JPH0225736A - 疵特性判定方法 - Google Patents
疵特性判定方法Info
- Publication number
- JPH0225736A JPH0225736A JP17644488A JP17644488A JPH0225736A JP H0225736 A JPH0225736 A JP H0225736A JP 17644488 A JP17644488 A JP 17644488A JP 17644488 A JP17644488 A JP 17644488A JP H0225736 A JPH0225736 A JP H0225736A
- Authority
- JP
- Japan
- Prior art keywords
- flaw
- type
- information
- discrimination
- value
- 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
- 238000000034 method Methods 0.000 title claims description 22
- 229910000831 Steel Inorganic materials 0.000 abstract description 20
- 239000010959 steel Substances 0.000 abstract description 20
- 238000011179 visual inspection Methods 0.000 abstract description 8
- 230000007547 defect Effects 0.000 description 21
- 238000007689 inspection Methods 0.000 description 15
- 238000009826 distribution Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000000275 quality assurance Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。
め要約のデータは記録されません。
Description
本発明は、低特性判定方法に係り、鋼板やスラブ等の被
検査物の種類を問わず、特に、表面疵検査装置を用いて
被検査物の表面の疵情報を得て、その疵・情報から、疵
種や疵の等級を判定する際に用いるのに好適な、庇特性
判定方法に関する。
検査物の種類を問わず、特に、表面疵検査装置を用いて
被検査物の表面の疵情報を得て、その疵・情報から、疵
種や疵の等級を判定する際に用いるのに好適な、庇特性
判定方法に関する。
従来から、鋼板やスラブ等の製造工場においては、それ
ら成品の品質を保証するため、その表面疵を表面疵検査
装置で検査し、疵の特性、例えば疵種や疵等級を判別し
ている。このような表面疵検査装置には被検査物例えば
鋼板やスラブの表面疵の検査を、光学的な手法を用いて
行うものがある。又、この種の表面疵検査装置を用いて
行う疵種や疵等級の判別・決定は、従来から例えば第5
図に示されるような流れ図の手順に従って行っていた。 即ち、図の手順においては、まず、鋼板の検査すべき表
裏面側、若しくはいずれか片面側に投光器及び受光器を
設け、該投光器により前記鋼板の流れ方向に対して所定
角度を有する方向から光やレーザ光等を投光し、前記受
光器により該投光方向の反対方向から疵の特徴を示す疵
・清報をもった反射光を受光して表面疵の知見を求める
ようにする(ステップ110)、なお、この種の表面疵
検査装置に間しては、例えば昭和52年に日本鉄鋼協会
から発行された「我国における最近のコールドストリッ
プ設備及び製造技術の進歩」の185頁〜188頁に記
載がある。 次いで、上記のようにして受光された反射光を信号処理
することにより庇の特徴を示す庇・情報の数値を求める
(ステップ120)、そして、このようにして得られた
疵情報の数値を第6図に示されるような判別ツリーのみ
による判別ロジックで処理することにより、鋼板の疵種
がいずれの種類のもの(例えば、すり疵、ピンホール)
であるか、あるいは疵等級がいずれのものであるか判別
しくステップ130)、その判別結果から疵種や庇等級
を決定していた(ステップ140)。 前記判別ツリーによる疵種判別においては、疵情報を<
a 、 b 、 C)とし、それらを判別するための各
設定値を(i、n、n)として、これら疵情報がそれら
各々の設定値に対して大か小かにより表面疵の疵種がA
、B、(、Dのいずれかであるか否かを判別するように
している。 即ち、図の判別ツリーにおいては、まず疵情報aが設定
値aより大きいか否かを判定する(ステップ210)、
疵情報aが設定値ぶより大きいと判断されたならば、疵
情報Cが設定値nより太きいか否かを判定する(ステッ
プ220)、判定結果が正、即ち疵情報Cが設定値nよ
り大きいと判断された場合は、その鋼板の疵種はAと判
別し、逆に判定結果が否の場合、その鋼板の疵種はBで
あると判別する。 一方、前記疵情報aが設定値より大きくないときは、疵
情報すが設定値mより大きいか否かを判定する(ステッ
プ230)、判定結果が正、即ち、疵情報すが設定値1
より大きいと判断された場合は、その鋼板の疵種はCと
判別し、逆に判定結果が否のときは、その鋼板の疵種は
Dと判別する。
ら成品の品質を保証するため、その表面疵を表面疵検査
装置で検査し、疵の特性、例えば疵種や疵等級を判別し
