JP7373840B2

JP7373840B2 - 検査装置

Info

Publication number: JP7373840B2
Application number: JP2019182663A
Authority: JP
Inventors: 倫秋池田
Original assignee: 株式会社システムスクエア
Priority date: 2019-10-03
Filing date: 2019-10-03
Publication date: 2023-11-06
Anticipated expiration: 2039-10-03
Also published as: JP2021060204A

Description

本発明は、検査対象物に電磁波を照射し、透過量に基づき異物等の検査を行う検査装置に関する。

検査対象物にＸ線、紫外線、可視光線、赤外線、又はマイクロ波などの電磁波を照射し透過量を検出すると、検査対象物内の異物の有無や異物の材質等に起因する透過量の強弱の分布が得られる。この強弱の分布がそれぞれの画素の色調（色彩の明暗・濃淡・強弱などの調子）により表現された二次元画像を生成することで、外観からは知りえない検査対象物内部の状況を可視化することができる。

前述のように透過量の強弱は、検査対象物内の異物の有無や異物の材質等に起因するが、異物と非異物との組み合わせによっては、両者の透過量の差異が非常に小さく、生成された二次元画像からの両者の識別が難しい場合がある。

そのような課題の解決策として、近時、機械学習された学習モデルを用いる方法が提案されている。例えば、検出したい異物を含む検査対象物の透過量の分布を示す画像等のデータを多数収集し、これを学習データとして、当該検査対象物に含まれる当該異物を検出するための学習モデルを機械学習により生成する。この学習モデルに検査対象物の透過量の分布を示す画像等のデータを入力することで、異物を非異物と区別して精度よく検出することが可能になる。

例えば、複数の物品が重なり合っている状態の商品のＸ線検査画像を学習画像として用いる機械学習を実行し、これにより得られた特徴量を用いて商品をＸ線検査することで、互いに重なり合うことがある複数の物品を含む商品の検査精度の低下を抑制可能とする検査装置が特許文献１に開示されている。

また、検査装置で収集した学習データを、別のコンピュータ装置に機械学習させて得られた学習モデルを、再度検査装置に適用して検査を行う方法も提案されている。

特許第６５３７００８号公報

特許文献１に記載の検査装置では、ＣＰＵ（Central Processing Unit）が学習データの収集や検査の実行制御と機械学習処理との双方を担っている。そのため、ＣＰＵで機械学習処理を実行すると、処理に能力と時間を要するため、その間、他の処理を行えないか著しく処理速度が低下する。

また、機械学習を別のコンピュータ装置で実行する方法では、検査装置で収集した学習データを一旦出力して別のコンピュータ装置に入力する手間や、機械学習により得られた学習モデルを検査装置に入力する手間がかかり、かつ、外部から入力した学習モデルを検査で適用できるように検査装置の構成を変更する必要がある。加えて、検査装置とコンピュータ装置のそれぞれにおいて操作が必要になるため、作業性がよくない。

本発明の目的は、学習データの収集、学習モデルの機械学習及び当該学習モデルを用いた検査の実行に際し、装置への負荷が小さく、かつ作業性がよい検査装置を提供することにある。

本発明の検査装置は、電磁波を発生し検査対象物に照射する電磁波照射部と、検査対象物を透過した電磁波の透過量の分布を検出する透過量検出部と、透過量検出部が検出した透過量の分布データを蓄積する記憶部と、検査対象物の透過量の分布データに基づき検査対象物における所定の異常を検出する異常検出部と、を備える検査部と、検査部の制御を実行するＣＰＵと、を備える検査装置であって、記憶部に蓄積された、所定の異常がある検査対象物の透過量の分布データを学習データとして、検査対象物における所定の異常を検出するための学習モデルを機械学習により生成する処理をＣＰＵによる制御の下で実行するＧＰＵ（Graphics Processing Unit）を更に備え、異常検出部は、検査対象物の透過量の分布データを学習モデルに入力することにより、検査対象物における所定の異常を検出する。

学習モデルが、検査対象物の透過量の分布データが入力されることにより、所定の異常がある可能性を示す推論値を出力し、異常検出部が、当該推論値に基づき所定の異常の有無を判定するように構成してもよい。

検査部とＣＰＵとが本体を構成し、本体の外部に設けられたＧＰＵが、本体に更に設けられた接続インタフェースを介して本体に接続されていてもよい。

本発明の検査装置は、ＣＰＵとは別に単体のＧＰＵを備え、機械学習処理を当該ＧＰＵが担う。単体のＧＰＵは、機械学習処理を高速かつ低負荷で実行できるため、発熱時間を短くでき、かつ発熱量も小さくできる。そのため、ＣＰＵをはじめとする装置各部への負荷を小さくすることができる。

また、検査装置に機械学習処理機能が実装されているため、学習データの収集、学習モデルの機械学習及び当該学習モデルを用いた検査の実行に関わる全ての操作を検査装置において行うことができ、作業性がよい。

検査装置１００の機能構成例を示す図である。検査部１１０の物理的構成例を示す図である。検査装置２００の機能構成例を示す図である。

以下、本発明の実施形態を、図面を参照しつつ説明する。なお、以下の説明及び図面では、同一の機能部には同一の符号を付し、一度説明した機能部については説明を省略するか、必要な範囲で説明する。

図１は、本発明の検査装置１００の機能構成例を示す図である。検査装置１００は、検査部１１０、ＣＰＵ１２１、ＧＰＵ１２２、表示部１３１及び入力部１４１を備える。また、検査部１１０は、電磁波照射部１１１、搬送部１１２、透過量検出部１１３、記憶部１１４及び異常検出部１１５を備える。図２に検査部１１０の物理的構成例を示す。

電磁波照射部１１１は、搬送部１１２に載置されて図２におけるＹ軸方向に搬送される検査対象物Ｗに、Ｘ線、紫外線、可視光線、赤外線などの電磁波を照射する、所定の電磁波照射源である。

搬送部１１２は、３次元直交座標系においてＸＹ平面をなす搬送面に載置された検査対象物Ｗを、Ｙ軸方向に所定の速度で搬送する任意の搬送機構である。搬送部１１２は、検査対象物Ｗを透過した電磁波が極力減衰せずに透過量検出部１１３に届くよう、電磁波の透過性が高いものであることが望ましい。

透過量検出部１１３は、検査対象物Ｗを透過した電磁波の透過量を検出し出力する。透過量検出部１１３の構成方法は任意であり、例えば、Ｘ軸方向に並べられた複数の検出素子からなるラインセンサとして構成してもよい。この場合、検査対象物Ｗからの電磁波の透過量を、搬送部１１２による搬送速度に応じた周期で検査対象物Ｗの全体が通過するまで繰り返し検出し出力する。これにより、各周期においてＸ軸方向に線状に各検出素子が検出した透過量の情報が得られ、検査対象物Ｗがラインセンサ上を通過する間の各周期の情報を収集することで、検査対象物Ｗ全体についての透過量の分布を得ることができる。

記憶部１１４は、透過量検出部１１３が検出した、検査対象物Ｗにおける透過量の分布データを蓄積する。学習モデルの機械学習を行う場合には、機械学習に先立ち、所定の異物を含む検査対象物Ｗの透過量の分布データを複数蓄積しておく。

また、記憶部１１４には、ＣＰＵ１２１によるプログラムの実行により実現される各種機能が記述されたプログラムが予め記憶される。

記憶部１１４は、例えば、ＨＤＤやフラッシュメモリ等の記憶媒体のほか、不揮発性メモリ、揮発性メモリなどを採用することができる。なお、記憶部１１４は、その一部又は全部を、検査装置１００に設けた通信部を介して接続されたクラウドストレージなどにより検査装置１００の外部に設けてもよい。

異常検出部１１５は、検査対象物Ｗの透過量の分布データに基づき検査対象物Ｗにおける所定の異常を検出する。

具体的には例えば、透過量検出部１１３においてＸ軸方向に線状に検出された各検出素子の透過量の大小がそれぞれの画素の色調（色彩の明暗・濃淡・強弱などの調子）により表現された線状の画像を各周期について生成し、Ｙ軸方向に時系列で並べることで、検査対象物Ｗ全体の透過画像を生成する。

そして、生成した透過画像を、検査対象物Ｗにおける所定の異常を検出するための機械学習を行った学習済みの学習モデルに入力することにより、検査対象物における所定の異常を検出する。

所定の異常としては、例えば、検査対象物Ｗが包装物である場合における、内部の異物の存在や内容物の形状の異常や内容物のシール部への噛み込み等のほか、検査対象物Ｗ自体の形状の異常や割れ・欠け等が挙げられる。

異常の判定については、例えば、学習モデルへの画像入力により、異常がある可能性を示す推論値が出力されるようにし、出力された推論値と所定の閾値との対比により行ってもよい。より具体的には例えば、異常がある可能性が極めて低い場合を０、異常がある可能性が極めて高い場合を１とした０～１の範囲で推論値を定義し、出力された推論値が一定の値(例えば０．６)以上である場合に異常があると判定してもよい。

異常検出部１１５は、必要に応じて、生成した透過画像を、所定の異常が検出される画像要件（例えば、それぞれの画素の色調や、画素間での色調の変化の態様など）と照合することによっても、所定の異常を検出できるように構成してもよい。

異常検出部１１５は、単体の機能部としてハードウェアとして実現してもよいし、上記の機能が記述されたプログラムを記憶部１１４に予め記憶させておき、これをＣＰＵ１２１が実行されることにより実現してもよい。

ＣＰＵ１２１は、検査部１１０を機能動作させるための各種プログラムを記憶部１１４から読み出して実行し、プログラムに記述された機能動作を実現する。

ＧＰＵ１２２は、記憶部１１４に複数蓄積された、所定の異常がある検査対象物Ｗの透過量の分布データを学習データとして、それぞれの画素の色調の相違や、画素間での色調の変化の態様の相違などに基づき機械学習を行い、検査対象物Ｗにおける所定の異常を検出するための学習モデルを生成する。当該機能は、ＣＰＵ１２１による制御の下で実現される。具体的には、ＣＰＵ１２１が当該機能を実現する制御内容が記述されたプログラムを記憶部１１４から読み出して実行することよりＧＰＵ１２２に対する制御が行われ、これにより当該機能が実現される。

表示部１３１は、ＣＰＵ１２１の制御により、検査装置１００における各種指示入力のための入力インタフェース、検査状況、異物検出結果などを表示する表示手段である。表示部１３１は、検査装置１００の本体に内蔵されていてもよいし、外付けされていてもよい。

入力部１４１は、装置利用者が必要に応じ情報の入力をするポインティングデバイス、キーボードなどの入力手段である。表示部１３１にタッチパネルディスプレイを採用し、これを入力部１４１としてもよい。

以上の構成を備える検査装置１００において、例えば、次のように装置を起動させ、検査等を実行させる。

検査装置１００が起動されることにより、装置において動作をさせたい項目等が一覧で、又は段階的に表示される入力インタフェースを表示部１３１に表示させるプログラムを予め記憶部１１４に記憶させておく。これにより、検査装置１００が起動されることにより、当該プログラムが記憶部１１４から読み出されてＣＰＵ１２１で実行され、当該入力インタフェースが表示部１３１に表示される。

入力インタフェースの表示プログラムは、例えば、項目ごとに設けられたボタンやチェックボックスに入力部１４１から選択入力されることで、予め記憶部１１４に記憶された当該項目に対応する機能が記述されたプログラムが読み出され、項目に応じてＣＰＵ１２１又はＧＰＵ１２２で実行されるように記述しておく。

具体的には、選択された項目が、学習データの収集や、学習モデルを用いた異物検出などである場合には、記憶部１１４から読み出された当該項目に対応するプログラムがＣＰＵ１２１で実行されるように記述しておく。また、選択された項目が、収集された学習データから機械学習処理による学習モデルの生成である場合には、記憶部１１４から読み出された当該項目に対応するプログラムがＧＰＵ１２２で実行されるように記述しておく。

これにより、機械学習処理についてはＧＰＵにおいて行い、それ以外の処理についてはＣＰＵにおいて行うようにすることができる。

以上説明した本発明の検査装置１００では、ＣＰＵ１２１とは別に単体のＧＰＵ１２２を備え、機械学習処理をＧＰＵ１２２が担う。単体のＧＰＵは、機械学習処理を高速かつ低負荷で実行できるため、発熱時間を短くでき、かつ発熱量も小さくできる。そのため、ＣＰＵをはじめとする装置各部への負荷を小さくすることができる。

また、検査装置１００には機械学習処理機能が実装されているため、学習データの収集、学習モデルの機械学習及び当該学習モデルを用いた検査の実行に関わる全ての操作を検査装置において行うことができ、作業性がよい。

本発明は、上記の実施形態に限定されるものではない。上記の実施形態は例示であり、本発明の特許請求の範囲に記載された技術的思想と実質的に同一な構成を有し、同様な作用効果を奏するものは、いかなるものであっても本発明の技術的範囲に包含される。すなわち、本発明において表現されている技術的思想の範囲内で適宜変更が可能であり、その様な変更や改良を加えた形態も本発明の技術的範囲に含む。

例えば、ＧＰＵ１２２は必ずしも検査装置１００に内蔵されていなくてもよい。具体的には、例えば図３に示すように、ＧＰＵ１２２の代わりに検査装置１００内のバス（例えばPCI-Express(登録商標)等）を装置外部に引き出すための接続インタフェース１５１（例えばThunderbolt(登録商標)3等）を備える本体１０１を構成し、接続インタフェース１５１に着脱可能な外付けのＧＰＵ１２２との組み合わせにより検査装置２００を構成してもよい。

検査装置２００によれば、ＧＰＵ１２２に不具合が生じた場合においても、容易に修理や正常品への交換が可能となる。また、ＧＰＵ１２２をオプション品として、必要に応じて追加売買や貸借による対応を採ることが可能となる。

また、検査装置内にＧＰＵを備える検査装置１００の場合、ＣＰＵに学習機能を担わせる場合と比べると発熱による問題の発生を抑えることができるが、ＧＰＵもある程度高温になることから、装置内の温度上昇を抑えるため空冷が必要になる。しかし例えば、食品工場などの粉が舞う環境で検査装置を使用する場合、空冷に際しての外気の取り込みにより粉塵による検査装置の故障が懸念される。検査装置２００によれば、普段は接続インタフェース１５１をキャップ等で塞いで本体１０１を密閉状態にしておき、学習時にのみＧＰＵ１２２を接続するという使用形態をとれるため、検査装置内への粉塵の入り込みを極力防ぐことができる。

１００、２００…検査装置
１１０…検査部
１１１…電磁波照射部
１１２…搬送部
１１３…透過量検出部
１１４…記憶部
１１５…異常検出部
１２１…ＣＰＵ
１２２…ＧＰＵ
１３１…表示部
１４１…入力部
１５１…接続インタフェース
Ｗ…検査対象物

Claims

載置された検査対象物を一方向に搬送する搬送部と、電磁波を発生し前記搬送部により搬送される前記検査対象物に照射する電磁波照射部と、前記検査対象物を透過した前記電磁波の透過量の分布を検出する透過量検出部と、前記透過量検出部が検出した前記検査対象物における前記透過量の分布データを蓄積する記憶部と、前記検査対象物の透過量の分布データに基づき、前記検査対象物の内部の異物を検出する異常検出部と、を備える検査部と、
前記検査部の制御を実行するＣＰＵと、
を備える検査装置であって、
前記透過量検出部は、前記透過量を前記搬送部による搬送速度に応じた周期で検出する検出素子が、搬送方向に直交する方向に複数配列されたラインセンサであり、前記検査対象物が前記ラインセンサ上を通過する間の各周期の情報を収集することで、前記検査対象物全体についての透過量の分布が得られ、
前記記憶部に蓄積された、内部に異物がある前記検査対象物の透過量の分布データを学習データとして、前記検査対象物の内部の異物を検出するための学習モデルを機械学習により生成する処理を前記ＣＰＵによる制御の下で実行するＧＰＵを更に備え、
前記異常検出部は、前記検査対象物の透過量の分布データを前記学習モデルに入力することにより、前記検査対象物の内部の異物を検出する
ことを特徴とする検査装置。
前記学習モデルは、前記検査対象物の透過量の分布データが入力されることにより、前記検査対象物の内部に異物がある可能性を示す推論値を出力し、
前記異常検出部は、前記推論値に基づき前記検査対象物の内部の異物の有無を判定する
ことを特徴とする請求項１に記載の検査装置。
前記検査部と前記ＣＰＵとが本体を構成し、前記本体の外部に設けられた前記ＧＰＵが、前記本体に更に設けられた接続インタフェースを介して前記本体に接続されることを特徴とする請求項１又は２に記載の検査装置。