JPH06123706A - 材料成分判定装置 - Google Patents
材料成分判定装置Info
- Publication number
- JPH06123706A JPH06123706A JP27125292A JP27125292A JPH06123706A JP H06123706 A JPH06123706 A JP H06123706A JP 27125292 A JP27125292 A JP 27125292A JP 27125292 A JP27125292 A JP 27125292A JP H06123706 A JPH06123706 A JP H06123706A
- Authority
- JP
- Japan
- Prior art keywords
- spark
- image
- image information
- sample
- input
- 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
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
(57)【要約】
【目的】 流れ作業工程に使用できるとともに、熟練者
に頼ることなく簡単に材料の成分が判別できるようにし
た。 【構成】 試料から火花を発生させる火花発生部11を
設け、この火花発生部11で発生した火花をカメラ等に
よりRGBの三原色の画像情報に画像入力部12で変換
する。画像情報はニューラルネットワークからなる特徴
抽出部13で火花画像の特徴量を学習及び推定する。画
像情報は、また、フラクタル次元演算部14で、火花の
複雑さを計算し、この計算値と火花画像の特徴量との関
係をファジィ推論からなる総合判断部15で判断して試
料の組成情報を得る。
に頼ることなく簡単に材料の成分が判別できるようにし
た。 【構成】 試料から火花を発生させる火花発生部11を
設け、この火花発生部11で発生した火花をカメラ等に
よりRGBの三原色の画像情報に画像入力部12で変換
する。画像情報はニューラルネットワークからなる特徴
抽出部13で火花画像の特徴量を学習及び推定する。画
像情報は、また、フラクタル次元演算部14で、火花の
複雑さを計算し、この計算値と火花画像の特徴量との関
係をファジィ推論からなる総合判断部15で判断して試
料の組成情報を得る。
Description
【0001】
【産業上の利用分野】この発明は火花試験手段を使用し
た材料(例えば鋼材)の成分判定装置に関するものであ
る。
た材料(例えば鋼材)の成分判定装置に関するものであ
る。
【0002】
【従来の技術】鋼材の成分判定手段には鋼材のサンプル
を切り出し、成分分析を行うことで精密な測定ができ
る。この場合における分析機器も測定技術も確立してい
て一般に使用されている。しかし、種々の材料が流れて
いる生産現場で、鋼材の成分を簡便に判定するために、
現在、火花試験による手段や火花を発生させる手応えを
用いて行う手段が実施されている。例えば火花試験手段
としては日本工業規格JIS G 0566で制定され
ている。
を切り出し、成分分析を行うことで精密な測定ができ
る。この場合における分析機器も測定技術も確立してい
て一般に使用されている。しかし、種々の材料が流れて
いる生産現場で、鋼材の成分を簡便に判定するために、
現在、火花試験による手段や火花を発生させる手応えを
用いて行う手段が実施されている。例えば火花試験手段
としては日本工業規格JIS G 0566で制定され
ている。
【0003】上記試験は火花を観察して、火花の状態か
らいかなる鋼種であるかを推定したり、異材混入の鑑別
や異材が混入していないかを判定するために行われる。
火花を発生させる手段としては図3に示すように、グラ
インダ1に試料である鋼材2を接触させて行う。火花が
図3のように生じたとき、その火花状態をグラインダ1
からA1までを根木、A1からA2までを中央、A2以降を
先端と称している。また、火花が飛んでいる線分を流線
と称し、火花が飛散している部分を破裂と称している。
らいかなる鋼種であるかを推定したり、異材混入の鑑別
や異材が混入していないかを判定するために行われる。
火花を発生させる手段としては図3に示すように、グラ
インダ1に試料である鋼材2を接触させて行う。火花が
図3のように生じたとき、その火花状態をグラインダ1
からA1までを根木、A1からA2までを中央、A2以降を
先端と称している。また、火花が飛んでいる線分を流線
と称し、火花が飛散している部分を破裂と称している。
【0004】
【発明が解決しようとする課題】前述のように鋼材の成
分判定には2つの手段がある。前者の鋼材のサンプルを
切り出して成分分析を行う方法は、サンプリ切り出しか
ら分析までの工程、作業時間、設備コストの面から流れ
