JP2010243451A - 外観検査装置及び外観検査方法 - Google Patents

Abstract

【課題】検査対象物の不良品が誤って良品と判定される可能性を低減可能な外観検査装置を提供する。
【解決手段】外観検査装置（１）は、検査対象物を撮影した検査画像を取得する撮像部（３）と、検査画像から、検査対象物に関する特徴量を抽出する特徴量抽出部（５１）と、特徴量をサポートベクターマシンとして構成される識別器に入力することにより、検査対象物の良否を判定する良否判定部（５４）とを有する。そしてその識別器が不良品と判定する検査対象物から抽出される特徴量が含まれる領域である不良品特徴量領域が、サポートベクターマシンの学習により決定された不良品特徴量領域よりも広くなるように、不良品特徴量領域の境界が修正されている。
【選択図】図１

Description

本発明は、検査対象物の外観を検査する外観検査装置及び外観検査方法に関する。

製造工程においては、不良品が出荷されることを防ぐために、部品の加工、組み立て、溶接などが正しく行われているか否かを検査することが非常に重要である。
そこで、検査対象物の外観から得られる特徴量を抽出して、その特徴量に基づいて検査対象物が良品か否かを自動的に判別する様々な技術が開発されている。特に、予め良品と分かっている検査対象物のサンプル群と、予め不良品と分かっている検査対象物のサンプル群のそれぞれから抽出された特徴量の分布に基づいて、良品と不良品とを識別する判別境界を予め求め、着目する検査対象物から抽出された特徴量がその判別境界のどちら側に存在するかにより、着目する検査対象物を良品か否か判定する技術が開発されている（例えば、特許文献１を参照）。

例えば、特許文献１に開示された物体の色判定装置は、良品と判定された物体群の色彩値に基づいて基準空間を作成し、対象物の色彩値を測定して入力し、測定した色彩値のマハラノビスの距離を基準空間に基づいて演算し、演算したマハラノビスの距離が所定値以上か否かを判断して、物体の色を判定する。

特開２０００−２６６６０２号公報

しかしながら、良品である検査対象物に関して抽出される特徴量の値と、不良品である検査対象物に関して抽出される特徴量の値を完全に区別することが可能な判別境界を決定することは必ずしも容易ではない。これは、往々にして、特定の良品について抽出された特徴量と良品についての特徴量の分布の重心とのマハラノビス距離よりも、その特徴量と不良品についての特徴量の分布の重心とのマハラノビス距離の方が近いためである。同様に、特定の不良品について抽出された特徴量と不良品についての特徴量の分布の重心とのマハラノビス距離よりも、その特徴量と良品についての特徴量の分布の重心とのマハラノビス距離の方が近いこともある。そのため、単純にマハラノビス距離に基づいて判別境界が定められると、不良品が良品と誤って判定されてしまうことがある。このような場合、不良品が市場に出荷されてしまい、重大な品質問題を生じるおそれがある。

そこで本発明は、検査対象物の不良品が誤って良品と判定される可能性を低減可能な外観検査装置及び外観検査方法を提供することを目的とする。

請求項１の記載によれば、本発明の一つの形態として、検査対象物の良否を判定する外観検査装置が提供される。係る外観検査装置は、検査対象物を撮影した検査画像を取得する撮像部（３）と、検査画像から、検査対象物に関する特徴量を抽出する特徴量抽出部（５１）と、特徴量をサポートベクターマシンとして構成される識別器に入力することにより、検査対象物の良否を判定する良否判定部（５４）とを有する。そしてその識別器が不良品と判定する検査対象物から抽出される特徴量が含まれる領域である不良品特徴量領域が、サポートベクターマシンの学習により決定された不良品特徴量領域よりも広くなるように、不良品特徴量領域の境界が修正されている。
係る構成を有することにより、この外観検査装置は、検査対象物の不良品が誤って良品と判定される可能性を低減することができる。

また請求項２の記載によれば、不良品特徴量領域の境界は、サポートベクターマシンの学習に用いられた複数の不良品の検査対対象物のサンプルのそれぞれから抽出された特徴量の重心から、その重心とサポートベクターマシンの学習により定められる不良品特徴量領域の境界上に位置する各サポートベクトルとを結ぶベクトルに沿って、そのベクトルの距離に１よりも大きいの所定の係数を乗じた距離だけ離れた点を結ぶように設定されることが好ましい。
これにより、この外観検査装置は、元の不良品特徴量領域の輪郭形状に類似した輪郭形状を保ったまま不良品特徴量領域を広げることができるので、検査対象物の良品が不良品と誤って判定される可能性が上昇することを極力防ぎつつ、検査対象物の不良品が良品と誤って判定される可能性を低減できる。

さらに請求項３の記載によれば、所定の係数は、複数の不良品の検査対対象物のサンプルのそれぞれから抽出された特徴量が不良品特徴量領域から外れる確率が、検査対象物に対する品質保証基準により定められる許容限度以下となるように定められることが好ましい。
これにより、この外観検査装置は、検査対象物の不良品が良品と誤って判定される可能性が検査対象物に対する品質保証基準を満たすように低減できる。

また請求項４の記載によれば、良否判定部（５４）は、複数の不良品の検査対対象物のサンプルのそれぞれから抽出された特徴量の分布である不良品特徴量分布と、複数の良品の検査対対象物のサンプルのそれぞれから抽出された特徴量の分布である良品特徴量分布から求められる判別境界と特徴量抽出部（５１）により抽出された検査対象物に関する特徴量を比較する。そして良否判定部（５４）は、その特徴量と判別境界との距離が所定距離より大きく、かつその特徴量が判別境界よりも良品特徴量分布の重心に近ければ検査対象物を良品と判定し、その特徴量と判別境界との距離が所定距離より大きく、かつその特徴量が判別境界よりも不良品特徴量分布の重心に近ければ検査対象物を不良品と判定し、さらに、その特徴量と判別境界との距離が所定距離以下であれば、その特徴量を識別器に入力することにより、検査対象物の良否を判定することが好ましい。
これにより、この外観検査装置は、異なる手法による２段階の良否判定を行えるので、より正確に検査対象物の良否を判定できる。

この場合において、請求項５の記載によれば、判別境界は、不良品特徴量分布の重心からのマハラノビス距離が、所定の最小限距離か、良品特徴量分布の重心からのマハラノビス距離と等距離の何れか遠い方の距離となるように設定されることが好ましい。
これにより、この外観検査装置は、判別境界を用いた検査対象物の良否判定に関しても、検査対象物の不良品が良品と誤って判定される可能性を低減できる。

また請求項６の記載によれば、本発明の他の形態として、検査対象物の良否を判定する外観検査方法が提供される。係る外観検査方法は、検査対象物を撮影した検査画像を取得するステップと、検査画像から、検査対象物に関する特徴量を抽出するステップと、その特徴量をサポートベクターマシンとして構成される識別器に入力することにより、検査対象物の良否を判定するステップとを含む。そしてその識別器が不良品と判定する検査対象物から抽出される特徴量が含まれる領域である不良品特徴量領域が、サポートベクターマシンの学習により決定された不良品特徴量領域よりも広くなるように、不良品特徴量領域の境界が修正されている。
係る手順を有することにより、この外観検査方法は、検査対象物の不良品が誤って良品と判定される可能性を低減することができる。

上記各部に付した括弧内の符号は、後述する実施形態に記載の具体的手段との対応関係を示す一例である。

本発明の一つの実施形態に係る外観検査装置の概略構成図である。 （ａ）は、良品であるレクティファイヤの検査画像の一例であり、（ｂ）は、不良品であるレクティファイヤの検査画像の一例である。 コントローラの判定部の機能ブロック図である。 サポートベクターマシンの概要を示す図である。 修正された判別境界を示す図である。 サポートベクターマシンにおける、元の不良品特徴量領域の境界と修正された不良品特徴量領域の境界の関係を示す図である。 本発明の一つの実施形態に係る外観検査装置によって実行される、外観検査処理の動作フローチャートである。

以下、図を参照しつつ、一つの実施形態による、外観検査装置について説明する。
この外観検査装置は、予め良品と分かっている検査対象物のサンプル群と、予め不良品と分かっている検査対象物のサンプル群のそれぞれから抽出された特徴量の分布に基づいて、判別分析による判別境界とサポートベクターマシンとして構成される識別器を求める。そしてこの外観検査装置は、それら判別境界及びサポートベクターマシンにおいて不良品と判定される特徴量領域の境界を、不良品と判定される特徴量の範囲を広げるように修正することで、不良品が良品と誤って判定されることを防ぐ。

図１は、本発明の一つの実施形態に係る外観検査装置１の全体構成を示す。図１に示すように、外観検査装置１は、検査対象物１０を照明する照明光源２と、検査対象物１０を撮影した検査画像を取得するカメラ３と、カメラ３から取得した検査画像に基づいて検査対象物１０が良品か否か判定するコントローラ４とを有する。
さらにコントローラ４は、他の機器とコントローラ４を接続するための通信インターフェースである通信部４１と、半導体メモリ、磁気記録媒体または光記録媒体の少なくとも何れかを有する記憶部４２と、１個または複数のプロセッサ及びその周辺回路を有する判定部４３とを有する。
このうち、通信部４１は、カメラ３から検査画像を取得して、その検査画像を判定部４３に渡す。また記憶部４２は、検査対象物１０の良否判定に使用される様々なパラメータ及びプログラムを記憶する。そして判定部４３は、検査画像に基づいて検査対象物１０が良品か否か判定する。

本実施形態では、検査対象物１０は、自動車に搭載されるオルタネータが有する、ステータコイルに発生した交流電流を直流に整流するためのレクティファイヤ（整流器）である。しかし検査対象物１０は、レクティファイヤに限られず、検査画像から検査対象物１０を良否判定可能な特徴量が抽出できるものであればよい。
レクティファイヤは、複数個のダイオードを有しており、製造工程において、それらダイオードがターミナルと溶接される。この溶接が正常に行われると、溶接部材がダイオードとターミナルの接点を覆うように形成されるが、溶接に失敗すると、例えば、溶接部材がダイオードとターミナルの一方の接点に偏って付着し、他方の接点をほとんど覆わなくなる。

図２（ａ）は、レクティファイヤの良品を撮影した検査画像の一例を示す。また図２（ｂ）は、レクティファイヤの不良品を撮影した検査画像の一例を示す。
図２（ａ）に示した検査画像２００では、溶接部材に相当する領域２０１は、検査画像２００上で大きな領域を占めている。また溶接部材は球状をしているため、領域２０１内で距離の近い画素間の輝度差は全般的にそれほど大きく変化しない。そのため、領域２０１内のコントラストは低くなっている。
一方、図２（ｂ）に示した検査画像２１０では、溶接部材はターミナルに偏って付着しているため、溶接部材に相当する領域２１１の面積は、良品についての溶接部材に相当する領域２０１の面積よりも狭くなっている。また、溶接部材は歪な形状をしているために、照明光の照射方向に対する溶接部材表面の角度が急激に変わるところが存在する。そのようなところでは、領域２１１内で距離の近い画素間でも、輝度差が大きくなる。そのため、領域２１１のコントラストは、領域２０１のコントラストよりも高くなる傾向がある。
そこで、判定部４３は、検査画像から溶接部材に対応する領域を検出し、その領域の面積及びコントラストを特徴量として抽出する。そして判定部４３は、それら特徴量に基づいて、検査対象物１０が良品か否か判定する。

図３は、コントローラ４の判定部４３の機能ブロック図である。図３に示すように、判定部４３は、特徴量抽出部５１と、学習部５２と、判別境界修正部５３と、良否判定部５４とを有する。判定部４３が有するこれらの各部は、例えば、判定部４３を構成するプロセッサ上で実行されるコンピュータプログラムにより実装される機能モジュールとすることができる。

特徴量抽出部５１は、検査画像から、検査対象物１０に関する特徴量として、本実施形態では、溶接部材の状態を表す特徴量を抽出する。そのために、特徴量抽出部５１は、検査画像から溶接部材に相当する領域である溶接部材領域を検出する。そこで先ず、特徴量抽出部５１は、検査画像の画素の色相、彩度、明度をＨＳＶ色空間の点に変換する。なお、本実施形態では、ＨＳＶ色空間は、０〜３６０の範囲の環状の軸を色相軸とし、０〜２５５の範囲の彩度軸、０〜２５５の範囲の明度軸で表現される。

次に、特徴量抽出部５１は、検査画像から溶接部材の色に相当する色相を持つ画素を抽出する。本実施形態では、溶接部材は黄銅色をしているため、特徴量抽出部５１は、例えば、検査画像を、色相に関して１０〜３５の範囲に属する値を有する画素と、それ以外の値を有する画素に２値化する。あるいは、特徴量抽出部５１は、色相だけでなく、彩度及び明度に関する条件を定めてもよい。例えば、特徴量抽出部５１は、検査画像を以下の条件を満たす画素とそれ以外の画素に２値化してもよい。なお、２値化の条件は、下記の例に限られない、２値化の条件は、使用される材料に応じて適切に設定される。
色相：１０〜３５の範囲内に含まれること
彩度：３０〜２５５の範囲に含まれること
明度：０〜１１０の範囲に含まれること
特徴量抽出部５１は、黄銅色に相当する色相値を有する画素の集合領域を溶接部材領域とする。なお、特徴量抽出部５１は、ノイズによる影響を軽減するために、溶接部材領域を対象とするモルフォロジー演算のクロージング演算を行ってもよい。
次に、特徴量抽出部５１は、溶接部材領域から特徴量を抽出する。本実施形態では、特徴量として、溶接部材領域の面積と、溶接部材領域に含まれる画素のコントラストを用いた。なおコントラストは、以下の式により算出される。
ただし、i、jはそれぞれ明度を表し、P_d(i,j)は明度iの画素から距離d離れた画素の明度がjである確率を表す。
なお、特徴量抽出部５１は、溶接部材領域から、他の様々な特徴量、例えば、エネルギー、エントロビー、均一性など、テクスチャ解析で用いられる特徴量、あるいは円形度などを用いてもよい。なお、これらの特徴量は下記の式により算出される。
ここで、Sは溶接部材領域の面積であり、Lは溶接部材領域の周囲長である。
さらに、特徴量抽出部５１は、検出された溶接部材領域に含まれる全画素の輝度を特徴量としてもよい。
特徴量抽出部５１は、抽出した特徴量を良否判定部５４に渡す。

学習部５２は、検査対象物１０の良否を判定するために使用される判別境界及び識別器を予め作成する。
本実施形態では、学習部５２は、判別境界を決定するために、複数の良品であるレクティファイヤを撮影した複数の良品画像のそれぞれから抽出された良品特徴量の分布と、複数の不良品であるレクティファイヤを撮影した複数の不良品画像のそれぞれから抽出された不良品特徴量の分布を調べる。なお、これらの特徴量は、特徴量抽出部５１と同様の処理を良品画像または不良品画像に対して実行することにより抽出される。そして学習部５２は、良品特徴量の重心から判別境界までのマハラノビス距離と、不良品特徴量の重心から判別境界までのマハラノビス距離が等距離となるように判別境界を設定する。
ここでマハラノビス距離MDは、以下の式によって算出される。
ただし、Xは、着目する特徴量の組（本実施形態では、溶接部材領域の面積及びコントラスト）を表すベクトルであり、μは、母集団となる特徴量分布の平均値（本実施形態では、良品特徴量の重心または不良品特徴量の重心に相当）である。またΣ^-1は、分散共分散行列の逆行列である。
この判別境界は、例えば、特徴量の組を変数とする判別関数として求められる。なお、この判別関数の算出方法は、例えば、リチャード.O.デューダ他、「パターン識別」第２版、JOHN WILEY & SONS, Inc.、pp.29-45等に開示されているように公知であるので、その詳細な説明を省略する。
学習部５２は、得られた判別境界を表す判別関数を記憶部４２に記憶する。

また学習部５２は、複数の良品特徴量と複数の不良品特徴量を用いて識別器を作成する。本実施形態では、学習部５２は、識別器をＳＶＭにより構成した。
図４に、ＳＶＭの概念図を示す。ＳＶＭは、所定の識別対象物が、二つのカテゴリの何れかに属する場合、その識別対象物から求めた１乃至複数の特徴量（以下、特徴量セットという）に基づいて、その識別対象物を何れのカテゴリに属するかを判定する識別器である。そしてカテゴリ間の境界は、各カテゴリに属する学習データの特徴量セットのうち、隣接するカテゴリに属する学習データの特徴量セットとの距離が最も近いものの組で表される。このカテゴリ間の境界を表す特徴量セットは、サポートベクトルと呼ばれる。図４では、丸印で示された各点が、カテゴリＣ１（例えば、検査対象物の良品に対応する特徴量セットが属するカテゴリ）に属する特徴量セットの一つであり、このうち特徴量セット４０１〜４０３が、カテゴリＣ１のサポートベクトルである。また、菱形で示された各点が、カテゴリＣ２（例えば、検査対象物の不良品に対応する特徴量セットが属するカテゴリ）に属する特徴量セットの一つであり、このうち特徴量セット４０４〜４０６が、カテゴリＣ２のサポートベクトルである。そして、サポートベクターマシンでは、識別精度を向上するために、カテゴリＣ１のサポートベクトルと、カテゴリＣ２のサポートベクトル間の距離（マージン）が最大化されるように、サポートベクトルが決定される。さらに、ＳＶＭでは、カテゴリ間の境界が非線形な場合でも、カーネル関数を利用して、学習データの特徴量セットを高次元に写像した上でサポートベクトルを決定することにより、各カテゴリに属する特徴量セットを線形分離可能とすることで、良好な識別性能を得ることができる。

本実施形態では、学習部５２は、複数の良品特徴量及び複数の不良品特徴量を用いて、ＳＶＭを学習させる。
学習されたＳＶＭは、検査対象物１０の良品に対応する特徴量領域（以下、良品特徴量領域という）の境界を表すサポートベクトルである良品特徴量の組と、検査対象物１０の不良品に対応する特徴量領域（以下、不良品特徴量領域という）の境界を表すサポートベクトルである不良品特徴量の組によって表される。そしてこれらのサポートベクトルは、良品・不良品というカテゴリと関連付けられて、予め記憶部４２に記憶される。

判別境界修正部５３は、不良品が良品と誤って判定されることを防ぐために、学習部５２により求められた判別境界及び識別器を、不良品特徴量領域が広くなるように修正する。
判別境界に関して、判別境界修正部５３は、判別境界から不良品特徴量の重心までのマハラノビス距離が所定の最小限距離未満である場合、マハラノビス距離がその最小限距離となるように、判別境界を修正する。なお、この最小限距離は、例えば、4に設定される。このように判別境界を修正することで、不良品特徴量の重心から、不良品特徴量の分布に対するマハラノビス距離が４（各特徴量間に相関性がなければ、不良品特徴量の分布に対する標準偏差の4倍）未満の特徴量に対応する検査対象物は、全て不良品と判定されるようになる。そのため、不良品特徴量の分布が正規分布に従うとみなしてよければ、この修正された判別境界を用いて良否判定を実行することで、不良品が良品と誤って判定される確率を0.0016%にまで低減できる。
判別境界修正部５３は、修正された判別境界に沿って一定の間隔でサンプル点を設定する。そして判別境界修正部５３はそのサンプル点に相当する特徴量の値を、判別境界を表すものとして、予め記憶部４２に記憶する。

図５に、修正された判別境界の一例を示す。図５において、横軸は、溶接部材領域の面積を表し、縦軸はコントラストを表す。そして図５上の十字状の点のそれぞれは、良品の検査画像から抽出された良品特徴量を表す、一方、円状の点のそれぞれは、不良品の検査画像から抽出された不良品特徴量を表す。点線５０１は、学習部５２により求められた、判別境界の決定に利用された良品のサンプルに関する良品特徴量の重心Gcと不良品のサンプルに関する不良品特徴量の重心Ncとから等マハラノビス距離に設定された判別境界を表す。また実線５０２は、修正された判別境界を表す。
図５に示されるように、元の判別境界５０１と不良品特徴量の重心Ncからのマハラノビス距離が最小限距離Dmin未満である部分について、修正された判別境界５０２は、良品特徴量の分布側へシフトされ、不良品特徴量の重心Ncからのマハラノビス距離が最小限距離Dminを保つように設定されている。一方、元の判別境界５０１と不良品特徴量の重心Ncからのマハラノビス距離が最小限距離Dmin以上となるところでは、修正された判別境界５０２と元の判別境界５０１は一致する。

識別器に関して、判別境界修正部５３は、不良品特徴量領域の境界を修正する。そこで、判別境界修正部５３は、不良品特徴量領域の境界を表す複数のサポートベクトルのそれぞれについて、不良品特徴量の重心からそのサポートベクトルまでのベクトルを算出する。そして判別境界修正部５３は、不良品特徴量の重心から、そのベクトルに沿って、そのベクトルの距離に1よりも大きい所定係数を乗じた距離だけ離れた点同士を結ぶ線を、不良品特徴量領域の境界とする。この点を、以下では修正境界領域点と呼ぶ。このように、判別境界修正部５３は、元の不良品特徴量領域の輪郭形状に類似した輪郭形状を保ったまま不良品特徴量領域を広げるので、検査対象物の良品が不良品と誤って判定される可能性が上昇することを極力防ぎつつ、検査対象物の不良品が良品と誤って判定される可能性を低減できる。
なお、所定係数は、誤って良品と判定される不良品の発生確率が、検査対象物に対して求められる品質保証基準による許容限度以下となるように設定される。例えば、修正前の不良品特徴量領域の境界では、不良品特徴量の重心から、その不良品特徴量分布の標準偏差の±3倍の残りに相当する確率で不良品が良品と誤って判定されるとき、誤判定の発生確率をその標準偏差の±4倍の残りに相当する確率以下に低下させるのであれば、所定係数は、1.33に設定される。

図６に、ＳＶＭにおける元の不良品特徴量領域の境界と修正された不良品特徴量領域の境界の関係を示す。図６において、横軸は、溶接部材領域の面積を表し、縦軸はコントラストを表す。そして図６上の十字状の点のそれぞれは、良品の検査画像から抽出された良品特徴量を表す、一方、円状の点のそれぞれは、不良品の検査画像から抽出された不良品特徴量を表す。点線６０１、６０２は、それぞれ、不良品特徴量領域の境界及び良品特徴量領域の境界を表す。そして点線６０１上の点ａ、ｂ、ｃは、それぞれ、不良品特徴量領域の境界を表すサポートベクトルである。また点Ncは、ＳＶＭの学習に利用された複数の不良品のサンプルに関して抽出された不良品特徴量の重心である。
この場合、実線で表された、修正された不良品特徴量領域の境界６０３は、点Ncと点aを結ぶベクトル６１１、点Ncと点bを結ぶベクトル６１２、点Ncと点cを結ぶベクトル６１３に沿って、点Ncからそれぞれのベクトルの距離に所定係数を乗じた距離だけ離れた修正境界領域点a'、ｂ'、ｃ'を結ぶ線となる。

判別境界修正部５３は、各修正境界領域点を表す特徴量の値を、不良品というカテゴリと関連付けて、予め記憶部４２に記憶する。

良否判定部５４は、特徴量抽出部５１から受け取った特徴量と、学習部５２により求められ、かつ判別境界修正部５３により修正された判別境界及びＳＶＭとして構成された識別器に基づいて、検査対象物１０が良品か否か判定する。
本実施形態では、良否判定部５４は、先ず、判別境界を用いて良否判定を行う。その際、特徴量と判別境界とのマハラノビス距離が所定距離以下である場合、良否判定部５４は、識別器を用いて良否判定を行う。なお、所定距離は、例えば１に設定される。

具体的には、良否判定部５４は、特徴量抽出部５１から受け取った特徴量が判別境界よりも良品特徴量の重心側に近いか否か判定する。そして良否判定部５４は、その特徴量が判別境界よりも良品特徴量の重心側に近く、かつ、その特徴量と判別境界との良品特徴量分布に関するマハラノビス距離が所定距離よりも大きい場合、検査対象物１０は良品であると判定する。逆に、その特徴量が判別境界よりも不良品特徴量の重心側に近く、かつ、その特徴量と判別境界との不良品特徴量分布に関するマハラノビス距離が所定距離よりも大きい場合、良否判定部５４は、検査対象物１０は不良品であると判定する。

また、特徴量抽出部５１から受け取った特徴量と判別境界との距離が上記の所定距離以下であれば、良否判定部５４は、その特徴量を識別器に入力する。そして良否判定部５４は、その識別器がその特徴量を良品のカテゴリに分類すれば、検査対象物１０を良品と判定し、一方、その識別器がその特徴量を不良品のカテゴリに分類すれば、検査対象物１０を不良品と判定する。なお、その特徴量が良品特徴量領域の境界と不良品特徴量領域の境界の間に位置する場合、識別器は、その特徴量を何れのカテゴリにも分類しない。この場合、良否判定部５４は、その特徴量が判別境界に対して良品特徴量の重心側に近いか否かで、検査対象物１０の良否を判定してもよい。
ここで、判別境界修正部５３により不良品特徴量領域の境界が修正された識別器では、図６に示される領域６２０のように、元のＳＶＭと異なり、良品特徴量領域と不良品特徴量領域がオーバーラップする領域が生じることがある。そこで良否判定部５１は、特徴量がこのオーバーラップする領域に含まれる場合には、その特徴量を不良品のカテゴリに分類する。このため、良否判定部５１は、不良品を良品と誤って判定する可能性を低減することができる。

良否判定部５４は、検査対象物１０に対する良否判定結果を、コントローラ４に接続されたディスプレイ（図示せず）に表示する。また良否判定部５４は、通信部４１を介して検査対象物１０を搬送する搬送装置（図示せず）へ良否判定結果を通知してもよい。これにより、その搬送装置は、良否判定結果に応じて検査対象物１０を異なる行き先に振り分けることができる。

図７に、外観検査装置１により実行される、一つの検査対象物に対する外観検査処理の動作フローチャートを示す。
まず、外観検査装置１は、カメラ３により検査対象物１０を撮影した検査画像を取得する（ステップＳ１０１）。そしてカメラ３は、その検査画像をコントローラ４へ送信する。コントローラ４は、検査画像を受信すると、判定部４３の特徴量抽出部５１により、検査対象物１０に関する特徴量を抽出する（ステップＳ１０２）。そして特徴量抽出部５１は、抽出された特徴量を判定部４３の良否判定部５４に渡す。
次に、良否判定部５４は、その特徴量が、記憶部４２から読み込んだ判別境界よりも、判別境界の決定に用いられた良品のサンプル群に対して抽出された良品特徴量の重心に近いか否か判定する（ステップＳ１０３）。その判別境界は、学習部５２により、良品のサンプル群に対する良品特徴量の重心からのマハラノビス距離と不良品のサンプル群に対する不良品特徴量の重心からのマハラノビス距離が等しい位置となるように設定され、かつ判別境界修正部５３により、不良品特徴量の重心からのマハラノビス距離が所定の最小限距離未満となる部分についてはその最小限距離となるように修正されたものである。すなわち、判別境界は、不良品特徴量の重心からのマハラノビス距離が、所定の最小限距離か、良品特徴量の重心からと等距離の何れか遠い方に設定される。

特徴量が判別境界よりも良品特徴量の重心に近い場合（ステップＳ１０３−Ｙｅｓ）、良否判定部５４は、その特徴量と判別境界との良品特徴量分布に関するマハラノビス距離が所定距離よりも大きいか否か判定する（ステップＳ１０４）。そのマハラノビス距離が所定距離よりも大きい場合、良否判定部５４は、検査対象物１０を良品と判定し、その判定結果を出力する（ステップＳ１０５）。一方、そのマハラノビス距離が所定距離以下である場合、良否判定部５４は、その特徴量を、記憶部４２から読み込んだ、不良品特徴量領域が拡張されたＳＶＭとして構成される識別器に入力することにより、その特徴量が良品のカテゴリに分類されるか否か判定する（ステップＳ１０８）。

またステップＳ１０３において、特徴量が判別境界よりも不良品特徴量の重心に近い場合（ステップＳ１０３−Ｎｏ）、良否判定部５４は、その特徴量と判別境界との不良品特徴量分布に関するマハラノビス距離が所定距離よりも大きいか否か判定する（ステップＳ１０６）。そのマハラノビス距離が所定距離よりも大きい場合、良否判定部５４は、検査対象物１０を不良品と判定し、その判定結果を出力する（ステップＳ１０７）。一方、そのマハラノビス距離が所定距離以下である場合、良否判定部５４は、その特徴量を識別器に入力することにより、その特徴量が良品のカテゴリに分類されるか否か判定する（ステップＳ１０８）。

ステップＳ１０８において、識別器がその特徴量を良品のカテゴリに分類すれば（ステップＳ１０８−Ｙｅｓ）、良否判定部５４は、検査対象物１０を良品と判定し、その判定結果を出力する（ステップＳ１０５）。一方、ステップＳ１０８において、識別器がその特徴量を不良品のカテゴリに分類すれば（ステップＳ１０８−Ｎｏ）、良否判定部５４は、検査対象物１０を不良品と判定し、その判定結果を出力する（ステップＳ１０７）。
ステップＳ１０５またはＳ１０７の後、外観検査装置１は、外観検査処理を終了する。

以上説明してきたように、本発明の一つの実施形態に係る外観検査装置は、予め良品と分かっている検査対象物のサンプル群と、予め不良品と分かっている検査対象物のサンプル群のそれぞれから抽出された特徴量の分布に基づいて、判別分析による判別境界とＳＶＭとして構成される識別器を求める。そしてこの外観検査装置は、それら判別境界及びＳＭＶの不良品特徴量領域の境界を、不良品と判定される特徴量の範囲を広げるように修正することで、不良品が良品と誤って判定されることを防ぐことができる。

以上、本発明の好適な実施形態について説明してきたが、本発明はこれらの実施形態に限定されるものではない。例えば、良否判定部は、上記の実施形態とは逆に、検査対象物を撮影した検査画像から抽出された特徴量を先ずＳＶＭとして構成される識別器に入力して良否判定を行ってもよい。そして良否判定部は、良品特徴量の境界と不良品特徴量の境界の間に位置すると判定された特徴量についてのみ、判別境界を用いて良否判定を行うようにしてもよい。あるいは、良否判定部は、判別分析により決定される判別境界または識別器の何れか一方のみを用いて、検査対象物の良否判定を行ってもよい。この場合、学習部も、判別境界または識別器のうちの良否判定部で使用される方のみを作成すればよい。同様に、判別境界修正部も、判別境界または識別器のうちの良否判定部で使用される方のみを修正する。

また、判別境界修正部は、ＳＶＭまたは判別境界の何れか一方についてのみ修正を行ってもよい。

また、判別境界及び識別器は、外観検査装置とは、別の装置にて作成されてもよい。この場合、上記の学習部及び判別境界修正部は、判別境界及び識別器を作成する装置に実装される。そして外観検査装置は、作成された判別境界及び識別器を表すパラメータのみを記憶部に記憶しておけばよい。そのため、外観検査装置から、学習部及び判別境界修正部は省略される。
以上のように、当業者は、本発明の範囲内で、実施される形態に合わせて様々な変更を行うことができる。

１ 外観検査装置
２ 照明光源
３ カメラ
４ コントローラ
４１ 通信部
４２ 記憶部
４３ 判定部
５１ 特徴量抽出部
５２ 学習部
５３ 判別境界修正部
５４ 良否判定部
１０ 検査対象物

Claims (6)

1. 検査対象物の良否を判定する外観検査装置であって、
   検査対象物を撮影した検査画像を取得する撮像部（３）と、
   前記検査画像から、前記検査対象物に関する特徴量を抽出する特徴量抽出部（５１）と、
   前記特徴量をサポートベクターマシンとして構成される識別器に入力することにより、前記検査対象物の良否を判定する良否判定部（５２）とを有し、
   前記識別器が不良品と判定する検査対象物から抽出される前記特徴量が含まれる領域である不良品特徴量領域が、サポートベクターマシンの学習により決定された不良品特徴量領域よりも広くなるように、前記不良品特徴量領域の境界が修正されていることを特徴とする外観検査装置。
2. 前記不良品特徴量領域の境界は、前記サポートベクターマシンの学習に用いられた複数の不良品の検査対対象物のサンプルのそれぞれから抽出された特徴量の重心から、該重心とサポートベクターマシンの学習により定められる前記不良品特徴量領域の境界上に位置する各サポートベクトルとを結ぶベクトルに沿って、該ベクトルの距離に１よりも大きいの所定の係数を乗じた距離だけ離れた点を結ぶように設定される、請求項１に記載の外観検査装置。
3. 前記所定の係数は、前記複数の不良品の検査対対象物のサンプルのそれぞれから抽出された特徴量が前記不良品特徴量領域から外れる確率が、検査対象物に対する品質保証基準により定められる許容限度以下となるように定められる、請求項２に記載の外観検査装置。
4. 前記良否判定部（５２）は、
   複数の不良品の検査対対象物のサンプルのそれぞれから抽出された特徴量の分布である不良品特徴量分布と、複数の良品の検査対対象物のサンプルのそれぞれから抽出された特徴量の分布である良品特徴量分布から求められる判別境界と前記特徴量抽出部（５１）により抽出された前記検査対象物に関する特徴量を比較し、
   前記特徴量と前記判別境界との距離が所定距離より大きく、かつ前記特徴量が前記判別境界よりも前記良品特徴量分布の重心に近ければ前記検査対象物を良品と判定し、
   前記特徴量と前記判別境界との距離が前記所定距離より大きく、かつ前記特徴量が前記判別境界よりも前記不良品特徴量分布の重心に近ければ前記検査対象物を不良品と判定し、
   前記特徴量と前記判別境界との距離が前記所定距離以下であれば、前記特徴量を前記識別器に入力することにより、前記検査対象物の良否を判定する、請求項１〜３の何れか一項に記載の外観検査装置。
5. 前記判別境界は、前記不良品特徴量分布の重心からのマハラノビス距離が、所定の最小限距離か、前記良品特徴量分布の重心からのマハラノビス距離と等距離の何れか遠い方の距離となるように設定される、請求項４に記載の外観検査装置。
6. 検査対象物の良否を判定する外観検査方法であって、
   検査対象物を撮影した検査画像を取得するステップと、
   前記検査画像から、前記検査対象物に関する特徴量を抽出するステップと、
   前記特徴量をサポートベクターマシンとして構成される識別器に入力することにより、前記検査対象物の良否を判定するステップとを含み、
   前記識別器が不良品と判定する検査対象物から抽出される前記特徴量が含まれる領域である不良品特徴量領域が、サポートベクターマシンの学習により決定された不良品特徴量領域よりも広くなるように、前記不良品特徴量領域の境界が修正されていることを特徴とする外観検査方法。