特開 2024-179810 材料分析支援装置、材料分析支援方法、及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024179810

(43)【公開日】2024-12-26

(54)【発明の名称】材料分析支援装置、材料分析支援方法、及びプログラム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20241219BHJP

【ＦＩ】

G06T7/00 350C

【審査請求】未請求

【請求項の数】10

【出願形態】ＯＬ

(21)【出願番号】P 2023098957

(22)【出願日】2023-06-16

【公序良俗違反の表示】

（特許庁注：以下のものは登録商標）

１．ＰＹＴＨＯＮ

(71)【出願人】

【識別番号】000005083

【氏名又は名称】株式会社プロテリアル

(74)【代理人】

【識別番号】100096091

【弁理士】

【氏名又は名称】井上 誠一

(72)【発明者】

【氏名】小野 眞

(72)【発明者】

【氏名】石田 俊樹

(72)【発明者】

【氏名】新井 達也

【テーマコード（参考）】

5L096

【Ｆターム（参考）】

5L096BA08

5L096BA18

5L096DA02

5L096GA19

5L096HA09

5L096HA11

5L096JA11

5L096KA04

(57)【要約】

【課題】 複数のグループ間で品質上の違いが生じた要因を即座に分析するための材料分析支援装置等を提供する。
【解決手段】 材料分析支援装置１０は、複数の材料画像１とそれぞれに割り当てられたグループ情報２を用いて、材料画像１を分類するための分類モデル３を作成する分類モデル作成部２１と、分類モデル３による材料画像１の分類根拠を説明するための説明モデル４を作成する説明モデル作成部３１と、説明モデル４を用いて、１つ以上の材料画像１について、当該材料画像１の分類根拠を定量化した説明画像５を作成する説明画像作成部３３と、説明画像５を可視化する説明画像出力部３５と、を備える。また、材料分析支援装置１０は、分類モデル３により材料画像１を分類した分類結果を、カイ二乗検定を用いて検証する分類モデル検証部２３を備える。
【選択図】図２

【特許請求の範囲】

【請求項1】

複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成する分類モデル作成部と、
前記分類モデルによる前記材料画像の分類根拠を説明するための説明モデルを作成する説明モデル作成部と、
前記説明モデルを用いて、１つ以上の前記材料画像について、当該材料画像の分類根拠を定量化した説明画像を作成する説明画像作成部と、
前記説明画像を可視化する説明画像出力部と、
を備えることを特徴とする材料分析支援装置。

【請求項2】

前記説明画像作成部は、グループ毎に前記材料画像の分類根拠を定量化した説明画像を作成し、
前記説明画像出力部は、作成された各グループの前記説明画像を可視化する
ことを特徴とする請求項１に記載の材料分析支援装置。

【請求項3】

前記材料画像を領域毎に分割する領域分割部と、
前記材料画像に対応する前記説明画像を用いて、分割した領域毎に分類根拠を定量化した指標を集計する集計部と、
前記集計部の集計結果に基づいて、分割した領域を表示する領域分割画像の可視化を行う分割画像出力部と、を更に備える
ことを特徴とする請求項１または請求項２に記載の材料分析支援装置。

【請求項4】

前記分割画像出力部は、前記集計結果に基づいて各領域の前記領域分割画像を整列して表示する、または、前記集計結果に基づいて特定の領域の前記領域分割画像を選択して表示する
ことを特徴とする請求項３に記載の材料分析支援装置。

【請求項5】

前記説明画像は、ＳＨＡＰ値に基づく画像である
ことを特徴とする請求項１または請求項２に記載の材料分析支援装置。

【請求項6】

複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成する分類モデル作成部と、
前記分類モデルにより前記材料画像を分類した分類結果を、カイ二乗検定を用いて検証する分類モデル検証部と、
を備えることを特徴とする材料分析支援装置。

【請求項7】

コンピュータが、
複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成するステップと、
前記分類モデルによる前記材料画像の分類根拠を説明するための説明モデルを作成するステップと、
前記説明モデルを用いて、１つ以上の前記材料画像について、当該材料画像の分類根拠を定量化した説明画像を作成するステップと、
前記説明画像を可視化するステップと、
を実行することを特徴とする材料分析支援方法。

【請求項8】

コンピュータが、
複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成するステップと、
前記分類モデルにより前記材料画像を分類した分類結果を、カイ二乗検定を用いて検証するステップと、
を実行することを特徴とする材料分析支援方法。

【請求項9】

コンピュータを、
複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成する分類モデル作成部、
前記分類モデルによる前記材料画像の分類根拠を説明するための説明モデルを作成する説明モデル作成部、
前記説明モデルを用いて、１つ以上の前記材料画像について、当該材料画像の分類根拠を定量化した説明画像を作成する説明画像作成部、
前記説明画像を可視化する説明画像出力部、
として機能させるためのプログラム。

【請求項10】

コンピュータを、
複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成する分類モデル作成部、
前記分類モデルにより前記材料画像を分類した分類結果を、カイ二乗検定を用いて検証する分類モデル検証部、
として機能させることを特徴とするプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、材料分析支援装置、材料分析支援方法、及びプログラムに関し、詳細には、材料の品質管理における分析を支援する技術に関する。

【背景技術】

【0002】

各種製造物の品質管理において、ＱＣ七つ道具という統計学を基礎とした分析手法が広く普及している。複数の製造設備、複数の製造ロット、複数の作業員、複数のベンダーなどのように何らかのグループの間で品質に違いがある場合、ＱＣ七つ道具のうち、層別とヒストグラムがよく使用される。層別は、品質管理のために取得されたデータをグループ毎に分類して、それぞれを比較することである。一方、ヒストグラムは、データのばらつきを可視化する手法である。さらに、層別とヒストグラムを組み合わせて、複数のグループの間のデータの差を統計的に分析するためには、統計的な仮説検定が使用される。２つのグループの差を分析する場合、平均値の差の検定や中央値の差の検定がよく使用される。また、３つ以上のグループの間の差を分析する場合には、分散分析（ＡＮＯＶＡ）がよく使用される。

【0003】

金属、樹脂、磁石、セラミックなどの材料の新規開発や量産における品質管理では、電子顕微鏡、光学顕微鏡、電子マイクロアナライザなどを使用して、ミクロ組織を撮像し観察することが一般的である。撮像された材料画像に対して、グループ間の差を分析するためには、例えば、特許文献１に記載されているように、画像処理技術を駆使して、数種類の特徴量を抽出し、それらのデータを分析する必要がある。

【先行技術文献】

【特許文献】

【0004】

【特許文献1】特許第７１４７９７４号

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１の方法は、材料画像から画像処理技術を駆使して、特徴量を抽出する。しかし、分析対象の材料によって抽出すべき特徴量は異なるため、材料毎に専用の画像処理技術を開発する必要があり、品質管理における分析のような即効性が重要な課題には適していない。

