WO2021166441A1 - 検査装置およびプログラム - Google Patents

検査装置およびプログラム Download PDF

Info

Publication number
WO2021166441A1
WO2021166441A1 PCT/JP2020/048381 JP2020048381W WO2021166441A1 WO 2021166441 A1 WO2021166441 A1 WO 2021166441A1 JP 2020048381 W JP2020048381 W JP 2020048381W WO 2021166441 A1 WO2021166441 A1 WO 2021166441A1
Authority
WO
WIPO (PCT)
Prior art keywords
inspection
unit
trained model
trained
detection unit
Prior art date
Application number
PCT/JP2020/048381
Other languages
English (en)
French (fr)
Inventor
幸寛 中川
Original Assignee
株式会社システムスクエア
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 株式会社システムスクエア filed Critical 株式会社システムスクエア
Publication of WO2021166441A1 publication Critical patent/WO2021166441A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/85—Investigating moving fluids or granular solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/18—Investigating the presence of flaws defects or foreign matter
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Definitions

  • the present invention relates to an inspection device that irradiates an object to be inspected with an electromagnetic wave and inspects a foreign substance or the like based on the amount of transmission.
  • the inspection target When the inspection target is irradiated with electromagnetic waves such as X-rays, ultraviolet rays, visible rays, infrared rays, or microwaves and the transmitted amount is detected, the strength of the transmitted amount due to the presence or absence of foreign matter in the inspection object and the material of the foreign matter is determined. A distribution is obtained. By generating a two-dimensional image in which this intensity distribution is expressed by the color tone of each pixel (tone of color tone, shade, intensity, etc.), the situation inside the inspection object that cannot be known from the outside is visualized. be able to.
  • the strength of the permeation amount depends on the presence or absence of foreign matter in the inspection object, the material of the foreign matter, etc., but depending on the combination of the foreign matter and the non-foreign matter, the difference in the permeation amount between the two is very small. It may be difficult to distinguish between the two from the two-dimensional image.
  • a method using a machine-learned trained model has recently been proposed.
  • a trained model for collecting a large amount of data such as an image showing the distribution of the permeation amount of an inspection object including a foreign substance to be detected and using this as learning data to detect the foreign substance contained in the inspection object.
  • Patent Document 1 discloses an inspection device capable of suppressing a decrease in inspection accuracy of a product containing a plurality of articles.
  • the inspection by the inspection device When reflecting a new trained model whose judgment accuracy has been improved by repeating re-learning using the newly obtained training data on the inspection device, the inspection by the inspection device has been stopped so far and the trained model It was necessary to carry out the replacement work. While the inspection by the inspection device is stopped, the inspection cannot be executed, and the productivity of the production line in which the inspection device is installed is lowered. In addition, for example, the X-ray source in the X-ray inspection device does not have stable output X-ray intensity for a while after the start, so even if the inspection device is stopped and the trained model is changed or replaced, it is immediate. In some cases, the inspection cannot be resumed and the productivity of the production line is further reduced.
  • the present invention has been made in view of the above problems, and an object of the present invention is to provide an inspection device capable of efficiently replacing a learned model for inspecting an inspection object.
  • the inspection device of the present invention inspects from a transport unit that conveys an inspection object, an image generation unit that sequentially generates an image of the inspection object conveyed by the transport unit, and an image of the inspection object generated by machine learning.
  • the storage unit that stores at least one trained model for detecting anomalies in the object and the image generated by the image generation unit, perform an AI inspection that detects anomalies in the inspection object using the trained model.
  • the trained model can be replaced by overwriting the trained model that is not used for the inspection by the abnormality detection unit with a new trained model among the trained model stored in the storage unit and the abnormality detection unit. Equipped with a trained model replacement unit to perform
  • the storage unit may store only one trained model.
  • the abnormality detection unit may be configured to be able to perform a non-AI test that does not use the trained model in addition to the AI test that uses the trained model. Then, when the trained model replacement unit replaces the trained model, the abnormality detection unit may continue to perform the non-AI inspection while invalidating the AI inspection.
  • the storage unit may be configured to be able to store two or more trained models.
  • the anomaly detection unit may use the selected one of the two or more trained models for the AI test
  • the trained model replacement unit may use the trained model replacement unit for the AI test among the two or more trained models. It is advisable to replace the trained model by overwriting the unused one with a new trained model.
  • the inspection device further includes an electromagnetic wave irradiation unit that irradiates an electromagnetic wave to an inspection object transported by the transport unit, and a transmission amount detection unit that detects the transmission amount of the electromagnetic wave irradiated by the electromagnetic wave irradiation unit. It is good. Then, the image generation unit generates an image based on the transmission amount of the electromagnetic wave detected by the transmission amount detection unit, and the trained model replacement unit learns regardless of whether or not the electromagnetic wave irradiation unit irradiates the electromagnetic wave. It would be nice to be able to replace the finished model.
  • the program according to another embodiment of the present invention includes a transport unit that conveys the inspection object, an image generation unit that sequentially generates an image of the inspection object conveyed by the transport unit, and an inspection object generated by machine learning.
  • a storage unit that stores at least one trained model for detecting anomalies in the inspection target from the image of This is a program that causes a computer to execute a process of replacing a learned model stored in a storage unit in an inspection device including an abnormality detection unit that executes an AI inspection.
  • the program replaces the trained model by overwriting the trained model stored in the storage unit with a new trained model that is not used for the inspection by the abnormality detection unit.
  • the storage unit stores only one trained model, and the abnormality detection unit can perform a non-AI inspection using the trained model in addition to the AI inspection using the trained model. It is good to do it. Then, while disabling the AI test by the abnormality detection unit, the trained model may be replaced while the non-AI test is continuously performed.
  • the storage unit is configured to be able to store two or more trained models, and the abnormality detection unit uses a selected one of the two or more trained models for the AI inspection. May be good. Then, it is preferable to replace the trained models by overwriting the two or more trained models that are not used in the AI test with a new trained model.
  • FIG. 1 shows an example of a functional configuration of the inspection device 100 according to the first embodiment of the present invention.
  • the inspection device 100 includes an inspection unit 110, a control unit 120, a storage unit 130, a display unit 140, an input unit 150, and a communication unit 160.
  • the inspection unit 110 includes an electromagnetic wave irradiation unit 111, a transport unit 112, a transmission amount detection unit 113, an image generation unit 114, and an abnormality detection unit 115.
  • FIG. 2 shows an example of the physical configuration of the inspection unit 110.
  • the electromagnetic wave irradiation unit 111 irradiates the inspection object W mounted on the transport unit 112 and transported in the Y-axis direction in FIG. 2 with electromagnetic waves such as X-rays, ultraviolet rays, visible rays, and infrared rays. It is the source.
  • the transport unit 112 is an arbitrary transport mechanism that transports the inspection object W placed on the transport surface forming the XY plane in the three-dimensional Cartesian coordinate system at a predetermined speed in the Y-axis direction. It is desirable that the transport unit 112 has high electromagnetic wave transmission so that the electromagnetic wave transmitted through the inspection object W reaches the transmission amount detection unit 113 without being attenuated as much as possible.
  • the transmission amount detection unit 113 detects and outputs the transmission amount of the electromagnetic wave transmitted through the inspection object W.
  • the method of configuring the transmission amount detection unit 113 is arbitrary, and may be configured as, for example, a line sensor composed of a plurality of detection elements arranged in the X-axis direction.
  • the transmission amount detection unit 113 may be configured as an area sensor in which a plurality of detection elements are arranged in a matrix in the X-axis direction and the Y-axis direction.
  • the image generation unit 114 generates an image that visualizes the distribution of the transmission amount for the entire inspection object W based on the information on the transmission amount of the electromagnetic wave output by the transmission amount detection unit 113. Then, the image generation unit 114 stores the generated image in the storage unit 130. For example, when the transmission amount detection unit 113 is a line sensor, the image generation unit 114 periodically outputs the color tone of the pixels arranged in the X-axis direction according to the distribution of the transmission amount in the X-axis direction. By determining (the tone of color brightness, shading, intensity, etc.) and arranging the pixel sequences arranged in the X-axis direction in the Y-axis direction along the time series, the inspection object passed over the transmission amount detection unit 113. Obtain the distribution of the amount of transmission for the entire W. The image generation unit 114 determines the brightness and color of the pixel according to the transmission amount at the position corresponding to the pixel, and obtains an image in which the distribution of the transmission amount is visualized.
  • the abnormality detection unit 115 detects a predetermined abnormality in the inspection object W based on the image generated by the image generation unit 114 and stored in the storage unit 130.
  • Predetermined abnormalities include, for example, when the inspection target W is a package, the presence of foreign matter inside, an abnormality in the shape of the contents, biting of the contents into the seal portion, and the like, as well as the inspection target W. Abnormal shape of itself, cracks, chips, etc. can be mentioned.
  • the abnormality detection unit 115 of the present embodiment includes an AI inspection unit 116 that performs an inspection using the trained model M (hereinafter referred to as an AI inspection) and a non-AI inspection unit 117 that performs an inspection other than the AI inspection.
  • An example of an inspection other than the AI inspection carried out by the non-AI inspection unit 117 is an inspection in which the user defines various conditions such as image processing and determination threshold without using machine learning.
  • the learned model M used in the AI inspection executed by the AI inspection unit 116 is stored in the storage unit 130.
  • the trained model M uses the training data in advance, and when the image of the inspection object W having an abnormality is input, there is an abnormality (NG), and when the image of the inspection object W without an abnormality is input, there is no abnormality (no abnormality). It is generated by executing learning so that it is determined as OK).
  • an inference value indicating the possibility of an abnormality is output by inputting an image to the trained model M, and the output inference value and a predetermined threshold value are used. It may be done by the comparison of.
  • an inference value is defined in the range of 0 to 1 in which the case where the possibility of abnormality is extremely low is 0 and the case where the possibility of abnormality is extremely high is 1, and the output inference value is When it is a certain value (for example, 0.6) or more, it may be determined that there is an abnormality.
  • the abnormality detection unit 115 detects a predetermined abnormality in the inspection object W by inputting the image of the inspection object W generated by the image generation unit 114 into the AI inspection unit 116 and the non-AI inspection unit 117.
  • the AI inspection unit 116 and the non-AI inspection unit 117 individually detect an abnormality in the inspection object W, and when at least one of the AI inspection unit 116 and the non-AI inspection unit 117 detects an abnormality, the abnormality detection unit 115 It is determined that the inspection object W has an abnormality.
  • the abnormality detection unit 115 may be realized as hardware as a single functional unit, or a program in which the above functions are described is stored in advance in the storage unit 130, and the control unit 120 executes the program. It may be realized by.
  • the control unit 120 is realized by a CPU (Central Processing Unit) or the like.
  • the control unit 120 reads various programs for operating the inspection device 100 from the storage unit 130 and executes them.
  • the storage unit 130 is realized by, for example, a storage medium such as an HDD or a flash memory, a non-volatile memory, a volatile memory, or a combination thereof. A part or all of the storage unit 130 may be provided outside the inspection device 100 by a cloud storage or the like connected via a communication unit provided in the inspection device 100.
  • the storage unit 130 stores the images generated by the image generation unit 114. Further, the storage unit 130 stores a program executed by the control unit 120 and various data used in the program.
  • the storage unit 130 is, for example, a control program that controls each component of the inspection unit 110 (electromagnetic wave irradiation unit 111, transport unit 112, transmission amount detection unit 113, etc.), and has been learned to be used in the AI inspection by the AI inspection unit 116.
  • the model M, the inspection program that regulates the non-AI inspection in the non-AI inspection unit 117, the trained model replacement program that regulates the control at the time of replacement of the trained model M, and the like are stored.
  • the storage unit 130 stores only one trained model M, and the AI inspection unit 116 applies the only trained model M stored by the storage unit 130 to the AI inspection.
  • the trained model replacement unit 122 is realized by the control unit 120 executing the trained model replacement program.
  • the display unit 140 is a display means for displaying an input interface for inputting various instructions in the inspection device 100, an inspection status, a foreign matter detection result, and the like under the control of the control unit 120.
  • the display unit 140 may be built in the main body of the inspection device 100 or may be externally attached.
  • the input unit 150 is an input means such as a pointing device and a keyboard for the device user to input information as needed.
  • a touch panel display may be adopted as the display unit 140, and this may be used as the input unit 150.
  • the communication unit 160 is a communication interface that communicates with an external computer, cloud storage, server, or the like.
  • the communication method of the communication unit 160 may be either wireless communication or wired communication.
  • a start program automatically executed at the time of start-up is read from the storage unit 130 and executed by the control unit 120, and an input interface screen including a selectable operation menu of the inspection device 100 is displayed. It is displayed in the unit 140.
  • menus such as setting inspection conditions, executing inspections, and replacing learned models are displayed.
  • the user operates the input unit 150 to perform operations such as selecting a menu item.
  • the inspection condition setting menu provides an operation interface in which the user sets various inspection conditions (for example, electromagnetic wave intensity, transport speed, image size, non-AI inspection conditions, etc.) prior to execution of the inspection.
  • various inspection conditions for example, electromagnetic wave intensity, transport speed, image size, non-AI inspection conditions, etc.
  • the inspection execution menu provides an operation interface in which the user sets on / off of electromagnetic wave irradiation, start / stop of inspection, and the like.
  • the inspection by the inspection device 100 is started by turning on the electromagnetic wave irradiation and instructing the start of the inspection in this inspection execution menu.
  • the inspection unit 110 sequentially generates an electromagnetic wave transmission image of the inspection object W by the transmission amount detection unit 113 and the image generation unit 114 while the inspection object W is conveyed by the transportation unit 112.
  • the non-AI inspection unit 117 applies the AI inspection by the AI inspection unit 116 and the non-AI inspection by the non-AI inspection unit 117 to the generated image, and determines the presence or absence of the above in the inspection object W.
  • the inspection target object is removed by a sorter provided downstream of the transport unit 112.
  • the trained model replacement menu provides an operation interface for executing the trained model replacement program.
  • the trained model replacement unit 122 realized by the control unit 120 executing the trained model replacement program is a storage unit regardless of whether or not the electromagnetic wave is being irradiated and whether or not the inspection is being executed. The control described below is performed so that the trained model M stored in 130 can be replaced.
  • FIG. 3 is a flowchart showing a procedure for replacing the trained model in the first embodiment.
  • the trained model replacement unit 122 accepts the user to select a new trained model M (step S10).
  • the trained model replacement unit 122 can access the storage means of the external computer or cloud storage via the communication unit 160, acquire the list of the trained models M stored in the storage means, and select the trained model M. It is advisable to present it to the user and accept the user's selection.
  • it is determined whether or not the inspection is being executed (step S20). If the inspection is not being executed (step S20; No), the process is moved to step S40.
  • step S20 when the inspection is being executed (step S20; Yes), the AI inspection by the AI inspection unit 116 is invalidated (step S30), and the process is moved to step S40. While the AI inspection is invalidated, the inspection unit 110 continues the inspection of the inspection target W, but during this time, the abnormality detection unit 115 of the inspection target W is performed only by the non-AI inspection by the non-AI inspection unit 117. Judge anomalies.
  • the trained model replacement unit 122 overwrites the trained model M stored in the storage unit 130 with the new trained model M selected in step S10 (step S40). Then, when the test is being executed (step S50; Yes), the AI test is enabled (step S60), the AI test using the new learned model M is applied to the subsequent tests, and the process is terminated. On the other hand, if the inspection is not being executed (step S50; No), the process is terminated as it is.
  • the trained model can be replaced without stopping the irradiation of electromagnetic waves and the inspection being performed by the control by the trained model replacement unit 122 described above.
  • an inspection device that takes time from the start of electromagnetic wave irradiation to the stabilization of the output of the electromagnetic wave source, such as an X-ray inspection device that uses X-rays as electromagnetic waves, even if the trained model is replaced in a short time. Once the irradiation of the electromagnetic wave is stopped, it takes more time than the replacement time of the learned model M to restart the inspection, but according to the configuration of the present embodiment, such an inconvenience can be avoided.
  • the storage unit 130 can store a plurality of learned models M, and the learned model replacement unit 122 for replacing the learned model M stored in the storage unit 130.
  • the control and the like are different from those of the inspection device 100 in the first embodiment.
  • the parts common to the inspection device 100 in the first embodiment will be omitted, and the parts different from the first embodiment will be described in detail.
  • the inspection device 100A in the present embodiment is the same as the inspection device 100 in the first embodiment shown in FIG. 1, the inspection unit 110, the control unit 120, the storage unit 130, the display unit 140, the input unit 150, and the communication unit 160. To be equipped.
  • the storage unit 130 is configured to store a plurality of trained models M. Which of the plurality of trained models M to be used for the AI inspection by the AI inspection unit 116 can be set in the inspection condition setting menu.
  • the AI inspection unit 116 stores the learned model M used for the inspection in the storage unit 130 as another learned model. It is preferable to configure it so that it can be changed to M.
  • the AI inspection unit 116 is configured to specify the learned model M to be used for inspection by a pointer indicating a storage location in the storage unit 130 of the learned model, and the pointer is rewritten by control by the control unit 120. It is preferable that the trained model M used for the inspection can be switched instantly.
  • the trained model replacement unit 122 realized by the control unit 120 executing the trained model replacement program is a storage unit regardless of whether or not the electromagnetic wave is being irradiated and whether or not the inspection is being executed. The control described below is performed so that the trained model M stored in 130 can be replaced.
  • FIG. 4 is a flowchart showing the procedure for replacing the trained model in the second embodiment.
  • the trained model replacement unit 122 accepts the user to select a new trained model M (step S110).
  • the trained model replacement unit 122 can access the storage means of the external computer or cloud storage via the communication unit 160, acquire the list of the trained models M stored in the storage means, and select the trained model M. It is advisable to present it to the user and accept the user's selection.
  • the trained model replacement unit 122 specifies the trained model M stored in the storage unit 130 that is not set to be used for the AI test as the replacement target model (step S120).
  • the trained model replacement unit 122 overwrites the replacement target model specified in step S120 with the new trained model selected in step S110 (step S130), and ends the process. If the inspection is being executed when the training model replacement process described above is performed, the inspection unit 110 will perform all inspections including the AI inspection by the trained model M to which the inspection target W is being applied. To continue.
  • the trained model M can be replaced without stopping the irradiation of electromagnetic waves and the inspection being performed by the control by the trained model replacement unit 122 described above.
  • an inspection device that takes time from the start of electromagnetic wave irradiation to the stabilization of the output of the electromagnetic wave source, such as an X-ray inspection device that uses X-rays as electromagnetic waves, it is assumed that the trained model M is replaced in a short time.
  • the learned model M used in the AI inspection by the AI inspection unit 116 is not subject to replacement, so that the inspection including the AI inspection can be performed even while the replacement processing is being performed. ..
  • the trained model replacement program is executed by the input interface screen and the input unit 150 displayed on the display unit 140 of the inspection device 100, but the operation is performed from an external computer. May be configured to execute the trained model replacement program by accepting the above via the communication unit 160.
  • Inspection device 110 Inspection unit 111 Electromagnetic wave irradiation unit 112 Transport unit 113 Transmission amount detection unit 114 Image generation unit 115 Abnormality detection unit 116 AI inspection unit 117 Non-AI inspection unit 120 Control unit 122 Learned model replacement unit 130 Storage unit 140 Display unit 150 Input unit 160 Communication unit W Inspection target

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Textile Engineering (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

検査対象物の検査を行うための学習済モデルを効率よく入れ替えることができる検査装置を提供する。本発明の検査装置は、検査対象物を搬送する搬送部と、搬送部が搬送する検査対象物の画像を順次生成する画像生成部と、機械学習により生成された、検査対象物の画像から検査対象物の異常を検出するための学習済モデルを少なくとも１つ記憶する記憶部と、画像生成部が生成した画像に対し、学習済モデルを用いて検査対象物における異常を検出するＡＩ検査を実行する異常検出部と、記憶部に記憶されている学習済モデルのうち、異常検出部による検査に用いられていない学習済モデルを、新たな学習済モデルで上書きすることにより学習済モデルの入れ替えを行う学習済モデル入替部とを備える。

Description

検査装置およびプログラム
　本発明は、検査対象物に電磁波を照射し、透過量に基づき異物等の検査を行う検査装置に関する。
　検査対象物にＸ線、紫外線、可視光線、赤外線、又はマイクロ波などの電磁波を照射し透過量を検出すると、検査対象物内の異物の有無や異物の材質等に起因する透過量の強弱の分布が得られる。この強弱の分布がそれぞれの画素の色調（色彩の明暗・濃淡・強弱などの調子）により表現された二次元画像を生成することで、外観からは知りえない検査対象物内部の状況を可視化することができる。
　前述のように透過量の強弱は、検査対象物内の異物の有無や異物の材質等に起因するが、異物と非異物との組み合わせによっては、両者の透過量の差異が非常に小さく、生成された二次元画像からの両者の識別が難しい場合がある。
　そのような課題の解決策として、近時、機械学習された学習済モデルを用いる方法が提案されている。例えば、検出したい異物を含む検査対象物の透過量の分布を示す画像等のデータを多数収集し、これを学習用データとして、当該検査対象物に含まれる当該異物を検出するための学習済モデルを機械学習により生成する。この学習済モデルに検査対象物の透過量の分布を示す画像等のデータを入力することで、異物を非異物と区別して精度よく検出することが可能になる。
　例えば、複数の物品が重なり合っている状態の商品のＸ線検査画像を学習画像として用いる機械学習を実行し、これにより得られた特徴量を用いて商品をＸ線検査することで、互いに重なり合うことがある複数の物品を含む商品の検査精度の低下を抑制可能とする検査装置が特許文献１に開示されている。
　また、検査装置で収集した学習用データを、別のコンピュータ装置に機械学習させて得られた学習済モデルを、再度検査装置に適用して検査を行う方法も提案されている。
特許第６５３７００８号公報
　新しく得た学習用データを用いて再学習を繰り返すことにより判定の精度を改善された新たな学習済モデルを検査装置に反映させる場合、これまでは検査装置による検査を停止して、学習済モデルの入替作業を行う必要があった。検査装置による検査を停止している間は検査が実行できず、当該検査装置が導入されている生産ラインの生産性が低下してしまう。また、例えばＸ線検査装置におけるＸ線源は、起動から暫くの間は出力するＸ線の強度が安定しないため、検査装置を停止して学習済モデルの変更・入れ替えが済んだとしても、すぐに検査を再開することができず、生産ラインの生産性がより低下してしまう場合がある。
　本発明は上記の課題に鑑みてなされたものであり、検査対象物の検査を行うための学習済モデルを効率よく入れ替えることができる検査装置を提供することを目的とする。
　本発明の検査装置は、検査対象物を搬送する搬送部と、搬送部が搬送する検査対象物の画像を順次生成する画像生成部と、機械学習により生成された、検査対象物の画像から検査対象物の異常を検出するための学習済モデルを少なくとも１つ記憶する記憶部と、画像生成部が生成した画像に対し、学習済モデルを用いて検査対象物における異常を検出するＡＩ検査を実行する異常検出部と、記憶部に記憶されている学習済モデルのうち、異常検出部による検査に用いられていない学習済モデルを、新たな学習済モデルで上書きすることにより学習済モデルの入れ替えを行う学習済モデル入替部とを備える
　本発明では、記憶部は１つの学習済モデルのみを記憶してもよい。この場合、異常検出部は、学習済モデルを用いるＡＩ検査に加え、学習済モデルを用いない非ＡＩ検査を実施可能に構成するとよい。そして、学習済モデル入替部が学習済モデルを入れ替える際に、異常検出部は、ＡＩ検査を無効としつつ、非ＡＩ検査を継続して実施するとよい。
　本発明では、記憶部は、２つ以上の学習済モデルを記憶可能に構成されてもよい。この場合、異常検出部は、２つ以上の学習済モデルのうちの選択された１つをＡＩ検査に用いるとよく、学習済モデル入替部は、２つ以上の学習済モデルのうちＡＩ検査に用いられていないものを新たな学習済モデルで上書きすることにより学習済モデルの入れ替えを行うとよい。
　本発明では、検査装置は、搬送部により搬送される検査対象物に対し、電磁波を照射する電磁波照射部と、電磁波照射部が照射した電磁波の透過量を検出する透過量検出部とをさらに備えるとよい。そして、画像生成部は、透過量検出部が検出した電磁波の透過量に基づいて画像を生成し、学習済モデル入替部は、電磁波照射部が電磁波を照射しているか否かに関わらず、学習済モデルの入れ替えを行うことを可能とするとよい。
　本発明の他の形態に係るプログラムは、検査対象物を搬送する搬送部と、搬送部が搬送する検査対象物の画像を順次生成する画像生成部と、機械学習により生成された、検査対象物の画像から検査対象物の異常を検出するための学習済モデルを少なくとも１つ記憶する記憶部と、画像生成部が生成した画像に対し、学習済モデルを用いて検査対象物における異常を検出するＡＩ検査を実行する異常検出部と、を備える検査装置における、記憶部に記憶された学習済モデルを入れ替える処理をコンピュータに実行させるプログラムである。当該プログラムは、記憶部に記憶されている学習済モデルのうち、異常検出部による検査に用いられていない学習済モデルを、新たな学習済モデルで上書きすることにより学習済モデルの入れ替えを行う。
　本発明では、検査装置において、記憶部は１つの学習済モデルのみを記憶し、異常検出部は、学習済モデルを用いるＡＩ検査に加え、学習済モデルを用いない非ＡＩ検査を実施可能に構成するとよい。そして異常検出部によるＡＩ検査を無効とさせつつ、非ＡＩ検査を継続して実施させながら学習済モデルを入れ替えるとよい。
　あるいは、検査装置において、記憶部は、２つ以上の学習済モデルを記憶可能に構成され、異常検出部は、２つ以上の学習済モデルのうちの選択された１つをＡＩ検査に用いてもよい。そして、２つ以上の学習済モデルのうちＡＩ検査に用いられていないものを新たな学習済モデルで上書きすることにより学習済モデルの入れ替えを行うとよい。
検査装置１００の構成を示すブロック図である。 検査部１１０の構成の一例を、記憶部１３０とともに示す図である。 第１実施形態における学習済モデルの入れ替えの手順を示すフローチャートである。 第２実施形態における学習済モデルの入れ替えの手順を示すフローチャートである。
　以下、本発明の実施形態を図面に基づいて説明する。なお、以下の説明では、同一の部材には同一の符号を付し、一度説明した部材については適宜その説明を省略する。
〔第１実施形態〕
　図１は、本発明の第１実施形態における検査装置１００の機能構成例を示している。検査装置１００は、検査部１１０、制御部１２０、記憶部１３０、表示部１４０、入力部１５０、及び通信部１６０を備える。
　検査部１１０は、電磁波照射部１１１、搬送部１１２、透過量検出部１１３、画像生成部１１４及び異常検出部１１５を備える。図２に検査部１１０の物理的構成例を示す。
　電磁波照射部１１１は、搬送部１１２に載置されて図２におけるＹ軸方向に搬送される検査対象物Ｗに、Ｘ線、紫外線、可視光線、赤外線などの電磁波を照射する、所定の電磁波照射源である。
　搬送部１１２は、３次元直交座標系においてＸＹ平面をなす搬送面に載置された検査対象物Ｗを、Ｙ軸方向に所定の速度で搬送する任意の搬送機構である。搬送部１１２は、検査対象物Ｗを透過した電磁波が極力減衰せずに透過量検出部１１３に届くよう、電磁波の透過性が高いものであることが望ましい。
　透過量検出部１１３は、検査対象物Ｗを透過した電磁波の透過量を検出し出力する。透過量検出部１１３の構成方法は任意であり、例えば、Ｘ軸方向に並べられた複数の検出素子からなるラインセンサとして構成してもよい。あるいは、透過量検出部１１３は、複数の検出素子がＸ軸方向及びＹ軸方向にマトリクス状に並べられたエリアセンサとして構成してもよい。
　画像生成部１１４は、透過量検出部１１３が出力する電磁波の透過量の情報に基づいて、検査対象物Ｗ全体についての透過量の分布を可視化した画像を生成する。そして、画像生成部１１４は、生成した画像を記憶部１３０に格納する。例えば透過量検出部１１３がラインセンサである場合、画像生成部１１４は、透過量検出部１１３が周期的に出力するＸ軸方向における透過量の分布に応じて、Ｘ軸方向に並ぶ画素の色調（色彩の明暗・濃淡・強弱などの調子）を決定し、このＸ軸方向に並ぶ画素列を時系列に沿ってＹ軸方向に並べることで、透過量検出部１１３上を通過した検査対象物Ｗ全体についての透過量の分布を得る。画像生成部１１４は、画素の輝度や色彩を当該画素に対応する位置の透過量に応じて決定し、透過量の分布を可視化した画像とする。
　異常検出部１１５は、画像生成部１１４が生成し記憶部１３０に格納された画像に基づき検査対象物Ｗにおける所定の異常を検出する。所定の異常としては、例えば、検査対象物Ｗが包装物である場合における、内部の異物の存在や内容物の形状の異常や内容物のシール部への噛み込み等のほか、検査対象物Ｗ自体の形状の異常や割れ・欠け等が挙げられる。
　本実施形態の異常検出部１１５は、学習済モデルＭを用いた検査（以下、ＡＩ検査という）を行うＡＩ検査部１１６と、ＡＩ検査以外の検査を行う非ＡＩ検査部１１７とを備える。非ＡＩ検査部１１７が実施するＡＩ検査以外の検査の例としては、機械学習を用いずに画像処理、判定閾値等の諸条件をユーザが定義して行う検査が挙げられる。
　ＡＩ検査部１１６が実行するＡＩ検査で用いられる学習済モデルＭは、記憶部１３０に格納されている。学習済モデルＭは、予め学習データを用いて、異常がある検査対象物Ｗの画像が入力されると異常有り（ＮＧ）、異常がない検査対象物Ｗの画像が入力されると異常なし（ＯＫ）と判定されるように学習を実行することにより生成される。ＡＩ検査部１１６における異常の有無の判定は、例えば、学習済モデルＭへの画像入力により、異常がある可能性を示す推論値が出力されるようにし、出力された推論値と所定の閾値との対比により行ってもよい。より具体的には例えば、異常がある可能性が極めて低い場合を０、異常がある可能性が極めて高い場合を１とした０～１の範囲で推論値を定義し、出力された推論値が一定の値（例えば０．６）以上である場合に異常があると判定してもよい。
　異常検出部１１５は、画像生成部１１４で生成された検査対象物Ｗの画像をＡＩ検査部１１６及び非ＡＩ検査部１１７に入力することにより、検査対象物Ｗにおける所定の異常を検出する。ＡＩ検査部１１６及び非ＡＩ検査部１１７は、それぞれ個別に検査対象物Ｗの異常を検出し、ＡＩ検査部１１６及び非ＡＩ検査部１１７の少なくとも一方が異常を検出した場合、異常検出部１１５は検査対象物Ｗに異常があると判定する。
　異常検出部１１５は、単体の機能部としてハードウェアとして実現してもよいし、上記の機能が記述されたプログラムを記憶部１３０に予め記憶させておき、これを制御部１２０が実行されることにより実現してもよい。
　制御部１２０は、ＣＰＵ（Central Processing Unit）等により実現される。制御部１２０は、検査装置１００を動作させるための各種プログラムを記憶部１３０から読み出して実行する。
　記憶部１３０は、例えば、ＨＤＤ、フラッシュメモリ等の記憶媒体、不揮発性メモリ、揮発性メモリ等、あるいはこれらの組み合わせにより実現される。なお、記憶部１３０は、その一部又は全部を、検査装置１００に設けた通信部を介して接続されたクラウドストレージなどにより検査装置１００の外部に設けてもよい。
　記憶部１３０は、画像生成部１１４が生成した画像を蓄積する。また、記憶部１３０は、制御部１２０が実行するプログラム、および当該プログラムで用いる各種データを記憶する。記憶部１３０は、例えば、検査部１１０の各構成要素（電磁波照射部１１１、搬送部１１２、透過量検出部１１３等）を制御する制御プログラム、ＡＩ検査部１１６でのＡＩ検査で用いられる学習済モデルＭ、非ＡＩ検査部１１７での非ＡＩ検査を規定する検査プログラム、学習済モデルＭの入れ替え時の制御を規定する学習済モデル入替プログラム等を記憶する。なお、本実施形態では、記憶部１３０は、学習済モデルＭを１つだけ記憶し、ＡＩ検査部１１６は記憶部１３０が唯一記憶する学習済モデルＭをＡＩ検査に適用する。制御部１２０が学習済モデル入替プログラムを実行することにより学習済モデル入替部１２２が実現される。
　表示部１４０は、制御部１２０の制御により、検査装置１００における各種指示入力のための入力インタフェース、検査状況、異物検出結果などを表示する表示手段である。表示部１４０は、検査装置１００の本体に内蔵されていてもよいし、外付けされていてもよい。
　入力部１５０は、装置利用者が必要に応じ情報の入力をするポインティングデバイス、キーボードなどの入力手段である。表示部１４０にタッチパネルディスプレイを採用し、これを入力部１５０としてもよい。
　通信部１６０は、外部のコンピュータ、クラウドストレージ、サーバ等と通信を行う通信インタフェースである。通信部１６０の通信方法は、無線通信及び有線通信のいずれであってもよい。
　続いて、以上の構成を備える検査装置１００の起動後の動作を説明する。
　検査装置１００が起動されると、起動時に自動実行される起動プログラムが記憶部１３０から読み出されて制御部１２０で実行され、検査装置１００の選択可能な操作メニューを含んだ入力インタフェース画面が表示部１４０に表示される。
　入力インタフェース画面には、例えば、検査条件の設定、検査実行、学習済モデルの入れ替え、等のメニューが表示される。ユーザは入力部１５０を操作してメニュー項目の選択等の操作を行う。
　検査条件の設定メニューでは、検査の実行に先立ち検査の諸条件（例えば、電磁波の強度、搬送速度、画像サイズ、非ＡＩ検査の諸条件等）を、ユーザが設定する操作インタフェースが提供される。
　検査実行メニューでは、電磁波照射のオン／オフ、検査の開始／停止等をユーザが設定する操作インタフェースが提供される。検査装置１００での検査は、この検査実行メニューにおいて、電磁波照射をオンにし、検査の開始を指示することで開始される。検査が開始されると、検査部１１０は、搬送部１１２により検査対象物Ｗを搬送しつつ透過量検出部１１３及び画像生成部１１４により検査対象物Ｗの電磁波透過画像を順次生成する。そして、非ＡＩ検査部１１７は、生成された画像に対してＡＩ検査部１１６によるＡＩ検査と非ＡＩ検査部１１７による非ＡＩ検査を適用して、検査対象物Ｗにおける以上の有無を判定する。検査対象物Ｗに異常が見つかると、当該検査対象物は搬送部１１２の下流に設けられる選別機により排除される。
　学習済モデルの入れ替えメニューでは、学習済モデル入替プログラムを実行するための操作インタフェースが提供される。本実施形態では、制御部１２０が学習済モデル入替プログラムを実行することにより実現される学習済モデル入替部１２２は、電磁波を照射中か否か及び検査実行中か否かに関わらず、記憶部１３０に記憶されている学習済モデルＭを入れ替えられるように、以下で説明する制御を行う。
　図３は、第１実施形態における学習済モデルの入れ替えの手順を示すフローチャートである。はじめに、学習済モデル入替部１２２は、ユーザによる新たな学習済モデルＭの選択を受け付ける（ステップＳ１０）。このとき、学習済モデル入替部１２２は、通信部１６０を介して外部のコンピュータやクラウドストレージの記憶手段にアクセスし、当該記憶手段に格納されている学習済モデルＭのリストを取得して選択可能にユーザに提示し、ユーザによる選択を受け付けるとよい。続いて、検査実行中か否かを判定（ステップＳ２０）。検査実行中で無い場合（ステップＳ２０；Ｎｏ）、処理をステップＳ４０に移す。
　一方、検査実行中である場合（ステップＳ２０；Ｙｅｓ）、ＡＩ検査部１１６によるＡＩ検査を無効化し（ステップＳ３０）、処理をステップＳ４０に移す。ＡＩ検査が無効化されている間も検査部１１０は検査対象物Ｗの検査を継続するが、この間、異常検出部１１５は、非ＡＩ検査部１１７での非ＡＩ検査のみにより検査対象物Ｗの異常を判定する。
　続いて、学習済モデル入替部１２２は、記憶部１３０に格納されている学習済モデルＭを、ステップＳ１０で選択された新たな学習済モデルＭで上書きする（ステップＳ４０）。そして、検査実行中である場合には（ステップＳ５０；Ｙｅｓ）、ＡＩ検査を有効化し（ステップＳ６０）新たな学習済モデルＭを用いたＡＩ検査を以後の検査に適用し、処理を終了する。一方、検査実行中で無い場合には（ステップＳ５０；Ｎｏ）、そのまま処理を終了する。
　本実施形態に係る検査装置１００では、以上で説明した学習済モデル入替部１２２による制御により、電磁波の照射や実施中の検査を止めることなく、学習済モデルを入れ替えることができる。電磁波としてＸ線を用いるＸ線検査装置のように、電磁波照射を開始してから電磁波源の出力が安定するまでに時間を要する検査装置においては、学習済モデルを短時間で入れ替えられたとしても、いったん電磁波の照射を停止すると検査再開には学習済モデルＭの入れ替え時間以上の時間がかかってしまうが、本実施形態の構成によれば、このような不都合を回避することができる。
〔第２実施形態〕
　本発明の第２実施形態における検査装置１００Ａは、記憶部１３０が学習済モデルＭを複数格納できる点、および記憶部１３０に記憶されている学習済モデルＭを入れ替えるための学習済モデル入替部１２２による制御等が第１実施形態における検査装置１００と異なっている。以下では、第１実施形態における検査装置１００と共通である部分については説明を省略し、第１実施形態と異なる部分について詳述する。
　本実施形態における検査装置１００Ａは、図１に示された第１実施形態における検査装置１００と同様、検査部１１０、制御部１２０、記憶部１３０、表示部１４０、入力部１５０、及び通信部１６０を備える。
　記憶部１３０は、複数の学習済モデルＭを記憶できるように構成される。複数の学習済モデルＭのうち何れをＡＩ検査部１１６でのＡＩ検査に用いるかは、検査条件の設定メニューで設定可能とされる。
　また、ＡＩ検査部１１６は、検査対象物Ｗの検査を連続的に実施している最中に、検査に用いている学習済モデルＭを、記憶部１３０に記憶されている別の学習済モデルＭに変更可能に構成するとよい。例えば、ＡＩ検査部１１６は、学習済モデルの記憶部１３０における格納場所を示すポインタにより、検査に用いる学習済モデルＭを特定するように構成し、制御部１２０による制御により当該ポインタを書き換えることにより検査に用いる学習済モデルＭを瞬時に切り替えられるようにするとよい。
　本実施形態では、制御部１２０が学習済モデル入替プログラムを実行することにより実現される学習済モデル入替部１２２は、電磁波を照射中か否か及び検査実行中か否かに関わらず、記憶部１３０に記憶されている学習済モデルＭを入れ替えられるように、以下で説明する制御を行う。
　図４は、第２実施形態における学習済モデルの入れ替えの手順を示すフローチャートである。はじめに、学習済モデル入替部１２２は、ユーザによる新たな学習済モデルＭの選択を受け付ける（ステップＳ１１０）。このとき、学習済モデル入替部１２２は、通信部１６０を介して外部のコンピュータやクラウドストレージの記憶手段にアクセスし、当該記憶手段に格納されている学習済モデルＭのリストを取得して選択可能にユーザに提示し、ユーザによる選択を受け付けるとよい。続いて、学習済モデル入替部１２２は、記憶部１３０に記憶されている学習済モデルＭのうちＡＩ検査に用いるものとして設定されていないものを入替対象モデルとして特定する（ステップＳ１２０）。このとき、ＡＩ検査に用いるものとして設定されていない学習済モデルＭが２つ以上ある場合に、いずれを入替対象モデルにするかをユーザが選択できるようにしてもよい。続いて、学習済モデル入替部１２２は、ステップＳ１２０で特定された入替対象モデルを、ステップＳ１１０で選択された新たな学習済モデルで上書きして（ステップＳ１３０）、処理を終了する。以上で説明した学習済モデルの入れ替えの処理が行われる際に、検査が実行中である場合、検査部１１０は、検査対象物Ｗの適用中の学習済モデルＭによるＡＩ検査も含む全ての検査を継続する。
　本実施形態に係る検査装置１００では、以上で説明した学習済モデル入替部１２２による制御により、電磁波の照射や実施中の検査を止めることなく、学習済モデルＭを入れ替えることができる。電磁波としてＸ線を用いるＸ線検査装置のように、電磁波照射を開始してから電磁波源の出力が安定するまでに時間を要する検査装置においては、学習済モデルＭを短時間で入れ替えられたとしても、いったん電磁波の照射を停止すると検査再開には単に学習済モデルＭの入れ替え時間以上の時間がかかってしまうが、本実施形態の構成によれば、このような不都合を回避することができる。また上記の処理ではＡＩ検査部１１６によるＡＩ検査で用いる学習済モデルＭは入れ替えの対象にはならないため、入れ替え処理が行われている間も、ＡＩ検査を含めた検査を、実施することができる。
　なお、上記に本実施形態を説明したが、本発明はこれらの例に限定されるものではない。例えば、上記の各実施形態では、検査装置１００の表示部１４０に表示される入力インタフェース画面と入力部１５０とにより、学習済モデル入替プログラムを実行させる操作を実施したが、外部のコンピュータからの操作を通信部１６０を介して受け付けて、学習済モデル入替プログラムを実行するように構成してもよい。
　また、前述の各実施形態に対して、当業者が適宜、構成要素の追加、削除、設計変更を行ったものや、各実施形態の特徴を適宜組み合わせたものも、本発明の要旨を備えている限り、本発明の範囲に含有される。
１００　検査装置
１１０　検査部
１１１　電磁波照射部
１１２　搬送部
１１３　透過量検出部
１１４　画像生成部
１１５　異常検出部
１１６　ＡＩ検査部
１１７　非ＡＩ検査部
１２０　制御部
１２２　学習済モデル入替部
１３０　記憶部
１４０　表示部
１５０　入力部
１６０　通信部
Ｗ　検査対象物

Claims (7)

  1. 　検査対象物を搬送する搬送部と、
    　前記搬送部が搬送する前記検査対象物の画像を順次生成する画像生成部と、
    　機械学習により生成された、検査対象物の画像から前記検査対象物の異常を検出するための学習済モデルを少なくとも１つ記憶する記憶部と、
    　前記画像生成部が生成した前記画像に対し、前記学習済モデルを用いて前記検査対象物における異常を検出するＡＩ検査を実行する異常検出部と、
    　前記記憶部に記憶されている学習済モデルのうち、前記異常検出部による検査に用いられていない学習済モデルを、新たな学習済モデルで上書きすることにより学習済モデルの入れ替えを行う学習済モデル入替部と
    を備えることを特徴とする検査装置。
  2. 　前記記憶部は１つの前記学習済モデルのみを記憶し、
    　前記異常検出部は、前記学習済モデルを用いるＡＩ検査に加え、前記学習済モデルを用いない非ＡＩ検査を実施可能に構成され、
    　前記学習済モデル入替部が前記学習済モデルを入れ替える際に、前記異常検出部は、前記ＡＩ検査を無効としつつ、前記非ＡＩ検査を継続して実施することを特徴とする請求項１に記載の検査装置。
  3. 　前記記憶部は、２つ以上の前記学習済モデルを記憶可能に構成され、
    　前記異常検出部は、２つ以上の前記学習済モデルのうちの選択された１つを前記ＡＩ検査に用い、
    　前記学習済モデル入替部は、２つ以上の前記学習済モデルのうち前記ＡＩ検査に用いられていないものを新たな学習済モデルで上書きすることにより学習済モデルの入れ替えを行うことを特徴とする請求項１に記載の検査装置。
  4. 　前記搬送部により搬送される前記検査対象物に対し、電磁波を照射する電磁波照射部と、
    　前記電磁波照射部が照射した電磁波の透過量を検出する透過量検出部と
    　をさらに備え、
    　前記画像生成部は、前記透過量検出部が検出した電磁波の透過量に基づいて画像を生成し、
    　前記学習済モデル入替部は、前記電磁波照射部が前記電磁波を照射しているか否かに関わらず、前記学習済モデルの入れ替えを行うことが可能とされることを特徴とする請求項１から３のいずれか１項に記載の検査装置。
  5. 　検査対象物を搬送する搬送部と、
    　前記搬送部が搬送する前記検査対象物の画像を順次生成する画像生成部と、
    　機械学習により生成された、検査対象物の画像から前記検査対象物の異常を検出するための学習済モデルを少なくとも１つ記憶する記憶部と、
    　前記画像生成部が生成した前記画像に対し、前記学習済モデルを用いて前記検査対象物における異常を検出するＡＩ検査を実行する異常検出部と、を備える検査装置における、前記記憶部に記憶された前記学習済モデルを入れ替える処理をコンピュータに実行させるプログラムであって、
    　前記記憶部に記憶されている学習済モデルのうち、前記異常検出部による検査に用いられていない学習済モデルを、新たな学習済モデルで上書きすることにより学習済モデルの入れ替えを行うプログラム。
  6. 　前記検査装置において、
    　　前記記憶部は１つの前記学習済モデルのみを記憶し、
    　　前記異常検出部は、前記学習済モデルを用いるＡＩ検査に加え、前記学習済モデルを用いない非ＡＩ検査を実施可能に構成され、
    　前記異常検出部による前記ＡＩ検査を無効とさせつつ、前記非ＡＩ検査を継続して実施させながら前記学習済モデルを入れ替えることを特徴とする請求項５に記載のプログラム。
  7. 　前記検査装置において、
    　　前記記憶部は、２つ以上の前記学習済モデルを記憶可能に構成され、
    　　前記異常検出部は、２つ以上の前記学習済モデルのうちの選択された１つを前記ＡＩ検査に用い、
    　２つ以上の前記学習済モデルのうち前記ＡＩ検査に用いられていないものを新たな学習済モデルで上書きすることにより学習済モデルの入れ替えを行うことを特徴とする請求項５に記載のプログラム。
     
