JP7460391B2 - 学習装置、画像検査装置、プログラム、および学習方法 - Google Patents
学習装置、画像検査装置、プログラム、および学習方法 Download PDFInfo
- Publication number
- JP7460391B2 JP7460391B2 JP2020030049A JP2020030049A JP7460391B2 JP 7460391 B2 JP7460391 B2 JP 7460391B2 JP 2020030049 A JP2020030049 A JP 2020030049A JP 2020030049 A JP2020030049 A JP 2020030049A JP 7460391 B2 JP7460391 B2 JP 7460391B2
- Authority
- JP
- Japan
- Prior art keywords
- image
- pixel
- feature information
- unit
- learning model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 79
- 238000007689 inspection Methods 0.000 title claims description 64
- PWPJGUXAGUPAHP-UHFFFAOYSA-N lufenuron Chemical compound C1=C(Cl)C(OC(F)(F)C(C(F)(F)F)F)=CC(Cl)=C1NC(=O)NC(=O)C1=C(F)C=CC=C1F PWPJGUXAGUPAHP-UHFFFAOYSA-N 0.000 title 1
- 230000002950 deficient Effects 0.000 claims description 66
- 238000009826 distribution Methods 0.000 claims description 61
- 238000001514 detection method Methods 0.000 claims description 33
- 230000002159 abnormal effect Effects 0.000 claims description 31
- 230000005856 abnormality Effects 0.000 claims description 26
- 238000003384 imaging method Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 23
- 230000007547 defect Effects 0.000 description 19
- 230000010365 information processing Effects 0.000 description 19
- 238000003860 storage Methods 0.000 description 18
- 239000000284 extract Substances 0.000 description 10
- 238000002360 preparation method Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000008094 contradictory effect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Description
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4は、実施形態の第1学習モデル147を生成する流れを示す図である。図4に示すように、情報処理装置120は、複数の良品画像を準備する(準備工程S11)。具体的には、プロセッサ121が、複数の良品の対象物90を、カメラ110で撮像することによって複数の良品画像901を取得する。そして、プロセッサ121は、取得した複数の良品画像901を記憶部125に記憶させる。続いて、第1学習モデル生成部149が、取得された複数の良品画像901を用いて、第1学習モデル147を生成する(学習モデル生成処理S12)。第1学習モデル生成部149は、生成した第1学習モデル147を記憶部125に記憶させる(記憶工程S13)。
図7は、実施形態の第2学習モデル151を生成する流れを示す図である。図7に示すように、情報処理装置120は、複数の良品画像901を準備する(準備工程S21)。準備工程S21にて準備される複数の良品画像901は、図4に示す準備工程S11で準備される複数の良品画像901と同じとしてもよいし、準備工程S11とは別に取得されたものとしてもよい。準備工程S21が完了すると、画素特徴情報取得部141が、第1学習モデル147を用いて、良品画像901から再構成画像911を生成する再構成画像生成処理S22を実行する。また、画素特徴情報取得部141は、再構成画像生成処理S22によって生成した再構成画像911と、元の良品画像901との差分を取ることによって、差分画像921を生成する。画素特徴情報取得部141は、全ての良品画像901について、再構成画像生成処理S22及び差分画像生成処理S23を実行する。
図11は、第1学習モデル147および第2学習モデル151を用いた欠陥検知処理の流れを示す図である。また、図12は、図11に示す欠陥検知処理の各段階で得られる画像を示す図である。図11に示すように、プロセッサ121は、まず、カメラ110を用いて、検査対象である対象物90を撮像する撮像処理S31を実行する。プロセッサ121は、撮像処理S31によって、対象物画像905(検査画像)を得るとともに、得られた対象物画像905を記憶部125に記憶させる。以下の説明では、図12に示すように、撮像処理S31によって、欠陥部分91を有する対象物画像905が得られた場合について説明する。
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。
110 カメラ
120 情報処理装置
121 プロセッサ
125 記憶部
140 再構成画像生成部
141 画素特徴情報抽出部
142 生起確率取得部
143 異常検出部
145 欠陥判定部
147 第1学習モデル
149 第1学習モデル生成部
151 第2学習モデル
153 確率分布推定部
201 標本分布(画素特徴情報の標本分布)
211 確率分布(画素特徴情報の確率分布)
90 対象物
901 良品画像
905 対象画像
91 欠陥部分
911 再構成画像
921,925 差分画像
B1 輝度(画素特徴情報)
P1 生起確率(画素特徴情報に対する生起確率)
Px1,Px3 画素(単位画素)
Claims (13)
- 画像検査装置を構築するための学習装置であって、
良品である対象物を撮像して得られた良品画像である複数の対象物画像を特徴量及び教師データとし、入力された前記対象物画像を再構成した再構成画像を出力するよう学習を行うことによって、学習済みの第1学習済みデータを有する第1学習モデルを生成する第1学習モデル生成部と、
前記対象物画像および前記再構成画像に基づいて、前記対象物画像における単位画素ごとの画素特徴情報を取得する画素特徴情報取得部と、
前記良品画像である複数の前記対象物画像から単位画素ごとに取得される前記画素特徴情報を標本とし、前記画素特徴情報がとり得る値に対する確率分布を推定し、入力された前記画素特徴情報に対する生起確率を出力するように学習を行うことによって、学習済みの第2学習済みデータを有する第2学習モデルを生成する第2学習モデル生成部と、
を備える、学習装置。 - 請求項1に記載の学習装置であって、
前記第2学習モデル生成部は、カーネル密度推定を用いて、前記画素特徴情報の分布に対する確率分布を推定する、学習装置。 - 請求項1または請求項2に記載の学習装置であって、
前記画素特徴情報取得部は、前記対象物画像および前記再構成画像において、対応する単位画素ごとに求められた差分を、前記画素特徴情報として取得する、学習装置。 - 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により学習が行われた学習モデルを用いた画像検査装置であって、
検査対象である検査画像を、学習済みの前記第1学習済みデータを有する前記第1学習モデルに入力し、前記再構成画像を生成する再構成画像生成部と、
前記画素特徴情報取得部により、前記検査画像および前記再構成画像に基づいて、前記検査画像における単位画素ごとに取得された前記画素特徴情報を、学習済みである前記第2学習済みデータを有する前記第2学習モデルに入力し、前記単位画素ごとの前記画素特徴情報に対する生起確率を求める生起確率取得部と、
前記生起確率取得部により前記単位画素ごとに求められた生起確率に基づいて、前記単位画素が異常であるか否かを判断する異常検出部と、
を備える、画像検査装置。 - 請求項4に記載の画像検査装置であって、
前記異常検出部は、予め定められた閾値と、前記単位画素ごとに求められた前記生起確率とを比較し、前記閾値より低い前記生起確率の前記単位画素を異常であると判断する、画像検査装置。 - 請求項5に記載の画像検査装置であって、
前記閾値は、前記単位画素ごとに設定される、画像検査装置。 - 画像検査装置を構築するための学習済みデータセットを含む、コンピュータが実行可能なプログラムであって、
前記学習済みデータセットは、
良品である対象物を撮像して得られた良品画像である複数の対象物画像を特徴量及び教師データとし、入力された前記対象物画像を再構成した再構成画像を出力するよう学習を行うことによって、学習済みの第1学習済みデータを有する第1学習モデルを生成する第1学習モデル生成部と、
前記対象物画像および前記再構成画像に基づいて、前記対象物画像における単位画素ごとの画素特徴情報を取得する画素特徴情報取得部と、
前記画素特徴情報取得部により、前記良品画像である複数の前記対象物画像から対応する単位画素ごとに取得される前記画素特徴情報の分布に基づき、前記画素特徴情報がとり得る値の確率分布を推定し、入力された前記画素特徴情報に対する生起確率を出力するように学習を行うことによって、学習済みの第2学習済みデータを有する第2学習モデルを生成する第2学習モデル生成部と、
により生成された第1学習済みデータ及び第2学習済みデータからなる、プログラム。 - 画像検査方法を構築するための学習方法であって、
良品である対象物を撮像して得られた良品画像である複数の対象物画像を特徴量及び教師データとし、入力された前記対象物画像を再構成した再構成画像を出力とする第1学習モデルを生成する第1学習モデル生成工程と、
前記対象物画像および前記再構成画像に基づいて、前記対象物画像および前記再構成画像における対応する座標にある単位画素ごとに、画素特徴情報を取得する画素特徴情報取得工程と、
前記画素特徴情報取得工程により、前記良品画像である複数の前記対象物画像から対応する単位画素ごとに取得される前記画素特徴情報の分布に基づき、前記画素特徴情報がとり得る値の確率分布を推定し、入力された前記画素特徴情報に対する生起確率を出力する第2学習モデルを生成する第2学習モデル生成工程と、
を備える、学習方法。 - 対象物を撮像して得られた対象物画像を入力とし、入力された前記対象物画像を再構成した再構成画像を出力とする第1学習モデルを用いて、検査対象である検査画像から再構成画像を生成する再構成画像生成部と、
前記検査画像および前記再構成画像に基づいて、前記検査画像における単位画素ごとの画素特徴情報を取得する画素特徴情報取得部と、
前記画素特徴情報を入力とし、前記画素特徴情報に対する生起確率を出力とする第2学習モデルを用いて、前記検査画像における単位画素ごとの画素特徴情報に対する生起確率を求める生起確率取得部と、
前記生起確率取得部により、単位画素ごとに求められた生起確率に基づいて、前記単位画素が異常であるか否かを判断する異常検出部と、
を備え、
前記第1学習モデルは、良品である対象物を撮像して得られた良品画像である複数の対象物画像を特徴量及び教師データとし、入力された前記対象物画像を再構成した再構成画像を出力するよう学習を行うことによって生成され、
前記第2学習モデルは、前記良品画像である複数の前記対象物画像から単位画素ごとに取得される前記画素特徴情報を標本とし、前記画素特徴情報がとり得る値に対する確率分布を推定し、入力された前記画素特徴情報に対する生起確率を出力するように学習を行うことによって生成される、画像検査装置。 - 請求項9に記載の画像検査装置であって、
前記画素特徴情報取得部は、前記検査画像および前記再構成画像において、対応する単位画素ごとに求められた差分を、前記画素特徴情報として取得する、画像検査装置。 - 請求項9または請求項10に記載の画像検査装置であって、
前記異常検出部は、予め定められた閾値と、前記生起確率取得部によって単位画素ごとに求められた生起確率とを比較し、前記閾値より低い生起確率を有する単位画素を、異常であると判断する、画像検査装置。 - 請求項11に記載の画像検査装置であって、
前記閾値は、単位画素ごとに設定される、画像検査装置。 - 対象物を撮像して得られた対象物画像を入力とし、入力された前記対象物画像を再構成した再構成画像を出力とする第1学習モデルを用いて、検査対象である検査画像から再構成画像を生成する再構成画像生成工程と、
前記検査画像および前記再構成画像に基づいて、前記検査画像における単位画素ごとの画素特徴情報を取得する画素特徴情報取得工程と、
前記画素特徴情報を入力とし、前記画素特徴情報に対する生起確率を出力とする第2学習モデルを用いて、前記検査画像における単位画素ごとの前記画素特徴情報に対する生起確率を求める生起確率取得工程と、
前記生起確率取得工程により、単位画素ごとに求められた生起確率に基づいて、前記単位画素が異常であるか否かを判断する異常検出工程と、
を備え、
前記第1学習モデルは、良品である対象物を撮像して得られた良品画像である複数の対象物画像を特徴量および教師データとし、入力された前記対象物画像を再構成した再構成画像を出力するよう学習を行うことによって生成され、
前記第2学習モデルは、前記良品画像である複数の前記対象物画像から単位画素ごとに取得される前記画素特徴情報を標本とし、前記画素特徴情報がとり得る値に対する確率分布を推定し、入力された前記画素特徴情報に対する生起確率を出力するように学習を行うことによって生成される、画像検査方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020030049A JP7460391B2 (ja) | 2020-02-26 | 2020-02-26 | 学習装置、画像検査装置、プログラム、および学習方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020030049A JP7460391B2 (ja) | 2020-02-26 | 2020-02-26 | 学習装置、画像検査装置、プログラム、および学習方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021135630A JP2021135630A (ja) | 2021-09-13 |
JP7460391B2 true JP7460391B2 (ja) | 2024-04-02 |
Family
ID=77661249
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020030049A Active JP7460391B2 (ja) | 2020-02-26 | 2020-02-26 | 学習装置、画像検査装置、プログラム、および学習方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7460391B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2023168966A (ja) * | 2022-05-16 | 2023-11-29 | ブラザー工業株式会社 | コンピュータプログラム、および、検査装置 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019113914A (ja) | 2017-12-21 | 2019-07-11 | 東レ株式会社 | データ識別装置およびデータ識別方法 |
-
2020
- 2020-02-26 JP JP2020030049A patent/JP7460391B2/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2019113914A (ja) | 2017-12-21 | 2019-07-11 | 東レ株式会社 | データ識別装置およびデータ識別方法 |
Non-Patent Citations (1)
Title |
---|
工藤郁弥 他3名,畳み込みオートエンコーダを用いた工業製品の不良検査,電子情報通信学会技術研究報告,一般社団法人電子情報通信学会,2019年03月04日,第118巻 第492号,pp.31-36 |
Also Published As
Publication number | Publication date |
---|---|
JP2021135630A (ja) | 2021-09-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102209488B (zh) | 图像处理设备和方法以及断层图像拍摄设备和方法 | |
KR20230124713A (ko) | 결함 검출 방법, 장치 및 시스템 | |
JPWO2020031984A1 (ja) | 部品の検査方法及び検査システム | |
Mertens et al. | Dirt detection on brown eggs by means of color computer vision | |
Miao et al. | An image processing-based crack detection technique for pressed panel products | |
CN109872303B (zh) | 表面缺陷视觉检测方法、装置和电子设备 | |
Eshkevari et al. | Automatic dimensional defect detection for glass vials based on machine vision: A heuristic segmentation method | |
US11615520B2 (en) | Information processing apparatus, information processing method of information processing apparatus, and storage medium | |
JP7453813B2 (ja) | 検査装置、検査方法、プログラム、学習装置、学習方法、および学習済みデータセット | |
WO2023084543A1 (en) | System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis | |
JP7426261B2 (ja) | 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 | |
JP7460391B2 (ja) | 学習装置、画像検査装置、プログラム、および学習方法 | |
KR101677070B1 (ko) | 형태학적 영상 처리와 레이블링을 이용한 얼룩 결함 자동 검출 시스템 및 방법 | |
CN113780484B (zh) | 工业产品缺陷检测方法和装置 | |
Hashmi et al. | Computer-vision based visual inspection and crack detection of railroad tracks | |
JP2020139905A (ja) | 検査装置、検査方法、およびプログラム | |
Ayitenfsu | Method of coffee bean defect detection | |
JP2021174194A (ja) | 学習用データ処理装置、学習装置、学習用データ処理方法、およびプログラム | |
JP7449739B2 (ja) | 検査システム、学習装置、学習プログラム、学習方法、検査装置、検査プログラム、検査方法 | |
JP2007057705A (ja) | 表示パネルの検査方法および検査装置 | |
JP7198438B2 (ja) | オブジェクト検出方法、オブジェクト検出装置及びコンピュータプログラム | |
JP2007081513A (ja) | 固体撮像素子のシミ欠陥検査方法 | |
JP2021064215A (ja) | 表面性状検査装置及び表面性状検査方法 | |
WO2022130814A1 (ja) | 指標選択装置、情報処理装置、情報処理システム、検査装置、検査システム、指標選択方法、および指標選択プログラム | |
US20240161271A1 (en) | Information processing apparatus, control program, and control method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221219 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231012 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20231024 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231222 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20240319 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240321 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7460391 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |