JP2024114201A - 物品検査システム、物品検査装置、学習モデルの生成方法、及び学習モデル生成プログラム - Google Patents

Abstract

【課題】検査性能と処理時間とのバランスを容易に調整可能な物品検査システム、物品検査装置、学習モデルの生成方法、及び学習モデル生成プログラムを提供する。【解決手段】物品検査システムは、外部から受け取った物品を搬送する搬送部と、搬送部上の物品を撮影し、物品の画像を生成する撮影部と、画像に基づき物品を、学習モデルを利用して検査し、検査結果を出力する制御部と、を備え、制御部は、搬送部における物品の搬送速度に関する速度情報、及び、検査結果を利用すると共に撮影部の後段に配置される装置の位置に関する位置情報を取得し、速度情報及び位置情報に基づき、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定し、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する。【選択図】図２

Description

本発明の一側面は、物品検査システム、物品検査装置、学習モデルの生成方法、及び学習モデル生成プログラムに関する。

従来の検査装置として、例えば、下記特許文献１に記載された装置が知られている。下記特許文献１に記載の検査装置は、物品にＸ線を照射するＸ線照射部と、Ｘ線を検出するＸ線検出部と、を備え、Ｘ線の検出結果に基づいて作成されたＸ線画像に対して画像処理を施して物品の検査を行う。

国際公開第２００６／００１１０７号

近年、機械学習により生成される学習モデルを利用して、物品の品質、物品内の異物の有無などを検査する検査装置が実用化されている。一般に、学習モデルを利用した検査の処理時間が長くなるほど、検査性能が上がる。このため、検査の処理時間と、検査性能とは、トレードオフの関係にある。

ここで、上述したような学習モデルを利用する検査装置が物品の生産ラインに配置されることがある。この場合、検査装置による検査（インライン検査）の処理時間は、生産ライン毎に異なる。よって、インライン検査の求められる検査性能と、許容されるインライン検査の処理時間とは、生産ライン毎に異なる。このため、生産ライン毎に、インライン検査の求められる検査性能と、許容されるインライン検査の処理時間とのバランスを容易に調整可能な手法が望まれている。

本発明の一側面の目的は、検査性能と処理時間とのバランスを容易に調整可能な物品検査システム、物品検査装置、学習モデルの生成方法、及び学習モデル生成プログラムの提供である。

（１）本発明の一側面に係る物品検査システムは、外部から受け取った物品を搬送する搬送部と、搬送部上の物品を撮影し、物品の画像を生成する撮影部と、画像に基づき物品を、学習モデルを利用して検査し、検査結果を出力する制御部と、を備え、制御部は、搬送部における物品の搬送速度に関する速度情報、及び、検査結果を利用すると共に撮影部の後段に配置される装置の位置に関する位置情報を取得し、速度情報及び位置情報に基づき、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定し、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する。

この物品検査システムでは、制御部は、取得した速度情報及び位置情報に基づき、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定し、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する。これにより、例えば物品検査システムが生産ラインに実装された後などにおいても、制御部は、許容される検査の処理時間に応じた学習モデルを容易に生成できる。したがって、上記物品検査システムによれば、検査性能と処理時間とのバランスを容易に調整可能である。

（２）上記（１）に記載の物品検査システムにおいて、制御部は、速度情報及び位置情報に加え、画像のデータ量及び画像の枚数の少なくとも一方に基づき、アルゴリズムの種類及び／または構成を決定してもよい。この場合、許容される検査の処理時間に、より適用した学習モデルを生成できる。

（３）上記（１）または（２）に記載の物品検査システムにおいて、撮影部は、物品に光を照射する光照射部と、物品を透過した光を検出する光検出部とを有し、制御部は、速度情報及び位置情報に加え、光検出部の種類に基づき、アルゴリズムの種類及び／または構成を決定してもよい。この場合、光検出部の種類に応じて、許容される検査の処理時間に、より適用した学習モデルを生成できる。

（４）上記（１）から（３）のいずれかに記載の物品検査システムにおいて、装置は、振分装置でもよい。この場合、生産ラインから排出すべき物品を精度よく排出できる。

（４）本発明の別の一側面に係る物品検査装置は、外部から受け取った物品を搬送する搬送部と、搬送部上の物品を撮影し、物品の画像を生成する撮影部と、画像に基づき物品を学習モデルを利用して検査し、検査結果を出力する制御部と、を備え、制御部は、搬送部における物品の搬送速度に関する速度情報、及び、検査結果を利用すると共に撮影部の後段に配置される装置の位置に関する位置情報を取得し、速度情報及び位置情報に基づき、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定し、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する。

この物品検査装置では、制御部は、取得した速度情報及び位置情報に基づき、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定し、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する。これにより、例えば物品検査装置が生産ラインに実装された後などにおいても、制御部は、許容される検査の処理時間に応じた学習モデルを容易に生成できる。したがって、上記物品検査装置によれば、検査性能と処理時間とのバランスを容易に調整可能である。

（５）本発明の別の一側面に係る学習モデルの生成方法は、外部から受け取った物品を搬送する搬送部と、搬送部上の物品を撮影し、物品の画像を生成する撮影部とを備え、画像に基づき物品を学習モデルを利用して検査し、検査結果を出力する物品検査システム用の学習モデルの生成方法であって、搬送部における物品の搬送速度に関する速度情報、及び、検査結果を利用すると共に撮影部の後段に配置される装置の位置に関する位置情報に基づき、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定し、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する。

この学習モデルの生成方法では、取得した速度情報及び位置情報に基づき、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定し、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する。これにより、例えば物品検査装置が生産ラインに実装された後などにおいても、許容される検査の処理時間に応じた学習モデルを容易に生成できる。したがって、上記生成方法によれば、検査性能と処理時間とのバランスを容易に調整可能な学習モデルを生成できる。

（６）本発明の別の一側面に係る学習モデル生成プログラムは、外部から受け取った物品を搬送する搬送部と、搬送部上の物品を撮影し、物品の画像を生成する撮影部とを備え、画像に基づき物品を学習モデルを利用して検査し、検査結果を出力する物品検査システムのコンピュータを、搬送部における物品の搬送速度に関する速度情報、及び、検査結果を利用すると共に撮影部の後段に配置される装置の位置に関する位置情報を取得する取得部と、速度情報及び位置情報に基づき、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定するアルゴリズム決定部と、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する学習モデル生成部と、して機能させる。

この学習モデル生成プログラムでは、コンピュータを、速度情報及び位置情報に基づき、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定するアルゴリズム決定部と、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する学習モデル生成部と、して機能させる。これにより、例えば物品検査装置が生産ラインに実装された後などにおいても、上記学習モデル生成プログラムを利用することによって、許容される検査の処理時間に応じた学習モデルを容易に生成できる。したがって、上記学習モデル生成プログラムによれば、検査性能と処理時間とのバランスを容易に調整可能な学習モデルを生成できる。

本発明の一側面によれば、検査性能と処理時間とのバランスを容易に調整可能な物品検査システム、物品検査装置、学習モデルの生成方法、及び学習モデル生成プログラムを提供できる。

図１は、一実施形態に係る物品検査システムの構成図である。 図２は、図１に示されるシールドボックスの内部の構成図である。 図３は、制御ユニットの機能構成図である。 図４は、演算装置の機能構成図である。 図５は、アルゴリズムの種類の一例を示す図である。 図６は、アルゴリズムの種類の別例を示す図である。 図７は、学習モデルの生成方法を説明するためのフローチャートである。 図８は、学習モデルを利用した物品の検査方法を説明するためのフローチャートである。

以下、添付図面を参照して、本発明の好適な実施形態について詳細に説明する。なお、図面の説明において同一又は相当要素には同一符号を付し、重複する説明は省略する。

図１に示されるように、物品検査システム１００は、検査対象である物品の検査（例えば、収納数検査、異物検査、欠品検査、割れ欠け検査等）を実施するシステムであり、例えば、生産ライン等に実装される。本実施形態では、物品検査システム１００は、Ｘ線を利用して物品を検査するが、これに限られない。物品検査システム１００は、Ｘ線検査装置１と、Ｘ線検査装置１よりも後段に配置される振分装置２０と、Ｘ線検査装置１に接続される演算装置３０とを有する。

Ｘ線検査装置１は、装置本体２と、支持脚３と、シールドボックス４と、搬送部５と、Ｘ線照射部６と、Ｘ線検出部７と、表示操作部８と、制御ユニット１０とを備える。Ｘ線検査装置１は、物品Ｇを搬送しつつ物品ＧのＸ線透過画像を生成し、当該Ｘ線透過画像に基づいて物品Ｇの検査を行う。Ｘ線検査装置１は、搬入コンベア５１よりも後段であって搬出コンベア５２よりも前段に配置される。検査前の物品Ｇは、搬入コンベア５１によってＸ線検査装置１に搬入される。検査後の物品Ｇは、搬出コンベア５２によってＸ線検査装置１から搬出される。Ｘ線検査装置１によって不良品と判定された物品Ｇは、搬出コンベア５２の後段に位置する振分装置２０によって生産ライン外に振り分けられる。Ｘ線検査装置１によって良品と判定された物品Ｇは、振分装置２０をそのまま通過する。このため、振分装置２０は、物品Ｇの検査結果を利用すると共にＸ線検査装置１の後段に配置される装置の一つと言える。本実施形態では、振分装置２０は、物品Ｇの検査結果を利用すると共にＸ線検査装置１の後段に配置される装置の中で、最もＸ線検査装置１の近くに位置する。なお、Ｘ線検査装置１の後段に配置される装置の別例として、Ｘ線検査装置１とは異なるＸ線検査装置、他の検査装置などが挙げられる。

装置本体２は、制御ユニット１０等を収容している。支持脚３は、装置本体２を支持している。シールドボックス４は、装置本体２に設けられている。シールドボックス４は、外部へのＸ線（電磁波）の漏洩を防止する。シールドボックス４の内部には、Ｘ線による物品Ｇの検査が実施される検査領域Ｒが設けられている。シールドボックス４には、搬入口４ａ及び搬出口４ｂが形成されている。検査前の物品Ｇは、搬入コンベア５１から搬入口４ａを介して検査領域Ｒに搬入される。検査後の物品Ｇは、検査領域Ｒから搬出口４ｂを介して搬出コンベア５２に搬出される。

搬送部５は、Ｘ線検査装置１の外部である搬入コンベア５１から受け取った物品Ｇを搬送する部材であり、シールドボックス４の中央を貫通するように配置されている。搬送部５は、搬入口４ａから検査領域Ｒを介して搬出口４ｂまで、搬送方向Ａに沿って物品Ｇを搬送する。搬送部５は、搬入口４ａ及び搬出口４ｂよりも外側に突出してもよい。

Ｘ線照射部６及びＸ線検出部７は、搬送部５上の物品Ｇを撮影し、物品Ｇの画像を生成する撮影部の一部である。図１及び図２に示されるように、Ｘ線照射部６は、物品ＧにＸ線（光）を照射するＸ線源（光照射部）であり、シールドボックス４内に配置されている。Ｘ線照射部６は、例えば、Ｘ線を出射するＸ線管と、Ｘ線管から出射されたＸ線を搬送方向Ａに垂直な面内において扇状に広げる絞り部と、を有している。Ｘ線照射部６から照射されるＸ線には、低エネルギー（長波長）から高エネルギー（短波長）までの様々なエネルギー帯のＸ線が含まれてもよい。なお、本実施形態では、物品Ｇの画像（Ｘ線透過画像）は、Ｘ線検出部７から出力される検出信号に基づいて生成されるデータに相当する。このため、例えば、画像の送受信は、画像を示すデータの送受信に相当する。

Ｘ線検出部７は、物品Ｇを透過した光であるＸ線を検出するセンサ部材（光検出部）である。Ｘ線検出部７は、シールドボックス４内であって、上下方向においてＸ線照射部６に対向する位置に配置される。Ｘ線検出部７は、特定のエネルギー帯のＸ線を検出可能でもよいし、フォトンカウンティング方式でＸ線を検出可能でもよい。Ｘ線検出部７は、直接変換型検出部でもよいし、間接変換型検出部でもよい。Ｘ線検出部７の種類の違いによって、物品Ｇの画像の生成時間、データ量などに違いが生じ得る。Ｘ線検出部７は、ラインセンサを含んでもよいし、二次元的に配置されるセンサ群を含んでもよい。Ｘ線検出部７に含まれるセンサは、例えば、ＣｄＴｅ半導体検出器などの光子検出型センサである。

表示操作部８は、装置本体２に設けられている部材（表示部）である。表示操作部８は、各種情報を表示すると共に、外部から各種条件の入力操作を受け付ける。表示操作部８は、例えば、液晶ディスプレイであり、タッチパネルとしての操作画面を表示する。この場合、オペレータは、表示操作部８を介して各種条件を入力できる。例えば、オペレータは、搬送部５における物品Ｇの搬送速度に関する情報（速度情報）、Ｘ線検査装置１よりも後段に配置される装置（例えば、振分装置２０など）の位置に関する情報（位置情報）などを、表示操作部８を介して入力できる。当該位置情報は、例えば、Ｘ線検査装置１と振分装置２０との間の距離の実測値である。

制御ユニット１０は、物品検査システム１００の制御部の一部として機能し、主にＸ線検査装置１の各部の動作を制御する。制御ユニット１０は、装置本体２内に配置されている。制御ユニット１０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等のプロセッサコンピュータ、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等のメモリ、及びＳＳＤ（Solid State Drive）等のストレージを含むコンピュータを有する。ＲＯＭには、例えば、Ｘ線検査装置１を制御するためのプログラム、画像を生成するためのプログラムなどが記録されている。

図３は、制御ユニットの機能構成図である。図３に示されるように、制御ユニット１０は、通信部１１、画像生成部１２、及び記録部１３を有する。

通信部１１は、Ｘ線検査装置１とは異なる装置である振分装置２０、演算装置３０などにデータを出力する出力部であると共に、当該異なる装置からデータを受信する入力部である。例えば、通信部１１は、振分装置２０に制御信号を送信し、演算装置３０に画像を送信する。通信部１１は、演算装置３０から物品Ｇの検査結果を受信する。通信部１１は、表示操作部８を介して入力される情報（例えば、上述した速度情報、位置情報など）を演算装置３０に送信してもよいし、Ｘ線検出部７の種類などの情報を演算装置３０に送信してもよい。

画像生成部１２は、例えば主にＧＰＵによって構成され、Ｘ線検出部７から出力される検出信号に基づいて画像を生成する。画像生成部１２は、例えば、Ｘ線検出部７によるＸ線の検出結果に基づいて、物品Ｇの検査に用いられる１又は複数の画像を生成する。画像生成部１２によって生成された画像は、通信部１１を介して演算装置３０に送信される。画像生成部１２によって生成される画像の枚数及びサイズ（データ量）などは、予め定められてもよいし、表示操作部８を介して適宜設定されてもよい。

記録部１３は、制御ユニット１０にて生成される信号、データ等を記録する。例えば、記録部１３は、画像生成部１２が取得する検出結果信号と、画像生成部１２にて生成される画像とを記録する。記録部１３は、演算装置３０から受信したデータなどを記録してもよい。

図１に戻って、演算装置３０は、物品検査システム１００の制御部の他の一部として機能する装置である。演算装置３０は、Ｘ線検査装置１に接続される。本実施形態では、演算装置３０は、Ｘ線検査装置１に有線接続されるが、これに限られない。演算装置３０は、イーサネット（登録商標）などを介してＸ線検査装置１に対してネットワーク接続されてもよい。この場合、演算装置３０は、Ｘ線検査装置１とは異なる箇所に配置されてもよい。

演算装置３０は、Ｘ線検査装置１にて生成される物品Ｇの画像を受信し、当該画像を検査し、検査結果を出力する。演算装置３０は、例えば、機械学習によって自動設定されるプログラムを用いて上記画像を検査する。これにより、演算装置３０は、物品Ｇが良品か否かを検査する。また、演算装置３０は、上記プログラムである学習モデルを生成する。学習モデルは、機械学習によって生成される予測モデル（学習済モデルとも呼称される）であり、機械学習の結果得られたパラメータ（学習済パラメータ）が組み込まれた推論プログラムである。学習モデルは、演算装置３０に入力される各種情報に基づいて生成される（詳細は、後述する）。

演算装置３０は、ＣＰＵ、ＧＰＵ、等のプロセッサ、ＲＯＭ、ＲＡＭ等のメモリ、ＦＰＧＡ（Field Programmable Gate Array）、及び、ＳＳＤ等のストレージを含むコンピュータを有する。ＲＯＭには、例えば、Ｘ線検査装置１から送信される画像を検査するための学習モデル、当該学習モデルを生成するためのプログラム（学習モデル生成プログラム）、当該プログラムに利用される複数種類のアルゴリズムなどが記録されている。学習モデル生成プログラムは、演算装置３０を、学習モデルを生成する装置として機能させるプログラムである。

図４は、演算装置の機能構成図である。図３に示されるように、演算装置３０は、通信部３１、アルゴリズム決定部３２、学習モデル生成部３３、検査部３４及び記録部３５を有する。

通信部３１は、Ｘ線検査装置１から画像を受信する入力部であると共に、Ｘ線検査装置１に当該画像の検査結果を出力する出力部である。通信部３１は、Ｘ線検査装置１から学習モデルを生成するための情報を受信する。このため、通信部３１は、搬送部５における物品Ｇの搬送速度に関する情報（速度情報）、Ｘ線検査装置１よりも後段に配置される装置（例えば、振分装置２０など）の位置に関する情報（位置情報）などの取得部として機能する。

アルゴリズム決定部３２は、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定する。アルゴリズムの種類は、例えば、図５に示されるランダムフォレスト決定木、図６に示される多層パーセプトロン（ニューラルネットワーク）などである。アルゴリズムの構成は、中間層の数、各層のユニット数、分岐数、目的変数、説明変数などである。アルゴリズムの種類がランダムフォレスト決定木である場合、変更され得るアルゴリズムの構成は、図５に示されるように、木の深さ、木の数などである。アルゴリズムの種類が多層パーセプトロンである場合、変更され得るアルゴリズムの構成は、図６に示されるように、層の数、ノード数などである。アルゴリズムの種類及び／または構成は、ディープラーニングによって生成されてもよい。

アルゴリズムの種類及び／または構成は、物品検査システム１００に許容される検査時間に応じて決定される。許容される検査時間は、例えば、Ｘ線検査装置１による物品Ｇの検査開始タイミングから、物品Ｇの検査結果を最初に用いる利用タイミングまでの期間に相当し、例えば制御ユニット１０によって算出される。このため、上記検査時間は、主に物品検査システム１００が設置される生産ラインの環境によって変化する。本実施形態では、上記利用タイミングは、物品検査システム１００の検査結果を利用する振分装置２０による物品Ｇの振り分けタイミングに相当する。このため、上記検査時間は、通信部３１を介して得られた上記速度情報及び上記位置情報に基づいて算出可能である。

アルゴリズムの種類及び／または構成は、物品検査システム１００に許容される検査の処理時間も踏まえて決定される。許容される検査の処理時間は、上記検査時間のうち物品Ｇの検査に費やすことができる期間に相当する。物品Ｇの検査に費やされる期間は、物品Ｇの検査数、検査の種類、検査に用いられる画像の枚数及びデータ量（画像サイズ）などによって変化する。検査の種類、画像のデータ量などは、物品Ｇの種類、Ｘ線検出部７の種類などによっても変化し得る。物品Ｇの検査に費やされる期間は、物品検査システム１００に求められる検査性能（例えば、物品Ｇの検査精度）も踏まえて設定され得る。なお、上記処理時間は、Ｘ線検査装置１から送信されるデータ（例えば、画像の枚数、画像のサイズなど）のばらつきも踏まえて設定されてもよい。Ｘ線検査装置１から送信されるデータは、物品Ｇのばらつきなどによって容易に変化し得るためである。よって、物品検査システム１００が設置される環境、物品検査システム１００に求められる検査性能、検査対象である物品Ｇなどの条件に応じて、決定されるアルゴリズムの種類及び／または構成は異なると言える。換言すると、物品検査システム１００が設置される環境などの条件が決定されない限り、アルゴリズム決定部３２は、アルゴリズムの種類及び／または構成を決定しない。本実施形態では、アルゴリズム決定部３２は、物品検査システム１００が生産ラインに実装された後に、アルゴリズムの種類及び／または構成を決定する。

アルゴリズム決定部３２は、上記検査時間及び上記処理時間の条件に合致する範囲内で、複数のアルゴリズムを生成してもよい。複数のアルゴリズムが第１アルゴリズム及び第２アルゴリズムを含む場合、第１アルゴリズムは、第２アルゴリズムと同じ種類でもよいし、異なる種類でもよい。オペレータもしくはアルゴリズム決定部３２によって第１アルゴリズムが採用されると決定された場合、第１アルゴリズムのみが記録部３５に記録されてもよいし、第１アルゴリズム及び第２アルゴリズムの両方が記録部３５に記録されてもよい。複数のアルゴリズムが記録部３５に記録される場合、例えば、表示操作部８などを介して、学習モデル生成部３３にて利用されるアルゴリズムを任意に変更できる。これにより、物品検査システム１００のオペレータなどが最適と認識する学習モデルを容易に生成できる。

学習モデル生成部３３は、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する。学習モデル生成部３３は、Ｘ線検査装置１から送信される画像のデータと、決定したアルゴリズムとに基づいて、学習モデルを生成する。生成された学習モデルは、記録部３５に記録される。このとき、学習モデルが生成された日時などが関連付けて記録される。アルゴリズム決定部３２によって複数のアルゴリズムが生成される場合、学習モデル生成部３３は、複数の学習モデルを生成してもよい。もしくは、学習モデル生成部３３は、複数のアルゴリズムから選択される特定のアルゴリズムに基づき、特定の学習モデルを生成してもよい。

検査部３４は、Ｘ線検査装置１から送信される画像に基づき物品Ｇを学習モデルを利用して検査し、検査結果を出力する。出力された検査結果は、通信部３１を介してＸ線検査装置１に送信される。

記録部３５は、アルゴリズム決定部３２によって決定されるアルゴリズムの種類及び／または構成、学習モデル生成部３３によって生成される学習モデル、検査部３４によって出力される検査結果などを記録する。記録部３５は、アルゴリズム決定部３２によって利用されるアルゴリズムなども記録する。記録部３５は、Ｘ線検査装置１から出力される画像を記録してもよい。

次に、図７を参照しながら本実施形態に係る物品検査システム用の学習モデルの生成方法の一例について説明する。図７は、学習モデルの生成方法を説明するためのフローチャートである。以下に説明する学習モデルは、上述した学習モデルプログラムの実行によって、演算装置３０を通信部３１、アルゴリズム決定部３２及び学習モデル生成部３３として機能させることによって、生成される。

図７に示されるように、まず、物品検査システム１００の制御部の一部である演算装置３０は、アルゴリズムの種類及び／または構成を決定するための情報を取得する（ステップＳＴ１）。ステップＳＴ１では、演算装置３０は、搬送部５における物品Ｇの搬送速度に関する速度情報、及び、検査結果を利用すると共にＸ線検査装置１（特に、Ｘ線照射部６及びＸ線検出部７）の後段に配置される振分装置２０の位置に関する位置情報を取得する。このため、ステップＳＴ１は、例えば、物品検査システム１００（特に、Ｘ線検査装置１）の実装後などに実施される。演算装置３０は、物品検査システム１００にて実施される物品Ｇの検査の条件に関する情報を取得してもよい。当該情報は、例えば、物品Ｇの検査に利用される画像に関する情報、Ｘ線検査装置１に関する情報などである。画像に関する情報は、例えば、検査に利用される画像の枚数、サイズ（データ量）、サイズのばらつきなどに関する情報である。Ｘ線検査装置１に関する情報は、例えば、Ｘ線検査装置１に含まれるＸ線照射部６及びＸ線検出部７の種類などに関する情報である。

続いて、演算装置３０は、取得した上記情報の少なくとも一部に基づき、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定する（ステップＳＴ２）。ステップＳＴ２では、少なくとも上記速度情報及び上記位置情報に基づき、アルゴリズムの種類及び／または構成を決定する。これにより、物品検査システム１００に許容される検査時間及び処理時間に応じたアルゴリズムの種類及び／または構成が決定される。上記速度情報及び上記位置情報に加え、画像のデータ量及び画像の枚数の少なくとも一方に基づき、アルゴリズムの種類及び／または構成を決定してもよい。もしくは、上記速度情報及び上記位置情報に加え、Ｘ線照射部６及びＸ線検出部７の種類に基づき、アルゴリズムの種類及び／または構成を決定してもよい。これらの場合、上記検査時間及び上記処理時間に、より適用したアルゴリズムの種類及び／または構成が決定され得る。アルゴリズムの種類及び／または構成の決定は、演算装置３０によって自動的に実施されてもよいし、Ｘ線検査装置１などを介して手動で実施されてもよい。

続いて、演算装置３０は、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する（ステップＳＴ３）。ステップＳＴ３では、まず、Ｘ線検査装置１を動作させ、学習用データとなる物品の画像を生成する。続いて、決定したアルゴリズムによって生成した画像を処理し、学習モデルが生成される。生成された学習モデルは、記録部３５に記録される。

次に、図８を参照しながら、上記学習モデルを利用した物品Ｇの検査方法の一例について説明する。図８は、学習モデルを利用した物品の検査方法を説明するためのフローチャートである。

図８に示されるように、まず、Ｘ線検査装置１は、物品Ｇを撮影する（ステップＳＴ１１）。ステップＳＴ１１では、搬送部５によってシールドボックス４内に搬入された物品Ｇを、Ｘ線照射部６及びＸ線検出部７によって撮影する。続いて、Ｘ線検出部７から出力される検出信号に基づいて、制御ユニット１０は、物品Ｇの画像を生成する。当該画像は、制御ユニット１０を介して演算装置３０に送信される。

続いて、演算装置３０は、上記画像に基づき物品Ｇを、学習モデルを利用して検査する（ステップＳＴ１２）。ステップＳＴ１２では、上記画像を学習モデルにて処理し、当該画像に示される物品Ｇが良品か否かを検査する。

続いて、演算装置３０は、物品Ｇの検査結果を出力する（ステップＳＴ１３）。ステップＳＴ１３では、検査結果を示すデータが演算装置３０から制御ユニット１０に出力される。この検査結果を示すデータに基づき、例えば、振分装置２０が制御される。例えば、物品Ｇが不良品であることを示すデータが制御ユニット１０に出力される場合、制御ユニット１０は、振分装置２０による物品Ｇの生産ラインからの排除を指示する排除信号を出力する。一方、物品Ｇが良品であることを示すデータが制御ユニット１０に出力される場合、制御ユニット１０は、上記排除信号を出力しない。これにより、良品とされる物品Ｇは、振分装置２０をそのまま通過できる。

以上に説明した本実施形態に係る物品検査システム１００によれば、上記学習モデルプログラムの利用によって、演算装置３０を、取得した速度情報及び位置情報に基づき、学習モデルとして利用するアルゴリズムの種類及び／または構成を決定するアルゴリズム決定部３２と、決定したアルゴリズムの種類及び／または構成に基づき、学習モデルを生成する学習モデル生成部３３として機能させることができる。この学習モデルは、上記速度情報及び上記位置情報を利用して生成される。よって、学習モデルは、物品検査システム１００が生産ラインに実装された後などに生成される。このため、演算装置３０は、物品検査システム１００が許容される検査の処理時間に応じた学習モデルを容易に生成できる。したがって、本実施形態によれば、検査性能と処理時間とのバランスを容易に調整可能な物品検査システム１００を提供できる。

本実施形態では、演算装置３０は、速度情報及び位置情報に加え、画像のデータ量及び画像の枚数の少なくとも一方に基づき、アルゴリズムの種類及び／または構成を決定してもよい。この場合、許容される検査の処理時間に、より適用した学習モデルを生成できる。

本実施形態では、Ｘ線検査装置１は、物品Ｇに光を照射する光照射部であるＸ線照射部６と、物品Ｇを透過した光を検出する光検出部であるＸ線検出部７とを有し、演算装置３０は、速度情報及び位置情報に加え、Ｘ線検出部７の種類に基づき、アルゴリズムの種類及び／または構成を決定してもよい。この場合、Ｘ線検出部７の種類に応じて許容される検査の処理時間に、より適用した学習モデルを生成できる。

本実施形態では、検査結果を利用すると共にＸ線検査装置１よりも後段に位置する装置は、振分装置２０である。このため、生産ラインから排出すべき物品Ｇを精度よく排出できる。

以上、本発明の実施形態について説明してきたが、本発明は必ずしも上述した実施形態に限定されるものではなく、その要旨を逸脱しない範囲で様々な変更が可能である。

上記実施形態では、物品検査システムはＸ線検査装置を備えるが、これに限られない。換言すると、物品検査システムは、Ｘ線とは異なる方式にて物品を検査する装置を備えてもよい。例えば、物品検査システムは、紫外線、赤外線及び／または可視光を用いる物品検査装置を有してもよい。

上記実施形態では、Ｘ線検査装置とは異なる演算装置によって学習モデルが生成されるが、これに限られない。例えば、Ｘ線検査装置自体がアルゴリズムの種類及び／又は構成を決定してもよいし、Ｘ線検査装置自体が学習モデルを生成してもよい。この場合、制御ユニットは、演算装置に含まれる機能構成も含み得る。Ｘ線検査装置自体が学習モデルを生成する場合、Ｘ線検査装置自体が学習モデルを利用して物品を検査してもよい。

上記実施形態では、Ｘ線検査装置を介して速度情報及び位置情報などが入力され得るが、これに限られない。速度情報、位置情報などは演算装置を介して入力されてもよい。もしくは、Ｘ線検査装置及び演算装置とは異なる装置を介して入力されてもよい。この場合、例えば、演算装置に有線通信または無線通信可能な装置（例えば、ラップトップＰＣ、タブレットなど）を介して上記情報が入力されてもよい。

１…Ｘ線検査装置、３…支持脚、４…シールドボックス、４ａ…搬入口、４ｂ…搬出口、５…搬送部、６…Ｘ線照射部（光照射部）、７…Ｘ線検出部（光検出部）、８…表示操作部、１１…通信部、１２…画像生成部、１３…記録部、２０…振分装置、３０…演算装置、３１…通信部、３２…アルゴリズム決定部、３３…学習モデル生成部、３４…検査部、３５…記録部、５１…搬入コンベア、５２…搬出コンベア、１００…物品検査システム、Ａ…搬送方向、Ｇ…物品。

Claims (7)

1. 外部から受け取った物品を搬送する搬送部と、
   前記搬送部上の前記物品を撮影し、前記物品の画像を生成する撮影部と、
   前記画像に基づき前記物品を、学習モデルを利用して検査し、検査結果を出力する制御部と、を備え、
   前記制御部は、
   前記搬送部における前記物品の搬送速度に関する速度情報、及び、前記検査結果を利用すると共に前記撮影部の後段に配置される装置の位置に関する位置情報を取得し、
   前記速度情報及び前記位置情報に基づき、前記学習モデルとして利用するアルゴリズムの種類及び／または構成を決定し、
   決定した前記アルゴリズムの種類及び／または構成に基づき、前記学習モデルを生成する、
   物品検査システム。
2. 前記制御部は、前記速度情報及び前記位置情報に加え、前記画像のデータ量及び前記画像の枚数の少なくとも一方に基づき、前記アルゴリズムの種類及び／または構成を決定する、請求項１に記載の物品検査システム。
3. 前記撮影部は、前記物品に光を照射する光照射部と、前記物品を透過した光を検出する光検出部とを有し、
   前記制御部は、前記速度情報及び前記位置情報に加え、前記光検出部の種類に基づき、前記アルゴリズムの種類及び／または構成を決定する、請求項１または２に記載の物品検査システム。
4. 前記装置は、振分装置である、請求項１または２に記載の物品検査システム。
5. 外部から受け取った物品を搬送する搬送部と、
   前記搬送部上の前記物品を撮影し、前記物品の画像を生成する撮影部と、
   前記画像に基づき前記物品を学習モデルを利用して検査し、検査結果を出力する制御部と、
   を備え、
   前記制御部は、
   前記搬送部における前記物品の搬送速度に関する速度情報、及び、前記検査結果を利用すると共に前記撮影部の後段に配置される装置の位置に関する位置情報を取得し、
   前記速度情報及び前記位置情報に基づき、前記学習モデルとして利用するアルゴリズムの種類及び／または構成を決定し、
   決定した前記アルゴリズムの種類及び／または構成に基づき、前記学習モデルを生成する、
   物品検査装置。
6. 外部から受け取った物品を搬送する搬送部と、前記搬送部上の前記物品を撮影し、前記物品の画像を生成する撮影部とを備え、前記画像に基づき前記物品を学習モデルを利用して検査し、検査結果を出力する物品検査システム用の学習モデルの生成方法であって、
   前記搬送部における前記物品の搬送速度に関する速度情報、及び、前記検査結果を利用すると共に前記撮影部の後段に配置される装置の位置に関する位置情報に基づき、前記学習モデルとして利用するアルゴリズムの種類及び／または構成を決定し、
   決定した前記アルゴリズムの種類及び／または構成に基づき、前記学習モデルを生成する、
   学習モデルの生成方法。
7. 外部から受け取った物品を搬送する搬送部と、前記搬送部上の前記物品を撮影し、前記物品の画像を生成する撮影部とを備え、前記画像に基づき前記物品を学習モデルを利用して検査し、検査結果を出力する物品検査システムのコンピュータを、
   前記搬送部における前記物品の搬送速度に関する速度情報、及び、前記検査結果を利用すると共に前記撮影部の後段に配置される装置の位置に関する位置情報を取得する取得部と、
   前記速度情報及び前記位置情報に基づき、前記学習モデルとして利用するアルゴリズムの種類及び／または構成を決定するアルゴリズム決定部と、
   決定した前記アルゴリズムの種類及び／または構成に基づき、前記学習モデルを生成する学習モデル生成部と、して機能させる、学習モデル生成プログラム。

Images