知財求人 - 知財ポータルサイト「IP Force」
特開2025-11547加工面状態推定装置、推定プログラムおよび加工面状態推定方法
(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】P2025011547
(43)【公開日】2025-01-24
(54)【発明の名称】加工面状態推定装置、推定プログラムおよび加工面状態推定方法
(51)【国際特許分類】
B24B 49/18 20060101AFI20250117BHJP
B24B 49/12 20060101ALI20250117BHJP
B23Q 17/09 20060101ALI20250117BHJP
G05B 19/4155 20060101ALI20250117BHJP
【ＦＩ】
B24B49/18
B24B49/12
B23Q17/09 A
G05B19/4155 V
【審査請求】未請求
【請求項の数】8
【出願形態】ＯＬ
(21)【出願番号】P 2023113728
(22)【出願日】2023-07-11
(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】山嵜 崇義
(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）】
3C029
3C034
3C269
【Ｆターム（参考）】
3C029CC02
3C029CC10
3C034AA01
3C034BB93
3C034CA09
3C034CA22
3C269AB07
3C269BB07
3C269JJ09
3C269MN02
3C269MN26
3C269MN44
3C269MN47
3C269QC01
3C269QC06
(57)【要約】
【課題】学習済みの学習器を設定する作業にかかる時間の短縮や労力の軽減を図る。
【解決手段】加工面状態推定装置は、記憶部、リサイズ部、出力部を備える。記憶部は、所定粒子径Ｇ２の砥粒を有する砥石の砥面に関する画像を学習データとして学習された学習済みの第２学習器６２と、推定対象の砥石の砥面に関する画像である撮像画像４４と、推定対象の砥石の粒子径Ｇ１に関する粒子径情報とを記憶する。リサイズ部は、変更比率ＲＧで撮像画像４４の画像サイズを変更してリサイズ画像を生成する。出力部は、リサイズ画像を利用して、第２学習器６２から、推定対象の砥石の砥面の状態を示す砥面情報を出力する。
【選択図】図１１
【解決手段】加工面状態推定装置は、記憶部、リサイズ部、出力部を備える。記憶部は、所定粒子径Ｇ２の砥粒を有する砥石の砥面に関する画像を学習データとして学習された学習済みの第２学習器６２と、推定対象の砥石の砥面に関する画像である撮像画像４４と、推定対象の砥石の粒子径Ｇ１に関する粒子径情報とを記憶する。リサイズ部は、変更比率ＲＧで撮像画像４４の画像サイズを変更してリサイズ画像を生成する。出力部は、リサイズ画像を利用して、第２学習器６２から、推定対象の砥石の砥面の状態を示す砥面情報を出力する。
【選択図】図１１
【特許請求の範囲】
【請求項1】
砥粒が固着された構造の工具における加工面の状態を推定する加工面状態推定装置であって、
所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器、および、推定対象の工具の加工面に関する画像である推定画像、および、前記推定対象の工具の粒子径に関する粒子径情報、を記憶する記憶部と、
前記所定粒子径を「Ｇ１」とし、前記粒子径情報における前記粒子径を「Ｇ２」とするとき、式「Ｇ１／Ｇ２」で表される変更比率で前記推定画像の画像サイズを変更するリサイズ部と、
前記リサイズ部により前記画像サイズが変更された前記推定画像を利用して、前記学習済みの学習器から、前記推定対象の工具の加工面の状態を示す加工面情報を出力する出力部と、を備える加工面状態推定装置。
所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器、および、推定対象の工具の加工面に関する画像である推定画像、および、前記推定対象の工具の粒子径に関する粒子径情報、を記憶する記憶部と、
前記所定粒子径を「Ｇ１」とし、前記粒子径情報における前記粒子径を「Ｇ２」とするとき、式「Ｇ１／Ｇ２」で表される変更比率で前記推定画像の画像サイズを変更するリサイズ部と、
前記リサイズ部により前記画像サイズが変更された前記推定画像を利用して、前記学習済みの学習器から、前記推定対象の工具の加工面の状態を示す加工面情報を出力する出力部と、を備える加工面状態推定装置。
【請求項2】
前記学習データを構成する画像、および、前記推定画像は、グレースケール画像である、
請求項１に記載の加工面状態推定装置。
請求項１に記載の加工面状態推定装置。
【請求項3】
前記工具は、研削加工用の砥石である、
請求項１または２に記載の加工面状態推定装置。
請求項１または２に記載の加工面状態推定装置。
【請求項4】
前記砥石は、一般砥粒が固着された構造の一般砥石である、
請求項３に記載の加工面状態推定装置。
請求項３に記載の加工面状態推定装置。
【請求項5】
前記砥石は、超砥粒が固着された構造の超砥粒砥石である、
請求項３に記載の加工面状態推定装置。
請求項３に記載の加工面状態推定装置。
【請求項6】
前記加工面状態推定装置は、
前記加工面に直交する方向から同加工面を撮像する撮像部と、
前記加工面における前記撮像部による撮像対象領域を照明する照明部と、を備え、
前記照明部は、第１発光色を有する第１照明光を前記加工面に直交する方向から前記撮像対象領域に照射する第１照射部と、前記第１発光色とは異なる第２発光色を有する第２照明光を、前記加工面に沿う方向から前記撮像対象領域に照射する第２照射部と、を有する、
請求項１または２に記載の加工面状態推定装置。
前記加工面に直交する方向から同加工面を撮像する撮像部と、
前記加工面における前記撮像部による撮像対象領域を照明する照明部と、を備え、
前記照明部は、第１発光色を有する第１照明光を前記加工面に直交する方向から前記撮像対象領域に照射する第１照射部と、前記第１発光色とは異なる第２発光色を有する第２照明光を、前記加工面に沿う方向から前記撮像対象領域に照射する第２照射部と、を有する、
請求項１または２に記載の加工面状態推定装置。
【請求項7】
請求項１または２に記載の加工面状態推定装置が具備する前記記憶部の処理、および、前記リサイズ部の処理、および、前記出力部の処理を、前記加工面状態推定装置が備える電子制御装置に実行させる推定プログラム。
【請求項8】
砥粒が固着された構造の工具における加工面の状態を推定する加工面状態推定方法であって、
所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器、および、推定対象の工具の加工面に関する画像である推定画像、および、前記推定対象の工具の粒子径に関する粒子径情報を記憶する記憶工程と、
前記所定粒子径を「Ｇ１」とし、前記粒子径情報における前記粒子径を「Ｇ２」とした場合に、式「Ｇ１／Ｇ２」で表される変更比率で前記推定画像の画像サイズを変更するリサイズ工程と、
前記リサイズ工程において前記画像サイズが変更された前記推定画像を利用して、前記学習済みの学習器から、前記推定対象の工具の加工面の状態を示す加工面情報を出力する出力工程と、を備える加工面状態推定方法。
所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器、および、推定対象の工具の加工面に関する画像である推定画像、および、前記推定対象の工具の粒子径に関する粒子径情報を記憶する記憶工程と、
前記所定粒子径を「Ｇ１」とし、前記粒子径情報における前記粒子径を「Ｇ２」とした場合に、式「Ｇ１／Ｇ２」で表される変更比率で前記推定画像の画像サイズを変更するリサイズ工程と、
前記リサイズ工程において前記画像サイズが変更された前記推定画像を利用して、前記学習済みの学習器から、前記推定対象の工具の加工面の状態を示す加工面情報を出力する出力工程と、を備える加工面状態推定方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、工具における加工面の状態を推定する加工面状態推定装置、同装置で使用される推定プログラム、および工具における加工面の状態を判定する加工面状態推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、特許文献１には、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）を測定する測定装置が提案されている。この装置では、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、その撮像画像をもとに砥面の状態が測定される。
従来、特許文献１には、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）を測定する測定装置が提案されている。この装置では、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、その撮像画像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推定する加工面状態推定装置なども提案されている。この装置では、先ず、カメラによって砥面を撮像した撮像画像を学習データとして用いて学習器が機械学習される。そして、砥面の状態を推定する際には、推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、推定対象の砥石の砥面の状態が推定される。
【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】
砥石としては、様々なサイズ、材質のものが用意されている。そうした多種の砥石について砥面状態を推定するためには、それら砥石について各別に学習済みの学習器を用意することが考えられる。
【0006】
ここで、学習済みの学習器が適正なものになるように同学習器を機械学習させる作業は煩雑な作業である。したがって、多種の砥石の全てについて砥面状態の推定を行う場合には、ただでさえ煩雑な作業である学習器を機械学習させる作業を、砥石の種類毎に行う必要が生じるため、多大な時間および労力がかかってしまう。上記加工面状態推定装置は、こうした点において課題が残るものとなっている。
【0007】
なお、こうした課題は、ワイヤソーにおける加工で用いるワイヤ工具の加工面の状態を推定する場合など、砥粒が固着された構造の工具の加工面の状態を推定する場合においては、同様に生じうる。
【課題を解決するための手段】
【0008】
上記課題を解決するための加工面状態推定装置は、砥粒が固着された構造の工具における加工面の状態を推定する加工面状態推定装置であって、所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器、および、推定対象の工具の加工面に関する画像である推定画像、および、前記推定対象の工具の粒子径に関する粒子径情報、を記憶する記憶部と、前記所定粒子径を「Ｇ１」とし、前記粒子径情報における前記粒子径を「Ｇ２」とするとき、式「Ｇ１／Ｇ２」で表される変更比率で前記推定画像の画像サイズを変更するリサイズ部と、前記リサイズ部により前記画像サイズが変更された前記推定画像を利用して、前記学習済みの学習器から、前記推定対象の工具の加工面の状態を示す加工面情報を出力する出力部と、を備える。
【0009】
前記課題を解決するための推定プログラムは、上記加工面状態推定装置が具備する前記記憶部の処理、および、前記リサイズ部の処理、および、前記出力部の処理を、前記加工面状態推定装置が備える電子制御装置に実行させる推定プログラムである。
【0010】
前記課題を解決するための加工面状態推定方法は、砥粒が固着された構造の工具における加工面の状態を推定する加工面状態推定方法であって、所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器、および、推定対象の工具の加工面に関する画像である推定画像、および、前記推定対象の工具の粒子径に関する粒子径情報を記憶する記憶工程と、前記所定粒子径を「Ｇ１」とし、前記粒子径情報における前記粒子径を「Ｇ２」とした場合に、式「Ｇ１／Ｇ２」で表される変更比率で前記推定画像の画像サイズを変更するリサイズ工程と、前記リサイズ工程において前記画像サイズが変更された前記推定画像を利用して、前記学習済みの学習器から、前記推定対象の工具の加工面の状態を示す加工面情報を出力する出力工程と、を備える。
【0011】
工具の各部の材質やサイズ（外形サイズ、砥粒の粒子径など）が異なる場合であっても、それら工具における加工面の基本構造は似通っている。上記構成では、学習済みの学習器として、サイズや材質の異なる複数種類の工具で共用する学習器、詳しくは所定粒子径の砥粒を有する工具に対応する学習器が記憶される。そして、加工面の状態を推定する際には、推定対象の工具の加工面に関する推定画像の画像サイズが共用の学習器に対応するサイズ、詳しくは学習データにおける砥粒の粒子径である所定粒子径に合わせたサイズに変更（拡大あるいは縮小）されたうえで、同推定に利用される。
【0012】
上記構成によれば、複数種類の工具の加工面状態を推定する場合であっても、工具の種類毎に学習済みの学習器を用意することなく、共通の学習器を利用して、その推定を行うことができる。したがって、学習済みの学習器を設定する作業にかかる時間の短縮や労力の軽減を図ることができる。
【発明の効果】
【0013】
本発明によれば、学習済みの学習器を設定する作業にかかる時間の短縮や労力の軽減を図ることができる。
【図面の簡単な説明】
【0014】
【図1】一実施形態の加工面状態推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】加工面状態推定装置の概略構成を示すブロック図である。
【図3】カメラユニットの構造を示す略図である。
【図4】砥面の撮像対象領域を照明部によって照明する様子を示す略図である。
【図5】第１学習器の学習データのデータ構造を概念的に示す略図である。
【図6】均等脱落砥面に対応する学習データの一例を示す図である。
【図7】アンバランス脱落砥面に対応する学習データの一例を示す図である。
【図8】切り屑溶着砥面に対応する学習データの一例を示す図である。
【図9】判定画像を生成する手順を示すフローチャートである。
【図10】判定処理の実行手順を示すフローチャートである。
【図11】加工面状態推定装置による作用を説明するための作用図である。
【図12】他の実施形態にかかる判定処理の実行手順を示すフローチャートである。
【図13】砥石の劣化が進んだときにおける砥石の回転位相と積算値との関係を示すグラフである。
【図14】その他の実施形態にかかる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】
【0015】
以下、加工面状態推定装置、推定プログラム、および加工面状態推定方法の一実施形態について、図１～図１１を参照して説明する。
＜自動研削装置＞
図１に示すように、本実施形態の加工面状態推定装置３０は、自動研削装置２０に適用される。この自動研削装置２０は、工具としての砥石２１によってワーク（図示略）の表面を研削加工する数値制御（ＮＣ）式の平面研削装置である。砥石２１は、円柱状の基材の外周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２１は、回転可能な状態で砥石支持部２２に支持される。砥石２１および砥石支持部２２は、基台２３に対して、上下方向（以下、Ｙ方向）と、水平方向、詳しくは図１における奥行き方向（以下、Ｚ方向）とにおいて移動可能になっている。自動研削装置２０では、砥石２１を回転駆動しつつワークに接触させることにより、同ワークの表面が研削加工される。
＜自動研削装置＞
図１に示すように、本実施形態の加工面状態推定装置３０は、自動研削装置２０に適用される。この自動研削装置２０は、工具としての砥石２１によってワーク（図示略）の表面を研削加工する数値制御（ＮＣ）式の平面研削装置である。砥石２１は、円柱状の基材の外周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２１は、回転可能な状態で砥石支持部２２に支持される。砥石２１および砥石支持部２２は、基台２３に対して、上下方向（以下、Ｙ方向）と、水平方向、詳しくは図１における奥行き方向（以下、Ｚ方向）とにおいて移動可能になっている。自動研削装置２０では、砥石２１を回転駆動しつつワークに接触させることにより、同ワークの表面が研削加工される。
【0016】
自動研削装置２０は、ワークを支持する支持台としてのテーブル２４を有する。テーブル２４は、Ｚ方向およびＹ方向に対して共に直交する水平方向、詳しくは図１における左右方向（以下、Ｘ方向）において移動可能になっている。自動研削装置２０では、テーブル２４をＸ方向に移動させることにより、テーブル２４上のワークを移動させることができる。これにより、砥石２１とワークとのＸ方向における相対位置を変更することができる。
【0017】
【0018】
自動研削装置２０は、砥石２１をＹ方向やＺ方向に移動させたりテーブル２４をＸ方向に移動させたりすることで、砥石２１とワークとのＸ方向の相対位置、Ｙ方向の相対位置、およびＺ方向の相対位置を各別に変更することが可能になっている。Ｘ軸駆動部２６は、基台２３に対してテーブル２４をＸ方向に移動させるための装置である。Ｘ軸駆動部２６は、図示しないボールねじ機構やサーボモータ等を有する。Ｘ軸駆動部２６の作動制御を通じて、基台２３に対するテーブル２４のＸ方向位置が制御される。Ｙ軸駆動部２７は、基台２３に対して砥石２１および砥石支持部２２をＹ方向に移動させる装置である。Ｙ軸駆動部２７は、図示しないボールねじ機構やサーボモータ等を有する。Ｙ軸駆動部２７の作動制御を通じて、基台２３に対する砥石２１のＹ方向位置が制御される。Ｚ軸駆動部２８は、基台２３に対して砥石２１および砥石支持部２２をＺ方向に移動させるための装置である。Ｙ軸駆動部２７は、図示しないボールねじ機構やサーボモータ等を有する。Ｙ軸駆動部２７の作動制御を通じて、基台２３に対する砥石２１のＺ方向位置が制御される。
【0019】
砥石駆動部２９は、砥石２１の回転軸に連結された電動モータや、同砥石２１の回転位相を検出する回転位相センサ等を有する。砥石駆動部２９（詳しくは、電動モータ）の作動制御では、基本的に、砥石２１が一定速度で回転される。なお、砥石２１の回転速度としては、自動研削装置２０に入力される加工条件をもとに、同加工条件に見合う速度が設定される。
【0020】
＜加工面状態推定装置＞
本実施形態の加工面状態推定装置３０は、推定対象の砥石２１の加工面（以下、砥面２１１）を撮像した撮像画像４４と、学習済みの学習器６１，６２とを利用して、推定対象の砥石２１における砥面２１１の状態を推定する装置である。また、本実施形態の加工面状態推定装置３０は、推定した砥面２１１の状態をもとに、推定対象の砥石２１における劣化異常の発生を判定する。
本実施形態の加工面状態推定装置３０は、推定対象の砥石２１の加工面（以下、砥面２１１）を撮像した撮像画像４４と、学習済みの学習器６１，６２とを利用して、推定対象の砥石２１における砥面２１１の状態を推定する装置である。また、本実施形態の加工面状態推定装置３０は、推定した砥面２１１の状態をもとに、推定対象の砥石２１における劣化異常の発生を判定する。
【0021】
＜カメラユニット＞
図１～図３に示すように、加工面状態推定装置３０は、カメラユニット４０を有する。カメラユニット４０は、砥石２１の砥面２１１を撮像するものである。カメラユニット４０は、撮像部としてのカメラ４１と、照明部４３とを有する。
図１～図３に示すように、加工面状態推定装置３０は、カメラユニット４０を有する。カメラユニット４０は、砥石２１の砥面２１１を撮像するものである。カメラユニット４０は、撮像部としてのカメラ４１と、照明部４３とを有する。
【0022】
＜カメラ＞
図１および図３に示すように、カメラ４１は砥石２１の下方に配置される。カメラ４１は、砥石２１の砥面２１１（詳しくは、図３中に一点鎖線で示す砥面２１１の接平面）に直交する方向から同砥面２１１を撮像する。本実施形態では、砥石２１のドレッシングを実行した直後の第１時期において、カメラ４１による砥面２１１の撮像が実行される。第１時期に撮像された撮像画像４４は、基本画像４４Ｂとして、後述する電子制御装置５０に記憶される。また本実施形態では、第１時期よりも後の第２時期、具体的には砥石２１の使用中における任意のタイミングにおいても、カメラ４１による砥面２１１の撮像が実行される。第２時期に撮像された撮像画像４４は、最新画像４４Ｎとして、電子制御装置５０に記憶される。なお、砥石２１の使用中における任意のタイミングに撮像された撮像画像４４のうちの過去に撮像された撮像画像４４を、例えば１回前に撮像された撮像画像４４を１回前画像として記憶するなど、Ｎ（Ｎは、自然数）回前画像として記憶してもよい。なお本実施形態では、カメラ４１による撮像に際して自動研削装置２０に取り付けられている砥石２１が、推定対象の工具に相当する。また本実施形態では、基本画像４４Ｂ、最新画像４４Ｎ、およびＮ回前画像が、推定対象の工具の加工面に関する画像である推定画像に相当する。
図１および図３に示すように、カメラ４１は砥石２１の下方に配置される。カメラ４１は、砥石２１の砥面２１１（詳しくは、図３中に一点鎖線で示す砥面２１１の接平面）に直交する方向から同砥面２１１を撮像する。本実施形態では、砥石２１のドレッシングを実行した直後の第１時期において、カメラ４１による砥面２１１の撮像が実行される。第１時期に撮像された撮像画像４４は、基本画像４４Ｂとして、後述する電子制御装置５０に記憶される。また本実施形態では、第１時期よりも後の第２時期、具体的には砥石２１の使用中における任意のタイミングにおいても、カメラ４１による砥面２１１の撮像が実行される。第２時期に撮像された撮像画像４４は、最新画像４４Ｎとして、電子制御装置５０に記憶される。なお、砥石２１の使用中における任意のタイミングに撮像された撮像画像４４のうちの過去に撮像された撮像画像４４を、例えば１回前に撮像された撮像画像４４を１回前画像として記憶するなど、Ｎ（Ｎは、自然数）回前画像として記憶してもよい。なお本実施形態では、カメラ４１による撮像に際して自動研削装置２０に取り付けられている砥石２１が、推定対象の工具に相当する。また本実施形態では、基本画像４４Ｂ、最新画像４４Ｎ、およびＮ回前画像が、推定対象の工具の加工面に関する画像である推定画像に相当する。
【0023】
＜照明部＞
図３に示すように、照明部４３は、砥面２１１の下端部分、すなわちカメラ４１によって撮像される領域（以下、撮像対象領域ＡＲ）を照明するものである。照明部４３は、第１照射部４５および第２照射部４６を有する。
図３に示すように、照明部４３は、砥面２１１の下端部分、すなわちカメラ４１によって撮像される領域（以下、撮像対象領域ＡＲ）を照明するものである。照明部４３は、第１照射部４５および第２照射部４６を有する。
【0024】
＜第１照射部＞
第１照射部４５は、第１発光色（例えば、青色）を有する第１照明光４５Ｌを、砥面２１１（詳しくは、図３中に一点鎖線で示す砥面２１１の接平面）に直交する方向から、同砥面２１１の上記撮像対象領域ＡＲに照射する。具体的には、第１照射部４５は、第１ランプ４５１および反射透光部材４５２を有する。第１ランプ４５１は、発光ダイオードにより構成されている。第１ランプ４５１は、カメラ４１の光軸に直交する方向から同光軸に向けて第１照明光４５Ｌを出射する態様で配置されている。反射透光部材４５２は、カメラ４１の光軸と第１ランプ４５１の光軸とが交差する部分に配置される。反射透光部材４５２は、第１照明光４５Ｌを反射するとともに、砥面２１１で反射した反射光を透過するものである。本実施形態では、第１ランプ４５１から出射された第１照明光４５Ｌは、反射透光部材４５２で反射して砥面２１１に向かうことで、同砥面２１１における撮像対象領域ＡＲに照射される。また、このようにして砥面２１１に照射された第１照明光４５Ｌが反射した反射光の一部は、反射透光部材４５２を透過してカメラ４１に入射される。
第１照射部４５は、第１発光色（例えば、青色）を有する第１照明光４５Ｌを、砥面２１１（詳しくは、図３中に一点鎖線で示す砥面２１１の接平面）に直交する方向から、同砥面２１１の上記撮像対象領域ＡＲに照射する。具体的には、第１照射部４５は、第１ランプ４５１および反射透光部材４５２を有する。第１ランプ４５１は、発光ダイオードにより構成されている。第１ランプ４５１は、カメラ４１の光軸に直交する方向から同光軸に向けて第１照明光４５Ｌを出射する態様で配置されている。反射透光部材４５２は、カメラ４１の光軸と第１ランプ４５１の光軸とが交差する部分に配置される。反射透光部材４５２は、第１照明光４５Ｌを反射するとともに、砥面２１１で反射した反射光を透過するものである。本実施形態では、第１ランプ４５１から出射された第１照明光４５Ｌは、反射透光部材４５２で反射して砥面２１１に向かうことで、同砥面２１１における撮像対象領域ＡＲに照射される。また、このようにして砥面２１１に照射された第１照明光４５Ｌが反射した反射光の一部は、反射透光部材４５２を透過してカメラ４１に入射される。
