JP2022159623A - Ｘ線検査装置およびｘ線検査方法 - Google Patents

Abstract

【課題】検査対象に収容される複数物品のそれぞれについて特徴検出精度を高め、低コストで所要検査精度のＸ線検査を実行できるＸ線検査装置および方法を提供する。【解決手段】所定品種の複数の物品Ａ－Ｄを含む検査対象Ｐに対し、これを透過するＸ線を発生するＸ線発生器２１と、透過Ｘ線を検出するＸ線検出器２４と、Ｘ線検出器２４の出力に基づいて製品ＰのＸ線検査画像を生成する画像処理部３２と、その画像を基に検査対象Ｐの品質状態を判定する判定部３３とを備えるＸ線検査装置で、複数物品Ａ－Ｄの単体の幾何学的特徴を記憶する記憶部４２と、単体の幾何学的特徴および複数の物品Ａ－ＤのＸ線検査画像を基に複数の物品Ａ－Ｄのそれぞれに対応する物品単体画像を分離して生成する分離画像生成部４１とをさらに備えており、判定部３３が、複数の物品Ａ－Ｄに対応するそれぞれの物品単体画像に基づいて検査対象Ｐの品質状態の判定を実行する。【選択図】図１

Description

本発明は、Ｘ線検査装置およびＸ線検査方法に関し、特にＸ線画像の画像処理データを用いて検査対象物品の形状等を検査するのに好適な物品検査用のＸ線検査装置およびＸ線検査方法、ならびに同検査に用いる学習モデル作成方法に関する。

Ｘ線により被検査物に要求される品質状態を検査するＸ線検査装置、特に搬送中の被検査物に照射したＸ線の所定期間毎の累積透過量を透過領域毎のＸ線検出器により検出し、Ｘ線画像を生成するようにしたＸ線検査装置が、従前より知られている。

また、このようなＸ線検査装置における検査方法として、Ｘ線検出器で取得したＸ線画像（原画像）に対し何らかの画像処理を施すことで、検査項目に係る検査対象の特徴を明確化したＸ線画像を生成し、Ｘ線検査の精度を高めるようにしたものが知られている。

従来のこの種のＸ線検査装置およびＸ線検査方法としては、例えば同一の容器類に所定形状の複数物品を封入または収容した製品をＸ線検査する検査装置であって、複数物品が重なり合っている状態の製品検査画像を少なくとも教師画像として記憶し、記憶済み教師画像を用いる機械学習によって複数の物品が重なり合っている状態の製品に関する特徴を取得することで、複数物品が重なり合う製品における異物検出精度の低下を抑制するようにしたものがある（特許文献１参照）。

国際公開２０１９／１５９４４０号

しかしながら、上記従来のＸ線検査装置およびＸ線検査方法にあっては、複数物品が収容された被検査物の全体画像を基に多様な形態の重なり部の機械学習を行っていたため、被検査物の全体についての良否判定ができたとしても、検査対象となる製品中の物品の単品でのＸ線検査やその結果出力ができないという問題があった。

また、教師画像として膨大な検査画像が必要になるにもかかわらず、重なり合った複数物品のそれぞれの形状やサイズ等の特徴を精度よく検出できないという問題があった。

本発明は、上述のような従来の課題を解決すべくなされたものであり、検査対象に収容される複数物品のそれぞれについて特徴検出精度を高め、低コストで所要の検査精度を有するＸ線検査を実行することのできるＸ線検査装置およびＸ線検査方法を提供することを目的とする。

（１）本発明に係るＸ線検査装置は、上記目的達成のため、所定品種の複数物品を含む検査対象に対して該検査対象を透過するＸ線を発生するＸ線発生器と、前記複数物品を透過したＸ線を検出してＸ線検出信号を出力するＸ線検出器と、前記Ｘ線検出器の出力に基づいて前記検査対象のＸ線検査画像を生成する画像処理部と、前記複数物品のＸ線検査画像を基に前記検査対象の品質状態を判定する判定部と、を備えるＸ線検査装置であって、前記所定品種の複数物品の単体の幾何学的特徴を記憶する記憶部と、前記複数物品の単体の幾何学的特徴および前記複数物品のＸ線検査画像を基に、前記複数物品のそれぞれに対応する物品単体画像を分離して生成する分離画像生成部と、をさらに備えており、前記判定部が、前記複数物品に対応するそれぞれの物品単体画像に基づいて前記検査対象の品質状態の判定を実行することを特徴とする。

この発明装置では、分離画像生成部により、検査対象の複数物品のそれぞれに対応する物品単体画像が分離生成されることで、Ｘ線検査画像が複数物品の重なりの有無や重なり状態に応じた多様なものとならずに済み、画像判定のための画像処理が大幅に容易化されることになる。したがって、検査対象となる複数物品のそれぞれについて特徴検出精度を高め、低コストで所要の検査精度を有するＸ線検査を実行することができる。

（２）本発明の好ましい実施形態においては、前記記憶部に前記所定品種の複数物品のそれぞれに対応する単体の教師画像を記憶させるとともに、該教師画像を用いる機械学習によって前記所定品種の物品の形状に関する特徴を取得する学習部をさらに備える構成とすることができる。

このように構成すると、学習部での機械学習によって、所定品種の物品に対応する単体の教師画像を基に、所定品種の物品の形状に関する特徴（例えば形状やサイズ等）が情報幾何学的に分析され、多数の特徴パラメータで記述される学習アルゴリズムが構築されることになる。したがって、複数物品が重なり合うことの無いシンプルな教師画像を基に各物品の単体形状に関連付けた効果的な機械学習を行うことができ、画像判定精度を高めることができる。

（３）本発明の好ましい実施形態において、前記分離画像生成部は、前記学習部で取得した前記所定品種の物品の形状に関する特徴を基に、前記複数物品のそれぞれの形状および位置を特定して、前記複数物品のそれぞれに対応する物品単体画像を生成するようにしてもよい。このようにすると、各物品の形状や位置に応じて、各物品の物品単体画像を精度よく抽出したり加工したりすることができ、低コストで所要の検査精度を有するＸ線検査を実行することができる。

（４）本発明の好ましい実施形態においては、前記記憶部が、前記複数物品のＸ線検査画像から前記分離画像生成部で分離して生成された前記複数物品の少なくとも一部に対応する物品単体画像を、前記所定品種の物品の単体の教師画像として追加記憶するように構成されてもよい。このように構成すると、例えばシンプルな教師画像をより容易に多数取得可能となり、学習効率を高めることができる。また、複数物品の少なくとも一部を重なりの無い物品に限定すれば、簡単な処理で精度の良い教師画像を得ることができる。

（５）本発明の好ましい実施形態においては、前記記憶部が、前記所定品種の物品のそれぞれに対応する単体の教師画像として、少なくとも不良品ラベル付きの教師画像を記憶しており、前記判定部が、少なくとも前記複数物品に対応するそれぞれの物品単体画像と前記不良品ラベル付きの教師画像とに基づいて、前記複数物品のそれぞれについて前記品質状態を判定するように構成することもできる。

このような構成にすると、不良品ラベル付きの教師画像を用いる機械学習を実行することで、検査対象の複数物品の品質状態を単品でそれぞれ的確に判定可能となり、それらの結果を踏まえた、総合判定も可能となる。また、所定品種の物品の様々な検査画像データに対して検査対象の画像判定に精通した人手によりラベル付けすることで、有効な事前学習モデルを作成可能となる。

（６）本発明の好ましい実施形態においては、前記画像処理部が、前記所定品種の複数物品のそれぞれに対応する前記物品単体画像について、前記品質状態をそれぞれに判定するための所定の画像処理を実行するものとなっていてもよい。

この場合、元画像である複数物品のＸ線検査画像から分離した物品単体画像を原画像として、例えばエッジを強調する微分処理を実行することで、形状検査以外の検査項目についての検査を併せて実行する場合等に、品質状態の判定精度を高めることができる。

（７）本発明の好ましい実施形態においては、前記分離画像生成部が、前記Ｘ線検査画像の特定階調濃度の画素群と前記所定品種の単体の物品形状に関する学習データとに基づいて、前記物品形状の少なくとも一部に対応する各物品の主要輪郭形状の特徴を抽出するとともに、前記複数物品の間の重なり部分がある場合に該重なり部分の形状を検出し、前記各物品の主要輪郭形状および前記重なり部分のうち少なくとも前記主要輪郭形状を含むよう、前記物品単体画像を生成するものであってもよい。

この場合、複数物品の間の重なり部分が無い場合、ラベリング処理等によって各物品がその全体に及ぶ主要輪郭形状のみの物品単体画像として生成されるか、あるいは欠損や折損、包装不良によるかみ込み等が生じたときには、一部が欠けた主要輪郭形状のみの物品単体画像が生成されることになる。一方、複数物品の間の重なり部分がある場合には、それぞれの物品がその主要輪郭形状および重なり部分を含む物品単体画像で表示される。したがって、欠損や折損等の形状不良を容易に判定可能となる。

（８）本発明に係るＸ線検査方法は、所定品種の複数物品を含む検査対象に対してＸ線を透過させ、該透過したＸ線を検出して前記検査対象のＸ線検査画像を生成するとともに、前記Ｘ線検査画像を基に前記検査対象の品質状態を判定するＸ線検査方法であって、前記複数物品の単体の幾何学的特徴および前記複数物品のＸ線検査画像を基に、前記複数物品のそれぞれに対応する物品単体画像を分離して生成する分離画像生成ステップと、前記複数物品に対応するそれぞれの物品単体画像に基づいて前記検査対象の品質状態を判定する単体品質状態判定ステップと、を含むことを特徴とする。

この発明方法では、検査対象のＸ線検査画像から、複数物品のそれぞれに対応する物品単体画像が分離生成されることで、検査対象の画像において、複数物品の重なりの有無や重なり状態が多様に変化するようなことが無くなり、検査に要する画像判定処理が大幅に容易化されることになる。したがって、検査対象となる複数物品のそれぞれについて特徴検出精度を高め、低コストで所要の検査精度を有するＸ線検査を実行可能となる。

（９）本発明に係る学習モデル作成方法は、所定品種の複数物品を含む検査対象の品質状態を該検査対象のＸ線検査画像を基に判定するＸ線検査用の学習モデルを作成する方法であって、前記所定品種の物品の教師画像を基に、前記所定品種の物品単体の幾何学的特徴に関する教師データをメモリに記憶させる教師データ記憶段階と、前記検査対象のＸ線検査画像の入力データおよび前記教師データを基に、前記検査対象の入力データから前記複数物品のそれぞれに対応する物品単体画像を個別に生成するための複数の特徴パラメータを含む画像分離アルゴリズムを設定するアルゴリズム設定段階と、を含み、前記画像分離アルゴリズム設定段階が、前記検査対象のＸ線検査画像中の前記複数の物品について各物品の輪郭形状を含む単体の幾何学的特徴を抽出する特徴量抽出ステップと、前記特徴量抽出ステップで抽出した各物品の単体の幾何学的特徴を設定済みの画像分離アルゴリズムに適用した結果の出力データを、対応する教師データとの誤差に応じて評価し、該誤差を縮小するよう前記複数の特徴パラメータを調整するパラメータ調整段階と、を含んでいることを特徴とする。

この発明方法では、検査対象の入力データから複数の物品の単体画像を個別に生成するための画像分離アルゴリズムを設定する際、検査対象のＸ線検査画像中の複数の物品について各物品の輪郭形状を含む単体の幾何学的特徴が抽出され、その特徴量を設定済みの画像分離アルゴリズムに適用した結果の出力データが対応する教師データとの誤差に応じて評価され、その誤差を縮小するよう複数の特徴パラメータが調整される。したがって、画像分離アルゴリズムの精度が有効に高められる。

（１０）本発明のＸ線検査方法は、前記学習モデル作成方法により作成された学習モデルを用いて、前記所定品種の複数の物品を含む検査対象の品質状態を該検査対象のＸ線検査画像を基に判定するＸ線検査方法であって、前記学習モデルを用いる画像処理を実行することで前記複数の物品のＸ線検査画像を基に前記複数の物品のそれぞれに対応する物品単体画像を分離して生成する分離画像生成ステップと、前記複数の物品に対応するそれぞれの物品単体画像に基づいて前記検査対象の品質状態を判定する単体品質状態判定ステップと、を含むことを特徴とする。

この発明方法では、検査対象のＸ線検査画像から複数の物品の物品単体画像が学習モデルを用いる画像処理によって分離生成され、検査対象画像中に複数物品の多様な重なり状態が含まれずに済み、検査に要する画像判定のための処理が大幅に容易化される。したがって、検査対象に収容される複数物品のそれぞれについて特徴検出精度を高め、低コストで所要の検査精度を有するＸ線検査を実行することができる。

本発明によれば、検査対象に収容される複数物品のそれぞれについて特徴検出精度を高め、低コストで所要の検査精度を有するＸ線検査を実行することのできるＸ線検査装置およびＸ線検査方法を提供することができる。

本発明の一実施形態に係るＸ線検査装置の概略構成図である。 本発明の一実施形態に係るＸ線検査装置の要部概略構成を示すブロック図であり、元画像である複数物品のＸ線検査画像から複数の分離画像を生成する段階を示している。 本発明の一実施形態に係るＸ線検査装置で実施されるＸ線検査のための教師データを用いる機械学習の概略の処理手順を示すフローチャートである。 本発明の一実施形態に係るＸ線検査装置で実施される画像取得から判定までの処理で、元の画像から複数の分離画像を生成して良否判定する概略の処理手順を示すフローチャートである。 本発明の一実施形態に係るＸ線検査装置で実施される画像分離のための機械学習の概略の処理手順を示すフローチャートである。 本発明の一実施形態に係るＸ線検査方法の概略の処理手順を示すフローチャートである。

以下、本発明を実施するための形態について、図面を参照しつつ説明する。

（一実施形態）
図１ないし図４は、本発明を、搬送される被検査物（物品）の形状検査が可能な物品検査用のＸ線検査装置およびＸ線検査方法の一実施形態を示している。

まず、本実施形態のＸ線検査装置の構成について説明する。

図１および図２に示すように、Ｘ線検査装置１は、搬送部１０、Ｘ線検査部２０およびそれらの制御部３０を具備しており、搬送部１０によりコンベア搬送される複数の加工食品等を含む検査対象の製品Ｐに対しＸ線検査部２０でＸ線を照射し、その透過Ｘ線量分布画像データを基に製品Ｐの品質状態を検査、例えば図２に示す製品Ｐ中の複数の物品Ａ、Ｂ、Ｃ、Ｄのそれぞれの単体形状が正常であるか否かによって製品Ｐの品質状態の合否を総合判定するようになっている。

なお、ここでの品質状態とは、複数の物品Ａ－Ｄ等の内容物が予め設定されたそれぞれの加工形状やサイズの許容範囲内に入るか否かをいうが、本発明にいう品質状態は、欠品の有無や容器内への異物混入等の他の品質状態を含み得る。

製品Ｐは、搬送部１０によりコンベア搬送される際にはその上下面がコンベア上に広がる略扁平形状をなすように、パウチ、トレイ、パック、ピロー等の包装材や包装容器（以下、単に包装容器という）に収容されている。

また、製品Ｐ中の複数の物品Ａ－Ｄは、同じ包装容器中でそれぞれの単体形状をなすように予め成形された加工食品、例えばウィンナーソーセージ等のソーセージ類であり、その包装袋中に所定正味量となる質量または個数が収容され、コンベア搬送時には、全体として概ね製品Ｐの前述の上下面の方向に隣り合うよう広がる形態となっている。

ただし、製品Ｐ中の複数の物品Ａ－Ｄ（物品）は、同一包装容器内に投入され封止される際の状態によっては、概ね製品Ｐの前述の上下面の方向に隣り合うように広がりながらも上下方向に部分的に重なる形態をとる包装形態となり得るものである。

搬送部１０は、ループ状の搬送ベルト１１を複数の搬送ローラ１２、１３に巻回させ、搬送ベルト１１の上走区間１１ａにより製品Ｐを図１中の右方向に順次搬送することができるコンベアであり、図示しない筐体に支持されている。

Ｘ線検査部２０は、搬送部１０により搬送される製品Ｐを透過する所定エネルギ帯のＸ線を発生するＸ線発生器２１（Ｘ線源）を有しており、Ｘ線発生器２１は、公知のＸ線管２２でその管電流および管電圧に応じた波長および強度のＸ線を発生させるとともに、外囲器２３のＸ線窓部２３ａを通し、搬送ベルト１１上の所定検査区間の製品Ｐに対して、搬送部１０の物品搬送方向とは直交する方向に向かうファンビーム状のＸ線を照射できるようになっている。

Ｘ線検査部２０は、さらに、搬送ベルト１１の上走区間１１ａの直下に配置されたＸ線検出器２４を有している。

このＸ線検出器２４は、詳細を図示しないが、例えば蛍光体であるシンチレータとフォトダイオードもしくは電荷結合素子とからなる検出素子を、搬送部１０の搬送路の幅員方向にアレイ状に所定ピッチで配設し、所定解像度でのＸ線検出を行なうようにしたＸ線ラインセンサカメラで構成されており、Ｘ線発生器２１からのＸ線照射位置に対応する搬送方向所定位置に配置されている。

すなわち、Ｘ線検出器２４は、Ｘ線発生器２１から照射されて製品Ｐを透過したＸ線を前記検出素子に対応する所定透過領域毎に検出し、そのＸ線の透過量に応じた電気信号に変換して、Ｘ線透過画像を生成するためのＸ線検出信号を出力できるようになっている。

制御部３０は、搬送部１０での搬送ベルト１１による製品Ｐの搬送速度や搬送間隔等を制御する搬送制御手段と、Ｘ線検査部２０におけるＸ線照射強度や照射期間を制御したり製品Ｐの搬送速度に応じたＸ線検出器２４のＸ線ラインセンサでのＸ線検出周期および各製品Ｐの検出期間等を制御したりする検査制御手段とを含んでいるが、詳細な図示は省略している。

制御部３０は、また、各製品Ｐの検査期間中にＸ線検出器２４からの所定周期毎のＸ線検出信号を取り込んで製品Ｐの全体を撮像したＸ線透過画像を記憶する検査画像記憶部３１と、検査画像記憶部３１に取り込まれた画像データを基に生成されるＸ線透過画像を検査画像として取り込んで所定のフィルタ処理等の画像処理を実行する画像処理部３２と、その画像処理部３２による処理後の画像データを基に所定の判定処理、例えば製品Ｐ中の物品Ａ－Ｄの単体形状がそれぞれ正常か否かを判定し、製品Ｐの品質状態の合否を判定する判定部３３と、判定部３３での判定結果を表示出力可能な操作表示部３４とを有している。

検査画像記憶部３１は、画像入力ユニットであり、例えばＸ線検出器２４の複数の検出素子からの複数透過領域分のＸ線検出信号をそれぞれＡ／Ｄ変換し、Ｘ線検出器２４における検出素子サイズに対応する所定の単位搬送時間毎に、その検出素子の数ｎ個（ｎは１より大きい整数で、例えば６４０個）すべての検出素子領域について、その単位時間内の累積の透過量のデータを、例えば０から１０２３までの階調を表す濃度レベルのデジタルデータ（以下、Ｘ線ライン検出データという）Ｌｘとして画像メモリに書き込むライン走査を実行するようになっている。

また、検査画像記憶部３１は、ライン走査が各製品Ｐの検査期間に応じた所定走査回数だけ繰り返されるとき、順次メモリに書き込まれた透過濃度データをＸ線画像データＤ１として生成し、画像処理部３２に出力する機能を発揮するデータ処理プログラムおよび作業メモリ（図示していない）を有している。これにより、検査画像記憶部３１は、単体形状に関する特徴その他の幾何学的特徴（輪郭形状、長さ、幅、面積、厚さ、密度分布、等）を含んだ元画像を読み出し可能となる。

画像処理部３２および判定部３３は、例えば図示しないＣＰＵ、ＲＯＭ、ＲＡＭおよびＩ／Ｏインターフェースを有するマイクロコンピュータと、後述する複数の処理部の各機能を発揮するための制御プログラムをＲＯＭと協働して読み出し可能に記憶した補助記憶装置と、タイマー回路等を含んで構成されており、ＲＯＭ等に格納された制御プログラムに従って、ＣＰＵがＲＡＭ等との間でデータを授受しながら所定の演算処理を実行するとともに前記制御プログラムを実行するようになっている。

さらに、画像処理部３２は、製品Ｐ毎の複数の物品Ａ－Ｄの単体の幾何学的特徴および物品Ａ－Ｄを収容する製品ＰのＸ線検査画像を基に、複数の物品Ａ－Ｄのそれぞれに対応する物品単体画像を分離して生成することができる分離画像生成部４１を含んでいる。

この分離画像生成部４１は、学習データ記憶部４２に接続されており、分離画像生成部４１に取り込まれる製品ＰのＸ線検査画像と、分離画像生成部４１で単体分離画像として抽出された製品Ｐ中の複数の物品Ａ－Ｄの単体画像とを、製品Ｐの品種情報等と関連付けた教師画像データとして学習データ記憶部４２に記憶・格納できるようになっている。

また、学習データ記憶部４２は、事前学習済みの学習モデル４３を含む学習部４５に接続されており、学習データ記憶部４２に記憶されている製品Ｐ毎の複数の物品Ａ－Ｄの単体画像は、それぞれ学習部４５に取り込まれるようになっている。

これら分離画像生成部４１、学習データ記憶部４２および学習部４５は、例えば制御部３０に実装されたコンピューター・ビジョン・ライブラリ（他のプログラムから呼出し可能に機能モジュール化した複数のプログラムを集めて１つのファイルに収納したもの）によって構成されているが、少なくとも一部が制御部３０と通信接続可能なクラウドまたはオンプレミス（構内）のサーバに実装されたものであってもよい。

具体的には、分離画像生成部４１を含む画像処理部３２は、製品Ｐ毎のＸ線検査画像であるＸ線画像データＤ１が検査画像記憶部３１から供給されるとき、これを元画像データとして、機械学習用の物体検出が容易なように画像データのノイズ除去や平滑化、各種フィルタ処理等に加え、学習部４５の学習モデル４３で想定する行列形式やカラーチャネル（ここではグレースケール）の画像データとして正規化し、スケーリングした所定ピクセルサイズの入力画像データを作成する前処理を実行する。

分離画像生成部４１は、学習モデル４３と共に、多層のニューラルネットワークに対応する画像生成用のニューラルネットワーク、例えば学習済みの特徴パラメータや重み付け係数等を用いる畳み込みオートエンコーダを構成している。

学習データ記憶部４２は、所定品種の検査済みの製品ＰのＸ線検査画像とその製品Ｐに含まれる物品Ａ－Ｄのそれぞれに対応する各物品の単体画像を、少なくとも不良品ラベル付きの教師画像データ、例えば形状不良品ラベルまたは形状良品ラベルが付された教師画像データとして、記憶している。

学習モデル４３は、予め準備された教師データを基に事前学習がなされた多層のニューラルネットワーク構成のモデルであり、入力画像データに対してその画像中の物品の画像領域を抽出するとともに、その抽出領域画像中の物品が検査対象物品であるか、および、その物品形状が良品か否かを、クラス分類することができるように構成されている。

学習部４５は、学習データ記憶部４２（記憶部）に記憶されている製品Ｐ中の複数の物品Ａ－Ｄと同品種の単品のＸ線画像を所定ピクセルサイズの教師画像として機械学習を実行することにより学習モデル４３を構築するものである。この学習部４５は、製品Ｐ中の物品Ａ－Ｄの単品（単体物品）での形状的な特徴（長さ、幅、湾曲形状、厚さの分布等）の幾何学的特徴を、教師画像データに内在する情報幾何学的な多数の特徴（例えば画像を構成する画素群の面積、連結長さ、連結方向、隣接画素間の画素値の変化および変化の方向等に関する特徴パラメータ）の多数組の結合について教師データに近い出力をなし得る結合の重み付けを強化する調整を行うことで、入力される製品ＰのＸ線検査画像から製品Ｐ中の各物品Ａ－Ｄの候補画像領域を個別に抽出しクラス識別し得るよう、学習モデル４３をトレーニングする機能を有している。

分離画像生成部４１は、例えば製品Ｐの検査用のＸ線検査画像を入力する検査時に、入力画像データを学習データ記憶部４２を介して学習部４５の学習モデル４３にかけることで、学習部４５と協働して所定ピクセルサイズの入力画像データを複数のセルに分割し、所定数のオブジェクト候補画像領域を、セル上のオブジェクトである製品Ｐ中の複数の物品Ａ－Ｄの単体画像領域に対応させるように設定することができる。

また、分離画像生成部４１は、各オブジェクト候補画像領域について、輪郭検出処理を実行することで、輪郭線で囲まれる複数の物品Ａ－Ｄを検出し、学習モデル４３を利用して、検査対象の各物品Ａ－Ｄの単体領域画像の範囲や位置を特定する物品検出処理を実行するとともに、各物品Ａ－Ｄに対応するクラス（例えば良品形状のソーセージ、折損による不良品形状あるいはかみ込み等の包装不良による不良品形状のソーセージ等）を認識することができるようになっている。

より具体的には、事前学習用の教師画像データは、例えば検査済みのＸ線画像を基に所定数のオブジェクト候補画像領域について、その領域内のセル上に製品Ｐ中の複数の物品Ａ－Ｄの単体画像のいずれかに対応するオブジェクトやその重心の存在する確率に応じて、各オブジェクト候補画像領域の信頼スコアが設定されたものとなっている。

ここで、学習モデル４３を含む学習部４５は、教師画像数の水増し（データオーグメンテーション）のために画像のトリミング、回転、左右上下の反転、モザイク処理等により、ピクセル配置を変化させる処理が可能である。

また、分離画像生成部４１を含む画像処理部３２は、マスク処理や複数画像の合成処理が可能となっており、検査対象の製品Ｐに含まれる複数の物品Ａ－Ｄの候補画像領域において、その候補画像領域中のセル上にオブジェクトが高確率に適合し、信頼スコアが所定値を超えた物品Ａ－Ｄの候補画像領域のいずれかについて、その画像を残し、他の画像領域を全てマスクしてしまう処理を、その処理回数が製品Ｐ中の物品Ａ－Ｄの収容数に達するまで繰り返し実行するようになっている。

このマスキングの処理に際しては、画像処理部３２は、例えば元画像を微分処理して同一厚さ領域の輪郭に対応して連続する複数の立体形状線を作成し、立体形状線で囲まれる画素領域のうち面積が最大となる立体形状線を各物品Ａ－Ｄの輪郭線として検出したり、元画像を所定画素値（例えば輝度値）の閾値で二値化し、複数の物品Ａ－Ｄに対応する複数の物品透過領域をそれぞれ連続する白画素の集まりに分離するラベリング処理を実行した上で、複数物品Ａ－Ｄのうち単体の透過領域毎の白画素の集まりに対する複数の輪郭線の追跡処理を実行することにより各物品Ａ－Ｄの輪郭線を検出したりすることができる。

このようにして、画像処理部３２は、複数の物品透過領域の輪郭線内領域から各物品Ａ－Ｄに対応する所定サイズの単体領域を特定した後、単体分離画像として抽出するための複数の形状の異なるマスクを作成し、得られた複数のマスクにより、例えばマスク内のオブジェクトサイズの大きい順にあるいは重心座標成分の小さい順に、それぞれ対応する物品透過領域以内の画像のみを単体分離画像として抽出する単体画像抽出処理を複数回実行するようになっている。

これにより、分離画像生成部４１は、製品ＰをＸ線撮影した所定ピクセルサイズの同一の入力画像データから、製品Ｐ中の物品Ａ－Ｄのうちいずれか一物品、例えば物品Ａ（Ｂ、ＣまたはＤでもよい）の単体画像のみを含み、他の物品Ｂ－Ｄ（Ａ－ＤのうちＢ、ＣまたはＤを除く他物品）の画像を含まない物品単体の検査画像を、製品Ｐ中の物品Ａ－Ｄの収容数に対応する複数枚に分離して作成する画像分離処理を実行することができるようになっている。

分離画像生成部４１で作成される製品Ｐ毎の複数枚の単品の検査画像には、事前学習済みの学習モデル４３によるクラス分類に応じて、良品や不良品等の仮判定のラベル付けが予めなされた上で、画像処理部３２から判定部３３に順次送信出力される。そして、判定部３３では、例えば複数枚の単品の検査画像による個々の物品Ａ－Ｄの仮判定結果に基づき、あるいは、更に他の画像処理判定手法に基づく仮判定結果を考慮しつつ、製品Ａの品質状態について総合判定がなされるようになっている。

したがって、複数枚の単品の検査画像による個々の物品Ａ－Ｄの仮判定結果に基づき、製品Ｐ中の個々の物品Ａ－Ｄについて少なくとも形状検査が可能となる。

また、分離画像生成部４１で分離処理された各物品Ａ－Ｄの検査画像データに対し、画像処理部３２で、いわゆる主成分分析を行う画像処理を実行して通常の異物検出処理を行うことにより、判定部３３にて、形状以外の検査項目に関する検査を併せて実行するようにしてもよい。

さらに、製品Ｐ中で複数の物品Ａ－Ｄの重なり部分Ｌｐ（図２参照）が生じ、物品Ａ－Ｄのいずれかの検査画像中に自他複数の輪郭線で囲まれる高輝度部分と通常の輝度部分とが生じる場合に、各物品Ａ－Ｄの検査画像データに対し大小に異なる閾値処理を施したり更に単体画像中の重なり部の機械学習を行ったりするようにすれば、各検査項目に関する検査判定の精度をさらに高めることができる。

このような場合においても、判定部３３は、複数の検査項目について品質状態を総合判定可能となる。また、画像処理部３２は、所定品種の製品Ｐの複数の物品Ａ－Ｄのそれぞれに対応する物品単体画像について、少なくとも１つの検査項目における品質状態をそれぞれに判定するための所定の画像処理を実行することができる。

検査済みのＸ線画像データとして、事前学習済みの分離画像生成部４１によってそれぞれ座標データおよび信頼スコアが設定された所定数のオブジェクト候補画像領域の画像データは、それぞれ領域毎に異なる複数のラベルのうちいずれかを手動設定することで、教師画像データとして利用することができる。すなわち、学習データ記憶部４２は、複数の物品Ａ－ＤのＸ線検査画像から分離画像生成部４１で分離して生成された複数の物品Ａ－Ｄのそれぞれに対応する物品単体画像に対し、手動で所定のラベル付けを行うことにより、所定品種の製品Ｐに含まれる複数の物品Ａ－Ｄの単体の教師画像として追加記憶することができる。

このような本実施形態においては、分離画像生成部４１が、Ｘ線検査画像の特定階調濃度の画素群と所定品種の単体の物品形状に関する学習データとに基づいて、物品形状の少なくとも一部に対応する各物品Ａ－Ｄの主要輪郭形状Ｏａ－Ｏｄの特徴を抽出するとともに、複数の物品Ａ－Ｄの間の重なり部分Ｌｐ（図２参照）がある場合にその重なり部分Ｌｐの形状を検出し、各物品Ａ－Ｄの主要輪郭形状Ｏａ－Ｏｄおよび重なり部分Ｌｐのうち少なくとも主要輪郭形状Ｏａ－Ｏｄを含むよう、物品単体画像を生成することができる構成となっている。

次に、上述のように構成された本実施形態の物品検査装置で実施可能なＸ線検査方法の一実施例について説明する。

（学習段階）
まず、学習時には、図３に示すように、分離画像生成部４１からあるいは他の学習データの供給元から供給される教師データを取得して、学習データ記憶部４２に記憶させる（ステップＳ１１参照）。

この段階で、教師データを分離画像生成部４１から取得する場合には、前述の通り、分離画像生成部４１で単体分離画像として抽出された製品Ｐ中の複数の物品Ａ－Ｄの単体画像に手動で所定のラベル付けを行う。

あるいは、製品Ｐに類似する複数の物品のラベル付けされた単体画像データを、他の学習データの供給元から取得する場合には、画像サイズ等の必要な調整を行う。

次いで、学習部４５により、学習データ記憶部４２に記憶されている所定品種の製品Ｐに関する教師画像を用いる機械学習を実行する（ステップＳ１２）。

この機械学習に際しては、製品Ｐ中の各物品Ａ－Ｄの形状その他の幾何学的な特徴量について、Ｘ線検査画像データに内在する情報幾何学的な特徴を多数の特徴パラメータとして抽出し、それらの特徴パラメータの複数組の結合や各結合の重み付けを調整することで、入力される製品ＰのＸ線検査画像から製品Ｐ中の各物品Ａ－Ｄの単品の候補画像領域を抽出するよう、学習モデル４３をトレーニングする。

（検査段階）
このような事前の機械学習が済むと、所定品種の複数の物品Ａ－Ｄを含む検査対象の製品Ｐに対して搬送ベルト１１による搬送中にＸ線検査部２０でＸ線を透過させる。また、透過したＸ線をＸ線検出器２４により検出し、Ｘ線ライン検出データＬｘを作成して、制御部３０の検査画像記憶部３１に順次書き込むことで、製品Ｐが検査区間を通過する所定検査期間中に検出された検出データを基に、複数の物品Ａ－Ｄを含む製品ＰのＸ線検査画像であるＸ線画像データＤ１を生成する。そして、そのＸ線画像データＤ１を基に、検査対象である製品Ｐの所定検査項目に関する品質状態を判定する。

このような方法で製品ＰのＸ線検査を行う際には、図４に示すように、制御部３０によって、まず、検査画像記憶部３１から画像処理部３２に製品ＰのＸ線検査画像であるＸ線画像データＤ１を元画像として取り込む（ステップＳ２１）。

次いで、学習モデル４３と協働する分離画像生成部４１により、複数物品Ａ－Ｄの単体の幾何学的特徴および複数の物品Ａ－ＤのＸ線検査画像を基に、複数の物品Ａ－Ｄのそれぞれに対応する物品単体画像を分離して生成する（ステップＳ２２）。

次いで、複数の物品Ａ－Ｄに対応するそれぞれの物品単体画像（複数の分離画像）に基づいて、物品Ａ－Ｄ毎の単品での品質状態を判定するとともに、それら複数の物品Ａ－Ｄの単品毎の品質状態のを判定結果を基に、複数の物品Ａ－Ｄを含んだ製品Ｐの全体での品質状態を総合判定する（ステップＳ２３）。

（学習段階の手動ラベル付けの処理例）
具体的には、本実施形態における機械学習は、所定品種の複数の物品Ａ－Ｄを含む検査対象の製品Ｐの品質状態をその検査対象のＸ線画像データＤ１を基に物品Ａ－Ｄ毎に判定可能なＸ線検査用の学習モデル４３を作成するものであり、図３中のステップＳ１１のように学習データ記憶部４２に教師データを記憶させる際、具体的には、図５に示すように、学習データ記憶部４２に教師データとなり得る画像データを記憶させた後（同図中のステップＳ３１）、必要な手動でのラベル付け等がなされることで、学習用の教師データが取得されるものとなる（同図中のステップＳ３２）。勿論、そのような作業が済んだ学習用の教師データを供給元となるクラウドやオンプレミスのサーバから取り込むこともできる。

また、図３中のステップＳ１２のように学習モデル４３をトレーニングする機械学習に際しては、図５に示すように、所定のラベル付けがなされた状態で学習データ記憶部４２に記憶されている教師データを基に、学習部４５で、まず、検査対象の製品Ｐ中の複数の物品Ａ－Ｄについて各物品の輪郭形状を含む単体の幾何学的特徴を、各物品Ａ－Ｄの単体画像データ中に内在する情報幾何学的な特徴パラメータとして抽出し、抽出した特徴パラメータを基に分離画像生成部４１を作動させるための画像分離アルゴリズムを学習モデル４３に設定する特徴量抽出および画像分離アルゴリズム設定ステップ（同図中のステップＳ３３）を実行する。

次いで、学習部４５で学習モデル４３に設定した画像分離アルゴリズムを用いて分離画像生成部４１を作動させ、同画像分離アルゴリズムに教師データを含む学習データを適用した結果の出力データを、対応する単体画像の教師データと比較し、対応する出力データおよび教師データ間の誤差に応じて学習効果を評価し、その誤差を縮小するよう複数の特徴パラメータを複数回調整するパラメータ調整ステップ（同図中のステップＳ３４）を実行するものとすることができる。

（検査段階の処理例）
本実施形態のＸ線検査方法は、より具体的には、図６に示すように、製品Ｐの全体のＸ線画像データＤ１を分離画像生成部４１に入力すると（データ入力ステップＳ４１）、その入力画像データを基に複数の物品Ａ－Ｄに対応する物品単体画像Ｐｇ１－Ｐｇ４のいずれかを分離した分離画像を生成する（分離画像生成ステップＳ４２）。

次いで、判定部３３により、入力画像データＤ１から分離生成された分離画像、例えば分離画像Ｐｇ１を基に、物品Ａについて所定検査項目の品質状態を判定する（単品品質状態判定ステップＳ４３）。

この判定ステップＳ４３およびその判定に用いる分離画像の生成ステップＳ４２は、製品Ｐ中の物品Ａ－Ｄの収容数に等しい所定数の分離画像Ｐｇ１－Ｐｇ４の作成が全て完了するまで（ステップＳ４４でＹＥＳとなるまで）、繰り返し実行される。

次いで、製品Ｐ中の物品Ａ－Ｄの収容数分に等しい複数の分離画像Ｐｇ１－Ｐｇ４の作成と、それを用いる単体画像での品質状態の検査判定とが終了すると（ステップＳ４４でＹＥＳとなると）、次いで、複数の分離画像Ｐｇ１－Ｐｇ４の単体画像での品質状態の検査判定結果を基に、製品Ｐについての総合判定がなされる（総合判定ステップＳ４５）。

したがって、例えば分離画像Ｐｇ１－Ｐｇ４の単体画像での品質状態の検査結果が不良判定であれば、製品Ｐの品質状態も不良（ＮＧ）となる。もっとも、判定条件によっては、あるいは、併用する他の検査手段や検査方法に単体の品質状態の判定結果や全体の品質状態判定結果がある場合には、それらを含めた総合判定がなされる。

次に、作用について説明する。

以上のような本実施形態のＸ線検査装置１およびそれを用いるＸ線検査方法においては、製品Ｐに収容される複数物品Ａ－Ｄの単体の幾何学的特徴および製品ＰのＸ線検査画像を基に、複数物品Ａ－Ｄのそれぞれに対応する物品単体画像Ｐｇ１－Ｐｇ４が個別に分離生成され、複数物品Ａ－Ｄのそれぞれを物品単体画像Ｐｇ１－Ｐｇ４に基づいて検査対象の品質状態の判定が収容される複数物品Ａ－Ｄについて個別に実行される。

したがって、検査対象の製品ＰのＸ線検査画像が複数物品Ａ－Ｄの重なりの有無や重なり状態に応じた多様なものとならずに済み、画像判定のための画像処理が大幅に容易化されることになる。したがって、検査対象となる複数物品Ａ－Ｄのそれぞれについて特徴検出精度を高め、低コストで所要の検査精度を有するＸ線検査が実行可能となる。

また、本実施形態では、所定品種の複数物品Ａ－Ｄのそれぞれに対応する単体の教師画像を記憶させるとともに、それら教師画像データを用いる事前の更には追加の機械学習によって、所定品種の物品Ａ－Ｄの形状等に関する幾何学的特徴を多数の特徴パラメータで記述する情報幾何を用いて学習モデル４３を構築しおよび強化する。したがって、学習部４５で、所定品種の物品Ａ－Ｄに対応する単体の教師画像を基に、その教師画像データを用いる機械学習によって所定品種の物品Ａ－Ｄの形状に関する特徴パラメータが的確に取得されるので、複数物品が重なり合うことの無いシンプルな教師画像を容易に多数取得可能となり、画像判定のための処理および学習処理が共に大幅に容易化できることになる。

さらに、本実施形態では、分離画像生成部４１が、学習部４５で取得した所定品種の物品Ａ－Ｄに関する幾何学的特徴を基に、複数物品Ａ－Ｄのそれぞれの形状および位置を特定して、複数物品Ａ－Ｄのそれぞれに対応する物品単体画像を生成するので、各物品Ａ－Ｄの形状や位置に応じて、各物品単体画像を精度よく抽出したり加工したりすることができ、低コストで所要の検査精度を有するＸ線検査を実行することが可能となる。

加えて、本実施形態では、製品ＰのＸ線検査画像から分離生成された複数物品Ａ－Ｄの少なくとも一部に対応する物品単体画像を、所定品種の物品Ａ－Ｄの単体の教師画像として追加記憶できるようにしているので、例えばシンプルな教師画像データをより容易に多数取得可能となり、機械学習の学習効率を高めることができる。また、輪郭検出データを基に、複数物品Ａ－Ｄのうち重なりの無い少なくとも一部の物品に対して、ラベリング等の簡単な処理で精度の良い教師画像を得ることができる。

また、本実施形態では、所定品種の物品Ａ－Ｄのそれぞれに対応する単体の教師画像として、少なくとも不良品ラベル付きの教師画像を記憶しており、少なくとも複数物品Ａ－Ｄに対応するそれぞれの物品単体画像と不良品ラベル付きの教師画像とに基づいて、複数物品のそれぞれについて品質状態を判定することができる。したがって、不良品ラベル付きの教師画像を用いる機械学習を実行することで、検査対象の複数物品Ａ－Ｄの品質状態を単品でそれぞれ的確に判定可能となり、それらの結果を踏まえた、製品Ｐの品質状態の総合判定も可能となる。また、所定品種の物品Ａ－Ｄの様々な検査画像データに対して検査対象の画像判定に精通した人手によりラベル付けすることで、有効な事前学習モデルを作成可能となる。

本実施形態においては、画像処理部３２が、所定品種の複数物品Ａ－Ｄのそれぞれに対応する物品単体画像について、品質状態をそれぞれに判定するための所定の画像処理を実行するようにすれば、元画像である複数物品Ａ－ＤのＸ線検査画像から分離した物品単体画像を原画像として、例えば単体形状の輪郭（エッジ）の強調処理を施す特徴抽出フィルタによる微分処理を行ったり、単品での注目画素の近傍領域に所定の演算式に基づく微分処理等を施して異物のエッジを強調したりするようにすれば、形状検査以外の検査項目についての検査を併せて実行する場合等に、品質状態の判定精度を高めることができる。

また、本実施形態では、分離画像生成部４１が、Ｘ線検査画像の特定階調濃度の画素群と所定品種の単体の物品形状に関する学習データとに基づいて、物品形状の少なくとも一部に対応する各物品Ａ－Ｄの主要輪郭形状Ｏａ－Ｏｄの特徴を抽出するとともに、複数物品Ａ－Ｄの間の重なり部分Ｌｐがある場合にその形状を検出し、各物品Ａ－Ｄの主要輪郭形状Ｏａ－Ｏｄおよび重なり部分Ｌｐのうち少なくとも主要輪郭形状Ｏａ－Ｏｄを含むよう、物品単体画像を生成する。

したがって、複数物品Ａ－Ｄの間の重なり部分が無い場合、ラベリング処理等によって各物品Ａ－Ｄがその全体に及ぶ主要輪郭形状Ｏａ－Ｏｄのみの物品単体画像として生成される（図２中のＰｇ１、Ｐｇ４参照）か、あるいは欠損や折損、包装不良によるかみ込み等が生じたときには、一部が欠けた主要輪郭形状のみの物品単体画像（例えば、図２中のＰｇ１における物品Ａの折損部ａ１より左側部分の輪郭）が生成されることになる。

一方、複数物品の間の重なり部分Ｌｐがある場合には、それぞれの物品Ａ－Ｄがその主要輪郭形状Ｏａ－Ｏｄおよび重なり部分Ｌｐを含む物品単体画像で表示される（図２中のＰｇ２、Ｐｇ３参照）。したがって、欠損や折損等の形状不良を容易に判定可能となる。このような場合、専ら、単品形状を示す輪郭線Ｏａ－Ｏｄの全体中で、形状不良部分を示す輪郭線（例えば図２中の折損部ａ１）が占める比率よりも、正常な輪郭形状を示す輪郭線（例えば図２中の輪郭線Ｏａのうち折損部ａ１より左側部分）の占める比率が高くなるからである。

また、本実施形態のＸ線検査方法では、製品ＰのＸ線検査画像および収容される複数物品Ａ－Ｄの単体の幾何学的特徴を基に、複数物品Ａ－Ｄのそれぞれに対応する物品単体画像を分離生成する（分離画像生成ステップ）とともに、複数物品Ａ－Ｄに対応する物品単体画像に基づいてそれぞれの品質状態を判定して（単体品質状態判定ステップ）、製品Ｐの品質状態を判定する。

したがって、製品ＰのＸ線検査画像から、複数物品Ａ－Ｄのそれぞれに対応する物品単体画像Ｐｇ１－Ｐｇ４が分離生成されることで、検査対象画像が複数物品の重なりの有無や重なり状態に応じて多様に変化するようなことが無くなり、検査に要する画像判定処理や機械学習が大幅に容易化されることになる。その結果、検査対象となる複数物品Ａ－Ｄのそれぞれについて特徴検出精度を高め、低コストで所要の検査精度を有するＸ線検査を実行可能となる。

特に、本実施形態における学習モデル作成方法では、所定品種の物品Ａ－Ｄの教師画像を基に、所定品種の物品Ａ－Ｄの単体の幾何学的特徴に関する教師データを学習データ記憶部４２に記憶させる段階（教師データ記憶段階）と、検査対象の製品ＰのＸ線検査画像の入力データおよび教師データを基に、製品ＰのＸ線画像データＤ１から複数物品Ａ－Ｄのそれぞれに対応する物品単体画像を分離画像生成部４１により個別に生成するための複数の特徴パラメータを含む画像分離アルゴリズムを学習モデル４３に設定する段階（アルゴリズム設定段階）とを含み、その画像分離アルゴリズム設定段階が、製品ＰのＸ線画像データＤ１中の各物品Ａ－Ｄの輪郭形状を含む単体の幾何学的特徴を抽出し（特徴量抽出ステップ）、抽出した各物品Ａ－Ｄの単体の幾何学的特徴を設定済みの画像分離アルゴリズムに適用した結果の出力データを誤差逆伝播法等により対応する教師データとの誤差に応じて評価し、その誤差を縮小するよう複数の特徴パラメータを調整するパラメータ調整段階と、を含んでいる。

したがって、このモデル作成方法では、検査対象の入力データから複数の物品Ａ－Ｄの単体画像を個別に生成するための画像分離アルゴリズムを設定する際、検査対象の線品ＰのＸ線検査画像中の複数の物品Ａ－Ｄについて各物品Ａ－Ｄの輪郭形状を含む単体の幾何学的特徴が情報幾何学的な特徴量（特徴パラメータの結合）として抽出され、その特徴量を設定済みの画像分離アルゴリズムに適用した結果の出力データが対応する教師データとの誤差に応じて評価され、その誤差を縮小するよう複数の特徴パラメータが調整されることになる。したがって、画像分離アルゴリズムの精度が有効に高められる。

また、このような学習モデルを用いる本実施形態のＸ線検査方法は、分離画像生成部４１および学習モデル４３を用いる画像処理が、複数の物品Ａ－ＤのＸ線検査画像を基に複数の物品Ａ－Ｄのそれぞれに対応する物品単体画像を分離して生成する分離画像生成ステップと、複数の物品Ａ－Ｄに対応するそれぞれの物品単体画像に基づいて検査対象の品質状態を判定する単体品質状態判定ステップと、を含むものとなる。

したがって、検査対象の製品ＰのＸ線検査画像から複数物品Ａ－Ｄの単体画像が分離画像生成部４１および学習モデル４３を用いて分離生成され、検査対象画像中に複数の物品Ａ－Ｄの多様な相互姿勢や重なり状態が含まれずに済み、検査に要する画像判定のための処理が大幅に容易化される。したがって、製品Ｐに収容される複数物品Ａ－Ｄのそれぞれについて特徴検出精度を高め、低コストで所要の検査精度を有するＸ線検査を実行することができる。

このように、本実施形態においては、検査対象の製品Ｐに収容される複数物品Ａ－Ｄのそれぞれについて特徴検出精度を高め、低コストで所要の検査精度を有するＸ線検査を実行することのできるＸ線検査装置およびＸ線検査方法を提供することができる。

なお、一実施形態の説明においては、検査対象の製品Ｐをソーセージ類とし、その製品中に複数、例えば４つのウィンナーソーセージ等の物品Ａ－Ｄが収容されているものとしたが、その物品Ａ－Ｄの品種はソーセージ類のような特定品種に限定されるものでなく、製品Ｐ中の物品収容数も４つに限定されるものでないことはいうまでもない。また、物品Ａ－Ｄは、特定形状を有する１品種として説明したが、同一品種物品の形状が概ね類似する所定形状範囲に入るのであれば、製品Ｐ中の物品Ａ－Ｄが例えば相互に類似形状または非類似形状となる２品種の多数物品であってもよく、収容物品数同様に品種数が1種類に限定されないことも勿論である。

さらに、製品Ｐは、上下面がコンベア上に広がる略扁平形状をなす包装容器に収容されているものとしたが、整列されて収納されているものであっても、包装容器中への投入状態に応じて不規則な相互姿勢で収容されているものであってもよい。

以上説明したように、本発明は、検査対象に収容される複数物品のそれぞれについて特徴検出精度を高め、低コストで所要の検査精度を有するＸ線検査を実行することのできるＸ線検査装置およびＸ線検査方法を提供することができるものであり、かかる本発明は、Ｘ線画像の画像処理データを用いて検査対象物品の形状等を検査するのに好適な物品検査用のＸ線検査装置およびＸ線検査方法、ならびに同検査に用いる学習モデル作成方法全般に有用である。

１ Ｘ線検査装置
１０ 搬送部
１１ 搬送ベルト
１１ａ 上走区間
１２、１３ 搬送ローラ
２０ Ｘ線検査部
２１ Ｘ線発生器
２２ Ｘ線管
２３ 外囲器
２３ａ Ｘ線窓部
２４ Ｘ線検出器
３０ 制御部
３１ 検査画像記憶部
３２ 画像処理部
３３ 判定部
３４ 操作表示部
４１ 分離画像生成部
４２ 学習データ記憶部
４３ 学習モデル
４５ 学習部
Ａ、Ｂ、Ｃ、Ｄ 物品（食品、ソーセージ、検査対象の収容物品）
ａ１ 折損部
Ｄ１ 入力画像データ（Ｘ線画像データ）
Ｌｐ 重なり部分
Ｏａ、Ｏｂ、Ｏｃ、Ｏｄ 主要輪郭形状
Ｐ 製品（検査対象）
Ｐｇ１、Ｐｇ２、Ｐｇ３、Ｐｇ４ 物品単体画像（分離画像）

Claims (10)

1. 所定品種の複数の物品を含む検査対象に対して該検査対象を透過するＸ線を発生するＸ線発生器と、前記複数の物品を透過したＸ線を検出してＸ線検出信号を出力するＸ線検出器と、前記Ｘ線検出器の出力に基づいて前記検査対象のＸ線検査画像を生成する画像処理部と、前記複数の物品のＸ線検査画像を基に前記検査対象の品質状態を判定する判定部と、を備えるＸ線検査装置であって、
   前記所定品種の複数物品の単体の幾何学的特徴を記憶する記憶部と、
   前記複数物品の単体の幾何学的特徴および前記複数の物品のＸ線検査画像を基に、前記複数の物品のそれぞれに対応する物品単体画像を分離して生成する分離画像生成部と、をさらに備えており、
   前記判定部が、前記複数の物品に対応するそれぞれの物品単体画像に基づいて前記検査対象の品質状態の判定を実行することを特徴とするＸ線検査装置。
2. 前記記憶部に前記所定品種の複数の物品のそれぞれに対応する単体の教師画像を記憶させるとともに、該教師画像を用いる機械学習によって前記所定品種の物品の形状に関する特徴を取得する学習部をさらに備えることを特徴とする請求項１に記載のＸ線検査装置。
3. 前記分離画像生成部は、前記学習部で取得した前記所定品種の物品の形状に関する特徴を基に、前記複数の物品のそれぞれの形状を特定して、前記複数の物品のそれぞれに対応する物品単体画像を生成することを特徴とすることを特徴とする請求項２に記載のＸ線検査装置。
4. 前記記憶部が、前記複数物品のＸ線検査画像から前記分離画像生成部で分離して生成された前記複数物品の少なくとも一部に対応する物品単体画像を、前記所定品種の物品の単体の教師画像として追加記憶することを特徴とすることを特徴とする請求項２または３に記載のＸ線検査装置。
5. 前記記憶部が、前記所定品種の物品のそれぞれに対応する単体の教師画像として、少なくとも不良品ラベル付きの教師画像を記憶しており、
   前記判定部が、少なくとも前記複数の物品に対応するそれぞれの物品単体画像と前記不良品ラベル付きの教師画像とに基づいて、前記複数の物品のそれぞれについて前記品質状態を判定することを特徴とする請求項２ないし４のいずれか一項に記載のＸ線検査装置。
6. 前記画像処理部が、前記所定品種の複数の物品のそれぞれに対応する前記物品単体画像について、前記品質状態をそれぞれに判定するための所定の画像処理を実行することを特徴とする請求項５に記載のＸ線検査装置。
7. 前記分離画像生成部が、前記Ｘ線検査画像の特定階調濃度の画素群と前記所定品種の単体の物品形状に関する学習データとに基づいて、前記物品形状の少なくとも一部に対応する各物品の主要輪郭形状の特徴を抽出するとともに、前記複数の物品の間の重なり部分がある場合に該重なり部分の形状を検出し、前記各物品の主要輪郭形状および前記重なり部分のうち少なくとも前記主要輪郭形状を含むよう、前記物品単体画像を生成することを特徴とする請求項１ないし６のいずれか一項に記載のＸ線検査装置。
8. 所定品種の複数の物品を含む検査対象に対してＸ線を透過させ、該透過したＸ線を検出して前記検査対象のＸ線検査画像を生成するとともに、前記複数の物品のＸ線検査画像を基に前記検査対象の品質状態を判定するＸ線検査方法であって、
   前記複数物品の単体の幾何学的特徴および前記複数の物品のＸ線検査画像を基に、前記複数の物品のそれぞれに対応する物品単体画像を分離して生成する分離画像生成ステップと、
   前記複数の物品に対応するそれぞれの物品単体画像に基づいて前記検査対象の品質状態を判定する単体品質状態判定ステップと、を含むことを特徴とするＸ線検査方法。
9. 所定品種の複数の物品を含む検査対象の品質状態を該検査対象のＸ線検査画像を基に判定するＸ線検査用の学習モデルを作成する方法であって、
   前記所定品種の物品の教師画像を基に、前記所定品種の物品単体の幾何学的特徴に関する教師データをメモリに記憶させる教師データ記憶段階と、
   前記検査対象のＸ線検査画像の入力データおよび前記教師データを基に、前記検査対象の入力データから前記複数物品のそれぞれに対応する物品単体画像を個別に生成するための複数の特徴パラメータを含む画像分離アルゴリズムを設定するアルゴリズム設定段階と、を含み、
   前記画像分離アルゴリズム設定段階が、
   前記検査対象のＸ線検査画像中の前記複数の物品について各物品の輪郭形状を含む単体の幾何学的特徴を抽出する特徴量抽出ステップと、
   前記特徴量抽出ステップで抽出した各物品の単体の幾何学的特徴を設定済みの画像分離アルゴリズムに適用した結果の出力データを、対応する教師データとの誤差に応じて評価し、該誤差を縮小するよう前記複数の特徴パラメータを調整するパラメータ調整段階と、を含んでいることを特徴とする学習モデル作成方法。
10. 請求項９の学習モデル作成方法により作成された学習モデルを用いて、前記所定品種の複数の物品を含む検査対象の品質状態を該検査対象のＸ線検査画像を基に判定するＸ線検査方法であって、
    前記学習モデルを用いる画像処理を実行することで前記複数の物品のＸ線検査画像を基に前記複数の物品のそれぞれに対応する物品単体画像を分離して生成する分離画像生成ステップと、
    前記複数の物品に対応するそれぞれの物品単体画像に基づいて前記検査対象の品質状態を判定する単体品質状態判定ステップと、を含むことを特徴とするＸ線検査方法。

Images