JP7426261B2 - 学習装置、画像検査装置、学習済みパラメータ、学習方法、および画像検査方法 - Google Patents

Description

この発明は、対象物の異常を検出する技術に関する。

食品、医薬品または工業製品等の製造工程においては、製造ラインに検査工程を設けて、不良品の検出等の検査が行われる場合がある。製品の検査は、人間が目視で行っており（目視検査）、人的コストが高いという問題があった。このため、検査工程の一部または全部を自動化するべく、機械によって自動的に製品を検査するシステムの開発が進められている。

近年では、畳み込みニューラルネットワークと呼ばれる機械学習技術を用いた欠陥検査手法が提案されている。畳み込みニューラルネットワークを用いた一般的な手法は、ネットワークを畳み込み層および全結合層で構成し、良品と不良品とを分類するように学習を行う。このとき、畳み込み層では、画像の特徴量を抽出し、最終段の全結合層では、特徴量を用いた識別を行うように学習される。学習済みのネットワークは、検査したいサンプルの画像が入力されると、良品か不良品かを示す判定結果を出力する。このように、良品か不良品かを示す正解ラベルを与えて学習する機械学習は、教師あり学習と呼ばれる。

特許文献１は、学習に充分な量の良品と不良品が必要であることを指摘し、教師なし学習での検査を提案している。具体的には、前半は畳み込み層、後半は逆畳み込み層で構成されたオートエンコーダと呼ばれる畳み込みニューラルネットワークを用いて、入力された画像を再構成するように学習が行われる。学習には、良品の画像のみが使用される。畳み込み層は、入力された画像をより小さいデータに圧縮し、逆畳み込み層は、圧縮したデータから元の入力された画像を復元する。このような学習により、前半の畳み込み層は、画像の特徴量を出力できるようになる。学習済みの畳み込み層を用いて抽出した特徴量を、アイソレーションフォレストなどの識別器に入力し、製品の良否が判定される。

特許文献２は、画像の一部が僅かに異なる工業部品の欠陥を判別するべく、オートエンコーダに入力した画像と、オートエンコーダが出力する画像との差分画像を取得する。オートエンコーダを良品の画像のみを用いて学習することにより、オートエンコーダで再構成される画像は、欠陥のない画像となるため、差分を取ることによって、欠陥部位が検出可能となる。

非特許文献１は、変分オートエンコーダ（ＶＡＥ：Variational Auto Encoder）を用いる検査技術が記載されている。変分オートエンコーダは、オートエンコーダの一種であり、確率モデルを導入することによって、より高度な学習を可能にしている。非特許文献１では、変分オートエンコーダの出力を多変量正規分布でモデル化しており、各画素を単純に再構成するのではなく、復元誤差を考慮して、正規分布の平均および分散を推定するような学習が行われる。入出力の差分だけでなく、復元時にどの程度の誤差が生じるかを考慮することによって、より精度の高い欠陥検出が可能とされている。

特開２０１９－０８７１８１号公報 特開２０１８－１９５１１９号公報

Takashi Matsubara, Ryosuke Tachibana, Kuniaki Uehara, "Anomaly Machine Component Detection by Deep Generative Model with Unregularized Score", 2018, International Joint Conference on Neural Networks

しかしながら、非特許文献１に記載の手法は、学習に用いられる複数の画像の各画素の輝度分布が正規分布に従っていない場合、精度が大きく低下する問題がある。例えば、輝度分布が極端に左右に偏った形状をしていた場合、実際の輝度と、平均値との差が大きくなってしまうため、過検出が増大する可能性がある。

本発明の目的は、画像における異常を検出する際の過検出を抑制する技術を提供することにある。

上記課題を解決するため、第１態様は、画像検査装置を構築するための学習装置であって、複数の対象物画像を学習用データとし、入力と出力の誤差が小さくなるように、かつ、単位画素ごとに、特定の分布で近似された分布の平均、分散、および高次統計量を出力するように確率モデルを学習する学習部を備える。

第２態様は、第１態様の学習装置であって、前記対象物画像が、良品を撮像した良品画像である。

第３態様は、第１態様または第２態様の学習装置であって、前記特定の分布が、正規分布である。

第４態様は、第１態様から第３態様のいずれか１つの学習装置であって、前記確率モデルが、変分オートエンコーダである。

第５態様は、第１態様から第４態様のいずれか１つの学習装置であって、前記高次統計量が、歪度または尖度である。

第６態様は、第１態様から第５態様のいずれか１つの学習装置により学習が行われた学習モデルを用いる画像検査装置であって、検査対象である検査画像を、前記学習部によって得られた学習済みパラメータを有する前記確率モデルに入力し、前記検査画像に対する単位画素ごとの平均、分散、および高次統計量を取得する統計量取得部と、前記統計量取得部によって取得される平均、分散、および高次統計量に基づいて、前記検査画像における異常を検出する異常検出部とを含む。

第７態様は、第６態様の画像検査装置であって、前記異常検出部は、前記検査画像のうち、前記統計量取得部によって取得された高次統計量が所定の閾値を越える単位画素を除外して、異常を検出する。

第８態様は、第１態様から第５態様のいずれか１つの学習装置によって取得される、前記確率モデルの学習済みパラメータである。

第９態様は、画像検査方法を構築するための学習方法であって、複数の対象物画像を学習用データとし、入力と出力の誤差が小さくなるように、かつ、単位画素ごとに、特定の分布で近似された分布の平均、分散、および高次統計量を出力するように確率モデルを学習する工程を含む。

第１０態様は、画像検査装置であって、複数の対象物画像を学習用データとし、入力と出力の誤差が小さくなるように、かつ、単位画素ごとに、特定の分布で近似された分布の平均、分散、および高次統計量を出力するように学習された学習済みパラメータを有する確率モデルを用いて、検査画像の各単位画素に対する平均、分散、および高次統計量を取得する統計量取得部と、前記統計量取得部によって得られる、前記検査画像の各単位画素に対する平均、分散、および高次統計量に基づいて、前記検査画像における異常を検出する異常検出部とを備える。

第１１態様は、第１０態様の画像検査装置であって、前記異常検出部は、前記検査画像のうち、前記統計量取得部によって取得された高次統計量が所定の閾値を越える単位画素を除外して、異常を検出する。

第１２態様は、画像検査方法であって、複数の対象物画像を学習用データとし、入力と出力の誤差が小さくなるように、かつ、単位画素ごとに、特定の分布で近似された分布の平均、分散、および高次統計量を出力するように学習された学習済みパラメータを有する確率モデルを用いて、検査画像の各単位画素に対する平均、分散、および高次統計量を取得する統計量取得工程と、前記統計量取得工程によって得られる、前記検査画像の各単位画素に対する平均、分散、および高次統計量に基づいて、前記検査画像における異常を検出する異常検出工程とを含む。

本発明によると、確率モデルを用いて推定された高次統計量に基づいて、特定の分布に従わない単位画素を特定できるため、過検出を抑制できる。

実施形態の検査装置を示す図である。 実施形態の情報処理装置のハードウェア構成を示す図である。 実施形態の情報処理装置が備える機能的な構成を示す図である。 変分オートエンコーダを概念的に示す図である。 検査部による検査の流れを概念的に示す図である。

以下、添付の図面を参照しながら、本発明の実施形態について説明する。なお、この実施形態に記載されている構成要素はあくまでも例示であり、本発明の範囲をそれらのみに限定する趣旨のものではない。図面においては、理解容易のため、必要に応じて各部の寸法や数が誇張又は簡略化して図示されている場合がある。

＜１． 実施形態＞
図１は、実施形態の画像検査装置１０を示す図である。画像検査装置１０は、対象物９０の画像を解析することによって、対象物９０の欠陥（異常）を検出する。対象物９０は、具体的には錠剤であるが、錠剤に限定されない。画像検査装置１０は、カメラ１１０と、情報処理装置１２０とを備える。カメラ１１０は、情報処理装置１２０と電気的に接続されている。カメラ１１０は、イメージセンサを備えている。カメラ１１０は、イメージセンサを用いて対象物９０を撮像することにより得られる画像信号を、情報処理装置１２０へ出力する。カメラ１１０に撮像される対象物９０は、所定の位置に停止していてもよいし、ベルトコンベヤなどの搬送機構により、所定の方向へ移動していてもよい。

図２は、実施形態の情報処理装置１２０のハードウェア構成を示す図である。情報処理装置１２０は、コンピュータとしての構成を備える。具体的には、情報処理装置１２０は、プロセッサ１２１と、ＲＡＭ１２３と、記憶部１２５と、入力部１２７と、表示部１２９と、機器Ｉ／Ｆ１３１と、通信Ｉ／Ｆ１３３とを備える。プロセッサ１２１、ＲＡＭ１２３、記憶部１２５、入力部１２７、表示部１２９、機器Ｉ／Ｆ１３１および通信Ｉ／Ｆ１３３は、バス１３５を介して互いに電気的に接続されている。

プロセッサ１２１は、具体的には、ＣＰＵまたはＧＰＵを含む。ＲＡＭ１２３は、情報の読み出しおよび書き込みが可能な記憶媒体であって、具体的には、ＳＤＲＡＭである。記憶部１２５は、情報の読み出しおよび書き込みが可能な記録媒体であって、具体的には、ＨＤＤ（ハードディスクドライブ）またはＳＳＤ（ソリッドステートドライブ）を含む。なお、記憶部１２５は、ＲＯＭ、可搬性を有する光ディスク、磁気ディスクまたは半導体メモリ等を含んでもよい。記憶部１２５は、プログラムＰを記憶している。プロセッサ１２１は、ＲＡＭ１２３を作業領域として、プログラムＰを実行することにより、各種の機能を実現する。なお、プログラムＰは、ネットワークを介して、情報処理装置１２０に提供または配布されるようにしてもよい。

入力部１２７は、ユーザの操作入力を受け付ける入力デバイスであり、具体的には、マウスまたはキーボードなどである。表示部１２９は、各種情報を表す画像を表示する表示デバイスであり、具体的には、液晶ディスプレイである。

機器Ｉ／Ｆ１３１は、カメラ１１０を情報処理装置１２０に電気的に接続するためのインターフェースである。通信Ｉ／Ｆ１３３は、情報処理装置１２０をインターネットなどのネットワークと接続するためのインターフェースである。カメラ１１０は、通信Ｉ／Ｆ１３３を介して情報処理装置１２０と接続されてもよい。すなわち、画像検査装置１０は、カメラ１１０を備えていることは必須ではなく、情報処理装置１２０のみを備えていてもよい。

図３は、実施形態の情報処理装置１２０が備える機能的な構成を示す図である。情報処理装置１２０は、取得部１４１、学習部１４３、および検査部１４５を備える。取得部１４１、学習部１４３、および検査部１４５は、プロセッサ１２１がプログラムＰにしたがって動作することにより実現される機能である。なお、学習部１４３は、情報処理装置１２０に備えられることは必須ではなく、別のコンピュータに備えられてもよい。

取得部１４１は、カメラ１１０で対象物９０を撮像した対象物画像９１を取得する。なお、対象物画像９１のうち、検査対象となる画像を検査画像と称する。学習部１４３は、後述する確率モデルである変分オートエンコーダ２０を用いて、学習を行う。検査部１４５は、検査画像を変分オートエンコーダ２０に入力し、その出力結果に基づいて、検査画像における異常を検出する。

＜２．ネットワークの構築＞
図４は、変分オートエンコーダ２０を概念的に示す図である。オートエンコーダとは、自己符号化器とも称される、ニューラルネットの技術である。画像検査装置１００では、オートエンコーダの一例として、変分オートエンコーダ（ＶＡＥ：Variational Auto Encoder）が利用される。なお、エンコーダとして、敵対的生成ネットワーク（ＧＡＮ：Generative Adversarial Network）が用いられてもよい。

変分オートエンコーダ２０は、ニューラルネットで構成される関数である。変分オートエンコーダ２０では、データｘ（対象物画像９１）が、畳み込み層２１に入力され、次元削減された潜在変数ｚに変換される。そして、潜在変数ｚは、第１逆畳み込み層２３１に入力されて、再構成データｘ´が出力される。畳み込み層２１はエンコーダとも称され、第１逆畳み込み層２３１は、デコーダとも称される。そして、再構成データｘ´がデータｘに近くなるように、エンコーダおよびデコーダを学習させる。

なお、変分オートエンコーダ２０では、データｘおよび潜在変数ｚが、確率変数として扱われる。つまり、エンコーダ（畳み込み層２１）およびデコーダ（第１逆畳み込み層２３１）は、決定論的ではなく、確率分布ｐ（ｚ｜ｘ），ｐ（ｘ｜ｚ）からのサンプリングを含む確率的な変換を行う。また、確率分布ｐ（ｚ│ｘ）としては、変分法で近似された確率分布ｑ（ｚ│ｘ）が用いられる。さらに、変分オートエンコーダ２０では、確率分布ｑ（ｚ｜ｘ），ｐ（ｘ｜ｚ）は、限られた個数のパラメータで決まる特定の分布で近似される。確率分布ｑ（ｚ｜ｘ），ｐ（ｘ｜ｚ）は、特定の分布で近似される場合、次式で表される。

ｑ（ｚ｜ｘ）＝ｑ（ｚ｜φ（ｘ））
ｐ（ｘ｜ｚ）＝ｐ（ｘ｜θ（ｚ））

ここで、φ（ｘ）、θ（ｚ）は、入力（ｘおよびｚ）に対して、確率分布のパラメータφおよびθの各々を出力する射影関数である。

本実施形態では、確率分布ｑ（ｚ｜ｘ），ｐ（ｘ｜ｚ）は、正規分布で近似されるものとする。確率分布ｐ（ｘ｜ｚ）が正規分布で近似されることにより、デコーダの出力は、正規分布で近似された確率分布のパラメータ（平均μ_ｘおよび分散σ_ｘ ^２）となる。すなわち、データｘとして対象物画像９１が変分オートエンコーダ２０に入力されると、第１逆畳み込み層２３１は、対象物画像９１の各画素に対する平均μ_ｘおよび分散σ_ｘ ^２を出力する。

第１逆畳み込み層２３１が出力する平均μ_ｘは、変分オートエンコーダ２０に入力される対象物画像９１を再構成した画像を表す。また、第１逆畳み込み層２３１が出力する分散σ_ｘ ^２は、再構成時のばらつきを表す。

なお、確率分布ｑ（ｚ｜ｘ），ｐ（ｘ｜ｚ）が、正規分布で近似されることは必須ではなく、ベルヌーイ分布や多項分布など、正規分布以外の分布で近似されてもよい。

図４に示すように、変分オートエンコーダ２０は、第２逆畳み込み層２３３を有する。第２逆畳み込み層２３３は、畳み込み層２１の出力側に連結される。第２逆畳み込み層２３３は、畳み込み層２１が出力する潜在変数ｚから、畳み込み層２１に入力された対象物画像９１の各画素に対する高次統計量を出力する。

本実施形態では、第２逆畳み込み層２３３が出力する高次統計量は、歪度であるものとする。歪度は、分布の歪み度合いを表す統計量であり、分布に偏りが無い場合は０になり、左右に偏ると値が上下する。

第２逆畳み込み層２３３が出力する歪度は、第１逆畳み込み層２３１が出力する平均μ_ｘおよび分散σ_ｘ ^２が、正規分布に対してどの程度歪んでいたか、を表す値である。

本実施形態では、平均および分散が第１逆畳み込み層２３１から、歪度が第２逆畳み込み層２３３から、それぞれ出力される。このように、逆畳み込み層を分けることによって、各出力の精度が高められる。ただし、平均、分散、および歪度が、共通の逆畳み込み層から出力されるようにしてもよい。

＜ネットワークの学習＞
学習部１４３は、変分オートエンコーダ２０を用いて学習を行う。学習用データとして、複数の対象物画像９１は、良品の対象物９０を撮像して得られる良品画像が使用される。学習部１４３は、変分オートエンコーダ２０における入力と出力の誤差（再構成誤差）を最小化するように、内部パラメータを更新する学習を行う。この学習のために、誤差関数Ｌ（ｘ）が定義される。学習部１４３は、各良品画像を変分オートエンコーダ２０に入力し、確率的再急降下法を用いて、入力された各良品画像を再構成するように学習することによって、畳み込み層２１、第１逆畳み込み層２３１、および第２逆畳み込み層２３３の内部パラメータを更新する。次の式は、学習時に使用される誤差関数Ｌ（ｘ）である。

誤差関数Ｌ（ｘ）において、ｉ，ｊは、学習用データの良品画像の要素番号を示している。誤差関数Ｌ（ｘ）では、非特許文献１に記載された誤差関数に、歪度を最適化するための誤差Ｓ_ＶＡＥが追加されている。正規分布の平均μ_ｘｉおよび分散σ_ｘｉ ^２については、正規分布の対数尤度を誤差関数とすることにより学習する。Ｓ_ＶＡＥは、正規分布の平均と分散に対する歪度を、二乗誤差で近似的に最適化するようになっている。これにより、第２逆たたみ込みそう２３３の出力が、歪度に近づけられる。

具体的には、ｉ番目の入力画像ｘ_ｉと、推定した正規分布のパラメータである平均μ_ｘｉおよび標準偏差σ_ｘｉから求められる（ｘ_ｉ－μ_ｘｉ）^３／σ_ｘｉ ^３と、ネットワークの出力であるｓｋｅｗｎｅｓｓの誤差を最小化するようになっている。これは、分布に対する一つの良品画像の誤差しか計算していないことになるが、膨大な良品画像を用いて繰り返し内部パラメータの更新を行うことによって、確率的に近似が行われる。学習部１４３は、変分オートエンコーダ２０を用いての学習を完了すると、学習済みの内部パラメータ（学習済みパラメータ）を記憶部１２５に保存する。

図３に示すように、検査部１４５は、統計量取得部３１、異常度取得部３３、補正部３５、および異常検出部３７を備える。検査部１４５が実行する処理の内容について、次に詳述する。

＜欠陥検知＞
図５は、検査部１４５による検査の流れを概念的に示す図である。図５では、検査対象である検査画像９３が、欠陥部ＮＧ１を有する場合を示している。

まず、検査部１４５の統計量取得部３１は、図５に示すように、学習済みの内部パラメータを有する変分オートエンコーダ２０に、検査画像９３を入力する。すると、変分オートエンコーダ２０は、検査画像９３の各画素に対する、正規分布の平均を表す平均画像９３１と、正規分布の分散を表す分散画像９３３と、正規分布の歪度を表す歪度画像９３５とを出力する。

検査部１４５の異常度取得部３３は、検査画像９３と、統計量取得部３１によって取得された平均画像９３１および分散画像９３３とに基づいて、検査画像９３の各画素に対する異常度を算出する。異常度は、例えば、マハラノビス距離としてもよい。マハラノビス距離は、例えば、（ｘ_ｋ－μ_ｋ）^２／σ_ｋ ^２（ただし、ｋは各画素の要素番号を表す。）により求められる。

より具体的には、異常度取得部３３は、検査画像９３および平均画像９３１における、対応する画素同士の輝度（ｘ_ｋおよびμ_ｋ）の差分（＝ｘ_ｋ－μ_ｋ）を計算する。さらに異常度取得部３３は、得られた差分を２乗した値（＝（ｘ_ｋ―μ_ｋ）^２）を、分散画像９３３における対応する画素の分散σ_ｋ ^２で除算する。異常度取得部３３は、このような演算処理を検査画像９３の全画素に対して行うことにより、異常度画像９３７を取得する。

図５に示すように、検査画像９３に含まれていた欠陥部ＮＧ１は、異常度画像９３７において、異常度が大きいことを表す高輝度の部分として検出されている。しかしながら、矢印で示すように、異常度画像９３７では、欠陥部ＮＧ１以外にも、異常度が大きい部分が検出されている。具体的には、検査画像９３における対象物９０のてかり部分が、大きな異常度となって検出されている。このため、異常度画像９３７に基づいて異常判定が行われた場合、欠陥部ＮＧ１以外も異常と判定される過検出が起きる可能性がある。

ここで、異常度画像９３７は、各画素の輝度分布が、正規分布に従うものと仮定して求められている。このため、推定される輝度分布が正規分布に従わない画素については、異常度が高くなりやすく、過検出の要因となりうる。そこで、検査部１４５の補正部３５は、過検出を抑制するため、異常度画像９３７の補正を行う。具体的には、補正部３５は、歪度画像９３５のうち、歪度が所定の閾値を越える画素を、正規分布に従わない画素として、異常度画像９３７から除去する処理を行う。すなわち、補正部３５は、異常度画像９３７および歪度画像９３５に基づいて、補正画像９３９を生成する。図５に示すように、検査画像９３におけるてかり部分は、歪度画像９３５において歪度が比較的大きい。こため、補正画像９３９では、てかり部分の異常度が除去される。

検査部１４５の異常検出部３７は、補正画像９３９の異常度に基づいて、検査画像９３の各画素が異常であるか否かを判定する。具体的には、異常検出部３７は、補正画像９３９において、異常度が所定の閾値を越える画素を異常と判定する。異常検出部３７は、判定結果を、表示部１２９に表示してもよい。異常検出部３７は、異常と判定した画素の座標または異常度を表す情報を、表示部１２９に表示してもよい。

以上のように、本実施形態では、高次統計量である歪度を出力するように変分オートエンコーダ２０を学習させることにより、輝度分布が正規分布に従わない画素を、歪度に基づいて特定することができる。したがって、歪度に基づいて、異常度画像を補正することによって、検査画像９３における異常の過検出を抑制できる。

＜３． 変形例＞
以上、実施形態について説明してきたが、本発明は上記のようなものに限定されるものではなく、様々な変形が可能である。

例えば、上記実施形態では、高次統計量として、歪度が採用されているが、尖度、または、より高次の統計量が採用されてもよい。尖度を出力させるように変分オートエンコーダ２０を学習させる、誤差関数Ｌ（ｘ）のＳ_ＶＡＥとして、次式を採用してもよい。

この発明は詳細に説明されたが、上記の説明は、すべての局面において、例示であって、この発明がそれに限定されるものではない。例示されていない無数の変形例が、この発明の範囲から外れることなく想定され得るものと解される。上記各実施形態及び各変形例で説明した各構成は、相互に矛盾しない限り適宜組み合わせたり、省略したりすることができる。

１０ 画像検査装置
１００ 画像検査装置
１２０ 情報処理装置（学習装置）
１２５ 記憶部
１４３ 学習部
１４５ 検査部
２０ 変分オートエンコーダ
３１ 統計量取得部
３３ 異常度取得部
３５ 補正部
３７ 異常検出部
９０ 対象物
９１ 対象物画像
９３ 検査画像
９３１ 平均画像
９３３ 分散画像
９３５ 歪度画像
９３７ 異常度画像
９３９ 補正画像

Claims (12)

1. 画像検査装置を構築するための学習装置であって、
   複数の対象物画像を学習用データとし、入力と出力の誤差が小さくなるように、かつ、単位画素ごとに、特定の分布で近似された分布の平均、分散、および高次統計量を出力するように確率モデルを学習する学習部、
   を備える、学習装置。
2. 請求項１に記載の学習装置であって、
   前記対象物画像が、良品を撮像した良品画像である、学習装置。
3. 請求項１または請求項２に記載の学習装置であって、
   前記特定の分布が、正規分布である、学習装置。
4. 請求項１から請求項３のいずれか１項に記載の学習装置であって、
   前記確率モデルが、変分オートエンコーダである、学習装置。
5. 請求項１から請求項４のいずれか１項に記載の学習装置であって、
   前記高次統計量が、歪度または尖度である、学習装置。
6. 請求項１から請求項５のいずれか１項に記載の学習装置により学習が行われた学習モデルを用いる画像検査装置であって、
   検査対象である検査画像を、前記学習部によって得られた学習済みパラメータを有する前記確率モデルに入力し、前記検査画像に対する単位画素ごとの平均、分散、および高次統計量を取得する統計量取得部と、
   前記統計量取得部によって取得される平均、分散、および高次統計量に基づいて、前記検査画像における異常を検出する異常検出部と、
   を含む、画像検査装置。
7. 請求項６に記載の画像検査装置であって、
   前記異常検出部は、
   前記検査画像のうち、前記統計量取得部によって取得された高次統計量が所定の閾値を越える単位画素を除外して、異常を検出する、画像検査装置。
8. 請求項１から請求項５のいずれか１項に記載の学習装置によって取得される、前記確率モデルの学習済みパラメータ。
9. 画像検査方法を構築するための学習方法であって、
   複数の対象物画像を学習用データとし、入力と出力の誤差が小さくなるように、かつ、単位画素ごとに、特定の分布で近似された分布の平均、分散、および高次統計量を出力するように確率モデルを学習する工程、
   を含む、学習方法。
10. 画像検査装置であって、
    複数の対象物画像を学習用データとし、入力と出力の誤差が小さくなるように、かつ、
    単位画素ごとに、特定の分布で近似された分布の平均、分散、および高次統計量を出力するように学習された学習済みパラメータを有する確率モデルを用いて、検査画像の各単位画素に対する平均、分散、および高次統計量を取得する統計量取得部と、
    前記統計量取得部によって得られる、前記検査画像の各単位画素に対する平均、分散、および高次統計量に基づいて、前記検査画像における異常を検出する異常検出部と、
    を備える、画像検査装置。
11. 請求項１０に記載の画像検査装置であって、
    前記異常検出部は、前記検査画像のうち、前記統計量取得部によって取得された高次統計量が所定の閾値を越える単位画素を除外して、異常を検出する、画像検査装置。
12. 画像検査方法であって、
    複数の対象物画像を学習用データとし、入力と出力の誤差が小さくなるように、かつ、単位画素ごとに、特定の分布で近似された分布の平均、分散、および高次統計量を出力するように学習された学習済みパラメータを有する確率モデルを用いて、検査画像の各単位画素に対する平均、分散、および高次統計量を取得する統計量取得工程と、
    前記統計量取得工程によって得られる、前記検査画像の各単位画素に対する平均、分散、および高次統計量に基づいて、前記検査画像における異常を検出する異常検出工程と、
    を含む、画像検査方法。

Images