JPH04329345A - 鋼板の表面欠陥検査装置 - Google Patents
鋼板の表面欠陥検査装置Info
- Publication number
- JPH04329345A JPH04329345A JP3126936A JP12693691A JPH04329345A JP H04329345 A JPH04329345 A JP H04329345A JP 3126936 A JP3126936 A JP 3126936A JP 12693691 A JP12693691 A JP 12693691A JP H04329345 A JPH04329345 A JP H04329345A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- data
- learning
- steel plate
- scar
- 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.)
- Granted
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
(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
【０００１】
【産業上の利用分野】本発明は、冷間圧延にて製造され
る鋼板ストリップの表面欠陥（疵）を能率的に検出する
装置に関するものである。
る鋼板ストリップの表面欠陥（疵）を能率的に検出する
装置に関するものである。
【０００２】
【従来の技術】冷間圧延にて製造される鋼板ストリップ
は、その品質保証のための疵検査を略全面に渡って行な
うことが好ましく、実際にこの疵検査の実施は、品質管
理を徹底する上に重要な要件の一つとされている。この
疵検査方法の一つとして、製造ラインを走行するストリ
ップ表面をレーザー光にて幅方向に走査し、この反射波
をＣＣＤ素子などの光電変換素子によって電圧強度に変
換し、この信号データから疵の有無を判別する方法が既
に確立されている（特開昭６３−６２８２５号公報など
参照）。
は、その品質保証のための疵検査を略全面に渡って行な
うことが好ましく、実際にこの疵検査の実施は、品質管
理を徹底する上に重要な要件の一つとされている。この
疵検査方法の一つとして、製造ラインを走行するストリ
ップ表面をレーザー光にて幅方向に走査し、この反射波
をＣＣＤ素子などの光電変換素子によって電圧強度に変
換し、この信号データから疵の有無を判別する方法が既
に確立されている（特開昭６３−６２８２５号公報など
参照）。
【０００３】ところで、一般の疵検査装置は、疵の有無
の判断に閾値を用いる、つまり反射光の絶対的な強度に
よって一般面と疵との違いを判別するものであるため、
閾値の設定によって判別精度が大きく左右される。特に
、鋼種や地合い、あるいは表面粗度によって疵判別の基
準が異なり、また疵の種類によっても閾値を変えねばな
らないため、多くの閾値を予め用意しておく必要がある
。
の判断に閾値を用いる、つまり反射光の絶対的な強度に
よって一般面と疵との違いを判別するものであるため、
閾値の設定によって判別精度が大きく左右される。特に
、鋼種や地合い、あるいは表面粗度によって疵判別の基
準が異なり、また疵の種類によっても閾値を変えねばな
らないため、多くの閾値を予め用意しておく必要がある
。
【０００４】このような閾値による疵検出方法の不都合
に対処するために、一般面と有疵部との差異を両者の特
徴量から相対的に判別するようにしたニューラルネット
ワークを用いた疵検査方法を特願平１−１２００１１号
明細書において本出願人は提案した。
に対処するために、一般面と有疵部との差異を両者の特
徴量から相対的に判別するようにしたニューラルネット
ワークを用いた疵検査方法を特願平１−１２００１１号
明細書において本出願人は提案した。
【０００５】
【発明が解決しようとする課題】しかるに、ニューラル
ネットワーク式疵検査方法の場合には、閾値を用いない
代りに入力に対する適正出力を得るための学習が不可欠
であり、検査装置の稼働開始に先立って専門の調整者が
必要な初期調整を行なわねばならない。従って、その後
の操業条件の変化などによってニューラルネットワーク
のシナプスのパラメータが最適状態から外れるようなこ
とがあると、むしろそれに追従させることが厄介となる
不都合を有している。
ネットワーク式疵検査方法の場合には、閾値を用いない
代りに入力に対する適正出力を得るための学習が不可欠
であり、検査装置の稼働開始に先立って専門の調整者が
必要な初期調整を行なわねばならない。従って、その後
の操業条件の変化などによってニューラルネットワーク
のシナプスのパラメータが最適状態から外れるようなこ
とがあると、むしろそれに追従させることが厄介となる
