JP2017194421A - 色差算出装置、色差算出方法及びプログラム - Google Patents

Abstract

【課題】検査対象物に複数の色が不規則に付与されている場合でも、検査対象物の見本との色差を算出する色差算出装置を提供する。【解決手段】色差算出装置１００は、検査対象物を示す比較画像から、検査対象物の色を示す比較色情報を取得し、検査対象物の見本を示す基準画像から、見本の色を示す基準色情報を取得する取得部１と、比較色情報を複数の比較クラスタにクラスタリングし、基準色情報を複数の基準クラスタにクラスタリングするクラスタリング部３と、比較クラスタから比較代表色を選択し、比較クラスタに対応する基準クラスタから基準代表色を選択する選択部４と、比較代表色と、基準代表色と、の色差を算出する算出部５と、を備える。【選択図】図２

Description

本発明は色差算出装置、色差算出方法及びプログラムに関する。

様々な色、柄及び模様等を含む生産物（工業製品、カタログ及び商業用広告等）の色の検査では、依然として人の目視による検査が行われている。製品が作られる過程で作成される良品見本及び不良品見本等を用いても、目視により多色を一元に検査することは困難である。また、少量多品種の生産現場では、様々な柄及び色の製品が製造される場合、全ての製品の色の許容限度を設定することにより、品質管理を行うと多くの労力が掛かる。そのため、どの色がどれくらい見本から外れているか、定量的に判断することができる技術が必要とされている。

このような技術として、例えば検査対象の製品に接触させて測定するハンディタイプの測色器が従来から知られている。しかしながら、ハンディタイプの測色器は、点撮影のタイプであるため、狭いエリアの色しか測定できなかった。そのため、ハンディタイプの測色器は、多色の製品の色管理には適していなかった。

また近年では、検査対象の製品と非接触で、通常のカメラのように面で撮影できる測色器も開発されている。特許文献１には、印刷物をカメラで撮影することにより取得された画像データを利用して、印刷中の印刷物の色調変動を、当該画像データ上で分割されたブロック毎に監視する方法及び装置が開示されている。

しかしながら従来の技術では、検査対象物に複数の色が不規則に付与されている場合に、検査対象物の見本との色差を算出することが難しかった。例えば検査対象物が不規則なパターンを持つ柄模様等を有する場合には、検査対象物の見本との色差を算出することが難しかった。

本発明は、上記に鑑みてなされたものであって、検査対象物に複数の色が不規則に付与されている場合に、検査対象物の見本との色差を算出することができる色差算出装置、色差算出方法及びプログラムを提供することを目的とする。

上述した課題を解決し、目的を達成するために、本発明は、検査対象物を示す比較画像から、前記検査対象物の色を示す比較色情報を取得し、前記検査対象物の見本を示す基準画像から、前記見本の色を示す基準色情報を取得する取得部と、前記比較色情報を複数の比較クラスタにクラスタリングし、前記基準色情報を複数の基準クラスタにクラスタリングするクラスタリング部と、前記比較クラスタから比較代表色を選択し、前記比較クラスタに対応する前記基準クラスタから基準代表色を選択する選択部と、前記比較代表色と、前記基準代表色と、の色差を算出する算出部と、を備える。

本発明によれば、検査対象物に複数の色が不規則に付与されている場合でも、検査対象物の見本との色差を算出することができるという効果を奏する。

図１は実施形態の色差算出装置のハードウェア構成の例を示す図である。 図２は実施形態の色差算出装置の機能構成の例を示す図である。 図３は実施形態の比較Ｌ^＊ａ^＊ｂ^＊値の分布の例を示す図である。 図４は実施形態の比較Ｌ^＊ａ^＊ｂ^＊値のクラスタリング結果の例を示す図である。 図５は実施形態の比較クラスタから代表色を選択する方法の例を示す図である。 図６は実施形態の基準画像及び比較画像の例を示す図である。 図７は実施形態の基準Ｌ^＊ａ^＊ｂ^＊値及び比較Ｌ^＊ａ^＊ｂ^＊値の分布の例を示す図である。 図８は実施形態の基準代表色の選択方法の例を示すフローチャートである。 図９は実施形態の色差判定方法の例を示すフローチャートである。 図１０Ａは実施形態の基準代表色のスペクトルの例を示す図である。 図１０Ｂは実施形態の比較代表色のスペクトルの例を示す図である。

以下に添付図面を参照して、色差算出装置、色差算出方法及びプログラムの実施形態を詳細に説明する。

［色差算出装置のハードウェア構成］
図１は実施形態の色差算出装置１００のハードウェア構成の例を示す図である。実施形態の色差算出装置１００は、カメラ１０１、照明装置１０２、コンピュータ１０３、表示装置１０４及び入力装置１０５を備える。

カメラ１０１は検査対象物２００を撮影する。具体的には、カメラ１０１は、カラーカメラ及び分光カメラ等である。なおカメラ１０１は、検査対象物２００の見本も同様に撮影する。照明装置１０２は、検査対象物２００を照らす照明である。

コンピュータ１０３は、色差算出装置１００の各種の制御処理を行う装置である。コンピュータ１０３は、制御装置１１１、主記憶装置１１２、補助記憶装置１１３及び通信装置１１４を備える。制御装置１１１は補助記憶装置１１３から主記憶装置１１２に読み出されたプログラムを実行する。主記憶装置１１２はＲＯＭ及びＲＡＭ等のメモリである。補助記憶装置１１３はＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）及びＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等である。通信装置１１４は他の装置と情報を送受信する。具体的には、コンピュータ１０３はパーソナルコンピュータ等である。

表示装置１０４は、コンピュータ１０３から出力される情報を表示する装置である。コンピュータ１０３から出力される情報は、例えば色差算出処理の処理結果等を示す情報である。具体的には、表示装置１０４は液晶ディスプレイ等である。

入力装置１０５は、コンピュータ１０３に情報を入力する装置である。コンピュータ１０３に入力される情報は、例えば色差算出処理が実行される際に参照される設定情報等である。設定情報は、例えば後述のクラスタリング処理により分類するクラスタの数、及び、色情報の変換処理の実行有無等である。具体的には、入力装置１０５はキーボード及びマウス等である。

［色差算出装置の機能構成］
図２は実施形態の色差算出装置１００の機能構成の例を示す図である。実施形態の色差算出装置１００は、取得部１、変換部２、クラスタリング部３、選択部４、算出部５及び判定部６を備える。

取得部１は、検査対象物２００を示す比較画像から、検査対象物２００の色を示す比較色情報を取得する。また取得部１は、検査対象物２００の見本を示す基準画像から、見本の色を示す基準色情報を取得する。以下、比較画像及び基準画像を区別しない場合は、単に画像という。また比較色情報及び基準色情報を区別しない場合は、単に色情報という。

なお色情報は、例えば色のスペクトル、及び、画像のＲＧＢ値等である。

＜色情報の変換処理＞
変換部２は、比較色情報をＬ^＊ａ^＊ｂ^＊色空間上の比較Ｌ^＊ａ^＊ｂ^＊値に変換する。また変換部２は、基準色情報をＬ^＊ａ^＊ｂ^＊色空間上の基準Ｌ^＊ａ^＊ｂ^＊値に変換する。具体的には、色情報がＲＧＢ値の場合、まず変換部２は、ＲＧＢ値で表された色情報を、ＩＴＵ−Ｔ ＢＴ．７０９に準拠した下記式（１）の変換式によりＸＹＺ値に変換する。

なお変換部２により使用される変換式は上記式（１）に限らず、他の変換式でもよい。

次に変換部２は、ＸＹＺ値を下記式（２）〜（４）によりＬ^＊ａ^＊ｂ^＊値に変換する。

ここでＸｎ、Ｙｎ及びＺｎは、画像のホワイトポイントの値を示す。またｆ（ｔ）は下記式（５）により定義される。

なお上述のＬ^＊ａ^＊ｂ^＊値の算出式（２）〜（５）はＣＩＥ１９７６に準拠しているが、Ｌ^＊ａ^＊ｂ^＊値の算出式は上記式（２）〜（５）に限られない。

図３は実施形態の比較Ｌ^＊ａ^＊ｂ^＊値の分布の例を示す図である。図３の例は、Ｌ^＊ａ^＊ｂ^＊値の算出式（２）〜（５）により算出された比較Ｌ^＊ａ^＊ｂ^＊値を、Ｌ^＊ａ^＊ｂ^＊空間にプロットした場合を示す。

なお変換部２による上述の色情報の変換処理は、省略してもよい。変換部２は、例えばユーザにより事前に色情報の変換処理を行わない設定がされていた場合、色情報の変換処理を省略する。クラスタリング処理の前に色情報の変換処理を行わない場合の説明は、実施形態の変形例で説明する。

＜クラスタリング処理＞
図２に戻り、クラスタリング部３は、比較Ｌ^＊ａ^＊ｂ^＊値を複数の比較クラスタにクラスタリングする。またクラスタリング部３は、基準Ｌ^＊ａ^＊ｂ^＊値を複数の基準クラスタにクラスタリングする。

図４は実施形態の比較Ｌ^＊ａ^＊ｂ^＊値のクラスタリング結果の例を示す図である。図４の例は、比較Ｌ^＊ａ^＊ｂ^＊値がＫ−ｍｅａｎｓ法により３つの比較クラスタにクラスタリングされた場合を示す。

ここでＫ−ｍｅａｎｓ法による比較Ｌ^＊ａ^＊ｂ^＊値のクラスタリングについて説明する。Ｋ−ｍｅａｎｓ法は、ユーザにより設定された数のクラスタにクラスタリングするクラスタリングアルゴリズムである。クラスタリング部３は、比較Ｌ^＊ａ^＊ｂ^＊値のそれぞれに、クラスタをランダムに設定する。次にクラスタリング部３は、比較クラスタ毎に、比較Ｌ^＊ａ^＊ｂ^＊値の分布の中心を求める。次にクラスタリング部３は、比較クラスタに含まれる比較Ｌ^＊ａ^＊ｂ^＊値の分布の中心と、比較Ｌ^＊ａ^＊ｂ^＊値との距離とを算出する。次にクラスタリング部３は、比較Ｌ^＊ａ^＊ｂ^＊値のそれぞれについて、分布の中心との距離が最も近い比較クラスタを、当該比較Ｌ^＊ａ^＊ｂ^＊値の比較クラスタに再設定する。以下、同様にして、クラスタリング部３は、比較クラスタに含まれる比較Ｌ^＊ａ^＊ｂ^＊値の分布の中心の算出、及び、比較Ｌ^＊ａ^＊ｂ^＊値に対する比較クラスタの再設定を、変化がなくなるまで繰り返す。これにより図４に示すクラスタリング結果が得られる。

なお図４の例では、クラスタリング部３は、分布の中心を算術平均により算出する。またクラスタリング部３は、比較クラスタに含まれる比較Ｌ^＊ａ^＊ｂ^＊値の分布の中心と、比較Ｌ^＊ａ^＊ｂ^＊値との距離を、ユークリッド距離により算出する。なお分布の中心の算出方法は、算術平均に限られない。また距離の算出方法は、ユークリッド距離に限られない。

また、クラスタリングの方法はＫ−ｍｅａｎｓ法に限る必要はなく、ユーザがクラスタ数を指定する必要が無いクラスタリングアルゴリズムを用いてもよい。ユーザがクラスタ数を指定する必要が無いクラスタリングアルゴリズムは、例えばｘ−ｍｅａｎｓ法等である。

基準Ｌ^＊ａ^＊ｂ^＊値を複数の基準クラスタにクラスタリングする方法の説明は、比較Ｌ^＊ａ^＊ｂ^＊値を複数の比較クラスタにクラスタリングする方法と同じなので省略する。

図２に戻り、選択部４は、比較クラスタから比較代表色を選択する。また選択部４は、基準クラスタから基準代表色を選択する。

図５は実施形態の比較クラスタから代表色を選択する方法の例を示す図である。点２０１ａ〜２０１ｃは、比較クラスタに含まれる比較Ｌ^＊ａ^＊ｂ^＊値の分布の中心である。具体的には、選択部４は、比較クラスタに含まれる色情報の分布の中心（Ｌ^＊ _ｃ，ａ^＊ _ｃ，ｂ^＊ _ｃ）から所定の閾値の範囲にある色の平均を、代表色として選択する。所定の閾値は、例えばΔＥ^＊ａ^＊ｂ^＊＜２．０である。ここで選択部４は、下記式（６）のΔＥ^＊ａ^＊ｂ^＊算出式によりΔＥ^＊ａ^＊ｂ^＊を算出する。

領域２０２ａ〜２０２ｃは、比較クラスタに含まれる比較Ｌ^＊ａ^＊ｂ^＊値の分布の中心からΔＥ^＊ａ^＊ｂ^＊＜２．０の範囲にある領域を示す。なお、ここでは、ΔＥ^＊ａ^＊ｂ^＊の閾値の範囲を、一般的に色差の違いが分かりにくいとされているΔＥ^＊ａ^＊ｂ^＊＜２．０としているが、所定の閾値は、ΔＥ^＊ａ^＊ｂ^＊＜２．０に限られない。

なお選択部４は、クラスタに含まれる色情報の分布の中心（Ｌ^＊ _ｃ，ａ^＊ _ｃ，ｂ^＊ _ｃ）が示す色を、代表色として選択してもよい。

基準クラスタから基準代表色を選択する方法の説明は、比較クラスタから比較代表色を選択する方法と同じなので省略する。

＜色差算出処理＞
図２に戻り、算出部５は、上述のΔＥ^＊ａ^＊ｂ^＊算出式、又は、後述のＣＩＥＤＥ２０００色差式により、比較代表色と、基準代表色と、の色差を算出する。

ＣＩＥＤＥ２０００色差式は、ＣＩＥＬ^＊ａ^＊ｂ^＊の色差不均等性を改善した色差式である。算出部５は、ＣＩＥＤＥ２０００色差式を用いることで、より人の知覚と相関のある色差を得ることができる。実施形態の説明では、色差の算出にＣＩＥＤＥ２０００色差式を用いる場合について説明する。以下に説明する式では、検査対象物２００の見本の値に添え字ｒｅｆを使用し、検査対象物２００の値に添え字ｔａｒを使用する。

まず算出部５は、比較代表色を示すＬ^＊ａ^＊ｂ^＊値、及び、基準代表色を示すＬ^＊ａ^＊ｂ^＊値のそれぞれについて、下記式（７）により定義されるクロマＣ^＊ _ａｂを算出する。

次に算出部５は、Ｌ’＝Ｌ^＊、ｂ’＝ｂ^＊とし、ａ’については下記式（８）及び（９）により算出する。

ここで、（９）式のＣ^＊７ _ａｂバーは、検査対象物２００のクロマＣ^＊ _ａｂと、検査対象物２００の見本のクロマＣ^＊ _ａｂと、の算術平均を７乗した値を示す。

次に算出部５は、ａ’の値を使用して下記式（１０）によりクロマＣ’を算出する。

また算出部５は、色相ｈ’を下記式（１１）により定義する。

次に算出部５は、ΔＬ’、ΔＣ’、Δｈ’及びΔＨ’を下記式（１２）〜（１５）により算出する。

次に算出部５は、下記式（１６）により色差ΔＥ_００を算出する。

ここでＳ_Ｌ、Ｓ_Ｃ、Ｓ_Ｈ、Ｔ、Ｒ_Ｔ、Δθ及びＲ_Ｃは、それぞれ下記式（１７）〜（２３）により算出される。

なおｋ_Ｌ、ｋ_Ｃ及びｋ_Ｈは重みパラメータであるが、通常は、全て１にして式（１６）の計算が行われる。

算出部５は、式（１６）により算出された色差ΔＥ_００を判定部６に入力する。

判定部６は、色差ΔＥ_００が閾値以下である場合、検査対象物２００が良品であると判定する。判定部６により使用される閾値は、例えばユーザにより設定される。また例えば判定部６により使用される閾値は、良品及び不良品を含む複数の検査対象物２００を、事前に用意し、当該複数の検査対象物２００から算出された色差ΔＥ_００から決定してもよい。

なお上述の説明では、３次元のＬ^＊ａ^＊ｂ^＊空間上でＬ^＊ａ^＊ｂ^＊値をクラスタリングする場合について説明した。しかしながら、色情報としてｎバンドのスペクトルデータが得られている場合は、クラスタリング部３が、ｎ次元空間上でスペクトルデータのクラスタリングを行ってもよい。この場合は、選択部４が、各クラスタの平均スペクトルデータを代表スペクトルデータとして選択し、変換部２が、色差算出前に、代表スペクトルデータをＬ^＊ａ^＊ｂ^＊値に変換する。スペクトルデータをクラスタリングする場合の説明は、実施形態の変形例で説明する。

＜検査対象物の例＞
次に実施形態の検査対象物２００の具体例について説明する。

図６は実施形態の基準画像２１１及び比較画像２１２の例を示す図である。図６の例は、検査対象物２００の見本を示す基準画像２１１、及び、検査対象物２００を示す比較画像２１２が、不規則な柄模様である場合を示す。検査対象物２００の見本及び検査対象物２００は、３種類の色から構成されており、そのうち１種類の色が異なる場合について説明する。また色情報が、４００ｎｍから７００ｎｍまで１０ｎｍ刻みで取得されたスペクトルデータである場合について説明する。すなわち各画素が、３１次元のスペクトルデータを有する場合について説明する。

はじめに、変換部２が、３１次元のスペクトルデータをＬ^＊ａ^＊ｂ^＊値に変換する。

図７は実施形態の基準Ｌ^＊ａ^＊ｂ^＊値及び比較Ｌ^＊ａ^＊ｂ^＊値の分布の例を示す図である。領域Α１、Β１及びΓ１は、検査対象物２００の見本の基準Ｌ^＊ａ^＊ｂ^＊値の分布を示す。領域Α２、Β２及びΓ２は、検査対象物２００の比較Ｌ^＊ａ^＊ｂ^＊値の分布を示す。

