特開 2023-43863 定量評価装置、定量評価プログラム、および学習モデル生成プログラム

(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】P2023043863

(43)【公開日】2023-03-29

(54)【発明の名称】定量評価装置、定量評価プログラム、および学習モデル生成プログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20230322BHJP

   G01N 21/952 20060101ALI20230322BHJP

【ＦＩ】

G06N20/00 130

G01N21/952

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2022145517

(22)【出願日】2022-09-13

(31)【優先権主張番号】P 2021150936

(32)【優先日】2021-09-16

(33)【優先権主張国・地域又は機関】JP

【新規性喪失の例外の表示】新規性喪失の例外適用申請有り

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＴＥＮＳＯＲＦＬＯＷ

(71)【出願人】

【識別番号】000142595

【氏名又は名称】株式会社栗本鐵工所

(71)【出願人】

【識別番号】519135633

【氏名又は名称】公立大学法人大阪

(74)【代理人】

【識別番号】110001586

【氏名又は名称】弁理士法人アイミー国際特許事務所

(72)【発明者】

【氏名】小川 耕平

(72)【発明者】

【氏名】堤 親平

(72)【発明者】

【氏名】上杉 徳照

(72)【発明者】

【氏名】中島 智晴

【テーマコード（参考）】

2G051

【Ｆターム（参考）】

2G051AA07

2G051AB04

2G051EB05

2G051EC01

(57)【要約】

【課題】鋳鉄管の鋳肌の外観程度を定量評価できるようにすること。
【解決手段】定量評価装置は、鋳鉄管の鋳肌の良否検査に用いられる定量評価装置であっ
て、予め複数段階にクラス分けされた複数の鋳肌の画像データを教師データとして機械学
習することにより生成された学習モデル（Ｍ２）を記憶する記憶手段（４２）と、検査対
象の鋳鉄管の鋳肌の画像データを取得する画像取得手段（４１）と、画像取得手段が取得
した画像データを学習モデルに入力し、学習モデルからの出力に基づくレベルまたは数値
を、検査対象の鋳鉄管の鋳肌の外観程度として評価決定する評価決定手段（４３）とを備
える。
【選択図】図３

【特許請求の範囲】

【請求項1】

鋳鉄管の鋳肌の良否検査に用いられる定量評価装置であって、
予め複数段階にクラス分けされた複数の鋳肌の画像データを教師データとして機械学習することにより生成された学習モデルを記憶する記憶手段と、
検査対象の鋳鉄管の鋳肌の画像データを取得する画像取得手段と、
前記画像取得手段が取得した画像データを前記学習モデルに入力し、前記学習モデルからの出力に基づくレベルまたは数値を、前記検査対象の鋳鉄管の鋳肌の外観程度として評価決定する評価決定手段とを備えた、定量評価装置。

【請求項2】

前記評価決定手段は、前記教師データのクラス数よりも多い段階のレベル、または、連続した無段階の数値範囲内の数値を、前記鋳肌の外観程度として評価決定する、請求項１に記載の定量評価装置。

【請求項3】

前記学習モデルの前記教師データは、拡張データとして、鋳肌の元画像データの縁部を除去したトリミング画像データを含む、請求項１に記載の定量評価装置。

【請求項4】

前記検査対象の鋳鉄管は、金型遠心鋳造法により製造されたものであり、
前記学習モデルの前記教師データは、拡張データとして、鋳肌の元画像データを５°未満の角度範囲で回転させた回転画像データを含む、請求項１に記載の定量評価装置。

【請求項5】

鋳鉄管の鋳肌の良否検査に用いられる定量評価装置であって、
予め複数段階にクラス分けされた複数の鋳肌の画像データに対して、適応的ヒストグラム平坦化およびバイラテラルフィルタによるぼかし処理を含む前処理を施した画像データを教師データとして機械学習することにより生成された学習モデルを記憶する記憶手段と、
検査対象の鋳鉄管の鋳肌の画像データを取得する画像取得手段と、
前記画像取得手段が取得した画像データに対し、前記前処理を含む入力画像調整処理を実行する調整手段と、
前記入力画像調整処理を施した画像データを前記学習モデルに入力し、前記学習モデルからの出力に基づくレベルまたは数値を、前記検査対象の鋳鉄管の鋳肌の外観程度として評価決定する評価決定手段とを備えた、定量評価装置。

【請求項6】

前記学習モデルの前記教師データは、回転、反転、拡大縮小、移動をランダムに行った拡張データを含み、
前記入力画像調整処理は、回転、反転、拡大縮小、移動をランダムに行うデータ拡張処理を含む、請求項５に記載の定量評価装置。

【請求項7】

鋳鉄管の鋳肌の良否検査に用いられる定量評価装置であって、
予め複数段階にクラス分けされた複数の鋳肌の画像データを教師データとして機械学習することにより生成された回帰モデルおよび不良品分類モデルを記憶する記憶手段と、
検査対象の鋳鉄管の鋳肌の画像データを取得する画像取得手段と、
前記画像取得手段が取得した画像データを前記回帰モデルおよび前記不良品分類モデルに入力し、前記回帰モデルからの出力値と前記不良品分類モデルからの出力値とを重み付き平均した数値を、前記検査対象の鋳鉄管の鋳肌の外観程度として評価決定する評価決定手段とを備えた、定量評価装置。

【請求項8】

鋳鉄管の鋳肌の良否検査に用いられる定量評価プログラムであって、
予め複数段階にクラス分けされた複数の鋳肌の画像データを教師データとして機械学習することにより生成された学習モデルを、記憶部から読み出すステップと、
検査対象の鋳鉄管の鋳肌の画像データを取得するステップと、
取得した画像データを前記学習モデルに入力し、前記学習モデルからの出力に基づくレベルまたは数値を、前記検査対象の鋳鉄管の鋳肌の外観程度として評価決定するステップとをコンピュータに実行させる、定量評価プログラム。

【請求項9】

鋳鉄管の鋳肌の良否検査用の学習モデルを生成するための学習モデル生成プログラムであって、
予め複数段階にクラス分けされた複数の鋳肌の元画像データを入力するステップと、
入力された前記元画像データに基づいて拡張データを生成するステップと、
前記元画像データおよび前記拡張データを含む複数の鋳肌の画像データの少なくとも一部を教師データとして、クラスごとに機械学習するステップとをコンピュータに実行させる、学習モデル生成プログラム。

