WO2021193733A1 - 教師データ生成装置、検査装置及びプログラム - Google Patents

教師データ生成装置、検査装置及びプログラム Download PDF

Info

Publication number
WO2021193733A1
WO2021193733A1 PCT/JP2021/012284 JP2021012284W WO2021193733A1 WO 2021193733 A1 WO2021193733 A1 WO 2021193733A1 JP 2021012284 W JP2021012284 W JP 2021012284W WO 2021193733 A1 WO2021193733 A1 WO 2021193733A1
Authority
WO
WIPO (PCT)
Prior art keywords
image
inspection
teacher data
learning
display
Prior art date
Application number
PCT/JP2021/012284
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
Priority to US17/631,423 priority Critical patent/US20220318985A1/en
Priority to EP21776862.1A priority patent/EP4130723A4/en
Priority to CN202180004905.4A priority patent/CN114303157A/zh
Publication of WO2021193733A1 publication Critical patent/WO2021193733A1/ja

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G06T7/001—Industrial image inspection using an image reference approach
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/40—Imaging
    • G01N2223/401—Imaging image processing
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2223/00—Investigating materials by wave or particle radiation
    • G01N2223/60—Specific applications or type of materials
    • G01N2223/643—Specific applications or type of materials object on conveyor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10116—X-ray image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Definitions

  • the present invention generates and inspects teacher data for machine learning to generate a trained model for determining the quality of an inspected object in an inspection device that inspects the inspected object based on an image obtained by photographing the inspected object.
  • teacher data generators inspection devices and programs for executing.
  • the X-ray generator and the X-ray detector are opposed to each other, and the object to be inspected is sequentially conveyed by a transfer device such as a conveyor so as to pass between them, and the object to be inspected is the X-ray generator.
  • An X-ray transmission image of the object to be inspected is generated using the X-ray transmission data obtained when passing between the X-ray detection unit, and the X-ray transmission image is used to inspect the object to be inspected non-destructively. It is a device to do.
  • Applications include, for example, foreign matter contamination inspection to inspect whether foreign matter is mixed in the contents of the packaged product, number inspection to inspect whether the contents have a predetermined number, cracks in the contents, etc.
  • defect inspection that inspects whether or not a defect has occurred. These inspections are performed on various articles such as foods, pharmaceuticals and industrial parts. In addition to the X-ray inspection device, an inspection device that inspects the inspected object based on a photographed image of the inspected object has been put into practical use.
  • the inspected item is classified into a non-defective item and a defective item based on a predetermined judgment standard.
  • this criterion was defined in advance, but with the recent development of machine learning technology, a trained model generated by inputting learning data (teacher data) into a learning program is used as a criterion. Those to be used have been proposed (see, for example, Patent Document 1).
  • the trained model As a judgment criterion when judging the quality of the seal part of the packaging bag at the time of inspection such as biting, but learning to input to the learning program to generate the trained model.
  • An efficient method for collecting data for use has not yet been established.
  • the present invention has been made in view of the above problems, and it is possible to efficiently generate teacher data for generating a trained model used for quality judgment at the time of inspection such as biting and execute the inspection. It is an object of the present invention to provide a teacher data generation device, an inspection device and a program.
  • the teacher data generator of the present invention generates teacher data used for machine learning.
  • the trained model generated by machine learning using the teacher data generated by the teacher data generator inputs the judgment target image cut out from the image showing the inspection target into the trained model, and outputs the judgment result. It is used in an inspection device that inspects whether or not the inspection object is normal based on the above.
  • the teacher data generation device accepts the input of an image showing the inspection object, specifies the inspection range of the inspection target in the image by a predetermined method, and cuts out the specified inspection range from the image, and the cutting means.
  • the sorting processing means for associating the learning target image with the sorting result, and the learning target image It is provided with a teacher data storage unit that stores teacher data associated with the distribution result.
  • the inspection range may be specified based on the input position information of one or more reference points and the information indicating the distance from the reference point.
  • the inspection range may be specified based on the blob detected from the binarized image by binarizing the image based on a predetermined threshold value of the lightness and darkness of the image.
  • the teacher data generation device of the present invention further includes an extraction means for extracting a smaller partial image from the image of the inspection range cut out by the cutting means, and the sorting processing means is at least normal with the partial image as the image to be learned.
  • the partial image and the result of the distribution may be associated with each other based on the distribution operation of the distribution to either the normal or the abnormal.
  • the extraction means may extract a plurality of partial images so as to partially overlap the adjacent partial images.
  • the teacher data generation device of the present invention further includes a display and a display control means for controlling the display by the display, and the display control means displays a plurality of learning target images side by side in the first area of the display and displays the display.
  • the image of the inspection target may be displayed on the second region while superimposing a display indicating the region corresponding to the learning target image.
  • the display control means displays the inspection object displayed in the second area of the display.
  • the display may indicate the area corresponding to the selected image to be learned in the image of.
  • the inspection device of the present invention is arranged at a position facing the electromagnetic wave irradiation unit with the transport unit sandwiched between the transport unit that transports the inspection object and passes it through the inspection region, the electromagnetic wave irradiation unit that irradiates the inspection region with electromagnetic waves.
  • the image forming means that configures the distribution of the intensity of the electromagnetic wave detected by the electromagnetic wave detecting unit as a two-dimensional image, and the image forming means.
  • the inspection range of the inspection object is specified by a predetermined method, and the cutout means for cutting out the specified inspection range from the image and the image of the inspection range cut out by the cutting means are determined. It is provided with a determination means for inputting the trained model as an object image and inspecting whether or not the inspection object is normal based on the output determination result.
  • the inspection range may be specified based on the input position information of one or more reference points and the information indicating the distance from the reference point.
  • the inspection range may be specified based on the blob detected from the binarized image by binarizing the image based on a predetermined threshold value of the lightness and darkness of the image.
  • the inspection apparatus of the present invention further includes an extraction means for extracting a smaller partial image from the image of the inspection range cut out by the cutting means, and the determination means inputs the partial image as the determination target image into the trained model.
  • the inspection object may be inspected.
  • the extraction means may extract a plurality of partial images so as to partially overlap the adjacent partial images.
  • the determination result output by the trained model is a score indicating the normality of the input determination target image, and the determination means determines whether or not the inspection object is normal based on the score. May be inspected.
  • the inspection device of the present invention there are a plurality of judgment target images, the judgment means inputs each judgment target image into the trained model, and the inspection target is normal based on the score output for each judgment target image. You may inspect whether or not it is.
  • Each means constituting the teacher data generation device and the inspection device of the present invention may be realized by causing a computer to execute a program in which the functions of the means are described.
  • the teacher data generation device the inspection device, and the program of the present invention, it is possible to efficiently generate the teacher data for generating the trained model used for the quality judgment at the time of inspection such as biting and execute the inspection. It will be possible.
  • FIG. 1 is a block diagram showing a configuration of an inspection device 1 for inspecting whether or not an inspection object is normal.
  • the inspection device 1 includes an inspection unit 10, a control unit 11, a display 14, and an operation interface 15.
  • the inspection range is, for example, the seal portion.
  • the inspection range is abnormal means a sealed state in which the airtightness in the package and the quality of the product may be impaired, such as the contents being caught, wrinkled, or broken in the seal portion. Normal means that there is no such problem.
  • the inspection device 1 has an inspection mode and a learning mode.
  • the inspection mode the judgment target image is cut out from the image of the inspection target image taken by the inspection unit 10, and this is input to the trained model generated by the machine learning execution unit 13 or the like to input the contents in the inspection target.
  • the presence or absence of biting of objects and wrinkles and breaks in the seal is inspected by image analysis.
  • the teacher data generation unit 12 generates teacher data based on the image of the inspection object taken by the inspection unit 10 or the like, and the teacher data is input to the machine learning execution unit 13. Train the trained model.
  • the inspection unit 10 takes an image of the inspection object to be inspected.
  • An example of the inspection unit 10 is an X-ray inspection device that captures an X-ray transmission image of an inspection object, but the inspection device is not limited to this as long as it is an inspection device that inspects based on the image of the inspection object.
  • the inspection unit 10 cuts out an image or a partial image of the inspection range from the image of the photographed inspection object, inputs it into the trained model generated in advance by the machine learning execution unit 13, and inspects the inspection object. I do.
  • the inspection unit 10 provides an image of the photographed inspection object as an input image to the teacher data generation unit 12 in the learning mode.
  • FIG. 2 shows an example of the configuration of the inspection unit 10.
  • an X-ray transmission image obtained by irradiating an inspection object with X-rays as an electromagnetic wave is acquired as an image to be subjected to inspection.
  • the inspection unit 10 includes a transport unit 101, an electromagnetic wave irradiation unit 102, an electromagnetic wave detection unit 103, an image forming unit 104, a storage unit 105, a cutting unit 106, and a determination unit 108.
  • the transport unit 101 is composed of one or a plurality of belt conveyors, transports the inspection object to the inspection area where the image is taken, and discharges the inspection object from the inspection area after taking the picture.
  • the electromagnetic wave irradiation unit 102 irradiates the inspection area with electromagnetic waves (for example, X-rays, ultraviolet rays, visible light, infrared rays, etc.) necessary for taking an image.
  • the electromagnetic wave irradiation unit 102 is arranged so as to irradiate the electromagnetic wave vertically on the transport surface on which the inspection object is placed, for example, in the transport unit 101.
  • the inspection area is covered with a shielding cover, if necessary, in order to prevent the electromagnetic waves emitted from the electromagnetic wave irradiation unit 102 from leaking to the outside.
  • the electromagnetic wave detection unit 103 is arranged at a position facing the electromagnetic wave irradiation unit 102 with the transport unit 101 in between.
  • the electromagnetic wave detection unit 103 includes a plurality of detection elements capable of detecting the electromagnetic wave irradiated by the electromagnetic wave irradiation unit 102, and detects the distribution of the intensity of the electromagnetic wave that passes through the inspection region and reaches the electromagnetic wave detection unit 103.
  • the electromagnetic wave detection unit 103 may be, for example, a line sensor, an area sensor, a TDI (Time Delay Integration) sensor, or the like.
  • the electromagnetic wave emitted from the electromagnetic wave irradiation unit 102 is attenuated according to the transmittance of the electromagnetic wave at each position of the inspection object. It reaches the electromagnetic wave detection unit 103, and the internal state of the inspection object is observed as the distribution of the intensity of the electromagnetic wave detected by the electromagnetic wave detection unit 103.
  • the image forming means 104 configures the distribution of the intensity of the electromagnetic wave transmitted through the inspection object detected by the electromagnetic wave detecting unit 103 as a two-dimensional image.
  • the storage unit 105 stores the data of the image in which the inspection target object configured by the image forming means 104 is captured.
  • the storage unit 105 is composed of a storage device such as a RAM and a hard disk.
  • the cutting means 106 reads out an image of the inspection object configured by the image forming means 104 from the storage unit 105, specifies the inspection range of the inspection object in the image by a predetermined method, and sets the specified inspection range. It is cut out from the image and output to the determination means 108 as a determination target image. Further, the extraction means 107 that extracts a smaller partial image from the image of the inspection range cut out from the image of the inspection target by the cutting means 106 and outputs the smaller partial image to the determination means 108 as the determination target image may be further provided. good.
  • the size and shape of the determination target image cut out by the cutting means 106 or extracted by the extraction means 107 shall be the same size and shape as the learning target image used for generating the learned model adopted in the determination by the determination means 108.
  • the specific method of specifying the inspection range of the inspection object in the cutting means 106 and the specific method of extracting a smaller partial image in the extracting means 107 are the cutting means 121 of the teacher data generation unit 12 described later. Since it is the same as the specific method and the extraction method in the extraction means 122, the description here is omitted.
  • the determination means 108 inputs the determination target image output from the cutting means 106 into the trained model generated in advance by the machine learning execution unit 13, and based on the output determination result, whether or not the inspection object is normal. (Determining whether or not the object is to be removed).
  • a specific inspection method in the determination means 108 will be illustrated in the description of the operation of the inspection mode of the inspection device 1 described later.
  • the image forming means 104, the cutting means 106, the extracting means 107, and the determining means 108 may be configured as a part of the control unit 11 described later.
  • the display 14 is a display device such as a liquid crystal display, and displays an operation screen of the inspection device 1 and various images.
  • the operation interface 15 is an input means such as a switch, a mouse, and a keyboard, and receives an operation input of the inspection device 1 by a user.
  • the control unit 11 controls each component of the inspection device 1.
  • the control unit 11 is composed of, for example, a computer composed of a CPU, a storage element, and the like.
  • the control unit 11 includes a teacher data generation unit 12 and a machine learning execution unit 13.
  • the teacher data generation unit 12 corresponds to the teacher data generation device of the present invention.
  • the teacher data generation unit 12 generates teacher data used for machine learning performed by the machine learning execution unit 13 in the learning mode of the inspection device 1.
  • FIG. 3 is a block diagram showing the configuration of the teacher data generation unit 12. As shown in FIG. 3, the teacher data generation unit 12 includes a cutting unit 121, a display control unit 123, a distribution processing unit 124, and a teacher data storage unit 125.
  • the cutting means 121 accepts the input of an image showing the inspection target, specifies the inspection range of the inspection target in the image by a predetermined method, and cuts out the specified inspection range from the image.
  • the method of specifying the inspection range of the inspection target in the image showing the inspection target is arbitrary, and examples thereof include a identification method based on a reference point and a identification method by blob analysis.
  • the inspection range is specified based on the position information of one or more reference points input by the operator and the information indicating the distance from the reference point.
  • the method of inputting the position information of the reference point is arbitrary.
  • the operator may input the position to be set from the operation interface 15 while looking at the image of the inspection object displayed on the display 14.
  • the number of reference points to be set is arbitrary, but by setting each corner of the inspection range, the inspection range can be reliably specified even if the posture of the inspection object 2 is different for each image.
  • the inspection range can be reliably specified by setting four reference points.
  • the inspection unit 10 takes an image of a plurality of inspection objects 2, the inspection object 2 is sequentially placed on the conveying unit 101 in a substantially the same posture set in advance, and is conveyed and photographed. Therefore, for example, with respect to the inspection object 2 including the storage portion 2p shown in FIG. 4A and the seal portions 2s (rectangles having a length w on one side and a length d on the other side) provided above and below the storage portion 2p, the transport direction.
  • the inspection object 2 is placed on the transport unit 101 so that the longitudinal direction of the seal portion 2s of the inspection object 2 is the X direction and the lateral direction is the Y direction orthogonal to the X direction.
  • the inspection range is defined as a rectangular range in which one side is extended in the X direction by a length a (> w) and the other side is extended in the Y direction by a length b (> d) starting from the reference point. ..
  • the lengths a and b may be set in advance as fixed values, or may be arbitrarily set by input from the operator from the operation interface 15.
  • the inspection range A can be specified as shown in FIG. 4B by setting the reference point B near the upper left corner of the seal portion 2s. ..
  • the image is binarized based on the brightness and darkness of the image, and the existence position and shape of the inspection object can be detected as a blob.
  • the surrounding area becomes much brighter than the existing part of the inspection object.
  • the shape and the like can be detected as a blob. Since it is known in advance which part of the inspection target is to be inspected, it is possible to specify the inspection range of the inspection target in the image in which the inspection target is captured by collating the two.
  • one or both of the upper and lower seal portions 2s are set as the inspection range.
  • the image in which the inspection object 2 is captured which is generated by irradiating the inspection object 2 with an electromagnetic wave, is binarized with the darkness of the image corresponding to the existing portion of the inspection object 2 as a threshold value.
  • the existing position and shape of the inspection object 2 can be detected as the blob C as shown in FIG. 5 (b).
  • the existence position of the seal portion 2s to be inspected is known in advance as shown in FIG.
  • the existing position of the seal portion 2s (for example, a range of predetermined distances from each of the upper end and the lower end) in the image in which the inspection object 2 is captured can be specified as the inspection range A as shown in FIG. 5 (c). ..
  • the upper and lower seal portions 2s The existing position may be specified as the inspection range A as shown in FIG. 6 (c).
  • the image showing the inspection object 2 is binarized with the darkness of the image corresponding to the existence portion of the foreign matter in the seal portion 2s as a threshold value, and the presence of the foreign matter is present.
  • a blob F indicating a portion may be detected as shown in FIG. 7 (a), and a predetermined range including the blob F may be specified as an inspection range A as shown in FIG. 7 (b).
  • FIG. 7 (a) a predetermined range including the blob F
  • FIG. 7 (b) a predetermined range including the blob F
  • inspection ranges A it is possible to specify a plurality of inspection ranges A at the same time as described above. In this case, all of them may be specified as inspection ranges A, or any part of them may be specified. May be specified as the inspection range A.
  • the cutting means 121 cuts out an image of the inspection range specified as described above from the image of the inspection target 2, and outputs the image to the sorting processing means 124 as a learning target image.
  • the cutting means 121 may further include an extraction means 122 that extracts a smaller partial image from the cut out image of the inspection range A.
  • FIG. 8B shows an example in which the images of the respective portions A1, A2, A3 and A4 obtained by dividing the inspection range A specified as shown in FIG. 8A into four are extracted. ..
  • the number of divisions may be set in advance as a fixed value, or may be arbitrarily set by input from the operator from the operation interface 15.
  • the extraction means 122 outputs the partial image thus extracted to the distribution processing means 124 as a learning target image.
  • the extraction means 122 may extract so as to partially overlap the adjacent partial image.
  • FIG. 8 (c) is an example in which the extraction width is the same as in the case of FIG. 8 (b) and the image is extracted so as to overlap the adjacent partial image by a quarter.
  • Partial images can be extracted for each of A3, A4 and A5.
  • the degree of duplication may be set in advance as a fixed value, or may be arbitrarily set by input from the operator from the operation interface 15.
  • the cutting means 121 cuts out the image to be learned when performing additional learning on the trained model generated based on the image of the inspection range, the image of the inspection range of the size and shape used to generate the trained model.
  • the cutting condition in the cutting means 121 is set so as to cut out.
  • the extraction means 122 cuts out the learning target image when performing additional learning on the trained model generated based on the partial image, the partial image of the size and shape used for generating the trained model based on the partial image.
  • the extraction condition in the extraction means 122 is set so as to perform the extraction.
  • the display control means 123 controls the display on the display.
  • the display control means 123 causes the display 14 to selectively display the learning target image cut out by the cutting means 121 or extracted by the extracting means 122.
  • FIG. 9 shows a display example of the learning target display screen when displaying the learning target image on the display 14.
  • the learning target display screen includes an input image display area R2, a learning target image display area R1, and an information display area R3.
  • the learning target image display area R1 is an area in which the learning target images are displayed side by side.
  • a user interface for sorting pass / fail for each learning target image and the like are displayed.
  • the input image display area R2 is an area in which an image of the inspection object is displayed.
  • the information display area R3 is an area in which information related to the selected learning target image (for example, the name of the image file, the storage location, etc.) is displayed.
  • the display indicating the area corresponding to the extracted learning target image may be superimposed and displayed.
  • the display indicating the area corresponding to the learning target image may be configured so that the user can select display / non-display.
  • the learning target is sorted in the order of the numerical values (scores) indicating the judgment results when each learning target image is judged by the existing trained model.
  • An image may be displayed.
  • the information indicating the determination result may be visually displayed for each learning target image displayed side by side in the learning target image display area R1. Specifically, a score, a determination result (normal / abnormal, etc.) may be displayed at a position superimposed on or adjacent to each learning target image. Further, for each learning target image, a display effect indicating a determination result may be produced. For example, it may be surrounded by frames of different colors depending on whether it is normal or abnormal.
  • the learning target image By clicking one of the learning target images displayed in the learning target image display area R1, the learning target image can be selected.
  • the selected learning target image is displayed surrounded by a frame in the learning target image display area R1, and the selected learning target is displayed in the input image display area R2.
  • the inspection area or subregion corresponding to the image is displayed so that it can be distinguished from the others (eg, surrounded by a double frame).
  • the learning target image corresponding to the inspection range or partial area is selected. be able to.
  • the input image display area R2 is clicked in this way, the learning target image corresponding to the selected inspection range or partial area is displayed in the learning target image display area R1 surrounded by a frame, and in the input image display area R2. Is displayed so that the selected inspection range or subregion can be distinguished from others (eg, surrounded by a double frame).
  • the portion corresponding to the selected learning target image may be enlarged and displayed in the input image display area R2. In this way, the part corresponding to the learning target image of interest can be easily confirmed in detail. Further, for the selected learning target image, a score, a determination result (normal / abnormal, etc.) and the like may be displayed in the information display area R3.
  • the sorting processing means 124 visually sorts the extracted learning target image into any predetermined classification such as whether it is normal or abnormal.
  • the sorting processing means 124 sorts the learning target image into one of the classifications according to the operation and sorts the learning target image from the learning target image. It is stored in the teacher data storage unit 125 as teacher data associated with the classification.
  • the operation of allocating the learning target image to any of the predetermined classifications is, for example, in the case of allocating whether the learning target image is normal or abnormal, the user operates the operation interface 15 while looking at the display 14 to sort the learning target image.
  • the user visually determines whether the selected image to be learned is normal or abnormal, clicks the OK button if it is normal, and clicks the NG button if it is abnormal. It is an operation such as clicking.
  • the operation may be configured to sequentially sort the plurality of learning target images according to the order automatically determined by the sorting processing means 124.
  • the method of classifying the images to be learned is simply divided into two classifications of normal or abnormal for any one of the judgment items such as biting of the contents, wrinkles of the seal, and breakage of the seal.
  • the user visually determines whether or not each of a plurality of judgment items such as biting of the contents, wrinkles of the seal, and breakage of the seal is normal, and each of the judgment results of the plurality of judgment items is determined.
  • a method of dividing into a plurality of classifications consisting of combinations may be adopted. For example, if there are three determination items, there are two types of normal and abnormal for each item, so the items are classified into one of eight categories, which is 2 to the 3rd power.
  • each learning target image the user visually judges whether or not each of a plurality of judgment items is normal, and adopts a method of classifying each judgment item into two categories, normal or abnormal. You may. That is, instead of allocating one learning target image to any one classification, it is classified into either normal or abnormal for each determination item. By classifying in this way, it can be used for generation of trained models capable of judging normality / non-normality for each judgment item individually and for additional learning of them.
  • the classification method is that the trained model generated by the machine learning execution unit 13 based on the learning target image receives the input of the determination target image. Since it is reflected in the judgment result (classification result) output, it depends on what judgment result is required. Further, when additional learning is performed on the already generated trained model, it depends on what classification the trained model is generated to output the determination result.
  • the image to be learned is stored as teacher data in association with the classification sorted by the sorting processing means 124.
  • the teacher data storage unit 125 may store teacher data generated by an external device.
  • the teacher data storage unit 125 is composed of a storage device such as a RAM and a hard disk.
  • the teacher data storage unit 125 may also serve as the storage unit 105 in the inspection unit 10. Further, the inspection device 1 may be used in a form of sharing a storage medium provided for storing various information.
  • each learning target image is normal or abnormal. Any method may be used as long as it is identifiable and memorable which classification is assigned, such as which combination of the judgment results of the plurality of judgment items.
  • each learning target image may be stored in a folder prepared for each sorted classification.
  • the information indicating the sorted classification may be embedded in the file as the file name or additional information of the image to be learned.
  • the teacher data storage unit 125 may further record the cutting conditions and the extraction conditions of the learning target image constituting the teacher data in the cutting means 121 and the extracting means 122 in association with the teacher data.
  • the machine learning execution unit 13 uses the teacher data read from the teacher data storage unit 125, that is, the learning target image to which the classification information is attached, with respect to the existing trained model. Additional machine learning is applied to generate a new trained model. Alternatively, machine learning is newly performed using the teacher data read from the teacher data storage unit 125, and a new trained model is generated. When a new trained model is generated, machine learning may be performed on an initial (unlearned) model prepared in advance.
  • Machine learning here means that an initial model or a model that has already been trained to a certain extent is repeatedly processed by inputting predetermined data to bring it closer to the target trained model. Specifically, for example, by inputting teacher data into the neural network model, parameters such as weights and biases are adjusted so that the correct answer is output.
  • the learned model referred to in the present invention is a predetermined determination result, for example, a score (numerical value, etc.) indicating normality, more specifically, for example, by inputting an image or a partial image of an inspection range of an inspection object. It is a model trained to output a score indicating the possibility of being abnormal.
  • the specific method of machine learning in the machine learning execution unit 13 is arbitrary, and for example, a deep learning method using a convolutional neural network model may be adopted.
  • FIG. 10 is a flowchart showing the operation procedure of the inspection device 1 in the learning mode.
  • the learning mode is started by selecting the learning mode on the operation interface 15 of the inspection device 1.
  • the operation screen for the learning mode is displayed on the display 14.
  • the user can generate teacher data and perform machine learning on the trained model by operating the operation screen for this learning mode according to the following procedure.
  • the teacher data generation unit 12 accepts an operation of selecting an input image by the user (step S100).
  • the input image may be an image of the inspection object actually taken by the inspection unit 10 or an image of the inspection object separately prepared for learning.
  • the teacher data generation unit 12 accepts an operation of selecting the trained model by the user (step S110).
  • the trained model selected here is the target for additional learning in the subsequent machine learning.
  • step S110 may be omitted.
  • the teacher data generation unit 12 sets a reference point on the image of the inspection object in the cutting means 121, and accepts and accepts the input of the length of each side that specifies the inspection range starting from the reference point.
  • the image of the inspection range specified based on the cutting conditions is cut out (step S120). Further, when the image of the cut-out inspection range is divided and the partial image is extracted, the extraction means 122 accepts the input of the number of divisions and the degree of duplication, and extracts each partial image based on the accepted extraction conditions. (Step S121).
  • the cutout condition and the extraction condition are set by inputting a desired value in the item displayed on the operation screen.
  • the cutting means 121 and the extracting means 122 carry out the cutting of the image of the inspection range and the extraction process of the partial image according to the setting contents.
  • the inspection range image or partial image which is the learning target image obtained as a result of the processing, is stored in the learning target image folder in which the classification is not sorted.
  • the teacher data generation unit 12 accepts an operation in the sorting processing means 124 to select which classification the learning target image should be sorted into, and associates the learning target image with the determination result based on the selection.
  • the teacher data is stored in the teacher data storage unit 125 as teacher data (step S130).
  • the machine learning execution unit 13 receives an instruction to execute machine learning based on the teacher data generated in step S130, executes a learning program in response to the instruction, and performs machine learning on the trained model. It is carried out (step S140). At this time, the machine learning execution unit 13 displays an interface on the operation screen that allows the user to select whether to additionally perform machine learning on the existing trained model or to generate a newly trained model. When performing additional machine learning on an existing trained model, it is advisable to present a menu that allows the user to select the trained model. It should be noted that the selection of the trained model at this stage may be omitted, and machine learning may be performed on the trained model selected in step S110. Then, when the machine learning in step S140 is completed, a series of processes in the learning mode is completed.
  • FIG. 11 is a flowchart showing the operation procedure of the inspection device 1 in the inspection mode.
  • the inspection mode is started by selecting the inspection mode on the operation interface 15 of the inspection device 1.
  • the operation screen for the inspection mode is displayed on the display 14. The user can inspect the inspection object by operating the operation screen for this inspection mode according to the following procedure.
  • the inspection device 1 accepts an operation of setting inspection conditions by the user (step S200).
  • the inspection conditions include the selection of a learned model to be used for determining the object to be removed, in addition to the conditions of a general inspection device such as the irradiation intensity of X-rays and visible light at the time of image capture, the exposure time, and the transport speed. Is done.
  • the inspection unit 10 starts the inspection of the inspection target according to the predetermined operation by the user.
  • the inspection unit 10 first conveys the inspection object to the imaging position and performs imaging (step S210).
  • the inspection unit 10 cuts out an image of the inspection range from the image of the inspection object photographed by the cutting means 106 (step S220), or further cuts out an image of the inspection range cut out by the cutting means 106 in the extraction means 107.
  • a partial image is extracted (step S221) to generate a determination target image.
  • the number of images in the inspection range to be cut out as the judgment target image and the number of partial images to be extracted are arbitrary. Further, the size and shape of the judgment target image to be cut out or extracted shall be the same size and shape as the training target image used to generate the trained model used for the judgment.
  • the inspection unit 10 inputs the judgment target image output from the cutting means 106 or the extraction means 107 into the trained model in the judgment means 108, and whether or not the inspection target is normal based on the output judgment result. (Determining whether or not the object is to be removed) is performed (step S230).
  • the image to be determined is input to the trained model, and the trained model outputs, for example, a score (numerical value or the like) indicating normality as the determination result.
  • a score number or the like
  • the setting of the range of the numerical value to be output is arbitrary, and for example, the numerical value in the range of 0 to 1 is output.
  • the step of the numerical value in the numerical range is arbitrary.
  • the numerical value such as 0.12 or 0.81 is output.
  • the output numerical value may be displayed on the display 14, or may be output to any output means such as a printer or a storage medium.
  • the trained model When the trained model is trained with two classifications, for example, normal or abnormally classified training target images, the trained model may have, for example, 0 as normal and abnormal. The higher the value, the closer to 1 is output.
  • the trained model is trained with the training target images classified into three or more classifications, for example, normal and a plurality of abnormal cases
  • the trained model is, for example, the total of all classifications.
  • the numerical value is set to 1, and the numerical value of each classification is output so that the value of the ratio to 1 becomes larger as the possibility of classification becomes larger. For example, if classification 1 is 0.2, classification 2 is 0.4, classification 3 is 0.3, and classification 4 is 0.1, the possibility of classification 2 is the highest.
  • the determination means 108 determines whether or not the inspection target is the removal target based on the numerical value output from the trained model. The determination may be performed using only one determination target image, or may be performed using a plurality of determination target images.
  • 0 is set to normal for the input of the image to be judged, and when a numerical value closer to 1 is output as the possibility of being abnormal is higher, an arbitrary value between 0 and 1 is set.
  • a threshold value when it is equal to or higher than the threshold value, it is judged to be an abnormal object to be removed.
  • classifications for example, for the input of the image to be judged, the total value of all classifications is set to 1, and the higher the possibility of classification, the larger the value of the ratio to 1 is.
  • a plurality of determination methods can be considered, but any determination method may be adopted.
  • the numerical value of classification 1 is 0.2
  • the numerical value of classification 2 is 0.4
  • the numerical value of classification 3 is 0.3
  • the numerical value of classification 4 is 0.1
  • the numerical value of classification 2 is normal.
  • Others are classifications indicating non-normality, and classification 2 indicating normality is most likely when viewed individually, so it is determined that this is a non-removal target.
  • the numerical value of the classification 2 indicating normality is 0.4, while the total value of the other classifications indicating abnormality is 0.6. Therefore, from this point of view, there is a high possibility that it is abnormal, and it is determined that this is the object to be removed.
  • a comparison with a predetermined number may be performed, or the number of abnormal determination target images is counted and when the predetermined number is reached. It may be determined that the object is to be removed.
  • a prompt decision threshold value which is another threshold value closer to 1 than the threshold value for determining normality or abnormality, is set, and if there is even one image to be determined that exceeds the prompt decision threshold value, it is determined that the image is to be removed at that time. You may.
  • the normality / non-normality of each judgment target image is determined by the judgment method of non-normality (removal target object) when the judgment target image illustrated above is one and the classification is three or more.
  • the removal target object can be determined by the method for determining the removal target object when there are a plurality of determination target images and the classification is two as exemplified above.
  • the method of selecting a plurality of determination target images is arbitrary.
  • two images of the inspection range A specified for each of the upper seal portion 2s and the lower seal portion 2s are cut out, and these two images are cut out.
  • An image may be used as a determination target image.
  • a total of 2n partial images obtained by further dividing the upper and lower inspection ranges A into n may be used as the determination target image.
  • the upper and lower partial images may be extracted one by one from the upper and lower n-divided partial images, two partial images may be extracted, and the two partial images may be used as the determination target image.
  • the determination means 108 performs necessary processing on the inspection target object determined to be the removal target object by the above determination process.
  • the necessary processing includes, for example, a process of displaying a figure (for example, a frame) indicating the object to be removed together with the captured image on the display 14, a process of removing the object to be removed, and a process of sorting the object to be removed and a normal product. Processing etc. This completes the inspection of one unit of the inspection object.
  • the inspection device 1 continuously inspects the inspection target by repeating the above series of steps.
  • the inspection device 1 can quickly generate a large amount of teacher data to be input to the learning program in the learning mode, and generates a trained model by machine learning using the generated teacher data as input. can do. Then, in the inspection mode, it is possible to perform a highly accurate inspection using the trained model generated in the learning mode.
  • the present invention is not limited to these examples.
  • the teacher data generation unit 12 and the machine learning execution unit 13 are built in the inspection device 1, but the teacher data generation unit 12 and the machine learning execution unit 13 are not built in the inspection device 1. It may be provided as an individual teacher data generator or a trained model generator.
  • the teacher data generation unit 12 and the machine learning execution unit 13 may be realized by causing the computer to execute a computer program that functions as the teacher data generation unit 12 and the machine learning execution unit 13.

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

噛み込み等の検査時の良否判定に用いる学習済みモデルを生成するための教師データを効率的に生成して検査を実行する。 本発明の教師データ生成装置は、検査対象物が写る画像の入力を受け付け、当該画像において検査対象物の検査範囲を所定の方法により特定し、特定された検査範囲を当該画像から切り出す切り出し手段と、切り出し手段において切り出された検査範囲の画像を学習対象画像として、少なくとも正常と非正常のいずれかに振り分ける振分操作に基づき、学習対象画像と振り分けの結果とを対応付ける振分処理手段と、学習対象画像と振り分けの結果とが対応付けられた教師データを記憶する教師データ記憶部とを備える。

Description

教師データ生成装置、検査装置及びプログラム
　本発明は、被検査物を撮影した画像に基づき被検査物を検査する検査装置において、被検査物の良否判定を行うための学習済みモデルを生成すべく機械学習させる教師データを生成して検査を実行するための教師データ生成装置、検査装置及びプログラムに関する。
　Ｘ線検査装置は、Ｘ線発生部とＸ線検出部とを対向させ、これらの間を通るように被検査物をコンベア等の搬送装置で順次搬送し、被検査物がＸ線発生部とＸ線検出部との間を通過する際に得られるＸ線透過データを用いて、被検査物のＸ線透過画像を生成し、当該Ｘ線透過画像を用いて被検査物を非破壊で検査する装置である。その用途としては、例えば、包装された商品の内容物に異物が混入していないかを検査する異物混入検査、内容物が所定の個数を備えているかを検査する個数検査、内容物にひび割れ等の欠陥が発生していないかを検査する欠陥検査などがある。これらの検査は食品、医薬品、工業部品等の様々な物品に対して行われる。また、Ｘ線検査装置以外にも、被検査物を撮影した画像に基づき被検査物を検査する検査装置が実用化されている。
　この種の検査装置では、所定の判定基準に基づき、被検査物を良品と不良品とに振り分ける。従来、この判定基準は予め定義されたものであったが、昨今の機械学習技術の発達により、学習プログラムに学習用データ（教師データ）を入力することにより生成される学習済みモデルを判定基準として用いるものが提案されている（例えば特許文献１を参照）。
特開２０１１－０８９９２０号公報
　包装袋のシール部分における噛み込み等の検査時の良否判定の際にも、学習済みモデルを判定基準として用いることが可能であるが、学習済みモデルを生成するために学習用プログラムに入力する学習用データの効率的な収集方法が未だ確立されていない。
　本発明は上記の課題に鑑みてなされたものであり、噛み込み等の検査時の良否判定に用いる学習済みモデルを生成するための教師データを効率的に生成して検査を実行することが可能な教師データ生成装置、検査装置及びプログラムを提供することを目的とする。
　本発明の教師データ生成装置は機械学習に用いられる教師データを生成する。教師データ生成装置が生成した教師データを用いて機械学習により生成される学習済みモデルは、検査対象物が写る画像から切り出された判定対象画像を当該学習済みモデルに入力し、出力された判定結果に基づき検査対象物が正常である否かの検査を行う検査装置で用いられるものである。教師データ生成装置は、検査対象物が写る画像の入力を受け付け、当該画像において検査対象物の検査範囲を所定の方法により特定し、特定された検査範囲を当該画像から切り出す切り出し手段と、切り出し手段において切り出された検査範囲の画像を学習対象画像として、少なくとも正常と非正常のいずれかに振り分ける振分操作に基づき、学習対象画像と振り分けの結果とを対応付ける振分処理手段と、学習対象画像と振り分けの結果とが対応付けられた教師データを記憶する教師データ記憶部とを備える。
　本発明の教師データ生成装置では、検査範囲を、入力された１以上の基準点の位置情報及び基準点からの距離を示す情報に基づき特定してもよい。
　また、検査範囲は、画像の明暗の所定の閾値に基づき画像を二値化し、二値化された画像から検出されたブロブに基づき特定してもよい。
　本発明の教師データ生成装置では、切り出し手段において切り出された検査範囲の画像から、より小さい部分画像を抽出する抽出手段を更に備え、振分処理手段が、部分画像を学習対象画像として、少なくとも正常と非正常のいずれかに振り分ける振分操作に基づき、部分画像と振り分けの結果とを対応付けてもよい。
　本発明の教師データ生成装置では、抽出手段は、隣接する部分画像と部分的に重複するように複数の部分画像を抽出してもよい。
　本発明の教師データ生成装置では、ディスプレイと、ディスプレイによる表示を制御する表示制御手段とを更に備え、表示制御手段は、ディスプレイの第１領域に複数の学習対象画像を並べて表示させるとともに、ディスプレイの第２領域に検査対象物の画像を、学習対象画像に対応する領域を指し示す表示を重畳しつつ表示させてもよい。
　本発明の教師データ生成装置では、表示制御手段は、ディスプレイの第１領域に表示された複数の学習対象画像のうちの１つが選択されると、ディスプレイの第２領域に表示された検査対象物の画像における当該選択された学習対象画像に対応する領域を指し示す表示をさせてもよい。
　本発明の検査装置は、検査対象物を搬送し、検査領域を通過させる搬送部と、電磁波を検査領域に照射する電磁波照射部と、搬送部を挟んで電磁波照射部と対向する位置に配置され、検査領域を通過する検査対象物を透過した電磁波を検出する電磁波検出部と、電磁波検出部で検出された電磁波の強度の分布を２次元の画像として構成する画像構成手段と、画像構成手段において構成された検査対象物が写る画像において、検査対象物の検査範囲を所定の方法により特定し、特定された検査範囲を画像から切り出す切り出し手段と、切り出し手段において切り出された検査範囲の画像を判定対象画像として学習済みモデルに入力して、出力された判定結果に基づき検査対象物が正常であるか否かの検査を行う判定手段と、を備える。
　本発明の検査装置では、検査範囲を、入力された１以上の基準点の位置情報及び基準点からの距離を示す情報に基づき特定してもよい。
　また、検査範囲は、画像の明暗の所定の閾値に基づき画像を二値化し、二値化された画像から検出されたブロブに基づき特定してもよい。
　本発明の検査装置では、切り出し手段において切り出された検査範囲の画像から、より小さい部分画像を抽出する抽出手段を更に備え、判定手段が、部分画像を判定対象画像として学習済みモデルに入力して検査対象物の検査を行ってもよい。
　本発明の検査装置では、抽出手段は、隣接する部分画像と部分的に重複するように複数の部分画像を抽出してもよい。
　本発明の検査装置では、学習済みモデルが出力する判定結果が、入力された判定対象画像の正常性を示すスコアであり、判定手段が、当該スコアに基づき検査対象物が正常であるか否かの検査を行ってもよい。
　本発明の検査装置では、判定対象画像が複数であり、判定手段が、それぞれの判定対象画像を学習済みモデルに入力して、それぞれの判定対象画像について出力されたスコアに基づき検査対象物が正常であるか否かの検査を行ってもよい。
　本発明の教師データ生成装置及び検査装置を構成する各手段は、各手段の機能が記述されたプログラムをコンピュータに実行させることにより実現してもよい。
　本発明の教師データ生成装置、検査装置及びプログラムによれば、噛み込み等の検査時の良否判定に用いる学習済みモデルを生成するための教師データを効率的に生成して検査を実行することが可能となる。
検査装置１の構成を示すブロック図である。 検査部１０の構成の一例を示す図である。 教師データ生成部１２の構成を示すブロック図である。 基準点に基づく検査範囲の特定方法の一例を示す図である。 ブロブ解析に基づく検査範囲の特定方法の一例を示す図である。 ブロブ解析に基づく検査範囲の特定方法の別の一例を示す図である。 ブロブ解析に基づく検査範囲の特定方法の更に別の一例を示す図である。 抽出手段１２２による部分画像の抽出方法の一例を示す図である。 学習対象表示画面の表示例を示す図である。 学習モードでの検査装置１の動作の手順を示すフローチャートである。 検査モードでの検査装置１の動作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。
〔検査装置１の構成〕
　図１は、検査対象物が正常であるか否かを検査する検査装置１の構成を示すブロック図である。検査装置１は、検査部１０、制御部１１、ディスプレイ１４及び操作インタフェース１５を備える。検査装置１が検査する検査対象物がシール部を有する包装物であるとき、検査範囲は、例えばシール部である。この場合、検査範囲が非正常であるとは、シール部に内容物の噛み込み、皺、折れがあるなど、包装内の気密性や製品の品質が損なわれるおそれがあるシール状態を意味し、正常であるとはそのような問題が無い状態を意味する。
　検査装置１は、検査モードと学習モードを備える。検査モードでは、検査部１０にて撮影された検査対象物が写る画像から判定対象画像を切り出し、これを機械学習実行部１３などにおいて生成された学習済みモデルに入力して、検査対象物における内容物の噛み込み、及びシールの皺や折れなどの存否を、画像解析により検査する。一方、学習モードでは、検査部１０などで撮影された検査対象物が写る画像をもとに教師データ生成部１２により教師データを生成して、この教師データを機械学習実行部１３に入力し、学習済みモデルに学習を行わせる。
　検査部１０は、検査に供する検査対象物の画像を撮影する。検査部１０の例としては、検査対象物のＸ線透過画像を撮像するＸ線検査装置が挙げられるが、検査対象物の画像に基づき検査を行う検査装置であればこれに限定されない。検査モードにおいて、検査部１０は、撮影した検査対象物が写る画像から検査範囲の画像や部分画像を切り出し、機械学習実行部１３において予め生成された学習済みモデルに入力して検査対象物の検査を行う。また、検査部１０は、撮影した検査対象物が写る画像を、学習モードにおいて教師データ生成部１２への入力画像として提供する。
　図２は、検査部１０の構成の一例を示している。この例では、電磁波としてＸ線を検査対象物に照射することにより得られたＸ線透過画像を検査に供する画像として取得する。検査部１０は、搬送部１０１、電磁波照射部１０２、電磁波検出部１０３、画像構成手段１０４、記憶部１０５、切り出し手段１０６及び判定手段１０８を備える。
　搬送部１０１は、１または複数のベルトコンベアで構成され、画像を撮影する検査領域まで検査対象物を搬送し、撮影後、検査領域から排出させる。
　電磁波照射部１０２は、画像を撮影するのに必要な電磁波（例えば、Ｘ線、紫外線、可視光、赤外線等）を、検査領域に照射する。電磁波照射部１０２は、例えば搬送部１０１において検査対象物が載置される搬送面に、垂直に電磁波を照射するように配置される。検査領域は、電磁波照射部１０２から照射される電磁波が外部に漏れるのを防ぐべく、必要に応じて遮蔽カバーで覆われる。
　電磁波検出部１０３は、搬送部１０１を挟んで電磁波照射部１０２と対向する位置に配置される。電磁波検出部１０３は、電磁波照射部１０２が照射した電磁波を検出可能な検出素子を複数備え、検査領域を通過して電磁波検出部１０３に到達する電磁波の強度の分布を検出する。電磁波検出部１０３は、例えば、ラインセンサ、エリアセンサ、ＴＤＩ（Time Delay Integration）センサ等とするとよい。
　電磁波照射部１０２と電磁波検出部１０３の間の検査領域に検査対象物が存在すると、電磁波照射部１０２から照射された電磁波は検査対象物の各位置における当該電磁波の透過率に応じて減衰して電磁波検出部１０３に到達することになり、検査対象物の内部の状態が電磁波検出部１０３によって検出される電磁波の強度の分布として観測される。
　画像構成手段１０４は、電磁波検出部１０３で検出された検査対象物を透過した電磁波の強度の分布を２次元の画像として構成する。
　記憶部１０５は、画像構成手段１０４において構成された検査対象物が写る画像のデータを格納する。記憶部１０５は、ＲＡＭ、ハードディスク等の記憶装置により構成される。
　切り出し手段１０６は、画像構成手段１０４が構成した検査対象物が写る画像を記憶部１０５から読み出し、当該画像において検査対象物の検査範囲を所定の方法により特定して、特定された検査範囲を当該画像から切り出し、判定対象画像として判定手段１０８に出力する。また、切り出し手段１０６において検査対象物の画像から切り出された検査範囲の画像から、更により小さい部分画像を抽出し、これを判定対象画像として判定手段１０８に出力する抽出手段１０７を更に備えてもよい。
　切り出し手段１０６において切り出し、又は抽出手段１０７において抽出する判定対象画像のサイズ及び形状は、判定手段１０８における判定において採用する学習済みモデルの生成に用いた学習対象画像と同じサイズ及び形状とする。
　切り出し手段１０６における、検査対象物の検査範囲を特定する具体的な方法、及び抽出手段１０７における、更により小さい部分画像を抽出する具体的な方法は、後述する教師データ生成部１２の切り出し手段１２１及び抽出手段１２２における特定方法及び抽出方法と同じであるため、ここでの説明は省略する。
　判定手段１０８は、切り出し手段１０６から出力された判定対象画像を機械学習実行部１３において予め生成された学習済みモデルに入力し、出力された判定結果に基づき検査対象物が正常であるか否かの検査（除去対象物であるか否かの判定）を行う。判定手段１０８における具体的な検査方法は、後述の検査装置１の検査モードの動作の説明の中で例示する。
　なお、以上説明した検査部１０のうち、画像構成手段１０４、切り出し手段１０６、抽出手段１０７及び判定手段１０８は、後述する制御部１１の一部として構成されてもよい。
　ディスプレイ１４は、液晶ディスプレイ等の表示装置であり、検査装置１の操作画面や各種画像を表示する。操作インタフェース１５は、スイッチ、マウス、キーボード等の入力手段であり、ユーザによる検査装置１の操作入力を受け付ける。
　制御部１１は検査装置１の各構成要素の制御を行う。制御部１１は、例えばＣＰＵ、記憶素子等により構成されるコンピュータにより構成される。制御部１１は、教師データ生成部１２と機械学習実行部１３とを含んでいる。教師データ生成部１２は本発明の教師データ生成装置に相当する。
　教師データ生成部１２は、検査装置１の学習モードにおいて、機械学習実行部１３にて実施される機械学習に用いられる教師データを生成する。図３は、教師データ生成部１２の構成を示すブロック図である。図３に示すように、教師データ生成部１２は、切り出し手段１２１、表示制御手段１２３、振分処理手段１２４、及び教師データ記憶部１２５を備える。
　切り出し手段１２１は、検査対象物が写る画像の入力を受け付け、当該画像において検査対象物の検査範囲を所定の方法により特定し、特定された検査範囲を当該画像から切り出す。
　検査対象物が写る画像における、検査対象物の検査範囲の特定方法は任意であり、例えば、基準点に基づく特定方法やブロブ解析による特定方法が挙げられる。
　基準点に基づく特定方法では、例えば、オペレータが入力した１以上の基準点の位置情報及び基準点からの距離を示す情報に基づき検査範囲を特定する。基準点の位置情報の入力方法は任意である。例えば、オペレータがディスプレイ１４に表示された検査対象物が写る画像を見ながら、設定したい位置を操作インタフェース１５から入力してもよい。
　設定する基準点の個数は任意であるが、検査範囲の各角に設定することで、もし画像ごとに検査対象物２の体勢が異なっていても検査範囲を確実に特定することができる。例えば、四角形の検査範囲であれば、基準点を４つ設定することで検査範囲を確実に特定することができる。
　もっとも、例えば次のようなケースでは基準点を１個設定すれば足りる。一般に、検査部１０による複数の検査対象物２の画像の撮影に際しては、検査対象物２は予め設定した概ね同じ体勢で搬送部１０１に順次載置、搬送され撮影される。そこで、例えば図４(a)に示す収納部２ｐとその上下にそれぞれ設けられるシール部２ｓ（一辺の長さｗ、他辺の長さｄの長方形）とを備える検査対象物２について、搬送方向がＸ方向の場合、検査対象物２のシール部２ｓの長手方向がＸ方向、短手方向がＸ方向に直交するＹ方向となるように、検査対象物２を搬送部１０１に載置するようにする。加えて検査範囲を、基準点を起点に一辺がＸ方向に長さａ（＞ｗ）で延伸され、他辺がＹ方向に長さｂ（＞ｄ）で延伸された長方形の範囲と定義する。長さａ、ｂは、固定値として予め設定しておいてもよいし、操作インタフェース１５からのオペレータの入力により任意に設定可能に構成してもよい。これにより、上側のシール部２ｓを検査範囲としたい場合、基準点Ｂをシール部２ｓの左上角付近に設定することで、図４(b)に示すように検査範囲Ａを特定することができる。
　ブロブ解析による特定方法では、画像の明暗に基づき画像を二値化することで、検査対象物の存在位置や形状などをブロブとして検出できることを利用して特定する。具体的には、検査対象物を透過した電磁波の強度に基づき画像を生成すると、検査対象物の存在部分と比べ、その周囲が非常に明るくなるため、この明暗に基づき検査対象物の存在位置や形状などをブロブとして検出することができる。そして、検査対象物のどの部分を検査範囲とするかは予めわかっているため、両者の照合により、検査対象物が写る画像における、検査対象物の検査範囲を特定することができる。
　より具体的には、例えば、図５(a)に示す収納部２ｐとその上下にそれぞれ設けられるシール部２ｓとを備える検査対象物２について、上下いずれか又は双方のシール部２ｓを検査範囲として特定したい場合、まず、検査対象物２への電磁波照射により生成された、検査対象物２が写る画像を、検査対象物２の存在部分に相当する画像の暗さを閾値として二値化すると、図５(b)に示すようなブロブＣとして検査対象物２の存在位置及び形状を検出することができる。そして、検査対象物２において、検査範囲とするシール部２ｓの存在位置は図５(a)に示すように予めわかっているため、これを画像における存在位置が特定された検査対象物２と照合することで、検査対象物２が写る画像における、シール部２ｓの存在位置（例えば上端及び下端のそれぞれから所定の距離の範囲）を、図５(c)に示すように検査範囲Ａとして特定できる。
　また、例えば、収納部２ｐに柄や模様がある一方、シール部２ｓは透明である検査対象物２の場合には、シール部２ｓを含む検査対象物２の存在部分に相当する画像の暗さを閾値として検査対象物２が写る画像を二値化して、図６(a)に示すようなブロブＣとして検査対象物２の存在位置及び形状を検出するとともに、収納部２ｐの存在部分に相当する画像の暗さを閾値として検査対象物２が写る画像を二値化して、収納部２ｐを示すブロブＤを検出し、この２つのブロブの差分をとることで、上下それぞれのシール部２ｓの存在位置を、図６(c)に示すように検査範囲Ａとして特定してもよい。
　また、シール部２ｓの存在位置を特定した上で、更に、シール部２ｓ内の異物の存在部分に相当する画像の暗さを閾値として検査対象物２が写る画像を二値化して、異物存在部分を示すブロブＦを図７(a)に示すように検出し、このブロブＦを含む所定の範囲を、図７(b)に示すように検査範囲Ａとして特定してもよい。図７ではブロブＦが１つの場合を例示したが、複数の場合でも複数の検査範囲Ａを同様に特定可能である。
　なお、ここで例示したブロブ解析による特定方法では、上記のとおり検査範囲Ａを複数同時に特定することが可能であり、この場合、全てを検査範囲Ａとして特定してもよいし、任意の一部を検査範囲Ａとして特定してもよい。
　切り出し手段１２１は、以上のように特定された検査範囲の画像を検査対象物２の画像から切り出し、学習対象画像として振分処理手段１２４に出力する。
　切り出し手段１２１は、切り出された検査範囲Ａの画像から、より小さい部分画像を抽出する抽出手段１２２を更に備えてもよい。図８(b)は、図８(a)に示すように特定された検査範囲Ａを４分割したそれぞれの部分Ａ１、Ａ２、Ａ３及びＡ４の画像を抽出する場合の例を示したものである。いくつに分割するかは、固定値として予め設定しておいてもよいし、操作インタフェース１５からのオペレータの入力により任意に設定可能に構成してもよい。
　抽出手段１２２は、このように抽出された部分画像を学習対象画像として振分処理手段１２４に出力する。
　このように検査範囲Ａを細分化した部分画像を学習対象画像とすることで、細分化しない場合と比べ、多くの学習データを収集することができる。
　抽出手段１２２は、部分画像の抽出に際し、隣接する部分画像と部分的に重複するように抽出してもよい。図８(c)は、図８(b)の場合と同じ抽出幅で、隣接する部分画像と４分の１ずつ重複するように抽出する例であり、この場合、５つの部分Ａ１、Ａ２、Ａ３、Ａ４及びＡ５のそれぞれについて部分画像を抽出することができる。どの程度重複させるかは、固定値として予め設定しておいてもよいし、操作インタフェース１５からのオペレータの入力により任意に設定可能に構成してもよい。
　このように、隣接する部分画像と部分的に重複するように部分画像を抽出することにより、部分画像を重複させない場合と比べ、より多くの学習データを収集することができる。また、部分画像を重複させない場合、各部分の境目において噛み込み等があったときの学習データが不完全なものになるが、重複させることでこのような事態を防ぐことができ、この観点からもより多くの学習データの収集に資する。
　なお、検査範囲の画像に基づき生成された学習済みモデルに追加学習を施すに際して切り出し手段１２１が学習対象画像を切り出す場合には、当該学習済みモデルの生成に用いたサイズ及び形状の検査範囲の画像を切り出すように、切り出し手段１２１における切り出し条件を設定する。また、部分画像に基づき生成された学習済みモデルに追加学習を施すに際して抽出手段１２２が学習対象画像を切り出す場合には、当該部分画像に基づく学習済みモデルの生成に用いたサイズ及び形状の部分画像の抽出を行うように、抽出手段１２２における抽出条件を設定する。
　表示制御手段１２３は、ディスプレイでの表示を制御する。表示制御手段１２３は、切り出し手段１２１により切り出された又は抽出手段１２２により抽出された学習対象画像を、ディスプレイ１４に選択可能に表示させる。図９は、学習対象画像をディスプレイ１４に表示する際の学習対象表示画面の表示例を示している。学習対象表示画面は、入力画像表示領域Ｒ２、学習対象画像表示領域Ｒ１、情報表示領域Ｒ３を備えている。学習対象画像表示領域Ｒ１は、学習対象画像が並べて表示される領域である。学習対象画像表示領域Ｒ１には、学習対象画像のほか、各学習対象画像に対する合否の振り分けを行うためのユーザインタフェース等が表示される。入力画像表示領域Ｒ２は検査対象物の画像が表示される領域である。情報表示領域Ｒ３は、選択された学習対象画像に関する情報（例えば、画像ファイルの名称、格納場所等）が表示される領域である。
　入力画像表示領域Ｒ２に検査対象物の画像を表示する際、抽出された学習対象画像に対応する領域を指し示す表示を重畳して表示してもよい。この学習対象画像に対応する領域を示す表示は、ユーザが表示／非表示を選択できるように構成してもよい。
　学習対象画像表示領域Ｒ１に学習対象画像を並べて表示する際、既存の学習済みモデルにて各学習対象画像の判定を行った場合の判定結果を示す数値（スコア）の順にソートして、学習対象画像を表示してもよい。
　また、学習対象画像表示領域Ｒ１に並べて表示する個々の学習対象画像に対し、判定結果を示す情報を視認可能に表示してもよい。具体的には、個々の学習対象画像に重畳または隣接する位置にスコアや判定結果（正常／非正常の別等）等を表示してもよい。また、個々の学習対象画像について、判定結果を示す表示上の演出をしてもよい。例えば、正常であるか非正常であるかに応じて、異なる色の枠で囲む等が挙げられる。
　学習対象画像表示領域Ｒ１に表示された学習対象画像の１つをクリックすることで、その学習対象画像を選択することができる。学習対象画像表示領域Ｒ１で学習対象画像を選択すると、学習対象画像表示領域Ｒ１においては選択された学習対象画像が枠で囲まれて表示され、入力画像表示領域Ｒ２においては、選択された学習対象画像に対応する検査範囲又は部分領域が、他とは区別できるよう（例えば、二重の枠で囲まれて）に表示される。
　上記とは反対に、入力画像表示領域Ｒ２に表示された学習対象画像に対応する検査範囲又は部分領域の１つをクリックすることで、当該検査範囲又は部分領域に対応する学習対象画像を選択することができる。このようにして入力画像表示領域Ｒ２をクリックすると、学習対象画像表示領域Ｒ１においては選択された検査範囲又は部分領域に対応する学習対象画像が枠で囲まれて表示され、入力画像表示領域Ｒ２においては、選択された検査範囲又は部分領域が、他とは区別できるよう（例えば、二重の枠で囲まれて）に表示される。このような検査対象物の画像と選択した学習対象画像とを対応付けた表示を行うことにより、選択した学習対象画像が検査対象物の画像においてどのように映っているのかを一見して把握することが可能になる。
　また、学習対象画像が選択されると、入力画像表示領域Ｒ２において、選択された学習対象画像に対応する部分を拡大して表示してもよい。このようにすれば、着目した学習対象画像に対応する部分を、容易に詳しく確認することができる。また、選択された学習対象画像について、情報表示領域Ｒ３において、スコアや判定結果（正常／非正常の別等）等を表示してもよい。
　振分処理手段１２４は、抽出された学習対象画像について、正常であるか非正常であるかなど、所定のいずれかの分類にユーザが目視に基づいて振り分ける。
　ユーザにより学習対象画像を所定のいずれかの分類に振り分ける操作が行われると、振分処理手段１２４はその操作に応じて当該学習対象画像をいずれかの分類に振り分け、学習対象画像と振り分けられた分類とが対応付けられた教師データとして教師データ記憶部１２５に記憶させる。
　学習対象画像を所定のいずれかの分類に振り分ける操作とは、例えば正常であるか非正常であるかを振り分ける場合には、ユーザがディスプレイ１４を見ながら操作インタフェース１５を操作して学習対象画像を選択し、選択中の学習対象画像が正常であるか非正常であるかをユーザが目視して判定し、正常である場合にはＯＫボタンをクリックし、非正常である場合にはＮＧボタンをクリックするといった操作である。なお、ユーザが操作して学習対象画像を選択するのではなく、振分処理手段１２４により自動的に決定された順番に従って複数の学習対象画像について順次振り分ける操作を行うように構成してもよい。
　学習対象画像の分類の仕方は、単に、内容物の噛み込み、シールの皺、シールの折れ等のいずれか１つの判定項目について正常であるか非正常であるかの２つの分類に分ける仕方のほか、例えば、内容物の噛み込み、シールの皺、シールの折れ等の複数の判定項目についてそれぞれ正常であるか否かをユーザが目視して判定し、それぞれが複数の判定項目の判定結果の組み合わせからなる、複数の分類に分ける仕方を採用してもよい。例えば、判定項目が３つであれば、それぞれの項目について正常又は非正常の２通りがあるため、２の３乗である８つの分類のいずれかに振り分ける。このように分類しておくことで、学習対象画像が非正常である場合について各判定項目の正常非正常の組み合わせごとに分類可能な学習済みモデルの生成やその追加学習に用いることができる。
　また、それぞれの学習対象画像について、複数の判定項目についてそれぞれ正常であるか否かをユーザが目視して判定し、判定項目ごとに正常である非正常であるか２つの分類に分ける仕方を採用してもよい。すなわち、１つの学習対象画像をいずれか１つの分類に振り分けるのではなく、判定項目ごとに正常又は非正常のいずれかに分類する。このように分類しておくことで、それぞれの判定項目個別に正常非正常を判定可能な学習済みモデルの生成やそれらの追加学習などに用いることができる。
　振分処理手段１２４において、いかなる分類の仕方を選択するかは、ここでの分類の仕方が、学習対象画像に基づき機械学習実行部１３で生成される学習済みモデルが判定対象画像の入力に対して出力する判定結果（分類結果）に反映されるため、いかなる判定結果を求めるかに依存する。また、既に生成された学習済みモデルに追加学習をする場合には、当該学習済みモデルがいかなる分類で判定結果を出力するように生成されているかに依存する。
　教師データ記憶部１２５には、学習対象画像を振分処理手段１２４で振り分けられた分類と対応付けたものを教師データとして記憶する。なお、教師データ記憶部１２５には、外部装置で生成された教師データを記憶させてもよい。
　教師データ記憶部１２５は、ＲＡＭ、ハードディスク等の記憶装置により構成される。教師データ記憶部１２５は、検査部１０における記憶部１０５を兼用してもよい。また、検査装置１が各種情報を記憶するために備える記憶媒体を共用する形で用いてもよい。
　教師データ記憶部１２５に、学習対象画像を振分処理手段１２４で振り分けられた分類と対応付けたものを教師データとして記憶させる方法は、それぞれの学習対象画像が、正常であるか非正常であるか、複数の判定項目の判定結果のいずれの組み合わせであるか等、いずれの分類に振り分けられたかが識別可能に記憶されていればいかなる方法であってもよい。例えば、それぞれの学習対象画像を、振り分けられた分類ごとに用意されたフォルダに分けて記憶させてもよい。あるいは、振り分けられた分類を示す情報を、学習対象画像のファイル名や付加情報としてファイルに埋め込んでもよい。
　教師データ記憶部１２５には、更に、教師データを構成する学習対象画像の、切り出し手段１２１及び抽出手段１２２における切り出し条件及び抽出条件を、教師データに関連付けて記録してもよい。
　機械学習実行部１３は、学習用プログラムを実行することにより、教師データ記憶部１２５から読み出した教師データ、すなわち分類の情報が付された学習対象画像を用いて、既存の学習済みモデルに対して追加的に機械学習を施して新たな学習済みモデルを生成する。または、教師データ記憶部１２５から読み出した教師データを用いて新規に機械学習を行い、新たな学習済みモデルを生成する。新規に学習済みモデルを生成する場合には、予め準備した初期の（未学習の）モデルに対して機械学習を行ってもよい。
　ここでいう機械学習とは、初期のモデル又は既に一定の学習が施されたモデルに対して、所定のデータの入力により繰り返し処理を行い、目標となる学習済みモデルに近づけることを意味する。具体的には例えば、ニューラルネットワークモデルに教師データを入力することで、正解が出力されるように重みやバイアスなどのパラメータを調整することを内容とする。
　また、本発明でいう学習済みモデルとは、検査対象物の検査範囲の画像や部分画像の入力により、所定の判定結果、例えば正常性を示すスコア（数値等）、より具体的には例えば、非正常である可能性を示すスコアを出力するように学習されたモデルである。
　機械学習実行部１３における機械学習の具体的な手法は任意であり、例えば、畳み込みニューラルネットワークモデルを用いた深層学習方法を採用してもよい。
　続いて、以上のように構成される検査装置１の動作を、学習モードと検査モードのそれぞれについて説明する。
〔学習モードにおける動作〕
　図１０は、学習モードでの検査装置１の動作の手順を示すフローチャートである。学習モードは、検査装置１の操作インタフェース１５にて学習モードを選択することにより開始される。学習モードが開始されると、ディスプレイ１４に学習モード用の操作画面が表示される。ユーザは、この学習モード用の操作画面を以下の手順で操作することによって、教師データの生成及び、学習済みモデルに対する機械学習を行うことができる。
　はじめに、教師データ生成部１２は、ユーザによる入力画像を選択する操作を受け付ける（ステップＳ１００）。入力画像は、検査部１０にて実際に撮影された検査対象物の画像でもよいし、学習用に別途準備された検査対象物の画像でもよい。続いて、教師データ生成部１２は、ユーザによる学習済みモデルを選択する操作を受け付ける（ステップＳ１１０）。ここで選択される学習済みモデルは、後段の機械学習において追加の学習が行われる対象となる。なお、新規に学習済みモデルを生成する場合には、ステップＳ１１０を省略してもよい。
　続いて、教師データ生成部１２は、切り出し手段１２１において検査対象物の画像に基準点を設定するとともに、基準点を起点とする検査範囲を特定する各辺の長さの入力を受け付け、受け付けた切り出し条件に基づき特定された検査範囲の画像の切り出しを実施する（ステップＳ１２０）。また、切り出された検査範囲の画像を分割して部分画像を抽出する場合には、抽出手段１２２において分割数及び重複の程度の入力を受け付け、受け付けた抽出条件に基づき各部分画像の抽出を実施する（ステップＳ１２１）。
　ステップＳ１２０、Ｓ１２１では、具体的には、操作画面に表示される項目に所望の値を入力することにより、切り出し条件及び抽出条件が設定される。条件の設定が確定されると、切り出し手段１２１及び抽出手段１２２は、設定内容に応じて検査範囲の画像の切り出し及び部分画像の抽出処理を実施する。処理の結果得られた学習対象画像である検査範囲の画像又は部分画像は、分類の振り分けがされていない学習対象画像用のフォルダに格納される。
　続いて、教師データ生成部１２は、振分処理手段１２４において、学習対象画像のそれぞれについて、いずれの分類に振り分けるかを選択する操作を受け付け、選択に基づき学習対象画像と判定結果とを対応付けて教師データとして教師データ記憶部１２５に記憶させる（ステップＳ１３０）。
　ステップＳ１３０に続いて、機械学習実行部１３は、ステップＳ１３０で生成した教師データに基づく機械学習を実行する指示を受け付け、当該指示に応じて学習用プログラムを実行して学習済みモデルに対する機械学習を実施する（ステップＳ１４０）。このとき、機械学習実行部１３は、既存の学習済みモデルに対して追加的に機械学習を実施するのか、新規に学習済みモデルを生成するのかをユーザに選択させるインタフェースを操作画面に表示する。既存の学習済みモデルに追加的に機械学習を実施する場合、ユーザに学習済みモデルを選択させるメニューを提示するとよい。なお、この段階での学習済みモデルの選択を省略し、ステップＳ１１０で選択した学習済みモデルに対して機械学習を実施するように構成してもよい。そして、ステップＳ１４０での機械学習を終了すると、学習モードでの一連の処理が完了となる。
〔検査モードにおける動作〕
　図１１は、検査モードでの検査装置１の動作の手順を示すフローチャートである。検査モードは、検査装置１の操作インタフェース１５にて検査モードを選択することにより開始される。検査モードが開始されると、ディスプレイ１４に検査モード用の操作画面が表示される。ユーザは、この検査モード用の操作画面を以下の手順で操作することによって、検査対象物の検査を行うことができる。
　はじめに、検査装置１は、ユーザによる検査条件を設定する操作を受け付ける（ステップＳ２００）。検査条件としては、画像撮影時のＸ線や可視光等の照射強度、露光時間、搬送速度等の一般的な検査装置の条件に加え、除去対象物の判定に用いる学習済みモデルの選択が含まれる。
　検査条件の設定が完了すると、ユーザによる所定の操作に応じて、検査部１０は検査対象物の検査を開始する。検査部１０は、まず検査対象物を撮影位置まで搬送して撮影を行う（ステップＳ２１０）。
　続いて検査部１０は、切り出し手段１０６において、撮影された検査対象物の画像から検査範囲の画像を切り出し（ステップＳ２２０）又は抽出手段１０７において、切り出し手段１０６において切り出された検査範囲の画像から更に部分画像を抽出して（ステップＳ２２１）、判定対象画像を生成する。判定対象画像として切り出す検査範囲の画像の数及び抽出する部分画像の数はそれぞれ任意である。また、切り出し又は抽出する判定対象画像のサイズ及び形状は、判定に採用する学習済みモデルの生成に用いた学習対象画像と同じサイズ及び形状とする。
　続いて検査部１０は、判定手段１０８において、切り出し手段１０６又は抽出手段１０７から出力された判定対象画像を学習済みモデルに入力し、出力された判定結果に基づき検査対象物が正常であるか否かの検査（除去対象物である否かの判定）を行う（ステップＳ２３０）。
　判定手段１０８では、まず、判定対象画像が学習済みモデルに入力され、学習済みモデルは判定結果として、例えば正常性を示すスコア（数値等）を出力する。判定対象画像として切り出した検査範囲の画像及び抽出した部分画像が複数の場合には、それぞれの判定対象画像を学習済みモデルに入力して、それぞれの判定結果を得る。
　以下、学習済みモデルが数値を出力する場合を例にとって説明する。数値を出力する場合、出力する数値の範囲の設定は任意であり、例えば、０から１の範囲の数値を出力する。このとき、数値範囲における数値の刻みは任意であり、例えば０．０１刻みであれば、０．１２、０．８１といった数値で出力する。出力された数値は、ディスプレイ１４に表示させてもよいし、プリンタや記憶媒体など任意の出力手段に出力してもよい。
　学習済みモデルを、２つの分類、例えば、正常又は非正常に分類された学習対象画像で学習させた場合には、当該学習済みモデルは、例えば、０を正常とし、非正常である可能性が高いほど１に近い数値を出力する。
　一方、学習済みモデルを、３つ以上の分類、例えば、正常及び複数の非正常ケースに分類された学習対象画像で学習させた場合には、当該学習済みモデルは、例えば、全分類の合計の数値を１として、可能性が高い分類ほど１に対する比の値が大きくなるように各分類の数値を出力する。例えば、分類１が０．２、分類２が０．４、分類３が０．３、分類４が０．１であれば、分類２である可能性が最も高いことになる。
　続いて判定手段１０８は、学習済みモデルから出力された数値に基づき、検査対象物が除去対象物であるか否かの判定を行う。判定は、１つの判定対象画像のみを用いて行ってもよいし、複数の判定対象画像を用いて行ってもよい。
　まず、判定に用いる判定対象画像が１つである場合の判定例について説明する。
　分類が２つのとき、例えば、判定対象画像の入力に対し、０を正常とし、非正常である可能性が高いほど１に近い数値が出力されるときには、０から１の間の任意の値を閾値として、閾値以上のときに非正常であるとして除去対象物と判定する。
　一方、分類が３つ以上のとき、例えば、判定対象画像の入力に対し、全分類の合計の数値を１として、可能性が高い分類ほど１に対する比の値が大きくなるように各分類の数値が出力されるときには、複数の判定方法が考えられるが、任意の判定方法を採用してよい。例えば、分類１の数値が０．２、分類２の数値が０．４、分類３の数値が０．３、分類４の数値が０．１であり、かつ、分類２が正常を示す分類で、その他が非正常を示す分類であるとき、分類個別に見れば正常を示す分類２が最も可能性が高いため、これをもって非除去対象物であると判定する。もっとも、正常を示す分類と非正常を示す分類という観点では、正常を示す分類２の数値が０．４であるのに対し、非正常を示すその他の分類の数値の合計が０．６であるため、この観点からは非正常の可能性が高いことから、これをもって除去対象物であると判定する。
　次に、判定に用いる判定対象画像が複数である場合の判定例について説明する。分類が２つのとき、例えば、判定対象画像の入力に対し、０を正常とし、非正常である可能性が高いほど１に近い数値が出力されるときには、まず、それぞれの判定対象画像について、０から１の間の任意の値を閾値として、閾値を境に正常又は非正常と判定する。そして、例えば、複数の判定対象画像のうち、所定の個数以上の非正常があれば、これをもって除去対象物であると判定する。このとき、すべての判定対象画像の正常／非正常の判定後に所定の個数との対比を行ってもよいし、非正常の判定対象画像の数をカウントしていき、所定の個数に到達した時点で除去対象物であると判定してもよい。また、正常又は非正常を判定する閾値よりも更に１に近い別の閾値である即決閾値を設け、ひとつでも即決閾値を超えた判定対象画像があれば、その時点で除去対象物であると判定してもよい。
　一方、分類が３つ以上のとき、例えば、判定対象画像の入力に対し、全分類の合計の数値を１として、可能性が高い分類ほど１に対する比の値が大きくなるように各分類の数値が出力されるときには、まず、先に例示した判定対象画像が１つで分類が３つ以上の場合の非正常（除去対象物）の判定方法で、それぞれの判定対象画像の正常／非正常を判定した上で、先に例示した判定対象画像が複数で分類が２つの場合の除去対象物の判定方法で、除去対象物の判定を行うことができる。
　複数の判定対象画像を用いて除去対象物であるか否かの判定を行う場合、複数の判定対象画像の選び方は任意である。例えば、図５(b)に示すような検査対象物２の画像において、上側のシール部２ｓと下側のシール部２ｓのそれぞれについて特定された２つの検査範囲Ａの画像を切り出し、これら２つの画像を判定対象画像として用いてもよい。また、上下の検査範囲Ａを、更にそれぞれｎ分割（ｎは２以上の整数）して得られた合計２ｎ個の部分画像を判定対象画像として用いてもよい。また、上下それぞれｎ分割した部分画像から、上下１つずつ抽出して、２つの部分画像を抽出し、当該２つの部分画像を判定対象画像として用いてもよい。
　最後に、判定手段１０８は、以上の判定処理により除去対象物と判定された検査対象物に対して、必要な処理を行う。ここで、必要な処理とは、例えば、撮影した画像とともに除去対象物を示す図形（例えば枠）をディスプレイ１４に表示する処理、除去対象物を除去する処理、除去対象物と正常品とを振り分ける処理等である。以上で１単位の検査対象物に対する検査が完了となる。なお、検査対象物が連続して検査装置１に送り込まれる場合、検査装置１は上記の一連の工程を繰り返すことで連続的に検査対象物の検査を実施する。
　以上のような構成により、検査装置１は、学習モードにおいて学習用プログラムに入力する教師データを素早く大量に生成することができ、生成した教師データを入力として機械学習することにより学習済みモデルを生成することができる。そして検査モードにおいては、学習モードで生成した学習済みモデルを用いて精度の高い検査を行うことが可能となる。
〔実施形態の変形〕
　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、上記実施形態では、教師データ生成部１２及び機械学習実行部１３は、検査装置１に内蔵されていたが、教師データ生成部１２及び機械学習実行部１３は、検査装置１に内蔵されずに個別の教師データ生成装置、あるいは学習済みモデル生成装置として提供されてもよい。例えば、上記の教師データ生成部１２及び機械学習実行部１３として機能させるコンピュータプログラムをコンピュータに実行させることにより教師データ生成部１２及び機械学習実行部１３を実現してもよい。
　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。
１　検査装置
２　検査対象物
２ｐ　収納部
２ｓ　シール部
１０　検査部
１０１　搬送部
１０２　電磁波照射部
１０３　電磁波検出部
１０４　画像構成手段
１０５　記憶部
１０８　判定手段
１１　制御部
１２　教師データ生成部
１０６、１２１　切り出し手段
１０７、１２２　抽出手段
１２３　表示制御手段
１２４　振分処理手段
１２５　教師データ記憶部
１３　機械学習実行部
１４　ディスプレイ
１５　操作インタフェース
Ａ　検査範囲
Ａ１、Ａ２、Ａ３、Ａ４、Ａ５　部分
Ｂ　基準点
Ｃ、Ｄ、Ｆ　ブロブ
Ｒ１　学習対象画像表示領域
Ｒ２　入力画像表示領域
Ｒ３　情報表示領域

Claims (15)

  1. 　機械学習に用いられる教師データを生成する教師データ生成装置であって、前記教師データを用いて前記機械学習により生成される学習済みモデルは、検査対象物が写る画像から切り出された判定対象画像を当該学習済みモデルに入力し、出力された判定結果に基づき前記検査対象物が正常であるか否かの検査を行う検査装置で用いられるものであり、
    　検査対象物が写る画像の入力を受け付け、前記画像において前記検査対象物の検査範囲を所定の方法により特定し、特定された前記検査範囲を前記画像から切り出す切り出し手段と、
    　前記切り出し手段において切り出された前記検査範囲の画像を学習対象画像として、正常と非正常のいずれかに振り分ける振分操作に基づき、前記学習対象画像と振り分けの結果とを対応付ける振分処理手段と、
    　前記学習対象画像と振り分けの結果とが対応付けられた教師データを記憶する教師データ記憶手段とを備える
    ことを特徴とする教師データ生成装置。
  2. 　前記検査範囲を特定する前記所定の方法は、入力された１以上の基準点の位置情報及び基準点からの距離を示す情報に基づき特定する方法であることを特徴とする請求項１に記載の教師データ生成装置。
  3. 　前記検査範囲を特定する前記所定の方法は、前記画像の明暗の所定の閾値に基づき画像を二値化し、二値化された画像から検出されたブロブに基づき特定する方法であることを特徴とする請求項１に記載の教師データ生成装置。
  4. 　前記切り出し手段において切り出された前記検査範囲の画像から、より小さい部分画像を抽出する抽出手段を更に備え、
    　前記振分処理手段は、前記部分画像を学習対象画像として、少なくとも正常と非正常のいずれかに振り分ける振分操作に基づき、前記部分画像と振り分けの結果とを対応付ける
    ことを特徴とする請求項１から３のいずれか１項に記載の教師データ生成装置。
  5. 　前記抽出手段は、隣接する部分画像と部分的に重複するように複数の前記部分画像を抽出することを特徴とする請求項４に記載の教師データ生成装置。
  6. 　ディスプレイと、前記ディスプレイによる表示を制御する表示制御手段とを更に備え、
    　前記表示制御手段は、前記ディスプレイの第１領域に複数の前記学習対象画像を並べて表示させるとともに、前記ディスプレイの第２領域に前記検査対象物の画像を、前記学習対象画像に対応する領域を指し示す表示を重畳しつつ表示させることを特徴とする、請求項１から５のいずれか１項に記載の教師データ生成装置。
  7. 　前記表示制御手段は、前記ディスプレイの第１領域に表示された複数の前記学習対象画像のうちの１つが選択されると、前記ディスプレイの第２領域に表示された前記検査対象物の画像における当該選択された前記学習対象画像に対応する領域を指し示す表示をさせることを特徴とする、請求項６に記載の教師データ生成装置。
  8. 　検査対象物を搬送し、検査領域を通過させる搬送部と、
    　電磁波を前記検査領域に照射する電磁波照射部と、
    　前記搬送部を挟んで前記電磁波照射部と対向する位置に配置され、前記検査領域を通過する前記検査対象物を透過した電磁波を検出する電磁波検出部と、
    　前記電磁波検出部で検出された電磁波の強度の分布を２次元の画像として構成する画像構成手段と、
    　前記画像構成手段において構成された前記検査対象物が写る画像において、前記検査対象物の検査範囲を所定の方法により特定し、特定された前記検査範囲を前記画像から切り出す切り出し手段と、
    　前記切り出し手段において切り出された前記検査範囲の画像を判定対象画像として学習済みモデルに入力して、出力された判定結果に基づき前記検査対象物が正常であるか否かの検査を行う判定手段と、
    を備える検査装置。
  9. 　前記検査範囲を特定する前記所定の方法は、入力された１以上の基準点の位置情報及び基準点からの距離を示す情報に基づき特定する方法であることを特徴とする請求項８に記載の検査装置。
  10. 　前記検査範囲を特定する前記所定の方法は、前記画像の明暗の所定の閾値に基づき画像を二値化し、検出されたブロブに基づき特定する方法であることを特徴とする請求項８に記載の検査装置。
  11. 　前記切り出し手段において切り出された前記検査範囲の画像から、より小さい部分画像を抽出する抽出手段を更に備え、
    　前記判定手段は、前記部分画像を判定対象画像として前記学習済みモデルに入力して、前記検査対象物の検査を行う
    ことを特徴とする請求項８から１０のいずれか１項に記載の検査装置。
  12. 　前記抽出手段は、隣接する部分画像と部分的に重複するように複数の前記部分画像を抽出することを特徴とする請求項１１に記載の検査装置。
  13. 　前記学習済みモデルが出力する判定結果は、入力された前記判定対象画像の正常性を示すスコアであり、
    　前記判定手段は、前記スコアに基づき前記検査対象物が正常であるか否かの検査を行う
    ことを特徴とする請求項８から１２のいずれか１項に記載の検査装置。
  14. 　前記判定対象画像は複数であり、
    　前記判定手段は、それぞれの前記判定対象画像を前記学習済みモデルに入力し、それぞれの前記判定対象画像について出力された前記スコアに基づき前記検査対象物が正常であるか否かの検査を行う
    ことを特徴とする請求項１３に記載の検査装置。
  15. 　コンピュータを請求項１から１４のいずれか１項に記載の各手段として機能させるためのプログラム。
PCT/JP2021/012284 2020-03-24 2021-03-24 教師データ生成装置、検査装置及びプログラム WO2021193733A1 (ja)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/631,423 US20220318985A1 (en) 2020-03-24 2021-03-24 Training data generation device, inspection device and program
EP21776862.1A EP4130723A4 (en) 2020-03-24 2021-03-24 LEARNING DATA GENERATION DEVICE, INSPECTION DEVICE AND PROGRAM
CN202180004905.4A CN114303157A (zh) 2020-03-24 2021-03-24 训练数据生成装置、检查装置和程序

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2020053241A JP6917083B1 (ja) 2020-03-24 2020-03-24 教師データ生成装置、検査装置及びプログラム
JP2020-053241 2020-03-24

Publications (1)

Publication Number Publication Date
WO2021193733A1 true WO2021193733A1 (ja) 2021-09-30

Family

ID=77172679

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/JP2021/012284 WO2021193733A1 (ja) 2020-03-24 2021-03-24 教師データ生成装置、検査装置及びプログラム

Country Status (5)

Country Link
US (1) US20220318985A1 (ja)
EP (1) EP4130723A4 (ja)
JP (1) JP6917083B1 (ja)
CN (1) CN114303157A (ja)
WO (1) WO2021193733A1 (ja)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118355267A (zh) * 2021-11-29 2024-07-16 富士胶片株式会社 教师数据生成装置、教师数据生成方法、程序及缺陷检查装置
JPWO2023162142A1 (ja) * 2022-02-25 2023-08-31

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005024453A (ja) * 2003-07-04 2005-01-27 Anritsu Sanki System Co Ltd Ｘ線検査装置
JP2011089920A (ja) 2009-10-23 2011-05-06 Shimadzu Corp Ｘ線検査方法、及び該ｘ線検査方法を用いたｘ線検査装置
JP2017075835A (ja) * 2015-10-14 2017-04-20 株式会社 システムスクエア 包装体の検査装置

Family Cites Families (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001156135A (ja) * 1999-11-29 2001-06-08 Hitachi Ltd 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法
CN101802595B (zh) * 2007-09-26 2013-09-04 株式会社石田 检查装置
JP5635903B2 (ja) * 2010-12-27 2014-12-03 アンリツ産機システム株式会社 Ｘ線検査装置
JP5453350B2 (ja) * 2011-06-23 2014-03-26 株式会社 システムスクエア 包装体の検査装置
JP6061713B2 (ja) * 2013-02-08 2017-01-18 本田技研工業株式会社 検査装置、検査方法及びプログラム
JP6224434B2 (ja) * 2013-09-26 2017-11-01 株式会社イシダ Ｘ線検査装置
CN107407647A (zh) * 2015-03-20 2017-11-28 株式会社石田 检查装置
JP6623449B2 (ja) * 2015-07-08 2019-12-25 株式会社 システムスクエア 包装体の検査装置
JP2018005639A (ja) * 2016-07-04 2018-01-11 タカノ株式会社 画像分類装置、画像検査装置、及び、プログラム
JP2018005640A (ja) * 2016-07-04 2018-01-11 タカノ株式会社 分類器生成装置、画像検査装置、及び、プログラム
US11580398B2 (en) * 2016-10-14 2023-02-14 KLA-Tenor Corp. Diagnostic systems and methods for deep learning models configured for semiconductor applications
US10769788B2 (en) * 2017-09-12 2020-09-08 Nantomics, Llc Few-shot learning based image recognition of whole slide image at tissue level
JP7033480B2 (ja) * 2018-04-02 2022-03-10 株式会社明治 異物混入検証システム
US10824935B2 (en) * 2018-10-17 2020-11-03 Mitsubishi Electric Research Laboratories, Inc. System and method for detecting anomalies in video using a similarity function trained by machine learning
CN114902279A (zh) * 2019-12-19 2022-08-12 奇手公司 基于机器视觉的自动化缺陷检测

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005024453A (ja) * 2003-07-04 2005-01-27 Anritsu Sanki System Co Ltd Ｘ線検査装置
JP2011089920A (ja) 2009-10-23 2011-05-06 Shimadzu Corp Ｘ線検査方法、及び該ｘ線検査方法を用いたｘ線検査装置
JP2017075835A (ja) * 2015-10-14 2017-04-20 株式会社 システムスクエア 包装体の検査装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP4130723A4

Also Published As

Publication number Publication date
US20220318985A1 (en) 2022-10-06
JP2021152489A (ja) 2021-09-30
EP4130723A4 (en) 2024-08-14
JP6917083B1 (ja) 2021-08-11
EP4130723A1 (en) 2023-02-08
CN114303157A (zh) 2022-04-08

Similar Documents

Publication Publication Date Title
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
CN111630519B (zh) 检查装置
JP6537008B1 (ja) 検査装置
JP2019211288A (ja) 食品検査システムおよびプログラム
WO2021193733A1 (ja) 教師データ生成装置、検査装置及びプログラム
JP5864404B2 (ja) Ｘ線検査装置
JP6068060B2 (ja) Ｘ線検査装置
JP2015137858A (ja) 検査装置
WO2019235022A1 (ja) 検査装置
WO2023017611A1 (ja) 学習モデルの生成方法、学習モデル、検査装置、検査方法およびコンピュータプログラム
JP7097642B1 (ja) 食品検査システム、食品検査学習装置および食品検査方法
WO2022065110A1 (ja) Ｘ線検査装置およびｘ線検査方法
JP4536548B2 (ja) Ｘ線検査装置および蓄積情報抽出システム
JP7240780B1 (ja) 検査装置
JP7250301B2 (ja) 検査装置、検査システム、検査方法、検査プログラム及び記録媒体
JP7445621B2 (ja) Ｘ線検査装置およびｘ線検査方法
JP2008175691A (ja) Ｘ線検査装置および検査方法
JP6144584B2 (ja) 破損検査装置
CN116559205A (zh) 检查装置、学习模型生成方法及检查方法
JP2022156999A (ja) 検査方法、検査装置
CN118901080A (zh) 自动化检验系统
CN116559204A (zh) 检查装置、学习模型生成方法及检查方法
JP2024067447A (ja) プログラム、制御装置、情報処理方法、学習モデルの生成方法、およびシステム
JP5947674B2 (ja) Ｘ線検査装置
JP2018048846A (ja) 光検査装置及び光検査方法

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: 21776862

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2021776862

Country of ref document: EP

Effective date: 20221024