知財求人 - 知財ポータルサイト「IP Force」
特開2025-11548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】P2025011548
(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 2023113729
(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
3C269QD02
(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３０は、記憶部５６、取得部、特定部５８、出力部を備える。記憶部５６は、複数種類の砥石に対して各別に定められてなる複数の分類学習器６２と、複数の分類学習器６２のうちの一つを特定するように学習された学習済みの特定学習器６７とを記憶する。取得部は、推定対象の砥石の砥面に関する画像である撮像画像４４を取得する。特定部５８は、撮像画像４４および特定学習器６７を利用して、複数の分類学習器６２のうちの一つを特定する。出力部は、撮像画像４４、および、特定部５８により特定した分類学習器６２を利用して、推定対象の砥石の砥面の状態を示す加工面情報としての判定画像６５の分類結果を出力する。
【選択図】図２
【解決手段】加工面状態推定装置３０は、記憶部５６、取得部、特定部５８、出力部を備える。記憶部５６は、複数種類の砥石に対して各別に定められてなる複数の分類学習器６２と、複数の分類学習器６２のうちの一つを特定するように学習された学習済みの特定学習器６７とを記憶する。取得部は、推定対象の砥石の砥面に関する画像である撮像画像４４を取得する。特定部５８は、撮像画像４４および特定学習器６７を利用して、複数の分類学習器６２のうちの一つを特定する。出力部は、撮像画像４４、および、特定部５８により特定した分類学習器６２を利用して、推定対象の砥石の砥面の状態を示す加工面情報としての判定画像６５の分類結果を出力する。
【選択図】図２
【特許請求の範囲】
【請求項1】
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、
前記工具の加工面に関する画像を第１学習データとするとともに前記工具の加工面の状態を示す加工面情報を出力するように学習された学習済みの第１学習器であり、且つ、複数種類の工具に対して各別に定められてなる複数の前記第１学習器を記憶する第１学習器記憶部と、
前記工具の加工面に関する画像を第２学習データとするとともに前記複数の前記第１学習器のうちの一つを特定するように学習された学習済みの第２学習器を記憶する第２学習器記憶部と、
推定対象の工具の加工面に関する画像である推定画像を取得する取得部と、
前記推定画像、および、前記第２学習器を利用して、前記複数の前記第１学習器のうちの一つを特定する特定部と、
前記推定画像、および、前記特定部により特定した前記第１学習器を利用して、前記推定対象の工具の加工面の状態を示す前記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。
前記工具の加工面に関する画像を第１学習データとするとともに前記工具の加工面の状態を示す加工面情報を出力するように学習された学習済みの第１学習器であり、且つ、複数種類の工具に対して各別に定められてなる複数の前記第１学習器を記憶する第１学習器記憶部と、
前記工具の加工面に関する画像を第２学習データとするとともに前記複数の前記第１学習器のうちの一つを特定するように学習された学習済みの第２学習器を記憶する第２学習器記憶部と、
推定対象の工具の加工面に関する画像である推定画像を取得する取得部と、
前記推定画像、および、前記第２学習器を利用して、前記複数の前記第１学習器のうちの一つを特定する特定部と、
前記推定画像、および、前記特定部により特定した前記第１学習器を利用して、前記推定対象の工具の加工面の状態を示す前記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】
前記第１学習データを構成する画像、および、前記第２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】
前記第１学習器は、前記砥石の種類毎に定められてなるとともに、同一種類の前記砥石において砥粒の粒子径毎に定められてなる、
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】
前記第１学習データおよび前記第２学習データの各々は、所定粒子径の砥粒を有する前記砥石の加工面に関する画像により構成されており、
前記加工面状態推定装置は、
前記推定対象の前記砥石における砥粒の粒子径に関する粒子径情報を記憶する情報記憶部と、
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、を備え、
前記特定部および前記出力部は、前記リサイズ部によるサイズ変更後の前記推定画像を利用するものである、
請求項３に記載の加工面状態推定装置。
前記加工面状態推定装置は、
前記推定対象の前記砥石における砥粒の粒子径に関する粒子径情報を記憶する情報記憶部と、
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、を備え、
前記特定部および前記出力部は、前記リサイズ部によるサイズ変更後の前記推定画像を利用するものである、
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（詳しくは、接平面）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（詳しくは、接平面）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（詳しくは、接平面）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。
前記照明部は、第１発光色を有する第１照明光を前記加工面（詳しくは、接平面）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（詳しくは、接平面）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第１学習器記憶部の処理、および、前記第２学習器記憶部の処理、および、前記取得部の処理、および、前記特定部の処理、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】
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、
前記工具の加工面に関する画像を第１学習データとするとともに前記工具の加工面の状態を示す情報を出力するように学習された学習済みの第１学習器であり、且つ、複数種類の工具に対して各別に定められてなる複数の前記第１学習器を記憶する第１学習器記憶工程と、
前記工具の加工面に関する画像を第２学習データとするとともに前記複数の前記第１学習器のうちの一つを特定するように学習された学習済みの第２学習器を記憶する第２学習器記憶工程と、
推定対象の工具の加工面に関する画像である推定画像を取得する取得工程と、
前記推定画像、および、前記第２学習器を利用して、前記複数の前記第１学習器のうちの一つを特定する特定工程と、
前記推定画像、および、前記特定工程で特定した前記第１学習器を利用して、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。
前記工具の加工面に関する画像を第１学習データとするとともに前記工具の加工面の状態を示す情報を出力するように学習された学習済みの第１学習器であり、且つ、複数種類の工具に対して各別に定められてなる複数の前記第１学習器を記憶する第１学習器記憶工程と、
前記工具の加工面に関する画像を第２学習データとするとともに前記複数の前記第１学習器のうちの一つを特定するように学習された学習済みの第２学習器を記憶する第２学習器記憶工程と、
推定対象の工具の加工面に関する画像である推定画像を取得する取得工程と、
前記推定画像、および、前記第２学習器を利用して、前記複数の前記第１学習器のうちの一つを特定する特定工程と、
前記推定画像、および、前記特定工程で特定した前記第１学習器を利用して、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推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、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（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）を測定する測定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。
【先行技術文献】
【特許文献】
【0003】
【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】
【0004】
電子顕微鏡を使用する装置では、同電子顕微鏡によって砥面の表面性状を緻密に観察することができる。とはいえ、電子顕微鏡は観察範囲がごく狭いため、電子顕微鏡によって砥面の全面にわたって同砥面の状態を測定するのには長い時間を要してしまう。しかも、電子顕微鏡の観察範囲、すなわち上記測定装置による測定範囲毎に、砥面の状態を推定するようにすると、その推定にも長い時間を要してしまう。
【0005】
なお、こうした実情は、ワイヤソーの工具であるソーワイヤの加工面の状態を推定する場合や、ワイヤ放電加工機の工具であるワイヤ電極線の加工面の状態を推定する場合においても概ね共通している。
【課題を解決するための手段】
【0006】
上記課題を解決するための加工面状態推定装置は、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であって、前記工具の加工面に関する画像を第１学習データとするとともに前記工具の加工面の状態を示す加工面情報を出力するように学習された学習済みの第１学習器であり、且つ、複数種類の工具に対して各別に定められてなる複数の前記第１学習器を記憶する第１学習器記憶部と、前記工具の加工面に関する画像を第２学習データとするとともに前記複数の前記第１学習器のうちの一つを特定するように学習された学習済みの第２学習器を記憶する第２学習器記憶部と、推定対象の工具の加工面に関する画像である推定画像を取得する取得部と、前記推定画像、および、前記第２学習器を利用して、前記複数の前記第１学習器のうちの一つを特定する特定部と、前記推定画像、および、前記特定部により特定した前記第１学習器を利用して、前記推定対象の工具の加工面の状態を示す前記加工面情報を出力する出力部と、を備える。
【0007】
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第１学習器記憶部の処理、および、前記第２学習器記憶部の処理、および、前記取得部の処理、および、前記特定部の処理、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。
【0008】
前記課題を解決するための加工面状態推定方法は、工具における加工面の状態を推定する加工面状態推定方法であって、前記工具の加工面に関する画像を第１学習データとするとともに前記工具の加工面の状態を示す情報を出力するように学習された学習済みの第１学習器であり、且つ、複数種類の工具に対して各別に定められてなる複数の前記第１学習器を記憶する第１学習器記憶工程と、前記工具の加工面に関する画像を第２学習データとするとともに前記複数の前記第１学習器のうちの一つを特定するように学習された学習済みの第２学習器を記憶する第２学習器記憶工程と、推定対象の工具の加工面に関する画像である推定画像を取得する取得工程と、前記推定画像、および、前記第２学習器を利用して、前記複数の前記第１学習器のうちの一つを特定する特定工程と、前記推定画像、および、前記特定工程で特定した前記第１学習器を利用して、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。
【0009】
上記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によれば、工具の加工面の状態を推定する際には、推定画像および第２学習器を利用して、予め記憶されている複数の第１学習器の中から、推定対象の工具と基本構造が似通っている工具に対応する第１学習器を特定するなど、推定対象の工具の状態推定に適した第１学習器を特定することができる。そして、その特定した第１学習器と推定対象の工具についての推定画像とを利用することで、推定対象の工具の加工面の状態を示す情報を得ることができる。
【0010】
このように上記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によれば、全種類の工具について各別に第１学習器を予め記憶させておくのではなく、予め記憶されている複数の第１学習器のうちの１つを流用することで、推定対象の工具の状態推定を行うことができる。これにより、予め記憶させておく第１学習器の数を少なくすることができるため、第１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】
【0011】
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】
【0012】
【図1】第１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】第１実施形態の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】第１実施形態にかかるカメラユニットの構造を示す略図である。
【図4】第１実施形態にかかる照明部によって砥面の撮像対象領域を照明する様子を示す略図である。
【図5】抽出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】第１実施形態にかかる抽出学習器および分類学習器を特定する手順を示すフローチャートである。
【図10】第１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11】第２実施形態の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12】第２実施形態にかかる抽出学習器および分類学習器を特定する手順を示すフローチャートである。
【図13】第２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14】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15】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。
【発明を実施するための形態】
【0013】
【0014】
＜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。
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。
【0015】
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。
【0016】
【0017】
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。
【0018】
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。
【0019】
＜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。
【0020】
＜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。
【0021】
＜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。
【0022】
＜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。
【0023】
＜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。
【0024】
＜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。
【0025】
＜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。
【0026】
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。
【0027】
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。
【0028】
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。
【0029】
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の状態を推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。
【0030】
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の推定を実行するとき（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。
【0031】
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、いずれも学習済みの抽出学習器６１、分類学習器６２、および特定学習器６７、それら学習器６１，６２，６７の機械学習に利用される学習データ６３，６４，６８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、いずれも学習済みの抽出学習器６１、分類学習器６２、および特定学習器６７、それら学習器６１，６２，６７の機械学習に利用される学習データ６３，６４，６８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。
【0032】
実行プログラム６０は、学習器６１，６２，６７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、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。
【0033】
＜抽出学習器＞
抽出学習器６１について説明する。
抽出学習器６１は、後述する抽出画像の生成に用いられる学習器である。本実施形態では、抽出学習器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。
抽出学習器６１について説明する。
抽出学習器６１は、後述する抽出画像の生成に用いられる学習器である。本実施形態では、抽出学習器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。
【0034】
抽出学習器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、抽出学習器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、抽出学習器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、抽出学習器６１の出力データになることが想定される画像である。
【0035】
本実施形態では、抽出学習器６１は、砥石２１の種類毎に設定されている。本実施形態では、砥石２１の種類は、一般砥粒を有する一般砥石、および超砥粒を有する超砥粒砥石を含むとともに、製造メーカーおよび型式によって切り分けられる。詳しくは、製造メーカーあるいは型式が異なる砥石２１は、異種の砥石２１として取り扱う。また本実施形態では、抽出学習器６１として、砥石２１の種類毎に、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）の砥粒に対応するものが、一つずつ定められる。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、複数種類の砥石２１の各々において所定粒子径の砥粒２１２を有する砥石２１が採用される。
【0036】
学習データ６３は、砥石２１の種類毎に、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。
【0037】
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。
【0038】
その後、図５に示すように、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が多数作成される。本実施形態では、これら画像セットが抽出学習器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（図２）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抽出学習器６１を機械学習させるとの学習処理が、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、学習済みの抽出学習器６１として記憶部５６に記憶される。
【0039】
このようにして機械学習された学習済みの抽出学習器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。
【0040】
＜分類学習器＞
分類学習器６２について説明する。
分類学習器６２は、後述する判定画像６５の分類に用いられる学習器である。本実施形態では、分類学習器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。分類学習器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、分類学習器６２の機械学習を行うためのデータである。なお本実施形態では、分類学習器６２が第１学習器に相当し、学習データ６４が第１学習データに相当する。
分類学習器６２について説明する。
分類学習器６２は、後述する判定画像６５の分類に用いられる学習器である。本実施形態では、分類学習器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。分類学習器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、分類学習器６２の機械学習を行うためのデータである。なお本実施形態では、分類学習器６２が第１学習器に相当し、学習データ６４が第１学習データに相当する。
【0041】
本実施形態では、分類学習器６２は、砥石２１の種類毎に設定されている。また本実施形態では、分類学習器６２として、砥石２１の種類毎に、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に対応するものが一つずつ定められる。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６４の作成に用いる砥石２１として、複数種類の砥石２１の各々において所定粒子径の砥粒２１２を有する砥石２１が採用される。
【0042】
学習データ６４は、基本的には、砥石２１の種類毎に、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。
【0043】
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、前記抽出学習器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、抽出学習器６１を利用して作成する方法を採用することができる。
【0044】
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、この差分画像が分類学習器６２の学習データ６４として用いられる。
【0045】
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。
【0046】
「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。
【0047】
「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。
【0048】
「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。
【0049】
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分類学習器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、学習済みの分類学習器６２として記憶部５６に記憶される。
【0050】
このようにして機械学習された学習済みの分類学習器６２には、砥石２１の砥面２１１に関する画像（本実施形態では、後述する判定画像６５）が入力される。これにより、分類学習器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。
【0051】
＜特定学習器＞
特定学習器６７について説明する。
特定学習器６７は、砥石２１の種類毎に設定された複数の抽出学習器６１のうちの１つと、砥石２１の種類毎に設定された複数の分類学習器６２のうちの１つとを特定する際に用いられる学習器である。
特定学習器６７について説明する。
特定学習器６７は、砥石２１の種類毎に設定された複数の抽出学習器６１のうちの１つと、砥石２１の種類毎に設定された複数の分類学習器６２のうちの１つとを特定する際に用いられる学習器である。
【0052】
本実施形態では、特定学習器６７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。特定学習器６７は、学習データ６８を用いて、機械学習される。学習データ６８は、推定対象の砥石２１と基本構造の似通っている砥石２１に対応する学習器として、複数の抽出学習器６１のうちの１つと複数の分類学習器６２のうちの１つとを特定する能力を獲得するように特定学習器６７の機械学習を行うためのデータである。なお本実施形態では、特定学習器６７が第２学習器に相当し、学習データ６８が第２学習データに相当する。
【0053】
学習データ６８は、以下の手順で生成される。
先ず、砥石２１の種類毎に、前記所定粒子径の砥粒２１２を有する砥石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。各撮像画像（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。本実施形態では、グレースケールの撮像画像が、学習データ６８として用いられる。
先ず、砥石２１の種類毎に、前記所定粒子径の砥粒２１２を有する砥石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。各撮像画像（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。本実施形態では、グレースケールの撮像画像が、学習データ６８として用いられる。
【0054】
本実施形態では、電子制御装置５０により、学習データ６８を構成する複数の撮像画像の１つを取り出すとともに同撮像画像を入力データとして特定学習器６７を機械学習させるといった学習処理が、学習データ６８を構成する撮像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、学習済みの特定学習器６７として記憶部５６に記憶される。なお本実施形態では、学習済みの特定学習器６７を記憶部５６に記憶させる工程が第２学習器記憶工程に相当する。
【0055】
このようにして学習された学習済みの特定学習器６７には、砥石２１の砥面２１１に関する画像（本実施形態では、後述するグレースケールのリサイズ画像４４Ｒ）が入力される。これにより、特定学習器６７は、推定対象の砥石２１と基本構造の似通っている砥石２１に対応する学習器として、複数の抽出学習器６１のうちの１つと複数の分類学習器６２のうちの１つとを特定する特定データを出力する。
【0056】
＜特定部＞
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、特定部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、特定部５８を有する。
【0057】
特定部５８は、推定対象の砥石２１の砥面２１１の状態を推定する際に、撮像画像４４および特定学習器６７を利用して、複数の抽出学習器６１のうちの一つを特定するとともに、複数の分類学習器６２のうちの一つを特定する。これにより、予め記憶されている複数の抽出学習器６１および複数の分類学習器６２の中から、推定対象の砥石２１と基本構造が似通っている砥石２１に対応する抽出学習器６１および分類学習器６２が１つずつ特定される。本実施形態によれば、このようにして推定対象の砥石２１の状態推定に適した抽出学習器６１および分類学習器６２を１つずつ特定することができる。本実施形態では、このようにして特定された抽出学習器６１および分類学習器６２が、砥面２１１の状態を判定する判定処理において利用される。
【0058】
図９に、抽出学習器６１および分類学習器６２を特定する手順を示す。
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Ｓ１０）。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。なお本実施形態では、ステップＳ１０の処理が取得工程に相当する。また本実施形態では、ステップＳ１０の処理を実行する電子制御装置５０が取得部に相当する。
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Ｓ１０）。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。なお本実施形態では、ステップＳ１０の処理が取得工程に相当する。また本実施形態では、ステップＳ１０の処理を実行する電子制御装置５０が取得部に相当する。
【0059】
その後、ステップＳ１０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Ｓ１１）。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Ｓ１１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Ｓ１１の処理がリサイズ工程に相当し、同ステップＳ１１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。その後、複数のリサイズ画像４４Ｒがグレースケールに変換される（ステップＳ１２）。
【0060】
その後、グレースケールのリサイズ画像４４Ｒと学習済みの特定学習器６７とを利用して、複数の抽出学習器６１のうちの１つと複数の分類学習器６２のうちの１つとが特定される（ステップＳ１３）。具体的には先ず、複数のグレースケールのリサイズ画像４４Ｒを入力データとして、学習済みの特定学習器６７により、同リサイズ画像４４Ｒの分類が実行される。そして、特定学習器６７による分類結果をもとに、複数種類の砥石２１のうちで最も基本構造の似通っている種類の砥石２１に対応する抽出学習器６１および分類学習器６２が特定される。なお本実施形態では、ステップＳ１３の処理が特定工程に相当する。その後、ステップＳ１３の処理で特定された抽出学習器６１および分類学習器６２を利用して、砥面２１１の状態を判定する判定処理が実行される（ステップＳ１４）。
【0061】
＜判定処理＞
以下、判定処理について説明する。
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。
以下、判定処理について説明する。
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。
【0062】
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。一方、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。
【0063】
本実施形態では、一般砥石および超砥粒砥石を含む複数種類の砥石２１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。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。
【0064】
以下、判定処理の具体的な実行手順について、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。
【0065】
図１０に示すように、この処理では先ず、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Ｓ２０）。そして、第１時期である場合には（ステップＳ２０：ＹＥＳ）、複数のグレースケールのリサイズ画像４４Ｒが、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Ｓ２１）。そして、この場合には、ステップＳ２２～ステップＳ２９の処理を実行することなく、本処理は一旦終了される。
【0066】
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Ｓ２０：ＮＯ）、複数のグレースケールのリサイズ画像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Ｓ２２）。
【0067】
その後、基本画像４４Ｂを入力データとして、特定学習器６７によって特定された抽出学習器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Ｓ２３）。また、最新画像４４Ｎを入力データとして、特定学習器６７によって特定された抽出学習器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Ｓ２３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抽出学習器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抽出学習器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。
【0068】
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Ｓ２４）。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Ｓ２４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。
【0069】
その後、複数の判定画像６５と、特定学習器６７によって特定された学習済みの分類学習器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Ｓ２５）。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分類学習器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Ｓ２５の処理が出力工程に相当し、このステップＳ２５の処理を実行する電子制御装置５０が出力部に相当する。