ている。このような表面疵検査装置には被検査物例えば
鋼板やスラブの表面疵の検査を、光学的な手法を用いて
行うものがある。又、この種の表面疵検査装置を用いて
行う疵種や疵等級の判別・決定は、従来から例えば第5
図に示されるような流れ図の手順に従って行っていた。 即ち、図の手順においては、まず、鋼板の検査すべき表
裏面側、若しくはいずれか片面側に投光器及び受光器を
設け、該投光器により前記鋼板の流れ方向に対して所定
角度を有する方向から光やレーザ光等を投光し、前記受
光器により該投光方向の反対方向から疵の特徴を示す疵
・清報をもった反射光を受光して表面疵の知見を求める
ようにする(ステップ110)、なお、この種の表面疵
検査装置に間しては、例えば昭和52年に日本鉄鋼協会
から発行された「我国における最近のコールドストリッ
プ設備及び製造技術の進歩」の185頁〜188頁に記
載がある。 次いで、上記のようにして受光された反射光を信号処理
することにより庇の特徴を示す庇・情報の数値を求める
(ステップ120)、そして、このようにして得られた
疵情報の数値を第6図に示されるような判別ツリーのみ
による判別ロジックで処理することにより、鋼板の疵種
がいずれの種類のもの(例えば、すり疵、ピンホール)
であるか、あるいは疵等級がいずれのものであるか判別
しくステップ130)、その判別結果から疵種や庇等級
を決定していた(ステップ140)。 前記判別ツリーによる疵種判別においては、疵情報を<
a 、 b 、 C)とし、それらを判別するための各
設定値を(i、n、n)として、これら疵情報がそれら
各々の設定値に対して大か小かにより表面疵の疵種がA
、B、(、Dのいずれかであるか否かを判別するように
している。 即ち、図の判別ツリーにおいては、まず疵情報aが設定
値aより大きいか否かを判定する(ステップ210)、
疵情報aが設定値ぶより大きいと判断されたならば、疵
情報Cが設定値nより太きいか否かを判定する(ステッ
プ220)、判定結果が正、即ち疵情報Cが設定値nよ
り大きいと判断された場合は、その鋼板の疵種はAと判
別し、逆に判定結果が否の場合、その鋼板の疵種はBで
あると判別する。 一方、前記疵情報aが設定値より大きくないときは、疵
情報すが設定値mより大きいか否かを判定する(ステッ
プ230)、判定結果が正、即ち、疵情報すが設定値1
より大きいと判断された場合は、その鋼板の疵種はCと
判別し、逆に判定結果が否のときは、その鋼板の疵種は
Dと判別する。
しかしながら、前記従来の方法により鋼板等の疵の特性
(疵種や疵等級等)を判別する際には、次の(1)〜(
3)のような問題点が生じる。 (1)従来は前記判別ツリー及びその各設定値等はオフ
ラインで作成しているため、表面疵検査装置を品質保証
機器としてオンライン使用した場合に、前記判別・ツリ
ーの設定値変更が不可能あるいは困難なものとなってい
た。従って、ライン上の被検査物の変更等に迅速且つ充
分な対応をとることができなかった。 (2)検出される被検査物の疵種が同じものでもその疵
情報の数値が異なることがほとんどであるが、従来方法
においては、判別ツリーをオフラインで作成するため、
前記各設定値を前記疵情報の数値に対応した最適なもの
に決定するのは困難であった。従って、各設定値を最適
なものとして、精度良く低時性を判定しうる技術が要請
されていた。 (3)上記(1)、(2)の結果、従来技術で判別され
た疵特性は目視検査で得たものとの対応が悪く、目視検
査と前記検査装置による検査とで同種の庇と判断する割
合(以下、合致率という)が良好なものではなかった。 即ち、従来技術では、オンラインで精度の良い低時性の
判定ができなかったものである。
(疵種や疵等級等)を判別する際には、次の(1)〜(
3)のような問題点が生じる。 (1)従来は前記判別ツリー及びその各設定値等はオフ
ラインで作成しているため、表面疵検査装置を品質保証
機器としてオンライン使用した場合に、前記判別・ツリ
ーの設定値変更が不可能あるいは困難なものとなってい
た。従って、ライン上の被検査物の変更等に迅速且つ充
分な対応をとることができなかった。 (2)検出される被検査物の疵種が同じものでもその疵
情報の数値が異なることがほとんどであるが、従来方法
においては、判別ツリーをオフラインで作成するため、
前記各設定値を前記疵情報の数値に対応した最適なもの
に決定するのは困難であった。従って、各設定値を最適
なものとして、精度良く低時性を判定しうる技術が要請
されていた。 (3)上記(1)、(2)の結果、従来技術で判別され
た疵特性は目視検査で得たものとの対応が悪く、目視検
査と前記検査装置による検査とで同種の庇と判断する割
合(以下、合致率という)が良好なものではなかった。 即ち、従来技術では、オンラインで精度の良い低時性の
判定ができなかったものである。
本発明は、前記従来の問題点を解消するべくなされたも
ので、低時性判定のための設定値を容易に精度の良いも
のに変更することが可能であり、従って、被検査物の低
時性をオンラインで精度良く判定することができる低時
性判定方法を提供することを目的とする。
ので、低時性判定のための設定値を容易に精度の良いも
のに変更することが可能であり、従って、被検査物の低
時性をオンラインで精度良く判定することができる低時
性判定方法を提供することを目的とする。
本発明は、低時性判定方法において、被検査物の疵を検
査して該疵の情報を取得し、この疵情報を所定の設定値
に比較して疵の特性を判定する際に、前記疵情報を学習
して、前記設定値を誤まった判定のより少ないものにす
ることにより、前記目的を達成したものである。
