JP6791182B2

JP6791182B2 - ニューラルネットワーク型画像処理装置

Info

Publication number: JP6791182B2
Application number: JP2018047256A
Authority: JP
Inventors: 善久井尻
Original assignee: Omron Corp
Current assignee: Omron Corp
Priority date: 2018-03-14
Filing date: 2018-03-14
Publication date: 2020-11-25
Anticipated expiration: 2038-03-14
Also published as: US11361424B2; WO2019176479A1; CN111699496A; US20210004954A1; JP2019159956A; CN111699496B

Description

本発明は、ニューラルネットワーク型画像処理装置、これを備えた外観検査装置、及び外観検査方法に関する。

従来より、画像処理を利用した外観検査装置が提案されている。この外観検査装置では、検査対象となる入力画像に対し、パターンマッチングやエッジ抽出処理などの画像処理を施した上で、画像処理後の画像に対し、外観検査を行うように構成されている（例えば、特許文献１）。

特開２０１２−２１９１４号公報

ところで、検査対象となる入力画像に対しては、外観検査に適した画像になるような種々の画像処理を行う必要がある。しかしながら、そのような画像処理の組み合わせ、あるいは順序は多数あり、ユーザの試行錯誤の上で決定する必要があった。しかしながら、そのような手法では、ユーザの負荷が大きいという問題があった。

なお、このような問題は、外観検査装置用の画像処理のみならず、入力画像から所望の出力画像を得るために、少なくとも一つの画像処理を施すような画像処理装置全般に起こりうる問題である。本発明は、この問題を解決するためになされたものであり、入力画像から容易に所望の出力画像を得ることができる、ニューラルネットワーク型画像処理装置、これを備えた外観検査装置、及び外観検査方法を提供することを目的とする。

本開示に係るニューラルネットワーク型画像処理装置は、入力画像が入力される一つのユニットを有する入力層と、出力画像を出力する一つのユニットを有する出力層と、前記入力層と前記出力層との間に配置される複数層の中間層であって、前記各中間層が複数のユニットを有し、前記入力層のユニット、前記各中間層のユニット、及び前記出力層のユニットが結合係数を伴って全結合されている、複数の中間層と、を備え、前記各中間層の各ユニットは、当該ユニットに入力された画像に画像処理を施す、画像処理モジュールであり、前記入力画像は、前記入力層のユニットから入力され、前記中間層のユニットを経た後、前記出力層のユニットから前記出力画像として、出力されるように構成され、誤差逆伝播法による学習により、前記結合係数が更新されるように構成されている。

この構成によれば、ニューラルネットワーク型の構造を有しているため、入力画像に対する所望の出力画像を容易に得ることができる。そして、中間層を構成するユニットが画像処理モジュールを有している。そのため、学習により設定された結合係数を分析すれば、画像処理モジュール間の結合の強度が分かるため、入力画像から出力画像に至る過程で、どの画像処理モジュールの影響を受けているかを知ることができる。したがって、画像処理モジュールの順序を変えたり、画像処理のパラメータを変更したり、あるいは特定の画像処理モジュールを削除するなど、ユーザによって任意に各層の構造を調整することができる。例えば、小さい結合係数で結合されている画像処理モジュールは、利用されていない可能性があるため、最適化のために、削除したり、他の画像処理モジュールに入れ替えるなどすることができる。

上記ニューラルネットワーク型画像処理装置において、前記各中間層のユニットの活性化関数は、前記画像処理モジュールの画像処理を表す微分可能な画像処理関数を含んでいるものとすることができる。

上記ニューラルネットワーク型画像処理装置において、前記各中間層には、異なる種類の前記画像処理モジュールを設けることができる。

上記ニューラルネットワーク型画像処理装置において、前記各中間層に設けられた複数の前記画像処理モジュールは、同じとすることができる。

上記ニューラルネットワーク型画像処理装置において、前記各画像処理モジュールは、ガウスフィルタ、エッジ抽出フィルタ、平滑フィルタ、メディアンフィルタ、及びソーベルフィルタのいずれかで構成することができる。

上記ニューラルネットワーク型画像処理装置において、前記各中間層に設けられる前記複数の画像処理モジュールの一つは、恒等写像とすることができる。

上記ニューラルネットワーク型画像処理装置において、前記出力層からの前記出力画像の出力とともに、前記入力画像から前記出力画像を出力するまでに適用された前記画像処理モジュール、及び適用された前記各画像処理モジュールの結合係数を出力可能とすることができる。

本開示に係る外観検査装置は、検査対象物を撮影する撮影部と、上述したいずれかのニューラルネットワーク型画像処理装置と、を備え、前記撮影部によって撮影された画像を入力画像とし、外観検査用の画像を出力画像とするように、前記ニューラルネットワーク型画像処理装置が学習されている。

上記外観検査装置においては、前記出力画像に対して外観検査を行い、検査結果を出力する判定部をさらに備えることができる。

本開示に係る外観検査方法は、前記検査対象物の撮影画像を前記入力画像とし、外観検査用の画像を前記出力画像とするように学習された、上述したいずれかのニューラルネットワーク型画像処理装置を準備するステップと、検査対象物を撮影するステップと、前記検査対象物の撮影画像を前記入力画像として前記ニューラルネットワーク型画像処理装置に入力し、前記出力画像を出力するステップと、を備えている。

上記外観検査方法においては、前記出力画像に対して外観検査を行い、検査結果を出力するステップをさらに備えることができる。

本発明によれば、入力画像から容易に所望の出力画像を得ることができる。

本発明の画像処理装置の一実施形態の概要を示すブロック図である。図１の画像処理装置の学習器の概略構造を示す図である。図１の画像処理装置の学習器の学習の一例を示す図である。本発明に係る外観検査装置のハードウエア構成を示すブロック図である。図４の外観検査装置の機能構成を示すブロック図である。図４の外観検査装置における処理手順の一例を例示するフローチャートである。

以下、本発明に係るニューラルネットワーク型画像処理装置の一実施形態について、図面を参照しつつ説明する。ただし、以下で説明する本実施形態は、あらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。つまり、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。

＜１．適用例＞
以下、本実施形態に係るニューラルネットワーク型画像処理装置（以下、単に、「画像処理装置」ということがある）について図１を参照しつつ説明する。図１は、本実施形態に係るニューラルネットワーク型画像処理装置の概略図である。

図１に示すように、この画像処理装置２は、入力画像に対して画像処理を施し、所望の出力画像を出力させる装置である。例えば、後述するように、物品の外観検査を行う場合、物品の外観を撮影することで得られた入力画像に対し、外観検査が可能なように、エッジを抽出したり、ぼかしを施すなどの画像処理を行うものであり、入力画像に応じた適切な画像処理を施すために、学習された学習済みの学習器１を有している。

具体的には、図２に示すような学習器１を有している。図２に示すように、この学習器１は、いわゆる深層学習に用いられる多層構造のニューラルネットワーク型の構造を有しており、入力から順に、入力層３、複数の中間層（隠れ層）４、及び出力層５を備えている。これら入力層３、各中間層４、及び出力層５には、ニューラルネットワークと同様の機能を有するユニットが設けられている。以下では、入力層３及び出力層５は、ユニットを含む概念として説明する。また、中間層４については、以下の通りである。

図２の学習器１では、５層の中間層４１〜４５を備えており、各中間層４１〜４５には、ユニットとして、７つ画像処理モジュール（以下、単にモジュールという）が設けられている。そして、入力層３の出力が中間層４の入力となり、中間層４の出力が出力層５の入力となっている。また、入力層３には、入力画像が入力され、出力層５からは出力画像が出力される。なお、以下では、５層の中間層を、入力層側から第１，第２，第３，第４，及び第５中間層４１〜４５と称することとする。また、各中間層４１〜４５を構成するモジュールを、それぞれ、第１，第２，第３，第４，第５，第６，及び第７モジュール４１１〜４５７と称することとする。

各中間層４１〜４５を構成するモジュール４１１〜４５７は、画像処理モジュールによって構成されている。すなわち、中間層４１〜４５のいずれかのモジュールに入力された画像は、画像処理が施された後、出力されるように構成されている。また、入力層３、各中間層４１〜４５の各モジュール４１１〜４５７、及び出力層５は、結合係数Ｗを伴って全結合されている。ここでは、結合係数をＷ_xyz（ｘ，ｙ，ｚは整数、但し、入力層３と第１中間層４１との結合及び第５中間層４５と出力層５との結合については、ｚがない）と表すこととする。例えば、第１中間層４１の第１モジュール４１１と第２中間層４２の第１モジュール４２１との結合係数は、Ｗ₂₁₁と表され、第５中間層５の第５モジュール４５５と出力層５との結合係数は、Ｗ₆₅と表される。

なお、入力層３を構成するユニットは、一つであり、この一つのユニットに処理対象となる入力画像の全体が入力される。同様に、出力層５を構成するユニットも一つであり、この一つのユニットから画像処理が施された出力画像の全体が出力される。また、各中間層４１〜４５を構成する各ユニット、つまり各画像処理モジュールには、画像が入力され、画像処理が施される。

各モジュール４１１〜４５７には閾値が設定されており、基本的には、各入力と各重みとの積の和が閾値を超えているか否かによって各モジュール４１１〜４５７の出力が決定される。なお、このような学習器１の構成（例えば、層数、各層におけるモジュールの個数、モジュール同士の結合係数、各モジュールの活性化関数）、及び各モジュール４１１〜４５７の閾値を示す情報は、後述する学習結果データ２２５に含まれている。

各中間層４１〜４５のモジュール４１１〜４５７の活性化関数は、例えば、各モジュールの画像処理を表す微分可能な画像処理関数を含んでいる。そのような画像処理関数は特には限定されないが、例えば、ガウシアンぼかしを実行するためのガウス関数、エッジ抽出を行うための各種のエッジ抽出関数、平滑フィルタ、メディアンフィルタ、及びソーベルフィルタなどを採用することができる。また、同じ画像関数であっても、パラメータを変更した異なる画像処理関数を有する画像処理モジュールを生成することもできる。

本実施形態では、各中間層４１〜４５に、７つのモジュールが設けられているが、これら７つのモジュールは、すべて異なっている。すなわち、図２に示すように、モジュール１〜６と表示された６つの画像処理モジュールと、１つの恒等写像とが設けられている。モジュール１〜６は、上述した異なる種類あるいは異なるパラメータを有する画像処理モジュールである。例えば、モジュール１〜３をパラメータが異なるガウスフィルタとし、モジュール４〜６をパラメータが異なるエッジ抽出フィルタとすることができる。また、恒等写像に係る画像処理モジュールは、モジュールに入力された画像に対し、画像処理を施さずに出力する。そして、図２に示すように、すべての中間層４１〜４５が同じ種類のモジュールを有している。

このように構成された学習器１の学習は、誤差逆伝播法により行い、結合係数Ｗ_xyzが更新されるようにする。例えば、図３に示すように、入力画像及び出力画像を有する学習データにより、学習器１の学習が行われる。例えば、入力画像を撮影画像とし、出力画像として、撮影画像に種々の画像処理を施した後の画像を用い、これら入力画像と出力画像の組み合わせを複数有する学習データ（教師データ）を準備することができる。こうして学習された学習器１に入力画像を入力すると、所望の出力画像が得られる。

そして、こうして得られた結合係数をＷ_xyzを分析することで、入力画像がどのモジュールによって画像処理が施されて出力画像となったかを知ることができる。そのため、例えば、小さい結合係数で結合されている画像処理モジュールは、利用されていないことになるため、最適化のために、他の画像処理モジュールに入れ替えるなどすることができる。

本実施形態に係る画像処理装置は、種々の処理に適用することができるが、以下では、この画像処理装置を外観検査装置に適用した例について説明する。この外観検査装置は、検査対象物を撮影した画像を、外観検査がしやすいように画像処理を施すものである。以下、詳細に説明する。
＜２．構成例＞
＜２−１．ハードウエア構成＞
まず、本実施形態に係る外観検査装置のハードウエア構成について、図４を参照しつつ説明する。図４は、本実施形態に係る外観検査装置のハードウエア構成を示すブロック図である。

＜２−１−１．カメラ＞
図４に示すカメラ７は、特には限定されず、公知のものを用いることができるが、外観検査を行える程度の解像度の画像を取得できるものであればよい。

＜２−１−２．外観検査装置＞
図４に示すように、本実施形態に係る外観検査装置２０は、制御部２１、記憶部２２、通信インタフェース２３、入力装置２４、出力装置２５、表示装置２６、外部インタフェース２７、及びドライブ２８が電気的に接続されたコンピュータである。なお、図１では、通信インタフェース及び外部インタフェースをそれぞれ、「通信Ｉ／Ｆ」及び「外部Ｉ／Ｆ」と記載している。

制御部２１は、ＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含み、情報処理に応じて各構成要素の制御を行う。記憶部２２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等の補助記憶装置であり、制御部２１で実行される画像処理プログラム２２１、入力画像データ２２２、出力画像データ２２３、結合係数データ２２４、学習器１に関する情報を示す学習結果データ２２５、学習器１を学習させるための学習データ２２６等を記憶する。その他、外観検査装置２０の駆動に必要な各種のデータも記憶することもできる。

画像処理プログラム２２１は、上述した学習器１による画像処理のために、入力画像を受け付け、これに応じた出力画像の出力を行うものでる。入力画像データ２２２は、検査対象物を撮影した画像データであり、出力画像データ２２３は、学習器１により画像処理が施された後の画像データである。結合係数データ２２４は、学習済みの学習器１の結合係数Ｗに係るデータである。また、学習結果データ２２５は、学習済みの学習器１の設定を行うためのデータである。学習データ２２６は、現在の学習器１の学習に用いたデータである。

通信インタフェース２３は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。例えば、カメラ７と通信したり、あるいは画像処理に関する情報を外部に送信するために用いられる。入力装置２の操作など、各種の指示を入力することができる。出力装置２５は、例えば、スピーカ等の出力を行うための装置である。表示装置２６は、ディスプレイ等で構成することができ、例えば、検査結果などを表示することができる。外部インタフェース２７は、ＵＳＢ（Universal Serial Bus）ポート等であり、外部装置と接続するためのインタフェースである。

ドライブ２８は、例えば、ＣＤ（Compact Disk）ドライブ、ＤＶＤ（Digital Versatile Disk）ドライブ等であり、記憶媒体９１に記憶されたプログラムを読み込むための装置である。ドライブ１７の種類は、記憶媒体９１の種類に応じて適宜選択されてよい。上記記憶部２２に記憶される各種のデータ２２１〜２２６の少なくとも一つは、この記憶媒体９１に記憶されていてもよい。また、入力画像データ２２２、出力画像データ２２３は、制御部２１のＲＡＭに記憶させることもできる。

記憶媒体９１は、コンピュータその他装置、機械等が記録されたプログラム等の情報を読み取り可能なように、このプログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。外観検査装置２０は、この記憶媒体９１から、上記各種のデータ２２１〜２２６を取得してもよい。

ここで、図４では、記憶媒体９１の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体９１の種類は、ディスク型に限定される訳ではなく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。

なお、外観検査装置２０の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部２１は、複数のプロセッサを含んでもよい。外観検査装置２０は、複数台の情報処理装置で構成されてもよい。また、外観検査装置２０は、提供されるサービス専用に設計された情報処理装置の他、汎用のデスクトップＰＣ（Personal Computer）、タブレットＰＣ等が用いられてもよい。

＜２−２．外観検査装置の機能的構成＞
次に、図４及び図５を参照しつつ、本実施形態に係る外観検査装置の機能構成の一例を説明する。図５は、外観検査装置の機能構成を示すブロック図である。

図４に示すように、外観検査装置２０の制御部２１は、記憶部２２に記憶された画像処理プログラム２２１をＲＡＭに展開する。そして、制御部２１は、ＲＡＭに展開されたこれらのプログラム２２１をＣＰＵにより解釈及び実行して、各構成要素を制御する。これによって、図５に示すように、本実施形態に係る外観検査装置２０は、学習器１を備えるコンピュータとして機能する。

学習器１の詳細は、上述したとおりであるが、カメラ７で撮影した検査対象物の画像を入力画像として受け付ける。そして、外観検査がしやすいような出力画像を得るための画像処理が施されるように学習されている。例えば、入力画像において、外観検査に関連のある特定の部分に対して、適切なエッジ抽出処理が行われるような画像処理が行われるような学習をしたり、あるいは、検査に関連のない部分に対しては画像処理を施さない、またはぼかし処理などが行われるように学習をすることができる。また、特定の部分に異なる種類の画像処理を重ねて行うような学習をすることもできる。

＜２−３．外観検査装置の動作＞
次に、図６を参照しつつ、外観検査装置２の動作例を説明する。図６は、外観検査装置の処理手順の一例を例示するフローチャートである。なお、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

図６に示すように、まず、カメラ７によって検査対象物を撮影し、入力画像を取得する（ステップＳ１０１）。次に、取得した入力画像を学習器１に入力する（ステップＳ１０２）。続いて、学習器１から出力された出力画像を表示装置２６で表示する（ステップＳ１０３）。このとき、出力画像は、記憶部２２に記憶される。これに続いて、表示装置２６に表示された出力画像の検査を行う（ステップＳ１０５）。検査の方法は、特には限定されず、ユーザの目で検査をするほか、画像処理により検査を行うこともできる。画像処理により行う場合には、例えば、図５において、機能構成として、出力画像に対して，画像処理により外観検査を行う判定部を設けることができる。このように判定部は種々の態様があるが、例えば、機械学習により良品と不良品とを識別できるように学習された学習器に出力画像を入力し、良品または不良品の識別を行うことができる。そして、検査結果は、表示装置２６で表示したり、記憶部２２に記憶したりすることができる。

＜３．特徴＞
本実施形態に係る画像処理装置は、ニューラルネットワーク型の構造を有しているため、入力画像に対する所望の出力画像を容易に得ることができる。そして、中間層４を構成するユニットとして画像処理モジュールを有している。そのため、学習済みの学習器１で設定された結合係数Ｗ_xyzを分析すれば、入力画像がどの画像処理モジュールによって画像処理が施されて出力画像となったかを知ることができる。したがって、画像処理モジュールの順序を変えたり、画像処理のパラメータを変更したり、あるいは特定の画像処理モジュールを削除するなど、ユーザによって任意に学習器１の構造を調整することができる。例えば、小さい結合係数で結合されている画像処理モジュールは、利用されていないことになるため、最適化のために、削除したり、他の画像処理モジュールに入れ替えるなどすることができる。そして、その後、学習器１の再学習を行うことができる。

＜４．変形例＞
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。

＜１＞
上記実施形態で示した学習器１の構造は、一例であり、種々の変更が可能である。例えば、中間層４の数、及び各中間層４に含まれるモジュールの数は、特には限定されず、対象となる処理に合わせて適宜設定することができる。例えば、中間層４ごとに、含まれるモジュールの数が相違してもよい。

また、上記実施形態では、すべての中間層４が同じ画像処理モジュールのモジュールを有しているが、異なるモジュールを有する中間層とすることもできる。また、各中間層に、一つの恒等写像に係るモジュールを設けているが、必ずしもそのようにする必要はない。但し、各中間層に恒等写像に係るモジュールを設けておけば、不要な画像処理が施されないようにすることができる。

＜２＞
上記実施形態においては、ニューラルネットワーク型の画像処理装置、及びこれを用いた外観検査装置について説明したが、この画像処理装置は、外観検査以外でも用いることができる。すなわち、入力画像から所望の出力画像を得るために、少なくとも一つの画像処理を施すような目的で用いられる場合には、外観検査装置以外の用途にも用いることができる。

３入力層
４中間層
５出力層

Claims

入力画像が入力される一つのユニットを有する入力層と、
出力画像を出力する一つのユニットを有する出力層と、
前記入力層と前記出力層との間に配置される複数層の中間層であって、前記各中間層が複数のユニットを有し、前記入力層のユニット、前記各中間層のユニット、及び前記出力層のユニットが結合係数を伴って全結合されている、複数の中間層と、
を備え、
前記各中間層の各ユニットは、当該ユニットに入力された画像に画像処理を施す、画像処理モジュールであり、
前記入力画像は、前記入力層のユニットから入力され、前記中間層のユニットを経た後、前記出力層のユニットから前記出力画像として、出力されるように構成され、
誤差逆伝播法による学習により、前記結合係数が更新されるように構成され、
前記各中間層に設けられた複数の前記画像処理モジュールは、同じである、ニューラルネットワーク型画像処理装置。
入力画像が入力される一つのユニットを有する入力層と、
出力画像を出力する一つのユニットを有する出力層と、
前記入力層と前記出力層との間に配置される複数層の中間層であって、前記各中間層が複数のユニットを有し、前記入力層のユニット、前記各中間層のユニット、及び前記出力層のユニットが結合係数を伴って全結合されている、複数の中間層と、
を備え、
前記各中間層の各ユニットは、当該ユニットに入力された画像に画像処理を施す、画像処理モジュールであり、
前記入力画像は、前記入力層のユニットから入力され、前記中間層のユニットを経た後、前記出力層のユニットから前記出力画像として、出力されるように構成され、
誤差逆伝播法による学習により、前記結合係数が更新されるように構成され、
前記各画像処理モジュールは、ガウスフィルタ、エッジ抽出フィルタ、平滑フィルタ、メディアンフィルタ、及びソーベルフィルタのいずれかで構成されている、ニューラルネットワーク型画像処理装置。
入力画像が入力される一つのユニットを有する入力層と、
出力画像を出力する一つのユニットを有する出力層と、
前記入力層と前記出力層との間に配置される複数層の中間層であって、前記各中間層が複数のユニットを有し、前記入力層のユニット、前記各中間層のユニット、及び前記出力層のユニットが結合係数を伴って全結合されている、複数の中間層と、
を備え、
前記各中間層の各ユニットは、当該ユニットに入力された画像に画像処理を施す、画像処理モジュールであり、
前記入力画像は、前記入力層のユニットから入力され、前記中間層のユニットを経た後、前記出力層のユニットから前記出力画像として、出力されるように構成され、
誤差逆伝播法による学習により、前記結合係数が更新されるように構成され、
前記各中間層に設けられる前記複数の画像処理モジュールの一つは、恒等写像である、ニューラルネットワーク型画像処理装置。
前記各中間層のユニットの活性化関数は、前記画像処理モジュールの画像処理を表す微分可能な画像処理関数を含んでいる、請求項１から３のいずれかに記載のニューラルネットワーク型画像処理装置。
前記各中間層には、異なる種類の前記画像処理モジュールが設けられている、請求項１から４のいずれかに記載のニューラルネットワーク型画像処理装置。
前記出力層からの前記出力画像の出力とともに、前記入力画像から前記出力画像を出力するまでに適用された前記画像処理モジュール、及び適用された前記各画像処理モジュールの結合係数を出力可能となっている、請求項１から５のいずれかに記載のニューラルネットワーク型画像処理装置。
検査対象物を撮影する撮影部と、
請求項１から６のいずれかに記載のニューラルネットワーク型画像処理装置と、
を備え、
前記撮影部によって撮影された画像を入力画像とし、外観検査用の画像を出力画像とするように、前記ニューラルネットワーク型画像処理装置が学習されている、外観検査装置。
前記出力画像に対して外観検査を行い、検査結果を出力する判定部をさらに備えている、請求項７に記載の外観検査装置。
検査対象物の撮影画像を前記入力画像とし、外観検査用の画像を前記出力画像とするように学習された、請求項１から６のいずれかに記載のニューラルネットワーク型画像処理装置を準備するステップと、
前記検査対象物を撮影するステップと、
前記検査対象物の撮影画像を前記入力画像として前記ニューラルネットワーク型画像処理装置に入力し、前記出力画像を出力するステップと、
を備えている、外観検査方法。
前記出力画像に対して外観検査を行い、検査結果を出力するステップをさらに備えている、請求項９に記載の外観検査方法。