不都合を有している。
【０００６】本発明は、このような従来技術の不都合を
解消すべく案出されたものであり、その主な目的は、操
業条件の変化に対応して現場作業者の判断でニューラル
ネットワークの学習が適宜に行ない得るように構成され
た鋼板の表面欠陥検査装置を提供することにある。
解消すべく案出されたものであり、その主な目的は、操
業条件の変化に対応して現場作業者の判断でニューラル
ネットワークの学習が適宜に行ない得るように構成され
た鋼板の表面欠陥検査装置を提供することにある。
【０００７】
【課題を解決するための手段】このような目的は、レー
ザースキャナにて鋼板表面を走査し、その反射光強度を
電圧強度に変換し、鋼板上の微小範囲と、この微小範囲
を複数個包含する広範囲とからの各変換出力から反射光
波形を代表する複数の特徴量を算出し、この特徴量をニ
ューラルネットワークに入力して疵の有無を出力すると
共に、前記電圧強度から得た画像データを画面表示する
ようにしてなる鋼板の表面欠陥検査装置を、稼働中にお
ける有疵部からのデータと、オペレータが画面を目視し
て判断した結果と、前記ニューラルネットワークの入力
データおよびシナプス結合パラメータとによってデータ
ベースを構築し、このデータベースの情報を教師信号と
してニューラルネットワークの学習を行なうように構成
することによって達成される。
ザースキャナにて鋼板表面を走査し、その反射光強度を
電圧強度に変換し、鋼板上の微小範囲と、この微小範囲
を複数個包含する広範囲とからの各変換出力から反射光
波形を代表する複数の特徴量を算出し、この特徴量をニ
ューラルネットワークに入力して疵の有無を出力すると
共に、前記電圧強度から得た画像データを画面表示する
ようにしてなる鋼板の表面欠陥検査装置を、稼働中にお
ける有疵部からのデータと、オペレータが画面を目視し
て判断した結果と、前記ニューラルネットワークの入力
データおよびシナプス結合パラメータとによってデータ
ベースを構築し、このデータベースの情報を教師信号と
してニューラルネットワークの学習を行なうように構成
することによって達成される。
【０００８】
【作用】この装置によれば、ライン稼働中の有疵部のデ
ータと、オペレータの判断と、ニューラルネットワーク
の入・出力の関係とを互いに対応させて学習用ＣＰＵの
データベースが構築され、これに蓄積されたデータに基
づいてニューラルネットワークの再学習を適宜に行なう
ことができる。従って、操業条件の変化に対応してニュ
ーラルネットワークを常に最適な状態に保持することが
可能となる。
ータと、オペレータの判断と、ニューラルネットワーク
の入・出力の関係とを互いに対応させて学習用ＣＰＵの
データベースが構築され、これに蓄積されたデータに基
づいてニューラルネットワークの再学習を適宜に行なう
ことができる。従って、操業条件の変化に対応してニュ
ーラルネットワークを常に最適な状態に保持することが
可能となる。
【０００９】
【実施例】以下に添付の図面に示された具体的な実施例
に基づいて本発明の構成を詳細に説明する。
に基づいて本発明の構成を詳細に説明する。
【００１０】図１は、本発明装置の全体構成を示してい
る。鋼板表面をレーザースキャナ１にて走査し、これの
反射光強度を光電変換機２にて電圧強度信号に変換する
。この電圧強度信号から電圧波形を求め、これを一方に
おいて微分回路３で微分することによって微分波形を求
める。そしてこれら微分波形と電圧波形とのいずれか一
方を切替器４にて選択的にＡ／Ｄ変換器５に入力し、こ
こでデジタル値に変換したデータをプレトリガ回路６に
入力する。なお、素材の地合いによって微分波形による
ものと電圧波形によるものとでは識別容易度が異なるの
で、別途与えられるコイル情報に応じてより適した方の
信号が選択されてプレトリガ回路６に入力される。
る。鋼板表面をレーザースキャナ１にて走査し、これの
反射光強度を光電変換機２にて電圧強度信号に変換する
。この電圧強度信号から電圧波形を求め、これを一方に
おいて微分回路３で微分することによって微分波形を求
める。そしてこれら微分波形と電圧波形とのいずれか一
方を切替器４にて選択的にＡ／Ｄ変換器５に入力し、こ
こでデジタル値に変換したデータをプレトリガ回路６に
入力する。なお、素材の地合いによって微分波形による
ものと電圧波形によるものとでは識別容易度が異なるの
で、別途与えられるコイル情報に応じてより適した方の
信号が選択されてプレトリガ回路６に入力される。
【００１１】他方、電圧波形を微分して求めた微分波形
は、Ａ／Ｄ変換器７にて例えば８ビットのデジタル値に
変換されて特徴量計算回路８に入力される。そして特徴
量計算回路８においては、予想される大きさの疵を十分
に包含し得る最小の範囲（Ａ）と、この範囲を複数個包
含する広い範囲（Ｂ）との両者について、２次平均と微
分レンジとの２つの特徴量をそれぞれ算出し、これら２
つの特徴量を正規化したうえでニューラルネットワーク
９に入力する。
は、Ａ／Ｄ変換器７にて例えば８ビットのデジタル値に
変換されて特徴量計算回路８に入力される。そして特徴
量計算回路８においては、予想される大きさの疵を十分
に包含し得る最小の範囲（Ａ）と、この範囲を複数個包
含する広い範囲（Ｂ）との両者について、２次平均と微
分レンジとの２つの特徴量をそれぞれ算出し、これら２
つの特徴量を正規化したうえでニューラルネットワーク
９に入力する。
【００１２】ニューラルネットワーク９は、図２のモデ
ルに示すように、Ｓ・Ａ・Ｒの３層構造であり、そのニ
ューロンは、Ｓ層が２つ、Ａ層が３つ、Ｒ層が１つであ
る。そしてＳ層とＡ層との間およびＡ層とＲ層との間の
シナプスの結合強度が可変となっており、Ｓ層に入力す
る２次平均（疵の形状情報）と微分レンジ（疵の高さ情
報）との２つの特徴量を上記Ａ・Ｂ両範囲について比較
し、これら両者の違いから疵の有無を判別して信号を出
力するように、一般化デルタルールによって予め学習し
てある。これによってストリップ表面に疵を検出した場
合には、プレトリガ回路６にトリガ信号が出力されるよ
うになっている。
ルに示すように、Ｓ・Ａ・Ｒの３層構造であり、そのニ
ューロンは、Ｓ層が２つ、Ａ層が３つ、Ｒ層が１つであ
る。そしてＳ層とＡ層との間およびＡ層とＲ層との間の
シナプスの結合強度が可変となっており、Ｓ層に入力す
る２次平均（疵の形状情報）と微分レンジ（疵の高さ情
報）との２つの特徴量を上記Ａ・Ｂ両範囲について比較
し、これら両者の違いから疵の有無を判別して信号を出
力するように、一般化デルタルールによって予め学習し
てある。これによってストリップ表面に疵を検出した場
合には、プレトリガ回路６にトリガ信号が出力されるよ
うになっている。
【００１３】プレトリガ回路６には、複数画面を逐次記
録するためのバッファメモリが内蔵されており、ニュー
ラルネットワーク９からのトリガ信号によって有疵部分
のデータがバッファメモリに取込まれるようになってい
る。そしてこのデータは、メモリ制御回路１０に入力さ
れてＣＲＴディスプレー１１上に静止画像として表示さ
れると同時に、学習用ＣＰＵ１２に転送される。
録するためのバッファメモリが内蔵されており、ニュー
ラルネットワーク９からのトリガ信号によって有疵部分
のデータがバッファメモリに取込まれるようになってい
る。そしてこのデータは、メモリ制御回路１０に入力さ
れてＣＲＴディスプレー１１上に静止画像として表示さ
れると同時に、学習用ＣＰＵ１２に転送される。
【００１４】このようにして得られた疵データは、キー
ボード１３からのオペレータの介入データ（コイル情報
、疵名、疵の程度など）と共に、磁気記憶装置などから
なる外部記憶装置１４に記録され、学習用データベース
として保存される。
ボード１３からのオペレータの介入データ（コイル情報
、疵名、疵の程度など）と共に、磁気記憶装置などから
なる外部記憶装置１４に記録され、学習用データベース
として保存される。
【００１５】次にニューラルネットワークの学習ルーチ
ンについて図３を参照して説明する。
ンについて図３を参照して説明する。
【００１６】オペレータは、ディスプレー１１に表示さ
れる静止画像を目視して（ステップ１）学習用データと
して用いるか否かを判断し（ステップ２）、学習を要す
ると判断された場合には、キーボード１３から記録指令
を入力する（ステップ３）。するとデータは学習用ＣＰ
Ｕ１２に転送される（ステップ４）。
れる静止画像を目視して（ステップ１）学習用データと
して用いるか否かを判断し（ステップ２）、学習を要す
ると判断された場合には、キーボード１３から記録指令
を入力する（ステップ３）。するとデータは学習用ＣＰ
Ｕ１２に転送される（ステップ４）。
【００１７】学習用ＣＰＵ１２では、このデータに学習
の実行指示が含まれているか否かを判別し（ステップ５
）、実行指令が含まれていない場合には、データベース
にデータを蓄積するのみで終了し（ステップ６）、実行
指令が含まれている場合には、ニューラルネットワーク
９のＳ層に学習データを入力する（ステップ７）。
の実行指示が含まれているか否かを判別し（ステップ５
）、実行指令が含まれていない場合には、データベース
にデータを蓄積するのみで終了し（ステップ６）、実行
指令が含まれている場合には、ニューラルネットワーク
９のＳ層に学習データを入力する（ステップ７）。
【００１８】ニューラルネットワーク９では、各層間の
シナプスの結合パラメータを調整しつつ出力するが、こ
の出力を学習用ＣＰＵ１２が与える教師信号（入力に対
応して望ましいとされる出力）と比較し（ステップ８）
、その間の偏差が小さくなるようにシナプスの結合パラ
メータの調整を行なう（ステップ９）。
シナプスの結合パラメータを調整しつつ出力するが、こ
の出力を学習用ＣＰＵ１２が与える教師信号（入力に対
応して望ましいとされる出力）と比較し（ステップ８）
、その間の偏差が小さくなるようにシナプスの結合パラ
メータの調整を行なう（ステップ９）。
【００１９】次いで性能の比較を行ない（ステップ１０
）、性能が向上していれば、パラメータを決定し（ステ
ップ１１）、かつそのデータをデータベースに蓄積する
（ステップ１２）。また、性能が低下するようであれば
、従来のネットワークを継続使用する（ステップ１３）
。
）、性能が向上していれば、パラメータを決定し（ステ
ップ１１）、かつそのデータをデータベースに蓄積する
（ステップ１２）。また、性能が低下するようであれば
、従来のネットワークを継続使用する（ステップ１３）
。
【００２０】
【発明の効果】このように本発明によれば、作業員の介
入にてニューラルネットワークの学習が現場で適宜に行
ない得ることから、操業条件の変化に対応して常に適正
な疵の判別を行ない得るようにニューラルネットワーク
のシナプスの結合を修正することができる。従って、ニ
ューラルネットワーク式疵検出装置の疵判別性能の向上
に多大な効果を奏することができる。
入にてニューラルネットワークの学習が現場で適宜に行
ない得ることから、操業条件の変化に対応して常に適正
な疵の判別を行ない得るようにニューラルネットワーク
のシナプスの結合を修正することができる。従って、ニ
ューラルネットワーク式疵検出装置の疵判別性能の向上
に多大な効果を奏することができる。
【図１】本発明に基づく表面欠陥検査装置の概略構成図
である。
である。
【図２】ニューラルネットワークのモデル図である。
【図３】ニューラルネットワークの学習ルーチンのフロ
ー図である。
ー図である。
１ レーザースキャナ
２ 光電変換機
３ 微分回路
４ 切替器
５ Ａ／Ｄ変換器
６ プレトリガ回路
７ Ａ／Ｄ変換器
８ 特徴量計算回路
９ ニューラルネットワーク
１０ メモリ制御回路
１１ ＣＲＴディスプレー
１２ 学習用ＣＰＵ
１３ キーボード
１４ 外部記憶装置
Claims (1)
- 【請求項１】レーザースキャナにて鋼板表面を走査し、
その反射光強度を電圧強度に変換し、鋼板上の微小範囲
と、この微小範囲を複数個包含する広範囲とからの各変
換出力から反射光波形を代表する複数の特徴量を算出し
、この特徴量をニューラルネットワークに入力して疵の
有無を出力すると共に、前記電圧強度から得た画像デー
タを画面表示するようにしてなる鋼板の表面欠陥検査装
置であって、稼働中における有疵部からのデータと、オ
ペレータが画面を目視して判断した結果と、前記ニュー
ラルネットワークの入力データおよびシナプス結合パラ
メータとによってデータベースを構築し、このデータベ
ースの情報を教師信号として前記ニューラルネットワー
クの学習を行なうようにしてなることを特徴とする鋼板
の表面欠陥検査装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3126936A JPH07113612B2 (ja) | 1991-04-30 | 1991-04-30 | 鋼板の表面欠陥検査装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3126936A JPH07113612B2 (ja) | 1991-04-30 | 1991-04-30 | 鋼板の表面欠陥検査装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04329345A true JPH04329345A (ja) | 1992-11-18 |
| JPH07113612B2 JPH07113612B2 (ja) | 1995-12-06 |
Family
ID=14947572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3126936A Expired - Lifetime JPH07113612B2 (ja) | 1991-04-30 | 1991-04-30 | 鋼板の表面欠陥検査装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH07113612B2 (ja) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012026982A (ja) * | 2010-07-27 | 2012-02-09 | Panasonic Electric Works Sunx Co Ltd | 検査装置 |
| CN103542819A (zh) * | 2012-07-17 | 2014-01-29 | 宝山钢铁股份有限公司 | 一种带钢焊缝表面形貌的检测和质量判定方法 |