査して該疵の情報を取得し、この疵情報を所定の設定値
に比較して疵の特性を判定する際に、前記疵情報を学習
して、前記設定値を誤まった判定のより少ないものにす
ることにより、前記目的を達成したものである。
以下、本発明の詳細な説明する。
表面疵検査装置を用いて被検査物の低時性、例えば鋼板
の表面疵をオンラインで検査し、その低時性、例えば疵
種を判定する際に、本発明によりその疵種を判別する手
順を第1図に示す。 即ち、図の手順を開始するとステップ310〜330で
前出第5図に示したステップ110〜130と同様の手
順で疵種を判別する。なお、この場合、疵種の判別ツリ
ーについては前出第6図に示したものを用い、前記表面
疵検査装置により得られた疵の各種特徴を表わす圧情報
(a 、 b 、 c )が各々の設定[(J、m、n
)に対して大きいか小さいかを各ステップ210〜23
0により判断して鋼板の疵種を判別する。 ここで、この判別により得られた鋼板のa:種と目視検
査により得られた疵種の比較結果例を第2図に示す、な
お、図において、比較結果xijは、目視で疵種iと判
断された鋼板のうち疵検査装置で疵種jと判断されたも
のの枚数又はその占める割合である。 本来、表面疵検査装置で判別された疵種と目視検査によ
る疵種は一致(合致)している必要がある。そこで、第
2図を基に疵種の合致率(Ident+−cal Ra
tio; I R)を次式<1) 〜<4)の如く算出
して、考察するものである。この場合、それぞれの合致
率を、各疵種A〜DについてそれぞれIR^〜IRQと
する。 IRA= (X AA/ (X AA+X A日+X
AO+X AD)l X100 (%) ・(
1)IRe= ix 日e/ (X BA+X EIB
+X BC+X 臼0)l X100 (%)−(2
>IRc= (X cc/ (X CA+X CEl+
X cc+X co)l xlOO(%) ・(3
)IRo= fx oo/ (X 0AfX D日+X
oc+X oo)l xioo (%)・・
・ (4)第2図に示されるような判別結果から、各々
の合致率IRが計算された段階で、合致率の低い部分に
注目する0例えば目視検査による疵種Aの判別結果に対
する疵検査装置の判別結果が第3図のように得られたと
き、その合致率IR^は(1)式より60%となる。 次いで、算出された合致率の数値に注目して、合致率が
所定条件、例えば60%以上となる条件を満足するか否
かを判断する(ステップ340)。 判断の結果、前記条件を満足する場合は前記判別ツリー
の設定値nが最適な設定値であると判断し、前記判別ツ
リーで判別された疵種を被検査材の疵種に決定する(ス
テップ360)。 一方、前記条件を満足しない場合には、疵種Aをとの疵
種と誤まって判別する確率(以下、誤判別率という)が
高いか否かを考える(ステップ350)。 即ち、第3図の場合においては、X八日、x日C,XA
[)の最大値11ax (X AEI、X AC,X
AO)を選択し、選択の結果XABが誤判別率の高い
ものであるから、目視検査で疵種Aと判断されたものに
ついては、前記表面疵検査装置においては疵種Bと判別
される場合が多いものと言える。 従って、このように判別されたときは、判別ツリーの設
定値nが最適な設定値ではないものといえるので、得ら
れた圧情報Cを用いて順次学習を行うことを決定し、前
記設定値nを最適化していく、このように、判別ツリー
の各設定値が最適化されれば決定される疵種は正確なも
のになる。 ここで、前記設定値を最適化する手法について説明する
。この場合、疵検査装置からの圧情報(a 、 b 、
c )がとられているなめ、その圧情報に基づく判別
関数を用いた学習方法について述べる。なお、以下にお
いては、前記設定値nを最適化するため各圧情報のうち
Cのみを用いた場合、即ち1変量の場合の判別関数につ
いて説明する。 今、サンプル(標本)として得られる被検査物の欠陥を
疵種A、Bおのおのについて2つの群に分け、それぞれ
A群、B群とする。まず、これら両群の等分散性の検定
を行う、このA群、B群の確率分布をそれぞれN^(μ
^、σ(^]2)、N日(μB、σ(8)’ )として
、これらA群及びB群の帰無仮説Ho:σ(A ) ’
= (IF CB ) ’対立仮説H1:σ(^]2
≠σ([3)2を検定する。なお、μ^(=×〔^))
、σ(^)2 (=S〔^)2)はA群の平均、分散で
あり、μ日(=Xc日])、σ(日)” (=ScB)
’)は、B群の平均、分散である。 前記検定は、次式(5)のように、A群、B群の分散S
(^)2、S(日)2の比(分散比)Fが自由度(n^
−1,nB 1)のF分布に従うことを利用して、次
式(6)、(7)を成立させるような次の(8)、〈9
)式に示す変数を周知のF分布表から読取る。 F=S (^)’/S(日)2 ・・・(5)P
r(F>F、’;二: C(X/2)>=tx/
2・・・ (6) 丸11 Pr [F<F?1.1 (1(α/2) ) ]=α
/2 ・・・(7)山
−1 F (α/2) ・・・(8
)1s−1 F易;二l(1−(α / 2 ) )n、−1 =1/F (α) ・・・(
9ンn^−1 但し、n A、 n BはそれぞれA群、B群のサング
ル数である。又、P「は確率を示す記号である。 そして、上記のようにF分布表から読み取られた(8)
、(9)式で示す変数値が次の(1o)式又は(11)
式を満足するものであれば、そのときの有意水準αで仮
説Hoは棄却され、対立仮説H+が成立するため、A、
B両群の分散は等しくない(σ(^)2≠σ(a)’)