作業工程(インライン)に使用することができない不具
合がある。
分判定には2つの手段がある。前者の鋼材のサンプルを
切り出して成分分析を行う方法は、サンプリ切り出しか
ら分析までの工程、作業時間、設備コストの面から流れ
作業工程(インライン)に使用することができない不具
合がある。
【0005】また、後者の火花判定方法では熟練者の目
視による手段を採っているため、熟練者の判定能力に負
わざるを得なく、自動判定がいまだにできない問題があ
る。
視による手段を採っているため、熟練者の判定能力に負
わざるを得なく、自動判定がいまだにできない問題があ
る。
【0006】この発明は上記の事情に鑑みてなされたも
ので、流れ作業工程に使用できるとともに、熟練者に頼
ることなく簡単に材料の成分が判別できる材料成分判定
装置を提供することを目的とする。
ので、流れ作業工程に使用できるとともに、熟練者に頼
ることなく簡単に材料の成分が判別できる材料成分判定
装置を提供することを目的とする。
【0007】
【課題を解決するための手段】この発明は上記の目的を
達成するために、第1発明は試料から火花を発生させる
火花発生部と、この火花発生部からの火花の画像を入力
する画像入力部と、この画像入力部に入力された火花の
画像情報を取り込み、ニューラルネットワークを用い
て、その画像情報から火花の特徴量を学習及び推定して
出力する特徴抽出部と、前記画像入力部に入力された火
花の画像情報を取り込み、その画像情報から火花の複雑
さをフラクタル次元演算を用いて出力する演算部と、こ
の演算部からの火花の複雑さと前記特徴抽出部からの火
花の特徴量とが入力され、両関係をファジィ推論して前
記試料の組成情報を得る総合判断部とからなることを特
徴とするものである。
達成するために、第1発明は試料から火花を発生させる
火花発生部と、この火花発生部からの火花の画像を入力
する画像入力部と、この画像入力部に入力された火花の
画像情報を取り込み、ニューラルネットワークを用い
て、その画像情報から火花の特徴量を学習及び推定して
出力する特徴抽出部と、前記画像入力部に入力された火
花の画像情報を取り込み、その画像情報から火花の複雑
さをフラクタル次元演算を用いて出力する演算部と、こ
の演算部からの火花の複雑さと前記特徴抽出部からの火
花の特徴量とが入力され、両関係をファジィ推論して前
記試料の組成情報を得る総合判断部とからなることを特
徴とするものである。
【0008】第2発明は実際の火花と総合判断部に与え
られた成分把握手段による画像情報とから試料の組成情
報を得るようにしたものである。
られた成分把握手段による画像情報とから試料の組成情
報を得るようにしたものである。
【0009】第3発明は種々の試料が流れている作業工
程に火花発生部を設けたことを特徴とするものである。
程に火花発生部を設けたことを特徴とするものである。
【0010】
【作用】試料から発生する火花をCCDカメラ等による
画像入力部に取り込む。取り込んだ画像は電気信号とし
て出力し、ニューラルネットワークを用いて火花の画像
パターンの特徴量を学習及び推定するとともに前記電気
信号をフラクタル次元演算を行って火花の複雑さを計算
する。火花の特徴量と複雑さとの関係をファジィ推論を
用いて組成情報を得る。
画像入力部に取り込む。取り込んだ画像は電気信号とし
て出力し、ニューラルネットワークを用いて火花の画像
パターンの特徴量を学習及び推定するとともに前記電気
信号をフラクタル次元演算を行って火花の複雑さを計算
する。火花の特徴量と複雑さとの関係をファジィ推論を
用いて組成情報を得る。
【0011】
【実施例】以下この発明の実施例を図面に基づいて説明
する。図1において、11は図3に示すグランダ等を用
いて試料から火花を発生させる火花発生部で、この火花
発生部11で発生された火花の画像はCCDカメラ等か
ら構成される画像入力部12に入力される。画像入力部
12は入力された火花の画像をR(赤),G(緑),B
(青)三原色に分解した画像情報Pを出力する。画像情
報Pはニューラルネットワークを用いて火花の画像パタ
ーンの特徴量を学習及び推定する特徴量抽出部13に入
力され、出力に学習された火花画像の特徴に対する画像
情報Pの類似度情報Nを得る。
する。図1において、11は図3に示すグランダ等を用
いて試料から火花を発生させる火花発生部で、この火花
発生部11で発生された火花の画像はCCDカメラ等か
ら構成される画像入力部12に入力される。画像入力部
12は入力された火花の画像をR(赤),G(緑),B
(青)三原色に分解した画像情報Pを出力する。画像情
報Pはニューラルネットワークを用いて火花の画像パタ
ーンの特徴量を学習及び推定する特徴量抽出部13に入
力され、出力に学習された火花画像の特徴に対する画像
