特開2024-33597砥面判定装置、学習器、判定プログラムおよび砥面判定方法
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2024033597
(43)【公開日】2024-03-13
(54)【発明の名称】砥面判定装置、学習器、判定プログラムおよび砥面判定方法
(51)【国際特許分類】
B24B 49/18 20060101AFI20240306BHJP
G06T 7/00 20170101ALI20240306BHJP
G06V 10/764 20220101ALI20240306BHJP
B24B 49/12 20060101ALI20240306BHJP
B24B 53/00 20060101ALI20240306BHJP
【ＦＩ】
B24B49/18
G06T7/00 350B
G06V10/764
B24B49/12
B24B53/00 A
【審査請求】未請求
【請求項の数】10
【出願形態】ＯＬ
(21)【出願番号】P 2022137261
(22)【出願日】2022-08-30
(71)【出願人】
【識別番号】000150604
【氏名又は名称】株式会社ナガセインテグレックス
(74)【代理人】
【識別番号】100105957
【弁理士】
【氏名又は名称】恩田 誠
(74)【代理人】
【識別番号】100068755
【弁理士】
【氏名又は名称】恩田 博宣
(72)【発明者】
【氏名】長瀬 幸泰
(72)【発明者】
【氏名】板津 武志
(72)【発明者】
【氏名】井村 諒介
(72)【発明者】
【氏名】川下 智幸
(72)【発明者】
【氏名】坂口 彰浩
【テーマコード（参考）】
3C034
3C047
5L096
【Ｆターム（参考）】
3C034AA19
3C034BB93
3C034CA09
3C034CA22
3C034CB13
3C034DD20
3C047AA02
3C047AA08
3C047AA16
5L096BA02
5L096CA02
5L096JA22
5L096KA04
(57)【要約】
【課題】砥面の使用状態を短い時間、且つ高い精度で判定する。
【解決手段】砥面判定装置３０は、記憶部４４、出力部６０、クラス特定部６１、判定部６２を有する。記憶部４４は、砥石の砥面を撮像した画像を判定画像５０として記憶し、複数種類の使用状態の砥面を各別に撮像した画像からなる教師データ５３によって学習された学習済みの学習器５１を記憶する。出力部６０は、判定画像５０を入力データとして、学習器５１から、複数種類の使用状態に対応する複数の分類クラスの各々について判定画像５０が属する確率を出力する。クラス特定部６１は、この確率に応じて、複数の分類クラスのうちの確率が最も高い１つの分類クラスを、または当該１つの分類クラスを含む２つ以上の分類クラスを、特定分類クラスとして特定する。判定部６２は、この特定分類クラスに基づいて、判定対象の砥石の状態を判定する。
【選択図】図３
【解決手段】砥面判定装置３０は、記憶部４４、出力部６０、クラス特定部６１、判定部６２を有する。記憶部４４は、砥石の砥面を撮像した画像を判定画像５０として記憶し、複数種類の使用状態の砥面を各別に撮像した画像からなる教師データ５３によって学習された学習済みの学習器５１を記憶する。出力部６０は、判定画像５０を入力データとして、学習器５１から、複数種類の使用状態に対応する複数の分類クラスの各々について判定画像５０が属する確率を出力する。クラス特定部６１は、この確率に応じて、複数の分類クラスのうちの確率が最も高い１つの分類クラスを、または当該１つの分類クラスを含む２つ以上の分類クラスを、特定分類クラスとして特定する。判定部６２は、この特定分類クラスに基づいて、判定対象の砥石の状態を判定する。
【選択図】図３
【特許請求の範囲】
【請求項1】
砥石における砥面の状態を判定する砥面判定装置において、
判定対象の砥石の砥面を撮像した画像を判定画像として記憶する入力部と、
複数種類の使用状態の砥面を各別に撮像した画像からなる教師データによって学習された学習済みの学習器を記憶する記憶部と、
前記判定画像を入力データとして、前記学習済みの学習器から、前記複数種類の使用状態に対応する複数の分類クラスの各々についての前記分類クラスに前記判定画像が属する確率を出力する出力部と、
前記出力部により出力される前記確率に応じて、前記複数の分類クラスのうちの前記確率が最も高い１つの分類クラスを、または当該１つの分類クラスを含む２つ以上の分類クラスを、前記判定画像に対応する特定分類クラスとして特定するクラス特定部と、
前記クラス特定部によって特定された前記特定分類クラスに基づいて、前記判定対象の砥石の状態を判定する判定部と、
を備える砥面判定装置。
判定対象の砥石の砥面を撮像した画像を判定画像として記憶する入力部と、
複数種類の使用状態の砥面を各別に撮像した画像からなる教師データによって学習された学習済みの学習器を記憶する記憶部と、
前記判定画像を入力データとして、前記学習済みの学習器から、前記複数種類の使用状態に対応する複数の分類クラスの各々についての前記分類クラスに前記判定画像が属する確率を出力する出力部と、
前記出力部により出力される前記確率に応じて、前記複数の分類クラスのうちの前記確率が最も高い１つの分類クラスを、または当該１つの分類クラスを含む２つ以上の分類クラスを、前記判定画像に対応する特定分類クラスとして特定するクラス特定部と、
前記クラス特定部によって特定された前記特定分類クラスに基づいて、前記判定対象の砥石の状態を判定する判定部と、
を備える砥面判定装置。
【請求項2】
前記砥石は、複数の砥粒が結合剤によって固着された構造をなすものであり、
前記複数種類の使用状態は、前記砥面のドレッシングが適正に実行された直後における当該砥面の状態である第１状態と、前記砥面が研削加工に適した状態である第２状態と、前記砥面の最外面に前記結合剤が露出した状態である第３状態と、を含む
請求項１に記載の砥面判定装置。
前記複数種類の使用状態は、前記砥面のドレッシングが適正に実行された直後における当該砥面の状態である第１状態と、前記砥面が研削加工に適した状態である第２状態と、前記砥面の最外面に前記結合剤が露出した状態である第３状態と、を含む
請求項１に記載の砥面判定装置。
【請求項3】
前記砥面判定装置は、前記出力部による前記確率の出力と前記クラス特定部による前記特定分類クラスの特定とを、前記砥面の各部を撮像した画像である複数の前記判定画像について各別に実行するものであり、
前記判定部は、同一の判定時期に撮像された前記複数の前記判定画像について各別に特定された前記特定分類クラスのうち、前記１つの分類クラスであって、且つ前記第１状態に対応する分類クラスのみが特定された前記特定分類クラスの占める第１割合が、予め定められた第１所定値以上である場合に、前記判定対象の砥石におけるドレッシングが適正に実行されたと判定する
請求項２に記載の砥面判定装置。
前記判定部は、同一の判定時期に撮像された前記複数の前記判定画像について各別に特定された前記特定分類クラスのうち、前記１つの分類クラスであって、且つ前記第１状態に対応する分類クラスのみが特定された前記特定分類クラスの占める第１割合が、予め定められた第１所定値以上である場合に、前記判定対象の砥石におけるドレッシングが適正に実行されたと判定する
請求項２に記載の砥面判定装置。
【請求項4】
前記第２状態は、前記砥面における切り屑の付着量が少ない少量付着状態と、前記砥面における切り屑の付着量が多い多量付着状態と、を含む
請求項２または３に記載の砥面判定装置。
請求項２または３に記載の砥面判定装置。
【請求項5】
前記砥面判定装置は、前記出力部による前記確率の出力と前記クラス特定部による前記特定分類クラスの特定とを、同一の判定時期において前記砥面の各部を撮像した画像である複数の前記判定画像について各別に実行するとともに、異なる判定時期において各別に前記砥面を撮像した画像を前記判定画像として利用することで繰り返し実行するものであり、
前記判定部は、
前記同一の判定時期において撮像された前記複数の前記判定画像について各別に特定された前記特定分類クラスのうち、前記１つの分類クラスが前記多量付着状態に対応する分類クラスになっている前記特定分類クラスの占める第２割合を、連続する複数の判定時期において各別に算出するものであり、且つ、
前記複数の判定時期についての前記第２割合の分布幅が、予め定められた第２所定値以下である場合に、前記砥面が研削加工に適した状態に保たれていると判定するものである請求項４に記載の砥面判定装置。
前記判定部は、
前記同一の判定時期において撮像された前記複数の前記判定画像について各別に特定された前記特定分類クラスのうち、前記１つの分類クラスが前記多量付着状態に対応する分類クラスになっている前記特定分類クラスの占める第２割合を、連続する複数の判定時期において各別に算出するものであり、且つ、
前記複数の判定時期についての前記第２割合の分布幅が、予め定められた第２所定値以下である場合に、前記砥面が研削加工に適した状態に保たれていると判定するものである請求項４に記載の砥面判定装置。
【請求項6】
前記クラス特定部は、前記１つの分類クラスについての前記確率が予め定められた第３所定値以上の場合には、前記１つの分類クラスをメイン特定クラスとして特定する一方、前記１つの分類クラスについての前記確率が前記第３所定値未満の場合には、前記１つの分類クラスを前記メイン特定クラスとして特定することに加えて、前記複数の分類クラスのうちの前記確率が２番目に高い分類クラスをサブ特定クラスとして特定する
請求項１～３のいずれか一項に記載の砥面判定装置。
請求項１～３のいずれか一項に記載の砥面判定装置。
【請求項7】
前記砥面判定装置は、前記出力部による前記確率の出力と前記クラス特定部による前記特定分類クラスの特定とを、前記判定対象の砥石の砥面の各部を撮像した画像である複数の前記判定画像について各別に実行するものであり、
前記クラス特定部は、前記１つの分類クラスについての前記確率が予め定められた第３所定値以上の場合には、前記１つの分類クラスをメイン特定クラスとして特定する一方、前記１つの分類クラスについての前記確率が前記第３所定値未満の場合には、前記１つの分類クラスを前記メイン特定クラスとして特定することに加えて、前記複数の分類クラスのうちの前記確率が２番目に高い分類クラスをサブ特定クラスとして特定するものであり、
前記判定部は、前記複数の前記判定画像について各別に特定された前記特定分類クラスのうち、前記１つの分類クラスであって且つ前記第３状態に対応する分類クラスが前記メイン特定クラスになっている前記特定分類クラスの占める第３割合が、予め定められた第４所定値以上である場合に、前記判定対象の砥石のドレッシングを実行するべき時期であると判定する
請求項２または３に記載の砥面判定装置。
前記クラス特定部は、前記１つの分類クラスについての前記確率が予め定められた第３所定値以上の場合には、前記１つの分類クラスをメイン特定クラスとして特定する一方、前記１つの分類クラスについての前記確率が前記第３所定値未満の場合には、前記１つの分類クラスを前記メイン特定クラスとして特定することに加えて、前記複数の分類クラスのうちの前記確率が２番目に高い分類クラスをサブ特定クラスとして特定するものであり、
前記判定部は、前記複数の前記判定画像について各別に特定された前記特定分類クラスのうち、前記１つの分類クラスであって且つ前記第３状態に対応する分類クラスが前記メイン特定クラスになっている前記特定分類クラスの占める第３割合が、予め定められた第４所定値以上である場合に、前記判定対象の砥石のドレッシングを実行するべき時期であると判定する
請求項２または３に記載の砥面判定装置。
