JP2019195850A - 溶接システム、方法、溶接判定装置、及び学習済みモデルの構築方法 - Google Patents

Abstract

【課題】本発明の目的は、溶接の異常を精度良く判定することにある。【解決手段】コントローラは、溶接システムのためのコントローラであって、プロセッサと学習済みモデルとを備える。プロセッサは、溶接装置による溶接時に、溶接装置の所定のパラメータに関する判定データを取得し、判定データに基づいて溶接の異常を判定する。学習済みモデルは、正常な溶接でのパラメータに関する学習データにより学習済みである。プロセッサは、学習済みモデルを用いて判定データから溶接の異常を判定する。【選択図】図５

Description

本発明は、溶接システム、方法、溶接判定装置、及び学習済みモデルの構築方法に関する。

溶接ロボット等の溶接装置において、溶接中に溶接電源、或いは溶接ワイヤの送給に異常があると、溶接ワイヤが溶けない、或いは溶接部に気泡が入りこむなどの溶接不良が発生してしまう。溶接不良を発見するために、例えば、溶接後に人が溶接部を超音波などで検査することがある。しかし、そのような検査には時間がかかり、また、溶接不良を見逃す可能性がある。

そこで、特許文献１に記載の溶接システムでは、溶接電流及び溶接電圧が所定の範囲内であるかを、制御部が監視することで、溶接中の異常を検出している。

特開２０１２−１１０９１１号公報

しかし、溶接電流及び溶接電圧が所定の範囲内であっても、異常が発生することがある。溶接の異常の原因として、溶接電流、溶接電圧の他に、種々の要因が有り得るためである。
そのため、溶接電流、溶接電圧のパラメータが所定の範囲内であるか否かの判定手法では、異常を精度良く判定することは容易ではなかった。

本発明の目的は、溶接の異常を精度良く判定することにある。

第１の態様に係るコントローラは、溶接システムのためのコントローラであって、プロセッサと学習済みモデルとを備える。プロセッサは、溶接装置による溶接時に、溶接装置の所定のパラメータに関する判定データを取得し、判定データに基づいて溶接の異常を判定する。学習済みモデルは、正常な溶接でのパラメータに関する学習データにより学習済みである。プロセッサは、学習済みモデルを用いて判定データから溶接の異常を判定する。

第２の態様に係る方法は、コンピュータによって実行される方法であって、以下の処理を備える。第１の処理は、溶接装置による溶接時に、溶接装置の所定のパラメータに関する判定データを繰り返し取得することである。第２の処理は、正常な溶接でのパラメータに関する学習データにより学習した学習済みモデルを用いて、判定データから溶接の異常を判定することである。第３の処理は、判定データにおいて溶接の異常を示すデータの位置から、溶接されたワークにおける異常部分の位置を判定することである。

第３の態様に係る溶接判定装置は、コントローラを含む。コントローラは、溶接装置による溶接時に、溶接装置の所定のパラメータに関する判定データを取得し、判定データに基づいて溶接の異常を判定する。コントローラは、正常な溶接でのパラメータに関する学習データにより学習した学習済みモデルを有する。コントローラは、溶接装置による溶接中に、判定データの取得を繰り返す。コントローラは、学習済みモデルを用いて判定データから溶接の異常を判定する。コントローラは、判定データにおいて溶接の異常を示すデータの位置から、溶接されたワークにおける異常部分の位置を判別する。

本発明では、学習済みのモデルを用いることで、溶接中に取得した判定データから溶接の異常を判定することができる。そのため、溶接の異常を精度良く判定することができる。また、モデルは、正常な溶接でのパラメータを示す学習データによって学習済みである。溶接の異常には様々な態様があるため、その全ての態様を示すデータを集めてモデルを学習させることは容易ではなく、また、モデルによる判定の精度を向上させることは容易ではない。従って、正常な溶接でのパラメータを示す学習データによってモデルを学習させることで、精度良く溶接の異常を判定することができる。

溶接システムの構成を示す図である。 溶接ロボットの構成を示す図である。 溶接システムの構成を示す模式図である。 溶接ロボットによる溶接時の動作を示す図である。 コントローラの構成を示す模式図である。 モデルの構成を示す模式図である。 溶接の異常の判定処理を示すフローチャートである。 管理データの一例を示す図である。 学習システムの構成を示す模式図である。 他の実施形態に係る溶接システムの構成を示す図である。

以下、図面を参照して実施形態について説明する。図１は、実施形態に係る溶接システム１を示す図である。溶接システム１は、ワーク（図示せず）と溶接ワイヤＷとの間にアークを発生させることにより、ワークおよび溶接ワイヤＷを溶融させて接合する。溶接システム１００は、溶接装置１と、コントローラ５と、入力装置６とを備える。

溶接装置１は、溶接ロボット２と、ワイヤ送給装置３と、電源装置４と、溶接トーチ７とを含む。溶接ロボット２は、複数の軸を有する多関節型のロボットである。図２は、溶接ロボット２を示す図である。図３は、溶接システム１００の構成を示す模式図である。図２に示すように、溶接ロボット２は、複数の支持部材２１−２６を含む。複数の支持部材２１−２６は、各軸１１−１６を中心に互いに揺動可能に取り付けられている。溶接トーチ７は、支持部材２１−２６によって支持されている。

図３に示すように、溶接ロボット２は、複数の駆動モータＭ１−Ｍ６を含む。駆動モータＭ１−Ｍ６は、支持部材２１−２６を駆動する。駆動モータＭ１−Ｍ６は、例えばサーボモータであり、コントローラ５からの指令信号に基づいて回転角度と回転速度が制御される。溶接ロボット２は、通信線を介してコントローラ５に接続されている。溶接ロボット２は、コントローラ５からの指令信号に基づいて駆動モータＭ１−Ｍ６を制御して第１〜第６軸１１−１６の回転角度を制御することにより、溶接トーチ７を所望の位置に移動させる。

図１に示すワイヤ送給装置３は、溶接ワイヤＷを溶接トーチ７に送り込む装置である。ワイヤ送給装置３は、溶接ワイヤＷがロール状に巻回された溶接コイル３１から溶接ワイヤＷを引き出して、溶接トーチ７に送り込む。ワイヤ送給装置３は、溶接トーチ７の先端から所定の長さの溶接ワイヤＷが突出するように、溶接トーチ７に溶接ワイヤＷを供給する。ワイヤ送給装置３は、コントローラ５と通信線によって接続されており、コントローラ５からの指令信号に基づいて、溶接トーチ７への溶接ワイヤＷの供給速度を制御する。

電源装置４は、アーク放電を生起させるための電力をワークおよび溶接ワイヤＷに供給する。電源装置４は、電気ケーブルを介して溶接トーチ７に接続されている。電源装置４は、図示しない外部電源に接続されており、外部電源からの電力を制御してワークおよび溶接ワイヤＷに供給する。

電源装置４は、通信線を介して、コントローラ５と接続されている。電源装置４は、コントローラ５からの指令信号に基づいて、溶接ワイヤＷとワークとの間に印可される電圧を制御する。電源装置４は、溶接ワイヤＷおよびワークに流れている電流を検出する。電源装置４は、溶接ワイヤＷとワークとの間に印可されている電圧を検出する。電源装置４は、検出した電流の値と電圧の値とをコントローラ５へ送信する。

コントローラ５は、ワイヤ送給装置３を制御して、ワイヤ送給装置３からの溶接ワイヤＷの供給速度を制御する。コントローラ５は、電源装置４を操作して、溶接ワイヤＷとワークとの間に印可される電圧を制御する。コントローラ５は、入力装置６によって入力された作業プラグラムに従って、ワイヤ送給装置３と電源装置４と溶接ロボット２とを制御することにより、ワークの溶接を行う。このとき、図４に示すように、コントローラ５は、複数の軸１１−１６を用いることによって溶接トーチ７の先端を溶接線ＷＬに沿って移動させると共に、溶接トーチ７の先端を溶接線ＷＬに対してウィービングさせる。

入力装置６は、オペレータがティーチングを行うために操作される装置である。ティーチングとは、溶接位置をコントローラ５に記憶させる作業である。例えば、図４に示すように、ティーチングによって、溶接の開始位置Ｐ１と終了位置Ｐ２と溶接線ＷＬの軌跡とがコントローラ５に記憶される。ティーチングによって、ワークに対する溶接ロボット２の姿勢や溶接トーチ７の狙い位置が決定される。オペレータは、入力装置６を操作することによって、溶接電流、溶接電圧、溶接速度の指令値を入力する。また、オペレータは、入力装置６を操作することによって、ウィービングの振幅および周波数の指令値を入力する。コントローラ５は、入力された指令値に基づいて、ワイヤ送給装置３と電源装置４と溶接ロボット２とを制御する。

コントローラ５は、プロセッサ５１と記憶装置５２とを含むコンピュータによって構成される。プロセッサ５１は、例えばＣＰＵ（Central Processing Unit）である。記憶装置５２は、記録されたプログラム及びデータなどの情報をプロセッサ５１が読み取り可能なように記録する媒体を含む。記憶装置５２は、上述したワイヤ送給装置３と電源装置４と溶接ロボット２とを制御するためにプロセッサ５１によって実行されるコンピュータ指令を記憶している。

記憶装置５２は、ＲＡＭ（Random Access Memory）、或いはＲＯＭ（Read Only Memory）などのシステムメモリと、補助記憶装置５２とを含む。補助記憶装置５２は、例えばハードディスク等の磁気的記録媒体、ＣＤ、ＤＶＤ等の光学的記録媒体、或いは、フラッシュメモリ等の半導体メモリであってもよい。記憶装置５２は、コントローラ５に内蔵されてもよい。記憶装置５２は、コントローラ５に着脱可能に接続される外部記録媒体を含んでもよい。

コントローラ５は、溶接中に溶接の異常を判定する溶接判定装置として機能する。コントローラ５は、溶接装置１による溶接時に、判定データを取得する。判定データは、溶接装置１に関する所定のパラメータを示す。コントローラ５は、判定データに基づいて溶接の異常を判定する。以下、溶接の異常を判定するためのコントローラ５の構成について説明する。

図５は、コントローラ５の構成の一部を示す図である。図５に示すように、コントローラ５は、学習済みのモデル５３と異常判定モジュール５４とを含む。モデル５３と異常判定モジュール５４とは、コントローラ５に実装されている。モデル５３と異常判定モジュール５４とは、コンピュータの記憶装置５２に保存されていてもよい。

本実施形態において、モジュール及びモデルは、ハードウェア、ハードウェア上で実行可能なソフトウェア、ファームウェア、或いはそれらの組合せに実装されていてもよい。モジュール及びモデルは、プロセッサ５１によって実行されるプログラム、アルゴリズム、及びデータを含んでもよい。モジュール及びモデルの機能は、単一のモジュールによって実行されてもよく、或いは複数のモジュールに分散して実行されてもよい。

モデル５３は、溶接の異常を判定するための人工知能モデルである。モデル５３は、図６に示すニューラルネットワーク５５を含む。本実施形態におけるモデル５３は、オートエンコーダを含む。図６に示すように、ニューラルネットワーク５５は、入力層５６、中間層５７（隠れ層）、及び出力層５８を含む。各層５６，５７，５８は、１又は複数のニューロンを備えている。

互いに隣接する層のニューロン同士は結合されており、各結合には重み（結合荷重）が設定されている。ニューロンの結合数は、適宜設定されてよい。各ニューロンには閾値が設定されており、各ニューロンへの入力値と重みとの積の和が閾値を超えているか否かによって各ニューロンの出力値が決定される。

入力層５６のニューロンの数は、判定データの数に応じて設定される。中間層５７のニューロンの数は、入力層５６のニューロンの数よりも少なく、適宜設定することができる。出力層５８の数は、入力層５６のニューロンの数と同じである。

オートエンコーダは、入力層５６に入力されたデータを、中間層５７で圧縮し、圧縮されたデータを復元して出力層５８から出力する。圧縮と復元の方法は、学習データによる学習を繰り返すことによって生成される。学習データによって学習済みのオートエンコーダに、学習データと類似したデータが入力されると、復元が適切に行われる。すなわち、オートエンコーダは、入力層５６に入力されたデータと近似するデータを出力層５８から出力する。一方、学習データと異なるデータが入力されると、復元は適切に行われない。そのため、オートエンコーダは、入力層５６に入力されたデータと大きく異なるデータを出力層５８から出力する。

本実施形態では、入力層５６には、溶接装置１に関する所定のパラメータを示す判定データが入力される。判定データについては後述する。モデル５３は、正常な溶接でのパラメータを示す学習データにより学習済みである。モデル５３は、判定データが正常な溶接での学習データと近似しているときには、判定データが入力されると、判定データを精度良く再現した出力データを出力するように学習済みである。

なお、学習によって得られたモデル５３の学習済みパラメータは、記憶装置５２に記憶されている。学習済みパラメータは、例えば、ニューラルネットワーク５５の層数、各層におけるニューロンの個数、ニューロン同士の結合関係、各ニューロン間の結合の重み、及び各ニューロンの閾値を含む。

図７は、溶接の異常を判定するためにコントローラ５（プロセッサ５１）によって実行される処理を示すフローチャートである。図７に示すように、ステップＳ１０１では、コントローラ５は、判定データＤ１を取得する。コントローラ５は、溶接の実行中に、判定データＤ１をリアルタイムに取得する。コントローラ５は、判定データＤ１を所定時間ごとに取得する。コントローラ５は、判定データＤ１を記憶装置５２に保存する。

判定データＤ１は、溶接電流の指令値、溶接電圧の指令値、溶接装置１での実行溶接電流、実行溶接電圧、溶接ワイヤＷの送給負荷、溶接トーチ７の位置、溶接トーチ７の角度、溶接速度、溶接線からの位置ズレ、及びウィービングの振幅の指令値を含む。実行溶接電流及び実行溶接電圧は、所定時間での平均、及び／又は、偏差で示されてもよい。溶接ワイヤＷの送給負荷は、ワイヤ送給装置３への供給電圧で示されてもよい。

溶接トーチ７の位置は、溶接トーチ７の先端の３次元座標で示されてもよい。溶接トーチ７の角度は、ワークに対するトーチの３次元的な角度で示されてもよい。溶接速度は、溶接トーチ７の移動速度で示されてもよい。溶接線からの位置ズレは、溶接トーチ７の先端が溶接線からズレた距離で示されてもよい。溶接線からの位置ズレは、アークセンサによって検出されてもよい。

コントローラ５は、溶接装置１による溶接中に、判定データＤ１を検出して、記憶装置５２に保存する。コントローラ５は、溶接装置１による溶接中に、判定データＤ１の検出を繰り返して、判定データＤ１を蓄積する。

ステップＳ１０２では、コントローラ５は、出力データＤ２を取得する。コントローラ５は、学習済みのモデル５３を用いて、判定データＤ１から出力データＤ２を取得する。コントローラ５は、判定データＤ１をモデル５３に入力する。モデル５３は、判定データＤ１を圧縮し、再現した出力データＤ２を出力する。

なお、モデル５３は、正常な溶接を示す学習データによって学習済みである。学習データは、判定データと同様のパラメータ、すなわち溶接電流の指令値、溶接電圧の指令値、溶接装置１での実行溶接電流、実行溶接電圧、溶接ワイヤＷの送給負荷、溶接トーチ７の位置、溶接トーチ７の角度、溶接速度、溶接線からの位置ズレ、及びウィービングの振幅の指令値を含む。学習データは、各パラメータについて正常な溶接における複数の値を含む。

ステップＳ１０３では、コントローラ５は、溶接の異常を判定する。コントローラ５は、出力データＤ２と判定データＤ１との差に基づいて溶接の異常を判定する。例えば、コントローラ５は、出力データＤ２と判定データＤ１との差が所定の閾値以上であるときに、溶接に異常ありと判定する。コントローラ５は、出力データＤ２と判定データＤ１との差が閾値より小さいときには、溶接は正常と判定する。出力データＤ２と判定データＤ１との差は、各入力値と各出力値との差の平均、分散、或いは偏差で示されてもよい。

コントローラ５は、溶接装置１による溶接中に、判定データの取得と、モデル５３による溶接の異常の判定とをリアルタイムに繰り返し行う。コントローラ５は、所定時間内に蓄積した判定データＤ１から溶接の異常を判定する。例えば、コントローラ５は、判定時点から所定時間前までの間に蓄積した判定データＤ１から溶接の異常を判定する。所定時間は、溶接の異常に影響があり得る範囲で設定される。

ステップＳ１０４では、コントローラ５は、管理データを記憶装置５２に保存する。管理データは、溶接の正常と異常との判定結果を示す。図８は、管理データの一例を示す図である。図８において、横軸は溶接時間を示している。溶接時間は、溶接の開始からの経過時間である。縦軸は、溶接電流を示している。管理データは、判定データＤ１の検出と判定とを行ったときの溶接時間と、その判定結果とを含む。図８において、白丸Ａ１は判定結果が正常であることを示しており、黒丸Ｂ１は判定結果が異常であることを示している。なお、図８においては、複数の白丸Ａ１及び複数の黒丸Ｂ１の一部のみに符号を付している。コントローラ５は、異常を示すデータが検出された溶接時間から、ワークにおける溶接の異常の発生箇所を判断することができる。

以上説明した本実施形態に係る溶接システム１００では、学習済みのモデル５３を用いることで、溶接中に取得した判定データＤ１から溶接の異常を判定することができる。そのため、溶接中に異常の発生を精度良く判定することができる。

また、モデル５３は、正常な溶接でのパラメータを示す学習データによって学習済みである。溶接の異常には様々な態様があるため、その全ての態様を示すデータを集めてモデル５３を学習させることは容易ではなく、また、モデル５３による判定の精度を向上させることは容易ではない。従って、正常な溶接でのパラメータを示す学習データによってモデル５３を学習させることで、容易且つ精度良く溶接の異常を判定することができる。

コントローラ５は、溶接装置１による溶接中に、モデル５３による溶接の異常の判定をリアルタイムに行う。そのため、溶接の品質検査を溶接を実行しながら自動的に行うことができる。

コントローラ５は、所定時間内に蓄積した判定データＤ１から溶接の異常を判定する。溶接の異常は、パラメータの時系列的な変化にも関係がある。従って、所定時間内に蓄積した判定データＤ１を判定に用いることで、さらに精度良く、溶接の異常を判定することができる。

次に、学習済みのモデル５３の構築方法について説明する。図９は、モデル５３の学習を行う学習システム２００を示す図である。学習システム２００は、プロセッサと記憶装置とを含むコンピュータによって構成される。学習システム２００は、単一のコンピュータによって構成されてもよく、或いは複数のコンピュータによって構成されてもよい。

図９に示すように、学習システム２００は、学習データ生成モジュール２１１と学習モジュール２１２とを含む。学習データ生成モジュール２１１は、学習データＤ３を生成する。学習データ生成モジュール２１１は、溶接装置１による溶接時に、上述した複数のパラメータのデータを学習データＤ３として取得する。学習データＤ３は、溶接装置１による正常な溶接時のデータである。

学習モジュール２１２は、学習データＤ２２を用いて、モデル５３の学習を行い、モデル５３のパラメータを最適化する。学習システム２００は、最適化されたパラメータを学習済みパラメータＤ４として取得する。これにより、学習済みのモデル５３が構築される。 以上、本発明の一実施形態について説明したが、本発明は上記実施形態に限定されるものではなく、発明の要旨を逸脱しない範囲で種々の変更が可能である。

コントローラ５の構成が変更されてもよい。溶接の異常の判定は、溶接装置１の制御を行うコントローラ５とは別のコンピュータによって実行されてもよい。溶接の異常の判定の処理は、複数のコンピュータに分散して実行されてもよい。

コントローラ５は、複数のプロセッサを含んでもよい。上述した処理の少なくとも一部は、ＣＰＵに限らず、ＧＰＵ（Graphics Processing Unit）などの他のプロセッサによって実行されてもよい。上述した処理は、複数のプロセッサに分散して実行されてもよい。

上述した処理の一部が省略、或いは変更されてもよい。例えば、管理データを保存する処理が省略されてもよい。例えば、溶接の異常が所定回数連続して発生したときに、コントローラ５が溶接装置１を停止させる処理が追加されてもよい。

学習データ及び判定データＤ１に含まれるパラメータは、上記の実施形態のものに限らず、変更されてもよい。上記の実施形態のパラメータの一部が省略されてもよい。例えば、コントローラ５において複数の溶接線が設定されている場合には、判定データＤ１は、溶接線の識別番号をさらに含んでもよい。学習データＤ３及び判定データＤ１に含まれるパラメータは、上述した実施形態のパラメータのうち少なくとも２つ以上を含むことが好ましい。

或いは、図１０は、他の実施形態に係る溶接システム２００を示す図である。溶接システム２００は、複数の溶接ロボット２ａ，２ｂ，２ｃを含む。この場合、判定データＤ１は、上述したパラメータに加えて、溶接ロボット２ａ，２ｂ，２ｃのそれぞれに付された識別番号をさらに含んでもよい。

上記実施形態では、モデル５３はオートエンコーダを含む。しかし、モデル５３は、オートエンコーダに限らず、例えばクラスタリングなど、機械学習を用いて正常なデータと異常なデータとを識別できるモデルあってもよい。

上述したモデル５３は、上述した学習データを用いて機械学習により学習したモデルに限らず、当該学習したモデルを利用して生成されたモデルであってもよい。例えば、モデル５３は、学習済みモデルに新たなデータを用いて更に学習させることで、パラメータを変化させ、精度をさらに高めた別の学習済みモデル（派生モデル）であってもよい。或いは、モデル５３は、学習済みモデルにデータの入出力を繰り返すことで得られる結果を基に学習させた別の学習済みモデル（蒸留モデル）であってもよい。

本発明によれば、溶接の異常を精度良く判定することができる。

１ 溶接装置
２ 溶接ロボット
３ ワイヤ送給装置
５ コントローラ
７ 溶接トーチ
１００ 溶接システム

Claims (9)

1. 溶接装置のためのコントローラであって、
   前記溶接装置による溶接時に、前記溶接装置の所定のパラメータに関する判定データを取得し、前記判定データに基づいて溶接の異常を判定するプロセッサと、
   正常な溶接での前記パラメータに関する学習データにより学習した学習済みモデルと、を備え、
   前記プロセッサは、前記学習済みモデルを用いて前記判定データから前記溶接の異常を判定する、
   コントローラ。
   
2. 前記プロセッサは、前記溶接装置による溶接中に、前記学習済みモデルによる前記溶接の異常の判定をリアルタイムに行う、
   請求項１に記載のコントローラ。
   
3. 前記プロセッサは、
   前記溶接装置による溶接中に、前記判定データの検出を繰り返して、前記判定データを蓄積し、
   前記判定データにおいて前記溶接の異常を示すデータの位置から、溶接されたワークにおける異常部分の位置を判定する、
   請求項１又は２に記載のコントローラ。
   
4. 前記プロセッサは、
   前記溶接装置による溶接中に、前記判定データの検出を繰り返して、前記判定データを蓄積し、
   所定時間内に蓄積した前記判定データから前記溶接の異常を判定する、
   請求項１から３のいずれかに記載のコントローラ。
   
5. 前記プロセッサは、
   前記判定データを前記学習済みモデルに入力することで出力データを取得し、前記出力データと前記判定データとの差に基づいて前記溶接の異常を判定する、
   請求項１から４のいずれかに記載のコントローラ。
   
6. 前記学習済みモデルは、オートエンコーダを含み、
   前記プロセッサは、
   前記判定データを前記学習済みモデルに入力することで、前記判定データを再現した出力データを取得し、前記出力データと前記判定データとの差に基づいて前記溶接の異常を判定する、
   請求項１から５のいずれかに記載のコントローラ。
   
7. コンピュータによって実行される方法であって、
   溶接装置による溶接時に、前記溶接装置の所定のパラメータに関する判定データを繰り返し取得することと、
   正常な溶接での前記パラメータに関する学習データにより学習した学習済みモデルを用いて、前記判定データから溶接の異常を判定することと、
   前記判定データにおいて前記溶接の異常を示すデータの位置から、溶接されたワークにおける異常部分の位置を判定すること、
   を備える方法。
   
8. 前記溶接装置は、複数の溶接ロボットを含み、
   前記判定データは、前記複数の溶接ロボットのそれぞれに付された識別番号を含む、
   請求項７に記載の方法。
   
9. 溶接装置による溶接時に、前記溶接装置の所定のパラメータに関する判定データを取得し、前記判定データに基づいて溶接の異常を判定するコントローラを備え、
   前記コントローラは、
   正常な溶接での前記パラメータに関する学習データにより学習した学習済みモデルを有し、
   前記溶接装置による溶接中に、前記判定データの取得を繰り返し、
   前記モデルを用いて前記判定データから前記溶接の異常を判定し、
   前記判定データにおいて前記溶接の異常を示すデータの位置から、溶接されたワークにおける異常部分の位置を判別する、
   溶接判定装置。

Images