知財求人 - 知財ポータルサイト「IP Force」
(19)【発行国】日本国特許庁(JP)
(12)【公報種別】公開特許公報(A)
(11)【公開番号】P2023124841
(43)【公開日】2023-09-06
(54)【発明の名称】検査装置、検査方法、及び検査プログラム
(51)【国際特許分類】
G01N 21/952 20060101AFI20230830BHJP
G01N 21/88 20060101ALI20230830BHJP
【ＦＩ】
G01N21/952
G01N21/88 J
【審査請求】未請求
【請求項の数】13
【出願形態】ＯＬ
(21)【出願番号】P 2023026728
(22)【出願日】2023-02-22
(31)【優先権主張番号】P 2022028509
(32)【優先日】2022-02-25
(33)【優先権主張国・地域又は機関】JP
(71)【出願人】
【識別番号】000005186
【氏名又は名称】株式会社フジクラ
(74)【代理人】
【識別番号】110000338
【氏名又は名称】弁理士法人 ＨＡＲＡＫＥＮＺＯ ＷＯＲＬＤ ＰＡＴＥＮＴ ＆ ＴＲＡＤＥＭＡＲＫ
(72)【発明者】
【氏名】渡部 和宏
(72)【発明者】
【氏名】黒澤 公紀
(72)【発明者】
【氏名】鈴木 晨悟
【テーマコード（参考）】
2G051
【Ｆターム（参考）】
2G051AA44
2G051AB07
2G051AB11
2G051CA04
2G051EA12
2G051EA14
2G051EB01
(57)【要約】
【課題】マークが正常であるにも関わらず、マークに異常があると誤判定される可能性を低減した検査技術を実現する。
【解決手段】プロセッサ（１２）は、画像集合（Ｉ）に属する各画像に対して、その画像に被写体として含まれるマークのクラス判定を行う個別判定処理（Ｓ１２）と、画像集合（Ｉ）の部分集合のうち、撮像領域が近接する予め定められた枚数以上の画像からなる部分集合を特定する集合特定処理（Ｓ１３）と、集合特定処理（Ｓ１３）により特定された各部分集合に対して、その部分集合に属する各画像に被写体として含まれるマークのクラス判定を、その部分集合に属する各画像に対する個別判定処理（Ｓ１２）の結果を参照して行う集合判定処理（Ｓ１４）と、を実行する。
【選択図】図１
【解決手段】プロセッサ（１２）は、画像集合（Ｉ）に属する各画像に対して、その画像に被写体として含まれるマークのクラス判定を行う個別判定処理（Ｓ１２）と、画像集合（Ｉ）の部分集合のうち、撮像領域が近接する予め定められた枚数以上の画像からなる部分集合を特定する集合特定処理（Ｓ１３）と、集合特定処理（Ｓ１３）により特定された各部分集合に対して、その部分集合に属する各画像に被写体として含まれるマークのクラス判定を、その部分集合に属する各画像に対する個別判定処理（Ｓ１２）の結果を参照して行う集合判定処理（Ｓ１４）と、を実行する。
【選択図】図１
【特許請求の範囲】
【請求項1】
撮像対象領域を長手方向に移動しながら線状体を順次撮像することにより得られた複数の画像の集合である画像集合に基づいて、該線状体に形成されたマークの状態を検査する検査装置であって、
少なくとも一つのプロセッサを備え、
前記プロセッサは、
前記画像集合に属する各画像に対して、該画像に被写体として含まれるマークのクラス判定を行う個別判定処理と、
前記画像集合の部分集合のうち、撮像領域が近接する予め定められた枚数以上の画像からなる部分集合を特定する集合特定処理と、
前記集合特定処理により特定された各部分集合に対して、該部分集合に属する各画像に被写体として含まれるマークのクラス判定を、該部分集合に属する各画像に対する前記個別判定処理の結果を参照して行う集合判定処理と、を実行する、
ことを特徴とする検査装置。
少なくとも一つのプロセッサを備え、
前記プロセッサは、
前記画像集合に属する各画像に対して、該画像に被写体として含まれるマークのクラス判定を行う個別判定処理と、
前記画像集合の部分集合のうち、撮像領域が近接する予め定められた枚数以上の画像からなる部分集合を特定する集合特定処理と、
前記集合特定処理により特定された各部分集合に対して、該部分集合に属する各画像に被写体として含まれるマークのクラス判定を、該部分集合に属する各画像に対する前記個別判定処理の結果を参照して行う集合判定処理と、を実行する、
ことを特徴とする検査装置。
【請求項2】
前記個別判定処理の結果は、良クラス又は不良クラスの何れかであり、
前記プロセッサは、前記部分集合に属する各画像に対する前記個別判定処理の結果において、良クラスの個数が不良クラスの個数よりも多い場合に、良クラスを前記集合判定処理の結果とし、そうでない場合に、不良クラスを前記集合判定処理の結果とする、
ことを特徴とする請求項１に記載の検査装置。
前記プロセッサは、前記部分集合に属する各画像に対する前記個別判定処理の結果において、良クラスの個数が不良クラスの個数よりも多い場合に、良クラスを前記集合判定処理の結果とし、そうでない場合に、不良クラスを前記集合判定処理の結果とする、
ことを特徴とする請求項１に記載の検査装置。
【請求項3】
前記個別判定処理の結果は、良クラス又は不良クラスの何れかであり、
前記プロセッサは、前記部分集合に属する各画像に対する前記個別判定処理の結果において、良クラスの割合が予め定められた閾値を超える場合に、良クラスを前記集合判定処理の結果とし、そうでな場合に、不良クラスを前記集合判定処理の結果とする、
ことを特徴とする請求項１に記載の検査装置。
前記プロセッサは、前記部分集合に属する各画像に対する前記個別判定処理の結果において、良クラスの割合が予め定められた閾値を超える場合に、良クラスを前記集合判定処理の結果とし、そうでな場合に、不良クラスを前記集合判定処理の結果とする、
ことを特徴とする請求項１に記載の検査装置。
【請求項4】
前記プロセッサは、機械学習により生成されたモデルであって、前記部分集合に属する各画像に対する前記個別判定処理の最終結果であるクラスの列を入力とし、前記部分集合に対する前記集合判定処理の結果を出力するモデルを用いて、前記集合判定処理を実行する、
ことを特徴とする請求項１に記載の検査装置。
ことを特徴とする請求項１に記載の検査装置。
【請求項5】
前記プロセッサは、機械学習により生成されたモデルであって、前記部分集合に属する各画像に対する前記個別判定処理の中間結果である特徴量の列を入力とし、前記部分集合に対する前記集合判定処理の結果を出力するモデルを用いて、前記集合判定処理を実行する、
ことを特徴とする請求項１に記載の検査装置。
ことを特徴とする請求項１に記載の検査装置。
【請求項6】
前記プロセッサは、前記画像集合に属する各画像に付与されたメタデータを参照することによって、前記集合特定処理を実行する、
ことを特徴とする請求項１に記載の検査装置。
ことを特徴とする請求項１に記載の検査装置。
【請求項7】
前記メタデータは、該メタデータが付与された画像が撮像された日時を示す情報、又は、同一の線状体を撮像することにより得られた複数の画像の中で、該メタデータが付与された画像が何番目に撮像された画像であるかを示す情報である、
ことを特徴とする請求項６に記載の検査装置。
ことを特徴とする請求項６に記載の検査装置。
【請求項8】
前記プロセッサは、機械学習によって生成されたモデルを用いて前記個別判定処理を実行する、