【請求項10】

鋳鉄管の鋳肌の良否検査用の学習モデルを生成するための学習モデル生成プログラムであって、
予め複数段階にクラス分けされた複数の鋳肌の元画像データを入力するステップと、
入力された前記元画像データに対して、適応的ヒストグラム平坦化およびバイラテラルフィルタによるぼかし処理を含む前処理を施した前処理を施して教師データを生成するステップと、
生成された教師データをクラスごとに機械学習するステップとをコンピュータに実行させる、学習モデル生成プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、鋳鉄管の鋳肌の良否検査に用いられる定量評価装置、定量評価プログラム、および学習モデル生成プログラムに関し、特に、学習モデルを用いて鋳肌の外観程度を定量評価する定量評価装置およびプログラム、ならびに、学習モデルを生成する学習モデル生成プログラムに関する。

【背景技術】

【0002】

鋳鉄管の製造方法の一つに金型遠心鋳造法がある。金型遠心鋳造法は、たとえば特開２００２－１５３９６２号公報（特許文献１）に示されるように、円筒状の金型を横軸を中心に回転させながら、金型の内側に溶湯を供給して、溶湯に遠心力を作用させた状態で管（鋳鉄管）を製造する方法である。この金型遠心鋳造法は、空冷式の砂型遠心鋳造法とは異なり、鋳型（円筒状の金型）を水冷する鋳造法である。金型遠心鋳造法などの鋳造法では、鋳鉄管にピンホール（ブローホールを含む）が発生する場合がある。

【0003】

ピンホールが大量に発生した場合、外観不良として扱われるため、出荷前には、鋳肌のピンホール検査が行われる。

【0004】

物体表面の欠陥を検査するという観点では、たとえば特開２０１８－２０５１２３号公報（特許文献２）、特開２０１９－２７８８号公報（特許文献３）、およびＷＯ２０２０／１３７１５１号公報（特許文献４）に開示されているように、大量のサンプル画像を機械学習して学習モデルを生成し、学習モデルを用いて物体表面の欠陥を自動判定する技術が、従来から提案されている。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２００２－１５３９６２号公報

【特許文献2】特開２０１８－２０５１２３号公報

【特許文献3】特開２０１９－２７８８号公報

【特許文献4】ＷＯ２０２０／１３７１５１号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

ピンホールの発生度合に応じた鋳肌の良否検査は、人が目視により行うことが一般的であるが、一見で判断することは難しく、検査時の周囲の環境（照明の度合など）や人の感覚に検査結果が左右されるおそれがある。そのため、鋳鉄管の鋳肌の外観程度を定量的に評価することが困難であった。

【0007】

上記特許文献２～４に開示されているような検査方法は、単純に、キズなどの欠陥の有無を判定する方法であるため、これらの方法を、鋳鉄管の鋳肌の良否検査に適用することはできない。つまり、欠陥の有無を判定する方法では、鋳肌の外観程度を定量的に評価することはできない。

【0008】

本発明は、上記のような課題を解決するためになされたものであって、その目的は、鋳鉄管の鋳肌の外観程度を定量評価することのできる定量評価装置およびプログラムを提供することである。また、鋳鉄管の鋳肌の外観程度を定量評価するための学習モデルを生成する学習モデル生成プログラムを提供することも、他の目的とする。

【課題を解決するための手段】

【0009】

この発明のある局面に従う定量評価装置は、鋳鉄管の鋳肌の良否検査に用いられる定量評価装置であって、予め複数段階にクラス分けされた複数の鋳肌の画像データを教師データとして機械学習することにより生成された学習モデルを記憶する記憶手段と、検査対象の鋳鉄管の鋳肌の画像データを取得する画像取得手段と、画像取得手段が取得した画像データを学習モデルに入力し、学習モデルからの出力に基づくレベルまたは数値を、検査対象の鋳鉄管の鋳肌の外観程度として評価決定する評価決定手段とを備える。

【0010】

好ましくは、評価決定手段は、教師データのクラス数よりも多い段階のレベル、または、連続した無段階の数値範囲内の数値を、鋳肌の外観程度として評価決定する。

【0011】

好ましくは、学習モデルの教師データは、拡張データとして、鋳肌の元画像データの縁部を除去したトリミング画像データを含む。

【0012】

検査対象の鋳鉄管は、典型的には金型遠心鋳造法により製造されたものである。この場合、学習モデルの教師データは、拡張データとして、鋳肌の元画像データを５°未満の角度範囲で回転させた回転画像データを含むことが望ましい。

【0013】

この発明の他の局面に従う定量評価装置は、予め複数段階にクラス分けされた複数の鋳肌の画像データに対して、適応的ヒストグラム平坦化およびバイラテラルフィルタによるぼかし処理を含む前処理を施した画像データを教師データとして機械学習することにより生成された学習モデルを記憶する記憶手段と、検査対象の鋳鉄管の鋳肌の画像データを取得する画像取得手段と、画像取得手段が取得した画像データに対し、前処理を含む入力画像調整処理を実行する調整手段と、入力画像調整処理を施した画像データを学習モデルに入力し、学習モデルからの出力に基づくレベルまたは数値を、検査対象の鋳鉄管の鋳肌の外観程度として評価決定する評価決定手段とを備える。

【0014】

この発明のさらに他の局面に従う定量評価装置は、予め複数段階にクラス分けされた複数の鋳肌の画像データを教師データとして機械学習することにより生成された回帰モデルおよび不良品分類モデルを記憶する記憶手段と、検査対象の鋳鉄管の鋳肌の画像データを取得する画像取得手段と、画像取得手段が取得した画像データを回帰モデルおよび不良品分類モデルに入力し、回帰モデルからの出力値と不良品分類モデルからの出力値とを重み付き平均した数値を、検査対象の鋳鉄管の鋳肌の外観程度として評価決定する評価決定手段とを備える。

【0015】

この発明の他の局面に従う定量評価プログラムは、鋳鉄管の鋳肌の良否検査に用いられる定量評価プログラムであって、予め複数段階にクラス分けされた複数の鋳肌の画像データを教師データとして機械学習することにより生成された学習モデルを、記憶部から読み出すステップと、検査対象の鋳鉄管の鋳肌の画像データを取得するステップと、取得した画像データを学習モデルに入力し、学習モデルからの出力に基づくレベルまたは数値を、検査対象の鋳鉄管の鋳肌の外観程度として評価決定するステップとをコンピュータに実行させる。

【0016】

この発明の他の局面に従う学習モデル生成プログラムは、鋳鉄管の鋳肌の良否検査用の学習モデルを生成するための学習モデル生成プログラムであって、予め複数段階にクラス分けされた複数の鋳肌の元画像データを入力するステップと、入力された元画像データに基づいて拡張データを生成するステップと、元画像データおよび拡張データを含む複数の鋳肌の画像データの少なくとも一部を教師データとして、クラスごとに機械学習するステップとをコンピュータに実行させる。

【0017】

この発明のさらに他の局面に従う学習モデル生成プログラムは、予め複数段階にクラス分けされた複数の鋳肌の元画像データを入力するステップと、入力された元画像データに対して、適応的ヒストグラム平坦化およびバイラテラルフィルタによるぼかし処理を含む前処理を施した前処理を施して教師データを生成するステップと、生成された教師データをクラスごとに機械学習するステップとをコンピュータに実行させる。

【発明の効果】

【0018】

本発明によれば、鋳鉄管の鋳肌の外観程度を定量評価することができる。

【図面の簡単な説明】

【0019】

【図1】本発明の各実施の形態における定量評価システム１の概要を模式的に示す図である。

【図2】本発明の各実施の形態における鋳肌の外観程度の評価方法を模式的に示す図である。

【図3】（Ａ）は、本発明の各実施の形態における学習装置の機能構成を示す機能ブロック図であり、（Ｂ）は、本発明の各実施の形態における定量評価装置の機能構成を示す機能ブロック図である。

【図4】本発明の実施の形態１における学習モデルの生成方法を示すフローチャートである。

【図5】図４のステップＳ１を説明するための模式図である。

【図6】本発明の各実施の形態における鋳肌の外観程度の定量評価方法を示すフローチャートである。

【図7】本発明の実施の形態２における学習モデルの生成方法を示すフローチャートである。

【図8】（Ａ），（Ｂ）は、本発明の実施の形態２における元画像データの拡張パターンを示す図である。

【図9】（Ａ）～（Ｃ）は、各実施の形態の実施例に対応する学習モデルの汎用性能の評価結果を示す図である。

【図10】本発明の実施の形態３に係る学習装置が実行するアンサンブル学習の概要を示す図である。

【図11】（Ａ）は、本発明の実施の形態３における入力画像のチューニング処理を示すフローチャートであり、（Ｂ）は、前処理の種類と誤差との関係を示すグラフである。

【図12】（Ａ），（Ｂ）は、分類モデルにおける不良品クラスの重みの検証結果を示すグラフである。

【図13】（Ａ），（Ｂ）は、アンサンブル学習の重みの検証結果を示すグラフである。

【図14】本発明の実施の形態３におけるアンサンブル学習モデルの評価結果を示すグラフである。

【図15】本発明の実施の形態３において学習時と推論時におけるデータ拡張の有無を検証した結果を示す。

【図16】金型遠心鋳造法により製造されたダクタイル鋳鉄管について説明するための図である。

【発明を実施するための形態】

【0020】

本発明の実施の形態について図面を参照しながら詳細に説明する。なお、図中同一または相当部分には同一符号を付してその説明は繰返さない。

【0021】

＜実施の形態１＞
（概要について）
はじめに、図１および図２を参照して、本実施の形態における定量評価システム１の概要について説明する。図１は、定量評価システム１の概要を模式的に示す図であり、図２は、鋳鉄管１０の鋳肌１１の外観程度の評価方法を模式的に示す図である。

【0022】

定量評価システム１は、多数の鋳鉄管の鋳肌の画像データを事前に機械学習することにより、検査対象の鋳鉄管１０の鋳肌１１の画像データから、鋳肌１１の外観程度を定量評価する。鋳鉄管１０は、典型的には、金型遠心鋳造法により製造されたダクタイル鋳鉄管である。

【0023】

鋳鉄管の特徴については、図１６を参照して説明する。金型遠心鋳造法では、図１６（Ａ）に示されるように、円筒状の金型１０１をローラ１０２により回転させながら、トラフ（樋）１０５を介してダクタイル溶湯Ｃが金型１０１内に供給される。金型１０１には冷却水通路１０３が設けられており、遠心鋳造時に冷却水通路１０３に冷却水を循環させることにより、溶湯ならびに金型１０１が冷却されて、鋳鉄管（ダクタイル鋳鉄管）１０が成形される。

【0024】

金型１０１の内周面には微細な凹凸（ピーニング加工による凹凸）が形成されているため、金型遠心鋳造法により製造された鋳鉄管１０の鋳肌には、図１６（Ｂ）に示されるように、多数の円環状の凹凸模様１１０が表われる。

【0025】

このような鋳造製法では、溶湯に含まれていたガスの逃げ道がないため、鋳鉄管１０の鋳肌には、図１６（Ｂ）に示すようなピンホールＰが発生し易い。

【0026】

定量評価システム１は、学習フェーズにおいて、予め５段階にクラス分けされた鋳肌の画像データを教師データとして、ディープラーニングにより機械学習する。具体的には、ＣＮＮ（畳み込みニューラルネットワーク）を用いて、多数の鋳肌の画像データを機械学習して学習モデルＭ１を構築する。

【0027】

鋳鉄管１０の鋳肌の外観程度は、単位面積当たりのピンホールＰの量（多さ）に応じて５段階の等級に分類される。図１６（Ｃ）には、各等級の鋳肌１１の外観程度が示されている。等級が小さい程、良い評価である。

【0028】

ＣＮＮは、画像特徴量の抽出とプーリング（ノイズ処理）とを行うネットワークが何層にも連なったニューラルネットワークである。これにより、推論フェーズにおいて、検査対象の鋳鉄管１０の鋳肌１１の画像データを学習モデル（学習済モデル）Ｍ２に入力することにより、対象の鋳肌１１の外観程度を定量評価することができる。

【0029】

さらに、本実施の形態に係る定量評価システム１は、推論フェーズにおいて、対象の鋳肌１１の画像データの分析結果として、教師データのクラス数（５クラス）よりも多い段階のレベル、または、連続した無段階の数値範囲内の数値を出力するように構築されている。具体的には、図２に示されるように、対象の鋳肌１１の画像データを、学習モデルＭ２としてのＣＮＮを通して回帰問題として解き、その計算結果を鋳肌１１の外観程度として評価決定するように構築されている。そのため、推論フェーズにおいて、学習モデルＭ２に鋳肌１１の画像データを入力することにより、元の５クラス以上のより細やかな基準の評価値（たとえば、１．０～５．０までの数値）を、鋳肌１１の外観程度として出力することができる。

【0030】

学習フェーズにおける各種処理は、学習装置により実行され、推論フェーズにおける各種処理は、定量評価装置により実行される。学習装置および定量評価装置は、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）などのプロセッサ、および、不揮発性のメモリや記憶装置を備えたコンピュータ（情報処理端末）により実現可能である。学習装置および定量評価装置は、典型的には別のコンピュータにより実現されるものの、共通のコンピュータにより実現されてもよい。

