检查装置、检查方法、机器学习装置以及机器学习方法制造方法及图纸

本发明专利技术提供一种提高铸模的外观的检查精度的检查装置、检查方法、机器学习装置以及机器学习方法。检查装置(1)具备执行检查步骤的一个或多个处理器，检查步骤是使用通过机器学习构建出的学习完毕模型(LM)来检查铸模(9)的外观的步骤。学习完毕模型(LM)的输入包含拍摄铸模(9)的外观而得到的检查图像。学习完毕模型(LM)的输出是表示铸模(9)的外观的检查结果的信息。的信息。的信息。

【技术实现步骤摘要】
检查装置、检查方法、机器学习装置以及机器学习方法


[0001]本专利技术涉及一种检查铸模的外观的技术。

技术介绍

[0002]专利文献1中记载了一种检查铸模的外观的检查装置。该检查装置生成拍摄铸模而得到的检查图像与预先设定的基准图像的差分图像，并基于所生成的差分图像来判定铸模是否正常。
[0003]现有技术文献
[0004]专利文献
[0005]专利文献1：国际公开第2018/216495号(2018年11月29日国际公开)

技术实现思路

[0006]专利技术要解决的问题
[0007]上述的检查装置有可能将实际上正常的铸模判定为不正常，或者将实际上不正常的铸模判定为正常，因此检查精度还有提高的余地。
[0008]例如，上述的检查装置在去除了对差分图像进行分析而得到的缺陷之中的伪缺陷的基础上，判定铸模是否正常。伪缺陷中例如存在由于摄像时照射的光反射到附着于铸模的脱模剂而产生的伪缺陷。上述的检查装置通过预先定义这样的伪缺陷的特征来去除伪缺陷。然而，难以将伪缺陷的特征全部事先进行定义。因此，上述的检查装置无法去除示出未事先定义的特征的伪缺陷。另外，难以将本来的缺陷未示出的特征作为伪缺陷的特征进行定义。因此，在本来的缺陷示出了事先定义的伪缺陷的特征的情况下，上述的检查装置会将该本来的缺陷去除。
[0009]本专利技术的一个方式的目的在于实现一种提高铸模的外观的检查精度的技术。
[0010]用于解决问题的方案
[0011]本专利技术的一个方式所涉及的检查装置具备执行检查步骤的一个或多个处理器，该检查步骤是使用通过机器学习构建出的学习完毕模型来检查铸模的外观的步骤。另外，本专利技术的一个方式所涉及的检查方法包括检查步骤，该检查步骤是一个或多个处理器使用通过机器学习构建出的学习完毕模型来检查铸模的外观的步骤。
[0012]另外，本专利技术的一个方式所涉及的机器学习装置具备执行构建步骤的一个或多个处理器，该构建步骤是通过使用了学习用数据组的监督学习来构建用于检查铸模的外观的学习完毕模型的步骤。另外，本专利技术的一个方式所涉及的机器学习方法包括构建步骤，该构建步骤是一个或多个处理器通过使用了学习用数据组的监督学习来构建用于检查铸模的外观的学习完毕模型的步骤。
[0013]而且，在所述检查装置、所述检查方法、所述机器学习装置以及所述机器学习方法中，所述学习完毕模型的输入包含拍摄所述铸模的外观而得到的检查图像。所述学习完毕模型的输出是表示所述铸模的外观的检查结果的信息。
[0014]专利技术的效果
[0015]根据本专利技术的一个方式，能够实现一种提高铸模的外观的检查精度的技术。
附图说明
[0016]图1是示出本专利技术的一个实施方式所涉及的检查系统的结构的图。
[0017]图2是示出本专利技术的一个实施方式中包括的检查装置的结构的框图。
[0018]图3是示出本专利技术的一个实施方式中包括的检查装置所实施的检查方法的流程的流程图。
[0019]图4是示出本专利技术的一个实施方式中包括的机器学习装置的结构的框图。
[0020]图5是示出本专利技术的一个实施方式中包括的机器学习装置所实施的机器学习方法的流程的流程图。
[0021]图6是示出作为本专利技术的一个实施方式所涉及的检查系统的适用对象的铸造线的概要结构的框图。
[0022]图7是示出图6所示的铸造线所实施的铸造工序的流程图。
[0023]图8是示出本专利技术的一个实施方式的变形例1所涉及的检查系统的结构的图。
[0024]图9是示出本专利技术的一个实施方式的变形例2所涉及的检查系统的结构的图。
[0025]图10是示出本专利技术的一个实施方式的变形例2中包括的检查装置所实施的检查方法的流程的流程图。
[0026]图11是示出本专利技术的一个实施方式的变形例2中包括的机器学习装置所实施的机器学习方法的流程的流程图。
[0027]图12是示出本专利技术的一个实施方式的变形例3所涉及的检查系统的结构的图。
