JP6955211B2 - 識別装置、識別方法及びプログラム - Google Patents

Description

本発明は、識別装置、識別方法及びプログラムに関する。

画像データに検出対象が含まれているか否かを識別するために用いられる識別器を機械学習により生成した場合、様々な検出対象に対応可能な汎用性と識別精度とは、一般的にトレードオフの関係になることが知られている。

ここで、特許文献１には、外観の良否が既知の対象物に対して少なくとも２つ以上の異なる撮像条件で撮像した画像から、対象物の良否を識別するための特徴量を選択し、選択した特徴量に基づいて生成された、対象物の良否を識別する識別器を有する検査装置が記載されている。

特開２０１７−０４９９７４号公報

例えば工場の生産ライン等では様々な属性を有する対象物が流れることを考慮すると、対象物に含まれる検出対象を検出する検出装置には、これらの様々な属性を有する対象物について高い識別精度を発揮することが求められる。しかしながら、特許文献１に記載の検査装置は、検査対象物の外観の良否を高精度に且つ短時間で判定することを目的しており、上記のように様々な属性を有する対象物について高い識別精度を発揮することは考慮されていない。

そこで、本発明は、対象物の属性に応じた識別器を選択することで、高い識別精度を実現する技術を提供することを目的とする。

本開示の一態様に係る識別装置は、対象物の画像から対象物に含まれる検出対象の有無を識別するように学習された複数の識別器を対象物の属性と対応付けて記憶する記憶部と、所定の対象物の画像を撮影する撮影部と、所定の対象物の属性を特定する特定部と、複数の識別器の中から、特定された属性に対応付けて記憶されている第１識別器を選択する選択部と、第１識別器に所定の対象物の画像を入力する入力部と、第１識別器から出力された、所定の対象物に含まれる検出対象の有無を出力する出力部と、を有する。

この態様によれば、予め学習された、識別装置が備える複数の識別器のうち、対象物の属性に対応する識別器を選択するので、高い識別精度を実現することが可能になる。また、識別装置は、複数の識別器を同時に実行させるのではなく、対象物ごとに選択した識別器を動作させるので、複数の識別器を同時に実行させる場合と比較して識別装置の処理負荷及びメモリ使用量を軽減させることが可能になる。

上記態様において、特定部は、所定の対象物の画像から、所定の対象物の属性を特定するようにしてもよい。また、特定部は、対象物の画像から当該対象物の属性を特定するように学習された第２識別器を備え、第２識別器が所定の対象物の画像から所定の対象物の属性を特定するようにしてもよい。この態様によれば、学習により生成された識別器を用いて対象物の属性を特定することができ、高い識別精度を実現することが可能になる。

上記態様において、特定部は、事前に設定された順序で、所定の対象物の属性を特定するようにしてもよい。この態様によれば、識別装置は、事前に設定された順序で対象物の属性を認識することができるため、識別装置の処理負荷及びメモリ使用量を軽減させることが可能になる。

上記態様において、記憶部に記憶される複数の識別器の各々は、識別器に対応付けられた属性を有する対象物について、検出対象の有無を他の識別器よりも高い精度で識別するように学習されたものであってもよい。この態様によれば、各識別器は、特定の属性の対象物について高い識別精度を発揮するため、より高い識別精度を実現することが可能になる。

上記態様において、対象物は検査対象物であり、検出対象は、検査対象物に含まれる欠陥であるようにしてもよい。この態様によれば、検査対象物に含まれる欠陥を検出する識別装置を実現することができる。

本開示の他の態様に係る識別方法は、対象物の画像から対象物に含まれる検出対象の有無を識別するように学習された複数の識別器を対象物の属性と対応付けて記憶する記憶部を有する識別装置が実行する識別方法であって、所定の対象物の画像を撮影するステップと、所定の対象物の属性を特定するステップと、複数の識別器の中から、特定された属性に対応付けて記憶されている第１識別器を選択するステップと、第１識別器に所定の対象物の画像を入力するステップと、第１識別器から出力された、所定の対象物に含まれる検出対象の有無を出力するステップと、を有する。

この態様によれば、予め学習された、識別装置が備える複数の識別器のうち、対象物の属性に対応する識別器を選択するので、高い識別精度を実現することが可能になる。また、識別装置は、複数の識別器を同時に実行させるのではなく、対象物ごとに選択した識別器を動作させるので、複数の識別器を同時に実行させる場合と比較して識別装置の処理負荷及びメモリ使用量を軽減させることが可能になる。

本開示の他の態様に係るプログラムは、識別装置を、対象物の画像から対象物に含まれる検出対象の有無を識別するように学習された複数の識別器を対象物の属性と対応付けて記憶する記憶手段と、所定の対象物の画像を撮影する撮影手段と、所定の対象物の属性を特定する特定手段と、複数の識別器の中から、特定された属性に対応付けて記憶されている第１識別器を選択する選択手段と、第１識別器に所定の対象物の画像を入力する入力手段と、第１識別器から出力された、所定の対象物に含まれる検出対象の有無を出力する出力手段と、して機能させる。

この態様によれば、予め学習された、識別装置が備える複数の識別器のうち、対象物の属性に対応する識別器を選択するので、高い識別精度を実現することが可能になる。また、識別装置は、複数の識別器を同時に実行させるのではなく、対象物ごとに選択した識別器を動作させるので、複数の識別器を同時に実行させる場合と比較して識別装置の処理負荷及びメモリ使用量を軽減させることが可能になる。

本発明によれば、検査対象物の属性に応じた識別器を選択することで、高い識別精度を実現する技術を提供することができる。

本実施形態に係る画像処理システムの適用場面の一例を模式的に例示する。 欠陥識別器の一例を模式的に例示する。 本実施形態に係る管理装置のハードウェア構成の一例を模式的に例示する。 本実施形態に係る画像処理装置のハードウェア構成の一例を模式的に例示する。 本実施形態に係る管理装置の機能構成の一例を模式的に例示する。 本実施形態に係る画像処理装置の機能構成の一例を模式的に例示する。 画像処理装置が行う処理手順の一例を例示する。 画像処理装置が生産ライン上でワークの検査を行う様子を例示する。 属性識別器が欠陥識別器を選択する動作の一例を例示する。 識別可能な欠陥の種別ごとに区分された欠陥識別器の一例を例示する。 複数の属性識別器を用いてワークの属性を識別する動作の一例を例示する。

以下、本発明の一側面に係る実施の形態（以下、「本実施形態」とも表記する）を、図面に基づいて説明する。

§１ 適用例
まず、図１を用いて、本発明が適用される場面の一例について説明する。図１は、本実施形態に係る画像処理システム１の適用場面の一例を模式的に例示する。画像処理システム１は、典型的には、生産ラインなどに組み込まれる。画像処理システム１は、生産ライン上を搬送されるワークを撮像することによって得られる画像に基づいて、ワークの検査や文字の認識といった処理を実行する。なお、ワークは、製造過程にある部品、製品等を言い、本発明の「対象物」の一例である。

図１に示すように、画像処理システム１は、管理装置１００と、管理装置１００とネットワーク２を介して通信する１以上の画像処理装置２００とを含む。たとえば、ワークはベルトコンベヤなどの搬送機構によって所定方向に搬送され、それぞれの画像処理装置２００は、この搬送経路に相対して予め定められた位置に配置される。画像処理装置２００は、本発明の「識別装置」の一例である。管理装置１００は、１以上の画像処理装置２００を管理するための装置である。画像処理装置２００はワークに含まれる検出対象の有無を識別する装置である。以下、検出対象は欠陥であることを前提に説明するが、欠陥は、本発明の「検出対象」の一例であり、本実施形態は欠陥に限られずあらゆる検出対象に適用することができる。

画像処理装置２００は、ワークの画像（ワークを撮影した画像）を入力することでワークに含まれる欠陥の有無を識別するように学習された複数の識別器（以下、「欠陥識別器」と言う。）を備えている。これらの複数の欠陥識別器は、各々の欠陥識別器が異なるワークの属性に対して高い識別精度を発揮するように学習された識別器である。これにより、例えば図２に示すように、検査対象のワークの属性に応じた適切な欠陥識別器が選択されることで、画像処理装置２００全体として様々な属性のワークに対応しつつ高い識別精度を発揮することができる。欠陥識別器は、本発明の「第１識別器」の一例である。

