JP2020003387A - 検査装置、検査システム、検査方法、検査プログラム及び記録媒体 - Google Patents

Abstract

【課題】処理能力の向上を図ることができる検査装置、検査システム、検査方法、検査プログラム及び記録媒体を提供する。【解決手段】Ｘ線検査装置１０は、物品ＡにＸ線を照射するＸ線照射部１５と、物品Ａを透過したＸ線を検出するＸ線検出部１６と、Ｘ線検出部１６の検出結果から作成された透過画像Ｇ１に対して画素数の縮小処理を施して、縮小画像Ｇ２を作成する処理部２１と、処理部２１によって作成された縮小画像Ｇ２に対して、機械学習によって生成された学習済モデルによる処理を行った処理結果を取得する取得部２２と、取得部２２によって取得された処理結果に基づいて、物品Ａの検査を行う検査部２３と、を備える。【選択図】図１

Description

本発明の一側面は、検査装置、検査システム、検査方法、検査プログラム及び記録媒体に関する。

従来の検査装置として、例えば、特許文献１に記載された装置が知られている。特許文献１に記載の検査装置は、物品にＸ線を照射するＸ線照射部と、Ｘ線を検出するＸ線検出部と、を備え、Ｘ線の検出結果に基づいて作成されたＸ線画像に対して画像処理を施して物品の検査を行う。

国際公開第２００６／００１１０７号

近年、検査装置では、機械学習により生成された学習済モデルを用いて、異物の検査等を実施している。学習済モデルに基づく画像処理では、検査対象の画像の全ての画素に対して処理を行う。そのため、検査に時間を要し、検査装置の処理能力が低下し得る。

本発明の一側面は、処理能力の向上を図ることができる検査装置、検査システム、検査方法、検査プログラム及び記録媒体を提供することを目的とする。

本発明の一側面に係る検査装置は、物品に電磁波を照射する照射部と、物品を透過した電磁波を検出する検出部と、検出部の検出結果から作成された透過画像に対して画素数の縮小処理を施して、縮小画像を作成する処理部と、処理部によって作成された縮小画像に対して、機械学習によって生成された学習済モデルによる処理を行った処理結果を取得する取得部と、取得部によって取得された処理結果に基づいて、物品の検査を行う検査部と、を備える。

本発明の一側面に係る検査装置では、学習済モデルによる処理に縮小画像を用いる。これにより、検査装置では、学習済モデルによる処理負荷が小さくなるため、処理結果を迅速に得ることが可能となる。したがって、検査装置では、処理能力の向上を図ることができる。

一実施形態においては、検査部は、透過画像に基づいて物品の検査を行い、当該検査の判定結果と、処理結果とに基づいて、物品の検査を行ってもよい。この構成では、透過画像に基づく、例えば輝度値の閾値判定による判定結果と、処理結果とに基づいて、物品の検査を行う。このように、検査装置では、２つの結果に基づいて物品を検査するため、検査精度の向上が図れる。

一実施形態においては、検査部において物品の異常が検出された場合に、物品の振り分けを行う振分装置に対して振分信号を出力する出力部と、透過画像が作成されてから物品が振分装置に到達するまでの第１時間と、学習済モデルによる処理に要する第２時間とに基づいて、縮小画像の縮小率を設定する設定部と、を備えていてもよい。学習済モデルによる処理に要する時間は、縮小画像の画素数に応じて変化し、画素数が大きい場合には長くなり、画素数が小さい場合には短くなる。画素数が大きい場合、処理に時間がかかるため、物品が振分装置に到達するまでに、処理が完了しないおそれがある。一方で、画素数が小さすぎると、学習済モデルによる処理の精度が低下し得る。検査装置では、第１時間と第２時間とに基づいて縮小画像の縮小率を設定する。これにより、検査装置では、振分装置による振り分けを確実に行わせることができると共に、学習済モデルによる処理精度の低下を抑制できる。

一実施形態においては、教師画像を用いる機械学習によって学習済モデルを生成する生成部を備えていてもよい。この構成では、物品の検査に適切な学習済モデルを生成できる。

一実施形態においては、生成部によって生成された学習済モデルにより、縮小画像に対して処理を行う学習部を備え、取得部は、学習部によって実行された処理結果を取得してもよい。この構成では、学習部において縮小画像を学習済モデルに入力して得られた処理結果を、取得部が取得する。したがって、検査装置では、処理結果に基づく検査をより確実に行うことができる。

一実施形態においては、生成部は、ニューラルネットワークを含む学習済モデルを生成してもよい。この構成では、学習済モデルを適切なものとすることができ、物品の検査精度の向上が図れる。

一実施形態においては、検査部は、物品に異物が含まれているか否かを検査してもよい。物品に複数の商品が含まれている場合には、商品同士が重なることがある。この場合、商品同士が重なっている部分と、異物との区別を、透過画像の輝度値に基づいて行うことが困難となる。検査装置では、学習済モデルによる処理を行った処理結果に基づいて検査するため、商品同士が重なっている部分と、異物との区別を行うことが可能である。したがって、検査装置は、物品に異物が含まれているか否かの検査に特に有効である。

一実施形態においては、照射部は、物品にＸ線を照射し、検出部は、物品を透過したＸ線を検出してもよい。この構成では、物品が包装されている場合であっても、包材や、包材に施された印刷に影響されることなく、物品の検査することができる。

本発明の一側面に係る検査システムは、検査装置と、当該検査装置と通信可能に接続されているサーバと、を備える検査システムであって、検査装置は、物品に電磁波を照射する照射部と、物品を透過した電磁波を検出する検出部と、検出部の検出結果から作成された透過画像に対して画素数の縮小処理を施して縮小画像を作成し、縮小画像に係る画像情報をサーバに送信する処理部と、処理部からサーバに画像情報を送信したことに応じて、機械学習によって生成された学習済モデルによる処理を行った処理結果をサーバから取得する取得部と、取得部によって取得された処理結果に基づいて、物品の検査を行う検査部と、を備え、サーバは、検査装置から送信された画像情報に基づいて、縮小画像に対して学習済モデルによる処理を行う学習部と、処理結果を検査装置に送信する通信部と、を備える。

本発明の一側面に係る検査システムでは、学習済モデルによる処理に縮小画像を用いる。これにより、検査システムでは、学習済モデルによる処理負荷が小さくなるため、処理結果を迅速に得ることが可能となる。したがって、検査システムでは、処理能力の向上を図ることができる。

一実施形態においては、教師画像を用いる機械学習によって学習済モデルを生成する生成部を備えていてもよい。この構成では、物品の検査に適切な学習済モデルを生成できる。

本発明の一側面に係る検査方法は、物品に電磁波を照射する照射部と、物品を透過した電磁波を検出する検出部と、を備える検査装置で実行される検査方法であって、検出部の検出結果から作成された透過画像に対して画素数の縮小処理を施して、縮小画像を作成する処理ステップと、処理ステップにおいて作成された縮小画像に対して、機械学習によって生成された学習済モデルによる処理を行った処理結果を取得する取得ステップと、取得ステップにおいて取得された処理結果に基づいて、物品の検査を行う検査ステップと、を含む。

本発明の一側面に係る検査方法では、学習済モデルによる処理に縮小画像を用いる。これにより、検査方法では、学習済モデルによる処理負荷が小さくなるため、処理結果を迅速に得ることが可能となる。したがって、検査方法では、処理能力の向上を図ることができる。

本発明の一側面に係る検査プログラムは、物品に電磁波を照射する照射部と、物品を透過した電磁波を検出する検出部と、を備える検査装置のコンピュータを、検出部の検出結果から作成された透過画像に対して画素数の縮小処理を施して、縮小画像を作成する処理部と、処理部によって作成された縮小画像に対して、機械学習によって生成された学習済モデルによる処理を行った処理結果を取得する取得部と、取得部によって取得された処理結果に基づいて、物品の検査を行う検査部と、して機能させる。

本発明の一側面に係る検査プログラムでは、学習済モデルによる処理に縮小画像を用いる。これにより、検査プログラムでは、学習済モデルによる処理負荷が小さくなるため、処理結果を迅速に得ることが可能となる。したがって、検査プログラムでは、処理能力の向上を図ることができる。

本発明の一側面に係る記録媒体は、物品に電磁波を照射する照射部と、物品を透過した電磁波を検出する検出部と、を備える検査装置のコンピュータに実行させる検査プログラムを記録しているコンピュータ読取可能な記録媒体であって、コンピュータを、検出部の検出結果から作成された透過画像に対して画素数の縮小処理を施して、縮小画像を作成する処理部と、処理部によって作成された縮小画像に対して、機械学習によって生成された学習済モデルによる処理を行った処理結果を取得する取得部と、取得部によって取得された処理結果に基づいて、物品の検査を行う検査部と、して機能させる検査プログラムを記録している。

本発明の一側面に係る記録媒体では、上記検査プログラムを記録している。検査プログラムでは、学習済モデルによる処理に縮小画像を用いる。これにより、検査プログラムでは、学習済モデルによる処理負荷が小さくなるため、処理結果を迅速に得ることが可能となる。したがって、記録媒体に記録されている検査プログラムでは、処理能力の向上を図ることができる。

本発明の一側面によれば、処理能力の向上を図ることができる。

図１は、一実施形態に係る検査システムを示す図である。 図２は、図１に示されるシールドボックスの内部の構成図である。 図３は、検査装置の制御部の構成の一例を示す図である。 図４（ａ）は、透過画像を示す図であり、図４（ｂ）は、縮小画像を示す図である。 図５は、振分装置を示す図である。 図６は、ニューラルネットワークの一例を示す図である。 図７は、検査システムの動作の一例を示すフロチャートである。 図８は、検査プログラムを示す図である。

以下、添付図面を参照して、本発明の好適な実施形態について詳細に説明する。なお、図面の説明において同一又は相当要素には同一符号を付し、重複する説明は省略する。

図１に示されるように、Ｘ線検査システム１は、Ｘ線検査装置１０と、振分装置３０と、サーバ５０と、を備えている。Ｘ線検査システム１は、機械学習によって生成される学習済モデルを用いて物品Ａの検査を行う。

Ｘ線検査装置１０は、装置本体１１と、支持脚１２と、シールドボックス１３と、搬送部１４と、Ｘ線照射部（照射部）１５と、Ｘ線検出部（検出部）１６と、表示操作部１７と、制御部１８と、を備えている。

Ｘ線検査装置１０は、物品Ａを搬送しつつ物品Ａの透過画像Ｇ１（図４（ａ）参照）を生成し、透過画像Ｇ１に基づいて物品Ａの検査（例えば、収納数検査、異物混入検査、欠品検査、割れ欠け検査等）を行う。本実施形態では、Ｘ線検査装置１０は、物品Ａの異物混入検査を行う。検査前の物品Ａは、搬入コンベア１９によってＸ線検査装置１０に搬入される。検査後の物品Ａは、コンベア３１に搬出される。Ｘ線検査装置１０によって不良品（異常が有る）と判定された物品Ａは、コンベア３１に配置された振分装置３０よって生産ライン外に振り分けられる。Ｘ線検査装置１０によって良品と判定された物品Ａは、振分装置３０をそのまま通過する。

装置本体１１は、制御部１８等を収容している。支持脚１２は、装置本体１１を支持している。シールドボックス１３は、装置本体１１に設けられている。シールドボックス１３は、外部へのＸ線の漏洩を防止する。シールドボックス１３の内部には、Ｘ線による物品Ａの検査が実施される検査領域Ｒが設けられている。シールドボックス１３には、搬入口１３ａ及び搬出口１３ｂが形成されている。検査前の物品Ａは、搬入コンベア１９から搬入口１３ａを介して検査領域Ｒに搬入される。検査後の物品Ａは、検査領域Ｒから搬出口１３ｂを介して振分装置３０のコンベア３１に搬出される。搬入口１３ａ及び搬出口１３ｂのそれぞれには、Ｘ線の漏洩を防止するＸ線遮蔽カーテン（図示省略）が設けられている。

搬送部１４は、シールドボックス１３内に配置されている。搬送部１４は、搬入口１３ａから検査領域Ｒを介して搬出口１３ｂまで、搬送方向Ｄに沿って物品Ａを搬送する。搬送部１４は、例えば、搬入口１３ａと搬出口１３ｂとの間に掛け渡されたベルトコンベアである。

図１及び図２に示されるように、Ｘ線照射部１５は、シールドボックス１３内に配置されている。Ｘ線照射部１５は、搬送部１４によって搬送される物品ＡにＸ線を照射する。Ｘ線照射部１５は、例えば、Ｘ線を出射するＸ線管と、Ｘ線管から出射されたＸ線を搬送方向Ｄに垂直な面内において扇状に広げるコリメータと、を有している。

Ｘ線検出部１６は、シールドボックス１３内に配置されている。Ｘ線検出部１６は、搬送方向Ｄに垂直な水平方向に沿って一次元に配列されたＸ線検出素子によって構成されているラインセンサである。Ｘ線検出部１６は、物品Ａ及び搬送部１４の搬送ベルトを透過したＸ線を検出する。

図１に示されるように、表示操作部１７は、装置本体１１に設けられている。表示操作部１７は、各種情報を表示すると共に、各種条件の入力を受け付ける。表示操作部１７は、例えば、液晶ディスプレイであり、タッチパネルとしての操作画面を表示する。この場合、オペレータは、表示操作部１７を介して各種条件を入力することができる。

制御部１８は、装置本体１１内に配置されている。制御部１８は、Ｘ線検査装置１０の各部の動作を制御する。制御部１８は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等で構成されている。制御部１８には、Ｘ線検出部１６のＸ線の検出結果が入力される。制御部１８は、Ｘ線の検出結果に基づいて、透過画像Ｇ１を作成する。

図３に示されるように、制御部１８は、設定部２０と、処理部２１と、取得部２２と、検査部２３と、出力部２４と、を有している。

設定部２０は、処理部２１において作成する縮小画像Ｇ２（図４（ｂ）参照）の縮小率を設定する。設定部２０は、透過画像Ｇ１が作成されてから物品Ａが振分装置３０に到達するまでの第１時間と、学習済モデルによる処理に要する第２時間とに基づいて、縮小画像Ｇ２の縮小率を設定する。第１時間は、Ｘ線検査装置１０及び振分装置３０の構成に応じて設定される。具体的には、第１時間は、物品Ａの寸法（長さ）、Ｘ線検出部１６と振分装置３０との間の距離、搬送部１４の搬送速度、及び、コンベア３１の搬送速度等に応じて適宜設定される。

第２時間は、サーバ５０の処理能力等に応じて設定される。第２時間は、画像の画素数が大きいほど長くなる。設定部２０は、第２時間が第１時間よりも短くなるように（第１時間＞第２時間）、縮小率を設定する。第２時間は、例えば、２００ｍｓｅｃである。学習済モデルによる処理精度の観点からは、第２時間は、第１時間と大きく異ならないことが好ましい。これにより、振分装置３０による振り分けを確実に行いつつ、所定の処理精度が得られる縮小率を設定できる。設定部２０は、設定した縮小率を示す縮小情報を処理部２１に出力する。