【請求項8】
請求項１に記載の砥面判定装置が備える前記学習済みの学習器。
【請求項9】
請求項１に記載の砥面判定装置が具備する前記入力部、前記出力部、前記クラス特定部、および前記判定部の処理を、前記砥面判定装置が備える電子制御装置に実行させる判定プログラム。
【請求項10】
砥石における砥面の状態を判定する砥面判定方法であって、
判定対象の砥石の砥面を撮像した画像を判定画像として砥面判定装置の入力部に記憶させる入力工程と、
複数種類の使用状態の砥面を各別に撮像した画像を取得し、該取得した画像からなる教師データによって学習器を学習させた後に、同学習器を前記砥面判定装置の記憶部に記憶させる記憶工程と、
前記判定画像を入力データとして、前記記憶部に記憶された学習済みの学習器から、前記複数種類の使用状態に対応する複数の分類クラスの各々についての前記分類クラスに前記判定画像が属する確率を出力する出力工程と、
前記学習済みの学習器から出力される前記確率に応じて、前記複数の分類クラスのうちの前記確率が最も高い１つの分類クラスを、または当該１つの分類クラスを含む２つ以上の分類クラスを、前記判定画像に対応する特定分類クラスとして特定するクラス特定工程と、
前記特定された前記特定分類クラスに基づいて、前記判定対象の砥石の状態を判定する判定工程と、
を備える砥面判定方法。
判定対象の砥石の砥面を撮像した画像を判定画像として砥面判定装置の入力部に記憶させる入力工程と、
複数種類の使用状態の砥面を各別に撮像した画像を取得し、該取得した画像からなる教師データによって学習器を学習させた後に、同学習器を前記砥面判定装置の記憶部に記憶させる記憶工程と、
前記判定画像を入力データとして、前記記憶部に記憶された学習済みの学習器から、前記複数種類の使用状態に対応する複数の分類クラスの各々についての前記分類クラスに前記判定画像が属する確率を出力する出力工程と、
前記学習済みの学習器から出力される前記確率に応じて、前記複数の分類クラスのうちの前記確率が最も高い１つの分類クラスを、または当該１つの分類クラスを含む２つ以上の分類クラスを、前記判定画像に対応する特定分類クラスとして特定するクラス特定工程と、
前記特定された前記特定分類クラスに基づいて、前記判定対象の砥石の状態を判定する判定工程と、
を備える砥面判定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、砥石の砥面を判定する砥面判定装置、同装置で使用される学習器、同装置で使用される判定プログラム、および砥石の砥面を判定する砥面判定方法に関するものである。
【背景技術】
【0002】
研削装置における研削加工では、研削工具としての砥石の加工面（いわゆる砥面）の状態によって、ワークの加工面の仕上げ品質が左右される。
従来、砥石の砥面の状態を把握するために、同砥面の状態（具体的には、砥粒の突出量）を測定する装置が提案されている（例えば、特許文献１）。特許文献１に記載の装置では、カメラを装着した金属顕微鏡を用いて砥面が撮像されるとともに、その撮像データをもとに砥面の状態が測定される。
従来、砥石の砥面の状態を把握するために、同砥面の状態（具体的には、砥粒の突出量）を測定する装置が提案されている（例えば、特許文献１）。特許文献１に記載の装置では、カメラを装着した金属顕微鏡を用いて砥面が撮像されるとともに、その撮像データをもとに砥面の状態が測定される。
【0003】
また、機械学習モデルを用いて、砥石の砥面の状態を判定する砥面判定装置等も提案されている。この装置では、先ず、カメラによって砥面が撮像されるとともに、その撮像画像を教師データとして用いて学習器が学習される。そして、砥面の状態を判定する際には、判定対象の砥石の砥面が撮像されるとともに、その撮像画像を入力データとして、学習済みの学習器から出力データが取得される。上記装置では、この出力データをもとに、判定対象の砥石の砥面の状態が判定される。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２００４－４５０７８号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
通常、砥石の砥面は長尺状をなしている。例えば回転砥石の加工面は、同回転砥石の回転方向に延びる長尺状をなしている。したがって、上記砥面判定装置において、長尺状の砥面の全体を判定するためには、砥面の移動方向において区切られた撮像範囲毎にカメラによって同砥面を撮像するなどして、多数の撮像画像を取得する必要がある。この場合には、多数の撮像画像をもとに砥面の判定を行うこととなるため、その判定に時間がかかってしまう。
【0006】
カメラの撮像範囲を広くすることにより、撮像画像の数を減らすことはできる。ただし、この場合には、カメラの撮像範囲が広くなる分だけ撮像画像が粗いデータになることで、同撮像画像に現れる「砥面における特徴的な状態の部分」を見つけにくくなるため、判定精度の低下が懸念される。
【課題を解決するための手段】
【0007】
上記課題を解決するための砥面判定装置は、砥石における砥面の状態を判定する砥面判定装置において、判定対象の砥石の砥面を撮像した画像を判定画像として記憶する入力部と、複数種類の使用状態の砥面を各別に撮像した画像からなる教師データによって学習された学習済みの学習器を記憶する記憶部と、前記判定画像を入力データとして、前記学習済みの学習器から、前記複数種類の使用状態に対応する複数の分類クラスの各々についての前記分類クラスに前記判定画像が属する確率を出力する出力部と、前記出力部により出力される前記確率に応じて、前記複数の分類クラスのうちの前記確率が最も高い１つの分類クラスを、または当該１つの分類クラスを含む２つ以上の分類クラスを、前記判定画像
に対応する特定分類クラスとして特定するクラス特定部と、前記クラス特定部によって特定された前記特定分類クラスに基づいて、前記判定対象の砥石の状態を判定する判定部と、を備える。
に対応する特定分類クラスとして特定するクラス特定部と、前記クラス特定部によって特定された前記特定分類クラスに基づいて、前記判定対象の砥石の状態を判定する判定部と、を備える。
【0008】
上記課題を解決するための学習器は、上記砥面判定装置が備える前記学習済みの学習器である。
上記課題を解決するための判定プログラムは、上記砥面判定装置が具備する前記入力部、前記出力部、前記クラス特定部、および前記判定部の処理を、前記砥面判定装置が備える電子制御装置に実行させる判定プログラムである。
上記課題を解決するための判定プログラムは、上記砥面判定装置が具備する前記入力部、前記出力部、前記クラス特定部、および前記判定部の処理を、前記砥面判定装置が備える電子制御装置に実行させる判定プログラムである。
【0009】
上記課題を解決するための砥面判定方法は、砥石における砥面の状態を判定する砥面判定方法であって、判定対象の砥石の砥面を撮像した画像を判定画像として砥面判定装置の入力部に記憶させる入力工程と、複数種類の使用状態の砥面を各別に撮像した画像を取得し、該取得した画像からなる教師データによって学習器を学習させた後に、同学習器を前記砥面判定装置の記憶部に記憶させる記憶工程と、前記判定画像を入力データとして、前記記憶部に記憶された学習済みの学習器から、前記複数種類の使用状態に対応する複数の分類クラスの各々についての前記分類クラスに前記判定画像が属する確率を出力する出力工程と、前記学習済みの学習器から出力される前記確率に応じて、前記複数の分類クラスのうちの前記確率が最も高い１つの分類クラスを、または当該１つの分類クラスを含む２つ以上の分類クラスを、前記判定画像に対応する特定分類クラスとして特定するクラス特定工程と、前記特定された前記特定分類クラスに基づいて、前記判定対象の砥石の状態を判定する判定工程と、を備える。
【0010】
上記砥面判定装置、学習器、判定プログラム、および砥面判定方法によれば、砥面における１枚の判定画像に対応する部分の使用状態を、複数の分類クラスのうちの１つに分類することに限らず、１つの分類クラスの中でも他の分類クラスに近い部類に分類したりするなど、細かく分類することができる。これにより、１枚の判定画像に対して１つの分類クラスのみを特定する場合と比較して、砥面における１枚の判定画像に対応する部分の使用状態を細かく判定することができる。したがって、判定画像の撮像範囲を広くしたとしても、判定対象の砥石の状態についての判定を高い精度で実行することができる。そのため、比較的少ない枚数の判定画像に基づいて、砥面の使用状態を短い時間、且つ高い精度で判定することができる。
【発明の効果】
【0011】
本発明によれば、砥面の使用状態を短い時間、且つ高い精度で判定することができる。
【図面の簡単な説明】
【0012】
【図1】一実施形態の砥面判定装置が適用される自動研削装置の概略構成を示す略図である。
【図2】開状態の砥石カバーおよびその周辺の構造を示す断面図である。
【図3】砥面判定装置の概略構成を示すブロック図である。
【図4】撮像処理の実行手順を示すフローチャートである。
【図5】統計データのデータ構造を概念的に示す略図である。
【図6】統計データに含まれる割合を特定クラス毎にまとめたグラフである。
【図7】（Ａ）～（Ｃ）は、統計データに含まれる割合を特定分類クラス毎にまとめたグラフである。
【図8】判定処理の実行手順を示すフローチャートである。
【発明を実施するための形態】
【0013】
【0014】
自動研削装置２０は、研削工具として、略円板状の砥石２１を有している。砥石２１は、基材の外周面に多数の砥粒が分散した状態で結合剤によって固着された構造をなすものである。砥石２１は、回転可能な状態で支持されている。砥石２１には、例えばサーボモータを有する回転駆動部２２が接続されている。回転駆動部２２は、砥石２１の回転位置を検出するための位置センサ２２１を有している。自動研削装置２０は、砥石２１とワークとを相対移動させることが可能になっている。自動研削装置２０では、砥石２１を回転駆動しつつ同砥石２１とワークとを相対移動させて、砥石２１をワークに接触させることにより、砥石２１の砥面２３によって同ワークの上面が研削加工される。
【0015】
自動研削装置２０は、砥石２１のドレッシングを行うためのドレッサ２４を有している。自動研削装置２０では、任意のタイミングでドレッサ２４による砥石２１のドレッシングが実行される。このドレッシングにより、砥石２１の砥面２３が良好な状態に保たれている。
【0016】
図１および図２に示すように、自動研削装置２０は砥石カバー２５を有している。砥石カバー２５は、下方が開口する四角箱状をなしている。砥石２１は、同砥石２１の下部のみが外部に露出する状態で砥石カバー２５の内部に収容されている。
【0017】
砥石カバー２５における上方の壁部をなす上壁部２６には、同砥石カバー２５の内外を連通する開口部２７が設けられている。砥石カバー２５には、開口部２７を開閉する板状のシャッター部２８と、同シャッター部２８を往復移動させるためのアクチュエータ（以下、シャッター操作部２９）とが設けられている。シャッター操作部２９の作動制御を通じて、シャッター部２８を一方向に移動させることにより、砥石カバー２５の開口部２７がシャッター部２８によって塞がれた閉状態（図１に示す状態）になる。一方、シャッター操作部２９の作動制御を通じて、シャッター部２８を他方向に移動させることにより、シャッター部２８が砥石カバー２５の開口部２７から退避した開状態（図２に示す状態）になる。本実施形態では、シャッター操作部２９の作動制御を通じて、砥石カバー２５の開口部２７が閉じられた閉状態と開かれた開状態とを切り替え可能になっている。
【0018】
砥石カバー２５には、カメラ３１が取り付けられている。カメラ３１は、砥石カバー２５の開口部２７を介して、同砥石カバー２５の内部に収容された砥石２１の砥面２３を撮像可能な態様で取り付けられている。カメラ３１としては、エリアスキャンカメラが採用されている。本実施形態では、カメラ３１によって砥石２１の砥面２３が所定の倍率で撮像されるとともに、撮像された画像（詳しくは、画像データ）が後述する電子制御装置４０に出力されるようになっている。なお本実施形態では、カメラ３１による撮像に際して砥石２１の砥面２３を照らすための照明器（図示略）が同カメラ３１に一体に設けられている。
【0019】
カメラ３１は、Ｘ軸駆動部３２、Ｙ軸駆動部３３、Ｚ軸駆動部３４を介して砥石カバー２５に取り付けられている。これらＸ軸駆動部３２、Ｙ軸駆動部３３およびＺ軸駆動部３４は、スライド機構と同スライド機構を作動させるアクチュエータ（本実施形態ではサーボモータ）とを有している。本実施形態では、Ｘ軸駆動部３２の作動制御を通じて、カメラ３１を砥石カバー２５に対してＸ方向（図１の左右方向）に相対移動させることが可能になっている。またＹ軸駆動部３３の作動制御を通じて、カメラ３１を砥石カバー２５に対してＹ方向（図１の上下方向）に相対移動させることが可能になっている。さらにはＺ軸駆動部３４の作動制御を通じて、カメラ３１を砥石カバー２５に対してＺ方向（図１に
おける紙面の奥行き方向）に相対移動させることが可能になっている。
おける紙面の奥行き方向）に相対移動させることが可能になっている。
【0020】
自動研削装置２０は電子制御装置４０を有している。図３に示すように、電子制御装置４０はＣＰＵ４１と、ＲＯＭ４２と、ＲＡＭ４３と、各種のプログラムやデータを記憶する記憶部４４とを有している。記憶部４４は、ハードディスクドライブやソリッドステートドライブ等の随時書き込み読み出しが可能な不揮発性メモリによって構成されている。電子制御装置４０は、各種のプログラムやデータに基づいて各種の演算処理を実行するように構成されている。電子制御装置４０は、その演算結果をもとに、研削加工についての数値制御や、砥石２１のドレッシングにかかる各種制御、砥石２１の砥面２３の使用状態の判定にかかる各駆動部２２，３２，３３，３４の作動制御およびカメラ３１の作動制御を実行する。
【0021】
自動研削装置２０は表示装置３５を有している。この表示装置３５は電子制御装置４０に接続されている。表示装置３５には、砥石２１の砥面２３の使用状態を判定した判定結果が表示されるようになっている。
【0022】
ここで、本実施形態の砥面判定装置３０は、砥石２１の砥面２３を撮像した画像（判定画像５０）を入力データとして、学習済みの学習器５１から、砥面２３の使用状態を判定する装置である。
【0023】
電子制御装置４０の記憶部４４は、各種の実行プログラム５２を記憶する記憶領域や、学習器５１の機械学習に利用される教師データ５３を記憶する記憶領域を有している。記憶部４４は、学習済みの学習器５１（詳しくは、機械学習の実行を通じて作成された学習データ）を記憶する記憶領域を有している。また記憶部４４は、判定対象の砥面２３を撮像した画像（判定画像５０）を記憶する入力部としての記憶領域や、砥面２３の状態を判定した結果を示す判定結果データ５４を記憶する記憶領域を有している。
【0024】
実行プログラム５２は、学習器５１の機械学習を実行させるとともに同機械学習の実行結果を示すデータである学習データを生成させるためのプログラムを含んでいる。また実行プログラム５２は、砥石２１の砥面２３の使用状態の判定にかかる処理（判定処理）を実行させるとともに同判定処理の実行結果を示す判定結果データ５４を生成させるための判定プログラムを含んでいる。
【0025】
教師データ５３は、砥面２３の使用状態を判定する能力を獲得するように、学習器５１の機械学習を行うためのデータである。本実施形態では、教師データ５３や判定画像５０の取得のために、カメラ３１によって砥石２１の砥面２３を撮像する撮像処理が実行される。
【0026】
（撮像処理）
以下、撮像処理の実行手順について図４を参照しつつ説明する。なお図４は、撮像処理の実行手順を概念的に示している。同図４のフローチャートに示される一連の処理は電子制御装置４０により実行される。
以下、撮像処理の実行手順について図４を参照しつつ説明する。なお図４は、撮像処理の実行手順を概念的に示している。同図４のフローチャートに示される一連の処理は電子制御装置４０により実行される。
【0027】
図４に示すように、この処理では先ず、シャッター操作部２９の作動制御を通じてシャッター部２８が開状態にされる（ステップＳ１１）。
その後、砥面２３の撮像に適した態様で砥石２１を回転駆動しつつ、カメラ３１による砥面２３の撮像が実行される（ステップＳ１２）。なお本実施形態では、砥石２１の回転駆動パターン、カメラ３１の位置制御パターン、同カメラ３１の撮像パターンとして、カメラ３１によって砥面２３の全面を効率良く撮像することが可能になる各パターンが予め求められて電子制御装置４０に記憶されている。上記各パターンを記憶部４４に記憶させ
る手法としては、以下の（手法Ａ）や（手法Ｂ）などが想定される。（手法Ａ）自動研削装置２０のユーザーが実際に利用する砥石２１を取り付けた後に、自動研削装置２０を作動させることで同砥石２１に適した上記各パターンを求めて電子制御装置４０に記憶させる。（手法Ｂ）自動研削装置２０の製造メーカーは、各種の実験やシミュレーションの結果をもとに、砥石２１の砥面２３の全面を効率良く撮像することが可能になる上記各パターンを予め求めている。そして、それらパターンにかかるデータを、出荷前の自動研削装置２０、あるいはユーザーの工場に設置された自動研削装置２０に記憶させる。
その後、砥面２３の撮像に適した態様で砥石２１を回転駆動しつつ、カメラ３１による砥面２３の撮像が実行される（ステップＳ１２）。なお本実施形態では、砥石２１の回転駆動パターン、カメラ３１の位置制御パターン、同カメラ３１の撮像パターンとして、カメラ３１によって砥面２３の全面を効率良く撮像することが可能になる各パターンが予め求められて電子制御装置４０に記憶されている。上記各パターンを記憶部４４に記憶させ
る手法としては、以下の（手法Ａ）や（手法Ｂ）などが想定される。（手法Ａ）自動研削装置２０のユーザーが実際に利用する砥石２１を取り付けた後に、自動研削装置２０を作動させることで同砥石２１に適した上記各パターンを求めて電子制御装置４０に記憶させる。（手法Ｂ）自動研削装置２０の製造メーカーは、各種の実験やシミュレーションの結果をもとに、砥石２１の砥面２３の全面を効率良く撮像することが可能になる上記各パターンを予め求めている。そして、それらパターンにかかるデータを、出荷前の自動研削装置２０、あるいはユーザーの工場に設置された自動研削装置２０に記憶させる。
【0028】
ステップＳ１２の処理では、そうした砥石２１の回転駆動パターンに基づいて回転駆動部２２の作動制御が実行されるとともに、カメラ３１の位置制御パターンに基づいてＸ軸駆動部３２、Ｙ軸駆動部３３、Ｚ軸駆動部３４の作動制御が実行される。また、カメラ３１の撮像パターンに基づいて同カメラ３１による砥面２３の撮像が実行される。そして、電子制御装置４０は、カメラ３１によって撮像された砥面２３の画像データを取り込んで記憶部４４に記憶する。
【0029】
本実施形態では、砥面２３を砥石２１の周方向および回転軸方向（Ｚ方向）において格子状に区切ることで、同砥面２３の全体が複数（例えば、５６８４箇所）の撮像領域に区画されている。そして、撮像領域毎に、カメラ３１による砥面２３の撮像が実行される。このようにして撮像された画像は、判定画像５０または教師データ５３として、記憶部４４に記憶される。なお、判定画像５０は、砥面２３における位置（詳しくは、周方向位置および軸方向位置）の情報とともに、記憶部４４に記憶されている。
【0030】
ここで、砥石２１のドレッシングが適正になされた直後においては、砥面２３の最外周面は砥粒の突端面のみによって構成されている。そして、砥石２１による研削加工が実行されて、砥面２３の使用状態が変化すると、砥石２１の最外周面に、砥粒以外の部分（主に、結合剤によって構成される部分）が現れる。このように、砥面２３の使用状態の変化の度合いは、砥面２３の最外周面に現れる。
【0031】
本実施形態では、判定画像５０や教師データ５３を構成する画像データとして、砥面２３を撮像した画像が用いられる。そのため、判定画像５０や、教師データ５３を構成する画像データには、砥面２３の最外周面に関する情報、詳しくは砥面２３における特徴的な状態の部分に関する情報が、同砥面２３の使用状態を表す情報として含まれていると云える。したがって本実施形態では、学習器５１の機械学習に際して、そうした砥面２３の最外周面の状態を特徴量として抽出させることができ、この特徴量に基づいて学習器５１の機械学習を進めることができる。
【0032】
撮像処理において、カメラ３１による砥面２３の撮像が完了すると、シャッター操作部２９の作動制御を通じて、シャッター部２８が閉状態にされる（ステップＳ１３）。
図４に示す撮像処理は、砥石２１によるワークの研削加工や砥石２１のドレッシングが実行されていないことを条件に実行される。なお撮像処理を実行する際には、その実行に先立ち、撮像対象の砥面２３にエアーを吹き付けることで同砥面２３表面の切削オイルを除去する作業が必要に応じて実行される。
図４に示す撮像処理は、砥石２１によるワークの研削加工や砥石２１のドレッシングが実行されていないことを条件に実行される。なお撮像処理を実行する際には、その実行に先立ち、撮像対象の砥面２３にエアーを吹き付けることで同砥面２３表面の切削オイルを除去する作業が必要に応じて実行される。
【0033】
本実施形態では、前記学習器５１として、畳込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）が用いられる。具体的には、学習器５１は、入力層、中間層、全結合層および出力層を有している。中間層は、畳み込み層とプーリング層とが交互に並ぶ態様で複数配置された構造をなしている。
【0034】
本実施形態では、記憶部４４に記憶された教師データ５３をもとに学習器５１の機械学習が実行される。詳しくは、教師データ５３を構成する複数の画像データの１つを抽出す
るとともに同画像データを入力データとして学習器５１を機械学習させるといった学習処理が、教師データ５３を構成する画像データ毎に繰り返し実行される。そして、機械学習の実行を通じて作成された学習データが記憶部４４に記憶される。本実施形態では、こうした学習器５１の機械学習にかかる一連の処理が自動的に実行されるように、実行プログラム５２が構築されて記憶部４４に記憶されている。本実施形態では、このようにして学習器５１の機械学習を実行する工程が記憶工程に相当する。
るとともに同画像データを入力データとして学習器５１を機械学習させるといった学習処理が、教師データ５３を構成する画像データ毎に繰り返し実行される。そして、機械学習の実行を通じて作成された学習データが記憶部４４に記憶される。本実施形態では、こうした学習器５１の機械学習にかかる一連の処理が自動的に実行されるように、実行プログラム５２が構築されて記憶部４４に記憶されている。本実施形態では、このようにして学習器５１の機械学習を実行する工程が記憶工程に相当する。
【0035】
（教師データ）
本実施形態では、教師データ５３として、以下の「ドレス直後」、「加工初期」、「加工中期」、および「ドレスタイミング」といった４種類の砥面２３の使用状態に対応する撮像画像が用意される。
本実施形態では、教師データ５３として、以下の「ドレス直後」、「加工初期」、「加工中期」、および「ドレスタイミング」といった４種類の砥面２３の使用状態に対応する撮像画像が用意される。
【0036】
「ドレス直後」としては、砥面２３のドレッシングが適正に実行された直後における同砥面２３の状態が定められている。本実施形態では、「ドレス直後」が第１状態に相当する。
【0037】
「ドレス直後」に対応する画像データは、例えば、次のように取得される。先ず、最適なドレッシングが実行された状態の砥石２１［Ａ］が用意されるとともに、同砥石２１［Ａ］が自動研削装置２０に取り付けられる。そして、その状態で電子制御装置４０による撮像処理が実行される。この撮像処理によって取得された画像データは、学習器５１の機械学習に用いる教師データ５３として記憶部４４に記憶される。「ドレス直後」に対応する画像データは、学習器５１の分類クラスのうちの「クラス０」に対応する画像データである。
【0038】
本実施形態では、砥石２１［Ａ］としては、最適なドレッシングが実行された状態になっていることが熟練工などの作業者によって判断されたものが採用される。その他、砥石２１［Ａ］としては、解析装置によって砥面２３を解析した結果、最適なドレッシングが実行された状態になっていると判断されたものを採用すること等も可能である。
【0039】
本実施形態では、上記砥石２１［Ａ］に基づく上記撮像処理によって取得された画像データの全てが教師データ５３として採用される。その他、上記砥石２１［Ａ］に基づく撮像処理によって取得された画像データの中から適当なものを選んで教師データ５３として採用すること等も可能である。
【0040】
「加工初期」としては、研削加工に適した砥面２３の状態であって、且つ、切り屑がさほど付着していない砥面２３の状態が定められている。「加工初期」としては、具体的には、ドレッシングの実行完了後における研削加工の延べ実行期間が比較的短いときにおける砥面２３の状態が定められている。本実施形態では、「加工初期」が、砥面２３が研削加工に適した状態である第２状態、および、砥面２３における切り屑の付着量が少ない状態である少量付着状態に相当する。
【0041】
「加工初期」に対応する画像データは、例えば、次のように取得される。先ず、ドレッシングの実行完了後に所定期間ＴＢにわたり研削加工が実行された状態の砥石２１［Ｂ］が用意されるとともに、同砥石２１［Ｂ］が自動研削装置２０に取り付けられる。そして、その状態で電子制御装置４０による撮像処理が実行される。この撮像処理によって取得された画像データは、学習器５１の機械学習に用いる教師データ５３として記憶部４４に記憶される。「加工初期」に対応する画像データは、学習器５１の分類クラスのうちの「クラス１」に対応する画像データである。
【0042】
本実施形態では、上記砥石２１［Ｂ］に基づく撮像処理によって取得された画像データ
の全てが教師データ５３として採用される。その他、上記砥石２１［Ｂ］に基づく撮像処理によって取得された画像データの中から適当なものを選んで教師データ５３として採用すること等も可能である。
の全てが教師データ５３として採用される。その他、上記砥石２１［Ｂ］に基づく撮像処理によって取得された画像データの中から適当なものを選んで教師データ５３として採用すること等も可能である。
【0043】
「加工中期」としては、研削加工に適した砥面２３の状態であって、且つ、切り屑の付着量が比較的多くなっている砥面２３の状態が定められている。
「加工中期」としては、具体的には、ドレッシングの実行完了後における研削加工の延べ実行期間が比較的長くなったときにおける砥面２３の状態が定められている。本実施形態では、「加工中期」が、砥面２３が研削加工に適した状態である第２状態に相当し、且つ、砥面２３における切り屑の付着量が多い状態である多量付着状態に相当する。
「加工中期」としては、具体的には、ドレッシングの実行完了後における研削加工の延べ実行期間が比較的長くなったときにおける砥面２３の状態が定められている。本実施形態では、「加工中期」が、砥面２３が研削加工に適した状態である第２状態に相当し、且つ、砥面２３における切り屑の付着量が多い状態である多量付着状態に相当する。
【0044】
「加工中期」に対応する画像データは、例えば、次のように取得される。先ず、ドレッシングの実行完了後に所定期間ＴＣ（ただし、ＴＣ＞前記所定期間ＴＢ）にわたり研削加工が実行された状態の砥石２１［Ｃ］が用意されるとともに、同砥石２１［Ｃ］が自動研削装置２０に取り付けられる。そして、その状態で電子制御装置４０による撮像処理が実行される。この撮像処理によって取得された画像データは、学習器５１の機械学習に用いる教師データ５３として記憶部４４に記憶される。「加工中期」に対応する画像データは、学習器５１の分類クラスのうちの「クラス２」に対応する画像データである。
【0045】
本実施形態では、上記砥石２１［Ｃ］に基づく撮像処理によって取得された画像データの全てが教師データ５３として採用される。その他、上記砥石２１［Ｃ］に基づく撮像処理によって取得された画像データの中から適当なものを選んで教師データ５３として採用すること等も可能である。
【0046】
「ドレスタイミング」としては、砥面２３の最外面に結合剤が露出している同砥面２３の状態が定められている。本実施形態では、「ドレスタイミング」が第３状態に相当する。
【0047】
「ドレスタイミング」に対応する画像データは、例えば、次のように取得される。先ず、ドレッシングの実行開始に最も適した状態の砥石２１［Ｄ］が用意されるとともに、同砥石２１［Ｄ］が自動研削装置２０に取り付けられる。そして、その状態で電子制御装置４０による撮像処理が実行される。この撮像処理によって取得された画像データは、学習器５１の機械学習に用いる教師データ５３として記憶部４４に記憶される。「ドレスタイミング」に対応する画像データは、学習器５１の分類クラスのうちの「クラス３」に対応する画像データである。
【0048】
本実施形態では、砥石２１［Ｄ］としては、ドレッシングの実行開始に最も適した状態になっていると熟練工などの作業者が判断したものが採用される。なお砥石２１［Ｄ］としては、解析装置によって砥面２３を解析した結果、ドレッシングの実行開始に最も適した状態になっていると判断されたものを採用すること等も可能である。
【0049】
本実施形態では、上記砥石２１［Ｄ］に基づく撮像処理によって取得された画像データの全てが教師データ５３として採用される。その他、上記砥石２１［Ｄ］に基づく撮像処理によって取得された画像データの中から適当なものを選んで教師データ５３として採用すること等も可能である。
【0050】
（判定画像）
本実施形態では、砥面２３の使用状態の判定に用いられる画像（判定画像５０）は、以下のように取得される。
本実施形態では、砥面２３の使用状態の判定に用いられる画像（判定画像５０）は、以下のように取得される。
【0051】
すなわち、砥石２１のドレッシングが完了してから同砥石２１による研削加工が開始されるまでの間に、撮像処理が実行される。そして、この撮像処理によって取得された画像データは、判定画像５０として記憶部４４に記憶される。また、砥石２１による研削加工が開始された後においては、研削加工の延べ実行期間が所定期間に達する度に、研削加工の実行が停止されていることを条件に、撮像処理が実行される。所定期間としては、予め定められた所定時間や、前回の撮像処理の実行タイミングからの延べ研削量が所定量（例えば、１５００立方センチメートル）に到達するまでの期間などが定められる。そして、撮像処理が実行される度に、同撮像処理によって取得された画像データが、判定画像５０として記憶部４４に記憶される。
【0052】
（学習器による分類）
本実施形態では、ＣＮＮによって構成された学習器５１が、上記「ドレス直後」、「加工初期」、「加工中期」、および「ドレスタイミング」といった４種類の砥面２３の使用状態に対応する教師データ５３を利用して学習される。これにより、教師データ５３によって学習された学習済みの学習器５１は、入力データとしての判定画像５０を４つの分類クラス（クラス０，１，２，３）に分類した結果を出力するようになっている。本実施形態では、基本的には、判定画像５０が「ドレス直後」に対応する画像データである場合には、同判定画像５０は「クラス０」に分類される。また、判定画像５０が「加工初期」に対応する画像データである場合には、同判定画像５０は「クラス１」に分類される。さらに判定画像５０が「加工中期」に対応する画像データである場合には、同判定画像５０は「クラス２」に分類される。また、判定画像５０が「ドレスタイミング」に対応する画像データである場合には、同判定画像５０は「クラス３」に分類される。本実施形態の上記学習器５１は、具体的には、１枚の判定画像５０について同判定画像５０が分類クラスに属する確率を、４つの分類クラスの各々について出力する。すなわち、上記学習器５１は、１枚の判定画像５０について「クラス０」に属する確率Ｐ０と、「クラス１」に属する確率Ｐ１と、「クラス２」に属する確率Ｐ２と、「クラス３」に属する確率Ｐ３とを出力する。
本実施形態では、ＣＮＮによって構成された学習器５１が、上記「ドレス直後」、「加工初期」、「加工中期」、および「ドレスタイミング」といった４種類の砥面２３の使用状態に対応する教師データ５３を利用して学習される。これにより、教師データ５３によって学習された学習済みの学習器５１は、入力データとしての判定画像５０を４つの分類クラス（クラス０，１，２，３）に分類した結果を出力するようになっている。本実施形態では、基本的には、判定画像５０が「ドレス直後」に対応する画像データである場合には、同判定画像５０は「クラス０」に分類される。また、判定画像５０が「加工初期」に対応する画像データである場合には、同判定画像５０は「クラス１」に分類される。さらに判定画像５０が「加工中期」に対応する画像データである場合には、同判定画像５０は「クラス２」に分類される。また、判定画像５０が「ドレスタイミング」に対応する画像データである場合には、同判定画像５０は「クラス３」に分類される。本実施形態の上記学習器５１は、具体的には、１枚の判定画像５０について同判定画像５０が分類クラスに属する確率を、４つの分類クラスの各々について出力する。すなわち、上記学習器５１は、１枚の判定画像５０について「クラス０」に属する確率Ｐ０と、「クラス１」に属する確率Ｐ１と、「クラス２」に属する確率Ｐ２と、「クラス３」に属する確率Ｐ３とを出力する。
【0053】
本実施形態の砥面判定装置３０は、上記学習器５１から出力される各分類クラスの確率Ｐ０，Ｐ１，Ｐ２，Ｐ３に基づいて、砥石２１における砥面２３の状態を判定する。本実施形態の砥面判定装置３０（具体的には、電子制御装置４０）は、機能部として、出力部６０、クラス特定部６１、判定部６２を有している。
【0054】
（出力部）
出力部６０は、判定画像５０を入力データとして、記憶部４４に記憶されている学習済みの学習器５１から、判定画像５０が上記分類クラス（クラス０～クラス３）に属する確率（Ｐ０～Ｐ３）を、４つの分類クラスの各々について出力する。出力部６０は、各分類クラスについての確率Ｐ０～Ｐ３と判定画像５０の砥面２３における位置情報とを、データファイル（例えば、ＣＳＶファイル）として出力する。なお、判定画像５０の砥面２３における位置情報は、位置センサ２２１によって検出される砥石２１の回転位置とＺ軸駆動部３４により制御されるカメラ３１のＺ方向位置とによって特定される。
出力部６０は、判定画像５０を入力データとして、記憶部４４に記憶されている学習済みの学習器５１から、判定画像５０が上記分類クラス（クラス０～クラス３）に属する確率（Ｐ０～Ｐ３）を、４つの分類クラスの各々について出力する。出力部６０は、各分類クラスについての確率Ｐ０～Ｐ３と判定画像５０の砥面２３における位置情報とを、データファイル（例えば、ＣＳＶファイル）として出力する。なお、判定画像５０の砥面２３における位置情報は、位置センサ２２１によって検出される砥石２１の回転位置とＺ軸駆動部３４により制御されるカメラ３１のＺ方向位置とによって特定される。
【0055】
（クラス特定部）
クラス特定部６１は、出力部６０により出力される確率Ｐ０～Ｐ３に応じて、４つの分類クラスのうちの１つ、あるいは２つを、判定画像５０に対応する特定分類クラスＣとして特定する。
クラス特定部６１は、出力部６０により出力される確率Ｐ０～Ｐ３に応じて、４つの分類クラスのうちの１つ、あるいは２つを、判定画像５０に対応する特定分類クラスＣとして特定する。
【0056】
具体的には、出力部６０により出力される確率Ｐ０～Ｐ３のうちの最も高い値が第３所定値Ｊ３（例えば、８０％）以上である場合には、上記確率が最も高い値である１つの分類クラスが特定分類クラスＣとして特定される。詳しくは、主となる特定分類クラス（以
下、メイン特定クラスＭＣ）、および副となる特定分類クラス（以下、サブ特定クラスＳＣ）として、上記確率が最も高い値である１つの分類クラスが定められる。例えば、各分類クラスについての確率Ｐ０～Ｐ３のうち、クラス０の確率Ｐ０が最も高く、且つ同確率Ｐ０が第３所定値Ｊ３以上である場合には、メイン特定クラスＭＣおよびサブ特定クラスＳＣとして「クラス０」が定められる。
下、メイン特定クラスＭＣ）、および副となる特定分類クラス（以下、サブ特定クラスＳＣ）として、上記確率が最も高い値である１つの分類クラスが定められる。例えば、各分類クラスについての確率Ｐ０～Ｐ３のうち、クラス０の確率Ｐ０が最も高く、且つ同確率Ｐ０が第３所定値Ｊ３以上である場合には、メイン特定クラスＭＣおよびサブ特定クラスＳＣとして「クラス０」が定められる。
【0057】
一方、出力部６０により出力される確率Ｐ０～Ｐ３のうちの最も高い値が前記第３所定値Ｊ３未満である場合には、上記確率が最も高い分類クラスと同確率が二番目に高い分類クラスとが特定分類クラスＣとして定められる。詳しくは、メイン特定クラスＭＣとして上記確率が最も高い分類クラスが定められるとともに、サブ特定クラスＳＣとして上記確率が二番目に高い分類クラスが定められる。例えば、クラス１の確率Ｐ１が最も高く、且つ、同確率Ｐ１が第３所定値Ｊ３未満であり、且つ、クラス２の確率Ｐ２が二番目に高い場合には、メイン特定クラスＭＣとして「クラス１」が定められるとともに、サブ特定クラスＳＣとして「クラス２」が定められる。
【0058】
本実施形態では、このようにして４つの分類クラスのうちの１つ、あるいは２つが、１枚の判定画像５０に対応する特定分類クラスＣとして特定される。そのため、砥面２３における１枚の判定画像５０に対応する部分の使用状態を、複数の分類クラスのうちの１つに分類することに限らず、１つの分類クラスの中でも他の分類クラスに近い部類に分類したりするなど、細かく分類することができる。したがって、１枚の判定画像５０に対して１つの分類クラスのみを特定する場合と比較して、砥面２３における１枚の判定画像５０に対応する部分の使用状態を細かく判定することができる。
【0059】
（判定部）
判定部６２は、クラス特定部６１によって特定された特定分類クラスＣ（メイン特定クラスＭＣ、およびサブ特定クラスＳＣ）に基づいて、判定対象の砥石２１の状態を判定する。
判定部６２は、クラス特定部６１によって特定された特定分類クラスＣ（メイン特定クラスＭＣ、およびサブ特定クラスＳＣ）に基づいて、判定対象の砥石２１の状態を判定する。
【0060】
判定部６２は、先ず、同一の判定時期において撮像された複数の判定画像５０であって、且つ、砥面２３に設定された複数（例えば、５６８４箇所）の撮像領域を撮像した判定画像５０に対応して各別に特定された特定分類クラスＣについての統計処理を実行する。
【0061】
この統計処理では、特定分類クラスＣの種類毎に、複数の判定画像５０について各別に特定された全ての特定分類クラスＣに対して同一種類の特定分類クラスＣの占める割合Ｒが算出される。図５に示すように、上記統計処理においては、具体的には、以下の（イ）～（ネ）に記載する値が算出される。
【0062】
（イ）１枚の判定画像５０において特定される全て（本実施形態では、５６８４個）の特定分類クラスＣに対して、メイン特定クラスＭＣが「クラス０」である特定分類クラス（以下、特定分類クラスＣ［０］）の占める割合Ｒ［０］。
【0063】
（ロ）全ての特定分類クラスＣに対して、特定分類クラスＣ［０］のうちのサブ特定クラスＳＣが「クラス０」である特定分類クラス（以下、特定分類クラスＣ［０－０］）の占める割合Ｒ［０－０］。
【0064】
（ハ）全ての特定分類クラスＣに対して、特定分類クラスＣ［０］のうちのサブ特定クラスＳＣが「クラス１」である特定分類クラス（以下、特定分類クラスＣ［０－１］）の占める割合Ｒ［０－１］。
【0065】
（ニ）全ての特定分類クラスＣに対して、特定分類クラスＣ［０］のうちのサブ特定ク
ラスＳＣが「クラス２」である特定分類クラス（以下、特定分類クラスＣ［０－２］）の占める割合Ｒ［０－２］。
ラスＳＣが「クラス２」である特定分類クラス（以下、特定分類クラスＣ［０－２］）の占める割合Ｒ［０－２］。
【0066】
（ホ）全ての特定分類クラスＣに対して、特定分類クラスＣ［０］のうちのサブ特定クラスＳＣが「クラス３」である特定分類クラス（以下、特定分類クラスＣ［０－３］）の占める割合Ｒ［０－３］。
【0067】
（ヘ）全ての特定分類クラスＣに対して、メイン特定クラスＭＣが「クラス１」である特定分類クラス（以下、特定分類クラスＣ［１］）の占める割合Ｒ［１］。
（ト）全ての特定分類クラスＣに対して、特定分類クラスＣ［１］のうちのサブ特定クラスＳＣが「クラス０」である特定分類クラス（以下、特定分類クラスＣ［１－０］）の占める割合Ｒ［１－０］。
（ト）全ての特定分類クラスＣに対して、特定分類クラスＣ［１］のうちのサブ特定クラスＳＣが「クラス０」である特定分類クラス（以下、特定分類クラスＣ［１－０］）の占める割合Ｒ［１－０］。
【0068】
（チ）全ての特定分類クラスＣに対して、特定分類クラスＣ［１］のうちのサブ特定クラスＳＣが「クラス１」である特定分類クラス（以下、特定分類クラスＣ［１－１］）の占める割合Ｒ［１－１］。
【0069】
（リ）全ての特定分類クラスＣに対して、特定分類クラスＣ［１］のうちのサブ特定クラスＳＣが「クラス２」である特定分類クラス（以下、特定分類クラスＣ［１－２］）の占める割合Ｒ［１－２］。
【0070】
（ヌ）全ての特定分類クラスＣに対して、特定分類クラスＣ［１］のうちのサブ特定クラスＳＣが「クラス３」である特定分類クラス（以下、特定分類クラスＣ［１－３］）の占める割合Ｒ［１－３］。
【0071】
（ル）全ての特定分類クラスＣに対して、メイン特定クラスＭＣが「クラス２」である特定分類クラス（以下、特定分類クラスＣ［２］）の占める割合Ｒ［２］。
（ヲ）全ての特定分類クラスＣに対して、特定分類クラスＣ［２］のうちのサブ特定クラスＳＣが「クラス０」である特定分類クラス（以下、特定分類クラスＣ［２－０］）の占める割合Ｒ［２－０］。
（ヲ）全ての特定分類クラスＣに対して、特定分類クラスＣ［２］のうちのサブ特定クラスＳＣが「クラス０」である特定分類クラス（以下、特定分類クラスＣ［２－０］）の占める割合Ｒ［２－０］。
【0072】
（ワ）全ての特定分類クラスＣに対して、特定分類クラスＣ［２］のうちのサブ特定クラスＳＣが「クラス１」である特定分類クラス（以下、特定分類クラスＣ［２－１］）の占める割合Ｒ［２－１］。
【0073】
（カ）全ての特定分類クラスＣに対して、特定分類クラスＣ［２］のうちのサブ特定クラスＳＣが「クラス２」である特定分類クラス（以下、特定分類クラスＣ［２－２］）の占める割合Ｒ［２－２］。
【0074】
（ヨ）全ての特定分類クラスＣに対して、特定分類クラスＣ［２］のうちのサブ特定クラスＳＣが「クラス３」である特定分類クラス（以下、特定分類クラスＣ［２－３］）の占める割合Ｒ［２－３］。
【0075】
（タ）全ての特定分類クラスＣに対して、メイン特定クラスＭＣが「クラス３」である特定分類クラス（以下、特定分類クラスＣ［３］）の占める割合Ｒ［３］。
（レ）全ての特定分類クラスＣに対して、特定分類クラスＣ［３］のうちのサブ特定クラスＳＣが「クラス０」である特定分類クラス（以下、特定分類クラスＣ［３－０］）の占める割合Ｒ［３－０］。
（レ）全ての特定分類クラスＣに対して、特定分類クラスＣ［３］のうちのサブ特定クラスＳＣが「クラス０」である特定分類クラス（以下、特定分類クラスＣ［３－０］）の占める割合Ｒ［３－０］。
【0076】
（ソ）全ての特定分類クラスＣに対して、特定分類クラスＣ［３］のうちのサブ特定ク
ラスＳＣが「クラス１」である特定分類クラス（以下、特定分類クラスＣ［３－１］）の占める割合Ｒ［２－１］。
ラスＳＣが「クラス１」である特定分類クラス（以下、特定分類クラスＣ［３－１］）の占める割合Ｒ［２－１］。
【0077】
（ツ）全ての特定分類クラスＣに対して、特定分類クラスＣ［３］のうちのサブ特定クラスＳＣが「クラス２」である特定分類クラス（以下、特定分類クラスＣ［３－２］）の占める割合Ｒ［３－２］。
【0078】
（ネ）全ての特定分類クラスＣに対して、特定分類クラスＣ［３］のうちのサブ特定クラスＳＣが「クラス３」である特定分類クラス（以下、特定分類クラスＣ［３－３］）の占める割合Ｒ［３－３］。
【0079】
判定部６２は、上記（イ）～（ネ）に記載の各特定分類クラスＣの割合Ｒに基づいて、砥石２１の砥面２３の使用状態を判定するための判定処理として、ドレス良否判定処理、ドレスタイミング判定処理、および研削良否判定処理を実行する。なお本実施形態では、こうした判定処理が自動的に実行されるように、実行プログラムが構築されて記憶部４４に記憶されている。
【0080】
（ドレス良否判定処理）
ドレス良否判定処理は、ドレッシングの良否を判定するための判定処理である。このドレス良否判定処理では、以下の（判定条件Ａ）が満たされる場合に、判定対象の砥石２１におけるドレッシングが適正に実行されたと判定される。
ドレス良否判定処理は、ドレッシングの良否を判定するための判定処理である。このドレス良否判定処理では、以下の（判定条件Ａ）が満たされる場合に、判定対象の砥石２１におけるドレッシングが適正に実行されたと判定される。
【0081】
（判定条件Ａ）特定分類クラスＣ［０－０］の割合Ｒ［０－０］が、予め定められた第１所定値Ｊ１（例えば、９０％）以上であること。
なお、第１所定値Ｊ１としては、「ドレッシングが適正に実行された」ことを精度良く判定することが可能になる値が、発明者等による各種の実験やシミュレーションの結果をもとに予め求められて、記憶部４４に記憶されている。本実施形態では、上記割合Ｒ［０－０］が、第１割合に相当する。
なお、第１所定値Ｊ１としては、「ドレッシングが適正に実行された」ことを精度良く判定することが可能になる値が、発明者等による各種の実験やシミュレーションの結果をもとに予め求められて、記憶部４４に記憶されている。本実施形態では、上記割合Ｒ［０－０］が、第１割合に相当する。
【0082】
図６は、（判定条件Ａ）が満たされる場合に統計処理によって生成された統計データのデータ構造の一例を示す。図６に示すように、上記（判定条件Ａ）が満たされる場合には、砥面２３の各部の使用状態が同砥面２３の略全体にわたって特定分類クラスＣ［０－０］に対応する状態になる。本実施形態のドレス良否判定処理では、そうした状態になった場合に、判定対象の砥石２１におけるドレッシングが適正に実行されたと判定される。なお、上記第１所定値Ｊ１としては、砥面２３の各部の使用状態が同砥面２３の所定範囲にわたって特定分類クラスＣ［０－０］に対応する状態であることを判断できるのであれば、任意の値を設定することができる。
【0083】
一方、ドレス良否判定処理において、上記（判定条件Ａ）が満たされない場合には、判定対象の砥石２１におけるドレッシングが適正に実行されたと判定することなく、ドレス良否判定処理は終了される。
【0084】
（ドレスタイミング判定処理）
ドレスタイミング判定処理は、ドレッシングを実行する時期であることを判定するための判定処理である。
ドレスタイミング判定処理は、ドレッシングを実行する時期であることを判定するための判定処理である。
【0085】
ドレスタイミング判定処理では、以下の（判定条件Ｂ）および（判定条件Ｃ）が共に満たされる場合に、判定対象の砥石２１についてのドレッシングを実行するべき時期であると判定される。
【0086】
（判定条件Ｂ）特定分類クラスＣ［３］の割合Ｒ［３］が、予め定められた第４所定値Ｊ４（例えば、２０％）以上であること。
（判定条件Ｃ）砥面２３における特定分類クラスＣ［３］に対応する部分が、同砥面２３の全体に分散した状態になっていること。
（判定条件Ｃ）砥面２３における特定分類クラスＣ［３］に対応する部分が、同砥面２３の全体に分散した状態になっていること。
【0087】
上記（判定条件Ｂ）が満たされることで、砥面２３において特定分類クラスＣ［３］に対応する部分が一定量含まれた状態であることが分かる。なお、第４所定値Ｊ４としては、「ドレッシングを実行するべき時期である」ことを精度良く判定することが可能になる値が、発明者等による各種の実験やシミュレーションの結果をもとに予め求められて、記憶部４４に記憶されている。本実施形態では、上記割合Ｒ［３］が、第３割合に相当する。
【0088】
また上記（判定条件Ｃ）が満たされることで、そうした砥面２３における特定分類クラスＣ［３］に対応する部分が、砥面２３の一部に集中することなく、同砥面２３の全体に分散した状態であることが分かる。なおドレスタイミング判定処理では、各判定画像５０に関連付けられた位置情報を利用して特定分類クラスＣ［３］に対応する部分の分布を把握するとともに、同分布をもとに（判定条件Ｃ）が満たされるか否かが判断される。
【0089】
本実施形態のドレスタイミング判定処理では、そうした状態になったことを（判定条件Ｂ）および（判定条件Ｃ）をもとに判断することで、判定対象の砥石２１についてのドレッシングを実行するべき時期であると判定される。
【0090】
一方、ドレスタイミング判定処理において、（判定条件Ｂ）および（判定条件Ｃ）の少なくとも一方が満たされない場合には、判定対象の砥石２１についてのドレッシングを実行するべき時期であると判定することなく、ドレスタイミング判定処理は終了される。
【0091】
本実施形態では、連続する複数の判定時期において各別に実行された統計処理を通じて生成された統計データが表示装置３５に表示されるようになっている。そうした統計データの一例を図７（Ａ）～図７（Ｃ）に示す。なお図７（Ａ）は（Ｎ－２）回目の判定時期における統計データを示し、図７（Ｂ）は（Ｎ－１）回目の判定時期における統計データを示し、図７（Ｃ）はＮ回目の判定時期における統計データを示す。
【0092】
図７（Ａ）～図７（Ｃ）から明らかなように、各判定時期の統計データを参照することで、特定分類クラスＣ［２］のうちの特定分類クラスＣ［３］に近いもの（特定分類クラスＣ［２－３］）の割合Ｒ［２－３］を把握することができる。この特定分類クラスＣ［２－３］は、次回の判定時期において、特定分類クラスＣ［３］になる可能性が高い。
【0093】
ユーザーは、連続する複数の判定時期の統計データを参照する際に、こうした特定分類クラスＣ［２－３］に着目することで、次回の判定時期における特定分類クラスＣ［３］の割合Ｒ［３］を推測することができる。これにより、ユーザーは、判定対象の砥石２１についてのドレッシングを実行するべき時期についても推定することが可能になる。
【0094】
（研削良否判定処理）
研削良否判定処理は、砥石２１による研削加工の良否を判定するための判定処理である。研削良否判定処理では、以下の（判定条件Ｄ）が満たされる場合に、砥石２１による研削加工が適正に実行されていると判定される。
研削良否判定処理は、砥石２１による研削加工の良否を判定するための判定処理である。研削良否判定処理では、以下の（判定条件Ｄ）が満たされる場合に、砥石２１による研削加工が適正に実行されていると判定される。
【0095】
（判定条件Ｄ）連続する複数の判定時期の各々において特定された特定分類クラスＣ［２］の割合Ｒ［２］の分布幅が、予め定められた第２所定値Ｊ２以下であること。
一方、研削良否判定処理において、上記（判定条件Ｄ）が満たされない場合には、砥石
２１による研削加工が適正に実行されていると判定することなく、研削良否判定処理は終了される。
一方、研削良否判定処理において、上記（判定条件Ｄ）が満たされない場合には、砥石
２１による研削加工が適正に実行されていると判定することなく、研削良否判定処理は終了される。
【0096】
砥面判定装置３０では、砥面２３の使用状態が研削加工に適した状態（前記第２状態）になると、砥面２３への「切り屑」の付着と同砥面２３からの「切り屑」の脱落とが繰り返される。こうした砥面判定装置３０において、砥石２１による研削加工を適正に実行するうえでは、砥面２３への「切り屑」の付着と同砥面２３からの「切り屑」の脱落とのバランスが取れていることが好ましい。本実施形態の砥面判定装置３０では、「切り屑」の付着と脱落とのバランスが取れた状態になった場合において特定分類クラスＣ［２］の割合Ｒ［２］が略一定に保たれた状態になるように、前述した４種類の砥面２３の使用状態が定められている。
【0097】
図７（Ａ）および図７（Ｂ）は、「切り屑」の付着と脱落とのバランスが取れた状態になった場合における統計データの一例を示している。図７（Ａ）および図７（Ｂ）から明らかなように、砥面判定装置３０では、「切り屑」の付着と脱落とのバランスが取れた状態になると、特定分類クラスＣ［２］の割合Ｒ［２］が略一定に保たれた状態になる。
【0098】
なお、第２所定値Ｊ２としては、「切り屑」の付着と脱落とのバランスが取れた状態であることを精度良く判定することの可能な値が、発明者等による各種の実験やシミュレーションの結果をもとに予め求められて、記憶部４４に記憶されている。本実施形態では、上記割合Ｒ［２］が、第２割合に相当する。
【0099】
研削良否判定処理では、上記（判定条件Ｄ）が満たされることで、砥面２３の全体において特定分類クラスＣ［２］に対応する状態（前記加工中期）になっている部分の占める割合Ｒ［２］が略一定に保たれていると判断することができる。なお図７（Ａ）および図７（Ｂ）に示す例では、図７（Ａ）における割合Ｒ［２］と図７（Ｂ）における割合Ｒ［２］との差が第２所定値Ｊ２以下になるため、上記（判定条件Ｄ）が満たされる。研削良否判定処理において、連続する３回以上の判定時期に特定された特定分類クラスＣ［２］の割合Ｒ［２］を利用する場合には、それら割合Ｒ［２］の最大値と最小値との差が第２所定値Ｊ２以下であることをもって（判定条件Ｄ）を満たすと判断すればよい。
【0100】
そして、研削良否判定処理では、この判断をもとに、砥面２３への「切り屑」の付着が適度の量に抑えられていること、ひいては砥面２３の使用状態が研削加工に適した状態で維持されていることを判定できる。
【0101】
本実施形態では、砥面２３の使用状態として、少量付着状態に相当する「加工初期」と多量付着状態に相当する「加工中期」とが定められている。これにより、砥面２３における判定画像５０に対応する部分の使用状態を、切り屑の付着量が少ない少量付着状態に対応する「クラス１」や、切り屑の付着量が多い多量付着状態に対応する「クラス２」に分類することができる。そのため、その分類結果をもとに、そのときどきにおける砥面２３への「切り屑」の付着量が、適度な量に抑えられていることを判定することができる。これにより、砥面２３の使用状態が研削加工に適した状態で維持されていることを判定することができる。
【0102】
以下、判定対象の砥石２１の砥面２３の使用状態を判定するための判定処理について具体的に説明する。図８は判定処理の実行手順を示している。同図８のフローチャートに示される一連の処理は、所定周期毎の処理として、電子制御装置４０により実行される。
【0103】
図８に示すように、この処理では先ず、自動研削装置２０に取り付けられている砥石２１の砥面２３の各部を撮像した複数の画像データ（判定画像５０）が取得される（ステッ
プＳ２１）。具体的には、前記撮像処理（図４）が実行されるとともに、同撮像処理によって取得された複数の画像データが判定画像５０として記憶部４４に記憶される。本実施形態では、ステップＳ２１の処理が入力工程に相当する。
プＳ２１）。具体的には、前記撮像処理（図４）が実行されるとともに、同撮像処理によって取得された複数の画像データが判定画像５０として記憶部４４に記憶される。本実施形態では、ステップＳ２１の処理が入力工程に相当する。
【0104】
その後、記憶部４４に記憶された判定画像５０を入力データとして、同記憶部４４に記憶されている学習済みの学習器５１から、判定画像５０が分類クラスに属する確率（Ｐ０～Ｐ３）が出力される（ステップＳ２２）。確率（Ｐ０～Ｐ３）は、詳しくは、４つの分類クラス（クラス０～クラス３）について各別に出力されるとともに、同一の砥面２３の各部を撮像した複数の判定画像５０について各別に出力される。そして、学習器５１から出力される確率（Ｐ０～Ｐ３）は、判定画像５０の砥面２３における位置情報に関連付けられた状態で記憶部４４に記憶される。本実施形態では、ステップＳ２２の処理が出力工程に相当する。
【0105】
その後、上記確率Ｐ０～Ｐ３に応じて、４つの分類クラスのうちの１つ、あるいは２つが、判定画像５０に対応する特定分類クラスＣとして特定される（ステップＳ２３）。なお、特定分類クラスＣを特定する処理は、同一の砥面２３の各部を撮像した複数の判定画像５０について各別に実行される。上記特定分類クラスＣは、判定画像５０の砥面２３における位置情報に関連付けられた状態で記憶部４４に記憶される。本実施形態では、ステップＳ２３の処理がクラス特定工程に相当する。
【0106】
その後、複数の判定画像５０に対応して各別に特定された特定分類クラスＣについての統計処理が実行される（ステップＳ２４）。詳しくは、特定分類クラスＣの種類毎に、複数の判定画像５０について各別に特定された全ての特定分類クラスＣに対して同一種類の特定分類クラスＣの占める割合Ｒが算出される。
【0107】
その後、ドレス良否判定処理が実行される（ステップＳ２５）。ドレス良否判定処理による判定結果は、判定結果データ５４として記憶部４４に記憶されるとともに、表示装置３５に表示される。ユーザーは、記憶部４４に記憶されている判定結果データ５４や、表示装置３５に表示される判定結果をもとに、ドレッシングが適正に実行されていることを把握することができる。
【0108】
また、ドレスタイミング判定処理が実行される（ステップＳ２６）。ドレスタイミング判定処理による判定結果は、判定結果データ５４として記憶部４４に記憶されるとともに、表示装置３５に表示される。ユーザーは、記憶部４４に記憶されている判定結果データ５４や、表示装置３５に表示される判定結果をもとに、ドレッシングを実行するべき時期であることを把握することができる。
【0109】
