JPH0687046B2 - 神経回路網による鋼板表面疵検査方法 - Google Patents
神経回路網による鋼板表面疵検査方法Info
- Publication number
- JPH0687046B2 JPH0687046B2 JP12001189A JP12001189A JPH0687046B2 JP H0687046 B2 JPH0687046 B2 JP H0687046B2 JP 12001189 A JP12001189 A JP 12001189A JP 12001189 A JP12001189 A JP 12001189A JP H0687046 B2 JPH0687046 B2 JP H0687046B2
- Authority
- JP
- Japan
- Prior art keywords
- range
- output
- differential
- neural network
- steel sheet
- 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.)
- Expired - Fee Related
Links
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Description
【発明の詳細な説明】 〔産業上の利用分野〕 本発明は、反射光波形による、神経回路網を用いた鋼板
の表面疵検査方法に関する。
の表面疵検査方法に関する。
鋼板の表面疵の検査には、反射光による方法が広く用い
られている。レーザ光を鋼板表面に投射し、反射光を光
電変換し、その変換出力（電圧波形）またはその微分出
力を閾値と比較し、閾値以上疵とする、は代表的な方法
である。
られている。レーザ光を鋼板表面に投射し、反射光を光
電変換し、その変換出力（電圧波形）またはその微分出
力を閾値と比較し、閾値以上疵とする、は代表的な方法
である。
閾値以外のものを用いる方法としては特開昭62-278403
がある。これは鋼板表面にレーザ光を投射し、反射光を
光電変換し、その平均電圧から表面粗度を求める。粗度
が高いと反射光は散乱光となり、光電変換出力は下るか
ら、予め粗度と光電変換出力との関係を求めておくと、
この関係より、光電変換出力で粗度を知ることができ
る。
がある。これは鋼板表面にレーザ光を投射し、反射光を
光電変換し、その平均電圧から表面粗度を求める。粗度
が高いと反射光は散乱光となり、光電変換出力は下るか
ら、予め粗度と光電変換出力との関係を求めておくと、
この関係より、光電変換出力で粗度を知ることができ
る。
また特開昭62-235511は被検査体にレーザ光を投射し、
表面状態が異常な所（表面欠陥や凹凸のある所）では反
射光の入射点が正常時よりΔＸだけずれるのを利用し
て、該表面状態を検出する。
表面状態が異常な所（表面欠陥や凹凸のある所）では反
射光の入射点が正常時よりΔＸだけずれるのを利用し
て、該表面状態を検出する。
従来の鋼板表面疵の検査では、反射光の光電変換出力を
閾値で判別して疵あり／なしとするのが一般的であり、
この方法では絶対的な反射光強度による疵判定であるか
ら、鋼種間の反射程度の差異や地合の影響が考慮されな
い。閾値は、これを低く設定すると疵ではないが反射が
やゝ異常な部分を疵と誤検出し（過検出）、またこれを
高く設定すると疵であるのにこれを疵として検出しない
ケース（見逃し）が増加する。従って閾値は適切な値に
設定する必要があるが、鋼種や地合などによって変わる
から、適切な値の選定、調整が困難で、この方式では判
定精度に難がある。また、検出すべき疵種類が変化した
場合、それに速応できないという問題がある。
閾値で判別して疵あり／なしとするのが一般的であり、
この方法では絶対的な反射光強度による疵判定であるか
ら、鋼種間の反射程度の差異や地合の影響が考慮されな
い。閾値は、これを低く設定すると疵ではないが反射が
やゝ異常な部分を疵と誤検出し（過検出）、またこれを
高く設定すると疵であるのにこれを疵として検出しない
ケース（見逃し）が増加する。従って閾値は適切な値に
設定する必要があるが、鋼種や地合などによって変わる
から、適切な値の選定、調整が困難で、この方式では判
定精度に難がある。また、検出すべき疵種類が変化した
場合、それに速応できないという問題がある。
本発明はかゝる点を改善し、反射光の光電変換出力か
ら、疵を包括する狭い範囲Ａおよび該範囲Ａを包括する
広い範囲Ｂの変換出力から特徴量を求め、これより、特
に神経回路網を用いて、疵判定して、閾値の選択に悩ま
されることなく、過検出や見逃しを回避することができ
る疵検査方法を提供することを目的とするものである。
ら、疵を包括する狭い範囲Ａおよび該範囲Ａを包括する
広い範囲Ｂの変換出力から特徴量を求め、これより、特
に神経回路網を用いて、疵判定して、閾値の選択に悩ま
されることなく、過検出や見逃しを回避することができ
る疵検査方法を提供することを目的とするものである。
本発明では鋼板表面をレーザ光で走査し、その反射光を
光電変換し、更にA/D変換し、鋼板の疵部分に相当する
小範囲Ａとその複数個を包含する大範囲（鋼板幅または
その複数分の１の範囲）における該変換出力から、反射
光波形を代表する複数個の特徴量を算出する。
光電変換し、更にA/D変換し、鋼板の疵部分に相当する
小範囲Ａとその複数個を包含する大範囲（鋼板幅または
その複数分の１の範囲）における該変換出力から、反射
光波形を代表する複数個の特徴量を算出する。
この複数個の特徴量を、入力層のノード数は該複数個と
同数、出力ノード層は疵有り／無しに対応させて１つと
し、そして予め学習させた神経回路網に加え、該回路網
より疵有／無出力を生じさせる。
同数、出力ノード層は疵有り／無しに対応させて１つと
し、そして予め学習させた神経回路網に加え、該回路網
より疵有／無出力を生じさせる。
特徴量としては２次平均、３次平均、微分レンジなどが
あるが、次式で表わされる正規化２次平均 と正規化微分レンジxDRSが適当である。
あるが、次式で表わされる正規化２次平均 と正規化微分レンジxDRSが適当である。
〔作用〕 この鋼板表面疵検査では、小／大範囲A,Bにおける変換
出力からの特徴量算出、得られた特徴量の神経回路網へ
の印加で疵有／無出力が得られ、従来法のように閾値を
どこに設定するかの問題はない。また誤検出と過検出を
共に僅小にすることが可能で、従来法のように閾値を高
く設定すれば誤検出が多発し、閾値を低く設定すれば過
検出が多発するという問題に悩まされることがない。
出力からの特徴量算出、得られた特徴量の神経回路網へ
の印加で疵有／無出力が得られ、従来法のように閾値を
どこに設定するかの問題はない。また誤検出と過検出を
共に僅小にすることが可能で、従来法のように閾値を高
く設定すれば誤検出が多発し、閾値を低く設定すれば過
検出が多発するという問題に悩まされることがない。
本発明の実施例を第１図に示す。10は検査対象である鋼
板、11はレーザ発振器、12はレーザ光、13はそのレシー
バである。例えば鋼板10が矢印方向F1で示す鋼板長手方
向に移動し、レーザ光が矢印F2で示す鋼板幅方向に往復
移動することにより、鋼板10の全表面が走査される。レ
シーバ13は光ファイバとその両端の受光素子（フォトマ
ル）からなり、鋼板に投射されたレーザ光の反射光が光
ファイバに入射し、その光電変換出力を両端の受光素子
が出力する。この型のレシーバは反射光の入射位置従っ
て鋼板上の走査位置情報も与える。
板、11はレーザ発振器、12はレーザ光、13はそのレシー
バである。例えば鋼板10が矢印方向F1で示す鋼板長手方
向に移動し、レーザ光が矢印F2で示す鋼板幅方向に往復
移動することにより、鋼板10の全表面が走査される。レ
シーバ13は光ファイバとその両端の受光素子（フォトマ
ル）からなり、鋼板に投射されたレーザ光の反射光が光
ファイバに入射し、その光電変換出力を両端の受光素子
が出力する。この型のレシーバは反射光の入射位置従っ
て鋼板上の走査位置情報も与える。
レシーバ13の出力は微分回路21で微分されたのち、A/D
変換器22でA/D変換される。第２図（ａ）はレシーバ出
力を示し、（ｂ）はその微分出力である。Ｂは鋼板の板
幅を示し、レシーバ出力は板端で立上り／立下り、また
疵位置で凹陥部を作る。A/D変換器22は（ｂ）の微分波
形を極めて短い周期（20〜100nS）でサンプリングして
（ｃ）の如きアナログ量を得、これを本例では８ビット
のデジタル値に変換する。
変換器22でA/D変換される。第２図（ａ）はレシーバ出
力を示し、（ｂ）はその微分出力である。Ｂは鋼板の板
幅を示し、レシーバ出力は板端で立上り／立下り、また
疵位置で凹陥部を作る。A/D変換器22は（ｂ）の微分波
形を極めて短い周期（20〜100nS）でサンプリングして
（ｃ）の如きアナログ量を得、これを本例では８ビット
のデジタル値に変換する。
このようにして採取したデータから特徴量を計算する。
特徴量としては２次平均と微分レンジを用い、これを、
疵を包括する小範囲Ａと、該小範囲Ａを包括する広範囲
Ｂにつき算出する。第２図（ａ）では範囲Ｂは全板幅と
するが、これは板幅の1/2,1/3などでもよい。1/2,1/3…
…にする場合は第１図の装置を２組、３組……設けて、
鋼板表面を２分割、３分割、……して検査（並行同時検
査）するとよい。範囲Ａは、予想される大きさの疵を十
分包含する微小範囲（例えば5mm幅）とし、範囲Ｂには
複数個の範囲Ａが含まれる。範囲A,Bの２次平均２，
zallは次式で表わされる。
特徴量としては２次平均と微分レンジを用い、これを、
疵を包括する小範囲Ａと、該小範囲Ａを包括する広範囲
Ｂにつき算出する。第２図（ａ）では範囲Ｂは全板幅と
するが、これは板幅の1/2,1/3などでもよい。1/2,1/3…
…にする場合は第１図の装置を２組、３組……設けて、
鋼板表面を２分割、３分割、……して検査（並行同時検
査）するとよい。範囲Ａは、予想される大きさの疵を十
分包含する微小範囲（例えば5mm幅）とし、範囲Ｂには
複数個の範囲Ａが含まれる。範囲A,Bの２次平均２，
zallは次式で表わされる。
こゝでyiは位置xiにおけるA/D変換値、xs，xeは範囲Ｂ
の始、終端のｉ値、io，io＋ａは範囲Ａの始、終端のｉ
値、E1，E2は範囲A,B内のｙの個数の逆数である。範囲
A,Bの微分レンジxDR，xDRallは、 xDR＝ABS（maxy−miny） ……（３） io＜ｙ＜io＋ａ xDRall＝ABS（maxy−miny） ……（４） xs＜ｙ＜xe で表わされる。範囲Ｂの微分レンジを計算し、過去のデ
ータから標準偏差σxDRを次式により計算し、新たに微
分レンジを得る毎にこれを更新する。
の始、終端のｉ値、io，io＋ａは範囲Ａの始、終端のｉ
値、E1，E2は範囲A,B内のｙの個数の逆数である。範囲
A,Bの微分レンジxDR，xDRallは、 xDR＝ABS（maxy−miny） ……（３） io＜ｙ＜io＋ａ xDRall＝ABS（maxy−miny） ……（４） xs＜ｙ＜xe で表わされる。範囲Ｂの微分レンジを計算し、過去のデ
ータから標準偏差σxDRを次式により計算し、新たに微
分レンジを得る毎にこれを更新する。
σxDRの計算方法としては、他の特徴量の計算と同期し
て毎回計算を行なう他、サンプルデータから得られた値
を用いて計算しオンラインユースでは定数とする等があ
る。次は正規化を行なう。次の（５）式、（６）式に示
すように、（１）式を（２）式で割って２次平均の正規
化値2sとし、範囲Ａの微分レンジを範囲Ｂの標準偏差
σxDRで割って範囲Ａの微分レンジの正規化値xDRSとす
る。2S ＝２／2all ……（５） xDRS＝xDR／σxDR ……（６） この正規化した特徴量2S，xDRSを用いて疵判定を行な
う。微分レンジxDRと２次平均２を第２図（ｄ）に示
すように縦軸、横軸にとって疵有り○、疵無し×の領域
を求めると図示の如くなり、両者は分れるがその境界は
非直線である。第２図（ｅ）に示すように45°線で分離
すれば回帰分析可能であるが、第２図（ｄ）では回帰分
析は困難である。そこでニューラルネットワークを用
い、これにより疵有／無を出力させる。
て毎回計算を行なう他、サンプルデータから得られた値
を用いて計算しオンラインユースでは定数とする等があ
る。次は正規化を行なう。次の（５）式、（６）式に示
すように、（１）式を（２）式で割って２次平均の正規
化値2sとし、範囲Ａの微分レンジを範囲Ｂの標準偏差
σxDRで割って範囲Ａの微分レンジの正規化値xDRSとす
る。2S ＝２／2all ……（５） xDRS＝xDR／σxDR ……（６） この正規化した特徴量2S，xDRSを用いて疵判定を行な
う。微分レンジxDRと２次平均２を第２図（ｄ）に示
すように縦軸、横軸にとって疵有り○、疵無し×の領域
を求めると図示の如くなり、両者は分れるがその境界は
非直線である。第２図（ｅ）に示すように45°線で分離
すれば回帰分析可能であるが、第２図（ｄ）では回帰分
析は困難である。そこでニューラルネットワークを用
い、これにより疵有／無を出力させる。
第２図（ｆ）に示すようにこのニューラルネットワーク
は入力層、中間層、および出力層の３層構造で、ノード
数は入力層が２、中間層が３、出力層が１であり、これ
にバイアス層（学習促進用）が１つ加わる。各ノードの
入、出力の関係はシグモイド関数ａ(1+e-x)-1であり、
バイアス層の出力は１、学習規則は一般化デルタルール
である。疵あり１、疵なし０で、1000回程度学習させ
る。最終出力層の出力が0.5以上で疵あり、それ以下で
疵なしとする。
は入力層、中間層、および出力層の３層構造で、ノード
数は入力層が２、中間層が３、出力層が１であり、これ
にバイアス層（学習促進用）が１つ加わる。各ノードの
入、出力の関係はシグモイド関数ａ(1+e-x)-1であり、
バイアス層の出力は１、学習規則は一般化デルタルール
である。疵あり１、疵なし０で、1000回程度学習させ
る。最終出力層の出力が0.5以上で疵あり、それ以下で
疵なしとする。
正規化特徴量の算出には適所にメモリを置く必要があ
る。メモリ設置位置は第５図に示すように、A/D変換器2
2の出側と微分レンジ計算部24,26の出側などである。範
囲Ｂは１ライン分（1/2,1/4ライン分などもよいが、こ
ゝでは１ライン分とする）、範囲Ａはその１ラインの微
分部分であるから、メモリM1に複数ライン分の格納容量
をもたせ、計算部23,24でその１ラインについて を計算したら計算部25,26で当該ラインの各範囲Ａにつ
き２，xDRを計算し、正規化処理部27で前記（５）
（６）式により、正規化した２次平均 微分レンジXDRSを計算し、ニューラルネットワーク30へ
入力する、のが一つの方法である。
る。メモリ設置位置は第５図に示すように、A/D変換器2
2の出側と微分レンジ計算部24,26の出側などである。範
囲Ｂは１ライン分（1/2,1/4ライン分などもよいが、こ
ゝでは１ライン分とする）、範囲Ａはその１ラインの微
分部分であるから、メモリM1に複数ライン分の格納容量
をもたせ、計算部23,24でその１ラインについて を計算したら計算部25,26で当該ラインの各範囲Ａにつ
き２，xDRを計算し、正規化処理部27で前記（５）
（６）式により、正規化した２次平均 微分レンジXDRSを計算し、ニューラルネットワーク30へ
入力する、のが一つの方法である。
メモリM2を用いて、１ラインの各範囲Ａについての計算
結果をM2に蓄え、当該ラインについての即ち範囲Ｂにつ
いての計算結果が出たとき処理部27で正規化処理する、
は第２の方法であり、メモリM3を用いて範囲Ｂについて
の計算結果を該メモリM3に格納し、次のラインの各範囲
Ａの計算結果とメモリM3の内容（１ライン前の範囲Ｂに
ついての計算結果）を用いて正規化処理する、は第３の
方法である。
結果をM2に蓄え、当該ラインについての即ち範囲Ｂにつ
いての計算結果が出たとき処理部27で正規化処理する、
は第２の方法であり、メモリM3を用いて範囲Ｂについて
の計算結果を該メモリM3に格納し、次のラインの各範囲