【0025】
＜第２照射部＞
第２照射部４６は、第１発光色とは異なる第２発光色（例えば、白色）を有する第２照明光４６Ｌを、砥面２１１（詳しくは、図３中に一点鎖線で示す砥面２１１の接平面）に対して斜め方向から、同砥面２１１の撮像対象領域ＡＲに照射する。具体的には、第２照射部４６は、照明ドーム４６１および第２ランプ４６２を有する。照明ドーム４６１は、上部が開口するドーム状をなすとともに、砥石２１の下面（詳しくは、撮像対象領域ＡＲ）を覆うように配置される。第２ランプ４６２は、発光ダイオードによって構成されている。第２ランプ４６２は、照明ドーム４６１の内面において並ぶ態様で複数設けられる。各第２ランプ４６２は、砥面２１１の撮像対象領域ＡＲに第２照明光４６Ｌを照射する。第２ランプ４６２は、砥面２１１（詳しくは、図３中に一点鎖線で示す砥面２１１の接平面）に沿う方向、具体的には、砥面２１１の接平面に対して「５度」をなす方向から、同砥面２１１の撮像対象領域ＡＲに第２照明光４６Ｌを照射するものを含む。
第２照射部４６は、第１発光色とは異なる第２発光色（例えば、白色）を有する第２照明光４６Ｌを、砥面２１１（詳しくは、図３中に一点鎖線で示す砥面２１１の接平面）に対して斜め方向から、同砥面２１１の撮像対象領域ＡＲに照射する。具体的には、第２照射部４６は、照明ドーム４６１および第２ランプ４６２を有する。照明ドーム４６１は、上部が開口するドーム状をなすとともに、砥石２１の下面（詳しくは、撮像対象領域ＡＲ）を覆うように配置される。第２ランプ４６２は、発光ダイオードによって構成されている。第２ランプ４６２は、照明ドーム４６１の内面において並ぶ態様で複数設けられる。各第２ランプ４６２は、砥面２１１の撮像対象領域ＡＲに第２照明光４６Ｌを照射する。第２ランプ４６２は、砥面２１１（詳しくは、図３中に一点鎖線で示す砥面２１１の接平面）に沿う方向、具体的には、砥面２１１の接平面に対して「５度」をなす方向から、同砥面２１１の撮像対象領域ＡＲに第２照明光４６Ｌを照射するものを含む。
【0026】
＜照明部による作用＞
本実施形態では、カメラユニット４０は、自動研削装置２０に着脱可能になっている。カメラユニット４０は、砥面２１１の状態を推定する際には、推定に用いる撮像画像４４を取得するべく、自動研削装置２０に取り付けられる。そして、カメラユニット４０では、カメラ４１による砥面２１１の撮像を実行する際には、照明部４３は砥面２１１の撮像対象領域ＡＲを照明する。なお本実施形態では、自動研削装置２０によって研削加工を実行するときには、カメラユニット４０は自動研削装置２０から取り外される。
本実施形態では、カメラユニット４０は、自動研削装置２０に着脱可能になっている。カメラユニット４０は、砥面２１１の状態を推定する際には、推定に用いる撮像画像４４を取得するべく、自動研削装置２０に取り付けられる。そして、カメラユニット４０では、カメラ４１による砥面２１１の撮像を実行する際には、照明部４３は砥面２１１の撮像対象領域ＡＲを照明する。なお本実施形態では、自動研削装置２０によって研削加工を実行するときには、カメラユニット４０は自動研削装置２０から取り外される。
【0027】
図４に示すように、本実施形態では、第１照射部４５により砥面２１１に直交する方向から照射される第１照明光４５Ｌを、砥石２１の頂面（砥粒２１２の頂面を含む）で略正反射させるとともにカメラ４１に入射させることが可能になる。これにより、カメラ４１によって撮像した撮像画像４４における砥石２１の頂面にあたる部分の色を第１照明光４５Ｌの第１発光色（例えば、青色）にすることができる。
【0028】
一方、第１照射部４５による第１照明光４５Ｌ、および第２照射部４６による第２照明光４６Ｌは、砥石２１の頂面以外の部分（具体的には、砥粒２１２の側面や、結合剤の表面など）で乱反射する。そして、乱反射した第１照明光４５Ｌおよび第２照明光４６Ｌの一部はカメラ４１に入射するようになる。これにより、カメラ４１によって撮像した撮像画像４４における砥石２１の頂面以外の部分の色は、第１照明光４５Ｌの第１発光色および第２照明光４６Ｌの第２発光色が混在した色になる。
【0029】
本実施形態によれば、このようにして、撮像画像４４における砥石２１の頂面の色と頂面以外の部分の色とを異ならせることができるため、砥石２１の頂面と頂面以外の部分との境界を明確にすることができる。これにより、カメラ４１によって撮像される撮像画像４４として、ワークの仕上げ品質を左右する部分である砥石２１の頂面（砥粒２１２の突端部分を含む）を明確に示す画像を得ることができる。そのため、撮像画像４４を利用して、砥石２１の砥面２１１、詳しくは砥粒２１２の突端部分の状態を精度よく推定することができる。また、撮像画像４４からの砥面２１１の突端部分（詳しくは、砥粒２１２が切れ刃として機能する部分）の抽出を容易に行うことができる。そのため、砥面２１１を撮像した画像から砥面２１１の突端部分を抽出した画像である抽出画像を容易に生成することができる。
【0030】
本実施形態の加工面状態推定装置３０は電子制御装置５０を備える。電子制御装置５０は砥石２１における砥面２１１の状態を判定するための各種制御を実行する。
電子制御装置５０は、ＣＰＵ５１、ＲＯＭ５２、ＲＡＭ５３、入力部５４、表示部５５、および記憶部５６を有する。
電子制御装置５０は、ＣＰＵ５１、ＲＯＭ５２、ＲＡＭ５３、入力部５４、表示部５５、および記憶部５６を有する。
【0031】
入力部５４は、マウス、キーボード、タッチパネル、ボタン等の入力デバイスである。入力部５４は、加工面状態推定装置３０の各種設定を行う場合や、同加工面状態推定装置３０を作動させる場合に操作される。本実施形態では、入力部５４の操作を通じて、推定対象の砥石２１の粒子径に関する粒子径情報６６（具体的には、平均粒子径）が入力される。本実施形態では、上記粒子径情報６６を入力するための入力部５４の操作は、砥石２１の判定を実行するとき（例えば、推定対象の砥石２１を自動研削装置２０に取り付けるときや、カメラユニット４０を自動研削装置２０に取り付けるとき）に行われる。また本実施形態では、入力部５４の操作を通じて、推定対象の砥石２１にドレッシングを実行した時期（ドレッシング情報）が入力される。
【0032】
表示部５５は、液晶ディスプレイや有機ＥＬディスプレイ等の表示装置を有する。表示部５５は、砥面２１１の状態の判定結果など、同判定にかかる各種情報を表示する。
記憶部５６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る。記憶部５６は、各種の実行プログラム６０、学習済みの学習器６１，６２、学習器６１，６２の機械学習に利用される学習データ６３，６４を記憶する。また、記憶部５６は、カメラユニット４０により撮像された撮像画像４４や、砥面２１１の状態推定に用いる判定画像６５、入力部５４の操作を通じて入力される粒子径情報６６およびドレッシング情報を記憶する。
記憶部５６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る。記憶部５６は、各種の実行プログラム６０、学習済みの学習器６１，６２、学習器６１，６２の機械学習に利用される学習データ６３，６４を記憶する。また、記憶部５６は、カメラユニット４０により撮像された撮像画像４４や、砥面２１１の状態推定に用いる判定画像６５、入力部５４の操作を通じて入力される粒子径情報６６およびドレッシング情報を記憶する。
【0033】
実行プログラム６０は、学習器６１，６２の機械学習を実行させるためのプログラム、砥面２１１の状態の推定にかかる各種処理を実行させるための推定プログラム、および同砥面２１１の状態の判定にかかる各種処理を実行させるための判定プログラムを含む。
【0034】
＜第１学習器＞
第１学習器６１について説明する。
本実施形態では、第１学習器６１として、敵対的生成ネットワーク（Generative Adversarial Network：ＧＡＮ）、詳しくは「ｐｉｘ２ｐｉｘ」といわれる画像生成モデルが採用されている。
第１学習器６１について説明する。
本実施形態では、第１学習器６１として、敵対的生成ネットワーク（Generative Adversarial Network：ＧＡＮ）、詳しくは「ｐｉｘ２ｐｉｘ」といわれる画像生成モデルが採用されている。
【0035】
第１学習器６１は、学習データ６３を用いて、機械学習される。学習データ６３は、砥石２１の砥面２１１に関する画像から同砥面２１１の突端部分のみを抽出した画像である抽出画像を生成する能力を獲得するように、第１学習器６１の機械学習を行うためのデータである。図５に示すように、学習データ６３は、変換前画像６３Ｂと変換後画像６３Ａとが対をなす画像セットにより構成される。変換前画像６３Ｂは、第１学習器６１の入力データとしての利用が想定される画像である。また変換後画像６３Ａは、第１学習器６１の出力データになることが想定される画像である。
【0036】
本実施形態では、第１学習器６１としては、複数種類の砥石２１で共通のものが設定される。本実施形態では、複数種類の砥石２１は、いずれも一般砥粒を有する一般砥石であり、且つ、所定粒子径（詳しくは、所定粒度［＃２００］に相当する砥粒２１２の平均粒子径）の砥粒２１２を有する砥石２１である。
【0037】
本実施形態では、こうした構成を実現するために、学習データ６３の作成に用いる砥石２１として、所定粒子径の砥粒２１２を有する一般砥石が採用される。詳しくは、一般砥石の中でも標準的な構造をなす砥石２１が選ばれるとともに、その選ばれた砥石２１が学習データ６３の作成に用いられる。
【0038】
学習データ６３は、以下の手順で生成される。
先ず、砥石２１の砥面２１１を撮像した撮像画像が多数用意される。この撮像画像は、前記第１時期に撮像された第１画像と前記第２時期に撮像された第２画像とを含む。なお、第１画像は前記基本画像４４Ｂに相当する画像であるとともに、第２画像は前記最新画像４４Ｎに相当する画像である。第１画像および第２画像は、例えばカメラユニット４０を利用して取得される。第１画像および第２画像は、グレースケールに変換されるとともに、砥面２１１を砥石２１の周方向および回転軸方向において格子状に切断する態様で複数の分割画像に分割される。本実施形態では、これら分割画像が変換前画像６３Ｂとして用いられる。
先ず、砥石２１の砥面２１１を撮像した撮像画像が多数用意される。この撮像画像は、前記第１時期に撮像された第１画像と前記第２時期に撮像された第２画像とを含む。なお、第１画像は前記基本画像４４Ｂに相当する画像であるとともに、第２画像は前記最新画像４４Ｎに相当する画像である。第１画像および第２画像は、例えばカメラユニット４０を利用して取得される。第１画像および第２画像は、グレースケールに変換されるとともに、砥面２１１を砥石２１の周方向および回転軸方向において格子状に切断する態様で複数の分割画像に分割される。本実施形態では、これら分割画像が変換前画像６３Ｂとして用いられる。
【0039】
その後、分割画像の各々について、同分割画像から砥面２１１の突端部分（詳しくは、同砥面２１１の切れ刃として機能する部分）のみを抽出した抽出画像を作成する。本実施形態では、これら抽出画像が変換後画像６３Ａとして用いられる。なお、抽出画像を作成する手法としては、以下の手法を採用することができる。先ず、撮像前の砥石２１の砥面２１１をスタンプ台に当てて、砥面２１１の突端部分にインクを付着させる。その後、砥石２１の砥面２１１を撮像する。そして、この撮像画像（詳しくは、上記分割画像）からインクが付着している着色部分のみを抽出して抽出画像とする。この手法によれば、撮像画像における砥面２１１の突端部分とそれ以外の部分との境界が明確になるため、分割画像から砥面２１１の突端部分を容易に抽出することができる。したがって、抽出画像を容易に作成することができる。
【0040】
その後、砥面２１１の同一箇所にかかる変換前画像６３Ｂと変換後画像６３Ａとが対をなす画像セット（図５）が多数作成される。本実施形態では、これら画像セットが第１学習器６１の学習データ６３として用いられる。詳しくは、電子制御装置５０により、学習データ６３を構成する複数の画像セットの１つを取り出すとともに同画像セットを入力データとして第１学習器６１を機械学習させるといった学習処理が、学習データ６３を構成する画像セット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構築された機械学習モデルが、学習済みの第１学習器６１として記憶部５６に記憶される。なお本実施形態では、学習済みの第１学習器６１を記憶部５６に記憶させる工程が記憶工程に相当する。
