内部検査装置
【課題】熟練を要することなく検査対象の内部の状態を精度よく推定可能にする。
【解決手段】振動発生源２に設けたハンマ部２１で検査対象Ｘを打撃することにより、検査対象Ｘの内部に振動を伝達させる。この振動はセンサ部１１で検出し、センサ部１１で検出された振動は、信号入力部１２を通して特徴量抽出部１３に入力され、振動の周波数成分が特徴量として抽出される。この特徴量は判定部１０に入力され、判定部１０に設けた競合学習型ニューラルネットワーク１０ａにより特徴量のカテゴリが分類される。競合学習型ニューラルネットワーク１０ａにおける出力層のニューロンには、それぞれニューロンの重みベクトルと特徴量との距離に帰属度を対応付ける。競合学習型ニューラルネットワーク１０ａを正常な検査対象Ｘから得られた特徴量で学習させておけば、帰属度が正常から逸脱するときに、検査対象Ｘに異常があると判定することができる。
【解決手段】振動発生源２に設けたハンマ部２１で検査対象Ｘを打撃することにより、検査対象Ｘの内部に振動を伝達させる。この振動はセンサ部１１で検出し、センサ部１１で検出された振動は、信号入力部１２を通して特徴量抽出部１３に入力され、振動の周波数成分が特徴量として抽出される。この特徴量は判定部１０に入力され、判定部１０に設けた競合学習型ニューラルネットワーク１０ａにより特徴量のカテゴリが分類される。競合学習型ニューラルネットワーク１０ａにおける出力層のニューロンには、それぞれニューロンの重みベクトルと特徴量との距離に帰属度を対応付ける。競合学習型ニューラルネットワーク１０ａを正常な検査対象Ｘから得られた特徴量で学習させておけば、帰属度が正常から逸脱するときに、検査対象Ｘに異常があると判定することができる。
【発明の詳細な説明】
【技術分野】
【０００１】
本発明は、検査対象の内部に生じた空洞、ひび、割れなどを検査対象を破壊することなく検査する内部検査装置に関するものである。
【背景技術】
【０００２】
従来から、建築物の壁面における浮きや剥がれの検査のために、ハンマで壁面を叩いたときの音を人が耳で聞く検査方法が知られている。また、西瓜のような青果物では、手で叩いたときの音の具合によって、善し悪しを判断することが広く行われている。
【０００３】
このように、打撃することにより検査対象に振動を与え、その振動により生じる音を人が耳で聞くことによって検査対象の内部の状態を推定する方法は、多くの分野で採用されている。
【０００４】
また、超音波エコーに代表されるように、超音波のような音波を検査対象に与えて音響的振動を検査対象の内部に伝え、検査対象の内部での反射あるいは検査対象の内部を透過した音響的振動を解析することにより、検査対象の内部の状態を推定する技術も広く採用されている。
【０００５】
ところで、検査対象を打撃したときの音を人が耳で聞くことにより検査対象の内部の状態を推定する方法は、経験者でなければ聞き分けることができず、検査に携わる人員が限られるという問題がある。一方、超音波エコーのような装置は、検査対象の内部からの反射波を可視化するから、検査対象の内部形状などを知ることができるが、検査対象の内部の位置情報を検出するように構成されるから、構成が複雑であり高価であるという問題を有している。
【０００６】
この種の問題を解決可能な技術としては、打撃などにより検査対象を加振したときの振動をニューラルネットワークにより解析する技術ある（たとえば、特許文献１、特許文献２参照）。
【０００７】
特許文献１には、ハンマで検査対象を打撃する際の打撃音の減衰パターンおよび音色パターンを良品と不良品とについて記憶しておき、検査対象を打撃したときの打撃音と記憶している打撃音とをニューラルネットワークにより比較し、検査対象の良否を判定することが記載されている。
【０００８】
また、特許文献２には、インパルスハンマリングを用いる代わりに検査対象を加振し、検査対象から得られる振動波形の特徴量の良否判定を、良品の特徴量を用いてあらかじめ学習した境界学習型ニューラルネットワークで行う技術が記載されている。境界学習型ニューラルネットワークについては、学習データに対応した出力ユニット（つまり、出力層のニューロン）群の出力パターンをあらかじめ定めた教師パターンと比較して両者の誤差に基づいて重み係数を補正する操作を繰り返す動作で学習を行い、検査対象の特徴量に対する出力ユニット群の出力パターンを、学習後の出力パターンと対比するパターンマッチング方法を基本とする旨の記載がある。また、学習データについては、平均値付近で所定のばらつきを有するデータとみなしており、良品の分布が正規分布であるという仮定に基づいている。
【特許文献１】特開平７−３１１１８５号公報
【特許文献２】特開２００６−３８４７８号公報
【発明の開示】
【発明が解決しようとする課題】
【０００９】
特許文献１に記載には、打撃音についてニューラルネットワークを用いて良否判定を行うことは記載されているものの、ニューラルネットワークを用いた良否判定の精度を向上させるための技術についてはとくに記載されていない。
【００１０】
一方、特許文献２には、境界学習型ニューラルネットワークを用いて、出力パターンのパターンマッチングにより良否の判定を行う技術が記載され、良否判定の精度の向上が期待できるものの良否の分布が正規分布であるという仮定に基づいているが、検査対象に生じるひびや割れにはほとんど法則性がないから、良品の全体を正規分布とみなしてしまうと、良品のカテゴリの一部に不良品のカテゴリが重複する可能性が高くなる。つまり、良品の分布を正規分布とみなすと、カテゴリが良品である領域が平均値の周囲に凸形状に形成されるから、カテゴリが良品である領域の一部が凹形状となるような分布を有する場合には、特許文献２の技術は採用することができないという問題がある。言い換えると、検査対象によっては、良否判定の精度が低下するという問題を有している。
【００１１】
本発明は上記事由に鑑みて為されたものであり、その目的は、従来は人の聴覚に頼っていた検査と同様の検査を競合学習型ニューラルネットワークを用いて行うことにより、熟練を要することなく検査対象の内部の状態を推定可能にするとともに、出力層のニューロンごとに特徴量の帰属度を定めることにより推定精度を高めることができる内部検査装置を提供することにある。
【課題を解決するための手段】
【００１２】
請求項１の発明は、振動発生源を用いて検査対象の内部に伝達させた振動を検出するセンサ部と、センサ部から出力された電気信号から対象信号を抽出する信号入力部と、対象信号から抽出される複数の周波数の周波数成分を特徴量として抽出する特徴量抽出部と、特徴量抽出部により抽出した特徴量を検査対象の内部の状態に関してあらかじめ学習データを用いて学習したカテゴリに分類する競合学習型ニューラルネットワークを備える判定部とを備え、判定部は、学習データで発火したニューロンへの学習データの帰属度の分布を重みベクトルと学習データとの距離に対応付けて設定し、帰属度の分布が設定されたニューロンの重みベクトルと検査対象から得られた特徴量との距離が前記分布において規定の閾値以下の帰属度に対応するときに前記特徴量が当該ニューロンに設定したカテゴリに属していると判断することを特徴とする。
【００１３】
請求項２の発明は、請求項１の発明において、前記判定部は、前記ニューロンに設定する前記帰属度の分布をガウス分布とし、ガウス分布は、学習後の競合学習型ニューラルネットワークに学習データを再入力したときに発火する各ニューロンの重みベクトルと当該学習データとの距離により分散を決定し、発火したニューロンの重みベクトルを平均としていることを特徴とする。
【００１４】
請求項３の発明では、請求項１または請求項２の発明において、前記振動発生源が、前記検査対象を打撃することにより検査対象の内部に振動を伝達するハンマ部を備えることを特徴とする。
【００１５】
請求項４の発明では、請求項１または請求項２の発明において、前記振動発生源が、振動としての音波を発生する音波発生源であることを特徴とする。
【発明の効果】
【００１６】
請求項１の発明の構成によれば、振動発生源を用いて検査対象の内部に伝達させた振動の周波数成分を特徴量として特徴量を競合学習型ニューラルネットワークを用いて分類するから、競合学習型ニューラルネットワークを適切に学習させておけば、人の聴覚で音を聞き分ける検査と同様の検査を競合学習型ニューラルネットワークを用いて行うことが可能になり、熟練を要することなく検査対象の内部の状態が推定可能になる。検査対象としては、建築物、鋼材（鉄骨、パイプ、板材）、青果物（スイカやメロンなど）などであって、ひび、剥がれ、割れ、空洞などを異常として検出することが可能である。しかも、出力層のニューロンごとに帰属度を設定しているから、正常のカテゴリに属する領域を任意の形状に設定することができ、良品の分布が正規分布ではないような検査対象であっても精度よく良否判定を行うことができる。加えて、競合学習型ニューラルネットワークを用いるから、構成が簡単である上に、カテゴリ毎の学習データを収集し、カテゴリ別に学習データを与えるだけで簡単に学習させることができる。
【００１７】
請求項２の発明によれば、ニューロンごとにカテゴリの帰属度の分布をガウス分布で設定しているから、ニューロン毎に帰属度を設定しながらも帰属度を比較的容易に設定することができる。また、ガウス分布を用いることにより閾値を分散や総和を基準として設定することができるから、判定基準としての閾値を設定する方法を定式化して自動的に設定することができる。
【００１８】
請求項３の発明の構成によれば、振動発生源がハンマ部を備え、検査対象をハンマ部で打撃することにより検査対象に振動を生じさせるから、内部の状態に異常があればハンマ部で打撃した場所に応じて異常が生じている箇所を推定することができる。また、ハンマ部による打撃で生じた振動成分を認識すればよいから、特徴量を抽出する期間の特定が容易であり、つねにほぼ同じ条件で検査が可能になる。つまり、異常検出に際しての信頼性が高くなる。また、打撃後の周波数成分とともに打撃後の時間変化に着目すればインパルス応答によって検査対象の内部の状態を詳細に推定することが可能になる。
【００１９】
請求項４の発明の構成によれば、振動発生源として音波を発生する音波発生源を用いているから、音波を連続的に発生させるとともに検査対象の全体に音波を走査すれば、異常の発生箇所を見落とすことなく検出することが可能になる。また、音波の発生の仕方を変化させることによって、インパルス応答やステップ応答を監視することができるから、異常が存在すると推定された箇所について、複数の方法で応答を監視することにより異常の有無や種類を詳細に推定することが可能になる。
【発明を実施するための最良の形態】
【００２０】
（実施形態１）
本実施形態では、検査対象を打撃することにより検査対象に振動を生じさせる振動発生源２を用いる例を説明する。上述したように、建築物、鋼材（鉄骨、パイプ、板材）、青果物（スイカやメロンなど）などの検査対象を検査することができるが、本実施形態では、図１に示すように、鋼材を検査対象Ｘとする場合を想定し、検査対象Ｘの内部にはクラックＣが生じているものとする。
【００２１】
振動発生源２は、検査対象Ｘを叩くハンマ部２１と、ハンマ部２１を進退させる駆動部２２とを備える。ハンマ部２１は打撃時に検査対象Ｘに振動を生じさせるとともに検査対象Ｘに傷を付けることがないように、金属材料の表面を弾性材料で覆ったものを用いるのが望ましい。駆動部２２は、電磁石（プランジャを直進駆動するソレノイド）の駆動力を用いて発生させた衝撃力をハンマ部２１に伝達する構成を有する。
【００２２】
振動発生源２として、人手によって金槌で検査対象Ｘを打撃することも考えられるが、打撃によって検査対象Ｘに与える衝撃力が打撃毎に変化し、異常の検出精度が低下するので、駆動部２２によりハンマ部２１を進退させる振動発生源２を用いることにより打撃力を一定にするのが望ましい。また、振動発生源２には、検査対象Ｘの表面に当接して検査対象Ｘとハンマ部２１との距離を一定に保つための脚部２３を設けるのが望ましい。
【００２３】
振動発生源２での打撃により検査対象Ｘの内部に伝達された振動を監視して検査対象Ｘの内部の状態を推定するために内部検査装置１が設けられる。内部検査装置１は、振動発生源２から検査対象Ｘの内部に伝達させた振動を検出するセンサ部１１を備える。センサ部１１としては加速度ピックアップからなる振動センサを用い、検査対象Ｘにセンサ部１１を当接させて振動を検出する。ただし、センサ部１１にはマイクロホンを用い、検査対象Ｘから離間させて振動（振動音）を検出することも可能である。
【００２４】
振動発生源２とセンサ部１１とは位置関係（とくに、検査対象Ｘの表面に沿った距離）を一定にすることが望ましいが、センサ部１１の検査対象Ｘに対する位置を固定しておき振動発生源２を検査対象Ｘのさまざまな位置に移動させたり、逆に、振動発生源２の検査対象Ｘに対する位置を固定しておきセンサ部１１を検査対象Ｘのさまざまな位置に移動させたりしてもよい。どちらの場合も、センサ部１１と振動発生源２との位置関係が変化するが、検査対象Ｘの内部における異常の有無は検出可能である。
【００２５】
振動発生源２とセンサ部１１との位置関係を一定にするときには、両者をアーム２４で結合する。ただし、振動発生源２とセンサ部１１とをそれぞれ検査対象Ｘに当接させることができるように、振動発生源２とセンサ部１１との少なくとも一方はアーム２４に対して位置調節が可能になるように取り付けておく。たとえば、振動発生源２およびセンサ部１１をアーム２４に対して進退可能になるように取り付け、さらに、振動発生源２およびセンサ部１１をばねで付勢して検査対象Ｘに当接させるようにしておけば、検査対象Ｘの表面形状にかかわらず、振動発生源２とセンサ部１１とを検査対象Ｘに当接させることが可能になる。
【００２６】
内部検査装置１は、センサ部１１から出力される電気信号の特徴に関するカテゴリをニューラルネットワーク１０ａを用いて分類する。ニューラルネットワーク１０ａについては後述する。センサ部１１から出力される電気信号は、振動発生源２で検査対象Ｘに打撃を与えた後であって、打撃により検査対象Ｘの内部に伝達された振動が継続している期間のみカテゴリの分類に用いられる。この期間においてセンサ部１１から出力される電気信号を対象信号として抽出するために、センサ部１１から出力される電気信号は信号入力部１２に入力される。
【００２７】
信号入力部１２では、図２に示すように、センサ部１１から出力される電気信号のうち振動発生源２で検査対象Ｘに打撃を与えた後に設定されているゲート期間Ｔｇ内の電気信号を用い、当該ゲート期間Ｔｇをさらに複数の単位期間Ｔｕに分割して各単位期間Ｔｕにおける電気信号を対象信号Ｓｔとして用いる。振動発生源２で検査対象Ｘに打撃を与えた時点ｔ０からゲート期間Ｔｇを開始するまでの時間（ｔ１−ｔ０）と、ゲート期間Ｔｇの長さ（ｔ２−ｔ１）とは適宜に調節され、ゲート期間Ｔｇにおける単位期間Ｔｕの個数についても適宜に調節される。この調節は信号入力部１２に付設した調節部１２ａで行う。
【００２８】
たとえば、検査対象Ｘが金属製のパイプなどであって、打撃からの残響が長時間継続する場合には、ゲート期間Ｔｇを長く設定し、また振動発生源２とセンサ部１１との距離が大きい場合には、打撃を与えた時点ｔ０からゲート期間Ｔｇを開始するまでの時間（ｔ１−ｔ０）を長くとる。なお、ゲート期間Ｔｇの開始を打撃と同時にしないのは、検査対象Ｘを打撃するのに伴って振動発生源２から生じるノイズが対象信号として検出されるのを防止するためである。
【００２９】
信号入力部１２は、センサ部１１から出力された電気信号をデジタル信号に変換するＡ／Ｄ変換器と、ゲート期間Ｔｇに得られデジタル信号に変換された電気信号を記憶するバッファメモリとを備える。信号入力部２において、単位期間Ｔｕごとの対象信号Ｓｔに分割する処理は、バッファメモリに記憶した電気信号を対象にして行う。また、信号入力部２では、必要に応じて周波数帯域を制限するなどしてノイズを低減させる。
【００３０】
信号入力部１２で得られた対象信号Ｓｔは特徴量抽出部１３に入力され、特徴量抽出部１３では各対象信号Ｓｔごとに周波数成分を特徴量として抽出する。また、特徴量抽出部１３では、打撃後の振動の減衰特性によって検査対象Ｘのインパルス応答を検出するために、各対象信号Ｓｔごとのパワーの実効値を求め、ゲート期間Ｔｇにおける実効値の時系列を特徴量として抽出する。検査対象Ｘの内部の割れや空洞の存在は、振動の伝達経路を変えて振動の減衰特性に影響を与えるから、周波数成分だけではなく、インパルス応答を検出すると内部の状態を詳細に推定できるようになる。
【００３１】
特徴量抽出部１３において周波数成分を抽出するには、ＦＦＴ（高速フーリエ変換）の技術を用いる。どの周波数を特徴量に用いるかは、対象とする検査対象Ｘに応じて適宜に選択される。なお、一般に次数が高くなると、線形回帰でスペクトルを求めるよりもＦＦＴでスペクトルを求めるほうが短時間で特徴量を抽出することができる。
【００３２】
上述のようにして対象信号Ｓｔごとの周波数成分と、ゲート期間Ｔｇにおけるパワーの時系列とをパラメータとする特徴量を判定部１０に入力することにより、特徴量のカテゴリを分類する。判定部１０では、特徴量のカテゴリを分類するために、教師なしの競合学習型ニューラルネットワーク（以下、とくに必要がなければ単に「ニューラルネット」と呼ぶ）１０ａを用いている。ニューラルネットワークとしては、教師有りのバックプロパゲーション型のものを用いることが可能であるが、競合学習型ニューラルネットワーク（自己組織化マップ＝ＳＯＭ）はバックプロパゲーション型のニューラルネットワークよりも構成が簡単であり、カテゴリ毎の学習データを用いて学習させるだけでよく、一旦学習した後も追加学習によって学習を強化させることが可能である。
【００３３】
ニューラルネット１０ａは、図３に示すように、それぞれ入力層Ｌ１と出力層Ｌ２との２層からなり、出力層Ｌ２の各ニューロンＮ２が入力層Ｌ１のすべてのニューロンＮ１とそれぞれ結合された構成を有している。ニューラルネット１０ａは、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。
【００３４】
ニューラルネット１０ａの動作には、学習モードと検査モードとがあり、学習モードにおいて適宜の学習データを用いて学習した後に、検査モードにおいて実際の対象信号から得られる複数のパラメータからなる特徴量（検査データ）のカテゴリを分類する。
【００３５】
入力層Ｌ１のニューロンＮ１と出力層Ｌ２のニューロンＮ２との結合度（重み係数）は可変であり、学習モードにおいて、学習データをニューラルネット１０ａに入力することによりニューラルネット１０ａを学習させ、入力層Ｌ１の各ニューロンＮ１と出力層Ｌ２の各ニューロンＮ２との重み係数を決める。言い換えると、出力層Ｌ２の各ニューロンＮ２には、入力層Ｌ１の各ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。したがって、重みベクトルは入力層Ｌ１のニューロンＮ１と同数の要素を持ち、入力層Ｌ１に入力される特徴量のパラメータの個数と重みベクトルの要素の個数とは一致する。
【００３６】
一方、検査モードでは、カテゴリを判定すべき検査データをニューラルネット１０ａの入力層Ｌ１に与えると、出力層Ｌ２のニューロンＮ２のうち、重みベクトルと検査データとの距離が最小であるニューロンＮ２が発火する。学習モードにおいて出力層Ｌ２のニューロンＮ２にカテゴリが対応付けられていれば、発火したニューロンＮ２の位置のカテゴリによって検査データのカテゴリを知ることができる。
【００３７】
出力層Ｌ２のニューロンＮ２は、たとえば６×６個の領域を有する２次元のクラスタ判定部１０ｂの各領域に一対一に対応付けられている。したがって、学習モードにおいて、クラスタ判定部１０ｂの各領域に学習データのカテゴリを対応付けておけば、検査データにより発火したニューロンＮ２に対応するカテゴリをクラスタ判定部１０ｂにより知ることができる。つまり、クラスタ判定部１０ｂはニューラルネット１０ａによる分類結果を出力する。ここに、クラスタ判定部１０ｂはマップを用いて視覚化するのが望ましい。
【００３８】
クラスタ判定部１０ｂの各領域（実質的には出力層Ｌ２の各ニューロンＮ２）にカテゴリを対応付けるに際しては、学習済みのニューラルネット１０ａを出力層Ｌ２から入力層Ｌ１に向かって逆向きに動作させて出力層Ｌ２の各ニューロンＮ２ごとに入力層Ｌ１に与えたデータを推定し、推定したデータとの距離がもっとも近い学習データのカテゴリを、出力層Ｌ２における当該ニューロンＮ２のカテゴリに用いる。言い換えると、出力層Ｌ２の各ニューロンＮ２のカテゴリには、各ニューロンＮ２の重みベクトルとの距離が最小である学習データのカテゴリを用いる。これにより、出力層Ｌ２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映される。
【００３９】
各カテゴリについて多数個（たとえば、１５０個）の学習データを与えることにより、類似度の高いカテゴリがクラスタ判定部１０ｂ上で近い位置に配置される。つまり、出力層Ｌ２のニューロンＮ２のうち同種のカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタ判定部１０ｂ上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。
【００４０】
なお、学習後にクラスタが形成されるとともにカテゴリが対応付けられたものが、本来のクラスタ判定部１０ｂであるが、学習前であってもクラスタ判定部１０ｂと呼んでとくに区別しない。学習モードでニューラルネット１に与えられる学習データは学習データ記憶部１０ｃに格納されており、必要に応じて学習データ記憶部１０ｃから読み出されてニューラルネット１０ａに与えられる。
【００４１】
学習データ記憶部１０ｃには、学習モードの前に学習データを収集して記憶させる。学習データには、正常であることが判明している検査対象Ｘから得られた特徴量を用いる。本実施形態のニューラルネット１０ａでは、正常以外はすべて異常と判定するようにカテゴリを設定する。そこで、学習データを収集する際には、正常であることが既知である検査対象Ｘについて、温度、湿度、検査対象Ｘについて打撃する箇所、サイズなどの条件を種々に変更し、様々の条件で得られる特徴量をすべて正常のカテゴリに対応する学習データとして学習データ記憶部１０ｃに記憶させる。
【００４２】
本実施形態では、学習データを用いてニューラルネット１０ａにカテゴリを設定した後に、検査対象Ｘから得られた実際の特徴量をニューラルネット１０ａに与える前に、ニューラルネット１０ａの出力層１２の各ニューロンＮ２に対してガウス関数の割り当てを行う。ガウス関数は次式を用いる。なお、下式において角付き括弧を付した文字はベクトルを意味する。
ｙ＝ｅｘｐ（−‖［ｘ］−［ｍ］‖２／２σ２）
ただし、［ｍ］：平均、σ：分散である。
【００４３】
上式の平均［ｍ］には、学習済みのニューラルネット１０ａの重みベクトルを用いる。上式の［ｘ］はニューラルネット１０ａに与える特徴量であり、‖［ｘ］−［ｍ］‖は特徴量の［ｘ］の平均［ｍ］（つまり、重みベクトル）に対する距離である。また、ｙは上式のガウス関数に特徴量［ｘ］を入力したときの出力値である。
【００４４】
上式によれば、特徴量［ｘ］が平均［ｍ］に近いほど出力値ｙが大きくなり、特徴量［ｘ］が平均［ｍ］に一致するときに出力値ｙは最大となって１になる。この出力値ｙを帰属度として用いる。つまり、この出力値ｙの値域は０〜１であって、数値が大きくなるほど（１に近いほど）帰属度が高いことになる。
【００４５】
一方、分散σを求めるには、まず学習済みのニューラルネット１０ａに学習データを再入力し、各ニューロンＮ２の重みベクトル［ｍ］と各特徴量［ｘ］（つまり、学習データ）との距離を求める。同じカテゴリのすべての学習データをニューラルネット１に与えて、距離のリストを作成し、各ニューロンＮ２について求めた距離の最大値を分散に用いればよい。
【００４６】
上述のようにして、学習データのカテゴリに対応する各ニューロンＮ２にガウス関数を設定することができる。カテゴリ外のニューロンＮ２にはガウス関数は設定されない。ニューラルネット１０ａの出力層１２の各ニューロンＮ２にガウス関数を設定すると、特徴量と重みベクトルとの距離をガウス関数に与えることにより帰属度を求めることができる。そこで、ガウス関数の設定後に、健太対象Ｘから得られる特徴量［ｘ］（特徴量）を入力し、ニューラルネットワーク１の各ニューロンＮ２の重みベクトル（つまり、平均［ｍ］）と特徴量［ｘ］との距離を各ニューロンＮ２ごとのガウス関数に代入し、ニューロンＮ２に対応付けたカテゴリごとにガウス関数の出力値ｙを求める。この出力値ｙは上述のように各カテゴリへの特徴量の帰属度であるから、帰属度に対する閾値を設定しておけば、特徴量が当該カテゴリに属するか否かを判定することができる。
【００４７】
閾値はたとえば分散の３倍に対応する帰属度としたり、帰属度の設定後に各カテゴリの学習データをニューラルネット１０ａに与えたときの出力層１２におけるニューロンＮ２の出力値ｙの総和に適宜の係数を乗じて設定したりすることができる。また、帰属度としては、各ニューロンＮ２ごとに設定するのではなく、１つのカテゴリに含まれる複数個のニューロンＮ２について得られるガウス関数の出力値ｙの平均値を帰属度に用いたり、カテゴリ内の出力値ｙの最大値を帰属度に用いることも可能である。
【００４８】
上述したように、各対象信号Ｓｔごとの周波数成分と、ゲート期間Ｔｇにおける実効値の時系列とを特徴量に用いており、振動発生源２により検査対象Ｘを１回打撃するたびに一組の特徴量が得られる。以下では、このようにして得られた一組の特徴量をデータセットと呼ぶ。データセットは正常な検査対象Ｘについてさまざまな条件で収集され、多数組のデータセットが学習データ記憶部１０ｃに格納される。データセットとしては、各単位期間Ｔｕごとの周波数特性と、ゲート期間Ｔｇにおける単位期間Ｔｕのパワーの実効値の時系列との組を用いているが、ゲート期間Ｔｇにおける一部の単位期間Ｔｕの周波数特性のみを用いるようにしたり、ゲート期間Ｔｇにおけるパワーの時系列のみをデータセットとして用いるようにしてもよい。
【００４９】