【0006】

本発明は、このような事情に鑑みてなされたもので、複数のグループ間で品質上の違いが生じた要因を即座に分析するための材料分析支援装置等を提供することを目的とする。

【課題を解決するための手段】

【0007】

前述した課題を解決するための第１の発明は、複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成する分類モデル作成部と、前記分類モデルによる前記材料画像の分類根拠を説明するための説明モデルを作成する説明モデル作成部と、前記説明モデルを用いて、１つ以上の前記材料画像について、当該材料画像の分類根拠を定量化した説明画像を作成する説明画像作成部と、前記説明画像を可視化する説明画像出力部と、を備えることを特徴とする材料分析支援装置である。

【0008】

第１の発明によれば、複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、材料画像を分類するための分類モデルを作成する。この分類モデルによって材料画像を分類することで、複数のグループ間で品質上の違いが生じた要因を即座に分析することが可能となる。また、説明モデルを用いて、材料画像の分類根拠を定量化した説明画像を作成し、視覚化することで、材料画像の分類根拠を容易に把握することができる。本発明では、材料毎に専用の画像処理技術を開発する必要がないため、迅速な品質管理の分析が実現され、品質管理プロセスが大幅に向上する。

【0009】

また第１の発明において、前記説明画像作成部は、グループ毎に前記材料画像の分類根拠を定量化した説明画像を作成し、前記説明画像出力部は、作成された各グループの前記説明画像を可視化するようにしてもよい。グループ毎に分類根拠を定量化した説明画像を作成し、視覚化することで、グループ間で品質上の違いが生じた要因を容易に把握することができる。

【0010】

また、前記材料画像を領域毎に分割する領域分割部と、前記材料画像に対応する前記説明画像を用いて、分割した領域毎に分類根拠を定量化した指標を集計する集計部と、前記集計部の集計結果に基づいて、分割した領域を表示する領域分割画像の可視化を行う分割画像出力部と、を更に備えるようにしてもよい。また、前記分割画像出力部は、前記集計結果に基づいて各領域の前記領域分割画像を整列して表示する、または、前記集計結果に基づいて特定の領域の前記領域分割画像を選択して表示するようにしてもよい。材料画像を領域毎に分割し、領域毎に分類根拠を定量化した指標を集計することで、各領域がグループへの分類にどの程度寄与しているかが分かる。これにより、領域毎の重要度や特徴の相違を把握することができる。また、集計結果に基づいて分割した領域を可視化することで、特定の領域を優先的に観察したり、品質上の違いをより詳細に評価したりすることができる。

【0011】

また、前記説明画像は、例えば、ＳＨＡＰ値に基づく画像である。これにより、画素毎に分類根拠を可視化することが可能となる。

【0012】

第２の発明は、複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成する分類モデル作成部と、前記分類モデルにより前記材料画像を分類した分類結果を、カイ二乗検定を用いて検証する分類モデル検証部と、を備えることを特徴とする材料分析支援装置である。

【0013】

第２の発明によれば、複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、材料画像を分類するための分類モデルを作成する。この分類モデルによって材料画像を分類することで、複数のグループ間で品質上の違いが生じた要因を即座に分析することが可能となる。また、分類モデルの分類結果をカイ二乗検定により検証することで、グループ間の材料に何らかの違いがあるかどうかを客観的に評価することができる。本発明では、材料毎に専用の画像処理技術を開発する必要がないため、迅速な品質管理の分析が実現され、品質管理プロセスが大幅に向上する。

【0014】

第３の発明は、コンピュータが、複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成するステップと、前記分類モデルによる前記材料画像の分類根拠を説明するための説明モデルを作成するステップと、前記説明モデルを用いて、１つ以上の前記材料画像について、当該材料画像の分類根拠を定量化した説明画像を作成するステップと、前記説明画像を可視化するステップと、を実行することを特徴とする材料分析支援方法である。

【0015】

第４の発明は、コンピュータが、複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成するステップと、前記分類モデルにより前記材料画像を分類した分類結果を、カイ二乗検定を用いて検証するステップと、を実行することを特徴とする材料分析支援方法である。

【0016】

第５の発明は、コンピュータを、複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成する分類モデル作成部、前記分類モデルによる前記材料画像の分類根拠を説明するための説明モデルを作成する説明モデル作成部、前記説明モデルを用いて、１つ以上の前記材料画像について、当該材料画像の分類根拠を定量化した説明画像を作成する説明画像作成部、前記説明画像を可視化する説明画像出力部、として機能させるためのプログラムである。

【0017】

第６の発明は、コンピュータを、複数の材料画像とそれぞれに割り当てられたグループ情報を用いて、前記材料画像を分類するための分類モデルを作成する分類モデル作成部、前記分類モデルにより前記材料画像を分類した分類結果を、カイ二乗検定を用いて検証する分類モデル検証部、として機能させることを特徴とするプログラムである。

【発明の効果】

【0018】

本発明によれば、複数のグループ間で品質上の違いが生じた要因を即座に分析するための材料分析支援装置等が提供される。

【図面の簡単な説明】

【0019】

【図1】材料分析支援装置として利用するコンピュータのハードウェア構成の例を示す図である。

【図2】材料分析支援装置の機能構成の例を示すブロック図である。

【図3】グループ情報が割り当てられた材料画像のデータ例を示す図である。

【図4】材料分析支援装置が実行する処理の流れの例を示すフローチャートである。

【図5】２つのグループに分類する分類モデルを作成するプログラムの例である。

【図6】分類モデルの検証結果を可視化した検証画面の例である。

【図7】説明モデルを作成するプログラムの例である。

【図8】説明画像の可視化例を示す図である。

【図9】説明画像の可視化例を示す図である。

【図10】材料分析支援装置の機能構成の例を示すブロック図である。

【図11】領域分割データのデータ例を示す図である。

【図12】集計データのデータ例を示す図である。

【図13】材料分析支援装置が実行する処理の流れの例を示すフローチャートである。

【図14】領域分割画像の可視化例を示す図である。

【図15】図１４の領域分割画像の元となった材料画像を示す図である。

【図16】３つのグループに分類する分類モデルを作成するプログラムの例である。

【図17】分類モデルの検証結果を可視化した検証画面の例である。

【図18】説明画像の可視化例を示す図である。

【発明を実施するための形態】

【0020】

以下、図面に基づいて本発明の実施形態を詳細に説明する。

【0021】

［第１の実施形態］
図１は本発明の実施形態に係る材料分析支援装置１０のハードウェア構成の一例を示す図である。例えば、一般的なパーソナルコンピュータを材料分析支援装置１０として利用する場合、材料分析支援装置１０は、図１に示すように、制御部１１、記憶部１２、通信部１３、入力部１４、表示部１５、周辺機器Ｉ／Ｆ部１６等がバス１７を介して接続される。なお、図１に示す構成は一例であり、材料分析支援装置１０は用途、目的に応じて様々な構成を採ることが可能である。

【0022】

制御部１１は、ＣＰＵ（Central Processing Unit）、ＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）等を有する。ＣＰＵは、記憶部１２やＲＯＭ等の記録媒体に格納されるプログラムをＲＡＭ上のワークメモリ領域に呼び出して実行し、バス１７を介して接続された各部を駆動制御して材料分析支援装置１０の後述する各処理を実現する。

【0023】

ＲＯＭは不揮発性メモリであり、コンピュータのブートプログラムやＢＩＯＳ等のプログラム、データ等を恒久的に保持している。ＲＡＭは揮発性メモリであり、記憶部１２やＲＯＭ等の記録媒体からロードしたプログラムやデータを一時的に保持するとともに、制御部１１が各種処理を行うために使用するワークエリアを備える。

【0024】

記憶部１２は、ＨＤＤ（Hard
Disc Drive）、ＳＳＤ（Solid State Drive）、フラッシュメモリ等であり、制御部１１が実行するプログラム、プログラム実行に必要なデータ（材料画像１等のデータ）、ＯＳ（Operation System）等が格納される。なお、プログラム実行に必要なデータはクラウドサーバ等のネットワーク上に格納されてもよい。その場合、制御部１１は、プログラムの実行前や実行時に、クラウドサーバ等からデータをダウンロードする。

【0025】

通信部１３は、材料分析支援装置１０の通信を媒介する通信インタフェース及び通信制御回路を含み、ネットワークを介した通信の制御を行う。ネットワークは、ＬＡＮ（Local Area Network）、ＷＡＮ（Wide Area Network）、インターネット等を含み、有線、無線を問わない。

【0026】

入力部１４は、キーボード、マウス、またはタッチパネル等の入力装置、及び各種操作ボタン等を含む。入力部１４は、入力されたデータや操作指示を制御部１１に送信する。

【0027】

表示部１５は、液晶パネル等のディスプレイ等を備え、制御部１１の指示に従って画像やテキスト等のデータをディスプレイに表示する。

【0028】

周辺機器Ｉ／Ｆ部１６は、周辺機器を接続するためのポートであり、ＵＳＢ、Bluetooth（登録商標）等の近距離無線通信等を含む。制御部１１は周辺機器Ｉ／Ｆ部１６を介して周辺機器とのデータの送受信を行う。周辺機器Ｉ／Ｆ部１６には、例えばプリンタ等が接続される。

【0029】

次に、材料分析支援装置１０の機能構成を説明する。
図２は、本実施形態に係る材料分析支援装置１０の機能構成を示すブロック図である。図２に示すように、材料分析支援装置１０は、分類部２０（分類モデル作成部２１、分類モデル検証部２３）、説明部３０（説明モデル作成部３１、説明画像作成部３３、説明画像出力部３５）を備える。材料分析支援装置１０の制御部１１が、記憶部１２またはＲＯＭに記憶されたプログラムを読み出して実行することで、これらの機能を実現する。
材料分析支援装置１０は、これら機能によって材料の品質管理における迅速な分析を支援する。以下、各機能について説明する。

【0030】

分類部２０は、材料画像１を分類するための分類モデル３の作成および検証を行う機能部である。図２に示すように、分類部２０は、分類モデル作成部２１および分類モデル検証部２３から構成される。

【0031】

分類モデル作成部２１は、複数の材料画像１とそれぞれに割り当てられたグループ情報２を用いて、材料画像１を各グループに分類するための分類モデル３を作成する。

【0032】

材料画像１は、電子顕微鏡、光学顕微鏡、電子マイクロアナライザなどで材料を撮像した画像である。本実施形態では、材料画像１は、ベンダーから納品された炭化ケイ素の粉末を電子顕微鏡で撮像し、それを複数の小さなサイズにトリミングした画像である。また、本実施形態では、材料画像１は、各画素が輝度値を持つグレースケール画像（輝度画像）である。但し、材料画像１はグレースケール画像（輝度画像）に限定されない。なお、粉末を電子顕微鏡で撮像するときに、故意に粉末を散在させて撮像することが望ましい。これにより、粉末同士がほとんど重ならないような材料画像１を撮像することができる。

【0033】

各材料画像１にはグループ情報２が割り当てられる。グループ情報２は、例えば、製造ロット、製造設備、作業員、ベンダーなど、材料に関する属性情報を指す。本実施形態では、グループ情報２が製造ロット（「ロットＡ」「ロットＢ」）の場合を説明する。「ロットＡ」「ロットＢ」は、例えば、異なるベンダーから納品された炭化ケイ素の粉末のロットである。

【0034】

図３は、グループ情報２が割り当てられた材料画像１のデータ例を示す図である。図３の例では、「Ｉｍａｇｅ００１」「Ｉｍａｇｅ００２」「Ｉｍａｇｅ００３」・・・の材料画像１には「ロットＡ」のグループ情報２が割り当てられており、「Ｉｍａｇｅ０５１」「Ｉｍａｇｅ０５２」「Ｉｍａｇｅ０５３」・・・の材料画像１には「ロットＢ」のグループ情報２が割り当てられている。グループ情報２が割り当てられた材料画像１を学習用データとして、分類モデル３が学習される。

【0035】

分類モデル作成部２１は、グループ情報２が割り当てられた複数の材料画像１を学習データとして、材料画像１を各グループ（「ロットＡ」「ロットＢ」）に分類するための分類モデル３を学習する。分類モデル３は、一般的な教師あり機械学習の分類モデルであり、本実施形態では、機械学習としてニューラルネットワークを用いる例を示す。但し、必ずしもニューラルネットワークを用いる必要はなく、他の機械学習を用いてもよい。

【0036】

ニューラルネットワークに基づく分類モデル３をゼロから作成するためには、大量の材料画像が必要となるが、本実施形態のように品質管理における迅速な分析を目的とする場合、転移学習を用いることが望ましい。転移学習とは、事前に他の画像分類タスク（例えば、犬、猫、自動車、ビルなど）に対して学習されたニューラルネットワーク（事前学習済みモデル）を部分的に利用する技術であり、広く普及している。転移学習を用いることで、材料画像が少なくても分類モデル３を作成することができる。

【0037】

分類モデル検証部２３は、作成した分類モデル３により材料画像１を分類した分類結果を、カイ二乗検定を用いて検証する。分類モデル３の分類性能は、混同行列を作成し、正解率、適合率、再現率、Ｆ値などを指標にすることが一般的である。しかし、本実施形態は、品質管理における分析を目的としているため、必ずしも分類性能を向上することが目的ではない。そのため、本実施形態では、品質管理における分析という観点から、仮説検定の一つであるカイ二乗検定を用いて分類モデル３を検証する。

【0038】

具体的には、分類モデル検証部２３は、分類モデル３を用いて材料画像１を分類し、その分類結果をもとに分割表を作成し、分割表に対してカイ二乗検定を実行して有意確率を求める（図６参照）。これにより、異なるロット間の材料に何らかの違いがあるかどうかを客観的に評価することができる。

【0039】

説明部３０は、分類モデル３による材料画像１の分類根拠を説明するための機能部である。図２に示すように、説明部３０は、説明モデル作成部３１、説明画像作成部３３、および説明画像出力部３５から構成される。

【0040】

説明モデル作成部３１は、分類モデル３の分類根拠（グループ分けの根拠）を説明するための説明モデル４を作成する。具体的には、説明モデル作成部３１は、分類モデル３と複数の材料画像１を用いて、説明モデル４を作成する。説明モデル４の目的は、分類モデル３の分類結果（予測結果）を説明することである。そのため、説明モデル４の作成時（学習時）には、分類モデル３の作成時（学習時）に用いた材料画像１と同一の画像を用いることが望ましい。ただし、分類モデル３の分類結果（予測結果）を適切に説明することができればよく、必ずしも分類モデル３の作成時に使用された材料画像１と完全に同一である必要はない。

【0041】

説明モデル４は、説明可能ＡＩ（Explainable Artificial Intelligence）の技術を活用して作成する。説明可能ＡＩは、主に、機械学習モデルを単純化する技術と、機械学習モデルを可視化する技術の２つがある。本実施形態では、そのうちの可視化技術を活用する。可視化技術としては、例えばＬＩＭＥ（Local Interpretable Model-agnostic Explanations）、ＧｒａｄＣａｍ（Gradient-weighted Class Activation Mapping）、ＳＨＡＰ（SHapley Additive exPlanations）が知られている。これらの技術は、機械学習モデルが画像内のどの部分に着目して分類を行ったかといった分類の根拠を可視化することができる。特に、ＳＨＡＰは優れた説明可能ＡＩとして広く知られており、画素毎に分類根拠を定量化することが可能である。具体的には、画像内の特定の部分を隠した場合の分類結果への影響度を定量化する。これにより、画像内のどの部分が分類結果に寄与しているかを把握することができる。

【0042】

説明画像作成部３３は、説明モデル４を用いて、１つ以上の材料画像１について、その分類根拠を定量化した画像である説明画像５を作成する。本実施形態では、説明画像作成部３３は、説明モデル４を用いて、材料画像１の画素毎にＳＨＡＰ値を計算し、それに基づいて説明画像５を作成する。説明画像５は、各画素の色や輝度をＳＨＡＰ値に応じて変化させた画像である。

【0043】

また本実施形態では、説明画像作成部３３は、２つのグループ（「ロットＡ」「ロットＢ」）毎に説明画像５を作成する。これにより、各グループ（「ロットＡ」「ロットＢ」）への分類根拠が可視化され、２つのロット間の分類根拠の違いを視覚的に容易に把握することができる。「ロットＡ」への分類根拠を定量化した画像を説明画像５１、「ロットＢ」への分類根拠を定量化した画像を説明画像５２と表記する。なお、目的に応じてどちらか片方の説明画像５（５１または５２）を作成するのでもよい。

【0044】

説明画像出力部３５は、説明画像作成部３３によって作成された説明画像５を可視化する。本実施形態では、説明画像出力部３５は、材料画像１とともに、「ロットＡ」への分類根拠を可視化した説明画像５１と、「ロットＢ」への分類根拠を可視化した説明画像５２を表示部１５に表示する。なお、目的に応じてどちらか片方の説明画像５（５１または５２）を表示するのでもよい。

【0045】

次に、図４のフローチャートを参照して、材料分析支援装置１０が実行する処理（材料分析支援方法）の流れを説明する。図４の各ステップの処理を材料分析支援装置１０の制御部１１が実行することで、材料分析支援装置１０の各機能を実現する。

【0046】

まず、材料分析支援装置１０の制御部１１は、複数の材料画像１とそれぞれに割り当てられたグループ情報２を用いて（図３参照）、材料画像１を各グループに分類するための分類モデル３を作成する（ステップＳ１）。本実施形態では、材料画像１は、ベンダーから納品された炭化ケイ素の粉末を電子顕微鏡で撮像し、それを複数の小さなサイズにトリミングした画像である。またグループ情報２は、製造ロット（「ロットＡ」「ロットＢ」）である。分類モデル３は、転移学習に基づくニューラルネットワークを利用する。

【0047】

図５は、２つのグループ（「ロットＡ」「ロットＢ」）に分類する分類モデル３を作成するプログラム８１の例である。プログラム８１はプログラミング言語Ｐｙｔｈｏｎの記述例である。１行目でＶＧＧ１６と称される畳み込みニューラルネットワークの畳み込み層を転移学習として利用することを定義している。２行目以降が分類モデル３の定義で、材料画像１を入力後、はじめに前記のＶＧＧ１６の畳み込み層を実行し、その結果をグローバルアベレージプーリング処理で特徴量を削減する。

【0048】

次に、変数ＮＯＤＥ１に事前に入れておいた数のノードを通して、活性化関数ＲｅＬｕの処理を行う。その後、ドロップアウトという過学習を防止する処理を行い、再度、変数ＮＯＤＥ２に事前に入れておいた数のノードを通して、活性化関数ＲｅＬｕの処理を行う。最後に出力ノードを一つにして、シグモイド関数で０から１の数値を出力する。出力結果が０から０．５未満であれば、分類結果は「ロットＡ」、０．５から１であれば、分類結果は「ロットＢ」となる。

【0049】

図４のフローチャートの説明に戻る。材料分析支援装置１０の制御部１１は、ステップＳ１において作成された分類モデル３により材料画像１を分類した分類結果を、カイ二乗検定を用いて検証し、検証結果を可視化する（ステップＳ２）。

【0050】

図６は、分類モデル３の検証結果を可視化した検証画面の一例である。検証画面９１には、上側に分割表が表示され、下側にカイ二乗検定の結果が表示されている。この分割表は、実際には「ロットＡ」の材料画像１を５０枚、「ロットＢ」の材料画像１を５０枚、計１００枚の材料画像１を入力して、分類モデル３を検証した結果である。分割表から、分類モデル３が「ロットＡ」の材料画像１を正しく「ロットＡ」と分類した枚数は４４枚であり、誤って「ロットＢ」と分類した枚数は６枚であることが分かる。同様に、分類モデル３が「ロットＢ」の材料画像１を正しく「ロットＢ」と分類した枚数は１４枚であり、誤って「ロットＡ」と分類した枚数は３６枚であることが分かる。

【0051】

この分割表に対して、仮説検定の一つであるカイ二乗検定を実行した結果、有意確率はＬｉｋｅｌｉｈｏｏｄ Ｒａｔｉｏ法で、０．０４３１（すなわち４．３１％）、Ｐｅａｒｓｏｎ法で、０．０４５５（すなわち４．５５％）であることが分かる。分類モデル３としての性能は良くないが、「ロットＡ」と「ロットＢ」は有意に異なるものであることが分かる。すなわち、品質管理における分析の観点では、撮像された複数の材料画像１に「ロットＡ」と「ロットＢ」が違うものであるという情報が含まれており、機械学習がその違いを見つけ出したことになる。

【0052】

図４のフローチャートの説明に戻る。材料分析支援装置１０の制御部１１は、分類モデル３の分類根拠（グループ分けの根拠）を説明するための説明モデル４を作成する（ステップＳ３）。具体的には、制御部１１は、分類モデル３と複数の材料画像１を用いて、説明モデル４を作成する。説明モデル４は、説明可能ＡＩの技術を活用して作成する。

【0053】

図７は、説明モデル４を作成するプログラム８２の例である。プログラム８２はプログラミング言語Ｐｙｔｈｏｎの記述例である。プログラム８２は、１行目で、複数の材料画像１のファイル名をリストとして読み込み、２行目で事前に変数Ｎ＿ＤＡＴＡに入れておいた枚数をランダムにサンプリングする。３行目で、サンプリングされた複数の材料画像１を制御部１１のＲＡＭ上に読み出し、４行目で、分類モデル３（プログラム上では、ｍｏｄｅｌ）と前記の複数の材料画像１を入力して、ＳＨＡＰに基づいた説明モデル４を作成する。プログラム８２では、ｓｈａｐ＿ｅｘｐｌａｉｎｅｒが説明モデル４に相当する。

【0054】

次に、制御部１１は、説明モデル４を用いて、１つ以上の材料画像１について、その分類根拠を定量化した説明画像５を作成する（ステップＳ４）。本実施形態では、制御部１１は、説明モデル４を用いて、材料画像１の画素毎にＳＨＡＰ値を計算し、それに基づいて説明画像５を作成する。また、本実施形態では、制御部１１は、グループ（「ロットＡ」「ロットＢ」）毎に、材料画像１の分類根拠を定量化した説明画像５（説明画像５１、５２）を作成する。

【0055】

そして、制御部１１は、ステップＳ４において作成された説明画像５を可視化する（ステップＳ５）。本実施形態では、制御部１１は、材料画像１とともに、「ロットＡ」への分類根拠を可視化した説明画像５１と、「ロットＢ」への分類根拠を可視化した説明画像５２を表示部１５に表示する。

【0056】

図８、９は、説明画像５の可視化例を示す。図８、９の例では、材料画像１とともに２つの説明画像５（５１、５２）を表示している。

【0057】

図８の１ａは、実際に「ロットＡ」の材料画像を分類モデル３が「ロットＡ」と分類した材料画像の例である。材料画像１ａには、炭化ケイ素の粉末が散在した状態が写っている。淡い灰色のものが粉末、黒ないしは濃い灰色が背景である。材料画像１ａを説明モデル４に入力して作成された「ロットＡ」の説明画像が５１ａ、「ロットＢ」の説明画像が５２ａである。プログラム８１で示したように、一つの出力ノードに対して、シグモイド関数で「ロットＡ」と「ロットＢ」を分類しているため、「ロットＡ」の説明画像５１ａと「ロットＢ」の説明画像５２ａは、濃淡を反転させたことが違うだけである。そのため、どちらか片方の説明画像を表示するだけでもよい。分類モデル３が材料画像１ａを「ロットＡ」と判断した根拠が、５１ａの白い部分である。

【0058】

一方、図９の１ｂは、実際に「ロットＢ」の材料画像を分類モデル３が「ロットＢ」と分類した材料画像の一例である。また、材料画像１ｂを説明モデル４に入力して作成された「ロットＡ」の説明画像が５１ｂ、「ロットＢ」の説明画像が５２ｂである。５１ａ、５２ａ、５１ｂ、５２ｂの説明画像をよく観察して、ＳＨＡＰ値が大きい、すなわち白い部分を比較してみると、５１ａの白い部分は、粉末の輪郭が滑らかであることに気づく。逆に、５２ｂの白い部分は、粉末の輪郭がとげとげしいことに気づく。この結果から、「ロットＡ」は滑らかな粉末が多く、「ロットＢ」はとげとげしい粉末が多く、２つのロットに特徴の違いがあることが分かる。

【0059】

以上説明したように、本実施形態に係る材料分析支援装置１０は、複数の材料画像１とそれぞれに割り当てられたグループ情報２を用いて、材料画像１を分類するための分類モデル３を作成する。また、作成した分類モデル３により材料画像１を分類した分類結果を、カイ二乗検定を用いて検証する。さらに、分類モデル３の分類根拠を説明するための説明モデル４を用いて、材料画像１の分類根拠を定量化した説明画像５を可視化する。本実施形態によれば、分類モデル３によって複数の材料画像１を分類できるため、グループ間で品質上の違いが生じた要因を即座に分析することが可能となる。また、分類モデル３の分類結果をカイ二乗検定により検証することで、グループ間の材料に何らかの違いがあるかどうかを客観的に評価することができる。また、説明モデル４を用いて、材料画像１の分類根拠を定量化した説明画像５を作成し、視覚化することで、材料画像１の分類根拠を容易に把握することができる。

【0060】

［第２の実施形態］
次に、本発明の第２の実施形態について説明する。第１の実施形態において、２つのロット間の違いがごくわずかな場合には、説明画像５を観察しただけでは違いを判断できないことがある。そこで、第２の実施形態では、材料画像１を領域分割して表示することで、ロット間の違いを詳細に分析できるようにする。

【0061】

図１０は、第２の実施形態に係る材料分析支援装置１０ａの機能構成を示すブロック図である。材料分析支援装置１０ａは、材料分析支援装置１０の機能構成（図２）に加え、分割部４０を更に備える。分割部４０は、図１０に示すように、領域分割部４１、集計部４３、および分割画像出力部４５から構成される。

【0062】

領域分割部４１は、材料画像１に領域分割処理を適用し、材料画像１を領域（粉末）毎に分割する。材料画像１が、炭化ケイ素の粉末を散在させて電子顕微鏡で撮像された場合、粉末同士がほとんど重ならないような画像となる。その場合、材料画像１中、粉末は淡い灰色、背景は黒ないしは濃い灰色となる。

【0063】

次に、領域分割部４１は、材料画像１に対して二値化処理を実行する。例えば、閾値処理を用いて、所定の閾値以上の輝度値を持つ画素を白とし、閾値未満の輝度値を持つ画素を黒とする。これにより、背景を黒、粉末を白に分離する。次に、領域分割部４１は、得られた二値画像にラベリング処理を適用して、画像中の個々の粉末にラベルを付与する。ラベリング処理により、各領域（各粉末）に異なるラベルが割り当てられる。

【0064】

領域分割部４１は、領域分割処理の結果として、領域分割データ６を出力する。図１１に示すように、領域分割データ６には、例えば、領域分割処理を行った材料画像１の情報、材料画像１から分割された各領域（各粉末）のラベル６１の情報、各領域（各粉末）の境界情報６２、マスク画像６３などが含まれる。境界情報６２には、各領域（各粉末）の輪郭部の座標や各領域を囲む境界ボックス（各領域を囲う最小の矩形）などの情報が含まれる。マスク画像６３は、領域分割された各領域を区別するための画像であり、各画素は、対応する領域に属する場合は「１」、属さない場合は「０」の値を持つ。
なお、領域分割処理は上記した方法に限定されず、インスタンスセグメンテーションのような他の技術を利用してもよい。

【0065】

集計部４３は、分割した領域（粉末）毎に、分割元の材料画像１に対応する説明画像５（説明画像５１、５２）を用いて分類根拠を定量化した指標（ＳＨＡＰ値）を集計する。具体的には、集計部４３は、領域（粉末）毎に、領域分割データ６（境界情報６２、図１１参照）から粉末の輪郭部の座標を取得する。そして、集計部４３は、粉末の輪郭部の座標に対応するＳＨＡＰ値を説明画像５（説明画像５１、５２）から求め、粉末の輪郭部におけるＳＨＡＰ値の合計値を算出する。集計部４３は、ＳＨＡＰ値の集計結果として、集計データ７を出力する。図１２に示すように、集計データ７には、例えば、領域分割処理を行った材料画像１の情報、材料画像１から分割された各領域（各粉末）のラベル６１の情報、「ロットＡ」の説明画像５１に基づいて算出された各領域（各粉末）のＳＨＡＰ値の合計値７１、「ロットＢ」の説明画像５２に基づいて算出された各領域（各粉末）のＳＨＡＰ値の合計値７２の情報が含まれる。

【0066】

分割画像出力部４５は、分割した各領域を表示する領域分割画像９を可視化する。領域分割画像９は、例えば、マスク画像６３を材料画像１と組み合わせることで作成される。具体的には、マスク画像６３の「１」の値を持つ画素に対応する材料画像１の画素を残し、「０」の値を持つ画素に任意の背景値（黒など）を設定することで、領域分割画像９が作成される。

【0067】

本実施形態では、分割画像出力部４５は、集計部４３の集計結果（集計データ７）に基づいて、領域分割画像９の可視化を行う。例えば、分割画像出力部４５は、集計データ７に基づいて特定の領域を可視化対象とし、その領域の領域分割画像９を選択して表示する。具体的には、集計データ７のＳＨＡＰ値の合計値７１または７２を参照し、ＳＨＡＰ値の合計値７１または７２が最も大きい領域（粉末）の領域分割画像９を表示したり、ＳＨＡＰ値の合計値７１または７２が最も小さい領域（粉末）の領域分割画像９を表示したりする。

【0068】

また例えば、分割画像出力部４５は、集計データ７に基づいて各領域の領域分割画像９を整列して表示する。具体的には、集計データ７のＳＨＡＰ値の合計値７１または７２を参照し、ＳＨＡＰ値の合計値７１または７２が大きい順に各領域分割画像９を整列して表示したり、ＳＨＡＰ値の合計値７１または７２が小さい順に各領域分割画像９を整列して表示したりする。

【0069】

材料分析支援装置１０ａの他の機能構成（分類部２０、説明部３０）については、材料分析支援装置１０の機能構成（図２）と同様であるため、説明を省略する。また、材料分析支援装置１０ａのハードウェア構成は、材料分析支援装置１０のハードウェア構成（図１）と同様である。

【0070】

次に、図１３のフローチャートを参照して、材料分析支援装置１０ａが実行する処理（材料分析支援方法）の流れを説明する。図１３の各ステップの処理を材料分析支援装置１０ａの制御部１１が実行することで、材料分析支援装置１０ａの各機能を実現する。

【0071】

図１３のステップＳ１～Ｓ５の処理は、図４のステップＳ１～Ｓ５と同様である。すなわち、材料分析支援装置１０ａの制御部１１は、複数の材料画像１とそれぞれに割り当てられたグループ情報２を用いて（図３参照）、材料画像１を各グループに分類するための分類モデル３を作成する（ステップＳ１）。また、制御部１１は、作成した分類モデル３により材料画像１を分類した分類結果を、カイ二乗検定を用いて検証する（ステップＳ２）。次に、制御部１１は、分類モデル３の分類根拠（グループ分けの根拠）を説明するための説明モデル４を作成し（ステップＳ３）、説明モデル４を用いて、１つ以上の材料画像１について、その分類根拠を定量化した説明画像５を作成する（ステップＳ４）。そして、制御部１１は、ステップＳ４において作成した説明画像５を可視化する（ステップＳ５）。

【0072】

次にステップＳ６において、制御部１１は、材料画像１に領域分割処理を適用し、材料画像１を領域（粉末）毎に分割する。例えば、制御部１１は、まず、材料画像１に対して二値化処理を実行し、背景を黒、粉末を白に分離する。そして、制御部１１は、二値画像にラベリング処理を適用して、画像中の個々の領域（粉末）にラベルを付与する。ラベリング処理により、各領域（各粉末）に異なるラベルが割り当てられる。制御部１１は、領域分割処理の結果として、領域分割データ６（図１１参照）を出力する。

【0073】

次に、制御部１１は、分割した領域（粉末）毎に、分割元の材料画像１に対応する説明画像５（説明画像５１、５２）を用いて分類根拠を定量化した指標（ＳＨＡＰ値）を集計する（ステップＳ７）。具体的には、制御部１１は、領域（粉末）毎に、領域分割データ６（境界情報６２）から粉末の輪郭部の座標を取得する。そして、制御部１１は、粉末の輪郭部の座標に対応するＳＨＡＰ値を説明画像５（説明画像５１、５２）から求め、粉末の輪郭部におけるＳＨＡＰ値の合計値を算出する。制御部１１は、ＳＨＡＰ値の集計結果として、集計データ７（図１２参照）を出力する。

【0074】

そして、制御部１１は、集計部４３の集計結果（集計データ７）に基づいて、領域分割画像９の可視化を行う（ステップＳ８）。例えば、制御部１１は、集計データ７に基づいて可視化対象とする特定の領域を可視化対象とし、その領域の領域分割画像９を選択して表示する。具体的には、制御部１１は、集計データ７のＳＨＡＰ値の合計値７１または７２を参照し、ＳＨＡＰ値の合計値７１または７２が最も大きい領域（粉末）の領域分割画像９を表示したり、ＳＨＡＰ値の合計値７１または７２が最も小さい領域（粉末）の領域分割画像９を表示したりする。

【0075】

また例えば、制御部１１は、集計データ７に基づいて各領域の領域分割画像９を整列して表示する。具体的には、制御部１１は、集計データ７のＳＨＡＰ値の合計値７１または７２を参照し、ＳＨＡＰ値の合計値７１または７２が大きい順に各領域分割画像９を整列して表示したり、ＳＨＡＰ値の合計値７１または７２が小さい順に各領域分割画像９を整列して表示したりする。

