WO2021100243A1

WO2021100243A1 - Ａｉ外観検査方法、その装置及びそのコンピュータ用のプログラム

Info

Publication number: WO2021100243A1
Application number: PCT/JP2020/027585
Authority: WO
Inventors: 貴之石黒
Original assignee: 株式会社テクムズ
Priority date: 2019-11-18
Filing date: 2020-07-16
Publication date: 2021-05-27

Abstract

精密部品の外観検査の現場においては、高い精度が求められることはもとより、部品の多品種化に伴い、ＡＩ外観検査装置を学習させるために要する手間も大きな課題となる。　外観検査対象品の正常品を代表するものとして予め準備した参照画像と外観検査対象品の教師画像との差分画像（教師データ）を作成する学習用の前処理ステップと、差分画像（教師データ）をＡｌ外観検査部に入力する学習用の入力ステップと、入力された差分画像（教師データ）をＡＩ外観処理部に処理させて、差分画像（正常品）と差分画像（異常品）との間の関係を学習させる学習用のＡＩ処理ステップと、外観検査対象品について実際に撮影した検査画像と参照画像との差分画像（検査データ）を作成する、検査用の前処理ステップと、　学習すみのＡｌ外観検査装置に差分画像（検査データ）を入力する検査用の入力ステップと、　入力された差分画像（検査データ）を学習すみのＡＩ外観処理部に処理させて、入力された差分画像（検査データ）についての第１の関係を特定する検査用のＡＩ処理ステップと、を備えるＡＩ外観検査方法。

Description

ＡＩ外観検査方法、その装置及びそのコンピュータ用のプログラム

　本発明はＡＩ外観検査方法、その装置及びそのコンピュータ用のプログラムに関する。

　工業製の精密部品の表面に小さな傷、凹凸その他の変形（以下、欠陥と総称する）があるとその性能が著しく低下する。
　そこで従来では、精密部品を出荷する前に、画像処理技術を利用してその欠陥を検出していた。
　一般的な外観検査方法は、検査対象品の基準画像をあらかじめ準備し、この基準画像と検査対象の撮影画像とを比較し、所定のプログラムに従い両者の違いを顕現化している（特許文献１）。
　また、画像処理の一例として、ニューラルネットワークを利用した所謂ＡＩ外観検査装置を用いるものも知られている（特許文献２参照）。

特開２００６－２４２８７３号公報特開２０１９－００８５９９号公報

　本発明者は外観検査にＡＩ技術を適用することにつき鋭意検討を重ねてきた。
　精密部品の外観検査の現場においては、高い精度が求められることはもとより、部品の多品種化に伴い、ＡＩ外観検査装置を学習させるために要する手間も大きな課題となる。

　この発明は、かかる課題に対応するものであり、その第１の局面は次のように規定される。
　外観検査対象品の正常品を代表するものとして予め準備した参照画像と外観検査対象品の教師画像との差分画像（教師）を作成する学習用の前処理ステップと、前記差分画像（教師）には外観検査対象品の正常品画像と前記参照画像との差分画像（正常品）及び、外観検査対象品の異常品画像と前記参照画像との差分画像（異常品）が含まれる、
　前記差分画像（正常品）及び正常ラベルのセットからなる教師データ（正常品）と、前記差分画像（異常品）及び異常ラベルのセットからなる教師データ（異常品）と、をＡｌ外観検査部に入力する学習用の入力ステップと、
　入力された前記教師データ（正常品）と前記教師データ（異常品）とを前記ＡＩ外観処理部に処理させて、前記差分画像（正常品）と前記差分画像（異常品）との間の関係を学習させる学習用のＡＩ処理ステップと、
　外観検査対象品について実際に撮影した検査画像と前記参照画像との差分画像（検査）を作成する、検査用の前処理ステップと、
　前記学習すみのＡｌ外観検査装置に前記差分画像（検査）を入力する検査用の入力ステップと、
　入力された前記差分画像（検査）を前記学習すみのＡＩ外観処理部に処理させて、入力された前記差分画像（検査）についての第１の関係を特定する検査用のＡＩ処理ステップと、
　を備えるＡＩ外観検査方法。

　このように規定される第１の局面のＡＩ検査方法によれば、精度とともに学習効率が高くなる。
　精度の向上は、もっぱら、学習モードで用いる教師データ及び運用モードで用いる検査データとして、差分画像を用いることによる。学習効率の向上はもっぱら学習モードで用いる教師データとして差分画像を用いることに起因する。
　正常品と異常品との外観上の差が比較的小さな外観検査対象品の場合は、参照画像との差分をとることにより、正常品の画像と異常品の画像との差異が強調されるためと考えられる。

　以下具体的な例に基づき、本発明について説明する。
　外観検査対象品として樹脂成型品を用いた。５００００個の正常な外観検査対象品（以下、単に「正常品」と略すことがある）の教師画像と３０００個の異常な外観検査対象品（以下、単に「異常品」と略することがある）の教師画像とを準備した。その他、外観検査対象品以外の物の画像を３０００個準備した。各画像はグレースケール写真であり、画像を構成する各ピクセルには例えば２５６段階の輝度が付与される。なお、正常品や異常品の教師画像は、実際に撮影した画像をいわゆる水増し処理して得られたものも含まれる。
　正常品の教師画像から無作為に２０枚の教師画像を選択し、その平均画像を作成してこれを標準画像とした。

　具体的には、選択した２０枚の正常品教師画像から無作為に１枚を抽出し、この画像を基準として、この基準画像に対して他の画像を汎用的な手法でパターンマッチングすることで位置合わせをする。各画像を構成するピクセルの輝度の平均値を演算して、その結果を標準画像のピクセルに付与して標準画像とする。
　標準画像は上記に限定されるものではない。上記のようにして得られた平均画像を更にマニュアルで、もしくは何らかのルールに従って加工することができる。また、作画により標準画像を得ることもできる。

　このようにして得られた標準画像と教師画像との差分画像を作成する。具体的には、標準画像と教師画像とを上記と同様な汎用的なパターンマッチング手法を用いて位置合わせをする。位置合わせされた教師画像と標準画像との各ピクセルの輝度の差を演算し、差分画像を構成する各ピクセルに当該演算結果を付与する。これにより差分画像（教師）が形成される。この差分画像（教師）には、正常品の教師画像と標準画像との差分画像（正常品）と異常品の教師画像と標準画像との差分画像（異常品）とが含まれている。
　上記各ピクセルの輝度の差の演算には、単なる差分演算の他、一定のしきい値を設けて、当該しきい値以下の場合は差をゼロとする、差分を強調するために所定の定数を乗算することがある。

　教師画像と標準画像との各ピクセルの輝度の差の演算結果として、その絶対値を第１のメモリ（教師）に保存する。また、当該輝度の差がゼロ以上のとき、その値を第２のメモリ（教師）に保存し、当該輝度の差が負のとき、その値を第３のメモリ（教師）に保存する。
　各メモリに保存されている値（輝度の差）は、ＲＧＢ画素を備えたモニタに表示することができる。第１のメモリ（教師）に保存されているデータ（輝度の絶対値）はＲＧＢ画素の各出力に反映される。これにより、教師画像と標準画像との差がモニタにグレースケールで表示される。教師画像と標準画像がいずれもグレースケールで表されているので、かかるモニタ表示はそれらの差をリアルに再現したものとなる。

　第２のメモリ（教師）に保存されているデータ（正の輝度）はＲＧＢ画素のうちの一つ（例えばＲピクセル）のみの出力に反映される。これにより、教師画像と標準画像との比較において教師画像の明るいピクセルが赤色で表示される。教師画像の明るいピクセルは教師画像に撮影された外観検査対象品の欠損部分（背景が明かるい場合）や光を反射しやすい突起等を表示する場合が多い。
　第３のメモリ（教師）に保存されているデータ（負の輝度）はＲＧＢ画素の他の一つ（例えばＢピクセル）のみの出力に反映される。これにより、教師画像と標準画像との比較において教師画像の暗いピクセルが青色で表示される。教師画像の暗いピクセルは教師画像に撮影された外観検査対象品のバリ部分（背景が明かるい場合）や光を吸収しやすい凹部等を表示する場合が多い。

　このように、メモリの内容を選択することにより、外観検査対象品の異常品画像と参照画像との差分画像（異常品）においてその異常部分の特性が把握しやすくなる。よって、学習モードにおいてオペレータの行うアノテーション作業の補助となる。
　このようにして得られた第１のメモリ（教師）に保存されているデータ（輝度の絶対値）を、差分画像（教師）として、そのラベルとともに、ＡＩ外観検査装置へ入力して学習（デープラーニング）させる。即ち、差分画像（教師）には、観検査対象品の正常品画像と参照画像との差分画像（正常品）及び、外観検査対象品の異常品画像と参照画像との差分画像（異常品）が含まれるので、差分画像（正常品）及び正常ラベルのセットからなる教師データ（正常品）と、差分画像（異常品）及び異常ラベルのセットからなる教師データ（異常品）とがＡｌ外観検査部に入力される。かかる教師データ（正常品）と教師データ（異常品）とが入力されたＡＩ外観検査部は、差分画像（正常品）と差分画像（異常品）との間の関係を、正常品若しくは異常品とに関連つけて、学習する。
　このＡＩ外観検査装置として以下のスペックのものを採用した。
　ＡＩソフト：テクムズ社　ＤＥＥＰＳ　ＡＩ　Ｉｎｓｐｅｃｔｉｏｎ
　ＰＣ：ドスパラ社製ＢＴＯパソコン（Ｃｏｒｅ－ｉ９－９９４０Ｘ，メモリ６４ＧＢ，ＧＰＵ：Ｎｖｉｄｉａ社製　ＧｅＦｏｒｃｅＲＴＸ　２０８０Ｔｉ）

　検査対象となる外観検査対象品についても得られた画像（検査画像）と標準画像との差分画像（検査）を得る。具体的には、標準画像に対して検査画像をパターンマッチングにより位置あわせし、検査画像と表寿画像との各ピクセルの輝度の差の演算結果として、その絶対値を一旦保存する。
　保存されているデータ（輝度の絶対値）を、差分画像（検査）として、上記学習済のＡＩ外観検査装置へ入力する。かかる入力を受け入れた学習済のＡＩ外観検査装置は検査画像に関する第１の関係を出力する。この第１の関係は、検査画像に移された外観検査対象品が正常品か異常品の可能性を示すものとする。

　差分画像を用いるこの発明の学習効率を図１Ａに示す。
　他方、図１Ｂは、比較例（コントロール）として、外観検査対象品の画像をそのまま教師データとして用い、同じＡＩ外観検査装置で学習させたときの学習効果を示す。
　図１Ａ及び図１Ｂの結果より、差分画像を採用することにより、損失関数が１桁程度低くなり、学習速度が速く、かつ過学習も少なくなることがわかる。

　図２Ａ及び図２Ｂにそれぞれ本発明と比較例の精度を示す。差分画像を用いる本発明ではＡＵＣが０．９９９２であるのに対し、比較例のＡＵＣは０．９４７であった。
　このように、本発明によれば、効率的な学習が可能になるとともに検査結果に高い精度が得られる。

　上記において、ＡＩ用のプログラムとしてはデータの近さを指標とするメトリックラーニングを採用することが好ましい。その中でも、既述のトリプレットロスを採用することが好ましい。
　メトリックラーニングでは、データ間の近さが学習される。即ち、正常品は近くに集まり、異常品は正常品から離れるように学習がなされることとなる。

　差分画像（教師）は教師画像と標準画像の輝度差からなるものであるが、処理を容易にするため、輝度差の絶対値を用いることができる。
　上記の例では外観検査対象品の画像としてグレースケールを採用したが、同様にカラー画像を用いることもできる。カラー画像の場合は一画素を構成するＲＧＢピクセルのそれぞれにつき教師画像と標準画像との輝度差をとって、差分画像（教師）とすることができる。同様に、検査画像もカラー画像として、その画素を構成するＲＧＢ画素のそれぞれにつき検査画像と標準画像との輝度差をとって差分画像（検査）とする。これにより、着色された工業製品についてのＡＩ外観検査が可能となる。

図１Ａは本発明のＡＩ外観検査方法による学習効果を示す。図１Ｂは同じＡＩ外観検査装置を用いて行った学習効率を示す。図２Ａは本発明のＡＩ外観検査方法による制度を示す。図２Ｂは同じＡＩ外観検査装置を用いて行った精度を示す。図３はこの発明の実施例のＡＩ外観検査装置の機能を示すブロック図である。図４は同じくアノテーション補助部１００の機能を示すブロックである。図５は実施例のＡＩ外観検査装置のハード構成図である。図６は実施例のＡＩ外観検査装置の動作を説明するフローチャートである。図７は外観検査対象品の一例を示す。

　以下、本発明の実施例を説明する。
　図３はこの発明の実施例のＡＩ外観検査装置１の機能を示すブロック図である。ＡＩ外観検査装置１は学習部１０と運用部３０とを備える。図１の例では学習部１０と運用部３０とは共通のＡＩ外観検査部４０及び出力４３を使用しているが、学習部１０で学習させたＡＩ外観検査部と同じＡＩ機能（機械学習ソフト）を備えた他のＡＩ外観検査部を準備し、これに学習結果をコピーさせることができる。同様に、学習部１０と運用部３０にそれぞれ出力部を備えることで、学習部１０と運用部３０とは物理的に独立した装置とすることができる。

　学習部１０は教師画像保存部１１、参照画像保存部１３、差分画像（教師）作成部１５、ＡＩ外観検査部４０及び出力部４３を備える。
　教師画像保存部１１には外観検査対象品の正常品の画像５００００枚、同じく異常品の画像３０００枚、外観検査対象品以外の物の画像を３０００枚が保存されている。
　予め正常／異常が識別されている数百個の外観検査対象品をカメラ５０で撮影して、正常品の教師画像及び異常品の教師画像を得る。さらにこれらをいわゆる水増し処理して、ＡＩ処理に適したそれぞれ５００００枚及び３０００枚とする。

　参照画像保存部１３の参照画像は、教師画像保存部１１から、例えば任意に２０枚の正常品画像を抽出し、それらを平均した画像からなる。
　差分画像（教師）作成部１５では、教師画像保存部１１に保存されているすべての教師画像と参照画像との差分画像（教師）を作成する。この差分画像（教師）には外観検査対象品の正常品画像と参照画像との差分画像（正常品）及び、外観検査対象品の異常品画像と参照画像との差分画像（異常品）が含まれる。そして、差分画像（正常品）及び正常ラベルのセットからなる教師データ（正常品）と、差分画像（異常品）及び異常ラベルのセットからなる教師データ（異常品）とがＡｌ外観検査部４０に入力される。

　ＡＩ外観検査部４０は、入力された教師データ（正常品）と教師データ（異常品）とを処理して機械学習をする。機械学習を行うＡＩプログラムとしてメトリックラーニングを用いることが好ましい。中でも、トリプレットロス法を用いることが好ましい。差分画像（正常品）と差分画像（異常品）との違いを表す距離を顕著に表現できるからである。
　もちろん、他のＡＩプログラムにも適用可能である。

　運用部３０は検査画像保存部３１、参照画像保存部３３、差分画像（検査）作成部３５、ＡＩ外観検査部４０及び出力部４３を備える。
　カメラ６０で撮影された外観検査対象品の画像（検査画像）が検査画像保存部３１に保存される。参照画像保存部３３には、学習部１０の参照画像保存部１３に保存されている参照画像と同一の参照画像が保存されている。
　差分画像（検査）作成部３５において参照画像と検査画像との差分画像（検査）が作成される。
　この差分画像（検査）は学習済のＡＩ外観検査部４０へ入力されてＡＩ処理される。その結果、ＡＩ外観検査部４０の学習結果に従った出力（例えば、正・異常を表す距離や正常品である確率％）が出力部４３に出力される。

　外観検査対象品の異常を検査する場合、アテネーションとして得られた画像において異常のあると思われる部分にマークを付すことがある。
　アテネーションに際し、グレースケールで得られた教師画像と参照画像との差分画像（教師データ）をモニタ１４０（一般的にカラー画面）に表示するため、輝度の絶対値演算部１１１で教師画像と参照画像の各画素の輝度の差の絶対値を演算する。このようにして演算された各画素における輝度の差の絶対値は第１のメモリ１２１に保存される。第１のメモリ１２１は画素に対応したデータ格納領域を備え、各画素（Ｘｎ、Ｙｎ）のデータは第１のメモリ１２１の領域（Ｘｎ，Ｙｎ）に保存されることとなる。この第１のメモリ１２１の領域（Ｘｎ，Ｙｎ）に保存されているデータは、ＲＧＢドライバ１３１によりモニタ１４０の領域（Ｘｎ，Ｙｎ）に存在する全画素（ＲＧＢ）の出力（輝度）を規定する。これにより、モニタ１４０にはグレースケールの差分画像（教師）が表示される。

　差分画像（教師）のアテネーションをする際、上記のようにして得られた教師画像の撮影条件であるグレースケールの差分画像（教師）を用いることが一般である。
　しかしながら、異常部分を顕現化するには、教師画像と参照画像との輝度の差が正の部分や負の部分である領域を特徴つけることが好ましいことがある。そこでこの例では、輝度演算部１１０に、輝度の正値演算部１１３と負値演算部１１５を設けた。輝度の正値演算部１１３は教師画像と参照画像の各画素の輝度の差を演算する。そして、両者の輝度の差が正（ゼロ以上）のものの値を当該画素に対応した第２のメモリ１２３の領域に保存する。このとき、負の値はゼロ値に変換されて、第２のメモリ１２３の対応する領域に書き込まれる。第２のメモリ１２３の領域（Ｘｍ，Ｙｍ）に保存されているデータは、Ｒドライバ１３３によりモニタ１４０の領域（Ｘｍ，Ｙｍ）に存在するＲ画素の出力（輝度）を規定する。これにより、モニタ１４０には差分画像においてＲ（赤色）画像が表示される。このようにして表示された差分画像（教師データ）は教師画像において輝度の大きい部分、例えば欠損部分（背景が明かる場合）を顕現化する。

　輝度の負値演算部１１５は教師画像と参照画像の各画素の輝度の差を演算する。そして、両者の輝度の差が負のものの値（絶対値）を当該画素に対応した第３のメモリ１２５の領域に保存する。このとき、正の値はゼロ値に変換されて、第３のメモリ１２５の対応する領域に書き込まれる。第３のメモリ１２５の領域（Ｘｋ，Ｙｋ）に保存されているデータは、Ｂドライバ１３５によりモニタ１４０の領域（Ｘｋ，Ｙｋ）に存在するＢ画素の出力（輝度）を規定する。これにより、モニタ１４０には差分画像においてＢ（青色）画像が表示される。このようにして表示された差分画像（教師データ）は教師画像において輝度の小さい部分、例えばバリを顕現化する。
　学習モードにおいてオペレータは、選択部１３７を用いてモニタドライバを選択し、異常な部分を任意な方式で顕現化することができる。

　このＡＩ外観検査装置１のハード構成を図５に示す。
　演算部３００はＣＰＵ３０１、ＲＯＭ３０３及びＲＡＭ３０５を備え、システム全体の制御をつかさどる。それとともに、差分画像（教師）作成部１５、差分画像（検査）作成部３５、ＡＩ外観検査部４０、輝度演算部１１０、モニタドライバ１３０として機能する。ＲＯＭ３０３は、演算部３００を制御する制御プログラム等が格納された図示しない不揮発性メモリを含む。ＲＡＭ３０５は、キーボード等の入力装置３３０を介して利用者により予め設定された各種設定値を読み出し可能に格納したり、ＣＰＵ３０１に対してワーキングエリアを提供したりする。演算部３００を制御する制御プログラムはＲＯＭ３０３に限らずＲＡＭ３０５や第１記憶装置３１１及び第２記憶装置３１３に格納されていてもよい。
　ＣＰＵ３０１はＡＩ処理に用いるニュートラルネットワーク処理に適したものが好ましく、ＲＯＭ３０３若しくは第１及び第２記憶装置３１１，３１３はディープラーニング時に用いる大量のデータを保存できる容量を持つものとする。

　第１記憶装置３１１は教師画像保存部１１、参照画像保存部１３，３３及び検査画像保存部３１として機能する。
　第２記憶装置３１３は輝度メモリ１２０として機能する。
　これら第１及び第２の記憶装置３１１，３１３はハードメモリやフラッシュメモリなど、サーバシステムのメモリ装置の一部の領域を利用することが好ましい。
　なお、データを一時的に保存する、いわゆるバッファメモリには、演算部のＲＡＭの一部領域を利用できる。

　出力装置３２０はディスプレイや音声出力装置であり、入力装置３３０は音声入力部や、ディスプレイに重ねて配置されるタッチパネル式のキーボートやマウスなどが該当する。また、入力装置３３０はＡＩ処理のための教師データ（画像）を入力できるものとする。
　カメラ５０、６０には汎用的はＣＣＤカメラを用いることができる。その解像度や焦点深度などのカメラのスペックは任意に設定可能である。
　コンピュータを構成する各装置はシステムバス３４０で連結されている。

　次に、図６のフローチャートを用いてこのＡＩ外観検査装置１の動作について説明する。
　ステップ１では教師画像を取り込む。
　正常／異常が判明している外観検査対象品のサンプルを数百個集め、カメラ５０を用いて撮影する。撮影のモードはグレースケールである。そして、汎用的な水増し処理により正常品の教師画像を５００００枚、異常品の教師画像を３０００枚とする。他方、汎用データベースから、外観検査対象品と異なる画像を３０００枚準備する。
　図７に外観検査対象品の画像の例を示す。

　ステップ２では標準画像を作成する。
　ステップ１において実際に撮影した正常な外観検査対象品の画像を２０枚選択し、そのうちの１枚を基準にして他の画像をパターンマッチングする。パターンマッチングされた画像を構成する各画素の輝度の平均をとって参照画像とする。
　ステップ３では、このようにして得られた参照画像とステップ１で準備された教師画像との差分画像（教師）を作成する。参照画像に教師画像をパターンマッチングさせ、各輝度の差を演算する。画素の輝度差は図４に示したアノテーション補助部１００に送られ、学習モードにおけるアノテーション作業の補助をする。各差分画像（教師）には、教師画像の属性
正常、異常）にもとづき、正常ラベル又は異常ラベルが付される。

　差分画像（教師）うち、正常な教師画像に基づくものである差分画像（正常）と正常ラベルとのセットで教師データ（正常）が構成され、異常な教師画像に基づくものである差分画像（異常）と異常ラベルのセットで教師データ（異常）が構成される。
　ステップ５では、すべての教師画像について教師データ（正常常）、教師データ（異常）が準備されたら、これをＡＩ外観検査部４０へ入力する。ここに、ＡＩ外観検査部４０へ入力される差分画像（正常、異常）を構成する各画素における輝度は、参照画像と教師画像の輝度の差の絶対値である。
　演算された差分画像をそのラベルとともに、逐次ＡＩ外観検査部４０へ入力することもできる。

　ステップ７では、差分画像（教師）が入力されたＡＩ外観検査部４０は、ＡＩソフト：テクムズ社　ＤＥＥＰＳ　ＡＩ　Ｉｎｓｐｅｃｔｉｏｎを実行し、機械学習を行う。なお、このＡＩソフトはトリプレットロスの技法を利用するものである。
　ステップ９では、外観検査対象品をカメラ６０で撮影して、検査画像を取り込む。
　ステップ１１では、このようにして取り込まれた検査画像とステップ２で準備した参照画像との差分画像（検査）を作成する。参照画像に対して検査画像をパターンマッチングして、差分画像（検査）を構成する画素における参照画像と検査画像との輝度の差の絶対値が当該差分画像（検査）となる。

　ステップ１３では、ステップ１１で準備された差分画像（検査）を学習すみのＡＩ外観検査部４０へ入力し、ＡＩ処理を実行させる。その結果は距離として出力され、出力された距離に応じて正常品の確率（％）が求められる。
　このようにして、外観検査対象につき異常の有無を検査する。学習すみのＡＩ外観検査部４０を用いれば、工場のラインを流れるサンプルをカメラ６０で撮影することにより、ほぼリアルタイムで異常の有無を検査可能となる。

　この発明は、上記発明の実施形態の説明に何ら限定されるものではない。特許請求の範囲の記載を逸脱せず、当業者が容易に想到できる範囲で種々の変形態様もこの発明に含まれる。

１　ＡＩ外観検査装置
１０　学習部
３０　運用部
１００　アノテーション補助部

Claims

　外観検査対象品の正常品を代表するものとして予め準備した参照画像と外観検査対象品の教師画像との差分画像（教師）を作成する学習用の前処理ステップと、前記差分画像（教師）には外観検査対象品の正常品画像と前記参照画像との差分画像（正常品）及び、外観検査対象品の異常品画像と前記参照画像との差分画像（異常品）が含まれる、
　前記差分画像（正常品）及び正常ラベルのセットからなる教師データ（正常品）と、前記差分画像（異常品）及び異常ラベルのセットからなる教師データ（異常品）と、をＡｌ外観検査部に入力する学習用の入力ステップと、
　入力された前記教師データ（正常品）と前記教師データ（異常品）とを前記ＡＩ外観処理部に処理させて、前記差分画像（正常品）と前記差分画像（異常品）との間の関係を学習させる学習用のＡＩ処理ステップと、
　外観検査対象品について実際に撮影した検査画像と前記参照画像との差分画像（検査）を作成する、検査用の前処理ステップと、
　前記学習すみのＡｌ外観検査装置に前記差分画像（検査）を入力する検査用の入力ステップと、
　入力された前記差分画像（検査）を前記学習すみのＡＩ外観処理部に処理させて、入力された前記差分画像（検査）についての第１の関係を特定する検査用のＡＩ処理ステップと、
　を備えるＡＩ外観検査方法。
　前記差分画像（教師）は前記参照画像と前記外観検査対象品の教師画像とをパターンマッチングさせた後、両者の輝度の差を演算して得られ、
　前記差分画像（検査）は前記参照画像と前記外観検査対象品の実際の撮影画像とをパターンマッチングさせた後、両者の輝度の差を演算して得られる、請求項１に記載のＡＩ外観検査方法。
　前記参照画像は複数の正常品の平均画像である、請求項１又は２に記載のＡＩ外観検査方法。
　前記ＡＩ外観処理部はＡＩ用プログラムとしてメトリックラーニングを用いる、請求項1～３のいずれかに記載のＡＩ外観検査方法。
　前記ＡＩ用プログラムとしてトリプレットロスを用いる、請求項４に記載のＡＩ外観検査方法。
　前記学習用の前処理ステップは、前記教師画像と前記参照画像においてそれぞれ対応するピクセルの輝度の差を演算する学習用の輝度差演算ステップと、前記輝度の差の絶対値を演算する学習用の絶対値演算ステップと、前記輝度の差の絶対値を、前記差分画像（教師）を構成するピクセルに対応する第１のメモリ（教師）に保存する第１の保存ステップを備え、
　前記学習用の入力ステップでは、該第１のメモリ（教師）に保存された前記輝度の差の絶対値を前記差分画像（教師）として、前記正常ラベル又は異常ラベルとともに、前記ＡＩ外観処理部へ入力し、
　前記検査用の前処理ステップは、前記検査画像と前記参照画像においてそれぞれ対応するピクセルの輝度の差を演算する検査用の輝度差演算ステップと、前記輝度の差の絶対値を演算する検査用の絶対値演算ステップと、を備え、
　前記検査用の入力ステップでは、前記輝度の差の絶対値を前記差分画像（検査）として前記学習すみのＡｌ外観検査装置に入力する、請求項２に記載のＡＩ外観検査方法。
　前記学習用の前処理ステップにおいて、前記輝度の差がゼロ以上のとき、前記輝度の差を、前記差分画像（教師）を構成するピクセルに対応する第２のメモリ（教師）に保存し、及び／又は
　前記輝度の差が負のとき、前記輝度の差を、前記差分画像（教師）を構成するピクセルに対応する第３のメモリ（教師）に保存する、請求項６に記載のＡＩ外観検査方法。
　ＲＧＢピクセルを有するモニタにおいて前記第２のメモリ（教師）に保存されている前記輝度の差を前記モニタの前記ＲＧＢピクセルのいずれか１つのピクセルの出力に反映させ、前記第３のメモリ（教師）に保存されている前記輝度の差を前記ＲＧＢピクセルの他の１つの出力に反映させ、前記第１のメモリ（教師）に保存されている輝度の差を前記モニタの前記ＲＧＢの出力に反映させる、請求項７に記載のＡＩ外観検査方法。
　外観検査対象品の正常品を代表するものとして予め準備した参照画像と外観検査対象品の教師画像との差分画像（教師）を作成する学習用の前処理ステップと、前記差分画像（教師）には外観検査対象品の正常品画像と前記参照画像との差分画像（正常品）及び、外観検査対象品の異常品画像と前記参照画像との差分画像（異常品）が含まれる、
　前記差分画像（正常品）及び正常ラベルのセットからなる教師データ（正常品）と、前記差分画像（異常品）及び異常ラベルのセットからなる教師データ（異常品）と、をＡｌ外観検査部に入力する学習用の入力ステップと、
　を備えるＡＩ外観検査用の学習方法。
　外観検査対象品について実際に撮影した検査画像と参照画像との差分画像（検査）を作成する検査用の前処理ステップと、ここに前記参照画像は外観検査対象品の正常品を代表するものとして予め準備されたものである、
　学習すみのＡｌ外観検査装置に前記差分画像（検査データ）を入力する検査用の入力ステップと、
　入力された差分画像（検査データ）をＡＩ外観処理部に処理させて、入力された差分画像（検査データ）についての第１の関係を特定する検査用ＡＩ処理ステップと、を備えるＡＩ外観検査方法であって、
　ここに、前記ＡＩ外観検査装置は次のステップを実行して学習が行われる、
　　前記参照画像と外観検査対象品の教師画像との差分画像（教師）を作成する学習用の前処理ステップと、前記差分画像（教師）には外観検査対象品の正常品画像と前記参照画像との差分画像（正常品）及び、外観検査対象品の異常品画像と前記参照画像との差分画像（異常品）が含まれる、
　　前記差分画像（正常品）及び正常ラベルのセットからなる教師データ（正常品）と、前記差分画像（異常品）及び異常ラベルのセットからなる教師データ（異常品）と、をＡｌ外観検査部に入力する学習用の入力ステップと、
　　入力された前記教師データ（正常品）と前記教師データ（異常品）とを前記ＡＩ外観処理部に処理させて、前記差分画像（正常品）と前記差分画像（異常品）との間の関係を学習させる学習用のＡＩ処理ステップ。
　外観検査対象品の正常品を代表するものとして予め準備した参照画像を保存する参照画像保存部と、
　前記参照画像と外観検査対象品の教師画像との差分画像（教師）を作成する学習用の差分画像（教師）作成部と、前記差分画像（教師）には外観検査対象品の正常品画像と前記参照画像との差分画像（正常品）及び、外観検査対象品の異常品画像と前記参照画像との差分画像（異常品）が含まれる、
　前記差分画像（正常品）及び正常ラベルのセットからなる教師データ（正常品）と、前記差分画像（異常品）及び異常ラベルのセットからなる教師データ（異常品）との入力を受け入れ、入力された前記教師データ（正常品）と前記教師データ（異常品）とををＡＩ処理して、前記差分画像（正常品）と前記差分画像（異常品）との間の関係を学習するＡＩ外観処理部と、及び
　外観検査対象品について実際に撮影した検査画像と前記参照画像との差分画像（検査）を作成する差分画像（検査）作成部と、を備え、
　学習済の前記ＡＩ外観処理部に前記差分画像（検査）を処理させて、入力された前記差分画像（検査）についての第１の関係を特定する、ＡＩ外観検査装置。
　前記差分画像（教師）作成部は、前記参照画像と前記外観検査対象品の教師画像とをパターンマッチングさせた後、両者の輝度の差を演算する、
　前記差分画像（検査）作成部は、前記参照画像と前記外観検査対象品の実際の撮影画像とをパターンマッチングさせた後、両者の輝度の差を演算する、
　請求項１１に記載のＡＩ外観検査装置。
　前記参照画像は複数の正常品の平均画像である、請求項１１又は１２に記載のＡＩ外観検査装置
　前記学習用の差分画像（教師）作成部は、前記教師画像と前記参照画像においてそれぞれ対応するピクセルの輝度の差を演算する輝度差演算部と、前記輝度の差の絶対値を演算する絶対値演算部と、前記輝度の差の絶対値を、前記各差分画像（教師）を構成するピクセルに対応して保存する第１のメモリ（教師）を備え、
　前記ＡＩ外観処理部に入力される前記差分画像（教師）として、該第１のメモリ（教師）に保存された前記輝度の差の絶対値が用いられる、請求項１２に記載のＡＩ外観検査装置。
　前記学習用の差分画像（教師）作成部は、前記輝度の差がゼロ以上のとき、前記輝度の差を、前記差分画像（教師）を構成するピクセルに対応して保存する第２のメモリ（教師）、及び／又は
　前記輝度の差が負のとき、前記輝度の差を、前記差分画像（教師）を構成するピクセルに対応して保存する第３のアドレス（教師）を更に備える、請求項１４に記載のＡＩ外観検査装置。
　ＲＧＢピクセルを備えるモニタが更に備えられ、該モニタは前記第２のメモリ（教師）に保存されている前記輝度の差を前記モニタの前記ＲＧＢピクセルのいずれか１つのピクセルの出力に反映させ、前記第３のメモリ（教師）に保存されている前記輝度の差を前記ＲＧＢピクセルの他の１つの出力に反映させ、前記第１のメモリ（教師）に保存されている輝度の差を前記モニタの前記ＲＧＢの出力に反映させる、請求項１５に記載のＡＩ外観検査装置。
　外観検査対象品の正常品を代表するものとして予め準備した参照画像を保存する参照画像保存部と、
　前記参照画像と外観検査対象品の教師画像との差分画像（教師）を作成する学習用の差分画像（教師）作成部と、前記差分画像（教師）には外観検査対象品の正常品画像と前記参照画像との差分画像（正常品）及び、外観検査対象品の異常品画像と前記参照画像との差分画像（異常品）が含まれる、
　前記差分画像（正常品）及び正常ラベルのセットからなる教師データ（正常品）と、前記差分画像（異常品）及び異常ラベルのセットからなる教師データ（異常品）との入力を受け入れ、入力された前記教師データ（正常品）と前記教師データ（異常品）とをＡＩ処理して、前記差分画像（正常品）と前記差分画像（異常品）との間の関係を学習するＡＩ外観処理部と、を備えてなるＡＩ外観検査用の学習装置。
　外観検査対象品について実際に撮影した検査画像と参照画像との差分画像（検査）を作成する検査用の差分画像（検査）作成部と、ここに前記参照画像は外観検査対象品の正常品を代表するものとして予め準備されたものである、
　前記差分画像（検査）を処理させて、入力された前記差分画像（検査）についての第１の関係を特定する学習済のＡＩ外観処理部と、を備えてなるＡＩ外観検査装置であって、
　ここに学習すみの前記ＡＩ外観検査装置は次のステップを実行して学習が行われたものである、
　　前記参照画像と外観検査対象品の教師画像との差分画像（教師）を作成する学習用の前処理ステップと、前記差分画像（教師）には外観検査対象品の正常品画像と前記参照画像との差分画像（正常品）及び、外観検査対象品の異常品画像と前記参照画像との差分画像（異常品）が含まれる、
　　前記差分画像（正常品）及び正常ラベルのセットからなる教師データ（正常品）と、前記差分画像（異常品）及び異常ラベルのセットからなる教師データ（異常品）と、をＡｌ外観検査部に入力する学習用の入力ステップと、
　　入力された前記教師データ（正常品）と前記教師データ（異常品）とを前記ＡＩ外観処理部に処理させて、前記差分画像（正常品）と前記差分画像（異常品）との間の関係を学習させる学習用のＡＩ処理ステップ、
ＡＩ外観検査装置。
　請求項１４に記載のＡＩ外観検査装置に用いられるコンピュータ用のプログラムであって、
　前記輝度差演算部に、前記教師画像と前記参照画像においてそれぞれ対応するピクセルの輝度の差を演算させ、
　前記絶対値演算部に前記輝度の差の絶対値を演算させ、
　前記第１のメモリ（教師）に、前記輝度の差の絶対値を、前記各差分画像（教師）を構成するピクセルに対応して保存させ、
　前記ＡＩ外観処理部に、前記差分画像（教師）として、該第１のメモリ（教師）に保存された前記輝度の差の絶対値を処理させる、プログラム。
　請求項１９に記載のプログラムであって、前記ＡＩ外観検査装置には第２のメモリ（教師）及び／又は第３のメモリ（教師）が更に備えられ、
　前記輝度の差がゼロ以上のとき、前記第２のメモリ（教師）に、前記輝度の差を、前記差分画像（教師）を構成するピクセルに対応して保存させ、
　前記輝度の差が負のとき、第３のアドレス（教師）に、前記輝度の差を、前記差分画像（教師データ）を構成するピクセルに対応して保存させる、プログラム。
　請求項１９に記載のプログラムであって、前記ＡＩ外観検査装置にはＲＧＢピクセルを備えるモニタが更に備えられ、前記第２のメモリ（教師）に保存されている前記輝度の差を前記モニタの前記ＲＧＢピクセルのいずれか１つのピクセルの出力に反映させ、前記第３のメモリ（教師）に保存されている前記輝度の差を前記ＲＧＢピクセルの他の１つの出力に反映させ、前記第１のメモリ（教師）に保存されている輝度の差を前記モニタの前記ＲＧＢの出力に反映させる、プログラム。