JP2022079097A - 製品検査システム、製品検査方法、学習装置、認識装置、製品製造システム、および製品製造方法 - Google Patents

Abstract

【課題】フィルムを用いた製品を検査すると共に不具合がある製品の発生を抑制すること。【解決手段】本発明の一態様に係る製品検査システムは、透明のフィルムを円柱部材に搬送し、搬送されたフィルムを円柱部材に巻き付けた製品を検査する製品検査システムであって、製品を撮像する撮像部と、製品の外観に影響を与える温度を測定する測定部と、円柱部材へと搬送されるフィルムを用いて製造された製品の外観画像と、製品の外観に影響を与える温度の情報を教師データとして予測モデルを機械学習させ、予測モデルに撮像部により撮像された画像を入力することで、製品の外観に関する検査情報を取得し、検査情報および測定部により測定した温度に基づいて製品の外観を検査する検査部と、を備える。【選択図】図４

Description

本発明は、製品検査システム、製品検査方法、学習装置、認識装置、製品製造システム、および製品製造方法に関する。

従来より、搬送するフィルムの欠陥を検査する技術が知られている。この種の技術は、例えば、特許文献１に記載された欠陥検査システムがある。この欠陥検査システムは、フィルムを撮像した画像を用いてフィルムにおける欠陥の位置を特定し、位置が特定された欠陥の種別を識別している。

特開２０１７－２１５２７７号公報

しかしながら、上述した欠陥検査システムは１枚のフィルムの欠陥の種別が識別できるが、当該フィルムを用いた製品を検査することはできなかった。また、上述した欠陥検査システムは、不具合がある製品の発生を抑制することはできなかった。

本発明は、フィルムを用いた製品を検査すると共に不具合がある製品の発生を抑制することができる製品検査システム、製品検査方法、学習装置、認識装置、製品製造システム、および製品製造方法を提供することを目的の一つとする。

本発明の一態様に係る製品検査システムは、透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を検査する製品検査システムであって、前記製品を撮像する撮像部と、前記製品の外観に影響を与える温度を測定する測定部と、前記円柱部材へと搬送されるフィルムを用いて製造された製品の外観画像と、前記製品の外観に影響を与える温度の情報を教師データとして予測モデルを機械学習させ、前記予測モデルに前記撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報および前記測定部により測定した温度に基づいて前記製品の外観を検査する検査部と、を備える、製品検査システムである。

本発明の一態様に係る製品検査方法は、透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を検査する製品検査方法であって、前記製品を撮像するステップと、前記製品の外観に影響を与える温度を測定するステップと、前記円柱部材へと搬送されるフィルムを用いて製造された製品の外観画像と、前記製品の外観に影響を与える温度の情報を教師データとして予測モデルを機械学習させるステップと、前記予測モデルに撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報および測定した温度に基づいて前記製品の外観を検査するステップと、を含む、製品検査方法である。

本発明の一態様に係る学習装置は、透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品の学習画像、および前記製品の外観に影響を与える温度の情報を含む学習データを取得する学習データ取得部と、予測モデルを学習する学習処理部であって、前記学習画像を前記予測モデルに入力した場合に、前記予測モデルから前記製品の外観に関する検査情報を出力するように、前記予測モデルの処理パラメータを学習する学習処理部と、を備える、学習装置である。

本発明の一態様に係る認識装置は、透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品の製造工程において、前記円柱部材へと搬送される前記フィルムを撮像した撮影画像を取得する撮影画像取得部と、前記製品の外観に影響を与える温度を測定する測定部と、前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と、前記製品の外観に影響を与える温度の情報とを教師データとして機械学習された予測モデルに、前記撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報および前記測定部により測定した温度に基づいて前記製品の外観を検査する検査部と、を備える、認識装置である。

本発明の一態様に係る製品製造システムは、透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を製造する製品製造システムであって、前記製品を撮像する撮像部と、前記製品の外観に影響を与える温度を測定する測定部と、前記製品の外観に影響を与える温度を調整する空調部と、前記円柱部材へと搬送されるフィルムを用いて製造された製品の外観画像と、前記撮像部により撮像された画像のうち良好な製品の画像および良好な製品に対応した温度情報を教師データとして予測モデルを機械学習させ、前記予測モデルに前記撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報および前記測定部により測定した温度に基づいて前記製品の外観を検査する検査部と、を備え、前記予測モデルは、前記撮像部により撮像された画像が入力された場合に、良好な製品に対応した温度情報に基づく温度の制御情報を出力し、前記空調部は、前記制御情報に基づいて前記製品の外観に影響を与える温度を調整する、製品製造システムである。

本発明の一態様に係る製品製造方法は、透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を製造する製品製造方法であって、前記製品を撮像するステップと、前記製品の外観に影響を与える温度を測定するステップと、前記円柱部材へと搬送されるフィルムを用いて製造された製品の外観画像と、前記撮像部により撮像された画像のうち良好な製品の画像および良好な製品に対応した温度情報を教師データとして予測モデルを機械学習させるステップと、前記予測モデルに前記撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報および測定した温度に基づいて前記製品の外観を検査するステップと、を有し、前記予測モデルは、撮像された画像が入力された場合に、良好な製品に対応した温度情報に基づく温度の制御情報を出力し、前記制御情報に基づいて前記製品の外観に影響を与える温度を調整する、製品製造方法である。

本発明によれば、フィルムを用いた製品を検査すると共に不具合がある製品が連続して発生することを抑制することができる。

実施形態におけるラップフィルム製品の製造工程の一例を示すフローチャートである。 実施形態におけるラップフィルム製品を製造する製造装置の一例を示す図である。 実施形態における製造装置の構成の一例を示す図である。 実施形態における製品検査システムの一例を示すブロック図である。 実施形態における学習装置の一例を示すブロック図である。 実施形態における学習装置の畳み込みニューラルネットワークにおける入力変数と出力変数との関係を示す図である。 実施形態における認識装置の一例を示すブロック図である。 実施形態における認識結果の一例を示す図である。 実施形態における畳み込みニューラルネットワークを用いた認識処理を行う処理を説明するための図である。 実施形態における畳み込みニューラルネットワークを用いた学習処理を説明するための図である。

以下、図面を参照し、製品検査システム、製品検査方法、学習装置、認識装置、製品製造システム、および製品製造方法の実施形態について説明する。

実施形態の製品検査システムは、フィルムを用いた製品を検査する。実施形態において、フィルムは、熱可塑性樹脂のように温度により変形するフィルムであり、例えば、ポリ塩化ビニリデン、塩化ビニル樹脂、ポリエチレン等の包装用のフィルムであり、製品は、例えば、フィルムが円筒形状等の芯部材に巻き付けられたラップフィルム製品であり、実施形態における製品は、フィルムが円筒形状等の芯部材に巻き付けられたものであり、当該製品が包装された化粧箱等は含まないものとする。なお、製品は、後述するように、温度により変形するフィルムが搬送されて芯部材に巻き付けられた製品であれば、ラップフィルム製品に限定されないものとする。

［製品の製造工程］
図１は、実施形態におけるラップフィルム製品の製造工程の一例を示すフローチャートである。ラップフィルム製品の製造工程は、例えば、前処理工程（ステップＳ１００）と、巻き替え工程（ステップＳ１０２）と、検査・制御工程（ステップＳ１０４）と、選別工程（ステップＳ１０６）と、後処理工程（ステップＳ１１０）とを含む。

前処理工程（ステップＳ１００）は、例えば、ラップフィルム製品の製造のための工程、およびラップフィルム製品の検査のための工程を含む。ラップフィルム製品の製造のための工程は、太巻き原反を製造する工程、太巻き原反を設置する工程、および芯部材を設置する工程等を含む。太巻き原反は、ラップフィルム製品に用いられるフィルムを、第１の円柱部材に巻き付けたものである。第１の円柱部材には、例えば、多数のラップフィルム製品を製造するためのフィルムが巻き付けられる。ラップフィルム製品の検査のための工程は、フィルムの皺等を検出するための条件を設定する処理や、ラップフィルム製品の検査のための認識エンジンを構築するための学習処理などを含む。

巻き替え工程（ステップＳ１０２）は、太巻き原反におけるフィルムを芯部材（第２の円柱部材）に搬送し、搬送したフィルムを芯部材に巻き替える工程である。

検査・制御工程（ステップＳ１０４）は、自動的にラップフィルム製品を検査する工程および検査結果に基づいて空調装置等を制御する工程である。具体的に、検査工程は、ラップフィルム製品の画像や製品の外観に影響を与える温度の情報を取得し、太巻き原反から芯部材に搬送されるフィルムの画像に基づいて当該フィルムを用いてラップフィルム製品を検査する工程である。制御工程は、良品としてのラップフィルム製品を製造するために製品の外観に影響を与える温度を調整する工程である。

選別工程（ステップＳ１０６）は、検査工程の結果に基づいてラップフィルム製品を選別する工程である。選別工程は、例えば、検査工程において印象が不良であると判断されたラップフィルム製品を後処理工程から排除する工程を含む。

後処理工程（ステップＳ１０８）は、実施形態において説明した製品製造システム以降の工程である。後処理工程は、例えば、ラップフィルム製品を包装する工程や、ラップフィルム製品を目視等で検査する工程や、学習処理のための画像を取得する処理等を含む学習フィードバック工程などを含む。なお、後処理工程には、上述した選別工程を含んでよい。後処理工程には、太巻き原反から巻き替えられた小巻のラップフィルム製品の製造装置から不良の製品を排出する工程を含んでよい。

［製品の製造装置］
図２は、実施形態におけるラップフィルム製品を製造する製造装置の一例を示す図である。製造装置１００は、例えば、搬送部１１０と、制御装置１４０および測定装置１４０Ａと、撮像装置１５０Ａ、１５０Ｂ、１５０Ｃ、および１５０Ｄと、照明装置（光源）１６０とを備える。なお、撮像装置１５０Ａ、１５０Ｂ、１５０Ｃ、および１５０Ｄを総称する場合には単に「撮像装置１５０」と記載する。

搬送部１１０は、例えば、モータ等を備え、第１円柱部材１２４および第２円柱部材１３４を回転させる。第２円柱部材１３４は、例えば紙管である。第１円柱部材１２４および第２円柱部材１３４を回転させることで、太巻き原反１２０に巻き付けられたフィルム１２２は、搬送方向（Ｙ方向）に沿ってフィルム２００として搬送され、フィルム２００は第２円柱部材１３４に巻き付けられる。これにより、製造装置１００は、フィルム１３２が第２円柱部材１３４に巻き付けられたラップフィルム製品１３０を製造する。

なお、製造装置１００は、フィルム２００を搬送する機構としてモータ等を備えるが、フィルム２００の搬送方向を調整するローラ等の機構や、搬送方向や幅方向におけるフィルム２００の張力を調整する機構や、１つのラップフィルム製品１３０を製造するために必要な長さにフィルム２００を切断する機構等を備えていてもよい。製造装置１００は、例えば、フィルム２００のＹ方向の皺を伸ばす手段として、Ｘ方向において弓状に湾曲した治具を備えてよい。さらに、製造装置１００は、フィルム２００の幅方向における張力を検出するセンサ、およびフィルム２００の幅方向における張力を制御する機構を備えてもよい。

制御装置１４０は、製造装置１００の各部を制御する。制御装置１４０は、例えば、搬送部１１０および照明装置１６０を制御すると共に、撮像装置１５０から画像データを取得する。撮像装置１５０Ａ、１５０Ｂ、１５０Ｃ、および１５０Ｄは、ラップフィルム製品１３０の幅方向（Ｘ方向）と並行するライン上位置をそれぞれ撮像する。これにより、撮像装置１５０Ａ、１５０Ｂ、１５０Ｃ、および１５０Ｄは、ラップフィルム製品１３０の幅方向における両端に亘る状態を撮像することができる。撮像装置１５０Ａ、１５０Ｂ、１５０Ｃ、および１５０Ｄは、それぞれ画像データを制御装置１４０に出力する。照明装置１６０は、撮像装置１５０により撮像する時にライン上に光１６０＃を照射する位置に設けられる。照明装置１６０は、光１６０＃の進行方向と搬送方向とが交わる方向となるように設置されている。なお、照明装置１６０は、搬送方向に並行した皺により影が撮像されるように光１６０＃を照射することが望ましい。

測定装置１４０Ａは、製品の外観に影響を与える温度を測定する測定部である。測定装置１４０Ａにより測定された温度は、制御装置１４０に供給される。制御装置１４０は、供給された温度の情報に基づいて空調装置（図３を参照）を制御する。

図３は、実施形態における製造装置１００の構成の一例を示す図である。製造装置１００は、装置内部１００Ａに、太巻き原反１２０からフィルム２００を搬送してラップフィルム製品１３０を製造するための各部を含んでいる。製造装置１００は、複数の太巻き原反（太巻き原反１２０および予備の太巻き原反１２０＃）を、供給機構２１０のターレットアーム２１３に交換可能に支持させる。ターレットアーム２１３に支持させた太巻き原反１２０のフィルム２００は、ローラ機構２２０を介して巻取ドラム２３０に巻架される。巻架したフィルム２００は、下流の空の巻芯２３１に供給され、巻芯２３１に巻き替えられる。

太巻き原反１２０の供給位置２１１と待機位置２１２とが対向し、上流の待機位置２１２に、必要量のフィルム１２２が巻回された新規の太巻き原反１２０＃が上流から自動的に供給される。太巻き原反１２０の待機位置２１２の下方には、使用済みの太巻き原反１２０を回収するベルトコンベヤやローラコンベヤ等のコンベヤが必要に応じて設置される。なお、本実施形態はフィルム１２２が自動的に供給される一例について説明したが、これに限定されず、手動によりフィルム１２２を供給するシステムにも本発明は適用可能である。

ローラ機構２２０は、供給位置２１１に位置決め配置された太巻き原反１２０からのフィルム２００が巻架される巻出ローラ２２１と、巻出ローラ２２１からのフィルム２００が巻架される複数のガイドローラ２２２と、複数のガイドローラ２２２からのフィルム２００が巻架されるエキスパンダローラ２２３と、エキスパンダローラ２２３と下流の巻取ドラム２３０との間のフィルム２００が巻架されるピンチローラ２２４とを備える。

巻出ローラ２２１は、供給位置２１１の太巻き原反１２０と上方下流の複数のガイドローラ２２２との間に揺動可能に配設される。巻出ローラ２２１は、供給位置２１１の太巻き原反１２０の下部下流に摺接し、フィルム２００を複数のガイドローラ２２２に繰り出し供給するよう機能する。また、複数のガイドローラ２２２は、下方上流の巻出ローラ２２１と下流のエキスパンダローラ２２３との間に介在され、上下方向に所定の間隔をおき自由に回転可能に軸支される。

各ガイドローラ２２２は、例えばフィルム２００に摺接する円柱形のローラ部の中心に支持軸が嵌通されて構成される。各ガイドローラ２２２は、支持軸のローラ部からそれぞれ突出した両端部が軸受を介し回転可能に支持されている。各ガイドローラ２２２は、巻出ローラ２２１の下流に位置してフィルム２００の供給方向を変更したり、フィルム２００の皺や弛みを除去する。

エキスパンダローラ２２３は、例えばゴム質のローラ部に支持軸が嵌通され、この支持軸のローラ部からそれぞれ突出した両端部が軸受を介し回転可能に支持されており、最下流のガイドローラ２２２の下流に湾曲して位置し、フィルム２００の皺や弛みを除去する。また、ピンチローラ２２４は、例えばゴム質の円柱形のローラ部に支持軸が嵌通され、この支持軸のローラ部からそれぞれ突出した両端部が軸受を介し回転可能に支持されており、エキスパンダローラ２２３の下流に位置してフィルム２００を一定速度で巻取ドラム２３０に供給する。

巻取ドラム２３０は、円筒形に形成された紙製の巻芯２３１が順次供給され、この巻芯２３１に摺接して回転させ、巻芯２３１の外周面にピンチローラ２２４から供給されたフィルム２００を所定の長さ分巻き付けるよう機能する。

上記構成において、ラップフィルム製品１３０を製造する場合には、製造装置１００を起動して供給位置１１１の太巻き原反１２０を順方向に回転させる。すると、太巻き原反１２０に巻回されていたフィルム１２２は、巻出ローラ２２１、複数のガイドローラ２２２、エキスパンダローラ２２３、ピンチローラ２２４、及び巻取ドラム２３０に順次繰り出し供給され、巻取ドラム２３０上の巻芯２３１の外周面に所定の長さ分巻き付けられる。

上記構成において、製造装置１００は、ラップフィルム製品１３０における外観上の皺を抑制するために、測定装置１４０Ａとしての装置内温度センサ３１０および装置外温度センサ３２０、装置内空調装置としての空冷ファン３００、および装置外空調装置３２２を備える。製造装置１００は、装置内温度センサ３１０により検出された装置内温度および装置外温度センサ３２０により検出された装置外温度を制御装置１４０に供給する。

装置内温度センサ３１０は、搬送されているフィルム２００の温度を測定するために、ラップフィルム製品１３０の品質に影響しやすい巻芯２３１近傍の温度を検出することが望ましい。ラップフィルム製品１３０は、装置内部１００Ａの雰囲気温度を検出するために、巻芯２３１近傍の温度を検出することが望ましい。また、装置内温度センサ３１０は、フィルム２００の搬送路としてのガイドローラ２２２等の温度を検出してもよく、太巻き原反１２０の交換や、フィルム２００の切断作業に影響を与えない、ガイドローラ２２２等のローラの付近であってよい。さらに、装置内温度センサ３１０は、搬送されて第２円柱部材１３４に巻き付けられた直後のフィルム２００の温度を測定してよい。なお、第２円柱部材１３４の表面は、メタルコートされた金属ロールと比較して光沢性が低い上質紙であり、ガイドローラ２２２等の金属より温度の測定を安定して行うことができる。

さらに、空冷ファン３００および装置外空調装置３２２は、制御装置１４０からの制御信号に従って、空気流の温度および流量を制御する。また、各ガイドローラ２２２の支持軸内には、媒体通路２２２Ａが形成される。媒体通路２２２Ａには図示しないポンプから温度調整された媒体が供給され、これにより、各ガイドローラ２２２の表面温度は調整される。

巻取ドラム２３０の下部には、空冷ファン３００が設けられる。空冷ファン３００は、制御装置１４０の制御に従って、巻取ドラム２３０および巻芯２３１の下方から上方に空気流を供給する。空冷ファン３００は、図示しないダンパーが制御装置１４０の制御によって駆動され、空気流の供給および停止が制御される。空冷ファン３００は、巻取ドラム２３０および巻芯２３１のみならず、例えば太巻き原反１２０、ガイドローラ２２２、ローラ機構２２０、搬送されているフィルム２００そのものといったフィルム２００の温度に影響を与える箇所に空気流を供給することができればよい。空冷ファン３００は、例えば、フィルム２００の皺が巻取ドラム２３０にフィルム２００をピンチ（接触）した位置から始まることから、当該位置に空気流を供給することが望ましい。なお、空冷ファン３００からの空気流と共にダストを巻芯２３１に吹き上げることを抑制するために、巻芯２３１を避けた箇所に空気流を吹き上げることや、ダストフィルタを経由して空気流を吹き上げるなどの対策を施す必要がある。

フィルム２００の温度に起因するラップフィルム製品１３０の皺を抑制するためには、フィルム２００の温度測定位置は、巻芯２３１に近い位置であることが望ましい。また、フィルム２００の温度測定位置は、ガイドローラ２２２などのローラ間やロール上であって、フィルム２００が１枚となっている箇所であってもよい。

さらに、フィルム２００の温度を推定するために、２つの太巻き原反１２０、１２０＃のいずれかの温度を測定してもよい。例えば、太巻き原反１２０、１２０＃の温度と装置内部１００Ａの温度との相関を表すテーブルデータや計算式を用意しておき、太巻き原反１２０、１２０＃の温度に基づいて装置内部１００Ａの温度を推定してよく、装置内部１００Ａの温度と巻芯２３１や巻取ドラム２３０の温度との相関を表すテーブルデータや計算式を設定しておき、装置内部１００Ａの温度に基づいて巻芯２３１や巻取ドラム２３０の温度を推定してよい。

さらに、装置内温度センサ３１０が装置内部１００Ａの任意の位置の温度を検出し、フィルム２００の熱伝導率および製造装置１００の動作による熱の移動を考慮して装置内部１００Ａの他の位置の温度を推定してもよい。例えば、ガイドローラ２２２の温度を検出し、ガイドローラ２２２から巻芯２３１への熱の移動を考慮して巻芯２３１の温度を推定してよい。これにより、装置内部１００Ａにおける複数の位置から装置内部１００Ａの温度を検出することができる。

さらに製造装置１００においてフィルム２００の幅方向に長い面で温度を検出するセンサを用い、フィルム２００の幅方向で均一に温度を管理することが望ましい。これにより、ラップフィルム製品１３０の幅方向の全体において発生する皺を抑制するように温度を制御することができる。また、装置内温度センサ３１０は、例えば、ガイドローラ２２２のうち、一方のガイドローラ２２２そのものの温度を検出し、他方のガイドローラ２２２上のフィルム２００の温度を検出してよい。さらに、装置内温度センサ３１０は、複数箇所の温度を検出することで、フィルム２００の温度の変化を測定してもよい。さらに、フィルム２００の幅方向で複数の温度センサを用いるよりも、一つのフィルム２００の温度センサを用いることで、部品点数およびコストの削減を図ることができる。

［製品検査システム］
図４は、実施形態における製品検査システムの一例を示すブロック図である。製品検査システム４００は、例えば、制御装置１４０と、製品検査装置４１０と、端末装置５００とを備える。制御装置１４０、製品検査装置４１０、および端末装置５００は、例えば、通信ネットワークに接続される。通信ネットワークに接続される各装置は、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）や無線通信モジュールなどの通信インターフェース（不図示）を備えている。通信ネットワークは、例えば、インターネット、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、セルラー網などを含む。

制御装置１４０は、制御部１４２と、通知部１４４とを備える。制御部１４２や通知部１４４といった機能部は、例えばＣＰＵ（Central Processing Unit）等のプロセッサがプログラムメモリに格納されたプログラムを実行することにより実現される。また、これらの機能部のうち一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＦＰＧＡ（Field-Programmable Gate Array）等のハードウェアにより実現されてもよいし、ソフトウェアとハードウェアが協働することで実現されてもよい。制御部１４２は、製造装置１００の各部を制御し、撮像装置１５０から取得した撮影画像を製品検査装置４１０に送信する。制御部１４２は、検査結果を受信する。通知部１４４は、ディスプレイ等を備え、検査結果に基づいて表示等を行う。

端末装置５００は、例えばスマートフォンやタブレット端末などのカメラ装置を備えた携帯型端末装置である。端末装置５００は、カメラ装置による撮像を補助する照明（不図示）を有していることが望ましい。端末装置５００は、ユーザの操作に基づいてラップフィルム製品１３０を撮像する。ユーザは、例えば、ラップフィルム製品１３０を目視等で検査する作業員である。ユーザは、ラップフィルム製品１３０の状態を検査する。端末装置５００は、ラップフィルム製品１３０におけるフィルム１３２の外観的な印象に関する情報として、ラップフィルム製品１３０を撮像した撮像画像を取得する。撮像画像は、例えば、皺のない良品であると印象を受けるラップフィルム製品１３０を撮像した正解画像であるが、これに限定されず、ラップフィルム製品１３０における皺などを含む負例画像であってよい。端末装置５００は、正例画像を製品検査装置４１０に送信する。なお、端末装置５００は、ユーザの操作に基づいて、「印象が良または不良である」ことや、「製品の製造後に経時変化で消失しない皺である」ことや、「フィルムの搬送方向と交わる方向に連続する皺である」ことを示す情報を、画像に付加して送信してもよい。

製品検査装置４１０は、例えば、認識装置４１２と、学習装置４１４と、学習画像データベース４１６とを備える。認識装置４１２および学習装置４１４といった機能部は、例えばＣＰＵ等のプロセッサなどがプログラムメモリに格納されたプログラムを実行することにより実現される。学習画像データベース４１６は、例えばＨＤＤ装置などの記憶装置や、データベース管理装置などを含む。

図５は、実施形態における学習装置４１４の一例を示すブロック図である。学習装置４１４は、例えば、学習データ取得部４２０、学習処理部４２４、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）４２２、および学習結果記憶部４２６を備える。学習データ取得部４２０は、端末装置５００から、学習データとして、学習画像、検査結果、装置内温度、装置外温度、ラップフィルム製品１３０の印象に関する情報を取得する。なお、学習データは、教師データのセットと読み替えてよい。

図６は、畳み込みニューラルネットワーク４２２における入力変数と出力変数との関係を示す図である。学習画像は、畳み込みニューラルネットワーク４２２における入力変数に相当し、検査結果、装置内温度、装置外温度、およびラップフィルム製品１３０の印象に関する情報は、畳み込みニューラルネットワーク４２２における出力変数に相当する。出力変数は、認識装置３２０が出力すべき検査情報に相当する。なお、ラップフィルム製品１３０の印象は、製造作業員の目視による検査結果や、顧客が初めて製品を開封した時の印象のアンケート結果、過去の苦情（クレーム）の事例等に基づく情報であってよい。

学習処理部４２４は、学習データのうち学習画像を畳み込みニューラルネットワーク４２２に入力した場合に、畳み込みニューラルネットワーク４２２から学習データのうち出力変数を出力するように、畳み込みニューラルネットワーク４２２の処理パラメータを学習する。具体的に、学習処理部４２４は、学習データを用い、図６に示した入力変数に対応する出力変数と、畳み込みニューラルネットワーク４２２の出力との差が小さくなるように、処理パラメータを再帰的に算出（更新）する。学習処理部４２４は、処理パラメータを取得するために、例えば、深層学習を行う。深層学習とは、多層構造、特に３層以上のニューラルネットワークを用いた機械学習である。多層構造のニューラルネットワークとして、実施形態においては、畳み込みニューラルネットワーク４２２を用いる。学習処理部４２４は、更新した処理パラメータを学習結果記憶部４２６に保存する。

図７は、実施形態における認識装置４１２の一例を示すブロック図である。認識装置４１２は、撮影画像取得部４３０、畳み込みニューラルネットワーク４３２、認識処理部４３４、および認識結果記憶部４３６を備える。撮影画像取得部４３０は、制御装置１４０から撮影画像を取得する。畳み込みニューラルネットワーク４３２は、学習結果記憶部４２６に記憶された処理パラメータが設定された予測モデルである。畳み込みニューラルネットワーク４３２は、撮影画像を入力し、検査結果等の認識結果を出力する。認識処理部４３４は、畳み込みニューラルネットワーク４３２から出力された認識結果を認識結果記憶部４３６に保存する。認識結果は、図６に示した学習データ（教師データのセット）に対応した情報を含む。すなわち、認識結果には、検査結果、装置内適性温度、装置外適性温度、ラップフィルム製品１３０の印象に関する情報が含まれる。

図８は、実施形態における認識結果の一例を示す図である。認識処理部４１２は、撮影画像ＩＤと、畳み込みニューラルネットワーク４３２の出力としての認識結果と、製品ＩＤとを対応付けて記憶する。製品ＩＤは、ラップフィルム製品１３０の識別情報であり、例えば、ラップフィルム製品１３０の製造番号やロット番号である。認識処理部４３４は、例えば、制御装置１４０から撮影画像に対応する撮影画像ＩＤ、および撮影画像に関連する製品ＩＤを取得する。認識処理部４３４は、畳み込みニューラルネットワーク４３２から出力された認識結果に、撮影画像ＩＤおよび製品ＩＤを対応付けて認識結果記憶部４３６に保存する。なお、製品ＩＤは、例えば、第２円柱部材１３４に印刷された文字列を撮像装置１５０により撮像した画像に基づいて認識した情報であってよい。

認識装置４１２は、認識結果記憶部４３６に記憶された情報を制御装置１４０に出力する。通知部１４４は、例えば、製品ＩＤに対応した認識結果を通知する。これにより、制御装置１４０は、製品ＩＤに対応したラップフィルム製品１３０ごとに、認識結果に基づく選別工程や、後処理工程を行わせることができる。

制御部１４２は、装置内温度センサ３１０から取得した装置内温度と、認識装置４１２から取得した装置内適性温度との装置内温度差を計算し、当該装置内温度差を小さくするように空冷ファン３００および／または装置外空調装置３２２を制御する温度制御信号を出力する。同様に、制御部１４２は、装置外温度センサ３２０から取得した装置外温度と、認識装置４１２から取得した装置外適性温度との装置外温度差を計算し、当該装置外温度差を小さくするように空冷ファン３００および／または装置外空調装置３２２を制御する温度制御信号を出力する。また、通知部１４４は、装置内温度差および／または装置外温度差を小さくすることを促すような表示情報を表示させることで、製造装置１００の管理者にダンパーやダクトの操作を促してよい。これにより、例えば、フィルム２００の温度が上がり過ぎることによる、フィルム２００に含まれる成分がブリードアウトしてフィルム２００のパスライン上のガイドローラ２２２等に巻き付くなどの不具合や、ラップフィルム製品１３０への不具合としてフィルム端部の巻き状態が乱れることを抑制することができる。

また、製造装置１００は、太巻き原反１２０から搬送されたフィルム２００および太巻き原反１２０の双方の温度調整を行うことが望ましいが、太巻き原反１２０の温度を調整するよりも、搬送されているフィルム２００の温度を調整することで、フィルム２００の不具合を効果的に抑制することができる。この理由は、フィルム２００を巻き替えるときには製造装置１００内の複数ロールに接触して、太巻き原反１２０の温度が熱伝導によって変化するため、太巻き原反１２０の温度を厳密に温調しても装置内部１００Ａの温度に大きく影響するためである。

さらに、製造装置１００は、巻き替え中のフィルム２００が繰り出される太巻き原反１２０以外に、予備の太巻き原反１２０＃の温度調整を行うことが望ましい。このために、製造装置１００は、装置内温度センサ３１０または装置外温度センサ３２０により検出した温度に基づいて太巻き原反１２０＃や、予備の太巻き原反１２０＃の置き場などの温度を調整することで、予備の太巻き原反１２０＃の温度を安定化させてよい。これにより、製造装置１００は、太巻き原反１２０の温度が適切ではない場合における、装置内部１００Ａの温度調整の頻度を抑制することができることや、ダンパーの開閉回数を減らすことでセンサスイッチの摩耗を減らして故障を予防するという効果も期待することができる。

［畳み込みニューラルネットワーク］
以下、実施形態における畳み込みニューラルネットワーク４２２および畳み込みニューラルネットワーク４３２の一例について説明する。なお、この説明において、畳み込みニューラルネットワーク４２２および畳み込みニューラルネットワーク４３２を総称して「畳み込みニューラルネットワーク」と記載する。

上述したように、学習処理部４２４は、学習用の畳み込みニューラルネットワーク４２２に対して、学習画像の画素値を入力層に入力する入力変数とし、検査情報を出力層から出力される出力変数として設定する。学習処理部４２４は、学習画像と検査情報の学習データセットを用いて、機械学習を行う。認識処理部４３４は、学習済の畳み込みニューラルネットワーク３２３に対して、撮影画像の画素値を入力層へ入力し、出力層から検査情報を取得する。

図９は、実施形態における畳み込みニューラルネットワークを用いた認識処理を行う処理を説明するための図である。畳み込みニューラルネットワークは、例えば層Ｌ０、層Ｌ１、層Ｌ２、層Ｌｉ、および層ＬＩを含む。層Ｌ０は入力層、層Ｌ１～層Ｌｉは中間層或いは隠れ層、層ＬＩは出力層とも呼ばれる。畳み込みニューラルネットワークは、入力層Ｌ０に、入力画像が入力される。入力画像は、入力画像の垂直方向の位置と水平方向の位置を、行列の位置とする画素行列Ｄ１１で表される。画素行列Ｄ１１の各要素は、行列の位置に対応する画素のサブ画素値として、Ｒ（赤）のサブ画素値、Ｇ（緑）のサブ画素値、およびＢ（青）サブ画素値を含む。１番目の中間層Ｌ１は、畳み込み処理（フィルター処理とも呼ばれる）とプーリング処理が行われる層である。

（畳み込み処理（Ｃｏｎｖｏｌｕｔｉｏｎ））
中間層Ｌ１の畳み込み処理の一例について説明する。畳み込み処理は、元の画像にフィルタをかけて特徴マップを出力する処理である。具体的には、入力された画素値は、それぞれ、Ｒのサブ画素行列Ｄ１２１と、Ｂのサブ画素行列Ｄ１２２と、Ｇのサブ画素行列Ｄ１２３とに分けられる。各サブ画素行列Ｄ１２１、Ｄ１２２、Ｄ１２３（各々を「サブ画素行列Ｄ１２」とも称する）は、それぞれ、ｓ行ｔ列の部分行列ごとに、その部分行列の各要素とｓ行ｔ列のコンボリューション行列ＣＭ１（カーネルとも呼ばれる）の要素が乗算され、加算されることで、第１画素値が算出される。各サブ画素行列Ｄ１２で算出された第１画素値は、それぞれ、重み係数が乗算されて加算されることで、第２画素値が算出される。第２画素値は、部分行列の位置に対応する行列要素として、畳込画像行列Ｄ１３１の各要素として設定される。各サブ画素行列Ｄ１２において部分行列の位置が要素（サブ画素）ごとにずらされることで、各位置での第２画素値が算出され、畳込画像行列Ｄ１３１の全ての行列要素が算出される。

図９は、例えば、３行３列のコンボリューション行列ＣＭ（convolution matrix）１を用いた畳み込みニューラルネットワークの一例であり、畳込画素値Ｄ１３１１は、各サブ画素行列Ｄ１２の２行目から４行目、かつ、２列目から４列目までの３行３列の部分行列について第１画素値が算出される。各サブ画素行列Ｄ１２１、Ｄ１２２、およびＤ１２３の各第１画素値に、重み係数が算出されて加算されることで、畳込画像行列Ｄ１３１の２行目２列目の行列要素として、第２画素値が算出される。同様に、３行目から５行目、かつ、２列目から４列目の部分行列から、畳込画像行列Ｄ１３１の３行目２列目の行列要素の第２画素値が算出される。また同様に、他の重み付け係数又は他のコンボリューション行列を用いて、畳込画像行列Ｄ１３２、・・・が算出される。

（プーリング処理（Ｐｏｏｌｉｎｇ））
中間層Ｌ１のプーリング処理の一例について説明する。プーリング処理は、画像の特徴を残しながら画像を縮小する処理である。具体的には、畳込画像行列Ｄ１３１におけるｕ行ｖ列の領域ＰＭ（pooling matrix）ごとに、領域内の行列要素の代表値が算出される。代表値は、例えば、領域内の行列要素の最大値である。代表値は、領域ＰＭの位置に対応する行列要素として、ＣＮＮ画像行列Ｄ１４１の各要素に設定される。畳込画像行列Ｄ１３１における領域が、領域ＰＭごとにずらされることで、各位置での代表値が算出され、ＣＮＮ画像行列Ｄ１４１の全ての要素が算出される。

図９は、例えば２行２列の領域ＰＭを用いた畳み込みニューラルネットワークの一例であり、畳込画像行列Ｄ１３１の３行目から４行目、かつ、３列目から４列目までの２行２列の領域ＰＭについて、領域ＰＭ内の最大値が、代表値として算出される。この代表値は、ＣＮＮ画像行列Ｄ１４１の２行目２列目の行列要素に設定される。同様に、５行目から６行目、かつ、２列目から４列目の部分行列から、ＣＮＮ画像行列Ｄ１４１の３行目２列目の行列要素の代表値が算出される。また同様に、畳込画像行列Ｄ１３２、・・・から、ＣＮＮ画像行列Ｄ１４２、・・・が算出される。

ＣＮＮ画像行列Ｄ１４１、Ｄ１４２、・・・の各行列要素（Ｎ個）は、予め定められた順序で並べられることで、ベクトルＸとして生成される。ベクトルＸは、Ｎ個の要素ｘ_ｎ（ｎ＝１、２、３、・・・Ｎ）を含む。ベクトルＸは、ベクトルｕ^（０）に相当する。

中間層Ｌｉは、第ｉ番目（ｉ＝２，・・・）の中間層を表している。中間層Ｌｉは、ベクトルｕ^（ｉ）を含む。中間層Ｌｉの各ノードからは、ベクトルｚ^（ｉ）が出力される。ベクトルｚ^（ｉ）は、ベクトルｕ^（ｉ）が活性化関数である関数ｆ（ｕ^（ｉ））に入力された値を持つ。ベクトルｕ^（ｉ）は、第ｉ－１目の中間層のノードから出力されたベクトルｚ^{（ｉ-１）}に重み行列Ｗ^（ｉ）を乗算した値と、ベクトルｂ^（ｉ）とを加算した値を持つ。ベクトルｂ^（ｉ）は、バイアスである。

出力層ＬＩは、ベクトルｚ^{（Ｉ-１）}を含む。出力層ＬＩの出力は、Ｍ個のｙ_ｍ（ｍ＝１、２、・・・Ｍ）である。つまり、出力層ＬＩは、Ｍ個のｙ_ｍを要素として含むベクトルＹ（ｙ_１、ｙ_２、ｙ_３、・・・ｙ_Ｍ）を出力する。以上により、畳み込みニューラルネットワークは、入力変数として画像の画素値が入力された場合に、出力変数としてベクトルＹを出力する。実施形態におけるベクトルＹは、検査情報を表す。

図１０は、実施形態における畳み込みニューラルネットワークを用いた学習処理を説明するための図である。学習データセットの画像の画素値に対して、第１番目の中間層Ｌ１から出力されたベクトルをベクトル［Ｘ］とする。学習データセットにおける確定クラスを表すベクトルをベクトル［Ｙ］とする。確定クラスは、実施形態における図６に示した出力係数（検査結果、皺の数、皺の密度、目視による印象等の検査情報）である。

重み行列Ｗ^（ｉ）には、初期値が設定される。入力画像が入力層Ｌ０に入力されたことに基づいて第２番目の中間層Ｌ２にベクトル［Ｘ］が入力された場合、出力層ＬＩからベクトル［Ｘ］に基づくベクトルＹ（Ｘ）が出力される。ベクトルＹ（Ｘ）とベクトル［Ｙ］の誤差Ｅは、損失関数を用いて計算される。第ｉ層の勾配ΔＥ_ｉは、各層からの出力ｚ_ｉと誤差信号δ_ｉと用いて計算される。誤差信号δ_ｉは、誤差信号δ_ｉ－１を用いて計算される。なお、出力層ＬＩから入力層Ｌ０に向かって、出力層側の誤差信号から入力層側の誤差信号を計算する処理は、逆伝搬とも呼ばれる。重み行列Ｗ^（ｉ）は、勾配ΔＥ_ｉに基づいて更新される。同様に、第１番目の中間層Ｌ１においても、コンボリューション行列ＣＭまたは重み係数が更新される。

［予測モデルの設定］
学習処理部４２４は、畳み込みニューラルネットワークについて、層数、各層のノード数、各層間のノードの結合方式、活性化関数、誤差関数、及び勾配降下アルゴリズム、プーリングの領域、カーネル、重み係数、および重み行列といった処理パラメータを設定する。学習処理部４２４は、例えば、層数として、３層（Ｉ＝３）を設定する。学習処理部４２４は、各層のノードの数（「ノード数」とも称する）として、ベクトルＸの要素数（ノード数Ｎ）に８００、第２番目の中間層（ｉ＝２）のノード数に５００、出力層（ｉ＝３）に１０を設定する。ただし、実施形態はこれに限らず、総数は４層以上であってもよいし、ノード数には別の値が設定されてもよい。

学習処理部４２４は、２０個の５行５列のコンボリューション行列ＣＭをし、２行２列の領域ＰＭを設定する。ただし、実施形態はこれに限らず、別の行列数又は別の個数のコンボリューション行列ＣＭが設定されてもよい。また、別の行列数の領域ＰＭが設定されてもよい。学習処理部４２４は、より多くの畳み込み処理又はプーリング処理を行ってもよい。

学習処理部４２４は、畳み込みニューラルネットワークの各層の結合として、全結合を設定する。ただし、実施形態はこれに限らず、一部或いは全ての層の結合は、非全結合に設定であってもよい。学習処理部４２４は、活性化関数として、全ての層の活性化関数にシグモイド関数を設定する。ただし、実施形態はこれに限らず、各層の活性化関数は、ステップ関数、線形結合、ソフトサイン、ソフトプラス、ランプ関数、切断冪関数、多項式、絶対値、動径基底関数、ウェーブレット、ｍａｘｏｕｔ等、他の活性化関数であってもよい。また、ある層の活性化関数は、他の層とは異なる種類であってもよい。

学習処理部４２４は、誤差関数として、二乗損失（平均二乗誤差）を設定する。ただし、本発明はこれに限らず、誤差関数は、交差エントロピー、τ－分位損失、Ｈｕｂｅｒ損失、ε感度損失（ε許容誤差関数）であってもよい。また、学習処理部４２４は、勾配を計算するアルゴリズム（勾配降下アルゴリズム）として、ＳＧＤ（確率的勾配降下）を設定する。ただし、本発明はこれに限らず、勾配降下アルゴリズムには、Ｍｏｍｅｎｔｕｍ（慣性項） ＳＤＧ、ＡｄａＧｒａｄ、ＲＭＳｐｒｏｐ、ＡｄａＤｅｌｔａ、Ａｄａｍ（Ａｄａｐｔｉｖｅ ｍｏｍｅｎｔ ｅｓｔｉｍａｔｉｏｎ）等が用いられてもよい。

学習処理部４２４は、畳み込みニューラルネットワーク（ＣＮＮ）に限らず、パーセプトロンのニューラルネットワーク、再起型ニューラルネットワーク（ＲＮＮ）、残差ネットワーク（ＲｅｓＮｅｔ）等の他のニューラルネットワークを設定してもよい。また、学習処理部４２４は、決定木、回帰木、ランダムフォレスト、勾配ブースティング木、線形回帰、ロジスティック回帰、又は、ＳＶＭ（サポートベクターマシン）等の教師あり学習の予測モデルを一部或いは全部に設定してもよい。

［実施形態の効果］
以上に説明したように、実施形態の製品検査システム４００によれば、透明のフィルム２００を巻芯２３１に搬送し、搬送されたフィルム２００を巻芯２３１に巻き付けたラップフィルム製品１３０を検査する製品検査システムであって、ラップフィルム製品１３０を撮像する撮像装置１５０と、ラップフィルム製品１３０の外観に影響を与える温度を測定する測定装置１４０Ａ（装置内温度センサ３１０、装置外温度センサ３２０）と、巻芯２３１へと搬送されるフィルム２００を用いて製造されたラップフィルム製品１３０の外観画像と、フィルム２００の製造に影響を与える温度の情報を教師データとして畳み込みニューラルネットワーク４２２を機械学習させ、畳み込みニューラルネットワーク４２２に測定装置１４０Ａにより測定された温度を入力することで、ラップフィルム製品１３０の外観に関する検査情報を取得し、検査情報および測定装置１４０Ａにより測定した温度に基づいてラップフィルム製品１３０の外観を検査する製品検査装置４１０と、を備える、製品検査システム４００を実現することができる。例えば、製品検査システム４００は、畳み込みニューラルネットワーク４３２に画像を入力した場合に、畳み込みニューラルネットワーク４３２から出力された適性温度と、測定装置１４０Ａで実際に測定した温度とに基づいてラップフィルム製品１３０の検査を行うことができる。この結果、実施形態の製品検査システム４００によれば、製造工程において撮像した画像を用いてラップフィルム製品１３０を検査することができる。また、製品検査システム４００によれば、ラップフィルム製品１３０の外観画像およびフィルム２００の製造に影響を与える温度の情報を教師データとして畳み込みニューラルネットワーク４２２を繰り返して機械学習させることで検査精度を高くして、不具合があるラップフィルム製品１３０の連続的な発生を抑制することができる。製品検査システム４００は、例えば、測定装置１４０Ａで実際に測定した温度を適正な温度に近づけるように動作することで、不具合があるラップフィルム製品１３０が連続的に発生することを抑制することができる。

実施形態の製品検査システム４００は、フィルム２００の製造に影響を与える温度として、太巻き原反１２０やフィルム２００の温度を測定すればよいが、搬送されるフィルム２００の温度を実測する場合、フィルム２００が無色透明かつ１０ミクロンオーダー未満の薄膜であり、高速搬送されるため、レーザーなどの非接触センサを用いても正確な温度の測定が困難となる可能性がある。これに対し、製品検査システム４００は、搬送されるフィルムに加えて、またはフィルムに代えて、フィルム２００の製造に影響を与える温度として、装置内部１００Ａ内の温度や製造装置１００外の温度を測定することが望ましい。フィルム２００の正確な温度を推定するためには、製造装置１００外の温度よりも装置内部１００Ａ内の温度を測定することが望ましい。

なお、フィルム２００の温度を時間的に連続して測定することで、フィルム２００の温度の時間的な変化に基づいてフィルム２００の厚みのバラツキを推定し、厚みのバラツキに起因するラップフィルム製品１３０に生ずる皺や印象を推定してもよい。この場合、学習装置４１４は、ラップフィルム製品１３０の画像や印象に加えて、温度差および厚みのバラツキを畳み込みニューラルネットワーク４２２に入力して学習させ、検査時に画像および温度差を畳み込みニューラルネットワーク４３２に入力することで、畳み込みニューラルネットワーク４３２から厚みのバラツキを出力させることができる。

ラップフィルム製品１３０の幅寸法によって巻芯２３１にフィルム２００を巻き取る時に発生する不具合が異なる。このため、製品検査システム４００は、ラップフィルム製品１３０の幅に応じて温度を管理することが望ましい。製品検査システム４００は、例えば、ラップフィルム製品１３０の幅が大きいほど、フィルム２００の温度、装置内部１００Ａおよび／または装置内部１００Ａ外の温度を高くするように制御する。

実施形態の製品検査システム４００によれば、撮像装置１５０により撮像された画像および検査情報としてラップフィルム製品１３０におけるフィルム２００の外観的な印象を畳み込みニューラルネットワーク４２２に学習させ、畳み込みニューラルネットワーク４２２は、撮像装置１５０により撮像された画像が入力された場合に、検査情報としてラップフィルム製品１３０におけるフィルムの外観的な印象に関する情報を出力するように機械学習される。実施形態の製品検査システム４００によれば、フィルム２００を撮像するだけで、目視等の検査を行わなくても、ラップフィルム製品１３０の外観的な印象を検査することができる。

実施形態の製品検査システム４００によれば、撮像装置１５０により撮像された画像のうち良好な製品の画像および良好なラップフィルム製品１３０に対応した温度情報を、畳み込みニューラルネットワーク４２２に学習させ、畳み込みニューラルネットワーク４３２は、撮像装置１５０により撮像された画像が入力された場合に、良好なラップフィルム製品１３０に対応した温度情報に基づく温度の制御情報を出力する。これにより、実施形態の製品検査システム４００によれば、フィルム２００を撮像するだけで、フィルム２００の皺が発生しないような温度に近づけることができる。

実施形態の製品検査システム４００によれば、透明のフィルム２００を巻芯２３１に搬送し、搬送されたフィルム２００を巻芯２３１に巻き付けたラップフィルム製品１３０を検査する製品検査方法であって、ラップフィルム製品１３０を撮像するステップと、フィルム２００の製造に影響を与える温度を測定するステップと、巻芯２３１へと搬送されるフィルム２００を用いて製造されたラップフィルム製品１３０の外観画像と、ラップフィルム製品１３０の外観に影響を与える温度の情報を教師データとして畳み込みニューラルネットワーク４２２を機械学習させるステップと、畳み込みニューラルネットワーク４３２に撮像された画像を入力することで、ラップフィルム製品１３０の外観に関する検査情報を取得し、検査情報および測定した温度に基づいてラップフィルム製品１３０の外観を検査するステップと、を含む、製品検査方法を実現することができる。実施形態の製品検査システム４００によれば、製造工程におけるフィルム２００を用いてラップフィルム製品１３０を検査すると共に、不具合があるラップフィルム製品１３０の発生を抑制することができる。

実施形態によれば、透明のフィルム２００を巻芯２３１に搬送し、搬送されたフィルム２００を巻芯２３１に巻き付けたラップフィルム製品１３０の学習画像、およびラップフィルム製品１３０の外観に影響を与える温度の情報を含む学習データを取得する学習データ取得部４２０と、畳み込みニューラルネットワーク４２２を学習する学習処理部４２４であって、学習画像を畳み込みニューラルネットワーク４２２に入力した場合に、畳み込みニューラルネットワーク４２２からラップフィルム製品１３０の外観に関する検査情報を出力するように、畳み込みニューラルネットワーク４２２の処理パラメータを学習する学習処理部４２４と、を備える、学習装置４１４を実現することができる。実施形態によれば、製造工程におけるフィルム２００を用いてラップフィルム製品１３０を検査するための認識エンジンを構築することができる。

実施形態によれば、透明のフィルム２００を巻芯２３１に搬送し、搬送されたフィルム２００を巻芯２３１に巻き付けたラップフィルム製品１３０の製造工程において、巻芯２３１へと搬送されるフィルム２００を撮像した撮影画像を取得する撮影画像取得部４３０と、ラップフィルム製品１３０の外観に影響を与える温度を測定する測定装置１４０Ａと、巻芯２３１へと搬送されるフィルム２００を過去に撮像した画像と、ラップフィルム製品１３０の外観に影響を与える温度の情報とを教師データとして機械学習された畳み込みニューラルネットワーク４３２に、撮像された画像を入力することで、ラップフィルム製品１３０の外観に関する検査情報を取得し、検査情報および測定した温度に基づいてラップフィルム製品１３０の外観を検査する製品検査装置４１０と、を備える、認識装置を実現することができる。実施形態によれば、製造工程におけるフィルム２００を用いてラップフィルム製品１３０を検査すると共に、不具合があるラップフィルム製品１３０の発生を抑制することができる。

実施形態によれば、透明のフィルム２００を巻芯２３１に搬送し、搬送されたフィルム２３１を巻芯２３１に巻き付けたラップフィルム製品１３０を製造する製品製造システム（製造装置１００）であって、ラップフィルム製品１３０を撮像する撮像装置１５０と、ラップフィルム製品１３０の外観に影響を与える温度を測定する測定装置１４０Ａと、ラップフィルム製品１３０の外観に影響を与える温度を調整する空調部（空冷ファン３００、装置外空調装置３２２）と、ラップフィルム製品１３０の外観画像と、撮像された画像のうち良好な製品の画像および良好な製品に対応した温度情報を教師データとして畳み込みニューラルネットワーク４２２を機械学習させ、畳み込みニューラルネットワーク４３２に撮像された画像を入力することで、ラップフィルム製品１３０の外観に関する検査情報を取得し、検査情報および測定した温度に基づいてラップフィルム製品１３０の外観を検査する製品検査装置４１０と、を備え、畳み込みニューラルネットワーク４３２は、撮像された画像が入力された場合に、良好な製品に対応した温度情報に基づく温度の制御情報を出力し、空調部は、制御情報に基づいてラップフィルム製品１３０の外観に影響を与える温度を調整する、製品製造システムを実現することができる。実施形態によれば、例えばラップフィルム製品１３０の皺を抑制するようにラップフィルム製品１３０の外観に影響する温度を制御することで、不具合があるラップフィルム製品１３０の発生を抑制することができる。

実施形態によれば、透明のフィルム２００を巻芯２３１に搬送し、搬送されたフィルム２００を巻芯２３１に巻き付けたラップフィルム製品１３０を製造する製品製造方法であって、ラップフィルム製品１３０を撮像するステップと、ラップフィルム製品１３０の外観に影響を与える温度を測定するステップと、ラップフィルム製品１３０の外観に影響を与える温度を調整するステップと、巻芯２３１へと搬送されるフィルム２００を用いて製造されたラップフィルム製品１３０の外観画像と、撮像された画像のうち良好な製品の画像および良好な製品に対応した温度情報を教師データとして畳み込みニューラルネットワーク４２２を機械学習させるステップと、畳み込みニューラルネットワーク４３２に撮像された画像を入力することで、ラップフィルム製品１３０の外観に関する検査情報を取得し、検査情報および測定した温度に基づいてラップフィルム製品１３０の外観を検査するステップと、を有し、畳み込みニューラルネットワーク４３２は、撮像された画像が入力された場合に、良好なラップフィルム製品１３０に対応した温度情報に基づく温度の制御情報を出力し、制御情報に基づいてラップフィルム製品１３０の外観に影響を与える温度を調整するステップと、を含む、製品製造方法を実現することができる。実施形態によれば、例えばラップフィルム製品１３０の皺を抑制するように、ラップフィルム製品１３０の外観に影響する温度を制御することで、不具合があるラップフィルム製品１３０の発生を抑制することができる。

なお、本発明の一態様における製品検査システム４００のプログラムは、本発明の一態様に関わる上記の各実施形態や変形例で示した機能を実現するように、１つ、または複数の、ＣＰＵ等のプロセッサを制御するプログラム（コンピュータを機能させるプログラム）であっても良い。そして、これらの各装置で取り扱われる情報は、その処理時に一時的にＲＡＭに蓄積され、その後、フラッシュメモリ、ＳＳＤやＨＤＤ等の各種ストレージに格納され、必要に応じてＣＰＵによって読み出し、修正・書き込みが行われても良い。

なお、上述した各実施形態や変形例における製品検査システム４００が備える学習装置または認識装置の一部又は全部を１つ、または複数のプロセッサを備えたコンピュータで実現するようにしても良い。その場合、この制御機能を実現するためのプログラムをコンピュータが読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現しても良い。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。

また、上述した各実施形態や変形例における製品検査システム４００が備える学習装置または認識装置の一部、又は全部を典型的には集積回路であるＬＳＩとして実現してもよいし、チップセットとして実現してもよい。また、集積回路化の手法は、ＬＳＩに限らず専用回路、および／または汎用プロセッサで実現しても良い。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いることも可能である。

以上、この発明の一態様として各実施形態や変形例に関して図面を参照して詳述してきたが、具体的な構成は各実施形態や変形例に限られるものではなく、この発明の要旨を逸脱しない範囲の設計変更等も含まれる。また、本発明の一態様は、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。また、上記各実施形態や変形例に記載された要素であり、同様の効果を奏する要素同士を置換した構成も含まれる。

例えば、上記各実施形態の一部または全部を組み合わせることで本発明の一態様を実現してもよい。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１００ 製造装置、１１０ 搬送部、１２０ 原反、１２２ フィルム、１２４ 第１円柱部材、１３０ ラップフィルム製品、１３２ フィルム、１３４ 第２円柱部材、１４０ 制御装置、１４０Ａ 測定装置、１４２ 制御部、１４４ 通知部、１５０ 撮像装置、１６０ 照明装置、２００ フィルム、２１０ 供給機構、２１１ 供給位置、２１２ 待機位置、２１３ ターレットアーム、２２０ ローラ機構、２２１ 巻出ローラ、２２２ ガイドローラ、２２２Ａ 媒体通路、２２３ エキスパンダローラ、２２４ ピンチローラ、２３０ 巻取ドラム、２３１ 巻芯、２３１ フィルム、３００ 空冷ファン、３１０ 装置内温度センサ、３２０ 認識装置、３２０ 装置外温度センサ、３２２ 装置外空調装置、３２３ ニューラルネットワーク、４００ 製品検査システム、４１０ 製品検査装置、４１２ 認識装置、４１２ 認識処理部、４１４ 学習装置、４１６ 学習画像データベース、４２０ 学習データ取得部、４２２ ニューラルネットワーク、４２４ 学習処理部、４２６ 学習結果記憶部、４３０ 撮影画像取得部、４３２ ニューラルネットワーク、４３４ 認識処理部、４３６ 認識結果記憶部、５００ 端末装置

Claims (9)

1. 透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を検査する製品検査システムであって、
   前記製品を撮像する撮像部と、
   前記製品の外観に影響を与える温度を測定する測定部と、
   前記円柱部材へと搬送されるフィルムを用いて製造された製品の外観画像と、前記製品の外観に影響を与える温度の情報を教師データとして予測モデルを機械学習させ、前記予測モデルに前記撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報および前記測定部により測定した温度に基づいて前記製品の外観を検査する検査部と、
   を備える、製品検査システム。
2. 前記撮像部により撮像された画像および前記検査情報として前記製品におけるフィルムの外観的な印象を前記予測モデルに学習させ、
   前記予測モデルは、前記撮像部により撮像された画像が入力された場合に、前記検査情報として前記製品におけるフィルムの外観的な印象に関する情報を出力するように機械学習される、
   請求項１に記載の製品検査システム。
3. 前記撮像部により撮像された画像のうち良好な製品の画像および良好な製品に対応した温度情報を、前記予測モデルに学習させ、
   前記予測モデルは、前記撮像部により撮像された画像が入力された場合に、良好な製品に対応した温度情報に基づく温度の制御情報を出力する、
   請求項１に記載の製品検査システム。
4. 前記フィルムは熱可撓性を持つ材料を含む、請求項１から３のうち何れか１項に記載の製品検査システム。
5. 透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を検査する製品検査方法であって、
   前記製品を撮像するステップと、
   前記製品の外観に影響を与える温度を測定するステップと、
   前記円柱部材へと搬送されるフィルムを用いて製造された製品の外観画像と、前記製品の外観に影響を与える温度の情報を教師データとして予測モデルを機械学習させるステップと、
   前記予測モデルに撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報および測定した温度に基づいて前記製品の外観を検査するステップと
   を含む、製品検査方法。
6. 透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品の学習画像、および前記製品の外観に影響を与える温度の情報を含む学習データを取得する学習データ取得部と、
   予測モデルを学習する学習処理部であって、前記学習画像を前記予測モデルに入力した場合に、前記予測モデルから前記製品の外観に関する検査情報を出力するように、前記予測モデルの処理パラメータを学習する学習処理部と、
   を備える、学習装置。
7. 透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品の製造工程において、前記円柱部材へと搬送される前記フィルムを撮像した撮影画像を取得する撮影画像取得部と、
   前記製品の外観に影響を与える温度を測定する測定部と、
   前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と、前記製品の外観に影響を与える温度の情報とを教師データとして機械学習された予測モデルに、前記フィルムを撮像した画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報および前記測定部により測定した温度に基づいて前記製品の外観を検査する検査部と、
   を備える、認識装置。
8. 透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を製造する製品製造システムであって、
   前記製品を撮像する撮像部と、
   前記製品の外観に影響を与える温度を測定する測定部と、
   前記製品の外観に影響を与える温度を調整する空調部と、
   前記円柱部材へと搬送されるフィルムを用いて製造された製品の外観画像と、前記撮像部により撮像された画像のうち良好な製品の画像および良好な製品に対応した温度情報を教師データとして予測モデルを機械学習させ、前記予測モデルに前記撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報および前記測定部により測定した温度に基づいて前記製品の外観を検査する検査部と、を備え、
   前記予測モデルは、前記撮像部により撮像された画像が入力された場合に、良好な製品に対応した温度情報に基づく温度の制御情報を出力し、
   前記空調部は、前記制御情報に基づいて前記製品の外観に影響を与える温度を調整する、製品製造システム。
9. 透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を製造する製品製造方法であって、
   前記製品を撮像するステップと、
   前記製品の外観に影響を与える温度を測定するステップと、
   前記製品の外観に影響を与える温度を調整するステップと、
   前記円柱部材へと搬送されるフィルムを用いて製造された製品の外観画像と、撮像された画像のうち良好な製品の画像および良好な製品に対応した温度情報を教師データとして予測モデルを機械学習させるステップと、
   前記予測モデルに前記フィルムを撮像した画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報および測定した温度に基づいて前記製品の外観を検査するステップと、を有し、
   前記予測モデルは、前記撮像部により撮像された画像が入力された場合に、良好な製品に対応した温度情報に基づく温度の制御情報を出力し、前記制御情報に基づいて前記製品の外観に影響を与える温度を調整する、製品製造方法。

Images