タイヤ検査用特徴抽出プログラム作成装置及びタイヤ検査装置
【課題】タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することを可能とする。
【解決手段】タイヤ又はタイヤ構成部材の表面の検査における前記表面の撮像画像から欠陥領域を抽出するためのタイヤ検査用特徴抽出プログラムを作成するタイヤ検査用の特徴抽出プログラム作成装置１０は、前記タイヤ検査用特徴抽出プログラムを構成する複数種類の画像処理用フィルタを記憶するフィルタ記憶部１４と、前記タイヤ又は前記タイヤ構成部材の表面に発生し得る欠陥が撮像された原画像を記憶した原画像記憶部１６と、前記撮像画像を前記特徴抽出プログラムにより処理した際の目標となる目標画像を記憶する目標画像記憶部１８と、前記原画像と前記目標画像とに基づいて、遺伝的プログラミングにより前記複数種類の画像処理用フィルタの中から適応度が最大となる画像処理用フィルタの組み合わせを決定する遺伝的プログラミング部１２と、を備えている。
【解決手段】タイヤ又はタイヤ構成部材の表面の検査における前記表面の撮像画像から欠陥領域を抽出するためのタイヤ検査用特徴抽出プログラムを作成するタイヤ検査用の特徴抽出プログラム作成装置１０は、前記タイヤ検査用特徴抽出プログラムを構成する複数種類の画像処理用フィルタを記憶するフィルタ記憶部１４と、前記タイヤ又は前記タイヤ構成部材の表面に発生し得る欠陥が撮像された原画像を記憶した原画像記憶部１６と、前記撮像画像を前記特徴抽出プログラムにより処理した際の目標となる目標画像を記憶する目標画像記憶部１８と、前記原画像と前記目標画像とに基づいて、遺伝的プログラミングにより前記複数種類の画像処理用フィルタの中から適応度が最大となる画像処理用フィルタの組み合わせを決定する遺伝的プログラミング部１２と、を備えている。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、タイヤ又はタイヤ構成部材の表面を検査するためのタイヤ検査用特徴抽出プログラム作成装置及びタイヤ装置に関する。
【背景技術】
【０００２】
タイヤ等の被検出体の表面欠陥について、変位センサにより得られる表面形状の凹凸波形から周波数解析することにより欠陥検出する技術が各種知られている。その周波数解析には、高速フーリエ変換による技術が一般的に知られており、この技術では計測データに含まれる雑音（ノイズ）の除去や欠陥部の抽出（欠陥位置の特定）が可能である。この高速フーリエ変換では、位置特定が困難であるため、タイヤ外面の変位をセンサにより検知し、その変位信号であるセンサ出力信号についてウェーブレット処理により波形を得て、得られた波形と欠陥波形とを比較することによりタイヤ欠陥を検出する技術も知られている（例えば、特許文献１参照）。
【０００３】
このようなタイヤ等の表面欠陥を変位センサを用いて行うことに比べ、タイヤ等の表面を撮像した撮像画像を画像処理して検査することは、目視検査に近く、好ましい検査である。
【特許文献１】特開平１０−１０６４５３号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、画像処理によりタイヤ等の表面欠陥を得る方法では、画像処理のための様々なフィルタを詳細に設定した後に画像処理しなければならず、その設定は職人芸的なものであった。例えば、表面欠陥を表示させるためにタイヤ等の表面から欠陥箇所を抽出するのには、複数のフィルタ等を組み合わせたタイヤ検査用の特徴抽出プログラムを作成する必要がある。この特徴抽出プログラムの作成には、膨大な処理時間を要すると共にフィルタの組み合わせ等の設定は熟練者に依存する必要があった。従って、多数の種類が存在するタイヤやタイヤ構成部材の各々の検査に適用するのには実用的ではなく、また、特徴抽出プログラムの作成を簡単に行うことが困難であった。
【０００５】
本発明は上記事実を考慮し、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することを可能とするタイヤ検査用特徴抽出プログラム作成装置及びタイヤ検査装置を得ることが目的である。
【課題を解決するための手段】
【０００６】
請求項１に記載の発明のタイヤ検査用特徴抽出プログラム作成装置は、タイヤ又はタイヤ構成部材の表面の検査における前記表面の撮像画像から欠陥領域を抽出するためのタイヤ検査用特徴抽出プログラムを作成するタイヤ検査用特徴抽出プログラム作成装置であって、前記タイヤ検査用特徴抽出プログラムを構成する複数種類の画像処理用フィルタを記憶するフィルタ記憶手段と、前記タイヤ又は前記タイヤ構成部材の表面に発生し得る欠陥が撮像された原画像を記憶した原画像記憶手段と、前記撮像画像を前記特徴抽出プログラムにより処理した際の目標となる目標画像を記憶する目標画像記憶手段と、前記原画像と前記目標画像とに基づいて、遺伝的プログラミングにより前記複数種類の画像処理用フィルタの中から適応度が最大となる画像処理用フィルタの組み合わせを決定する決定手段と、を備えたことを特徴とする。
【０００７】
この発明によれば、タイヤ又はタイヤ構成部材の表面に発生し得る欠陥が撮像された原画像と、撮像画像を特徴抽出プログラムにより処理した際の目標となる目標画像とに基づいて、遺伝的プログラミングによりタイヤ検査用特徴抽出プログラムを構成する複数種類の画像処理用フィルタの中から適応度が最大となる画像処理用フィルタの組み合わせを決定するので、容易にタイヤ検査用特徴抽出プログラムを作成することができると共に、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することを可能とすることができる。
【０００８】
なお、請求項２に記載したように、前記原画像記憶手段は、前記欠陥の種類毎に前記原画像を記憶すると共に、前記目標画像記憶手段は、前記欠陥の種類毎に前記目標画像を記憶するようにしてもよい。これにより、様々な欠陥の検査に対応することが可能となる。
【０００９】
請求項３記載の発明のタイヤ検査装置は、請求項１又は請求項２記載のタイヤ検査用特徴抽出プログラム作成装置で作成されたタイヤ検査用特徴抽出プログラムを記憶するプログラム記憶手段と、タイヤ又はタイヤ構成部材の表面を撮像する撮像手段と、前記撮像手段で撮像した撮像画像を前記プログラム記憶手段に記憶された特徴抽出プログラムにより画像処理する画像処理手段と、前記画像処理手段による処理後の画像に基づいて、前記タイヤ又はタイヤ構成部材の表面の欠陥の有無を判定する判定手段と、を備えたことを特徴とする。
【００１０】
この発明によれば、請求項１又は請求項２記載のタイヤ検査用特徴抽出プログラム作成装置で作成されたタイヤ検査用特徴抽出プログラムを用いてタイヤ又はタイヤ構成部材の表面の欠陥の検査を行うので、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することができる。
【００１１】
なお、請求項４に記載したように、前記判定手段は、前記処理後の画像に関する複数のパラメータを各々算出する算出手段を含み、前記複数のパラメータに関して予め定めた条件に基づいて、前記欠陥の有無を判定するようにしてもよい。これにより、より高精度に欠陥を検査することができる。
【００１２】
また、請求項５に記載したように、前記判定手段は、前記複数のパラメータを用いた重回帰式により前記処理後の画像の前記目標画像に対する適応率を求める適応率算出手段を含み、前記条件は、前記適応率に関して予め定めた条件を含むようにしてもよい。これにより、より高精度に欠陥を検査することができる。
【発明の効果】
【００１３】
以上説明したように本発明によれば、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することが可能になる、という優れた効果を有する。
【発明を実施するための最良の形態】
【００１４】
以下、図面を参照して本発明の実施の形態を詳細に説明する。
【００１５】
まず、タイヤ検査用特徴抽出プログラム作成装置について説明する。本実施形態に係るタイヤ検査用特徴抽出プログラム作成装置は、タイヤやタイヤを構成するタイヤ構成部材の表面に発生している欠陥領域を精度良く抽出するための特徴抽出プログラム（画像処理プログラム）を自動的に作成するための装置である。なお、本実施の形態では、一例としてタイヤ構成部材であるベルトプライの表面検査用の特徴抽出プログラムを自動的に作成する場合について説明する。
【００１６】
図１には、本発明の実施形態に係る特徴抽出プログラム作成装置１０の概略構成図を示した。同図に示すように、特徴抽出プログラム作成装置１０は、遺伝的プログラミング部１２、フィルタ記憶部１４、原画像記憶部１６、目標画像記憶部１８、及び作成プログラム記憶部２０を含んで構成されている。
【００１７】
フィルタ記憶部１４には、タイヤ構成部材の表面の画像に対して各種のフィルタ処理（画像処理）を施す複数のフィルタが記憶されている。フィルタとしては例えばメディアンフィルタ等の公知の各種フィルタがあるが、処理対象のベルトプライの画像に対して画像処理を施すものであれば、所定の画像処理を施す関数や画像処理プログラムでもよく、本発明のフィルタにはこれらも含まれる。
【００１８】
原画像記憶部１６には、過去に撮像した各種の欠陥を含むベルトプライの表面の画像が欠陥の種類毎に記憶されている。
【００１９】
目標画像記憶部１８には、遺伝的プログラミング部１２により作成された特徴抽出プログラムにより、実際の検査においてベルトプライの表面の撮像画像を処理した時の目標となる目標画像が、欠陥の種類毎に記憶されている。
【００２０】
遺伝的プログラミング部１２は、詳細は後述するが、欠陥の種類毎に、上記の原画像や目標画像等に基づいて最適なフィルタの組み合わせ、すなわち特徴抽出プログラムを遺伝的プログラミングにより作成する。作成した特徴抽出プログラムは、作成プログラム記憶部２０に記憶される。
【００２１】
これらの各部１２〜２０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の組み合わせからなるコンピュータにより構成されるものとすることができ、このコンピュータが所定プログラムを読み込んで実行することにより特徴抽出プログラム作成装置１０が実現されたものとすることができる。
【００２２】
次に、遺伝的プログラミング部１２において実行される特徴抽出プログラム作成処理について図２に示すフローチャートを参照して説明する。なお、本実施形態では、一例としてベルトプライの凹みの欠陥を抽出するのに適した特徴抽出プログラムを作成する場合について説明する。
【００２３】
まず、ステップ１００では、遺伝的プログラミングの手法に従い、初期個体群を作成する。すなわち、図３に示すようにランダムにＮ個の個体（木）を生成し、これを初期個体群とする。ここで、個体とは一つの特徴抽出プログラムであり、複数のノードを木構造によって接続したものとして表現される。ノードは、プログラム内の１関数又はデータであり、画像処理に関するフィルタや四則演算等の各種処理を表わす。具体的には、フィルタ記憶部１４に記憶された各種フィルタをランダムに組み合わせて図３に示すような初期個体群を作成する。
【００２４】
ステップ１０２では、各個体の適応度Ａを、原画像及び目標画像に基づいて次式により計算する。
【００２５】
【数１】
【００２６】
なお、ｘは原画像、目標画像の横画素位置、ｙは原画像、目標画像の縦横画素位置、ｗは原画像、目標画像の横画素数、ｈは原画像、目標画像の縦画素数、ｇ（ｘ、ｙ）は目標画像の画素位置、ｈ（ｘ、ｙ）は原画像の画素位置である。また、上記（１）式は、一例として各画像の階調が０〜２５５の２５６階調の場合の式である。
【００２７】
具体的には、原画像記憶部１６からベルトプライの凹みを含む原画像を読み込むと共に、目標画像記憶部１８からベルトプライの凹みに対応した目標画像、すなわちベルトプライの凹みを明確に認識できる目標画像を読み込む。そして、読み込んだ原画像に対して各個体により画像処理を行い、その処理後の原画像と目標画像とに基づいて上記（１）式により適応度を計算する。
【００２８】
例えば図３の個体１における適応度Ａを計算する場合、読み込んだ原画像を個体１の末端のノードであるノードＨ、Ｉ、Ｅ、Ｆ、Ｇの各々に対して原画像を入力させ、個体１の根であるノードＡまで各処理を施す。すなわち、例えばノードＨ、Ｉに設定されたフィルタ等により原画像を各々処理した画像に対して、ノードＤでは例えばノードＨ、Ｉの処理が施された画像を足した後に所定のフィルタにより画像処理を施すといったように、末端側のノードから原画像を順次処理して、その個体により処理された画像を得る。
【００２９】
適応度の最大値は上記（１）式より１．０であり、適応度が大きいほど、すなわち１．０に近いほど原画像が目標画像に近いことを示す。
【００３０】
ステップ１０４では、次世代の個体の決定を行う。本実施形態では、例えば公知のルーレット選択によってＮ個の個体の中から幾つかの個体を選択する。なお、選択の方式はルーレット選択に限らずランキング選択等の他の方法を用いてもよい。
【００３１】
ルーレット選択式は、個体ｉ（ｉは個体を表わす添え字）を選ぶ確率をｐｉとして次式で表わされる。
【００３２】
【数２】
【００３３】
ここで、ｆｉは個体ｉの適応度、ｋは１〜Ｎの個体番号を示す。
【００３４】
ステップ１０６では、ノードの交叉を行う。すなわち、ステップ１０４で選択された次世代の個体の中からランダムに２つの個体を選んでペア（親）を作る。そして、例えばユーザーが設定した交叉率（例えば６０〜９０％程度）で、そのペアを交叉させるか否かを決定する。
【００３５】
交叉させると決定した場合には、部分木交換交叉により例えば任意のノード以下の部分木を交叉させる。例えば図３に示す個体１と個体Ｎの交叉を行う場合、例えば個体１のノードＢ以下の部分木１−Ｂと個体ＮのノードＢ以下の部分木Ｎ−Ｂとを交換した新たな個体を２つ作成する。なお、新たな個体とせず、元のペアに置き換えても良い。
【００３６】
ステップ１０８では、個体を突然変異させる。具体的には、全個体に対して所定の生起確率（例えば１〜１０％程度）で、ランダムにあるノードを別のノードや部分木に交換させる。例えば図１の個体１を突然変異させる場合、例えばノードＣ以下の部分木を他のノードＺや他の部分木に交換する。
【００３７】
ステップ１１０では、次世代の各個体に対してステップ１０２と同様に適応度を計算する。
【００３８】
ステップ１１２では、所定の終了条件を満たすか否かを判断する。終了条件は、例えば各個体について計算した適応度のうち最大の適応度が１．０である場合や、世代数が例えばユーザーが設定した最大世代数に達した場合等とすることができる。
【００３９】
そして、終了条件を満たさない場合にはステップ１０４へ移行し、さらに次世代の個体について上記と同様の処理を行う。
【００４０】
一方、終了条件を満たす場合には、ステップ１１４へ移行する。そして、例えば、適応度が最大となる個体をベルトプライの凹みを抽出するのに最適な特徴抽出プログラムとして作成プログラム記憶部２０に記憶する。このようにして作成した特徴抽出プログラムにより実際に凹みのあるベルトプライを撮像した画像を処理すると、凹み部分を明確に認識可能な目標画像に近い画像を得ることができる。これにより、この特徴抽出プログラムを用いてベルトプライの検査をした場合に、高精度で凹みを検出することが可能となる。
【００４１】
上記の処理を欠陥の種類毎に行うことにより、各欠陥に対応した特徴抽出プログラムが作成プログラム記憶部２０に記憶される。
【００４２】
次に、作成した特徴抽出プログラムを用いてタイヤの構成部材等の検査を行う場合について説明する。なお、本実施形態では、一例としてドラムに巻き掛けられたベルトプライの表面を検査する場合について説明する。
【００４３】
図４には、タイヤ検査装置５０の概略構成図を示した。同図に示すように、タイヤ検査装置５０は、制御部５２、駆動部５４、撮像部５６、表示部５８、及び特徴抽出プログラム記憶部６０を含んで構成されている。
【００４４】
駆動部５４は、短冊状のベルトプライ６２が巻き掛けられるドラム６４を回転駆動させる。
【００４５】
撮像部５６は、ドラム６４に巻き掛けられたベルトプライ６２の表面を撮像する。なお、この撮像部５６は、本実施形態では一例として予め定めた所定位置（例えば撮像部５６の位置）からベルトプライ６２の表面までのベルトプライ６２の厚み方向における距離を、撮像範囲の各位置について三角測距法により測定するものであり、ベルトプライ６２にレーザー光を照射する投光部、ベルトプライ６２から反射された光を受光する受光部等を含んで構成される。すなわち、撮像部５６は、ベルトプライ６２の表面の撮像画像をベルトプライ６２の撮像範囲の各位置における厚み方向の距離として取得する。これにより、ベルトプライ６２の表面の凹凸を検出することが可能となる。
【００４６】
表示部５８は、検査結果等を表示するためのものである。特徴抽出プログラム記憶部６０は、前述の特徴抽出プログラム作成装置１０により作成された各種欠陥に応じた複数の特徴抽出プログラムを予め記憶する。
【００４７】
制御部５２は、駆動部５４、撮像部５６、表示部５８、及び特徴抽出プログラム記憶部６０を統括制御すると共に、特徴抽出プログラム記憶部６０に記憶された特徴抽出プログラムを用いて撮像画像を画像処理する。
【００４８】
次に、制御部５２で実行されるタイヤ検査処理について図５に示すフローチャートを参照して説明する。
【００４９】
ステップ２００では、駆動部５４によりドラム６４を回転駆動させ、撮像部５６にベルトプライ６２の表面を撮像させる。
【００５０】
ステップ２０２では、撮像画像に基づいて、所定の欠陥種類特定処理を行い、欠陥が発生している可能性があるか否か、欠陥が発生している可能性がある場合には、どのような種類の欠陥が発生している可能性があるかを判定し、欠陥種類を特定する。なお、特定する欠陥の種類は、予め用意された特徴抽出プログラムの種類に対応する。
【００５１】
前述したように、撮像画像は、撮像範囲の各位置におけるベルトプライ６２の厚み方向の距離として取得されているため、例えば凹凸が発生している領域やその形状を判別することができ、これらに基づいて、発生している可能性のある欠陥種類を特定することができる。
【００５２】
ステップ２０４では、発生している可能性のある欠陥種類を特定できたか否かを判断し、例えば凹凸がほぼ発生しておらず欠陥種類を特定できないと判断された場合、すなわち正常であると判断された場合にはステップ２１４へ移行し、発生している可能性のある欠陥種類を特定することができた場合には、ステップ２０６へ移行する。
【００５３】
ステップ２０６では、特定した欠陥種類に対応した特徴抽出プログラムを特徴抽出プログラム記憶部６０から読み出し、ステップ２０８において、その特徴抽出プログラムにより、撮像した画像を画像処理する。これにより、欠陥領域を他の領域と明確に判別することが可能な画像が得られる。
【００５４】
ステップ２１０では、画像処理後の撮像画像に基づいて図６に示すような重回帰解析処理が行われる。この重回帰解析処理では、判別された欠陥の種類に応じた処理がなされる。以下では、一例として欠陥の種類が横長の凹みである場合について説明する。
【００５５】
図６に示すステップ３００では、撮像画像に対して公知のラベリング処理を施し、欠陥と思われる欠陥候補領域を抽出する。本実施形態では、一例として図７（Ａ）に示すように撮像画像７０内から横長の凹み領域である欠陥候補領域７２が抽出された場合について説明する。なお、欠陥候補領域７２は、例えば図７（Ｂ）に示すように、ベルトプライ６２のうち一部のベルトプライ６２Ａが何らかの原因によってずれてしまった場合に、その領域（図７（Ｂ）においてハッチングした領域）の一部（例えば図７（Ｂ）において点線枠で示した領域）として抽出される場合があるが、これに限られるものではない。
【００５６】
ステップ３０２では、欠陥候補領域７２の長手方向における重心位置Ｇを求め、この重心位置で欠陥候補領域７２を前記長手方向と直交する方向に横切るゲージプロファイルを撮像画像から抽出する。前述したように、撮像画像は、ベルトプライ６２の厚み方向における距離で表わされるため、前記ゲージプロファイルは、図８（Ａ）に示すように欠陥候補領域７２の位置で凹部７４となるようなプロファイルとなる。
【００５７】
ステップ３０４では、抽出したゲージプロファイルに対して平滑微分フィルタ処理を施す。これにより、図８（Ｂ）に示すように、同図８（Ａ）の凹部７４の壁７４Ａ、７４Ｂに相当する位置に互いに逆方向のピーク７６Ａ、７６Ｂを有するプロファイルが得られる。
【００５８】
ステップ３０６では、図８（Ｂ）に示すプロファイルをチェーンコード化する。本実施形態におけるチェーンコード化では、図９（Ａ）に示すように、中心である‘０’から見た８方向に‘１’〜‘８’のコード（数字）を割り当て、このコードでプロファイルを表現する。図８（Ｂ）に示すプロファイルをチェーンコード化した例を図９（Ｂ）に示す。
【００５９】
ステップ３０８では、欠陥候補領域７２がその周辺と比較してどの程度凹んでいるかを示すボリューム偏差を求める。具体的には、図７（Ａ）に示すように欠陥候補領域７２を含む矩形領域７８を定義し、例えば欠陥候補領域７２の画素（ベルトプライ６２の厚み方向の距離）の平均値と、矩形領域７８から欠陥候補領域７２を除いた周辺領域の画素の平均値との差分を求めてこれをボリューム偏差とする。
【００６０】
ステップ３１０では、欠陥候補領域７２の面積、図７（Ａ）に示すようにＸ方向（横方向）主軸長Ｘ１及びＹ方向（縦方向）主軸長Ｙ１を算出する。
【００６１】
ステップ３１２では、適応率ｇを重回帰式により算出する。本実施形態では、重回帰式を次式で表わす。
【００６２】
ｇ＝（ｋ１×ａ１）＋（ｋ２×ａ２）＋（ｋ３×ａ３）＋（ｋ４×ａ４）＋（ｋ５×ａ５）＋（ｋ６×ａ６）＋ｇ０ ・・・（３）
【００６３】
ここで、ａ１〜ａ６は図６の処理で得られた欠陥候補領域７２に関するパラメータから選択されたパラメータである。本実施形態では、例えば以下のようにパラメータを設定するが、これに限られない。また、重回帰式や各パラメータは欠陥の種類に応じて適宜変更することができる。
【００６４】
ａ１：図９（Ｂ）に示すチェーンコードのコード‘１’、‘７’の傾斜角度。
【００６５】
ａ２：図９（Ｂ）に示すチェーンコードのコード‘３’、‘５’の傾斜角度。
【００６６】
ａ３：欠陥候補領域７２の面積。
【００６７】
ａ４：欠陥候補領域７２のＹ方向主軸長Ｙ１。
【００６８】
ａ５：欠陥候補領域７２のＸ方向主軸長Ｘ１。
【００６９】
ａ６：欠陥候補領域７２とその周辺領域とのボリューム偏差。
【００７０】
また、ｋ１〜ｋ６、ｇ０は多数の過去のデータに基づいて最小自乗法等を用いて求めた定数である。
【００７１】
そして、図５のステップ２１２において、正常か否か、すなわち欠陥候補領域７２が欠陥ではなく正常であるか否かを判定する。
【００７２】
具体的には、例えば複数の条件（ルール）を全て満たした場合に欠陥と判定し、それ以外は欠陥ではないと判定するプロダクションルールを用いた判定を行うことができる。本実施形態では、一例として以下のルール１〜８の全てを満たした場合に異常と判定する。
【００７３】
ルール１：図９（Ｂ）に示すチェーンコードのコード‘８’の後にコード‘４’が出現する。
【００７４】
ルール２：図９（Ｂ）に示すチェーンコードのコード‘１’、‘７’、‘３’、‘５’の傾斜角度のうち所定閾値以上となるものがある。
【００７５】
ルール３：欠陥候補領域７２の面積＞所定閾値以上。
【００７６】
ルール４：欠陥候補領域７２のＹ方向主軸長Ｙ１＜欠陥候補領域７２のＸ方向主軸長Ｘ１。
【００７７】
ルール５：欠陥候補領域７２のＹ方向主軸長Ｙ１＞所定閾値以上。
【００７８】
ルール６：欠陥候補領域７２のＸ方向主軸長Ｘ１＞所定閾値以上。
【００７９】
ルール７：ボリューム偏差＜所定閾値。
【００８０】
ルール８：適応率ｇ＜所定閾値
【００８１】
なお、ルールの設定は一例であって、これに限られるものではなく、ルールの設定は欠陥の種類等に応じて適宜変更することができる。例えば、上記のルール８のみを用いて判定するようにしてもよい。すなわち、適応率ｇ＜所定閾値を満たせば欠陥（異常）と判定し、満たさなければ欠陥ではない（正常）と判定するようにしてもよい。
【００８２】
そして、ステップ２１２で正常と判定した場合には、ステップ２１４へ移行して例えば正常である旨を表示部５８に表示させ、異常と判定した場合には、ステップ２１６へ移行して異常である旨を表示部５８に表示させる。
【００８３】
このように、本実施形態では、特徴抽出プログラム作成装置１０により遺伝的プログラミングを用いて欠陥の種類毎に特徴抽出プログラムを作成し、これを用いてタイヤ構成部材の検査を行うので、タイヤ構成部材の表面にどのような欠陥が発生しているかを高精度に検査することができる。
【００８４】
また、本実施形態では、タイヤ構成部材としてベルトプライの表面を検査する場合について説明したが、これに限らず、他のタイヤ構成部材の表面の検査や完成品のタイヤの表面の検査にも本発明を適用可能であることは言うまでもない。
【図面の簡単な説明】
【００８５】
【図１】特徴抽出プログラム作成装置の概略構成図である。
【図２】特徴抽出プログラム作成処理のフローチャートである。
【図３】初期個体群の一例を示す図である。
【図４】タイヤ検査装置の概略構成図である。
【図５】タイヤ検査処理のフローチャートである。
【図６】重回帰解析処理のフローチャートである。
【図７】（Ａ）は欠陥の一例を示すイメージ図、（Ｂ）は（Ａ）を含む全体図である。
【図８】（Ａ）はゲージプロファイルを示す図、（Ｂ）は（Ａ）のゲージプロファイルを平滑微分フィルタ処理した後のゲージプロファイルを示す図である。
【図９】（Ａ）はチェーンコードについて説明するための図、（Ｂ）はゲージプロファイルをチェーンコード化した図である。
【符号の説明】
【００８６】
１０ 特徴抽出プログラム作成装置（タイヤ検査用特徴抽出プログラム作成装置）
１２ 遺伝的プログラミング部（決定手段）
１４ フィルタ記憶部（フィルタ記憶手段）
１６ 原画像記憶部（原画像記憶手段）
１８ 目標画像記憶部（目標画像記憶手段）
２０ 作成プログラム記憶部
５０ タイヤ検査装置
５２ 制御部（画像処理手段、判定手段、算出手段、適応率算出手段）
５４ 駆動部
５６ 撮像部
５８ 表示部
６０ 特徴抽出プログラム記憶部（プログラム記憶手段）
６２ ベルトプライ
６４ ドラム
７０ 撮像画像
７２ 欠陥候補領域
【技術分野】
【０００１】
本発明は、タイヤ又はタイヤ構成部材の表面を検査するためのタイヤ検査用特徴抽出プログラム作成装置及びタイヤ装置に関する。
【背景技術】
【０００２】
タイヤ等の被検出体の表面欠陥について、変位センサにより得られる表面形状の凹凸波形から周波数解析することにより欠陥検出する技術が各種知られている。その周波数解析には、高速フーリエ変換による技術が一般的に知られており、この技術では計測データに含まれる雑音（ノイズ）の除去や欠陥部の抽出（欠陥位置の特定）が可能である。この高速フーリエ変換では、位置特定が困難であるため、タイヤ外面の変位をセンサにより検知し、その変位信号であるセンサ出力信号についてウェーブレット処理により波形を得て、得られた波形と欠陥波形とを比較することによりタイヤ欠陥を検出する技術も知られている（例えば、特許文献１参照）。
【０００３】
このようなタイヤ等の表面欠陥を変位センサを用いて行うことに比べ、タイヤ等の表面を撮像した撮像画像を画像処理して検査することは、目視検査に近く、好ましい検査である。
【特許文献１】特開平１０−１０６４５３号公報
【発明の開示】
【発明が解決しようとする課題】
【０００４】
しかしながら、画像処理によりタイヤ等の表面欠陥を得る方法では、画像処理のための様々なフィルタを詳細に設定した後に画像処理しなければならず、その設定は職人芸的なものであった。例えば、表面欠陥を表示させるためにタイヤ等の表面から欠陥箇所を抽出するのには、複数のフィルタ等を組み合わせたタイヤ検査用の特徴抽出プログラムを作成する必要がある。この特徴抽出プログラムの作成には、膨大な処理時間を要すると共にフィルタの組み合わせ等の設定は熟練者に依存する必要があった。従って、多数の種類が存在するタイヤやタイヤ構成部材の各々の検査に適用するのには実用的ではなく、また、特徴抽出プログラムの作成を簡単に行うことが困難であった。
