。以下では、第１ボビンホルダ４１（第２ボビンホルダ４２）の軸方向のうち、後述のターレット板４０側を第２側と称し、その反対側を第１側と称する。ボビン９１を正しい装着向きで配置した場合、スリット９１ａが第１側に位置する。
以下、糸巻取機１の詳細について説明する。図１に示すように、糸巻取機１は、フレーム１１と、第１ハウジング２０と、第２ハウジング３０と、ターレット板（ボビンホルダ移動機構）４０と、を備える。
フレーム１１は、糸巻取機１が備える各部を保持する部材である。フレーム１１には、第１ハウジング２０及び第２ハウジング３０が取り付けられている。第１ハウジング２０及び第２ハウジング３０は、フレーム１１に対して昇降可能である。
第１ハウジング２０には、トラバース装置２１が取り付けられている。トラバース装置２１は、後述するトラバースガイド２３が糸９３と係合した状態で後述する第１ボビンホルダ４１の軸方向に沿って、パッケージ９４の巻幅に往復動することにより、下流側に送られる糸９３をトラバースさせる。この糸９３のトラバース動作によりボビン９１又はパッケージ９４に糸層が形成される。図３に示すように、トラバース装置２１は、トラバースカム２２と、トラバースガイド２３と、を備える。
トラバースカム２２は、ボビン９１又はパッケージ９４と平行に配置されたローラ状の部材である。トラバースカム２２の外周面には、螺旋状のカム溝が形成されている。トラバースカム２２は、トラバースモータ５１により回転駆動される。
トラバースモータ５１は、後述する制御装置５０によって制御される。トラバースガイド２３は、糸９３と係合する部分である。トラバースガイド２３の先端は例えば略Ｕ字状のガイド部を有しており、糸９３を巻幅方向で挟み込むようにして、糸９３と係合する。トラバースガイド２３の基端はトラバースカム２２のカム溝に位置している。この構成により、トラバースカム２２を回転駆動することで、トラバースガイド２３を巻幅方向に往復動させることができる。
第２ハウジング３０には、接触ローラ３１が回転可能に取り付けられている。接触ローラ３１は、糸９３の巻取り時にパッケージ９４の糸層に所定の圧力で接触しながら従動回転することにより、トラバースガイド２３からの糸９３をパッケージ９４の糸層に送るとともにパッケージ９４の糸層形状を整える。なお、モータ等の駆動部を用いて接触ローラ３１を回転駆動してもよい。
第２ハウジング３０には、操作パネル３２が設けられている。操作パネル３２は、オペレータによって操作される装置である。オペレータは、操作パネル３２を操作することにより、糸巻取機１に対して指示を行う。オペレータが行う指示としては、例えば、巻取りの開始、巻取りの停止、巻取条件の変更等である。
ターレット板４０は、円板形状の部材である。ターレット板４０は、フレーム１１に回転可能に取り付けられている。ターレット板４０は、円板の中心を通る法線を回転軸として回転可能である。ターレット板４０は、図３に示すターレットモータ５３により回転駆動される。ターレットモータ５３は、後述する制御装置５０により制御される。
ターレット板４０のうち、円板の中心を挟んで対向する２箇所には、それぞれ第１ボビンホルダ４１と第２ボビンホルダ４２が設けられている。第１ボビンホルダ４１には、第１ボビンホルダ４１の軸方向に並べて複数のボビン９１を装着可能である。第２ボビンホルダ４２には、第２ボビンホルダ４２の軸方向に並べて複数のボビン９１を装着可能である。ターレット板４０を回転させることにより、第１ボビンホルダ４１と第２ボビンホルダ４２の位置を変更することができる。なお、第１ボビンホルダ４１と第２ボビンホルダ４２の位置を変更可能であれば、ターレット板４０に代えて別の装置を用いてもよい。
第１ボビンホルダ４１は、第１ボビンホルダ４１の軸位置を回転中心として、ターレット板４０に対して回転可能である。第１ボビンホルダ４１は、図３に示す第１ボビンホルダモータ５４により回転駆動される。同様に、第２ボビンホルダ４２は、第２ボビンホルダ４２の軸位置を回転中心として、ターレット板４０に対して回転可能である。第２ボビンホルダ４２は、図３に示す第２ボビンホルダモータ５５により回転駆動される。第１ボビンホルダモータ５４及び第２ボビンホルダモータ５５は、後述する制御装置５０により制御される。
以下では、第１ボビンホルダ４１と第２ボビンホルダ４２をまとめて、ボビンホルダ４１，４２と称する。図１では、ボビンホルダ４１，４２が上下に並んだ状態が示されている。このとき、高い方にあるボビンホルダ４１，４２の位置が巻取位置であり、低い方にあるボビンホルダ４１，４２の位置が待機位置である。糸巻取機１は、巻取位置にあるボビンホルダ４１，４２のボビン９１に対して糸９３を巻き取ってパッケージ９４を製造する。
また、所定量の糸９３を巻き取って、第１ボビンホルダ４１のパッケージ９４が満巻となった場合、ターレット板４０が回転することにより、第１ボビンホルダ４１と第２ボビンホルダ４２の位置が切り替わる。その後、満巻となって待機位置にある第１ボビンホルダ４１のパッケージ９４が回収され、巻取位置にある第２ボビンホルダ４２のボビン９１に対して糸９３が巻き取られる。パッケージ９４が回収された第１ボビンホルダ４１には、新たにボビン９１が装着される。
制御装置５０は、制御部５０ａと、学習部５０ｂと、判定部５０ｃと、記憶部５０ｄと、を備える。具体的に説明すると、制御装置５０は公知のコンピュータとして構成されており、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＳＳＤ（Solid State Drive）等を備える。ＣＰＵは、プロセッサの一種である。ＳＳＤには、糸巻取機１を制御するためのプログラム及びデータが予め記憶されている。ＣＰＵがプログラムをＲＡＭに読み出して実行することにより、制御装置５０を、制御部５０ａ、学習部５０ｂ、及び判定部５０ｃとして動作させることができる。また、ＳＳＤは記憶部５０ｄに相当する。なお、ＳＳＤに代えて、ＨＤＤ（Hard Disk Drive）又はフラッシュメモリを用いてもよい。あるいは、制御装置５０の外部に設けられ、制御装置５０と通信可能なストレージを記憶部として用いてもよい。
制御部５０ａは、制御装置５０が行う制御の全般を司る。制御部５０ａは、外部から制御装置５０に入力されたデータ、又は、記憶部５０ｄに記憶されているデータを処理する。制御部５０ａは、この処理により得られたデータを記憶部５０ｄに記憶するか、制御装置５０の外部に出力する。学習部５０ｂは、機械学習を用いて推定モデルを構築する処理を行う。学習部５０ｂが構築する推定モデルの詳細は後述する。判定部５０ｃは、制御装置５０に外部から入力されたデータと、学習部５０ｂが構築して記憶部５０ｄに記憶された推定モデルと、に基づいて、判定処理を行う。記憶部５０ｄは、制御部５０ａの処理に応じてデータを記憶する。
図３には、撮影装置６１及び報知部６５が示されている。撮影装置６１は、ボビン９１を撮影してボビン画像を生成する。撮影装置６１は、例えば、静止画を撮影するカメラである。ただし、撮影装置６１は動画を撮影するビデオカメラであってもよい。撮影装置６１がビデオカメラである場合、撮影装置６１は動画から画像を生成すればよい。報知部６５は、判定部５０ｃの判定結果をオペレータに報知する。報知部６５は、例えば、報知ランプ又は報知ブザーである。
図３には、装着状態検出装置１０が示されている。装着状態検出装置１０は、糸巻取機１のボビンホルダ４１へのボビン９１の装着状態を検出する。装着状態検出装置１０は、制御装置５０と、撮影装置６１と、報知部６５と、を備える。制御装置５０は、装着状態検出装置１０を構成する部分として、以下の処理を行う。
即ち、制御部５０ａは、データを学習部５０ｂ及び判定部５０ｃに出力して、処理を行わせる。制御部５０ａは、学習部５０ｂ及び判定部５０ｃが処理を行うことで得られたデータを記憶部５０ｄに記憶させる。また、制御部５０ａは、撮影装置６１が撮影して生成したデータ（ボビン画像）を記憶部５０ｄに記憶させる。制御部５０ａは、検出された装着状態を出力するために、報知部６５を制御して動作させる。なお、制御部５０ａの制御対象としては、更に、トラバースモータ５１、ターレットモータ５３、第１ボビンホルダモータ５４、及び第２ボビンホルダモータ５５が挙げられる。学習部５０ｂは、記憶部５０ｄに記憶されたボビン画像等に基づいて機械学習を行って推定モデルを構築する。判定部５０ｃは、制御装置５０に外部から入力されたデータと、学習部５０ｂが構築して記憶部５０ｄに記憶された推定モデルと、に基づいて、ボビン９１の装着状態に関する判定処理を行う。判定部５０ｃの判定処理により得られた判定結果は、制御部５０ａにより、外部に出力されたり、記憶部５０ｄに記憶されたりする。記憶部５０ｄは、上述したように、制御部５０ａ、学習部５０ｂ、及び判定部５０ｃの処理により得られたデータを記憶する。
ボビン９１の装着向きについて簡単に説明する。上述したようにボビン９１にはスリット９１ａが形成されているため、ボビン９１は軸方向の第１側と第２側が対称ではない。従って、ボビン９１を正しい向きでボビンホルダ４１，４２に装着する必要がある。具体的には、ボビン９１は、スリット９１ａがターレット板４０とは反対側に位置する向きで、ボビンホルダ４１，４２に取り付ける必要がある。
次に、隣接するボビン９１の隙間について簡単に説明する。上述したように、本実施形態では複数のボビン９１が第１ボビンホルダ４１（第２ボビンホルダ４２）の軸方向に並べて配置され、それぞれのボビン９１で糸９３が巻き取られる。そのため、トラバースガイド２３及び図示しない糸ガイド等も、軸方向に並べて配置される。ここで、ボビン９１の隙間が適切な範囲から外れた場合、ボビン９１の位置が適切な範囲から外れる。その結果、トラバースガイド２３等の位置と、ボビン９１の位置と、の差異が大きくなり、糸９３の巻取りを適切に行うことができない。
装着状態検出装置１０は、ボビン９１の装着向きと、隣接するボビン９１の隙間と、のうち一方のみを検出してもよい。あるいは、装着状態検出装置１０は、これら以外のボビン９１の装着状態を検出してもよい。
図１及び図２に示すように、撮影装置６１は、レンズがボビンホルダ４１，４２を向くように配置されている。本実施形態では、撮影装置６１は、待機位置にあるボビン９１を撮影するが、それに代えて又は加えて、巻取位置にあるボビン９１を撮影してもよい。図２に示すように、１つの撮影装置６１が２つのボビン９１を撮影する。ただし、撮影装置６１は、１つ又は３つ以上のボビン９１を撮影する構成であってもよい。撮影装置６１がボビン９１を撮影して生成する画像をボビン画像と称する。
撮影装置６１は、第２ボビンホルダ４２が第２ボビンホルダモータ５５により回転駆動されている間に、ボビン９１を撮影して複数枚のボビン画像を生成する。上述したように、ボビン９１には、周方向の一部にのみスリット９１ａが形成されていることがある。そのため、スリット９１ａが形成されている部分が撮影装置６１の死角になっている状況では、スリット９１ａを撮影できない可能性がある。この点、第２ボビンホルダ４２を回転させながらボビン９１を撮影することにより、ボビン９１の外周面の様々な箇所を撮影できるので、スリット９１ａが含まれるボビン画像をより確実に生成できる。
図４には、学習部５０ｂが機械学習を用いて推定モデルを構築するための処理が概念的に示されている。推定モデルは、学習用データとしての、ボビン画像と、このボビン画像内のボビンの範囲とスリットの範囲を示す正解データと、を機械学習することにより構築されている。従って、この機械学習は教師あり学習である。機械学習を行う具体的な手法は任意であるが、本実施形態では、深層学習が用いられる。これにより、学習部５０ｂは、ボビン画像と、ボビン９１の範囲と、の関連性を学習し、ボビン画像からボビン９１の範囲を推定するための特徴を抽出できる。同様に、学習部５０ｂは、ボビン画像と、スリット９１ａの範囲と、の関連性を学習し、ボビン画像からスリット９１ａの範囲を推定するための特徴を抽出できる。以上により、学習部５０ｂは、推定モデルを構築する。学習部５０ｂが構築した推定モデルは記憶部５０ｄに記憶される。
図５に示すように、撮影装置６１が生成したボビン画像と推定モデルから、判定部５０ｃが、ボビン画像内のボビンの範囲とスリットの範囲を示す推定データを生成する。図６には、推定モデルの推定結果が示されている。図６は、ボビン範囲８１と、スリット範囲８２と、をボビン画像に重畳した図である。
上述した推定モデルは一例であり、別の方法で推定モデルを構築してもよい。即ち、深層学習に代えて、ユーザがボビン９１の輪郭等に関連する特徴量を指定して機械学習を行ってもよい。また、推定モデルは一例であり、例えばボビン９１の向きを推定モデルとしてもよい。
記憶部５０ｄは、ボビン９１の正しい装着向きを記憶する。本実施形態では、スリット９１ａが第１側に位置する向きが、ボビン９１の正しい装着向きである。また、記憶部５０ｄは、隣り合うボビン９１の隙間の適切な範囲である閾値範囲を記憶する。閾値範囲は、予め実験的又は経験的に求められている。
判定部５０ｃは、ボビン９１の装着状態が適切か否かを判定する。詳細には、判定部５０ｃは、推定モデルによるボビン範囲８１に基づいて、ボビン範囲８１の軸方向の中央の位置を示す中央仮想線８１ａを作成する。判定部５０ｃは、記憶部５０ｄにアクセスして、ボビン９１の正しい装着向きを取得する。次に、判定部５０ｃは、スリット範囲８２が中央仮想線８１ａより軸方向の第１側にあるか第２側にあるかを判定する。判定部５０ｃは、スリット範囲８２が中央仮想線８１ａよりも第１側にある場合、ボビン９１の装着向きが正しいと判定する。なお、判定部５０ｃが記憶装置を有する場合、判定部５０ｃの記憶装置にボビン９１の正しい装着向きを記憶してもよい。
次に、判定部５０ｃは、隣り合う２つのボビン範囲８１を比較し、ボビン範囲８１同士の隙間である長さＬ１を算出する。判定部５０ｃは、記憶部５０ｄにアクセスして、隣り合うボビン９１の隙間の適切な範囲である閾値範囲を取得する。次に、判定部５０ｃは、長さＬ１が閾値範囲を満たすか否かを判定する。判定部５０ｃは、ボビン画像から算出した長さＬ１が閾値範囲を満たす場合は、ボビン範囲８１同士の隙間が適切であると判定する。なお、図６は、判定部５０ｃの処理を分かり易く示すための図であり、ボビン画像にボビン範囲８１及びスリット範囲８２を重畳させる処理を省略してもよい。なお、判定部５０ｃが記憶装置を有する場合、判定部５０ｃの記憶装置に閾値範囲を記憶してもよい。
次に、主に図７を参照して、装着状態検出装置１０が行う処理について説明する。
制御装置５０は、ボビン装着状態の検出タイミングか否かを判定する（Ｓ１０１）。検出タイミングは、ボビン９１をボビンホルダ４１，４２に装着する作業の開始後であって、かつ、糸巻取機１による糸９３の巻取りの開始前である。制御装置５０は、センサの検出値により検出タイミングか否かを判定してもよいし、オペレータの指示があった場合に検出タイミングであると判定してもよい。
制御装置５０の制御部５０ａは、検出タイミングと判定した場合、撮影装置６１にボビン９１の撮影を指示する（Ｓ１０２）。次に、制御装置５０の判定部５０ｃは、撮影装置６１が生成したボビン画像と、記憶部５０ｄに記憶された推定モデルと、を用いて、上述したように、ボビン画像のボビン９１の範囲と、スリット９１ａの範囲と、を推定する（Ｓ１０３）。
次に、制御装置５０の判定部５０ｃは、判定部５０ｃの推定結果に基づいて、上述したように、ボビン９１の装着状態が適切か否かを判定する（Ｓ１０４）。制御装置５０の制御部５０ａは、ボビン９１の装着状態が適切と判定した場合、再びステップＳ１０１の処理に戻る。制御装置５０の制御部５０ａは、ボビン９１の装着状態が適切でないと判定した場合、報知部６５を制御して、オペレータに異常を報知する（Ｓ１０５）。
以上の処理を繰返し行うことにより、装着状態検出装置１０は、ボビン９１の装着状態が適切か否かを検出できる。特に、機械学習により構築した推定モデルを用いて検出を行うことにより、検出精度を高くすることができる。
＜Ｃ．制御装置５０のハードウェア構成＞
次に、図８を参照して、図３に示される制御装置５０のハードウェア構成について説明する。図８は、制御装置５０のハードウェア構成の一例を示す図である。
制御装置５０は、上述の記憶部５０ｄ（図３参照）と、プロセッサ１０１と、通信インターフェイス１０４と、表示インターフェイス１０５と、入力インターフェイス１０７とを含む。これらのコンポーネントは、バス１１５に接続される。記憶部５０ｄとしては、ＲＯＭ（Read Only Memory）１０２、ＲＡＭ１０３と、および補助記憶装置１２０などが挙げられる。
プロセッサ１０１は、たとえば、少なくとも１つの集積回路によって構成される。集積回路は、たとえば、少なくとも１つのＣＰＵ、少なくとも１つのＧＰＵ（Graphics Processing Unit）、少なくとも１つのＡＳＩＣ（Application Specific Integrated Circuit）、少なくとも１つのＦＰＧＡ（Field Programmable Gate Array）、またはそれらの組み合わせなどによって構成され得る。
プロセッサ１０１は、各種プログラムを実行することで制御装置５０の動作を制御する。プロセッサ１０１は、各種プログラムの実行命令を受け付けたことに基づいて、補助記憶装置１２０またはＲＯＭ１０２からＲＡＭ１０３に実行対象のプログラムを読み出す。ＲＡＭ１０３は、ワーキングメモリとして機能し、プログラムの実行に必要な各種データを一時的に格納する。
通信インターフェイス１０４には、ＬＡＮ（Local Area Network）やアンテナなどが接続される。制御装置５０は、通信インターフェイス１０４を介して、外部機器との間でデータをやり取りする。当該外部機器は、たとえば、サーバーなどを含む。
表示インターフェイス１０５には、表示デバイス１０６が接続される。表示インターフェイス１０５は、プロセッサ１０１などからの指令に従って、表示デバイス１０６に対して、画像を表示するための画像信号を送出する。表示デバイス１０６は、たとえば、液晶表示ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイ、またはその他のディスプレイである。なお、表示デバイス１０６は、制御装置５０と一体的に構成されてもよいし、制御装置５０とは別に構成されてもよい。
入力インターフェイス１０７には、入力デバイス１０８が接続される。入力デバイス１０８は、たとえば、マウス、キーボード、タッチパネル、またはユーザの操作を受け付けることが可能なその他の装置である。なお、入力デバイス１０８は、制御装置５０と一体的に構成されてもよいし、制御装置５０とは別に構成されてもよい。
補助記憶装置１２０は、たとえば、ハードディスク、フラッシュメモリ、およびＳＳＤなどの記憶媒体である。補助記憶装置１２０は、たとえば、学習用データセット１２２と、上述の推定モデル１２４と、学習プログラム１２６と、装着状態検出プログラム１２８とを格納する。これらの格納場所は、補助記憶装置１２０に限定されず、プロセッサ１０１の記憶領域（たとえば、キャッシュメモリなど）、ＲＯＭ１０２、ＲＡＭ１０３、外部機器（たとえば、サーバー）などに格納されていてもよい。
学習プログラム１２６は、学習用データセット１２２を用いて推定モデル１２４を生成するためのプログラムである。学習プログラム１２６は、単体のプログラムとしてではなく、任意のプログラムの一部に組み込まれて提供されてもよい。この場合、学習プログラム１２６による学習処理は、任意のプログラムと協働して実現される。このような一部のモジュールを含まないプログラムであっても、本実施の形態に従う学習プログラム１２６の趣旨を逸脱するものではない。さらに、学習プログラム１２６によって提供される機能の一部または全部は、専用のハードウェアによって実現されてもよい。さらに、少なくとも１つのサーバーが学習プログラム１２６の処理の一部を実行する所謂クラウドサービスのような形態で制御装置５０が構成されてもよい。
装着状態検出プログラム１２８は、学習済みの推定モデル１２４を用いて、糸巻取機１のボビンホルダ４１，４２に対するボビン９１の装着状態を判定するためのプログラムである。装着状態検出プログラム１２８は、単体のプログラムとしてではなく、任意のプログラムの一部に組み込まれて提供されてもよい。この場合、装着状態検出プログラム１２８による判定処理は、任意のプログラムと協働して実現される。このような一部のモジュールを含まないプログラムであっても、本実施の形態に従う装着状態検出プログラム１２８の趣旨を逸脱するものではない。さらに、装着状態検出プログラム１２８によって提供される機能の一部または全部は、専用のハードウェアによって実現されてもよい。さらに、少なくとも１つのサーバーが装着状態検出プログラム１２８の処理の一部を実行する所謂クラウドサービスのような形態で制御装置５０が構成されてもよい。
＜Ｄ．学習用データセット１２２＞
次に、図９を参照して、図８に示される学習用データセット１２２について説明する。図９は、学習用データセット１２２の一例を示す図である。
学習用データセット１２２は、複数の学習用データ１２３を含む。学習用データセット１２２に含まれる学習用データ１２３の数は、任意である。一例として、学習用データ１２３の数は、数十～数十万である。
学習用データ１２３の各々は、ボビン９１を写す学習用ボビン画像に対して、ボビン９１の装着状態を表わす装着状態情報をラベル（正解値）として関連付けている。図９には、装着状態情報の一例として、分類情報と範囲情報との組み合わせが示されている。分類情報および範囲情報の組み合わせは、１つの学習用ボビン画像に対して１つ以上関連付けられる。
分類情報は、ボビン画像内に写る物体の種別を規定する情報である。分類情報は、たとえば、物体の種別を一意に示す識別情報で示される。当該識別情報は、物体ごとに予め規定されている。一例として、識別情報「１」は物体種別「ボビン」を示し、識別情報「２」は物体種別「スリット」を示す。
範囲情報は、ボビン画像内における物体の範囲を座標情報で規定する情報である。当該座標情報は、たとえば、物体の中心座標と、物体の横幅と、物体の縦幅とで規定される。
＜Ｅ．制御装置５０の機能構成＞
次に、図１０～図１２を参照して、制御装置５０の機能構成について説明する。図１０は、制御装置５０の機能構成の一例を示す図である。
図１０に示されるように、制御装置５０は、機能構成として、学習部５０ｂと、判定部５０ｃとを含む。以下では、これらの機能構成について順に説明する。
（Ｅ１．学習部５０ｂ）
まず、図１１を参照して、図１０に示される学習部５０ｂの機能について説明する。図１１は、学習部５０ｂによる学習処理を概念的に示す図である。
学習部５０ｂは、上述の学習用データセット１２２（図９参照）を用いて学習処理を実行し、ボビン画像内に写る物体の種別と、ボビン画像内に写る物体の範囲とを出力する推定モデル１２４を生成する。物体種別および物体範囲の検出を実現にするための機械学習アルゴリズムは、特に限定されない。当該機械学習アルゴリズムとしては、Ｒ－ＣＮＮ（Regions with Convolutional Neural Network）、Ｆａｓｔ Ｒ－ＣＮＮ、Ｆａｓｔｅｒ Ｒ－ＣＮＮ、ＳＳＤ（Single Shot MultiBox Detector）、ＹＯＬＯ（You Only Look Once）などが挙げられる。以下では、機械学習アルゴリズムの一例について説明する。
推定モデル１２４は、学習用データ１２３に規定されている学習用ボビン画像の入力を受けるように構成される。学習用ボビン画像は、予め定められた設定に応じた複数の領域に分割されている。以下では、ボビン画像内における分割された各領域を「グリッドセル」とも称する。図１１の例では、学習用ボビン画像は、３５個（＝７×５）のグリッドセルに分割されている。
推定モデル１２４は、たとえば、分類モデル１２５Ａと、範囲予測モデル１２５Ｂとで構成される。分類モデル１２５Ａおよび範囲予測モデル１２５Ｂは、それぞれ別のネットワーク構造を有していてもよいし、一部のネットワーク構造を共有するように構成されてもよい。
分類モデル１２５Ａは、学習用ボビン画像の入力を受けて、当該学習用ボビン画像に含まれている物体の種別を推定結果として出力する。推定結果として出力される分類情報の数は、分類対象物の数と、学習用ボビン画像内のグリッドセルの数とに比例する。一例として、分類対象物の数がボビンおよびスリットの２個であり、グリッドセルの数が３５個（＝７×５）である場合、分類モデル１２５Ａは、７０個（＝２×３５）のスコアを分類情報として出力する。
範囲予測モデル１２５Ｂは、学習用ボビン画像の入力を受けて、当該学習用ボビン画像に含まれている物体の範囲情報を推定結果として出力する。当該範囲情報は、物体の中心座標を示す「ｃｘ」，「ｃｙ」と、物体の横幅を示す「ｗ」と、物体の縦幅を示す「ｈ」との組み合わせで規定される。推定結果として出力される範囲情報の数は、学習用ボビン画像内のグリッドセルの数に比例する。一例として、学習用ボビン画像が３５個（＝７×５）のグリッドセルに分割されている場合、範囲予測モデル１２５Ｂは、３５個の範囲情報を出力する。
なお、採用される機械学習アルゴリズムによっては、各グリッドセルに対して１つ以上のバウンディングボックスが設定され得る。バウンディングボックスとは、ボビン画像中に写る各物体のおおよその範囲を示す矩形の枠を意味する。この場合、分類モデル１２５Ａが出力する分類情報の数は、分類対象物の数と、学習用ボビン画像内のグリッドセルの数とに比例するだけでなく、設定されるバウンディングボックスの数にも比例する。また、範囲予測モデル１２５Ｂが出力する範囲情報の数は、グリッドセルの数に比例するだけでなく、設定されるバウンディングボックスの数にも比例する。
次に、学習部５０ｂによる推定モデル１２４の内部パラメータの更新処理について説明する。
学習部５０ｂは、学習用データ１２３に規定されている学習用ボビン画像を推定モデル１２４に入力する。これにより、学習部５０ｂは、推定モデル１２４の推定結果として、分類情報および範囲情報を取得する。その後、学習部５０ｂは、学習用データ１２３に規定されている正解値としての装着状態情報を参照して、当該装着状態情報と推定モデル１２４の推定結果との誤差を算出する。次に、学習部５０ｂは、当該誤差が小さくなるように、推定モデル１２４の内部パラメータ（たとえば、重みやバイアス）を更新する。内部パラメータの更新は、たとえば、誤差逆伝播法により実現される。
学習部５０ｂは、推定モデル１２４の内部パラメータの更新処理を、学習用データセット１２２に含まれる各学習用データ１２３について繰り返し行う。推定モデル１２４Ａは、学習が進むにつれて正確な推定結果を出力するようになる。以上の学習処理により、推定モデル１２４は、ボビン画像の入力を受けて、分類対象物が写っている可能性を示すスコアと、分類対象物の座標情報を示す範囲情報とをグリッドセル別に出力するようになる。
なお、学習部５０ｂは、学習用データセット１２２に含まれる全ての学習用データ１２３を学習処理に用いる必要はなく、学習用データセット１２２に含まれる一部の学習用データ１２３を用いて推定モデル１２４を生成してもよい。残りの学習用データ１２３は、たとえば、推定モデル１２４の評価などに用いられる。
（Ｅ２．判定部５０ｃ）
次に、図１２を参照して、図１０に示される判定部５０ｃの機能について説明する。図１２は、判定部５０ｃによる装着状態判定処理を概念的に示す図である。
まず、判定部５０ｃは、学習部５０ｂによって生成された推定モデル１２４を格納先から取得する。推定モデル１２４の取得先は、上述の記憶部５０ｄであってもよいし、外部機器であってもよい。
次に、判定部５０ｃは、ボビンホルダ４１，４２に装着されたボビン９１を撮影することで撮影装置６１から判定用ボビン画像を取得する。判定用ボビン画像とは、ボビンホルダ４１，４２に対してボビン９１が正常に装着されているか否かを判定するために用いられる画像である。判定部５０ｃは、取得した判定用ボビン画像を推定モデル１２４に入力し、推定モデル１２４から出力される装着状態情報を取得する。その後、判定部５０ｃは、当該装着状態情報に基づいて、ボビンホルダ４１，４２に対してボビン９１が正常に装着されているか否かを判定する。図１２の例では、推定モデル１２４から出力される装着状態情報として、上述の分類情報と、上述の範囲情報とが示されている。
判定部５０ｃは、推定モデル１２４から出力される分類情報と範囲情報とを統合し、推定用画像内における分類対象物の有無と、当該物体の範囲情報とを検出する。より具体的には、分類対象物がボビン９１およびスリット９１ａの２種類である場合、分類情報には、ボビン９１が存在する可能性を示すスコアと、スリット９１ａが存在する可能性を示すスコアとが、グリッドセル別に規定されている。判定部５０ｃは、ボビン９１に関するスコアが所定値を超えているグリッドセルについてはボビン９１が写っていると判定する。また、判定部５０ｃは、スリット９１ａに関するスコアが所定値を超えているグリッドセルについてはスリット９１ａが写っていると判定する。その後、判定部５０ｃは、それらのグリッドセルに対応する範囲情報を参照して、判定用ボビン画像内におけるボビン９１の範囲を示すボビン範囲と、判定用ボビン画像内におけるスリット９１ａの範囲を示すスリット範囲とを特定する。
判定部５０ｃは、特定したボビン範囲およびスリット範囲に基づいて、ボビン９１の様々な装着異常を検出する。
一例として、判定部５０ｃは、ボビンホルダ４１，４２に対するボビン９１の装着向きが正常であるか否かを判定する。ボビン９１の装着向きが正常であるか否かは、たとえば、当該ボビン範囲と当該スリット範囲との位置関係に基づいて判定される。より具体的には、判定部５０ｃは、当該ボビン範囲を基準とした当該スリット範囲の相対的な位置が上述の第１側（図６参照）に近いか、上述の第２側（図６参照）に近いかを判定する。ボビン９１に対するスリット９１ａの位置が第１側にある場合、判定部５０ｃは、ボビン９１の装着向きが正常であると判定する。一方で、ボビン９１に対するスリット９１ａの位置が第２側にある場合、判定部５０ｃは、ボビン９１の装着向きが異常であると判定する。
他の例として、判定部５０ｃは、判定用ボビン画像に含まれている各ボビン９１の間隔が正常であるか否かを判定する。当該間隔が正常であるか否かは、たとえば、判定用ボビン画像内における各ボビン範囲の内の隣り合うボビン範囲の位置関係に基づいて判定される。より具体的には、判定部５０ｃは、隣り合うボビン範囲の間の距離を算出し、当該距離に基づいて、隣り合うボビン９１の間隔である上述の長さＬ１（図６参照）を算出する。当該長さＬ１が予め定められた閾値範囲に含まれている場合、判定部５０ｃは、隣り合うボビン９１の間隔が正常であると判定する。一方で、当該長さＬ１が予め定められた閾値範囲に含まれていない場合には、判定部５０ｃは、隣り合うボビン９１の間隔が異常であると判定する。
なお、判定部５０ｃによる判定結果の出力態様は、特に限定されない。一例として、判定部５０ｃは、発生している装着異常の種別を含む警告を出力する。当該警告は、たとえば、上述の表示デバイス１０６においてメッセージとして表示されてもよいし、音声で出力されてもよいし、ログとして記憶部５０ｄに記憶されてもよい。
＜Ｆ．第１変形例＞
次に、図１３を参照して、上記実施形態の第１変形例について説明する。なお、以後の説明においては、前述の実施形態と同一又は類似の部材には図面に同一の符号を付し、説明を省略する場合がある。
上述の図１１の例では、学習部５０ｂおよび判定部５０ｃが同一の糸巻取機１に実装されていた。しかしながら、学習部５０ｂおよび判定部５０ｃは、必ずしも同一の糸巻取機１に実装される必要はない。一例として、学習部５０ｂは、異なる装置に実装されてもよい。
図１３は、本変形例における装着状態判定システム５００の装置構成の一例を示す図である。図１３に示されるように、装着状態判定システム５００は、１つ以上の糸巻取機１と、１つ以上の情報処理装置２００とを含む。図１３の例では、装着状態判定システム５００は、３つの糸巻取機１Ａ～１Ｃと、１つの情報処理装置２００とで構成されている。
糸巻取機１Ａ～１Ｃおよび情報処理装置２００は、同一のネットワークＮＷに接続されており、互いに通信可能に構成される。糸巻取機１および情報処理装置２００は、有線で通信接続されてもよいし、無線で通信接続されてもよい。
情報処理装置２００は、デスクトップ型のパソコン、ノート型のパソコン、タブレット端末、または、その他の情報処理端末である。
図１３の例では、学習部５０ｂは、情報処理装置２００に実装されている。また、判定部５０ｃは、糸巻取機１Ｃに実装されている。
情報処理装置２００は、ネットワークＮＷに接続されている糸巻取機１（たとえば、糸巻取機１Ａ，１Ｂ）から上述の学習用データ１２３（図９参照）を収集する。次に、情報処理装置２００の学習部５０ｂは、あらゆる糸巻取機１から収集した学習用データ１２３を用いて学習処理を実行し、上述の推定モデル１２４を生成する。学習部５０ｂの機能については上述の通りであるので、その説明については繰り返さない。
その後、情報処理装置２００は、生成した推定モデル１２４を糸巻取機１（たとえば、糸巻取機１Ｃ）に送信する。糸巻取機１Ｃの判定部５０ｃは、当該推定モデル１２４を用いて、糸巻取機１のボビンホルダ４１，４２に装着されるボビン９１の装着異常を検出する。判定部５０ｃの機能については上述の通りであるので、その説明については繰り返さない。
＜Ｇ．第２変形例＞
次に、図１４～図１７を参照して、上記実施形態の第２変形例について説明する。
上述の装着状態検出装置１０は、判定用ボビン画像内におけるボビン範囲とスリット範囲とを特定し、当該ボビン範囲と当該スリット範囲とに基づいて、ボビン９１の装着異常を検出していた。これに対して、本変形例では、装着状態検出装置１０は、判定用ボビン画像からボビン９１の装着異常の種別を直接的に検出する。なお、装着状態検出装置１０のハードウェア構成などのその他の点については上述の通りであるので、それらの説明については繰り返さない。
（Ｇ１．学習用データセット１２２Ａ）
まず、図１４を参照して、ボビン９１の装着異常の種別を出力する推定モデルを生成するために用いられる学習用データセット１２２Ａについて説明する。図１４は、学習用データセット１２２Ａの一例を示す図である。
学習用データセット１２２Ａは、複数の学習用データ１２３Ａを含む。学習用データセット１２２Ａに含まれる学習用データ１２３Ａの数は、任意である。一例として、学習用データ１２３Ａの数は、数十～数十万である。
学習用データ１２３Ａの各々は、ボビン９１を写す学習用ボビン画像に対して、ボビン９１の装着状態を表わす装着状態情報をラベル（正解値）として関連付けている。図１４には、装着状態情報の一例として、ボビン９１の装着異常の種別が示されている。
学習用データセット１２２Ａに規定されるラベルの種類は、１種類であってもよいし、複数種類であってもよい。図１４の例では、装着異常のラベルとして、ボビン９１の装着向きが異常であることを示す異常「Ａ」と、ボビン９１の間隔が異常であることを示す異常「Ｂ」とが示されている。
（Ｇ２．学習部５０ｅ）
次に、図１５を参照して、上述の学習部５０ｂ（図１０参照）の変形例である学習部５０ｅについて説明する。図１５は、本変形例における学習部５０ｅによる学習処理を概念的に示す図である。
学習部５０ｅは、上述の学習用データセット１２２Ａ（図１４参照）を用いて学習処理を実行し、ボビン９１の装着異常を判別するための推定モデル１２４Ａを生成する。学習処理に採用される機械学習アルゴリズムは、特に限定されず、たとえば、ディープラーニング、コンボリューションニューラルネットワーク（ＣＮＮ）、全層畳み込みニューラルネットワーク（ＦＣＮ）、サポートベクターマシンなどが採用され得る。以下では、ディープラーニングを用いた学習処理について説明する。
図１５に示されるように、推定モデル１２４Ａは、入力層Ｘと、中間層Ｈと、出力層Ｙとで構成される。
入力層Ｘは、学習用データ１２３Ａのボビン画像の入力を受けるように構成される。入力層Ｘは、たとえば、Ｎ個のユニットｘ１～ｘＮで構成されている（Ｎは自然数）。入力層Ｘを構成するユニット数は、入力される情報の次元数と同数である。
一例として、ボビン画像の画素数がＮピクセルであり、ボビン画像の各画素がそのまま入力層Ｘに入力される場合、入力層Ｘは、Ｎ個のユニットで構成される。他の例として、ボビン画像から特徴抽出された特徴量が入力層Ｘに入力されてもよい。この場合、入力層Ｘは、そのユニット数が特徴抽出後の特徴量の次元数と同数になるように構成される。入力層Ｘを構成する各ユニットは、入力されたデータを中間層Ｈの１層目の各ユニットに出力する。
