JP7439157B2 - 検査装置 - Google Patents

Description

本発明は、機械学習を用いて、検査対象画像が正常画像と異常画像とのいずれに属するかを識別する検査を行う検査装置に関する。

ニューラルネットワークに基づく機械学習を用いて画像を正常画像か異常画像かを分類する画像分類では、分類ラベルが既知の画像を使って識別器を学習させる。識別器には、例えば、変分オートエンコーダ（ＶＡＥ）識別器がある。学習済みのＶＡＥ識別器は、検査対象画像が入力画像として入力されると、前記入力画像と同様の出力画像を生成しようとする。ここで、ＶＡＥ識別器は、入力画像と出力画像とを比較して再構成誤差を算出し、所定パラメータにおける再構成誤差が閾値より小さければ検査対象画像を正常画像に分類し、再構成誤差が閾値より大きければ検査対象画像を異常画像に分類する。

このように、ＶＡＥ識別器については、入力画像と出力画像の再構成誤差の値に基づいてラベル推定を行う。ここで、画像全体に対して異常領域が小さい場合には、ＶＡＥ識別器を学習させる際に、正常画像の再構成誤差と異常画像の再構成誤差との間でほとんど差が出なくなってしまう。このように、所定パラメータにおける、正常画像の再構成誤差と異常画像の再構成誤差とが混在すると、所定パラメータにおける閾値が曖昧となる。この場合、２値分類が困難となり、識別（ラベル推定）の精度が低下するという問題が生じる。

そこで、特許文献１では、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、変分オートエンコーダを学習する。そして、対象物画像の単位画素ごとに再構成誤差を判断して、検査対象画像における異常を検出する。これにより、異常領域が微小な場合に、２値分類の可能性を高めることができる。

特開２０２１－１４４３１４号公報

しかしながら、異常領域は、単位画素と同等であるほど微小であるとは限らない。例えば、正常な部分と異常な部分とで単位画素あたりの色合いの差異は小さいものの、画像全体的に見たときに異常領域が見て取れることもある。この場合、単位画素ごとに全ての画素についての再構成誤差を調べる方法では、目視で把握することができるほどの異常領域を見落とし、異常画像と判断しないおそれがあるという課題がある。

本発明は、機械学習を用いて、検査対象画像が正常画像と異常画像とのいずれに属するかをより精度よく識別する検査を行う検査装置を提供することを目的とする。

この目的を達成するために、請求項１に係る発明は、検査対象の画像データが正常画像データ（本実施形態における（以下同様）「Ｄ１」）と異常画像データ（Ｄ２）のいずれに属するかの検査を行う検査装置（１）であって、前記正常画像データの再構成が可能となるまで複数の正常画像データを用いて学習する学習部（２０Ａ）と、複数の正常画像データ及び複数の異常画像データを含む画像データを入力画像データとして前記学習部に入力し、それぞれの出力画像データを得るとともに、所定パラメータにおける前記入力画像データと前記出力画像データとの誤差（再構成誤差）を算定する誤差算定部（２３）と、前記正常画像データを入力画像データとした場合の前記誤差と前記異常画像データを入力画像データとした場合の前記誤差に基づいて閾値を算定する閾値算定部（２４）と、前記閾値に基づいて、前記検査対象の画像を正常画像データと異常画像データのいずれに属するかを識別する識別部（２５）と、を有し、前記誤差算定部は、それぞれのエリアが前記入力画像データと前記出力画像データとで対応し且つ複数の画素から構成される複数の検知エリア（Ｅ）を設定するとともに、画像データ上において前記複数の検知エリアを順次走査しながら、前記検知エリアごとに前記入力画像データと前記出力画像データとを比較することで、前記誤差を算定することを特徴とする。

このように、それぞれのエリアが複数の画素から構成される複数の検知エリアを画像データ上に設定するとともに、画像データ上において複数の検知エリアを順次走査しながら、検知エリアごとに入力画像データと出力画像データとを比較して再構成誤差を算定する。検知エリアを異常領域の大きさに応じて設定し、且つ検知エリアを走査しつつ比較することにより、異常領域の再構成誤差を、単位画素単位で比較するよりも精密に算定することができる。特に、異常領域が単位画素と比べて大きく且つ異常領域が単位画素あたりの色合い等の差異が小さい場合であっても、再構成誤差を精密に算定することができる。よって、機械学習を用いて、検査対象画像が正常画像と異常画像とのいずれに属するかをより精度よく識別する検査を行う検査装置を提供することができる。

請求項２に係る発明は、請求項１に記載の検査装置であって、前記誤差算定部は、それぞれの前記検知エリアが互いに重複するように前記検知エリアを走査することを特徴とする。

このように、誤差算定部が検知エリアを走査する際に、それぞれの検知エリアが互いに重複するようにすると、異常領域の大きさが１つの検知エリアの大きさを超える場合であっても、異常領域における再構成誤差を適切に判断することができる。このため、検査装置の検査精度を高く維持することができる。

請求項３に記載の発明は、請求項１または２に記載の検査装置であって、前記誤差算定部は、前記所定パラメータにおける前記入力画像データと前記出力画像データとの差の二乗の平均値を用いて前記誤差を算定することを特徴とする。

このように、再構成誤差の算定の際に、入力画像データと出力画像データとの差の二乗の平均値を用いて再構成誤差を算定することで、入力画像データに対して出力画像データの所定パラメータにおける差を適切に評価することができる。

請求項４に記載の発明は、請求項１乃至３のいずれか１項に記載の検査装置であって、ユーザが前記検知エリアの大きさを入力する入力部をさらに備えることを特徴とする。

このように、ユーザが検知エリアの大きさを入力する入力部をさらに備えることとすると、例えば、検査の熟練度が高いユーザが、異常領域の付近で再構成誤差が明確になるように、検知エリアの大きさや縦横比等の形状を入力することができる。これにより、検査装置の検査精度を高めることができる。

請求項５の発明は、請求項１乃至４のいずれか１項に記載の検査装置であって、前記誤差算定部は、前記画像データ上において前記検知エリアを均一に走査することを特徴とする。

このように、再構成誤差の算定の際に、画像データ上において検知エリアを均一に走査することとすると、画像データのどこに異常領域があっても、再構成誤差の算定の精度が偏ることがない。

請求項６の発明は、請求項１乃至５のいずれか１項に記載の検査装置であって、前記所定パラメータは、画像データにおける、色相、明度、輝度のいずれかであることを特徴とする。

このように、再構成誤差の算定の際の基準となる所定パラメータを、画像データにおける、色相、明度、輝度のいずれかであることとすると、画像データの差異を適切に評価できる。

請求項７に記載の発明は、請求項１乃至６のいずれか１項に記載の検査装置であって、前記学習部は、オートエンコーダであることを特徴とする。

このように、学習部をオートエンコーダであることとすると、オートエンコーダに再構成をさせることで、再構成誤差を効率的に求めることができる。

検査装置のハードウェア構成を示す概略図。 検査装置のソフトウェア構成を示すブロック図。 検査装置の動作の概略手順を説明するフローチャート。 異常領域を有する画像データの例を示す図。 再構成部が入力画像データを出力画像データに再構成した例を示す図。 再構成誤差の算出過程における検知エリアの走査方法の説明図。 閾値算定時に用いる所定パラメータの再構成誤差の例を示すグラフ。

以下、図面を参照しながら、本実施形態において、機械学習により得られた学習モデルを用いた検査装置１を詳細に説明する。本実施形態における検査装置１は、２つのクラスを識別する検査を行うものとして、製品の正常品と異常品とを識別する検査を行う装置を例示する。具体的には、検査装置１は、検査対象の画像データが正常画像データと異常画像データのいずれに属するかの検査を行う。以下では、第一クラスを正常画像クラスＣ１、第二クラスを異常画像クラスＣ２とし、第一クラスデータを正常画像データＤ１、第二クラスデータを異常画像データＤ２として説明する。正常画像データＤ１は正常画像クラスＣ１に分類され、異常画像データＤ２は異常画像クラスＣ２に分類される。なお、下記の説明において、「画像」として説明したものであっても、制御部が制御しうる「画像データ」を示す場合がある。また、必要に応じて、ＶＡＥを、Ｖａｒｉａｔｉｏｎａｌ Ａｕｔｏｅｎｃｏｄｅｒの略として使用する。

図１は、検査装置１のハードウェア構成を示す概略図である。図１に示すように、本実施形態の検査装置１は、搬送部５上を搬送される検査対象となる検査品Ｇを検査する。検査装置１は、検査品Ｇを検査し、所定の品質を満たす正常品（良品）であるか、所定の品質を満たさない異常品（不良品）であるかの検査を行う。検査装置１は、制御部１１、撮像部１２、記憶部１３、通信部１４、入力部１５、出力部１６等を有する。これらの各部は、コンピュータ等の情報処理装置１０に配置されてもよいし、通信可能に構成されてもよく、互いに情報を交換するように、通信線又は無線により接続されている。

制御部１１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を有し、検査装置１の各部の動作を制御する。制御部１１による制御は、記憶部１３または制御部１１内の不図示の主記憶部に格納されたプログラムを実行することで行われる。

撮像部１２は、カメラ等で構成される。本実施形態では、搬送部５により搬送された検査品Ｇを撮像し、得られた画像データを情報処理装置１０へと伝達する。なお、図１では１つのカメラを配置した例を挙げたが、これに限るものではなく、複数のカメラを配置して、複数の角度から検査品Ｇを撮像する構成であってもよい。

記憶部１３は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）やＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）を含む、記憶を行う機器全般である。記憶部１３には、制御部１１が実行するプログラムや撮像部１２が取得した画像データのほか、ニューラルネットワークにて学習したデータ等、検査装置１での検査に必要なデータが格納される。なお、図１では、記憶部１３が情報処理装置１０内に配置される例を挙げている。しかしながら、これに限るものではなく、記憶部１３の一部または全部が、情報処理装置１０外に配置されていてもよく、インターネットを介して情報処理装置１０と通信可能であることとしてもよい。

通信部１４は、情報処理装置１０と外部機器との通信をする手段である。通信部１４は、撮像部１２、記憶部１３、入力部１５、出力部１６等が情報処理装置１０外にある場合に、無線の通信回線等の周知技術を用いて、情報処理装置１０内の制御部１１との通信を行う。

入力部１５は、検査装置１のユーザ等が、情報処理装置１０にデータを入力する手段であり、キーボードやマウス等がある。ユーザは、入力部１５から、学習に関するデータや、制御部１１への指示等を入力することができる。検査装置１に入力部１５が備えられていることで、ユーザは、入力部１５を用いて後述する検知エリアＥの大きさ（幅や高さ）や形状を入力することができる。ユーザが検査の熟練者であった場合、異常領域の大きさや形状について適切な検査エリアの設定が可能である。

出力部１６は、検査に関する情報を出力する手段であり、ディスプレイ等の画像表示手段、スピーカ等の音声出力手段、またはデータを出力する出力端子など、情報処理装置１０内の情報を出力する手段全般である。出力部１６は、検査装置１おける判別結果を出力するのみならず、検査に関する情報を表示することで、ユーザに検査状況を示すことができる。

図２は、検査装置１のソフトウェア構成を示すブロック図である。検査装置１のソフトウェアは、機械学習を行う学習部２０Ａと、誤差算定部２３と、閾値算定部２４と、識別部２５とを有する。

学習部２０Ａは、オートエンコーダを有し、当該オートエンコーダによる学習が行われる。本実施形態では、学習部２０Ａとして、変分オートエンコーダ（ＶＡＥ）を用いた例を説明する。学習部２０Ａは、特徴量学習部２１と、再構成部２２とを有する。

特徴量学習部２１は、ＶＡＥにおいて、入力画像データと同様の出力画像データを生成する過程において、特徴量を学習する。本実施形態において、特徴量学習部２１は、正常画像データＤ１を入力画像データとしてＶＡＥに入力し、正常画像データＤ１と同様の出力画像データを生成する。この過程において、ＶＡＥは、特徴量を学習する。

再構成部２２は、特徴量学習部２１が学習した特徴量を用いて、入力画像データの再構成を行う。具体的には、再構成部２２は、入力画像データをエンコーダで圧縮して、潜在変数とした後、デコーダで復元することで出力画像データを生成する。本実施形態においては、再構成部２２には、正常画像データＤ１と異常画像データＤ２とがそれぞれ入力画像データとして入力され、出力画像データが生成される。異常画像データＤ２は、一部に、欠陥部分を含む領域である異常領域Ｂを含んでいる。

誤差算定部２３は、再構成部２２における入力画像データと出力画像データとを、所定パラメータを基準として比較し、入力画像データから出力画像データを再構成した場合における誤差（以下、この誤差を「再構成誤差」という）を算定する。所定パラメータは、例えば、画像データにおける、色相、明度、輝度であるが、これに限るものではない。また、再構成誤差の算定方法は、例えば、所定パラメータにおける入力画像データと出力画像データとの差の二乗の平均値を用いて再構成誤差を算定する。しかし、再構成誤差の算定方法はこれに限るものではない。

識別部２５は、制御部１１による制御により、閾値算定部２４の結果を用いて、検査対象に関する画像が、２つのクラスである正常画像クラスＣ１または異常画像クラスＣ２のうち、いずれのクラスに属するかを識別する。

なお、特徴量学習部２１乃至識別部２５の機能は、ＶＡＥ識別器を用いて実現することもできる。本実施形態のＶＡＥ識別器は、ＶＡＥを用い、入力画像データから出力画像データを再構成し、再構成誤差を算定する。再構成誤差は、入力と出力との差の二乗の平均値で算出される。ＶＡＥは、再構成誤差が小さくなるように、正常画像データのみが学習される。このように学習されたＶＡＥ識別器では、検査対象に関する画像データが入力されると、再構成誤差を算定し、再構成誤差が閾値よりも小さい場合に、検査対象が正常品であると識別する。

図３は、検査装置１の動作の概略手順を説明するフローチャートである。図３のフローチャートに示す処理は、例えば、記憶部１３のＲＯＭに格納されたプログラムを、ＲＡＭ等に展開しつつ制御部１１のＣＰＵが実行する。

ステップＳ１１において、正常画像データＤ１の再構成が可能となるまで複数の正常画像データＤ１を学習部２０Ａのうちの特徴量学習部２１に入力し、ＶＡＥに特徴量を学習させる。ここで、正常画像データＤ１の再構成が可能となるまで学習させるとは、再構成誤差が最小になるまで学習させることである。この学習により、ＶＡＥは、正常画像データが入力された場合、入力画像データと同様の画像データを生成することが可能になる。

ステップＳ１２において、複数の正常画像データＤ１及び複数の異常画像データＤ２をラベル付けして入力画像データとして学習部２０Ａのうちの再構成部２２に入力し、それぞれのデータに対する出力画像データを得る。出力画像データは、ステップＳ１１における学習の結果を用いた再構成画像データである。

ステップＳ１３において、所定パラメータにおける入力画像データと出力画像データとの再構成誤差を算定する。本実施形態における所定パラメータは、各画像データの輝度の値であるが、色相の値や明度の値等であってもよい。ステップＳ１２及びステップＳ１３を誤差取得工程とする。誤差取得工程を経ることで、正常画像データＤ１を入力とした再構成誤差の値と、異常画像データＤ２を入力とした再構成誤差の値とが得られる。その後、所定パラメータにおける再構成誤差を比較する。再構成誤差の算定や所定パラメータにおける再構成誤差の比較方法については、後にグラフ（図４乃至図７参照）を用いて詳述する。

ステップＳ１４において、正常画像データＤ１を入力画像データとした場合の再構成誤差と異常画像データＤ２を入力画像データとした場合の再構成誤差に基づいて閾値を算定する。この閾値算定工程を経ることで、識別に用いる閾値が得られる。

ステップＳ１５において、ステップＳ１４で得られた閾値に基づいて、検査対象の画像を正常画像データＤ１が属する正常画像クラスＣ１と異常画像データＤ２が属する異常画像クラスＣ２のいずれに属するかを識別する。なお、ステップＳ１５は、ステップＳ１４の直後に行う必要はなく、ステップＳ１４の閾値算定の後に、ユーザ等の他の機器からの指示に従って行うこととしてもよい。

次に、再構成誤差の算定や所定パラメータにおけるデータの比較方法を、図４乃至図６の例を用いて説明する。まずは、図４を用いて、撮像部１２や外部装置から取得した画像データＤの例を説明する。図４は、異常領域Ｂを有する画像データＤ（異常画像データＤ２）の例を示す図である。図４において、画像データＤは、金属の基体４０の上に配置される金属板４１の一部と基体４０に開けられた孔部４２とが撮像された画像データである。金属板４１には、その一部に傷や変形のような欠陥部分を含む異常領域Ｂがある。この画像データＤを用いて、次の説明をする。なお、説明のために、以下の説明では、異常領域Ｂを含み異常領域Ｂの周辺の領域Ａを拡大して説明する。

図５は、再構成部２２が入力画像データＤＩを出力画像データＤＯに再構成した例を示す図である。図５の上図は、図４の領域の拡大図である。図５の例では、入力画像データＤＩとして異常画像データＤ２を用いている。図５に示すように、入力画像データＤＩとして異常画像データＤ２を用いて再構成を行うと、異常領域Ｂが消失した出力画像データＤＯが得られる。これは、異常画像データＤ２の再構成を再構成部２２が行う前の段階で、特徴量学習部２１が、正常画像データＤ１のみを用いて、再構成のための学習を行っているからである。このため、図５の例のように、異常画像データＤ２を用いて再構成をすると、正常画像データＤ１の再構成をした場合よりも、再構成誤差が大きくなる傾向がある。

図６は、再構成誤差の算出過程における検知エリアＥの走査方法の説明図である。図６の処理は、誤差算定部２３が行う処理である。図６（Ａ）は、検知エリアＥの大きさを示す図であり、図６（Ｂ）は、検知エリアＥの走査方法を説明する図である。

図６（Ａ）を用いて、検知エリアＥについて説明する。検知エリアＥは、再構成誤差を算定するための基準となるエリアであり、入力画像データＤＩと出力画像データＤＯとで対応するエリアである。検知エリアＥを画像データＤ上を走査して、検知エリアＥごとの入力画像データＤＩと出力画像データＤＯとを順次比較する。比較の際は、所定パラメータの値を比較する。

検知エリアＥの大きさは、ユーザが任意に設定することができる。設定の際には、ユーザが入力部１５を用いて入力することで、制御部１１に検知エリアＥの大きさを伝達する。検知エリアＥの大きさは、ユーザ等の設定によるものであるので任意ではあるが、少なくとも複数の画素から構成される。また、検知エリアＥの大きさは、異常領域Ｂの大きさと同等であることが好ましい。検知エリアＥの大きさは、検査の熟練者等のユーザによって設定してもよいし、過去の異常領域Ｂのデータを解析してコンピュータが設定してもよい。本実施形態では、図６（Ａ）に示すように、異常領域Ｂの周囲を囲む大きさの検知エリアＥを例示して説明する。

図６（Ｂ）を用いて、検知エリアＥの走査方法について説明する。説明のため、図６（Ｂ）に示す領域をＸ軸方向（図面の横方向）とＹ軸方向（図面の縦方向）に分けると、当該領域は、９×９のブロックに分けられる。本実施形態の検知エリアＥは、Ｘ軸方向に３ブロック分の大きさであり、Ｙ軸方向に３ブロック分の大きさであるとする。なお、本実施形態におけるブロックは、所定のピクセル数で構成される単位であるが、これに限るものではなく、１ブロックを１ピクセルとしても構わない。

再構成誤差の算定のために画像（入力画像及び出力画像）上において検知エリアＥを走査させる方法を、図６（Ｂ）に示す領域内を例にして示す。まず、基準の位置にある検知エリアＥを検知エリアＥ０とし、検知エリアＥ０での再構成誤差を算定する。その後、検知エリアＥ０の位置から所定のブロック（本実施形態においては２ブロック分）だけＸ軸方向に走査し、検知エリアＥ１での再構成誤差を算定する。その後、検知エリアＥを順次、Ｘ軸方向に走査する。検知エリアＥが画像の右端に到達すると、検知エリアＥ０の位置から所定のブロック（本実施形態においては２ブロック分）だけＹ軸方向に走査し、検知エリアＥ２での再構成誤差を算定する。その後、検知エリアＥを順次、Ｘ軸方向に走査し、検知エリアＥが画像の右端に到達すると、検知エリアＥ２の位置から所定のブロックだけＹ軸方向に走査する。これを繰り返し、検知エリアＥが画像の下端且つ右端に到達するまで、再構成誤差の算定を続ける。

図６（Ｂ）に示す例では、検知エリアＥの走査の際には、Ｘ軸方向やＹ軸方向に対して同じ移動距離となるように走査を行っている。このように、画像データ上において検知エリアＥを均一に走査することが、偏りのない誤差算定を行う上で好ましい。

また、図６（Ｂ）に示す例では、検知エリアＥの走査の際に、検知エリアＥ０と検知エリアＥ１が一部重複する領域（重複領域Ｆ）が存在する。また、検知エリアＥ０と検知エリアＥ２との間にも重複領域Ｆが存在する。このように、検知エリアＥの走査の際に、それぞれの検知エリアＥが互いに重複するようにする。これにより、異常領域Ｂやその周辺における再構成誤差を精密に判断することができる。

図７は、閾値算定時に用いる所定パラメータの再構成誤差の例を示すグラフである。図７における処理は、閾値算定部２４が行う。図７において、正常画像データＤ１の再構成誤差の最大値（Ｄ１ｍａｘ）が、異常画像データＤ２の再構成誤差の最小値（Ｄ２ｍｉｎ）以下になっている。この場合、正常画像データＤ１の群と異常画像データＤ２の群との間に境界が観念され、境界が示す再構成誤差の値を閾値とする。なお、閾値を設定するにあたり、必ずしも境界が観念される必要はない。例えば、正常画像データＤ１の群と異常画像データＤ２の群との一部が重複したとしても、重複する部分において、正常画像データＤ１の群と異常画像データＤ２の群とが性質上分けられる値があれば、その値が閾値となる。

以上のように、本実施形態によれば、複数の画素から構成される検知エリアＥを画像データ上に設定するとともに、画像データＤ上において検知エリアＥを走査しながら入力画像データＤＩと出力画像データＤＯとを順次比較して再構成誤差を算定する。検知エリアＥを異常領域Ｂの大きさに応じて設定し、且つ検知エリアＥを走査しつつ比較することにより、異常領域Ｂの再構成誤差を、単位画素単位で比較するよりも精密に算定することができる。特に、異常領域Ｂが単位画素と比べて大きく且つ異常領域Ｂが単位画素あたりの色合い等の差異が小さい場合であっても、再構成誤差を精密に算定することができる。よって、機械学習を用いて、検査対象画像が正常画像と異常画像とのいずれに属するかをより精度よく識別する検査を行う検査装置を提供することができる。

また、本実施形態によれば、誤差算定部２３が検知エリアＥを走査する際に、それぞれの検知エリアＥが互いに重複する。これにより、異常領域Ｂの大きさが１つの検知エリアＥの大きさを超える場合であっても、異常領域Ｂにおける再構成誤差を適切に判断することができる。このため、検査装置１の検査精度を高く維持することができる。

また、本実施形態によれば、再構成誤差の算定の際に、入力画像データＤＩと出力画像データＤＯとの差の二乗の平均値を用いて再構成誤差を算定する。これにより、入力画像データＤＩに対して出力画像データＤＯの所定パラメータにおける差を適切に評価することができる。

また、本実施形態によれば、ユーザが検知エリアＥの大きさを入力する入力部１５をさらに備える。これにより、検査の熟練度が高いユーザが、異常領域Ｂの付近で再構成誤差が明確になるように、検知エリアＥの大きさや縦横比等の形状を入力することができる。これにより、検査装置１の検査精度を高めることができる。

また、本実施形態によれば、再構成誤差の算定の際に、画像データＤ上において検知エリアＥを均一に走査することとする。これにより、画像データＤのどこに異常領域Ｂがあっても、再構成誤差の算定の精度が偏ることがない。

また、本実施形態によれば、再構成誤差の算定の際の基準となる所定パラメータを、画像データＤにおける、色相、明度、輝度のいずれかであることとする。これにより、入力画像データＤＩと出力画像データＤＯの差異を適切に評価できる。

また、本実施形態によれば、学習部２０Ａをオートエンコーダであることとする。これにより、オートエンコーダに再構成をさせることで、再構成誤差を効率的に求めることができる。

なお、本発明は、説明した実施形態に限定されることなく、種々の態様で実施することができる。また、前述の実施形態の各部を実現するプログラムにより、制御部のプロセッサーがプログラムを読出し、実行する処理でも実現可能である。

１…検査装置
１１…制御部
１５…入力部
２０Ａ…学習部
２３…誤差算定部
２４…閾値算定部
２５…識別部
Ｄ１…正常画像データ
Ｄ２…異常画像データ
Ｅ…検知エリア

Claims (7)

1. 検査対象の画像データが正常画像データと異常画像データのいずれに属するかの検査を行う検査装置であって、
   前記正常画像データの再構成が可能となるまで複数の正常画像データを用いて学習する学習部と、
   複数の正常画像データ及び複数の異常画像データを含む画像データを入力画像データとして前記学習部に入力し、それぞれの出力画像データを得るとともに、所定パラメータにおける前記入力画像データと前記出力画像データとの誤差を算定する誤差算定部と、
   前記正常画像データを入力画像データとした場合の前記誤差と前記異常画像データを入力画像データとした場合の前記誤差に基づいて閾値を算定する閾値算定部と、
   前記閾値に基づいて、前記検査対象の画像を正常画像データと異常画像データのいずれに属するかを識別する識別部と、を有し、
   前記誤差算定部は、それぞれのエリアが前記入力画像データと前記出力画像データとで対応し且つ複数の画素から構成される複数の検知エリアを設定するとともに、画像データ上において前記複数の検知エリアを順次走査しながら、前記検知エリアごとに前記入力画像データと前記出力画像データとを比較することで、前記誤差を算定することを特徴とする検査装置。
2. 前記誤差算定部は、それぞれの前記検知エリアが互いに重複するように前記検知エリアを走査することを特徴とする請求項１に記載の検査装置。
3. 前記誤差算定部は、前記所定パラメータにおける前記入力画像データと前記出力画像データとの差の二乗の平均値を用いて前記誤差を算定することを特徴とする請求項１または２に記載の検査装置。
4. ユーザが前記検知エリアの大きさを入力する入力部をさらに備えることを特徴とする請求項１乃至３のいずれか１項に記載の検査装置。
5. 前記誤差算定部は、前記画像データ上において前記検知エリアを均一に走査することを特徴とする請求項１乃至４のいずれか１項に記載の検査装置。
6. 前記所定パラメータは、画像データにおける、色相、明度、輝度のいずれかであることを特徴とする請求項１乃至５のいずれか１項に記載の検査装置。
7. 前記学習部は、オートエンコーダであることを特徴とする請求項１乃至６のいずれか１項に記載の検査装置。
   
   

Images