特開 2024-139881 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】P2024139881

(43)【公開日】2024-10-10

(54)【発明の名称】検査装置

(51)【国際特許分類】

   G06N 20/00 20190101AFI20241003BHJP

【ＦＩ】

G06N20/00 130

【審査請求】未請求

【請求項の数】4

【出願形態】ＯＬ

(21)【出願番号】P 2023050815

(22)【出願日】2023-03-28

(71)【出願人】

【識別番号】000000011

【氏名又は名称】株式会社アイシン

(74)【代理人】

【識別番号】110002147

【氏名又は名称】弁理士法人酒井国際特許事務所

(72)【発明者】

【氏名】福本 剛

(72)【発明者】

【氏名】都野守 智裕

(72)【発明者】

【氏名】▲桑▼原 伸明

(57)【要約】

【課題】学習モデルの再学習を効率的に実施可能な検査装置を提供する。
【解決手段】実施形態の検査装置は、検査対象物に関するセンサデータを入力し、検査対象物が所定の状態であることの確からしさを示す指標値を出力する学習モデルを用いて検査対象物の状態を判定する状態判定部と、学習モデルから出力される指標値と所定の閾値とに基づいて、複数のセンサデータのそれぞれを、検査対象物の状態を示すラベルが付与されたラベル付データと、ラベルが付与されない曖昧データと、に分類する分類部と、ユーザの操作により曖昧データにラベルを付与する手動ラベル付け処理を可能にするラベル付け部と、手動ラベル付け処理により生成されたユーザラベル付データを含む教師データを用いて学習モデルを再学習する再学習部と、を備える。
【選択図】図２

【特許請求の範囲】

【請求項1】

検査対象物に関するセンサデータを入力し、前記検査対象物が所定の状態であることの確からしさを示す指標値を出力する学習モデルを用いて前記検査対象物の状態を判定する状態判定部と、
前記学習モデルから出力される前記指標値と所定の閾値とに基づいて、複数の前記センサデータのそれぞれを、前記検査対象物の状態を示すラベルが付与されたラベル付データと、前記ラベルが付与されない曖昧データと、に分類する分類部と、
ユーザの操作により前記曖昧データに前記ラベルを付与する手動ラベル付け処理を可能にするラベル付け部と、
前記手動ラベル付け処理により生成されたユーザラベル付データを含む教師データを用いて前記学習モデルを再学習する再学習部と、
を備える検査装置。

【請求項2】

前記分類部は、全ての前記曖昧データにおける所定の第１状態側の前記センサデータの割合が前記第１状態以外の状態側の前記センサデータの割合より大きくなるように、前記センサデータを分類する、
請求項１に記載の検査装置。

【請求項3】

前記再学習部は、前記検査対象物が所定の第１状態であることを示すラベルが付与された前記ユーザラベル付データを前記教師データに含め、前記第１状態以外の状態であることを示すラベルが付与された前記ユーザラベル付データを前記教師データに含めない、
請求項１に記載の検査装置。

【請求項4】

前記曖昧データの量が閾値以下である場合には、
前記ラベル付け部は、前記手動ラベル付け処理を禁止し、
前記再学習部は、前記分類部により分類された前記ラベル付データを含む前記教師データを用いて前記学習モデルを再学習する、
請求項１に記載の検査装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明の実施形態は、検査装置に関する。

【背景技術】

【0002】

工業製品等の検査対象物の異常（例えばバリ、打痕、キズ、変形、汚れ等）を発見する検査を行う際に、検査対象物を撮像した撮像画像から検査対象物の状態（例えば正常状態であるか異常状態であるか等）を推定する学習モデル（学習済みモデル）が利用されている。このような学習モデルは、正常状態にある検査対象物の撮像画像及び異常状態にある検査対象物の撮像画像を含む教師データを用いて事前に行われる機械学習（深層学習）により生成される。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特許第６０６１７１３号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

上記のような手法においては、コンセプトドリフト等の要因により学習モデルの推定精度が低下する可能性がある。コンセプトドリフトとは、学習モデルが推定しようとする目的変数の統計学的特性が時間の経過とともに変化することを意味し、その原因としては、例えばカメラレンズの汚れ、照明装置の劣化、気温等の環境の変化、前工程の変化等が考えられる。このようなコンセプトドリフト等により学習モデルの推定精度の低下が生じた場合には、新たな教師データを用いて学習モデルを再学習する必要がある。

【0005】

そこで、本発明の実施形態が解決しようとする課題の一つは、学習モデルの再学習を効率的に実施可能な検査装置を提供することである。

【課題を解決するための手段】

【0006】

実施形態の検査装置は、検査対象物に関するセンサデータを入力し、検査対象物が所定の状態であることの確からしさを示す指標値を出力する学習モデルを用いて検査対象物の状態を判定する状態判定部と、学習モデルから出力される指標値と所定の閾値とに基づいて、複数のセンサデータのそれぞれを、検査対象物の状態を示すラベルが付与されたラベル付データと、ラベルが付与されない曖昧データと、に分類する分類部と、ユーザの操作により曖昧データにラベルを付与する手動ラベル付け処理を可能にするラベル付け部と、手動ラベル付け処理により生成されたユーザラベル付データを含む教師データを用いて学習モデルを再学習する再学習部と、を備える。

【0007】

上記構成によれば、複数のセンサデータから自動的に曖昧データが分類され、当該曖昧データに対する手動ラベル付け処理によりユーザラベル付データが生成され、当該ユーザラベル付データを含む教師データを用いて学習モデルの再学習が実行される。これにより、学習モデルの再学習に用いられる教師データを簡便且つ高品質に生成することができ、学習モデルの再学習を効率的に実施することが可能となる。

【0008】

また、上記構成において、分類部は、全ての曖昧データにおける所定の第１状態側のセンサデータの割合が第１状態以外の状態側のセンサデータの割合より大きくなるように、センサデータを分類してもよい。

【0009】

上記構成によれば、教師データに第１状態（例えば異常状態等）に対応するデータを多く含めることができ、再学習において第１状態に対する検知精度を優先的に向上させることができる。

【0010】

また、上記構成において、再学習部は、検査対象物が所定の第１状態であることを示すラベルが付与されたユーザラベル付データを教師データに含め、第１状態以外の状態であることを示すラベルが付与されたユーザラベル付データを教師データに含めなくてもよい。

【0011】

上記構成によれば、教師データに第１状態（例えば異常状態等）に対応するデータを多く含めることができ、再学習において第１状態に対する検知精度を優先的に向上させることができる。

【0012】

また、上記構成において、曖昧データの量が閾値以下である場合には、ラベル付け部は、手動ラベル付け処理を禁止し、再学習部は、分類部により分類されたラベル付データを含む教師データを用いて学習モデルを再学習してもよい。

【0013】

上記構成によれば、曖昧データの蓄積量が少ない状況下では手動ラベル付け処理が実行されなくなるため、手動ラベル付け処理の頻度を下げることができる。これにより、ユーザに過度の手間をかけることなく学習モデルの再学習を実行できる。

【図面の簡単な説明】

【0014】

【図1】図１は、第１実施形態の検査システムの構成の一例を示す図である。

【図2】図２は、第１実施形態の検査装置の機能構成の一例を示す図である。

【図3】図３は、第１実施形態のラベル付画像及び曖昧画像の一例を示す図である。

【図4】図４は、第１実施形態のラベル付画像とユーザラベル付画像と教師データとの関係の一例を示す図である。

【図5】図５は、第１実施形態の検査装置における処理の一例を示すフローチャートである。

【図6】図６は、第２実施形態のラベル付画像及び曖昧画像の第１例を示す図である。

【図7】図７は、第２実施形態のラベル付画像及び曖昧画像の第２例を示す図である。

【図8】図８は、第３実施形態のラベル付画像とユーザラベル付画像と教師データとの関係の一例を示す図である。

【図9】図９は、第４実施形態の検査装置における処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0015】