中間層Ｈは、１層または複数層で構成されている。図１５の例では、中間層Ｈは、Ｌ層で構成されている（Ｌは自然数）。中間層Ｈの各層は、複数のユニットを含む。中間層Ｈの各層におけるユニット数は、同数であってもよいし、異なっていてもよい。図１５の例では、中間層Ｈの１層目は、Ｑ個のユニットｈＡ１～ｈＡＱで構成されている（Ｑは自然数）。また、中間層Ｈの最終層は、Ｒ個のユニットｈＬ１～ｈＬＲで構成されている（Ｒは自然数）。
中間層Ｈの各層を構成する各ユニットは、前の層の各ユニットと、次の層の各ユニットとに接続されている。各層の各ユニットは、前の層の各ユニットから出力値を受けて、各出力値に重みを乗算し、それらの乗算結果を積算し、その積算結果に対して所定のバイアスを加算（または減算）し、その加算結果（または減算結果）を所定の関数（たとえば、シグモナイト関数）に入力し、その関数の出力値を次の層の各ユニットに出力する。
出力層Ｙは、入力されたボビン画像に応じた推定結果を出力する。出力層Ｙは、たとえば、ユニットｙ１～ｙ２で構成される。以下では、ユニットｙ１～ｙ２をユニットｙとも称する。
ユニットｙの各々は、中間層Ｈの最終層のユニットｈＬ１～ｈＬＲと接続されている。ユニットｙの各々は、中間層Ｈの最終層の各ユニットからの出力値を受けて、各出力値に重みを乗算し、それらの乗算結果を積算し、その積算結果に対して所定のバイアスを加算（または減算）し、その加算結果（または減算結果）を所定の関数（たとえば、シグモナイト関数）に入力し、その関数の出力結果を出力値として出力する。
出力層Ｙを構成するユニット数は、学習用データ１２３Ａに規定される装着異常の種別数に応じて決定される。一例として、装着異常「Ａ」，「Ｂ」を検出する場合、出力層Ｙを構成するユニット数は、ユニットｙ１～ｙ２の２つとなる。この場合、ユニットｙ１は、装着異常「Ａ」が発生している可能性を示すスコア「ｓａ」を出力するように構成される。ユニットｙ２は、装着異常「Ｂ」が発生している可能性を示すスコア「ｓｂ」を出力するように構成される。
なお、図１５の例では、推定モデル１２４Ａが複数のスコアを出力するように構成されているが、１つの推定モデルが１つのスコアを出力するように構成されてもよい。一例として、第１の推定モデルが異常種別「Ａ」に係るスコア「ｓａ」を出力するように構成され、第２の推定モデルが異常種別「Ｂ」に係るスコア「ｓｂ」を出力するように構成されてもよい。
次に、学習部５０ｅによる推定モデル１２４Ａの内部パラメータの更新処理について説明する。
学習部５０ｅは、１つ目の学習用データ１２３Ａに規定されているボビン画像を推定モデル１２４Ａに入力する。次に、学習部５０ｅは、推定モデル１２４Ａから出力された推定結果「ｓａ」，「ｓｂ」と、１つ目の学習用データ１２３Ａに対応付けられている異常種別に応じた正解スコア「ｓａ'」，「ｓｂ'」とを比較する。
一例として、学習用データ１２３Ａに対応付けられている異常種別が「Ａ」である場合には、正解スコアは、（ｓａ'，ｓｂ'）＝（１，０）となる。学習用データ１２３Ａに対応付けられている異常種別が「Ｂ」である場合には、正解スコアは、（ｓａ'，ｓｂ'）＝（０，１）となる。
学習部５０ｅは、推定モデル１２４Ａの出力結果「ｓａ」，「ｓｂ」と、正解スコア「ｓａ'」，「ｓｂ'」との間の誤差「Ｚ」を算出する。誤差「Ｚ」は、たとえば、下記の式（１）に基づいて算出される。
Ｚ＝{（ｓａ－ｓａ'）２＋（ｓｂ－ｓｂ'）２}／２・・・（１）
次に、学習部５０ｅは、誤差「Ｚ」が小さくなるように、推定モデル１２４Ａに含まれる各種のパラメータ（たとえば、重みやバイアス）を更新する。当該パラメータの更新は、たとえば、誤差逆伝播法により実現される。
学習部５０ｅは、推定モデル１２４Ａの内部パラメータの更新処理を、学習用データセット１２２Ａに含まれる各学習用データ１２３Ａについて繰り返し行う。その結果、推定モデル１２４Ａは、学習が進むにつれて正確な推定結果を出力するようになる。
なお、学習部５０ｅは、学習用データセット１２２Ａに含まれる全ての学習用データ１２３Ａを学習処理に用いる必要はなく、学習用データセット１２２Ａに含まれる一部の学習用データ１２３Ａを用いて推定モデル１２４Ａを生成してもよい。残りの学習用データ１２３Ａは、たとえば、推定モデル１２４Ａの評価などに用いられる。
（Ｇ３．判定部５０ｆ）
次に、図１６を参照して、上述の判定部５０ｃ（図１０参照）の変形例である判定部５０ｆの機能について説明する。図１６は、本変形例に従う判定部５０ｆによる装着異常の判定処理を概念的に示す図である。
まず、判定部５０ｆは、学習部５０ｅによって生成された推定モデル１２４Ａを格納先から取得する。推定モデル１２４Ａの取得先は、上述の記憶部５０ｄであってもよいし、外部機器であってもよい。
次に、判定部５０ｆは、ボビンホルダ４１，４２に装着されたボビン９１を撮影することで撮影装置６１から判定用ボビン画像を取得する。その後、判定部５０ｆは、当該判定用ボビン画像を推定モデル１２４Ａに入力する。これにより、推定モデル１２４Ａは、ボビン９１の装着異常が発生している可能性を示すスコアを異常種別に出力する。推定モデル１２４Ａは、たとえば、推定結果として、装着異常「Ａ」が発生している可能性を示すスコア「ｓａ」と、装着異常「Ｂ」が発生している可能性を示すスコア「ｓｂ」とを出力する。
判定部５０ｆは、スコア「ｓａ」，「ｓｂ」に基づいて、発生している装着異常の種別を判定する。一例として、判定部５０ｆは、スコア「ｓａ」が第１閾値を超えている場合には、ボビン９１の装着向き異常が発生していると判定する。第１閾値は、予め設定されていてもよいし、ユーザによって任意に設定されてもよい。
また、判定部５０ｆは、スコア「ｓｂ」が第２閾値を超えている場合には、ボビン９１の間隔異常が発生していると判定する。第２閾値は、予め設定されていてもよいし、ユーザによって任意に設定されてもよい。また、第２閾値は、上記第１閾値と同じであってもよいし、上記第１閾値と異なっていてもよい。
また、判定部５０ｆは、スコア「ｓａ」が第１閾値以下であり、かつスコア「ｓｂ」が第２閾値以下である場合、ボビン９１がボビンホルダ４１，４２に正常に装着されていると判定する。
なお、判定部５０ｆによる判定結果の出力態様は、特に限定されない。一例として、判定部５０ｆは、発生している装着異常の種別を含む警告を出力する。当該警告は、たとえば、上述の表示デバイス１０６においてメッセージとして表示されてもよいし、上述の報知部６５において音で出力されてもよいし、ログとして記憶部５０ｄに記憶されてもよい。
＜Ｈ．変形例４＞
次に、図１７を参照して、上記実施形態の第４変形例を説明する。図１７は、第４変形例の糸巻取機１の側面図である。
上記実施形態では、１つの撮影装置６１が２つのボビン９１を撮影する。これに対し、第４変形例では、１つの撮影装置６１が第２ボビンホルダ４２に装着された全てのボビン９１を撮影する。第４変形例の撮影装置６１は広角カメラであり、広範囲を撮影可能である。また、全てのボビン９１を撮影するために、ボビン９１からある程度の距離を離して配置される。例えば、第４変形例の撮影装置６１は、糸巻取機１から離れた位置に配置されてもよい。
＜Ｉ．変形例５＞
次に、図１８を参照して、上記実施形態の第５変形例を説明する。図１８は、第５変形例の糸巻取機１の側面図である。
上記実施形態では、撮影装置６１の位置は固定されている。これに対し、第５変形例では、撮影装置６１は、第２ボビンホルダ４２の軸方向に沿って走行可能である。具体的には、レール６２と、台車６３と、が設けられている。レール６２は、第２ボビンホルダ４２の軸方向に沿って形成されている。台車６３は、レール６２に沿って走行可能である。台車６３には、撮影装置６１が配置されている。この構成により、撮影装置６１は、第２ボビンホルダ４２の軸方向に沿って走行させることができる。
撮影装置６１を走行させることにより、１つの撮影装置６１を用いて多数のボビン９１を撮影できる。撮影装置６１は、走行しながらボビン９１を撮影してもよいし、走行して規定の位置で停止した後にボビン９１を撮影してもよい。また、図１８には、１つの台車６３が表示されているが、複数の台車６３を設けてもよい。
＜Ｊ．変形例６＞
次に、図１９を参照して、上記実施形態の第６変形例を説明する。図１９は、第６変形例の糸巻取機１の側面図である。
上記実施形態では、装着状態検出装置１０は、第２ボビンホルダ４２に全てのボビン９１が装着された状態で、ボビン９１の装着状態が適切か否かを検出する。これに対し、第６変形例では、第２ボビンホルダ４２にボビン９１を挿入する作業を行っている間において、ボビン９１の装着状態が適切か否かを検出する。
具体的には、第６変形例では、撮影装置６１は第２ボビンホルダ４２の挿入端の近傍に配置されている。挿入端とは、第２ボビンホルダ４２を挿入する側の端部であり、言い換えれば、ターレット板４０とは反対側の端部である。挿入端から挿入されたボビン９１はスライド移動され、その後に次のボビン９１が挿入される。
