(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】P2024004458
(43)【公開日】2024-01-16
(54)【発明の名称】検査装置及びＰＴＰ包装機
(51)【国際特許分類】
G06T 7/00 20170101AFI20240109BHJP
G01N 21/85 20060101ALI20240109BHJP
G06N 3/0464 20230101ALI20240109BHJP
B65B 9/04 20060101ALI20240109BHJP
G06N 3/08 20230101ALI20240109BHJP
G06N 3/0455 20230101ALI20240109BHJP
【ＦＩ】
G06T7/00 610C
G01N21/85 A
G06T7/00 350C
G06N3/0464
B65B9/04
G06N3/08
G06N3/0455
【審査請求】未請求
【請求項の数】9
【出願形態】ＯＬ
(21)【出願番号】P 2023078284
(22)【出願日】2023-05-11
(31)【優先権主張番号】P 2022103193
(32)【優先日】2022-06-28
(33)【優先権主張国・地域又は機関】JP
(71)【出願人】
【識別番号】000106760
【氏名又は名称】ＣＫＤ株式会社
(74)【代理人】
【識別番号】100111095
【弁理士】
【氏名又は名称】川口 光男
(72)【発明者】
【氏名】小田 将蔵
(72)【発明者】
【氏名】大谷 剛将
(72)【発明者】
【氏名】大山 剛
(72)【発明者】
【氏名】坂井田 憲彦
【テーマコード（参考）】
2G051
3E050
5L096
【Ｆターム（参考）】
2G051AA02
2G051AA41
2G051AB02
2G051CA04
2G051CB02
2G051DA06
2G051EB10
3E050AA03
3E050AA08
3E050AB05
3E050AB08
3E050BA09
3E050BA12
3E050CA01
3E050CB03
3E050CB07
3E050CC07
3E050DA01
3E050DD04
3E050DF02
3E050DF06
3E050FB01
3E050FB08
3E050GA06
3E050GB02
3E050GB09
3E050GC03
3E050GC07
3E050HB03
3E050HB06
3E050HB09
5L096AA03
5L096AA06
5L096BA03
5L096BA18
5L096CA02
5L096CA23
5L096DA02
5L096FA59
5L096GA30
5L096GA51
5L096HA09
5L096HA11
5L096JA03
5L096KA04
(57)【要約】
【課題】過去の追加学習を生かしつつ、検査精度の向上を図ることができる検査装置などを提供する。
【解決手段】追加学習部５２ｈは、ＡＩモデル２００のニューラルネットワークに対し、良品に係る画像データを追加学習データとして追加学習させることで、学習済みのＡＩモデル２００を生成する。また、追加学習部５２ｈは、検査に利用されている現用ＡＩモデル２００ｚを用いた良否判定により、不良品が良品であると誤判定された場合、現用ＡＩモデル２００ｚを得る前の段階のＡＩモデル２００のニューラルネットワークに対し、該ＡＩモデル２００から現用ＡＩモデル２００ｚを生成するにあたって利用した追加学習データのうち、誤判定の要因として特定された追加学習データ以外のデータを学習させて、新たな学習済みのＡＩモデル２００を生成する。
【選択図】 図６
【解決手段】追加学習部５２ｈは、ＡＩモデル２００のニューラルネットワークに対し、良品に係る画像データを追加学習データとして追加学習させることで、学習済みのＡＩモデル２００を生成する。また、追加学習部５２ｈは、検査に利用されている現用ＡＩモデル２００ｚを用いた良否判定により、不良品が良品であると誤判定された場合、現用ＡＩモデル２００ｚを得る前の段階のＡＩモデル２００のニューラルネットワークに対し、該ＡＩモデル２００から現用ＡＩモデル２００ｚを生成するにあたって利用した追加学習データのうち、誤判定の要因として特定された追加学習データ以外のデータを学習させて、新たな学習済みのＡＩモデル２００を生成する。
【選択図】 図６
【特許請求の範囲】
【請求項1】
所定の検査対象物に対する検査を行うための検査装置であって、
検査対象物に係る画像データを取得可能な画像データ取得手段と、
入力される画像データから特徴量を抽出する符号化部、及び、該特徴量から画像データを再構成する復号化部を有するニューラルネットワークによって、入力された画像データに応じた画像データを出力可能に構成された識別手段の前記ニューラルネットワークに対し、良品の検査対象物に係る画像データのみを学習データとして学習させて生成した、学習済みの前記識別手段である学習済識別手段と、
前記識別手段の前記ニューラルネットワークに対し、良品の検査対象物に係る画像データを追加学習データとして追加学習させることで、新たな前記学習済識別手段を生成する追加学習手段と、
前記画像データ取得手段により得られた画像データである元画像データを、前記学習済識別手段に入力して再構成された画像データを再構成画像データとして取得可能な再構成画像データ取得手段と、
前記元画像データと、該元画像データを前記学習済識別手段に入力して取得された前記再構成画像データとを比較し、比較結果に基づき検査対象物の良否を判定可能な判定手段と、
前記追加学習手段による追加学習が一部又は全部行われていない段階の前記識別手段である旧識別手段を記憶する識別手段記憶手段と、
前記旧識別手段から、検査対象物の検査に利用されている前記学習済識別手段である現用識別手段を生成するにあたって用いられた前記追加学習データである特定学習データの全てを記憶する特定学習データ記憶手段とを備え、
前記追加学習手段は、前記再構成画像データ取得手段によって前記現用識別手段に前記元画像データを入力して再構成された前記再構成画像データに基づく前記判定手段の良否判定により、不良品の検査対象物が良品であると誤判定された場合、前記識別手段記憶手段に記憶された前記旧識別手段の前記ニューラルネットワークに対し、その誤判定の要因として特定された前記追加学習データである誤判定要因データを除いた前記特定学習データを学習させて、新たな前記学習済識別手段を生成可能に構成されていることを特徴とする検査装置。
検査対象物に係る画像データを取得可能な画像データ取得手段と、
入力される画像データから特徴量を抽出する符号化部、及び、該特徴量から画像データを再構成する復号化部を有するニューラルネットワークによって、入力された画像データに応じた画像データを出力可能に構成された識別手段の前記ニューラルネットワークに対し、良品の検査対象物に係る画像データのみを学習データとして学習させて生成した、学習済みの前記識別手段である学習済識別手段と、
前記識別手段の前記ニューラルネットワークに対し、良品の検査対象物に係る画像データを追加学習データとして追加学習させることで、新たな前記学習済識別手段を生成する追加学習手段と、
前記画像データ取得手段により得られた画像データである元画像データを、前記学習済識別手段に入力して再構成された画像データを再構成画像データとして取得可能な再構成画像データ取得手段と、
前記元画像データと、該元画像データを前記学習済識別手段に入力して取得された前記再構成画像データとを比較し、比較結果に基づき検査対象物の良否を判定可能な判定手段と、
前記追加学習手段による追加学習が一部又は全部行われていない段階の前記識別手段である旧識別手段を記憶する識別手段記憶手段と、
前記旧識別手段から、検査対象物の検査に利用されている前記学習済識別手段である現用識別手段を生成するにあたって用いられた前記追加学習データである特定学習データの全てを記憶する特定学習データ記憶手段とを備え、
前記追加学習手段は、前記再構成画像データ取得手段によって前記現用識別手段に前記元画像データを入力して再構成された前記再構成画像データに基づく前記判定手段の良否判定により、不良品の検査対象物が良品であると誤判定された場合、前記識別手段記憶手段に記憶された前記旧識別手段の前記ニューラルネットワークに対し、その誤判定の要因として特定された前記追加学習データである誤判定要因データを除いた前記特定学習データを学習させて、新たな前記学習済識別手段を生成可能に構成されていることを特徴とする検査装置。
【請求項2】
前記識別手段記憶手段は、前記現用識別手段とは別に、該現用識別手段と同一内容の前記識別手段である複製現用識別手段を記憶しており、
前記追加学習手段は、前記再構成画像データ取得手段によって前記現用識別手段に前記元画像データを入力して再構成された前記再構成画像データに基づく前記判定手段の良否判定により、良品の検査対象物が不良品であると誤判定された場合、前記識別手段記憶手段に記憶された前記複製現用識別手段の前記ニューラルネットワークに対し、その誤判定を生じさせた前記元画像データを追加学習させて、新たな前記学習済識別手段を生成可能に構成されていることを特徴とする請求項１に記載の検査装置。
前記追加学習手段は、前記再構成画像データ取得手段によって前記現用識別手段に前記元画像データを入力して再構成された前記再構成画像データに基づく前記判定手段の良否判定により、良品の検査対象物が不良品であると誤判定された場合、前記識別手段記憶手段に記憶された前記複製現用識別手段の前記ニューラルネットワークに対し、その誤判定を生じさせた前記元画像データを追加学習させて、新たな前記学習済識別手段を生成可能に構成されていることを特徴とする請求項１に記載の検査装置。
【請求項3】
前記判定手段の良否判定によって不良品の検査対象物が良品であると誤判定された場合における、その誤判定に係る前記元画像データである不良画像データを記憶する不良画像データ記憶手段と、
前記不良画像データに対する類似度に基づき、前記特定学習データの中から前記誤判定要因データを特定する要因データ特定手段とを有することを特徴とする請求項１に記載の検査装置。
前記不良画像データに対する類似度に基づき、前記特定学習データの中から前記誤判定要因データを特定する要因データ特定手段とを有することを特徴とする請求項１に記載の検査装置。
【請求項4】
新たに生成された前記学習済識別手段に対し、該学習済識別手段の生成の契機となった誤判定に係る前記元画像データを入力して再構成された前記再構成画像データに基づき、前記判定手段による良否判定を行わせることで、新たに生成された前記学習済識別手段の学習状態を確認する画像出力ＡＩ用の確認手段を備えることを特徴とする請求項１に記載の検査装置。
【請求項5】
前記追加学習手段による学習処理に係る情報、及び、前記画像出力ＡＩ用の確認手段による確認結果を表示可能な表示手段と、
前記現用識別手段を、新たに生成された前記学習済識別手段に置換することの承認に係る入力を受付可能な承認入力受付手段とを備えることを特徴とする請求項４に記載の検査装置。
前記現用識別手段を、新たに生成された前記学習済識別手段に置換することの承認に係る入力を受付可能な承認入力受付手段とを備えることを特徴とする請求項４に記載の検査装置。
【請求項6】
所定の検査対象物に対する検査を行うための検査装置であって、
検査対象物に係る画像データを取得可能な画像データ取得手段と、
入力された画像データを所定の項目で分類し、分類結果を出力可能に構成された識別手段のニューラルネットワークに対し、良品及び不良品の検査対象物に係る画像データを学習データとして学習させることで生成してなる、学習済みの前記識別手段である学習済識別手段と、
前記識別手段の前記ニューラルネットワークに対し、検査対象物に係る画像データを追加学習データとして追加学習させることで、新たな前記学習済識別手段を生成する追加学習手段と、
前記追加学習手段による追加学習が一部又は全部行われていない段階の前記識別手段である旧識別手段と、検査対象物の検査に利用されている前記学習済識別手段である現用識別手段とは別に、該現用識別手段と同一内容の前記識別手段である複製現用識別手段とを記憶する識別手段記憶手段と、
前記旧識別手段から前記現用識別手段を生成するにあたって用いられた前記追加学習データである特定学習データの全てを記憶する特定学習データ記憶手段と、
