检查装置及检查方法与流程

本发明涉及对检查对象物的曲面的表面形状进行检查的检查装置及检查方法，该检查对象物是将材料用热量熔融而塑造成型的检查对象物、或研磨表面而制造的检查对象物、或通过切削加工而制造的检查对象物。

背景技术：

大型泵的叶轮等具有复杂曲面形状的产品及其零件(以下称为零件等)的检查是难以数值化、需要熟练度、且需要大量工时的一种作业。尤其是，这种零件等大多通过铸造等来制造，但通过铸造等所制造的零件等通常会为了去除表面的粗糙度、起伏(凹凸)而用研磨机等进行研磨。另外，即使在通过机械加工等来制造的情况下，有时也会为了在加工后消除所谓的切削痕迹而进行研磨。或者，根据加工中的热变形等，有时也会产生零件等的“翘曲”或“起伏”。另外，近几年也有将金属丝等熔融并层叠来对零件等进行成型的技术(熔融金属层叠法等)，但在该情况下有时也仍然需要在成型后研磨因层叠而产生的“层差”以将其除去。这样地，基于熔融的成型或研磨进行后的形状的检查如后述那样难以数值化且判断需要熟练度。

以往，开发了叶轮的检查方法。例如，在专利文献1中公开了一种叶轮的叶片形状的检查方法，其具备：从被置于设置位置的叶轮的旋转轴心方向拍摄叶轮的正面的工序；对由上述拍摄工序拍摄的从叶轮的旋转轴心方向来看的叶轮正面的拍摄图像进行二值化处理而获得二值化图像的工序；基于上述二值化图像来检测叶轮对应亮部的周围所具备的所有叶片对应亮部的顶端部对应亮部的位置的工序；针对上述所检测到的所有顶端部对应亮部来计算各顶端部对应亮部与叶轮对应亮部中的预先确定的基准部之间的位置关系的工序；和将上述所计算出的位置关系与规定的规定值进行比较以判断叶轮的叶片形状是否合格的工序。

现有技术文献

专利文献

专利文献1：日本特开2008-51664号公报

技术实现要素：

然而，当铸造时会在曲面上发生意想不到的凹凸，或者在将铸造时的表面形状(所谓的“铸造表皮”)作为泵等流体机械的零件的情况下因表面粗糙而需要研磨表面以使其平滑，由此有时会对表面过度刮擦等而产生凹凸。或者，即使是机械加工等，有时也会由于为了消除在加工后产生的切削痕迹来进行表面研磨而产生凹凸、或因加工中的热变形等而产生“起伏”、“翘曲”等凹凸。关于这种凹凸等，难以进行容许值的设定等。

具体而言，作为这种产品的检查方法，有一种通过各种尺寸测量仪或所谓的三维测量仪精密地测量产品的尺寸、并检查该尺寸是否处于容许值内的方法。

图1是设计形状(基准形状)、容许值的上限及下限、和产品形状的第1示意图。图1中示出了表示设计形状(基准形状)的单点划线l1、表示尺寸的容许值的下限的虚线l2、表示尺寸的容许值的上限的虚线l3、以及表示产品形状的实线l4。例如如图1所示，在不影响产品性能的范围内对设计形状(基准形状)确定了尺寸的容许值的上限和下限的情况下，只要产品形状处于该容许值的上限与下限之间(即容许范围内)，就能够视为合格。

另一方面，在像泵的叶轮那样的流体机械的零件的情况下，仅凭这一点有时无法将产品视为合格。图2是设计形状(基准形状)、容许值的上限及下限、和产品形状的第2示意图。图2中示出了表示设计形状(基准形状)的单点划线l11、表示尺寸的容许值的下限的虚线l12、表示尺寸的容许值的上限的虚线l13、以及表示产品形状的实线l14。例如如图2的产品形状那样，在产品的表面有“波纹”的情况下，产品形状(各点的测量值)处于容许值的上限与下限之间(即容许范围内)，但由于这种“波纹”会对检查装置的性能造成很大影响，所以无法认为合格。处于流路中的零件作为这种流体机械的零件而大量成为对象，但尤其能够列举如下所述的零件。

○叶轮

○扩散器(包括压力恢复流路、蜗壳(spiralcase)、导叶等)

○吸入管/排出管

○轴承及轴封的水下外壳、尤其是其接液面

○吸入喇叭口

○以及构成它们的零件

当试图通过数值测量来判断这种不合格时，需要使这种“波纹”数值化。其方法有很多，但尽管如此仍需要诸如测量很多点并在记录之后进行统计处理等的复杂处理，而且难以进行基准值的设定。

图3是表示比较例的检查方法的示意图。图3中示出了表示设计形状(基准形状)的单点划线l21、表示尺寸的容许值的下限的虚线l22、表示尺寸的容许值的上限的虚线l23、表示产品形状的实线l24、以及表示抽样数据的阶梯状实线l25。另一方面，例如如图3所示，可以考虑如下方法，其以固定间隔对形状数据进行抽样，并计算其相邻测量值(抽样数据)的差分，并据此判断是否合格。在该情况下具有当该差分与设计形状的差分相比大了固定值以上或小了固定值以上时认为不合格等的方法。但在该情况下，由于需要测量很多点、且波纹的周期(波长)和大小根据情况都不同，所以难以决定其阈值。

因此，在实践中，这种“波纹”等不是通过尺寸(数值)的测量而是多通过检查员的目视检查或基于手等的触觉的所谓“官能检查”来进行的。若是官能检查，则即使不是每次都确定基准值，也能通过检查员的感觉来判断产品是否合格。另外，在诸如“波纹”的状态下，比较而言，根据人(检查员)的感觉来判断好坏比确定基准值等更能降低将不合格品判断为合格品的风险。

然而，官能检查中存在以下问题：(1)判断因测量者而存在偏差(合格/不合格的判断因测量者而异)；(2)由于只有人能进行测量，所以无法实现自动化；(3)难以数值化且难以记录等；(4)由于难以数值化所以难以决定“容许范围”，往往有谋求“过高质量”的倾向(花费不必要的修正工时)。尤其近来还存在检查员的老龄化和技术传承的难度等，越来越难以确保熟练的检查员，当务之急是开发一种能够客观且自动地检查这些的检查装置和检查方法。

另外，即使在流体机械的零件等中，由于在大型泵等所谓的特制产品中例如将叶轮的形状根据客户的技术规格进行了最优化，所以每个产品的基准形状都不同，且每次都需要创建用于检查的数据。这也会成为自动化的阻碍。

本发明是鉴于上述问题而做出的，其目的在于，提供一种检查装置及检查方法，其能够客观且自动地检查仅根据尺寸公差难以判断的物体的曲面的表面形状。

本发明的第1方式的检查装置对检查对象物的曲面的表面形状进行检查，该检查对象物是将材料用热量熔融而塑造成型的检查对象物、或研磨表面而制造的检查对象物、或通过切削加工而制造的检查对象物，其中，该检查装置具备：投影装置，其将特定的图案投影于所述检查对象物；拍摄装置，其拍摄被投影了所述图案的检查对象物；和判断回路，其具有将由如下学习用对象物的图像、和该学习用对象物的曲面的表面形状是否合格的官能检查结果所构成的组作为训练数据来学习的人工智能，并将由所述拍摄装置拍摄的拍摄图像应用于已完成学习的所述人工智能来判断所述检查对象物的曲面的表面形状是否合格，其中，所述学习用对象物与所述检查对象物种类相同且曲面的表面形状是否合格为已知，所述学习用对象物的图像是针对所述学习用对象物而在其被投影了与要投影于所述检查对象物上的特定图案相同的特定图案的状态下所拍摄到的图像。

根据该构成，由于应用于已完成学习的人工智能来判断检查对象物的曲面的表面形状是否合格，所以能够客观且自动地检查仅根据尺寸公差难以判断的检查对象物的曲面的表面形状。即，能够机械式地判断在以往基于数值的方法中难以判断的诸如“波纹”的不合格。进一步地，能够以无人方式进行检查，能够以数值记录判断结果，并能消除以往那样的判断因检查员而存在偏差的情况。

在本发明的第2方式的检查装置中，根据第1方式的检查装置，所述特定图案是条纹图案或格子图案。

根据该构成，当表面形状中存在波纹、层差、裂纹时，会在条纹图案或格子图案的一部分上产生波纹、角，或者图案的一部分会消失，因此，通过使人工智能学习这种图案的变化，能够判断表面形状中的波纹、层差、裂纹等不合格。

在本发明的第3方式的检查装置中，根据第1或2方式的检查装置，所述投影装置有两台，各个投影装置通过从投影方向大致正交的两个方向投影条纹图案而将格子图案作为所述特定图案投影。

根据该构成，通过使人工智能学习格子图案的变化，能够判断表面形状中的波纹、层差、裂纹等不合格。

在本发明的第4方式的检查装置中，根据第1至3中任一方式的检查装置，所述人工智能将如下的组作为训练数据来学习以输出合格品的确信度及每个不合格因素的确信度，所述组针对与所述检查对象物种类相同且已知曲面的表面形状良好的学习用对象物而是由该学习用对象物的图像与识别合格品的识别信息所构成的组、以及针对与所述检查对象物种类相同且已知曲面的表面形状不合格的学习用对象物而是由该学习用对象物的图像与识别该不合格因素的识别信息所构成的组，所述判断回路利用所述合格品的确信度及所述不合格因素的确信度而输出识别合格品或不合格因素的识别信息。

根据该构成，检查员不仅能够掌握检查对象物是否合格，还能在不合格的情况下掌握不合格因素。

在本发明的第5方式的检查装置中，根据第1至3中任一方式的检查装置，在所述判断回路中针对每个不合格因素都设有人工智能，所述人工智能分别将如下的组作为训练数据来学习以输出合格品的确信度及该人工智能作为对象的不合格因素的确信度，所述组针对与所述检查对象物种类相同且已知曲面的表面形状良好的学习用对象物而是由该学习用对象物的图像与识别合格品的识别信息所构成的组、以及针对与所述检查对象物种类相同且已知在曲面的表面形状中存在作为所述对象的不合格因素的学习用对象物而是由该学习用对象物的图像与识别作为所述对象的不合格因素的识别信息所构成的组，所述人工智能分别利用所述检查对象物的拍摄图像，针对所述检查对象物输出合格品的确信度及对于互不相同的不合格因素的确信度，所述判断回路利用分别从所述人工智能输出的对于所述合格品的各个确信度及各个所述不合格因素的确信度来针对所述检查对象物而输出识别合格品或不合格因素的识别信息。

根据该构成，检查员不仅能够掌握检查对象物是否合格，还能在不合格的情况下掌握不合格因素。

在本发明的第6方式的检查装置中，根据第1至5中任一方式的检查装置，所述投影装置能够在投影和未投影之间切换，所述拍摄装置在未投影所述图案的状态下拍摄所述检查对象物以获得第1图像，并在投影了该图案的状态下拍摄检查对象物以获得第2图像，所述判断回路将所述第1图像与所述第2图像的差分图像应用于利用同样创建的差分图像的训练数据来学习后的所述已完成学习的人工智能，以判断所述检查对象物的曲面的表面形状是否合格。

根据该构成，由于差分图像仅强调所投影的图案，所以能够提高基于学习的判断精度，并能提高判断结果的精度。尤其在通过熔融金属的层叠而塑造成型的零件等的情况下，能够降低因层叠而产生的条纹图案等的影响。

在本发明的第7方式的检查装置中，根据第1至6中任一方式的检查装置，是研磨表面而制造的零件。

根据该构成，由于应用于已完成学习的人工智能来判断研磨表面而制造的零件的曲面的表面形状是否合格，所以能够客观且自动地检查仅根据尺寸公差难以判断的零件的曲面的表面形状。

在本发明的第8方式的检查装置中，根据第1至7中任一方式的检查装置，所述检查对象物是流体机械的零件。

根据该构成，由于应用于已完成学习的人工智能来判断流体机械的零件的曲面的表面形状是否合格，所以能够客观且自动地检查仅根据尺寸公差难以判断的流体机械的零件的曲面的表面形状。

在本发明的第9方式的检查装置中，根据第1至8中任一方式的检查装置，所述检查对象物是通过熔融金属层叠法或研磨而制造的零件。

根据该构成，由于应用于已完成学习的人工智能来判断通过熔融金属层叠法或研磨而制造的零件的曲面的表面形状是否合格，所以能够客观且自动地检查仅根据尺寸公差难以判断的零件的曲面的表面形状。

本发明的第10方式的检查方法对检查对象物的曲面的表面形状进行检查，该检查对象物是将材料用热量熔融而塑造成型的检查对象物或研磨表面而制造的检查对象物，其中，该检查方法具有：将特定的图案投影于所述检查对象物上的步骤；拍摄被投影了所述图案的检查对象物的步骤；和将所述拍摄的图像应用于已完成学习的人工智能以判断所述曲面的表面形状是否合格的步骤，所述人工智能将由学习用对象物的图像、和该学习用对象物的曲面的表面形状是否合格的官能检查结果所构成的组作为训练数据来学习，其中，所述学习用对象物与所述检查对象物种类相同且曲面的表面形状是否合格为已知，该学习用对象物的图像是针对该学习用对象物在其被投影了与要投影于所述检查对象物上的特定图案相同的特定图案的状态下所拍摄到的图像。

根据该构成，由于应用于已完成学习的人工智能来判断检查对象物的曲面的表面形状是否合格，所以能够客观且自动地检查仅根据尺寸公差难以判断的检查对象物的曲面的表面形状。即，能够机械式地判断在以往基于数值的方法中难以判断的诸如“波纹”的不合格。进一步地，能够以无人方式进行检查，能够以数值记录判断结果，并能消除以往那样的判断因检查员而存在偏差的情况。

发明效果

根据本发明的一个方式，由于应用于已完成学习的人工智能来判断检查对象物的曲面的表面形状是否合格，所以能够客观且自动地检查仅根据尺寸公差难以判断的检查对象物的曲面的表面形状。即，能够机械式地判断在以往基于数值的方法中难以判断的诸如“波纹”的不合格。进一步地，能够以无人方式进行检查，能够以数值记录判断结果，并能消除以往那样的判断因检查员而存在偏差的情况。

附图说明

图1是设计形状(基准形状)、容许值的上限及下限、和产品形状的第1示意图。

图2是设计形状(基准形状)、容许值的上限及下限、和产品形状的第2示意图。

图3是表示比较例的检查方法的示意图。

图4是表示本实施方式的检查装置的构成的示意构成图。

图5a是格子图案投影于合格品的叶轮时的示意图。

图5b是格子图案投影于不合格品的叶轮时的示意图。

图6是说明本实施方式的判断回路的构成的示意图。

图7是表示本实施方式的判断处理的一个例子的流程图。

图8是说明变形例的判断回路的构成的示意图。

具体实施方式

以下，参照附图对各实施方式进行说明。但有时会省略超出必要的详细说明。例如，有时会省略已熟知的事项的详细说明或对实质上相同的构成的重复说明。这是为了避免以下说明变得不必要的冗长，并供本领域技术人员易于理解。

本实施方式的检查装置及检查方法对检查对象物的曲面的表面形状进行检查，该检查对象物是将材料用热量熔融而塑造成型的检查对象物、或研磨表面而制造的检查对象物、或通过切削加工而制造的检查对象物。尤其适合诸如大型泵或压缩机的流体机械的零件等的表面检查，并且即使在流体机械的零件中也适合诸如叶轮的具有复杂三维形状的产品的检查。在此，流体机械的零件例如是叶轮、扩散器(包括压力恢复流路、蜗壳、导叶等)、吸入管/排出管、轴承及轴封的水下外壳、尤其是其接液面、吸入喇叭口、以及构成它们的零件等。另外，作为将材料用热量熔融而塑造成型的方法例如有铸造、粉末冶金、熔融金属的层叠等。这样，将材料用热量熔融而塑造成型的检查对象物由于在冷却的过程中材料会收缩，所以有时曲面的表面形状会变成与设计不符的尺寸，因此，需要进行检查。另外，在研磨表面进行制造的情况下，有时会对表面过度刮擦等而产生凹凸。在该情况下，同样需要进行检查。

图4是表示本实施方式的检查装置的构成的示意构成图。检查装置具备将特定的图像投影于检查对象物(在此作为一个例子为叶轮2)上的投影装置。图案优选为条纹图案或格子图案。如图4所示，本实施方式的检查装置1具备投影装置11及投影装置12，作为一个例子，也可以通过从投影方向大致正交的两个投影装置、即投影装置11及投影装置12来投影条纹图案而将格子状的图案投影于作为检查对象物的叶轮2上。

由此，在产品的表面因其曲面而出现多条曲线w1～w10。此时，若有上述那种波纹等，则在所投影的图案上也会因波纹而产生扭曲。

在此，本实施方式的检查装置1具备：拍摄装置13，其拍摄被投影了图案的作为检查对象物的叶轮2；和判断回路14，其将由拍摄装置13拍摄的图像应用于已完成学习的人工智能，以判断曲面的表面形状是否合格。

图5a是格子图案投影于合格品的叶轮上时的示意图。图5b是格子图案投影于不合格品的叶轮上时的示意图。例如，若是合格品，如图5a所示，则会在叶轮上出现平滑的曲线。另一方面，若存在上述那种“波纹”，如图5b所示，则所投影的图案也会波动。另外，若是像在表面产生钝角那样的“层差”，则会在所投影的图案上产生“角”。另外，若在表面产生了“裂纹”等，则所投影的图案的一部分会消失或者会产生角。

例如将该“波纹”作为第1不合格因素，当具有第1不合格因素时为第1不合格，并将具有第1不合格因素的叶轮的分类设定为第1不合格等级。例如将该“层差”作为第2不合格因素，当具有第2不合格因素时为第2不合格，并将具有第2不合格因素的叶轮的分类设定为第2不合格等级。例如将该“裂纹”作为第3不合格因素，当具有第3不合格因素时为第3不合格，并将具有第3不合格因素的叶轮的分类设定为第3不合格等级。

图6是说明本实施方式的判断回路的构成的示意图。有人(例如熟练的检查负责人)预先判别已知的叶轮是否合格，例如判别为合格品、第1不合格、第2不合格、第3不合格。而且由拍摄装置13在已知的叶轮被投影了与要投影于检查对象物上的特定图案相同的特定图案的状态下拍摄该叶轮而获得该叶轮的图像，由该叶轮的图像及该叶轮是否合格所构成的组成为训练数据，判断回路14中的人工智能利用该训练数据来学习。

这样，在利用人工智能的判断回路14中，以预先决定的所需数量而预先学习由合格品和不合格品的拍摄数据与由人判别的是否合格所构成的组。届时，对于不合格品的情况分成若干不合格因素，通过学习拍摄数据而在判断是否合格的同时也能特定不合格因素。

总之，人工智能32将以下的组作为训练数据进行学习，即，该组针对与检查对象物种类相同且已知曲面的表面形状良好的学习用对象物而是由该检查对象物的图像与识别合格品的识别信息所构成的组、以及针对已知曲面的表面形状不合格的学习用对象物而是由该学习用对象物在其被投影了与要投影于检查对象物上的特定图案相同的特定图案的状态下所拍摄到的该学习用对象物的图像与识别该不合格因素的识别信息(在此例如为第1不合格、第2不合格或第3不合格)所构成的组。人工智能32利用检查对象物的拍摄图像，针对检查对象物而输出合格品的确信度及每个不合格因素的确信度。而且，判断回路14例如利用该合格品的确信度及该不合格因素的确信度，针对检查对象物而输出识别合格品或不合格因素的识别信息(在此例如为第1不合格、第2不合格、或第3不合格)。通过该构成，检查员不仅能够特定检查对象物是合格品还是不合格品，还能在不合格品的情况下特定其不合格因素。

在此，说明由判断回路所用的人工智能。本实施方式中使用的人工智能类似于所谓的“图像识别”，由于适合利用神经网络、尤其是深度神经网络(以下也称为dnn)，所以在此以深度神经网络为例进行说明。

通常，在dnn中事先以所需数量来准备“合格品”和多个“不合格品”的图像并通过称为“深度学习(deeplearning)”的方法对这些图像进行学习。若是本实施方式，则通过到目前为止所说明的方法来获得产品的图像，同时对相同的产品实施以往那样的官能检查以进行是否合格的判断，并分别以所需张数(例如数十张到数百张左右)来准备合格品及多个不合格品的图像以供dnn进行学习。由此，dnn通常会对不出现在“合格品”上而是出现在各个“不合格品”上的“特征”表现出强烈反应，并将相应“等级”的“得分”评价得较高。这样，判断回路14具有将由如下学习用对象物的图像和该学习用对象物的曲面的表面形状是否合格的官能检查结果所构成的组作为训练数据进行了学习的人工智能，该学习用对象物与检查对象物种类相同且曲面的表面形状是否合格为已知，该学习用对象物的图像是针对该学习用对象物而在其被投影了与要投影于检查对象物上的特定图案相同的特定图案的状态下拍摄的。

在此重要的是，针对这些“特征”并非存在某些基准值，而是dnn内的逻辑元素即“神经元”中的与那些特征对应的“神经元”通过“学习”会反馈强烈反应。通常，对于使用于图像处理的dnn，通过使其学习各种状态的“不合格”，无论那些特征的出现位置或大小如何，都能得到强烈反应。

另外，当学习时，就要使用的产品而言，使用具有大量变化(种类)的产品来创建学习数据是很重要的。例如，若是泵的叶轮，则是大型或小型、不同的ns值(轴流泵和斜流泵等)、叶轮的片数、二维叶轮和三维叶轮等。由此，dnn能够学习到基于这些差异所致的图像变化与产品是否合格之间“没有关系”，由此，即使没有标准形状，dnn也能判断产品是否合格，

因此，在像本实施方式这样的情况下，不同于以往的进行形状测量的情况等，不再需要作为尺寸数值等的阈值，且即使不清楚设计(基准)形状也能判断产品是否合格。因此，一旦学习完成，也很容易使检查等自动化。

此外，作为判断回路所用的人工智能，在本实施方式中作为一个例子而使用神经网络(尤其是深度神经网络)，但也可以根据情况而利用其它人工智能算法(例如knn法、决策树法、mt法等)。

合格与否的判断基于如下方法进行。图6中的人工智能32的输出是包括“合格品”在内的、多个输出项目(等级)及其确信度(得分)的矩阵。具体而言，输出项目(等级)是合格品等级、和与一个以上的不合格因素对应的不合格等级。此外，在此作为具有多个因素(两个以上)的不合格等级的情况进行说明。

具体而言，如图6所示，在本实施方式中作为一个例子而将拍摄检查对象物所得到的拍摄图像作为输入图像31输入至判断回路14的人工智能32。从人工智能32输出的输出矩阵33包括合格品等级及其确信度(得分)、第1不合格等级及其确信度(得分)、第2不合格等级及其确信度(得分)、第3不合格等级及其确信度(得分)。在此，确信度(得分)表示对于对应等级的确信度，得分的值越大则确信度越高。该输出矩阵33输入至判断回路14的最终判断部34。

之后，在最终判断部34中按照图7进行判断。图7是表示本实施方式的判断处理的一个例子的流程图。

(步骤s101)首先，最终判断部34确认“合格品”等级的得分。例如，若将合格品的基准得分设为0.8，则最终判断部34判断“合格品”等级的得分是否为0.8以上。

(步骤s102)在步骤s101中合格品等级的得分为0.8以上的情况下，最终判断部34将检查对象物判断为合格品。

(步骤s103)在步骤s101中合格品等级的得分不足0.8的情况下，接着最终判断部34依次确认多个不合格项目(不合格等级)的得分。在此，各不合格项目的得分中的最高得分的项目表示作为不合格因素的可能性较高。因此也可以为，最终判断部34判别第1～3不合格等级中的得分最高的等级，并将识别与得分最高的等级对应的不合格因素的识别信息(例如第1不合格等)输出。在此作为一个例子，首先，最终判断部34判断第1～3不合格等级中的第1不合格等级的得分是否最大。

(步骤s104)在步骤s103中第1～3不合格等级中的第1不合格等级的得分最大的情况下，最终判断部34判断为第1不合格。

(步骤s105)在步骤s103中第1～3不合格等级中的第1不合格等级的得分不是最大的情况下，最终判断部34判断第1～3不合格等级中的第2不合格等级的得分是否最大。

(步骤s106)在步骤s105中第1～3不合格等级中的第2不合格等级的得分最大的情况下，最终判断部34判断为第2不合格。

(步骤s107)在步骤s105中第1～3不合格等级中的第2不合格等级的得分不是最大的情况下，最终判断部34判断为第3不合格。

而且，最终判断部34将识别合格品或不合格因素的识别信息(具体为第1不合格、第2不合格或第3不合格)作为检查对象物是否合格的判断结果而输出。由此，能够掌握检查对象物是否合格，且能在不合格的情况下掌握不合格因素。

这样，在本实施方式中，人工智能32输出针对合格品的确信度及每个不合格因素的确信度。判断回路14利用针对合格品的各个确信度及各个不合格因素的确信度来判断曲面的表面形状是否合格。由此，检查员不仅能够掌握检查对象物是否合格，还能在不合格的情况下掌握不合格因素。

此外，在不合格因素的等级为第1不合格等级和第2不合格等级这两级的情况下，判断回路14也可以输出合格品、第1不合格或第2不合格中的任一个；在不合格因素的等级为四个以上的情况下，判断回路14也可以输出合格品和各个不合格中的任一个。

拍摄装置13对像这样被投影了图案的检查对象物(在此作为一个例子为叶轮)进行拍摄。拍摄装置13由于最终需要数码数据而优选为所谓的数码相机或其类似设备。

此外，也可以使投影装置11及投影装置12能够在图案的投影和未投影之间切换。在那种情况下，当测量时，拍摄装置13首先在未投影图案的状态下拍摄检查对象物以获得第1图像，接着在投影了图案的状态下拍摄检查对象物以获得第2图像。而且，拍摄装置13也可以求出第1图像与第2图像的差分，并将该差分图像作为图像数据输出至判断回路14。判断回路14将第1图像与第2图像的差分图像应用于利用同样创建的差分图像的训练数据进行了学习的已完成学习的人工智能，以判断曲面的表面形状是否合格。由此，由于差分图像仅强调所投影的图案，所以能够提高基于学习获得的判断精度，并能提高判断结果的精度。尤其在通过熔融金属的层叠而塑造成型的零件等的情况下，能够降低因层叠而产生的条纹图案等所致的影响。即，通过熔融金属层叠法等成型的零件等即使研磨表面，层叠时的接合面(层叠的“层差”)也容易成为条纹图案而残留。这种条纹图案容易与为了检查而投影的格子图案等混淆并影响判断。因此，若使用图像的差分，则这些条纹图案几乎都会被消除而难以影响判断。此外，在想要进一步提高精度的情况下，也可以为了抑制要投影的格子图案的反射光等的影响而在得到差分之前对第1图像和第2图像实施画质调整等。

以上，本实施方式的检查装置1是对检查对象物的曲面的表面形状进行检查的检查装置，该检查对象物是将材料用热量熔融而塑造成型的检查对象物或研磨表面而制造的检查对象物。检查装置1具备：将特定的图案投影于检查对象物上的投影装置11、12；和对被投影了图案的检查对象物进行拍摄的拍摄装置13。进一步地，检查装置1还具备判断回路14，其具有将由如下学习用对象的图像和该学习用对象的曲面的表面形状是否合格的官能检查结果所构成的组作为训练数据而学习的人工智能，并将由拍摄装置13拍摄到的拍摄图像应用于已完成学习的所述人工智能，以判断检查对象物的曲面的表面形状是否合格，其中，该学习用对象与检查对象物种类相同，且曲面的表面形状是否合格为已知，该学习用对象的图像是针对该学习用对象物而在其被投影了与要投影于检查对象物上的特定图案相同的特定图案的状态下所拍摄到的图像。

根据该构成，由于应用于已完成学习的人工智能来判断检查对象物的曲面的表面形状是否合格，所以能够客观且自动地检查仅根据尺寸公差难以判断的检查对象物的曲面的表面形状。即，能够机械式地判断在以往基于数值的方法中难以判断的诸如“波纹”的不合格。进一步地，能够以无人方式进行检查，能够以数值记录判断结果，并能消除以往那样的判断因检查员而存在偏差的情况。

＜变形例＞

作为变形例，也可以通过利用对多个不合格因素分别判断合格与不合格的人工智能的判断回路来同时或依次判断拍摄图像。

图8是说明变形例的判断回路的构成的示意图。如图8所示，变形例的判断回路14b具备第1不合格因素用的人工智能41、第2不合格因素用的人工智能42和第3不合格因素用的人工智能43。

＜学习时的处理＞

当人工智能41学习时，第1不合格因素用的人工智能41将以下的组作为训练数据预先进行学习，该组针对与检查对象物种类相同且已知曲面的表面形状良好的学习用对象物而是由该学习用对象物的图像与识别合格品的识别信息所构成的组、以及针对与检查对象物种类相同且已知曲面的表面形状中存在第1不合格因素(在此作为一个例子为波纹)的学习用对象物而是由该学习用对象物在其被投影了与要投影于检查对象物上的特定图案相同的特定图案的状态下所拍摄到的该学习用对象物的图像与识别该第1不合格因素的识别信息(在此例如为第1不合格)所构成的组。

另外，当人工智能42学习时，第2不合格因素用的人工智能42将以下的组作为训练数据预先进行学习，该组针对与检查对象物种类相同且已知曲面的表面形状良好的学习用对象物而是由该学习用对象物的图像与识别合格品的识别信息所构成的组、以及针对与检查对象物种类相同且已知曲面的表面形状中存在第2不合格因素(在此作为一个例子为层差)的学习用对象物而是由该学习用对象在其被投影了与要投影于检查对象物上的特定图案相同的特定图案的状态下所拍摄到的该学习用对象物的图像与识别该第2不合格因素的识别信息(在此例如为第2不合格)所构成的组。

另外，当人工智能43学习时，第3不合格因素用的人工智能43将以下的组作为训练数据预先进行学习，该组针对与检查对象物种类相同且已知曲面的表面形状良好的学习用对象物而是由该学习用对象物的图像与识别合格品的识别信息所构成的组、以及针对与检查对象物种类相同且已知曲面的表面形状中存在第3不合格因素(在此作为一个例子为裂纹)的学习用对象物而是由该学习用对象在其被投影了与要投影于检查对象物上的特定图案相同的特定图案的状态下所拍摄到的该学习用对象物的图像与识别该第3不合格因素的识别信息(在此例如为第3不合格)所构成的组。

＜判断时的处理＞

当人工智能41进行判断时，将检查对象物的拍摄图像作为输入图像输入至第1不合格因素用的人工智能41，并输出输出矩阵51，该输出矩阵51包括合格品等级及其得分所构成的组、和第1不合格等级及其得分所构成的组。

另外，当人工智能42进行判断时，将检查对象物的拍摄图像作为输入图像输入至第2不合格因素用的人工智能42，并输出输出矩阵52，该输出矩阵52包括合格品等级及其得分所构成的组、和第2不合格等级及其得分所构成的组。

另外，当人工智能43进行判断时，将检查对象物的拍摄图像作为输入图像输入至第3不合格因素用的人工智能43，并输出输出矩阵53，该输出矩阵53包括合格品等级及其得分所构成的组、和第3不合格等级及其得分所构成的组。

向最终判断部61输入这三个输出矩阵51～53。最终判断部61例如在输出矩阵51的合格品等级的得分比第1不合格等级的得分高、输出矩阵52的合格品等级的得分比第2不合格等级的得分高、且输出矩阵53的合格品等级的得分比第3不合格等级的得分高的情况下判断为合格品。另一方面，例如最终判断部61在第1不合格等级的得分比输出矩阵51的合格品等级的得分高的情况下判断为第1不合格。另外，例如最终判断部61在第2不合格等级的得分比输出矩阵52的合格品等级的得分高的情况下判断为第2不合格。另外，例如最终判断部61在第3不合格等级的得分比输出矩阵53的合格品等级的得分高的情况下判断为第3不合格。在该情况下，最终判断部61在第1不合格等级的得分比输出矩阵51的合格品等级的得分高且第2不合格等级的得分比输出矩阵52的合格品等级的得分高的情况下，针对检查对象物判断为第1不合格、第2不合格。这样，能够针对检查对象物判断为存在多个不合格。

这样，在判断回路14b中针对每个不合格因素都设有人工智能。人工智能41～43分别将以下的组作为训练数据来学习，以输出合格品的确信度及作为对象的不合格因素的确信度，该组针对与检查对象物种类相同且已知曲面的表面形状良好的学习用对象物而是由该学习用对象物的图像与识别合格品的识别信息所构成的组、以及针对与检查对象物种类相同且已知曲面的表面形状中存在被该人工智能作为对象的不合格因素的学习用对象物而是由在该学习用对象物在其被投影了与要投影于检查对象物上的特定图案相同的特定图案的状态下所拍摄到的该学习用对象物的图像与识别作为对象的不合格因素的识别信息所构成的组。人工智能41～43分别利用检查对象物的拍摄图像，针对检查对象物而输出合格品的确信度及对互不相同的不合格因素的确信度。判断回路14b利用分别从人工智能输出的对于合格品的各个确信度及各个不合格因素的确信度来针对检查对象物输出识别合格品或不合格因素的识别信息。由此，检查员不仅能够掌握检查对象物是否合格，还能在不合格的情况下掌握不合格因素。

在此，若将本实施方式与变形例相比，则本实施方式中的优点是能够在短时间内以不会消耗太多计算机资源的方式判断。另一方面，在变形例的情况下，其优点是即使在复合产生了多个不合格因素的情况下也能恰当判断各个不合格因素。

在大多数情况下，多个不合格因素同时产生的情况很少，即使产生了，也能通过本实施方式的方法以得分的大小进行某种程度的判断。另外，若只是好坏的判断则没有特别不便之处。因此，与变形例相比本实施方式的便利性更高，但优选根据用途而分开使用。

以上，本发明并不限定于上述实施方式，而是在实施阶段能够在不脱离其要旨的范围内使构成要素变形并具体化。另外，通过上述实施方式所公开的多个构成要素的适当组合能够形成各种方案。例如，也可以从实施方式所示的所有构成要素中删除几个构成要素。进一步地，也可以适当组合不同实施方式中的构成要素。

附图标记说明

1检查装置

11、12投影装置

13拍摄装置

14、14b判断回路

2叶轮

31输入图像

32人工智能

33输出矩阵

34最终判断部

41、42、43人工智能

51、52、53输出矩阵

61最终判断部