撮影装置６１は、挿入端に挿入されるボビン９１を撮影可能な位置に配置されている。撮影装置６１は、ボビン９１の挿入時において、当該ボビン９１を撮影する。第２ボビンホルダ４２に挿入される全てのボビン９１は、少なくとも挿入時には挿入端を通る。また、ボビン９１の挿入後に装着向きが変わることはない。従って、挿入時にボビン９１を撮影して、上記実施形態の方法で判定することにより、全てのボビン９１の挿入向きが適切か否かを検出できる。
第４変形例から第６変形例では、撮影装置６１の個数を削減できるので、上記実施形態と比較して、低コストかつ省スペースを実現できる可能性がある。
＜Ｋ．変形例７＞
次に、図２０を参照して、上記実施形態の第７変形例を説明する。図２０は、第７変形例の糸巻取機１の正面図である。
上記実施形態では、装着状態検出装置１０は、ボビン９１を１方向から撮影してボビン画像を生成する。これに代えて、第７変形例では、ボビン９１を２方向から撮影してボビン画像を生成する。そのため、第７変形例では、ボビン９１に対して異なる方向に撮影装置６１がそれぞれ配置されている。
第７変形例では、ボビン９１の外周面の様々な箇所のボビン画像を作成できるので、ボビン９１の装着状態をより精度良く検出できる。特に、ボビン９１の全周にスリット９１ａが形成されていない場合であっても、スリット９１ａを精度良く検出できる。
第７変形例は、上記実施形態、第４変形例から第６変形例の何れにも適用可能である。また、撮影装置６１を移動させることにより、ボビン９１を２方向から撮影してもよい。
以上に説明したように、上記実施形態及び変形例の装着状態検出装置１０は、ボビンホルダ４１，４２へのボビン９１の装着状態を検出する。装着状態検出装置１０は、撮影装置６１と、学習部５０ｂと、記憶部５０ｄと、判定部５０ｃと、を備える。撮影装置６１は、ボビン９１を含む範囲を撮影してボビン画像を生成する。学習部５０ｂは、ボビン画像と、当該ボビン画像におけるボビン９１の範囲と、を学習用データとして機械学習を行うことにより推定モデルを構築する。記憶部５０ｄは、学習部５０ｂが構築した推定モデルを記憶する。判定部５０ｃは、撮影装置６１が生成したボビン画像と記憶部５０ｄが記憶する推定モデルに基づいて、ボビン９１の範囲を生成し、ボビン９１の範囲に基づいてボビン９１の装着状態を判定する。
機械学習を用いることにより、ボビン９１の装着状態に関する僅かな特徴及び傾向を考慮できるため、ボビン９１が適切に装着されているか否かを精度良く判定できる。
上記実施形態及び変形例の装着状態検出装置１０において、ボビン９１にはスリット９１ａが形成されている。記憶部５０ｄは、ボビン９１の正しい装着向きを記憶する。学習部５０ｂは、ボビン画像と、当該ボビン画像におけるボビン９１の範囲及びスリット９１ａの範囲と、を学習用データとして機械学習を行うことにより推定モデルを構築する。判定部５０ｃがボビン画像と記憶部５０ｄが記憶する推定モデルに基づいて、ボビン９１の範囲とスリット９１ａの範囲が生成される。判定部５０ｃは、当該ボビン９１の範囲及び当該スリット９１ａの範囲と、記憶部５０ｄが記憶するボビン９１の正しい装着向きと、に基づいて、ボビン９１の装着向きが正しいか否かを判定する。
機械学習を用いることにより、スリット９１ａとそれ以外の類似物を精度良く区別できるため、ボビン９１の装着向きを精度良く判定できる。
上記実施形態及び変形例の装着状態検出装置１０において、ボビン９１はボビンホルダ４１，４２に並べて複数配置される。記憶部５０ｄは隣り合うボビン９１の隙間の適切な範囲を記憶する。判定部５０ｃは、当該判定部５０ｃが生成した複数のボビン９１の範囲と記憶部５０ｄが記憶する隣り合うボビン９１の隙間の適切な範囲に基づいて、隣り合うボビン９１の隙間が適切な範囲であるか否かを判定する。
機械学習を用いることにより、隣り合うボビン９１の隙間とそれ以外の類似物を精度良く区別できるため、ボビン９１の隙間が適切な範囲であるか否かを精度良く判定できる。
上記実施形態及び変形例の装着状態検出装置１０において、ボビン９１の装着状態が異常と判定部５０ｃが判定した場合に報知する報知部６５を備える。
これにより、ボビンの装着状態の異常をオペレータに知らせることができる。
上記実施形態及び変形例の装着状態検出装置１０において、撮影装置６１は、ボビン９１をボビンホルダ４１，４２に装着する作業の開始後であって、かつ、糸巻取機１による糸９３の巻取りの開始前に、ボビン９１を含む範囲を撮影する。
これにより、ボビンの装着ミスに伴う不具合が発生する前に、ボビンの装着状態を判定できる。
上記実施形態の装着状態検出装置１０において、ボビン９１はボビンホルダ４１，４２に並べて複数配置される。第２ボビンホルダ４２の軸方向に沿って、複数の撮影装置６１が配置されている。撮影装置６１は、１又は複数のボビン９１を含むボビン画像を生成する。
これにより、ボビンホルダ４１，４２に複数のボビン９１が並べて配置される場合においても、複数の撮影装置を用いることにより、これらのボビン９１の装着状態を精度良く検出できる。
第４変形例の装着状態検出装置１０において、ボビン９１はボビンホルダ４１，４２に並べて複数配置される。１つの撮影装置６１が、全てのボビン９１を含むボビン画像を生成する。
これにより、ボビンホルダ４１，４２に複数のボビン９１が並べて配置される場合においても、複数のボビン９１をまとめて撮影できるような広角の撮影装置６１を用いることにより、撮影装置６１の個数を抑えつつ、これらのボビン９１の装着状態を精度良く検出できる。
第５変形例の装着状態検出装置１０において、ボビン９１はボビンホルダ４１，４２に並べて複数配置される。撮影装置６１は、第２ボビンホルダ４２の軸方向に沿って走行可能である。撮影装置６１は、ボビン９１を含むボビン画像を生成した後に走行して、別のボビン９１を含むボビン画像を生成する。
これにより、ボビンホルダ４１，４２に複数のボビン９１が並べて配置される場合においても、第２ボビンホルダ４２の軸方向に沿って撮影装置６１を走行させることにより、撮影装置６１の個数を抑えつつ、これらのボビン９１の装着状態を精度良く検出できる。
第６変形例の装着状態検出装置１０において、ボビンホルダ４１，４２の挿入端からボビン９１が挿入されてボビン９１がスライド移動されることで、ボビン９１が並べて複数配置される。撮影装置６１は、挿入端から挿入されるボビン９１を順次撮影することにより、全てのボビン９１についてのボビン画像を生成する。
これにより、ボビンホルダ４１，４２に複数のボビン９１が並べて配置される場合においても、ボビン９１の挿入時に当該ボビン９１を順次撮影することにより、撮影装置６１の個数を抑えつつ、これらのボビン９１の装着状態を精度良く検出できる。
第７変形例の装着状態検出装置１０は、撮影装置６１を複数備える。撮影装置６１は、ボビン９１を複数方向から撮影する。判定部５０ｃは、複数方向から撮影された複数のボビン画像に基づいて、ボビン９１の装着状態を判定する。
これにより、ボビン９１の周方向の広い範囲の撮影結果に基づいて判定するため、検出精度を高くすることができる。
本実施形態の装着状態検出装置１０において、撮影装置６１は、ボビンホルダ４１，４２の軸方向を回転中心としてボビン９１が回転している状態でボビン９１を複数回撮影して複数の撮影装置６１を生成する。判定部５０ｃは、１つのボビン９１について複数のボビン画像に基づいて、ボビン９１の装着状態を判定する。
これにより、ボビン９１の周方向の全体の撮影結果に基づいて判定するため、検出精度を高くすることができる。
以上に本開示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。
上記実施形態で示したフローチャートは一例であり、一部の処理を省略したり、一部の処理の内容を変更したり、新たな処理を追加したりしてもよい。
上記実施形態のトラバース装置２１はカムドラム式であるが、トラバースガイド２３を巻幅方向に往復動させることが可能であれば異なる構成であってもよい。例えば、トラバース装置２１に代えて、ベルト式のトラバース装置を用いることもできる。
＜Ｌ．付記＞
以上のように、本実施形態は以下のような開示を含む。
本開示の観点によれば、以下の構成の装着状態検出装置が提供される。即ち、装着状態検出装置は、糸巻取機のボビンホルダへのボビンの装着状態を検出する。装着状態検出装置は、撮影装置と、学習部と、記憶部と、判定部と、を備える。前記撮影装置は、前記ボビンを含む範囲を撮影してボビン画像を生成する。前記学習部は、前記ボビン画像と、当該ボビン画像における前記ボビンの範囲と、を学習用データとして機械学習を行うことにより推定モデルを構築する。前記記憶部は、前記学習部が構築した前記推定モデルを記憶する。前記判定部は、前記撮影装置が生成した前記ボビン画像と前記記憶部が記憶する前記推定モデルに基づいて、前記ボビンの範囲を生成し、ボビンの範囲に基づいて前記ボビンの装着状態を判定する。
機械学習を用いることにより、ボビンの装着状態に関する僅かな特徴及び傾向を考慮できるため、ボビンが適切に装着されているか否かを精度良く判定できる。