前記追加学習手段は、前記現用識別手段に前記元画像データを入力して出力された分類結果に誤判定が生じた場合、前記識別手段記憶手段に記憶された前記複製現用識別手段の前記ニューラルネットワークに対し、その誤判定を生じさせた前記元画像データを追加学習させて、新たな前記学習済識別手段を生成可能であり、
新たに生成された前記学習済識別手段に対し、該学習済識別手段の生成の契機となった誤判定に係る前記元画像データを入力して出力された分類結果に基づき、新たに生成された前記学習済識別手段の学習状態を確認する分類出力ＡＩ用の確認手段によって、学習状態が適切であると判定された場合には、前記現用識別手段を、新たに生成された前記学習済識別手段に置換可能と判断する一方、
新たに生成された前記学習済識別手段に対し前記元画像データを入力して出力された分類結果に誤判定が生じ、前記分類出力ＡＩ用の確認手段によって学習状態が不適切であると判定された場合には、前記識別手段記憶手段に記憶された前記旧識別手段の前記ニューラルネットワークに対し、その誤判定された分類結果と同一の分類結果の検査対象物に係るデータであり、かつ、その誤判定の要因として特定されたデータである誤判定要因データを除いた前記特定学習データを学習させて、新たな前記学習済識別手段を生成可能であることを特徴とする検査装置。
検査対象物に係る画像データを取得可能な画像データ取得手段と、
入力された画像データを所定の項目で分類し、分類結果を出力可能に構成された識別手段のニューラルネットワークに対し、良品及び不良品の検査対象物に係る画像データを学習データとして学習させることで生成してなる、学習済みの前記識別手段である学習済識別手段と、
前記識別手段の前記ニューラルネットワークに対し、検査対象物に係る画像データを追加学習データとして追加学習させることで、新たな前記学習済識別手段を生成する追加学習手段と、
前記追加学習手段による追加学習が一部又は全部行われていない段階の前記識別手段である旧識別手段と、検査対象物の検査に利用されている前記学習済識別手段である現用識別手段とは別に、該現用識別手段と同一内容の前記識別手段である複製現用識別手段とを記憶する識別手段記憶手段と、
前記旧識別手段から前記現用識別手段を生成するにあたって用いられた前記追加学習データである特定学習データの全てを記憶する特定学習データ記憶手段と、
前記追加学習手段は、前記現用識別手段に前記元画像データを入力して出力された分類結果に誤判定が生じた場合、前記識別手段記憶手段に記憶された前記複製現用識別手段の前記ニューラルネットワークに対し、その誤判定を生じさせた前記元画像データを追加学習させて、新たな前記学習済識別手段を生成可能であり、
新たに生成された前記学習済識別手段に対し、該学習済識別手段の生成の契機となった誤判定に係る前記元画像データを入力して出力された分類結果に基づき、新たに生成された前記学習済識別手段の学習状態を確認する分類出力ＡＩ用の確認手段によって、学習状態が適切であると判定された場合には、前記現用識別手段を、新たに生成された前記学習済識別手段に置換可能と判断する一方、
新たに生成された前記学習済識別手段に対し前記元画像データを入力して出力された分類結果に誤判定が生じ、前記分類出力ＡＩ用の確認手段によって学習状態が不適切であると判定された場合には、前記識別手段記憶手段に記憶された前記旧識別手段の前記ニューラルネットワークに対し、その誤判定された分類結果と同一の分類結果の検査対象物に係るデータであり、かつ、その誤判定の要因として特定されたデータである誤判定要因データを除いた前記特定学習データを学習させて、新たな前記学習済識別手段を生成可能であることを特徴とする検査装置。
【請求項7】
新たに生成された前記学習済識別手段に前記元画像データを入力して出力された分類結果に誤判定が生じ、前記分類出力ＡＩ用の確認手段によって学習状態が不適切であると判定された場合における、その誤判定に係る前記元画像データである誤判定発生画像データを記憶する誤判定発生画像データ記憶手段と、
前記誤判定発生画像データに対する類似度に基づき、前記特定学習データの中から前記誤判定要因データを特定する要因データ特定手段とを有することを特徴とする請求項６に記載の検査装置。
前記誤判定発生画像データに対する類似度に基づき、前記特定学習データの中から前記誤判定要因データを特定する要因データ特定手段とを有することを特徴とする請求項６に記載の検査装置。
【請求項8】
前記追加学習手段による学習処理に係る情報、及び、前記分類出力ＡＩ用の確認手段による確認結果を表示可能な表示手段と、
前記現用識別手段を、新たに生成された前記学習済識別手段に置換することの承認に係る入力を受付可能な承認入力受付手段とを備えることを特徴とする請求項６に記載の検査装置。
前記現用識別手段を、新たに生成された前記学習済識別手段に置換することの承認に係る入力を受付可能な承認入力受付手段とを備えることを特徴とする請求項６に記載の検査装置。
【請求項9】
検査対象物としての錠剤又はＰＴＰシートを検査する、請求項１又は６に記載の検査装置を備えたＰＴＰ包装機。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、所定の検査対象物を検査するための検査装置及びポケット部に錠剤が収容されてなるＰＴＰシートを製造するためのＰＴＰ包装機に関する。
【背景技術】
【0002】
一般に医薬品や食料品等の分野において用いられるブリスタシートとしてＰＴＰ（プレススルーパック）シートが知られている。ＰＴＰシートは、錠剤が収容されるポケット部を有する容器フィルムと、その容器フィルムに対しポケット部の開口側を密封するように取着されるカバーフィルムとを備えている。
【0003】
また、所定の検査装置によって、ＰＴＰシートや錠剤などの検査対象物の外観検査を行うことがある。近年では、ニューラルネットワークに対し、良品の検査対象物に係る画像データのみを学習データとして学習させて生成したＡＩモデルを用いて、検査対象物の外観検査を行う検査装置が提案されている（例えば、特許文献１，２等参照）。
【先行技術文献】
【特許文献】
【0004】
【特許文献1】特開２０２２－２９２４１公報
【特許文献2】特許第７０４６１５０号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
ところで、ＡＩモデルを用いた検査装置によって、良品の検査対象物を不良品であると判定するなどの誤判定が生じることがある。この場合、ＡＩモデルのニューラルネットワークに対し、その誤判定に係る画像データを追加学習させることで、誤判定の発生低減を図ることができる。
【0006】
しかしながら、追加学習を重ねるにつれて、ニューラルネットワークにおける過学習が生じ、結果的に、不良品の検査対象物を良品であると誤判定する等の事態（過学習による誤判定）が生じ得る。このような事態が生じた場合、従前では、ＡＩモデルを初期状態（例えば工場出荷時や無学習の状態）に戻すといった対応が取られているため、過去の追加学習を何ら生かすことができなくなるおそれがある。
【0007】
本発明は、上記事情に鑑みてなされてものであり、その目的は、過去の追加学習を生かしつつ、検査精度の向上を図ることができる検査装置などを提供することにある。
【課題を解決するための手段】
【0008】
以下、上記目的を解決するのに適した各手段につき、項分けして説明する。なお、必要に応じて対応する手段に特有の作用効果を付記する。
【0009】
手段１．所定の検査対象物に対する検査を行うための検査装置であって、
検査対象物に係る画像データを取得可能な画像データ取得手段と、
入力される画像データから特徴量を抽出する符号化部、及び、該特徴量から画像データを再構成する復号化部を有するニューラルネットワークによって、入力された画像データに応じた画像データを出力可能に構成された識別手段の前記ニューラルネットワークに対し、良品の検査対象物に係る画像データのみを学習データとして学習させて生成した、学習済みの前記識別手段である学習済識別手段と、
前記識別手段の前記ニューラルネットワークに対し、良品の検査対象物に係る画像データを追加学習データとして追加学習させることで、新たな前記学習済識別手段を生成する追加学習手段と、
前記画像データ取得手段により得られた画像データである元画像データを、前記学習済識別手段に入力して再構成された画像データを再構成画像データとして取得可能な再構成画像データ取得手段と、
前記元画像データと、該元画像データを前記学習済識別手段に入力して取得された前記再構成画像データとを比較し、比較結果に基づき検査対象物の良否を判定可能な判定手段と、
前記追加学習手段による追加学習が一部又は全部行われていない段階の前記識別手段である旧識別手段を記憶する識別手段記憶手段と、
前記旧識別手段から、検査対象物の検査に利用されている前記学習済識別手段である現用識別手段を生成するにあたって用いられた前記追加学習データである特定学習データの全てを記憶する特定学習データ記憶手段とを備え、
前記追加学習手段は、前記再構成画像データ取得手段によって前記現用識別手段に前記元画像データを入力して再構成された前記再構成画像データに基づく前記判定手段の良否判定により、不良品の検査対象物が良品であると誤判定された場合、前記識別手段記憶手段に記憶された前記旧識別手段の前記ニューラルネットワークに対し、その誤判定の要因として特定された前記追加学習データである誤判定要因データを除いた前記特定学習データを学習させて、新たな前記学習済識別手段を生成可能に構成されていることを特徴とする検査装置。
検査対象物に係る画像データを取得可能な画像データ取得手段と、
入力される画像データから特徴量を抽出する符号化部、及び、該特徴量から画像データを再構成する復号化部を有するニューラルネットワークによって、入力された画像データに応じた画像データを出力可能に構成された識別手段の前記ニューラルネットワークに対し、良品の検査対象物に係る画像データのみを学習データとして学習させて生成した、学習済みの前記識別手段である学習済識別手段と、
前記識別手段の前記ニューラルネットワークに対し、良品の検査対象物に係る画像データを追加学習データとして追加学習させることで、新たな前記学習済識別手段を生成する追加学習手段と、
前記画像データ取得手段により得られた画像データである元画像データを、前記学習済識別手段に入力して再構成された画像データを再構成画像データとして取得可能な再構成画像データ取得手段と、
前記元画像データと、該元画像データを前記学習済識別手段に入力して取得された前記再構成画像データとを比較し、比較結果に基づき検査対象物の良否を判定可能な判定手段と、
前記追加学習手段による追加学習が一部又は全部行われていない段階の前記識別手段である旧識別手段を記憶する識別手段記憶手段と、
前記旧識別手段から、検査対象物の検査に利用されている前記学習済識別手段である現用識別手段を生成するにあたって用いられた前記追加学習データである特定学習データの全てを記憶する特定学習データ記憶手段とを備え、
前記追加学習手段は、前記再構成画像データ取得手段によって前記現用識別手段に前記元画像データを入力して再構成された前記再構成画像データに基づく前記判定手段の良否判定により、不良品の検査対象物が良品であると誤判定された場合、前記識別手段記憶手段に記憶された前記旧識別手段の前記ニューラルネットワークに対し、その誤判定の要因として特定された前記追加学習データである誤判定要因データを除いた前記特定学習データを学習させて、新たな前記学習済識別手段を生成可能に構成されていることを特徴とする検査装置。
【0010】
尚、上記手段１にて「学習データ」として用いる「良品の検査対象物に係る画像データ」としては、これまでの検査で蓄積された良品の検査対象物に係る画像データや、作業者が目視により選別した良品の検査対象物に係る画像データ、これら画像データなどを用いて生成した仮想良品画像データなどを挙げることができる。
【0011】
加えて、上記手段１における「学習済識別手段」は、良品の検査対象物に係る画像データのみを学習させて生成したものであるため、不良品の検査対象物に係る元画像データを学習済識別手段に入力したときに生成される再構成画像データは、ノイズ部分（不良部分）が除去された元画像データとほぼ一致することになる。すなわち、検査対象物に不良部分があるときには、再構成画像データとして、不良部分がないものと仮定した場合の該検査対象物に係る仮想的な画像データが生成される。
【0012】