ことを特徴とする請求項１～７の何れか一項に記載の検査装置。
ことを特徴とする請求項１～７の何れか一項に記載の検査装置。
【請求項9】
前記プロセッサは、前記線状体の種別を判定する種別判定処理を更に実行し、前記種別判定処理にて判定された種別に対応するモデルを用いて、前記個別判定処理を実行する、
ことを特徴とする請求項８に記載の検査装置。
ことを特徴とする請求項８に記載の検査装置。
【請求項10】
前記個別判定処理において、前記プロセッサは、前記画像集合に属する各画像に対して、（１）該画像において各マークを含む領域を特定する領域特定処理と、（２）前記領域特定処理にて特定された、各マークを含む領域を参照して該マークの良否を判定する良否判定処理と、（３）前記良否判定処理にて判定された、各マークの良否を参照して該画像に被写体として含まれるマークのクラス判定を行うクラス判定処理と、を実行する、
ことを特徴とする請求項１～７の何れか一項に記載の検査装置。
ことを特徴とする請求項１～７の何れか一項に記載の検査装置。
【請求項11】
前記プロセッサは、機械学習によって生成された単一のモデルを用いて前記良否判定処理を実行する、
ことを特徴とする請求項９に記載の検査装置。
ことを特徴とする請求項９に記載の検査装置。
【請求項12】
撮像対象領域を長手方向に移動しながら線状体を順次撮像することにより得られた複数の画像の集合である画像集合に基づいて、該線状体に形成されたマークの状態を検査する検査方法であって、
少なくとも一つのプロセッサが、前記画像集合に属する各画像に対して、該画像に被写体として含まれるマークのクラス判定を行う個別判定処理と、
前記プロセッサが、前記画像集合の部分集合のうち、撮像領域が近接する予め定められた枚数以上の画像からなる部分集合を特定する集合特定処理と、
前記プロセッサが、前記集合特定処理により特定された各部分集合に対して、該部分集合の属する各画像に被写体として含まれるマークのクラス判定を、該部分集合に属する各画像に対する前記個別判定処理の結果を参照して行う集合判定処理と、を含んでいる、
ことを特徴とする検査方法。
少なくとも一つのプロセッサが、前記画像集合に属する各画像に対して、該画像に被写体として含まれるマークのクラス判定を行う個別判定処理と、
前記プロセッサが、前記画像集合の部分集合のうち、撮像領域が近接する予め定められた枚数以上の画像からなる部分集合を特定する集合特定処理と、
前記プロセッサが、前記集合特定処理により特定された各部分集合に対して、該部分集合の属する各画像に被写体として含まれるマークのクラス判定を、該部分集合に属する各画像に対する前記個別判定処理の結果を参照して行う集合判定処理と、を含んでいる、
ことを特徴とする検査方法。
【請求項13】
前記プロセッサを備えたコンピュータを請求項１～７の何れか一項に記載の検査装置として動作させるための検査プログラムであって、前記プロセッサに前記各処理を実行させ検査プログラム。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、線状体に形成されたマークの状態を検査する検査装置、検査方法、及び検査プログラムに関する。
【背景技術】
【0002】
ケーブルなどの線状体では、その使い勝手を良くするために、その表面に各種マークを印刷することがある。このようなマークは、インクの欠乏などによって、かすれたり、印刷できなかったりすることがある。このため、線状体の製造メーカでは、線状体に印刷されたマークの状態を、出荷前に検査する必要がある。このような検査方法を開示した文献としては、例えば、特許文献１が挙げられる。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開平０４－３１２１８１号
【発明の概要】
【発明が解決しようとする課題】
【0004】
多様なマークの状態を精度良く判定するには、機械学習により生成されたモデルを用いた画像検査を行うことが好ましい。しかしながら、機械学習により生成されたモデルを用いても、以下のような問題が生じ得る。すなわち、製造ラインを流れている線状体を順次撮像すると、線状体の振動や捻転などによって、一時的にマークがカメラと正対しなくなることがある。この場合、マークが正常であるにも関わらず、マークに異常があると誤判定されることになる。このような誤判定は、例えば、歩留まりを悪化させる要因になる。マークの状態をルールベースのアルゴリズムによって判定するとしても、このような問題は生じ得る。
【0005】
本発明の一態様は、上記の問題に鑑みてなされたものであり、その目的は、マークが正常であるにも関わらず、マークに異常があると誤判定される可能性を低減した検査技術を実現することにある。
【課題を解決するための手段】
【0006】
本発明の態様１に係る検査装置は、撮像対象領域を長手方向に移動しながら線状体を順次撮像することにより得られた複数の画像の集合である画像集合に基づいて、該線状体に形成されたマークの状態を検査する検査装置であって、少なくとも一つのプロセッサを備え、前記プロセッサは、前記画像集合に属する各画像に対して、該画像に被写体として含まれるマークのクラス判定を行う個別判定処理と、前記画像集合の部分集合のうち、撮像領域が近接する予め定められた枚数以上の画像からなる部分集合を特定する集合特定処理と、前記集合特定処理により特定された各部分集合に対して、該部分集合に属する各画像に被写体として含まれるマークのクラス判定を、該部分集合に属する各画像に対する前記個別判定処理の結果を参照して行う集合判定処理と、を実行する。
【0007】
上記の構成によれば、線状体の捻転や振動などにより個別判定処理の結果に不良クラス（マークの状態が異常であることを示す）が含まれても、不良クラスの含まれ方が偶発的なものであれば、集合判定処理の結果を良クラス（マークが正常であることを示す）とすることができる。これにより、マークが正常であるにも関わらず、マークに異常があると誤判定される可能性を低減することができる。
【0008】
本発明の態様２に係る検査装置においては、態様１の構成に加えて、前記個別判定処理の結果は、良クラス又は不良クラスの何れかであり、前記プロセッサは、前記部分集合に属する各画像に対する前記個別判定処理の結果において、良クラスの個数が不良クラスの個数よりも多い場合に、良クラスを前記集合判定処理の結果とし、そうでない場合に、不良クラスを前記集合判定処理の結果とする、という構成が採用されている。
【0009】
上記の構成によれば、個別判定処理の結果に不良クラス（マークの状態が異常であることを示す）が含まれても、不良クラスの含まれ方が偶発的なものであれば、集合判定処理の結果を良クラスとすることができる。しかも、上記の構成によれば、高速に動作する簡単なプログラム（プログラミングにより生成されたアルゴリズム）によって、集合判定処理を実現することができる。
【0010】
本発明の態様３に係る検査装置においては、態様１の構成に加えて、前記個別判定処理の結果は、良クラス又は不良クラスの何れかであり、前記プロセッサは、前記部分集合に属する各画像に対する前記個別判定処理の結果において、良クラスの割合が予め定められた閾値を超える場合に、良クラスを前記集合判定処理の結果とし、そうでな場合に、不良クラスを前記集合判定処理の結果とする、という構成が採用されている。
【0011】
上記の構成によれば、個別判定処理の結果に不良クラス（マークの状態が異常であることを示す）が含まれても、不良クラスの含まれ方が偶発的なものであれば、集合判定処理の結果を良クラスとすることができる。しかも、上記の構成によれば、高速に動作する簡単なプログラム（プログラミングにより生成されたアルゴリズム）によって、集合判定処理を実現することができる。
【0012】
本発明の態様４に係る検査装置においては、態様１の構成に加えて、前記プロセッサは、機械学習により生成されたモデルであって、前記部分集合に属する各画像に対する前記個別判定処理の最終結果であるクラスの列を入力とし、前記部分集合に対する前記集合判定処理の結果を出力するモデルを用いて、前記集合判定処理を実行する、という構成が採用されている。
【0013】
上記の構成によれば、個別判定処理の結果に不良クラス（マークの状態が異常であることを示す）が含まれても、不良クラスの含まれ方が偶発的なものであれば、集合判定処理の結果を良クラスとすることができる。しかも、上記の構成によれば、機械学習により生成された、柔軟で判定精度の高いモデルを用いて、集合判定処理を実現することができる。
【0014】
本発明の態様５に係る検査装置においては、態様１の構成に加えて、前記プロセッサは、機械学習により生成されたモデルであって、前記部分集合に属する各画像に対する前記個別判定処理の中間結果である特徴量の列を入力とし、前記部分集合に対する前記集合判定処理の結果を出力するモデルを用いて、前記集合判定処理を実行する、という構成が採用されている。
【0015】
上記の構成によれば、個別判定処理の結果に不良クラス（マークの状態が異常であることを示す）が含まれても、不良クラスの含まれ方が偶発的なものであれば、集合判定処理の結果を良クラスとすることができる。しかも、上記の構成によれば、機械学習により生成された、柔軟で判定精度の高いモデルを用いて、集合判定処理を実現することができる。
【0016】
本発明の態様６に係る検査装置においては、態様１～５の何れかの構成に加えて、前記プロセッサは、前記画像集合に属する各画像に付与されたメタデータを参照することによって、前記集合特定処理を実行する、という構成が採用されている。
【0017】
上記の構成によれば、集合特定処理を容易に実現することができる。
【0018】
本発明の態様７に係る検査装置においては、態様６の構成に加えて、前記メタデータは、該メタデータが付与された画像が撮像された日時を示す情報、又は、同一の線状体を撮像することにより得られた複数の画像の中で、該メタデータが付与された画像が何番目に撮像された画像であるかを示す情報である、という構成が採用されている。
【0019】
上記の構成によれば、撮像領域が近接する画像を、撮像された日時が近い画像として、或いは、撮像された順番が近い画像として、容易に特定することができる。
【0020】
本発明の態様８に係る検査装置においては、態様１～７の何れかの構成に加えて、前記プロセッサは、機械学習によって生成されたモデルを用いて前記個別判定処理を実行する、という構成が採用されている。
【0021】
上記の構成によれば、人が行う場合に匹敵する精度で個別判定処理を行うことができる。
【0022】
本発明の態様９に係る検査装置においては、態様８の構成に加えて、前記プロセッサは、前記線状体の種別を判定する種別判定処理を更に実行し、前記種別判定処理にて判定された種別に対応するモデルを用いて、前記個別判定処理を実行する、という構成が採用されている。
【0023】
上記の構成によれば、個別判定処理を精度良く実行することができる。また、上記の構成によれば、新たな種別の線状体が検査対象に追加されたときに、システムの拡張が容易である。
【0024】
本発明の態様１０に係る検査装置においては、態様１～７の何れかの構成に加えて、前記個別判定処理において、前記プロセッサは、前記画像集合に属する各画像に対して、（１）該画像において各マークを含む領域を特定する領域特定処理と、（２）前記領域特定処理にて特定された、各マークを含む領域の位置を参照して該マークの良否を判定する良否判定処理と、（３）前記良否判定処理にて判定された、各マークの良否を参照して該画像に被写体として含まれるマークのクラス判定を行うクラス判定処理と、を実行する、という構成が採用されている。
【0025】
上記の構成によれば、個別判定処理を精度良く実行することができる。また、上記の構成によれば、検査対象物におけるマークの配置が検査対象物の種別によって大きく異なる場合であっても、異なる検査対象物に対する個別判定処理を共通のモデル又はアルゴリズムを用いて実施することができる。
【0026】
本発明の態様１１に係る検査装置においては、態様９の構成に加えて、前記プロセッサは、機械学習によって生成された単一のモデルを用いて前記良否判定処理を実行する、という構成が採用されている。
【0027】
上記の構成によれば、人が行う場合に匹敵する精度で個別判定処理を行うことができる。
【0028】
本発明の態様１２に係る検査方法は、撮像対象領域を長手方向に移動しながら線状体を順次撮像することにより得られた複数の画像の集合である画像集合に基づいて、該線状体に形成されたマークの状態を検査する検査方法であって、少なくとも一つのプロセッサが、前記画像集合に属する各画像に対して、該画像に被写体として含まれるマークのクラス判定を、機械学習によって生成されたモデルを用いて行う個別判定処理と、前記プロセッサが、前記画像集合の部分集合のうち、撮像領域が近接する予め定められた枚数以上の画像からなる部分集合を特定する集合特定処理と、前記プロセッサが、前記特定処理により特定された各部分集合に対して、該部分集合の属する各画像に被写体として含まれるマークのクラス判定を、該部分集合に属する各画像に対する前記個別判定処理の結果を参照して行う集合判定処理と、を含んでいる。
【0029】
上記の構成によれば、マークが正常であるにも関わらず、マークに異常があると誤判定される可能性を低減することができる。
【0030】
本発明の態様１３に係る検査プログラムは、前記プロセッサを備えたコンピュータを態様１～１１の何れかの検査装置として動作させるための検査プログラムであって、前記プロセッサに前記各処理を実行させ検査プログラムである。
【0031】
上記の構成によれば、マークが正常であるにも関わらず、マークに異常があると誤判定される可能性を低減することができる。
【発明の効果】
【0032】
本発明の一態様によれば、マークが正常であるにも関わらず、マークに異常があると誤判定される可能性を低減することができる。
【図面の簡単な説明】
【0033】
【図1】本発明の一実施形態に係る検査装置の構成を示すブロック図である。
【発明を実施するための形態】
【0034】
（検査装置の構成）
本発明の一実施形態に係る検査装置１の構成について、図１を参照して説明する。検査装置１は、線状体に形成されたマークの状態を検査するための装置である。
本発明の一実施形態に係る検査装置１の構成について、図１を参照して説明する。検査装置１は、線状体に形成されたマークの状態を検査するための装置である。
【0035】