【０００５】
本発明は上記事実を考慮し、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することを可能とするタイヤ検査用特徴抽出プログラム作成装置及びタイヤ検査装置を得ることが目的である。
【課題を解決するための手段】
【０００６】
請求項１に記載の発明のタイヤ検査用特徴抽出プログラム作成装置は、タイヤ又はタイヤ構成部材の表面の検査における前記表面の撮像画像から欠陥領域を抽出するためのタイヤ検査用特徴抽出プログラムを作成するタイヤ検査用特徴抽出プログラム作成装置であって、前記タイヤ検査用特徴抽出プログラムを構成する複数種類の画像処理用フィルタを記憶するフィルタ記憶手段と、前記タイヤ又は前記タイヤ構成部材の表面に発生し得る欠陥が撮像された原画像を記憶した原画像記憶手段と、前記撮像画像を前記特徴抽出プログラムにより処理した際の目標となる目標画像を記憶する目標画像記憶手段と、前記原画像と前記目標画像とに基づいて、遺伝的プログラミングにより前記複数種類の画像処理用フィルタの中から適応度が最大となる画像処理用フィルタの組み合わせを決定する決定手段と、を備えたことを特徴とする。
【０００７】
この発明によれば、タイヤ又はタイヤ構成部材の表面に発生し得る欠陥が撮像された原画像と、撮像画像を特徴抽出プログラムにより処理した際の目標となる目標画像とに基づいて、遺伝的プログラミングによりタイヤ検査用特徴抽出プログラムを構成する複数種類の画像処理用フィルタの中から適応度が最大となる画像処理用フィルタの組み合わせを決定するので、容易にタイヤ検査用特徴抽出プログラムを作成することができると共に、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することを可能とすることができる。
【０００８】
なお、請求項２に記載したように、前記原画像記憶手段は、前記欠陥の種類毎に前記原画像を記憶すると共に、前記目標画像記憶手段は、前記欠陥の種類毎に前記目標画像を記憶するようにしてもよい。これにより、様々な欠陥の検査に対応することが可能となる。
【０００９】
請求項３記載の発明のタイヤ検査装置は、請求項１又は請求項２記載のタイヤ検査用特徴抽出プログラム作成装置で作成されたタイヤ検査用特徴抽出プログラムを記憶するプログラム記憶手段と、タイヤ又はタイヤ構成部材の表面を撮像する撮像手段と、前記撮像手段で撮像した撮像画像を前記プログラム記憶手段に記憶された特徴抽出プログラムにより画像処理する画像処理手段と、前記画像処理手段による処理後の画像に基づいて、前記タイヤ又はタイヤ構成部材の表面の欠陥の有無を判定する判定手段と、を備えたことを特徴とする。
【００１０】
この発明によれば、請求項１又は請求項２記載のタイヤ検査用特徴抽出プログラム作成装置で作成されたタイヤ検査用特徴抽出プログラムを用いてタイヤ又はタイヤ構成部材の表面の欠陥の検査を行うので、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することができる。
【００１１】
なお、請求項４に記載したように、前記判定手段は、前記処理後の画像に関する複数のパラメータを各々算出する算出手段を含み、前記複数のパラメータに関して予め定めた条件に基づいて、前記欠陥の有無を判定するようにしてもよい。これにより、より高精度に欠陥を検査することができる。
【００１２】
また、請求項５に記載したように、前記判定手段は、前記複数のパラメータを用いた重回帰式により前記処理後の画像の前記目標画像に対する適応率を求める適応率算出手段を含み、前記条件は、前記適応率に関して予め定めた条件を含むようにしてもよい。これにより、より高精度に欠陥を検査することができる。
【発明の効果】
【００１３】
以上説明したように本発明によれば、タイヤやタイヤ構成部材の表面の欠陥を高精度に検査することが可能になる、という優れた効果を有する。
【発明を実施するための最良の形態】
【００１４】
以下、図面を参照して本発明の実施の形態を詳細に説明する。
【００１５】
まず、タイヤ検査用特徴抽出プログラム作成装置について説明する。本実施形態に係るタイヤ検査用特徴抽出プログラム作成装置は、タイヤやタイヤを構成するタイヤ構成部材の表面に発生している欠陥領域を精度良く抽出するための特徴抽出プログラム（画像処理プログラム）を自動的に作成するための装置である。なお、本実施の形態では、一例としてタイヤ構成部材であるベルトプライの表面検査用の特徴抽出プログラムを自動的に作成する場合について説明する。
【００１６】
図１には、本発明の実施形態に係る特徴抽出プログラム作成装置１０の概略構成図を示した。同図に示すように、特徴抽出プログラム作成装置１０は、遺伝的プログラミング部１２、フィルタ記憶部１４、原画像記憶部１６、目標画像記憶部１８、及び作成プログラム記憶部２０を含んで構成されている。
【００１７】
フィルタ記憶部１４には、タイヤ構成部材の表面の画像に対して各種のフィルタ処理（画像処理）を施す複数のフィルタが記憶されている。フィルタとしては例えばメディアンフィルタ等の公知の各種フィルタがあるが、処理対象のベルトプライの画像に対して画像処理を施すものであれば、所定の画像処理を施す関数や画像処理プログラムでもよく、本発明のフィルタにはこれらも含まれる。
【００１８】
原画像記憶部１６には、過去に撮像した各種の欠陥を含むベルトプライの表面の画像が欠陥の種類毎に記憶されている。
【００１９】
目標画像記憶部１８には、遺伝的プログラミング部１２により作成された特徴抽出プログラムにより、実際の検査においてベルトプライの表面の撮像画像を処理した時の目標となる目標画像が、欠陥の種類毎に記憶されている。
【００２０】
遺伝的プログラミング部１２は、詳細は後述するが、欠陥の種類毎に、上記の原画像や目標画像等に基づいて最適なフィルタの組み合わせ、すなわち特徴抽出プログラムを遺伝的プログラミングにより作成する。作成した特徴抽出プログラムは、作成プログラム記憶部２０に記憶される。
【００２１】
これらの各部１２〜２０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等の組み合わせからなるコンピュータにより構成されるものとすることができ、このコンピュータが所定プログラムを読み込んで実行することにより特徴抽出プログラム作成装置１０が実現されたものとすることができる。
【００２２】
次に、遺伝的プログラミング部１２において実行される特徴抽出プログラム作成処理について図２に示すフローチャートを参照して説明する。なお、本実施形態では、一例としてベルトプライの凹みの欠陥を抽出するのに適した特徴抽出プログラムを作成する場合について説明する。
【００２３】
まず、ステップ１００では、遺伝的プログラミングの手法に従い、初期個体群を作成する。すなわち、図３に示すようにランダムにＮ個の個体（木）を生成し、これを初期個体群とする。ここで、個体とは一つの特徴抽出プログラムであり、複数のノードを木構造によって接続したものとして表現される。ノードは、プログラム内の１関数又はデータであり、画像処理に関するフィルタや四則演算等の各種処理を表わす。具体的には、フィルタ記憶部１４に記憶された各種フィルタをランダムに組み合わせて図３に示すような初期個体群を作成する。
【００２４】
ステップ１０２では、各個体の適応度Ａを、原画像及び目標画像に基づいて次式により計算する。
【００２５】
【数１】
【００２６】
なお、ｘは原画像、目標画像の横画素位置、ｙは原画像、目標画像の縦横画素位置、ｗは原画像、目標画像の横画素数、ｈは原画像、目標画像の縦画素数、ｇ（ｘ、ｙ）は目標画像の画素位置、ｈ（ｘ、ｙ）は原画像の画素位置である。また、上記（１）式は、一例として各画像の階調が０〜２５５の２５６階調の場合の式である。
【００２７】
具体的には、原画像記憶部１６からベルトプライの凹みを含む原画像を読み込むと共に、目標画像記憶部１８からベルトプライの凹みに対応した目標画像、すなわちベルトプライの凹みを明確に認識できる目標画像を読み込む。そして、読み込んだ原画像に対して各個体により画像処理を行い、その処理後の原画像と目標画像とに基づいて上記（１）式により適応度を計算する。
【００２８】
例えば図３の個体１における適応度Ａを計算する場合、読み込んだ原画像を個体１の末端のノードであるノードＨ、Ｉ、Ｅ、Ｆ、Ｇの各々に対して原画像を入力させ、個体１の根であるノードＡまで各処理を施す。すなわち、例えばノードＨ、Ｉに設定されたフィルタ等により原画像を各々処理した画像に対して、ノードＤでは例えばノードＨ、Ｉの処理が施された画像を足した後に所定のフィルタにより画像処理を施すといったように、末端側のノードから原画像を順次処理して、その個体により処理された画像を得る。
【００２９】
適応度の最大値は上記（１）式より１．０であり、適応度が大きいほど、すなわち１．０に近いほど原画像が目標画像に近いことを示す。
【００３０】
ステップ１０４では、次世代の個体の決定を行う。本実施形態では、例えば公知のルーレット選択によってＮ個の個体の中から幾つかの個体を選択する。なお、選択の方式はルーレット選択に限らずランキング選択等の他の方法を用いてもよい。
【００３１】
ルーレット選択式は、個体ｉ（ｉは個体を表わす添え字）を選ぶ確率をｐｉとして次式で表わされる。
【００３２】
【数２】
【００３３】
ここで、ｆｉは個体ｉの適応度、ｋは１〜Ｎの個体番号を示す。
【００３４】
ステップ１０６では、ノードの交叉を行う。すなわち、ステップ１０４で選択された次世代の個体の中からランダムに２つの個体を選んでペア（親）を作る。そして、例えばユーザーが設定した交叉率（例えば６０〜９０％程度）で、そのペアを交叉させるか否かを決定する。
【００３５】
交叉させると決定した場合には、部分木交換交叉により例えば任意のノード以下の部分木を交叉させる。例えば図３に示す個体１と個体Ｎの交叉を行う場合、例えば個体１のノードＢ以下の部分木１−Ｂと個体ＮのノードＢ以下の部分木Ｎ−Ｂとを交換した新たな個体を２つ作成する。なお、新たな個体とせず、元のペアに置き換えても良い。
【００３６】
ステップ１０８では、個体を突然変異させる。具体的には、全個体に対して所定の生起確率（例えば１〜１０％程度）で、ランダムにあるノードを別のノードや部分木に交換させる。例えば図１の個体１を突然変異させる場合、例えばノードＣ以下の部分木を他のノードＺや他の部分木に交換する。
【００３７】
ステップ１１０では、次世代の各個体に対してステップ１０２と同様に適応度を計算する。
【００３８】
ステップ１１２では、所定の終了条件を満たすか否かを判断する。終了条件は、例えば各個体について計算した適応度のうち最大の適応度が１．０である場合や、世代数が例えばユーザーが設定した最大世代数に達した場合等とすることができる。
【００３９】
そして、終了条件を満たさない場合にはステップ１０４へ移行し、さらに次世代の個体について上記と同様の処理を行う。
【００４０】
一方、終了条件を満たす場合には、ステップ１１４へ移行する。そして、例えば、適応度が最大となる個体をベルトプライの凹みを抽出するのに最適な特徴抽出プログラムとして作成プログラム記憶部２０に記憶する。このようにして作成した特徴抽出プログラムにより実際に凹みのあるベルトプライを撮像した画像を処理すると、凹み部分を明確に認識可能な目標画像に近い画像を得ることができる。これにより、この特徴抽出プログラムを用いてベルトプライの検査をした場合に、高精度で凹みを検出することが可能となる。
【００４１】
上記の処理を欠陥の種類毎に行うことにより、各欠陥に対応した特徴抽出プログラムが作成プログラム記憶部２０に記憶される。
【００４２】
次に、作成した特徴抽出プログラムを用いてタイヤの構成部材等の検査を行う場合について説明する。なお、本実施形態では、一例としてドラムに巻き掛けられたベルトプライの表面を検査する場合について説明する。
【００４３】
図４には、タイヤ検査装置５０の概略構成図を示した。同図に示すように、タイヤ検査装置５０は、制御部５２、駆動部５４、撮像部５６、表示部５８、及び特徴抽出プログラム記憶部６０を含んで構成されている。
【００４４】
駆動部５４は、短冊状のベルトプライ６２が巻き掛けられるドラム６４を回転駆動させる。
【００４５】
撮像部５６は、ドラム６４に巻き掛けられたベルトプライ６２の表面を撮像する。なお、この撮像部５６は、本実施形態では一例として予め定めた所定位置（例えば撮像部５６の位置）からベルトプライ６２の表面までのベルトプライ６２の厚み方向における距離を、撮像範囲の各位置について三角測距法により測定するものであり、ベルトプライ６２にレーザー光を照射する投光部、ベルトプライ６２から反射された光を受光する受光部等を含んで構成される。すなわち、撮像部５６は、ベルトプライ６２の表面の撮像画像をベルトプライ６２の撮像範囲の各位置における厚み方向の距離として取得する。これにより、ベルトプライ６２の表面の凹凸を検出することが可能となる。
【００４６】
表示部５８は、検査結果等を表示するためのものである。特徴抽出プログラム記憶部６０は、前述の特徴抽出プログラム作成装置１０により作成された各種欠陥に応じた複数の特徴抽出プログラムを予め記憶する。
【００４７】
制御部５２は、駆動部５４、撮像部５６、表示部５８、及び特徴抽出プログラム記憶部６０を統括制御すると共に、特徴抽出プログラム記憶部６０に記憶された特徴抽出プログラムを用いて撮像画像を画像処理する。
【００４８】
次に、制御部５２で実行されるタイヤ検査処理について図５に示すフローチャートを参照して説明する。
【００４９】
ステップ２００では、駆動部５４によりドラム６４を回転駆動させ、撮像部５６にベルトプライ６２の表面を撮像させる。
【００５０】
