JP7612282B2 - 表面状態推定方法及び表面状態推定システム - Google Patents

Description

本発明は、表面状態推定方法及び表面状態推定システムに関する。

一般に、工作機械の工具を用いて工作物を加工する場合、工具に摩耗等の劣化が生じて加工精度の低下が生じる虞がある。従って、工具の劣化を管理し、工具の修正を適宜行うことにより、工作物の加工精度を維持することは極めて肝要である。このため、従来から、特許文献１及び特許文献２には、工作物の評価領域における画像を取得し、工具によって加工される工作物の表面粗さを推定する技術が開示されている。

特開２００６－１６２５５８号公報 特開２０１８－４０５９９号公報

ところで、工具の修正を行う場合、頻繁に修正を行うことにより、常に工作物に対する加工精度を良好に維持することができる。しかしながら、工具の修正を行う場合には、工具の修正に要する時間が必要であると共に、工具の修正に要するコストが必要になる。このため、工具を修正するタイミングを適切に設定することは、修正に要する時間の短縮が可能になると共に、修正に要するコストを低減することが可能になるため、極めて有効である。上述した従来の技術によれば、推定される表面粗さに基づいて工具を修正するタイミングを設定することは可能であるが、工作物の表面状態をより精度良く推定することによって精度良く工具を修正するタイミングが設定できることが望まれる。

本発明は、工作物の表面状態を精度良く推定することができる表面状態推定方法及び表面状態推定システムを提供することを目的とする。

（表面状態推定方法）
本発明の一態様は、工具によって工作物を加工する工作機械に適用され、前記工具及び前記工作物における加工面の表面状態を推定する表面状態推定方法であって、
前記加工面の全体を撮像した画像に対して評価領域を設定し、
前記画像を形成する複数のピクセルのうち前記評価領域を隣接する複数の前記ピクセルから形成される複数のエリアに分割し、
各々の前記エリアにおいて、隣接する複数の前記ピクセルのそれぞれの輝度を用いて輝度平均値を算出し、
各々の前記エリアにおいて、隣接する複数の前記ピクセルのそれぞれの前記輝度と前記輝度平均値との差分を表す輝度差分値を算出し、
前記輝度差分値の二乗総和平方根を指標値として算出し、
前記指標値を用いて、前記指標値と相関関係にある前記加工面の表面状態を推定する、表面状態推定方法。
本発明の他の態様は、工具によって工作物を加工する工作機械に適用され、前記工具及び前記工作物における加工面の表面状態を推定する表面状態推定方法であって、
前記加工面を撮像した画像を形成する複数のピクセルのうち隣接する複数の前記ピクセルのそれぞれの輝度を用いて輝度平均値を算出し、
隣接する複数の前記ピクセルのそれぞれの前記輝度と前記輝度平均値との差分を表す輝度差分値を算出し、
前記輝度差分値の二乗総和平方根を指標値として算出し、
前記指標値を用いて、前記指標値と相関関係にある前記加工面の表面状態を推定し、
前記相関関係は、直線近似式により表されるものであり、
前記直線近似式の傾きは、前記画像を形成する複数の前記ピクセルの平均輝度が大きくなるにつれて大きくなり、前記直線近似式の切片は前記平均輝度が大きくなるにつれて小さくなる関係を有し、
前記加工面の表面状態は、前記指標値と、前記平均輝度に基づいて決定される前記傾き及び前記切片を有する前記直線近似式とを用いて推定される、表面状態推定方法にある。

（表面状態推定システム）
本発明の他の態様は、工具によって工作物を加工する工作機械に適用され、前記工具及び前記工作物における加工面の表面状態を推定する表面状態推定システムであって、
前記加工面を撮像し、撮像した画像を出力する撮像装置と、
前記画像に対して評価領域を設定する評価領域設定部、前記画像を形成する複数のピクセルのうち前記評価領域を隣接する複数の前記ピクセルから形成される複数のエリアに分割するエリア分割部、各々の前記エリアにおいて隣接する複数の前記ピクセルのそれぞれの輝度を用いて輝度平均値を算出する輝度平均値算出部、各々の前記エリアにおいて前記輝度平均値算出部によって算出された前記輝度平均値と隣接する複数の前記ピクセルのそれぞれの前記輝度との差分を表す輝度差分値を算出する輝度差分値算出部、及び、前記輝度差分値算出部によって算出された前記輝度差分値の二乗総和平方根を指標値として算出する指標値算出部と、を有する画像評価装置と、
前記画像評価装置によって算出された前記指標値を用いて、前記指標値と相関関係にある前記加工面の表面状態を推定する推定部を有する推定演算装置と、
を備えた、表面状態推定システムにある。
本発明の他の態様は、工具によって工作物を加工する工作機械に適用され、前記工具及び前記工作物における加工面の表面状態を推定する表面状態推定システムであって、
前記加工面を撮像し、撮像した画像を出力する撮像装置と、
前記撮像装置から出力された前記画像を形成する複数のピクセルのうち隣接する複数の前記ピクセルのそれぞれの輝度を用いて輝度平均値を算出する輝度平均値算出部、前記輝度平均値算出部によって算出された前記輝度平均値と隣接する複数の前記ピクセルのそれぞれの前記輝度との差分を表す輝度差分値を算出する輝度差分値算出部、及び、前記輝度差分値算出部によって算出された前記輝度差分値の二乗総和平方根を指標値として算出する指標値算出部と、を有する画像評価装置と、
前記画像評価装置によって算出された前記指標値を用いて、前記指標値と相関関係にある前記加工面の表面状態を推定する推定部を有する推定演算装置と、
を備え、
前記相関関係は、直線近似式により表されるものであり、
前記直線近似式の傾きは、前記画像を形成する複数の前記ピクセルの平均輝度が大きくなるにつれて大きくなり、前記直線近似式の切片は前記平均輝度が大きくなるにつれて小さくなる関係を有し、
前記加工面の表面状態は、前記指標値と、前記平均輝度に基づいて決定される前記傾き及び前記切片を有する前記直線近似式とを用いて推定される、表面状態推定システムにある。

これらによれば、工作物の加工面における輝度に起因する指標値を用いて、工作物の加工面における表面状態を精度良く推定することができる。又、表面状態推定システムは、推定された工作物の加工面の表面状態を用いて、工作物を加工する工作機械の工具の状態も精度良く推定することができる。これにより、工作機械においては、良好な加工精度を維持することができると共に、適切なタイミングにおいて工具を修正したり、加工条件を変更したりすることができる。

従って、工作機械の工具を過度に修正したり、修正が遅れたりすることを防止することができる。これにより、工具を修正するために要する修正時間を短縮することができると共に、工具を修正するためのコストを低減することができる。

表面状態推定システムの構成を示す図である。 図１の工作機械の一例である研削装置の構成を示す図である。 図２の画像取得装置の一例であるカメラの構成を示す図である。物品（生産物）の一例であるラックバーを示す正面図である。 図１の画像評価装置の機能ブロック構成を示す図である。 図３のカメラによって撮像された全体画像及び図４の画像評価装置によって設定される評価領域を説明するための図である。 図４の画像評価装置によって設定されるエリアを説明するための図である。 エリアを構成するピクセルの番号を説明するための図である。 工作物の周方向における輝度の変化を説明するための図である。 輝度差分値を説明するための図である。 表面状態推定システムの機能ブロック構成を示す図である。 指標値と表面粗さとの相関関係を説明するための図である。 第一別例に係り、直線近似式に対する平均輝度の影響を説明するための図である。 第一別例に係り、輝度平均の変化に対する直線近似式の傾き及び切片の変化を説明するための図である。 第二別例に係り、第一方向における輝度の取得を説明するための図である。 第二別例に係り、第一方向における輝度の中央位置の決定を説明するための図である。 第二別例に係り、第二方向における輝度の取得を説明するための図である。 第二別例に係り、第二方向における輝度の中央位置の決定を説明するための図である。 第二別例に係り、評価領域の中央位置の決定を説明するための図である。 第二別例に係り、中央位置がずれた場合の評価領域の設定を説明するための図である。 第二別例に係り、中央位置がずれた場合の評価領域の設定を説明するための図である。 第二別例に係り、評価領域の設定を説明するための図である。 第二別例に係り、評価領域の設定を説明するための図である。

（１．表面状態推定システムの適用対象の工作機械）
表面状態推定システムは、工作機械によって加工された工作物の加工面の表面状態を推定する。工作物を加工する工作機械としては、切削加工を行う各種切削装置（例えば、歯車加工装置やマシニングセンタ等）、研削加工を行う各種研削装置（例えば、円筒研削盤やカム研削盤、平面研削盤等）を挙げることができる。

本例においては、工作機械として、粗研削、精研削、微研削、スパークアウト等の研削加工を経て工作物を研削する研削装置を例示する。ここで、研削装置によって研削加工される工作物としては、例えば、単純軸状部材や、クランクシャフト、カムシャフト、平板等を挙げることができる。尚、本例の工作物としては、後述するように、円筒研削盤によって断面円形の単純軸状部材が研削加工される場合を例示する。

（２．表面状態推定システム１の構成の概要）
次に、表面状態推定システム１の構成の概要について、図１を参照して説明する。表面状態推定システム１は、少なくとも１台の研削装置１０と、画像評価装置２０と、少なくとも１つの演算装置（３０，４０）とを備える。研削装置１０は、１台を対象としても良いし、図１に示すように、複数台を対象としても良い。

本例の表面状態推定システム１は、複数台の研削装置１０を備える場合を例示する。そして、本例の表面状態推定システム１は、各々の研削装置１０に画像評価装置２０が設けられると共に、１つの演算装置３０と研削装置１０の各々に設けられた複数の演算装置４０を備える場合を例に挙げる。

研削装置１０は、粗研削、精研削、微研削、スパークアウト等の研削加工を経て工作物Ｗを研削加工する。研削装置１０には、少なくとも、工作物Ｗの研削加工中において観測可能な研削加工面Ｗ１を撮像する撮像装置としてのカメラ１３が設けられている。

カメラ１３は、研削装置１０により研削加工される工作物Ｗの研削加工面Ｗ１を撮像するものである。カメラ１３は、工作物Ｗに対する研削加工毎の研削加工面Ｗ１の全体を撮像した全体画像を表す全体画像データを出力する。尚、本例においては、カメラ１３を画像取得装置として用いて、工作物Ｗの研削加工面Ｗ１、例えば、外周表面を撮像する。しかし、画像取得装置としては、カメラ１３のように工作物Ｗの研削加工面Ｗ１を撮像して全体画像を得ることに限られず、例えば、研削加工面Ｗ１の凹凸を全体画像として取得可能な３Ｄスキャナ装置等を用いることも可能である。

画像評価装置２０は、カメラ１３から出力された全体画像（全体画像データ）を取得する。そして、画像評価装置２０は、全体画像（全体画像データ）のうち、表面状態を推定する評価領域の表面状態に対応して変化する輝度を表す指標値を出力する。

本例の画像評価装置２０は、撮像された評価領域について、互いに隣接するピクセルを含む複数のエリアごとのエリア指標値を算出し、全エリア指標値を二乗総和平方根することにより、評価領域の指標値を算出する。ここで、本例の画像評価装置２０は、エリア指標値として、エリアを構成する各々のピクセルの輝度（例えば、０－２５５までの２５６段階で表される輝度）とエリアにおける輝度の平均値との差分を、エリア指標値として算出する。

演算装置（３０，４０）は、本例においては、画像評価装置２０から出力された指標値を用いた機械学習を適用することにより、指標値と相関関係を有する工作物Ｗの研削加工面Ｗ１における表面状態としての表面粗さを推定する。尚、機械学習を適用することによって得られる相関関係は、画像評価装置２０から得られる指標値と、粗さ計２により実測された工作物Ｗの研削加工面Ｗ１の表面粗さ（実粗さ値）との相関を表す。

ここで、本例においては、図１に示すように、演算装置（３０，４０）は、学習処理装置３０と推定演算装置４０とにより構成する。尚、学習処理装置３０と推定演算装置４０とは、独立した構成として示すが、１つの装置とすることもできる。又、演算装置（３０，４０）の一部又は全部は、複数台の研削装置１０を含んで構成される生産ラインへの組込みシステムとすることもできる。

本例では、学習処理装置３０は、所謂、サーバ機能を有しており、複数台の研削装置１０の各々に設けられた複数の推定演算装置４０と通信可能に接続されている。又、推定演算装置４０は、各々の研削装置１０に一対一で設けられて、所謂、エッジコンピュータとして機能し、高速演算処理を実現可能としている。

（３．表面状態推定システム１の構成の詳細）
表面状態推定システム１の構成について、図１を参照して、より詳細に説明する。表面状態推定システム１は、複数台（本例においては、２台）の研削装置１０、各々の研削装置１０に設けられた画像評価装置２０、演算装置の一部として機能する１台の学習処理装置３０、演算装置の他の一部として機能して各々の研削装置１０に設けられた推定演算装置４０を備える。

研削装置１０は、砥石Ｔを用いて工作物Ｗの研削加工面Ｗ１の研削加工を行う研削盤１１と、研削盤１１を制御する制御装置１２と、画像取得装置としてのカメラ１３と、インターフェース１４とを主に備える。

本例においては、研削盤１１として、図２に示すように、砥石台トラバース型の円筒研削盤５０を例に挙げる。尚、研削盤１１は、テーブルトラバース型を用いることもできる。

円筒研削盤５０は、軸状部材である工作物Ｗの外周面即ち研削加工面Ｗ１を研削するための工作機械である。円筒研削盤５０は、図２に示すように、主としてベッド５１、主軸台５２、心押台５３、トラバースベース５４、砥石台５５、砥石車５６（砥石Ｔ）、定寸装置５７、及び、砥石車修正装置５８を備える。

ベッド５１は、設置面上に固定されている。主軸台５２は、ベッド５１の上面において、Ｘ軸方向の手前側（図２の下側）且つＺ軸方向の一端側（図２の左側）に設けられている。主軸台５２は、工作物ＷをＺ軸回りに回転可能に支持する。工作物Ｗは、主軸台５２に設けられたモータ５２ａの駆動により回転される。

心押台５３は、ベッド５１の上面において、主軸台５２に対してＺ軸方向に対向する位置、即ち、Ｘ軸方向の手前側（図２の下側）且つＺ軸方向の他端側（図２の右側）に設けられている。これにより、工作物Ｗは、主軸台５２及び心押台５３によって回転可能に両端支持される。

トラバースベース５４は、ベッド５１の上面において、Ｚ軸方向に移動可能に設けられている。トラバースベース５４は、ベッド５１に設けられたモータ５４ａの駆動により移動する。砥石台５５は、トラバースベース５４の上面において、Ｘ軸方向に移動可能に設けられている。砥石台５５は、トラバースベース５４に設けられたモータ５５ａの駆動により移動する。砥石車５６（工具Ｔ）は、砥石台５５に回転可能に支持されている。砥石車５６は、砥石台５５に設けられたモータ５６ａの駆動により回転する。砥石車５６は、複数の砥粒がボンド材により固定されて構成されている。

定寸装置５７は、工作物Ｗの寸法（径）を測定する。定寸装置５７は、ベッド５１の上面において、Ｚ軸方向に移動可能に設けられている。定寸装置５７は、ベッド５１に設けられた送り機構５７ａによりＺ軸方向の位置が制御される。

砥石車修正装置５８は、砥石車５６の形状を修正する。即ち、砥石車修正装置５８は、砥石車５６のツルーイングやドレッシングを行う装置である。ここで、ツルーイングは、形直し作業であり、研削加工によって砥石車５６に劣化、例えば、摩耗や摩滅、砥粒の脱落、或いは、砥粒の破砕等が生じた場合に工作物Ｗの形状に合わせて砥石車５６を成形する作業、偏摩耗による砥石車５６の振れを取り除く作業である。ドレッシングは、砥石車５６の目直し（目立て）作業であり、砥粒の突き出し量を調整する作業、砥粒の切れ刃を創成する作業である。つまり、ドレッシングは、目つぶれや、目詰まり、目こぼれ等を修正する作業であり、通常、ツルーイング後に行われる。

制御装置１２は、ＣＮＣ装置及びＰＬＣ装置等を含み、図２に示すように、本例においては円筒研削盤５０（研削盤１１）に設けられる。制御装置１２は、工作物Ｗの形状、加工条件、砥石車５６（工具Ｔ）の形状、クーラントの供給タイミング情報等の作動指令データに基づいて生成されたＮＣプログラムに従い、円筒研削盤５０における各モータ５２ａ，５４ａ，５５ａ，５６ａ等を制御する。即ち、制御装置１２は、動作指令データが入力されることにより、動作指令データに基づいてＮＣプログラムを生成する。

これにより、制御装置１２は、円筒研削盤５０（研削盤１１）の作動を制御して、工作物Ｗの研削加工面Ｗ１の研削加工を行う。ここで、制御装置１２は、定寸装置５７により測定される工作物Ｗの寸法（径）に基づいて、工作物Ｗの研削加工面Ｗ１が仕上形状となるまで研削加工を行う。このため、制御装置１２が生成するＮＣプログラムは、研削加工内容、即ち、粗研削、精研削、微研削及びスパークアウト等に応じて生成される。

又、制御装置１２は、ベッド５１に設けられており、インターフェース１４を介して推定演算装置４０と通信可能とされている（図１を参照）。これにより、本例の制御装置１２は、砥石車５６を修正するタイミングとして、推定演算装置４０から出力される修正信号Ｒを取得したタイミングにおいて、各モータ５２ａ，５４ａ，５５ａ，５６ａ及び砥石車修正装置５８等を制御することにより、砥石車５６の修正（ツルーイング又は／及びドレッシング）を行う。ここで、本例の推定演算装置４０は、後述するように、推定した研削加工面Ｗ１の表面状態即ち表面粗さに基づいて、修正信号Ｒを制御装置１２に対して出力する。

カメラ１３は、図２に示すように、トラバースベース５４に設けられており、工作物Ｗの研削加工面Ｗ１に撮像用の光が照射された状態で、研削加工面Ｗ１の画像を撮像する。このため、カメラ１３には、図３に示すように、例えば、カメラ１３のレンズ（図示省略）と同心円状に配置されて環状の撮像用の光を照射する照明装置１３ａが設けられる。そして、カメラ１３は、撮像用の光を反射した研削加工面Ｗ１を撮像した全体画像を表す全体画像データＺを、例えば、制御装置１２のインターフェース１４を介して、画像評価装置２０に出力する（図１を参照）。

画像評価装置２０は、図４に示すように、評価領域設定部２１、エリア分割部２２、輝度取得部２３、指標値算出部２４を備える。画像評価装置２０は、図５に示すように、カメラ１３によって撮像された研削加工面Ｗ１の全体画像を表す全体画像データＺを取得する。ここで、上述したように、カメラ１３は、環状の撮像用の光を照射する。このため、工作物Ｗの研削加工面Ｗ１を撮像した全体画像データＺにおいては、光を強く反射する第一部位（図５において、白色で示す）と、反射した光が弱い第二部位（図５において、梨地で示す）とが存在する。尚、本例においては、全体画像データＺにおいて、光を強く反射する第一部位が二箇所存在する場合を例示する。

評価領域設定部２１は、カメラ１３から出力された全体画像データＺを取得し、全体画像データＺによって表される研削加工面Ｗ１のうち、表面状態即ち表面粗さを評価する評価領域ＨＲを設定する。本例においては、図５にて太実線により示すように、評価領域設定部２１は、二箇所の第一部位が含まれるように、評価領域ＨＲを設定する。

エリア分割部２２は、図６に示すように、評価領域ＨＲを構成する各ピクセル（図６にて小さい正方形によって示す）のうち、互いに隣接する４つのピクセルをエリアＡとして設定し、評価領域ＨＲの全体をｎ個のエリアＡに分割する。ここで、本例においては、エリアＡを４つのピクセルを有するようにするが、エリアＡを構成するピクセルの数については、これに限定されない。又、本例においては、図６に示すように、評価領域ＨＲが、２^Ｎ×２^Ｍ個のピクセルから構成される場合を例示する。

この場合、各ピクセルには、それぞれ、識別するための番号が割り当てられ、例えば、図６に示すように、評価領域ＨＲの左上のピクセルに「０」が割り当てられ、ピクセル「０」の右隣りに隣接するピクセルには「１」が割り当てられ、評価領域ＨＲの第一列の最後のピクセルには「２^Ｎ－１」が割り当てられる。同様に、評価領域ＨＲのピクセル「０」の直下に隣接するピクセルには「２^Ｎ」が割り当てられ、ピクセル「２^Ｎ」の右隣りに隣接するピクセルには「２^Ｎ＋１」が割り当てられ、評価領域ＨＲの第二列の最後のピクセルには「２×２^Ｎ－１」が割り当てられる。同様に、評価領域ＨＲのピクセル「２^Ｎ」の直下に隣接するピクセルには「２×２^Ｎ」が割り当てられ、評価領域ＨＲの第Ｍ列の最初のピクセルには「（２^Ｍ－１）×２^Ｎ」が割り当てられ、第Ｍ列の最後のピクセルには「２^{（Ｍ＋Ｎ）}－１」が割り当てられる。

これにより、図６にて梨地で示す第ｍ番目のエリアＡｍを構成する４つのピクセルに割り当てられる番号は、図７に示すように、エリアＡｍの左上に位置する第一ピクセルＰ１には「２ｉ＋２ｊ×２^Ｎ」、第一ピクセルＰ１に対して右隣りに隣接する第二ピクセルＰ２には「２ｉ＋２ｊ×２^Ｎ＋１」がそれぞれ割り当てられる。又、エリアＡｍにおいて、第一ピクセルＰ１に対して直下に隣接する第三ピクセルＰ３には「２ｉ＋２^Ｎ＋２ｊ×２^Ｎ」、第三ピクセルＰ３に対して右隣りに隣接する（即ち、第二ピクセルＰ２に対して直下に隣接する）第四ピクセルＰ４には「２ｉ＋２^Ｎ＋２ｊ×２^Ｎ＋１」がそれぞれ割り当てられる。ここで、「ｉ」は「０」から「２^Ｎ－１－１」まで変化する値であり、「ｊ」は「０」から「２^Ｍ－１－１」まで変化する値である。

そして、エリア分割部２２は、ｎ個に分割した各々のエリアＡを構成する４つの第一ピクセルＰ１、第二ピクセルＰ２、第三ピクセルＰ３及び第四ピクセルＰ４について、それぞれの輝度φ即ちエリアＡを構成する第一ピクセルＰ１の輝度φ_１、第二ピクセルＰ２の輝度φ_２、第三ピクセルＰ３の輝度φ_３及び第四ピクセルＰ４の輝度φ_４を含む輝度データＳＰ（ｎ）を輝度取得部２３に出力する。ここで、本例において、輝度データＳＰ（ｎ）は、それぞれの輝度φを、例えば、０－２５５までの２５６段階によって表したデータである。

尚、輝度φは、「０」に近づくほど輝度が小さい（暗い）ことを表し、「２５５」に近づくほど輝度が大きい（明るい）ことを表す。このため、評価領域ＨＲの全体について、各々のピクセルの輝度φを番号順に並べた場合、図８に示すように、例えば、図５にて矢印で示すように、工作物Ｗの研削加工面Ｗ１の周方向に沿って輝度φが変化する。特に、全体画像データＺの第一部位に対応するピクセルについては、輝度φが「２５５」で一定になる。即ち、第一部位に対応するピクセルついては、所謂、「白飛び」になる。

ここで、輝度φの評価領域ＨＲにおける分布は、研削加工面Ｗ１の表面状態、具体的には、表面粗さに応じて変化する。つまり、照明装置１３ａから照射された光が研削加工面Ｗ１に当たったとき、面の微視的な傾斜角に応じた正反射光と散乱光による反射光が発生するが、表面粗さが大きくなるに従い微視的に急峻な変化が起こることから、大きな明暗差を生じる箇所が発生する。これにより、輝度φの分布の変化は、研削加工面Ｗ１の表面粗さ（実粗さ値ＪＳ）が粗くなる（大きくなる）につれて大きくなり、表面粗さ（実粗さ値ＪＳ）が滑らかになる（小さくなる）につれて小さくなる傾向を有する。

輝度取得部２３は、エリア分割部２２から出力されたｎ個のエリアごとの輝度データＳＰ（ｎ）を取得する。ここで、輝度取得部２３が取得する輝度データＳＰ（ｎ）は、第一ピクセルＰ１の輝度φ_１、第二ピクセルＰ２の輝度φ_２、第三ピクセルＰ３の輝度φ_３及び第四ピクセルＰ４の輝度φ_４を用いて、ＳＰ（ｎ）＝（φ_１，φ_２，φ_３，φ_４）で表されるデータである。輝度取得部２３は、図４に示すように、輝度平均値算出部２３１及び輝度差分値算出部２３２を備える。

輝度平均値算出部２３１は、エリアＡを構成する第一ピクセルＰ１、第二ピクセルＰ２、第三ピクセルＰ３及び第四ピクセルＰ４のそれぞれの輝度（φ_１，φ_２，φ_３，φ_４）を用いて輝度平均値φ_ａ（ｎ）を算出する。即ち、輝度平均値算出部２３１は、下記式１に従って、輝度平均値φ_ａ（ｎ）を算出する。

輝度差分値算出部２３２は、エリアＡを構成する第一ピクセルＰ１、第二ピクセルＰ２、第三ピクセルＰ３及び第四ピクセルＰ４のそれぞれの輝度（φ_１，φ_２，φ_３，φ_４）と、輝度平均値算出部２３１によって算出された輝度平均値φ_ａ（ｎ）との輝度差分値Δφ（ｎ）を算出する。即ち、輝度差分値算出部２３２は、下記式２－５に従って輝度差分値Δφ（ｎ）を算出する。ここで、輝度差分値Δφ（ｎ）は、φ_ａ（ｎ）と第一ピクセルＰ１の輝度φ_１との輝度差分値Δφ_１、φ_ａ（ｎ）と第二ピクセルＰ２の輝度φ_２との輝度差分値Δφ_２、φ_ａ（ｎ）と第三ピクセルＰ３の輝度φ_３との輝度差分値Δφ_３、φ_ａ（ｎ）と第四ピクセルＰ４の輝度φ_４との輝度差分値Δφ_４を用いて、輝度差分値Δφ（ｎ）＝（Δφ_１，Δφ_２，Δφ_３，Δφ_４）で表される。

ここで、輝度差分値算出部２３２によって算出された輝度差分値Δφ（ｎ）について、図８に対応させて図９に示すように、研削加工面Ｗ１の第一部位に対応する白飛びしたピクセルの輝度差分値Δφ（ｎ）は、「０」になる。即ち、ピクセルが白飛びする状態は、輝度の上限（例えば、「２５５」）を超えた輝度を有する場合であり、工作物Ｗの研削加工面Ｗ１の表面状態（表面粗さ）を正確に反映していない。従って、輝度差分値Δφ（ｎ）を算出することにより、白飛びしたピクセルの表面状態（表面粗さ）の推定に対する影響を排除することができ、その結果、後述する研削加工面Ｗ１の表面状態（表面粗さ）を正確に推定することが可能となる。

尚、本例においては、輝度差分値算出部２３２は、輝度差分値Δφ（ｎ）＝（Δφ_１，Δφ_２，Δφ_３，Δφ_４）を算出すると、エリアＡについて各々の輝度差分値（Δφ_１，Δφ_２，Δφ_３，Δφ_４）を二乗合算した輝度差分二乗総和値Δφｇ（ｎ）を算出することができる。即ち、輝度差分値算出部２３２は、下記式６に従って、エリアＡごとの輝度差分二乗総和値Δφｇ（ｎ）を算出することができる。

そして、輝度差分値算出部２３２は、ｎ個のエリアＡの各々について輝度合算値Δφｇ（ｎ）を算出すると、算出した輝度差分二乗総和値Δφｇ（ｎ）（又は、輝度差分値Δφ（ｎ））を指標値算出部２４に出力する。

指標値算出部２４は、ｎ個のエリアＡの全てについて、輝度差分値算出部２３２によって算出された輝度差分二乗総和値Δφｇ（ｎ）（又は、輝度差分値Δφ（ｎ））を用いて、二乗総和平均値を算出することによって指標値ＫＩを算出する。即ち指標値算出部２４は、下記式７に従って、全エリアＡの輝度差分二乗総和値Δφｇ（ｎ）（又は、輝度差分値Δφ（ｎ））の二乗総和平均値を指標値ＫＩとして算出する。

尚、前記式７における右辺の分母「４ｎ」は、本例のエリアＡが２×２のピクセルを有するためである。例えば、エリアＡが４×４のピクセルを有する場合には、前記式７における右辺の分母は「１６ｎ」になる。そして、指標値算出部２４は、指標値ＫＩを算出すると、学習処理装置３０及び推定演算装置４０に指標値ＫＩを出力する。

学習処理装置３０は、図１に示すように、プロセッサ３１、記憶装置３２、インターフェース３３等を備えて構成される。又、学習処理装置３０は、サーバ機能を有しており、複数台の研削装置１０即ち研削盤１１であって円筒研削盤５０の各々に設けられた画像評価装置２０（或いは、離間した他の工場にて稼働する円筒研削盤５０に設けられた画像評価装置２０を含む）と通信可能に接続されている。

学習処理装置３０は、画像評価装置２０から出力された指標値ＫＩと、インターフェース３３を介して接続された粗さ計２から出力された工作物Ｗの研削加工面Ｗ１の表面状態に対応する実粗さ値ＪＳとに基づいて、機械学習を行う。そして、学習処理装置３０は、工作物Ｗの研削加工面Ｗ１の表面状態即ち表面粗さを推定するための学習済みモデルを生成する。

それぞれの推定演算装置４０は、図１に示すように、プロセッサ４１、記憶装置４２、インターフェース４３等を備えて構成される。又、推定演算装置４０は、サーバとしての学習処理装置３０及び対応する画像評価装置２０と通信可能に接続されている。

推定演算装置４０は、それぞれの研削装置１０の制御装置１２と通信可能に設置されており、エッジコンピュータとして機能する。推定演算装置４０は、学習処理装置３０により生成された学習済みモデルを用いて、工作物Ｗの研削加工中（又は、研削加工後でも良い）に画像評価装置２０から特徴量として取得した指標値ＫＩに基づいて、工作物Ｗの研削加工面Ｗ１の表面状態即ち表面粗さを推定する。

（４．表面状態推定システム１の機能ブロック構成）
表面状態推定システム１の機能ブロックについて、図１０を参照して説明する。表面状態推定システム１は、上述したように、研削装置１０に設けられたカメラ、画像評価装置２０、学習処理装置３０及び推定演算装置４０を備える。

学習処理装置３０は、画像評価装置２０から出力された指標値ＫＩと、粗さ計２（図１を参照）によって測定された研削加工面Ｗ１の表面粗さを表す実粗さ値ＪＳとに基づいて、研削加工面Ｗ１の表面粗さを推定するための学習済みモデルを生成する。学習処理装置３０は、訓練用データセット取得部６１、訓練用データセット記憶部６２、モデル生成部６３を備える。

訓練用データセット取得部６１は、機械学習を行うための訓練用データセットを取得する。訓練用データセット取得部６１は、指標値取得部６１ａと、実粗さ値取得部６１ｂとを備える。指標値取得部６１ａは、画像評価装置２０から指標値ＫＩを訓練用データセットとして取得する。実粗さ値取得部６１ｂは、粗さ計２から実粗さ値ＪＳを訓練用データセットとして取得する。

訓練用データセット記憶部６２は、訓練用データセット取得部６１によって取得された指標値ＫＩと実粗さ値ＪＳとを関連付けて訓練用データセットとして記憶する。即ち、訓練用データセット記憶部６２は、工作物Ｗの研削加工面Ｗ１の表面状態即ち表面粗さに依存して変化する指標値ＫＩと、実際に計測された研削加工面Ｗ１の表面粗さ（実粗さ値）とを関連付けて記憶する。

モデル生成部６３は、訓練用データセット記憶部６２に記憶された訓練用データセットを用いて機械学習を行う。具体的には、モデル生成部６３は、訓練用データセット記憶部６２に互いに関連付けて記憶されている指標値ＫＩを説明変数とし、表面粗さ（実粗さ値）を目的変数とした機械学習を行う。そして、モデル生成部６３は、指標値ＫＩと表面粗さＪＳ（実粗さ値）との間の相関関係を表す学習済みモデルを生成する。

ここで、モデル生成部６３によって生成される学習済みモデルを例示する。モデル生成部６３は、機械学習を行うに当たり、複数の工作物Ｗの研削加工面Ｗ１についての指標値ＫＩ及び表面粗さＪＳを用いる。尚、表面粗さＪＳについては、１つの工作物Ｗの研削加工面Ｗ１において、複数の研削点（例えば、７箇所）にて計測される。この場合、図１１に示すように、例えば、８つの工作物Ｗ即ち工作物Ｗａ，Ｗｂ，Ｗｃ，Ｗｄ，Ｗｅ，Ｗｆ，Ｗｇ，Ｗｈの各々について、複数の研削点に対応する指標値ＫＩと表面粗さＪＳとをプロットすることができる。尚、工作物Ｗの研削加工時期について、工作物Ｗａが最初に研削加工され、工作物Ｗｈが最後に研削加工されるものとする。

これによれば、研削加工時期が最初の工作物Ｗａ（図１１にて白抜きの丸で示す）は、指標値ＫＩ及び表面粗さＪＳが共に小さく、研削加工時期が最後の工作物Ｗｈ（図１１にて黒のひし形で示す）は、指標値ＫＩ及び表面粗さＪＳが共に大きくなる。即ち、指標値ＫＩについては、工作物Ｗｂ（図１１にて黒の丸で示す）は工作物Ｗａよりも大きくなる傾向を有し、工作物Ｗｃ（図１１にて白抜きの三角で示す）は工作物Ｗｂよりも大きくなる傾向を有する。同様に、指標値ＫＩについて、工作物Ｗｄ（図１１にて黒の三角で示す）は工作物Ｗｃより大きくなる傾向を有し、工作物Ｗｅ（図１１にて白抜きの四角で示す）は工作物Ｗｄよりも大きくなる傾向を有し、工作物Ｗｆ（図１１にて黒の四角で示す）は工作物Ｗｅよりも大きくなる傾向を有し、工作物Ｗｇ（図１１にて白抜きのひし形で示す）は工作物Ｗｆよりも大きく且つ工作物Ｗｈよりも小さくなる傾向を有する。

又、表面粗さＪＳについては、工作物Ｗｂは工作物Ｗａよりも大きくなる傾向を有し、工作物Ｗｃは工作物Ｗｂよりも大きくなる傾向を有する。同様に、表面粗さＪＳについて、工作物Ｗｄは工作物Ｗｃより大きくなる傾向を有し、工作物Ｗｅは工作物Ｗｄよりも大きくなる傾向を有し、工作物Ｗｆは工作物Ｗｅよりも大きくなる傾向を有し、工作物Ｗｇは工作物Ｗｆよりも大きく且つ工作物Ｗｈよりも小さくなる傾向を有する。

これら指標値ＫＩと表面粗さＪＳの変化の傾向について、各々の工作物Ｗの平均値（図１１にて二重丸で示す）をプロットすると、図１１にて太実線により示すように、平均値は直線近似式により近似することができる。即ち、指標値ＫＩと表面粗さＪＳとの相関関係は、本例においては、直線近似式により表すことができる。従って、本例のモデル生成部６３は、機械学習を行うことにより、指標値ＫＩと表面粗さＪＳとの相関関係を表す直線近似式を学習済みモデルとして生成する。

推定演算装置４０は、学習処理装置３０によって生成された学習済みモデルと、画像評価装置２０から取得した指標値ＫＩとを用いて工作物Ｗの研削加工面Ｗ１の表面粗さＳＳを推定し、推定した表面粗さＳＳに基づいて円筒研削盤５０の砥石車５６（工具Ｔ）の修正の要否を判定する。そして、推定演算装置４０は、砥石車５６（工具Ｔ）の修正が必要である場合には、制御装置１２に対して修正信号Ｒを出力する。このため、推定演算装置４０は、図１０に示すように、モデル記憶部７１、指標値取得部７２、表面粗さ推定部７３、判定部７４、出力部７５を備える。

モデル記憶部７１は、モデル生成部６３が生成した学習済みモデル（例えば、指標値ＫＩと表面粗さＪＳとの相関関係を表す直線近似式）を記憶する。指標値取得部７２は、画像評価装置２０から指標値ＫＩを取得する。ここで、指標値取得部７２は、訓練用データセット取得部６１の指標値取得部６１ａと同様の処理を行う。

尚、本例においては、指標値取得部７２は、訓練用データセット取得部６１の指標値取得部６１ａとは別要素として説明する。但し、訓練用データセット取得部６１の指標値取得部６１ａを、指標値取得部７２と兼用することも可能である。即ち、学習処理装置３０における要素６１ａの機能が、推定演算装置４０の一部の機能と兼用される。

表面粗さ推定部７３は、モデル記憶部７１に記憶された学習済みモデルを取得する。又、表面粗さ推定部７３は、指標値取得部７２によって取得された指標値ＫＩを取得する。これにより、表面粗さ推定部７３は、学習済みモデルと、指標値ＫＩとに基づいて、工作物Ｗの研削加工面Ｗ１における表面粗さＳＳを推定する。

判定部７４は、表面粗さ推定部７３によって推定された研削加工面Ｗ１の表面粗さＳＳが、研削加工工程（即ち、粗研削、精研削、微研削及びスパークアウト）ごとに研削加工面Ｗ１について予め設定された基準表面粗さＳＲ以上であるか否かを判定する。そして、判定部７４は、表面粗さＳＳが基準表面粗さＳＲ以上であれば、円筒研削盤５０（研削盤１１）の砥石車５６（工具Ｔ）の劣化が進んでおり、研削加工面Ｗ１を適切に研削加工することができない、即ち、修正が必要であると判定する。一方、判定部７４は、表面粗さＳＳが基準表面粗さＳＲ未満であれば、円筒研削盤５０（研削盤１１）の砥石車５６（工具Ｔ）の劣化が進んでおらず、研削加工面Ｗ１を適切に研削加工することができる、即ち、修正が不要であると判定する。

出力部７５は、判定部７４による判定結果に応じて、修正信号Ｒを制御装置１２に対して出力する。即ち、出力部７５は、判定部７４によって砥石車５６（工具Ｔ）の修正が必要であると判定された場合、修正信号Ｒを制御装置１２に対して出力する。又、出力部７５は、判定部７４によって砥石車５６（工具Ｔ）の修正が不要であると判定された場合、修正信号Ｒを制御装置１２に対して出力しない。

これにより、円筒研削盤５０（研削盤１１）の制御装置１２においては、砥石車５６（工具Ｔ）の劣化が進んだ場合、即ち、砥石車５６（工具Ｔ）の修正が必要な場合には、インターフェース１４を介して推定演算装置４０の出力部７５から修正信号Ｒを取得する。そして、制御装置１２は、砥石車修正装置５８を制御して、砥石車５６の修正を行う。即ち、砥石車修正装置５８は、砥石車５６に対して、ツルーイング又は／及びドレッシングを行う。これにより、適切なタイミングにより、且つ、適切な回数だけ、砥石車５６の修正を行うことができる。従って、修正に要する時間を短縮することができると共に、修正に要するコストも低減することができる。

以上の説明からも理解できるように、本例の表面状態推定システム１によれば、工作物Ｗの研削加工面Ｗ１における輝度に起因する指標値ＫＩを用いて、工作物Ｗの研削加工面Ｗ１における表面状態である表面粗さＳＳを精度良く推定することができる。そして、表面状態推定システム１は、推定された表面粗さＳＳを用いて、研削加工面Ｗ１を研削加工する研削装置１０である円筒研削盤５０（研削盤１１）の砥石車５６（工具Ｔ）の劣化の進行具合を判定して、修正信号Ｒを出力することができる。これにより、研削装置１０の制御装置１２は、修正信号Ｒを取得したタイミングにおいて、砥石車修正装置５８を制御し、砥石車５６をツルーイング又は／及びドレッシングして修正することができる。

従って、円筒研削盤５０（研削盤１１）の砥石車５６（工具Ｔ）を過度に修正したり、修正が遅れたりすることを防止することができる。これにより、砥石車５６を修正するために要する修正時間を短縮することができると共に、砥石車５６を修正するためのコストを低減することができる。

（５．第一別例）
上述した本例においては、推定演算装置４０が学習処理装置３０によって生成された学習済みモデルと、画像評価装置２０から取得した指標値ＫＩとを用いて工作物Ｗの研削加工面Ｗ１の表面状態即ち表面粗さＳＳを推定するようにした。ところで、指標値ＫＩは、上述したように、研削加工面Ｗ１の表面粗さに起因して変化する輝度φに関連する値である。このため、指標値ＫＩを用いて表面粗さＳＳを推定する場合には、研削加工面Ｗ１の全体即ち評価領域ＨＲの全体における平均輝度を揃える必要がある。換言すれば、平均輝度が同一或いは平均輝度の変化の影響を排除することができれば、指標値ＫＩから表面粗さＳＳに変換することが可能となる。

ここで、図１２に示すように、例えば、上述した本例において推定演算装置４０が用いる学習済みモデル、即ち、指標値ＫＩと表面粗さＳＳの相関関係（相関関数）を表す直線近似式は、平均輝度が大きくなる（明るくなる）に連れて、傾きの値が大きくなる一方で切片の値が小さくなる傾向を有する。逆に、直線近似式は、平均輝度が小さくなる（暗くなる）に連れて、傾きの値が小さくなる一方で切片の値が大きくなる傾向を有する。

即ち、研削加工面Ｗ１（評価領域ＨＲ）における平均輝度φｉの変化に対する直線近似式の傾きｋ（φｉ）の線形近似関係、及び、平均輝度φｉの変化に対する直線近似式の切片ｂ（φｉ）の線形近似関係は、図１３に示すようになる。尚、図１３において、白抜きの丸は直線近似式（即ち、二乗総和平均値線）における傾きを表し、白抜きの三角は直線近似式（即ち、二乗総和平均値線）における切片を表す。これらの線形近似関係に従えば、例えば、画像評価装置２０から評価領域ＨＲにおける平均輝度φｉ（＝２^{（Ｎ＋Ｍ）}個のピクセルの輝度φの総和をピクセルの数２^Ｎ×２^Ｍ個で除した値）を取得することにより、平均輝度φｉに対応する傾きｋ（φｉ）及び切片ｂ（φｉ）を決定することができる。

従って、推定演算装置４０が指標値ＫＩ及び直線近似式（学習済みモデル）を用いて、表面粗さＳＳを演算して推定する場合においては、ＫＩ＝ｋ（φｉ）×ＳＳ＋ｂ（φｉ）が成立するため、平均輝度φｉに応じた傾きｋ（φｉ）及び切片ｂ（φｉ）を用いたＳＳ＝（ＫＩ－Ｂ（φｉ））／ｋ（φｉ）に従って表面粗さＳＳを演算して推定することができる。即ち、この場合には、平均輝度φｉに応じた傾きｋ（φｉ）及び切片ｂ（φｉ）を用いることにより、正規化されており、指標値ＫＩを直接的に表面粗さＳＳに変換することができる。

従って、第一別例においては、より容易に指標値ＫＩから表面粗さＳＳを演算により推定することが可能となる。又、第一別例においては、正規化することにより、研削加工面Ｗ１（評価領域ＨＲ）における平均輝度φｉの差の影響を排除することができるため、より正確に表面粗さＳＳを演算して推定することができる。

（６．第二別例）
上述した本例及び第一別例においては、画像評価装置２０は、例えば、研削加工面Ｗ１に存在する第一部位及び第二部位が含まれるように評価領域ＨＲを設定するようにした。ところで、研削装置１０においては、順次供給される複数の工作物Ｗの研削加工面Ｗ１について研削加工を行う。この場合、個々の工作物Ｗにおいては、例えば、加工位置誤差や研削加工ロットの前半又は後半の加工時期差により、研削加工面Ｗ１の状態が変化する。この場合、予め設定された同一の位置に基づいて評価領域ＨＲを設定すると、各々の工作物Ｗについて設定される評価領域ＨＲにずれが生じ、その結果、表面粗さＳＳの推定精度が低下する可能性がある。

そこで、第二別例においては、異なる工作物Ｗの間で、画像評価装置２０の評価領域設定部２１がずれを生じさせないように評価領域ＨＲを設定できるようにする。具体的に、評価領域設定部２１は、カメラ１３から出力された全体画像データＺにおいて、各ピクセルの輝度φを、例えば、工作物Ｗの周方向に対応する第一方向と工作物Ｗの軸方向に対応する即ち第一方向に対して直交する第二方向とで取得する。そして、第一方向に沿って取得した輝度φの変化に基づいて全体画像データＺの第一方向における中央位置を特定すると共に、第二方向に沿って取得した輝度φの変化に基づいて全体画像データＺの第二方向における中央位置を特定する。

そして、第一方向における中央位置を通る直線と第二方向における中央位置を通る直線との交点を評価領域ＨＲの中心として設定し、予め設定された大きさの評価領域ＨＲを設定する。これにより、異なる工作物Ｗであっても、評価領域ＨＲを適切に設定することができる。以下、この第二別例を詳細に説明する。

第二別例の評価領域設定部２１は、カメラ１３から出力された全体画像データＺを取得する。評価領域設定部２１は、図１４にて矢印を示すように、全体画像データＺにおいて、工作物Ｗ（研削加工面Ｗ１）の周方向に対応する第一方向に沿って複数のピクセルの輝度φを取得し、取得した複数の輝度φを平均処理して輝度総和平均値φｓａ１を算出する。そして、評価領域設定部２１は、第一方向における輝度総和平均値φｓａ１を、工作物Ｗ（研削加工面Ｗ１）の軸方向（即ち第二方向）に沿って複数列だけ算出する。これにより、図１５に示すように、第一方向における輝度総和平均値φｓａ１の変化を取得することができる。

評価領域設定部２１は、取得した輝度総和平均値φｓａ１の変化において、輝度総和平均値φｓａ１が予め設定された閾値Ｌ１（図１５にて破線により示す）を小さな値から大きな値になって超える点を下限点Ｑ１１として設定し、輝度総和平均値φｓａ１が閾値Ｌ１を大きな値から小さな値になって超える点を上限点Ｑ１２として設定する。そして、評価領域設定部２１は、下限点Ｑ１１と上限点Ｑ１２との中央値を、図１５にて一点鎖線により示すように、第一方向における中央位置Ｑ１３として設定する。

又、評価領域設定部２１は、図１６にて矢印を示すように、全体画像データＺにおいて、工作物Ｗ（研削加工面Ｗ１）の軸方向に対応する第二方向に沿って複数のピクセルの輝度φを取得し、取得した複数の輝度φを平均処理して輝度総和平均値φｓａ２を算出する。そして、評価領域設定部２１は、第二方向における輝度総和平均値φｓａ２を、工作物Ｗ（研削加工面Ｗ１）の周方向（即ち第一方向）に沿って複数列だけ算出する。これにより、図１７に示すように、第二方向における輝度総和平均値φｓａ２の変化を取得することができる。

評価領域設定部２１は、取得した輝度総和平均値φｓａ２の変化において、輝度総和平均値φｓａ２が予め設定された閾値Ｌ２（図１７にて破線により示す）を小さな値から大きな値になって超える点を下限点Ｑ２１として設定し、輝度総和平均値φｓａ２が閾値Ｌ２を大きな値から小さな値になって超える点を上限点Ｑ２２として設定する。そして、評価領域設定部２１は、下限点Ｑ２１と上限点Ｑ２２との中央値を、図１７にて一点鎖線により示すように、第二方向における中央位置Ｑ２３として設定する。

次に、評価領域設定部２１は、図１８に示すように、第一方向における中央位置Ｑ１３を通る直線と、第二方向における中央位置Ｑ２３を通る直線との交点を、評価領域ＨＲの中心ＲＣとして設定する。そして、評価領域設定部２１は、予め評価領域ＨＲを決定するために設定されている点ＲＰ１及び点ＲＰ２（図１８においては、評価領域ＨＲの左上に対応する点ＲＰ１及び評価領域ＨＲの右下に対応する点ＲＰ２）を用いて、最終的に評価領域ＨＲを決定する。

これにより、例えば、図１９に示すように、全体画像データＺにおいて研削加工面Ｗ１が画像中央からずれた場合（図１９においては、研削加工面Ｗ１が左方向にずれた場合を例示）にも、評価領域設定部２１は、このずれに対応して適切に評価領域ＨＲを決定することができる。同様に、例えば、図２０に示すように、全体画像データＺにおいて研削加工面Ｗ１の周方向における頂部が画像中央からずれた場合（図２０においては、研削加工面Ｗ１の頂部が上方向にずれた場合を例示）にも、評価領域設定部２１は、このずれに対応して適切に評価領域ＨＲを決定することができる。

尚、図２１に示すように、全体画像データＺの全体が研削加工面Ｗ１である場合であっても、評価領域設定部２１は、上述した場合と同様に、下限点Ｑ１１及び上限点Ｑ１２を決定すると共に、第一方向における中央位置Ｑ１３を通る直線と第二方向における中央位置Ｑ１３を通る直線との交点を評価領域ＨＲの中心ＲＣとして設定することにより、評価領域ＨＲを決定することができる。又、図２２に示すように、上述した本例の場合と同様に第一部位が二箇所存在する場合であっても、評価領域設定部２１は、上述した場合と同様に、下限点Ｑ１１及び上限点Ｑ１２を決定すると共に、第一方向における中央位置Ｑ１３を通る直線と第二方向における中央位置Ｑ１３を通る直線との交点を評価領域ＨＲの中心ＲＣとして設定することにより、評価領域ＨＲを決定することができる。

（７．その他の別例）
上述した本例、第一別例及び第二別例においては、学習処理装置３０が機械学習を行うことによって学習済みモデル、即ち、指標値ＫＩと表面粗さＳＳとの相関関係を生成するようにした。これにより、推定演算装置４０は、学習処理装置３０によって生成された学習済みモデルを用いて、工作物Ｗの研削加工面Ｗ１における表面粗さＳＳを推定するようにした。

しかしながら、表面状態推定システム１は、機械学習を行う学習処理装置３０を必ずしも備える必要はない。この場合、推定演算装置４０は、例えば、画像評価装置２０から取得した指標値ＫＩと、予め粗さ計２から取得した研削加工面Ｗ１の表面粗さＪＳとを用いた重回帰分析を行い、表面粗さＳＳを推定するために用いる相関関係を求めることも可能である。この場合、推定演算装置４０は、重回帰分析によって得られた相関関係に基づき、画像評価装置２０から得られた指標値ＫＩを用いて、表面粗さＳＳを精度良く推定することができる。従って、この場合においても、上述した本例、第一別例及び第二別例と同様の効果が得られる。

又、上述した本例、第一別例及び第二別例においては、表面状態推定システム１は、研削装置１０が研削盤１１としての円筒研削盤５０を備えるようにした。そして、表面状態推定システム１は、円筒研削盤５０によって研削加工される軸状部材である工作物Ｗの研削加工面Ｗ１の表面状態即ち表面粗さＳＳを推定するようにした。

しかしながら、表面状態推定システム１は、円筒研削盤５０によって研削加工された研削加工面Ｗ１の表面粗さＳＳを推定することには限られない。例えば、研削装置１０が研削盤１１として、カム旋盤や平面研削盤を備え、表面状態推定システム１が研削加工されたカム面や平面の表面状態即ち表面粗さＳＳを推定することも可能である。

又、表面状態推定システム１は、研削加工された研削加工面Ｗ１の表面状態を推定することに限定されず、例えば、切削装置によって切削加工された工作物（例えば、歯車等）の切削加工面の表面状態を推定することも可能である。この場合においても、上述した本例、第一別例及び第二別例の場合と同様に、画像評価装置２０から取得した指標値ＫＩを用いて、切削加工面の表面状態、例えば、表面粗さを推定することができる。従って、この場合においても、上述した本例、第一別例及び第二別例と同様の効果が得られる。

又、上述した本例、第一別例及び第二別例においては、推定演算装置４０は、推定した表面粗さＳＳに基づいて、工具Ｔを修正するための修正信号Ｒを出力するようにした。しかしながら、推定演算装置４０は、推定した表面粗さＳＳに基づいて、工作機械が工具Ｔを用いて工作物Ｗを加工する加工条件を適正に変更するための信号を出力することもできる。これにより、工作機械においては、出力された信号を取得することにより、加工条件を適正に変更して工作物Ｗを精度良く加工することができる。

更に、上述した本例、第一別例及び第二別例においては、研削加工面Ｗ１の表面状態として表面粗さＳＳを推定するようにした。しかし、推定可能な表面状態としては、表面粗さＳＳに限られない。表面状態推定システム１は、例えば、工具Ｔが工作物Ｗに接触することによって形成される加工面の形状（外形線や内形線、段差等）についても、画像評価装置２０から取得した指標値ＫＩを用いて、表面状態として加工面の形状を正確に推定することができる。

１…表面状態推定システム、２…粗さ計、１０…研削装置、１１…研削盤、１２…制御装置、１３…カメラ、１３ａ…照明装置、１４…インターフェース、２０…画像評価装置、２１…評価領域設定部、２２…エリア分割部、２３…輝度取得部、２３１…輝度平均値算出部、２３２…輝度差分値算出部、２４…指標値算出部、３０…学習処理装置（演算装置）、３１…プロセッサ、３２…記憶装置、３３…インターフェース、４０…推定演算装置（演算装置）、４１…プロセッサ、４２…記憶装置、４３…インターフェース、５０…円筒研削盤、５１…ベッド、５２…主軸台、５２ａ…モータ、５３…心押台、５４…トラバースベース、５４ａ…モータ、５５…砥石台、５５ａ…モータ、５６…砥石車、５６ａ…モータ、５７…定寸装置、５７ａ…送り機構、５８…砥石車修正装置、６１…訓練用データセット取得部、６１ａ…指標値取得部、６１ｂ…実粗さ値取得部、６２…訓練用データセット記憶部、６３…モデル生成部、７１…モデル記憶部、７２…指標値取得部、７３…推定部、７４…判定部、７５…出力部、Ａ…エリア、Ａｍ…エリア、ＨＲ…評価領域、ＪＳ…実粗さ値、ＫＩ…指標値、Ｐ１…第一ピクセル、Ｐ２…第二ピクセル、Ｐ３…第三ピクセル、Ｐ４…第四ピクセル、Ｌ１…閾値、Ｌ２…閾値、Ｑ１１…下限点、Ｑ１２…上限点、Ｑ１３…中央位置、Ｑ２１…下限点、Ｑ２２…上限点、Ｑ２３…中央位置、Ｒ…修正信号、ＲＣ…中心、ＲＰ１，ＲＰ２…点、ＳＰ…輝度データ、ＳＳ…（推定された）表面粗さ（表面状態）、Ｔ…工具、Ｗ…工作物、Ｗ１…研削加工面、Ｚ…全体画像データ、ｂ…切片、ｋ…傾き、Δφ（ｎ）…輝度差分値、Δφｇ（ｎ）…輝度差分二乗総和値、φ…輝度、φａ…輝度平均値、φｉ…平均輝度、φｓａ１…輝度総和平均値、φｓａ２…輝度総和平均値

Claims (14)

1. 工具によって工作物を加工する工作機械に適用され、前記工具及び前記工作物における加工面の表面状態を推定する表面状態推定方法であって、
   前記加工面の全体を撮像した画像に対して評価領域を設定し、
   前記画像を形成する複数のピクセルのうち前記評価領域を隣接する複数の前記ピクセルから形成される複数のエリアに分割し、
   各々の前記エリアにおいて、隣接する複数の前記ピクセルのそれぞれの輝度を用いて輝度平均値を算出し、
   各々の前記エリアにおいて、隣接する複数の前記ピクセルのそれぞれの前記輝度と前記輝度平均値との差分を表す輝度差分値を算出し、
   前記輝度差分値の二乗総和平方根を指標値として算出し、
   前記指標値を用いて、前記指標値と相関関係にある前記加工面の表面状態を推定する、表面状態推定方法。
2. 前記画像の第一方向において前記画像を形成する複数のピクセルの輝度の変化に基づいて前記第一方向における第一中央位置を決定し、
   前記第一方向とは異なる第二方向において前記ピクセルの前記輝度の変化に基づいて前記第二方向における第二中央位置を決定し、
   前記第一中央位置と前記第二中央位置とに基づいて、前記評価領域の中心を決定し、
   前記中心に基づいて前記評価領域を設定する、請求項１に記載の表面状態推定方法。
3. 前記第一方向と前記第二方向とが互いに直交する場合、
   前記中心は、前記第一方向に直交し且つ前記第一中央位置を通る直線と、前記第二方向に直交し且つ前記第二中央位置を通る直線との交点である、請求項２に記載の表面状態推定方法。
4. 前記第一中央位置及び前記第二中央位置は、
   前記輝度の変化において予め設定された前記輝度の閾値に対して小さな前記輝度から大きな前記輝度に変化する下限点と、前記閾値に対して大きな前記輝度から小さな前記輝度に変化する上限点との中央値に基づいて決定される、請求項２又は３に記載の表面状態推定方法。
5. 前記相関関係は、前記指標値を説明変数とし、前記加工面の表面状態を目的変数とし、前記説明変数及び前記目的変数を含む訓練用データセットを用いて機械学習を行うことにより生成された学習済みモデルであり、
   前記加工面の表面状態は、前記指標値と前記学習済みモデルとを用いて推定される、請求項１－４の何れか一項に記載の表面状態推定方法。
6. 前記相関関係は、直線近似式により表されるものであり、
   前記直線近似式の傾きは、前記画像を形成する複数の前記ピクセルの平均輝度が大きくなるにつれて大きくなり、前記直線近似式の切片は前記平均輝度が大きくなるにつれて小さくなる関係を有し、
   前記加工面の表面状態は、前記指標値と、前記平均輝度に基づいて決定される前記傾き及び前記切片を有する前記直線近似式とを用いて推定される、請求項１－４の何れか一項に記載の表面状態推定方法。
7. 工具によって工作物を加工する工作機械に適用され、前記工具及び前記工作物における加工面の表面状態を推定する表面状態推定方法であって、
   前記加工面を撮像した画像を形成する複数のピクセルのうち隣接する複数の前記ピクセルのそれぞれの輝度を用いて輝度平均値を算出し、
   隣接する複数の前記ピクセルのそれぞれの前記輝度と前記輝度平均値との差分を表す輝度差分値を算出し、
   前記輝度差分値の二乗総和平方根を指標値として算出し、
   前記指標値を用いて、前記指標値と相関関係にある前記加工面の表面状態を推定し、
   前記相関関係は、直線近似式により表されるものであり、
   前記直線近似式の傾きは、前記画像を形成する複数の前記ピクセルの平均輝度が大きくなるにつれて大きくなり、前記直線近似式の切片は前記平均輝度が大きくなるにつれて小さくなる関係を有し、
   前記加工面の表面状態は、前記指標値と、前記平均輝度に基づいて決定される前記傾き及び前記切片を有する前記直線近似式とを用いて推定される、表面状態推定方法。
8. 複数の前記平均輝度について、前記平均輝度ごとの前記直線近似式の前記傾き及び前記切片に基づいて、前記平均輝度に対する前記傾きの線形近似及び前記平均輝度に対する前記切片の線形近似を求め、
   前記加工面の表面状態は、前記指標値と、前記画像における前記平均輝度に対応して前記傾きの線形近似から求められた前記傾き、及び、前記画像における前記平均輝度に対応して前記切片の線形近似から求められた前記切片と、を用いて推定される、請求項６又は７に記載の表面状態推定方法。
9. 推定された前記加工面の表面状態に基づいて、前記工具を修正するタイミングを設定する、又は、前記工作機械が前記工具を用いて前記工作物を加工する加工条件を変更する、請求項１－８の何れか一項に記載の表面状態推定方法。
10. 隣接する複数の前記ピクセルは、互いに隣接する４つ以上の前記ピクセルである、請求項１－９の何れか一項に記載の表面状態推定方法。
11. 前記工作機械は、前記工具としての砥石を有し、前記砥石により前記工作物を研削加工する研削装置である、請求項１－１０の何れか一項に記載の表面状態推定方法。
12. 前記加工面の表面状態は、表面粗さである、請求項１－１１の何れか一項に記載の表面状態推定方法。
13. 工具によって工作物を加工する工作機械に適用され、前記工具及び前記工作物における加工面の表面状態を推定する表面状態推定システムであって、
    前記加工面を撮像し、撮像した画像を出力する撮像装置と、
    前記画像に対して評価領域を設定する評価領域設定部、前記画像を形成する複数のピクセルのうち前記評価領域を隣接する複数の前記ピクセルから形成される複数のエリアに分割するエリア分割部、各々の前記エリアにおいて隣接する複数の前記ピクセルのそれぞれの輝度を用いて輝度平均値を算出する輝度平均値算出部、各々の前記エリアにおいて前記輝度平均値算出部によって算出された前記輝度平均値と隣接する複数の前記ピクセルのそれぞれの前記輝度との差分を表す輝度差分値を算出する輝度差分値算出部、及び、前記輝度差分値算出部によって算出された前記輝度差分値の二乗総和平方根を指標値として算出する指標値算出部と、を有する画像評価装置と、
    前記画像評価装置によって算出された前記指標値を用いて、前記指標値と相関関係にある前記加工面の表面状態を推定する推定部を有する推定演算装置と、
    を備えた、表面状態推定システム。
14. 工具によって工作物を加工する工作機械に適用され、前記工具及び前記工作物における加工面の表面状態を推定する表面状態推定システムであって、
    前記加工面を撮像し、撮像した画像を出力する撮像装置と、
    前記撮像装置から出力された前記画像を形成する複数のピクセルのうち隣接する複数の前記ピクセルのそれぞれの輝度を用いて輝度平均値を算出する輝度平均値算出部、前記輝度平均値算出部によって算出された前記輝度平均値と隣接する複数の前記ピクセルのそれぞれの前記輝度との差分を表す輝度差分値を算出する輝度差分値算出部、及び、前記輝度差分値算出部によって算出された前記輝度差分値の二乗総和平方根を指標値として算出する指標値算出部と、を有する画像評価装置と、
    前記画像評価装置によって算出された前記指標値を用いて、前記指標値と相関関係にある前記加工面の表面状態を推定する推定部を有する推定演算装置と、
    を備え、
    前記相関関係は、直線近似式により表されるものであり、
    前記直線近似式の傾きは、前記画像を形成する複数の前記ピクセルの平均輝度が大きくなるにつれて大きくなり、前記直線近似式の切片は前記平均輝度が大きくなるにつれて小さくなる関係を有し、
    前記加工面の表面状態は、前記指標値と、前記平均輝度に基づいて決定される前記傾き及び前記切片を有する前記直線近似式とを用いて推定される、表面状態推定システム。

Images