JP2020107254A - 画像検査装置、学習済みモデル生成装置、画像検査システム、画像検査用プログラム、学習済みモデル生成用プログラム、および学習済みモデル - Google Patents

Abstract

【課題】コンテンツ内に含まれる所定の対象物を短時間且つ正確に検出する。【解決手段】画像検査装置２は、画像データを入力として当該画像データに所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデル２０２に基づいて、検査対象画像データ２０１に所定の対象物を表す画像が含まれるか否かを検査する。学習済みモデル２０２は、立体的に表した所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像をそれぞれ主題とし、互いに異なる複数の第２画像をそれぞれ背景とした複数の第３画像に所定の対象物に関する識別情報をそれぞれラベリングして生成された複数の学習用画像データを機械学習することによって調整された学習済みパラメータを含むことを特徴とする。【選択図】図２

Description

本発明は、画像検査装置、学習済みモデル生成装置、画像検査システム、画像検査用プログラム、学習済みモデル生成用プログラム、および学習済みモデルに関し、例えば、学習済みモデルに基づいて画像データに含まれる所定の対象物を検出する画像検査装置に関する。

広告業界やメディア業界では、雑誌や新聞、ウェブサイト、テレビ放送の各種メディアのコンテンツ内に、特定の企業や団体、商品、またはサービス等を表すロゴ等の所定の対象物が含まれているか否かを知りたいというニーズがある。

例えば、スポーツの祭典や各種のイベント等の公式なスポンサー契約を結んでいない企業等が自社の広告等において無断でそのイベント等のロゴを使用すること（アンブッシュマーケティング）を規制するために、広告等におけるロゴの使用の有無を調査したいというニーズがある。

また、例えばテレビ放送等の映像に特定の企業のロゴや商品名等が映り込んでしまった場合、その企業等がその映像の内容と全く関係がないにもかかわらず、何等かの関係があるという印象を読者や視聴者に与えたり、意図せず上記特定の企業の宣伝を行うことになる虞があるため、映像内のロゴの映り込みの有無を調査したいというニーズがある。

また、例えば、マーケティング活動によってロゴがメディアに露出した結果を評価するために、雑誌やテレビ放送等のメディアの広告に加えて、例えばウェブサイトや、写真共有アプリケーション等のＳＮＳ（Ｓｏｃｉａｌ Ｎｅｔｗｏｒｋｉｎｇ Ｓｅｒｖｉｃｅ）に投稿された画像データ内のロゴの露出量を調査したいというニーズがある。

また、広告業界のみならず、建設業界等においても、建設現場の周辺の環境を表す画像データの中から特定の建物やクレーン等の建設機械を検出したいというニーズもある。

従来、各種メディアや建設現場の画像データ等の特定のコンテンツ内に含まれるロゴ等の特定の対象物に関する調査は、主に、各種コンテンツを人が目視で確認することが一般的であった。例えば、雑誌等の紙媒体やテレビ放送の場合、作業者が調査対象の紙媒体や映像を閲覧して、調査対象のロゴの有無等を目視で確認していた。また、ウェブサイトやＳＮＳのアプリケーション等の場合、作業者がキーワード検索やハッシュタグ検索等を行ってロゴが掲載されているウェブサイト等を見つけ出し、実際にロゴが使用されているか否かを目視で確認していた（例えば特許文献１参照）。

特開２０１６−０８１０９６号公報

しかしながら、従来のロゴ等の特定の対象物に関する調査は、主に人手作業によって行われているため、調査に多くの時間を要していた。また、人による目視作業のため、調査に漏れが生じる虞があった。

本発明は、上述した課題に鑑みてなされたものであり、コンテンツ内に含まれる所定の対象物を短時間且つ正確に検出することを目的とする。

本発明の代表的な実施の形態に係る画像検査装置は、検査対象画像データを取得するデータ取得部と、画像データを入力として当該画像データに所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデルを記憶する記憶部と、前記記憶部に記憶された前記学習済みモデルに基づいて、前記データ取得部によって取得した前記検査対象画像データに前記所定の対象物を表す画像が含まれるか否かを検査する検査部とを備え、前記学習済みモデルは、立体的に表した前記所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像をそれぞれ主題とし、互いに異なる複数の第２画像をそれぞれ背景とした複数の第３画像に前記所定の対象物に関する識別情報をそれぞれラベリングして生成された複数の学習用画像データを機械学習することによって調整された学習済みパラメータを含むことを特徴とする。

本発明に係る画像検査装置によれば、コンテンツ内に含まれる所定の対象物を短時間且つ正確に検出することが可能となる。

実施の形態１に係る画像検査システムの構成を示す図である。 実施の形態１に係る画像検査装置の機能ブロック構成を示す図である。 実施の形態１に係る画像検査装置のハードウェア構成を示す図である。 実施の形態１に係る学習済みモデル生成装置の機能ブロック構成を示す図である。 実施の形態１に係る学習済みモデル生成装置のハードウェア構成を示す図である。 立体画像データの一例を示す図である。 立体画像データの一例を示す図である。 立体画像データの一例を示す図である。 立体画像データの一例を示す図である。 合成画像データの一例を示す図である。 実施の形態１に係る画像検査システムによる処理の流れを示すフロー図である。 実施の形態１に係る画像検査システムによる学習用画像データの生成処理（ステップＳ１）の流れを示すフロー図である。 実施の形態１に係る画像検査システムによる画像検査処理（ステップＳ４）の処理の流れを示すフロー図である。 実施の形態２に係る画像検査システムにおける学習済みモデル生成装置の機能ブロック構成を示す図である。 実施の形態２に係る画像検査システムによる学習用画像データの生成処理（ステップＳ１）の流れを示すフロー図である。 実施の形態３に係る画像検査システムにおける画像検査装置の機能ブロック構成を示す図である。 実施の形態３に係る画像検査システムによる処理の流れを示すフロー図である。 実施の形態３に係る画像検査システムによる画像編集処理（ステップＳ５）の流れを示すフロー図である。 検査対象のロゴの画像を含む検査対象画像データの一例を示す図である。 画像編集処理（ブラー処理）が行われた編集済み画像データの一例を示す図である。 画像編集処理（印の付加）が行われた編集済み画像データの一例を示す図である。

１．実施の形態の概要
先ず、本願において開示される発明の代表的な実施の形態について概要を説明する。なお、以下の説明では、一例として、発明の構成要素に対応する図面上の参照符号を、括弧を付して記載している。

〔１〕本発明の代表的な実施の形態に係る画像検査装置（２，２Ｂ）は、検査対象画像データ（２０１）を取得するデータ取得部（２２）と、画像データを入力として当該画像データに所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデル（２０２）を記憶する記憶部（２４）と、前記記憶部に記憶された前記学習済みモデルに基づいて、前記データ取得部によって取得した前記検査対象画像データに前記所定の対象物を表す画像が含まれるか否かを検査する検査部（２３）と、を備える。前記学習済みモデルは、立体的に表した前記所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像をそれぞれ主題とし、前記第１画像と異なる複数の第２画像をそれぞれ背景とした複数の第３画像に前記所定の対象物に関する識別情報をそれぞれラベリングして生成された複数の学習用画像データを機械学習することによって調整された学習済みパラメータを含むことを特徴とする。

〔２〕上記〔１〕に記載の画像検査装置において、インターネットを含むネットワーク（６）と接続するための通信部（２１）を更に有し、前記データ取得部は、前記通信部を介して前記検査対象画像データを取得することを特徴とする。

〔３〕上記〔２〕に記載の画像検査装置において、前記データ取得部は、前記ネットワークにおける検査範囲を指定する情報（２０５）を取得した場合に、前記検査範囲を指定する情報に基づいて、前記ネットワークから前記検査対象画像データを取得してもよい。

〔４〕上記〔３〕に記載の画像検査装置において、前記検査範囲を指定する情報は、アドレス情報を含み、前記データ取得部は、前記アドレス情報で指定されたウェブページを表す画像データを前記検査対象画像データとして取得してもよい。

〔５〕上記〔３〕または〔４〕に記載の画像検査装置において、前記検査範囲を指定する情報は、タグ情報を含み、前記データ取得部は、前記タグ情報によって特定されるＳＮＳに投稿された画像データを前記検査対象画像データとして取得してもよい。

〔６〕上記〔１〕乃至〔５〕の何れかに記載の画像検査装置において、前記検査部は、前記検査対象画像データの画像内における前記所定の対象物の位置を示す位置情報を含む検査結果データ（２０３）を生成してもよい。

〔７〕上記〔６〕に記載の画像検査装置（２Ｂ）において、前記検査結果データに基づいて、前記データ取得部によって取得した前記検査対象画像データの画像編集を行う画像編集部（２５）を更に備えていてもよい。

〔８〕上記〔７〕に記載の画像検査装置において、前記画像編集部は、前記位置情報に基づいて、前記検査対象画像データの画像内における前記所定の対象物を含む領域（５０１）に対して画像編集処理を行ってもよい。

〔９〕上記〔１〕乃至〔８〕の何れかに記載の画像検査装置において、複数のフレームを含む動画データを入力し、前記動画データのフレームに基づいて前記検査対象画像データを取得してもよい。

〔１０〕上記〔１〕乃至〔９〕の何れかに記載の画像検査装置において、前記所定の対象物は、ロゴであってもよい。

〔１１〕本発明の代表的な実施の形態に係る学習済みモデル生成装置（３，３Ａ）は、立体的に表した所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像（３０２＿１〜３０２＿ｎ，３０２）をそれぞれ主題とし、前記第１画像と異なる複数の第２画像（３０３＿１〜３０３＿ｍ，３０３）をそれぞれ背景とした複数の第３画像（３０４＿１〜３０４＿ｋ，３０４）に前記所定の対象物に関する識別情報（３０５）をそれぞれラベリングした複数の学習用画像データ（３０６）を生成する学習用画像データ生成部（３２）と、前記学習用画像データを機械学習することにより、画像データを入力として当該画像データに前記所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデルを生成する学習済みモデル生成部（３７）と、を備えることを特徴とする。

〔１２〕上記〔１１〕に記載の学習済みモデル生成装置において、前記学習用画像データ生成部は、前記複数の第１画像と前記複数の第２画像とを合成して前記複数の第３画像を生成する画像合成部（３４）と、前記識別情報を、前記画像合成部によって生成された前記複数の第３画像にそれぞれラベリングして、前記複数の学習用画像データを生成するラベリング部（３５）とを含んでもよい。

〔１３〕上記〔１２〕に記載の学習済みモデル生成装置（３Ａ）において、前記学習用画像データ生成部は、前記所定の対象物の図形情報を含む図形データ（３０１）に基づいて、所定の形状を有する立体の表面に描かれた前記所定の対象物を所定の角度から見たときの画像を前記第１画像として生成する立体画像生成部（３３）を更に含んでもよい。

〔１４〕上記〔１３〕に記載の学習済みモデル生成装置において、前記図形データは、前記所定の対象物の立体的形状を表す３軸のパラメータを含む三次元ＣＡＤデータであってもよい。

〔１５〕本発明の代表的な実施の形態に係る画像検査システム（１，１Ａ，１Ｂ）は、立体的に表した所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像（３０２，３０２＿１〜３０２＿ｎ）をそれぞれ主題とし、前記第１画像と異なる複数の第２画像（３０３，３０３＿１〜３０３＿ｍ）をそれぞれ背景とした複数の第３画像（３０４，３０４＿１〜３０４＿ｋ）に前記所定の対象物に関する識別情報（３０５）をそれぞれラベリングした複数の学習用画像データ（３０６）を生成する学習用画像データ生成部（３２，３２Ａ）と、前記学習用画像データを機械学習することにより、画像データを入力として当該画像データに前記所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデル（３０７）を生成する学習済みモデル生成部（３７）と、検査対象画像データを取得するデータ取得部（２２）と、前記学習済みモデル生成部によって生成された前記学習済みモデルに基づいて、前記データ取得部によって取得した前記検査対象画像データに前記所定の対象物を表す画像が含まれるか否かを検査する検査部（２３）と、を備えることを特徴とする。

〔１６〕本発明の代表的な実施の形態に係る画像検査用プログラム（１０２１）は、コンピュータを、検査対象画像データを取得するデータ取得部（２２）と、画像データを入力として当該画像データに所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデル（２０２）を記憶する記憶部（２４）と、前記記憶部に記憶された前記学習済みモデルに基づいて、前記データ取得部によって取得した前記検査対象画像データに前記所定の対象物を表す画像が含まれるか否かを検査する検査部（２３）として機能させ、前記学習済みモデルは、立体的に表した前記所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像をそれぞれ主題とし、前記第１画像と異なる複数の第２画像を背景とした複数の第３画像に、前記所定の対象物に関する識別情報をラベリングした学習用画像データを機械学習することによって生成されていることを特徴とする。

〔１７〕上記〔１６〕に記載の画像検査用プログラムにおいて、前記コンピュータを、インターネットを含むネットワーク（６）と接続するための通信部（２１）として更に機能させ、前記データ取得部は、前記通信部を介して前記検査対象画像データを取得してもよい。

〔１８〕上記〔１７〕に記載の画像検査用プログラムにおいて、前記データ取得部は、前記ネットワークにおける検査範囲を指定する情報（２０５）を取得した場合に、前記検査範囲を指定する情報に基づいて、前記ネットワークから前記検査対象画像データを取得してもよい。

〔１９〕上記〔１６〕乃至〔１８〕の何れかに記載の画像検査用プログラムにおいて、前記コンピュータを、前記検査部による検査結果に基づいて、前記データ取得部によって取得した前記検査対象画像データの画像編集を行う画像編集部（２５）として更に機能させてもよい。

〔２０〕本発明の代表的な実施の形態に係る学習済みモデル生成用プログラム（１０２３）は、コンピュータを、立体的に表した所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像（３０２，３０２＿１〜３０２＿ｎ）をそれぞれ主題とし、前記第１画像と異なる複数の第２画像（３０３，３０３＿１〜３０３＿ｍ）を背景とした複数の第３画像（３０４，３０４＿１〜３０４＿ｋ）に、前記所定の対象物に関する識別情報（３０５）をラベリングした複数の学習用画像データ（３０６）を生成する学習用画像データ生成部（３２）と、前記学習用画像データを機械学習することにより、画像データを入力として当該画像データに前記所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデル（３０７）を生成する学習済みモデル生成部（３７）として機能させることを特徴とする。

〔２１〕上記〔２０〕に記載の学習済みモデル生成用プログラムにおいて、前記学習用画像データ生成部は、前記複数の第１画像と前記複数の第２画像とを合成して前記複数の第３画像を生成する画像合成部（３４）と、前記識別情報を、前記画像合成部によって生成された前記複数の第３画像にそれぞれラベリングして、前記複数の学習用画像データを生成するラベリング部（３５）と、を含んでもよい。

〔２２〕上記〔２１〕に記載の学習済みモデル生成用プログラムにおいて、前記学習用画像データ生成部は、前記所定の対象物の図形情報を含む図形データに基づいて、所定の形状を有する立体の表面に描かれた前記所定の対象物を所定の角度から見たときの画像を前記第１画像として生成する立体画像生成部（３３）を更に含んでもよい。

〔２３〕上記〔２２〕に記載の学習済みモデル生成用プログラムにおいて、前記図形データは、前記所定の対象物の立体的形状を表す３軸のパラメータを含む三次元ＣＡＤデータであってもよい。

〔２４〕本発明の一実施の形態に係る学習済みモデル（３０７）は、画像データを入力として当該画像データに所定の対象物が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデルであって、立体的に表した前記所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像（３０２＿１〜３０２＿ｎ）をそれぞれ主題とし、互いに異なる複数の第２画像（３０３＿１〜３０３＿ｍ）をそれぞれ背景とした複数の第３画像（３０４＿１〜３０４＿ｋ）に前記所定の対象物に関する識別情報（３０５）をそれぞれラベリングして生成された学習用画像データ（３０６）を機械学習することによって調整された学習済みパラメータを含み、入力された前記画像データに対して前記学習済みパラメータに基づく演算を行い、前記所定の対象物が含まれるか否かを定量化した値を出力するよう、前記コンピュータを機能させることを特徴とする。

２．実施の形態の具体例
以下、本発明の実施の形態の具体例について図を参照して説明する。なお、以下の説明において、各実施の形態において共通する構成要素には同一の参照符号を付し、繰り返しの説明を省略する。また、図面は模式的なものであり、各要素の寸法の関係、各要素の比率などは、現実と異なる場合があることに留意する必要がある。図面の相互間においても、互いの寸法の関係や比率が異なる部分が含まれている場合がある。

≪実施の形態１≫
図１は、本発明の実施の形態１に係る画像検査システムの構成を示す図である。
同図に示される画像検査システム１は、所定の対象物を表す大量の画像データを機械学習によって学習して学習済みモデルを生成し、その学習済みモデルを用いて、入力された画像データ中に上記所定の対象物が含まれているか否かを検査するためのシステムである。

本実施の形態では、一例として、所定の対象物がロゴである場合について説明する。
ここで、ロゴとは、企業、団体、商品、またはサービス等を表す標章や商品の外観等の情報である。ここで、標章とは、文字、図形、記号、立体的形状若しくは色彩、またはこれらの結合をいう。

図１に示すように、画像検査システム１は、ネットワーク６に接続可能に構成され、ネットワーク６を介して複数のクライアント端末装置４やウェブサーバ５等の外部の情報処理装置と通信が可能となっている。

ネットワーク６は、例えばインターネットに代表される広域ネットワーク（ＷＡＮ：Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）である。画像検査システム１は、有線または無線通信によってネットワーク６と接続可能に構成されている。

クライアント端末装置４は、サーバとしての画像検査システム１に対して所定の処理（サービス）を要求するためのクライアント側の情報処理装置である。クライアント端末装置４は、有線または無線通信によってネットワーク６と接続可能に構成され、ネットワーク６を介して画像検査システム１やウェブサーバ５等の外部の情報処理装置と通信が可能となっている。

クライアント端末装置４としては、パーソナルコンピュータ、タブレット端末、またはスマートフォン等の各種情報処理装置（コンピュータ）を例示することができる。

図１に示すように、画像検査システム１は、学習済みモデルに基づいて、入力された画像データに含まれる所定の対象物（例えばロゴ）を検出する画像検査装置２と、上記学習済みモデルを生成する学習済みモデル生成装置３とを備えている。

画像検査装置２と学習済みモデル生成装置３とは、例えば、所定のネットワーク（例えば、ＬＡＮ：Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）を介して接続されており、互いにデータの送受信が可能となっている。

以下、画像検査装置２と学習済みモデル生成装置３について、それぞれ詳細に説明する。

図２は、実施の形態１に係る画像検査装置２の機能ブロック構成を示す図である。
図３は、実施の形態１に係る画像検査装置２のハードウェア構成を示す図である。
画像検査装置２は、例えば、ＰＣ（パーソナルコンピュータ）やサーバ等の情報処理装置（コンピュータ）であって、インストールされた画像検査用プログラムにしたがって、学習済みモデルを用いて入力された画像データにおける所定の対象物（ロゴ）の有無を検査する装置である。

図２に示すように、画像検査装置２は、機能ブロックとして、学習済みモデルを用いて入力された画像データにおけるロゴを検出するための各種データ処理を行うための機能ブロックとして、通信部２１、データ取得部２２、検査部２３、および記憶部２４を有している。これらの各機能ブロックは、画像検査装置２としての情報処理装置を構成するハードウェア資源が、上記情報処理装置にインストールされたソフトウエア（画像検査用プログラム）と協働することによって、実現される。

図３に示すように、画像検査装置２は、ハードウェア資源として、演算装置１０１、記憶装置１０２、入力装置１０３、Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）装置１０４、出力装置１０５、およびバス１０６を備えている。

演算装置１０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）等のプロセッサによって構成されている。記憶装置１０２は、演算装置１０１に各種のデータ処理を実行させるためのプログラム１０２１と、演算装置１０１によるデータ処理で利用されるパラメータや演算結果等のデータ１０２２とを記憶する記憶領域を有し、例えばＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ、およびフラッシュメモリ等から構成されている。

ここで、プログラム１０２１は、コンピュータ（プロセッサ）を画像検査装置２に係る各機能部として機能させるための画像検査用プログラムを含み、例えば、記憶装置１０２に予めインストールされている。

また、データ１０２２は、後述する検査対象画像データ２０１、学習済みモデル２０２、検査結果データ２０３、および検査範囲情報２０５等を含む。

なお、プログラム１０２１およびデータ１０２２は、ネットワークを介して流通可能であってもよいし、ＣＤ−ＲＯＭ等のコンピュータが読み取り可能な記憶媒体（Ｎｏｎ−ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）に書き込まれて流通可能であってもよい。

入力装置１０３は、外部から情報の入力を検出する機能部であり、例えばキーボード、マウス、ポインティングデバイス、ボタン、またはタッチパネル等から構成されている。Ｉ／Ｆ装置１０４は、外部との情報の送受を行う機能部であり、有線または無線によって通信を行うための通信制御回路や入出力ポート、アンテナ等から構成されている。

出力装置１０５は、演算装置１０１によるデータ処理によって得られた情報等を出力する機能部である。出力装置１０５としては、ＳＳＤやＨＤＤ等の外部記憶装置や、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）および有機ＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）等の表示装置を例示することができる。バス１０６は、演算装置１０１、記憶装置１０２、入力装置１０３、Ｉ／Ｆ装置１０４、および出力装置１０５を相互に接続し、これらの装置間でデータの授受を可能にする機能部である。

画像検査装置２は、演算装置１０１が記憶装置１０２に記憶されたプログラム１０２１に従って演算を実行して、記憶装置１０２、入力装置１０３、Ｉ／Ｆ装置１０４、出力装置１０５、およびバス１０６を制御することにより、図２に示した画像検査装置２の各機能ブロック（通信部２１、データ取得部２２、検査部２３、および記憶部２４）が実現される。

以下、画像検査装置２の各機能ブロックについて説明する。
通信部２１は、外部の情報処理装置と通信を行うための機能部である。
具体的に、通信部２１は、ネットワーク６に接続されて、ネットワーク６を介して複数のクライアント端末装置４やウェブサーバ５等の外部の情報処理装置との間でデータの送受信を行う。

また、通信部２１は、画像検査システム１内の学習済みモデル生成装置３との間で、上述した所定のネットワーク（例えばＬＡＮ）を介してデータの送受信を行う。

データ取得部２２は、ユーザ（例えば、サービス提供者）からの指示や各種データを入力する機能部である。データ取得部２２は、画像検査システム１による検査対象の画像データ（以下、「検査対象画像データ」とも称する。）２０１や学習済みモデル２０２等の各種データを取得する。

例えば、データ取得部２２は、通信部２１がネットワーク６を介してクライアント端末装置４から静止画データや動画データを受信した場合、あるいは通信部２１が外部の記憶装置（ＨＤＤやＳＳＤ等）や記憶媒体（光ディスクやＵＳＢメモリ等）から静止画データや動画データを読み出した場合に、その静止画データや動画データを検査対象画像データ２０１として記憶部２４に記憶する。例えば、静止画データの場合、データ取得部２２は、受信または読み出した静止画データを検査対象画像データ２０１として記憶部２４に記憶する。また、動画データの場合、データ取得部２２は、受信または読み出した動画データに含まれるフレームに基づいて検査対象画像データ２０１を生成する。例えば、動画データの各フレームのデータをそれぞれ検査対象画像データ２０１として記憶部２４に記憶する。

また、データ取得部２２は、ネットワーク６における検査範囲を指定する検査範囲情報２０５を取得する。データ取得部２２は、通信部２１がネットワーク６を介してクライアント端末装置４から検査範囲情報２０５を受信した場合に、その検査範囲情報２０５に基づいて検査対象画像データ２０１を取得する。

例えば、検査範囲情報２０５として、ウェブページのアドレス情報（ＵＲＬ：Ｕｎｉｆｏｒｍ Ｒｅｓｏｕｒｃｅ Ｌｏｃａｔｏｒ）を取得した場合、データ取得部２２は、入力されたＵＲＬで指定されたウェブページの画像データを検査対象画像データ２０１として取得する。すなわち、データ取得部２２は、通信部２１を介してウェブサーバ５にアクセスし、ＨＴＭＬファイルや画像ファイルなどのウェブページを構成するデータをネットワーク６から取得する。そして、データ取得部２２は、ウェブサーバ５から取得したそれらのデータに基づいて、当該ウェブページの画像データを生成し、検査対象画像データ２０１として記憶部２４に記憶する。

このウェブページを画像データとして複製する機能は、例えば、公知のクローリング技術等を用いることによって実現することができる。

また、検査範囲情報２０５として、ＳＮＳのハッシュタグ等のタグ情報を取得した場合、データ取得部２２は、取得したタグ情報によって特定されるＳＮＳの投稿された画像データをネットワーク６から取得し、検査対象画像データ２０１として記憶部２４に記憶する。

記憶部２４は、画像検査装置２による画像検査処理に必要な各種データを記憶する機能部である。例えば、記憶部２４は、上述した検査対象画像データ２０１および検査範囲情報２０５の他に、学習済みモデル２０２および検査結果データ２０３を記憶する。

学習済みモデル２０２は、画像データを入力として当該画像データに所定の対象物が含まれるか否かを検査するようにコンピュータを機能させるためのプログラムである。検査結果データ２０３は、検査部２３による検査結果を含むデータである。なお、学習済みモデル２０２および検査結果データ２０３の詳細については、後述する。

検査部２３は、データ取得部２２によって取得した検査対象画像データ２０１を入力として、後述する学習済みモデル生成装置３によって生成された学習済みモデル２０２（アルゴリズム）を用いて、検査対象画像データ２０１内に所定の対象物としてのロゴが含まれているか否かを検査する機能部である。

具体的に、検査部２３は、検査対象画像データ２０１内における所定のロゴの有無やその個数、検査対象画像データ２０１の画像内における所定のロゴの位置等を検査する。例えば、検査部２３は、検査対象画像データ２０１の画像内における所定のロゴの有無および個数を示す情報や、検査対象画像データ２０１の画像内における所定のロゴの位置を示す位置情報（例えば、ピクセル座標やピクセル番号等の画像内の位置や領域を示す情報）を含む検査結果データ２０３を生成し、記憶部２４に記憶する。記憶部２４に記憶された検査結果データ２０３は、通信部２１によって画像検査装置２の外部に出力可能となっている。

次に、学習済みモデル生成装置３について説明する。
図４は、実施の形態１に係る学習済みモデル生成装置３の機能ブロック構成を示す図である。
図５は、実施の形態１に係る学習済みモデル生成装置３のハードウェア構成を示す図である。

学習済みモデル生成装置３は、例えば画像検査装置２と同様に、ＰＣやサーバ等の情報処理装置（コンピュータ）であって、インストールされた学習済みモデル生成用プログラムにしたがって学習用画像データを生成するとともに、生成した学習用画像データを機械学習によって学習して学習済みモデルを生成する装置である。

図４に示すように、学習済みモデル生成装置３は、学習済みモデルを生成するための機能ブロックとして、通信部３１、学習用画像データ生成部３２、記憶部３６、および学習済みモデル生成部３７を有している。これらの各機能ブロックは、学習済みモデル生成装置３としての情報処理装置を構成するハードウェア資源が、上記情報処理装置にインストールされたソフトウエア（学習済みモデル生成用プログラム）と協働することによって、実現される。

図５に示すように、学習済みモデル生成装置３は、画像検査装置２と同様に、ハードウェア資源として、演算装置１０１、記憶装置１０２、入力装置１０３、Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）装置１０４、出力装置１０５、およびバス１０６を備えている。

記憶装置１０２に記憶されるプログラム１０２３は、コンピュータを本実施の形態に係る学習済みモデル生成装置３の各機能部として機能させる学習済みモデル生成用プログラムを含み、例えば、記憶装置１０２に予めインストールされている。

また、データ１０２４は、後述する、立体画像データ３０２、背景画像データ３０３、合成画像データ３０４、識別情報３０５、および学習済みモデル３０７等を少なくとも一つ含む。

なお、プログラム１０２３およびデータ１０２４は、ネットワークを介して流通可能であってもよいし、ＣＤ−ＲＯＭ等のコンピュータが読み取り可能な記憶媒体（Ｎｏｎ−ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）に書き込まれて流通可能であってもよい。

以下、学習済みモデル生成装置３の各機能ブロックについて説明する。

通信部３１は、外部の情報処理装置と通信を行うための機能部である。具体的に、通信部３１は、画像検査システム１内の画像検査装置２との間で、上述した所定のネットワーク（例えばＬＡＮ）を介してデータの送受信を行う。

なお、通信部３１は、ネットワーク６に接続されて、ネットワーク６を介して複数のクライアント端末装置４やウェブサーバ５等の外部の情報処理装置との間でデータの送受信が行えるように構成されていてもよい。

学習用画像データ生成部３２は、学習済みモデルを生成するための各種データを生成するための機能部である。具体的に、学習用画像データ生成部３２は、立体的に表した所定の対象物（ロゴ）を互いに異なる複数の角度から見たときの複数の第１画像をそれぞれ主題とし、第１画像と異なる複数の第２画像をそれぞれ背景とした複数の第３画像に、所定の対象物に関する識別情報をそれぞれラベリングした複数の学習用画像データ（教師データ）を生成する。

ここで、所定の対象物とは、画像検査装置２による検査対象のロゴである。

図４に示すように、学習用画像データ生成部３２は、機能ブロックとして、画像合成部３４およびラベリング部３５を有する。

画像合成部３４は、第１画像としての複数の立体画像データ３０２＿１〜３０２＿ｎ（ｎは２以上の整数）と、第２画像としての複数の背景画像データ３０３＿１〜３０３＿ｍ（ｍは２以上の整数）とに基づいて、第３画像としての複数の合成画像データ３０４＿１〜３０４＿ｋ（ｋは２以上の整数）を生成する機能部である。

本実施の形態では、立体画像データ３０２＿１〜３０２＿ｎと背景画像データ３０３＿１〜３０３＿ｍは、例えば、記憶部３６に記憶されている。

具体的に、画像合成部３４は、立体画像データ３０２＿１〜３０２＿ｎをそれぞれ主題とし、第２画像データとしての複数の背景画像データ３０３＿１〜３０３＿ｍ（ｍは２以上の整数）をそれぞれ背景として合成した画像データを合成画像データ３０４＿１〜３０４＿ｋとして生成する。

なお、以下の説明において、立体画像データ３０２＿１〜３０２＿ｎ、背景画像データ３０３＿１〜３０３＿ｍ、および合成画像データ３０４＿１〜３０４＿ｋについて、各データを区別しない場合には、「立体画像データ３０２」、「背景画像データ３０３」、および「合成画像データ３０４」とそれぞれ表記する場合がある。

図６Ａ〜図６Ｄは、立体画像データ３０２の一例を示す図である。
図６Ａ〜図６Ｄに示すように、立体画像データ３０２は、ロゴ（所定の対象物）を立体的に表した画像データである。例えば、立体画像データ３０２は、所定の形状を有する立体の表面に描かれたロゴ（所定の対象物）を所定の角度（方向）から見たときの当該ロゴを表す画像データ、または立体的に表したロゴそのものを所定の角度から見たときの画像データである。

例えば、図６Ａには、円柱４０２の表面に描かれたロゴ４０１Ａを所定の角度から見たときの立体画像データ３０２が示され、図６Ｂには、多角柱４０３の表面に描かれたロゴ４０１Ｂを所定の角度から見たときの立体画像データ３０２が示され、図６Ｃには、直方体（例えば矩形の平板）４０４の表面に描かれたロゴ４０１Ｃを所定の角度から見たときの立体画像データ３０２が示されている。また、図６Ｄには、図６Ａと同様の円柱４０２の表面に描かれたロゴ４０１Ｄを図６Ａとは異なる角度から見たときの立体画像データ３０２が示されている。

ここで、立体画像データ３０２は、背景のないロゴだけを表す画像データを含んでもよい。例えば、図６Ａの立体画像データ３０２は、円柱４０２の画像データを含まず、ロゴ４０１Ａのみを表す画像データを含んでもよい。

本実施の形態では、立体的に表したロゴ（所定の対象物）を互いに異なる複数の角度から見たときの複数の第１画像、すなわち、図６Ａ〜図６Ｄに示すような、種々の立体の表面に描かれたロゴを種々の角度からみたときの複数の画像を用意し、それらを立体画像データ３０２＿１〜３０２＿ｎとして記憶部３６に記憶しておく。

背景画像データ３０３は、第１画像としての立体画像データ３０２とは異なる第２画像のデータであって、所定の対象物としてのロゴの背景となる画像データである。

背景画像データ３０３は、立体画像データ３０２と異なる画像データであればよく、種々の画像データを背景画像データ３０３として用いることができる。例えば、単色や種々の模様を含む画像データに加えて、山や海等の自然の風景、街並み、オフィスビル街、ビルや商業施設等の建物内、駅の構内等の種々の画像データを背景画像データ３０３として用いることができる。

本実施の形態では、背景画像と成り得る画像を複数用意し、それらを背景画像データ３０３＿１〜３０３＿ｍとして記憶部３６に記憶しておく。

図７は、合成画像データ３０４の一例を示す図である。
画像合成部３４は、例えば、図６Ａ〜図６Ｄに示されるような立体画像データ３０２＿１〜３０２＿ｎと背景画像データ３０３＿１〜３０３＿ｍとそれぞれ一枚ずつ選択し、選択した立体画像データ３０２と背景画像データ３０３とを互いに異なるレイヤーで重ね合わせて合成し、合成画像データ３０４を生成する。

図７には、一例として、図６Ａに示した立体画像データ３０２（ロゴ４０１Ａ）と、海岸を表す背景画像データ３０３とを互いに異なるレイヤーで重ね合わせた合成画像データ３０４が示されている。

このとき、立体画像データ３０２が、ロゴのみを表すデータである場合、立体画像データ３０２と背景画像データ３０３とを異なるレイヤーで合成することによって、合成画像データ３０４内のロゴの範囲を示すマスキング情報も自動的に生成することが可能となる。

画像合成部３４は、例えば、ｎ個の立体画像データ３０２とｍ個の背景画像データ３０３の組み合わせに基づくｋ（＝ｎ×ｍ）個の合成画像データ３０４を生成して、記憶部３６に記憶する。

ラベリング部３５は、ロゴの識別情報３０５を合成画像データ３０４＿１〜３０４＿ｋにそれぞれラベリングする。

ここで、識別情報３０５は、合成画像データ３０４に含まれる所定の対象物としてのロゴの正解情報（正解ラベル）である。例えば、合成画像データ３０４に含まれるロゴが特定の企業を表す場合、識別情報３０５には、その企業の名称等の情報が含まれる。また、合成画像データ３０４に含まれるロゴが特定の商品またはサービスを表す場合、その識別情報３０５には、例えば、その商品の名称またはサービスの名称や、その商品またはサービスを提供している企業の名称等の情報が含まれる。

ラベリング部３５は、それぞれの合成画像データ３０４＿１〜３０４＿ｋと識別情報３０５とを対応付けた複数の学習用画像データ３０６を生成し、記憶部３６に記憶する。

学習済みモデル生成部３７は、学習用画像データ生成部３２によって生成された複数の学習用画像データ３０６を機械学習することにより、画像データを入力として当該画像データに所定の対象物としてのロゴが含まれるか否かを検査するように情報処理装置（コンピュータ）を機能させるための学習済みモデル３０７を生成する機能部である。

学習済みモデル３０７は、所定の技法（アルゴリズム）に基づく機械学習によるプログラムである。

ここで、所定の技法（アルゴリズム）としては、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等のニューラルネットワーク、線形回帰、ボルツマンマシン、サポートベクターマシン、ベイジアンネットワーク、スパース回帰、決定木、ランダムフォレストを用いた統計的推定、強化学習、深層学習、のうちの少なくとも一つを含む。

すなわち、学習済みモデル３０７は、入力された画像データ（検査対象画像データ２０１）に対して、所定の学習済みパラメータに基づく演算を行い、当該画像データに所定の対象物としてのロゴが含まれるか否かを定量化した値を出力するように、情報処理装置（コンピュータ）を機能させるためのプログラムである。

ここで、学習済みパラメータとは、学習用画像データ３０６を学習用プログラム（上記所定のアルゴリズムに基づくプログラム）に対する入力として用いることにより、画像データに含まれる所定の対象物としてのロゴの有無を検査するように機械的に調整されたパラメータである。例えば、ニューラルネットワークの場合、学習済みパラメータは、重み付け係数等の変数である。

例えば、ニューラルネットワークの場合、学習済みモデル生成部３７は、学習に使用する入力データ（合成画像データ３０４＿１〜３０４＿ｋ）と正解データ（識別情報３０５）の誤差を誤差逆伝搬法により、上記学習済みパラメータを逐次更新して、学習済みモデル３０７を生成する。

学習済みモデル３０７には、上述した学習済みパラメータに加えて、推論プログラムが含まれていてもよい。推論プログラムとは、上記学習済みパラメータを組み込んで、入力された画像データに対して一定の結果を出力するためのプログラムである。

学習済みモデル生成部３７によって生成された学習済みモデル３０７は、記憶部３６に記憶されるとともに、画像検査装置２の記憶部２４に学習済みモデル２０２として登録される。例えば、画像検査装置２が学習済みモデル生成装置３と通信を行うことにより、画像検査装置２が学習済みモデル生成装置３から学習済みモデル３０７を取得し、学習済みモデル２０２として記憶部２４に記憶する。
これにより、画像検査装置２は、記憶部２４に記憶された学習済みモデル２０２（３０７）を用いて、入力した画像に対する特定のロゴの有無を検査する画像検査処理を行うことが可能となる。

なお、学習済みモデル生成装置３における学習用画像データ生成部３２と学習済みモデル生成部３７とは、一つのプロセッサによるプログラム処理によって実現してもよいが、それぞれ別個のプロセッサのプログラム処理によって実現してもよい。すなわち、学習済みモデル生成装置３のハードウェア資源の一つである演算装置１０１として、学習用画像データの生成のためのデータ処理を実行する少なくとも一つのプロセッサと、学習済みモデルの生成のためのデータ処理を実行する少なくとも一つのプロセッサとを別々に設けてもよい。

次に、画像検査システム１による処理の流れを説明する。
図８は、画像検査システム１による処理の流れを示すフロー図である。

先ず、図８に示すように、画像検査システム１において、学習済みモデル生成装置３の学習用画像データ生成部３２が学習用画像データ３０６を生成する（ステップＳ１）。

図９は、学習用画像データの生成処理（ステップＳ１）の流れを示すフロー図である。
ステップＳ１において、先ず、学習用画像データ生成部３２の画像合成部３４が立体画像データ３０２と背景画像データ３０３とを記憶部３６から読み出す（ステップＳ１１）。

次に、画像合成部３４が、上述した手法により、ステップＳ１１で読み出した立体画像データ３０２と背景画像データ３０３とを合成して合成画像データ３０４を生成し、記憶部３６に記憶する（ステップＳ１２）。

次に、ラベリング部３５が、ステップＳ１２に生成された合成画像データ３０４に識別情報３０５を対応付けた学習用画像データ３０６を生成する（ステップＳ１３）。

次に、画像合成部３４が、記憶部３６に記憶されている立体画像データ３０２＿１〜３０２＿ｎと背景画像データ３０３＿１〜３０３＿ｍの必要な全ての組み合わせについて、学習用画像データ３０６（合成画像データ３０４＿１〜３０４＿ｋ）が生成されたか否かを検査する（ステップＳ１４）。

ステップＳ１４において、立体画像データ３０２＿１〜３０２＿ｎと背景画像データ３０３＿１〜３０３＿ｍの全ての組み合わせに係る学習用画像データ３０６が生成されていない場合には（ステップＳ１４：Ｎｏ）、画像合成部３４が、必要な立体画像データ３０２および背景画像データ３０３を記憶部３６から読み出して合成し、ラベリング部３５が、その合成画像データ３０４に識別情報３０５をラベリングして学習用画像データ３０６を生成することを繰り返す（Ｓ１１〜Ｓ１４）。

ステップＳ１４において、立体画像データ３０２＿１〜３０２＿ｎと背景画像データ３０３＿１〜３０３＿ｍの必要な全ての組み合わせに係る学習用画像データ３０６が生成されている場合には（ステップＳ１４：Ｙｅｓ）、学習済みモデル生成装置３の学習用画像データ生成部３２が学習用画像データの生成処理（ステップＳ１）を終了する。

ステップＳ１において必要な学習用画像データ３０６が生成された後、図８に示すように、学習済みモデル生成装置３の学習済みモデル生成部３７が学習済みモデル３０７を生成する（ステップＳ２）。具体的に、学習済みモデル生成部３７は、上述した手法により、ステップＳ１で作成された複数の学習用画像データ３０６を学習することによって学習済みモデル３０７を作成する。そして、学習済みモデル３０７について充分な精度が得られた場合には、その学習済みモデル３０７を記憶部３６に記憶する。

なお、学習済みモデル３０７について充分な精度が得られたか否かの判定は、以下のように行えばよい。例えば、いくつかのサンプルデータを検査部２３に入力してロゴ検査処理を実行し、その検査結果の正解率が所定の閾値を超えた場合に、学習済みモデル３０７について十分な検出精度が得られたと判定し、その検査結果の正解率が所定の閾値を超えない場合には、引き続き、学習用画像データ３０６の学習を進めればよい。

次に、ステップＳ２において学習済みモデル生成装置３によって生成された学習済みモデル３０７を、画像検査装置２に登録する（ステップＳ３）。例えば、ユーザ（例えばサービス提供者）による画像検査装置２または学習済みモデル生成装置３の入力装置１０３（キーボードやマウス等）の操作に応じて、学習済みモデル生成装置３の通信部３１が、記憶部３６に記憶された学習済みモデル３０７を読み出して画像検査装置２に送信し、画像検査装置２の通信部２１が、受信した学習済みモデル３０７を学習済みモデル２０２として記憶部２４に記憶する。

あるいは、ステップＳ２の処理の完了に応じて、通信部３１が学習済みモデル３０７を画像検査装置２に送信してもよいし、画像検査装置２がロゴについての画像検査処理を実行する際に、画像検査装置２が学習済みモデル生成装置３にアクセスし、必要に応じて最新の学習済みモデル３０７をダウンロードして、学習済みモデル２０２として記憶部２４に登録してもよい。

次に、画像検査システム１は、画像検査処理を行う（ステップＳ４）。
例えば、クライアント端末装置４が、画像検査システム１に対して、指定された情報媒体における特定のロゴの有無の検査の実行を要求するリクエスト情報を送信した場合、画像検査装置２がその要求に応答して画像検査処理を開始する。あるいは、例えば、ユーザ（例えば、サービス提供者）が画像検査装置２の入力装置１０３（キーボードやマウス等）を操作することによりリクエスト情報が入力された場合、画像検査装置２がその要求に応答して画像検査処理を開始する。

ここで、上記リクエスト情報には、画像検査の実行を指示する指令の他に、検査対象の画像に関するデータが含まれる。

上記検査対象の画像に関するデータは、検査対象画像データ２０１そのものであってもよいし、上述したように検査範囲情報２０５であってもよい。

図１０は、画像検査処理（ステップＳ４）の処理の流れを示すフロー図である。
ステップＳ４において、先ず、画像検査装置２のデータ取得部２２が、検査対象画像データ２０１を取得する（ステップＳ４１）。

例えば、上述したように、通信部２１によって受信した上記リクエスト情報に、検査対象画像データ２０１が含まれている場合には、データ取得部２２が検査対象画像データ２０１を記憶部２４に記憶する。

また、例えば、受信した上記リクエスト情報に特定のウェブページのアドレス情報（ＵＲＬ）が含まれている場合には、上述したように、データ取得部２２が、受信したＵＲＬで指定されたウェブページを構成するＨＴＭＬファイルや画像ファイルなどのデータをウェブサーバ５を介して取得して当該ウェブページの画像データを生成し、検査対象画像データ２０１として記憶部２４に記憶する。

また、例えば、受信した上記リクエスト情報にＳＮＳのハッシュタグ等のタグ情報が含まれている場合には、上述したように、データ取得部２２が、取得したタグ情報によって特定されるＳＮＳの投稿された画像データをネットワーク６から取得し、検査対象画像データ２０１として記憶部２４に記憶する。

次に、画像検査装置２において、検査部２３が記憶部２４に記憶された学習済みモデル２０２に基づいて、ステップＳ４１で記憶部２４に記憶された検査対象画像データ２０１に所定のロゴが含まれるか否かを検査する画像検査を実行する（ステップＳ４２）。検査部２３は、ステップＳ４２による検査結果に基づいて、検査結果データ２０３を生成し、記憶部２４に記憶する（ステップＳ４３）。

次に、検査部２３は、上記リクエスト情報によって調査が要求された全ての検査対象画像データ２０１について、上述のステップＳ４３の画像検査が行われたか否かを検査する（ステップＳ４４）。具体的には、ステップＳ４１において取得した検査対象画像データ２０１が複数ある場合、すなわち、上記リクエスト情報に複数の検査対象画像データ２０１が含まれていた場合や、上記リクエスト情報に複数のウェブページからなるウェブサイトのアドレス情報が含まれており、各ウェブページの画像データをそれぞれ検査対象画像データ２０１として取得した場合には、それら全ての検査対象画像データ２０１に対する画像検査が終了しているか否かを検査する。

ステップＳ４４において、全ての検査対象画像データ２０１についての画像検査が終了していない場合には、残りの検査対象画像データ２０１に対して画像検査処理を実行し、その検査結果データ２０３を記憶部２４に記憶することを繰り返す（ステップＳ４２〜Ｓ４４）。

一方、ステップＳ４４において、全ての検査対象画像データ２０１についての画像検査が終了している場合には、画像検査装置２は、全ての検査対象画像データ２０１についての検査結果データ２０３を出力する（ステップＳ４５）。

例えば、上述したように、クライアント端末装置４からリクエスト情報を受信した場合には、画像検査装置２の通信部２１が、そのリクエスト情報に対するレスポンスとして検査結果データ２０３を当該クライアント端末装置４に送信する。また、例えば、ユーザ（例えば、サービス提供者）が画像検査装置２の入力装置１０３（キーボードやマウス等）を直接操作して画像検査処理を実行した場合には、画像検査装置２の出力装置１０５としての表示装置に検査結果データ２０３に基づく検査結果を表示してもよい。

以上、実施の形態１に係る画像検査システム１によれば、画像検査装置２が、画像データを入力として当該画像データに所定のロゴが含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデル２０２（３０７）に基づいて、取得した検査対象の画像を含む検査対象画像データ２０１に所定のロゴが含まれるか否かを検査する。

これによれば、例えば、ユーザ（例えば、サービス提供者）は検査対象のコンテンツを含む画像データを画像検査装置２に入力することで、そのコンテンツに検査対象のロゴが含まれているか否かを容易に知ることができるので、従来に比べて、短時間且つ正確に、コンテンツに含まれるロゴの有無を調査することが可能となる。

例えば、雑誌のコンテンツ内に特定のロゴが含まれているか否かを調査する場合には、その特定のロゴを検査するように学習させた学習済みモデル２０２を登録した画像検査装置２に、その雑誌の紙面をスキャンした画像データを検査対象画像データ２０１として入力することにより、従来の人による目視作業に比べて、より短時間且つ正確に、その雑誌のコンテンツ内に特定のロゴが含まれているか否かを調査することが可能となる。

また、実施の形態１に係る画像検査システム１における学習済みモデル生成装置３は、立体的に表した所定の対象物（ロゴ）を互いに異なる複数の角度から見たときの立体画像データ３０２＿１〜３０２＿ｎ（第１画像）と、立体画像データ３０２＿１〜３０２＿ｎとは異なる複数の背景画像データ３０３＿１〜３０３＿ｍ（第２画像）とをそれぞれ組み合わせて、複数の合成画像データ３０４＿１〜３０４＿ｋ（第３画像）を生成し、その合成画像データ３０４＿１〜３０４＿ｋに所定のロゴの識別情報３０５をそれぞれラベリングして学習用画像データ３０６を生成する。そして、学習済みモデル生成装置３は、その学習用画像データ３０６を機械学習することにより、画像データを入力として当該画像データに所定の対象物としてのロゴが含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデル３０７を生成する。

これによれば、単にロゴを平面的に表した画像データを学習用画像データとして機械学習させる場合に比べて、検出精度の高い学習済みモデルを生成することが可能となる。
すなわち、学習済みモデル生成装置３によれば、ロゴの見え方とその背景とが異なる大量の学習用画像データ３０６を生成することができるので、これらの学習用画像データ３０６を機械学習器に学習させることにより、画像データ（コンテンツ）内のロゴの表示態様や背景画像の変化に対してロバスト性の高い学習済みモデルを生成することができる。これにより、画像検査装置２によるロゴの検出精度を向上させることが可能となる。

また、実施の形態１に係る画像検査システム１では、画像検査装置２が、インターネットを含むネットワーク６と接続するための通信部２１を有し、通信部２１を介してネットワーク６から検査対象画像データ２０１を取得することが可能となっている。

これによれば、例えば、サービスの受け手であるユーザのクライアント端末装置４からネットワーク６を介して、検査対象画像データ２０１を画像検査装置２に送信することにより、容易に検査結果を得ることができる。すなわち、ユーザ側で自前の画像検査装置２を用意しなくても、インターネットの接続環境が整っていれば、検査対象のコンテンツに含まれる特定のロゴの有無を容易に調査することが可能となる。

また、実施の形態１に係る画像検査システム１では、画像検査装置２が、通信部２１を介してネットワーク６における検査範囲を指定する検査範囲情報２０５が入力された場合に、検査範囲情報２０５に基づいて、ネットワーク６から検査対象画像データ２０１を取得することが可能となっている。

例えば、検査範囲情報２０５として、ウェブページのアドレス情報が入力された場合には、画像検査装置２が、入力されたアドレス情報で指定されたウェブページの画像データを検査対象画像データ２０１として取得する。また、検査範囲情報２０５として、ハッシュタグ等のタグ情報が入力された場合には、画像検査装置２が、入力されたタグ情報によって特定されるＳＮＳの投稿された画像データを検査対象画像データ２０１として取得する。

これによれば、調査対象の情報媒体がウェブサイト等の場合に、サービスの受け手であるユーザ自らがそのウェブサイト等の画像データを準備する必要がないので、より簡単且つ短時間に、情報媒体に含まれるロゴの有無を調査することが可能となる。

また、画像検査システム１によれば、画像検査装置２は、検査対象画像データ２０１の画像内における検査対象のロゴの位置情報を含む検査結果データ２０３を生成する。これによれば、ユーザは、検査対象画像データ２０１の画像内のどこに検査対象のロゴが表示されているかを容易に判断することが可能となる。

≪実施の形態２≫
図１１は、実施の形態２に係る画像検査システムにおける学習済みモデル生成装置の機能ブロック構成を示す図である。

同図に示される学習済みモデル生成装置３Ａは、学習用画像データの生成に必要な立体画像データ３０２を生成する機能を有する点において、実施の形態１に係る学習済みモデル生成装置３と相違し、その他の点においては学習済みモデル生成装置３と同様である。

具体的に、実施の形態２に係る画像検査システム１Ａにおける学習済みモデル生成装置３Ａの学習用画像データ生成部３２Ａは、画像合成部３４およびラベリング部３５に加えて、立体画像生成部３３を更に有する。

立体画像生成部３３は、第１画像データとしての立体画像データ３０２＿１〜３０２＿ｎを生成する機能部である。立体画像生成部３３は、図形データ３０１に基づいて、立体画像データ３０２＿１〜３０２＿ｎを生成する。

図形データ３０１は、所定の対象物（ロゴ）の図形情報を含むデータである。図形情報は、例えば、所定の対象物としてのロゴが表面に描かれた所定の形状を有する立体を表す３軸のパラメータや、ロゴの立体形状を表す３軸のパラメータ等である。すなわち、図形データ３０１は、ロゴが描かれた立体またはロゴそのものの立体形状を表す三次元ＣＡＤ（Ｃｏｍｐｕｔｅｒ−Ａｉｄｅｄ Ｄｅｓｉｇｎ）データである。

図形データ３０１は、記憶部３６に記憶されている。例えば、ユーザ（例えば、サービス提供者）が学習済みモデル生成装置３の入力装置１０３（キーボードやマウス、タッチパネル等）を操作することにより、学習済みモデル生成装置３に接続された外部の記憶装置（ＨＤＤやＳＳＤ等）や記憶媒体（光ディスクやＵＳＢメモリ等）に記憶された図形データ３０１を読み出して記憶装置１０２（記憶部３６）に記憶してもよいし、クライアント端末装置４からネットワーク６を介して図形データ３０１を受信して記憶装置１０２（記憶部３６）に記憶してもよい。

図１２は、実施の形態２に係る学習済みモデル生成装置３Ａによる学習用画像データの生成処理（図８のステップＳ１）の流れを示すフロー図である。

先ず、立体画像生成部３３が、記憶部３６に記憶されている図形データ３０１を読み出す（ステップＳ１５）。

次に、立体画像生成部３３が、ステップＳ１５で読み出した図形データ３０１に基づいて、立体画像データ３０２を生成する（ステップＳ１６）。

例えば、図形データ３０１が、ロゴが表面に描かれた立体（例えば、図６Ａ等に示した円柱や多角柱等）を表す三次元ＣＡＤデータである場合、立体画像生成部３３は、その三次元ＣＡＤデータによって表される立体を複数の方向から見たときの、ロゴの画像を複数生成し、立体画像データ３０２＿１〜３０２＿ｎとして記憶部３６に記憶する。

また、例えば、図形データ３０１がロゴそのものの立体形状を表す三次元ＣＡＤデータである場合、立体画像生成部３３は、その三次元ＣＡＤデータによって表される立体的なロゴを複数の方向から見たときの画像を複数生成し、立体画像データ３０２＿１〜３０２＿ｎとして記憶部３６に記憶する。

ステップＳ１６後の処理は、実施の形態１に係る学習済みモデル生成装置３Ａと同様である。すなわち、画像合成部３４が、上述した手法により、記憶部３６から読み出した立体画像データ３０２＿１〜３０２＿ｎと背景画像データ３０３＿１〜３０３＿ｍとに基づいて合成画像データ３０４＿１〜３０４＿ｋを生成し、ラベリング部３５が合成画像データ３０４＿１〜３０４＿ｋに識別情報３０５をラベリングして複数の学習用画像データ３０６を生成する（ステップＳ１１〜Ｓ１４）。

以上、実施の形態２に係る学習済みモデル生成装置３Ａは、立体画像生成部３３を更に有しているので、画像検査装置２による検査対象のロゴの図形情報を含む図形データ３０１（例えば、三次元ＣＡＤデータ）を準備することにより、多方向から見たロゴの立体画像データ３０２＿１〜３０２＿ｎを自動で生成することができる。これにより、ロゴの調査を行う際に検査対象のロゴの立体画像データ３０２＿１〜３０２＿ｎを準備する必要がないので、より使い勝手のよい製品またはサービスを提供することができる。

≪実施の形態３≫
図１３は、実施の形態３に係る画像検査システムにおける画像検査装置の機能ブロック構成を示す図である。
同図に示される画像検査装置２Ｂは、検査対象のロゴに関する検査結果に基づいて、検査対象画像データの画像編集を行う機能を備える点において、実施の形態１に係る画像検査装置２と相違し、その他の点においては画像検査装置２と同様である。

具体的に、実施の形態３に係る画像検査システム１Ｂにおける画像検査装置２Ｂは画像編集部２５を更に有する。画像編集部２５は、検査部２３による検査結果に基づいて、データ取得部２２によって取得した検査対象画像データ２０１の画像編集を行う機能部である。

図１４は、実施の形態３に係る画像検査システム１Ｂによる処理の流れを示すフロー図である。
図１４に示すように、画像検査システム１Ｂでは、ステップＳ４の後に、画像編集部２５が、検査対象画像データ２０１に基づく画像編集処理を実行する（ステップＳ５）。

図１５は、実施の形態３に係る画像検査システム１Ｂによる画像編集処理（ステップＳ５）の流れを示すフロー図である。
先ず、ステップＳ５では、画像編集部２５が、記憶部２４から検査結果データ２０３を読み出す（ステップＳ５１）。次に、画像編集部２５が、ステップＳ５１で読み出した検査結果データ２０３に対応する検査対象画像データ２０１を読み出す（ステップＳ５２）。

次に、画像編集部２５が、ステップＳ５１で読み出した検査結果データ２０３に基づいて、ステップＳ５２で読み出した検査対象画像データ２０１に対する画像編集処理を行う（ステップＳ５３）。

例えば、図１６Ａに示すように、検査対象画像データ２０１が、ロゴ５００を含むＷｅｂページを表す画像データである場合、先ず、画像編集部２５は、検査結果データ２０３に含まれるロゴの位置情報に基づいて、検査対象画像データ２０１内に存在するロゴ５００を特定し、特定したロゴ５００を含む領域５０１を画像編集対象領域とする。

次に、画像編集部２５は、検査対象画像データ２０１における画像編集対象領域５０１に対して画像編集処理を行う。

例えば、図１６Ｂに示すように、画像編集部２５は、検査対象画像データ２０１における画像編集対象領域５０１に存在するロゴ５００を視認できないようにブラー処理（ぼかし）５０２を行う。あるいは、図１６Ｃに示すように、画像編集部２５は、検査対象画像データ２０１における検査対象のロゴ５００が表示されている位置が明確になるように、例えば印５０３を付加してもよい。また、検査対象画像データ２０１における画像編集対象領域５０１に存在するロゴが目立つように、そのロゴを際立たせるような画像編集処理を行ってもよい。

画像編集部２５は、ステップＳ５３において検査対象画像データ２０１に画像編集処理を施して得られた画像データを編集済み画像データ２０４として記憶部２４に記憶する（ステップＳ５４）。

次に、画像編集部２５は、編集対象の全ての検査対象画像データ２０１に対して画像編集処理が行われたか否かを検査する（ステップＳ５５）。

ステップＳ５５において、編集対象の全ての検査対象画像データ２０１に対する画像編集処理が完了していない場合には、残りの検査対象画像データ２０１に対して、同様の画像編集処理を実行する（Ｓ５１〜Ｓ５４）。例えば、動画におけるロゴの調査を行う場合、その動画の調査範囲における各フレームに対応する全ての検査対象画像データ２０１に対して、上述した画像編集処理を実行する。

ステップＳ５５において、編集対象の全ての検査対象画像データ２０１に対する画像編集処理が完了した場合には、全ての編集済み画像データ２０４を出力する（ステップＳ５６）。例えば、クライアント端末装置４から動画データにおけるロゴの検査のリクエストを受けた場合には、全ての編集済み画像データ２０４に基づいて再編集した動画データをクライアント端末装置４に送信する。

なお、ステップＳ５５において編集済み画像データ２０４を送信する際に、検査結果データ２０３も一緒に出力してもよい。この場合、図１０におけるステップＳ４５において検査結果データ２０３の出力は行わず、ステップＳ５の完了時に、編集済み画像データ２０４および検査結果データ２０３がまとめて出力されることになる。

以上、実施の形態３に係る画像検査装置２Ｂによれば、検査対象画像データのロゴの有無の検査のみならず、検査対象画像データにおけるロゴを含む領域の画像編集が可能となる。例えば、上述した動画データのように、ロゴの有無の調査の後に動画データの編集作業が必要な場合には、ロゴの検出からそのロゴに対する画像編集までの一連の処理を画像検査装置２Ｂによって行うことができるので、より使い易い製品またはサービスを提供することができる。

なお、本実施の形態では、実施の形態１に係る画像検査システム１に画像編集部２５を追加する場合を例示したが、実施の形態２に係る画像検査システム１Ａの画像検査装置２にも同様に、画像編集部２５を適用することが可能である。

≪実施の形態の拡張≫
以上、本発明者らによってなされた発明を実施の形態に基づいて具体的に説明したが、本発明はそれに限定されるものではなく、その要旨を逸脱しない範囲において種々変更可能であることは言うまでもない。

例えば、上記実施の形態では、画像検査装置２と学習済みモデル生成装置３とが一つの画像検査システム１を構成し、ロゴの画像検査のためのサービスを提供するサービス提供者が管理する場合を例示したが、これに限られない。

サービス提供者が学習済みモデル３０７とともに画像検査用プログラム（１０２１）をサービスの受け手であるユーザに提供し、そのユーザが、自ら所持する情報処理装置（例えば、クライアント端末装置４）にそれらをインストールすることにより、ユーザ側の情報処理装置を画像検査装置２として機能させてもよい。

この場合、画像検査装置２としてのクライアント端末装置４は、サービス提供者の学習済みモデル生成装置３とインターネットを含むネットワーク６を介して相互に通信可能であってもよいし、学習済みモデル生成装置３と通信を行わない状態（例えばスタンドアロンの状態）で動作してもよい。

また、上記実施の形態では、検査対象のロゴに関する適切な学習済みモデル３０７が生成された後に、クライアント端末装置４からロゴの画像検査のリクエストを受け付ける場合を例示したが、適切な学習済みモデル３０７が生成される前にリクエストを受け付けるように画像検査システム１を構成してもよい。

例えば、先ず、クライアント端末装置４が、リクエスト情報として、検査対象画像データ２０１に加えて検査対象のロゴに関する図形データ３０１を画像検査システム１に送信する。次に、学習済みモデル生成装置３において、立体画像生成部３３が、上述した手法により、受信した図形データ３０１に基づいて複数の立体画像データ３０２を生成し、画像合成部３４が、上述した手法により、生成された複数の立体画像データ３０２と予め記憶されている複数の背景画像データ３０３とを合成して複数の合成画像データ３０４を生成する。次に、ラベリング部３５が、上述した手法により、複数の合成画像データ３０４に識別情報３０５をラベリングして学習用画像データ３０６を生成する。そして、学習済みモデル生成部３７がそれらの学習用画像データ３０６を学習して学習済みパラメータを逐次更新し、学習済みモデル３０７を生成する。

その後、学習済みモデル３０７について充分な精度が得られた場合には、画像検査装置２が、その学習済みモデル３０７を用いて、上記リクエスト情報に含まれる検査対象画像データ２０１についてロゴの画像検査処理を実行して、検査結果データ２０３を出力するとともに、必要に応じて画像編集部２５が検査対象画像データ２０１の画像編集を行い、編集済み画像データ２０４を出力する。

このような画像検査システムによれば、検査対象のロゴについての学習済みデータの生成から、そのロゴの画像検査までの一連の処理を一度に行うことが可能となる。これによれば、サービス提供者が予め検査対象のロゴについての学習済みモデルを準備しておく必要がないので、例えば、サービス提供者側において、システムを導入してからサービスを開始するまでの準備期間を短縮することが可能となる。

また、上記実施の形態では、所定の対象物がロゴである場合について説明したが、これに限られない。所定の対象物は、例えば、文字や記号等のロゴ化されていない情報であってもよいし、建設現場のクレーン等の建設機械やビル、鉄塔等の建物のような任意の物体であってもよい。この場合、上述した立体画像データ３０２は、立体的に表したクレーン等の任意の物体そのものを所定の角度から見たときの画像データであることが好ましい。また、上述した図形データ３０１は、クレーン等の任意の物体そのものの立体形状を表す３軸のパラメータを含む三次元ＣＡＤデータであることが好ましい。

また、上述のフローチャートは、動作を説明するための一例を示すものであって、これに限定されない。すなわち、フローチャートの各図に示したステップは具体例であって、このフローに限定されるものではない。例えば、一部の処理の順番が変更されてもよいし、各処理間に他の処理が挿入されてもよいし、一部の処理が並列に行われてもよい。

１，１Ａ，１Ｂ…画像検査システム、２，２Ｂ…画像検査装置、３，３Ａ…学習済みモデル生成装置、４…クライアント端末装置、５…ウェブサーバ、６…ネットワーク、２１…通信部、２２…データ取得部、２３…検査部、２４…記憶部、２５…画像編集部、３１…通信部、３２，３２Ａ…学習用画像データ生成部、３３…立体画像生成部、３４…画像合成部、３５…ラベリング部、３６…記憶部、３７…学習済みモデル生成部、２０１…検査対象画像データ、２０２，３０７…学習済みモデル、２０３…検査結果データ、２０４…画像データ、２０５…検査範囲情報、３０１…図形データ、３０２，３０２＿１〜３０２＿ｎ…立体画像データ（第１画像データ）、３０３，３０３＿１〜３０３＿ｍ…背景画像データ（第２画像データ）、３０４，３０４＿１〜３０４＿ｋ…合成画像データ、３０５…識別情報、３０６…学習用画像データ、４０１Ａ〜４０１Ｄ…ロゴ、４０２…立体（円柱）、４０３…立体（多角柱）、４０４…立体（直方体）、５００…ロゴ、５０１…画像編集対象領域、５０２…ぼかし、５０３…印、１０２１…プログラム（画像検査用プログラム）、１０２３…プログラム（学習済みモデル生成用プログラム）。

Claims (24)

1. 検査対象画像データを取得するデータ取得部と、
   画像データを入力として当該画像データに所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデルを記憶する記憶部と、
   前記記憶部に記憶された前記学習済みモデルに基づいて、前記データ取得部によって取得した前記検査対象画像データに前記所定の対象物を表す画像が含まれるか否かを検査する検査部と、を備え、
   前記学習済みモデルは、立体的に表した前記所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像をそれぞれ主題とし、前記第１画像と異なる複数の第２画像をそれぞれ背景とした複数の第３画像に前記所定の対象物に関する識別情報をそれぞれラベリングして生成された複数の学習用画像データを機械学習することによって調整された学習済みパラメータを含む
   画像検査装置。
2. 請求項１に記載の画像検査装置において、
   インターネットを含むネットワークと接続するための通信部を更に有し、
   前記データ取得部は、前記通信部を介して前記検査対象画像データを取得する
   ことを特徴とする画像検査装置。
3. 請求項２に記載の画像検査装置において、
   前記データ取得部は、前記ネットワークにおける検査範囲を指定する情報を取得した場合に、前記検査範囲を指定する情報に基づいて、前記ネットワークから前記検査対象画像データを取得する
   ことを特徴とする画像検査装置。
4. 請求項３に記載の画像検査装置において、
   前記検査範囲を指定する情報は、アドレス情報を含み、
   前記データ取得部は、前記アドレス情報で指定されたウェブページを表す画像を含むデータを前記検査対象画像データとして取得する
   ことを特徴とする画像検査装置。
5. 請求項３または４に記載の画像検査装置において、
   前記検査範囲を指定する情報は、タグ情報を含み、
   前記データ取得部は、前記タグ情報によって特定されるＳＮＳに投稿された画像を含むデータを前記検査対象画像データとして取得する
   ことを特徴とする画像検査装置。
6. 請求項１乃至５の何れか一項に記載の画像検査装置において、
   前記検査部は、前記検査対象画像データの画像内における前記所定の対象物の位置を示す位置情報を含む検査結果データを生成する
   ことを特徴とする画像検査装置。
7. 請求項６に記載の画像検査装置において、
   前記検査結果データに基づいて、前記データ取得部によって取得した前記検査対象画像データの画像編集を行う画像編集部を更に備える
   ことを特徴とする画像検査装置。
8. 請求項７に記載の画像検査装置において、
   前記画像編集部は、前記位置情報に基づいて、前記検査対象画像データの画像内における前記所定の対象物を含む領域に対して画像編集処理を行う
   ことを特徴とする画像検査装置。
9. 請求項１乃至８の何れか一項に記載の画像検査装置において、
   前記データ取得部は、複数のフレームを含む動画データを入力し、前記動画データのフレームに基づいて前記検査対象画像データを取得する
   ことを特徴とする画像検査装置。
10. 請求項１乃至９の何れか一項に記載の画像検査装置において、
    前記所定の対象物は、ロゴである
    ことを特徴とする画像検査装置。
11. 立体的に表した所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像をそれぞれ主題とし、前記第１画像と異なる複数の第２画像をそれぞれ背景とした複数の第３画像に前記所定の対象物に関する識別情報をそれぞれラベリングした複数の学習用画像データを生成する学習用画像データ生成部と、
    前記学習用画像データを機械学習することにより、画像データを入力として当該画像データに前記所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデルを生成する学習済みモデル生成部と、を備える
    学習済みモデル生成装置。
12. 請求項１１に記載の学習済みモデル生成装置において、
    前記学習用画像データ生成部は、
    前記複数の第１画像と前記複数の第２画像とを合成して前記複数の第３画像を生成する画像合成部と、
    前記識別情報を、前記画像合成部によって生成された前記複数の第３画像にそれぞれラベリングして、前記複数の学習用画像データを生成するラベリング部と、を含む
    ことを特徴とする学習済みモデル生成装置。
13. 請求項１２に記載の学習済みモデル生成装置において、
    前記学習用画像データ生成部は、
    前記所定の対象物の図形情報を含む図形データに基づいて、所定の形状を有する立体の表面に描かれた前記所定の対象物を所定の角度から見たときの画像を前記第１画像として生成する立体画像生成部を更に含む
    ことを特徴とする学習済みモデル生成装置。
14. 請求項１３に記載の学習済みモデル生成装置において、
    前記図形データは、前記所定の対象物の立体的形状を表す３軸のパラメータを含む三次元ＣＡＤデータである
    ことを特徴とする学習済みモデル生成装置。
15. 立体的に表した所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像をそれぞれ主題とし、前記第１画像と異なる複数の第２画像をそれぞれ背景とした複数の第３画像に前記所定の対象物に関する識別情報をそれぞれラベリングした複数の学習用画像データを生成する学習用画像データ生成部と、
    前記学習用画像データを機械学習することにより、画像データを入力として当該画像データに前記所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデルを生成する学習済みモデル生成部と、
    検査対象画像データを取得するデータ取得部と、
    前記学習済みモデル生成部によって生成された前記学習済みモデルに基づいて、前記データ取得部によって取得した前記検査対象画像データに前記所定の対象物を表す画像が含まれるか否かを検査する検査部と、を備える
    画像検査システム。
16. コンピュータを、
    検査対象画像データを取得するデータ取得部と、
    画像データを入力として当該画像データに所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデルを記憶する記憶部と、
    前記記憶部に記憶された前記学習済みモデルに基づいて、前記データ取得部によって取得した前記検査対象画像データに前記所定の対象物を表す画像が含まれるか否かを検査する検査部として機能させ、
    前記学習済みモデルは、立体的に表した前記所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像をそれぞれ主題とし、前記第１画像と異なる複数の第２画像をそれぞれ背景とした複数の第３画像に、前記所定の対象物に関する識別情報をラベリングした学習用画像データを機械学習することによって生成されている
    画像検査用プログラム。
17. 請求項１６に記載の画像検査用プログラムにおいて、
    前記コンピュータを、
    インターネットを含むネットワークと接続するための通信部として更に機能させ、
    前記データ取得部は、前記通信部を介して前記検査対象画像データを取得する
    ことを特徴とする画像検査用プログラム。
18. 請求項１７に記載の画像検査用プログラムにおいて、
    前記データ取得部は、前記ネットワークにおける検査範囲を指定する情報を取得した場合に、前記検査範囲を指定する情報に基づいて、前記ネットワークから前記検査対象画像データを取得する
    ことを特徴とする画像検査用プログラム。
19. 請求項１６乃至１８の何れか一項に記載の画像検査用プログラムにおいて、
    前記コンピュータを
    前記検査部による検査結果に基づいて、前記データ取得部によって取得した前記検査対象画像データの画像編集を行う画像編集部として更に機能させる
    ことを特徴とする画像検査用プログラム。
20. コンピュータを、
    立体的に表した所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像をそれぞれ主題とし、前記第１画像と異なる複数の第２画像をそれぞれ背景とした複数の第３画像に、前記所定の対象物に関する識別情報をラベリングした複数の学習用画像データを生成する学習用画像データ生成部と、
    前記学習用画像データを機械学習することにより、画像データを入力として当該画像データに前記所定の対象物を表す画像が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデルを生成する学習済みモデル生成部と、して機能させる
    学習済みモデル生成用プログラム。
21. 請求項２０に記載の学習済みモデル生成用プログラムにおいて、
    前記学習用画像データ生成部は、
    前記複数の第１画像と前記複数の第２画像とを合成して前記複数の第３画像を生成する画像合成部と、
    前記識別情報を、前記画像合成部によって生成された前記複数の第３画像にそれぞれラベリングして、前記複数の学習用画像データを生成するラベリング部と、を含む
    ことを特徴とする学習済みモデル生成用プログラム。
22. 請求項２１に記載の学習済みモデル生成用プログラムにおいて、
    前記学習用画像データ生成部は、
    前記所定の対象物の図形情報を含む図形データに基づいて、所定の形状を有する立体の表面に描かれた前記所定の対象物を所定の角度から見たときの画像を前記第１画像として生成する立体画像生成部を更に含む
    ことを特徴とする学習済みモデル生成用プログラム。
23. 請求項２２に記載の学習済みモデル生成用プログラムにおいて、
    前記図形データは、前記所定の対象物の立体的形状を表す３軸のパラメータを含む三次元ＣＡＤデータである
    ことを特徴とする学習済みモデル生成用プログラム。
24. 画像データを入力として当該画像データに所定の対象物が含まれるか否かを検査するようにコンピュータを機能させるための学習済みモデルであって、
    立体的に表した前記所定の対象物を互いに異なる複数の角度から見たときの複数の第１画像をそれぞれ主題とし、互いに異なる複数の第２画像をそれぞれ背景とした複数の第３画像に前記所定の対象物に関する識別情報をそれぞれラベリングして生成された学習用画像データを機械学習することによって調整された学習済みパラメータを含み、
    入力された前記画像データに対して前記学習済みパラメータに基づく演算を行い、前記所定の対象物が含まれるか否かを定量化した値を出力するよう、前記コンピュータを機能させる学習済みモデル。