特開 2024-16679 外観検査方法、プログラムおよび記録媒体

(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】P2024016679

(43)【公開日】2024-02-07

(54)【発明の名称】外観検査方法、プログラムおよび記録媒体

(51)【国際特許分類】

   G06T 7/00 20170101AFI20240131BHJP

   G06V 10/82 20220101ALI20240131BHJP

   G01N 21/85 20060101ALI20240131BHJP

【ＦＩ】

G06T7/00 610Z

G06T7/00 350C

G06V10/82

G01N21/85 A

【審査請求】未請求

【請求項の数】12

【出願形態】ＯＬ

(21)【出願番号】P 2022118975

(22)【出願日】2022-07-26

(71)【出願人】

【識別番号】000207551

【氏名又は名称】株式会社ＳＣＲＥＥＮホールディングス

(74)【代理人】

【識別番号】100135013

【弁理士】

【氏名又は名称】西田 隆美

(72)【発明者】

【氏名】久保 友輔

【テーマコード（参考）】

2G051

5L096

【Ｆターム（参考）】

2G051AA02

2G051AA03

2G051AB02

2G051CA04

2G051CC11

2G051EB05

2G051ED21

5L096BA03

5L096BA18

5L096CA02

5L096FA32

5L096FA33

5L096FA66

5L096GA51

5L096HA11

5L096JA11

5L096KA04

(57)【要約】

【課題】エッジの抽出処理または概形抽出処理の精度に依存せずに、検査対象の外観検査を適切に行うことができる技術を提供する。
【解決手段】特徴量抽出部４２は、検査対象の錠剤９を複数の方向から撮影した第１画像５１～第４画像５４について、複数次元のベクトルで表される特徴量ｘ_ｉをそれぞれ抽出する。異常度算出部４４は、第１画像５１～第４画像５４の特徴量ｘ_ｉと、基準となる良品の特徴量ｘ_ｉの分布を示す良品特徴量分布情報６３とに基づいて、第１画像５１～第４画像５４の異常度α_ｉをそれぞれ算出する。評価部４６は、第１画像５１～第４画像５４の各異常度α_ｉに基づいて、検査対象の錠剤９を評価する。
【選択図】図３

【特許請求の範囲】

【請求項1】

外観検査方法であって、
ａ） 検査対象物を複数の方向から撮影した各画像について、複数次元のベクトルで表される特徴量をそれぞれ抽出する工程と、
ｂ） 前記各画像の各前記特徴量と、基準となる良品の前記特徴量の分布を示す良品特徴量分布情報とに基づいて、前記各画像の異常度をそれぞれ算出する工程と、
ｃ） 前記各画像の各前記異常度に基づいて、前記検査対象物を評価する工程と、
を含む、外観検査方法。

【請求項2】

請求項１に記載の外観検査方法であって、
前記工程ａ）は、前記各画像について、次元削減を行うニューラルネットワークを用いて前記各特徴量を抽出する工程を含む、外観検査方法。

【請求項3】

請求項２に記載の外観検査方法であって、
前記ニューラルネットワークは、前記検査対象物とは異なる対象物の画像を用いた機械学習により得られる、外観検査方法。

【請求項4】

請求項３に記載の外観検査方法であって、
前記ニューラルネットワークは、ＩｍａｇｅＮｅｔの学習用データを用いた機械学習により得られるニューラルネットワークである、外観検査方法。

【請求項5】

請求項１から請求項４のいずれか１項に記載の外観検査方法であって、
前記良品特徴量分布情報は、前記複数次元のベクトルについての平均ベクトルと、共分散行列とを含む、外観検査方法。

【請求項6】

請求項５に記載の外観検査方法であって、
前記共分散行列は、前記良品の前記特徴量の分布が正規分布に従うと仮定した場合に推定される共分散行列である、外観検査方法。

【請求項7】

請求項５に記載の外観検査方法であって、
前記異常度は、マハラノビス距離である、外観検査方法。

【請求項8】

請求項１から請求項４のいずれか１項に記載の外観検査方法であって、
前記工程ｃ）は、前記異常度が所定の閾値を超えるか否かを判定する工程を含む、外観検査方法。

【請求項9】

請求項８に記載の外観検査方法であって、
前記工程ｃ）は、前記各画像の各前記異常度のうちの最大値が前記閾値を超えるか否かを判定する工程を含む、外観検査方法。

【請求項10】

請求項１から請求項４のいずれか１項に記載の外観検査方法であって、
ｄ） 前記良品特徴量分布情報を取得する工程、
をさらに含み、
前記工程ｄ）は、
ｄ１） 複数の良品を複数の方向から撮影した各画像について、前記特徴量を抽出する工程と、
ｄ２） 前記工程ｄ１）によって抽出された前記特徴量の分布を推定する工程と、
を含む、外観検査方法。

【請求項11】

コンピュータが実行可能なプログラムであって、
前記コンピュータに請求項１から請求項４のいずれか１項に記載の外観検査方法を実行させる、プログラム。

【請求項12】

コンピュータが読み取り可能な記録媒体であって、
請求項１１に記載のプログラムが記録されている、記録媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本明細書で開示される主題は、外観検査方法、プログラムおよび記録媒体に関する。

【背景技術】

【0002】

従来、錠剤を撮影して得られる画像に基づいて、錠剤の外観を検査する錠剤検査手法が知られている。例えば、特許文献１では、隣接した画素間のエッジ強度を用いて、画像が上面、側面、背景の３領域に分割され、分割された領域に基づいて、錠剤が２つの楕円で近似される。そして、近似された楕円と実際の領域の輪郭線との乖離が計測され、乖離が閾値を超える点が一定以上連続する場合、「欠け」として抽出される。また、概形が抽出された後に検査領域が設定され、当該検査領域内で黒点の有無などの検査が行われる。

【先行技術文献】

【特許文献】

【0003】

【特許文献1】特開２０１９－１２４５１９号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、従来技術は、外観検査の精度が、エッジの抽出処理または概形抽出処理の精度に大きく依存する。このため、これらの処理を正確に行えない場合には、欠陥を見逃してしまうおそれがあった。

【0005】

本発明の目的は、エッジの抽出処理または概形抽出処理の精度に依存せずに、検査対象の外観検査を適切に行うことができる技術を提供することにある。

【課題を解決するための手段】

【0006】

上記課題を解決するため、第１態様は、外観検査方法であって、ａ）検査対象物を複数の方向から撮影した各画像について、複数次元のベクトルで表される特徴量をそれぞれ抽出する工程と、ｂ）前記各画像の各前記特徴量と、基準となる良品の前記特徴量の分布を示す良品特徴量分布情報とに基づいて、前記各画像の異常度をそれぞれ算出する工程と、ｃ）前記各画像の各前記異常度に基づいて、前記検査対象物を評価する工程とを含む。

【0007】

第２態様は、第１態様の外観検査方法であって、前記工程ａ）は、前記各画像について、次元削減を行うニューラルネットワークを用いて前記各特徴量を抽出する工程を含む。

【0008】

第３態様は、第２態様の外観検査方法であって、前記ニューラルネットワークは、前記検査対象物とは異なる対象物の画像を用いた機械学習により得られる。

【0009】

第４態様は、第３態様の外観検査方法であって、前記ニューラルネットワークは、ＩｍａｇｅＮｅｔの学習用データを用いた機械学習により得られるニューラルネットワークである。

【0010】

第５態様は、第１態様から第４態様のいずれか１つの外観検査方法であって、前記良品特徴量分布情報は、前記複数次元のベクトルについての平均ベクトルと、共分散行列とを含む。

【0011】

第６態様は、第５態様の外観検査方法であって、前記共分散行列は、前記良品の前記特徴量の分布が正規分布に従うと仮定した場合に推定される共分散行列である。

【0012】

第７態様は、第５態様または第６態様の外観検査方法であって、前記異常度は、マハラノビス距離である。

【0013】

第８態様は、第１態様から第７態様のいずれか１つの外観検査方法であって、前記工程ｃ）は、前記異常度が所定の閾値を超えるか否かを判定する工程を含む。

【0014】

第９態様は、第８態様の外観検査方法であって、前記工程ｃ）は、前記各画像の各前記異常度のうちの最大値が前記閾値を超えるか否かを判定する工程を含む。

【0015】

第１０態様は、第１態様から第９態様のいずれか１つの外観検査方法であって、ｄ）前記良品特徴量分布情報を取得する工程、をさらに含み、前記工程ｄ）は、ｄ１）複数の良品を複数の方向から撮影した各画像について、前記特徴量を抽出する工程と、ｄ２）前記工程ｄ１）によって抽出された前記特徴量の分布を推定する工程とを含む。

