JP7306933B2 - 画像判定装置、画像検査装置、および画像判定方法 - Google Patents

Description

本発明は、画像判定装置、画像検査装置、端子付き電線製造システム、および画像判定方法に関し、例えば電線に端子を圧着して端子付き電線を形成する工程において、その端子付き電線の端子圧着部の画像を判定する画像判定装置、画像検査装置、端子付き電線製造システム、および画像判定方法に関する。

近年、製品の製造現場では、検査装置を用いて製品の良否判定が行われることが一般的になりつつある。例えば、電線に端子を圧着して端子付き電線を形成する製造現場では、画像検査装置を用いて製造した端子付き電線の端子圧着部の良否判定が行われている。

この画像検査装置は、製造した端子付き電線の端子圧着部をカメラで撮影し、撮影した画像と、予め登録された基準画像との一致の度合に基づいて、端子圧着部の良否判定を行っている。この画像検査装置における判定基準としての閾値等の各種パラメータは、人手作業によって更新可能であるが、画像装置自らが判断して上記各種パラメータを適切な値に更新することはできない。

一方、近年、機械学習を用いた検査装置の開発が進みつつある。例えば、特許文献１には、端子付き電線の端子圧着部の品質管理装置のニューラルネットワークに、あらかじめ自動圧着機における圧力センサの圧着信号の圧着波形群と自動圧着機の経時変化に伴う運転特性を入力して学習させ、コンピュータが上記ニューラルネットワークの学習結果（学習モデル）に基づいて演算して自動圧着機の運転を制御するとともに、端子圧着部の品質の良否を判定する技術が開示されている。

特開平７－１６１４４３号公報

本願発明者らは、端子付き電線の製造工程において、ディープラーニング等の機械学習を利用した機械学習型の画像検査装置により、製造された端子付き電線の端子圧着部の画像に基づいて端子圧着部の良否判定を実施することを検討した。その検討の結果、以下に示す課題があることが明らかとなった。

一般に、機械学習型の画像検査装置の判定精度は、学習量に依存する。また、未学習の画像に対しては誤判定が発生し易い傾向がある。そのため、機械学習型の画像検査装置を導入する場合には、予め大量の学習用画像（サンプルデータ）を準備しておく必要がある。すなわち、上述したように端子付き電線の製造工程において機械学習型の画像検査装置によって端子付き電線の端子圧着部の良否判定を行う場合には、予め、良品の端子圧着部の画像と不良品の端子圧着部の画像を大量に準備し、機械学習型の画像検査装置に十分に学習させておく必要がある。

しかしながら、一般に、不良品の端子圧着部の画像は入手が困難な場合が多く、また、良品の端子圧着部の画像が製造装置の機差（装置各部の寸法等の差のほか、画像の色合いや明るさ等の差等も含む）の影響を受ける場合には、装置毎に良品の画像を収集する必要があることから、予め学習用画像を大量に準備することは容易ではない。

そのため、機械学習型の画像検査装置の導入当初は、十分な学習用画像を準備することができないために判定精度が低くなり、不良品が市場に流出する虞がある。また、機械学習型の画像検査装置に事前学習させることも考えられるが、前述のとおり事前学習には時間を要し、十分な学習用画像が準備できない状況下では、学習時間をかけても期待した判定精度を確保できない虞がある。

また、人間が機械学習型の画像検査装置による判定結果を見ただけでは、当該画像検査装置が良品または不良品と判定した理由を人間が即時に客観的に理解できない場合があるため、機械学習型の画像検査装置による判定の信頼性の評価が困難となる虞がある。

本発明は、上述した課題に鑑みてなされたものであり、本発明の目的は、機械学習型の画像検査装置の判定精度を効果的に高めることができる画像判定装置を提供し、この画像判定装置を用いた画像検査装置と端子付き電線製造システムをあわせて提供することにある。

本発明の代表的な実施の形態に係る画像判定装置は、対象物の少なくとも一部を撮影した撮影画像データに基づいて前記対象物の良否を判定する複数の画像判定部と、前記複数の画像判定部の判定結果に基づいて前記対象物の良否に関する情報を生成して出力する情報出力部と、前記撮影画像データおよび前記情報出力部の出力を記憶する記憶部とを有する画像判定装置であって、前記複数の画像判定部の少なくとも一つは、機械学習型の画像判定部であり、前記記憶部は、さらに前記機械学習型の画像判定部による学習モデルを記憶し、前記機械学習型の画像判定部は、前記学習モデルと前記撮影画像データとに基づいて前記対象物の良否を判定することを特徴とする。

本発明に係る画像判定装置によれば、機械学習型の画像検査装置の判定精度を効果的に高めることが可能となる。

実施の形態１に係る端子付き電線製造システムの構成を示す図である。 実施の形態１に係る画像判定装置のハードウェア構成を示す図である。 端子圧着部の基準画像の一例を示す図である。 端子圧着部の基準画像の一例を示す図である。 実施の形態１に係る端子付き電線製造システムによる端子付き電線の製造方法の流れを示す図である。 実施の形態１に係る端子付き電線製造システムによる検査工程（ステップＳ２）の流れを示すフロー図である。 実施の形態１に係る端子付き電線製造システムの別の構成を示す図である。 実施の形態１に係る端子付き電線製造システムの別の構成を示す図である。 実施の形態１に係る端子付き電線製造システムの別の構成を示す図である。 実施の形態２に係る端子付き電線製造システムの構成を示す図である。 端子圧着部の芯線の出代の状態を模式的に示す図である。 端子圧着部の芯線の出代の状態を模式的に示す図である。 端子圧着部の芯線の出代の状態を模式的に示す図である。 端子圧着部における被覆の端部の位置を模式的に示す図である。 端子圧着部における被覆の端部の位置を模式的に示す図である。 端子圧着部における被覆の端部の位置を模式的に示す図である。 端子圧着部におけるベルマウスを模式的に示す図である。 端子圧着部におけるベルマウスを模式的に示す図である。 端子圧着部におけるベルマウスを模式的に示す図である。 実施の形態２に係る端子付き電線製造システムによる検査工程（ステップＳ２）の流れを示すフロー図である。 ステップＳ２８における端子圧着部の状態の適否を判定するための機械学習型の画像判定処理の流れを示すフロー図である。 実施の形態３に係る端子付き電線製造システムの構成を示す図である。 実施の形態３に係る端子付き電線製造システムによる端子付き電線の製造方法の流れを示す図である。 実施の形態４に係る端子付き電線製造システムの構成を示す図である。 実施の形態４に係る端子付き電線製造システムによる端子付き電線の製造方法の流れを示す図である。 本発明の他の実施の形態に係る端子付き電線製造システムの構成を示す図である。 ３つの画像判定部を備えた端子付き電線製造システムの構成を示す図である。

１．実施の形態の概要
先ず、本願において開示される発明の代表的な実施の形態について概要を説明する。なお、以下の説明では、一例として、発明の構成要素に対応する図面上の参照符号を、括弧を付して記載している。

〔１〕本発明の代表的な実施の形態に係る画像判定装置（１，１Ａ，１Ｂ，１Ｃ）は、対象物（２００）の少なくとも一部を撮影した撮影画像データ（６１）に基づいて、前記対象物の良否を判定する複数の画像判定部（４，５，５Ａ，５Ｂ，５Ｃ，５Ｄ，５Ｅ）と、前記複数の画像判定部の判定結果に基づいて、前記対象物の良否に関する情報を生成して出力する情報出力部（７，７Ａ）と、前記撮影画像データ（６１）および前記情報出力部（７，７Ａ）の出力を記憶する記憶部（６，６Ａ，６Ｂ）とを有し、前記複数の画像判定部の少なくとも一つは、機械学習型の画像判定部（５，５Ａ，５Ｂ，５Ｃ，５Ｄ，５Ｅ）であり、前記記憶部は、さらに機械学習による学習モデル（６３，６３Ｂ，６３Ｃ）を記憶し、前記機械学習型の画像判定部は、前記学習モデルと前記撮影画像データとに基づいて前記対象物の良否を判定することを特徴とする。

〔２〕上記画像判定装置において、前記情報出力部は、前記複数の画像判定部のそれぞれが前記対象物を良品と判定した場合に、前記対象物が良品であることを示す情報を出力し、前記複数の画像判定部の少なくとも一つが前記対象物を不良品と判定した場合に、前記複数の画像判定部によるそれぞれの判定結果の情報を出力してもよい。

〔３〕上記画像判定装置（１，１Ａ，１Ｃ）において、前記複数の画像判定部は、所定の技法に基づく機械学習による学習モデル（６３）と前記撮影画像データとに基づいて前記対象物の良否を判定する機械学習型の画像判定部（５，５Ａ，５Ｄ，５Ｅ）と、予め登録された基準データと前記撮影画像データとの一致の度合いに基づいて前記対象物の良否を判定する非機械学習型の画像判定部（４）とを含んでもよい。

〔４〕上記画像判定装置（１Ｂ）において、前記複数の画像判定部は、第１の技法に基づく機械学習による学習モデル（６３Ｂ）と前記撮影画像データとに基づいて前記対象物の良否を判定する第１の画像判定部（５Ｂ）と、前記第１の技法と異なる第２の技法の機械学習による学習モデル（６３Ｃ）と前記撮影画像データとに基づいて前記対象物の良否を判定する第２の画像判定部（５Ｃ）とを含んでもよい。

〔５〕上記画像判定装置において、前記記憶部に記憶された前記学習モデルは、過去の画像判定結果に基づいて更新可能であってもよい。

〔６〕本発明の代表的な実施の形態に係る画像検査装置（１０，１０Ａ，１０Ｂ，１０Ｃ）は、上記画像判定装置と、前記対象物を撮影して前記撮影画像データを生成する撮像装置（８）とを備えることを特徴とする。

〔７〕本発明の代表的な実施の形態に係る端子付き電線製造システム（１００，１００Ａ，１００Ｂ，１００Ｃ）は、電線（２０１）に端子（２１０）を圧着させて端子付き電線（２００）を形成する端子圧着装置（１１）と、前記端子圧着装置によって形成された前記端子付き電線の端子圧着部の少なくとも一部を撮影した撮影画像データ（６１）を生成する撮像装置（８）と、前記撮像装置によって生成された前記撮影画像データに基づいて前記端子圧着部の良否を判定する複数の画像判定部（４，５，５Ａ，５Ｂ，５Ｃ，５Ｅ，５Ｅ）と、前記複数の画像判定部の判定結果に基づいて、前記端子圧着部の良否に関する情報を生成して出力する情報出力部（７，７Ａ）と、前記撮影画像データおよび前記情報出力部の出力を記憶する記憶部（６，６Ａ，６Ｂ）とを有し、前記複数の画像判定部の少なくとも一つは、機械学習型の画像判定部（５，５Ａ，５Ｂ，５Ｃ，５Ｄ，５Ｅ）であり、前記記憶部は、さらに前記機械学習型の画像判定部による学習モデル（６３，６３Ｂ，６３Ｃ）を記憶し、前記機械学習型の画像判定部は、前記学習モデルと前記撮影画像データとに基づいて前記端子圧着部の良否を判定することを特徴とする。

〔８〕上記端子付き電線製造システムにおいて、前記情報出力部は、前記複数の画像判定部のそれぞれが前記端子圧着部を良品と判定した場合に、前記端子圧着部が良品であることを示す情報を出力し、前記複数の画像判定部の少なくとも一つが前記端子圧着部を不良品と判定した場合に、前記複数の画像判定部によるそれぞれの判定結果の情報を出力してもよい。

〔９〕本発明の代表的な別の実施の形態に係る端子付き電線製造システム（１００）において、前記複数の画像判定部は、所定の技法に基づく機械学習による学習モデルと前記撮影画像データとに基づいて前記端子圧着部の良否を判定する機械学習型の画像判定部（５）と、前記撮影画像データと予め登録された基準画像との一致の度合いに基づいて前記対象物の良否を判定する非機械学習型の画像判定部（４）とを含んでもよい。

〔１０〕上記端子付き電線製造システムにおいて、前記複数の画像判定部は、第１の技法に基づく機械学習による学習モデル（６３Ｂ）と前記撮影画像データとに基づいて前記端子圧着部の良否を判定する第１の画像判定部（５Ｂ）と、前記第１の技法と異なる第２の技法の機械学習による学習モデル（６３Ｃ）と前記撮影画像データとに基づいて前記端子圧着部の良否を判定する第２の画像判定部（５Ｃ）とを含んでもよい。

〔１１〕上記端子付き電線製造システムにおいて、前記画像判定部（５Ａ）は、機械学習による、前記端子圧着部の状態に関する学習モデル（６５，６５１～６５３）と、前記撮影画像データの前記端子圧着部を含む領域（５０１～５０３）の画像情報とに基づいて、前記端子圧着部の状態の適否を判定してもよい。

〔１２〕上記端子付き電線製造システムにおいて、前記端子圧着部の状態に関する学習モデル（６５）は、前記圧着端子のワイヤーバレルの端部から突出する前記電線の芯線の長さに関する学習モデル（６５１）であって、前記画像判定部は、前記芯線の長さに関する学習モデルと、前記画像情報とに基づいて、前記芯線の長さの適否を判定してもよい。

〔１３〕上記端子付き電線製造システムにおいて、前記端子圧着部の状態に関する学習モデル（６５）は、前記電線の被覆の端部の位置に関する学習モデル（６５２）であって、前記画像判定部は、前記被覆の端部の位置に関する学習モデルと、前記画像情報とに基づいて、前記被覆の端部の位置の適否を判定してもよい。

〔１４〕上記端子付き電線製造システムにおいて、前記端子圧着部の状態に関する学習モデル（６５）は、前記圧着端子のワイヤーバレルの両端部に形成されるベルマウスの形状に関する学習モデル（６５２）であって、前記画像判定部は、前記ベルマウスの形状に関する学習モデルと、前記画像情報とに基づいて、前記ベルマウスの形状の適否を判定してもよい。

〔１５〕上記端子付き電線製造システムにおいて、前記画像判定部の判定結果に基づいて、前記端子圧着装置を制御する制御装置（２０，２１，２２）を更に有し、前記制御装置は、前記端子圧着部が不適切であるとする判定結果がｎ（ｎは２以上の整数）回連続した場合に、前記端子圧着装置を制御して前記端子の位置を調整してもよい。なお、ｎ（ｎは２以上の整数）は、目的に応じて適宜設定することができる。

〔１６〕上記端子付き電線製造システムにおいて、前記情報出力部は、前記端子圧着部の圧着状態が不適切であるとする判定結果がｎ（ｎは２以上の整数）回連続した場合に、警告情報を出力してもよい。

〔１７〕上記端子付き電線製造システムにおいて、前記記憶部に記憶された前記学習モデルは、過去の画像判定結果に基づいて更新可能であってもよい。

〔１８〕上記端子付き電線製造システム（１００Ｇ，１００Ｈ）において、前記学習モデルを生成する学習モデル生成部（３２）を更に有し、前記学習モデル生成部は、前記画像判定部の判定結果に基づいて前記学習モデルを更新してもよい。

〔１９〕上記端子付き電線製造システム（１００Ｇ，１００Ｈ）において、前記学習モデル生成部（３２）は、前記撮影画像データに当該撮影画像データに関する前記非機械学習型の画像判定部の判定結果を正解情報としてラベリングした学習データを再学習することにより、前記学習モデルを更新してもよい。

〔２０〕上記端子付き電線製造システム（１００Ｈ）において、機械学習型の画像判定部による判定精度が所定の基準値を超えているか否かを判定する信頼性判定部（３３）を更に有し、前記情報出力部（７Ｈ）は、前記信頼性判定部によって前記機械学習型の画像判定部による判定精度が所定の基準値を超えていないと判定された場合に、前記非機械学習型の画像判定部の判定結果と前記機械学習型の画像判定部の判定結果とに基づいて、前記端子圧着部の良否に関する情報を生成して出力し、前記信頼性判定部によって前記機械学習型の画像判定部による判定精度が所定の基準値を超えていると判定された場合に、前記機械学習型の画像判定部の判定結果に基づいて、前記端子圧着部の良否に関する情報を生成して出力してもよい。

〔２１〕上記端子付き電線製造システム（１００，１００Ｇ，１００Ｈ）において、外部との通信を可能とする通信装置（２４）を更に備えてもよい。

〔２２〕上記端子付き電線製造システム（１００，１００Ｇ，１００Ｈ）において、前記通信装置（２４）は、前記学習モデルを含む情報の通信を行ってもよい。

〔２３〕本発明の代表的な別の実施の形態に係る画像判定方法は、複数の画像判定部（４，５，５Ａ～５Ｅ）と情報出力部（７，７Ａ）とを備えるコンピュータ（１，１Ａ，１Ｂ）によって、対象物の少なくとも一部を撮影した撮影画像データに基づいて前記対象物の良否を判定する画像判定方法であって、前記複数の画像判定部によって、前記撮影画像データに基づいて前記対象物の良否を判定する第１ステップ（Ｓ２２，Ｓ２３）と、前記情報出力部が、前記画像判定ステップにおける前記複数の画像判定部のそれぞれの判定結果に基づいて、前記対象物の良否に関する情報を生成して出力する第２ステップ（Ｓ２４～Ｓ２７）とを含み、前記第１ステップにおいて、前記複数の画像判定部の少なくとも一つは、機械学習による学習モデルと前記撮影画像データとに基づいて前記対象物の良否を判定することを特徴とする。

２．実施の形態の具体例
以下、本発明の実施の形態の具体例について図を参照して説明する。なお、以下の説明において、各実施の形態において共通する構成要素には同一の参照符号を付し、繰り返しの説明を省略する。また、図面は模式的なものであり、各要素の寸法の関係、各要素の比率などは、現実と異なる場合があることに留意する必要がある。図面の相互間においても、互いの寸法の関係や比率が異なる部分が含まれている場合がある。

≪実施の形態１≫
図１は、実施の形態１に係る端子付き電線製造システムの構成を示す図である。
端子付き電線製造システム１００は、例えば、電線に端子を圧着して端子付き電線を形成するシステムである。端子付き電線製造システム１００は、形成した端子付き電線の端子圧着部の良否判定を複数の画像判定処理によって行うことを一つの特徴としている。

図１に示すように、端子付き電線製造システム１００は、端子圧着装置１１、画像検査装置１０、および制御装置２０を備えている。

端子圧着装置１１は、電線に端子を圧着加工するための装置である。
例えば、端子圧着装置１１は、先ず、複数種類の電線が格納された電線格納部（図示せず）から一つの電線を取り出し、取り出した電線を計尺して切断し、所望の長さの電線を切り出す。次に、端子圧着装置１１は、切り出した電線の一端または両端の被覆を指定された長さだけ剥ぎ取る。そして、端子圧着装置１１は、被覆を剥ぎ取った電線の端部に端子を圧着する。例えば、端子圧着装置１１は、製造する端子付き電線の種類に応じて設けられた複数の圧着機（例えば、自動圧着機）を有しており、先端部の被覆が剥ぎ取られた電線は、指定された自動圧着機に搬送されて端子の圧着が行われる。これにより、電線に圧着端子が接続され、端子付き電線が形成される。端子付き電線は、一般に圧着端子部分がコネクタハウジングに挿入されて、コネクタ付き電線となる。

端子圧着装置１１は、制御装置２０からの制御に基づいて、上述した端子付き電線を製造するための各種の工程を、電線毎に順次実行する。

制御装置２０は、端子圧着装置１１を制御するための装置である。制御装置２０は、設備制御部２１および設備操作用コンピュータ２２を備えている。

設備制御部２１は、例えば、ＰＬＣ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｃｏｎｔｒｏｌｌｅｒ）である。設備操作用コンピュータ２２は、ユーザが設備制御部２１を操作するためのＨＭＩ（Ｈｕｍａｎ Ｍａｃｈｉｎｅ Ｉｎｔｅｒｆａｃｅ）としての端末（例えばパーソナルコンピュータ）である。

設備操作用コンピュータ２２は、出力装置として表示装置（例えば、液晶ディスプレイ等のモニタ）２３を備えており、ユーザに必要な情報を表示装置２３に出力する。ユーザは、表示装置２３の画面を見ながら設備操作用コンピュータ２２を操作することにより、設備制御部２１に対して、各種の指令を出すことができる。

設備制御部２１は、設備操作用コンピュータ２２を介して受け取った指令に応じて、端子圧着装置１１を制御することにより、上述した端子付き電線を製造するための各種の工程を実行させる。設備制御部２１は、更に、画像検査装置１０を制御することにより、端子圧着装置１１によって作成された端子付き電線の端子圧着部の良否判定を実行させる。

画像検査装置１０は、対象物としての端子付き電線の端子圧着部の良否判定を行う装置である。画像検査装置１０は、撮像装置８と、画像判定装置１とを含む。

撮像装置８は、端子圧着部を撮影するための装置（カメラ）である。撮像装置８は、例えば、設備制御部２１からの指令に応じて、端子圧着装置１１によって作成された端子付き電線の端子圧着部を所定の方向から撮影し、その画像のデータを内部メモリ（図示せず）に記憶する。

例えば、端子圧着装置１１の各自動圧着機によって端子が圧着された端子付き電線が次の工程へ搬送される途中で、設備制御部２１が、その端子付き電線の端子圧着部を撮影する指令を画像判定装置１に対して発行する。画像判定装置１は、その指令に応じて撮像装置８を制御して、端子圧着部の撮影を実行させ、撮影した端子圧着部の画像を取得する。

なお、撮像装置８に対する撮影の制御は、上述の例のように画像検査装置１０を介して行うのではなく、設備制御部２１から撮像装置８に直接指令を与えることにより、撮像装置８が撮影を実行してもよい。

なお、画像検査装置１０は、図１に示すように、撮影時に端子圧着部を照らすための照明装置１２（例えば、ドーム型のＬＥＤ照明装置）を備えていてもよい。

画像判定装置１は、撮像装置８によって撮影された撮影画像データに基づいて、対象物としての端子付き電線の端子圧着部の良否判定を行う装置である。画像判定装置１は、対象物としての端子付き電線の端子圧着部の少なくとも一部を撮影した撮影画像データに基づいて、端子圧着部の良否を判定する複数の画像判定部を備え、それらの画像判定部の少なくとも一つは、機械学習による学習モデル（学習済みモデル）と撮影画像データとに基づいて端子圧着部の良否を判定する。本実施の形態では、画像判定装置１が２つの画像判定部を備える場合を一例として説明する。

具体的に、画像判定装置１は、機能ブロックとして、撮影制御部２、画像取得部３、画像判定部４、５、記憶部６、および情報出力部７を有している。

画像判定装置１は、例えば、ＰＣやサーバ等の情報処理装置（コンピュータ）によって実現される。すなわち、画像判定装置１の上述した各機能ブロックは、画像判定装置１としての情報処理装置（コンピュータ）を構成するハードウェア資源が、上記情報処理装置にインストールされたソフトウエアと協働することによって実現される。

図２は、実施の形態１に係る画像判定装置１のハードウェア構成を示す図である。
図２に示すように、画像判定装置１は、ハードウェア資源として、演算装置１０１、記憶装置１０２、入力装置１０３、Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）装置１０４、出力装置１０５、およびバス１０６を備えている。

演算装置１０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）やＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）等のプロセッサによって構成されている。記憶装置１０２は、演算装置１０１に各種のデータ処理を実行させるためのプログラム１０２１と、演算装置１０１によるデータ処理で利用されるパラメータや演算結果等のデータ１０２２とを記憶する記憶領域を有し、例えばＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、およびフラッシュメモリ等から構成されている。

ここで、プログラム１０２１は、本実施の形態に係る画像判定方法の各処理（ステップ）をコンピュータ（ＣＰＵ）に実行させるためのプログラムを含み、例えば、記憶装置１０２に予めインストールされている。

なお、プログラム１０２１は、ネットワークを介して流通可能であってもよいし、ＣＤ－ＲＯＭ（Ｎｏｎ－ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）等のコンピュータが読み取り可能な記憶媒体に書き込まれて流通可能であってもよい。

入力装置１０３は、外部から情報の入力を検出する機能部であり、例えばキーボード、マウス、ポインティングデバイス、ボタン、またはタッチパネル等から構成されている。Ｉ／Ｆ装置１０４は、外部との情報の送受を行う機能部であり、有線または無線によって通信を行うための通信制御回路や入出力ポート、アンテナ等から構成されている。

出力装置１０５は、演算装置１０１によるデータ処理によって得られた情報等を出力する機能部である。出力装置１０５としては、例えば、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）やＨＤＤ等の外部記憶装置や、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）および有機ＥＬ（Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ）等の表示装置等である。バス１０６は、演算装置１０１、記憶装置１０２、入力装置１０３、Ｉ／Ｆ装置１０４、および出力装置１０５を相互に接続し、これらの装置間でデータの授受を可能にする機能部である。

画像判定装置１は、演算装置１０１が記憶装置１０２に記憶したプログラム１０２１に従って演算を実行して、記憶装置１０２、入力装置１０３、Ｉ／Ｆ（Ｉｎｔｅｒｆａｃｅ）装置１０４、出力装置１０５、およびバス１０６を制御することにより、図１に示した画像判定装置１の各機能部、すなわち、撮影制御部２、画像取得部３、画像判定部４、５、記憶部６、および情報出力部７が実現される。
以下、画像判定装置１を構成する各機能部について説明する。

撮影制御部２は、設備制御部２１から発行された端子圧着部の撮影の実行を指示する指令に応じて、撮像装置８を制御して撮影を実行させる機能部である。

画像取得部３は、端子付き電線の端子圧着部に関する画像を取得する機能部である。例えば、画像取得部３は、撮像装置８によって撮影された検査対象である端子付き電線の端子圧着部の画像を撮像装置８から取得し、取得した画像を、電線毎に付与された電線を識別するための情報（識別コード）とともに撮影画像データ６１として記憶部６に記憶する。

記憶部６は、画像判定処理に必要なプログラムやパラメータ等のデータを記憶するための機能部である。例えば、記憶部６には、上述した撮影画像データ６１に加えて、後述する画像判定部４による画像判定処理に必要な基準データ６２や、後述する画像判定部５による画像判定処理に必要な学習モデル６３およびＡＩ検査マスタ情報６４等が記憶されている。

画像判定部４は、予め登録された基準データと撮像装置８によって撮影された撮影画像データとの一致の度合いに基づいて端子付き電線２００の端子圧着部の良否を判定する非機械学習型（以下、単に、「非学習型」と称する場合がある。）の画像判定処理を実行する機能部である。なお、非機械学習型の画像判定処理の詳細については後述する。

画像判定部５は、所定の技法に基づく機械学習による学習結果（学習モデル６３）と撮像装置８によって撮影された画像とに基づいて、端子圧着部の良否を判定する機械学習型（以下、単に、「学習型」と称する場合がある。）の画像判定処理を実行する機能部である。なお、機械学習型の画像判定処理の詳細については後述する。

情報出力部７は、複数の画像判定部（画像判定部４，５）の判定結果に基づいて、対象物（検査対象の端子付き電線の端子圧着部）の良否に関する情報を生成して出力する。
具体的に、情報出力部７は、画像判定部４，５の両方が検査対象の端子付き電線を良品と判定した場合に、対象物の良否に関する情報として、検査対象の端子付き電線が良品であることを示す情報を出力する。一方、情報出力部７は、画像判定部４，５の少なくとも一方が検査対象の端子付き電線を不良品と判定した場合に、対象物の良否に関する情報として、複数の画像判定部４，５によるそれぞれの判定結果の情報を出力する。

なお、画像判定装置１が３つ以上の画像判定部を有している場合には、情報出力部７は判定に用いる画像判定部のそれぞれが対象物（検査対象の端子付き電線）を良品と判定した場合に、その対象物が良品であることを示す情報を出力する。例えば、３つの画像判定部のうち２つの画像判定部を用いて判定を行う場合には、情報出力部７は、その２つの画像判定部のそれぞれが対象物を良品と判定した場合に、その対象物が良品であることを示す情報を出力する。

情報出力部７から出力された情報は、例えば、設備制御部２１を介して設備操作用コンピュータ２２に送信され、表示装置２３の画面に表示される。

ここで、（１）画像判定部４による非機械学習型の画像判定処理と、（２）画像判定部５による機械学習型の画像判定処理、についてそれぞれ説明する。

（１）画像判定部４による非機械学習型の画像判定処理
非機械学習型の画像判定処理は、予め登録された基準データ６２と撮影画像データ６１とに基づいて、端子付き電線の端子圧着部の良否を判定する処理である。

基準データ６２は、良品の端子付き電線の端子圧着部を所定の方向から撮影した画像に基づくデータである。

図３Ａは、端子圧着部の基準画像の一例を示す図である。
図３Ａには、良品である端子付き電線の端子圧着部が模式的に図示されている。図３Ａに示すように、電線２０１の一端または両端の被覆２０３が剥ぎ取られた芯線２０２の端部に金属から成る端子２１０を圧着することにより、端子付き電線２００が形成される。

電線２０１に圧着加工された端子２１０は、嵌合部２１１、ワイヤーバレル（導通バレル）２１２、インシュレーションバレル（絶縁バレル）２１３を形成している。ワイヤーバレル２１２の両端部には、ワイヤーバレルを圧着加工することによって、ベルマウス２１４，２１５がそれぞれ形成される。

図３Ｂは、端子圧着部の基準データとして登録される部分（領域）の一例を示す図である。同図には、図３Ａと同様の端子圧着部の画像において、基準データとして登録される領域がそれぞれ示されている。

非機械学習型の画像判定処理では、図３Ａ，図３Ｂに示すような良品の端子付き電線２００の端子圧着部を正面（上方）から撮影した画像を用いて、検査対象の領域毎の基準データを予め登録しておく。例えば、図３Ｂに示すように、良品の端子付き電線２００の端子圧着部のワイヤーバレル２１２または嵌合部２１１等の形が安定している部分の領域３０１、３０４の画像を位置決め用基準画像として登録するとともに、良品の端子付き電線２００の端子圧着部のワイヤーバレル２１２やインシュレーションバレル２１３等の形状の検査が必要な部分を含む領域３０４、３０７の画像を形状検査用基準画像として登録する。また、図３Ｂに示すように、芯線の出代や被覆の端部の位置等の色彩の検査が必要な部分を含む領域３０２、３０３、３０５、３０６は、例えば素線（銅）等の各部分の色情報を基準色として登録する。

更に、非機械学習型の画像判定処理では、端子圧着部の良否判定の基準となる判定閾値を登録する。判定閾値は、上述した基準画像（基準色も含む）との一致度合いの閾値や、特定の部位に対応した明暗の閾値などである。判定閾値は、例えば、良品と判定される形状の一致度合いや一致した色の画素数に基づいて決定すればよい。

画像判定装置１では、上述した位置決め用基準画像および形状検査用基準画像等の基準画像データと、基準色と、判定閾値とを基準データ６２として記憶部６に予め記憶しておく。

画像判定部４は、検査対象の端子付き電線の端子圧着部の少なくとも一部を撮影した画像を含む撮影画像データ６１と、予め登録された基準データ６２とに基づいて、検査対象の端子付き電線２００の良否を判定する。

具体的に、画像判定部４は、パターンマッチングやカラーマッチング等の公知の画像解析処理によって、撮影した撮影画像データと基準データとの一致度を算出し、算出した一致度と判定閾値とを比較して検査対象の端子付き電線２００の端子圧着部の良否判定を行う。

例えば、先ず、画像判定部４は、画像解析処理を行う前の準備として、撮影画像データ６１の画像の位置座標を補正する。具体的には、画像判定部４は、撮影画像データ６１に含まれる画像の中から、基準データ６２内の位置決め用基準画像と最も類似する部分（例えば嵌合部２１１）を検索し、基準となる位置および水平回転角を補正して、撮影画像データ６１内の画像の基準位置座標を調整する。

次に、画像判定部４は、調整した基準位置座標に基づいて、撮影画像データ６１内の画像における検査対象の領域３０２～３０７を特定する。次に、画像判定部４は、パターンマッチングやカラーマッチング等の公知の画像解析処理によって、特定した各領域３０２～３０７の画像情報と基準画像および基準色との一致度合いを算出する。

そして、画像判定部４は、算出した一致度合いと判定閾値とを比較する。画像判定部４は、算出した一致度合いが判定閾値より大きい場合に、検査対象の端子付き電線２００を良品と判定し、算出した一致度合いが判定閾値より小さい場合に、検査対象の端子付き電線２００を不良品と判定する。
以上のように、画像判定部４は非機械学習型の画像判定処理を行う。

（２）画像判定部５による機械学習型の画像判定処理
機械学習型の画像判定処理は、所定の技法（アルゴリズム）に基づく機械学習による学習モデル６３と、撮影画像データ６１に含まれる画像とに基づいて、端子付き電線２００の端子圧着部の良否を判定する処理である。

ここで、所定の技法（アルゴリズム）としては、例えば、ＣＮＮ（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ）等のニューラルネットワークを例示することができる。

画像判定装置１による機械学習型の画像判定処理では、学習モデル６３とともに、ＡＩ検査マスタ情報６４を予め作成しておく。

ここで、ＡＩ検査マスタ情報６４とは、撮影画像データ６１に含まれる端子付き電線２００の端子圧着部の画像の検査範囲を指定する情報を含むデータである。例えば、ＡＩ検査マスタ情報６４には、検査対象の電線の識別コードと、その端子付き電線２００の端子圧着部における検査範囲を指定する検査範囲情報とが含まれている。画像判定装置１では、予め作成したＡＩ検査マスタ情報６４を記憶部６に記憶しておく。

なお、ＡＩ検査マスタ情報６４は、画像判定装置１が画像判定処理を行う前に記憶部６に記憶されていればよく、機械学習型の画像判定処理を実行する前に画像判定装置１が自ら作成してもよいし、画像判定装置１とは別の情報処理装置によって作成し、画像判定装置１の記憶部６に予め記憶してもよい。

学習モデル６３は、例えば、ニューラルネットワークの入力層に入力された端子付き電線２００の端子圧着部の画像（撮影画像データ６１）中のＡＩ検査マスタ情報６４によって指定された検査範囲の画像情報（例えば各画素の情報）に対して、所定の重み付け係数に基づく演算を行い、端子圧着部の良否判定結果を定量化した値を上記ニューラルネットワークの出力層から出力するように、情報処理装置（コンピュータ）を機能させるためのプログラムである。

画像判定装置１では、例えば、図３Ａ，３Ｂに示すような良品の端子付き電線２００の端子圧着部の画像を複数（例えば、数十枚～数百枚）準備し、それらを画像判定部５に入力して学習させることにより、学習モデル６３を生成する。生成した学習モデル６３は、上述したＡＩ検査マスタ情報６４とともに記憶部６に予め記憶される。

画像判定部５は、検査対象の端子付き電線２００の端子圧着部の少なくとも一部を撮影した画像を含む撮影画像データ６１と、予め登録された学習モデル６３とに基づいて、検査対象の端子圧着部の良否を判定する。

具体的に、画像判定部５は、先ず、判定対象の撮影画像データ６１が入力されたとき、その撮影画像データ６１の識別コードに一致する識別コードを含むＡＩ検査マスタ情報６４を記憶部６から読み出す。次に、画像判定部５は、入力した撮影画像データ６１の画像中の読み出したＡＩ検査マスタ情報６４によって指定された検査範囲の画像情報に対して、学習モデル６３に基づいて端子圧着部の良否判定を行い、検査対象の端子付き電線２００の端子圧着部が良品であるとする判定結果、または検査対象の端子付き電線２００の端子圧着部が不良品であるとする判定結果を出力する。
以上のように、画像判定部５は機械学習型の画像判定処理を実行する。

次に、端子付き電線製造システム１００により端子付き電線を製造するための処理の流れについて説明する。
図４は、実施の形態１に係る端子付き電線製造システム１００による端子付き電線２００の製造方法の流れを示す図である。

同図に示されるように、端子付き電線製造システム１００では、先ず、端子圧着装置１１が上述した手法により、電線の端部に端子を圧着して端子付き電線２００を形成する（端子圧着工程：ステップＳ１）。次に、画像判定装置１が、ステップＳ１で形成した端子付き電線２００を撮像装置８によって撮影し、その撮影した画像データに基づいて、ステップＳ１で形成した端子付き電線２００の端子圧着部の良否を判定する（検査工程：ステップＳ２）。検査工程で良品と判定された端子付き電線２００は、その後の種々の工程を経て、端子付き電線またはワイヤハーネスなどとして出荷可能となる。

なお、必要に応じて、ステップＳ２（検査工程）の後に、画像判定装置１による判定結果に基づいて各画像判定処理に係る種々のパラメータを調整してもよい。

ここで、端子付き電線製造システム１００による検査工程（ステップＳ２）について詳細に説明する。
図５は、実施の形態１に係る端子付き電線製造システム１００による検査工程（ステップＳ２）の流れを示すフロー図である。

端子付き電線製造システム１００において、先ず、撮像装置８が、端子圧着装置１１によって作成された端子付き電線２００の端子圧着部を撮影する（ステップＳ２０）。例えば、上述したように、設備制御部２１が端子付き電線２００の端子圧着部の撮影を指示する指令を画像判定装置１に送信し、その指令を受信した画像判定装置１の撮影制御部２が撮像装置８を制御することにより、搬送された端子付き電線２００の端子圧着部を撮影する。

次に、画像判定装置１がステップＳ２０で撮影された画像を取得する（ステップＳ２１）。例えば、画像判定装置１の画像取得部３が、撮像装置８の内部メモリにアクセスすることによりステップＳ２０で撮影された画像を取得し、取得した画像と、その画像に写る端子圧着部を有する端子付き電線２００の識別コードとを撮影画像データ６１として、画像判定装置１の記憶部６に記憶する。

次に、画像判定装置１がステップＳ２１で取得した撮影画像データ６１に基づいて、画像判定処理を実行する（ステップＳ２２、ステップＳ２３）。
具体的には、画像判定装置１における画像判定部４が、ステップＳ２１で取得した撮影画像データ６１に基づいて、上述した手法により、非機械学習型の画像判定処理を実行する（ステップＳ２２）。また、画像判定装置１における画像判定部５が、ステップＳ２１で取得した撮影画像データ６１に基づいて、上述した手法により、機械学習型の画像判定処理を実行する（ステップＳ２３）。

ステップＳ２２における非機械学習型の画像判定処理とステップＳ２３における機械学習型の画像判定処理とは、図５に示すように並列的に行われてもよいし、一方の画像判定処理を実行した後に他方の画像判定処理を実行してもよく、処理の順番は特に限定されない。

ステップＳ２２，Ｓ２３の画像判定処理の終了後、画像判定装置１は、ステップＳ２２，Ｓ２３の画像判定処理によるそれぞれの判定結果を比較する（ステップＳ２４）。具体的には、情報出力部７が、画像判定部４と画像判定部５が共に検査対象の端子付き電線２００を良品と判定したか否かを判定する（ステップＳ２５）。

画像判定部４と画像判定部５が共に検査対象の端子付き電線２００を良品と判定した場合、情報出力部７は、検査対象の端子付き電線２００が良品であると判定する（ステップＳ２６）。この場合、情報出力部７は、検査対象の端子付き電線２００が良品であることを示す情報を出力する。例えば、情報出力部７は、検査対象の端子付き電線２００が良品であることを示す情報を設備制御部２１に送信する。設備制御部２１は、受け取った情報に基づいて端子圧着装置１１を制御することにより、次の工程のために、良品と判定された電線を所定の位置に搬送する。

このとき、設備制御部２１が設備操作用コンピュータ２２に情報出力部７からの情報を出力することにより、設備操作用コンピュータ２２の表示装置２３が、検査対象の電線の端子付き電線２００が良品であることを示す情報を表示してもよい。これによれば、端子付き電線製造システム１００を管理する作業者等に、製造された端子付き電線２００が良品であることを提示することができる。

一方、ステップＳ２５において、画像判定部４と画像判定部５の少なくとも一方が検査対象の端子付き電線２００の端子圧着部を不良品と判定した場合、情報出力部７は、画像判定部４，５のそれぞれの判定結果を出力する（ステップＳ２７）。情報出力部７は、各画像判定部４，５の判定結果を設備制御部２１に送信する。この場合、設備制御部２１は、例えば、その判定結果に係る電線が良品の電線と同じ工程に進まないように、別の場所に搬送してもよい。

また、設備制御部２１が設備操作用コンピュータ２２に情報出力部７からの情報を出力することにより、例えば設備操作用コンピュータ２２の表示装置２３に、画像判定部４，５のそれぞれの判定結果を示す情報を表示させる。これにより、端子付き電線製造システム１００を管理する作業者に、形成された端子付き電線２００が不良品である可能性があることを提示することができる。

以上、実施の形態１に係る画像判定装置１は、対象物としての端子付き電線２００の端子圧着部の少なくとも一部を撮影した画像に基づいて端子圧着部の良否を判定する複数の画像判定部４，５と、画像判定部４，５の判定結果に基づいて端子付き電線２００の端子圧着部の良否に関する情報を生成して出力する情報出力部７とを有し、画像判定部４，５の少なくとも一つは、機械学習による学習モデル６３と上記画像とに基づいて端子付き電線２００の端子圧着部の良否を判定する。

これによれば、一つの画像判定処理ではなく、複数の画像判定処理による判定結果に基づいて端子付き電線２００の端子圧着部の良否を判定するので、複数の画像判定処理のうち少なくとも一つが機械学習による画像判定処理である場合でも、判定精度の低下を防ぐことが可能となる。

特に、実施の形態１に係る画像判定装置１のように、機械学習型の画像判定処理を行う画像判定部５に加えて、非機械学習型の画像判定処理を行う画像判定部４を設けることにより、導入当初に機械学習型の画像判定部５の判定精度が低い場合であっても、非機械学習型の画像判定部４による判定結果を用いることで、画像判定装置１の判定精度を担保することが可能となる。

例えば、端子付き電線２００の製造中に予想外の不良品が発生した場合に、機械学習型の画像判定処理では、その不良品の画像を学習していなければ、良品として誤判定する虞がある。これに対し、実施の形態１に係る画像判定装置１は、機械学習型の画像判定処理だけでなく非機械学習型の画像判定処理も行うので、不良品の見逃しを防止することが可能となる。

また、非機械学習型の画像判定処理による正しい判定結果とそれに対応する撮影された画像データとを用いることにより、学習モデル６３を更新して機械学習型の画像判定部５による判定精度を向上させることができる。特に、端子付き電線製造システム１００においては、一般に１分間あたり数枚～数十枚の画像データとそれに対応した判定結果を得ることができるため、機械学習型の画像判定部５による判定精度を、あらかじめ画像データを準備する場合と比較して、短時間で飛躍的に向上させることができる。

ここで、学習モデル６３を更新して機械学習型の画像判定部５による判定精度を向上させる場合には、例えば、図６に示すように、学習モデル６３を生成する学習モデル生成部４１を更に設け、その学習モデル生成部４１が、画像判定装置１と通信を行うことにより、情報出力部７から出力される画像判定部４，５のそれぞれの判定結果と撮影画像データ６１とを用いて、学習モデル６３を更新してもよい。

例えば、図６に示すように、端子付き電線製造システム１００は、通信装置２４と情報処理装置４０とを更に備える。通信装置２４は、例えば設備操作用コンピュータ２２内に設けられ、有線または無線によるネットワークを介して、外部（端子付き電線製造システム１００の外部の装置）および情報処理装置４０との通信を行う装置である。通信装置２４は、画像判定装置１の記憶部６に記憶可能な学習モデル６３を含む各種情報の通信を行うことが可能となっている。

情報処理装置４０は、学習モデル生成部４１と通信装置４２とを有する。情報処理装置４０は、プログラム処理を行うＰＣやサーバ等のコンピュータである。学習モデル生成部４１は、上記コンピュータによるプログラム処理によって実現されている。通信装置４２は、有線または無線によるネットワークを介して、端子付き電線製造システム１００の外部の装置や制御装置２０内の通信装置２４と通信を行う装置である。例えば、情報処理装置４０における学習モデル生成部４１は、通信装置４２を介して制御装置２０の通信装置２４と通信を行うことにより、画像判定装置１との間で、各種データの送受信が可能となっている。

例えば、情報処理装置４０は、制御装置２０と通信を行うことにより、情報出力部７から出力される画像判定部４，５のそれぞれの判定結果のデータと、撮影画像データ６１と、学習モデル６３とを画像判定装置１から受信する。そして、情報処理装置４０の学習モデル生成部４１が、受信したそれらのデータを用いて学習することにより学習モデル６３を更新し、更新した学習モデル６３を制御装置２０を介して画像判定装置１に送信して記憶部６内の学習モデル６３を書き換える。

このように、学習モデル生成部４１によって学習モデル６３を随時更新することにより、機械学習型の画像判定処理による判定精度を効果的に高めることが可能となる。

なお、学習モデル生成部４１は、情報処理装置４０によるプログラム処理によって実現される場合に限られない。例えば、学習モデル生成部４１は、画像判定装置１内に設けられていてもよいし、制御装置２０内に設けられていてもよい。すなわち、学習モデル生成部４１は、画像判定装置１または制御装置２０を構成するプログラム処理装置によるプログラム処理によって実現されてもよい。

また、端子付き電線製造システム１００と情報処理装置４０との間の通信は、制御装置２０の通信装置２４を介して行う場合に限られない。例えば、画像判定装置１に外部と通信を行うための通信装置を新たに設け、その通信装置と情報処理装置４０の通信装置４２との間で（例えば、有線または無線のネットワークを介して）、学習モデル６３を含む各種データの送受信を行ってもよい。

更に、このような方法で更新された学習モデル６３は、記憶部６から外部に取り出し可能になっていてもよい。例えば、図７Ａに示すように、端子付き電線製造システム１００は、有線または無線によるネットワーク５００を介して、他の端子付き電線製造システム１００と通信可能に構成されていてもよい。例えば、一つの端子付き電線製造システム１００において更新された学習モデル６３を、他の端子付き電線製造システム１００にそれぞれ送信することにより、他の端子付き電線製造システム１００における学習モデル６３を書き換えてもよい。

図７Ａに示す端子付き電線製造システム１００間の通信は、図６に示したように、制御装置２０に設けられた通信装置２４を介して行ってもよいし、画像判定装置１に通信装置を設け、その通信装置を介して行ってもよい。
これによれば、一つの端子付き電線製造システム１００が稼働することによって判定精度が高められた最新の学習モデル６３を、他の端子付き電線製造システム１００の画像判定装置等に適用することが容易となる。なお、他の端子付き電線製造システム１００は、前述の一つの端子付き電線製造システム１００と同じ工場内にあってもよく、異なる工場内にあってもよい。

また、例えば、図７Ｂに示すように、端子付き電線製造システム１００と外部の情報処理装置３００（例えばサーバ）とがネットワーク５００を介して通信可能にされ、学習モデル６３が外部の情報処理装置３００内の記憶装置３０１に保存されるようにしてもよい。また、外部の情報処理装置３００内の記憶装置３０１に保存された学習モデル６３は、端子付き電線製造システム１００または他の制御装置等により、適切に更新されるようにしてもよい。

このように、画像判定装置１によって学習が進んだ学習モデル６３を読み出し可能にすることにより、他の画像判定装置への展開が容易となる。これにより、学習モデルを作成するためだけに別途設備を用意する必要がなく、また、学習モデルの精度を高めるための学習時間を短縮することができるので、学習モデルを作成するための作業コストおよび設備コストを削減することが可能となる。

また、機械学習型の画像判定処理によれば、自己学習によって基準画像との違いを分類することが可能であるため、検査のための特別のアルゴリズムを開発する必要が無く、単に画像と検査領域を設定するだけで検査が可能となる。また、検査精度に個体差が少ないという利点もある。

また、実施の形態１に係る画像判定装置１において、情報出力部７は、複数の画像判定部４，５の全てが検査対象の端子付き電線２００を良品と判定した場合に、検査対象の端子付き電線２００が良品であることを示す情報を出力し、複数の画像判定部４，５の少なくとも一つが検査対象の端子付き電線２００を不良品と判定した場合に、複数の画像判定部４，５によるそれぞれの判定結果の情報を出力する。

これによれば、何れか一方の画像判定部４，５によって検査対象の端子付き電線２００が不良品と判定された場合に、端子付き電線製造システム１００を管理している作業者等に検査対象の端子付き電線２００が不良品である可能性があることを通知することができる。これにより、機械学習型の画像判定部５または非機械学習型の画像判定部４が誤判定した理由を、作業者等が目視により、即時に客観的に理解することが可能となる。その後、誤判定を行った方の画像判定部のパラメータを調整することにより、画像判定装置の判定精度を向上させることが可能となる。

また、作業者等は、画像判定部４、５の双方の判定結果を確認することにより、画像判定部４、５のどちらが誤判定を行ったのかを目視等により確認することができるので、誤判定を行った画像判定部の判定処理に係るパラメータを調整して、画像判定装置１の判定精度の向上を図ることが可能となる。例えば、学習済みの機械学習型の画像判定部５の出力を用いて、非機械学習型の画像判定部４の判定基準となる基準データ６２を書き換え可能にしてもよい。

また、機械学習型の画像判定部５の事前学習が不十分な場合（十分な学習をさせる時間がない場合や、学習用の画像を多く準備できない場合）などには、初期段階では非機械学習型の画像判定部４の出力のみを判定結果として採用し、機械学習型の画像判定部５にはその間学習させることもできる。この場合、機械学習型の画像判定部５は、初期状態では未学習であってもよい。

また、この場合に、機械学習型の画像判定部５の学習が進んで、非機械学習型の画像判定部４の判定結果と同様の判定結果が出るようになった時点（例えば直近の判定で判定の相違が１％程度）で、非機械学習型の画像判定部４の出力と機械学習型の画像判定部５の出力の両方を画像判定装置１による判定に用いるようにしてもよい。

このように、実施の形態１に係る画像判定装置１によれば、不良品の市場への流出を防ぎつつ、機械学習型の画像検査装置の判定精度を効果的に高めることが可能となる。また、画像判定装置１によれば、端子付き電線の製造を行いつつ、機械学習を効率よく進めることが可能となるので、学習時間を短縮することができる。特に、初期段階において、機械学習型の画像判定部が不十分な場合でも、判定精度を担保できる効果が発揮され、装置立ち上げ時、工程立ち上げ時等の負荷を大幅に削減することができる。

≪実施の形態２≫
図８は、実施の形態２に係る端子付き電線製造システムの構成を示す図である。
実施の形態２に係る端子付き電線製造システム１００Ａの画像判定装置１Ａは、端子付き電線２００の端子圧着部の良否判定のみならず、端子付き電線２００の端子圧着部の圧着状態の適否（理想状態のみならず、許容範囲を含む適否）を画像判定処理によって判定する機能を有する点において、実施の形態１に係る画像判定装置１と相違する。

実施の形態２に係る画像判定装置１Ａにおいて、画像判定部５Ａは、実施の形態１と同様の端子付き電線２００の端子圧着部の位置の適否を判定するための機械学習型の画像判定処理に加えて、端子付き電線２００の端子圧着部の状態の適否を判定するための機械学習型の画像判定処理を行う。
端子付き電線２００の端子圧着部の状態の適否を判定するための機械学習型の画像判定処理は、例えば、良品と判定された端子付き電線２００の端子圧着部に対して実行される。

具体的に、画像判定部５Ａは、機械学習（例えば、ＣＮＮ）による端子付き電線２００の端子圧着部の状態に関する学習モデル６５（以下、「端子圧着部検査用学習モデル６５」とも称する。）と、撮像装置８によって撮影された画像の端子圧着部を含む領域の画像情報とに基づいて、端子圧着部の状態の適否を判定する。

本実施の形態では、端子付き電線２００の端子圧着部の状態の適否の判定処理として、（１）芯線２０２の出代の適否を判定する画像判定処理、（２）被覆２０３の端部２０３ａの位置の適否を判定する画像判定処理、（３）ベルマウス２１４、２１５の形状の適否を判定する画像判定処理について、それぞれ説明する。

（１）芯線の出代の適否を判定する画像判定処理
一般に、端子付き電線２００の端子圧着部の芯線の出代、すなわち、端子付き電線２００の端子圧着部における圧着端子のワイヤーバレル２１２の端部から（嵌合部２１１の方向に）突出する芯線２０２の長さは、適切に設定する必要がある。

図９Ａ～図９Ｃは、端子付き電線２００の端子圧着部における芯線の出代の状態を模式的に示す図である。
図９Ａには、芯線２０２の出代が適切な状態である端子付き電線２００の端子圧着部の側面図が示され、図９Ｂには、芯線２０２の出代が短い状態である端子付き電線２００の端子圧着部の側面図が示され、図９Ｃには、芯線２０２の出代が長い状態である端子付き電線２００の端子圧着部の側面図が示されている。

例えば、図９Ｂに示すように、芯線２０２の出代が短い、または出代が無い場合、圧着した部分の抵抗の増加に起因する発熱により、焼損等の不良を招く虞がある。また、図９Ｃに示すように、芯線２０２の出代が長すぎる場合、芯線２０２と端子との嵌合不良や端子抜け等の不良を招く虞がある。そのため、端子付き電線２００の端子圧着部では、図９Ａに示すように、芯線２０２がワイヤーバレル２１２から適切な長さだけ突出していることが望ましい。

芯線２０２の出代は、圧着加工時に圧着加工用の金型に電線をセットしたときの、金型に対する電線の位置に依存する。金型に対する電線の位置は、端子圧着装置１１の自動圧着機に設定されるモータ移動のパルス数等のパラメータに基づいて決定される。

しかしながら、上述したパラメータに一定の値が設定されている場合であっても、自動圧着機の稼働により、電線と金型との位置関係の経時的な変化が生じて、芯線２０２の出代が変化する虞がある。

そこで、実施の形態２に係る端子付き電線製造システム１００Ａでは、機械学習型の画像判定部５Ａによって、芯線２０２の出代の適否を判定する。
先ず、端子付き電線製造システム１００Ａでは、端子圧着部検査用学習モデル６５として、芯線２０２の出代に関する学習モデル６５１を生成する。例えば、芯線２０２の出代が適切である端子付き電線２００の端子圧着部の画像として図９Ａに示すような端子圧着部の画像を複数（例えば、数十枚～数百枚）準備するとともに、芯線２０２の出代が不適切である端子付き電線２００の端子圧着部の画像として図９Ｂおよび図９Ｃに示すような端子圧着部の画像を複数（例えば、数十枚～数百枚）準備し、それらの画像を画像判定部５Ａに入力して学習させることにより、学習モデル６５１を生成する。

ここで、学習モデル６５１は、例えば、ニューラルネットワークの入力層に入力された端子圧着部の画像（例えば、図９Ａ～図９Ｃに示す画像における領域５０１の画像情報）に対して所定の重み付け係数に基づく演算を行い、芯線２０２の出代の適否に関する判定結果を定量化した値を上記ニューラルネットワークの出力層から出力するように、情報処理装置（コンピュータ）を機能させるためのプログラムである。
上述のように生成した学習モデル６５１は、上述した学習モデル６３と同様に記憶部６Ａに予め記憶される。

画像判定部５Ａは、撮影画像データ６１と、予め登録された学習モデル６５１とに基づいて、検査対象の端子付き電線２００の端子圧着部における芯線２０２の出代の適否を判定する。
画像判定部５Ａによって、芯線２０２の出代が適切と判定された場合（例えば、検査対象の画像における芯線２０２の出代が図７Ａに示す状態に類似している場合）、情報出力部７は、その判定結果を出力する。設備制御部２１は、情報出力部７から出力された判定結果に応じて、これまで通り、端子付き電線２００の製造を継続する。

一方、画像判定部５Ａによって、芯線２０２の出代が不適切であるとする判定結果がｎ（ｎは２以上の整数）回連続した場合、端子付き電線製造システム１００Ａは、以下のように動作する。

例えば、検査対象の画像における芯線２０２の出代が図７Ｂに示す状態（芯線２０２の出代が短い状態）に類似しているという判定結果がｎ回連続して画像判定部５Ａから出力された場合、画像判定装置１Ａの情報出力部７Ａがそのことを示す情報を出力する。設備制御部２１は、情報出力部７Ａから出力された情報に応じて、端子圧着装置１１を制御して端子の位置を調整する。例えば、設備制御部２１は、芯線２０２の出代が長くなるように端子圧着装置１１の自動圧着機におけるモータ移動のパルス数等のパラメータの設定値を変更する。

また、例えば、検査対象の画像における芯線２０２の出代が図９Ｃに示す状態（芯線２０２の出代が長い状態）に類似しているという判定結果がｎ回連続して画像判定部５Ａから出力された場合、画像判定装置１Ａの情報出力部７Ａがそのことを示す情報を出力する。設備制御部２１は、情報出力部７Ａから出力された情報に応じて、端子圧着装置１１を制御して端子の位置を調整する。例えば、設備制御部２１は、芯線２０２の出代が短くなるように端子圧着装置１１の自動圧着機におけるモータ移動のパルス数等のパラメータの設定値を変更する。

なお、画像判定装置１Ａは、芯線２０２の出代が不適切であるとする判定結果がｎ回連続した場合、警告情報を出力してもよい。
例えば、入力された画像が図９Ｂまたは図９Ｃに示す状態の画像に類似するという判定結果がｎ回連続して画像判定部５Ａから出力された場合に、情報出力部７Ａが警告情報を出力する。設備制御部２１は、情報出力部７Ａから出力された警告情報に応じて、芯線２０２の出代を適切にするために端子圧着装置１１の調整（メンテナンス）が必要であることを示す情報を、設備操作用コンピュータ２２の表示装置２３に表示させてもよい。

（２）被覆２０３の端部２０３ａの位置の適否を判定する画像判定処理
図１０Ａ～図１０Ｃは、端子付き電線２００の端子圧着部における被覆の端部の位置を模式的に示す図である。
図１０Ａには、被覆の端部が適切な位置にある端子圧着部の側面図が示され、図１０Ｂには、被覆の端部がワイヤーバレル近傍にある端子圧着部の側面図が示され、図１０Ｃには、被覆の端部がインシュレーションバレル近傍にある端子圧着部の側面図が示されている。

一般に、端子付き電線２００の端子圧着部では、電線の被覆の端部がインシュレーションバレルに適切に収まっている必要がある。
例えば、図１０Ｂに示すように、被覆の端部がワイヤーバレル側に近づきすぎて、ワイヤーバレルに被覆の端部が挟まれた場合、断線し易くなる虞がある。また、図１０Ｃに示すように、被覆の端部がインシュレーションバレル側に近づきすぎて、被覆の端部がインシュレーションバレル内に位置する場合、電線の被覆の端部の保持が不十分になり、ワイヤーバレルなどで断線するなどの不良が発生する虞がある。そのため、圧着端子では、図１０Ａに示すように、ワイヤーバレルとインシュレーションバレルとの間の空間において被覆のある部分と被覆のない部分との比が１：１になっていることが望ましい。

端子付き電線２００の被覆の端部の位置は、端子圧着装置１１における自動圧着機に設定される被覆除去部分の長さに関するパラメータに基づいて決定される。しかしながら、上述したパラメータに一定の値が設定されている場合であっても、自動圧着機の稼働により、電線と金型との位置関係の経時変化が生じて、被覆の端部の位置が変化する虞がある。

そこで、実施の形態２に係る端子付き電線製造システム１００Ａでは、機械学習型の画像判定部５Ａによって、被覆２０３の端部２０３ａの位置の適否を判定する。

先ず、端子付き電線製造システム１００Ａでは、端子圧着部検査用学習モデル６５として、被覆２０３の端部２０３ａの位置に関する学習モデル６５２を生成する。
例えば、被覆２０３の端部２０３ａが適切な位置にある端子圧着部の画像として図８Ａに示すような端子圧着部の画像を複数（例えば、数十枚～数百枚）準備するとともに、被覆２０３の端部２０３ａが不適切な位置にある端子圧着部の画像として図１０Ｂおよび図１０Ｃに示すような端子圧着部の画像を複数（例えば、数十枚～数百枚）準備し、それらを画像判定部５Ａに入力して学習させることにより、学習モデル６５２を生成する。

ここで、学習モデル６５２は、例えば、ニューラルネットワークの入力層に入力された端子付き電線２００の端子圧着部の画像（例えば、図１０Ａ～図１０Ｃに示す画像における領域５０２の画像情報）に対して所定の重み付け係数に基づく演算を行い、被覆２０３の端部２０３ａの適否に関する判定結果を定量化した値を上記ニューラルネットワークの出力層から出力するように、情報処理装置（コンピュータ）を機能させるためのプログラムである。
上述のように生成した学習モデル６５２は、上述した学習モデル６３と同様に記憶部６Ａに予め記憶される。

画像判定部５Ａは、撮影画像データ６１と、予め登録された学習モデル６５２とに基づいて、検査対象の端子付き電線２００の端子圧着部における被覆２０３の端部２０３ａの位置の適否を判定する。
画像判定部５Ａによって、被覆２０３の端部２０３ａの位置が適切と判定された場合（例えば、検査対象の画像における被覆２０３の端部２０３ａの位置が図１０Ａに示す状態に類似している場合）、情報出力部７は、その判定結果を出力する。設備制御部２１は、情報出力部７から出力された判定結果に応じて、これまで通り、端子付き電線２００の製造を継続する。

一方、画像判定部５Ａによって、被覆２０３の端部２０３ａの位置が不適切であるとする判定結果がｎ回連続した場合、端子付き電線製造システム１００Ａは、以下のように動作する。

例えば、検査対象の画像における被覆２０３の端部２０３ａの位置が図１０Ｂに示す状態（被覆２０３の剥離長さが長い状態）に類似しているという判定結果がｎ回連続して画像判定部５Ａから出力された場合、画像判定装置１Ａの情報出力部７Ａがそのことを示す情報を出力する。設備制御部２１は、情報出力部７Ａから出力された情報に応じて、端子圧着装置１１を制御して端子の位置を調整する。例えば、設備制御部２１は、被覆２０３の剥離長さが短くなるように、端子圧着装置１１の自動圧着機における被覆の剥離長さに関するパラメータの設定値を変更する。

また、例えば、設備制御部２１は、検査対象の画像における被覆２０３の端部２０３ａの位置が図１０Ｃに示す状態（被覆２０３の剥離長さが短い状態）に類似しているという判定結果がｎ回連続した場合、画像判定装置１Ａの情報出力部７Ａがそのことを示す情報を出力する。設備制御部２１は、情報出力部７Ａから出力された情報に応じて、端子圧着装置１１を制御して端子の位置を調整する。例えば、設備制御部２１は、被覆２０３の剥離長さが長くなるように、端子圧着装置１１の自動圧着機における被覆の剥離長さに関するパラメータの設定値を変更する。

なお、画像判定装置１Ａは、被覆２０３の端部２０３ａの位置が不適切であるとする判定結果がｎ回連続した場合、警告情報を出力してもよい。
例えば、入力された画像が図１０Ｂまたは図１０Ｃに示す状態の画像に類似するという判定結果がｎ回連続して画像判定部５Ａから出力された場合に、情報出力部７Ａが警告情報を出力する。設備制御部２１は、情報出力部７Ａから出力された警告情報に応じて、被覆２０３の端部２０３ａの位置を適切にするために端子圧着装置１１の調整（メンテナンス）が必要であることを示す情報を、設備操作用コンピュータ２２の表示装置２３に表示させてもよい。

（３）ベルマウス２１４、２１５の形状の適否を判定する画像判定処理
図１１Ａ～図１１Ｃは、端子付き電線２００の端子圧着部におけるベルマウスを模式的に示す図である。
図１１Ａには、適切なベルマウス２１４，２１５が形成された端子付き電線２００の端子圧着部の側面図が示され、図９Ｂには、前方（嵌合部２１１側）のベルマウス２１４が後方（インシュレーションバレル２１３側）のベルマウス２１５よりも大きく形成された端子付き電線２００の端子圧着部の側面図が示され、図９Ｃには、後方のベルマウス２１５が前方のベルマウス２１４よりも大きく形成された端子付き電線２００の端子圧着部の側面図が示されている。

一般に、端子付き電線２００の端子圧着部では、圧着端子と金型の位置関係が正しい場合、ワイヤーバレル２１２の前後両方にベルマウス２１４，２１５が形成される。例えば、図１１Ａに示すように、端子付き電線２００の端子圧着部では、ベルマウス２１４，２１５の形状が均等であることが望ましい。

しかしながら、経時変化等で端子と金型との位置関係が正常な初期状態から変化し、図１１Ｂまたは図１１Ｃに示すように、前方のベルマウス２１４と後方のベルマウス２１５の形状が不均等になる場合がある。このように、ベルマウス２１４、２１５の形状が不均等になった場合、ワイヤーバレル２１２のエッジ（ベルマウス２１４、２１５）に芯線２０２が接触し、断線等の不良が発生する虞がある。

このため、端子と金型の位置関係の経時変化が小さいうちに検出して、メンテナンスを促す機能が期待される。そこで、実施の形態２に係る端子付き電線製造システム１００Ａでは、機械学習型の画像判定部５Ａによって、ベルマウス２１４，２１５の形状の適否を判定する。

先ず、端子付き電線製造システム１００Ａでは、端子圧着部検査用学習モデル６５として、ベルマウスの形状に関する学習モデル６５３を生成する。
例えば、ベルマウス２１４，２１５が適切に形成された端子圧着部の画像として図１１Ａに示すような端子圧着部の画像を複数（例えば、数十枚～数百枚）準備するとともに、ベルマウス２１４，２１５が不適切な形状である端子圧着部の画像として図１１Ｂおよび図１１Ｃに示すような端子圧着部の画像を複数（例えば、数十枚～数百枚）準備し、それらの画像を画像判定部５Ａに入力して学習させることにより、学習モデル６５３を生成する。

ここで、学習モデル６５３は、例えば、ニューラルネットワークの入力層に入力された端子付き電線２００の端子圧着部の画像（例えば、図１１Ａ～図１１Ｃに示す画像における領域５０３の画像情報）に対して所定の重み付け係数に基づく演算を行い、ベルマウス２１４，２１５の形状の適否に関する判定結果を定量化した値を上記ニューラルネットワークの出力層から出力するように、情報処理装置（コンピュータ）を機能させるためのプログラムである。
上述のように生成した学習モデル６５３は、上述した学習モデル６３と同様に記憶部６Ａに予め記憶される。

画像判定部５Ａは、撮影画像データ６１と、予め登録された学習モデル６５３とに基づいて、検査対象の端子付き電線２００の端子圧着部におけるベルマウス２１４，２１５の形状の適否を判定する。

画像判定部５Ａによって、ベルマウス２１４，２１５の形状が適切と判定された場合（例えば、検査対象の画像におけるベルマウス２１４，２１５の形状が図１１Ａに示す状態に類似している場合）、情報出力部７は、その判定結果を出力する。設備制御部２１は、情報出力部７から出力された判定結果に応じて、これまで通り、端子付き電線２００の製造を継続する。

一方、ベルマウス２１４，２１５の形状が不適切であるとする判定結果がｎ回連続して画像判定部５Ａから出力された場合、画像判定装置１Ａは、警告情報を出力する。
例えば、入力された画像が図１１Ｂまたは図１１Ｃに示す状態の画像に類似するという判定結果がｎ回連続して画像判定部５Ａから出力された場合に、情報出力部７Ａが警告情報を出力する。設備制御部２１は、情報出力部７Ａから出力された警告情報に応じて、端子と金型との位置関係を適切にするために端子圧着装置１１の調整（メンテナンス）が必要であることを示す情報を、設備操作用コンピュータ２２の表示装置２３に表示させる。

次に、実施の形態２に係る端子付き電線製造システム１００Ａによる検査工程（ステップＳ２）について説明する。
図１２は、実施の形態２に係る端子付き電線製造システム１００Ａによる検査工程（ステップＳ２）の流れを示すフロー図である。

図１２に示すように、実施の形態２に係る端子付き電線製造システム１００Ａによる検査工程は、端子付き電線２００の端子圧着部の位置の良否判定のための機械学習による画像判定処理（ステップＳ２３）の後に、端子付き電線２００の端子圧着部の状態の画像判定処理を実行する点において、実施の形態１に係る端子付き電線製造システム１００による検査工程と相違し、その他の点においては、実施の形態１に係る端子付き電線製造システム１００による検査工程と同様である。

図１２に示すように、ステップＳ２３における端子付き電線２００の端子圧着部の良否判定のための機械学習による画像判定処理が終了した後、画像判定部５Ａが、ステップＳ１で製造された端子付き電線２００の端子圧着部の状態の適否を判定するための機械学習型の画像判定処理を実行する（ステップＳ２８）。

図１３は、ステップＳ２８における端子付き電線２００の端子圧着部の状態の適否を判定するための機械学習型の画像判定処理の流れを示すフロー図である。

ステップＳ２８において、先ず、画像判定部５Ａが、ステップＳ２１で取得した撮影画像データ６１に含まれる端子付き電線２００の端子圧着部の画像から検査範囲を特定する（ステップＳ３１）。
例えば、芯線２０２の出代の適否を検査する場合、図９Ａ～図９Ｃにおける領域５０１を検査範囲として特定する。また、例えば、被覆２０３の端部２０３ａの位置の適否を検査する場合、図１０Ａ～図１０Ｃにおける領域５０２を検査範囲として特定する。また、例えば、ベルマウス２１４，２１５の形状の適否を検査する場合、図１１Ａ～図１１Ｃにおける領域５０３を検査範囲として特定する。

次に、画像判定部５Ａが、ステップＳ２１で取得した画像のステップＳ３１で特定された検査範囲の画像情報と、記憶部６Ａに記憶されている学習モデル６５とに基づいて、端子圧着部の状態の適否を判定する（ステップＳ３２）。

例えば、芯線２０２の出代の適否を検査する場合、画像判定部５Ａは、ステップＳ３１で特定した図９Ａ～図９Ｃにおける領域５０１の画像情報と学習モデル６５１とに基づいて、上述した手法により、芯線２０２の出代の適否を判定する。また、例えば、被覆２０３の端部２０３ａの位置の適否を検査する場合、画像判定部５Ａは、ステップＳ３１で特定した図１０Ａ～図１０Ｃにおける領域５０２の画像情報と学習モデル６５２とに基づいて、上述した手法により、被覆２０３の端部２０３ａの位置の適否を判定する。また、例えば、ベルマウス２１４，２１５の形状の適否を検査する場合、画像判定部５Ａは、ステップＳ３１で特定した図１１Ａ～図１１Ｃにおける領域５０３の画像情報と学習モデル６５３とに基づいて、上述した手法により、ベルマウス２１４，２１５の形状の適否を判定する。

ステップＳ３２の判定処理によって、端子付き電線２００の端子圧着部が適切と判定された場合（ステップＳ３３：Ｙｅｓ）、ステップＳ２８の処理が終了し、設備制御部２１は、端子圧着装置１１および画像判定装置１Ａを制御して、端子付き電線２００の製造および検査を継続させる。

一方、ステップＳ３２の判定処理により、端子付き電線２００の端子圧着部が不適切と判定された場合（ステップＳ３３：Ｎｏ）、情報出力部７は、端子圧着部が不適切であるとする判定結果がｎ回連続したか否かを判定する（ステップＳ３４）。具体的には、上述したように、入力された画像が図１１Ｂ，図１１Ｃ等に示す状態の画像に類似するという判定結果がｎ回連続して画像判定部５Ａから出力されたか否かを、情報出力部７が判定する。

ステップＳ３４において、端子圧着部が不適切であるとする判定結果がｎ回連続していない場合、ステップＳ２８の処理が終了し、設備制御部２１は、端子圧着装置１１および画像判定装置１Ａを制御して、端子付き電線２００の製造および検査を継続させる。

一方、ステップＳ３４において、端子圧着部が不適切であるとする判定結果がｎ回連続した場合、上述したように、制御装置２０（設備制御部２１）が端子圧着装置１１（例えば自動圧着機）のパラメータの設定値を変更し、または、画像判定装置１Ａ（情報出力部７Ａ）が警告情報を出力する（ステップＳ３５）。
以上の処理手順により、端子付き電線２００の端子圧着部の状態の適否を判定するための機械学習型の画像判定処理が行われる。

以上、実施の形態２に係る画像判定装置１Ａにおいて、画像判定部５Ａは、端子付き電線２００の端子圧着部に関する学習モデル６５（学習モデル６５１，６５２，６５３）と、撮影した画像における端子付き電線２００の端子圧着部を含む領域の画像情報とに基づいて、端子付き電線２００の端子圧着部の適否を判定する。

例えば、上述したように、画像判定部５Ａが、ワイヤーバレルの２１２に対する芯線２０２の出代、被覆２０３の端部２０３ａの位置、およびワイヤーバレル２１２に形成されたベルマウス２１４，２１５の形状についての適否を、機械学習型の画像判定処理によって判定する。これによれば、良品の端子付き電線２００が製造されている状況であっても、端子圧着装置１１で発生する経時変化（経時に伴う電線および端子と金型との位置関係のずれや金型の摩耗等）に起因する不良品の発生を未然に防ぐことが可能となる。

また、実施の形態２に係る端子付き電線製造システム１００Ａにおいて、端子付き電線２００の端子圧着部が不適切であるとする判定結果がｎ回連続した場合に、端子圧着装置を制御して端子の位置を調整してもよい。これによれば、管理者等の作業コストを低減することが可能となる。

例えば、ワイヤーバレルの２１２に対する芯線２０２の出代が不適切であるとする判定結果がｎ回連続した場合に、芯線２０２の出代を調整するように、端子圧着装置１１の自動圧着機におけるモータ移動のパルス数等のパラメータの設定値を変更する。これによれば、管理者等が芯線２０２の出代を再調整する作業コストを低減することができる。

また、例えば、被覆２０３の端部２０３ａの位置が不適切であるとする判定結果がｎ回連続した場合に、被覆２０３の剥離長さを調整するように、端子圧着装置１１の自動圧着機における被覆の剥離長さに関するパラメータの設定値を変更する。これによれば、管理者等が被覆２０３の剥離長さを再調整する作業コストを低減することができる。

更に、実施の形態２に係る端子付き電線製造システム１００Ａにおいて、端子付き電線２００の端子圧着部が不適切であるとする判定結果がｎ回連続した場合に、画像判定装置１Ａ（情報出力部７Ａ）が警告情報を出力してもよい。
例えば、上述したように、ベルマウス２１４，２１５の形状が不適切であるとする判定結果がｎ回連続した場合に、画像判定装置１Ａが警告情報を出力することにより、設備操作用コンピュータ２２が、端子および電線と金型との位置関係を適切にするために端子圧着装置１１の調整（メンテナンス）が必要であることを示す情報を表示装置２３に表示してもよい。

これによれば、ベルマウス２１４，２１５の形状の不均等が小さい初期段階において、端子および金型の位置関係のメンテナンスが可能となり、正常なベルマウスを維持することが可能となる。

このように、実施の形態２に係る画像判定装置１Ａによれば、不良品の発生を未然に防ぐことが可能となるので、不良品の市場への流出を防ぐことが可能となる。

また、実施の形態２に係る画像判定装置１Ａによれば、従来、熟練者の目視と経験によって不良品の発生の前兆を発見して対処した項目も、機械学習型の画像判定処理によって自動的に検出することができるので、作業効率の向上が期待できる。

なお、実施の形態２に係る画像判定装置１Ａにおいて、機械学習型の画像判定部５Ａの事前学習が不十分な場合に関しては、前述の実施の形態１に係る画像判定装置１と同様、初期段階では非機械学習型の画像判定部４の出力を優先して採用し、機械学習型の画像判定部５Ａには学習させる対応が可能である。また、機械学習型の画像判定部５Ａの学習が進んだ場合にも、前述の実施の形態１に係る画像判定装置１と同様の対応が可能である。

≪実施の形態３≫
図１４は、実施の形態３に係る端子付き電線製造システムの構成を示す図である。
実施の形態３に係る端子付き電線製造システム１００Ｇの画像判定装置１Ｇは、端子付き電線２００の端子圧着部の判定結果に基づいて、学習モデルの更新を行う機能を有する点において、実施の形態１に係る画像判定装置１と相違する。

図１４に示すように、実施の形態３に係る画像判定装置１Ｂは、学習モデル取得部３１と学習モデル生成部３２とを更に有する。学習モデル取得部３１および学習モデル生成部３２は、例えば、画像判定装置１Ｂを構成するコンピュータのプログラム処理によって実現される。

学習モデル取得部３１は、画像判定装置１Ｇの外部から学習型の画像判定部５による判定処理に用いる学習モデル６３を取得し、記憶部６に記憶するための機能部である。

例えば、学習モデル取得部３１は、ネットワーク５００に接続されている他の端子付き電線製造システム１００または情報処理装置３００に記憶されている学習モデル６３を、制御装置２０の通信装置２４を用いて取得し、記憶部６に記憶する。なお、通信装置２４は、画像判定装置１Ｇが有していてもよい。

学習モデル生成部３２は、学習モデル６３を生成する機能部である。学習モデル生成部３２は、画像判定部の判定結果に基づいて学習モデルを更新する。例えば、学習モデル生成部３２は、非機械学習型の画像判定部４によって判定された撮影画像データ６１と、当該撮影画像データ６１に関する画像判定部４の判定結果とを用いて再学習することにより、記憶部６に記憶されている学習モデル６３を更新する。

例えば、学習モデル生成部３２は、検査対象の撮影画像データ６１に、当該撮影画像データ６１に関する非機械学習型の画像判定部４の判定結果を正解情報としてラベリングした学習用画像（学習データ）を生成し、その学習データを再学習することにより、学習モデル６３を更新する。

図１５は、実施の形態３に係る端子付き電線製造システム１００Ｇによる端子付き電線の製造方法の流れを示す図である。

同図に示されるように、端子付き電線製造システム１００Ｇでは、先ず、端子圧着装置１１が、上述した手法により、電線の端部に端子を圧着して端子付き電線２００を形成する（端子圧着工程：ステップＳ１）。

次に、画像判定装置１Ｂが、学習モデル６３を取得する（ステップＳ３）。例えば、学習モデル取得部３１が、通信装置２４を介して、ネットワーク５００に接続された他の端子付き電線製造システム１００または情報処理装置３００に記憶されている学習モデル６３を取得し、記憶部６に記憶する。

次に、ステップＳ１で形成した端子付き電線２００を撮像装置８によって撮影し、その撮影した画像データに基づいて、ステップＳ１で形成した端子付き電線２００の端子圧着部の良否を判定する（検査工程：ステップＳ２）。ここでは、ステップＳ２で取得した学習モデルを用いて、上述した検査処理が行われる。なお、検査処理の流れは図５のとおりである。検査工程で良品と判定された端子付き電線２００は、その後の種々の工程を経て、端子付き電線またはワイヤハーネスなどとして出荷可能となる。

次に、画像判定装置１Ｂは、ステップＳ２の検査工程による検査結果に基づいて、ステップＳ３で取得した学習モデル６３を更新する（ステップＳ４）。例えば、上述したように、学習モデル生成部３２が、ステップＳ２の検査工程において良否の判定が行われた撮影画像データ６１に、当該撮影画像データ６１に関する非機械学習型の画像判定部４の判定結果をラベリングした学習データを再学習することにより、記憶部６に記憶されている学習モデル６３を更新する。

次に、端子付き電線製造システム１００Ｇは、端子付き電線の製造を終了するか否かを判定する（ステップＳ５）。例えば、設備操作用コンピュータ２２から端子付き電線の製造を中止する指令が出力されていない場合には、端子圧着装置１１が新たな端子付き電線の製造を開始し、画像判定装置１Ｇが新たな製造された端子付き電線の良否判定を行う（ステップＳ１～Ｓ５）。

一方、ステップＳ５において、設備操作用コンピュータ２２から端子付き電線の製造を中止する指令が出力されている場合には、端子圧着装置１１が新たな端子付き電線の製造を停止するとともに、画像判定装置１Ｇが、ステップＳ４で更新した学習モデル６３を、外部に送信する（ステップＳ６）。

例えば、学習モデル生成部３２が、ステップＳ４において再学習によって更新した学習モデル６３を、通信装置２４を介してネットワーク５００に接続された情報処理装置３００または他の端子付き電線製造システム１００に送信する。学習モデル６３を受信した情報処理装置３００または他の端子付き電線製造システム１００は、受信した学習モデル６３に基づいて、自らが記憶していた学習モデル６３を更新する。

このように実施の形態３に係る画像判定装置１Ｇによれば、端子付き電線を製造しながら学習モデル６３を最適化することができるので、端子付き電線を製造する工程と、学習モデル６５を更新するための工程をそれぞれ別々に行う必要がない。これにより、効率よく機械学習型の画像判定処理の精度を向上させることが可能となる。

また、画像判定装置１Ｇによれば、更新した学習モデル６３を、ネットワーク５００を介して接続された他の端子付き電線製造システム１００や情報処理装置（サーバ）３００に送信することができるので、他の端子付き電線製造システム１００との間で、機械学習型の画像判定処理の精度を均一にすることができる。

≪実施の形態４≫
図１６は、実施の形態４に係る端子付き電線製造システムの構成を示す図である。
実施の形態４に係る端子付き電線製造システム１００Ｈの画像判定装置１Ｈは、機械学習型の画像判定部４の判定精度に基づいて、画像データの判定方法を切り替える機能を有する点において、実施の形態３に係る画像判定装置１Ｇと相違する。

図１６に示すように、実施の形態４に係る画像判定装置１Ｈは、信頼性判定部３３を更に有する。信頼性判定部３３は、例えば、画像判定装置１Ｈを構成するコンピュータのプログラム処理によって実現される。

信頼性判定部３３は、機械学習型の画像判定部５による画像判定処理の信頼性を判定するための機能部である。信頼性判定部３３は、機械学習型の画像判定部５の判定精度を表す指標（パラメータ）を算出し、その指標と所定の基準値とを比較して、機械学習型の画像判定部５による画像判定処理の信頼性を判定する。

ここで、所定の基準値は、機械学習型の画像判定部５による画像判定処理の信頼性を測るための指標となる値であり、例えば、非機械学習型の画像判定部４の画像判定精度を表す値、またはそれに準じた値である。

信頼性判定部３３は、例えば、画像判定装置１Ｈにおいて過去に行われた非機械学習型の画像判定部４の判定結果と機械学習型の画像判定部５の判定結果の一致度合に基づいて、機械学習型の画像判定部５の判定精度を算出する。信頼性判定部３３は、算出した判定精度が所定の基準値よりも高い場合に、機械学習型の画像判定部５による画像判定処理の信頼性が高いと判定し、算出した判定精度が所定の基準値よりも低い場合に、機械学習型の画像判定部５による画像判定処理の信頼性が低いと判定する。

情報出力部７Ｈは、機械学習型の画像判定部５の判定精度が所定の基準値を超えていない場合、すなわち信頼性判定部３３によって機械学習型の画像判定部５による画像判定処理の信頼性が低いと判定された場合には、実施の形態１に係る情報出力部７と同様に、非機械学習型の画像判定部４の判定結果と機械学習型の画像判定部５の判定結果とに基づいて、端子圧着部の良否に関する情報を生成して出力する。

一方、機械学習型の画像判定部５の判定精度が所定の基準値を超えている場合、すなわち信頼性判定部３３によって機械学習型の画像判定部５による画像判定処理の信頼性が高いと判定された場合には、情報出力部７Ｈは、非機械学習型の画像判定部４による判定結果を用いることなく、機械学習型の画像判定部５の判定結果に基づいて、端子圧着部の良否に関する情報を生成して出力する。なお、この場合には、非機械学習型の画像判定部４による判定処理を停止させてもよい。

図１７は、実施の形態４に係る端子付き電線製造システム１００Ｈによる端子付き電線の製造方法の流れを示す図である。

同図に示されるように、端子付き電線製造システム１００Ｈでは、先ず、端子圧着装置１１が上述した手法により、電線の端部に端子を圧着して端子付き電線２００を形成する（端子圧着工程：ステップＳ１）。

次に、画像判定装置１Ｈが、学習モデル６３を取得する（ステップＳ３）。例えば、学習モデル取得部３１が、通信装置２４を介して、ネットワーク５００に接続されている他の端子付き電線製造システム１００または情報処理装置３００に記憶されている学習モデル６３を取得し、記憶部６に記憶する。

次に、画像判定装置１Ｈが、学習型の画像判定処理の判定精度が基準値を超えているか否かを判定する（ステップＳ７）。例えば、上述したように、信頼性判定部３３が、ステップＳ３で取得した学習モデル６３を用いた画像判定部５の判定精度を算出し、その判定精度と所定の基準値とを比較して、画像判定部５による画像判定処理の信頼性を判定する。

ステップＳ７において、信頼性判定部３３が、画像判定部５による画像判定処理の信頼性が低いと判定した場合には、実施の形態１と同様に、非機械学習型の画像判定処理と学習型の画像判定処理を行う検査工程を実施する（ステップＳ２）。

一方、信頼性判定部３３が、画像判定部５による画像判定処理の信頼性が低いと判定した場合には、上述したように、画像判定部４による非機械学習型の画像判定処理を行わず、画像判定部５による学習型の画像判定処理の判定結果に基づいて、端子付き電線の圧着部の良否を判定する検査工程を実施する（ステップＳ８）。

ステップＳ２の後、画像判定装置１Ｈは、ステップＳ２の検査工程による検査結果に基づいて、ステップＳ３で取得した学習モデル６３を更新する（ステップＳ４）。例えば、上述したように、学習モデル生成部３２が、ステップＳ２の検査工程において良否の判定が行われた撮影画像データ６１に、当該撮影画像データ６１に関する非機械学習型の画像判定部４の判定結果をラベリングした学習データを再学習することにより、記憶部６に記憶されている学習モデル６３を更新する。

次に、端子付き電線製造システム１００Ｈは、端子付き電線の製造を終了するか否かを判定する（ステップＳ９）。例えば、設備操作用コンピュータ２２から端子付き電線の製造を中止する指令が出力されていない場合には、端子圧着装置１１が新たな端子付き電線の製造を開始し、上述したステップＳ１～Ｓ８までの処理が行われる。

一方、ステップＳ９において、設備操作用コンピュータ２２から端子付き電線の製造を中止する指令が出力されている場合には、端子圧着装置１１が新たな端子付き電線の製造を停止するとともに、画像判定装置１Ｈが、ステップＳ４で更新した学習モデル６３を、外部に送信する（ステップＳ１０）。例えば、実施の形態３に係る画像判定装置１Ｇと同様に、学習モデル生成部３２が、ステップＳ４において再学習によって更新した学習モデル６３を、通信装置２４を介して、ネットワーク５００に接続されている情報処理装置３００または他の端子付き電線製造システム１００に送信する。

なお、学習モデル６３の更新（ステップＳ４）が行われていない場合には、画像判定装置１Ｂは、学習モデル６３の送信（ステップＳ１０）を行わずに、上記の一連の処理を終了してもよい。

このように実施の形態４に係る画像判定装置１Ｈによれば、学習モデル６３が更新され、学習型の画像判定処理の判定精度が十分に高くなった場合には、非機械学習型の画像判定処理を行わず、学習型の画像判定処理のみを行うように画像判定装置１Ｈが自ら判断して判定方法を切り替えるので、ユーザが学習型の画像判定処理の判定精度を解析して、画像判定装置１Ｈのプログラムを書き換える等の作業を行う必要がない。

また、製造される端子付き電線の数が増えて判定精度が十分に高くなった学習モデル６３は、ネットワーク５００を介して外部のサーバや他の端子付き電線製造システム１００Ｈに送信されるので、他の端子付き電線製造システム１００Ｈによる学習型の画像判定処理の判定精度も向上させることが可能となる。

≪実施の形態の拡張≫
以上、本発明者らによってなされた発明を実施の形態に基づいて具体的に説明したが、本発明はそれに限定されるものではなく、その要旨を逸脱しない範囲において種々変更可能であることは言うまでもない。

例えば、上記実施の形態に係る画像判定装置１，１Ａでは、端子付き電線２００の端子圧着部の良否判定に係る複数の画像判定処理の一つが非機械学習型の画像判定処理である場合を例示したが、これに限られない。

具体的には、画像判定装置は、異なる技法に基づく機械学習型の画像判定処理を実行し、夫々の画像判定処理の判定結果に基づいて、対象物（端子付き電線２００の端子圧着部）の良否に関する情報を生成して出力してもよい。
例えば、図１８に示すように、画像判定装置１Ｂは、第１の技法に基づく機械学習による学習モデル６３Ｂと対象物（端子付き電線２００の端子圧着部）を撮影した画像とに基づいて対象物の良否を判定する第１の画像判定部５Ｂと、第１の技法と異なる第２の技法の機械学習による学習モデル６３Ｃと対象物（端子付き電線２００の端子圧着部）を撮影した画像とに基づいて対象物の良否を判定する第２の画像判定部５Ｃとを有していてもよい。

ここで、第１の画像判定部５Ｂは、例えば、自動符号化器を利用して自己学習するオートエンコーダ型の機械学習に基づく画像判定処理を実行し、第２の画像判定部５Ｃは、例えば、画素を分類するセグメンテーション型の機械学習に基づく画像判定処理を実行してもよい。

これによれば、一つの機械学習に基づく画像判定処理のみによって対象物の良否を判定する場合に比べて、画像判定装置による判定精度を向上させることが可能となる。

なお、第１の画像判定部５Ｂと第２の画像判定部５Ｃとは、同一の技法に基づく機械学習型の画像判定処理を実行してもよい。例えば、第１の画像判定部５ＢがＣＮＮ等の学習済みの学習モデル６３Ｂを用いて画像判定を行い、第２の画像判定部５Ｃが、第１の画像判定部５Ｂと同一の技法の、学習モデル６３Ｂよりも学習が進んでいない学習モデル６３Ｃを用いて画像判定を行ってもよい。

また、上記実施の形態では、画像判定装置１，１Ａがそれぞれ２つの画像判定部を備える場合を例示したが、画像判定装置１，１Ａは、３つ以上の画像判定部を備えていてもよい。
例えば、図１９に示す端子付き電線製造システム１００Ｃにおける画像検査装置１０Ｃ内の画像判定装置１Ｃは、機械学習型の画像判定部５Ｄ、５Ｅに加えて、非機械学習型の画像判定部４を有していてもよい。ここで、画像判定部５Ｄ、５Ｅは、例えば、上述した画像判定部５，５Ａ，５Ｂ，５Ｃの何れかと同様の技法による機械学習型の画像判定処理を行う。

図１９に示す端子付き電線製造システム１００Ｃにおいて、例えば、情報出力部７は、画像判定処理を行う全ての画像判定部４、５Ｄ、５Ｅが検査対象の端子付き電線２００を良品と判定した場合に、検査対象の端子付き電線２００が良品であることを示す情報を出力し、画像判定部４、５Ｄ、５Ｅのうち少なくとも一つの画像判定部が検査対象の端子付き電線２００を不良品と判定した場合に、端子付き電線２００の端子圧着部に関する各画像判定部の判定結果の情報を出力すればよい。なお、各画像判定部４、５Ｄ、５Ｅは、例えば、互いに異なるアルゴリズムの画像判定処理を行うことが好ましい。

これによれば、画像判定装置による判定精度を更に向上させることが可能となる。

また、上記実施の形態において、複数の画像判定部から異なる判定結果が出力された場合には、その判定結果に基づいて、画像判定処理に係る各種パラメータを更新してもよい。
例えば、実施の形態１において、機械学習型の画像判定部５が誤判定を行った場合、誤判定となった画像と、正しい判定結果の情報とを画像判定部５に入力して再学習させ、学習モデル６３を更新してもよい。機械学習型の画像判定部５の再学習は、端子付き電線２００の製造中（以下、「オンライン」とも称する。）に実施されてもよいし、端子付き電線２００の製造中以外（以下、「オフライン」とも称する。）に実施されてもよい。

また、例えば、実施の形態１において、非機械学習型の画像判定部４が誤判定を行った場合、オフラインにおいて判定閾値を調整してもよい。

また、上記実施の形態では、情報出力部７，７Ａによる複数の画像判定部４，５（５Ａ，５Ｂ）の判定結果の比較を、オンラインで行う場合を例示したが、オフラインで実施してもよい。例えば、画像入力の形態やデータの出力方式が画像判定部４と画像判定部５との間で異なり、オンラインでの同時検査が向かない場合は、画像判定部４および画像判定部５の何れか一方の画像判定処理をオフラインとしてもよい。

また、実施の形態２において、非機械学習型の画像判定部４によって端子付き電線２００の端子圧着部の良否判定を行い、機械学習型の画像判定部５Ａによって端子付き電線２００の端子圧着部の状態の適否判定を行ってもよい。

また、上記実施の形態において、各画像判定部４，５，５Ａ～５Ｃが一つの情報処理装置（コンピュータ）によって実現される場合を例示したが、これに限られず、各画像判定部４，５，５Ａ～５Ｃが複数の情報処理装置によって実現されてもよい。例えば、実施の形態１において、画像判定部４と画像判定部５とがそれぞれ異なる情報処理装置（コンピュータ）によって実現されてもよい。

また、上記実施の形態において、画像判定装置１，１Ａによる検査の対象物が端子付き電線２００の端子圧着部である場合を例示したが、これに限られず、これまで作業者等の目視によって良品／不良品の検査を行っていた他の製品についても、本実施の形態に係る画像判定技術を適用することが可能である。例えば、画像データと判定結果との組み合わせが時間の経過とともに増加する（好ましくは連続的に得られる）システムへの適用が好適である。

また、上記実施の形態に係る画像検査装置において、非機械学習型の画像判定部と機械学習型の画像判定部において、撮像装置や出力手段が共用できない場合等のように、一方の画像判定部のみを備えた画像検査装置が最終形態として望まれる場合には、一定期間併用した後に、誤判定率の少ない画像判定部を選択してもよい。この場合の最終的な画像判定部の優劣の決定方法としては、一定期間に収集した画像を用いて再検査をする方法が考えられる。例えば、不良品を良品と判定する誤判定結果（または良品を不良品と判定する誤判定結果）が両方の画像判定部で同数出現するように判定閾値を設定する。この状態において、夫々の画像判定部が取得済の画像を用いて再検査する。そして、夫々の画像判定部による良品を不良品と判定した誤判定結果（または不良品を良品と判定した誤判定結果）の回数を比較し、誤判定の数が少ない方の画像判定部を優れた画像判定部として選択すればよい。

また、上述のフローチャートは、動作を説明するための一例を示すものであって、これに限定されない。すなわち、フローチャートの各図に示したステップは一例であって、このフローに限定されるものではない。例えば、一部の処理の順番が変更されてもよいし、各処理間に他の処理が挿入されてもよいし、一部の処理が並列に行われてもよい。

なお、実施の形態３，４では、実施の形態１に係る端子付き電線製造システム１００をベースとして、学習モデル取得部３１、学習モデル生成部３２、および信頼性判定部３３を更に追加する構成を例示したが、これに限られず、実施の形態２に係る端子付き電線製造システム１００Ａに学習モデル取得部３１、学習モデル生成部３２、および信頼性判定部３３を追加してもよい。

１，１Ａ，１Ｂ，１Ｃ，１Ｇ，１Ｈ…画像判定装置、２…撮影制御部、３…画像取得部、４…画像判定部、５，５Ａ，５Ｂ，５Ｃ，５Ｄ，５Ｅ…画像判定部、６，６Ａ…記憶部、７，７Ａ，７Ｈ…情報出力部、８…撮像装置、１０，１０Ａ，１０Ｂ，１０Ｃ，１０Ｇ，１０Ｈ…画像検査装置、１１…端子圧着装置、１２…照明装置、２０…制御装置、２１…設備制御部、２２…設備操作用コンピュータ、２３…表示装置、２４…通信装置、３１…学習モデル取得部、３２…学習モデル生成部、３３…信頼性判定部、４０…情報処理装置、４１…学習モデル生成部、６１…撮影画像データ、６２…基準データ、６３，６３Ｂ，６３Ｃ…学習モデル、６４…検査マスタ情報、６５…学習モデル（端子圧着部検査用学習モデル）、１００，１００Ａ，１００Ｂ，１００Ｃ，１００Ｇ，１００Ｈ…端子付き電線製造システム、２００…対象物（端子付き電線）、２０１…電線、２０２…芯線、２０３…被覆、２０３ａ…被覆２０３の端部、２１０…端子、２１１…嵌合部、２１２…ワイヤーバレル（導通バレル）、２１３…インシュレーションバレル（絶縁バレル）、２１４，２１５…ベルマウス、６５１，６５２，６５３…学習モデル、１０２１…プログラム。

Claims (9)

1. 電線に端子を圧着させた端子付き電線の端子圧着部の少なくとも一部を撮影した撮影画像データに基づいて、前記端子付き電線の良否を判定する複数の画像判定部と、
   前記複数の画像判定部の判定結果に基づいて、前記端子圧着部の良否に関する情報を生成して出力する情報出力部と、
   前記撮影画像データ、所定の技法に基づく機械学習による学習モデル、および前記情報出力部の出力を記憶する記憶部と、
   前記学習モデルを生成する学習モデル生成部とを有し、
   前記複数の画像判定部は、前記学習モデルと前記撮影画像データとに基づいて前記端子圧着部の良否を判定する機械学習型の画像判定部と、予め登録された基準データと前記撮影画像データとの一致の度合いに基づいて前記端子圧着部の良否を判定する非機械学習型の画像判定部とを含み、
   前記情報出力部は、前記複数の画像判定部のそれぞれが前記端子圧着部を良品と判定した場合に、前記端子圧着部が良品であることを示す情報を出力し、前記複数の画像判定部の少なくとも一つが前記端子圧着部を不良品と判定した場合に、前記複数の画像判定部によるそれぞれの判定結果の情報を出力し、
   前記学習モデル生成部は、前記撮影画像データに当該撮影画像データに関する前記非機械学習型の画像判定部の判定結果を正解情報としてラベリングした学習データを生成し、前記学習データを再学習することにより、前記学習モデルを更新する
   ことを特徴とする画像判定装置。
2. 請求項１に記載の画像判定装置において、
   機械学習型の画像判定部による判定精度が所定の基準値を超えているか否かを判定する信頼性判定部を更に有し、
   前記情報出力部は、前記信頼性判定部によって前記機械学習型の画像判定部による判定精度が所定の基準値を超えていないと判定された場合に、前記非機械学習型の画像判定部の判定結果と前記機械学習型の画像判定部の判定結果とに基づいて、前記端子圧着部の良否に関する情報を生成して出力し、前記信頼性判定部によって前記機械学習型の画像判定部による判定精度が所定の基準値を超えていると判定された場合に、前記機械学習型の画像判定部の判定結果に基づいて、前記端子圧着部の良否に関する情報を生成して出力する
   ことを特徴とする画像判定装置。
3. 請求項１または２に記載の画像判定装置において、
   前記学習モデルは、機械学習による、前記端子付き電線の前記端子圧着部の状態に関する学習モデルであって、
   前記画像判定部は、前記端子圧着部の状態に関する学習モデルと、前記撮影画像データの前記端子圧着部を含む領域の画像情報とに基づいて、前記端子圧着部の状態の適否を判定する
   ことを特徴とする画像判定装置。
4. 請求項３に記載の画像判定装置において、
   前記端子圧着部の状態に関する学習モデルは、前記端子圧着部のワイヤーバレルの端部から突出する前記電線の芯線の長さに関する学習モデルであって、
   前記画像判定部は、前記芯線の長さに関する学習モデルと、前記画像情報とに基づいて、前記芯線の長さの適否を判定する
   ことを特徴とする画像判定装置。
5. 請求項３または４に記載の画像判定装置において、
   前記端子圧着部の状態に関する学習モデルは、前記電線の被覆の端部の位置に関する学習モデルであって、
   前記画像判定部は、前記被覆の端部の位置に関する学習モデルと、前記画像情報とに基づいて、前記被覆の端部の位置の適否を判定する
   ことを特徴とする画像判定装置。
6. 請求項３乃至５の何れか一項に記載の画像判定装置において、
   前記端子圧着部の状態に関する学習モデルは、前記端子圧着部のワイヤーバレルの両端部に形成されるベルマウスの形状に関する学習モデルであって、
   前記画像判定部は、前記ベルマウスの形状に関する学習モデルと、前記画像情報とに基づいて、前記ベルマウスの形状の適否を判定する
   ことを特徴とする画像判定装置。
7. 請求項３乃至６の何れか一項に記載の画像判定装置において、
   前記情報出力部は、前記端子圧着部が不適切であるとする判定結果がｎ（ｎは２以上の整数）回連続した場合に、警告情報を出力する
   ことを特徴とする画像判定装置。
8. 請求項１乃至７の何れか一項に記載の画像判定装置と、
   前記端子圧着部を撮影して前記撮影画像データを生成する撮像装置とを備える
   ことを特徴とする画像検査装置。
9. 複数の画像判定部と情報出力部と学習モデル生成部とを備えるコンピュータによって、電線に端子を圧着させた端子付き電線の端子圧着部の少なくとも一部を撮影した撮影画像データに基づいて前記端子圧着部の良否を判定する画像判定方法であって、
   前記複数の画像判定部は、所定の技法に基づく機械学習による学習モデルと前記撮影画像データとに基づいて前記端子圧着部の良否を判定する機械学習型の画像判定部と、予め登録された基準データと前記撮影画像データとの一致の度合いに基づいて前記端子圧着部の良否を判定する非機械学習型の画像判定部とを含み、
   前記複数の画像判定部によって、前記撮影画像データに基づいて前記端子圧着部の良否を判定する第１ステップと、
   前記情報出力部が、前記第１ステップにおける前記複数の画像判定部のそれぞれの判定結果に基づいて、前記端子圧着部の良否に関する情報を生成して出力する第２ステップと、
   前記学習モデル生成部が、前記学習モデルを生成する第３ステップとを含み、
   前記第１ステップは、
   前記機械学習型の画像判定部が、前記学習モデルと前記撮影画像データとに基づいて前記端子圧着部の良否を判定する第４ステップと、非機械学習型の画像判定部が、前記基準データと前記撮影画像データとの一致の度合いに基づいて前記端子圧着部の良否を判定する第５ステップと、を含み、
   前記第２ステップは、
   前記情報出力部が、前記複数の画像判定部のそれぞれが前記端子圧着部を良品と判定した場合に、前記端子圧着部が良品であることを示す情報を出力する第６ステップと、
   前記情報出力部が、前記複数の画像判定部の少なくとも一つが前記端子圧着部を不良品と判定した場合に、前記複数の画像判定部によるそれぞれの判定結果の情報を出力する第７ステップと、を含み、
   前記第３ステップは、前記学習モデル生成部が、前記撮影画像データに当該撮影画像データに関する前記非機械学習型の画像判定部の判定結果を正解情報としてラベリングした学習データを生成し、前記学習データを再学習することにより、前記学習モデルを更新する第８ステップを含む
   画像判定方法。

Images