ニューラルネット１０ａが学習モードであるときには、学習データ記憶部１０ｃに格納されたデータセットを次々にニューラルネット１０ａに与えることにより、出力層Ｌ２の各ニューロンＮ２に重み係数を設定する。多数組のデータセットをニューラルネット１０ａに与えることにより重み係数は次第に収束するから、適数個のデータセットを与えた後の重み係数を正常な検査対象Ｘに対応する重み係数とする。
【００５０】
学習モードの終了後には、ニューラルネット１０ａを検査モードとし、学習データ記憶部１０ｃに格納されたすべてのデータセットをニューラルネット１０ａに再度与えることによって、学習データにより発火した出力層Ｌ２のニューロンＮ２を正常の検査対象Ｘというカテゴリに属するニューロンＮ２とする。ここで、学習データの各データセットにはばらつきがあるから、正常のカテゴリの学習データの各データセットであっても発火するニューロンＮ２は１箇所だけではなく、通常は、複数個のニューロンＮ２が発火する。
【００５１】
クラスタ判定部１０ｂにおいて学習データのデータセットにより発火したニューロンＮ２に対応する領域が正常のカテゴリに対応する領域になる。クラスタ判定部１０ｂでは同じカテゴリに属するニューロンＮ２は隣接してクラスタを形成する。ここに、クラスタ判定部１０ｂのカテゴリは正常のみであるから、上述のように学習後に逆向きに動作させてカテゴリを設定する作業は省略することができる。
【００５２】
クラスタ判定部１０ｂに正常の領域が設定された後には、ニューラルネット１０ａを検査モードとして、検査しようとする検査対象Ｘから得られる特徴量をニューラルネット１０ａに与え、この特徴量についてカテゴリを分類する。ここで、検査対象Ｘから得られた特徴量では、正常の検査対象Ｘのカテゴリに属しているニューロンＮ２が発火しないときには（つまり、クラスタ判定部１０ｂにおいて正常のカテゴリの領域に属していないときには）、当該特徴量は異常であるとみなす。
【００５３】
クラスタ判定部１０ｂにおけるカテゴリの判定結果は、出力部１４から出力される。検査対象Ｘから得られた特徴量が正常ではないときには、必要に応じて出力部１４から適宜の警報手段に指示を与えて警報を報知する。
【００５４】
以上説明したように、本実施形態では、検査対象Ｘを振動発生源２に設けたハンマ部２１により打撃するとともに、検査対象Ｘの内部に伝達された振動をセンサ部１１で検出し、その特徴量のカテゴリをニューラルネット１０ａで分類することにより、検査対象Ｘが正常か異常かを判定するから、打撃により生じる振動により検査対象Ｘの異常の有無を信頼性よく検出することができる。また、振動発生源２を機械装置によって構成しているから、ニューラルネット１０ａの学習データと検査データとをほぼ同条件で求めることができ、判定結果の信頼性を高めることができる。
【００５５】
上述した構成例では、検査対象Ｘが正常である場合の学習データのみでニューラルネット１０ａの学習を行うから、正常な検査対象Ｘに打撃を与える際の条件を変化させるだけで、正常のカテゴリに対応したクラスタを形成することができ、ニューラルネット１０ａを学習させる作業が容易である。ただし、異常の種類を判別することはできず、単に異常が検出されるだけであるから、検査対象Ｘの内部の異常について種類や程度を知ることができず、異常の種類や程度については別途の装置で検査しなければ知ることはできない。
【００５６】
異常の種類も分類する必要があるときには、異常の種類が既知である検査対象Ｘから得られる特徴量を学習データに用いてもよい。当該異常を一つのカテゴリとしてニューラルネット１０ａの学習を行うようにすると、異常の種類もクラスタ判定部１０ｂのカテゴリとして用いることが可能になる。この場合には、上述したように、学習済みのニューラルネット１０ａを出力層Ｌ２から入力層Ｌ１に向かって逆向きに動作させて出力層Ｌ２の各ニューロンＮ２ごとに入力層Ｌ１に与えたデータを推定し、推定したデータとの距離がもっとも近い学習データのカテゴリを、出力層Ｌ２における当該ニューロンＮ２のカテゴリに用いる。
【００５７】
異常の種類をカテゴリに用いる場合でも、既知の異常についてのみカテゴリを付与しておけばよく、検査対象Ｘについて得られた特徴量（検査データ）が付与したカテゴリに属していれば、当該カテゴリの異常と判定することができる。また、正常のカテゴリに属さず、しかも既知の異常のカテゴリにも属していない場合には、未知の異常と判定する。このような未知の異常については、実際の検査対象Ｘについて発見された異常を特徴量に対応付けて学習データ記憶部１０ｃに記憶させておけば、同種の異常に関するデータセットの組数が一定個数（たとえば、１５０個）に達したときに、学習データとして用いることが可能になる。
【００５８】
（実施形態２）
実施形態１では、振動発生源２として検査対象Ｘを打撃する構成を示したが、図４に示すように、音波による振動を検査対象Ｘに与える音波発生源を振動発生源２に用いてもよい。ここで、音波は必ずしも可聴周波数でなくともよく可聴域よりも高周波あるいは低周波であってもよい。可聴域よりも低周波である場合には、実質的には検査対象Ｘに振動を与える加振器として機能する。振動発生源２から発生する音波は、波形、周波数、継続時間が適宜に選択される。
【００５９】
波形は、正弦波のほか矩形波、三角波、鋸歯状波を用い、周波数は、一定としたり段階的に変化させたりすることができる。また、継続時間については、音波を継続的に発生させる場合のほか、インパルスとみなせる短時間だけ音波（以下では、インパルス状の音波という）を発生させる場合、インパルスよりも長時間で音波（以下では、パルス状の音波という）を一定時間だけ発生させる場合などの選択が可能である。これらの選択には、振動発生源２に設けた選択部２５を操作する。
【００６０】
インパルス状の音波あるいはパルス状の音波を用いると、インパルス応答やステップ応答についての情報が得られるから、この場合には実施形態１において説明したゲート期間Ｔｇにおける各単位期間Ｔｕで得られるパワーの実効値の時系列を特徴量に用いるのが望ましい。
【００６１】
インパルス状の音波やパルス状の音波を検査対象Ｘに振動として伝達する場合には、ゲート期間Ｔｇの開始と終了とを音波の発生時点を基準に用いて設定することができるが、音波を連続的に発生させる場合には、ゲート期間Ｔｇの開始をたとえば利用者が操作釦（図示せず）を押した時点とすればよい。
【００６２】
音波の波形や周波数を変化させれば、検査対象Ｘの内部での反射、吸収などによる音波の変化を検出することができるから、単に異常の有無や異常の種類だけではなく、検査対象Ｘの内部の構造に関する情報をさらに詳細に推定することが可能になる。もっとも、このような詳細な推定を可能にするには、学習に時間を要するから、学習に利用可能な時間と検査対象Ｘの内部について得ようとする情報の種類とによって、音波の選択とカテゴリの種類とは適宜に設定する。
【００６３】
また、実施形態１において説明したように、検査中にも学習データを収集することが可能であるから、比較的少ないカテゴリで実使用を開始し、他のカテゴリの学習データが収集されると、あらためて追加学習を行うことで分類可能なカテゴリを増やすようにしてもよい。他の構成および動作は実施形態１と同様である。
【図面の簡単な説明】
【００６４】
【図１】実施形態１を示すブロック図である。
【図２】同上の動作説明図である。
【図３】同上に用いるニューラルネットの概略構成図である。
【図４】実施形態２を示すブロック図である。
【符号の説明】
【００６５】
１０ 判定部
１０ａ ニューラルネット（競合学習型ニューラルネットワーク）
１０ｂ クラスタ判定部
１０ｃ 学習データ記憶部
１１ センサ部
１２ 信号入力部
１３ 特徴量抽出部
１４ 出力部
Ｌ１ 入力層
Ｌ２ 出力層
Ｎ１ ニューロン
Ｎ２ ニューロン
Ｘ 検査対象
【技術分野】
【０００１】
本発明は、検査対象の内部に生じた空洞、ひび、割れなどを検査対象を破壊することなく検査する内部検査装置に関するものである。
【背景技術】
【０００２】
従来から、建築物の壁面における浮きや剥がれの検査のために、ハンマで壁面を叩いたときの音を人が耳で聞く検査方法が知られている。また、西瓜のような青果物では、手で叩いたときの音の具合によって、善し悪しを判断することが広く行われている。
【０００３】
このように、打撃することにより検査対象に振動を与え、その振動により生じる音を人が耳で聞くことによって検査対象の内部の状態を推定する方法は、多くの分野で採用されている。
【０００４】
また、超音波エコーに代表されるように、超音波のような音波を検査対象に与えて音響的振動を検査対象の内部に伝え、検査対象の内部での反射あるいは検査対象の内部を透過した音響的振動を解析することにより、検査対象の内部の状態を推定する技術も広く採用されている。
【０００５】