以下、本発明の例示的な実施形態が開示される。以下に示される実施形態の構成、並びに当該構成によってもたらされる作用、結果及び効果は、一例である。本発明は、以下の実施形態に開示される構成以外によって実現可能であると共に、基本的な構成に基づく種々の効果や派生的な効果のうち少なくとも１つを得ることが可能である。

【0016】

（第１実施形態）
図１は、第１実施形態の検査システムＳの構成の一例を示す図である。本実施形態の検査システムＳは、所定の検査対象物の異常を検知可能なシステムである。検査対象物は、特に限定されるべきものではないが、例えば、工業製品等であり得る。工業製品とは、例えば、車両の構成部品等であり得る。本実施形態における検査には、検査対象物が正常な状態であるか（品質が所定の基準に達しているか）、異常な状態であるか（品質が所定の基準に達していないか）を判定する処理が含まれる。

【0017】

本実施形態の検査システムＳは、検査装置１及び撮像装置２を含む。撮像装置２は、検査対象物を撮像した撮像画像（センサデータの一例）を取得する。検査装置１は、撮像装置２により取得された撮像画像に基づいて、被写体となった検査対象物が正常か異常かを判定する処理を含む検査処理を実行する。

【0018】

本実施形態の検査装置１は、プロセッサ１１、メモリ１２、通信Ｉ／Ｆ（Interface）１３及びユーザＩ／Ｆ１４を有する。プロセッサ１１は、メモリ１２に記憶されたプログラムに従って検査対象物を検査するための情報処理（演算処理や制御処理等）を実行する。プロセッサ１１は、例えば、ＣＰＵ（Central Processing Unit）、ＡＳＩＣ（Application Specific Integrated Circuit）、ＦＰＧＡ（Field Programmable Gate Array）等を利用して構成され得る。メモリ１２は、検査処理の実行に必要なプログラムや各種データを記憶する。メモリ１２は、例えば、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＳＳＤ（Solid State Drive）、ＨＤＤ（Hard Disk Drive）等を利用して構成され得る。通信Ｉ／Ｆ１３は、所定の通信規約に従って検査装置１と外部機器との通信を確立するデバイスであり、本実施形態においては、撮像装置２から検査対象物の撮像画像（画像データ）を取得するための通信を確立する。ユーザＩ／Ｆ１４は、検査装置１とユーザ（検査システムＳの管理者、オペレータ等）と間での情報のやり取りを可能にするデバイスであり、例えば、ディスプレイ、キーボード、タッチパネル、スピーカ、マイク等を利用して構成され得る。

【0019】

なお、図１に示す構成は例示であり、検査システムＳの構成は上記に限定されるものではない。例えば、１つの検査装置１に複数の撮像装置２が接続されてもよいし、通信Ｉ／Ｆ１３に撮像装置２以外のセンサや電子機器等が接続されてもよいし、ネットワークを介して接続された複数の検査装置１が協働して稼働するものであってもよい。

【0020】

図２は、第１実施形態の検査装置１の機能構成の一例を示す図である。本実施形態の検査装置１は、取得部１０１、モデル記憶部１０２、状態判定部１０３、分類部１０４、分類結果記憶部１０５、ラベル付け部１０６及び再学習部１０７を有する。これらの機能部１０１～１０７は、図１に例示したような検査装置１のハードウェア要素及びソフトウェア要素（プログラム等）の協働により実現され得る。また、これらの機能部１０１～１０７のうちの少なくとも一部を専用のハードウェア（回路等）により構成してもよい。