情報Pの類似度情報Nを得る。
【0012】また、前記画像情報Pはフラクタル次元演
算部13に入力され、ここで画像情報Pから火花の複雑
さを計算して出力にフラクタル次元情報Fを得る。フラ
クタル次元演算部13からの出力情報(火花の複雑さ)
Fと前記特徴量抽出部13からの出力情報(火花画像の
特徴)Nはファジィ推論からなる総合判断部15に入力
され、ここで、両情報の関係をファジィ推論して出力に
試料の組成情報Cを得る。なお、上記実施例において、
火花発生部11はアーク等の手段で発生させてもよい。
算部13に入力され、ここで画像情報Pから火花の複雑
さを計算して出力にフラクタル次元情報Fを得る。フラ
クタル次元演算部13からの出力情報(火花の複雑さ)
Fと前記特徴量抽出部13からの出力情報(火花画像の
特徴)Nはファジィ推論からなる総合判断部15に入力
され、ここで、両情報の関係をファジィ推論して出力に
試料の組成情報Cを得る。なお、上記実施例において、
火花発生部11はアーク等の手段で発生させてもよい。
【0013】図2は図1の実施例の動作モードを述べる
ためのブロック図で、この図2の動作モードは学習モー
ドと組成判定モードがある。学習モードは特徴抽出部1
3であるニューラルネットワークのパラメータを、画像
情報Pに対する教師信号T(代表的な材料番号など)を
用いて学習させて出力N1を得る。この出力N1とフラク
タル次元演算部13の火花の複雑さ出力情報Fは総合判
断部15に入力され、図示しない発光分析装置等による
分析結果Rを用いてファジィ推論で用いるファジィ推論
ルール及びメンバーシップ関数を自動生成する。
ためのブロック図で、この図2の動作モードは学習モー
ドと組成判定モードがある。学習モードは特徴抽出部1
3であるニューラルネットワークのパラメータを、画像
情報Pに対する教師信号T(代表的な材料番号など)を
用いて学習させて出力N1を得る。この出力N1とフラク
タル次元演算部13の火花の複雑さ出力情報Fは総合判
断部15に入力され、図示しない発光分析装置等による
分析結果Rを用いてファジィ推論で用いるファジィ推論
ルール及びメンバーシップ関数を自動生成する。
【0014】一方、組成判別モードは上記学習モードに
より学習した装置に実際の火花画像を取り込み、取り込
んだ画像情報から試料の組成を推定するモードである。
より学習した装置に実際の火花画像を取り込み、取り込
んだ画像情報から試料の組成を推定するモードである。
【0015】上記両モードを用いることにより、実際の
火花と他の発光分析法等による成分把握の画像情報によ
って火花の特徴量とその複雑さ及び成分とを関連づける
学習を行い、実作動時に未知の試料(鋼材)の火花を観
測して組成を判別することができるようになる。
火花と他の発光分析法等による成分把握の画像情報によ
って火花の特徴量とその複雑さ及び成分とを関連づける
学習を行い、実作動時に未知の試料(鋼材)の火花を観
測して組成を判別することができるようになる。
【0016】上記実施例を作業工程中に設置すれば、作
動工程に流れている試料(鋼種)と異なった材質(鋼
材)が混入したことが判別できる。これによって、異材
混入に伴う莫大な被害(出荷後、部品に混入し、組み込
まれた製品の事故の発生、ロット不良に伴う損失、信頼
性失墜等)を未然に防止して製品の信頼性を確立でき
る。また、鋼材の製造工程中の前後ロットへの混入防止
を図ることができるとともに、特殊鋼等リサイクルのた
めの成分管理を行って異成分の混入防止を図ることがで
きる。例えば、ステンレスのNi系、Cr系に異材を混
入させないことや、鋼のリサイクルにCuやZnを混入
させないこと等である。
動工程に流れている試料(鋼種)と異なった材質(鋼
材)が混入したことが判別できる。これによって、異材
混入に伴う莫大な被害(出荷後、部品に混入し、組み込
まれた製品の事故の発生、ロット不良に伴う損失、信頼
性失墜等)を未然に防止して製品の信頼性を確立でき
る。また、鋼材の製造工程中の前後ロットへの混入防止
を図ることができるとともに、特殊鋼等リサイクルのた
めの成分管理を行って異成分の混入防止を図ることがで
きる。例えば、ステンレスのNi系、Cr系に異材を混
入させないことや、鋼のリサイクルにCuやZnを混入
させないこと等である。
【0017】上記の他、機械部品は切断→切削→熱処理
→矯正→研摩する工程、切断→鍛造→バリ取り→切削→
熱処理等多工程、機械工程や熱処理工程等種々な工程を
経て来るので、途中の工程で部品に異材が混入するのを
防止できる。
→矯正→研摩する工程、切断→鍛造→バリ取り→切削→
熱処理等多工程、機械工程や熱処理工程等種々な工程を
経て来るので、途中の工程で部品に異材が混入するのを
防止できる。
【0018】
【発明の効果】以上述べたように、この発明によれば、