【0070】
そして、各判定画像６５についての分類結果と各判定画像６５の砥面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Ｓ２６）。
【0071】
ステップＳ２６の処理では、特定学習器６７によって特定された分類学習器６２が一般砥石に対応する学習器である場合には、砥石２１の回転位相毎に、ステップＳ２５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、この場合には、上記偏りの度合いＲＲ１として、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。
【0072】
一方、ステップＳ２６の処理では、特定学習器６７により特定された分類学習器６２が超砥粒砥石に対応する学習器である場合には、砥石２１の回転位相毎に、ステップＳ２５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Ｒ１として、値「Ｎ２／Ｎ１」が算出される。そして、この場合には、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。
【0073】
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Ｓ２７）。なお、所定値Ｊ１としては、判定処理において用いられる複数の分類学習器６２毎、詳しくは砥石２１の種類毎に、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が予め定められている。詳しくは、複数の分類学習器６２毎に、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。そして、この所定値Ｊ１が、複数の分類学習器６２の各々に関連付けられる態様で、記憶部５６に予め記憶されている。ステップＳ２７の処理では、特定学習器６７により特定された分類学習器６２に対応する所定値Ｊ１が読み込まれて利用される。
【0074】
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Ｓ２７：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Ｓ２８）。一方、上記差ΔＲ１が所定値Ｊ１以上である場合には（ステップＳ２７：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Ｓ２９）。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。
【0075】
＜作用効果＞
以下、本実施形態の加工面状態推定装置３０による作用効果について説明する。
先ず、推定対象の砥石２１が一般砥石の場合について説明する。
以下、本実施形態の加工面状態推定装置３０による作用効果について説明する。
先ず、推定対象の砥石２１が一般砥石の場合について説明する。
【0076】
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。
【0077】
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。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Ｓ２７：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。
【0078】
次に、推定対象の砥石２１が超砥粒砥石の場合について説明する。
前述したように、超砥粒砥石である砥石２１では、砥面２１１の各部における異物付着量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、超砥粒砥石である砥石２１では、砥面２１１の各部における異物付着量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。
【0079】
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の突端部分が増加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をもとに、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の各部における異物付着量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Ｓ２７：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。
【0080】
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）と学習済みの抽出学習器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の各部における状態変化量を把握する場合と比較して、短い時間で容易に砥面２１１の各部における状態変化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。
【0081】
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学習器６１，６２を特定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による研削加工を実行することができる。
【0082】
ここで、同一種類（詳しくは、製造メーカーおよび型式が同一）の砥石２１であれば、砥石２１のサイズ（外形サイズや、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の構造は略同一である。
【0083】
本実施形態では、学習済みの抽出学習器６１および分類学習器６２として、同一種類の砥石２１において、サイズ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。そして、判定処理においては、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、抽出学習器６１の入力データとして利用する基本画像４４Ｂおよび最新画像４４Ｎが生成される。これにより、基本画像４４Ｂおよび最新画像４４Ｎ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。
【0084】
そのため、所定粒子径Ｇ１に対応する画像サイズの基本画像４４Ｂおよび最新画像４４Ｎ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に対応する抽出学習器６１から、変換後基本画像、変換後最新画像を出力させることができる。このように、本実施形態によれば、同一種類でサイズの異なる砥石２１の砥面２１１の状態を推定する場合であっても、砥石２１のサイズ毎に学習済みの抽出学習器６１を用意することなく、共通の抽出学習器６１を利用して、その推定を行うことができる。したがって、抽出学習器６１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。
【0085】
また、判定処理においては、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、分類学習器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。
【0086】
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に対応する分類学習器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の状態を推定する場合であっても、砥石２１の種類毎に学習済みの分類学習器６２を用意することなく、共通の分類学習器６２を利用して、その推定を行うことができる。したがって、分類学習器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。
【0087】
本実施形態では、砥石２１の砥面２１１の状態を推定する際には、撮像画像４４および特定学習器６７を利用して、予め記憶されている複数の抽出学習器６１および複数の分類学習器６２の中から、抽出学習器６１および分類学習器６２が１つずつ特定される。
【0088】
これにより、推定対象の砥石２１と同一種類の砥石２１に対応する抽出学習器６１および分類学習器６２が設定されている場合には、それら抽出学習器６１および分類学習器６２を特定することができる。しかも、推定対象の砥石２１と同一種類の砥石２１に対応する抽出学習器６１および分類学習器６２が設定されていない場合には、推定対象の砥石２１と基本構造が似通っている砥石２１に対応する抽出学習器６１および分類学習器６２を特定することができる。本実施形態によれば、このようにして、予め記憶されている複数の抽出学習器６１および複数の分類学習器６２の中から、推定対象の砥石２１の状態推定に適した抽出学習器６１および分類学習器６２を特定することができる。
【0089】
そして、特定した抽出学習器６１と撮像画像４４（詳しくは、基本画像４４Ｂ、最新画像４４Ｎ）とを利用することで、判定画像６５の生成に用いる変換後基本画像および変換後最新画像を取得することができる。また、特定した分類学習器６２と判定画像６５とを利用することで、判定画像６５の分類を実行することができる。
【0090】
本実施形態によれば、全種類の砥石２１について各別に抽出学習器６１および分類学習器６２を記憶させるのではなく、予め記憶されている複数の抽出学習器６１および分類学習器６２のうちの１つを利用して、推定対象の砥石２１の状態推定を行うことができる。これにより、予め記憶させておく抽出学習器６１の数や分類学習器６２の数を少なくすることができるため、抽出学習器６１を設定する作業や分類学習器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。
【0091】
また、推定対象の砥石２１と同一種類の砥石２１に対応する抽出学習器６１および分類学習器６２が未設定の場合であっても、基本構造の似通った砥石２１に対応する既存の抽出学習器６１や分類学習器６２を流用して、砥石２１の状態推定を実行することができる。したがって、この場合には、推定対象の砥石２１の種類に対応する抽出学習器６１や分類学習器６２を新たに定めることなく、砥石２１の状態推定を実行することができる。
【0092】
＜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。
（１－１）加工面状態推定装置３０は、記憶部５６、取得部、特定部５８、出力部を備える。記憶部５６は、複数種類の砥石２１に対して各別に定められてなる複数の分類学習器６２と、複数の分類学習器６２のうちの一つを特定するように学習された学習済みの特定学習器６７とを記憶する。取得部は、推定対象の砥石２１の砥面２１１に関する画像であるリサイズ画像４４Ｒを取得する。特定部５８は、リサイズ画像４４Ｒおよび特定学習器６７を利用して、複数の分類学習器６２のうちの一つを特定する。出力部は、リサイズ画像４４Ｒ（詳しくは、判定画像６５）、および、特定部５８により特定した分類学習器６２を利用して、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、学習済みの分類学習器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。
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。
（１－１）加工面状態推定装置３０は、記憶部５６、取得部、特定部５８、出力部を備える。記憶部５６は、複数種類の砥石２１に対して各別に定められてなる複数の分類学習器６２と、複数の分類学習器６２のうちの一つを特定するように学習された学習済みの特定学習器６７とを記憶する。取得部は、推定対象の砥石２１の砥面２１１に関する画像であるリサイズ画像４４Ｒを取得する。特定部５８は、リサイズ画像４４Ｒおよび特定学習器６７を利用して、複数の分類学習器６２のうちの一つを特定する。出力部は、リサイズ画像４４Ｒ（詳しくは、判定画像６５）、および、特定部５８により特定した分類学習器６２を利用して、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、学習済みの分類学習器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。
【0093】
（１－２）学習データ６３，６４，６８を構成する画像（変換前画像６３Ｂ、変換後画像６３Ａ、差分画像、撮像画像）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。また、学習器６１，６２，６７の入力データとして利用する画像（撮像画像４４、判定画像６５、リサイズ画像４４Ｒ）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。
【0094】
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。そして本実施形態では、推定対象の砥石２１の状態推定に際して、異なる種類の砥石２１、詳しくは基本構造が似通っている砥石２１に対応する抽出学習器６１や分類学習器６２が用いられる場合がある。
【0095】
本実施形態では、そうした場合に、撮像画像４４における砥面２１１の色の違いが、抽出学習器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、分類学習器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。
【0096】
本実施形態によれば、学習データ６３，６４，６８を構成する画像や、学習器６１，６２，６７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、詳しくは抽出学習器６１による前記抽出画像の生成精度や分類学習器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、抽出学習器６１による前記抽出画像の生成精度の低下を抑えたり、分類学習器６２による前記判定画像６５の分類精度の低下を抑えたりすることができる。
【0097】
（１－３）学習データ６３，６４，６８の各々は、所定粒子径の砥粒を有する砥石２１の砥面２１１に関する画像により構成される。記憶部５６は、推定対象の砥石２１における砥粒の粒子径に関する粒子径情報を記憶する。加工面状態推定装置３０は、撮像画像４４の画像サイズを変更比率ＲＧで変更するリサイズ部を有する。抽出学習器６１の入力データ、分類学習器６２の入力データ、および特定学習器６７の入力データとして、リサイズ部によるサイズ変更後の画像であるリサイズ画像４４Ｒを利用する。
【0098】
本実施形態によれば、同一種類でサイズの異なる砥石２１の砥面２１１の状態を推定する場合であっても、砥石２１のサイズ毎に学習済みの抽出学習器６１を用意することなく、共通の抽出学習器６１を利用して、その推定を行うことができる。したがって、抽出学習器６１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。また、同一種類でサイズの異なる砥石２１の砥面２１１の状態を推定する場合であっても、砥石２１のサイズ毎に学習済みの分類学習器６２を用意することなく、共通の分類学習器６２を利用して、その推定を行うことができる。したがって、分類学習器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。
【0099】
（１－４）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と、砥面２１１における撮像対象領域ＡＲを照明する照明部４３とを備える。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。
【0100】
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。
【0101】
【0102】
本実施形態と先の第１実施形態とは、抽出学習器、分類学習器、および特定学習器が異なる。以下、本実施形態の抽出学習器、分類学習器、および特定学習器について説明する。なお以下では、第１実施形態と同様の構成については同一の符号を付して示し、その詳細な説明は割愛する。
【0103】
＜抽出学習器＞
先ず、本実施形態の抽出学習器７１について説明する。
図１１に示すように、本実施形態では、抽出学習器７１は、砥石２１の種類毎に設定されることに加えて、同一種類の砥石２１における砥粒２１２の粒子径（具体的には、規格に定められた粒度）毎に設定される。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７３の作成に用いる砥石２１として、種類および粒子径の異なる複数の砥石２１が採用される。
先ず、本実施形態の抽出学習器７１について説明する。
図１１に示すように、本実施形態では、抽出学習器７１は、砥石２１の種類毎に設定されることに加えて、同一種類の砥石２１における砥粒２１２の粒子径（具体的には、規格に定められた粒度）毎に設定される。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７３の作成に用いる砥石２１として、種類および粒子径の異なる複数の砥石２１が採用される。
【0104】
また本実施形態では、抽出学習器７１の学習データ７３は、種類および粒子径の異なる複数の砥石２１毎に、次のように生成される。砥石２１の砥面２１１を撮像した撮像画像をもとに、同砥面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が多数作成される。そして、それら画像セットが抽出学習器７１の学習データ７３として用いられる。
【0105】
本実施形態では、学習データ７３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抽出学習器７１を機械学習させるといった学習処理が、学習データ７３を構成する画像セット毎に繰り返し実行される。学習処理は、電子制御装置５０により、種類および粒子径の異なる複数の砥石２１毎、詳しくは複数の抽出学習器７１毎に実行される。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、学習済みの抽出学習器７１として記憶部５６に記憶される。
【0106】
このようにして機械学習された学習済みの抽出学習器７１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。
【0107】
＜分類学習器＞
次に、本実施形態の分類学習器７２について説明する。
本実施形態では、分類学習器７２は、砥石２１の種類毎に設定されることに加えて、同一種類の砥石２１における砥粒の粒子径（具体的には、規格に定められた粒度）毎に設定される。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７４の作成に用いる砥石２１として、種類および粒子径の異なる多数の砥石２１が採用される。
次に、本実施形態の分類学習器７２について説明する。
本実施形態では、分類学習器７２は、砥石２１の種類毎に設定されることに加えて、同一種類の砥石２１における砥粒の粒子径（具体的には、規格に定められた粒度）毎に設定される。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７４の作成に用いる砥石２１として、種類および粒子径の異なる多数の砥石２１が採用される。
【0108】
また本実施形態では、分類学習器７２の学習データ７４は、種類および粒子径の異なる複数の砥石２１毎に、次のように生成される。砥石２１の砥面２１１を撮像した撮像画像をもとに、前記第１画像に対応する抽出画像と前記第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、この差分画像が分類学習器７２の学習データ７４として用いられる。本実施形態では、学習データ７４を構成する上記差分画像として、前記「均等脱落砥面」、前記「アンバランス脱落砥面」、および前記「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。
【0109】
本実施形態では、学習データ７４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分類学習器７２を機械学習させるといった学習処理が、学習データ７４を構成する画像毎に繰り返し実行される。学習処理は、電子制御装置５０により、種類および粒子径の異なる複数の砥石２１毎、詳しくは複数の抽出学習器７１毎に実行される。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、学習済みの分類学習器７２として記憶部５６に記憶される。なお本実施形態では、学習済みの分類学習器７２を記憶部５６に記憶させる工程が第１学習器記憶工程に相当する。
【0110】
このようにして機械学習された学習済みの分類学習器７２には、砥石２１の砥面２１１に関する画像（本実施形態では、後述する判定画像７５）が入力される。これにより、分類学習器７２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。
【0111】
＜特定学習器＞
次に、本実施形態の特定学習器７７について説明する。
本実施形態では、特定学習器７７は、種類および粒子径の異なる複数の砥石２１毎に設定された複数の抽出学習器７１のうちの１つと、種類および粒子径の異なる複数の砥石２１毎に設定された複数の分類学習器７２のうちの１つとを特定する際に用いられる。特定学習器７７は、学習データ７８を用いて、機械学習される。この機械学習により、特定学習器７７は、推定対象の砥石２１と同一構造、あるいは似通った構造の砥石２１に対応する学習器として、複数の抽出学習器７１のうちの１つと複数の分類学習器７２のうちの１つとを特定する能力を獲得する。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７８の作成に用いる砥石２１として、種類および粒子径の異なる多数の砥石２１が採用される。
次に、本実施形態の特定学習器７７について説明する。
本実施形態では、特定学習器７７は、種類および粒子径の異なる複数の砥石２１毎に設定された複数の抽出学習器７１のうちの１つと、種類および粒子径の異なる複数の砥石２１毎に設定された複数の分類学習器７２のうちの１つとを特定する際に用いられる。特定学習器７７は、学習データ７８を用いて、機械学習される。この機械学習により、特定学習器７７は、推定対象の砥石２１と同一構造、あるいは似通った構造の砥石２１に対応する学習器として、複数の抽出学習器７１のうちの１つと複数の分類学習器７２のうちの１つとを特定する能力を獲得する。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７８の作成に用いる砥石２１として、種類および粒子径の異なる多数の砥石２１が採用される。
【0112】
また本実施形態では、学習データ７８は、次のように生成される。種類および粒子径の異なる複数の砥石２１毎に、砥面２１１を撮像した撮像画像が多数用意される。各撮像画像（詳しくは、前記第１画像および前記第２画像）は、グレースケールに変換される。本実施形態では、グレースケールの撮像画像が、学習データ７８として用いられる。