ところで、検査対象を打撃したときの音を人が耳で聞くことにより検査対象の内部の状態を推定する方法は、経験者でなければ聞き分けることができず、検査に携わる人員が限られるという問題がある。一方、超音波エコーのような装置は、検査対象の内部からの反射波を可視化するから、検査対象の内部形状などを知ることができるが、検査対象の内部の位置情報を検出するように構成されるから、構成が複雑であり高価であるという問題を有している。
【０００６】
この種の問題を解決可能な技術としては、打撃などにより検査対象を加振したときの振動をニューラルネットワークにより解析する技術ある（たとえば、特許文献１、特許文献２参照）。
【０００７】
特許文献１には、ハンマで検査対象を打撃する際の打撃音の減衰パターンおよび音色パターンを良品と不良品とについて記憶しておき、検査対象を打撃したときの打撃音と記憶している打撃音とをニューラルネットワークにより比較し、検査対象の良否を判定することが記載されている。
【０００８】
また、特許文献２には、インパルスハンマリングを用いる代わりに検査対象を加振し、検査対象から得られる振動波形の特徴量の良否判定を、良品の特徴量を用いてあらかじめ学習した境界学習型ニューラルネットワークで行う技術が記載されている。境界学習型ニューラルネットワークについては、学習データに対応した出力ユニット（つまり、出力層のニューロン）群の出力パターンをあらかじめ定めた教師パターンと比較して両者の誤差に基づいて重み係数を補正する操作を繰り返す動作で学習を行い、検査対象の特徴量に対する出力ユニット群の出力パターンを、学習後の出力パターンと対比するパターンマッチング方法を基本とする旨の記載がある。また、学習データについては、平均値付近で所定のばらつきを有するデータとみなしており、良品の分布が正規分布であるという仮定に基づいている。
【特許文献１】特開平７−３１１１８５号公報
【特許文献２】特開２００６−３８４７８号公報
【発明の開示】
【発明が解決しようとする課題】
【０００９】
特許文献１に記載には、打撃音についてニューラルネットワークを用いて良否判定を行うことは記載されているものの、ニューラルネットワークを用いた良否判定の精度を向上させるための技術についてはとくに記載されていない。
【００１０】
一方、特許文献２には、境界学習型ニューラルネットワークを用いて、出力パターンのパターンマッチングにより良否の判定を行う技術が記載され、良否判定の精度の向上が期待できるものの良否の分布が正規分布であるという仮定に基づいているが、検査対象に生じるひびや割れにはほとんど法則性がないから、良品の全体を正規分布とみなしてしまうと、良品のカテゴリの一部に不良品のカテゴリが重複する可能性が高くなる。つまり、良品の分布を正規分布とみなすと、カテゴリが良品である領域が平均値の周囲に凸形状に形成されるから、カテゴリが良品である領域の一部が凹形状となるような分布を有する場合には、特許文献２の技術は採用することができないという問題がある。言い換えると、検査対象によっては、良否判定の精度が低下するという問題を有している。
【００１１】
本発明は上記事由に鑑みて為されたものであり、その目的は、従来は人の聴覚に頼っていた検査と同様の検査を競合学習型ニューラルネットワークを用いて行うことにより、熟練を要することなく検査対象の内部の状態を推定可能にするとともに、出力層のニューロンごとに特徴量の帰属度を定めることにより推定精度を高めることができる内部検査装置を提供することにある。
【課題を解決するための手段】
【００１２】
請求項１の発明は、振動発生源を用いて検査対象の内部に伝達させた振動を検出するセンサ部と、センサ部から出力された電気信号から対象信号を抽出する信号入力部と、対象信号から抽出される複数の周波数の周波数成分を特徴量として抽出する特徴量抽出部と、特徴量抽出部により抽出した特徴量を検査対象の内部の状態に関してあらかじめ学習データを用いて学習したカテゴリに分類する競合学習型ニューラルネットワークを備える判定部とを備え、判定部は、学習データで発火したニューロンへの学習データの帰属度の分布を重みベクトルと学習データとの距離に対応付けて設定し、帰属度の分布が設定されたニューロンの重みベクトルと検査対象から得られた特徴量との距離が前記分布において規定の閾値以下の帰属度に対応するときに前記特徴量が当該ニューロンに設定したカテゴリに属していると判断することを特徴とする。
【００１３】
請求項２の発明は、請求項１の発明において、前記判定部は、前記ニューロンに設定する前記帰属度の分布をガウス分布とし、ガウス分布は、学習後の競合学習型ニューラルネットワークに学習データを再入力したときに発火する各ニューロンの重みベクトルと当該学習データとの距離により分散を決定し、発火したニューロンの重みベクトルを平均としていることを特徴とする。
【００１４】
請求項３の発明では、請求項１または請求項２の発明において、前記振動発生源が、前記検査対象を打撃することにより検査対象の内部に振動を伝達するハンマ部を備えることを特徴とする。
【００１５】
請求項４の発明では、請求項１または請求項２の発明において、前記振動発生源が、振動としての音波を発生する音波発生源であることを特徴とする。
【発明の効果】
【００１６】
請求項１の発明の構成によれば、振動発生源を用いて検査対象の内部に伝達させた振動の周波数成分を特徴量として特徴量を競合学習型ニューラルネットワークを用いて分類するから、競合学習型ニューラルネットワークを適切に学習させておけば、人の聴覚で音を聞き分ける検査と同様の検査を競合学習型ニューラルネットワークを用いて行うことが可能になり、熟練を要することなく検査対象の内部の状態が推定可能になる。検査対象としては、建築物、鋼材（鉄骨、パイプ、板材）、青果物（スイカやメロンなど）などであって、ひび、剥がれ、割れ、空洞などを異常として検出することが可能である。しかも、出力層のニューロンごとに帰属度を設定しているから、正常のカテゴリに属する領域を任意の形状に設定することができ、良品の分布が正規分布ではないような検査対象であっても精度よく良否判定を行うことができる。加えて、競合学習型ニューラルネットワークを用いるから、構成が簡単である上に、カテゴリ毎の学習データを収集し、カテゴリ別に学習データを与えるだけで簡単に学習させることができる。
【００１７】
請求項２の発明によれば、ニューロンごとにカテゴリの帰属度の分布をガウス分布で設定しているから、ニューロン毎に帰属度を設定しながらも帰属度を比較的容易に設定することができる。また、ガウス分布を用いることにより閾値を分散や総和を基準として設定することができるから、判定基準としての閾値を設定する方法を定式化して自動的に設定することができる。
【００１８】
請求項３の発明の構成によれば、振動発生源がハンマ部を備え、検査対象をハンマ部で打撃することにより検査対象に振動を生じさせるから、内部の状態に異常があればハンマ部で打撃した場所に応じて異常が生じている箇所を推定することができる。また、ハンマ部による打撃で生じた振動成分を認識すればよいから、特徴量を抽出する期間の特定が容易であり、つねにほぼ同じ条件で検査が可能になる。つまり、異常検出に際しての信頼性が高くなる。また、打撃後の周波数成分とともに打撃後の時間変化に着目すればインパルス応答によって検査対象の内部の状態を詳細に推定することが可能になる。
【００１９】
請求項４の発明の構成によれば、振動発生源として音波を発生する音波発生源を用いているから、音波を連続的に発生させるとともに検査対象の全体に音波を走査すれば、異常の発生箇所を見落とすことなく検出することが可能になる。また、音波の発生の仕方を変化させることによって、インパルス応答やステップ応答を監視することができるから、異常が存在すると推定された箇所について、複数の方法で応答を監視することにより異常の有無や種類を詳細に推定することが可能になる。
【発明を実施するための最良の形態】
【００２０】
（実施形態１）
本実施形態では、検査対象を打撃することにより検査対象に振動を生じさせる振動発生源２を用いる例を説明する。上述したように、建築物、鋼材（鉄骨、パイプ、板材）、青果物（スイカやメロンなど）などの検査対象を検査することができるが、本実施形態では、図１に示すように、鋼材を検査対象Ｘとする場合を想定し、検査対象Ｘの内部にはクラックＣが生じているものとする。
【００２１】
振動発生源２は、検査対象Ｘを叩くハンマ部２１と、ハンマ部２１を進退させる駆動部２２とを備える。ハンマ部２１は打撃時に検査対象Ｘに振動を生じさせるとともに検査対象Ｘに傷を付けることがないように、金属材料の表面を弾性材料で覆ったものを用いるのが望ましい。駆動部２２は、電磁石（プランジャを直進駆動するソレノイド）の駆動力を用いて発生させた衝撃力をハンマ部２１に伝達する構成を有する。
【００２２】
振動発生源２として、人手によって金槌で検査対象Ｘを打撃することも考えられるが、打撃によって検査対象Ｘに与える衝撃力が打撃毎に変化し、異常の検出精度が低下するので、駆動部２２によりハンマ部２１を進退させる振動発生源２を用いることにより打撃力を一定にするのが望ましい。また、振動発生源２には、検査対象Ｘの表面に当接して検査対象Ｘとハンマ部２１との距離を一定に保つための脚部２３を設けるのが望ましい。
【００２３】
振動発生源２での打撃により検査対象Ｘの内部に伝達された振動を監視して検査対象Ｘの内部の状態を推定するために内部検査装置１が設けられる。内部検査装置１は、振動発生源２から検査対象Ｘの内部に伝達させた振動を検出するセンサ部１１を備える。センサ部１１としては加速度ピックアップからなる振動センサを用い、検査対象Ｘにセンサ部１１を当接させて振動を検出する。ただし、センサ部１１にはマイクロホンを用い、検査対象Ｘから離間させて振動（振動音）を検出することも可能である。
【００２４】
振動発生源２とセンサ部１１とは位置関係（とくに、検査対象Ｘの表面に沿った距離）を一定にすることが望ましいが、センサ部１１の検査対象Ｘに対する位置を固定しておき振動発生源２を検査対象Ｘのさまざまな位置に移動させたり、逆に、振動発生源２の検査対象Ｘに対する位置を固定しておきセンサ部１１を検査対象Ｘのさまざまな位置に移動させたりしてもよい。どちらの場合も、センサ部１１と振動発生源２との位置関係が変化するが、検査対象Ｘの内部における異常の有無は検出可能である。
【００２５】
振動発生源２とセンサ部１１との位置関係を一定にするときには、両者をアーム２４で結合する。ただし、振動発生源２とセンサ部１１とをそれぞれ検査対象Ｘに当接させることができるように、振動発生源２とセンサ部１１との少なくとも一方はアーム２４に対して位置調節が可能になるように取り付けておく。たとえば、振動発生源２およびセンサ部１１をアーム２４に対して進退可能になるように取り付け、さらに、振動発生源２およびセンサ部１１をばねで付勢して検査対象Ｘに当接させるようにしておけば、検査対象Ｘの表面形状にかかわらず、振動発生源２とセンサ部１１とを検査対象Ｘに当接させることが可能になる。
【００２６】
内部検査装置１は、センサ部１１から出力される電気信号の特徴に関するカテゴリをニューラルネットワーク１０ａを用いて分類する。ニューラルネットワーク１０ａについては後述する。センサ部１１から出力される電気信号は、振動発生源２で検査対象Ｘに打撃を与えた後であって、打撃により検査対象Ｘの内部に伝達された振動が継続している期間のみカテゴリの分類に用いられる。この期間においてセンサ部１１から出力される電気信号を対象信号として抽出するために、センサ部１１から出力される電気信号は信号入力部１２に入力される。
【００２７】
信号入力部１２では、図２に示すように、センサ部１１から出力される電気信号のうち振動発生源２で検査対象Ｘに打撃を与えた後に設定されているゲート期間Ｔｇ内の電気信号を用い、当該ゲート期間Ｔｇをさらに複数の単位期間Ｔｕに分割して各単位期間Ｔｕにおける電気信号を対象信号Ｓｔとして用いる。振動発生源２で検査対象Ｘに打撃を与えた時点ｔ０からゲート期間Ｔｇを開始するまでの時間（ｔ１−ｔ０）と、ゲート期間Ｔｇの長さ（ｔ２−ｔ１）とは適宜に調節され、ゲート期間Ｔｇにおける単位期間Ｔｕの個数についても適宜に調節される。この調節は信号入力部１２に付設した調節部１２ａで行う。
【００２８】
たとえば、検査対象Ｘが金属製のパイプなどであって、打撃からの残響が長時間継続する場合には、ゲート期間Ｔｇを長く設定し、また振動発生源２とセンサ部１１との距離が大きい場合には、打撃を与えた時点ｔ０からゲート期間Ｔｇを開始するまでの時間（ｔ１−ｔ０）を長くとる。なお、ゲート期間Ｔｇの開始を打撃と同時にしないのは、検査対象Ｘを打撃するのに伴って振動発生源２から生じるノイズが対象信号として検出されるのを防止するためである。
【００２９】
信号入力部１２は、センサ部１１から出力された電気信号をデジタル信号に変換するＡ／Ｄ変換器と、ゲート期間Ｔｇに得られデジタル信号に変換された電気信号を記憶するバッファメモリとを備える。信号入力部２において、単位期間Ｔｕごとの対象信号Ｓｔに分割する処理は、バッファメモリに記憶した電気信号を対象にして行う。また、信号入力部２では、必要に応じて周波数帯域を制限するなどしてノイズを低減させる。
【００３０】
信号入力部１２で得られた対象信号Ｓｔは特徴量抽出部１３に入力され、特徴量抽出部１３では各対象信号Ｓｔごとに周波数成分を特徴量として抽出する。また、特徴量抽出部１３では、打撃後の振動の減衰特性によって検査対象Ｘのインパルス応答を検出するために、各対象信号Ｓｔごとのパワーの実効値を求め、ゲート期間Ｔｇにおける実効値の時系列を特徴量として抽出する。検査対象Ｘの内部の割れや空洞の存在は、振動の伝達経路を変えて振動の減衰特性に影響を与えるから、周波数成分だけではなく、インパルス応答を検出すると内部の状態を詳細に推定できるようになる。
【００３１】
特徴量抽出部１３において周波数成分を抽出するには、ＦＦＴ（高速フーリエ変換）の技術を用いる。どの周波数を特徴量に用いるかは、対象とする検査対象Ｘに応じて適宜に選択される。なお、一般に次数が高くなると、線形回帰でスペクトルを求めるよりもＦＦＴでスペクトルを求めるほうが短時間で特徴量を抽出することができる。
【００３２】
上述のようにして対象信号Ｓｔごとの周波数成分と、ゲート期間Ｔｇにおけるパワーの時系列とをパラメータとする特徴量を判定部１０に入力することにより、特徴量のカテゴリを分類する。判定部１０では、特徴量のカテゴリを分類するために、教師なしの競合学習型ニューラルネットワーク（以下、とくに必要がなければ単に「ニューラルネット」と呼ぶ）１０ａを用いている。ニューラルネットワークとしては、教師有りのバックプロパゲーション型のものを用いることが可能であるが、競合学習型ニューラルネットワーク（自己組織化マップ＝ＳＯＭ）はバックプロパゲーション型のニューラルネットワークよりも構成が簡単であり、カテゴリ毎の学習データを用いて学習させるだけでよく、一旦学習した後も追加学習によって学習を強化させることが可能である。
【００３３】
ニューラルネット１０ａは、図３に示すように、それぞれ入力層Ｌ１と出力層Ｌ２との２層からなり、出力層Ｌ２の各ニューロンＮ２が入力層Ｌ１のすべてのニューロンＮ１とそれぞれ結合された構成を有している。ニューラルネット１０ａは、逐次処理型のコンピュータで適宜のアプリケーションプログラムを実行することにより実現する場合を想定しているが、専用のニューロコンピュータを用いることも可能である。
【００３４】
ニューラルネット１０ａの動作には、学習モードと検査モードとがあり、学習モードにおいて適宜の学習データを用いて学習した後に、検査モードにおいて実際の対象信号から得られる複数のパラメータからなる特徴量（検査データ）のカテゴリを分類する。
【００３５】
入力層Ｌ１のニューロンＮ１と出力層Ｌ２のニューロンＮ２との結合度（重み係数）は可変であり、学習モードにおいて、学習データをニューラルネット１０ａに入力することによりニューラルネット１０ａを学習させ、入力層Ｌ１の各ニューロンＮ１と出力層Ｌ２の各ニューロンＮ２との重み係数を決める。言い換えると、出力層Ｌ２の各ニューロンＮ２には、入力層Ｌ１の各ニューロンＮ１との間の重み係数を要素とする重みベクトルが対応付けられる。したがって、重みベクトルは入力層Ｌ１のニューロンＮ１と同数の要素を持ち、入力層Ｌ１に入力される特徴量のパラメータの個数と重みベクトルの要素の個数とは一致する。
【００３６】
一方、検査モードでは、カテゴリを判定すべき検査データをニューラルネット１０ａの入力層Ｌ１に与えると、出力層Ｌ２のニューロンＮ２のうち、重みベクトルと検査データとの距離が最小であるニューロンＮ２が発火する。学習モードにおいて出力層Ｌ２のニューロンＮ２にカテゴリが対応付けられていれば、発火したニューロンＮ２の位置のカテゴリによって検査データのカテゴリを知ることができる。
【００３７】
出力層Ｌ２のニューロンＮ２は、たとえば６×６個の領域を有する２次元のクラスタ判定部１０ｂの各領域に一対一に対応付けられている。したがって、学習モードにおいて、クラスタ判定部１０ｂの各領域に学習データのカテゴリを対応付けておけば、検査データにより発火したニューロンＮ２に対応するカテゴリをクラスタ判定部１０ｂにより知ることができる。つまり、クラスタ判定部１０ｂはニューラルネット１０ａによる分類結果を出力する。ここに、クラスタ判定部１０ｂはマップを用いて視覚化するのが望ましい。
【００３８】
クラスタ判定部１０ｂの各領域（実質的には出力層Ｌ２の各ニューロンＮ２）にカテゴリを対応付けるに際しては、学習済みのニューラルネット１０ａを出力層Ｌ２から入力層Ｌ１に向かって逆向きに動作させて出力層Ｌ２の各ニューロンＮ２ごとに入力層Ｌ１に与えたデータを推定し、推定したデータとの距離がもっとも近い学習データのカテゴリを、出力層Ｌ２における当該ニューロンＮ２のカテゴリに用いる。言い換えると、出力層Ｌ２の各ニューロンＮ２のカテゴリには、各ニューロンＮ２の重みベクトルとの距離が最小である学習データのカテゴリを用いる。これにより、出力層Ｌ２の各ニューロンＮ２のカテゴリには、学習データのカテゴリが反映される。
【００３９】
各カテゴリについて多数個（たとえば、１５０個）の学習データを与えることにより、類似度の高いカテゴリがクラスタ判定部１０ｂ上で近い位置に配置される。つまり、出力層Ｌ２のニューロンＮ２のうち同種のカテゴリに属する学習データに対応して発火したニューロンＮ２は、クラスタ判定部１０ｂ上で近い位置に集まりニューロンＮ２の集合からなるクラスタを形成する。
【００４０】
なお、学習後にクラスタが形成されるとともにカテゴリが対応付けられたものが、本来のクラスタ判定部１０ｂであるが、学習前であってもクラスタ判定部１０ｂと呼んでとくに区別しない。学習モードでニューラルネット１に与えられる学習データは学習データ記憶部１０ｃに格納されており、必要に応じて学習データ記憶部１０ｃから読み出されてニューラルネット１０ａに与えられる。
【００４１】
学習データ記憶部１０ｃには、学習モードの前に学習データを収集して記憶させる。学習データには、正常であることが判明している検査対象Ｘから得られた特徴量を用いる。本実施形態のニューラルネット１０ａでは、正常以外はすべて異常と判定するようにカテゴリを設定する。そこで、学習データを収集する際には、正常であることが既知である検査対象Ｘについて、温度、湿度、検査対象Ｘについて打撃する箇所、サイズなどの条件を種々に変更し、様々の条件で得られる特徴量をすべて正常のカテゴリに対応する学習データとして学習データ記憶部１０ｃに記憶させる。
【００４２】
本実施形態では、学習データを用いてニューラルネット１０ａにカテゴリを設定した後に、検査対象Ｘから得られた実際の特徴量をニューラルネット１０ａに与える前に、ニューラルネット１０ａの出力層１２の各ニューロンＮ２に対してガウス関数の割り当てを行う。ガウス関数は次式を用いる。なお、下式において角付き括弧を付した文字はベクトルを意味する。
ｙ＝ｅｘｐ（−‖［ｘ］−［ｍ］‖２／２σ２）
ただし、［ｍ］：平均、σ：分散である。
【００４３】
上式の平均［ｍ］には、学習済みのニューラルネット１０ａの重みベクトルを用いる。上式の［ｘ］はニューラルネット１０ａに与える特徴量であり、‖［ｘ］−［ｍ］‖は特徴量の［ｘ］の平均［ｍ］（つまり、重みベクトル）に対する距離である。また、ｙは上式のガウス関数に特徴量［ｘ］を入力したときの出力値である。
【００４４】
上式によれば、特徴量［ｘ］が平均［ｍ］に近いほど出力値ｙが大きくなり、特徴量［ｘ］が平均［ｍ］に一致するときに出力値ｙは最大となって１になる。この出力値ｙを帰属度として用いる。つまり、この出力値ｙの値域は０〜１であって、数値が大きくなるほど（１に近いほど）帰属度が高いことになる。
【００４５】
一方、分散σを求めるには、まず学習済みのニューラルネット１０ａに学習データを再入力し、各ニューロンＮ２の重みベクトル［ｍ］と各特徴量［ｘ］（つまり、学習データ）との距離を求める。同じカテゴリのすべての学習データをニューラルネット１に与えて、距離のリストを作成し、各ニューロンＮ２について求めた距離の最大値を分散に用いればよい。
【００４６】
上述のようにして、学習データのカテゴリに対応する各ニューロンＮ２にガウス関数を設定することができる。カテゴリ外のニューロンＮ２にはガウス関数は設定されない。ニューラルネット１０ａの出力層１２の各ニューロンＮ２にガウス関数を設定すると、特徴量と重みベクトルとの距離をガウス関数に与えることにより帰属度を求めることができる。そこで、ガウス関数の設定後に、健太対象Ｘから得られる特徴量［ｘ］（特徴量）を入力し、ニューラルネットワーク１の各ニューロンＮ２の重みベクトル（つまり、平均［ｍ］）と特徴量［ｘ］との距離を各ニューロンＮ２ごとのガウス関数に代入し、ニューロンＮ２に対応付けたカテゴリごとにガウス関数の出力値ｙを求める。この出力値ｙは上述のように各カテゴリへの特徴量の帰属度であるから、帰属度に対する閾値を設定しておけば、特徴量が当該カテゴリに属するか否かを判定することができる。
【００４７】
閾値はたとえば分散の３倍に対応する帰属度としたり、帰属度の設定後に各カテゴリの学習データをニューラルネット１０ａに与えたときの出力層１２におけるニューロンＮ２の出力値ｙの総和に適宜の係数を乗じて設定したりすることができる。また、帰属度としては、各ニューロンＮ２ごとに設定するのではなく、１つのカテゴリに含まれる複数個のニューロンＮ２について得られるガウス関数の出力値ｙの平均値を帰属度に用いたり、カテゴリ内の出力値ｙの最大値を帰属度に用いることも可能である。
【００４８】
上述したように、各対象信号Ｓｔごとの周波数成分と、ゲート期間Ｔｇにおける実効値の時系列とを特徴量に用いており、振動発生源２により検査対象Ｘを１回打撃するたびに一組の特徴量が得られる。以下では、このようにして得られた一組の特徴量をデータセットと呼ぶ。データセットは正常な検査対象Ｘについてさまざまな条件で収集され、多数組のデータセットが学習データ記憶部１０ｃに格納される。データセットとしては、各単位期間Ｔｕごとの周波数特性と、ゲート期間Ｔｇにおける単位期間Ｔｕのパワーの実効値の時系列との組を用いているが、ゲート期間Ｔｇにおける一部の単位期間Ｔｕの周波数特性のみを用いるようにしたり、ゲート期間Ｔｇにおけるパワーの時系列のみをデータセットとして用いるようにしてもよい。
【００４９】
ニューラルネット１０ａが学習モードであるときには、学習データ記憶部１０ｃに格納されたデータセットを次々にニューラルネット１０ａに与えることにより、出力層Ｌ２の各ニューロンＮ２に重み係数を設定する。多数組のデータセットをニューラルネット１０ａに与えることにより重み係数は次第に収束するから、適数個のデータセットを与えた後の重み係数を正常な検査対象Ｘに対応する重み係数とする。
【００５０】
学習モードの終了後には、ニューラルネット１０ａを検査モードとし、学習データ記憶部１０ｃに格納されたすべてのデータセットをニューラルネット１０ａに再度与えることによって、学習データにより発火した出力層Ｌ２のニューロンＮ２を正常の検査対象Ｘというカテゴリに属するニューロンＮ２とする。ここで、学習データの各データセットにはばらつきがあるから、正常のカテゴリの学習データの各データセットであっても発火するニューロンＮ２は１箇所だけではなく、通常は、複数個のニューロンＮ２が発火する。
【００５１】
クラスタ判定部１０ｂにおいて学習データのデータセットにより発火したニューロンＮ２に対応する領域が正常のカテゴリに対応する領域になる。クラスタ判定部１０ｂでは同じカテゴリに属するニューロンＮ２は隣接してクラスタを形成する。ここに、クラスタ判定部１０ｂのカテゴリは正常のみであるから、上述のように学習後に逆向きに動作させてカテゴリを設定する作業は省略することができる。
【００５２】
クラスタ判定部１０ｂに正常の領域が設定された後には、ニューラルネット１０ａを検査モードとして、検査しようとする検査対象Ｘから得られる特徴量をニューラルネット１０ａに与え、この特徴量についてカテゴリを分類する。ここで、検査対象Ｘから得られた特徴量では、正常の検査対象Ｘのカテゴリに属しているニューロンＮ２が発火しないときには（つまり、クラスタ判定部１０ｂにおいて正常のカテゴリの領域に属していないときには）、当該特徴量は異常であるとみなす。
【００５３】
クラスタ判定部１０ｂにおけるカテゴリの判定結果は、出力部１４から出力される。検査対象Ｘから得られた特徴量が正常ではないときには、必要に応じて出力部１４から適宜の警報手段に指示を与えて警報を報知する。
【００５４】
以上説明したように、本実施形態では、検査対象Ｘを振動発生源２に設けたハンマ部２１により打撃するとともに、検査対象Ｘの内部に伝達された振動をセンサ部１１で検出し、その特徴量のカテゴリをニューラルネット１０ａで分類することにより、検査対象Ｘが正常か異常かを判定するから、打撃により生じる振動により検査対象Ｘの異常の有無を信頼性よく検出することができる。また、振動発生源２を機械装置によって構成しているから、ニューラルネット１０ａの学習データと検査データとをほぼ同条件で求めることができ、判定結果の信頼性を高めることができる。
【００５５】
上述した構成例では、検査対象Ｘが正常である場合の学習データのみでニューラルネット１０ａの学習を行うから、正常な検査対象Ｘに打撃を与える際の条件を変化させるだけで、正常のカテゴリに対応したクラスタを形成することができ、ニューラルネット１０ａを学習させる作業が容易である。ただし、異常の種類を判別することはできず、単に異常が検出されるだけであるから、検査対象Ｘの内部の異常について種類や程度を知ることができず、異常の種類や程度については別途の装置で検査しなければ知ることはできない。
【００５６】
異常の種類も分類する必要があるときには、異常の種類が既知である検査対象Ｘから得られる特徴量を学習データに用いてもよい。当該異常を一つのカテゴリとしてニューラルネット１０ａの学習を行うようにすると、異常の種類もクラスタ判定部１０ｂのカテゴリとして用いることが可能になる。この場合には、上述したように、学習済みのニューラルネット１０ａを出力層Ｌ２から入力層Ｌ１に向かって逆向きに動作させて出力層Ｌ２の各ニューロンＮ２ごとに入力層Ｌ１に与えたデータを推定し、推定したデータとの距離がもっとも近い学習データのカテゴリを、出力層Ｌ２における当該ニューロンＮ２のカテゴリに用いる。
【００５７】
異常の種類をカテゴリに用いる場合でも、既知の異常についてのみカテゴリを付与しておけばよく、検査対象Ｘについて得られた特徴量（検査データ）が付与したカテゴリに属していれば、当該カテゴリの異常と判定することができる。また、正常のカテゴリに属さず、しかも既知の異常のカテゴリにも属していない場合には、未知の異常と判定する。このような未知の異常については、実際の検査対象Ｘについて発見された異常を特徴量に対応付けて学習データ記憶部１０ｃに記憶させておけば、同種の異常に関するデータセットの組数が一定個数（たとえば、１５０個）に達したときに、学習データとして用いることが可能になる。
【００５８】
（実施形態２）
実施形態１では、振動発生源２として検査対象Ｘを打撃する構成を示したが、図４に示すように、音波による振動を検査対象Ｘに与える音波発生源を振動発生源２に用いてもよい。ここで、音波は必ずしも可聴周波数でなくともよく可聴域よりも高周波あるいは低周波であってもよい。可聴域よりも低周波である場合には、実質的には検査対象Ｘに振動を与える加振器として機能する。振動発生源２から発生する音波は、波形、周波数、継続時間が適宜に選択される。
【００５９】
波形は、正弦波のほか矩形波、三角波、鋸歯状波を用い、周波数は、一定としたり段階的に変化させたりすることができる。また、継続時間については、音波を継続的に発生させる場合のほか、インパルスとみなせる短時間だけ音波（以下では、インパルス状の音波という）を発生させる場合、インパルスよりも長時間で音波（以下では、パルス状の音波という）を一定時間だけ発生させる場合などの選択が可能である。これらの選択には、振動発生源２に設けた選択部２５を操作する。
【００６０】
インパルス状の音波あるいはパルス状の音波を用いると、インパルス応答やステップ応答についての情報が得られるから、この場合には実施形態１において説明したゲート期間Ｔｇにおける各単位期間Ｔｕで得られるパワーの実効値の時系列を特徴量に用いるのが望ましい。
【００６１】
インパルス状の音波やパルス状の音波を検査対象Ｘに振動として伝達する場合には、ゲート期間Ｔｇの開始と終了とを音波の発生時点を基準に用いて設定することができるが、音波を連続的に発生させる場合には、ゲート期間Ｔｇの開始をたとえば利用者が操作釦（図示せず）を押した時点とすればよい。
【００６２】
音波の波形や周波数を変化させれば、検査対象Ｘの内部での反射、吸収などによる音波の変化を検出することができるから、単に異常の有無や異常の種類だけではなく、検査対象Ｘの内部の構造に関する情報をさらに詳細に推定することが可能になる。もっとも、このような詳細な推定を可能にするには、学習に時間を要するから、学習に利用可能な時間と検査対象Ｘの内部について得ようとする情報の種類とによって、音波の選択とカテゴリの種類とは適宜に設定する。
【００６３】
また、実施形態１において説明したように、検査中にも学習データを収集することが可能であるから、比較的少ないカテゴリで実使用を開始し、他のカテゴリの学習データが収集されると、あらためて追加学習を行うことで分類可能なカテゴリを増やすようにしてもよい。他の構成および動作は実施形態１と同様である。
【図面の簡単な説明】
【００６４】
【図１】実施形態１を示すブロック図である。
【図２】同上の動作説明図である。
【図３】同上に用いるニューラルネットの概略構成図である。
【図４】実施形態２を示すブロック図である。
【符号の説明】
【００６５】
１０ 判定部
１０ａ ニューラルネット（競合学習型ニューラルネットワーク）
１０ｂ クラスタ判定部
１０ｃ 学習データ記憶部
１１ センサ部
１２ 信号入力部
１３ 特徴量抽出部
１４ 出力部
Ｌ１ 入力層
Ｌ２ 出力層
Ｎ１ ニューロン
Ｎ２ ニューロン
Ｘ 検査対象
【特許請求の範囲】
【請求項１】
振動発生源を用いて検査対象の内部に伝達させた振動を検出するセンサ部と、センサ部から出力された電気信号から対象信号を抽出する信号入力部と、対象信号から抽出される複数の周波数の周波数成分を特徴量として抽出する特徴量抽出部と、特徴量抽出部により抽出した特徴量を検査対象の内部の状態に関してあらかじめ学習データを用いて学習したカテゴリに分類する競合学習型ニューラルネットワークを備える判定部とを備え、判定部は、学習データで発火したニューロンへの学習データの帰属度の分布を重みベクトルと学習データとの距離に対応付けて設定し、帰属度の分布が設定されたニューロンの重みベクトルと検査対象から得られた特徴量との距離が前記分布において規定の閾値以下の帰属度に対応するときに前記特徴量が当該ニューロンに設定したカテゴリに属していると判断することを特徴とする内部検査装置。
【請求項２】
前記判定部は、前記ニューロンに設定する前記帰属度の分布をガウス分布とし、ガウス分布は、学習後の競合学習型ニューラルネットワークに学習データを再入力したときに発火する各ニューロンの重みベクトルと当該学習データとの距離により分散を決定し、発火したニューロンの重みベクトルを平均としていることを特徴とする請求項１記載の内部検査装置。
【請求項３】
前記振動発生源は、前記検査対象を打撃することにより検査対象の内部に振動を伝達するハンマ部を備えることを特徴とする請求項１または請求項２記載の内部検査装置。
【請求項４】
前記振動発生源は、振動としての音波を発生する音波発生源であることを特徴とする請求項１または請求項２記載の内部検査装置。
【請求項１】
振動発生源を用いて検査対象の内部に伝達させた振動を検出するセンサ部と、センサ部から出力された電気信号から対象信号を抽出する信号入力部と、対象信号から抽出される複数の周波数の周波数成分を特徴量として抽出する特徴量抽出部と、特徴量抽出部により抽出した特徴量を検査対象の内部の状態に関してあらかじめ学習データを用いて学習したカテゴリに分類する競合学習型ニューラルネットワークを備える判定部とを備え、判定部は、学習データで発火したニューロンへの学習データの帰属度の分布を重みベクトルと学習データとの距離に対応付けて設定し、帰属度の分布が設定されたニューロンの重みベクトルと検査対象から得られた特徴量との距離が前記分布において規定の閾値以下の帰属度に対応するときに前記特徴量が当該ニューロンに設定したカテゴリに属していると判断することを特徴とする内部検査装置。
【請求項２】
前記判定部は、前記ニューロンに設定する前記帰属度の分布をガウス分布とし、ガウス分布は、学習後の競合学習型ニューラルネットワークに学習データを再入力したときに発火する各ニューロンの重みベクトルと当該学習データとの距離により分散を決定し、発火したニューロンの重みベクトルを平均としていることを特徴とする請求項１記載の内部検査装置。
【請求項３】
前記振動発生源は、前記検査対象を打撃することにより検査対象の内部に振動を伝達するハンマ部を備えることを特徴とする請求項１または請求項２記載の内部検査装置。
【請求項４】
前記振動発生源は、振動としての音波を発生する音波発生源であることを特徴とする請求項１または請求項２記載の内部検査装置。
【図１】
【図２】
【図３】
【図４】
【図２】
【図３】
【図４】
【公開番号】特開２００８−１５１５３８（Ｐ２００８−１５１５３８Ａ）
【公開日】平成２０年７月３日（２００８．７．３）
【国際特許分類】
【出願番号】特願２００６−３３７３７３（Ｐ２００６−３３７３７３）
【出願日】平成１８年１２月１４日（２００６．１２．１４）
【出願人】（０００００５８３２）松下電工株式会社 (17,916)
【Ｆターム（参考）】
【公開日】平成２０年７月３日（２００８．７．３）
【国際特許分類】
【出願日】平成１８年１２月１４日（２００６．１２．１４）
【出願人】（０００００５８３２）松下電工株式会社 (17,916)
【Ｆターム（参考）】
[ Back to top ]