処理部２１は、透過画像Ｇ１に画像処理を施す。処理部２１は、透過画像Ｇ１に対して画素数の縮小処理を施して、縮小画像Ｇ２を作成する。縮小処理は、透過画像Ｇ１の画素数を減少させる処理であり、公知の方法を用いることができる。処理部２１は、例えば、ニアレストネイバー法、バイリニア法、又は、バイキュービック法を用いて、縮小画像Ｇ２を作成する。処理部２１は、設定部２０によって設定された縮小率に基づいて、縮小画像Ｇ２を作成する。処理部２１は、透過画像Ｇ１に対して、コントラストの調整、色の変更、及びフォーマットの変更等の各種の処理を行ってもよい。処理部２１は、縮小画像Ｇ２に係る画像情報を、通信部（図示省略）を介してサーバ５０に送信する。

取得部２２は、機械学習によって生成された学習済モデルによる処理を行った処理結果を取得する。取得部２２は、処理部２１から送信された画像情報に応じて、サーバ５０から送信された処理情報を受信して処理結果を取得する。取得部２２は、取得した処理結果を検査部２３に出力する。

検査部２３は、物品Ａの検査を行う。検査部２３は、取得部２２によって取得された処理結果と、透過画像Ｇ１に基づく判定結果と、に基づいて、物品Ａに異物Ｆが含まれているか否かを判定する。

検査部２３は、複数の感度レベル（例えば、１〜７）毎に設定されている画像処理アルゴリズムを用い、透過画像Ｇ１の処理（画像処理）を行って処理画像を生成する。画像処理アルゴリズムとは、透過画像Ｇ１に施す画像処理の処理手順を示す型である。画像処理アルゴリズムは、１つの画像処理フィルタ、又は、複数の画像処理フィルタの組み合わせによって構成される。複数の画像処理アルゴリズムは、インターネット等のネットワークを介して外部から取得することができる。また、複数の画像処理アルゴリズムは、ＵＳＢメモリ又はリムーバブルハードディスク等の外部記憶媒体から取得することもできる。複数の画像処理アルゴリズムのうちの少なくとも１つ以上は、生物界における遺伝及び進化のメカニズムを応用した手法である遺伝的アルゴリズム（GA＝Genetic Algorithms）を採用して、Ｘ線検査装置１０の仕様又は検査条件等に基づき複数の画像処理フィルタから自動生成することができる。複数の画像処理アルゴリズムの少なくとも一部は、作業者が表示操作部１７を介して適宜設定することもできる。

検査部２３は、画像処理アルゴリズムに基づいて透過画像Ｇ１に所定の画像処理を行い、画像処理して得られた判定画像に基づいて、物品Ａに異物Ｆが含まれているか否かを判定する。所定の画像処理は、例えば、透過画像Ｇ１の２値化処理等である。検査部２３は、判定画像において、輝度値が閾値を超えている場合には、物品Ａに異物Ｆが含まれていると判定する。閾値は、物品Ａの性質に応じて、試験等によって適宜設定される。検査部２３は、判定結果を記憶部（図示省略）に記憶させる。

検査部２３は、取得部２２によって取得された処理結果と、上記判定結果とに基づいて、物品Ａに異物Ｆが含まれているか否かを検査する。検査部２３は、処理結果において物品Ａに異物Ｆが含まれておらず、且つ、判定結果において物品Ａに異物Ｆが含まれていない場合には、物品Ａに異物Ｆが含まれていないと判定する。検査部２３は、処理結果において物品Ａに異物Ｆが含まれており、且つ、判定結果において物品Ａに異物Ｆが含まれている場合には、物品Ａに異物Ｆが含まれていると判定する。検査部２３は、処理結果及び判定結果の一方において物品Ａに異物Ｆが含まれており、且つ、処理結果及び判定結果の他方において物品Ａに異物Ｆが含まれていない場合には、処理結果を採用する。具体的には、例えば、検査部２３は、処理結果において物品Ａに異物Ｆが含まれており、判定結果において物品Ａに異物Ｆが含まれていない場合には、物品Ａに異物Ｆが含まれていると判定する。検査部２３は、検査結果を示す検査情報を出力部２４に出力する。

出力部２４は、検査部２３から出力された検査情報に基づいて、各種信号を出力する。出力部２４は、検査情報に基づいて、検査結果を表示操作部１７に表示させるための表示信号を、表示操作部１７に出力する。出力部２４は、検査情報において、物品Ａに異物Ｆが含まれている場合、振分装置３０に対して、当該物品Ａの振り分けを指示する振分信号を出力する。

図５に示されるように、振分装置３０は、Ｘ線検査装置１０よりも下流側に設けられている。振分装置３０は、コンベア３１に設けられている。振分装置３０は、Ｘ線検査装置１０から出力された振分信号に基づいて、物品Ａを振り分ける。振分装置３０は、光電センサ３２と、アーム３３と、を有している。

光電センサ３２は、物品Ａの通過を検知するセンサである。光電センサ３２は、アーム３３の上流側に設置されており、振分装置３０への物品Ａの搬入を検知する。光電センサ３２は、投光器３２ａ及び受光器３２ｂを有している。光電センサ３２は、投光器３２ａから受光器３２ｂに出射された光が物品Ａで遮光された場合に、物品Ａが振分装置３０に到達したとして、信号をＸ線検査装置１０に送信する。

アーム３３は、例えばモータ等の駆動力により基端側を基軸に先端が揺動する。アーム３３は、コンベア３１の幅方向における一方側へ物品Ａを押し出し、当該物品Ａを生産ライン外に振り分ける。

図１に示されるように、サーバ５０は、機械学習によって学習済モデルを生成して、学習済モデルによって処理を行う装置である。サーバ５０は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等で構成されている。

サーバ５０は、例えば、Ｘ線検査装置１０のユーザーによって管理されている。図１に示されるように、Ｘ線検査装置１０とサーバ５０とは、インターネット、又は電話網等の有線又は無線のネットワークＮによって通信可能に接続されており、互いに情報の送受信を行うことができる。

サーバ５０は、通信部５１と、学習済モデル生成部５２と、学習部５３と、を備えている。

通信部５１は、Ｘ線検査装置１０と通信を行う。通信部５１は、Ｘ線検査装置１０から送信された画像情報を受信して、学習部５３に出力する。通信部５１は、学習部５３から出力された処理情報をＸ線検査装置１０に送信する。

学習済モデル生成部５２は、機械学習に用いる学習データを取得して、取得した学習データを用いて機械学習を行って学習済モデルを生成する。学習データは、教師画像、及び、その他のデータを含む。教師画像は、例えば、Ｘ線検査装置１０において取得された透過画像であり、異物Ｆを含む透過画像及び異物Ｆを含まない透過画像等である。その他のデータは、例えば、Ｘ線検査装置１０において取得された透過画像において、物品Ａに複数の商品が含まれている場合に、商品が互いに重なり合っている領域に関するデータ、及び、物品Ａに含まれる異物Ｆが存在する領域に関するデータ等である。

学習済モデル生成部５２は、教師画像の各画素値をニューラルネットワークへの入力値とすると共に、教師画像に対応する処理情報をニューラルネットワークの出力値として機械学習を行ってニューラルネットワークＮＷ（図６参照）を生成する。画素値を入力値とする際には、それぞれの画素（画像上の画素の位置）に対応付いたニューロンの入力値とする。上記の機械学習自体は、従来の機械学習アルゴリズムと同様に行うことができる。

学習済モデルは、縮小画像Ｇ２に対する異物Ｆの有無を示す情報を出力する。学習済モデルは、ニューラルネットワークＮＷを含む。学習済モデルは、畳み込みニューラルネットワークを含むものであってもよい。更に、学習済モデルは、複数の階層（例えば、８層以上）のニューラルネットワークを含むものであってもよい。すなわち、ディープラーニングによって学習済モデルが生成されてもよい。

図６に示されるように、ニューラルネットワークＮＷは、例えば、入力層である第１層と、中間層（隠れ層）である第２層、第３層、及び第４層と、出力層である第５層とで構成される。第１層は、ｐ個のパラメータを要素とする入力値ｘ＝（ｘ_０，ｘ_１，ｘ_２，…ｘ_ｐ）をそのまま第２層に出力する。第２層、第３層、及び第４層のそれぞれは、活性化関数により総入力を出力に変換してその出力を次の層に渡す。第５層も活性化関数により総入力を出力に変換し、この出力は、２個のパラメータを要素とするニューラルネットワークの出力値ｙ＝（ｙ_０，ｙ_１）である。

本実施形態では、ニューラルネットワークＮＷは、縮小画像Ｇ２の各画素の画素値を入力して、異物Ｆの有無を示す情報を出力する。ニューラルネットワークＮＷの入力層には、縮小画像Ｇ２の画素数分のニューロンが設けられる。ニューラルネットワークＮＷの出力層には、異物Ｆの有無を示す情報を出力するためのニューロンが設けられる。出力層のニューロンの出力値に基づいて、異物Ｆの有無を示す情報を決めることができる。ニューロンの出力値は、例えば、０〜１の値である。この場合、ニューロンの値が大きい程（値が１に近い程）、物品Ａに異物Ｆが含まれており（異常であり）、ニューロンの値が小さい程（値が０に近い程）、物品Ａに異物Ｆが含まれていない（正常である）ことを示している。

学習部５３は、通信部５１から出力された画像情報に基づく縮小画像Ｇ２を、学習済モデルに入力する。学習部５３は、学習済モデルのニューラルネットワークＮＷから出力された出力値を含む処理結果を示す処理情報を、通信部５１に出力する。処理結果には、物品Ａに異物Ｆの有無を示す情報、及び、物品Ａに異物Ｆが含まれている場合、物品Ａにおける異物Ｆの含まれている領域（位置）を示す情報等が含まれている。

続いて、Ｘ線検査システム１の動作（検査方法）について、図７を参照して説明する。図７に示されるように、Ｘ線検査装置１０は、Ｘ線検出部１６の検出結果から透過画像Ｇ１を作成する（ステップＳ０１）。続いて、Ｘ線検査装置１０は、透過画像Ｇ１に縮小処理を実行して、縮小画像Ｇ２を作成する（ステップＳ０２、処理ステップ）。Ｘ線検査装置１０は、縮小画像Ｇ２をサーバ５０に送信する（ステップＳ０３）。また、Ｘ線検査装置１０は、透過画像Ｇ１に基づいて、物品Ａに異物Ｆが含まれているか否かを判定する（ステップＳ０４）。

サーバ５０は、Ｘ線検査装置１０から送信された縮小画像Ｇ２に対して、学習済モデルによる処理を行う（ステップＳ０５）。サーバ５０は、学習済モデルによる処理結果を、Ｘ線検査装置１０に送信する（ステップＳ０６）。

続いて、Ｘ線検査装置１０は、サーバ５０から送信された処理結果を取得し（取得ステップ）、処理結果に基づいて、物品Ａに異物Ｆが含まれているか否かの検査を行う（ステップＳ０７、検査ステップ）。Ｘ線検査装置１０は、物品Ａに異物Ｆが含まれていると判定した場合には、振分装置３０に振分信号を送信する（ステップＳ０８）。Ｘ線検査装置１０は、物品Ａに異物Ｆが含まれていると判定しなかった場合には、処理を終了する。

続いて、Ｘ線検査システム１を実現させるための検査プログラムＰについて説明する。図８に示されるように、検査プログラムＰは、コンピュータ読み取り可能な記録媒体１００に記録され得る。記録媒体１００に格納された検査プログラムＰは、設定モジュールＰ１、処理モジュールＰ２、取得モジュールＰ３、検査モジュールＰ４及び出力モジュールＰ５と、を備える。設定モジュールＰ１、処理モジュールＰ２、取得モジュールＰ３、検査モジュールＰ４及び出力モジュールＰ５をコンピュータに実行させることにより、検査プログラムＰが機能する。設定モジュールＰ１、処理モジュールＰ２、取得モジュールＰ３、検査モジュールＰ４及び出力モジュールＰ５を実行することにより実現される機能はそれぞれ、設定部２０、処理部２１、取得部２２、検査部２３及び出力部２４の機能と同様である。

検査プログラムＰは、記録媒体１００におけるプログラム記録領域に記録されている。記録媒体１００は、例えば、例えばＣＤ−ＲＯＭ、ＤＶＤ、ＲＯＭ、半導体メモリ等の記録媒体によって構成されている。検査プログラムＰは、搬送波に重畳されたコンピュータデータ信号として通信ネットワークを介して提供されてもよい。

以上説明したように、本実施形態に係るＸ線検査システム１では、学習済モデルによる処理に縮小画像Ｇ２を用いる。これにより、Ｘ線検査システム１では、学習済モデルによる処理負荷が小さくなるため、処理結果を迅速に得ることが可能となる。したがって、Ｘ線検査システム１では、処理能力の向上を図ることができる。

また、本実施形態に係るＸ線検査システム１では、学習済モデルによる処理に縮小画像Ｇ２を用いることにより、処理能力の向上を図ることができる。したがって、Ｘ線検査システム１では、サーバ５０の性能（ＣＰＵのスペック等）を高めることなく、処理能力の向上が図れる。そのため、Ｘ線検査システム１では、高価な装置を必要としないため、コストの低減が図れる。

本実施形態に係るＸ線検査システム１では、Ｘ線検査装置１０の検査部２３は、透過画像Ｇ１に基づいて物品Ａの検査を行い、当該検査の判定結果と、処理結果とに基づいて、物品Ａの検査を行う。この構成では、透過画像Ｇ１に基づく、輝度値の閾値判定による判定結果と、処理結果とに基づいて、物品Ａの検査を行う。このように、Ｘ線検査装置１０では、２つの結果に基づいて物品Ａを検査するため、検査精度の向上が図れる。

本実施形態に係るＸ線検査システム１では、Ｘ線検査装置１０は、検査部２３において物品の異常が検出された場合に、物品Ａの振り分けを行う振分装置３０に対して振分信号を出力する出力部２４と、透過画像Ｇ１が作成されてから物品が振分装置３０に到達するまでの第１時間と、学習済モデルによる処理に要する第２時間とに基づいて、縮小画像Ｇ２の縮小率を設定する設定部２０と、を備えている。学習済モデルによる処理に要する時間は、縮小画像Ｇ２の画素数に応じて変化し、画素数が大きい場合には長くなり、画素数が小さい場合には短くなる。画素数が大きい場合、処理に時間がかかるため、物品Ａが振分装置３０に到達するまでに、処理が完了しないおそれがある。一方で、画素数が小さすぎると、学習済モデルによる処理の精度が低下し得る。Ｘ線検査装置１０では、第１時間と第２時間とに基づいて縮小画像Ｇ２の縮小率を設定する。これにより、Ｘ線検査装置１０では、振分装置３０による振り分けを確実に行わせることができると共に、学習済モデルによる処理精度の低下を抑制できる。

