JP2019207194A - 検査システム及びプログラム - Google Patents

Abstract

【課題】物体を効率的に外観検査する装置を提供する。【解決手段】複数の穴３１０を有するフィルタ３１を介して、物体の表面に光を照射する照明部３と、照明部３によって光が照射された表面を撮影する撮影部２と、撮影部２によって撮影された表面における異常を検出する異常検出部を備える。【選択図】図１

Description

本発明は、検査システム，プログラム及びフィルタに関する。

物体の外観を検査する検査装置は、検査対象物の表面に照明光を照射して、照明光が照射された表面をカメラで撮影することにより、検査対象物の表面に傷等の異常がないかを検査する。

特開２０１６−１１２９４７号公報 特表２０１３−５２７４４１号公報 特開２００１−１２４５３８号公報

しかしながら、カメラで撮影される傷等は、照明光の照射範囲のエッジ付近では観察しやすいものの、照明光の照射範囲の中央付近では観察しにくくなる場合がある。この場合には、物体の外観検査に時間を要したり、傷等の異常の検出漏れが発生したりするおそれがある。

１つの側面では、本明細書に記載する技術は、物体の外観検査を効率的に実施することを目的とする。

１つの側面において、検査システムは、物体の表面における異常を検査する検査システムであって、複数の穴を有するフィルタを介して、前記表面に光を照射する照明部と、前記照明部によって光が照射された前記表面を撮影する撮影部と、前記撮影部によって撮影された前記表面における異常を検出する異常検出部と、を備える。

開示の検査システムによれば、物体の外観検査を効率的に実施することができる。

実施形態の検査システムの構成例を模式的に示すブロック図である。 （Ａ）及び（Ｂ）はそれぞれ図１に示した検査処理装置及び機械学習装置のハードウェア構成例と機能構成例とを模式的に示すブロック図である。 （Ａ）及び（Ｂ）はそれぞれ図１に示したフィルタの正面図及び斜視図の第１の例を示す図である。 （Ａ）及び（Ｂ）はそれぞれ図１に示したフィルタの正面図及び斜視図の第２の例を示す図である。 図１に示した検査システムにおける教師データ生成処理，機械学習処理及び検査処理を説明する図である。 （Ａ）及び（Ｂ）は関連例において物体の表面の傷を撮影した写真である。 （Ａ）及び（Ｂ）は図１に示した検査システムにおいて検査対象物の表面の形状を撮影した写真である。 （Ａ）及び（Ｂ）は図１に示した検査システムにおいて検査対象物の表面の傷を撮影した写真である。 （Ａ）及び（Ｂ）は図１に示した検査システムにおいてフィルタの発光割合を１０％とした場合の検査対象物の表面の傷を撮影した写真である。 （Ａ）及び（Ｂ）は図１に示した検査システムにおいてフィルタの発光割合を２０％とした場合の検査対象物の表面の傷を撮影した写真である。 （Ａ）及び（Ｂ）は図１に示した検査システムにおいてフィルタの発光割合を３０％とした場合の検査対象物の表面の傷を撮影した写真である。 （Ａ）及び（Ｂ）は図１に示した検査システムにおいてフィルタの発光割合を４０％とした場合の検査対象物の表面の傷を撮影した写真である。 （Ａ）及び（Ｂ）は図１に示した検査システムにおいてフィルタの発光割合を５０％とした場合の検査対象物の表面の傷を撮影した写真である。 （Ａ）及び（Ｂ）は図１に示した検査システムにおいてフィルタの発光割合を６２．６１％とした場合の検査対象物の表面の傷を撮影した写真である。 （Ａ）及び（Ｂ）は図１に示した検査システムにおいてフィルタの発光割合を６５．７２％とした場合の検査対象物の表面の傷を撮影した写真である。 （Ａ）及び（Ｂ）は図１に示した検査システムにおいてフィルタの発光割合を７１．６５％とした場合の検査対象物の表面の傷を撮影した写真である。 （Ａ）及び（Ｂ）は図１に示した検査システムにおいてフィルタの発光割合を８０％とした場合の検査対象物の表面の傷を撮影した写真である。 図１に示した検査システムにおける外観検査処理を説明するフローチャートである。

以下、図面を参照して一実施の形態を説明する。ただし、以下に示す実施形態はあくまでも例示に過ぎず、実施形態で明示しない種々の変形例や技術の適用を排除する意図はない。本実施形態は、その趣旨を逸脱しない範囲で種々変形して実施することができる。