| CN107345918A (zh) * | 2017-08-16 | 2017-11-14 | 广西大学 | 一种板材质量检测装置及方法 |
| CN116086330A (zh) * | 2023-02-17 | 2023-05-09 | 无锡星微科技有限公司 | 一种用于大尺寸晶圆的厚度检测平台 |
-
1991
- 1991-04-30 JP JP3126936A patent/JPH07113612B2/ja not_active Expired - Lifetime
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012026982A (ja) * | 2010-07-27 | 2012-02-09 | Panasonic Electric Works Sunx Co Ltd | 検査装置 |
| CN103542819A (zh) * | 2012-07-17 | 2014-01-29 | 宝山钢铁股份有限公司 | 一种带钢焊缝表面形貌的检测和质量判定方法 |
| CN107345918A (zh) * | 2017-08-16 | 2017-11-14 | 广西大学 | 一种板材质量检测装置及方法 |
| CN116086330A (zh) * | 2023-02-17 | 2023-05-09 | 无锡星微科技有限公司 | 一种用于大尺寸晶圆的厚度检测平台 |
| CN116086330B (zh) * | 2023-02-17 | 2024-01-12 | 无锡星微科技有限公司 | 一种用于大尺寸晶圆的厚度检测平台 |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH07113612B2 (ja) | 1995-12-06 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN120355701B (zh) | 一种机械焊接缝隙缺陷识别方法 | |
| JPS582980A (ja) | 自動光学検査装置および方法 | |
| JPH0926802A (ja) | ニューラルネットワークの学習方法 | |
| JPH10235490A (ja) | 電気溶接機の溶接状態の評価方法および装置 | |
| CN120298355A (zh) | 一种基于多模态感知技术的太阳能电池片缺陷检测方法 | |
| CN118840602A (zh) | 基于多模态注意力融合网络的轧辊缺陷识别方法 | |
| CN116465315A (zh) | 一种网版质量自动化检测方法及系统 | |
| JPH08189904A (ja) | 表面欠陥検出装置 | |
| JPH04329345A (ja) | 鋼板の表面欠陥検査装置 | |
| CN111189906B (zh) | 交流电磁场缺陷在线智能判定与分类识别方法 | |
| JPH07333170A (ja) | 欠陥パターン種別判定方法およびその装置 | |
| CN119495587B (zh) | 一种晶圆贴膜瑕疵检测系统及方法 | |
| JPH06259678A (ja) | プラント監視装置 | |
| CN119794647B (zh) | 一种焊缝检测及自适应焊枪能量调节系统及方法 | |
| CN120323361A (zh) | 基于多模态传感的鸡蛋品质智能分拣系统及其方法 | |
| CN113554645A (zh) | 基于wgan的工业异常检测方法和装置 | |
| CN110174409B (zh) | 一种基于实时检测结果的中厚板周期性缺陷控制方法 | |
| JP2022046997A (ja) | 船舶の壁面検査用高度知能化検査システム | |
| JP3127598B2 (ja) | 画像中の濃度変動構成画素抽出方法および濃度変動塊判定方法 | |
| Ze-song | Research on image detection and recognition for defects on the surface of the steel plate based on magnetic flux leakage signals | |
| CN114936499A (zh) | 一种垫片表面接触应力分布均匀性确定方法及系统 | |
| JPH04332855A (ja) | 鋼板の表面欠陥検査装置 | |
| CN114943684A (zh) | 一种利用对抗生成自编码神经网络的曲面异常检测方法 | |
| CN120254050B (zh) | 基于超声图像的盖板焊缝熔宽测量方法及装置 | |
| CN119887718B (zh) | 一种高空建筑物表面缺陷机器人智能检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 19960528 |