知財求人 - 知財ポータルサイト「IP Force」
特開2023-83703教師データ生成装置、教師データ生成方法、学習モデル生成装置、ピッキングシステム
(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】P2023083703
(43)【公開日】2023-06-16
(54)【発明の名称】教師データ生成装置、教師データ生成方法、学習モデル生成装置、ピッキングシステム
(51)【国際特許分類】
G06T 7/00 20170101AFI20230609BHJP
【ＦＩ】
G06T7/00 350B
【審査請求】未請求
【請求項の数】11
【出願形態】ＯＬ
(21)【出願番号】P 2021197544
(22)【出願日】2021-12-06
(71)【出願人】
【識別番号】000001432
【氏名又は名称】グローリー株式会社
(74)【代理人】
【識別番号】100117673
【弁理士】
【氏名又は名称】中島 了
(72)【発明者】
【氏名】善本 秀法
【テーマコード（参考）】
5L096
【Ｆターム（参考）】
5L096BA05
5L096CA24
5L096DA01
5L096FA67
5L096GA19
5L096HA08
5L096HA09
5L096HA11
5L096KA04
5L096KA15
(57)【要約】
【課題】機械学習における教師データをより効率的に生成することが可能な教師データ生成装置およびそれに関連する技術を提供する。
【解決手段】教師データ生成装置は、物体９０を撮影した元画像２２０から複数の改変画像２６０（２６０ａ，２６０ｂ，２６０ｃ，...）を生成するとともに、複数の改変画像２６０に基づいて、物体９０の認識用の学習モデルを機械学習するための複数の教師データを生成する。教師データ生成装置は、参照画像（８０ａ，８０ｂ，８０ｃ，...）等に基づいて元画像２２０の一部領域２３０を互いに異なる複数の態様へと変更することにより、元画像２２０に関する複数の改変画像２６０を生成する。
【選択図】図１１
【解決手段】教師データ生成装置は、物体９０を撮影した元画像２２０から複数の改変画像２６０（２６０ａ，２６０ｂ，２６０ｃ，...）を生成するとともに、複数の改変画像２６０に基づいて、物体９０の認識用の学習モデルを機械学習するための複数の教師データを生成する。教師データ生成装置は、参照画像（８０ａ，８０ｂ，８０ｃ，...）等に基づいて元画像２２０の一部領域２３０を互いに異なる複数の態様へと変更することにより、元画像２２０に関する複数の改変画像２６０を生成する。
【選択図】図１１
【特許請求の範囲】
【請求項1】
物体を撮影した元画像から複数の改変画像を生成するとともに、前記複数の改変画像に基づいて、前記物体の認識用の学習モデルを機械学習するための複数の教師データを生成する制御部と、
を備え、
前記制御部は、前記元画像の一部領域を互いに異なる複数の態様へと変更することにより、前記元画像に関する前記複数の改変画像を生成することを特徴とする、教師データ生成装置。
を備え、
前記制御部は、前記元画像の一部領域を互いに異なる複数の態様へと変更することにより、前記元画像に関する前記複数の改変画像を生成することを特徴とする、教師データ生成装置。
【請求項2】
前記制御部は、前記物体の画像とは異なる少なくとも１つの参照画像を用いて、前記元画像の前記一部領域を互いに異なる複数の態様へと変更することにより、前記元画像に関する前記複数の改変画像を生成することを特徴とする、請求項１に記載の教師データ生成装置。
【請求項3】
前記制御部は、前記元画像の前記一部領域の画像である部分画像を用いた画像加工処理を実行して、前記元画像の前記一部領域を互いに異なる複数の態様へと変更することにより、前記元画像に関する前記複数の改変画像を生成することを特徴とする、請求項１または請求項２に記載の教師データ生成装置。
【請求項4】
前記制御部は、前記元画像内の前記一部領域の画像と前記少なくとも１つの参照画像のうちのいずれか１つ以上の参照画像とをブレンドして改変画像を生成することを特徴とする、請求項３に記載の教師データ生成装置。
【請求項5】
前記一部領域は、前記元画像において、前記物体と同一あるいは同種の物体の相互間で変動が許容される変動許容領域を含む領域であることを特徴とする、請求項１から請求項４のいずれかに記載の教師データ生成装置。
【請求項6】
前記物体は、透明部を有する物体であり、
前記一部領域は、前記元画像において、前記物体の前記透明部を含む領域であることを特徴とする、請求項１から請求項５のいずれかに記載の教師データ生成装置。
前記一部領域は、前記元画像において、前記物体の前記透明部を含む領域であることを特徴とする、請求項１から請求項５のいずれかに記載の教師データ生成装置。
【請求項7】
前記元画像を表示する表示部と、
前記元画像における前記一部領域の範囲指定操作を受け付ける受付部と、
を備えることを特徴とする、請求項１から請求項６のいずれかに記載の教師データ生成装置。
前記元画像における前記一部領域の範囲指定操作を受け付ける受付部と、
を備えることを特徴とする、請求項１から請求項６のいずれかに記載の教師データ生成装置。
【請求項8】
請求項１から請求項７のいずれかに記載の教師データ生成装置にて生成された第１教師データ群に基づき予め学習された学習モデルを、第２教師データ群にも基づき追加学習する学習モデル生成装置であって、
前記第１教師データ群は、前記物体である第１物体を認識させるために第１改変画像群に基づき生成された前記複数の教師データであり、
前記第１改変画像群は、前記第１物体を撮影した前記元画像である第１元画像に関する前記複数の改変画像であって、前記第１元画像の前記一部領域の画像を互いに異なる複数の部分画像へと変更することにより生成された前記複数の改変画像であり、
前記第２教師データ群は、前記第１物体とは異なる第２物体を認識させるために第２改変画像群に基づき生成された複数の教師データであり、
前記第２改変画像群は、前記第２物体を撮影した元画像である第２元画像に関する複数の改変画像であって、前記第２元画像の一部領域の画像を互いに異なる複数の部分画像へと変更することにより生成された複数の改変画像であり、
前記学習モデル生成装置は、
前記第１教師データ群に基づき予め学習された前記学習モデルの追加学習を実行する学習処理部、
を備え、
前記学習処理部は、前記追加学習の初期段階においては、前記第１教師データ群内の教師データよりも前記第２教師データ群内の教師データを多く用いて前記学習モデルを学習することを特徴とする、学習モデル生成装置。
前記第１教師データ群は、前記物体である第１物体を認識させるために第１改変画像群に基づき生成された前記複数の教師データであり、
前記第１改変画像群は、前記第１物体を撮影した前記元画像である第１元画像に関する前記複数の改変画像であって、前記第１元画像の前記一部領域の画像を互いに異なる複数の部分画像へと変更することにより生成された前記複数の改変画像であり、
前記第２教師データ群は、前記第１物体とは異なる第２物体を認識させるために第２改変画像群に基づき生成された複数の教師データであり、
前記第２改変画像群は、前記第２物体を撮影した元画像である第２元画像に関する複数の改変画像であって、前記第２元画像の一部領域の画像を互いに異なる複数の部分画像へと変更することにより生成された複数の改変画像であり、
前記学習モデル生成装置は、
前記第１教師データ群に基づき予め学習された前記学習モデルの追加学習を実行する学習処理部、
を備え、
前記学習処理部は、前記追加学習の初期段階においては、前記第１教師データ群内の教師データよりも前記第２教師データ群内の教師データを多く用いて前記学習モデルを学習することを特徴とする、学習モデル生成装置。
【請求項9】
請求項１から請求項７のいずれかに記載の教師データ生成装置にて生成された第１教師データ群に基づき予め学習された学習モデルを、少なくとも１つの新たな教師データにも基づき追加学習する学習モデル生成装置であって、
前記第１教師データ群は、前記物体を認識させるために第１改変画像群に基づき生成された前記複数の教師データであり、
前記第１改変画像群は、前記物体を撮影した前記元画像に関する前記複数の改変画像であって、前記元画像の前記一部領域の画像を互いに異なる複数の部分画像へと変更することにより生成された前記複数の改変画像であり、
前記少なくとも１つの新たな教師データは、前記物体を認識させるために少なくとも１つの新たな改変画像に基づいて生成された教師データであり、
前記少なくとも１つの新たな改変画像は、前記元画像の前記一部領域の画像を、前記複数の部分画像とは異なる少なくとも１つの新たな部分画像へと変更することにより生成された改変画像であり、
前記学習モデル生成装置は、
前記第１教師データ群に基づき予め学習された前記学習モデルの追加学習を実行する学習処理部、
を備え、
前記学習処理部は、前記追加学習の初期段階においては、前記第１教師データ群内の教師データよりも前記少なくとも１つの新たな教師データを多く用いて前記学習モデルを学習することを特徴とする、学習モデル生成装置。
前記第１教師データ群は、前記物体を認識させるために第１改変画像群に基づき生成された前記複数の教師データであり、
前記第１改変画像群は、前記物体を撮影した前記元画像に関する前記複数の改変画像であって、前記元画像の前記一部領域の画像を互いに異なる複数の部分画像へと変更することにより生成された前記複数の改変画像であり、
前記少なくとも１つの新たな教師データは、前記物体を認識させるために少なくとも１つの新たな改変画像に基づいて生成された教師データであり、
前記少なくとも１つの新たな改変画像は、前記元画像の前記一部領域の画像を、前記複数の部分画像とは異なる少なくとも１つの新たな部分画像へと変更することにより生成された改変画像であり、
前記学習モデル生成装置は、
前記第１教師データ群に基づき予め学習された前記学習モデルの追加学習を実行する学習処理部、
を備え、
前記学習処理部は、前記追加学習の初期段階においては、前記第１教師データ群内の教師データよりも前記少なくとも１つの新たな教師データを多く用いて前記学習モデルを学習することを特徴とする、学習モデル生成装置。
【請求項10】
請求項１から請求項７のいずれかに記載の教師データ生成装置にて生成された教師データに基づいて学習された学習モデル、または、請求項８あるいは請求項９に記載の学習モデル生成装置によって学習された学習モデル、に基づき、新たな入力画像に含まれる物体を認識する認識処理を実行する認識部と、
前記認識処理によって認識された物体をピッキングするピッキング部と、
を備えることを特徴とする、ピッキングシステム。
前記認識処理によって認識された物体をピッキングするピッキング部と、
を備えることを特徴とする、ピッキングシステム。
【請求項11】
ａ）物体を撮影した元画像を取得するステップと、
ｂ）前記元画像から複数の改変画像を生成するとともに、前記複数の改変画像に基づいて、前記物体の認識用の学習モデルを機械学習するための複数の教師データを生成するステップと、
を備え、
前記ステップｂ）は、
ｂ－１）前記元画像の一部領域を互いに異なる態様へと変更することにより、前記元画像に関する前記複数の改変画像を生成するステップと、
ｂ－２）前記複数の改変画像に基づき前記複数の教師データを生成するステップと、
を備えることを特徴とする、教師データ生成方法。
ｂ）前記元画像から複数の改変画像を生成するとともに、前記複数の改変画像に基づいて、前記物体の認識用の学習モデルを機械学習するための複数の教師データを生成するステップと、
を備え、
前記ステップｂ）は、
ｂ－１）前記元画像の一部領域を互いに異なる態様へと変更することにより、前記元画像に関する前記複数の改変画像を生成するステップと、
ｂ－２）前記複数の改変画像に基づき前記複数の教師データを生成するステップと、
を備えることを特徴とする、教師データ生成方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、機械学習における教師データを生成する教師データ生成装置およびそれに関連する技術に関する。
【背景技術】
【0002】
物体の撮影画像に基づき当該物体を認識する画像処理技術が存在する（たとえば、特許文献１等参照）。
【0003】
たとえば、特許文献１においては、撮影者が対象物の撮影に用いる撮影装置によって生成された撮影画像を、画像認識に利用される学習データ（機械学習における学習用データ）として収集する学習データ収集装置が示されている。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０２０－８９０４号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
ところで、撮影対象の物体（認識対象の物体）には様々な態様のものが存在する。たとえば、当該物体として、透明部を有する商品が存在する。より詳細には、袋状の商品パッケージ内に内容物（乾燥されたイカの足等）が包装されている商品（干しイカ等）において、その一部に透明部を有するものが存在する。当該商品においては、その商品パッケージの透明部から内容物（乾燥されたイカの足等）が透けて見えている。
【0006】
このような商品において、当該透明部から透けて見える内容物の状況は、多様性に富んでおり、同じ商品（同種の物体）であっても個体ごとに互いに異なっている。たとえば、イカの足の個々の太さ、長さ、およびイカの複数の足の絡まり具合、内容物（イカの足）が存在する部分の位置および大きさ、内容物（イカの足）が存在しない部分（透明部の裏側（ないし奥側）まで透けて見えている部分）の位置および大きさ等が、個体ごとに互いに異なっている。このように、透明部の様子は個体ごとに互いに異なっている。
【0007】
このような多様性を有する複数の個体を同種の物体（同一商品）であると認識するためには、当該透明部における様々な状況を網羅した多数の撮影画像を用いて、機械学習を実行させることが１つの解決策として考えられる。
【0008】
しかしながら、このような様々な状況を有する多数の個体（商品）を準備し、当該多数（たとえば１０００個）の個体のそれぞれに関する撮影を繰り返すことによって、多数の撮影画像を生成することは、非常に手間がかかる作業である。換言すれば、このようにして生成された多数の撮影画像に基づいて、機械学習における教師データを生成することは効率的ではない。
【0009】
また、このような状況は、透明部を有する物体のみならず、その一部に多様性を有する他の物体を認識するための教師データ等を生成する際にも同様に生じ得る。
【0010】
そこで、この発明は、機械学習における教師データをより効率的に生成することが可能な教師データ生成装置およびそれに関連する技術を提供することを課題とする。
【0011】
なお、特許文献１では、少なくとも一部が透明な物体が撮影画像に存在すると判定された場合には、その透明な部位が対象物として認識されない可能性があるため、その撮影画像を不適切であると判定し、再撮影を推奨すること、が記載されている（特許文献１の段落００７３，００７４参照）。しかしながら、上記のような商品に関して再撮影を行ったとしても、その撮影画像内には透明部が依然として存在する。それ故、特許文献１に記載の再撮影によっては事態は改善されない。
【課題を解決するための手段】
【0012】
上記課題を解決すべく、本発明に係る教師データ生成装置は、物体を撮影した元画像から複数の改変画像を生成するとともに、前記複数の改変画像に基づいて、前記物体の認識用の学習モデルを機械学習するための複数の教師データを生成する制御部と、を備え、前記制御部は、前記元画像の一部領域を互いに異なる複数の態様へと変更することにより、前記元画像に関する前記複数の改変画像を生成することを特徴とする。
【0013】
前記制御部は、前記物体の画像とは異なる少なくとも１つの参照画像を用いて、前記元画像の前記一部領域を互いに異なる複数の態様へと変更することにより、前記元画像に関する前記複数の改変画像を生成してもよい。
【0014】
前記制御部は、前記元画像の前記一部領域の画像である部分画像を用いた画像加工処理を実行して、前記元画像の前記一部領域を互いに異なる複数の態様へと変更することにより、前記元画像に関する前記複数の改変画像を生成してもよい。
【0015】
前記制御部は、前記元画像内の前記一部領域の画像と前記少なくとも１つの参照画像のうちのいずれか１つ以上の参照画像とをブレンドして改変画像を生成してもよい。
【0016】
前記一部領域は、前記元画像において、前記物体と同一あるいは同種の物体の相互間で変動が許容される変動許容領域を含む領域であってもよい。
【0017】
前記物体は、透明部を有する物体であり、前記一部領域は、前記元画像において、前記物体の前記透明部を含む領域であってもよい。
【0018】
前記教師データ生成装置は、前記元画像を表示する表示部と、前記元画像における前記一部領域の範囲指定操作を受け付ける受付部と、を備えてもよい。
【0019】
上記課題を解決すべく、本発明に係る学習モデル生成装置は、上記いずれかの教師データ生成装置にて生成された第１教師データ群に基づき予め学習された学習モデルを、第２教師データ群にも基づき追加学習する学習モデル生成装置であってもよい。詳細には、前記学習モデル生成装置において、前記第１教師データ群は、前記物体である第１物体を認識させるために第１改変画像群に基づき生成された前記複数の教師データであり、前記第１改変画像群は、前記第１物体を撮影した前記元画像である第１元画像に関する前記複数の改変画像であって、前記第１元画像の前記一部領域の画像を互いに異なる複数の部分画像へと変更することにより生成された前記複数の改変画像であり、前記第２教師データ群は、前記第１物体とは異なる第２物体を認識させるために第２改変画像群に基づき生成された複数の教師データであり、前記第２改変画像群は、前記第２物体を撮影した元画像である第２元画像に関する複数の改変画像であって、前記第２元画像の一部領域の画像を互いに異なる複数の部分画像へと変更することにより生成された複数の改変画像であり、前記学習モデル生成装置は、前記第１教師データ群に基づき予め学習された前記学習モデルの追加学習を実行する学習処理部、を備え、前記学習処理部は、前記追加学習の初期段階においては、前記第１教師データ群内の教師データよりも前記第２教師データ群内の教師データを多く用いて前記学習モデルを学習してもよい。
【0020】
上記課題を解決すべく、本発明に係る学習モデル生成装置は、上記いずれかの教師データ生成装置にて生成された第１教師データ群に基づき予め学習された学習モデルを、少なくとも１つの新たな教師データにも基づき追加学習する学習モデル生成装置であってもよい。詳細には、前記学習モデル生成装置において、前記第１教師データ群は、前記物体を認識させるために第１改変画像群に基づき生成された前記複数の教師データであり、前記第１改変画像群は、前記物体を撮影した前記元画像に関する前記複数の改変画像であって、前記元画像の前記一部領域の画像を互いに異なる複数の部分画像へと変更することにより生成された前記複数の改変画像であり、前記少なくとも１つの新たな教師データは、前記物体を認識させるために少なくとも１つの新たな改変画像に基づいて生成された教師データであり、前記少なくとも１つの新たな改変画像は、前記元画像の前記一部領域の画像を、前記複数の部分画像とは異なる少なくとも１つの新たな部分画像へと変更することにより生成された改変画像であり、前記学習モデル生成装置は、前記第１教師データ群に基づき予め学習された前記学習モデルの追加学習を実行する学習処理部、を備え、前記学習処理部は、前記追加学習の初期段階においては、前記第１教師データ群内の教師データよりも前記少なくとも１つの新たな教師データを多く用いて前記学習モデルを学習してもよい。
【0021】
上記課題を解決すべく、本発明に係るピッキングシステムは、上記いずれかの教師データ生成装置にて生成された教師データに基づいて学習された学習モデル、または、上記いずれかの学習モデル生成装置によって学習された学習モデル、に基づき、新たな入力画像に含まれる物体を認識する認識処理を実行する認識部と、前記認識処理によって認識された物体をピッキングするピッキング部と、を備えるピッキングシステムであってもよい。
【0022】
上記課題を解決すべく、本発明に係る教師データ生成方法は、ａ）物体を撮影した元画像を取得するステップと、ｂ）前記元画像から複数の改変画像を生成するとともに、前記複数の改変画像に基づいて、前記物体の認識用の学習モデルを機械学習するための複数の教師データを生成するステップと、を備え、前記ステップｂ）は、ｂ－１）前記元画像の一部領域を互いに異なる態様へと変更することにより、前記元画像に関する前記複数の改変画像を生成するステップと、ｂ－２）前記複数の改変画像に基づき前記複数の教師データを生成するステップと、を備える教師データ生成方法であってもよい。
【発明の効果】
【0023】
本発明によれば、元画像の一部領域を互いに異なる態様へと変更することにより元画像に関する複数の改変画像が生成され、複数の改変画像に基づき複数の教師データが生成される。したがって、物体の一部領域における多様な状況を順次に発現させて撮影を繰り返すことにより複数の撮影画像を取得し当該複数の撮影画像に基づき教師データを生成する場合に比べて、機械学習における教師データを効率的に生成することが可能である。
【図面の簡単な説明】
【0024】
【図1】ピッキングシステムを示す概略図である。
【図2】ピッキングシステム（ピッキングロボット等）を示す外観斜視図である。
【図3】一のピッキング対象物が作業平面に載置されている様子を示す図である。
【図4】複数のピッキング対象物が作業平面に載置されている様子を示す図である。
【図5】処理の各段階を示す図である。
【図6】教師データの生成段階の処理の詳細を示すフローチャートである。
【図7】学習モデル生成段階の処理を示すフローチャートである。
【図8】物体認識段階の処理を示すフローチャートである。
【図9】透明部を有する商品を示す図である。
【図10】指定された一部領域等を示す図である。
【図11】複数の改変画像が生成される様子を示す図である。
【図12】複数の参照画像が利用される様子を示す図である。
【図13】ブレンド処理を用いて複数の改変画像が生成される様子を示す図である。
【図14】結合処理を用いて複数の改変画像が生成される様子を示す図である。
【図15】部分画像と複数の参照画像のそれぞれとのブレンド処理を用いて生成される複数の改変画像を示す図である。
【図16】部分画像と複数の参照画像のそれぞれとの結合処理を用いて生成される複数の改変画像を示す図である。
【図17】部分画像のみを用いて（ブロック結合処理により）複数の改変画像が生成される様子を示す図である。
【図18】部分画像のみを用いて（モザイク処理により）複数の改変画像が生成される様子を示す図である。
【図19】透明部に囲まれる不透明領域等を示す図である。
【図20】別物体認識用の新たな教師データを用いた追加学習を示す図である。
【図21】同じ物体を認識するための新たな教師データを用いた追加学習について説明する図である。
【図22】透明部を有しない商品（認識対象商品）を示す図である。
【図23】変形し易い周縁部を有する商品（認識対象商品）を示す図である。
【図24】円筒側面に凹凸部分を有する商品（ダイヤカット缶入り飲料））を示す図である。
【発明を実施するための形態】
【0025】
以下、本発明の実施形態を図面に基づいて説明する。
【0026】
＜１．第１実施形態＞
＜１－１．システム概要＞
図１は、ピッキングシステム１を示す概略図である。図１に示されるように、ピッキングシステム１は、撮影画像を撮像する撮影装置２０と、撮影画像を処理する画像処理装置３０と、ピッキングコントローラ（システムコントローラ）４０と、ピッキングロボット５０とを備えている。
＜１－１．システム概要＞
図１は、ピッキングシステム１を示す概略図である。図１に示されるように、ピッキングシステム１は、撮影画像を撮像する撮影装置２０と、撮影画像を処理する画像処理装置３０と、ピッキングコントローラ（システムコントローラ）４０と、ピッキングロボット５０とを備えている。
【0027】
撮影装置２０は、対象の物体（ピッキング対象物等）を含む撮影画像を撮像し、画像処理装置３０は、当該撮影画像内に含まれる物体を認識する。そして、ピッキングロボット５０（ピッキング部とも称する）は、ピッキングコントローラ４０の制御下において、画像処理装置３０によって認識された物体をピッキングする。
【0028】
たとえば、撮影装置２０の撮影対象エリア２０１内に単一の物体（たとえば或る商品）９０が存在する状態（図３参照）において、画像処理装置３０は、撮影装置２０による撮影画像内の物体９０を認識する認識処理を実行する。当該認識処理は、機械学習された学習モデル（学習済みモデル）４００を用いて行われる。当該認識処理においては、当該物体９０が所定の商品であること、ならびに当該物体９０（詳細にはその存在領域（バウンディングボックス等））の位置、姿勢（および大きさ）等が認識される。当該認識処理の処理結果には、作業平面における物体９０の位置（Ｘ，Ｙ）および姿勢（作業平面に対する垂直軸周りの回転角度θ）等が含まれる。当該処理結果に基づき、ピッキングロボット５０は、その手先部先端のエンドエフェクタ（たとえば吸着式エンドエフェクタ）５３（図２参照）を用いて、当該物体９０を把持（吸着等を含む）してピッキングする。そして、ピッキングロボット５０は、ピッキングした物体（商品等）９０を元の場所とは別の場所（移載先）２０２（図２参照）（たとえば、多数の商品をまとめて梱包するための梱包箱（段ボール箱等）の中）へと移動させる。
【0029】
あるいは、撮影対象エリア２０１内（ピッキングエリア内）に単一の物体９０のみが存在する状況ではなく、撮影対象エリア内にて複数の物体９０が作業平面上にバラ積みされている状況（図４参照）においてピッキング作業が行われてもよい。なお、図３および図４は、作業平面に載置された物体９０を上方の撮影装置２０から撮影した撮影画像２１０を示す図である。図３および図４では、物体９０のテクスチャ等は省略されており、物体９０の存在領域を示す矩形で物体９０が（捨象されて）示されている。
【0030】
具体的には、撮影対象エリア内の作業平面上にバラ積みされた複数の物体９０（その一部の物体が部分的に重なって載置された複数の同一商品）のうち、最も上方に存在すると認識された商品等が、ピッキングロボット５０によりピッキングされてもよい。詳細には、当該複数の物体９０のうちの全部または一部の物体９０が所定の商品であると認識されるとともに、当該所定の商品として認識された物体９０の位置および姿勢等もが認識される。そして、当該所定の商品として認識された複数の物体９０のうち、最も上方に存在すると認識された物体９０が、ピッキングロボット５０の手先部先端の吸着部に吸着されてピッキングされてもよい。なお、複数の物体９０のうち最も上方に存在する物体は、複数の物体９０の重なり具合に関する情報（物体ごとの認識結果の信頼度等）に基づいて決定されればよい。ただし、これに限定されず、３次元カメラ（対象物までの距離情報を各画素が有する深度画像をも取得可能なカメラ）により取得された３次元情報（対象物の３次元位置情報等）に基づいて、最も上方に存在する物体が決定されてもよい。
【0031】
あるいは、作業平面上にバラ積みされた複数の物体９０（その一部の物体（商品）が部分的に重なって載置された複数の別異商品）のうち、所定の商品（所定品目の商品）であり且つ最も上方に存在すると認識された商品等がピッキングされてもよい。詳細には、当該複数の物体９０（たとえば、３品目（３種類）且つ合計１０個の商品）のうちの全部または一部の物体９０が所定品目の商品であると認識されるとともに、当該所定品目の商品として認識された物体９０の位置および姿勢等もが認識される。そして、当該所定品目の商品として認識された１以上の物体９０のうち最も上方に存在すると認識された物体９０が、ピッキングロボット５０等によってピッキングされてもよい。
【0032】
なお、ここでは、作業平面上にバラ積みされた複数の物体９０のうち、最も上方に存在すると認識された物体がピッキングされる態様が例示されている。換言すれば、最も上方に存在すると認識された物体から順にピッキングされている。しかしながら、これに限定されない。たとえば、ピッキングコントローラ４０は、所定の商品として認識された複数の物体のうち（最も上方の物体以外の）ピッキングし易い物体を判定するなどして、当該複数の物体のピッキング順序を決定してもよい。ピッキングし易い物体としては、最も上方の物体でなくても他の物体と重複していない物体、あるいは、ピッキングロボット５０のベース部５１（図２参照）に比較的近い（手前側の）物体等が例示される。そして、このような決定処理によって決定された当該ピッキング順序に従ってピッキングが実行されてもよい。また、ピッキング困難であると判断された物体は、ピッキング対象から除外されてもよい。
【0033】
画像処理装置３０は、撮影画像内の物体９０（ここでは商品）を識別（分類とも称される）等するための各種の処理を実行する装置である。
【0034】
具体的には、画像処理装置３０は、撮影画像（入力画像）に含まれる物体９０（ここでは商品）を認識する認識処理を実行する装置、すなわち、物体認識装置（ここでは商品認識装置）である。当該認識処理は、予め機械学習された学習モデル４００を用いて実行される。当該学習モデル４００は、入力画像に対して、当該入力画像に含まれる物体９０の認識結果（商品の品目、商品の位置（Ｘ，Ｙ）及び姿勢（回転角度θ）等）を含む情報を出力とする学習モデル（推論モデル）である。この実施形態では、画像処理装置３０は、畳み込みニューラルネットワーク（Convolutional Neural Network）による学習モデル（機械学習モデル）４００を利用して、上記のような認識処理（推論処理）を実行する。
【0035】
また、画像処理装置３０は、当該学習モデル４００を機械学習する装置、換言すれば、学習済みの学習モデル（学習済みモデル）４００を生成する装置（学習モデル生成装置）でもある。当該学習モデル４００の機械学習では、入力画像に対して物体９０の位置（Ｘ，Ｙ）及び姿勢（回転角度θ）をラベル情報（正解データ）として付したデータセット（ラベル付きデータ）が教師データとして利用される。
【0036】
さらに、画像処理装置３０は、学習モデル４００の機械学習に用いられる教師データを生成する装置（教師データ生成装置）でもある。教師データの生成については後に詳述する。
【0037】
このように、画像処理装置３０は、教師データ生成装置、学習モデル生成装置、物体認識装置（ここでは商品認識装置）として動作する。
【0038】
なお、上述のように、機械学習によって学習された後の学習モデル４００は、学習済みモデルとも称される。学習モデル４００（学習器）の学習パラメータが所定の機械学習手法を用いて調整されることによって、学習済みの学習モデル４００（学習済みモデル）が生成される。
【0039】
本願において、学習済みモデル４００を生成することは、学習済みモデル４００を製造（生産）することを意味するとともに、「学習済みモデルの生成方法」は「学習済みモデルの生産方法」を意味する。
【0040】
【0041】
コントローラ３１は、画像処理装置３０に内蔵され、画像処理装置３０の動作を制御する制御装置である。
【0042】
コントローラ３１は、１又は複数のハードウェアプロセッサ（例えば、ＣＰＵ（Central Processing Unit）およびＧＰＵ（Graphics Processing Unit））等を備えるコンピュータシステムとして構成される。コントローラ３１は、ＣＰＵ等において、記憶部（ＲＯＭおよび／またはハードディスクなどの不揮発性記憶部）３２内に格納されている所定のソフトウエアプログラム（以下、単にプログラムとも称する）を実行することによって、各種の処理を実現する。なお、当該プログラム（詳細にはプログラムモジュール群）は、ＵＳＢメモリなどの可搬性の記録媒体に記録され、当該記録媒体から読み出されて画像処理装置３０にインストールされるようにしてもよい。あるいは、当該プログラムは、通信ネットワーク等を経由してダウンロードされて画像処理装置３０にインストールされるようにしてもよい。
【0043】
具体的には、コントローラ３１は、学習モデルの機械学習用の教師データを生成する教師データ生成処理、当該学習モデルを機械学習する学習処理（学習モデルを生成する学習モデル生成処理）、および機械学習済みの学習モデルを用いた物体認識処理等を実行する。コントローラ３１は、教師データ生成装置の制御部であるとともに、学習モデル生成装置の学習処理部でもあり、物体認識装置の認識部でもある。なお、画像処理装置３０においては、原則として、機械学習用の教師データを生成する教師データ生成段階Ｐｈ１、機械学習により学習モデル（学習済みモデル）を生成する学習モデル生成段階Ｐｈ２、および学習済みモデルを用いた物体認識段階Ｐｈ３の各段階の処理がこの順序で実行される（図５参照）。
【0044】
記憶部３２は、ハードディスクドライブ（ＨＤＤ）および／またはソリッドステートドライブ（ＳＳＤ）等の記憶装置で構成される。記憶部３２は、学習モデル４００（学習モデルに関する学習パラメータおよびプログラムを含む）（ひいては学習済みモデル４２０）等を記憶する。
【0045】
通信部３４は、ネットワークを介したネットワーク通信を行うことが可能である。このネットワーク通信では、たとえば、ＴＣＰ／ＩＰ（Transmission Control Protocol / Internet Protocol）等の各種のプロトコルが利用される。当該ネットワーク通信を利用することによって、画像処理装置３０は、所望の相手先（たとえば、撮影装置２０）との間で各種のデータ（撮影画像データ等）を授受することが可能である。通信部３４は、画像データを取得する取得部（あるいはデータ入出力部等）とも称される。なお、ここでは、撮影装置２０からの画像データが通信部３４（およびネットワークケーブル等）を介して画像処理装置３０に入力されるが、これに限定されない。たとえば、いわゆるネットワーク（ＩＰプロトコルを利用したネットワーク）以外の各種の通信規格（ＵＳＢ：Universal Serial Bus（ユニバーサル・シリアル・バス）規格等）に準拠したデータ入出力部を介して、撮影装置２０からの画像データが画像処理装置３０に入力されてもよい。端的に言えば、撮影装置２０は画像処理装置３０に対してネットワーク接続されてもよくＵＳＢ接続等されてもよい。
【0046】
操作部３５は、画像処理装置３０に対する操作入力を受け付ける操作入力部（受付部とも称する）３５ａと、各種情報の表示出力を行う表示部３５ｂとを備えている。操作入力部３５ａとしてはマウスおよびキーボード等が用いられ、表示部３５ｂとしてはディスプレイ（液晶ディスプレイ等）が用いられる。また、操作入力部３５ａの一部としても機能し且つ表示部３５ｂの一部としても機能するタッチパネルが設けられてもよい。
【0047】
＜１－３．撮影装置２０およびピッキングロボット５０等＞
撮影装置２０は、たとえば、ＲＧＢカラー画像センサを備えたカラーカメラで構成され、撮影画像としてカラー画像（あるいはグレースケール画像）を撮像することが可能である。あるいは、撮影装置２０は、各種方式（ステレオ視方式、ＴＯＦ（Time of Flight）方式等）の３次元カメラであってもよい。当該３次元カメラによって、深度情報（距離情報）付き撮影画像（カラー画像等）が取得されてもよい。
撮影装置２０は、たとえば、ＲＧＢカラー画像センサを備えたカラーカメラで構成され、撮影画像としてカラー画像（あるいはグレースケール画像）を撮像することが可能である。あるいは、撮影装置２０は、各種方式（ステレオ視方式、ＴＯＦ（Time of Flight）方式等）の３次元カメラであってもよい。当該３次元カメラによって、深度情報（距離情報）付き撮影画像（カラー画像等）が取得されてもよい。
【0048】
撮影装置２０は、カメラ固定部材（不図示）によって作業空間内の所定位置に固定されて配置される。ただし、これに限定されず、撮影装置２０は、ピッキングロボット５０のロボットアーム部５２の手先付近等に固定されてもよい。
【0049】
ピッキングコントローラ４０は、画像処理装置３０と同様のハードウエア構成を有するコンピュータである。ピッキングコントローラ４０は、画像処理装置３０による認識結果等を取得し、当該認識結果等に基づきピッキングロボット５０の動作等を制御する。
【0050】
ピッキングロボット５０（ピッキング部とも称する）は、図２に示されるように、ベース部５１と、当該ベース部５１に取り付けられたロボットアーム部５２と、当該ロボットアーム部５２の手先に取り付けられたエンドエフェクタ５３とを備えている。ロボットアーム部５２は、複数の回転関節（および／または直動関節）を有しており、水平多関節ロボットあるいは垂直多関節ロボット（４軸～７軸等）などの各種のロボットアームにより構成される。ロボットアーム部５２は、各関節を駆動することによって、ロボットアーム部５２の手先に設けられたエンドエフェクタ５３の位置（Ｘ，Ｙ，Ｚ）および姿勢（回転角度θ等）を適宜変更することが可能である。エンドエフェクタ５３としては、たとえば、真空吸着式のエンドエフェクタが設けられればよい。あるいは、グリッパ式ないし多指ハンド式等のエンドエフェクタが、エンドエフェクタ５３として設けられてもよい。
【0051】
＜１－４．認識対象物体＞
上述のように、撮影対象の物体９０（認識対象の物体）には様々な態様のものが存在する。たとえば、当該物体９０として、透明部を有する商品（図９参照）が存在する。
上述のように、撮影対象の物体９０（認識対象の物体）には様々な態様のものが存在する。たとえば、当該物体９０として、透明部を有する商品（図９参照）が存在する。
【0052】
図９は、袋状の商品パッケージ９１内に内容物（ここでは乾燥されたイカの足）が包装されている商品（ここでは干しイカ）９０（９０ａ）を示している。この商品パッケージ９１の一部には透明部９３が設けられている。当該商品においては、その商品パッケージ９１の透明部９３から内容物９５（乾燥されたイカの足等）が透けて見えている。このような商品において、透明部９３から透けて見える内容物の状況は、上述したように、多様性に富んでおり、同じ商品（同種の物体）９０であっても個体ごとに互いに異なっている。
【0053】
このような多様性を有する複数の個体を同種の物体９０（同一商品（同一品目の商品）等）であると学習モデル４００が認識するためには、透明部９３における様々な状況を網羅した多数の撮影画像を用いて、学習モデル４００に対する機械学習を実行させることが考えられる。換言すれば、透明部９３における様々な状況を網羅した多数の撮影画像を撮像することによって、多数の教師データを生成することが考えられる。
【0054】
しかしながら、上述したように、このような様々な状況を有する多数の個体（商品）を準備し、当該多数（たとえば１０００個）の個体のそれぞれに関する撮影を繰り返すことによって、多数の撮影画像を生成することは、非常に手間がかかる作業である。換言すれば、このようにして生成された多数の撮影画像に基づいて、機械学習における多数の教師データを生成することは効率的ではない。
【0055】
そこで、この実施形態では、教師データの生成段階Ｐｈ１（図５および図６参照）において教師データを効率的に生成する技術を例示する。具体的には、コントローラ３１は、物体９０を撮影した元画像２２０の一部領域２３０（ここでは透明部９３を含む特定の一部領域２３０）を互いに異なる複数の態様（外観）へと変更することにより、元画像２２０に関する複数の改変画像（modified image）２６０を生成する（図１１参照）。そして、コントローラ３１は、複数の改変画像２６０に基づいて、物体認識用の学習モデル４００を機械学習するための複数の教師データを生成する。
【0056】
＜１－５．教師データの生成段階＞
図６は、教師データの生成段階Ｐｈ１の処理の詳細を示すフローチャートである。教師データの生成段階Ｐｈ１の処理は、上述のように画像処理装置３０にて実行される。以下、図６を参照しつつ、教師データの生成段階Ｐｈ１について説明する。
図６は、教師データの生成段階Ｐｈ１の処理の詳細を示すフローチャートである。教師データの生成段階Ｐｈ１の処理は、上述のように画像処理装置３０にて実行される。以下、図６を参照しつつ、教師データの生成段階Ｐｈ１について説明する。
【0057】
ステップＳ１１において、画像処理装置３０は、物体９０を撮影した元画像（source image）２２０（一部領域２３０の改変前の（元の）画像）を取得する。
【0058】
ここでは、撮影装置２０によって撮影されたオリジナルの撮影画像２１０（図３参照）から、物体（商品）９０が写っている領域（その周辺を含んでいてもよい）をトリミング等によって抽出した抽出画像（抽出後の撮影画像）が、元画像２２０として取得される。当該抽出画像は、オリジナルの撮影画像２１０（図３参照）における物体領域（物体の存在領域）を抽出した画像であるとも表現される。このような抽出画像は、ユーザによる手作業によって抽出されてもよく、画像処理（背景除去処理等）によって自動的に抽出されてもよい。なお、図９は、このようにして取得された元画像２２０を示す図でもある。
【0059】
ただし、これに限定されず、撮影装置２０によって撮影されたオリジナルの撮影画像２１０そのものが元画像２２０として取得されてもよい。
【0060】
次のステップＳ１２において、画像処理装置３０は、元画像２２０における一部領域２３０を特定する。
【0061】
具体的には、画像処理装置３０は、ユーザからの指定操作を受け付け、当該指定操作等に基づき一部領域２３０を特定する。一部領域２３０は、ここでは、物体９０（詳細には、透明部９３を有する商品パッケージ９１で商品内容物９５を包装した商品）の透明部９３を含む領域（透明部９３周辺の周辺部（非透明部）９２ｂをも若干含む領域等）である。
【0062】
より具体的には、図１０に示されるように、ユーザは、表示部３５ｂに表示された元画像２２０において、一部領域（マーキング領域とも称する）２３０として指定すべき領域（透明部９３を含む領域）を矩形で囲む操作を行う。たとえば、ユーザがマウスで、矩形の左上頂点に相当する位置をポインティングした後、当該矩形の右下頂点に相当する位置までドラッグすることによって、矩形領域が指定される。図１０では、当該操作によって指定された矩形領域に対して、斜めハッチングが付されている。このような矩形領域が一部領域２３０として指定される。このようにして、画像処理装置３０は、元画像２２０における一部領域２３０の範囲指定操作を受け付ける。なお、ここでは、ユーザによる範囲指定操作に基づいて一部領域２３０が特定されているが、これに限定されない。たとえば、コントローラ３１が、元画像２２０内の透明部９３を自動的に検出するとともに、当該透明部９３を囲む矩形領域を自動的に設定すること等によって、一部領域２３０を自動的に特定（設定）してもよい。あるいは、画像処理装置３０は、画像認識処理によって認識された透明部９３の候補を幾つか表示し、その中からいずれか１つの候補を利用者に選択させてもよい。
【0063】
ここにおいて、透明部９３は、変動許容領域Ｐ１（次述）の一例である。変動許容領域Ｐ１は、認証対象の物体９０と同一あるいは同種の物体の相互間で変動が許容される領域である。変動許容領域Ｐ１は、物体９０の外観領域のうち多様性を許容する領域であり、物体９０に関する共通特徴領域９２以外の領域である。変動許容領域Ｐ１は、同種ないし同一の物体と認識させるために不要な（無用な）領域である、とも表現される。端的に言えば、変動許容領域Ｐ１は、物体９０の非特徴部分である。換言すれば、変動許容領域Ｐ１は、物体固有の特徴部分（非変動部分ないし固定部分）以外の部分である。
【0064】
上述のように、物体９０の透明部９３から透けて見える内容物の状況は、多様性に富んでおり、同じ商品（同種の物体）９０であっても個体ごとに互いに異なっている。この実施形態では、このような個体差を有する物体を同一の商品であると学習モデル４００に学習（認識）させるため、物体９０の透明部９３（の領域）を、認証対象の物体９０と同一あるいは同種の物体の相互間で変動が許容される領域（変動許容領域Ｐ１）である、とみなす。そして、変動許容領域Ｐ１（ここでは透明部９３）を含む領域が一部領域２３０として指定される。
【0065】
なお、一部領域２３０は、たとえば、透明部９３を含む領域として特定（指定等）されれば十分である。一部領域２３０は、透明部９３の周辺の不透明領域９２ｂ（および／または透明部９３に囲まれる不透明領域９２ｃ）等（図１９参照）を含む領域であってもよい。
【0066】
元画像２２０（詳細には、物体９０の存在領域）において、一部領域２３０以外の領域は、認証対象の物体９０と同一あるいは同種の物体の相互間で変動が一定程度より小さいと想定される領域（「非変動領域」等とも称する）である。この非変動領域（詳細にはその画像２２２）（図９等参照）の共通性等を学習することによって、学習モデル４００は物体９０を認識できるようになる。
【0067】
これに対して、一部領域２３０は、認証対象の物体９０と同一あるいは同種の物体の相互間で変動が一定程度より大きいと想定される領域である。
【0068】
この実施形態（特に次のステップＳ１３，Ｓ１４）では、複数の改変画像２６０の相互間における共通性（非変動領域の共通性）と複数の改変画像２６０の相互間における非共通性（一部領域２３０の非共通性）とを利用した学習処理を実行させるための複数の教師データが生成される。詳細には、元画像２２０の非変動領域（一部領域２３０以外の領域）を維持しつつ元画像２２０の一部領域２３０を互いに異なる複数の態様（外観態様）へと変更することにより、複数の改変画像２６０が生成される。そして、当該複数の改変画像２６０に基づいて複数の教師データが生成される。
【0069】
次のステップＳ１３において、画像処理装置３０は、元画像２２０の一部領域２３０を互いに異なる複数の態様（のそれぞれ）へと変更することにより、複数（たとえば、数百枚～数万枚）の改変画像２６０（図１１参照）を生成する。換言すれば、一の元画像２２０から多数の改変画像２６０が生成される。
【0070】
【0071】
複数の参照画像８０（特に図１２参照）は、互いに異なる画像であり、予め準備された（記憶部３２に予め記憶されている）画像である。各参照画像８０は、識別対象の物体９０（たとえば商品「干しイカ」）以外の画像であることが好ましい。また、各参照画像８０は、識別対象物になり得る（各種の）物体（類似の商品等）の画像（その一部または全部の画像）とも異なる画像であることが好ましい。たとえば、ランダムノイズパターン画像、風景画像、建築物（建造物全体あるいはその一部の壁面等）の画像、ベタ画像（特定色による塗り潰し画像）、人物画像、動物画像などの各種の画像が、各参照画像８０として用いられればよい。
【0072】
図１１は、元画像２２０から複数の改変画像２６０が生成される様子を示す概念図である。図１１に示されるように、互いに異なる複数の参照画像８０のそれぞれが元画像２２０の一部領域２３０に配置されること（各参照画像８０が一部領域２３０に上書き配置されること、あるいは、一部領域２３０の画像が各参照画像８０にそれぞれ置換されること等）によって、複数の改変画像２６０が生成される。換言すれば、（複数回の撮影によるのではなく）元画像２２０の一部領域２３０に対する互いに異なる複数の画像処理によって、複数の改変画像２６０が生成される。
【0073】
たとえば、記憶部３２には多数（たとえば数千枚～数万枚）の参照画像８０が予め記憶されている。コントローラ３１は、当該多数の参照画像８０の中から所定数（たとえば、１０００枚）の参照画像８０（８０ａ，８０ｂ，８０ｃ，...）を（乱数等によって）ランダムに選択する（図１２参照）。コントローラ３１は、選択された所定数の参照画像８０（８０ａ，８０ｂ，８０ｃ，...）のそれぞれを、元画像２２０の一部領域２３０に配置する。これによって、複数の改変画像２６０（２６０ａ，２６０ｂ，２６０ｃ，...）が生成される（図１１参照）。換言すれば、各改変画像２６０は、元画像２２０に対する画像加工処理によって生成される。より詳細には、たとえば、参照画像８０ａ（８１ａ）を用いることによって改変画像２６０ａが生成され、参照画像８０ｂ（８１ｂ）を用いることによって改変画像２６０ｂが生成される。他の改変画像２６０も、それぞれ、別異の参照画像８０を用いることによって生成される。複数の改変画像２６０は、その一部領域２３０に互いに異なる参照画像８０が配置され（埋め込まれ）、互いに異なる画像として生成される。なお、多数の参照画像８０の中から選択される各参照画像８０は、被選択画像８１とも称される。また、改変画像２６０は、変更後画像あるいは加工後画像とも称される。
【0074】
その後、ステップＳ１４において、画像処理装置３０は、複数の改変画像２６０に基づき、複数の教師データを生成する。
【0075】
具体的には、画像処理装置３０は、学習モデル４００に対する各入力画像２７０（不図示）を各改変画像２６０に基づいて生成する。当該各入力画像２７０は、各改変画像２６０を所定の背景画面（撮影装置２０による撮影対象エリアの画像等）内の特定位置（Ｘ，Ｙ）に特定姿勢（回転角度θ）且つ特定大きさ（幅Ｗ，高さＨ）で配置することによって生成される。そして、各入力画像２７０に対してラベル情報（正解データ）を付したデータセット（ラベル付きデータ）が、教師データとして生成される。ラベル情報（正解データ）としては、たとえば、当該各入力画像２７０（改変画像２６０）内の物体９０の種類（識別子）、ならびに、当該物体９０の位置（Ｘ，Ｙ）、姿勢（回転角度θ）および大きさ（Ｗ，Ｈ）が付されればよい。なお、物体９０の位置および大きさは、バウンディングボックス（物体９０を囲む矩形）の回転角度θを０度に（仮想的に）戻したときのバウンディングボックス（図３の破線矩形参照）の左上頂点の座標（Ｘ１，Ｙ１）および右下頂点の座標（Ｘ２，Ｙ２）等で示されてもよい。
【0076】
また、各改変画像２６０に対して、その特定位置および／または特定姿勢等を変更しつつ複数の入力画像２７０が生成され、当該複数の入力画像のそれぞれに対応する複数の教師データ（さらに多数の教師データ）が生成されてもよい。
【0077】
なお、ここでは、単一の元画像２２０に基づいて複数の改変画像２６０が生成されることによって、複数の教師データが生成されているが、これに限定されず、複数の元画像２２０のそれぞれに基づいて複数の教師データが生成されてもよい。たとえば、非変動領域（商品パッケージの共通部分等）における比較的小さな変動に対してロバストな学習モデル４００となるように、数枚～数十枚の元画像２２０が撮影処理によって準備され、これらの複数の元画像２２０に基づいてより多くの教師データが生成されてもよい。
【0078】
また、ここでは、オリジナルの撮影画像２１０から物体領域を抽出した画像が元画像２２０として利用されているが、上述のように、これに限定されない。たとえば、撮影装置２０によって撮影されたオリジナルの撮影画像２１０そのものが元画像２２０として取得されてもよい。この場合には、たとえば、オリジナルの撮影画像２１０内での物体の位置および姿勢等をも含む情報が、教師データのラベル（正解データ）として付与されればよい。
【0079】
＜１－６．学習モデル４００の生成段階（学習段階）＞
図７は、機械学習により学習モデル４００（学習済みモデル４２０）を生成する学習モデル生成段階Ｐｈ２の処理を示すフローチャートである。
図７は、機械学習により学習モデル４００（学習済みモデル４２０）を生成する学習モデル生成段階Ｐｈ２の処理を示すフローチャートである。
【0080】
図７のステップＳ２１において、画像処理装置３０は、上述のステップＳ１４で生成された複数の教師データに基づき、学習モデル４００を学習する。学習モデル４００は、入力画像の入力に対して、当該入力画像に関する物体の認識結果を含む情報を出力する学習モデルである。
【0081】
複数の教師データを用いて学習モデル４００を学習（機械学習）することによって、当該学習モデル４００（学習器）の学習パラメータが調整され、学習済みの学習モデル４００（学習済みモデル４２０）が生成される。当該学習は、たとえば、評価用の入力画像に対する認識率が所定値（たとえば、９９％）以上になるまで実行される。このような学習処理によって、学習済みモデル４２０が完成する（ステップＳ２２）。
【0082】
＜１－７．認識段階＞
図８は、学習済みモデルを用いた物体認識段階Ｐｈ３の処理を示すフローチャートである。
図８は、学習済みモデルを用いた物体認識段階Ｐｈ３の処理を示すフローチャートである。
【0083】
画像処理装置３０は、ステップＳ３１（図８）にて撮影装置２０による新たな撮影画像を取得（入力）すると、ステップＳ２２（図７）で完成した学習モデル４００（学習済みモデル４２０）を用いて物体認識処理（推論処理）を実行する（ステップＳ３２）。具体的には、当該学習モデル４００は、当該新たな撮影画像（入力画像）に含まれる物体を認識するとともに、当該物体の位置、姿勢および大きさ（換言すれば、当該物体の存在領域の位置等）を認識する。
【0084】
次のステップＳ３３において、画像処理装置３０は、ピッキングコントローラ４０に対してこれらの認識結果（推論結果）を送信する。ピッキングコントローラ４０は、当該認識結果（認識された物体９０の位置および姿勢等）に基づき、ピッキングロボット５０を駆動して物体９０をピッキングする。より具体的には、上述したような各種の形態によるピッキング処理等が行われる。
【0085】
＜１－８．実施形態の効果等＞
以上のような実施形態においては、元画像２２０の一部領域２３０を互いに異なる態様（外観）へと変更することにより元画像２２０に関する複数の改変画像２６０が生成され（ステップＳ１３）、複数の改変画像２６０に基づき複数の教師データが生成される。したがって、物体の一部領域における多様な状況を順次に発現させて撮影を繰り返すことにより複数の撮影画像を取得し当該複数の撮影画像に基づき教師データを生成する場合に比べて、機械学習における教師データを効率的に生成することが可能である。
以上のような実施形態においては、元画像２２０の一部領域２３０を互いに異なる態様（外観）へと変更することにより元画像２２０に関する複数の改変画像２６０が生成され（ステップＳ１３）、複数の改変画像２６０に基づき複数の教師データが生成される。したがって、物体の一部領域における多様な状況を順次に発現させて撮影を繰り返すことにより複数の撮影画像を取得し当該複数の撮影画像に基づき教師データを生成する場合に比べて、機械学習における教師データを効率的に生成することが可能である。
【0086】
また特に、物体９０の画像とは異なる複数の参照画像８０を用いて元画像２２０の一部領域２３０が互いに異なる態様へと変更されて元画像２２０に関する複数の改変画像２６０が生成され、当該複数の改変画像２６０に基づいて複数の教師データが生成される。このような教師データに基づいて学習モデル４００が機械学習されることによれば、一部領域２３０内の変動許容領域Ｐ１の状況に依拠せずに（変動許容領域Ｐ１の多様性を許容しつつ）、非変動領域の画像特徴を把握するような学習モデル４００（学習済みモデル４２０）が生成され得る。そして、当該学習モデル４００（学習済みモデル４２０）を用いることによって、一部領域２３０の画像への依存性を良好に排除して物体の認識処理が行われ得る。換言すれば、一部領域２３０（変動許容領域Ｐ１等）の状況の影響（多様性の影響）を非常に抑制して、物体認識処理を実行することが可能である。極端な場合、変動許容領域Ｐ１が如何なる画像（たとえばイカの足とは全く異なる画像）であっても、対象物体の非変動領域が所定の商品の特徴を有していれば、対象物体が当該所定の商品（干しイカ）であることが認識され得る。端的に言えば、一部領域２３０を背景領域と同視して物体を認識することが可能になる。
【0087】
＜１－９．変動許容領域Ｐ１等＞
上記実施形態においては、袋状の物体９０が例示されているが、これに限定されない。物体９０は、その他の各種の形状（箱状あるいは円柱状等）を有するものであってもよい。
上記実施形態においては、袋状の物体９０が例示されているが、これに限定されない。物体９０は、その他の各種の形状（箱状あるいは円柱状等）を有するものであってもよい。
【0088】
また、上記実施形態においては、変動許容領域Ｐ１として透明部９３が例示されているが、これに限定されない。透明部を有する物体を認識するための教師データを生成する際のみならず、その一部に多様性を有する物体（透明部を有しない物体）を認識するための教師データを生成する際にも、本発明の思想を適用することができる。
【0089】
たとえば、図２２に示されるように、透明部を有しない商品パッケージ９１ｃで包装された商品９０ｃにおいて、「１０％増量中」等が記載された特定領域９６（特定期間のみ変動する領域（期間限定変動領域等とも称する））が存在することがある。あるいは、期間ごとに（及び／又は個体ごとに）異なるキャラクターが、商品パッケージ９１の特定領域９６に付与されることもある。変動許容領域Ｐ１は、商品パッケージの当該特定領域９６を含む領域であってもよい。このように、変動許容領域Ｐ１は、物体９０において時期的に及び／又は個体ごとに変動し得る特定領域であってもよい。
【0090】
また、（特にその周縁部が）変形し易い袋状の商品パッケージ９１ｄ（図２３参照）で包装された商品９０ｄにおいては、商品名表示領域および／または商標表示領域等が商品パッケージ９１ｄの中央部９７に設けられていることがある。ここにおいて、中央部９７以外の周縁部９８は特に変形し易い部分であることをも考慮し、当該周縁部９８（斜めハッチングを付した領域（非透明領域））が、変動許容領域Ｐ１であってもよい。この場合、中央部９７（共通特徴領域９２でもある）の画像特徴（同一品目商品の複数の個体に共通する画像特徴等）を学習することによって、商品９０ｄが認識されるようになる。
【0091】
あるいは、図２４に示されるように、缶飲料商品の中には、ダイヤカット缶に内容物（飲料）を充填した商品９０ｅが存在する。ダイヤカット缶は、略円筒型の缶の円筒側面（円筒曲面）においてダイヤ形状（三角形状）の凹凸部分９６ｅを有する缶である。このような缶の凹凸部分９６ｅは照明光を様々な方向に反射するため、元画像２２０において不規則な明暗（特に明部における白飛び等）が生じ得る。このような凹凸部分９６ｅが変動許容領域Ｐ１であってもよく、当該凹凸部分９６ｅ（変動許容領域Ｐ１）を含む領域が一部領域２３０として特定されてもよい。そして、このような一部領域２３０を互いに異なる態様（外観）へと変更することにより複数の改変画像２６０が生成され（ステップＳ１３）、複数の改変画像２６０に基づき複数の教師データが生成されてもよい。なお、この場合、円筒側面における、凹凸部分９６ｅ以外の領域（具体的には、平坦な曲面領域）が非変動領域（共通特徴領域９２）として機能する。
【0092】
これによれば、当該不規則な明暗を再現した多数の撮影画像を取得することなく、複数の教師データが生成されるので、機械学習における教師データを効率的に生成することが可能である。また特に、凹凸部分９６ｅ（変動許容領域Ｐ１）を含む一部領域２３０の状況に依拠せずに（凹凸部分９６ｅにおける照明の影響による多様性を許容しつつ）非変動領域（凹凸部分以外の領域）の画像特徴を把握するような学習モデル４００が生成され得る。
【0093】
＜１－１０．その他＞
上記実施形態においては、一の物体（商品）に関する元画像２２０に基づいて複数の改変画像２６０が生成される形態について主に説明している。２以上の物体（商品）を認識するための学習モデル４００を生成する際には、一の物体（商品）に関する上記の処理が、他の物体（他の種類の物体）に関しても同様に繰り返されて、多数の改変画像２６０が生成されればよい。そして、当該多数の改変画像２６０に基づいて教師データが生成されればよい。
上記実施形態においては、一の物体（商品）に関する元画像２２０に基づいて複数の改変画像２６０が生成される形態について主に説明している。２以上の物体（商品）を認識するための学習モデル４００を生成する際には、一の物体（商品）に関する上記の処理が、他の物体（他の種類の物体）に関しても同様に繰り返されて、多数の改変画像２６０が生成されればよい。そして、当該多数の改変画像２６０に基づいて教師データが生成されればよい。
【0094】
＜２．第２実施形態＞
第２実施形態は、第１実施形態の変形例である。以下では、第１実施形態との相違点を中心に説明する。
第２実施形態は、第１実施形態の変形例である。以下では、第１実施形態との相違点を中心に説明する。
【0095】
上記第１実施形態では、各改変画像２６０が、当該各改変画像２６０に対応する一の参照画像８０のみを用いて生成されている（図１１参照）が、これに限定されない。各改変画像２６０は、当該各改変画像２６０に対応する２以上の参照画像８０を用いて生成されてもよい。第２実施形態では、このような形態を例示する。
【0096】
図１３は、第２実施形態にて生成される複数の改変画像２６０（２６０ａ，２６０ｂ，２６０ｃ，...）の一例を示す図である。図１３では、２以上の参照画像８０の組合せであって互いに異なる組合せを用いて、複数の改変画像２６０が生成される。
【0097】
具体的には、図１３においては、改変画像２６０ａに関して２つの参照画像８０ａ，８０ｂが多数の参照画像８０の中から（乱数等によって）選択され、当該改変画像２６０ａが２つの参照画像８０ａ（８１ａ），８０ｂ（８１ｂ）を用いて生成される。なお、多数の参照画像８０の中から選択される１つ以上の参照画像８０（ここでは２つの参照画像８０）（８０ａ，８０ｂ））は、被選択画像８１（８１ａ，８１ｂ）とも称される。
【0098】
また、別の改変画像２６０ｂが、同様にして選択された２つの参照画像（当該改変画像２６０ｂに対応する２つの参照画像）８０ｃ（８１ｃ），８０ｄ（８１ｄ）を用いて生成される。また、更に別の改変画像２６０ｃが、（当該改変画像２６０に対応する）２つの参照画像８０ｅ，８０ｆを用いて生成される。同様に、他の改変画像２６０も、対応する２以上の参照画像８０を用いて生成される。
【0099】
より具体的には、２つの参照画像８０に対する画像加工処理が実行されて改変画像２６０が生成される。図１３の各改変画像２６０においては、当該対応する２つの参照画像８０が特定比率（特定のブレンド比率（合成比率）（たとえば、５０％ずつ））でブレンド（合成（透過合成））されて、その一部領域２３０（図１０等参照）に配置されている。詳細には、２つの参照画像８０ａ，８０ｂを特定比率でブレンドした画像（ブレンド画像）８２（８２ａ）が、元画像２２０の一部領域２３０に配置されることによって改変画像２６０ａが生成されている。また、２つの参照画像８０ｃ，８０ｄを特定比率でブレンドした画像８２（８２ｂ）が、元画像２２０の一部領域２３０に配置されることによって改変画像２６０ｂが生成されている。同様に、２つの参照画像８０ｅ，８０ｆを特定比率でブレンドした画像８２（８２ｃ）が、元画像２２０の一部領域２３０に配置されることによって改変画像２６０ｃが生成されている。
【0100】
当該特定比率は、一方の参照画像８０に対する他方の参照画像８０の要素の付与の割合を示すものであり、付与率とも称される。当該付与率は、５０％に限定されず、５０％以外の適宜の値（たとえば、３０％あるいは７０％等）であってもよい。また、当該付与率は、複数のブレンド処理（合成処理）に共通の値（同じ値）であってもよく、ブレンド処理ごとに異なる値であってもよい。複数のブレンド処理に共通の値は、固定値、あるいはユーザによる変更操作で指定された値等であってもよい。また、ブレンド処理ごとに異なる値は、規則的に変更される値、あるいは不規則に変更される値（ランダムに変更される値）などであってもよい。ブレンド処理における付与率は、ブレンド処理における各画像レイヤーのα値（透明度を表す値）を調整すること等によって、変更（調整）されればよい。
【0101】
このように、複数の参照画像８０のうちの互いに異なる２つの画像のブレンド画像（透過合成画像）に基づき、図１３のような複数の改変画像２６０が生成されてもよい。
【0102】
ただし、これに限定されず、図１４に示されるように、各改変画像２６０において、その一部領域２３０を２分割した分割領域ごとに各参照画像８０が配置されてもよい。換言すれば、２つの参照画像８０の一部画像同士を結合した画像８４が元画像２２０の一部領域２３０に配置されることによって、改変画像２６０が生成されてもよい。
【0103】
図１４においては、対応する２つの参照画像８０が、それぞれ、一部領域２３０を分割した分割領域に配置されている。詳細には、まず、一部領域２３０が左右方向に２分割されている。そして、一部領域２３０の左半分の分割領域に一方の参照画像８０ａの全部または一部（ここでは左半分）が配置され、右半分の分割領域に他方の参照画像８０ｂの全部または一部（ここでは右半分）が配置されることによって、改変画像２６０ａが生成されている。換言すれば、参照画像８０ａの左半画像と参照画像８０ｂの右半画像との結合画像８４（８４ａ）が元画像２２０の一部領域２３０に配置されることによって、改変画像２６０が生成されている。同様に、左側の分割領域に参照画像８０ｃが配置され、右側の分割領域に他方の参照画像８０ｄが配置されることによって、改変画像２６０ｂが生成されている。他の改変画像２６０も同様にして生成される。
【0104】
一方の参照画像８０と他方の参照画像８０との結合処理における結合比率（合成比率）は、（ブレンド比率と同様に、）一方の参照画像８０に対する他方の参照画像８０の要素の付与の割合（付与率）、とも表現される。結合処理での付与率についても、ブレンド処理での付与率と同様の改変が行われ得る。
【0105】
また、ここでは、一部領域２３０が大きく２つの領域に分割されているが、これに限定されない。たとえば、一部領域２３０がＦ個のブロック領域に分割され、分割されたブロック領域ごとに一方の参照画像８０と他方の参照画像８０とのいずれかが採用されるようにしてもよい。そして、Ｆ個のブロック領域のうちのいくつのブロック領域に他方の参照画像が採用されるかに応じて、付与率が変更されてもよい。
【0106】
また、上記実施形態等においては、各改変画像２６０は、２つの改変画像２６０を用いて生成されているが、これに限定されず、各改変画像２６０は、３つ以上の参照画像８０を用いて生成されてもよい。たとえば、３つの参照画像８０ａ，８０ｂ，８０ｃを用いて改変画像２６０ａが生成されてもよく、３つの参照画像８０ｃ，８０ｄ，８０ｅを用いて改変画像２６０ｂが生成されてもよい。なお、３つの参照画像（たとえば８０ａ，８０ｂ，８０ｃ）が特定比率でブレンドされて改変画像２６０ａが生成されてもよく、３つの参照画像（８０ａ，８０ｂ，８０ｃ）が特定比率で結合されて改変画像２６０ｂが生成されてもよい。他の改変画像２６０（２６０ｃ，...）についても同様である。
【0107】
また、上記実施形態等においては、２つ以上の参照画像８０の組合せであって互いに異なる組み合わせを用いて、互いに異なる複数の改変画像２６０が生成されている。換言すれば、一の改変画像２６０の生成に用いられる参照画像８０と、他の改変画像２６０の生成に用いられる参照画像８０とが重複していない。しかしながら、これに限定されない。たとえば、改変画像２６０ａが、当該改変画像２６０ａに対応する２つの参照画像８０ａ，８０ｂを用いて生成され、別の改変画像２６０ｂが、当該改変画像２６０ｂに対応する２つの参照画像８０ｂ，８０ｃを用いて生成されてもよい。また、さらに別の改変画像２６０ｃが、当該改変画像２６０ｂに対応する２つの参照画像８０ｃ，８０ｄを用いて生成されてもよい。各改変画像２６０は、ブレンド（透過合成）あるいは分割結合（結合合成）等により生成されればよい。この場合、参照画像８０ｂは、改変画像２６０ａの生成にも改変画像２６０ｂの生成にも用いられており、参照画像８０ｃは、改変画像２６０ｂの生成にも改変画像２６０ｃの生成にも用いられている。このように、一の改変画像２６０の生成に用いられる参照画像８０と、他の改変画像２６０の生成に用いられる参照画像８０とが、一部重複してもよい。
【0108】
＜３．第３実施形態＞
第３実施形態は、第１実施形態等の変形例である。以下では、第１実施形態等との相違点を中心に説明する。
第３実施形態は、第１実施形態等の変形例である。以下では、第１実施形態等との相違点を中心に説明する。
【0109】
上記第１実施形態および第２実施形態においては、参照画像８０（詳細には、識別対象の物体以外の画像）のみを用いて、元画像２２０の一部領域２３０を互いに異なる複数の態様（外観）へと変更することにより、複数の改変画像２６０が生成されている。
【0110】
この第３実施形態では、参照画像８０のみならず、元画像２２０の部分画像２２３（識別対象の物体の画像）（図９等参照）をも用いて、元画像２２０の一部領域２３０を互いに異なる複数の態様へと変更することにより、複数の改変画像２６０が生成される（図１５参照）。より詳細には、部分画像２２３を用いた画像加工処理が実行されること等によって、複数の改変画像２６０が生成される。部分画像２２３は、図９および図１０等に示されるように、元画像２２０の一部領域２３０の画像である。
【0111】
この第３実施形態では、より詳細には、部分画像２２３と複数の参照画像８０（被選択画像８１）とを用いて、元画像２２０の一部領域２３０を互いに異なる複数の態様へと変更することにより、元画像２２０に関する複数の改変画像２６０が生成される。
【0112】
たとえば、コントローラ３１は、部分画像２２３と複数の参照画像８０とをブレンド（透過合成）して複数の改変画像２６０を生成する。具体的には、コントローラ３１は、部分画像２２３と多数の参照画像８０の中から選択される所定数の参照画像８０（被選択画像８１とも称する）のそれぞれとのブレンド処理（透過合成処理）を実行することによって、複数の改変画像２６０を生成する（図１５参照）。なお、ここでは、１枚の参照画像８０が被選択画像８１として選択される場合を例示するが、これに限定されず、（第２実施形態と同様に）２以上の参照画像８０が被選択画像８１として選択されてもよい。
【0113】
詳細には、部分画像２２３と被選択画像８１とのブレンド処理を、当該被選択画像８１を変更しつつ且つそのブレンド比率を変更しつつ繰り返し実行することによって、複数の改変画像２６０が生成される。
【0114】
参照画像８０と部分画像２２３とのブレンド比率は、部分画像２２３に対する参照画像８０の要素の付与の割合（付与率）、とも表現される。付与率１００％による合成画像は参照画像８０自体と等価であり、付与率０％による合成画像は部分画像２２３自体と等価である。また、ここでは、参照画像８０自体および部分画像２２３自体をそれぞれ一部領域２３０に配置した各改変画像２６０もが生成される。
【0115】
具体的には、まず、第１の被選択画像８１（８１ａ）が決定され、当該被選択画像８１と部分画像２２３とのブレンド処理を、そのブレンド比率を変更しつつ繰り返し実行することによって、互いに異なる態様の複数のブレンド画像８２が生成される。そして、当該複数のブレンド画像８２のそれぞれが元画像２２０の一部領域２３０に配置されることによって、複数の改変画像２６０が生成される（図１５参照）。
【0116】
たとえば、数％刻みの互いに異なるブレンド比率でＦ枚（たとえば数十枚）のブレンド画像を生成し、当該Ｆ枚のブレンド画像に基づいて、Ｆ枚の改変画像２６０（２６０ａ，２６０ｐ，２６０ｕ，...）が生成される。なお、これに限定されず、複数のブレンド画像等は、ランダムに決定されたブレンド比率等に基づいて生成されてもよい。
【0117】
改変画像２６０ａは、部分画像２２３に対する被選択画像８１ａ（参照画像８０ａ（ここではランダムノイズパターン画像））の付与率１００％の合成画像（参照画像８０ａ自体）が一部領域２３０に配置されて生成された画像である。また、改変画像２６０ｐは、部分画像２２３に対する被選択画像８１ａの付与率７０％の合成画像が一部領域２３０に配置されて生成された画像である。また、改変画像２６０ｕは、部分画像２２３に対する被選択画像８１ａの付与率３０％の合成画像が一部領域２３０に配置されて生成された画像である。なお、図１５に示されるように、付与率が低減するにつれて部分画像２２３が見えてくる。逆に言えば、付与率が増大するにつれて、部分画像２２３の要素が見え難くなり被選択画像８１（参照画像８０）の要素が見え易くなる。なお、図１５では省略されているが、他の様々な付与率による多数の改変画像２６０が生成される。
【0118】
つぎに、第２の被選択画像８１（８１ｂ）が決定され、当該被選択画像８１と部分画像２２３とのブレンド処理を、そのブレンド比率を変更しつつ繰り返し実行することによって、互いに異なる態様の複数のブレンド画像８２が生成される。そして、当該複数のブレンド画像８２のそれぞれが元画像２２０の一部領域２３０に配置されることによって、複数の改変画像２６０が生成される。たとえば、数％刻みの互いに異なるブレンド比率でＦ枚のブレンド画像を生成し、当該Ｆ枚のブレンド画像に基づいて、Ｆ枚の改変画像２６０（２６０ｂ，２６０ｑ，２６０ｖ，...）が生成される。
【0119】
さらに、第３の被選択画像８１（８１ｃ）についても同様の処理が実行され、Ｆ枚の改変画像２６０（２６０ｃ，２６０ｒ，２６０ｗ，...）が生成される。
【0120】
また、第４以降の各被選択画像８１についても同様の処理が実行され、それぞれ、Ｆ枚の改変画像２６０が生成される。
【0121】
このような処理が第Ｅ（たとえば、１０００枚目）の被選択画像８１にまで同様に繰り返されることによって、（Ｅ×Ｆ）枚（たとえば、１０００×５０＝５００００枚）の改変画像２６０が生成される。そして、これらの複数の改変画像２６０（部分画像２２３に基づく改変画像２６０を含んでもよい）に基づき、教師データが生成される。
【0122】
以上のような実施形態によれば、第１実施形態と同様の効果を得ることができる。また、特に、より多数の改変画像２６０（具体的には、（Ｅ×Ｆ）枚の改変画像２６０）が容易に生成されるので、より多数の教師データを効率的に生成することができる。
【0123】
＜第３実施形態の変形例＞
なお、これに限定されず、図１６に示されるように、部分画像２２３と被選択画像８１との結合処理（合成処理）を、当該被選択画像８１を変更しつつ且つその結合比率を変更しつつ繰り返し実行することによって、複数の改変画像２６０が生成されてもよい。被選択画像８１（参照画像８０）と部分画像２２３との結合比率は、（ブレンド比率と同様、）部分画像２２３に対する参照画像８０の要素の付与の割合（付与率）とも表現される。付与率１００％による合成画像は参照画像８０自体と等価であり、付与率０％による合成画像は部分画像２２３自体と等価である。
なお、これに限定されず、図１６に示されるように、部分画像２２３と被選択画像８１との結合処理（合成処理）を、当該被選択画像８１を変更しつつ且つその結合比率を変更しつつ繰り返し実行することによって、複数の改変画像２６０が生成されてもよい。被選択画像８１（参照画像８０）と部分画像２２３との結合比率は、（ブレンド比率と同様、）部分画像２２３に対する参照画像８０の要素の付与の割合（付与率）とも表現される。付与率１００％による合成画像は参照画像８０自体と等価であり、付与率０％による合成画像は部分画像２２３自体と等価である。
【0124】
たとえば、一部領域２３０（図１０等参照）が複数（Ｆ個）のブロック領域に分割されるとともに、各被選択画像８１（あるいは部分画像２２３）もそれぞれ複数（Ｆ個）のブロック画像に分割される。なお、図１６では、Ｆ＝８の場合（詳細には縦横２×４ブロックに分割される場合）が図示されている。そして、一部領域２３０（詳細にはそのブロック領域）において、結合比率（付与率）に応じた数のブロック画像（被選択画像８１のブロック画像）が配置される。このような画像加工処理（分割後に再結合される合成処理）において、一部領域２３０全体に対する被選択画像８１のブロック画像の占有割合が変更されることによって、結合比率（付与率）が変更されつつ当該結合処理が行われればよい。Ｆ＝８の場合において、被選択画像８１の２個のブロック画像が一部領域２３０内の２個のブロック領域に配置され且つ残りの６個のブロック領域に部分画像２２３が配置されるときには、結合比率（被選択画像８１の占有割合）は、２５％（＝２／８）である。
【0125】
より具体的には、まず、第１の被選択画像８１（８１ａ）について、当該被選択画像８１ａと部分画像２２３との結合処理を、その結合比率を変更しつつ繰り返し実行することによって、互いに異なる態様（外観）の複数の結合画像８４が生成される。そして、当該複数の結合画像８４のそれぞれが元画像２２０の一部領域２３０に配置されることによって、複数の改変画像２６０が生成される（図１６参照）。たとえば、Ｆ段階の互いに異なる結合比率でＦ枚の合成画像（結合画像）を生成し、当該Ｆ枚の合成画像に基づいてＦ枚の改変画像２６０（２６０ａ，２６０ｐ，２６０ｕ，...）が生成される。また、ここでは、参照画像８０自体および部分画像２２３自体をそれぞれ一部領域２３０に配置した各改変画像２６０もが生成される。
【0126】
つぎに、第２の被選択画像８１（８１ｂ）についても同様の処理が実行され、Ｆ枚の結合画像８４に基づいて、Ｆ枚の改変画像２６０（２６０ｂ，２６０ｑ，２６０ｖ，...）が生成される。
【0127】
さらに、第３の被選択画像８１（８１ｃ）についても同様の処理が実行され、Ｆ枚の改変画像２６０（２６０ｃ，２６０ｒ，２６０ｗ，...）が生成される。
【0128】
また、第４以降の各被選択画像８１についても同様の処理が実行され、それぞれ、Ｆ枚の改変画像２６０が生成される。
【0129】
このような処理が第Ｅ（たとえば、１０００枚目）の被選択画像８１にまで同様に繰り返されることによって、（Ｅ×Ｆ）枚の改変画像２６０が生成される。
【0130】
図１６では、Ｆ＝８の場合について示されているが、これに限定されず、値Ｆはさらに大きな数（たとえば、数十～数百）などの様々な値であってもよい。また、同一結合比率であっても、一部領域２３０内での被選択画像８１のブロック画像の位置が変更されることによって、異なる結合画像がさらに生成されてもよい。あるいは、一部領域２３０における各分割領域に配置するブロック画像（被選択画像８１の部分画像）が別のブロック画像に変更されることによって、異なる結合画像がさらに生成されてもよい。そして、当該互いに異なる結合画像に基づいて２以上の改変画像２６０が更に生成されてもよい。このような処理によれば、さらに多数の改変画像２６０を生成することが可能である。
【0131】
また、上記実施形態等では、第１実施形態と同様に１枚の被選択画像８１と部分画像２２３との合成処理（ブレンド処理等）が実行されることによって、複数の改変画像２６０が生成されているが、これに限定されない。たとえば、第２実施形態等と同様に、部分画像２２３と２枚以上の被選択画像８１による合成画像（ブレンド画像８２あるいは分割結合画像８４等）との合成処理（ブレンド処理等）が実行されることによって、複数の改変画像２６０が生成されてもよい。より詳細には、部分画像２２３と２枚以上の被選択画像８１とが、各種のブレンド比率（たとえば、５０：２５：２５（あるいは、２０：４０：４０、５０：１０：４０等でもよい））でブレンドされて、改変画像２６０が生成されてもよい。
【0132】
また、ブレンド処理と分割結合処理とが組み合わせられて実行されてもよい。たとえば、２枚以上の被選択画像８１のブレンド画像と部分画像２２３とを結合合成した複数の合成画像に基づいて、複数の改変画像２６０が生成されてもよい。あるいは、２枚以上の被選択画像８１の結合画像と部分画像２２３とをブレンド合成した複数の合成画像に基づいて、複数の改変画像２６０が生成されてもよい。
【0133】
また、上記実施形態等では、部分画像２２３と各被選択画像８１とに基づいて２以上の改変画像２６０が生成されている。たとえば、部分画像２２３と被選択画像８１ａとに基づいて２以上の改変画像２６０（たとえば、２６０ａ，２６０ｐ，２６０ｕ，...）が生成されている。しかしながら、これに限定されず、部分画像２２３と各被選択画像８１とに基づいて一の改変画像２６０がされてもよい。そして、複数の被選択画像８１のそれぞれについて一の改変画像２６０を生成する処理によって複数の改変画像２６０が生成されてもよい。
【0134】
たとえば、部分画像２２３と複数の被選択画像８１とが特定比率（特定付与率）のみでブレンドされて改変画像が生成されてもよい。より詳細には、複数のブレンド画像８２（８２ｐ，８２ｑ，８２ｒ，...）に基づき、複数の改変画像２６０（２６０ｐ，２６０ｑ，２６０ｒ，...）（図１５の左右方向中央列参照）のみが生成されてもよい。当該複数のブレンド画像８２（８２ｐ，８２ｑ，８２ｒ，...）は、部分画像２２３と複数の被選択画像８１（８１ａ，８１ｂ，８１ｃ，...）のそれぞれとが特定付与率（ここでは７０％）でブレンドされた画像である。ただし、これに限定されず、特定付与率は、固定値（たとえば、７０％）ではなく、被選択画像８１ごとに（乱数等によってランダムに）変更されてもよい。
【0135】
＜４．第４実施形態＞
第４実施形態は、第３実施形態等の変形例である。以下では、第３実施形態等との相違点を中心に説明する。
第４実施形態は、第３実施形態等の変形例である。以下では、第３実施形態等との相違点を中心に説明する。
【0136】
上記第３実施形態においては、参照画像８０と部分画像２２３との双方を用いて、元画像２２０の一部領域２３０を互いに異なる複数の態様へと変更することにより、複数の改変画像２６０が生成されている。
【0137】
この第４実施形態においては、参照画像８０を用いることなく、複数の改変画像２６０が生成される。具体的には、部分画像（識別対象の物体の画像）２２３（図９および図１０参照）のみを用いて、元画像２２０の一部領域２３０を互いに異なる複数の態様へと変更することにより、複数の改変画像２６０が生成される（図１７参照）。より詳細には、部分画像２２３を用いた画像加工処理が実行されることによって、複数の改変画像２６０が生成される。
【0138】
図１７は、第４実施形態に係る複数の改変画像２６０を示す図である。図１７に示されるように、画像処理装置３０は、部分画像２２３をＦ分割（ここでは８分割）したＦ個の分割領域の画像（各ブロック画像）を生成する。そして、Ｆ個のブロック画像の配置を（ランダムに）変更することによって、複数の改変画像２６０が生成される。
【0139】
図１７においては、部分画像２２３を８分割した８個のブロック画像Ｂ１～Ｂ８を配置し直す画像加工処理によって、互いに異なる複数の部分加工画像２２５（２２５ａ，２２５ｂ，２２５ｃ，...）が生成されている。そして、当該複数の部分加工画像２２５が元画像２２０の一部領域２３０に配置されることによって、改変画像２６０ｂが生成されている。なお、図１７においては、最左列の部分画像２２３の下側と中央列の各部分加工画像２２５の下側とにおいてブロック番号Ｂｉ付き矩形が配置され、ブロック画像Ｂ１～Ｂ８の配置が示されている。ただし、ブロック画像Ｂ１～Ｂ８の配置は、これに限定されず、各ブロック画像Ｂｉの位置はランダムに決定されてもよい。
【0140】
以上のような実施形態によれば、第１実施形態と同様に、元画像２２０の一部領域２３０を互いに異なる態様（外観）へと変更することにより元画像２２０に関する複数の改変画像２６０が生成され（ステップＳ１３）、複数の改変画像２６０に基づき複数の教師データが生成される。したがって、物体の一部領域における多様な状況を順次に発現させて撮影を繰り返すことにより複数の撮影画像を取得し当該複数の撮影画像に基づき教師データを生成する場合に比べて、機械学習における教師データを効率的に生成することが可能である。
【0141】
また、第４実施形態においては、部分画像２２３（元画像２２０の一部領域２３０の画像）を用いて、元画像２２０の一部領域２３０を互いに異なる複数の態様へと変更することにより、元画像２２０に関する複数の改変画像２６０が生成される。したがって、部分画像２２３の画像特性（輪郭特性およびテクスチャ特性等）をも反映させるように（一部領域２３０にて比較的近いテクスチャを有する画像を同一ないし同種の物体として認識するように）、学習モデルを学習させることが可能である。
【0142】
なお、上記においては、部分画像２２３をブロック分割した画像に基づき、複数の改変画像２６０が生成されているが、これに限定されない。
【0143】
たとえば、図１８に示されるように、部分画像２２３に対するモザイク処理（解像度低減処理）により生成された複数のモザイク処理画像２２６が元画像２２０の一部領域２３０にそれぞれ配置されることによって、複数の改変画像２６０が生成されてもよい。複数のモザイク処理画像２２６は、部分画像２２３に対するモザイク処理（画像加工処理）におけるブロックサイズ（解像度の低減度合い）を変更して生成される画像である。図１８では、モザイク処理画像２２６ｂのブロックサイズはモザイク処理画像２２６ａのブロックサイズよりも大きく、モザイク処理画像２２６ｃのブロックサイズはモザイク処理画像２２６ｂのブロックサイズよりも大きい。そして、モザイク処理画像２２６ａが元画像２２０の一部領域２３０に配置されることによって改変画像２６０ａが生成される。同様に、モザイク処理画像２２６ｂが一部領域２３０に配置されることによって改変画像２６０ｂが生成され、モザイク処理画像２２６ｃが一部領域２３０に配置されることによって改変画像２６０ｃが生成される。
【0144】
あるいは、モザイク処理に限定されず、他の各種の画像加工処理（ぼかし処理、変形処理（波紋風変形、渦巻き風変形等）、色変更処理等）が部分画像２２３に対して施されて、複数の改変画像２６０が生成されてもよい。あるいは、複数の種類の画像加工処理が（その程度を変更しつつ）部分画像２２３に対して施されることによって、複数の改変画像２６０が生成されてもよい。
【0145】
＜５．第５実施形態＞
上記第３実施形態においては、部分画像２２３と複数の参照画像８０（被選択画像８１）のそれぞれとの合成処理によって複数の改変画像２６０が生成されているが、これに限定されない。
上記第３実施形態においては、部分画像２２３と複数の参照画像８０（被選択画像８１）のそれぞれとの合成処理によって複数の改変画像２６０が生成されているが、これに限定されない。
【0146】
たとえば、部分画像２２３と単一の参照画像８０（被選択画像８１）との合成処理によって、元画像２２０の一部領域２３０を互いに異なる複数の態様へと変更することにより、複数の改変画像２６０が生成されてもよい。第５実施形態では、このような形態を例示する。
【0147】
第５実施形態においては、第３実施形態（図１５参照）の一部の処理が行われる。具体的には、第５実施形態では、単一の参照画像８０（たとえば、被選択画像８１ｃのみ）を用いて、元画像２２０の一部領域２３０を互いに異なる複数の態様へと変更することにより、複数の改変画像２６０が生成される。
【0148】
より具体的には、部分画像２２３と当該単一の参照画像８０（８１ｃ）とのブレンド処理（透過合成処理）を、そのブレンド比率（参照画像８０と部分画像２２３との合成比率）を変更しつつ繰り返し実行すること等によって、互いに異なる複数（Ｆ枚）のブレンド画像８２が生成される。そして、当該複数のブレンド画像８２に基づき複数の改変画像２６０が生成される。たとえば、複数のブレンド画像８２ｃ（８１ｃ自体），８２ｒ，８２ｗ，...および複数の改変画像２６０ｃ，２６０ｒ，２６０ｗ，...が生成される。
【0149】
このように、部分画像２２３と一の参照画像８０とのブレンド画像８２（透過合成画像）に基づき、複数の改変画像２６０が生成されてもよい。
【0150】
ただし、これに限定されず、例えば、図１６の一部の処理が実行されてもよい。
【0151】
具体的には、部分画像２２３と参照画像８０（たとえば、被選択画像８１ｃ）との結合処理を、その結合比率等を変更しつつ繰り返し実行することによって、複数の改変画像２６０が生成されてもよい。
【0152】
たとえば、被選択画像８１ｃと部分画像２２３との結合処理を、その結合比率（合成比率）を変更しつつ繰り返し実行することによって、互いに異なる態様の複数（Ｆ枚）の結合画像８４（８４ｃ，８４ｒ，８４ｗ，...）が生成される。そして、当該複数の結合画像８４のそれぞれが元画像２２０の一部領域２３０に配置されることによって、複数の改変画像２６０（２６０ｃ，２６０ｒ，２６０ｗ，...）が生成される。
【0153】
このように、部分画像２２３と一の参照画像８０との結合画像８４（合成画像）に基づき、複数の改変画像２６０が生成されてもよい。
【0154】
第５実施形態によっても、元画像２２０の一部領域２３０を互いに異なる態様（外観）へと変更することにより元画像２２０に関する複数の改変画像２６０が生成され（ステップＳ１３）、複数の改変画像２６０に基づき複数の教師データが生成される。したがって、物体の一部領域における多様な状況を順次に発現させて撮影を繰り返すことにより複数の撮影画像を取得し当該複数の撮影画像に基づき教師データを生成する場合に比べて、機械学習における教師データを効率的に生成することが可能である。
【0155】
また、第５実施形態においては、部分画像２２３（元画像２２０の一部領域２３０の画像）を用いて、元画像２２０の一部領域２３０を互いに異なる複数の態様へと変更することにより、元画像２２０に関する複数の改変画像２６０が生成される。そして、このような複数の改変画像２６０に基づく教師データを用いて学習モデル４００が学習される。これによれば、部分画像２２３の画像特性（輪郭特性およびテクスチャ特性等）をも反映させるように（一部領域２３０にて比較的近いテクスチャを有する画像を同一ないし同種の物体として認識するように）、学習モデルを学習させることが可能である。
【0156】
ただし、第５実施形態では、第１実施形態～第３実施形態とは異なり、複数の参照画像８０ではなく単一の参照画像８０を用いて複数の改変画像２６０が生成されている。それ故、複数の参照画像８０を用いて複数の改変画像２６０を生成する第１実施形態等に比べて、複数の改変画像２６０の多様性（一部領域２３０に対応する部分の多様性）が低減する。したがって、一部領域２３０の画像への依存性を抑制する効果（変動許容領域Ｐ１の多様性を許容する効果）は、第１実施形態等に比べて限定的である。より詳細には、一部領域２３０を多様に変化させた複数の改変画像２６０に基づく教師データによる学習によって一部領域２３０の状況への依存性を抑制する効果は、第１実施形態等に比べて限定的である。逆に言えば、単一の参照画像８０ではなく複数の参照画像８０を用いて複数の改変画像２６０を生成することによれば、一部領域２３０の状況の影響（多様性の影響）の抑制効果を向上させることが可能である。
【0157】
なお、第５実施形態と第４実施形態とが組み合わせられてもよい。たとえば、第４実施形態における複数のモザイク処理画像２２６（図１８参照）が生成され、当該複数のモザイク処理画像２２６のそれぞれと単一の参照画像８０とを用いて第５実施形態のような複数の改変画像２６０がそれぞれ生成されてもよい。換言すれば、第５実施形態における部分画像２２３の代わりに、当該複数のモザイク処理画像２２６のそれぞれが用いられてもよい。
【0158】
＜６．第６実施形態＞
第６実施形態においては、追加学習技術について説明する（図２０参照）。具体的には、物体９０ａ（或る品目の商品）を認識させるために生成された第１教師データ群３１０に基づき予め学習された学習モデル４００を、別の物体９０ｂ（別の品目の商品）を認識させるために生成された第２教師データ群３３０に基づき追加学習する技術について説明する。このような追加学習により、学習モデル４００は、物体９０ａのみならず物体９０ｂをも認識することが可能になる。なお、たとえば、物体９０ａは、商品「干しイカ」であり、物体９０ｂは、商品「チーズの詰め合わせ」である。ここでは、商品９０ａおよび商品９０ｂのいずれも透明部９３（変動許容領域Ｐ１）を有しており、透明部９３を有する商品の認識に関して追加学習が行われる。
第６実施形態においては、追加学習技術について説明する（図２０参照）。具体的には、物体９０ａ（或る品目の商品）を認識させるために生成された第１教師データ群３１０に基づき予め学習された学習モデル４００を、別の物体９０ｂ（別の品目の商品）を認識させるために生成された第２教師データ群３３０に基づき追加学習する技術について説明する。このような追加学習により、学習モデル４００は、物体９０ａのみならず物体９０ｂをも認識することが可能になる。なお、たとえば、物体９０ａは、商品「干しイカ」であり、物体９０ｂは、商品「チーズの詰め合わせ」である。ここでは、商品９０ａおよび商品９０ｂのいずれも透明部９３（変動許容領域Ｐ１）を有しており、透明部９３を有する商品の認識に関して追加学習が行われる。
【0159】
具体的には、まず、画像処理装置３０は、上記各実施形態（たとえば第１実施形態）のようにして、物体９０ａ（或る品目の商品）に関する学習処理等を実行する（図２０の上半部分参照）。詳細には、物体９０ａを撮影した元画像２２０（第１元画像２２０ａ）の一部領域２３０ａの画像（部分画像２２３）を互いに異なる態様の画像（互いに異なる部分画像）へと変更することにより、複数の改変画像２６０が生成される（図６のステップＳ１３参照）。当該複数の改変画像２６０（２６０ａ，２６０ｂ，２６０ｃ，...）は、第１改変画像群とも称される。そして、当該第１改変画像群（複数の改変画像２６０）に基づき、第１教師データ群３１０が生成される（ステップＳ１４）。その後、このようにして生成された第１教師データ群３１０に基づく学習モデル４００の機械学習処理（図７参照）が実行され、学習済みモデル４２０が生成される（ステップＳ２１，Ｓ２２）。
【0160】
つぎに、画像処理装置３０は、別の物体９０ｂ（別品目の商品等）をも学習モデル４００を用いて認識させるために、学習済みの学習モデル４００（４２０）を新たな教師データ群（第２教師データ群３３０）をも用いて追加的に学習する（図２０の下半部分参照）。第２教師データ群３３０は、物体９０ａとは異なる物体９０ｂを認識させるために第２改変画像群２８０（後述）に基づき生成された複数の教師データである。
【0161】
具体的には、まず、物体９０ａとは異なる物体９０ｂを撮影した元画像（第２元画像２２０ｂ）の一部領域２３０ｂの画像（部分画像２２３ｂ）を互いに異なる態様の画像（互いに異なる部分画像）へと変更することにより、複数の改変画像２８０が生成される。各改変画像２８０（２８０ａ，２８０ｂ，２８０ｃ，...）は、（認識対象物体が異なる点を除いて、）上述の各改変画像２６０と同様にして生成されればよい。当該複数の改変画像２８０は、第２改変画像群とも称される。つぎに、当該第２改変画像群（複数の改変画像２８０）に基づき、第２教師データ群３３０が生成される。第２教師データ群３３０の各教師データは、（複数の改変画像２６０ではなく）複数の改変画像２８０に基づき、第１教師データ群３１０の各教師データと同様にして生成されればよい。そして、画像処理装置３０（学習モデル生成装置の学習処理部）は、第１教師データ群３１０に基づき予め学習された学習モデル４００（４２０）を、第２教師データ群３３０と第１教師データ群３１０とに基づき追加学習する。
【0162】
このような追加学習によれば、学習モデル４００を最初から学習し直す場合に比べて、商品９０ａのみならず商品９０ｂをも認識可能な学習モデル（推論モデル）４００を効率的に（短時間で）生成することが可能である。なお、追加学習は、学習済みの学習モデル４００（４２０）を利用する学習形態であり、転移学習の一種である。
【0163】
また、この実施形態では、このような追加学習の初期段階（追加学習の開始直後の所定期間等）において、画像処理装置３０は、第１教師データ群３１０内の教師データよりも第２教師データ群３３０内の教師データを多く用いて学習モデル４００を機械学習する。
【0164】
より詳細には、追加学習の開始直後の所定期間においては、第２教師データ群３３０内の教師データが、第１教師データ群３１０内の教師データよりも高頻度で選択されるように、両教師データ群３１０，３３０の中から教師データが順次に選択される。たとえば、第１教師データ群３１０内の教師データと第２教師データ群３３０内の教師データとの比率（選択比率）が、たとえば、２５％：７５％（＝１：３）となるように、順次に教師データが選択される。そして、選択された教師データ（第１教師データ群３１０内の教師データと第２教師データ群３３０内の教師データとのいずれか）を用いた追加学習が順次に実行される。
【0165】
当該所定期間としては、評価用のデータセット（ラベル付きデータ）に基づく認識率が第１基準値Ｖ１（たとえば、９５％）に到達するまでの期間等が例示される。あるいは、当該所定期間は、所定数（たとえば数十個～数百個）の教師データによる追加学習が実行されるまでの期間等であってもよい。また、追加学習の初期段階は、学習データ数、学習時間、到達認識率などの各種の基準で区分される複数の段階（第１段階～第ｎ段階）のうちの前半等（たとえば、４段階のうちの２段階目あるいは１段階目までの段階）であってもよい。
【0166】
なお、追加学習の開始直後の最初の教師データとしては（第１教師データ群３１０ではなく）第２教師データ群３３０のうちの一の教師データが選択され、当該一の教師データを用いて学習モデル４００の追加学習が開始されることが好ましい。当該一の教師データは、第２教師データ群３３０の中から、乱数等によってランダムに選択されればよい。
【0167】
上記所定期間が経過した後には、たとえば、第１教師データ群３１０内の教師データと第２教師データ群３３０内の教師データとの比率（選択比率）が、同等（たとえば、５０％：５０％（＝１：１））となるように、順次に教師データが選択される。そして、選択された教師データ（第１教師データ群３１０内の教師データと第２教師データ群３３０内の教師データとのいずれか）を用いた追加学習が順次に実行される。
【0168】
そして、評価用のデータセット（ラベル付きデータ）に基づく認識率が第２基準値Ｖ２（たとえば、９９％）に到達すると、当該追加学習は終了（完了）し、物体９０ｂをも認識可能な学習モデル４００が生成される。なお、値Ｖ２は、値Ｖ１よりも大きな値である。
【0169】
以上のような追加学習処理（学習済みモデルを用いた学習処理）によれば、学習モデル４００を最初から学習し直す場合に比べて、商品９０ａのみならず商品９０ｂをも認識可能な学習モデル４００を効率的に（短時間で）生成することが可能である。
【0170】
また、特に、追加学習の初期段階（上記所定期間内等）においては、第２教師データ群３３０内の教師データを第１教師データ群３１０内の教師データよりも多く用いて学習モデル４００が学習される。このように第２教師データ群３３０内の教師データを初期段階において優先的に用いることによれば、物体９０ｂをも認識するための学習パラメータ変化（学習モデル４００の内部パラメータの変化）を比較的早期に比較的大きく発生させることが可能である。ひいては、物体９０ｂをも認識させるための学習を効率的に進めることが可能である。すなわち、効率的な追加学習処理を実現することが可能である。
【0171】
なお、ここでは、互いに異なる物体として、互いに異なる品目の商品を例示しているが、これに限定されない。たとえば、同じ品目の商品の表（おもて）面と裏（うら）面とを別の物体（別の認識対象物）として認識させるようにしてもよい。
【0172】
また、ここでは、追加学習前の学習モデル４００が一の物体のみを認識するように予め学習されているが、これに限定されない。たとえば、追加学習前の学習モデル４００は、Ｎ個（Ｎは、自然数（特に２以上））の物体を認識するための複数の教師データ群（第１教師データ群～第Ｎ教師データ群）に基づき予め学習された学習モデルであってもよい。そして、当該学習モデル４００を、さらに別の物体を認識するための新たな教師データ群にも基づき追加学習する際に、上記の思想が適用されてもよい。ここで、第ｉ（ただし、ｉは１～Ｎの自然数）教師データ群は、第ｉ物体を認識させるために第ｉ改変画像群に基づき生成された複数の教師データである。また、第ｉ改変画像群は、第ｉ物体を撮影した元画像（第ｉ元画像）に関する複数の改変画像で構成される。第ｉ改変画像群の複数の改変画像は、第ｉ元画像の一部領域の画像を互いに異なる態様の複数の画像（部分画像）へと変更することにより生成される。特に、値Ｎが非常に大きい場合（たとえば、Ｎ＝１０００の場合）には、追加学習による学習時間短縮効果は非常に大きい。
【0173】
また、さらに別の物体を認識するための当該新たな教師データ群は、一の新たな物体を認識するための新たな一の教師データ群に限定されず、複数の新たな物体を認識するための複数の新たな教師データ群であってもよい。このような少なくとも１つの新たな教師データ群（第（Ｎ＋ｊ）教師データ群）（ただし、ｊは１～Ｍの自然数、且つＭは自然数）のそれぞれは、第１物体～第Ｎ物体とは異なる物体（第（Ｎ＋ｊ）物体）を認識させるために新たな改変画像群（第（Ｎ＋ｊ）改変画像群）に基づき生成された複数の教師データである。また、当該新たな改変画像群は、新たな物体（第（Ｎ＋ｊ）物体）を撮影した新たな元画像（第（Ｎ＋ｊ）元画像）に関する複数の改変画像であって、当該新たな元画像の一部領域の画像を互いに異なる態様の複数の画像（部分画像）へと変更することにより生成される。
【0174】
そして、当該少なくとも１つの新たな教師データ群にも基づき追加学習する際に、上記と同様の思想が適用されればよい。具体的には、当該追加学習の初期段階においては、第１教師データ群～第Ｎ教師データ群内の教師データよりも、少なくとも１つの新たな教師データ群（第（Ｎ＋１）～第（Ｎ＋ｊ）教師データ群）内の教師データを多く用いて学習モデル４００が学習されればよい。
【0175】
＜７．第７実施形態＞
第７実施形態は、第６実施形態と同様、追加学習に関する。上記第６実施形態では、或る物体を認識するための学習モデル（学習済みモデル）を別の物体の認識のための新たな教師データにより追加学習する技術について説明した。この第７実施形態では、或る物体を認識するための学習モデル（学習済みモデル）を、同じ物体の認識のための新たな教師データにより追加学習する技術について説明する。
第７実施形態は、第６実施形態と同様、追加学習に関する。上記第６実施形態では、或る物体を認識するための学習モデル（学習済みモデル）を別の物体の認識のための新たな教師データにより追加学習する技術について説明した。この第７実施形態では、或る物体を認識するための学習モデル（学習済みモデル）を、同じ物体の認識のための新たな教師データにより追加学習する技術について説明する。
【0176】
第７実施形態では、或る物体（或る品目の商品等）９０ａを認識させるために生成された第１教師データ群３１０に基づき予め学習された学習モデル４００が、同じ物体（同一品目の商品）９０ａを認識させるための新たな教師データにも基づき追加学習される。
【0177】
具体的には、まず、画像処理装置３０は、第６実施形態（図２０の上半部分参照）と同様にして、第１教師データ群３１０に基づく学習モデル４００の機械学習処理（図７参照）を実行し、学習済みモデル４２０を生成する（図２１の上半部分参照）。
【0178】
つぎに、画像処理装置３０は、同じ物体（同じ品目の商品等）９０ａを学習モデル４００を用いて認識させるために、学習済みの学習モデル４００を少なくとも１つの新たな教師データ（新たな教師データ群）３２０をも用いて追加的に学習する（図２１の下半部分参照）。少なくとも１つの新たな教師データ３２０をも用いた追加学習によって、物体９０ａの認識率を向上させることが可能である。
【0179】
ここで、当該少なくとも１つの新たな教師データ３２０の各教師データ（たとえば２つの教師データ３２０ａ，３２０ｂ）は、同じ物体９０ａを認識させるために、少なくとも１つの新たな改変画像２７０（２７０ａ，２７０ｂ）に基づいて生成された教師データである。少なくとも１つの新たな改変画像２７０は、複数の改変画像２６０のいずれとも異なる改変画像であり、且つ、互いに異なる改変画像である。少なくとも１つの新たな改変画像２７０は、物体９０ａに関する元画像２２０の一部領域２３０の画像を、新たな態様の画像（互いに異なる新たな部分画像）へと変更（加工）することにより生成される。たとえば、複数の改変画像２６０（２６０ａ，２６０ｂ，２６０ｃ，...）の生成に用いられた参照画像８０（８０ａ，８０ｂ，８０ｃ，...）とは異なる参照画像８０（８０ｐ，８０ｑ）に基づいて、少なくとも１つの新たな改変画像２７０が生成される。このように、当該各改変画像２７０は、複数の改変画像２６０に用いられた複数の参照画像８０のいずれとも異なる参照画像等に基づいて生成されることが好ましい。
【0180】
このような追加学習によれば、学習モデル４００を最初から学習し直す場合に比べて、商品９０ａのみならず商品９０ｂをも認識可能な学習モデル（推論モデル）４００を効率的に（短時間で）生成することが可能である。
【0181】
また、この実施形態では、このような追加学習（両教師データ群３１０，３２０を用いた追加学習）の初期段階において、第１教師データ群３１０内の教師データよりも新たな教師データ群３２０内の教師データを多く用いて学習モデル４００が機械学習される。初期段階終了後の段階においては、第１教師データ群３１０内の教師データと新たな教師データ群３２０内の教師データとの選択比率が同等となるように順次に教師データが選択され、選択された教師データを用いた追加学習が順次に実行される。
【0182】
追加学習の初期段階において、新たな教師データ群３２０内の教師データを優先的に用いることによれば、新たな教師データ群３２０による（学習モデル４００の）内部パラメータ変化を比較的早期に比較的大きく発生させることが可能である。ひいては、新たな教師データ群にも基づく学習を効率的に進めることが可能である。すなわち、効率的な追加学習処理を実現することが可能である。
【0183】
なお、ここでは、新たな教師データ３２０として、２つの教師データ３２０ａ，３２０ｂが主に例示されているが、これに限定されない。新たな教師データ（群）３２０は、単一の教師データでもよく、３つ以上の教師データでもよい。
【0184】
＜８．変形例等＞
以上、この発明の実施の形態について説明したが、この発明は上記説明した内容のものに限定されるものではない。
以上、この発明の実施の形態について説明したが、この発明は上記説明した内容のものに限定されるものではない。
【0185】
たとえば、上記各実施形態が適宜に組み合わせられてもよい。
【0186】
また、上記各実施形態においては、様々な処理が１つの画像処理装置３０によって実現されているが、これに限定されず、様々な処理が複数の装置で分担されて実現されてもよい。たとえば、教師データ生成段階Ｐｈ１（図５参照）における教師データ生成処理と、学習モデル生成段階Ｐｈ２における学習モデル生成処理と、および物体認識段階Ｐｈ３における物体認識処理とがそれぞれ別個の装置で実行されてもよい。端的に言えば、教師データ生成装置と学習モデル生成装置と物体認識装置とがそれぞれ別個の装置として構成されてもよい。また、これらの処理のいずれか１つ以上がクラウド上で実行されてもよい。
【0187】
また、上記各実施形態においては、物体として商品を主に例示しているが、これに限定されず、商品以外の様々な物体（たとえば、機械部品等）が認識対象とされてもよい。
【0188】
また、ここでは、物体の認識結果が物体のピッキングに利用されているが、これに限定されず、物体の認識結果はその他の用途等に用いられてもよく、あるいは物体の認識結果を得ること自体が目的であってもよい。
【符号の説明】
【0189】
１ ピッキングシステム
２０ 撮影装置
３０ 画像処理装置
３１ コントローラ（制御部）
５０ ピッキングロボット
５２ ロボットアーム部
５３ エンドエフェクタ
８０ 参照画像
８２ ブレンド画像
８４ 結合画像
２１０ 撮影画像
２２０ 元画像
２２３ 部分画像
２２５ 部分加工画像
２２６ モザイク処理画像
２３０ 一部領域
２６０，２７０，２８０ 改変画像
３１０，３２０，３３０ 教師データ群
４００ 学習モデル
２０ 撮影装置
３０ 画像処理装置
３１ コントローラ（制御部）
５０ ピッキングロボット
５２ ロボットアーム部
５３ エンドエフェクタ
８０ 参照画像
８２ ブレンド画像
８４ 結合画像
２１０ 撮影画像
２２０ 元画像
２２３ 部分画像
２２５ 部分加工画像
２２６ モザイク処理画像
２３０ 一部領域
２６０，２７０，２８０ 改変画像
３１０，３２０，３３０ 教師データ群
４００ 学習モデル
【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】
【図17】
【図18】
【図19】
【図20】
【図21】
【図22】
【図23】
【図24】