【0021】

取得部１０１は、撮像装置２から検査対象物を撮像した撮像画像を取得する。

【0022】

モデル記憶部１０２は、所定の教師データを用いた機械学習（深層学習）により生成された学習モデル（学習済みモデル）を記憶する。学習モデルは、撮像画像の入力に対して、当該撮像画像に対応する検査対象物が所定の状態であること（例えば異常状態であること、正常状態であること等）の確からしさ（信頼度）を示す指標値を出力する。指標値は、例えば、尤度等と称することもできる。指標値と検査対象物の状態との対応関係は、検査対象物の種類等に応じて適宜設定されるべきものであるが、例えば、指標値は、－１から１の間で変動し、異常状態である可能性が高いほど１に近い値となり、正常状態である可能性が高いほど－１に近い値となるように設定され得る。この場合、指標値が０に近い（絶対値が小さい）ほど、検査対象物が正常であるか異常であるかの判定が困難となる。

【0023】

状態判定部１０３は、学習モデルから出力される指標値に基づいて検査対象物の状態、すなわち正常状態であるか、異常状態であるか等を判定する。

【0024】

分類部１０４は、学習モデルから出力される指標値と所定の閾値とに基づいて、複数の撮像画像のそれぞれをラベル付画像（ラベル付データの一例）と、曖昧画像（曖昧データの一例）と、に分類する。ラベル付画像は、検査対象物の状態を示すラベルが付与された撮像画像である。複数の撮像画像のうち、指標値からある程度明確に正常状態か異常状態かを判定可能な撮像画像がラベル付画像に分類される。本実施形態のラベル付画像には、正常状態であることを示すＯＫラベルが付与されたＯＫラベル画像と、異常状態であることを示すＮＧラベルが付与されたＮＧラベル画像と、が含まれる。一方、曖昧画像は、検査対象物の状態を示すラベルが付与されない撮像画像である。指標値から正常状態か異常状態かを明確に判定することが困難な撮像画像が曖昧画像に分類される。

【0025】

図３は、第１実施形態のラベル付画像及び曖昧画像の一例を示す図である。図３において、指標値が－１から１の間で変動し、異常状態である可能性が高いほど１に近い値となり、正常状態である可能性が高いほど－１に近い値となる場合が例示されている。このような場合、指標値が閾値Ｋ１（－１＜Ｋ１＜０）以下である撮像画像をＯＫラベル付画像に分類し、指標値が閾値Ｋ２（０＜Ｋ２＜１）以上である撮像画像をＮＧラベル付画像に分類することができる。また、指標値が閾値Ｋａ１以上且つ閾値Ｋａ２以下である撮像画像を曖昧画像に分類することができる。このとき、Ｋ１＜Ｋａ１＜０、及び０＜Ｋａ２＜Ｋ２の関係が成り立つ。

【0026】

また、本実施形態においては、｜Ｋａ１｜＝｜Ｋａ２｜が成り立つ。すなわち、全ての曖昧画像における正常状態側の撮像画像の割合と異常状態側の撮像画像の割合とが均等になるように閾値Ｋａ１，Ｋａ２が設定されている。なお、上記のような閾値の設定方法は例示であり、閾値の設定方法は、使用状況等に応じて適宜決定されるべきものである。

【0027】

図２に戻り、分類結果記憶部１０５は、分類部１０４により分類されたラベル付画像（本実施形態ではＯＫラベル付画像及びＮＧラベル付画像）と、曖昧画像と、を記憶する。

【0028】

ラベル付け部１０６は、ユーザの操作により、分類結果記憶部１０５に記憶された（分類部１０４により分類された）曖昧画像に、検査対象物の状態（正常状態、異常状態等）を示すラベルを付与する手動ラベル付け処理（アノテーション）を可能にする。このような手動ラベル付け処理は、例えば、ディスプレイ、キーボード等のユーザＩ／Ｆ１４を介して行われる。以降、手動ラベル付け処理によりラベル付けされた曖昧画像をユーザラベル付画像と称する。

【0029】

再学習部１０７は、ラベル付け部１０６（手動ラベル付け処理）により生成されたユーザラベル付画像を含む教師データを用いて、モデル記憶部１０２に記憶された学習モデルを再学習する。また、当該教師データには、分類結果記憶部１０５に記憶された（分類部１０４により分類された）ラベル付画像を含んでもよい。再学習とは、例えば、新たな教師データを用いてモデル内の重みやバイアス等のパラメータを更新する作業等であり得る。再学習の具体的手法は特に限定されるべきものではなく、再学習は学習モデルの構成等に応じて公知又は新規な手法を適宜適用して実施されればよい。

【0030】

図４は、第１実施形態のラベル付画像とユーザラベル付画像と教師データとの関係の一例を示す図である。図４において、ユーザＯＫラベル付画像は、図３に例示した曖昧画像のうち、手動ラベル付け処理によりＯＫラベル（検査対象物が正常状態であることを示すラベル）が付与された画像である。ユーザＮＧラベル付画像は、図３に例示した曖昧画像のうち、手動ラベル付け処理によりＮＧラベル（検査対象物が異常状態であることを示すラベル）が付与された画像である。

【0031】

なお、図４においては、指標値がＫａ１から０の間にある曖昧画像にＯＫラベルが付与され、指標値が０からＫａ２の間にある曖昧画像にＮＧラベルが付与された場合が例示されているが、実際にはこのようにラベル付けされるとは限らない。実際に手動ラベル付け処理を実行する際には、ユーザがディスプレイ等を介して曖昧画像を目視しながら正常か異常かを判断するためである。従って、指標値がＫａ１から０の間にある曖昧画像にＮＧラベルが付与され、指標値が０からＫａ２の間にある曖昧画像にＯＫラベルが付与される場合もある。

【0032】

ここで例示する教師データは、分類部１０４により分類された、すなわち再学習前の学習モデルの推定結果（指標値）に基づいて自動的に分類されたＯＫラベル付画像及びＮＧラベル付画像、並びに手動ラベル付け処理により生成された、すなわちユーザによる正常か異常かの判断に基づいて分類されたユーザＯＫラベル付画像及びユーザＮＧラベル付画像を含む。なお、教師データには、ＯＫラベル付画像及びＮＧラベル付画像の一方又は両方が含まれなくてもよい。再学習部１０７は、上記のような教師データを用いて学習モデルを再学習する。

【0033】

図５は、第１実施形態の検査装置１における処理の一例を示すフローチャートである。取得部１０１は撮像装置２から撮像画像を取得したか否かを判定し（Ｓ１０１）、撮像画像を取得していない場合（Ｓ１０１：Ｎｏ）、ステップＳ１０１において撮像画像の取得を待機する。取得部１０１が撮像画像を取得した場合（Ｓ１０２：Ｙｅｓ）、分類部１０４は撮像画像を学習モデルに入力し、当該撮像画像に対応する検査対象物の状態を示す指標値を取得する（Ｓ１０２）。その後、分類部１０４は取得した指標値に基づいて当該撮像画像をラベル付画像又は曖昧画像に分類する（Ｓ１０３）。このように分類されたラベル付画像及び曖昧画像は、分類結果記憶部１０５に記憶され、蓄積されていく。

【0034】

その後、再学習部１０７は再学習トリガの有無を判定する（Ｓ１０４）。再学習トリガとは、学習モデルの再学習を実行するための条件が満たされた場合に出力される信号や実行される処理等である。当該条件は、使用状況等に応じて適宜設定されるべきものであるが、例えば、状態判定部１０３による判定結果における異常判定数又は正常判定数が閾値を超えた場合、過検出数が閾値を超えた場合、曖昧画像数が閾値を超えた場合等であり得る。

【0035】

再学習トリガがない場合（Ｓ１０４：Ｎｏ）、ステップＳ１０１以降の処理が再度実行される。再学習トリガがある場合（Ｓ１０４：Ｙｅｓ）、ラベル付け部１０６は曖昧画像に対して手動ラベル付け処理を実行し、ユーザラベル付け画像を生成する（Ｓ１０５）。その後、再学習部１０７はラベル付け画像及びユーザラベル付画像を含む教師データ（ラベル付画像は含まれなくてもよい。）を用いて学習モデルを再学習する（Ｓ１０６）。