【0113】
本実施形態では、電子制御装置５０により、学習データ７８を構成する複数の撮像画像の１つを取り出すとともに同撮像画像を入力データとして特定学習器７７を機械学習させるといった学習処理が、学習データ７８を構成する撮像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、学習済みの特定学習器７７として記憶部５６に記憶される。なお本実施形態では、学習済みの特定学習器７７を記憶部５６に記憶させる工程が第２学習器記憶工程に相当する。
【0114】
このようにして学習された学習済みの特定学習器７７には、砥石２１の砥面２１１に関する画像（本実施形態では、グレースケールの撮像画像４４）が入力される。これにより、特定学習器７７は、推定対象の砥石２１と同一構造、あるいは似通った構造の砥石２１に対応する学習器として、複数の抽出学習器７１のうちの１つと複数の分類学習器７２のうちの１つとを特定する特定データを出力する。
【0115】
以下、特定学習器７７を利用して、抽出学習器７１および分類学習器７２を特定する手順について説明する。
図１２に、抽出学習器７１および分類学習器７２を特定する手順を示す。
図１２に、抽出学習器７１および分類学習器７２を特定する手順を示す。
【0116】
図１２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Ｓ１０）。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。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。
【0117】
その後、ステップＳ１０の処理で取得した複数の撮像画像４４がグレースケールに変換される（ステップＳ３１）。
その後、グレースケールの撮像画像４４と学習済みの特定学習器７７とを利用して、複数の抽出学習器７１のうちの１つと複数の分類学習器７２のうちの１つとが特定される（ステップＳ３２）。具体的には先ず、複数のグレースケールの撮像画像４４を入力データとして、学習済みの特定学習器７７により、同撮像画像４４の分類が実行される。そして、特定学習器７７による分類結果をもとに、種類および粒子径の異なる複数の砥石２１のうちで最も基本構造の似通っている砥石２１に対応する抽出学習器７１および分類学習器７２が特定される。なお本実施形態では、ステップＳ３２の処理が特定工程に相当する。
その後、グレースケールの撮像画像４４と学習済みの特定学習器７７とを利用して、複数の抽出学習器７１のうちの１つと複数の分類学習器７２のうちの１つとが特定される（ステップＳ３２）。具体的には先ず、複数のグレースケールの撮像画像４４を入力データとして、学習済みの特定学習器７７により、同撮像画像４４の分類が実行される。そして、特定学習器７７による分類結果をもとに、種類および粒子径の異なる複数の砥石２１のうちで最も基本構造の似通っている砥石２１に対応する抽出学習器７１および分類学習器７２が特定される。なお本実施形態では、ステップＳ３２の処理が特定工程に相当する。
【0118】
その後、ステップＳ３２の処理で特定された抽出学習器７１および分類学習器７２を利用して、砥面２１１の状態を判定する判定処理が実行される（ステップＳ３３）。
＜判定処理＞
以下、本実施形態の判定処理の具体的な実行手順について、図１３を参照しつつ説明する。図１３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。
＜判定処理＞
以下、本実施形態の判定処理の具体的な実行手順について、図１３を参照しつつ説明する。図１３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。
【0119】
図１３に示すように、この処理では先ず、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Ｓ４０）。そして、第１時期である場合には（ステップＳ４０：ＹＥＳ）、複数のグレースケールの撮像画像４４が、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Ｓ４１）。そして、この場合には、ステップＳ４２～ステップＳ４９の処理を実行することなく、本処理は一旦終了される。
【0120】
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Ｓ４０：ＮＯ）、複数のグレースケールの撮像画像４４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Ｓ４２）。
【0121】
その後、基本画像４４Ｂを入力データとして、特定学習器７７により特定された抽出学習器７１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Ｓ４３）。また、最新画像４４Ｎを入力データとして、特定学習器７７により特定された抽出学習器７１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Ｓ４３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抽出学習器７１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抽出学習器７１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。
【0122】
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７５）が生成される（ステップＳ４４）。判定画像７５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７５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Ｓ４４の処理で生成された判定画像７５は記憶部５６に記憶される。
【0123】
その後、複数の判定画像７５と、特定学習器７７により特定された学習済みの分類学習器７２とを利用して、各判定画像７５の分類が実行される（ステップＳ４５）。詳しくは、複数の判定画像７５の１つを取り出すとともに、同判定画像７５を入力データとして分類学習器７２により判定画像７５を分類するといった分類処理が、複数の判定画像７５毎に繰り返し実行される。なお本実施形態では、ステップＳ４５の処理が出力工程に相当し、このステップＳ４５の処理を実行する電子制御装置５０が出力部に相当する。
【0124】
そして、各判定画像７５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７５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Ｓ４６）。
【0125】
ステップＳ４６の処理では、特定学習器７７により特定された分類学習器７２が一般砥石に対応する学習器である場合には、砥石２１の回転位相毎に、ステップＳ４５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Ｒ２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７５のうち所定数（Ｎ２）の判定画像７５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Ｒ２として、値「Ｎ２／Ｎ１」が算出される。そして、この場合には、上記偏りの度合いＲＲ２として、回転位相毎に算出された上記割合Ｒ２における最大値Ｒ２ｍａｘと最小値Ｒ２ｍｉｎとの差ΔＲ２（＝Ｒ２ｍａｘ－Ｒ２ｍｉｎ）が算出される。
【0126】
一方、ステップＳ４６の処理では、特定学習器７７により特定された分類学習器７２が超砥粒砥石に対応する学習器である場合には、砥石２１の回転位相毎に、ステップＳ４５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Ｒ２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７５のうち所定数（Ｎ２）の判定画像７５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Ｒ２として、値「Ｎ２／Ｎ１」が算出される。そして、この場合には、上記偏りの度合いＲＲ２として、回転位相毎に算出された上記割合Ｒ２における最大値Ｒ２ｍａｘと最小値Ｒ２ｍｉｎとの差ΔＲ２（＝Ｒ２ｍａｘ－Ｒ２ｍｉｎ）が算出される。
【0127】
その後、上記差ΔＲ２が所定値Ｊ２以上であるか否かが判断される（ステップＳ４７）。なお、所定値Ｊ２としては、判定処理において用いられる複数の分類学習器７２毎（詳しくは、種類および粒子径の異なる複数の砥石２１毎）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が予め定められている。詳しくは、判定処理において用いられる複数の分類学習器７２毎に、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。そして、この所定値Ｊ２が、判定処理において用いられる複数の分類学習器７２に関連付けられる態様で、記憶部５６に予め記憶される。ステップＳ４７の処理では、特定学習器７７によって特定された分類学習器７２に対応する所定値Ｊ２が読み込まれて利用される。
【0128】
そして、上記差ΔＲ２が所定値Ｊ２未満である場合には（ステップＳ４７：ＮＯ）、判定画像７５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Ｓ４８）。一方、上記差ΔＲ２が所定値Ｊ２以上である場合には（ステップＳ４７：ＹＥＳ）、判定画像７５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Ｓ４９）。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。
【0129】
＜作用効果＞
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。
本実施形態では、砥石２１の砥面２１１の状態を推定する際には、撮像画像４４および特定学習器７７を利用して、予め記憶されている複数の抽出学習器７１および複数の分類学習器７２の中から、抽出学習器７１および分類学習器７２が１つずつ特定される。
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。
本実施形態では、砥石２１の砥面２１１の状態を推定する際には、撮像画像４４および特定学習器７７を利用して、予め記憶されている複数の抽出学習器７１および複数の分類学習器７２の中から、抽出学習器７１および分類学習器７２が１つずつ特定される。
【0130】
これにより、推定対象の砥石２１と同一種類および同一粒子径の砥石２１に対応する抽出学習器７１および分類学習器７２が設定されている場合には、それら抽出学習器７１および分類学習器７２を特定することができる。また、推定対象の砥石２１と同一種類および同一粒子径の砥石２１に対応する抽出学習器７１および分類学習器７２が設定されていない場合には、推定対象の砥石２１と基本構造が似通っている砥石２１に対応する抽出学習器７１および分類学習器７２を特定できる。本実施形態によれば、このようにして、予め記憶されている複数の抽出学習器７１および複数の分類学習器７２の中から、推定対象の砥石２１の状態推定に適した抽出学習器７１および分類学習器７２を特定することができる。
【0131】
そして、特定した抽出学習器７１と撮像画像４４（詳しくは、基本画像４４Ｂおよび最新画像４４Ｎ）とを利用することで、判定画像７５の生成に用いる変換後基本画像および変換後最新画像を取得することができる。また、特定した分類学習器７２と判定画像７５とを利用することで、判定画像７５の分類を実行することができる。
【0132】
本実施形態によれば、全ての種類および全ての粒子径の砥石２１について各別に学習器７１，７２を記憶させておくのではなく、予め記憶されている複数の学習器７１，７２のうちの１つを利用して、推定対象の砥石２１の状態推定を行うことができる。これにより、予め記憶させておく抽出学習器７１の数や分類学習器７２の数を少なくすることができるため、抽出学習器７１を設定する作業や分類学習器７２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。
【0133】
また、推定対象の砥石２１と同一種類および同一粒子径の砥石２１に対応する学習器７１，７２が未設定の場合であっても、基本構造の似通った砥石２１に対応する既存の学習器７１，７２を流用して、砥石２１の状態推定を実行することができる。したがって、この場合には、推定対象の砥石２１の種類に対応する抽出学習器７１や分類学習器７２を新たに設定することなく、砥石２１の状態推定を実行することができる。
【0134】
＜効果＞
本実施形態によれば、先の（１－２）および（１－４）に記載の効果と同様の効果に加えて、以下の（２－１）に記載の効果が得られる。
本実施形態によれば、先の（１－２）および（１－４）に記載の効果と同様の効果に加えて、以下の（２－１）に記載の効果が得られる。
【0135】
（２－１）学習済みの抽出学習器７１および学習済みの分類学習器７２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。
（変更例）
なお、上記各実施形態は、以下のように変更して実施することができる。上記各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。
（変更例）
なお、上記各実施形態は、以下のように変更して実施することができる。上記各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。
【0136】
・第１実施形態において、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Ｓ１１）において利用するようにすればよい。
【0137】
・第２実施形態において、分類学習器７２として、砥石２１の種類毎に所定粒子径の砥粒に対応するものを１つずつ定めるようにしてもよい。同構成においては、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で変更しつつ判定画像７５を生成するといったように、分類学習器７２の入力データとして利用する判定画像７５を生成すればよい。
【0138】
・各実施形態において、判定画像６５，７５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抽出学習器とを利用して、当該抽出画像を生成する。この抽出画像を判定画像６５，７５とする。
【0139】
・各実施形態において、判定画像６５，７５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Ｓ１２の処理、図１３のステップＳ３１の処理）を省略することができる。この場合には、抽出学習器６１，７１の学習データ６３，７３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、分類学習器６２，７２の学習データ６４，７４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。
【0140】
・抽出学習器６１，７１の学習データ６３，７３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６３，７３として用いるようにすればよい。なお各実施形態の加工面状態推定装置のように、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６３，７３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６３，７３を作成することが可能になる。
【0141】
・各実施形態の判定処理（図１０、図１２）の実行態様は、判定画像６５，７５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。
【0142】
判定処理は、例えば、以下のように実行することができる。
図１４に示すように、判定処理では、複数の判定画像６５，７５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Ｓ５０）。ここでは、特定学習器６７，７７により特定された抽出学習器６１，７１が一般砥石に対応する学習器である場合には、判定画像６５，７５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。一方、特定学習器６７，７７により特定された抽出学習器６１，７１が超砥粒砥石に対応する学習器である場合には、判定画像６５，７５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。
図１４に示すように、判定処理では、複数の判定画像６５，７５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Ｓ５０）。ここでは、特定学習器６７，７７により特定された抽出学習器６１，７１が一般砥石に対応する学習器である場合には、判定画像６５，７５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。一方、特定学習器６７，７７により特定された抽出学習器６１，７１が超砥粒砥石に対応する学習器である場合には、判定画像６５，７５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。
【0143】
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ＰＰ３が算出される（ステップＳ５１）。
【0144】
そして、回転位相毎に算出された積算値ＰＰ３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ＲＲ３が算出される（ステップＳ５２）。ステップＳ５２の処理では、上記偏りの度合いＲＲ３として、回転位相毎に算出される積算値ＰＰ３の平均値ＰＰ３ａｖｅと最大値ＰＰ３ｍａｘとの差ΔＰＰ３（＝ＰＰ３ｍａｘ－ＰＰ３ａｖｅ）が算出される。
【0145】
その後、上記差ΔＰＰ３が所定値Ｊ３以上であるか否かが判断される（ステップＳ５３）。なお、所定値Ｊ３としては、判定処理において用いられる複数の抽出学習器６１，７１毎に、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が予め定められている。詳しくは、判定処理において用いられる複数の抽出学習器６１，７１毎に、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。そして、この所定値Ｊ３が、判定処理において用いられる複数の抽出学習器６１，７１に関連付けられる態様で、記憶部５６に予め記憶されている。ステップＳ５３の処理では、特定学習器６７，７７により特定された抽出学習器６１，７１に対応する所定値Ｊ３が読み込まれて利用される。
【0146】
そして、上記差ΔＰＰ３が所定値Ｊ３未満である場合には（ステップＳ５３：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Ｓ５４）。一方、上記差ΔＰＰ３が所定値Ｊ３以上である場合には（ステップＳ５３：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Ｓ５５）。
【0147】
上記構成において、抽出学習器６１，７１として一般砥石に対応する学習器が特定された場合、推定対象の砥石２１から砥粒２１２が脱落すると、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、この場合には、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。
【0148】
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１５に一例を示すように、回転位相毎に算出される積算値ＰＰ３のばらつきが大きくなる。なお図１５において、実線は積算値ＰＰ３を示しており、破線は積算値ＰＰ３の平均値ＰＰ３ａｖｅを示している。
【0149】
上記構成によれば、積算値ＰＰ３の平均値ＰＰ３ａｖｅと最大値ＰＰ３ｍａｘとの差ΔＰＰ３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１４のステップＳ５３：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。
【0150】
一方、上記構成において、抽出学習器６１，７１として超砥粒砥石に対応する学習器が特定された場合には、推定対象の砥石２１の砥面２１１に異物が付着すると、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（以下、特定画素）の表示に現れる。そのため、この場合には、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。
【0151】
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。上記構成によれば、積算値ＰＰ３の平均値ＰＰ３ａｖｅと最大値ＰＰ３ｍａｘとの差ΔＰＰ３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（図１４のステップＳ５３：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。
【0152】
なお上記構成では、抽出学習器６１，７１が、学習済みの第１学習器に相当する。また上記構成では、抽出学習器６１，７１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。
【0153】
・第１実施形態の判定処理において、判定画像６５を入力データとして分類学習器６２から分類結果を出力させる処理の他、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分類学習器６２から分類結果を出力させる処理を実行してもよい。また、第２実施形態の判定処理において、撮像画像４４を入力データとして分類学習器７２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、各実施形態において、学習データ７３および抽出学習器７１を省略することができる。各実施形態において、分類学習器６２，７２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。
【0154】
・各実施形態の判定処理として、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。
・分類学習器６２，７２の学習データ６４，７４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、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抽出学習器とを利用して、当該抽出画像を生成する。この抽出画像を分類学習器６２，７２の学習データ６４，７４とする。
・分類学習器６２，７２の学習データ６４，７４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、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抽出学習器とを利用して、当該抽出画像を生成する。この抽出画像を分類学習器６２，７２の学習データ６４，７４とする。
【0155】
・判定画像６５，７５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時期に相当する。
【0156】
上記構成によれば、判定画像６５，７５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。
【0157】
・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。
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。
【0158】
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。
【0159】
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。
【0160】
・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。
【0161】
・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６５，７５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。
【0162】
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。
【0163】
・学習済みの学習器（具体的には、抽出学習器６１，７１、分類学習器６２，７２、特定学習器６７，７７）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。
【0164】
（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（具体的には、学習データ６３，７３、学習データ６４，７４、学習データ６８，７８）を取得するとともに、同学習データによって学習器を機械学習させる。
【0165】
（作業Ｂ）実際に使用する砥石２１に対応する学習データを、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、その学習データ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、学習器を機械学習させる。
【0166】
（作業Ｃ）加工面状態推定装置３０の製造時において、学習済みの学習器を電子制御装置５０に記憶させる。
・記憶部５６に記憶されている既存の学習器と推定対象の砥石２１の砥面２１１に関する画像とを利用して、転移学習の手法により、推定対象の砥石２１に対応する抽出学習器６１，７１および分類学習器６２，７２を新たに設定することができる。
・記憶部５６に記憶されている既存の学習器と推定対象の砥石２１の砥面２１１に関する画像とを利用して、転移学習の手法により、推定対象の砥石２１に対応する抽出学習器６１，７１および分類学習器６２，７２を新たに設定することができる。
【0167】
同構成においては、既存の学習器として、特定学習器６７，７７により特定される抽出学習器６１，７１および分類学習器６２，７２を用いることができる。これにより、推定対象の砥石２１と基本構造が最も似通っている砥石２１に対応する学習器を利用して転移学習を実行することができるため、効率良く、推定対象の砥石２１に対応する抽出学習器６１，７１および分類学習器６２，７２を設定することができる。
【0168】
また上記構成においては、推定対象の砥石２１の砥面２１１に関する画像として、加工面状態推定装置３０により取得または生成した画像を用いることができる。これにより、砥面２１１の状態推定に用いた画像（撮像画像４４など）を流用して転移学習を実行することができるため、効率良く、推定対象の砥石２１に対応する抽出学習器６１，７１および分類学習器６２，７２を設定することができる。
【0169】
上記構成によれば、推定対象の砥石２１に対応する抽出学習器６１，７１および分類学習器６２，７２が未設定の場合に、それら抽出学習器６１，７１および分類学習器６２，７２を短い時間、且つ少ない労力で新たに設定することができる。
【0170】
・抽出学習器６１，７１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、抽出学習器６１，７１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、抽出学習器６１，７１として採用することができる。
【0171】
・分類学習器６２，７２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、分類学習器６２，７２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、分類学習器６２，７２として採用することができる。
【0172】
・特定学習器６７，７７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、砥石２１の種類を判別（特定）することのできる物体検出モデルであれば、特定学習器６７，７７として採用することができる。
【0173】
・上記各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。
【0174】
・上記各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。
【0175】
＜付記＞
上記各実施形態は、以下の付記に記載する構成を含む。
［付記１］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、前記工具の加工面に関する画像を第１学習データとするとともに前記工具の加工面の状態を示す加工面情報を出力するように学習された学習済みの第１学習器であり、且つ、複数種類の工具に対して各別に定められてなる複数の前記第１学習器を記憶する第１学習器記憶部と、前記工具の加工面に関する画像を第２学習データとするとともに前記複数の前記第１学習器のうちの一つを特定するように学習された学習済みの第２学習器を記憶する第２学習器記憶部と、推定対象の工具の加工面に関する画像である推定画像を取得する取得部と、前記推定画像、および、前記第２学習器を利用して、前記複数の前記第１学習器のうちの一つを特定する特定部と、前記推定画像、および、前記特定部により特定した前記第１学習器を利用して、前記推定対象の工具の加工面の状態を示す前記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。
上記各実施形態は、以下の付記に記載する構成を含む。
［付記１］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、前記工具の加工面に関する画像を第１学習データとするとともに前記工具の加工面の状態を示す加工面情報を出力するように学習された学習済みの第１学習器であり、且つ、複数種類の工具に対して各別に定められてなる複数の前記第１学習器を記憶する第１学習器記憶部と、前記工具の加工面に関する画像を第２学習データとするとともに前記複数の前記第１学習器のうちの一つを特定するように学習された学習済みの第２学習器を記憶する第２学習器記憶部と、推定対象の工具の加工面に関する画像である推定画像を取得する取得部と、前記推定画像、および、前記第２学習器を利用して、前記複数の前記第１学習器のうちの一つを特定する特定部と、前記推定画像、および、前記特定部により特定した前記第１学習器を利用して、前記推定対象の工具の加工面の状態を示す前記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。
【0176】
［付記２］前記第１学習データを構成する画像、および、前記第２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。
【0177】
［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４］前記第１学習器は、前記砥石の種類毎に定められてなるとともに、同一種類の前記砥石において砥粒の粒子径毎に定められてなる、［付記３］に記載の加工面状態推定装置。
［付記４］前記第１学習器は、前記砥石の種類毎に定められてなるとともに、同一種類の前記砥石において砥粒の粒子径毎に定められてなる、［付記３］に記載の加工面状態推定装置。
【0178】
［付記５］前記第１学習データおよび前記第２学習データの各々は、所定粒子径の砥粒を有する前記砥石の加工面に関する画像により構成されており、前記加工面状態推定装置は、前記推定対象の前記砥石における砥粒の粒子径に関する粒子径情報を記憶する情報記憶部と、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、を備え、前記特定部および前記出力部は、前記リサイズ部によるサイズ変更後の前記推定画像を利用するものである、［付記３］に記載の加工面状態推定装置。
【0179】
［付記６］前記加工面状態推定装置は、前記加工面（詳しくは、接平面）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（詳しくは、接平面）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（詳しくは、接平面）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。
【0180】
［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第１学習器記憶部の処理、および、前記第２学習器記憶部の処理、および、前記取得部の処理、および、前記特定部の処理、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。
【0181】
［付記８］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、前記工具の加工面に関する画像を第１学習データとするとともに前記工具の加工面の状態を示す情報を出力するように学習された学習済みの第１学習器であり、且つ、複数種類の工具に対して各別に定められてなる複数の前記第１学習器を記憶する第１学習器記憶工程と、前記工具の加工面に関する画像を第２学習データとするとともに前記複数の前記第１学習器のうちの一つを特定するように学習された学習済みの第２学習器を記憶する第２学習器記憶工程と、推定対象の工具の加工面に関する画像である推定画像を取得する取得工程と、前記推定画像、および、前記第２学習器を利用して、前記複数の前記第１学習器のうちの一つを特定する特定工程と、前記推定画像、および、前記特定工程で特定した前記第１学習器を利用して、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】
【0182】
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
５８…特定部
６０…実行プログラム
６１，７１…抽出学習器
６２，７２…分類学習器
６３．７３…学習データ
６３Ｂ…変換前画像
６３Ａ…変換後画像
６４，７４…学習データ
６５，７５…判定画像
６６…粒子径情報
６７，７７…特定学習器
６８，７８…学習データ
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
５８…特定部
６０…実行プログラム
６１，７１…抽出学習器
６２，７２…分類学習器
６３．７３…学習データ
６３Ｂ…変換前画像
６３Ａ…変換後画像
６４，７４…学習データ
６５，７５…判定画像
６６…粒子径情報
６７，７７…特定学習器
６８，７８…学習データ
【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】
【図15】