JPWO2018173478A1 - 学習装置、学習方法および学習プログラム - Google Patents

Abstract

中間画像生成部８１は、良品を表す画像である良品画像と不良品を表す画像である不良品画像とから、複数の中間画像を生成する。中間画像表示部８２は、良品画像と不良品画像の間に複数の中間画像を配置して表示装置に表示する。境界受付部８３は、良品画像と不良品画像の境界として、中間画像の境界の指定をユーザから受け付ける。教師画像特定部８４は、指定された境界に基づいて良品画像および不良品画像の画像を特定する。

Description

本発明は、学習に用いる教師画像を取得する学習装置、学習方法および学習プログラムに関する。

ディープラーニングによる画像識別技術の発展にともない、それを使用して良品と不良品を識別することによって検査および検品タスクを自動化するＡＩ（ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ）がソリューションとして利用され始めている。

例えば、特許文献１には、不良判定が正しいか否かの確認作業を簡単化する検査結果確認システムが記載されている。特許文献１に記載されたシステムは、不良の程度が顕著なものから順に各部品の画像リストを並べ、その画像リストに対し、良／不良の境界位置を指定する操作を受け付ける。この操作により、指定された位置より上の画像に対応する部品は、実不良であると判断される。

また、特許文献２には、アプリケーションを利用するユーザを認証する認証装置が記載されている。特許文献２に記載された認証装置は、２つの画像データを用いて補間画像を生成し、一方の画像データから他方の画像データまで、生成した補間画像を用いて正解画像を変化させる。なお、一方の画像データと他方の画像データとの類似度の値が高い場合、正解画像の変化が小さくなる。

特開２００９−１０３６４８号公報 特開２０１１−１６４９１５号公報

ディープラーニングに代表される機械学習技術では、機械に学習させるために十分なデータを集める必要がある。特に、良品と不良品を見分ける検査および検品タスクでは、良品と不良品の画像を大量に集める必要がある。

しかし、検査および検品タスクでは、一般の画像分類タスクと違い、似ている画像や、良品と不良品の境界が曖昧であるような一般の人には分類が困難な画像を分類しなければならない。そのため、どのような教師データセットをどのくらい追加しなければならないかが不明である。また、既存のデータだけでは、運用時にｆａｌｓｅ ｐｏｓｉｔｉｖｅ（誤検知）が発生しやすいという問題もある。

例えば、一般の画像分類タスクの例として、猫と犬の分類を考える。この２つは、一見して判別可能であることから、これらの分類は容易である。

一方、検査および検品タスクの例として、傷の程度による分類を考える。傷がない製品を撮影した画像を良品の教師画像とし、傷が１０ｃｍある製品を撮影した画像を不良品の教師画像としてモデルが学習されたとする。

ここで、傷がない製品の画像が入力された場合、学習されたモデルによって、この製品は、良品と判断される。また、傷が９ｃｍの製品の画像が入力された場合、学習されたモデルによって、この製品は不良品と判断される可能性が高い。一方、傷が３ｃｍの製品の画像が入力された場合、その判断は難しい。一般に傷がない製品が良品として学習されていた場合、傷が３ｃｍの製品は、不良品と判断され得る。

しかし、実際の顧客の基準で３ｃｍ程度の傷なら良品と判断される場合には、このモデルの判定は誤判定になる。また、その逆も同様である。また、このような判定をするために適切な教師画像が大量に存在することも稀である。

例えば、特許文献１に記載されたシステムを用いることによって、良品と不良品との境界を判断し易くすることは可能である。しかし、特許文献１に記載されたシステムにより表示される画像は、実際に採取されたデータであり、境界の判断に適切な画像が含まれている確証はない。

また、特許文献２に記載された認証装置は、正解画像を変化させるものであるため、この認証装置を良品と不良品との判断に利用することは困難である。

そこで、本発明は、良品と不良品とを判別するモデルを精度良く学習させることができる学習装置、学習方法および学習プログラムを提供することを目的とする。

本発明による学習装置は、良品を表す画像である良品画像と不良品を表す画像である不良品画像とから、複数の中間画像を生成する中間画像生成部と、良品画像と不良品画像の間に複数の中間画像を配置して表示装置に表示する中間画像表示部と、良品画像と不良品画像の境界として、中間画像の境界の指定をユーザから受け付ける境界受付部と、指定された境界に基づいて良品画像および不良品画像の画像を特定する教師画像特定部とを備えたことを特徴とする。

本発明による学習方法は、良品を表す画像である良品画像と不良品を表す画像である不良品画像とから、複数の中間画像を生成し、良品画像と不良品画像の間に複数の中間画像を配置して表示装置に表示し、良品画像と不良品画像の境界として、中間画像の境界の指定をユーザから受け付け、指定された境界に基づいて良品画像および不良品画像の画像を特定することを特徴とする。

本発明による学習プログラムは、コンピュータに、良品を表す画像である良品画像と不良品を表す画像である不良品画像とから、複数の中間画像を生成する中間画像生成処理、良品画像と不良品画像の間に複数の中間画像を配置して表示装置に表示する中間画像表示処理、良品画像と不良品画像の境界として、中間画像の境界の指定をユーザから受け付ける境界受付処理、および、指定された境界に基づいて良品画像および不良品画像の画像を特定する教師画像特定処理を実行させることを特徴とする。

本発明によれば、良品と不良品とを判別するモデルを精度良く学習させることができる。

本発明による学習装置の一実施形態を示すブロック図である。 学習データ保存部が記憶するデータの例を示す説明図である。 モデル保存部が記憶する情報の例を示す説明図である。 良品画像と、不良品画像と、中間画像との関係の例を示す説明図である。 良品画像および不良品画像並びにモデルの選択を受け付ける画面の例を示す説明図である。 中間画像の境界を指定させる画面の例を示す説明図である。 中間画像の境界を指定させる画面の他の例を示す説明図である。 学習装置の動作例を示すフローチャートである。 中間画像を２次元に表示させて境界を指定させる画面の例を示す説明図である。 本発明による学習装置の概要を示すブロック図である。

以下、本発明の実施形態を図面を参照して説明する。以下の説明では、良品を表す画像のことを良品画像と記し、不良品を表す画像のことを不良品画像と記す。また、本実施形態で使用されるモデルは、例えば、ディープラーニングにより生成されたモデルである。

図１は、本発明による学習装置の一実施形態を示すブロック図である。本実施形態の学習装置１００は、分析装置１０と、表示装置２０とを備えている。

分析装置１０は、学習データ保存部１１と、モデル学習部１２と、モデル保存部１３と、中間表現作成部１４と、中間関数作成部１５と、境界データ作成部１６とを含む。

学習データ保存部１１は、ディープラーニングにより生成されるモデルの学習に用いられるデータを記憶する。図２は、学習データ保存部１１が記憶するデータの例を示す説明図である。図２に示す例では、学習データ保存部１１が、良品を示す画像名にラベル「ＯＫ」を設定し、不良品を示す画像名にラベル「ＮＧ」を設定したデータを記憶していることを示す。

モデル学習部１２は、学習データ保存部１１に記憶された良品画像および不良品画像からモデルを学習する。

モデル保存部１３は、モデルの情報を記憶する。図３は、モデル保存部１３が記憶する情報の例を示す説明図である。図３に示す例では、モデル保存部１３が、モデルの名称と、そのモデルを学習する際に利用した画像とを対応付けて記憶していることを示す。モデル保存部１３は、他にも、モデルそのものの情報を記憶していてもよい。モデル保存部１３は、モデル学習部１２によって学習されたモデルを記憶する。

中間関数作成部１５は、後述する中間表現作成部１４が、中間画像を生成する際に用いる中間関数を作成する。中間画像は、直感的には、良品と判断される可能性が高い（不良品と判断される可能性が低い）画像から、良品と判断される可能性が低い（不良品と判断される可能性が高い）画像へ順次変化させるときの途中の画像である。具体的には、中間関数作成部１５は、ディープラーニングの中間表現を用いて、パラメータによるレベルの指定が可能な中間関数を作成する。このレベルは、良品画像または不良品画像の程度を表す指標である。以下の説明では、中間画像のことを中間表現と記すこともある。

図４は、良品画像と、不良品画像と、中間画像との関係の例を示す説明図である。例えば、一般的に知られた方法で判別モデルを生成した場合に、そのモデルでは、境界Ｂ１で良品と不良品とが判別されるとする。一方、実際の運用時には、境界Ｂ２を境界として用いたいとする。本実施形態では、この中間画像を複数作成して表示し、この中間画像ｍ１〜ｍ３の中から良品と不良品との境界をユーザに指定させる。

本実施形態では、ユーザから良品画像と不良品画像が１つずつ選択された場合に適用する中間関数の一例を説明する。ただし、後述する中間表現作成部１４が中間画像を生成できれば、中間関数の内容は任意である。

良品画像に対応する中間表現ベクトルをｖ１とし、不良品画像に対応する中間表現ベクトルをｖ２とする。このとき、中間関数作成部１５は、生成する画像の中間表現ｖを、以下に示す式１のように生成する。式１において、パラメータｔは、０から１までの実数である。

ｖ＝ｖ１＋（ｖ２−ｖ１）＊ｔ （式１）

中間表現作成部１４は、まず、中間画像を生成する際に基準とする良品画像と不良品画像を選択する。良品画像と不良品画像の選択は、任意の画像が自動で選択されてもよく、ユーザの指定により選択されてもよい。また、中間表現作成部１４は、中間画像を生成する対象のモデルを選択する。中間表現作成部１４は、ユーザによって選択されたモデルを特定してもよい。

図５は、良品画像および不良品画像並びにモデルの選択を受け付ける画面の例を示す説明図である。図５に例示する画面は、使用するモデル名、および、データ一覧の中から、良品画像および不良品画像をそれぞれ一つずつ選択させる画面である。中間表現作成部１４は、図５に例示する画面をモデル作成指定画面２１として、表示装置２０に表示させてもよい。これにより、良品画像および不良品画像並びにモデルが、１つずつ選択される。

中間表現作成部１４は、良品画像と不良品画像とから、複数の中間画像を生成する。具体的には、中間表現作成部１４は、中間関数作成部１５によって作成された中間関数（中表現）をもとに、パラメータによって良品画像または不良品画像の程度が指定された中間画像を生成する。

そして、中間表現作成部１４は、生成した中間画像を表示装置２０に表示する。具体的には、中間表現作成部１４は、良品画像と不良品画像の間に中間画像を配置した画面（中間表現表示画面２３）を表示装置２０に表示する。

さらに、中間表現作成部１４は、良品画像及び不良品画像並びに中間画像とともに、中間画像における良品画像と不良品画像の境界をユーザが指定可能な画面インタフェース（両端データ指定画面２２）を表示装置２０に表示する。中間表現作成部１４は、この画面インタフェースを介して指定された境界に基づいて、良品画像および不良品画像の画像を特定する。なお、ユーザに境界を指定させる方法は任意である。

中間表現作成部１４は、例えば、各中間画像の間の位置を指定させて、その両隣を良品画像および不良品画像と特定させる画面インタフェースを表示してもよい。図６は、中間画像の境界を指定させる画面の例を示す説明図である。図６に例示する画面は、両端データ指定画面２２および中間表現表示画面２３のいずれも含む画面である。

図６は、中間表現作成部１４が、予め複数の中間画像を生成し、良品画像と判断されやすい中間画像ほど良品画像に近い位置に配置し、不良品画像と判断されやすい中間画像ほど不良品画像に近い位置に配置した例を示す。

図６に示す例の場合、中間表現作成部１４は、指定された境界より良品画像側にある中間画像ｍ４を新たな良品画像と特定し、指定された境界より不良品画像側にある中間画像ｍ５を新たな不良品画像と特定すればよい。

また、中間表現作成部１４は、予め複数の中間画像を表示させるのではなく、中間画像のパラメータを可変に指定できる画面インタフェースを表示装置２０に表示し、指定されたパラメータにより生成される中間画像を表示してもよい。そして、中間表現作成部１４は、指定されたパラメータの中間画像を境界としてもよい。

図７は、中間画像の境界を指定させる画面の他の例を示す説明図である。図７は、ユーザの操作に応じて、スライダー（スクロールバー）で上記に示す式１のｔを変化させて、指定されたパラメータｔに基づいて中間画像ｍ６を生成した例を示す。このとき、境界として指定された中間画像を、良品画像とするか不良品画像とするかは、予め定めておけばよい。

図７に示す例の場合、中間表現作成部１４は、例えば、指定された境界のパラメータｔ以下の中間画像を新たな良品画像と特定し、指定された境界のパラメータｔより大きい中間画像を新たな不良品画像と特定すればよい。なお、パラメータの指定はスライダー指定に限られず、直接パラメータの値が指定されてもよい。

境界データ作成部１６は、特定された境界に基づいて良品画像および不良品画像を生成し、学習データ保存部１１に登録する。モデル学習部１２は、中間画像から特定された良品画像および不良品画像を用いて、例えばディープラーニングによりモデルを再学習する。

モデル学習部１２と、中間表現作成部１４と、中間関数作成部１５と、境界データ作成部１６とは、プログラム（学習プログラム）に従って動作するコンピュータのＣＰＵによって実現される。例えば、プログラムは、学習装置１００の記憶部（図示せず）に記憶され、ＣＰＵは、そのプログラムを読み込み、プログラムに従って、モデル学習部１２、中間表現作成部１４、中間関数作成部１５および境界データ作成部１６として動作してもよい。

また、モデル学習部１２と、中間表現作成部１４と、中間関数作成部１５と、境界データ作成部１６とは、それぞれが専用のハードウェアで実現されていてもよい。また、学習データ保存部１１と、モデル保存部１３は、例えば、磁気ディスク等により実現される。

次に、本実施形態の学習装置１００の動作を説明する。図８は、本実施形態の学習装置１００の動作例を示すフローチャートである。

まず、ユーザが、モデルおよび両端データ（すなわち、良品画像および不良品画像）を指定して中間表現の生成を学習装置１００に指示する（ステップＳ１１）。中間表現作成部１４は、その指定に基づいて中間表現（すなわち、中間画像）を生成し（ステップＳ１２）、中間表現画面を表示する（ステップＳ１３）。

中間表現画面を介して、ユーザが境界にしたい箇所を選択する（ステップＳ１４）。中間表現作成部１４は、選択箇所の両隣を良品画像および不良品画像と特定し、それらを学習データとして追加登録する（ステップＳ１５）。ユーザが追加された学習データを追加してモデルを生成する指示を行うと（ステップＳ１６）、モデル学習部１２は、追加された学習データを用いてモデルを再学習する（ステップＳ１７）。

以上のように、本実施形態では、中間表現作成部１４が、良品画像と不良品画像とから複数の中間画像を生成し、良品画像と不良品画像の間に複数の中間画像を配置して表示装置２０に表示する。また、中間表現作成部１４が、良品画像と不良品画像の境界として、中間画像の境界の指定をユーザから受け付けると、指定された境界に基づいて良品画像および不良品画像の画像を特定する。よって、良品と不良品とを判別するモデルを精度良く学習させることができる。なお、本実施形態の中間表現作成部１４は、中間画像生成部、中間画像表示部、境界受付部および教師画像特定部として動作する。

また、本実施形態の学習装置１００は、新規のデータを追加することなく、既存のデータから境界面に近いデータに対しても精度の高いモデルを生成することが可能である。境界面に近いデータを学習用に作成し、モデルで識別する境界面を更新できるからである。

すなわち、本実施形態では、ディープラーニングに代表される機械学習を用いた画像認識技術を用いた不良品検知業務を自動化する場合において、学習段階での良品と不良品の教師画像を収集する。まずは、モデル学習部１２は、すでに収集済みである良品の教師画像の不良品の教師画像とから、ディープラーニングにより、モデルを学習する。

その後、中間表現作成部１４は、学習されたモデルまたは特徴量と、ユーザに指定させた良品画像および不良品画像から、複数の中間画像を生成する。そして、中間表現作成部１４は、生成した中間画像中からユーザに識別境界面を指定させる画面を表示して、良品画像と不良品画像との境界を特定させる。これにより、複数生成された中間画像を用いて教師画像を水増しさせることができるため、モデルの精度を向上させることができる。

次に、本実施形態の変形例を説明する。第１の実施形態では、ユーザから良品画像と不良品画像が１つずつ選択された場合の中間表現を説明した。本変形例では、不良品画像が複数選択される場合について説明する。

ここでは、具体例として、ユーザから、良品画像が１つ、不良品画像が２つ選択されたとする。良品画像に対応する中間表現ベクトルをｖ１とし、不良品画像に対応する中間表現ベクトルをｖ２，ｖ３とする。このとき、中間関数作成部１５は、生成する画像の中間表現ｖを、以下に示す式２のように生成する。式２におけるパラメータｔ１，ｔ２は、上記式１におけるパラメータｔと同様（０から１までの実数）である。

ｖ＝ｖ１＋（ｖ２−ｖ１）＊ｔ１＋（ｖ３−ｖ１）＊ｔ２ （式２）

選択される不良品画像の組み合わせによって、それぞれの不良品画像に対応したバリエーションの中間画像が生成されることになる。例えば、第１の不良品画像に良品画像と色が異なる画像が選択され、第２の不良品画像に良品画像と形が異なる画像が選択される場合などが挙げられる。

上記に示す式２は、ｖ１を始点とし、（ｖ２−ｖ１）と（ｖ３−ｖ１）をそれぞれ方向ベクトルとする平面空間を表す。そのため、中間画像は、２次元の広がりをもって生成される。

図９は、中間画像を２次元に表示させて境界を指定させる画面の例を示す説明図である。図９に示す例では、中間表現作成部１４は、良品画像Ｇ１と、２つの不良品画像（以下、第一の不良品画像Ｂ１および第二の不良品画像Ｂ２と記す。）から、複数の中間画像を生成する。具体的には、中間表現作成部１４は、良品画像Ｇ１を起点とし、第一の不良品画像Ｂ１および第二の不良品画像Ｂ２をそれぞれ異なる両軸方向（具体的には、右方向および上方向）に配置して表示装置２０に表示する。

また、図９に示す例では、図７に示す例と同様に、中間表現作成部１４は、ユーザの操作に応じて、スライダーで上記に示す式２のｔ１およびｔ２を変化させて、指定されたパラメータｔ１およびｔ２に基づいて中間画像ｍ１１およびｍ１２を生成する。ここでのパラメータの指定が、良品画像Ｇ１と第一の不良品画像Ｂ１の境界、および、良品画像Ｇ１と第二の不良品画像Ｂ２の境界の指定に該当する。

なお、中間表現作成部１４は、図７に示すように、各中間画像の間の位置を指定させて、その両隣を良品画像および不良品画像と特定させる画面インタフェースを表示してもよい。

本変形例では、良品画像を１つ、不良品画像を２つ選択することで、２次元の広がりを持つ中間画像を生成する方法を説明した。同様に、指定する不良画像をｎ次元に拡張することも可能である。なお、ユーザによって境界を指定させることから、多くても３次元程度にすることが好ましい。

次に、本発明の概要を説明する。図１０は、本発明による学習装置の概要を示すブロック図である。本発明による学習装置８０（例えば、学習装置１００）は、良品を表す画像である良品画像と不良品を表す画像である不良品画像とから、複数の中間画像を生成する中間画像生成部８１（例えば、中間表現作成部１４）と、良品画像と不良品画像の間に複数の中間画像を配置して表示装置（例えば、表示装置２０）に表示する中間画像表示部８２（例えば、中間表現作成部１４）と、良品画像と不良品画像の境界として、中間画像の境界の指定をユーザから受け付ける境界受付部８３（例えば、中間表現作成部１４）と、指定された境界に基づいて良品画像および不良品画像の画像を特定する教師画像特定部８４（例えば、中間表現作成部１４）とを備えている。

そのような構成により、良品と不良品とを判別するモデルを精度良く学習させることができる。

また、中間画像生成部８１は、パラメータによって良品画像または不良品画像の程度が指定された中間画像を生成してもよい。

また、境界受付部８３は、表示された各中間画像の間の位置の指定をユーザから受け付け、教師画像特定部８４は、指定された位置の両隣をそれぞれ良品画像および不良品画像と特定してもよい。

他にも、境界受付部８３は、中間画像のパラメータの指定をユーザから受け付け、教師画像特定部８４は、指定されたパラメータにより生成される中間画像を境界として良品画像および不良品画像を特定してもよい。

また、中間画像生成部８１は、良品画像と、第一の不良品画像および第二の不良品画像とから、複数の中間画像を生成し、中間画像表示部８２は、良品画像を起点とし、第一の不良品画像および第二の不良品画像をそれぞれ異なる両軸方向に配置して表示装置に表示し、境界受付部８３は、良品画像と第一の不良品画像の境界、および、良品画像と第二の不良品画像の境界の指定をユーザから受け付け、教師画像特定部８４は、指定された境界に基づいて良品画像および不良品画像の画像を特定してもよい。

また、学習装置８０は、中間画像から特定された良品画像および不良品画像を用いてモデルを再学習する学習部（例えば、モデル学習部１２）を備えていてもよい。

本発明は、学習に用いる教師画像を取得する学習装置に好適に適用される。また、本発明は、ディープラーニングによる画像識別技術の発展にともない、良品と不良品とを識別することによって検査および検品タスクを自動化するＡＩに好適に適用される。

以上、実施形態及び実施例を参照して本願発明を説明したが、本願発明は上記実施形態および実施例に限定されるものではない。本願発明の構成や詳細には、本願発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

この出願は、２０１７年３月２３日に出願された日本特許出願２０１７−０５７９０１を基礎とする優先権を主張し、その開示の全てをここに取り込む。

１０ 分析装置
１１ 学習データ保存部
１２ モデル学習部
１３ モデル保存部
１４ 中間表現作成部
１５ 中間関数作成部
１６ 境界データ作成部
２１ モデル作成指定画面
２２ 両端データ指定画面
２３ 中間表現表示画面
２０ 表示装置
１００ 学習装置

Claims (10)

1. 良品を表す画像である良品画像と不良品を表す画像である不良品画像とから、複数の中間画像を生成する中間画像生成部と、
   前記良品画像と前記不良品画像の間に前記複数の中間画像を配置して表示装置に表示する中間画像表示部と、
   前記良品画像と前記不良品画像の境界として、前記中間画像の境界の指定をユーザから受け付ける境界受付部と、
   指定された境界に基づいて前記良品画像および前記不良品画像の画像を特定する教師画像特定部とを備えた
   ことを特徴とする学習装置。
2. 中間画像生成部は、パラメータによって良品画像または不良品画像の程度が指定された中間画像を生成する
   請求項１記載の学習装置。
3. 境界受付部は、表示された各中間画像の間の位置の指定をユーザから受け付け、
   教師画像特定部は、指定された位置の両隣をそれぞれ良品画像および不良品画像と特定する
   請求項１または請求項２記載の学習装置。
4. 境界受付部は、中間画像のパラメータの指定をユーザから受け付け、
   教師画像特定部は、指定されたパラメータにより生成される中間画像を境界として良品画像および不良品画像を特定する
   請求項１または請求項２記載の学習装置。
5. 中間画像生成部は、良品画像と、第一の不良品画像および第二の不良品画像とから、複数の中間画像を生成し、
   中間画像表示部は、前記良品画像を起点とし、前記第一の不良品画像および第二の不良品画像をそれぞれ異なる両軸方向に配置して表示装置に表示し、
   境界受付部は、前記良品画像と前記第一の不良品画像の境界、および、前記良品画像と前記第二の不良品画像の境界の指定をユーザから受け付ける
   教師画像特定部は、指定された境界に基づいて良品画像および不良品画像の画像を特定する
   請求項１から請求項４のうちのいずれか１項に記載の学習装置。
6. 中間画像から特定された良品画像および不良品画像を用いてモデルを再学習する学習部を備えた
   請求項１から請求項５のうちのいずれか１項に記載の学習装置。
7. 良品を表す画像である良品画像と不良品を表す画像である不良品画像とから、複数の中間画像を生成し、
   前記良品画像と前記不良品画像の間に前記複数の中間画像を配置して表示装置に表示し、
   前記良品画像と前記不良品画像の境界として、前記中間画像の境界の指定をユーザから受け付け、
   指定された境界に基づいて前記良品画像および前記不良品画像の画像を特定する
   ことを特徴とする学習方法。
8. パラメータによって良品画像または不良品画像の程度が指定された中間画像を生成する
   請求項７記載の学習装置。
9. コンピュータに、
   良品を表す画像である良品画像と不良品を表す画像である不良品画像とから、複数の中間画像を生成する中間画像生成処理、
   前記良品画像と前記不良品画像の間に前記複数の中間画像を配置して表示装置に表示する中間画像表示処理、
   前記良品画像と前記不良品画像の境界として、前記中間画像の境界の指定をユーザから受け付ける境界受付処理、および、
   指定された境界に基づいて前記良品画像および前記不良品画像の画像を特定する教師画像特定処理
   を実行させるための学習プログラム。
10. コンピュータに、
    中間画像生成処理で、パラメータによって良品画像または不良品画像の程度が指定された中間画像を生成させる
    請求項９記載の学習プログラム。

Images