さらに、研削良否判定処理が実行される（ステップＳ２７）。研削良否判定処理による判定結果は、判定結果データ５４として記憶部４４に記憶されるとともに、表示装置３５に表示される。ユーザーは、記憶部４４に記憶されている判定結果データ５４や、表示装置３５に表示される判定結果をもとに、砥石２１による研削加工が適正に実行されていることを把握することができる。なお本実施形態では、ステップＳ２４の処理、ステップＳ２５の処理、ステップＳ２６の処理、およびステップＳ２７の処理が判定工程に相当する。
【0110】
（効果）
以上説明したように、本実施形態によれば、以下に記載する効果が得られる。
（１）本実施形態の砥面判定装置３０では、４つの分類クラスのうちの１つ、あるいは２つが、１枚の判定画像５０に対応する特定分類クラスＣとして特定される。そのため、砥面２３における１枚の判定画像５０に対応する部分の使用状態を、複数の分類クラスの
うちの１つに分類することに限らず、１つの分類クラスの中でも他の分類クラスに近い部類に分類したりするなど、細かく分類することができる。したがって、１枚の判定画像５０に対して１つの分類クラスのみを特定する場合と比較して、砥面２３における１枚の判定画像５０に対応する部分の使用状態を細かく判定することができる。これにより、判定画像５０の撮像範囲を広くしたとしても、判定対象の砥石２１の状態についての判定を高い精度で実行することができる。そのため、判定の精度を高く維持しながら、砥面２３の判定に利用する判定画像５０の枚数を少なくすることができる。本実施形態によれば、このようにして砥面２３の使用状態を短い時間、且つ高い精度で判定することができる。
以上説明したように、本実施形態によれば、以下に記載する効果が得られる。
（１）本実施形態の砥面判定装置３０では、４つの分類クラスのうちの１つ、あるいは２つが、１枚の判定画像５０に対応する特定分類クラスＣとして特定される。そのため、砥面２３における１枚の判定画像５０に対応する部分の使用状態を、複数の分類クラスの
うちの１つに分類することに限らず、１つの分類クラスの中でも他の分類クラスに近い部類に分類したりするなど、細かく分類することができる。したがって、１枚の判定画像５０に対して１つの分類クラスのみを特定する場合と比較して、砥面２３における１枚の判定画像５０に対応する部分の使用状態を細かく判定することができる。これにより、判定画像５０の撮像範囲を広くしたとしても、判定対象の砥石２１の状態についての判定を高い精度で実行することができる。そのため、判定の精度を高く維持しながら、砥面２３の判定に利用する判定画像５０の枚数を少なくすることができる。本実施形態によれば、このようにして砥面２３の使用状態を短い時間、且つ高い精度で判定することができる。
【0111】
（２）砥面２３の使用状態として、ドレッシングが適正に実行された直後における砥面２３の状態である「ドレス直後」、砥面２３が研削加工に適した状態である「第２状態」、砥面２３の最外面に結合剤が露出した状態である「ドレスタイミング」が定められる。これにより、ＣＮＮによって構成された学習器５１は、上記「ドレス直後」、「第２状態」、および「ドレスタイミング」といった砥面２３の使用状態に対応する教師データ５３を利用して学習されるようになる。そのため、この教師データ５３によって学習された学習済みの学習器５１は、入力データとしての判定画像５０を上記「ドレス直後」、「第２状態」、および「ドレスタイミング」に対応する分類クラスに分類した結果を出力するようになる。本実施形態によれば、そうした学習器５１による分類結果に基づいて、砥面２３のドレッシングが実行された直後から同砥面２３の最外面に結合剤が露出した状態になるまでの期間において、砥面２３の使用状態を精度良く判定することができる。
【0112】
（３）判定部６２は、特定分類クラスＣ［０－０］の割合Ｒ［０－０］が第１所定値Ｊ１以上である場合に、判定対象の砥石２１におけるドレッシングが適正に実行されたと判定する。本実施形態によれば、砥面２３の各部の使用状態が同砥面２３の略全体にわたって特定分類クラスＣ［０－０］に対応する状態、すなわちドレッシングが適正に実行された直後における砥面２３の状態になっていると判断することができる。そして、この判断をもとに、判定対象の砥石２１のドレッシングが適正に実行されたことを判定することができる。
【0113】
（４）砥面２３の使用状態としての「第２状態」は、少量付着状態に相当する「加工初期」と多量付着状態に相当する「加工中期」とを含む。本実施形態によれば、砥面２３における判定画像５０に対応する部分の使用状態を、切り屑の付着量が少ない少量付着状態に対応する「クラス１」や、切り屑の付着量が多い多量付着状態に対応する「クラス２」に分類することができる。そのため、その分類結果をもとに、そのときどきにおける砥面２３への「切り屑」の付着量が、適度な量に抑えられていることを判定することができる。これにより、砥面２３の使用状態が研削加工に適した状態で維持されていることを判定することができる。
【0114】
（５）研削良否判定処理において、（判定条件Ｄ）が満たされる場合に、砥石２１による研削加工が適正に実行されていると判定される。本実施形態によれば、（判定条件Ｄ）が満たされることで、砥面２３の全体において特定分類クラスＣ［２］に対応する状態（加工中期）になっている部分の占める割合Ｒ［２］が略一定に保たれていると判断することができる。そして、この判断をもとに、砥面２３への「切り屑」の付着が適度の量に抑えられていること、ひいては砥面２３の使用状態が研削加工に適した状態で維持されていることを判定できる。
【0115】
（６）出力部６０により出力される確率Ｐ０～Ｐ３のうちの最も高い値が第３所定値Ｊ３以上である場合には、上記確率が最も高い値である１つの分類クラスが特定分類クラスＣ（詳しくは、メイン特定クラスＭＣおよびサブ特定クラスＳＣ）として特定される。出力部６０により出力される確率Ｐ０～Ｐ３のうちの最も高い値が第３所定値Ｊ３未満であ
る場合には、メイン特定クラスＭＣとして上記確率が最も高い分類クラスが定められるとともに、サブ特定クラスＳＣとして上記確率が二番目に高い分類クラスが定められる。本実施形態によれば、メイン特定クラスＭＣによって砥面２３の使用状態を大まかに把握することができる。加えて、サブ特定クラスＳＣによって砥面２３の使用状態を細かく把握することができる。このように本実施形態によれば、砥面２３の使用状態を詳細に判定することができる。
る場合には、メイン特定クラスＭＣとして上記確率が最も高い分類クラスが定められるとともに、サブ特定クラスＳＣとして上記確率が二番目に高い分類クラスが定められる。本実施形態によれば、メイン特定クラスＭＣによって砥面２３の使用状態を大まかに把握することができる。加えて、サブ特定クラスＳＣによって砥面２３の使用状態を細かく把握することができる。このように本実施形態によれば、砥面２３の使用状態を詳細に判定することができる。
【0116】
（７）ドレスタイミング判定処理では、（判定条件Ｂ）および（判定条件Ｃ）が共に満たされる場合に、判定対象の砥石２１についてのドレッシングを実行するべき時期であると判定される。上記（判定条件Ｂ）が満たされることで、砥面２３において特定分類クラスＣ［３］に対応する部分が一定量含まれた状態であることが分かる。また上記（判定条件Ｃ）が満たされることで、そうした砥面２３における特定分類クラスＣ［３］に対応する部分が、砥面２３の一部に集中することなく、同砥面２３の全体に分散した状態であることが分かる。本実施形態によれば、そうした状態になったことを（判定条件Ｂ）および（判定条件Ｃ）をもとに判断することで、判定対象の砥石２１についてのドレッシングを実行するべき時期であると判定することができる。
【0117】
（変更例）
なお、上記実施形態は、以下のように変更して実施することができる。上記実施形態および以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。
なお、上記実施形態は、以下のように変更して実施することができる。上記実施形態および以下の変更例は、技術的に矛盾しない範囲で互いに組み合わせて実施することができる。
【0118】
・ドレスタイミング判定処理における（判定条件Ｃ）を省略することができる。この構成では、（判定条件Ｂ）が満たされる場合に、判定対象の砥石２１についてのドレッシングを実行するべき時期であると判定すればよい。
【0119】
・ドレスタイミング判定処理において、以下の（判定条件Ｅ）が満たされる場合に、判定対象の砥石２１についてのドレッシングを実行するべき時期であると判定するようにしてもよい。
【0120】
（判定条件Ｅ）砥面２３における特定分類クラスＣ［３］に対応する部分が、同砥面２３における所定の範囲内に、所定の割合で含まれた状態になっていること。
なお、（判定条件Ｅ）における各値（所定の範囲、所定の割合）としては、上記特定分類クラスＣ［３］に対応する部分が砥面２３の一部に集中したアンバランスな状態になっていることを判断することの可能な値を予め定めておけばよい。具体的には、上記各値として、発明者等による各種の実験やシミュレーションの結果をもとに適正な値を予め求めて記憶部４４に記憶させておけばよい。上記構成によれば、特定分類クラスＣ［３］に対応する部分が砥面２３の一部に集中したアンバランスな状態になっていることを判断することで、判定対象の砥石２１についてのドレッシングを実行するべき時期であると判定することができる。
なお、（判定条件Ｅ）における各値（所定の範囲、所定の割合）としては、上記特定分類クラスＣ［３］に対応する部分が砥面２３の一部に集中したアンバランスな状態になっていることを判断することの可能な値を予め定めておけばよい。具体的には、上記各値として、発明者等による各種の実験やシミュレーションの結果をもとに適正な値を予め求めて記憶部４４に記憶させておけばよい。上記構成によれば、特定分類クラスＣ［３］に対応する部分が砥面２３の一部に集中したアンバランスな状態になっていることを判断することで、判定対象の砥石２１についてのドレッシングを実行するべき時期であると判定することができる。
【0121】
・ドレス判定処理、ドレスタイミング判定処理、および砥面良否判定処理のうちの１つを省略したり、２つを省略したりすることができる。
・各判定処理の判定結果を表示装置３５に表示する構成を省略することができる。
・各判定処理の判定結果を表示装置３５に表示する構成を省略することができる。
【0122】
・各判定処理の判定結果を表示装置３５に表示することに限らず、判定結果に応じて警告ブザーを吹聴したりスピーカーから音声情報を発したりするようにしてもよい。
・砥面２３の複数種類の使用状態は、「ドレス直後」、「加工初期」、「加工中期」、および「ドレスタイミング」の４種類の使用状態を設定することに限らず、任意に変更することができる。例えば、「加工初期」および「加工中期」の一方を省略することができ
る。また、「加工初期」および「加工中期」に代えて、砥面２３が研削加工に適した状態である「第２状態」を１つのみ設定することができる。「加工初期」および「加工中期」の両方を省略することができる。砥面２３の複数種類の使用状態として、５種類以上の使用状態を定めることも可能である。
・砥面２３の複数種類の使用状態は、「ドレス直後」、「加工初期」、「加工中期」、および「ドレスタイミング」の４種類の使用状態を設定することに限らず、任意に変更することができる。例えば、「加工初期」および「加工中期」の一方を省略することができ
る。また、「加工初期」および「加工中期」に代えて、砥面２３が研削加工に適した状態である「第２状態」を１つのみ設定することができる。「加工初期」および「加工中期」の両方を省略することができる。砥面２３の複数種類の使用状態として、５種類以上の使用状態を定めることも可能である。
【0123】
・複数の分類クラスのうちの３つ以上を、１枚の判定画像５０に対応する特定分類クラスＣとして特定するようにしてもよい。例えば、前記確率が最も高い１つの分類クラスと、前記確率が２番目に高い分類クラスと、前記確率が３番目に高い分類クラスの３つの分類クラスとを、特定分類クラスとして特定することができる。
【0124】
・学習済みの学習器５１を電子制御装置４０に記憶させるための作業は、以下の（作業Ａ）～（作業Ｃ）のように、任意の態様で実行することができる。
（作業Ａ）判定対象の砥石２１が設けられる自動研削装置２０を利用して、教師データ５３を取得するとともに、同教師データ５３によって学習器５１を機械学習させる。
（作業Ａ）判定対象の砥石２１が設けられる自動研削装置２０を利用して、教師データ５３を取得するとともに、同教師データ５３によって学習器５１を機械学習させる。
【0125】
（作業Ｂ）実際に使用する砥石２１に対応する教師データ５３を、自動研削装置２０の製造メーカー、あるいは砥石２１の製造メーカーに提供してもらう。そして、教師データ５３をユーザーが使用する砥面判定装置３０の電子制御装置４０に記憶させることで、学習器５１を機械学習させる。
【0126】
（作業Ｃ）自動研削装置２０の製造時において、学習済みの学習器５１を電子制御装置４０に記憶させる。
・カメラ３１を、自動研削装置２０における砥石カバー２５以外の部分に取り付けるようにしてもよい。
・カメラ３１を、自動研削装置２０における砥石カバー２５以外の部分に取り付けるようにしてもよい。
【0127】
・カメラ３１を有する撮像ユニットを、自動研削装置２０と別体に構成してもよい。この場合、砥面２３の使用状態を判定する際に撮像ユニットを自動研削装置２０に一時的に取り付けるとともに同撮像ユニットによって砥面２３を撮像することで、判定対象の砥石２１の砥面２３を撮像した画像（判定画像５０）を取得することができる。
【0128】
・判定対象の砥石２１が設けられた自動研削装置２０以外の装置（専用の撮像装置や他の自動研削装置など）に搭載されたカメラによって撮像した画像を、電子制御装置４０に記憶させて、教師データ５３として用いるようにしてもよい。
【0129】
・学習器５１としては、畳み込みニューラルネットワークを採用することに限らず、多層構造を有する一般的な順伝播型ニューラルネットワークや、サポートベクターマシンなどを採用することができる。
【0130】
・上記実施形態にかかる砥面判定装置は、円柱状の基材の底面に多数の砥粒が結合剤によって固着された構造をなす砥石にも適用することができる。
・上記実施形態にかかる砥面判定装置は、自動研削装置と別体の装置として構成することができる。同構成では、砥面の使用状態を判定する際には、判定対象の砥石が自動研削装置から取り外されるとともに砥面判定装置に取り付けられる。その後、砥面判定装置によって砥面の使用状態が判定される。
・上記実施形態にかかる砥面判定装置は、自動研削装置と別体の装置として構成することができる。同構成では、砥面の使用状態を判定する際には、判定対象の砥石が自動研削装置から取り外されるとともに砥面判定装置に取り付けられる。その後、砥面判定装置によって砥面の使用状態が判定される。
【0131】
（付記）
上記実施形態は、以下の付記に記載する構成を含む。
［付記１］砥石における砥面の状態を判定する砥面判定装置において、判定対象の砥石の砥面を撮像した画像を判定画像として記憶する入力部と、複数種類の使用状態の砥面を各別に撮像した画像からなる教師データによって学習された学習済みの学習器を記憶する
記憶部と、前記判定画像を入力データとして、前記学習済みの学習器から、前記複数種類の使用状態に対応する複数の分類クラスの各々についての前記分類クラスに前記判定画像が属する確率を出力する出力部と、前記出力部により出力される前記確率に応じて、前記複数の分類クラスのうちの前記確率が最も高い１つの分類クラスを、または当該１つの分類クラスを含む２つ以上の分類クラスを、前記判定画像に対応する特定分類クラスとして特定するクラス特定部と、前記クラス特定部によって特定された前記特定分類クラスに基づいて、前記判定対象の砥石の状態を判定する判定部と、を備える砥面判定装置。
上記実施形態は、以下の付記に記載する構成を含む。
［付記１］砥石における砥面の状態を判定する砥面判定装置において、判定対象の砥石の砥面を撮像した画像を判定画像として記憶する入力部と、複数種類の使用状態の砥面を各別に撮像した画像からなる教師データによって学習された学習済みの学習器を記憶する
記憶部と、前記判定画像を入力データとして、前記学習済みの学習器から、前記複数種類の使用状態に対応する複数の分類クラスの各々についての前記分類クラスに前記判定画像が属する確率を出力する出力部と、前記出力部により出力される前記確率に応じて、前記複数の分類クラスのうちの前記確率が最も高い１つの分類クラスを、または当該１つの分類クラスを含む２つ以上の分類クラスを、前記判定画像に対応する特定分類クラスとして特定するクラス特定部と、前記クラス特定部によって特定された前記特定分類クラスに基づいて、前記判定対象の砥石の状態を判定する判定部と、を備える砥面判定装置。
【0132】
［付記２］前記砥石は、複数の砥粒が結合剤によって固着された構造をなすものであり、前記複数種類の使用状態は、前記砥面のドレッシングが適正に実行された直後における当該砥面の状態である第１状態と、前記砥面が研削加工に適した状態である第２状態と、前記砥面の最外面に前記結合剤が露出した状態である第３状態と、を含む［付記１］に記載の砥面判定装置。
【0133】
［付記３］前記砥面判定装置は、前記出力部による前記確率の出力と前記クラス特定部による前記特定分類クラスの特定とを、前記砥面の各部を撮像した画像である複数の前記判定画像について各別に実行するものであり、前記判定部は、同一の判定時期に撮像された前記複数の前記判定画像について各別に特定された前記特定分類クラスのうち、前記１つの分類クラスであって、且つ前記第１状態に対応する分類クラスのみが特定された前記特定分類クラスの占める第１割合が、予め定められた第１所定値以上である場合に、前記判定対象の砥石におけるドレッシングが適正に実行されたと判定する［付記２］に記載の砥面判定装置。
【0134】
［付記４］前記第２状態は、前記砥面における切り屑の付着量が少ない少量付着状態と、前記砥面における切り屑の付着量が多い多量付着状態と、を含む［付記２］または［付記３］に記載の砥面判定装置。
【0135】
［付記５］前記砥面判定装置は、前記出力部による前記確率の出力と前記クラス特定部による前記特定分類クラスの特定とを、同一の判定時期において前記砥面の各部を撮像した画像である複数の前記判定画像について各別に実行するとともに、異なる判定時期において各別に前記砥面を撮像した画像を前記判定画像として利用することで繰り返し実行するものであり、前記判定部は、前記同一の判定時期において撮像された前記複数の前記判定画像について各別に特定された前記特定分類クラスのうち、前記１つの分類クラスが前記多量付着状態に対応する分類クラスになっている前記特定分類クラスの占める第２割合を、連続する複数の判定時期において各別に算出するものであり、且つ、前記複数の判定時期についての前記第２割合の分布幅が、予め定められた第２所定値以下である場合に、前記砥面が研削加工に適した状態に保たれていると判定するものである［付記４］に記載の砥面判定装置。
【0136】
［付記６］前記クラス特定部は、前記１つの分類クラスについての前記確率が予め定められた第３所定値以上の場合には、前記１つの分類クラスをメイン特定クラスとして特定する一方、前記１つの分類クラスについての前記確率が前記第３所定値未満の場合には、前記１つの分類クラスを前記メイン特定クラスとして特定することに加えて、前記複数の分類クラスのうちの前記確率が２番目に高い分類クラスをサブ特定クラスとして特定する［付記１］～［付記５］のいずれか一項に記載の砥面判定装置。
【0137】
［付記７］前記砥面判定装置は、前記出力部による前記確率の出力と前記クラス特定部による前記特定分類クラスの特定とを、前記判定対象の砥石の砥面の各部を撮像した画像である複数の前記判定画像について各別に実行するものであり、前記クラス特定部は、前記１つの分類クラスについての前記確率が予め定められた第３所定値以上の場合には、前
記１つの分類クラスをメイン特定クラスとして特定する一方、前記１つの分類クラスについての前記確率が前記第３所定値未満の場合には、前記１つの分類クラスを前記メイン特定クラスとして特定することに加えて、前記複数の分類クラスのうちの前記確率が２番目に高い分類クラスをサブ特定クラスとして特定するものであり、前記判定部は、前記複数の前記判定画像について各別に特定された前記特定分類クラスのうち、前記１つの分類クラスであって且つ前記第３状態に対応する分類クラスが前記メイン特定クラスになっている前記特定分類クラスの占める第３割合が、予め定められた第４所定値以上である場合に、前記判定対象の砥石のドレッシングを実行するべき時期であると判定する［付記２］～［付記５］のいずれか一項に記載の砥面判定装置。
記１つの分類クラスをメイン特定クラスとして特定する一方、前記１つの分類クラスについての前記確率が前記第３所定値未満の場合には、前記１つの分類クラスを前記メイン特定クラスとして特定することに加えて、前記複数の分類クラスのうちの前記確率が２番目に高い分類クラスをサブ特定クラスとして特定するものであり、前記判定部は、前記複数の前記判定画像について各別に特定された前記特定分類クラスのうち、前記１つの分類クラスであって且つ前記第３状態に対応する分類クラスが前記メイン特定クラスになっている前記特定分類クラスの占める第３割合が、予め定められた第４所定値以上である場合に、前記判定対象の砥石のドレッシングを実行するべき時期であると判定する［付記２］～［付記５］のいずれか一項に記載の砥面判定装置。
【0138】
［付記８］前記［付記１］～［付記７］のいずれか一項に記載の砥面判定装置が備える前記学習済みの学習器。
［付記９］前記［付記１］～［付記７］のいずれか一項に記載の砥面判定装置が具備する前記入力部、前記出力部、前記クラス特定部、および前記判定部の処理を、前記砥面判定装置が備える電子制御装置に実行させる判定プログラム。
［付記９］前記［付記１］～［付記７］のいずれか一項に記載の砥面判定装置が具備する前記入力部、前記出力部、前記クラス特定部、および前記判定部の処理を、前記砥面判定装置が備える電子制御装置に実行させる判定プログラム。
【符号の説明】
【0139】
２０ 自動研削装置
２１ 砥石
２２ 回転駆動部
２２１ 位置センサ
２３ 砥面
２４ ドレッサ
３０ …砥面判定装置
３１ …カメラ
３５ 表示装置
４０ 電子制御装置
４１ ＣＰＵ
４２ ＲＯＭ
４３ ＲＡＭ
４４ 記憶部
５０ 判定画像
５１ 学習器
５２ 実行プログラム
５３ 教師データ
５４ 判定結果データ
６０ 出力部
６１ クラス特定部
６２ 判定部
Ｐ 確率
Ｃ 特定分類クラス
Ｒ 割合
２１ 砥石
２２ 回転駆動部
２２１ 位置センサ
２３ 砥面
２４ ドレッサ
３０ …砥面判定装置
３１ …カメラ
３５ 表示装置
４０ 電子制御装置
４１ ＣＰＵ
４２ ＲＯＭ
４３ ＲＡＭ
４４ 記憶部
５０ 判定画像
５１ 学習器
５２ 実行プログラム
５３ 教師データ
５４ 判定結果データ
６０ 出力部
６１ クラス特定部
６２ 判定部
Ｐ 確率
Ｃ 特定分類クラス
Ｒ 割合
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】