JP2023016347A - 異常検査システム、異常検査方法及びプログラム - Google Patents

Abstract

【課題】部品の異常を正確に検出することが可能な異常検査システム、異常検査方法及びプログラムを提供すること。【解決手段】一実施形態にかかる異常検査システムＳ１は、連続した複数の撮像データのそれぞれ異なる領域に部品の同一箇所が含まれるように、部品の撮像データを取得する画像取得部２４４と、連続する複数の撮像データにおける異常の有無を検出し、複数の撮像データ全てにおいて異常が検出された場合に部品が異常であると判定する判定部２４５を備える。【選択図】図３Ａ

Description

本発明は異常検査システム、異常検査方法及びプログラムに関する。

工業用部品は、その生産工程において低品質な部品の出荷を防ぐため、チェックがなされる必要がある。例えば、特許文献１には、機械学習によって学習された学習済みモデルを用いて、部品の仕様分類を判定する技術が記載されている。

特開２０２０－１４９５７８号公報

一例として、部品を検査する検査装置は、部品を撮影し、その撮像データを解析することで部品表面の異常を判定することができる。しかしながら、検査装置は、液滴やブラシ跡といった、実質的には部品の異常とはいえない部品表面の箇所についても異常であると誤検出する可能性があった。

本発明は、このような問題を解決するためのものであり、部品の異常を正確に検出することが可能な異常検査システム、異常検査方法及びプログラムを提供するものである。

本発明の例示的な一態様に係る異常検査システムは、連続した複数の撮像データのそれぞれ異なる領域に部品の同一箇所が含まれるように、部品の撮像データを取得する取得部と、連続する複数の撮像データにおける異常の有無を検出し、複数の撮像データ全てにおいて異常が検出された場合に部品が異常であると判定する判定部を備える。異常検査システムは、部品の同一箇所が異なる状態で撮影された複数の撮像データに関する検出結果で部品の異常を判定するため、１の撮像データに関する検出結果に基づいて判定する場合と比較して、部品の異常を正確に検出することができる。

また、上記異常検査システムにおいて、判定部は、部品の撮像データを教師データとして用いることで学習された第１学習モデルに、連続する複数の撮像データを入力することで異常の有無を検出しても良い。異常検査システムは、学習済の学習モデルで異常を検出するため、異常の有無をより高精度に判定できる。

また、上記異常検査システムにおいて、判定部は、取得部により取得された１の撮像データを第１学習モデルに入力し、１の撮像データにおいて異常が検出されたことを第１学習モデルの出力結果から判定したときに、１の撮像データと連続して撮像された他の撮像データを第１学習モデルに入力することで、複数の撮像データ全てにおける異常の有無を検出しても良い。異常検査システムは、最初に１の撮像データを用いて第１学習モデルで判定を実行した結果、異常がない場合にはその撮像データについてこれ以上の処理を実行しないため、不要な処理を抑制し、検査をより効率的なものとすることができる。

また、上記異常検査システムにおいて、第１学習モデルは、部品の外観上の異常の種別を出力結果とするモデルであり、判定部は、連続する複数の撮像データにおける第１学習モデルの出力結果が示す部品の外観上の異常の種別に応じて、部品の異常の有無を判定しても良い。異常検査システムは、外観上異常がある部品であっても、部品の実質的な品質に異常がない部品を異常であると誤検出することを抑制することができる。つまり、異常検査システムは、過検出を抑制することができる。

また、上記異常検査システムにおいて、判定部は、部品の撮像データを教師データとして用いることで学習された、第１学習モデルと異なる第２学習モデルに、取得部により取得された撮像データを入力することで異常の疑いの有無を判定し、異常の疑いがあると判定された撮像データを含む連続する複数の撮像データを第１学習モデルに入力することで異常の有無を判定しても良い。異常検査システムは、２種類の異なる学習モデルを用いて部品の異常を判定するため、異常の検査の精度を高めることができる。

また、上記異常検査システムにおいて、判定部は、取得部により取得された１の撮像データを第２学習モデルに入力し、１の撮像データにおいて外観上の異常が検出されたことを第２学習モデルの出力結果から判定したときに、１の撮像データと連続して撮像された他の撮像データを第２学習モデルに入力し、他の撮像データにおいても外観上の異常が検出された場合に、異常の疑いがあることを判定しても良い。異常検査システムは、最初に１の撮像データを用いて第２学習モデルで判定を実行した結果、異常がない場合にはその撮像データについてこれ以上の処理を実行しないため、不要な処理を抑制し、検査をより効率的なものとすることができる。

また、上記異常検査システムにおいて、部品の同一箇所が、少なくとも連続した３つの撮像データに含まれるように、取得部は部品の撮像データを取得しても良い。異常検査システムは、部品の同一箇所が画像中の異なる場所に分散された３つ以上の撮像データを用いた検出結果で部品の異常を判定する。したがって、検査において、光の照射度合いといった画像の特性に伴うノイズを抑制することができるため、カム部の異常をより正確に検出することができる。

また、上記異常検査システムにおいて、取得部は、部品を軸支して回転させる回転機構によって部品が回転された状態で、部品の曲面部の撮像データを取得しても良い。これにより、異常検査システムは、部品の連続した撮像データを効率的に取得することができるため、検査全体にかかる時間を短縮することができる。

本発明の例示的な一態様に係る異常検査方法は、連続した複数の撮像データのそれぞれ異なる領域に部品の同一箇所が含まれるように、部品の撮像データを取得する取得ステップと、連続する複数の撮像データにおける異常の有無を検出し、複数の撮像データ全てにおいて異常が検出された場合に部品が異常であると判定する判定ステップを異常検査システムが実行するものである。これにより、異常検査システムは、部品の同一箇所が異なる状態で撮影された複数の撮像データに関する検出結果で部品の異常を判定するため、１の撮像データに関する検出結果に基づいて判定する場合と比較して、部品の異常を正確に検出することができる。

本発明の例示的な一態様に係るプログラムは、連続した複数の撮像データのそれぞれ異なる領域に部品の同一箇所が含まれるように、部品の撮像データを取得する取得ステップと、連続する複数の撮像データにおける異常の有無を検出し、複数の撮像データ全てにおいて異常が検出された場合に部品が異常であると判定する判定ステップをコンピュータに実行させるものである。これにより、コンピュータは、部品の同一箇所が異なる状態で撮影された複数の撮像データに関する検出結果で部品の異常を判定するため、部品の異常を正確に検出することができる。

本発明により、部品の異常を正確に検出することが可能な異常検査システム、異常検査方法及びプログラムを提供することができる。

実施の形態１にかかる異常検査システムの一例を示すブロック図である。 実施の形態１にかかる異常検査システムの検査装置の一例を示す詳細図である。 実施の形態１にかかる検査対象部品の一例を示す図である。 実施の形態１にかかるカム部、カム部検査用照明及びカム部検査用カメラの位置関係の一例を示す模式図である。 実施の形態１において、タイミング（１）で撮影されたカム部の画像を示す図である。 実施の形態１において、タイミング（２）で撮影されたカム部の画像を示す図である。 実施の形態１において、タイミング（３）で撮影されたカム部の画像を示す図である。 実施の形態１において、実際に撮影されたカム部表面の鋳巣を示す画像である。 実施の形態１において、実際に撮影されたカム部表面の液滴を示す画像である。 実施の形態１にかかる制御部の一例を示すブロック図である。 実施の形態１にかかる検査部と学習モデルとの関係を示す模式図である。 実施の形態１にかかる画像切り取りの例を示す模式図である。 実施の形態１にかかる異常検査システムが、カム部の検査を実行するときの処理例を示すフローチャートである。 実施の形態１にかかる異常検査システムが、カム部の検査を実行するときの処理例を示すフローチャートである。 実施の形態１にかかる異常検査システムが、カム部の検査を実行するときの処理例を示すフローチャートである。

実施の形態１
以下、図面を参照して本発明の実施の形態について説明する。

＜異常検査システム＞
図１は、実施の形態にかかる異常検査システムを説明するための図である。図１に示すように、本実施の形態にかかる異常検査システムＳ１は、検査装置１０及び情報処理装置２０を備える。本実施の形態にかかる異常検査システムＳ１は、ユーザが情報処理装置２０を操作することにより、検査対象部品の表面を検査装置１０のカメラで撮像させて、その表面に異常があるか否かを情報処理装置２０で検査させるものである。この例において、検査対象部品はカムシャフトである。以下、検査装置１０及び情報処理装置２０の詳細について説明する。

検査装置１０は、カム部検査用照明１１、カム部検査用カメラ１２、ジャーナル部検査用照明１３、ジャーナル部検査用カメラ１４、回転モータ１５を有する。

図２Ａは、検査装置１０の一例を示す詳細図であり、この図を用いて、検査装置１０の各構成要素を説明する。カム部検査用照明１１としては、検査対象部品Ｗのフロント側にカム部検査用照明１１Ａ、そのリア側にカム部検査用照明１１Ｂが設けられており、情報処理装置２０は、検査対象部品Ｗのカム部を検査する際に、それぞれの照明を点灯させる。カム部検査用カメラ１２としては、検査対象部品Ｗのフロント側からリア側にかけて、カム部検査用カメラ１２Ａ－１２Ｄが設けられている。各カム部検査用カメラ１２は、情報処理装置２０の制御により、カム部検査用照明１１が光を照射したカム部の領域を連続して複数回撮影することによって、カム部の撮像データ（画像）を撮影する。

ジャーナル部検査用照明１３は、情報処理装置２０の制御によって、検査対象部品Ｗのジャーナル部検査がなされる際に点灯される。ジャーナル部検査用カメラ１４としては、検査対象部品Ｗのフロント側からリア側にかけて、ジャーナル部検査用カメラ１４Ａ－１４Ｄが設けられている。各ジャーナル部検査用カメラ１４は、情報処理装置２０の制御により、ジャーナル部検査用照明１３が光を照射したジャーナル部の領域を連続して複数回撮影することによってジャーナル部の撮像データを撮影する。なお、カム部検査用カメラ１２及びジャーナル部検査用カメラ１４は、カメラの撮像素子が面状（すなわち、縦横に複数の撮像素子がある）となるように設けられる、いわゆるエリアカメラである。

図２Ｂは、検査対象部品Ｗとしてのカムシャフトを拡大した図である。このカムシャフトは、８個のカム部Ｃ１－Ｃ８と、４個のジャーナル部Ｊ１－Ｊ４を有する。カム部検査用照明１１は、カム部Ｃ１－Ｃ８に光を照射し、カム部検査用カメラ１２は、その照射された領域を撮影する。ジャーナル部検査用照明１３は、ジャーナル部Ｊ１－Ｊ４に光を照射し、ジャーナル部検査用カメラ１４は、その照射された領域を撮影する。

図２Ｃは、カム部Ｃ１、カム部検査用照明１１Ａ及びカム部検査用カメラ１２Ａの位置関係の一例を示す模式図である。カム部検査用照明１１Ａ及びカム部検査用カメラ１２Ａは、それぞれの照明及びカメラの正面部が同一線上に配置され、その延長線上にカム部Ｃ１が配置されている。つまり、カム部検査用照明１１Ａ及びカム部検査用カメラ１２Ａは、カム部Ｃ１に対して同じ姿勢（同位相）となるように配置されている。カム部検査用照明１１Ａは、カム部Ｃ１に対して光を照射する。カム部検査用カメラ１２Ａは、カム部の回転方向を撮影するための画角としてθを有し、カム部において撮影領域ＲＣを撮影する。カム部Ｃ１だけでなく、他のカム部に対しても、カム部検査用照明１１Ａ及びカム部検査用カメラ１２Ａは同様の位置関係で配置され、同様にカム部の所定の撮影領域を撮影することができる。また、カム部検査用照明１１Ｂ及びカム部検査用カメラ１２Ｂも、各カム部に対して、それぞれカム部検査用照明１１Ａ及びカム部検査用カメラ１２Ａと同じ位置関係で配置され、同様にカム部の所定の撮影領域を撮影することができる。

図２Ａに戻り、説明を続ける。回転モータ１５は、検査対象部品Ｗのフロント側に設けられたクランプＦＣとリア側に設けられたクランプＲＣとともに、検査対象部品Ｗのシャフトを軸支して回転させる回転機構を構成する。ユーザが検査対象部品Ｗの両端をクランプＦＣとクランプＲＣで固定させることにより、検査対象部品Ｗを回転可能な状態とした後で、回転モータ１５は情報処理装置２０の制御によって検査対象部品Ｗを回転させる。

詳細には、情報処理装置２０は、検査対象部品Ｗのカム部の検査を実行する際に回転モータ１５を回転させ、カム部検査用照明１１が点灯した状態で検査対象部品Ｗが１回転する間に、カム部検査用カメラ１２を制御して、カム部を連続して複数回撮影させる。これにより、カム部検査用カメラ１２は、１回の撮影毎にカム部の異なる領域を撮影することになる。なお、情報処理装置２０は、カム部検査用カメラ１２が複数回の撮影をすることで検査対象部品Ｗのカム部の表面全体を撮影するように、カム部検査用カメラ１２の撮影間隔並びに撮影回数（撮影時間）、及び回転モータ１５の回転速度といった撮影に関するパラメータを決定する。

以上に示したカム部の撮影後、情報処理装置２０は、カム部検査用照明１１を消灯させ、代わりにジャーナル部検査用照明１３を点灯させる。そして、情報処理装置２０は、回転モータ１５を回転させ、検査対象部品Ｗが１回転する間に、ジャーナル部検査用カメラ１４を制御して、ジャーナル部を連続して複数回撮影させる。これにより、ジャーナル部検査用カメラ１４は、１回の撮影毎にジャーナル部の異なる領域を撮影することになる。

この実施の形態において、情報処理装置２０は、カム部検査用カメラ１２の連続した撮影において、カム部の同一箇所が連続した３つの撮像データに映るように、上述の撮影に関するパラメータを決定する。

図２Ｄ－２Ｆは、連続したタイミング（１）～（３）でそれぞれ撮影されたカム部の画像を示す。各画像は、図２Ｃに示すように光が照射された領域ＲＣが撮影されたものである。図２Ｄで示すタイミング（１）において、カム部の所定の箇所ＳＰは画像ＩＭの上端部に位置する。このとき、カム部は下方向に回転している。そのため、タイミング（１）から時間が経過したタイミング（２）では、図２Ｅに示す通り、所定の箇所ＳＰは画像ＩＭの下方向に移動する。図２Ｅでは、所定の箇所ＳＰは、画像ＩＭの中央部の領域に位置する。さらにタイミング（２）から時間が経過したタイミング（３）では、図２Ｆに示す通り、所定の箇所ＳＰは画像ＩＭのさらに下方向に移動する。図２Ｆでは、所定の箇所ＳＰは、画像ＩＭの下端部に位置する。

このようにカム部検査用カメラ１２がカム部を撮影する場合、撮影対象であるカム部表面が曲面を構成する。そのため、図２Ｄ－２Ｆでは、カム部検査用照明１１から所定の箇所ＳＰに照射され、所定の箇所ＳＰで反射されてカム部検査用カメラ１２に入射する光の状態が、それぞれ異なる。これに伴い、出願人は以下のような課題を発見した。

図２Ｇは、実際に撮影された、カム部表面に鋳巣がある領域ＲＣの画像である。鋳巣は、カム部表面に生じた欠陥（実質的な異常）の一例である。図２Ｇの上段、中段、下段の画像は、それぞれ図２Ｄ－２Ｆに示したタイミング（１）、（２）、（３）に対応する。図２Ｇの通り、各タイミングにおいて、鋳巣は明確な状態で撮像されている。これは、鋳巣がカム部表面においてある程度の深さを有する空洞を形成するため、撮影場所が異なっても、鋳巣以外の箇所とは異なる光の反射をするためである。

図２Ｈは、実際に撮影された、カム部表面に液滴（例えば洗浄液）がある領域ＲＣの画像である。液滴は、カム部表面に生じた、外観上の異常であるが実質的な異常ではない事象（以下、偽異常とも記載）の一例である。図２Ｆの上段、中段、下段の画像も、それぞれ図２Ｄ－２Ｆに示したタイミング（１）、（２）、（３）に対応する。図２Ｆを参照すると、タイミング（２）において撮影された画像（すなわち、図２Ｃにおいて、カム部検査用カメラ１２の正面に液滴がある場合の画像）では、液滴はほとんど認識できない状態で撮像されている。しかしながら、タイミング（１）及び（３）において撮影された画像では、液滴が認識できる状態で撮像されている。これは、カム部検査用照明１１、カム部検査用カメラ１２及び領域ＲＣの位置関係によって、画像の上端部及び下端部に対応するカム部表面の領域が、光が当たりにくい陰の領域となることが理由である。そのため、タイミング（１）及び（３）では、液滴は図２Ｇに示した鋳巣と類似した形状及び明暗部を有する模様として撮影される。つまり、画像の上端部及び下端部に液滴が映った画像を用いて検査を行うことで、過検出がなされる可能性がある。

なお、鋳巣以外の欠陥として、カム部表面にキズが存在する場合が考えられる。このような場合にも、そのキズは撮影タイミングを問わず、明確な状態で撮像される。一方、液滴以外の偽異常として、カム部表面にブラシによるバリ取りの跡が存在する場合が考えられる。この模様は、図２Ｈの通り、タイミング（２）においてはほとんど認識できない状態で撮像されるが、タイミング（１）及び（３）においては、線状のキズと類似した形状及び明暗部を有する模様として撮影され得る。この場合も、画像の上端部及び下端部にバリ取りの跡が映った画像を用いて検査を行うと、過検出がなされる可能性がある。

後述の通り、本発明では、このような過検出を抑制するように情報処理装置２０の検査が行われる。情報処理装置２０は、以上のようにして得られたカム部及びジャーナル部の画像を取得し、後述の処理を実行することで各画像に異常が存在するか否かを判定する。特に、この実施の形態では、カム部の異常を検出する判定処理について説明する。

次に、情報処理装置２０について説明する。情報処理装置２０は、ＤＢ（Database）２１、表示パネル２２、入力部２３及び制御部２４を有する。

ＤＢ２１には、検査に必要な３種類の学習モデルが格納されている。この学習モデルは、ディープラーニング等の機械学習により、事前に画像を教師データとして学習がなされたＡＩ（Artificial Intelligence）モデルである。この学習モデルの詳細については後述する。また、ＤＢ２１には、後述の検査部における判定に用いられる全ての閾値が格納されている。

ＤＢ２１は、例えばフラッシュメモリ、メモリーカード、ＨＤＤ（Hard Disk Drive）、光ディスクドライブ等の記憶装置で構成されているが、記憶装置の種類はこれに限られない。また、ＤＢ２１は情報処理装置２０の外部に設けられてもよく、この場合、情報処理装置２０は図示しない情報送受信部を介してＤＢ２１へ接続し、ＤＢ２１に格納されたデータを取得してもよい。

表示パネル２２は、情報処理装置２０の異常の有無の判定結果をユーザが見られるようにするためのインターフェイスである。入力部２３は、ユーザが情報処理装置２０に対して、検査の開始や検査の設定に関する指示を入力するインターフェイスである。

制御部２４は、カム部検査用照明１１、カム部検査用カメラ１２、ジャーナル部検査用照明１３、ジャーナル部検査用カメラ１４及び回転モータ１５を上述の通り制御して、検査対象部品Ｗのカム部及びジャーナル部を撮影させる。そして、制御部２４は、カム部検査用カメラ１２及びジャーナル部検査用カメラ１４から、それぞれ撮像された画像を取得し、以下に示す通り、検査を実行する。

図３Ａは、制御部２４の構成を説明するためのブロック図である。制御部２４は、メモリ２４１、Ｉ／Ｏ（Input/Output）部２４２及び情報処理部２４３を備える。以下、制御部２４の各部について説明する。

メモリ２４１は、揮発性メモリや不揮発性メモリ、またはそれらの組み合わせで構成される。メモリ２４１は、１個に限られず、複数設けられてもよい。なお、揮発性メモリは、例えば、ＤＲＡＭ (Dynamic Random Access Memory)、ＳＲＡＭ (Static Random Access Memory)等のＲＡＭ (Random Access Memory)であってもよい。不揮発性メモリは、例えば、ＰＲＯＭ (Programmable ROM)、ＥＰＲＯＭ (Erasable Programmable Read Only Memory)、フラッシュメモリであってもよい。

このメモリ２４１は、１以上の命令を格納するために使用される。ここで、１以上の命令は、ソフトウェアモジュール群としてメモリ２４１に格納される。情報処理部２４３は、１以上の命令をメモリ２４１から読み出して実行することで、以下の処理を行うことができる。

Ｉ／Ｏ部２４２は、制御部２４の外部と情報の入出力を実行するハードウェアインタフェースである。この実施形態では、制御部２４はカム部検査用照明１１、カム部検査用カメラ１２、ジャーナル部検査用照明１３、ジャーナル部検査用カメラ１４及び回転モータ１５に接続されており、これらとＩ／Ｏ部２４２を介して情報の入出力を適宜行う。

情報処理部２４３は、画像を解析するための任意のプロセッサ等で構成される。この例では、プロセッサとして、画像処理に有用なＧＰＵ（Graphics Processing Unit）が情報処理部２４３に含まれている。ただし、情報処理部２４３は、プロセッサとして、ＣＰＵ（Central Processing Unit）、ＭＰＵ（Micro Processing Unit）、ＦＰＧＡ（Field-Programmable Gate Array）、ＤＳＰ（Digital Signal Processor）、ＡＳＩＣ（Application Specific Integrated Circuit）を有しても良い。なお、上述のメモリ２４１は、情報処理部２４３の外部に設けられるものに加えて、情報処理部２４３に内蔵されているものを含んでも良い。

情報処理部２４３は、メモリ２４１からソフトウェア（コンピュータプログラム）を読み出して実行することで、画像取得部２４４及び判定部２４５等の機能を実現する。判定部２４５は、さらに細分化された第１検査部２４６及び第２検査部２４７の機能に分けることができる。

画像取得部２４４は、Ｉ／Ｏ部２４２を介して、カム部検査用カメラ１２及びジャーナル部検査用カメラ１４から、撮影された画像を取得する。取得したカム部の画像は、第１検査部２４６に出力される。

図３Ｂは、第１検査部２４６並びに第２検査部２４７、及び、ＤＢ２１に格納されており、第１検査部２４６並びに第２検査部２４７がそれぞれアクセスして検査に用いる２種類の学習モデルを示したものである。以下、図３Ｂを参照しながら、各検査部について詳細に説明する。

第１検査部２４６は、カム部検査用カメラ１２が撮影したカム部の画像（第１撮像データ）を第１学習モデルＭ１に対して入力し、第１学習モデルＭ１から出力された結果に基づいて、カム部に異常の疑いがあるか否かを判定する。

ここで、第１学習モデルＭ１は、カム部の画像が教師データとして用いられて学習されたものであり、画像が入力されたときの出力結果として、カム部の外観上の異常の有無に関する計算値を出力結果とするモデルである。詳細な例として、第１学習モデルＭ１は、入力された画像に関してセマンティックセグメンテーション処理を実行することで、その画像における第１の判定値を算出して出力する。この第１の判定値は、画像に映されたカム部の正常度を表すものであり、大きい値であるほど、画像におけるカム部の表面がクリーンな状態であることを示し、小さい値であるほど、その表面に打痕等のキズ、又は鋳巣（shrinkage cavity）等の欠陥に似ている模様が映っていることを示す。第１検査部２４６は、算出された第１の判定値とＤＢ２１に格納された閾値ＴＨ１とを比較し、第１の判定値が閾値ＴＨ１以下となる画像を、カム部に外観上の異常がある画像と判定する。一方、第１検査部２４６は、第１の判定値が閾値ＴＨ１よりも大きい画像を、カム部に外観上の異常がない画像と判定する。

なお、第１学習モデルＭ１は、画像を複数の区画に分割し、その区画毎に第１の判定値を算出しても良い。この場合、第１検査部２４６は、画像の少なくとも１つの区画における第１の判定値が閾値ＴＨ１以下である場合に、カム部に外観上の異常がある画像と判定しても良い。又は、第１検査部２４６は、画像において複数の閾値以上の数の区画における第１の判定値が閾値ＴＨ１以下である場合に、カム部に外観上の異常がある画像と判定しても良い。

外観上の異常とは、カム部の表面がクリーンな状態でないことをいい、例えば、表面に線や丸などの模様があることや、表面に明度が異なる箇所がある（例えば周囲と比べて暗い箇所がある）ことを視認できることを示す。カム部表面に丸などの模様がある場合や、表面に暗い箇所がある場合、表面に鋳巣が生じている可能性があり、表面に線の模様がある場合、表面にキズが生じている可能性がある。キズや鋳巣は、検査対象部品Ｗの欠陥（実質的な異常）を意味するものである。しかしながら、カム部表面に丸などの模様があっても、その模様は表面上の液滴由来の可能性もある。また、面に線の模様があっても、その模様は、バリ取り用のブラシの跡、検査対象部品Ｗのチェック跡、又は砥石加工の際に生じた砥石目である可能性もある。これらの模様は、検査対象部品Ｗの製造段階による加工によって自然に生じるものであり、検査対象部品Ｗの欠陥ではない。そのため、このような偽異常の模様を有する画像を異常検査システムが異常と判定してしまうという、過検出の問題が生じる可能性がある。

この実施形態では、入力対象である１枚の画像においてカム部に外観上の異常があると判定された場合、第１検査部２４６は、その１枚の画像と連続して撮像された２枚の画像を第１学習モデルＭ１に入力する。ここで、第１検査部２４６は、１枚の画像において外観上の異常があると判定された領域が画像のどの場所にあるかを判定し、その場所に応じて、その外観上の異常が映っている他の２枚の画像を、第１学習モデルＭ１に入力する画像として選択する。

この例では、画像全体の領域を上下方向に３分の１ずつ分割する領域として、上領域、中央領域及び下領域を定義する。そして、図２Ｄ－２Ｆで示した通り、カム部の回転方向が、画面の上から下に向かう方向であるとする。この場合に、外観上の異常が映る箇所が画像の上領域であるとすると、第１検査部２４６は、判定対象の画像の撮影タイミングの直後及びさらにその直後に撮影された画像を選択する。また、外観上の異常が映る箇所が画像の中央領域であるとすると、第１検査部２４６は、判定対象の画像の撮影タイミングの直前及び直後に撮影された画像を選択する。そして、外観上の異常が映る箇所が画像の下領域であるとすると、第１検査部２４６は、判定対象の画像の撮影タイミングの直前及びさらにその直前に撮影された画像を選択する。

第１検査部２４６は、この２枚の画像について算出された第１の判定値とＤＢ２１に格納された閾値ＴＨ１とを比較する。上述と同様、第１学習モデルＭ１は、各画像を複数の区画に分割し、その区画毎に第１の判定値を算出しても良い。そして、２枚の画像ともに第１の判定値が閾値ＴＨ１以下となる場合（すなわち、２枚の画像の両方ともに外観上の異常が検出された場合）に、第１検査部２４６は、最初に判定した画像に異常の疑いがあることを判定する。異常の疑いがあると判定された画像は、第２検査部２４７による再度の検査の対象となる。この再度の検査によって画像に欠陥が映っていると判定された場合に、はじめて検査対象部品Ｗが異常と判定されることになる。なお、異常の疑いがないと判定された画像は、第２検査部２４７による検査の対象外となる。

第２検査部２４７は、異常の疑いがあると判定されたカム部の画像（第２撮像データ）全体を第２学習モデルＭ２に対して入力する。なお、第１学習モデルＭ１が、画像を複数の区画に分割し、その区画毎に第１の判定値を算出するモデルである場合に、第２検査部２４７は、第１の判定値が閾値ＴＨ１以下である画像の区画を切り取って、その切り取った区画の画像だけを第２学習モデルＭ２に対して入力しても良い。

図３Ｃは、第２検査部２４７が画像を切り取る処理の一例を示した図である。カム部検査用カメラ１２が撮影したオリジナルの画像ＩＭにおいて、異常の疑いがある模様ＤＡが存在することにより、第１検査部２４６は画像ＩＭの区画ＤＡにおける第１の判定値が閾値ＴＨ１以下であると判定する。このとき、第２検査部２４７は、画像ＩＭから区画ＤＡを切り取り、区画ＤＡの画像だけを第２学習モデルＭ２に対して入力することができる。

第２学習モデルＭ２は、以上のようにして入力された画像に基づいた計算結果を出力する。第２検査部２４７は、第２学習モデルＭ２からの出力結果に基づいて、カム部に異常があるか否かを判定する。

ここで、第２学習モデルＭ２は、第１学習モデルＭ１と異なる種類のＡＩモデルである。第２学習モデルＭ２は、カム部の画像が教師データとして用いられて学習されたものであり、画像が入力されたときの出力結果として、カム部の外観上の異常の種別に関する計算値を出力結果とするモデルである。詳細には、第２学習モデルＭ２は、入力された画像に関してクラシフィケーション処理を実行し、入力画像における第２の判定値を算出して出力する。この第２の判定値は、入力画像と、上述に記載の偽異常の模様との一致率であり、入力画像と偽異常の模様との内積を計算した場合の余弦値（ｃｏｓθ）のことをいう。第２学習モデルＭ２は、モデル化された偽異常の模様の種類数だけ、第２の判定値を算出する。この第２の判定値が大きい値（１に近い値）であるほど、画像におけるカム部表面の模様は偽異常の模様（例えば、液滴、バリ取り用のブラシの跡、チェック跡又は砥石目の少なくともいずれかの模様）と類似し、実質的な異常がないことを示す。その一方、第２の判定値が小さい値であるほど、そのカム部表面の模様は偽異常の模様と類似していないため、その模様はキズや鋳巣等の欠陥である可能性が高いと考えられる。

第２検査部２４７は、算出された第２の判定値とＤＢ２１に格納された閾値ＴＨ２とを比較する。なお、閾値ＴＨ２も、モデル化された偽異常の模様の種類数だけ設定されることになる。第２検査部２４７は、全ての偽異常の模様の種類において、第２の判定値が閾値ＴＨ２以下となる画像を、カム部に異常がある画像と判定する。一方、第２検査部２４７は、少なくともいずれか１種類の偽異常の模様において、第２の判定値が閾値ＴＨ２よりも大きくなる画像を、カム部に異常がない画像と判定する。

なお、第２検査部２４７が、撮影されたオリジナルの画像の一部を切り取った区画の画像だけを第２学習モデルＭ２に対して入力した場合、第２学習モデルＭ２は、その区画に関して上述のクラシフィケーション処理を実行し、その区画における第２の判定値を算出して出力する。

なお、この実施形態では、入力対象である１枚の画像においてカム部に異常があると判定された場合、第２検査部２４７は、その１枚の画像と連続して撮像された２枚の画像を選択して、第２学習モデルＭ２に入力する。選択される２枚の画像は、第１検査部２４６が選択する２枚の画像と同じものである。入力対象である１枚の画像が切り取られた区画の画像である場合、第２検査部２４７は、第１検査部２４６が選択した２枚の画像から、第１の判定値が閾値ＴＨ１以下である区画を切り取り、切り取ることによって得られた２枚の区画の画像を第２学習モデルＭ２に入力する。第２検査部２４７は、２枚の区画の画像に関して、算出された第２の判定値とＤＢ２１に格納された閾値ＴＨ２とを比較する。この２枚の画像の両方ともに、全ての偽異常の模様の種類において、第２の判定値が閾値ＴＨ２以下となった場合（すなわち、入力された２枚の画像の両方ともに異常が検出された場合）に、第２検査部２４７は、カム部に異常があることを判定する。

第１検査部２４６及び第２検査部２４７は、各カム部検査用カメラ１２が撮影した画像毎に、上述の処理を実行する。そして、第２検査部２４７においてカム部に異常があると１回も判定されなかった場合には、第２検査部２４７は、撮影された検査対象であるカム部に異常がないと判定する。一方、カム部に異常があると判定された画像が１回でもある場合には、第２検査部２４７は、カム部に異常があると判定する。ただし、第２検査部２４７は、カム部に異常があると判定された回数が所定の複数の閾値数以上である場合に、カム部に異常があると判定しても良い。第２検査部２４７は、検査対象であるカム部に異常があると判定した場合に、検査対象部品Ｗに異常があると判定する。

第２検査部２４７は、以上の判定結果を情報処理装置２０の表示パネル２２に表示させることができる。なお、第２検査部２４７は、異常があると判定したカム部を、そのカム部を撮影したカム部検査用カメラ１２及びその撮影方向を特定することにより判別し、判別した結果を表示パネル２２に表示しても良い。

なお、図示されないが、判定部２４５は、ジャーナル部検査用カメラ１４が取得したジャーナル部の画像を用いてジャーナル部の検査を実行する検査部の機能を更に備えていても良い。

図４Ａ－４Ｃは、異常検査システムＳ１がカム部の検査を実行する処理の一例を示したフローチャートであり、以下、図４Ａ－４Ｃを参照して、この処理を説明する。なお、各処理の詳細については上述の通りであり、適宜説明を省略している。

まず、ユーザが入力部２３を操作することにより、情報処理装置２０は、検査対象部品Ｗのカム部の検査を検査装置１０に実行させる。この検査がなされることにより、画像取得部２４４は、カム部検査用カメラ１２が撮影した全ての画像を読み込む（ステップＳ１１）。

第１検査部２４６は、読み込んだ画像の中から１枚の画像を第１学習モデルＭ１に対して入力する。そして、第１学習モデルＭ１が算出した第１の判定値が閾値ＴＨ１以下となるか否かを判定する（ステップＳ１２）。

第１の判定値が閾値ＴＨ１以下である場合に（ステップＳ１２のＹｅｓ）、第１検査部２４６は、入力された画像と連続して撮像された２枚の画像を第１学習モデルＭ１に入力する。この２枚の画像の選定方法は、上述の通りである。そして、第１検査部２４６は、この２枚の画像について算出された第１の判定値と閾値ＴＨ１とを比較し、２枚の画像とも、第１の判定値が閾値ＴＨ１以下となるか否かを判定する（ステップＳ１３）。

２枚の画像ともに第１の判定値が閾値ＴＨ１以下となる場合（ステップＳ１３のＹｅｓ）、第１検査部２４６は、当初判定対象となった画像に異常の疑いがあると判定する。この判定結果に応じて、第２検査部２４７は、当初判定対象となった画像において、第１の判定値が閾値ＴＨ１以下となる区画を切り取る（ステップＳ１４）。そして、第２検査部２４７は、その切り取った区画の画像を第２学習モデルＭ２に対して入力する。第２検査部２４７は、全ての偽異常の模様の種類に関して、第２学習モデルＭ２が算出した第２の判定値が閾値ＴＨ２以下となるか否かを判定する（ステップＳ１５）。

全ての偽異常の模様の種類に関して、第２の判定値が閾値ＴＨ２以下となる場合（ステップＳ１５のＹｅｓ）、第２検査部２４７は、入力された画像と連続して撮像された２枚の画像を第２学習モデルＭ２に入力する。この２枚の画像の選定方法は、上述の通りである。そして、第２検査部２４７は、この２枚の画像について算出された第２の判定値と閾値ＴＨ２とを比較し、２枚の画像とも、全ての偽異常の模様の種類に関して、第２の判定値が閾値ＴＨ２以下となるか否かを判定する（ステップＳ１６）。

全ての偽異常の模様の種類に関して、２枚の画像ともに第２の判定値が閾値ＴＨ２以下となる場合（ステップＳ１６のＹｅｓ）、第２検査部２４７は、その画像の判定結果に基づいて、カム部に異常があると判定し、異常検査システムＳ１は検査処理を終了する（ステップＳ１７）。

一方、ステップＳ１２において、第１の判定値が閾値ＴＨ１よりも大きい場合（ステップＳ１２のＮｏ）、第１検査部２４６は、検査対象の画像が正常である（異常がない）と判定する（ステップＳ１８）。ステップＳ１３において、２枚の画像の少なくともいずれかにおいて、第１の判定値が閾値ＴＨ１よりも大きい場合（ステップＳ１３のＮｏ）にも同様の判定がなされる。

また、ステップＳ１４において、少なくともいずれか１種類の偽異常の模様において、第２の判定値が閾値ＴＨ２よりも大きい場合にも（ステップＳ１５のＮｏ）、第２検査部２４７は、検査対象の画像が正常であると判定する（ステップＳ１８）。ステップＳ１６において、２枚の画像の少なくともいずれかにおいて、少なくともいずれか１種類の偽異常の模様につき、第２の判定値が閾値ＴＨ２よりも大きい場合（ステップＳ１６のＮｏ）にも同様の判定がなされる。

その後、第１検査部２４６は、ステップＳ１１で読み込んだ全ての画像について、以上に示した判定が終了したか否かを判定する（ステップＳ１９）。判定が終了していない画像がある場合には（ステップＳ１９のＮｏ）、第３検査部２４８は、ステップＳ１２に戻り、未判定の画像について処理を実行する。一方、全ての画像について判定が終了した場合には（ステップＳ１９のＹｅｓ）、第１検査部２４６は、カム部が正常であると判定し、異常検査システムＳ１は検査処理を終了する（ステップＳ２０）。

なお、以上に示したフローでは、情報処理装置２０が、１つの画像について第１検査部２４６及び第２検査部２４７による検査を実行し、それを各画像について順番に実行する内容を説明した。ただし、情報処理装置２０は、複数の画像（例えば読み込んだ全ての画像）について、第１検査部２４６による検査をまとめて実行し、その中で第１の判定値が閾値ＴＨ１以下となる画像について、第２検査部２４７による検査を実行するようにしても良い。

以上の説明で示したように、異常検査システムＳ１の画像取得部２４４は、連続した複数の画像のそれぞれ異なる領域に部品の同一箇所が含まれるように、カム部の画像を取得する。そして、第２検査部２４７（判定部２４５）は、連続する複数の画像における異常の有無を検出し、複数の画像全てにおいて異常が検出された場合にカム部が異常であると判定する。

図２Ｇ、２Ｈで示したように、カム部表面に偽異常の模様が生じた場合には、画像撮影時にその模様がある位置によって、異常検査システム側で鋳巣等の欠陥であると誤判定する（過検出）可能性がある。そして、このような過検出を抑制するために学習モデルを学習させた場合、学習モデルは逆に欠陥部位を偽異常であると誤判定してしまう可能性がある。

本発明に係る異常検査システムＳ１は、カム部の同一箇所が異なる状態で撮影された複数の画像に関する検出結果でカム部の異常を判定する。そのため、例えば１枚の画像の上端又は下端に偽異常の模様がある場合でも、他の画像においてその模様が画像中央に撮影されている場合には、異常検査システムＳ１はその画像に基づいて、偽異常の模様が異常ではないと判定することができる。したがって、異常検査システムＳ１は、カム部の異常を正確に検出することができる。また、曲面であるカム部の画像検査において、精度が高いが高価であるラインカメラを使わずとも、比較的安価なエリアカメラによって、前後の画像においてカム部の撮影領域が重複するように連続して画像を撮影することで、このような効果を奏することができる。そのため、異常検査システムＳ１の構成をより安価にすることもできる。

また、第２検査部２４７は、カム部の画像を教師データとして用いることで学習された 第２学習モデルＭ２に、連続する複数の画像を入力することで異常の有無を検出しても良い。異常検査システムは、学習済の学習モデルで異常を検出するため、異常の有無をより高精度に判定できる。

また、第２検査部２４７は、１枚の画像を第２学習モデルＭ２に入力し、その画像において異常が検出されたことを第２学習モデルＭ２の出力結果から判定したときに、その画像と連続して撮像された他の画像を第２学習モデルＭ２に入力することで、複数の画像全てにおける異常の有無を検出しても良い。異常検査システムＳ１は、最初に１枚の画像を用いて判定を実行した結果、異常がない場合にはその画像についてこれ以上の処理を実行しないため、不要な処理を抑制し、検査をより効率的なものとすることができる。

また、第２学習モデルＭ２は、カム部の外観上の異常の種別を出力結果とするモデルであり、第２検査部２４７は、連続する複数の画像における第２学習モデルＭ２の出力結果が示すカム部の外観上の異常の種別に応じて、カム部の異常の有無を判定しても良い。これにより、異常検査システムＳ１は、カム部に外観上異常があっても、カム部の実質的な品質に異常がないものを異常であると誤検出することを抑制することができる。

また、第１検査部２４６は、画像取得部２４４により取得された画像を第１学習モデルＭ１に入力することで、画像における異常の疑いの有無を判定し、第２検査部２４７は、異常の疑いがあると判定された画像を含む連続する画像を第２学習モデルＭ２に入力することで異常の有無を判定しても良い。異常検査システムＳ１は、２種類の異なる学習モデルを用いて部品の異常を判定するため、異常の検査の精度を高めることができる。

また、第１検査部２４６は、１枚の画像を第１学習モデルＭ１に入力し、その画像において外観上の異常が検出されたことを第１学習モデルＭ１の出力結果から判定したときに、その画像と連続して撮像された他の画像を第１学習モデルＭ１に入力する。そして、他の画像においても外観上の異常が検出された場合に、カム部に異常の疑いがあることを判定しても良い。異常検査システムは、最初に１枚の画像を用いて第１学習モデルＭ１で判定を実行した結果、異常がない場合にはその撮像データについてこれ以上の処理を実行しないため、不要な処理を抑制し、検査をより効率的なものとすることができる。また、第１検査部２４６が複数の画像を第１学習モデルＭ１に入力して異常の疑いを判定することで、異常の疑いと判定される画像（すなわち、第２検査部２４７の検査対象となる画像）を減らすことができる。第２学習モデルＭ２は精度が高い反面、入力画像１枚当たりの推論時間が第１学習モデルＭ１よりもかなり長くなるため、第２検査部２４７の検査対象となる画像を減らすことで、検査全体に掛かる時間を抑制することができる。

また、画像取得部２４４は、カム部の同一箇所が、少なくとも連続した３枚の画像に含まれるようにカム部の画像を取得しても良い。異常検査システムＳ１は、カム部の同一箇所が画像中の異なる場所に分散された３つ以上の画像を用いた検出結果でカム部の異常を判定する。したがって、検査において、光の照射度合いといった画像の特性に伴うノイズを抑制することができるため、カム部の異常をより正確に検出することができる。

また、画像取得部２４４は、カム部（検査対象部品Ｗ）を軸支して回転させる回転機構によってカム部が回転された状態で、カム部の曲面部の画像を取得しても良い。これにより、異常検査システムＳ１は、カム部の連続した画像を効率的に取得することができるため、検査全体にかかる時間を短縮することができる。

なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。

例えば、実施の形態では、第１検査部２４６及び第２検査部２４７による２段階のカム部の検査がなされることを説明したが、カム部の検査として３段階以上の検査がなされても良い。例えば、第１検査部２４６による検査の前後のいずれかに、第２検査部２４７によるものではない検査がさらになされても良い。

検査において、カム部はその表面全体が撮影されて検査されるのではなく、その一部の表面だけが撮影されて検査対象となっても良い。これはジャーナル部でも同様である。また、検査に用いられるカム部検査用カメラ１２やジャーナル部検査用カメラ１４の少なくともいずれかは、エリアカメラでなく、ラインカメラ等、別の種類のカメラでも良い。

実施の形態において、第１検査部２４６のステップＳ１３の処理、第２検査部２４７のステップＳ１６の処理のいずれか片方のみが実行されても良い。また、ステップＳ１３又はＳ１６において、追加で判定対象となる画像は、２枚ではなく、１枚であっても良い。例えば、ステップＳ１３において、外観上の異常が映る箇所が画像の上領域であるとすると、第１検査部２４６は、判定対象の画像の撮影タイミングの直後に撮影された画像を追加で選択しても良い。同様に、外観上の異常が映る箇所が画像の下領域であるとすると、第１検査部２４６は、判定対象の画像の撮影タイミングの直前に撮影された画像を追加で選択しても良い。いずれの場合も、新たに選択される画像では、外観上の異常が映る箇所が画像の中央領域と想定されるため、外観上の異常が偽異常の模様である場合に、第１検査部２４６でそのことを正確に判定し易くなる。これにより、全体の検査をより効率的に実行することができる。

また、情報処理装置２０は、カム部検査用カメラ１２の連続した撮影において、カム部の同一箇所が連続した２枚、又は４枚以上の画像に映るように、上述の撮影に関する各種パラメータを決定しても良い。この場合も、ステップＳ１３又はＳ１６において追加で判定対象となる画像として、直前の判定対象となった画像と連続して撮影された１枚以上の画像が選択されても良い。このときに、第１検査部２４６又は第２検査部２４７は、直前の判定対象となった画像において外観上の異常があると判定された領域が含まれる全ての画像を選択しても良いし、そのうちの一部の画像を選択しても良い。例えば、第１検査部２４６は、ステップＳ１２の判定対象に係る画像において、外観上の異常があると判定された領域が画像のどの場所にあるかを判定する。そして、その画像と比較して、その領域が画像の中心（過検出が避けられる撮影領域）にさらに近づいて映るような１枚以上の画像を選択しても良い。第２検査部２４７も、同様の処理を実行することができる。

第１検査部２４６及び第２検査部２４７による検査が実行される対象は、カム部のような形状ではなく、ジャーナル部等、真円の断面形状を有する部分であっても良い。そして、検査対象部品はカムシャフトでなく、その他の種類の部品であっても良い。この場合であっても、異常検査システムＳ１は、その部品の曲面又は平面を連続して撮影し、連続して撮影された画像に対して、実施の形態に記載した検査を実行することができる。

実施の形態では、検査対象部品Ｗが回転し、異常検査システムＳ１のカメラが回転中の検査対象部品Ｗを連続して撮影することで、画像を取得していた。しかしながら、画像を取得する方法はこれに限られない。例えば、検査対象部品が平面部を有し、異常検査システムＳ１の照明がその平面部に光を照射した状態でカメラがその平面部を連続して撮影する場合、撮影時に動くのは検査対象部品側であっても良いし、カメラ側であっても良い。このように、部品表面の同一箇所が含まれた画像が連続して撮影される状態となる際に、撮影時に動くのは、検査対象部品とカメラ（撮影部）のいずれの側であっても良い。いずれの場合でも、検査対象部品とカメラの位置関係が、撮影時に相対的に変化し続ける状態となるため、異常検査システムＳ１は、部品表面の同一箇所が含まれた画像を容易に連続して撮影することができる。

異常検査システムＳ１のカメラ、照明並びに検査対象部品の位置関係、及び検査対象部品の特性（例えば撮影領域が曲面であるか平面であるか、また曲面である場合はその曲率の値）によっては、画像における偽異常の模様の映り度合いが、図２Ｇに示したものと異なる場合がある。このような場合であっても、第１検査部２４６又は第２検査部２４７の少なくともいずれかは、ステップＳ１３又はＳ１６において、事前にＤＢ２１に格納された過検出が避けられる撮影領域の情報に基づき、外観上の異常があると判定された領域がその撮影領域に位置する画像を選択しても良い。このようにしても、本発明に係る課題を解決することができる。

異常検査システムＳ１において、実施の形態に記載の通りに検査対象部品Ｗのカム部の異常の有無が判定された場合に、ユーザは、実際のカム部の異常の有無、又は画像に映ったカム部の模様の種類（例えば、欠陥を示す模様、又は偽異常を示す模様の種類）を、入力部２３によって情報処理装置２０に入力しても良い。これにより、第１検査部２４６及び第２検査部２４７は、そのようにしてフィードバックされたデータに基づいて、第１学習モデルＭ１及び第２学習モデルＭ２の少なくともいずれかを修正することができる。

以上に説明したように、上述の実施形態における異常検査システムが有する１又は複数のプロセッサは、図面を用いて説明されたアルゴリズムをコンピュータに行わせるための命令群を含む１又は複数のプログラムを実行する。この処理により、各実施の形態に記載された処理が実現できる。

プログラムは、コンピュータに読み込まれた場合に、実施形態で説明された１又はそれ以上の機能をコンピュータに行わせるための命令群（又はソフトウェアコード）を含む。プログラムは、非一時的なコンピュータ可読媒体又は実体のある記憶媒体に格納されてもよい。限定ではなく例として、コンピュータ可読媒体又は実体のある記憶媒体は、random-access memory（RAM）、read-only memory（ROM）、フラッシュメモリ、solid-state drive（SSD）又はその他のメモリ技術、CD-ROM、digital versatile disk（DVD）、Blu-ray（登録商標）ディスク又はその他の光ディスクストレージ、磁気カセット、磁気テープ、磁気ディスクストレージ又はその他の磁気ストレージデバイスを含む。プログラムは、一時的なコンピュータ可読媒体又は通信媒体上で送信されてもよい。限定ではなく例として、一時的なコンピュータ可読媒体又は通信媒体は、電気的、光学的、音響的、またはその他の形式の伝搬信号を含む。また、プログラムは、例えばアプリケーションとしての形態をとることもできる。

以上、実施の形態を参照して本発明を説明したが、本発明は上記によって限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

Ｓ１ 異常検査システム
１０ 検査装置
１１ カム部検査用照明 １２ カム部検査用カメラ
１３ ジャーナル部検査用照明 １４ ジャーナル部検査用カメラ
１５ 回転モータ
２０ 情報処理装置
２１ ＤＢ ２２ 表示パネル
２３ 入力部 ２４ 制御部
２４１ メモリ ２４２ Ｉ／Ｏ部
２４３ 情報処理部 ２４４ 画像取得部
２４５ 判定部 ２４６ 第１検査部
２４７ 第２検査部
Ｍ１ 第１学習モデル Ｍ２ 第２学習モデル

Claims (10)

1. 連続した複数の撮像データのそれぞれ異なる領域に部品の同一箇所が含まれるように、前記部品の撮像データを取得する取得部と、
   連続する前記複数の撮像データにおける異常の有無を検出し、前記複数の撮像データ全てにおいて異常が検出された場合に前記部品が異常であると判定する判定部と、を備える
   異常検査システム。
2. 前記判定部は、前記部品の撮像データを教師データとして用いることで学習された第１学習モデルに、連続する前記複数の撮像データを入力することで異常の有無を検出する、
   請求項１に記載の異常検査システム。
3. 前記判定部は、前記取得部により取得された１の撮像データを前記第１学習モデルに入力し、前記１の撮像データにおいて異常が検出されたことを前記第１学習モデルの出力結果から判定したときに、前記１の撮像データと連続して撮像された他の撮像データを前記第１学習モデルに入力することで、前記複数の撮像データ全てにおける異常の有無を検出する、
   請求項２に記載の異常検査システム。
4. 前記第１学習モデルは、前記部品の外観上の異常の種別を出力結果とするモデルであり、前記判定部は、連続する前記複数の撮像データにおける前記第１学習モデルの出力結果が示す前記部品の外観上の異常の種別に応じて、前記部品の異常の有無を判定する、
   請求項３に記載の異常検査システム。
5. 前記判定部は、前記部品の撮像データを教師データとして用いることで学習された、前記第１学習モデルと異なる第２学習モデルに、前記取得部により取得された前記撮像データを入力することで異常の疑いの有無を判定し、異常の疑いがあると判定された撮像データを含む連続する前記複数の撮像データを前記第１学習モデルに入力することで異常の有無を判定する、
   請求項２乃至４のいずれか１項に記載の異常検査システム。
6. 前記判定部は、前記取得部により取得された１の撮像データを前記第２学習モデルに入力し、前記１の撮像データにおいて外観上の異常が検出されたことを前記第２学習モデルの出力結果から判定したときに、前記１の撮像データと連続して撮像された他の撮像データを前記第２学習モデルに入力し、前記他の撮像データにおいても外観上の異常が検出された場合に、異常の疑いがあることを判定する、
   請求項５に記載の異常検査システム。
7. 前記部品の同一箇所が、少なくとも連続した３つの撮像データに含まれるように、前記取得部は前記部品の撮像データを取得する、
   請求項１乃至６のいずれか１項に記載の異常検査システム。
8. 前記取得部は、前記部品を軸支して回転させる回転機構によって前記部品が回転された状態で撮影された前記部品の曲面部の撮像データを取得する、
   請求項１乃至７のいずれか１項に記載の異常検査システム。
9. 連続した複数の撮像データのそれぞれ異なる領域に部品の同一箇所が含まれるように、前記部品の撮像データを取得する取得ステップと、
   連続する前記複数の撮像データにおける異常の有無を検出し、前記複数の撮像データ全てにおいて異常が検出された場合に前記部品が異常であると判定する判定ステップと、
   を異常検査システムが実行する異常検査方法。
10. 連続した複数の撮像データのそれぞれ異なる領域に部品の同一箇所が含まれるように、前記部品の撮像データを取得する取得ステップと、
    連続する前記複数の撮像データにおける異常の有無を検出し、前記複数の撮像データ全てにおいて異常が検出された場合に前記部品が異常であると判定する判定ステップと、
    をコンピュータに実行させるプログラム。

Images