JP2019039727A

JP2019039727A - 画像検査装置、画像検査方法および画像検査プログラム

Info

Publication number: JP2019039727A
Application number: JP2017160652A
Authority: JP
Inventors: 大貴澁谷; Daiki Shibuya
Original assignee: Fujitsu Ltd
Current assignee: Fujitsu Ltd
Priority date: 2017-08-23
Filing date: 2017-08-23
Publication date: 2019-03-14
Also published as: CN109425622A; US20190066285A1

Abstract

【課題】誤判定を抑制することができる画像検査装置、画像検査方法および画像検査プログラムを提供する。【解決手段】画像検査装置は、第１画像の第１評価パラメータを用いて学習処理された第１評価基準に基づいて、第２画像の良否を判定する第１判定部と、前記第１判定部が前記第２画像を不良と判定した場合に、第２評価パラメータを用いて学習処理された第２評価基準に基づいて前記第２画像の良否を判定する第２判定部と、を備える。【選択図】図５

Description

本件は、画像検査装置、画像検査方法および画像検査プログラムに関する。

学習用画像を用いて、特定の評価パラメータを基に機械学習装置に機械学習を行わせて、機械学習装置に画像の良否判定を行わせる技術が知られている（例えば、特許文献１参照）。

特開２０１４−９４７９４号公報

学習済み機械学習装置に判定対象画像を判定させると、良画像は適切に判定される傾向にある。しかしながら、不良画像と判定される画像の中には、本来であれば良画像と判定されるべきものがある。この場合、不良画像と誤判定される良画像が良画像と正しく判定されるために機械学習装置に再学習させると、再学習前には不良画像と正しく判定されていた画像が、良画像と誤判定されるおそれがある。

１つの側面では、本件は、誤判定を抑制することができる画像検査装置、画像検査方法および画像検査プログラムを提供することを目的とする。

１つの態様では、画像検査装置は、第１画像の第１評価パラメータを用いて学習処理された第１評価基準に基づいて、第２画像の良否を判定する第１判定部と、前記第１判定部が前記第２画像を不良と判定した場合に、第２評価パラメータを用いて学習処理された第２評価基準に基づいて前記第２画像の良否を判定する第２判定部と、を備える。

誤判定を抑制することができる。

（ａ）はパッケージに実装部品が実装される例であり、（ｂ）は実装部品の稜線付近をカメラが撮像することで取得された画像である。（ａ）〜（ｅ）は良否判定を例示する図である。（ａ）〜（ｆ）は良否判定を例示する図である。（ａ）〜（ｃ）は良否判定を例示する図である。（ａ）は実施例１に係る機械学習装置のハードウェア構成を説明するためのブロック図であり、（ｂ）は機械学習装置の機能ブロック図である。第１評価領域の設定について例示する図である。画像検査装置が画像検査を行う際に実行するフローチャートを例示する図である。（ａ）および（ｂ）は教師データを例示する図である。図７のフローチャートと並行して実行されるフローチャートを例示する図である。ステップＳ１３の詳細を表すフローチャートを例示する図である。評価条件について説明するための図である。閾値との距離を例示する図である。良品画像と不良品画像との分離度を例示する図である。画像検査システムを例示する図である。

実施例の説明に先立って、製品組立工程で利用される画像認識について説明する。例えば、製品組立工程における部品実装では、部品の位置、姿勢などが調整される。この場合に、部品の位置、姿勢などを検知するために、画像認識技術が利用されている。例えば、図１（ａ）は、パッケージ２０１に実装部品２０２が実装される例である。図１（ａ）で例示するように、パッケージ２０１において、他の部品との位置関係で、実装部品２０２の位置、姿勢などが調整される。図１（ｂ）は、実装部品２０２の稜線付近をカメラが撮像することで取得された画像である。このように、実装部品２０２の稜線を画像認識することで、実装部品２０２の傾き（姿勢）、他の部品とのギャップ（位置）などを計測することができる。

製品組立工程で用いられる組立設備の上流工程では、少ないサンプル画像で画像認識アルゴリズムを開発することが好ましい。例えば、画像認識アルゴリズム自動生成技術（機械学習）により、画像認識アルゴリズムが開発される。この画像認識アルゴリズムを利用することで、実際の製品組立工程で取得された画像に異常が生じているか、異常が生じていないかを判定することができる。以下、製品に異常が生じている状態の画像を不良品画像と称し、製品に異常が生じていない状態の画像を良品画像と称する。

実際に製品組立工程が稼働して量産が開始されると、画像認識アルゴリズムの機械学習時には想定していなかった特徴を有する画像が取得されることがある。例えば、図２（ａ）は、画像認識アルゴリズム開発時に取得された良品画像の例である。この画像においては、異物付着や外形変化が生じていない。

一方、図２（ｂ）は、外形変化として、実装部品２０２にエッジ欠けが生じた状態の画像である。図２（ｃ）は、実装部品２０２に、異物として接着剤が付着した状態の画像である。図２（ｄ）は、実装部品２０２に異物として接着剤が過剰に塗布され、実装部品２０２が認識できない状態の画像である。図２（ｂ）〜図２（ｄ）で例示するような、画像認識アルゴリズムの開発時に想定していなかった特徴を有する画像が取得されると、誤判定が生じるおそれがある。例えば、外形変化が小さい良品画像であっても、不良品画像と誤判定される場合などが生じる。または、外形変化が大きい不良品画像であっても、良品画像と誤判定される場合などが生じる。

図２（ｅ）で例示するように製品組立工程において誤判定が生じて品質不良が発見されなかった場合、後工程に不良品が流れることになる。この場合、例えば、最終工程の製品試験で品質不良が発覚することになる。そこで、誤判定を抑制するための技術が望まれる。

画像認識において誤判定を抑制するための手法として、画像認識を行う前に製品組立工程における製品の画像（以下、組立工程画像）の認識可否を判定する技術が挙げられる。例えば、組立工程画像の特徴量を監視することで、製品の良否を判定することができる。特徴量としては、平均輝度、輝度分布、コントラスト、周波数情報などが挙げられる。

まず、学習画像の特徴量を用いて、評価領域を評価基準として設定する。図３（ａ）は、学習画像を例示する図である。図３（ａ）の各画像は、良品画像である。図３（ｂ）は、コントラスト（特徴１）および平均輝度（特徴２）を特徴量として用いた場合の学習画像の分布を例示する図である。機械学習により、学習画像の分布の境界を設定することで、評価領域を設定することができる。評価領域内に位置する特徴量を有する組立工程画像は、良品画像であると判定される。評価領域外に位置する特徴量を有する組立工程画像は、不良品画像であると判定される。この判定に、ＳＶＭ（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ）識別器などを用いることができる。

図３（ｃ）〜図３（ｅ）は、製品に何らかの変化が生じた場合に取得された組立工程画像である。図３（ｆ）は、各組立工程画像の特徴量の分布を例示する図である。図３（ｃ）のように変化が小さいと、特徴量が評価領域内に位置する。この場合、組立工程画像が良品画像であると判定されるため、製品に異常が生じていないと判定される。一方、図３（ｄ）および図３（ｅ）のように変化が大きいと、特徴量が評価領域外に位置するようになる。この場合、組立工程画像が不良品画像であると判定されるため、製品に異常が生じていると判定される。

画像認識アルゴリズム開発時に想定していなかった組立工程画像の中には、良品画像も含まれる。図４（ａ）は、外形変化が生じているものの、製品に異常が生じていない良品画像の例である。このような良品画像であっても、図４（ｂ）で例示するように評価領域外に位置すれば、不良品画像であると誤判定されてしまう。不良品画像であると誤判定された画像を良品画像と判定させるためには、不良品画像と誤判定された組立工程画像を用いて評価領域を再学習する必要がある。この場合、特徴１および特徴２に基づいて、評価領域が再学習される。

図４（ｃ）は、更新された評価領域を例示する図である。図４（ｃ）で例示するように、初期の評価領域を含んで評価領域が拡大している。評価領域の拡大によって、図４（ａ）の良品画像は、良品画像と判定されるようになる。しかしながら、評価領域の拡大によって、不良品画像も良品画像と誤判定されるおそれがある。

以下の実施例では、誤判定を抑制することができる画像検査装置、画像検査方法および画像検査プログラムについて説明する。

図５（ａ）は、実施例１に係る画像検査装置１００のハードウェア構成を説明するためのブロック図である。図５（ａ）で例示するように、画像検査装置１００は、ＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３、表示装置１０４、撮影装置１０５などを備える。これらの各機器は、バスなどによって接続されている。ＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）１０１は、中央演算処理装置である。ＣＰＵ１０１は、１以上のコアを含む。ＲＡＭ（ＲａｎｄｏｍＡｃｃｅｓｓＭｅｍｏｒｙ）１０２は、ＣＰＵ１０１が実行するプログラム、ＣＰＵ１０１が処理するデータなどを一時的に記憶する揮発性メモリである。記憶装置１０３は、不揮発性記憶装置である。記憶装置１０３として、例えば、ＲＯＭ（ＲｅａｄＯｎｌｙＭｅｍｏｒｙ）、フラッシュメモリなどのソリッド・ステート・ドライブ（ＳＳＤ）、ハードディスクドライブに駆動されるハードディスクなどを用いることができる。表示装置１０４は、液晶ディスプレイ、エレクトロルミネッセンスパネルなどであり、判定結果を表示する。撮影装置１０５は、製品組立工程の途中における製品の画像を取得する装置である。

図５（ｂ）は、画像検査装置１００の機能ブロック図である。図５（ｂ）で例示するように、ＣＰＵ１０１が記憶装置１０３に記憶されているプログラムを実行することによって、判定部１０および学習部２０が実現される。判定部１０には、画像格納部１１、特徴量抽出部１２、判定部１３、制御部１４などが含まれる。なお、判定部１３には、第１判定部１３ａおよび第２判定部１３ｂが含まれる。学習部２０には、特徴量抽出部２１、境界学習部２２などが含まれる。境界学習部２２には、第１境界学習部２２ａおよび第２境界学習部２２ｂが含まれる。なお、これら各部は、専用の回路などのハードウェアであってもよい。

画像検査装置１００においては、第１評価領域が設定されている。まず、第１評価領域について説明する。実際の製品組立工程が開始される前には、画像格納部１１には、撮影装置１０５が取得した複数枚のサンプル画像が学習用画像として格納されている。特徴量抽出部２１は、画像格納部１１に格納されている各サンプル画像（第１画像）から特徴量を抽出する。第１境界学習部２２ａは、これらの特徴量を用いて、第１境界を学習することで、第１評価領域データを出力する。例えば、図６で例示するように、各サンプル画像から特徴量が抽出される。図６の例では、特徴量として、コントラスト（特徴１）および平均輝度（特徴２）が用いられている。図６の例では、特徴１および特徴２が、第１評価パラメータとして用いられている。

図７は、画像検査装置１００が画像検査を行う際に実行するフローチャートを例示する図である。以下、図５（ｂ）および図７を参照しつつ、画像検査装置１００の動作について説明する。

製品組立工程が開始されると、画像格納部１１は、撮影装置１０５が取得した組立工程画像（第２画像）を格納する。特徴量抽出部１２は、画像格納部１１に格納された組立工程画像から特徴量を抽出する（ステップＳ１）。次に、第１判定部１３ａは、第１評価領域を用いた判定を行う（ステップＳ２）。第１判定部１３ａは、組立工程画像が第１評価領域外に位置するか否かを判定する（ステップＳ３）。ステップＳ３で「Ｎｏ」と判定された場合、制御部１４は、良品画像であると判定したことを表す情報を出力する（ステップＳ８）。それにより、表示装置１０４は、判定対象の組立工程画像が良品画像である旨を表示する。

ステップＳ３で「Ｙｅｓ」と判定された場合、制御部１４は、第２評価領域が学習済みであるか否かを判定する（ステップＳ４）。ステップＳ４で「Ｎｏ」と判定された場合、ユーザが、組立工程画像を目視で良品画像であるか不良品画像であるか否かを確認し、キーボードやマウスなどの入力機器を用いて、いずれの画像であるかを識別するための識別子を当該組立工程画像に付加する。画像格納部１１は、識別子が付された組立工程画像を学習用画像として格納する（ステップＳ５）。識別子が付された組立工程画像は、以下、教師データと称する。例えば、図８（ａ）で例示するように、第１評価領域外に位置する組立工程画像は、不良品画像であると判定される。図８（ｂ）で例示するように、これらの組立工程画像のうち、ユーザが良品画像であると判定したものには「１」が付され、ユーザが不良品画像であると判定したものには「−１」が付される。なお、制御部１４は、不良品画像であると判定したことを表す情報を出力する（ステップＳ６）。それにより、表示装置１０４は、判定対象の組立工程画像が不良品画像である旨を表示する。

ステップＳ４で「Ｙｅｓ」と判定された場合、第２判定部１３ｂは、第２評価領域を用いた判定を行い、組立工程画像が第２評価領域外に位置するか否かを判定する（ステップＳ７）。ステップＳ７で「Ｎｏ」と判定された場合、制御部１４は、良品画像であると判定したことを表す情報を出力する（ステップＳ８）。それにより、表示装置１０４は、判定対象の組立工程画像が良品画像である旨を表示する。ステップＳ７で「Ｙｅｓ」と判定された場合、ステップＳ６が実行される。

図９は、図７のフローチャートと並行して実行されるフローチャートを例示する図である。図９のフローチャートは、例えば、図７のステップＳ５が実行されるたびに実行される。図９で例示するように、第２境界学習部２２ｂは、画像格納部１１に格納された教師データが所定数（例えば１００枚）格納されたか否かを判定する（ステップＳ１１）。ステップＳ１１で「Ｎｏ」と判定された場合、フローチャートの実行が終了する。ステップＳ１１で「Ｙｅｓ」と判定された場合、特徴量抽出部２１は、画像格納部１１に格納された教師データから特徴量を抽出する（ステップＳ１２）。次に、第２境界学習部２２ｂは、第２境界を学習することで、第２評価領域を設定する（ステップＳ１３）。その後、フローチャートの実行が終了する。

なお、ステップＳ１１において、教師データの良品画像（ステップＳ３で第１判定部１３ａが不良品画像と判定しながら、ユーザが良品画像と判定した教師データ）が所定数格納されたか否かを判定してもよい。第１判定部１３ａの判定精度が高い場合、第２判定部１３ｂの学習頻度を低減できる。ステップＳ１３において、教師データの良品画像（ステップＳ３で第１判定部１３ａが不良品画像と判定しながら、ユーザが良品画像と判定した教師データ）に対してのみ学習処理を行ってもよい。学習処理する教師データを厳選することで、第２判定部１３ｂの学習処理の負荷を低減できる。

図１０は、ステップＳ１３の詳細を表すフローチャートを例示する図である。図１０で例示するように、第２境界学習部２２ｂは、特徴量の横軸番号Ｌを「１」に初期化し、特徴量の縦軸番号Ｍを「２」に初期化する。また、第２境界学習部２２ｂは、ＳＶＭ閾値（第２評価領域の境界）との距離の最大値ｄｍａｘを「０」に初期化する（ステップＳ２１）。なお、各教師データから、Ｎ次元の特徴量データが抽出済みであるものとする。評価軸データの一例として、特徴１を平均輝度データの軸、特徴２をコントラストデータの軸、特徴３をヒストグラムデータの軸、特徴４を周波数情報データの軸、等とする。

次に、第２境界学習部２２ｂは、画像格納部１１に格納されている教師データを、特徴軸Ｌおよび特徴軸Ｍの空間上で分布させることで、ＳＶＭ閾値を計算する（ステップＳ２２）。この場合、特徴軸Ｌおよび特徴軸Ｍが第２評価パラメータの一例である。また、ＳＶＭ閾値が第２評価基準の一例である。次に、第２境界学習部２２ｂは、特徴軸Ｌおよび特徴軸Ｍの組み合わせが、第１評価領域の横軸および縦軸の組み合わせであるか否かを判定する（ステップＳ２３）。

ステップＳ２３で「Ｎｏ」と判定された場合、第２境界学習部２２ｂは、特徴軸Ｌおよび特徴軸Ｍの組み合わせが、評価条件を満たすか否かを判定する（ステップＳ２４）。図１１は、評価条件について説明するための図である。教師データのうちユーザが良品画像であると判定したデータ（Ｐ１〜Ｐｎ）とユーザが不良品画像であると判定したデータ（Ｑ１〜Ｑｎ）とに対してＳＶＭ閾値を求めると、ＳＶＭ閾値は、ａｘ＋ｂｙ＋ｃ＝０のように表すことができる直線式となる。「ｘ」は横軸方向の数値データであり、「ｙ」は縦軸方向の数値データであり、「ａ」、「ｂ」および「ｃ」は係数である。評価条件は、Ｐ１〜ＰｎのデータをＳＶＭ閾値の直線式に代入した場合に全て同じ符号になり、Ｑ１〜ＱｎのデータをＳＶＭ閾値の直線式に代入した場合に全て同じ符号となりかつＰ１〜Ｐｎのデータの場合と反対の符号となることである。この評価条件を満たすことは、Ｐ１〜Ｐｎのデータの全てがＳＶＭ閾値の直線式に対して同じ側に位置し、Ｑ１〜Ｑｎのデータの全てがＳＶＭ閾値の直線式に対して反対側に位置することを意味する。すなわち、Ｐ１〜Ｐｎのデータと、Ｑ１〜Ｑｎのデータとが、ＳＶＭ閾値の直線式を基準に、互いに分離していることを意味する。

ステップＳ２４で「Ｙｅｓ」と判定された場合、第２境界学習部２２ｂは、ステップＳ２２で分布させた点のうち、ＳＶＭ閾値と最も近い点との距離ｄを算出する（ステップＳ２５）。図１２で例示するように、ステップＳ２２で分布させた点のうち、ＳＶＭ閾値と最も近い点が選択される。また、ｄ＝｜ａｘ＋ｂｙ＋ｃ｜／√（ａ^２＋ｂ^２）に従って、距離ｄを算出することができる。

次に、第２境界学習部２２ｂは、距離ｄが距離ｄｍａｘよりも大きいか否かを判定する（ステップＳ２６）。ステップＳ２６で「Ｙｅｓ」と判定された場合、距離ｄｍａｘに距離ｄを代入し、この時点での横軸番号Ｌおよび縦軸番号ＭをＬ_ｄｍａｘおよびＭ_ｄｍａｘとして記憶する（ステップＳ２７）。

次に、第２境界学習部２２ｂは、縦軸番号ＭがＮ（次元数）以下であるか否かを判定する（ステップＳ２８）。ステップＳ２８で「Ｙｅｓ」と判定された場合、第２境界学習部２２ｂは、縦軸番号Ｍに１を加算する（ステップＳ２９）。その後、ステップＳ２２から再度実行される。ステップＳ２８で「Ｎｏ」と判定された場合、第２境界学習部２２ｂは、横軸番号Ｌが（Ｎ−１）以下であるか否かを判定する（ステップＳ３０）。ステップＳ３０で「Ｙｅｓ」と判定された場合、第２境界学習部２２ｂは、横軸番号Ｌに１を加算する（ステップＳ３１）。その後、ステップＳ２２から再度実行される。ステップＳ３０で「Ｎｏ」と判定された場合、第２境界学習部２２ｂは、横軸番号Ｌ_ｄｍａｘおよび縦軸番号Ｍ_ｄｍａｘを評価軸として採用する（ステップＳ３２）。その後、フローチャートの実行が終了する。なお、ステップＳ２３で「Ｙｅｓ」と判定された場合、ステップＳ２４で「Ｎｏ」と判定された場合、およびステップＳ２６で「Ｎｏ」と判定された場合、ステップＳ２８が実行される。

図１０の処理に従えば、図１３で例示するように、_１０Ｃ_２＝４５通りの組み合わせが評価される。これらの中で、ＳＶＭ閾値と最も近い点との距離ｄが最大となる場合の特徴軸の組み合わせが採用される。この場合、ＳＶＭ閾値に対して、教師データの良品画像と不良品画像との分離度が最も高くなる。図１３の例では、特徴３と特徴４との組み合わせにおいて、分離度が最も高くなる。なお、ステップＳ１３の実行により、第１評価領域の横軸および縦軸の組み合わせと同じ組み合わせについては、分離度の算出が省略される。図１３の例では、特徴１と特徴２との組み合わせの分離度の算出が省略される。

本実施例によれば、サンプル画像（第１画像）を用いて所定の特徴軸（第１評価パラメータ）に基づいて機械学習された第１評価領域（第１評価基準）外に位置して不良品画像であると判定された教師データ（第２画像）を用いて、所定の特徴軸（第２評価パラメータ）に基づいて第２評価領域（第２評価基準）が機械学習される。この場合、教師データを用いて第２評価領域が機械学習されるため、第１評価領域外に位置する画像の誤判定が抑制される。なお、第１評価領域内に位置する画像は、良品画像であると判定されるため、第１評価領域に基づく判定精度は維持される。

図１３で例示したように、教師データに応じて特徴軸の組み合わせを選定することが好ましい。この場合、選定された特徴軸の組み合わせにより第２評価領域が設定されるため、第１評価領域による判定で不良品画像と判定された組立工程画像に対する良否判定精度が向上する。

また、図１０のステップＳ２３で説明したように、第２評価領域を設定する際に第１評価領域の横軸および縦軸の組み合わせを除外することが好ましい。この場合、教師データを不良品画像と判定した評価領域の学習用の評価パラメータを用いないことになる。それにより、第２評価領域による良否判定精度が向上する。

また、図１１で例示したように、Ｐ１〜Ｐｎのデータの全てがＳＶＭ閾値の直線式に対して同じ側に位置し、Ｑ１〜Ｑｎのデータの全てがＳＶＭ閾値の直線式に対して反対側に位置するように、特徴軸の組み合わせを選定することが好ましい。この場合、良品画像と不良品画像との分離度が向上する。

また、図１２で例示したように、教師データとＳＶＭ閾値との距離に応じて、特徴軸の組み合わせを選定することが好ましい。例えば、ＳＶＭ閾値と最も近い点との距離ｄが最大となるように、特徴軸の組み合わせを選定することが好ましい。この場合、良品画像と不良品画像の分離度が向上する。

なお、上記実施例では、製品の組立工程における画像に着目したが、画像の良否判定の対象物は組立工程の製品に限られない。

また、上記実施例では、学習用に用いる特徴軸を２つ（２次元）としているが、それに限られない。例えば、３つ以上の特徴軸（３次元以上）を学習用に用いてもよい。この場合、ＳＶＭ閾値は、直線式ではなく、平面などになる。

