JPH05223751A - Inspecting method for surface flaw - Google Patents
Inspecting method for surface flawInfo
- Publication number
- JPH05223751A JPH05223751A JP4059820A JP5982092A JPH05223751A JP H05223751 A JPH05223751 A JP H05223751A JP 4059820 A JP4059820 A JP 4059820A JP 5982092 A JP5982092 A JP 5982092A JP H05223751 A JPH05223751 A JP H05223751A
- Authority
- JP
- Japan
- Prior art keywords
- flaw
- defect
- surface flaw
- type
- group
- 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
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
Description
【０００１】[0001]
【産業上の利用分野】本発明は光学的に被検査材の表面
疵を検査する方法に関する。BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a method for optically inspecting a surface flaw of a material to be inspected.
【０００２】[0002]
【従来の技術】鋼板等の被検査材の表面疵を検出する装
置としては、移送中の被検査材の表面に外部から光を照
射し、被検査材の表面による反射光を受光し、その受光
結果に基づいて表面疵を検出するようにした表面疵検査
装置が知られている。2. Description of the Related Art As a device for detecting surface flaws on a material to be inspected such as a steel plate, the surface of the material to be inspected during transfer is irradiated with light from the outside, and light reflected by the surface of the material to be inspected is received. A surface flaw inspection device is known which detects a surface flaw based on a light reception result.
【０００３】従来の表面疵検査装置においては、表面疵
検査を行う場合、表面疵検査のために移送される被検査
材の移送方向に対して垂直方向にレーザ光を走査し、被
検査材で反射及び散乱したレーザ光を集光する。そし
て、集光した光をその光量に対応する電気信号に変換
し、この電気信号に対して所定の信号処理を施し、これ
によって表面疵の幅，長さ及び面積等の表面疵の状態を
表す特徴量を得る。そして、この特徴量の夫々と、疵の
種類（疵名及び疵等級）毎に設定された特徴量設定値の
夫々とを比較し、その比較結果に基づいて前記特徴量に
対応する疵の種類を判定するツリーロジックを用いて疵
の種類を判定していた。In a conventional surface flaw inspection apparatus, when performing a surface flaw inspection, a laser beam is scanned in a direction perpendicular to a transfer direction of a material to be inspected transferred for surface flaw inspection, and the material to be inspected is scanned. Collect the reflected and scattered laser light. Then, the condensed light is converted into an electric signal corresponding to the amount of light, and the electric signal is subjected to predetermined signal processing, whereby the surface flaw state such as width, length and area of the surface flaw is represented. Get the feature quantity. Then, each of the feature amounts is compared with each of the feature amount setting values set for each of the types of defects (the defect name and the defect grade), and the defect type corresponding to the feature amount is based on the comparison result. The type of defect was determined using the tree logic for determining.
【０００４】また、前記ツリーロジックは、表面疵検査
を行う前に専門技術者が予め作成していた。その作成作
業においては、まず、検査対象の種々の疵について多数
の特徴量のデータを収集し、収集したデータに基づいて
基本的ツリーロジックを作成する。そして、疵の種類が
既知である多数のサンプル疵について、夫々のサンプル
疵の特徴量のデータから、前記基本的ツリーロジックを
用いて、その疵の種類を判定するシミュレーションを行
う。そして、その判定結果の精度が高くなるように、前
記基本的ツリーロジックの内容（特徴量設定値及び比較
判断項目の数等）の修正を繰り返し行い、その結果とし
て、実際の表面疵検査に用いるツリーロジックを決定し
ていた。Further, the tree logic has been prepared in advance by an expert engineer before the surface flaw inspection. In the creation work, first, data of a large number of features is collected for various flaws to be inspected, and a basic tree logic is created based on the collected data. Then, with respect to a large number of sample flaws with known types of flaws, a simulation for determining the type of flaws is performed from the data of the feature amount of each sample flaw using the basic tree logic. Then, the contents of the basic tree logic (feature amount setting value, number of comparison judgment items, etc.) are repeatedly corrected so that the accuracy of the judgment result becomes high, and as a result, it is used for actual surface flaw inspection. The tree logic was decided.
【０００５】[0005]
【発明が解決しようとする課題】しかしながら、前述の
如き従来の表面疵検査装置では、前記ツリーロジックの
作成に専門技術者が必要であるという制約があり、ま
た、大量のデータに基づいて、試行錯誤により前記ツリ
ーロジックを作成していたため、そのツリーロジックの
作成に長期間を要するという問題があり、さらに、前記
ツリーロジックは、予め定められた検査対象の疵の種類
については有効であるが、被検査材の材質又は加工方法
の変更等により検査対象の疵の種類が、予定されたもの
以外のものに変更された場合は、専門技術者によるツリ
ーロジックの変更を行わなければならず、新たな種類の
疵の検査に速やかに対応できないという問題があった。However, in the conventional surface flaw inspection apparatus as described above, there is a restriction that a specialized engineer is required to create the tree logic, and a trial is performed based on a large amount of data. Since the tree logic was created by an error, there is a problem that it takes a long time to create the tree logic.Further, the tree logic is effective for a predetermined type of flaw to be inspected, If the type of flaw to be inspected is changed to something other than planned due to changes in the material or processing method of the inspected material, the tree logic must be changed by a specialist engineer. There was a problem that it was not possible to promptly deal with various types of flaw inspections.
【０００６】本発明は斯かる事情に鑑みてなされたもの
であり、疵の種類の判定ロジックの作成を、専門技術者
を必要とすることなく短期間で行うと共に、予定された
種類以外の疵の検査に速やかに対応することが可能とな
る表面疵検査方法を提供することを目的とする。The present invention has been made in view of the above circumstances, and it is possible to create a defect type determination logic in a short period of time without requiring an expert engineer, and to make a defect other than a planned type. It is an object of the present invention to provide a surface flaw inspection method capable of promptly responding to the above inspection.
【０００７】[0007]
【課題を解決するための手段】本発明に係る表面疵検査
方法は、被検査材の表面に光を照射し、前記被検査材の
表面で反射した反射光の受光結果に基づいて表面疵の特
徴量を複数種類検出し、検出した複数種類の特徴量に基
づいて前記表面疵の種類を判定する表面疵検査方法にお
いて、前記被検査材に発生する可能性がある複数の表面
疵種類を特定の特徴量に基づいて複数の疵グループに分
類してなるグループデータと、各疵グループ内の各表面
疵種類の判定に必要である特徴量の種類の情報及びその
各特徴量の確率分布を生成するための情報を有する疵判
定用データを、表面疵種類毎に纏めてなる疵判定用デー
タベースと、判定対象の表面疵が疵グループ内の各表面
疵種類である確率を、前記疵判定用データベースにおけ
る前記疵グループ内の各表面疵種類の疵判定用データに
基づいて生成される各特徴量の確率分布及びこれに対応
する判定対象の表面疵の特徴量の検出値に関連して、各
表面疵種類毎に求め、求めた確率が最も高くなるものを
判定対象の表面疵の種類として判定するように学習させ
た確率的ニューラルネットとを予め定めておき、表面疵
検査の際に検出された表面疵の特徴量に基づき前記グル
ープデータを用いてその表面疵が属する疵グループを特
定し、特定された疵グループについて、前記疵判定用デ
ータベース及び前記確率的ニューラルネットを用いてそ
の表面疵の種類を判定することを特徴とする。A surface flaw inspection method according to the present invention irradiates a surface of a material to be inspected with light and detects the surface flaw on the basis of a light reception result of reflected light reflected by the surface of the material to be inspected. In a surface flaw inspection method for detecting a plurality of types of feature quantity and determining the type of the surface flaw based on the detected plurality of types of feature quantity, a plurality of types of surface flaws that may occur in the inspected material are identified. Generates group data that is classified into multiple defect groups based on the feature amount, information on the type of feature amount necessary for determining each surface defect type within each defect group, and probability distribution of each feature amount The defect determination data having the information for performing, the defect determination database that is collected for each surface defect type, and the probability that the determination target surface defect is each surface defect type in the defect group, the defect determination database Defect group in For each surface flaw type, in relation to the probability distribution of each feature quantity generated based on the flaw determination data of each surface flaw type and the detected value of the feature quantity of the surface flaw to be judged corresponding to this , A probabilistic neural network that has been learned so as to determine the one having the highest calculated probability as the type of surface flaw to be determined, and the feature amount of the surface flaw detected during the surface flaw inspection. Based on the group data to identify the flaw group to which the surface flaw belongs, for the identified flaw group, using the flaw determination database and the stochastic neural network to determine the type of the surface flaw. Characterize.
【０００８】[0008]
【作用】本発明にあっては、まず、検出された表面疵の
特徴量に基づきグループデータを用いてその表面疵が属
する疵グループを特定するが、これによって、判定する
表面疵の種類（疵名及び疵等級）の数は、ある程度絞ら
れる。そして、特定された疵グループについて疵判定用
データベース及び確率的ニューラルネットを用いた表面
疵の種類の判定が行われるが、判定する表面疵の種類の
数がある程度絞られているため、確率的ニューラルネッ
トによる判定は、少ない演算処理量で実行可能となる。
また、判定用アルゴリズムとして確率的ニューラルネッ
トを用いているが、これは、学習によってアルゴリズム
が生成されるため、判定用アルゴリズムを定めるための
作業に関して、長期間を要さず、従来のようなツリーロ
ジック作成の専門技術者も必要とはならない。According to the present invention, first, the flaw group to which the surface flaw belongs is specified by using the group data based on the detected feature amount of the surface flaw. The number of names and defect grades is narrowed down to some extent. Then, the type of surface flaw is determined using the flaw determination database and the probabilistic neural network for the identified flaw group. However, since the number of types of surface flaws to be determined is narrowed down to some extent, probabilistic neural The determination by the net can be executed with a small amount of calculation processing.
In addition, a probabilistic neural network is used as the judgment algorithm, but this does not require a long period of time for determining the judgment algorithm because the algorithm is generated by learning. Neither does it require a specialist in logic creation.
【０００９】[0009]
【実施例】以下、本発明をその実施例を示す図面に基づ
き具体的に説明する。図１は本発明に係る表面疵検査方
法の実施に用いる疵検査装置の構成を示す模式的ブロッ
ク図である。DETAILED DESCRIPTION OF THE PREFERRED EMBODIMENTS The present invention will be specifically described below with reference to the drawings showing the embodiments thereof. FIG. 1 is a schematic block diagram showing the configuration of a flaw inspection device used for carrying out the surface flaw inspection method according to the present invention.
【００１０】図中10は表面疵検査の対象となる板状の被
検査材であり、該被検査材10は表面疵検査のために図中
白抜き矢符にて示される方向に移送されるようになって
いる。被検査材10の上方には、被検査材10に対してレー
ザ光を照射する光源11が配されており、該光源11から出
力されるレーザ光は、被検査材10の移送方向に対して垂
直方向に走査されるようになっている。被検査材10は移
送されるため、前記レーザ光の被検査材10上での走査位
置は、その１ラインの走査毎に被検査材10の移送方向上
流側へ移動することになり、これによって被検査材10の
表面の全体に順次的にレーザ光が走査されるようになっ
ている。In the figure, reference numeral 10 denotes a plate-shaped inspected material which is an object of surface flaw inspection, and the inspected material 10 is transferred in a direction indicated by a white arrow in the figure for surface flaw inspection. It is like this. Above the inspected material 10, a light source 11 for irradiating the inspected material 10 with laser light is arranged, and the laser light output from the light source 11 is in the transfer direction of the inspected material 10. It is designed to scan in the vertical direction. Since the material 10 to be inspected is transported, the scanning position of the laser beam on the material 10 to be inspected moves to the upstream side in the transport direction of the material 10 to be inspected for each scanning of one line thereof. The entire surface of the inspected material 10 is sequentially scanned with laser light.
【００１１】また、被検査材10の上方には、夫々光導棒
を用いた光電センサであり、被検査材に対して走査され
たレーザ光の正反射光をその走査方向に亘って受光し、
前記走査方向の１次元の受光量を表す電気信号（アナロ
グ信号）を出力する正反射光検出装置１と、前記レーザ
光の所定角度の乱反射光を前記走査方向に亘って受光
し、前記走査方向の１次元の受光量を表す電気信号（ア
ナログ信号）を出力する乱反射光検出装置２とが配され
ている。Above the material 10 to be inspected, there are photoelectric sensors each using a light bar, and the regular reflection light of the laser light scanned on the material to be inspected is received in the scanning direction,
A specular reflection light detection device 1 that outputs an electric signal (analog signal) that represents a one-dimensional received light amount in the scanning direction, and diffuse reflection light of a predetermined angle of the laser light is received over the scanning direction, and the scanning direction And the irregular reflection light detection device 2 that outputs an electric signal (analog signal) representing the one-dimensional received light amount.
【００１２】正反射光検出装置１の出力信号は、第１オ
ンライン処理装置３と、オフライン解析装置５とに与え
られるようになっている。乱反射光検出装置２の出力信
号は、第２オンライン処理装置４及びオフライン解析装
置５に与えられるようになっている。The output signal of the specular reflection light detection device 1 is supplied to the first online processing device 3 and the offline analysis device 5. The output signal of the irregular reflection light detection device 2 is supplied to the second online processing device 4 and the offline analysis device 5.
【００１３】第１オンライン処理装置３は、後述するよ
うに、正反射光検出装置１の出力信号を量子化して１次
元画像化した後に該１次元画像を２次元画像化し、その
２次元画像情報に基づいて被検査材の表面疵の特徴量
（疵幅，疵長さ及び疵面積等）を求め、第２オンライン
処理装置４は、乱反射光検出装置２の出力信号を量子化
して１次元画像化した後に該１次元画像を２次元画像化
し、その２次元画像情報に基づいて被検査材の表面疵の
特徴量（疵幅，疵長さ及び疵面積等）を求めるようにな
っている。また、オフライン解析装置５は、正反射光検
出装置１及び乱反射光検出装置２の検出結果を、記憶装
置６に記憶させ、その記憶データに基づいて、後述する
確率的ニューラルネットの疵判定用アルゴリズムを生成
するための学習を行い、その学習結果により得られる疵
判定用アルゴリズムを、後述する総合判別処理装置７へ
定期的に与えるようになっている。As will be described later, the first online processing device 3 quantizes the output signal of the specular reflection light detection device 1 into a one-dimensional image, then forms the one-dimensional image into a two-dimensional image, and the two-dimensional image information thereof. The feature amount (defect width, defect length, defect area, etc.) of the surface defect of the material to be inspected is obtained based on the above, and the second online processing device 4 quantizes the output signal of the irregular reflection light detection device 2 to obtain a one-dimensional image. After the conversion, the one-dimensional image is converted into a two-dimensional image, and the feature amount of the surface flaw of the inspection material (the flaw width, the flaw length, the flaw area, etc.) is obtained based on the two-dimensional image information. Further, the offline analysis device 5 stores the detection results of the specular reflection light detection device 1 and the irregular reflection light detection device 2 in the storage device 6, and based on the storage data, the defect determination algorithm of the stochastic neural network described later. Is performed and a flaw determination algorithm obtained from the learning result is periodically given to a comprehensive determination processing device 7 described later.
【００１４】また、前述の第１オンライン処理装置３
と、第２オンライン処理装置４と、オフライン解析処理
装置５と、検出された表面疵の種類（疵名及び疵等級）
の判定を行うニューロコンピュータよりなる総合判定処
理装置７とが、高速通信回線９によってデータ通信可能
に接続されている。さらに、総合判定処理装置７の判定
結果の情報は、表面疵の種類の判別結果のデータの集計
と、品質管理とを行うプロセスコントローラ８に与えら
れるようになっている。Further, the above-mentioned first online processor 3
And the second online processing device 4, the offline analysis processing device 5, and the type of surface flaw detected (defect name and flaw grade)
A high speed communication line 9 is connected to a comprehensive judgment processing device 7 composed of a neuro computer that makes a judgment so that data communication is possible. Further, the information of the judgment result of the comprehensive judgment processing device 7 is given to the process controller 8 which performs the totalization of the data of the judgment result of the type of surface flaw and the quality control.
【００１５】次に、第１オンライン処理装置３及び第２
オンライン処理装置４の機能構成について説明する。但
し、第１オンライン処理装置３及び第２オンライン処理
装置４の機能構成は、同様の構成となっているため、こ
こでは第１オンライン処理装置３を代表例として説明す
る。Next, the first online processor 3 and the second online processor 3
The functional configuration of the online processing device 4 will be described. However, since the functional configurations of the first online processing device 3 and the second online processing device 4 are similar, the first online processing device 3 will be described as a representative example here.
【００１６】図２は第１オンライン処理装置３の機能構
成を示す模式的ブロック図である。第１オンライン処理
装置３においては、正反射光検出装置１からのアナログ
出力信号が量子化部31に与えられる。量子化部31では、
前記アナログ出力信号を、その信号レベルに応じて複数
階調（例えば６階調）の信号レベル範囲に分けることに
より量子化（ディジタル化）して前記レーザ光の反射光
の走査方向の１次元画像情報を表す１次元のディジタル
信号を、１ライン毎に２次元化部32へ与える。FIG. 2 is a schematic block diagram showing the functional configuration of the first online processing device 3. In the first online processing device 3, the analog output signal from the specular reflection light detection device 1 is given to the quantization unit 31. In the quantizer 31,
A one-dimensional image in the scanning direction of the reflected light of the laser light is obtained by quantizing (digitizing) the analog output signal by dividing it into a signal level range of a plurality of gradations (for example, 6 gradations) according to the signal level. A one-dimensional digital signal representing information is given to the two-dimensional conversion unit 32 line by line.
【００１７】２次元化部32では、量子化部31から与えら
れる１次元のディジタル信号の１ライン分のデータを、
被検査材の移送方向に所定ライン数分記憶し、そして、
これらを纏める処理を行って、前記１次元のディジタル
信号を２次元画像データ化し、その２次元画像データを
特徴量抽出部33へ与える。特徴量抽出部33では、２次元
化部32から与えられた２次元画像データに基づいて、２
次元画像の走査方向及びこれに直交する方向の濃淡のヒ
ストグラムを作成し、そのヒストグラムより、その２次
元画像上に存在する表面疵の幅，長さ及び面積等の特徴
量を求め、求めた特徴量の情報を、高速データ通信回線
９を介して総合判定処理装置７へ与える。In the two-dimensional conversion section 32, the data for one line of the one-dimensional digital signal supplied from the quantization section 31 is converted into
Stores a predetermined number of lines in the transfer direction of the inspected material, and
By performing a process of collecting these, the one-dimensional digital signal is converted into two-dimensional image data, and the two-dimensional image data is given to the feature amount extraction unit 33. In the feature quantity extraction unit 33, based on the 2D image data given from the 2D conversion unit 32, 2
Create a histogram of light and shade in the scanning direction of the two-dimensional image and the direction orthogonal thereto, and from this histogram, find the feature quantities such as the width, length, and area of the surface flaws existing on the two-dimensional image, and find the feature The quantity information is given to the comprehensive judgment processing device 7 via the high-speed data communication line 9.
【００１８】次に、総合判定処理装置７の機能構成につ
いて説明する。図３は総合判定処理装置７の機能構成を
示す模式的ブロック図である。総合判定処理装置７は、
確率的ニューラルネットを用いて表面疵の種類の判定に
関する演算処理を行うニューロ演算部71と、マンマシン
インタフェイスに関する処理を行うマンマシンインタフ
ェイス部72と、装置の操作及び判定処理結果の出力を行
う入出力部73とにて構成されており、ニューロ演算部71
とマンマシンインタフェイス部72とは高速通信回線74を
介して接続されている。Next, the functional configuration of the comprehensive judgment processing device 7 will be described. FIG. 3 is a schematic block diagram showing the functional configuration of the comprehensive determination processing device 7. The comprehensive determination processing device 7 is
A neuro-operation unit 71 that performs an operation process related to the determination of the type of surface flaw using a probabilistic neural network, a man-machine interface unit 72 that performs a process related to the man-machine interface, and an operation of the device and an output of the determination process result. It is composed of an input / output unit 73 for performing operation, and a neuro operation unit 71.
And the man-machine interface unit 72 are connected via a high-speed communication line 74.
【００１９】ニューロ演算部71においては、高速通信回
線９，ニューロ演算部71間のインタフェイスである通信
用インタフェイス711 と、ニューロ演算部71，高速通信
回線74間のインタフェイスである通信用インタフェイス
712 と、表面疵の種類の判定に関する演算を実行する演
算部713 と、ニューロ演算部71におけるデータの流れを
制御する制御部714 とがシステムバス715 を介して相互
接続されている。In the neuro operation unit 71, a communication interface 711 which is an interface between the high speed communication line 9 and the neuro operation unit 71, and a communication interface which is an interface between the neuro operation unit 71 and the high speed communication line 74. face
712, a calculation unit 713 that executes a calculation related to the determination of the type of surface flaw, and a control unit 714 that controls the flow of data in the neuro calculation unit 71 are interconnected via a system bus 715.
【００２０】このような構成のニューロ演算部71では、
制御部714 によるデータの流れの制御に基づいて、第１
オンライン処理装置３及び第２オンライン処理装置４か
ら表面疵の特徴量の検出データが与えられると共にオフ
ライン処理装置５から確率的ニューラルネットの疵判定
用アルゴリズムが演算部713 に与えられるようになって
おり、演算部713 において、後述するような確率的ニュ
ーラルネットを用いたニューロ演算を行って表面疵の種
類を判定するようになっている。そしてこの判定結果
は、マンマシンインタフェイス部72へ与えられるように
なっている。In the neuro operation unit 71 having such a configuration,
Based on the control of the data flow by the control unit 714, the first
The online processing device 3 and the second online processing device 4 provide the detection data of the surface flaw feature amount, and the offline processing device 5 provides the probabilistic neural network flaw determination algorithm to the computing unit 713. In the calculation unit 713, a neuro calculation using a stochastic neural network as described later is performed to determine the type of surface flaw. The result of this determination is given to the man-machine interface unit 72.
【００２１】マンマシンインタフェイス部72において
は、高速通信回線74，マンマシンインタフェイス部72間
のインタフェイスである通信用インタフェイス721 と、
ニューロ演算部71から与えられる表面疵の種類の判定結
果のデータをハードディスク装置よりなる記憶部723 へ
記憶させるためのインタフェイスである記憶用インタフ
ェイス722 と、前記判定結果を画像表示用データとして
記憶する画像記憶部724と、マンマシンインタフェイス
部72，入出力部73間のインタフェイスである入出力用イ
ンタフェイス部と、マンマシンインタフェイス部72にお
けるデータの流れを制御する制御部726 とがシステムバ
ス727 を介して相互接続されている。In the man-machine interface section 72, a communication interface 721, which is an interface between the high-speed communication line 74 and the man-machine interface section 72,
A storage interface 722 that is an interface for storing the data of the determination result of the type of surface flaw given from the neuro calculation unit 71 in the storage unit 723 composed of a hard disk device, and the determination result as the image display data. The image storage unit 724, the input / output interface unit that is an interface between the man-machine interface unit 72 and the input / output unit 73, and the control unit 726 that controls the data flow in the man-machine interface unit 72. Interconnected via system bus 727.
【００２２】このような構成のマンマシンインタフェイ
ス部72では、制御部726 によるデータの流れの制御によ
って、記憶部723 に前記判定結果のデータが記憶され、
画像記憶部724 に前記判定結果の画像表示用データが記
憶され、また、入出力部73からの入力データに基づく制
御部726 によるデータの流れの制御によって、マンマシ
ンインタフェイス部72内の種々のデータが入出力部73へ
出力されるようになっている。In the man-machine interface unit 72 having such a configuration, the control unit 726 controls the flow of data to store the determination result data in the storage unit 723.
The image display data of the determination result is stored in the image storage unit 724, and various data in the man-machine interface unit 72 are controlled by controlling the data flow by the control unit 726 based on the input data from the input / output unit 73. The data is output to the input / output unit 73.
【００２３】入出力部73は、ニューロ演算部71及びマン
マシンインタフェイス部72の制御に関する操作入力を行
う操作部731 と、前記画像記憶部724 に接続され、画像
記憶部724 から与えられる画像表示用データに基づいて
表面疵の画像を表示する画像表示部732 と、ディスプレ
イ装置及びプリンタ等の種々の出力装置よりなり、マン
マシンインタフェイス部72から与えられる種々のデータ
を出力するその他出力部733 とにて構成されている。こ
のような構成の入出力部73では、操作部731 からの操作
入力によって、ニューロ演算部71及びマンマシンインタ
フェイス部72の制御を行うと共に画像表示部732 及びそ
の他出力部733 に種々の情報を出力させるようになって
いる。The input / output unit 73 is connected to the operation unit 731 for inputting the operation relating to the control of the neuro operation unit 71 and the man-machine interface unit 72, and the image storage unit 724, and the image display provided from the image storage unit 724. An image display unit 732 for displaying an image of a surface flaw based on the use data and various output devices such as a display device and a printer, and other output unit 733 for outputting various data given from the man-machine interface unit 732. It consists of and. In the input / output unit 73 having such a configuration, the neuro-operation unit 71 and the man-machine interface unit 72 are controlled by the operation input from the operation unit 731, and various information is output to the image display unit 732 and other output unit 733. It is designed to output.
【００２４】次に、ニューロ演算部71の演算部714 にお
ける確率的ニューラルネットを用いた表面疵の種類の判
定方法について説明する。Next, a method of determining the type of surface flaw using the probabilistic neural network in the operation unit 714 of the neuro operation unit 71 will be described.
【００２５】演算部714 には、被検査材に生じる可能性
がある多種類の表面疵を、夫々の表面疵の疵長さと疵幅
との組み合わせによって所定数の疵グループにグループ
分けしてなる疵グループ化テーブルと、該疵グループ化
テーブルの各疵グループを構成する表面疵種類の夫々の
長さ，幅，面積等の特徴量の一般的な値のデータを、表
面疵種類毎に各別のファイルに纏めてなる疵判定データ
ベースと、該疵判定データベースのデータ及び第１オン
ライン処理装置３からの表面疵の特徴量の検出データに
基づいて確率的ニューラルネットにより表面疵の種類を
判定するアルゴリズムを有するプログラムとが、オフラ
イン処理装置５から与えられて記憶されるようになって
いる。The calculation unit 714 groups various kinds of surface flaws that may occur on the material to be inspected into a predetermined number of flaw groups according to the combination of the flaw length and the flaw width of each surface flaw. Defect grouping table and data of general values of characteristic amounts such as length, width, and area of each surface defect type forming each defect group of the defect grouping table are classified by surface defect type. Defect determination database integrated into a file, and an algorithm for determining the type of surface defect by a probabilistic neural network based on the data of the defect determination database and the detection data of the feature amount of the surface defect from the first online processing device 3. And a program having the above are provided from the offline processing device 5 and stored.
【００２６】ここで、前記疵グループ化テーブル及び前
記疵判定データベースについて説明する。図４は疵グル
ープ化テーブル及び疵判定データベースの構成の一例を
表す説明図である。図中101 は疵グループ化テーブルで
あり、該疵グループ化テーブル101 は、図示の如く、疵
長さＨと疵幅Ｗとの組み合わせを、疵長さＨに関する複
数のしきい値H1〜H4と、疵幅Ｗに関する複数のしきい値
W1〜W4にて複数の疵グループ（25グループ) に分類する
データテーブルである。また、図中102 は疵判定データ
ベースであり、該疵判定データベース102 は、各疵グル
ープを構成する表面疵種類の夫々の疵長さＨ，疵幅Ｗ，
疵面積Ｓ等の特徴量の基準的な値のデータを、表面疵種
類毎に各別のファイル102a〜102nに纏めてあり、この疵
判定データベース102 は、各疵グループ毎に存在する。Here, the defect grouping table and the defect determination database will be described. FIG. 4 is an explanatory diagram showing an example of the configurations of the defect grouping table and the defect determination database. In the figure, 101 is a defect grouping table, and as shown in the figure, the defect grouping table 101 uses a combination of a defect length H and a defect width W as a plurality of threshold values H1 to H4 relating to the defect length H. , Multiple thresholds for flaw width W
It is a data table that classifies into multiple flaw groups (25 groups) in W1 to W4. Further, in the figure, 102 is a flaw determination database, and the flaw determination database 102 is the flaw length H, the flaw width W, and the flaw width W of each surface flaw type that constitutes each flaw group.
The data of the standard value of the feature amount such as the defect area S are collected in the respective files 102a to 102n for each surface defect type, and the defect determination database 102 exists for each defect group.
【００２７】図５は演算部714 における確率的ニューラ
ルネットを用いた表面疵の種類の判定方法の処理手順を
示すフローチャートである。演算部714 では、第１オン
ライン処理装置３から表面疵の特徴量の検出データが与
えられると、まず、その検出データのうちの長さ，幅の
検出データにより、前記疵グループ化テーブルにおいて
その検出された表面疵が該当する疵グループを特定する
（ステップS1) 。FIG. 5 is a flow chart showing the processing procedure of the method for determining the type of surface flaw using the stochastic neural network in the arithmetic unit 714. In the arithmetic unit 714, when the detection data of the feature amount of the surface flaw is given from the first online processing device 3, first, the detection data of the length and width of the detected data is used to detect the detection in the flaw grouping table. A flaw group to which the surface flaw thus formed corresponds is specified (step S1).
【００２８】そして、その疵グループの疵判定データベ
ース中の各ファイルに記憶された各表面疵種類の特徴量
の値と、前記表面疵の特徴量の検出データとに基づき、
表面疵種類毎に下記(1) 式に示される確率的ニューロ計
算式を用いて、検出された表面疵が疵判定データベース
中の表面疵種類の夫々である確率を夫々求める（ステッ
プS2) 。Then, based on the value of the feature quantity of each surface flaw type stored in each file in the flaw determination database of the flaw group and the detection data of the feature quantity of the surface flaw,
For each surface defect type, the probability that the detected surface defect is each surface defect type in the defect determination database is obtained using the probabilistic neuro-calculation formula shown in the following equation (1) (step S2).
【００２９】[0029]
【数１】 [Equation 1]
【００３０】但し、前記(1) 式は、疵判定データベース
中の任意の表面疵Ａである確率PAを求める確率的ニュー
ロ計算式であり、この式は疵判定データベース中の表面
疵Ａ以外の表面疵についても同様に用いられる。However, the above equation (1) is a stochastic neuro-calculation formula for obtaining a probability PA that is an arbitrary surface flaw A in the flaw determination database, and this equation is for a surface other than the surface flaw A in the flaw determination database. The same applies to defects.
【００３１】前記(1) 式の物理的な意味の概略を説明す
ると、前記(1) 式においては、疵判定データベース中の
各表面疵種類における各特徴量の値がその表面疵種類Ａ
である確率を表す確率分布（正規分布）上での、各特徴
量についての検出データの確率を求めてその確率を平均
し、その確率の平均値に、当該表面疵種類Ａが被検査材
に発生する確率である疵発生確率QAを乗じることによ
り、検出された表面疵が当該表面疵種類Ａである確率PA
が求められるようになっているのである。なお、前記確
率分布の広がりは、表面疵の種類に応じて、スムーシン
グパラメータσを変更することにより、調節可能なよう
になっている。The physical meaning of the equation (1) will be briefly described. In the equation (1), the value of each feature amount for each surface flaw type in the flaw determination database is the surface flaw type A.
On the probability distribution (normal distribution) representing a certain probability, the probability of the detection data for each feature amount is obtained, the probability is averaged, and the average value of the probabilities indicates that the surface flaw type A is the inspection material. The probability PA that the detected surface flaw is the surface flaw type A by multiplying the flaw occurrence probability QA that is the probability of occurrence
Is required. The spread of the probability distribution can be adjusted by changing the smoothing parameter σ according to the type of surface flaw.
【００３２】そして、このように求めた各表面疵種類の
確率を比較して、その確率が最も高いものを求め、その
表面疵種類を、検出した表面疵の疵種類と判定する（ス
テップS3) 。Then, the probabilities of the surface flaw types thus obtained are compared with each other, the one having the highest probability is determined, and the surface flaw type is determined as the flaw type of the detected surface flaw (step S3). ..
【００３３】次に、以上の如き表面疵検査方法を用いて
実際に表面疵検査を行った場合の疵判定用のアルゴリズ
ムの作成期間と、表面疵の判定に関する識別率とについ
て、前述の如きツリーロジックを用いた従来の表面疵検
査方法を用いた場合のアルゴリズムの作成期間及び表面
疵の判定に関する識別率と比較して説明する。Next, with respect to the preparation period of the algorithm for the flaw determination when the surface flaw inspection is actually performed by using the above-described surface flaw inspection method, and the identification rate for the surface flaw determination, the tree as described above is used. An explanation will be given in comparison with the creation period of the algorithm and the identification rate regarding the determination of the surface flaw when the conventional surface flaw inspection method using the logic is used.
【００３４】ヘゲ，ガウジ，粒スケール，KCM 汚れ及び
スケール残りの５種類の表面疵を判定することを目的と
した場合、従来方法では、120 時間の作成期間を要した
疵判定用アルゴリズムにて64.0％の識別率が得られたの
に対して、本発明方法では、0.5 時間の作成期間を要し
た疵判定用アルゴリズムにて99.8％の識別率が得られ
た。このように本発明方法では、従来方法に比して、ア
ルゴリズムの作成期間が大幅に短縮されると共に識別率
が大幅するという結果が得られた。For the purpose of determining five types of surface flaws, which include hedging, gouge, grain scale, KCM stains, and scale residue, the conventional method uses a flaw determination algorithm that requires 120 hours of preparation time. While the discrimination rate of 64.0% was obtained, in the method of the present invention, the discrimination rate of 99.8% was obtained by the flaw determination algorithm that required a production period of 0.5 hours. As described above, according to the method of the present invention, as compared with the conventional method, the result that the preparation period of the algorithm is significantly shortened and the identification rate is significantly increased.
【００３５】[0035]
【発明の効果】以上詳述した如く本発明に係る表面疵検
査方法では、判定用アルゴリズムとして確率的ニューラ
ルネットを用いているが、これは、学習によってアルゴ
リズムが生成されるため、判定用アルゴリズムの作成
は、専門技術者を必要とせず短期間で行うことが可能と
なり、また、予定された種類以外の表面疵の検査に対応
する場合も、その表面疵の判定に関して学習すれば良
く、速やかに対応することができる等、本発明は優れた
効果を奏する。As described above in detail, in the surface flaw inspection method according to the present invention, a probabilistic neural network is used as a judgment algorithm. This is because the algorithm is generated by learning. The creation can be done in a short period of time without the need for a specialist technician. Also, even when dealing with the inspection of surface flaws other than the planned type, it suffices to learn about the determination of the surface flaws, and quickly. The present invention has excellent effects such as being able to cope with the situation.
【図１】本発明に係る表面疵検査方法の実施に用いる疵
検査装置の構成を示す模式図的ブロック図である。FIG. 1 is a schematic block diagram showing the structure of a flaw inspection device used for carrying out a surface flaw inspection method according to the present invention.
【図２】第１オンライン処理装置の機能構成を示す模式
的ブロック図である。FIG. 2 is a schematic block diagram showing a functional configuration of a first online processing device.
【図３】総合判定処理装置の機能構成を示す模式的ブロ
ック図である。FIG. 3 is a schematic block diagram showing a functional configuration of a comprehensive determination processing device.
【図４】疵グループ化テーブル及び疵判定データベース
の構成の一例を示す説明図である。FIG. 4 is an explanatory diagram showing an example of configurations of a defect grouping table and a defect determination database.
【図５】確率的ニューラルネットを用いた表面疵の種類
の判定方法の処理手順を示すフローチャートである。FIG. 5 is a flowchart showing a processing procedure of a method for determining the type of surface flaw using a probabilistic neural network.
１ 正反射光検出装置 ２ 乱反射光検出装置 ３ 第１オンライン処理装置 ４ 第２オンライン処理装置 ７ 総合判定処理装置 71 ニューロ演算部 101 疵グループ化テーブル 102 疵判定データベース DESCRIPTION OF SYMBOLS 1 Specular reflection light detection device 2 Diffuse reflection light detection device 3 1st online processing device 4 2nd online processing device 7 Comprehensive determination processing device 71 Neuro calculation part 101 Defect grouping table 102 Defect determination database
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.5 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｆ 15/70 ３３０ Ｎ 9071−5Ｌ ─────────────────────────────────────────────────── ─── Continuation of the front page (51) Int.Cl. 5 Identification code Internal reference number FI technical display location G06F 15/70 330 N 9071-5L
Claims (1)
査材の表面で反射した反射光の受光結果に基づいて表面
疵の特徴量を複数種類検出し、検出した複数種類の特徴
量に基づいて前記表面疵の種類を判定する表面疵検査方
法において、 前記被検査材に発生する可能性がある複数の表面疵種類
を特定の特徴量に基づいて複数の疵グループに分類して
なるグループデータと、 各疵グループ内の各表面疵種類の判定に必要である特徴
量の種類の情報及びその各特徴量の確率分布を生成する
ための情報を有する疵判定用データを、表面疵種類毎に
纏めてなる疵判定用データベースと、 判定対象の表面疵が疵グループ内の各表面疵種類である
確率を、前記疵判定用データベースにおける前記疵グル
ープ内の各表面疵種類の疵判定用データに基づいて生成
される各特徴量の確率分布及びこれに対応する判定対象
の表面疵の特徴量の検出値に関連して、各表面疵種類毎
に求め、求めた確率が最も高くなるものを判定対象の表
面疵の種類として判定するように学習させた確率的ニュ
ーラルネットとを予め定めておき、表面疵検査の際に検
出された表面疵の特徴量に基づき前記グループデータを
用いてその表面疵が属する疵グループを特定し、特定さ
れた疵グループについて、前記疵判定用データベース及
び前記確率的ニューラルネットを用いてその表面疵の種
類を判定することを特徴とする表面疵検査方法。1. A plurality of types of characteristic features of surface flaws are detected based on a result of irradiating the surface of the subject material with light and a light reception result of reflected light reflected by the surface of the subject material. In a surface flaw inspection method for determining the type of the surface flaw based on the amount, by classifying a plurality of surface flaw types that may occur in the inspection material into a plurality of flaw groups based on a specific feature amount The defect detection data having the group data and the information for the type of feature amount necessary for determining each surface defect type in each defect group and the information for generating the probability distribution of each feature amount A database for defect judgment that is grouped for each type, and the probability that the surface defect to be judged is each surface defect type in the defect group, for the defect judgment of each surface defect type in the defect group in the defect judgment database Raw based on data In relation to the probability distribution of each feature quantity that is formed and the detected value of the feature quantity of the surface flaw that is the determination target corresponding to this, the determination is made for each surface flaw type, and the one with the highest probability is determined. A probabilistic neural network learned so as to determine the type of surface flaw is defined in advance, and the surface flaw belongs using the group data based on the feature amount of the surface flaw detected during the surface flaw inspection. A surface flaw inspection method characterized in that a flaw group is specified, and the kind of surface flaw is determined for the specified flaw group using the flaw judgment database and the probabilistic neural network.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4059820A JPH05223751A (en) | 1992-02-13 | 1992-02-13 | Inspecting method for surface flaw |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4059820A JPH05223751A (en) | 1992-02-13 | 1992-02-13 | Inspecting method for surface flaw |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05223751A true JPH05223751A (en) | 1993-08-31 |
Family
ID=13124248
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4059820A Pending JPH05223751A (en) | 1992-02-13 | 1992-02-13 | Inspecting method for surface flaw |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05223751A (en) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003098098A (en) * | 2001-09-21 | 2003-04-03 | Matsushita Electric Works Ltd | Image processing device and image processing system |
| JP2010102736A (en) * | 2010-01-13 | 2010-05-06 | Panasonic Electric Works Co Ltd | Image processor and image processing system |
| WO2011036846A1 (en) * | 2009-09-28 | 2011-03-31 | 株式会社日立ハイテクノロジーズ | Defect inspection device and defect inspection method |
| CN111598827A (en) * | 2019-02-19 | 2020-08-28 | 富泰华精密电子（郑州）有限公司 | Appearance flaw detection method, electronic device and storage medium |
-
1992
- 1992-02-13 JP JP4059820A patent/JPH05223751A/en active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2003098098A (en) * | 2001-09-21 | 2003-04-03 | Matsushita Electric Works Ltd | Image processing device and image processing system |
| WO2011036846A1 (en) * | 2009-09-28 | 2011-03-31 | 株式会社日立ハイテクノロジーズ | Defect inspection device and defect inspection method |
| JP2011089976A (en) * | 2009-09-28 | 2011-05-06 | Hitachi High-Technologies Corp | Defect inspection device and defect inspection method |
| US9075026B2 (en) | 2009-09-28 | 2015-07-07 | Hitachi High-Technologies Corporation | Defect inspection device and defect inspection method |
| JP2010102736A (en) * | 2010-01-13 | 2010-05-06 | Panasonic Electric Works Co Ltd | Image processor and image processing system |
| CN111598827A (en) * | 2019-02-19 | 2020-08-28 | 富泰华精密电子（郑州）有限公司 | Appearance flaw detection method, electronic device and storage medium |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2583146B2 (en) | Top cleanliness inspection method | |
| Lee et al. | The model of surface roughness inspection by vision system in turning | |
| JP2968442B2 (en) | Evaluation system for welding defects | |
| Guh | Simultaneous process mean and variance monitoring using artificial neural networks | |
| CN111242899B (en) | Image-based flaw detection method and computer-readable storage medium | |
| CN1670648A (en) | A method for controlling the quality of industrial processes and system therefrom | |
| CN103221807A (en) | Rapid processing and detection of non-uniformities in web-based materials | |
| CN113888480A (en) | MES-based quality tracing method and system | |
| CN115993366B (en) | Workpiece surface detection method and system based on sensing equipment | |
| CN111402236A (en) | Hot-rolled strip steel surface defect grading method based on image gray value | |
| CN111353611A (en) | Automatic generation system and method for in-service inspection and overhaul inspection report of nuclear power station | |
| JP2021143884A (en) | Inspection device, inspection method, program, learning device, learning method, and trained dataset | |
| EP0563897A1 (en) | Defect inspection system | |
| CN112749893B (en) | Data mining service platform based on cloud computing | |
| JPH05223751A (en) | Inspecting method for surface flaw | |
| CN117315365A (en) | Camshaft surface damage detecting system based on visual analysis | |
| JP3002325B2 (en) | Surface inspection equipment | |
| JP2000510947A (en) | Test system for real time / offline applications | |
| CN114549403A (en) | Multi-monomer intelligent precise geometric circle center detection method for side section of mechanical part | |
| Kline et al. | Evaluation of an automated hardwood lumber grading system | |
| CN112330606A (en) | Defect detection method based on machine learning | |
| JPH07110226A (en) | Determining and evaluating device for surface distortion | |
| CN114496177B (en) | Method and system for detecting clinical infection source of infectious department based on big data | |
| JPS63215954A (en) | Surface inspector | |
| Mukherjee et al. | Image-based classification of defects in frontal surface of fluted ingot |