JPH04222064A - 外観検査方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は検査対象物の入力画像よ
り抽出する特徴量を用いた外観検査方法に関し、特にニ
ューロンに対応する信号処理を行う、所謂、ニューラル
ネットワークを用いた外観検査方法に関する。

【０００２】

【従来の技術】ニューラルネットワークは、人間の脳を
真似たネットワークである。図７にニューラルネットワ
ークの構成図を示す。ネットワークは入力層１２，中間
層１３，出力層１４と、階層構造を採り、入力層１２，
中間層１３，出力層１４の方向に結合している。各層は
脳のニューロンに対応したユニット１０から構成され、
複数個、複雑に結合し合っている。しかし、各層内での
結合はなく、出力層から入力層に向かう結合もない。

【０００３】ニューラルネットワークによる外観検査は
検査対象物の画像情報より得られる各種特徴量を入力と
し、検査結果を出力とする。その前準備としてのニュー
ラルネットワークの学習は検査対象物の画像より得られ
る各種特徴量を入力層に、その望ましい検査結果を教師
信号として出力層に与え、出力値と教師信号値を比べ、
その差を減らすようにユニット１０間の結合の強さを変
えて行う。さらに多数の検査対象物について学習を行い
、出力値と教師信号値との差が所定の許容値以下となっ
たとき、学習は終了する。ここで入力とする特徴量の種
類は得られたものすべてを用いるか、あるいは人間の勘
や試行錯誤により決定する。

【０００４】

【発明が解決しようとする課題】従来のニューラルネッ
トワークによる外観検査は上述したように入力とする特
徴量の種類を画像情報から得られたもの全てを用いたり
、人間の勘や思考錯誤により決定するため、学習あるい
は特徴量の選択に膨大な時間を要するか、学習の高速化
に最適な特徴量が得られないという問題点がある。

【０００５】本発明は上記従来の問題点を解決するもの
で、学習の高速化に最適な特徴量が得られ、学習や特徴
量の選択に要する時間を短縮した外観検査方法の提供を
目的とする。

【０００６】

【課題を解決するための手段】上記目的を達成するため
、本発明の外観検査方法はニューラルネットワークの入
力層に入力する特徴量として、複数の検査対象物の画像
より抽出する特徴量のうち任意の１種類以上の特徴量を
除外した上で、検査対象物の良否の判別分析を行い、誤
判別率の大きくなった場合に除外された特徴量を良否の
判別分析に大きく寄与するものとして認識し選び出すも
のである。

【０００７】

【作用】上記外観検査方法によれば、入力画像より抽出
した特徴量全てを入力するのではなく、いくつかの特徴
量を選び出した上で、ニューラルネットワークの入力層
に入力することにより、ニューラルネットワークを構成
するユニット間の結合を簡略化することができ、また、
その選び出す基準として、入力画像より計算し抽出した
特徴量の中から任意の１種類以上の特徴量を除外し、良
否の判別を行った際、誤判別率の大きい時に除外されて
いる特徴量を採用することにより、良否の判別に対して
有効な特徴量を選び出すことができる。

【０００８】

【実施例】以下本発明の一実施例について、図面を参照
しながら説明する。

【０００９】図１は本発明の外観検査方法を印刷文字の
外観検査に採用した場合の一実施例の流れ図である。

【００１０】図２，図３は検査対象となる印刷文字であ
り、斜線部分が文字部分７である。図２（ａ）は良品、
図２（ｂ）はにじみ８を有する不良品である。

【００１１】まず、図２（ａ），（ｂ）に示すような良
品及び不良品の複数のサンプルの画像を取り入れる。 （ステップ１）ステップ１で得られた画像から特徴量を
抽出する。（ステップ２）本実施例では以下の９種類の
特徴量を抽出する。

【００１２】文字部分７の面積。 文字部分７の周囲長。

【００１３】文字部分７の骨格長。

【００１４】文字部分７の周囲角度分布。 文字部分７の骨格角度分布。

【００１５】文字部分７のｘ軸に対する射影長。 文字部分７のｙ軸に対する射影長。

【００１６】文字部分７の重心９を通るｘ′軸回りの２
次モーメント。 文字部分７の重心９を通るｙ′軸回りの２次モーメント
。

【００１７】以上の各特徴量について図３〜図５を参照
しながら説明する。これらの特徴量は印刷された文字部
分７の濃度が１、それ以外の部分が０となるような２値
化を行った画像情報より抽出する。

【００１８】文字部分７の面積は２値化されて１となっ
た文字部分７の面積である。文字部分の周囲長は２値化
された文字部分７のうち、最も外側の画素を連ねた長さ
である。ここでの長さはユークリッド距離を用いる。ユ
ークリッド距離は、１画素当りの距離を単位距離と考え
、示したものである。１画素当りの距離がｄ〔μｍ〕で
あれば、図３（ａ）の場合はｄ、同図（ｂ）の場合は平
方根２ｄとなる。

【００１９】文字部分７の周囲角度分布は、周囲長を決
定して画素間の角度の分布であり、図４に示すように０
°，４５°，９０°，１３５°の４種類のそれぞれの角
度に対する画素の結合の数の、全結合に対する割合のこ
とである。

【００２０】文字部分７の骨格長は２値化された文字部
分７に対して、図５のように細線化を行った結果、得ら
れる骨格の長さである。ここでの長さも周囲長と同様に
ユークリッド距離を用いる。

【００２１】文字部分７の骨格角度分布は細線化で得ら
れる骨格の画素間の角度の分布であり、周囲角度分布と
同様の形式である。文字部分７の射影長はｘ軸及びｙ軸
に射影された文字部分７の長さである。

【００２２】文字部分７の重心９を通るｘ′軸及びｙ′
軸回りの２次モーメントは文字部分７の重心９を通り、
ｘ軸及びｙ軸に平行なｘ′軸及びｙ′軸に対する文字部
分７の２次モーメントのことである。

【００２３】上記の９種類の特徴量のうち、まず面積の
特徴量を除外した残りの８種類の特徴量を用いて、良品
であるか不良品であるかの判別分析を行い、誤判別率を
計算する。さらに残りの８種類の特徴量についても同様
に、各々の特徴量のみを除外した判別分析を行い、誤判
別率を計算する。（ステップ３）その結果、最終的に計
算される誤判別率は全特徴量の数に等しい９個となる。 除外された特徴量に対する誤判別率が以下のようになっ
た場合を想定する。

【００２４】文字部分７の面積……１２％。 文字部分７の周囲長……５％。

【００２５】文字部分７の骨格長……３％。 文字部分７の周囲角度分布……２１％。

【００２６】文字部分７の骨格角度分布……４％。 文字部分７のｘ軸に対する射影長……９％。

【００２７】文字部分７のｙ軸に対する射影長……１７
％。 文字部分７の重心９を通るｘ′軸回りの２次モーメント
……７％。

【００２８】文字部分７の重心９を通るｙ′軸回りの２
次モーメント……６％。上記のように計算された９個の
誤判別率のうち、本実施例では最大のものより４個を選
択する。従って、次の４種類の特徴量が選択される。 （ステップ４）文字部分７の面積。

【００２９】文字部分７の周囲角度分布。 文字部分７のｘ軸に対する射影長。

【００３０】文字分布７のｙ軸に対する射影長。次に選
択された４個の特徴量を入力、検査結果を出力とするニ
ューラルネットワークの学習を行う。本実施例のニュー
ラルネットワークの構成を図６に示す。

【００３１】ニューラルネットワークは入力層１２，中
間層１３，出力層１４を階層構造を採り、各層は脳のニ
ューロンに対応したユニット１０から構成され、複雑に
結合し合っており、これらは図７の従来例と同様のもの
であるが本実施例においては入力層は４個のユニット１
０で、出力層は１個のユニット１０で構成されている。

【００３２】ニューラルネットワークの学習には、周知
のバックプロパゲーション法を用いることができる。バ
ックプロパゲーション法については、例えば、パラレル
・ディストリビューテッド・プロセッシング第１巻（１
９８６年）（Ｐａｒａｌｌｅｌ　Ｄｉｓｔｒｉｂｕｔｅ
ｄ　ＰｒｏｃｅｓｓｉｎｇＶｏｌ．１（１９８６））に
詳しく記述されている。ニューラルネットワークの入力
には選択された４種類の特徴量を入力し、出力には検査
対象文字が良品であれば０、不良品であれば１を望まし
い出力、すなわち教師信号として与え、ユニット間の結
合強度を変えることで学習を行わせる。

【００３３】全ての検査対象物の学習サンプルについて
、学習を繰り返し行い、出力値と教師信号との差が許容
値（例えば０．１）以下となると学習は終了する。 （ステップ５）以上の各ステップを経て、学習が終了し
たニューラルネットワークを用いて印刷文字の外観検査
を行う。（ステップ６）なお、本実施例の図示する中間
層は何層でもよく、また、除外する特徴量を一種類とし
たが、複数種類を除外しても構わない。

【００３４】

【発明の効果】以上のように本発明の外観検査方法はニ
ューラルネットワークの入力層に入力する特徴量として
、複数の被検査物の入力画像より計算し抽出する特徴量
のうち、任意の１種類以上の特徴量を除外した上で、被
検査物の良否の判別分析を行い、誤判別率の大きくなっ
た場合に除外された特徴量を良否の判別分布に大きく関
わるものと認識し選び出すもので、良否の判別に対して
有効な特徴量を選び出すことができ、従来行われてきた
入力とする特徴量の種類に関して得られたもの全てを用
いるとか、人間の勘や思考錯誤によって決定されていた
手法に比べ、ニューラルネットワークの学習を高速化で
きる。

【図面の簡単な説明】

【図１】本発明の外観検査方法を印刷文字の外観検査に
採用した場合の一実施例の流れ図

【図２】同実施例の印刷文字例を示す図

【図３】同実施
例のユークリッド距離の説明のための画素結合状態図

【図４】同実施例の文字部分の周囲角度分布及び骨格角
度分布の説明のための画素結合状態図

【図５】同実施例の文字部分の骨格長の説明のための図

【図６】同実施例のニューラルネットワークの構成図

【
図７】一般的なニューラルネットワークの構成図

【符号の説明】

７　　　　文字部分 ８　　　　にじみ ９　　　　重心 １０　　　　ユニット １１　　　　ユニット間の結合 １２　　　　入力層 １３　　　　中間層 １４　　　　出力層

Claims (1)

【特許請求の範囲】
1. 【請求項１】　　検査対象物をカメラを用いて画像入力
   する第１のステップと、前記第１のステップにて得られ
   る画像より前記検査対象物の外観の状態を示す特徴量を
   抽出する第２のステップと、前記第２のステップで抽出
   した特徴量のうち、任意の１種類以上の特徴量を除外し
   た上で、複数の検査対象物の良否の判別を行い、誤判別
   率の大きくなる場合に除外している特徴量を、外観検査
   の判別に大きく寄与する特徴量として選び出す第３のス
   テップと、前記第３のステップで選び出した特徴量を入
   力、検査結果を出力とし、それぞれニューロンに対応す
   る信号処理を行う複数のユニットにて構成された入力層
   ，中間層及び出力層からなるニューラルネットワークの
   学習を行う第４のステップと、検査を行う対象物の特徴
   量を、すでに学習されたニューラルネットワークに入力
   し、ニューラルネットワークの出力によって外観が良品
   か不良品であるかを判別する第５のステップを備えた外
   観検査方法。