次に、クラスタリング部３は、Ｋ−ｍｅａｎｓ法を用いて基準Ｌ^＊ａ^＊ｂ^＊値を３つの基準クラスタにクラスタリングする。そして選択部４が、３つの基準クラスタのそれぞれから基準代表色を選択する。

表１は実施形態の基準代表色の例を示す。

基準代表色α１は、領域Α１から選択された基準代表色である。基準代表色β１は、領域Β１から選択された基準代表色である。基準代表色γ１は、領域Γ１から選択された基準代表色である。

また、クラスタリング部３は、Ｋ−ｍｅａｎｓ法を用いて比較Ｌ^＊ａ^＊ｂ^＊値を３つの比較クラスタにクラスタリングする。そして選択部４が、３つの比較クラスタのそれぞれから比較代表色を選択する。

表２は実施形態の比較代表色の例を示す。

比較代表色α２は、領域Α２から選択された比較代表色である。比較代表色β２は、領域Β２から選択された比較代表色である。比較代表色γ２は、領域Γ２から選択された比較代表色である。

次に算出部５が、ＣＩＥＤＥ２０００色差式により、表１に示す基準代表色と、表２に示す比較代表色の色差ΔＥ_００を算出する。

表３は実施形態の色差ΔＥ_００の例を示す。

代表色αは、表１に示す基準代表色α１と、表２に示す比較代表色α２との色差ΔＥ_００を示す。代表色βは、表１に示す基準代表色β１と、表２に示す比較代表色β２との色差ΔＥ_００を示す。代表色γは、表１に示す基準代表色γ１と、表２に示す比較代表色γ２との色差ΔＥ_００を示す。表３の例では、代表色γの色差ΔＥ_００が最も大きい。判定部６は、例えば閾値が１．００００の場合、代表色γの色差ΔＥ_００が閾値以下でないため、検査対象物２００が不良品であると判定する。

［色差算出方法］
次に実施形態の色差算出装置１００の動作方法について説明する。

図８は実施形態の基準代表色の選択方法の例を示すフローチャートである。

はじめに、クラスタリング部３が、検査対象物２００の見本の色を示す基準色情報を分類する基準クラスタの数を設定するか否かを判定する（ステップＳ１）。

基準クラスタ数が設定される場合（ステップＳ１、Ｙｅｓ）、クラスタリング部３は、ユーザにより設定された数の基準クラスタにクラスタリングするクラスタリングアルゴリズムを選択する（ステップＳ２）。ステップＳ２の処理により選択されるクラスタリングアルゴリズムは、例えばＫ−ｍｅａｎｓ法である。

基準クラスタ数が設定されない場合（ステップＳ１、Ｎｏ）、クラスタリング部３は、任意の基準クラスタ数（適切な基準クラスタ数）にクラスタリングするクラスタリングアルゴリズムを選択する（ステップＳ３）。ステップＳ３の処理により選択されるクラスタリングアルゴリズムは、例えばｘ−ｍｅａｎｓ法である。

次に、取得部１が、検査対象物２００の見本を示す基準画像から基準色情報を取得する（ステップＳ４）。例えば基準画像を撮影するカメラ１０１が、一般的なカラーカメラの場合、基準色情報は、ＲＧＢ値である。

次に、変換部２が、基準色情報の変換処理をするか否かを判定する（ステップＳ５）。

基準色情報の変換処理をする場合（ステップＳ５、Ｙｅｓ）、変換部２は、変換先の色空間を選択する（ステップＳ６）。変換先の色空間は、例えばＬ^＊ａ^＊ｂ^＊色空間及びＨＳＶ色空間等である。次に、変換部２は、基準色情報の変換処理を行う（ステップＳ７）。

基準色情報の変換処理をしない場合（ステップＳ５、Ｎｏ）、処理はステップＳ８に進む。

次に、クラスタリング部３が、ステップＳ２又はステップＳ３の処理により選択されたクラスタリングアルゴリズムを使用して、基準色情報を複数の基準クラスタにクラスタリングする（ステップＳ８）。なお、クラスタリング部３は、ステップＳ７の処理により基準色情報の変換処理が行われている場合、変換された色空間上で表された基準色情報を、複数の基準クラスタにクラスタリングする。変換された色空間上で表された基準色情報は、例えばＬ^＊ａ^＊ｂ^＊色空間上の基準Ｌ^＊ａ^＊ｂ^＊値等である。