また、各図は、図中に示す構成要素のみを備えるという趣旨ではなく、他の機能等を含むことができる。

以下、図中において、同一の符号を付した部分は同様の部分を示している。

〔Ａ〕実施形態の一例
〔Ａ−１〕システム構成例
図１は、実施形態の検査システム１００の構成例を模式的に示すブロック図である。

検査システム１００は、検査処理装置１，カメラ２，照明部３（「照明装置」と称してもよい。），表示装置４及び機械学習装置５を備える。検査処理装置１と機械学習装置５とは、ネットワーク６を介して、通信可能に接続されてよい。

照明部３は、例えばLight Emitting Diode（ＬＥＤ）や蛍光ランプである。照明部３には、複数の穴３１０を有するフィルタ３１が装着される。図１においては、フィルタ３１における複数の穴のうち１つの穴に限って符号「３１０」を図示し、その他の穴については符号の図示を省略している。

照明部３は、フィルタ３１を介して、検査対象物７（「物体」と称してもよい。）の表面に光を照射する。なお、フィルタ３１の詳細については、図３及び図４等を用いて後述する。検査対象物７は、工業製品や工業製品の部品，青果物等の種々の固形物であってよい。

カメラ２は、撮影部の一例である。カメラ２は、照明部３によって光が照射された検査対象物７の表面を撮影する。

検査処理装置１は、カメラ２によって撮影された映像を取得し、取得した映像に基づいて検査対象物７の表面における傷や異物（検査対象物７が青果物の場合には、例えば、虫）等の異常を検出する処理等を実施する。なお、検査処理装置１の詳細については、図２の（Ａ）等を用いて後述する。

表示装置４は、カメラ２によって撮影された検査対象物７の表面における映像を表示する。

機械学習装置５は、検査処理装置１から取得した検査対象物７の表面における映像に基づき、表面検査処理のための学習モデルを生成する。なお、機械学習装置５の詳細については、図２の（Ｂ）等を用いて後述する。

図２の（Ａ）は、図１に示した検査処理装置１のハードウェア構成例と機能構成例とを模式的に示すブロック図である。

検査処理装置１は、Central Processing Unit（ＣＰＵ）１１，メモリ１２及び記憶装置１３を備える。

メモリ１２は、Read Only Memory（ＲＯＭ）及びRandom Access Memory（ＲＡＭ）を含む記憶装置である。

記憶装置１３は、データを読み書き可能に記憶する装置であり、例えば、Hard Disk Drive（ＨＤＤ）やSolid State Drive（ＳＳＤ），Storage Class Memory（ＳＣＭ）が用いられてよい。記憶装置１３は、生成した教師データや、機械学習装置５から取得した学習モデル等を記憶する。

ＣＰＵ１１は、種々の制御や演算を行なう処理装置であり、メモリ１２に格納されたOperating System（ＯＳ）やプログラムを実行することにより、種々の機能を実現する。すなわち、ＣＰＵ１１は、図２の（Ａ）に示すように、学習モデル取得部１１１，映像取得部１１２，表示処理部１１３，異常検出部１１４，異常通知部１１５及び教師データ生成部１１６として機能してよい。

ＣＰＵ１１は、例示的に、検査処理装置１全体の動作を制御する。検査処理装置１全体の動作を制御するための装置は、ＣＰＵ１１に限定されず、例えば、ＭＰＵやＤＳＰ，ＡＳＩＣ，ＰＬＤ，ＦＰＧＡ，専用プロセッサのいずれか１つであってもよい。また、検査処理装置１全体の動作を制御するための装置は、ＣＰＵ，ＭＰＵ，ＤＳＰ，ＡＳＩＣ，ＰＬＤ，ＦＰＧＡ及び専用プロセッサのうちの２種類以上の組み合わせであってもよい。なお、ＭＰＵはMicro Processing Unitの略称であり、ＤＳＰはDigital Signal Processorの略称であり、ＡＳＩＣはApplication Specific Integrated Circuitの略称である。また、ＰＬＤはProgrammable Logic Deviceの略称であり、ＦＰＧＡはField Programmable Gate Arrayの略称である。

