JP7422588B2 - 製品検査システム、製品検査方法、学習装置、認識装置、製品製造システム、製品製造方法 - Google Patents

Description

本発明は、製品検査システム、製品検査方法、学習装置、認識装置、製品製造システム、製品製造方法に関する。

従来より、搬送するフィルムの欠陥を検査する技術が知られている。この種の技術は、例えば、特許文献１に記載された欠陥検査システムがある。この欠陥検査システムは、フィルムを撮像した画像を用いてフィルムにおける欠陥の位置を特定し、位置が特定された欠陥の種別を識別している。

特開２０１７－２１５２７７号公報

しかしながら、上述したい欠陥検査システムはフィルムの欠陥の種別が識別できるが、当該フィルムを用いた製品を検査することはできなかった。

本発明は、フィルムを用いた製品を検査することができる製品検査システム、製品検査方法、学習装置、認識装置、製品製造システム、製品製造方法を提供することを目的の一つとする。

（１）本発明の一態様に係る製品検査システムは、透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を検査する製品検査システムであって、前記円柱部材へと搬送される前記フィルムを撮像する撮像部と、前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像とを教師データとして機械学習された予測モデルに、前記撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報に基づいて前記製品の外観を検査する検査部と、を備える、製品検査システムである。

（２）上記（１）の態様において、前記予測モデルは、前記撮像部により撮像された画像が入力された場合に、前記検査情報として前記製品におけるフィルムの外観的な印象に関する情報を出力するように機械学習される。

（３）上記（１）または（２）の態様において、前記検査部は、前記製品の製造後の経時的な変化により消失する皺の有無、および前記製品の製造後に消失しない皺の有無を検査する。

（４）上記（３）の態様において、前記製品の製造後の経時的な変化により消失する皺は、前記フィルムの搬送方向に並行して連続し厚さ方向で交差しない皺であり、および前記製品の製造後に消失しない皺は、前記フィルムの搬送方向と交わる方向に連続する皺である。

（５）上記（２）の態様において、前記検査部は、前記フィルムの搬送方向にける皺の密集度を検査する。

（６）上記（１）から（５）のうち何れかの態様において、前記円柱部材へと搬送されるフィルムに光を照射する光源をさらに備え、前記光源は、前記フィルムの搬送方向に対して交わる方向に進行する光を照射し、前記撮像部は、前記フィルムにより透過または反射された光に基づく画像を撮像する。

（７）上記（１）から（６）のいずれかの態様において、前記予測モデルにより出力された検査情報と、前記製品の識別情報とを対応づけ、前記検査情報に基づいて前記製品を選別する。

（８）上記（１）から（７）のいずれかの態様において、前記検査部の検査結果に基づいて前記円柱部材へと搬送されるフィルムの皺を抑制する。

（９）本発明の一態様に係る製品検査方法は、透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を検査する製品検査方法であって、前記円柱部材へと搬送される前記フィルムを撮像するステップと、前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像とを教師データとして機械学習された予測モデルに、前記撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報に基づいて前記製品の外観を検査するステップと、を含む、製品検査方法である。

（１０）本発明の一態様に係る学習装置は、円柱部材へと搬送されるフィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像、および前記製品の外観に関する情報を含む学習データを取得する学習データ取得部と、予測モデルを学習する学習処理部であって、円柱部材へと搬送されるフィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像を前記予測モデルに入力した場合に、前記予測モデルから前記製品の外観に関する情報を出力するように、前記予測モデルの処理パラメータを学習する学習処理部と、を備える、学習装置である。

（１１）本発明の一態様に係る認識装置は、透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品の製造工程において、前記円柱部材へと搬送される前記フィルムを撮像した撮影画像を取得する撮影画像取得部と、前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像とを教師データとして機械学習された予測モデルに、前記撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報に基づいて前記製品の外観を検査する検査部と、を備える、認識装置である。

（１２）本発明の一態様に係る製品製造システムは、透明のフィルムを円柱部材に巻き付けた製品を製造する製品製造システムであって、前記フィルムを前記円柱部材に搬送する搬送部と、前記円柱部材へと搬送される前記フィルムを撮像する撮像部と、前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像とを教師データとして予測モデルを機械学習する学習部と、前記予測モデルに、前記撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報に基づいて前記製品の外観を検査する検査部と、を備える、製品製造システムである。

（１３）本発明の一態様に係る製品製造方法は、透明のフィルムを円柱部材に巻き付けた製品を製造する製品製造方法であって、前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像とを教師データとして予測モデルを機械学習するステップと、前記フィルムを前記円柱部材に搬送するステップと、前記円柱部材へと搬送される前記フィルムを撮像するステップと、前記予測モデルに、撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報に基づいて前記製品の外観を検査するステップと、を含む、製品製造方法である。

本発明によれば、フィルムを用いた製品を検査することができる製品検査システム、製品検査方法、学習装置、認識装置、製品製造システム、製品製造方法を提供することができる。

実施形態におけるラップフィルム製品の製造工程の一例を示すフローチャートである。 実施形態におけるラップフィルム製品を製造する製造装置１００の一例を示す図である。 実施形態における製品検査システムの一例を示すブロック図である。 実施形態における学習装置３３０の一例を示すブロック図である。 畳み込みニューラルネットワーク３３３における入力変数と出力変数との関係を示す図である。 実施形態における認識装置３２０の一例を示すブロック図である。 実施形態における認識結果の一例を示す図である。 実施形態における認識結果の他の一例を示す図である。 ラップフィルム製品の外観的な状態を示す図である。 ラップフィルム製品の外観的な状態を示す他の図である。 実施形態における畳み込みニューラルネットワークを用いた認識処理を行う処理を説明するための図である。 実施形態における畳み込みニューラルネットワークを用いた学習処理を説明するための図である。

以下、図面を参照し、製品検査システム、製品検査方法、学習装置、認識装置、製品製造システム、製品製造方法の実施形態について説明する。

実施形態の製品検査システムは、フィルムを用いた製品を検査する。実施形態において、フィルムは、例えば、ポリ塩化ビニリデン、塩化ビニル樹脂、ポリエチレン等の包装用のフィルムであり、製品は、例えば、フィルムが円筒形状等の芯部材に巻き付けられたラップフィルム製品であり、実施形態における製品は、フィルムが円筒形状等の芯部材に巻き付けられたものであり、当該製品が包装された化粧箱等は含まないものとする。なお、製品は、後述するように、フィルムが搬送されて芯部材に巻き付けられた製品であれば、ラップフィルム製品に限定されないものとする。

［製品の製造工程］
図１は、実施形態におけるラップフィルム製品の製造工程の一例を示すフローチャートである。ラップフィルム製品の製造工程は、例えば、前処理工程（ステップＳ１００）と、巻き替え工程（ステップＳ１０２）と、検査工程（ステップＳ１０４）と、選別工程（ステップＳ１０６）と、後処理工程（ステップＳ１１０）とを含む。

前処理工程（ステップＳ１００）は、例えば、ラップフィルム製品の製造のための工程、およびラップフィルム製品の検査のための工程を含む。ラップフィルム製品の製造のための工程は、太巻き原反を製造する工程、太巻き原反を設置する工程、および芯部材を設置する工程等を含む。太巻き原反は、ラップフィルム製品に用いられるフィルムを、第１の円柱部材に巻き付けたものである。第１の円柱部材には、例えば、多数のラップフィルム製品を製造するためのフィルムが巻き付けられる。ラップフィルム製品の検査のための工程は、フィルムの皺等を検出するための条件を設定する処理や、ラップフィルム製品の検査のための認識エンジンを構築するための学習処理などを含む。

巻き替え工程（ステップＳ１０２）は、太巻き原反におけるフィルムを芯部材（第２の円柱部材）に搬送し、搬送したフィルムを芯部材に巻き替える工程である。

検査工程（ステップＳ１０４）は、自動的にラップフィルム製品を検査する工程である。具体的に、検査工程は、太巻き原反から芯部材に搬送されるフィルムの画像に基づいて当該フィルムを用いてラップフィルム製品を検査する工程である。

選別工程（ステップＳ１０６）は、検査工程の結果に基づいてラップフィルム製品を選別する工程である。選別工程は、例えば、ラップフィルム製品を後処理工程から排除する工程を含む。

後処理工程（ステップＳ１０８）は、実施形態において説明した製品製造システム以降の工程である。後処理工程は、例えば、ラップフィルム製品を包装する工程や、ラップフィルム製品を目視等で検査する工程や、学習処理のための画像を取得する処理等を含む学習フィードバック工程などを含む。なお、後処理工程には、上述した選別工程を含んでよい。後処理工程には、太巻き原反から巻き替えられた小巻のラップフィルム製品の製造装置から不良の製品を排出する工程を含んでよい。

［製品の製造装置］
図２は、実施形態におけるラップフィルム製品を製造する製造装置１００の一例を示す図である。製造装置１００は、例えば、搬送部１１０と、制御装置１４０と、撮像装置１５０Ａ、１５０Ｂ、１５０Ｃ、および１５０Ｄと、照明装置（光源）１６０とを備える。なお、撮像装置１５０Ａ、１５０Ｂ、１５０Ｃ、および１５０Ｄを総称する場合には単に「撮像装置１５０」と記載する。

搬送部１１０は、例えば、モータ等を備え、第１円柱部材１２４および第２円柱部材１３４を回転させる。第２円柱部材１３４は、例えば紙管である。第１円柱部材１２４および第２円柱部材１３４を回転させることで、太巻き原反１２０に巻き付けられたフィルム１２２は、搬送方向（Ｙ方向）に沿ってフィルム２００として搬送され、フィルム２００は第２円柱部材１３４に巻き付けられる。これにより、製造装置１００は、フィルム１３２が第２円柱部材１３４に巻き付けられたラップフィルム製品１３０を製造する。

なお、製造装置１００は、フィルム２００を搬送する機構としてモータ等を備えるが、フィルム２００の搬送方向を調整するローラ等の機構や、搬送方向や幅方向におけるフィルム２００の張力を調整する機構や、１つのラップフィルム製品１３０を製造するために必要な長さにフィルム２００を切断する機構等を備えていてもよい。製造装置１００は、例えば、フィルム２００のＹ方向の皺を伸ばす手段として、Ｘ方向において弓状に湾曲した治具を備えてよい。さらに、製造装置１００は、フィルム２００の幅方向における張力を検出するセンサ、およびフィルム２００の幅方向における張力を制御する機構を備えてもよい。

制御装置１４０は、製造装置１００の各部を制御する。制御装置１４０は、例えば、搬送部１１０および照明装置１６０を制御すると共に、撮像装置１５０から画像データを取得する。撮像装置１５０Ａ、１５０Ｂ、１５０Ｃ、および１５０Ｄは、フィルム２００の幅方向（Ｘ方向）と並行するライン２００ａ上のフィルム２００をそれぞれ撮像する。これにより、撮像装置１５０Ａ、１５０Ｂ、１５０Ｃ、および１５０Ｄは、フィルム２００の幅方向における両端に亘る状態を撮像することができる。撮像装置１５０Ａ、１５０Ｂ、１５０Ｃ、および１５０Ｄは、それぞれ画像データを制御装置１４０に出力する。照明装置１６０は、撮像装置１５０により撮像する時にライン２００ａ上に光１６０＃を照射する位置に設けられる。照明装置１６０は、光１６０＃の進行方向と搬送方向とが交わる方向となるように設置されている。なお、照明装置１６０は、搬送方向に並行した皺により影が撮像されるように光１６０＃を照射することが望ましい。なお、照明装置１６０は、撮像装置１５０と対向せずにフィルム２００の上方に設けられてよく、フィルム２００の下方に設けられて撮像装置１５０と対向した位置に設けられてよい。

［製品検査システム］
図３は、実施形態における製品検査システムの一例を示すブロック図である。製品検査システム３００は、例えば、制御装置１４０と、製品検査装置３１０と、端末装置４００とを備える。制御装置１４０、製品検査システム３００、および端末装置４００は、例えば、通信ネットワークに接続される。通信ネットワークに接続される各装置は、ＮＩＣ（Ｎｅｔｗｏｒｋ Ｉｎｔｅｒｆａｃｅ Ｃａｒｄ）や無線通信モジュールなどの通信インターフェース（不図示）を備えている。通信ネットワークは、例えば、インターネット、ＷＡＮ（Ｗｉｄｅ Ａｒｅａ Ｎｅｔｗｏｒｋ）、ＬＡＮ（Ｌｏｃａｌ Ａｒｅａ Ｎｅｔｗｏｒｋ）、セルラー網などを含む。

制御装置１４０は、制御部１４２と、通知部１４４とを備える。制御部１４２や通知部１４４といった機能部は、例えばＣＰＵ（Central Processing Unit）等のプロセッサがプログラムメモリに格納されたプログラムを実行することにより実現される。また、これらの機能部のうち一部または全部は、ＬＳＩ（Large Scale Integration）、ＡＳＩＣ（Application Specific Integrated Circuit）、またはＦＰＧＡ（Field-Programmable Gate Array）等のハードウェアにより実現されてもよいし、ソフトウェアとハードウェアが協働することで実現されてもよい。制御部１４２は、製造装置１００の各部を制御し、撮像装置１５０から取得した撮影画像を製品検査装置３１０に送信する。制御部１４２は、検査結果を受信する。通知部１４４は、ディスプレイ等を備え、検査結果に基づいて表示等を行う。

端末装置４００は、例えばスマートフォンやタブレット端末などのカメラ装置を備えた携帯型端末装置である。端末装置４００は、ユーザの操作に基づいてラップフィルム製品１３０を撮像する。ユーザは、例えば、ラップフィルム製品１３０を目視等で検査する作業員である。ユーザは、ラップフィルム製品１３０の状態を検査する。端末装置４００は、ラップフィルム製品１３０におけるフィルム１３２の外観的な印象に関する情報として、ラップフィルム製品１３０を撮像した撮像画像を取得する。撮像画像は、例えば、ラップフィルム製品１３０における皺などを含む負例画像である。端末装置４００は、負例画像を製品検査装置３１０に送信する。なお、端末装置４００は、ユーザの操作に基づいて、「印象が良または不良である」ことや、「製品の製造後に消失しない皺である」ことや、「フィルムの搬送方向と交わる方向に連続する皺である」ことを示す情報を、画像に付加して送信してもよい。

製品検査装置３１０は、例えば、認識装置３２０と、学習装置３３０と、学習画像データベース３４０とを備える。認識装置３２０および学習装置３３０といった機能部は、例えばＣＰＵ等のプロセッサなどがプログラムメモリに格納されたプログラムを実行することにより実現される。学習画像データベース３４０は、例えばＨＤＤ装置などの記憶装置や、情報管理装置などを含む。

図４は、実施形態における学習装置３３０の一例を示すブロック図である。学習装置３３０は、例えば、学習データ取得部３３１、学習処理部３３２、畳み込みニューラルネットワーク（ＣＮＮ：Convolutional Neural Network）３３３、および学習結果記憶部３３４を備える。学習データ取得部３１１は、端末装置４００から、学習データとして、学習画像、検査結果、皺に関する情報、皺の密度に関する情報、ラップフィルム製品１３０の印象に関する情報を取得する。なお、学習データは、教師データのセットと読み替えてよい。

図５は、畳み込みニューラルネットワーク３３３における入力変数と出力変数との関係を示す図である。学習画像は、畳み込みニューラルネットワーク３３３における入力変数に相当し、検査結果、皺に関する情報、皺の密度に関する情報、製品検査システム３００の印象に関する情報は、畳み込みニューラルネットワーク３３３における出力変数に相当する。出力変数は、認識装置３２０が出力すべき検査情報に相当する。なお、製品検査システム３００の印象は、製造作業員の目視による検査結果や、顧客が初めて製品を開封した時の印象のアンケート結果、過去の苦情（クレーム）の事例等に基づく情報であってよい。

学習処理部３３２は、学習画像を畳み込みニューラルネットワーク３３３に入力し、畳み込みニューラルネットワーク３３３から出力変数を出力するように処理パラメータを学習する。具体的に、学習処理部３３２は、学習データを用い、図５に示した入力変数に対応する出力変数と、目標とする出力との差が小さくなるように、処理パラメータを再帰的に算出（更新）する。学習処理部３３２は、処理パラメータを取得するために、例えば、深層学習を行う。深層学習とは、多層構造、特に３層以上のニューラルネットワークを用いた機械学習である。多層構造のニューラルネットワークとして、実施形態においては、畳み込みニューラルネットワーク３３３を用いる。学習処理部３３２は、更新した処理パラメータを学習結果記憶部３３４に保存する。

図６は、実施形態における認識装置３２０の一例を示すブロック図である。認識装置３２０は、撮影画像取得部３２１、認識処理部３２２、畳み込みニューラルネットワーク３２３、および認識結果記憶部３２４を備える。撮影画像取得部３２１は、制御装置１４０から撮影画像を取得する。畳み込みニューラルネットワーク３２３は、学習結果記憶部３３４に記憶された処理パラメータが設定された予測モデルである。畳み込みニューラルネットワーク３２３は、撮影画像を入力し、検査結果等の認識結果を出力する。認識処理部３２２は、畳み込みニューラルネットワーク３２３から出力された認識結果を認識結果記憶部３２４に保存する。認識結果は、図５に示した学習データ（教師データのセット）に対応した情報を含む。すなわち、認識結果には、検査結果、皺に関する情報、皺の密度に関する情報、ラップフィルム製品１３０の印象に関する情報が含まれる。

図７は、実施形態における認識結果の一例を示す図である。認識処理部３２２は、撮影画像ＩＤと、畳み込みニューラルネットワーク３２３の出力としての認識結果と、製品ＩＤとを対応付けて記憶する。製品ＩＤは、ラップフィルム製品１３０の識別情報であり、例えば、ラップフィルム製品１３０の製造番号やロット番号である。認識処理部３２２は、例えば、制御装置１４０から撮影画像に対応する撮影画像ＩＤ、および撮影画像に関連する製品ＩＤを取得する。認識処理部３２２は、畳み込みニューラルネットワーク３２３から出力された認識結果に、撮影画像ＩＤおよび製品ＩＤを対応付けて認識結果記憶部３２４に保存する。なお、製品ＩＤは、例えば、第２円柱部材１３４に印刷された文字列を撮像装置１５０により撮像した画像に基づいて認識した情報であってよい。

認識装置３２０は、認識結果記憶部３２４に記憶された情報を制御装置１４０に出力する。通知部１４４は、例えば、製品ＩＤに対応した認識結果を通知する。これにより、制御装置１４０は、製品ＩＤに対応したラップフィルム製品１３０ごとに、認識結果に基づく選別工程や、後処理工程を行わせることができる。

なお、検査情報として、検査結果、皺、印象を記載したが、これに限定されず、ラップフィルム製品１３０の外観に関するパラメータであればよい。例えば、ラップフィルム製品１３０におけるフィルムの外観的な異常に関する情報は、縦筋の皺であっても、フィルム２００の幅方向における厚さ変化に基づくラップフィルム製品１３０の凸部（こぶ）を含むか否かを示す情報であってよい。

［検査の具体例］
以下、上述した製品検査システム３００における製品の検査の具体例について説明する。
図８は、実施形態における認識結果の他の一例を示す図である。図９は、ラップフィルム製品の外観的な状態を示す図である。認識装置３２０は、撮像装置１５０による撮影画像を入力した場合、例えば図９に示したようなラップフィルム製品１３０のように、「斜めの皺が有り」、「縦筋の皺が有り」、「皺の密集度が高い」、「良好」といった認識結果を出力する。縦筋の皺は、フィルム２００の搬送方向に並行して連続し厚さ方向で交差しない皺である。縦筋の皺は、下層の皺に対しても並行である皺である。縦筋の皺は、ラップフィルム製品１３０の製造後の経時的な変化により消失する皺の一例である。縦筋の皺は、フィルムの引張方向（引き出し方向）に平行に入る縦筋皺であり、経時変化によるラップフィルム製品１３０の巻き締まりで目視確認しにくくなる。縦筋の皺は、撮像装置１５０により検知される小さな皺に相当する。フィルム２００を第２円柱部材１３４へ巻き替える際に引き出し方向（搬送方向）に繰り出すため、フィルム２００が延伸された状態で巻き取られる。経時によるフィルム２００の巻き締まりは、フィルム２００を形成するポリマー分子が経時で緩和して最安定な状態になるに従い、分子鎖が縮まることで起こる。斜めの皺は、フィルム２００の搬送方向（Ｙ方向）と交わる方向に連続する皺である。斜めの皺は、撮像装置１５０により検知される大きな皺に相当する。斜めの皺は、ラップフィルム製品１３０の製造後に消失しない皺の一例である。

また、認識装置３２０は、例えば、「斜めの皺」がラップフィルム製品１３０の製造後に消失せずに、目視等の検査により「不良」であると判断されたことを学習した場合において、畳み込みニューラルネットワーク３２３が「斜めの皺が有り」という認識結果を出力した場合、「不良」という認識結果を生成してよい。認識装置３２０は、例えば、「縦筋の皺」がラップフィルム製品１３０の製造後に消失し、目視等の検査により「良好」であると判断されたことを学習した場合において、畳み込みニューラルネットワーク３２３が「縦筋の皺が有り」という認識結果を出力した場合、「良好」という認識結果を生成してよい。さらに望ましくは、認識装置３２０は、畳み込みニューラルネットワーク３２３が「斜めの皺が有り」という認識結果を出力しただけでは「不良」という認識結果を生成せず、「斜めの皺が有り」という認識結果に加え、斜めの皺の量・数、幅方向の長さ、斜めの皺が存在する領域の広さや位置といったパラメータも掛け合わせて不良であると判定してよい。例えば、認識装置３２０は、ラップフィルム製品１３０のうち全幅の１／３以内に斜めの皺が存在しても、良品であると判定してよい。

図１０は、ラップフィルム製品の外観的な状態を示す他の図である。図１０において上図はラップフィルム製品１３０の外観的な状態を示し、下図は、１つのラップフィルム製品１３０における１枚のフィルム１３２に検出された皺を模式的に示す。

例えば、フィルム１３２のうち、ラップフィルム製品１３０に斜めの皺が目視される箇所に対応するフィルム部分１３２ａには、撮影画像において検出される、Ｙ方向に長い斜めの皺１３６ａが存在するものとする。このような皺１３６ａは、一つの長い皺であり、Ｘ方向の密集度Ｄｘ１およびＹ方向の密集度Ｄｙ１は低い値になる。しかし、皺１３６ａは、フィルム１３２が第２円柱部材１３４に巻き付けられることで、多数の皺として目視される場合がある。これに対し、認識装置３２０は、撮影画像から皺１３６ａに対応する認識結果として、「斜めの皺が有り」や、「不良」という出力をすることができる。

例えば、フィルム１３２のうち、ラップフィルム製品１３０に皺が目視されない箇所に対応するフィルム部分１３２ｂには、撮影画像において検出される、Ｙ方向に長い縦筋の皺１３６ｂが存在するものとする。このような皺１３６ｂは、ラップフィルム製品１３０の製造後の経時変化により消失する皺であり、ラップフィルム製品１３０の出荷後等には目視されない。これに対し、認識装置３２０は、撮影画像から皺１３６ｂに対応する認識結果として、「縦筋の皺が有り」や、「良好」という出力をすることができる。

例えば、フィルム１３２のうち、ラップフィルム製品１３０に多数の微細な皺が目視される箇所に対応するフィルム部分１３２ｃには、撮影画像において検出される、斜めの皺１３６ｃが存在するものとする。このような皺１３６ｃは、Ｘ方向の密集度Ｄｘ２およびＹ方向の密集度Ｄｙ２は高い値になる。これに対し、認識装置３２０は、撮影画像から皺１３６ｂに対応する認識結果として、「斜めの皺が有り」、「皺の密集度が高い」、または「不良」という出力をすることができる。

例えば、フィルム１３２のうち、ラップフィルム製品１３０に多数の微細な皺が目視される箇所に対応するフィルム部分１３２ｄには、撮影画像において検出される、斜めの皺１３６ｄが存在し、当該皺１３６ｄがＹ方向の一方（図中上方）に隔たって存在するものとする。このような皺１３６ｃは、Ｙ方向の密集度Ｄｙ３＃は高い値になる。これに対し、認識装置３２０は、撮影画像から皺１３６ｂに対応する認識結果として、「斜めの皺が有り」、「皺の密集度が高い」、または「不良」という出力をすることができる。

［畳み込みニューラルネットワーク］
以下、実施形態における畳み込みニューラルネットワーク３３３および畳み込みニューラルネットワーク３２３の一例について説明する。なお、この説明において、畳み込みニューラルネットワーク３３３および畳み込みニューラルネットワーク３２３を総称して「畳み込みニューラルネットワーク」と記載する。

上述したように、学習処理部３３２は、学習用の畳み込みニューラルネットワーク３３３に対して、学習画像の画素値を入力層に入力する入力変数とし、検査情報を出力層から出力される出力変数として設定する。学習処理部３３２は、学習画像と検査情報の学習データセットを用いて、機械学習を行う。認識処理部３２２は、学習済の畳み込みニューラルネットワーク３２３に対して、撮影画像の画素値を入力層へ入力し、出力層から検査情報を取得する。

図１１は、実施形態における畳み込みニューラルネットワークを用いた認識処理を行う処理を説明するための図である。畳み込みニューラルネットワークは、例えば層Ｌ０、層Ｌ１、層Ｌ２、層Ｌｉ、および層ＬＩを含む。層Ｌ０は入力層、層Ｌ１～層Ｌｉは中間層或いは隠れ層、層ＬＩは出力層とも呼ばれる。畳み込みニューラルネットワークは、入力層Ｌ０に、入力画像が入力される。入力画像は、入力画像の垂直方向の位置と水平方向の位置を、行列の位置とする画素行列Ｄ１１で表される。画素行列Ｄ１１の各要素は、行列の位置に対応する画素のサブ画素値として、Ｒ（赤）のサブ画素値、Ｇ（緑）のサブ画素値、およびＢ（青）サブ画素値を含む。１番目の中間層Ｌ１は、畳み込み処理（フィルター処理とも呼ばれる）とプーリング処理が行われる層である。

（畳み込み処理（Ｃｏｎｖｏｌｕｔｉｏｎ））
中間層Ｌ１の畳み込み処理の一例について説明する。畳み込み処理は、元の画像にフィルタをかけて特徴マップを出力する処理である。具体的には、入力された画素値は、それぞれ、Ｒのサブ画素行列Ｄ１２１と、Ｂのサブ画素行列Ｄ１２２と、Ｇのサブ画素行列Ｄ１２３とに分けられる。各サブ画素行列Ｄ１２１、Ｄ１２２、Ｄ１２３（各々を「サブ画素行列Ｄ１２」とも称する）は、それぞれ、ｓ行ｔ列の部分行列ごとに、その部分行列の各要素とｓ行ｔ列のコンボリューション行列ＣＭ１（カーネルとも呼ばれる）の要素が乗算され、加算されることで、第１画素値が算出される。各サブ画素行列Ｄ１２で算出された第１画素値は、それぞれ、重み係数が乗算されて加算されることで、第２画素値が算出される。第２画素値は、部分行列の位置に対応する行列要素として、畳込画像行列Ｄ１３１の各要素として設定される。各サブ画素行列Ｄ１２において部分行列の位置が要素（サブ画素）ごとにずらされることで、各位置での第２画素値が算出され、畳込画像行列Ｄ１３１の全ての行列要素が算出される。

図１１は、例えば、３行３列のコンボレーション行列ＣＭ１を用いた畳み込みニューラルネットワークの一例であり、畳込画素値Ｄ１３１１は、各サブ画素行列Ｄ１２の２行目から４行目、かつ、２列目から４列目までの３行３列の部分行列について第１画素値が算出される。各サブ画素行列Ｄ１２１、Ｄ１２２、およびＤ１２３の各第１画素値に、重み係数が算出されて加算されることで、畳込画像行列Ｄ１３１の２行目２列目の行列要素として、第２画素値が算出される。同様に、３行目から５行目、かつ、２列目から４列目の部分行列から、畳込画像行列Ｄ１３１の３行目２列目の行列要素の第２画素値が算出される。また同様に、他の重み付け係数又は他のコンボリューション行列を用いて、畳込画像行列Ｄ１３２、・・・が算出される。

（プーリング処理（Ｐｏｏｌｉｎｇ））
中間層Ｌ１のプーリング処理の一例について説明する。プーリング処理は、画像の特徴を残しながら画像を縮小する処理である。具体的には、畳込画像行列Ｄ１３１におけるｕ行ｖ列の領域ＰＭごとに、領域内の行列要素の代表値が算出される。代表値は、例えば、領域内の行列要素の最大値である。代表値は、領域ＰＭの位置に対応する行列要素として、ＣＮＮ画像行列Ｄ１４１の各要素に設定される。畳込画像行列Ｄ１３１における領域が、領域ＰＭごとにずらされることで、各位置での代表値が算出され、ＣＮＮ画像行列Ｄ１４１の全ての要素が算出される。

図１１は、例えば２行２列の領域ＰＭを用いた畳み込みニューラルネットワークの一例であり、畳込画像行列Ｄ１３１の３行目から４行目、かつ、３列目から４列目までの２行２列の領域ＰＭについて、領域ＰＭ内の最大値が、代表値として算出される。この代表値は、ＣＮＮ画像行列Ｄ１４１の２行目２列目の行列要素に設定される。同様に、５行目から６行目、かつ、２列目から４列目の部分行列から、ＣＮＮ画像行列Ｄ１４１の３行目２列目の行列要素の代表値が算出される。また同様に、畳込画像行列Ｄ１３２、・・・から、ＣＮＮ画像行列Ｄ１４２、・・・が算出される。

ＣＮＮ画像行列Ｄ１４１、Ｄ１４２、・・・の各行列要素（Ｎ個）は、予め定められた順序で並べられることで、ベクトルＸとして生成される。ベクトルＸは、Ｎ個の要素ｘ_ｎ（ｎ＝１、２、３、・・・Ｎ）を含む。ベクトルＸは、ベクトルｕ^（０）に相当する。

中間層Ｌｉは、第ｉ番目（ｉ＝２，・・・）の中間層を表している。中間層Ｌｉは、ベクトルｕ^（ｉ）を含む。中間層Ｌｉの各ノードからは、ベクトルｚ^（ｉ）が出力される。ベクトルｚ^（ｉ）は、ベクトルｕ^（ｉ）が活性化関数である関数ｆ（ｕ^（ｉ））に入力された値を持つ。ベクトルｕ^（ｉ）は、第ｉ－１目の中間層のノードから出力されたベクトルｚ^{（ｉ-１）}に重み行列Ｗ^（ｉ）を乗算した値と、ベクトルｂ^（ｉ）とを加算した値を持つ。ベクトルｂ^（ｉ）は、バイアスである。

出力層ＬＩは、ベクトルｚ^{（Ｉ-１）}を含む。出力層ＬＩの出力は、Ｍ個のｙ_ｍ（ｍ＝１、２、・・・Ｍ）である。つまり、出力層ＬＩは、Ｍ個のｙ_ｍを要素として含むベクトルＹ（ｙ_１、ｙ_２、ｙ_３、・・・ｙ_Ｍ）を出力する。以上により、畳み込みニューラルネットワークは、入力変数として画像の画素値が入力された場合に、出力変数としてベクトルＹを出力する。実施形態におけるベクトルＹは、検査情報を表す。

図１２は、実施形態における畳み込みニューラルネットワークを用いた学習処理を説明するための図である。学習データセットの画像の画素値に対して、第１番目の中間層Ｌ１から出力されたベクトルをベクトル［Ｘ］とする。学習データセットにおける確定クラスを表すベクトルをベクトル［Ｙ］とする。確定クラスは、実施形態における図５に示した出力係数（検査結果、皺、密度、目視による印象等の検査情報）である。

重み行列Ｗ^（ｉ）には、初期値が設定される。入力画像が入力層Ｌ０に入力されたことに基づいて第２番目の中間層Ｌ２にベクトル［Ｘ］が入力された場合、出力層ＬＩからベクトル［Ｘ］に基づくベクトルＹ（Ｘ）が出力される。ベクトルＹ（Ｘ）とベクトル［Ｙ］の誤差Ｅは、損失関数を用いて計算される。第ｉ層の勾配ΔＥ_ｉは、各層からの出力ｚ_ｉと誤差信号δ_ｉと用いて計算される。誤差信号δ_ｉは、誤差信号δ_ｉ－１を用いて計算される。なお、出力層ＬＩから入力層Ｌ０に向かって、出力層側の誤差信号から入力層側の誤差信号を計算する処理は、逆伝搬とも呼ばれる。重み行列Ｗ^（ｉ）は、勾配ΔＥ_ｉに基づいて更新される。同様に、第１番目の中間層Ｌ１においても、コンボリューション行列ＣＭまたは重み係数が更新される。

［予測モデルの設定］
学習処理部３３２は、畳み込みニューラルネットワークについて、層数、各層のノード数、各層間のノードの結合方式、活性化関数、誤差関数、及び勾配降下アルゴリズム、プーリングの領域、カーネル、重み係数、および重み行列といった処理パラメータを設定する。学習処理部３３２は、例えば、層数として、３層（Ｉ＝３）を設定する。学習処理部３３２は、各層のノードの数（「ノード数」とも称する）として、ベクトルＸの要素数（ノード数Ｎ）に８００、第２番目の中間層（ｉ＝２）のノード数に５００、出力層（ｉ＝３）に１０を設定する。ただし、実施形態はこれに限らず、総数は４層以上であってもよいし、ノード数には別の値が設定されてもよい。

学習処理部３３２は、２０個の５行５列のコンボリューション行列ＣＭをし、２行２列の領域ＰＭを設定する。ただし、実施形態はこれに限らず、別の行列数又は別の個数のコンボリューション行列ＣＭが設定されてもよい。また、別の行列数の領域ＰＭが設定されてもよい。学習処理部３３２は、より多くの畳み込み処理又はプーリング処理を行ってもよい。

学習処理部３３２は、畳み込みニューラルネットワークの各層の結合として、全結合を設定する。ただし、実施形態はこれに限らず、一部或いは全ての層の結合は、非全結合に設定であってもよい。学習処理部３３２は、活性化関数として、全ての層の活性化関数にシグモイド関数を設定する。ただし、実施形態はこれに限らず、各層の活性化関数は、ステップ関数、線形結合、ソフトサイン、ソフトプラス、ランプ関数、切断冪関数、多項式、絶対値、動径基底関数、ウェーブレット、ｍａｘｏｕｔ等、他の活性化関数であってもよい。また、ある層の活性化関数は、他の層とは異なる種類であってもよい。

学習処理部３３２は、誤差関数として、二乗損失（平均二乗誤差）を設定する。ただし、本発明はこれに限らず、誤差関数は、交差エントロピー、τ－分位損失、Ｈｕｂｅｒ損失、ε感度損失（ε許容誤差関数）であってもよい。また、学習処理部３３２は、勾配を計算するアルゴリズム（勾配降下アルゴリズム）として、ＳＧＤ（確率的勾配降下）を設定する。ただし、本発明はこれに限らず、勾配降下アルゴリズムには、Ｍｏｍｅｎｔｕｍ（慣性項） ＳＤＧ、ＡｄａＧｒａｄ、ＲＭＳｐｒｏｐ、ＡｄａＤｅｌｔａ、Ａｄａｍ（Ａｄａｐｔｉｖｅ ｍｏｍｅｎｔ ｅｓｔｉｍａｔｉｏｎ）等が用いられても良い。

学習処理部３３２は、畳み込みニューラルネットワーク（ＣＮＮ）に限らず、パーセプトロンのニューラルネットワーク、再起型ニューラルネットワーク（ＲＮＮ）、残差ネットワーク（ＲｅｓＮｅｔ）等の他のニューラルネットワークを設定してもよい。また、学習処理部３３２は、決定木、回帰木、ランダムフォレスト、勾配ブースティング木、線形回帰、ロジスティック回帰、又は、ＳＶＭ（サポートベクターマシン）等の教師あり学習の予測モデルを一部或いは全部に設定してもよい。

［実施形態の効果］
以上に説明したように、実施形態の製品検査システム３００によれば、透明のフィルム２００を第２円柱部材１３４に搬送し、搬送されたフィルム２００を第２円柱部材１３４に巻き付けたラップフィルム製品１３０を検査する製品検査システムであって、第２円柱部材１３４へと搬送されるフィルム２００を撮像する撮像装置１５０と、第２円柱部材１３４へと搬送されるフィルム２００を過去に撮像した画像と当該フィルム２００を用いて製造された製品の外観画像とを教師データとして機械学習された予測モデルに、撮像装置１５０により撮像された画像を入力することで、ラップフィルム製品１３０の外観に関する検査情報を取得し、検査情報に基づいてラップフィルム製品１３０の外観を検査する制御装置１４０と、を備える、製品検査システムを実現することができる。実施形態の製品検査システム３００によれば、製造工程におけるフィルム２００を用いてラップフィルム製品１３０を検査することができる。

実施形態の製品検査システム３００によれば、認識装置３２０が、撮像装置１５０により撮像された画像が入力された場合に、ラップフィルム製品１３０におけるフィルムの外観的な状態に関する情報である検査情報を出力するように処理パラメータが学習された予測モデルを含む。実施形態の製品検査システム３００によれば、畳み込みニューラルネットワークにより実現される予測モデルを用い、フィルム２００を用いてラップフィルム製品１３０を検査することができる。

実施形態の製品検査システム３００によれば、予測モデルが、撮像装置１５０により撮像された画像が入力された場合に、検査情報としてラップフィルム製品１３０におけるフィルムの外観的な印象に関する情報を出力するように処理パラメータが学習される。実施形態の製品検査システム３００によれば、フィルム２００を撮像するだけで、目視等の検査を行わなくても、ラップフィルム製品１３０の外観的な印象を検査することができる。

実施形態の製品検査システム３００によれば、ラップフィルム製品１３０におけるフィルムの外観的な状態として、ラップフィルム製品１３０の製造後の経時的な変化により消失する皺の有無、およびラップフィルム製品１３０の製造後に消失しない皺の有無を検査することができる。

実施形態の製品検査システム３００によれば、ラップフィルム製品１３０の製造後の経時的な変化により消失する皺としてフィルム２００の搬送方向に並行して連続し厚さ方向で交差しない皺を検査し、ラップフィルム製品１３０の製造後に消失しない皺としてフィルム２００の搬送方向と交わる方向に連続する皺を検査することができる。

実施形態の製品検査システム３００によれば、ラップフィルム製品１３０におけるフィルム２００の外観的な状態に関する情報としてフィルム２００の搬送方向における皺の密集度を検査することができる。

実施形態の製品検査システム３００によれば、ラップフィルム製品１３０におけるフィルムの外観的な異常に関する検査として、フィルム２００の幅方向における厚さ変化に基づくラップフィルム製品１３０の凸部を含むか否かを検査することができる。

実施形態の製品検査システム３００によれば、照明装置１６０によりフィルム２００の搬送方向に対して交わる方向に進行する光１６０＃を照射するので、搬送方向に並行する皺や、搬送方向と交わる方向の皺の影を撮像することができる。この結果、実施形態によれば、搬送方向に並行する皺や、搬送方向と交わる方向の皺に対する検査の精度を高くすることができる。

実施形態の製品検査システム３００によれば、認識装置３２０により出力された検査情報と、ラップフィルム製品１３０の識別情報とを対応づけ、検査情報に基づいてラップフィルム製品１３０を選別することができる。この結果、実施形態の製品検査システム３００によれば、顧客の第一印象を悪くする外観異常品が流出することや、皺による密着不良品が流出することを抑制することができる。さらに、これらの品質異常品が流出することによる資材の削減、および流通コストの削減を図ることができる。

実施形態の製品検査システム３００によれば、検査結果に基づいて第２円柱部材１３４へと搬送されるフィルム２００の皺を抑制する動作部を備える。動作部は、例えば、太巻き原反１２０とラップフィルム製品１３０との間に配置されたエキスパンドロールである。これにより、ラップフィルム製品１３０の外観に影響する皺を抑制することができる。

実施形態の製品検査システム３００によれば、透明のフィルム２００を第２円柱部材１３４に搬送し、搬送されたフィルム２００を第２円柱部材１３４に巻き付けたラップフィルム製品１３０を検査する製品検査方法であって、第２円柱部材１３４へと搬送されるフィルム２００を撮像するステップと、第２円柱部材１３４へと搬送されるフィルム２００を過去に撮像した画像と当該フィルム２００を用いて製造されたラップフィルム製品１３０の外観画像とを教師データとして機械学習された予測モデルに、撮像された画像を入力することで、ラップフィルム製品１３０の外観に関する検査情報を取得し、検査情報に基づいてラップフィルム製品１３０の外観を検査するステップと、を含む、製品検査方法を実現することができる。実施形態の製品検査システム３００によれば、製造工程におけるフィルム２００を用いてラップフィルム製品１３０を検査することができる。

実施形態によれば、透明のフィルム２００を第２円柱部材１３４に搬送し、搬送されたフィルム２００を第２円柱部材１３４に巻き付けたラップフィルム製品１３０の学習画像、およびラップフィルム製品１３０の外観に関する情報を含む学習データを取得する学習データ取得部３３１と、予測モデルを学習する学習処理部であって、学習画像を予測モデルに入力した場合に、予測モデルからラップフィルム製品１３０の外観に関する情報を出力するように、予測モデルの処理パラメータを学習する学習処理部３３２と、を備える、学習装置を実現することができる。実施形態によれば、製造工程におけるフィルム２００を用いてラップフィルム製品１３０を検査するための認識エンジンを構築することができる。

実施形態によれば、透明のフィルム２００を第２円柱部材１３４に搬送し、搬送されたフィルム２００を第２円柱部材１３４に巻き付けたラップフィルム製品１３０の製造工程において、第２円柱部材１３４へと搬送されるフィルム２００を撮像した撮影画像を取得する撮影画像取得部３２１と、第２円柱部材１３４へと搬送されるフィルム２００を過去に撮像した画像と当該フィルム２００を用いて製造されたラップフィルム製品１３０の外観画像とを教師データとして機械学習された予測モデルに、撮像装置１５０により撮像された画像を入力することで、ラップフィルム製品１３０の外観に関する検査情報を取得し、検査情報に基づいてラップフィルム製品１３０の外観を検査する認識処理部３２２（検査部）と、を備える、認識装置を実現することができる。実施形態によれば、製造工程におけるフィルム２００を用いてラップフィルム製品１３０を検査することができる。

実施形態によれば、透明のフィルム２００を第２円柱部材１３４に巻き付けたラップフィルム製品１３０を製造する製品製造システムであって、フィルム２００を第２円柱部材１３４に搬送する搬送部１１０と、第２円柱部材１３４へと搬送されるフィルム２００を撮像する撮像装置１５０と、第２円柱部材１３４へと搬送されるフィルム２００を過去に撮像した画像と当該フィルム２００を用いて製造されたラップフィルム製品１３０の外観画像とを教師データとして機械学習する学習装置３３０と、予測モデルに、撮像装置１５０により撮像された画像を入力することで、ラップフィルム製品１３０の外観に関する検査情報を取得し、検査情報に基づいてラップフィルム製品１３０の外観を検査する制御装置１４０と、を備える、製品製造システムを実現することができる。実施形態によれば、製造工程におけるフィルム２００を用いてラップフィルム製品１３０を検査することができる。

実施形態によれば、透明のフィルム２００を第２円柱部材１３４に巻き付けたラップフィルム製品１３０製品を製造する製品製造方法であって、第２円柱部材１３４へと搬送されるフィルム２００を過去に撮像した画像と当該フィルム２００を用いて製造されたラップフィルム製品１３０の外観画像とを教師データとして機械学習するステップと、フィルム２００を第２円柱部材１３４に搬送するステップと、第２円柱部材１３４へと搬送されるフィルム２００を撮像するステップと、予測モデルに、撮像された画像を入力することで、ラップフィルム製品１３０の外観に関する検査情報を取得し、検査情報に基づいてラップフィルム製品１３０の外観を検査するステップと、を含む、製品製造方法を実現することができる。実施形態によれば、製造工程におけるフィルム２００を用いてラップフィルム製品１３０を検査することができる。

なお、本発明の一態様における製品検査システム３００のプログラムは、本発明の一態様に関わる上記の各実施形態や変形例で示した機能を実現するように、１つ、または複数の、ＣＰＵ等のプロセッサを制御するプログラム（コンピュータを機能させるプログラム）であっても良い。そして、これらの各装置で取り扱われる情報は、その処理時に一時的にＲＡＭに蓄積され、その後、フラッシュメモリ、ＳＳＤやＨＤＤ等の各種ストレージに格納され、必要に応じてＣＰＵによって読み出し、修正・書き込みが行われても良い。

なお、上述した各実施形態や変形例における製品検査システム３００が備える学習装置または認識装置の一部又は全部を１つ、または複数のプロセッサを備えたコンピュータで実現するようにしても良い。その場合、この制御機能を実現するためのプログラムをコンピュータが読み取り可能な記録媒体に記録して、この記録媒体に記録されたプログラムをコンピュータシステムに読み込ませ、実行することによって実現しても良い。また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含んでも良い。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。

また、上述した各実施形態や変形例における製品検査システム３００が備える学習装置または認識装置の一部、又は全部を典型的には集積回路であるＬＳＩとして実現してもよいし、チップセットとして実現してもよい。また、集積回路化の手法は、ＬＳＩに限らず専用回路、および／または汎用プロセッサで実現しても良い。また、半導体技術の進歩によりＬＳＩに代替する集積回路化の技術が出現した場合、当該技術による集積回路を用いることも可能である。

以上、この発明の一態様として各実施形態や変形例に関して図面を参照して詳述してきたが、具体的な構成は各実施形態や変形例に限られるものではなく、この発明の要旨を逸脱しない範囲の設計変更等も含まれる。また、本発明の一態様は、請求項に示した範囲で種々の変更が可能であり、異なる実施形態にそれぞれ開示された技術的手段を適宜組み合わせて得られる実施形態についても本発明の技術的範囲に含まれる。また、上記各実施形態や変形例に記載された要素であり、同様の効果を奏する要素同士を置換した構成も含まれる。

例えば、上記各実施形態の一部または全部を組み合わせることで本発明の一態様を実現してもよい。

以上、本発明を実施するための形態について実施形態を用いて説明したが、本発明はこうした実施形態に何等限定されるものではなく、本発明の要旨を逸脱しない範囲内において種々の変形及び置換を加えることができる。

１００ 製造装置
１１０ 搬送部
１１４ 第１円柱部材
１２０ 原反
１２２ フィルム
１２４ 第１の円柱部材
１３０ ラップフィルム製品
１３４ 第２の円柱部材
１４０ 制御装置
１４２ 制御部
１４４ 通知部
１５０ 撮像装置
１６０ 照明装置
２００ フィルム
３００ 製品検査システム
３１０ 製品検査装置
３１１ 学習データ取得部
３２０ 認識装置
３２１ 撮影画像取得部
３２２ 認識処理部
３２３ 畳み込みニューラルネットワーク
３２４ 認識結果記憶部
３３０ 学習装置
３３１ 学習データ取得部
３３２ 学習処理部
３３３ 畳み込みニューラルネットワーク
３３４ 学習結果記憶部
３４０ 学習画像データベース
４００ 端末装置

Claims (13)

1. 透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を検査する製品検査システムであって、
   前記円柱部材へと搬送される前記フィルムを撮像する撮像部と、
   前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像とを教師データとして機械学習された予測モデルに、前記撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報に基づいて前記製品の外観を検査する検査部と、
   を備える、製品検査システム。
2. 前記予測モデルは、前記撮像部により撮像された画像が入力された場合に、前記検査情報として前記製品におけるフィルムの外観的な印象に関する情報を出力するように機械学習される、
   請求項１に記載の製品検査システム。
3. 前記検査部は、前記製品の製造後の経時的な変化により消失する皺の有無、および前記製品の製造後に消失しない皺の有無を検査する、
   請求項１または２に記載の製品検査システム。
4. 前記製品の製造後の経時的な変化により消失する皺は、前記フィルムの搬送方向に並行して連続し厚さ方向で交差しない皺であり、および前記製品の製造後に消失しない皺は、前記フィルムの搬送方向と交わる方向に連続する皺である、
   請求項３に記載の製品検査システム。
5. 前記検査部は、前記フィルムの搬送方向にける皺の密集度を検査する、
   請求項２に記載の製品検査システム。
6. 前記円柱部材へと搬送されるフィルムに光を照射する光源をさらに備え、
   前記光源は、前記フィルムの搬送方向に対して交わる方向に進行する光を照射し、
   前記撮像部は、前記フィルムにより透過または反射された光に基づく画像を撮像する、
   請求項１から５のうち何れか１項に記載の製品検査システム。
7. 前記予測モデルにより出力された検査情報と、前記製品の識別情報とを対応づけ、前記検査情報に基づいて前記製品を選別する、
   請求項２から６のうち何れか１項に記載の製品検査システム。
8. 前記検査部の検査結果に基づいて前記円柱部材へと搬送されるフィルムの皺を抑制する、
   請求項１から７のうち何れか１項に記載の製品検査システム。
9. 透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品を検査する製品検査方法であって、
   前記円柱部材へと搬送される前記フィルムを撮像するステップと、
   前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像とを教師データとして機械学習された予測モデルに、前記撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報に基づいて前記製品の外観を検査するステップと、
   を含む、製品検査方法。
10. 円柱部材へと搬送されるフィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像、および前記製品の外観に関する情報を含む学習データを取得する学習データ取得部と、
    予測モデルを学習する学習処理部であって、円柱部材へと搬送されるフィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像を前記予測モデルに入力した場合に、前記予測モデルから前記製品の外観に関する情報を出力するように、前記予測モデルの処理パラメータを学習する学習処理部と、
    を備える、学習装置。
11. 透明のフィルムを円柱部材に搬送し、搬送された前記フィルムを前記円柱部材に巻き付けた製品の製造工程において、前記円柱部材へと搬送される前記フィルムを撮像した撮影画像を取得する撮影画像取得部と、
    前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像とを教師データとして機械学習された予測モデルに、撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報に基づいて前記製品の外観を検査する検査部と、
    を備える、認識装置。
12. 透明のフィルムを円柱部材に巻き付けた製品を製造する製品製造システムであって、
    前記フィルムを前記円柱部材に搬送する搬送部と、
    前記円柱部材へと搬送される前記フィルムを撮像する撮像部と、
    前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像とを教師データとして予測モデルを機械学習する学習部と、
    前記予測モデルに、前記撮像部により撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報に基づいて前記製品の外観を検査する検査部と、
    を備える、製品製造システム。
13. 透明のフィルムを円柱部材に巻き付けた製品を製造する製品製造方法であって、
    前記円柱部材へと搬送される前記フィルムを過去に撮像した画像と当該フィルムを用いて製造された製品の外観画像とを教師データとして予測モデルを機械学習するステップと、
    前記フィルムを前記円柱部材に搬送するステップと、
    前記円柱部材へと搬送される前記フィルムを撮像するステップと、
    前記予測モデルに、撮像された画像を入力することで、前記製品の外観に関する検査情報を取得し、前記検査情報に基づいて前記製品の外観を検査するステップと、
    を含む、製品製造方法。

Images