JP5137805B2

JP5137805B2 - 検査システム及びその制御方法、コンピュータプログラム

Info

Publication number: JP5137805B2
Application number: JP2008318940A
Authority: JP
Inventors: 将史瀧本
Original assignee: Canon Inc
Current assignee: Canon Inc
Priority date: 2008-12-15
Filing date: 2008-12-15
Publication date: 2013-02-06
Anticipated expiration: 2028-12-15
Also published as: JP2010140444A

Description

本発明は、検査システム及びその制御方法、コンピュータプログラムに関する。

近年、工場の生産ラインにおける外観検査工程、街中のセキュリティカメラ、独居老人のモニタリングなどあらゆる場面において多くの正常に紛れた僅かな異常を精度良く、自動的に検出することが望まれている。

また、大量の既知のデータに対し、新規入力データが既知の物かどうか自動的に判別できれば、現在、人の労力を甚大に要する宝探しのようなアプローチでなされる分野でも新規データ発見が容易に行え、技術的に大きな進歩が見込まれる。

上記の異常検出で検出すべき対象である異常も、新規パターン発見分野において検出すべき対象である未知の特徴を持ったデータも、双方既存クラスに無い特徴を持つデータであるため、本質的に同一現象として扱うことができる。よって、簡単のため以下ではどちらも「異常」と呼ぶ事にし、区別しないこととする。

異常検出の実運用例の多くは経験則に基づいて異常を定義し、定義された異常の特徴を抽出することによって判定するもので占められている。しかし、実際にはユーザが想定していなかった異常が発生する可能性が残るため、事前に異常自体を定義する手法では不十分である。

また、異常は常に発生するわけではないため、異常事例を充分数集めて検出のためのパラメータを学習することは困難である。その一方、既に発生している異常サンプルから特徴を学習して未知の異常検出に対応する手法は現実的ではない。

また、パターン分類の際、入力と出力の履歴を残しておき、入力パターンが学習パターンにないときそれを知らせることにより再学習を行う方法が提案されている（特許文献１を参照）。或いは、予め収集した正常データを元に異常検出を行う方法も提案されている（特許文献２を参照）。これは教師なし学習を行うニューラルネットワークを用いて正常データの特徴を抽出し、未知のデータに対して正常か異常かを判定する手法である。しかし、正常のみを学習してそれ以外を異常として検出するという手法も、正常定義時に正常と未知の異常を分離する特徴次元を用意して正常を定義していない限り、未知の異常を検出するのに充分な性能を発揮しない。

また、確率分布を正規分布の有限混合分布を用いて推定する確率密度推定装置により、入力データによって確率密度がどれほど変化したかによって異常を検出する方法もある（特許文献３を参照）。しかし、この方式において未知のデータと知ることのできない特徴次元内で未知の異常を検出するのは不十分である。

なお、機械学習技術を用いた不正検出の方式としては、T. Fawcett とF. Provostによる方式（非特許文献１を参照）がある。また、J. Ryan, M. Lin, R. Miikkulainenによる方式（非特許文献２を参照）等も知られている。特に、統計的外れ値検出の考え方を利用したものに、P. BurgeとJ. Shaw-Taylorによる方式（非特許文献３を参照）がある。パラメトリックな有限混合モデルの学習アルゴリズムとしては、A. P. Dempster, N. M. Laird, D.B.RibinのEMアルゴリズム（非特許文献４を参照）が知られている。また、正規カーネル混合分布（同一の正規分布の有限個の混合）の学習アルゴリズムとしては、I. Grabec のプロトタイプ更新アルゴリズム（非特許文献５）が知られている。

一方で、正常自体も時間の経過とともにパターンが変化する場合が多い。工場の外観検査では生産ラインにおける製品の処方が変わるときや、品質に求めるレベルが上がったときなど、街中のセキュリティカメラでは人の行動パターンが時刻や季節によって異なってくるために正常状態が変動する。より細かいレベルまで考えた場合、正常が時間経過に一切影響を受けず永久に不変である例の方が稀である。

よって、正常自体も時々刻々と変わるのを自動で逐次対応する簡単な仕組みによりメンテナンスの煩わしさが軽減されることを求めるユーザは多い。
特開平05-035707号公報特開平11-338848号公報特開2001-101154号公報 "Combining data mining and machine learning for effective fraud detection", Proceedings of AI Approaches to Fraud Detection and Risk Management, pp:14-19,1997 (「効果的な不正検出のためのデータマイニングと機械学習の結合」、不正検出とリスク管理に対するＡＩアプローチ講演論文集、１９９７年、１４−１９頁) "Intrusion detection with neural networks", Proceedings of AI Approaches to Fraud Detection and Risk Management, pp:72-77, 1997 (「ニューラルネットワークによる侵入検出」、不正検出とリスク管理のに対するＡＩアプローチ講演論文集、１９９７年、７２−７７頁) "Detecting cellular fraud using adaptive prototypes", Proceedings of AI Approaches to Fraud Detection and Risk Management, pp:9-13, 1997(「適応プロトタイプを用いた携帯電話の不正検出」、不正検出とリスク管理に対するAIアプローチ講演論文集、１９９７年、９−１３頁) "Maximum likelihood from incomplete data via the EM algorithm", Journal of the Royal Statistical Society, B, 39(1), pp:1-38, 1977(「ＥＭアルゴリズムを介した不完全なデータに基づく最大尤度」、王立統計学会論文誌、Ｂ３９（１）、１−３８頁、１９７７年） "Self-organization of Neurons described by the maximum-entropy principle", Biological Cybernetics, vol. 63, pp. 403-409, 1990 (「最大エントロピー原理により記述されるニューロンの自己組織化」、バイオロジカル・サイバネティックス、第６３巻、４０３−４０９頁、１９９０年)

本発明は、ユーザが予め正常サンプルのみを集めるだけで異常パターンを意識することなく自動で未知の異常を検出する技術を提供することを目的とする。

上記目的を達成するため、本発明は、コンピュータに実行させるためのプログラムであって、正常データのみからなる訓練データ群Aを取得するステップと、前記データ群Aから充分な数N個の特徴量を取得するステップと、正常または異常であることの判らない良否判定検査対象データBを取得するステップと、前記データBに対して前記特徴量取得によりN個の特徴量を取得するステップと、前記N個の特徴空間内において、前記データ群Aと前記データBをプロットしたとき、最も分離する次元へ射影するステップと、前記射影後のデータ群AとデータB間の距離によってデータBの良否判定を決定するステップと、を有することを特徴としている。

これにより、未知のデータに対する正常/異常判定を行うための異常らしさを示すスコアを算出することができ、未知の異常検出に対応することができる。ただし、充分な数N個の特徴量とは制約条件を設けない限り無限に考えられる。しかし、常に異常検出における前提条件として検出すべき特徴のレベルは決定する事ができ、例えば異常行動検出の際、監視カメラから入力される画像のサイズは固定であり、ガボールフィルタなどのフィルタを用いて特徴抽出する際のフィルタ生成パラメータを特徴抽出パラメータとすると、あるレベル以下の特徴を見る必要がない。そのため必然的にN次元の特徴は有限に抑えることが可能である。同様に、検出対象となるデータが音や静止画、3次元ボクセルデータなどと変わっても、各信号に対し、どのレベルまでの信号波形まで見て分離するかという範囲を決めれば特徴抽出フィルタの範囲を決定することができる。

本発明によれば、ユーザが予め正常サンプルのみを集めるだけで異常パターンを意識することなく自動で未知の異常を検出する技術を提供することができる。

以下、添付の図面を参照して発明の実施形態を説明する。

［第１の実施形態］
以下、図面を参照して本発明の第１の実施形態を詳細に説明する。第１の実施形態では、工場の製造ラインにおける部品の外観検査工程の正常／異常判定を行う場合を例として発明を説明する。なお、生産現場では正常サンプルを「良品」、異常サンプルを「不良品」と呼ぶのが一般的であるので、以下ではこれに倣い称することとする。

図１を参照して、発明の実施形態に対応する検査システムについて説明する。図１は、発明の第１の実施形態に対応する検査システムの構成の一例を示す図である。である。検査システム１００において、制御部１０１は、検査システム全体の動作を制御する。撮像部１０２は、エリアセンサなどで構成され製造ライン１０３で流れている部品の検査対象領域を撮影する。製造ライン１０３は、検査対象の部品を流すラインである。

特徴抽出部１０４は、撮像部１０２で撮像された検査対象部品の画像から、特徴を抽出する。判定部１０５は、特徴抽出部１０４が抽出した特徴に基づいて、検査対象部品が良品、不良品のいずれであるかを判定（以下、「良／不良判定」という。）する。表示部１０６は、判定部における判定結果に従い検査結果を表示する。特徴量データベース（ＤＢ）１０７は、判定部１０５における判定に利用する特徴量を保持する。入力部１０８は、データ入力を行うためのユーザインタフェースであり、例えば外部検査工程で検査を行った場合等に検査結果を入力するために利用される。

図１の検査システムを用いた工場における自動外観検査では、製造ライン１０３で流れている部品の検査対象領域をエリアセンサ等の撮像部１０２で撮影する。撮像部１０２から送られてきた画像や画像に準じる信号から特徴抽出部１０４が特徴を抽出し、抽出した特徴を用いて判定部１０５が良／不良判定を行う。通常は、製造ライン１０３ごとに発生する不良の種類から抽出する特徴を決定し、人により設定された閾値による判定で不良品を検出する。

本実施形態では、未知の不良に対応させる必要があるため、抽出する特徴は既知の不良の傾向に依存しない。本実施形態では、未知の不良品検出にも対応させるため、人の眼が認識できる範囲内の周波数領域でテクスチャ内の局所的な変動を特徴として抽出できるフィルタセットを、特徴抽出部１０４において用いる。

候補となるフィルタには、Haarフィルタや、Gaborフィルタなどがある。このようなフィルタを用いて特徴抽出する際、フィルタ定義時にはサイズや角度などのパラメータを様々に変化させたセットを用意することにより、検査対象データから網羅的に特徴を抽出することができる。用意するフィルタセットの一例としてGaborフィルタを特徴抽出に用いる場合のフィルタセットを図２に示す。

図２では、フィルタの角度成分を１０度ずつ回転させ、フィルタのサイズを６パターン用いた例を示している。一番サイズの大きなパターン２０１に対し、縦横２分の１のサイズのパターン２０２、同４分の１、８分の１、１６分の１、３２分の１のサイズの各パターン２０３から２０６がある。人間に近いとされる猿の視覚野では約１０度毎にGaborフィルタに似た応答が有り、方位選択性を得ているとされる。また、これらのセットが空間周波数ごとにあるとされている。空間周波数感度特性(Contrast Sensitivity Function：CSF)にはヒトでは６個の感度の高い領域があるとされ、それらは約１オクターブずつ離れているとされる。

よって、図２に示したフィルタの全セットは１８×６＝１０８個のフィルタとなっている。

Gaborフィルタの定義式を数１に示す通りである。波長をλ、ガウス窓の水平軸方向及び垂直軸方向の大きさをそれぞれσx、σy、平面波の進行方向とx軸とがなす角度をθとする。

［数１］
Ｒ_x＝ｘcosθ＋ｙsinθ
Ｒ_y＝-ｘsinθ＋ｙcosθ

数１にオイラーの公式である数２を適用すると数３となる。尚、数３は複素項を含むため、フィルタ内の各位置における最終出力値は数４となる。σx、σyの最適値については、それぞれがλの関数であることから数５となる。

［数２］
ｅｘｐ(ｉθ)＝ cosθ＋ｉsinθ

［数３］

［数４］

［数５］
σ_x＝Ｓ_xλ
σ_y＝Ｓ_yλ （Ｓ_x及びＳ_yは係数）

フィルタの畳み込み後の抽出する特徴は、フィルタ畳み込み後の局所的特異値や画像全体の平均値や分散等マクロ特徴、テクスチャ内特異点の座標などで良い。これら人の眼が感知できる範囲内の特徴を網羅的に抽出して良／不良判定を行う。ここで抽出する特徴量の数を任意の自然数Ｎ個とする。

そして、充分な数Ｓ個の良品を集める。このとき、製造ラインで発生する良品を偏りの無いように注意する。次に良品群全てのサンプルからＮ個の特徴量を予め抽出し特徴量ＤＢ１０７に保持しておく。

図３は、特徴量ＤＢ１０７に登録されている特徴量のテーブル構成の一例を示す図である。図３では、サンプルＳ個について、特徴１から特徴ＮまでのＮ次元特徴量Ｖsn（１≦ｓ≦Ｓ、１≦ｎ≦Ｎ）が格納されている。当該サンプルは、所定のクラス（ここでは良品）に属しているものである。なお、図３では省略しているが、各サンプルの特徴量がテーブルに登録された時刻を合わせて登録しておいても良い。

次に、図４のフローチャートを参照して、本実施形態における判定処理の詳細を説明する。図４は、発明の第１の実施形態に対応する判定処理の一例を示すフローチャートである。当該処理は、図１に示す検査システムの各ブロックが、対応する処理プログラムを実行することにより実現される。

まず、ステップＳ４０１では、良品か不良品か未知の検査対象サンプルが１個、本検査システム１００に入力される。該検査対象サンプルは、製造ライン１０３で搬送される。続くステップＳ４０２では、撮像部１０２が当該検査対象サンプルの画像を撮像し、特徴抽出部においてＮ個の特徴量（Ｎ次元特徴量）を抽出する。

続くステップＳ４０３では、検査対象サンプルが、特徴量ＤＢ１０７に登録されている複数のサンプルとは異なるクラスに属すると仮定して、判定部１０５がＮ次元からＤ次元（Ｎ＞Ｄ）へ次元数の削減を行う。即ち、検査対象サンプルは一旦不良サンプルと仮定される。このような次元数削減の手法は様々な手法があるが、良品サンプル群のクラス内での分散を小さく、かつ検査対象サンプルと良品サンプル群とのマハラノビス距離（クラス間の距離）が大きくなるように次元数削減を行うようにする。

この次元数削減により、検査対象が不良品であった場合、削減後の特徴次元空間内において図５に示すような分布になる。図５では５０１が不良品と判定される検査対象サンプルを表し、５０２が良品サンプル群を表している。次元削減によれば、各々の良品同士を区別するような特徴はほとんど考慮されないように射影され、検査対象との差が大きくなるような射影がされる。よって、良品群４０２と検査対象サンプル５０１との距離と閾値を基に不良検出を行うことができる。尚、ここで検査対象サンプル５０１が良品であった場合は良品群５０２の分布の中に埋もれるため、良品と判定することができる。

本実施形態では、検査対象サンプル５０１と分布５０２との距離ｄを判定する閾値を閾値Ｔｈとする。ステップＳ４０４では、判定部において距離ｄと閾値Ｔｈとの比較により良／不良判定を行う。もし、ｄ＞Ｔｈであれば、検査対象サンプル５０１は不良品と判定される。一方ｄ≦Ｔｈであれば、検査対象サンプル５０１は良品と判定される。続くステップＳ４０５では、判定結果を表示部１０６に表示出力する。

ステップＳ４０３における次元削減で用いる候補としてはFDA(フィッシャー判別分析)がある。FDAを用いるときは本実施形態のように単純な良品／不良品の２クラスのみしかないため１次元に射影して分離する。ただし、該検査工程において複数種類の良品検査を行う場合など、予め正常パターンが多クラスになることが既知の場合は、特徴量ＤＢ１０７を、複数クラスに対応させて構成する必要がある。例えば、特徴量ＤＢ１０７に正常パターンを登録する際に、クラス毎に所定のタグ付けを行い、ＦＤＡにより次元削減を行ってクラス判定を行う。なお、図３では、正常パターンが１クラス（良品）の場合を示しているが、正常パターンが多クラス存在する場合は、クラス毎にＮ次元特徴量が登録される。

このときの射影後のイメージを図６に示す。図６における６０１、６０２、６０３はそれぞれ異なるクラスの良品サンプル群を表す。また６０４は射影後に異常と判定される検査対象サンプルを表す。検査対象サンプルが分布６０１、６０２及び６０３のうちいずれかにプロットされた場合、当該検査対象サンプルはそのクラスタイプの良品と判定することができる。

その他、場合によって同一の良品であっても特徴空間内では複数の箇所に分離され、多峰性を持った分布となる場合がある。このときはLFDA（局所フィッシャー判別分析）を用いることができる。ＬＦＤＡについては、Masashi Sugiyama, "Dimensionality Reduction of Multimodal Labeled Data by Local Fisher Discriminant Analysis", Journal of Machine Learning Research 8 (2007) 1027-1061（杉山将、「局所フィッシャー判別分析によるマルチモーダル・ラベル付データの次元削減」機械学習研究ジャーナル、８、２００７年、１０２７−１０６１頁）に詳細が記載されている通り、公知の技術である。

ＬＦＤＡを用いた場合の射影後の分布は図７に示すようになる。ここで、分布７０１ａ及び７０１ｂ、分布７０２ａ及び７０２ｂの良品クラス領域は、特徴空間内で分断されるが、検査対象サンプル７０３が不良品であれば、精度よく分離することができる。

［第１の実施形態の変形例１］
実際の生産現場では、良品自体のパターンが時間経過と共に変動することがある。当該変動は、初期試作（初期段階）→量産試作（調整段階）→量産（安定段階）などにおける良品パターンの変動や、製品への要求レベルが徐々に向上すること、製造部品の処方を変えるなどの原因に基づく。このような変動が発生する可能性がある場合、図４のフローチャートのステップＳ４０４における判定処理の後に、追加ステップ１を設けることができる。

当該追加ステップ１では、ステップＳ４０４における判定結果に従って、新規良品サンプル特徴量を特徴量ＤＢ１０７へ追加する処理を行う。該追加処理では、ステップＳ４０４で良品（正常サンプル）と判定された検査対象サンプルについて、ステップＳ４０２で抽出したＮ個の特徴量（Ｎ次元特徴量）と特徴量抽出時刻とを特徴量ＤＢ１０７に追加する。

追加ステップ１を有するフローチャートを図８に示す。追加ステップ１はステップＳ８０１に対応する。

このようにして新規サンプルが追加された場合、登録済みのサンプルのうち最も古いものから登録を消去していくことができる。これにより、時間経過と共に徐々に良品パターンが変動する場合に対応することができる。

［第１の実施形態の変形例２］
実際の運用では、システム立ち上げ時に集めた正常パターンに含まれなかった正常パターンが、ある時刻において発生する場合がある。特に、初期試作（初期段階）→量産試作（調整段階）→量産（安定段階）と段階を経るにつれ初期には製造することのできなかった良品パターンを安定して製造することができるようになる場合がある。また、機能に無関係な特徴領域で初期に発生しなかったパターンを持つ良品が発生することがある。

第１の実施形態では予め発生した不良品の傾向に依存しないよう網羅的に抽出した特徴を用いているため、これら良／不良判定に無関係な特徴が反応して不良品と判定されることがある。そこで、本来、この不良については新しく良品サンプル群に新規に登録しなければならない。このような新規登録の可能性がある場合、図４のフローチャートのステップＳ４０５における判定処理の後に、追加ステップ２及び３を設けることができる。

追加ステップ２では、一旦不良品と判定された検査対象サンプルを他の検査パスにて再検査して、再検査結果を入力部１０８よりシステムに入力する。次に、追加ステップ３では、再検査の判定結果が良品となったサンプルについてステップＳ４０２で抽出したＮ個の特徴量（Ｎ次元特徴量）と特徴量抽出時刻とを特徴量ＤＢ１０７に追加する。このとき、新規登録と同時に既に登録されていた最も古いサンプルの特徴量のデータを特徴量ＤＢ１０７から消去しても良い。

追加ステップ２における再検査は、精緻な目視検査工程でも良いし、外観検査ではなく機能検査工程でも良い。また、既に特徴量は抽出した後であるため破壊検査工程でも良い。

追加ステップ１乃至３を有するフローチャートを図８に示す。追加ステップ２及び３はステップＳ８０２及びＳ８０３に対応する。なお、図８では、ステップＳ８０１を有しているが、本変形例２において、システム立ち上げ時に集めた良品サンプルの発生パターンが変動しない場合で、かつ、初期正常パターンが集まらない場合は、ステップＳ８０１を省略して良い。また、特徴量ＤＢ１０７の更新の際も、古いサンプルの特徴量をデータベースから削除しなくても良い。

［第１の実施形態の変形例３］
以上、一連の処理の中で、不良品と判定されたサンプルの特徴量は特徴量ＤＢ１０７に登録しない構成を採用した。しかし、予め入力サンプルが何クラスに分類されるか未知の場合や、データベースに保存されていない未知のクラスが存在する場合なども考えられる。係る場合、異常と判定されたサンプルについても正常サンプルと同様にデータベースに登録し、新たなクラスをデータベース内に作成しても良い。

以上の第１の実施形態及びその変形例によれば、正常サンプルのみを元に測定対象サンプルに対して異常らしさをスコア化することができるため、異常検出を行うことが可能となる。実際に本方式を運用する場合は閾値を人によって設定したり、過去の異常パターン履歴を元に正常／異常の境界を設定するなどが考えられる。

また、正常の傾向が変動する場合にも単純に正常領域を定義するために保持しておく正常サンプルに各々時刻をタグ付けしておくことにより最も過去の物から順に消去して新しい正常領域が再定義され続けていく。これにより経年によるパターンの変化にも柔軟に対応可能である。

本実施形態は、生産現場における外観検査、セキュリティカメラによる異常行動検出、なりすましメール検出、携帯電話の通話記録からのなりすまし使用等の詐欺行為発見、クレジットカードの利用履歴からの異常取引発見など分野に適用できる。

また、既存のクラスに属さないデータを積極的に探索することを目的とする分野において、新規データを取得した際、それが既存クラスに分類されるかどうかを判断することにより、それが既存クラスにないデータだった場合は異常として検出できる。また、該データについて新規クラスとして登録することで新しいパターンの分類を行うことができる。

［第２の実施形態］
以下、発明の第２の実施形態を詳細に説明する。第２の実施形態は機能未解析蛋白質の解析を行う場合を説明する。蛋白質の機能は、その局所的な分子表面の突起や窪み領域に強く現れる。蛋白質の機能を予測するためには、与えられた蛋白質分子表面に局所的に類似する表面を、膨大な蛋白質活性部位表面データベースから検索することが有効である。機能未解析蛋白質の解析を行う際、２つの解析が必要となる。

１つ目は、活性部位と呼ばれる蛋白質の機能を決定する分子構造と類似する構造を機能未解析蛋白質の３次元データから網羅的に探し、類似していると思われる蛋白質を分類し、機能を予測するものである。

２つ目は、活性部位を複数の機能がわかっている蛋白質から特徴量として抽出するものである。この活性部位と呼ばれる構造への理解が進み、多くの活性部位が解明されることが未解析蛋白質を解明する上で必須となる。

図９は、本実施形態に対応する蛋白質検査を目的とする検査システム９００の構成の一例を示す図である。図９において、制御部９０１は検査システム９００全体の動作を制御する。試料解析部９０２は、試料を処理してＮ次元の特徴量を抽出する。入力部９０３は、データ入力を行うためのユーザインタフェースであり、例えば外部検査工程で機能検査等を行った場合等に検査結果を入力するために利用される。

判定部９０４は、試料解析部９０２が抽出した特徴に基づいて、検査対象試料のクラスを判定する。表示部９０５は、判定部９０４における判定結果に従い解析結果を表示する。特徴量データベース（ＤＢ）９０６は、判定部９０４における判定に利用する特徴量を保持する。

本実施形態に対応する特徴量ＤＢ９０６の構成の一例を図１０を参照して説明する。本実施形態の特徴量ＤＢ９０６は、いくつかの機能既知の蛋白質を機能毎にクラスタリングして予め登録している。例えば、機能１を有する蛋白質Ｐ₁₁、について、Ｎ次元の特徴量Ｖ₁₁₁からＶ_11Nが登録されている。同様に蛋白質Ｐ₁₂及びＰ₁₃には、それぞれＶ₁₂₁からＶ_12N、Ｖ₁₃₁からＶ_13Nが登録されている。

次に、本実施形態に対応する処理を図１１を参照して説明する。図１１は、発明の第２の実施形態に対応する処理の一例を示すフローチャートである。

まず、ステップＳ１１０１では、試料解析部９０２に解析対象のサンプルが入力される。続くステップＳ１１０２では、サンプルを解析し、Ｎ次元（Ｎ個）の特徴を抽出する。続くステップＳ１１０３では、解析対象サンプルを一旦未知のクラスとみなしてＮ次元からＤ次元へ次元削減を行う。次元削減の手法は様々な手法があるが、FDAまたはLFDAなどの次元削減手法を用いる。

続くステップＳ１１０４では、射影後の解析対象サンプルと各取得済みサンプルクラスからの距離に応じて、検査対象サンプルが属する機能クラスを判定する。ここでの機能クラス判定は、暫定的なものとする。続くステップＳ１１０５では、ステップＳ１１０４でサンプルが分類されたクラスに関わらず、解析対象サンプルが実際に有する機能の検査を、システム外部で行う。当該検査は、検査官が実際にサンプルを処理して行う。この外部検査結果は、入力部９０３により解析システムに入力される。

続くステップＳ１１０６では、機能検査の結果に基づいて、解析対象サンプルが属する機能クラスを再判定する。ここで、ステップＳ１１０４で判定された機能クラスと一致する場合（ステップＳ１１０７で「ＮＯ」）、ステップＳ１１０８に移行する。また、ステップＳ１１０４で判定された機能クラスと異なる既知の機能クラスに属する場合（ステップＳ１１０７において「ＮＯ」）も、同様にステップＳ１１０８に移行する。ステップＳ１１０８では、当該解析対象サンプルを、特徴量ＤＢ９０６の対応する機能クラスの蛋白質として、Ｎ次元の特徴量と共に登録する。

また、ステップＳ１１０４で判定された機能クラスに属さず、機能的に未知のものであることが判明した場合（ステップＳ１１０７において「ＹＥＳ」）、これは予め用意したN次元特徴では分類するのに足りないことになる。この場合はステップＳ１１０９において、ステップＳ１１０４で判定された機能クラスと、該解析対象サンプルとを最も分離する新規の特徴量を特定する。

ここでの新規の特徴量追加の手法として、蛋白質の解析などで知られた手法では表面比較を行い複数の蛋白質間で見出される共通の構造パターンを抽出し、保存性の高い特徴的な局所構造を抽出する手法がある。これによって、既知クラスに属すると誤判定された検査対象サンプルと既知クラスを分離する特徴を新規に抽出する特徴として追加することができる。なお、ここで追加した新たな特徴については、ステップＳ１１１０において特徴量ＤＢ９０６に保持されているサンプルについても特徴量を抽出し、データベースを更新する。その後、ステップＳ１１０２に戻って特徴量抽出を再度行って処理を継続する。

以上の第２の実施形態によれば、第１の実施形態における検査システムを蛋白質の解析システムに適用することができる。また、本実施形態では、既知の機能を有する蛋白質に関する特徴量のみを元に測定対象サンプルに対して、未知の機能らしさをスコア化することができる。よって、未知の機能を検出することができる。

［その他の実施形態］
なお、本発明は、複数の機器（例えばホストコンピュータ、インタフェイス機器、リーダ、プリンタなど）から構成されるシステムに適用しても、一つの機器からなる装置（例えば、複写機、ファクシミリ装置など）に適用してもよい。

また、本発明の目的は、前述した機能を実現するコンピュータプログラムのコードを記録した記憶媒体を、システムに供給し、そのシステムがコンピュータプログラムのコードを読み出し実行することによっても達成される。この場合、記憶媒体から読み出されたコンピュータプログラムのコード自体が前述した実施形態の機能を実現し、そのコンピュータプログラムのコードを記憶した記憶媒体は本発明を構成する。また、そのプログラムのコードの指示に基づき、コンピュータ上で稼働しているオペレーティングシステム（ＯＳ）などが実際の処理の一部または全部を行い、その処理によって前述した機能が実現される場合も含まれる。

さらに、以下の形態で実現しても構わない。すなわち、記憶媒体から読み出されたコンピュータプログラムコードを、コンピュータに挿入された機能拡張カードやコンピュータに接続された機能拡張ユニットに備わるメモリに書込む。そして、そのコンピュータプログラムのコードの指示に基づき、その機能拡張カードや機能拡張ユニットに備わるＣＰＵなどが実際の処理の一部または全部を行って、前述した機能が実現される場合も含まれる。

本発明を上記記憶媒体に適用する場合、その記憶媒体には、先に説明したフローチャートに対応するコンピュータプログラムのコードが格納されることになる。

発明の第１の実施形態に対応する検査システムの構成の一例を示す図である。。発明の第１の実施形態に対応する特徴抽出のためのフィルタセットの一例を示す図である。発明の第１の実施形態に対応する特徴量データベース１０７に登録されている特徴量のテーブル構成の一例を示す図である。発明の第１の実施形態に対応する判定処理の一例を示すフローチャートである。発明の第１の実施形態に対応した、検査対象が不良品であった場合の次元数削減後の特徴次元空間内における分布の一例を示す図である。発明の第１の実施形態に対応した、正常パターンが多クラスとなる場合に、検査対象が不良品であった場合の次元数削減後の特徴次元空間内における分布の一例を示す図である。発明の第１の実施形態に対応した、正常パターンが多クラスとなり、かつ、分布が複数箇所に分離する場合に、検査対象が不良品であった場合の次元数削減後の特徴次元空間内における分布の一例を示す図である。発明の第１の実施形態の変形例に対応する判定処理の一例を示すフローチャートである。発明の第２の実施形態に対応する検査システムの構成の一例を示す図である。発明の第２の実施形態に対応する特徴量データベース９０６の構成の一例を示す。発明の第２の実施形態に対応する処理の一例を示すフローチャートである。

符号の説明

１０１：制御部
１０２：撮像部
１０３：製造ライン
１０４：特徴抽出部
１０５：判定部
１０６：表示部
１０７：特徴量データベース
１０８：入力部

Claims

検査対象サンプルが属するクラスを判定する検査システムであって、
検査対象サンプルから、Ｎ次元の特徴量を抽出する特徴抽出手段と、
前記特徴抽出手段により予め抽出された所定のクラスに属する複数のサンプルの前記Ｎ次元の特徴量を格納した特徴量データベースと、
前記複数のサンプルと、前記検査対象サンプルとが異なるクラスに属すると仮定して、クラス間の距離を大きく、かつ、クラス内の前記特徴量の分散が小さくなるように、前記Ｎ次元の特徴量の次元数を削減する削減手段と、
前記次元数が削減された特徴量に基づいて、前記検査対象サンプルが属するクラスを判定する判定手段と
を備えることを特徴とする検査システム。
前記判定手段は、前記次元数が削減された後の特徴量に基づき、前記複数のサンプルが属するクラスと、前記検査対象サンプルとの距離に基づいて、前記検査対象サンプルが属するクラスを判定することを特徴とする請求項１に記載の検査システム。
前記特徴量データベースは、複数のサンプルをクラス毎に分類し、各クラスに属するサンプルについて前記Ｎ次元の特徴量を格納することを特徴とする請求項１または２に記載の検査システム。
前記判定手段が前記検査対象サンプルが前記複数のサンプルと同一のクラスに属すると判定した場合、前記検査対象サンプルについて抽出されたＮ次元の特徴量により、前記特徴量データベースにおける該クラスに属するサンプルの特徴量が更新されることを特徴とする請求項１乃至３のいずれか１項に記載の検査システム。
前記判定手段が前記検査対象サンプルが前記複数のサンプルと同一のクラスに属しないと判定した場合に行われた前記検査対象サンプルの再検査の結果、該検査対象サンプルが前記同一のクラスに属すると判明した場合、
前記検査対象サンプルについて抽出されたＮ次元の特徴量により、前記特徴量データベースにおける前記同一のクラスの特徴量が更新されることを特徴とする請求項１乃至４のいずれか１項に記載の検査システム。
前記検査対象サンプルが属するクラスに関する外部検査の結果を取得する取得手段と、
前記外部検査の結果に基づき前記検査対象サンプルが属するクラスを再判定する再判定手段と、
前記再判定により特定されたクラスと、前記判定手段が判定したクラスとが一致するか、或いは、前記再判定により特定されたクラスが、前記判定手段が判定したクラスとは異なる前記特徴量データベースに登録された他のクラスである場合に、前記再判定により特定されたクラスにつき前記特徴量データベースにおいて登録されている特徴量を、前記検査対象サンプルの特徴量により更新する更新手段と
を更に備えることを特徴とする請求項１または２に記載の検査システム。
前記再判定により特定されたクラスが、前記特徴量データベースに登録されたクラスとは異なる未知のクラスである場合に、前記検査対象サンプルを、前記判定手段が判定したクラスと分離するための新規の特徴量を特定する特定手段をさらに備え、
前記更新手段が、前記新規の特徴量につき、前記特徴量データベースにおいて登録されている特徴量を更新する
ことを特徴とする請求項６に記載の検査システム。
前記検査対象サンプルは蛋白質であって、前記クラスは該蛋白質の機能に対応することを特徴とする請求項６又は７に記載の検査システム。
前記削減手段は、フィッシャー判別分析、または、局所フィッシャー判別分析を用いて前記次元数の削減を行うことを特徴とする請求項１乃至８のいずれか１項に記載の検査システム。
検査対象サンプルが属するクラスを判定する検査システムの制御方法であって、
特徴抽出手段が、検査対象サンプルから、Ｎ次元の特徴量を抽出する特徴抽出工程と、
前記特徴抽出手段により予め抽出された所定のクラスに属する複数のサンプルの前記Ｎ次元の特徴量を格納した特徴量データベースを参照し、削減手段が前記複数のサンプルと、前記検査対象サンプルとが異なるクラスに属すると仮定して、クラス間の距離を大きく、かつ、クラス内の前記特徴量の分散が小さくなるように、前記Ｎ次元の特徴量の次元数を削減する削減工程と、
判定手段が、前記次元数が削減された特徴量に基づいて、前記検査対象サンプルが属するクラスを判定する判定工程と
を備えることを特徴とする検査システムの制御方法。
コンピュータを請求項１乃至９のいずれか１項に記載の検査システムとして機能させるためのコンピュータプログラム。