JP2018155690A

JP2018155690A - 表面欠陥検査方法及び表面欠陥検査装置

Info

Publication number: JP2018155690A
Application number: JP2017054426A
Authority: JP
Inventors: 嘉之梅垣; Yoshiyuki Umegaki; 貴彦大重; Takahiko Oshige; 腰原　敬弘; Takahiro Koshihara; 敬弘腰原
Original assignee: JFE Steel Corp
Current assignee: JFE Steel Corp
Priority date: 2017-03-21
Filing date: 2017-03-21
Publication date: 2018-10-04
Anticipated expiration: 2037-03-21
Also published as: MX2019011283A; KR20190118627A; JP6358351B1; EP3605072A4; CN110431404B; EP3605072A1; US20200025690A1; CN110431404A; WO2018173660A1; US10859507B2; KR102257734B1

Abstract

【課題】線状の細長い表面欠陥に対する感度を高めると共に線状の細長い表面欠陥と短く小さい表面欠陥とが混在する場合であっても両者を感度よく検出可すること。【解決手段】本発明の一実施形態である表面欠陥検査装置１では、テクスチャ特徴画像生成部４３が、入力画像に対して複数の空間フィルタによるフィルタ処理を施すことによって複数のテクスチャ特徴画像を生成し、テクスチャ特徴抽出部４４が、入力画像上の各位置について複数のテクスチャ特徴画像の対応する位置の値を各々抽出して画像上の各位置における特徴ベクトルを生成し、異常度算出部４５が、特徴ベクトルの各々について特徴ベクトルがなす多次元分布における異常度を算出して、入力画像上の各位置についての異常度を示した異常度画像を生成し、欠陥候補検出部４６が、異常度画像において異常度が所定値を超える部分を欠陥部又は欠陥候補部として検出する。【選択図】図１

Description

本発明は、表面欠陥検査方法及び表面欠陥検査装置に関する。

一般に、鋼帯の製造ラインでは、製品表面の品質保証や品質管理のために表面欠陥の検査が行われている。近年では、表面欠陥の検査に際して、表面欠陥検査装置の導入が進んでおり、検査の自動化や省力化が図られている。近年導入されている表面欠陥検査装置は、主に照明及びカメラによる光学系と画像処理系とからなるものが主流になっている。従来の表面欠陥検査装置では、対象となる表面欠陥を検出できるように、取得した画像における表面欠陥部の正常部に対するコントラスト、すなわちＳ／Ｎ比（信号雑音比）が大きくなるように、照明やカメラの角度を調整する、光学フィルタを用いる等の工夫をすることが一般的である。一方で、鋼帯の表面欠陥には多種多様な形態があり、それら全てについて良いＳ／Ｎ比が得られるような光学系は少ない。

特に、凹凸が小さく、コントラストが小さいが、鋼帯の長手方向に長いがゆえに有害度が大きな表面欠陥がある。このような表面欠陥の一例として、溶融亜鉛めっき鋼板の模様状ヘゲ欠陥がある。この模様状ヘゲ欠陥は、ヘゲ部と呼ばれる箇所が母材と比べて例えば鍍金厚に違いがあったり、合金化の程度に違いがあったりすることをきっかけに生じる。その結果、例えばヘゲ部の鍍金厚が厚く母材に対して凸である場合、調質圧延を掛けられることによりテンパ部（調質圧延ロールによって平坦につぶされた部分）の面積が非テンパ部の面積に比べて多くなる。一方、ヘゲ部が母材に対して凹である場合には、ヘゲ部は調質圧延ロールに接触しないために、非テンパ部が大半を占める。このため、ヘゲ部は母材と比べて顕著な凹凸を有さないが、凹凸に応じてテンパ部の比率が異なるため光の反射特性が変わり、外観が異なることによって模様状ヘゲ欠陥となる。この模様状ヘゲ欠陥は、溶融亜鉛めっき鋼板の長さ方向に細長く発生するため、凹凸は小さいが外観上有害となり、検出する必要が生じるものである。

また、細長い表面欠陥以外の検出が困難な表面欠陥の例として、アッシュがある。アッシュは溶融亜鉛めっき鋼板で生じる。アッシュは、亜鉛ポットから蒸発した亜鉛の蒸気がポットの付帯物に付着した後、亜鉛浴面に落下して浮遊することによって生成した異物が鋼板に付着して生じる表面欠陥であり、凹凸が小さい模様状の表面欠陥である。アッシュの画像はコントラストが小さいために、これまでの表面欠陥検査装置では自動検出することが困難であった。しかしながら、客先での目視検査でアッシュが見つかって外観上問題となることがあるために、アッシュも検出することが必要な表面欠陥となっている。

これらの表面欠陥は、いずれも検出が必要であるが、コントラストが小さく、従来の技法では検出が困難な表面欠陥であった。このような表面欠陥を検出するため、画像処理系でＳ／Ｎ比を向上させるような工夫も必要となる場合が多い。鋼帯の表面欠陥検査装置における従来の画像処理系では、照明の照度むら等が原因で生じる入力画像の輝度むらを補正した後、所定の閾値との比較によって表面欠陥部を検出することが通常である。さらに、正常部のノイズが大きい場合にはローパスフィルタを適用してノイズ低減を行ったり、微分フィルタを適用して表面欠陥部のエッジを強調したりする等して、表面欠陥部のＳ／Ｎ比を向上することが一般的に行われている。ところが、これらの工夫の多くは特定の表面欠陥種や状況においてのみ効果を有する場合が少なくない。特に前述したような長手方向に長い表面欠陥と長手方向に短い表面欠陥（小さい表面欠陥）とが混在する場合には、通常行われるフィルタ処理では、長手方向に長い表面欠陥のＳ／Ｎ比を上げて感度を上げると長手方向に短い表面欠陥の感度が下がり、逆に長手方向に短い表面欠陥の感度を上げると長手方向に長い表面欠陥の感度が下がるという問題があり、同時にＳ／Ｎ比を向上させることが困難であった。

一方、非特許文献１には、ガボールフィルター（ガボールウェーブレット）を適用した表面欠陥検査方法が記載されている。非特許文献１に記載の方法では、検査画像にガボールウェーブレットを適用して各ウェーブレット係数の統計的解析を行い、無欠陥の背景テクスチャにおける各ウェーブレット係数の分布を計算（推定）した後、計算（推定）された分布から各ウェーブレット係数に対する閾値を自動的に決定し、各ウェーブレット係数（画像）に閾値を適用した結果を結合して表面欠陥部を背景から分離した２値画像を生成する。また、非特許文献１に記載の方法は、布地のような周期的背景を持つ対象でも、ランダムで非周期的な背景を持つ対象にも適用可能である。

Rallo et al. "Unsupervised novelty detection using Gabor filters for defect segmentation in textures", J. Opt. Soc. Am. A, Opt. Image. Sci. Vis., 2009, Sep;26(9):1967-76.

従来の単純な画像と閾値との比較による表面欠陥検査方法によれば、Ｓ／Ｎ比が低いケースでは、表面欠陥信号とノイズとを分離することができない、すなわち、表面欠陥を検出しようとするとノイズを誤検出し、ノイズを誤検出しないようにすると表面欠陥も検出できないというジレンマが生じる。また、ローパスフィルタ等による対策も特定の形態の表面欠陥や背景（地合い）において効果を有する場合、別の形態の表面欠陥や背景では検出ができないという問題があった。一方、非特許文献１に記載の表面欠陥検査方法では、鋼帯製品の表面欠陥として良く見られる、鋼帯の長さ方向に細長い線状の表面欠陥が検出し難いという問題があった。図１２（ａ）は鋼帯の線状の表面欠陥の画像例及び画像中の破線部の輝度プロファイルを示し、図１２（ｂ）は非特許文献１に記載の表面欠陥検査方法で図１２（ａ）に示す表面欠陥を検出した画像及び画像中の破線部の輝度プロファイルを示す。図１２（ｂ）に示すように、非特許文献１に記載の表面欠陥検査方法では、鋼帯の長さ方向に細長い線状の表面欠陥を検出できていないことがわかる。

本発明は、上記課題に鑑みてなされたものであって、その目的は、線状の細長い表面欠陥に対する感度を高めると共に線状の細長い表面欠陥と短く小さい表面欠陥とが混在する場合であっても両者を感度よく検出可能な表面欠陥検査方法及び表面欠陥検査装置を提供することにある。

本発明に係る表面欠陥検査方法は、検査対象を撮影して元画像を取得する画像入力ステップと、前記元画像に対して複数の空間フィルタによるフィルタ処理を施すことにより複数のテクスチャ特徴画像を生成するテクスチャ特徴画像生成ステップと、前記元画像上の各位置について前記複数のテクスチャ特徴画像の対応する位置の値を各々抽出して前記元画像上の各位置における特徴ベクトルを生成するテクスチャ特徴抽出ステップと、前記特徴ベクトルの各々について前記特徴ベクトルがなす多次元分布における異常度を算出し、前記元画像上の各位置についての異常度を示した異常度画像を生成する異常度算出ステップと、前記異常度画像において前記異常度が所定値を超える部分を欠陥部又は欠陥候補部として検出する検出ステップと、を含むことを特徴とする。

本発明に係る表面欠陥検査方法は、上記発明において、前記テクスチャ特徴画像生成ステップは、前記空間フィルタによるフィルタ処理を、前記元画像を縮小した画像又は前記テクスチャ特徴画像を縮小した画像に対しても施すことにより、別のテクスチャ特徴画像を生成する処理を含むことを特徴とする。

本発明に係る表面欠陥検査方法は、上記発明において、前記元画像又は前記テクスチャ特徴画像の縮小方向が検出対象である線状欠陥と平行な方向である方向を含むことを特徴とする。

本発明に係る表面欠陥検査方法は、上記発明において、前記複数の空間フィルタがウェーブレット変換により実現されることを特徴とする。

本発明に係る表面欠陥検査方法は、上記発明において、前記複数の空間フィルタがガボールフィルタを含むことを特徴とする。

本発明に係る表面欠陥検査方法は、上記発明において、前記特徴ベクトルがなす多次元分布における異常度としてマハラノビス距離を用いることを特徴とする。

本発明に係る表面欠陥検査装置は、検査対象を撮影する撮像手段と、前記撮像手段が撮像した前記検査対象の元画像を取得する画像入力手段と、前記元画像に対して複数の空間フィルタによるフィルタ処理を施すことによって複数のテクスチャ特徴画像を生成するテクスチャ特徴画像生成手段と、前記元画像上の各位置について前記複数の特徴画像の対応する位置の値を各々抽出して前記元画像上の各位置における特徴ベクトルを生成するテクスチャ特徴抽出手段と、前記特徴ベクトルの各々について前記特徴ベクトルがなす多次元分布における異常度を算出して、前記元画像上の各位置についての異常度を示した異常度画像を生成する異常度算出手段と、前記異常度画像において前記異常度が所定値を超える部分を欠陥部又は欠陥候補部として検出する検出手段と、を備えることを特徴とする。

本発明に係る表面欠陥検査方法及び表面欠陥検査装置によれば、線状の細長い表面欠陥に対する感度を高めると共に線状の細長い表面欠陥と短く小さい表面欠陥とが混在する場合であっても両者を感度よく検出することができる。

図１は、本発明の一実施形態である表面欠陥検査装置の構成を示す模式図である。図２は、本発明の一実施形態である表面欠陥検査処理の流れを示すフローチャートである。図３は、入力画像に対する前処理の流れを示すフローチャートである。図４は、補正画像に対する欠陥検出処理の流れを示すフローチャートである。図５は、３次元空間にプロットしたガボール関数の一例を示す図である。図６は、本発明の実施形態におけるガボールフィルタ処理を示すブロック線図である。図７は、本発明の実施形態におけるガボールフィルタ処理の変形例を示すブロック線図である。図８は、二次元の主成分分析の一例を示す図である。図９は、欠陥判定処理の流れを示すフローチャートである。図１０は、鋼帯表面を撮影した画像例を示す図である。図１１は、図１０に示す画像に対して本発明の欠陥検出処理を適用した実施例を示す図である。図１２は、鋼帯の線状の表面欠陥の画像例、非特許文献１に記載の表面欠陥検査方法で表面欠陥を検出した結果、及び本発明の欠陥検出処理で表面欠陥を検出した結果を示す図である。

以下、図面を参照して、本発明の一実施形態である表面欠陥検査装置の構成及びこの表面欠陥検査装置を利用した表面欠陥検査方法について説明する。

〔構成〕
図１は、本発明の一実施形態である表面欠陥検査装置の構成を示す模式図である。図１に示すように、本発明の一実施形態である表面欠陥検査装置１は、照明装置２と、撮像装置３と、画像処理装置４と、表示装置５と、を備えている。

照明装置２は、表面欠陥検査装置１の検査対象である鋼帯Ｓの表面を照明する。

撮像装置３は、照明装置２によって照明された鋼帯Ｓ上の部位を撮影し、得られた鋼帯Ｓ表面の画像（元画像）のデータを画像処理装置４に伝送する。撮像装置３は、１次元撮像素子を有する所謂ラインセンサカメラ又は２次元撮像素子を有する所謂エリアカメラのいずれでもよいが、いずれの場合にも鋼帯Ｓの搬送に同期して撮像が行われる。撮像装置３がラインセンサカメラである場合、照明装置２として連続点灯照明が用いられる。撮像装置３がエリアカメラである場合には、照明装置２として鋼帯Ｓが一定距離進む毎に閃光を発するフラッシュ照明が用いられる。

