JP2020190485A - 識別モデル生成装置、識別モデル生成方法及び識別モデル生成プログラム、並びに鋼材疵判定装置、鋼材疵判定方法及び鋼材疵判定プログラム - Google Patents

Abstract

【課題】搬送方向に平行に延伸する疵の有無をより精度高く学習可能な識別モデル生成装置を提供する。【解決手段】識別モデル生成装置１は、搬送方向に搬送される鋼材の１つの面を含む画像を示す画像データを取得する画像データ取得部と、画像データに対応する画像に含まれる鋼板の面を、長手方向が搬送方向に平行になるように分割した複数の短冊画像をそれぞれが示す複数の短冊画像データを生成する短冊画像データ生成部と、疵を含まないことを示す第１ラベル、及び搬送方向に平行に延伸するように形成される疵を含むことを示す第２ラベルを少なくとも含むラベルを、複数の短冊画像データのそれぞれに関連付けて学習用データを生成する学習用データ生成部と、学習用データを用いて複数の短冊画像とラベルとの関係性を識別モデルに学習させる学習処理部と、複数の短冊画像とラベルとの関係性を学習した識別モデルを出力する識別モデル出力部とを有する。【選択図】図３

Description

本発明は、識別モデル生成装置、識別モデル生成方法及び識別モデル生成プログラム、並びに鋼材疵判定装置、鋼材疵判定方法及び鋼材疵判定プログラムに関する。

鋼材を含む種々の製品を撮像した画像を解析することにより、製品の表面に形成された疵等の欠陥を検出して製品が良品又は不良品の何れかであるかを判定する技術が知られている。

例えば、特許文献１には、表面に疵が形成された製品を含む欠陥画像を擬似的に生成し、生成した擬似欠陥画像に写っている製品が、良品又は不良品の何れかであるかを識別モデルに学習させる技術が記載されている。特許文献１に記載される技術では、擬似的に生成された欠陥画像を使用して識別モデルが製品の良否を学習できるので、不良品の学習用サンプルが少ない場合でも、適切な学習用サンプルを疑似的に多数生成することで、識別精度が高い識別モデルが提供可能である。

特開２０１１-２１４９０３号公報

また、スラブ、ブルーム、ビレット及びコイル等の鋼材の表面及び側面等の面に、ロール不転等に起因してスリカギ疵等の搬送方向に平行に延伸する疵（以下、単に疵とも称する）が形成されることが知られている。鋼材の面に形成される疵は、特許文献１に記載される技術により擬似的に生成された欠陥画像を使用して製品の良否を学習した識別モデルにより検出することができる。

しかしながら、特許文献１に記載される技術では、識別モデルは、鋼材の面の厚み方向を全面に亘って撮像した画像を使用して疵の有無を学習するため、識別モデルが学習する画像のサイズに対して疵の幅が相対的に狭くなる。特許文献１に記載される技術では、識別モデルは、画像のサイズに対して幅が相対的に狭い疵に基づいて疵の有無を学習するため、画像に含まれる疵以外の特徴部を疵と誤認識して学習して識別精度が低下するおそれがある。

そこで、本発明は、搬送方向に平行に延伸する疵の有無をより精度高く学習可能な識別モデル生成装置、及び搬送方向に平行に延伸する疵の有無を学習した識別モデル生成装置により疵の有無を精度高く判定可能な鋼材疵判定装置を提供することを目的とする。

このような課題を解決する本発明は、以下に示す識別モデル生成装置、識別モデル生成方法及び識別モデル生成プログラム、並びに鋼材疵判定装置、鋼材疵判定方法及び鋼材疵判定プログラムを要旨とするものである。
（１）識別モデルと、
搬送方向に搬送される鋼材の１つの面を含む画像を示す画像データを取得する画像データ取得部と、
画像データに対応する画像に含まれる鋼板の面を、長手方向が搬送方向に平行になるように分割した複数の短冊画像をそれぞれが示す複数の短冊画像データを生成する短冊画像データ生成部と、
疵を含まないことを示す第１ラベル、及び搬送方向に平行に延伸するように形成される疵を含むことを示す第２ラベルを少なくとも含むラベルを、複数の短冊画像データのそれぞれに関連付けて学習用データを生成する学習用データ生成部と、
学習用データを用いて複数の短冊画像とラベルとの関係性を識別モデルに学習させる学習処理部と、
複数の短冊画像とラベルとの関係性を学習した識別モデルを出力する識別モデル出力部と、
を有することを特徴とする識別モデル生成装置。
（２）短冊画像データ生成部は、複数の短冊画像のそれぞれが隣接する他の短冊画像と一部が重畳するように複数の短冊画像データを生成する、（１）に記載の識別モデル生成装置。
（３）学習処理部は、単一の画像データから生成された学習用データを一括して識別モデルに学習させる、（１）又は（２）に記載の識別モデル生成装置。
（４）画像データ取得部は、搬送方向の端部が互いに重畳するように画像データを複数回に亘って取得する、（１）〜（３）の何れか１つに記載の識別モデル生成装置。
（５）ラベルは、異物が付着していることを示す第３ラベルを更に含む、（１）〜（４）の何れか１つに記載の識別モデル生成装置。
（６）（１）〜（５）の何れか１つに記載の識別モデル生成装置によって学習させられ、入力された画像に応じたラベルを出力する識別モデルと、
鋼材の面を含む現在画像を示す現在画像データを取得する現在画像データ取得部と、
現在画像データに対応する画像を、長手方向が搬送方向に平行となる複数の短冊画像に分割して複数の現在短冊画像データを生成する現在短冊画像データ生成部と、
現在短冊画像データを識別モデルに入力する現在画像入力部と、
識別モデルから現在画像データの入力に応じた鋼材の面に形成された疵の状態を示す疵状態情報を取得する疵状態情報取得部と、
識別モデルから出力される疵状態情報を示す疵状態情報信号を出力する疵状態情報出力部と、
を有することを特徴とする鋼材疵判定装置。
（７）疵状態情報の現在画像における短手方向の位置毎の演算結果に基づいて、現在画像における短手方向の位置毎に疵の有無を判定する疵判定部と、
疵判定部による判定結果である判定結果情報を示す判定結果情報信号を出力する疵判定情報出力部と、
を更に有する、（６）に記載の鋼材疵判定装置。
（８）搬送方向に搬送される鋼材の１つの面を含む画像を示す画像データを取得し、
画像データに対応する画像に含まれる鋼板の面を、長手方向が搬送方向に平行になるように分割した複数の短冊画像をそれぞれが示す複数の短冊画像データを生成し、
疵を含まないことを示す第１ラベル、及び搬送方向に平行に延伸するように形成される疵を含むことを示す第２ラベルを少なくとも含むラベルを、複数の短冊画像データのそれぞれに関連付けて学習用データを生成し、
学習用データを用いて複数の短冊画像とラベルとの関係性を識別モデルに学習させ、
複数の短冊画像とラベルとの関係性を学習した識別モデルを出力する、
ことを含むことを特徴とする識別モデル生成方法。
（９）搬送方向に搬送される鋼材の１つの面を含む画像を示す画像データを取得し、
画像データに対応する画像に含まれる鋼板の面を、長手方向が搬送方向に平行になるように分割した複数の短冊画像をそれぞれが示す複数の短冊画像データを生成し、
疵を含まないことを示す第１ラベル、及び搬送方向に平行に延伸するように形成される疵を含むことを示す第２ラベルを少なくとも含むラベルを、複数の短冊画像データのそれぞれに関連付けて学習用データを生成し、
学習用データを用いて複数の短冊画像とラベルとの関係性を識別モデルに学習させ、
複数の短冊画像とラベルとの関係性を学習した識別モデルを出力する、
処理をコンピュータに実行させることを特徴とする識別モデル生成プログラム。
（１０）鋼材の面を含む現在の画像を示す現在画像データを取得し、
現在画像データに対応する画像を、長手方向が搬送方向に平行となる複数の短冊画像に分割して複数の現在短冊画像データを生成し、
現在短冊画像データを、（１）〜（５）の何れか１つに記載の識別モデル生成装置によって学習させられ、入力された画像に応じたラベルを出力する識別モデルに入力し、
識別モデルから現在画像データの入力に応じた鋼材の面に形成された疵の状態を示す疵状態情報を取得し、
識別モデルから出力される疵状態情報を示す疵状態情報信号を出力する、
ことを含むことを特徴とする鋼材疵判定方法。
（１１）鋼材の面を含む現在の画像を示す現在画像データを取得し、
現在画像データに対応する画像を、長手方向が搬送方向に平行となる複数の短冊画像に分割して複数の現在短冊画像データを生成し、
現在短冊画像データを、（１）〜（５）の何れか１つに記載の識別モデル生成装置によって学習させられ、入力された画像に応じたラベルを出力する識別モデルに入力し、
識別モデルから現在画像データの入力に応じた鋼材の面に形成された疵の状態を示す疵状態情報を取得し、
識別モデルから出力される疵状態情報を示す疵状態情報信号を出力する、
処理をコンピュータに実行させる事を特徴とする鋼材疵判定プログラム。

一実施形態に係る識別モデル生成装置は、搬送方向に平行に延伸する疵の有無をより精度高く学習することができる。また、一実施形態に係る鋼材疵判定装置は、搬送方向に平行に延伸する疵の有無をより精度高く判定することができる。

第１実施形態に係る鋼材製造装置の概略図である。 図１に示す識別モデル生成装置の機能ブロック図である。 図２に示す識別モデル生成装置により実行される疵有無学習処理のフローチャートである。 図３に示すＳ１０４の処理を説明するための図である。 図３に示すＳ１０８の処理のより詳細な処理を示すフローチャートである。 図１に示す鋼材疵判定装置の機能ブロック図である。 図６に示す鋼材疵判定装置により実行される疵判定処理のフローチャートである。 第２実施形態に係る鋼材製造装置の概略図である。 図８に示す鋼材疵判定装置の機能ブロック図である。 図９に示す鋼材疵判定装置により実行される疵判定処理のフローチャートである。 図１０に示すＳ４０９の処理のより詳細な処理を示すフローチャートである。 （ａ）はＳ４０７の処理により判定記憶部に記憶された疵状態情報の一例を示す図であり、（ｂ）はＳ４０７の処理により判定記憶部に記憶された疵状態情報の他の例を示す図である。 （ａ）は図１２（ａ）に示す疵状態情報におけるＳ４０９の判定処理を説明するための図であり、（ｂ）は図１２（ｂ）に示す疵状態情報におけるＳ４０９の判定処理を説明するための図である。 鋼材の側面に形成された疵及び鋼材の側面に付着したスケールを示す図である。

以下図面を参照して、本発明に係る識別モデル生成装置、識別モデル生成方法及び識別モデル生成プログラム、並びに鋼材疵判定装置、鋼材疵判定方法及び鋼材疵判定プログラムについて説明する。但し、本発明の技術的範囲はそれらの実施の形態に限定されない。

（第１実施形態に係る鋼材製造装置の構成及び機能）
図１は、第１実施形態に係る鋼材製造装置の概略図である。

鋼材製造装置１００は、搬送路１０１と、撮像装置１０２と、識別モデル生成装置１と、鋼材疵判定装置１１０とを有する。搬送路１０１は、複数の搬送ローラを有し、鋼材１０３を矢印Ａで示される搬送方向に搬送する。

撮像装置１０２は、例えば赤外線ＣＣＤカメラであり、搬送路１０１により搬送方向に搬送される鋼材１０３の側面を連続的に撮像する。撮像装置１０２は、撮像した動画を示す動画データを識別モデル生成装置１及び鋼材疵判定装置１１０に通信ケーブル１０４を介して送信する。撮像装置１０２は、例えば搬送路１０１によって搬送される鋼材１０３が、図１において矢印Ａで示される撮像装置１０２が撮像可能な視野に近接したことに応じて撮像を開始し、撮像装置１０２の視野から離隔したことに応じて撮像を終了してもよい。

鋼材１０３は、一例ではスラブであるが、ブルーム、ビレット及びコイル等の搬送方向に搬送可能な鋼材であれはよい。撮像装置１０２は、鋼材１０３の側面を撮像するが、鋼材１０３がスラブ、ブルーム及びビレットの何れかであるときは、鋼材１０３の側面に加えて表面及び裏面の何れか一方の面を撮像してもよい。また、撮像装置１０２は、鋼材１０３がコイルであるときは、鋼材１０３の側面に代えて表面及び裏面の何れか一方の面を撮像してもよい。

識別モデル生成装置１は、撮像装置１０２が撮像した動画から学習用データを生成し、生成した学習用データを用いて鋼材１０３の側面に搬送方向に平行に延伸するように形成される疵の有無を識別モデルに学習させる。識別モデル生成装置１は、通信ケーブル１０４によって撮像装置１０２に通信可能に接続されるが、無線通信網を介して撮像装置１０２に接続されてもよい。また、識別モデル生成装置１は、撮像装置１０２に通信可能に接続されていなくてもよい。識別モデル生成装置１は、撮像装置１０２に通信可能に接続されていないとき、ＣＤ−ＲＯＭ、ＵＳＢメモリ等の識別モデル生成装置１及び撮像装置１０２の双方に着脱可能な記憶媒体を介して撮像装置１０２が撮像した画像データを取得する。

鋼材疵判定装置１１０は、識別モデル生成装置１によって学習された識別モデルを使用して鋼材１０３の側面に搬送方向に平行に延伸するように形成される疵の有無を判定する。鋼材疵判定装置１１０は、例えばパーソナルコンピュータであるが、鋼材１０３を製造する鋼材製造システムを制御する制御装置に内蔵されてもよい。

図２は、識別モデル生成装置１の機能ブロック図である。

識別モデル生成装置１は、通信部１１と、記憶部１２と、入力部１３と、出力部１４と、処理部２０と、識別モデル３０とを有する。通信部１１、記憶部１２、入力部１３、出力部１４、処理部２０及び識別モデル３０は、バス１５を介して互いに接続される。

通信部１１は、イーサネット（登録商標）などの有線の通信インターフェース回路を有する。通信部１１は、通信ケーブル１０４を介して撮像装置１０２と通信を行う。

記憶部１２は、例えば、半導体記憶装置、磁気テープ装置、磁気ディスク装置、又は光ディスク装置のうちの少なくとも一つを備える。記憶部１２は、処理部２０での処理に用いられるオペレーティングシステムプログラム、ドライバプログラム、アプリケーションプログラム、データ等を記憶する。例えば、記憶部１２は、鋼材１０３の側面に搬送方向に平行に延伸するように形成される疵の有無を識別モデルに学習させる疵有無学習処理を処理部２０に実行させるための疵有無学習プログラム等を記憶する。疵有無学習プログラムは、例えばＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ等のコンピュータ読み取り可能な可搬型記録媒体から、公知のセットアッププログラム等を用いて記憶部１２にインストールされてもよい。また、記憶部１２は、疵有無学習処理で使用される種々のデータを記憶する。記憶部１２は、例えば撮像装置１０２が撮像した動画を示す動画データを記憶する。

入力部１３は、データの入力が可能であればどのようなデバイスでもよく、例えば、タッチパネル、キーボード等である。オペレータは、入力部１３を用いて、文字、数字、記号等を入力することができる。入力部１３は、オペレータにより操作されると、その操作に対応する信号を生成する。そして、生成された信号は、オペレータの指示として、処理部２０に供給される。

出力部１４は、映像や画像等の表示が可能であればどのようなデバイスでもよく、例えば、液晶ディスプレイ又は有機ＥＬ（Electro−Luminescence）ディスプレイ等である。出力部１４は、処理部２０から供給された映像データに応じた映像や、画像データに応じた画像等を表示する。また、出力部１４は、紙などの表示媒体に、映像、画像又は文字等を印刷する出力装置であってもよい。

処理部２０は、一又は複数個のプロセッサ及びその周辺回路を有する。処理部２０は、識別モデル生成装置１の全体的な動作を統括的に制御するものであり、例えば、ＣＰＵである。処理部２０は、記憶部１２に記憶されているプログラム（ドライバプログラム、オペレーティングシステムプログラム、アプリケーションプログラム等）に基づいて処理を実行する。また、処理部２０は、複数のプログラム（アプリケーションプログラム等）を並列に実行できる。

処理部２０は、画像データ取得部２１と、短冊画像データ生成部２２と、教師データ付与部２３と、学習用データ生成部２４と、学習処理部２５と、識別モデル出力部２６とを有する。これらの各部は、処理部２０が備えるプロセッサで実行されるプログラムにより実現される機能モジュールである。あるいは、これらの各部は、ファームウェアとして識別モデル生成装置１に実装されてもよい。

識別モデル３０は、例えばＡｌｅｘＮｅｔ、ＺＦＮｅｔ、ＳＥＮｅｔ、ＲｅｓＮｅｔ及びＧｏｏＬｅＮｅｔ等の畳み込みニューラルネットワークであり、教師あり学習により画像の特徴を学習する。識別モデル３０は、ディープラーニング等の公知の機械学習技術を用いて、撮像装置１０２が撮像した画像とラベルとの関係性を学習する。ディープラーニングは、入力層、中間層及び出力層から構成される多層構造のニューラルネットワークを用いた機械学習である。入力層の各ノードには、撮像装置１０２が撮像した複数の画像のそれぞれの特徴ベクトルが入力される。中間層の各ノードは、入力層の各ノードから出力された各特徴ベクトルに重みを乗算した値の総和を出力し、さらに、出力層は、中間層の各ノードから出力された各特徴ベクトルに重みを乗算した値の総和を出力する。識別モデル３０は、各重みを調整しながら、出力層からの出力値と撮像装置１０２が撮像した複数の画像のそれぞれとの差分が小さくなるように学習する。識別モデル３０は、入力された画像データに応じた鋼材の面に形成された疵の状態を示す疵状態情報を出力する。

（識別モデル生成装置１による疵有無学習処理）
図３は、識別モデル生成装置１により実行される疵有無学習処理のフローチャートである。図３に示す疵有無学習処理は、予め記憶部１２に記憶されているプログラムに基づいて、主に処理部２０により識別モデル生成装置１の各要素と協働して実行される。

まず、画像データ取得部２１は、記憶部１２に記憶された動画データを取得する（Ｓ１０１）。次いで、画像データ取得部２１は、Ｓ１０１の処理で取得した動画データから複数の静止画像を示す複数の静止画像データを抽出する（Ｓ１０２）。

画像データ取得部２１は、動画データから複数の静止画像データを所定の抽出間隔毎に抽出する。抽出間隔は、搬送路１０１が鋼材１０３を搬送する搬送速度及び撮像装置１０２の視野に応じて決定される。抽出間隔は、抽出される静止画像データに対応する静止画像の搬送方向の端部が互いに重畳するように決定されることが好ましい。画像データ取得部２１は、抽出した静止画像データを抽出した順序に関連付けて記憶部１２に記憶する。

次いで、画像データ取得部２１は、Ｓ１０２の処理で抽出された複数の静止画像データのそれぞれに対応する画像に含まれる鋼材１０３の側面の画像を、画像の長手方向が水平方向に延伸する矩形になるように補正するのが好ましい（Ｓ１０３）。画像データ取得部２１は、鋼材１０３の側面の画像が矩形ではなく台形になっていたとき、例えばキーストーン補正等の台形補正技術によって、鋼材１０３の側面の画像が矩形になるように補正するのが好ましい。また、画像データ取得部２１は、鋼材１０３の側面の画像の長手方向が水平方向ではなく傾斜していたとき、画像の長手方向を検出し且つ修正する傾き補正技術によって、鋼材１０３の側面の画像長手方向が水平方向に延伸するように補正する。なお、Ｓ１０３の処理は省略してもよい。

次いで、短冊画像データ生成部２２は、Ｓ１０３の処理で補正された静止画像データに対応する画像に含まれる鋼板の面を、長手方向が搬送方向に平行になるように分割した複数の短冊画像をそれぞれが示す１０個の短冊画像データを生成する（Ｓ１０４）。Ｓ１０４の処理で生成された１０個の短冊画像データのそれぞれは、対応する静止画像データ一群がＳ１０２の処理で抽出された順序に関連付けて一群の短冊画像データとして記憶部１２に記憶される。

図４は、Ｓ１０４の処理を説明するための図である。短冊画像データ生成部２２は、画像４００を１０個の短冊画像４１０〜４１９に分割する。短冊画像データ生成部２２は、分割された短冊画像４１０〜４１９のそれぞれが隣接する他の短冊画像と一部が重畳するように複数の短冊画像データを生成する。画像４００の上端に位置する短冊画像４１０の下端は下方に隣接して配置される短冊画像４１１の上端に重畳し、短冊画像４１１の下端は下方に隣接して配置される短冊画像４１２の上端に重畳する。同様に、短冊画像４１２〜４１８のそれぞれは上方及び下方に隣接して配置される短冊画像と重畳し、画像４００の下端に位置する短冊画像４１９の上端は上方に隣接して配置される短冊画像の下端と重畳することが好ましい。

次いで、短冊画像データ生成部２２は、Ｓ１０２の処理で抽出された全ての静止画像データについてＳ１０４の処理により短冊画像データが生成されたか否かを判定する（Ｓ１０５）。短冊画像データ生成部２２は、全ての静止画像データについて短冊画像データがされたと判定する（Ｓ１０５−ＹＥＳ）まで、Ｓ１０４〜Ｓ１０５の処理を繰り返す。

短冊画像データ生成部２２によって全ての静止画像データについて短冊画像データがされたと判定される（Ｓ１０５−ＹＥＳ）と、教師データ付与部２３は、複数の短冊画像を２つの画像群にクラスタリングする（Ｓ１０６）。

教師データ付与部２３は、短冊画像に疵が含まれているか否かを判断できる人が、入力部１３及び出力部１４により形成されるＧＵＩを介して、疵を含まないことを示す第１ラベル、及び搬送方向に平行に延伸するように形成される疵を含むことを示す第２ラベルを、複数の短冊画像データのそれぞれに付与して、学習用データを生成する。なお、既に学習済みの識別モデルが存在する場合は、学習済み識別モデルを用いて、複数の短冊画像データそれぞれに第１ラベルと第２ラベルを自動付与し、確信度（学習済みモデルの判定の信頼度）が低い短冊画像のみに対して人がラベルを再付与することで人の作業を効率化してもよい。

学習用データ生成部２４は、Ｓ１０６の処理で生成された学習用データのそれぞれを、Ｓ１０２の処理で抽出された順序に関連付けて一群の学習用データとして記憶部１２に記憶する。

次いで、学習処理部２５は、Ｓ１０７の処理で生成された学習用データを用いて複数の短冊画像とラベルとの関係性を識別モデルに学習させる（Ｓ１０７）。

そして、識別モデル出力部２６は、Ｓ１０７の処理で複数の短冊画像とラベルとの関係性を学習した識別モデルを出力する（Ｓ１０８）。識別モデル出力部２６は、学習した識別モデルを不図示の上位制御装置に出力してもよく、鋼材疵判定装置１１０に出力してもよい。

図５は、Ｓ１０８の処理のより詳細な処理を示すフローチャートである。

まず、学習用データ生成部２４は、Ｓ１０２の処理で最初に抽出された１枚の静止画像に関連付けられた学習用データ群に含まれる１０個の学習用データを識別モデル３０に入力して、短冊画像とラベルとの関係性を識別モデル３０に学習させる（Ｓ２０１）。なお、ここでは１枚の静止画像に関連付けられた学習用データ群に含まれる学習用データを識別モデル３０に入力して、短冊画像とラベルとの関係性を識別モデル３０に学習させるが、学習させるデータの入力方法はこれには限定されない。例えば、識別モデル３０は、学習用データ毎に識別モデル３０に入力してもよく、複数の静止画像に関連付けられた学習用データ群に含まれる学習用データを識別モデル３０に入力してもよい。次いで、学習用データ生成部２４は、全ての学習用データによる識別モデル３０の学習が終了したか否かを判定する（Ｓ２０２）。学習用データ生成部２４は、全ての学習用データによる識別モデル３０の学習が終了したと判定する（Ｓ２０２−ＹＥＳ）まで次の静止画像に関連付けられた学習用データを用いて、Ｓ２０１〜Ｓ２０２の処理を繰り返す。

学習用データ生成部２４は、全ての学習用データによる識別モデル３０の学習が終了したと判定する（Ｓ２０２−ＹＥＳ）と、学習を終了するための条件である学習終了条件を充足したか否かを判定する（Ｓ２０３）。学習終了条件は、例えば学習が収束したこと、及び学習を実行した回数が所定の上限値に達したことを含む。学習用データ生成部２４は、学習を終了するための条件である学習終了条件を充足した（Ｓ２０３−ＹＥＳ）まで、Ｓ２０１〜Ｓ２０３の処理を繰り返す。

学習用データ生成部２４は、学習を終了するための条件である学習終了条件を充足した（Ｓ２０３−ＹＥＳ）と、Ｓ１０８の処理を終了する。

学習用データ生成部２４は、Ｓ１０８の処理を実行することで、Ｓ１０２の処理で抽出された静止画像データから生成された学習用データ群毎にミニバッチ学習及び正規化を実行する。

（第１実施形態に係る鋼材疵判定装置）
図６は、鋼材疵判定装置１１０の機能ブロック図である。

鋼材疵判定装置１１０は、判定通信部１１１と、判定記憶部１１２と、判定入力部１１３と、判定出力部１１４と、判定処理部１２０と、識別モデル生成装置１から入力された識別モデル３０とを有する。判定通信部１１１、判定記憶部１１２、判定入力部１１３、判定出力部１１４及び判定処理部１２０は、バス１１５を介して互いに接続される。

判定通信部１１１は、イーサネット（登録商標）などの有線の通信インターフェース回路を有する。判定通信部１１１は、通信ケーブル１０４を介して識別モデル生成装置１、撮像装置１０２及び不図示の上位制御装置と通信を行う。

判定記憶部１１２は、例えば、半導体記憶装置、磁気テープ装置、磁気ディスク装置、又は光ディスク装置のうちの少なくとも一つを備える。判定記憶部１１２は、判定処理部１２０での処理に用いられるオペレーティングシステムプログラム、ドライバプログラム、アプリケーションプログラム、データ等を記憶する。例えば、判定記憶部１１２は、現在画像に基づいて、識別モデル３０を使用して鋼材１０３の側面に搬送方向に平行に延伸するように形成される疵の有無を判定する疵判定処理を判定処理部１２０に実行させる疵判定プログラムを記憶する。疵判定プログラムは、例えばＣＤ−ＲＯＭ、ＤＶＤ−ＲＯＭ等のコンピュータ読み取り可能な可搬型記録媒体から、公知のセットアッププログラム等を用いて判定記憶部１１２にインストールされてもよい。また、判定記憶部１１２は、疵判定処理で使用される種々のデータを記憶する。例えば、判定記憶部１１２は、識別モデル生成装置１によって学習された識別モデル３０を記憶する。

判定入力部１１３は、データの入力が可能であればどのようなデバイスでもよく、例えば、タッチパネル、キーボード等である。オペレータは、判定入力部１１３を用いて、文字、数字、記号等を入力することができる。判定入力部１１３は、オペレータにより操作されると、その操作に対応する信号を生成する。そして、生成された信号は、オペレータの指示として、判定処理部１２０に供給される。

判定出力部１１４は、映像や画像等の表示が可能であればどのようなデバイスでもよく、例えば、液晶ディスプレイ又は有機ＥＬディスプレイ等である。判定出力部１１４は、判定処理部１２０から供給された映像データに応じた映像や、画像データに応じた画像等を表示する。また、判定出力部１１４は、紙などの表示媒体に、映像、画像又は文字等を印刷する出力装置であってもよい。

判定処理部１２０は、一又は複数個のプロセッサ及びその周辺回路を有する。判定処理部１２０は、鋼材疵判定装置１１０の全体的な動作を統括的に制御するものであり、例えば、ＣＰＵである。判定処理部１２０は、判定記憶部１１２に記憶されているプログラム（ドライバプログラム、オペレーティングシステムプログラム、アプリケーションプログラム等）に基づいて処理を実行する。また、判定処理部１２０は、複数のプログラム（アプリケーションプログラム等）を並列に実行できる。

判定処理部１２０は、現在画像データ取得部１２１と、現在短冊画像データ生成部１２２と、現在画像入力部１２３と、疵状態情報取得部１２４と、疵状態情報出力部１２５とを有する。これらの各部は、判定処理部１２０が備えるプロセッサで実行されるプログラムにより実現される機能モジュールである。あるいは、これらの各部は、ファームウェアとして鋼材疵判定装置１１０に実装されてもよい。

（鋼材疵判定装置１１０による疵判定処理）
図７は、鋼材疵判定装置１１０により実行される疵判定処理のフローチャートである。図７に示す疵判定処理は、予め判定記憶部１１２に記憶されているプログラムに基づいて、主に判定処理部１２０により鋼材疵判定装置１１０の各要素と協働して実行される。また、図７に示す疵判定処理は、図３に示す疵有無学習処理によって識別モデル３０が複数の短冊画像とラベルとの関係性を学習した後に実行される。

まず、現在画像データ取得部１２１は、判定記憶部１１２に記憶された現在搬送されている鋼材１０３の側面を撮像した現在動画データを取得する（Ｓ３０１）。次いで、現在画像データ取得部１２１は、Ｓ３０１の処理で取得した現在動画データから複数の静止画像を示す複数の現在静止画像データを抽出する（Ｓ３０２）。次いで、現在画像データ取得部１２１は、Ｓ３０２の処理で抽出された複数の現在静止画像データのそれぞれに対応する画像に含まれる鋼材１０３の側面の画像を、画像の長手方向が水平方向に延伸する矩形になるように補正するのが好ましい（Ｓ３０３）。Ｓ３０１〜Ｓ３０３の処理は、Ｓ１０１〜Ｓ１０３の処理と同様なので、ここでは詳細な説明は省略する。なお、Ｓ３０３の処理は省略してもよい。

次いで、現在短冊画像データ生成部１２２は、Ｓ３０３の処理で補正された現在静止画像データに対応する画像に含まれる鋼板の面を、長手方向が搬送方向に平行になるように分割した現在短冊画像を示す１０個の現在短冊画像データを生成する（Ｓ３０４）。現在短冊画像データ生成部１２２は、Ｓ１０４の処理と同様に、隣接する他の現在短冊画像と一部が重畳するように複数の現在短冊画像データを生成する。Ｓ３０４の処理で生成された１０個の現在短冊画像データのそれぞれは、一群の現在短冊画像データとして判定記憶部１１２に記憶される。

次いで、現在画像入力部１２３は、Ｓ３０４の処理で生成された１０個の現在短冊画像データを識別モデル３０に入力する（Ｓ３０５）。現在画像入力部１２３は、１０個の現在短冊画像データをバッチ入力する。

次いで、疵状態情報取得部１２４は、識別モデル３０からＳ３０５に示す処理による現在画像データの入力に応じた鋼材１０３の面に形成された疵の状態を示す疵状態情報を取得する（Ｓ３０６）。Ｓ３０６の処理で取得される疵状態情報は、例えば０以上１以下の数値で示される疵発生確率である。

次いで、疵状態情報出力部１２５は、Ｓ３０６の処理で識別モデル３０から出力される疵状態情報を示す疵状態情報信号を不図示の上位制御装置に出力する（Ｓ３０７）。なお、疵状態情報出力部１２５は、疵状態情報信号を判定記憶部１１２に出力してもよい。

次いで、現在短冊画像データ生成部１２２は、Ｓ３０２の処理で抽出された全ての現在静止画像データについてＳ３０４〜Ｓ３０７の処理が実行されたか否かを判定する（Ｓ３０８）。現在短冊画像データ生成部１２２によって全ての現在静止画像データについてＳ３０４〜Ｓ３０７の処理が実行されたと判定される（Ｓ３０８−ＹＥＳ）まで、Ｓ３０４〜Ｓ３０８の処理が繰り返される。全ての現在静止画像データについてＳ３０４〜Ｓ３０７の処理が実行されたと判定される（Ｓ３０８−ＹＥＳ）と、疵判定処理は終了する。

（第１実施形態に係る識別モデル生成装置及び鋼材疵判定装置の作用効果）
識別モデル生成装置１は、短手方向の幅が比較的短い短冊画像を使用して識別モデル３０を学習させるので、識別モデル３０は、短冊画像の長手方向に延伸する疵を疵としてと認識する可能性が高くなり、疵の有無をより精度高く学習することができる。また、鋼材疵判定装置１１０は、短手方向の幅が比較的短い短冊画像を使用して識別モデルが疵の有無を識別するので、短冊画像の長手方向に延伸する疵を疵としてと認識する可能性が高くなり、疵の有無をより精度高く識別することができる。

また、識別モデル生成装置１は、隣接する短冊画像が互いに重畳するように複数の短冊画像データを生成するので、隣接する短冊画像双方の短手方向の端部に亘って疵が位置する可能性が低くなる。識別モデル生成装置１では、隣接する短冊画像双方の短手方向の端部に亘って疵が位置する可能性が低くなるので、識別モデル３０は、短冊画像の長手方向に平行に延伸するように形成される疵以外の部分を疵と誤認識する可能性が低くなる。

また、識別モデル生成装置１は、単一の静止画像データから生成された学習用データを一括して識別モデル３０に学習させるので、静止画像のそれぞれに含まれる鋼板の側面の地合を静止画像毎に平均化できる。識別モデル生成装置１では、鋼板の側面の地合いが静止画像毎に平均化されるので、識別モデル３０は、平均化された地合の下で疵を認識するので、長手方向に平行に延伸するように形成される疵以外の部分を疵と誤認識する可能性が低くなる。

また、識別モデル生成装置１は、搬送方向の端部が互いに重畳するように静止画像データを複数回に亘って抽出するので、隣接する静止画像の間に形成された疵を抽出し損なうことはない。

（第２実施形態に係る鋼材製造装置の構成及び機能）
図８は、第２実施形態に係る鋼材製造装置の概略図である。

鋼材製造装置２００は、鋼材疵判定装置２１０を鋼材疵判定装置１１０の代わりに有することが鋼材製造装置１００と相違する。鋼材疵判定装置２１０以外の鋼材製造装置２００の構成要素の構成及び機能は、同一符号が付された鋼材製造装置１００の構成要素の構成及び機能と同一なので、ここでは詳細な説明は省略する。

（第２実施形態に係る鋼材疵判定装置）
図９は、鋼材疵判定装置２１０の機能ブロック図である。

鋼材疵判定装置２１０は、判定処理部２２０を判定処理部１２０の代わりに有することが鋼材疵判定装置１１０と相違する。判定処理部２２０以外の鋼材疵判定装置２１０の構成要素の構成及び機能は、同一符号が付された鋼材疵判定装置１１０の構成要素の構成及び機能と同一なので、ここでは詳細な説明は省略する。

判定処理部２２０は、一又は複数個のプロセッサ及びその周辺回路を有する。判定処理部２２０は、鋼材疵判定装置２１０の全体的な動作を統括的に制御するものであり、例えば、ＣＰＵである。判定処理部２２０は、判定記憶部１１２に記憶されているプログラム（ドライバプログラム、オペレーティングシステムプログラム、アプリケーションプログラム等）に基づいて処理を実行する。また、判定処理部２２０は、複数のプログラム（アプリケーションプログラム等）を並列に実行できる。

判定処理部２２０は、現在画像データ取得部２２１と、現在短冊画像データ生成部２２２と、現在画像入力部２２３と、疵状態情報取得部２２４と、疵状態情報出力部２２５と、疵判定部２２６と、疵判定結果出力部２２７とを有する。これらの各部は、判定処理部２２０が備えるプロセッサで実行されるプログラムにより実現される機能モジュールである。あるいは、これらの各部は、ファームウェアとして鋼材疵判定装置２１０に実装されてもよい。

（鋼材疵判定装置２１０による疵判定処理）
図１０は、鋼材疵判定装置２１０により実行される疵判定処理のフローチャートである。図１０に示す疵判定処理は、予め判定記憶部１１２に記憶されているプログラムに基づいて、主に判定処理部２２０により鋼材疵判定装置２１０の各要素と協働して実行される。また、図１０に示す疵判定処理は、図３に示す疵有無学習処理によって識別モデル３０が複数の短冊画像とラベルとの関係性を学習した後に実行される。

まず、現在画像データ取得部２２１は、判定記憶部１１２に記憶された現在搬送されている鋼材１０３の側面を撮像した現在動画データを取得する（Ｓ４０１）。次いで、現在画像データ取得部２２１は、Ｓ３０１の処理で取得した現在動画データから複数の静止画像を示す複数の現在静止画像データを抽出する（Ｓ４０２）。次いで、現在画像データ取得部２２１は、Ｓ３０２の処理で抽出された複数の現在静止画像データのそれぞれに対応する画像に含まれる鋼材１０３の側面の画像が長手方向が水平方向に延伸する矩形になるように補正する（Ｓ４０３）。Ｓ４０１〜Ｓ４０３の処理は、Ｓ３０１〜Ｓ３０３の処理と同様なので、ここでは詳細な説明は省略する。

次いで、現在短冊画像データ生成部２２２は、Ｓ４０３の処理で補正された現在静止画像データに対応する画像に含まれる鋼板の面を、長手方向が搬送方向に平行になるように分割した現在短冊画像を示す１０個の現在短冊画像データを生成する（Ｓ４０４）。現在短冊画像データ生成部２２２は、Ｓ３０４の処理と同様に、隣接する他の短冊画像と一部が重畳するように複数の現在短冊画像データを生成する。Ｓ４０４の処理で生成された１０個の現在短冊画像データのそれぞれは、現在静止画像における短手方向の位置及び対応する現在静止画像データ一群がＳ４０２の処理で抽出された順序に関連付けて、現在短冊画像データとして判定記憶部１１２に記憶される。

次いで、現在画像入力部２２３は、Ｓ４０４の処理で生成された１０個の現在短冊画像データを識別モデル３０に入力する（Ｓ４０５）。現在画像入力部２２３は、１０個の現在短冊画像データをバッチ入力する。

次いで、疵状態情報取得部２２４は、識別モデル３０からＳ４０５に示す処理による現在画像データの入力に応じた鋼材１０３の面に形成された疵の状態を示す疵状態情報を取得する（Ｓ４０６）。

次いで、疵状態情報出力部２２５は、Ｓ４０６の処理で識別モデル３０から出力される疵状態情報を示す疵状態情報信号を判定記憶部１１２に出力する（Ｓ４０７）。疵状態情報は、対応する現在短冊画像の現在静止画像における短手方向の位置及び対応する現在静止画像データ一群がＳ４０２の処理で抽出された順序に関連付けて、判定記憶部１１２に記憶される。

次いで、現在短冊画像データ生成部２２２は、Ｓ４０２の処理で抽出された全ての現在静止画像データについてＳ４０４〜Ｓ４０７の処理が実行されたか否かを判定する（Ｓ４０８）。現在短冊画像データ生成部２２２によって全ての現在静止画像データについてＳ４０４〜Ｓ４０７の処理が実行されたと判定される（Ｓ４０８−ＹＥＳ）まで、Ｓ４０４〜Ｓ４０８の処理が繰り返される。

現在短冊画像データ生成部２２２によって全ての現在静止画像データについてＳ４０４〜Ｓ４０７の処理が実行されたと判定される（Ｓ４０８−ＹＥＳ）と、疵判定部２２６は、現在静止画像における短手方向の位置毎に疵の有無を判定する（Ｓ４０９）。疵判定部２２６は、判定記憶部１１２に記憶された疵状態情報の現在静止画像における短手方向の位置毎の演算結果に基づいて、現在静止画像における短手方向の位置毎に疵の有無を判定する。

そして、疵判定結果出力部２２７は、Ｓ４０９の処理における疵判定部２２６による判定結果である判定結果情報を示す判定結果情報信号を不図示の上位制御装置に出力する（Ｓ４１０）。

図１１は、Ｓ４０９の処理のより詳細な処理を示すフローチャートである。

まず、疵判定部２２６は、現在動画から取得された全ての静止画像における同一厚み位置毎のＳ４０６の処理で取得された複数の疵発生確率の平均値を演算する（Ｓ５０１）。短冊画像は、鋼材１０３の搬送方向に直交する鋼材１０３の厚み方向に隣接して１０個ずつ生成されるので、疵判定部２２６は、短冊画像の分割位置に応じた１０個の平均値を演算する。

次いで、疵判定部２２６は、現在動画から得られた１０個の平均値のうち一つ以上がしきい値以上であれば、現在動画、すなわち当該鋼材に搬送方向に平行に延伸するように形成される疵が含まれていると判定し、しきい値を超える平均値がひとつもない場合は、当該鋼材には搬送方向に平行に延伸するように形成される疵が含まれていないと判定する（Ｓ５０２）。

図１２（ａ）はＳ４０７の処理により判定記憶部１１２に記憶された疵状態情報の一例を示す図であり、図１２（ｂ）はＳ４０７の処理により判定記憶部１１２に記憶された疵状態情報の他の例を示す図である。図１２（ａ）及び１２（ｂ）において、横方向が搬送方向を示し、縦方向が鋼材１０３の厚み方向を示す。また、図１２（ａ）及び１２（ｂ）において、疵発生確率が例えば０．０５以上０．５０未満の部分は二重線で囲まれ、疵発生確率が例えば０．５以上１．００未満の部分は太線で囲まれる。

図１２（ａ）に示す例では、鋼材１０３の上端から２番目、３番目、７番目、８番目及び１０番目の位置において、識別モデル３０によって１個から３個の短冊画像において疵発生確率が０．５以上であると判定されている。また、鋼材１０３の上端から５番目の位置において、識別モデル３０によって１３個の短冊画像が疵発生確率が０．５以上であると判定されている。

図１２（ｂ）に示す例では、鋼材１０３の上端から２番目、４番目、５番目及び７番目〜９番目の位置において、識別モデル３０によって１個又は２個の短冊画像が疵発生確率が０．５以上であると判定されている。

図１３（ａ）は図１２（ａ）に示す疵状態情報におけるＳ４０９の判定処理を説明するための図であり、図１３（ｂ）は図１２（ｂ）に示す疵状態情報におけるＳ４０９の判定処理を説明するための図である。

図１３（ａ）及び１３（ｂ）において、横軸は鋼材１０３の上端からの位置を示す番号であり、縦軸はＳ５０１の処理で演算される疵発生確率の平均値を示す。また、図１３（ａ）及び１３（ｂ）において、Ｓ５０２の判定処理で使用されるしきい値は、０．５である。

図１２（ａ）に示す例では、１３個と多くの短冊画像が疵発生確率が０．５以上であると識別モデル３０によって判定された鋼材１０３の上端から５番目の位置のみが疵があると判定される。一方、疵発生確率が０．５以上であると識別モデル３０によって判定された数が比較的少ない鋼材１０３の上端から２番目、３番目、７番目、８番目及び１０番目の位置は、疵がないと判定される。

図１２（ｂ）に示す例では疵発生確率が０．５以上であると識別モデル３０によって判定された数が比較的少ない鋼材１０３の鋼材１０３の上端から２番目、４番目、５番目及び７番目〜９番目の位置を含めて全ての位置において、疵がないと判定される。

（第２実施形態に係る鋼材疵判定装置の作用効果）
鋼材疵判定装置２１０は、疵発生確率の現在静止画像における短手方向の位置毎の平均値に基づいて現在静止画像における短手方向の位置毎に疵の有無を判定するので、疵の有無を誤判定するおそれを低くすることができる。

（実施形態に係る装入条件決定装置の変形例）
識別モデル生成装置１は、疵を含まないことを示す第１ラベル、及び搬送方向に平行に延伸するように形成される疵を含むことを示す第２ラベルを使用して識別モデル３０を学習する。しかしながら、実施形態に係る識別モデル生成装置は、３以上のラベルを使用して識別モデル３０を学習してもよい。例えば、実施形態に係る識別モデル生成装置は、疵の有無を判定できないことを示す第３ラベルを更に使用して識別モデル３０を学習してもよい。

また、実施形態に係る識別モデル生成装置は、スケール等異物が付着していることを示す第３ラベルを更に使用して識別モデル３０を学習してもよい。

図１４は、鋼材１０３の側面に形成された疵及び鋼材１０３の側面に付着したスケールを示す図である。図１４において、矢印Ａで示される領域は、実施形態に係る識別モデル生成装置が学習する疵の一例が形成された領域であるまた、図１４において、スケールは、矢印Ｂ及びＣで示される領域に付着している例である。

実施形態に係る識別モデル生成装置は、スケール等の異物が付着していることを示す第３ラベルを更に使用して識別モデル３０を学習することで、識別モデル３０は、疵の有無に加えて、製造工程に影響を与えるおそれがある異物の付着の有無を判定できる。

また、実施形態に係る識別モデル生成装置は、搬送方向に平行に延伸するように形成される疵の形状に応じて２又は３つ以上のラベルを使用して識別モデル３０を学習してもよい。例えば、実施形態に係る識別モデル生成装置は、疵を含まないことを示す第１ラベル、幅が第１範囲である疵を含むことを示す第２ラベル及び幅が第１範囲よりも広い第２範囲である疵を含むことを示す第３ラベルを使用して識別モデル３０を学習してもよい。実施形態に係る識別モデル生成装置は、疵の種類を規定する複数のラベルを使用して識別モデル３０を学習することで、識別モデル３０は、疵の有無に加えて、疵の種類を判定できる。

また、識別モデル生成装置１は、単一の静止画像から１０個の短冊画像データを生成するが、実施形態に係る識別モデル生成装置は、単一の静止画像から９個以下又は１１個以上の短冊画像データを生成してもよい。識別モデル生成装置１が単一の静止画像から生成する短冊画像の数は、形成される疵の幅と鋼材１０３の高さとの比率等に基づいて適宜決定される。

また、識別モデル生成装置１は、クラスタリングされた複数の短冊画像にラベルを関連付けて学習用データを生成するが、実施形態に係る識別モデル生成装置は、複数の短冊画像をクラスタリングすることなく学習用データを生成してもよい。

また、鋼材疵判定装置２１０は、疵発生確率の短手方向の位置毎の平均値に基づいて疵の有無を判定するが、実施形態に係る識別モデル生成装置は、疵状態情報の短手方向の位置毎の他の演算結果に基づいて、疵の有無を判定してもよい。例えば、実施形態に係る識別モデル生成装置は、疵発生確率が所定の数値を超えた短冊画像の数を演算し、疵発生確率が所定の数値を超えた数に基づいて疵の有無を判定してもよい。

１ 識別モデル生成装置
２１ 画像データ取得部
２２ 短冊画像データ生成部
２４ 学習用データ生成部
２５ 学習処理部
２６ 識別モデル出力部
２７ 装入条件決定部
２８ 装入条件出力部
３０ 識別モデル
１２１、２２１ 現在画像データ取得部
１２２、２２２ 現在短冊画像データ生成部
１２３、２２３ 現在画像入力部
１２４、２２４ 疵状態情報取得部
１２５、２２５ 疵状態情報出力部
２２６ 疵判定部
２２７ 疵判定結果出力部

Claims (11)

1. 識別モデルと、
   搬送方向に搬送される鋼材の１つの面を含む画像を示す画像データを取得する画像データ取得部と、
   前記画像データに対応する画像に含まれる鋼板の面を、長手方向が前記搬送方向に平行になるように分割した複数の短冊画像をそれぞれが示す複数の短冊画像データを生成する短冊画像データ生成部と、
   疵を含まないことを示す第１ラベル、及び前記搬送方向に平行に延伸するように形成される疵を含むことを示す第２ラベルを少なくとも含むラベルを、前記複数の短冊画像データのそれぞれに関連付けて学習用データを生成する学習用データ生成部と、
   前記学習用データを用いて前記複数の短冊画像と前記ラベルとの関係性を前記識別モデルに学習させる学習処理部と、
   前記複数の短冊画像と前記ラベルとの関係性を学習した前記識別モデルを出力する識別モデル出力部と、
   を有することを特徴とする識別モデル生成装置。
2. 前記短冊画像データ生成部は、前記複数の短冊画像のそれぞれが隣接する他の短冊画像と一部が重畳するように前記複数の短冊画像データを生成する、請求項１に記載の識別モデル生成装置。
3. 前記学習処理部は、単一の前記画像データから生成された前記学習用データを一括して前記識別モデルに学習させる、請求項１又は２に記載の識別モデル生成装置。
4. 前記画像データ取得部は、前記搬送方向の端部が互いに重畳するように前記画像データを複数回に亘って取得する、請求項１〜３の何れか一項に記載の識別モデル生成装置。
5. 前記ラベルは、異物が付着していることを示す第３ラベルを更に含む、請求項１〜４の何れか一項に記載の識別モデル生成装置。
6. 請求項１〜５の何れか一項に記載の識別モデル生成装置によって学習させられ、入力された画像に応じた前記ラベルを出力する識別モデルと、
   鋼材の面を含む現在画像を示す現在画像データを取得する現在画像データ取得部と、
   前記現在画像データに対応する画像を、長手方向が前記搬送方向に平行となる複数の短冊画像に分割して複数の現在短冊画像データを生成する現在短冊画像データ生成部と、
   前記現在短冊画像データを前記識別モデルに入力する現在画像入力部と、
   前記識別モデルから前記現在画像データの入力に応じた前記鋼材の面に形成された疵の状態を示す疵状態情報を取得する疵状態情報取得部と、
   前記識別モデルから出力される前記疵状態情報を示す疵状態情報信号を出力する疵状態情報出力部と、
   を有することを特徴とする鋼材疵判定装置。
7. 前記疵状態情報の前記現在画像における短手方向の位置毎の演算結果に基づいて、前記現在画像における短手方向の位置毎に疵の有無を判定する疵判定部と、
   前記疵判定部による判定結果である判定結果情報を示す判定結果情報信号を出力する疵判定結果出力部と、
   を更に有する、請求項６に記載の鋼材疵判定装置。
8. 搬送方向に搬送される鋼材の１つの面を含む画像を示す画像データを取得し、
   前記画像データに対応する画像に含まれる鋼板の面を、長手方向が前記搬送方向に平行になるように分割した複数の短冊画像をそれぞれが示す複数の短冊画像データを生成し、
   疵を含まないことを示す第１ラベル、及び前記搬送方向に平行に延伸するように形成される疵を含むことを示す第２ラベルを少なくとも含むラベルを、前記複数の短冊画像データのそれぞれに関連付けて学習用データを生成し、
   前記学習用データを用いて前記複数の短冊画像と前記ラベルとの関係性を識別モデルに学習させ、
   前記複数の短冊画像と前記ラベルとの関係性を学習した識別モデルを出力する、
   ことを含むことを特徴とする識別モデル生成方法。
9. 搬送方向に搬送される鋼材の１つの面を含む画像を示す画像データを取得し、
   前記画像データに対応する画像に含まれる鋼板の面を、長手方向が前記搬送方向に平行になるように分割した複数の短冊画像をそれぞれが示す複数の短冊画像データを生成し、
   疵を含まないことを示す第１ラベル、及び前記搬送方向に平行に延伸するように形成される疵を含むことを示す第２ラベルを少なくとも含むラベルを、前記複数の短冊画像データのそれぞれに関連付けて学習用データを生成し、
   前記学習用データを用いて前記複数の短冊画像と前記ラベルとの関係性を識別モデルに学習させ、
   前記複数の短冊画像と前記ラベルとの関係性を学習した識別モデルを出力する、
   処理をコンピュータに実行させることを特徴とする識別モデル生成プログラム。
10. 鋼材の面を含む現在の画像を示す現在画像データを取得し、
    前記現在画像データに対応する画像を、長手方向が前記搬送方向に平行となる複数の短冊画像に分割して複数の現在短冊画像データを生成し、
    前記現在短冊画像データを、請求項１〜５の何れか一項に記載の識別モデル生成装置によって学習させられ、入力された画像に応じた前記ラベルを出力する識別モデルに入力し、
    前記識別モデルから前記現在画像データの入力に応じた前記鋼材の面に形成された疵の状態を示す疵状態情報を取得し、
    前記識別モデルから出力される前記疵状態情報を示す疵状態情報信号を出力する、
    ことを含むことを特徴とする鋼材疵判定方法。
11. 鋼材の面を含む現在の画像を示す現在画像データを取得し、
    前記現在画像データに対応する画像を、長手方向が前記搬送方向に平行となる複数の短冊画像に分割して複数の現在短冊画像データを生成し、
    前記現在短冊画像データを、請求項１〜５の何れか一項に記載の識別モデル生成装置によって学習させられ、入力された画像に応じた前記ラベルを出力する識別モデルに入力し、
    前記識別モデルから前記現在画像データの入力に応じた前記鋼材の面に形成された疵の状態を示す疵状態情報を取得し、
    前記識別モデルから出力される前記疵状態情報を示す疵状態情報信号を出力する、
    処理をコンピュータに実行させる事を特徴とする鋼材疵判定プログラム。