【0016】

第１１態様は、コンピュータが実行可能なプログラムであって、前記コンピュータに第１態様から第１０態様のいずれか１つの外観検査方法を実行させる。

【0017】

第１２態様は、コンピュータが読み取り可能な記録媒体であって、第１１態様のプログラムが記録されている。

【発明の効果】

【0018】

第１態様から第１０態様の外観検査方法によると、学習済みモデルを用いて画像自体を入力として特徴量抽出を行い、事前に求めた良品画像の特徴量の分布に従って異常度を計算する。そのため、エッジ点群の抽出や、概形抽出などの画像処理の精度に依存することなく、検査対象物の外観検査を行うことができる。

【0019】

第３態様の外観検査方法によれば、ニューラルネットワークに学習させるために検査対象物の画像を収集する手間を省くことができる。

【0020】

第７態様の外観検査方法によると、異常度αｉとしてマハラノビス距離を用いることにより、次元毎のバラつきの違いを考慮しつつ、良品の特徴量の平均からの距離を測ることができる。

【0021】

第８態様の外観検査方法によると、閾値に基づいて検査対象物の良否を判定できる。

【0022】

第９態様の外観検査方法によると、各画像の異常度のうち最大値が閾値を超えるか否かを判定することによって、欠陥検出の感度を高くすることができる。

【図面の簡単な説明】

【0023】

【図1】実施形態の外観検査装置を示す図である。

【図2】情報処理装置のハードウェア構成例を示す図である。

【図3】情報処理装置の機能的な構成例を示すブロック図である。

【図4】外観検査装置が実行する外観検査処理の流れを示す図である。

【図5】良品特徴量分布情報を取得する流れを示す図である。

【図6】良品特徴量分布情報の取得を概念的に示す図である。

【発明を実施するための形態】

【0024】

以下、添付の図面を参照しながら、本発明の実施形態について説明する。なお、この実施形態に記載されている構成要素はあくまでも例示であり、本発明の範囲をそれらのみに限定する趣旨のものではない。図面においては、理解容易のため、必要に応じて各部の寸法や数が誇張又は簡略化して図示されている場合がある。

【0025】

図１は、実施形態の外観検査装置１を示す図である。外観検査装置１は、検査対象物の外観を検査する装置である。以下の説明では、検査対象物が錠剤９である場合について説明する。なお、錠剤９は、素錠（裸錠）であってもよく、あるいは、糖衣錠、フィルムコーティング錠（ＦＣ錠）等のコーティング錠であってもよい。また、錠剤９は、硬カプセル剤および軟カプセル剤を含むカプセル剤であってもよい。また、錠剤９は、医薬品に限らず、健康食品としての錠剤や、ラムネ等の錠菓であってもよい。また、検査対象物は、錠剤９に限定されるものではなく、その他の物品（例えば、各種部品など）であってもよい。

【0026】

図１に示されるように、外観検査装置１は、カメラ１０と、四角錐ミラー１２と、４つの外側ミラー１４と、搬送機構１６と、情報処理装置２０とを備える。

【0027】

カメラ１０は、錠剤９を撮影するためのイメージセンサを有する。カメラ１０は、情報処理装置２０と通信可能に接続されている。カメラ１０は、イメージセンサに入射した光の強度に応じた画像信号を情報処理装置２０へ出力する。

【0028】

四角錐ミラー１２は、カメラ１０の視野角内に配置されている。４つの外側ミラー１４は、四角錐ミラー１２の周囲に配置されている。カメラ１０は、各外側ミラー１４および四角錐ミラー１２の錐面に映る錠剤９の像を撮影する。すなわち、カメラ１０は、錠剤９を互いに異なる４方向から、同時に撮影することが可能である。

【0029】

なお、外観検査装置１は、複数のカメラ１０で錠剤９を撮影することによって、４方向から撮影した画像を取得できるようにしてもよい。また、撮影する方向は、４方向に限定されるものではなく、少なくとも２方向以上であればよい。