【0076】

図１４は、領域分割画像９の可視化例を示す。
図１４の９ａ、９ｂは、「ロットＢ」の説明画像５２に基づくＳＨＡＰ値の合計値７２の大きい順に整列させた領域分割画像を示す。領域分割画像９ａは、ＳＨＡＰ値の合計値７２が最も大きい領域分割画像、すなわち、領域分割処理を行った全ての材料画像１から分割された領域（粉末）の中で、最も「ロットＢ」らしい領域（粉末）を表示した領域分割画像である。領域分割画像９ｂは、ＳＨＡＰ値の合計値７２が２番目に大きい領域分割画像、すなわち、領域分割処理を行った全ての材料画像１から分割された領域（粉末）の中で、２番目に「ロットＢ」らしい領域（粉末）を表示した領域分割画像である。領域分割画像９ａ、９ｂを観察すると、「ロットＢ」の特徴であるとげとげしい粉末が混じっていることが分かる。図１５では、図１４の領域分割画像９ａ、９ｂが、それぞれ、材料画像１ｃ、１ｄから分割抽出された画像であることを示している。ここで、材料画像１ｃ、１ｄは、実際は「ロットＢ」であるが、分類モデル３が「ロットＡ」と誤って分類した材料画像である。つまり、分類モデル３によって誤ったロットに分類された場合でも、領域分割処理を適用して細部を観察することで、本来のロットの特徴を捉えることができる。例えば、異なるロット間の差異がわずかな場合、分類モデル３や説明モデル４がそれを正確に識別できない可能性があるが、領域分割によって領域（粉末）毎に詳細に観察することで、材料の特定の領域（粉末）の異常や欠陥などを判断することができる。

【0077】

以上説明したように、第２の実施形態に係る材料分析支援装置１０ａは、材料画像１に領域分割処理を適用し、材料画像１を領域（粉末）毎に分割し、分割した領域（粉末）毎に、説明画像５（５１、５２）を用いて分類根拠を定量化した指標（ＳＨＡＰ値）を集計する。そして、集計結果（集計データ７）に基づいて、領域分割画像９の可視化を行う。例えば、集計データ７に基づいて特定の領域の領域分割画像９を選択して表示したり、集計データ７に基づいて各領域の領域分割画像９を整列して表示したりする。第２の実施形態によれば、材料画像１を領域（粉末）毎に分割し、領域（粉末）毎に分類根拠を定量化した指標（ＳＨＡＰ値）を集計することで、各領域（各粉末）が各グループ（「ロットＡ」「ロットＢ」）への分類にどの程度寄与しているかが分かる。これにより、領域（粉末）毎の重要度や特徴の相違を把握することができる。また、集計結果（集計データ７）に基づいて領域分割画像９を可視化することで、特定の領域（粉末）を優先的に観察したり、品質上の違いをより詳細に評価したりすることができる。特に、説明画像５を観察しただけではロット間の違いが判断できない場合に有効である。

【0078】

［第３の実施形態］
第１、第２の実施形態では、材料画像１を２つのグループ（「ロットＡ」「ロットＢ」）に分類する例を説明したが、グループは３つ以上でもよい。第３の実施形態では、焼結磁石を対象にして、３つのグループ（「ロットＡ」「ロットＢ」「ロットＣ」）に分類する例を説明する。

【0079】

第３の実施形態に係る材料分析支援装置１０ｂの機能構成は、第１の実施形態に係る材料分析支援装置１０の機能構成（図２）、または第２の実施形態に係る材料分析支援装置１０ａの機能構成（図１０）と略同様である。また、材料分析支援装置１０ｂのハードウェア構成は、材料分析支援装置１０、１０ａのハードウェア構成（図１）と同様である。

【0080】

第３の実施形態では、分類モデル作成部２１は、焼結磁石を撮像した複数の材料画像１と、各材料画像１のそれぞれに割り当てられたグループ情報２（「ロットＡ」「ロットＢ」「ロットＣ」）を用いて、材料画像１を各グループ（「ロットＡ」「ロットＢ」「ロットＣ」）に分類するための分類モデル３を作成する。また、分類モデル検証部２３は、分類モデル作成部２１により作成された分類モデル３の分類結果を、カイ二乗検定を用いて検証する。

【0081】

説明モデル作成部３１は、分類モデル３の分類根拠（３つのグループ分けの根拠）を説明するための説明モデル４を作成する。また、説明画像作成部３３は、説明モデル４を用いて、１つ以上の材料画像１について、その分類根拠を定量化した説明画像５を作成する。第３の実施形態では、説明画像作成部３３は、３つのグループ（「ロットＡ」「ロットＢ」「ロットＣ」）毎に、材料画像１の分類根拠を定量化した説明画像５を作成する。「ロットＡ」への分類根拠を定量化した画像を説明画像５１ｃ、「ロットＢ」への分類根拠を定量化した画像を説明画像５２ｃ、「ロットＣ」への分類根拠を定量化した画像を説明画像５３ｃと表記する。また、説明画像出力部３５は、説明画像作成部３３によって作成された説明画像５（５１ｃ、５２ｃ、５３ｃ）を可視化する。

【0082】

次に、材料分析支援装置１０ｂが実行する処理（材料分析支援方法）の流れを説明する。材料分析支援装置１０ｂの処理の流れは、第１の実施形態の処理（図４）または第２の実施形態の処理（図１３）の流れと同様であるため、図４、図１３を参照しながら説明する。

【0083】

まず、材料分析支援装置１０ｂの制御部１１は、焼結磁石を撮像した複数の材料画像１とそれぞれに割り当てられたグループ情報２（「ロットＡ」「ロットＢ」「ロットＣ」）を用いて、材料画像１を各グループに分類するための分類モデル３を作成する（図４、図１３のステップＳ１）。

【0084】

図１６は、３つのグループ（「ロットＡ」「ロットＢ」「ロットＣ」）に分類する分類モデル３を作成するプログラム８３の例である。プログラム８３はプログラミング言語Ｐｙｔｈｏｎで記述されている。プログラム８３は、１行目でプログラム８１（図５参照）と同じように、ＶＧＧ１６と称される畳み込みニューラルネットワークの畳み込み層を転移学習として利用することを定義している。２行目以降が分類モデル３の定義で、材料画像１を入力後、はじめに前記のＶＧＧ１６の畳み込み層を実行し、その結果をグローバルアベレージプーリング処理で特徴量を削減する。

