特開 2024-124719 検査装置、検査方法、および、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】P2024124719

(43)【公開日】2024-09-13

(54)【発明の名称】検査装置、検査方法、および、プログラム

(51)【国際特許分類】

   G01N 21/88 20060101AFI20240906BHJP

   G01N 21/84 20060101ALI20240906BHJP

【ＦＩ】

G01N21/88 J

G01N21/84 D

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2023032596

(22)【出願日】2023-03-03

(71)【出願人】

【識別番号】000002369

【氏名又は名称】セイコーエプソン株式会社

(74)【代理人】

【識別番号】100179475

【弁理士】

【氏名又は名称】仲井 智至

(74)【代理人】

【識別番号】100216253

【弁理士】

【氏名又は名称】松岡 宏紀

(74)【代理人】

【識別番号】100225901

【弁理士】

【氏名又は名称】今村 真之

(72)【発明者】

【氏名】小笠原 剛史

【テーマコード（参考）】

2G051

【Ｆターム（参考）】

2G051AB02

2G051AC21

2G051AC22

2G051CA04

2G051EA12

2G051EA14

2G051EB01

2G051EC01

(57)【要約】

【課題】作業者による目視検査の工数を削減する。
【解決手段】検査装置は、検査対象物を撮像した入力画像を用いて、検査対象物が有する欠陥の種類を判別する前処理部と、機械学習モデルを用いて、入力画像に基づいて、検査対象物の欠陥の有無を判別し、判別した結果の信頼度を表す信頼度スコアを含む判別結果を出力する判別部と、作業者による目視検査の実施の要否を通知し、作業者の目視検査の結果を受け付ける検査処理部と、検査結果を出力する出力部と、機械学習モデルによる判別結果を検査結果として採用できる欠陥の種類を表す情報が登録されたリストを記憶する記憶部と、を備える。（ｉ）信頼度スコアが目視検査の実施を要しないことを示し、かつ、検査対象物が有する欠陥の種類がリストに登録されている場合に、検査処理部は、目視検査の実施が必要であることを通知せず、出力部は、判別結果を検査結果として出力する。
【選択図】図１

【特許請求の範囲】

【請求項1】

検査装置であって、
検査対象物を撮像した入力画像を用いて、前記検査対象物が有する欠陥の種類を判別する前処理部と、
機械学習モデルを用いて、前記入力画像に基づいて、前記検査対象物の前記欠陥の有無を判別し、判別した結果の信頼度を表す信頼度スコアを含む判別結果を出力する判別部と、
作業者による目視検査の実施の要否を通知し、前記目視検査の結果を受け付ける検査処理部と、
検査結果を出力する出力部と、
前記機械学習モデルによる前記判別結果を前記検査結果として採用できる前記欠陥の種類を表す情報が登録されたリストを記憶する記憶部と、
を備え、
（ｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合に、
前記検査処理部は、前記目視検査の実施が必要であることを通知せず、
前記出力部は、前記判別結果を前記検査結果として出力し、
（ｉｉ）前記信頼度スコアが前記目視検査の実施を要することを示す場合、
または、
（ｉｉｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されていない場合に、
前記検査処理部は、前記目視検査の実施が必要であることを通知し、前記目視検査の結果を受け付け、
前記出力部は、前記目視検査の前記結果を前記検査結果として出力する、
検査装置。

【請求項2】

請求項１に記載の検査装置であって、
前記判別結果を評価する評価部と、
前記リストに登録されていない前記欠陥の種類に関する前記判別結果について、前記評価部が評価した結果が、前記判別結果を前記検査結果として採用できることを示す場合に、前記判別結果にかかる前記欠陥の種類を前記リストに追加する更新部と、
をさらに備える、
検査装置。

【請求項3】

請求項２に記載の検査装置であって、
前記リストに登録されている前記欠陥の種類に関する前記判別結果について、前記評価部が評価した結果が、前記判別結果を前記検査結果として採用できないことを示す場合に、前記更新部は、前記判別結果にかかる前記欠陥の種類を前記リストから削除する、
検査装置。

【請求項4】

請求項３に記載の検査装置であって、
前記信頼度スコアは、前記検査対象物が前記欠陥を有することについての信頼度を表す第１値を含み、
前記第１値が第１閾値未満であることを含む第１条件が満たされており、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合、
または、
前記第１値が前記第１閾値とは異なる第２閾値以上であることを含む第２条件が満たされており、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合、
前記検査処理部は、前記目視検査の実施が必要であることを通知せず、
前記出力部は、前記判別結果を確定した前記検査結果として出力する、
検査装置。

【請求項5】

請求項４に記載の検査装置であって、
前記前処理部は、
前記検査対象物を撮像した複数の画像それぞれと基準画像との比較により、欠陥候補の前記検査対象物が含まれている画像を前記入力画像として選択し、
前記入力画像を用いて、前記検査対象物が有する前記欠陥の種類を判別し、
前記判別部は、
前記前処理部により選択されなかった画像に基づいて前記欠陥の有無を判別せず、
前記出力部は、
前記前処理部により選択されなかった画像に含まれている前記検査対象物については、欠陥を有しないとする確定した前記検査結果を出力する、
検査装置。

【請求項6】

検査方法であって、
検査対象物を撮像した入力画像を用いて、前記検査対象物が有する欠陥の種類を判別するステップと、
機械学習モデルを用いて前記入力画像に基づいて、前記検査対象物が前記欠陥の有無を判別し、判別した結果の信頼度を表す信頼度スコアを含む判別結果を出力するステップと、
前記機械学習モデルによる前記判別結果を検査結果として採用できる前記欠陥の種類を表す情報が登録されたリストを記憶する記憶部から、前記リストを読み出すステップと、
（ｉ）前記信頼度スコアが作業者の目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合に、
前記判別結果を前記検査結果として出力するステップと、
（ｉｉ）前記信頼度スコアが前記目視検査の実施を要することを示す場合、
または、
（ｉｉｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されていない場合に、
前記目視検査の実施が必要であることを通知し、前記目視検査の結果を受け付けるステップと、
前記目視検査の前記結果を前記検査結果として出力するステップと、
を含む検査方法。

【請求項7】

プログラムであって、
検査装置として機能するコンピューターに、
検査対象物を撮像した入力画像を用いて、前記検査対象物が有する欠陥の種類を判別する機能と、
機械学習モデルを用いて前記入力画像に基づいて、前記検査対象物が前記欠陥の有無を判別し、判別した結果の信頼度を表す信頼度スコアを含む判別結果を出力する機能と、
前記機械学習モデルによる前記判別結果を検査結果として採用できる前記欠陥の種類を表す情報が登録されたリストを記憶する記憶部から、前記リストを読み出す機能と、
（ｉ）前記信頼度スコアが作業者の目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合に、
前記目視検査の実施が必要であることを通知しない機能と、
前記判別結果を前記検査結果として出力する機能と、
（ｉｉ）前記信頼度スコアが前記目視検査の実施を要することを示す場合、
または、
（ｉｉｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されていない場合に、
前記目視検査の実施が必要であることを通知し、前記目視検査の結果を受け付ける機能と、
前記目視検査の前記結果を前記検査結果として出力する機能と、
を実現させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、検査装置、検査方法、および、プログラムに関する。

【背景技術】

【0002】

特許文献１には、検査対象物を撮像した画像を用いて外観検査を行う技術が記載されている。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１５－１３７９１９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

特許文献１に記載の技術においては、良否判定処理部により画像から抽出された欠陥候補が不良であると判定された場合に、不良であると判定された欠陥候補を一律に作業者の目視検査の対象とする。このため、目視検査が不要な場合であっても、目視検査が行われる。よって、作業者による目視検査の工数を削減できる技術が望まれていた。

【課題を解決するための手段】

【0005】

本開示は、以下の形態として実現することが可能である。

【0006】

本開示の第１形態によれば、検査装置が提供される。この検査装置は、検査対象物を撮像した入力画像を用いて、前記検査対象物が有する前記欠陥の種類を判別する前処理部と、機械学習モデルを用いて、前記入力画像に基づいて、前記検査対象物の前記欠陥の有無を判別し、判別した結果の信頼度を表す信頼度スコアを含む判別結果を出力する判別部と、作業者による目視検査の実施の要否を通知し、前記目視検査の結果を受け付ける検査処理部と、検査結果を出力する出力部と、前記機械学習モデルによる前記判別結果を前記検査結果として採用できる前記欠陥の種類を表す情報が登録されたリストを記憶する記憶部と、を備え、（ｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合に、前記検査処理部は、前記目視検査の実施が必要であることを通知せず、前記出力部は、前記判別結果を前記検査結果として出力し、（ｉｉ）前記信頼度スコアが前記目視検査の実施を要することを示す場合、または、（ｉｉｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されていない場合に、前記検査処理部は、前記目視検査の実施が必要であることを通知し、前記目視検査の結果を受け付け、前記出力部は、前記目視検査の前記結果を前記検査結果として出力する。

【0007】

本開示の第２形態によれば、検査方法が提供される。この検査方法は、検査対象物を撮像した入力画像を用いて、前記検査対象物が有する欠陥の種類を判別するステップと、機械学習モデルを用いて前記入力画像に基づいて、前記検査対象物が前記欠陥の有無を判別し、判別した結果の信頼度を表す信頼度スコアを含む判別結果を出力するステップと、前記機械学習モデルによる前記判別結果を検査結果として採用できる前記欠陥の種類を表す情報が登録されたリストを記憶する記憶部から、前記リストを読み出すステップと、（ｉ）前記信頼度スコアが作業者の目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合に、前記判別結果を前記検査結果として出力するステップと、（ｉｉ）前記信頼度スコアが前記目視検査の実施を要することを示す場合、または、（ｉｉｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されていない場合に、前記目視検査の実施が必要であることを通知し、前記目視検査の結果を受け付けるステップと、前記目視検査の前記結果を前記検査結果として出力するステップと、を含む。

【0008】

本開示の第３形態によれば、プログラムが提供される。このプログラムは、検査装置として機能するコンピューターに、検査対象物を撮像した入力画像を用いて、前記検査対象物が有する欠陥の種類を判別する機能と、機械学習モデルを用いて前記入力画像に基づいて、前記検査対象物が前記欠陥の有無を判別し、判別した結果の信頼度を表す信頼度スコアを含む判別結果を出力する機能と、前記機械学習モデルによる前記判別結果を検査結果として採用できる前記欠陥の種類を表す情報が登録されたリストを記憶する記憶部から、前記リストを読み出す機能と、（ｉ）前記信頼度スコアが作業者の目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合に、前記目視検査の実施が必要であることを通知しない機能と、前記判別結果を前記検査結果として出力する機能と、（ｉｉ）前記信頼度スコアが前記目視検査の実施を要することを示す場合、または、（ｉｉｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されていない場合に、前記目視検査の実施が必要であることを通知し、前記目視検査の結果を受け付ける機能と、前記目視検査の前記結果を前記検査結果として出力する機能と、を実現させる。

【図面の簡単な説明】

【0009】

【図1】本実施形態にかかる検査システムの概略構成を表すブロック図である。

【図2】検査装置が実行する処理を示すフローチャートである。

【図3】検査処理の詳細な処理を表したフローチャートである。

【図4】第１更新処理の詳細な処理を表したフローチャートである。

【図5】第２更新処理の詳細な処理を表したフローチャートである。

【発明を実施するための形態】

【0010】

Ａ．実施形態：
図１は、本実施形態にかかる検査システム１０の概略構成を表すブロック図である。検査システム１０は、カメラ５０と検査装置１００とを備える。検査システム１０は、例えば、製造ラインにおいて検査工程でカメラ５０により撮像された画像を用いてワークＷＫの検査を行う。ワークＷＫは、ボルト、ナット等の部品、あるいは、仕掛品である。ワークＷＫを検査対象物ともよぶ。

【0011】

カメラ５０は、ワークＷＫの画像を撮像し、撮像した画像を検査装置１００に供給する。カメラ５０は無線通信または有線通信を介して検査装置１００と通信可能である。

【0012】

検査装置１００は、メモリー１１０と、インターフェイス部１２０と、入力装置１３０と、表示装置１４０と、プロセッサー１５０と、を備えるコンピューターである。

【0013】

メモリー１１０は、検査装置１００が実行する各種処理に使用される各種のプログラムおよびデータを記憶する。メモリー１１０には、学習モデルＭ１を表すデータが格納されている。学習モデルＭ１は、ワークＷＫが撮像された画像が入力されると、ワークＷＫに欠陥があるか否かを判別する。学習モデルＭ１は、例えば、畳み込みニューラルネットワーク（Convolutional Neural Network: CNN）である。学習モデルＭ１は、学習データセットを用いた機械学習により生成された機械学習モデルである。学習データセットは、学習データと学習データに関連付けられた目標データとのセットの集合を含む。学習データとしてワークＷＫが撮像された画像が用いられる。目標データとして、画像に含まれているワークＷＫが欠陥を有しない、即ち、ワークＷＫが良品であることを示すラベル値、あるいは、画像に含まれているワークＷＫが欠陥を有する、即ち、ワークＷＫが不良品であることを示すラベル値のいずれかの値が用いられる。

【0014】

メモリー１１０には、リストＬ１が格納されている。リストＬ１には、学習モデルＭ１による判別結果を検査結果として採用できる欠陥の種類を表す情報が登録されている。メモリー１１０を記憶部ともよぶ。

【0015】

インターフェイス部１２０には、カメラ５０と、入力装置１３０と、表示装置１４０とが接続されている。入力装置１３０は、例えば、キーボード、マウスである。表示装置１４０は、例えば、液晶ディスプレイ、有機ＥＬ（Electro Luminescence）ディスプレイである。

【0016】

プロセッサー１５０は、メモリー１１０に記憶されているプログラムを実行することにより様々な機能を実現する。プロセッサー１５０は、メモリー１１０に格納されているプログラムを実行することで、前処理部２１０、判別部２２０、検査処理部２３０、出力部２４０、評価部２５０、および、更新部２６０として機能する。

【0017】

前処理部２１０は、ワークＷＫを撮像した画像と基準画像とを比較することにより、ワークＷＫが有する欠陥の種類を判別する。前処理部２１０の処理の詳細は後述する。

【0018】

判別部２２０は、学習モデルＭ１を用いて、ワークＷＫを撮像した画像に基づいて、ワークＷＫの欠陥の有無を判別し、判別結果を出力する。判別結果には、判別した結果の信頼度を表す信頼度スコアが含まれる。判別部２２０の処理の詳細は後述する。ワークＷＫを撮像した画像を入力画像ともよぶ。

【0019】

検査処理部２３０は、作業者の目視検査の結果を受け付ける。ただし、本実施形態において、以下の場合には作業者による目視検査が実施されない。
（ｉ）信頼度スコアが目視検査の実施を要しないことを示し、かつ、検査対象物が有する欠陥の種類がリストＬ１に登録されている場合

【0020】

以下のいずれかの場合には、作業者による目視検査が実施される。
（ｉｉ）信頼度スコアが目視検査の実施を要することを示す場合
（ｉｉｉ）信頼度スコアが目視検査の実施を要しないことを示し、かつ、検査対象物が有する欠陥の種類がリストＬ１に登録されていない場合

【0021】

検査処理部２３０は、上記の（ｉｉ）または（ｉｉｉ）の場合、即ち、目視検査の実施を要する場合、目視検査の実施が必要であることを通知する。上記の（ｉ）の場合、即ち、目視検査の実施を要しない場合、検査処理部２３０は目視検査の実施の要否を通知しない。あるいは、検査処理部２３０は、目視検査の実施が不要であることを通知してもよい。検査処理部２３０の処理の詳細は後述する。

【0022】

出力部２４０は、上記の（ｉ）の場合、学習モデルＭ１による判別結果を検査結果として出力する。出力部２４０は、上記の（ｉｉ）または（ｉｉｉ）の場合、作業者による目視検査の結果を検査結果として出力する。出力部２４０の処理の詳細は後述する。

【0023】

評価部２５０は、判別部２２０による判別結果を評価する。評価部２５０の処理の詳細は後述する。

【0024】

更新部２６０は、評価部２５０による評価結果を用いてリストＬ１を更新する。更新部２６０の処理の詳細は後述する。

【0025】

図２は、検査装置１００が実行する処理を示すフローチャートである。図２に示す処理は、ステップＳ１０の検査処理と、ステップＳ２０の第１更新処理と、ステップＳ３０の第２更新処理とを含む。例えば、ユーザーが入力装置１３０を介して処理の開始を指示すると、プロセッサー１５０は図２に示す処理を開始する。

【0026】

図３は、検査処理（図２のステップＳ１０を参照）の詳細な処理を表したフローチャートである。図３に示す処理は、前処理部２１０、判別部２２０、検査処理部２３０、および、出力部２４０として機能するプロセッサー１５０により実行される。図３に示す処理が開始される前に、メモリー１１０には、カメラ５０により撮像されたワークＷＫの入力画像が格納されている。検査に用いられる入力画像は、検査対象である同一のワークＷＫを異なる方向から撮像した複数の画像であってもよいし、検査対象である複数のワークＷＫを撮像した複数の画像であってもよい。

【0027】

ステップＳ１０１において、プロセッサー１５０は、メモリー１１０に格納された入力画像を読み出し、入力画像と基準画像とを比較することにより、対象のワークＷＫが欠陥候補であるかを判別する。基準画像は、例えば、欠陥のない、ワークＷＫと同種の部品を撮像した画像である。さらに、プロセッサー１５０は、対象のワークＷＫが欠陥候補である場合にその欠陥の種類を判別する。欠陥の種類は、例えば、「キズ」、「欠け」、「異物」である。「キズ」は、欠損部が線状である欠陥である。「欠け」は、欠損部がある程度の面積を有する欠陥である。「異物」は、ワークＷＫに異物が付着している欠陥である。なお、ステップＳ１０１の処理では学習モデルＭ１は用いられない。

【0028】

ステップＳ１０２において、入力画像に含まれているワークＷＫが欠陥候補である場合（ステップＳ１０２；ＹＥＳ）、プロセッサー１５０はステップＳ１０３の処理を実行する。一方、入力画像に含まれているワークＷＫが欠陥候補でない場合（ステップＳ１０２；ＮＯ）、プロセッサー１５０はステップＳ１０７において検査結果の出力にかかる処理を実行する。欠陥候補でないワークＷＫについては、後述の学習モデルＭ１を用いた判別および目視検査が行われない。よって、検査にかかる工数を削減できる。

【0029】

ステップＳ１０３において、プロセッサー１５０は学習モデルＭ１を用いて欠陥候補についての欠陥の有無を判別する。学習モデルＭ１に、入力画像が入力されると、判別結果が出力される。判別結果として、対象のワークＷＫが欠陥を有することについての信頼度を表す不良品スコアと、対象のワークＷＫが欠陥を有しないことについての信頼度を表す良品スコアと、を含む信頼度スコアが出力される。不良品スコアを第１値ともよぶ。良品スコアを第２値ともよぶ。

【0030】

不良品スコアは、対象のワークＷＫが欠陥を有することの確からしさを表す確率で表される。良品スコアは、対象のワークＷＫが欠陥を有しないことの確からしさを表す確率で表される。例えば、不良品スコアが２０％、良品スコアが８０％である。この場合、信頼度スコアは、「欠陥なし：０．２，欠陥あり：０．８」と表される。

【0031】

ステップＳ１０４で、プロセッサー１５０は不良品スコアが第１条件を満たすか否かを判別する。不良品スコアがあらかじめ決められた第１閾値未満であることを第１条件とする。例えば、第１閾値を「１５％」と設定する。不良品スコアが第１閾値未満である場合（ステップＳ１０４；ＹＥＳ）、プロセッサー１５０は、対象のワークＷＫが欠陥を有しないと判別し、ステップＳ１０５の処理を実行する。不良品スコアが第１閾値未満であるとは、学習モデルＭ１が欠陥なしと判別した結果の信頼性が十分であることを意味する。この場合、原則として、作業者による目視検査の実施が不要である。不良品スコアが第１閾値以上であるとは、学習モデルＭ１が欠陥なしと判別した結果の信頼性が不十分であることを意味する。この場合、作業者による目視検査の実施が必要である。不良品スコアが第１閾値以上である場合（ステップＳ１０４；ＮＯ）、プロセッサー１５０は、対象のワークＷＫの良否が不明であると判別し、ステップＳ１０６の処理を実行する。

【0032】

ステップＳ１０５で、プロセッサー１５０は、対象のワークＷＫについてステップＳ１０１で判別された欠陥の種類がリストＬ１に登録されているか否かを判別する。

【0033】

対象となる欠陥の種類がリストＬ１に登録されていることは、学習モデルＭ１による判別結果を検査結果として採用できることを意味する。この場合、作業者による目視検査の実施は不要である。目視検査が実施されないので、作業者による目視検査の工数を削減できる。

【0034】

また、対象のワークＷＫの欠陥の種類がリストＬ１に登録されていないことは、学習モデルＭ１による判別結果を検査結果として採用できないことを意味する。この場合、作業者による目視検査の実施が必要である。

【0035】

ステップＳ１０５において、対象となる欠陥の種類がリストＬ１に登録されている場合（ステップＳ１０５；ＹＥＳ）、プロセッサー１５０はステップＳ１０７の処理を実行する。一方、対象となる欠陥の種類がリストＬ１に登録されていない場合（ステップＳ１０５；ＮＯ）、プロセッサー１５０はステップＳ１０６の処理を実行する。

【0036】

ステップＳ１０６において、作業者による目視検査が実施される。実施形態において、学習モデルＭ１が判別した結果の信頼性が不十分である場合には、目視検査が実施される。また、学習モデルＭ１が判別した結果の信頼性が十分であっても、対象となる欠陥の種類が、学習モデルＭ１が判別した結果を検査結果として採用できないものである場合には、目視検査が実施される。まず、プロセッサー１５０は、入力画像とともに目視検査の実施が必要であることを通知する画像を表示装置１４０に表示する。作業者は、表示された入力画像を視認して、対象のワークＷＫが欠陥を有するか否かを判別する。さらに、作業者は、対象のワークＷＫが欠陥を有する場合、その欠陥の種類を判別する。作業者は入力装置１３０を用いて目視検査の結果を入力する。よって、プロセッサー１５０は目視検査の結果を受け付ける。

【0037】

ステップＳ１０７において、プロセッサー１５０は検査結果を出力する。

【0038】

プロセッサー１５０は、以下の場合にはステップＳ１０３で得られた判別結果を確定した検査結果として出力する。
（ｉ）ステップＳ１０４で不良品スコアが第１閾値未満と判別された、即ち、不良品スコアが目視検査の実施を要しないことを示し、かつ、ステップＳ１０５でワークＷＫが有する欠陥の種類がリストＬ１に登録されていると判別された場合

【0039】

プロセッサー１５０は、以下のいずれかの場合には、ステップＳ１０６において得られた目視検査の結果を検査結果として出力する。
（ｉｉ）ステップＳ１０４で信頼度スコアの不良品スコアが第１閾値以上であると判別された、即ち、不良品スコアが目視検査の実施を要することを示す場合
（ｉｉｉ）ステップＳ１０４で信頼度スコアの不良品スコアが第１閾値未満であると判別され、かつ、ステップＳ１０５でワークＷＫが有する欠陥の種類がリストＬ１に登録されていないと判別された場合

【0040】

また、プロセッサー１５０は、ステップＳ１０１における処理で欠陥候補として選択されなかった入力画像に含まれているワークＷＫについては、欠陥を有しないとする確定した検査結果を出力する。

【0041】

例えば、プロセッサー１５０は検査結果を表すデータをメモリー１１０に保存する。検査結果を表すデータには、検査が実行された日時、入力画像を表す情報、欠陥の種類を表す情報、信頼度スコア、不良品スコア、上記の（ｉ）から（ｉｉｉ）のいずれに該当するかを表す情報等が含まれている。さらに、プロセッサー１５０は検査結果を表す画像を表示装置１４０に表示してもよい。

【0042】

ステップＳ１０８において、プロセッサー１５０は処理を継続するか否かを判別する。例えば、メモリー１１０に未処理の画像が未だ残っている場合にプロセッサー１５０は処理を継続すると判別する。処理を継続する場合（ステップＳ１０８；ＹＥＳ）、プロセッサー１５０は再びステップＳ１０１の処理を実行する。処理を継続しない場合（ステップＳ１０８；ＮＯ）、プロセッサー１５０は図３に示す処理を終了する。

【0043】

上述のように、本実施形態にかかる検査処理においては学習モデルＭ１を用いた判別結果の信頼度を表す信頼度スコアに基づいて目視検査の要否が判別され、ワークＷＫが有する欠陥の種類がリストＬ１に登録されている場合には、欠陥の種類によらず目視検査が実施されない。よって、機械学習モデルを用いた判別結果の信頼度を考慮しない態様にくらべて作業者による目視検査の工数を削減できる。

【0044】

図４は、第１更新処理（図２のステップＳ２０を参照）の詳細な処理を表したフローチャートである。第１更新処理では、学習モデルＭ１による判別結果を評価した結果に基づいてリストＬ１に新たな欠陥の種類が追加される。図４に示す処理は、評価部２５０、および、更新部２６０として機能するプロセッサー１５０により実行される。

【0045】

ステップＳ２０１において、プロセッサー１５０は学習モデルＭ１による判別結果の評価の実施の要否を判別する。プロセッサー１５０はメモリー１１０に格納された検査結果を表すデータを読み出し、検査結果を表すデータを用いて以下の処理を実行する。ここでは、プロセッサー１５０は図３に示す検査処理において（ｉｉｉ）の条件に該当する場合に、評価が必要であると判別する。
（ｉｉｉ）ステップＳ１０４で信頼度スコアの不良品スコアが第１閾値未満であると判別され、かつ、ステップＳ１０５でワークＷＫが有する欠陥の種類がリストＬ１に登録されていないと判別された場合

【0046】

評価の実施が必要である場合（ステップＳ２０１；ＹＥＳ）、プロセッサー１５０はステップＳ２０２の処理を実行する。一方、評価の実施が不要である場合、プロセッサー１５０はステップＳ２０５の処理を実行する。

【0047】

ステップＳ２０２で、プロセッサー１５０は対象の検査結果にかかる学習モデルＭ１による判別結果を評価する。ここで評価の対象となるのは、上記の（ｉｉｉ）の条件に該当する場合における学習モデルＭ１による判別結果である。具体的には、プロセッサー１５０は、学習モデルＭ１による判別結果と目視検査の結果とが一致するか否かを判別する。学習モデルＭ１による判別結果と目視検査の結果とが一致する場合、プロセッサー１５０は、第１件数に１加算し、加算後の第１件数の値を、対象の検査結果にかかる欠陥の種類を特定する情報と、を対応付けてメモリー１１０に格納する。

【0048】

ステップＳ２０３で、プロセッサー１５０は、対象の検査結果にかかる欠陥の種類をリストＬ１に追加するための追加条件が満たされているか否かを判別する。追加条件は、対象の検査結果にかかる欠陥の種類について、学習モデルＭ１による判別結果が目視検査の結果に一致する精度が、あらかじめ決められた第１評価閾値以上となったことである。第１評価閾値は、例えば、８０パーセントである。例えば、検査処理において欠陥の種類が「欠け」について学習モデルＭ１を用いた判別が１００回行われたとする。ステップＳ２０２の処理の実行により、「欠け」について第１件数が８０回に到達したとする。この場合、学習モデルＭ１による判別結果の精度が第１評価閾値以上となる。追加条件が満たされている場合（ステップＳ２０３；ＹＥＳ）、プロセッサー１５０はステップＳ２０４の処理を実行する。一方、追加条件が満たされていない場合（ステップＳ２０３；ＮＯ）、ステップＳ２０５の処理が実行される。

【0049】

ステップＳ２０４で、プロセッサー１５０は、該当する欠陥の種類を登録日ともにリストＬ１に登録する。

【0050】

ステップＳ２０５において、プロセッサー１５０は、処理を継続するか否かを判別する。例えば、プロセッサー１５０は、メモリー１１０に未評価の検査結果が未だ残っている場合に処理を継続すると判別する。処理を継続する場合（ステップＳ２０５；ＹＥＳ）、プロセッサー１５０は、再びステップＳ２０１の処理を実行する。処理を継続しない場合（ステップＳ２０５；ＮＯ）、プロセッサー１５０は、図４に示す処理を終了する。

【0051】

上述のように、検査装置１００は、学習モデルＭ１による判別結果を評価した結果に基づいてリストＬ１に欠陥の種類を追加する。学習モデルＭ１の判別精度の変化に応じて、学習モデルＭ１による判別結果を検査結果として採用できるか否かを示すリストＬ１を動的に更新する。よって、学習モデルＭ１を用いた判別の誤りの発生を抑制できる。

【0052】

図５は、第２更新処理（図２のステップＳ３０を参照）の詳細な処理を表したフローチャートである。第２更新処理では、学習モデルＭ１による判別結果を評価した結果に基づいてリストＬ１に登録されている欠陥の種類が削除される。図５に示す処理は、評価部２５０、および、更新部２６０として機能するプロセッサー１５０により実行される。

【0053】

ステップＳ３０１において、プロセッサー１５０は学習モデルＭ１による判別結果の評価の実施の要否を判別する。プロセッサー１５０はメモリー１１０に格納された検査結果を表すデータを読み出し、検査結果を表すデータを用いて以下の処理を実行する。ここでは、プロセッサー１５０は、図３に示す検査処理において（ｉ）の条件に該当する場合であり、かつ、対象の検査結果にかかる欠陥の種類がリストＬ１へ登録された日からあらかじめ決められた期間が経過している場合に、評価が必要であると判別する。
（ｉ）ステップＳ１０４で不良品スコアが第１閾値未満と判別された、即ち、不良品スコアが目視検査の実施を要しないことを示し、かつ、ステップＳ１０５でワークＷＫが有する欠陥の種類がリストＬ１に登録されていると判別された場合

【0054】

評価の実施が必要である場合（ステップＳ３０１；ＹＥＳ）、プロセッサー１５０はステップＳ３０２の処理を実行する。一方、評価の実施が不要である場合、プロセッサー１５０はステップＳ３０５の処理を実行する。

【0055】

ステップＳ３０２で、プロセッサー１５０は対象の検査結果にかかる学習モデルＭ１による判別結果を評価する。ここで評価の対象となるのは、上記の（ｉ）の条件に該当する場合における学習モデルＭ１による判別結果である。

【0056】

ステップＳ３０２においては、対象の検査結果にかかる入力画像に基づいて作業者が目視検査を実施する。このため、まず、プロセッサー１５０は、入力画像とともに目視検査の実施が必要であることを通知する画像を表示装置１４０に表示する。作業者は、表示された入力画像を視認して、対象のワークＷＫが欠陥を有するか否かを判別する。さらに、作業者は、対象のワークＷＫが欠陥を有する場合、その欠陥の種類を判別する。作業者は入力装置１３０を用いて目視検査の結果を入力する。よって、プロセッサー１５０は目視検査の結果を受け付ける。その後、プロセッサー１５０は、対象の検査結果にかかる学習モデルＭ１による判別結果と、目視検査の結果と、が一致するか否かを判別する。学習モデルＭ１による判別結果と目視検査の結果とが一致する場合、プロセッサー１５０は、第２件数に１加算し、加算後の第２件数の値を、対象の検査結果にかかる欠陥の種類を特定する情報と、を対応付けてメモリー１１０に格納する。学習モデルＭ１による判別結果と目視検査の結果とが一致しない場合、プロセッサー１５０は、第３件数に１加算し、加算後の第３件数の値を、対象の検査結果にかかる欠陥の種類を特定する情報と、を対応付けてメモリー１１０に格納する。

【0057】

ステップＳ３０３で、プロセッサー１５０は、対象の検査結果にかかる欠陥の種類をリストＬ１に維持するための維持条件が満たされているか否かを判別する。維持条件は、対象の検査結果にかかる欠陥の種類について、学習モデルＭ１による判別結果が目視検査の結果に一致する精度が、あらかじめ決められた第２評価閾値以上となったことである。第２評価閾値は、例えば、８０パーセントである。例えば、検査処理において、欠陥の種類が「キズ」について学習モデルＭ１を用いた判別が１００回行われたとする。ステップＳ３０２の処理の実行により、「キズ」について第２件数が８０回に到達したとする。この場合、学習モデルＭ１による判別結果の精度が第２評価閾値以上となる。維持条件が満たされている場合（ステップＳ３０３；ＹＥＳ）、リストＬ１の更新は行われず、ステップＳ３０５の処理が実行される。

【0058】

一方、維持条件が満たされていない場合（ステップＳ３０３；ＮＯ）、プロセッサー１５０はステップＳ３０４の処理を実行する。ステップＳ３０４で、プロセッサー１５０は、該当する欠陥の種類をリストＬ１から削除する。

【0059】

ステップＳ３０５において、プロセッサー１５０は、処理を継続するか否かを判別する。例えば、プロセッサー１５０は、メモリー１１０に未評価の検査結果が未だ残っている場合に処理を継続すると判別する。処理を継続する場合（ステップＳ３０５；ＹＥＳ）、プロセッサー１５０は、再びステップＳ３０１の処理を実行する。処理を継続しない場合（ステップＳ３０５；ＮＯ）、プロセッサー１５０は、図５に示す処理を終了する。

【0060】

上述のように、検査装置１００は、学習モデルＭ１を用いた判別結果を評価した結果に基づいてリストＬ１から欠陥の種類を削除する。学習モデルＭ１の判別精度の変化に応じて、学習モデルＭ１による判別結果を検査結果として採用できるか否かを示すリストＬ１を動的に更新する。よって、学習モデルＭ１を用いた判別の誤りの発生を抑制できる。なお、維持条件を満たすか否かを、学習モデルＭ１による判別結果と目視検査の結果とが一致しない件数を表す第３件数があらかじめ決められた閾値以下であるか否かにより、判別してもよい。

【0061】

Ｂ．他の実施形態：
Ｂ１．他の実施形態１：
実施形態においては、検査装置１００は、不良品スコアが第１閾値未満である第１条件を満たす場合、対象のワークＷＫが欠陥を有しないと判別した（図３のステップＳ１０４を参照）。あるいは、検査装置１００は、不良品スコアが第１条件を満たす場合に、対象のワークＷＫが欠陥を有しないと判別することに加えて、不良品スコアが第２条件を満たす場合に、対象のワークＷＫが欠陥を有すると判別してもよい。不良品スコアがあらかじめ決められた第２閾値以上であることを第２条件とする。例えば、第１閾値を「１５％」と設定する。第２閾値を「９０％」と設定する。第２閾値は、第１閾値とは異なる値をとる。第２閾値は、第１閾値より大きい値である。また、検査装置１００は、不良品スコアが、第１閾値以上かつ第２閾値未満である場合、対象のワークＷＫの良否が不明であると判別する。

【0062】

検査装置１００は、対象となる欠陥の種類がリストＬ１に登録されていることを条件として、第１条件または第２条件を満たす場合に、学習モデルＭ１による判別結果を確定した検査結果として出力する。

【0063】

他の実施形態１においては、第１条件または第２条件が満たされ、欠陥の種類がリストＬ１に登録されている場合には、目視検査が実施されないので、作業者による目視検査の工数を削減できる。

【0064】

Ｂ２．他の実施形態２：
あるいは、検査装置１００は、良品スコアを用いて対象のワークＷＫが欠陥を有しないと判別してもよい。具体的には、検査装置１００は、良品スコアがあらかじめ決められた第３閾値以上である場合、対象のワークＷＫが欠陥を有しないと判別してもよい。例えば、第３閾値を「９０％」と設定する。検査装置１００は、対象となる欠陥の種類がリストＬ１に登録されていることを条件として、良品スコアが第３閾値以上である場合、確定した検査結果として、対象のワークＷＫが欠陥を有しないとする検査結果を出力してもよい。よって、作業者による目視検査の工数を削減できる。

【0065】

Ｂ３．他の実施形態３：
あるいは、検査装置１００は、良品スコアがあらかじめ決められた第３閾値以上である場合、かつ、不良品スコアがあらかじめ決められた第４閾値未満である場合、対象のワークＷＫが欠陥を有しないと判別してもよい。例えば、第３閾値を「９０％」と設定する。第４閾値を「１０％」と設定する。第４閾値は、第３閾値とは異なる値をとる。第３閾値は、第４閾値より大きい値である。検査装置１００は、対象となる欠陥の種類がリストＬ１に登録されていることを条件として、良品スコアが第３閾値以上、かつ、不良品スコアが第４閾値未満である場合、確定した検査結果として、対象のワークＷＫが欠陥を有しないとする検査結果を出力してもよい。よって、作業者による目視検査の工数を削減できる。

【0066】

Ｂ４．他の実施形態４：
実施形態においては、図２に示すように、検査処理と、第１更新処理と、第２更新処理とが順次実行される例を説明したが、検査処理と、第１更新処理と、第２更新処理とは、必ずしも順次実行されなくてもよい。

【0067】

Ｂ５．他の実施形態５：
検査装置１００は、評価部２５０および更新部２６０を備えていなくてもよい。例えば、検査装置１００とは異なる別のコンピューターが、学習モデルＭ１による判別結果の評価にかかる処理と、リストＬ１の更新にかかる処理とを実行してもよい。

【0068】

Ｂ７．他の実施形態７：
実施形態においては、前処理部２１０が、ワークＷＫを撮像した入力画像と基準画像とを比較することにより、学習モデルＭ１による処理の対象とする画像を選択する例を説明した。しかしながら、前処理部２１０が、学習モデルＭ１による処理の対象とする画像を選択する方法は任意の方法でよい。例えば、前処理部２１０は、学習モデルＭ１とは異なる機械学習モデルを用いて、学習モデルＭ１による処理の対象とする画像を選択してもよい。

【0069】

また、前処理部２１０が欠陥の種類を判別するのではなく、判別部２２０が、例えば、学習モデルＭ１とは異なる機械学習モデルを用いて欠陥の種類を判別してもよい。

【0070】

実施形態において、検査装置１００は、欠陥候補として選択されなかった画像に含まれているワークＷＫについては、欠陥を有しないとする確定した検査結果を出力した。しかしながら、前処理部２１０により欠陥を有しないと判別された画像についても、学習モデルＭ１による処理の対象としてもよい。この形態によれば、前処理部２１０による判別の誤りの発生を抑制できる。

【0071】

あるいは、検査装置１００は、前処理部２１０を備えなくてもよい。この場合、判別部２２０は、学習モデルＭ１を用いてすべての画像について欠陥の有無を判別する。また、判別部２２０は、学習モデルＭ１とは異なる機械学習モデルを用いて、欠陥の種類を判別する。この形態によれば、前処理部２１０による判別の誤りの発生を抑制できる。

【0072】

また、検査装置１００の機能を実現する手段は、ソフトウェアに限られず、その一部または全部を、専用のハードウェアによって実現してもよい。例えば、専用のハードウェアとして、ＦＰＧＡ（Field Programmable Gate Array）またはＡＳＩＣ（Application Specific Integrated Circuit）に代表される回路を使用してもよい。

【0073】

Ｃ．他の形態：
本開示は、上述の実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の構成で実現することができる。例えば、発明の概要の欄に記載した各形態中の技術的特徴に対応する実施形態中の技術的特徴は、上述の課題の一部または全部を解決するために、あるいは、上述の効果の一部または全部を達成するために、適宜、差し替え、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。

【0074】

（１）本開示の第１形態によれば、検査装置が提供される。この検査装置は、検査対象物を撮像した入力画像を用いて、前記検査対象物が有する前記欠陥の種類を判別する前処理部と、機械学習モデルを用いて、前記入力画像に基づいて、前記検査対象物の前記欠陥の有無を判別し、判別した結果の信頼度を表す信頼度スコアを含む判別結果を出力する判別部と、作業者による目視検査の実施の要否を通知し、前記目視検査の結果を受け付ける検査処理部と、検査結果を出力する出力部と、前記機械学習モデルによる前記判別結果を前記検査結果として採用できる前記欠陥の種類を表す情報が登録されたリストを記憶する記憶部と、を備え、（ｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合に、前記検査処理部は、前記目視検査の実施が必要であることを通知せず、前記出力部は、前記判別結果を前記検査結果として出力し、（ｉｉ）前記信頼度スコアが前記目視検査の実施を要することを示す場合、または、（ｉｉｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されていない場合に、前記検査処理部は、前記目視検査の実施が必要であることを通知し、前記目視検査の結果を受け付け、前記出力部は、前記目視検査の前記結果を前記検査結果として出力する。
上記形態によれば、機械学習モデルを用いた判別結果の信頼度を表す信頼度スコアに基づいて目視検査を要さないと判別され、検査対象物が有する欠陥の種類がリストに登録されている場合には、欠陥の種類によらず目視検査が実施されない。よって、機械学習モデルを用いた判別結果の信頼度を考慮しない態様にくらべて、作業者による目視検査の工数を削減できる。

【0075】

（２）上記形態において、前記判別結果を評価する評価部と、前記リストに登録されていない前記欠陥の種類に関する前記判別結果について、前記評価部が評価した結果が、前記判別結果を前記検査結果として採用できることを示す場合に、前記判別結果にかかる前記欠陥の種類を前記リストに追加する更新部と、をさらに備えてもよい。
上記形態によれば、機械学習モデルを用いた判別結果を評価した結果に基づいてリストを動的に更新するので、機械学習モデルを用いた判別の誤りの発生を抑制できる。

【0076】

（３）上記形態において、前記リストに登録されている前記欠陥の種類に関する前記判別結果について、前記評価部が評価した結果が、前記判別結果を前記検査結果として採用できないことを示す場合に、前記更新部は、前記判別結果にかかる前記欠陥の種類を前記リストから削除してもよい。
上記形態によれば、機械学習モデルを用いた判別結果を評価した結果に基づいてリストを動的に更新するので、機械学習モデルを用いた判別の誤りの発生を抑制できる。

【0077】

（４）上記形態において、前記信頼度スコアは、前記検査対象物が前記欠陥を有することについての信頼度を表す第１値を含み、前記第１値が第１閾値未満であることを含む第１条件が満たされており、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合、または、前記第１値が前記第１閾値とは異なる第２閾値以上であることを含む第２条件が満たされており、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合、前記検査処理部は、前記目視検査の実施が必要であることを通知せず、前記出力部は、前記判別結果を確定した前記検査結果として出力してもよい。
上記形態によれば、第１条件または第２条件が満たされ、欠陥の種類がリストに登録されている場合には、目視検査が実施されないので、作業者による目視検査の工数を削減できる。

【0078】

（５）上記形態において、前記前処理部は、前記検査対象物を撮像した複数の画像それぞれと基準画像との比較により、欠陥候補の前記検査対象物が含まれている画像を前記入力画像として選択し、前記入力画像を用いて、前記検査対象物が有する前記欠陥の種類を判別し、前記判別部は、前記前処理部により選択されなかった画像に基づいて前記欠陥の有無を判別せず、前記出力部は、前記前処理部により選択されなかった画像に含まれている前記検査対象物については、欠陥を有しないとする確定した前記検査結果を出力してもよい。
上記形態によれば、前処理部により選択されなかった画像に含まれている検査対象物については、機械学習モデルを用いた判別および目視検査を行わないので、検査にかかる工数を削減できる。

【0079】

（６）本開示の第２形態によれば、検査方法が提供される。この検査方法は、検査対象物を撮像した入力画像を用いて、前記検査対象物が有する欠陥の種類を判別するステップと、機械学習モデルを用いて前記入力画像に基づいて、前記検査対象物が前記欠陥の有無を判別し、判別した結果の信頼度を表す信頼度スコアを含む判別結果を出力するステップと、前記機械学習モデルによる前記判別結果を検査結果として採用できる前記欠陥の種類を表す情報が登録されたリストを記憶する記憶部から、前記リストを読み出すステップと、（ｉ）前記信頼度スコアが作業者の目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合に、前記判別結果を前記検査結果として出力するステップと、（ｉｉ）前記信頼度スコアが前記目視検査の実施を要することを示す場合、または、（ｉｉｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されていない場合に、前記目視検査の実施が必要であることを通知し、前記目視検査の結果を受け付けるステップと、前記目視検査の前記結果を前記検査結果として出力するステップと、を含む。
上記形態によれば、機械学習モデルを用いた判別結果の信頼度を表す信頼度スコアに基づいて目視検査を要さないと判別され、検査対象物が有する欠陥の種類がリストに登録されている場合には、欠陥の種類によらず目視検査が実施されない。よって、機械学習モデルを用いた判別結果の信頼度を考慮しない態様にくらべて、作業者による目視検査の工数を削減できる。

【0080】

（７）本開示の第３形態によれば、プログラムが提供される。このプログラムは、検査装置として機能するコンピューターに、検査対象物を撮像した入力画像を用いて、前記検査対象物が有する欠陥の種類を判別する機能と、機械学習モデルを用いて前記入力画像に基づいて、前記検査対象物が前記欠陥の有無を判別し、判別した結果の信頼度を表す信頼度スコアを含む判別結果を出力する機能と、前記機械学習モデルによる前記判別結果を検査結果として採用できる前記欠陥の種類を表す情報が登録されたリストを記憶する記憶部から、前記リストを読み出す機能と、（ｉ）前記信頼度スコアが作業者の目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されている場合に、前記目視検査の実施が必要であることを通知しない機能と、前記判別結果を前記検査結果として出力する機能と、（ｉｉ）前記信頼度スコアが前記目視検査の実施を要することを示す場合、または、（ｉｉｉ）前記信頼度スコアが前記目視検査の実施を要しないことを示し、かつ、前記検査対象物が有する前記欠陥の種類が前記リストに登録されていない場合に、前記目視検査の実施が必要であることを通知し、前記目視検査の結果を受け付ける機能と、前記目視検査の前記結果を前記検査結果として出力する機能と、を実現させる。
上記形態によれば、機械学習モデルを用いた判別結果の信頼度を表す信頼度スコアに基づいて目視検査を要さないと判別され、検査対象物が有する欠陥の種類がリストに登録されている場合には、欠陥の種類によらず目視検査が実施されない。よって、機械学習モデルを用いた判別結果の信頼度を考慮しない態様にくらべて、作業者による目視検査の工数を削減できる。

【0081】

本開示は、上記以外の種々の形態で実現することも可能である。例えば、コンピュータープログラムを記録した一時的でない記録媒体（non-transitory storage medium）の形態で実現することができる。

【符号の説明】

【0082】

１０…検査システム、５０…カメラ、１００…検査装置、１１０…メモリー、１２０…インターフェイス部、１３０…入力装置、１４０…表示装置、１５０…プロセッサー、２１０…前処理部、２２０…判別部、２３０…検査処理部、２４０…出力部、２５０…評価部、２６０…更新部、Ｌ１…リスト、Ｍ１…学習モデル、ＷＫ…ワーク

【図1】

【図2】

【図3】

【図4】

【図5】