【0030】

搬送機構１６は、錠剤９を保持しつつ一定方向に所定速度で搬送する。搬送機構１６は、例えば、ベルトコンベアなどで構成される。カメラ１０は、搬送機構１６によって搬送されている錠剤９を撮影する。なお、外観検査装置１は、搬送機構１６の代わりに、錠剤９を一定位置に保持するステージを備えていてもよい。そして、カメラ１０は、一定位置に固定された錠剤９を撮影するようにしてもよい。

【0031】

図２は、情報処理装置２０のハードウェア構成例を示す図である。情報処理装置２０は、コンピュータの構成を備える。具体的には、情報処理装置２０は、プロセッサ２１、ＲＡＭ２３、記憶部２５、通信インターフェース２７、機器インターフェース２８およびバス２９を備える。プロセッサ２１、ＲＡＭ２３、記憶部２５、通信インターフェース２７および機器インターフェース２８は、バス２９を介して、互いに電気的に接続される。

【0032】

プロセッサ２１は、例えば、ＣＰＵまたはＧＰＵなどの処理回路を含む。ＲＡＭ２３および記憶部２５は、情報の読み出しおよび書き込みが可能な記憶媒体である。ＲＡＭ２３は、例えば、ＤＲＡＭ、ＳＲＡＭ、またはＳＤＲＡＭを含む。記憶部２５は、例えば、ハードディスクドライブまたはソリッドステートドライブなどの固定ドライブを含む。なお、記憶部２５は、可搬性を有するリムーバブルメディア（光ディスク、磁気ディスク、または、半導体メモリなどの記録媒体）と、リムーバブルメディアに対して読み書きを行うメディアドライブとを含んでもよい。記憶部２５は、プログラムＰを記憶する。プロセッサ２１は、ＲＡＭ２３を作業領域としてプログラムＰを実行することにより、各種機能を実現する。

【0033】

通信インターフェース２７は、情報処理装置２０をインターネットなどのネットワークに接続するためのインターフェースである。プログラムＰは、ネットワークを通じて、情報処理装置２０に提供または配布されてもよい。

【0034】

機器インターフェース２８は、カメラ１０、入力部３１および表示部３３を情報処理装置２０と電気的に接続するためのインターフェースである。入力部３１は、キーボードまたはマウスなどの入力デバイスを含む。表示部３３は、文字や図形などの表示情報を表示する。表示部３３は、例えば液晶ディスプレイを含む。表示部３３をタッチパネルで構成することによって、表示部３３を入力部３１として機能させてもよい。

【0035】

図３は、情報処理装置２０の機能的な構成例を示すブロック図である。図３に示されるように、情報処理装置２０は、画像抽出部４１、特徴量抽出部４２、学習部４３、異常度算出部４４、分布推定部４５および評価部４６を備える。画像抽出部４１、特徴量抽出部４２、学習部４３、異常度算出部４４、分布推定部４５および評価部４６は、プロセッサ２１がプログラムＰを実行することによってソフトウェア的に実現される機能である。

【0036】

画像抽出部４１は、カメラ１０が錠剤９を撮影することによって得られた撮影画像５０から、錠剤９を４方向から撮影した各画像（第１画像５１、第２画像５２、第３画像５３、第４画像５４）を抽出する。

【0037】

特徴量抽出部４２は、第１画像５１～第４画像５４から、多次元（例えば、１２８０次元）のベクトルで表される特徴量ｘ_１，ｘ_２，ｘ_３，およびｘ_４をそれぞれ抽出する。なお、以下の説明では、特徴量ｘ_１～ｘ_４を、「特徴量ｘ_ｉ（ｉは、１～４のいずれかの整数）」と表記する場合がある。特徴量抽出部４２は、抽出した特徴量ｘ_ｉを、記憶部２５に記憶させる。

【0038】

特徴量抽出部４２は、次元削減を行うニューラルネットワーク６１を用いて、特徴量ｘ_ｉを抽出してもよい。ニューラルネットワーク６１のネットワーク構造としては、例えば、「ＥｆｆｉｃｅｎｔＮｅｔ」または「ＥｆｆｉｃｅｎｔＮｅｔＶ２」を採用し得る。

【0039】

学習部４３は、ニューラルネットワーク６１を事前に学習させる。学習部４３は、検査対象物である錠剤９とは異なる画像を、学習用データとして用いてもよい。好ましくは、文献「J. Deng, W. Dong, R. Socher, L.-J. Li, K. Li, and L. Fei-Fei. ImageNet: A Large-Scale Hierarchical Image Database. In The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2009」に記載された、「ＩｍａｇｅＮｅｔ」の学習用データを用いて事前学習を行ってもよい。このように、検査対象物（錠剤９）以外の画像を用いて学習を行うことによって、学習に用いる画像を収集する手間を省くことができる。

