JP2022023320A - 外観検査装置および外観検査方法、並びに、これに用いるプログラム - Google Patents

外観検査装置および外観検査方法、並びに、これに用いるプログラム Download PDF

Info

Publication number
JP2022023320A
JP2022023320A JP2020126173A JP2020126173A JP2022023320A JP 2022023320 A JP2022023320 A JP 2022023320A JP 2020126173 A JP2020126173 A JP 2020126173A JP 2020126173 A JP2020126173 A JP 2020126173A JP 2022023320 A JP2022023320 A JP 2022023320A
Authority
JP
Japan
Prior art keywords
inspection
images
normal
image
divided
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
JP2020126173A
Other languages
English (en)
Inventor
貴之 石黒
Takayuki Ishiguro
賢治 大崎
Kenji Osaki
仁 星野
Hitoshi Hoshino
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Roxy Co Ltd
Original Assignee
Roxy Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Roxy Co Ltd filed Critical Roxy Co Ltd
Priority to JP2020126173A priority Critical patent/JP2022023320A/ja
Publication of JP2022023320A publication Critical patent/JP2022023320A/ja
Pending legal-status Critical Current

Links

Images

Landscapes

  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Image Analysis (AREA)

Abstract

【課題】学習済モデルの効率的な学習または効率的な検査に資する技術を提供すること。【解決手段】検査対象９０の外観を複数のカメラ７０，７２，７４によって異なる方向から撮影した検査対象撮影画像５０ａ，５０ｂ，５０ｃを撮影方向毎に各別に記憶部３０に記憶し、当該各別に記憶した検査対象撮影画像５０ａ，５０ｂ，５０ｃそれぞれから異なる検査領域Ｒ１，Ｒ２，Ｒ３を選択して検査対象検査画像５２ａ，５２ｂ，５２ｃを抽出する。そして、抽出した各検査対象検査画像５２ａ，５２ｂ，５２ｃを所定サイズに分割すると共に、分割した複数の検査対象分割画像５４ａ，５４ｂ，５４ｃについて１つの学習済モデル３２により特徴量を抽出する。これにより、検査対象部位とは関係のない不要な領域の分割画像について特徴量を抽出する処理が発生しない。また、複数の学習済モデルを作成する必要がない。【選択図】図３

Description

本発明は、検査対象の外観を検査する外観検査装置および検査対象の外観を検査する外観検査方法、並びに、検査対象の外観を検査するためのプログラムに関するものである。
特開２０１９－２１１２８８号公報（特許文献１）には、コンベア上に配置された検査対象を上方および下方から撮影し、撮影した上面画像および下面画像のそれぞれから所定の検査領域を選択することによって、検査画像としての上面検査画像および下面検査画像を抽出し、抽出した当該上面検査画像および下面検査画像について、学習器を用いてそれぞれの特徴量を抽出して、抽出した当該特徴量に基づいて検査対象品の欠陥を検出する欠陥検出装置が記載されている。当該欠陥検出装置は、コンベア上に配置された検査対象の上面に発生する欠陥のみならず検査対象の下面に発生する欠陥も自動で検出することができる。
特開２０１９－２１１２８８号公報
ところで、検査対象が立体形状を有する場合、当該立体形状を構成する複数の面に欠陥が生じる得るため、検査対象の欠陥を確実に検出するためには、当該検査対象を複数方向から撮影した画像を用いることが必要となる。ここで、検査対象は、撮影する方向によって形状が異なることがあり得る。これら異なる形状を検査画像として抽出するためには、上述した公報に記載の欠陥検出装置のように、撮影方向から見たときの仮想投影面上における検査対象の投影面積が最も大きくなる検査画像を抽出することができるように、所定の検出領域を設定することが一般的に行われる。
しかしながら、このように所定の検出領域を設定した場合、検査画像によっては、検査部位とは関係のない不要な領域の画像についても特徴量を抽出する処理が発生するため、学習器の学習や欠陥の検出に不要な時間が発生する場合がある。一方、検査対象を各撮影方向から撮影した画像毎に異なる検査領域を設定すれば良いが、異なる検査領域で選択された各検査画像それぞれに応じて学習器を学習させる必要があり、学習器の学習に多大な時間が必要となる。
こうした不都合は、検査対象を複数の方向から撮影する場合の他、同じ種類だが仕様違いなどに起因して異なる形状を有する検査対象の検査を行う場合にも同様に発生する。上述した公報には、こうした点については、何ら言及がなされておらず、効率的な学習や効率的な検査といった点において、なお改良の余地がある。
本発明は、上記に鑑みてなされたものであり、学習済モデルの効率的な学習または効率的な検査に資する技術を提供することを目的の一つとする。
本発明に係る第１の外観検査装置の好ましい形態によれば、検査対象の外観を検査する外観検査装置が構成される。当該外観検査装置は、画像取得部と、設定部と、検査画像抽出部と、分割部と、学習器と、判別部と、を備えている。画像取得部は、検査対象の外観を少なくとも第１および第２方向から撮影した第１および第２撮影画像を取得する。領域設定部は、第１および第２撮影画像の検査するべき領域としての第１および第２検査領域を設定する。検査画像抽出部は、第１および第２撮影画像から第１および第２検査領域を選択して、検査画像としての第１および第２検査画像を抽出する。分割部は、抽出した第１および第２検査画像を所定サイズの複数の第１および第２分割画像に分割する。学習器は、分割部から提供される複数の第１および第２分割画像について特徴量を抽出可能な第１学習済モデルを有する。判別部は、特徴量に基づき第１および第２検査画像に欠陥があるか否かを判別する。ここで、本発明における「第１および第２検査領域」は、第１および第２撮影画像のうち検査対象部位としての検査対象の外観を含む必要最小限の領域として規定され、「第１および第２検査画像」は、第１および第２撮影画像から背景を含む検査対象以外の部分を除いた画像として規定される。
本発明によれば、同一の検査対象の外観を異なる方向から撮影した撮影画像毎に異なる検査領域を設定するため、第１学習済モデルが各検査画像の分割画像について特徴量を抽出する際に、検査対象部位とは関係のない不要な領域の分割画像について特徴量を抽出する処理が発生しない。また、異なる検査領域で抽出した各検査画像それぞれを所定サイズで複数に分割した複数の分割画像について、同一の第１学習済モデルが特徴量を抽出するため、複数の学習済モデルを作成する必要がない。これにより、学習済モデルの学習に要する時間、あるいは、欠陥の検出に要する時間の短縮を図ることができる。
本発明に係る第１の外観検査装置の更なる形態によれば、記憶部と、分割画像抽出部と、をさらに備える。記憶部は、欠陥があるか否かの教師信号が付された複数の第１および第２正常信号付き検査画像，および，複数の第１および第２異常信号付き検査画像と、複数の第１および第２正常信号付き検査画像，および，複数の第１および第２異常信号付き検査画像を所定サイズで分割した複数の第１および第２正常信号付き分割画像，および，複数の第１および第２異常信号付き分割画像と、を記憶する。分割画像抽出部は、複数の第１正常信号付き検査画像からの情報量と、複数の第２正常信号付き検査画像からの情報量と、が等しくなる態様で、複数の第１および第２正常信号付き２検査画像から複数の第１および第２正常信号付き分割画像を抽出する。そして、第１学習済モデルは、複数の第１および第２正常信号付き検査画像を用いた学習段階である場合、抽出された複数の第１および第２正常信号付き分割画像、および、記憶された複数の第１および第２異常信号付き分割画像について特徴量を抽出し、抽出した当該特徴量に基づき学習を行う。
本形態によれば、検査領域が異なるために生じ得る情報量の違いに起因して第１学習済モデルの学習に偏りが発生することを抑制することができる。これにより、第１学習済モデルを適正に学習させることができる。この結果、欠陥の検出精度の向上を図ることができる。なお、撮影条件が同じで、異なる方向から撮影した各撮影画像間で正常信号付き検査画像の映り方がほぼ同じ場合には、本発明の効果をより顕著なものとすることができる。
本発明に係る第１の外観検査装置の更なる形態によれば、分割画像抽出部は、記憶部に記憶された第１および第２正常信号付き検査画像それぞれの枚数をＩおよびＪとし、当該第１および第２正常信号付き検査画像それぞれの分割数をＫおよびＭとし、分割された各第１および第２正常信号付き分割画像をそれぞれＤｋ（ｋ＝１，２，・・・，Ｋである。以下同様）およびＤｍ（ｍ＝１，２，・・・，Ｍである。以下同様）としたとき、Ｉ枚の第１正常信号付き検査画像およびＪ枚の第２正常信号付き検査画像それぞれから次式（１）により求まる枚数Ｗを任意に抽出し、抽出したＷ枚の当該第１および第２正常信号付き検査画像それぞれからｋ番目およびｍ番目の第１および第２正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、第１正常信号付き検査画像についてはＫ回、第２正常信号付き検査画像についてはＭ回実施する。
（式１）
Ｗ＝Ｔ１／（Ｋ＋Ｍ）・・・・・・（１）
ただし、Ｔ１は、第１学習済モデルに入力可能な分割後の画像枚数である。
本形態によれば、検査領域が異なるために生じ得る情報量の違いを、簡易な方法で解消することができる。
本発明に係る第１の外観検査装置の更なる形態によれば、分割画像抽出部は、第１正常信号付き検査画像の枚数Ｉまたは第２正常信号付き検査画像の枚数Ｊが枚数Ｗ未満の場合には、全ての第１および第２正常信号付き検査画像それぞれからｋ番目およびｍ番目の第１および第２正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、第１正常信号付き検査画像についてはＫ回、第２正常信号付き検査画像についてはＭ回実施する。
本形態によれば、第１正常信号付き検査画像の枚数Ｉまたは第２正常信号付き検査画像の枚数Ｊが枚数Ｗ未満の場合であっても、検査領域が異なるために生じ得る情報量の違いを抑制することができる。
本発明に係る第２の外観検査装置の好ましい形態によれば、第１および第２検査対象の外観を検査する外観検査装置が構成される。当該外観検査装置は、画像取得部と、領域設定部と、検査画像抽出部と、分割部と、学習器と、判別部と、を備えている。画像取得部は、少なくとも第１および第２検査対象の外観を第３方向から撮影した第３および第４撮影画像を取得する。領域設定部は、第３および第４撮影画像の検査するべき領域としての第３および第４検査領域を設定する。検査画像抽出部は、第３および第４撮影画像から第３および第４検査領域を選択して、検査画像としての第３および第４検査画像を抽出する。分割部は、抽出した第３および第４検査画像を所定サイズの複数の第３および第４分割画像に分割する。学習器は、分割部から提供される複数の第３および第４分割画像について特徴量を抽出可能な第２学習済モデルを有する。そして、判別部は、抽出した特徴量に基づき第３および第４検査画像に欠陥があるか否かを判別する。
本発明によれば、異なる検査対象を同方向から撮影した撮影画像毎に異なる検査領域を設定するため、第２学習済モデルが各検査画像の分割画像について特徴量を抽出する際に、検査対象部位とは関係のない不要な領域の分割画像について特徴量を抽出する処理が発生しない。また、異なる検査領域で抽出した各検査画像それぞれを所定サイズで複数に分割した複数の分割画像について、同一の第２学習済モデルが特徴量を抽出するため、複数の学習器を作成する必要がない。これにより、学習済モデルの学習に要する時間、あるいは、欠陥の検出に要する時間の短縮を図ることができる。
本発明に係る第２の外観検査装置の更なる形態によれば、記憶部と、分割画像抽出部と、をさらに備える。記憶部は、欠陥があるか否かの教師信号が付された複数の第３および第４正常信号付き検査画像，および，複数の第３および第４異常信号付き検査画像と、複数の第３および第４正常信号付き検査画像，および，複数の第３および第４異常信号付き検査画像を所定サイズで分割した複数の第３および第４正常信号付き分割画像，および，複数の第３および第４異常信号付き分割画像と、を記憶する。分割画像抽出部は、複数の第３正常信号付き検査画像からの情報量と、複数の第４正常信号付き検査画像からの情報量と、が等しくなる態様で、複数の第３および第４正常信号付き検査画像から複数の第３および第４正常信号付き分割画像を抽出する。そして、第２学習済モデルは、複数の第３および第４正常信号付き検査画像を用いた学習段階である場合、抽出された複数の第３および第４正常信号付き分割画像、および、記憶された複数の第３および第４異常信号付き分割画像について特徴量を抽出し、抽出した当該特徴量に基づき学習を行う。
本形態によれば、検査領域が異なるために生じ得る情報量の違いに起因して第２学習済モデルの学習に偏りが発生することを抑制することができる。これにより、第２学習済モデルを適正に学習させることができる。この結果、欠陥の検出精度の向上を図ることができる。なお、撮影条件が同じで、異なる検査対象を同方向から撮影した各撮影画像間で正常信号付き検査画像の映り方がほぼ同じ場合には、本発明の効果をより顕著なものとすることができる。
本発明に係る第２の外観検査装置の更なる形態によれば、分割画像抽出部は、記憶部に記憶された第３および第４正常信号付き検査画像それぞれの枚数をＩおよびＪとし、当該第３および第４正常信号付き検査画像それぞれの分割数をＫおよびＭとし、分割された各第３および第４正常信号付き分割画像をそれぞれＤｋ（ｋ＝１，２，・・・，Ｋである。以下同様）およびＤｍ（ｍ＝１，２，・・・，Ｍである。以下同様）としたとき、Ｉ枚の第３正常信号付き検査画像およびＪ枚の第４正常信号付き検査画像それぞれから次式（２）により求まる枚数Ｗを任意に抽出し、抽出したＷ枚の当該第３および第４正常信号付き検査画像それぞれからｋ番目およびｍ番目の第３および第４正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、第３正常信号付き検査画像についてはＫ回、第４正常信号付き検査画像についてはＭ回実施する。
（式２）
Ｗ＝Ｔ２／（Ｋ＋Ｍ）・・・・・・（２）
ただし、Ｔ２は、第２学習済モデルに入力可能な画像枚数である。
本形態によれば、検査領域が異なるために生じ得る情報量の違いを、簡易な方法で解消することができる。
本発明に係る第２の外観検査装置の更なる形態によれば、分割画像抽出部は、第３正常信号付き検査画像の枚数Ｉまたは第４正常信号付き検査画像の枚数Ｊが枚数Ｗ未満の場合には、全ての第３および第４正常信号付き検査画像それぞれからｋ番目およびｍ番目の第３および第４正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、第３正常信号付き検査画像についてはＫ回、第４正常信号付き検査画像についてはＭ回実施する。
本形態によれば、第３正常信号付き検査画像の枚数Ｉまたは第４正常信号付き検査画像の枚数Ｊが枚数Ｗ未満の場合であっても、検査領域が異なるために生じ得る情報量の違いを抑制することができる。
本発明に係る第１の外観検査方法の好ましい形態によれば、検査対象の外観を検査する外観検査方法が構成される。当該外観検査方法は、（ａ）検査対象の外観を少なくとも第１および第２方向から撮影した第１および第２撮影画像を取得し、（ｂ）当該第１および第２撮影画像の検査するべき領域としての第１および第２検査領域を設定し、（ｃ）第１および第２撮影画像から第１および第２検査領域を選択して、検査画像としての第１および第２検査画像を抽出し、（ｄ）抽出した複数の第１および第２検査画像を所定サイズの複数の第１および第２分割画像に分割し、（ｅ）複数の第１および第２分割画像について第１学習済モデルを用いて特徴量を抽出し、（ｆ）抽出した特徴量に基づき第１および第２検査画像に欠陥があるか否かを判別する。
本発明によれば、検査対象の外観を異なる方向から撮影した撮影画像毎に異なる検査領域を設定するため、第１学習済モデルが各検査画像の分割画像について特徴量を抽出する際に、検査対象部位とは関係のない不要な領域の分割画像について特徴量を抽出する処理が発生しない。また、異なる検査領域で抽出した各検査画像それぞれを所定サイズで複数に分割した複数の分割画像について、同一の第１学習済モデルが特徴量を抽出するため、複数の学習器を作成する必要がない。これにより、学習済モデルの学習に要する時間、あるいは、欠陥の検出に要する時間の短縮を図ることができる。
本発明に係る第１の外観検査方法の更なる形態によれば、欠陥があるか否かの教師信号が付された複数の第１および第２正常信号付き検査画像，および，複数の第１および第２異常信号付き検査画像と、複数の第１および第２正常信号付き検査画像，および，複数の第１および第２異常信号付き検査画像を所定サイズで分割した複数の第１および第２正常信号付き分割画像，および，複数の第１および第２異常信号付き分割画像と、を記憶するステップ（ｇ）と、複数の第１正常信号付き検査画像からの情報量と、複数の第２正常信号付き検査画像からの情報量と、が等しくなる態様で、複数の第１および第２正常信号付き２検査画像から複数の第１および第２正常信号付き分割画像を抽出するステップ（ｈ）と、をさらに備えている。そして、ステップ（ｅ）は、第１学習済モデルが複数の第１および第２正常信号付き検査画像を用いた学習段階である場合、ステップ（ｈ）で抽出した複数の第１および第２正常信号付き分割画像、および、記憶された複数の第１および第２異常信号付き分割画像について特徴量を抽出し、抽出した当該特徴量に基づき学習を行うステップを含んでいる。
本形態によれば、検査領域が異なるために生じ得る情報量の違いに起因して第１学習済モデルの学習に偏りが発生することを抑制することができる。これにより、第１学習済モデルを適正に学習させることができる。この結果、欠陥の検出精度の向上を図ることができる。なお、撮影条件が同じで、異なる方向から撮影した各撮影画像間で正常信号付き検査画像の映り方がほぼ同じ場合には、本発明の効果をより顕著なものとすることができる。
本発明に係る第１の外観検査方法の更なる形態によれば、ステップ（ｈ）は、記憶した第１および第２正常信号付き検査画像それぞれの枚数をＩおよびＪとし、当該第１および第２正常信号付き検査画像それぞれの分割数をＫおよびＭとし、分割された各第１および第２正常信号付き分割画像をそれぞれＤｋ（ｋ＝１，２，・・・，Ｋである。以下同様）およびＤｍ（ｍ＝１，２，・・・，Ｍである。以下同様）としたとき、Ｉ枚の第１正常信号付き検査画像およびＪ枚の第２正常信号付き検査画像それぞれから次式（３）により求まる枚数Ｗを任意に抽出し、抽出したＷ枚の当該第１および第２正常信号付き検査画像それぞれからｋ番目およびｍ番目の第１および第２正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、第１正常信号付き検査画像についてはＫ回、第２正常信号付き検査画像についてはＭ回実施するステップを含んでいる。
（式３）
Ｗ＝Ｔ１／（Ｋ＋Ｍ）・・・・・・（３）
ただし、Ｔ１は、第１学習済モデルに入力可能な画像枚数である。
本形態によれば、検査領域が異なるために生じ得る情報量の違いを、簡易な方法で解消することができる。
本発明に係る第１の外観検査方法の更なる形態によれば、ステップ（ｈ）は、第１正常信号付き検査画像の枚数Ｉまたは第２正常信号付き検査画像の枚数Ｊが枚数Ｗ未満の場合には、全ての第１および第２正常信号付き検査画像それぞれからｋ番目およびｍ番目の第１および第２正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、第１正常信号付き検査画像についてはＫ回、第２正常信号付き検査画像についてはＭ回実施する。
本形態によれば、第１正常信号付き検査画像の枚数Ｉまたは第２正常信号付き検査画像の枚数Ｊが枚数Ｗ未満の場合であっても、検査領域が異なるために生じ得る情報量の違いを抑制することができる。
本発明に係る第２の外観検査方法の好ましい形態によれば、第１および第２検査対象の外観を検査する外観検査方法が構成される。当該外観検査方法は、（ｉ）第１および第２検査対象の外観を第３方向から撮影した第３および第４撮影画像を取得し、（ｊ）第３および第４撮影画像の検査するべき領域としての第３および第４検査領域を設定し、（ｋ）第３および第４撮影画像から第３および第４検査領域を選択して、検査画像としての第３および第４検査画像を抽出し、（ｌ）抽出した第３および第４検査画像を所定サイズの複数の第３および第４分割画像に分割し、（ｍ）複数の第３および第４分割画像について第２学習済モデルを用いて特徴量を抽出し、（ｎ）抽出した特徴量に基づき第３および第４検査画像に欠陥があるか否かを判別する。
本発明によれば、異なる検査対象を同方向から撮影した撮影画像毎に異なる検査領域を設定するため、第２学習済モデルが各検査画像の分割画像について特徴量を抽出する際に、検査対象部位とは関係のない不要な領域の分割画像について特徴量を抽出する処理が発生しない。また、異なる検査領域で抽出した各検査画像それぞれを所定サイズで複数に分割した複数の分割画像について、同一の第２学習済モデルが特徴量を抽出するため、複数の学習器を作成する必要がない。これにより、学習済モデルの学習に要する時間、あるいは、欠陥の検出に要する時間の短縮を図ることができる。
本発明に係る第２の外観検査方法の更なる形態によれば、欠陥があるか否かの教師信号が付された複数の第３および第４正常信号付き検査画像，および，複数の第３および第４異常信号付き検査画像と、複数の第３および第４正常信号付き検査画像，および，複数の第３および第４異常信号付き検査画像を所定サイズで分割した複数の第３および第４正常信号付き分割画像，および，複数の第３および第４異常信号付き分割画像と、を記憶するステップ（ｏ）と、複数の第３正常信号付き検査画像からの情報量と、複数の第４正常信号付き検査画像からの情報量と、が等しくなる態様で、複数の第３および第４正常信号付き検査画像から複数の第３および第４正常信号付き分割画像を抽出するステップ（ｐ）と、をさらに備えている。そして、ステップ（ｍ）は、第２学習済モデルが複数の第３および第４正常信号付き検査画像を用いた学習段階である場合、ステップ（ｐ）で抽出した複数の第３および第４正常信号付き分割画像、および、記憶された複数の第３および第４異常信号付き分割画像について特徴量を抽出し、抽出した当該特徴量に基づき学習を行うステップを含んでいる。
本形態によれば、検査領域が異なるために生じ得る情報量の違いに起因して第２学習済モデルの学習に偏りが発生することを抑制することができる。これにより、第２学習済モデルを適正に学習させることができる。この結果、欠陥の検出精度の向上を図ることができる。なお、撮影条件が同じで、異なる検査対象を同方向から撮影した各撮影画像間で正常信号付き検査画像の映り方がほぼ同じ場合には、本発明の効果をより顕著なものとすることができる。
本発明に係る第２の外観検査方法の更なる形態によれば、ステップ（ｐ）は、記憶された第３および第４正常信号付き検査画像それぞれの枚数をＩおよびＪとし、当該第３および第４正常信号付き検査画像それぞれの分割数をＫおよびＭとし、分割された各第３および第４正常信号付き分割画像をそれぞれＤｋ（ｋ＝１，２，・・・，Ｋである。以下同様）およびＤｍ（ｍ＝１，２，・・・，Ｍである。以下同様）としたとき、Ｉ枚の第３正常信号付き検査画像およびＪ枚の第４正常信号付き検査画像それぞれから次式（４）により求まる枚数Ｗを任意に抽出し、抽出したＷ枚の当該第３および第４正常信号付き検査画像それぞれからｋ番目およびｍ番目の第３および第４正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、第３正常信号付き検査画像についてはＫ回、第４正常信号付き検査画像についてはＭ回実施するステップを含んでいる。
（式４）
Ｗ＝Ｔ２／（Ｋ＋Ｍ）・・・・・・（４）
ただし、Ｔ２は、第２学習済モデルに入力可能な画像枚数である。
本形態によれば、検査領域が異なるために生じ得る情報量の違いを、簡易な方法で解消することができる。
本発明に係る第２の外観検査方法の更なる形態によれば、ステップ（ｐ）は、第３正常信号付き検査画像の枚数Ｉまたは第４正常信号付き検査画像の枚数Ｊが枚数Ｗ未満の場合には、全ての第３および第４正常信号付き検査画像それぞれからｋ番目およびｍ番目の第３および第４正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、第３正常信号付き検査画像についてはＫ回、第４正常信号付き検査画像についてはＭ回実施する。
本形態によれば、第３正常信号付き検査画像の枚数Ｉまたは第４正常信号付き検査画像の枚数Ｊが枚数Ｗ未満の場合であっても、検査領域が異なるために生じ得る情報量の違いを抑制することができる。
本発明に係るプログラムの好ましい形態によれば、検査対象または第１および第２検査対象の外観を検査するためのプログラムが構成される。当該プログラムは、上述したいずれかの態様の本発明に係る外観検査方法の各ステップを１又は複数のコンピュータに実行させるためのものである。当該プログラムは、コンピュータが読み取り可能な記録媒体、例えば、ハードディスクやＲＯＭ、ＳＳＤ、フラッシュメモリ（ＵＳＢメモリ、ＳＤカードなど）、フロッピーディスク、ＣＤ、ＤＶＤなどに記録されていても良いし、伝送媒体、例えば、インターネットやＬＡＮなどの通信網を介してあるコンピュータから別のコンピュータへ配信されても良いし、あるいは、その他如何なる態様で授受されても良い。
本発明によれば、プログラムを一つのコンピュータに実行させるか又は複数のコンピュータに各ステップを分担して実行させることによって、上述したいずれかの態様の本発明に係る外観検査方法の各ステップが実行されるため、上述した本発明に係る外観検査方法と同様の作用効果、例えば、学習済モデルの学習に要する時間、あるいは、当該学習済モデルを用いた欠陥の検出に要する時間の短縮を図ることができるという効果や、欠陥の検出精度の向上を図ることができるという効果を得ることができる。
本発明によれば、学習済モデルの効率的な学習または効率的な検査に資する技術を提供することができる。
本発明の実施の形態に係る外観検査装置として機能するコンピュータ１の構成の概略を示す構成図である。 本発明の実施の形態に係る外観検査装置として機能するコンピュータ１の機能構成を示す機能ブロック図である。 本発明の実施の形態に係る外観検査装置として機能するコンピュータ１の機能構成を模式的に示す模式図である。 画像学習処理ルーチンの一例を示すフローチャートである。 画像学習処理ルーチンから分岐した部分のフローチャートである。 画像学習処理ルーチンから分岐した部分のフローチャートである。 判別処理ルーチンの一例を示すフローチャートである。 正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘが所定サイズの複数の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙに分割された様子を示す説明図である。 欠陥品サンプル検査画像ＤＥ１ｆ，ＤＥ２ｇ，ＤＥ３ｈが所定サイズの複数の欠陥品サンプル分割画像ＤＤ１ｑ，ＤＤ２ｕ，ＤＤ３ｓに分割された様子を示す説明図である。 複数の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙに分割された複数の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘが記憶部３０に記憶された様子を概念的に示す説明図である。 複数の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘからＷ枚をランダムに抽出すると共に、抽出された各正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘそれぞれから１番目の正常品サンプル分割画像ＮＤ１1，ＮＤ２1，ＮＤ３1が抽出される様子を示す説明図である。 複数の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘからＷ枚をランダムに抽出すると共に、抽出された各正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘそれぞれから２番目の正常品サンプル分割画像ＮＤ１2，ＮＤ２2，ＮＤ３2が抽出される様子を示す説明図である。 複数の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘからＷ枚をランダムに抽出すると共に、抽出された各正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘそれぞれからＫ番目，Ｍ番目，Ｙ番目の正常品サンプル分割画像ＮＤ１K，ＮＤ２M，ＮＤ３Yが抽出される様子を示す説明図である。 正常品学習用分割画像ＬＤ１ｗｋ，ＬＤ２ｗｍ，ＬＤ３ｗｙを示す説明図である。 変形例の外観検査装置の機能構成を模式的に示す模式図である。 変形例の外観検査装置の機能構成を模式的に示す模式図である。
次に、本発明を実施するための最良の形態を実施例を用いて説明する。
本実施の形態に係る外観検査装置は、図１に示すように、例えば、ベルトコンベアＢＣによって搬送されてくる検査対象９０が、３つのカメラ７０，７２，７４によって３方向から撮影された画像を用いて、当該検査対象９０の外観検査を行う装置であり、ＣＰＵ２、ＲＯＭ４、ＲＡＭ６を中心とした汎用のコンピュータ１として構成されている。本実施の形態に係る外観検査装置として機能するコンピュータ１は、画像処理を行う際に必要な計算処理や行列演算処理を行うＧＰＵ８、各種アプリケーションプログラム（単にアプリケーションと称する）や画像データを含む各種データを記憶する大容量メモリであるハードディスク（ＨＤＤ）１０、カメラ７０，７２，７４などの外部機器とのデータの入出力を行う入出力インターフェイス（Ｉ／Ｆ）１２などを備えている。なお、検査対象９０は、例えば、製造過程にある部品や製品等である。コンピュータ１は、本発明における「外観検査装置」に対応する実施構成の一例である。
また、コンピュータ１は、ユーザが各種指令を入力するキーボードおよびマウス等の入力装置１４や、各種情報を表示するディスプレイ６０などを備えている。ＣＰＵ２やＲＯＭ４、ＲＡＭ６、ＧＰＵ８、ＨＤＤ１０、Ｉ／Ｆ１２、入力装置１４、ディスプレイ６０などは、バス８０によって電気的に接続され、互いに各種制御信号やデータのやり取りができるように構成されている。
当該コンピュータ１は、ユーザが入力装置１４を介してディスプレイ６０に表示されたカーソル等を力操作すると、その入力操作に応じた動作を実行する機能を有している。また、当該コンピュータ１は、ＨＤＤ１０に格納されたアプリケーション、具体的には、検査対象９０の外観検査を実行する外観検査アプリケーションによって各種処理が実行されることで、本実施の形態に係る外観検査装置として機能する。なお、本実施の形態では、外観検査装置としてコンピュータ１によって実現可能な構成としたが、専用装置として実現しても良い。
また、コンピュータ１には、図２に示すように、ＣＰＵ２やＲＯＭ４、ＲＡＭ６、ＧＰＵ８、ＨＤＤ１０、Ｉ／Ｆ１２、入力装置１４、ディスプレイ６０など（図１参照）の前述したハードウェア資源と、外観検査アプリケーションの各処理の１つである本実施の形態に係る欠陥有無判定プログラムといったソフトウェアと、の一方または双方の協働により、画像取得部２０や、領域設定部２１、検査画像抽出部２２、分割部２４、分割画像抽出部２５、学習器２６、判別部２８、記憶部３０等が機能ブロックとして構成されている。換言すれば、これらの各部（画像取得部２０、領域設定部２１、検査画像抽出部２２、分割部２４、分割画像抽出部２５、学習器２６、判別部２８、記憶部３０）は、ＨＤＤ１０からＲＡＭ６上に展開されたアプリケーションを実行するＣＰＵ２からの命令によって、図１に示す各構成要素（ＣＰＵ２やＲＯＭ４、ＲＡＭ６、ＧＰＵ８、ＨＤＤ１０、Ｉ／Ｆ１２、入力装置１４、ディスプレイ６０など）が単独あるいは協働して動作することにより実現される機能であると言うことができる。なお、画像取得部２０や、領域設定部２１、検査画像抽出部２２、分割部２４、分割画像抽出部２５、学習器２６、判別部２８、記憶部３０等は、アドレスバスやデータバスなどのバスライン８２によって電気的に接続されている。
画像取得部２０は、図３に示すように、カメラ７０，７２，７４によって撮影され記憶部３０に各別に記憶された正常品サンプル撮影画像ＮＰ１ｉ（ｉ＝１，２，・・・，Ｉである。以下同様），ＮＰ２ｊ（ｊ＝１，２，・・・，Ｊである。以下同様），ＮＰ３ｘ（ｘ＝１，２，・・・，Ｘである。以下同様）や、欠陥品サンプル撮影画像ＤＰ１ｆ（ｆ＝１，２，・・・，Ｆである。以下同様），ＤＰ２ｇ（ｇ＝１，２，・・・，Ｇである。以下同様），ＤＰ３ｈ（ｈ＝１，２，・・・，Ｈである。以下同様）、検査対象撮影画像５０ａ，５０ｂ，５０ｃを各別に取得する。なお、正常品サンプル撮影画像ＮＰ１ｉは、正常品である検査対象９０をカメラ７０によって撮影した教師信号付き画像であり、正常品サンプル撮影画像ＮＰ２ｊは、正常品である検査対象９０をカメラ７２によって撮影した教師信号付き画像であり、正常品サンプル撮影画像ＮＰ３ｘは、正常品である検査対象９０をカメラ７４によって撮影した教師信号付き画像である。また、欠陥品サンプル撮影画像ＤＰ１ｆは、欠陥品である検査対象９０をカメラ７０によって撮影した教師信号付き画像であり、欠陥品サンプル撮影画像ＤＰ２ｇは、欠陥品である検査対象９０をカメラ７２によって撮影した教師信号付き画像であり、欠陥品サンプル撮影画像ＤＰ３ｈは、欠陥品である検査対象９０をカメラ７４によって撮影した教師信号付き画像である。正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘ、欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈ、および、検査対象撮影画像５０ａ，５０ｂ，５０ｃは、本発明における「第１撮影画像」や「第２撮影画像」に対応する実施構成の一例である。
領域設定部２１は、正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘや、欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈ、検査対象撮影画像５０ａ，５０ｂ，５０ｃの検査するべき領域として、それぞれ検査領域Ｒ１，Ｒ２，Ｒ３を設定する（図８および図９参照。なお、図８には、正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘの場合のみが記載されており、図９には、欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈの場合のみが記載されている。）。
検査画像抽出部２２は、図３に示すように、画像取得部２０によって各別に取得された正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘや、欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈ、検査対象撮影画像５０ａ，５０ｂ，５０ｃそれぞれから対応する検査領域Ｒ１，Ｒ２，Ｒ３を選択して、検査画像としての正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘや、欠陥品サンプル検査画像ＤＥ１ｆ，ＤＥ２ｇ，ＤＥ３ｈ、検査対象検査画像５２ａ，５２ｂ，５２ｃを各別に抽出し、抽出した正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘや、欠陥品サンプル検査画像ＤＥ１ｆ，ＤＥ２ｇ，ＤＥ３ｈ、検査対象検査画像５２ａ，５２ｂ，５２ｃを各別に記憶部３０に記憶する。正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘは、本発明における「第１正常信号付き検査画像」や「第２正常信号付き検査画像」に対応し、欠陥品サンプル検査画像ＤＥ１ｆ，ＤＥ２ｇ，ＤＥ３ｈは、本発明における「第１異常信号付き検査画像」や「第２異常信号付き検査画像」に対応し、検査対象検査画像５２ａ，５２ｂ，５２ｃは、本発明における「第１検査画像」や「第２検査画像」に対応する実施構成の一例である。
分割部２４は、図３に示すように、検査画像抽出部２２によって各別に抽出された正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘや欠陥品サンプル検査画像ＤＥ１ｆ，ＤＥ２ｇ，ＤＥ３ｈをそれぞれ所定サイズの複数の正常品サンプル分割画像ＮＤ１ｋ（ｋ＝１，２，・・・，Ｋである。以下同様），ＮＤ２ｍ（ｍ＝１，２，・・・，Ｍである。以下同様），ＮＤ３ｙ（ｙ＝１，２，・・・，Ｙである。以下同様）や、複数の欠陥品サンプル分割画像ＤＤ１ｑ（ｑ＝１，２，・・・，Ｑである。以下同様），ＤＤ３ｓ（ｓ＝１，２，・・・，Ｓである。以下同様），ＤＤ２ｕ（ｕ＝１，２，・・・，Ｕである。以下同様）に分割する（図８および図９参照）。また、分割部２４は、検査画像抽出部２２によって各別に抽出された検査対象検査画像５２ａ，５２ｂ，５２ｃを複数の検査対象分割画像５４ａ，５４ｂ，５４ｃに分割する。さらに、分割部２４は、分割した複数の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙや、複数の欠陥品サンプル分割画像ＤＤ１ｑ，ＤＤ２ｕ，ＤＤ３ｓ、複数の検査対象分割画像５４ａ，５４ｂ，５４ｃを各別に記憶部３０に記憶する。正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙは、本発明における「第１正常信号付き分割画像」や「第２正常信号付き分割画像」に対応し、欠陥品サンプル分割画像ＤＤ１ｑ，ＤＤ２ｕ，ＤＤ３ｓは、本発明における「第１異常信号付き分割画像」や「第２異常信号付き分割画像」に対応し、検査対象分割画像５４ａ，５４ｂ，５４ｃは、本発明における「第１分割画像」や「第２分割画像」に対応する実施構成の一例である。
分割画像抽出部２５は、学習済モデル３２の学習に用いるための正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘの枚数Ｗを演算する。また、分割画像抽出部２５は、記憶部３０に各別に記憶された正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘの枚数Ｉ，Ｊ，Ｘ（図１０参照）と、枚数Ｗと、を比較して、枚数Ｉ，Ｊ，Ｘの全てが枚数Ｗ以上であれば、当該枚数Ｗを、学習済モデル３２の学習に用いるための正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘの枚数として設定し、枚数Ｉ，Ｊ，Ｘの中に枚数Ｗよりも少ないものがあれば、当該枚数Ｗよりも少ない枚数Ｉ，Ｊ，Ｘを、学習済モデル３２の学習に用いるための正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘの枚数として設定する。そして、分割画像抽出部２５は、記憶部３０に各別に記憶されたＩ，Ｊ，Ｘ枚の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘ（図１０参照）から設定した枚数Ｗ（ｏｒ Ｉ，Ｊ，Ｘ）をランダムに抽出し（図１１参照。なお、図１１は、Ｉ，Ｊ，Ｘ≧Ｗの場合において、Ｉ，Ｊ，Ｘ枚からＷ枚をランダムに抽出する様子を示す。）、抽出した正常品サンプル検査画像ＮＥ１（ｗ ｏｒ ｉ），ＮＥ２（ｗ ｏｒ ｊ），ＮＥ３（ｗ ｏｒ ｘ）それぞれからｋ番目，ｍ番目，ｙ番目の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを抽出する処理をそれぞれＫ回，Ｍ回，Ｙ回実施して（図１２および図１３参照。なお、図１２および図１３は、Ｉ，Ｊ，Ｘ≧Ｗの場合において、Ｉ，Ｊ，Ｘ枚からＷ枚をランダムに抽出する様子を示す。）、抽出した正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを、正常品学習用分割画像ＬＤ１ｗｋ（ｗ＝１，２，・・・，Ｗである。以下同様），ＬＤ２ｗｍ，ＬＤ３ｗｙとして各別に記憶部３０に記憶する（図１４参照）。正常品学習用分割画像ＬＤ１ｗｋ，ＬＤ２ｗｍ，ＬＤ３ｗｙは、本発明における「第１正常信号付き分割画像Ｄｋ」や「第２正常信号付き分割画像Ｄｍ」に対応する実施構成の一例である。また、枚数Ｉ，Ｊ，Ｘは、本発明における「第１正常信号付き検査画像それぞれの枚数Ｉ」や「第２正常信号付き検査画像枚数Ｊ」に対する実施構成の一例である。
学習器２６は、複数の正常品学習用分割画像ＬＤ１ｗｋ，ＬＤ２ｗｍ，ＬＤ３ｗｙや、複数の欠陥品サンプル分割画像ＤＤ１ｑ，ＤＤ２ｕ，ＤＤ３ｓ、検査対象分割画像５４ａ，５４ｂ，５４ｃについて特徴量を抽出する。本実施の形態では、検査対象９０の外観に欠陥があるか否かの判別を精度よく行うことができるような特徴量を抽出することができるように、学習器２６は、ディープメトリックラーニングを用いて演算パラメータを修正して学習を行う構成とした。即ち、学習器２６は、抽出した特徴量間の距離を算定して、算定した当該距離に基づき誤差逆伝搬法および勾配降下法によりパラメータの修正を行う一連の処理にディープメトリックラーニングを適用した。学習器２６は、図３に示すように、記憶部２０に各別に記憶された複数の正常品学習用分割画像ＬＤ１ｗｋ，ＬＤ２ｗｍ，ＬＤ３ｗｙや複数の欠陥品サンプル分割画像ＤＤ１ｑ，ＤＤ２ｕ，ＤＤ３ｓを区別することなく読み込んで予め学習を行い、１つの学習済モデル３２を作成し、当該学習済モデル３２を記憶部３０に記憶する。そして、当該作成された学習済モデル３２は、記憶部２０に各別に記憶された検査対象分割画像５４ａ，５４ｂ，５４ｃを区別することなく読み込み、読み込んだ検査対象分割画像５４ａ，５４ｂ，５４ｃについて特徴量の抽出を行う。
判別部２８は、学習器２６によって抽出された特徴量に基づいて、検査対象９０の外観に欠陥があるか否かの判別を行う。なお、当該判別結果は、ディスプレイ６０に表示される。判別部２８には、例えば、勾配ブースティングや、サポートベクターマシーン、ランダムフォレスト、ニューラルネットワーク、ガウス正規化、アンサンブル検査などの所謂統計的機械学習を用いることができる。なお、判別部２８は、判別済の検査対象撮影画像５０ａ，５０ｂ，５０ｃ、検査対象検査画像５２ａ，５２ｂ，５２ｃ、および、複数の検査対象分割画像５４ａ，５４ｂ，５４ｃを後述する判別対象画像領域５６に移動させる。
記憶部３０は、ＲＡＭ６およびＨＤＤ１０の少なくとも一方に確保される。記憶部３０は、学習済モデル３２や、検査領域Ｒ１，Ｒ２，Ｒ３、カメラ７０，７２，７４によって撮影された複数の正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘ、複数の欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈ、検査対象撮影画像５０ａ，５０ｂ，５０ｃ、検査画像抽出部によって抽出された複数の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘ、複数の欠陥品サンプル検査画像ＤＥ１ｆ，ＤＥ２ｇ，ＤＥ３ｈ、検査対象検査画像５２ａ，５２ｂ，５２ｃ、分割部によって分割された複数の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙ、複数の欠陥品サンプル分割画像ＤＤ１ｑ，ＤＤ２ｕ，ＤＤ３ｓ、複数の検査対象分割画像５４ａ，５４ｂ，５４ｃ、分割画像抽出部２５によって抽出された複数の正常品学習用分割画像ＬＤ１ｗｋ，ＬＤ２ｗｍ，ＬＤ３ｗｘを記憶する。なお、記憶部３０は、カメラ７０によって撮影された正常品サンプル撮影画像ＮＰ１ｉ、欠陥品サンプル撮影画像ＤＰ１ｆおよび検査対象撮影画像５０ａと、カメラ７２によって撮影された正常品サンプル撮影画像ＮＰ２ｊ、欠陥品サンプル撮影画像ＤＰ２ｇおよび検査対象撮影画像５０ｂと、カメラ７４によって撮影された正常品サンプル撮影画像ＮＰ３ｘ、欠陥品サンプル撮影画像ＤＰ３ｈおよび検査対象撮影画像と、を各別に記憶する（図３参照）。また、記憶部３０は、判別済の検査対象撮影画像５０ａ，５０ｂ，５０ｃ、検査対象検査画像５２ａ，５２ｂ，５２ｃ、および、複数の検査対象分割画像５４ａ，５４ｂ，５４ｃを記憶する判別済検査対象画像領域５６を有している。
次に、外観検査アプリケーションが起動されたときにコンピュータ１において実行される欠陥有無判定プログラムについて説明する。まず、画像学習処理ルーチンについて説明し、続いて、判別処理ルーチンについて説明する。図４は、画像学習処理ルーチンの一例を示すメインフローチャートであり、図５および図６は、図４のメインフローチャートから分岐したサブフローチャートであり、図７は、判別処理ルーチンの一例を示すフローチャートである。
画像学習処理ルーチンは、例えば、各種コマンドボタンの中から「学習済モデルの作成」ボタンを押したときに実行される。画像学習処理ルーチンは、主にコンピュータ１の画像取得部２０、領域設定部２１、検査画像抽出部２２、分割部２４、分割画像抽出部２５、および、学習器２６により実行される。
画像学習処理が実行されると、まず、画像取得部２０は、学習対象が欠陥を有さない正常品であるのか、あるいは、欠陥を有する欠陥品であるのかの判定を行う処理を実行する（ステップＳ１００）。当該判定は、例えば、ユーザが各種コマンドボタンの中から「正常品の学習」あるいは「欠陥品の学習」のいずれを選択したかに基づき判定することができる。
画像取得部２０は、学習対象が正常品であると判定した場合、記憶部３０に記憶された複数の正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘを取得する処理を実行する（ステップＳ１０２）。
続いて、領域設定部２１が、各正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘに対応する検査領域Ｒ１，Ｒ２，Ｒ３を設定する処理を実行する（ステップＳ１０４）。即ち、正常品サンプル撮影画像ＮＰ１ｉに対しては検査領域Ｒ１を設定し、正常品サンプル撮影画像ＮＰ２ｊに対しては検査領域Ｒ２を設定し、正常品サンプル撮影画像ＮＰ３ｘに対しては検査領域Ｒ３を設定する。検査領域Ｒ１，Ｒ２，Ｒ３は、本発明における「第１検査領域」や「第２検査領域」に対応する実施構成の一例である。
そして、検査画像抽出部２２が、各正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘから対応する検査領域Ｒ１，Ｒ２，Ｒ３を選択して、検出画像としての正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘを抽出すると共に（図８および図１０参照）、抽出した正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘを記憶部３０に記憶する処理を実行する（ステップＳ１０６）。即ち、各正常品サンプル撮影画像ＮＰ１ｉから検査領域Ｒ１を選択して、正常品サンプル検査画像ＮＥ１ｉを抽出し、各正常品サンプル撮影画像ＮＰ２ｊから検査領域Ｒ２を選択して、正常品サンプル検査画像ＮＥ２ｊを抽出し、各正常品サンプル撮影画像ＮＰ３ｘから検査領域Ｒ３を選択して、正常品サンプル検査画像ＮＥ３ｘを抽出する（図８および図１０参照）。ここで、各正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘから検査領域Ｒ１，Ｒ２，Ｒ３を選択する処理は、検査領域Ｒ１，Ｒ２，Ｒ３として設定された座標に基づいて行う構成や、テンプレート画像に対応する領域を選択する構成、その他公知の方法を適用することができる。
こうして検査画像抽出部２２によって正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘが抽出されると、分割部２４が、抽出した各正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘを所定サイズで分割すると共に（図８および図１０参照）、分割された複数の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを記憶部３０に記憶する処理を実行する（ステップＳ１０８）。
続いて、分割画像抽出部２５が、学習済モデル３２の学習に用いるための正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘの枚数Ｗを次式（５）により演算する処理を実行する（ステップ１１０）。
（数５）
Ｗ＝Ｔ／（Ｋ＋Ｍ＋Ｙ）・・・・・・・（５）
ここで、Ｔは、学習済モデル３２に入力可能な画像の枚数であり、Ｋは、正常品サンプル検査画像ＮＥ１ｉの分割数、即ち、正常品サンプル分割画像ＮＤ１ｋの総数であり、Ｍは、正常品サンプル検査画像ＮＥ２ｊの分割数、即ち、正常品サンプル分割画像ＮＤ２ｍの総数、Ｙは、正常品サンプル検査画像ＮＥ３ｘの分割数、即ち、正常品サンプル分割画像ＮＤ３ｙの総数である。学習済モデル３２に入力可能な画像の枚数Ｔは、本発明における「第１学習済モデルに入力可能な画像枚数」や「第２学習済モデルに入力可能な画像枚数」に対応する実施構成の一例である。
こうして枚数Ｗを演算した後、分割画像抽出部２５は、当該枚数Ｗと、正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙそれぞれの枚数Ｉ，Ｊ，Ｘと、を比較する処理を実行する（ステップＳ１１２）。枚数Ｉ，Ｊ，Ｘのすべてが枚数Ｗ以上であるときは、分割画像抽出部２５は、記憶部３０に記憶された複数の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘからＷ枚をランダムに抽出する処理を実行すると共に（ステップＳ１１４）、抽出した当該Ｗ枚の正常品サンプル検査画像ＮＥ１ｗ，ＮＥ２ｗ，ＮＥ３ｗからそれぞれｋ番目，ｍ番目，ｙ番目の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを抽出し（図１１ないし図１３参照）、抽出したｋ番目，ｍ番目，ｙ番目の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを正常品学習用分割画像ＬＤ１ｗｋ，ＬＤ２ｗｍ，ＬＤ３ｗｙ（図１４参照）として記憶部３０に記憶する処理を実行する（ステップＳ１１６）。なお、画像学習処理ルーチンが実行されてから、ステップ１１６を始めて実行する際には、ｋ，ｍ，ｙのいずれも値１に設定されているため、Ｗ枚の正常品サンプル検査画像ＮＥ１ｗ，ＮＥ２ｗ，ＮＥ３ｗからそれぞれ１番目，２番目，３番目の正常品サンプル分割画像ＮＤ１１，ＮＤ２１，ＮＤ３１を抽出する処理となる。
そして、分割画像抽出部２５は、分割画像番号ｋ，ｍ，ｙをそれぞれ値１だけインクリメントすると共に（ステップＳ１１８）、分割画像番号ｋ，ｍ，ｙがそれぞれ値Ｋ，Ｍ，Ｙとなったか否かを判定する処理を実行する（ステップＳ１２０）。即ち、ステップＳ１２０では、分割画像抽出部２５は、全ての正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙの抽出が完了したか否かを判定する処理を実行するのである。
ステップＳ１２０において、分割画像番号ｋ，ｍ，ｙが１つでも値Ｋ，Ｍ，Ｙとなっていないときは、分割画像番号ｋ，ｍ，ｙの全てが値Ｋ，Ｍ，Ｙとなるまで、ステップＳ１１４～Ｓ１２０の処理を繰り返し実行する。一方、分割画像番号ｋ，ｍ，ｙの全てが値Ｋ，Ｍ，Ｙとなったときは、分割画像番号ｋ，ｍ，ｙをそれぞれ値１に初期化する処理を実行する（ステップＳ１２２）。なお、ステップＳ１１４に戻る度に、記憶部３０に記憶された複数の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘから新たなＷ枚がランダムに抽出される。換言すれば、分割画像番号ｋ，ｍ，ｙの全てが値Ｋ，Ｍ，Ｙとなるまで、正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを抽出する度に、記憶部３０に記憶された複数の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘから新たなＷ枚がランダムに抽出される。
一方、ステップＳ１００において、画像取得部２０が、学習画像が欠陥品であると判定した場合には、記憶部３０に記憶された複数の欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈを取得する処理を実行する（ステップＳ１３６）。続いて、領域設定部２１が、各欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈに対応する検査領域Ｒ１，Ｒ２，Ｒ３を設定する処理を実行する（ステップＳ１３８）。即ち、欠陥品サンプル撮影画像ＤＰ１ｆに対しては検査領域Ｒ１を設定し、欠陥品サンプル撮影画像ＤＰ２ｇに対しては検査領域Ｒ２を設定し、欠陥品サンプル撮影画像ＤＰ３ｈに対しては検査領域Ｒ３を設定する。
そして、検査画像抽出部２２が、各欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈから対応する検査領域Ｒ１，Ｒ２，Ｒ３を選択して、検出画像としての欠陥品サンプル検査画像ＤＥ１ｆ，ＤＥ２ｇ，ＤＥ３ｈを抽出すると共に、抽出した欠陥品サンプル検査画像ＤＥ１ｆ，ＤＥ２ｇ，ＤＥ３ｈを記憶部３０に記憶する処理を実行する（ステップＳ１４０）。即ち、各欠陥品サンプル撮影画像ＤＰ１ｆから検査領域Ｒ１を選択して、欠陥品サンプル検査画像ＤＥ１ｆを抽出し、各欠陥品サンプル撮影画像ＤＰ２ｇから検査領域Ｒ２を選択して、欠陥品サンプル検査画像ＤＥ２ｇを抽出し、各欠陥品サンプル撮影画像ＤＰ３ｈから検査領域Ｒ３を選択して、欠陥品サンプル検査画像ＤＥ３ｈを抽出する。ここで、各欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈから検査領域Ｒ１，Ｒ２，Ｒ３を選択する処理は、検査領域Ｒ１，Ｒ２，Ｒ３として設定された座標に基づいて行う構成や、テンプレート画像に対応する領域を選択する構成、その他公知の方法を適用することができる。
検査画像抽出部２２によって欠陥品サンプル検査画像ＤＥ１ｆ，ＤＥ２ｇ，ＤＥ３ｈが抽出され、記憶部３０に記憶されると、分割部２４が、抽出した各欠陥品サンプル検査画像ＤＥ１ｆ，ＤＥ２ｇ，ＤＥ３ｈを所定サイズで分割すると共に、分割された複数の分割画像を欠陥品学習用分割画像ＤＤ１ｑ，ＤＤ２ｕ，ＤＤ３ｓとして記憶部３０に記憶する処理を実行する（ステップＳ１４４）。
こうして正常品学習用分割画像ＬＤ１ｗｋ，ＬＤ２ｗｍ，ＬＤ３ｗｙおよび欠陥品学習用分割画像ＤＤ１ｑ，ＤＤ２ｕ，ＤＤ３ｓが抽出された後、学習器２６は、これら正常品学習用分割画像ＬＤ１ｗｋ，ＬＤ２ｗｍ，ＬＤ３ｗｙおよび欠陥品学習用分割画像ＤＤ１ｑ，ＤＤ２ｕ，ＤＤ３ｓを用いて学習済モデル３２の学習を行うと共に（ステップＳ１２４）、当該学習済モデル３２を記憶部３０に記憶して（ステップＳ１２６）、本ルーチンを終了する。学習済モデル３２は、本発明における「第１学習済モデル」に対応する実施構成の一例である。
なお、ステップＳ１１２において、分割画像抽出部２５が、枚数Ｉ，Ｊ，Ｘのいずれかが枚数Ｗより少ないと判定したときは、枚数Ｗよりも少ない枚数の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘについては、記憶部３０に記憶された全ての正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘを抽出すると共に、枚数Ｗ以上の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘについては、記憶部３０に記憶された当該正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘからＷ枚をランダムに抽出する処理を実行する（ステップＳ１２８）。
そして、抽出した枚数（Ｉ ｏｒ Ｊ ｏｒ Ｘ ｏｒ Ｗ）の正常品サンプル検査画像ＮＥ１（ｗ ｏｒ ｉ），ＮＥ２（ｗ ｏｒ ｊ），ＮＥ３（ｗ ｏｒ ｘ）からそれぞれｋ番目，ｍ番目，ｙ番目の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを抽出し、抽出したｋ番目，ｍ番目，ｙ番目の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを正常品学習用分割画像ＬＤ１ｗｋ，ＬＤ２ｗｍ，ＬＤ３ｗｙとして記憶部３０に記憶する処理を実行した後（ステップＳ１３０）、ステップＳ１１８に戻って当該ステップＳ１１８以降の処理を実行する。
また、ステップＳ１１２において、分割画像抽出部２５が、枚数Ｉ，Ｊ，Ｘの全てが枚数Ｗより少ないと判定したときは、記憶部３０に記憶された全ての正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘを抽出すると共に（ステップＳ１３２）、抽出した全ての正常品サンプル検査画像ＮＥ１（ｗ ｏｒ ｉ），ＮＥ２（ｗ ｏｒ ｊ），ＮＥ３（ｗ ｏｒ ｘ）からそれぞれｋ番目，ｍ番目，ｙ番目の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを抽出し、抽出したｋ番目，ｍ番目，ｙ番目の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを正常品学習用分割画像ＬＤ１ｗｋ，ＬＤ２ｗｍ，ＬＤ３ｗｙとして記憶部３０に記憶する処理を実行した後（ステップＳ１３４）、ステップＳ１１８に戻って当該ステップＳ１１８以降の処理を実行する。
次に、判別処理ルーチンについて説明する。判別処理ルーチンは、例えば、各種コマンドボタンの中から「検査対象９０の判別」ボタンを押したときに実行される。判別処理ルーチンは、主にコンピュータ１の画像取得部２０、領域設定部２１、検査画像抽出部２２、分割部２４、学習器２６、および、判別部２８により実行される。
判別処理が実行されると、図７に示すように、まず、画像取得部２０は、カメラ７０，７２，７４によって撮影され記憶部３０に記憶された検査対象撮影画像５０ａ，５０ｂ，５０ｃを取得する処理を実行する（ステップＳ２００）。
続いて、領域設定部２１が、各検査対象撮影画像５０ａ，５０ｂ，５０ｃに対応する検査領域Ｒ１，Ｒ２，Ｒ３を設定する処理を実行する（ステップＳ２０２）。即ち、検査対象撮影画像５０ａに対しては検査領域Ｒ１を設定し、検査対象撮影画像５０ｂに対しては検査領域Ｒ２を設定し、検査対象撮影画像５０ｃに対しては検査領域Ｒ３を設定する。
そして、検査画像抽出部２２が、各検査対象撮影画像５０ａ，５０ｂ，５０ｃから対応する検査領域Ｒ１，Ｒ２，Ｒ３を選択して、検出画像としての検査対象検査画像５２ａ，５２ｂ，５２ｃを抽出すると共に、抽出した検査対象検査画像５２ａ，５２ｂ，５２ｃを記憶部３０に記憶する処理を実行する（ステップＳ２０４）。即ち、検査対象撮影画像５０ａから検査領域Ｒ１を選択して、検査対象検査画像５２ａを抽出し、検査対象撮影画像５０ｂから検査領域Ｒ２を選択して、検査対象検査画像５２ｂを抽出し、検査対象撮影画像５０ｃから検査領域Ｒ３を選択して、検査対象検査画像５２ｃを抽出する。ここで、各検査対象撮影画像５０ａ，５０ｂ，５０ｃから検査領域Ｒ１，Ｒ２，Ｒ３を選択する処理は、検査領域Ｒ１，Ｒ２，Ｒ３として設定された座標に基づいて行う構成や、テンプレート画像に対応する領域を選択する構成、その他公知の方法を適用することができる。
こうして検査画像抽出部２２によって検査対象撮影画像５０ａ，５０ｂ，５０ｃが抽出されると、分割部２４が、抽出した各検査対象撮影画像５０ａ，５０ｂ，５０ｃを所定サイズで分割すると共に、分割された複数の検査対象分割画像５４ａ，５４ｂ，５４ｃを記憶部３０に記憶する処理を実行する（ステップＳ２０６）。
続いて、学習器２６が、学習済モデル３２を利用して、記憶部３０に記憶された複数の検査対象分割画像５４ａ，５４ｂ，５４ｃについて特徴量を抽出する処理を実行する（ステップＳ２０８）。そして、判別部２８が、抽出された特徴量に基づき、検査対象撮影画像５０ａ，５０ｂ，５０ｃに欠陥が存在するか否かの判別を行うと共に（ステップＳ２１０）、当該判別結果（検査対象撮影画像５０ａ，５０ｂ，５０ｃに欠陥が存在するか否か）を出力する処理を実行し（ステップＳ２１２）、さらに、判別済の検査対象撮影画像５０ａ，５０ｂ，５０ｃ、検査対象検査画像５２ａ，５２ｂ，５２ｃ、および、複数の検査対象分割画像５４ａ，５４ｂ，５４ｃを記憶部３０に設けた判別対象画像領域５６に移動して（ステップＳ２１４）、本ルーチンを終了する。
以上説明した本実施の形態に係る外観検査装置によれば、検査対象９０の外観を複数のカメラ７０，７２，７４によって異なる方向から撮影した検査対象撮影画像５０ａ，５０ｂ，５０ｃを撮影方向（カメラ７０，７２，７４）毎に各別に記憶部３０に記憶し、当該各別に記憶した検査対象撮影画像５０ａ，５０ｂ，５０ｃそれぞれから異なる検査領域Ｒ１，Ｒ２，Ｒ３を選択して検査対象検査画像５２ａ，５２ｂ，５２ｃを抽出し、抽出した各検査対象検査画像５２ａ，５２ｂ，５２ｃを所定サイズに分割すると共に、分割した複数の検査対象分割画像５４ａ，５４ｂ，５４ｃについて１つの学習済モデル３２により特徴量を抽出するため、検査対象部位とは関係のない不要な領域の分割画像について特徴量を抽出する処理が発生しない。また、各別に記憶した複数の検査対象分割画像５４ａ，５４ｂ，５４ｃについて１つの学習済モデル３２によって特徴量を抽出するため、複数の学習済モデルを作成する必要がない。これにより、学習済モデル３２の作成に要する時間や、学習済モデル３２の学習に要する時間、あるいは、欠陥の検出に要する時間の短縮を図ることができる。
また、本実施の形態に係る外観検査装置によれば、学習済モデル３２が複数の正常品サンプル検査画像ＮＥ１ｉ, ＮＥ２ｊ, ＮＥ３ｘを用いた学習段階である場合に、学習済モデル３２の学習に用いる正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを以下の様に選定する。即ち、式（５）により学習済モデル３２の学習に用いる画像の枚数Ｗを演算し、複数の正常品サンプル検査画像ＮＥ１ｉ, ＮＥ２ｊ, ＮＥ３ｘの中からＷ枚をランダムに抽出して、当該抽出した各正常品サンプル検査画像ＮＥ１ｗ, ＮＥ２ｗ, ＮＥ３ｗからそれぞれｋ番目，ｍ番目，ｙ番目の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを抽出する処理をそれぞれＫ回，Ｍ回，Ｙ回実施するのである。なお、分割画像番号ｋ，ｍ，ｙの全てが値Ｋ，Ｍ，Ｙとなるまで、正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを抽出する度に、記憶部３０に記憶された複数の正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘから新たなＷ枚がランダムに抽出される。これにより、各正常品サンプル検査画像ＮＥ１ｉ, ＮＥ２ｊ, ＮＥ３ｘからの情報量を均等にすることができる。この結果、検査領域Ｒ１，Ｒ２，Ｒ３が異なるために生じ得る情報量の違いに起因して学習済モデル３２（学習器２６）の学習に偏りが発生することを抑制することができ、学習済モデル３２（学習器２６）を適正に学習させることができる。また、欠陥品の検出精度の向上を図ることができる。
なお、正常品サンプル検査画像ＮＥ１ｉ, ＮＥ２ｊ, ＮＥ３ｘの枚数Ｉ，Ｊ，Ｘが枚数Ｗに満たない場合には、当該枚数Ｗよりも少ない枚数Ｉ，Ｊ，Ｘを、学習済モデル３２の学習に用いるための正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘの枚数として設定して、これらからそれぞれｋ番目，ｍ番目，ｙ番目の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを抽出する処理をそれぞれＫ回，Ｍ回，Ｙ回実施するため、正常品サンプル検査画像ＮＥ１ｉ, ＮＥ２ｊ, ＮＥ３ｘの枚数Ｉ，Ｊ，Ｘが枚数Ｗに満たない場合であっても、検査領域Ｒ１，Ｒ２，Ｒ３が異なるために生じ得る情報量の違いを抑制することができる。
本実施の形態では、３つの異なるカメラ７０，７２，７４によって、３方向から検査対象９０を撮影する構成としたが、これに限らない。例えば、１つのカメラ７０を移動させることによって、３方向から検査対象９０を撮影しても良い。図１５は、変形例の外観検査装置の機能構成を模式的に示す模式図である。変形例の外観検査装置は、１つのカメラ７０によって３方向から検査対象９０を撮影し、各方向からの撮影画像（正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘ、欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈ、検査対象撮影画像５０ａ，５０ｂ，５０ｃ）を各別に記憶部３０に記憶する点を除いて、上述した本実施形態の外観検査装置と同一の構成を有している。
本実施の形態では、３方向から検査対象９０を撮影した各撮影画像（正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘ、欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈ、検査対象撮影画像５０ａ，５０ｂ，５０ｃ）を用いる態様に適用したが、これに限らない。例えば、２方向から検査対象９０を撮影した各撮影画像を用いる態様や、４方向以上から検査対象９０を撮影した各撮影画像を用いる態様に適用しても良い。
本実施の形態では、同一の検査対象９０の外観を複数の異なる方向から撮影した各撮影画像を用いる態様に適用したが、これに限らない。例えば、ベルトコンベアＢＣによって搬送されてくる仕様違いの２以上の検査対象（同じ製品ではあるが形状が異なる）を、同方向から撮影した各撮影画像を用いる態様に適用しても良い。この場合、仕様違いの２以上の検査対象を同方向から撮影した各撮影画像は、本発明における「第３撮影画像」や「第４撮影画像」に対応し、本態様において使用する検査領域Ｒ１，Ｒ２，Ｒ３は、本発明における「第３検査領域」や「第４検査領域に対応し、本態様において使用する正常品サンプル検査画像ＮＥ１ｉ，ＮＥ２ｊ，ＮＥ３ｘは、本発明における「第３正常信号付き検査画像」や「第４正常信号付き検査画像」に対応し、本態様において使用する欠陥品サンプル検査画像ＤＥ１ｆ，ＤＥ２ｇ，ＤＥ３ｈは、本発明における「第３異常信号付き検査画像」や「第４異常信号付き検査画像」に対応し、本態様において使用する検査対象検査画像５２ａ，５２ｂ，５２ｃは、本発明における「第３検査画像」や「第４検査画像」に対応し、本態様において使用する正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙは、本発明における「第３正常信号付き分割画像」や「第４正常信号付き分割画像」に対応し、本態様において使用する欠陥品サンプル分割画像ＤＤ１ｑ，ＤＤ２ｕ，ＤＤ３ｓは、本発明における「第３異常信号付き分割画像」や「第４異常信号付き分割画像」に対応し、本態様において使用する検査対象分割画像５４ａ，５４ｂ，５４ｃは、本発明における「第３分割画像」や「第４分割画像」に対応する実施構成の一例である。また、本態様において使用する正常品学習用分割画像ＬＤ１ｗｋ，ＬＤ２ｗｍ，ＬＤ３ｗｙは、本発明における「第３正常信号付き分割画像Ｄｋ」や「第４正常信号付き分割画像Ｄｍ」に対応し、枚数Ｉ，Ｊ，Ｘは、本発明における「第３正常信号付き検査画像それぞれの枚数Ｉ」や「第４正常信号付き検査画像枚数Ｊ」に対する実施構成の一例である。
図１６は、変形例の外観検査装置の機能構成を模式的に示す模式図である。変形例の外観検査装置は、３仕様の検査対象９０ａ，９０ｂ，９０ｃを１つのカメラ７０によって同方向（１方向）から撮影し、各検査対象９０ａ，９０ｂ，９０ｃの撮影画像（正常品サンプル撮影画像ＮＰ１ｉ，ＮＰ２ｊ，ＮＰ３ｘ、欠陥品サンプル撮影画像ＤＰ１ｆ，ＤＰ２ｇ，ＤＰ３ｈ、検査対象撮影画像５０ａ，５０ｂ，５０ｃ）を各別に記憶部３０に記憶する点を除いて、上述した本実施形態の外観検査装置と同一の構成を有している。
本実施の形態および上述した変形例では、学習済モデル３２の学習に用いる画像の枚数Ｗとして、学習済モデル３２に入力可能な画像の枚数Ｔを各正常品サンプル検査画像ＮＥ１ｉ, ＮＥ２ｊ, ＮＥ３ｘの分割数Ｋ，Ｍ，Ｙの和で除した値を求め（Ｗ＝Ｔ／（Ｋ＋Ｍ＋Ｙ））、各正常品サンプル検査画像ＮＥ１ｉ, ＮＥ２ｊ, ＮＥ３ｘからランダムにＷ枚を抽出して、抽出した各正常品サンプル検査画像ＮＥ１ｗ, ＮＥ２ｗ, ＮＥ３ｗからそれぞれｋ番目，ｍ番目，ｙ番目の正常品サンプル分割画像ＮＤ１ｋ，ＮＤ２ｍ，ＮＤ３ｙを抽出する処理をそれぞれＫ回，Ｍ回，Ｙ回実施する構成としたが、これに限らない。例えば、各正常品サンプル検査画像ＮＥ１ｗ, ＮＥ２ｗ, ＮＥ３ｗについて、学習済モデル３２の学習段階において、予め学習器２６によって特徴量を抽出して、各正常品サンプル検査画像ＮＥ１ｗ, ＮＥ２ｗ, ＮＥ３ｗの間で類似した特徴量を有する画像があることを確認できた場合、当該類似した特徴量を有する画像同士を紐づけして、当該紐づけされた画像全体（全枚数）から学習済モデル３２の学習に用いる画像の枚数Ｗをランダムに抽出する構成としても良い。当該構成によれば、類似する特徴量を有する画像に関する情報量が多くなる方向に偏った状態で、学習済モデル３２が学習されることを良好に抑制することができる。これにより、学習済モデル３２をより一層適正に学習させることができる。この結果、欠陥の検出精度のより一層の向上を図ることができる。
本実施形態は、本発明を実施するための形態の一例を示すものである。したがって、本発明は、本実施形態の構成に限定されるものではない。
１ コンピュータ１（外観検査装置）
２ ＣＰＵ
４ ＲＯＭ
６ ＲＡＭ
８ ＧＰＵ
１０ ＨＤＤ
１２ 入出力インターフェイス
１４ 入力装置
２０ 画像取得部
２１ 領域設定部（領域設定部）
２２ 検査画像抽出部（検査画像抽出部）
２４ 分割部（分割部）
２５ 分割画像抽出部（分割画像抽出部）
２６ 学習器（学習器）
２８ 判別部（判別部）
３０ 記憶部（記憶部）
３２ 学習済モデル（第１学習済モデル、第２学習済モデル）
５０ａ 検査対象撮影画像（第１撮影画像、第２撮影画像）
５０ｂ 検査対象撮影画像（第１撮影画像、第２撮影画像）
５０ｃ 検査対象撮影画像（第１撮影画像、第２撮影画像）
５２ａ 検査対象検査画像（第１検査画像、第２検査画像）
５２ｂ 検査対象検査画像（第１検査画像、第２検査画像）
５２ｃ 検査対象検査画像（第１検査画像、第２検査画像）
５４ａ 検査対象分割画像（第１分割画像、第２分割画像）
５４ｂ 検査対象分割画像（第１分割画像、第２分割画像）
５４ｃ 検査対象分割画像（第１分割画像、第２分割画像）
５６ 判別済検査対象画像領域
６０ ディスプレイ
７０ カメラ
７２ カメラ
７４ カメラ
８０ バス
８２ バスライン
９０ 検査対象（検査対象）
ＢＣ ベルトコンベア
ＮＰ１ｉ 正常品サンプル撮影画像（第１撮影画像、第２撮影画像）
ＮＰ２ｊ 正常品サンプル撮影画像（第１撮影画像、第２撮影画像）
ＮＰ３ｘ 正常品サンプル撮影画像（第１撮影画像、第２撮影画像）
ＤＰ１ｆ 欠陥品サンプル撮影画像（第１撮影画像、第２撮影画像）
ＤＰ２ｇ 欠陥品サンプル撮影画像（第１撮影画像、第２撮影画像）
ＤＰ３ｈ 欠陥品サンプル撮影画像（第１撮影画像、第２撮影画像）
ＮＥ１ｉ 正常品サンプル検査画像（第１正常信号付き検査画像、第２正常信号付き検査画像）
ＮＥ２ｊ 正常品サンプル検査画像（第１正常信号付き検査画像、第２正常信号付き検査画像）
ＮＥ３ｘ 正常品サンプル検査画像（第１正常信号付き検査画像、第２正常信号付き検査画像）
ＤＥ１ｆ 欠陥品サンプル検査画像（第１異常信号付き検査画像、第２異常信号付き検査画像）
ＤＥ２ｇ 欠陥品サンプル検査画像（第１正常信号付き検査画像、第２正常信号付き検査画像）
ＤＥ３ｈ 欠陥品サンプル検査画像（第１異常信号付き検査画像、第２異常信号付き検査画像）
ＮＤ１ｋ 正常品サンプル分割画像（第１正常信号付き分割画像、第２正常信号付き分割画像）
ＮＤ２ｍ 正常品サンプル分割画像（第１正常信号付き分割画像、第２正常信号付き分割画像）
ＮＤ３ｙ 正常品サンプル分割画像（第１正常信号付き分割画像、第２正常信号付き分割画像）
ＤＤ１ｑ 欠陥品サンプル分割画像（第１異常信号付き分割画像、第２異常信号付き分割画像）
ＤＤ２ｕ 欠陥品サンプル分割画像（第１異常信号付き分割画像、第２異常信号付き分割画像）
ＤＤ３ｓ 欠陥品サンプル分割画像（第１異常信号付き分割画像、第２異常信号付き分割画像）
ＮＥ１ｗ ランダムに抽出した正常品サンプル検査画像
ＮＥ２ｗ ランダムに抽出した正常品サンプル検査画像
ＮＥ３ｗ ランダムに抽出した正常品サンプル検査画像
ＬＤ１ｗｋ 正常品学習用分割画像（第１正常信号付き分割画像Ｄｋ、第２正常信号付き分割画像Ｄｍ）
ＬＤ２ｗｍ 正常品学習用分割画像（第１正常信号付き分割画像Ｄｋ、第２正常信号付き分割画像Ｄｍ）
ＬＤ３ｗｙ 正常品学習用分割画像（第１正常信号付き分割画像Ｄｋ、第２正常信号付き分割画像Ｄｍ）
Ｉ 正常品サンプル撮影画像、正常品サンプル検査画像の枚数（第１正常信号付き検査画像それぞれの枚数Ｉ、第２正常信号付き検査画像枚数Ｊ）
Ｊ 正常品サンプル撮影画像、正常品サンプル検査画像の枚数（第１正常信号付き検査画像それぞれの枚数Ｉ、第２正常信号付き検査画像枚数Ｊ）
Ｘ 正常品サンプル撮影画像、正常品サンプル検査画像の枚数（第１正常信号付き検査画像それぞれの枚数Ｉ、第２正常信号付き検査画像枚数Ｊ）
Ｆ 欠陥品サンプル撮影画像、欠陥品サンプル検査画像の枚数
Ｇ 欠陥品サンプル撮影画像、欠陥品サンプル検査画像の枚数
Ｈ 欠陥品サンプル撮影画像、欠陥品サンプル検査画像の枚数
Ｋ 正常品サンプル分割画像の枚数、正常品サンプル検査画の分割数
Ｍ 正常品サンプル分割画像の枚数、正常品サンプル検査画の分割数
Ｙ 正常品サンプル分割画像の枚数、正常品サンプル検査画の分割数
Ｑ 欠陥品サンプル分割画像の枚数、欠陥品サンプル検査画像の分割数
Ｓ 欠陥品サンプル分割画像の枚数、欠陥品サンプル検査画像の分割数
Ｕ 欠陥品サンプル分割画像の枚数、欠陥品サンプル検査画像の分割数
Ｒ１ 検査領域（第１検査領域、第２検査領域）
Ｒ２ 検査領域（第１検査領域、第２検査領域）
Ｒ３ 検査領域（第１検査領域、第２検査領域）
Ｗ 学習済モデルの学習に用いるための正常品サンプル検査画像の枚数
Ｔ 学習済モデルに入力可能な画像の枚数（第１学習済モデルに入力可能な画像枚数Ｔ１，第２学習済モデルに入力可能な画像枚数Ｔ２）

Claims (17)

  1. 検査対象の外観を検査する外観検査装置であって、
    前記検査対象の外観を少なくとも第１および第２方向から撮影した第１および第２撮影画像を取得する画像取得部と、
    前記第１および第２撮影画像の検査するべき領域としての第１および第２検査領域を設定する領域設定部と、
    前記第１および第２撮影画像から前記第１および第２検査領域を選択して、検査画像としての第１および第２検査画像を抽出する検査画像抽出部と、
    抽出した前記第１および第２検査画像を所定サイズの複数の第１および第２分割画像に分割する分割部と、
    複数の前記第１および第２分割画像について特徴量を抽出可能な第１学習済モデルを有する学習器と、
    前記特徴量に基づき前記第１および第２検査画像に欠陥があるか否かを判別する判別部と、
    を備える外観検査装置。
  2. 欠陥があるか否かの教師信号が付された複数の第１および第２正常信号付き検査画像，および，複数の第１および第２異常信号付き検査画像と、複数の前記第１および第２正常信号付き検査画像，および，複数の前記第１および第２異常信号付き検査画像を前記所定サイズで分割した複数の第１および第２正常信号付き分割画像，および，複数の第１および第２異常信号付き分割画像と、を記憶する記憶部と、
    複数の前記第１正常信号付き検査画像からの情報量と、複数の前記第２正常信号付き検査画像からの情報量と、が等しくなる態様で、複数の前記第１および第２正常信号付き２検査画像から複数の前記第１および第２正常信号付き分割画像を抽出する分割画像抽出部と、
    をさらに備え、
    前記第１学習済モデルは、複数の前記第１および第２正常信号付き検査画像を用いた学習段階である場合、抽出された複数の前記第１および第２正常信号付き分割画像、および、記憶された複数の前記第１および第２異常信号付き分割画像について前記特徴量を抽出し、抽出した該特徴量に基づき学習を行う
    請求項１に記載の外観検査装置。
  3. 前記分割画像抽出部は、前記記憶部に記憶された前記第１および第２正常信号付き検査画像それぞれの枚数をＩおよびＪとし、該第１および第２正常信号付き検査画像それぞれの分割数をＫおよびＭとし、分割された各前記第１および第２正常信号付き分割画像をそれぞれＤｋ（ｋ＝１，２，・・・，Ｋである。以下同様）およびＤｍ（ｍ＝１，２，・・・，Ｍである。以下同様）としたとき、Ｉ枚の前記第１正常信号付き検査画像およびＪ枚の前記第２正常信号付き検査画像それぞれから次式（１）により求まる枚数Ｗを任意に抽出し、抽出したＷ枚の該第１および第２正常信号付き検査画像それぞれからｋ番目およびｍ番目の前記第１および第２正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、前記第１正常信号付き検査画像についてはＫ回、前記第２正常信号付き検査画像についてはＭ回実施する
    請求項２に記載の外観検査装置。
    （式１）
    Ｗ＝Ｔ１／（Ｋ＋Ｍ）・・・・・・（１）
    ただし、Ｔ１は、前記第１学習済モデルに入力可能な画像枚数である。
  4. 前記分割画像抽出部は、前記第１正常信号付き検査画像の枚数Ｉまたは前記第２正常信号付き検査画像の枚数Ｊが前記枚数Ｗ未満の場合には、全ての前記第１および第２正常信号付き検査画像それぞれからｋ番目およびｍ番目の前記第１および第２正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、前記第１正常信号付き検査画像についてはＫ回、前記第２正常信号付き検査画像についてはＭ回実施する
    請求項３に記載の外観検査装置。
  5. 第１および第２検査対象の外観を検査する外観検査装置であって、
    少なくとも前記第１および第２検査対象の外観を第３方向から撮影した第３および第４撮影画像を取得する画像取得部と、
    前記第３および第４撮影画像の検査するべき領域としての第３および第４検査領域を設定する領域設定部と、
    前記第３および第４撮影画像から前記第３および第４検査領域を選択して、検査画像としての第３および第４検査画像を抽出する検査画像抽出部と、
    抽出した前記第３および第４検査画像を所定サイズの複数の第３および第４分割画像に分割する分割部と、
    複数の前記第３および第４分割画像について特徴量を抽出可能な第２学習済モデルを有する学習器と、
    前記特徴量に基づき前記第３および第４検査画像に欠陥があるか否かを判別する判別部と、
    を備える外観検査装置。
  6. 欠陥があるか否かの教師信号が付された複数の第３および第４正常信号付き検査画像，および，複数の第３および第４異常信号付き検査画像と、複数の前記第３および第４正常信号付き検査画像，および，複数の前記第３および第４異常信号付き検査画像を前記所定サイズで分割した複数の第３および第４正常信号付き分割画像，および，複数の第３および第４異常信号付き分割画像と、を記憶する記憶部と、
    複数の前記第３正常信号付き検査画像からの情報量と、複数の前記第４正常信号付き検査画像からの情報量と、が等しくなる態様で、複数の前記第３および第４正常信号付き検査画像から複数の前記第３および第４正常信号付き分割画像を抽出する分割画像抽出部と、
    をさらに備え、
    前記第２学習済モデルは、複数の前記第３および第４正常信号付き検査画像を用いた学習段階である場合、抽出された複数の前記第３および第４正常信号付き分割画像、および、記憶された複数の前記第３および第４異常信号付き分割画像について前記特徴量を抽出し、抽出した該特徴量に基づき学習を行う
    請求項５に記載の外観検査装置。
  7. 前記分割画像抽出部は、前記記憶部に記憶された前記第３および第４正常信号付き検査画像それぞれの枚数をＩおよびＪとし、該第３および第４正常信号付き検査画像それぞれの分割数をＫおよびＭとし、分割された各前記第３および第４正常信号付き分割画像をそれぞれＤｋ（ｋ＝１，２，・・・，Ｋである。以下同様）およびＤｍ（ｍ＝１，２，・・・，Ｍである。以下同様）としたとき、Ｉ枚の前記第３正常信号付き検査画像およびＪ枚の前記第４正常信号付き検査画像それぞれから次式（２）により求まる枚数Ｗを任意に抽出し、抽出したＷ枚の該第３および第４正常信号付き検査画像それぞれからｋ番目およびｍ番目の前記第３および第４正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、前記第３正常信号付き検査画像についてはＫ回、前記第４正常信号付き検査画像についてはＭ回実施する
    請求項６に記載の外観検査装置。
    （式２）
    Ｗ＝Ｔ２／（Ｋ＋Ｍ）・・・・・・（２）
    ただし、Ｔ２は、前記第２学習済モデルに入力可能な画像枚数である。
  8. 前記分割画像抽出部は、前記第３正常信号付き検査画像の枚数Ｉまたは前記第４正常信号付き検査画像の枚数Ｊが前記枚数Ｗ未満の場合には、全ての前記第３および第４正常信号付き検査画像それぞれからｋ番目およびｍ番目の前記第３および第４正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、前記第３正常信号付き検査画像についてはＫ回、前記第４正常信号付き検査画像についてはＭ回実施する
    請求項７に記載の外観検査装置。
  9. 検査対象の外観を検査する外観検査方法であって、
    （ａ）前記検査対象の外観を少なくとも第１および第２方向から撮影した第１および第２撮影画像を取得し、
    （ｂ）前記第１および第２撮影画像の検査するべき領域としての第１および第２検査領域を設定し、
    （ｃ）前記第１および第２撮影画像から前記第１および第２検査領域を選択して、検査画像としての第１および第２検査画像を抽出し、
    （ｄ）抽出した前記第１および第２検査画像を所定サイズの複数の第１および第２分割画像に分割し、
    （ｅ）複数の前記第１および第２分割画像について第１学習済モデルを用いて特徴量を抽出し、
    （ｆ）抽出した前記特徴量に基づき前記第１および第２検査画像に欠陥があるか否かを判別する
    外観検査方法。
  10. 欠陥があるか否かの教師信号が付された複数の第１および第２正常信号付き検査画像，および，複数の第１および第２異常信号付き検査画像と、複数の前記第１および第２正常信号付き検査画像，および，複数の前記第１および第２異常信号付き検査画像を前記所定サイズで分割した複数の第１および第２正常信号付き分割画像，および，複数の第１および第２異常信号付き分割画像と、を記憶するステップ（ｇ）と、
    複数の前記第１正常信号付き検査画像からの情報量と、複数の前記第２正常信号付き検査画像からの情報量と、が等しくなる態様で、複数の前記第１および第２正常信号付き２検査画像から複数の前記第１および第２正常信号付き分割画像を抽出するステップ（ｈ）と、
    をさらに備え、
    前記ステップ（ｅ）は、前記第１学習済モデルが複数の前記第１および第２正常信号付き検査画像を用いた学習段階である場合、前記ステップ（ｈ）で抽出した複数の前記第１および第２正常信号付き分割画像、および、記憶された複数の前記第１および第２異常信号付き分割画像について前記特徴量を抽出し、抽出した該特徴量に基づき学習を行うステップを含んでいる
    請求項９に記載の外観検査方法。
  11. 前記ステップ（ｈ）は、記憶した前記第１および第２正常信号付き検査画像それぞれの枚数をＩおよびＪとし、該第１および第２正常信号付き検査画像それぞれの分割数をＫおよびＭとし、分割された各前記第１および第２正常信号付き分割画像をそれぞれＤｋ（ｋ＝１，２，・・・，Ｋである。以下同様）およびＤｍ（ｍ＝１，２，・・・，Ｍである。以下同様）としたとき、Ｉ枚の前記第１正常信号付き検査画像およびＪ枚の前記第２正常信号付き検査画像それぞれから次式（３）により求まる枚数Ｗを任意に抽出し、抽出したＷ枚の該第１および第２正常信号付き検査画像それぞれからｋ番目およびｍ番目の前記第１および第２正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、前記第１正常信号付き検査画像についてはＫ回、前記第２正常信号付き検査画像についてはＭ回実施するステップを含んでいる
    請求項１０に記載の外観検査方法。
    （式３）
    Ｗ＝Ｔ１／（Ｋ＋Ｍ）・・・・・・（３）
    ただし、Ｔ１は、前記第１学習済モデルに入力可能な画像枚数である。
  12. 前記ステップ（ｈ）は、前記第１正常信号付き検査画像の枚数Ｉまたは前記第２正常信号付き検査画像の枚数Ｊが前記枚数Ｗ未満の場合には、全ての前記第１および第２正常信号付き検査画像それぞれからｋ番目およびｍ番目の前記第１および第２正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、前記第１正常信号付き検査画像についてはＫ回、前記第２正常信号付き検査画像についてはＭ回実施する
    請求項１１に記載の外観検査方法。
  13. 第１および第２検査対象の外観を検査する外観検査方法であって、
    （ｉ）少なくとも前記第１および第２検査対象の外観を第３方向から撮影した第３および第４撮影画像を取得し、
    （ｊ）前記第３および第４撮影画像の検査するべき領域としての第３および第４検査領域を設定し、
    （ｋ）前記第３および第４撮影画像から前記第３および第４検査領域を選択して、検査画像としての第３および第４検査画像を抽出し、
    （ｌ）抽出した前記第３および第４検査画像を所定サイズの複数の第３および第４分割画像に分割し、
    （ｍ）複数の前記第３および第４分割画像について第２学習済モデルを用いて特徴量を抽出し、
    （ｎ）抽出した前記特徴量に基づき前記第３および第４検査画像に欠陥があるか否かを判別する
    外観検査方法。
  14. 欠陥があるか否かの教師信号が付された複数の第３および第４正常信号付き検査画像，および，複数の第３および第４異常信号付き検査画像と、複数の前記第３および第４正常信号付き検査画像，および，複数の前記第３および第４異常信号付き検査画像を前記所定サイズで分割した複数の第３および第４正常信号付き分割画像，および，複数の第３および第４異常信号付き分割画像と、を記憶するステップ（ｏ）と、
    複数の前記第３正常信号付き検査画像からの情報量と、複数の前記第４正常信号付き検査画像からの情報量と、が等しくなる態様で、複数の前記第３および第４正常信号付き検査画像から複数の前記第３および第４正常信号付き分割画像を抽出するステップ（ｐ）と、
    をさらに備え、
    前記ステップ（ｍ）は、前記第２学習済モデルが複数の前記第３および第４正常信号付き検査画像を用いた学習段階である場合、前記ステップ（ｐ）で抽出した複数の前記第３および第４正常信号付き分割画像、および、記憶された複数の前記第３および第４異常信号付き分割画像について前記特徴量を抽出し、抽出した該特徴量に基づき学習を行うステップを含んでいる
    請求項１３に記載の外観検査方法。
  15. 前記ステップ（ｐ）は、記憶された前記第３および第４正常信号付き検査画像それぞれの枚数をＩおよびＪとし、該第３および第４正常信号付き検査画像それぞれの分割数をＫおよびＭとし、分割された各前記第３および第４正常信号付き分割画像をそれぞれＤｋ（ｋ＝１，２，・・・，Ｋである。以下同様）およびＤｍ（ｍ＝１，２，・・・，Ｍである。以下同様）としたとき、Ｉ枚の前記第３正常信号付き検査画像およびＪ枚の前記第４正常信号付き検査画像それぞれから次式（４）により求まる枚数Ｗを任意に抽出し、抽出したＷ枚の該第３および第４正常信号付き検査画像それぞれからｋ番目およびｍ番目の前記第３および第４正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、前記第３正常信号付き検査画像についてはＫ回、前記第４正常信号付き検査画像についてはＭ回実施するステップを含んでいる
    請求項１４に記載の外観検査方法。
    （式４）
    Ｗ＝Ｔ２／（Ｋ＋Ｍ）・・・・・・（４）
    ただし、Ｔ２は、前記第２学習済モデルに入力可能な画像枚数である。
  16. 前記ステップ（ｐ）は、前記第３正常信号付き検査画像の枚数Ｉまたは前記第４正常信号付き検査画像の枚数Ｊが前記枚数Ｗ未満の場合には、全ての前記第３および第４正常信号付き検査画像それぞれからｋ番目およびｍ番目の前記第３および第４正常信号付き分割画像Ｄｋ，Ｄｍを抽出する作業を、前記第３正常信号付き検査画像についてはＫ回、前記第４正常信号付き検査画像についてはＭ回実施する
    請求項１５に記載の外観検査方法。
  17. 検査対象または第１および第２検査対象の外観を検査するためのプログラムであって、
    請求項９ないし１６のいずれか１項に記載の外観検査方法の各ステップを１又は複数のコンピュータに実行させるためのプログラム。
JP2020126173A 2020-07-27 2020-07-27 外観検査装置および外観検査方法、並びに、これに用いるプログラム Pending JP2022023320A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP2020126173A JP2022023320A (ja) 2020-07-27 2020-07-27 外観検査装置および外観検査方法、並びに、これに用いるプログラム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2020126173A JP2022023320A (ja) 2020-07-27 2020-07-27 外観検査装置および外観検査方法、並びに、これに用いるプログラム

Publications (1)

Publication Number Publication Date
JP2022023320A true JP2022023320A (ja) 2022-02-08

Family

ID=80226090

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020126173A Pending JP2022023320A (ja) 2020-07-27 2020-07-27 外観検査装置および外観検査方法、並びに、これに用いるプログラム

Country Status (1)

Country Link
JP (1) JP2022023320A (ja)

Similar Documents

Publication Publication Date Title
US10964013B2 (en) System, method for training and applying defect classifiers in wafers having deeply stacked layers
US10311559B2 (en) Information processing apparatus, information processing method, and storage medium
KR20190063839A (ko) 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템
CN109426835B (zh) 信息处理装置、信息处理装置的控制方法和存储介质
US20130034305A1 (en) Image-based crack quantification
CN105787923A (zh) 用于平面表面分割的视觉系统和分析方法
US20170330315A1 (en) Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program
JP7059883B2 (ja) 学習装置、画像生成装置、学習方法、及び学習プログラム
TW202105549A (zh) 對樣本的缺陷檢測的方法及其系統
JP2007334766A (ja) 異常領域検出装置および異常領域検出方法
JP2015041164A (ja) 画像処理装置、画像処理方法およびプログラム
JP2016179534A (ja) 情報処理装置、情報処理方法、プログラム
JP2019158628A (ja) 検査装置、検査方法、及び検査プログラム
CN113705669A (zh) 一种数据匹配方法、装置、电子设备以及存储介质
US20190066285A1 (en) Image inspection apparatus, image inspection method, and image inspection program
JP2018036770A (ja) 位置姿勢推定装置、位置姿勢推定方法、及び位置姿勢推定プログラム
US11989928B2 (en) Image processing system
JP6786015B1 (ja) 動作分析システムおよび動作分析プログラム
WO2016092783A1 (en) Information processing apparatus, method for processing information, discriminator generating apparatus, method for generating discriminator, and program
JP2022023320A (ja) 外観検査装置および外観検査方法、並びに、これに用いるプログラム
CN113160414B (zh) 货物余量自动识别方法、装置、电子设备以及计算机可读介质
WO2016092779A1 (en) Information processing apparatus, information processing method, and program
Shao et al. Damage Detection of the RC Building in TLS Point Clouds Using 3D Deep Neural Network PointNet++
JP7327984B2 (ja) 情報処理装置、情報処理方法、及びプログラム
WO2015136716A1 (ja) 画像処理装置、画像センサ、画像処理方法

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20230315

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20240109

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20240110

A02 Decision of refusal

Free format text: JAPANESE INTERMEDIATE CODE: A02

Effective date: 20240625