具体实施方式
[0028]〔检查系统S〕
[0029]参照图1来说明本专利技术的一个实施方式所涉及的检查系统S。图1是示出检查系统S的结构的图。
[0030]检查系统S是用于检查铸模9的外观的系统。在本实施方式中，检查系统S尤其检查铸模9的产品表面的外观。若铸模9的产品表面存在塌箱(日文：型落
ち
)不良等缺陷，则使用该铸模9铸造的铸件的品质降低。通过利用检查系统S检查铸模9的产品表面，能够判断能否实施检查后的工序，其结果为，能够抑制产生不良品。在此，铸模9的产品表面是指铸模9的表面之中的其形状被转印到产品上的表面。
[0031]如图1所示，检查系统S具备检查装置1、机器学习装置2、摄像机3以及照明4。另外，检查装置1以能够与砂性状测定装置92、造模机93以及传感器组98分别进行通信的方式连接。另外，机器学习装置2以能够与砂性状测定装置92、造模机93以及传感器组98分别进行通信的方式连接。
[0032]摄像机3拍摄铸模9的产品表面并生成检查图像。在相当于铸模9的上部的上模以及相当于铸模9的下部的下模被合模之后，铸模9的产品表面不暴露在外部。因此，在上模与下模被合模之后，摄像机3无法拍摄铸模9的产品表面。因而，摄像机3设置于能够在上模与下模被合模之前拍摄铸模9的产品表面的位置。另外，在铸模9中设置有型芯的情况下，在设
置型芯之后，摄像机3无法拍摄铸模9的产品表面之中的被型芯的影子遮挡的部分。在该情况下，摄像机3设置于能够在设置型芯之前拍摄铸模9的产品表面的位置。例如，摄像机3设置于从造模机93至后述的型芯设置场95的搬送路径附近且能够拍摄铸模9的产品表面的位置。
[0033]在由摄像机3进行摄像时，照明4向铸模9的产品表面照射光。此外，摄像机3及照明4的结构也可以采用上述的专利文献1中记载的结构。
[0034]检查装置1是用于实施检查方法M1的装置。检查方法M1是至少基于从摄像机3获取到的检查图像使用通过机器学习构建出的学习完毕模型LM来检查铸模9的产品表面的方法。作为学习完毕模型LM，例如能够使用卷积神经网络、递归型神经网络等神经网络模型或者支持向量机等算法。关于检查装置1的结构及检查方法M1的流程的详情，替代所参照的附图在后面描述。
[0035]机器学习装置2是用于实施机器学习方法M2的装置。机器学习方法M2是用于至少使用从摄像机3获取到的检查图像来构建学习用数据组DS、并且通过使用了学习用数据组DS的机器学习(监督学习)来构建学习完毕模型LM的方法。关于机器学习装置2的结构及机器学习方法M2的流程的详情，替代所参照的附图在后面描述。
[0036]〔学习完毕模型LM的输入〕
[0037]学习完毕模型LM的输入包含检查图像。另外，学习完毕模型LM的输入还包含砂信息、造模信息、搬送信息以及环境信息之中的一部分或全部。对这些输入数据进行说明。
[0038]检查图像是通过本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种检查装置，其特征在于，具备执行检查步骤的一个或多个处理器，所述检查步骤是使用通过机器学习构建出的学习完毕模型来检查铸模的外观的步骤，其中，所述学习完毕模型的输入包含拍摄所述铸模的外观而得到的检查图像，所述学习完毕模型的输出是表示所述铸模的外观的检查结果的信息。2.根据权利要求1所述的检查装置，其特征在于，所述铸模的外观是所述铸模的产品表面的外观。3.根据权利要求1或2所述的检查装置，其特征在于，所述一个或多个处理器还执行选择步骤，所述选择步骤是选择与在所述铸模的造模中使用的模型的种类相应的学习完毕模型的步骤，在所述检查步骤中，所述一个或多个处理器使用在所述选择步骤中选择出的学习完毕模型，来检查所述铸模的外观。4.根据权利要求1～3中的任一项所述的检查装置，其特征在于，所述学习完毕模型的输入还包含拍摄正常的铸模的外观而得到的基准图像。5.根据权利要求1～4中的任一项所述的检查装置，其特征在于，所述学习完毕模型的输入还包含表示构成所述铸模的型砂的砂信息、表示所述铸模的造模状况的造模信息、表示所述铸模的搬送状况的搬送信息以及环境信息之中的一部分或全部。6.根据权利要求1～5中的任一项所述的检查装置，其特征在于，所述学习完毕模型的输出至少表示所述铸模的外观有无缺陷...

【专利技术属性】
技术研发人员：杉野刚大，园原猛史，
申请(专利权)人：新东工业株式会社，
类型：发明
国别省市：