CN112461839B 外观检查方法及外观检查装置 （住友橡胶工业株式会社）

ConvolutionalNeuralNetworks.20InternationalConferenceonComputing,Communication,ControlandAutomation.2018,第2页第3节-第5页能够高精度地检测外观不良。外观检查方法包所述图像分选为预定的基准内的合格品推定图2随着检查的进展，在该拍摄工序中累积拍摄到的图像，在该在所述第二分选工序中，累积从在所述第一分选工序中之后在所述第二分选工序中被检测为所述不合格品的所述被检查物的所述图像中提取出所述被检查物是轮胎。第一分选部，其使用单分类学习的算法，将所述图像分选为较由所述拍摄部取得的图像数据和来自由所述第一分选部分选出的不合格品推定图像的随着检查的进展，累积该拍摄部拍摄到的图像，该第一所述第二分选部按照所述缺陷的每种类别对所述34第一分选工序中被分选为所述合格品推定图像之后在所述第二分选工序中被检测为所述5[0020]图1是示出本第一方案的外观检查方法的一个实施方式的处理顺序的一例的流程[0030]图1示出了本第一方案的外观检查方法的一实施方式的处理顺序的一例。外观检6[0034]图2表示外观检查装置1的概略结构。外观检查装置1是检查被检查物的外观的装[0035]拍摄部2例如具有具备CCD(ChargeCoupledDevice：电荷耦合器件)或CMOS(ComplementaryMetalOxideSemiconductor：互补金属氧化物半导体)等拍摄元件的摄[0038]处理部41例如由CPU(CentralProcessingUnit：中央处理单元)和存储器构[0040]也可以在计算机装置4中设置有用于与其他的计算机装置(未图示)之间交换各种7格品推定图像50是通过单分类学习推定为外观良好的轮胎101的图像，例如储存于存储部算法，是适合于轮胎101等大多数为合格品的工业制品的异常检查的方法。在本实施方式[0047]学习模式700例如将多个合格品轮胎的图像数据701a、701b、701c、701d、[0048]本实施方式的中间层702包含以多个阶级分层的多个神经元(节点)704和优化的[0049]在第一分选工序S2中，通过使用单分类学习来检测出与合格品的学习值703a、[0050]在第二分选工序S3中使用对象检测的算法来检测不合格品的轮胎101。对象检测[0052]图5是在第二分选工序S3中检测出的缺陷200的一例。在本例中示出了在轮胎1018不合格品推定图像51增加，在第二分选工序S3中提取并累积在存储部42中的缺陷200的特由摄像头21取得的图像分选为合格品推定图像50和不合格品推定图像51的第一分选部发分类的缺陷200的特征与在拍摄工序S1中取得的图像数据进行对照，进一步提高不合格品在第一分选工序S2和第二分选工序S3中被判定为不合格品的轮胎101作为不合格品来处理，也可以将在第一分选工序S2或第二分选工序S3中被判定为不合格品的轮胎101作为不品推定图像之后在第二分选工序S3中作为不合格品检测出的轮胎101的图像中提取出的缺[0058]另一方面，也可以将在第二分选工序S3中被判定为合格品的轮胎101的图像追加头21拍摄到的图像内与上述峰值标记以及轻点标记等相当的区域着色成与轮胎101自身相9[0062]另一方面，在本实施方式中构成为，变更摄像头21的位置来对轮胎101的胎面部第一分选工序S2和第二分选工序S3中，主要从与色彩相关的异常的观点出发来检测缺陷