CN103196914A - 外观检查装置和外观检查方法 - Google Patents

Abstract

本发明公开了外观检查装置和外观检查方法。接受并存储了构成被看作非缺陷物品的各物品的一组图像的多个图像的输入，并基于所存储的所述多个图像设置了用于检测检查对象的缺陷部位的缺陷阈值和用于做出非缺陷/缺陷判定的判定阈值。预先存储了作为被判定为缺陷物品的物品的图像的缺陷物品图像，并在接受了通过对检查对象进行拍摄而新获取的图像的输入的情况下，利用包括其输入已被接受的图像在内的所存储的多个图像执行非缺陷物品学习处理，以至少重置缺陷阈值。基于重置的缺陷阈值重新检测缺陷部位，以基于设置的判定阈值来判定所存储的缺陷物品图像是否是缺陷物品的图像。

Description

外观检查装置和外观检查方法

技术领域

本发明涉及从通过拍摄检查对象所获取的一组图像中存储有被判定为非缺陷物品的物品的图像的图像组当中删除被判定为缺陷物品的物品的图像的外观检查装置、外观检查方法、和计算机程序。

背景技术

迄今为止，已经开发出了这样的一种外观检查方法，即其中将通过拍摄检查对象所获取的图像与作为标准的检查对象的图像进行比较，以判定检查对象是否是非缺陷物品。用作上述判定标准的图像是通过外观检查被判定为非缺陷物品的物品的图像，并将其与通过拍摄检查对象获取的图像进行比较，以设置进行非缺陷/缺陷判定的判定阈值。

为了正确地将非缺陷物品判定为非缺陷物品，设置适当的用于非缺陷/缺陷判定的适当的判定阈值是重要的。例如，日本未审查专利公开第2005-265661号公开了一种图像检查装置，该图像检查装置利用输入多个非缺陷物品图像来设置阈值以对通过拍摄检查对象获取的图像进行非缺陷/缺陷判定的图像处理方法。在日本未审查专利公开第2005-265661号中，每次添加非缺陷物品图像时都进行学习，并重置用于非缺陷/缺陷判定的阈值，因此即使在非缺陷/缺陷判定已经发生了轻微变化时也能设置合适的阈值。

在日本未审查专利公开第2005-265661号中公开的利用图像处理方法的图像检查装置中，会发生尽管图像中物品是非缺陷物品但是其也被错误判定为缺陷物品的错误判定，从而需要进行附加的学习，以将被错误判定的图像添加到非缺陷物品图像组并重置判定阈值。然而，在一些情况下存在这样的问题：执行附加的学习可能导致判定标准的降低，以及本来应该被判定为缺陷物品的物品的图像可能成为被错误判定为非缺陷物品的图像。

发明内容

本发明是鉴于上述情形做出的，并且本发明的一个目的是提供外观检查装置、外观检查方法和计算机程序，它们能够检查出在尽管物品是缺陷物品的情况下该物品是否由于附加学习而被错误地判定为非缺陷物品。

为了实现上述目的，根据本发明的一个实施例，提供了一种外观检查装置，其将通过对检查对象进行拍摄而获取的图像与被看作非缺陷物品的各物品的一组图像进行比较，以进行非缺陷/缺陷判定，所述外观检查装置包括：图像输入单元，其用于接受构成被看作非缺陷物品的各物品的一组图像的多个图像的输入，以存储这些图像；阈值设置单元，其用于基于所存储的所述多个图像来设置用于检测检查对象的缺陷部位的缺陷阈值和用于做出非缺陷/缺陷判定的判定阈值；缺陷物品图像存储单元，其用于存储作为被判定为缺陷物品的物品的图像的缺陷物品图像；阈值设置单元，其用于在接受了通过对检查对象进行拍摄而新获取的图像的输入的情况下，利用包括其输入已被接受的图像在内的所存储的多个图像执行非缺陷物品学习处理，以至少重置缺陷阈值；非缺陷/缺陷判定单元，其用于基于重置的缺陷阈值重新检测缺陷部位，以基于设置的判定阈值判定所存储的缺陷物品图像是否是缺陷物品的图像；以及判定结果显示单元，其用于显示非缺陷/缺陷判定结果。

此外，根据本发明的另一实施例，根据第一方面的外观检查装置包括：备份单元，其用于将关于非缺陷物品学习处理的信息存储为备份；以及选择接受单元，其用于在判定结果中做出了所存储的缺陷物品图像是非缺陷物品的图像的错误判定时，接受关于是否将信息返回至所存储的关于非缺陷物品学习处理的信息的选择。

此外，根据本发明的再一实施例，根据第二方面的外观检查装置包括识别信息获取单元，其用于获取用于识别用户的识别信息，其中，所述选择接受单元基于获取的识别信息仅显示其选择可被接受的物品。

此外，根据本发明的再一实施例，在根据第三方面的外观检查装置中，所述选择接受单元在获取的识别信息表示管理员时接受对更新所存储的关于非缺陷物品学习处理的信息的选择。

此外，根据本发明的再一实施例，在根据第三方面的外观检查装置中，所述选择接受单元在获取的识别信息表示操作者时仅接受对将信息返回所存储的关于非缺陷物品学习处理的信息的选择。

接下来，为了实现上述目的，根据本发明的再一实施例，提供了一种可由外观检查装置执行的外观检查方法，所述外观检查装置将通过对检查对象进行拍摄而获取的图像与被看作非缺陷物品的各物品的一组图像进行比较，以进行非缺陷/缺陷判定，所述外观检查方法包括以下步骤：接受构成被看作非缺陷物品的各物品的一组图像的多个图像的输入，以存储这些图像；基于所存储的所述多个图像来设置用于检测检查对象的缺陷部位的缺陷阈值和用于做出非缺陷/缺陷判定的判定阈值；存储作为被判定为缺陷物品的物品的图像的缺陷物品图像；在接受了通过对检查对象进行拍摄而新获取的图像的输入的情况下，利用包括其输入已被接受的图像在内的所存储的多个图像执行非缺陷物品学习处理，以至少重置缺陷阈值；基于重置的缺陷阈值重新检测缺陷部位，以基于设置的判定阈值判定所存储的缺陷物品图像是否是缺陷物品的图像；以及显示非缺陷/缺陷判定结果。

此外，根据本发明的再一实施例，根据第六方面的外观检查方法包括以下步骤：将关于非缺陷物品学习处理的信息存储为备份；以及在判定结果中做出了所存储的缺陷物品图像是非缺陷物品的图像的错误判定时，接受关于是否将信息返回至所存储的关于非缺陷物品学习处理的信息的选择。

此外，根据本发明的再一实施例，根据第七方面的外观检查方法包括以下步骤：获取用于识别用户的识别信息，其中，基于获取的识别信息仅显示其选择可被接受的物品。

此外，根据本发明的再一实施例，在根据第八方面的外观检查方法中，在获取的识别信息表示管理员时接受对更新所存储的关于非缺陷物品学习处理的信息的选择。

此外，根据本发明的再一实施例，在根据第八方面的外观检查方法中，在获取的识别信息表示操作者时仅接受对将信息返回所存储的关于非缺陷物品学习处理的信息的选择。

接下来，为了实现上述目的，根据本发明的再一个实施例，提供了一种可由外观检查装置执行的计算机程序，该外观检查将通过对检查对象进行拍摄而获取的图像与被看作非缺陷物品的各物品的一组图像进行比较，以进行非缺陷/缺陷判定，所述计算机程序使外观检查装置用作：图像输入单元，其用于接受构成被看作非缺陷物品的各物品的一组图像的多个图像的输入，以存储这些图像；阈值设置单元，其用于基于所存储的所述多个图像来设置用于检测检查对象的缺陷部位的缺陷阈值和用于做出非缺陷/缺陷判定的判定阈值；缺陷物品图像存储单元，其用于存储作为被判定为缺陷物品的物品的图像的缺陷物品图像；阈值设置单元，其用于在接受了通过对检查对象进行拍摄而新获取的图像的输入的情况下，利用包括其输入已被接受的图像在内的所存储的多个图像执行非缺陷物品学习处理，以至少重置缺陷阈值；非缺陷/缺陷判定单元，其用于基于重置的缺陷阈值重新检测缺陷部位，以基于设置的判定阈值判定所存储的缺陷物品图像是否是缺陷物品的图像；以及判定结果显示单元，其用于显示非缺陷/缺陷判定结果。

此外，根据本发明的另一实施例，在根据第十一方面的计算机程序中，使所述外观检查装置用作：备份单元，其用于将关于非缺陷物品学习处理的信息存储为备份；以及选择接受单元，其用于在判定结果中做出了所存储的缺陷物品图像是非缺陷物品的图像的错误判定时，接受关于是否将信息返回至所存储的关于非缺陷物品学习处理的信息的选择。

此外，根据本发明的再一实施例，在根据第十二方面的计算机程序中，使所述外观检查装置用作识别信息获取单元，其用于获取用于识别用户的识别信息，其中，所述选择接受单元基于获取的识别信息仅显示其选择可被接受的物品。

此外，根据本发明的再一实施例，在根据第十三方面的计算机程序中，使所述选择接受单元用作如下单元：在获取的识别信息表示管理员时接受对更新所存储的关于非缺陷物品学习处理的信息的选择。

此外，根据本发明的再一实施例，在根据第十三方面的计算机程序中，使所述选择接受单元用作如下单元：在获取的识别信息表示操作者时仅接受对将信息返回所存储的关于非缺陷物品学习处理的信息的选择。

在第一、第六、和第十一方面中，接受并存储了构成被看作非缺陷物品的各物品的一组图像的多个图像的输入，并基于所存储的所述多个图像设置了用于检测检查对象的缺陷部位的缺陷阈值和用于做出非缺陷/缺陷判定的判定阈值。预先存储了作为被判定为缺陷物品的物品的图像的缺陷物品图像，并在接受了通过对检查对象进行拍摄而新获取的图像的输入的情况下，利用包括其输入已被接受的图像在内的所存储的多个图像来执行非缺陷物品学习处理，以至少重置缺陷阈值。基于重置的缺陷阈值重新检测缺陷部位，以基于设置的判定阈值判定所存储的缺陷物品图像是否是缺陷物品的图像，并显示非缺陷/缺陷判定结果。因此，当添加了新获取的图像并执行了附加学习时，可以检查缺陷物品图像是否是被错误判定为缺陷物品的物品的图像，并且用户可以目视检查用来执行非缺陷物品学习处理的设置参数和阈值是否合适。

在第二、第七、和第十二方面中，将关于非缺陷物品学习处理的信息存储为备份。当图像是在判定结果中被错误判定为非缺陷物品的图像时，接受关于是否将信息返回至所存储的关于非缺陷物品学习处理的信息的选择。从而，当添加了新图像以执行附加学习并且缺陷物品图像是未被正确判定为缺陷物品的物品的图像时，将非缺陷物品学习处理判定为不适当，并且可以容易地将信息返回至添加获取的图像之前的状态。从而可以避免错误地执行非缺陷物品学习处理的风险，以执行更符合实际的非缺陷/缺陷判定。

在第三、第八、和第十三方面中，获取了用于识别用户的识别信息，并且基于获取的识别信息仅显示其选择可被接受的物品，从而可以避免无条件地禁用非缺陷物品学习处理，以执行更符合实际的非缺陷/缺陷判定。

在第四、第九、和第十四方面中，在获取的识别信息表示管理员时可以接受对更新所存储的关于非缺陷物品学习处理的信息的选择，从而可以执行控制以使得可以仅在用户是管理员时更新关于非缺陷物品学习处理的信息。

在第五、第十、和第十五方面中，在获取的识别信息表示操作者时仅接受对将信息返回所存储的关于非缺陷物品学习处理的信息的选择，从而可以避免无条件地更新关于非缺陷物品学习处理的信息，从而不浪费之前的关于非缺陷物品学习处理的信息。

根据本发明，接受并存储了构成被看作非缺陷物品的各物品的一组图像的多个图像的输入，并基于所存储的所述多个图像设置了用于检测检查对象的缺陷部位的缺陷阈值和用于做出非缺陷/缺陷判定的判定阈值。预先存储了作为被判定为缺陷物品的物品的图像的缺陷物品图像，并在接受了通过对检查对象进行拍摄而新获取的图像的输入的情况下，利用包括其输入已被接受的图像在内的所存储的多个图像执行非缺陷物品学习处理，以至少重置缺陷阈值。基于重置的缺陷阈值重新检测缺陷部位，以基于设置的判定阈值判定所存储的缺陷物品图像是否是缺陷物品的图像，并显示非缺陷/缺陷判定结果。因此，当添加了新获取的图像并执行了附加学习时，可以检查缺陷物品图像是否是被错误判定为缺陷物品的物品的图像，并且用户可以目视检查用来执行非缺陷物品学习处理的设置参数和阈值是否合适。

附图说明

图1是示出包括根据本发明一个实施例的外观检查装置的产品检查系统的构造的示意图；

图2是示意性示出根据本发明实施例的外观检查装置的构造的框图；

图3是示出由根据本发明实施例的外观检查装置的主控制部件执行的针对各种参数的设置处理的过程的流程图；

图4是示出由根据本发明实施例的外观检查装置的主控制部件执行的非缺陷物品学习处理的过程的流程图；

图5是示出根据本发明实施例的外观检查装置的构造示例的功能框图；

图6是示出由根据本发明实施例的外观检查装置的主控制部件执行的对错误学习的图像数据的删除处理的过程的流程图；

图7是根据本发明实施例的外观检查装置中的非缺陷物品图像输入接受屏幕的示意性视图；

图8是示出存储在非缺陷物品图像数据存储部件中的非缺陷物品图像中任意像素的浓度值分布的示例性视图；

图9是根据本发明实施例的外观检查装置中非缺陷物品学习处理之后的非缺陷物品图像输入接受屏幕的示意性视图；

图10是在根据本发明实施例的外观检查装置中选择缺陷物品的图标的情况下的非缺陷物品图像输入接受屏幕的示意性视图；

图11是在根据本发明实施例的外观检查装置中选择另一缺陷物品的图标的情况下的非缺陷物品图像输入接受屏幕的示意性视图；

图12是在将用作位置调整标准的图像叠加并显示在其输入在根据本发明实施例的外观检查装置中已被接受的图像上的情况下的非缺陷物品图像输入接受屏幕的示例性视图；

图13是缺陷阈值和判定阈值未设置情况下的根据本发明实施例的外观检查装置中的阈值设置屏幕的示意性视图；

图14是根据本发明实施例的外观检查装置中的验证屏幕的示意性视图；

图15是根据本发明实施例的外观检查装置中的验证屏幕的示意性视图；

图16是根据本发明实施例的外观检查装置中的验证屏幕的示意性视图；

图17是根据本发明实施例的外观检查装置中的浓度值分布直方图的示意性视图；

图18是在根据本发明实施例的外观检查装置中利用箱线图测试是否存在异常值（outlier）情况下的说明视图；

图19是示出计算出的缺陷量的分布和判定阈值之间的关系的示意性视图；

图20是根据本发明实施例的外观检查装置中的非缺陷物品/缺陷物品判定屏幕的示例性视图；

图21是根据本发明实施例的外观检查装置中的非缺陷物品/缺陷物品判定屏幕的示例性视图；

图22是根据本发明实施例的外观检查装置中利用缺陷物品图像的验证屏幕的示例性视图；

图23是已经在根据本发明实施例的外观检查装置中适当进行了NG判定的情况下示出的消息的说明图；

图24A和图24B是已经在根据本发明实施例的外观检查装置中进行了错误判定的情况下示出的消息的示意性视图；

图25是示出由根据本发明实施例的外观检查装置的主控制部件进行的利用缺陷物品图像的验证处理的过程的流程图；

图26是在根据本发明实施例的外观检查装置中进行了非缺陷物品学习处理之后的非缺陷物品图像输入接受屏幕的示意性视图；

图27是在根据本发明实施例的外观检查装置中进行了非缺陷物品学习处理之后的结果显示屏幕的示例性视图；

图28是在根据本发明实施例的外观检查装置中进行了非缺陷物品学习处理之后的非缺陷物品图像输入接受屏幕的示意性视图；

图29是在根据本发明实施例的外观检查装置中进行了非缺陷物品学习处理之后的结果显示屏幕的示例性视图；

图30是根据本发明实施例的外观检查装置中用于检查非缺陷物品颜色的屏幕的示例性视图；以及

图31A和图31B是根据本发明实施例的外观检查装置中非缺陷物品颜色确定方法的说明示意图。

具体实施方式

下面将参照附图描述根据本发明一个实施例的外观检查装置。应该注意，对该实施例的描述中参考的全部附图中具有相同或相似构造或功能的元件提供相同或相似的参考标号，并省略其详细描述。

图1是示出包括根据本发明一个实施例的外观检查装置的产品检查系统的构造的示意性视图。如图1所示，包括根据本发明的外观检查装置的产品检查系统包括相机1和外观检查装置2，外观检查装置2和相机1以数据可通信方式通过连接电缆10相连接。外观检查装置2与显示装置（未示出）相连接，并容纳图像处理控制部件201和照明控制部件202。

此外，照明控制部件202与照明装置4以数据可通信方式通过连接电缆10相连接。照明装置4以光照射在传送带5上移动的检查对象6，并利用相机1拍摄检查对象6的图像。基于所拍摄的检查对象6的图像，外观检查装置2判定检查对象6是非缺陷物品还是缺陷物品。

相机1中包括用于执行图像处理的FPGA、DSP等，并且包括具有用于拍摄检查对象6的图像的成像元件的相机模块。CMOS基板被提供作为成像元件，并且例如，所拍摄的彩色图像被CMOS基板基于其扩展动态范围的转换特性转换成HDR图像。

多个检查对象6在传送带5的线路上流动。由设置在检查对象6上方（或下方或侧方）的相机1拍摄检查对象6的图像，并将拍摄的图像与标准图像（例如，拍摄的非缺陷物品的图像）相比较，以判定检查对象6中是否存在裂纹、缺陷等。当判定检查对象6中存在裂纹、缺陷等时，则做出NG判定。另一方面，当判定检查对象6中不存在裂纹、缺陷等时，则做出OK判定。以此方式，根据本发明的外观检查装置2利用检查对象6的拍摄图像对检查对象6做出非缺陷/缺陷判定。

此处，在对检查对象6进行外观检查的情况下，需要设置用于进行检查的各种参数。这些参数例如是用于设置成像条件的成像参数、用于设置照明条件的照明参数、和用于设置表明如何进行检查的检查条件的图像处理参数（检查参数）。在外观检查装置2中，所述这些各种参数在进行上述的非缺陷/缺陷判定之前被设置。简言之，外观检查装置2具有用于对检查对象6进行非缺陷/缺陷判定的操作模式（运行模式）和用于对用于进行检查的各种参数进行设置的设置模式（非运行模式），并且外观检查装置2具有用于切换这些模式的模式切换单元（未示出）。

在处于操作模式下对在传送带5的线路上流动的多个检查对象6重复进行非缺陷/缺陷判定之前，用户在设置模式下对各种参数设置（调整）最佳参数值。基本上，对各种参数设置默认值，并且当用户判定这些默认值最适合作为参数值时，则不需要调整这些参数值。

同时，可以根据检查对象6的种类或检查环境的变化来调整参数值。根据本实施例的外观检查装置2具有在处于设置模式下设置最佳参数值的情况下防止缺陷物品的图像混杂到用作设置判定阈值的标准的图像组中的功能。下文中，将详细描述根据本实施例的外观检查装置2的构造以及处理过程。

图2是示意性示出根据本发明实施例的外观检查装置2的构造的框图。如图2所示，根据本实施例的外观检查装置2与用于拍摄图像的相机1和用于显示拍摄图像或在运算处理过程中产生的图像的显示装置3相连接。

外观检查装置2至少包括CPU（中央处理单元）、由LS I等构成的主控制部件21、存储器22、存储单元23、输入单元24、输出单元25、通信单元26、辅助存储器27、和用于连接上述硬件的内部总线28。主控制部件21通过内部总线28与如上所述的外观检查装置2的每个硬件部件连接，并控制上述每个硬件部件的操作，同时根据存储在存储单元23中的计算机程序100执行各种基于软件的功能。存储器22包括诸如SRAM、SDRAM等的易失性存储器，并部署有在执行计算机程序100时的加载模块，并存储在执行计算机程序5时产生的临时数据等。

存储单元23包括内置固定类型的存储装置（硬盘、闪存）、ROM等。存储在存储单元23中的计算机程序100被辅助存储器27从记录有诸如程序和数据的信息的可移动记录介质90（诸如DVD、CD-ROM、或闪存）中下载，并且在执行时，计算机程序100被从存储单元23部署给存储器22，然后被执行。当然，其也可以是通过通信单元26从外部计算机下载的计算机程序。

存储单元23提供有非缺陷物品图像数据存储部件231，用于存储如下多个图像的图像数据，这些图像构成被看作非缺陷物品的物品的一组图像。虽然非缺陷物品图像数据存储部件231存储被看作非缺陷物品的物品的图像的图像数据，但是该数据还包括尽管是缺陷物品但却被用户错误地判定为非缺陷物品的物品的图像数据。即，存储了被用户判定为非缺陷物品（不管该物品是否是非缺陷物品）的物品的图像数据。换言之，要被存储到非缺陷物品图像数据存储部件231中的非缺陷物品图像数据被用户选择并输入作为构成被看作非缺陷物品的物品的该组图像的一个图像，该组图像用作设置判定阈值的标准。尤其对于执行下述非缺陷物品学习处理，用户利用显示装置3、输入单元24等来选择被用户判定为非缺陷物品图像的检查对象6的图像，并且多个所选图像的图像数据被存储到非缺陷物品图像数据存储部件231中。

通信单元26连接至内部总线28，并可以通过连接至诸如互联网、LAN或WAN的外部网络来向外部计算机发送数据以及从外部计算机接收数据等。即，前述存储单元23不限于容纳在外观检查装置2中的构造，而是存储单元23可以是安装在通过通信单元26连接的外部服务器计算机等中的诸如硬盘的外部记录介质。

输入单元24是广义的概念，其除了诸如键盘和鼠标的数据输入介质以外，还包括通常用于获取输入信息的装置，诸如与液晶面板等集成在一起的触摸板。输出单元25是指诸如激光打印机、点打印机等的打印装置。

相机1是具有CCD成像元件等的CCD相机。显示装置3是具有CRT、液晶面板等的显示装置。相机1、显示装置3等可以与外观检查装置2集成在一起，或与其分离。外部控制设备110是通过通信单元26连接的控制设备，并且例如PLC（可编程逻辑控制器）等相当于该设备。此处，外部控制设备110指的是通常根据外观检查装置2的检查结果执行后处理的设备。

图3是示出根据本发明实施例的外观检查装置2的主控制部件21执行的各种参数的设置处理的过程的流程图。根据本发明实施例的外观检查装置2具有对相机1进行拍摄所获取的图像进行各种图像处理的多个图像处理工具（其存储在存储单元23中）。基于检查所需的期望图像处理的描述，用户预先针对检查对象选择一个或多个图像处理工具，并利用所选的多个图像处理工具进行非缺陷/缺陷判定。典型的图像处理工具的示例包括：用于测量特定位置的面积的“面积”、用于检测模式的“模式搜索”、用于测量边缘位置的“边缘定位”、用于测量关于斑块的特征量的“斑块”、用于检测由于变化造成的裂纹的“裂纹”。在本实施例中，除了这些工具以外，“学习检查”作为用于通过学习多个非缺陷物品图像而自动定义非缺陷物品的范围、以检查“不是非缺陷物品”的物品的图像处理工具而存在。图3的流程图示出了在用户针对多个图像处理工具中的“学习检查”对设置模式进行各种设置的情况下的处理过程。

在图3中，外观检查装置2的主控制部件21对其输入已被接受的检查对象6的图像设置位置偏移校正模式（步骤S301）。具体地，对于其输入已被接受的检查对象6的图像的微小偏移，设置用作标准的图像模式允许调整其输入已被接受的检查对象6的图像的位置偏移。简言之，在显示有由相机1进行拍摄获得的图像、或预先存储在存储单元23中的标准图像（登记图像）的显示装置3的屏幕上，用户针对该图像中的特征区域设置“位置偏移校正窗口”。所设置的“位置偏移校正窗口”可以形成为任意形状，诸如矩形或圆形。

主控制部件21设置要检查的区域（步骤S302）。具体地，选择矩形区域或圆形区域允许设置将要检查其中是否存在缺陷的区域。即，用户对显示装置3的屏幕上的设置有“位置偏移校正窗口”的图像设置用于指定要检查是否存在缺陷的区域的“检查窗口”。此处，所设置的“检查窗口”和在步骤S301中设置的“位置偏移校正窗口”之间的相对位置关系被存储在存储单元23中。然后，在下述操作模式中，首先，从输入图像检测出特征区域作为检查对象，以检测“位置偏移校正窗口”的位置。然后，设置与“位置偏移校正窗口”处于所述相对位置关系的“检查窗口”的位置，以允许在“检查窗口”中检测是否存在缺陷。以此方式，在操作模式中利用在步骤S301和S302中设置的“位置偏移校正窗口”和“检查窗口”来指定检查是否存在缺陷的区域。

主控制部件21执行非缺陷物品学习处理（步骤S303）。具体地，如图4所示执行非缺陷物品学习处理。图4是示出由根据本发明实施例的外观检查装置2的主控制部件21执行的非缺陷物品学习处理（图3的步骤S303）的过程的流程图。

图4中，外观检查装置2的主控制部件21将被用户通过输入单元24选择作为非缺陷物品的多个图像的图像数据存储到非缺陷物品图像数据存储部件231中（步骤S401）。存储在非缺陷物品图像数据存储部件231中的多条图像数据成为被看作非缺陷物品的物品的一组图像。

接下来，从被看作非缺陷物品的物品的该组图像中删除实质上不应存储在非缺陷物品图像数据存储部件231中的图像，即删除可能会引起缺陷部位的检测精度劣化（缺陷阈值的错误设置）并由于错误学习而被混杂的图像（步骤S402）。通常，用户执行外观检查，并选择和删除已被判定为缺陷物品的物品的图像。然而，目视检查存储在非缺陷物品图像数据存储部件231中的全部图像是非常复杂的操作。因此，在根据本实施例的外观检查装置2中，自动删除本不应存储到非缺陷物品图像数据存储部件231中的图像。下面将参照图5和图6描述细节。

在通过步骤S402获得了更适合的图像组之后，可以自动重置用于进行非缺陷/缺陷判定的判定阈值（步骤S403）。例如，根据下面的过程执行用于计算判定阈值的方法。

主控制部件21基于已经在步骤S402中设置的缺陷阈值来针对存储在非缺陷物品图像数据存储部件231中的全部图像中的每一个来检测缺陷部位，并获取检测到的缺陷部位的浓度的频率分布来作为直方图。随后，主控制部件21通过统计处理计算新的缺陷阈值。

主控制部件21利用参数化技术（例如，Smirnov-Grubbs测试等）和非参数化技术（例如，利用箱线图的测试等）中的至少一种来自动计算最佳缺陷阈值，其中所述参数化技术以用作统计处理对象的浓度服从正态分布为前提，所述非参数化技术以该浓度不服从正态分布为前提。主控制部件21利用直方图针对检测到的缺陷部位中的每一个的缺陷量是否是异常值来进行测试。当找到明显的异常值时，自动计算能够删除找到的异常值的新的缺陷阈值。例如，可以将缺陷阈值设置为介于找到的异常值和除找到的异常值以外的部分的中值之间。

主控制部件21基于计算出的新的缺陷阈值重新针对前述的图像组（存储在非缺陷物品图像数据存储部件231中的全部图像中的每一个）检测缺陷部位，此后，基于检测到的缺陷部位的缺陷量计算并设置新的判定阈值。作为用于计算和设置判定阈值的技术，例如，可以将计算出的缺陷量的最大值或统计计算出的大于所述最大值的值设置为判定阈值，或者可以利用统计处理来执行针对每个检测到的缺陷部位的缺陷量是否是异常值的测试，以及可以将新的判定阈值计算并设置为使得从图像组删除其缺陷量被测试为异常值的图像。通过自动设置阈值，例如，可以更可靠地反映用户对仅具有轻微裂纹的检查对象6做出OK判定的意图。

返回图3，外观检查装置2的主控制部件21验证是否已经正确执行了非缺陷物品学习处理（步骤S304），并调整设置参数以使将非缺陷物品正确判定为非缺陷物品。具体地，对通过利用相机1拍摄进行测试的多个检查对象（非缺陷物品）6而获取的非缺陷物品图像或多个存储的非缺陷物品图像进行非缺陷/缺陷判定，并且用户手动调整设置参数以获得正确的结果。在对设置参数进行了最佳调整之后，主控制部件21存储调整后的设置参数（步骤S305），以完成设置模式。步骤S301至S305中示出的处理是所谓的关于设置模式的操作。

接下来，当用户通过输入单元24等选择了预定按钮（例如，操作按钮）时，模式从设置模式变换至操作模式，并启动对传动带5的线路上流动的检查对象6进行非缺陷/缺陷判定的操作（步骤S306）。更具体地，当从外部输入了表示检查对象6到达相机1下方的触发信号时，外观检查装置2拍摄检查对象6的图像，并利用在步骤S305中存储的设置参数进行非缺陷/缺陷判定。

此外，如上所述更具体地描述，首先从通过拍摄检查对象6获取的输入图像检测特征区域（见步骤S301），以检测“位置偏移校正窗口”的位置。然后，设置与“位置偏移校正窗口”处于相对位置关系的“检查窗口”的位置，以利用在步骤S305中存储的设置参数对“检查窗口”内的图像进行非缺陷/缺陷判定。

然而，由于本实施例中示出了仅将“学习检查”设置为图像处理工具的示例，因此当“学习检查”的缺陷量超过上限（判定阈值）时做出NG判定。与此相反，当设置了多个图像处理工具（诸如前述的“区域”和“裂纹”）时，可以在利用所设置的任一图像处理工具进行的处理变为NG时做出NG判定。

此外，尽管在本实施例中只有一个相机1连接至外观检查装置2，但是相机1的数量不限于一个，而是例如，可以连接多个相机1。在多个相机1连接至外观检查装置2的情况下，可以针对各相机1拍摄的输入图像中的每一个来预先设置前述的图像处理工具，并且当在外观检查中对从任一相机1输入的图像进行的外观检查结果是NG时可以做出NG判定。

此外，尽管在本实施例中未特别描述多个图像处理工具的执行顺序，但是例如可以创建其中设置了多个图像处理工具的处理顺序的流程图。简言之，当针对多个“检查窗口”中的每一个设置了图像处理工具时，用户能够在显示装置3上对多个所设置的图像处理工具进行设置。在此情况下，将其中设置了多个图像处理工具的处理顺序的程序存储到存储单元23中，并且主控制部件21根据所存储的程序执行该多个图像处理工具，并在利用任一图像处理工具进行的检查结果为NG时输出NG判定。

在图4所示的步骤S402的处理中，根据本发明实施例的外观检查装置2基于统计处理来删除本来是缺陷物品（用户期望看作缺陷物品）的图像但却被错误地存储为非缺陷物品图像的图像。图5是示出根据本发明实施例的外观检查装置2的构造示例的功能框图。在图5中，根据本实施例的外观检查装置2包括相机1、用于执行外观检查装置2的处理的图像处理部件7、存储单元23、和图像显示部件8。

相机1例如是数码相机，其通过拍摄例如作为检查对象6的薄膜表面而获取图像，并将图像输出至图像处理部件7。

图像处理部件7包括图像输入单元71、阈值设置单元72、缺陷物品图像存储单元73、阈值重置单元74、非缺陷/缺陷判定单元75、判定结果显示单元76、和备份单元77。此外，图像处理部件7被构造为包括主控制部件21、存储器22、外部I/F等，并且控制图像输入单元71、阈值设置单元72、缺陷物品图像存储单元73、阈值重置单元74、非缺陷/缺陷判定单元75、判定结果显示单元76、和备份单元77的处理操作。

存储单元23用作图像存储器并且在必要时存储由相机1进行拍摄而获取的图像的图像数据以及在图像处理部件7中进行了各种处理（诸如对准和平均值计算）后的图像数据。图像可以不存储为图像数据，而是可以存储为每个像素的亮度值数据。

图像显示部件8由诸如计算机监视器的显示装置3构成。图像显示部件8的信息显示单元81在显示装置3的显示屏幕上显示用作进行非缺陷/缺陷判定的对象的检查对象6的拍摄图像、和关于该对象是否是非缺陷物品的判定结果。即，当在显示装置3的显示屏幕上显示根据由图像处理部件7进行的指定的图像时，还在其上显示关于检查对象6是否是非缺陷物品的判定结果。当该图像是在判定结果中被错误判定为非缺陷物品的物品的图像时，选择接受单元82接受对是否将信息返回至所存储的关于非缺陷物品学习处理的信息的选择。识别信息获取单元83获取识别用户的识别信息。选择接受单元82可以仅在获取的识别信息表示是管理员而不是用户时接受选择来更新所存储的关于非缺陷物品学习处理的信息。

接下来，将描述图像处理部件7的每个构造。

图像输入单元71接受构成由相机1拍摄的图像组的多个图像、和被看作非缺陷物品的物品的图像的输入，并将这些图像存储到存储单元23的非缺陷物品图像数据存储部件231中。图像可以在输入的任何模式下进行输入。例如，通过利用相机1拍摄用于测试的多个检查对象6而获取的多个图像的图像数据可以存储在非缺陷物品图像数据存储部件231中。此外，在诸如照明环境的外部环境改变时可以利用相机1对用于进行测试的一个检查对象6的图像拍摄多次，多个获取的图像的图像数据可以存储在非缺陷物品图像数据存储部件231中。此外，可以允许多个检查对象6在传送带5的线路上流动，并可以利用相机1拍摄各检查对象6的图像，用户可以在多个获取的图像中选择应该被判定为非缺陷物品的物品的多个图像，并且所选图像的图像数据可以存入非缺陷物品图像数据存储部件231中。简言之，利用相机1进行拍摄而获取的多个图像的图像数据或由用户从相机1进行拍摄而获取的多个图像中选择的该多个图像的图像数据被存入非缺陷物品图像数据存储部件231中。预先存储被判定为非缺陷物品的物品的图像的多条图像数据允许将这些图像数据存储为用作用于设置进行非缺陷/缺陷判定的判定阈值的标准的图像组。关于其输入已被接受的每个图像的图像数据被存储到存储单元23的非缺陷物品图像数据存储部件231中。

图7是根据本发明实施例的外观检查装置2的非缺陷物品图像输入接受屏幕的示例性视图。如图7所示，利用相机1拍摄的检查对象6的图像（或由用户在多个已获取的图像中选择的一个图像）显示在图像显示区（主图像显示部件）41中。在非缺陷物品学习处理中，其可以显示为要被存储为非缺陷物品图像的图像候选。

在非缺陷物品学习结果显示区（非缺陷物品学习结果显示部件）42中，针对在该阶段存储为非缺陷物品图像的每个图像显示一个图标。图7中，显示了标记“□”。当选择了“添加”按钮43时，接受正显示在图像显示区41中的图像的输入。其输入已被接受的图像被存入非缺陷物品图像数据存储部件231中作为非缺陷物品图像。

接下来，当选择了“学习非缺陷物品图像”按钮44时，执行图4的步骤S402所述的处理（和步骤S403所示的处理）。

返回图5，阈值设置单元72设置缺陷阈值。具体地，基于其输入已被接受的图像的图像数据和/或被存储为非缺陷物品图像数据存储部件231中的非缺陷物品图像的非缺陷物品图像，计算平均图像和标准差图像。然后假设利用每个像素浓度值的平均值μ和浓度值的标准差σ来使浓度正态分布。图8是示出存储在非缺陷物品图像数据存储部件231中的非缺陷物品图像中任意像素的浓度值的分布的示例性视图。水平轴表示浓度值（通常为0至255的整数值），竖轴表示频率。例如，当存在30个非缺陷物品图像时，总频率为30。

如图8所示，浓度是正态分布的，并且在本实施例中，以浓度值的平均值μ为中心，(μ-3σ)和(μ+3σ)各自被看作用于检测缺陷部位的缺陷阈值的初始值。即，对于任意像素，当检查对象6的图像的浓度值位于从(μ-3σ)到(μ+3σ)的范围内时，将该像素判定为不是缺陷像素（图8中的“○”标记）。另一方面，对于任意像素，当检查对象6的图像的浓度值不位于从(μ-3σ)到(μ+3σ)的范围内时，将该像素判定为缺陷像素（图8中的“×”标记）。对于除了上述以外的所有像素，判定这些像素中的每一个是否是缺陷像素。无需说，用于检测缺陷部位的缺陷阈值是可改变的，并且可以通过阈值设置单元72来改变（调整）设置。此外，尽管在本实施例中针对每个像素设置了缺陷阈值，但是本发明不限于此，例如，可以针对由多个像素组成的区域（例如，4×4像素的矩形区域）设置缺陷阈值。在此情况下，例如，是否将4×4像素的矩形区域检测为缺陷部位根据该区域中具有最大浓度值的像素的浓度值是否超过缺陷阈值来确定。

此处，利用缺陷量计算单元（未示出）计算存储在非缺陷物品图像数据存储部件231中的每个非缺陷物品图像数据的缺陷量。具体地，将被判定为缺陷像素的各像素的差分浓度值的总和（浓度积分值）（从存储在非缺陷物品图像数据存储部件231中的一条图像数据像素值减去平均图像的图像数据的像素值而获得的各个值的绝对值，即，与浓度值的平均值μ的分离程度）计算为缺陷量。从而，例如，当有30条非缺陷物品图像数据时，计算30个缺陷量。

此外，尽管本实施例中计算了被判定为缺陷像素的像素的差分浓度值的总和作为缺陷量，但是还可以考虑除了该方法以外的各种计算方法。例如，可以计算作为在图3的步骤S302中已被设置的待检查区域中检测到的斑块（由多个缺陷像素组成的区域）的浓度体积（concentration volume）的总和。即，待检查区域中其浓度值大于缺陷阈值的连续区域被看作斑块，并将缺陷量计算为对该斑块中包含的差分浓度值求和得到的浓度积分值。在利用差分浓度值的情况下，在宽范围内延伸但具有低浓度的部位不太可能被检测为缺陷部位。在本实施例中，可以利用浓度积分值可靠地检测缺陷部位。

此外，可以不使用浓度积分值，而是可以简单地将被判定为缺陷像素的各像素的浓度值总和或者被检测为缺陷部位的斑块的浓度值总和计算为缺陷量。被判定为缺陷像素的各像素的浓度值中的最大浓度值可以被看作缺陷量。简言之，只要缺陷量是可以与用于对检查对象6进行非缺陷/缺陷判定的判定阈值进行比较的数字值，该缺陷量就可以是表示与缺陷阈值的分离程度的缺陷浓度值，或者可以是表示超过缺陷阈值的像素或斑块面积的缺陷面积、或者可以是通过将缺陷浓度值乘以缺陷面积而得到的缺陷浓度体积。

此外，异常值测试单元（未示出）通过统计处理测试计算出的每个缺陷量是否是异常值。为了测试异常值，可以利用参数化技术和非参数化技术中的至少一种，其中所述参数化技术以用作统计处理对象的缺陷量服从例如正态分布之类的概率分布为前提，所述非参数化技术以缺陷量不服从正态分布为前提。在本实施例中，使用了这两种技术。即，在参数化技术中被测试为异常值、并且在非参数化技术中也被测试为异常值的缺陷量被看作异常值。这可以防止不管缺陷量是否服从正态分布而将不是异常值的值错误地测试为异常值。下面将描述参数化技术和非参数化技术的细节。

结果，由于显示并输出了用于指定其缺陷量已被测试为异常值的图像的异常值信息，因此用户能够容易地判定在被看成用作判定阈值的标准的非缺陷物品的物品的一组图像中是否留下被所显示的异常值信息指定的图像（即，可能是缺陷物品的检查对象6的图像）（是否将该图像保留在非缺陷物品图像数据存储部件231中）。尽管在本实施例中将异常值信息显示在显示装置3上，但是可替换的，异常值信息可以显示在诸如PLC的外部设备中。

图6是示出由根据本发明实施例的外观检查装置2的主控制部件21执行的对错误学习的图像数据进行的删除处理（图4的步骤S402）的过程的流程图。在图6中，外观检查装置2的主控制部件21设置用于检测缺陷部位的阈值（步骤S601）。

主控制部件21基于设置的缺陷阈值计算缺陷量（步骤S602）。具体地，计算被确定为缺陷像素的各像素的差分浓度值的总和（浓度积分值）（从存储在非缺陷物品图像数据存储部件231中的一条图像数据的像素值减去平均图像的图像数据的像素值而获得的各个值的绝对值，即，与浓度值的平均值μ的分离程度）作为缺陷量。

主控制部件21利用统计处理测试计算出的每个缺陷量是否是异常值（步骤S603）。在本实施例中，使用了参数化技术和非参数化技术两者，在参数化技术中被测试为异常值而且在非参数化技术中也被测试为异常值的缺陷量被看作异常值。

主控制部件21显示并输出用于指定其缺陷量已经被测试为异常值的图像的异常值信息（步骤S604）。

图像输入单元71接受利用相机1进行拍摄而获取的关于被判定为非缺陷物品的非缺陷物品的多个图像的输入，并存储这些图像。即，预先存储被判定为非缺陷物品的各物品的多个图像允许计算非缺陷/缺陷判定的阈值。关于其输入已被接受的被判定为非缺陷物品的物品的每个图像的图像数据被存储到存储单元23的非缺陷物品图像数据存储部件231中。

图9是在根据本发明实施例的外观检查装置2中进行了非缺陷物品学习处理之后的非缺陷物品图像输入接受屏幕的示例性视图。如图9所示，在本实施例中，在图像显示区域41中显示计算出的平均图像。此外，在非缺陷物品学习结果显示区域42中，与其缺陷量已经被测试为不是异常值的图像对应的“□”标记的图标的显示颜色改变，而与其缺陷量已经被测试为异常值的图像对应的“□”标记的图标以“×”标记显示。如上所述，清楚地显示了其缺陷量已经被测试为异常值的图像，从而允许用户指定和删除造成检测缺陷部位的精度劣化的图像。尽管在本实施例中根据下面的图10中描述的过程来自动删除图像，但是其缺陷量已经被测试为异常值的图像可以从非缺陷物品图像数据存储部件231中手动删除。

图10是在根据本发明实施例的外观检查装置2中选择缺陷物品的图标的情况下的非缺陷物品图像输入接受屏幕的示意性视图。如图10所示，当选择了非缺陷物品学习结果显示区域42中的“×”标记图标421时，在图像显示区域41中显示对应于图标421的图像。同时，将原因显示区域（原因显示部件）45显示为弹出屏幕，并且将表示已经“识别为缺陷物品”的消息显示为显示“×”标记的原因。

此外，与“×”标记图标421对应的图像的图像数据被从非缺陷物品图像数据存储部件231中自动删除。这允许从用于设置判定阈值的被看作非缺陷物品图像的一组图像中删除如图10所示缺陷物品的图像的图像数据，该图像数据已经混杂在非缺陷物品图像数据存储部件231中。尽管在本实施例中以这样的方式执行自动删除，但是可以例如显示弹出屏幕等，并且可以允许用户选择是否从非缺陷物品图像数据存储部件231中删除图像数据。

此外，图11是在根据本发明实施例的外观检查装置2中选择另一缺陷物品的图标的情况下的非缺陷物品图像输入接受屏幕的示意性视图。如图11所示，当选择了非缺陷物品学习结果显示区域42中的“×”标记图标422时，在图像显示区域41中显示对应于图标422的图像。图11中，该图像偏离图像显示区域41。同时，将原因显示区域45显示为弹出屏幕，并且将表示“测量区域偏离屏幕”的消息显示为显示“×”标记图标422的原因。

此外，类似于图10，与“×”标记图标422对应的图像的图像数据被从非缺陷物品图像数据存储部件231中自动删除。这允许从用于设置判定阈值的被看作非缺陷物品的物品的一组图像中删除如图11所示被判定为缺陷物品的物品的图像的图像数据，该图像数据已经混杂在非缺陷物品图像数据存储部件231中。尽管在本实施例中以这样的方式执行自动删除，但是可以例如显示弹出屏幕等，并且可以允许用户选择是否从非缺陷物品图像数据存储部件231中删除图像数据。

当在图像输入单元71中接受了构成被看作非缺陷物品的各物品的一组图像的多个图像的输入时，可以将用作位置调整的标准的图像叠加并显示在其输入已被接受的图像上。图12是在将用作位置调整标准的图像叠加在其输入在根据本发明实施例的外观检查装置2中已被接受的图像上的情况下的非缺陷物品图像输入接受屏幕的示例性视图。

如图12所示，在图像显示区域41中，显示了用作用于位置调整的标准的图像，并且其输入已被接受的图像与用作用于位置调整的标准的图像相叠加并显示。从而可以目视检查其输入已被接受的图像相对于用作用于位置调整的标准的图像的位置偏移程度，以更可靠地执行位置偏移的校正。尽管在本实施例中在图像显示区域41中显示了用作用于位置调整的标准的图像，但是例如可以显示该组非缺陷物品图像的平均图像。

返回图5，阈值设置单元72还设置缺陷量的上限作为对检查对象6进行非缺陷/缺陷判定的判定阈值。具体地，设置超过已经基于非缺陷物品图像计算的缺陷量上限的值允许将非缺陷物品可靠地判定为非缺陷物品。此处，将缺陷量计算为通过对图像中的其浓度值大于阈值的连续区域（即，斑块）中包含的差分浓度值求和而得到的浓度积分值。

图13是在未设置缺陷阈值和判定阈值的情况下根据本发明实施例的外观检查装置2中的阈值设置屏幕的示例性视图。如图13所示，阈值设置区域101提供有缺陷阈值设置区域102和上限设置区域103，缺陷阈值设置区域102用于设置用于检测缺陷的缺陷阈值，上限设置区域103用于将检测量的上限设置为判定阈值。图13所示的“检测阈值”指的是示出将被加到缺陷阈值μ±3σ中的3σ部分中的固定偏移量的值。例如，当“检测阈值”被设置为“10”时，缺陷阈值被设置为μ±(3σ+10)。此外，图13中所示的“判定缺陷量上限”是用于对检查对象6进行非缺陷/缺陷判定的判定阈值。例如，在将“判定缺陷量上限”设置为“100”的情况下，当由缺陷量计算单元计算出的缺陷量不大于“100”时做出OK判定，而在由缺陷量计算单元计算出的缺陷量大于“100”时做出NG判定。在图13的示例中，将“判定缺陷量上限”设置为“0”，从而在由缺陷量计算单元计算出的缺陷量不小于“1”时做出NG判定。即，尽管在图13的图像显示区域41中显示了缺陷部位105，但是不管该缺陷部位105的量如何都做出NG判定。此外，在缺陷量显示区域（缺陷量显示部件）104中，显示由缺陷量计算单元计算出的缺陷量。

图14是根据本发明实施例的外观检查装置2中的验证屏幕的示例性视图。如图14所示，当在缺陷阈值设置区域102和上限设置区域103中设置了缺陷阈值和判定阈值时，仅在图像显示区域41中显示非缺陷物品图像而不显示缺陷部位105，因此做出OK判定。

此外，在缺陷物品图像的情况下，将缺陷量的上限调整为判定阈值，因此可以清楚地显示缺陷部位在哪。图15是根据本发明实施例的外观检查装置2中的验证屏幕的示例性视图。

如图15所示，当未在缺陷阈值设置区域102和上限设置区域103中设置缺陷阈值和判定阈值时，在图像显示区域41中还针对缺陷物品图像显示缺陷部位105。此外，在缺陷量显示区域104中，显示计算出的缺陷量。相应地，可以通过改变（更新）缺陷阈值（检测阈值）的设置来切换曲线部位105的显示/不显示。

图16是根据本发明实施例的外观检查装置2中的验证屏幕的示例性视图。如图16所示，当在缺陷阈值设置区域102和上限设置区域103中设置了缺陷阈值和判定阈值时，在图像显示区域41中针对缺陷物品图像显示缺陷部位105，因此做出NG判定。然而，不显示其浓度不大于设置的缺陷阈值的缺陷部位。因此可以目视检查缺陷部位在哪儿，同时删除不大于缺陷阈值且非缺陷部位的噪声成分。

返回图3，缺陷物品图像存储单元73将作为被判定为缺陷物品的物品的图像的缺陷物品图像存储到存储单元23的缺陷物品图像数据存储部件232中。所存储的缺陷物品图像被用于检查缺陷物品图像是否是被无误地判定为缺陷物品的物品的图像。

基于存储在非缺陷物品图像数据存储部件231中的、作为包括其输入被新近接受的图像的图像数据在内的的非缺陷物品图像的非缺陷物品图像数据，阈值设置单元74重新计算平均图像和标准差图像，以重新计算缺陷阈值。缺陷阈值重置单元74还统计地重新计算缺陷量的上限值作为对检查对象6进行非缺陷/缺陷判定的判定阈值。

当接受了通过拍摄检查对象6而新获取的图像的输入时，非缺陷/缺陷判定单元75基于已被阈值设置单元72重置的用于检测缺陷部位的缺陷阈值重新检测缺陷部位，其中阈值设置单元72利用包括其输入已被接受的图像多个存储图像进行非缺陷物品学习处理，并且非缺陷/缺陷判定单元75判定所存储的缺陷物品图像是否是缺陷物品的图像。

具体地，基于设置的缺陷阈值，检测被判定为非缺陷物品的各物品的多个图像中每一个的缺陷部位，被存储的图像包括新获取的图像。在本实施例中，基于缺陷阈值的初始值执行缺陷部位的第一检测。基于自动设置的缺陷阈值执行缺陷部位的第二或随后检测。将缺陷量计算为通过将图像中除了检测到的缺陷部位以外的其浓度值大于缺陷阈值的连续区域（斑块）中包含的差分浓度值进行求和而得到的浓度积分值。由于缺陷量被计算为斑块中包含的浓度积分值，因此即使缺陷的缺陷量小于缺陷阈值但是在更宽的范围内延伸时，也可以将其检测为缺陷部位。

为了计算用于检测缺陷的检测阈值，首先，利用设置的缺陷阈值检测多个缺陷部位，并针对多个缺陷部位中的每一个获取浓度值的直方图。此处，斑块中的最大浓度值被看作每个斑块的浓度值。图17是根据本发明实施例的外观检查装置2中的浓度值的直方图的示例性视图。

在图17的示例中，水平轴表示0至255的浓度值，垂直轴表示具有各浓度值的斑块的数量。除了缺陷外的由于噪声等造成的斑块具有小的浓度值。因此，将缺陷阈值141设置为缺陷阈值可以防止将由于噪声等造成的斑块检测为缺陷部位。对于浓度，获取了斑块的面积的分布并且采用相似的统计处理来针对面积设置阈值，从而还允许删除噪声成分。

缺陷阈值141被基于统计处理计算出来。在本实施例中，采用了Smirnov-Grubbs测试作为参数化技术，该技术以用作统计处理对象的浓度值服从正态分布为前提，并且采用了利用箱线图的测试作为非参数化技术，该技术以缺陷量不服从正态分布为前提。当然，本发明不限于使用正态分布，而是可以使用诸如t-分布、χ2-分布、泊松分布、或二项式分布之类的概率分布。在本实施例中，使用了参数化技术和非参数化技术二者。

在Smirnov-Grubbs技术中，将浓度值X的平均值取作

，其最大值为Xi，且其标准差为σ，从统计表获得与α%的显著水平对应的显著点t，以利用（等式1）中的第三公式计算阈值Xi。

[数学公式1]

$\left\{\begin{array}{c}{T}_i\≥t\\ T_i=\frac{X_i-\stackrel{\‾}{X}}{\mathrm{\σ}}\end{array}\right.$

$\stackrel{\‾}{X}+\mathrm{\σt}\≤X_i$                        （等式1）

通过（等式1）计算出的阈值Xi被自动设置在缺陷阈值设置区域102中，并且通过对其输入已被接受的图像再次进行外观检查，可以检查自动设置的阈值是否适合。

此外，当浓度值X不服从正态分布时，利用箱线图计算缺陷阈值。当缺陷部位的数量为N（N为自然数）时，获得从最小浓度值开始的第N/4个浓度值相对应的浓度值作为第一四分位点（25%点），并且获得与第3N/4个浓度值对应的浓度值作为第三四分位点（75%点）。然后，计算IQR（四分位距）作为第三四分位点（75%点）和第一四分位点（25%点）之间的差。

箱线图是指这样的图表：其以“箱”形状显示从第一四分位点（25%点）到第三四分位点（75%点）的范围，其中缺陷量X的中值位于该范围的中间，并以“线（whisker）”的形状显示从第一四分位点（25%点）和第三四分位点（75%点）分别到上限阈值和下限阈值的范围。图18是在根据本发明实施例的外观检查装置2中利用箱线图测试是否存在异常值情况下的说明视图。

如图18所示，在以“箱”形状示出了其中浓度值X的中值151位于其间的从第一四分位点（25%点）152到第三四分位点（75%点）153的范围。例如，利用将上限阈值154取作（第三四分位点+3×IQR）和将下限阈值155取作（第一四分位点-3×IQR），以“线”形状各自以虚线显示从第三四分位点153到上限阈值154的范围和从下限阈值155到第一四分位点152的范围。当然，与IQR相乘的系数不限于“3”，而可以是在更严格条件下执行测试的“1.5”，或可以根据缺陷部位的标准而改变。当值小于下限阈值155或大于上限阈值154时，例如，可以将异常值156检测为缺陷部位。

在本实施例中，仅可执行仅将具有大浓度值的斑块判定为缺陷部位的一侧测试，因此可以将上限阈值154（第三四分点+3×IQR）计算为缺陷阈值。

基于计算出的缺陷阈值，重新检测每个存储图像的缺陷部位，以计算重新检测的缺陷部位的缺陷量。具体地，将被判定为缺陷像素的各像素的差分浓度的总和（浓度积分值）（从存储在非缺陷物品图像数据存储部件231中的一条图像数据的像素值减去平均图像的图像数据的像素值而获得的各个值的绝对值，即，与浓度值的平均值μ的分离程度）计算为缺陷量。从而，例如，当有30条非缺陷物品图像数据时，计算30个缺陷量。

尽管在本实施例中将被判定为缺陷像素的各像素的差分浓度的总和计算为缺陷量，但是可以考虑各种其他的计算方法。例如，可以计算为在已在图3的步骤S302中设置的待检查区域中检测到的斑块（由多个缺陷像素构成的区域）的浓度体积的总和。即，待检查区域中的其浓度值大于缺陷阈值的连续区域被识别为斑块，并且将缺陷量计算为通过将该斑块中包含的各差分浓度值求和得到的浓度积分值。在利用差分浓度值的情况中，在宽范围内扩展但具有低浓度的部位不太可能被检测为缺陷部位。在本实施例中，这样的缺陷部位可以利用浓度积分值来可靠地检测到。

此外，可以不使用浓度积分值，而是可以简单地将被判定为缺陷像素的各像素的浓度值总和或者被检测为缺陷部位的斑块的浓度值总和计算为缺陷量。被判定为缺陷像素的各像素的浓度值中的最大浓度值可以被看作缺陷量。简言之，只要缺陷量是可以与用于对检查对象6进行非缺陷/缺陷判定的判定阈值进行比较的数字值，该缺陷量就可以是表示与缺陷阈值的分离程度的缺陷浓度值，或者可以是表示超过缺陷阈值的像素或斑块面积的缺陷面积、或者可以是通过将缺陷浓度值乘以缺陷面积而得到的缺陷浓度体积。

然后获取缺陷部位的浓度值的频率分布，以通过统计处理利用获取的频率分布重新计算新的判定阈值。图19是示出计算出的缺陷量和判定阈值之间的关系的示例性视图。如图19所示，针对每个非缺陷物品图像计算缺陷量，并将计算出的缺陷量的最大值或大于最大值的统计计算值161设置为判定阈值，从而允许被存储为非缺陷物品的图像中的物品都被判定为非缺陷物品。

以与缺陷阈值相似的方式计算判定阈值。首先，获取各自针对每个非缺陷物品图像计算的缺陷量的直方图。在Smirnov-Grubbs技术中，将缺陷量Y的平均值取作，其最大值取作Yi，其标准差取作σ，从统计表获得与α%的显著水平对应的显著点t，以利用（等式2）的第三公式计算阈值Yi。

[数学公式2]

$\left\{\begin{array}{c}{T}_i\≥t\\ T_i=\frac{Y_i-\stackrel{\‾}{Y}}{\mathrm{\σ}}\end{array}\right.$

$\stackrel{\‾}{Y}+\mathrm{\σt}\≤Y_i$ （等式2）

利用（等式2）计算出的上限制Yi被自动设置为上限设置区域103中的判定阈值，并且通过对其输入新近被接受的图像再次进行外观检查，可以检查自动设置的判定阈值是否合适。

此外，当缺陷量Y不服从正态分布时，利用箱线图计算判定阈值。当缺陷部位的数量为N（N为自然数）时，获得与从最小缺陷量开始的第N/4个缺陷量相对应的缺陷量作为第一四分位点（25%点），并且获得与第3N/4个缺陷量对应的缺陷量作为第三四分位点（75%点）。然后，计算IQR（四分位距）作为第三四分位点（75%点）和第一四分位点（25%点）之间的差。

在本实施例中，由于执行仅将具有大缺陷量的图像判定为缺陷物品的一侧测试就满足需要了，因此可以将上限阈值（第三四分点+3×IQR）计算为判定阈值。

如上所述，尽管在本实施例中统计计算了新的判定阈值，但是本发明不限于此，并且当未在图19所示的频率分布中计算出诸如作为异常值的缺陷量之类的缺陷量时，可以将图19所示的频率分布中的缺陷量的最大值设置为判定阈值。此外，可以与缺陷量的最大值保持固定裕量，并且可以将比缺陷量的最大值大预定量的缺陷量设置为判定阈值。简言之，基于获取的缺陷量的频率分布，可以计算和设置新的判定阈值。

利用缺陷物品图像来验证如此重新计算出的缺陷阈值和判定阈值是否合适。首先，顺序地显示存储在缺陷物品图像数据存储部件232中的缺陷物品图像，并接受关于这些图像中的物品是否真的是缺陷物品的输入。具体地，当在操作模式下对检查对象6执行外观检查时，对检查对象6的一些图像做出NG判定。用户在显示装置3上目视检查被判定为NG的物品的多个图像，并将这些图像分类为无任何问题地被判定为NG的物品的图像，以及期望添加到关于非缺陷物品的图像组（学习数据）的图像（即，出于已经由于噪声而做出了NG判定的原因、或一些其他原因，从而期望附加学习的图像）。下文中，将描述对期望附加学习的图像进行显示的屏幕的示例。

图20和图21是根据本发明实施例的外观检查装置2中的非缺陷物品/缺陷物品判定屏幕的示例性视图。在模式从操作模式变换为设置模式后，在显示装置3上向用户提供图20和图21所示的屏幕示例作为实用屏幕。当用户选择了显示在显示装置3上的诸如“验证NG物品”按钮的按钮，例如，在显示装置3上显示如上所述被判定为NG的物品的多个图像。显示模式没有特别限制，并且可以通过用户操作逐一显示各图像，或可以以缩略图形式列出并显示各图像。

图20示出了在操作模式下被判定为NG的物品但用户期望看作非缺陷物品的图像的情况。在此情况下，在判定输入屏幕171中针对图像显示区域41中显示的图像而接受对“非缺陷物品”按钮的选择，从而允许将与缺陷物品图像混杂的非缺陷物品图像存储为非缺陷物品的图像。即，图像显示区域41中显示的图像被附加存储到非缺陷物品图像数据存储部件231中，从而允许进行附加学习。

图21示出了存在在操作模式（或设置模式）下被判定为NG的物品但用户期望看作缺陷物品的图像的情况。在判定输入屏幕171中针对显示的缺陷物品图像接受了“NG物品”按钮的选择，从而将该图像看作缺陷物品的图像并将其从非缺陷物品学习处理的目标中删除。即，在图像显示区域41中显示的图像不被附加地存储到非缺陷物品图像数据存储部件231中，从而允许从附加学习目标中删除该图像。

于是，在本实施例中，当接受了对“非缺陷物品”的选择时，自动执行非缺陷物品学习处理。即，主控制部件21执行前述的非缺陷物品学习处理作为附加学习，该附加学习包括添加至非缺陷物品图像的图像。然而，为了避免由于附加学习导致本应被判定为缺陷物品但被判定为非缺陷物品的物品图像的情形、或者避免其中图像进入用户不期望的状态并且不能被恢复为其原始状态的情形，图5所示的备份单元77在附加学习之前将关于非缺陷物品学习处理的信息作为备份存储到存储单元23中。关于非缺陷物品学习处理的信息的示例可以包括关于在非缺陷物品学习处理中使用的图像的信息、计算出的缺陷阈值、和判定阈值（缺陷量的上限）（统称为学习数据）。

尽管在本实施例中备份单元77将学习数据作为备份文件存储到存储单元23中，例如，可使用非易失性存储器等作为存储单元23，然而，学习数据中诸如缺陷阈值之类的数据被部署给诸如RAM的易失性存储器。从而，关于学习处理的信息总是被存储在非易失性存储器中。从而，存储在非易失性存储器中的数据保持预备学习状态，这消除了进行创建备份文件的处理的需要。

此外，可以将各种类型的信息看作“关于学习处理的信息”。例如，（1）当假设非缺陷物品图像的10条图像数据在附加学习之前被存储在非缺陷物品图像数据存储部件231中时，上述信息可以是非缺陷物品图像的10条图像数据。在此情况下，当数据成为附加处理后用户不期望的学习数据时，可以利用该10条图像数据重新计算每个像素的平均值和根据标准差的缺陷阈值，从而使数据返回其原状态。

然而，存储器的使用量随着非缺陷物品图像数量的增加而变大。因此，例如，（2）通过添加10个缺陷物品图像的各像素的像素值而获得的像素值的总数P可以针对每个像素来计算，同时通过添加全部10个非缺陷物品图像的浓度值中的每一个的平方而获得的值Q可以针对每个像素来计算，并且可以将非缺陷物品图像的数量（10）、总数P和值Q看作“关于学习处理的信息”。在此情况下，当附加学习后数据变成用户不期望的学习数据时，可以将总数为P的像素中每个像素的浓度值除以10来计算每个像素的平均值，同时可以利用总数P和值Q针对每个像素计算标准差，从而将数据返回至其原始状态。

当每次执行前述恢复处理时，会出现进行运算处理需要相当多的时间的情况。因此，例如，（3）可以预先根据10条图像数据计算平均值和标准差（μ±3σ），即缺陷阈值，并且其可以被看作“关于学习处理的信息”。在此情况下，当数据在附加学习后变为用户不期望的学习数据时，利用预先存储的缺陷阈值使数据返回其原始状态。

简言之，“关于学习处理的信息”是用于计算存储在非缺陷物品图像数据存储部件231中的多个图像数据的每个像素的平均值和标准差的信息。和在前述（2）和（3）中一样，非缺陷物品图像的数量（10）、总数P、值Q、和从10条图像数据得到的缺陷阈值优选地被看作“关于学习处理的信息”。

返回图5，判定结果显示单元76显示已在操作模式下判定为NG、但用户期望看作非缺陷物品的物品的图像，如图20所示。在本实施例中，显示了用于检查在执行了上述附加学习之后是否由于附加学习而没有对本应被判定为缺陷物品的图像做出错误判定（OK判定）。图22是在根据本发明实施例的外观检查装置2中利用缺陷物品图像的验证屏幕的示例性视图。

如图22所示，在图像显示区域41中显示了在图20中附加学习的任何图像，并接受对“执行验证”按钮191的选择。当接受了对“执行验证”按钮191的选择时，利用通过附加学习更新了的缺陷阈值和判定阈值进行非缺陷/缺陷判定。尽管在图像显示区域41中显示了图20中附加学习的任何图像，但是可以利用缩略图图像等列出和显示所有的附加学习的图像。此外，在本实施例中，在图20中重复一次或一次以上的附加学习后，显示图22中所示的验证屏幕，但是本发明不限于此。例如，在图20中，可以在每次执行附加学习时显示图22所示的验证屏幕，以利用缺陷物品图像执行验证。

当成功执行了利用缺陷物品图像的验证时，即，当作为利用通过附加学习新设置的缺陷阈值和判定阈值对缺陷物品图像进行非缺陷/缺陷判定的结果如图适当地做出了NG判定时，显示表示该判定的消息。图23是已经在根据本发明实施例的外观检查装置2中适当做出了NG判定的情况下示出的消息的说明图。如图23所示，显示并输出了表示通过附加学习重置的缺陷阈值、判定阈值等已为适当的消息。

另一方面，当未成功执行利用缺陷物品图像的验证时，即，当作为利用通过附加学习新设置的缺陷阈值和判定阈值对缺陷物品图像进行非缺陷/缺陷判定的结果而做出了OK判定（错误判定）时，显示并输出表示判定的消息。图24A和图24B是已经在根据本发明实施例的外观检查装置2中进行了错误判定的情况下示出的消息的示意性视图。

如图24A和图24B所示，在错误判定的情况下有两种消息。如图24A所示，当用户是管理员时，显示了由图5所示的备份单元77将数据返回所存储的学习数据的“后退”按钮211，和可以继续处理而不将数据返回至附加学习前的状态的“继续”按钮212（选择接受单元82）。当接受了对“后退”按钮211的选择时，读出存储在存储单元23中的学习数据，并且数据可以返回至不包括此时显示的图像的情况下执行非缺陷物品学习处理的状态，即，在图20所示的屏幕上执行附加学习之前的状态。

另一方面，当接受了对“继续”按钮212的选择时，继续进行处理而不将数据返回至附加学习前的状态。在此方式中，考虑了当用户是管理员时可以通过更新其他参数的设置等解决其中已临时做出了错误判定的当前状态，因此可以接受对“后退”按钮211或“继续”按钮212的选择。

当用户是图24B所示的操作者时，用于操作者无权更新其他参数等的设置，因此可以执行与强制按下“后退”按钮211时执行的操作相似的操作（即，将数据返回至附加学习之前的状态的操作），并且将缺陷阈值更新为这样的缺陷阈值：由于操作者无意地附加学习造成通过该缺陷阈值将本应被判定为缺陷物品的物品的图像判定为非缺陷物品。如上所述，根据识别信息判定用户是管理员还是操作者，从而改变在显示利用缺陷物品图像的验证的结果时可以执行的操作。简言之，根据本实施例的外观检查装置2获取多条不同识别信息，并在允许关于是否将状态返回附加学习之前的状态进行选择（见图24A）和将状态强制返回至附加学习之前的状态之间对状态进行切换和显示。

基于关于用户的识别信息来判定操作用户是管理员还是普通用户。即，通过预先将用户信息与识别信息相关联地存储到存储单元23中，并通过登录操作等获取关于用户的识别信息（识别信息获取单元83），在用户是管理员时可以接受对更新所存储学习数据的选择。

图25是示出由根据本发明实施例的外观检查装置2的主控制部件21进行的利用缺陷物品图像的验证处理的过程的流程图.

如图25所示，外观检查装置2的主控制部件21将附加学习之前状态下的学习数据作为备份存储到存储单元23中（步骤S2501）。当然，如上所述，当使用非易失性存储器等时不必执行该备份处理。

接下来，在操作模式或设置模式下执行非缺陷/缺陷判定，并且在（存储在存储单元23中的）被判定为NG的物品的图像中，用户通过显示装置3等选择作为用户期望看作非缺陷物品的物品的图像的图像（非缺陷物品图像）。即，主控制部件21从用户接受对作为期望被看作非缺陷物品的物品的图像的图像的选择（步骤S2502）。其选择已被接受的图像被存储到非缺陷物品图像数据存储部件231中。步骤S2502的处理和步骤S2501的处理的顺序可以反过来。即，接受对作为期望被看作非缺陷物品的物品的图像的图像的选择（步骤S2502），并且例如，在用户选择了图20所示的“下一个”按钮时，可以执行备份处理（步骤S2501）,随后执行附加学习（步骤S2503）。

主控制部件21执行包括其选择已被接受的图像在内的附加学习（步骤S2503），并更新用于检测缺陷的缺陷阈值和进行非缺陷/缺陷判定的判定阈值（缺陷量的上限）（步骤S2504）。换言之，利用存储在非缺陷物品图像数据存储部件231中并且其选择已在步骤S2502中被接受的图像（在操作模式中被判定为NG的物品的图像），执行非缺陷物品学习处理，以至少更新缺陷阈值。尽管在本实施例中也通过自动设置阈值（图4的步骤S403）更新了判定阈值，但是可以仅更新缺陷阈值。主控制部件21基于更新的缺陷阈值和判定阈值利用缺陷物品图像进行验证（步骤S2505）。更具体地，主控制部件21读出存储在缺陷物品图像数据存储部件232中的缺陷物品图像，并利用在步骤S2504中更新的缺陷阈值和判定阈值对缺陷物品图像进行非缺陷/缺陷判定。简言之，基于在步骤S2504中更新（重置）的缺陷阈值重新检测缺陷部位，并且基于预先设置的判定阈值对从缺陷物品图像数据存储部件232读出的缺陷物品图像做出非缺陷/缺陷判定。

主控制部件21判定是否已经对缺陷物品图像做出了NG判定（步骤S2506）。当主控制部件21判定已经对缺陷物品图像做出了NG判定（步骤S2506：是）时，主控制部件21判定该附加学习是适当的，并且将执行附加学习后的学习数据存储到存储单元23中（步骤S2507）。

当主控制部件21判定已经对缺陷物品图像做出了OK判定（步骤S2506：否）时，主控制部件21判定该附加学习是不适当的，并且将数据返回至在执行附加学习之前作为备份存储在存储单元23中的学习数据（步骤S2508），并且结束处理。在本实施例中，如图24A所示，当用户是管理员时，可以选择是将数据返回至附加学习之前的状态还是继续进行处理。另一方面，如图24B所示，当用户是操作者时，仅接受对将数据返回至执行附加学习之前的状态的操作的选择。简言之，基于存储在存储单元23中的用于识别用户的识别信息等，改变接受选择的显示模式。换言之，多个不同的显示模式预先存储在存储单元23中，并且主控制部件21根据获取的识别信息选择一个显示模式，以在显示装置3上显示该模式。根据获取的识别信息，改变用户可接受的选择内容。从而可以避免操作者错误地执行非缺陷物品学习处理的风险，以及进一步防止了判定精度的劣化。

如上所述，根据本实施例，当利用新获取的被包括在内的图像执行附加学习时，可以检查缺陷物品图像是否是被无误地判定为缺陷物品的物品的图像。因此，用户可以目视检查已被用来执行非缺陷物品学习处理的设置参数、缺陷阈值和判定阈值是否是合适的，即，是否即使本来应该被判定为缺陷物品的物品的图像也未被错误地判定为非缺陷物品。

应该注意，构成缺陷阈值的标准差σ的幅值可以显示为变化程度。图26是根据本发明实施例的外观检查装置2中非缺陷物品学习处理之后的非缺陷物品图像输入接受屏幕的示意性视图。在图26中，在图像显示区域41中显示了标准差图像。在标准差图像中，优选的通过色调的变化来表达灰度级的变化。这是因为可以目视检查出例如由于色调的变化造成判定精度劣化的边界部位的缺陷等。尽管此处色调发生了变化，但是例如色调和色度可以同时变化。

此外，已经进行了只有缺陷部位的显示。然而，在仅显示缺陷部位的情况中，存在着不清楚检查对象6的哪个部位已经出现缺陷的问题。因此，例如在出现缺陷的情况下，对缺陷部位上色而使其它部位变灰，然后进行显示。

图27是针对根据本发明实施例的外观检查装置2中非缺陷物品学习处理之后的显示屏幕的示例性视图。如图27所示，在图像显示区域41中显示了具有检测到的缺陷部位的缺陷物品图像。在此情况下，例如以红色改变并显示缺陷部位的颜色，同时以灰色显示其它部位，从而用户可以容易地目视检查出检查对象6的哪个部位出现了缺陷。

此外，可以预先存储平均图像的预定区域的形状，并且在接受了非缺陷物品图像的输入时，可以从其输入已经被接受的图像中检测平均图像的预定区域的形状。当预定区域的形状不能被检测到时，可能会错误地设置检查对象6中被检查的区域，从而判定精度显著劣化。相应地，检测预定区域的形状可以防止判定精度的劣化。

图28是根据本发明实施例的外观检查装置2中在非缺陷物品学习处理之后的非缺陷物品图像输入接受屏幕的示意性视图。在图像显示区域41中，显示了平均图像。在图28的示例中，当接受了构成被看作非缺陷物品的各物品的一组图像的多个图像的输入时，显示叠加在平均图像上以允许计算平均图像的区域，即，被所有非缺陷物品图像公用的区域281（叠加了所有非缺陷物品图像的区域）。在除了上述区域以外的区域282中，不能计算出平均图像，因此不能执行非缺陷物品学习处理。

即，由于位置偏移而存在未被包括在所有非缺陷物品图像中的区域282，从而当这样的区域282的面积较大时，判定精度显著劣化。因此，区域281、282叠加并显示在平均图像上，从而允许用户目视检查不能计算出平均图像的区域282的存在，以防止判定精度的劣化。

此外，图29是针对根据本发明实施例的外观检查装置2中非缺陷物品学习处理结果的显示屏幕的另一示例性视图。在图29的示例中，显示了除区域281以外的被所有非缺陷物品图像共用的区域282（所有非缺陷物品图像叠加在一起的区域），其本质上最好不被显示。在此情况下，执行诸如改变区域282的显示的设计，从而可以目视检查其中不能计算出平均图像的区域在要检查的区域中的包含情况，并且将平均图像放大等以防止显示区域282，从而可以将要检查的区域重置为不包括区域282。

此外，通过显示颜色的变化，可以目视检查什么颜色已经被判定为非缺陷物品的颜色。图30是根据本发明实施例的外观检查装置2中用于检查非缺陷物品颜色的屏幕的示例性视图。

如图30所示，选择了在图像显示区域41中进行了颜色显示的平均图像上的一个点。假设在图30中已经选择了“+”点301。当选择了“+”点301时，“+”点301的非缺陷物品颜色显示在非缺陷物品颜色显示区域（非缺陷物品颜色显示部分）302中。目视检查显示在非缺陷物品颜色显示区域302中的颜色可以便于检查非缺陷物品颜色中是否包含缺陷部位的颜色，以验证是否已经正确执行了非缺陷物品学习处理。

非缺陷物品颜色被从Mahalanobis颜色空间映射到二维颜色空间。图31A和图31B是根据本发明实施例的外观检查装置2中非缺陷物品颜色确定方法的示例性示意图。图31A是Mahalanobis颜色空间的示例性视图。取图31A所示的R轴、G轴和B轴，并且在各轴向上分配了从-3σ到3σ的参数。

图31B是示出这些参数与屏幕上显示的颜色的对应关系的示意图。R轴被映射到图31B的水平轴上，B轴被映射到通过沿垂直方向分成七段而得到的每一段上，并且G轴被映射到垂直轴上，从而二维地显示利用R轴、G轴和B轴三维获得的Mahalanobis空间的延展。图31B中显示的颜色灰度级显示在非缺陷物品颜色显示区域302中。尽管Mahalanobis空间的长方体的各个轴平行于R轴、G轴和B轴，但是它们不必平行。

应该注意，本发明不限于上述实施例，而且只要在本发明的主旨的范围内就可以进行各种改变、改进等。例如，相机1、显示装置3等可以与外观检查装置2集成在一起，或可以与其分离。

Claims (10)

1.一种外观检查装置，其将通过对检查对象进行拍摄而获取的图像与被看作非缺陷物品的各物品的一组图像进行比较，以进行非缺陷/缺陷判定，所述外观检查装置包括：

图像输入单元，其用于接受构成被看作非缺陷物品的各物品的一组图像的多个图像的输入，以存储这些图像；

阈值设置单元，其用于基于所存储的所述多个图像来设置用于检测检查对象的缺陷部位的缺陷阈值和用于做出非缺陷/缺陷判定的判定阈值；

缺陷物品图像存储单元，其用于存储缺陷物品图像，所述缺陷物品图像为被判定为缺陷物品的物品的图像；

阈值设置单元，其用于在接受了通过对检查对象进行拍摄而新获取的图像的输入的情况下，利用包括其输入已被接受的图像在内的所存储的多个图像来执行非缺陷物品学习处理，以至少重置缺陷阈值；

非缺陷/缺陷判定单元，其用于基于重置的缺陷阈值重新检测缺陷部位，以基于设置的判定阈值判定所存储的缺陷物品图像是否是缺陷物品的图像；以及

判定结果显示单元，其用于显示非缺陷/缺陷判定结果。

2.根据权利要求1所述的外观检查装置，包括：

备份单元，其用于将关于非缺陷物品学习处理的信息存储为备份；以及

选择接受单元，其用于在判定结果中做出了所存储的缺陷物品图像是非缺陷物品的图像的错误判定时，接受关于是否将信息返回至所存储的关于非缺陷物品学习处理的信息的选择。

3.根据权利要求2所述的外观检查装置，包括：

识别信息获取单元，其用于获取用于识别用户的识别信息，其中，

所述选择接受单元基于获取的识别信息仅显示其选择可被接受的物品。

4.根据权利要求3所述的外观检查装置，其中所述选择接受单元在获取的识别信息表示管理员时接受对更新所存储的关于非缺陷物品学习处理的信息的选择。

5.根据权利要求3所述的外观检查装置，其中所述选择接受单元在获取的识别信息表示操作者时仅接受对将信息返回至所存储的关于非缺陷物品学习处理的信息的选择。

6.一种由外观检查装置执行的外观检查方法，所述外观检查装置将通过对检查对象进行拍摄而获取的图像与被看作非缺陷物品的各物品的一组图像进行比较，以进行非缺陷/缺陷判定，所述外观检查方法包括以下步骤：

接受构成被看作非缺陷物品的各物品的一组图像的多个图像的输入，以存储这些图像；

基于所存储的所述多个图像，设置用于检测检查对象的缺陷部位的缺陷阈值和用于做出非缺陷/缺陷判定的判定阈值；

存储作为被判定为缺陷物品的物品的图像的缺陷物品图像；

在接受了通过对检查对象进行拍摄而新获取的图像的输入的情况下，利用包括其输入已被接受的图像在内的所存储的多个图像来执行非缺陷物品学习处理，以至少重置缺陷阈值；

基于重置的缺陷阈值重新检测缺陷部位，以基于设置的判定阈值判定所存储的缺陷物品图像是否是缺陷物品的图像；以及

显示非缺陷/缺陷判定结果。

7.根据权利要求6所述的外观检查方法，包括以下步骤：

将关于非缺陷物品学习处理的信息存储为备份；以及

在判定结果中做出了所存储的缺陷物品图像是非缺陷物品的图像的错误判定时，接受关于是否将信息返回至所存储的关于非缺陷物品学习处理的信息的选择。

8.根据权利要求7所述的外观检查方法，包括以下步骤：

获取用于识别用户的识别信息，其中，

基于获取的识别信息仅显示其选择可被接受的物品。

9.根据权利要求8所述的外观检查方法，其中在获取的识别信息表明管理员时接受对更新所存储的关于非缺陷物品学习处理的信息的选择。

10.根据权利要求8所述的外观检查方法，其中在获取的识别信息表明操作者时仅接受对将信息返回所存储的关于非缺陷物品学习处理的信息的选择。

Images