前記の装着状態検出装置においては、以下の構成とすることが好ましい。即ち、前記ボビンにはスリットが形成されている。前記記憶部は、前記ボビンの正しい装着向きを記憶する。前記学習部は、前記ボビン画像と、当該ボビン画像における前記ボビンの範囲及び前記スリットの範囲と、を学習用データとして機械学習を行うことにより推定モデルを構築する。前記判定部が前記ボビン画像と前記記憶部が記憶する前記推定モデルに基づいて、前記ボビンの範囲と前記スリットの範囲が生成される。前記判定部は、当該ボビンの範囲及び当該スリットの範囲と、前記記憶部が記憶する前記ボビンの正しい装着向きと、に基づいて、前記ボビンの装着向きが正しいか否かを判定する。
機械学習を用いることにより、スリットとそれ以外の類似物を精度良く区別できるため、ボビンの装着向きを精度良く判定できる。
前記の装着状態検出装置においては、以下の構成とすることが好ましい。即ち、前記ボビンは前記ボビンホルダに並べて複数配置される。前記記憶部は、隣り合う前記ボビンの隙間の適切な範囲を記憶する。前記判定部は、当該判定部が生成した複数の前記ボビンの範囲と前記記憶部が記憶する隣り合う前記ボビンの隙間の適切な範囲に基づいて、隣り合う前記ボビンの隙間が適切な範囲であるか否かを判定することが好ましい。
機械学習を用いることにより、隣り合うボビンの隙間とそれ以外の類似物を精度良く区別できるため、ボビンの隙間が適切な範囲であるか否かを精度良く判定できる。
前記の装着状態検出装置においては、前記ボビンの装着状態が異常と前記判定部が判定した場合に報知する報知部を備えることが好ましい。
これにより、ボビンの装着状態の異常をオペレータに知らせることができる。
前記の装着状態検出装置においては、前記撮影装置は、前記ボビンを前記ボビンホルダに装着する作業の開始後であって、かつ、前記糸巻取機による糸の巻取りの開始前に、前記ボビンを含む範囲を撮影することが好ましい。
これにより、ボビンの装着ミスに伴う不具合が発生する前に、ボビンの装着状態を判定できる。
前記の装着状態検出装置においては、以下の構成とすることが好ましい。即ち、前記ボビンは前記ボビンホルダに並べて複数配置される。前記ボビンホルダの軸方向に沿って、複数の前記撮影装置が配置されている。前記撮影装置は、１又は複数の前記ボビンを含む前記ボビン画像を生成する。
これにより、ボビンホルダに複数のボビンが並べて配置される場合においても、複数の撮影装置を用いることにより、これらのボビンの装着状態を精度良く検出できる。
前記の装着状態検出装置においては、以下の構成とすることが好ましい。即ち、前記ボビンは前記ボビンホルダに並べて複数配置される。１つの前記撮影装置が、全ての前記ボビンを含む前記ボビン画像を生成する。
これにより、ボビンホルダに複数のボビンが並べて配置される場合においても、複数のボビンをまとめて撮影できるような広角の撮影装置を用いることにより、撮影装置の個数を抑えつつ、これらのボビンの装着状態を精度良く検出できる。
前記の装着状態検出装置においては、以下の構成とすることが好ましい。即ち、前記ボビンは前記ボビンホルダに並べて複数配置される。前記撮影装置は、前記ボビンホルダの軸方向に沿って走行可能である。前記撮影装置は、前記ボビンを含む前記ボビン画像を生成した後に走行して、別の前記ボビンを含む前記ボビン画像を生成する。
これにより、ボビンホルダに複数のボビンが並べて配置される場合においても、ボビンホルダの軸方向に沿って撮影装置を走行させることにより、撮影装置の個数を抑えつつ、これらのボビンの装着状態を精度良く検出できる。
前記の装着状態検出装置においては、以下の構成とすることが好ましい。即ち、前記ボビンホルダの挿入端から前記ボビンが挿入されて前記ボビンがスライド移動されることで、前記ボビンが並べて複数配置される。前記撮影装置は、前記挿入端から挿入される前記ボビンを順次撮影することにより、全ての前記ボビンについての前記ボビン画像を生成する。
これにより、ボビンホルダに複数のボビンが並べて配置される場合においても、ボビンの挿入時に当該ボビンを順次撮影することにより、撮影装置の個数を抑えつつ、これらのボビンの装着状態を精度良く検出できる。
前記の装着状態検出装置においては、以下の構成とすることが好ましい。即ち、装着状態検出装置は、前記撮影装置を複数備える。前記撮影装置は、前記ボビンを複数方向から撮影する。前記判定部は、複数方向から撮影された複数の前記ボビン画像に基づいて、前記ボビンの装着状態を判定する。
これにより、ボビンの周方向の広い範囲の撮影結果に基づいて判定するため、検出精度を高くすることができる。
前記の装着状態検出装置においては、以下の構成とすることが好ましい。即ち、前記撮影装置は、前記ボビンホルダの軸方向を回転中心として前記ボビンが回転している状態で前記ボビンを複数回撮影して複数の前記ボビン画像を生成する。前記判定部は、１つの前記ボビンについて複数の前記ボビン画像に基づいて、前記ボビンの装着状態を判定する。
これにより、ボビンの周方向の全体の撮影結果に基づいて判定するため、検出精度を高くすることができる。
今回開示された実施の形態は全ての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内での全ての変更が含まれることが意図される。
１ 糸巻取機
１０ 装着状態検出装置
５０ 制御装置
５０ａ 制御部
５０ｂ 学習部
５０ｃ 判定部
６１ 撮影装置
６５ 報知部
１２４ 推定モデル
学習部５０ｂは、推定モデル１２４の内部パラメータの更新処理を、学習用データセット１２２に含まれる各学習用データ１２３について繰り返し行う。推定モデル１２４は、学習が進むにつれて正確な推定結果を出力するようになる。以上の学習処理により、推定モデル１２４は、ボビン画像の入力を受けて、分類対象物が写っている可能性を示すスコアと、分類対象物の座標情報を示す範囲情報とをグリッドセル別に出力するようになる。
本実施形態の装着状態検出装置１０において、撮影装置６１は、ボビンホルダ４１，４２の軸方向を回転中心としてボビン９１が回転している状態でボビン９１を複数回撮影して複数のボビン画像を生成する。判定部５０ｃは、１つのボビン９１について複数のボビン画像に基づいて、ボビン９１の装着状態を判定する。

Claims (15)

  1. 制御装置と、
    糸巻取機のボビンホルダに装着されるボビンを撮影可能に構成されている撮影装置とを備え、
    前記制御装置は、
    複数の学習用データを機械学習することにより生成されている推定モデルを取得する処理を実行し、前記複数の学習用データの各々は、ボビンを写す学習用ボビン画像に対して、当該ボビンの装着状態を表わす装着状態情報をラベルとして関連付けており、
    前記制御装置は、さらに、
    前記ボビンホルダに装着されたボビンを撮影することで前記撮影装置から判定用ボビン画像を取得する処理と、
    前記判定用ボビン画像を前記推定モデルに入力することで当該推定モデルから出力される前記装着状態情報に基づいて、前記ボビンホルダに対してボビンが正常に装着されているか否かを判定する処理とを実行する、装着状態検出装置。
  2. 前記判定する処理では、前記ボビンホルダに対するボビンの装着向きが正常であるか否かが判定される、請求項１に記載の装着状態検出装置。
  3. 前記ボビンには、スリットが形成されており、
    前記ラベルとしての前記装着状態情報は、前記学習用ボビン画像内におけるボビンの範囲を示すボビン範囲と、当該学習用ボビン画像内におけるスリットの範囲を示すスリット範囲とを含み、
    前記推定モデルは、前記判定用ボビン画像の入力を受けて、当該判定用ボビン画像内における前記ボビン範囲と、当該判定用ボビン画像内における前記スリット範囲とを装着状態情報として出力し、
    前記装着向きが正常であるか否かは、前記推定モデルから出力される前記ボビン範囲と前記スリット範囲との位置関係に基づいて判定される、請求項２に記載の装着状態検出装置。
  4. 前記ボビンホルダには、複数のボビンが並べて配置されており、
    前記判定する処理では、前記判定用ボビン画像に含まれている各ボビンの間隔が正常であるか否かが判定される、請求項１に記載の装着状態検出装置。
  5. 前記ラベルとしての前記装着状態情報は、前記学習用ボビン画像内におけるボビンの範囲を示すボビン範囲を含み、
    前記推定モデルは、前記判定用ボビン画像の入力を受けて、当該判定用ボビン画像内に含まれている各ボビンについて前記ボビン範囲を出力し、
    前記間隔が正常であるか否かは、前記推定モデルから出力される各ボビン範囲の内の隣り合うボビン範囲の位置関係に基づいて判定される、請求項４に記載の装着状態検出装置。
  6. 前記制御装置は、さらに、前記ボビンホルダに対してボビンが正常に装着されていないと判定された場合に、当該ボビンの装着異常を報知する処理を実行する、請求項１～５のいずれか１項に記載の装着状態検出装置。
  7. 前記撮影装置は、前記ボビンホルダにボビンを装着する作業の開始後であって、かつ、前記糸巻取機による糸の巻取りの開始前に、当該ボビンを撮影する、請求項１～６のいずれか１項に記載の装着状態検出装置。
  8. 前記ボビンは、前記ボビンホルダに並べて複数配置されており、
    前記ボビンホルダの軸方向に沿って、複数の前記撮影装置が配置されており、
    前記撮影装置は、１又は複数の前記ボビンを含む前記判定用ボビン画像を生成する、請求項１～７のいずれか１項に記載の装着状態検出装置。
  9. 前記ボビンは、前記ボビンホルダに並べて複数配置されており、
    １つの前記撮影装置が、全ての前記ボビンを含む前記判定用ボビン画像を生成する、請求項１～７のいずれか１項に記載の装着状態検出装置。
  10. 前記ボビンは、前記ボビンホルダに並べて複数配置されており、
    前記撮影装置は、前記ボビンホルダの軸方向に沿って走行可能に構成されており、
    前記撮影装置は、前記ボビンを含む前記判定用ボビン画像を生成した後に走行して、別の前記ボビンを含む前記判定用ボビン画像を生成する、請求項１～７のいずれか１項に記載の装着状態検出装置。
  11. 前記ボビンホルダの挿入端から前記ボビンが挿入されて前記ボビンがスライド移動されることで、前記ボビンが並べて複数配置されており、
    前記撮影装置は、前記挿入端から挿入される前記ボビンを順次撮影することにより、全ての前記ボビンについての前記判定用ボビン画像を生成する、請求項１～７のいずれか１項に記載の装着状態検出装置。
  12. 前記撮影装置を複数備え、
    前記撮影装置は、前記ボビンを複数方向から撮影し、
    前記ボビンホルダに対してボビンが正常に装着されているか否かは、複数方向から撮影された複数の前記判定用ボビン画像に基づいて、判定される、請求項１～７のいずれか１項に記載の装着状態検出装置。
  13. 前記撮影装置は、前記ボビンホルダの軸方向を回転中心として前記ボビンが回転している状態で前記ボビンを複数回撮影して複数の前記判定用ボビン画像を生成し、
    前記ボビンホルダに対してボビンが正常に装着されているか否かは、複数の前記判定用ボビン画像に基づいて、判定される、請求項１～７のいずれか１項に記載の装着状態検出装置。
  14. 装着状態検出装置によって実行される装着状態検出方法であって、
    前記装着状態検出装置は、糸巻取機のボビンホルダに装着されるボビンを撮影可能に構成されている撮影装置を備え、
    前記装着状態検出方法は、
    複数の学習用データを機械学習することにより生成されている推定モデルを取得するステップを備え、前記複数の学習用データの各々は、ボビンを写す学習用ボビン画像に対して、当該ボビンの装着状態を表わす装着状態情報をラベルとして関連付けており、
    前記装着状態検出方法は、さらに、
    前記ボビンホルダに装着されたボビンを撮影することで前記撮影装置から判定用ボビン画像を取得するステップと、
    前記判定用ボビン画像を前記推定モデルに入力することで当該推定モデルから出力される前記装着状態情報に基づいて、前記ボビンホルダに対してボビンが正常に装着されているか否かを判定するステップとを備える、装着状態検出方法。
  15. 装着状態検出装置によって実行される装着状態検出プログラムであって、
    前記装着状態検出装置は、糸巻取機のボビンホルダに装着されるボビンを撮影可能に構成されている撮影装置を備え、
    前記装着状態検出プログラムは、前記装着状態検出装置に、
    複数の学習用データを機械学習することにより生成されている推定モデルを取得するステップを実行させ、前記複数の学習用データの各々は、ボビンを写す学習用ボビン画像に対して、当該ボビンの装着状態を表わす装着状態情報をラベルとして関連付けており、
    前記装着状態検出プログラムは、前記装着状態検出装置に、さらに、
    前記ボビンホルダに装着されたボビンを撮影することで前記撮影装置から判定用ボビン画像を取得するステップと、
    前記判定用ボビン画像を前記推定モデルに入力することで当該推定モデルから出力される前記装着状態情報に基づいて、前記ボビンホルダに対してボビンが正常に装着されているか否かを判定するステップとを実行させる、装着状態検出プログラム。
JP2023104893A 2022-12-16 2023-06-27 装着状態検出装置 Pending JP2024086545A (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
KR1020230156557A KR20240096349A (ko) 2022-12-16 2023-11-13 장착 상태 검출 장치
EP23209683.4A EP4386663A1 (en) 2022-12-16 2023-11-14 Mounting state detection device
CN202311542371.8A CN118205960A (zh) 2022-12-16 2023-11-17 装接状态检测装置、装接状态检测方法以及存储介质

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2022201334 2022-12-16
JP2022201334 2022-12-16

Publications (1)

Publication Number Publication Date
JP2024086545A true JP2024086545A (ja) 2024-06-27

Family

ID=91617961

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2023104893A Pending JP2024086545A (ja) 2022-12-16 2023-06-27 装着状態検出装置

Country Status (1)

Country Link
JP (1) JP2024086545A (ja)

Similar Documents

Publication Publication Date Title
US11682205B2 (en) Dynamic configuration of an augmented reality overlay
KR102143354B1 (ko) 원단의 불량 위치 자동 검출 방법 및 이를 위한 시스템
CN102005025B (zh) 图像处理装置
US9927373B2 (en) Substrate processing apparatus, monitoring device of substrate processing apparatus, and monitoring method of substrate processing apparatus
CN105247586B (zh) 监视探测区域中的移动体的装置以及方法
WO1992008967A1 (en) Methods and apparatus for fabric inspection
JP2008014768A (ja) 欠陥検査装置及び欠陥検査方法
JP2019106119A (ja) 検出システム、情報処理装置、評価方法及びプログラム
CN114486903A (zh) 一种灰度自适应的卷材检测***及装置、算法
JP2024086545A (ja) 装着状態検出装置
JP2017147339A (ja) 基板保持状態の異常検査の検査領域の自動決定方法および基板処理装置
KR20230155369A (ko) 물체 피처들을 예측하기 위해 범위 데이터를 사용하기 위한 방법들 및 장치들
CN102224411A (zh) 引导用重卷机进行纸幅修补的方法和相应的***
US9400929B2 (en) Object detection device and method for detecting an object by performing a raster scan on a scan window
EP4386663A1 (en) Mounting state detection device
CN113983965A (zh) 一种排线质量检测装置及检测方法
CN104422694A (zh) 测量数据的处理装置及处理方法、光学测量***
CN118205960A (zh) 装接状态检测装置、装接状态检测方法以及存储介质
JP6364034B2 (ja) 織布オンライン検査装置
JP5286331B2 (ja) 乗客コンベアのハンドレール点検装置および乗客コンベアの保全方法
KR20140113449A (ko) 묘화 데이터 생성 방법, 묘화 방법, 묘화 데이터 생성 장치, 및 묘화 장치
JP2012202957A (ja) 欠陥位置情報生成装置、欠陥確認システム及び欠陥位置情報生成方法
US20130186055A1 (en) System and method for the management of the flow rate of a feed line
CN118205958A (zh) 张力异常检测装置、张力异常检测方法以及存储介质
CN107852461A (zh) 用以控制成像过程的***和方法

Legal Events

Date Code Title Description
A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20231002