Ａの計算結果とメモリM3の内容（１ライン前の範囲Ｂに
ついての計算結果）を用いて正規化処理する、は第３の
方法である。
上記の第３の方法は、メモリ容量が少なくて済み、１ラ
イン前も今回ラインも２次平均などにそれ程差はないか
ら、有効な方法である。
イン前も今回ラインも２次平均などにそれ程差はないか
ら、有効な方法である。
第３図、第４図に誤検出率等を示す。第３図は従来法
で、横軸は閾値（2,4,……は0.2V,0.4,……に相当）、
縦軸は率％である。図示のような閾値を低くすると過検
出（疵でないのに疵とする）率は上り、閾値を高くする
と誤検出（見逃し）率が上り、正答率は適切な閾値で最
高になるが、この最高正答率になる閾値は鋼板の表面性
状等により種々変化する。
で、横軸は閾値（2,4,……は0.2V,0.4,……に相当）、
縦軸は率％である。図示のような閾値を低くすると過検
出（疵でないのに疵とする）率は上り、閾値を高くする
と誤検出（見逃し）率が上り、正答率は適切な閾値で最
高になるが、この最高正答率になる閾値は鋼板の表面性
状等により種々変化する。
第４図は本発明（ニューラルネット法）と従来法（微分
スレッシュレベル法）とを対比して示すグラフである。
横軸は誤検出率、縦軸は過検出率であり、図示のように
従来法では一方が良くなれば他方は悪くなる。これに対
して本発明法ではグループG1，G2に示すように両方共、
低くすることができる。なおG2はG1より、ニューラルネ
ットを更によく学習させた場合である。
スレッシュレベル法）とを対比して示すグラフである。
横軸は誤検出率、縦軸は過検出率であり、図示のように
従来法では一方が良くなれば他方は悪くなる。これに対
して本発明法ではグループG1，G2に示すように両方共、
低くすることができる。なおG2はG1より、ニューラルネ
ットを更によく学習させた場合である。
特徴量としては正規化２次平均2Sと正規化微分レンジ
xDRSを採用する他、３次平均３＝Ｅ・Σy3 iなども含
めて適当に組合わせたものを特徴量とすることも考えら
れる。次にこの組合せ実験の結果を示す。
xDRSを採用する他、３次平均３＝Ｅ・Σy3 iなども含
めて適当に組合わせたものを特徴量とすることも考えら
れる。次にこの組合せ実験の結果を示す。
この表からケースNo.10などがよい結果を示しており、
３次平均を用いるものは、複雑な計算を要するにも拘わ
らず結果がよくない。
３次平均を用いるものは、複雑な計算を要するにも拘わ
らず結果がよくない。
本発明では疵信号（範囲Ａの信号）だけでなく、その周
囲の信号（範囲Ｂの信号）も用いて疵有／無判定を行な
う。これが、閾値を不要にしている。微分レンジは高さ
（強度）情報を与え、２次平均は疵形状情報を与える。
これらで、周囲と相違がある部分が存在するか、否か、
の識別を行なわせている。
囲の信号（範囲Ｂの信号）も用いて疵有／無判定を行な
う。これが、閾値を不要にしている。微分レンジは高さ
（強度）情報を与え、２次平均は疵形状情報を与える。
これらで、周囲と相違がある部分が存在するか、否か、
の識別を行なわせている。
本発明では強度が変動した微分波形を、変動を受けてい
ない波形と併せて学習させる事により、入力される微分
波形が強度的に変動を受けても（すなわち、S/Nが悪化
しても）検出率への影響が小さいシステムが得られる。
微分信号の大きさは、ラインでの設置条件、機器の劣化
や対象とする被検定物の種類によっても変化することは
十分に考えられる。従来の微分スレッシュ法では、これ
らの変化に柔軟に対応することは原理上不可能であり、
検出精度が悪化し、設置後、調整（すなわち、微分スレ
ッシュレベルの値）の手直し等が生じる危険が大きい。
ない波形と併せて学習させる事により、入力される微分
波形が強度的に変動を受けても（すなわち、S/Nが悪化
しても）検出率への影響が小さいシステムが得られる。
微分信号の大きさは、ラインでの設置条件、機器の劣化
や対象とする被検定物の種類によっても変化することは
十分に考えられる。従来の微分スレッシュ法では、これ
らの変化に柔軟に対応することは原理上不可能であり、
検出精度が悪化し、設置後、調整（すなわち、微分スレ
ッシュレベルの値）の手直し等が生じる危険が大きい。
現在学習に使用しているデータに関し、微分強度を±20
％変動させたデータを併せて学習させた。ついで、本学
習データについても、±20％の変動を与え、微分法とあ
らたしく得られたニューラルネットについて、検出率、
過検出率の評価をしたところ、微分法が大きな変動を示
すのに対し、ニューラルネット法では変動がきわめて少
ないことが確認された。次表にこの結果等を示す。
％変動させたデータを併せて学習させた。ついで、本学
習データについても、±20％の変動を与え、微分法とあ
らたしく得られたニューラルネットについて、検出率、
過検出率の評価をしたところ、微分法が大きな変動を示
すのに対し、ニューラルネット法では変動がきわめて少
ないことが確認された。次表にこの結果等を示す。
また前記表2,表３に対する最新データを表７に示す。
〔発明の効果〕 以上説明したように本発明によれば、閾値設定に煩わさ
れることなく、誤検出と過検出を共に最低に抑えること
ができる鋼板表面疵検査を行なうことができる。
れることなく、誤検出と過検出を共に最低に抑えること
ができる鋼板表面疵検査を行なうことができる。
第１図は本発明の鋼板表面疵検査法の説明図、 第２図は疵検査の各部の説明図、 第３図および第４図は検査結果例を示すグラフ、 第５図はメモリ設置位置の各例を示すブロック図であ
る。 第１図で21は微分回路、22はA/D変換器である。
る。 第１図で21は微分回路、22はA/D変換器である。
Claims (3)
- 【請求項１】鋼板表面をレーザ光で走査し、その反射光
を光電変換し、更にA/D変換し、鋼板の小範囲（Ａ）と
その複数個を包含する大範囲（Ｂ）における該変換出力
から、反射光波形を代表する複数個の特徴量を算出し、
該特徴量を、予め学習させた神経回路網に加えて疵有／
無出力を生じさせることを特徴とする神経回路網による
鋼板表面疵検査方法。 - 【請求項２】特徴量は、次式で表わされる正規化２次平
均2Sと正規化微分レンジxDRSであることを特徴とする
請求項１記載の神経回路網による鋼板表面疵検査方法。 こゝで２は小範囲のA/D変換出力の２次平均、 は大範囲ＢのA/D変換出力の２次平均、xDRは小範囲Ａの
微分レンジ、σXDRは大範囲Ｂの微分レンジの標準偏
差。 - 【請求項３】鋼板表面を走査するレーザ光を発生するレ
ーザ発振器と、 鋼板表面で反射したレーザ光を受光するレシーバと、 該レシーバの出力を微分し、その微分出力をA/D変換す
る回路と、 該A/D変換出力より、各小範囲（Ａ）について２次平均
と微分レンジを計算する手段と、 該A/D変換出力より、前記小範囲の複数個を包含する大
範囲（Ｂ）について２次平均、微分レンジ、および標準
偏差を計算する手段と、 これらの２次平均より正規化２次平均を、また小範囲
（Ａ）の微分レンジと大範囲（Ｂ）の標準偏差から正規
化微分レンジを算出する正規化処理手段と、 該正規化２次平均および微分レンジを加えられて疵有／
無出力を生じる神経回路網とを備えることを特徴とす
る、神経回路網による鋼板表面疵検査装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12001189A JPH0687046B2 (ja) | 1989-05-12 | 1989-05-12 | 神経回路網による鋼板表面疵検査方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP12001189A JPH0687046B2 (ja) | 1989-05-12 | 1989-05-12 | 神経回路網による鋼板表面疵検査方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH02298840A JPH02298840A (ja) | 1990-12-11 |
| JPH0687046B2 true JPH0687046B2 (ja) | 1994-11-02 |
Family
ID=14775693
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP12001189A Expired - Fee Related JPH0687046B2 (ja) | 1989-05-12 | 1989-05-12 | 神経回路網による鋼板表面疵検査方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0687046B2 (ja) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH04332855A (ja) * | 1991-05-07 | 1992-11-19 | Nippon Steel Corp | 鋼板の表面欠陥検査装置 |
| JP7662997B2 (ja) * | 2021-03-01 | 2025-04-16 | オムロン株式会社 | 変位センサ及び状態監視方法 |
-
1989
- 1989-05-12 JP JP12001189A patent/JPH0687046B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH02298840A (ja) | 1990-12-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP3660763B2 (ja) | 被検査パターンの検査方法及び製造プロセス診断方法並びに半導体基板の製造方法 | |
| JPH04252940A (ja) | 物体端部の欠陥検査方法及びその装置 | |
| CN111638226B (zh) | 检测方法、图像处理器以及检测系统 | |
| US4253768A (en) | Processing system for detection and the classification of flaws on metallic surfaces | |
| JPH08189904A (ja) | 表面欠陥検出装置 | |
| JPH11295229A (ja) | 表面検査装置 | |
| JP3265826B2 (ja) | 画像判定装置および画像判定方法 | |
| CN120931711A (zh) | 基于机器视觉的钟表零件尺寸测量方法及系统 | |
| JP2890801B2 (ja) | 表面傷検査装置 | |
| JPH0695076B2 (ja) | 神経回路網による鋼板表面疵検査方法 | |
| JPH02298840A (ja) | 神経回路網による鋼板表面疵検査方法 | |
| JP2988059B2 (ja) | 円形容器内面検査装置 | |
| JPS60205683A (ja) | 外観判別方法及びその装置 | |
| JPS62263404A (ja) | パタ−ン検査装置 | |
| JPH06160302A (ja) | 走行ストリップの表面疵検査方法及び装置 | |
| JPS591978B2 (ja) | 物体状態検査装置 | |
| JPH0786477B2 (ja) | 表面検査装置 | |
| JPS61225604A (ja) | 寸法測定方法 | |
| JPH0333001Y2 (ja) | ||
| JPH0239737B2 (ja) | ||
| JPH01313744A (ja) | 金属帯表面疵検査装置 | |
| JPH01253641A (ja) | 筋状欠陥弁別処理回路 | |
| JPH04364446A (ja) | 欠陥検査装置 | |
| JPH04268445A (ja) | 実装基板検査装置 | |
| JPH0388079A (ja) | 画像処理装置における２値化処理方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |