JP2016091359A - 情報処理システム、情報処理装置、情報処理方法、及びプログラム - Google Patents

Abstract

【課題】半教師あり異常検知を用いて、高い精度で識別することができる情報処理システム、情報処理装置、情報処理方法、及びプログラムを提供することを課題とする。【解決手段】１以上の情報処理装置を含む情報処理システムであって、識別対象である物体の所定の特徴量を示す多次元の第１のデータを取得するデータ取得手段と、前記データ取得手段により取得された前記第１のデータと予め設定された１以上の所定の基準値とに基づき、半教師あり異常検知の手法を用いて、前記第１のデータが複数のクラスのうちのいずれのクラスに分類されるかを識別する識別手段と、前記識別手段による識別結果を出力する出力手段と、を有することにより、上記課題を解決する。【選択図】 図３

Description

本発明は、情報処理システム、情報処理装置、情報処理方法、及びプログラムに関する。

例えばパール色やメタリック色等の見る角度によって異なる色に見える光輝材を含む塗料の評価方法として、ＡＳＴＭ規格（Ｅ２５３９−１２）に定められている多角度からの測色方法が知られている。

また、パール色やメタリック色等の塗料について、色が異なっても同一の基準で体系的かつ定量的に評価することができる評価方法が知られている（例えば特許文献１参照）。

しかしながら、上記の従来技術においては、塗料の基準を満たす良品と基準を満たさない不良品と多く準備する必要があった。このため、例えば、良品は大量に得ることができる一方で、不良品はほとんど得ることができない製品の場合、評価が困難であった。また、想定外（未知）の不良品に対しても評価が困難であった。したがって、製品の良品・不良品を高い精度で識別することが難しいという問題があった。

本発明の実施の形態は、上記の点に鑑みてなされたもので、半教師あり異常検知を用いて、高い精度で識別することを目的とする。

上記目的を達成するため、本発明の実施の形態は、１以上の情報処理装置を含む情報処理システムであって、識別対象である物体の所定の特徴量を示す多次元の第１のデータを取得するデータ取得手段と、前記データ取得手段により取得された前記第１のデータと予め設定された１以上の所定の基準値とに基づき、半教師あり異常検知の手法を用いて、前記第１のデータが複数のクラスのうちのいずれのクラスに分類されるかを識別する識別手段と、前記識別手段による識別結果を出力する出力手段と、を有することを特徴とする。

本発明の実施の形態によれば、半教師あり異常検知を用いて、高い精度で識別することができる。

本実施形態に係る識別システムの一例のシステム構成図である。 本実施形態に係る情報処理装置の一例のハードウェア構成図である。 本実施形態に係る識別システムの一例の処理ブロック図である。 本実施形態に係る情報識別部の詳細な機能ブロック図である。 本実施形態に係る分光カメラ装置の要部の一例を概略的に示す図である。 本実施形態に係る分光カメラ装置において、光線の入射角度が０度の場合の各カラーフィルタの分光透過率を示す図である。 本実施形態に係る分光カメラ装置のカラーフィルタの一例を示す図である。 分光カメラ装置の撮影画像の平面図である。 マクロピクセルの拡大図である。 本実施形態に係る分光カメラ装置の要部の他の例を概略的に示す図である。 他の例の分光カメラ装置のセンサ面に設けられている分光フィルタの一例を説明するための図である。 本実施形態に係る分光カメラ装置及び光源装置の各照明部の位置関係の一例を示す図である。 本実施形態に係る分光カメラ装置及び光源装置の各照明部の位置関係で形成される各角度を示す図である。 本実施形態に係る分光カメラ装置及び光源装置の各照明部の位置関係の他の例を示す図である。 本実施形態に係る偏角分光情報の校正情報の取得処理の一例のフローチャートである。 本実施形態に係る偏角分光情報の取得処理の一例のフローチャートである。 本実施形態に係る写像性及びオレンジピールの測定値を算出するための校正情報の取得処理の一例のフローチャートである。 本実施形態に係る写像性及びオレンジピールの測定値の取得処理の一例のフローチャートである。 ＢＲＤＦ情報の定義に用いられる角度を説明するための図である。 写像性及びオレンジピールの測定値を算出する際に投影される所定の波長のスリット光を示す図である。 本実施形態に係る学習処理の一例のフローチャートである。 Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの一例を説明するための図である。 Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの学習方法の一例を説明するための図である。 本実施形態に係る識別処理の一例のフローチャートである。 出力部により出力されるヒストグラムの一例を示す図である。 誤検出率と未検出率のグラフの一例を示す図である。

以下、本発明の実施形態について、図面を参照しながら詳細に説明する。

＜システム構成＞
まず、本実施形態のシステム構成について説明する。図１は、本実施形態に係る識別システムの一例のシステム構成図である。図１に示す識別システム１は、情報処理システムの一例であり、情報処理装置１０と、分光カメラ装置２０と、光源装置３０と、投影装置４０と有し、それぞれが所定のデータ伝送路で接続されている。なお、所定のデータ伝送路としては、例えば、ＬＡＮ（Local Area Network）、インターネット、電話回線網等である。ただし、所定のデータ伝送路は、これに限られず、識別システム１の全部又は一部の構成が例えばＵＳＢケーブル等により直接に接続されていてもよい。また、所定のデータ伝送路は、有線接続に限られず、識別システム１の全部又は一部は無線接続されていてもよい。

情報処理装置１０は、例えばコンピュータ等であり、分光カメラ装置２０が物体を撮像することにより取得した分光情報に基づき、当該物体の物理的特性に関する多次元データを取得する。また、情報処理装置１０は、物体の物理的特性に関する多次元データに基づき、当該物体が例えば規格を満たす製品であるか否かの識別を行う。なお、物体の物理的特性に関する多次元データは、第１のデータの一例である。

ここで、物体の物理的特性とは、偏角分光情報、偏角測色情報、及びＢＲＤＦ（Bidirectional Reflectance Distribution Function：双方向反射率分布関数）情報、並びに光輝感、粒子感、光沢、ヘーズ（濁度又は曇度）、写像性、及びオレンジピール等の質感に関する情報である。なお、これらの各情報の詳細については後述する。

分光カメラ装置２０は、光源装置３０による複数の所定の角度からの光の照射に同期して、１回の撮像動作（ワンショット）により２次元の分光情報を取得することができるカメラ装置である。ここで、１回の撮像動作とは、例えば、分光カメラ装置２０の後述する撮像部２１０がＣＭＯＳ（Complementary MOS）センサ又はＣＣＤ（Charge Coupled Device）センサ等の半導体撮像素子の場合、各画素で受光した撮像光（物体からの反射光）に応じて生成された電荷を読み出すまでの動作である。

なお、分光カメラ装置２０として、例えば、マルチバンドカメラ装置を用いることができる。マルチバンドカメラ装置は、メインレンズ内に挿入された分光フィルタ群と、メインレンズと受光素子の間に挿入されたマイクロレンズアイによって、マイクロレンズ毎に分光フィルタの数に応じた分光情報を取得することができる。また、分光カメラ装置２０として、１組以上のフィルタ、及び回析格子（又はプリズム）を含むハイパースペクトルカメラ装置等を用いてもよい。

光源装置３０は、複数の光源から構成され、２つ以上の所定の角度から物体に対して照明を照射することができる。なお、光源装置３０の光源としては、例えば、点光源、ライン照明、平行光照明等を用いることができる。また、光源の種類としては、例えば、タングステンランプ、ハロゲンランプ、キセノンランプ、白色ＬＥＤ（Light Emitting Diode）等を用いることができる。

投影装置４０は、例えばプロジェクタ等であり、物体の写像性及びオレンジピールに関する情報を取得する際等に、縞状の投影パターン（所定の空間周波数を有する投影パターン）を照射する。

なお、本実施形態に係る識別システム１は、一例であり、上記で説明した構成以外であってもよい。例えば、情報処理装置１０は、複数台のコンピュータ等により構成されていてもよい。また、情報処理装置１０又は／及び光源装置３０は、分光カメラ装置２０に含まれていてもよい。

＜概要＞
次に、本実施形態に係る識別システム１の処理の概要について説明する。本実施形態に係る識別システム１は、例えばある製品等の物体（試料）から多次元データを取得する処理と、取得した多次元データに基づき物体の識別を行う処理とに分けられる。

本実施形態に係る識別システム１は、以下のようにして、物体の偏角分光情報、偏角測色情報、及びＢＲＤＦ情報、並びに光輝感、粒子感、光沢、ヘーズ（濁度又は曇度）、写像性、及びオレンジピール等の質感に関する情報を取得（測定）する。これらの各情報を用いて、物体の物理的特性に関する多次元データが生成される。このような物理的特性に関する多次元データは、物体は所定の特徴量の一例である。

まず、偏角分光情報、偏角測色情報、及びＢＲＤＦ情報については、以下のようにして取得（測定）する。すなわち、所定の計算式で指定される範囲に設置された２つ以上の角度から光源装置３０により物体に対して照明を照射し、分光カメラ装置２０により１回の撮像動作を行うことで、反射光から２次元の分光情報を取得する。そして、物体の２次元の分光情報から得られる２次元画像内のＸ軸方向及びＹ軸方法の画素毎の照明方向と、撮像方向の光学幾何情報の変化を利用して、偏角分光情報を得る。これにより、２次元画像の面内を一様の物体と捉え、測定範囲として定めた角度範囲の偏角分光情報、偏角測色情報、及びＢＲＤＦ情報を得ることができる。なお、ＢＲＤＦ情報とは、ある反射地点に、ある方向から光が入射したとき、それぞれの方向へどれだけの光が反射されるかを表す反射地点に固有の関数である。ＢＲＤＦ情報は、赤（Ｒ）、緑（Ｇ）、青（Ｂ）の３種類の光の波長の分光情報を用いる。

次に、光輝感、粒子感、光沢、ヘーズ、写像性、及びオレンジピール等の質感に関する情報については、以下のようにして取得（測定）する。

光輝感は、分光カメラ装置２０の光学構成を、測定対象の物体に対する１ピクセルの分解能が例えば１０〜１００μｍとなるような光学構成として、ハイダイナミックレンジ技術を使用し、１８ビット以上のダイナミックレンジで撮影する。そして、照明角度毎、分光波長毎の明度ヒストグラムを計算し、角度及び波長毎の光輝面積と光輝強度を算出する。

粒子感は、上述した分解能の分光カメラ装置２０で、照明角度毎の粒子画像における照明の正反射光を避けた拡散光として判定された画素のみを用いて画像の再構成を行う。そして、再構成した画像から明／暗の面積の均一性を粒子感として数値化する。均一性は、例えば、画像のエントロピーや分散を用いてもよいし、フーリエ解析によって求めてもよい。

光沢は、正反射光を撮像した画素について、人間の視感度である５５５ｎｍ付近の分光情報及び標準ガラス板での校正結果を用いて数値化する。

ヘーズは、正反射光と正反射光から１．９度〜３度ずれた測定対象の物体面について、人間の視感度である５５５ｎｍ付近の分光情報及び標準ガラス板での校正結果を用いて数値化する。

写像性は、投影装置４０から投影した波長の短いスリット光（スリットパターンの光）を分光カメラ装置２０で撮像し、人間の視感度である５５５ｎｍ付近の分光情報及び標準ガラス板での校正結果を用いて数値化する。

オレンジピールは、投影装置４０から投影した波長の長いスリット光を分光カメラ装置２０で撮像し、人間の視感度である５５５ｎｍ付近の分光情報及び標準ガラス板での校正結果を用いて数値化する。なお、オレンジピールとは、ディスプレイ材料の素材に起因する光の乱反射で斑点ムラの現象（ミカンの皮のブツブツのように見える現象）である。

次に、本実施形態に係る識別システム１は、上記のように生成された多次元データについて、以下のようにして物体の識別を行う。

まず、予め半教師あり学習により学習を行った次元削減手段及び次元復元手段を用いて、多次元データの次元数を所定の次元数に次元削減した後、元の次元数に復元させる。

次に、多次元データと、次元復元手段により次元数が復元されたデータとの誤差を示す誤差データを算出する。そして、誤差データを用いて、半教師あり異常検知の手法で実現される識別手段により、多次元データの識別を行う。これにより、識別対象の物体が例えば規格を満たす製品であるか否かを識別することができる。

なお、上述したように、次元削減手段及び次元復元手段並びに識別手段は、半教師あり学習により予め学習させておく必要がある。すなわち、識別システム１のユーザは、例えば所定の規格を満たす複数の製品（ＯＫ製品）を準備して、これらの複数の製品から複数の多次元データ（ポジティブデータ）を生成する。そして、これらの多次元データを用いて次元削減手段及び次元復元手段並びに識別手段を予め学習させておく必要がある。

ここで、ポジティブデータとは、例えば所定の規格を満たす製品を分光カメラ装置２０で撮像することより生成される当該製品の物理的特性に関する多次元データである。他方、例えば所定の規格を満たさない製品を分光カメラ装置２０で撮像することにより生成される当該製品の物理的特性に関する多次元データは、ネガティブデータと称される。

本実施形態に係る識別システム１は、以上のようにして、識別対象の物体の偏角分情報を含む多次元データの生成、及び識別対象の物体の識別の行うことができる。

＜ハードウェア構成＞
次に、本実施形態に係る識別システム１に含まれる情報処理装置１０のハードウェア構成について説明する。図２は、本実施形態に係る情報処理装置の一例のハードウェア構成図である。図２に示す情報処理装置１０は、ＣＰＵ（Central Processing Unit）１１と、ＨＤＤ（Hard Disk Drive）１２と、ＲＡＭ（Random Access Memory）１３と、ＲＯＭ（Read Only Memory）１４と、入力装置１５と、表示装置１６と、外部Ｉ／Ｆ１７と、通信Ｉ／Ｆ１８とを備え、それぞれがバスＢで接続されている。

ＣＰＵ１１は、ＲＯＭ１４やＨＤＤ１２等の記憶装置からプログラムやデータをＲＡＭ１３上に読み出し、処理を実行することで、情報処理装置１０全体の制御や機能を実現する演算装置である。

ＨＤＤ１２は、プログラムやデータを格納している不揮発性の記憶装置である。格納されるプログラムやデータには、例えば、本実施形態を実現するためのプログラム、情報処理装置１０全体を制御する基本ソフトウェアであるＯＳ（Operating System）、ＯＳ上において各種機能を提供するアプリケーションソフトウェア等がある。ＨＤＤ１２は格納しているプログラムやデータを所定のファイルシステム及び／又はＤＢ（データベース）により管理している。なお、情報処理装置１０は、ＨＤＤ１２の代わりに又はＨＤＤ１２と併せて、ＳＳＤ（Solid State Drive）等を備えていてもよい。

ＲＡＭ１３は、プログラムやデータを一時保持する揮発性の半導体メモリ（記憶装置）である。ＲＯＭ１４は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ（記憶装置）である。

入力装置１５は、ユーザが各種操作信号を入力するのに用いられる装置であり、例えば、各種操作ボタン、タッチパネル、キーボード、マウス等である。表示装置１６は、情報処理装置１０による処理結果を表示する装置であり、例えば、ディスプレイ等である。

外部Ｉ／Ｆ１７は、記録媒体１７ａとのインタフェースである。記録媒体１７ａには、例えば、ＵＳＢ（Universal Serial Bus）メモリ、ＳＤカード、ＣＤ、ＤＶＤ等がある。

通信Ｉ／Ｆ１７は、分光カメラ装置２０、光源装置３０、投影装置４０等と通信するためのインタフェースである。

本実施形態に係る情報処理装置１０は、上記ハードウェア構成を有することにより、後述する各種処理を実現することができる。

＜機能構成＞
次に、本実施形態に係る識別システム１の機能構成について説明する。図３は、本実施形態に係る識別システムの一例の機能ブロック図である。

図３に示すように、情報処理装置１０は、情報生成部１１０と、情報識別部１２０と、出力部１３０とを有する。

情報生成部１１０は、分光カメラ装置２０の撮像部２１０により取得された分光情報に基づき、物体の物理的特性に関する情報を含む多次元データを取得・生成する。なお、情報生成部１１０は、物体の物理的特性に関する情報のうち、所定の情報のみを含む多次元データを生成してもよい。すなわち、生成される多次元データには、物体の物理的特性に関する情報のうち、例えばユーザ等により任意に選択された１以上の物体の物理的特性に関する情報を用いて多次元データが生成されてもよい。

情報生成部１１０は、校正情報取得部１１１と、情報校正部１１２と、測定値算出部１１３と、撮像制御部１１４と、光源制御部１１５と、パターン投影制御部１１６と有する。これら各機能部は、例えばＣＰＵ１１等により実現される。

校正情報取得部１１１は、測定開始時等に、例えば標準白色板、標準黒ガラス又はミラー等の校正部材を読み取ることで、校正情報を取得する。情報校正部１１２は、校正情報取得部１１１により取得された校正情報を用いて、写像性、オレンジピール等の情報を校正する。測定値算出部１１３は、情報校正部１１２により校正された情報を用いて、物理的特性に関する情報の各情報の値を算出する。撮像制御部１１４は、分光カメラ装置２０の撮像を制御する。光源制御部１１５は、光源装置３０を制御する。パターン投影制御部１１６は、投影装置４０を制御する。

情報識別部１２０は、物体の物理的特性に関する多次元データに基づき、当該物体が例えば規格を満たす製品であるか否かの識別を行う。情報識別部１２０は、図４に示すように、情報入力部１２１と、次元削減部１２２と、次元復元部１２３と、誤差算出部１２４と、識別処理部１２５とを有する。これら各機能部は例えばＣＰＵ１１等により実現される。また、情報識別部１２０は、パラメータ設定部１２６を有する。当該機能部は例えばＣＰＵ１１、入力装置１５等により実現される。

情報入力部１２１は、情報生成部１１０により生成された多次元データを入力する。なお、情報入力部１２１は、例えば外部Ｉ／Ｆ１７を介して記録媒体１７ａから多次元データを入力してもよい。

なお、以降では、次元削減部１２２、次元復元部１２３及び識別処理部１２５を予め学習するために用いる多次元データ（ポジティブデータ）を「学習データ１０００」と表す。また、情報識別部１２０による識別対象となる多次元データを「識別対象データ２０００」と表す。

次元削減部１２２は、入力された多次元データの次元数を削減する。すなわち、次元削減部１２２は、入力された多次元データを、この多次元データの特性を表し、かつ、この多次元データの次元数よりも少ない次元数のデータを生成する。なお、次元削減部１２２は、例えば、多層ニューラルネットワークの一種であるＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓや主成分分析（ＰＣＡ：Principal Component Analysis）等の手法を用いることができる。

次元復元部１２３は、次元削減部１２２により次元数が削減された後の多次元データを、元の次元数に復元する。すなわち、次元復元部１２３は、次元削減部１２２により生成された次元数が削減されたデータを、元の多次元データの次元数に復元した多次元データを生成する。なお、次元復元部１２３は、次元削減部１２２と同様に、例えば、多層ニューラルネットワークの一種であるＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓや主成分分析等の手法を用いることができる。

誤差算出部１２４は、入力された多次元データが次元削減部１２２により次元削減されたことにより発生した誤差量を算出する。すなわち、誤差算出部１２４は、情報入力部１２１に入力された多次元データと、次元復元部１２３により次元数が復元された後の多次元データとの差分を計算することで、誤差量を算出する。

識別処理部１２５は、半教師あり異常検知の手法を用いて識別対象データ２０００の識別を行う。すなわち、識別処理部１２５は、予め学習データ１０００に基づき学習されたモデルと、予め設定されたパラメータ等に基づき、識別対象データ２０００が例えばポジティブデータあるか否かを識別する。なお、識別処理部１２５が用いる半教師あり異常検知の手法は、例えば、密度ベースの外れ値検出手法であるＬＯＦ（Local Outlier Factor）やＳＶＭ（Support Vector Machine）の評価関数を変更した外れ値検出手法であるＯｎｅ−Ｃｌａｓｓ ＳＶＭ等を用いることができる。

パラメータ設定部１２６は、識別処理部１２５に対して識別対象データ２０００を識別するためのパラメータを設定する。パラメータ設定部１２６により設定されるパラメータとしては、例えば、ＬＯＦスコアの基準値がある。例えば、ユーザによりある基準値が設定された場合、この基準値を超えるＬＯＦスコアとなる識別対象データ２０００が識別処理部１２５によりネガティブデータであると識別される。

出力部１３０は、識別処理部１２５による識別結果を出力する。

また、図３に示すように、分光カメラ装置２０は、撮像部２１０を有する。撮像部２１０は、上述したように、光源装置３０による複数の所定の角度からの光の照射に同期して、１回の撮像動作により２次元の分光情報を取得する。

また、図３に示すように、光源装置３０は、点灯制御部３１０と、複数の照明部３２０とを有する。点灯制御部３１０は、光源制御部１１５の制御に従って複数の照明部３２０の点灯を制御する。照明部３２０は、光源であり、点灯制御部３１０の制御に従って点灯又は消灯する。

さらに、図３に示すように、投影装置４０は、投影部４１０を有する。投影部４１０は、パターン投影制御部１１６の制御に従って、所定の空間周波数を有する投影パターンを照射する。

なお、上記では１台の情報処理装置１０が、情報生成部１１０と、情報識別部１２０と、出力部１３０とを有する構成について説明したが、これに限られず、これらの各機能部の全部又は一部はそれぞれ異なる情報処理装置１０が有していてもよい。また、これらの各機能部の全部又は一部は、分光カメラ装置２０が有していてもよい。

＜処理の詳細＞
次に、本実施形態の処理の詳細を説明する。以降では、物体（試料）から当該物体の物理的特性に関する多次元データを取得する処理、及び物体（試料）から取得した多次元データに基づき物体の識別を行う処理について説明する。

≪多次元データの取得処理≫
まず、物体（試料）から当該物体の物理的特性に関する多次元データを取得する処理の説明の前に、本実施形態に係る分光カメラ装置２０の原理、及び分光カメラ装置２０と光源装置３０の各照明部３２０との位置関係について説明する。

（分光カメラ装置２０の原理）
本実施形態に係る分光カメラ装置２０の原理について、図５を用いて説明する。図５では、理解を容易とするために、光学系としてのメインレンズ５４は単レンズで示し、メインレンズ５４の絞り位置Ｓを単レンズの中心としている。メインレンズ５４の中心には、光学バンドパスフィルタとしてのカラーフィルタ５６が配置されている。カラーフィルタ５６は、ＸＹＺ表色系の等色関数に基づいた分光透過率を持つ色の三刺激値に対応したフィルタである。すなわち、カラーフィルタ５６は、ＸＹＺ表色系の等色関数に基づいた分光透過率が異なる複数（ここでは３つ）のカラーフィルタ５６ａ、５６ｂ、５６ｃから構成されている。

このような光学バンドパスフィルタは、分光透過率が異なるフィルタを複数組み合わせて構成してもよいし、一つのフィルタ上で領域毎に分光透過率を異ならせるように構成してもよい。例えば、４００ｎｍから７００ｎｍまでの波長域において、２０ｎｍ刻みで透過波長のピークを持った１６種類の光学バンドパスフィルタを用いた場合、４００ｎｍから７００ｎｍまでの波長域においての分光情報を２０ｎｍ刻みで取得することが可能である。

なお、実際には、図５に示すようにレンズ内にカラーフィルタ５６が位置することはない。カラーフィルタ５６は、メインレンズ５４の絞り付近に配置される。「絞り付近」とは、絞り位置を含み、種々の画角の光線が通過できる部位を意味する。換言すれば、メインレンズ５４に対するカラーフィルタ５６の設計上の許容範囲を意味する。

図６に光線の入射角度が０度の場合の各カラーフィルタ５６ａ、５６ｂ、５６ｃの分光透過率を示す。図６における実線、破線、点線はそれぞれ、ＣＩＥ−１９３１表色系で規定された等色関数に基づいたカラーフィルタ５６ａ（Ｆ_Ｘ）、５６ｂ（Ｆ_Ｙ）、５６ｃ（Ｆ_Ｚ）の分光透過率Ｔ_Ｘ（λ）、Ｔ_Ｙ（λ）、Ｔ_Ｚ（λ）である。

図７に、カラーフィルタ５６ａ（Ｆ_Ｘ）、５６ｂ（Ｆ_Ｙ）、５６ｃ（Ｆ_Ｚ）の幾何学的設計例を示す。図７では、カラーフィルタ５６をおおよそ扇型に３等分しているが、全体を円形としてもよいし、矩形で分割してもよい。また、各フィルタの面積の割合も等分である必要はない。

図６に示すように、Ｆ_Ｚについての等色関数のラインで囲まれる面積は他に比べて小さい。この面積の大小は信号雑音比（ＳＮ比）の大きさに相関する。ＳＮ比を大きくするために、Ｆ_Ｚに対応するカラーフィルタ５６ｃの面積を他に比べて大きくしてもよい。

次に、Ｔ_Ｘ（λ）、Ｔ_Ｙ（λ）、Ｔ_Ｚ（λ）の設計について説明する。図６の各分光透過率は、ＣＩＥ−１９３１表色系で規定された等色関数とレンズのフィルタを除く光学系の分光透過率Ｔ_Ｌ（λ）、および受光素子の分光感度Ｓ（λ）から設計される。すなわち、以下の（式１）〜（式３）で定義できる。

上記の（式１）〜（式３）では、センサ自体にも分光感度があるため、その不均一性をなくすためにＳ（λ）で除している。（式１）〜（式３）において、それぞれの最大値を透過率１００％として規格化したものがＴ_Ｘ（λ）、Ｔ_Ｙ（λ）、Ｔ_Ｚ（λ）となる。規格化することで、特にｘ（λ）、ｙ（λ）に対応したカラーフィルタについてＳＮ比を改善できる。このように設計したカラーフィルタを用いると、そのカラーフィルタを透過した光線を受光素子で検出した場合に、最大値による規格化を逆算するだけで、その出力値をそのままＸ、Ｙ、Ｚ（三刺激値）として用いることができる。

Ｔ_Ｘ（λ）、Ｔ_Ｙ（λ）、Ｔ_Ｚ（λ）は複雑な波形ではあるが、設計値に近い値で生成することが可能である。Ｔ_Ｘ（λ）、Ｔ_Ｙ（λ）、Ｔ_Ｚ（λ）は、一例として誘電体多層膜で生成することができる。誘電体多層膜は、光学的な干渉作用によりバンドパスフィルタとして機能する。カラーフィルタ５６の分光透過率は、干渉作用でバンドパスフィルタを実現できるため、原理的に光線の入射角度依存性を持ち、一般に入射角度が大きくなるにつれて短波長側に透過帯域がシフトする。

図５に示すように、メインレンズ５４の集光位置付近には、複数のマイクロレンズ（小レンズ）から構成されるマイクロレンズアレイ（ＭＬＡ）５３が配置されている。イメージ面には、メインレンズ５４により集光された光情報を電子情報（電気信号）に変換する複数の受光素子（センサ）を備えた受光素子アレイ５５が配置されている。ＭＬＡ５３のマイクロレンズの径と、受光素子アレイ５５を構成する各受光素子とは、約「３０：１〜２：１」の比率の関係にある。なお、ＭＬＡ５３のレンズアレイを構成するレンズの部分以外は、例えば酸化クロムを蒸着することにより形成した遮光部により遮光されている。遮光部は、曲率を持たない平坦部や曲率が製造的に設計値仕様を満たさない領域である。これらの領域からの光は、設計上意図しない光線を受光素子まで届けるおそれがあるため、遮光することで設計から想定される電気信号を得ることができる。これにより、正確な測定値を得ることができる。

受光素子アレイ５５は、画素毎のカラーフィルタが実装されていないモノクロセンサである。以下、受光素子アレイを「モノクロセンサ」ともいう。図５に示す物体５７から発する光のうち、メインレンズ５４の開口に入射し絞りを通過する光束が測定の対象となる。メインレンズに入射した光束は、無数の光線の集合であり、それぞれの光線はメインレンズ５４の絞りの異なる位置を通過する。図５の例の場合、メインレンズ５４の絞り位置に、３つのカラーフィルタ５６ａ、５６ｂ、５６ｃを配置しているので、各光線は異なる分光透過率を持つ３つのフィルタを通過することになる。このとき、フィルタ面に入射する光線の角度は物体高さにより異なる。これは図５中、符号Ｐ、符号Ｑで示す物体上の点から発した光束の主光線が、異なる角度でメインレンズ５４の絞り面を通過していることからもわかる。

カラーフィルタ５６を通過した光線は、ＭＬＡ５３付近で一旦結像するが、その後ＭＬＡ５３によりそれぞれセンサの別位置に到達する。すなわち、センサ面の位置（受光位置）は、光線が通過したフィルタ面に対応するため、物体のある一点から発した光を波長的に三刺激値Ｘ、Ｙ、Ｚに分解した値を測定することができる。しかし、上述したように、カラーフィルタ５６の分光透過率は、入射角依存性を持つため、受光素子の出力を単純に用いただけでは、光軸上はよくても軸外を含めた二次元面の正確な三刺激値Ｘ、Ｙ、Ｚを測定することは困難となる。

このため、分光カメラ装置２０は、基準となる値と、分光カメラ装置２０からの出力値から算出した値とを用いて受光位置毎に補正した二次元面の正確な三刺激値を得るようになっている。一般には、重回帰分析と呼ばれる手法である。重回帰分析では、説明変数と目的変数とを予め用意し、それらから求まる回帰行列を利用して補正演算を行う。以下にその手順を具体的に述べる。まず、分光カメラ装置２０からの出力値を算出する手順について述べる。これは重回帰分析における説明変数に相当する。

図５の構成で撮影された画像は、図８に示すような小さな円が並んだものとなる。円になるのは単レンズ（メインレンズ５４）の絞り形状が円形状だからである。ここでは、それぞれの小さな円を「マクロピクセル」と呼ぶこととする。各マクロピクセルは、レンズアレイを構成する各小レンズの直下に形成される。マクロピクセルの内部構造は、図７に示したカラーフィルタの構造に対応したものとなる。マクロピクセルの拡大図を図９に示す。図９と図７とを比べて、上下左右が反転しているのは、光学系を通過したことによるものである。ただし、この対応関係は光学系に依存するため、この例に限ったものではない。

マクロピクセルの内部構造Ｍ_Ｘ、Ｍ_Ｙ、Ｍ_Ｚは、それぞれ、カラーフィルタＦ_Ｘ、Ｆ_Ｙ、Ｆ_Ｚを通過した光が到達した結果である。Ｍ_Ｘ、Ｍ_Ｙ、Ｍ_Ｚの受光素子の出力値をｖ＝［ｖ_Ｘ，ｖ_Ｙ，ｖ_Ｚ］^ｔとする。ｔは行列の転置を意味する。なお、出力値の取り方は、Ｍ_Ｘ、Ｍ_Ｙ、Ｍ_Ｚの平均値をとってもよいし、Ｍ_Ｘ、Ｍ_Ｙ、Ｍ_Ｚから一つの受光素子を選択し、その出力値を代表値としてもよい。

次に、基準となる値の取得方法について述べる。これは重回帰分析における目的変数に相当する。色空間において広い範囲をカバーする色見本を分光器等のＸ値、Ｙ値、Ｚ値を測定する装置で測定し、それらを基準の値とする。色見本としては、例えば広く用いられている「カラーチェッカー」と呼ばれる２４色の矩形の色見本が並んだものを用いることができる。なお、色見本はカラーチェッカーに限られず、測定したい対象がわかっていれば、その色に近いものを基準の値とすることでより良い補正結果を得ることができる。ある色見本に対するＸ、Ｙ、Ｚ（三刺激値）の基準の値をｒ＝［ｒ_Ｘ，ｒ_Ｙ，ｒ_Ｚ］^ｔとする。

次に、補正演算の流れを述べる。まず、色見本を測定器で測定し、基準の値を得る。色見本に２４色のカラーチェッカーを用いた場合、便宜的に番号を付け、１番目の色に対する基準の値をｒ_１＝［ｒ_１Ｘ，ｒ_１Ｙ，ｒ_１Ｚ］^ｔとする。すなわち、ｒ_１〜ｒ_２４までの値を得る。そして、Ｒ＝［ｒ_１，・・・，ｒ_２４］とする。Ｒは、３行２４列の行列となる。この行列Ｒが目的変数である。

次に、分光カメラ装置２０で色見本を撮影し、撮像情報を取得する。このとき画像全体に一つの色見本が映るように配置する。各マクロピクセルからｖを取得する。基準の値と同様にＶ＝［ｖ_１，・・・，ｖ_２４］を得る。このＶが説明変数となる。ここまでで得られたＲ及びＶから以下の（式４）により行列Ｇを求める。

この行列Ｇは、回帰行列と呼ばれ、補正演算に用いられる。説明変数Ｖは、マクロピクセル毎に別の値を持つため、行列Ｇもマクロピクセル毎に算出される。以上が補正演算のための準備である。

実際に測定を行うときの流れを説明する。測定対象となる試料を、分光カメラ装置２０で撮像する。撮像画像に含まれる各マクロピクセルについて出力値を算出する。これを、ｖ_Ｃ＝［ｖ_ＣＸ，ｖ_ＣＹ，ｖ_ＣＺ］^ｔとする。次に、補正された三刺激値ｒ_Ｃを、以下の（式５）の演算を行うことで算出する。マクロピクセル毎にｒ_Ｃを求めることで、二次元面の正確な三刺激値を求めることができる。

上述の流れでは、出力値をそのまま用いるＶやｖ_Ｃを用いたが、以下の（式６）に示すように拡張することもできる。

ここで（式６）の「・・・」は、Ｖ_ＸＶ_Ｙ及びＶ_Ｘ ^３等の項次の項である。このような拡張を行うことで、補正の精度を高め、より正確な値を求められることができる。拡張したＶで回帰行列Ｇを求めた場合には、実際に（式５）を用いた測定の場合にも、拡張したｖ_Ｃを用いることが好ましい。

なお、分光カメラ装置２０としては、図１０の構成の分光カメラ装置２０を用いてもよい。図１０に示す分光カメラ装置２０の場合、メインレンズ８５の像位置とセンサ面８８が共役関係になるようにマイクロレンズアレイ８７を設けている。また、センサ面８８上には、図１１に示すように、複数の分光フィルタ８９ａ〜８９ｄを設けることにより、上記と同等の効果が得ることができる。

図１０に示す分光カメラ装置２０の場合、マイクロレンズアレイ８７のレンズの数と分光フィルタ８９ａ〜８９ｄの数は一致する。そして、メインレンズ８５の像を各々のマイクロレンズアレイ８７で、各センサ位置に結像する。図１０に示す分光カメラ装置２０の場合、複雑な画像処理が不要であるため、高速演算が可能となる。また、各分光画像を、それぞれ隣接する撮像領域で同時に撮像可能であるため、センサ面８８を有効に利用でき、図５等を用いて説明した上述の分光カメラ装置２０よりも、より高解像度の分光画像を得ることができる。

また、メインレンズ８５と、マイクロレンズアレイ８７との間に、フィールドレンズ８６を設けてもよい。このフィールドレンズ８６を設けることで、各マイクロレンズアレイ８７で作られる像の視差を低減できる。なお、フィールドレンズ８６は、メインレンズ８５の射出瞳とマイクロレンズアレイ８７の入射瞳が共役関係にあることが好ましい。

（分光カメラ装置２０と光源装置３０の各照明部３２０との位置関係）
次に、本実施形態に係る分光カメラ装置２０と光源装置３０の各照明部３２０との位置関係について、図１２及び図１３を用いて説明する。

本実施形態に係る光源装置３０は、平面上の試料（物体）６１に対して、２つ以上の角度に設置された各照明部３２０ａ〜３２０ｅからそれぞれ光を照射する。そして、試料６１に対して、例えば垂直方向（試料６１の真上）又は図１２に示すような上方（試料６１の斜め上）に設置された分光カメラ装置２０で、試料６１の２次元の分光情報を、各照明部３２０ａ〜３２０ｅの光の照射角度毎に、１回の撮像動作で取得する。この場合において、本実施形態に係る識別システム１は、試料６１のサイズ、被写体距離、分光カメラ装置２０の画角に対応して、試料６１の右端６１ａ、左端６１ｂにおける光の照射角および鏡面反射角と、試料６１の右端６１ａ、左端６１ｂにおける分光カメラ装置２０の視野角との差の角度（アスペキュラ角：ａｓｐｅｃｕｌａｒ）を、以下のような条件で設定する。そして、分光カメラ装置２０の位置に対応して決定した偏角範囲における試料６１の試料面の偏角分光情報を漏れなく取得する。

例えば、−１５度から１１０度までの範囲の偏角分光情報を取得する場合、図１２及び図１３に示すように、試料６１に対して４５度の角度に分光カメラ装置２０を設置する。また、図１２及び図１３に示すようにアスペキュラ角として、「角度Ａ≦−１５度≦角度Ｃ≦角度Ｂ≦角度Ｅ≦角度Ｄ≦角度Ｇ≦角度Ｆ≦角度Ｉ≦角度Ｈ≦１１０度≦角度Ｊ」となるように各照明部３２０を配置し、所望の偏角範囲の分光情報（偏角分光情報）を漏れなく取得する。

図１２の構成において、例えば、試料６１の直径を６０ｍｍ、画角を２２．６度の分光カメラ装置２０と試料６１との間の距離を１５０ｍｍ、試料６１と各角度に設置された照明３２０ａ〜３２０ｅとの距離を、それぞれ１５０ｍｍとする。この場合、図１３に示すように、取得できる最大偏角範囲は−１６度〜１２１度となる。同条件において、照明部３２０の数を増加した場合、最大で−５４度〜１４２度の偏角範囲となる。

これに対して、０度から９０度までの範囲の偏角分光情報を取得する場合は、図１４に示すように、試料６１に対して分光カメラ装置２０を垂直に設置する。また、アスペキュラ角として、「角度Ｎ≦０度≦角度Ｏ≦角度Ｋ≦角度Ｐ≦角度Ｌ≦９０度≦角度Ｍ」の条件を満たすように照明部３２０ｆ〜３２０ｈを設置し、カバー範囲の偏角分光情報を漏れなく取得できるようにする。図１４の例では、照明部３２０として照明部３２０ｆ〜３２０ｈの計３つを設けたが、試料６１のサイズ、被写体距離、分光カメラ装置２０の画角、測定したい偏角範囲に応じた照明部３２０の数を設ければよい。

図１４に示す構成において、試料６１の直径を６０ｍｍ、分光カメラ装置２０と試料６１との間の距離を１５０ｍｍ、試料６１と各角度に設置された照明部３２０ｆ〜３２０ｈとの間の距離をそれぞれ１５０ｍｍとする。この場合、取得可能な最大偏角範囲は−２３度〜１０１度となる。ＡＳＴＭ基準（Ｅ２５３９）では、パール色に対する通常のアスペキュラ角として−１５度〜１１０度が推奨されている。しかし、試料によっては、アスペキュラ角が０〜９０度でも、試料の特徴を把握可能な測定を行うことができる場合もある。このため、上述の図１２の構成及び図１４の構成は、試料に応じて使い分ければよい。

（物理的特性に関する多次元データの取得）
次に、試料（物体）６１から物理的特性に関する情報を測定する測定処理及び測定された測定値の算出処理について説明する。これにより、本実施形態に係る識別システム１は、試料６１の物理的特性に関する多次元データを取得することができる。

まず、処理の概要を説明する。図３において、情報処理装置１０は、撮像制御部１１４で分光カメラ装置２０の撮像制御を行う。また、情報処理装置１０は、光源制御部１１５で各照明部３２０の点灯制御を行い、測定値算出部１１３で、試料６１の物理的特性に関する各項目の測定値を算出する。なお、算出された測定値は、情報識別部１２０に出力してもよいし、例えばＨＤＤ１２や記録媒体１７ａ等の記憶装置に格納してもよい。

また、情報処理装置１０は、試料の測定の前に、校正情報取得部１１１で標準白色板等の校正部材の読み取りを行い、偏角分光情報を校正するための校正情報を生成する。また、情報処理装置１０は、写像性及びオレンジピールの測定時には、校正情報取得部１１１で均一な標準黒ガラス又は標準ミラー等の校正部材の読み取りを行い、偏角分光情報を校正するための校正情報を生成する。校正情報取得部１１１は、生成された校正情報を、ＨＤＤ１２やＲＯＭ１４等の記憶装置に格納する。情報校正部１１２は、測定により得られた試料の偏角分光情報を、校正情報を用いて校正する。測定値算出部１１３は、校正された偏角分光情報を用いて、各項目の測定値を算出する。なお、校正情報の生成は、例えば工場出荷時等の、試料の測定前に行っても良いし、校正部材を常備しておくことで、試料の測定毎に行ってもよい。

まず、通常の校正情報を取得する処理について図１５を用いて説明する。ここで、通常の校正情報とは、写像性及びオレンジピールの測定値を算出するために用いる校正情報以外の校正情報をいう。

図１５のステップＳ１５０１では、ユーザが手動で、又は校正情報取得部１１１が、標準白色板の移動機構を制御して、図１２又は図１４に示した試料６１の設置位置（分光カメラ装置２０の撮像範囲内）に標準白色板を設置する。

ステップＳ１５０２では、光源制御部１１５及び点灯制御部３１０は、図１２又は図１４に示した照明部３２０ａ〜３２０ｅ、又は照明部３２０ｆ〜３２０ｈのうち、いずれか一つの照明部３２０を点灯制御する。また、ステップＳ１５０３では、撮像制御部１１４は、点灯制御された照明部３２０からの光が照射された標準白色板を、ワンショットで撮像するように、分光カメラ装置２０を撮像制御する。そして、校正情報取得部１１１は、標準白色板の撮像情報を校正情報として、例えばＨＤＤ１２等の記憶装置に記憶させる。

本実施形態に係る識別システム１は、一つずつ、順次、照明部３２０を点灯制御しながら標準白色板を撮像する。ステップＳ１５０４では、撮像制御部１１４及び光源制御部１１５は、全ての照明部３２０に対応する撮像が完了したか否かを判別する。全ての照明部３２０に対応する撮像が完了していないと判別された場合（ステップＳ１５０４：Ｎｏ）、処理がステップＳ１５０２に戻る。そして、再度、次に点灯駆動される照明部３２０が、光源制御部１１５及び点灯制御部３１０により点灯駆動され、撮像制御部１１４の制御により、分光カメラ装置２０による標準白色板の撮像が繰り返し行われる。これにより、例えばＨＤＤ１２には、各照明部３２０に対応する各校正情報が格納される。

これに対して、全ての照明部３２０に対応する撮像が完了したと判別された場合（ステップＳ１５０４：Ｙｅｓ）、図１５の処理が終了する。

本実施形態に係る識別システム１は、このように校正情報を取得すると、図１６に示すように、試料の撮像を行うことで照明部３２０毎の偏角分光情報を取得し、各偏角分光情報を用いて、写像性及びオレンジピールを除く物理的特性の各項目の測定値を算出する。

図１６のステップＳ１６０１では、ユーザが手動で、又は校正情報取得部１１１が移動機構を制御して、図１２又は図１４に示すように、分光カメラ装置２０の撮像範囲内に試料６１を設置する。

ステップＳ１６０２では、光源制御部１１５及び点灯制御部３１０は、図１２又は図１４に示した照明部３２０ａ〜３２０ｅ、又は照明部３２０ｆ〜３２０ｈのうち、いずれか一つの照明部３２０を点灯制御する。また、ステップＳ１６０３では、撮像制御部１１４は、点灯制御された照明部３２０からの光が照射された試料６１を、ワンショットで撮像するように、分光カメラ装置２０を撮像制御する。そして、撮像制御部１１４は、試料６１の撮像情報である上述の偏角分光情報を、ＲＡＭ１３等の記憶部に記憶させる。

ここで、本実施形態に係る識別システム１は、光源制御部１１５が所定の露光時間となるように各照明部３２０ａ〜３２０ｅを点灯制御する動作（光量を変更する動作）、撮像制御部１１４が撮像時の露光時間を変更する動作のうち、いずれか一つ又は両方を行う。そして、測定値算出部１１３が、このような光量の変更または露光時間の変更に応じて取得した複数の２次元の分光情報を合成する。これにより、ダイナミックレンジを拡大した２次元の分光情報を生成することができる。

次に、本実施形態に係る識別システム１は、一つずつ、順次、照明部３２０を点灯制御しながら試料６１を撮像する。ステップＳ１６０４では、撮像制御部１１４及び光源制御部１１５は、全ての照明部に対応する撮像が完了したか否かを判別する。全ての照明部３２０に対応する撮像が完了していないと判別された場合（ステップＳ１６０４：Ｎｏ）、処理がステップＳ１６０２に戻る。そして、再度、次に点灯駆動される照明部３２０が、光源制御部１１５により点灯駆動され、撮像制御部１１４の制御により、分光カメラ装置２０による試料６１の撮像が繰り返し行われる。これにより、例えばＨＤＤ１２には、各照明部３２０に対応する各偏角分光情報が格納される。

次に、ステップＳ１６０４において、全ての照明部３２０に対応する撮像が完了したと判別された場合（ステップＳ１６０４：Ｙｅｓ）、処理がステップＳ１６０５に進む。ステップＳ１６０５では、情報校正部１１２は、例えばＨＤＤ１２に記憶されている校正情報を用いて、ＲＡＭ１３に記憶されている偏角分光情報をそれぞれ補正（校正）する。そして、ステップＳ１６０６において、測定値算出部１１３は、補正された偏角分光情報を用いて、後述するように各項目の測定値を算出する。具体的には、測定値算出部１１３は、偏角分光情報、偏角測色情報、ＢＲＤＦ情報、光輝感、粒子感、光沢、及びヘーズの各項目の測定値を算出する。

次に、写像性及びオレンジピールの測定値を算出するために用いる校正情報の取得処理について、図１７を用いて説明する。

図１７のステップＳ１７０１では、ユーザが手動で、又は校正情報取得部１１１が、標準黒ガラス又はミラーの移動機構を制御して、図１２又は図１４に示した試料６１の設置位置（分光カメラ装置２０の撮像範囲内）に標準黒ガラス等を設置する。

ステップＳ１７０２では、光源制御部１１５及び点灯制御部３１０は、図１２又は図１４に示した照明部３２０ａ〜３２０ｅ、又は照明部３２０ｆ〜３２０ｈのうち、いずれか一つの照明部３２０を点灯制御する。また、ステップＳ１７０３では、撮像制御部１１４は、点灯制御された照明部３２０からの光が照射された標準黒ガラス等を、ワンショットで撮像するように、分光カメラ装置２０を撮像制御する。そして、校正情報取得部１１１は、標準黒ガラス等の撮像情報を校正情報として、例えばＨＤＤ１２等の記憶装置に記憶させる。

本実施形態に係る識別システム１は、一つずつ、順次、照明部３２０を点灯制御しながら標準黒ガラス等を撮像する。ステップＳ１７０４では、撮像制御部１１４及び光源制御部１１５は、全ての照明部３２０に対応する撮像が完了したか否かを判別する。全ての照明部３２０に対応する撮像が完了していないと判別された場合（ステップＳ１７０４：Ｎｏ）、処理がステップＳ１７０２に戻る。そして、再度、次に点灯駆動される照明部３２０が、光源制御部１１５及び点灯制御部３１０により点灯駆動され、撮像制御部１１４の制御により、分光カメラ装置２０による標準黒ガラス等の撮像が繰り返し行われる。これにより、例えばＨＤＤ１２には、各照明部３２０に対応する写像性及びオレンジピールの各校正情報が格納される。

これに対して、全ての照明部３２０に対応する撮像が完了したと判別された場合（ステップＳ１７０４：Ｙｅｓ）、図１７の処理が終了する。

次に、このように写像性及びオレンジピールの各校正情報を取得すると、本実施形態に係る識別システム１は、図１８に示すように、試料の撮像を行うことで照明部３２０毎の偏角分光情報を取得し、各偏角分光情報を用いて、写像性及びオレンジピールの測定値を算出する。

図１８のステップＳ１８０１では、ユーザが手動で、又は校正情報取得部１１１が移動機構を制御して、図１２又は図１４に示すように、分光カメラ装置２０の撮像範囲内に試料６１を設置する。

ステップＳ１８０２では、光源制御部１１５及び点灯制御部３１０は、図１２又は図１４に示した照明部３２０ａ〜３２０ｅ、又は照明部３２０ｆ〜３２０ｈのうち、いずれか一つの照明部３２０を点灯制御する。また、ステップＳ１８０３では、撮像制御部１１４は、点灯制御された照明部３２０からの光が照射された試料６１を、ワンショットで撮像するように、分光カメラ装置２０を撮像制御する。そして、撮像制御部１１４は、試料６１の撮像情報である上述の偏角分光情報を、ＲＡＭ１３等の記憶部に記憶させる。

次に、本実施形態に係る識別システム１は、一つずつ、順次、照明部３２０を点灯制御しながら試料６１を撮像する。ステップＳ１８０４では、撮像制御部１１４及び光源制御部１１５は、全ての照明部に対応する撮像が完了したか否かを判別する。全ての照明部３２０に対応する撮像が完了していないと判別された場合（ステップＳ１８０４：Ｎｏ）、処理がステップＳ１８０２に戻る。そして、再度、次に点灯駆動される照明部３２０が、光源制御部１１５により点灯駆動され、撮像制御部１１４の制御により、分光カメラ装置２０による試料６１の撮像が繰り返し行われる。これにより、例えばＨＤＤ１２には、各照明部３２０に対応する各偏角分光情報が格納される。

次に、ステップＳ１８０４において、全ての照明部３２０に対応する撮像が完了したと判別された場合（ステップＳ１８０４：Ｙｅｓ）、処理がステップＳ１８０５に進む。ステップＳ１８０５では、情報校正部１１２は、例えばＨＤＤ１２に記憶されている写像性及びオレンジピールの校正情報を用いて、ＲＡＭ１３に記憶されている偏角分光情報をそれぞれ補正（校正）する。そして、ステップＳ１８０６において、測定値算出部１１３は、補正された偏角分光情報を用いて、後述するように写像性及びオレンジピールの測定値を算出する。

次に、物理的特性の各項目の測定値について、測定値算出部１１３による具体的な算出処理について説明する。本実施形態に係る識別システム１は、予め計算された範囲にそれぞれ異なる角度で設置された複数の照明部３２０から、試料に対して光を照射する。そして、試料からの反射光を、ワンショットで分光情報を取得可能な２次元の分光カメラ装置２０で撮影し、撮像された２次元画像のＸ軸方向およびＹ軸方向の各画素における照明方向及び撮像方向の光学幾何条件の変化を利用して偏角分光情報を得る。

本実施形態に係る識別システム１は、面内を一様の試料と捉えている。そして、測定値算出部１１３は、測定範囲として定めた角度範囲の偏角分光情報を用いて、偏角測色情報及びＢＲＤＦ情報を以下のように算出する。

（偏角分光情報）
偏角分光情報は、試料表面上のある点ｘ（ｉ，ｊ，θ，λ）における偏角分光反射特性であり、上述のように、分光カメラ装置２０により、各波長の情報としてＨＤＤ１２等の記憶装置に保存される。なお、「ｉ」は、Ｘ軸における受光素子上の座標、「ｊ」は、Ｙ軸における受光素子上の座標、「θ」は、アスペキュラ角、「λ」は、分光した波長である。

（偏角測色情報）
偏角測色情報は、ＣＩＥで定められている通り、まず、上述の偏角分光情報を用いて、三刺激値ＸＹＺを計算する。そして、三刺激値ＸＹＺを用いて、所定の演算を行うことで、Ｌ*ａ*ｂ*表色系又はＬ*ｕ*ｖ*表色系に変換し、これを偏角測色情報とする。

（ＢＲＤＦ情報）
図１９において、試料６１の表面上のある点ｘ（ｉ，ｊ）におけるＢＲＤＦ情報は、入射と反射の双方向に依存し、照明部３２０の方向（θ_ｉ，φ_ｉ）からの入射光の強さに対する分光カメラ装置２０の撮像方向（θ_ｒ，φ_ｒ）への反射光の強さの比として定義される。図１９に示す角度Ｑはθ_ｉ、角度Ｒはφ_ｉ、角度Ｓはθ_ｒ、角度Ｔはφ_ｒを示している。赤（Ｒ），緑（Ｇ），青（Ｂ）の３チャネル毎にＢＲＤＦ情報を定義する。以下の（式７）のように、４つの角度ＱＲＳＴをパラメータとするのが一般的であることから、測定値算出部１１３は、以下の（式７）の演算により、ＢＲＤＦ情報を算出する。

また、測定値算出部１１３は、光輝感、粒子感、光沢、ヘーズ、写像性、及びオレンジピール等の質感については、それぞれ以下のように測定値を算出する。

（光輝感）
分光カメラ装置２０は、試料６１に対する分解能が、１画素あたり、１０〜１００μｍの分解能の光学構成を有している。そして、分光カメラ装置２０は、ハイダイナミックレンジ技術を用いて、例えば１８ビット以上のダイナミックレンジで試料６１の撮像を行う。

このとき、測定値算出部１１３は、照明角度毎、分光波長毎に強度ヒストグラムを計算し、角度及び波長毎の光輝面積、光輝強度、及び光輝分散を算出する。具対的には、測定値算出部１１３は、例えば波長５５５ｎｍにおいて、角度１０度±２．５度の範囲毎に強度ヒストグラムを計算し、一定画素数以上の強度ヒストグラムを算出する。なお、この例では１０度毎に計算しているが、例えば５度毎等、他のアスペキュラ角度で強度ヒストグラムを計算してもよい。

（粒子感）
分光カメラ装置２０は、試料６１に対する分解能が、１画素あたり、１０〜１００μｍの分解能の光学構成を有している。そして、分光カメラ装置２０は、ハイダイナミックレンジ技術を用いて、例えば１８ビット以上のダイナミックレンジで試料６１の撮像を行う。

このとき、測定値算出部１１３は、照明角度毎の粒子画像の照明の正反射光以外の拡散光と判定した画素のみを用いて、画像の再構成を行う。そして、測定値算出部１１３は、再構成した画像から明るい箇所及び暗い箇所の分散値を算出し、算出した分散値を粒子感の測定値とする。正反射光は、ノイズである場合も多く、粒子感の演算が不正確なものとなるおそれがある。しかし、正反射光以外の拡散光に対応する画素のみを用いて、上述の画像の再構成及び分散値の算出を行うことにより、粒子感の正確な数値化を図ることができる。なお、分散値が小さければ、塗装面に対して塗料の粒子が均一に分散していることを示し、分散値が大きければ、塗装面に対して塗料の粒子がまばらに分散していることを示す。なお、均一性の数値化は、画像のエントロピーを用いて算出してもよいし、フーリエ解析によって算出してもよい。

（光沢）
測定値算出部１１３は、光沢の測定値を算出する場合、鏡面反射光を撮像した画素について、人間の視感度である５５５ｎｍの分光強度情報を用いる。そして、測定値算出部１１３は、日本工業規格（ＪＩＳ） Ｚ８７４１−１９９７ 鏡面光沢度−測定方法（Specular glossiness Methods of measurement）に準じた、以下の（式８）の演算を行うことで、光沢の測定値を算出する。

上記の（式８）において、「φｓ」は、規定された入射角θに対する試料面からの鏡面反射光束を示す。「φｏｓ」は、規定された入射角θに対する標準面からの鏡面反射光束を示す。「Ｇｏｓ（θ）」は、使用した標準面の光沢度（％）を示す。なお、標準面としては、標準黒ガラスまたは標準ミラーを用いてもよい。

また、測定値算出部１１３は、三刺激値ＸＹＺを変換した上述のＬ*ａ*ｂ*表色系の情報からフロップインデックス（Flop Index）を算出し、フロップ特性（明るさの変化の度合い）を算出する。フロップインデックスとは、角度毎のＬ*ａ*ｂ*表色系の情報の値と、ハイライトとシェードの間で見られる明度の相対的な変化である。

フロップインデックスの計算式としては、測定値算出部１１３は、デュポン社（ＤｕＰｏｎｔ社）が開発した、以下の（式９）を用いる。

なお、４５度で正規化せずに、単にハイライト（１５度）とシェード（１１０度）の差をフロップインデックスとしてもよい。

（ヘーズ）
測定値算出部１１３は、正反射光と正反射光から１．９度〜３度ずれた試料面について、人の視感度である５５５ｎｍの分光強度情報から、例えばＡＳＴＭにより規定される「ＡＳＴＭ Ｅ−４３０ Ｔｅｓｔ Ｍｅｔｈｏｄ Ｂ」等の演算を行い、ヘーズの測定値を算出する。

（写像性）
写像性の測定値を算出する場合、図２０に示すように、投影装置４０から試料に投影した所定の短波長のスリット光８０を、分光カメラ装置２０で撮像する。測定値算出部１１３は、人間の視感度である５５５ｎｍ付近の分光強度情報を用いて、例えば以下の（式１０）に示すＡＳＴＭ Ｄ５７６７−９５ Ｔｅｓｔ Ｍｅｔｈｏｄ Ｂの演算を行い、写像性及びオレンジピールの測定値を算出する。

なお、上記の（式１０）における「Ｃ」は写像性の測定値、「Ｍ」は分光強度情報の最大値、「ｍ」は分光強度情報の最小値を示している。

（オレンジピール）
オレンジピールの測定値を算出する場合、写像性と同様に図２０に示したように、投影装置４０からスリット光８０を投影して分光カメラ装置２０で撮像するのであるが、オレンジピールの測定時には、所定の長い波長のスリット光を投影して撮像を行う。測定値算出部１１３は、人の視感度である５５５ｎｍ付近の分光強度情報を用いて、例えば上述の（式１０）を用いて、オレンジピールの測定値を算出する。オレンジピールについては、周期の長いスリット光８０を用いることで、写像性よりも周期の長い大局的な凹凸特性を評価することができる。

以上のようにして、測定された物体（試料）の物理的特性に関する多次元データとして、偏角分光情報、偏角測色情報、ＢＲＤＦ情報、光輝感、粒子感、光沢、ヘーズ、写像性、及びオレンジピールの各測定値が算出される。ただし、多次元データには、上記の物理的特性に関する測定値を必ずしもすべて含める必要はなく、上記測定値のうち例えばユーザ等が選択した項目の測定値のみが含まれるようにしてもよい。ただし、多次元データには、少なくとも偏角分光情報が含まれることが好ましい。

≪識別処理≫
次に、上記のように物体（試料）から取得した多次元データに基づき物体の識別を行う処理について説明する。ただし、上述したように、次元削減部１２２及び次元復元部１２３並びに識別処理部１２５は、予め半教師あり学習の手法を用いて学習させておく必要がある。したがって、まず最初に、次元削減部１２２及び次元復元部１２３並びに識別処理部１２５を半教師あり学習の手法を用いて学習させる処理について説明する。

（学習処理）
まず、複数のポジティブデータを学習データ１０００として準備する。これは、例えば所定の規格を満たす製品（試料）について、上記の多次元データの取得処理で説明したように、多次元データを取得し、これを学習データ１０００とすればよい。このようにして準備した学習データ１０００を用いて、次元削減部１２２及び次元復元部１２３並びに識別処理部１２５を半教師あり学習の手法を用いて学習させる処理について、図２１を用いて説明する。

ステップＳ２１０１では、情報入力部１２１は、学習データ１０００を入力する。なお、情報入力部１２１は、学習データ１０００を、例えば、外部Ｉ／Ｆ１７を介して記録媒体１７ａから入力してもよいし、ＨＤＤ１２等の記憶装置から入力してもよい。また、情報入力部１２１は、学習データ１０００を、例えば、通信Ｉ／Ｆ１８を介してＬＡＮやインターネット等のネットワークから入力してもよい。さらに、上記のように学習データ１０００を予め準備しておくのではなく、試料を分光カメラ装置２０により都度撮像して生成した多次元データを入力してもよい。

なお、例えば、複数の分光カメラ装置２０を用いて上記の学習データ１０００を準備する場合、それぞれの分光カメラ装置２０のキャリブレーションを調整しておく必要がある。すなわち、それぞれの分光カメラ装置２０により生成される多次元データは、予め調整されたキャリブレーション情報により補正（校正）された多次元データである。このことは、後述する識別処理において複数の分光カメラ装置２０を用いる場合も同様である。

ステップＳ２１０２では、次元削減部１２２及び次元復元部１２３は、入力された学習データ１０００を用いて、学習を行う。なお、ここでは一例として次元削減部１２２及び次元復元部１２３が、主成分分析の手法を用いて実現される場合又はＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの手法を用いて次元される場合の２つの場合について説明する。ただし、次元削減部１２２及び次元復元部１２３は、これらの２つの場合に限られず、種々の次元削減及び次元復元の手法を用いて実現することができる。

（主成分分析）
まず、次元削減部１２２及び次元復元部１２３が主成分分析の手法を用いて実現される場合について説明する。この場合、次元削減部１２２及び次元復元部１２３の学習とは、入力された学習データ１０００に基づき、各主成分に対応する固有ベクトルを求めることに相当する。以降では、一例として、学習データ１０００は、３０個の１００次元のベクトルデータであるものとして説明する。また、次元削減部１２２は、１００次元のベクトルデータを、２５次元のベクトルデータに削減するものとする。ただし、次元削減部１２２による次元削減後の次元数は、設計事項であり、２５次元に限られず、任意の次元数でよい。このことは、Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの手法を用いる場合も同様である。

このとき、各学習データ１０００_１〜１０００_３０を、それぞれｙ^１、・・・、ｙ^３０として、以下のように表す。

このとき、Ｙを以下のように定義する。

そして、Ｙの分散共分散行列Ａを以下の式により演算する。

次に、以下の固有値方程式を解くことで、固有値λを求める。なお、Ｉは単位行列である。

次に、各固有値λに対して、以下の関係を満たす固有ベクトルｘを求める。

ここで、上記の（式１４）で求めた固有値λのうち、最も大きい値の固有値λが第一主成分となる。したがって、これをλ_１と表し、このλ_１に対して上記の（式１５）により求められた固有ベクトルをｘ^１とする。

同様に、上記の（式１４）で求めた固有値λのうち、λ_１の次に大きい値の固有値λが第二主成分となる。したがって、これをλ_２と表し、このλ_２に対して上記の（式１５）により求められた固有ベクトルをｘ^２とする。

以降、同様にして固有ベクトルｘ^３〜ｘ^２５を得ることができる。ここで得られた固有ベクトルｘ^１〜ｘ^２５は、例えば、ＨＤＤ１２等に保存される（つまり、次元削減部１２２による削減後の次元数と同数の固有ベクトルを保存する）。これにより、学習データ１０００を用いて、次元削減部１２２及び次元復元部１２３が学習される。なお、後述する処理（識別処理）において、ここで得られた固有ベクトルｘ^１〜ｘ^２５を用いて、次元削減及び次元復元が行われる。

（Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓ）
次に、次元削減部１２２及び次元復元部１２３が多層ニューラルネットワークの一種であるＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの手法を用いて実現される場合について説明する。この場合、次元削減部１２２及び次元復元部１２３の学習とは、入力された学習データ１０００に基づき、Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの各層のネットワーク係数（これは「重み」とも称される）を調整することに相当する。

なお、Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓとは、Ａｕｔｏ−Ｅｎｃｏｄｅｒと呼ばれるニューラルネットワークを積み重ねて多層とした構成のニューラルネットワークである。ここで、Ａｕｔｏ−Ｅｎｃｏｄｅｒとは、入力層と出力層のニューロン数（ユニット数）が同数であり、かつ、中間層（隠れ層）のニューロン数（ユニット数）が入力層（出力層）より少ない構成のニューラルネットワークである。

以降では、一例として、次元削減部１２２及び次元復元部１２３は、図２２に示すような５層から構成されるＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓにより実現されるものとして説明する。すなわち、次元削減部１２２は、入力された１００次元のベクトルデータを、５０次元のベクトルデータに次元削減した後、２５次元のベクトルデータに削減する。一方、次元復元部１２３は、入力された２５次元のベクトルデータを、５０次元のベクトルデータに次元復元した後、１００次元のベクトルデータに次元復元する。図２２に示すＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの学習について、図２３を用いて説明する。ここで、各学習データ１０００は、主成分分析の場合と同様に、上記の（式１１）で表されるものとする。

Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの学習は、Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓを構成するＡｕｔｏ−Ｅｎｃｏｄｅｒ毎に行われる。したがって、図２２に示すＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓは、Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓを構成する第１のＡｕｔｏ−Ｅｎｃｏｄｅｒ及び第２のＡｕｔｏ−Ｅｎｃｏｄｅｒについて、学習を行う（図２３のＳ１及びＳ２）。そして、最後に、Ｆｉｎｅ−ｔｒａｉｎｉｎｇと呼ばれる学習を行う（図２３のＳ３）。

Ｓ１）まず、図２２のＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓを構成する第１のＡｕｔｏ−Ｅｎｃｏｄｅｒについて、学習データ１０００を用いて学習を行う。すなわち、第１層（入力層）のニューロン数が１００、第２層（中間層、隠れ層）のニューロン数が５０、第３層（出力層）のニューロン数が１００の第１のＡｕｔｏ−Ｅｎｃｏｄｅｒについて、学習データ１０００を用いて学習を行う。

このような学習は、各ｉ（ｉ＝１，・・・，３０）に対して、ｙ^ｉを第１のＡｕｔｏ−Ｅｎｃｏｄｅｒの入力データ及び教師データとして誤差逆伝播法（Backpropagation）により学習を行えばよい。つまり、学習データ１０００を用いて、第１のＡｕｔｏ−Ｅｎｃｏｄｅｒの入力データと出力データが同じになるように、誤差逆伝播法によりネットワーク係数の調整を行う。

Ｓ２）次に、図２２のＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓを構成する第２のＡｕｔｏ−Ｅｎｃｏｄｅｒについて、第１のＡｕｔｏ−Ｅｎｃｏｄｅｒの第２層（中間層、隠れ層）に対する入力データを用いて学習を行う。

ここで、第１のＡｕｔｏ−Ｅｎｃｏｄｅｒにおいて、入力層（第１層）の各ニューロンと第２層の上からｊ番目のニューロンとの間のネットワーク係数をそれぞれｗ_１，ｊ、・・・、ｗ_{１００，ｊ}とすると、第２のＡｕｔｏ−Ｅｎｃｏｄｅｒの入力データは以下で表される。

したがって、各ｉ（ｉ＝１，・・・，３０）に対して、ｚ^ｉを第２のＡｕｔｏ−Ｅｎｃｏｄｅｒの入力データ及び教師データとして誤差逆伝播法により学習を行えばよい。つまり、３０個の５０次元のベクトルデータｚ^ｉを用いて、第２のＡｕｔｏ−Ｅｎｃｏｄｅｒの入力データｚ^ｉと出力データが同じになるように、誤差逆伝播法によりネットワーク係数の調整を行う。

Ｓ３）Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓを構成するすべてのＡｕｔｏ−Ｅｎｃｏｄｅｒについて学習を行った後、Ｆｉｎｅ−ｔｒａｉｎｉｎｇ（又は、Ｆｉｎｅ−Ｔｕｎｉｎｇ）と呼ばれる学習を行う。Ｆｉｎｅ−ｔｒａｉｎｉｎｇとは、学習を行ったすべてのＡｕｔｏ−Ｅｎｃｏｄｅｒから構成されたＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓについて学習データ１０００を用いて学習を行うことである。すなわち、各ｉ（ｉ＝１，・・・，３０）に対して、ｙ^ｉをＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの入力データ及び教師データとして誤差逆伝播法により学習を行えばよい。つまり、学習データ１０００を用いて、Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの入力データと出力データが同じになるように、誤差逆伝播法によりネットワーク係数の調整を行う。

このようなＦｉｎｅ−ｔｒａｉｎｉｎｇを最後に行うことで、Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの各ネットワーク係数が微調整され、次元削減部１２２及び次元復元部１２３の性能を向上させることができる。すなわち、後述する識別処理において、入力された識別対象データ２０００の識別処理部１２５による識別精度を向上させることができる。

なお、上記では、一例として、各層のニューロン数が１００、５０、２５、５０、１００である５層のＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓを用いて、説明したが、これに限られない。Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの各層のニューロン数、及び、ニューラルネットワークを構成する層の数は設計事項であり、任意の数を選択することができる。

ステップＳ２１０３では、誤差算出部１２４は、各学習データ１０００について次元削減及び次元復元された後の誤差を算出する。すなわち、上記のステップＳ２１０２で学習された次元削減部１２２及び次元復元部１２３に、各学習データ１０００を入力する。そして、誤差算出部１２４は、入力された各学習データ１０００と、次元復元された後の各学習データ１０００との誤差を算出する。

例えば、入力される各学習データ１０００が上記の（式１１）で表されるものとする。このとき、各ｙ^ｉを入力して次元削減部１２２により次元削減した後、次元復元部１２３により次元復元した結果（出力）をそれぞれＹ^ｉとすると、誤差算出部１２４は、各ｉに対してｙ^ｉとＹ^ｉの差分を計算することにより誤差Δ^ｉを算出する。つまり、誤差算出部１２４は、各ｉ（ｉ＝１〜３０）に対して以下を計算する。

なお、上記のステップＳ２１０２において次元削減部１２２及び次元復元部１２３が適切に学習されている場合、上記のΔ^ｉは略ゼロベクトルとなる。これは、入力された多次元データを次元削減部１２２により次元削減した結果である特徴ベクトルを、次元復元部１２３により次元復元すれば入力された多次元データが略復元されることを示している。

ステップＳ２１０４では、識別処理部１２５は、上記のステップＳ２１０３で算出された誤差Δ^ｉを用いて学習を行う。

例えば、識別処理部１２５に用いる外れ値検出手法としてＬＯＦを用いる場合、誤差Δ^ｉを多次元空間（上記の例では１００次元空間）にプロットして、ポジティブデータを表すデータ集合（ポジティブモデル）が生成する。なお、このようなデータ集合は、例えば、ＨＤＤ１２等に格納すればよい。

また、例えば、識別処理部１２５に用いる外れ値検出手法としてＯｎｅ−Ｃｌａｓｓ ＳＶＭを用いる場合、誤差Δ^ｉを多次元空間（上記の例では１００次元空間）にプロットして、ポジティブデータを表すデータ集合（ポジティブモデル）が生成する。そして、このデータ集合と、多次元空間上の所定の点とを分ける所定の平面（又は曲面）を求める。

このように識別処理部１２５を学習させておくことで、後述する識別処理において、ＬＯＦやＯｎｅ−Ｃｌａｓｓ ＳＶＭ等の外れ値検出手法を用いて識別対象データ２０００の識別を行うことができる。

以上のように、本実施形態に係る識別システム１は、ポジティブデータのみを用いた半教師付き学習の手法により学習を行う。したがって、例えば、不良品をほとんど準備することができない製品や場合（例えば、製品の試作段階等）等においても適切に学習を行うことができる。また、本実施形態に係る識別システム１は、半教師付き学習の手法を用いているため、例えば想定外（未知）のネガティブデータ（不良品）に対しても、後述する識別処理において適切に識別を行うことができる。

（識別処理）
次に、上記で説明したような学習処理を行った次元削減部１２２、次元復元部１２３、及び識別処理部１２５を用いて、識別対象データ２０００の識別を行う処理について、図２４を用いて説明する。識別対象データ２０００は、例えば、上記の多次元データの取得処理で説明したように、物体（試料）を測定することにより取得・生成された多次元データである。本処理において識別対象データ２０００を識別することにより、例えば測定対象の物体（試料）が、所定の規格を満たすか否かや所定の複数の品質区分（ランク）のうちのいずれに分類されるか等を識別することができる。

ステップＳ２４０１では、情報入力部１２１は、識別対象データ２０００を入力する。なお、情報入力部１２１は、識別対象データ２０００を、例えば、上記の多次元データの取得処理で説明したように、識別対象となる物体（試料）を分光カメラ装置２０で撮像することにより生成して入力する。また、情報入力部１２１は、識別対象データ２０００を、例えば、外部Ｉ／Ｆ１７を介して記録媒体１７ａから入力してもよいし、ＨＤＤ１２等の記録装置から入力してもよい。さらに、情報入力部１２１は、識別対象データ２０００を、例えば、通信Ｉ／Ｆ１８を介してＬＡＮやインターネット等のネットワークから入力してもよい。

ステップＳ２４０２及びステップＳ２４０３では、次元削減部１２２は、入力された識別対象データ２０００の次元数を削減して、特徴ベクトルを生成する。そして、次元復元部１２３は、特徴ベクトルの次元数を、識別対象データ２０００と同じ次元数に復元する。なお、ここでは一例として次元削減部１２２及び次元復元部１２３が、主成分分析の手法を用いて実現される場合又はＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの手法を用いて次元される場合の２つの場合について説明する。ただし、次元削減部１２２及び次元復元部１２３は、これらの２つの場合に限られず、種々の次元削減及び次元復元の手法を用いて実現することができる。

（主成分分析）
まず、次元削減部１２２及び次元復元部１２３が主成分分析の手法を用いて実現される場合について説明する。以降では、識別対象データ２０００は、１００次元のベクトルデータであるものとして説明する。また、次元削減部１２２は、１００次元のベクトルデータを、２５次元のベクトルデータに削減するものとする。

このとき、識別対象データ２０００を、ａとして、以下のように表す。

また、学習処理において予めＨＤＤ１２等に保存した固有ベクトルｘ^１〜ｘ^２５を、以下のように表す。

そして、各ｊに対して以下を計算する。すなわち、識別対象データ２０００と各固有ベクトルｘ^１〜ｘ^２５との相関演算を行う。

このようにして得られた多次元データλ＝［λ_１，λ_２，・・・，λ_２５］は特徴ベクトルと称される。すなわち、多次元データλは、識別対象データ２０００を次元削減部１２２により２５次元に次元削減したベクトルである。

次に、上記で得られた特徴ベクトルλを用いて、各ｊに対して以下を計算する。

このようにして得られた多次元データＡ＝［Ａ_１，Ａ_２，・・・，Ａ_１００］が、次元復元後の多次元データである。すなわち、多次元データＡは、特徴ベクトルλを次元復元部１２３により１００次元に次元復元した多次元データである。

以上のようにして、次元削減部１２２及び次元復元部１２３は、主成分分析の手法を用いて識別対象データ２０００の次元削減及び次元復元を行う。

（Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓ）
次に、次元削減部１２２及び次元復元部１２３が多層ニューラルネットワークの一種であるＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの手法を用いて実現される場合について説明する。ここで、識別対象データ２０００は、主成分分析の場合と同様に、上記の（式１８）で表されるものとする。

このとき識別対象データ２０００を示す多次元データａ＝［ａ_１，ａ_２，・・・，ａ_１００］を、上記の学習処理により予め学習された図２２に示すＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの第１層（入力層）に入力する。すると、Ｓｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓにより次元削減及び次元復元された出力データである多次元データＡ＝［Ａ_１，Ａ_２，・・・，Ａ_１００］を得ることができる。すなわち、図２２に示すＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓに多次元データａを入力すると、次元削減部１２２により５０次元に次元削減した後、さらに２５次元に次元削減する。このようにして得られた２５次元の多次元データが特徴ベクトルλである。そして、特徴ベクトルλを次元復元部１２３により５０次元に次元復元した後、さらに１００次元に次元復元し、多次元データＡを得ることができる。

以上のようにして、次元削減部１２２及び次元復元部１２３は、多層ニューラルネットワークの一種であるＳｔａｃｋｅｄ Ａｕｔｏ−Ｅｎｃｏｄｅｒｓの手法を用いて識別対象データ２０００の次元削減及び次元復元を行う。

ステップＳ２４０４では、誤差算出部１２４は、識別対象データ２０００について次元削減及び次元復元された後の誤差を算出する。すなわち、上記のステップＳ２４０２及びＳ２４０３で得られた多次元データＡと、識別対象データ２０００を示す多次元データａとを誤差算出部１２４に入力して、ａとＡの差分を計算することにより誤差Δを算出する。つまり、誤差算出部１２４は、以下を計算する。

なお、これは、識別対象データ２０００がポジティブデータ（正常値データ）である場合、上記のΔは略ゼロベクトルとなることを示している。他方、識別対象データ２０００がネガティブデータ（異常値データ）である場合、上記のΔは、｜Δ｜＞Ｃとなるある定数Ｃが存在することを示している。これにより、次のステップＳ２４０５において、識別処理部１２５による識別対象データ２０００の識別を行うことができる。

なお、上記のステップＳ２４０４の処理を行わないようにしてもよい。ただし、この場合、学習処理ではステップＳ２１０３の処理も同様に行わないようにする必要がある。又は、上記のステップＳ２４０３及びステップＳ２４０４の処理を行わないようにしてもよい。ただし、この場合も、学習処理ではステップＳ２１０３の処理を行わないようにする必要がある。

ステップＳ２４０５において、識別処理部１２５は、上記のステップＳ２４０４で算出された誤差Δを用いて、識別対象データ２０００の識別を行う。

例えば、識別処理部１２５に用いる外れ値検出手法としてＬＯＦを用いる場合、予め学習処理においてプロットしたポジティブデータを表すデータ集合と同じ多次元空間に、誤差Δをプロットする。そして、誤差Δをプロットした点のまわりの点の密度に基づきＬＯＦ値（ＬＯＦスコア）を算出し、算出されたＬＯＦスコアが所定の基準値以上である場合、識別処理部１２５は、識別対象データ２０００を異常値データあると判別する。なお、上記の所定の基準値は、パラメータ設定部１２６を用いて予めユーザ等により設定された値である。すなわち、ユーザは、例えば入力装置１５を介して所望の値を入力又は選択することにより、パラメータ設定部１２６により上記の基準値が設定される。

ここで、上記の所定の基準値は、複数設定されていてもよい。例えば、第１の基準値＞第２の基準値＞第３の基準値の関係にある基準値が設定されている場合、識別対象データ２０００のＬＯＦスコアが、第１の基準値を超える場合、識別対象の製品は不良品であり、第１の基準値以下で第２の基準値を超える場合、識別対象の製品の品質は「普通」あり、第２の基準値以下で第３の基準値を超える場合、識別対象の製品の品質は「良」であると識別される。すなわち、このように複数の基準値を設定することにより、識別対象データ２０００が複数のクラスのうちのいずれのクラスに分類されるかを識別することができる。

また、例えば、識別処理部１２５に用いる外れ値検出手法としてＯｎｅ−Ｃｌａｓｓ ＳＶＭを用いる場合、予め学習処理においてプロットしたポジティブデータを表すデータ集合と同じ多次元空間に、誤差Δをプロットする。そして、誤差Δを入力とした所定の関数値（評価関数の値）が、学習処理において求めた所定の平面（又は曲面）によって分けられた多次元空間のいずれに属するかにより、識別対象データ２０００が異常値データであるか否かを判別する。すなわち、例えば、識別処理部１２５は、誤差Δを入力とした所定の関数値が、所定の点が含まれる多次元空間に属する場合、識別対象データ２０００をネガティブデータあると識別する。一方、識別処理部１２５は、誤差Δを入力とした所定の関数値が、ポジティブデータを表すデータ集合が含まれる多次元空間に属する場合、識別対象データ２０００をポジティブデータであると識別する。

このようにして、識別処理部１２５は、識別対象データ２０００を識別することができる。本実施形態に係る識別システム１は、上記のように、予めポジティブデータにより学習された次元削減部１２２及び次元復元部１２３により次元削減及び次元復元を行った結果と、入力データとの誤差を用いることにより高い精度で識別を行うことができる。

ステップＳ２４０６では、出力部１３０は、上記のステップＳ２４０５における識別結果を、例えば表示装置１６に出力する。出力部１３０により表示装置１６に出力される内容は、例えば、識別対象の物体（試料）が所定の規格を満たすものであるか否かを示す情報である（例えば、識別した製品がＯＫ製品かＮＧ製品かを示す情報）。

また、出力部１３０は、識別を行った複数の物体（試料）についての図２５に示すようなヒストグラムを表示させてもよい。図２５に示すヒストグラムでは、識別を行った複数の物体（試料）に対応する識別対象データ２０００のＬＯＦスコアの頻度である。また、このとき、図２５に示すように、ＬＯＦスコアがｂ（第１の基準値）を超えるものはクラス「Ｃ」（例えば不良品）に分類され、ａ（第２の基準値）以上ｂ未満のものはクラス「Ｂ」（例えば普通品）に分類され、ａ以下のものはクラス「Ａ」（例えば良品）に分類される等の情報を出力してもよい。したがって、ユーザは、出力部１３０により出力された例えば図２５に示すようなヒストグラムを参考にして、入力装置１５を用いてパラメータ（基準値）を直接入力又は所定の記憶領域に記憶された複数の候補値から選択する。これにより、パラメータ設定部１２６により識別処理部１２５が用いるパラメータが設定される。

ユーザが例えば入力装置１５等を用いてパラメータ設定部１２６により設定できるパラメータは、上記のＬＯＦスコアの基準値に限られず、例えば、識別処理部１２５による識別の誤検出率と未検出率との比等であってもよい。ここで、誤検出率とは、識別対象データ２０００がポジティブデータであるにも関わらずネガティブデータであると識別されてしまう割合であり、他方、未検出率とは識別対象データ２０００がネガティブデータであるにも関わらずポジティブデータであると識別されてしまう割合である。このような誤検出率と未検出率とは、トレードオフの関係にある。

このような誤検出率と未検出率との比をユーザが設定するために、例えば、予めラベル付けされた所定のデータ群を用いて図２６のような識別処理部１２５の識別性能を示すグラフを算出して表示させる。そして、ユーザは、このグラフに基づき誤検出率と未検出率との比を設定することをできるようにしてもよい。図２６の例では、誤検出率と未検出率との比がｘ_１／ｙ_１に設定されている例である。

上記で説明したようにユーザは、パラメータ設定部１２６により識別処理部１２５が識別対象データ２０００を識別するための基準値等のパラメータを設定することができる。これにより、ユーザは、識別対象の物体や試料等の製品について、「ＯＫ製品／ＮＧ製品」や「良品／普通品／不良品」等の基準を容易に設定することができる。

特に、本実施形態に係る識別システム１では、物体（試料）から得られた多次元データに対して、上記のように１次元又は２次元のパラメータを設定することで上記の基準が容易に設定される。換言すれば、ユーザは、高次元で表されるデータについて、このデータを分類するための基準を低次元のパラメータで容易に設定することできる。

なお、上記では、識別処理部１２５による識別結果が出力部１３０により表示装置１６に出力される場合について説明したが、これに限られない。例えば、本実施形態に係る識別システム１をある製品の工場の生産ラインに適用し、ライン上の製品が不良品か否かを識別するような場合、不良品と識別された製品は異なるラインに流れるように制御するようにしてもよい。すなわち、出力部１３０による識別結果の出力先は、任意の装置、機器、システム等であってよい。

なお、本実施形態に係る識別システム１の応用例としては、例えば、上記の学習処理において学習させたデータ量に応じて、不図示の課金手段によりユーザに対して課金を行うというものが挙げられる。これは、一般に、上記の学習処理において学習させたデータ量が多い程、識別処理部１２５により識別性能は向上するためである。また、上記の識別処理において識別したデータ量に応じて、不図示の課金手段によりユーザに対して課金を行ってもよい。

なお、情報入力部１２１は、データ取得手段の一例である。識別処理部１２５は、識別手段の一例である。出力部１３０は、出力手段の一例である。次元削減部１２２は、次元削減手段の一例である。次元復元部１２３は、次元復元手段の一例である。誤差算出部１２４は、誤差算出手段の一例である。パラメータ設定部１２６は、設定手段の一例である。

本発明は、具体的に開示された上記の実施形態に限定されるものではなく、特許請求の範囲から逸脱することなく、種々の変形や変更が可能である。

１ 識別システム
１０ 情報処理装置
２０ 分光カメラ装置
３０ 光源装置
４０ 投影装置
１１０ 情報生成部
１１１ 校正情報取得部
１１２ 情報校正部
１１３ 測定値算出部
１１４ 撮像制御部
１１５ 光源制御部
１１６ パターン投影制御部
１２０ 情報識別部
１２１ 情報入力部
１２２ 次元削減部
１２３ 次元復元部
１２４ 誤差算出部
１２５ 識別処理部
１２６ パラメータ設定部
１３０ 出力部
２１０ 撮像部
３１０ 点灯制御部
３２０ 照明部
４１０ 投影部

特開２０１２−１７３２７２号公報

Claims (13)

1. １以上の情報処理装置を含む情報処理システムであって、
   識別対象である物体の所定の特徴量を示す多次元の第１のデータを取得するデータ取得手段と、
   前記データ取得手段により取得された前記第１のデータと予め設定された１以上の所定の基準値とに基づき、半教師あり異常検知の手法を用いて、前記第１のデータが複数のクラスのうちのいずれのクラスに分類されるかを識別する識別手段と、
   前記識別手段による識別結果を出力する出力手段と、
   を有する情報処理システム。
2. 前記第１のデータの所定の次元数を削減した第２のデータを生成する次元削減手段と、
   前記第２のデータの次元数を、前記第１のデータの次元数と同じ次元数に復元した第３のデータを生成する次元復元手段と、
   前記第１のデータと前記第３のデータとの差分を計算することにより、誤差を示す誤差データを算出する誤差算出手段とを有し、
   前記識別手段は、
   前記第１のデータと、前記誤差データと、前記所定の基準値とに基づき、半教師あり異常検知の手法を用いて、前記第１のデータが複数のクラスのうちのいずれのクラスに分類されるかを識別する、請求項１記載の情報処理システム。
3. 前記識別手段は、
   前記第１のデータが、正常なデータを示すクラス又は異常なデータを示すクラスのいずれに分類されるかを識別する、請求項１又は２記載の情報処理システム。
4. ユーザが１以上の前記所定の基準値を設定する設定手段を有し、
   前記設定手段は、
   前記ユーザが直接に入力することにより、又は、予め所定の記憶領域に記憶されている複数の基準値から選択することにより、前記所定の基準値を設定する、請求項１ないし３のいずれか1項に記載の情報処理システム。
5. 前記情報処理システムは、１以上の分光カメラ装置を含み、
   前記第１のデータは、前記分光カメラ装置により生成された多次元のデータである、請求項１ないし４のいずれか１項に記載の情報処理システム。
6. 前記多次元のデータは、
   前記物体に対して複数の角度から照明を照射して、前記分光カメラ装置により前記複数の角度毎に前記物体を撮像することにより生成した二次元の分光情報である、請求項５記載の情報処理システム。
7. 前記第１のデータは、前記１以上の分光カメラ装置により生成された多次元のデータを、それぞれのキャリブレーション情報により調整した多次元データである、請求項５又は６記載の情報処理システム。
8. 前記出力手段は、
   前記１以上の所定の基準値に基づくヒストグラムを出力する、請求項１ないし７のいずれか１項に記載の情報処理システム。
9. 前記データ取得手段は、
   前記第１のデータと、該第１のデータが複数のクラスのうちのいずれのクラスに分類されるかを示すラベル情報とを取得し、
   前記出力手段は、
   前記ラベル情報に基づき、前記識別手段による識別性能を表す情報を出力する、請求項１ないし７のいずれか１項に記載の情報処理システム。
10. 前記識別手段を半教師あり異常検知の手法を用いて学習させたデータ量に応じた金額を課金情報として記録する課金手段を有する請求項１ないし９のいずれか１項に記載の情報処理システム。
11. 情報処理装置であって、
    識別対象である物体の所定の特徴量を示す多次元の第１のデータを取得するデータ取得手段と、
    前記データ取得手段により取得された前記第１のデータと予め設定された１以上の所定の基準値とに基づき、半教師あり異常検知の手法を用いて、前記第１のデータが複数のクラスのうちのいずれのクラスに分類されるかを識別する識別手段と、
    前記識別手段による識別結果を出力する出力手段と、
    を有する情報処理装置。
12. １以上の情報処理装置を含む情報処理システムに用いられる情報処理方法であって、
    識別対象である物体の所定の特徴量を示す多次元の第１のデータを取得するデータ取得手順と、
    前記データ取得手順により取得された前記第１のデータと予め設定された１以上の所定の基準値とに基づき、半教師あり異常検知の手法を用いて、前記第１のデータが複数のクラスのうちのいずれのクラスに分類されるかを識別する識別手順と、
    前記識別手順による識別結果を出力する出力手順と、
    を有する情報処理方法。
13. 情報処理装置を、
    識別対象である物体の所定の特徴量を示す多次元の第１のデータを取得するデータ取得手段、
    前記データ取得手段により取得された前記第１のデータと予め設定された１以上の所定の基準値とに基づき、半教師あり異常検知の手法を用いて、前記第１のデータが複数のクラスのうちのいずれのクラスに分類されるかを識別する識別手段、
    前記識別手段による識別結果を出力する出力手段、
    として機能させるためのプログラム。

Images