画像処理装置４は、撮像装置３から伝送された鋼帯Ｓ表面の画像のデータを解析して鋼帯Ｓ表面に表面欠陥があればそれらを検出し、且つ、それら表面欠陥の種別や有害度を判定して、その情報を表示装置５に出力する。

画像処理装置４は、画像入力部４１、画像補正部４２、テクスチャ特徴画像生成部４３、テクスチャ特徴抽出部４４、異常度算出部４５、及び欠陥候補検出部４６を内部に備えている。また、画像処理装置４は、必要に応じて、欠陥特徴算出部４７及び欠陥判定部４８を内部に備えている。

画像入力部４１は、内部に一時記憶領域を有し、撮像装置３から伝送された鋼帯Ｓ表面の画像のデータを順次一時記憶領域にバッファリングする。

画像補正部４２は、画像入力部４１の一時記憶領域から画像のデータを順次読み出し、読み出した画像のデータに対して補正処理を行うことによって補正画像を生成する。補正処理では、画像補正部４２は、まず画像中に鋼帯Ｓの両方又は片方のエッジが含まれる場合、そのエッジ位置を検出し、鋼帯Ｓのエッジの外側に相当する画像領域を検査対象外領域に設定すると共に、例えばエッジ位置を境界とした鋼板Ｓの内部領域の鏡像で検査対象外領域を埋める。次に、画像補正部４２は、照明装置２の照度むら等に起因する鋼帯Ｓの画像における輝度むらを補正（シェーディング補正）し、画像全体の明るさが均一となるようにする。

テクスチャ特徴画像生成部４３は、補正画像に対して複数の空間フィルタ処理を施して画像中の各位置における局所的な模様（テクスチャ）の特徴（局所的な周波数特性）を示す各空間フィルタに対応する特徴画像(以下では特にテクスチャ特徴画像ということがある)を複数生成する。ここでいう空間フィルタは、入力画像の対応する画素とその周囲の画素値を用いて出力画像を生成する処理である。特に通過波長域や通過する信号の波形の方向を変えた複数の空間フィルタを用いるとよい。

テクスチャ特徴抽出部４４は、テクスチャ特徴画像生成部４３によって生成された複数のテクスチャ特徴画像から入力画像又は補正画像上の各位置に対応した位置の値を抽出して、画像上の各位置のテクスチャ特徴ベクトルを抽出する。テクスチャ特徴ベクトルの数は画像中の全画素数であり、テクスチャ特徴ベクトルの次元はテクスチャ特徴画像の数と一致する。

異常度算出部４５は、テクスチャ特徴抽出部４４で抽出された複数のテクスチャ特徴ベクトルがなす多次元空間での分布を解析し、各テクスチャ特徴ベクトルの異常度を算出する。そして、異常度算出部４５は、算出された各テクスチャ特徴ベクトルの異常度を対応する画像上の位置にマッピングして、異常度画像を生成する。

欠陥候補検出部４６は、異常度算出部４５によって生成された異常度画像に対して所定の異常度を閾値として二値化を行い、異常度が所定の閾値以上となる画素が連続して繋がる画像領域を欠陥部又は欠陥候補として検出する（ラベリング）。なお、欠陥候補検出部４６は、検出された欠陥候補のうち、面積が小さすぎるもの等、有害欠陥でないとみなせる欠陥候補を除外する処理や、検出位置が近い複数の欠陥候補をまとめて一つの欠陥候補として連結する処理を行ってもよい。

欠陥特徴算出部４７は、欠陥候補検出部４６によって検出された各欠陥候補について、欠陥特徴量を算出する。欠陥特徴量は、補正画像から欠陥候補の領域部分を切り出した欠陥部濃淡画像、及び同じく異常度画像から欠陥候補の領域部分を切り出した欠陥部異常度画像を用いて算出される。

欠陥判定部４８は、欠陥特徴算出部４７によって算出された欠陥特徴量に基づいて、各欠陥候補の欠陥種別及び有害度を判定する。

表示装置５は、画像処理装置４によって検出された表面欠陥についての検出情報（表面欠陥部の画像や表面欠陥の位置）、判定情報（種別、有害度）、統計情報（鋼帯Ｓ全体についての又は欠陥種別や有害度別の欠陥総数、発生率等）等を表示する。

〔表面欠陥検査処理〕
次に、図２〜図６を参照して、本発明の一実施形態である表面欠陥検査処理の流れについて詳細に説明する。

図２は、本発明の一実施形態である表面欠陥検査処理の流れを示すフローチャートである。表面欠陥検査装置１は、表面欠陥検査開始指令を受けると撮像装置３による鋼帯Ｓ表面の撮像を開始し、撮像された画像（以下、入力画像と表記）のデータは画像処理装置４の画像入力部４１内の一時記憶領域に順次バッファリングされる。

図２に示すように、表面欠陥検査開始後、画像処理装置４は、画像入力部４１内の一時記憶領域に未処理の入力画像のデータがあるか否かを判別する（ステップＳ１）。ラインセンサカメラの場合は、所定のライン数まで画像のデータがバッファリングされるまでは未処理の入力画像のデータがないと判断する。判別の結果、未処理の入力画像のデータがない場合（ステップＳ１：Ｎｏ）、画像処理装置４は新しい画像のデータが入力されるまで待機する。一方、未処理の入力画像のデータがある場合には（ステップＳ１：Ｙｅｓ）、画像処理装置４は、前処理（ステップＳ２）、欠陥検出処理（ステップＳ３）、及び欠陥判定処理（ステップＳ４）を順次実行する。次に、画像処理装置４は、表面欠陥検査終了指示が出ているか否かを判別する（ステップＳ５）。そして、判別の結果、表面欠陥検査終了指示が出ている場合（ステップＳ５：Ｙｅｓ）、画像処理装置４は表面欠陥検査を終了する。一方、表面欠陥検査終了指示が出ていない場合には（ステップＳ５：Ｎｏ）、画像処理装置４は、ステップＳ１の処理に戻り、表面欠陥検査処理を続行する。

［前処理］
次に、図３を参照して、上記前処理（ステップＳ２）について説明する。

図３は、入力画像に対する前処理の流れを示すフローチャートである。図３に示すように、前処理は、エッジ検出ステップＳ２１、エッジ外部補正ステップＳ２２、及びシェーディング補正ステップＳ２３を含んでいる。これらの処理は画像補正部４２にて実行される。

エッジ検出ステップＳ２１では、画像補正部４２が、入力画像Ｉ（ｘ，ｙ）から鋼帯Ｓのエッジ位置を検出する。ここで、ｘは鋼帯Ｓの幅方向に対応する画素座標、ｙは鋼帯Ｓの長さ方向に対応する画素座標であり、ｘ＝０，１，…，ｎ_x−１、ｙ＝０，１，…，ｎ_y−１とする。ここで、ｎ_xは画像のｘ方向のサイズ、ｎ_yはｙ方向のサイズである。

エッジ外部補正ステップＳ２２では、画像補正部４２が、鋼帯Ｓのエッジの外側を検査処理対象外領域として指定すると共に、例えばエッジ内側の領域の値を鏡像で検査処理対象外領域に補うことによりエッジ部が検出されないように無害化したエッジ外部補正画像Ｉ_E（ｘ，ｙ）を生成する。

シェーディング補正ステップＳ２３では、画像補正部４２が、エッジ外部補正画像Ｉ_E（ｘ，ｙ）の輝度むらを補正（シェーディング補正）して画像全体の明るさを均一化した補正画像Ｉ_C（ｘ，ｙ）を計算する。シェーディング補正処理では、例えば１次元の輝度の移動平均値を元の画像の輝度から引き移動平均値で割って規格化してもよいし、これをｘ方向及びｙ方向の両方向とした２次元の輝度の移動平均値としても良い。また、輝度の移動平均値の代わりに任意のローパスフィルタを用いても良い。また、簡便な方法としては、輝度の差分を用いても良いし、さらにはそれに等価なハイパスフィルタを用いてもよい。

なお、以上の一連の前処理において、入力画像Ｉ（ｘ，ｙ）の状態に応じてエッジ検出処理ステップＳ２１、エッジ外部補正ステップＳ２２、及びシェーディング補正ステップＳ２３を実施するか否かは適宜選択されてよく、例えばいずれのステップも実施しない場合は補正画像Ｉ_C（ｘ，ｙ）＝入力画像Ｉ（ｘ，ｙ）となる。

［欠陥検出処理］
次に、図４〜図６を参照して、上記欠陥検出処理（ステップＳ３）について説明する。

図４は、補正画像に対する欠陥検出処理の流れを示すフローチャートである。図４に示すように、欠陥検出処理は、テクスチャ特徴画像生成ステップＳ３１、テクスチャ特徴抽出ステップＳ３２、異常度算出ステップＳ３３、及び欠陥候補検出ステップＳ３４を含んでいる。

テクスチャ特徴画像生成ステップＳ３１では、テクスチャ特徴画像生成部４３が、補正画像Ｉ_C（ｘ，ｙ）に対し複数のフィルタ処理を施してテクスチャ特徴画像Ｆ_j（ｘ，ｙ）（ｊ＝０，１，２，…，Ｎ_T−１）を生成する。ここで、Ｎ_Tは空間フィルタの数である。本実施形態では空間フィルタとして、ガボール（Ｇａｂｏｒ）フィルタを用いる。ガボールフィルタは以下の数式（１）により表されるガボール関数を用いた線形フィルタである。

数式（１）は、ガボールフィルタの一般式を示し、正弦波にガウス型の減衰関数を乗算した形式となっている。数式（１）において、λは正弦波の波長、θはガボール関数の縞模様の方向、ａは波長の広がり(ガウス関数のバンド幅)を表している。また、ｂは、空間アスペクト比を表し、ガボール関数のサポートの楕円率を表している。また、ｉは虚数単位である。図５（ａ），（ｂ）は、数式（１）においてλ＝８，θ＝１２０°，ａ＝０．１２５，ｂ＝１．５としたガボール関数Ｇａｂｏｒ（ｘ，ｙ：ａ，ｂ，λ，θ）を３次元空間にプロットした図である。図５（ａ），（ｂ）に示すように、ガボール関数Ｇａｂｏｒ（ｘ，ｙ：ａ，ｂ，λ，θ）は、ガウス関数を窓関数として無限に広がる正弦波を切り取った形をしている。ａ，ｂ，θを任意に変えることでガボール関数の向き、波の方向、及び減衰率を変えることができる。

画像解析では、数式（１）に示すガボール関数を空間フィルタとして用いるが、特にｂ＝１，ａ＝１／λとした以下の数式（２）に示すガボール関数を用いることがある。そこで、以下では数式（２）に基づき説明する。

ガボールフィルタを画像に畳み込み演算することにより、波長λ（画素）及び波の向きθの局所的周波数成分を抽出することができる。また、パラメータλ及びθを様々に変化させ、さらにはｘ方向及びｙ方向のスケールを様々に変化させる（例えばｘをｘ／４に置換すると、ｘ方向の広がりを４倍大きくすることになる）ことにより、それに対応した画像の局所的周波数成分を抽出できる。一方、実用的な計算においてガボールフィルタの広がりを大きくすると畳み込み演算の計算時間が増大してしまう。このため、以下に説明するようにガボールフィルタの広がりを大きくする代わりに、ダウンサンプリングして画像を縮小する手法を用いるとよい。但し、エイリアシングを防止するために、被フィルタリング画像に予めローパスフィルタを適用しておくことが望ましい。

図６は、本発明の実施形態におけるガボールフィルタ処理を表すブロック線図である。図６において、Ｇ_q（ｘ，ｙ）（ｑ＝０，１，２，３）及びＨ_s（ｘ，ｙ）（ｓ＝０，１，２）は、以下の数式（３）〜（６）に示す定義に従ったｋ_x×ｋ_y画素のフィルタ係数行列であり、ガボールフィルタを画像に畳み込み演算して適用することを意味する。但し、フィルタ係数行列の中央の座標（ｘ，ｙ）は（０，０）とする。なお、以下に示す数式（３），（５）ではλ＝４、以下に示す数式（４），（６）ではλ＝４／√２としているが、これはサンプリング定理(λ≧２)及び検出したい対象の信号の該当する方向の空間周波数から決定する。

数式（３）〜（６）に示す定義においては、ｋ_x＝ｋ_y＝１１が好適である。これは、図５（ａ）に示すガボール関数における波の進行方向(θ（＝１２０°）方向)の波の数が２．５周期以上を含むことによる。この条件を満たすためには、より正確にはｋ_x／（λｃｏｓθ）＞２．５、且つ、ｋ_y／（λｓｉｎθ）＞２．５との条件を満たす必要がある。また、このとき、数式（２）の第１項の減衰が中央の１０％以下となっており、ガボールフィルタによって空間的に局在した信号を抽出することができる。

また、図６において、ＬＰはｘｙの２次元方向、ＬＰＹはｙ方向のローパスフィルタであり、例えば以下の数式（７），（８）に示す定義に従ったフィルタ行列を画像に適用することを意味する。ローパスフィルタＬＰＹはｙ方向４点の移動平均となる向きに畳み込み演算される。ローパスフィルタＬＰ，ＬＰＹは後述するダウンサンプリングする際のエイリアシングを防止するフィルタとして設計されている。エイリアシングを防止できれば必ずしも以下の数式（７），（８）に示すローパスフィルタでなくても構わない。

上記の２つのローパスフィルタＬＰ、ＬＰＹを画像に畳み込み演算する際は、画像境界の外側は鏡像と仮定して計算が行われる。また、図６において「Ｘ２，Ｙ２」と表記したブロックは、画像のＸ方向及びＹ方向で各々２画素おきに抽出して、画像サイズをＸ方向及びＹ方向に各々１／２にするダウンサンプリング処理を示す。また、「Ｙ４」と表記したブロックは、Ｙ方向のみ４画素おきに抽出して、画像サイズをＹ方向に１／４にするダウンサンプリング処理を示す。以下、図６に示すブロック線図に従った一連のガボールフィルタ処理について説明する。

まず、テクスチャ特徴画像生成部４３は、初期画像をＩ₀（ｘ，ｙ）＝Ｉ_c（ｘ，ｙ）とする。次に、テクスチャ特徴画像生成部４３は、初期画像Ｉ₀（ｘ，ｙ）に対し順次ローパスフィルタＬＰと「Ｘ２，Ｙ２」型のダウンサンプリングを実行して縮小画像Ｉ_p（ｐ＝１，２，３）（ｘ，ｙ）を計算する。Ｉ_p（ｘ，ｙ）は、ローパスフィルタＬＰと「Ｘ２，Ｙ２」型のダウンサンプリングをｐ回行った縮小画像である。さらに、テクスチャ特徴画像生成部４３は、初期画像を含む縮小画像Ｉ_p（ｘ，ｙ）（ｐ＝０，１，２，３）の各々に対し、４種類のガボールフィルタＧ_q（ｘ，ｙ）（ｑ＝０，１，２，３）を各々畳み込み演算して、特徴画像Ｉ_pq（ｘ，ｙ）（ｐ＝０，１，２，３，ｑ＝０，１，２，３）を計算する。

この段階で合計１６種類の特徴画像Ｉ_pq（ｘ，ｙ）が得られるが、特徴画像Ｉ_pq（ｘ，ｙ）はガボールフィルタの定義式（数式（１））より複素数であるため実部画像と虚部画像とに分解すると合計３２種類の特徴画像が得られる。このため、これらをテクスチャ特徴画像Ｆ_j（ｘ，ｙ）（ｊ＝０、１，２，…，３１，すなわちＮ_T＝３２）とする。但し、ｐ≧１の場合の特徴画像Ｉ_pq（ｘ，ｙ）はダウンサンプリングによって縮小されているので、初期画像Ｉ₀（ｘ，ｙ）と同じサイズに拡大してテクスチャ特徴画像とする。拡大方法しては、線形補間、一番近傍の画素と同じ値とする手法、特徴画像Ｉ_pq（ｘ，ｙ）の各画素の値と同じ値をダウンサンプリングされた方向、数だけコピーして埋める手法でも構わない。

この演算により、空間周波数が異なる空間フィルタと空間フィルタの波形の方向が異なる空間フィルタとを組み合わせて元の画像にかけることができている。特に、ダウンサンプリングしてから元の空間フィルタを演算することにより、少ない計算量で元の画像に対して空間周波数の大きな空間フィルタをかけた場合と同じ効果が得られる。以上の処理によって得られる３２種類のテクスチャ特徴画像Ｆ_j（ｘ，ｙ）（ｊ＝０，２，…，３１）を用いても良いが、さらに図６における点線で囲まれた「線状欠陥用拡張処理」を実行することで、鋼帯Ｓの流れ方向に細長い欠陥に対しての検出感度を高めることができる。「線状欠陥用拡張処理」は縮小画像Ｉ_p（ｘ，ｙ）（ｐ＝０，１，２，３）を計算した後、次のように実行する。

まず、テクスチャ特徴画像生成部４３は、画像Ｉ₀（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ₀（ｘ，ｙ）に対して、３種類のガボールフィルタＨ_s（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ_0s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。さらに、テクスチャ特徴画像生成部４３は、画像Ｊ₀（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ₁（ｘ，ｙ）に対して、３種類のガボールフィルタＨ_s（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ_1s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。さらに、テクスチャ特徴画像生成部４３は、画像Ｊ₁（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ₂（ｘ，ｙ）に対して、３種類のガボールフィルタＨ_s（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ_2s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。

次に、テクスチャ特徴画像生成部４３は、画像Ｉ₁（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ₃（ｘ，ｙ）に対して、３種類のガボールフィルタＨ_s（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ_3s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。さらに、テクスチャ特徴画像生成部４３は、画像Ｊ₃（ｘ，ｙ）に対してさらに「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ₄（ｘ，ｙ）に対して、３種類のガボールフィルタＨ_s（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ_4s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。次に、テクスチャ特徴画像生成部４３は、画像Ｉ₂（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ₅（ｘ，ｙ）に対して、３種類のガボールフィルタＨ_s（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ_5s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。さらに、テクスチャ特徴画像生成部４３は、画像Ｊ₅（ｘ，ｙ）に対してさらに「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ₆（ｘ，ｙ）に対して、３種類のガボールフィルタＨ_s（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ_6s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。

次に、テクスチャ特徴画像生成部４３は、画像Ｉ₃（ｘ，ｙ）に対して「Ｙ４」型のダウンサンプリングを施すことによって生成された画像Ｊ₇（ｘ，ｙ）に対して、３種類のガボールフィルタＨ_s（ｘ，ｙ）（ｓ＝０，１，２）を各々畳み込み演算して特徴画像Ｊ_7s（ｘ，ｙ）（ｓ＝０，１，２）を計算する。以上の演算により、Ｙ方向により長い空間周波数の空間フィルタをかけることが可能になり、Ｙ方向に長い表面欠陥に対するＳ／Ｎ比を上げることができる。Ｙ方向に長い表面欠陥が発生する方向、すなわち、鋼帯Ｓの製造工程では鋼帯Ｓの長手方向にすることで長い表面欠陥の検出が容易になるメリットがある。

以上により、新たに３２種類の特徴画像Ｊ_rs（ｘ，ｙ）（ｒ＝０，１，…，７，ｓ＝０，１，２）が得られる。先に得られた１６種類の特徴画像Ｉ_pqと合わせた全特徴画像のうち、図６において終端となっている特徴画像Ｉ_pq（ｘ，ｙ）（ｐ＝０，１，２，３，ｑ＝１，２，３）、Ｊ₀₀（ｘ，ｙ），Ｊ₀₂（ｘ，ｙ）、Ｊ₁₀（ｘ，ｙ），Ｊ₁₂（ｘ，ｙ）、Ｊ₂₀（ｘ，ｙ），Ｊ₂₁（ｘ，ｙ），Ｊ₂₂（ｘ，ｙ），Ｊ₃₀（ｘ，ｙ），Ｊ₃₂（ｘ，ｙ），Ｊ₄₀（ｘ，ｙ），Ｊ₄₁（ｘ，ｙ），Ｊ₄₂（ｘ，ｙ），Ｊ₅₀（ｘ，ｙ），Ｊ₅₂（ｘ，ｙ），Ｊ₆₀（ｘ，ｙ），Ｊ₆₁（ｘ，ｙ）、Ｊ₆₂（ｘ，ｙ）、Ｊ₇₀（ｘ，ｙ）、Ｊ₇₁（ｘ，ｙ），Ｊ₇₂（ｘ，ｙ）の計３２種類を実部画像と虚部画像とに分解して得られる６４種類の特徴画像をテクスチャ特徴画像Ｆ_j（ｘ，ｙ）（ｊ＝０，１，２，…，６４，すなわちＮ_T＝６４）とする。

但し、「線状欠陥用拡張処理」を行わない場合と同じく、特徴画像Ｊ_rs（ｘ，ｙ）もダウンサンプリング処理によって縮小されているので、初期画像Ｉ₀（ｘ，ｙ）と同じサイズに拡大してテクスチャ特徴画像とする。なお、ｊの値と各特徴画像の対応は任意に決めて構わないがここでは便宜的に上述した特徴画像をＩ，Ｊのそれぞれ添え字が小さいものから実部、虚部の順にＩ₀₀（ｘ，ｙ）の実部＝０，Ｉ₀₀（ｘ，ｙ）の虚部＝１，Ｉ₀₁（ｘ，ｙ）の実部＝２，…，Ｊ₀₀（ｘ，ｙ）の実部＝２５，…，Ｊ₇₂（ｘ，ｙ）の虚部＝６４と表す。

本アルゴリズムでは、Ｉ₀₁（ｘ，ｙ），Ｉ₀₂（ｘ，ｙ），Ｉ₀₃（ｘ，ｙ），Ｉ₁₁（ｘ，ｙ），Ｉ₁₂（ｘ，ｙ），Ｉ₁₃（ｘ，ｙ），Ｉ₂₁（ｘ，ｙ），Ｉ₂₂（ｘ，ｙ），Ｉ₂₃（ｘ，ｙ），Ｉ₃₁（ｘ，ｙ），Ｉ₃₂（ｘ，ｙ），Ｉ₃₃（ｘ，ｙ）の１２種類にＪ₀₀（ｘ，ｙ），Ｊ₀₂（ｘ，ｙ），Ｊ₁₀（ｘ，ｙ），Ｊ₁₂（ｘ，ｙ），Ｊ₂₀（ｘ，ｙ），Ｊ₂₁（ｘ，ｙ），Ｊ₂₂（ｘ，ｙ），Ｊ₃₀（ｘ，ｙ），Ｊ₃₂（ｘ，ｙ），Ｊ₄₀（ｘ，ｙ），Ｊ₄₁（ｘ，ｙ），Ｊ₄₂（ｘ，ｙ），Ｊ₅₀（ｘ，ｙ），Ｊ₅₂（ｘ，ｙ），Ｊ₆₀（ｘ，ｙ），Ｊ₆₁（ｘ，ｙ），Ｊ₆₂（ｘ，ｙ），Ｊ₇₀（ｘ，ｙ），Ｊ₇₁（ｘ，ｙ），Ｊ₇₂（ｘ，ｙ）の２０種類を加えた３２種類を実部と虚部の画像に分解して得られる６４種類のテクスチャ特徴画像Ｆ_j（ｘ，ｙ）（ｊ＝０，１，２，…，６３）を用いている。Ｉ₀₀（ｘ，ｙ），Ｉ₁₀（ｘ，ｙ），Ｉ₂₀（ｘ，ｙ），Ｉ₃₀（ｘ，ｙ）を加えた６８種類のテクスチャ特徴画像を用いてもよいが、Ｉ₀₀（ｘ，ｙ），Ｉ₁₀（ｘ，ｙ），Ｉ₂₀（ｘ，ｙ），Ｉ₃₀（ｘ，ｙ）のフィルタを高速フーリエ変換（ＦＦＴ）した周波数領域での通過域がＪ_xx（ｘ，ｙ）のフィルタでカバーされているため省略が可能になっている。６４種類に限定することで、単に計算量が少なくなるだけではなく、２の６乗の画像を用いるので後の計算で数字を扱いやすいメリットがある。

なお、テクスチャ特徴画像生成ステップＳ４における実施形態は上記に限定されず、他の任意の空間フィルタ群を用いることができる。例えば２次元のウェーブレット変換やウェーブレットパケット変換を適用することが可能であり、最も簡単なものはＨａａｒウェーブレットである。他にも微分フィルタやエッジ抽出フィルタ、ＤｏＧ（ＤｉｆｆｅｒｅｎｃｅｏｆＧａｕｓｓｉａｎ）フィルタ、ＬｏＧ（ＬａｐｌａｃｉａｎｏｆＧａｕｓｓｉａｎ）フィルタ等を用いたり、それらを組み合わせて用いたりしても良い。

また、前述したようにダウンサンプリング前のアンチエイリアシングフィルタは上述した空間フィルタでなくても構わない。テクスチャ特徴画像を求めるために用いるガボールフィルタを使うことで計算量を削減できるメリットがある。図７はその流れを示した図であり、ローパスフィルタＬＰＹのフィルタの代わりにＧ₀の空間フィルタを用いている。

次に、テクスチャ特徴抽出ステップＳ３２では、テクスチャ特徴抽出部４４が、各画素におけるテクスチャ特徴ベクトルを抽出する。特徴画像Ｆ_j（ｘ，ｙ）＝｛ｆ_j（ｘ，y)｝（ｆ_j(ｘ，ｙ)は座標ｘ，ｙにおける特徴画像Ｆ_j（ｘ，ｙ）の値を示す)に対して、以下の数式（９）に示すようにｘ，ｙの組を別のインデックスｉで置き換え、以下の数式（１０）に示すようにＦ_j’＝｛ｆ_i,j｝；ｊ＝０，２，…，Ｎ_T−１と特徴ベクトルを定義することができる。ここで、ｉは入力画像（補正画像）の画素（ｘ，ｙ）に割り当てられたユニークなインデックスであり、例えばｉ＝ｎ_x×ｙ＋ｘと定義され、ｉ＝０，１，２，…，ｎ_x×ｎ_y−１である。また、ｆ_i,j＝ｆ_j（ｘ，ｙ）である。

次に、異常度算出ステップＳ３３では、異常度算出部４５が、テクスチャ特徴抽出ステップＳ３２で抽出したテクスチャ特徴ベクトルのＮ_T次元空間での分布を統計的に解析して、入力画像（補正画像）の各画素における異常度を算出し、異常度画像を生成する。異常度としては例えばマハラノビス距離を用いる。具体的には、まず、異常度算出部４５は、以下の数式（１１）に示すように、特徴ベクトルＦ_jを行ベクトルとしそれを列方向に並べた行列Ｆを用意する。

これに対して、異常度算出部４５は、以下の数式（１２）に示すｍ_jを計算する。数式（１２）中のΣは全画素についての和を示し、ｍ_jは行列Ｆの全画素についての平均である。

次に、異常度算出部４５は、以下の数式（１３）に示すように行列Ｆから平均ｍ_jを引いた行列Ｚ（＝｛ｚ_i,j｝）を求める。

ここで、以下の数式（１４）に示すように、異常度算出部４５は、分散共分散行列Ｃ＝｛ｃ_j1,j2｝（ｊ１，ｊ２＝０，１，２，…，Ｎ_t−１）をｚ_i,jから算出する。

次に、異常度算出部４５は、以下の数式（１５）に示すようにマハラノビス距離Ｄ_i（正しくはマハラノビス距離の２乗であるが、単にマハラノビス距離と呼ぶことにする）を算出する。

但し、Ｗ＝｛ｗ_i,j｝は連立方程式ＷＣ＝Ｚの解、すなわちＷ＝ＺＣ^-1である。そして最後に、異常度算出部４５は、インデックスｉよりマハラノビス距離Ｄ_iを座標（ｘ，ｙ）にマッピングし直して異常度画像Ｄ（ｘ，ｙ）＝Ｄ_i（ｉ＝ｘ＋ｎ_x×ｙ）を得る。

なお、このマハラノビス距離を求める計算は、以下の操作と等価である。すなわち、Ｎ_T枚の特徴画像Ｆ_j（ｘ，ｙ）を座標毎に見てみると、ｆ₁（ｘ，ｙ），ｆ₂（ｘ，ｙ），…，ｆ_NT（ｘ，ｙ）のＮ_T次元の値を持っていることがわかる。これをｐ（ｘ，ｙ）＝（ｆ₁（ｘ，ｙ），ｆ₂（ｘ，ｙ）,…，ｆ_NT（ｘ，ｙ）)とＮ_T次元空間の点として表すことができる。このように画像上の全画素をＮ_T次元空間にプロットする。プロットした集合をばらつきについて規格化し、その規格化された空間で原点からの距離を求めたものがマハラノビス距離である。

ばらつきに対する規格化は、ばらつきの大きい方向から順に直交する基底を取り、各基底方向へのばらつきである標準偏差を求め、各基底方向の成分をこの標準偏差で割ることによってなされる。これは、いわゆる主成分分析の手法と同一となる。図８に２次元の主成分分析の一例を示した。図８に示す主成分分析では、ばらつきの大きい方向から順に直交する第１主成分及び第２主成分を取り、各主成分のばらつきを求め、各主成分方向の成分をばらつきで割ることによって、ばらつきに対する規格化がなされる。図８中、Ｏが原点、Ｄがマハラノビス距離、Ｐが画素を示している。

次に、欠陥候補検出ステップＳ３４では、欠陥候補検出部４６が、閾値Ｄ_thrにより異常度画像Ｄ（ｘ，ｙ）を２値化して、Ｄ（ｘ，ｙ）≧Ｄ_thrなる画素の連結領域を欠陥部又は欠陥候補として検出する。また、本ステップにおいて、欠陥候補検出部４６は、連結領域の面積や連結領域内での異常度の最大値に対して制約を設けて、制約を満たさない欠陥候補は除外してもよい。例えば欠陥候補検出部４６は、面積と異常度の最大値の両方が各々に設定された最小値より小さい欠陥候補を除外する。さらに、欠陥候補検出部４６は、任意の２つの欠陥候補について、連結領域間の距離が所定の条件を満たす場合に同一の欠陥候補として連結する処理を行う。例えば欠陥候補１内の座標を（ｘ₁，ｙ₁），欠陥候補２内の座標を（ｘ₂，ｙ₂）とし、ｘ座標に関する距離制約をｄ_x，ｙ座標に関する距離制約をｄ_yとし、｜ｘ₁−ｘ₂｜＜ｄ_x、且つ、｜ｙ₁−ｙ₂｜＜ｄ_yを満たす座標（ｘ₁，ｙ₁），（ｘ₂，ｙ₂）があるとき、欠陥候補検出部４６は欠陥候補１と欠陥候補２とを連結する。この連結は、画像の膨張及び収縮の繰り返しによって行っても構わない。

なお、閾値Ｄ_thrはマハラノビス距離（の２乗）がカイ２乗分布に従うという仮定のもと、以下の数式（１６）に示すように定めるとよい。ここで、数式（１６）中、ｐ_thrは、異常度が欠陥であると判断する有意水準（確率）を示し、ｆχ₂ ^-1（ｐ，ｎ）は自由度ｎのカイ２乗分布の累積密度関数の逆関数である。これにより、異常度に対して確率として閾値を定めることができる。

［欠陥判定処理］
次に、図９を参照して、上記欠陥判定処理（ステップＳ４）について説明する。

図９は、欠陥判定処理の流れを示すフローチャートである。図９に示すように、欠陥判定処理は、欠陥特徴算出ステップＳ４１及び欠陥判定ステップＳ４２を含む。

欠陥特徴算出ステップＳ４１では、欠陥特徴算出部４７が、補正画像Ｉ_c（ｘ，ｙ）より欠陥候補の領域部分を切り出した欠陥部濃淡画像、及び異常度画像Ｄ（ｘ，ｙ）より欠陥候補の領域部分を切出した欠陥部異常度画像を用いて、それらに対し各種演算を行って、欠陥特徴量を算出する。代表的な欠陥特徴量としては、幅、長さ、面積、アスペクト比、周囲長等の欠陥のサイズや形状に関するもの、欠陥領域内の最大輝度、最小輝度、平均輝度、輝度に関するヒストグラム度数等の濃淡に関するもの等があり、これらは欠陥部濃淡画像より得られる。さらに、本実施形態においては欠陥部異常度画像より欠陥部の最大異常度、平均異常度、及び異常度に関するヒストグラム度数等の異常度に関する特徴量も得られる。さらに、本実施形態においては、各テクスチャ特徴画像Ｆ_j（ｘ，ｙ）より欠陥候補の領域部分を切出した欠陥部テクスチャ特徴画像からも各テクスチャ特徴に関する欠陥特徴量が得られる。