流れ作業工程中に配置して試料と異なる材質の材料の混
入を防止することができるとともに、熟練者でなくとも
簡単に試料の成分を判別することができる利点がある。
流れ作業工程中に配置して試料と異なる材質の材料の混
入を防止することができるとともに、熟練者でなくとも
簡単に試料の成分を判別することができる利点がある。
【図1】この発明の実施例を示すブロック図である。
【図2】図1の動作モードを述べるブロック図である。
【図3】火花発生部における火花の形および名称を説明
図である。
図である。
11…火花発生部 12…画像入力部 13…特徴抽出部 14…フラクタル次元演算部 15…総合判断部
Claims (3)
- 【請求項1】 試料から火花を発生させる火花発生部
と、この火花発生部からの火花の画像を入力する画像入
力部と、この画像入力部に入力された火花の画像情報を
取り込み、ニューラルネットワークを用いて、その画像
情報から火花の特徴量を学習及び推定して出力する特徴
抽出部と、前記画像入力部に入力された火花の画像情報
を取り込み、その画像情報から火花の複雑さをフラクタ
ル次元演算を用いて出力する演算部と、この演算部から
の火花の複雑さと前記特徴抽出部からの火花の特徴量と
が入力され、両関係をファジィ推論して前記試料の組成
情報を得る総合判断部とからなることを特徴とする材料
成分判定装置。 - 【請求項2】 実際の火花と総合判断部に与えられた成
分把握手段による画像情報とから試料の組成情報を得る
請求項1記載の材料成分判定装置。 - 【請求項3】 種々の試料が流れている作業工程に火花
発生部を設けたことを特徴とする請求項1記載の材料成
分判定装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP27125292A JPH06123706A (ja) | 1992-10-09 | 1992-10-09 | 材料成分判定装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP27125292A JPH06123706A (ja) | 1992-10-09 | 1992-10-09 | 材料成分判定装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JPH06123706A true JPH06123706A (ja) | 1994-05-06 |
Family
ID=17497486
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP27125292A Pending JPH06123706A (ja) | 1992-10-09 | 1992-10-09 | 材料成分判定装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JPH06123706A (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6208981B1 (en) * | 1995-07-26 | 2001-03-27 | Siemens Aktiengesellschaft | Circuit configuration for controlling a running-gear or drive system in a motor vehicle |
WO2010004947A1 (ja) * | 2008-07-08 | 2010-01-14 | 住友金属工業株式会社 | 鋼材の材質判定装置及び鋼材の材質判定方法 |
-
1992
- 1992-10-09 JP JP27125292A patent/JPH06123706A/ja active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6208981B1 (en) * | 1995-07-26 | 2001-03-27 | Siemens Aktiengesellschaft | Circuit configuration for controlling a running-gear or drive system in a motor vehicle |
WO2010004947A1 (ja) * | 2008-07-08 | 2010-01-14 | 住友金属工業株式会社 | 鋼材の材質判定装置及び鋼材の材質判定方法 |
JP4958025B2 (ja) * | 2008-07-08 | 2012-06-20 | 住友金属工業株式会社 | 鋼材の材質判定装置及び鋼材の材質判定方法 |
