CN115461611A - 外观检查用照明装置、外观检查装置以及泡罩包装机 - Google Patents

外观检查用照明装置、外观检查装置以及泡罩包装机 Download PDF

Info

Publication number
CN115461611A
CN115461611A CN202180029583.9A CN202180029583A CN115461611A CN 115461611 A CN115461611 A CN 115461611A CN 202180029583 A CN202180029583 A CN 202180029583A CN 115461611 A CN115461611 A CN 115461611A
Authority
CN
China
Prior art keywords
illumination
image data
inspection
neural network
unit
Prior art date
Legal status (The legal status 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 status listed.)
Pending
Application number
CN202180029583.9A
Other languages
English (en)
Inventor
平野正德
胁田隆司
神户聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CKD Corp
Original Assignee
CKD Corp
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 CKD Corp filed Critical CKD Corp
Publication of CN115461611A publication Critical patent/CN115461611A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G01N21/9508—Capsules; Tablets
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
    • B65B9/00—Enclosing successive articles, or quantities of material, e.g. liquids or semiliquids, in flat, folded, or tubular webs of flexible sheet material; Subdividing filled flexible tubes to form packages
    • B65B9/02—Enclosing successive articles, or quantities of material between opposed webs
    • B65B9/04—Enclosing successive articles, or quantities of material between opposed webs one or both webs being formed with pockets for the reception of the articles, or of the quantities of material
    • B65B9/045—Enclosing successive articles, or quantities of material between opposed webs one or both webs being formed with pockets for the reception of the articles, or of the quantities of material for single articles, e.g. tablets
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
    • B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
    • B65B61/00—Auxiliary devices, not otherwise provided for, for operating on sheets, blanks, webs, binding material, containers or packages
    • B65B61/04—Auxiliary devices, not otherwise provided for, for operating on sheets, blanks, webs, binding material, containers or packages for severing webs, or for separating joined packages
    • B65B61/06—Auxiliary devices, not otherwise provided for, for operating on sheets, blanks, webs, binding material, containers or packages for severing webs, or for separating joined packages by cutting
    • B65B61/065—Auxiliary devices, not otherwise provided for, for operating on sheets, blanks, webs, binding material, containers or packages for severing webs, or for separating joined packages by cutting by punching out
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8809—Adjustment for highlighting flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8806—Specially adapted optical and illumination features
    • G01N2021/8812—Diffuse illumination, e.g. "sky"
    • G01N2021/8816—Diffuse illumination, e.g. "sky" by using multiple sources, e.g. LEDs
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2201/00—Features of devices classified in G01N21/00
    • G01N2201/06—Illumination; Optics
    • G01N2201/061—Sources
    • G01N2201/06146—Multisources for homogeneisation, as well sequential as simultaneous operation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Textile Engineering (AREA)
  • Mechanical Engineering (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

提供一种外观检查用照明装置、外观检查装置以及泡罩包装机，其中，当执行对象物的外观检查时，可以谋求检查效率和检查精度的显著提高等。外观检查装置(45)包括能够照射光的照明单元(52)、能够对照射该光后的PTP片进行摄像的照相机单元(53)、以及控制装置(54)。控制装置(54)存储神经网络，该神经网络已经学习了调光参数值与图像数据之间的相关关系，该图像数据可以通过对由多个照明面板(L1～L15)照明的PTP片的图像进行摄像来获取，该多个照明面板(L1～L15)用于以与调光参数值相对应的照明等级进行发光。此外，将在将调光参数值输入到神经网络中之后输出的预测图像数据与理想图像数据进行比较，然后使用基于它们之间的误差反向传播，指定最佳调光参数值，基于该最佳调光参数值进行各照明面板(L1～L15)的每一个的照明亮度调整。

Description

外观检查用照明装置、外观检查装置以及泡罩包装机
技术领域
本发明涉及用于对象物的外观检查的外观检查用照明装置和外观检查装置、以及具备它们的泡罩包装机。
背景技术
一般而言，作为成为进行外观检查的对象物的泡罩包装体的一种，已知有PTP片。PTP片由透明树脂制的容器膜与铝制的罩面膜构成，该容器膜形成有收纳比如片剂等的内容物的袋部，该罩面膜按照密封袋部的开口侧的方式安装于该容器膜上。
该PTP片经由一边运送带状的容器膜，一边使袋部成形的工序、将内容物填充于该袋部中的工序、按照密封该袋部的开口侧的方式在容器膜上安装罩面膜的工序、从安装该两个膜而成的带状体冲裁作为最终产品的PTP片的工序等制造。
在PTP片的制造时，必须检查例如作为包装材料的片材部中的异物附着或密封不合格、内容物中的异物附着或缺损/裂痕的有无等的成为产品不合格的各种外观异常。
在这样的外观异常的检查中，一般使用外观检查用照明装置，对对象物照射光，基于通过照相机对其进行摄像而得到的图像数据，进行对象物所包含的规定的检查对象(例如片剂、片材部)的好坏判断。
此时，为了在进行检查时获取适当的图像数据，要求以适当的照明状态照射对象物。
比如，如果对象物为冲裁后的PTP片，则要求在透明树脂制的多个袋部、填充于其内部的片剂等的内容物、构成背景的铝制罩面膜等的由复杂的形状、多样的原材料构成的PTP片整体中，按照不产生反光(例如袋部表面的反光)、暗部(例如内容物的阴影部)的方式，没有深浅不一而以均匀的亮度照射PTP片整体，并且增大检查对象部位(例如片剂)和非对象部位(例如片材部)的明暗差等。
与此相对，在外观检查用照明装置中，存在以能够从多个方向对对象物照射光的方式具有多个照明部的外观检查用照明装置(例如参照专利文献1)。在过去，在这样的外观检查用照明装置中，为了以理想的照明状态照射对象物，需要事先调整多个照明部各自的亮度，进行使作为装置整体的照明状态最佳化的照明调整作业。
现有技术文献
专利文献
专利文献1：JP特开2006－118951号公报
发明内容
发明要解决的课题
然而，过去的照明调整作业是由熟练的作业者通过手工作业来进行，具有作业效率差，进而招致检查效率的降低的问题。
例如，作业者进行了使多个照明部中的任一个变亮、使任一个变暗等的使多个照明部的亮度等级(例如256级灰度)一个一个地变化，在该变化后的照明状态下对对象物进行摄像，一边在显示装置上确认由此得到的图像数据，一边使其接近最佳的照明状态这样的非常费事的作业。
因此，即使是熟练作业者，在短时间内从能够由多个照明部生成的庞大的组合模式的照明状态中找出最佳检查的照明状态也是非常困难的。
并且，在由人进行的照明调整作业中，由于依赖于该人的经验或感觉引起的偏差、该人能够感知的水平的极限等因素，具有检查精度不稳定的问题。
此外，将照明调整作业依赖于一部分熟练作业者具有产生时间上、场所上的制约，使便利性、通用性降低的问题。
另外，上述课题不一定限于PTP包装(泡罩包装)的领域，在其他领域的外观检查中也是固有的。
本发明是鉴于上述情况完成的，本发明的目的在于提供一种在进行对象物的外观检查时，能够谋求检查效率、检查精度的显著的提高的外观检查用照明装置、外观检查装置以及泡罩包装机。
用于解决课题的技术方案
以下，对适于解决上述课题的各技术方案分项进行说明。此外，根据需要对对应的技术方案附加记载特有的作用效果。
技术方案1.涉及一种外观检查用照明装置，该外观检查用照明装置具有能分别进行亮度调整的多个照明部，能在由该多个照明部生成的规定的照明状态下对对象物进行照明，其特征在于，该外观检查用照明装置包括：
网络存储机构，该网络存储机构存储有神经网络，该神经网络学习了等级信息与图像数据之间的相关关系，上述等级信息与上述多个照明部各自的亮度等级(发光亮度等级)相对应，上述图像数据能够在下述场合取得，该场合为，对由分别以该等级信息相对应的亮度等级发光的上述多个照明部作出的照明状态下所照明的上述对象物进行摄像；
比较机构，该比较机构能对预测图像数据和/或从该预测图像数据获得的关联信息(例如规定范围的各像素的亮度平均值等)、或实际图像数据和/或从该实际图像数据获得的关联信息与目标图像数据和/或从该目标图像数据或得的关联信息进行比较，并计算其误差，其中，该预测图像数据是将与上述多个照明部分别相对应的上述等级信息输入到上述神经网络而输出的上述图像数据；该实际图像数据是对上述对象物进行摄像而取得的图像数据，该对象物由分别与上述等级信息相对应的亮度等级发光的上述多个照明部作出的照明状态下所照明；上述目标图像数据作为下述图像数据而准备，该图像数据能够在对构成目标的照明状态下所照明的上述对象物进行摄像的情况下取得；
等级指定机构，该等级指定机构至少直到由上述比较机构计算出的误差成为规定的阈值以下为止，通过误差反向传播而反复进行与上述多个照明部各自相对应的上述等级信息的更新，可指定适合于上述多个照明部各自的上述等级信息；
照明控制机构，该照明控制机构至少基于由上述等级指定机构分别指定的上述等级信息，进行上述多个照明部各自的亮度调整，由此可控制由该多个照明部作出的照明状态。
按照上述技术方案1，通过利用神经网络和其误差反向传播，能够从通过可分别进行亮度调整的多个照明部产生的庞大的组合模式的照明状态中，在比较短的时间内通过外观检查自动地找出、作出最佳的照明状态。其结果是，能够谋求检查效率的显著的提高。
此外，还能够识别人无法感知的程度的微妙的照明状态的差异(但是，有可能对检查结果造成影响的程度的差异)，作出更佳的照明状态。其结果是，能够谋求检查精度的显著的提高。
另外，不依赖于作业者的经验、感觉，能够再现性良好地发现、作出更佳的照明状态。其结果是，能够不受时间、场所的制约地谋求便利性、通用性的提高。
技术方案2.涉及技术方案1所述的外观检查用照明装置，其特征在于，该外观检查用照明装置包括学习机构，该学习机构针对上述相关关系而进行上述神经网络的学习(例如通过误差反向传播法进行)。
按照上述技术方案2，与存储有在外部进行了学习的学习完毕的神经网络的情况相比，能够进行考虑了每个照明装置的个体差异的神经网络的学习，神经网络能够针对每个照明装置进行更适当的处理。其结果是，能够在各照明装置中作出更佳的照明状态，谋求检查精度的进一步提高。
技术方案3.涉及技术方案2所述的外观检查用照明装置，其特征在于，交替或并行地进行：由上述等级确定机构进行的上述等级信息的更新和由上述学习机构进行的上述神经网络的学习。
按照上述技术方案3，即使在因照明部(光源)的劣化等引起的照明状态的变化等的于现实世界中条件发生变化的情况下，也能够追随该变化，谋求检查精度的进一步提高。
技术方案4.涉及技术方案1至3中任一项所述的外观检查用照明装置，其特征在于，该外观检查用照明装置用于泡罩包装体(例如PTP片)的制造，该泡罩包装体通过在形成于容器膜上的袋部中收纳规定的内容物(例如片剂)，以封闭上述袋部的方式在上述容器膜上安装罩面膜而成。
按照上述技术方案4，可用于构成泡罩包装体的包装材料(容器膜、罩面膜)或其内容物的外观异常的检查，可进行更适当的好坏判断。
技术方案5.涉及一种外观检查装置，其特征在于，该外观检查装置包括技术方案1至4中任一项所述的外观检查用照明装置。
作为更具体的外观检查装置的结构，可举出以下那样的结构。
“一种外观检查装置，其特征在于，该外观检查装置包括：
技术方案1至4中任一项所述的外观检查用照明装置；
摄像机构，该摄像机构能够对由上述外观检查用照明装置照明的对象物进行摄像；以及
检查机构，该检查机构可基于由上述摄像机构所获取的图像数据，执行上述对象物所包含的规定的检查对象的外观检查。”
技术方案6.涉及一种泡罩包装机，其特征在于，该泡罩包装机包括技术方案5所述的外观检查装置。
像上述技术方案6那样，通过将上述外观检查装置设置于泡罩包装机(例如PTP包装机)中，产生在泡罩包装体(例如PTP片)的制造过程中，可有效地排除不合格品等的优点。另外，泡罩包装机也可以为具有排出机构的结构，该排出机构排出通过上述外观检查装置判断为不合格的泡罩包装体。
作为更具体的泡罩包装机的结构，可列举如下构成。
“一种泡罩包装机(例如PTP包装机)，该泡罩包装机用于制造泡罩包装体(例如PTP片)，该泡罩包装体是在形成于容器膜上的袋部中收纳内容物，以封闭该袋部的方式安装罩面膜而成的，其特征在于，该泡罩包装机包括：
袋部形成机构，该袋部形成机构在呈带状运送的上述容器膜上形成上述袋部；
填充机构，该填充机构将上述内容物填充于上述袋部中；
安装机构，该安装机构在上述内容物填充于上述袋部中的上述容器膜上，按照封闭上述袋部的方式安装带状的上述罩面膜；
切分机构(包括以片为单位进行冲裁的冲裁机构)，该切分机构从在上述容器膜上安装有上述罩面膜的带状体(带状的PTP膜)切分上述PTP片；以及
技术方案5所述的外观检查装置。”
另外，还可为下述方案，其中，针对上述方案，上述外观检查装置设置于“通过填充机构，将内容物填充于袋部中的后工序，并且通过安装机构，安装罩面膜的前工序”中。在该场合，可在从容器膜的袋开口侧，没有遮挡内容物、容器膜的部件的状态，进行内容物、容器膜的检查，可提高它们的检查的精度。
此外，也可为将上述外观检查装置配置于“通过安装机构安装罩面膜的后工序且通过切分机构切分泡罩包装体的前工序”的结构。在该情况下，能够在不更换内容物的状态下执行内容物的检查，或者执行密封不合格、异物附着等的片材部的检查，能够提高这些检查的精度。
还有，也可为将上述外观检查装置配置于“通过切分机构切分泡罩包装体的后工序”的结构。在该情况下，能够在最终阶段确认是否混合有不合格品。
附图说明
图1的(a)为表示PTP片的立体图，图1的(b)为表示PTP膜的立体图；
图2为PTP片的袋部的局部放大剖视图；
图3为表示PTP包装机的概况结构的模式图；
图4为表示外观检查装置的功能结构的方框图；
图5为示意性地表示照明单元及摄像单元的概况结构的局部剖面侧视图；
图6为示意性地表示照明单元及摄像单元的概况结构的局部剖面主视图；
图7为表示照明面板的概况结构的平面示意图；
图8为用于说明神经网络的结构的示意图；
图9为表示神经网络的学习处理的流程的流程图；
图10为用于说明神经网络的学习处理的流程的方框图；
图11为表示照明状态的最佳化处理的流程的流程图；
图12为用于说明照明状态的最佳化处理的流程的方框图；
图13为表示检查处理的流程的流程图；
图14为表示第2实施方式的学习/最佳化处理的流程的流程图；
图15为用于说明第2实施方式的学习/最佳化处理的流程的方框图。
具体实施方式
[第1实施方式]
以下，参照附图而对一个实施方式进行说明。首先，对作为泡罩包装体的PTP片的结构进行详细说明。
像图1、图2所示的那样，PTP片1包括容器膜3与罩面膜4，该容器膜3具有多个袋部2，该罩面膜4按照封闭袋部2的方式安装于容器膜3上。
本实施方式的容器膜3由比如PP(聚丙烯)、PVC(聚氯乙烯)等的较硬质的具有规定的刚性的透明的热塑性树脂材料形成，具有透光性。另一方面，罩面膜4由例如在其表面上设置有由聚丙烯树脂等构成的密封剂的不透明材料(例如铝箔等)构成。
另外，PTP片1形成为俯视大致矩形形状。在PTP片1中，由沿其长边方向，隔开规定间隔而排列的5个袋部2构成的袋列在其短边方向隔开规定间隔而形成2列。即，PTP片1包括共计10个袋部2。在各袋部2中，各收纳一个作为内容物的片剂5。
PTP片1(参照图1的(a))通过将由带状的容器膜3和带状的罩面膜4形成的带状的PTP膜6(参照图1的(b))冲裁成片状而制造。
接着，参照图3，对作为制造PTP片1的泡罩包装机的PTP包装机10的概况结构进行说明。
像图3所示的那样，在PTP包装机10的最上游侧，带状的容器膜3的坯料呈卷状卷绕。
呈卷状卷绕的容器膜3的拉出端侧导向于导向辊13。容器膜3在导向辊13的下游侧，挂装于间歇运送辊14上。间歇运送辊14与间歇地旋转的马达连接，间歇地运送容器膜3。
在导向辊13与间歇运送辊14之间，沿着容器膜3的运送通路，依次设置加热装置15和袋部形成装置16。接着，通过加热装置15，对容器膜3进行加热，在该容器膜3变得比较柔软的状态，通过袋部形成装置16，在容器膜3的规定位置，形成多个袋部2(袋部形成工序)。通过加热装置15和袋部形成装置16，构成本实施方式的袋部形成机构。袋部2的形成在间歇运送辊14的容器膜3的运送动作之间的间隔中进行。
从间歇运送辊14送出的容器膜3按照张紧辊18、导向辊19及膜支承辊20的顺序挂装。由于膜支承辊20与进行一定旋转的马达连接，故连续地且以一定速度运送容器膜3。
张紧辊18处于将容器膜3向因弹性力而张紧的一侧拉伸的状态，防止因上述间歇运送辊14和膜支承辊20的运送动作的不同引起的容器膜3的挠曲，将容器膜3始终保持于张紧状态。
在导向辊19与膜支承辊20之间，沿着容器膜3的运送路径，配设有片剂填充装置21。片剂填充装置21具有作为将片剂5自动地填充于袋部2中的填充机构的功能。片剂填充装置21与膜支承辊20的容器膜3的运送动作同步，每隔规定间隔而打开开闭器，由此使片剂5落下，伴随该开闭器开放动作，将片剂5填充于各袋部2中(填充工序)。
另一方面，呈带状形成的罩面膜4的坯料独立于容器膜3，在最上游侧呈卷状卷绕。
呈卷状卷绕的罩面膜4的拉出端被导向到导向辊24，被导向到加热辊25一侧。加热辊25可压接于上述膜支承辊20上，在两个辊20、25之间送入容器膜3和罩面膜4。
另外，容器膜3和罩面膜4以加热压接状态而从两个辊20、25之间通过，由此，罩面膜4贴附于容器膜3上，袋部2通过罩面膜4而封闭(安装工序)。由此，制造片剂5填充于各袋部2中的作为带状体的PTP膜6。在加热辊25的表面上形成有密封用的网眼状的微细的凸条，通过其强力地压接，从而实现牢固的密封。由膜支承辊20及加热辊25构成本实施方式中的安装机构。
从膜支承辊20送出的PTP膜6依次挂装于张紧辊27及间歇运送辊28上。由于间歇运送辊28与间歇地旋转的马达连接，故间歇地运送PTP膜6。张紧辊27处于将PTP膜6向因弹力而张紧的一侧拉伸的状态，防止因上述膜支承辊20和间歇运送辊28的运送动作的不同而导致的PTP膜6的挠曲，将PTP膜6始终保持于张紧状态。
从间歇进给辊28送出的PTP膜6依次挂装于张紧辊31及间歇进给辊32上。由于间歇进给辊32与间歇地旋转的马达连接，故间歇地运送PTP膜6。张紧辊31处于将PTP膜6向因弹性力而张紧的一侧拉伸的状态，防止上述间歇运送辊28、32之间的PTP膜6的挠曲。
在间歇运送辊28与张力辊31之间，沿着PTP膜6的运送路径，依次配设有狭缝形成装置33及刻印装置34。狭缝形成装置33具有在PTP膜6的规定位置处形成切分用狭缝(省略图示)的功能。另外，刻印装置34具有在PTP膜6的规定位置处赋予刻印(省略图示)的功能。
从间歇运送辊32送出的PTP膜6在其下游侧，依次挂装于张紧辊35和连续运送辊36上。在间歇进给辊32与张紧辊35之间，沿着PTP膜6的运送通路，设置片冲裁装置37。片冲裁装置37具有作为将PTP膜6以PTP片一单位冲裁其外缘的片冲裁机构(切分机构)的功能。
通过片冲裁装置37冲裁的PTP片1通过输送机39运送，暂时贮存于完成品用料斗40中(切分工序)。另外，在这里，PTP片1按照其长边方向沿输送机宽度方向(X方向)的方式，并且其短边方向沿片运送方向(Y方向)的方式，在袋部2朝上的状态，放置于输送机39上而运送(参照图5的6等)。
在输送机39的上方位置处配置有外观检查装置45。外观检查装置45检查片剂5的外观异常，比如异物或污垢的附着、缺损或裂痕的有无、印刷不合格等。外观检查装置45的详细情况将在后面描述。
另外，在这里，在通过外观检查装置45判断为不合格品的场合，判断为该不合格品的PTP片1不送往完成品用料斗40，而通过作为在图中未示出的排出机构的不合格品片排出机构另外地排出。
在上述连续运送辊36的下游侧配设有裁剪装置41。而且，构成基于片冲裁装置37进行的冲裁后呈带状残留的剩余材料部(废料部)的不需要膜部42在引导至上述张紧辊35及连续进给辊36之后，引导至裁剪装置41。此外，上述连续运送辊36压接有从动辊，一边夹持上述不要膜部42，一边进行运送动作。在裁剪装置41中，具有将不需要膜部42裁剪成规定尺寸并进行废料处理的功能。该废料在储存于废料用料斗43之后，另外进行废弃处理。
此外，上述各辊14、20、28、31、32等处于其辊表面与袋部2相对的位置关系，但是，由于在间歇进给辊14等的表面上形成收纳袋部2的凹部，故袋部2不会压扁。另外，通过袋部2一边收纳于间歇进给辊14等的各凹部中，一边进行进给动作，确实地进行间歇进给动作、连续进给动作。
PTP包装机10的概况如上所述，以下，参照附图而对上述外观检查装置45的结构进行详细的说明。图4为表示外观检查装置45的功能结构的方框图。
外观检查装置45包括可对输送机39上的PTP片1照射光的照明单元52、可对照射该光的PTP片1进行摄像的照相机单元53、以及可进行以该两个单元52、53的驱动控制为代表的各种装置的驱动控制、图像处理、运算处理等的控制装置54。
在这里，由照明单元52及其控制所涉及的控制装置54的各种功能部构成本实施方式中的外观检查用照明装置。即，本实施方式所涉及的外观检查装置45以下述的方式构成，该方式为：外观检查用照明装置与作为摄像机构的摄像装置(照相机单元53及其控制所涉及的控制装置54的各种功能部)在功能上一体地设置。
如图5、图6所示的那样，照明单元52具有中空箱状的壳体61。在壳体61内配置有作为照明部的15个照明面板L1～L15。
具体而言，包括：第1照明面板L1，该第1照明面板L1配置在片运送方向下游侧(图5右侧)的壳体61的底部附近；第2照明面板L2，该第2照明面板L2配置在片运送方向上游侧(图5左侧)的壳体61的底部附近；第3照明面板L3，该第3照明面板L3配置于输送机宽度方向一端侧(图6左侧)的壳体61的底部附近；第4照明面板L4，该第4照明面板L4配置于输送机宽度方向另一端侧(图6右侧)的壳体61的底部附近；第5照明面板L5，该第5照明面板L5配置在第1照明面板L1的上方位置；第6照明面板L6，该第6照明面板L6配置于第2照明面板L2的上方位置；第7照明面板L7，该第7照明面板L7配置于第3照明面板L3的上方位置；第8照明面板L8，该第8照明面板L8配置于第4照明面板L4的上方位置；第9照明面板L9，该第9照明面板L9配置于第5照明面板L5的内侧斜上方位置；第10照明面板L10，该第10照明面板L10配置于第6照明面板L6的内侧斜上方位置；第11照明面板L11，该第11照明面板L11配置于第9照明面板L9的内侧斜上方位置；第12照明面板L12，该第12照明面板L12配置于第10照明面板L10的内侧斜上方位置；第13照明面板L13，该第13照明面板L13配置于第11照明面板L11的上方位置；第14照明面板L14，该第14照明面板L14配置于输送机宽度方向一端侧的壳体61的顶部附近；第15照明面板L15，该第15照明面板L15配置于输送机宽度方向另一端侧的壳体61的顶部附近。
如图7所示的那样，各照明面板L1～L15分别由在印刷电路衬底64上以矩阵状安装有数十个(根据情况为百个以上)LED(发光二极管)63的LED基板构成。
各照明面板L1～L15分别以LED 63的安装面朝向壳体61内侧的方式配置，从各照明面板L1～L15射出的光经由形成于壳体61的底部中央的开口部61a向输送机39上的规定范围(以下，称为“检查区域”)直接或间接地照射。但是，从第13照明面板L13射出的光通过半反射镜HM反射，向铅垂方向(Z方向)下方照射。
各照明面板L1～L15以能够分别单独地进行调光(明度调整)的方式构成。详细而言，通过使LED 63的发光亮度变化，能够将其亮度调节为256级灰度。
由此，照明单元52可在通过多个照明面板L1～L15形成的规定的照明状态，对位于检查区域内的PTP片1进行照明。
照相机单元(以下简称为“照相机”)53配置于照明单元52的壳体61的上方位置，经由形成于壳体61的顶部中央的开口部61b、以及形成于壳体61的底部中央的上述开口部61a，可对检查区域内进行摄像。
另外，虽然省略图示，但是，照相机53包括CCD(Charge Coupled Device，电荷耦合器件)型图像传感器或CMOS(Complementary Metal Oxide Semiconductor，互补金属氧化物半导体)型图像传感器等的摄像元件、以及相对该摄像元件，使位于检查区域内的PTP片1的像成像的光学系统(透镜机构、光圈等)。
在本实施方式中，从照明单元52照射的光越过容器膜3照射片剂5和罩面膜4，从片剂5和罩面膜4反射的光通过照相机53进行摄像，生成图像数据。
并且，由照相机53获取到的图像数据在该照相机53的内部转换为数字信号之后，以数字信号的形式向控制装置54(后述的图像获取部74)输出。
控制装置54由计算机构成，包括：执行规定的运算处理的CPU(CentralProcessing Unit：中央处理单元)、存储各种程序、固定值数据等的ROM(Read OnlyMemory：只读存储器)、在执行各种运算处理时暂时存储各种数据的RAM(Random AccessMemory：随机存取存储器)以及它们的周边电路等。
而且，控制装置54通过CPU按照各种程序进行动作，用作后述的主控制部71、照明控制部72、照相机控制部73、图像取得部74、图像处理部75、学习部76、调光参数调整部77、调光参数设定部78、检查部79等的各种功能部。
但是，上述各种功能部是通过上述CPU、ROM、RAM等的各种硬件协作来实现的，不需要明确地区分以硬件或软件方式实现的功能，这些功能的一部分或全部也可以通过IC等的硬件电路来实现。
并且，在控制装置54中设置有由键盘、鼠标、触摸面板等构成的输入部55、液晶显示器等具有显示画面的显示部56、可存储各种数据、程序、运算结果等的存储部57、可与外部收发各种数据的通信部58等。
在这里，对构成控制装置54的上述各种功能部进行详细说明。主控制部71是负责外观检查装置45整体的控制的功能部，以能够与照明控制部72、照相机控制部73等的其他功能部收发各种信号的方式构成。
照明控制部72是对照明单元52进行驱动控制的功能部，构成本实施方式中的照明控制机构。照明控制部72如后所述，基于与照明面板L1～L15分别对应地在调光参数设定部78中设定的调光参数值，对照明单元52的照明面板L1～L15进行驱动控制，以与该调光参数值相对应的亮度等级使各照明面板L1～L15点亮。
在本实施方式中，通过脉冲宽度调制(PWM)使规定期间(例如1/60秒)中的处于LED63的点亮状态的时间比例(占空比)变化，由此可按每个照明面板L1～L15单独地进行调光(明度调整)，能够实现256级灰度的明度表现。此时，搭载于作为一个通道而进行控制的一个照明面板L1～L15的全部LED 63以相同亮度发光。
照相机控制部73是驱动控制照相机53的功能部，基于来自主控制部71的指令信号来控制摄像时刻等。
图像取得部74是取得由照相机53摄像并取得的图像数据(实际图像数据)的功能部。
图像处理部75为对通过图像取得部74获取的PTP片1的实际图像数据进行规定的图像处理的功能部，构成本实施方式的图像处理机构。例如，在后述的学习处理中，生成作为用于神经网络90(参照图8)的学习的教师数据的教师图像数据。另外，在检查处理中，生成二值化处理后的二值化图像数据等。
学习部76是使用教师图像数据等进行神经网络90的学习，生成AI(ArtificialIntelligence：人工智能)模型100的功能部。AI模型100是如后述那样在照明单元52的照明状态的最佳化处理中使用的学习模型，将神经网络90和通过该学习获得的学习信息组合而构成。
在这里，参照图8的示意图对神经网络90的结构进行说明。如图8所示的那样，神经网络90具有输入层91、中间层92以及输出层93。另外，在图8中，为了便于说明，列举了中间层92为一个的情况，但中间层92的层数不限于一个，也可以是两个以上。
在输入层91、中间层92及输出层93中分别存在一个或多个相当于神经元的节点(单元)94。当然，关于各层91、92、93的节点数，也不限定于图8所列举的数量，可根据输入输出的信息、特征量等任意地设定。
例如，本实施方式中的输入层91的节点数与成为控制对象的照明部的数量(通道数)对应。即，与照明面板L1～L15相对应地存在15个。另外，本实施方式中的输出层93的节点数与后述的预测图像数据的像素数量相对应，从输出层93的各节点94输出构成该预测图像数据的各像素的信息(亮度值等)作为输出值。
各层91、92、93的各节点94分别与存在于相邻的前后的层的节点94通过成为参数的连接载荷(权重以及偏置)连结。
而且，赋予给输入层91的各节点94的输入值分别以连接载荷加权，并赋予给中间层92的各节点94。在该中间层92的各节点94中，将分别加权后的输入值(权重与输入值的积)的总和通过激活函数进行转换而算出输出值，将其提供给输出层93的各节点94。
与中间层92同样地，在输出层93的各节点94中，利用激活函数对分别加权后的输入值的总和进行转换而算出输出值，将其作为神经网络90的输出值输出。
像这样，在神经网络90中，当将规定信息提供给输入层91时，其内容在通过中间层92转换的同时传输到输出层93，并且与预测结果相对应的信息从输出层93输出。
此外，将各节点94间结合的结合载荷(参数)如后述那样通过规定的学习算法进行学习并更新。并且，通过学习而更新的各连接荷载与神经网络90一起作为构成已学习的学习模型的学习信息存储于存储部57中。
调光参数调整部77是使用AI模型100将各照明面板L1～L15的调光参数值(明度等级)调整为更佳的值的功能部，构成本实施方式中的等级指定机构。
调光参数设定部78是单独地存储在照明控制部72对照明单元52进行驱动控制时参考的各照明面板L1～L15的调光参数值的功能部。
检查部79为根据检查用的图像数据，对作为对象物的PTP片1中包括的作为规定的检查对象的片剂5进行好坏判断的功能部，构成本实施方式的检查机构。
存储部57由HDD(Hard Disk Drive：硬盘驱动器)、SSD(Solid State Drive：固态驱动器)等构成，例如，具有存储AI模型100(神经网络90及其学习信息)的规定的存储区域。该存储区域构成本实施方式中的网络存储机构。
通信部58例如具有基于有线LAN(Local Area Network：局域网)、无线LAN等的通信标准的无线通信接口等，以可与外部收发各种数据的方式构成。比如，通过检查部79进行的合格与否判断的结果等经由通信部58，发送给PTP包装机10的不合格片排出机构等。
接着，参照图9、图10对由外观检查装置45进行的神经网络90的学习处理进行说明。图9为表示神经网络90的学习处理的流程的流程图，图10为用于说明神经网络90的学习处理的流程的方框图。另外，通过该神经网络90的执行学习处理的各种功能构成本实施方式中的学习机构。
当根据规定的学习程序的执行而开始学习处理时，首先在步骤S101中，根据来自主控制部71的指令，学习部76准备未学习的神经网络90。例如，读取预先存储在存储部57等中的神经网络90。或者，基于存储于存储部57等的网络结构信息(例如，神经网络的层数、各层的节点数、各节点间的连接负载等)，生成神经网络90。
在步骤S102中，主控制部71随机地选出作为与多个照明面板L1～L15各自的明度等级(LED 63的发光亮度等级)相对应的等级信息的调光参数值(“0”～“255”中的任意值)，并设定于调光参数设定部78。
在步骤S103中，获取教师图像数据。具体而言，基于来自主控制部71的指令，照明控制部72以与在步骤S102中已由调光参数设定部78设定的调光参数值相对应的明度等级，将照明单元52的各照明面板L1～L15点亮。接着，基于来自主控制部71的指令，照相机控制部73使照相机53驱动。由此，对PTP片1进行摄像，该PTP片1为，预先载置于停止中的输送机39的上述检查区域内、在通过多个照明面板L1～L15而形成的照明状态下进行照明的合格品。然后，图像获取部74获取由照相机53获取到的实际图像数据。
通过图像取得部74获取的PTP片1的实际图像数据在图像处理部75中实施规定的图像处理(例如修剪、倾斜补偿等)的基础上，作为教师图像数据输入到学习部76中。
在步骤S104中，获取预测图像数据。另外，步骤S104的处理也可以与上述步骤S103的处理并行地进行。
具体而言，根据来自主控制部71的指令，学习部76将在步骤S102中在调光参数设定部78中已设定的各照明面板L1～L15的调光参数值作为输入值，提供给神经网络90的输入层91的各节点94，由此，将从输出层93的各节点94输出的输出值汇总而取得为预测图像数据。
另外，在这里取得的预测图像数据为神经网络90预测的图像数据，该图像数据作为能够在对通过以与在调光参数设定部78中设定的调光参数值相对应的明度等级而分别发光的多个照明面板L1～L15作出的照明状态照明的PTP片1进行摄像的场合取得的图像数据，其精度根据学习的程度而不同。
在接下来的步骤S105中，学习部76将在步骤S103中由照相机53获取到的实际图像数据即教师图像数据与在步骤S104中已由神经网络90输出的预测图像数据进行比较，判断其误差是否足够小(是否为规定的阈值以下)。
在这里，在该误差足够小的情况下，将神经网络90及其学习信息(后述的更新后的连接负荷等)作为AI模型100存储于存储部57中，并结束本学习处理。
另一方面，在该误差不充分小的情况下，在步骤S106中进行了网络更新处理(神经网络90的学习)之后，再次返回到步骤S102，反复进行上述一系列的处理。
具体而言，在步骤S106的网络更新处理中，使用作为公知的学习算法的误差反向传播法(Back propagation)，求出相对于神经网络90的各节点间的连接负荷(参数)的梯度，以教师图像数据与预测图像数据的误差变小的方式，基于该梯度将各节点间的连接负荷更新为更适当的值。
通过多次反复进行这些处理，神经网络90可学习多个照明面板L1～L15各自的调光参数值与图像数据的相关关系，可输出更正确的预测图像数据，该图像数据能够在对通过以与该调光参数值相对应的亮度等级分别发光的多个照明面板L1～L15产生的照明状态照明的PTP片1进行摄像的场合取得。
接下来，参照图11、图12，对由外观检查装置45进行的照明单元52的照明状态的最佳化处理进行说明。图11为表示照明状态的最佳化处理的流程的流程图，图12为用于说明照明状态的最佳化处理的流程的方框图。
当根据规定的最佳化程序的执行而开始最佳化处理时，首先，在步骤S201中，根据来自主控制部71的指令，调光参数调整部77从256级灰度的调光参数值(“0”～“255”)中随机地选出与多个照明面板L1～L15分别相对应的参数初始值，并作为参数候补值存储于规定的候补值存储区域。
在步骤S202中，根据来自主控制部71的指令，调光参数调整部77将存储于上述候补值存储区域的调光参数值(在步骤S201中作为参数初始值选出的调光参数值、或者在后述的步骤S205中校正后的调光参数值)作为输入值，提供给AI模型100(学习完毕的神经网络90)的输入层91的各节点94，由此，将从输出层93的各节点94输出的输出值汇总作为预测图像数据而获取。
在步骤S203中，调光参数调整部77将在步骤S202中由AI模型100输出的预测图像数据与作为理想的数据预先存储于存储部57中的理想图像数据进行比较，计算其误差，并且使该误差反向传播到AI模型100的输入层91中，求出相对于上述输入值(存储于上述候补值存储区域的调光参数值)的梯度。另外，此时，不进行神经网络90的更新(学习)。在这里，上述理想图像数据相当于本实施方式中的目标图像数据。另外，本实施方式中的比较机构由将预测图像数据与理想图像数据进行比较并计算其误差的功能构成。
在接下来的步骤S204中，调光参数调整部77判断在步骤S203中计算出的误差及梯度是否分别足够小(是否分别为规定的阈值以下)。
在这里，在该误差及梯度这两者充分小的情况下，将存储于上述候补值存储区域中的调光参数值设定于调光参数设定部78中，结束本最佳化处理。
另一方面，在该误差和梯度中的一方不充分小的情况下，在步骤S205中，调光参数调整部77基于在步骤S203中计算出的梯度，分别校正(更新)与各照明面板L1～L15相对应的输入值(存储于上述候补值存储区域的调光参数值)。然后，再次返回到步骤S202，反复进行上述一系列的处理。
通过多次重复这些处理，存储于上述候补值存储区域中的调光参数值(参数候补值)接近能够成为接近作为目标的照明状态的照明状态的理想值。
接着，参照图13的流程图，对通过外观检查装置45进行的片剂5的检查处理进行说明。该检查处理为每当通过片冲裁装置37冲裁的PTP片1通过输送机39运送到上述检查区域时进行的处理。
当基于规定的检查程序的执行而开始检查处理时，首先在步骤S301中执行参数读取处理。具体而言，基于来自主控制部71的指令，照明控制部72读入在调光参数设定部78中已设定的与各照明面板L1～L15相对应的调光参数值。
在步骤S302中，执行照明处理。具体来说，如果主控制部71根据来自设置于输送机39上的在图中未示出的编码器的信号，判断该PTP片1到达上述检查区域，则对照明控制部72输出规定的信号。基于此，照明控制部72在规定的时刻，以与在步骤S301中读入的各调光参数值相对应的明度等级，将照明单元52的各照明面板L1～L15点亮。
由此，位于检查区域内的PTP片1处于以通过多个照明面板L1～L15形成的规定的照明状态照明的状态。
在接下来的步骤S303中，执行摄像处理。具体而言，基于来自主控制部71的指令，照相机控制部73在规定的时刻驱动照相机53。由此，对位于检查区域内的PTP片1(包括10个片剂5)进行摄像。由此，取得包括通过多个照明面板L1～L15形成的以规定的照明状态照明的PTP片1的亮度图像数据。然后，该亮度图像数据通过图像获取部74获取。
在步骤S304中，执行图像处理。具体而言，基于来自主控制部71的指令，图像处理部75对在步骤S303中获取到图像获取部74的亮度图像数据进行规定的图像处理，生成检查用的图像数据。
在本实施方式中，在对获取到图像获取部74中的亮度图像数据进行例如阴影校正、遮蔽处理等的图像处理之后，根据规定的阈值进行二值化处理，生成二值化图像数据。在这里，将具有上述阈值以上的明度的部分设为“1(亮)”，将小于上述阈值的部分设为“0(暗)”，将亮度图像数据转换为二值化图像数据。
在步骤S305中，进行是否合格判断处理。具体来说，根据来自主控制部71的指令，检查部79根据在步骤S304生成的检查用的图像数据，针对作为对象物的PTP片1中包括的作为规定的检查对象的10个片剂5，进行是否合格判断。下面，将异物检查(异物、污垢的附着的检查)作为一个例子，对是否合格的判断的流程进行说明，但是，在这里，作为片剂5的外观异常，除此之外，还对缺损、裂纹的有无、印刷不合格等进行检查。
在本实施方式中，首先，对在步骤S304中生成的二值化图像数据分别执行块处理。在该分组处理中，针对二值化图像数据的“0(暗)”以及“1(亮)”来确定各连结成分，并且对各个连结成分进行标记。
接着，检查部79从由二值化图像数据求出的“1(明)”的连结成分中，将相当于片剂5的连结成分指定为片剂区域，计算出该片剂区域内的异物的面积。即，从根据二值化图像数据求出的“0(暗)”的连结成分中，提取片剂区域的坐标中包含或相连的连结成分，求出其面积即异物的面积，判断各异物的面积是否小于预先决定的判断基准值。
在这里，在与一个PTP片1相对应的二值化图像数据中，在全部10个片剂5中，异物的面积小于判断基准值的场合，检查部79将该PTP片1判断为合格品，并且将该结果存储于存储部57中，结束本处理。
另一方面，在一个PTP片1所包括的10个片剂5中，异物的面积大于判断基准值的场合为即使有一个的场合，将该PTP片1判断为不合格品，在显示部56中显示该结果，或将该主旨经由通信部58，发送给PTP包装机10的不合格品片排出机构等，结束本处理。
如以上详细描述的那样，按照本实施方式，通过利用AI模型100(神经网络90)及其误差反向传播，能够在比较短的时间内通过外观检查从能够由可分别进行亮度调整的多个照明面板L1～L15作出的庞大的组合模式的照明状态中自动地找出并作出最佳的照明状态。其结果是，能够谋求检查效率的显著的提高。
此外，还能够识别人无法感知的程度的微妙的照明状态的差异(但是，具有对检查结果造成影响的危险程度的差异)，能作出更佳的照明状态。其结果是，能够谋求检查精度的显著的提高。
另外，不依赖于作业者的经验、感觉，能够再现性良好地发现、作出更佳的照明状态。其结果是，能够不受时间、场所的制约地谋求便利性、通用性的提高。
并且，在本实施方式中，具有进行神经网络90学习的学习部76。
由此，与存储有在外部进行了学习的学习完毕的神经网络90的情况相比，能够进行考虑了每个照明单元52的个体差异的神经网络90的学习，神经网络90能够针对每个照明单元52进行更适当的处理。其结果是，能够针对每个照明单元52作出更佳的照明状态，谋求检查精度的进一步提高。
[第2实施方式]
接着，参照附图对第2实施方式进行详细说明。但是，对于与上述的第1实施方式重复的部分，使用相同的部件名称、相同的附图标记等而省略其详细的说明，并且以下以与第1实施方式不同的部分为中心进行说明。
在上述第1实施方式中，形成下述的方案，在该方案中，先执行神经网络90的学习处理，然后，使用学习完毕的神经网络90(AI模型100)来执行照明单元52的照明状态的最佳化处理。
与此相对，在第2实施方式中，形成下述的方案，在该方案中，对未学习的神经网络90交替地执行学习处理和照明状态的最佳化处理。
以下，参照图14、图15对由外观检查装置45进行的学习/最佳化处理进行说明。图14为表示学习/最佳化处理的流程的流程图，图15是用于说明学习/最佳化处理的流程的方框图。
当根据规定的程序的执行而开始学习/优化处理时，首先在步骤S401中，根据来自主控制部71的指令，学习部76准备未学习的神经网络90。
在步骤S402中，根据来自主控制部71的指令，调光参数调整部77从256级灰度的调光参数值(“0”～“255”)中随机地选出与多个照明面板L1～L15分别相对应的参数初始值，并作为参数候补值存储于规定的候补值存储区域中。
在步骤S403中，主控制部71任意地(例如从周边值中随机地)选出存储于上述候补值存储区域的调光参数值(参数候补值)的周边值，并设定于调光参数设定部78中。
另外，存储于上述候补值存储区域中的调光参数值(参数候补值)在本处理刚开始后，是在步骤S402中选出的参数初始值，之后，是在后述的步骤S408中校正(更新)后的调光参数值。
在步骤S404中，获取教师图像数据。具体而言，基于来自主控制部71的指令，照明控制部72以与在步骤S403中由调光参数设定部78设定的调光参数值相对应的明度等级，将照明单元52的各照明面板L1～L15点亮。接着，基于来自主控制部71的指令，照相机控制部73使照相机53驱动。由此，对预先载置于停止中的输送机39的上述检查区域内，在通过多个照明面板L1～L15形成的照明状态下进行照明的合格品的PTP片1进行摄像。然后，图像获取部74获取由照相机53获取到的实际图像数据。
通过图像取得部74获取的PTP片1的实际图像数据在图像处理部75中实施规定的图像处理后，作为教师图像数据输入到学习部76中。
在步骤S405中，获取预测图像数据。具体而言，根据来自主控制部71的指令，学习部76将在步骤S403中在调光参数设定部78中设定的各照明面板L1～L15所涉及的调光参数值(参数候补周边值)作为输入值，提供给神经网络90的输入层91的各节点94，由此，将从输出层93的各节点94输出的输出值汇总而作为预测图像数据取得。
另外，此时，在本实施方式中，在步骤S403中在调光参数设定部78中设定的各调光参数值(参数候补周边值)作为新的参数候补值而覆盖到上述候补值存储区域中，然后输入到神经网络90中。
在接下来的步骤S406中，学习部76将作为在步骤S404中由照相机53获取的实际图像数据的教师图像数据与在步骤S405中由神经网络90输出的预测图像数据进行比较，并计算其误差(以下，称为“学习误差”)，并且使用误差反向传播法进行网络更新处理。在该网络更新处理中，求出相对于神经网络90的各节点间的连接负荷(参数)的梯度，以教师图像数据与预测图像数据的误差变小的方式，基于该梯度将各节点间的连接负荷更新为更适当的值。
在步骤S407中，调光参数调整部77将在步骤S405中由神经网络90输出的预测图像数据与作为理想的数据预先存储于存储部57中的理想图像数据进行比较，计算其误差(以下，称为“预测误差”)。并且使该预测误差反向传播到神经网络90的输入层91中，求出相对于上述输入值(存储于上述候补值存储区域中的调光参数值)的梯度。另外，此时，不进行神经网络90的更新(学习)。在这里，上述理想图像数据相当于本实施方式中的目标图像数据。另外，本实施方式中的比较机构由将预测图像数据与理想图像数据进行比较并计算其误差的功能构成。
在步骤S408中，调光参数调整部77基于在步骤S407中计算出的梯度，分别校正(更新)与各照明面板L1～L15相对应的输入值(存储于上述候补值存储区域中的调光参数值)。
在步骤S409中，主控制部71判断在步骤S406中计算出的学习误差、以及在步骤S407中计算出的预测误差及坡度是否分别足够小(是否分别为规定的阈值以下)。
在这里，在学习误差、以及预测误差及梯度这三者充分小的情况下，将存储于上述候补值存储区域中的调光参数值(参数候补值)设定于调光参数设定部78中，结束本处理。
另一方面，在学习误差、以及预测误差和梯度这三者中的一者不足够小的情况下，再次返回到步骤S402，重复上述一系列的处理。
像这样，通过交替地反复进行调光参数值的更新(校正)和神经网络90的更新(学习)，在调光参数设定部78中已设定的调光参数值接近能够成为接近作为目标的照明状态的照明状态的理想值。即，能够一边学习神经网络90，一边制作出更佳的照明状态。
如以上详述的那样，按照本实施方式，起到与上述第一实施方式同样的作用效果。
在本实施方式中，即使在因照明面板L1～L15(LED 63)的劣化等引起的照明状态的变化等在现实世界中条件发生了变化的情况下，也能够追随该变化，能够谋求检查精度的进一步提高。
例如，在多个照明面板L1～L15中的一部分、安装于规定的照明面板L1等的数十个LED 63中的一部分等的一部分光源劣化(亮度降低、不能点亮等)的情况下，照明状态也可能根据该劣化的光源的位置而变化，因此也能够进行考虑到这一点的明度调整。
另外，并不限定于上述实施方式的记载内容，例如，也可以如下那样实施。当然，以下未列举的其他应用例、变更例当然也是可能的。
(a)在上述各实施方式中，形成将作为对象物的PTP片1中包括的作为内容物的片剂5作为规定的检查对象(检查对象部位)，进行外观检查的结构，但是，供外观检查的对象物、内容物、检查对象(检查对象部位)不限于这些。
(a-1)关于例如PTP片1的结构(袋部2的形状、排列、个数等)，不限于上述各实施方式，也可采用不同的其它的结构。比如，以具有3列12个的袋部的类型为代表，也可采用由各种排列、个数构成的PTP片。
当然，不限于PTP片，也可将泡罩包装等不同的其他的泡罩包装体作为供外观检查的对象物，也可将与泡罩包装体不同的物品作为供外观检查的对象物。
(a-2)在上述各实施方式中，作为内容物的片剂5的实施方式例子，列举了在中心部和周缘部，厚度不同的俯视为圆形的裸片、所谓的透镜片，但是，片剂的种类、形状等不限于此。
例如，也可以是在表面部具有割线的片剂、在周缘部具有倒角部的圆盘形状的平片、俯视为非圆形的三角片、四角片、胶囊片、糖衣片、软胶囊等。
另外，关于供外观检查的内容物的种类等，也不限于片剂(药品)，也可以是补充剂、食品、电子部件、电子设备、医疗设备等的不同的内容物。
(a-3)容器膜3、罩面膜4等的包装材料的形状、材质等不限于上述各实施方式，也可采用不同的其他的结构。
比如，也可形成容器膜3通过铝层压膜等的以铝为主材料的金属材料形成的结构。但是，在PTP片1的冲裁后，在经由容器膜3进行片剂5的外观检查的场合，必须要求容器膜3由透明材料构成。于是，在像这样，容器膜3通过遮光材料(不透明材料)形成的场合，像后述的那样，在罩面膜4安装于容器膜3上的前工序，从袋部2的开口侧，对片剂5进行照明和摄像，进行检查。
(a-4)在上述各实施方式中，形成仅仅进行PTP片1中的作为内容物的片剂5的检查的方案，但是，不限于此，也可形成进行作为包装材料的片材部的检查(例如异物附着/咬粉、密封不合格、印刷不合格、刻印不合格、冲裁不合格等)的方案。
(b)在上述各实施方式中，形成下述的方案，其中，在从PTP膜6冲裁PTP片1的后工序中，隔着通过输送机39运送的PTP片1的袋部2(容器膜3)，进行片剂5的外观检查。
(b-1)不限于此，还可形成下述的方案，其中，在相对容器膜3安装罩面膜4的后工序，并且从PTP膜6冲裁PTP片1的前工序，隔着PTP膜6的袋部2(容器膜3)，进行片剂5的外观检查。在该场合，也与上述各实施方式相同，可在片剂5没有更换的状态进行检查，可谋求检查精度的提高。
(b-2)另外，还可形成在袋部2中填充片剂5的后工序，并且在容器膜3上安装罩面膜4的前工序，进行片剂5的外观检查的方案。
在这里，在容器膜3由透明材料形成的场合，既可为隔着袋部2(容器膜3)对片剂5进行照明和摄像，进行检查的结构，也可为从袋部2的开口侧对片剂5进行照明和摄像，进行检查的结构。
在从袋部2的开口侧进行检查的场合，由于不夹持袋部2(容器膜3)，可在没有遮挡物的状态，直接对片剂5进行照明和摄像，故一方面提高各个片剂5的检查精度，另一方面，由于片剂5有替换的问题，故作为整体，有合格品错误率、不合格品错误率增加的危险。
(c)在上述各实施方式中，外观检查装置45为设置于PTP包装机10内的结构(在线)。
(c-1)也可代替该方案，形成独立于PTP包装机10，作为通过离线而进行PTP片1的检查的装置，包括外观检查装置45的方案。在该场合，也可形成在外观检查装置45中设置可运送PTP片1的运送机构的方案。
(c-2)另外，在离线地进行检查的场合，也可形成不连续运送PTP片1，而在停止的状态进行检查的方案。但是，在谋求生产率的提高的方面，优选一边连续运送PTP片1或PTP膜6或容器膜3，一边在线地进行检查。
(d)外观检查装置45的结构并不限定于上述各实施方式，也可以采用其他的结构。
(d-1)例如，上述各实施方式的外观检查装置45为外观检查用照明装置(照明单元52及其控制功能)与摄像装置(照相机单元53及其控制功能)在功能上一体设置的构成。
但不限于此，也可以是外观检查用照明装置、摄像装置与外观检查装置在功能上分体设置的结构。此处，在不具有摄像功能的外观检查用照明装置中，也可设为输入由外部的摄像机构所获取的图像数据等，并以此为基础进行调光参数值的更新或神经网络90的更新的构成。
(d-2)在上述各实施方式中，虽然没有特别提及，但是不仅为逐个地对对象物(PTP片1等)进行摄像、进行检查的方案，还可为在照明单元52的相同的照明状态下，根据对多个对象物(对象范围)同时照射光，进行摄像而得到的图像数据，对各对象物进行检查的方案。
在该情况下，在位于规定的照明面板L1等的附近的对象物中，从该照明面板L1等照射的光变强，在位于远处的对象物中，照射的光变弱。因此，需要考虑从多个照明面板L1～L15分别到对象物的距离来生成最佳的照明状态。
(e)照明部的结构并不限定于上述各实施方式。在上述各实施方式中，安装有成为光源的多个LED 63的照明面板L1～L15用作照明部。
(e-1)例如，在上述各实施方式所涉及的照明单元52中，设置有15个照明面板L1～L15，但照明部的数量、配置等并不限定于此，也可以采用其他的结构。例如，也可以采用环状的环形照明。
(e-2)另外，在上述各实施方式中，虽然没有特别提及，但在各照明面板L1～L15中，例如，也可以形成下述的结构，在该结构中，具有用于使从LED 63射出的光扩散并抑制亮度不均的扩散罩、仅使一部分的光通过的滤光器等。
(e-3)在上述各实施方式中，虽未特别提及，但例如，各照明面板L1～L15也可以下述的方式构成，该方式为：安装发光颜色互不相同的多种光源(例如红(R)、绿(G)、蓝(B)的各LED 63)，能够照射各种有色光、白色光，并且能够按照各颜色的光源调整发光亮度等级来控制照明状态。当然，不局限于可见光，也可以使用能够照射红外光或近红外光等的光源。
(e-4)照明部的光源并不限定于LED 63，只要是能够调光的光源，也可以采用其他光源。例如，也可以采用荧光灯、灯等。
(f)照明部的明度调整(调光)方法及其灰度不限于上述各实施方式。
(f-1)在上述各实施方式中，能够表现256级灰度的明度，但不限于此，例如，也可以设为能够以128级灰度来表现明度的结构。
(f-2)在上述各实施方式中，以可通过脉冲宽度调制(PWM)对各照明面板L1～L15进行调光的方式构成。不限于此，例如，也可以形成下述的结构，在该结构中，通过控制向各照明面板L1～L15(光源)供给的电流、电压的大小，可调整各照明面板L1～L15的明度。
或者，也可以形成下述的结构，在该结构中，在从LED 63射出的光经由规定的滤光片向对象物照射的结构下，通过控制该滤光片的透射率，可调整各照明面板L1～L15的明度。
(g)神经网络90的结构及其学习方法并不限定于上述各实施方式。
(g-1)例如，神经网络90也可以是具有两个以上的中间层92并通过深度学习(deeplearning)进行学习的神经网络。
(g-2)例如神经网络90也可以是在中间层92具有卷积层、池化层等的卷积神经网络。
(g-3)在上述各实施方式中，形成通过误差反向传播法来学习神经网络90的方案，但不限于此，也可以形成使用其他各种学习算法来进行学习的方案。
(g-4)在上述各实施方式中，形成在进行神经网络90的学习时，将对合格品的PTP片1进行摄像得到的合格品图像数据用作教师图像数据的方案，但是，还可形成将对不合格品的PTP片1进行摄像得到的不合格品图像数据用作教师图像数据来进行学习的方案。
(g-5)神经网络90也可以由所谓的AI芯片等AI处理专用电路构成。在该情况下，也可以仅将连接负荷等学习信息存储于存储部57中，AI处理专用电路将其读出并设定于神经网络90，由此构成AI模型100。
(g-6)在上述各实施方式中，形成包括学习部76，在控制装置54内进行神经网络90的学习的方案，但不限于此，至少将AI模型100(学习完毕的神经网络90)存储于存储部57中即可，也可以形成省略学习部76的方案。因此，也可以形成在控制装置54的外部进行神经网络90的学习，并将其存储于存储部57中的方案。
(h)对各照明面板L1～L15所涉及的调光参数值进行校正(更新)来使照明状态最佳化的结构并不限定于上述各实施方式，也可以采用不同的其他结构。
(h-1)比如，在上述第1实施方式的照明状态的最佳化处理等的上述各实施方式中，形成下述方案，在使照明状态最佳化时，将与多个照明面板L1～L15分别相对应的调光参数值输入AI模型100中而输出的PTP片1的预测图像数据与预先存储于存储部57中的PTP片1的理想图像数据进行比较，使该误差反向传播到AI模型100的输入层91中，由此进行调光参数值的更新。
不限于此，也可形成下述的方案，在该方案中，通过将借助照相机53而对通过以与上述调光参数值相对应的亮度等级分别发光的多个照明面板L1～L15作出的以照明状态照明的PTP片1进行摄像而获得的实际图像数据与预先存储于存储部57中的PTP片1的理想图像数据进行比较，使该误差反向传播到AI模型100的输入层91中，进行调光参数值的更新。
(h-2)在对上述第1实施方式的照明状态的最佳化处理等，上述各实施方式中，在对照明状态进行最佳化时，将从AI模型100输出的预测图像数据(或由照相机53获取的实际图像数据)与预先存储于存储部57中的理想图像数据直接进行比较，使其误差反向传播到AI模型100的输入层91中，由此进行调光参数值的更新。
并不限于此，也可以形成如下结构：将从AI模型100输出的预测图像数据及从该预测图像数据获得的关联信息(或者，由照相机53获取的实际图像数据及从该实际图像数据获得的关联信息)与预先存储于存储部57中的理想图像数据及从该理想图像数据获得的关联信息进行比较，使该误差反向传播到AI模型100的输入层91中，由此进行调光参数值的更新。
或者，也可以形成下述的结构，在该结构中，将根据从AI模型100输出的预测图像数据得到的关联信息(或者，根据由照相机53获取的实际图像数据得到的关联信息)与根据预先存储于存储部57中的理想图像数据得到的关联信息进行比较，使该误差反向传播到AI模型100的输入层91中，由此进行调光参数值的更新。
另外，作为上述“从图像数据得到的关联信息”，例如，能够列举图像数据的整体或一部分的亮度平均值、规定部位的亮度值的偏差或标准偏差等作为一个例子。
(h-3)在上述第2实施方式中，形成对未学习的神经网络90交替地执行“学习处理”和“照明状态的最佳化处理”的结构，但不限于此，也可以以并行地进行“学习处理”和“照明状态的最佳化处理”的方式构成。
还有，也可以形成在将第1实施方式的“学习处理”执行到中途之后，执行第2实施方式的“学习/最佳化处理”的结构。
(i)在上述各实施方式中，对于照明调整作业(上述第1实施方式的“学习处理”和“最佳化处理”、上述第2实施方式的“学习/最佳化处理”等)的执行时期，没有特别提及，但是，比如，也可在制造商的外观检查装置45的出厂前，配合预定检查的对象物(PTP片1等)、检查对象(片剂5等)的种类，预先进行照明调整作业，还可形成在将外观检查装置45交付给用户后，由用户进行照明调整作业的方案。
在由用户进行照明调整作业的情况下，能够配合最初未预定的、新追加到检查中的对象物、检查对象等的种类来进行照明调整作业，并且能够进行照明面板L1～L15劣化的情况下等的再调整。
(j)此外，在外观检查装置45的使用中等的场合未进行学习处理、最佳化处理的情况下，也可以形成下述的结构，在该结构中，具有如下功能：利用神经网络90及其误差反向传播，求出相对于照明面板L1～L15所涉及的调光参数值的梯度，并判断该值，由此检测照明面板L1～L15的故障、劣化等的检查环境的变化等。
标号的说明：
标号1表示PTP片；标号2表示袋部；标号3表示容器膜；标号4表示罩面膜；标号5表示片剂；标号10表示PTP包装机；标号45表示检查装置；标号52表示照明单元；标号53表示照相机单元；标号54表示控制装置；标号57表示存储部；标号63表示LED；标号71表示主控制部；标号72表示照明控制部；标号73表示照相机控制部；标号74表示图像取得部；标号75表示图像处理部；标号76表示学习部；标号77表示调光参数调整部；标号78表示调光参数设定部；标号79表示检查部；标号90表示神经网络；标号91表示输入层；标号92表示中间层；标号93表示输出层；标号94表示节点；标号100表示AI模型；符号L1～L15表示照明面板。

Claims (6)

1.一种外观检查用照明装置，该外观检查用照明装置具有能分别进行亮度调整的多个照明部，能在由该多个照明部生成的规定的照明状态下对对象物进行照明，其特征在于，该外观检查用照明装置包括：
网络存储机构，该网络存储机构存储有神经网络，该神经网络学习了等级信息与图像数据之间的相关关系，上述等级信息与上述多个照明部各自的亮度等级相对应，上述图像数据能够在下述场合取得，该场合为，对由分别以该等级信息相对应的亮度等级发光的上述多个照明部作出的照明状态下所照明的上述对象物进行摄像；
比较机构，该比较机构能对预测图像数据和/或从该预测图像数据获得的关联信息、或实际图像数据和/或从该实际图像数据获得的关联信息与目标图像数据和/或从该目标图像数据获得的关联信息进行比较，并计算其误差，其中，该预测图像数据是将与上述多个照明部分别相对应的上述等级信息输入到上述神经网络而输出的上述图像数据；该实际图像数据是对上述对象物进行摄像而取得的图像数据，该对象物由分别与上述等级信息相对应的亮度等级发光的上述多个照明部作出的照明状态下所照明；上述目标图像数据作为下述图像数据而准备，该图像数据能够在对构成目标的照明状态下所照明的上述对象物进行摄像的情况下取得；
等级指定机构，该等级指定机构至少直到由上述比较机构计算出的误差成为规定的阈值以下为止，通过误差反向传播而反复进行与上述多个照明部各自相对应的上述等级信息的更新，能指定适合于上述多个照明部各自的上述等级信息；
照明控制机构，该照明控制机构至少基于由上述等级指定机构分别指定的上述等级信息，进行上述多个照明部各自的亮度调整，由此能控制由该多个照明部作出的照明状态。
2.根据权利要求1所述的外观检查用照明装置，其特征在于，该外观检查用照明装置包括学习机构，该学习机构针对上述相关关系而进行上述神经网络的学习。
3.根据权利要求2所述的外观检查用照明装置，其特征在于，交替或并行地进行：由上述等级指定机构进行的上述等级信息的更新与由上述学习机构进行的上述神经网络的学习。
4.根据权利要求1至3中任一项所述的外观检查用照明装置，其特征在于，该外观检查用照明装置用于泡罩包装体的制造，该泡罩包装体通过在形成于容器膜上的袋部中收纳规定的内容物，以封闭上述袋部的方式在上述容器膜上安装罩面膜而成。
5.一种外观检查装置，其特征在于，该外观检查装置包括权利要求1至4中任一项所述的外观检查用照明装置。
6.一种泡罩包装机，其特征在于，该泡罩包装机包括权利要求5所述的外观检查装置。
CN202180029583.9A 2020-05-20 2021-04-01 外观检查用照明装置、外观检查装置以及泡罩包装机 Pending CN115461611A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020087987A JP7026727B2 (ja) 2020-05-20 2020-05-20 外観検査用照明装置、外観検査装置及びブリスター包装機
JP2020-087987 2020-05-20
PCT/JP2021/014147 WO2021235115A1 (ja) 2020-05-20 2021-04-01 外観検査用照明装置、外観検査装置及びブリスター包装機

Publications (1)

Publication Number Publication Date
CN115461611A true CN115461611A (zh) 2022-12-09

Family

ID=78606416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180029583.9A Pending CN115461611A (zh) 2020-05-20 2021-04-01 外观检查用照明装置、外观检查装置以及泡罩包装机

Country Status (5)

Country Link
JP (1) JP7026727B2 (zh)
KR (1) KR20230052848A (zh)
CN (1) CN115461611A (zh)
DE (1) DE112021002876T5 (zh)
WO (1) WO2021235115A1 (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117412442B (zh) * 2023-12-14 2024-02-20 四川九通智路科技有限公司 一种应用于隧道的照明节能控制方法

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3025562B2 (ja) * 1991-09-10 2000-03-27 マツダ株式会社 明暗照明による表面状態検査方法
JPH08305820A (ja) * 1995-04-28 1996-11-22 Fujitsu Ltd 能動的物体認識方法および装置
FR2848935B1 (fr) * 2002-12-20 2005-04-29 Valeo Vision Procede de detection de virages sur une route et systeme de mise en oeuvre
JP4213108B2 (ja) 2004-10-21 2009-01-21 シーケーディ株式会社 外観検査用照明装置
JP5579002B2 (ja) * 2010-09-21 2014-08-27 株式会社東芝 錠剤包装検査装置、錠剤包装検査プログラム、錠剤包装検査方法
EP3532906A4 (en) * 2016-10-28 2020-04-15 Vilynx, Inc. VIDEO LABELING SYSTEM AND METHOD
JP2019203691A (ja) * 2016-11-11 2019-11-28 オムロン株式会社 照明装置

Also Published As

Publication number Publication date
DE112021002876T5 (de) 2023-03-09
WO2021235115A1 (ja) 2021-11-25
JP7026727B2 (ja) 2022-02-28
KR20230052848A (ko) 2023-04-20
JP2021181948A (ja) 2021-11-25

Similar Documents

Publication Publication Date Title
KR102270130B1 (ko) 검사 장치 및 ptp 포장기
US10926907B2 (en) PTP packaging machine
JP2001356097A (ja) 透明容器を光学的に検査するための方法および装置
CN110537090B (zh) 检查装置、ptp包装机和ptp片的制造方法
JP6040197B2 (ja) 検査装置及びｐｔｐ包装機
CN111033242A (zh) 外观检查装置和泡罩包装机
KR20190093555A (ko) 검사 장치 및 ptp 포장기
CN115461611A (zh) 外观检查用照明装置、外观检查装置以及泡罩包装机
CN112639446A (zh) 检查装置、ptp包装机和ptp片的制造方法
JP4472499B2 (ja) 不良検査装置及びｐｔｐ包装機
US11994477B2 (en) Inspection device, packaging sheet manufacturing device, and inspection method
US11338950B2 (en) Inspection device, PTP packaging machine and PTP sheet manufacturing method
WO2022030088A1 (ja) 検査装置、ブリスター包装機及びブリスターパックの製造方法
CN111225183B (zh) 检查装置远程对应系统
JP2020034345A (ja) 検査システム、検査方法
CN111717440B (zh) 检查装置、ptp包装机和ptp片的制造方法
CN111868506B (zh) 检查装置、ptp包装机与检查方法
JP4788870B2 (ja) 不良検査装置及びｐｔｐ包装機
CN112673249B (zh) 检查装置、ptp包装机和ptp片的制造方法
CN112673249A (zh) 检查装置、ptp包装机和ptp片的制造方法
CN113811761A (zh) 检查装置、包装体制造装置及包装体制造方法
TW202202009A (zh) 網遮罩檢查裝置
CN111902713A (zh) 检查装置、ptp包装机以及检查方法
JP2016166827A (ja) 検査装置、検査方法、および、検査装置用のプログラム

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination