ホーム > 特許ランキング > ブラザー工業株式会社
(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】P2024163476
(43)【公開日】2024-11-22
(54)【発明の名称】プログラム、および、判断装置
(51)【国際特許分類】
G06T 7/00 20170101AFI20241115BHJP
G01N 21/898 20060101ALI20241115BHJP
G01N 21/88 20060101ALI20241115BHJP
【ＦＩ】
G06T7/00 350B
G06T7/00 610Z
G01N21/898 A
G01N21/88 J
【審査請求】未請求
【請求項の数】18
【出願形態】ＯＬ
(21)【出願番号】P 2023079103
(22)【出願日】2023-05-12
(71)【出願人】
【識別番号】000005267
【氏名又は名称】ブラザー工業株式会社
(74)【代理人】
【識別番号】110001058
【氏名又は名称】鳳国際弁理士法人
(72)【発明者】
【氏名】宮澤 雅史
【テーマコード（参考）】
2G051
5L096
【Ｆターム（参考）】
2G051AA40
2G051AB02
2G051CA04
2G051EA12
2G051EB05
5L096AA02
5L096BA03
5L096CA02
5L096DA02
5L096EA33
5L096EA43
5L096FA32
5L096FA35
5L096FA60
5L096FA67
5L096FA69
5L096GA19
5L096HA11
5L096KA04
(57)【要約】
【課題】生地の欠陥の有無を適切に判断する。
【解決手段】
対象生地の読取画像の補正処理を行い、処理済の画像を機械学習モデルに入力する。ここで、補正処理は、第１パターンが規則的に並ぶ第１方向の角度を第１特定角度に近づける第１補正を含んでよい。補正処理は、対象生地を表す画像中の対象生地の歪みを補正する歪み補正を含んでよい。あるいは、読取画像を機械学習モデルに入力する。ここで、機械学習モデルの訓練に使用される複数の訓練画像は、複数の訓練画像の複数の第１方向の第１基準方向に対する角度の分布範囲が第１角度範囲であるように構成されてよい。機械学習モデルは、生地を表す第１種画像に、歪みの付与を含む画像処理を実行することによって得られる第２種画像を使用して訓練されてよい。
【選択図】 図１
【解決手段】
対象生地の読取画像の補正処理を行い、処理済の画像を機械学習モデルに入力する。ここで、補正処理は、第１パターンが規則的に並ぶ第１方向の角度を第１特定角度に近づける第１補正を含んでよい。補正処理は、対象生地を表す画像中の対象生地の歪みを補正する歪み補正を含んでよい。あるいは、読取画像を機械学習モデルに入力する。ここで、機械学習モデルの訓練に使用される複数の訓練画像は、複数の訓練画像の複数の第１方向の第１基準方向に対する角度の分布範囲が第１角度範囲であるように構成されてよい。機械学習モデルは、生地を表す第１種画像に、歪みの付与を含む画像処理を実行することによって得られる第２種画像を使用して訓練されてよい。
【選択図】 図１
【特許請求の範囲】
【請求項1】
織物または編物である生地の欠陥の有無を判断するコンピュータのためのプログラムであって、
光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、
前記読取画像の補正処理を行う補正機能であって、前記補正処理は、前記対象生地を表す画像中の、糸によって形成される第１パターンが規則的に並ぶ方向である第１方向の第１基準方向に対する角度を第１特定角度に近づける第１補正を含む、前記補正機能と、
前記補正処理による処理済の画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能であって、前記機械学習モデルは、前記第１方向の角度が前記第１特定角度である生地の画像を使用して訓練されている、前記判断機能と、
をコンピュータに実現させるプログラム。
光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、
前記読取画像の補正処理を行う補正機能であって、前記補正処理は、前記対象生地を表す画像中の、糸によって形成される第１パターンが規則的に並ぶ方向である第１方向の第１基準方向に対する角度を第１特定角度に近づける第１補正を含む、前記補正機能と、
前記補正処理による処理済の画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能であって、前記機械学習モデルは、前記第１方向の角度が前記第１特定角度である生地の画像を使用して訓練されている、前記判断機能と、
をコンピュータに実現させるプログラム。
【請求項2】
請求項１に記載のプログラムであって、
前記機械学習モデルは、生地を表す複数の訓練画像を使用して訓練されており、
前記複数の訓練画像は、前記複数の訓練画像の複数の第１方向の角度の分布範囲が前記第１特定角度を含む特定範囲であるように、構成され、
前記特定範囲は、前記対象生地の読取のために前記対象生地を搬送する搬送装置によって支持される生地の読取画像を使用して推定される前記生地の回転と斜行との一方または両方に基づく前記第１方向の角度の分布を使用して、決定される、
プログラム。
前記機械学習モデルは、生地を表す複数の訓練画像を使用して訓練されており、
前記複数の訓練画像は、前記複数の訓練画像の複数の第１方向の角度の分布範囲が前記第１特定角度を含む特定範囲であるように、構成され、
前記特定範囲は、前記対象生地の読取のために前記対象生地を搬送する搬送装置によって支持される生地の読取画像を使用して推定される前記生地の回転と斜行との一方または両方に基づく前記第１方向の角度の分布を使用して、決定される、
プログラム。
【請求項3】
請求項１に記載のプログラムであって、
前記補正処理は、前記対象生地を表す画像中の、糸によって形成される第２パターンが規則的に並ぶ方向である第２方向の第２基準方向に対する角度をアフィン変換の剪断によって第２特定角度に近づける第２補正を含み、
前記機械学習モデルは、生地を表す複数の訓練画像を使用して訓練されており、
前記複数の訓練画像は、訓練画像の第２方向の前記第２基準方向に対する角度を前記アフィン変換の剪断によって前記第２特定角度に近づける補正による補正済の複数の訓練画像を含む、
プログラム。
前記補正処理は、前記対象生地を表す画像中の、糸によって形成される第２パターンが規則的に並ぶ方向である第２方向の第２基準方向に対する角度をアフィン変換の剪断によって第２特定角度に近づける第２補正を含み、
前記機械学習モデルは、生地を表す複数の訓練画像を使用して訓練されており、
前記複数の訓練画像は、訓練画像の第２方向の前記第２基準方向に対する角度を前記アフィン変換の剪断によって前記第２特定角度に近づける補正による補正済の複数の訓練画像を含む、
プログラム。
【請求項4】
請求項１に記載のプログラムであって、
前記機械学習モデルは、生地を表す複数の訓練画像を使用して訓練されており、
前記複数の訓練画像は、前記複数の訓練画像の複数の第２方向の角度の分布範囲が角度範囲であるように、構成され、前記第２方向は、生地の画像中の糸によって形成される第２パターンが規則的に並ぶ方向であり、
前記角度範囲は、前記対象生地の読取のために前記対象生地を搬送する搬送装置によって支持される生地の読取画像を使用して推定される前記生地の回転と斜行との一方または両方に基づく前記第２方向の角度の分布を使用して、決定される、
プログラム。
前記機械学習モデルは、生地を表す複数の訓練画像を使用して訓練されており、
前記複数の訓練画像は、前記複数の訓練画像の複数の第２方向の角度の分布範囲が角度範囲であるように、構成され、前記第２方向は、生地の画像中の糸によって形成される第２パターンが規則的に並ぶ方向であり、
前記角度範囲は、前記対象生地の読取のために前記対象生地を搬送する搬送装置によって支持される生地の読取画像を使用して推定される前記生地の回転と斜行との一方または両方に基づく前記第２方向の角度の分布を使用して、決定される、
プログラム。
【請求項5】
請求項１に記載のプログラムであって、
前記第１特定角度は、前記対象生地の読取のために前記対象生地を搬送する搬送装置によって支持される生地の読取画像を使用して推定される前記生地の回転と斜行との一方または両方に基づく前記第１方向の角度の分布を使用して、決定される、
プログラム。
前記第１特定角度は、前記対象生地の読取のために前記対象生地を搬送する搬送装置によって支持される生地の読取画像を使用して推定される前記生地の回転と斜行との一方または両方に基づく前記第１方向の角度の分布を使用して、決定される、
プログラム。
【請求項6】
織物または編物である生地の欠陥の有無を判断するコンピュータのためのプログラムであって、
光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、
前記読取画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能と、
をコンピュータに実現させ、
前記機械学習モデルは、生地を表す複数の訓練画像を使用して訓練されており、
前記複数の訓練画像は、前記複数の訓練画像の複数の第１方向の第１基準方向に対する角度の分布範囲が第１角度範囲であるように、構成され、前記第１方向は、生地の画像中の糸によって形成される第１パターンが規則的に並ぶ方向であり、
前記第１角度範囲は、前記対象生地の読取のために前記対象生地を搬送する搬送装置によって支持される生地の読取画像を使用して推定される前記生地の回転と斜行との一方または両方に基づく前記第１方向の角度の分布を使用して、決定される、
プログラム。
光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、
前記読取画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能と、
をコンピュータに実現させ、
前記機械学習モデルは、生地を表す複数の訓練画像を使用して訓練されており、
前記複数の訓練画像は、前記複数の訓練画像の複数の第１方向の第１基準方向に対する角度の分布範囲が第１角度範囲であるように、構成され、前記第１方向は、生地の画像中の糸によって形成される第１パターンが規則的に並ぶ方向であり、
前記第１角度範囲は、前記対象生地の読取のために前記対象生地を搬送する搬送装置によって支持される生地の読取画像を使用して推定される前記生地の回転と斜行との一方または両方に基づく前記第１方向の角度の分布を使用して、決定される、
プログラム。
【請求項7】
織物または編物である生地の欠陥の有無を判断するコンピュータのためのプログラムであって、
光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、
前記読取画像の補正処理を行う補正機能であって、前記補正処理は、前記対象生地を表す画像中の前記対象生地の歪みを補正する歪み補正を含む、前記補正機能と、
前記補正処理による処理済の画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能と、
をコンピュータに実現させるプログラム。
光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、
前記読取画像の補正処理を行う補正機能であって、前記補正処理は、前記対象生地を表す画像中の前記対象生地の歪みを補正する歪み補正を含む、前記補正機能と、
前記補正処理による処理済の画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能と、
をコンピュータに実現させるプログラム。
【請求項8】
請求項７に記載のプログラムであって、
前記歪み補正は、歪みを補正する機械学習モデルである歪み補正モデルによる歪みの補正を含み、
前記歪み補正モデルは、生地を表す第１種画像に歪みを付与することによって得られる第２種画像から、前記第１種画像を生成するように、訓練されている、
プログラム。
前記歪み補正は、歪みを補正する機械学習モデルである歪み補正モデルによる歪みの補正を含み、
前記歪み補正モデルは、生地を表す第１種画像に歪みを付与することによって得られる第２種画像から、前記第１種画像を生成するように、訓練されている、
プログラム。
【請求項9】
請求項８に記載のプログラムであって、
前記第１種画像は、生地を表す画像の一部分に欠陥の画像を追加することによって得られ、
前記第２種画像は、前記第１種画像によって表される前記欠陥と同じ欠陥を表している、
プログラム。
前記第１種画像は、生地を表す画像の一部分に欠陥の画像を追加することによって得られ、
前記第２種画像は、前記第１種画像によって表される前記欠陥と同じ欠陥を表している、
プログラム。
【請求項10】
請求項８または９に記載のプログラムであって、
前記歪みの付与は、前記第１種画像内に配置された複数の制御点のそれぞれの変位ベクトルに従って、行われ、
前記複数の制御点の複数の変位ベクトルは、隣り合う制御点の変位ベクトルの間の差違が基準以下となるように、構成されている、
プログラム。
前記歪みの付与は、前記第１種画像内に配置された複数の制御点のそれぞれの変位ベクトルに従って、行われ、
前記複数の制御点の複数の変位ベクトルは、隣り合う制御点の変位ベクトルの間の差違が基準以下となるように、構成されている、
プログラム。
【請求項11】
請求項７に記載のプログラムであって、
前記歪み補正は、基準画像を使用するキーポイントマッチングの結果を使用する歪みの補正を含む、
プログラム。
前記歪み補正は、基準画像を使用するキーポイントマッチングの結果を使用する歪みの補正を含む、
プログラム。
【請求項12】
請求項７に記載のプログラムであって、
前記補正処理は、さらに、角度補正を含み、
前記角度補正は、
前記対象生地を表す画像中の、糸によって形成される第１パターンが規則的に並ぶ方向である第１方向の第１基準方向に対する角度をアフィン変換によって第１特定角度に近づける第１補正と、
前記対象生地を表す画像中の、糸によって形成される第２パターンが規則的に並ぶ方向である第２方向の第２基準方向に対する角度をアフィン変換の剪断によって第２特定角度に近づける第２補正と、
の一方、または、両方を含み、
前記歪み補正は、前記角度補正による処理済の画像中の前記対象生地の歪みを補正する、
プログラム。
前記補正処理は、さらに、角度補正を含み、
前記角度補正は、
前記対象生地を表す画像中の、糸によって形成される第１パターンが規則的に並ぶ方向である第１方向の第１基準方向に対する角度をアフィン変換によって第１特定角度に近づける第１補正と、
前記対象生地を表す画像中の、糸によって形成される第２パターンが規則的に並ぶ方向である第２方向の第２基準方向に対する角度をアフィン変換の剪断によって第２特定角度に近づける第２補正と、
の一方、または、両方を含み、
前記歪み補正は、前記角度補正による処理済の画像中の前記対象生地の歪みを補正する、
プログラム。
【請求項13】
織物または編物である生地の欠陥の有無を判断するコンピュータのためのプログラムであって、
光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、
前記読取画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能と、
をコンピュータに実現させ、
前記機械学習モデルは、生地を表す第１種画像に、歪みの付与を含む画像処理を実行することによって得られる第２種画像を使用して訓練されている、
プログラム。
光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、
前記読取画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能と、
をコンピュータに実現させ、
前記機械学習モデルは、生地を表す第１種画像に、歪みの付与を含む画像処理を実行することによって得られる第２種画像を使用して訓練されている、
プログラム。
【請求項14】
請求項１３に記載のプログラムであって、
前記画像処理は、さらに、角度変更処理を含み、
前記角度変更処理は、
生地の画像中の糸によって形成される第１パターンが規則的に並ぶ方向である第１方向であって、処理対象の画像の前記第１方向の第１基準方向に対する角度をアフィン変換によって変更する第１変更処理と、
生地の画像中の糸によって形成される第２パターンが規則的に並ぶ方向である第２方向であって、処理対象の画像の前記第２方向の第２基準方向に対する角度をアフィン変換の剪断によって変更する第２変更処理と、
の一方、または、両方を含み、
前記歪みの付与は、前記角度変更処理による処理済の画像に歪みを付与する、
プログラム。
前記画像処理は、さらに、角度変更処理を含み、
前記角度変更処理は、
生地の画像中の糸によって形成される第１パターンが規則的に並ぶ方向である第１方向であって、処理対象の画像の前記第１方向の第１基準方向に対する角度をアフィン変換によって変更する第１変更処理と、
生地の画像中の糸によって形成される第２パターンが規則的に並ぶ方向である第２方向であって、処理対象の画像の前記第２方向の第２基準方向に対する角度をアフィン変換の剪断によって変更する第２変更処理と、
の一方、または、両方を含み、
前記歪みの付与は、前記角度変更処理による処理済の画像に歪みを付与する、
プログラム。
【請求項15】
織物または編物である生地の欠陥の有無を判断する判断装置であって、
光学的に読み取られた対象生地の画像である読取画像のデータを取得する取得部と、
前記読取画像の補正処理を行う補正部であって、前記補正処理は、前記対象生地を表す画像中の、糸によって形成される第１パターンが規則的に並ぶ方向である第１方向の第１基準方向に対する角度を第１特定角度に近づける第１補正を含む、前記補正部と、
前記補正処理による処理済の画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断部であって、前記機械学習モデルは、前記第１方向の角度が前記第１特定角度である生地の画像を使用して訓練されている、前記判断部と、
を備える判断装置。
光学的に読み取られた対象生地の画像である読取画像のデータを取得する取得部と、
前記読取画像の補正処理を行う補正部であって、前記補正処理は、前記対象生地を表す画像中の、糸によって形成される第１パターンが規則的に並ぶ方向である第１方向の第１基準方向に対する角度を第１特定角度に近づける第１補正を含む、前記補正部と、
前記補正処理による処理済の画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断部であって、前記機械学習モデルは、前記第１方向の角度が前記第１特定角度である生地の画像を使用して訓練されている、前記判断部と、
を備える判断装置。
【請求項16】
織物または編物である生地の欠陥の有無を判断する判断装置であって、
光学的に読み取られた対象生地の画像である読取画像のデータを取得する取得部と、
前記読取画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断部と、
を備え、
前記機械学習モデルは、生地を表す複数の訓練画像を使用して訓練されており、
前記複数の訓練画像は、前記複数の訓練画像の複数の第１方向の第１基準方向に対する角度の分布範囲が第１角度範囲であるように、構成され、前記第１方向は、生地の画像中の糸によって形成される第１パターンが規則的に並ぶ方向であり、
前記第１角度範囲は、前記対象生地の読取のために前記対象生地を搬送する搬送装置によって支持される生地の読取画像を使用して推定される前記生地の回転と斜行との一方または両方に基づく前記第１方向の角度の分布を使用して、決定される、
判断装置。
光学的に読み取られた対象生地の画像である読取画像のデータを取得する取得部と、
前記読取画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断部と、
を備え、
前記機械学習モデルは、生地を表す複数の訓練画像を使用して訓練されており、
前記複数の訓練画像は、前記複数の訓練画像の複数の第１方向の第１基準方向に対する角度の分布範囲が第１角度範囲であるように、構成され、前記第１方向は、生地の画像中の糸によって形成される第１パターンが規則的に並ぶ方向であり、
前記第１角度範囲は、前記対象生地の読取のために前記対象生地を搬送する搬送装置によって支持される生地の読取画像を使用して推定される前記生地の回転と斜行との一方または両方に基づく前記第１方向の角度の分布を使用して、決定される、
判断装置。
【請求項17】
織物または編物である生地の欠陥の有無を判断する判断装置であって、
光学的に読み取られた対象生地の画像である読取画像のデータを取得する取得部と、
前記読取画像の補正処理を行う補正部であって、前記補正処理は、前記対象生地を表す画像中の前記対象生地の歪みを補正する歪み補正を含む、前記補正部と、
前記補正処理による処理済の画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断部と、
を備える、判断装置。
光学的に読み取られた対象生地の画像である読取画像のデータを取得する取得部と、
前記読取画像の補正処理を行う補正部であって、前記補正処理は、前記対象生地を表す画像中の前記対象生地の歪みを補正する歪み補正を含む、前記補正部と、
前記補正処理による処理済の画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断部と、
を備える、判断装置。
【請求項18】
織物または編物である生地の欠陥の有無を判断する判断装置であって、
光学的に読み取られた対象生地の画像である読取画像のデータを取得する取得部と、
前記読取画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断部と、
を備え、
前記機械学習モデルは、生地を表す第１種画像に、歪みの付与を含む画像処理を実行することによって得られる第２種画像を使用して訓練されている、
判断装置。
光学的に読み取られた対象生地の画像である読取画像のデータを取得する取得部と、
前記読取画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断部と、
を備え、
前記機械学習モデルは、生地を表す第１種画像に、歪みの付与を含む画像処理を実行することによって得られる第２種画像を使用して訓練されている、
判断装置。
【発明の詳細な説明】
【技術分野】
【0001】
本明細書は、織物または編物である生地の欠陥の有無を判断する技術に関する。
【背景技術】
【0002】
材料表面の欠陥を識別するために機械学習を使用する技術が提案されている。例えば、特許文献１に記載の技術では、対象材料表面の画像をニューラルネットワークに入力して欠陥低減バージョンが生成され、欠陥低減バージョンと入力された画像とを比較して差異が識別され、識別された差異の位置で対象材料表面の欠陥が識別される。
【先行技術文献】
【特許文献】
【0003】
【特許文献1】特開２０２０－１８７７３５号公報
【発明の概要】
【発明が解決しようとする課題】
【0004】
織物または編物である生地の欠陥の有無を判断するために、生地の読取画像と機械学習モデルとが使用されてよい。ところが、生地の読取画像が使用される場合、種々の原因に起因して、機械学習モデルを使用して得られる判断結果の精度が低下し得る。例えば、読取画像中の生地の向きが、機械学習モデルに適する向きからズレ得る。このような生地の向きのズレは、判断結果の精度を低下させ得る。また、生地は、金属、硬質樹脂、ガラスなどの硬質な部材と比べて、変形し易い。例えば、生地が搬送される場合、生地には、斜行、歪み、などの変形が生じ得る。読取画像中の生地の変形は、判断結果の精度を低下させ得る。
【0005】
本明細書は、生地の欠陥の有無を適切に判断する技術を開示する。
【課題を解決するための手段】
【0006】
本明細書に開示された技術は、以下の適用例として実現することが可能である。
【0007】
［適用例１］織物または編物である生地の欠陥の有無を判断するコンピュータのためのプログラムであって、光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、前記読取画像の補正処理を行う補正機能であって、前記補正処理は、前記対象生地を表す画像中の、糸によって形成される第１パターンが規則的に並ぶ方向である第１方向の第１基準方向に対する角度を第１特定角度に近づける第１補正を含む、前記補正機能と、前記補正処理による処理済の画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能であって、前記機械学習モデルは、前記第１方向の角度が前記第１特定角度である生地の画像を使用して訓練されている、前記判断機能と、をコンピュータに実現させるプログラム。
【0008】
この構成によれば、読取画像によって表される生地によって示される第１方向の角度が第１特定角度からずれている場合であっても、生地の欠陥の有無を適切に判断できる。
【0009】
［適用例２］織物または編物である生地の欠陥の有無を判断するコンピュータのためのプログラムであって、光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、前記読取画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能と、をコンピュータに実現させ、前記機械学習モデルは、生地を表す複数の訓練画像を使用して訓練されており、前記複数の訓練画像は、前記複数の訓練画像の複数の第１方向の第１基準方向に対する角度の分布範囲が第１角度範囲であるように、構成され、前記第１方向は、生地の画像中の糸によって形成される第１パターンが規則的に並ぶ方向であり、前記第１角度範囲は、前記対象生地の読取のために前記対象生地を搬送する搬送装置によって支持される生地の読取画像を使用して推定される前記生地の回転と斜行との一方または両方に基づく前記第１方向の角度の分布を使用して、決定される、プログラム。
【0010】
この構成によれば、読取画像によって表される生地によって示される第１方向の角度が変化する場合であっても、生地の欠陥の有無を適切に判断できる。
【0011】
［適用例３］織物または編物である生地の欠陥の有無を判断するコンピュータのためのプログラムであって、光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、前記読取画像の補正処理を行う補正機能であって、前記補正処理は、前記対象生地を表す画像中の前記対象生地の歪みを補正する歪み補正を含む、前記補正機能と、前記補正処理による処理済の画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能と、をコンピュータに実現させるプログラム。
【0012】
この構成によれば、読取画像によって表される生地が歪みを有する場合であっても、生地の欠陥の有無を適切に判断できる。
【0013】
［適用例４］織物または編物である生地の欠陥の有無を判断するコンピュータのためのプログラムであって、光学的に読み取られた対象生地の画像である読取画像のデータを取得する機能と、前記読取画像を機械学習モデルに入力して前記対象生地の欠陥の有無を判断する判断機能と、をコンピュータに実現させ、前記機械学習モデルは、生地を表す第１種画像に、歪みの付与を含む画像処理を実行することによって得られる第２種画像を使用して訓練されている、プログラム。
【0014】
この構成によれば、読取画像によって表される生地が歪みを有する場合であっても、生地の欠陥の有無を適切に判断できる。
【0015】
なお、本明細書に開示の技術は、種々の態様で実現することが可能であり、例えば、欠陥の有無の判断方法および判断装置、機械学習モデルの生成方法および生成装置、それらの方法または装置の機能を実現するためのコンピュータプログラム、そのコンピュータプログラムを記録した記録媒体（例えば、一時的ではない記録媒体）、等の形態で実現することができる。
【図面の簡単な説明】
【0016】
【図1】一実施例としてのデータ処理装置を示す説明図である。
【図2】デジタルカメラ１１０と織物７００と搬送装置９００との斜視図である。
【図3】訓練処理の例を示すフロートチャートである。
【図4】（Ａ）－（Ｇ）は、訓練処理で処理される情報を示す図である。
【図5】第１角度ＡＡ１の推定処理の例を示すフローチャートである。
【図6】異常検知モデル３１０の例を示すブロック図である。
【図7】検査処理の例を示すフローチャートである。
【図8】（Ａ）－（Ｄ）は、ブロック画像と異常マップとの例を示す図である。
【図9】第２実施例の訓練処理の例を示すフローチャートである。
【図10】第１角度ＡＡ１の分布の例を示すヒストグラムである。
【図11】第２実施例の検査処理の例を示すフローチャートである。
【図12】第３実施例の訓練処理の例を示すフローチャートである。
【図13】第１角度ＡＣ１の推定処理の例を示すフローチャートである。
【図14】（Ａ）－（Ｅ）は、第１角度ＡＣ１に関連して処理される情報を示す図である。（Ｆ）－（Ｊ）は、第２角度ＡＣ２に関連して処理される情報を示す図である。
【図15】第２角度ＡＣ２の推定処理の例を示すフローチャートである。
【図16】第３実施例の検査処理の例を示すフローチャートである。
【図17】第４実施例の訓練処理の例を示すフローチャートである。
【図18】（Ａ）は、第１角度ＡＣ１の分布の例を示すヒストグラムである。（Ｂ）は、第２角度ＡＣ２の分布の例を示すヒストグラムである。
【図19】第５実施例の訓練処理の例を示すフローチャートである。
【図20】（Ａ）－（Ｅ）は、訓練処理で処理される情報を示す図である。
【図21】歪み補正モデル３２０の例を示すブロック図である。
【図22】第５実施例の検査処理の例を示すフローチャートである。
【図23】第６実施例の訓練処理の例を示すフローチャートである。
【図24】第６実施例の検査処理の例を示すフローチャートである。
【図25】キーポイントマッチングによる歪み補正の例を示す図である。
【図26】第７実施例の訓練処理の例を示すフローチャートである。
【図27】第８実施例の訓練処理の例を示すフローチャートである。
【図28】第８実施例の検査処理の例を示すフローチャートである。
【図29】第９実施例の訓練処理の例を示すフローチャートである。
【図30】編物のパターンの例を示す図である。
【発明を実施するための形態】
【0017】
Ａ．第１実施例：
Ａ１．装置構成：
図１は、一実施例としてのデータ処理装置を示す説明図である。データ処理装置２００は、例えば、パーソナルコンピュータである。データ処理装置２００は、対象物（例えば、織物または編物である生地）の外観の検査のための種々のデータ処理を行う。以下、織物７００の外観が検査されることとする。
Ａ１．装置構成：
図１は、一実施例としてのデータ処理装置を示す説明図である。データ処理装置２００は、例えば、パーソナルコンピュータである。データ処理装置２００は、対象物（例えば、織物または編物である生地）の外観の検査のための種々のデータ処理を行う。以下、織物７００の外観が検査されることとする。
【0018】
データ処理装置２００は、プロセッサ２１０と、記憶装置２１５と、表示部２４０と、操作部２５０と、グラフィックスプロセッシングユニット２６０（ＧＰＵ２６０と呼ぶ）と、通信インタフェース２７０と、を備えている。これらの要素は、バスを介して互いに接続されている。記憶装置２１５は、揮発性記憶装置２２０と、不揮発性記憶装置２３０と、を含んでいる。
【0019】
プロセッサ２１０は、データ処理を行うように構成された装置であり、例えば、Central Processing Unit（ＣＰＵ）、または、System on a chip（ＳｏＣ）である。揮発性記憶装置２２０は、例えば、ＤＲＡＭであり、不揮発性記憶装置２３０は、例えば、フラッシュメモリである。不揮発性記憶装置２３０は、訓練プログラム２３２と、検査プログラム２３３と、異常検知モデル３１０と、歪み補正モデル３２０と、のそれぞれのデータを格納している。異常検知モデル３１０と歪み補正モデル３２０とは、機械学習モデルを形成するプログラムモジュールである。プログラム２３２－２３３と、モデル３１０、３２０との詳細については、後述する。なお、歪み補正モデル３２０は、後述する他の実施例で使用される（本実施例では、省略される）。
【0020】
表示部２４０は、液晶ディスプレイ、有機ＥＬディスプレイなどの、画像を表示するように構成された装置である。操作部２５０は、ボタン、レバー、表示部２４０上に重ねて配置されたタッチパネルなどの、ユーザによる操作を受け取るように構成された装置である。表示部２４０と操作部２５０とは、いわゆるタッチスクリーンを形成してよい。ユーザは、操作部２５０を操作することによって、種々の要求と指示とをデータ処理装置２００に入力可能である。
【0021】
ＧＰＵ２６０は、画像処理、機械学習などの種々の数値演算を実行するように構成された演算装置である。ＧＰＵ２６０は、プロセッサ２１０の指示に従って、種々の演算を実行する。なお、ＧＰＵ２６０を制御するためのドライバプログラム（図示省略）は、ＧＰＵ２６０の製造者によって提供され得る。
【0022】
通信インタフェース２７０は、他の装置と通信するためのインタフェースである（例えば、ＵＳＢインタフェース、有線ＬＡＮインタフェース、IEEE802.11の無線インタフェース、産業用カメラのインタフェース（例えば、CameraLink、CoaXPressなど）、のうちの1種以上を含む）。通信インタフェース２７０には、デジタルカメラ１１０と搬送装置９００とが接続される。搬送装置９００は、織物７００を搬送する装置である。デジタルカメラ１１０は、織物７００の撮影に使用される。
【0023】
図２は、デジタルカメラ１１０と織物７００と搬送装置９００との斜視図である。本実施例では、織物７００は、搬送装置９００によって搬送される。搬送装置９００は、２個のローラ９１０、９２０を有している。織物７００は、２個のローラ９１０、９２０によって、案内される。２個のローラ９１０、９２０の間で、織物７００は、平らな部分を形成する。光源１２０は、織物７００の平らな部分に光を照射する。デジタルカメラ１１０の撮影方向Ｄ１１０は、織物７００の平らな部分を向いている。
【0024】
搬送装置９００は、第１ローラ９１０に接続されたロータリーエンコーダ９１２と、第２ローラ９２０に接続された駆動モーター９２２と、を有している。駆動モーター９２２は、第２ローラ９２０を回転させることによって、織物７００を第１ローラ９１０から第２ローラ９２０へ搬送する。データ処理装置２００は、ロータリーエンコーダ９１２からのデータを使用して、織物７００の搬送位置を取得できる。データ処理装置２００は、駆動モーター９２２を制御することによって、織物７００の搬送を制御できる。
【0025】
図２の下部には、織物７００のパターンの例が示されている。織物７００は、経糸Ｗｐと緯糸Ｗｆとを使用して、織られている。織物７００の織り方は、種々の織り方であり得る。図中のパターンＷ１、Ｗ２、Ｗ３は、「平織」、「綾織」、「朱子織」のパターンを、それぞれ示している。いずれの場合も、織物７００は、織り方に対応付けられるパターンが規則的に並ぶように、構成される。複数の特定パターンが特定の方向に向かっておおよそ等間隔で並ぶ場合に、特定パターンが特定の方向に規則的に並ぶといえる。デジタルカメラ１１０によって生成される織物７００の撮影画像は、織物７００の細かいパターンを表している。
【0026】
Ａ２．訓練処理：
図３は、異常検知モデル３１０（図１）の訓練処理の例を示すフロートチャートである。異常検知モデル３１０は、後述する検査処理で、織物７００の異常を検知するために使用される。異常検知モデル３１０は、異常を検知する任意のモデルであってよい。また、異常検知モデル３１０の訓練処理は、異常検知モデル３１０に適する任意の処理であってよい。
図３は、異常検知モデル３１０（図１）の訓練処理の例を示すフロートチャートである。異常検知モデル３１０は、後述する検査処理で、織物７００の異常を検知するために使用される。異常検知モデル３１０は、異常を検知する任意のモデルであってよい。また、異常検知モデル３１０の訓練処理は、異常検知モデル３１０に適する任意の処理であってよい。
【0027】
本実施例では、異常検知モデル３１０は、異常の無い訓練用の織物の画像を使用して、訓練される（異常検知モデル３１０の詳細については、後述）。ここで、訓練用の織物の撮影画像が使用されこととする。撮影画像中では、種々の原因に起因して、織物の画像が傾き得る（すなわち、織物の画像が回転し得る）。織物の画像の回転の原因は、例えば、搬送装置９００による織物の搬送方向に対するデジタルカメラ１１０の向きの調整の誤差と、搬送装置９００に対する織物７００の取り付け位置の誤差と、柔らかい織物の変形と、などがある。撮影画像中の織物の画像の意図しない回転は、異常検知モデル３１０を使用する検査の精度を低下させ得る。そこで、本実施例では、プロセッサ２１０は、訓練処理と検査処理とのそれぞれにおいて、撮影画像中の織物の画像の角度を補正する。
【0028】
作業者は、搬送装置９００に、訓練用の織物７００ｔを取り付ける（訓練織物７００ｔとも呼ぶ）。訓練織物７００ｔは、異常の無い織物７００である。そして、作業者は、データ処理装置２００（図１）の操作部２５０を操作して、訓練処理の開始指示を入力する。プロセッサ２１０は、指示に応じて、訓練プログラム２３２に従って、訓練処理を開始する。
【0029】
Ｓ１１０では、プロセッサ２１０は、デジタルカメラ１１０に撮影指示を供給する。デジタルカメラ１１０は、訓練織物７００ｔを撮影する。プロセッサ２１０は、デジタルカメラ１１０から、撮影画像データを取得する。
【0030】
図４（Ａ）－図４（Ｇ）は、訓練処理で処理される情報を示す図である。図４（Ａ）は、織物７００の撮影画像の例を示している。図中には、撮影画像Ｂａ１と、その一部分Ｂａ１Ｐの拡大図と、が示されている。撮影画像Ｂａ１は、第１方向Ｄｘに平行な２辺と、第１方向Ｄｘに垂直な第２方向Ｄｙに平行な２辺と、を有する矩形状の画像である。撮影画像Ｂａ１のデータは、画素毎のＲ（赤）、Ｇ（緑）、Ｂ（青）のそれぞれの成分の色値を表すカラーのビットマップデータである。なお、撮影画像データによって表される色成分は、Ｒ、Ｇ、Ｂに代えて、他の色成分（例えば、輝度値）であってよい。
【0031】
図示するように、撮影画像Ｂａ１は、互いに明るさが異なる第１部分Ｐａ１と第２部分Ｐａ２とを含んでいる。ここで、第１部分Ｐａ１は、明るい島状の部分であり、第２部分Ｐａ２は、暗い残りの部分であることとする。撮影画像Ｂａ１は、規則的に並ぶ複数の第１部分Ｐａ１を表している。第１部分Ｐａ１と第２部分Ｐａ２とによって表されるパターンは、緯糸Ｗｆと経糸Ｗｐ（図２）によって形成されるパターンを表している。例えば、織物７００の織り方が第３パターンＷ３を示す場合、緯糸Ｗｆは、経糸Ｗｐに囲まれる島状の部分を形成する。撮影画像Ｂａ１中では、第１部分Ｐａ１は、緯糸Ｗｆを示し得、第２部分Ｐａ２は、経糸Ｗｐを示し得る。
【0032】
図４（Ａ）には、２個の第１部分Ｐａ１と、それらの第１部分Ｐａ１を囲む第２部分Ｐａ２と、で構成されるパターンＰＴａが示されている。このパターンＰＴａは、糸Ｗｆ、Ｗｐによって形成されるパターンの例である。このパターンＰＴａは、右下に向かって規則的に並んでいる。図示を省略するが、撮影画像Ｂａ１上では、複数のパターンＰＴａが、右下に向かって線状に並ぶことによって、ラインＰＴＬを形成している。第１方向Ｄａは、ラインＰＴＬの延びる方向である。図示を省略するが、撮影画像Ｂａ１上で、複数のラインＰＴＬが、第２方向Ｄｙに並んでいる。
【0033】
Ｓ１３０（図３）では、プロセッサ２１０は、撮影画像を複数のブロック画像に分割する。１個のブロック画像のサイズ（すなわち、幅（第１方向Ｄｘの画素数）と高さ（第２方向Ｄｙの画素数））は、異常検知モデル３１０（図１）に受け入れられるサイズである。
【0034】
Ｓ１４０では、プロセッサ２１０は、各ブロック画像の第１角度ＡＡ１を推定する。図５は、第１角度ＡＡ１の推定処理の例を示すフローチャートである。Ｓ４１０では、プロセッサ２１０は、ブロック画像を二値化する。二値化の方法は、任意の方法であってよい（例えば、大津の二値化）。図４（Ｂ）は、二値化されたブロック画像の一部分を示している。図示するように、二値化画像Ｂａ２は、第１部分Ｐａ１と第２部分Ｐａ２とを表している。
【0035】
Ｓ４２０（図５）では、プロセッサ２１０は、二値化画像に含まれる複数の特徴点から、注目特徴点を選択する。本実施例では、島状の部分（ここでは、第１部分Ｐａ１）が、特徴点として使用される。プロセッサ２１０は、未処理の第１部分Ｐａ１を、注目特徴点として選択する。
【0036】
Ｓ４３０では、プロセッサ２１０は、注目特徴点の右下の領域から、最も近い特徴点を選択する。例えば、特徴点Ｐａ１ａ（図４（Ｂ））が注目特徴点である場合、注目特徴点Ｐａ１ａの右下の特徴点Ｐａ１ｂが選択される。これら２個の特徴点Ｐａ１ａ、Ｐａ１ｂは、パターンＰＴａを形成する。
【0037】
Ｓ４４０（図５）では、始点から終点へ至るベクトルＶａの角度ＡＡ１ｖを算出する。図４（Ｃ）は、ベクトルＶａの例を示している。ベクトルＶａは、始点Ｐｓから終点Ｐｅへ至るベクトルである。本実施例では、始点Ｐｓは、Ｓ４２０で選択される注目特徴点の重心位置であり、終点Ｐｅは、Ｓ４３０で選択される特徴点の重心位置である。角度ＡＡ１ｖは、基準方向に対するベクトルＶａの角度である。本実施例では、基準方向は、第１方向Ｄｘである（第１方向Ｄｘを、基準方向Ｄｘとも呼ぶ）。角度ＡＡ１ｖは、基準方向Ｄｘを時計回り方向に角度ＡＡ１ｖで回転させた方向がベクトルＶａの方向と同じとなる角度である。
【0038】
Ｓ４５０（図５）では、プロセッサ２１０は、全ての特徴点の処理が完了したか否かを判断する。未処理の特徴点が残っている場合（Ｓ４５０：Ｎｏ）、プロセッサ２１０は、Ｓ４２０へ移行して、新たな特徴点を処理する。図４（Ｄ）に示すように、プロセッサ２１０は、複数の第１部分Ｐａ１の複数のベクトルＶａのそれぞれの角度ＡＡ１ｖを算出する。
【0039】
全ての特徴点の処理が完了した場合（図５：Ｓ４５０：Ｙｅｓ）、Ｓ４６０で、プロセッサ２１０は、複数のベクトルＶａの複数の角度ＡＡ１ｖを使用して、ブロック画像の第１角度ＡＡ１を推定する。第１角度ＡＡ１は、複数の角度ＡＡ１ｖによって表される種々の代表的な角度であってよい。本実施例では、プロセッサ２１０は、角度ＡＡ１ｖのヒストグラムを生成する。図４（Ｅ）は、角度ＡＡ１ｖのヒストグラムの例を示している。横軸は、角度ＡＡ１ｖを示し、縦軸は、頻度Ｆを示している。なお、角度ＡＡ１ｖのゼロ度と３６０度とは同じ角度を示すこととする。後述する他の角度についても、同様である。プロセッサ２１０は、最大の頻度Ｆに対応付けられる角度を、第１角度ＡＡ１として採用する。
【0040】
第１角度ＡＡ１の推定方法は、他の種々の方法であってよい。例えば、プロセッサ２１０は、ヒストグラムを近似する近似曲線Ｃａｖを算出し、近似曲線Ｃａｖのピークの角度を第１角度ＡＡ１として採用してよい。近似曲線Ｃａｖは、種々の関数によって表されてよい（例えば、正規分布を表すガウス関数）。また、プロセッサ２１０は、複数の角度ＡＡ１ｖの種々の要約統計量（平均値、中央値、最頻値、など）を、第１角度ＡＡ１として採用してよい。
【0041】
図４（Ｂ）、図４（Ｃ）に示すように、ベクトルＶａは、パターンＰＴａを形成する２個の第１部分Ｐａ１（例えば、特徴点Ｐａ１ａ、Ｐａ１ｂ）の並ぶ方向を示している。複数のパターンＰＴａは、このベクトルＶａとおおよそ同じ方向に、規則的に並んでいる。第１角度ＡＡ１は、複数のパターンＰＴａが規則的に並ぶ方向（すなわち、複数のパターンＰＴａによって形成されるラインＰＴＬの延びる方向である第１方向Ｄａ）を示している。
【0042】
第１角度ＡＡ１の推定（図５：Ｓ４６０）の後、プロセッサ２１０は、図５の処理を終了する。なお、Ｓ１４０（図３）では、プロセッサ２１０は、ブロック画像毎に、第１角度ＡＡ１を決定する。全てのブロック画像の第１角度ＡＡ１が決定される場合、処理は、Ｓ１５０へ移行する。
【0043】
Ｓ１５０では、プロセッサ２１０は、第１角度ＡＡ１が第１特定角度ＡＡ１Ｚになるように、各ブロック画像の角度を補正する。本実施例では、第１特定角度ＡＡ１Ｚは、予め決められている。また、プロセッサ２１０は、ブロック画像の回転によって、第１角度ＡＡ１を補正する。
【0044】
図４（Ｃ）には、第１特定角度ＡＡ１Ｚの例が示されている。第１特定角度ＡＡ１Ｚは、角度ＡＡ１ｖと同様に、基準方向Ｄｘに対する角度を示している。方向Ｄａｚは、第１特定角度ＡＡ１Ｚによって定められる方向である（基準方向Ｄａｚと呼ぶ）。基準方向Ｄａｚとしては、典型的な第１角度ＡＡ１に対応付けられる方向が採用されることが好ましい。これにより、補正のためのブロック画像の回転角度を低減できる。
【0045】
図４（Ｆ）は、第１角度ＡＡ１の補正の例を示している。プロセッサ２１０は、第１角度ＡＡ１が第１特定角度ＡＡ１Ｚと同じになるように、ブロック画像Ｂａ３を回転する。この回転により、プロセッサ２１０は、補正済ブロック画像Ｂａ４のデータを生成する。回転の角度は、第１特定角度ＡＡ１Ｚと角度ＡＡ１ｖとの間の差分である。なお、回転の中心は、ブロック画像Ｂａ３の中心であってよい。また、補正済ブロック画像Ｂａ４の高さと幅とは、ブロック画像Ｂａ３の高さと幅と同じである。ブロック画像Ｂａ３のうち補正済ブロック画像Ｂａ４からはみ出た部分Ｐ３ａは、切り捨てられてよい。補正済ブロック画像Ｂａ４のうち、ブロック画像Ｂａ３が割り当てられない部分Ｐ４ａの画素の色は、所定の色（例えば、黒色）に設定されてよい。これに代えて、プロセッサ２１０は、Ｓ１１０（図３）で取得される元の撮影画像（すなわち、分割前の撮影画像）から、部分Ｐ４ａに対応する部分画像を取得し、取得した部分画像を部分Ｐ４ａに割り当ててよい。ここで、プロセッサ２１０は、ブロック画像Ｂａ３の回転角度で回転済の撮影画像から、部分画像を取得する。以下、補正済ブロック画像を、訓練ブロック画像と呼ぶ。
【0046】
後述するように、本実施例では、検査処理においても、第１角度ＡＡ１が第１特定角度ＡＡ１Ｚと同じになるように、画像が補正される。このような角度補正済の画像内において、織物７００の画像の小さい傾きが残り得る。例えば、織物７００は柔らかいので、画像内の一部分で織物７００の画像が傾き得る。そこで、本実施例では、プロセッサ２１０は、データオーグメンテーションによって、種々の第１角度ＡＡ１を示す複数の訓練画像のデータを生成する。
【0047】
Ｓ１５２（図３）では、プロセッサ２１０は、Ｓ１４０で得られる複数の第１角度ＡＡ１の分布を使用して、特定範囲ＡＡ１Ｓを決定する。図４（Ｇ）は、第１角度ＡＡ１の分布の例を示すヒストグラムである。横軸は、第１角度ＡＡ１を示し、縦軸は、頻度Ｆを示している。プロセッサ２１０は、複数の第１角度ＡＡ１のほとんどを含むように、基準範囲ＡＡ１Ａを決定する。プロセッサ２１０は、基準範囲ＡＡ１Ａの幅を狭めることによって、特定範囲ＡＡ１Ｓの幅（第１幅と呼ぶ）を決定する。例えば、プロセッサ２１０は、基準範囲ＡＡ１Ａの幅に、ゼロより大きく１未満の所定の第１係数（例えば、０．１以上、０．９以下）を乗じることによって、特定範囲ＡＡ１Ｓの第１幅を算出する。プロセッサ２１０は、第１特定角度ＡＡ１Ｚを中心とする第１幅の範囲を、特定範囲ＡＡ１Ｓとして採用する。第１係数は、角度補正済の画像内の織物７００の画像の傾きによって示される第１角度ＡＡ１が、特定範囲ＡＡ１Ｓに含まれるように、予め実験的に決定される。
【0048】
基準範囲ＡＡ１Ａの決定方法は、種々の方法であってよい。例えば、プロセッサ２１０は、複数の第１角度ＡＡ１を昇順に並べ、上位の一部（例えば、５％）と、下位の一部（例えば、５％）を除いた残りの第１角度ＡＡ１の分布範囲を、基準範囲ＡＡ１Ａとして採用してよい。また、プロセッサ２１０は、ヒストグラムを近似する近似曲線Ｃａａを算出し、近似曲線Ｃａａによって定められる範囲を基準範囲ＡＡ１Ａとして採用してよい。例えば、近似曲線Ｃａａは、正規分布を表すガウス関数によって表されてよい。そして、基準範囲ＡＡ１Ａは、正規分布の平均を中心とする標準偏差の４倍の幅を有する範囲であってよい。このように、プロセッサ２１０は、外れ値を除いた残りの複数の第１角度ＡＡ１を含むように、基準範囲ＡＡ１Ａを決定することが好ましい。いずれの場合も、特定範囲ＡＡ１Ｓとしては、第１特定角度ＡＡ１Ｚを含む範囲が採用される。
【0049】
Ｓ１５４（図３）では、プロセッサ２１０は、データオーグメンテーションによって、新たな複数の訓練ブロック画像のデータを生成する。本実施例では、プロセッサ２１０は、Ｓ１５０で生成される訓練ブロック画像（すなわち、補正済ブロック画像）を種々の角度で回転させることによって、複数の訓練ブロック画像を生成する。ここで、プロセッサ２１０は、最終的に得られる複数の訓練ブロック画像の複数の第１角度ＡＡ１が特定範囲ＡＡ１Ｓ内でおおよそ一様に分布するように、複数の訓練ブロック画像を生成する。Ｓ１５０では、複数の補正済ブロック画像が生成される。プロセッサ２１０は、複数の補正済ブロック画像を使用して、複数の訓練ブロック画像を生成する。画像の回転によって欠落部分（例えば、図４（Ｆ）の部分Ｐ４ａ）が生じる場合、Ｓ１５０（図３）で説明したように、プロセッサ２１０は、元の撮影画像（Ｓ１１０）を使用して欠落部分を補充してよい。
【0050】
ここで、プロセッサ２１０は、最終的にＮ枚（Ｎは２以上の整数）の訓練ブロック画像のデータを生成することとする。訓練ブロック画像の数Ｎは、異常検知モデル３１０の訓練に適する任意の数であってよい（例えば、数百程度、または、数千程度）。プロセッサ２１０は、Ｎ枚の訓練ブロック画像を生成するために、Ｓ１１０で、複数枚の撮影画像のデータを取得してよい。そして、Ｓ１３０では、プロセッサ２１０は、複数枚の撮影画像のそれぞれから、複数のブロック画像を取得してよい。ここで、複数枚の撮影画像の間で、訓練織物７００ｔのうちの撮影画像によって表される部分が異なることが好ましい。例えば、プロセッサ２１０は、織物７００ｔの撮影毎に、搬送装置９００に織物７００ｔを搬送させてよい。
【0051】
Ｓ２９０（図３）では、プロセッサ２１０は、Ｎ枚の訓練ブロック画像を使用して、異常検知モデル３１０を訓練する。図６は、異常検知モデル３１０の例を示すブロック図である。本実施例では、異常検知モデル３１０は、ＰａＤｉＭ（a Patch Distribution Modeling Framework for Anomaly Detection and Localization）と呼ばれる異常検知の技術を使用して構成されている。ＰａＤｉＭは、例えば、論文「T. Defard, A. Setkov, A. Loesch, and R. Audigier, “Padim: a patch distribution modeling framework for anomaly detection and localization”, arXiv:2011.08785(2020), https://arxiv.org/abs/2011.08785, 投稿日17 Nov 2020」に開示されている。
【0052】
ＰａＤｉＭの技術では、特徴抽出モデルを使用して画像データから特徴ベクトルが生成される。予め、正常な対象物を表す複数の画像データから複数の特徴ベクトルが生成され、複数の特徴ベクトルの分布を示す平均ベクトルと共分散行列とが算出される（平均ベクトルと共分散行列とのセットは、ガウシアンパラメータとも呼ばれる）。訓練処理によって、ガウシアンパラメータが算出される。検査処理では、検査対象の対象物を表す画像データから特徴ベクトルが生成される。そして、特徴ベクトルとガウシアンパラメータとから得られる距離（ここでは、マハラノビス距離）が、異常スコアとして算出される。
【0053】
本実施例では、画像を複数のクラスに分類するための画像分類モデル３１０ｔの一部分が、特徴抽出モデル３１０ａとして使用される。画像分類モデル３１０ｔには、入力画像データＩｄが入力される。入力画像データＩｄは、第１方向Ｄｘに平行な２辺と、第１方向Ｄｘに垂直な第２方向Ｄｙに平行な２辺と、を有する矩形状の画像を表すビットマップデータである。画像分類モデル３１０ｔは、入力画像データＩｄを使用して、入力画像データＩｄの種類（例えば、クラス毎の確信度）を示す出力データＯｄを生成する。
【0054】
画像分類モデル３１０ｔとしては、種々のモデルを採用可能である。本実施例では、画像分類モデル３１０ｔとして、ＲｅｓＮｅｔ１８と呼ばれる公知のモデルが使用される。ＲｅｓＮｅｔ１８は、例えば、論文「K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” in ICML, 2016.」に開示されている。
【0055】
実施例では、画像分類モデル３１０ｔは、複数の処理ブロックＢＣ１－ＢＣ４、ＢＦを含んでいる。処理ブロックＢＣ１－ＢＣ４は、それぞれ、Convolutional Neural Network（ＣＮＮ）である。処理ブロックＢＣ１－ＢＣ４は、それぞれ、１以上の畳込層を含む。処理ブロックＢＦは、１以上の全結合層を含む。処理ブロックＢＦは、１つ前の処理ブロックからの特徴マップの次元を削減することによって、出力データＯｄを生成する。
【0056】
画像分類モデル３１０ｔは、複数の演算パラメータを有している。例えば、各畳込層は、畳込演算に使用されるフィルタの重みとバイアスとを有している。各全結合層は、演算に使用される重みとバイアスとを有している。複数の演算パラメータは、画像分類モデル３１０ｔの訓練処理によって、調整される。なお、インターネット上では、種々の訓練済の画像分類モデルのデータが、公開されている。本実施例では、公開された訓練済の画像分類モデルのデータが、画像分類モデル３１０ｔとして使用される。訓練済の画像分類モデルは、多数の画像データ（例えば、1000クラスに分類されたImageNetと呼ばれるデータセット）を使用して、訓練済である。このような訓練済モデルは、織物７００の画像の特徴を、適切に、抽出できる。
【0057】
特徴ベクトルの生成には、画像分類モデル３１０ｔの複数の畳込層から得られる複数の特徴マップが使用される。本実施例では、プロセッサ２１０は、第１処理ブロックＢＣ１に含まれる畳込層からの第１特徴マップｆｍ１と、第２処理ブロックＢＣ２に含まれる畳込層からの第２特徴マップｆｍ２と、第３処理ブロックＢＣ３に含まれる畳込層からの第３特徴マップｆｍ３と、を使用する。異常検知モデル３１０に含まれる特徴抽出モデル３１０ａは、画像分類モデル３１０ｔのうちの最初の部分であって、処理ブロックＢＣ１－ＢＣ３を含む部分が、使用される。なお、特徴抽出モデル３１０ａは、画像分類モデル３１０ｔの全部を含んでもよい。
【0058】
特徴マップｆｍ１、ｆｍ２、ｆｍ３は、それぞれ、第１方向Ｄｘと第２方向Ｄｙとに沿って並ぶ複数の画素のそれぞれの特徴量を表している。幅Ｗは、第１特徴マップｆｍ１の第１方向Ｄｘの画素数を示し、高さＨは、第１特徴マップｆｍ１の第２方向Ｄｙの画素数を示している。特徴マップｆｍ１、ｆｍ２、ｆｍ３の間では、解像度が異なっている。解像度の高い順は、ｆｍ１、ｆｍ２、ｆｍ３の順である。
【0059】
図中の数ｎ１、ｎ２、ｎ３は、特徴マップｆｍ１、ｆｍ２、ｆｍ３のチャンネル数を、それぞれ、示している。ここで、ｎ１＜ｎ２＜ｎ３であることとする。
【0060】
プロセッサ２１０は、特徴マップｆｍ２、ｆｍ３を、公知の拡大処理（すなわち、解像度変換処理。例えば、ニアレストネイバ）によって、最大の特徴マップｆｍ１と同じ解像度を有する特徴マップｆｍ２ｒ、ｆｍ３ｒに変換する。解像度変換は、チャンネル毎に、行われる。これらの特徴マップｆｍ１、ｆｍ２ｒ、ｆｍ３ｒの全体は、Ｗ＊Ｈ＊（ｎ１＋ｎ２＋ｎ３）個の特徴量を表している。
【0061】
プロセッサ２１０は、特徴マップｆｍ１、ｆｍ２ｒ、ｆｍ３ｒのｎ１＋ｎ２＋ｎ３個のチャンネルのうちのＲ個のチャンネルを使用して特徴マトリクスＦＭを形成する（Ｒ＜ｎ１＋ｎ２＋ｎ３）。Ｒ個のチャンネルは、予め、選択されてよい。これに代えて、プロセッサ２１０は、ランダムに（例えば、乱数を使用して）、Ｒ個のチャンネルを選択してよい。特徴マトリクスＦＭは、Ｈ＊Ｗ＊Ｒ個の要素で構成される。特徴マトリクスＦＭは、Ｈ＊Ｗ個の画素のそれぞれの特徴ベクトルを表している。図中の特徴ベクトルｘｉｊは、位置（ｉ、ｊ）の特徴ベクトルを示している（ｉは、第１方向Ｄｘの画素位置を示し、ｊは、第２方向Ｄｙの画素位置を示す）。特徴ベクトルｘｉｊは、Ｒ個の要素を有するＲ次元ベクトルである。
【0062】
図６の下部には、Ｎ個の訓練ブロック画像ＴＩ１－ＴＩＮが示されている。プロセッサ２１０は、Ｎ個の訓練ブロック画像ＴＩ１－ＴＩＮを使用して、Ｎ個の特徴マトリクスＦＭを算出する。この結果、Ｈ＊Ｗ個の画素位置毎に、Ｎ個の特徴ベクトルが算出される。
【0063】
図６の下部には、Ｎ個の訓練ブロック画像ＴＩ１－ＴＩＮから算出されるＮ個の特徴ベクトルｘｉｊ，１－ｘｉｊ，Ｎが示されている。これらＮ個の特徴ベクトルは、位置（ｉ、ｊ）に対応付けられている。プロセッサ２１０は、Ｎ個の特徴ベクトルｘｉｊ，１－ｘｉｊ，Ｎを使用して、平均ベクトルμｉｊと、共分散行列Σｉｊとを、算出する。平均ベクトルμｉｊは、正常な織物７００ｔの画像から得られる平均的な特徴ベクトルｘｉｊを示している。共分散行列Σｉｊは、正常な織物７００ｔの画像から得られる複数の特徴ベクトルｘｉｊの要素間の共分散の行列である。なお、共分散行列Σｉｊは、ＰａＤｉＭの上記の論文に記載の計算式に従って、算出される。平均ベクトルμｉｊと共分散行列Σｉｊとのセットは、ガウシアンパラメータとも呼ばれる。
【0064】
プロセッサ２１０は、Ｈ＊Ｗ個の画素のそれぞれのガウシアンパラメータを算出する。これにより、プロセッサ２１０は、Ｈ＊Ｗ個のガウシアンパラメータで構成されるガウシアンマトリクスＧＭの各要素の値を決定する。プロセッサ２１０は、特徴抽出モデル３１０ａと、ガウシアンマトリクスＧＭと、を含む異常検知モデル３１０のデータを、記憶装置２１５（ここでは、不揮発性記憶装置２３０）に格納する。そして、プロセッサ２１０は、図３の訓練処理を終了する。以上のように、本実施例では、訓練処理によって、ガウシアンマトリクスＧＭの各要素の値が決定される。
【0065】
Ａ３．検査処理：
図７は、検査処理の例を示すフローチャートである。作業者は、搬送装置９００（図２）に、検査対象の織物７００（対象織物７００とも呼ぶ）を取り付ける。そして、作業者は、データ処理装置２００（図１）の操作部２５０を操作して、検査処理の開始指示を入力する。プロセッサ２１０は、指示に応じて、検査プログラム２３３に従って、検査処理を開始する。
図７は、検査処理の例を示すフローチャートである。作業者は、搬送装置９００（図２）に、検査対象の織物７００（対象織物７００とも呼ぶ）を取り付ける。そして、作業者は、データ処理装置２００（図１）の操作部２５０を操作して、検査処理の開始指示を入力する。プロセッサ２１０は、指示に応じて、検査プログラム２３３に従って、検査処理を開始する。
【0066】
Ｓ７１０では、プロセッサ２１０は、対象織物７００の未検査の部分を撮影できるように、駆動モーター９２２（図２）を制御することによって、対象織物７００を搬送する。なお、検査処理の開始後の最初のＳ７１０では、対象織物７００の搬送は省略されてよい。
【0067】
Ｓ７２０では、プロセッサ２１０は、デジタルカメラ１１０に撮影指示を供給する。デジタルカメラ１１０は、対象織物７００を撮影する。プロセッサ２１０は、デジタルカメラ１１０から、撮影画像データを取得する。
【0068】
Ｓ７３０では、プロセッサ２１０は、撮影画像を複数のブロック画像に分割する。分割方法は、Ｓ１３０（図３）での分割方法と同じである。
【0069】
Ｓ７４０では、プロセッサ２１０は、複数のブロック画像のそれぞれの第１角度ＡＡ１を推定する。第１角度ＡＡ１の推定方法は、Ｓ１４０（図３）での第１角度ＡＡ１の推定方法と同じである。
【0070】
Ｓ７５０では、プロセッサ２１０は、第１角度ＡＡ１が第１特定角度ＡＡ１Ｚになるように、各ブロック画像の角度を補正する。補正方法は、Ｓ１５０（図３）の補正方法と同じである。
【0071】
Ｓ８９０では、プロセッサ２１０は、補正済のブロック画像を異常検知モデル３１０に入力し、対象織物７００が異常（すなわち、欠陥）を有するか否かを判断する。判断方法は、異常検知モデル３１０に適する任意の方法であってよい。本実施例では、プロセッサ２１０は、ＰａＤｉＭの上記の論文に記載の方法で、Ｈ＊Ｗ個の位置のそれぞれの異常スコアを算出する。具体的には、プロセッサ２１０は、補正済のブロック画像を異常検知モデル３１０（図６）に入力することによって、特徴マトリクスＦＭを算出する。ここで、訓練時に使用されたＲ個のチャンネルが使用される。特徴マトリクスＦＭは、Ｈ＊Ｗ個の位置のそれぞれの特徴ベクトルを表している。プロセッサ２１０は、特徴ベクトルｘｉｊとガウシアンパラメータ（μｉｊ、Σｉｊ）とを使用して、異常スコアを算出する。異常スコアとしては、特徴ベクトルｘｉｊとガウシアンパラメータ（μｉｊ、Σｉｊ）との間のマハラノビス距離が、採用される（異常スコアの算出式としては、ＰａＤｉＭの上記の論文に記載されている算出式が、採用される）。異常スコアは、Ｈ＊Ｗ個の位置毎に、算出される。大きい異常スコアは、異常の高い可能性を示している。
【0072】
Ｈ＊Ｗ個の位置のそれぞれの異常スコアは、いわゆる異常マップ（ヒートマップとも呼ばれる）を形成する。図８（Ａ）－図８（Ｄ）は、ブロック画像と異常マップとの例を示す図である。なお、異常マップの解像度は、ブロック画像の解像度よりも低い。図中では、比較しやすいように、各画像は、同じサイズにサイズ調整されている。
【0073】
図８（Ａ）は、正常な対象織物７００ａのブロック画像ＢＩａと、異常マップＢＨａと、を表している。図示するように、異常マップＢＨａは、大きい異常スコアを有する異常部分を示していない。
【0074】
図８（Ｂ）は、線状の欠陥７０１ｂを有する対象織物７００ｂのブロック画像ＢＩｂと、異常マップＢＨｂと、を表している。このような欠陥７０１ｂは、種々の原因によって、形成され得る。例えば、糸（例えば、緯糸Ｗｆ、または、経糸Ｗｐ（図２））の不具合が、欠陥７０１ｂを形成し得る。また、対象織物７００ｂと他の部材（例えば、織物７００の運搬用の装置）との接触によって、欠陥７０１ｂが形成され得る。異常マップＢＨｂは、欠陥７０１ｂを示す線状の異常部分ＡＮｂを示している。
【0075】
図８（Ｃ）は、点状の欠陥７０１ｃを有する対象織物７００ｃのブロック画像ＢＩｃと、異常マップＢＨｃと、を表している。このような欠陥７０１ｃは、種々の原因によって、形成され得る。例えば、糸（例えば、緯糸Ｗｆ、または、経糸Ｗｐ（図２））のほつれが、欠陥７０１ｃを形成し得る。また、対象織物７００ｂと他の部材（例えば、織物７００の運搬用の装置）との接触によって、欠陥７０１ｃが形成され得る。異常マップＢＨｃは、欠陥７０１ｃを示す点状の異常部分ＡＮｃを示している。
【0076】
図８（Ｄ）は、汚れ７０１ｄを有する対象織物７００ｄのブロック画像ＢＩｄと、異常マップＢＨｄと、を表している。異常マップＢＨｄは、汚れ７０１ｄを示す異常部分ＡＮｄを示している。
【0077】
プロセッサ２１０は、複数のブロック画像の複数の位置のそれぞれの異常スコアを算出する。プロセッサ２１０は、複数の異常スコアを使用して、対象織物７００が異常を有すると判断するための異常条件が満たされるか否かを判断する。異常条件は、種々の条件であってよい。異常条件は、例えば、最大の異常スコアが第１閾値以上であることであってよい。第１閾値は、対象織物７００の異常を適切に検出するように、予め実験的に決定されてよい。また、異常条件は、第２閾値以上の異常スコアを有する画素の総数が第３閾値以上であることであってよい。第２閾値と第３閾値とは、対象織物７００の異常を適切に検出するように、予め実験的に決定されてよい。
【0078】
Ｓ８９４（図７）では、プロセッサ２１０は、異常条件が満たされるか否かを判断する。異常条件が満たされない場合（Ｓ８９４：Ｎｏ）、Ｓ８９６で、プロセッサ２１０は、搬送が完了したか否かを判断する。対象織物７００の未検査の部分が残っている場合、Ｓ８９６の判断結果はＮｏである。この場合、プロセッサ２１０は、Ｓ７１０へ移行し、対象織物７００の未検査の部分を検査する。搬送が完了した場合（Ｓ８９６：Ｙｅｓ）、プロセッサ２１０は、検査処理を終了する。
【0079】
Ｓ８９４で、異常条件が満たされる場合（Ｓ８９４：Ｙｅｓ）、Ｓ８９８で、プロセッサ２１０は、第１処理を実行する。第１処理は、異常に関連する任意の処理であってよい。本実施例では、プロセッサ２１０は、対象織物７００の搬送を停止し、異常を作業者に通知する。異常の通知方法は、種々の方法であってよい。例えば、プロセッサ２１０は、エラーメッセージ、または、異常マップを、表示部２４０に表示してよい。これに代えて、プロセッサ２１０は、図示しないスピーカから警告音を出力してよい。Ｓ８９８の後、プロセッサ２１０は、検査処理を終了する。
【0080】
以上のように、本実施例では、データ処理装置２００のプロセッサ２１０は、対象織物７００の欠陥の有無を判断するために、以下の処理を実行する。Ｓ７２０、Ｓ７３０（図７）では、プロセッサ２１０は、対象織物７００の撮影画像を表すブロック画像のデータを取得する。ブロック画像のデータは、光学的に読み取られた対象織物７００の画像である読取画像のデータの例である。Ｓ７５０では、プロセッサ２１０は、ブロック画像の補正処理を行う。図４（Ｆ）に示すように、補正処理は、基準方向Ｄｘに対する第１方向Ｄａ（図４（Ｆ））の第１角度ＡＡ１を第１特定角度ＡＡ１Ｚに近づける補正を含む。図４（Ａ）、図４（Ｆ）で説明したように、第１角度ＡＡ１は、対象織物７００を表す画像中の複数のパターンＰＴａが規則的に並ぶ方向である第１方向Ｄａを示している。パターンＰＴａは、糸Ｗｆ、Ｗｐによって形成される。Ｓ８９０では、プロセッサ２１０は、補正処理による処理済のブロック画像を異常検知モデル３１０に入力して対象織物７００の欠陥の有無を判断する。図３のＳ１５０、Ｓ２９０、図５で説明したように、異常検知モデル３１０（具体的には、ガウシアンマトリクスＧＭ）は、第１角度ＡＡ１が第１特定角度ＡＡ１Ｚである訓練織物７００ｔの画像（例えば、補正済ブロック画像Ｂａ４（図４（Ｆ）））を使用して訓練されている。
【0081】
この構成によれば、ブロック画像によって表される対象織物７００によって示される第１角度ＡＡ１が第１特定角度ＡＡ１Ｚからずれている場合であっても、第１角度ＡＡ１が第１特定角度ＡＡ１Ｚとなるようにブロック画像は補正される（ブロック画像は、撮影画像の例である）。また、複数の訓練ブロック画像は、第１角度ＡＡ１が第１特定角度ＡＡ１Ｚである訓練ブロック画像を含んでいる。従って、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0082】
また、本実施例では、図３で説明したように、異常検知モデル３１０は、訓練織物７００ｔを表す複数の訓練ブロック画像を使用して訓練されている。Ｓ１５２、Ｓ１５４で説明したように、複数の訓練ブロック画像は、複数の訓練ブロック画像の複数の第１角度ＡＡ１の分布範囲が第１特定角度ＡＡ１Ｚを含む特定範囲ＡＡ１Ｓであるように、構成されている。そして、Ｓ１５２（図３）、図４（Ｇ）で説明したように、特定範囲ＡＡ１Ｓは、訓練織物７００ｔの撮影画像を使用して推定される第１角度ＡＡ１の分布を使用して、決定される。ここで、訓練織物７００ｔは、対象織物７００の撮影のために対象織物７００を搬送する搬送装置９００によって支持される。また、第１角度ＡＡ１は、織物７００（例えば、訓練織物７００ｔ）の回転に基づく角度を示している。
【0083】
この構成によれば、補正済のブロック画像内において、対象織物７００の画像の傾きが残る場合であっても、異常検知モデル３１０は、そのような傾きを示す訓練ブロック画像を使用して訓練されているので、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0084】
また、特定範囲ＡＡ１Ｓは、訓練織物７００ｔの撮影画像を使用して推定される第１角度ＡＡ１の分布を使用して、決定される。従って、第１角度ＡＡ１の実際の分布の幅よりも広い特定範囲ＡＡ１Ｓの使用は、容易に回避できる。この結果、異常検知モデル３１０の訓練の負担は、低減可能である。
【0085】
なお、補正済のブロック画像内における対象織物７００の画像の傾きの影響（すなわち、検査結果に対する影響）が小さい場合、Ｓ１５２、Ｓ１５４は、省略されてよい。
【0086】
Ｂ．第２実施例：
Ｂ１．訓練処理：
図９は、第２実施例の訓練処理の例を示すフローチャートである。本実施例では、プロセッサ２１０は、互いに異なる第１角度ＡＡ１を示す複数の訓練ブロック画像を使用して、異常検知モデル３１０を訓練する。
Ｂ１．訓練処理：
図９は、第２実施例の訓練処理の例を示すフローチャートである。本実施例では、プロセッサ２１０は、互いに異なる第１角度ＡＡ１を示す複数の訓練ブロック画像を使用して、異常検知モデル３１０を訓練する。
【0087】
Ｓ１１０、Ｓ１３０、Ｓ１４０は、図３のＳ１１０、Ｓ１３０、Ｓ１４０と、それぞれ同じである。プロセッサ２１０は、正常な織物７００ｔを表す複数のブロック画像のそれぞれの第１角度ＡＡ１を推定する。
【0088】
Ｓ１４２ｂでは、プロセッサ２１０は、複数の第１角度ＡＡ１の分布を使用して、角度範囲ＡＡ１Ｒを決定する。角度範囲ＡＡ１Ｒは、後述するデータオーグメンテーションに使用される。図１０は、第１角度ＡＡ１の分布の例を示すヒストグラムである。横軸は、第１角度ＡＡ１を示し、縦軸は、頻度Ｆを示している。プロセッサ２１０は、複数の第１角度ＡＡ１のほとんどを含むように、角度範囲ＡＡ１Ｒ（具体的には、下限ＡＡ１Ｌと上限ＡＡ１Ｈ）を決定する。角度範囲ＡＡ１Ｒの決定方法は、Ｓ１５２（図３）で説明した基準範囲ＡＡ１Ａ（図４（Ｇ））の決定方法と同じであってよい。
【0089】
Ｓ１４４ｂでは、プロセッサ２１０は、第１特定角度ＡＡ１Ｚを決定する。本実施例では、プロセッサ２１０は、角度範囲ＡＡ１Ｒの中心の値（すなわち、下限ＡＡ１Ｌと上限ＡＡ１Ｈとの平均値）を、第１特定角度ＡＡ１Ｚとして採用する。
【0090】
Ｓ１５０は、図３のＳ１５０と同じである。プロセッサ２１０は、第１角度ＡＡ１が第１特定角度ＡＡ１Ｚになるように、各ブロック画像の角度を補正する。
【0091】
Ｓ１５４ｂでは、プロセッサ２１０は、データオーグメンテーションによって、複数の訓練ブロック画像のデータを生成する。本実施例では、プロセッサ２１０は、Ｓ１５０で生成される補正済ブロック画像を種々の角度で回転させることによって、複数の訓練ブロック画像を生成する。
【0092】
ここで、プロセッサ２１０は、最終的に得られる複数の訓練ブロック画像の複数の第１角度ＡＡ１が角度範囲ＡＡ１Ｒ内でおおよそ一様に分布するように、複数の訓練ブロック画像のデータを生成する。例えば、プロセッサ２１０は、回転によって第１特定角度ＡＡ１Ｚから得られる複数の角度（複数の第１角度ＡＡ１に相当する）が、角度範囲ＡＡ１Ｒ内でおおよそ一様に分布するように、複数の訓練ブロック画像のそれぞれの回転の角度をランダムに決定する。
【0093】
上述したように、Ｓ１５０では、複数の補正済ブロック画像のデータが生成される。プロセッサ２１０は、複数の補正済ブロック画像を使用して、複数の訓練ブロック画像を生成する。画像の回転によって欠落部分（例えば、図４（Ｆ）の部分Ｐ４ａ）が生じる場合、Ｓ１５０（図３）で説明したように、プロセッサ２１０は、元の撮影画像（Ｓ１１０）を使用して欠落部分を補充してよい。
【0094】
また、プロセッサ２１０は、図３の実施例と同様に、Ｎ枚の訓練ブロック画像を生成するために、Ｓ１１０で、複数枚の撮影画像のデータを取得してよい。
【0095】
Ｓ２９０は、図３のＳ２９０と同じである。プロセッサ２１０は、Ｎ枚の訓練ブロック画像を使用して、異常検知モデル３１０（ここでは、ガウシアンマトリクスＧＭ）を訓練する。そして、プロセッサ２１０は、図９の処理を終了する。
【0096】
【0097】
Ｓ７１０、Ｓ７２０、Ｓ７３０は、図７のＳ７１０、Ｓ７２０、Ｓ７３０と、それぞれ同じである。プロセッサ２１０は、撮影画像を複数のブロック画像に分割する。
【0098】
Ｓ８９０ｂでは、プロセッサ２１０は、複数のブロック画像のそれぞれを異常検知モデル３１０に入力し、対象織物７００が異常を有するか否かを判断する。図７のＳ８９０との差違は、補正済のブロック画像に代えて、補正されていないブロック画像が使用される点だけである。
【0099】
Ｓ８９０ｂの後のＳ８９４、Ｓ８９６、Ｓ８９８は、図７のＳ８９４、Ｓ８９６、Ｓ８９８と、それぞれ同じである。Ｓ８９６の判断結果がＮｏである場合、プロセッサ２１０は、Ｓ７１０へ移行する。
【0100】
以上のように、本実施例では、プロセッサ２１０は、対象織物７００の欠陥の有無を判断するために、以下の処理を実行する。Ｓ７２０、Ｓ７３０（図１１）では、プロセッサ２１０は、対象織物７００の撮影画像を表すブロック画像のデータを取得する。Ｓ８９０ｂでは、プロセッサ２１０は、ブロック画像を異常検知モデル３１０に入力して対象生地の欠陥の有無を判断する。図９で説明したように、異常検知モデル３１０は、訓練織物７００ｔを表す複数の訓練ブロック画像を使用して訓練されている。複数の訓練ブロック画像のデータは、Ｓ１５４ｂのデータオーグメンテーションによって生成される。本実施例では、データオーグメンテーションによって、訓練ブロック画像の第１角度ＡＡ１が変化する。図４（Ａ）、図４（Ｆ）で説明したように、第１角度ＡＡ１は、織物７００の画像内において、複数のパターンＰＴａが規則的に並ぶ方向（すなわち、複数のパターンＰＴａによって形成されるラインＰＴＬの延びる第１方向Ｄａ）を示している。パターンＰＴａは、糸Ｗｆ、Ｗｐによって形成される。Ｓ１５４ｂで説明したように、複数の訓練ブロック画像は、複数の訓練ブロック画像の複数の第１方向Ｄａの基準方向Ｄａｚに対する第１角度ＡＡ１の分布範囲が角度範囲ＡＡ１Ｒであるように、構成されている。Ｓ１５４ｂ、図１０で説明したように、角度範囲ＡＡ１Ｒは、訓練織物７００ｔの撮影画像を使用して推定される第１角度ＡＡ１の分布を使用して、決定される。ここで、訓練織物７００ｔは、対象織物７００の撮影のために対象織物７００を搬送する搬送装置９００によって支持される。また、第１角度ＡＡ１は、織物７００（例えば、訓練織物７００ｔ）の回転に基づく第１方向Ｄａの角度を示している。
【0101】
この構成によれば、複数の訓練ブロック画像の複数の第１角度ＡＡ１の分布範囲が角度範囲ＡＡ１Ｒであるように、複数の訓練ブロック画像が構成され、角度範囲ＡＡ１Ｒは、撮影画像を使用して推定される第１角度ＡＡ１の分布を使用して決定される。従って、撮影画像によって表される対象織物７００によって示される第１角度ＡＡ１が変化する場合であっても、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。また、第１角度ＡＡ１の実際の分布の幅よりも広い角度範囲ＡＡ１Ｒの使用は、容易に回避できる。この結果、異常検知モデル３１０の訓練の負担は、低減可能である。
【0102】
Ｃ．第３実施例：
Ｃ１．訓練処理：
図１２は、第３実施例の訓練処理の例を示すフローチャートである。図３の実施例との差違は、織物７００の画像の回転による傾きに加えて、織物７００の斜行（スキュー）が補正される点である。織物７００には、種々の原因に起因して、斜行が生じ得る。織物７００の斜行の原因は、例えば、織物７００の製造工程における織物７００に対する不均一な力の印加、搬送装置９００に対する織物７００の取り付け位置の誤差、柔らかい織物７００の変形、などがある。なお、角度のデータオーグメンテーション（Ｓ１５２、Ｓ１５４（図３））は、省略される。
Ｃ１．訓練処理：
図１２は、第３実施例の訓練処理の例を示すフローチャートである。図３の実施例との差違は、織物７００の画像の回転による傾きに加えて、織物７００の斜行（スキュー）が補正される点である。織物７００には、種々の原因に起因して、斜行が生じ得る。織物７００の斜行の原因は、例えば、織物７００の製造工程における織物７００に対する不均一な力の印加、搬送装置９００に対する織物７００の取り付け位置の誤差、柔らかい織物７００の変形、などがある。なお、角度のデータオーグメンテーション（Ｓ１５２、Ｓ１５４（図３））は、省略される。
【0103】
Ｓ１１０、Ｓ１３０は、図３のＳ１１０、Ｓ１３０と、それぞれ同じである。プロセッサ２１０は、撮影画像を複数のブロック画像に分割する。
【0104】
Ｓ１４０ｃでは、プロセッサ２１０は、各ブロック画像の第１角度ＡＣ１を推定する。本実施例では、第１角度ＡＣ１は、図４（Ｆ）の第１角度ＡＡ１とは異なり、第１方向Ｄｘにおおよそ平行な方向を示している（詳細は、後述）。
【0105】
【0106】
図１４（Ａ）－図１４（Ｅ）は、第１角度ＡＣ１に関連して処理される情報を示す図である。図１４（Ａ）は、二値化されたブロック画像の一部分の例を示している。二値化画像Ｂｃ２は、明るい島状の部分である複数の第１部分Ｐｃ１と、暗い残りの部分である第２部分Ｐｃ２と、を表している。二値化画像Ｂｃ２は、複数の第１部分Ｐｃ１と第２部分Ｐｃ２とによって表されるパターンを表している。このパターンは、糸Ｗｆ、Ｗｐ（図２）によって形成されるパターンである。
【0107】
図１４（Ａ）には、２個の第１部分Ｐｃ１（例えば、第１部分Ｐｃ１１、Ｐｃ１２）と、それらの第１部分Ｐｃ１を囲む第２部分Ｐｃ２と、で構成される第１パターンＰＴｃ１が示されている。この第１パターンＰＴｃ１は、糸Ｗｆ、Ｗｐによって形成されるパターンの例である。複数の第１パターンＰＴｃ１は、第１方向Ｄｘにおおよそ平行な方向に向かって規則的に並んでいる。複数の第１パターンＰＴｃ１は、第１方向Ｄｘにおおよそ平行な方向に向かって線状に並ぶことによって、ラインＰＴＬｃ１を形成する。第１方向Ｄｃ１は、ラインＰＴＬｃ１の延びる方向である。図示を省略するが、二値化画像Ｂｃ２上で、複数のラインＰＴＬｃ１は、第２方向Ｄｙに並んでいる。撮影画像上においても、複数のラインＰＴＬｃ１は、第２方向Ｄｙに並んでいる。
【0108】
【0109】
Ｓ４３０ｃ１では、プロセッサ２１０は、注目特徴点の第１方向Ｄｘに位置する検索領域から、特徴点を選択する。図１４（Ｂ）は、注目特徴点Ｐｃ１１と選択領域ＳＡ１１を示している。本実施例では、選択領域ＳＡ１１は、円形状の領域である。選択領域ＳＡ１１の中心Ｐｃ１１ｓは、注目特徴点Ｐｃ１１の重心位置Ｐｃ１１ｃから、第１方向Ｄｘへ、距離Ｄｓ１離れた位置に配置される。値Ｒｃ１は、選択領域ＳＡ１１の半径を示している。図１４（Ａ）に示すように、注目特徴点Ｐｃ１１に対応付けられる選択領域ＳＡ１１には、第１部分Ｐｃ１２が含まれる。プロセッサ２１０は、この選択領域ＳＡ１１から第１部分Ｐｃ１２を選択する。
【0110】
距離Ｄｓ１と半径Ｒｃ１とは、選択領域ＳＡ１１が１個の第１部分Ｐｃ１の全体を含み得るとともに、２個の第１部分Ｐｃ１の全体を含まないように、織物７００に合わせて予め実験的に決定される。なお、選択領域ＳＡ１１には、１以上の第１部分Ｐｃ１が接し得る。プロセッサ２１０は、選択領域ＳＡ１１に接する１以上の第１部分Ｐｃ１から、選択領域ＳＡ１１に含まれる部分の大きさ（例えば、画素数）が最も大きい第１部分Ｐｃ１を選択する。
【0111】
Ｓ４４０ｃ１では、プロセッサ２１０は、始点から終点へ至るベクトルＶｃ１の角度ＡＣ１ｖを算出する。図１４（Ｃ）は、ベクトルＶｃ１の例を示している。ベクトルＶｃ１の決定方法は、図４（Ｃ）のベクトルＶａの決定方法と、同じである。ベクトルＶｃ１の始点Ｐｃ１ｓは、Ｓ４２０で選択される注目特徴点Ｐｃ１（例えば、第１部分Ｐｃ１１）の重心位置であり、ベクトルＶｃ１の終点Ｐｃ１ｅは、Ｓ４３０ｃ１で選択される特徴点Ｐｃ１（例えば、第１部分Ｐｃ１２）の重心位置である。角度ＡＣ１ｖの算出方法は、図４（Ｃ）の角度ＡＡ１ｖの算出方法と同じである。本実施例では、角度ＡＣ１ｖの基準方向は、第１方向Ｄｘである。
【0112】
【0113】
全ての特徴点の処理が完了した場合（Ｓ４５０：Ｙｅｓ）、Ｓ４６０ｃ１で、プロセッサ２１０は、複数のベクトルＶｃ１の複数の角度ＡＣ１ｖを使用して、ブロック画像の第１角度ＡＣ１を推定する。第１角度ＡＣ１の推定方法は、図５のＳ４６０の第１角度ＡＡ１の推定方法と同じである。図１４（Ｄ）は、角度ＡＣ１ｖのヒストグラムの例を示している。プロセッサ２１０は、最大の頻度Ｆに対応付けられる角度を、第１角度ＡＣ１として採用する。第１角度ＡＣ１の推定方法は、他の種々の方法であってよい（例えば、近似曲線Ｃｃｖ１を使用する方法、複数の角度ＡＣ１ｖの種々の要約統計量（平均値、中央値、最頻値、など）を採用する方法、など）。
【0114】
図１４（Ａ）に示すように、ベクトルＶｃ１は、第１パターンＰＴｃ１を形成する２個の第１部分Ｐｃ１（例えば、特徴点Ｐｃ１１、Ｐｃ１２）の並ぶ方向を示している。複数の第１パターンＰＴｃ１は、このベクトルＶｃ１とおおよそ同じ方向に、規則的に並んでいる。第１角度ＡＣ１は、複数の第１パターンＰＴｃ１が規則的に並ぶ方向（すなわち、複数の第１パターンＰＴｃ１によって形成されるラインＰＴＬｃ１の延びる方向である第１方向Ｄｃ１）を示している。
【0115】
第１角度ＡＣ１の推定（図１３：Ｓ４６０ｃ１）の後、プロセッサ２１０は、図１３の処理を終了する。なお、Ｓ１４０ｃ（図１２）では、プロセッサ２１０は、複数のブロック画像のそれぞれの第１角度ＡＣ１を推定する。
【0116】
Ｓ１５０ｃでは、プロセッサ２１０は、第１角度ＡＣ１が第１特定角度ＡＣ１Ｚになるように、各ブロック画像の角度を補正する。本実施例では、第１特定角度ＡＣ１Ｚの方向は、典型的な第１角度ＡＡ１に対応付けられる方向に、予め決定される（本実施例では、＋Ｄｘ方向）。以下、＋Ｄｘ方向を、第１基準方向とも呼ぶ。角度の補正方法は、Ｓ１５０（図５）、図４（Ｆ）の補正方法と同じである。図１４（Ｅ）は、第１角度ＡＣ１の補正の例を示している。プロセッサ２１０は、第１角度ＡＣ１が第１特定角度ＡＣ１Ｚと同じになるように、ブロック画像Ｂｃ３を回転することによって、補正済ブロック画像Ｂｃ４のデータを生成する。
【0117】
以上のＳ１４０ｃ、Ｓ１５０ｃ（図１２）によって、プロセッサ２１０は、ブロック画像の回転に基づく角度を補正する。Ｓ１６０ｃ、Ｓ１７０ｃ（図１２）は、プロセッサ２１０は、補正済ブロック画像の剪断（スキューとも呼ばれる）に基づく角度を補正する。
【0118】
Ｓ１６０ｃでは、プロセッサ２１０は、各補正済ブロック画像の第２角度ＡＣ２を推定する。第２角度ＡＣ２は、第２方向Ｄｙにおおよそ平行な方向を示している。処理対象のブロック画像は、Ｓ１５０ｃによる補正済のブロック画像である。
【0119】
図１５は、第２角度ＡＣ２の推定処理の例を示すフローチャートである。Ｓ４１０ｃ２では、プロセッサ２１０は、Ｓ１５０ｃ（図１２）の補正済ブロック画像の二値化画像を取得する。プロセッサ２１０は、補正済ブロック画像の二値化によって、二値化画像のデータを取得してよい。これに代えて、プロセッサ２１０は、Ｓ４１０（図１３）で生成される二値化画像を、Ｓ１５０ｃ（図１２）と同じ角度で回転することによって、補正済ブロック画像の二値化画像のデータを取得してよい。
【0120】
図１４（Ｆ）－図１４（Ｊ）は、第２角度ＡＣ２に関連して処理される情報を示す図である。図１４（Ｆ）は、二値化されたブロック画像の一部分の例を示している。二値化画像Ｂｃ２ｒは、明るい島状の部分である複数の第１部分Ｐｃ１と、暗い残りの部分である第２部分Ｐｃ２と、を表している。
【0121】
図１４（Ｆ）には、２個の第１部分Ｐｃ１（例えば、第１部分Ｐｃ２１、Ｐｃ２２）と、それらの第１部分Ｐｃ１を囲む第２部分Ｐｃ２と、で構成される第２パターンＰＴｃ２が示されている。この第２パターンＰＴｃ２は、糸Ｗｆ、Ｗｐによって形成されるパターンの例である。図示を省略するが、複数の第２パターンＰＴｃ２は、－Ｄｙ方向におおよそ平行な方向に向かって規則的に並んでいる。複数の第２パターンＰＴｃ２は、－Ｄｙ方向におおよそ平行な方向に向かって線状に並ぶことによって、ラインＰＴＬｃ２を形成する。第２方向Ｄｃ２は、ラインＰＴＬｃ２の延びる方向である。図示を省略するが、二値化画像Ｂｃ２ｒ上で、複数のラインＰＴＬｃ２は、第１方向Ｄｘに並んでいる。撮影画像上においても、複数のラインＰＴＬｃ２は、第１方向Ｄｘに並んでいる。
【0122】
【0123】
Ｓ４３０ｃ２では、プロセッサ２１０は、注目特徴点の－Ｄｙ方向に位置する検索領域から、特徴点を選択する。図１４（Ｇ）は、注目特徴点Ｐｃ２１と選択領域ＳＡ２１を示している。本実施例では、選択領域ＳＡ２１は、円形状の領域である。選択領域ＳＡ２１の中心Ｐｃ２１ｓは、注目特徴点Ｐｃ２１の重心位置Ｐｃ２１ｃから、－Ｄｙ方向へ、距離Ｄｓ２離れた位置に配置される。値Ｒｃ２は、選択領域ＳＡ２１の半径を示している。図１４（Ｆ）に示すように、注目特徴点Ｐｃ２１に対応付けられる選択領域ＳＡ２１には、第１部分Ｐｃ２２が含まれる。プロセッサ２１０は、この選択領域ＳＡ２１から第１部分Ｐｃ２２を選択する。
【0124】
距離Ｄｓ２と半径Ｒｃ２との決定方法は、図１４（Ｂ）の距離Ｄｓ１と半径Ｒｃ１との決定方法と、それぞれ同様である。また、プロセッサ２１０は、選択領域ＳＡ２１に接する１以上の第１部分Ｐｃ１から、選択領域ＳＡ２１に含まれる部分の大きさ（例えば、画素数）が最も大きい第１部分Ｐｃ１を選択する。
【0125】
Ｓ４４０ｃ２では、プロセッサ２１０は、始点から終点へ至るベクトルＶｃ２の角度ＡＣ２ｖを算出する。図１４（Ｈ）は、ベクトルＶｃ２の例を示している。ベクトルＶｃ２の決定方法は、図４（Ｃ）のベクトルＶａの決定方法と、同じである。ベクトルＶｃ２の始点Ｐｃ２ｓは、Ｓ４２０（図１５）で選択される注目特徴点Ｐｃ１（例えば、第１部分Ｐｃ２１）の重心位置であり、ベクトルＶｃ２の終点Ｐｃ２ｅは、Ｓ４３０ｃ２で選択される特徴点Ｐｃ２（例えば、第１部分Ｐｃ２２）の重心位置である。角度ＡＣ２ｖの算出方法は、図４（Ｃ）の角度ＡＡ１ｖの算出方法と同じである。本実施例では、角度ＡＣ２ｖの基準方向は、－Ｄｙ方向である。
【0126】
【0127】
全ての特徴点の処理が完了した場合（Ｓ４５０：Ｙｅｓ）、Ｓ４６０ｃ２で、プロセッサ２１０は、複数のベクトルＶｃ２の複数の角度ＡＣ２ｖを使用して、ブロック画像の第２角度ＡＣ２を推定する。第２角度ＡＣ２の推定方法は、図５のＳ４６０の第１角度ＡＡ１の推定方法と同じである。図１４（Ｉ）は、角度ＡＣ２ｖのヒストグラムの例を示している。プロセッサ２１０は、最大の頻度Ｆに対応付けられる角度を、第２角度ＡＣ２として採用する。第２角度ＡＣ２の推定方法は、他の種々の方法であってよい（例えば、近似曲線Ｃｃｖ２を使用する方法、複数の角度ＡＣ２ｖの種々の要約統計量（平均値、中央値、最頻値、など）を採用する方法、など）。
【0128】
図１４（Ｆ）に示すように、ベクトルＶｃ２は、第２パターンＰＴｃ２を形成する２個の第１部分Ｐｃ１（例えば、特徴点Ｐｃ２１、Ｐｃ２２）の並ぶ方向を示している。複数の第２パターンＰＴｃ２は、このベクトルＶｃ２とおおよそ同じ方向に、規則的に並んでいる。第２角度ＡＣ２は、複数の第２パターンＰＴｃ２が規則的に並ぶ方向（すなわち、複数の第２パターンＰＴｃ２によって形成されるラインＰＴＬｃ２の延びる方向である第２方向Ｄｃ２）を示している。
【0129】
第２角度ＡＣ２の推定（図１５：Ｓ４６０ｃ２）の後、プロセッサ２１０は、図１５の処理を終了する。なお、Ｓ１６０ｃ（図１２）では、プロセッサ２１０は、複数のブロック画像のそれぞれの第２角度ＡＣ２を推定する。
【0130】
Ｓ１７０ｃでは、プロセッサ２１０は、第２角度ＡＣ２が第２特定角度ＡＣ２Ｚになるように、各補正済ブロック画像の角度を補正する。本実施例では、第２特定角度ＡＣ２Ｚの方向は、典型的な第２角度ＡＡ２に対応付けられる方向に、予め決定される（本実施例では、－Ｄｙ方向）。以下、－Ｄｙ方向を、第２基準方向とも呼ぶ。また、プロセッサ２１０は、ブロック画像の剪断（スキューとも呼ばれる）によって、第２角度ＡＣ２を補正する。
【0131】
図１４（Ｊ）は、第２角度ＡＣ２の補正の例を示している。プロセッサ２１０は、第２角度ＡＣ２が第２特定角度ＡＣ２Ｚと同じになるように、Ｓ１５０ｃ（図１２）で生成される補正済ブロック画像Ｂｃ４の剪断変換によって、新たな補正済ブロック画像Ｂｃ５のデータを生成する（剪断変換は、アフィン変換の一種である）。剪断変換の処理としては、種々の処理を採用可能である。例えば、プロセッサ２１０は、補正済ブロック画像Ｂｃ４の第１方向Ｄｘに平行な画素ライン（例えば、画素ラインＰＬｃ）を、第１方向Ｄｘに平行に移動させてよい。移動量は、予め決められた基準画素ライン（例えば、＋Ｄｙ方向の端の画素ラインＰＬｃｓ）からの距離に比例する値に設定されてよい。比例係数は、剪断変換による第２角度ＡＣ２の変化量を示しており、第２角度ＡＣ２と第２特定角度ＡＣ２Ｚとの間の差分に対応付けられている。画像の剪断変換によって欠落部分（例えば、部分Ｐ５ｃ）が生じる場合、Ｓ１５０（図３）で説明したように、プロセッサ２１０は、元の撮影画像（Ｓ１１０（図１２））を使用して欠落部分を補充してよい。
【0132】
以上のように、回転に基づく角度の補正（Ｓ１４０ｃ、Ｓ１５０ｃ）と、剪断に基づく角度の補正（Ｓ１６０ｃ、Ｓ１７０ｃ）とが行われる。以下、これらの処理による補正済ブロック画像を、訓練ブロック画像と呼ぶ。プロセッサ２１０は、Ｎ枚の訓練ブロック画像のデータを生成する。プロセッサ２１０は、図３の実施例と同様に、Ｎ枚の訓練ブロック画像を生成するために、Ｓ１１０で、複数枚の撮影画像のデータを取得してよい。また、プロセッサ２１０は、データオーグメンテーションによって、訓練ブロック画像の総数を増やしてよい。データオーグメンテーションの処理は、拡大処理、縮小処理、回転処理など、種々の処理を含んでよい。
【0133】
Ｓ２９０は、図３のＳ２９０と同じである。プロセッサ２１０は、Ｎ枚の訓練ブロック画像を使用して、異常検知モデル３１０（ここでは、ガウシアンマトリクスＧＭ）を訓練する。そして、プロセッサ２１０は、図１２の処理を終了する。
【0134】
Ｃ２．検査処理：
図１６は、第３実施例の検査処理の例を示すフローチャートである。図７の検査処理との主な差違は、回転による第１角度ＡＣ１の補正に加えて、剪断変換による第２角度ＡＣ２の補正が行われる点である。
図１６は、第３実施例の検査処理の例を示すフローチャートである。図７の検査処理との主な差違は、回転による第１角度ＡＣ１の補正に加えて、剪断変換による第２角度ＡＣ２の補正が行われる点である。
【0135】
Ｓ７１０、Ｓ７２０、Ｓ７３０は、図７のＳ７１０、Ｓ７２０、Ｓ７３０と、それぞれ同じである。プロセッサ２１０は、撮影画像を複数のブロック画像に分割する。
【0136】
Ｓ７４０ｃでは、プロセッサ２１０は、複数のブロック画像のそれぞれの第１角度ＡＣ１を推定する。第１角度ＡＣ１の推定方法は、Ｓ１４０ｃ（図１２）での第１角度ＡＣ１の推定方法と同じである。
【0137】
Ｓ７５０ｃでは、プロセッサ２１０は、第１角度ＡＣ１が第１特定角度ＡＣ１Ｚになるように、各ブロック画像の角度を補正する。補正方法は、Ｓ１５０ｃ（図１２）の補正方法と同じである（ここでは、画像の回転）。
【0138】
Ｓ７６０ｃでは、プロセッサ２１０は、Ｓ７５０ｃによる複数の補正済ブロック画像のそれぞれの第２角度ＡＣ２を推定する。第２角度ＡＣ２の推定方法は、Ｓ１６０ｃ（図１２）での第２角度ＡＣ２の推定方法と同じである。
【0139】
Ｓ７７０ｃでは、プロセッサ２１０は、第２角度ＡＣ２が第２特定角度ＡＣ２Ｚになるように、各補正済ブロック画像の角度を補正する。補正方法は、Ｓ１７０ｃ（図１２）の補正方法と同じである（ここでは、画像の剪断変換）。
【0140】
Ｓ８９０は、図７のＳ８９０と同じである。プロセッサ２１０は、Ｓ７４０ｃ－Ｓ７７０ｃによって生成される複数の補正済ブロック画像のそれぞれを異常検知モデル３１０に入力し、対象織物７００が異常を有するか否かを判断する。
【0141】
Ｓ８９０の後のＳ８９４、Ｓ８９６、Ｓ８９８は、図７のＳ８９４、Ｓ８９６、Ｓ８９８と、それぞれ同じである。Ｓ８９６の判断結果がＮｏである場合、プロセッサ２１０は、Ｓ７１０へ移行する。
【0142】
以上のように、本実施例では、プロセッサ２１０は、対象織物７００の欠陥の有無を判断するために、補正処理を実行する（図１６）。補正処理は、Ｓ７５０ｃの補正（第１補正と呼ぶ）と、Ｓ７７０ｃの補正（第２補正と呼ぶ）と、を含んでいる。第１補正（Ｓ７５０ｃ）は、図７の実施例と同様の画像の回転による第１角度ＡＣ１の補正である。第２補正（Ｓ７７０ｃ）は、画像の剪断変換による第２角度ＡＣ２の補正である。具体的には、図１４（Ｊ）に示すように、第２補正は、第２基準方向（ここでは、－Ｄｙ方向）に対する第２方向Ｄｃ２の第２角度ＡＣ２を、アフィン変換の剪断によって、第２特定角度ＡＣ２Ｚに近づける。図１４（Ｆ）で説明したように、第２角度ＡＣ２は、対象織物７００を表す画像中の複数の第２パターンＰＴｃ２が規則的に並ぶ方向である第２方向Ｄｃ２を示している。第２パターンＰＴｃ２は、糸Ｗｆ、Ｗｐによって形成される。Ｓ８９０では、プロセッサ２１０は、補正処理による処理済のブロック画像を異常検知モデル３１０に入力して対象織物７００の欠陥の有無を判断する。図１２のＳ１７０ｃ、Ｓ２９０で説明したように、異常検知モデル３１０（具体的には、ガウシアンマトリクスＧＭ）は、訓練織物７００ｔを表す複数の訓練画像（ここでは、訓練ブロック画像）を使用して訓練されている。複数の訓練画像は、Ｓ１７０ｃ（図１２）による補正済の複数の訓練画像を含んでいる。Ｓ１７０ｃによる補正は、図１４（Ｊ）に示すように、訓練画像の第２方向Ｄｃ２の第２基準方向（ここでは、－Ｄｙ方向）に対する第２角度ＡＣ２をアフィン変換の剪断によって第２特定角度ＡＣ２Ｚに近づける。
【0143】
この構成によれば、ブロック画像によって表される対象織物７００によって示される第２角度ＡＣ２が第２特定角度ＡＣ２Ｚからずれている場合であっても、第２角度ＡＣ２が第２特定角度ＡＣ２Ｚとなるようにブロック画像は補正される（ブロック画像は、撮影画像の例である）。また、複数の訓練画像は、訓練画像の第２角度ＡＣ２が第２特定角度ＡＣ２Ｚに近づくように補正された複数の訓練画像を含んでいる。従って、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0144】
Ｄ．第４実施例：
Ｄ１．訓練処理：
図１７は、第４実施例の訓練処理の例を示すフローチャートである。図９の実施例との差違は、第１角度ＡＣ１を変化させるデータオーグメンテーションに加えて、第２角度ＡＣ２を変化させるデータオーグメンテーションが行われる点である。
Ｄ１．訓練処理：
図１７は、第４実施例の訓練処理の例を示すフローチャートである。図９の実施例との差違は、第１角度ＡＣ１を変化させるデータオーグメンテーションに加えて、第２角度ＡＣ２を変化させるデータオーグメンテーションが行われる点である。
【0145】
Ｓ１１０、Ｓ１３０は、図９のＳ１１０、Ｓ１３０と、それぞれ同じである。プロセッサ２１０は、撮影画像を複数のブロック画像に分割する。
【0146】
Ｓ１４０ｃは、図１２のＳ１４０ｃと同じである。プロセッサ２１０は、各ブロック画像の第１角度ＡＣ１を推定する。
【0147】
Ｓ１４２ｄでは、プロセッサ２１０は、複数の第１角度ＡＣ１の分布を使用して、第１角度範囲ＡＣ１Ｒを決定する。図１８（Ａ）は、第１角度ＡＣ１の分布の例を示すヒストグラムである。プロセッサ２１０は、複数の第１角度ＡＣ１のほとんどを含むように、第１角度範囲ＡＣ１Ｒ（具体的には、下限ＡＣ１Ｌと上限ＡＣ１Ｈ）を決定する。第１角度範囲ＡＣ１Ｒの決定方法は、図９のＳ１４２ｂの角度範囲ＡＡ１Ｒの決定方法と同じである。第１角度範囲ＡＣ１Ｒは、第１角度ＡＣ１のヒストグラムを近似する近似曲線Ｃｄ１を使用して決定されてよい。
【0148】
Ｓ１４４ｄ（図１７）では、プロセッサ２１０は、第１特定角度ＡＣ１Ｚを決定する。本実施例では、プロセッサ２１０は、第１角度範囲ＡＣ１Ｒの中心の値（すなわち、下限ＡＣ１Ｌと上限ＡＣ１Ｈとの平均値）を、第１特定角度ＡＣ１Ｚとして採用する。
【0149】
Ｓ１５０ｃは、図１２のＳ１５０ｃと同じである。プロセッサ２１０は、第１角度ＡＣ１が第１特定角度ＡＣ１Ｚになるように、各ブロック画像の角度を補正する。
【0150】
Ｓ１６０ｃは、図１２のＳ１６０ｃと同じである。プロセッサ２１０は、各補正済ブロック画像の第２角度ＡＣ２を推定する。
【0151】
Ｓ１６２ｄでは、プロセッサ２１０は、複数の第２角度ＡＣ２の分布を使用して、第２角度範囲ＡＣ２Ｒを決定する。図１８（Ｂ）は、第２角度ＡＣ２の分布の例を示すヒストグラムである。プロセッサ２１０は、複数の第２角度ＡＣ２のほとんどを含むように、第２角度範囲ＡＣ２Ｒ（具体的には、下限ＡＣ２Ｌと上限ＡＣ２Ｈ）を決定する。第２角度範囲ＡＣ２Ｒの決定方法は、Ｓ１４２ｄの第１角度範囲ＡＣ１Ｒの決定方法と同じである。第２角度範囲ＡＣ２Ｒは、第２角度ＡＣ２のヒストグラムを近似する近似曲線Ｃｄ２を使用して決定されてよい。
【0152】
Ｓ１６４ｄ（図１７）では、プロセッサ２１０は、第２特定角度ＡＣ２Ｚを決定する。本実施例では、プロセッサ２１０は、第２角度範囲ＡＣ２Ｒの中心の値（すなわち、下限ＡＣ２Ｌと上限ＡＣ２Ｈとの平均値）を、第２特定角度ＡＣ２Ｚとして採用する。
【0153】
Ｓ１７０ｃは、図１２のＳ１７０ｃと同じである。プロセッサ２１０は、第２角度ＡＣ２が第２特定角度ＡＣ２Ｚになるように、各補正済ブロック画像の角度を補正する。
【0154】
Ｓ１７２ｄでは、プロセッサ２１０は、データオーグメンテーションによって、複数の訓練ブロック画像のデータを生成する。本実施例では、プロセッサ２１０は、Ｓ１７０ｃで生成される補正済ブロック画像に対する回転と剪断変換との一方、または、両方を行うことによって、複数の訓練ブロック画像のデータを生成する。
【0155】
ここで、プロセッサ２１０は、最終的に得られる複数の訓練ブロック画像の複数の第１角度ＡＣ１が第１角度範囲ＡＣ１Ｒ内でおおよそ一様に分布し、複数の第２角度ＡＣ２が第２角度範囲ＡＣ２Ｒ内でおおよそ一様に分布するように、複数の訓練ブロック画像のデータを生成する。例えば、プロセッサ２１０は、回転によって第１特定角度ＡＣ１Ｚから得られる複数の角度（複数の第１角度ＡＣ１に相当する）が、第１角度範囲ＡＣ１Ｒ内でおおよそ一様に分布するように、複数の訓練ブロック画像のそれぞれの回転の角度をランダムに決定する。また、プロセッサ２１０は、剪断変換によって第２特定角度ＡＣ２Ｚから得られる複数の角度（複数の第２角度ＡＣ２に相当する）が、第２角度範囲ＡＣ２Ｒ内でおおよそ一様に分布するように、複数の訓練ブロック画像のそれぞれの剪断変換による角度の変化量をランダムに決定する。
【0156】
上述したように、Ｓ１７０ｃでは、複数の補正済ブロック画像のデータが生成される。プロセッサ２１０は、複数の補正済ブロック画像を使用して、複数の訓練ブロック画像のデータを生成する。回転または剪断変換によって欠落部分（例えば、図１４（Ｊ）の部分Ｐ５ｃ）が生じる場合、プロセッサ２１０は、元の撮影画像（Ｓ１１０）を使用して欠落部分を補充してよい。
【0157】
また、プロセッサ２１０は、図３の実施例と同様に、Ｎ枚の訓練ブロック画像を生成するために、Ｓ１１０で、複数枚の撮影画像のデータを取得してよい。
【0158】
Ｓ２９０は、図３のＳ２９０と同じである。プロセッサ２１０は、Ｎ枚の訓練ブロック画像を使用して、異常検知モデル３１０（ここでは、ガウシアンマトリクスＧＭ）を訓練する。そして、プロセッサ２１０は、図１７の処理を終了する。
【0159】
本実施例の検査処理は、図１１の実施例の検査処理と同じである。このように、本実施例では、プロセッサ２１０は、対象織物７００の欠陥の有無を判断するために、以下の処理を実行する。Ｓ７２０、Ｓ７３０（図１１）では、プロセッサ２１０は、対象織物７００の撮影画像を表すブロック画像のデータを取得する。Ｓ８９０ｂでは、プロセッサ２１０は、ブロック画像を異常検知モデル３１０に入力して対象生地の欠陥の有無を判断する。図１７で説明したように、異常検知モデル３１０は、訓練織物７００ｔを表す複数の訓練ブロック画像を使用して訓練されている。複数の訓練ブロック画像のデータは、Ｓ１７２ｄのデータオーグメンテーションによって生成される。
【0160】
本実施例では、データオーグメンテーションによって、訓練ブロック画像の第１角度ＡＣ１が変化する。図１４（Ａ）、図１４（Ｅ）で説明したように、第１角度ＡＣ１は、織物７００の画像内において、複数の第１パターンＰＴｃ１が規則的に並ぶ方向（すなわち、複数の第１パターンＰＴｃ１によって形成されるラインＰＴＬｃ１の延びる第１方向Ｄｃ１）を示している。第１パターンＰＴｃ１は、糸Ｗｆ、Ｗｐによって形成される。Ｓ１７２ｄで説明したように、複数の訓練ブロック画像は、複数の訓練ブロック画像の複数の第１方向Ｄｃ１の基準方向（ここでは、＋Ｄｘ方向）に対する第１角度ＡＣ１の分布範囲が第１角度範囲ＡＣ１Ｒであるように、構成されている。Ｓ１７２ｄ、図１８（Ａ）で説明したように、第１角度範囲ＡＣ１Ｒは、訓練織物７００ｔの撮影画像を使用して推定される第１角度ＡＣ１の分布を使用して、決定される。ここで、訓練織物７００ｔは、対象織物７００の撮影のために対象織物７００を搬送する搬送装置９００によって支持される。また、第１角度ＡＣ１は、織物７００（例えば、訓練織物７００ｔ）の回転に基づく第１方向Ｄｃ１の角度を示している。
【0161】
この構成によれば、複数の訓練ブロック画像の複数の第１角度ＡＣ１の分布範囲が第１角度範囲ＡＣ１Ｒであるように、複数の訓練ブロック画像が構成され、第１角度範囲ＡＣ１Ｒは、撮影画像を使用して推定される第１角度ＡＣ１の分布を使用して決定される。従って、撮影画像によって表される対象織物７００によって示される第１角度ＡＣ１が変化する場合であっても、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。また、第１角度ＡＣ１の実際の分布の幅よりも広い第１角度範囲ＡＣ１Ｒの使用は、容易に回避できる。この結果、異常検知モデル３１０の訓練の負担は、低減可能である。
【0162】
また、本実施例では、データオーグメンテーションによって、訓練ブロック画像の第２角度ＡＣ２が変化する。図１４（Ｆ）、図１４（Ｊ）で説明したように、第２角度ＡＣ２は、織物７００の画像内において、複数の第２パターンＰＴｃ２が規則的に並ぶ方向（すなわち、複数の第２パターンＰＴｃ２によって形成されるラインＰＴＬｃ２の延びる第２方向Ｄｃ２）を示している。第２パターンＰＴｃ２は、糸Ｗｆ、Ｗｐによって形成される。Ｓ１７２ｄで説明したように、複数の訓練ブロック画像は、複数の訓練ブロック画像の複数の第２方向Ｄｃ２の基準方向（ここでは、－Ｄｙ方向）に対する第２角度ＡＣ２の分布範囲が第２角度範囲ＡＣ２Ｒであるように、構成されている。Ｓ１７２ｄ、図１８（Ｂ）で説明したように、第２角度範囲ＡＣ２Ｒは、訓練織物７００ｔの撮影画像を使用して推定される第２角度ＡＣ２の分布を使用して、決定される。ここで、訓練織物７００ｔは、対象織物７００の撮影のために対象織物７００を搬送する搬送装置９００によって支持される。また、第２角度ＡＣ２は、織物７００（例えば、訓練織物７００ｔ）の斜行に基づく第２方向Ｄｃ２の角度を示している。
【0163】
この構成によれば、複数の訓練ブロック画像の複数の第２角度ＡＣ２の分布範囲が第２角度範囲ＡＣ２Ｒであるように、複数の訓練ブロック画像が構成され、第２角度範囲ＡＣ２Ｒは、撮影画像を使用して推定される第２角度ＡＣ２の分布を使用して決定される。従って、撮影画像によって表される対象織物７００によって示される第２角度ＡＣ２が変化する場合であっても、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。また、第２角度ＡＣ２の実際の分布の幅よりも広い第２角度範囲ＡＣ２Ｒの使用は、容易に回避できる。この結果、異常検知モデル３１０の訓練の負担は、低減可能である。
【0164】
Ｅ．第５実施例：
Ｅ１．訓練処理：
図１９は、第５実施例の訓練処理の例を示すフローチャートである。本実施例では、プロセッサ２１０は、異常検知モデル３１０に加えて、歪み補正モデル３２０が、訓練される。織物７００は、柔らかいので、局所的に変形し得る。撮影画像が局所的に変形した織物７００を表す場合、その変形は、異常検知モデル３１０を使用する検査の精度を低下させ得る。そこで、本実施例では、プロセッサ２１０は、検査処理において、歪み補正モデル３２０を使用して、撮影画像中の織物７００の局所的な変形（すなわち、歪み）を補正する。訓練処理では、異常検知モデル３１０に加えて、歪み補正モデル３２０が訓練される。
Ｅ１．訓練処理：
図１９は、第５実施例の訓練処理の例を示すフローチャートである。本実施例では、プロセッサ２１０は、異常検知モデル３１０に加えて、歪み補正モデル３２０が、訓練される。織物７００は、柔らかいので、局所的に変形し得る。撮影画像が局所的に変形した織物７００を表す場合、その変形は、異常検知モデル３１０を使用する検査の精度を低下させ得る。そこで、本実施例では、プロセッサ２１０は、検査処理において、歪み補正モデル３２０を使用して、撮影画像中の織物７００の局所的な変形（すなわち、歪み）を補正する。訓練処理では、異常検知モデル３１０に加えて、歪み補正モデル３２０が訓練される。
【0165】
作業者は、搬送装置９００に、異常が無く、かつ、歪みの小さい訓練織物７００ｔを取り付ける。作業者は、訓練織物７００ｔを搬送装置９００に取り付ける前に、訓練織物７００ｔの歪みをまっすぐにしてよい（地直しとも呼ばれる）。また、作業者は、訓練織物７００ｔを搬送装置９００に取り付けた後に、織物７００ｔの歪みをまっすぐにしてよい。いずれの場合も、検査に対する影響が許容できる程度の小さい歪みは、残ってよい。そして、作業者は、データ処理装置２００（図１）の操作部２５０を操作して、訓練処理の開始指示を入力する。プロセッサ２１０は、指示に応じて、訓練プログラム２３２に従って、訓練処理を開始する。
【0166】
Ｓ１１０ｅでは、プロセッサ２１０は、デジタルカメラ１１０に撮影指示を供給する。デジタルカメラ１１０は、訓練織物７００ｔを撮影する。プロセッサ２１０は、デジタルカメラ１１０から、撮影画像データを取得する。
【0167】
Ｓ１３０、Ｓ２９０は、図３のＳ１３０、Ｓ２９０と、それぞれ同じである。これにより、異常検知モデル３１０が訓練される。本実施例では、回転と斜行とを含む歪みが、歪み補正モデル３２０によって補正され得る。従って、回転と斜行とのそれぞれの補正は、省略される。
【0168】
Ｓ３１０ｅでは、プロセッサ２１０は、Ｓ１３０で得られるブロック画像の一部分に欠陥画像をペーストする（欠陥画像のペーストによって生成されるブロック画像を、第１種画像と呼ぶ）。図２０（Ａ）－図２０（Ｅ）は、訓練処理で処理される情報を示す図である。図２０（Ａ）は、ブロック画像の例を示している。このブロック画像Ｂｅｏは、異常が無く、かつ、歪みの小さい織物７００ｔを表している。図２０（Ｂ）は、第１種画像の例を表している。第１種画像Ｂｅ１のデータは、ブロック画像Ｂｅｏに欠陥Ｄｅの画像をペーストすることによって生成される。第１種画像Ｂｅ１上には、格子が点線で示されている。複数の格子点ＣＰは、後述する歪み付与処理で使用される。
【0169】
図示を省略するが、本実施例では、互いに異なる欠陥を表す複数の欠陥画像のデータが、不揮発性記憶装置２３０に予め格納される。Ｓ３１０ｅでは、プロセッサ２１０は、以下の処理を実行する。プロセッサ２１０は、使用可能な複数の欠陥画像から、欠陥画像をランダムに選択する。プロセッサ２１０は、複数のブロック画像から、処理対象のブロック画像をランダムに選択する。プロセッサ２１０は、選択したブロック画像内から、位置をランダムに決定する。そして、プロセッサ２１０は、決定した位置に、選択した欠陥画像をペーストすることによって、第１種画像のデータを生成する。
【0170】
Ｓ３２０ｅ（図１９）では、プロセッサ２１０は、ランダムに（例えば、乱数を使用して）変位ベクトル場を生成する。図２０（Ｃ）は、変位ベクトル場の例を示している。本実施例では、変位ベクトル場ＶＦｅは、第１種画像Ｂｅ１上の複数の格子点ＣＰ（制御点ＣＰとも呼ぶ）のそれぞれの変位ベクトルＶｅを表している。本実施例では、複数の制御点ＣＰは、第１方向Ｄｘと第２方向Ｄｙとに沿って格子状に並んで配置されている。プロセッサ２１０は、複数の制御点ＣＰの複数の変位ベクトルＶｅを、ランダムに決定する。第１種画像Ｂｅ１（ひいては、ブロック画像）上の複数の制御点ＣＰのそれぞれの位置は、予め決められている。また、制御点ＣＰの密度（例えば、単位面積当たりの制御点ＣＰの数）は、変位ベクトル場ＶＦｅが対象織物７００の実際に生じ得る歪みを適切に表すように、予め実験的に決定される。
【0171】
複数の変位ベクトルＶｅが独立してランダムに決定される場合、変位ベクトル場ＶＦｅは、織物７００にとって非現実的な歪みを表し得る。例えば、隣り合う２個の制御点ＣＰの２個の変位ベクトルＶｅの間の差が、過度に大きくなり得る。そこで、本実施例では、プロセッサ２１０は、隣り合う２個の制御点ＣＰの２個の変位ベクトルＶｅの間の差違が基準以下となるように、変位ベクトルＶｅを調整する。注目する制御点ＣＰの隣の制御点ＣＰとしては、いわゆる４近傍の制御点ＣＰが採用されてよい。
【0172】
図２０（Ｄ）は、変位ベクトルＶｅの差違を示している。図中には、隣り合う２個の制御点ＣＰａ、ＣＰｂと、制御点ＣＰａ、ＣＰｂの変位ベクトルＶｅａ、Ｖｅｂと、が示されている。差分ベクトルｄＶｅは、Ｖｅａ－Ｖｅｂによって算出される。プロセッサ２１０は、以下の変位条件が満たされるように、複数の変位ベクトルＶｅを決定する。
（変位条件）隣り合う２個の制御点ＣＰの全ての組み合わせのそれぞれの差分ベクトルｄＶｅの長さが、基準ＴＨｅ以下である。
（変位条件）隣り合う２個の制御点ＣＰの全ての組み合わせのそれぞれの差分ベクトルｄＶｅの長さが、基準ＴＨｅ以下である。
【0173】
複数の変位ベクトルＶｅを決定する方法は、種々の方法であってよい。例えば、プロセッサ２１０は、まず、複数の制御点ＣＰの複数の変位ベクトルＶｅのそれぞれを、ランダムに決定する。各変位ベクトルＶｅの長さは、上限値以下に制限される。上限値は、対象織物７００の実際の歪みによって形成され得る変位（特に、最大の変位）を上限値が表すように、予め実験的に決定される。次に、プロセッサ２１０は、隣り合う２個の制御点ＣＰのペアであって、処理対象のペアを選択する（対象ペアと呼ぶ）。プロセッサ２１０は、対象ペアの差分ベクトルｄＶｅの長さが基準ＴＨｅを超える場合に、対象ペアの１個の制御点ＣＰの１個の変位ベクトルＶｅを、差分ベクトルｄＶｅの長さが基準ＴＨｅ以下となるように、調整する。変位ベクトルＶｅの調整は、変位ベクトルＶｅの向きの変更と、変位ベクトルＶｅの長さの変更と、の一方、または、両方を含んでよい。プロセッサ２１０は、変位条件が満たされるまで、対象ペアを変更しつつ、変位ベクトルＶｅを調整する。
【0174】
これに代えて、プロセッサ２１０は、以下の処理を実行してよい。プロセッサ２１０は、複数の制御点ＣＰから、複数の制御点ＣＰを、低密度で（すなわち、粗く）選択する（対象制御点ＣＰと呼ぶ）。例えば、プロセッサ２１０は、第１方向Ｄｘに沿って、１０個の制御点ＣＰの間隔で１個の制御点ＣＰを選択し、第２方向Ｄｙに沿って、１０個の制御点ＣＰの間隔で１個の制御点ＣＰを選択してよい。プロセッサ２１０は、選択した複数の対象制御点ＣＰのそれぞれの仮の変位ベクトルを、ランダムに決定する。仮の変位ベクトルの長さは、上限値以下に制限される。プロセッサ２１０は、複数の制御点ＣＰの複数の変位ベクトルＶｅを、複数の仮の変位ベクトルを使用する補間（例えば、キュービックＢスプラインによる補間）によって、決定する。ここで、第１方向Ｄｘの成分と第２方向Ｄｙの成分とが、それぞれ、補間される。粗く選択された複数の対象制御点ＣＰの複数の仮の変位ベクトルを使用する補間によって、過度に大きい長さを有する差分ベクトルｄＶｅが生じる可能性は、低減する。プロセッサ２１０は、変位条件が満たされるまで、仮の変位ベクトルの長さの上限値の調整と、仮の変位ベクトルの決定と、補間とを、繰り返してよい。
【0175】
Ｓ３３０ｅ（図１９）では、プロセッサ２１０は、変位ベクトル場ＶＦｅを使用して、第１種画像に歪みを付与する（歪みの付与によって生成される画像を、第２種画像と呼ぶ）。図２０（Ｅ）は、第２種画像の例を示している。第２種画像Ｂｅ２のデータは、第１種画像Ｂｅ１（図２０（Ｂ））に歪みを付与することによって、生成される。このように生成される第２種画像Ｂｅ２は、第１種画像Ｂｅ１（図２０（Ｂ））の欠陥Ｄｅと同じ欠陥Ｄｅを表している（ただし、第２種画像Ｂｅ２上では、欠陥Ｄｅは、歪み得る）。第２種画像Ｂｅ２上には、変位ベクトル場ＶＦｅに従って移動した制御点ＣＰが示されている。
【0176】
変位ベクトル場ＶＦｅを使用する歪みの付与方法は、種々の方法であってよい。プロセッサ２１０は、変位ベクトル場ＶＦｅによって表される複数の変位ベクトルＶｅを使用する補間（例えば、キュービックＢスプラインによる補間）によって、第２種画像Ｂｅ２の各画素の色値を決定してよい。例えば、プロセッサ２１０は、第１種画像Ｂｅ１の複数の画素のそれぞれを、変位ベクトル場ＶＦｅに従って変位してよい。そして、プロセッサ２１０は、第２種画像Ｂｅ２の注目画素の色値を、注目画素の近傍に位置する複数の変位済画素を使用する補間によって、算出してよい。
【0177】
本実施例では、プロセッサ２１０は、最終的にＭ組（Ｍは２以上の整数）の第１種画像と第２種画像とのペア（訓練ペアと呼ぶ）のデータを生成することとする。訓練ペアの数Ｍは、歪み補正モデル３２０の訓練に適する任意の数であってよい（例えば、数百程度、または、数千程度）。プロセッサ２１０は、Ｍ組の訓練ペアを生成するために、Ｍ枚のブロック画像に対して、Ｓ３１０ｅ－Ｓ３３０ｅの処理を実行してよい。また、プロセッサ２１０は、Ｍ枚のブロック画像を取得するために、Ｓ１１０ｅで、複数枚の撮影画像のデータを取得してよい。そして、Ｓ１３０では、プロセッサ２１０は、複数枚の撮影画像のそれぞれから、複数のブロック画像を取得してよい。
【0178】
Ｓ３８０ｅ（図１９）では、プロセッサ２１０は、Ｍ組の訓練ペアを使用して、歪み補正モデル３２０を訓練する。図２１は、歪み補正モデル３２０の例を示すブロック図である。本実施例では、歪み補正モデル３２０は、ＤＩＲＮｅｔ（End-to-End Unsupervised Deformable Image Registration with a Convolutional Neural Network）と呼ばれる歪み補正の技術を使用して構成されている。ＤＩＲＮｅｔは、例えば、論文「Bob D. de Vos, Floris F. Berendsen, Max A. Viergever, Marius Staring, Ivana Isgum, "End-to-end unsupervised deformable image registration with a convolutional neural network", arXiv:1704.06065(2017), https://arxiv.org/abs/1704.06065」に開示されている。
【0179】
ＤＩＲＮｅｔの技術は、移動画像Ｅ２を固定画像Ｅ１にワープ（すなわち、変形）させるための変位ベクトル場ＤＶＦを生成する。この変位ベクトル場ＤＶＦは、固定画像Ｅ１に対する移動画像Ｅ２の歪みを補正する。本実施例の訓練処理では、移動画像Ｅ２として第２種画像（例えば、第２種画像Ｂｅ２）が使用され、固定画像Ｅ１として、第１種画像（例えば、第１種画像Ｂｅ１）が使用される。
【0180】
歪み補正モデル３２０は、畳込ネット回帰器３２０ａと、空間変換器３２０ｂと、リサンプラ３２０ｃと、を含んでいる。
【0181】
畳込ネット回帰器３２０ａは、複数の畳込ネットワークを含んでいる（図示省略）。畳込ネット回帰器３２０ａには、固定画像Ｅ１のデータと移動画像Ｅ２のデータとが連結されたデータが、入力される。畳込ネット回帰器３２０ａは、固定画像Ｅ１からのパッチＥＰ１と移動画像Ｅ２からのパッチＥＰ２とのペアであって、空間的に対応する（すなわち、同じ位置の）パッチＥＰ１、ＥＰ２のペアを解析する。畳込ネット回帰器３２０ａは、パッチＥＰ１、ＥＰ２のペアに対応する位置の制御点の２次元の変位を出力するように、訓練される。畳込ネット回帰器３２０ａは、パッチＥＰ１、ＥＰ２の複数のペアの複数の制御点のそれぞれの変位を出力する。複数の制御点の複数の変位のセット３２０ａｏは、空間変換器３２０ｂによって使用される。
【0182】
空間変換器３２０ｂは、変位セット３２０ａｏを使用して、リサンプラ３２０ｃによる画像のワープを可能にする高密度な変位（例えば、全ての画素の変位）を表す変位ベクトル場ＤＶＦを生成する。変位ベクトル場ＤＶＦの生成方法は、種々の方法であってよい。本実施例では、空間変換器３２０ｂは、キュービックＢスプラインによる補間によって、変位ベクトル場ＤＶＦを生成する。
【0183】
リサンプラ３２０ｃは、変位ベクトル場ＤＶＦに従って移動画像Ｅ２をワープすることによって、補正済画像Ｅ３のデータを生成する。変位ベクトル場ＤＶＦを使用する画像のワープ方法は、種々の方法であってよい。例えば、プロセッサ２１０は、移動画像Ｅ２の複数の画素のそれぞれを、変位ベクトル場ＤＶＦに従って変位してよい。そして、プロセッサ２１０は、補正済画像Ｅ３の注目画素の色値を、注目画素の近傍に位置する複数の変位済画素を使用する補間によって、算出してよい。
【0184】
歪み補正モデル３２０の訓練方法は、歪み補正モデル３２０に適する任意の方法であってよく、例えば、ＤＩＲＮｅｔの上記の論文に記載の方法であってよい。プロセッサ２１０は、例えば、以下のように、歪み補正モデル３２０を訓練してよい。プロセッサ２１０は、Ｍ組の第１種画像と第２種画像との訓練ペアから、複数の訓練ペアで構成されるサブセットを取得する。プロセッサ２１０は、サブセットに含まれる訓練ペアのデータを使用して歪み補正モデル３２０の演算を実行することによって、補正済画像Ｅ３のデータを生成する。プロセッサ２１０は、第１種画像（すなわち、固定画像Ｅ１）のデータと補正済画像Ｅ３のデータを使用して、画像類似度ＳＭを算出する。画像類似度ＳＭは、２枚の画像Ｅ１、Ｅ３の類似度を示す種々の値であってよい。例えば、画像類似度ＳＭは、正規化相互相関（Normalized Cross Correlation）であってよい。
【0185】
プロセッサ２１０は、サブセットの複数の訓練ペアを使用して複数の画像類似度ＳＭを算出する。プロセッサ２１０は、複数の画像類似度ＳＭを使用して、損失を算出する。損失は、画像類似度ＳＭが小さいほど大きい種々の値であってよい。例えば、損失は、画像類似度ＳＭの最大値（ここでは、１）と画像類似度ＳＭとの間の差分の合計値であってよい。
【0186】
プロセッサ２１０は、損失が小さくなるように、畳込ネット回帰器３２０ａの複数の演算パラメータ（畳込フィルタ、バイアスなど）を調整する。調整には、例えば、誤差逆伝播法と勾配降下法とが使用されてよい。
【0187】
調整の後、プロセッサ２１０は、訓練終了条件が満たされるか否かを判断する。訓練終了条件は、歪み補正モデル３２０が適切に訓練されたことを示す任意の条件であってよい。例えば、終了条件は、訓練に使用されていない所定数の訓練ペアを使用して算出される損失が、所定の損失閾値以下であることであってよい。これに代えて、訓練終了条件は、作業者からの終了指示が入力されることであってよい。作業者は、訓練に使用されていない訓練ペアから得られる補正済画像Ｅ３と固定画像Ｅ１とを比較することによって、訓練の終了指示、または、継続指示を操作部２５０に入力してよい。
【0188】
プロセッサ２１０は、訓練終了条件が満たされるまで、新たなサブセットを使用する調整を繰り返す。訓練終了条件が満たされる場合、プロセッサ２１０は、訓練済の歪み補正モデル３２０のデータを、記憶装置２１５（ここでは、不揮発性記憶装置２３０）に格納する。以上により、歪み補正モデル３２０の訓練、すなわち、Ｓ３８０ｅ（図１９）が終了する。そして、図１９の処理が、終了する。
【0189】
Ｅ２．検査処理：
図２２は、第５実施例の検査処理の例を示すフローチャートである。図７の検査処理との差違は、第１角度ＡＡ１の補正（Ｓ７４０、Ｓ７５０）に代えて、歪みの補正（Ｓ８１０ｅ）が行われる点だけである。
図２２は、第５実施例の検査処理の例を示すフローチャートである。図７の検査処理との差違は、第１角度ＡＡ１の補正（Ｓ７４０、Ｓ７５０）に代えて、歪みの補正（Ｓ８１０ｅ）が行われる点だけである。
【0190】
Ｓ７１０、Ｓ７２０、Ｓ７３０は、図７のＳ７１０、Ｓ７２０、Ｓ７３０と、それぞれ、同じである。プロセッサ２１０は、撮影画像を複数のブロック画像に分割する。
【0191】
Ｓ８１０ｅでは、プロセッサ２１０は、歪み補正モデル３２０（図２１）を使用して、複数のブロック画像のそれぞれの歪みを補正する。本実施例では、歪みの無い織物７００を表す参照ブロック画像のデータが、予め不揮発性記憶装置２３０に格納される（図示省略）。プロセッサ２１０は、ブロック画像と参照ブロック画像とのペアを使用して、補正済画像Ｅ３のデータを生成する。ブロック画像は、移動画像Ｅ２として使用され、参照ブロック画像は、固定画像Ｅ１として使用される。歪み補正モデル３２０は、参照ブロック画像に対するブロック画像の歪みを補正することによって、補正済画像Ｅ３のデータを生成する。移動画像Ｅ２（ブロック画像）が欠陥を表す場合、補正済画像Ｅ３は、同じ欠陥を表している。移動画像Ｅ２（ブロック画像）が欠陥を表さない場合、補正済画像Ｅ３は、欠陥を表さない。
【0192】
Ｓ８９０は、図７のＳ８９０と同じである。プロセッサ２１０は、Ｓ８１０ｅで得られる複数の補正済画像のそれぞれを異常検知モデル３１０に入力し、対象織物７００が異常を有するか否かを判断する。Ｓ８９０の後のＳ８９４、Ｓ８９６、Ｓ８９８は、図７のＳ８９４、Ｓ８９６、Ｓ８９８と、それぞれ同じである。Ｓ８９６の判断結果がＮｏである場合、プロセッサ２１０は、Ｓ７１０へ移行する。
【0193】
以上のように、本実施例では、プロセッサ２１０は、対象織物７００の欠陥の有無を判断するために、以下の処理を実行する。Ｓ７２０、Ｓ７３０（図２２、図１１）では、プロセッサ２１０は、対象織物７００の撮影画像を表すブロック画像のデータを取得する。Ｓ８１０ｅでは、プロセッサ２１０は、ブロック画像の補正処理を行う。Ｓ８９０では、プロセッサ２１０は、補正処理による処理済の画像を異常検知モデル３１０に入力して対象織物７００の欠陥の有無を判断する。ここで、補正処理（Ｓ８１０ｅ）は、図２１で説明したように、対象織物７００を表す画像中の対象織物７００の歪みを補正する歪み補正を含んでいる。従って、撮影画像中の対象織物７００が歪みを有する場合であっても、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0194】
また、本実施例では、歪み補正（Ｓ８１０ｅ）は、歪みを補正する機械学習モデルである歪み補正モデル３２０（図２１）による歪みの補正を含んでいる。図１９のＳ３３０ｅ、Ｓ３８０ｅ、図２１で説明したように、歪み補正モデル３２０は、訓練織物７００ｔを表す第１種画像Ｂｅ１に歪みを付与することによって得られる第２種画像Ｂｅ２から、第１種画像Ｂｅ１との高い画像類似度ＳＭを有する補正済画像Ｅ３を生成するように、訓練されている。すなわち、歪み補正モデル３２０は、第２種画像Ｂｅ２から第１種画像Ｂｅ１を生成するように、訓練されている。従って、歪み補正モデル３２０は、画像の歪みを適切に補正することができる。
【0195】
また、本実施例では、図１９のＳ３１０ｅ、図２０（Ｂ）で説明したように、第１種画像Ｂｅ１は、訓練織物７００ｔを表すブロック画像の一部分に欠陥の画像（例えば、欠陥Ｄｅの画像）を追加することによって得られる。図２０（Ｅ）で説明したように、第２種画像Ｂｅ２は、第１種画像Ｂｅ１によって表される欠陥Ｄｅと同じ欠陥Ｄｅを表している、従って、歪み補正モデル３２０は、検査のための撮影画像が、欠陥を有する対象織物７００を表す場合であっても、適切に、撮影画像の歪みを補正できる。
【0196】
なお、本実施例では、歪み補正モデル３２０は、補正済画像Ｅ３を直接的に生成するのではなく、移動画像Ｅ２を変形することによって補正済画像Ｅ３を生成する。従って、移動画像Ｅ２が欠陥を表さない場合、欠陥を表さない補正済画像Ｅ３が生成される。移動画像Ｅ２が欠陥を表す場合、同じ欠陥を表す補正済画像Ｅ３が生成される。従って、訓練用の第１種画像Ｂｅ１に対する欠陥の画像の追加（Ｓ３１０ｅ）は、省略されてよい。
【0197】
また、本実施例では、図１９のＳ３２０ｅ、Ｓ３３０ｅで説明したように、歪みの付与は、第１種画像Ｂｅ１（図２０（Ｃ））内に配置された複数の制御点ＣＰのそれぞれの変位ベクトルＶｅに従って、行われる。そして、図２０（Ｄ）で説明したように、複数の対象制御点ＣＰの複数の変位ベクトルＶｅは、隣り合う制御点ＣＰの変位ベクトルＶｅの間の差違が基準以下となるように、構成されている。本実施例では、複数の変位ベクトルＶｅは、隣り合う２個の制御点ＣＰの差分ベクトルｄＶｅの長さが基準ＴＨｅ以下であるように、構成されている。従って、プロセッサ２１０は、第１種画像Ｂｅ１に、織物７００に実際に生じ得る歪みを付与することができる。この結果、歪み補正モデル３２０は、実際に生じ得る歪みを補正するように、訓練される。
【0198】
Ｆ．第６実施例：
Ｆ１．訓練処理：
図２３は、第６実施例の訓練処理の例を示すフローチャートである。本実施例では、歪み補正モデル３２０は、省略される。プロセッサ２１０は、後述する検査処理において、歪み補正モデル３２０を使用せずに、撮影画像中の織物７００の歪みを補正する。本実施例の訓練処理は、図１９の訓練処理から、歪み補正モデル３２０のためのＳ３１０ｅ－Ｓ３８０ｅを省略したものである。プロセッサ２１０は、Ｓ１１０ｅ、Ｓ１３０、Ｓ２９０によって、異常検知モデル３１０を訓練する。
Ｆ１．訓練処理：
図２３は、第６実施例の訓練処理の例を示すフローチャートである。本実施例では、歪み補正モデル３２０は、省略される。プロセッサ２１０は、後述する検査処理において、歪み補正モデル３２０を使用せずに、撮影画像中の織物７００の歪みを補正する。本実施例の訓練処理は、図１９の訓練処理から、歪み補正モデル３２０のためのＳ３１０ｅ－Ｓ３８０ｅを省略したものである。プロセッサ２１０は、Ｓ１１０ｅ、Ｓ１３０、Ｓ２９０によって、異常検知モデル３１０を訓練する。
【0199】
Ｆ２．検査処理：
図２４は、第６実施例の検査処理の例を示すフローチャートである。図２２の検査処理との差違は、歪み補正モデル３２０による歪みの補正処理（Ｓ８１０ｅ）が、キーポイントマッチングによる歪みの補正処理（Ｓ８１０ｆ）に置換されている点だけである。
図２４は、第６実施例の検査処理の例を示すフローチャートである。図２２の検査処理との差違は、歪み補正モデル３２０による歪みの補正処理（Ｓ８１０ｅ）が、キーポイントマッチングによる歪みの補正処理（Ｓ８１０ｆ）に置換されている点だけである。
【0200】
Ｓ７１０、Ｓ７２０、Ｓ７３０は、図２２のＳ７１０、Ｓ７２０、Ｓ７３０と、それぞれ、同じである。プロセッサ２１０は、撮影画像を複数のブロック画像に分割する。
【0201】
Ｓ８１０ｆでは、プロセッサ２１０は、キーポイントマッチングを使用して、複数のブロック画像のそれぞれの歪みを補正する。キーポイントマッチングを使用する歪み補正は、種々の処理であってよい。本実施例では、Ｓ８１０ｆは、Ｓ８１２ｆ、Ｓ８１４ｆ、Ｓ８１６ｆを含んでいる。
【0202】
Ｓ８１２ｆでは、プロセッサ２１０は、キーポイントマッチングによって、ブロック画像と基準ブロック画像との間の複数のマッチングペアを形成する。図２５は、キーポイントマッチングによる歪み補正の例を示す図である。図中には、ブロック画像Ｂｆ１と基準ブロック画像Ｂｆｓとが示されている。ブロック画像Ｂｆ１は、Ｓ７３０（図２４）で生成されるブロック画像であり、対象織物７００を表している。ブロック画像Ｂｆ１中では、対象織物７００は、歪みを有し得る。また、ブロック画像Ｂｆ１は、欠陥（例えば、欠陥Ｄｆ）を表し得る。基準ブロック画像Ｂｆｓは、欠陥が無く、かつ、歪みの小さい織物７００を表す画像である（例えば、織物７００の撮影画像）。本実施例では、基準ブロック画像Ｂｆｓのデータは、予め不揮発性記憶装置２３０に格納されている（図示省略）。なお、基準ブロック画像Ｂｆｓは、検査に対する影響が許容できる程度の小さい歪みを含んでよい。
【0203】
プロセッサ２１０は、ブロック画像Ｂｆ１と基準ブロック画像Ｂｆｓとのそれぞれから、キーポイントを検出する。キーポイントは、画像内でユニークである可能性が高いと期待される点である。図中には、複数の線ＲＬ、ＲＬｚが示されている。これらの線ＲＬ、ＲＬｚの両端が、キーポイントを示している。以下、ブロック画像Ｂｆ１から検出されるキーポイントＫ１を、撮影キーポイントＫ１と呼ぶ。また、基準ブロック画像Ｂｆｓから検出されるキーポイントＫｓを、基準キーポイントＫｓと呼ぶ。本実施例では、織物７００（図２）の糸Ｗｆ、Ｗｐによって形成されるパターンのコーナーや端などの特徴的な部分を表す点が、キーポイントＫ１、Ｋｓとして検出される。なお、図示を省略するが、実際には、より多くのキーポイントＫ１、Ｋｓが検出される（例えば、数十、または、数百程度）。
【0204】
キーポイントの検出方法は、種々の方法であってよい。検出方法は、例えば、ＤｏＧ（Difference-of-Gaussian）を使用する極値（極大値と極小値）の探索と、Ｈａｒｒｉｓのコーナー検出と、ＦＡＳＴ（Features from Accelerated Segment Test）のコーナー検出と、から予め選択されてよい。また、キーポイントの検出のために、キーポイントの検出と特徴量記述子の算出とを行うアルゴリズムが採用されてよい。特徴量記述子は、キーポイントの特徴を記述する情報である。キーポイントの検出と特徴量記述子の算出とを行うアルゴリズムは、例えば、ＳＩＦＴ（Scale Invariant Feature Transform）と、ＳＵＲＦ（Speeded Up Robust Features）と、ＯＲＢ（Oriented FAST and Rotated BRIEF）と、から予め選択されてよい。本実施例では、プロセッサ２１０は、ＯＲＢのアルゴリズムに従って、キーポイントを検出する。ＯＲＢのアルゴリズムによるキーポイントの検出には、例えば、ＯｐｅｎＣＶ（Open Source Computer Vision Library）の関数「detect」または関数「detectAndCompute」を使用可能である。
【0205】
プロセッサ２１０は、撮影キーポイントＫ１と基準キーポイントＫｓとの間のマッチングを行う。キーポイントマッチングによって、同じ被写体の同じ部分（例えば、糸Ｗｆ、Ｗｐによって形成されるパターンの同じコーナー）を示すキーポイントＫ１、Ｋｓが対応付けられる。互いに対応付けられるキーポイントＫ１、Ｋｓのペアを、マッチングペアとも呼ぶ。
【0206】
図中の複数の線ＲＬは、それぞれ、適切なマッチングペアＫ１、Ｋｓを示している。適切なマッチングペアＫ１、Ｋｓに関しては、ブロック画像Ｂｆ１内の撮影キーポイントＫ１の位置は、基準ブロック画像Ｂｆｓ内の基準キーポイントＫｓの位置に、近い。複数の線ＲＬｚは、不適切なマッチングペアＫ１、Ｋｓを示している。不適切なマッチングペアＫ１、Ｋｓに関しては、ブロック画像Ｂｆ１内の撮影キーポイントＫ１の位置は、基準ブロック画像Ｂｆｓ内の基準キーポイントＫｓの位置から、遠い。
【0207】
キーポイントマッチングの方法は、種々の方法であってよい。例えば、プロセッサ２１０は、キーポイントの特徴量記述子を使用して、キーポイントマッチングを行ってよい。特徴量記述子は、キーポイントの特徴を記述する種々の情報であってよい。特徴量記述子は、例えば、キーポイントの周辺の複数の画素の色値の分布に応じて変化するように、算出される。特徴量記述子の算出方法は、種々の方法であってよい。特徴量記述子の算出のアルゴリズムは、例えば、ＢＲＩＥＦ（Binary Robust Independent Elementary Features）と、ＢＲＩＳＫ（Binary Robust Invariant Scalable Keypoints）と、ＳＩＦＴと、ＳＵＲＦと、ＯＲＢと、から予め選択されてよい。本実施例では、プロセッサ２１０は、ＯＲＢのアルゴリズムに基づく特徴量記述子を使用する。
【0208】
プロセッサ２１０は、ブロック画像Ｂｆ１のデータを解析することによって、各撮影キーポイントＫ１の特徴量記述子を算出する。ＯＲＢのアルゴリズムに基づく特徴量記述子の算出には、例えば、ＯｐｅｎＣＶの関数「compute」を使用可能である。なお、プロセッサ２１０は、ＯｐｅｎＣＶの関数「detectAndCompute」を実行することによって、複数のキーポイントＫ１の検出と各キーポイントＫ１の特徴量記述子の算出とを行ってよい。
【0209】
また、各基準キーポイントＫｓの特徴量記述子は、予め算出済である。本実施例では、複数の基準キーポイントＫｓと各基準キーポイントＫｓの特徴量記述子とを表すデータは、予め不揮発性記憶装置２３０に格納されている（図示省略）。
【0210】
特徴量記述子を使用するキーポイントマッチングの方法は、種々の方法であってよい。マッチングの方法は、例えば、ＦＬＡＮＮ（Fast Library for Approximate Nearest Neighbor）ベースのマッチングと、総当たりマッチングと、から予め選択されてよい。ＦＬＡＮＮベースのマッチングには、例えば、ＯｐｅｎＣＶの「cv2.FlannBasedMatcher」によるマッチングを使用可能である。総当たりマッチングには、例えば、ＯｐｅｎＣＶの「cv2.BFMatcher」によるマッチングを使用可能である。本実施例では、プロセッサ２１０は、総当たりマッチングを行う。
【0211】
なお、本実施例では、図２で説明したように、織物７００は、糸Ｗｆ、Ｗｐによって形成される同じパターンが規則的に並ぶように、構成される。従って、画像Ｂｆ１、Ｂｆｓ内の位置が大きく異なるとともに、パターンの類似する部分を表すキーポイントペアＫ１、Ｋｓが、対応付けられ得る（例えば、線ＲＬｚによって表されるマッチングペア）。このような不適切なマッチングペアが形成される可能性を低減する方法としては、種々の方法を採用可能である。例えば、プロセッサ２１０は、複数のマッチングペアを使用してホモグラフィ行列を算出し、ホモグラフィ行列に基づいて外れ値に分類されるマッチングペアを取り除いてよい。この処理には、例えば、ＯｐｅｎＣＶの関数「cv2.findHomography」を使用可能である。この関数では、RANSAC、または、LEAST_MEDIANと呼ばれるアルゴリズムを使用可能である。いずれのアルゴリズムも、複数のマッチングペアを、良いペア（inliers）と外れ値（outliers）とに分類する。図２５において、線ＲＬによって表されるような適切なマッチングペアＫ１、Ｋｓは、良いペアに分類される可能性が高い。線ＲＬｚによって表されるような不適切なマッチングペアＫ１、Ｋｓは、外れ値に分類される可能性が高い。プロセッサ２１０は、良いペアに分類される複数のキーポイントペアを、最終的なマッチングペアとして採用してよい。
【0212】
また、キーポイントマッチングの方法は、以下の方法であってよい。本実施例では、織物７００の歪みは、織物７００の局所的な変形によって生じる。従って、対象織物７００の実際の歪みによって形成され得る変位（例えば、撮影キーポイントＫ１の変位）には、限界がある。そこで、プロセッサ２１０は、対象撮影キーポイントＫ１と、対象撮影キーポイントＫ１を含む検索領域に含まれる基準キーポイントＫｓと、を使用して、キーポイントマッチング（例えば、特徴量記述子に基づくキーポイントマッチング）を行ってよい。検索領域は、例えば、対象撮影キーポイントＫ１の位置を中心とする円形状の領域であってよい。半径は、対象織物７００の実際の歪みによって形成され得る変位（特に、最大の変位）を半径が表すように、予め実験的に決定される。プロセッサ２１０は、複数の撮影キーポイントＫ１に対して、このようなキーポイントマッチングを行うことによって、適切なマッチングペアを形成できる。なお、このキーポイントマッチングの後に、プロセッサ２１０は、ホモグラフィ行列に基づいて外れ値に分類されるマッチングペアを取り除いてよい。
【0213】
Ｓ８１４ｆ（図２４）では、プロセッサ２１０は、複数のマッチングペアを使用して変位ベクトル場を生成する。図２５には、変位ベクトル場ＶＦｆの例が示されている。本実施例では、プロセッサ２１０は、マッチングペアＫ１、Ｋｓの撮影キーポイントＫ１を、制御点ＣＰｆとして採用する。プロセッサ２１０は、マッチングペアＫ１、Ｋｓの撮影キーポイントＫ１の座標から基準キーポイントＫｓの座標へ至るベクトルを、変位ベクトルＶｆとして採用する。図示するように、変位ベクトル場ＶＦｆは、ブロック画像Ｂｆ１上に配置された複数の制御点ＣＰｆのそれぞれの変位ベクトルＶｆを表している。
【0214】
Ｓ８１６ｆ（図２４）では、プロセッサ２１０は、変位ベクトル場ＶＦｆを使用して、ブロック画像Ｂｆ１の歪みを補正する。補正方法は、Ｓ３３０ｅ（図１９）での変位ベクトル場ＶＦｅを使用する歪みの付与方法と同じである。変位ベクトル場ＶＦｆに基づく歪みの付与は、ブロック画像Ｂｆ１に含まれる歪みを低減する。図２５には、補正済ブロック画像Ｂｆ２の例が示されている。補正済ブロック画像Ｂｆ２中では、ブロック画像Ｂｆ１中と比べて、歪みが低減されている。ブロック画像Ｂｆ１が欠陥（例えば、欠陥Ｄｆ）を表す場合、補正済ブロック画像Ｂｆ２は、同じ欠陥を表している（ただし、欠陥は、ブロック画像Ｂｆ１上の欠陥から変形し得る）。
【0215】
Ｓ８９０（図２４）は、図２２のＳ８９０と同じである。プロセッサ２１０は、Ｓ８１０ｆで得られる複数の補正済ブロック画像のそれぞれを異常検知モデル３１０に入力し、対象織物７００が異常を有するか否かを判断する。Ｓ８９０の後のＳ８９４、Ｓ８９６、Ｓ８９８は、図７のＳ８９４、Ｓ８９６、Ｓ８９８と、それぞれ同じである。Ｓ８９６の判断結果がＮｏである場合、プロセッサ２１０は、Ｓ７１０へ移行する。
【0216】
以上のように、本実施例では、歪み補正は、基準画像（ここでは、基準ブロック画像Ｂｆｓ）を使用するキーポイントマッチングの結果を使用する歪みの補正を含んでいる。従って、撮影画像中の対象織物７００が歪みを有する場合であっても、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0217】
Ｇ．第７実施例：
Ｇ１．訓練処理：
図２６は、第７実施例の訓練処理の例を示すフローチャートである。図１９の訓練処理との差違は、異常検知モデル３１０の訓練のための訓練ブロック画像に、歪みが付与される点である。本実施例では、歪み補正モデル３２０は、省略される。
Ｇ１．訓練処理：
図２６は、第７実施例の訓練処理の例を示すフローチャートである。図１９の訓練処理との差違は、異常検知モデル３１０の訓練のための訓練ブロック画像に、歪みが付与される点である。本実施例では、歪み補正モデル３２０は、省略される。
【0218】
Ｓ１１０ｅ、Ｓ１３０は、図１９のＳ１１０ｅ、Ｓ１３０と、それぞれ同じである。プロセッサ２１０は、正常、かつ、歪みの小さい訓練織物７００ｔを表す複数のブロック画像のデータを取得する。
【0219】
Ｓ３１０ｇは、図１９のＳ３１０ｅと同じである。プロセッサ２１０は、Ｓ１３０で得られるブロック画像の一部分に欠陥画像をペーストする。Ｓ３１０ｇは、異常検知モデル３１０の訓練に欠陥を有する訓練画像が使用される場合に、実行される。本実施例では、Ｓ３１０ｇは、省略される。
【0220】
Ｓ３２０ｇ、Ｓ３３０ｇは、図１９のＳ３２０ｅ、Ｓ３３０ｅと、それぞれ同じである。プロセッサ２１０は、ランダムに変位ベクトル場を生成し、変位ベクトル場を使用してブロック画像に歪みを付与する。これにより、プロセッサ２１０は、歪みを有する訓練ブロック画像のデータを生成する。プロセッサ２１０は、Ｎ枚の訓練ブロック画像を生成するために、Ｎ枚のブロック画像に対して、Ｓ３２０ｇ、Ｓ３３０ｇの処理を実行してよい。また、プロセッサ２１０は、Ｎ枚のブロック画像を取得するために、Ｓ１１０ｅで、複数枚の撮影画像のデータを取得してよい。そして、Ｓ１３０では、プロセッサ２１０は、複数枚の撮影画像のそれぞれから、複数のブロック画像を取得してよい。
【0221】
Ｓ３４０ｇでは、プロセッサ２１０は、Ｎ枚の訓練ブロック画像を使用して、異常検知モデル３１０を訓練する。訓練方法は、図１９等のＳ２９０での訓練方法と同じである。Ｓ３４０ｇの後、プロセッサ２１０は、図２６の処理を終了する。
【0222】
本実施例の検査処理は、図１１の検査処理と同じである。このように、本実施例では、異常検知モデル３１０は、歪みを有する複数の訓練ブロック画像を使用して訓練されている。従って、撮影画像によって表される対象織物７００が歪みを有する場合であっても、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0223】
Ｈ．第８実施例：
Ｈ１．訓練処理：
図２７は、第８実施例の訓練処理の例を示すフローチャートである。本実施例の訓練処理は、図１９のＳ１１０ｅ、Ｓ１３０と、図１２のＳ１４０ｃ－Ｓ２９０の処理ＳＣ１と、図１９のＳ３１０ｅ－Ｓ３８０ｅの処理ＳＥ１と、を含んでいる。このように、異常検知モデル３１０の訓練方法は、図１２の実施例の訓練方法と同じである。歪み補正モデル３２０の訓練方法は、図１９の実施例の訓練方法と同じである。
Ｈ１．訓練処理：
図２７は、第８実施例の訓練処理の例を示すフローチャートである。本実施例の訓練処理は、図１９のＳ１１０ｅ、Ｓ１３０と、図１２のＳ１４０ｃ－Ｓ２９０の処理ＳＣ１と、図１９のＳ３１０ｅ－Ｓ３８０ｅの処理ＳＥ１と、を含んでいる。このように、異常検知モデル３１０の訓練方法は、図１２の実施例の訓練方法と同じである。歪み補正モデル３２０の訓練方法は、図１９の実施例の訓練方法と同じである。
【0224】
Ｈ２．検査処理：
図２８は、第８実施例の検査処理の例を示すフローチャートである。本実施例の検査処理は、図１６のＳ７１０、Ｓ７２０、Ｓ７３０と、Ｓ７４０ｃ－Ｓ７７０ｃの処理ＳＣ２と、図２２のＳ８１０ｅ－Ｓ８９０の処理ＳＥ２と、を含んでいる。処理ＳＥ２では、処理ＳＣ２による処理済のブロック画像が、処理される。このように、プロセッサ２１０は、対象織物７００の撮影画像を表すブロック画像に対して、第１角度ＡＣ１の補正（Ｓ７５０ｃ）と、第２角度ＡＣ２の補正（Ｓ７７０ｃ）と、歪みの補正（Ｓ８１０ｅ）とを、行う。Ｓ８９０では、プロセッサ２１０は、処理ＳＣ２、ＳＥ２によって生成される複数の補正済ブロック画像のそれぞれを異常検知モデル３１０に入力し、対象織物７００が異常を有するか否かを判断する。
図２８は、第８実施例の検査処理の例を示すフローチャートである。本実施例の検査処理は、図１６のＳ７１０、Ｓ７２０、Ｓ７３０と、Ｓ７４０ｃ－Ｓ７７０ｃの処理ＳＣ２と、図２２のＳ８１０ｅ－Ｓ８９０の処理ＳＥ２と、を含んでいる。処理ＳＥ２では、処理ＳＣ２による処理済のブロック画像が、処理される。このように、プロセッサ２１０は、対象織物７００の撮影画像を表すブロック画像に対して、第１角度ＡＣ１の補正（Ｓ７５０ｃ）と、第２角度ＡＣ２の補正（Ｓ７７０ｃ）と、歪みの補正（Ｓ８１０ｅ）とを、行う。Ｓ８９０では、プロセッサ２１０は、処理ＳＣ２、ＳＥ２によって生成される複数の補正済ブロック画像のそれぞれを異常検知モデル３１０に入力し、対象織物７００が異常を有するか否かを判断する。
【0225】
以上のように、本実施例では、プロセッサ２１０は、対象織物７００の欠陥の有無を判断するために、以下の処理を実行する。Ｓ７２０、Ｓ７３０（図２８）では、プロセッサ２１０は、対象織物７００の撮影画像を表すブロック画像のデータを取得する。Ｓ７５０ｃ、Ｓ７７０ｃ、Ｓ８１０ｅでは、プロセッサ２１０は、ブロック画像の補正処理を行う。Ｓ８９０では、プロセッサ２１０は、補正処理による処理済の画像を異常検知モデル３１０に入力して対象織物７００の欠陥の有無を判断する。ここで、補正処理（Ｓ７５０ｃ、Ｓ７７０ｃ、Ｓ８１０ｅ）は、対象織物７００を表す画像中の対象織物７００の歪みを補正する歪み補正（Ｓ８１０ｅ）を含んでいる。従って、撮影画像中の対象織物７００が歪みを有する場合であっても、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0226】
また、本実施例では、補正処理（Ｓ７５０ｃ、Ｓ７７０ｃ、Ｓ８１０ｅ）は、さらに、角度補正（Ｓ７５０ｃ、Ｓ７７０ｃ）を含む。図１４（Ｅ）に示すように、Ｓ７５０ｃの補正は、画像の回転（アフィン変換の一種）による第１角度ＡＣ１の補正である（第１補正と呼ぶ）。具体的には、第１補正は、基準方向Ｄｘに対する第１方向Ｄｃ１の第１角度ＡＣ１をアフィン変換の回転によって、第１特定角度ＡＣ１Ｚに近づける。図１４（Ａ）で説明したように、第１角度ＡＣ１は、対象織物７００を表す画像中の複数のパターンＰＴｃ１が規則的に並ぶ方向である第１方向Ｄｃ１を示している。第１パターンＰＴｃ１は、糸Ｗｆ、Ｗｐによって形成される。図１４（Ｊ）に示すように、Ｓ７７０ｃの補正は、画像の剪断変換による第２角度ＡＣ２の補正である。具体的には、第２補正は、第２基準方向（ここでは、－Ｄｙ方向）に対する第２方向Ｄｃ２の第２角度ＡＣ２を、アフィン変換の剪断によって、第２特定角度ＡＣ２Ｚに近づける。図１４（Ｆ）で説明したように、第２角度ＡＣ２は、対象織物７００を表す画像中の複数の第２パターンＰＴｃ２が規則的に並ぶ方向である第２方向Ｄｃ２を示している。第２パターンＰＴｃ２は、糸Ｗｆ、Ｗｐによって形成される。そして、Ｓ８１０ｅによる歪み補正は、角度補正（Ｓ７５０ｃ、Ｓ７７０ｃ）による処理済の画像中の対象織物７００の歪みを補正する。
【0227】
この構成によれば、ブロック画像（すなわち、撮影画像）中の対象織物７００の歪みのうち、角度のズレは、角度補正（ここでは、Ｓ７５０ｃ、Ｓ７７０ｃ）によって、適切に補正される。Ｓ８１０ｅの歪み補正は、角度が補正されたブロック画像に対して、行われる。従って、Ｓ８１０ｅの歪み補正に対する角度のズレの影響は、緩和される。以上により、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0228】
また、Ｓ８１０ｅの歪み補正に機械学習モデル（例えば、歪み補正モデル３２０）が使用される場合、機械学習モデルは、角度のズレを想定せずに、訓練可能である。従って、機械学習モデルの訓練の負担を軽減できる（例えば、互いに異なる角度に対応する複数の訓練画像は、省略可能である）。
【0229】
なお、検査処理（図２８）からは、第１補正（Ｓ７５０ｃ）と第２補正（Ｓ７７０ｃ）とのいずれかの角度補正は、省略されてよい。訓練処理（図２７）からは、省略された角度補正に対応する補正（Ｓ１５０ｃ、または、Ｓ１７０ｃ）は、省略されてよい。また、Ｓ８１０ｅの歪み補正に代えて、Ｓ８１０ｆ（図２４）の歪み補正が実行されてよい。この場合、歪み補正モデル３２０は、省略されてよい。訓練処理（図２７）からは、処理ＳＥ１は、省略されてよい。
【0230】
Ｉ．第９実施例：
Ｉ１．訓練処理：
図２９は、第９実施例の訓練処理の例を示すフローチャートである。本実施例の訓練処理は、図２６のＳ１１０ｅ、Ｓ１３０と、図１７のＳ１４０ｃ－Ｓ１７２ｄの処理ＳＤ１と、図２６のＳ３１０ｇ－Ｓ３４０ｇの処理ＳＧ１と、を含んでいる。処理ＳＧ１では、処理ＳＤ１による処理済のブロック画像が、処理される。このように、プロセッサ２１０は、種々の第１角度ＡＣ１と、種々の第２角度ＡＣ２と、種々の歪みと、を有する複数の訓練ブロック画像を使用して、異常検知モデル３１０を訓練する。なお、本実施例では、歪み補正モデル３２０は、省略される。
Ｉ１．訓練処理：
図２９は、第９実施例の訓練処理の例を示すフローチャートである。本実施例の訓練処理は、図２６のＳ１１０ｅ、Ｓ１３０と、図１７のＳ１４０ｃ－Ｓ１７２ｄの処理ＳＤ１と、図２６のＳ３１０ｇ－Ｓ３４０ｇの処理ＳＧ１と、を含んでいる。処理ＳＧ１では、処理ＳＤ１による処理済のブロック画像が、処理される。このように、プロセッサ２１０は、種々の第１角度ＡＣ１と、種々の第２角度ＡＣ２と、種々の歪みと、を有する複数の訓練ブロック画像を使用して、異常検知モデル３１０を訓練する。なお、本実施例では、歪み補正モデル３２０は、省略される。
【0231】
本実施例の検査処理は、図１１の検査処理と同じである。このように、本実施例では、プロセッサ２１０は、対象織物７００の欠陥の有無を判断するために、以下の処理を実行する。Ｓ７２０、Ｓ７３０（図１１）では、プロセッサ２１０は、対象織物７００の撮影画像を表すブロック画像のデータを取得する。Ｓ８９０ｂでは、プロセッサ２１０は、ブロック画像を異常検知モデル３１０に入力して対象生地の欠陥の有無を判断する。図２９のＳ３２０ｇ－Ｓ３４０ｇに示すように、異常検知モデル３１０は、訓練織物７００ｔを表す第１種画像（ここでは、Ｓ１３０で得られるブロック画像）に、歪みの付与（Ｓ３３０ｇ）を含む画像処理ＳＤ１、ＳＧ１を実行することによって得られる第２種画像（ここでは、訓練ブロック画像）を使用して訓練されている。従って、撮影画像中の対象織物７００が歪みを有する場合であっても、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0232】
また、本実施例では、訓練ブロック画像を生成するための画像処理ＳＤ１、ＳＧ１は、角度を変更する処理（Ｓ１７２ｄ）を含んでいる。角度変更処理（Ｓ１７２ｄ）は、第１角度ＡＣ１を変更する第１変更処理と、第２角度ＡＣ２を変更する第２変更処理と、を含んでいる。第１変更処理は、処理対象の画像の第１方向Ｄｃ１（図１４（Ｅ））の第１基準方向（ここでは、＋Ｄｘ方向）に対する第１角度ＡＣ１をアフィン変換（ここでは、回転）によって変更する。第２変更処理は、処理対象の画像の第２方向Ｄｃ２（図１４（Ｊ））の第２基準方向（ここでは、－Ｄｙ方向）に対する第２角度ＡＣ２をアフィン変換の剪断によって変更する。歪みの付与（Ｓ３３０ｇ）は、角度変更処理（Ｓ１７２ｄ）による処理済の画像に歪みを付与する。このような画像処理によって得られる訓練ブロック画像は、実際の織物７００を適切に表すことができる。従って、プロセッサ２１０は、このような訓練ブロック画像を使用して訓練された異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0233】
なお、角度変更処理（Ｓ１７２ｄ）からは、第１角度ＡＣ１の第１変更処理、または、第２角度ＡＣ２の第２変更処理が、省略されてよい。
【0234】
Ｊ．第１０実施例：
検査対象の生地は、織物（例えば、織物７００（図２））に代えて、編物であってよい。図３０は、編物のパターンの例を示す図である。編物７００Ｊは、糸Ｗｊを使用して、編まれている。編物７００Ｊの編み方は、種々の編み方であってよい。いずれの場合も、編物７００Ｊは、編み方に対応付けられるパターンが規則的に並ぶように、構成される。デジタルカメラ１１０によって生成される編物７００Ｊの撮影画像は、編物７００Ｊの細かいパターンを表している。パターンの並ぶ方向の特定方法は、種々の方法であってよい。例えば、糸Ｗｊに囲まれる隙間ＰＪ１は、第１部分Ｐａ１、Ｐｃ１（図４（Ｂ）、図１４（Ａ））と同様に、島状の部分を形成する。従って、上記の各実施例と同様に、プロセッサ２１０は、二値化された画像を使用することによって、複数の隙間ＰＪ１で構成されるパターンの並ぶ方向（例えば、複数のパターンＰＴｊ１の並ぶ方向）を推定できる。また、パターンとしては、パターンＰＴｊ２のように、糸Ｗｊの形状（例えば、ループ、結び目など）が使用されてよい。この場合、プロセッサ２１０は、パターンＰＴｊ２のテンプレート画像を使用するテンプレートマッチングによって、撮影画像から複数のパターンＰＴｊ２を検出してよい。そして、プロセッサ２１０は、検出された複数のパターンＰＴｊ２を使用して、パターンＰＴｊ２の並ぶ方向を推定してよい。このように、撮影画像によって表される編物７００Ｊ、織物７００などの生地の方向（すなわち、糸によって形成されるパターンが規則的に並ぶ方向）は、テンプレートマッチングによって決定されてよい。
検査対象の生地は、織物（例えば、織物７００（図２））に代えて、編物であってよい。図３０は、編物のパターンの例を示す図である。編物７００Ｊは、糸Ｗｊを使用して、編まれている。編物７００Ｊの編み方は、種々の編み方であってよい。いずれの場合も、編物７００Ｊは、編み方に対応付けられるパターンが規則的に並ぶように、構成される。デジタルカメラ１１０によって生成される編物７００Ｊの撮影画像は、編物７００Ｊの細かいパターンを表している。パターンの並ぶ方向の特定方法は、種々の方法であってよい。例えば、糸Ｗｊに囲まれる隙間ＰＪ１は、第１部分Ｐａ１、Ｐｃ１（図４（Ｂ）、図１４（Ａ））と同様に、島状の部分を形成する。従って、上記の各実施例と同様に、プロセッサ２１０は、二値化された画像を使用することによって、複数の隙間ＰＪ１で構成されるパターンの並ぶ方向（例えば、複数のパターンＰＴｊ１の並ぶ方向）を推定できる。また、パターンとしては、パターンＰＴｊ２のように、糸Ｗｊの形状（例えば、ループ、結び目など）が使用されてよい。この場合、プロセッサ２１０は、パターンＰＴｊ２のテンプレート画像を使用するテンプレートマッチングによって、撮影画像から複数のパターンＰＴｊ２を検出してよい。そして、プロセッサ２１０は、検出された複数のパターンＰＴｊ２を使用して、パターンＰＴｊ２の並ぶ方向を推定してよい。このように、撮影画像によって表される編物７００Ｊ、織物７００などの生地の方向（すなわち、糸によって形成されるパターンが規則的に並ぶ方向）は、テンプレートマッチングによって決定されてよい。
【0235】
Ｋ．変形例：
（１）図３、図７の実施例において、異常検知モデル３１０の訓練には、さらに、種々の第２角度ＡＣ２を示す複数の訓練ブロック画像が使用されてよい。例えば、プロセッサ２１０は、図３のＳ１５０で生成される複数の訓練ブロック画像を使用して、図１７のＳ１６０ｃＳ１６２ｄ、Ｓ１６４ｄ、Ｓ１７０ｃと、修正されたＳ１７２ｄと、を実行してよい。修正されたＳ１７２では、第１角度ＡＣ１の変化は省略され、プロセッサ２１０は、第２角度ＡＣ２を変化させる。Ｓ２９０では、この修正されたＳ１７２ｄで生成される複数の訓練ブロック画像が使用される。この変形例では、複数の訓練ブロック画像は、複数の訓練ブロック画像の複数の第２方向Ｄｃ２（図１４（Ｊ））の基準方向（ここでは、－Ｄｙ方向）に対する第２角度ＡＣ２の分布範囲が第２角度範囲ＡＣ２Ｒであるように、構成されている。そして、図１８（Ｂ）で説明したように、第２角度範囲ＡＣ２Ｒは、訓練織物７００ｔの撮影画像を使用して推定される第２角度ＡＣ２の分布を使用して、決定される。ここで、訓練織物７００ｔは、対象織物７００の撮影のために対象織物７００を搬送する搬送装置９００によって支持される。また、第２角度ＡＣ２は、織物７００（例えば、訓練織物７００ｔ）の斜行に基づく第２方向Ｄｃ２の角度を示している。この構成によれば、図１７、図１８の実施例と同様に、撮影画像によって表される対象織物７００によって示される第２角度ＡＣ２が変化する場合であっても、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
（１）図３、図７の実施例において、異常検知モデル３１０の訓練には、さらに、種々の第２角度ＡＣ２を示す複数の訓練ブロック画像が使用されてよい。例えば、プロセッサ２１０は、図３のＳ１５０で生成される複数の訓練ブロック画像を使用して、図１７のＳ１６０ｃＳ１６２ｄ、Ｓ１６４ｄ、Ｓ１７０ｃと、修正されたＳ１７２ｄと、を実行してよい。修正されたＳ１７２では、第１角度ＡＣ１の変化は省略され、プロセッサ２１０は、第２角度ＡＣ２を変化させる。Ｓ２９０では、この修正されたＳ１７２ｄで生成される複数の訓練ブロック画像が使用される。この変形例では、複数の訓練ブロック画像は、複数の訓練ブロック画像の複数の第２方向Ｄｃ２（図１４（Ｊ））の基準方向（ここでは、－Ｄｙ方向）に対する第２角度ＡＣ２の分布範囲が第２角度範囲ＡＣ２Ｒであるように、構成されている。そして、図１８（Ｂ）で説明したように、第２角度範囲ＡＣ２Ｒは、訓練織物７００ｔの撮影画像を使用して推定される第２角度ＡＣ２の分布を使用して、決定される。ここで、訓練織物７００ｔは、対象織物７００の撮影のために対象織物７００を搬送する搬送装置９００によって支持される。また、第２角度ＡＣ２は、織物７００（例えば、訓練織物７００ｔ）の斜行に基づく第２方向Ｄｃ２の角度を示している。この構成によれば、図１７、図１８の実施例と同様に、撮影画像によって表される対象織物７００によって示される第２角度ＡＣ２が変化する場合であっても、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0236】
また、図１２、図１６の実施例において、異常検知モデル３１０の訓練には、さらに、種々の第２角度ＡＣ２を示す複数の訓練ブロック画像が使用されてよい。例えば、プロセッサ２１０は、図１２のＳ１７０ｃで生成される複数の訓練ブロック画像を使用して、図１７のＳ１６０ｃＳ１６２ｄ、Ｓ１６４ｄ、Ｓ１７０ｃと、修正されたＳ１７２ｄと、を実行してよい。修正されたＳ１７２では、第１角度ＡＣ１の変化は省略され、プロセッサ２１０は、第２角度ＡＣ２を変化させる。Ｓ２９０では、この修正されたＳ１７２ｄで生成される複数の訓練ブロック画像が使用される。図１６の検査処理では、Ｓ７６０ｃ、Ｓ７７０ｃは省略される。この場合も、図１７、図１８の実施例と同様に、撮影画像によって表される対象織物７００によって示される第２角度ＡＣ２が変化する場合であっても、プロセッサ２１０は、異常検知モデル３１０を使用することによって、対象織物７００の欠陥の有無を適切に判断できる。
【0237】
（２）図３、図７の実施例において、プロセッサ２１０は、織物７００の複数の撮影画像を使用して、第１特定角度ＡＡ１Ｚを決定してよい。例えば、プロセッサ２１０は、Ｓ１４０とＳ１５０との間に、図９のＳ１４２ｂ、Ｓ１４４ｂを実行してよい。この変形例では、第１特定角度ＡＡ１Ｚは、訓練織物７００ｔのブロック画像（すなわち、撮影画像）を使用して推定される第１角度ＡＡ１の分布（図１０）を使用して、決定される。ここで、訓練織物７００ｔは、対象織物７００の撮影のために対象織物７００を搬送する搬送装置９００によって支持される。また、第１角度ＡＡ１は、図４（Ｆ）等で説明したように、織物７００（例えば、訓練織物７００ｔ）の回転に基づく角度を示している。この構成によれば、第１特定角度ＡＡ１Ｚと、検査処理で使用されるブロック画像によって示される第１角度ＡＡ１と、の間の差違が低減する。従って、第１角度ＡＡ１の補正（Ｓ１５０（図３）、Ｓ７５０（図７））による補正量（例えば、回転角度）は低減する。この結果、欠陥の有無の判断に対する第１角度ＡＡ１の補正のマイナスの影響は、緩和される。
【0238】
また、図１２、図１６の実施例において、プロセッサ２１０は、織物７００の複数の撮影画像を使用して、第１特定角度ＡＣ１Ｚと第２特定角度ＡＣ２Ｚとの一方、または、両方を決定してよい。例えば、プロセッサ２１０は、図１２のＳ１４０ｃとＳ１５０ｃとの間に、図１７のＳ１４２ｄ、Ｓ１４４ｄを実行してよい。また、プロセッサ２１０は図１２のＳ１６０ｃとＳ１７０ｃとの間に、図１７のＳ１６２ｄ、Ｓ１６４ｄを実行してよい。第１特定角度ＡＣ１Ｚが上記のように決定される場合、第１角度ＡＣ１の補正（Ｓ１５０ｃ（図１２）、Ｓ７５０ｃ（図１６））による補正量（例えば、回転角度）が低減する。従って、第１角度ＡＣ１の補正に起因する欠陥の誤検知の可能性を、低減できる。第２特定角度ＡＣ２Ｚが上記のように決定される場合、第２角度ＡＣ２の補正（Ｓ１７０ｃ（図１２）、Ｓ７７０ｃ（図１６））による補正量（例えば、剪断変換による角度の変化量）が低減する。従って、欠陥の有無の判断に対する第２角度ＡＣ２の補正のマイナスの影響は、緩和される。
【0239】
（３）上記実施例と変形例とでは、第１特定角度ＡＡ１Ｚ、ＡＣ１Ｚと、それらの角度の範囲ＡＡ１Ａ、ＡＡ１Ｒ、ＡＣ１Ｒとの決定（例えば、Ｓ１５２（図３）、Ｓ１４２ｂ、Ｓ１４４ｂ（図９）、Ｓ１４２ｄ、Ｓ１４４ｄ（図１７））では、複数枚のブロック画像から得られる複数の第１角度ＡＡ１、ＡＣ１の分布が使用される。図４（Ｄ）、図４（Ｃ）、図１４（Ａ）図１４（Ｃ）で説明したように、１枚のブロック画像からは、第１角度ＡＡ１、ＡＣ１に相当する角度ＡＡ１ｖ、ＡＣ１ｖを示す複数のベクトルＶａ、Ｖｃ１が、取得される。このような角度ＡＡ１ｖ、ＡＣ１ｖも、織物７００の方向Ｄａ、Ｄｃ１を示している。プロセッサ２１０は、１枚の画像から得られる複数のベクトルＶａ、Ｖｃ１の複数の角度ＡＡ１ｖ、ＡＣ１ｖの分布を使用して、第１特定角度ＡＡ１Ｚ、ＡＣ１Ｚと範囲ＡＡ１Ａ、ＡＡ１Ｒ、ＡＣ１Ｒとを決定してよい。
【0240】
上記実施例と変形例とでは、第２特定角度ＡＣ２Ｚと第２角度範囲ＡＣ２Ｒとの決定（例えば、Ｓ１６２ｄ、Ｓ１６４ｄ（図１７））では、複数枚のブロック画像から得られる複数の第２角度ＡＣ２の分布が使用される。図１４（Ｆ）、図１４（Ｈ）で説明したように、１枚のブロック画像からは、第２角度ＡＣ２に相当する角度ＡＣ２ｖを示す複数のベクトルＶｃ２が、取得される。このような角度ＡＣ２ｖも、織物７００の方向Ｄｃ２を示している。プロセッサ２１０は、１枚の画像から得られる複数のベクトルＶｃ２の複数の角度ＡＣ２ｖの分布を使用して、第２特定角度ＡＣ２Ｚと第２角度範囲ＡＣ２Ｒとを決定してよい。
【0241】
（４）上記実施例と変形例とにおいて、第１角度ＡＡ１、ＡＣ１は、生地（例えば、織物７００、または、編物７００Ｊ）の斜行に基づく第１方向Ｄａ、Ｄｃ１の角度を示してよい。この場合、第１角度ＡＡ１、ＡＣ１の補正（例えば、Ｓ１５０（図３）、Ｓ７５０（図７）、Ｓ１５０ｃ（図１２、図１７、図２７）、Ｓ７５０ｃ（図１６、図２８））は、第１方向Ｄａ、Ｄｃ１に交差する方向（例えば、第２方向Ｄｙ）の剪断変換によって、行われてよい。データオーグメンテーションによる第１角度ＡＡ１、ＡＣ１の変化（例えば、Ｓ１５４（図３）、Ｓ１５４ｂ（図９）、Ｓ１７２ｄ（図１７、図２９））は、剪断変換によって、行われてよい。
【0242】
上記実施例と変形例とにおいて、第１角度ＡＡ１、ＡＣ１は、生地の回転と斜行との両方に基づく角度であってよい。例えば、第１角度ＡＡ１、ＡＣ１は、回転と剪断変換との足し合わせによって、定められてよい。
【0243】
上記実施例と変形例とにおいて、第２角度ＡＣ２は、生地（例えば、織物７００、または、編物７００Ｊ）の回転に基づく第２方向Ｄｃ２の角度を示してよい。この場合、第２角度ＡＣ２の補正（例えば、Ｓ１７０ｃ（図１２、図１７、図２７）、Ｓ７７０ｃ（図１６、図２８））は、回転によって、行われてよい。データオーグメンテーションによる第２角度ＡＣ２の変化（例えば、Ｓ１７２ｄ（図１７、図２９））は、回転によって、行われてよい。
【0244】
上記実施例と変形例とにおいて、第２角度ＡＣ２は、生地の回転と斜行との両方に基づく角度であってよい。例えば、第２角度ＡＣ２は、回転と剪断変換との足し合わせによって、定められてよい。
【0245】
（５）上記実施例と変形例とにおいて、異常検知モデルは、図６の異常検知モデル３１０に代えて、異常を検知する種々のモデルであってよい。例えば、異常検知モデルは、図６のモデル３１０に加えて、欠陥を有する対象物（ここでは、生地）の画像から欠陥の無い同じ対象物の画像を生成するように訓練された画像生成モデル（例えば、オートエンコーダなど）を含んでよい。検査処理では、プロセッサ２１０は、生地の撮影画像を表すブロック画像を画像生成モデルに入力することによって、欠陥の無いブロック画像である中間ブロック画像を生成する。プロセッサ２１０は、ブロック画像と中間ブロック画像との間の差分画像を生成する。プロセッサ２１０は、差分画像をモデル３１０に入力することによって、生地が異常（すなわち、欠陥）を有するか否かを判断する。
【0246】
また、異常検知モデルは、ＦａｓｔＦｌｏｗ（FastFlow: Unsupervised Anomaly Detection and Localization via 2D Normalizing Flows）と呼ばれる技術を使用して構成されてよい。ＦａｓｔＦｌｏｗは、例えば、以下の論文に開示されている。
Jiawei Yu, Ye Zheng, Xiang Wang, Wei Li, Yushuang Wu, Rui Zhao, Liwei Wu, “Fastflow: Unsupervised Anomaly Detection and Localization via 2d Normalizing Flows.” arXiv:2111.07677, http://arxiv.org/abs/2111.07677
Jiawei Yu, Ye Zheng, Xiang Wang, Wei Li, Yushuang Wu, Rui Zhao, Liwei Wu, “Fastflow: Unsupervised Anomaly Detection and Localization via 2d Normalizing Flows.” arXiv:2111.07677, http://arxiv.org/abs/2111.07677
【0247】
また、異常検知モデルは、欠陥を有する画像から欠陥の無い画像を生成するように訓練された画像生成モデルであってよい（例えば、オートエンコーダなど）。撮影画像と、撮影画像から得られる生成画像と、の間の差分画像は、欠陥を示す画像として使用可能である。
【0248】
異常検知モデルの訓練方法は、異常検知モデルに適する任意の方法であってよい。いずれの場合も、異常検知モデルの訓練には、上記実施例と変形例とで説明した種々の訓練ブロック画像が使用されてよい。
【0249】
（６）上記実施例と変形例とにおいて、歪み補正モデルは、図２１の歪み補正モデル３２０に代えて、歪みを補正する種々のモデルであってよい。例えば、複数の制御点の複数の変位のセット３２０ａｏ（図２１）は、図２０（Ｃ）の変位ベクトル場ＶＦｅと同様に、マトリクス状に配置された複数の制御点のそれぞれの変位ベクトルを示している。ここで、プロセッサ２１０は、最小矩形を形成する４個の制御点の４個の変位ベクトルを使用するホモグラフィ変換によって、最小矩形の画像を変換してよい。プロセッサ２１０は、このようなホモグラフィ変換を、ブロック画像を形成する複数の最小矩形のそれぞれに対して、行う。
【0250】
また、歪み補正モデルは、歪みを有する対象物（ここでは、生地）の画像から歪みが低減された同じ対象物の画像を生成するように訓練された画像生成モデルであってよい（例えば、オートエンコーダなど）。この場合、欠陥を有する対象物の画像から、同じ欠陥を有する対象物の画像を生成するように、歪み補正モデルが訓練されることが好ましい。このような歪み補正モデルの訓練処理は、図１９のＳ３１０ｅのように、訓練画像に欠陥を付与する処理を含むことが好ましい。
【0251】
（６）上記実施例と変形例との訓練処理において、図３のＳ１５２、Ｓ１５４のように、角度の分布範囲よりも狭い範囲でのデータオーグメンテーションは、第１角度ＡＣ１と第２角度ＡＣ２との一方、または、両方に適用されてよい。
【0252】
（７）上記実施例と変形例とにおいて、生地を光学的に読み取る装置は、デジタルカメラ１１０のような携帯型の読取装置に代えて、据え置き型の読取装置（例えば、スキャナ）であってよい。このように、光学的に読み取られた生地の画像は、カメラによって撮影された撮影画像に限らず、スキャナによって読み取られたスキャン画像など、種々の読取画像であってよい。
【0253】
（８）上記実施例と変形例とにおいて、プロセッサ２１０は、種々の演算を、ＧＰＵ２６０に実行させてよい。例えば、プロセッサ２１０は、機械学習モデル（例えば、異常検知モデル３１０、または、歪み補正モデル３２０）による演算の一部、または、全部を、ＧＰＵ２６０に実行させてよい。
【0254】
（９）上記実施例と変形例とにおいて、訓練処理は、生地の欠陥の有無を判断する判断装置（例えば、データ処理装置２００）とは異なる装置（例えば、コンピュータ）によって実行されてよい。また、判断装置は、パーソナルコンピュータとは異なる種類の装置（例えば、デジタルカメラ、スキャナ、スマートフォン、タブレットコンピュータ）であってもよい。また、ネットワークを介して互いに通信可能な複数の装置（例えば、コンピュータ）が、判断装置による検査処理の機能を一部ずつ分担して、全体として、検査処理の機能を提供してもよい（これらの装置を備えるシステムが判断装置に対応する）。
【0255】
上記各実施例において、ハードウェアによって実現されていた構成の一部をソフトウェアに置き換えるようにしてもよく、逆に、ソフトウェアによって実現されていた構成の一部あるいは全部をハードウェアに置き換えるようにしてもよい。例えば、異常検知モデル３１０（図６）の機能を、専用のハードウェア回路によって実現してもよい。
【0256】
また、本開示の機能の一部または全部がコンピュータプログラムで実現される場合には、そのプログラムは、コンピュータ読み取り可能な記録媒体（例えば、一時的ではない記録媒体）に格納された形で提供することができる。プログラムは、提供時と同一または異なる記録媒体（コンピュータ読み取り可能な記録媒体）に格納された状態で、使用され得る。「コンピュータ読み取り可能な記録媒体」は、メモリーカードやＣＤ－ＲＯＭのような携帯型の記録媒体に限らず、各種ＲＯＭ等のコンピュータ内の内部記憶装置や、ハードディスクドライブ等のコンピュータに接続されている外部記憶装置も含み得る。
【0257】
上記の実施例と変形例とは、適宜に組み合わせることができる。また、上記の実施例と変形例とは、本開示の理解を容易にするためのものであり、本発明を限定するものではない。本発明は、その趣旨を逸脱することなく、変更、改良され得ると共に、本発明にはその等価物が含まれる。
【符号の説明】
【0258】
１１０…デジタルカメラ、１２０…光源、２００…データ処理装置、２１０…プロセッサ、２１５…記憶装置、２２０…揮発性記憶装置、２３０…不揮発性記憶装置、２３２…訓練プログラム、２３３…検査プログラム、２４０…表示部、２５０…操作部、２６０…グラフィックスプロセッシングユニット、２７０…通信インタフェース、３１０…異常検知モデル、３１０ａ…特徴抽出モデル、３１０ｔ…画像分類モデル、３２０…歪み補正モデル、３２０ａ…畳込ネット回帰器、３２０ｂ…空間変換器、３２０ｃ…リサンプラ、３２０ａｏ…変位セット、７００…織物、７００ａ…対象織物、７００ｂ…対象織物、７００ｃ…対象織物、７００ｄ…対象織物、７００ｔ…訓練織物、７００Ｊ…編物、９００…搬送装置、９１０…第１ローラ、９１２…ロータリーエンコーダ、９２０…第２ローラ、９２２…駆動モーター
【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】
【図25】
【図26】
【図27】
【図28】
【図29】
【図30】