US8498445B2 (en) | 2008-07-08 | 2013-07-30 | Nippon Steel & Sumitomo Metal Corporation | Material determining apparatus for steel product and material determining method for steel product |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP3172153B2 (ja) | オイル汚染度測定装置 | |
JP2968442B2 (ja) | 溶接欠陥の評価システム | |
US5218555A (en) | Method for judging a color difference using rules fuzzy inference and apparatus therefor | |
AU2021259109A1 (en) | Method, device and computer program for determining the performance of a welding method via digital processing of an image of the welded workpiece | |
Kopardekar et al. | Manual, Hybrid and Automated Inspection Literature andCurrent Research | |
Aoki et al. | Application of artificial neural network to discrimination of defect type in automatic radiographic testing of welds | |
Spitz et al. | Inspection of sheet materials—test of model predictions | |
CN109557104A (zh) | 一种基于深度学习的木料优选锯智能检测方法 | |
Cook et al. | Automated visual inspection and interpretation system for weld quality evaluation | |
JPH06123706A (ja) | 材料成分判定装置 | |
CN1668920A (zh) | 熔融状态的在线测量的方法 | |
CN112718710B (zh) | 一种基于红绿蓝三色数值分析实施铜基底污染物激光清洗的方法 | |
JPH09120455A (ja) | ニューラルネットワークによる特徴識別方法 | |
US5517237A (en) | Video photometric color system for processing color specific streams | |
JP2022013285A (ja) | 機械学習方法 | |
Parasuraman et al. | The use of signal detection theory in research on human-computer interaction | |
Bidanda et al. | Development of a spatter index for automated welding inspection using computer vision | |
CN116921817B (zh) | 自动tig焊电弧聚集度在线监测及智能预警方法 | |
Rummel | Human factors considerations in the assessment of nondestructive evaluation (NDE) reliability | |
JPH0915138A (ja) | 鋼材等の材質判定方法およびその判定に使用する火花制御具 | |
Scheideler et al. | In-Situ Process Monitoring in Additive Manufacturing Using Statistics and Pre-Process Data | |
CN117636257A (zh) | 一种基于物联网的图像数据智能识别检测***及方法 | |
JPH04171587A (ja) | 外観検査方法 | |
JP2001159915A (ja) | 運転支援装置 | |
Peters et al. | A probabilistic model to estimate visual inspection error for metalcastings given different training and judgment types, environmental and human factors, and percent of defects |