【0040】

なお、ニューラルネットワーク６１として、学習済である既存のニューラルネットワークを利用することも可能である。この場合、学習部４３を省略することが可能である。また、既存の学習済のニューラルネットワーク６１を利用することによって、ニューラルネットワーク６１に学習させる学習時間を削減できる。

【0041】

異常度算出部４４は、特徴量ｘ_ｉと、良品特徴量分布情報６３とに基づいて、第１画像５１～第４画像５４の各画像の異常度α_１，α_２，α_３，α_４（以下、「異常度α_ｉ」と表記する場合がある。）をそれぞれ算出する。良品特徴量分布情報６３は、基準となる良品の画像から抽出される良品の特徴量ｘ_ｉの分布を示す情報である。異常度α_ｉは、良品の特徴量の分布からの相違を示す値である。異常度α_ｉの具体的な算出方法については、後述する。

【0042】

評価部４６は、異常度算出部４４が算出した異常度α_ｉに基づいて、検査対象の錠剤９を評価する。具体的には、異常度α_ｉと閾値Ｔｈとを比較することによって、検査対象の錠剤９の良否を判定する。評価部４６は、評価結果を、記憶部２５に記憶させる。また、評価部４６は、評価結果を、表示部３３に表示させてもよい。

【0043】

図４は、外観検査装置１が実行する外観検査処理の流れを示す図である。まず、カメラ１０が検査対象の錠剤９を撮影することによって、撮影画像５０が取得される（ステップＳ１１）。そして、画像抽出部４１は、撮影画像５０から、第１画像５１～第４画像５４を抽出する（ステップＳ１２）。

【0044】

特徴量抽出部４２は、ステップＳ１２によって取得された第１画像５１～第４画像５４から、特徴量ｘ_ｉを抽出する（ステップＳ１３）。異常度算出部４４は、ステップＳ１３によって抽出された特徴量ｘ_ｉと、良品特徴量分布情報６３とに基づいて、異常度α_ｉを算出する（ステップＳ１４）。そして、評価部４６は、ステップＳ１４によって算出された異常度α_ｉおよび閾値Ｔｈに基づいて、検査対象の錠剤９の評価（良否判定）を行う（ステップＳ１５）。

【0045】

図５は、良品特徴量分布情報６３を取得する流れを示す図である。図６は、良品特徴量分布情報６３の取得を概念的に示す図である。図５に示されるように、まず、良品とされる複数の錠剤９（良品サンプル）をカメラ１０で撮像することによって、複数の良品の撮影画像がそれぞれ取得される（図５：ステップＳ２１）。良品の錠剤９の撮影条件（撮影方向等）は、検査対象の錠剤９を撮影する条件と同じとされる。つまり、良品の撮影画像は、良品の錠剤９を４方向から撮影した４つの良品第１画像７１、良品第２画像７２、良品第３画像７３および良品第４画像７４を含む（図６参照）。画像抽出部４１は、各良品の撮影画像から、良品第１画像７１～良品第４画像７４を抽出する（図５：ステップＳ２２）。これにより、図６に示されるように、良品第１画像７１～良品第４画像７４のそれぞれについて、複数の良品の画像群７１ｇ，７２ｇ，７３ｇおよび７４ｇが取得される。

【0046】

特徴量抽出部４２は、良品の画像群７１ｇ～７４ｇから、良品の特徴量ｘ_ｉ（ｘ_１，ｘ_２、ｘ_３およびｘ_４）をそれぞれ抽出する（図５：ステップＳ２３）。これにより、画像群７１ｇ～７４ｇ毎に、複数の良品の特徴量ｘ_ｉが取得される。分布推定部４５（図３参照）は、抽出された良品の特徴量ｘ_ｉについて、分布を推定する。すなわち、分布推定部４５は、各画像群７１ｇ～７４ｇから抽出される特徴量ｘ_ｉについて、平均ベクトルμ_１，μ_２，μ_３，μ_４（以下、「μ_ｉ」と表記する。）の算出、および、共分散行列Σ_１，Σ_２，Σ_３，Σ_４（以下、「Σ_ｉ」と表記する。）を推定する（ステップＳ２４）。

【0047】

平均ベクトルμ_ｉは、集計された良品の特徴量ｘ_ｉを平均したベクトルである。また、共分散行列Σ_ｉは、ベクトルの要素間の共分散の行列であって、良品の特徴量ｘ_ｉの分布が特定の分布モデルに従うと仮定するものとして推定される共分散の行列である。共分散行列Σ_ｉの推定には、文献「Rippel, O., Mertens, P., & Merhof, D. (2021, January). Modeling the distribution of normal data in pre-trained deep features for anomaly detection. In 2020 25th International」に倣い、Ledoit Wolf法を適用してもよい。また、分布モデルとしては正規分布モデルを適用してもよい。正規分布モデルを適用した場合、各画像群７１ｇ～７４ｇの良品の特徴量の分布として、Ｎ（μ_１，Σ_１）、Ｎ（μ_２，Σ_２）、Ｎ（μ_３，Σ_３）およびＮ（μ_４，Σ_４）が得られる。ステップＳ２４によって取得された平均ベクトルμ_ｉおよび共分散行列Σ_ｉは、良品特徴量分布情報６３として、記憶部２５に適宜保存される。

【0048】

図４に示されるステップＳ１４において、異常度算出部４４は、異常度α_ｉとして、マハラノビス距離を算出する。マハラノビス距離は、次式（１）によって定義される。

【0049】

【数1】

【0050】

異常度α_ｉとしてマハラノビス距離を用いることにより、次元毎のバラつきの違いを考慮しつつ、良品の特徴量の平均からの距離を測ることができる。

【0051】

図４に示されるステップＳ１５においては、評価部４６は、算出された異常度αｉ（α１，α２，α３およびα４）の最大値が、閾値Ｔｈを超えるか否かを判定する。異常度α_ｉの最大値が、閾値Ｔｈを超える場合、評価部４６は、欠陥があるものとして、否定的評価（すなわち、不良品）を評価結果として付与する。また、異常度α_ｉの最大値が閾値Ｔｈを超えない場合、評価部４６は、肯定的評価（すなわち、良品）を評価結果として付与する。この場合、４つの異常度α_ｉのうち１つでも閾値Ｔｈを超えているときに、検査対象の錠剤９が不良と評価される。したがって、欠陥検出の感度を高めることができる。

【0052】

なお、評価部４６は、４つの異常度α_ｉのうち最小値が、閾値Ｔｈを超えているか否かを判定し、閾値Ｔｈを超えている場合には、検査対象の錠剤９を不良と判定するようにしてもよい。この場合、４つの異常度α_ｉの全てが閾値Ｔｈを超えたときに不良品と評価される。このため、欠陥検出の感度を下げることができる。

【0053】

また、評価部４６は、４つの異常度α_ｉのうち２個または３個の異常度が閾値Ｔｈを超える場合に、検査対象の錠剤９を不良品と評価するようにしてもよい。

【0054】

以上のように、本実施形態の外観検査装置１によれば、検査対象の特徴量の、良品の特徴量の分布との相違を示す異常度に基づいて検査対象を評価するため、エッジの抽出処理または概形抽出処理の精度に依存せずに、検査対象の外観検査を適切に行うことができる。また、複数の方向から撮影した各画像について異常度を算出することによって、１方向からの画像で評価する場合よりも、外観検査の精度を向上することができる。

【0055】

この発明は詳細に説明されたが、上記の説明は、すべての局面において、例示であって、この発明がそれに限定されるものではない。例示されていない無数の変形例が、この発明の範囲から外れることなく想定され得るものと解される。上記各実施形態及び各変形例で説明した各構成は、相互に矛盾しない限り適宜組み合わせたり、省略したりすることができる。

【符号の説明】

【0056】

１ 外観検査装置
９ 錠剤
１０ カメラ
２０ 情報処理装置
４１ 画像抽出部
４２ 特徴量抽出部
４４ 異常度算出部
４５ 分布推定部
４６ 評価部
５１ 第１画像
５２ 第２画像
５３ 第３画像
５４ 第４画像
６１ ニューラルネットワーク
６３ 良品特徴量分布情報
７１ 良品第１画像
７２ 良品第２画像
７３ 良品第３画像
７４ 良品第４画像
Ｐ プログラム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】