本実施形態に係るＸ線検査システム１では、サーバ５０は、教師画像を用いる機械学習によって学習済モデルを生成する学習済モデル生成部５２を備えている。この構成では、物品の検査に適切な学習済モデルを生成できる。学習済モデル生成部５２は、ニューラルネットワークを含む学習済モデルを生成する。この構成では、学習済モデルを適切なものとすることができ、物品の検査精度の向上が図れる。

本実施形態に係るＸ線検査システム１では、Ｘ線検査装置１０の検査部２３は、物品Ａに異物Ｆが含まれているか否かを検査する。物品Ａに複数の商品が含まれている場合には、商品同士が重なることがある。この場合、商品同士が重なっている部分と、異物との区別を、透過画像Ｇ１の輝度値に基づいて行うことが困難となる。Ｘ線検査装置１０では、学習済モデルによる処理を行った処理結果に基づいて検査するため、商品同士が重なっている部分と、異物との区別を行うことが可能である。したがって、Ｘ線検査装置１０は、物品Ａに異物Ｆが含まれているか否かの検査に特に有効である。

以上、本発明の実施形態について説明してきたが、本発明は必ずしも上述した実施形態に限定されるものではなく、その要旨を逸脱しない範囲で様々な変更が可能である。

上記実施形態では、Ｘ線検査装置１０のＸ線検出部１６が、ラインセンサを１個備える形態を一例に説明した。しかし、Ｘ線検出部１６は、２個のラインセンサを備えていてもよい。この構成では、２つのラインセンサは、上下方向において対向して配置される。一方（上方）のラインセンサは、物品Ａ及び搬送部１４の搬送ベルトを透過した低エネルギー帯のＸ線を検出する。他方（下方）のラインセンサは、物品Ａ、搬送部１４の搬送ベルト及び一方のラインセンサを透過した高エネルギー帯のＸ線を検出する。

上記実施形態では、Ｘ線検査装置１０の検査部２３が、透過画像Ｇ１に基づく判定結果と、機械学習によって生成された学習済モデルによる処理を行った処理結果とに基づいて、物品Ａの検査を行う形態を一例に説明した。しかし、検査部２３は、学習済モデルによる処理を行った処理結果のみに基づいて、物品Ａの検査を行ってもよい。

上記実施形態では、Ｘ線検査システム１がＸ線検査装置１０とサーバ５０とを備える形態を一例に説明した。しかし、サーバ５０を備えていなくてもよい。この場合、Ｘ線検査装置１０が学習済モデル生成部及び学習部を備えていればよい。あるいは、Ｘ線検査装置１０は、他の装置（コンピュータ）で生成された学習済モデルを取得して、記憶部に記憶していてもよい。

上記実施形態では、Ｘ線検査システム１がＸ線検査装置１０と振分装置３０とを備える形態を一例に説明した。しかし、振分装置３０は、Ｘ線検査装置１０の構成の一部として含まれていてもよい。

上記実施形態では、サーバ５０が学習済モデル生成部５２を備える形態を一例に説明した。しかし、サーバ５０は、学習済モデル生成部５２を備えていなくてもよい。この場合、サーバ５０は、他の装置で生成された学習済モデルを取得して記憶部に記憶させ、記憶部に記憶されている学習済モデルを用いて、縮小画像Ｇ２に処理を施せばよい。

上記実施形態では、学習済モデル生成部５２が、機械学習に用いる学習データを取得して、取得した学習データを用いて機械学習を行って学習済モデルを生成する形態を一例に説明した。しかし、学習済モデルの生成方法は、これに限定されない。また、学習データとしては、教師画像及びその他のデータの他に、更に他のデータを用いてもよい。

上記実施形態では、ニューラルネットワークＮＷが５層（入力層を除いた場合には４層）である形態を一例に説明した。しかし、学習済モデル生成部５２を構成するニューラルネットワークの層の数は何ら限定されない。例えば、学習済モデル生成部５２は３以上の任意の個数の層を有するニューラルネットワークを用いてもよく、これは、１以上の任意の個数の中間層を有するニューラルネットワークを用いてもよいことを意味する。また、ニューラルネットワークの各層の構成（例えばニューロンの個数）も、ニューロン間の接続も、上記実施形態で示した構成に限定されない。

上記実施形態では、検査装置がＸ線検査装置１０である形態を一例に説明した。しかし、Ｘ線検査装置に限定されず、電磁波を利用して物品の検査を行う検査装置であればよい。つまり、本発明において、電磁波とは、Ｘ線、近赤外線、光、その他の電磁波である。また、本発明は、物品に含まれる異物の有無を検査するものに限定されず、フィルム包装材等のパッケージ内に食品等の内容物を収容して出荷するような物品において、パッケージの封止部への内容物の噛み込み、パッケージ内での内容物の破損、パッケージ内への異物の混入等を検査するものであってもよい。また、物品の種類は特に限定されず、様々な物品を検査対象とすることができる。同様に、異物の種類は特に限定されず、様々な異物を検査対象とすることができる。

１…Ｘ線検査システム、１０…Ｘ線検査装置、１５…Ｘ線照射部（照射部）、１６…Ｘ線検出部（検出部）、２０…設定部、２１…処理部、２２…取得部、２３…検査部、２４…出力部、５０…サーバ、５１…通信部、５２…学習済モデル生成部、１００…記録媒体、Ａ…物品、Ｆ…異物、Ｐ…検査プログラム、Ｐ２…処理モジュール（処理部）、Ｐ３…取得モジュール（取得部）、Ｐ４…検査モジュール（検査部）。

Claims (13)

1. 物品に電磁波を照射する照射部と、
   前記物品を透過した電磁波を検出する検出部と、
   前記検出部の検出結果から作成された透過画像に対して画素数の縮小処理を施して、縮小画像を作成する処理部と、
   前記処理部によって作成された前記縮小画像に対して、機械学習によって生成された学習済モデルによる処理を行った処理結果を取得する取得部と、
   前記取得部によって取得された前記処理結果に基づいて、前記物品の検査を行う検査部と、を備える、検査装置。
2. 前記検査部は、前記透過画像に基づいて前記物品の検査を行い、当該検査の判定結果と、前記処理結果とに基づいて、前記物品の検査を行う、請求項１に記載の検査装置。
3. 前記検査部において前記物品の異常が検出された場合に、前記物品の振り分けを行う振分装置に対して振分信号を出力する出力部と、
   前記透過画像が作成されてから前記物品が前記振分装置に到達するまでの第１時間と、前記学習済モデルによる処理に要する第２時間とに基づいて、前記縮小画像の縮小率を設定する設定部と、を備える、請求項１又は２に記載の検査装置。
4. 教師画像を用いる機械学習によって前記学習済モデルを生成する生成部を備える、請求項１〜３のいずれか一項に記載の検査装置。
5. 前記生成部によって生成された前記学習済モデルにより、前記縮小画像に対して処理を行う学習部を備え、
   前記取得部は、前記学習部によって実行された前記処理結果を取得する、請求項４に記載の検査装置。
6. 前記生成部は、ニューラルネットワークを含む前記学習済モデルを生成する、請求項４又は５に記載の検査装置。
7. 前記検査部は、前記物品に異物が含まれているか否かを検査する、請求項１〜６のいずれか一項に記載の検査装置。
8. 前記照射部は、前記物品にＸ線を照射し、
   前記検出部は、前記物品を透過した前記Ｘ線を検出する、請求項１〜７のいずれか一項に記載の検査装置。
9. 検査装置と、当該検査装置と通信可能に接続されているサーバと、を備える検査システムであって、
   前記検査装置は、
   物品に電磁波を照射する照射部と、
   前記物品を透過した電磁波を検出する検出部と、
   前記検出部の検出結果から作成された透過画像に対して画素数の縮小処理を施して縮小画像を作成し、前記縮小画像に係る画像情報を前記サーバに送信する処理部と、
   前記処理部から前記サーバに前記画像情報を送信したことに応じて、機械学習によって生成された学習済モデルによる処理を行った処理結果を前記サーバから取得する取得部と、
   前記取得部によって取得された前記処理結果に基づいて、前記物品の検査を行う検査部と、を備え、
   前記サーバは、
   前記検査装置から送信された前記画像情報に基づいて、前記縮小画像に対して前記学習済モデルによる処理を行う学習部と、
   前記処理結果を前記検査装置に送信する通信部と、を備える、検査システム。
10. 前記サーバは、教師画像を用いる機械学習によって前記学習済モデルを生成する生成部を備える、請求項９に記載の検査システム。
11. 物品に電磁波を照射する照射部と、前記物品を透過した電磁波を検出する検出部と、を備える検査装置で実行される検査方法であって、
    前記検出部の検出結果から作成された透過画像に対して画素数の縮小処理を施して、縮小画像を作成する処理ステップと、
    前記処理ステップにおいて作成された前記縮小画像に対して、機械学習によって生成された学習済モデルによる処理を行った処理結果を取得する取得ステップと、
    前記取得ステップにおいて取得された前記処理結果に基づいて、前記物品の検査を行う検査ステップと、を含む、検査方法。
12. 物品に電磁波を照射する照射部と、前記物品を透過した電磁波を検出する検出部と、を備える検査装置のコンピュータを、
    前記検出部の検出結果から作成された透過画像に対して画素数の縮小処理を施して、縮小画像を作成する処理部と、
    前記処理部によって作成された前記縮小画像に対して、機械学習によって生成された学習済モデルによる処理を行った処理結果を取得する取得部と、
    前記取得部によって取得された前記処理結果に基づいて、前記物品の検査を行う検査部と、して機能させる、検査プログラム。
13. 物品に電磁波を照射する照射部と、前記物品を透過した電磁波を検出する検出部と、を備える検査装置のコンピュータに実行させる検査プログラムを記録しているコンピュータ読取可能な記録媒体であって、
    前記コンピュータを、
    前記検出部の検出結果から作成された透過画像に対して画素数の縮小処理を施して、縮小画像を作成する処理部と、
    前記処理部によって作成された前記縮小画像に対して、機械学習によって生成された学習済モデルによる処理を行った処理結果を取得する取得部と、
    前記取得部によって取得された前記処理結果に基づいて、前記物品の検査を行う検査部と、して機能させる前記検査プログラムを記録しているコンピュータ読取可能な記録媒体。

Images