特開 2024-128312 物品検査装置

(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】P2024128312

(43)【公開日】2024-09-24

(54)【発明の名称】物品検査装置

(51)【国際特許分類】

   G01N 23/18 20180101AFI20240913BHJP

   G01N 23/04 20180101ALI20240913BHJP

   G06T 7/00 20170101ALI20240913BHJP

【ＦＩ】

G01N23/18

G01N23/04

G06T7/00 600

【審査請求】未請求

【請求項の数】6

【出願形態】ＯＬ

(21)【出願番号】P 2023037238

(22)【出願日】2023-03-10

(71)【出願人】

【識別番号】000147833

【氏名又は名称】株式会社イシダ

(74)【代理人】

【識別番号】100088155

【弁理士】

【氏名又は名称】長谷川 芳樹

(74)【代理人】

【識別番号】100113435

【弁理士】

【氏名又は名称】黒木 義樹

(74)【代理人】

【識別番号】100180851

【弁理士】

【氏名又は名称】▲高▼口 誠

(74)【代理人】

【識別番号】100156395

【弁理士】

【氏名又は名称】荒井 寿王

(72)【発明者】

【氏名】吉田 昇馬

(72)【発明者】

【氏名】万木 太

(72)【発明者】

【氏名】堤 弘法

(72)【発明者】

【氏名】岩見 有希

(72)【発明者】

【氏名】池田 真也

【テーマコード（参考）】

2G001

5L096

【Ｆターム（参考）】

2G001AA01

2G001BA11

2G001CA01

2G001DA08

2G001FA02

2G001FA06

2G001FA09

2G001FA12

2G001FA30

2G001HA07

2G001HA13

2G001JA09

2G001KA03

2G001LA01

2G001MA04

2G001PA11

2G001SA14

5L096BA03

5L096CA17

5L096CA24

5L096FA06

5L096FA59

5L096GA51

5L096KA04

(57)【要約】

【課題】折れた物品を不良品と精度よく判定することが可能な物品検査装置を提供する。
【解決手段】物品検査装置１００は、物品ＢにＸ線を照射するＸ線照射部６と、物品Ｂを透過したＸ線を検出するＸ線検出部７と、Ｘ線検出部７の検出結果から生成されるＸ線透過画像に基づいて学習済みモデルを用いて物品Ｂが良品か不良品かを判定する判定部１３と、を備える。判定部１３は、Ｘ線透過画像における物品Ｂの輪郭に基づき学習した第１学習済みモデルと、Ｘ線透過画像における物品Ｂの端部に基づき学習した第２学習済みモデルと、を学習済みモデルとして用いる。
【選択図】図５

【特許請求の範囲】

【請求項1】

物品に電磁波を照射する照射部と、
前記照射部により照射され前記物品を透過又は反射した前記電磁波を検出する検出部と、
前記検出部の検出結果から生成される画像に基づいて、学習済みモデルを用いて前記物品が良品か不良品かを判定する判定部と、を備え、
前記判定部は、
前記画像における前記物品の輪郭に基づき学習した第１学習済みモデルと、前記画像における前記物品の端部に基づき学習した第２学習済みモデルと、を前記学習済みモデルとして用いる、物品検査装置。

【請求項2】

前記判定部は、前記第１学習済みモデルを用いた判定結果と前記第２学習済みモデルを用いた判定結果とのうちの少なくとも何れかが、前記物品を不良品と判定する判定結果の場合に、当該判定結果を出力する、請求項１に記載の物品検査装置。

【請求項3】

前記画像を表示する表示部と、
前記表示部に表示された前記画像に、ユーザの指定により前記物品の端部に関する指定箇所を描画する描画部と、
前記画像における前記指定箇所を含む一部分を教師データとした機械学習により、前記第２学習済みモデルを生成する学習部と、を備える、請求項１又は２に記載の物品検査装置。

【請求項4】

前記学習部は、前記画像における前記物品の面積が下限閾値以下の場合、当該物品の端部に関する前記指定箇所を含む一部分について、教師データとして機械学習を行わない、請求項３に記載の物品検査装置。