【0036】

以上のように、本実施形態によれば、複数の撮像画像から検査対象物の状態の判定が困難な曖昧画像が自動的に分類され、当該曖昧画像に対する手動ラベル付け処理によりユーザラベル付画像が生成され、当該ユーザラベル付画像を含む教師データを用いて学習モデルの再学習が実行される。これにより、学習モデルの再学習に用いられる教師データを簡便且つ高品質に生成することができ、学習モデルの再学習を効率的に実施することが可能となる。

【0037】

（第２実施形態）
上記第１実施形態においては、撮像画像から曖昧画像を分類する際に、図３に例示するように、全ての曖昧画像における正常状態側の撮像画像の割合と異常状態側の撮像画像の割合とが均等となるようになされている（｜Ｋａ１｜＝｜Ｋａ２｜）。しかしながら、曖昧画像の分類の仕方は、これに限定されるものではない。本実施形態においては、全ての曖昧画像における異常状態（第１状態の一例）側の撮像画像の割合が正常状態側の撮像画像の割合より大きくなるように、撮像画像が分類される。

【0038】

図６は、第２実施形態のラベル付画像及び曖昧画像の第１例を示す図である。本例においては、｜Ｋａ１｜＜｜Ｋａ２｜が成り立つ。すなわち、全ての曖昧画像における異常状態側の撮像画像（本実施形態では指標値が０より大きい撮像画像）の割合が、正常状態側の撮像画像（本実施形態では指標値が０より小さい撮像画像）の割合より大きくなっている。

【0039】

図７は、第２実施形態のラベル付画像及び曖昧画像の第２例を示す図である。本例においては、指標値が閾値Ｋａ１以上の撮像画像が全て曖昧画像に分類される。このような手法によっても、全ての曖昧画像における異常状態側の撮像画像の割合を正常状態側の撮像画像の割合より大きくすることができる。

【0040】

上記構成によれば、教師データに異常状態に対応する画像を多く含めることができ、再学習において異常検知の精度を優先的に向上させることができる。

【0041】

なお、本実施形態において、異常状態と正常状態との関係を逆にしてもよい。すなわち、全ての曖昧画像における正常状態側の撮像画像の割合を異常状態側の撮像画像の割合より大きくしてもよい。これにより、正常検知の精度を優先的に向上させることができる。

【0042】

（第３実施形態）
上記第１実施形態においては、ユーザラベル付画像のうち、ユーザＯＫラベル付画像及びユーザＮＧラベル付画像の両方を教師データに含めたが、教師データの生成の仕方はこれに限定されるものではない。

【0043】

図８は、第３実施形態のラベル付画像とユーザラベル付画像と教師データとの関係の一例を示す図である。図８に示すように、本実施形態においては、ユーザラベル付画像のうち、ユーザＮＧラベル付画像のみを教師データに含める。

【0044】

上記構成によれば、教師データに異常状態に対応する画像を多く含めることができ、再学習において異常検知の精度を優先的に向上させることができる。

【0045】

なお、本実施形態において、ＮＧラベルとＯＫラベルとの関係を逆にしてもよい。すなわち、ユーザラベル付画像のうち、ユーザＯＫラベル付画像のみを教師データに含めてもよい。これにより、正常検知の精度を優先的に向上させることができる。

【0046】

（第４実施形態）
上記第１実施形態においては、曖昧画像の量に関わらず手動ラベル付け処理が行われ、当該手動ラベル付け処理により生成されたユーザラベル付画像を含む教師データを用いて再学習が行われる。しかしながら、手動ラベル付け処理及び再学習の仕方はこれに限定されるものではない。

【0047】

本実施形態においては、曖昧画像の量（枚数）が閾値以下である場合には、ラベル付け部１０６は、手動ラベル付け処理を禁止する。そして、再学習部１０７は、分類部１０４により分類された、すなわち再学習前の学習モデルから出力された指標値に基づいて自動的にラベル付けされたラベル付画像を含む教師データを用いて学習モデルを再学習する。

【0048】

図９は、第４実施形態の検査装置１における処理の一例を示すフローチャートである。取得部１０１は撮像装置２から撮像画像を取得したか否かを判定し（Ｓ２０１）、撮像画像を取得していない場合（Ｓ２０１：Ｎｏ）、ステップＳ２０１において撮像画像の取得を待機する。取得部１０１が撮像画像を取得した場合（Ｓ２０２：Ｙｅｓ）、分類部１０４は撮像画像を学習モデルに入力し、当該撮像画像に対応する検査対象物の状態を示す指標値を取得する（Ｓ２０２）。その後、分類部１０４は取得した指標値に基づいて当該撮像画像をラベル付画像又は曖昧画像に分類する（Ｓ２０３）。このように分類されたラベル付画像及び曖昧画像は、分類結果記憶部１０５に記憶され、蓄積されていく。

【0049】

その後、再学習部１０７は再学習トリガの有無を判定する（Ｓ２０４）。再学習トリガがない場合（Ｓ２０４：Ｎｏ）、ステップＳ２０１以降の処理が再度実行される。再学習トリガがある場合（Ｓ２０４：Ｙｅｓ）、ラベル付け部１０６は分類結果記憶部１０５に記憶されている曖昧画像の量が閾値以下であるか否かを判定する（Ｓ２０５）。曖昧画像の量が閾値以下でない場合（Ｓ２０４：Ｎｏ）、第１実施形態と同様に、ラベル付け部１０６は手動ラベル付け処理を実行し、ユーザラベル付け画像を生成する（Ｓ２０６）。その後、再学習部１０７はラベル付け画像及びユーザラベル付画像を含む教師データを用いて学習モデルを再学習する（Ｓ２０７）。

【0050】

一方、曖昧画像の量が閾値以下である場合（Ｓ２０５：Ｙｅｓ）、ラベル付け部１０６は手動ラベル付け処理を実行させず、再学習部１０７はラベル付け画像を含む教師データを用いて学習モデルを再学習する（Ｓ２０８）。

【0051】

上記構成によれば、曖昧画像の蓄積量が少ない状況下では手動ラベル付け処理が実行されなくなるため、手動ラベル付け処理の頻度を下げることができる。これにより、ユーザに過度の手間をかけることなく学習モデルの再学習を実行できる。

【0052】

（変形例）
上記実施形態においては、センサデータが検査対象物の異常検知用の撮影画像である場合について説明したが、センサデータの種類はこれに限定されるものではない。センサデータは、学習モデルの入力値として扱うことが可能なデータであればよく、例えば、物体識別用の撮像画像、物体検知用の超音波データ等であり得る。

【0053】

また、学習モデルは、検査対象物が正常か異常かを推定するものであることに限定されない。例えば、学習モデルは、検査対象物の種類等を推定するものであってもよい。

【0054】

上述したような処理を検査装置１に実行させるプログラムは、インストール可能な形式または実行可能な形式のファイルでＣＤ－ＲＯＭ、ＣＤ－Ｒ、メモリカード、ＤＶＤ（Digital Versatile Disk）、フレキシブルディスク（ＦＤ）等のコンピュータで読み取り可能な記憶媒体に記憶されてコンピュータプログラムプロダクトとして提供されるようにしてもよい。また、当該プログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するようにしてもよい。また、当該プログラムを、インターネット等のネットワーク経由で提供または配布するようにしてもよい。

【0055】

以上、本発明の実施形態を説明したが、上記実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。この新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。この実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

【符号の説明】

【0056】

１…検査装置、２…撮像装置、１１…プロセッサ、１２…メモリ、１３…通信Ｉ／Ｆ、１４…ユーザＩ／Ｆ、１０１…取得部、１０２…モデル記憶部、１０３…状態判定部、１０４…分類部、１０５…分類結果記憶部、１０６…ラベル付け部、１０７…再学習部、Ｓ…検査システム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】