【0031】

（学習装置の機能構成）
図３（Ａ）は、学習装置３の機能構成を示す機能ブロック図である。

【0032】

学習装置３は、予め複数段階にクラス分けされた複数の鋳鉄管の鋳肌の画像データを入力（取得）する入力部３１と、入力部３１に入力された複数の画像データ（以下「元画像データ」という）をクラスごとに記憶する元画像データ記憶部３２とを備えている。入力部３１から入力される元画像データの画像は全て、同じ条件（光源の方向、解像度、色など）で撮影されたものであり、同じ人によってクラス分類されていることが望ましい。

【0033】

学習装置３は、元画像データ記憶部３２に記憶された元画像データを所定のルールで分類して教師データおよびテストデータを生成する教師データ生成部３３と、教師データ生成部３３により生成された教師データおよびテストデータをクラスごとに記憶する教師データ記憶部３４と、教師データ記憶部３４に記憶された教師データ（元画像データの少なくとも一部）を、ＣＮＮを用いてクラスごとに機械学習して学習モデルＭ１を生成する学習処理部３５と、学習処理部３５により生成された学習モデルＭ１を記憶するモデル記憶部３６とをさらに備えている。

【0034】

学習装置３はまた、教師データ記憶部３４に記憶されたテストデータを用いて学習モデルＭ１の汎用性能を評価する評価部３７をさらに備えていてもよい。

【0035】

教師データ生成部３３、学習処理部３５、および評価部３７の機能は、プロセッサがソフトウェアを実行することにより実現される。元画像データ記憶部３２およびモデル記憶部３６は、不揮発性の記憶装置により構成される。教師データ記憶部３４は、不揮発性または揮発性の記憶装置により構成される。入力部３１は、たとえば、外部装置からデータを送受信可能な通信Ｉ／Ｆ（インターフェイス）であってもよいし、着脱可能な記録媒体からのデータの読み書きを行う駆動装置であってもよい。

【0036】

（定量評価装置の機能構成）
図３（Ｂ）は、定量評価装置４の機能構成を示す機能ブロック図である。

【0037】

定量評価装置４は、検査対象の鋳鉄管１０の鋳肌１１の画像データを入力（取得）する入力部４１と、学習モデルＭ２を予め記憶するモデル記憶部４２と、入力部４１に入力された画像データを学習モデルＭ２に入力し、学習モデルＭ２からの出力に基づくレベルまたは数値を、対象の鋳肌１１の外観程度として評価決定する評価決定部４３と、評価決定部４３による評価結果を出力する出力部４４とを備えている。

【0038】

モデル記憶部４２に記憶された学習モデルＭ２は、学習装置３において構築された学習モデルＭ１、すなわち、予め複数段階にクラス分けされた複数の鋳肌の画像データを教師データとして機械学習することにより生成された学習モデルＭ１に相当する。

【0039】

評価決定部４３は、学習モデルＭ２に入力された画像データの分析結果として、元のクラス数（５段階）よりも多い段階（たとえば１０段階）のレベル、または、連続した無段階の数値範囲（たとえば１．０～５．０）内の数値を、鋳肌１１の外観程度として評価決定する。

【0040】

評価決定部４３の機能は、プロセッサがソフトウェアを実行することにより実現される。モデル記憶部４２は、典型的には、不揮発性の記憶装置により構成される。入力部４１は、たとえば、外部装置からデータを送受信可能な通信Ｉ／Ｆであってもよいし、着脱可能な記録媒体からのデータの読み書きを行う駆動装置であってもよい。あるいは、図示しない撮影装置から直接画像データを入力する入力Ｉ／Ｆであってもよい。出力部４４は、たとえばディスプレイにより構成される。あるいは、出力部４４も入力部４１と同様に、通信Ｉ／Ｆまたは駆動装置などにより構成されてもよい。

【0041】

（学習方法について）
図４のフローチャートを参照して、本実施の形態に係る学習装置３が実行する学習方法、すなわち学習モデルＭ１の生成方法について説明する。なお、図４に示す処理は、学習装置３のプロセッサが予めメモリに記憶されたプログラムを実行することにより実現される。

【0042】

学習装置３は、入力部３１を介して元画像データを取得すると（ステップＳ１）、取得した元画像データを元画像データ記憶部３２に格納する。各元画像データは、予めクラス１～５のいずれかに分類されており、元画像データ記憶部３２には、元画像データの各々が、所属するクラスに対応付けて記憶される。元画像データ記憶部３２に記憶される元画像データは、一例として、２０４８×１５３６のＪＰＧファイルを２５６×１９２のＰＮＧファイルに圧縮した三色（ＲＧＢ）の画像データである。なお、入力部３１から入力される画像データ自体が、圧縮された画像データであってもよいし、学習装置３が、入力部３１から入力される画像データを圧縮する機能を有していてもよい。

【0043】

次に、学習装置３の教師データ生成部３３が、元画像データ記憶部３２に記憶された多数の元画像データを、所定のルールで、訓練データ、検証データ、およびテストデータに振り分ける（ステップＳ３）。具体的には、図５に示されるように、まず、各クラスから所定数（たとえば１０枚）の元画像データを抽出し、抽出した元画像データをテスト用フォルダＦ３内のクラス番号に対応したフォルダに保存する。次に、残った元画像データを８：２の比率で訓練データと検証データに分類し、テストデータと同様に、各フォルダＦ１，Ｆ２内にあるクラス番号に対応したフォルダに、分類した元画像データを保存する。テスト用フォルダＦ３、訓練用フォルダＦ１、検証用フォルダＦ２は、教師データ記憶部３４に格納される。

【0044】

続いて、学習処理部３５が、ＣＮＮを用いて訓練データおよび検証データを含む教師データの機械学習を実行し、学習モデルＭ１を生成する（ステップＳ５）。具体的には、ＣＮＮのフレームワークに、たとえばＳｏｎｙ（Ｒ）社のＮｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｃｏｎｓｏｌｅを使用し、ＣＮＮの構造探索機能を用いてネットワークのアーキテクチャを構築する。この際、訓練データで訓練を行い、重みおよびバイアス等のパラメータを学習するとともに、検証データで検証を行い、ベイズ最適化でハイパーパラメータを調節する処理が実行される。

【0045】

学習モデルＭ１が生成されると、モデル記憶部３６に学習モデルＭ１を記憶する。また、評価部３７が、テストデータによって学習モデルＭ１の汎用性能を評価する（ステップＳ７）。学習モデルＭ１の汎用性能の評価は、定量評価装置４の評価決定部４３の評価方法に従って行われてもよい。評価部３７による評価結果に応じて、学習モデルＭ１を再構築してもよい。