【0041】
このようにして学習された学習済みの第１学習器６１は、砥石２１の砥面２１１に関する画像、詳しくは砥面２１１を撮像した撮像画像４４が入力されると、同撮像画像４４から砥面２１１の突端部分のみを抽出した抽出画像を出力する。なお本実施形態では、抽出画像をもとに、砥面２１１の状態推定に用いる判定画像６５が生成される。
【0042】
第２学習器６２について説明する。
本実施形態では、第２学習器６２として、畳み込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）が採用されている。
本実施形態では、第２学習器６２として、畳み込みニューラルネットワーク（Convolutional Neural Network：ＣＮＮ）が採用されている。
【0043】
第２学習器６２は、学習データ６４を用いて、機械学習される。学習データ６４は、砥面２１１の状態を判別する能力を獲得するように、第２学習器６２の機械学習を行うためのデータである。
【0044】
本実施形態では、第２学習器６２としては、複数種類の砥石２１で共通のものが設定される。本実施形態では、複数種類の砥石２１は、いずれも一般砥粒を有する一般砥石であり、且つ、所定粒子径（詳しくは、粒度＃２００に相当する砥粒２１２の平均粒子径）の砥粒２１２を有する砥石２１である。
【0045】
本実施形態では、こうした構成を実現するために、学習データ６３の作成に用いる砥石２１として、所定粒子径の砥粒２１２を有する一般砥石が採用される。詳しくは、一般砥石の中でも標準的な構造をなす砥石２１が選ばれるとともに、その選ばれた砥石２１が学習データ６３の作成に用いられる。なお、学習データ６３の作成に用いる砥石２１は、製造メーカー（例えば、Ａ社）、砥粒２１２の材質（例えば、アルミナ質）、および砥粒２１２の平均粒子径（詳しくは、所定粒子径）によって特定される。
【0046】
学習データ６４は、基本的には、以下の手順で生成される。
先ず、砥石２１の砥面２１１における同一箇所を撮像した２枚の撮像画像であり、且つ、前記第１時期に撮像された第１画像と前記第２時期に撮像された第２画像とからなる画像セットが用意される。なお第１画像は前記基本画像４４Ｂに相当する画像であるとともに、第２画像は前記最新画像４４Ｎに相当する画像である。第１画像および第２画像は、例えばカメラユニット４０を利用して取得される。これら第１画像および第２画像は、グレースケールに変換される。
先ず、砥石２１の砥面２１１における同一箇所を撮像した２枚の撮像画像であり、且つ、前記第１時期に撮像された第１画像と前記第２時期に撮像された第２画像とからなる画像セットが用意される。なお第１画像は前記基本画像４４Ｂに相当する画像であるとともに、第２画像は前記最新画像４４Ｎに相当する画像である。第１画像および第２画像は、例えばカメラユニット４０を利用して取得される。これら第１画像および第２画像は、グレースケールに変換される。
【0047】
その後、グレースケールの第１画像および第２画像の各々について、同画像から砥面２１１の突端部分（詳しくは、同砥面２１１の切れ刃として機能する部分）のみを抽出した抽出画像が作成される。抽出画像を作成する手法としては、前述したスタンプ台を利用して作成する方法や、前記第１学習器６１用の学習データ６４を構成する変換後画像６３Ａを利用して作成する方法、第１学習器６１を利用して作成する方法を採用することができる。
【0048】
その後、第１画像に対応する抽出画像と第２画像に対応する抽出画像との差分を示す差分画像が生成される。本実施形態では、この差分画像が第２学習器６２の学習データ６４として用いられる。
【0049】
本実施形態では、学習データ６４を構成する上記差分画像として、以下の「均等脱落砥面」、「アンバランス脱落砥面」、および「切り屑溶着砥面」といった３種類の砥面２１１の状態の各々に対応する画像が多数用意される。
【0050】
「均等脱落砥面」としては、砥面２１１の各部において砥粒２１２が均等に脱落しているときにおける砥面２１１の状態が定められている。均等脱落砥面に対応する学習データ６４を生成する際には、均等脱落砥面の砥石２１についての第１画像と第２画像とからなる画像セットが多数用意されるとともに、この画像セットをもとに上記差分画像が生成される。この場合には、差分画像としては、第１画像に対応する抽出画像を基準に第２画像に対応する抽出画像において砥面２１１の突端部分が減少した部分を示す画像が生成される。そして、この差分画像が、均等脱落砥面に対応する学習データ６４として用いられる。図６に一例を示すように、均等脱落砥面に対応する学習データ６４は、砥面２１１の突端部分を示す領域ＲＴが学習データ６４（詳しくは、上記差分画像）の全面にわたって均等に分布した画像である。
【0051】
「アンバランス脱落砥面」としては、砥面２１１において砥粒２１２が脱落した部分が偏在しているときにおける砥面２１１の状態が定められている。アンバランス脱落砥面に対応する学習データ６４を生成する際には、アンバランス脱落砥面の砥石２１についての第１画像と第２画像とからなる画像セットが多数用意されるとともに、この画像セットをもとに上記差分画像が生成される。この場合には、差分画像としては、第１画像に対応する抽出画像を基準に第２画像に対応する抽出画像において砥面２１１の突端部分が減少した部分を示す画像が生成される。そして、この差分画像が、アンバランス脱落砥面に対応する学習データ６４として用いられる。図７に一例を示すように、アンバランス脱落砥面に対応する学習データ６４は、砥面２１１の突端部分を示す領域ＲＴが学習データ６４（詳しくは、上記差分画像）の一部に偏った状態で分布する画像である。
【0052】
「切り屑溶着砥面」としては、砥面２１１に切り屑が溶着しているときにおける砥面２１１の状態が定められている。切り屑溶着砥面に対応する学習データ６４を生成する際には、切り屑溶着砥面の砥石２１についての第１画像と第２画像とからなる画像セットが多数用意されるとともに、この画像セットをもとに上記差分画像が生成される。この場合には、差分画像としては、第１画像に対応する抽出画像を基準に第２画像に対応する抽出画像において砥面２１１の突端部分が増加した部分を示す画像が生成される。そして、この差分画像が、切り屑溶着砥面に対応する学習データ６４として用いられる。図８に一例を示すように、切り屑溶着砥面に対応する学習データ６４は、砥面２１１の突端部分を示す領域ＲＴが、複数の砥粒２１２を含む広い範囲にわたって延在する画像である。
【0053】
本実施形態では、学習データ６４を構成する複数の画像のうちの１つを取り出すとともに同画像を入力データとして第２学習器６２を機械学習させるといった学習処理が、学習データ６４を構成する画像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構築された機械学習モデルが、学習済みの第２学習器６２として記憶部５６に記憶される。
【0054】
このようにして学習された学習済みの第２学習器６２には、砥石２１の砥面２１１に関する画像（後述する判定画像６５）が入力される。これにより、第２学習器６２は、入力された画像を、均等脱落砥面（クラス１）、アンバランス脱落砥面（クラス２）、および切り屑溶着砥面（クラス３）のいずれかに分類するといった、いわゆるクラス分けを実行する。
【0055】
なお本実施形態では、第２学習器６２が、所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器に相当する。
本実施形態の加工面状態推定装置３０（詳しくは、電子制御装置５０）は、機能部として、抽出画像生成部５７、および判定部５８を有する。
本実施形態の加工面状態推定装置３０（詳しくは、電子制御装置５０）は、機能部として、抽出画像生成部５７、および判定部５８を有する。
【0056】
＜抽出画像生成部＞
抽出画像生成部５７は、基本画像４４Ｂ、最新画像４４Ｎおよび学習済みの第１学習器６１を利用して、基本画像４４Ｂと最新画像４４Ｎとの差分を示す差分画像から砥面２１１の突端部分を抽出した画像である抽出画像（以下、判定画像６５）を生成する。
抽出画像生成部５７は、基本画像４４Ｂ、最新画像４４Ｎおよび学習済みの第１学習器６１を利用して、基本画像４４Ｂと最新画像４４Ｎとの差分を示す差分画像から砥面２１１の突端部分を抽出した画像である抽出画像（以下、判定画像６５）を生成する。
【0057】
図９に、判定画像６５を生成する手順を示す。
図９に示すように、先ず、推定対象の砥石２１が設けられた自動研削装置２０にカメラユニット４０が取り付けられるとともに、同カメラユニット４０および自動研削装置２０の作動制御部２５が電子制御装置５０に接続される（ステップＳ１１）。そして、電子制御装置５０により、カメラユニット４０の作動制御、および作動制御部２５の作動制御が実行される。詳しくは、照明部４３による照明が実行される。これにより、砥面２１１における撮像対象領域ＡＲが照明される。また、自動研削装置２０の各駆動部２６，２７，２８，２９の作動制御が実行される。これにより、砥石２１が砥面２１１の撮像に適した速度で回転されるとともに、カメラユニット４０と砥石２１との相対位置が予め定められた所定パターンで変更される。さらに、回転位相センサの検出信号に基づきカメラ４１の作動制御が実行される。これにより、砥面２１１を撮像した撮像画像４４が取得される。本実施形態では、砥面２１１を砥石２１の周方向および回転軸方向において格子状に区切ることで、同砥面２１１の全体が複数の領域に区画されている。そして、それら領域毎に、カメラ４１による砥面２１１の撮像が実行される。これにより、複数の撮像画像４４が取得される。本実施形態では、各撮像画像４４として、多数の砥粒２１２を含む画像が取得される。
図９に示すように、先ず、推定対象の砥石２１が設けられた自動研削装置２０にカメラユニット４０が取り付けられるとともに、同カメラユニット４０および自動研削装置２０の作動制御部２５が電子制御装置５０に接続される（ステップＳ１１）。そして、電子制御装置５０により、カメラユニット４０の作動制御、および作動制御部２５の作動制御が実行される。詳しくは、照明部４３による照明が実行される。これにより、砥面２１１における撮像対象領域ＡＲが照明される。また、自動研削装置２０の各駆動部２６，２７，２８，２９の作動制御が実行される。これにより、砥石２１が砥面２１１の撮像に適した速度で回転されるとともに、カメラユニット４０と砥石２１との相対位置が予め定められた所定パターンで変更される。さらに、回転位相センサの検出信号に基づきカメラ４１の作動制御が実行される。これにより、砥面２１１を撮像した撮像画像４４が取得される。本実施形態では、砥面２１１を砥石２１の周方向および回転軸方向において格子状に区切ることで、同砥面２１１の全体が複数の領域に区画されている。そして、それら領域毎に、カメラ４１による砥面２１１の撮像が実行される。これにより、複数の撮像画像４４が取得される。本実施形態では、各撮像画像４４として、多数の砥粒２１２を含む画像が取得される。
【0058】
その後、電子制御装置５０により、以下のステップＳ１２～ステップＳ１８の処理が実行される。
先ず、ステップＳ１１の処理で取得した複数の撮像画像４４をもとに、同撮像画像４４の画像サイズを変更比率ＲＧで変更した画像であるリサイズ画像４４Ｒが生成される（ステップＳ１２）。ここで、前記所定粒子径を「Ｇ１」とするとともに、前記粒子径情報における平均粒子径を「Ｇ２」とする。この場合、ステップＳ１２の処理においては、式「Ｇ１／Ｇ２」で表される変更比率ＲＧで撮像画像４４の画像サイズが変更される。なお本実施形態では、ステップＳ１２の処理がリサイズ工程に相当し、同ステップＳ１２の処理を実行する電子制御装置５０がリサイズ部に相当する。また本実施形態では、ステップＳ１１の処理で取得した複数の撮像画像４４が推定対象の工具の加工面に関する画像である推定画像に相当し、リサイズ画像４４Ｒがリサイズ部により画像サイズが変更された推定画像に相当する。
先ず、ステップＳ１１の処理で取得した複数の撮像画像４４をもとに、同撮像画像４４の画像サイズを変更比率ＲＧで変更した画像であるリサイズ画像４４Ｒが生成される（ステップＳ１２）。ここで、前記所定粒子径を「Ｇ１」とするとともに、前記粒子径情報における平均粒子径を「Ｇ２」とする。この場合、ステップＳ１２の処理においては、式「Ｇ１／Ｇ２」で表される変更比率ＲＧで撮像画像４４の画像サイズが変更される。なお本実施形態では、ステップＳ１２の処理がリサイズ工程に相当し、同ステップＳ１２の処理を実行する電子制御装置５０がリサイズ部に相当する。また本実施形態では、ステップＳ１１の処理で取得した複数の撮像画像４４が推定対象の工具の加工面に関する画像である推定画像に相当し、リサイズ画像４４Ｒがリサイズ部により画像サイズが変更された推定画像に相当する。