ものと考えることができる。 F > F71゜−1(α/2 ) ・・
・ (10)7A−1 F<F (α/2) ・・・(11)71、−
1 一方、(10)式及び(11)式がいずれも成立しない
場合には、有意水準αで仮説Hoは棄却されないため、
A、B両群の分散は等しい(σ(^)′2=σ(日)2
)ものと考えられる。 上記のようにしてA群及びB群の等分散性の検定を行う
、そして、この検定が終了した後には、サンプルの変数
XがA群、B群のいずれに属するかをA群及びB群の分
散が等しい場合と、等しくない場合について各々次のよ
うに判別する。 (i)A群、B群の分散が等しい場合(σ^2=σB2
); A群、B群の平均μ^、μ日から変数×までの標準化し
た平方距離D^2 、 D 日2は、次式(1%式% (] 従って、この平方距離DA2、De’の小さいほうの群
に前記変数Xが含まれるものと判別できる。即ちDA’
<0日2ならばX6A群、又、D^1>0日2ならばx
gB群となる。 ところで、上記各平方距離D A ! 、D a 2の
差り日2 1)AIは、(12)、(13)式に基づき
次式(14)の如く表わされるものである。 0日2 pAt =((X−μ日)’−(X−、μ^)′)/σ2=−[
(2(μ日−μ^)/σ叩) X (X −(μ^+μ日)/21] ・・・(1
4)ここで、仮定によりμ日−μ^〉0とした場合、前
記平方距離の差がOより大きいくD日2D^2〉0)な
らば次式(15)式が成立し、逆にこの差が0より小さ
い(D日2])^2くO)ならば次式(16)が成立す
る。 x<(μ^十μ日)/2=ア八日 ・・・(15)×
〉(μ^十μ日)/2=、u^日 ・・・(16)そ
して、〈15)式が成立するならば、x6A群、一方、
(16)式が成立するならば、X e B群と判別され
る。 (ii)A群、B群の分散が等しくない場合(σ^2≠
σ日2) : 各平方距離DA2.0日2を満す境界の値をφとすれば
、前記(12)、(13)式から次式(17)の関係が
成立する。 (φ−μ^)2/σ(^〕2 = (φ −μ 日 ) f / σ・(日
) 2 ・・・ (17)又、この
(17)式から次式(18)式が成立する。 (φ−μ^)/σ(^ ) = (φ −μ 日 ) / σ (日 )
・・・ (18)従って、境
界値φは次式(19)から得ることができる。 φ=((μ^・σce))+(μB・σ(^)))/(
σ(^)+σ(日)) ・・・(1つ)この境界値
φが変数Xに対して、xくφの関係があるならば、xg
A群であり、逆にX〉φの関係があるならば、xeB群
と判別される。 一方、上記(i)、(11)の如く変数Xを判別した際
の誤判別率は次の如く求めることができる。なお、A群
に入れるべき変数XをB群に判別する誤判別率をP^、
B群に入れるべき変数XをA群と判別する誤判別率を2
日とする。 (i)A群、B群の分散が等しい(σ(^)f==σC
日)2=σ2)場合; A群、B群の確率分布が正規分布N^(μ^。 σ2.8日(μ日、σ2)であるから、各誤判別率P^
、2日は次式(20)、(21)の如く求められ、両者
は等しいもの(P^=P日)となる。 PA=Pr [u = ((x −μA)/a)〉(
(μΔ日−μ^)/σ)] P日=Pr [u = ((X−μ日)/σ)<((
ア^B−μ日)/σ)コ ・・・ (21) (ii)A群、B群の分散が等しくないσ(^)2≠σ
(日〕2場合: 誤判別率P^、2日は次式(22)、(23)式の如く
求められ、両者は等しいもの(P^=P日)となる。 P^=pr [u = ((X−μ^)/σ^)〉(
(φ−μ^)/σ^) ] ・・・ (22) PB=Pr [u = ((x−μ日)/σ日)<(
〈φ−μ日)/σ日)] ・・・ (23) 以上のようにして疵情報Cを1変量として用いて、疵種
Aと疵種Bの各群のいずれに疵情報が属するか否かを判
別でき、誤判別率P^、Peを(20)〜(23)式か
ら求め、更に、判別設定値Cを<15)(16)式のμ
^日あるいは(19)式のφから求めることができる。 ここで、これら得られた3つの数値の中で誤判別率に着
目し、過去のデータにおける誤判別率H1と過去のデー
タに新データを加えた場合の誤判別率H2を比較し、そ
の誤判別率のうち小さいほうを選択し、その選択に応じ
て判別のための設定値、疵種を選択・決定する。 即ち、過去のデータのみによる判別設定値n1、その判
別結果°をJl、過去のデータに新しいデータを加えた
場合の判別設定値を02、その判別結果J2とすれば、
誤判別率がH1>H2のとき判別設定値を02に変更し
、疵種はJlそのままとし、一方、誤判別率がHl<H
2のとき設定値はnlのままで、疵種はJ2とする。 次に、変量を多変量とした場合の具体的な疵種判別手順
の例を第4図の流れ図に基づき説明する。 まず、表面疵検査装置で疵ありと判断された場合は得ら
れた疵情報(a 、 b 、 c等)に基づき前出第6
図に示したような判別ツリーにより疵種を判別する(ス
テップ410)。次いで、判別結果と目視検査との合致
率が所定の合致率を満足するか否かを判定する(ステッ
プ420)、この場合、合致率が60%を満足すれば設
定値が最適なものであると判断し、その合致率に従って
疵種決定を行う(ステップ490)。 一方、合致率が満足していないと判断された場合は、得
られた疵情報(a 、 b 、 c等)の中から学習す
べき疵情報の決定を行う(ステップ430)、次いで決
定された疵情報に応じなp個の変量を用いて前出(5)
〜(23)式等に基づく判別関数により判別を行う(ス
テップ440)、この場合、変量の個数pはI)=1.