【0085】

次に、変数ＮＯＤＥ１に事前に入れておいた数のノードを通して、活性化関数ＲｅＬｕの処理を行う。その後、ドロップアウトという過学習を防止する処理を行い、再度、変数ＮＯＤＥ２に事前に入れておいた数のノードを通して、活性化関数ＲｅＬｕの処理を行う。最後に出力ノードを３つにして、ソフトマックス関数で、３つのノードの出力の合計が１になるようにしている。３つの出力ノードをそれぞれ「ロットＡ」「ロットＢ」「ロットＣ」と対応付けて、３つのうち、最も出力値が大きいノードに対応したロットを分類結果とする。第１、第２の実施形態では、シグモイド関数を用いて２つのグループに分類したが（図５参照）、第３の実施形態では、ソフトマックス関数を用いて３つのグループに分類している。

【0086】

フローチャートの説明に戻る。材料分析支援装置１０ｂの制御部１１は、ステップＳ１において作成した分類モデル３により材料画像１を分類した分類結果を、カイ二乗検定を用いて検証し、検証結果を可視化する（図４、図１３のステップＳ２）。

【0087】

図１７は、分類モデル３の検証結果を可視化した検証画面の一例である。検証画面９２には、上側に分割表が表示され、下側にカイ二乗検定の結果が表示されている。この分割表は、実際には「ロットＡ」の材料画像１を８０枚、「ロットＢ」の材料画像１を８０枚、「ロットＣ」の材料画像１を８０枚、計２４０枚の材料画像１を入力して、分類モデル３を検証した結果である。分割表から、分類モデル３が「ロットＡ」の材料画像１を正しく「ロットＡ」と分類した枚数は８０枚であり、誤って「ロットＢ」ないしは「ロットＣ」と分類した材料画像１は１枚もないことが分かる。しかし、分類モデル３が「ロットＢ」の材料画像１を正しく「ロットＢ」と分類した枚数は１枚もなく、８０枚すべてを「ロットＡ」と誤って分類してしまった。このことから、「ロットＡ」と「ロットＢ」の材料画像１は何ら違いがなく、教師あり機械学習が「ロットＡ」と「ロットＢ」の材料画像１を分類できなかったことが分かる。一方、分類モデル３が「ロットＣ」の材料画像１を正しく「ロットＣ」と分類した枚数は５１枚であり、誤って「ロットＡ」と分類した枚数は２９枚であった。

【0088】

この分割表に対して、カイ二乗検定を実行した結果、有意確率はＬｉｋｅｌｉｈｏｏｄ Ｒａｔｉｏ法でもＰｅａｒｓｏｎ法でも、０．０００１未満（すなわち０．０１％未満）であることが分かる。すなわち、「ロットＡ」と「ロットＢ」は類似していて分類できないが、「ロットＣ」は有意に異なるものであることが分かる。

【0089】

次に、制御部１１は、分類モデル３の分類根拠（３つのグループへの分類分けの根拠）を説明するための説明モデル４を作成する（図４、図１３のステップＳ３）。具体的には、制御部１１は、分類モデル３と複数の材料画像１を用いて、説明モデル４を作成する。次に制御部１１は、説明モデル４を用いて、１つ以上の材料画像１について、その分類根拠を定量化した説明画像５（５１ｃ、５２ｃ、５３ｃ）を作成する（図４、図１３のステップＳ４）。そして、制御部１１は、ステップＳ４において作成した説明画像５（５１ｃ、５２ｃ、５３ｃ）を可視化する（図４、図１３のステップＳ５）。

【0090】

その後、必要に応じて領域分割処理を実行してもよい。すなわち、制御部１１は、材料画像１に領域分割処理を適用し、材料画像１を領域（粉末）毎に分割する（図１３のステップＳ６）。次に、制御部１１は、領域（粉末）毎に、分割元の材料画像１に対応する説明画像５（５１ｃ、５２ｃ、５３ｃ）を用いて分類根拠を定量化した指標（ＳＨＡＰ値）を集計する（図１３のステップＳ７）。そして、制御部１１は、集計部４３の集計結果（集計データ７）に基づいて、領域分割画像９の可視化を行う（図１３のステップＳ８）。

【0091】

図１８は、説明画像５の可視化例を示す。図１８の例では、材料画像１とともに３つの説明画像５（５１ｃ、５２ｃ、５３ｃ）の例を表示している。１ｅは、実際に「ロットＣ」を分類モデル３が「ロットＣ」と分類した材料画像の一例である。製造された焼結磁石の断面を電子顕微鏡で撮像しており、複数の磁石の粒子が観察できる。材料画像１ｅを説明モデル４に入力して作成された説明画像が５１ｃ、５２ｃ、５３ｃである。５１ｃが「ロットＡ」の説明画像、５２ｃが「ロットＢ」の説明画像、５３ｃが「ロットＣ」の説明画像である。説明画像５３ｃを観察すると、粒子の輪郭部分が白く描かれている様子が分かる。すなわち、分類モデル３が材料画像１ｅを「ロットＣ」と判断した根拠が、説明画像５３ｃの白い部分である。白い部分は、ＳＨＡＰ値が大きいことを表している。各ロットを比較した結果、「ロットＣ」の説明画像５３ｃだけ粒子の形状が若干異なっていた。材料分析支援装置１０ｂの出力結果を基に、詳細な分析を行った結果、「ロットＣ」だけ焼結温度が変動していたことが確認された。

【0092】

以上のように、グループが３つの場合の本発明の適用例を説明した。第３の実施形態によれば、第１、第２の実施形態と同様の効果が得られる。当然ながら、グループが４つ以上の場合にも本発明を適用できる。

【0093】

以上、添付図面を参照して、本発明の好適な実施形態について説明したが、本発明は係る例に限定されない。当業者であれば、本願で開示した技術的思想の範疇内において、各種の変更例または修正例に想到し得ることは明らかであり、それらについても当然に本発明の技術的範囲に属するものと了解される。

【符号の説明】

【0094】

１………………材料画像
１ａ～１ｅ……材料画像
２………………グループ情報
３………………分類モデル
４………………説明モデル
５………………説明画像
５１、５１ａ、５１ｂ、５１ｃ……ロットＡの説明画像
５２、５２ａ、５２ｂ、５２ｃ……ロットＢの説明画像
５３ｃ………………ロットＣの説明画像
６……………………領域分割データ
７……………………集計データ
９、９ａ、９ｂ……領域分割画像
１０、１０ａ、１０ｂ……材料分析支援装置
２０………………分類部
２１………………分類モデル作成部
２３………………分類モデル検証部
３０………………説明部
３１………………説明モデル作成部
３３………………説明画像作成部
３５………………説明画像出力部
４０………………分割部
４１………………領域分割部
４３………………集計部
４５………………分割画像出力部
６１………………領域のラベル
６２………………境界情報
６３………………マスク画像
７１………………ロットＡの説明画像に基づくＳＨＡＰ値の合計値
７２………………ロットＢの説明画像に基づくＳＨＡＰ値の合計値
８１、８２、８３………プログラム
９１、９２………分類モデルの検証画面

【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】