【請求項5】

前記画像における前記物品の輪郭に関する輪郭情報を教師データとした機械学習により、前記第１学習済みモデルを生成する学習部を備え、
前記学習部は、前記画像における前記物品の面積が上限閾値以上の場合、当該物品の前記輪郭情報について、教師データとして機械学習を行わない、請求項１又は２に記載の物品検査装置。

【請求項6】

１つの前記物品のみを含む前記画像と当該物品の輪郭に関する輪郭情報とを有する単体データを、複数種記憶する記憶部と、
前記記憶部に記憶された複数種の前記単体データを合成することにより、複数の前記物品を含む前記画像と複数の当該物品の前記輪郭情報とを有する合成データを、複数種生成する生成部と、
前記生成部で生成した複数種の前記合成データの前記輪郭情報を教師データとした機械学習により、前記第１学習済みモデルを生成する学習部と、を備える、請求項１又は２に記載の物品検査装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の一側面は、物品検査装置に関する。

【背景技術】

【0002】

従来、物品に電磁波を照射する照射部と、照射部により照射され物品を透過した電磁波を検出する検出部と、検出部の検出結果から生成される画像に基づいて、学習済みモデルを用いて物品が良品か不良品かを検査する検査部と、を備えた物品検査装置が知られている（例えば、特許文献１参照）。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０２１－１５２４８９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

上述した物品検査装置では、折れた物品についても良品と誤って判定してしまう可能性がある。

【0005】

そこで、本発明の一側面は、折れた物品を不良品と精度よく判定することが可能な物品検査装置を提供することを課題とする。
を目的とする。

【課題を解決するための手段】

【0006】

（１）本発明の一側面に係る物品検査装置は、物品に電磁波を照射する照射部と、照射部により照射され物品を透過又は反射した電磁波を検出する検出部と、検出部の検出結果から生成される画像に基づいて、学習済みモデルを用いて物品が良品か不良品かを判定する判定部と、を備え、判定部は、画像における物品の輪郭に基づき学習した第１学習済みモデルと、画像における物品の端部に基づき学習した第２学習済みモデルと、を学習済みモデルとして用いる。

【0007】

画像上における折れた物品は、占める面積が良品とは異なるという第１の特徴と、良品には無い断面が端部に含まれるという第２の特徴と、を有することが見出される。そこで、本発明の一側面では、物品の輪郭に基づき学習した第１学習済みモデルを用いて判定することで、第１の特徴の観点から効果的に、折れた物品を不良品と判定することができる。また本発明の一側面では、物品の端部に基づき学習した第２学習済みモデルを用いて判定することで、第２の特徴の観点から効果的に、折れた物品を不良品と判定することができる。したがって、折れた物品を不良品と精度よく判定することが可能となる。

【0008】

（２）上記（１）に記載の物品検査装置では、判定部は、第１学習済みモデルを用いた判定結果と第２学習済みモデルを用いた判定結果とのうちの少なくとも何れかが、物品を不良品と判定する判定結果の場合に、当該判定結果を出力してもよい。この場合、折れた物品を不良品と確実に判定することが可能となる。

【0009】

（３）上記（１）又は（２）に記載の物品検査装置は、画像を表示する表示部と、表示部に表示された画像に、ユーザの指定により物品の端部に関する指定箇所を描画する描画部と、画像における指定箇所を含む一部分を教師データとした機械学習により、第２学習済みモデルを生成する学習部と、を備えていてもよい。これにより、画像全体を教師データとする場合と比べて、教師データを作成する際の作業量を削減でき、効率よく機械学習を行って第２学習済みモデルを生成することが可能となる。

【0010】

（４）上記（３）に記載の物品検査装置では、学習部は、画像における物品の面積が下限閾値以下の場合、当該物品の端部に関する指定箇所を含む一部分について、教師データとして機械学習を行わなくてもよい。画像上において、物品の面積が下限閾値以下の場合、物品の断面が端部に現れていないことが多い。この点、本発明の一側面では、第２学習モデルを生成するにあたり、物品の面積が下限閾値以下の画像を機械学習から省くことができる。よって、判定精度の高い第２学習済みモデルを生成することが可能となる。

【0011】

（５）上記（１）～（４）の何れか一項に記載の物品検査装置は、画像における物品の輪郭に関する輪郭情報を教師データとした機械学習により、第１学習済みモデルを生成する学習部を備え、学習部は、画像における物品の面積が上限閾値以上の場合、当該物品の輪郭情報について、教師データとして機械学習を行わなくてもよい。画像上において、物品の面積が上限閾値以上の場合、輪郭情報からでは不良品と良品との区別がつきにくい。この点、本発明の一側面では、第１学習モデルを生成するにあたり、不良品と良品との区別がつきにくい画像を機械学習から省くことができる。よって、判定精度の高い第１学習済みモデルを生成することが可能となる。

【0012】

（６）上記（１）～（４）の何れか一項に記載の物品検査装置は、１つの物品のみを含む画像と当該物品の輪郭に関する輪郭情報とを有する単体データを、複数種記憶する記憶部と、記憶部に記憶された複数種の単体データを合成することにより、複数の物品を含む画像と複数の当該物品の輪郭情報とを有する合成データを、複数種生成する生成部と、生成部で生成した複数種の合成データの輪郭情報を教師データとした機械学習により、第１学習済みモデルを生成する学習部と、を備えていてもよい。この場合、第１学習済みモデルを生成するにあたり、例えば物品単体毎に輪郭を描画するアノテーションが不要となり、ミス及び手間を低減することが可能となる。

【発明の効果】

【0013】

本発明の一側面によれば、折れた物品を不良品と精度よく判定することが可能な物品検査装置を提供することが可能となる。

【図面の簡単な説明】

【0014】

【図1】図１は、一実施形態に係る物品検査装置の構成図である。

【図2】図２は、図１に示されるシールドボックスの内部の構成図である。

【図3】図３は、制御ユニットの機能構成図である。

【図4】図４（ａ）は、Ｘ線透過画像の一例を示す図である。図４（ｂ）は、図４（ａ）のＸ線透過画像において端部指定箇所を描画した一例を示す図である。

【図5】図５は、第１及び第２学習済みモデルを利用した物品の検査方法を説明するためのフローチャートである。

【図6】図６は、第１学習済みモデルを用いた判定結果が不良品である場合の表示操作部の表示例を示す図である。

【図7】図７は、第２学習済みモデルを用いた判定結果が不良品である場合の表示操作部の表示例を示す図である。

【図8】変形例に係る被検査物を示す概略平面図である。

【図9】図９（ａ）は、たれが同梱されていない物品のＸ線透過画像を示す模式図である。図９（ｂ）は、図９（ａ）のＸ線透過画像の明るさを示すグラフである。

【図10】図１０（ａ）は、たれが同梱されている物品のＸ線透過画像を示す模式図である。図１０（ｂ）は、図１０（ａ）のＸ線透過画像の補正前の明るさを示すグラフである。図１０（ｃ）は、図１０（ａ）のＸ線透過画像の補正後の明るさを示すグラフである。

【発明を実施するための形態】

【0015】

以下、添付図面を参照して、実施形態について詳細に説明する。以下の説明において同一又は相当要素には同一符号を付し、重複する説明は省略する。

【0016】

図１に示されるように、物品検査装置１００は、物品を含む被検査物Ｇの検査（例えば、収納数検査、異物検査、欠品検査、割れ欠け検査等）を実施する装置であり、例えば、生産ライン等に実装される。ここでの被検査物Ｇは、袋入りの複数の物品である。物品は特に限定されず、ソーセージ等であってもよいし、その他の長尺状の物品であってもよいし、様々な物品であってもよい。物品検査装置１００は、装置本体２と、支持脚３と、シールドボックス４と、搬送部５と、Ｘ線照射部（照射部）６と、Ｘ線検出部（検出部）７と、表示操作部（表示部）８と、制御ユニット１０とを備える。

【0017】

物品検査装置１００は、被検査物Ｇを搬送しつつ被検査物ＧのＸ線透過画像を生成し、当該Ｘ線透過画像に基づいて被検査物Ｇの検査を行う。物品検査装置１００は、搬入コンベア５１よりも後段であって搬出コンベア５２よりも前段に配置される。検査前の被検査物Ｇは、搬入コンベア５１によって物品検査装置１００に搬入される。検査後の被検査物Ｇは、搬出コンベア５２によって物品検査装置１００から搬出される。

【0018】

装置本体２は、制御ユニット１０等を収容している。支持脚３は、装置本体２を支持している。シールドボックス４は、装置本体２に設けられている。シールドボックス４は、外部へのＸ線（電磁波）の漏洩を防止する。シールドボックス４の内部には、Ｘ線による物品の検査が実施される検査領域Ｒが設けられている。シールドボックス４には、搬入口４ａ及び搬出口４ｂが形成されている。検査前の被検査物Ｇは、搬入コンベア５１から搬入口４ａを介して検査領域Ｒに搬入される。検査後の被検査物Ｇは、検査領域Ｒから搬出口４ｂを介して搬出コンベア５２に搬出される。

【0019】

搬送部５は、物品検査装置１００の外部である搬入コンベア５１から受け取った被検査物Ｇを搬送する部材であり、シールドボックス４の中央を貫通するように配置されている。搬送部５は、搬入口４ａから検査領域Ｒを介して搬出口４ｂまで、搬送方向Ａに沿って被検査物Ｇを搬送する。搬送部５は、搬入口４ａ及び搬出口４ｂよりも外側に突出してもよい。

【0020】

図１及び図２に示されるように、Ｘ線照射部６は、被検査物ＧにＸ線を照射するＸ線源であり、シールドボックス４内に配置されている。Ｘ線照射部６は、例えば、Ｘ線を出射するＸ線管と、Ｘ線管から出射されたＸ線を搬送方向Ａに垂直な面内において扇状に広げる絞り部と、を有している。Ｘ線照射部６から照射されるＸ線には、低エネルギー（長波長）から高エネルギー（短波長）までの様々なエネルギー帯のＸ線が含まれてもよい。

【0021】

Ｘ線検出部７は、Ｘ線照射部６により照射され物品を透過したＸ線を検出するセンサ部材である。Ｘ線検出部７は、シールドボックス４内であって、上下方向においてＸ線照射部６に対向する位置に配置される。Ｘ線検出部７は、特定のエネルギー帯のＸ線を検出可能でもよいし、フォトンカウンティング方式でＸ線を検出可能でもよい。Ｘ線検出部７は、直接変換型検出部でもよいし、間接変換型検出部でもよい。Ｘ線検出部７の種類の違いによって、物品の画像の生成時間、データ量などに違いが生じ得る。Ｘ線検出部７は、ラインセンサを含んでもよいし、二次元的に配置されるセンサ群を含んでもよい。Ｘ線検出部７に含まれるセンサは、例えば、ＣｄＴｅ半導体検出器などの光子検出型センサである。

【0022】

表示操作部８は、装置本体２に設けられている部材である。表示操作部８は、各種情報を表示すると共に、外部から各種条件の入力操作を受け付ける。表示操作部８は、Ｘ線透過画像を表示する。表示操作部８は、例えば、液晶ディスプレイであり、タッチパネルとしての操作画面を表示する。この場合、オペレータ等のユーザは、表示操作部８を介して各種条件を入力できる。本実施形態では、ユーザは、タッチパネルに表示されたＸ線透過画像上において物品の端部をタッチ（指定）することにより、物品の端部に関する指定箇所（以下、「端部指定箇所」ともいう）を入力可能である。その結果、タッチパネル上において後述の描画部１４により端部指定箇所が描画される。

【0023】

制御ユニット１０は、物品検査装置１００の制御部の一部として機能し、主に物品検査装置１００の各部の動作を制御する。制御ユニット１０は、装置本体２内に配置されている。制御ユニット１０は、ＣＰＵ（Central Processing Unit）、ＧＰＵ（Graphics Processing Unit）等のプロセッサコンピュータ、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等のメモリ、及びＳＳＤ（Solid State Drive）等のストレージを含むコンピュータを有する。ＲＯＭには、例えば、物品検査装置１００を制御するためのプログラム、画像を生成するためのプログラムなどが記録されている。

【0024】

図３は、制御ユニット１０の機能構成図である。図３に示されるように、制御ユニット１０は、画像生成部１１、記憶部１２、判定部１３、描画部１４、合成データ生成部（生成部）１５及び学習部１６を有する。画像生成部１１は、Ｘ線検出部７の検出結果に基づいてＸ線透過画像を生成する。Ｘ線透過画像の生成手法は特に限定されず、公知の種々の手法を用いることができる。

【0025】

記憶部１２は、制御ユニット１０にて使用又は生成される各種の信号及びデータ等を記録する。記憶部１２には、判定部１３で用いられる第１及び第２学習済みモデル、第１及び第２学習済みモデルの生成に利用されるプログラム及びアルゴリズム等が記憶されている。第１及び第２学習済みモデルは、機械学習によって自動設定されるプログラムである。第１学習済みモデルは、Ｘ線透過画像における物品の輪郭に基づき学習したモデルである。第２学習済みモデルは、Ｘ線透過画像における物品の端部に基づき学習したモデルである。第１及び第２学習済みモデルは、セマンティック・セグメンテーションを行えるモデルである。なお、第１及び第２学習済みモデルは、インスタンス・セグメンテーションを行えるモデルであってもよい。

【0026】

第１及び第２学習済みモデルの生成に利用されるとして利用するアルゴリズムの種類及び／又は構成は、特に限定されない。アルゴリズムの種類は、例えば、ランダムフォレスト決定木、多層パーセプトロン（ニューラルネットワーク）等である。アルゴリズムの構成は、中間層の数、各層のユニット数、分岐数、目的変数、説明変数等である。アルゴリズムの種類及び／又は構成は、ディープラーニングによって生成されてもよい。

【0027】

記憶部１２は、１つの物品のみを含むＸ線透過画像と当該物品の輪郭に関する輪郭情報とを有する単体データを、複数種記憶する。輪郭情報としては特に限定されず、例えば画像上の輪郭に対応する各位置の情報であってもよい。

【0028】

判定部１３は、画像生成部１１で生成したＸ線透過画像を検査し、検査結果を出力する。判定部１３は、Ｘ線透過画像に基づき、第１及び第２学習済みモデルを用いて、物品（被検査物Ｇ）が良品か否かを判定する。判定部１３は、第１学習済みモデルを用いた判定結果と第２学習済みモデルを用いた判定結果とのうちの少なくとも何れかが、物品を不良品と判定する判定結果の場合に、物品を不良品とする当該判定結果を表示操作部８を介して出力する。

【0029】

描画部１４は、表示操作部８に表示されたＸ線透過画像に、当該表示操作部８を介して指定された端部指定箇所を描画する。例えば図４（ａ）に示されるように、複数の物品Ｂが袋に入れられてなる被検査物Ｇに関するＸ線透過画像Ｐ１が表示操作部８に表示されている場合に、ユーザは、Ｘ線透過画像Ｐ１における複数の物品Ｂの端部をタッチにより指定する。これにより、描画部１４は、例えば図４（ｂ）に示されるように、表示操作部８のＸ線透過画像Ｐ１に複数の端部指定箇所を点で描画する。このとき、端部指定箇所の指定を、良品の端部と不良品の端部とで分けて行ってもよく、この場合、良品の端部と不良品の端部とで区別して端部指定箇所が描画される。

【0030】

描画部１４は、Ｘ線透過画像における端部指定箇所を含む一部分（端部指定箇所中心とした半径数ピクセルの円内部分）を、物品端部画像として別画像に描画する。物品端部画像は、第２学習済みモデルの教師データとして、良品及び不良品の何れかと関連付けられて記憶部１２に記憶される。ここでの例では、物品端部画像は、当該物品端部画像が対象とする物品の面積と関連付けられて記憶部１２に記憶される。例えば物品Ｂの面積は、公知の種々の画像処理を用いてＸ線透過画像から取得することができる。

【0031】

合成データ生成部１５は、記憶部１２に記憶された複数種の単体データを合成することにより、複数の物品Ｂを含む学習用合成画像としてのＸ線透過画像と、複数の当該物品Ｂのアノテーション情報である輪郭情報と、を有する合成データを、自動的に複数種生成する。生成した合成データは、記憶部１２に記憶される。合成データの輪郭情報は、第１学習済みモデルの教師データとして、良品及び不良品の何れかと関連付けられて記憶部１２に記憶される。ここでの例では、合成データの輪郭情報は、当該輪郭情報が対象とする物品Ｂの面積と関連付けられて記憶部１２に記憶される。

【0032】

学習部１６は、合成データの輪郭情報を教師データとした機械学習により、第１学習済みモデルを生成する。学習部１６は、Ｘ線透過画像における物品Ｂの面積が上限閾値以上の場合、当該物品Ｂの輪郭情報について教師データとして機械学習を行わない。上限閾値は、特に限定されず、例えば物品Ｂの標準長さ（規定長さ）の四分の三の長さである。学習部１６は、生成した第１学習済みモデルを記憶部１２に記憶する。

【0033】

学習部１６は、物品端部画像を教師データとした機械学習により、第２学習済みモデルを生成する。学習部１６は、Ｘ線透過画像における物品Ｂの面積が下限閾値以下の場合、当該物品Ｂに係る物品端部画像について、教師データとして機械学習を行わない。下限閾値は、特に限定されず、例えば物品Ｂの標準長さの四分の一の長さである。学習部１６は、生成した第２学習済みモデルを記憶部１２に記憶する。

【0034】

次に、第１及び第２学習モデルの生成方法の一例について説明する。

【0035】

まず、物品検査装置１００を動作させ、物品Ｂの単体の画像とその輪郭データを含む単体データを取得する処理を、複数種の物品Ｂを対象として行う。合成データ生成部１５により、複数種の単体データを適宜に合成することにより、学習用合成画像となるＸ線透過画像と複数の当該物品Ｂの輪郭情報とを有する合成データを、自動的に複数種生成する。そして、学習部１６により、生成した複数種の合成データの輪郭情報を教師データとした機械学習を行い、第１学習済みモデルを得る。

【0036】

また、物品検査装置１００を動作させ、学習用画像となる被検査物ＧのＸ線透過画像を画像生成部１１により生成し、Ｘ線透過画像を表示操作部８に表示させる。ユーザが端部指定箇所を指定したことに応じて、当該指定箇所を含む物品端部画像を描画部１４により描画する。以上の処理を複数回繰り返し行い、複数の物品端部画像を取得する。そして、学習部１６により、複数の物品端部画像を教師データとした機械学習を行い、第２学習済みモデルを得る。

【0037】

次に、図５を参照しながら、第１及び第２学習モデルを利用した物品Ｂの検査方法の一例について説明する。

【0038】

図５に示されるように、物品検査装置１００において、検査用画像となる被検査物ＧのＸ線透過画像を画像生成部１１により生成する（ステップＳ１）。判定部１３により、生成したＸ線透過画像に基づき、第１学習済みモデルを用いて、被検査物Ｇに含まれる複数の物品が良品か不良品かを判定する（ステップＳ２）。判定部１３により、生成したＸ線透過画像に基づき、第２学習済みモデルを用いて、被検査物Ｇに含まれる複数の物品が良品か不良品かを判定する（ステップＳ３）。なお、上記ステップＳ２，Ｓ３は順不同である。

【0039】

そして、判定部１３により判定結果を出力する（ステップＳ４）。上記ステップＳ４では、上記ステップＳ２の判定及び／又は上記ステップＳ３の判定において不良品と判定した場合、表示操作部８に不良品（欠品）との判定結果を出力する。上記ステップＳ４では、上記ステップＳ２の判定及び上記ステップＳ３の判定の双方において良品と判定した場合、表示操作部８に良品との判定結果を出力する。

【0040】

図６は、第１学習済みモデルを用いた判定結果が不良品である場合の表示操作部８の表示例を示す図である。判定部１３により、第１学習済みモデルを用いた判定結果が不良品と判定された場合には、図５に示されるように、表示操作部８において、欠品と表示され、第１学習済みモデルの感度レベルが高まっている。また、表示操作部８において表示されたＸ線透過画像における複数の物品Ｂの中で、折れが発生した物品Ｂ１が囲まれて喚起表示される。

【0041】

図７は、第２学習済みモデルを用いた判定結果が不良品である場合の表示操作部８の表示例を示す図である。判定部１３により、第２学習済みモデルを用いた判定結果が不良品と判定された場合には、図６に示されるように、表示操作部８において、欠品と表示され、第２学習済みモデルの感度レベルが高まっている。また、表示操作部８において表示されたＸ線透過画像における複数の物品Ｂの中で、折れが発生した物品Ｂ２の断面が囲まれて喚起表示される。

【0042】

Ｘ線透過画像上における折れた物品Ｂは、占める面積が良品とは異なるという第１の特徴と、良品には無い断面が端部に含まれるという第２の特徴と、を有することが見出される。そこで、物品検査装置１００では、物品Ｂの輪郭に基づき学習した第１学習済みモデルを用いて判定することで、第１の特徴の観点から効果的に、折れた物品Ｂを不良品と判定することができる。また、物品検査装置１００では、物品Ｂの端部に基づき学習した第２学習済みモデルを用いて判定することで、第２の特徴の観点から効果的に、折れた物品Ｂを不良品と判定することができる。したがって、折れた物品Ｂを不良品と精度よく判定することが可能となる。

【0043】

物品検査装置１００では、判定部１３は、第１学習済みモデルを用いた判定結果と第２学習済みモデルを用いた判定結果とのうちの少なくとも何れかが、物品Ｂを不良品と判定する判定結果の場合に、当該判定結果を出力する。この場合、折れた物品Ｂを不良品と確実に判定することが可能となる。

【0044】

物品検査装置１００は、Ｘ線透過画像を表示する表示操作部８と、表示操作部８に表示されたＸ線透過画像に端部指定箇所を描画する描画部１４と、物品端部画像を教師データとした機械学習により第２学習済みモデルを生成する学習部１６と、を備える。これにより、画像全体を教師データとする場合と比べて、教師データを作成する際の作業量を削減でき、効率よく機械学習を行って第２学習済みモデルを生成することが可能となる。

【0045】

Ｘ線透過画像上において、物品Ｂの面積が下限閾値以下の場合、物品Ｂの断面が端部に現れていないことが多い。この点、物品検査装置１００では、学習部１６は、Ｘ線透過画像における物品Ｂの面積が下限閾値以下の場合、当該物品Ｂの物品端部画像について教師データとして機械学習を行わない。よって、物品検査装置１００では、第２学習モデルを生成するにあたり、物品Ｂの面積が下限閾値以下の画像を機械学習から省くことができる。よって、判定精度の高い第２学習済みモデルを生成することが可能となる。

【0046】

Ｘ線透過画像上において、物品Ｂの面積が上限閾値以上の場合、輪郭情報からでは不良品（折れた物品Ｂ）と良品との区別がつきにくい。この点、物品検査装置１００は、輪郭情報を教師データとした機械学習により、第１学習済みモデルを生成する学習部１６を備える。学習部１６は、Ｘ線透過画像における物品Ｂの面積が上限閾値以上の場合、当該物品Ｂの輪郭情報について、教師データとして機械学習を行わない。よって、物品検査装置１００では、第１学習モデルを生成するにあたり、不良品と良品との区別がつきにくい画像を機械学習から省くことができる。よって、判定精度の高い第１学習済みモデルを生成することが可能となる。

【0047】

物品検査装置１００は、１つの物品Ｂのみを含むＸ線透過画像と当該物品Ｂの輪郭情報とを有する単体データを、複数種記憶する記憶部１２と、記憶部１２に記憶された複数種の単体データを合成することにより、複数の物品Ｂを含むＸ線透過画像と複数の当該物品Ｂの輪郭情報とを有する合成データを、複数種生成する合成データ生成部１５と、合成データ生成部１５で生成した複数種の合成データの輪郭情報を教師データとした機械学習により、第１学習済みモデルを生成する学習部１６と、を備える。この場合、第１学習済みモデルを生成するにあたり、例えば物品Ｂ単体毎に輪郭を描画するアノテーション（例えば、折れ部分全体を囲ったり、塗りつぶしたりすること）が不要となり、学習用の画像を多数取得する際のミス及び手間を低減することが可能となる。作業効率を大幅に改善することができる。

【0048】

以上、本発明の実施形態について説明してきたが、本発明は必ずしも上述した実施形態に限定されるものではなく、その要旨を逸脱しない範囲で様々な変更が可能である。

【0049】

図８は、変形例に係る被検査物Ｇ０を示す概略平面図である。図９（ａ）は、たれＴ０が同梱されていない物品Ｂ０のＸ線透過画像を示す模式図である。図９（ｂ）は、図９（ａ）のＸ線透過画像の明るさを示すグラフである。図１０（ａ）は、たれＴ０が同梱されている物品Ｂ０のＸ線透過画像を示す模式図である。図１０（ｂ）は、図１０（ａ）のＸ線透過画像の補正前の明るさを示すグラフである。図１０（ｃ）は、図１０（ａ）のＸ線透過画像の補正後の明るさを示すグラフである。図９（ｂ）、図１０（ｂ）及び図１０（ｃ）において、縦軸は明るさであり、横軸はＸ線透過画像における左右方向の位置である。

【0050】

図８に示される被検査物Ｇ０は、たれ（同梱物）Ｔ０が同梱されている肉団子等の物品Ｂ０を複数含む。このような被検査物Ｇ０について、物品Ｂ０の個数をカウントする場合、たれＴ０のある部分とない部分とでは、明るさが異なる。そこで、被検査物Ｇ０のＸ線透過画像の濃淡から、たれＴ０を識別し、たれＴ０の明るさがＸ線透過画像の背景部分の明るさと同じになるよう、明るさを補正してもよい。これにより、たれＴ０と重なる物品Ｂ０の明るさが他の物品Ｂ０と略一致し、物品Ｂ０のしきい値により物品Ｂ０の個数カウントが可能となる。

【0051】

具体的には、図９（ａ）及び図９（ｂ）に示されるように、たれＴ０が同梱されていない物品Ｂ０では、Ｘ線透過画像の明るさの変化と閾値αとに基づき、物品Ｂ０の個数カウントを行う。図１０（ａ）及び図１０（ｂ）に示されるように、たれＴ０が同梱されている物品Ｂ０では、たれＴ０の影響により、Ｘ線透過画像の明るさの変化と閾値αとに基づくと、個数カウントができない場合がある。そこで、図１０（ｂ）に示されるように、まず、Ｘ線透過画像の濃淡から、明るさのグラフ上においてたれＴ０が存在するたれ部分Ｒ０を識別する。図１０（ｃ）に示されるように、たれ部分Ｒ０が背景部分の明るさと一致するように明るさ補正する。このような補正により、正しく個数カウントすることが可能となる。

【0052】

上記実施形態では、物品検査装置１００は、Ｘ線を利用して物品Ｂを検査しているが、Ｘ線以外の電磁波を利用して物品を検査してもよい。換言すると、物品検査装置は、Ｘ線とは異なる方式にて物品を検査してもよい。例えば、物品検査装置は、紫外線、赤外線及び／又は可視光を用いて物品を検査してもよい。上記実施形態では、物品Ｂを透過した電磁波を検出部で検出しているが、物品Ｂで反射した電磁波を検出部で検出してもよい。上記実施形態では、物品検査装置１００の制御ユニット１０とは別の演算装置によって学習済みモデルを生成してもよい。

【0053】

上記実施形態では、学習部１６は、Ｘ線透過画像における物品Ｂの面積が下限閾値以下であっても当該物品Ｂの物品端部画像について教師データとして機械学習を行ってもよい。上記実施形態では、学習部１６は、Ｘ線透過画像における物品Ｂの面積が上限閾値以上であっても当該物品Ｂの輪郭情報について教師データとして機械学習を行ってもよい。

【0054】

上記実施形態では、物品端部画像を教師データとしたが、これに限定されず、Ｘ線透過画像の全体を教師データとしてもよい。上記実施形態では、物品Ｂ単体に係る単体データを合成して得た合成データの輪郭情報を教師データとしたが、これに限定されない。複数の物品Ｂを含む被検査物Ｇを透過したＸ線からＸ線透過画像を画像生成部１１で生成し、当該Ｘ線透過画像における複数の物品Ｂの輪郭情報を教師データとしてもよい。

【符号の説明】

【0055】

６…Ｘ線照射部（照射部）、７…Ｘ線検出部（検出部）、８…表示操作部（表示部）、１２…記憶部、１３…判定部、１４…描画部、１５…合成データ生成部（生成部）、１６…学習部、１００…物品検査装置、Ｂ，Ｂ１，Ｂ２…物品、Ｐ１…Ｘ線透過画像。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】