【0059】
その後、砥石２１のドレッシングを実行した直後の第１時期であるか否かが判断される（ステップＳ１３）。そして、第１時期である場合には（ステップＳ１３：ＹＥＳ）、複数のリサイズ画像４４Ｒは、砥面２１１における位置情報とともに、基本画像４４Ｂとして記憶部５６に記憶される（ステップＳ１４）。そして、この場合には、ステップＳ１５～ステップＳ１８の処理を実行することなく、本処理は一旦終了される。
【0060】
一方、第１時期よりも後の前記第２時期である場合には（ステップＳ１３：ＮＯ）、複数のリサイズ画像４４Ｒは、砥面２１１における位置情報とともに、最新画像４４Ｎとして記憶部５６に記憶される（ステップＳ１５）。なお本実施形態では、ステップＳ１４の処理、およびステップＳ１５の処理が記憶工程に相当する。
【0061】
そして、この場合には、複数の最新画像４４Ｎと複数の基本画像４４Ｂとが各別にグレースケールに変換される（ステップＳ１６）。
その後、グレースケールの基本画像４４Ｂを入力データとして、第１学習器６１から抽出画像（以下、変換後基本画像）を出力させる処理が実行される（ステップＳ１７）。また、グレースケールの最新画像４４Ｎを入力データとして第１学習器６１から抽出画像（以下、変換後最新画像）を出力させる処理が実行される。ステップＳ１７の処理では、詳しくは、複数の基本画像４４Ｂの１つを取り出すとともに同基本画像４４Ｂを入力データとして第１学習器６１から変換後基本画像を出力させるといった生成処理が、複数の基本画像４４Ｂ毎に繰り返し実行される。また、複数の最新画像４４Ｎの１つを取り出すとともに同最新画像４４Ｎを入力データとして第１学習器６１から変換後最新画像を出力させるといった生成処理が、複数の最新画像４４Ｎ毎に繰り返し実行される。
その後、グレースケールの基本画像４４Ｂを入力データとして、第１学習器６１から抽出画像（以下、変換後基本画像）を出力させる処理が実行される（ステップＳ１７）。また、グレースケールの最新画像４４Ｎを入力データとして第１学習器６１から抽出画像（以下、変換後最新画像）を出力させる処理が実行される。ステップＳ１７の処理では、詳しくは、複数の基本画像４４Ｂの１つを取り出すとともに同基本画像４４Ｂを入力データとして第１学習器６１から変換後基本画像を出力させるといった生成処理が、複数の基本画像４４Ｂ毎に繰り返し実行される。また、複数の最新画像４４Ｎの１つを取り出すとともに同最新画像４４Ｎを入力データとして第１学習器６１から変換後最新画像を出力させるといった生成処理が、複数の最新画像４４Ｎ毎に繰り返し実行される。
【0062】
その後、砥面２１１における同一箇所に対応する２枚の画像（変換後基本画像および変換後最新画像）の差分を示す差分画像（以下、判定画像６５）が生成される（ステップＳ１８）。判定画像６５は、砥面２１１における撮像位置毎、すなわち前記領域毎に生成される。また判定画像６５としては、変換後基本画像を基準に、変換後最新画像において砥面２１１の突端部分が減少した部分を示す画像と、同突端部分が増加した部分を示す画像とが生成される。ステップＳ１８の処理で生成された判定画像６５は記憶部５６に記憶される。なお本実施形態では、ステップＳ１７の処理、およびステップＳ１８の処理が抽出画像生成工程に相当する。
【0063】
＜判定部＞
判定部５８は、抽出画像生成部５７により生成される複数の判定画像６５、および学習済みの第２学習器６２を利用して、推定対象の砥石２１における劣化異常の発生を判定するものである。
判定部５８は、抽出画像生成部５７により生成される複数の判定画像６５、および学習済みの第２学習器６２を利用して、推定対象の砥石２１における劣化異常の発生を判定するものである。
【0064】
ここで、砥石２１を使用する際には、砥石２１における砥面２１１の状態は、同砥面２１１の全体において均一に変化することが望ましい。一般砥粒を有する一般砥石では、砥面２１１の突端部分の状態変化が、砥粒２１２が脱落するといったように進む。そして、砥面２１１の劣化が進むに連れて、砥面２１１の各部における砥粒２１２の脱落についての偏りが大きくなる。このことから、一般砥石では、そうした砥粒２１２の脱落の偏りが大きくなっている場合には、砥面２１１の状態が望ましくないかたちで変化していると云える。
【0065】
本実施形態では、一般砥粒を有する一般砥石における劣化異常の発生を判定することを想定して加工面状態推定装置３０が構築されている。そして、本実施形態では、判定画像６５における砥面２１１の突端部分の分布の偏りが所定レベル以上である場合に、推定対象の砥石２１における劣化異常の発生が判定される。
【0066】
以下、砥石２１の劣化異常を判定するための判定処理の実行手順について、図１０を参照しつつ説明する。図１０は、判定処理の実行手順を示すフローチャートである。なお、このフローチャートに示される一連の処理は、判定処理の実行手順を概念的に示したものであり、実際の処理は所定周期毎の処理として、電子制御装置５０により実行される。
【0067】
図１０に示すように、この処理では先ず、複数の判定画像６５と学習済みの第２学習器６２とを利用して、各判定画像６５の分類（いわゆるクラス分け）が実行される（ステップＳ２１）。詳しくは、複数の判定画像６５の１つを取り出すとともに、同判定画像６５を入力データとして第２学習器６２により判定画像６５を分類するといった分類処理が、複数の判定画像６５毎に繰り返し実行される。なお本実施形態では、ステップＳ２１の処理が出力工程に相当し、このステップＳ２１の処理を実行する電子制御装置５０が出力部に相当する。
【0068】
そして、各判定画像６５についての分類結果と砥面２１１における位置情報とに基づいて、判定画像６５における砥面２１１の突端部分の分布の偏りの度合いＲＲ１が算出される（ステップＳ２２）。ステップＳ２２の処理では、先ず、砥石２１の回転位相毎に、ステップＳ２１の処理で均等脱落砥面（クラス１）に分類された部分の占める割合Ｒ１が算出される。ここでは、同一回転位相に対応する複数（Ｎ１）の判定画像６５のうち所定数（Ｎ２）の判定画像６５が均等脱落砥面（クラス１）に分類された場合には、上記割合Ｒ１として、値「Ｎ２／Ｎ１」が算出される。そして、上記偏りの度合いＲＲ１としては、回転位相毎に算出された上記割合Ｒ１における最大値Ｒ１ｍａｘと最小値Ｒ１ｍｉｎとの差ΔＲ１（＝Ｒ１ｍａｘ－Ｒ１ｍｉｎ）が算出される。
【0069】
その後、上記差ΔＲ１が所定値Ｊ１以上であるか否かが判断される（ステップＳ２３）。なお、所定値Ｊ１としては、砥石２１の劣化異常の発生を適正に判定することの可能な値が予め定められている。詳しくは、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砥石２１の劣化異常の発生を適正に判定することの可能な値（所定値Ｊ１）が求められるとともに、同所定値Ｊ１が記憶部５６に予め記憶されている。
【0070】
そして、上記差ΔＲ１が所定値Ｊ１未満である場合には（ステップＳ２３：ＮＯ）、判定画像６５における砥面２１１の突端部分の分布の偏りが所定レベル未満であるとして、正常判定がなされる（ステップＳ２４）。一方、上記差ΔＲ１が所定値Ｊ１以上である場合には（ステップＳ２３：ＹＥＳ）、判定画像６５における砥面２１１の突端部分の分布の偏りが所定レベル以上であるとして、砥石２１の劣化異常が発生していると判定される（ステップＳ２５）。この場合には、砥面２１１のドレッシングが求められる程度に砥石２１が劣化していると判定される。なお本実施形態では、ステップＳ２３の処理およびステップＳ２５の処理が、判定工程に相当する。
【0071】
以下、本実施形態の加工面状態推定装置による作用効果について説明する。
前述したように、一般砥石である砥石２１では、砥面２１１の各部における砥粒２１２の脱落についての偏りが大きくなっている場合には、同砥面２１１の状態が望ましくないかたちで変化していると云える。
前述したように、一般砥石である砥石２１では、砥面２１１の各部における砥粒２１２の脱落についての偏りが大きくなっている場合には、同砥面２１１の状態が望ましくないかたちで変化していると云える。
【0072】
本実施形態では、判定画像６５として、基本画像４４Ｂ（詳しくは、変換後基本画像）を基準に最新画像４４Ｎ（詳しくは、変換後最新画像）において砥面２１１の突端部分が減少した部分を示す画像が生成される。この判定画像６５には、ワークの仕上げ品質を左右する部分である砥面２１１の突端部分の状態変化量、詳しくは第１時期から第２時期までの期間における砥面２１１各部の砥粒脱落量が現れる。そのため、判定画像６５における砥面２１１の突端部分の位置や大きさをもとに、砥面２１１の各部における砥粒脱落量を把握することができる。
【0073】
したがって本実施形態によれば、判定画像６５における砥面２１１の突端部分の分布に偏りが生じていることをもって、砥面２１１の各部における砥粒２１２の脱落の偏りが大きくなっていることが分かる。本実施形態では、そうした場合に（図１０のステップＳ２３：ＹＥＳ）、砥石２１の劣化異常が発生していると判定することができる。
【0074】
また本実施形態によれば、いずれも多数の砥粒２１２を含む画像である２枚の撮像画像４４（基本画像４４Ｂおよび最新画像４４Ｎ）と学習済みの第１学習器６１とを利用して、判定画像６５を生成することができる。そのため、ごく少数の砥粒２１２を含む態様で細かく区切った領域毎に砥面２１１の状態を解析することで砥面２１１の各部における砥粒脱落量を把握する場合と比較して、短い時間で容易に砥面２１１の各部における砥粒脱落量を把握することができる。したがって、砥石２１における劣化異常の発生を短い時間で判定することができる。
【0075】
また本実施形態によれば、カメラユニット４０を取り付ける作業と判定画像６５を生成する処理と判定処理とを定期的に実行することで、砥面２１１の状態を適宜のタイミングで確認しながら、自動研削装置２０によるワークの研削加工を実行することができる。
【0076】
ここで、砥石２１の各部の材質やサイズ（外形サイズ、砥粒２１２の粒子径）が異なる場合であっても、それら砥石２１における砥面２１１の基本構造は似通っている。
本実施形態では、図１１に示すように、学習済みの第２学習器６２として、種類の異なる複数の砥石２１で共用される学習器、詳しくは所定粒子径Ｇ１の砥粒２１２を有する砥石２１に対応する学習器が記憶される。
本実施形態では、図１１に示すように、学習済みの第２学習器６２として、種類の異なる複数の砥石２１で共用される学習器、詳しくは所定粒子径Ｇ１の砥粒２１２を有する砥石２１に対応する学習器が記憶される。
【0077】
そして、砥面２１１の状態を推定（判定）する際には、推定対象の砥石２１を撮像した撮像画像４４をもとに、画像サイズを変更比率ＲＧで変更しつつ、第２学習器６２の入力データとして利用する判定画像６５が生成される。これにより、判定画像６５として、所定粒子径Ｇ１に対応する画像サイズのもの、詳しくは所定粒子径Ｇ１の砥粒２１２が表示されるようになる画像サイズのものが生成される。
【0078】
そのため、本実施形態では、所定粒子径Ｇ１に対応する画像サイズの判定画像６５を入力データとして、所定粒子径Ｇ１の砥粒２１２を有する砥石２１に対応する第２学習器６２により、判定画像６５の分類を実行することができる。このように、本実施形態によれば、複数種類の砥石２１の砥面２１１の状態を推定（判定）する場合であっても、砥石２１の種類毎に学習済みの第２学習器６２を用意することなく、共通の第２学習器６２を利用して、その推定（判定）を行うことができる。したがって、第２学習器６２を設定する作業にかかる時間の短縮や労力の軽減を図ることができる。
【0079】
＜作用効果＞
本実施形態によれば、以下に記載する作用効果が得られる。
（１）加工面状態推定装置３０は、記憶部５６、リサイズ部、出力部を備える。記憶部５６は、所定粒子径の砥粒２１２を有する砥石２１の砥面２１１に関する画像を学習データ６３として学習された第２学習器６２、推定対象の砥石２１の砥面２１１を撮像した撮像画像４４、推定対象の砥石２１の粒子径に関する粒子径情報６６を記憶する。リサイズ部は、変更比率ＲＧで撮像画像４４の画像サイズを変更する。出力部は、撮像画像４４の画像サイズを変更した画像であるリサイズ画像４４Ｒを利用して、第２学習器６２から、推定対象の砥石２１の砥面２１１の状態を示す加工面情報（詳しくは、判定画像６５の分類結果）を出力する。
本実施形態によれば、以下に記載する作用効果が得られる。
（１）加工面状態推定装置３０は、記憶部５６、リサイズ部、出力部を備える。記憶部５６は、所定粒子径の砥粒２１２を有する砥石２１の砥面２１１に関する画像を学習データ６３として学習された第２学習器６２、推定対象の砥石２１の砥面２１１を撮像した撮像画像４４、推定対象の砥石２１の粒子径に関する粒子径情報６６を記憶する。リサイズ部は、変更比率ＲＧで撮像画像４４の画像サイズを変更する。出力部は、撮像画像４４の画像サイズを変更した画像であるリサイズ画像４４Ｒを利用して、第２学習器６２から、推定対象の砥石２１の砥面２１１の状態を示す加工面情報（詳しくは、判定画像６５の分類結果）を出力する。
【0080】
本実施形態によれば、学習済みの第２学習器６２を設定する作業にかかる時間の短縮や労力の軽減を図ることができる。
（２）学習データ６３，６４を構成する画像（変換前画像６３Ｂ、変換後画像６３Ａ、差分画像）と、学習器６１，６２の入力データとして利用する画像（基本画像４４Ｂ、判定画像６５）とを、グレースケールに変換したグレースケール画像にした。
（２）学習データ６３，６４を構成する画像（変換前画像６３Ｂ、変換後画像６３Ａ、差分画像）と、学習器６１，６２の入力データとして利用する画像（基本画像４４Ｂ、判定画像６５）とを、グレースケールに変換したグレースケール画像にした。
【0081】
砥石２１としては、様々な色（赤、青、灰など）のものがある。そのため、単に複数種類の砥石２１の砥面２１１を撮像して撮像画像４４を取得すると、撮像画像４４として砥面２１１の色が異なるものが混在するようになる。そして、撮像画像４４における砥面２１１の色の違いは、第１学習器６１による前記抽出画像の生成精度の低下を招く一因になったり、第２学習器６２による前記判定画像６５の分類精度の低下を招く一因になったりするおそれがある。
【0082】
本実施形態によれば、学習データ６３，６４を構成する画像や、学習器６１，６２の入力データとして利用する画像として、同一色の画像、詳しくはグレースケール画像を用いることができる。そのため、各画像に表される砥面２１１の色の違いによる影響、詳しくは第１学習器６１による前記抽出画像の生成精度や第２学習器６２による前記判定画像６５の分類精度への影響を抑えることができる。したがって、第１学習器６１による前記抽出画像の生成精度の低下や、第２学習器６２による前記判定画像６５の分類精度の低下を抑えることができる。
【0083】
（３）加工面状態推定装置３０は、一般砥粒を有する一般砥石における劣化異常の発生を判定することを想定して構築されている。
一般砥石は、サイズや材質の異なるものであっても、砥面２１１の構造は略同一である。それゆえ、一般砥石は、サイズや材質の異なるものであっても、砥面２１１の状態変化の様子は略同一である。本実施形態によれば、そうした一般砥石、詳しくはサイズや材質の異なる複数種類の一般砥石を判定する場合に、砥石２１の種類毎に学習器を用意することなく、共通の学習器６１，６２を利用して、その判定を行うことができる。
一般砥石は、サイズや材質の異なるものであっても、砥面２１１の構造は略同一である。それゆえ、一般砥石は、サイズや材質の異なるものであっても、砥面２１１の状態変化の様子は略同一である。本実施形態によれば、そうした一般砥石、詳しくはサイズや材質の異なる複数種類の一般砥石を判定する場合に、砥石２１の種類毎に学習器を用意することなく、共通の学習器６１，６２を利用して、その判定を行うことができる。
【0084】
しかも、砥面２１１の状態の判定に用いる学習器６１，６２を、一般砥石である砥石２１の砥面２１１の状態変化に見合う態様で学習させることができる。そのため、第１学習器６１からは推定対象の砥石２１の砥面の状態を示す情報（具体的には、抽出画像）として高精度の情報を出力することができる。また、第２学習器６２からは、推定対象の砥石２１の砥面の状態を示す情報（具体的には、判定画像６５の分類結果）として高精度の情報を出力することができる。したがって、一般砥石である砥石２１の砥面２１１の状態を精度よく推定および判定することができる。
【0085】
（４）加工面状態推定装置３０は、砥面２１１に直交する方向から同砥面２１１を撮像するカメラ４１、同カメラ４１による撮像画像４４をもとに判定画像６５を生成する抽出画像生成部５７、砥面２１１における撮像対象領域ＡＲを照明する照明部４３を備える。照明部４３は、第１照射部４５および第２照射部４６を有する。第１照射部４５は、第１発光色を有する第１照明光４５Ｌを、砥面２１１に直交する方向から撮像対象領域ＡＲに照射する。第２照射部４６は、第１発光色とは異なる第２発光色を有する第２照明光４６Ｌを、砥面２１１に沿う方向から撮像対象領域ＡＲに照射する。
【0086】
本実施形態によれば、カメラ４１によって撮像される撮像画像４４として、ワークの仕上げ品質を左右する部分である砥石２１の頂面を明確に示す画像を得ることができる。そのため、撮像画像４４を利用して、砥石２１の砥面２１１、詳しくは砥粒２１２の突端部分の状態を精度よく推定することができる。
【0087】
＜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。
【0088】
・判定画像６５の生成に際して、複数の最新画像４４Ｎと複数の基本画像４４Ｂとを各別にグレースケールに変換する処理（図９のステップＳ１５の処理）を省略することができる。この場合には、第１学習器６１の学習データ６３の作成に際して第１画像および第２画像をグレースケールに変換する処理を省略することができる。また、第２学習器６２の学習データ６４の作成に際して、第１画像および第２画像をグレースケールに変換する処理を省略することができる。
【0089】
・第１学習器６１の学習データ６３の作成に際して、第１画像および第２画像を複数の分割画像に分割する手順を省略することができる。この場合には、砥面２１１を撮像した撮像画像４４と同撮像画像４４から砥面２１１の突端部分を抽出した抽出画像とが対をなす画像セットを多数用意するとともに、それら画像セットを学習データ６３として用いるようにすればよい。なお、上記実施形態の加工面状態推定装置３０のように、第１画像および第２画像を複数の分割画像に分割したうえで学習データ６３の作成に利用することにより、比較的処理能力の低い電子制御装置５０を用いて、学習データ６３を作成することが可能になる。
【0090】
・判定処理（図１０参照）の実行態様は、判定画像６５における砥面２１１の突端部分の分布の偏りが所定レベル以上である場合に推定対象の砥石２１における劣化異常の発生を判定することができるのであれば、任意に変更可能である。
【0091】
判定処理は、例えば、以下の判定処理Ａ、判定処理Ｂ、および判定処理Ｃのように実行することができる。
＜判定処理Ａ＞
判定処理Ａは、推定対象の砥石２１が一般砥石である場合に、以下のように実行することができる。
＜判定処理Ａ＞
判定処理Ａは、推定対象の砥石２１が一般砥石である場合に、以下のように実行することができる。
【0092】
図１２に示すように、判定処理Ａでは先ず、複数の判定画像６５の各々をビットマップ画像に変換することで、複数の変換判定画像が生成される（ステップＳ３１）。なお、ステップＳ３１の処理では、判定画像６５として、変換後基本画像を基準に変換後最新画像において砥面２１１の突端部分が減少した部分を示す画像が利用される。
【0093】
その後、複数の変換判定画像をもとに、砥石２１の回転位相毎に、砥面２１１の突端部分であることを示す画素（以下、特定画素）の数を積算した積算値ＰＰ２が算出される（ステップＳ３２）。
【0094】
そして、回転位相毎に算出された積算値ＰＰ２に基づいて、変換判定画像（詳しくは、複数の変換判定画像からなる砥面２１１の全体を示す１枚の画像）における砥面２１１の突端部分の分布の偏りの度合いＲＲ２が算出される（ステップＳ３３）。ステップＳ３３の処理では、上記偏りの度合いＲＲ２として、回転位相毎に算出される積算値ＰＰ２の平均値ＰＰ２ａｖｅと最大値ＰＰ２ｍａｘとの差ΔＰＰ２（＝ＰＰ２ｍａｘ－ＰＰ２ａｖｅ）が算出される。
【0095】
その後、上記差ΔＰＰ２が所定値Ｊ２以上であるか否かが判断される（ステップＳ３４）。なお、所定値Ｊ２としては、砥石２１の劣化異常の発生を適正に判定することの可能な値が予め定められている。詳しくは、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砥石２１の劣化異常の発生を適正に判定することの可能な値（所定値Ｊ２）が求められるとともに、同所定値Ｊ２が記憶部５６に予め記憶される。
【0096】
そして、上記差ΔＰＰ２が所定値Ｊ２未満である場合には（ステップＳ３４：ＮＯ）、変換判定画像における砥面２１１の突端部分の分布の偏りが所定レベル未満であるとして、正常判定がなされる（ステップＳ３５）。一方、上記差ΔＰＰ２が所定値Ｊ２以上である場合には（ステップＳ３４：ＹＥＳ）、変換判定画像における砥面２１１の突端部分の分布の偏りが所定レベル以上であるとして、砥石２１の劣化異常が発生していると判定される（ステップＳ３６）。なお上記構成では、ステップＳ３４の処理およびステップＳ３６の処理が、判定工程に相当する。
【0097】
上記構成において、砥石２１から砥粒２１２が脱落した場合には、その事実が変換判定画像における砥粒２１２の脱落部分に対応する画素（上記特定画素）の表示に現れるようになる。そのため、変換判定画像における特定画素の位置や範囲をもとに、砥面２１１の各部における砥粒２１２の脱落態様を把握することができる。
【0098】
上記構成では、砥石２１の劣化が進むと、砥面２１１全体における砥粒２１２の脱落部分（すなわち、特定画素）の分布の偏りが大きくなる。この場合には、図１３に一例を示すように、回転位相毎に算出される積算値ＰＰ２のばらつきが大きくなる。なお図１３において、実線は積算値ＰＰ２を示しており、破線は積算値ＰＰ２の平均値ＰＰ２ａｖｅを示している。
【0099】
上記構成によれば、積算値ＰＰ２の平均値ＰＰ２ａｖｅと最大値ＰＰ２ｍａｘとの差ΔＰＰ２が大きいことをもって、砥面２１１の突端部分において砥粒２１２の脱落量の偏りが大きくなっていることが分かる。上記構成では、そうした場合に（図１２のステップＳ３４：ＹＥＳ）、砥石２１の劣化異常が発生していると判定することができる。
【0100】
なお上記構成では、第１学習器６１が、所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器に相当する。また上記構成では、第１学習器６１から出力される抽出画像が、推定対象の工具の加工面の状態を示す加工面情報に相当する。
【0101】
＜判定処理Ｂ＞
判定処理Ｂは、推定対象の砥石２１が超砥粒を有する超砥粒砥石である場合に、以下のように実行することができる。判定処理Ｂは、超砥粒を有する超砥粒砥石における劣化異常の発生を判定することを想定して構築されている。
判定処理Ｂは、推定対象の砥石２１が超砥粒を有する超砥粒砥石である場合に、以下のように実行することができる。判定処理Ｂは、超砥粒を有する超砥粒砥石における劣化異常の発生を判定することを想定して構築されている。
【0102】
図１４に示すように、判定処理Ｂでは先ず、複数の判定画像６５と学習済みの第２学習器６２とを利用して、各判定画像６５の分類が実行される（ステップＳ４１）。詳しくは、複数の判定画像６５の１つを取り出すとともに、同判定画像６５を入力データとして第２学習器６２により判定画像６５を分類するといった分類処理が、複数の判定画像６５毎に繰り返し実行される。
【0103】
そして、各判定画像６５についての分類結果と砥面２１１における位置情報とに基づいて、判定画像６５における砥面２１１の突端部分の分布の偏りの度合いＲＲ３が算出される（ステップＳ４２）。ステップＳ４２の処理では、先ず、砥石２１の回転位相毎に、ステップＳ４１の処理で切り屑溶着砥面（クラス３）に分類された部分の占める割合Ｒ３が算出される。ここでは、同一回転位相に対応する複数（Ｎ３）の判定画像６５のうち所定数（Ｎ４）の判定画像６５が切り屑溶着砥面（クラス３）に分類された場合には、上記割合Ｒ３としては値「Ｎ４／Ｎ３」が算出される。そして、上記偏りの度合いＲＲ３としては、回転位相毎に求められた割合Ｒ３における最大値Ｒ３ｍａｘと最小値Ｒ３ｍｉｎとの差ΔＲ３（＝Ｒ３ｍａｘ－Ｒ３ｍｉｎ）が算出される。
【0104】
その後、上記差ΔＲ３が所定値Ｊ３以上であるか否かが判断される（ステップＳ４３）。なお、所定値Ｊ３としては、砥石２１の劣化異常の発生を適正に判定することの可能な値が予め定められている。詳しくは、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砥石２１の劣化異常の発生を適正に判定することの可能な値（所定値Ｊ３）が求められるとともに、同所定値Ｊ３が記憶部５６に予め記憶されている。
【0105】
そして、上記差ΔＲ３が所定値Ｊ３未満である場合には（ステップＳ４３：ＮＯ）、判定画像６５における砥面２１１の突端部分の分布の偏りが所定レベル未満であるとして、正常判定がなされる（ステップＳ４４）。一方、上記差ΔＲ３が所定値Ｊ３以上である場合には（ステップＳ４３：ＹＥＳ）、判定画像６５における砥面２１１の突端部分の分布の偏りが所定レベル以上であるとして、砥石２１の劣化異常が発生していると判定される（ステップＳ４５）。この場合には、砥面２１１のドレッシングが求められる程度に砥石２１が劣化していると判定される。なお上記構成では、ステップＳ４３の処理およびステップＳ４５の処理が、判定工程に相当する。
【0106】
超砥粒砥石では、砥面２１１の突端部分の状態変化が、同砥面２１１に切り粉等の異物が付着するといったように進む。このことから、砥面２１１の各部における異物付着の偏りが大きくなっている場合には、砥面２１１の状態が望ましくないかたちで変化していると云える。
【0107】
上記構成では、判定画像６５（詳しくは、変換後基本画像を基準に、変換後最新画像において砥面２１１の突端部分が増加した部分を示す画像）に、第１時期から第２時期までの期間における砥面２１１各部の異物付着量が現れる。そのため、判定画像６５における砥面２１１の突端部分の位置や大きさによって、砥面２１１の各部における異物付着量を把握することができる。したがって上記構成によれば、判定画像６５における砥面２１１の突端部分の分布に偏りが生じていることをもって、砥面２１１の突端部分において異物付着の偏りが大きくなっていることが分かる。本実施形態では、そうした場合に（図１４のステップＳ４３：ＹＥＳ）、砥石２１の劣化異常が発生していると判定することができる。
【0108】
＜判定処理Ｃ＞
判定処理Ｃは、推定対象の砥石２１が超砥粒を有する超砥粒砥石である場合に、以下のように実行することができる。判定処理Ｃは、超砥粒を有する超砥粒砥石における劣化異常の発生を判定することを想定して構築されている。
判定処理Ｃは、推定対象の砥石２１が超砥粒を有する超砥粒砥石である場合に、以下のように実行することができる。判定処理Ｃは、超砥粒を有する超砥粒砥石における劣化異常の発生を判定することを想定して構築されている。
【0109】
判定処理Ｃでは先ず、複数の判定画像６５の各々をビットマップ画像に変換することで、複数の変換判定画像が作成される。なお本例では、判定画像６５として、変換後基本画像を基準に変換後最新画像において砥面２１１の突端部分が増加した部分を示す画像が利用される。
【0110】
その後、複数の変換判定画像をもとに、砥石２１の回転位相毎に、砥面２１１の突端部分であることを示す画素（以下、特定画素）の数を積算した積算値ＰＰ４が算出される。
そして、回転位相毎に算出された積算値ＰＰ４に基づいて、変換判定画像（詳しくは、複数の変換判定画像からなる砥面２１１の全体を示す１枚の画像）における砥面２１１の突端部分の分布の偏りの度合いＲＲ４が算出される。この処理では、上記偏りの度合いＲＲ４として、回転位相毎に算出される積算値ＰＰ４の平均値ＰＰ４ａｖｅと最大値ＰＰ４ｍａｘとの差ΔＰＰ４（＝ＰＰ４ｍａｘ－ＰＰ４ａｖｅ）が算出される。
そして、回転位相毎に算出された積算値ＰＰ４に基づいて、変換判定画像（詳しくは、複数の変換判定画像からなる砥面２１１の全体を示す１枚の画像）における砥面２１１の突端部分の分布の偏りの度合いＲＲ４が算出される。この処理では、上記偏りの度合いＲＲ４として、回転位相毎に算出される積算値ＰＰ４の平均値ＰＰ４ａｖｅと最大値ＰＰ４ｍａｘとの差ΔＰＰ４（＝ＰＰ４ｍａｘ－ＰＰ４ａｖｅ）が算出される。
【0111】
その後、上記差ΔＰＰ４が所定値Ｊ４以上であるか否かが判断される。なお、所定値Ｊ４としては、砥石２１の劣化異常の発生を適正に判定することの可能な値が予め定められている。詳しくは、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砥石２１の劣化異常の発生を適正に判定することの可能な値（所定値Ｊ４）が求められるとともに、同所定値Ｊ４が記憶部５６に予め記憶される。
【0112】
そして、上記差ΔＰＰ４が所定値Ｊ４未満である場合には、変換判定画像における砥面２１１の突端部分の分布の偏りが所定レベル未満であるとして、正常判定がなされる。一方、上記差ΔＰＰ４が所定値Ｊ４以上である場合には、変換判定画像における砥面２１１の突端部分の分布の偏りが所定レベル以上であるとして、砥石２１の劣化異常が発生していると判定される。
【0113】
上記構成において、砥面２１１に異物が付着した場合には、その事実が変換判定画像における異物付着部分に対応する画素（上記特定画素）の表示に現れるようになる。そのため、変換判定画像における特定画素の位置や範囲をもとに、砥面２１１の各部における異物の付着態様を把握することができる。
【0114】
上記構成では、砥石２１の劣化が進むと、砥面２１１全体における異物付着部分（すなわち、特定画素）の分布の偏りが大きくなる。この場合には、回転位相毎に算出される積算値ＰＰ４のばらつきが大きくなる。
【0115】
上記構成によれば、積算値ＰＰ４の平均値ＰＰ４ａｖｅと最大値ＰＰ４ｍａｘとの差ΔＰＰ４が大きいことをもって、砥面２１１の突端部分において異物付着量の偏りが大きくなっていることが分かる。上記構成では、そうした場合に、砥石２１の劣化異常が発生していると判定することができる。
【0116】
なお上記構成では、第１学習器６１が、所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器に相当する。また上記構成では、第１学習器６１から出力される抽出画像が、推定対象の工具の加工面の状態を示す加工面情報に相当する。
【0117】
・判定処理として、判定画像６５を入力データとして第２学習器６２から分類結果を出力させる処理を実行することの他、画像サイズを変更比率ＲＧで変更した撮像画像４４を入力データとして第２学習器６２から分類結果を出力させる処理を実行してもよい。この場合には、学習データ６３および第１学習器６１を省略することができる。また第２学習器６２から出力させる情報としては、分類結果に限らず、推定対象の砥石２１の砥面２１１の状態を示す砥面情報であれば、任意の情報を採用することができる。そうした砥面情報としては、例えば推定対象の砥石２１の砥面２１１が良好な状態であることを示す情報や、推定対象の砥石２１の砥面２１１の劣化度合いを示す値などを採用することができる。
【0118】
・判定処理として、フラクタル解析の手法を用いて砥面２１１の状態を判定する処理を実行することができる。
・推定対象の砥石２１の粒子径に関する粒子径情報としては、「平均粒子径」を採用することの他、「砥粒２１２の粒度」を採用したり、「砥石２１の製造メーカーおよび型式」を採用したりすることができる。要は、「砥石２１の粒子径」を特定することのできる情報であれば、上記粒子径情報６６として採用することができる。同構成においては、粒子径情報６６と砥粒２１２の粒子径との関係を記憶部５６に予め記憶させておけばよい。そして、粒子径情報６６をもとに上記関係から「砥石２１の粒子径」を特定するとともに、その特定した粒子径を、リサイズ画像４４Ｒを生成する処理（図９のステップＳ１２）において利用するようにすればよい。
・推定対象の砥石２１の粒子径に関する粒子径情報としては、「平均粒子径」を採用することの他、「砥粒２１２の粒度」を採用したり、「砥石２１の製造メーカーおよび型式」を採用したりすることができる。要は、「砥石２１の粒子径」を特定することのできる情報であれば、上記粒子径情報６６として採用することができる。同構成においては、粒子径情報６６と砥粒２１２の粒子径との関係を記憶部５６に予め記憶させておけばよい。そして、粒子径情報６６をもとに上記関係から「砥石２１の粒子径」を特定するとともに、その特定した粒子径を、リサイズ画像４４Ｒを生成する処理（図９のステップＳ１２）において利用するようにすればよい。
【0119】
・判定画像６５を生成する手順としては、以下の手順を採用することができる。先ず、基本画像４４Ｂと最新画像４４Ｎとの差分を示す差分画像を生成する。その後、差分画像をグレースケールに変換する。その後、グレースケールの差分画像と、同差分画像から砥面２１１の突端部分を抽出した抽出画像を出力するように学習された学習済みの学習器とを利用して、当該抽出画像を生成する。その後、抽出画像の画像サイズを変更比率ＲＧで変更してリサイズ画像を生成する。このリサイズ画像を判定画像６５とする。
【0120】
・第２学習器６２の学習データ６４を作成する手法として、以下の手法を採用することができる。先ず、第１画像と第２画像との差分を示す差分画像を生成する。その後、差分画像をグレースケールに変換する。その後、グレースケールの差分画像と、同差分画像から砥面２１１の突端部分を抽出した抽出画像を出力するように学習された学習済みの学習器とを利用して、当該抽出画像を生成する。この抽出画像を第２学習器６２の学習データ６４とする。
【0121】
・判定画像６５を構成する差分画像として、変換後基本画像と変換後最新画像との差分を示す差分画像を採用することの他、前記Ｎ回前画像（例えば１回前画像）に対応する抽出画像と変換後最新画像との差分を示す差分画像を採用することができる。なお上記構成では、Ｎ回前に砥面２１１を撮像したタイミングが第１時期に相当し、Ｎ回前画像が第１撮像画像に相当する。
【0122】
上記構成によれば、判定画像６５における砥面２１１の突端部分の分布に偏りが生じていることをもって、第１時期から第２時期までの期間において砥面２１１の突端部分についての状態変化量の偏りが大きくなっていることが分かる。上記構成では、そうした場合に、砥石２１の劣化異常が発生していると判定することができる。
【0123】
・第１学習器６１を、推定対象の砥石２１の種類毎に、用意するようにしてもよい。
・照明部４３の構造は、任意に変更可能である。
例えば第２ランプ４６２の一部を、砥面２１１に対して「５度」をなす方向から第２照明光４６Ｌを照射するものにすることに代えて、砥面２１１に対して「１０度」をなす方向から第２照明光４６Ｌを照射するものにしてもよい。その他、第２ランプ４６２の一部を、砥面２１１に対して「０度」をなす方向、すなわち砥面２１１の接平面と平行な方向から第２照明光４６Ｌを照射するものにすることもできる。なお、撮像画像４４における砥石２１の頂面と頂面以外の部分との境界を明確にするうえでは、第２ランプ４６２の一部の光軸と砥面２１１の撮像対象領域ＡＲにおける接平面とのなす角度が、所定の角度範囲（０度≦角度≦１０度）に設定されることが好ましい。
・照明部４３の構造は、任意に変更可能である。
例えば第２ランプ４６２の一部を、砥面２１１に対して「５度」をなす方向から第２照明光４６Ｌを照射するものにすることに代えて、砥面２１１に対して「１０度」をなす方向から第２照明光４６Ｌを照射するものにしてもよい。その他、第２ランプ４６２の一部を、砥面２１１に対して「０度」をなす方向、すなわち砥面２１１の接平面と平行な方向から第２照明光４６Ｌを照射するものにすることもできる。なお、撮像画像４４における砥石２１の頂面と頂面以外の部分との境界を明確にするうえでは、第２ランプ４６２の一部の光軸と砥面２１１の撮像対象領域ＡＲにおける接平面とのなす角度が、所定の角度範囲（０度≦角度≦１０度）に設定されることが好ましい。
【0124】
第２照射部４６を、砥面２１１に沿う方向から同砥面２１１の撮像対象領域ＡＲに第２照明光４６Ｌを照射する第２ランプ４６２のみによって構成してもよい。
第２照射部４６を、砥面２１１の接平面と平行な方向から同砥面２１１の撮像対象領域ＡＲに第２照明光４６Ｌを照射する第２ランプ４６２のみによって構成することが可能である。
第２照射部４６を、砥面２１１の接平面と平行な方向から同砥面２１１の撮像対象領域ＡＲに第２照明光４６Ｌを照射する第２ランプ４６２のみによって構成することが可能である。
【0125】
第１照射部４５および第２照射部４６の一方を省略してもよい。
第１照射部４５における第１照明光４５Ｌの第１発光色や、第２照射部４６における第２照明光４６Ｌの第２発光色は、任意に変更することができる。撮像画像４４における砥石２１の頂面と頂面以外の部分との境界を明確にするうえでは、第１発光色と第２発光色とは異なる色が定められることが好ましい。
第１照射部４５における第１照明光４５Ｌの第１発光色や、第２照射部４６における第２照明光４６Ｌの第２発光色は、任意に変更することができる。撮像画像４４における砥石２１の頂面と頂面以外の部分との境界を明確にするうえでは、第１発光色と第２発光色とは異なる色が定められることが好ましい。
【0126】
・カメラユニット４０を、砥石２１の側方に配置したり、砥石２１の上方に配置したりしてもよい。この場合には、カメラ４１を、砥石２１の砥面２１１に直交する方向から同砥面２１１を撮像するように配置すればよい。また、照明部４３は、砥面２１１の側端部分または上端部分、すなわちカメラ４１によって撮像される領域を照明するように配置すればよい。
【0127】
・カメラユニット４０を、自動研削装置２０に着脱不能な態様で、一体に設けるようにしてもよい。
同構成によれば、砥面２１１を撮像する作業や撮像画像４４を電子制御装置５０に記憶する作業を、自動研削装置２０にカメラユニット４０を着脱することなく、自動研削装置２０に砥石２１を取り付けた状態のままで容易に行うことができる。また、砥面２１１の状態の推定および判定にかかる制御や、自動研削装置２０によるワークの研削加工にかかる制御、同自動研削装置２０による砥石２１のドレッシングにかかる制御を、組み合わせられた一連の自動制御として実行することが可能になる。そのため、判定画像６５を生成する処理および判定処理を定期的に実行することで、砥面２１１の状態を適宜のタイミングで確認しながら、自動研削装置２０によるワークの研削加工や砥石２１のドレッシングを実行することができる。
同構成によれば、砥面２１１を撮像する作業や撮像画像４４を電子制御装置５０に記憶する作業を、自動研削装置２０にカメラユニット４０を着脱することなく、自動研削装置２０に砥石２１を取り付けた状態のままで容易に行うことができる。また、砥面２１１の状態の推定および判定にかかる制御や、自動研削装置２０によるワークの研削加工にかかる制御、同自動研削装置２０による砥石２１のドレッシングにかかる制御を、組み合わせられた一連の自動制御として実行することが可能になる。そのため、判定画像６５を生成する処理および判定処理を定期的に実行することで、砥面２１１の状態を適宜のタイミングで確認しながら、自動研削装置２０によるワークの研削加工や砥石２１のドレッシングを実行することができる。
【0128】
上記構成を採用する場合には、カメラユニット４０と砥石２１との間を開閉するシャッター部が設けられることが好ましい。同構成によれば、自動研削装置２０による研削加工を行うときには、シャッター部を閉じることで、カメラユニット４０と砥石２１との間が仕切られた閉状態にすることができる。これにより、カメラユニット４０への異物（切り粉やオイル等）の付着を抑えることができる。一方、カメラユニット４０による砥面２１１の撮像を実行するときには、シャッター部を開くことで、カメラユニット４０と砥石２１との間が仕切られない開状態にすることができる。これにより、カメラユニット４０による砥面２１１の撮像が可能な状態にすることができる。
【0129】
・学習済みの学習器６１，６２を電子制御装置５０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）推定対象の砥石２１が設けられる自動研削装置２０を利用して、学習データ６３，６４を取得するとともに、同学習データ６３，６４によって学習器６１，６２を機械学習させる。
（作業Ａ）推定対象の砥石２１が設けられる自動研削装置２０を利用して、学習データ６３，６４を取得するとともに、同学習データ６３，６４によって学習器６１，６２を機械学習させる。
【0130】
（作業Ｂ）実際に使用する砥石２１に対応する学習データ６３，６４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、学習データ６３，６４をユーザーが使用する加工面状態推定装置３０の電子制御装置５０に記憶させることで、学習器６１，６２を機械学習させる。
【0131】
（作業Ｃ）加工面状態推定装置３０の製造時において、学習済みの学習器６１，６２を電子制御装置５０に記憶させる。
・第１学習器６１としては、例えば「ｃｙｃｌｅＧＡＮ」や「ＣＧＡＮ」を採用するなど、「ｐｉｘ２ｐｉｘ」以外の種類の敵対的生成ネットワークを採用することができる。また、第１学習器６１としては、変分オートエンコーダ（Variational Autoencoder：ＶＡＥ）を採用するなど、敵対的生成ネットワーク（ＧＡＮ）以外の画像生成モデルを採用することができる。要は、砥石２１の砥面２１１に関する画像から同砥面２１１の突端部分のみを抽出した画像である抽出画像を生成することのできる画像生成モデルであれば、第１学習器６１として採用することができる。
・第１学習器６１としては、例えば「ｃｙｃｌｅＧＡＮ」や「ＣＧＡＮ」を採用するなど、「ｐｉｘ２ｐｉｘ」以外の種類の敵対的生成ネットワークを採用することができる。また、第１学習器６１としては、変分オートエンコーダ（Variational Autoencoder：ＶＡＥ）を採用するなど、敵対的生成ネットワーク（ＧＡＮ）以外の画像生成モデルを採用することができる。要は、砥石２１の砥面２１１に関する画像から同砥面２１１の突端部分のみを抽出した画像である抽出画像を生成することのできる画像生成モデルであれば、第１学習器６１として採用することができる。
【0132】
・第２学習器６２としては、ＹＯＬＯ（You Only Look Once）といわれる物体検出モデルを採用することができる。その他、第２学習器６２としては、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。要は、砥面２１１の状態を判別（推定）することのできる物体検出モデルであれば、第２学習器６２として採用することができる。
【0133】
・上記実施形態にかかる加工面状態推定装置、推定プログラム、および加工面状態推定方法は、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。
【0134】
・上記実施形態にかかる加工面状態推定装置、推定プログラム、および加工面状態推定方法は、砥石に適用することの他、ワイヤソーにおけるワイヤ工具など、砥粒が固着された構造の工具であれば適用可能である。
【0135】
＜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］砥粒が固着された構造の工具における加工面の状態を推定する加工面状態推定装置であって、所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器、および、推定対象の工具の加工面に関する画像である推定画像、および、前記推定対象の工具の粒子径に関する粒子径情報、を記憶する記憶部と、前記所定粒子径を「Ｇ１」とし、前記粒子径情報における前記粒子径を「Ｇ２」とするとき、式「Ｇ１／Ｇ２」で表される変更比率で前記推定画像の画像サイズを変更するリサイズ部と、前記リサイズ部により前記画像サイズが変更された前記推定画像を利用して、前記学習済みの学習器から、前記推定対象の工具の加工面の状態を示す加工面情報を出力する出力部と、を備える加工面状態推定装置。
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］砥粒が固着された構造の工具における加工面の状態を推定する加工面状態推定装置であって、所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器、および、推定対象の工具の加工面に関する画像である推定画像、および、前記推定対象の工具の粒子径に関する粒子径情報、を記憶する記憶部と、前記所定粒子径を「Ｇ１」とし、前記粒子径情報における前記粒子径を「Ｇ２」とするとき、式「Ｇ１／Ｇ２」で表される変更比率で前記推定画像の画像サイズを変更するリサイズ部と、前記リサイズ部により前記画像サイズが変更された前記推定画像を利用して、前記学習済みの学習器から、前記推定対象の工具の加工面の状態を示す加工面情報を出力する出力部と、を備える加工面状態推定装置。
【0136】
［付記２］前記学習データを構成する画像、および、前記推定画像は、グレースケール画像である、［付記１］に記載の加工面状態推定装置。
［付記３］前記工具は、研削加工用の砥石である、［付記１］または［付記２］に記載の加工面状態推定装置。
［付記３］前記工具は、研削加工用の砥石である、［付記１］または［付記２］に記載の加工面状態推定装置。
【0137】
［付記４］前記砥石は、一般砥粒が固着された構造の一般砥石である、［付記３］に記載の加工面状態推定装置。
［付記５］前記砥石は、超砥粒が固着された構造の超砥粒砥石である、［付記３］に記載の加工面状態推定装置。
［付記５］前記砥石は、超砥粒が固着された構造の超砥粒砥石である、［付記３］に記載の加工面状態推定装置。
【0138】
［付記６］前記加工面状態推定装置は、前記加工面に直交する方向から同加工面を撮像する撮像部と、前記加工面における前記撮像部による撮像対象領域を照明する照明部と、を備え、前記照明部は、第１発光色を有する第１照明光を前記加工面に直交する方向から前記撮像対象領域に照射する第１照射部と、前記第１発光色とは異なる第２発光色を有する第２照明光を、前記加工面に沿う方向から前記撮像対象領域に照射する第２照射部と、を有する、［付記１］～［付記５］のいずれか一つに記載の加工面状態推定装置。
【0139】
［付記７］［付記１］～［付記６のいずれか一つに記載の加工面状態推定装置が具備する前記記憶部の処理、および、前記リサイズ部の処理、および、前記出力部の処理を、前記加工面状態推定装置が備える電子制御装置に実行させる推定プログラム。
【0140】
［付記８］砥粒が固着された構造の工具における加工面の状態を推定する加工面状態推定方法であって、所定粒子径の砥粒を有する工具の加工面に関する画像を学習データとして機械学習された学習済みの学習器、および、推定対象の工具の加工面に関する画像である推定画像、および、前記推定対象の工具の粒子径に関する粒子径情報を記憶する記憶工程と、前記所定粒子径を「Ｇ１」とし、前記粒子径情報における前記粒子径を「Ｇ２」とした場合に、式「Ｇ１／Ｇ２」で表される変更比率で前記推定画像の画像サイズを変更するリサイズ工程と、前記リサイズ工程において前記画像サイズが変更された前記推定画像を利用して、前記学習済みの学習器から、前記推定対象の工具の加工面の状態を示す加工面情報を出力する出力工程と、を備える加工面状態推定方法。
【符号の説明】
【0141】
２０…自動研削装置
２１…砥石
２１１…砥面
２１２…砥粒
２２…砥石支持部
２３…基台
２４…テーブル
２５…作動制御部
２６…Ｘ軸駆動部
２７…Ｙ軸駆動部
２８…Ｚ軸駆動部
２９…砥石駆動部
３０…加工面状態推定装置
４０…カメラユニット
４１…カメラ
４３…照明部
４４…撮像画像
４４Ｒ…リサイズ画像
４４Ｂ…基本画像
４４Ｎ…最新画像
４５…第１照射部
４５１…第１ランプ
４５２…反射透光部材
４５Ｌ…第１照明光
４６…第２照射部
４６１…照明ドーム
４６２…第２ランプ
４６Ｌ…第２照明光
５０…電子制御装置
５１…ＣＰＵ
５２…ＲＯＭ
５３…ＲＡＭ
５４…入力部
５５…表示部
５６…記憶部
５７…抽出画像生成部
５８…判定部
６０…実行プログラム
６１…第１学習器
６２…第２学習器
６３…学習データ
６３Ｂ…変換前画像
６３Ａ…変換後画像
６４…学習データ
６５…判定画像
６６…粒子径情報
２１…砥石
２１１…砥面
２１２…砥粒
２２…砥石支持部
２３…基台
２４…テーブル
２５…作動制御部
２６…Ｘ軸駆動部
２７…Ｙ軸駆動部
２８…Ｚ軸駆動部
２９…砥石駆動部
３０…加工面状態推定装置
４０…カメラユニット
４１…カメラ
４３…照明部
４４…撮像画像
４４Ｒ…リサイズ画像
４４Ｂ…基本画像
４４Ｎ…最新画像
４５…第１照射部
４５１…第１ランプ
４５２…反射透光部材
４５Ｌ…第１照明光
４６…第２照射部
４６１…照明ドーム
４６２…第２ランプ
４６Ｌ…第２照明光
５０…電子制御装置
５１…ＣＰＵ
５２…ＲＯＭ
５３…ＲＡＭ
５４…入力部
５５…表示部
５６…記憶部
５７…抽出画像生成部
５８…判定部
６０…実行プログラム
６１…第１学習器
６２…第２学習器
６３…学習データ
６３Ｂ…変換前画像
６３Ａ…変換後画像
６４…学習データ
６５…判定画像
６６…粒子径情報
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
【図10】
【図11】
【図12】
【図13】
【図14】