2・・・の値をとる。 次いで、過去のデータに新データを加えた場合の判別結
果J2、誤判別率H2、判別設定値(例えば12とする
)を算出する(ステップ450)。 次いで過去のデータのみによる誤判別率H1が前記誤判
別率H2より大きい(Hl>H2)か否かを判定する(
ステップ460)、判定結果が正のときは判別設定値を
例えば℃1→β2に変更する(ステップ470)、一方
、判定結果が否のときは判別設定値を変更しない〈ステ
ップ480)。 上記のような判別設定値が決められた後には疵種の決定
を行う(ステップ490)、上記のように、変量を1変
量のみならず多変量に拡大した場合でも疵種決定を行う
ことができるため、実用性が高いものである。 なお、判別される疵特性は、上記のように疵種のみに限
定されず池の低時性例えば疵等級でもよい、又、低時性
を判定するための手順は第1図、第4図に示される手順
に限定されるものではなく、疵情報を学習して設定値を
より誤判定の少ないものにできる手順であればいずれの
手順でもよい。 以上の説明のように、本発明により、疵種決定のための
設定値をオンラインで学習して、より精度の高いものに
変更することが可能なことから、次のような優れた効果
が得られた。 (1)オンラインで順次疵情報を学習して判別ツリーの
設定値の変更を容易に且つ計算機内等で自動的に実行で
きるため、作業者等の介入を全く必要とせず作業効率が
向上する。 (2)判別関数等を用いて設定値を算出するため、設定
値の算出が容易且つ迅速なものとなる。 (3)(1)(2)により最適な設定値を常に選択でき
るため、低時性の判定率が向上して精度良く低時性を判
定することが可能となる。従って、被検材、例えば鋼板
の品質保証上有利である。又、鋼板表面疵に対するユー
ザーからのクレームを減少させることができる。
の表面疵をオンラインで検査し、その低時性、例えば疵
種を判定する際に、本発明によりその疵種を判別する手
順を第1図に示す。 即ち、図の手順を開始するとステップ310〜330で
前出第5図に示したステップ110〜130と同様の手
順で疵種を判別する。なお、この場合、疵種の判別ツリ
ーについては前出第6図に示したものを用い、前記表面
疵検査装置により得られた疵の各種特徴を表わす圧情報
(a 、 b 、 c )が各々の設定[(J、m、n
)に対して大きいか小さいかを各ステップ210〜23
0により判断して鋼板の疵種を判別する。 ここで、この判別により得られた鋼板のa:種と目視検
査により得られた疵種の比較結果例を第2図に示す、な
お、図において、比較結果xijは、目視で疵種iと判
断された鋼板のうち疵検査装置で疵種jと判断されたも
のの枚数又はその占める割合である。 本来、表面疵検査装置で判別された疵種と目視検査によ
る疵種は一致(合致)している必要がある。そこで、第
2図を基に疵種の合致率(Ident+−cal Ra
tio; I R)を次式<1) 〜<4)の如く算出
して、考察するものである。この場合、それぞれの合致
率を、各疵種A〜DについてそれぞれIR^〜IRQと
する。 IRA= (X AA/ (X AA+X A日+X
AO+X AD)l X100 (%) ・(
1)IRe= ix 日e/ (X BA+X EIB
+X BC+X 臼0)l X100 (%)−(2
>IRc= (X cc/ (X CA+X CEl+
X cc+X co)l xlOO(%) ・(3
)IRo= fx oo/ (X 0AfX D日+X
oc+X oo)l xioo (%)・・
・ (4)第2図に示されるような判別結果から、各々
の合致率IRが計算された段階で、合致率の低い部分に
注目する0例えば目視検査による疵種Aの判別結果に対
する疵検査装置の判別結果が第3図のように得られたと
き、その合致率IR^は(1)式より60%となる。 次いで、算出された合致率の数値に注目して、合致率が
所定条件、例えば60%以上となる条件を満足するか否
かを判断する(ステップ340)。 判断の結果、前記条件を満足する場合は前記判別ツリー
の設定値nが最適な設定値であると判断し、前記判別ツ
リーで判別された疵種を被検査材の疵種に決定する(ス
テップ360)。 一方、前記条件を満足しない場合には、疵種Aをとの疵
種と誤まって判別する確率(以下、誤判別率という)が
高いか否かを考える(ステップ350)。 即ち、第3図の場合においては、X八日、x日C,XA
[)の最大値11ax (X AEI、X AC,X
AO)を選択し、選択の結果XABが誤判別率の高い
ものであるから、目視検査で疵種Aと判断されたものに
ついては、前記表面疵検査装置においては疵種Bと判別
される場合が多いものと言える。 従って、このように判別されたときは、判別ツリーの設
定値nが最適な設定値ではないものといえるので、得ら
れた圧情報Cを用いて順次学習を行うことを決定し、前
記設定値nを最適化していく、このように、判別ツリー
の各設定値が最適化されれば決定される疵種は正確なも
のになる。 ここで、前記設定値を最適化する手法について説明する
。この場合、疵検査装置からの圧情報(a 、 b 、
c )がとられているなめ、その圧情報に基づく判別
関数を用いた学習方法について述べる。なお、以下にお
いては、前記設定値nを最適化するため各圧情報のうち
Cのみを用いた場合、即ち1変量の場合の判別関数につ
いて説明する。 今、サンプル(標本)として得られる被検査物の欠陥を
疵種A、Bおのおのについて2つの群に分け、それぞれ
A群、B群とする。まず、これら両群の等分散性の検定
を行う、このA群、B群の確率分布をそれぞれN^(μ
^、σ(^]2)、N日(μB、σ(8)’ )として
、これらA群及びB群の帰無仮説Ho:σ(A ) ’
= (IF CB ) ’対立仮説H1:σ(^]2
≠σ([3)2を検定する。なお、μ^(=×〔^))
、σ(^)2 (=S〔^)2)はA群の平均、分散で
あり、μ日(=Xc日])、σ(日)” (=ScB)
’)は、B群の平均、分散である。 前記検定は、次式(5)のように、A群、B群の分散S
(^)2、S(日)2の比(分散比)Fが自由度(n^
−1,nB 1)のF分布に従うことを利用して、次
式(6)、(7)を成立させるような次の(8)、〈9
)式に示す変数を周知のF分布表から読取る。 F=S (^)’/S(日)2 ・・・(5)P
r(F>F、’;二: C(X/2)>=tx/
2・・・ (6) 丸11 Pr [F<F?1.1 (1(α/2) ) ]=α
/2 ・・・(7)山
−1 F (α/2) ・・・(8
)1s−1 F易;二l(1−(α / 2 ) )n、−1 =1/F (α) ・・・(
9ンn^−1 但し、n A、 n BはそれぞれA群、B群のサング
ル数である。又、P「は確率を示す記号である。 そして、上記のようにF分布表から読み取られた(8)
、(9)式で示す変数値が次の(1o)式又は(11)
式を満足するものであれば、そのときの有意水準αで仮
説Hoは棄却され、対立仮説H+が成立するため、A、
B両群の分散は等しくない(σ(^)2≠σ(a)’)
ものと考えることができる。 F > F71゜−1(α/2 ) ・・
・ (10)7A−1 F<F (α/2) ・・・(11)71、−
1 一方、(10)式及び(11)式がいずれも成立しない
場合には、有意水準αで仮説Hoは棄却されないため、
A、B両群の分散は等しい(σ(^)′2=σ(日)2
)ものと考えられる。 上記のようにしてA群及びB群の等分散性の検定を行う
、そして、この検定が終了した後には、サンプルの変数
XがA群、B群のいずれに属するかをA群及びB群の分
散が等しい場合と、等しくない場合について各々次のよ
うに判別する。 (i)A群、B群の分散が等しい場合(σ^2=σB2
); A群、B群の平均μ^、μ日から変数×までの標準化し
た平方距離D^2 、 D 日2は、次式(1%式% (] 従って、この平方距離DA2、De’の小さいほうの群
に前記変数Xが含まれるものと判別できる。即ちDA’
<0日2ならばX6A群、又、D^1>0日2ならばx
gB群となる。 ところで、上記各平方距離D A ! 、D a 2の
差り日2 1)AIは、(12)、(13)式に基づき
次式(14)の如く表わされるものである。 0日2 pAt =((X−μ日)’−(X−、μ^)′)/σ2=−[
(2(μ日−μ^)/σ叩) X (X −(μ^+μ日)/21] ・・・(1
4)ここで、仮定によりμ日−μ^〉0とした場合、前
