JP7314723B2 - 画像処理システム、及び画像処理プログラム - Google Patents

Description

本発明は、検査対象物を撮影して得られた画像中の識別対象を検出する検査技術に関し、特に検査対象物が良品であるか否かの判定を行うための画像処理システムに関する。

従来、各種製品の製造工場などにおいて、製造した製品が不良品でないことを確認するために、製品を撮影して得られた画像に対して画像処理などを行い、製品の良否を自動的に判定する検査機が使用されている。
このような検査機により不良品と判定された製品の画像を人間が確認すると、実際に不良品である場合だけでなく、実際には不良品ではない偽陽性の場合があった。このため、そのような偽陽性の生じない優れた精度の検査機の開発が望まれていた。

また、検査機には、撮影した画像に対して各種の画像処理を行った後、次いで画像に写る物体の特徴量を計算し、得られた特徴量を用いて良品であるか否かの判定（以下、良品判定と称する場合がある）を行うものがある。
ところが、画像処理には多くの種類があり、また良品判定に用いることが可能な特徴量も多数存在しており、その組合せを考慮すると膨大な種類が考えられるため、人が最適化することは非常に煩雑であった。また、その結果が本当に最適であるか否かを見極めることは、極めて難しかった。

さらに、良品判定においては、一般的に、良品のサンプルを準備することは容易であるが、不良品のサンプルを取得することは難しい。このため、良品判定のアルゴリズムを良品サンプルと不良品サンプルの両方を用いて学習させる必要のある、教師あり学習によって開発することは、困難であるという問題があった。
したがって、このような良品判定については、教師なし学習を適用することが望ましいと考えられる。

特許第４６６０７６５号公報 特許第４６８８９５４号公報 国際公開第２０１７／０６８６７５号パンフレット

ここで、特許文献１に記載の進化型画像自動分類装置では、遺伝的プログラミング（ＧＰ，木構造）を用いることにより、画像処理の最適化が行われている。
また、特許文献２に記載の画像分類装置では、遺伝的アルゴリズム（ＧＡ，直線構造）を用いることにより、使用する特徴量の最適化が行われている。
さらに、特許文献３に記載のプログラム生成装置では、遺伝的プログラミング（ＧＰ，木構造）を用いることにより、画像処理と使用する特徴量の最適化が行われている。

しかしながら、これら従来の装置では、教師なし学習を適用するための工夫はなされていない。
このような状況において、本発明者らは、良品サンプルのみで学習可能な教師なし学習を用いて良品判定を実施することとし、その良品判定に適した特徴量を得るために、進化的計算を用いて、画像処理及び特徴量、並びに教師なし学習を最適化可能な画像処理システムを開発することに成功して、本発明を完成させた。
また、進化的計算において、遺伝的ネットワークプログラミング（ＧＮＰ）の手法を採用することにより、最適化の自由度を向上させることを可能にした。

本発明は、高精度の良品判定を行うことが可能な画像処理システム、及び画像処理プログラムの提供を目的とする。

上記目的を達成するため、本発明の画像処理システムは、生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像に含まれ得る識別対象を分類するための個体情報及び学習結果モデルを最適化する画像処理システムであって、有閉路及び／又はフィードバック構造を含み得るネットワーク状に複数の機能単位の実行順序を定義する個体情報からなる個体群を記憶する個体群記憶部と、前記個体情報にもとづいて、学習用画像データを用いて特徴量を計算し、得られた特徴量を有する学習用レコードを作成する学習用特徴量計算部と、前記個体情報にもとづいて、検証用画像データを用いて特徴量を計算し、得られた特徴量とこれに対応する識別ラベルとを有する検証用レコードを作成する検証用特徴量計算部と、前記学習用レコードを用いて、教師なし学習により学習結果モデルを作成する学習モデル処理部と、前記検証用レコードの特徴量を前記学習結果モデルに入力して指標値を計算し、前記検証用レコードの識別ラベルと前記指標値とを用いて、前記個体情報ごとに評価値を計算し、この評価値にもとづき前記個体情報を順位付けする評価値計算部と、前記個体情報の順位付け情報にもとづき前記個体情報の選択又は変更を行って、前記個体群記憶部を更新する遺伝子操作部とを備える構成としてある。

また、本発明の画像処理システムを、前記機能単位として、（１）画像の色空間を選択するノード、（２）画像処理を実行するノード、（３）特徴量を計算するノード、及び（４）教師なし学習を選択するノードを記憶する機能単位記憶部と、前記機能単位記憶部から（１）～（４）の各ノードを含む複数のノード、又は、（２）～（４）の各ノードを含む複数のノードを選択して、有閉路及び／又はフィードバック構造を含み得るネットワーク状に複数の機能単位の実行順序を定義する個体情報を生成して、前記個体群記憶部に記憶させる個体情報生成部とを備える構成とすることが好ましい。

また、本発明の画像処理プログラムは、生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像に含まれ得る識別対象を分類するための個体情報及び学習結果モデルを最適化する画像処理プログラムであって、コンピュータを、有閉路及び／又はフィードバック構造を含み得るネットワーク状に複数の機能単位の実行順序を定義する個体情報からなる個体群を記憶する個体群記憶部、前記個体情報にもとづいて、学習用画像データを用いて特徴量を計算し、得られた特徴量を有する学習用レコードを作成する学習用特徴量計算部、前記個体情報にもとづいて、検証用画像データを用いて特徴量を計算し、得られた特徴量とこれに対応する識別ラベルとを有する検証用レコードを作成する検証用特徴量計算部、前記学習用レコードを用いて、教師なし学習により学習結果モデルを作成する学習モデル処理部、前記検証用レコードの特徴量を前記学習結果モデルに入力して指標値を計算し、前記検証用レコードの識別ラベルと前記指標値とを用いて、前記個体情報ごとに評価値を計算し、この評価値にもとづき前記個体情報を順位付けする評価値計算部、及び、前記個体情報の順位付け情報にもとづき前記個体情報の選択又は変更を行って、前記個体群記憶部を更新する遺伝子操作部として機能させる構成としてある。

また、本発明の画像処理プログラムを、コンピュータを、前記機能単位として、（１）画像の色空間を選択するノード、（２）画像処理を実行するノード、（３）特徴量を計算するノード、及び（４）教師なし学習を選択するノードを記憶する機能単位記憶部、並びに、前記機能単位記憶部から（１）～（４）の各ノードを含む複数のノード、又は、（２）～（４）の各ノードを含む複数のノードを選択して、有閉路及び／又はフィードバック構造を含み得るネットワーク状に複数の機能単位の実行順序を定義する個体情報を生成して、前記個体群記憶部に記憶させる個体情報生成部として機能させる構成とすることが好ましい。

本発明によれば、良品判定を行う画像処理システムにおいて、画像処理及び特徴量等、並びに教師なし学習を最適化することができ、高精度の良品判定を行うことが可能となる。

本発明の第一実施形態に係る画像処理装置の構成を示すブロック図である。 本発明の第一実施形態に係る画像処理装置による処理手順を示すフローチャートである。 本発明の第一実施形態に係る画像処理装置による特徴量の計算処理手順を示すフローチャートである。 本発明の第一実施形態に係る画像処理装置による評価値計算処理手順を示すフローチャートである。 本発明の第一実施形態に係る画像処理装置による遺伝子操作処理手順を示すフローチャートである。 本発明の第二実施形態に係る画像処理装置の構成を示すブロック図である。 本発明の第二実施形態に係る画像処理装置による処理手順を示すフローチャートである。 本発明の第三実施形態に係る画像処理装置の構成を示すブロック図である。 本発明の第四実施形態に係る画像処理装置の構成を示すブロック図である。 本発明の第四実施形態に係る画像処理装置による処理手順を示すフローチャートである。

以下、本発明の画像処理システム、及び画像処理プログラムの実施形態について詳細に説明する。ただし、本発明は、以下の実施形態の具体的な内容に限定されるものではない。

［第一実施形態］
まず、本発明の第一実施形態に係る画像処理システム、及び画像処理プログラムの第一実施形態について、図面を参照して説明する。
本実施形態の画像処理システムは、生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像に含まれ得る識別対象を分類するための個体情報及び学習結果モデルを最適化するものである。

具体的には、図１に示すように、本実施形態の画像処理システムに対応する画像処理装置１は、機能単位記憶部１０、個体生成部１１、個体群記憶部１２、画像読込部１３、画像記憶部１４、ラベル読込部１５、特徴量計算部１６、特徴量記憶部１７、学習モデル処理部１８、学習モデル記憶部１９、指標値記憶部２０、評価値計算部２１、評価結果記憶部２２、及び遺伝子操作部２３を備えている。

本実施形態の画像処理装置１におけるこれらの各構成は、図１に示すように一個の情報処理装置に全て備えることができる。また、これらの各構成は、複数の情報処理装置からなる画像処理システムの各装置に分散して備えてもよい。これは、後述する各実施形態についても同様である。

機能単位記憶部１０は、後述する個体情報を構成するノード（遺伝子に相当する）を記憶する。ノードには、（１）画像の色空間を選択するノード、（２）画像処理を実行するノード、（３）特徴量を計算するノード、及び（４）教師なし学習を選択するノードが含まれる。

画像の色空間を選択するノードとしては、特に限定されないが、例えば画像内の全画素のＲＧＢ色空間の各座標値の成分やＧＲＡＹ等を用いることができる。また、ＲＧＢ値から変換して得られるL*a*b*色空間やＨＳＶ色空間の各座標値の成分を用いることもできる。

画像処理を実行するノードとしては、特に限定されないが、中央値、最大値、最小値、ガウシアン、ラプラシアン、ガンマ補正、ヒストグラム平坦化、２値化、周波数フィルタ、及び処理無し等を用いることができる。
特徴量を計算するノードとしては、特に限定されないが、形状としてサイズ、アスペクト比、周囲長、又は円形度を計算するもの、輝度として平均値、標準偏差、最大値、最小値、最大値－最小値、中央値、第１四分位数、及び第３四分位数等を計算するもの、並びにこれらの特徴量の計算に用いられるパラメータを含むものとすることができる。

また、特徴量を計算するノードとして、特徴量の計算において何も処理を行わないものを用いるも好ましい。このような何も処理を行わないものを用いることにより、例えば個体情報を生成するための初期ノード数の設定値が多すぎた場合などに、実質的なノード数を減らすことができる。

教師なし学習を選択するノードとしては、特に限定されないが、ＭＴ（Maharanobis Taguchi法）のシリーズとして、Maharanobis Taguchi法、Maharanobis Taguchi Afjoint法、Recognition Taguchi法、Taguchi法、Taguchi Schmidt法、及び混合ガウス法のいずれか等を用いることができる。これらの教師なし学習により作成されるモデルは、当該教師なし学習で用いられるマハラビノス距離を算出するための式である。

具体的には、例えば、以下のものを用いることができる。
＜Maharanobis Taguchi法＞

＜Maharanobis Taguchi Afjoint法＞

＜Recognition Taguchi法＞

この他に、Taguchi法、Taguchi Schmidt法などによる式を用いることも可能である。

さらに、教師なし学習を選択するノードとして、Ｏｎｅ Ｃｌａｓｓ サポートベクターマシン（One Class Support Vector Machine（ＯＣＳＶＭ））、又はオートエンコーダ（自己符号化器，autoencoder）等を用いることもできる。これらの教師なし学習により作成されるモデルは、当該教師なし学習で用いられる予測値を算出するための式である。

具体的には、例えば、以下のものを用いることができる。
＜Ｏｎｅ Ｃｌａｓｓ サポートベクターマシン（ＯＣＳＶＭ）＞
ＯＣＳＶＭの決定関数は、以下のとおりである。

ただし、ρ＞０である。

ここで、ＯＣＳＶＭの主問題は、以下の式となる。

数７に示す式において、損失関数に数８に示すスラック変数を適用して表現すると、数７に示す式の最適化問題は、数９に示す式のように書き直せる。

この式をラグランジュの未定乗数法で解くことで、パラメータ値w、ξ、ρが決定できる（竹内一郎，烏山昌幸，機械学習プロフェッショナルシリーズ：サポートベクトルマシン，講談社（2015）参照）。

＜オートエンコーダ＞

（L番目の層のi番目のユニットの出力値）
なお、ｆは活性化関数であり、シグモイド関数やReLU関数などが用いられる。また、学習では数１１に示す損失関数を最小にするｗとｂの値を、誤差逆伝播法などにより求める（G. E. Hinton and R. R. Salakhutdinov, Reducing the Dimensionality of Data with Neural Networks, Science, vol. 313, pp. 504-507(2006)参照）。

個体生成部１１は、機能単位記憶部１０に記憶されているノードを用いて、複数のノードの組み合わせを定義する個体情報を生成する。個体生成部１１は、このような個体情報を以下の条件でランダムに複数生成して、個体群記憶部１２に記憶させることができる。
すなわち、個体生成部１１は、機能単位記憶部１０から（１）～（４）の各ノード（（１）画像の色空間を選択するノード、（２）画像処理を実行するノード、（３）特徴量を計算するノード、及び（４）教師なし学習を選択するノード）を含む複数のノードを選択して、有閉路及び／又はフィードバック路構造を含み得るネットワーク状（ＧＮＰ：遺伝的ネットワークプログラミング）に複数の機能単位の実行順序を定義する個体情報を生成して、個体群記憶部１２に記憶させる。
このような個体情報は、カラー画像を学習用画像と検証用画像として使用する場合に好適に用いることができる。

本実施形態の画像処理装置１は、画像の色空間の選択、画像処理、特徴量計算、及び教師なし学習の選択を最適化する組合せの探索を行う最適化問題（離散最適化問題）に対する解を計算するものであるところ、探索空間が非常に広大であり、また局所解が多く存在する。
そこで、本実施形態の画像処理装置１では、遺伝的アルゴリズム（ＧＡ：直線構造）や遺伝的プログラミング（ＧＰ：木構造）ではなく、遺伝的ネットワークプログラミング（ＧＮＰ：ネットワーク状）の個体情報として、（１）～（４）の各ノードを含む個体情報を生成することにより、このような問題を有利に解決する構成としている。

ここで、遺伝的ネットワークに含まれ得る有閉路とは、向きが付いたリンクにより構成される有向ネットワークであり、フィードバック構造が含まれることがある。また、フィードバック構造には、２個のノード間でのフィードバック構造も含まれる。
このような遺伝的ネットワークには、結果として、直線構造と木構造も含まれ得るが、個体生成部１１により、ネットワーク状に複数の機能単位の実行順序を定義する個体情報を生成させることで、ノードの再利用／共有が可能となるため、探索空間を有効に構成することが可能になる。また、生物の脳構造はネットワーク状であるところ、人の脳を模擬した判断を行い得る。
さらに、木構造ではブロード（構造の広がり）が発生することで、探索空間を無用に広げることがあるが、ネットワークではブロードが発生しないため、解空間の効率的な探索が可能になる。

具体的には、個体生成部１１は、（１）～（３）について、１つ又は複数のノードを選択し、（４）については、１つのノードを選択する。このとき、個体生成部１１は、各ノードをランダムに選択することができる。

また、個体生成部１１は、ネットワーク状にノードの実行順序を選択するところ、（１）～（３）の実行順序は、この順序に限定されず、例えば以下のようになる場合がある。ただし、（４）は、（１）～（３）の実行後の順序で選択される。
・（１）⇒（３）（（２）を実行しない）
・（１）⇒（２）⇒（３）⇒先の（２）⇒他の（３）
・（１）⇒（２）⇒（３）⇒先の（１）⇒他の（２）⇒他の（３）
なお、（２）又は（３）から始まるものは、後述する白黒画像を使用する場合に選択され得る。

また、白黒画像を学習用画像と検証用画像として使用する場合には、色空間はＧＲＡＹのみを用いるため、上記（１）の画像の色空間を選択するノードを使用せずに、個体生成部１１を、機能単位記憶部１０から（２）～（４）の各ノードを含む複数のノードを選択して、有閉路及び／又はフィードバック路構造を含み得るネットワーク状（ＧＮＰ：遺伝的ネットワークプログラミング）に複数の機能単位の実行順序を定義する個体情報を生成して、個体群記憶部１２に記憶させる構成とすることが好ましい。
このとき、（２）と（３）の実行順序は、この順序に限定されず、（４）は、（２）と（３）の実行後の順序で選択される。

個体群記憶部１２は、個体生成部１１によって生成された複数の個体情報からなる個体群を記憶する。各個体情報は、個体情報の識別情報（個体番号）ごとに、個体群記憶部１２に記憶させることができる。
また、個体群として、一の世代又は複数の世代を個体群記憶部１２に記憶させてもよい。この場合、各個体情報は、世代の識別情報（世代番号）及び個体情報の識別情報ごとに記憶させることができる。後述する評価値計算部２１は、世代ごとに個体情報を順位付けし、順位付け情報を評価結果記憶部２２に記憶させることができる。

画像読込部１３は、画像データを読み込んで（入力して）、その識別情報ごとに画像記憶部１４に記憶させる。
画像読込部１３は、学習用画像データを読み込む学習用画像読込部１３１と、検証用画像データを読み込む検証用画像読込部１３２を有している。
画像記憶部１４は、画像データの識別情報ごとに、学習用画像データと検証用画像データを記憶する。

ラベル読込部１５は、各検証用画像データにおいて、学習用画像に存在している識別対象が存在するか否かを示す識別ラベルを読み込んで、画像記憶部１４において検証用画像データに対応付けて記憶させる。
すなわち、この識別ラベルには、学習用画像に存在している識別対象が検証用画像に存在することを示す陽性対象識別ラベルと、学習用画像に存在している識別対象が検証用画像に存在しないことを示す陰性対象識別ラベルとが含まれる。
なお、本実施形態では、不良を不良として検出する場合を陽性、不良を良品として検出する場合を偽陰性、良品を良品として検出する場合を陰性、良品を不良として検出する場合を偽陽性とする。

特徴量計算部１６は、個体群記憶部１２に記憶された個体情報にもとづいて、画像記憶部１４における画像データを用いて特徴量を計算し、得られた各特徴量を当該個体情報についての当該画像データに対応するレコードとして、特徴量記憶部１７に記憶させる。
特徴量計算部１６は、学習用画像データを用いて特徴量を計算する学習用特徴量計算部１６１と、検証用画像データを用いて特徴量を計算する検証用特徴量計算部１６２を有している。

学習用特徴量計算部１６１は、学習用画像データごとに、個体情報にもとづき特徴量を計算し、個体情報の識別情報及び画像データの識別情報ごとに、一又は複数の特徴量を特徴量記憶部１７に学習用レコードとして記憶させる。
また、検証用特徴量計算部１６２は、検証用画像データごとに、個体情報にもとづき特徴量を計算し、個体情報の識別情報及び画像データの識別情報ごとに、識別ラベルと一又は複数の特徴量を特徴量記憶部１７に検証用レコードとして記憶させる。

なお、画像処理装置１において識別ラベル記憶部を設けて、検証用画像データの識別情報に対応づけて識別ラベルを記憶させ、検証用特徴量計算部１６２が、識別ラベル記憶部に記憶された識別ラベルを用いて、特徴量記憶部１７における検証用レコードに対応付けて識別ラベルを記憶させるなど、その他の方法で識別ラベルを記憶させてもよく、その方法は特に限定されない。

特徴量記憶部１７は、学習用レコードとして、個体情報の識別情報及び画像データの識別情報ごとに、一又は複数の特徴量を記憶する。
また、特徴量記憶部１７は、検証用レコードとして、個体情報の識別情報及び画像データの識別情報ごとに、識別ラベルと一又は複数の特徴量を記憶する。

学習モデル処理部１８は、個体情報ごとに、個体情報にもとづいて、特徴量記憶部１７における特徴量を用いて、教師なし学習により学習結果モデルを作成し、得られた学習結果モデルを学習モデル記憶部１９に記憶させる。
学習モデル記憶部１９は、個体情報の識別情報ごとに、学習結果モデルを記憶する。

教師なし学習としては、上述のとおり、ＭＴ（Maharanobis Taguchi法）のシリーズとして、Maharanobis Taguchi法、Maharanobis Taguchi Afjoint法、Recognition Taguchi法、Taguchi法、Taguchi Schmidt法、及び混合ガウス法のいずれか等を用いることができる。また、Ｏｎｅ Ｃｌａｓｓ サポートベクターマシン（One Class Support Vector Machine（OCSVM））、又はオートエンコーダ（自己符号化器，autoencoder）等を用いることもできる。

評価値計算部２１は、特徴量記憶部１７における検証用レコードの特徴量を学習結果モデルに入力して、当該学習結果モデルにより指標値を計算し、得られた指標値を、検証用画像データごと（検証用レコードごと）に、指標値記憶部２０に記憶させる。
指標値記憶部２０は、画像データの識別情報ごとに、指標値を記憶する。

このとき、教師なし学習が、Maharanobis Taguchi法、Maharanobis Taguchi Afjoint法、Recognition Taguchi法、Taguchi法、Taguchi Schmidt法、及び混合ガウス法のいずれかの場合、指標値として、当該教師なし学習で用いられるマハラビノス距離が使用される。
また、教師なし学習が、Ｏｎｅ Ｃｌａｓｓ サポートベクターマシン又はオートエンコーダの場合、指標値として、当該教師なし学習で用いられる予測値が使用される。

また、評価値計算部２１は、特徴量記憶部１７における検証用レコードの識別ラベルと、指標値記憶部２０における当該検証用レコードに対応する指標値とを用いて、個体情報ごとに評価値を計算し、得られた評価値を個体情報の識別情報ごとに評価結果記憶部２２に記憶させる。また、評価値計算部２１は、この評価値にもとづいて、個体情報を順位付けする。
このとき、評価値計算部２１は、検証用画像データを指標値を用いて分類し、その分類結果と識別ラベルを比較して、評価値を計算する。

具体的には、指標値がマハラノビス距離の場合、所定の有意水準を設定し、評価値計算部２１は、識別対象を『学習で用いたクラス』と『それ以外』に分類する。そして、この分類結果と識別ラベルを比較して、正確度、感度、特異性、及び適合度等を計算することによって、評価値を算出することができる。

正確度は、全体中の当たりの割合を示す。
感度は、検証データにおいて学習で用いたクラスを正しく検出した割合を示す。
特異性は、検証データにおいて学習で用いたクラス以外を正しく検出した割合を示す。
適合度は、検証データにおいて陽性判定の信憑性を表す指標を示す。

このとき、通常は正確度を使用するが、例えば、本実施形態の画像処理装置１を異常検知に適用する場合などにおいて、正常データで学習を実施し、偽陽性を生じることは許容できるが、偽陰性の発生を防止したいというような分類問題の場合は、感度が重要になるため、これを以下のように組み合わせることが好ましい。
評価値＝w1正確度+w2感度
w：重み係数

また、指標値がＯｎｅ Ｃｌａｓｓ サポートベクターマシンで用いられる予測値の場合、評価値計算部２１は、識別対象を学習結果モデルにおいて超平面により『学習で用いたクラス』と『それ以外』に分類する。

また、評価値計算部２１は、個体群記憶部１２に記憶されている全ての個体情報（又は１世代分の個体情報）につき評価値を計算し終えて評価結果記憶部２２に記憶させた場合などに、これらの評価値にもとづき個体情報を順位付け（ランキング）して、得られた順位付け情報を評価結果記憶部２２に記憶させることができる。
評価結果記憶部２２は、個体情報の識別情報ごとに、評価値と順位付け情報を記憶する。

さらに、評価値計算部２１は、画像処理装置１による当該画像処理を終了するか否かを判定するための終了判定を行うことができる。終了判定は、終了条件を満たすか否かにもとづき行うことができ、終了条件を満たす場合、画像処理を終了させることができる。
そして、評価結果記憶部２２に記憶された最も評価値の高い個体情報が、最適化された個体情報として得られる。
また、この個体情報に定義された学習結果モデルが、学習モデル記憶部１９に記憶されており、当該学習結果モデルが、最適化された学習済みモデルとして得られる。

終了条件としては、予め設定した全ての世代の個体群について画像処理を完了した場合や、一定の世代数以上で進化が発生していない場合などを挙げることができる。
進化が発生していない場合とは、評価値が、比較対象の時点よりも改善されない場合である。したがって、一定の世代数について画像処理を行って評価値が改善されていなければ、進化していないと判定できる。

なお、評価値計算部２１からこの終了判定の機能を分離して、本実施形態の画像処理装置１において終了判定を行うための終了判定部を備えてもよい。

遺伝子操作部２３は、評価結果記憶部２２における個体情報の順位付け情報にもとづいて、個体情報の選択又は変更を行って、個体群記憶部１２を更新する。
具体的には、遺伝子操作部２３は、評価値が高い個体情報を次世代に残すエリート個体保存部と、評価値にもとづいて、一定の確率で個体情報を次世代に残す個体選択部と、２つの個体情報の一部を相互に交換する交叉部と、選択された１つの個体情報の一部又は全部をランダムに書き換える突然変異部とを有するものとすることができる。

エリート個体保存部は、各世代の個体群において、一番評価値の良い個体情報を、無条件で次世代に残す処理を行うことができる。
個体選択部は、各世代の個体群において、評価値の順位の高い個体情報を高い確率で次世代に残す処理を行うことができる。

交叉部は、交叉処理として、複数の個体情報の各ノードの配列における同一（ノード番号）の並びについて、ある確率で入れ替える１様交叉を行うことができる。また、交叉部は、交叉処理として、各ノードの配列における同一の並びの１点を境として、一方の配列を相互に入れ替える１点交叉や、同一の並びの複数点を境として配列を相互に入れ替える複数点交叉を行うこともできる。
突然変異部は、突然変異処理として、個体情報ごとに一定の確率でその個体情報の一部を書き換えたり、その個体情報の全てを書き換えることができる。

なお、同じ個体情報にもとづいて生成された同系列個体が増えると、多様性が失われて進化が袋小路（数学的に局所解に陥った状態）に入ってしまう。一方、同系列以外の個体を増やしすぎると、ランダム探索に近づき、効率的な進化が行われない。
そこで、学習初期では多様性を持たせるために、同系列以外の個体を増やすように突然変異部による処理を行い、学習中期では効率的な進化を実施するために、個体選択部により同系列を増やすことが好ましい。また、進化が止まった場合には、再度多様性を持たせるために突然変異部により同系列以外を増やすことなどを好適に行うことができる。

そして、遺伝子操作部２３は、新たな世代の個体群を生成して、個体群記憶部１２に記憶させる。このとき、遺伝子操作部２３は、前の世代の個体群を上書きすることにより、個体群記憶部１２を更新することができる。また、複数世代の個体群を世代ごとに記憶させることにより、個体群記憶部１２を更新することもできる。

次に、本実施形態の画像処理装置１による処理手順について、図２～図５を参照して説明する。
まず、画像処理装置１における学習用画像読込部１３１が、学習用画像データを読み込んで、画像の識別番号ごとに画像記憶部１４に記憶させる（ステップ１０）。また、検証用画像読込部１３２が、検証用画像データを読み込んで、画像の識別番号ごとに画像記憶部１４に記憶させる（ステップ１１）。さらに、ラベル読込部１５が、各検証用画像データに対応する識別ラベルを読み込んで、検証用画像データに対応付けて画像記憶部１４に記憶させる（ステップ１２）。

そして、個体生成部１１によって、初期個体群が生成される（ステップ１３）。
このとき、個体生成部１１は、機能単位記憶部１０に記憶されているノードを用いて、複数のノードの組み合わせを定義する個体情報を複数生成して、個体情報の識別情報ごとに個体群記憶部１２に記憶させる。
また、個体生成部１１は、複数の個体情報からなる個体群を一つの世代として、世代の識別情報ごとに複数の世代の個体群を個体群記憶部１２に記憶させることもできる。
なお、ステップ１０～ステップ１３の順序は入れ替えてもよい。

次に、学習用特徴量計算部１６１は、個体群記憶部１２における個体群の世代ごとに、個体群における全ての個体情報について、画像記憶部１４における学習用画像データを用いて特徴量を計算し、得られた各特徴量を当該個体情報についての当該学習用画像データに対応する学習用レコードとして、特徴量記憶部１７に記憶させる（ステップ１４～１６）。

特徴量の計算としては、図３に示すように、学習用特徴量計算部１６１は、個体情報にもとづいて、色空間を選択することができる（ステップ３０）。また、学習用特徴量計算部１６１は、個体情報にもとづいて、画像処理を行うことができる（ステップ３１）。さらに、学習用特徴量計算部１６１は、個体情報にもとづいて、特徴量の計算を行うことができる（ステップ３２）。
なお、上述したように、個体情報にはノードの実行順序がネットワーク状に定義されており、これらのステップは繰り返されたりするなど、個体情報ごとに様々な順序で行われ得る。

次に、学習モデル処理部１８は、算出された特徴量を用いて、個体情報にもとづいて、教師なし学習を実行し、得られた学習結果モデルを学習モデル記憶部１９に記憶させる（ステップ１７）。
このとき、学習モデル処理部１８は、個体情報ごとに、特徴量記憶部１７における学習用レコードを用いて、ＭＴシステムのモデルを作成することができる。
あるいは、学習モデル処理部１８は、個体情報ごとに、特徴量記憶部１７における学習用レコードを用いて、Ｏｎｅ Ｃｌａｓｓ サポートベクターマシン又はオートエンコーダのモデルなどを作成することができる。

検証用特徴量計算部１６２は、個体情報にもとづいて、画像記憶部１４における検証用画像データを用いて特徴量を計算し、得られた各特徴量を当該個体情報についての当該検証用画像データに対応する検証用レコードとして、特徴量記憶部１７に記憶させる（ステップ１８）。このとき、特徴量の計算は、図３を参照して上述したように、学習用画像データを用いる場合と同様に行うことができる。

次に、評価値計算部２１は、個体情報ごとに評価値を計算して、得られた評価値を評価結果記憶部２２に個体情報の識別情報ごとに記憶させる（ステップ１９）。
評価値の計算としては、図４に示すように、評価値計算部２１は、特徴量記憶部１７に記憶されている、検証用画像データを用いて計算された特徴量を、学習モデル記憶部１９に記憶されている学習結果モデルに入力する（ステップ４０）。
そして、評価値計算部２１は、学習結果モデルにより指標値を計算する（ステップ４１）。

このとき、評価値計算部２１は、指標値として、個体情報ごとに、例えばＭＴシステムで用いられるマハラノビス距離を算出することができる。あるいは、評価値計算部２１は、指標値として、個体情報ごとに、Ｏｎｅ Ｃｌａｓｓ サポートベクターマシン又はオートエンコーダで用いられる予測値を算出することができる。

また、評価値計算部２１は、得られた指標値と識別ラベルを用いて、評価値を計算する（ステップ４２）。
そして、当該世代の個体群における全ての個体情報についての処理が終わるまで、学習用画像の特徴量の計算から評価値の計算までの処理を繰り返し実行する（ステップ１５～ステップ１９）。

次に、評価値計算部２１は、評価結果記憶部２２に記憶されている評価値にもとづいて、個体情報の順位付けを行う（ステップ２０）。
また、評価値計算部２１は、終了条件が満たされているか否かの判定処理を行う（ステップ２１）。終了条件が満たされている場合、画像処理装置１による処理を終了する。

終了条件が満たされていない場合、遺伝子操作部２３は、遺伝子操作処理を実行する（ステップ２２）。
具体的には、図５に示すように、遺伝子操作部２３におけるエリート個体保存部は、最も評価値の高い個体情報を次世代の個体群の個体情報として選択する（ステップ５０）。
また、遺伝子操作部２３における個体選択部は、評価値の順位の高い個体情報ほど高い確率で次世代の個体群の個体情報として選択する（ステップ５１）。

さらに、遺伝子操作部２３における交叉部は、エリート個体保存部により選択された個体情報と、個体選択部により選択された個体情報に対して、交叉処理を実行して、新たな個体情報を生成する（ステップ５２）。
また、遺伝子操作部２３における突然変異部は、エリート個体保存部により選択された個体情報と、個体選択部により選択された個体情報を用いて、またはこれらの個体情報を用いることなく、突然変異処理を行い、新たな個体情報を生成する（ステップ５３）。
なお、エリート個体保存部、個体選択部、交叉部、突然変異部による各処理の順序を、各処理を実行可能な順序の範囲で入れ替えて実行してもよく、一部の処理を省略してもよい。

そして、複数の世代が存在する場合、全ての世代の個体群における全ての個体情報についての処理が終わるまで、学習用画像の特徴量の計算から遺伝子操作までの処理を繰り返し実行する（ステップ１４～ステップ２２）。

このような本実施形態によれば、画像に含まれ得る識別対象を分類するためのネットワーク状の個体情報と、教師なし学習による学習結果モデルとを最適化することができるため、画像処理の性能を向上させることが可能である。

［第二実施形態］
次に、本発明の第二実施形態に係る画像処理システム、及び画像処理プログラムについて、図６及び図７を参照して説明する。
本実施形態の画像処理システムに対応する画像処理装置１ａは、図６に示すように、個体群記憶部１２ａ、画像記憶部１４ａ、特徴量記憶部１７ａ、学習モデル記憶部１９ａ、指標値記憶部２０ａ、検査対象画像読込部２４ａ、検査対象特徴量計算部２５ａ、学習済みモデル処理部２６ａ、分類部２７ａ、及び分類結果記憶部２８ａを備えている。
なお、本実施形態の個体群記憶部１２ａ、画像記憶部１４ａ、特徴量記憶部１７ａ、学習モデル記憶部１９ａ、及び指標値記憶部２０ａは、以下の説明において相違する点を除いて、第一実施形態における同一名称のものと同様のものとすることができる。

個体群記憶部１２ａは、少なくとも、第一実施形態の画像処理装置１によって最適化された（最も評価値の高い）個体情報を記憶している。
学習モデル記憶部１９ａは、少なくとも、第一実施形態の画像処理装置１によって最適化された（最も評価値の高い個体情報に定義された）学習結果モデル（学習済みモデル）を記憶している。

検査対象画像読込部２４ａは、検査対象画像データを読み込んで、画像データの識別情報ごとに画像記憶部１４ａに記憶させる。
検査対象特徴量計算部２５ａは、検査対象画像データについて、個体群記憶部１２ａに記憶されている最適化された個体情報にもとづき特徴量を計算し、画像データの識別情報ごとに、一又は複数の特徴量を特徴量記憶部１７ａに検査対象レコードとして記憶させる。このとき、特徴量の計算は、図３を参照して上述したように、学習用画像データを用いる場合と同様に行うことができる。

学習済みモデル処理部２６ａは、学習モデル記憶部１９ａに記憶されている最適化された学習結果モデル（最も評価値の高い前記個体情報に定義された学習結果モデル）に、特徴量記憶部１７ａに記憶されている検査対象レコードの特徴量を入力して指標値を計算し、得られた指標値を指標値記憶部２０ａに記憶させる。

分類部２７ａは、指標値が一定の閾値内（一定範囲）に存在するか否かにもとづいて、検査対象画像データにおいて識別対象が存在するか否かを分類し、その分類結果を分類結果記憶部２８ａに記憶させる。
分類結果記憶部２８ａは、画像データの識別情報ごとに、分類結果を記憶する。

このとき、分類部２７ａは、指標値がＭＴシステムで用いられるマハラビノス距離の場合、当該マハラビノス距離が一定の閾値内に存在するか否かにもとづき分類を行う。また、分類部２７ａは、指標値がＯｎｅ Ｃｌａｓｓ サポートベクターマシン又はオートエンコーダで用いられる予測値の場合、当該予測値が一定の閾値内に存在するか否かにもとづき分類を行う。

これにより、検査対象画像データにおいて識別対象が存在するか否かを分類することができる。また、特徴量記憶部１７ａに記憶されている検査対象レコードを参照することにより、その分類がどのような処理により実施されたのかについて、確認することが可能となる。

次に、本実施形態の画像処理装置１ａによる処理手順について、図７を参照して説明する。
まず、画像処理装置１ａにおける検査対象画像読込部２４ａが、検査対象画像データを読み込んで、画像の識別番号ごとに画像記憶部１４ａに記憶させる（ステップ６０）。

次に、検査対象特徴量計算部２５ａは、個体群記憶部１２ａにおける最適化された個体情報にもとづいて、画像記憶部１４ａにおける検査対象画像データを用いて特徴量を計算し、得られた各特徴量を当該検査対象画像データに対応する検査対象レコードとして、特徴量記憶部１７ａに記憶させる（ステップ６１）。

さらに、学習済みモデル処理部２６ａは、学習モデル記憶部１９ａに記憶されている最適化された学習結果モデルに、特徴量記憶部１７ａに記憶されている検査対象レコードの特徴量を入力して指標値を計算し、得られた指標値を指標値記憶部２０ａに記憶させる（ステップ６２）。

そして、分類部２７ａは、指標値が一定の閾値内に存在するか否かにもとづいて、検査対象画像データにおいて識別対象が存在するか否かを分類し、その分類結果を分類結果記憶部２８ａに記憶させる（ステップ６３）。

このような本実施形態によれば、検査対象画像データにおいて識別対象が存在するか否かを分類することができ、またその分類がどのような処理により実施されたのかを確認することが可能となる。

［第三実施形態］
次に、本発明の第三実施形態に係る画像処理システム、及び画像処理プログラムについて、図８を参照して説明する。
本実施形態の画像処理システムに対応する画像処理装置１ｂは、図８に示すように、機能単位記憶部１０ｂ、個体生成部１１ｂ、個体群記憶部１２ｂ、画像読込部１３ｂ、画像記憶部１４ｂ、ラベル読込部１５ｂ、特徴量計算部１６ｂ、特徴量記憶部１７ｂ、学習モデル処理部１８ｂ、学習モデル記憶部１９ｂ、指標値記憶部２０ｂ、評価値計算部２１ｂ、評価結果記憶部２２ｂ、遺伝子操作部２３ｂ、検査対象画像読込部２４ｂ、検査対象特徴量計算部２５ｂ、学習済みモデル処理部２６ｂ、分類部２７ｂ、及び分類結果記憶部２８ｂを備えている。

本実施形態の画像処理装置１ｂは、第一実施形態の画像処理装置１と第二実施形態の画像処理装置１ａを組み合わせたものであり、各部の機能は、以下の説明において相違する点を除いて、第一実施形態における同一名称のものと同様のものとすることができる。また、第一実施形態にない各部の機能は、第二実施形態における同一名称のものと同様のものとすることができる。

次に、本実施形態の画像処理装置１ｂによる処理手順は、図示しないが、第一実施形態と第二実施形態を順に組み合わせたものであり、以下のとおりである。
まず、画像処理装置１ｂにおける学習用画像読込部１３１ｂが、学習用画像データを読み込んで、画像の識別番号ごとに画像記憶部１４ｂに記憶させる（ステップ７０）。また、検証用画像読込部１３２ｂが、検証用画像データを読み込んで、画像の識別番号ごとに画像記憶部１４ｂに記憶させる（ステップ７１）。さらに、ラベル読込部１５ｂが、各検証用画像データに対応する識別ラベルを読み込んで、検証用画像データに対応付けて画像記憶部１４ｂに記憶させる（ステップ７２）。

そして、個体生成部１１ｂによって、初期個体群が生成される（ステップ７３）。
このとき、個体生成部１１ｂは、機能単位記憶部１０ｂに記憶されているノードを用いて、複数のノードの組み合わせを定義する個体情報を複数生成して、個体情報の識別情報ごとに個体群記憶部１２ｂに記憶させる。
また、個体生成部１１ｂは、複数の個体情報からなる個体群を一つの世代として、世代の識別情報ごとに複数の世代の個体群を個体群記憶部１２ｂに記憶させることもできる。
なお、ステップ７０～ステップ７３の順序は入れ替えてもよい。

次に、学習用特徴量計算部１６１ｂは、個体群記憶部１２ｂにおける個体群の世代ごとに、個体群における全ての個体情報について、画像記憶部１４ｂにおける学習用画像データを用いて特徴量を計算し、得られた各特徴量を当該個体情報についての当該学習用画像データに対応する学習用レコードとして、特徴量記憶部１７ｂに記憶させる（ステップ７４）。

このとき、学習用特徴量計算部１６１ｂは、個体情報にもとづいて、色空間を選択することができる。また、学習用特徴量計算部１６１ｂは、個体情報にもとづいて、画像処理を行うことができる。さらに、学習用特徴量計算部１６１ｂは、個体情報にもとづいて、特徴量の計算を行うことができる。個体情報にはノートの実行順序がネットワーク状に定義されており、これらのステップは個体情報ごとに様々な順序で行われ得る。

次に、学習モデル処理部１８ｂは、算出された特徴量を用いて、個体情報にもとづいて、教師なし学習を実行し、得られた学習結果モデルを学習モデル記憶部１９ｂに記憶させる（ステップ７５）。
このとき、学習モデル処理部１８ｂは、個体情報ごとに、特徴量記憶部１７ｂにおける学習用レコードを用いて、ＭＴシステムのモデルを作成することができる。
あるいは、学習モデル処理部１８ｂは、個体情報ごとに、特徴量記憶部１７ｂにおける学習用レコードを用いて、Ｏｎｅ Ｃｌａｓｓ サポートベクターマシンやオートエンコーダのモデルなどを作成することができる。

検証用特徴量計算部１６２ｂは、個体情報にもとづいて、画像記憶部１４ｂにおける検証用画像データを用いて特徴量を計算し、得られた各特徴量を当該個体情報についての当該検証用画像データに対応する検証用レコードとして、特徴量記憶部１７ｂに記憶させる（ステップ７６）。検証用特徴量計算部１６２ｂによる特徴量の計算は、学習用特徴量計算部１６１ｂと同様に行うことができる。

次に、評価値計算部２１ｂは、個体情報ごとに評価値を計算して、得られた評価値を評価結果記憶部２２ｂに個体情報の識別情報ごとに記憶させる（ステップ７７）。
このとき、評価値計算部２１ｂは、特徴量記憶部１７ｂに記憶されている、検証用画像データを用いて計算された特徴量を、学習モデル記憶部１９ｂに記憶されている学習結果モデルに入力して、学習結果モデルにより指標値を計算する。また、評価値計算部２１ｂは、得られた指標値と識別ラベルを用いて、評価値を計算する。
そして、当該世代の個体群における全ての個体情報についての処理が終わるまで、学習用画像の特徴量の計算から評価値の計算までの処理を繰り返し実行する。

次に、評価値計算部２１ｂは、評価結果記憶部２２ｂに記憶されている評価値にもとづいて、個体情報の順位付けを行う（ステップ７８）。
また、評価値計算部２１ｂは、終了条件が満たされているか否かの判定処理を行う（ステップ７９）。終了条件が満たされている場合、画像処理装置１ｂによる処理を終了する。

終了条件が満たされていない場合、遺伝子操作部２３ｂは、遺伝子操作処理を実行する（ステップ８０）。
そして、複数の世代が存在する場合、全ての世代の個体群における全ての個体情報についての処理が終わるまで、学習用画像の特徴量の計算から遺伝子操作までの処理を繰り返し実行する。

これによって、個体群記憶部１２ｂは、最適化された（最も評価値の高い）個体情報が記憶された状態となり、学習モデル記憶部１９ｂは、最適化された（最も評価値の高い個体情報に定義された）学習結果モデル（学習済みモデル）が記憶された状態となる。

次に、検査対象画像読込部２４ｂが、検査対象画像データを読み込んで、画像の識別番号ごとに画像記憶部１４ｂに記憶させる（ステップ８１）。
また、検査対象特徴量計算部２５ｂは、個体群記憶部１２ｂにおける最適化された個体情報にもとづいて、画像記憶部１４ｂにおける検査対象画像データを用いて特徴量を計算し、得られた各特徴量を当該検査対象画像データに対応する検査対象レコードとして、特徴量記憶部１７ｂに記憶させる（ステップ８２）。

さらに、学習済みモデル処理部２６ｂは、学習モデル記憶部１９ｂに記憶されている最適化された学習結果モデルに、特徴量記憶部１７ｂに記憶されている検査対象レコードの特徴量を入力して指標値を計算し、得られた指標値を指標値記憶部２０ｂに記憶させる（ステップ８３）。
そして、分類部２７ｂは、指標値が一定の閾値内に存在するか否かにもとづいて、検査対象画像データにおいて識別対象が存在するか否かを分類し、その分類結果を分類結果記憶部２８ｂに記憶させる（ステップ８４）。

このような本実施形態によれば、画像に含まれ得る識別対象を分類するためのネットワーク状の個体情報と、教師なし学習による学習結果モデルとを最適化することができ、かつ検査対象画像データに識別対象が存在するか否かを分類することが可能となる。

［第四実施形態］
次に、本発明の第四実施形態に係る画像処理システム、及び画像処理プログラムについて、図９及び図１０を参照して説明する。
本実施形態の画像処理システムに対応する画像処理装置１ｃは、図９に示すように、機能単位記憶部１０ｃ、個体生成部１１ｃ、個体群記憶部１２ｃ、画像読込部１３ｃ、画像記憶部１４ｃ、ラベル読込部１５ｃ、特徴量計算部１６ｃ、特徴量記憶部１７ｃ、学習モデル処理部１８ｃ、学習モデル記憶部１９ｃ、指標値記憶部２０ｃ、評価値計算部２１ｃ、評価結果記憶部２２ｃ、及び遺伝子操作部２３ｃを備えている。

個体群記憶部１２ｃは、親個体群記憶部１２１ｃと子個体群記憶部１２２ｃを備え、画像読込部１３ｃは、学習用画像読込部１３１ｃと検証用画像読込部１３２ｃを備え、特徴量計算部１６ｃは、学習用特徴量計算部１６１ｃと検証用特徴量計算部１６２ｃを備えている。

本実施形態の機能単位記憶部１０ｃ、画像読込部１３ｃ、画像記憶部１４ｃ、ラベル読込部１５ｃ、特徴量記憶部１７ｃ、学習モデル記憶部１９ｃ、指標値記憶部２０ｃ、及び評価結果記憶部２２ｃは、第一実施形態と同様のものとすることができる。また、本実施形態の画像処理装置１ｃにおけるその他の構成についても、以下の説明において相違する点を除いて、第一実施形態と同様のものとすることができる。

個体生成部１１ｃは、機能単位記憶部１０ｃに記憶されているノードを用いて、有閉路及び／又はフィードバック路構造を含み得るネットワーク状（ＧＮＰ：遺伝的ネットワークプログラミング）に複数の機能単位の実行順序を定義する個体情報を生成する。
また、個体生成部１１ｃは、個体情報として、複数の親個体情報を生成し、これら親個体情報からなる初期の親個体群を親個体群記憶部１２１ｃに記憶させることができる。

個体群記憶部１２ｃは、個体生成部１１によって生成された複数の親個体情報からなる個体群を記憶する親個体群記憶部１２１ｃを有している。個体群における各個体情報は、個体情報の識別情報ごとに、親個体群記憶部１２１ｃに記憶させることができる。
また、個体群として、一の世代又は複数の世代を親個体群記憶部１２１ｃに記憶させてもよい。この場合、各個体情報は、世代の識別情報及び個体情報の識別情報ごとに記憶させることができる。

また、個体群記憶部１２ｃは、遺伝子操作部２３ｃによって生成された複数の子個体情報からなる個体群を記憶する子個体群記憶部１２２ｃを有している。個体群における各個体情報は、個体情報の識別情報ごとに、子個体群記憶部１２２ｃに記憶させることができる。

特徴量計算部１６ｃは、子個体群記憶部１２２ｃから子個体情報を入力して、その子個体情報にもとづいて、画像記憶部１４ｃにおける学習用画像データを用いて特徴量を計算し、得られた各特徴量を当該子個体情報についての当該学習用画像データに対応する学習用レコードとして、特徴量記憶部１７ｃに記録させる。
特徴量計算部１６ｃは、学習用画像データを用いて特徴量を計算する学習用特徴量計算部１６１ｃと、検証用画像データを用いて特徴量を計算する検証用特徴量計算部１６２ｃを有している。

学習用特徴量計算部１６１ｃは、学習用画像データごとに、子個体情報にもとづき特徴量を計算し、個体情報の識別情報及び画像データの識別情報ごとに、一又は複数の特徴量を特徴量記憶部１７ｃに学習用レコードとして記憶させる。
また、検証用特徴量計算部１６２ｃは、検証用画像データごとに、子個体情報にもとづき特徴量を計算し、個体情報の識別情報及び画像データの識別情報ごとに、識別ラベルと一又は複数の特徴量を特徴量記憶部１７ｃに検証用レコードとして記憶させる。

学習モデル処理部１８ｃは、子個体情報ごとに、子個体情報にもとづいて、特徴量記憶部１７ｃにおける学習用レコードの特徴量を用いて、教師なし学習により学習結果モデルを作成し、得られた学習結果モデルを学習モデル記憶部１９ｃに記憶させる。

評価値計算部２１ｃは、特徴量記憶部１７ｃにおける検証用レコードの特徴量を学習結果モデルに入力して、当該学習結果モデルにより指標値を計算し、得られた指標値を、検証用画像データごと（検証用レコードごと）に、指標値記憶部２０ｃに記憶させる。
このとき、教師なし学習が、Maharanobis Taguchi法、Maharanobis Taguchi Afjoint法、Recognition Taguchi法、Taguchi法、Taguchi Schmidt法、及び混合ガウス法のいずれかの場合、指標値として、当該教師なし学習で用いられるマハラビノス距離が使用される。
また、教師なし学習が、Ｏｎｅ Ｃｌａｓｓ サポートベクターマシン又はオートエンコーダの場合、指標値として、当該教師なし学習で用いられる予測値が使用される。

また、評価値計算部２１ｃは、特徴量記憶部１７ｃにおける検証用レコードの識別ラベルと、指標値記憶部２０ｃにおける当該検証用レコードに対応する指標値とを用いて、子個体情報ごとに評価値を計算し、得られた評価値を個体情報の識別情報ごとに評価結果記憶部２２ｃに記憶させる。また、評価値計算部２１ｃは、この評価値にもとづいて、子個体情報を順位付けする。
このとき、評価値計算部２１ｃは、検証用画像データを指標値を用いて分類し、その分類結果と識別ラベルを比較して、評価値を計算する。

また、評価値計算部２１ｃは、個体群記憶部１２ｃにおける子個体群記憶部１２２ｃに記憶されている全ての子個体情報につき評価値を計算し終えて評価結果記憶部２２ｃに記憶させた場合などに、これらの評価値にもとづき子個体情報を順位付けして、得られた順位付け情報を評価結果記憶部２２ｃに記憶させることができる。
さらに、評価値計算部２１ｃは、画像処理装置１ｃによる当該画像処理を終了するか否かを判定するための終了判定を行うことができる。終了判定は、終了条件を満たすか否かにもとづき行うことができ、終了条件を満たす場合、画像処理を終了させることができる。

遺伝子操作部２３ｃは、親個体群記憶部１２１ｃにおける親個体情報に対して遺伝子操作を実行する。
具体的には、まず、親個体群記憶部１２１ｃにおける親個体群からランダムに、子個体情報を生成する親個体情報を選択する。

そして、遺伝子操作部２３ｃにおける交叉部は、選択された親個体情報に対して交叉処理を実行して、複数の子個体情報を生成し、これら子個体情報からなる子個体群を子個体群記憶部１２２ｃに記憶させることができる。

また、遺伝子操作部２３ｃにおける突然変異部は、選択された親個体情報に対して突然変異処理を実行して、一定の確率で親個体情報の一部を書き換えたり、その全てを書き換えることによって得られた子個体情報からなる子個体群を子個体群記憶部１２２ｃに記憶させることができる。また、突然変異処理として、機能単位記憶部１０ｃに記憶されているノードを用いて、新しい個体情報を生成して得られた子個体情報からなる子個体群を子個体群記憶部１２２ｃに記憶させることもできる。さらに、子個体群記憶部１２２ｃに記憶された子個体情報におけるノード自体を変更することもできる。

さらに、遺伝子操作部２３ｃは、評価結果記憶部２２ｃにおける子個体情報の順位付け情報にもとづいて、一番評価値の良い子個体情報及び確率で選択された子個体情報を、親個体群からランダムに選択された親個体情報と入れ替えることなどによって、親個体群記憶部１２１ｃにおける親個体情報を更新することができる。

次に、本実施形態の画像処理装置１ｃによる処理手順について、図１０を参照して説明する。
まず、画像処理装置１ｃにおける学習用画像読込部１３１ｃが、学習用画像データを読み込んで、画像の識別番号ごとに画像記憶部１４ｃに記憶させる（ステップ９０）。また、検証用画像読込部１３２ｃが、検証用画像データを読み込んで、画像の識別番号ごとに画像記憶部１４ｃに記憶させる（ステップ９１）。さらに、ラベル読込部１５ｃが、各検証用画像データに対応する識別ラベルを読み込んで、検証用画像データに対応付けて画像記憶部１４ｃに記憶させる（ステップ９２）。

そして、個体生成部１１ｃによって、初期の親個体群が生成される（ステップ９３）。
このとき、個体生成部１１ｃは、機能単位記憶部１０に記憶されているノードを選択することにより親個体情報を複数生成して、親個体情報の識別情報ごとに個体群記憶部１２ｃにおける親個体群記憶部１２１ｃに記憶させることができる。
なお、ステップ９０～ステップ９３の順序は入れ替えてもよい。
親個体群記憶部１２１ｃにおける親個体群は、後述する親個体群の更新処理によって更新され、設定された世代について以下の処理が繰り返し行われる（ステップ９４）。

遺伝子操作部２３ｃは、親個体群記憶部１２１ｃにおける親個体群からランダムに、子個体情報を生成する親個体情報を選択する。（ステップ９５）。そして、選択された親個体情報に対して遺伝子操作を実行する（ステップ９６）。なお、ステップ９５の親個体情報の選択を、ステップ９６の遺伝子操作の一部として、実行してもよい。
すなわち、遺伝子操作部２３ｃは、選択された親個体情報に対して交叉処理や突然変異処理を実行して、複数の子個体情報を生成し、これら子個体情報からなる子個体群を子個体群記憶部１２２ｃに記憶させる。

次に、学習用特徴量計算部１６１ｃは、学習用画像データごとに、子個体情報にもとづき特徴量を計算し、個体情報の識別情報及び画像データの識別情報ごとに、一又は複数の特徴量を特徴量記憶部１７ｃに学習用レコードとして記憶させる（ステップ９７、９８）。

また、学習モデル処理部１８ｃは、子個体情報ごとに、子個体情報にもとづいて、特徴量記憶部１７ｃにおける学習用レコードの特徴量を用いて、教師なし学習により学習結果モデルを作成し、得られた学習結果モデルを学習モデル記憶部１９ｃに記憶させる（ステップ９９）。

また、検証用特徴量計算部１６２ｃは、検証用画像データごとに、子個体情報にもとづき特徴量を計算し、個体情報の識別情報及び画像データの識別情報ごとに、識別ラベルと一又は複数の特徴量を特徴量記憶部１７ｃに検証用レコードとして記憶させる（ステップ１００）。
なお、ステップ９８～ステップ１００の順序は入れ替えてもよい。

次に、評価値計算部２１ｃは、子個体情報ごとに評価値を計算して、得られた評価値を評価結果記憶部２２ｃに個体情報の識別情報ごとに記憶させる（ステップ１０１）。
このとき、評価値計算部２１ｃは、特徴量記憶部１７ｃにおける検証用レコードの特徴量を学習結果モデルに入力して、当該学習結果モデルにより指標値を計算し、得られた指標値を、検証用画像データごと（検証用レコードごと）に、指標値記憶部２０ｃに記憶させる。

また、評価値計算部２１ｃは、特徴量記憶部１７ｃにおける検証用レコードの識別ラベルと、指標値記憶部２０ｃにおける当該検証用レコードに対応する指標値とを用いて、子個体情報ごとに評価値を計算し、得られた評価値を個体情報の識別情報ごとに評価結果記憶部２２ｃに記憶させる。
そして、子個体群記憶部１２２ｃにおける全ての子個体情報について、特徴量の計算から評価値の計算及び記憶までの処理を繰り返し実行する（ステップ９７～ステップ１０１）。

次に、評価値計算部２１ｃは、評価結果記憶部２２ｃに記憶されている評価値にもとづいて、子個体情報の順位付けを行う（ステップ１０２）。
そして、遺伝子操作部２３ｃは、評価結果記憶部２２ｃにおける子個体情報の順位付け情報にもとづいて、一番評価値の良い子個体情報及び確率で選択された子個体情報を、親個体群からランダムに選択された親個体情報と入れ替えることにより、個体群記憶部１２ｃにおける親個体群記憶部１２１ｃの親個体情報を更新する（ステップ１０３）。

また、評価値計算部２１ｃは、終了条件が満たされているか否かの判定処理を行い（ステップ１０４）、終了条件が満たされている場合、画像処理装置１ｃによる処理を終了する。

このような本実施形態の画像処理装置によれば、親個体群から親を選択して子個体情報を生成する時に遺伝子操作を実行すると共に、評価値の良い子個体情報などを親個体群における親個体情報と入れ替えることで、親個体群を更新することができる。これにより、第一実施形態に比較して、進化の多様性をより保った状態で、最適な個体情報を探すことが可能である。

上記実施形態の画像処理システムは、本発明の画像処理プログラムに制御されたコンピュータを用いて実現することができる。コンピュータのＣＰＵは、画像処理プログラムにもとづいてコンピュータの各構成要素に指令を送り、画像処理システムの動作に必要となる所定の処理、例えば、個体生成処理、特徴量計算処理、教師なし学習処理、評価値計算処理、遺伝子操作処理等を行わせる。このように、本発明の画像処理システムにおける各処理、動作は、プログラムとコンピュータとが協働した具体的手段により実現できるものである。

プログラムは予めＲＯＭ、ＲＡＭ等の記録媒体に格納され、コンピュータに実装された記録媒体から当該コンピュータにプログラムを読み込ませて実行されるが、例えば通信回線を介してコンピュータに読み込ませることもできる。
また、プログラムを格納する記録媒体は、例えば半導体メモリ、磁気ディスク、光ディスク、その他任意のコンピュータで読取り可能な任意の記録手段により構成できる。

以上説明したように、本発明の実施形態に係る画像処理システム、及び画像処理プログラムによれば、画像に含まれ得る識別対象を分類するためのネットワーク状の個体情報と、教師なし学習による学習結果モデルとを最適化することができるため、画像処理の性能を向上させることが可能である。

また、検査対象画像データにおいて識別対象が存在するか否かを分類することができ、またその分類がどのような処理により実施されたのかを確認することも可能となる。
さらに、親個体群から親を選択して子個体情報を生成する時に遺伝子操作を実行すると共に、評価値の良い子個体情報などを親個体群における親個体情報と入れ替えて親個体群を更新することもできる。これにより、進化の多様性を一層保った状態で、最適な個体情報を探すことが可能である。

本発明は、以上の実施形態に限定されるものではなく、本発明の範囲内において、種々の変更実施が可能であることは言うまでもない。
例えば、画像処理システムにおける各構成を複数の情報処理装置に分散して持たせたり、第二実施形態の画像処理装置と第四実施形態の画像処理装置を組み合わせたものとするなど適宜変更することが可能である。

本発明は、良品判定を行う画像処理システムなどにおいて、判定の性能を向上させるために、好適に用いることが可能である。

１、１ａ、１ｂ、１ｃ 画像処理装置
１０、１０ｂ、１０ｃ 機能単位記憶部
１１、１１ｂ、１１ｃ 個体生成部
１２、１２ａ、１２ｂ、１２ｃ 個体群記憶部
１２１ｃ 親個体群記憶部
１２２ｃ 子個体群記憶部
１３、１３ｂ、１３ｃ 画像読込部
１３１、１３１ｂ、１３１ｃ 学習用画像読込部
１３２、１３２ｂ、１３２ｃ 検証用画像読込部
１４、１４ａ、１４ｂ、１４ｃ 画像記憶部
１５、１５ｂ、１５ｃ 識別ラベル読込部
１６、１６ｂ、１６ｃ 特徴量計算部
１６１、１６１ｂ、１６１ｃ 学習用特徴量計算部
１６２、１６２ｂ、１６２ｃ 検証用特徴量計算部
１７、１７ａ、１７ｂ、１７ｃ 特徴量記憶部
１８、１８ｂ、１８ｃ 学習モデル処理部
１９、１９ａ、１９ｂ、１９ｃ 学習モデル記憶部
２０、２０ａ、２０ｂ、２０ｃ 指標値記憶部
２１、２１ｂ、２１ｃ 評価値計算部
２２、２２ｂ、２２ｃ 評価結果記憶部
２３、２３ｂ、２３ｃ 遺伝子操作部
２４ａ、２４ｂ 検査対象画像読込部
２５ａ、２５ｂ 検査対象特徴量計算部
２６ａ、２６ｂ 学習済みモデル処理部
２７ａ、２７ｂ 分類部
２８ａ、２８ｂ 分類結果記憶部

Claims (10)

1. 生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像に含まれ得る識別対象を分類するための個体情報及び学習結果モデルを最適化する画像処理システムであって、
   有閉路及び／又はフィードバック構造を含み得るネットワーク状に複数の機能単位の実行順序を定義する個体情報からなる個体群を記憶する個体群記憶部と、
   前記個体情報にもとづいて、学習用画像データを用いて特徴量を計算し、得られた特徴量を有する学習用レコードを作成する学習用特徴量計算部と、
   前記個体情報にもとづいて、検証用画像データを用いて特徴量を計算し、得られた特徴量とこれに対応する識別ラベルとを有する検証用レコードを作成する検証用特徴量計算部と、
   前記学習用レコードを用いて、教師なし学習により学習結果モデルを作成する学習モデル処理部と、
   前記検証用レコードの特徴量を前記学習結果モデルに入力して指標値を計算し、前記検証用レコードの識別ラベルと前記指標値とを用いて、前記個体情報ごとに評価値を計算し、この評価値にもとづき前記個体情報を順位付けする評価値計算部と、
   前記個体情報の順位付け情報にもとづき前記個体情報の選択又は変更を行って、前記個体群記憶部を更新する遺伝子操作部と、を備える
   ことを特徴とする画像処理システム。
2. 前記機能単位として、（１）画像の色空間を選択するノード、（２）画像処理を実行するノード、（３）特徴量を計算するノード、及び（４）教師なし学習を選択するノードを記憶する機能単位記憶部と、
   前記機能単位記憶部から（１）～（４）の各ノードを含む複数のノード、又は、（２）～（４）の各ノードを含む複数のノードを選択して、有閉路及び／又はフィードバック構造を含み得るネットワーク状に複数の機能単位の実行順序を定義する個体情報を生成して、前記個体群記憶部に記憶させる個体情報生成部と、を備える
   ことを特徴とする請求項１記載の画像処理システム。
3. 前記学習用画像データを入力する学習用画像読込部と、
   前記検証用画像データを入力する検証用画像読込部と、
   前記検証用画像データに含まれる識別対象の分類を示す識別ラベルを入力する識別ラベル読込部と、を備える
   ことを特徴とする請求項１又は２記載の画像処理システム。
4. 前記遺伝子操作部が、前記評価値が高い個体情報を次世代に残すエリート保存部と、前記評価値にもとづいて、一定の確率で個体情報を次世代に残す選択部と、２つの個体情報の一部を相互に交換する交叉処理部と、選択された１つの個体情報の一部又は全部をランダムに書き換える突然変異部と、を有する
   ことを特徴とする請求項１～３のいずれかに記載の画像処理システム。
5. 前記教師なし学習が、Maharanobis Taguchi法、Maharanobis Taguchi Afjoint法、Recognition Taguchi法、Taguchi法、Taguchi Schmidt法、及び混合ガウス法のいずれかであり、
   前記教師なし学習により作成されるモデルが、当該教師なし学習で用いられるマハラビノス距離を算出するための式である
   ことを特徴とする請求項１～４のいずれかに記載の画像処理システム。
6. 前記教師なし学習が、Ｏｎｅ Ｃｌａｓｓ サポートベクターマシン又はオートエンコーダであり、
   前記教師なし学習により作成されるモデルが、当該教師なし学習で用いられる予測値を算出するための式である
   ことを特徴とする請求項１～４のいずれかに記載の画像処理システム。
7. 検査対象の画像データを入力する検査対象画像読込部と、
   最も評価値の高い前記個体情報にもとづいて、前記検査対象の画像データを用いて特徴量を計算し、得られた特徴量を有する検査対象レコードを作成する検査対象特徴量計算部と、
   最も評価値の高い前記個体情報に定義された学習結果モデルに、前記検査対象レコードの特徴量を入力して指標値を計算する学習済みモデル処理部と、
   前記指標値が一定の閾値内に存在するか否かにもとづいて、前記検査対象の画像データにおいて前記識別対象が存在するか否かを分類する分類部と、を備える
   ことを特徴とする請求項１～６のいずれかに記載の画像処理システム。
8. 生物の進化を数学的に模擬した最適化手法である遺伝的操作を用いて、画像に含まれ得る識別対象を分類するための個体情報及び学習結果モデルを最適化する画像処理プログラムであって、
   コンピュータを、
   有閉路及び／又はフィードバック構造を含み得るネットワーク状に複数の機能単位の実行順序を定義する個体情報からなる個体群を記憶する個体群記憶部、
   前記個体情報にもとづいて、学習用画像データを用いて特徴量を計算し、得られた特徴量を有する学習用レコードを作成する学習用特徴量計算部、
   前記個体情報にもとづいて、検証用画像データを用いて特徴量を計算し、得られた特徴量とこれに対応する識別ラベルとを有する検証用レコードを作成する検証用特徴量計算部、
   前記学習用レコードを用いて、教師なし学習により学習結果モデルを作成する学習モデル処理部、
   前記検証用レコードの特徴量を前記学習結果モデルに入力して指標値を計算し、前記検証用レコードの識別ラベルと前記指標値とを用いて、前記個体情報ごとに評価値を計算し、この評価値にもとづき前記個体情報を順位付けする評価値計算部、及び、
   前記個体情報の順位付け情報にもとづき前記個体情報の選択又は変更を行って、前記個体群記憶部を更新する遺伝子操作部として機能させる
   ことを特徴とする画像処理プログラム。
9. コンピュータを、
   前記機能単位として、（１）画像の色空間を選択するノード、（２）画像処理を実行するノード、（３）特徴量を計算するノード、及び（４）教師なし学習を選択するノードを記憶する機能単位記憶部、並びに、
   前記機能単位記憶部から（１）～（４）の各ノードを含む複数のノード、又は、（２）～（４）の各ノードを含む複数のノードを選択して、有閉路及び／又はフィードバック構造を含み得るネットワーク状に複数の機能単位の実行順序を定義する個体情報を生成して、前記個体群記憶部に記憶させる個体情報生成部として機能させる
   ことを特徴とする請求項８記載の画像処理プログラム。
10. コンピュータを、
    検査対象の画像データを入力する検査対象画像読込部、
    最も評価値の高い前記個体情報にもとづいて、前記検査対象の画像データを用いて特徴量を計算し、得られた特徴量を有する検査対象レコードを作成する検査対象特徴量計算部、
    最も評価値の高い前記個体情報に定義された学習結果モデルに、前記検査対象レコードの特徴量を入力して指標値を計算する学習済みモデル処理部、及び、
    前記指標値が一定の閾値内に存在するか否かにもとづいて、前記検査対象の画像データにおいて前記識別対象が存在するか否かを分類する分類部として機能させる
    ことを特徴とする請求項８又は９記載の画像処理プログラム。
    

Images