学習モデル取得部１１１は、機械学習装置５によって生成された学習モデルを取得する。

映像取得部１１２は、カメラ２によって撮影された検査対象物７の表面における映像を取得する。

表示処理部１１３は、映像取得部１１２によって取得された検査対象物７の表面における映像を表示装置４に表示させる。

異常検出部１１４は、映像取得部１１２によって取得された映像と、学習モデル取得部１１１によって取得された学習モデルとに基づき、検査対象物７の表面における傷や異物等の異常を検出する。なお、異常検出部１１４による異常検出処理の詳細は、図５等を用いて後述する。

異常通知部１１５は、異常検出部１１４によって異常が検出された場合に、異常の検出があったことを検査システム１００のオペレータに対して通知する。異常の検出の通知は、表示装置４におけるメッセージの表示によって行なわれてもよいし、検査処理装置１に取り付けられたスピーカ（不図示）において警告音を出力することによって行なわれてもよい。

また、異常通知部１１５は、異常検出部１１４によって異常が検出された場合に、異常の検出があったことを、検査対象物７を破棄するための装置（不図示）に対して通知してもよい。そして、検査対象物７を破棄するための装置は、異常通知部１１５から異常の検出の通知を受け取った場合に、検査対象物７を破棄してよい。

教師データ生成部１１６は、映像取得部１１２によって取得された映像に基づき、異常検出部１１４による異常検出のために用いられる学習モデルの元データとなる教師データを生成する。なお、教師データ生成部１１６における教師データ生成処理の詳細については、図５等を用いて後述する。また、教師データ生成部１１６としての機能は、運用現場において外観検査処理を実施する検査処理装置１とは異なるコンピュータに備えられてもよい。

図２の（Ｂ）は、図１に示した機械学習装置５のハードウェア構成例と機能構成例とを模式的に示すブロック図である。

機械学習装置５は、ＣＰＵ５１，メモリ５２及び記憶装置５３を備える。

メモリ５２は、ＲＯＭ及びＲＡＭを含む記憶装置である。

記憶装置５３は、データを読み書き可能に記憶する装置であり、例えば、ＨＤＤやＳＳＤ，ＳＣＭが用いられてよい。記憶装置５３は、検査処理装置１から取得した教師データや、生成した学習モデル等を記憶する。

ＣＰＵ５１は、種々の制御や演算を行なう処理装置であり、メモリ５２に格納されたＯＳやプログラムを実行することにより、種々の機能を実現する。すなわち、ＣＰＵ５１は、図２の（Ｂ）に示すように、教師データ取得部５１１及び学習モデル生成部５１２として機能してよい。

ＣＰＵ５１は、例示的に、機械学習装置５全体の動作を制御する。機械学習装置５全体の動作を制御するための装置は、ＣＰＵ５１に限定されず、例えば、ＭＰＵやＤＳＰ，ＡＳＩＣ，ＰＬＤ，ＦＰＧＡ，専用プロセッサのいずれか１つであってもよい。また、機械学習装置５全体の動作を制御するための装置は、ＣＰＵ，ＭＰＵ，ＤＳＰ，ＡＳＩＣ，ＰＬＤ，ＦＰＧＡ及び専用プロセッサのうちの２種類以上の組み合わせであってもよい。

教師データ取得部５１１は、検査処理装置１によって生成された教師データを取得する。

学習モデル生成部５１２は、教師データ取得部５１１によって取得された教師データに基づき、検査処理装置１による異常検出処理のために用いられる学習モデルを生成する。なお、学習モデル生成部５１２による学習モデル生成処理の詳細は図５を用いて後述する。

教師データ取得部５１１及び学習モデル生成部５１２としての機能は、検査処理装置１に組み入れられてもよい。すなわち、検査処理装置１において、学習モデルの生成が行なわれてもよい。

図３の（Ａ）は図１に示したフィルタ３１の第１の例における正面図であり、図３の（Ｂ）はその斜視図である。

図３の（Ａ）及び（Ｂ）においては、フィルタ３１における複数の穴のうち１つの穴に限って符号「３１０」をそれぞれ図示し、その他の穴については符号の図示を省略している。

図３の（Ａ）及び（Ｂ）に例示するフィルタ３１ａは、互いに同じ面積を有する複数の穴３１０を有する。複数の穴３１０は、各行方向及び各列方向にずれなく等間隔に形成されている。また、フィルタ３１ａは、例えば、金属製であってよく、穴３１０が形成されていない部分における光の透過率が０％になるような十分な厚みを有してよい。