記平方距離の差がOより大きいくD日2D^2〉0)な
らば次式(15)式が成立し、逆にこの差が0より小さ
い(D日2])^2くO)ならば次式(16)が成立す
る。 x<(μ^十μ日)/2=ア八日 ・・・(15)×
〉(μ^十μ日)/2=、u^日 ・・・(16)そ
して、〈15)式が成立するならば、x6A群、一方、
(16)式が成立するならば、X e B群と判別され
る。 (ii)A群、B群の分散が等しくない場合(σ^2≠
σ日2) : 各平方距離DA2.0日2を満す境界の値をφとすれば
、前記(12)、(13)式から次式(17)の関係が
成立する。 (φ−μ^)2/σ(^〕2 = (φ −μ 日 ) f / σ・(日
) 2 ・・・ (17)又、この
(17)式から次式(18)式が成立する。 (φ−μ^)/σ(^ ) = (φ −μ 日 ) / σ (日 )
・・・ (18)従って、境
界値φは次式(19)から得ることができる。 φ=((μ^・σce))+(μB・σ(^)))/(
σ(^)+σ(日)) ・・・(1つ)この境界値
φが変数Xに対して、xくφの関係があるならば、xg
A群であり、逆にX〉φの関係があるならば、xeB群
と判別される。 一方、上記(i)、(11)の如く変数Xを判別した際
の誤判別率は次の如く求めることができる。なお、A群
に入れるべき変数XをB群に判別する誤判別率をP^、
B群に入れるべき変数XをA群と判別する誤判別率を2
日とする。 (i)A群、B群の分散が等しい(σ(^)f==σC
日)2=σ2)場合; A群、B群の確率分布が正規分布N^(μ^。 σ2.8日(μ日、σ2)であるから、各誤判別率P^
、2日は次式(20)、(21)の如く求められ、両者
は等しいもの(P^=P日)となる。 PA=Pr [u = ((x −μA)/a)〉(
(μΔ日−μ^)/σ)] P日=Pr [u = ((X−μ日)/σ)<((
ア^B−μ日)/σ)コ ・・・ (21) (ii)A群、B群の分散が等しくないσ(^)2≠σ
(日〕2場合: 誤判別率P^、2日は次式(22)、(23)式の如く
求められ、両者は等しいもの(P^=P日)となる。 P^=pr [u = ((X−μ^)/σ^)〉(
(φ−μ^)/σ^) ] ・・・ (22) PB=Pr [u = ((x−μ日)/σ日)<(
〈φ−μ日)/σ日)] ・・・ (23) 以上のようにして疵情報Cを1変量として用いて、疵種
Aと疵種Bの各群のいずれに疵情報が属するか否かを判
別でき、誤判別率P^、Peを(20)〜(23)式か
ら求め、更に、判別設定値Cを<15)(16)式のμ
^日あるいは(19)式のφから求めることができる。 ここで、これら得られた3つの数値の中で誤判別率に着
目し、過去のデータにおける誤判別率H1と過去のデー
タに新データを加えた場合の誤判別率H2を比較し、そ
の誤判別率のうち小さいほうを選択し、その選択に応じ
て判別のための設定値、疵種を選択・決定する。 即ち、過去のデータのみによる判別設定値n1、その判
別結果°をJl、過去のデータに新しいデータを加えた
場合の判別設定値を02、その判別結果J2とすれば、
誤判別率がH1>H2のとき判別設定値を02に変更し
、疵種はJlそのままとし、一方、誤判別率がHl<H
2のとき設定値はnlのままで、疵種はJ2とする。 次に、変量を多変量とした場合の具体的な疵種判別手順
の例を第4図の流れ図に基づき説明する。 まず、表面疵検査装置で疵ありと判断された場合は得ら
れた疵情報(a 、 b 、 c等)に基づき前出第6
図に示したような判別ツリーにより疵種を判別する(ス
テップ410)。次いで、判別結果と目視検査との合致
率が所定の合致率を満足するか否かを判定する(ステッ
プ420)、この場合、合致率が60%を満足すれば設
定値が最適なものであると判断し、その合致率に従って
疵種決定を行う(ステップ490)。 一方、合致率が満足していないと判断された場合は、得
られた疵情報(a 、 b 、 c等)の中から学習す
べき疵情報の決定を行う(ステップ430)、次いで決
定された疵情報に応じなp個の変量を用いて前出(5)
〜(23)式等に基づく判別関数により判別を行う(ス
テップ440)、この場合、変量の個数pはI)=1.
2・・・の値をとる。 次いで、過去のデータに新データを加えた場合の判別結
果J2、誤判別率H2、判別設定値(例えば12とする
)を算出する(ステップ450)。 次いで過去のデータのみによる誤判別率H1が前記誤判
別率H2より大きい(Hl>H2)か否かを判定する(
ステップ460)、判定結果が正のときは判別設定値を
例えば℃1→β2に変更する(ステップ470)、一方
、判定結果が否のときは判別設定値を変更しない〈ステ
ップ480)。 上記のような判別設定値が決められた後には疵種の決定
を行う(ステップ490)、上記のように、変量を1変
量のみならず多変量に拡大した場合でも疵種決定を行う
ことができるため、実用性が高いものである。 なお、判別される疵特性は、上記のように疵種のみに限
定されず池の低時性例えば疵等級でもよい、又、低時性
を判定するための手順は第1図、第4図に示される手順
に限定されるものではなく、疵情報を学習して設定値を
より誤判定の少ないものにできる手順であればいずれの
手順でもよい。 以上の説明のように、本発明により、疵種決定のための
設定値をオンラインで学習して、より精度の高いものに
変更することが可能なことから、次のような優れた効果
が得られた。 (1)オンラインで順次疵情報を学習して判別ツリーの
設定値の変更を容易に且つ計算機内等で自動的に実行で
きるため、作業者等の介入を全く必要とせず作業効率が
向上する。 (2)判別関数等を用いて設定値を算出するため、設定
値の算出が容易且つ迅速なものとなる。 (3)(1)(2)により最適な設定値を常に選択でき
るため、低時性の判定率が向上して精度良く低時性を判
定することが可能となる。従って、被検材、例えば鋼板
の品質保証上有利である。又、鋼板表面疵に対するユー
ザーからのクレームを減少させることができる。
第1図は本発明を1変量により実行する場合の疵種決定
手順の例を示す流れ図、第2図は本発明を説明するため
の、疵種の目視判別結果に対する表面疵検査装置による
判別結果の例を示す線図、第3図は同じく判別結果の例
を示す線図、第4図は多変数の場合の本発明による疵種
決定手順の例を示す流れ図、第5図は従来の疵種決定手
順の例を示す流れ図、第6図は疵種の判別ツリーの例を
示す流れ図である。
手順の例を示す流れ図、第2図は本発明を説明するため
の、疵種の目視判別結果に対する表面疵検査装置による
判別結果の例を示す線図、第3図は同じく判別結果の例
を示す線図、第4図は多変数の場合の本発明による疵種
決定手順の例を示す流れ図、第5図は従来の疵種決定手
順の例を示す流れ図、第6図は疵種の判別ツリーの例を
示す流れ図である。
Claims (1)
- (1)被検査物の疵を検査して該疵の情報を取得し、こ
の疵情報を所定の設定値に比較して疵の特性を判定する
際に、 前記疵情報を学習して、前記設定値を誤まつた判定のよ
り少ないものにすることを特徴とする疵特性判定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP17644488A JPH0225736A (ja) | 1988-07-15 | 1988-07-15 | 疵特性判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP17644488A JPH0225736A (ja) | 1988-07-15 | 1988-07-15 | 疵特性判定方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH0225736A true JPH0225736A (ja) | 1990-01-29 |
Family
ID=16013811
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP17644488A Pending JPH0225736A (ja) | 1988-07-15 | 1988-07-15 | 疵特性判定方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH0225736A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100838723B1 (ko) * | 2001-12-05 | 2008-06-16 | 주식회사 포스코 | 스트립표면 결함부의 검출 및 평점산출장치 |
JP2013238449A (ja) * | 2012-05-14 | 2013-11-28 | Taisei Corp | ひび割れ検出方法 |
-
1988
- 1988-07-15 JP JP17644488A patent/JPH0225736A/ja active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100838723B1 (ko) * | 2001-12-05 | 2008-06-16 | 주식회사 포스코 | 스트립표면 결함부의 검출 및 평점산출장치 |
JP2013238449A (ja) * | 2012-05-14 | 2013-11-28 | Taisei Corp | ひび割れ検出方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US5953446A (en) | Method and apparatus for optical data analysis | |
TW484197B (en) | Real time defect source identification | |
Brockstedt et al. | An optimized battery of eight antibodies that can distinguish most cases of epithelial mesothelioma from adenocarcinoma | |
CN114503245B (zh) | 用于多模式检验的基于统计学习模式选择的方法及*** | |
CN115825103B (zh) | 一种基于图像技术的用于带角度端口光纤阵列的检端*** | |
CN115376074A (zh) | 输电线路监拍装置识别效果评估方法及*** | |
JPH0225736A (ja) | 疵特性判定方法 | |
Korobow et al. | Toward early warning of changes in bank's financial condition: a progress report | |
CN111191670A (zh) | 基于神经网络的分类装置及分类方法 | |
JP3265826B2 (ja) | 画像判定装置および画像判定方法 | |
JP2019158684A (ja) | 検査システム、識別システム、及び識別器評価装置 | |
Sheehan | Money-income causality: Results for six countries | |
CN115713484A (zh) | 一种基于图像表示的工业缺陷样本检测方法及*** | |
JP3012449B2 (ja) | 音響信号の識別方法および装置 | |
Iwata et al. | AI-aided Hammering Test System to Automatically Generate Anomaly Maps. | |
CN113420772A (zh) | 基于多分类器与svdd协同算法的缺陷检测方法和装置 | |
CN113780488A (zh) | 基于位置聚合程度的刮伤与擦伤缺陷检测方法 | |
Subramanyam et al. | A new stepwise method for selection of input and output variables in data envelopment analysis | |
US20080165352A1 (en) | Method, system and apparatus of inspection | |
TWI843901B (zh) | 用於選擇用於檢測樣品之一或多個模式之系統及方法以及非暫時性電腦可讀媒體 | |
CN114096989A (zh) | 信息处理装置、信息处理程序和信息处理方法 | |
US10475178B1 (en) | System, method and computer program product for inspecting a wafer using a film thickness map generated for the wafer | |
CN117890371B (zh) | 一种晶圆外观检测功能影像迭合的方法 | |
KR102686135B1 (ko) | 인공지능을 활용한 결함 검사 방법 및 인공지능을 활용한 결함 검사 장치 | |
JP2003296697A (ja) | 検体取り違い判定方法およびその方法に使用されるマップおよび学習データの作成方法 |