【0046】

（学習方法の実施例）
上述の学習方法の実施例について説明する。本実施例では、クラス１の画像を１８１枚、クラス２の画像を２４０枚、クラス３の画像を１７２枚、クラス４の画像を８６枚、クラス５の画像を７５枚、計７５４枚の画像を、学習用のデータセットとして用いた。この場合、全７５４枚の元画像データが、５０枚（クラスごとに１０枚）のテストデータ、５６４枚の訓練データ、１４０枚の検証データに振り分けられる（図４のステップＳ３）。

【0047】

訓練データおよび検証データを用いた機械学習では、上述のＮｅｕｒａｌ Ｎｅｔｗｏｒｋ Ｃｏｎｓｏｌｅを使用し、ＬｅＮｅｔを多層化して変更を加えたアーキテクチャを起点に、ガウシアンプロセスで一週間探索を行った（図４のステップＳ５）。探索の結果、最も精度が高かったものを学習モデルＭ１のネットワーク（アーキテクチャ）として採用した。なお、このアーキテクチャは後述の実施の形態２の実施例に対応しているものとする。

【0048】

本実施例において生成された学習モデルＭ１の汎用性能の評価を、各クラス１０枚（計５０枚）のテストデータで行った（図４のステップＳ７）。図９（Ａ）には、本実施例における学習モデルＭ１の評価結果が示されている。紙面左のグラフは混同行列を示しており、縦軸が真値（実際のクラス）、横軸が予測値（判定値）を表わしている。なお、ここでは、定量評価装置４の評価決定部４３による評価方法と同様に、学習モデルＭ１としてのＣＮＮの出力を回帰計算した結果（最終出力値）を予測値とした。予測値を「Ｙ」とすると、Ｙ≦１．５の場合にＹ＝１に分類したと判定し、１．５＜Ｙ≦２．５の場合にＹ＝２、２．５＜Ｙ≦３．５の場合にＹ＝３、３．５＜Ｙ≦４．５の場合にＹ＝４、Ｙ＞４．５の場合にＹ＝５に分類したと判定している。

【0049】

紙面右のグラフは、左の混同行列に基づいて計算したＭＡＥ（平均絶対誤差）およびＲＭＳＥ（平均二乗誤差の平方根）を、各クラスおよび全体で表わしている。図９（Ａ）のグラフから、学習方法に改善の余地はあるものの、予めクラス分けされた多数の鋳肌の元画像データをＣＮＮで機械学習させておくことにより、検査対象の鋳肌１１の外観程度を予測可能であるという一定の効果が確認できた。

【0050】

（定量評価方法）
図６のフローチャートを参照して、定量評価装置４が実行する定量評価方法について説明する。なお、図６に示す処理は、定量評価装置４のプロセッサが予めメモリに記憶されたプログラムを実行することにより実現される。また、この処理の開始時には、モデル記憶部４２から学習モデルＭ２を読み出して、内部メモリに展開されているものとする。なお、学習モデルＭ２は、この処理の開始時に、図示しないサーバ等からダウンロードされてもよい。

【0051】

定量評価装置４は、入力部４１を介して検査対象の鋳鉄管１０の鋳肌１１の画像データ、すなわち外観程度が未知の鋳肌１１の画像データを取得すると（ステップＳ１１）、評価決定部４３が、取得した画像データを学習モデルＭ２に入力する（ステップＳ１３）。

【0052】

評価決定部４３は、学習モデルＭ２からの出力を回帰問題として解き、１．０～５．０の数値範囲内の数値（たとえば、「３．２」、「３．２７」など）を算出する（ステップＳ１５）。

【0053】

評価決定部４３による処理が終わると、出力部４４が、ステップＳ１５での算出結果を、鋳肌１１の外観程度として出力する（ステップＳ１７）。

【0054】

このように、本実施の形態では、検査対象の鋳鉄管１０の鋳肌１１の外観程度を自動的に評価して出力するので、鋳肌１１の良否判定を精度良く行うことが可能となる。また、元のクラス数よりも細かな数値を、鋳肌１１の外観程度を表す指標として出力するため、より精度良く鋳肌１１の良否判定を行うことができる。

【0055】

＜実施の形態２＞
本実施の形態では、学習フェーズにおける教師データの数を増やすために、学習装置３が元画像データに基づいて拡張データを生成する点において、実施の形態１と相違する。以下の説明では、実施の形態１との相違点のみ詳細に説明する。

【0056】

図７は、本実施の形態における学習モデルＭ１の生成方法を示すフローチャートである。なお、図７では、実施の形態１と同様の処理については、図４と同じステップ番号を付している。

【0057】

図７を参照して、本実施の形態における学習装置３は、入力部３１を介して元画像データを取得し（ステップＳ１）、教師データ生成部３３が元画像データを振り分けた後に（ステップＳ３）、拡張データを生成する処理を実行する（ステップＳ２４）。本実施の形態では、教師データ生成部３３が、データ分類ごとに、各元画像データを反転、回転、およびトリミングをして、拡張データを生成する。

【0058】

図８（Ａ）を参照して、元画像データの拡張パターン（拡張パターン１）について説明する。実施の形態１の実施例と同様に、７５４枚のデータセットが、訓練用（５６４枚）、検証用（１４０枚）、テスト用（５０枚）に分類されているものとする。

【0059】

元画像データの反転は、３方向（垂直、水平、垂直水平）それぞれに対して行い、１枚の元画像データから３種類の反転画像データを生成する。

【0060】

元画像データの回転は、たとえば５°未満の角度範囲で左右方向それぞれに対して行い、１枚の元画像データから少なくとも２種類の回転画像データを生成する。本実施例では、元画像データを１度、２度、－１度、－２度にそれぞれ回転させた、４種類の回転画像データを生成した。このように、回転角度を小さくすることにより、図１６（Ｂ）に示したような、鋳鉄管１０の鋳肌に表われている多数の円環状の凹凸模様１１０の影響を少なくすることができる。つまり、撮影画像には、多数の円環状の凹凸模様１１０が一定間隔の縦線模様として写り込むため、このように回転角度を小さくすることにより、回転画像データの縦線模様の凹部をピンホールＰとして誤認定する可能性を少なくすることができる。

【0061】

元画像データのトリミングは、たとえば５％未満の範囲内で上下左右それぞれに対して
行い、１枚の元画像データから少なくとも４種類のトリミング画像データを生成する。本
実施例では、元画像データの縁部を各方向に１％、２％、３％除去した４×３種類のトリ
ミング画像データを生成した。鋳鉄管１０の画像の縁部（特に上下の縁部）は、円弧面の端部に相当するため、中央部よりも暗くなりやすく、ピンホールＰが写り難いと考えられる。そのため、本実施例のように、元画像データの縁部を除去したトリミング画像データを生成することにより、画像の等級を維持したまま、多くの拡張データを生成することができる。

【0062】

なお、本実施例では、図８（Ａ）に示されるように、反転、回転、トリミングを、この順序で行い、前工程の拡張データをさらに拡張するようにした。この場合、テスト用画像が１３０００枚、訓練画像が１４６４６０枚、検証画像が３６４００枚となる。

【0063】

再び図７を参照して、本実施の形態の学習処理部３５は、全ての元画像データおよび拡張データのうち、訓練データおよび検証データとして振り分けられた画像データを機械学習して、学習モデルＭ１を生成する（ステップＳ２５）。

【0064】

このように生成された学習モデルＭ１の汎用性能を評価した（ステップＳ２７）場合の評価結果が、図９（Ｂ）に示されている。学習モデルＭ１の評価は、各クラス２６００枚（計１３０００枚）のテストデータで行った。紙面左のグラフは混同行列を示しており、縦軸が真値（実際のクラス）、横軸が予測値（判定値）を表わしている。紙面右のグラフは、左の混同行列に基づいて計算したＭＡＥ（平均絶対誤差）およびＲＭＳＥ（平均二乗誤差の平方根）を、各クラスおよび全体で表わしている。

【0065】

図９（Ａ）に示した実施の形態１でのＭＡＥおよびＲＭＳＥと比較すると、教師データの数を増やした本実施の形態の方が、精度が上がっていることが分かる。

【0066】

なお、本実施の形態では、テスト用画像についても拡張データを生成したが、テスト用画像は拡張せず、訓練用画像および検証用画像だけを拡張してもよい。この場合の拡張パターン（拡張パターン２）に対応した汎用性能の評価結果が、図９（Ｃ）に示されている。この実施例での学習モデルＭ１の評価は、実施の形態１と同様に、各クラス１０枚（計５０枚）のテストデータで行ったものである。この実施例においても、図９（Ａ）に示した実施の形態１でのＭＡＥおよびＲＭＳＥと比較すると、精度が上がっていることが分かる。

【0067】

本実施の形態では、学習フェーズにおいて教師データを増やすために、トリミング画像データや回転画像データを生成することとしたが、たとえばトリミング画像データについては、推論フェーズにおける予測精度を向上させる目的でも生成してもよい。すなわち、定量評価装置４において、学習モデルＭ２に入力する画像データを、トリミング画像データとしてもよい。

【0068】

＜実施の形態３＞
本実施の形態では、鋳肌検査の目的（不良品を除外する）を考慮し、学習装置が、上述のような回帰による学習モデル（以下「回帰モデル」という）と不良品分類モデル（以下「分類モデル」と略す）との二つで機械学習を行う例について説明する。本実施の形態では、回帰モデルと分類モデルとの二つで機械学習することを、「アンサンブル学習」と称する。

【0069】

（概要について）
図１０は、本実施の形態に係る学習装置３が実行するアンサンブル学習の概要を示す図である。図１０に示されるように、学習装置３は、元画像（ピンホール画像）を学習に適した画像にチューニング（調整）する処理を行った後（ステップＳ３１）、アンサンブル学習を行う（ステップＳ３２）。アンサンブル学習の出力値を、鋳肌１１の等級判定結果として出力する（ステップＳ３３）。

【0070】

アンサンブル学習では、回帰モデルＭ１１による出力値（たとえば４．２）と分類モデルＭ１２による出力値（たとえば４）とを統合した値を最終の推定値として出力する。本実施の形態では、回帰モデルＭ１１の出力値と分類モデルＭ１２の出力値とを統合することを「スタッキング」と称する。スタッキングして得られる出力値は、連続値（たとえば４．１）となる。

【0071】

（チューニング処理について）
図１１（Ａ）を参照して、入力画像のチューニング処理の具体例について説明する。入力画像のチューニング処理は、図３（Ａ）に示した教師データ生成部３３により実行される。

【0072】

学習装置３は、はじめに、クラス不均衡を解消するために入力画像のオーバーサンプリングを行う（ステップＳ４１）。具体的には、各クラスの訓練データを無作為に複製し、各クラスの画像が同数（たとえば１，０００枚）となるようオーバーサンプリングを行う。

【0073】

次に、全ての画像に対して、解像度を調整（リサイズ）する（ステップＳ４２）。鋳肌１１を撮影した元画像の解像度のままＣＮＮ（各モデルＭ１１，Ｍ１２）に入力すると、画像に含まれる高周波の空間周波数成分がノイズとなり、精度が低下する可能性があるためである。ＣＮＮに入力する画像の解像度は、複数のサイズ候補のなかから検証により定めることができる。一例として、元画像の解像度が２７３６×１８２４である場合、入力画像の解像度を７９８×５３２とする処理が行われる。

【0074】

解像度の調整後、学習装置３は、各画像に対して前処理を行う（ステップＳ４３）。前処理は、「適応的ヒストグラム平坦化」および「疑似カラー変換」を含み、「バイラテラルフィルタによるぼかし処理」をさらに含むことが望ましい。この場合、ヒストグラム平坦化、ぼかし処理、カラー変換の順に、前処理を行うことが望ましい。

【0075】

「適応的ヒストグラム平坦化」は、コントラストに制限をかけた上で背景領域のコントラストを向上させる処理である。「疑似カラー変換」は、グレースケール画像をたとえば３列配列の疑似カラー画像に変換する処理であり、たとえばＪＥＴなどのカラーマップが適用される。「バイラテラルフィルタ」は、平滑フィルタの一つで、ガウシアンフィルタに加え色距離による重み付けを加えたものである。このフィルタを用いたぼかし処理を行うことで、ハイコントラストの領域を保持しながら画像をぼかすことができる。

【0076】

図１１（Ｂ）は、入力画像の前処理の種類と誤差（ＲＭＳＥ）との関係を示すグラフであり、「適応的ヒストグラム平坦化」を「ＣＬＡＨＥ」、「疑似カラー変換」を「ＪＥＴ」、「バイラテラルフィルタによるぼかし処理」を「ＢＦ」と表記している。このグラフから、前処理なしの画像を学習したケースにおける誤差よりも、前処理ありの画像を学習したケースにおける誤差の方が小さいことが分かる。また、前処理には、「適応的ヒストグラム平坦化」および「疑似カラー変換」に加え、少なくとも１回の「バイラテラルフィルタによるぼかし処理」を行うことが有効であることが分かる。ぼかし処理を行うことで、鋳鉄管１０の鋳肌１１に表われる縦線模様を目立たなくすることができるためである。すなわち、ぼかし処理を行うことによって、鋳肌１１の縦線模様の凹部をピンホールＰと誤って学習する可能性を低減することができる。ぼかし処理は、２回以上４回以下の複数回行うことが、さらに望ましい。

【0077】

なお、鋳鉄管１０の鋳肌１１に表われる縦線模様を目立たなくするという観点では、学習モデル（回帰モデルＭ１１、分類モデルＭ１２）の教師データを、「適応的ヒストグラム平坦化」と「バイラテラルフィルタによるぼかし処理」とを含む前処理が施された画像データとすることで、（「疑似カラー変換」を行わなくても）精度向上を見込める可能性がある。

【0078】

上記のような前処理を行った後、実施の形態２と同様に、教師データ（少なくとも訓練データ）のデータ拡張を行う（ステップＳ４４）。実施の形態２では、画像データを反転、回転、およびトリミングをすることで拡張データを生成したが、本実施の形態では、２度以内（５度未満）の回転及びせん断、上下反転、左右反転、９５％～１０５％以内の拡大縮小、２％以内の上下左右移動をランダムに行うことで、拡張データを生成する。さらに画素値が０～１の範囲になるように正規化する。なお、このようなデータ拡張は各分類（クラス）で同じ回数行われるものとする。

【0079】

上述のチューニング処理により、回帰モデルＭ１１および分類モデルＭ１２に共通の多数の教師データが生成される。

【0080】

（アンサンブル学習について）
アンサンブル学習では、上述のチューニング処理を施した教師データを、回帰モデルＭ１１および分類モデルＭ１２の双方に入力する。回帰モデルＭ１１は、実施の形態１，２で説明した学習モデルＭ１に相当し、ＣＮＮを利用した回帰計算によって、出力値が鋳肌１１の外観程度を示す連続値となるよう学習するプログラムである。分類モデルＭ１２は、ＣＮＮの出力値が鋳肌１１のクラス（等級）となるように学習するプログラムである。分類モデルＭ１２のアーキテクチャは回帰と同じものを使用する。

【0081】

回帰モデルＭ１１および分類モデルＭ１２のアーキテクチャは、共通であることが望ましい。本実施の形態では、ＣＮＮの実装に、ＴｅｎｓｏｒＦｌｏｗをバックエンドとしたＫｅｒａｓを利用可能である。学習には、ＶＧＧ、ＤｅｎｓｅＮｅｔなどの既存のアーキテクチャをファインチューニングしたモデルを用いることができる。

【0082】

これらのモデルＭ１１，Ｍ１２に使用するアーキテクチャとしては、様々な種類のＣＮＮアーキテクチャを比較検証した結果、精度の高いアーキテクチャが選択されることが望ましい。その上で、選択されたアーキテクチャを用いてファインチューニングでパラメータを固定する畳み込み層の範囲を比較検証した結果、精度の高い範囲のモデルが採用されることが望ましい。一例として、「ＤｅｎｓｅＮｅｔ２０１」の入力層から４８１層までのパラメータを固定し、４８１層以降をファインチューニングしたモデルを用いることができる。本実施の形態で用いるモデルは、事前にＩｍａｇｅＮｅｔの３チャンネルカラー画像で学習済みの転移学習モデルである。

【0083】

ここで、分類モデルＭ１２を用いる目的は、不良品クラス（クラス５）の推定精度を高めることである。そのため、不良品クラスに重み付けをして教師データを学習してもよい。分類モデルＭ１２に使用する損失関数の重み付きクロスエントロピーを次式（１）に示す。

【0084】

【数1】

【0085】

ここで、Ｐ_ｉは真の確率分布、Ｑ_ｉは推定した確率分布、Ｃは分類クラス数、Ｎはデータ数、Ｗ_ｃはクラスＣの重みである。不良品クラスの重みはＷ５であり、不良品クラス以外の重みＷ_１，Ｗ_２，Ｗ_３，Ｗ_４は全て「１」とした。すなわち、Ｗ_５＝１のとき、通常のクロスエントロピーの状態となる。

【0086】

分類モデルＭ１２での不良品クラスの重みＷ_５と不良品クラスの再現率（Ｒｅｃａｌｌ）の関係を図１２（Ａ）に示す。また、不良品クラスの重みＷ_５と誤差（ＲＭＳＥ）との関係を図１２（Ｂ）に示す。図１２（Ａ）において、重みが「６」以上のとき、再現率が「１」となった。これは、検証データの不良品を残らず検出できていることを示している。また、図１２（Ｂ）において、「６」以上の重みの誤差のうち、「８」のときの誤差が最良であった。再現率が最良であることを前提とし、その中で誤差が最小となる重みを選択することが有効であると考えられる。図１２に示す例では、不良品クラスの重みＷ_５として「８」を採用することができる。なお、図１２の検証結果によれば、不良品クラスの重みＷ_５は、４～８の間で定められればよい。

【0087】

回帰モデルＭ１１の出力値と分類モデルＭ１２の出力値とをスタッキングする際、重み付き平均を用いることが望ましい。以下に、アンサンブル学習による推定値ｙ^～を定義する式（２）を示す。

【0088】

【数2】

【0089】

ｙ_ｒは回帰モデルＭ１１による推定値、ｙ_ｃは分類モデルＭ１２による推定値、ｗは重み（０．１～１．０）である。ｗ＝０の時、ｙ_ｃの係数が「０」となり、回帰モデルＭ１１による推定値のみ、ｗ＝１の時に回帰の係数が「０」となり、分類モデルＭ１２による推定値のみの状態となる。このように、アンサンブル学習の重みｗは、回帰モデルＭ１１に対する重みを表わす。

【0090】

アンサンブル学習の重みｗについても、０．０～１．０の範囲で比較検証することによって定めることが望ましい。検証データにおけるアンサンブル学習の重みｗの比較結果を、図１３（Ａ）および（Ｂ）に示す。図１３（Ａ）および（Ｂ）に示す検証結果は、回帰モデルＭ１１および分類モデルＭ１２が上述のチューニング処理を行い、かつ、分類モデルＭ１２での不良クラスの重みＷ_５を「８」としたモデルケースにおいて、分類モデルＭ１２の比率を変更した場合の精度を示すものとする。

【0091】

図１３（Ｂ）に示すように、重みｗを大きくすればするほど真値との誤差（ＲＭＳＥ）が悪化しているものの、図１３（Ａ）に示すように、重みｗが０．６以上の時、再現率（Ｒｅｃａｌｌ）が１となっている。この場合においても、再現率が最良であることを前提とし、その中で誤差が最小となる重みを選択することが有効であると考えられる。図１３に示す例では、アンサンブル学習の重みＷ_５として「０．６」を採用することができる。なお、図１３の検証結果によれば、アンサンブル学習の重みＷ_５は、０．２以上０．６以下の範囲で定められればよい。

【0092】

上記モデルケースにおいて重みＷ_５とした場合のアンサンブル学習モデルの評価結果（テストデータによる評価結果）を図１４に示す。この評価結果では、真値との誤差が０．５７１で再現率が１．０となった。

【0093】

以上より、本実施の形態のアンサンブル学習によれば、連続値での等級判定を可能としながら、不良品の再現率を１００％にすることができる。したがって、本実施の形態のアンサンブル学習モデルは、鋳鉄管１０の鋳肌１１の検査に有用なモデルである。つまり、定量評価装置４のモデル記憶部４２に、学習装置３で生成された回帰モデルＭ１１および分類モデルＭ１２を記憶させておくことにより、推論フェーズにおいて、検査対象の鋳鉄管１０の鋳肌１１の外観程度を精度良く評価決定することができる。

【0094】

（推論フェーズにおける定量評価について）
推論フェーズにおいて定量評価装置４は主に次の処理を行う。すなわち、定量評価装置４は、入力部４１が入力した画像データを回帰モデルＭ１１および分類モデルＭ１２に入力し、評価決定部４３が回帰モデルＭ１１からの出力値と分類モデルＭ１２からの出力値とを重み付き平均した数値を、鋳肌１１の外観程度を示す指標値として出力する。

【0095】

推論フェーズにおいても、学習フェーズと同様に、元の画像データに対して、リサイズおよび前処理を含むチューニング処理（入力画像調整処理）を行ってから、回帰モデルＭ１１および分類モデルＭ１２に画像データを入力することが望ましい。このように、定量評価装置４は、入力部４１が取得した画像データに少なくも前処理を実行する機能を有していることが望ましい。また、定量評価装置４が実行するチューニング処理にも、上述のようなデータ拡張処理が含まれてもよい。

【0096】

図１５に、学習時と推論時におけるデータ拡張の有無を検証した結果を示す。図１５のグラフに記載した「データ拡張なし」、「反転のみデータ拡張」、「データ拡張」はそれぞれ、学習フェーズにおいて、データ拡張を行わなかったケース、反転のみのデータ拡張を行ったケース、回転、反転、拡大縮小、移動をランダムに行ってデータ拡張したケースに対応している。これらのケースごとに、推論時データ拡張（Ｔｅｓｔ Ｔｉｍｅ Ａｕｇｍｅｎｔａｔｉｏｎ：ＴＴＡ）をしない場合、反転のみ４回のデータ拡張を行う場合、回転、反転、拡大縮小、移動をランダムに２０回行う場合の誤差（ＲＭＳＥ）をそれぞれ示している。

【0097】

なお、推論時にデータ拡張を行う場合、検査対象ごとに、複数の画像データが回帰モデルＭ１１および分類モデルＭ１２に入力されるため、回帰モデルＭ１１では推論結果の平均を行い、分類モデルＭ１２では多数決を行った場合の検証結果が図１５に示されている。

【0098】

この検証結果から、学習時にデータ拡張を行うほど精度が向上し、学習時と推論時のどちらにおいても、回転、反転、拡大縮小、移動をランダムに行ってデータ拡張するケースが最も精度が高いことが分かる。したがって、定量評価装置４が実行するチューニング処理（入力画像調整処理）に、回転、反転、拡大縮小、移動をランダムに行うデータ拡張処理がさらに含まれることが望ましい。

【0099】

なお、本実施の形態では、回帰モデルＭ１１および分類モデルＭ１２の双方を用いたアンサンブル学習において、元の画像データに対して前処理を含むチューニング処理を行う例について説明したが、実施の形態１および２のように回帰モデルを単独で用いる場合であっても、本実施の形態で説明したチューニング処理を行ってもよい。これにより、回帰モデルの推定精度を向上させることが可能である。

【0100】

＜変形例＞
上述の各実施の形態では、金型遠心鋳造法により製造された鋳鉄管を対象として説明したが、たとえば砂型遠心鋳造法など他種の遠心鋳造法により製造された鋳鉄管を対象とすることもできる。なお、砂型遠心鋳造法は砂型に空気の逃げ道があるため、砂型遠心鋳造法で製造された鋳鉄管は、金型遠心鋳造法により製造された鋳鉄管よりもピンホールＰの発生頻度が少ない。

【0101】

また、上記各実施の形態では、検査対象の鋳肌１１の外観程度を連続する数値として出力する例について説明したが、教師データと同じ段階のクラス（クラス１～５のいずれか）を出力してもよい。つまり、実施の形態３の分類モデルＭ１２を単独で（望ましくは、入力画像のチューニング処理と組み合わせて）用いてもよい。

【0102】

また、上記各実施の形態では、学習モデルとしてＣＮＮを用いることとしたが、画像分析に適した手法であれば、ＣＮＮに限定されない。

【0103】

なお、各実施の形態において学習装置３により実行される学習方法を、プログラムとして提供することもできる。同様に、定量評価装置４により実行される評価方法を、プログラムとして提供することもできる。このようなプログラムは、ＣＤ－ＲＯＭ（Compact Disc-ROM）などの光学媒体や、メモリカードなどのコンピュータ読取り可能な一時的でない（non-transitory）記録媒体にて記録させて提供することができる。また、ネットワークを介したダウンロードによって、プログラムを提供することもできる。

【0104】

本発明にかかるプログラムは、コンピュータのオペレーティングシステム（ＯＳ）の一部として提供されるプログラムモジュールのうち、必要なモジュールを所定の配列で所定のタイミングで呼出して処理を実行させるものであってもよい。その場合、プログラム自体には上記モジュールが含まれずＯＳと協働して処理が実行される。このようなモジュールを含まないプログラムも、本発明にかかるプログラムに含まれ得る。

【0105】

また、本発明にかかるプログラムは他のプログラムの一部に組込まれて提供されるものであってもよい。その場合にも、プログラム自体には上記他のプログラムに含まれるモジュールが含まれず、他のプログラムと協働して処理が実行される。このような他のプログラムに組込まれたプログラムも、本発明にかかるプログラムに含まれ得る。

【0106】

今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は上記した説明ではなくて特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0107】

１ 定量評価システム、３ 学習装置、４ 定量評価装置、１０ 鋳鉄管、１１ 鋳肌、３１，４１ 入力部、３２ 元画像データ記憶部、３３ 教師データ生成部、３４ 教師データ記憶部、３５ 学習処理部、３６，４２ モデル記憶部、３７ 評価部、４３ 評価決定部、４４ 出力部、Ｍ１，Ｍ２ 学習モデル、Ｍ１１ 回帰モデル、Ｍ１２ 不良品分類モデル、Ｐ ピンホール。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】

【図16】