JP2020085470A - 気泡検出装置、方法、及びプログラム - Google Patents

Abstract

【課題】熟練者の判断基準に頼ることなく、ミクロサイズの気泡を自動検出する。【解決手段】取得部１２が、樹脂組成物フィルムに含まれる検出対象のサイズの気泡の形状を認識可能な分解能で樹脂組成物フィルムを撮像した画像を取得し、検出部１６が、樹脂組成物フィルムを撮像した画像における気泡が生じた部分を含む複数の部分画像を学習データとして深層学習された多層構造の学習モデル２０を用いて、取得部１２により取得された画像から気泡を示す部分を検出する。【選択図】図１

Description

本発明は、気泡検出装置、気泡検出方法、及び気泡検出プログラムに関する。

例えば、材料メーカーから、溶媒を含むポリアミック酸のワニスで提供されるポリイミドを、顧客又は塗工機メーカーにおいて、加熱による乾燥により、脱水反応及び脱溶媒しながらフィルム化することが行われている。このフィルム化において、フィルム中には気泡（ボイド）が発生する場合があるが、フィルム中の気泡の存在は、製品物性的に好ましくない。具体的には、ポリイミドフィルムがＴＦＴ（thin-film-transistor）、カラーフィルタ、タッチセンサなどの微細素子を作成するための基板として用いられる場合、気泡等を含む不良部位や異物は、素子形成、センサ機能、素子性能等を阻害すると考えらえる。そのため、気泡の発生は低減することが望ましい。

また、気泡の発生は、フィルム化を行う製造装置に依存することもあるため、製造装置に合わせて、なるべく気泡を発生させないような乾燥条件等を探索することが行われる。このような乾燥条件等を探索するために、フィルム中にどの程度の気泡が発生しているかを検出する必要があるが、自動検出できる気泡のサイズの限界は、直径２〜３μｍ程度である。そのため、１μｍ程度のサイズの気泡（以下、「ミクロボイド」ともいう）を検出するには、デジタル顕微鏡を用いてフィルムを観察して、ミクロボイドの数を人が目視により１つずつ数えて確認を行っている。

なお、対象物に含まれる気泡や欠陥などを自動検出する技術として、半導体プロセスにおける欠陥分類のためのシステム及び方法が提案されている（特許文献１参照）。このシステムは、半導体プロセスからウェハの欠陥画像を受け取るべく構成された通信ラインと、その通信ラインで以て電子通信するディープアーキテクチャニューラルネットワークと、を備える。そのニューラルネットワークは、欠陥画像由来の画素をフィルタで以て畳み込むことで第１フィーチャマップを生成するよう構成されたニューロン群からなる、第１畳み込み層を有する。このニューラルネットワークは、また、第１フィーチャマップのサイズ及び変動を低減するよう構成された第１サブサンプリング層を有する。このシステムは、フィーチャマップに基づき欠陥分類を特定するためクラシファイアが設けられている。

また、複雑な構造を有する軸物工具の表面における欠陥を検査することができる軸物工具表面の欠陥検査装置が提案されている（特許文献２参照）。この装置は、軸物工具の表面を撮影した画像が入力され、該入力された画像を予め定められている画像サイズに分割する画像分割部と、画像分割部の分割した画像を入力データとして、予め学習されている第１のニューラルネットワークにより出力値を算出する第１のニューラルネットワーク処理部と、第１のニューラルネットワーク処理部の算出した出力値に基いて、軸物工具の表面に欠陥があるか否かを判定する欠陥有無判定部と、を有する。

また、ＣＣＤラインカメラを用いた画像処理機により微量のカーボンブラックで黒く着色したシート状フィルムの透過光の明暗を３値化し、３値化後ニューラルネットワークによりパターンの相関関係を調べることにより、フィッシュアイとボイド又はピンホールとを判別する検査方法が提案されている（特許文献３参照）。

特表２０１８−５０６１６８号公報 特開２０１０−１３９３１７号公報 特開平０７−３１８５１５号公報

上記のように、目視によりミクロボイドを検出する場合、その検出作業には時間が掛かり、また、フィルム上に存在する欠陥がミクロボイドか否かの判断が熟練者の基準に依存し、一律の判定基準が確立されていない、という問題がある。

また、従来、目視によりミクロボイドを検出する場合、形状が真球形状か否かを判定基準としており、真球から僅かに歪曲した欠陥はミクロボイドとは区別する必要がある。しかしながら、従来技術の自動検出の手法では、このような僅かな形状の違いを捉えることができないため、ミクロボイドの検出には適用することができない。

本発明は、上記の点に鑑みてなされたものであり、熟練者の判断基準に頼ることなく、ミクロサイズの気泡を自動検出することができる気泡検出装置、方法、及びプログラムを提供することを目的とする。

上記目的を達成するために、本発明に係る気泡検出装置は、樹脂組成物フィルムに含まれる検出対象のサイズの気泡の形状を認識可能な分解能で前記樹脂組成物フィルムを撮像した画像を取得する取得部と、樹脂組成物フィルムを撮像した画像における気泡が生じた部分を含む複数の部分画像を学習データとして深層学習された多層構造の学習モデルを用いて、前記取得部により取得された画像から気泡を示す部分を検出する検出部と、を含んで構成されている。

また、前記取得部は、前記樹脂組成物フィルムを光学顕微鏡で観察され、撮像された画像を取得することができる。

また、前記取得部は、前記樹脂組成物フィルムを撮像した全体画像を取得し、前記検出部は、前記取得部により取得された全体画像を、前記部分画像のサイズに相当する複数の領域に分割し、前記複数の領域の各々について、前記気泡を示す部分が存在するか否かを前記学習モデルにより判定することにより、前記全体画像から前記気泡を示す部分を検出することができる。

また、前記検出部は、前記全体画像を分割した複数の領域のうち、前記気泡を示す部分が存在すると判定された領域の数を前記気泡の数として検出することができる。

また、本発明に係る気泡検出装置は、樹脂組成物フィルムを撮像した画像における気泡が生じた部分を含む複数の部分画像を学習データとして前記多層構造の学習モデルを深層学習する学習部を含んで構成されてもよい。

また、前記学習モデルは、畳み込みニューラルネットワークを用いた学習モデルとすることができる。

また、前記検出対象のサイズの気泡は、直径サイズが０．５μｍ〜３μｍの範囲の気泡とすることができる。

また、前記樹脂組成物フィルムは、溶媒キャスト法によって形成されたものとすることができる。

また、本発明に係る気泡検出方法は、樹脂組成物フィルムに含まれる検出対象のサイズの気泡の形状を認識可能な分解能で前記樹脂組成物フィルムを撮像した画像を取得する取得ステップと、樹脂組成物フィルムを撮像した画像における気泡が生じた部分を含む複数の部分画像を学習データとして深層学習された多層構造の学習モデルを用いて、前記取得部により取得された画像から気泡を示す部分を検出する検出ステップと、を含む処理をコンピュータが実行する方法である。

また、本発明に係る気泡検出プログラムは、コンピュータを、樹脂組成物フィルムに含まれる検出対象のサイズの気泡の形状を認識可能な分解能で前記樹脂組成物フィルムを撮像した画像を取得する取得部、及び、樹脂組成物フィルムを撮像した画像における気泡が生じた部分を含む複数の部分画像を学習データとして深層学習された多層構造の学習モデルを用いて、前記取得部により取得された画像から気泡を示す部分を検出する検出部として機能させるためのプログラムである。

本発明に係る気泡検出装置、方法、及びプログラムによれば、熟練者の判断基準に頼ることなく、ミクロサイズの気泡を自動検出することができる。

本実施形態に係る気泡検出装置の機能的構成を示すブロック図である。 学習用画像の生成を説明するための図である。 学習モデルの一例を説明するための図である。 気泡の検出を説明するための図である。 本実施形態に係る気泡検出装置のハードウェア構成を示すブロック図である。 学習処理の流れの一例を示すフローチャートである。 検出処理の流れの一例を示すフローチャートである。 気泡の検出結果の一例を示す図である。 目視判定による従来手順と本実施形態とにおける処理時間の比較結果を示す図である。

以下、本発明の実施形態の一例を、図面を参照しつつ説明する。なお、各図面において同一又は等価な構成要素及び部分には同一の参照符号を付与している。また、図面の寸法及び比率は、説明の都合上誇張されており、実際の比率とは異なる場合がある。

まず、本実施形態に係る気泡検出装置の機能構成について説明する。

図１に示すように、本実施形態に係る気泡検出装置１０は、取得部１２と、学習部１４と、検出部１６と、学習モデル２０とを含んで構成される。学習モデル２０の学習時においては、気泡検出装置１０には、学習モデル２０の学習のための学習データセットが入力され、学習モデル２０が学習される。また、学習モデル２０を用いた気泡の検出時においては、気泡検出装置１０には、検出対象画像が入力され、気泡の検出結果が出力される。

学習データセットは、樹脂組成物フィルムに含まれる検出対象のサイズ（例えば、直径０．５〜３μｍ）の気泡の形状を認識可能な分解能で樹脂組成物フィルムを撮像した画像における気泡が生じた部分を含む部分画像の集合である。樹脂組成物フィルムは、例えば溶媒キャスト法によって形成されたものであり、厚みが５〜２０μｍ程度のフィルムである。

学習データセットを構成する部分画像は、例えば、以下のように用意される。

まず、樹脂組成物フィルムを光学顕微鏡で観察し、撮像した全体画像を、カラー画像からモノクロ画像へ変換する。そして、モノクロ画像に変換された全体画像の輝度を、正規化処理により一定に調整する。例えば、全体画像の各画素の輝度値を、以下に示すように正規化することで、正規化後の全体画像の標準偏差をσ（例えば、σ＝１６）、及び平均輝度をｕ（例えば、ｕ＝０）とする。

輝度_１＝（（輝度_０−輝度_０の平均値）／輝度_０の標準偏差）×σ＋ｕ

なお、輝度_０は正規化前の輝度値、輝度_１は正規化後の輝度値である。

次に、図２に示すように、正規化後の全体画像５０から、気泡を示す部分を含む所定サイズの部分画像５２Ａを抽出する。図２の例では、１６００画素（ピクセル、以下「ｐｘ」と表記する）×１２００ｐｘのサイズの全体画像５０に対して、４０ｐｘ×４０ｐｘのサイズの部分画像５２Ａを抽出している。部分画像５２Ａの抽出は、気泡を示す部分１つに対して、所定枚数（例えば、３０枚）サンプリングすることにより行う。

さらに、サンプリングした各部分画像５２Ａを拡張処理して、気泡を示す学習用画像５４Ａを生成する。例えば、図２に示すように、サンプリングした各部分画像５２Ａを、９０度ずつ回転させた画像、及びその画像の各々を左右反転させた画像を、気泡を示す学習用画像５４Ａとして生成する。この例では、気泡を示す部分１つについて、３０サンプル×８種類＝２４０枚の気泡を示す学習用画像５４Ａが得られることになる。複数の全体画像５０の各々から全部で１５０箇所の気泡を示す部分が特定された場合、１５０×３０×８＝３６０００枚の気泡を示す学習用画像５４Ａが得られる。

なお、拡張処理は、上記の回転及び左右反転に限定されず、拡大、縮小、シフト等の処理を行ってもよい。

また、正規化後の全体画像５０において、気泡を示す部分以外の部分から、上記の気泡を示す部分を含む部分画像５２Ａと同様に、背景を示す部分画像５２Ｂを抽出し、拡張処理も適用して、背景を示す学習用画像５４Ｂを、気泡を示す学習用画像５４Ａと同程度数生成する。

なお、気泡を示す部分を含む部分画像５２Ａにおいて、気泡を示す部分を、それ以外の背景部分の画像で塗り潰し、上記と同様の拡張処理を行って背景を示す学習用画像５４Ｂを生成してもよい。この場合、全体画像５０から気泡を示す部分以外の部分を探索する処理を省略することができる。

複数の全体画像５０から、上記のように気泡を示す学習用画像５４Ａ、及び背景を示す学習用画像５４Ｂの各々を複数得て、学習データセットとする。

検出対象画像は、上記の全体画像５０と同様に、樹脂組成物フィルムを光学顕微鏡で観察し、撮像した画像である。

取得部１２は、上記のように用意された学習データセットが気泡検出装置１０へ入力された場合には、入力された学習データセットを取得し、学習部１４へ受け渡す。

また、取得部１２は、検出対象画像が気泡検出装置１０へ入力された場合には、検出対象画像を取得する。取得部１２は、取得した検出対象画像に対して、上述したようなモノクロ画像への変換処理、及び正規化処理を行い、処理後の検出対象画像を検出部１６へ受け渡す。なお、モノクロ画像への変換及び正規化の処理済みの検出対象画像が気泡検出装置１０へ入力された場合には、取得部１２は、取得した検出対象画像をそのまま検出部１６へ受け渡す。

学習部１４は、取得部１２から受け渡された学習データセットを用いて、多層構造の学習モデル２０を深層学習する。上記のような学習データセットを用いることで、入力された画像が、気泡を示す画像か、背景を示す画像かを出力する学習モデル２０が学習される。

学習モデル２０は、例えば図３に示すように、畳み込みニューラルネットワーク（ＣＮＮ、Convolutional Neural Network）を用いた学習モデルとすることができる。図３の例では、入力層から出力層まで計１２層からなるＣＮＮを、各層から出力されるデータサイズと共に示している。

より具体的には、例えば、畳み込み層では、３×３のパッチをストライド１で適用し、プーリング層では、２×２のパッチをストライド２で適用する。活性化関数としては、ＲｅＬＵ（Rectified Linear Unit）関数を用い、重みは、Ｈｅの初期値＋Ｌ２正則化（λ＝５×１０^−５）とすることができる。なお、出力層の活性化関数は、Ｓｏｆｔｍａｘ関数を用いる。また、過学習防止のため、ドロップアウトを適用して、全結合層に０．５の割合で不活性化を導入してもよい。また、重み最適化には、Ａｄａｍの最適化法（学習率：５．０×１０^−５）を適用することができ、ミニバッチサイズを５０件、エポック数を１０回等に設定することができる。

なお、ＣＮＮの層構成や学習の条件は、上記の例に限定されるものではない。

検出部１６は、取得部１２から受け渡された検出対象画像から、気泡を示す部分を検出する。具体的には、検出部１６は、検出対象画像を、学習用画像５４Ａ、５４Ｂのサイズと同サイズの複数の領域に分割し、複数の領域の各々について、気泡を示す部分が存在するか否かを、学習モデル２０を用いて判定することにより、検出対象画像から気泡を示す部分を検出する。

より具体的には、検出部１６は、図４に示すように、検出対象画像５６の初期位置（例えば、左上角）に、学習用画像５４Ａ、５４Ｂのサイズと同サイズの検出枠５８を設定する。検出部１６は、検出枠５８内の画像を学習モデル２０に入力した際の、気泡を示す部分か背景を示す部分かの出力結果に基づいて、検出枠５８で示される領域に気泡を示す部分が存在するか否かを判定する。検出部１６は、現在の領域での判定が終了すると、検出枠５８を、検出枠５８のサイズと同一のストライドでスライドさせる。すなわち、検出部１６は、現在の検出枠５８の位置と重複及び離間しない位置を次の位置として検出枠５８を配置する。これを検出対象画像５６の最終位置（例えば、右下角）まで繰り返すことで、検出対象画像５６を、検出枠５８のサイズ、すなわち学習用画像５４Ａ、５４Ｂのサイズと同サイズの複数の領域に分割して処理することになる。

なお、検出対象画像５６に含まれる気泡の数を検出することに主眼をおいた場合、上記のように、検出枠５８を重複なしでスライドさせることで、過検出を防止すると共に、検出対象画像５６全体に対する処理量を削減できる。

検出部１６は、学習モデル２０により、気泡を示す部分が存在すると判定された領域の数をカウントし、カウントした数を、検出対象画像５６が示す樹脂組成物フィルムに発生した気泡の数とする検出結果を出力する。なお、検出結果には、検出対象画像５６における、気泡を示す部分が存在すると判定された領域の位置を示す情報を含めてもよい。

次に、気泡検出装置１０のハードウェア構成について説明する。図５に示すように、気泡検出装置１０は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）３２、メモリ３４、記憶装置３６、入力装置３８、出力装置４０、光ディスク駆動装置４２、及び通信インタフェース（Ｉ／Ｆ）４４を含むコンピュータで実現される。コンピュータの各構成は、バスを介して相互に通信可能に接続されている。

記憶装置３６には、後述する学習処理及び検出処理を実行するための気泡検出プログラムが格納されている。ＣＰＵ３２は、中央演算処理ユニットであり、各種プログラムを実行したり、各構成を制御したりする。すなわち、ＣＰＵ３２は、記憶装置３６からプログラムを読み出し、メモリ３４を作業領域としてプログラムを実行する。ＣＰＵ３２は、記憶装置３６に記憶されているプログラムに従って、上記各構成の制御及び各種の演算処理を行う。

メモリ３４は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）により構成され、作業領域として一時的にプログラム及びデータを記憶する。記憶装置３６は、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）により構成され、オペレーティングシステムを含む各種プログラム、及び各種データを格納する。

入力装置３８は、例えば、キーボードやマウス等の、各種の入力を行うための装置である。出力装置４０は、例えば、ディスプレイやプリンタ等の、各種の情報を出力するための装置である。出力装置４０として、タッチパネルディスプレイを採用することにより、入力装置３８として機能させてもよい。光ディスク駆動装置４２は、ＣＤ−ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ Ｒｅａｄ ｏｎｌｙ ｍｅｍｏｒｙ）やブルーレイディスクなどの各種の記録媒体に記憶されたデータの読み込みや、記録媒体に対するデータの書き込み等を行う。

通信インタフェース４４は、他の機器と通信するためのインタフェースであり、例えば、イーサネット（登録商標）、ＦＤＤＩ又はＷｉ−Ｆｉ（登録商標）等の規格が用いられる。

次に、気泡検出装置１０の作用について説明する。

図６は、気泡検出装置１０のＣＰＵ３２により実行される学習処理の流れを示すフローチャートである。また、図７は、気泡検出装置１０のＣＰＵ３２により実行される検出処理の流れを示すフローチャートである。ＣＰＵ３２が記憶装置３６から気泡検出プログラムを読み出して、メモリ３４に展開して実行することにより、ＣＰＵ３２が気泡検出装置１０の各機能構成として機能し、図６に示す学習処理、及び図７に示す検出処理の各々が実行される。

まず、図６に示す学習処理について説明する。学習処理は、気泡検出装置１０に学習データセットが入力されると開始する。

ステップＳ１２で、取得部１２が、上記のように用意され、気泡検出装置１０へ入力された学習データセットを取得し、学習部１４へ受け渡す。

次に、ステップＳ１４で、学習部１４が、取得部１２から受け渡された学習データセットに含まれる気泡を示す学習用画像５４Ａ、及び背景を示す学習用画像５４Ｂの各々について、例えば、１０％を検証用データ、９０％を学習用データに分割する。例えば、学習データセットに、気泡を示す学習用画像５４Ａが３６０００枚含まれる場合、３６００枚の検証用データ、３２４００枚の学習用データに分割される。背景を示す学習用画像５４Ｂについても同様である。なお、学習用画像５４Ａ、５４Ｂ生成前の全体画像５０の段階で、テスト用データのための全体画像と、学習及び検証用データのための全体画像とに予め分割しておいてもよい。

そして、学習部１４が、学習用データとして分割された気泡を示す学習用画像５４Ａ及び背景を示す学習用画像５４Ｂの各々を用いて、学習モデル２０であるＣＮＮを深層学習する。

次に、ステップＳ１６で、学習部１４が、検証用データとして分割された気泡を示す学習用画像５４Ａ及び背景を示す学習用画像５４Ｂの各々を用いて、現時点での学習モデル２０の性能を検証する。

次に、ステップＳ１８で、学習部１４が、上記ステップＳ１６での検証結果に基づいて、学習モデル２０が最適化されたか否かを判定する。最適化された場合には、学習部１４は、学習モデル２０を、気泡検出装置１０の所定の記憶領域に記憶し、学習処理は終了する。最適化されていない場合には、ステップＳ１４に戻り、学習を繰り返す。

次に、図７に示す検出処理について説明する。検出処理は、気泡検出装置１０に検出対象画像５６が入力されると開始する。

ステップＳ３２で、取得部１２が、気泡検出装置１０へ入力された検出対象画像５６を取得する。

次に、ステップＳ３４で、取得部１２は、取得した検出対象画像５６に対して、モノクロ画像への変換処理、及び正規化処理を行い、処理後の検出対象画像を検出部１６へ受け渡す。なお、モノクロ画像への変換及び正規化の処理済みの検出対象画像５６が気泡検出装置１０へ入力された場合には、本ステップは省略する。

次に、ステップＳ３６で、検出部１６が、検出対象画像５６の初期位置（例えば、左上角）に、学習用画像５４Ａ、５４Ｂのサイズと同サイズの検出枠５８を設定する。

次に、ステップＳ３８で、検出部１６が、検出枠５８内の画像を学習モデル２０に入力する。

次に、ステップＳ４０で、検出部１６が、学習モデル２０の出力が、検出枠５８で示される領域に気泡を示す部分が存在することを示すものである場合に、カウント（初期値は０）に１加算する。

次に、ステップＳ４２で、検出部１６が、検出枠５８が設定されている位置が、検出対象画像５６の最終位置（例えば、右下角）か否かを判定する。最終位置ではない場合には、ステップＳ４４へ移行し、最終位置の場合には、ステップＳ４６へ移行する。

ステップＳ４４では、検出部１６が、検出枠５８を、検出枠５８のサイズと同一のストライドでスライドさせる。すなわち、現在の検出枠５８の位置と重複及び離間しない位置を次の位置として検出枠５８を配置する。そして、ステップＳ３８に戻る。

ステップＳ４６では、検出部１６が、上記ステップＳ４０でカウントした数を、検出対象画像５６が示す樹脂組成物フィルムに発生した気泡の数とする検出結果を出力し、検出処理は終了する。

ここで、図８に、本実施形態に係る気泡検出装置１０によるテスト用データにおける気泡の検出結果の一例を示す。図８では、サンプルＮｏ．１〜４の検出対象画像５６の各々から検出された気泡を示す部分を含む領域の数を示す「検出数（個）」と、正解の気泡の数を示す「正答数（個）」と、「精度（％）」とを示している。精度は、（（検出数及び正答数の小さい方）／（検出数及び正答数の大きい方））×１００である。いずれの検出対象画像５６からも、高い精度で気泡が検出できていることがわかる。

また、図９に、目視判定による従来手順と本実施形態とにおける処理時間の比較結果を示す。従来手順では、「データ取得」について、検出対象画像として反射暗視野像及び反射明視野像を取得する必要があるため、それぞれ約３０分ずつ、計約６０分掛かる。それに対して、本実施形態では、反射暗視野像だけでよいため、約３０分でよい。また、気泡の「判定」については、従来手順の目視による判定では、約６０分係る。これに対し、本実施形態において、インテル（登録商標）Ｃｏｒｅｉ５−７３００（２．６０ＧＨｚ）のＣＰＵ、８ＧＢのメモリのコンピュータを用いた場合には、８分で判定（検出）可能である。

以上説明したように、本実施形態に係る気泡検出装置によれば、樹脂組成物フィルムに含まれる検出対象のサイズの気泡の形状を認識可能な分解能で樹脂組成物フィルムを撮像した画像から、深層学習された多層構造の学習モデルを用いて、気泡を示す部分を検出する。これにより、１μｍ程度のミクロサイズの気泡についても、熟練者の判断基準に頼ることなく、自動検出することができる。

具体的には、本実施形態では、光学顕微鏡で観察され、撮像された画像と、ＣＮＮとを組み合わせて用いている。光学顕微鏡の画像では、例えば、１ｐｘの長さは約０．１２μｍであるため、ミクロサイズの気泡の形状を表現可能である。しかし、小さい気泡は、画像上で６ｐｘ程度のサイズしかなく、気泡の判断基準である真球の形状と、僅かに湾曲した球の形状との区別が困難な場合もある。本実施形態では、光学顕微鏡の画像を用いることに加え、多層構造のＣＮＮを大量のデータで学習した学習モデルを用いることで、上記のように区別が困難な場合でも、精度良く気泡を検出可能な気泡検出装置を実現できている。

なお、上記実施形態では、学習部と検出部とが１つの気泡検出装置に含まれる場合について説明したが、学習部と検出部とを、学習装置と検出装置として、それぞれ異なる装置で実現してもよい。この場合、学習装置が学習処理を実行することにより生成した学習モデルを、検出装置が検出処理を実行する際に取得して、検出処理を実行すればよい。

また、上記実施形態でＣＰＵがソフトウェア（プログラム）を読み込んで実行した気泡検出処理を、ＣＰＵ以外の各種のプロセッサが実行してもよい。この場合のプロセッサとしては、ＦＰＧＡ（Ｆｉｅｌｄ−Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）等の製造後に回路構成を変更可能なＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、及びＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）等の特定の処理を実行させるために専用に設計された回路構成を有するプロセッサである専用電気回路等が例示される。また、気泡検出処理を、これらの各種のプロセッサのうちの１つで実行してもよいし、同種又は異種の２つ以上のプロセッサの組み合わせ（例えば、複数のＦＰＧＡ、及びＣＰＵとＦＰＧＡとの組み合わせ等）で実行してもよい。また、これらの各種のプロセッサのハードウェア的な構造は、より具体的には、半導体素子等の回路素子を組み合わせた電気回路である。

また、上記実施形態では、気泡検出プログラムが記憶装置に予め記憶（インストール）されている態様を説明したが、これに限定されない。プログラムは、ＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｃ Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、及びＵＳＢ（Ｕｎｉｖｅｒｓａｌ Ｓｅｒｉａｌ Ｂｕｓ）メモリ等の記録媒体に記録された形態で提供されてもよい。また、プログラムは、ネットワークを介して外部装置からダウンロードされる形態としてもよい。

１０ 気泡検出装置
１２ 取得部
１４ 学習部
１６ 検出部
２０ 学習モデル
３２ ＣＰＵ
３４ メモリ
３６ 記憶装置
３８ 入力装置
４０ 出力装置
４２ 光ディスク駆動装置
４４ 通信インタフェース
５０ 全体画像
５２Ａ、５２Ｂ 部分画像
５４Ａ、５４Ｂ 学習用画像
５６ 検出対象画像
５８ 検出枠

Claims (10)

1. 樹脂組成物フィルムに含まれる検出対象のサイズの気泡の形状を認識可能な分解能で前記樹脂組成物フィルムを撮像した画像を取得する取得部と、
   樹脂組成物フィルムを撮像した画像における気泡が生じた部分を含む複数の部分画像を学習データとして深層学習された多層構造の学習モデルを用いて、前記取得部により取得された画像から気泡を示す部分を検出する検出部と、
   を含む気泡検出装置。
2. 前記取得部は、前記樹脂組成物フィルムを光学顕微鏡で観察され、撮像された画像を取得する請求項１に記載の気泡検出装置。
3. 前記取得部は、前記樹脂組成物フィルムを撮像した全体画像を取得し、
   前記検出部は、前記取得部により取得された全体画像を、前記部分画像のサイズに相当する複数の領域に分割し、前記複数の領域の各々について、前記気泡を示す部分が存在するか否かを前記学習モデルにより判定することにより、前記全体画像から前記気泡を示す部分を検出する
   請求項１又は請求項２に記載の気泡検出装置。
4. 前記検出部は、前記全体画像を分割した複数の領域のうち、前記気泡を示す部分が存在すると判定された領域の数を前記気泡の数として検出する請求項３に記載の気泡検出装置。
5. 樹脂組成物フィルムを撮像した画像における気泡が生じた部分を含む複数の部分画像を学習データとして前記多層構造の学習モデルを深層学習する学習部を含む請求項１〜請求項４のいずれか１項に記載の気泡検出装置。
6. 前記学習モデルは、畳み込みニューラルネットワークを用いた学習モデルである請求項１〜請求項５のいずれか１項に記載の気泡検出装置。
7. 前記検出対象のサイズの気泡は、直径サイズが０．５μｍ〜３μｍの範囲の気泡である請求項１〜請求項６のいずれか１項に記載の気泡検出装置。
8. 前記樹脂組成物フィルムは、溶媒キャスト法によって形成される請求項１〜請求項７のいずれか１項に記載の気泡検出装置。
9. 樹脂組成物フィルムに含まれる検出対象のサイズの気泡の形状を認識可能な分解能で前記樹脂組成物フィルムを撮像した画像を取得する取得ステップと、
   樹脂組成物フィルムを撮像した画像における気泡が生じた部分を含む複数の部分画像を学習データとして深層学習された多層構造の学習モデルを用いて、前記取得ステップにより取得された画像から気泡を示す部分を検出する検出ステップと、
   を含む処理をコンピュータが実行する気泡検出方法。
10. コンピュータを、
    樹脂組成物フィルムに含まれる検出対象のサイズの気泡の形状を認識可能な分解能で前記樹脂組成物フィルムを撮像した画像を取得する取得部、及び、
    樹脂組成物フィルムを撮像した画像における気泡が生じた部分を含む複数の部分画像を学習データとして深層学習された多層構造の学習モデルを用いて、前記取得部により取得された画像から気泡を示す部分を検出する検出部
    として機能させるための気泡検出プログラム。