検査対象となる線状体としては、例えば、光信号を伝送する光ファイバ、電気信号を伝送する銅線、又は、これらを束ねて被覆で覆ったケーブルなどが挙げられる。検査対象がケーブルである場合、マークは、心線の表面に形成されていてもよいし、被覆の表面に形成されていてもよい。本実施形態においては、検査対象として、心線の表面にマークが形成された、１心ケーブル、２心ケーブル、及び３心ケーブルを想定する。なお、マークの形成方法は、特に限定されず、印刷であってもよいし、刻印であってもよいし、シール貼付であってもよい。
【0036】
また、検査装置１による検査は、検査対象となる線状体を、撮像対象領域を長手方向に移動しながら順次撮像することにより得られた複数の画像からなる画像集合Ｉに基づいて行われる。本実施形態において、画像集合Ｉは、スクリーニング検査により不良が疑われたマークを被写体として含む複数の画像により構成されている。なお、撮像に用いるカメラは、特に限定されず、ＣＣＤ（Charge Coupled Device）カメラであってもよいし、ＣＯＭＳ（Complementary Metal Oxide Semiconductor）カメラであってもよいし、ラインカメラであってもよい。
【0037】
検査装置１は、図１に示すように、メモリ１１と、プロセッサ１２と、ストレージ１３と、を備えている。メモリ１１、プロセッサ１２、及びストレージ１３は、不図示のバスを介して互いに接続されている。このバスには、更に、不図示の入出力インタフェースが接続されていてもよい。この入出力インタフェースは、例えば、外部装置（例えば、カメラ）から検査装置１に画像を入力するため、或いは、検査装置１から外部装置（例えば、ディスプレイなど）に検査結果を出力するために利用される。
【0038】
メモリ１１は、後述する検査方法Ｓ１を実施するための検査プログラムＰ１と、後述する検査方法Ｓ１で利用されるモデルＭ０～Ｍ３と、画像集合Ｉに属する画像とを、プロセッサ１２が参照可能な状態に展開して記憶するための構成である。なお、本明細書において、「プログラム」とは、プログラミングにより生成されたアルゴリズムのことを指し、「モデル」とは、機械学習により生成されたアルゴリズムのことを指す。なお、メモリ１１としては、例えば、半導体ＲＡＭ（Random Access Memory）等を用いることができる。また、モデルＭ０～Ｍ３としては、例えば、ＣＮＮ（Convolutional Neural Network）を用いることができる。
【0039】
プロセッサ１２は、メモリ１１に記憶された検査プログラムＰ１に従って、後述する検査方法Ｓ１を実行するための構成である。プロセッサ１２としては、例えば、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphic Processing Unit）、又はこれらの組み合わせ等を用いることができる。
【0040】
ストレージ１３は、検査プログラムＰと、モデルＭ０～Ｍ３と、画像集合Ｉとを格納（不揮発保存）するための構成である。また、ストレージ１３には、画像集合Ｉに属する各画像のメタデータが、その画像と対応付けて格納されている。画像のメタデータとしては、例えば、撮像日時、画像番号、ライン番号などが挙げられる。ここで、撮像日時は、その画像が撮像された日時を示す。また、画像番号は、同一のケーブルを撮像することにより得られた複数の画像の中で、その画像が何番目に撮像された画像であるかを示す。また、ライン番号は、その画像に被写体として含まれるケーブルが製造された製造ラインを示す。また、ストレージ１３には、プロセッサ１２は、後述する検査方法Ｓ１を実行する際に、ストレージ１３に格納された検査プログラムＰ１及びモデルＭ０～Ｍ３、並びに、ストレージ１３に格納された画像集合Ｉに属する画像をメモリ１１上に展開して参照する。なお、ストレージ１３としては、例えば、フラッシュメモリ、ＨＤＤ（Hard Disk Drive）、ＳＳＤ（Solid State Drive）、又は、これらの組み合わせ等を用いることができる。
【0041】
なお、ここでは、後述する検査方法Ｓ１を単一のコンピュータに設けられた単一のプロセッサ１２が実行する構成について説明したが、これに限定されない。すなわち、後述する検査方法Ｓ１を単一のコンピュータに集中して設けられた、或いは、複数のコンピュータに分散して設けられた複数のプロセッサが共同して実行する構成を採用することも可能である。
【0042】
また、ここでは、モデルＭ０～Ｍ３を単一のコンピュータに設けられた単一のストレージ１３に格納する構成について説明したが、これに限定されない。すなわち、モデルＭ０～Ｍ３を、単一のコンピュータに集中して設けられた、或いは、複数のコンピュータに分散して設けられた複数のストレージに分割して格納する構成を採用することも可能である。同様に、ここでは、画像集合Ｉを単一のコンピュータに設けられた単一のストレージ１３に格納する構成について説明したが、これに限定されない。すなわち、画像集合Ｉを、単一のコンピュータに集中して設けられた、或いは、複数のコンピュータに分散して設けられた複数のストレージに分割して格納する構成を採用することも可能である。
【0043】
なお、プロセッサ１２に後述する検査方法Ｓ１を実行させるための検査プログラムＰ１は、コンピュータ読み取り可能な一時的でない有形の記録媒体に記録され得る。この記録媒体は、メモリ１１であってもよいし、ストレージ１３であってもよいし、その他の記録媒体であってもよい。例えば、テープ、ディスク、カード、半導体メモリ、プログラマブル論理回路等が、その他の記録媒体として利用可能である。
【0044】
【0045】
図２の（ａ）は、検査対象である３心ケーブルＣを被写体として含む画像の一例である。この３心ケーブルＣを構成する３本の心線Ｃ１～Ｃ３の各々の表面には、その心線の長手方向に沿って引かれた線状マーク群Ｍａが間欠的に形成されている。線状マーク群Ｍａの代わりに、図２の（ｂ）に示す円状マークＭｂ、又は、図２の（ｃ）に示す数字状マークＭｃが、３本の心線Ｃ１～Ｃ３の各々の表面に形成されていてもよい。
【0046】
図２の（ｂ）は、検査対象である２心ケーブルＣを被写体として含む画像の一例である。この２心ケーブルＣを構成する２本の心線Ｃ１～Ｃ２の各々の表面には、円状マークＭｂが間欠的に形成されている。円状マークＭｂの代わりに、図２の（ａ）に示す線状マーク群Ｍａ、又は、図２の（ｃ）に示す数字状マークＭｃが、２本の心線Ｃ１～Ｃ２の各々の表面に形成されていてもよい。
【0047】
図２の（ｃ）は、検査対象である１心ケーブルＣを被写体として含む画像の一例である。この１心ケーブルを構成する１本の心線Ｃ１の表面には、数字状マークＭｃが間欠的に形成されている。数字状マークＭｃの代わりに、図２の（ａ）に示す線状マーク群Ｍａ、又は、図２の（ｂ）に示す円状マークＭｂが、１本の心線Ｃ１の表面に形成されていてもよい。
【0048】
（モデルの内容）
後述する検査方法Ｓ１を実施するために、プロセッサ１２は、ストレージ１３に格納されたモデルＭ０～Ｍ３を、メモリ１１に展開して利用する。モデルＭ０～Ｍ３は、それぞれ、予め機械学習により生成されたモデルであり、その入出力は、以下の通りである。
後述する検査方法Ｓ１を実施するために、プロセッサ１２は、ストレージ１３に格納されたモデルＭ０～Ｍ３を、メモリ１１に展開して利用する。モデルＭ０～Ｍ３は、それぞれ、予め機械学習により生成されたモデルであり、その入出力は、以下の通りである。
【0049】
モデルＭ０は、ケーブルを被写体として含む画像を入力とし、そのケーブルの種類を示すクラスを出力するモデルである。本実施形態において、モデルＭ０から出力されるクラスは、（１）入力画像に被写体として含まれるケーブルが１心ケーブルであることを示す「１心」クラス、（２）入力画像に被写体として含まれるケーブルが２心ケーブルであることを示す「２心」クラス、又は、（３）入力画像に被写体として含まれるケーブルが３心ケーブルであることを示す「３心」クラスの何れかである。
【0050】
なお、４心ケーブルが検査対象に含まれる場合には、「４心」クラスをモデルＭ０の出力に加えればよいし、５心ケーブルが検査対象に含まれる場合には、「５心」クラスをモデルＭ０の出力に加えればよい。６心以上のケーブルが検査対象に含まれる場合ついても、同様のことが言える。
【0051】
モデルＭ１は、１心ケーブルを被写体として含む画像を入力とし、その１心ケーブルの表面に形成されたマークの状態を示すクラスを出力とするモデルであり、検査対象となるケーブルの種別が１心ケーブルである場合に利用される。本実施形態において、モデルＭ１から出力されるクラスは、（１）入力画像に被写体として含まれる１心ケーブルの表面に形成されたマークの状態が正常であることを示す「良」クラス、又は、（２）入力画像に被写体として含まれる１心ケーブルの表面に形成されたマークの状態が正常でないことを示す「不良」クラスの何れかである。
【0052】
なお、モデルＭ１は、３つ以上のクラスを出力可能に構成されていてもよい。例えば、「良」クラスを、マークの状態に応じて「良１」クラス、「良２」クラス、・・・と更に分類し、これらのクラスを出力するようにモデルＭ１を構成してもよい。或いは、「不良」クラスを、マークの状態に応じて「不良１」クラス、「不良２」クラス、・・・と更に分類し、これらのクラスを出力するようにモデルＭ１を構成してもよい。或いは、「不定」クラスのように、「良」クラスにも「不良」クラスにも属さないクラスを設け、そのようなクラスを出力するようにモデルＭ１を構成してもよい。
【0053】
モデルＭ２は、２心ケーブルを被写体として含む画像を入力とし、その２心ケーブルの表面に形成されたマークの状態を出力とするモデルであり、検査対象となるケーブルの種別が２心ケーブルである場合に利用される。本実施形態において、モデルＭ２から出力されるクラスは、（１）入力画像に被写体として含まれる２心ケーブルの表面に形成されたマークの状態が正常であることを示す「良」クラス、又は、（２）入力画像に被写体として含まれる２心ケーブルの表面に形成されたマークが正常でないことを示す「不良」クラスの何れかである。
【0054】
なお、モデルＭ２は、３つ以上のクラスを出力可能に構成されていてもよい。例えば、「良」クラスを、マークの状態に応じて「良１」クラス、「良２」クラス、・・・と更に分類し、これらのクラスを出力するようにモデルＭ２を構成してもよい。或いは、「不良」クラスを、マークの状態に応じて「不良１」クラス、「不良２」クラス、・・・と更に分類し、これらのクラスを出力するようにモデルＭ２を構成してもよい。或いは、「不定」クラスのように、「良」クラスにも「不良」クラスにも属さないクラスを設け、そのようなクラスを出力するようにモデルＭ２を構成してもよい。
【0055】
モデルＭ３は、３心ケーブルを被写体として含む画像を入力とし、その３心ケーブルの表面に形成されたマークの状態を出力とするモデルであり、検査対象となるケーブルの種別が３心ケーブルである場合に利用される。本実施形態において、モデルＭ３から出力されるクラスは、（１）入力画像に被写体として含まれる３心ケーブルの表面に形成されたマークの状態が正常であることを示す「良」クラス、又は、（２）入力画像に被写体として含まれる３心ケーブルの表面に形成されたマークが正常でないことを示す「不良」クラスの何れかである。
【0056】
なお、モデルＭ３は、３つ以上のクラスを出力可能に構成されていてもよい。例えば、「良」クラスを、マークの状態に応じて「良１」クラス、「良２」クラス、・・・と更に分類し、これらのクラスを出力するようにモデルＭ３を構成してもよい。或いは、「不良」クラスを、マークの状態に応じて「不良１」クラス、「不良２」クラス、・・・と更に分類し、これらのクラスを出力するようにモデルＭ３を構成してもよい。或いは、「不定」クラスのように、「良」クラスにも「不良」クラスにも属さないクラスを設け、そのようなクラスを出力するようにモデルＭ３を構成してもよい。
【0057】
なお、４心ケーブルが検査対象に含まれる場合には、４心ケーブルを被写体として含む画像を入力とするモデルを用意すればよいし、５心ケーブルが検査対象に含まれる場合には、５心ケーブルを被写体として含む画像を入力とするモデルを用意すればよい。６心以上のケーブルが検査対象に含まれる場合ついても、同様のことが言える。
【0058】
【0059】
検査方法Ｓ１は、画像集合Ｉに基づいてケーブルに形成されたマークの状態を検査する方法である。検査方法Ｓ１は、図３に示すように、種別判定処理Ｓ１１と、個別判定処理Ｓ１２と、集合特定処理Ｓ１３と、集合判定処理Ｓ１４と、を含んでいる。なお、ここでは、個別判定処理Ｓ１２を実行した後で集合判定処理Ｓ１４を実行する構成について説明するが、集合判定処理Ｓ１４を実行した後で個別判定処理Ｓ１２を実行する構成を採用してもよいし、個別判定処理Ｓ１２と集合判定処理Ｓ１４とを同時並列的に実行する構成を採用してもよい。
【0060】
種別判定処理Ｓ１１は、ケーブルの種別を判定する処理である。本実施形態において、プロセッサ１２は、画像集合Ｉから選択された画像を上述したモデルＭ０に入力することによって、種別判定処理Ｓ１１を実行する。なお、プロセッサ１２は、モデルＭ０を用いてケーブルの種別を判定する代わりに、所定のプログラムに従ってケーブルの種別を判定してもよい。
【0061】
個別判定処理Ｓ１２は、画像集合Ｉに属する各画像に対して、その画像に被写体として含まれるマークのクラス判定を行うための処理である。本実施形態において、プロセッサ１２は、対象となる画像を種別判定処理Ｓ１１の結果に応じたモデルに入力することによって、その画像に対する個別判定処理Ｓ１２を実行する。ここで、種別判定処理Ｓ１１の結果に応じたモデルとは、（１）種別判定処理Ｓ１１の結果が「１心」クラスである場合には、モデルＭ１であり、（２）種別判定処理Ｓ１１の結果が「２心」クラスである場合には、モデルＭ２であり、（３）種別判定処理Ｓ１１の結果が「３心」クラスである場合には、モデルＭ３である。
【0062】
集合特定処理Ｓ１３は、画像集合Ｉの部分集合のうち、撮像領域が近接する予め定められた枚数以上の画像からなる部分集合を特定する処理である。本実施形態において、プロセッサ１２は、画像集合Ｉに属する各画像のメタデータを参照することによって、集合特定処理Ｓ１３を実行する。集合特定処理Ｓ１３の具体例については、参照する図面を代えて後述する。
【0063】
集合判定処理Ｓ１４は、集合特定処理Ｓ１３により特定された各部分集合に対して、その部分集合に属する各画像に被写体として含まれるマークのクラス判定を行うための処理である。本実施形態において、プロセッサ１２は、対象となる部分集合に属する各画像に対する個別判定処理Ｓ１２の結果を参照することによって、集合判定処理Ｓ１４を実行する。集合判定処理Ｓ１４において参照する個別判定処理Ｓ１２の結果は、個別判定処理Ｓ１２の最終結果であるクラスであってもよいし、個別判定処理Ｓ１２の中間結果である特徴量であってもよい。
【0064】
集合判定処理Ｓ１４は、プログラム（プログラミングにより生成されたアルゴリズム）に従って実行してもよいし、モデル（機械学習により生成されたアルゴリズム）を用いて実行してもよい。集合判定処理Ｓ１４の具体例としては、例えば、以下のものが挙げられる。
【0065】
具体例１：対象となる部分集合に属する各画像に対する個別判定処理Ｓ１２の最終結果（クラス）において、「不良」クラスの個数が「良」クラスの個数を超えれば、集合判定処理Ｓ１４の結果を「良」とし、そうでなければ、集合判定処理Ｓ１４の結果を「不良」とするプログラムに従う。本具体例によれば、個別判定処理Ｓ１２の結果に不良クラスが含まれても、その含まれ方が偶発的なものであれば、集合判定処理Ｓ１４の結果を良クラスとすることができる。また、集合判定処理Ｓ１４を、高速に動作する簡単なプログラムにより実現することができる。
【0066】
具体例２：対象となる部分集合に属する各画像に対する個別判定処理Ｓ１２の最終結果（クラス）において、「不良」クラスの割合が予め定められた閾値（例えば３０％）を超えれば集合判定処理Ｓ１４の結果を「不良」とし、そうでなければ集合判定処理Ｓ１４の結果を「良」とするプログラムに従う。本具体例によれば、個別判定処理Ｓ１２の結果に不良クラスが含まれても、その含まれ方が偶発的なものであれば、集合判定処理Ｓ１４の結果を良クラスとすることができる。また、集合判定処理Ｓ１４を、高速に動作する簡単なプログラムにより実現することができる。
【0067】
具体例３：対象となる部分集合に属する各画像に対する個別判定処理Ｓ１２の最終結果（クラス）の列を入力とし、その部分集合に属する各画像に被写体として含まれるマークの状態を示すクラスを出力とするモデルを用いる。この集合判定処理Ｓ１４に用いるモデルとしては、ＭＬＰ（Multilayer Perceptron）、ＣＮＮ（Convolutional Neural Network）、又はＬＳＴＭ（Long Short Term Memory）等が挙げられる。ＣＮＮ又はＬＳＴＭを用いた場合、モデルに入力される列を構成する個別判定処理Ｓ１２の最終結果（クラス）の順序も考慮した判定を行うことができる。本具体例によれば、個別判定処理Ｓ１２の結果に不良クラスが含まれても、その含まれ方が偶発的なものであれば、集合判定処理Ｓ１４の結果を良クラスとすることができる。また、集合判定処理Ｓ１４を、柔軟で判定精度の高いモデルを用いて実現することができる。
【0068】
具体例４：対象となる部分集合に属する各画像に対する個別判定処理Ｓ１２の中間結果（特徴量）の列を入力とし、その部分集合に属する各画像に被写体として含まれるマークの状態を示すクラスを出力とするモデルを用いる。この集合判定処理Ｓ１４に用いるモデルとしては、ＭＬＰ、ＣＮＮ、又はＬＳＴＭ等が挙げられる。ＣＮＮ又はＬＳＴＭを用いた場合、モデルに入力される列を構成する個別判定処理Ｓ１２の中間結果（特徴量）の順序も考慮した判定を行うことができる。本具体例によれば、個別判定処理Ｓ１２の結果に不良クラスが含まれても、その含まれ方が偶発的なものであれば、集合判定処理Ｓ１４の結果を良クラスとすることができる。また、集合判定処理Ｓ１４を、柔軟で判定精度の高いモデルを用いて実現することができる。
【0069】
なお、本実施形態においては、ケーブル種別の各々に対応した個別的なモデルを用いて個別判定処理Ｓ１２を実行しているが、本発明はこれに限定されない。例えば、全てのケーブル種別に対応した一般的なモデルを用いて個別判定処理Ｓ１２を実行してもよい。この場合、種別判定処理Ｓ１１は、省略することができる。なお、ケーブル種別の各々に対応した個別的なモデルを用いることには、精度の高い個別判定処理Ｓ１２が可能になるというメリットに加えて、対象とするケーブル種別が増えたときに、システムの改修が容易であるというメリットがある。何故なら、一般的なモデルを用いる場合、全てのケーブル種別に対して精度良く個別判定処理Ｓ１２を実行する一般的なモデルを機械学習により再構築する必要があるのに対して、個別的なモデルを用いる場合、追加されたケーブル種別に対してのみ精度良く個別判定処理Ｓ１２を実行する個別的なモデルを機械学習により構築すれば十分であるからである。
【0070】
以上のように、検査方法Ｓ１によれば、線状体の捻転や振動などにより個別判定処理Ｓ１２の結果に不良クラスが含まれても、不良クラスの含まれ方が偶発的なものであれば、集合判定処理Ｓ１４の結果を良クラスとすることができる。したがって、検査方法Ｓ１によれば、マークが正常であるにも関わらず、マークに異常があると誤判定される可能性を低減することができる。
【0071】
（集合特定処理の具体例）
図３に示す集合特定処理Ｓ１３の具体例について、図４を参照して説明する。図４は、本具体例に係る集合特定処理Ｓ１３の流れを示すフロー図である。なお、本実施形態において、画像集合Ｉは、スクリーニング検査により不良が疑われたマークを被写体として含む複数の画像により構成されているため、画像集合Ｉに属する各画像の画像番号は、連番でない可能性がある点に留意されたい。
図３に示す集合特定処理Ｓ１３の具体例について、図４を参照して説明する。図４は、本具体例に係る集合特定処理Ｓ１３の流れを示すフロー図である。なお、本実施形態において、画像集合Ｉは、スクリーニング検査により不良が疑われたマークを被写体として含む複数の画像により構成されているため、画像集合Ｉに属する各画像の画像番号は、連番でない可能性がある点に留意されたい。
【0072】
本具体例に係る集合特定処理Ｓ１３は、変数初期化処理Ｓ１３１、残画像確認処理Ｓ１３２、画像取得処理Ｓ１３３、画像番号判定処理Ｓ１３４、画像追加処理Ｓ１３５、変数更新処理Ｓ１３６、画像枚数判定処理Ｓ１３７、部分集合特定処理Ｓ１３８、及びリスト初期化処理Ｓ１３９を含んでいる。また、本具体例に係る集合特定処理Ｓ１３においては、（１）部分集合の候補となる画像リスト、（２）画像取得処理Ｓ１３３にて取得した画像の画像番号を示す変数ｎ、（３）画像リストに最後に追加した画像の画像番号を示す変数ｎ０、（４）画像リストに含まれる画像の枚数を表す変数ｍ、（５）画像番号判定処理Ｓ１３４における閾値を表す定数Ｎ、（６）画像枚数判定処理Ｓ１３７における閾値を表す定数Ｍを用いる。なお、定数Ｍ，Ｎは、ユーザが自由に設定することが可能である。
【0073】
変数初期化処理Ｓ１３１は、変数ｍを０に初期化する処理である。変数初期化処理Ｓ１３１を完了すると、後述する残画像確認処理Ｓ１３２が実行される。
【0074】
残画像確認処理Ｓ１３２は、画像集合Ｉに未処理の画像が残っているか否かを確認する処理である。未処理画像が残っている場合、後述する画像取得処理Ｓが実行される。未処理画像が残っていない場合、集合特定処理Ｓ１３が終了する。
【0075】
画像取得処理Ｓ１３３は、画像集合Ｉに残っている未処理の画像のうち、画像番号が最も小さい画像を取得する処理である。画像取得処理Ｓ１３３が完了すると、後述する画像番号判定処理Ｓ１３４が実行される。
【0076】
画像番号判定処理Ｓ１３４は、画像取得処理Ｓ１３３にて取得した画像の画像番号ｎと、変数ｎ０と定数Ｎとの和ｎ０＋Ｎとを比較する処理である。ｎ≦ｎ０＋Ｎである場合、すなわち、画像取得処理Ｓ１３３にて取得した画像番号ｎと最後に画像リストに追加した画像の画像番号との差ｎ－ｎ０がＮ以下である場合、後述する画像追加処理Ｓ１３５が実行される。一方、ｎ＞ｎ０＋Ｎである場合、すなわち、画像取得処理Ｓ１３３にて取得した画像番号ｎと最後に画像リストに追加した画像の画像番号との差ｎ－ｎ０がＮよりも大きい場合、後述する画像枚数判定処理Ｓ１３７が実行される。なお、ｍ＝０の場合には、上述した比較の結果に依らず、後述する画像追加処理Ｓ１３５が実行される。
【0077】
画像追加処理Ｓ１３５は、画像取得処理Ｓ１３３にて取得した画像を画像リストに追加する処理である。画像追加処理Ｓ１３５が完了すると、後述する変数更新処理Ｓ１３６が実行される。
【0078】
変数更新処理Ｓ１３６は、変数ｎ０をｎに更新すると共に、変数ｍをｍ＋１に更新する処理である。変数更新処理Ｓ１３６が完了すると、前述した残画像確認処理Ｓ１３２が再び実行される。画像取得処理Ｓ１３３、画像追加処理Ｓ１３５、及び変数更新処理Ｓ１３６は、残画像確認処理Ｓ１３２において、画像集合Ｉに未処理の画像が残っていないと判定されるか、又は、画像番号判定処理Ｓ１３４において、ｎ＞ｎ０＋Ｎと判定されるまで繰り返される。
【0079】
画像枚数判定処理Ｓ１３７は、変数ｍと定数Ｍとを比較する処理である。ｍ≧Ｍである場合、すなわち、画像リストに含まれる画像の枚数ｍがＭ以上である場合、後述する部分集合特定処理Ｓ１３８が実行される。一方、ｍ＜Ｍである場合、すなわち、画像リストに含まれる画像の枚数ｍがＭ未満である場合、リスト初期化処理Ｓ１３９が実行される。
【0080】
部分集合特定処理Ｓ１３８は、画像リストに含まれる画像を、集合判定処理Ｓ１４の対象とする部分集合の要素として特定する処理である。部分集合特定処理Ｓ１３８が完了すると、前述した変数初期化処理Ｓ１３１が再び実行される。
【0081】
リスト初期化処理Ｓ１３９は、画像リストを空集合に初期化する処理である。リスト初期化処理Ｓ１３９が完了すると、前述した変数初期化処理Ｓ１３１が再び実行される。
【0082】
本具体例に係る集合特定処理Ｓ１３によれば、画像集合Ｉの部分集合のうち、撮像対象領域が近接する（画像番号の差がＮ以下である）Ｍ枚以上の画像からなる画像集合Ｉの部分集合を特定することができる。定数Ｍを適宜設定することによって、例えば、ケーブルのうち、インクの欠乏などによって、マークが正常に印刷できていない可能性の高い領域を撮像した画像からなる部分集合を特定することが可能である。
【0083】
なお、画像取得処理Ｓ１３３は、画像集合Ｉに残っている未処理の画像のうち、画像番号ｎがｎ≦ｎ０＋Ｎを満たす画像を一括して取得する処理であってもよい。この場合、画像取得処理Ｓ１３３にて取得した画像の枚数ｋが１以上であれば、画像追加処理Ｓ１３５及び変数更新処理Ｓ１３６を実行する。この場合、画像追加処理Ｓ１３５においては、画像取得処理Ｓ１３３にて取得したｋ枚の画像を画像リストに追加する。また、変数更新処理Ｓ１３６においては、変数ｎ０を、画像取得処理Ｓ１３３にて取得したｋ枚の画像の画像番号の最大値に更新し、変数ｍをｍ＋ｋに更新する。一方、画像取得処理Ｓ１３３にて取得した画像の枚数ｋが０であれば、画像枚数判定処理Ｓ１３７を実行する。これにより、更に高速に部分集合の特定が可能になる。
【0084】
なお、画像番号判定処理Ｓ１３４において、新たに取得した画像の画像番号ｎと最後に画像リストに追加した画像の画像番号ｎ０との差ｎ―ｎ０を定数Ｎと比較する代わりに、新たに取得した画像の撮像日時ｔと最後に画像リストに追加した画像の撮像日時ｔ０との差ｔ―ｔ０を定数Ｔと比較する構成を採用してもよい。この場合、変数更新処理Ｓ１３６においては、変数ｎ０を新たに取得した画像の画像番号ｎに更新する代わりに、変数ｔ０を新たに取得した画像の撮像日時ｔに更新する。また、画像番号に基づく判定と撮像日時に基づく判定とを組み合わせてもよい。画像番号に基づく集合特定処理Ｓ１３を実行してから撮像日時に基づく集合特定処理Ｓ１３を実行してもよいし、逆に、撮像日時に基づく集合特定処理Ｓ１３を実行してから画像番号に基づく集合特定処理Ｓ１３を実行してもよい。
【0085】
（種別判定処理の変形例）
種別判定処理Ｓ１１は、画像集合Ｉから選択された画像をモデルＭ０に入力することによって実行されてもよいし、画像集合Ｉから選択された画像に前処理を施すことにより得られた画像をモデルＭ０’に入力することによって実行されてもよい。後者の場合の前処理の具体例について、図５を参照して説明する。図５の（ａ）は、この前処理が施される前の画像Ｉａの一例を示す図であり、図５の（ｂ）は、この前処理が施された後の画像Ｉｂの一例を示す図である。
種別判定処理Ｓ１１は、画像集合Ｉから選択された画像をモデルＭ０に入力することによって実行されてもよいし、画像集合Ｉから選択された画像に前処理を施すことにより得られた画像をモデルＭ０’に入力することによって実行されてもよい。後者の場合の前処理の具体例について、図５を参照して説明する。図５の（ａ）は、この前処理が施される前の画像Ｉａの一例を示す図であり、図５の（ｂ）は、この前処理が施された後の画像Ｉｂの一例を示す図である。
【0086】
この前処理において、プロセッサ１２は、まず、画像Ｉａを構成する各画素の画素値ｐ（ｘ，ｙ）をｘ軸方向に積分することによって、Ｐ（ｙ）＝∫ｐ（ｘ，ｙ）ｄｘを算出する。次に、プロセッサ１２は、Ｘ＝Ｐ（Ｙ）のグラフとＹ軸とに囲まれた領域の画素値が１（図４の（ｂ）において黒）であり、それ以外の領域の画素値が０（図４の（ｂ）において白）である画像Ｉｂを生成する。このような前処理を施すことによって、種別判定処理Ｓ１１の判定精度を向上させることができる。
【0087】
（個別判定処理の変形例）
本実施形態においては、機械学習により生成されたモデルＭ１～Ｍ３を用いて個別判定処理Ｓ１２を実施する構成について説明したが、本発明はこれに限定されない。例えば、ルールベースのアルゴリズムを用いて個別判定処理Ｓ１２を実施する構成を採用してもよいし、ルールベースのアルゴリズムと機械学習により生成されたモデルとを併用して個別判定処理Ｓ１２を実施する構成を採用してもよい。
本実施形態においては、機械学習により生成されたモデルＭ１～Ｍ３を用いて個別判定処理Ｓ１２を実施する構成について説明したが、本発明はこれに限定されない。例えば、ルールベースのアルゴリズムを用いて個別判定処理Ｓ１２を実施する構成を採用してもよいし、ルールベースのアルゴリズムと機械学習により生成されたモデルとを併用して個別判定処理Ｓ１２を実施する構成を採用してもよい。
【0088】
以下、ルールベースのアルゴリズムと機械学習により生成されたモデルとを併用する個別判定処理Ｓ１２の具体例（以下、個別判定処理Ｓ１２’とも記載する）について、図６を参照して説明する。図６の（ａ）は、個別判定処理Ｓ１２’の流れを示すフロー図であり、図６の（ｂ）は、図６の（ａ）に示す領域特定処理Ｓ１２１の具体例を示す模式図である。
【0089】
個別判定処理Ｓ１２’は、領域特定処理Ｓ１２１、良否判定処理Ｓ１２２、及びクラス判定処理Ｓ１２３を含んでいる。これらの処理は、画像集合Ｉに属する各画像に対する処理である。以下、これらの処理の対象となる画像を、対象画像と記載する。
【0090】
領域特定処理Ｓ１２１は、対象画像において各マークを含む領域を特定するための処理である。対象画像に複数のマークμ１，μ２，…，μｎが被写体として含まれている場合、これらのマークμ１，μ２，…，μｎの各々を含む領域α１，α２，…，αｎが特定される。ここで、ｎは、対象画像に含まれるマークの個数を表す自然数である。
【0091】
例えば、領域特定処理Ｓ１２１において、まず、プロセッサ１２は、対象画像を構成する各画素の画素値ｐ（ｘ，ｙ）をｘ軸方向に積分することによって、Ｐ１（ｙ）＝∫ｐ（ｘ，ｙ）ｄｘを算出する。次に、プロセッサ１２は、対象画像を構成する各画素の画素値ｐ（ｘ，ｙ）をｙ軸方向に積分することによって、Ｐ２（ｘ）＝∫ｐ（ｘ，ｙ）ｄｙを算出する。そして、プロセッサ１２は、Ｐ１（ｙ）が閾値Ｔｈ１を超え、且つ、Ｐ２（ｘ）が閾値Ｔｈ２を超える画素（ｘ，ｙ）の集合を連結成分に分け、各連結成分にマージンΔｘ，Δｙを付した領域を領域α１，α２，…，αｎとして特定する。
【0092】
良否判定処理Ｓ１２２は、領域特定処理Ｓ１２１にて特定された、各マークμｉ（ｉは１以上ｎ以下の各自然数）を含む領域αｉを参照して、そのマークμｉの良否を判定するための処理である。
【0093】
例えば、良否判定処理Ｓ１２２において、プロセッサ１２は、単一のマークを含む画像を入力とし、そのマークの良否を示すクラスを出力とする、機械学習によって生成されたモデルＮ１を用いる。この場合、プロセッサ１２は、対象画像から領域αｉをクロップすることにより得られた部分画像をモデルＮ１に入力することによって、マークμｉの良否を判定する。
【0094】
クラス判定処理Ｓ１２３は、良否判定処理Ｓ１２２にて判定された、各マークμｉの良否を参照して、対象画像に被写体として含まれるマークμ１，μ２，…，μｎの全体としての良否を判定する処理である。
【0095】
例えば、クラス判定処理Ｓ１２３において、プロセッサ１２は、各マークμｉの良否の多数決によって、対象画像に含まれるマークμ１，μ２，…，μｎの全体としての良否を判定する。より具体的に言うと、マークμ１，μ２，…，μｎのうち、良クラスに属すると判定されたマークの個数と、マークμ１，μ２，…，μｎのうち、不良クラスに属すると判定されたマークの個数とを比較する。そして、前者の個数が後者の個数を上回る場合、対象画像に含まれるマークμ１，μ２，…，μｎは全体として良クラスに属すると判定する。一方、後者の個数が前者の個数を上回る場合、対象画像に含まれるマークμ１，μ２，…，μｎは全体として不良クラスに属すると判定する。
【0096】
なお、プロセッサ１２は、画像に含まれる複数のマークの各々の良否を示す情報を入力とし、その画像に含まれる複数のマークが全体として属するクラスを出力とする、機械学習によって生成されたモデルＮ２を用いて、クラス判定処理Ｓ１２３を実施してもよい。この場合、プロセッサ１２は、良否判定処理Ｓ１２２にて判定された、各マークμｉのクラスをモデルＮ２に入力することによって、対象画像に含まれるマークμ１，μ２，…，μｎの全体としての良否を判定する。
【0097】
また、クラス判定処理Ｓ１２３においては、良否判定処理Ｓ１２２にて判定された、各マークμｉの良否に加えて、領域特定処理Ｓ１２１にて特定された、各マークμｉを含む領域αｉの位置を参照してもよい。この場合、プロセッサ１２は、例えば、領域α１，α２，…，αｎの配置の周期性によって、対象画像に含まれるマークμ１，μ２，…，μｎの全体としての良否を判定する。より具体的に言うと、領域α１，α２，…，αｎが周期的に配置されている場合、対象画像に含まれるマークμ１，μ２，…，μｎは全体として良クラスに属すると判定する。一方、領域α１，α２，…，αｎが周期的に配置されていない場合、対象画像に含まれるマークμ１，μ２，…，μｎは全体として不良クラスに属すると判定する。そして、プロセッサ１２は、各マークμｉの良否の多数決による判定結果と、領域α１，α２，…，αｎの配置の周期性による判定結果とに基づいて、対象画像に含まれるマークμ１，μ２，…，μｎの全体としての良否を判定する。一例として、各マークμｉの良否の多数決による判定結果、及び、領域α１，α２，…，αｎの配置の周期性による判定結果の両方が良クラスである場合、対象画像に含まれるマークμ１，μ２，…，μｎは全体として良クラスに属すると判定する。一方、各マークμｉの良否の多数決による判定結果、及び、領域α１，α２，…，αｎの配置の周期性による判定結果の一方又は両方が不良クラスである場合、対象画像に含まれるマークμ１，μ２，…，μｎは全体として不良クラスに属すると判定する。
【0098】
なお、プロセッサ１２は、画像に含まれる複数のマークの各々の良否を示す情報と、それら複数のマークの各々を含む領域の配置を示す情報とを入力とし、その画像に含まれる複数のマークが全体として属するクラスを出力とする、機械学習によって生成されたモデルＮ３を用いて、クラス判定処理Ｓ１２３を実施してもよい。この場合、プロセッサ１２は、良否判定処理Ｓ１２２にて判定された、各マークμｉのクラスと、領域特定処理Ｓ１２１にて特定された、各マークμｉを含む領域αｉの位置と、をモデルＮ３に入力することによって、対象画像に含まれるマークμ１，μ２，…，μｎの全体としての良否を判定する。
【0099】
先述した個別判定処理Ｓ１２においては、対象画像に含まれるマークμ１，μ２，…，μｎの良否を、包括的に、複数のモデルＭ１～Ｍ３の何れかを用いて判定する。ここで、単一のモデルを使うのではなく、複数のモデルＭ１～Ｍ３を使い分ける理由は、検査対象とするケーブルＣの種類が異なると、マークμ１，μ２，…，μｎの配置も大きく異なるため、単一のモデルを使って個別判定処理Ｓ１２を行う構成では、機械学習により精度の高いモデルを生成することが困難になる可能性が高いからである。これに対して、本変形例に係る個別判定処理Ｓ１２’においては、対象画像に含まれる各マークμｉの良否を、個別的に、単一のモデルＮ１を用いて判定する。ここで、複数のモデルを使い分けるのではなく、単一のモデルＮ１を使う理由は、検査対象とするケーブルＣの種類が異なっても、各マークμｉの形状は大きく異ならないので、単一のモデルＮ１を使って個別判定処理Ｓ１２’を行う構成でも、機械学習により精度の高いモデルを生成することが困難になる可能性が低いからである。なお、先述した個別判定処理Ｓ１２の代わりに、本変形例に係る個別判定処理Ｓ１２’を実施する場合、先述した種別判定処理Ｓ１１は省略することができる。
【0100】
（付記事項）
本発明は、上述した各実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。上述した実施形態に含まれる各技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
本発明は、上述した各実施形態に限定されるものでなく、請求項に示した範囲で種々の変更が可能である。上述した実施形態に含まれる各技術的手段を適宜組み合わせて得られる実施形態についても、本発明の技術的範囲に含まれる。
【符号の説明】
【0101】
１ 検査装置
１１ メモリ
１２ プロセッサ
１３ ストレージ
Ｓ１ 検査方法
Ｓ１１ 種別判定処理
Ｓ１２ 個別判定処理
Ｓ１３ 集合特定処理
Ｓ１４ 集合判定処理
１１ メモリ
１２ プロセッサ
１３ ストレージ
Ｓ１ 検査方法
Ｓ１１ 種別判定処理
Ｓ１２ 個別判定処理
Ｓ１３ 集合特定処理
Ｓ１４ 集合判定処理
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】