上記実施例において、第１判定部１３ａが、第１画像の第１評価パラメータを用いて学習処理された第１評価基準に基づいて、第２画像の良否を判定する第１判定部の一例として機能する。第２判定部１３ｂが、前記第１判定部が前記第２画像を不良と判定した場合に、第２評価パラメータを用いて学習処理された第２評価基準に基づいて前記第２画像の良否を判定する第２判定部の一例として機能する。第２境界学習部２２ｂが、前記第１判定部が不良と判定した画像の前記第２評価パラメータを用いて前記第２評価基準を学習する学習部の一例として機能する。

（他の例）
図１４は、画像検査システムを例示する図である。図１４で例示するように、画像検査システムは、表示装置１０４および撮影装置１０５が、インターネットなどの電気通信回線３０１を通じてクラウド３０２と接続された構成を有する。クラウド３０２は、図５（ａ）のＣＰＵ１０１、ＲＡＭ１０２、記憶装置１０３などを備え、判定部１０および学習部２０としての機能を実現する。このような画像検査システムでは、例えば、撮影装置１０５が取得した画像が、電気通信回線３０１を介してクラウド３０２で受信され、機械学習および画像の良否判定が行われる。なお、クラウド３０２の代わりに、イントラネットなどを介して接続されたサーバを用いてもよい。

以上、本発明の実施例について詳述したが、本発明は係る特定の実施例に限定されるものではなく、特許請求の範囲に記載された本発明の要旨の範囲内において、種々の変形・変更が可能である。

１０判定部
１１画像格納部
１２特徴量抽出部
１３判定部
１３ａ第１判定部
１３ｂ第２判定部
１４制御部
２０学習部
２１特徴量抽出部
２２境界学習部
２２ａ第１境界学習部
２２ｂ第２境界学習部
１００画像検査装置
１０５撮影装置

Claims

第１画像の第１評価パラメータを用いて学習処理された第１評価基準に基づいて、第２画像の良否を判定する第１判定部と、
前記第１判定部が前記第２画像を不良と判定した場合に、第２評価パラメータを用いて学習処理された第２評価基準に基づいて前記第２画像の良否を判定する第２判定部と、を備えることを特徴とする画像検査装置。
前記第１判定部が不良と判定した画像の前記第２評価パラメータを用いて前記第２評価基準を学習する学習部を備えることを特徴とする請求項１記載の画像検査装置。
前記学習部は、前記第１判定部が不良と判定した画像に応じて、前記第２評価パラメータを選定することを特徴とする請求項２記載の画像検査装置。
前記学習部は、前記第２評価パラメータを選定する際に、前記第１評価パラメータを除外することを特徴とする請求項２または３に記載の画像検査装置。
前記学習部が前記第２評価基準を学習する際に用いる画像は、複数枚有り、
当該複数枚の画像のそれぞれには、「良」または「不良」を表す識別子が付してあり、
前記学習部は、「良」が付された画像と「不良」が付された画像とが、前記第２評価基準の境界の互いに反対側となるように、前記第２評価パラメータを選定することを特徴とする請求項２〜４のいずれか一項に記載の画像検査装置。
前記学習部は、前記第２画像と前記境界との距離に応じて、前記第２評価パラメータを選定することを特徴とする請求項５記載の画像検査装置。
第１画像の第１評価パラメータを用いて学習処理された第１評価基準に基づいて、第２画像の良否を第１判定部が判定し、
前記第１判定部が前記第２画像を不良と判定した場合に、第２評価パラメータを用いて学習処理された第２評価基準に基づいて前記第２画像の良否を第２判定部が判定する、ことを特徴とする画像検査方法。
コンピュータに、
第１画像の第１評価パラメータを用いて学習処理された第１評価基準に基づいて、第２画像の良否を判定する判定処理と、
前記判定処理で前記第２画像が不良と判定された場合に、第２評価パラメータを用いて学習処理された第２評価基準に基づいて前記第２画像の良否を判定する処理と、を実行させることを特徴とする画像検査プログラム。