ここで、欠陥とは、検査対象物が有する異常であって、例えば、キズ、色等のムラ、汚れ、打痕、欠け、バリ、異物、印字のかすれ、印字等の位置ずれ等を含む。ワークの属性は、ワークの外観に関する特徴によって表されるものであり、より具体的には、ワークの外観に関する１つ又は複数の特徴の組み合わせにより定められるものとしてよい。また、ワークの外観に関する特徴は、例えば、“表面形状”、“反射率”、“透明度”等、ワークの性質に関する観点と、各々の性質に対する「低、中、高」等の程度、又は、“滑らか”、“ざらつき”、“凸凹”等の状態に関する観点とが組み合わされて表されるものとしてよい。ワークの外観に関する特徴の具体例としては、例えば、“表面形状が滑らか”、“反射率が高い”、“透明度が低い”等が挙げられる。また、ワークの属性の具体例としては、例えば、“表面形状が滑らかであり、表面の反射率が高く、かつ透明度が低い外観”、“表面形状がざらついており、表面の反射率が低く、かつ透明度が低い外観”等が挙げられる。

まず、画像処理装置２００は、生産ライン等を流れるワークを撮影し、撮影したワークの画像に基づいてワークの属性を識別する。ここで、画像処理装置２００は、ワークの画像を入力することで、ワークの属性を特定するように学習された識別器（以下、「属性識別器」と呼ぶ）を用いてワークの属性を特定する。属性識別器は、どのような装置で生成されたものであってもよいが、例えば、管理装置１００で生成されて画像処理装置２００に組み込まれることとしてもよい。属性識別器は、本発明の「第２識別器」の一例である。

続いて、画像処理装置２００は、画像処理装置２００が備える複数の欠陥識別器の中から、属性識別器で特定されたワークの属性に対応する特定の欠陥識別器を選択する。続いて、画像処理装置２００は、選択した欠陥識別器にワークの画像を入力することで、ワークに含まれる欠陥の有無について識別を行い、識別結果を出力する。

前述したように、複数の欠陥識別器は、各々の欠陥識別器が異なるワークの属性に対して高い識別精度を発揮するように学習された識別器である。従って、ワークの属性に応じて適切な欠陥識別器が選択されることで、画像処理装置２００全体として様々な属性のワークに対応しつつ高い識別精度を発揮することが可能になる。また、画像処理装置２００は、画像処理装置２００が備える複数の欠陥識別器を同時に実行させるのではなく、生産ラインを流れるワークに応じた特定の欠陥識別器を動作させることになるため、画像処理装置２００の処理負荷及びメモリ使用量を軽減させることが可能になる。

§２ 構成例
［ハードウェア構成］
＜管理装置＞
次に、図３を用いて、本実施形態に係る管理装置１００のハードウェア構成の一例について説明する。図３は、本実施形態に係る管理装置１００のハードウェア構成の一例を模式的に例示する。図３の例では、管理装置１００は、プロセッサ１０１と、メモリ１０２と、ＨＤＤ（Hard Disk Drive）などの記憶装置１０３と、ネットワークインターフェイス（Ｉ／Ｆ）１０４と、表示部１０５と、操作部１０６と、メモリカードリーダ・ライタ１０７とを含んでいてもよい。これらの各部は、内部バス１０８を介して、互いに通信可能に接続されている。

プロセッサ１０１は、記憶装置１０３に格納されているプログラム（命令コード）１０３Ａをメモリ１０２へ展開した上で実行することで、管理装置１００が備える各種機能を実現する。メモリ１０２及び記憶装置１０３は、それぞれ揮発的及び不揮発的にデータを格納する。記憶装置１０３は、ＯＳ（Operating System）に加えて、プログラム１０３Ａを保持している。

ネットワークインターフェイス１０４は、ネットワーク２を介して、画像処理装置２００との間でデータを送受信する。

表示部１０５は、プロセッサ１０１がプログラム１０３Ａを実行することで実現される各種の画面などを表示する。表示部１０５は、例えば、ＬＣＤ（Liquid Crystal Display）といったディスプレイなどからなる。

操作部１０６は、ユーザ操作を受け付け、その受け付けた操作を示す内部指令をプロセッサ１０１などへ出力する。操作部１０６は、例えば、キーボード、マウス、タッチパネル、タブレット、音声認識装置などからなる。

メモリカードリーダ・ライタ１０７は、記憶媒体１０７Ａからデータを読み出し、及び記憶媒体１０７Ａへデータを書き込む。記憶媒体１０７Ａ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、当該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。管理装置１００は、この記憶媒体１０７Ａから、プログラム１０３Ａを取得してもよい。

＜画像処理装置＞
次に、図４を用いて、本実施形態に係る画像処理装置２００のハードウェア構成の一例について説明する。図４は、本実施形態に係る画像処理装置２００のハードウェア構成の一例を模式的に例示する。図４の例では、画像処理装置２００は、照明部２１０と、制御装置２２０と、撮像部２３０とを含んでいてもよい。

照明部２１０は、検査対象であるワークに撮像に必要な光を照射する。つまり、照明部２１０は、撮像部２３０の撮像範囲に光を照射する。より具体的には、照明部２１０は、照明基板上に設けられる複数の照明制御ユニット２１１を含む。これらのユニットは、照明基板上に配置される。照明制御ユニット２１１の各々は、照明レンズ２１２と、ＬＥＤ２１３とを含む。照明制御ユニット２１１は、制御装置２２０からの指令に従って、光を照射する。より具体的には、ＬＥＤ２１３で発生した光は、照明レンズ２１２を通じてワークへ照射される。

撮像部２３０は、照明部２１０が照射した光の反射光を受けて、画像信号を出力する。この画像信号は、制御装置２２０へ送られる。より具体的には、撮像部２３０は、撮像レンズ２３１などの光学系に加えて、ＣＣＤ（Coupled Charged Device）やＣＭＯＳ（Complementary Metal Oxide Semiconductor）イメージセンサなどの複数の画素に区画された撮像素子２３２を含む。

制御装置２２０は、画像処理装置２００の全体を制御する。すなわち、制御装置２２０は、照明部２１０および撮像部２３０を制御するとともに、撮像部２３０からの画像信号に基づいて画像処理を行う。より具体的には、制御装置２２０は、処理部２２１と、記憶装置２２２と、ネットワーク通信部２２３と、外部入出力部２２５とを含む。

処理部２２１は、ＣＰＵ１２１ＡやＦＰＧＡ１２１Ｂといった集積回路によって構成される。あるいは、処理部２２１は、ＤＳＰ、ＧＰＵ、ＡＳＩＣ（Application Specific Integrated Circuit）、その他の集積回路によって構成されてもよい。

記憶装置２２２は、ＲＯＭ（Read Only Memory）、フラッシュメモリ、ＨＤＤ、およびＳＳＤ（Solid State Drive）といった不揮発性記憶装置、および／または、ＲＡＭ（Random Access Memory）などの不揮発メモリを含む。典型的に、処理部２２１が記憶装置２２２に格納されたプログラム（命令コード）２２２Ａを実行することで、画像処理装置２００が備える各種の処理を実現する。

ネットワーク通信部２２３は、ネットワーク２を介して、管理装置１００との間でデータを送受信するためのインターフェイスである。より具体的には、ネットワーク通信部２２３は、Ｅｔｈｅｒｎｅｔ（登録商標）などに従う構成が採用される。外部入出力部２２５は、ＰＬＣ（Programmable Logic Controller）３００との間で各種データ（入力データおよび／または出力データ）を送受信するためのインターフェイスである。

［機能構成］
＜管理装置＞
次に、図５を用いて、本実施形態に係る管理装置１００の機能構成の一例について説明する。図５は、本実施形態に係る管理装置１００の機能構成の一例を模式的に例示する。

学習データ生成部５０１は、属性識別器を学習させるための学習データを生成する。学習データには、学習用のワーク画像と、学習用のワーク画像に対するワークの属性の正解値又は選択すべき欠陥識別器の正解値とが含まれる。学習データ生成部５０１は、学習データ作成用画面を表示部１０５に表示させるようにしてもよい。ユーザは、当該画面を操作することで学習データの生成を行うことができる。

例えば、表面が金属であるワークに含まれる欠陥の識別に対応する欠陥識別器と、表面にざらつきのあるワークに含まれる欠陥の識別に対応する欠陥識別器とが画像処理装置２００に組み込まれていると仮定する。この場合、ユーザは、表面が金属であるワークを撮影することで得られた複数の学習用のワーク画像を管理装置１００に取り込み、各ワーク画像に対する正解値として、“ワークの属性は表面が金属であること”又は、“選択すべき欠陥識別器は、表面が金属であるワークに含まれる欠陥の識別に対応する欠陥識別器であること”を、学習データ作成用画面に入力することで学習データの生成を行うようにしてもよい。

識別器生成部５０２は、学習データ生成部５０１で作成された学習データを用いて、任意の機械学習モデルに対して学習処理と評価処理とを行うことで属性識別器を生成する。機械学習モデルは、所定のモデル構造と、学習処理によって変動する処理パラメータと、を有し、学習用データから得られる経験に基づいてその処理パラメータが最適化されることで、認識結果の精度が向上するモデルである。機械学習モデルのアルゴリズムは、例えば、サポートベクターマシン、ロジスティック回帰、ニューラルネットワーク、ディープニューラルネットワーク等を用いることができるが、その種類は特に限定されない。識別器生成部５０２は、生成した属性識別器（詳細にはモデル構造及び処理パラメータ）を画像処理装置２００に送信することで、生成した属性識別器を画像処理装置２００に組み込むようにしてもよい。

＜画像処理装置＞
次に、図６を用いて、本実施形態に係る画像処理装置２００の機能構成の一例について説明する。図６は、本実施形態に係る画像処理装置２００の機能構成の一例を模式的に例示する。

識別器ＤＢ（DataBase）６０１は、複数の欠陥識別器を格納するデータベースであり、記憶装置２２２に記憶される。図６の例では、複数の欠陥識別器６０１１が例示されている。これらの欠陥識別器６０１１は、各々が対応付けられた属性を有する対象物について、欠陥の有無を他の欠陥識別器６０１１よりも高い精度で識別するように学習されたものである。

欠陥識別器６０１１は、任意の機械学習モデルに対して学習処理と評価処理とを行うことにより生成される。機械学習モデルのアルゴリズムは、例えば、サポートベクターマシン、ロジスティック回帰、ニューラルネットワーク等を用いることができるが、その種類は特に限定されない。

撮影部６０２は、撮像部２３０を制御してワークの画像を撮影する。また、撮影部６０２は、撮影したワークの画像を特定部６０３又は入力部６０５に渡す。

特定部６０３は、撮影部６０２で撮影されたワークの画像からワークの属性を特定する。特定部６０３は属性識別器６０３１を備えており、属性識別器６０３がワークの画像からワークの属性を特定する。属性識別器６０３に用いられる機械学習モデルのアルゴリズムは、例えば、サポートベクターマシン、ロジスティック回帰、ニューラルネットワーク、ディープニューラルネットワーク等を用いることができるが、その種類は特に限定されない。

選択部６０４は、複数の欠陥識別器６０１１の中から、特定部６０３で特定されたワークの属性に対応する欠陥識別器６０１１を選択する。入力部６０５は、選択部６０４で選択された欠陥識別器６０１１に、撮影部６０２で撮影されたワークの画像を入力する。出力部６０６は、欠陥識別器６０１１から出力された、ワークに含まれる欠陥の有無についての識別結果を出力する。

＜その他＞
本実施形態では、画像処理装置２００の各機能がいずれも処理部２２１によって実現される例について説明している。しかしながら、以上の機能の一部又は全部が、１又は複数の専用のプロセッサ等により実現されてもよい。また、画像処理装置２００それぞれの機能構成に関して、実施形態に応じて、適宜、機能の省略、置換及び追加が行われてもよい。

§３ 動作例
次に、画像処理装置２００の動作例を説明する。以下の動作例では、画像処理システム１が生産ラインに組み込まれ、画像処理装置２００が、生産ラインを流れるワークについて欠陥の有無を識別する前提で説明する。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。

［処理手順］
図７は、画像処理装置２００が行う処理手順の一例を例示するフローチャートである。まず、撮影部６０２は、生産ライン上を流れるワークを撮影する（Ｓ１０１）。続いて、特定部６０３は、撮影されたワーク画像を属性識別器６０３１に入力し、属性識別器６０３１からワークの属性を出力させることでワークの属性を特定する。続いて、選択部６０４は、特定されたワークの属性に対応する欠陥識別器６０１１を選択する（Ｓ１０２）。続いて、入力部６０５は、選択された欠陥識別器６０１１に、ステップＳ１０１の処理手順で撮影されたワークの画像を入力する。欠陥識別器６０１１は、ワークに欠陥が含まれるか否かを識別する（Ｓ１０３）。続いて、出力部６０６は、欠陥識別器６０１１で識別された識別結果を、例えば画像処理装置２００に接続された外部の情報処理装置又は画像処理装置２００に接続されたディスプレイ等に出力する（Ｓ１０４）。

画像処理装置２００は、生産ライン上をワークが流れてくる度にステップＳ１０１〜ステップＳ１０４の処理手順を繰り返し行う。

図８は、画像処理装置２００が生産ライン上でワークの検査を行う様子を例示する。ワークＡ、ワークＢ及びワークＣは、それぞれ属性ａ、属性ｂ及び属性ｃを有するワークである。撮影部６０２は、ワークＣがベルトコンベヤを移動して画像処理装置２００の下に来たタイミングで撮影を行い、撮影したワークの画像を特定部６０３に渡す。特定部６０３は、属性識別器６０３１を用いてワークの属性を特定する。選択部６０４は、特定されたワークの属性に対応する欠陥識別器６０１１を選択する。

図９は、欠陥識別器を選択する動作の一例を例示する。例えば、識別器ＤＢ６０１には、属性ａに対応する欠陥識別器６０１１_xと、属性ｂに対応する欠陥識別器６０１１_yと、属性ｃに対応する欠陥識別器６０１１_zとが格納されていると仮定する。属性識別器６０３１にワークＡの画像が入力されると、属性識別器６０３１はワークＡの属性である属性ａを出力する。続いて、選択部６０４は、属性ａに対応する欠陥識別器６０１１_xを選択する。同様に、属性識別器６０３１にワークＢの画像及びワークＣの画像が入力されると、属性識別器６０３１は、それぞれ、ワークＢの属性である属性ｂとワークＣの属性である属性ｃとを出力する。続いて、選択部６０４は、属性ｂに対応する欠陥識別器６０１１_yと、属性ｃに対応する欠陥識別器６０１１_zとを選択する。

ここで、欠陥識別器６０１１は、より識別精度を高めるために、検出可能な欠陥の種別ごとに区分されていてもよい。図１０に、識別可能な欠陥の種別ごとに区分された欠陥識別器の一例を例示する。例えば、欠陥識別器６０１１_1a及び欠陥識別器６０１１_2aは、キズに特化して欠陥を検出する欠陥識別器６０１１である。また、欠陥識別器６０１１_1b及び欠陥識別器６０１１_2bは、汚れに特化して欠陥を検出する欠陥識別器６０１１である。また、欠陥識別器６０１１_1c及び欠陥識別器６０１１_2cは、色ムラに特化して欠陥を検出する欠陥識別器６０１１である。なお、検出可能な欠陥の種別は、更に詳細に区分されていてもよい。例えばキズの場合、深さ１００μｍ以下のキズ、深さ１００μｍ以上のキズといったように、キズの深さ及びキズの長さ等で詳細に区分され、欠陥識別器６０１１は、詳細に区分されたキズに特化して欠陥を検出可能であってもよい。

この場合、選択部６０４は、ユーザから指定された欠陥の種別を検出可能な欠陥識別器６０１１を識別器ＤＢ６０１の中から選択し、選択した複数の欠陥識別器６０１１の中から、特定部６０３で特定されたワークの属性に対応する欠陥識別器６０１１を選択するようにしてもよい。例えば、ユーザが欠陥の種別として「キズ」を指定した場合、選択部６０４は、キズを検出可能な欠陥識別器６０１１（６０１１_1a又は６０１１_2a）の中から、ワークの属性に対応する欠陥識別器６０１１を選択する。仮にワークの属性が、「材質が金属」及び「表面形状が反射率低」である場合、選択部６０４は、欠陥識別器６０１１_2aを選択することになる。

これにより、ユーザは、画像処理システム１に複数の画像処理装置２００を設置し、画像処理装置２００ごとに異なる欠陥の種別を指定することで、例えば、生産ラインに設置された３台の画像処理装置２００に対し、それぞれキズの有無、汚れの有無、打痕の有無等を識別させることができる。このように複数の画像処理装置２００を用いることで更に識別精度の高い画像処理システム１を構築することが可能になる。

また、特定部６０３は、各々が特定のワークの属性を識別する能力を有する複数の属性識別器６０３１から構成されていてもよい。図１１に、複数の属性識別器６０３１を用いてワークの属性を識別する動作の一例を例示する。図１１の例では、特定部６０３は、ワークの属性の一部である“ワークの材質”を識別する能力を有する属性識別器６０３１₁と、ワークの属性の一部である“ワークの表面形状”を識別する能力を有する属性識別器６０３１₂とを含む。特定部６０３は、最初にワークの画像を属性識別器６０３１₁に入力することでワークの材質を特定し、次に、ワークの画像を属性識別器６０３１₂に入力することでワークの表面形状を特定する。なお、図１１の例に限定されず、属性識別器６０３１₁と属性識別器６０３１₂とが同時に（並列に）ワークの属性を識別するようにしてもよい。図１１の例では、特定部６０３がワークの属性として光沢のある金属を特定するので、選択部６０４は光沢のある金属に適した欠陥識別器６０１１を選択することになる。なお、特定部６０３は、図１１の例に限定されず、３以上の属性識別器６０３１から構成されていてもよい。

§４ 変形例
［変形例１］
生産ラインでは、ベルトコンベヤ上を流れるワークの順序が、ワークＡ（属性ａ）、ワークＢ（属性ｂ）、ワークＣ（属性ｃ）の順に繰り返し流れるといったように予め定められているケースが想定される。この場合、入力部６０５から欠陥識別器６０１１に入力されるワークの画像は、必ず、ワークＡ、ワークＢ及びワークＣの順になる。従って、選択部６０４は、属性ａに対応する欠陥識別器６０１１、属性ｂに対応する欠陥識別器６０１１、属性ｃに対応する欠陥識別器６０１１の順に繰り返し欠陥識別器６０１１を選択すればよい。

このような動作を実現するために、生産ラインを流れるワークの並び順（すなわち画像処理装置２００が欠陥の有無を検出すべきワークの並び順）に対応づけられるワークの属性の順序を示す「順序情報」を記憶装置２２２に記憶しておき、選択部６０４は、順序情報で示されるワークの属性の順序に従って欠陥識別器６０１１を選択するようにしてもよい。これにより、選択部６０４の動作を簡素化することができ、画像処理装置２００の処理負荷及びメモリ使用量を軽減させることが可能になる。

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。

（付記１）
対象物の画像から前記対象物に含まれる検出対象の有無を識別するように学習された複数の識別器（６０１１）を前記対象物の属性と対応付けて記憶する記憶部（６０１）と、
所定の対象物の画像を撮影する撮影部（６０２）と、
前記所定の対象物の属性を特定する特定部（６０３）と、
前記複数の識別器の中から、前記特定された属性に対応付けて記憶されている第１識別器（６０１１）を選択する選択部（６０４）と、
前記第１識別器（６０１１）に前記所定の対象物の画像を入力する入力部（６０５）と、
前記第１識別器（６０１１）から出力された、前記所定の対象物に含まれる検出対象の有無を出力する出力部（６０６）と、
を有する識別装置（２００）。

（付記２）
前記特定部（６０３）は、前記所定の対象物の画像から、前記所定の対象物の属性を特定する、
付記１に記載の識別装置（２００）。

（付記３）
前記特定部（６０３）は、対象物の画像から当該対象物の属性を特定するように学習された第２識別器（６０３１）を備え、前記第２識別器（６０３１）が前記所定の対象物の画像から前記所定の対象物の属性を特定する、
付記２に記載の識別装置（２００）。

（付記４）
前記特定部（６０３）は、事前に設定された順序で、前記所定の対象物の属性を特定する、
付記１に記載の識別装置（２００）。

（付記５）
前記記憶部に記憶される複数の識別器（６０１１）の各々は、識別器（６０１１）に対応付けられた属性を有する対象物について、検出対象の有無を他の識別器（６０１１）よりも高い精度で識別するように学習されたものである、
付記１乃至４のいずれか一項に記載の識別装置（２００）。

（付記６）
前記対象物は検査対象物であり、
前記検出対象は、前記検査対象物に含まれる欠陥である、
付記１乃至５のいずれか一項に記載の識別装置（２００）。

（付記７）
対象物の画像から前記対象物に含まれる検出対象の有無を識別するように学習された複数の識別器（６０１１）を前記対象物の属性と対応付けて記憶する記憶部（６０１）を有する識別装置（２００）が実行する識別方法であって、
所定の対象物の画像を撮影するステップと、
前記所定の対象物の属性を特定するステップと、
前記複数の識別器（６０１１）の中から、前記特定された属性に対応付けて記憶されている第１識別器（６０１１）を選択するステップと、
前記第１識別器（６０１１）に前記所定の対象物の画像を入力するステップと、
前記第１識別器（６０１１）から出力された、前記所定の対象物に含まれる検出対象の有無を出力するステップと、
を有する識別方法。

（付記８）
識別装置（２００）を、
対象物の画像から前記対象物に含まれる検出対象の有無を識別するように学習された複数の識別器（６０１１）を前記対象物の属性と対応付けて記憶する記憶手段（６０１）と、
所定の対象物の画像を撮影する撮影手段（６０２）と、
前記所定の対象物の属性を特定する特定手段（６０３）と、
前記複数の識別器（６０１１）の中から、前記特定された属性に対応付けて記憶されている第１識別器（６０１１）を選択する選択手段（６０４）と、
前記第１識別器（６０１１）に前記所定の対象物の画像を入力する入力手段（６０５）と、
前記第１識別器（６０１１）から出力された、前記所定の対象物に含まれる検出対象の有無を出力する出力手段（６０６）と、
して機能させるプログラム。

１…画像処理システム、１００…管理装置、１０１…プロセッサ、１０２…メモリ、１０３…記憶装置、１０３Ａ…プログラム、１０４…ネットワークインターフェイス、１０５…表示部、１０６…操作部、１０７…メモリカードリーダ・ライタ、１０７Ａ…記憶媒体、１０８…内部バス、１２１Ａ…ＣＰＵ、２００…画像処理装置、２１０…照明部、２１１…照明制御ユニット、２１２…照明レンズ、２２０…制御装置、２２１…処理部、２２２…記憶装置、２２２Ａ…プログラム、２２３…ネットワーク通信部、２２５…外部入出力部、２３０…撮像部、２３１…撮像レンズ、２３２…撮像素子、５０１…学習データ生成部、５０２…識別器生成部、６０１…識別器ＤＢ、６０２…撮影部、６０３…特定部、６０４…選択部、６０５…入力部、６０６…出力部、６０１１…欠陥識別器、６０３１…属性識別器

Claims (8)

1. 対象物の画像から前記対象物に含まれる検出対象の有無を識別するように学習された複数の識別器を、前記対象物の外観に関する特徴によって表される属性と対応付けて記憶する記憶部と、
   所定の対象物の画像を撮影する撮影部と、
   前記所定の対象物の画像に基づいて、前記所定の対象物の外観に関する特徴によって表される属性を特定する特定部と、
   前記複数の識別器の中から、前記特定された属性に対応付けて記憶されている第１識別器を選択する選択部と、
   前記第１識別器に前記所定の対象物の画像を入力する入力部と、
   前記第１識別器から出力された、前記所定の対象物に含まれる検出対象の有無を出力する出力部と、
   を有する識別装置。
2. 前記特定部は、前記所定の対象物の画像から、前記所定の対象物の外観に関する特徴によって表される属性を特定する、
   請求項１に記載の識別装置。
3. 前記特定部は、対象物の画像から当該対象物の外観に関する特徴によって表される属性を特定するように学習された第２識別器を備え、前記第２識別器が前記所定の対象物の画像から前記所定の対象物の外観に関する特徴によって表される属性を特定する、
   請求項２に記載の識別装置。
4. 前記特定部は、事前に設定された順序で、前記所定の対象物の外観に関する特徴によって表される属性を特定する、
   請求項１に記載の識別装置。
5. 前記記憶部に記憶される複数の識別器の各々は、識別器に対応付けられた属性を有する対象物について、検出対象の有無を他の識別器よりも高い精度で識別するように学習されたものである、
   請求項１乃至４のいずれか一項に記載の識別装置。
6. 前記対象物は検査対象物であり、
   前記検出対象は、前記検査対象物に含まれる欠陥である、
   請求項１乃至５のいずれか一項に記載の識別装置。
7. 対象物の画像から前記対象物に含まれる検出対象の有無を識別するように学習された複数の識別器を、前記対象物の外観に関する特徴によって表される属性と対応付けて記憶する記憶部を有する識別装置が実行する識別方法であって、
   所定の対象物の画像を撮影するステップと、
   前記所定の対象物の画像に基づいて、前記所定の対象物の外観に関する特徴によって表される属性を特定するステップと、
   前記複数の識別器の中から、前記特定された属性に対応付けて記憶されている第１識別器を選択するステップと、
   前記第１識別器に前記所定の対象物の画像を入力するステップと、
   前記第１識別器から出力された、前記所定の対象物に含まれる検出対象の有無を出力するステップと、
   を有する識別方法。
8. 識別装置を、
   対象物の画像から前記対象物に含まれる検出対象の有無を識別するように学習された複数の識別器を、前記対象物の外観に関する特徴によって表される属性と対応付けて記憶する記憶手段と、
   所定の対象物の画像を撮影する撮影手段と、
   前記所定の対象物の画像に基づいて、前記所定の対象物の外観に関する特徴によって表される属性を特定する特定手段と、
   前記複数の識別器の中から、前記特定された属性に対応付けて記憶されている第１識別器を選択する選択手段と、
   前記第１識別器に前記所定の対象物の画像を入力する入力手段と、
   前記第１識別器から出力された、前記所定の対象物に含まれる検出対象の有無を出力する出力手段と、
   して機能させるプログラム。

Images