次に、欠陥判定ステップＳ４２では、欠陥判定部４８が、欠陥特徴算出ステップＳ４１で算出された欠陥特徴量に基づいて、各欠陥候補の欠陥種別及び有害度を判定する。判定にあたっては、ユーザが作成した欠陥特徴量に関する判定ルール（ｉｆ−ｔｈｅｎルールや判定テーブル）か、いわゆる機械学習によって得られる判別器、あるいはそれらの組合せが用いられる。

以上の説明から明らかなように、本発明の一実施形態である表面欠陥検査装置１では、テクスチャ特徴画像生成部４３が、入力画像に対して複数の空間フィルタによるフィルタ処理を施すことによって複数のテクスチャ特徴画像を生成し、テクスチャ特徴抽出部４４が、入力画像上の各位置について複数のテクスチャ特徴画像の対応する位置の値を各々抽出して画像上の各位置における特徴ベクトルを生成し、異常度算出部４５が、特徴ベクトルの各々について特徴ベクトルがなす多次元分布における異常度を算出して、入力画像上の各位置についての異常度を示した異常度画像を生成し、欠陥候補検出部４６が、異常度画像において異常度が所定値を超える部分を欠陥部又は欠陥候補部として検出する。これにより、線状の細長い表面欠陥に対する感度を高めると共に線状の細長い表面欠陥と短く小さい表面欠陥とが混在する場合であっても両者を感度よく検出することができる。

図１０は、鋼帯表面を撮影した画像例である。図１０中の２つの長方形で囲われた部分に表面欠陥が存在する。左側の長方形で囲われた表面欠陥は検出が困難な細長い欠陥を示し、右側の長方形で囲われた表面欠陥は検出が困難な長手方向に短い欠陥を示す。図１０に示した画像は縦１０２４画素、横１０２４画素で縦方向が鋼帯の長さ方向に対応する。図１１は図１０の画像に対して、本発明の欠陥検出処理（ステップＳ３）を適用した実施例である。テクスチャ特徴画像生成ステップＳ３１において、線状欠陥用拡張処理を選択して、６４種類のテクスチャ特徴画像を生成した。また、欠陥候補検出ステップＳ３４において、異常度に対しｐ_thr＝１０^-10としたときの閾値Ｄ_thrを用いて２値化を行い、欠陥候補２００画素未満の連結領域は欠陥候補から除外した。本実施例においては、周囲の鋼帯の模様を誤検出することなく、鋼帯の長手方向に細長い欠陥及び長手方向に短い欠陥のいずれも検出することができた。また、図１２（ｃ）は、本発明の欠陥検出処理（ステップ３）で図１２（ａ）に示す表面欠陥を検出した画像及び画像中の破線部の輝度プロファイルを示す。ｐ_thr＝０．００２７とした。先に示した図１２（ｂ）の非特許文献１の手法による結果と比較して線状欠陥への感度が向上した。

以上、本発明者らによってなされた発明を適用した実施の形態について説明したが、本実施形態による本発明の開示の一部をなす記述及び図面により本発明は限定されることはない。すなわち、本実施形態に基づいて当業者等によりなされる他の実施の形態、実施例、及び運用技術等は全て本発明の範疇に含まれる。

１表面欠陥検査装置
２照明装置
３撮像装置
４画像処理装置
５表示装置
４１画像入力部
４２画像補正部
４３テクスチャ特徴画像生成部
４４テクスチャ特徴抽出部
４５異常度算出部
４６欠陥候補検出部
４７欠陥特徴算出部
４８欠陥判定部
Ｓ鋼帯

Claims

検査対象を撮影して元画像を取得する画像入力ステップと、
前記元画像に対して複数の空間フィルタによるフィルタ処理を施すことにより複数のテクスチャ特徴画像を生成するテクスチャ特徴画像生成ステップと、
前記元画像上の各位置について前記複数のテクスチャ特徴画像の対応する位置の値を各々抽出して前記元画像上の各位置における特徴ベクトルを生成するテクスチャ特徴抽出ステップと、
前記特徴ベクトルの各々について前記特徴ベクトルがなす多次元分布における異常度を算出し、前記元画像上の各位置についての異常度を示した異常度画像を生成する異常度算出ステップと、
前記異常度画像において前記異常度が所定値を超える部分を欠陥部又は欠陥候補部として検出する検出ステップと、
を含むことを特徴とする表面欠陥検査方法。
前記テクスチャ特徴画像生成ステップは、前記空間フィルタによるフィルタ処理を、前記元画像を縮小した画像又は前記テクスチャ特徴画像を縮小した画像に対しても施すことにより、別のテクスチャ特徴画像を生成する処理を含むことを特徴とする請求項１に記載の表面欠陥検査方法。
前記元画像又は前記テクスチャ特徴画像の縮小方向が検出対象である線状欠陥と平行な方向である方向を含むことを特徴とする請求項２に記載の表面欠陥検査方法。
前記複数の空間フィルタがウェーブレット変換により実現されることを特徴とする請求項１〜３のうち、いずれか１項に記載の表面欠陥検査方法。
前記複数の空間フィルタがガボールフィルタを含むことを特徴とする請求項１〜４のうち、いずれか１項に記載の表面欠陥検査方法。
前記特徴ベクトルがなす多次元分布における異常度としてマハラノビス距離を用いることを特徴とする請求項１〜５のうち、いずれか１項に記載の表面欠陥検査方法。
検査対象を撮影する撮像手段と、
前記撮像手段が撮像した前記検査対象の元画像を取得する画像入力手段と、
前記元画像に対して複数の空間フィルタによるフィルタ処理を施すことによって複数のテクスチャ特徴画像を生成するテクスチャ特徴画像生成手段と、
前記元画像上の各位置について前記複数の特徴画像の対応する位置の値を各々抽出して前記元画像上の各位置における特徴ベクトルを生成するテクスチャ特徴抽出手段と、
前記特徴ベクトルの各々について前記特徴ベクトルがなす多次元分布における異常度を算出して、前記元画像上の各位置についての異常度を示した異常度画像を生成する異常度算出手段と、
前記異常度画像において前記異常度が所定値を超える部分を欠陥部又は欠陥候補部として検出する検出手段と、
備えることを特徴とする表面欠陥検査装置。