図４の（Ａ）は図１に示したフィルタ３１の第２の例における正面図であり、図４の（Ｂ）はその斜視図である。

図４の（Ａ）及び（Ｂ）においては、フィルタ３１における複数の穴のうち１つの穴に限って符号「３１０」をそれぞれ図示し、その他の穴については符号の図示を省略している。

図４の（Ａ）及び（Ｂ）に例示するフィルタ３１ｂは、互いに同じ面積を有する複数の穴３１０を有する。複数の穴３１０は、隣接する２つの行及び列において、穴３１０一つ分ずらして形成されている。別言すれば、複数の穴３１０のうち一部の穴３１０によって構成される第１の行は、隣接する第２の行と比べて、穴３１０一つ分ずらして配置されている。また、複数の穴３１０のうち一部の穴３１０によって構成される第１の列は、隣接する第２の列と比べて、穴３１０一つ分ずらして配置されている。このような複数の穴３１０の配置により、フィルタ３１ｂにおける穴３１０の密度を増加でき、光が透過する面積がより大きいフィルタ３１ｂを製作することができる。

フィルタ３１ｂは、例えば、金属製であってよく、穴３１０が形成されていない部分における光の透過率が０％になるような十分な厚みを有してよい。

図５は、図１に示した検査システム１００における教師データ生成処理，機械学習処理及び検査処理を説明する図である。

検査処理装置１の教師データ生成部１１６は、表示装置４に表示された検査対象物７の表面の映像に基づいてオペレータが判定したＮＧデータ及びＯＫデータの映像の入力を受け付ける（符号Ａ１及びＡ２参照）。ＮＧデータは傷や異物等の異常がある検査対象物７の表面の映像であり、ＯＫは異常がない検査対象物７の表面の映像である。なお、教師データ生成部１１６は、上述したＮＧデータ及びＯＫデータのうち、ＯＫデータの映像の入力に限って入力を受け付けてもよい。

教師データ生成部１１６は、入力されたＮＧデータ及びＯＫデータに基づき、教師データ生成処理（「前処理」と称してもよい。）を実施する（符号Ａ３参照）。教師データ生成処理では、映像のクリッピング（「切り抜き」と称してもよい。）やデータ拡張，不要部分のマスキング，明度調整等の各種の処理が実施されてよい。なお、教師データ生成処理における各種の処理の一部又は全部は、検査対象物７に応じて省略されてもよい。また、教師データ生成部１１６は、上述したＮＧデータ及びＯＫデータのうち、ＯＫデータのみに基づき、教師データ生成処理を実施してもよい。

教師データ生成部１１６は、生成した教師データ生成処理を出力する（符号Ａ４参照）。

機械学習装置５の教師データ取得部５１１は、検査処理装置１から出力された教師データを取得する。そして、機械学習装置５の学習モデル生成部５１２は、機械学習処理として、取得された教師データから学習モデルを生成する（符号Ａ５参照）。

学習モデル生成部５１２は、生成した学習モデルを出力する（符号Ａ６参照）。

検査処理装置１の学習モデル取得部１１１は、機械学習装置５が出力した学習モデルを取得する。そして、検査処理装置１の異常検出部１１４は、検査対象物７の表面の検査処理を実施する（符号Ａ７参照）。具体的には、異常検出部１１４は、取得された学習モデルに基づき、映像取得部１１２によって取得された未知の入力を推論する。そして、異常検出部１１４は、各入力について、正常であることを示すＯＫと異常があることを示すＮＧとの２値のいずれかに推論する。また、異常検出部１１４は、各入力について、ＯＫ又はＮＧである確率を推論してもよい。更に、異常検出部１１４は、傷や異物等によって複数種類のＮＧ（別言すれば、「異常」）が定義される場合には、どのタイプのＮＧが発生しているかを推論してもよい。

図６（Ａ）及び（Ｂ）は、関連例において物体の表面の傷を撮影した写真である。

図６の（Ａ）及び（Ｂ）における例では、フィルタを介さずに照射された光を用いて撮影された物体の表面の映像が示されている。

図６の（Ａ）に示すように、光の照射範囲内において、光の照射範囲外の近傍では、物体の表面に形成されている傷が明確に観察される（符号Ｂ１参照）。

一方、図６の（Ｂ）に示すように、光の照射範囲の中心付近における光の強度が強い範囲では、物体の表面に形成されている傷と物体の表面に付着している埃等との区別の観点等から、物体の表面に形成されている傷の検出が困難である（符号Ｂ２参照）。

そこで、本実施形態の一例においては、フィルタ３１を装着した照明部３を用いて検査対象物７の表面を撮影することにより、撮影された映像におけるダイナミックレンジを広げて、検査対象物７の表面に形成された傷等の異常の検出を容易にする。

ダイナミックレンジは、映像において再現される明るさの階調の範囲を示す。ダイナミックレンジが広い場合には、暗い部分から明るい部分まで、なだらかな階調（すなわち、連続又は略連続した階調）で映像が再現される。一方、ダイナミックレンジが狭い場合には、映像において白とびや黒つぶれが発生しやすくなる。ダイナミックレンジは、ラティチュードと称してもよい。

図７は、図１に示した検査システム１００において検査対象物７の表面の形状を撮影した写真である。具体的には、図７の（Ａ）は検査対象物７における平面を撮影した写真であり、図７の（Ｂ）は検査対象物７における曲面を撮影した写真である。

図７の（Ａ）に示す例では、フィルタ３１のパターンが均等に撮影されるが、検査対象物７の塗装面の模様や埃等の付着によって、位置毎に明暗の差が生じる。

図７の（Ｂ）に示す例では、フィルタ３１のパターンは、傷等の異常がなくても歪んだ状態で検出される。

本実施形態の一例では、異常検出部１１４は、フィルタ３１のパターンの明暗や形状の差異の観察ではなく、検査対象物７の表面に形成されている傷自体を発見することにより、異常を検出する。よって、フィルタ３１の使用によってフィルタ３１のパターンの明暗や形状の差異が観察されても、正常に異常を検出することができる。

図８の（Ａ）及び（Ｂ）は、図１に示した検査システム１００において検査対象物７の表面の傷を撮影した写真である。

図８の（Ａ）に示すように、光の照射範囲内において、光の照射範囲外の近傍では、物体の表面に形成されている傷が明確に観察される（符号Ｃ１参照）。

また、図８の（Ｂ）に示すように、フィルタ３１を用いることによって、光の照射範囲の中心付近における光の強度が強い範囲でも、物体の表面に形成されている傷が明確に観察される（符号Ｃ２参照）。

以下、図９〜図１７を用いて、フィルタ３１の発光割合を変化させた場合において撮影された検査対象物７の表面に形成された傷の映像を示す。なお、発光割合とは、フィルタ３１の全体面積に対する複数の円形の穴３１０が形成された部分の面積の割合を示す。

図９は、図１に示した検査システム１００においてフィルタ３１の発光割合を１０％とした場合の検査対象物７の表面の傷を撮影した写真である。図９の（Ａ）に示す傷は、図９の（Ｂ）に示す傷よりも大きい。

図９の（Ａ）及び（Ｂ）に示すように、発光割合が１０％の場合には、発光領域内に異常部分が入れば異常が観測できる（符号Ｄ１及びＤ２参照）。

図１０は、図１に示した検査システム１００においてフィルタ３１の発光割合を２０％とした場合の検査対象物７の表面の傷を撮影した写真である。図１０の（Ａ）に示す傷は、図１０の（Ｂ）に示す傷よりも大きい。

図１０の（Ａ）及び（Ｂ）に示すように、発光割合が２０％の場合には、発光領域内に異常部分が入れば異常が観測できる（符号Ｅ１及びＥ２参照）。

図１１は、図１に示した検査システム１００においてフィルタ３１の発光割合を３０％とした場合の検査対象物７の表面の傷を撮影した写真である。図１１の（Ａ）に示す傷は、図１１の（Ｂ）に示す傷よりも大きい。

図１１の（Ａ）及び（Ｂ）に示すように、発光割合が３０％の場合には、発光しない領域が狭いため、広い領域に亘って異常の検出が可能である（符号Ｆ１及びＦ２参照）。また、照明部３による光の強弱を調整することによって、より異常の観察が容易になる。

図１２は、図１に示した検査システム１００においてフィルタ３１の発光割合を４０％とした場合の検査対象物７の表面の傷を撮影した写真である。図１２の（Ａ）に示す傷は、図１２の（Ｂ）に示す傷よりも大きい。

図１２の（Ａ）及び（Ｂ）に示すように、発光割合が４０％の場合には、発光しない領域が狭いため、広い領域に亘って異常の検出が可能である（符号Ｇ１及びＧ２参照）。また、照明部３による光の強弱を調整することによって、より異常の観察が容易になる。

図１３は、図１に示した検査システム１００においてフィルタ３１の発光割合を５０％とした場合の検査対象物７の表面の傷を撮影した写真である。図１３の（Ａ）に示す傷は、図１３の（Ｂ）に示す傷よりも大きい。

図１３の（Ａ）及び（Ｂ）に示すように、発光割合が５０％の場合には、映像のダイナミックレンジが広くなり、傷が明確に観察される（符号Ｈ１及びＨ２参照）。

図１４は、図１に示した検査システム１００においてフィルタ３１の発光割合を６２．６１％とした場合の検査対象物７の表面の傷を撮影した写真である。図１４の（Ａ）に示す傷は、図１４の（Ｂ）に示す傷よりも大きい。

図１４の（Ａ）及び（Ｂ）に示すように、発光割合が６２．６１％の場合には、映像のダイナミックレンジが広くなり、フィルタ３１のパターンと傷との位置関係の違いによる傷の見え方の差異も少なく、傷が明確に観察される（符号Ｉ１及びＩ２参照）。

図１５は、図１に示した検査システム１００においてフィルタ３１の発光割合を６５．７２％とした場合の検査対象物７の表面の傷を撮影した写真である。図１５の（Ａ）に示す傷は、図１５の（Ｂ）に示す傷よりも大きい。

図１５の（Ａ）及び（Ｂ）に示すように、発光割合が６５．７２％の場合には、映像のダイナミックレンジが広くなり、フィルタ３１のパターンと傷との位置関係の違いによる傷の見え方の差異もほぼなく、傷が明確に観察される（符号Ｊ１及びＪ２参照）。

図１６は、図１に示した検査システム１００においてフィルタ３１の発光割合を７１．６５％とした場合の検査対象物７の表面の傷を撮影した写真である。図１６の（Ａ）に示す傷は、図１６の（Ｂ）に示す傷よりも大きい。

図１６の（Ａ）及び（Ｂ）に示すように、発光割合が７１．６５％の場合には、小さい傷の観察は困難であるが（符号Ｋ２参照）、比較的大きい傷は観察可能である（符号Ｋ１参照）。

図１７は、図１に示した検査システム１００においてフィルタ３１の発光割合を８０％とした場合の検査対象物７の表面の傷を撮影した写真である。図１７の（Ａ）に示す傷は、図１７の（Ｂ）に示す傷よりも大きい。

図１７の（Ａ）及び（Ｂ）に示すように、発光割合が８０％の場合には、小さい傷の観察は困難であるが（符号Ｌ２参照）、比較的大きい傷は観察可能である（符号Ｌ１参照）。

図９〜図１７を用いて上述した検査対象物７の表面における傷等の異常の観察結果によれば、フィルタ３１の発光割合の範囲は、１０％〜８０％に設定されてよい。好ましくは、フィルタ３１の発光割合の範囲は、３０％〜７０％に設定されてよい。より好ましくは、フィルタ３１の発光割合の範囲は、６０％〜７０％に設定されてよい。

〔Ａ−２〕動作例
図１に示した検査システム１００における外観検査処理を、図１８に示すフローチャート（ステップＳ１〜Ｓ６）に従って説明する。

カメラ２は、照明部３によって光が照射された検査対象物７の表面を撮影する（ステップＳ１）。

映像取得部１１２は、カメラ２によって撮影された映像を取得し、取得した映像に対して前処理を施す（ステップＳ２）。前処理には、例えば、映像のクリッピングやデータ拡張，不要部分のマスキング，明度調整等の各種の処理が含まれる。なお、前処理の内容は検査対象物７に応じて適宜変更されてよく、検査対象物７によっては前処理が実施されなくてもよい。

学習モデル取得部１１１は、学習モデルを機械学習装置５から取得する。そして、異常検出部１１４は、学習モデル取得部１１１によって取得された学習モデルに、映像取得部１１２によって取得された映像を入力する（ステップＳ３）。

異常検出部１１４は、入力された映像に異常があるかを判定する（ステップＳ４）。

入力に異常がない場合には（ステップＳ４のＮｏルート参照）、検査システム１００は次の入力を待機する（ステップＳ５）。

一方、入力に異常がある場合には（ステップＳ４のＹｅｓルート参照）、異常通知部１１５は、異常の検出をオペレータに通知する（ステップＳ６）。

〔Ａ−３〕効果
上述した実施形態の一例における検査システム１００によれば、例えば、以下の作用効果を奏することができる。

照明部３は、複数の穴３１０を有するフィルタ３１を介して、検査対象物７の表面に光を照射する。カメラ２は、照明部３によって光が照射された検査対象物７の表面を撮影する。異常検出部１１４は、カメラ２によって撮影された検査対象物７の表面における異常を検出する。

これにより、物体の外観検査を効率的に実施することができる。具体的には、複数の円形の穴３１０を有するフィルタ３１を介して光が照射された検査対象物７の表面を撮影することによって、撮影された映像のダイナミックレンジを広げることができ、検査対象物７の表面における傷等の異常を正確に検出することができる。また、カメラ２の撮影範囲の移動速度を大きくしても、検査対象物７の表面における傷等の異常を検出することができるため、検査対象物７の外観検査の時間を短縮できる。

異常検出部１１４は、機械学習によって生成された学習モデルに基づき、カメラ２によって撮影された検査対象物７の表面における異常を検出する。

これにより、検査対象物７に曲面が存在する場合、検査対象物７の表面における塗装が領域によって異なる場合、又は、検査対象物７の表面に埃や指紋が付着している場合等においても、検査対象物７の表面における傷等の異常を正確に検出することができる。

〔Ｂ〕その他
開示の技術は上述した実施形態に限定されるものではなく、本実施形態の趣旨を逸脱しない範囲で種々変形して実施することができる。本実施形態の各構成及び各処理は、必要に応じて取捨選択することができ、あるいは適宜組み合わせてもよい。

上述した実施形態の一例において、フィルタ３１は複数の円形の穴３１０を有していたが、これに限定されるものではない。フィルタ３１は、複数の多角形の穴３１０を有してもよい。この場合においても、上述した実施形態の一例と同様の効果を奏することができる。

１００ ：検査システム
１ ：検査処理装置
１１ ：ＣＰＵ
１１１ ：学習モデル取得部
１１２ ：映像取得部
１１３ ：表示処理部
１１４ ：異常検出部
１１５ ：異常通知部
１１６ ：教師データ生成部
１２ ：メモリ
１３ ：記憶装置
２ ：カメラ
３ ：照明部
３１，３１ａ，３１ｂ：フィルタ
３１０ ：穴
４ ：表示装置
５ ：機械学習装置
５１ ：ＣＰＵ
５２ ：メモリ
５３ ：記憶装置
５１１ ：教師データ取得部
５１２ ：学習モデル生成部
６ ：ネットワーク
７ ：検査対象物

本発明は、検査システム及びプログラムに関する。

１つの側面において、検査システムは、物体の表面における異常を検査する検査システムであって、複数の穴を有するフィルタを介して、前記表面に光を照射して前記表面におけるダイナミックレンジを広げる照明部と、前記照明部によって光が照射されてダイナミックレンジが広げられた前記表面を撮影する撮影部と、前記表面に関する正常データ及び異常データの入力に応じた機械学習によって生成された学習モデルに基づき、前記撮影部によって撮影された前記表面における異常を検出する異常検出部と、を備える。

Claims (6)

1. 物体の表面における異常を検査する検査システムであって、
   複数の穴を有するフィルタを介して、前記表面に光を照射する照明部と、
   前記照明部によって光が照射された前記表面を撮影する撮影部と、
   前記撮影部によって撮影された前記表面における異常を検出する異常検出部と、
   を備える、検査システム。
2. 前記異常検出部は、機械学習によって生成された学習モデルに基づき、前記表面における異常を検出する、
   請求項１に記載の検査システム。
3. 前記フィルタは、複数の円形の穴又は複数の多角形の穴を有する、
   請求項１又は２に記載の検査システム。
4. 前記フィルタにおいて、当該フィルタの面積に対する前記複数の穴が形成された部分の面積の割合の範囲は、１０％〜８０％である、
   請求項１〜３のいずれか１項に記載の検査システム。
5. 物体の表面における異常を検査するコンピュータに、
   複数の穴を有するフィルタを介して光が照射された前記表面を撮影させ、
   撮影された前記表面における異常を検出する、
   処理を実行させる、プログラム。
6. 検査対象物の表面に光を照射する照明装置に使用されるフィルタであって、
   複数の円形の穴又は複数の多角形の穴を有する、
   フィルタ。