PCT/JP2020/048381 2020-02-21 2020-12-24 検査装置およびプログラム WO2021166441A1 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020028236A JP7016179B2 (ja) 2020-02-21 2020-02-21 検査装置およびプログラム
JP2020-028236 2020-02-21

Publications (1)

Publication Number Publication Date
WO2021166441A1 true WO2021166441A1 (ja) 2021-08-26

Family

ID=77390719

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2020/048381 WO2021166441A1 (ja) 2020-02-21 2020-12-24 検査装置およびプログラム

Country Status (2)

Country Link
JP (1) JP7016179B2 (ja)
WO (1) WO2021166441A1 (ja)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018112550A (ja) * 2017-01-12 2018-07-19 清華大学Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ 検査機器および銃器検出方法
JP2019106090A (ja) * 2017-12-14 2019-06-27 オムロン株式会社 識別装置、識別方法及びプログラム
JP2019158684A (ja) * 2018-03-14 2019-09-19 オムロン株式会社 検査システム、識別システム、及び識別器評価装置
JP2019159820A (ja) * 2018-03-13 2019-09-19 オムロン株式会社 検査装置、画像識別装置、識別装置、検査方法、及び検査プログラム
JP2019174421A (ja) * 2018-03-29 2019-10-10 日本電気株式会社 選別支援装置、選別支援システム、選別支援方法及びプログラム
CN110560376A (zh) * 2019-07-19 2019-12-13 华瑞新智科技（北京）有限公司 一种产品表面缺陷检测方法及装置
JP2020011182A (ja) * 2018-07-14 2020-01-23 株式会社京都製作所 商品検査装置、商品検査方法および商品検査プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7294768B2 (ja) * 2017-08-04 2023-06-20 オムロン株式会社 画像処理システム
JP2020008481A (ja) * 2018-07-11 2020-01-16 オムロン株式会社 画像処理装置、画像処理方法及び画像処理プログラム

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2018112550A (ja) * 2017-01-12 2018-07-19 清華大学Ｔｓｉｎｇｈｕａ Ｕｎｉｖｅｒｓｉｔｙ 検査機器および銃器検出方法
JP2019106090A (ja) * 2017-12-14 2019-06-27 オムロン株式会社 識別装置、識別方法及びプログラム
JP2019159820A (ja) * 2018-03-13 2019-09-19 オムロン株式会社 検査装置、画像識別装置、識別装置、検査方法、及び検査プログラム
JP2019158684A (ja) * 2018-03-14 2019-09-19 オムロン株式会社 検査システム、識別システム、及び識別器評価装置
JP2019174421A (ja) * 2018-03-29 2019-10-10 日本電気株式会社 選別支援装置、選別支援システム、選別支援方法及びプログラム
JP2020011182A (ja) * 2018-07-14 2020-01-23 株式会社京都製作所 商品検査装置、商品検査方法および商品検査プログラム
CN110560376A (zh) * 2019-07-19 2019-12-13 华瑞新智科技（北京）有限公司 一种产品表面缺陷检测方法及装置

Also Published As

Publication number Publication date
JP7016179B2 (ja) 2022-02-04
JP2021131364A (ja) 2021-09-09

Similar Documents

Publication Publication Date Title
JP4317566B2 (ja) Ｘ線検査装置およびｘ線検査装置の画像処理手順の生成方法
JP5415182B2 (ja) 画像処理装置及びプログラム作成支援装置並びに画像処理方法
JP6754155B1 (ja) 教師データ生成装置、検査装置およびコンピュータプログラム
EP1720005B1 (en) X-ray inspection apparatus
EP2261645B1 (en) X-ray inspection device
JP5156546B2 (ja) Ｘ線検査装置
JP2011096047A (ja) 画像処理装置及び画像処理方法
KR20200097344A (ko) 검사 장치
JP7016179B2 (ja) 検査装置およびプログラム
US20220318985A1 (en) Training data generation device, inspection device and program
JP2017138901A (ja) 検査支援装置、検査支援方法及び検査支援プログラム
JP4849805B2 (ja) 検査装置及びｐｔｐ包装機
JP4925589B2 (ja) 検査装置及びｐｔｐ包装機
JP5696194B2 (ja) プログラム作成支援装置及び画像処理装置
JP4460139B2 (ja) Ｘ線異物検出装置
JP2009080030A (ja) Ｘ線検査装置
JP2002148212A (ja) Ｘ線検査装置
JP2022041718A (ja) 画像処理装置、その制御方法、及びプログラム
JP6144584B2 (ja) 破損検査装置
JP7323177B2 (ja) 検査システム、検査装置、学習装置及びプログラム
JP2021012098A (ja) 検査装置
JP2018155598A (ja) 光検査装置及び光検査システム
JP2005210467A (ja) 画像表示装置およびそれを備えた異物検査装置
JP2021060204A (ja) 検査装置
JP5831988B2 (ja) Ｘ線検査装置

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 20920717

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 20920717

Country of ref document: EP

Kind code of ref document: A1