次に、選択部４が、ステップＳ８の処理により分類された基準クラスタから基準代表色を選択する（ステップＳ９）。次に、選択部４は、ステップＳ９の処理により選択された基準代表色を補助記憶装置１１３に記憶する（ステップＳ１０）。

次に、クラスタリング部３が、ステップＳ２又はステップＳ３の処理により選択されたクラスタリングアルゴリズムを識別する識別情報を補助記憶装置１１３に記憶する。また変換部２が、ステップＳ７の変換処理の実行有無を補助記憶装置１１３に記憶する（ステップＳ１１）。

図９は実施形態の色差判定方法の例を示すフローチャートである。はじめに、算出部５が、上述のステップＳ１０の処理（図８参照）により補助記憶装置１１３に記憶された基準代表色を読み込む（ステップＳ２１）。

次に、クラスタリング部３が、上述のステップＳ１１の処理（図８参照）により補助記憶装置１１３に記憶された、基準代表色選択時のクラスタリングアルゴリズムを識別する識別情報を読み込む。また変換部２が、上述のステップＳ１１の処理（図８参照）により補助記憶装置１１３に記憶された基準色情報の変換処理の有無を読み込む（ステップＳ２２）。

次に、取得部１が、検査対象物２００を示す比較画像から比較色情報を取得する（ステップＳ２３）。

次に、変換部２が、比較色情報の変換処理をするか否かを判定する（ステップＳ２４）。具体的には、変換部２は、基準色情報の変換処理をしていた場合、比較色情報の変換処理を行うことを決定する。

比較色情報の変換処理をする場合（ステップＳ２４、Ｙｅｓ）、変換部２は、比較色情報を基準色情報の変換先の色空間と同じ色空間上の情報に変換する変換処理を行う（ステップＳ２５）。

比較色情報の変換処理をしない場合（ステップＳ２４、Ｎｏ）、処理はステップＳ２６に進む。

次に、クラスタリング部３が、ステップＳ２２の処理により読み込まれたクラスタリングアルゴリズムを使用して、比較色情報を複数の比較クラスタにクラスタリングする（ステップＳ２６）。なお、クラスタリング部３は、ステップＳ２５の処理により比較色情報の変換処理が行われている場合、変換された色空間上で表された比較色情報を、複数の比較クラスタにクラスタリングする。変換された色空間上で表された比較色情報は、例えばＬ^＊ａ^＊ｂ^＊色空間上の比較Ｌ^＊ａ^＊ｂ^＊値等である。

次に、選択部４が、ステップＳ２６の処理により分類された比較クラスタから比較代表色を選択する（ステップＳ２７）。

次に、算出部５が、基準代表色と、当該基準代表色に対応する比較代表色との組毎に、色差を算出する（ステップＳ２８）。算出部５は、例えば上述のＣＩＥＤＥ２０００色差式により、基準代表色と、比較代表色との色差ΔＥ_００を算出する。

次に、判定部６が、ステップＳ２８の処理により算出された全ての色差が閾値以下であるか否かを判定する（ステップＳ２９）。全ての色差が閾値以下である場合（ステップＳ２９、Ｙｅｓ）、判定部６は、検査対象物２００が良品であると判定する（ステップＳ３０）。全ての色差が閾値以下でない場合（ステップＳ２９、Ｎｏ）、判定部６は、検査対象物２００が不良品であると判定する（ステップＳ３１）。

以上説明したように、実施形態の色差算出装置１００では、取得部１が、検査対象物２００を示す比較画像から、検査対象物２００の色を示す比較色情報を取得し、検査対象物２００の見本を示す基準画像から、見本の色を示す基準色情報を取得する。変換部２が、比較色情報をＬ^＊ａ^＊ｂ^＊色空間上の比較Ｌ^＊ａ^＊ｂ^＊値に変換し、基準色情報をＬ^＊ａ^＊ｂ^＊色空間上の基準Ｌ^＊ａ^＊ｂ^＊値に変換する。クラスタリング部３が、比較Ｌ^＊ａ^＊ｂ^＊値を複数の比較クラスタにクラスタリングし、基準Ｌ^＊ａ^＊ｂ^＊値を複数の基準クラスタにクラスタリングする。選択部４が、比較クラスタから比較代表色を選択し、比較クラスタに対応する基準クラスタから基準代表色を選択する。そして算出部５が、ＣＩＥＤＥ２０００色差式により、比較代表色と、基準代表色と、の色差を算出する。

これにより実施形態の色差算出装置１００によれば、検査対象物２００に複数の色が不規則に付与されている場合でも、検査対象物２００の見本との色差を算出することができる。

（実施形態の変形例）
次に実施形態の変換例について説明する。実施形態の変形例の説明では、実施形態と同様の説明については省略し、実施形態と異なる箇所について説明する。実施形態の変形例では、クラスタリング処理の前に、変換部２が色情報を変換しない点が実施形態とは異なる。実施形態の変形例の説明では、色情報が色のスペクトルである場合を例にして説明する。なおスペクトルは、可視光を示すスペクトルに限られない。

クラスタリング部３は、取得部１により基準画像２１１（図６参照）から基準色情報として取得された色のスペクトルデータを、Ｋ−ｍｅａｎｓ法により３つの基準クラスタにクラスタリングする。またクラスタリング部３は、取得部１により比較画像２１２（図６参照）から比較色情報として取得された色のスペクトルデータを、Ｋ−ｍｅａｎｓ法により３つの比較クラスタにクラスタリングする。

選択部４は、基準クラスタから基準代表色を選択する。基準クラスタから基準代表色を選択する具体的な方法は、実施形態の説明と同様なので省略する。

図１０Ａは実施形態の基準代表色のスペクトルの例を示す図である。図１０Ａの例は、比較代表色α１、β１及びγ１のスペクトルの例を示す。

また選択部４は、比較クラスタから比較代表色を選択する。比較クラスタから比較代表色を選択する方法は、実施形態の説明と同様なので省略する。

図１０Ｂは実施形態の比較代表色のスペクトルの例を示す図である。図１０Ｂの例は、比較代表色α２、β２及びγ２のスペクトルの例を示す。

次に、変換部２が、基準代表色α１、β１及びγ１のスペクトルデータを、Ｌ^＊ａ^＊ｂ^＊値に変換する。

表４は実施形態の変形例の基準代表色α１、β１及びγ１のＬ^＊ａ^＊ｂ^＊値の例を示す。

また変換部２は、比較代表色α２、β２及びγ２のスペクトルデータを、Ｌ^＊ａ^＊ｂ^＊値に変換する。

表５は実施形態の変形例の比較代表色α２、β２及びγ２のＬ^＊ａ^＊ｂ^＊値の例を示す。

次に算出部５が、ＣＩＥＤＥ２０００色差式により、表４に示す基準代表色と、表５に示す比較代表色の色差ΔＥ_００を算出する。

表６は実施形態の変形例の色差ΔＥ_００の例を示す。

代表色αは、表４に示す基準代表色α１と、表５に示す比較代表色α２との色差ΔＥ_００を示す。代表色βは、表４に示す基準代表色β１と、表５に示す比較代表色β２との色差ΔＥ_００を示す。代表色γは、表４に示す基準代表色γ１と、表５に示す比較代表色γ２との色差ΔＥ_００を示す。表６の例では、代表色γの色差ΔＥ_００が最も大きい。判定部６は、例えば閾値が１．００００の場合、代表色γの色差ΔＥ_００が閾値以下でないため、検査対象物２００が不良品であると判定する。

以上説明したように、実施形態の変形例によれば、上述の実施形態の場合と同様に、検査対象物２００に複数の色が不規則に付与されている場合でも、検査対象物２００の見本との色差を算出することができる。

なお上述の色差算出装置１００の機能（図２参照）は、プログラム（ソフトウェア）により実現されてもよいし、ＩＣ（Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等のハードウェアにより実現されてもよい。また上述の色差算出装置１００の機能は、ソフトウェアとハードウェアとを組み合わせることにより実現されてもよい。

実施形態及び変形例の色差算出装置１００で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、メモリカード、ＣＤ−Ｒ及びＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）等のコンピュータで読み取り可能な記憶媒体に記憶されてコンピュータ・プログラム・プロダクトとして提供される。

また実施形態及び変形例の色差算出装置１００で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成してもよい。また実施形態及び変形例の色差算出装置１００が実行するプログラムを、ダウンロードさせずにインターネット等のネットワーク経由で提供するように構成してもよい。

また実施形態及び変形例の色差算出装置１００で実行されるプログラムを、ＲＯＭ等に予め組み込んで提供するように構成してもよい。

実施形態及び変形例の色差算出装置１００で実行されるプログラムは、上述の実施形態及び変形例の機能構成の一部又は全部を含むモジュール構成となっている。

制御装置１１１が補助記憶装置１１３等の記憶媒体からプログラムを読み出して実行することにより、プログラムにより実現される機能が主記憶装置１１２にロードされる。すなわちプログラムにより実現される機能は、主記憶装置１１２上に生成される。

１ 取得部
２ 変換部
３ クラスタリング部
４ 選択部
５ 算出部
６ 判定部
１００ 色差算出装置
１０１ カメラ
１０２ 照明装置
１０３ コンピュータ
１０４ 表示装置
１０５ 入力装置
１１１ 制御装置
１１２ 主記憶装置
１１３ 補助記憶装置
１１４ 通信装置
２００ 検査対象物

特許第４３９１０７１号公報

Claims (10)

1. 検査対象物を示す比較画像から、前記検査対象物の色を示す比較色情報を取得し、前記検査対象物の見本を示す基準画像から、前記見本の色を示す基準色情報を取得する取得部と、
   前記比較色情報を複数の比較クラスタにクラスタリングし、前記基準色情報を複数の基準クラスタにクラスタリングするクラスタリング部と、
   前記比較クラスタから比較代表色を選択し、前記比較クラスタに対応する前記基準クラスタから基準代表色を選択する選択部と、
   前記比較代表色と、前記基準代表色と、の色差を算出する算出部と、
   を備える色差算出装置。
2. 前記比較色情報及び前記基準色情報は、色のスペクトルを示す、
   請求項１に記載の色差算出装置。
3. 前記比較色情報は、前記比較画像のＲＧＢ値であり、前記基準色情報は、前記基準画像のＲＧＢ値である、
   請求項１に記載の色差算出装置。
4. 前記クラスタリング部は、ユーザにより設定された数のクラスタにクラスタリングするクラスタリングアルゴリズムにより、前記比較色情報及び前記基準色情報をクラスタリングする、
   請求項１乃至３のいずれか１項に記載の色差算出装置。
5. 前記クラスタリング部は、任意の数のクラスタにクラスタリングするクラスタリングアルゴリズムにより、前記比較色情報及び前記基準色情報をクラスタリングする、
   請求項１乃至３のいずれか１項に記載の色差算出装置。
6. 前記選択部は、前記比較クラスタに含まれる前記比較色情報の分布の中心が示す色を、前記比較代表色として選択し、前記基準クラスタに含まれる前記基準色情報の分布の中心が示す色を、前記基準代表色として選択する、
   請求項１乃至５のいずれか１項に記載の色差算出装置。
7. 前記選択部は、前記比較クラスタに含まれる前記比較色情報の分布の中心から所定の閾値の範囲にある色の平均を、前記比較代表色として選択し、前記基準クラスタに含まれる前記基準色情報の分布の中心から所定の閾値の範囲にある色の平均を、前記基準代表色として選択する、
   請求項１乃至５のいずれか１項に記載の色差算出装置。
8. 前記比較色情報をＬ^＊ａ^＊ｂ^＊色空間上の比較Ｌ^＊ａ^＊ｂ^＊値に変換し、前記基準色情報をＬ^＊ａ^＊ｂ^＊色空間上の基準Ｌ^＊ａ^＊ｂ^＊値に変換する変換部を更に備え、
   前記クラスタリング部は、前記比較Ｌ^＊ａ^＊ｂ^＊値を前記複数の比較クラスタにクラスタリングし、前記基準Ｌ^＊ａ^＊ｂ^＊値を前記複数の基準クラスタにクラスタリングし、
   前記算出部は、ΔＥ^＊ａ^＊ｂ^＊算出式又はＣＩＥＤＥ２０００色差式により、前記比較代表色と、前記基準代表色と、の色差を算出する、
   請求項１乃至７のいずれか１項に記載の色差算出装置。
9. 検査対象物を示す比較画像から、前記検査対象物の色を示す比較色情報を取得するステップと、
   前記検査対象物の見本を示す基準画像から、前記見本の色を示す基準色情報を取得するステップと、
   前記比較色情報を複数の比較クラスタにクラスタリングするステップと、
   前記基準色情報を複数の基準クラスタにクラスタリングするステップと、
   前記比較クラスタから比較代表色を選択するステップと、
   前記比較クラスタに対応する前記基準クラスタから基準代表色を選択するステップと、
   前記比較代表色と、前記基準代表色と、の色差を算出するステップと、
   を含む色差算出方法。
10. コンピュータを、
    検査対象物を示す比較画像から、前記検査対象物の色を示す比較色情報を取得し、前記検査対象物の見本を示す基準画像から、前記見本の色を示す基準色情報を取得する取得部と、
    前記比較色情報を複数の比較クラスタにクラスタリングし、前記基準色情報を複数の基準クラスタにクラスタリングするクラスタリング部と、
    前記比較クラスタから比較代表色を選択し、前記比較クラスタに対応する前記基準クラスタから基準代表色を選択する選択部と、
    前記比較代表色と、前記基準代表色と、の色差を算出する算出部、
    として機能させるためのプログラム。

Images