ステップ２０２では、撮像画像に基づいて、所定の欠陥種類特定処理を行い、欠陥が発生している可能性があるか否か、欠陥が発生している可能性がある場合には、どのような種類の欠陥が発生している可能性があるかを判定し、欠陥種類を特定する。なお、特定する欠陥の種類は、予め用意された特徴抽出プログラムの種類に対応する。
【００５１】
前述したように、撮像画像は、撮像範囲の各位置におけるベルトプライ６２の厚み方向の距離として取得されているため、例えば凹凸が発生している領域やその形状を判別することができ、これらに基づいて、発生している可能性のある欠陥種類を特定することができる。
【００５２】
ステップ２０４では、発生している可能性のある欠陥種類を特定できたか否かを判断し、例えば凹凸がほぼ発生しておらず欠陥種類を特定できないと判断された場合、すなわち正常であると判断された場合にはステップ２１４へ移行し、発生している可能性のある欠陥種類を特定することができた場合には、ステップ２０６へ移行する。
【００５３】
ステップ２０６では、特定した欠陥種類に対応した特徴抽出プログラムを特徴抽出プログラム記憶部６０から読み出し、ステップ２０８において、その特徴抽出プログラムにより、撮像した画像を画像処理する。これにより、欠陥領域を他の領域と明確に判別することが可能な画像が得られる。
【００５４】
ステップ２１０では、画像処理後の撮像画像に基づいて図６に示すような重回帰解析処理が行われる。この重回帰解析処理では、判別された欠陥の種類に応じた処理がなされる。以下では、一例として欠陥の種類が横長の凹みである場合について説明する。
【００５５】
図６に示すステップ３００では、撮像画像に対して公知のラベリング処理を施し、欠陥と思われる欠陥候補領域を抽出する。本実施形態では、一例として図７（Ａ）に示すように撮像画像７０内から横長の凹み領域である欠陥候補領域７２が抽出された場合について説明する。なお、欠陥候補領域７２は、例えば図７（Ｂ）に示すように、ベルトプライ６２のうち一部のベルトプライ６２Ａが何らかの原因によってずれてしまった場合に、その領域（図７（Ｂ）においてハッチングした領域）の一部（例えば図７（Ｂ）において点線枠で示した領域）として抽出される場合があるが、これに限られるものではない。
【００５６】
ステップ３０２では、欠陥候補領域７２の長手方向における重心位置Ｇを求め、この重心位置で欠陥候補領域７２を前記長手方向と直交する方向に横切るゲージプロファイルを撮像画像から抽出する。前述したように、撮像画像は、ベルトプライ６２の厚み方向における距離で表わされるため、前記ゲージプロファイルは、図８（Ａ）に示すように欠陥候補領域７２の位置で凹部７４となるようなプロファイルとなる。
【００５７】
ステップ３０４では、抽出したゲージプロファイルに対して平滑微分フィルタ処理を施す。これにより、図８（Ｂ）に示すように、同図８（Ａ）の凹部７４の壁７４Ａ、７４Ｂに相当する位置に互いに逆方向のピーク７６Ａ、７６Ｂを有するプロファイルが得られる。
【００５８】
ステップ３０６では、図８（Ｂ）に示すプロファイルをチェーンコード化する。本実施形態におけるチェーンコード化では、図９（Ａ）に示すように、中心である‘０’から見た８方向に‘１’〜‘８’のコード（数字）を割り当て、このコードでプロファイルを表現する。図８（Ｂ）に示すプロファイルをチェーンコード化した例を図９（Ｂ）に示す。
【００５９】
ステップ３０８では、欠陥候補領域７２がその周辺と比較してどの程度凹んでいるかを示すボリューム偏差を求める。具体的には、図７（Ａ）に示すように欠陥候補領域７２を含む矩形領域７８を定義し、例えば欠陥候補領域７２の画素（ベルトプライ６２の厚み方向の距離）の平均値と、矩形領域７８から欠陥候補領域７２を除いた周辺領域の画素の平均値との差分を求めてこれをボリューム偏差とする。
【００６０】
ステップ３１０では、欠陥候補領域７２の面積、図７（Ａ）に示すようにＸ方向（横方向）主軸長Ｘ１及びＹ方向（縦方向）主軸長Ｙ１を算出する。
【００６１】
ステップ３１２では、適応率ｇを重回帰式により算出する。本実施形態では、重回帰式を次式で表わす。
【００６２】
ｇ＝（ｋ１×ａ１）＋（ｋ２×ａ２）＋（ｋ３×ａ３）＋（ｋ４×ａ４）＋（ｋ５×ａ５）＋（ｋ６×ａ６）＋ｇ０ ・・・（３）
【００６３】
ここで、ａ１〜ａ６は図６の処理で得られた欠陥候補領域７２に関するパラメータから選択されたパラメータである。本実施形態では、例えば以下のようにパラメータを設定するが、これに限られない。また、重回帰式や各パラメータは欠陥の種類に応じて適宜変更することができる。
【００６４】
ａ１：図９（Ｂ）に示すチェーンコードのコード‘１’、‘７’の傾斜角度。
【００６５】
ａ２：図９（Ｂ）に示すチェーンコードのコード‘３’、‘５’の傾斜角度。
【００６６】
ａ３：欠陥候補領域７２の面積。
【００６７】
ａ４：欠陥候補領域７２のＹ方向主軸長Ｙ１。
【００６８】
ａ５：欠陥候補領域７２のＸ方向主軸長Ｘ１。
【００６９】
ａ６：欠陥候補領域７２とその周辺領域とのボリューム偏差。
【００７０】
また、ｋ１〜ｋ６、ｇ０は多数の過去のデータに基づいて最小自乗法等を用いて求めた定数である。
【００７１】
そして、図５のステップ２１２において、正常か否か、すなわち欠陥候補領域７２が欠陥ではなく正常であるか否かを判定する。
【００７２】
具体的には、例えば複数の条件（ルール）を全て満たした場合に欠陥と判定し、それ以外は欠陥ではないと判定するプロダクションルールを用いた判定を行うことができる。本実施形態では、一例として以下のルール１〜８の全てを満たした場合に異常と判定する。
【００７３】
ルール１：図９（Ｂ）に示すチェーンコードのコード‘８’の後にコード‘４’が出現する。
【００７４】
ルール２：図９（Ｂ）に示すチェーンコードのコード‘１’、‘７’、‘３’、‘５’の傾斜角度のうち所定閾値以上となるものがある。
【００７５】
ルール３：欠陥候補領域７２の面積＞所定閾値以上。
【００７６】
ルール４：欠陥候補領域７２のＹ方向主軸長Ｙ１＜欠陥候補領域７２のＸ方向主軸長Ｘ１。
【００７７】
ルール５：欠陥候補領域７２のＹ方向主軸長Ｙ１＞所定閾値以上。
【００７８】
ルール６：欠陥候補領域７２のＸ方向主軸長Ｘ１＞所定閾値以上。
【００７９】
ルール７：ボリューム偏差＜所定閾値。
【００８０】
ルール８：適応率ｇ＜所定閾値
【００８１】
なお、ルールの設定は一例であって、これに限られるものではなく、ルールの設定は欠陥の種類等に応じて適宜変更することができる。例えば、上記のルール８のみを用いて判定するようにしてもよい。すなわち、適応率ｇ＜所定閾値を満たせば欠陥（異常）と判定し、満たさなければ欠陥ではない（正常）と判定するようにしてもよい。
【００８２】
そして、ステップ２１２で正常と判定した場合には、ステップ２１４へ移行して例えば正常である旨を表示部５８に表示させ、異常と判定した場合には、ステップ２１６へ移行して異常である旨を表示部５８に表示させる。
【００８３】
このように、本実施形態では、特徴抽出プログラム作成装置１０により遺伝的プログラミングを用いて欠陥の種類毎に特徴抽出プログラムを作成し、これを用いてタイヤ構成部材の検査を行うので、タイヤ構成部材の表面にどのような欠陥が発生しているかを高精度に検査することができる。
【００８４】
また、本実施形態では、タイヤ構成部材としてベルトプライの表面を検査する場合について説明したが、これに限らず、他のタイヤ構成部材の表面の検査や完成品のタイヤの表面の検査にも本発明を適用可能であることは言うまでもない。
【図面の簡単な説明】
【００８５】
【図１】特徴抽出プログラム作成装置の概略構成図である。
【図２】特徴抽出プログラム作成処理のフローチャートである。
【図３】初期個体群の一例を示す図である。
【図４】タイヤ検査装置の概略構成図である。
【図５】タイヤ検査処理のフローチャートである。
【図６】重回帰解析処理のフローチャートである。
【図７】（Ａ）は欠陥の一例を示すイメージ図、（Ｂ）は（Ａ）を含む全体図である。
【図８】（Ａ）はゲージプロファイルを示す図、（Ｂ）は（Ａ）のゲージプロファイルを平滑微分フィルタ処理した後のゲージプロファイルを示す図である。
【図９】（Ａ）はチェーンコードについて説明するための図、（Ｂ）はゲージプロファイルをチェーンコード化した図である。
【符号の説明】
【００８６】
１０ 特徴抽出プログラム作成装置（タイヤ検査用特徴抽出プログラム作成装置）
１２ 遺伝的プログラミング部（決定手段）
１４ フィルタ記憶部（フィルタ記憶手段）
１６ 原画像記憶部（原画像記憶手段）
１８ 目標画像記憶部（目標画像記憶手段）
２０ 作成プログラム記憶部
５０ タイヤ検査装置
５２ 制御部（画像処理手段、判定手段、算出手段、適応率算出手段）
５４ 駆動部
５６ 撮像部
５８ 表示部
６０ 特徴抽出プログラム記憶部（プログラム記憶手段）
６２ ベルトプライ
６４ ドラム
７０ 撮像画像
７２ 欠陥候補領域
【特許請求の範囲】
【請求項１】
タイヤ又はタイヤ構成部材の表面の検査における前記表面の撮像画像から欠陥領域を抽出するためのタイヤ検査用特徴抽出プログラムを作成するタイヤ検査用特徴抽出プログラム作成装置であって、
前記タイヤ検査用特徴抽出プログラムを構成する複数種類の画像処理用フィルタを記憶するフィルタ記憶手段と、
前記タイヤ又は前記タイヤ構成部材の表面に発生し得る欠陥が撮像された原画像を記憶した原画像記憶手段と、
前記撮像画像を前記タイヤ検査用特徴抽出プログラムにより処理した際の目標となる目標画像を記憶する目標画像記憶手段と、
前記原画像と前記目標画像とに基づいて、遺伝的プログラミングにより前記複数種類の画像処理用フィルタの中から適応度が最大となる画像処理用フィルタの組み合わせを決定する決定手段と、
を備えたことを特徴とするタイヤ検査用特徴抽出プログラム作成装置。
【請求項２】
前記原画像記憶手段は、前記欠陥の種類毎に前記原画像を記憶すると共に、前記目標画像記憶手段は、前記欠陥の種類毎に前記目標画像を記憶することを特徴とする請求項１記載のタイヤ検査用特徴抽出プログラム作成装置。
【請求項３】
請求項１又は請求項２記載のタイヤ検査用特徴抽出プログラム作成装置で作成されたタイヤ検査用特徴抽出プログラムを記憶するプログラム記憶手段と、
タイヤ又はタイヤ構成部材の表面を撮像する撮像手段と、
前記撮像手段で撮像した撮像画像を前記プログラム記憶手段に記憶されたタイヤ検査用特徴抽出プログラムにより画像処理する画像処理手段と、
前記画像処理手段による処理後の画像に基づいて、前記タイヤ又はタイヤ構成部材の表面の欠陥の有無を判定する判定手段と、
を備えたタイヤ検査装置。
【請求項４】
前記判定手段は、前記処理後の画像に関する複数のパラメータを各々算出する算出手段を含み、前記複数のパラメータに関して予め定めた条件に基づいて、前記欠陥の有無を判定することを特徴とする請求項３記載のタイヤ検査装置。
【請求項５】
前記判定手段は、前記複数のパラメータを用いた重回帰式により前記処理後の画像の前記目標画像に対する適応率を求める適応率算出手段を含み、前記条件は、前記適応率に関して予め定めた条件を含むことを特徴とする請求項４記載のタイヤ検査装置。
【請求項１】
タイヤ又はタイヤ構成部材の表面の検査における前記表面の撮像画像から欠陥領域を抽出するためのタイヤ検査用特徴抽出プログラムを作成するタイヤ検査用特徴抽出プログラム作成装置であって、
前記タイヤ検査用特徴抽出プログラムを構成する複数種類の画像処理用フィルタを記憶するフィルタ記憶手段と、
前記タイヤ又は前記タイヤ構成部材の表面に発生し得る欠陥が撮像された原画像を記憶した原画像記憶手段と、
前記撮像画像を前記タイヤ検査用特徴抽出プログラムにより処理した際の目標となる目標画像を記憶する目標画像記憶手段と、
前記原画像と前記目標画像とに基づいて、遺伝的プログラミングにより前記複数種類の画像処理用フィルタの中から適応度が最大となる画像処理用フィルタの組み合わせを決定する決定手段と、
を備えたことを特徴とするタイヤ検査用特徴抽出プログラム作成装置。
【請求項２】
前記原画像記憶手段は、前記欠陥の種類毎に前記原画像を記憶すると共に、前記目標画像記憶手段は、前記欠陥の種類毎に前記目標画像を記憶することを特徴とする請求項１記載のタイヤ検査用特徴抽出プログラム作成装置。
【請求項３】
請求項１又は請求項２記載のタイヤ検査用特徴抽出プログラム作成装置で作成されたタイヤ検査用特徴抽出プログラムを記憶するプログラム記憶手段と、
タイヤ又はタイヤ構成部材の表面を撮像する撮像手段と、
前記撮像手段で撮像した撮像画像を前記プログラム記憶手段に記憶されたタイヤ検査用特徴抽出プログラムにより画像処理する画像処理手段と、
前記画像処理手段による処理後の画像に基づいて、前記タイヤ又はタイヤ構成部材の表面の欠陥の有無を判定する判定手段と、
を備えたタイヤ検査装置。
【請求項４】
前記判定手段は、前記処理後の画像に関する複数のパラメータを各々算出する算出手段を含み、前記複数のパラメータに関して予め定めた条件に基づいて、前記欠陥の有無を判定することを特徴とする請求項３記載のタイヤ検査装置。
【請求項５】
前記判定手段は、前記複数のパラメータを用いた重回帰式により前記処理後の画像の前記目標画像に対する適応率を求める適応率算出手段を含み、前記条件は、前記適応率に関して予め定めた条件を含むことを特徴とする請求項４記載のタイヤ検査装置。
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【公開番号】特開２００９−１２２９３９（Ｐ２００９−１２２９３９Ａ）
【公開日】平成２１年６月４日（２００９．６．４）
【国際特許分類】
【出願番号】特願２００７−２９５９０７（Ｐ２００７−２９５９０７）
【出願日】平成１９年１１月１４日（２００７．１１．１４）
【出願人】（０００００５２７８）株式会社ブリヂストン (11,469)
【Ｆターム（参考）】
【公開日】平成２１年６月４日（２００９．６．４）
【国際特許分類】
【出願日】平成１９年１１月１４日（２００７．１１．１４）
【出願人】（０００００５２７８）株式会社ブリヂストン (11,469)
【Ｆターム（参考）】
[ Back to top ]