また、上記「ニューラルネットワーク」には、例えば複数の畳み込み層を有する畳み込みニューラルネットワークなどが含まれる。上記「学習」には、例えば深層学習（ディープラーニング）などが含まれる。上記「識別手段（生成モデル）」には、例えばオートエンコーダ（自己符号化器）や、畳み込みオートエンコーダ（畳み込み自己符号化器）などが含まれる（手段６においても同様）。
【0013】
さらに、「旧識別手段」は、ニューラルネットワークに対する学習が行われた識別手段のみならず、ニューラルネットワークが未学習の状態の識別手段も含む（手段６においても同様）。
【0014】
上記手段１によれば、元画像データと、該元画像データを学習済識別手段へ入力して再構成された再構成画像データとを比較し、その比較結果に基づき、検査対象物の良否を判定することができる。そのため、比較する両画像データは、それぞれ同一の検査対象物に係るものとなる。従って、比較する両画像データにおいて、検査対象物の形状や外観はそれぞれほぼ同一となるため、形状や外観の違いによる誤検出を防止するために比較的緩い判定条件を設定する必要はなく、より厳しい判定条件を設定することができる。さらに、比較する両画像データにおいて、画像データを得る際の条件（例えばカメラに対する検査対象物の配置位置や配置角度、明暗状態やカメラの画角等）を一致させることができる。これらの結果、良否判定を非常に精度よく行うことができる。
【0015】
また、上記手段１によれば、現用識別手段に元画像データを入力して再構成された再構成画像データに基づく良否判定により、不良品の検査対象物が良品であると誤判定された場合、つまり、過学習による誤判定が生じたと考えられる場合、追加学習手段は、追加学習が一部又は全部行われていない段階の識別手段（現用識別手段よりも前の段階の識別手段）である旧識別手段（例えば初期ＡＩモデル）のニューラルネットワークに対する学習を行い、新たな学習済識別手段を生成する。このとき、追加学習手段は、旧識別手段のニューラルネットワークに対し、旧識別手段から現用識別手段を生成するにあたって用いられた追加学習データである特定学習データのうち、前記誤判定の要因として特定された追加学習データ以外のデータを学習させる。そのため、新たに生成される学習済識別手段において、過去の追加学習データを生かしつつ、過学習による誤判定の発生をより確実に抑制可能となるように学習状態の修正を行うことができる。その結果、不良品の検査対象物が良品であると誤判定されることをより確実に防止でき、検査精度を高めることができる。
【0016】
加えて、追加学習手段は、検査に利用されている現用識別手段のニューラルネットワークではなく、識別手段記憶手段に記憶された旧識別手段のニューラルネットワークに対して学習を行う。そのため、膨大な繰り返し処理となり得る、ニューラルネットワークの学習に係る処理や誤判定要因データの抽出（特定）に係る処理を、検査を停止させることなく行うことができる。これにより、多数の検査対象物に対する検査を、迅速に、かつ、効率よく行うことができる。
【0017】
手段２．前記識別手段記憶手段は、前記現用識別手段とは別に、該現用識別手段と同一内容の前記識別手段である複製現用識別手段を記憶しており、
前記追加学習手段は、前記再構成画像データ取得手段によって前記現用識別手段に前記元画像データを入力して再構成された前記再構成画像データに基づく前記判定手段の良否判定により、良品の検査対象物が不良品であると誤判定された場合、前記識別手段記憶手段に記憶された前記複製現用識別手段の前記ニューラルネットワークに対し、その誤判定を生じさせた前記元画像データを追加学習させて、新たな前記学習済識別手段を生成可能に構成されていることを特徴とする手段１に記載の検査装置。
前記追加学習手段は、前記再構成画像データ取得手段によって前記現用識別手段に前記元画像データを入力して再構成された前記再構成画像データに基づく前記判定手段の良否判定により、良品の検査対象物が不良品であると誤判定された場合、前記識別手段記憶手段に記憶された前記複製現用識別手段の前記ニューラルネットワークに対し、その誤判定を生じさせた前記元画像データを追加学習させて、新たな前記学習済識別手段を生成可能に構成されていることを特徴とする手段１に記載の検査装置。
【0018】
上記手段２によれば、良品の検査対象物が不良品であると誤判定された場合、識別手段記憶手段に記憶された複製現用識別手段のニューラルネットワークに対し、その誤判定を生じさせた元画像データを追加学習させることで、新たな学習済識別手段を生成することが可能である。従って、良品の検査対象物が不良品であると誤判定されることをより確実に防止な学習済識別手段を生成することが可能となり、検査精度をより高めることができる。
【0019】
また、上記手段２によれば、検査に利用されている現用識別手段とは別に記憶された、複製現用識別手段を追加学習の対象とするため、追加学習のために検査を停止させる必要はない。従って、検査に係る迅速性や効率性をより高めることができる。
【0020】
手段３．前記判定手段の良否判定によって不良品の検査対象物が良品であると誤判定された場合における、その誤判定に係る前記元画像データである不良画像データを記憶する不良画像データ記憶手段と、
前記不良画像データに対する類似度に基づき、前記特定学習データの中から前記誤判定要因データを特定する要因データ特定手段とを有することを特徴とする手段１に記載の検査装置。
前記不良画像データに対する類似度に基づき、前記特定学習データの中から前記誤判定要因データを特定する要因データ特定手段とを有することを特徴とする手段１に記載の検査装置。
【0021】
尚、要因データ特定手段としては、例えば、不良画像データに対する特定学習データの類似度（例えば、不良画像データから抽出される特徴量と、特定学習データから抽出される特徴量とに基づく、両画像データの類似度合いを示すスコアなど）を算出可能な公知の類似判定手段（例えば、ニューラルネットワークに対し、少なくとも不良画像データを学習させて生成したＡＩ）を有し、算出された類似度と所定の閾値との比較結果に基づき、誤判定要因データの特定を行うものなどを挙げることができる。
【0022】
上記手段３によれば、誤判定に係る元画像データ（誤判定を生じさせた元画像データ）である不良画像データに対する類似度に基づき、特定学習データの中から誤判定要因データ（誤判定の要因と考えられる追加学習データ）を特定することができる。従って、誤判定要因データをより正確に特定することができ、ひいては、新たに生成される学習済識別手段を用いた検査に係る精度をより確実に高めることができる。
【0023】
手段４．新たに生成された前記学習済識別手段に対し、該学習済識別手段の生成の契機となった誤判定に係る前記元画像データを入力して再構成された前記再構成画像データに基づき、前記判定手段による良否判定を行わせることで、新たに生成された前記学習済識別手段の学習状態を確認する画像出力ＡＩ用の確認手段を備えることを特徴とする手段１に記載の検査装置。
【0024】
上記手段４によれば、新たに生成された学習済識別手段において、該学習済識別手段の生成の契機となった誤判定に係る元画像データに基づく誤判定が生じないか否か、つまり、より良好な検査精度が実現されているか否かを容易に確認することができる。また、万が一新たに生成された学習済識別手段を用いた検査でも同様の誤判定が生じることが確認されたときには、そのような誤判定への対処〔別手法による誤判定要因データの再特定を行うとともに、再特定された誤判定要因データを除いた上での再度の学習や、学習以外の対処（例えば、元画像データと再構成画像データとを比較する段階で用いる閾値の見直しなど）など〕を簡便に行うことが可能となる。
【0025】
手段５．前記追加学習手段による学習処理に係る情報、及び、前記画像出力ＡＩ用の確認手段による確認結果を表示可能な表示手段と、
前記現用識別手段を、新たに生成された前記学習済識別手段に置換することの承認に係る入力を受付可能な承認入力受付手段とを備えることを特徴とする手段４に記載の検査装置。
前記現用識別手段を、新たに生成された前記学習済識別手段に置換することの承認に係る入力を受付可能な承認入力受付手段とを備えることを特徴とする手段４に記載の検査装置。
【0026】
上記手段５によれば、検査に利用されている現用識別手段を、新たに生成された学習済識別手段に置換することが、意図せず行われることをより確実に防止できる。これにより、意図しない置換に伴う不具合の発生をより確実に防ぐことができる。
【0027】
手段６．所定の検査対象物に対する検査を行うための検査装置であって、
検査対象物に係る画像データを取得可能な画像データ取得手段と、
入力された画像データを所定の項目で分類し、分類結果を出力可能に構成された識別手段のニューラルネットワークに対し、良品及び不良品の検査対象物に係る画像データを学習データとして学習させることで生成してなる、学習済みの前記識別手段である学習済識別手段と、
前記識別手段の前記ニューラルネットワークに対し、検査対象物に係る画像データを追加学習データとして追加学習させることで、新たな前記学習済識別手段を生成する追加学習手段と、
前記追加学習手段による追加学習が一部又は全部行われていない段階の前記識別手段である旧識別手段と、検査対象物の検査に利用されている前記学習済識別手段である現用識別手段とは別に、該現用識別手段と同一内容の前記識別手段である複製現用識別手段とを記憶する識別手段記憶手段と、
前記旧識別手段から前記現用識別手段を生成するにあたって用いられた前記追加学習データである特定学習データの全てを記憶する特定学習データ記憶手段と、
前記追加学習手段は、前記現用識別手段に前記元画像データを入力して出力された分類結果に誤判定が生じた場合、前記識別手段記憶手段に記憶された前記複製現用識別手段の前記ニューラルネットワークに対し、その誤判定を生じさせた前記元画像データを追加学習させて、新たな前記学習済識別手段を生成可能であり、
新たに生成された前記学習済識別手段に対し、該学習済識別手段の生成の契機となった誤判定に係る前記元画像データを入力して出力された分類結果に基づき、新たに生成された前記学習済識別手段の学習状態を確認する分類出力ＡＩ用の確認手段によって、学習状態が適切であると判定された場合には、前記現用識別手段を、新たに生成された前記学習済識別手段に置換可能と判断する一方、
新たに生成された前記学習済識別手段に対し前記元画像データを入力して出力された分類結果に誤判定が生じ、前記分類出力ＡＩ用の確認手段によって学習状態が不適切であると判定された場合には、前記識別手段記憶手段に記憶された前記旧識別手段の前記ニューラルネットワークに対し、その誤判定された分類結果と同一の分類結果の検査対象物に係るデータであり、かつ、その誤判定の要因として特定されたデータである誤判定要因データを除いた前記特定学習データを学習させて、新たな前記学習済識別手段を生成可能であることを特徴とする検査装置。
検査対象物に係る画像データを取得可能な画像データ取得手段と、
入力された画像データを所定の項目で分類し、分類結果を出力可能に構成された識別手段のニューラルネットワークに対し、良品及び不良品の検査対象物に係る画像データを学習データとして学習させることで生成してなる、学習済みの前記識別手段である学習済識別手段と、
前記識別手段の前記ニューラルネットワークに対し、検査対象物に係る画像データを追加学習データとして追加学習させることで、新たな前記学習済識別手段を生成する追加学習手段と、
前記追加学習手段による追加学習が一部又は全部行われていない段階の前記識別手段である旧識別手段と、検査対象物の検査に利用されている前記学習済識別手段である現用識別手段とは別に、該現用識別手段と同一内容の前記識別手段である複製現用識別手段とを記憶する識別手段記憶手段と、
前記旧識別手段から前記現用識別手段を生成するにあたって用いられた前記追加学習データである特定学習データの全てを記憶する特定学習データ記憶手段と、
前記追加学習手段は、前記現用識別手段に前記元画像データを入力して出力された分類結果に誤判定が生じた場合、前記識別手段記憶手段に記憶された前記複製現用識別手段の前記ニューラルネットワークに対し、その誤判定を生じさせた前記元画像データを追加学習させて、新たな前記学習済識別手段を生成可能であり、
新たに生成された前記学習済識別手段に対し、該学習済識別手段の生成の契機となった誤判定に係る前記元画像データを入力して出力された分類結果に基づき、新たに生成された前記学習済識別手段の学習状態を確認する分類出力ＡＩ用の確認手段によって、学習状態が適切であると判定された場合には、前記現用識別手段を、新たに生成された前記学習済識別手段に置換可能と判断する一方、
新たに生成された前記学習済識別手段に対し前記元画像データを入力して出力された分類結果に誤判定が生じ、前記分類出力ＡＩ用の確認手段によって学習状態が不適切であると判定された場合には、前記識別手段記憶手段に記憶された前記旧識別手段の前記ニューラルネットワークに対し、その誤判定された分類結果と同一の分類結果の検査対象物に係るデータであり、かつ、その誤判定の要因として特定されたデータである誤判定要因データを除いた前記特定学習データを学習させて、新たな前記学習済識別手段を生成可能であることを特徴とする検査装置。
【0028】
尚、上記手段６にて「学習データ」として用いる「検査対象物に係る画像データ」には、良品の検査対象物に係る画像データのみならず、不良品の検査対象物に係る画像データも含まれる。また、「検査対象物に係る画像データ」としては、検査時に得られた画像データや、該画像データに基づき生成した仮想画像データなどを挙げることができる。
【0029】
さらに、学習済識別手段は、検査対象物の良否で分類するものであってもよいし、検査対象物の良否に加えて、検査対象物における不良の種別によって分類するものであってもよい。
【0030】
上記手段６によれば、検査対象物の分類結果に関する誤判定が生じた場合には、識別手段記憶手段に記憶された複製現用識別手段のニューラルネットワークに対し、その誤判定を生じさせた元画像データを追加学習させることで、新たな学習済識別手段を生成することが可能である。従って、より良好な検査精度を有する学習済識別手段を得ることができる。
【0031】
また、追加学習にあたっては、検査に利用されている現用識別手段のニューラルネットワークではなく、識別手段記憶手段に記憶された複製現用識別手段のニューラルネットワークに対して学習が行われる。これにより、検査を停止させることなく追加学習を行うことができ、検査の迅速性や効率性をより高めることができる。
【0032】
加えて、上記手段６によれば、分類出力ＡＩ用の確認手段によって、新たに生成された学習済識別手段において、誤判定を生じさせた元画像データに基づく再度の誤判定が生じないか否か、つまり、より良好な検査精度が実現されているか否かを容易に確認することができる。
【0033】
さらに、分類出力ＡＩ用の確認手段によって、再度の誤判定が生じない状態（より良好な検査精度が実現されている状態）となっていることが確認されて初めて、検査対象物の検査に利用されている現用識別手段が、新たに生成された学習済識別手段に置換可能と判断される。従って、誤判定が生じ得る不適切な学習済識別手段が、誤って検査で用いられることをより確実に防止できる。
【0034】
一方、分類出力ＡＩ用の確認手段によって、新たに生成された学習済識別手段を用いた検査において誤判定が生じることが確認された場合、つまり、過学習による誤判定が生じたと考えられる場合、追加学習手段は、追加学習が一部又は全部行われていない段階の識別手段（現用識別手段よりも前の段階の識別手段）である旧識別手段（例えば初期ＡＩモデル）のニューラルネットワークに対する学習を行い、新たな学習済識別手段を生成する。このとき、旧識別手段から現用識別手段を生成するにあたって用いられた追加学習データである特定学習データのうちの、その誤判定された分類結果と同一の分類結果の検査対象物に係るデータの中から、その誤判定の要因と考えられるデータが、誤判定要因データとして特定される。
【0035】
例えば、新たに生成された学習済識別手段による検査において良品を誤って不良品と分類することが確認されたとする。この場合、特定学習データのうちの「不良品の検査対象物に係るデータ」の中から誤判定要因データが特定される。また、例えば、新たに生成された学習済識別手段による検査において、検査対象物に生じている不良の種別を、種別Ｘと判定すべきところ、種別Ｙと誤判定することが確認されたとする。この場合、特定学習データのうちの「種別Ｙの不良が生じている検査対象物に係るデータ」の中から誤判定要因データが特定される。これは、分類結果の誤判定が生じた場合、追加学習に用いたデータ（特定学習データ）のうち、その誤判定された分類結果と同一の分類結果に係る画像データが、誤判定を生じさせる要因になっていると考えられるためである。
【0036】
そして、追加学習手段は、旧識別手段のニューラルネットワークに対し、特定学習データから誤判定要因データを除外したデータを学習させることで、新たな学習済識別手段を生成する。従って、分類出力ＡＩ用の確認手段によって学習状態が不適切であると判定された場合に、過去の追加学習データを生かしつつ、過学習による誤判定の発生をより確実に抑制可能となるように学習状態の修正を行うことができる。その結果、検査対象物の分類に関する誤判定が生じることをより確実に防止でき、検査精度を高めることができる。
【0037】
加えて、分類出力ＡＩ用の確認手段によって学習状態が不適切であると判定された場合は、検査に利用されている現用識別手段のニューラルネットワークではなく、識別手段記憶手段に記憶された旧識別手段のニューラルネットワークに対し学習が行われる。そのため、膨大な繰り返し処理となり得る、ニューラルネットワークの学習に係る処理や誤判定要因データの抽出（特定）に係る処理を、検査を停止させることなく行うことができる。これにより、多数の検査対象物に対する検査を、より迅速に、かつ、より効率よく行うことができる。
【0038】
手段７．新たに生成された前記学習済識別手段に前記元画像データを入力して出力された分類結果に誤判定が生じ、前記分類出力ＡＩ用の確認手段によって学習状態が不適切であると判定された場合における、その誤判定に係る前記元画像データである誤判定発生画像データを記憶する誤判定発生画像データ記憶手段と、
前記誤判定発生画像データに対する類似度に基づき、前記特定学習データの中から前記誤判定要因データを特定する要因データ特定手段とを有することを特徴とする手段６に記載の検査装置。
前記誤判定発生画像データに対する類似度に基づき、前記特定学習データの中から前記誤判定要因データを特定する要因データ特定手段とを有することを特徴とする手段６に記載の検査装置。
【0039】
尚、要因データ特定手段としては、例えば、誤判定発生画像データに対する特定学習データの類似度（例えば、誤判定発生画像データから抽出される特徴量と、特定学習データから抽出される特徴量とに基づく、両画像データの類似度合いを示すスコアなど）を算出可能な公知の類似判定手段（例えば、ニューラルネットワークに対し、少なくとも誤判定発生画像データを学習させて生成したＡＩ）を有し、算出された類似度と所定の閾値との比較結果に基づき、誤判定要因データの特定を行うものなどを挙げることができる。
【0040】
上記手段７によれば、分類出力ＡＩ用の確認手段により、学習済識別手段において誤判定が生じることが確認された場合に、誤判定に係る元画像データ（誤判定を生じさせた元画像データ）である誤判定発生画像データに対する類似度に基づき、特定学習データの中から誤判定要因データ（誤判定の要因と考えられる追加学習データ）を特定することができる。従って、誤判定要因データをより正確に特定することができ、ひいては、新たに生成される学習済識別手段を用いた検査に係る精度をより確実に高めることができる。
【0041】
手段８．前記追加学習手段による学習処理に係る情報、及び、前記分類出力ＡＩ用の確認手段による確認結果を表示可能な表示手段と、
前記現用識別手段を、新たに生成された前記学習済識別手段に置換することの承認に係る入力を受付可能な承認入力受付手段とを備えることを特徴とする手段６に記載の検査装置。
前記現用識別手段を、新たに生成された前記学習済識別手段に置換することの承認に係る入力を受付可能な承認入力受付手段とを備えることを特徴とする手段６に記載の検査装置。
【0042】
上記手段８によれば、上記手段５と同様の作用効果が奏される。
【0043】
手段９．検査対象物としての錠剤又はＰＴＰシートを検査する、手段１又は６に記載の検査装置を備えたＰＴＰ包装機。
【0044】
上記手段９によれば、上記手段１又は６と同様の作用効果が奏されることとなる。
【0045】
尚、上記手段に係る各技術事項を適宜組み合わせてもよい。例えば、上記手段２に係る技術事項に対し、上記手段３～５に係る技術事項のうちの少なくとも１つを組み合わせてもよい。また、上記手段７に係る技術事項に対し、上記手段８に係る技術事項を組み合わせてもよい。
【図面の簡単な説明】
【0046】
【図1】ＰＴＰシートの斜視図である。
【図2】ＰＴＰシートの部分拡大断面図である。
【図3】ＰＴＰフィルムの斜視図である。
【図4】第１実施形態における検査装置の概略構成図である。
【図5】第１実施形態におけるＰＴＰ包装機の概略構成図である。
【図6】第１実施形態における検査装置の機能構成を示すブロック図である。
【図7】ポケット部成形装置及び加熱装置の概略構成を示す一部破断正面図である。
【図8】ポケット部成形工程の流れを示すフローチャートである。
【図9】第１実施形態におけるニューラルネットワークの構造を説明するための模式図である。
【図10】第１実施形態におけるニューラルネットワークの学習処理の流れを示すフローチャートである。
【図11】良否判定処理の流れを示すフローチャートである。
【図12】第１実施形態における追加学習処理の流れを示すフローチャートである。
【図13】第１実施形態における確認処理の流れを示すフローチャートである。
【図14】第１実施形態における追加学習修正処理の流れを示すフローチャートである。
【図15】第１実施形態における各種処理の流れを示すフローチャートである。
【図16】成形不良のないポケット部に生じる濃淡模様等を示す図である。
【図18】成形不良のあるポケット部に生じる濃淡模様等を示す図である。
【図20】第１実施形態において、順次生成されるＡＩモデルや追加学習処理に用いられた追加学習データなどを示す図である。
【図21】第２実施形態におけるＰＴＰ包装機の概略構成図である。
【図22】第２実施形態における検査装置の機能構成を示すブロック図である。
【図23】第２実施形態におけるニューラルネットワークの学習処理の流れを示すフローチャートである。
【図24】第２実施形態における追加学習処理の流れを示すフローチャートである。
【図25】第２実施形態における確認処理の流れを示すフローチャートである。
【図26】第２実施形態における追加学習修正処理の流れを示すフローチャートである。
【図27】第２実施形態における各種処理の流れを示すフローチャートである。
【図28】第２実施形態において、順次生成されるＡＩモデルや追加学習処理に用いられた追加学習データなどを示す図である。
【図29】別の実施形態において、ＡＩ記憶部に記憶されたＡＩモデルや画像データ記憶部に記憶された追加学習データなどを示す図である。
【図30】別の実施形態に係るブリスタパックの斜視図である。
【発明を実施するための形態】
【0047】
以下に、実施形態について図面を参照しつつ説明する。
〔第１実施形態〕
まず、「検査対象物」としてのＰＴＰシート１について説明する。図１，２に示すように、ＰＴＰシート１は、複数のポケット部２を備えた容器フィルム３と、ポケット部２を塞ぐようにして容器フィルム３に取着されたカバーフィルム４とを有している。
〔第１実施形態〕
まず、「検査対象物」としてのＰＴＰシート１について説明する。図１，２に示すように、ＰＴＰシート１は、複数のポケット部２を備えた容器フィルム３と、ポケット部２を塞ぐようにして容器フィルム３に取着されたカバーフィルム４とを有している。
【0048】
容器フィルム３は、例えばＰＰ（ポリプロピレン）やＰＶＣ（ポリ塩化ビニル）等の無色透明な熱可塑性樹脂材料により形成され、透光性を有している。一方、カバーフィルム４は、例えばポリプロピレン樹脂等からなるシーラントが表面に設けられた不透明材料（例えばアルミニウム箔等）により構成されている。
【0049】
ＰＴＰシート１は、平面視略矩形状に形成されている。ＰＴＰシート１には、その長手方向に沿って配列された５個のポケット部２からなるポケット列が、その短手方向に２列形成されている。つまり、計１０個のポケット部２が形成されている。各ポケット部２には、内容物としての錠剤５が１つずつ収容されている。
【0050】
ポケット部２は、カバーフィルム４と相対向するように配置される平面視略円形状の底部２ａと、該底部２ａの周囲に連接しかつ該底部２ａとフィルム平坦部（ポケット非成形部）３ｂとを繋ぐ略円筒形状の側部２ｂとから構成されている。
【0051】
本実施形態における底部２ａは、緩やかに湾曲した断面略円弧状に成形されているが、これに限らず、底部２ａが平坦状に成形された構成としてもよい。また、底部２ａ及び側部２ｂが交わる角部２ｃが明らかでないような、より曲率の大きい断面円弧状に成形された構成としてもよい。
【0052】
ＰＴＰシート１は、帯状の容器フィルム３及び帯状のカバーフィルム４から形成された帯状のＰＴＰフィルム６（図３参照）が打抜かれることにより製造される。
【0053】
次に、上記ＰＴＰシート１を製造するＰＴＰ包装機１１の概略構成について、図５を参照して説明する。
【0054】
ＰＴＰ包装機１１の最上流側では、帯状の容器フィルム３の原反がロール状に巻回されている。ロール状に巻回された容器フィルム３の引出し端側は、ガイドロール１３に案内されている。容器フィルム３は、ガイドロール１３の下流側において間欠送りロール１４に掛装されている。間欠送りロール１４は、間欠的に回転するモータに連結されており、容器フィルム３を間欠的に搬送する。
【0055】
ガイドロール１３と間欠送りロール１４との間には、容器フィルム３の搬送経路に沿って、加熱装置１５とポケット部成形装置１６とが順に配設されている。加熱装置１５によって容器フィルム３が加熱されて該容器フィルム３が比較的柔軟になった状態において、ポケット部成形装置１６によって容器フィルム３の所定位置に複数のポケット部２が一度に成形される。尚、ポケット部２の成形は、間欠送りロール１４による容器フィルム３の搬送動作間のインターバル中に行われる。加熱装置１５及びポケット部成形装置１６の構成については、後に詳述する。
【0056】
また、ガイドロール１３と間欠送りロール１４との間であって、ポケット部成形装置１６の下流には、検査装置２１が配設されている。検査装置２１は、ポケット部成形装置１６によって成形されたポケット部２の成形状態に関する検査を行うことで、該ポケット部２を備えたＰＴＰシート１の検査を行うためのものである。検査装置２１の構成については、後に詳述する。
【0057】
間欠送りロール１４から送り出された容器フィルム３は、テンションロール１８、ガイドロール１９及びフィルム受けロール２０の順に掛装されている。
【0058】
フィルム受けロール２０は、一定回転するモータに連結されているため、容器フィルム３を連続的に且つ一定速度で搬送する。テンションロール１８は、容器フィルム３を弾性力によって緊張する側へ引っ張った状態とされており、間欠送りロール１４とフィルム受けロール２０との搬送動作の相違による容器フィルム３の弛みを防止して容器フィルム３を常時緊張状態に保持する。
【0059】
ガイドロール１９とフィルム受けロール２０との間には、容器フィルム３の搬送経路に沿って、錠剤充填装置２２が配設されている。
【0060】
錠剤充填装置２２は、ポケット部２に錠剤５を自動的に充填する充填手段としての機能を有する。錠剤充填装置２２は、フィルム受けロール２０による容器フィルム３の搬送動作と同期して、所定間隔毎にシャッタを開くことで錠剤５を落下させるものであり、このシャッタ開放動作に伴って各ポケット部２に錠剤５が充填される。錠剤充填装置２２の動作は、後述する充填制御装置８２によって制御される。
【0061】
一方、帯状に形成されたカバーフィルム４の原反は、最上流側においてロール状に巻回されている。ロール状に巻回されたカバーフィルム４の引出し端は、ガイドロール２４によって加熱ロール２５の方へと案内されている。加熱ロール２５は、フィルム受けロール２０に圧接可能となっており、両ロール２０，２５間に容器フィルム３及びカバーフィルム４が送り込まれるようになっている。そして、容器フィルム３及びカバーフィルム４が、両ロール２０，２５間を加熱圧接状態で通過することで、容器フィルム３にカバーフィルム４が貼着され、ポケット部２がカバーフィルム４で塞がれる。これにより、錠剤５が各ポケット部２に収容されたＰＴＰフィルム６が製造される。
【0062】
フィルム受けロール２０から送り出されたＰＴＰフィルム６は、テンションロール２７及び間欠送りロール２８の順に掛装されている。
【0063】
間欠送りロール２８は、間欠的に回転するモータに連結されているため、ＰＴＰフィルム６を間欠的に搬送する。テンションロール２７は、ＰＴＰフィルム６を弾性力によって緊張する側へ引っ張った状態とされており、フィルム受けロール２０と間欠送りロール２８との搬送動作の相違によるＰＴＰフィルム６の弛みを防止してＰＴＰフィルム６を常時緊張状態に保持する。
【0064】
間欠送りロール２８から送り出されたＰＴＰフィルム６は、テンションロール３１及び間欠送りロール３２の順に掛装されている。
【0065】
間欠送りロール３２は、間欠的に回転するモータに連結されているため、ＰＴＰフィルム６を間欠的に搬送する。テンションロール３１は、ＰＴＰフィルム６を弾性力によって緊張する側へ引っ張った状態とされており、間欠送りロール２８，３２間でのＰＴＰフィルム６の弛みを防止する。
【0066】
間欠送りロール２８とテンションロール３１との間には、ＰＴＰフィルム６の搬送経路に沿って、スリット成形装置３３及び刻印装置３４が順に配設されている。スリット成形装置３３は、ＰＴＰフィルム６の所定位置に切離用スリットを成形する機能を有する。刻印装置３４は、ＰＴＰフィルム６の所定位置（例えばタグ部）に刻印を付す機能を有する。尚、図１等では、切離用スリットや刻印の図示を省略している。
【0067】
間欠送りロール３２から送り出されたＰＴＰフィルム６は、その下流側においてテンションロール３５及び連続送りロール３６の順に掛装されている。
【0068】
間欠送りロール３２とテンションロール３５との間には、ＰＴＰフィルム６の搬送経路に沿って、シート打抜装置３７が配設されている。シート打抜装置３７は、ＰＴＰフィルム６をＰＴＰシート１単位にその外縁を打抜くシート打抜手段（切離手段）としての機能を有する。
【0069】
シート打抜装置３７によって打抜かれたＰＴＰシート１は、コンベア３８によって搬送され、完成品用ホッパ３９に一旦貯留される。但し、ＰＴＰシート１を選択的に排出可能な不良シート排出機構４０に対し後述する充填制御装置８２から不良品信号が入力されると、不良品のＰＴＰシート１は、不良シート排出機構４０によって別途排出され、図示しない不良品ホッパに移送される。
【0070】
連続送りロール３６の下流側には、裁断装置４１が配設されている。シート打抜装置３７による打抜き後に帯状に残ったスクラップ部４２は、テンションロール３５及び連続送りロール３６に案内された後、裁断装置４１に導かれる。裁断装置４１は、スクラップ部４２を所定寸法に裁断する機能を有する。裁断されたスクラップ部４２はスクラップ用ホッパ４３に貯留された後、別途廃棄処理される。
【0071】
次いで、図７を参照して加熱装置１５及びポケット部成形装置１６の構成について説明する。
【0072】
加熱装置１５は、上部ヒータプレート１５ａ及び下部ヒータプレート１５ｂを備えている。両ヒータプレート１５ａ，１５ｂは、図示しないヒータによって加熱可能に構成されている。両ヒータプレート１５ａ，１５ｂは、容器フィルム３の搬送経路を挟むようにして設けられており、それぞれ容器フィルム３に接近又は離間する方向に移動可能とされている。
【0073】
また、各ヒータプレート１５ａ，１５ｂは、容器フィルム３におけるポケット部２の成形予定部３ａに対応する位置に、複数の突出部１５ｃ，１５ｄを備えている。
【0074】
間欠的に搬送される容器フィルム３は、一時停止中に、両ヒータプレート１５ａ，１５ｂの接近移動に伴い突出部１５ｃ，１５ｄにより挟まれることで部分的に（スポット的に）加熱され、この加熱された部分が軟化状態となる。尚、本実施形態では、突出部１５ｃ，１５ｄにおける容器フィルム３との接触部が、ポケット部２の平面形状よりも一回り小さなものとされている。
【0075】
ポケット部成形装置１６は、下型６１及び上型７１を備えている。下型６１は、ポケット部２の位置に対応する位置に複数の挿通孔６４を備えている。また、下型６１は、筒状の下型チャンバー６２を介して固定状態にある支持台６３に固定されている。支持台６３には、複数の貫通孔が形成されており、該貫通孔にはベアリング機構を介して棒状のスライダ６５が挿通されている。スライダ６５は、図示しないカム機構によって上下動可能である。
【0076】
スライダ６５の上部には、ポケット部成形型６６が固定されており、該ポケット部成形型６６は、前記挿通孔６４に挿通可能な棒状のプラグ６６ａを複数備えている。プラグ６６ａの先端形状は、ポケット部２の内面に対応する形状とされている。ポケット部成形型６６は、前記カム機構の駆動によるスライダ６５の上下動に伴い上下動する。尚、下型６１やポケット部成形型６６などは、生産するＰＴＰシート１の品種に応じて適宜交換可能である。
【0077】
さらに、スライダ６５及びポケット部成形型６６のそれぞれの内部には、冷却水（又は温水）を循環させるための循環路６７が形成されている。これにより、各プラグ６６ａにおける表面温度のばらつきが抑制されるようになっている。
【0078】
プラグ６６ａは、ポケット部２の成形時に、初期位置、中間停止位置及び突出位置へとこの順で配置され、最終的に初期位置へと戻るようになっている。初期位置は、ポケット部２の成形工程の開始時にプラグ６６ａが配置される位置であり、この位置に配置されたプラグ６６ａは挿通孔６４の下方であって挿通孔６４外に配置された状態となる。中間停止位置は、ポケット部２の成形工程の中間段階にてプラグ６６ａが配置される位置であり、この位置に配置されたプラグ６６ａは挿通孔６４内に配置され、容器フィルム３との間で所定の隙間を形成した状態となる。突出位置は、ポケット部２の成形工程の最終段階にてプラグ６６ａが配置される位置であり、この位置に配置されたプラグ６６ａの先端面は、ポケット部２の深さに対応する分だけ下型６１から突出した状態となる。尚、このようなプラグ６６ａの動作は後述する成形制御装置８１によって制御される。
【0079】
一方、上型７１は、プレート７２を介して上下動可能な上板７３に固定されており、下型６１に対し接近又は離間する方向に沿って移動可能とされている。上型７１は、下型６１の挿通孔６４と相対する位置に気体供給孔７４を備えている。
【0080】
さらに、プレート７２及び上板７３の内部には、気体供給孔７４と連通する気体供給路７５が形成されており、該気体供給路７５に対し、例えばコンプレッサ等により構成された気体供給装置７６から、所定の高圧の気体（不活性ガス、本実施形態では空気）が供給される。
【0081】
尚、本実施形態では、ポケット部成形装置１６の一回の動作によって、１枚分のＰＴＰシート１に対応する計１０個のポケット部２が同時に成形される構成となっている。すなわち容器フィルム３のフィルム幅方向（Ｙ方向）に対し５つ、かつ、フィルム搬送方向（Ｘ方向）に対し２つのポケット部２が同時に成形される構成となっている。
【0082】
次いで、図５に戻り、加熱装置１５及びポケット部成形装置１６によるポケット部２の成形に関する制御を行うための成形制御装置８１について説明する。成形制御装置８１は、ＣＰＵ（Central Processing Unit）やＲＯＭ（Read Only Memory）、ＲＡＭ（Random Access Memory）などを有するコンピュータシステムによって構成されている。
【0083】
成形制御装置８１には、プラグ６６ａにおける初期位置、中間停止位置及び突出位置に関する各情報などが設定記憶されており、これらの情報に基づきプラグ６６ａの動作制御が行われる。尚、プラグ６６ａの初期位置、中間停止位置及び突出位置に関する各情報は、製造対象となるＰＴＰシート１におけるポケット部２の深さなどに応じて適宜変更される。
【0084】
ここで、成形制御装置８１の制御により実行されるポケット部成形工程について図８を参照しつつ説明する。
【0085】
ポケット部成形工程では、まずステップＳ１０１の中間停止位置配置工程が行われる。中間停止位置配置工程では、スライダ６５の移動によりポケット部成形型６６を上方へと移動させることで、初期位置に配置されたプラグ６６ａが上方に向かって移動する。
【0086】
そして、設定された中間停止位置にプラグ６６ａが到達すると、スライダ６５の移動が停止され、プラグ６６ａが中間停止位置に配置された状態になる。このとき、プラグ６６ａの先端面は、容器フィルム３から所定距離だけ離れた状態とされる。この所定距離は、通常、ポケット部２の深さよりも小さなものとされる。
【0087】
次いで、ステップＳ１０２の挟持工程において、上型７１を下方に向けて移動させることで、固定状態にある下型６１と上型７１とで容器フィルム３を挟んだ状態とする。このとき、容器フィルム３のうち、ポケット部２となる成形予定部３ａ（図７参照）の周囲に位置する環状部分が、両型６１，７１で挟持された状態となる。尚、中間停止位置配置工程及び挟持工程を同時に行ってもよいし、挟持工程を中間停止位置配置工程よりも先に行ってもよい。
【0088】
続くステップＳ１０３の膨出工程では、気体供給装置７６から気体供給路７５を介して気体供給孔７４へと気体を供給することで、容器フィルム３におけるポケット部２の成形予定部３ａに対し、その表側（図７上側）から圧縮エアを吹き付ける。気体の供給により、成形予定部３ａは、ポケット部２の突出側（図７上側）とは反対側（図７下側）に膨出し、引き伸ばされて薄くなる。
【0089】
そして、成形予定部３ａは、プラグ６６ａの先端面により支持された状態となるまで膨出する。気体の供給により成形予定部３ａを膨出させる場合、膨出後の成形予定部３ａの肉厚は全体的にほぼ同じになる。
【0090】
尚、プラグ６６ａの中間停止位置に応じて、容器フィルム３の延伸量が変化し、成形予定部３ａの肉厚も変化する。プラグ６６ａの中間停止位置が比較的高い場合には、容器フィルム３の延伸量が比較的小さなものとなるため、成形予定部３ａは全体的に厚い状態となる。一方、プラグ６６ａの中間停止位置が比較的低い場合には、容器フィルム３の延伸量が比較的大きなものとなるため、成形予定部３ａは全体的に薄い状態となる。
【0091】
続くステップＳ１０４の最終成形工程では、プラグ６６ａが上方へと移動し、突出位置へと配置される。その結果、成形予定部３ａにおける膨らみ方向が反転して、所定の深さを有するポケット部２が成形される。
【0092】
尚、押圧により容器フィルム３を変形させる場合、成形予定部３ａのうち底部２ａに相当する部位はプラグ６６ａと接触して冷却されるため、底部２ａに相当する部位はほとんど延伸されない。従って、中間停止位置を比較的高くすることで成形予定部３ａが全体的に厚い状態となっていれば、プラグ６６ａによる押圧時に底部２ａに相当する部位は厚い状態で維持されるため、結果的に、成形されるポケット部２における側部２ｂが比較的薄肉となる。
【0093】
一方、中間停止位置を比較的低くすることで成形予定部３ａが全体的に薄い状態となっていれば、プラグ６６ａによる押圧時に底部２ａに相当する部位は薄い状態で維持されるため、結果的に、成形されるポケット部２における側部２ｂが比較的厚肉となる。
【0094】
このようにプラグ６６ａの中間停止位置を調節し成形予定部３ａの肉厚を調節することで、最終的に成形されるポケット部２における底部２ａ及び側部２ｂのそれぞれの肉厚のバランスを調節することが可能となる。
【0095】
最終成形工程の後には、プラグ６６ａを初期位置に配置するとともに、両型６１，７１による容器フィルム３の挟持を解除することで、ポケット部成形工程が終了する。
【0096】
次いで、錠剤充填装置２２による錠剤５の充填に関する制御を行うための充填制御装置８２について説明する。充填制御装置８２は、ＣＰＵやＲＡＭなどを有するコンピュータシステムによって構成されている。
【0097】
充填制御装置８２は、検査装置２１による検査結果に基づき、所定のポケット部２に対し錠剤５を充填するか否かを切換え制御可能である。具体的には、充填制御装置８２は、検査装置２１から所定のＰＴＰシート１（１０個のポケット部２の成形状態）に関する良否判定結果が入力され、かかる良否判定結果が「良品」判定である場合には、かかるＰＴＰシート１に含まれる１０個すべてのポケット部２に対し錠剤５を充填するように錠剤充填装置２２を制御する。
【0098】
一方、充填制御装置８２は、所定のＰＴＰシート１に関する良否判定結果が「不良品」判定である場合には、かかるＰＴＰシート１に含まれる１０個すべてのポケット部２に対し錠剤５を充填しないように錠剤充填装置２２を制御する。また、充填制御装置８２は、不良シート排出機構４０に対し不良品信号を出力する。その結果、不良シート排出機構４０によって、不良品信号に係るＰＴＰシート１（不良シート）が排出される。
【0099】
次いで、検査装置２１の構成について詳しく説明する。図４～６に示すように、検査装置２１は、照明装置５０、カメラ５１及び検査制御装置５２を備えている。
【0100】
照明装置５０は、ポケット部２の突出側（図４下側）から容器フィルム３の所定範囲に対し所定の電磁波を照射するものである。照明装置５０は、電磁波照射装置５０ａと、これを覆う拡散板５０ｂとを有しており、面発光可能に構成されている。本実施形態における照明装置５０は、容器フィルム３に対し紫外光を含む電磁波を照射する。
【0101】
カメラ５１は、照明装置５０から照射される電磁波の波長領域に感度を有するものである。カメラ５１は、容器フィルム３のポケット部２開口側（図４上側）に設けられており、そのレンズの光軸ＯＬが容器フィルム３のフィルム平坦部３ｂと直交する鉛直方向（Ｚ方向）に沿うように配置されている。
【0102】
また、カメラ５１のレンズに対応して、バンドパスフィルタ５１ａが設けられている。バンドパスフィルタ５１ａを設けることで、照明装置５０から照射される電磁波のうち、容器フィルム３を透過した紫外光のみがカメラ５１により二次元撮像されることとなる。また、このようにカメラ５１によって取得された透過画像データは、容器フィルム３における紫外光の透過率の差異に基づき各画素（各座標位置）で輝度の異なる輝度画像データとなる。
【0103】
特に本実施形態では、上記バンドパスフィルタ５１ａとして、例えば容器フィルム３の透過率がおよそ３０±１０パーセントとなる波長２５３±２０ｎｍの紫外光のみを通すものが用いられている。これは、容器フィルム３を透過する電磁波の透過率が高すぎても低すぎても、ポケット部２の底部２ａの薄肉部位と厚肉部位における光の透過率に差が生じにくくなるおそれがあるためである。
【0104】
尚、本実施形態におけるカメラ５１の撮像範囲は、少なくともポケット部成形装置１６の一回の動作で容器フィルム３に成形される１枚分のＰＴＰシート１に対応する計１０個のポケット部２を含む範囲を一度に撮像するように設定されている。
【0105】
検査制御装置５２は、所定の演算処理を実行するＣＰＵ、各種プログラムや固定値データ等を記憶するＲＯＭ、各種演算処理の実行に際して各種データが一時的に記憶されるＲＡＭ及びこれらの周辺回路等を含んだコンピュータシステムによって構成されている。
【0106】
検査制御装置５２は、ＣＰＵが各種プログラムに従って動作することで、後述するメイン制御部５２ａ、照明制御部５２ｂ、カメラ制御部５２ｃ、画像取込部５２ｄ、画像処理部５２ｅ、再構成画像データ取得部５２ｆ、判定部５２ｇ、追加学習部５２ｈ及び保存処理実行部５２ｎなどの各種機能部として機能する。本実施形態では、再構成画像データ取得部５２ｆが「再構成画像データ取得手段」を構成し、判定部５２ｇが「判定手段」を構成し、追加学習部５２ｈが「追加学習手段」を構成する。
【0107】
但し、上記各種機能部は、上記ＣＰＵ、ＲＯＭ、ＲＡＭなどの各種ハードウェアが協働することで実現されるものであり、ハード的又はソフト的に実現される機能を明確に区別する必要はなく、これらの機能の一部又は全てがＩＣなどのハードウェア回路により実現されてもよい。
【0108】
さらに、検査制御装置５２には、キーボードやマウス、タッチパネル等で構成される入力部５２１、液晶ディスプレイなどの表示画面を有する表示部５２２、外部と各種データを送受信可能な通信部５２８などが設けられている。本実施形態では、表示部５２２が「表示手段」を構成する。
【0109】
また、検査制御装置５２は、それぞれＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等で構成された検査情報記憶部５２３、使用ＡＩ記憶部５２４、非使用ＡＩ記憶部５２５、画像データ記憶部５２６及び追加学習情報記憶部５２７を備えている。本実施形態では、非使用ＡＩ記憶部５２５が「識別手段記憶手段」を構成する。
【0110】
検査制御装置５２を構成する上記各種機能部に先立って、まず、入力部５２１、表示部５２２、各記憶部５２３～５２７及び通信部５２８について説明する。
【0111】
入力部５２１は、検査制御装置５２に対し情報を入力するための入力手段である。本実施形態では、入力部５２１を介して所定の追加学習命令や追加学習修正命令を入力可能である。
【0112】
追加学習命令は、例えば、後述する判定部５２ｇの良否判定により、良品のＰＴＰシート１が不良品であると誤判定された場合にオペレータ等によって入力される。一方、追加学習修正命令は、例えば、判定部５２ｇの良否判定により、不良品のＰＴＰシート１が良品であると誤判定された場合にオペレータ等によって入力される。勿論、検査装置２１以外に別途設けられた検査装置によって誤判定が生じたと判定された場合に、追加学習命令や追加学習修正命令が検査制御装置５２へと自動的に入力される構成としてもよい。
【0113】
尚、追加学習命令の入力により、後述する追加学習処理が行われ、追加学習修正命令の入力により、後述する追加学習修正処理が行われる。また、入力部５２１によって、検査情報記憶部５２３に記憶された各種設定情報を変更可能である。
【0114】
表示部５２２は、例えば、各記憶部５２３～５２７に記憶された各種情報を表示可能に構成されている。従って、表示部５２２では、カメラ５１により得られた画像データ（透過画像データ）や、それぞれ後述する追加学習データ３０１及び不良画像データ３０２、検査に用いられる情報（例えば閾値など）、ＰＴＰシート１の良否判定結果などを表示可能である。
【0115】
検査情報記憶部５２３は、検査に用いられる各種設定情報や、良否判定結果などを記憶するためのものである。本実施形態では、各種設定情報として、例えばＰＴＰシート１、ポケット部２及び錠剤５の形状及び寸法や、ポケット部２の領域を画定するためのポケット枠Ｗの形状及び寸法並びにカメラ５１との相対位置関係、良否判定や画像データの類否判断に用いる閾値などが記憶されている。
【0116】
使用ＡＩ記憶部５２４は、「識別手段」としてのＡＩモデル２００を記憶する。ＡＩモデル２００は、ディープニューラルネットワーク１９０（以下、単に「ニューラルネットワーク１９０」という。図９参照。）によって、入力された画像データに応じた画像データを出力する機能を有する。
【0117】
ここで、ニューラルネットワーク１９０の構造について図９を参照して説明する。図９は、ニューラルネットワーク１９０の構造を概念的に示した模式図である。ニューラルネットワーク１９０は、入力される画像データ（濃淡模様データ）ＧＡから特徴量（潜在変数）ＴＡを抽出する「符号化部」としてのエンコーダ部１９１と、該特徴量ＴＡから画像データ（濃淡模様データ）ＧＢを再構成する「復号化部」としてのデコーダ部１９２と有してなる畳み込みオートエンコーダ（ＣＡＥ：Convolutional Auto-Encoder）の構造を有している。
【0118】
畳み込みオートエンコーダの構造は公知のものであるため、詳しい説明は省略するが、エンコーダ部１９１は複数の畳み込み層(Convolution Layer)１９３を有し、各畳み込み層１９３では、入力データに対し複数のフィルタ（カーネル）１９４を用いた畳み込み演算が行われた結果が次層の入力データとして出力される。同様に、デコーダ部１９２は複数の逆畳み込み層（Deconvolution Layer）１９５を有し、各逆畳み込み層１９５では、入力データに対し複数のフィルタ（カーネル）１９６を用いた逆畳み込み演算が行われた結果が次層の入力データとして出力される。そして、後述する学習処理や追加学習処理などでは、各フィルタ１９４，１９６の重み（パラメータ）が更新されることとなる。
【0119】
図６に戻り、使用ＡＩ記憶部５２４は、ＡＩモデル２００として、ＰＴＰシート１の検査に現在利用されている現用ＡＩモデル２００ｚを記憶している。現用ＡＩモデル２００ｚについては後により詳しく説明する。
【0120】
非使用ＡＩ記憶部５２５は、検査に利用されていないＡＩモデル２００を記憶する。非使用ＡＩ記憶部５２５に記憶されるＡＩモデル２００には、ＰＴＰシート１の検査に利用されている（使用ＡＩ記憶部５２４に記憶されている）現用ＡＩモデル２００ｚとは別に記憶された、該現用ＡＩモデル２００ｚと同一内容のＡＩモデル２００である複製現用ＡＩモデル２００ｚ１と、初期ＡＩモデル２００ａとが含まれる。
【0121】
複製現用ＡＩモデル２００ｚ１は、現用ＡＩモデル２００ｚをコピーして得られたものであり、自身に対し更新処理などの各種処理が行われたとしても、現用ＡＩモデル２００ｚに何ら影響を与えないものである。本実施形態において、現用ＡＩモデル２００ｚ、複製現用ＡＩモデル２００ｚ１及び初期ＡＩモデル２００ａは、それぞれ「学習済識別手段」を構成し、初期ＡＩモデル２００ａは「旧識別手段」を構成する。また、現用ＡＩモデル２００ｚは「現用識別手段」を構成し、複製現用ＡＩモデル２００ｚ１は「複製現用識別手段」を構成する。
【0122】
現用ＡＩモデル２００ｚは、追加学習部５２ｈによる後述の追加学習処理や追加学習修正処理によって生成され、後述する承認用処理にて採用されたＡＩモデル２００である。検査装置２１によるＰＴＰシート１の検査は、現用ＡＩモデル２００ｚを用いて行われる。一方、複製現用ＡＩモデル２００ｚ１は、ＰＴＰシート１の検査に利用されない。
【0123】
現用ＡＩモデル２００ｚ及び複製現用ＡＩモデル２００ｚ１は、追加学習部５２ｈによる追加学習処理や追加学習修正処理によって順次更新され得る。本実施形態において、使用ＡＩ記憶部５２４や非使用ＡＩ記憶部５２５には、現用ＡＩモデル２００ｚや複製現用ＡＩモデル２００ｚ１として「ＡＩ（ｎ）」（図２０参照）が記憶されている。尚、ｎは自然数を表す。
【0124】
初期ＡＩモデル２００ａは、追加学習部５２ｈによる追加学習処理が全く行われていない段階のＡＩモデル２００である。本実施形態において、非使用ＡＩ記憶部５２５には、初期ＡＩモデル２００ａとして、工場出荷時のＡＩモデル２００である「ＡＩ（０）」（図２０参照）が記憶されている。
【0125】
尚、工場出荷時には、各ＡＩ記憶部５２４，５２５に対し初期ＡＩモデル２００ａがそれぞれ記憶される。使用ＡＩ記憶部５２４に記憶された初期ＡＩモデル２００ａは、追加学習処理によって現用ＡＩモデル２００ｚに更新されるまで、ＰＴＰシート１の検査に用いられる。
【0126】
現用ＡＩモデル２００ｚ、複製現用ＡＩモデル２００ｚ１及び初期ＡＩモデル２００ａなどの学習済みのＡＩモデル２００は、ポケット部２に成形不良のない良品のＰＴＰシート１に係る画像データのみを学習データとして、ニューラルネットワーク１９０を深層学習（ディープラーニング）させて構築した生成モデルであり、いわゆるオートエンコーダ（自己符号化器）の構造を有する。本実施形態において、初期ＡＩモデル２００ａは、そのニューラルネットワーク１９０に対し後述する学習処理が予め行われてなるものであり、また、現用ＡＩモデル２００ｚ及び複製現用ＡＩモデル２００ｚ１は、初期ＡＩモデル２００ａのニューラルネットワーク１９０に対し複数回の追加学習処理などが行われてなるものである。
【0127】
ここで、初期ＡＩモデル２００ａを生成する際に行われる学習処理（初期学習処理）について説明する。本実施形態において、学習処理は、所定の学習プログラムの実行に基づき、検査装置２１の設置場所とは異なる場所（例えば検査装置２１の製造工場など）で予め行われている。尚、学習処理に先立って、学習データとして、ポケット部２に成形不良のない良品のＰＴＰシート１に係る画像データが多数用意される。この学習データは、後述する画像データ取得部５２ｘによって得られる画像データ（濃淡模様データ）と同じ形式を有している。
【0128】
図１０に示すように、学習処理では、まず、ステップＳ２０１において、未学習のニューラルネットワーク１９０を準備する。例えば所定の記憶装置等に予め格納されているニューラルネットワーク１９０を読み出す。又は、前記記憶装置等に格納されているネットワーク構成情報（例えばニューラルネットワークの層数や各層のノード数など）に基づいて、ニューラルネットワーク１９０を構築する。
【0129】
次いで、ステップＳ２０２において、再構成画像データを取得する。すなわち、予め用意された学習データを入力データとして、ニューラルネットワーク１９０の入力層に与える。そして、該ニューラルネットワーク１９０の出力層から出力される再構成画像データを取得する。
【0130】
続くステップＳ２０３では、学習データと、ステップＳ２０２においてニューラルネットワーク１９０により出力された再構成画像データ（再構成濃淡模様データ）とを比較し、その誤差が十分に小さいか否か（所定の閾値以下であるか否か）を判定する。
【0131】
ここで、前記誤差が十分に小さい場合には、ステップＳ２０５にて、学習処理の終了条件を満たすか否かを判定する。例えば、後述するステップＳ２０４の処理を経ることなくステップＳ２０３にて肯定判定されることが所定回数連続で行われた場合や、用意した学習データの全てを用いた学習が所定回数反復して行われた場合には、終了条件を満たすと判定される。終了条件を満たす場合には、ニューラルネットワーク１９０及びその学習情報（後述する更新後のパラメータ等）を初期ＡＩモデル２００ａとして各ＡＩ記憶部５２４，５２５に格納し、学習処理を終了する。
【0132】
一方、ステップＳ２０５にて終了条件を満たさない場合には、ステップＳ２０２に戻り、ニューラルネットワーク１９０の学習を再度行う。
【0133】
また、ステップＳ２０３にて、前記誤差が十分に小さくない場合には、ステップＳ２０４においてネットワーク更新処理（ニューラルネットワーク１９０の学習）を行った後、再びステップＳ２０２へ戻り、上記一連の処理を繰り返す。
【0134】
ステップＳ２０４のネットワーク更新処理では、例えば誤差逆伝播法（Backpropagation）などの公知の学習アルゴリズムを用いて、学習データと再構成画像データとの差分を表す損失関数が極力小さくなるように、ニューラルネットワーク１９０における上記各フィルタ１９４，１９６の重み（パラメータ）をより適切なものに更新する。尚、損失関数としては、例えばＢＣＥ（Binary Cross-entropy）などを利用することができる。
【0135】
ステップＳ２０２～２０４の処理を何度も繰り返すことにより、ニューラルネットワーク１９０では、学習データと再構成画像データとの誤差が極力小さくなり、より正確な再構成画像データが出力されるようになる。
【0136】
そして、最終的に得られる初期ＡＩモデル２００ａは、後述する画像データ取得部５２ｘにより得られた画像データ（濃淡模様データであり、「元画像データ」ということがある）であって、良品のＰＴＰシート１に係る画像データが入力されたときには、入力された画像データとほぼ一致する再構成画像データを生成するものとなる。また、初期ＡＩモデル２００ａは、後述する画像データ取得部５２ｘにより得られた画像データ（元画像データ）であって、不良品のＰＴＰシート１に係る画像データが入力されたときには、ノイズ部分（不良部分に相当する部分）が除去された、入力された画像データとほぼ一致する再構成画像データを生成するものとなる。すなわち、ＰＴＰシート１が不良であるときには、該ＰＴＰシート１に係る再構成画像データとして、不良部分がないものと仮定した場合の該ＰＴＰシート１に係る仮想的な画像データが生成される。
【0137】
尚、検査装置２１を製造する都度、上記学習処理を行う必要はなく、ニューラルネットワーク１９０及びその学習情報（更新後のパラメータ等）を予め取得しておき、これらを検査装置２１の各ＡＩ記憶部５２４，５２５に対し、初期ＡＩモデル２００ａとして格納するようにしてもよい。
【0138】
画像データ記憶部５２６は、後述する画像データ取得部５２ｘにより得られた画像データ（濃淡模様データ）などの各種画像データを記憶する。尚、画像データ取得部５２ｘにより得られる画像データ（濃淡模様データ）は、１枚分のＰＴＰシート１に対応するものであって、ポケット部２の底部２ａ等に係る濃淡模様を計１０個分表すものである。本実施形態では、画像データ記憶部５２６によって、「特定学習データ記憶手段」及び「不良画像データ記憶手段」が構成される。
【0139】
画像データ記憶部５２６に記憶される画像データには、追加学習部５２ｈによる追加学習処理に利用される追加学習データ３０１が含まれる。追加学習データ３０１は、画像データ取得部５２ｘにより得られた複数の画像データ（濃淡模様データ）のうち、良品のＰＴＰシート１に係る画像データであって、所定の条件を満たすもの（例えばオペレータ等によって選択されたもの）である。
【0140】
また、追加学習データ３０１には、後述する判定部５２ｇにより良品のＰＴＰシート１が不良品と判定された場合における、その誤判定を生じさせた画像データが含まれる。つまり、追加学習データには、判定部５２ｇにより不良品と判定されたが、実際には良品であったＰＴＰシート１に係る画像データが含まれる。
【0141】
本実施形態では、追加学習データ３０１として、「ＩＭ（１）」～「ＩＭ（ｎ）」（図２０参照）が記憶されている。例えば、「ＩＭ（１）」は、初期ＡＩモデル２００ａのニューラルネットワーク１９０に対する追加学習処理に用いられた画像データであり、この追加学習処理によって生成されたＡＩモデル２００が「ＡＩ（１）」である。
【0142】
また、追加学習データ３０１には、特定学習データ３０１ａが含まれている。特定学習データ３０１ａは、初期ＡＩモデル２００ａから現用ＡＩモデル２００ｚを生成するにあたって用いられた追加学習データ３０１である。従って、本実施形態では、全ての追加学習データ３０１が特定学習データ３０１ａに相当する。
【0143】
さらに、画像データ記憶部５２６に記憶される画像データには、不良画像データ３０２が含まれる。不良画像データ３０２とは、後述する判定部５２ｇによる良否判定処理により、不良品のＰＴＰシート１が良品であると誤判定された場合における、その誤判定に係る濃淡模様データ（元画像データ）である。つまり、不良画像データ３０２は、追加学習データ３０１とは異なり、不良品のＰＴＰシート１に係るものである。
【0144】
尚、本実施形態では、判定部５２ｇの良否判定によって不良品のＰＴＰシート１が良品であると誤判定されたか否か、又は、判定部５２ｇの良否判定によって良品のＰＴＰシート１が不良品であると誤判定されたか否かについて、オペレータ等による目視検査によって判断されるようになっている。勿論、検査装置２１以外の検査装置を別途設け、該検査装置によって誤判定が生じたか否かを判定するようにしてもよい。
【0145】
そして、オペレータ等が入力部５２１を利用した情報の入力を行うこと等によって、画像データ記憶部５２６に記憶された画像データ（濃淡模様データ）のうち、不良品のＰＴＰシート１が良品であると誤判定された場合における、その誤判定に係る画像データが不良画像データ３０２として特定される。
【0146】
追加学習情報記憶部５２７は、追加学習処理や追加学習修正処理（すなわち、追加学習部５２ｈによる学習処理）に係る各種情報など、ＡＩモデル２００の学習に関する情報を記憶する。
【0147】
追加学習情報記憶部５２７に記憶される情報には、例えば、現用ＡＩモデル２００ｚや初期ＡＩモデル２００ａを含む現時点までに生成された全ての学習済みの（学習処理や追加学習処理、追加学習修正処理が行われた）ＡＩモデル２００、学習済みのＡＩモデル２００の学習に用いられた追加学習データ３０１が含まれる。本実施形態においては、学習済みのＡＩモデル２００は、初期ＡＩモデル２００ａや現用ＡＩモデル２００ｚと同様に、「学習済識別手段」を構成する。
【0148】
また、追加学習情報記憶部５２７に記憶される情報には、例えば、各種処理（例えば、追加学習処理、追加学習修正処理、それぞれ後述する確認処理や承認用処理など）にて行われた入力部５２１に対する全ての操作内容、後述する承認用処理にて承認に係る入力を受付けた日時などが含まれる。
【0149】
尚、現時点までに生成された全ての学習済みのＡＩモデル２００には、後述する承認用処理にて不採用となった学習済みのＡＩモデル２００が含まれる。不採用となった学習済みのＡＩモデル２００は、不採用である旨を示す情報が付与されており、採用された学習済みのＡＩモデル２００（つまり、現在又は過去の現用ＡＩモデル２００ｚ）とは区別可能となっている。また、追加学習データ３０１には、不採用となった学習済みのＡＩモデル２００の生成に用いられたものが含まれる。尚、追加学習情報記憶部５２７において、上述した入力部５２１に対する全ての操作内容に係る情報を、監査証跡として記憶するようにしてもよい。
【0150】
通信部５２８は、例えば有線ＬＡＮ（Local Area Network）や無線ＬＡＮ等の通信規格に準じた無線通信インターフェースなどを備え、外部と各種データを送受信可能に構成されている。例えば判定部５２ｇにより行われた良否判定の結果などが通信部５２８を介して外部（充填制御装置８２等）に出力される。
【0151】
次いで、検査制御装置５２を構成する上記各種機能部について詳しく説明する。
【0152】
メイン制御部５２ａは、検査装置２１全体の制御を司る機能部であり、照明制御部５２ｂやカメラ制御部５２ｃなど他の機能部と各種信号を送受信可能に構成されている。
【0153】
照明制御部５２ｂは、照明装置５０を駆動制御する機能部であり、メイン制御部５２ａからの指令信号に基づき照明タイミングなどを制御する。
【0154】
カメラ制御部５２ｃは、カメラ５１を駆動制御する機能部であり、メイン制御部５２ａからの指令信号に基づき撮像タイミングなどを制御する。尚、上記照明及び撮像のタイミングは、メイン制御部５２ａが、ＰＴＰ包装機１１に設けられた図示しないエンコーダからの信号に基づいて制御する。
【0155】
上記照明制御部５２ｂ及びカメラ制御部５２ｃによって、ポケット部２の成形された容器フィルム３の搬送が一旦停止するインターバルごとに、該容器フィルム３に対し照明装置５０から電磁波が照射されるとともに、該容器フィルム３を透過した電磁波（紫外光）をカメラ５１により撮像する処理が実行される。カメラ５１により撮像され生成された透過画像データは、該カメラ５１の内部においてデジタル信号（画像信号）に変換された上で、デジタル信号の形で検査制御装置５２（画像取込部５２ｄ）に転送される。
【0156】
画像取込部５２ｄは、カメラ５１により撮像され取得された画像データを取り込むための機能部である。取り込まれた画像データ（透過画像データ）は、画像データ記憶部５２６に記憶される。
【0157】
画像処理部５２ｅは、画像取込部５２ｄにより取り込まれた画像データに所定の画像処理を行うことで、濃淡模様データ（元画像データ）を取得する機能部である。本実施形態において、画像処理部５２ｅは、画像取込部５２ｄにより取り込まれた画像データ（透過画像データ）から、ポケット部２に係る部分を抽出することで、濃淡模様データを生成する。
【0158】
より詳しく説明すると、まず、画像取込部５２ｄにより取り込まれた画像データ（透過画像データ）にマスク処理が実行される。具体的には、画像取込部５２ｄにより取り込まれた画像データ（透過画像データ）における１０個のポケット部２の位置に合わせてそれぞれポケット枠Ｗ（図１６参照）を設定するとともに、該ポケット枠Ｗにより特定されたポケット領域以外の領域、すなわちフィルム平坦部３ｂに対応する領域に対しマスクＭをかける処理を行う。
【0159】
次いで、マスク処理された画像データ（マスキング画像データ）における各ポケット枠Ｗ内の画像を抽出することで、濃淡模様データを生成する。生成された濃淡模様データは、１枚分のＰＴＰシート１に相当するものであって、ポケット部２の底部２ａにおける濃淡模様Ｋ（図１６，１８参照）を計１０個分表すものである。濃淡模様データは、画像データ記憶部５２６に記憶される。本実施形態では、取得された複数の濃淡模様データのうちの一部が、追加学習データ３０１や不良画像データ３０２となる。尚、透過画像データから、それぞれ１のポケット部２に係る濃淡模様Ｋを表す計１０枚の濃淡模様データを得るようにしてもよい。
【0160】
ここで、図１６は、濃淡模様データにおいて、成形不良のないポケット部２の底部２ａに生じる濃淡模様Ｋを示す図であり、図１７は、図１６に示す濃淡模様ＫのＡ－Ａ線に沿った各画素に係る輝度値を示すグラフである。
【0161】
【0162】
図１６～１９に示すように、濃淡模様Ｋとは、画素ごとに輝度情報（例えば０から２５５までの２５６階調のうちのいずれかの値）を有した二次元画像情報であり、ポケット部２の底部２ａ等の各位置（座標位置）における肉厚の違い（肉厚分布）と、そこを透過する電磁波の透過率等との関係から、ポケット部２の底部２ａ等に生じる濃淡の二次元分布を示す像（透過電磁波の強度分布像）に相当するものである。
【0163】
尚、本実施形態では、ポケット枠Ｗが、ポケット部２の開口周縁部（側部２ｂとフィルム平坦部３ｂとの連接部）に合わせて設定されているため、濃淡模様Ｋには、ポケット部２の底部２ａのみならず、ポケット部２の側部２ｂ、並びに、底部２ａ及び側部２ｂが交わるポケット部２の角部２ｃに係る模様も含まれることとなる。
【0164】
また、濃淡模様Ｋのうち、底部２ａに対応する範囲に関しては、概ね底部２ａの肉厚分布に対応した濃淡分布（輝度分布）を有する濃淡模様が得られる。一方、側部２ｂや角部２ｃに対応する範囲に関しては、その輝度情報が、側部２ｂ等の肉厚方向（Ｘ方向やＹ方向）に沿って透過した電磁波に対応したものではなく、その成形時延伸方向（Ｚ方向）に沿って透過した電磁波に対応したものとなるため、側部２ｂ等の肉厚とは関係の薄いものとなる。
【0165】
本実施形態では、カメラ５１、画像取込部５２ｄ及び画像処理部５２ｅによって画像データ取得部５２ｘが構成されており、この画像データ取得部５２ｘによって、ＰＴＰシート１に係る濃淡模様データ（元画像データ）が取得される。本実施形態では、画像データ取得部５２ｘが「画像データ取得手段」を構成する。
【0166】
再構成画像データ取得部５２ｆは、画像データ取得部５２ｘにより得られた濃淡模様データ（元画像データ）を、現用ＡＩモデル２００ｚなどの学習済みＡＩモデル２００に入力して再構成された画像データを再構成画像データとして取得する。より詳しくは、再構成画像データ取得部５２ｆは、画像データ取得部５２ｘにより得られた濃淡模様データ（元画像データ）を入力データとして、ニューラルネットワーク１９０の入力層に与える。そして、再構成画像データ取得部５２ｆは、該ニューラルネットワーク１９０の出力層から出力される再構成濃淡模様データを再構成画像データとして取得する。尚、再構成画像データ取得部５２ｆは、ＰＴＰシート１の検査時には、使用ＡＩ記憶部５２４に記憶された現用ＡＩモデル２００ｚに元画像データを入力する。一方、再構成画像データ取得部５２ｆは、後述する確認処理時には、追加学習処理などによって新たに生成された、現用ＡＩモデル２００ｚとは異なる学習済みのＡＩモデル２００に元画像データを入力する。
【0167】
判定部５２ｇは、ポケット部２の成形状態についての良否判定処理を行う機能部である。判定部５２ｇは、画像データ取得部５２ｘにより得られた濃淡模様データ（元画像データ）と、該濃淡模様データを学習済みのＡＩモデル２００に入力して再構成された再構成画像データとを比較し、比較結果に基づき、ポケット部２ひいてはＰＴＰシート１の良否を判定する。
【0168】
図１１を参照して、判定部５２ｇによる良否判定処理についてより詳しく説明する。良否判定処理では、まず、ステップＳ３０１にて、再構成画像データ取得部５２ｆによって、画像データ取得部５２ｘにより得られた濃淡模様データ（元画像データ）を学習済みのＡＩモデル２００に入力することで、再構成画像データを取得する。尚、元画像データの入力対象は、ＰＴＰシート１の検査時には現用ＡＩモデル２００ｚであり、後述する確認処理時には新たに生成された学習済みのＡＩモデル２００である。
【0169】
次いで、ステップＳ３０２において、画像データ取得部５２ｘにより得られた濃淡模様データ（元画像データ）と、再構成画像データ取得部５２ｆにより得られた該濃淡模様データに係る再構成画像データとを比較して、両データの各画素毎の輝度の差分を算出する。続いて、該差分が予め定めた許容範囲内にない画素を不良画素として特定する。
【0170】
次に、ステップＳ３０３にて、不良画素の連結成分の面積（不良面積）を算出する。
【0171】
次いで、ステップＳ３０４において、算出した面積のうちの最大面積が予め設定した所定の閾値以下であるか否かを判定する。つまり、不良面積が許容範囲内であるか否かを判定する。そして、最大面積が前記閾値以上である場合、少なくとも１つのポケット部２にて不良が生じているとして、ステップＳ３０５にて、濃淡模様データ（元画像データ）に対応するＰＴＰシート１を「不良品」と判定する。
【0172】
一方、最大面積が前記閾値を下回る場合、ステップＳ３０６にて、濃淡模様データ（元画像データ）に対応するＰＴＰシート１を「良品」と判定する。良否判定結果は、検査情報記憶部５２３に記憶される。また、ＰＴＰシート１の検査時には、良否判定結果が充填制御装置８２などに出力される。
【0173】
尚、上述した良否判定手法は一例であって、例えば不良画素の連結成分のばらつき度合い（分布状況）を判定する方法など、他の方法により良否判定を行う構成としてもよい。勿論、その大小に関係なく、不良画素が１箇所でも存在すれば、「不良品」と判定するようにしてもよい。
【0174】
追加学習部５２ｈは、追加学習データ３０１を用いてニューラルネットワーク１９０の追加学習を行うことで、新たな学習済みのＡＩモデル２００を順次生成する。追加学習部５２ｈは、オペレータ等によって前記追加学習命令が入力されると、追加学習処理を行う。
【0175】
図１２及び図２０を参照して、追加学習処理についてより詳しく説明する。追加学習処理では、まず、ステップＳ４０１において、再構成画像データを取得する。例えば、未学習の追加学習データ３０１として「ＩＭ（１）」が新たに記憶されている状態で、追加学習命令が入力されると、追加学習部５２ｈは、非使用ＡＩ記憶部５２５に記憶された複製現用ＡＩモデル２００ｚ１（但し、この段階における複製現用ＡＩモデル２００ｚ１は初期ＡＩモデル２００ａである）である「ＡＩ（０）」のニューラルネットワーク１９０の入力層に対し、追加学習データ３０１である「ＩＭ（１）」を入力データとして与える。そして、ニューラルネットワーク１９０の出力層から出力される再構成画像データを取得する。
【0176】
続くステップＳ４０２では、追加学習データ３０１と、ステップＳ４０１においてニューラルネットワーク１９０により出力された再構成画像データを比較し、その誤差が十分に小さいか否か（所定の閾値以下であるか否か）を判定する。
【0177】
ここで、前記誤差が十分に小さい場合には、ステップＳ４０４にて、追加学習の終了条件を満たすか否かを判定する。例えば、記憶された追加学習データ３０１を用いた追加学習が所定回数反復して行われた場合には、終了条件を満たすと判定される。終了条件を満たす場合には、ニューラルネットワーク１９０及びその学習情報（更新後のパラメータ等）を、新たな学習済みのＡＩモデル２００として非使用ＡＩ記憶部５２５に格納して、追加学習処理を終了する。
【0178】
一方、ステップＳ４０２にて、前記誤差が十分に小さくない場合には、ステップＳ４０３において、ネットワーク更新処理（ニューラルネットワーク１９０の学習）を行った後、再びステップＳ４０１へ戻り、上記一連の処理を繰り返す。ネットワーク更新処理は、上記学習処理におけるステップＳ２０４の処理と同様である。ステップＳ４０１～４０３の処理を繰り返すことにより、ニューラルネットワーク１９０では、追加学習データ３０１と再構成画像データとの誤差が極力小さくなり、より正確な再構成画像データが出力されるようになる。
【0179】
尚、追加学習処理によって新たに生成された学習済みＡＩモデル２００は、現用ＡＩモデル２００ｚや初期ＡＩモデル２００ａと同様に、画像データ取得部５２ｘにより得られた濃淡模様データ（元画像データ）であって、良品のＰＴＰシート１に係る画像データが入力されたときには、入力された画像データとほぼ一致する再構成画像データを生成する。また、新たに生成された学習済みＡＩモデル２００は、現用ＡＩモデル２００ｚや初期ＡＩモデル２００ａと同様に、画像データ取得部５２ｘにより得られた濃淡模様データ（元画像データ）であって、不良品のＰＴＰシート１に係る画像データが入力されたときには、ノイズ部分（不良部分に相当する部分）が除去された、入力された画像データとほぼ一致する再構成画像データを生成する。
【0180】
さらに、追加学習部５２ｈは、機能部として要因データ特定部５２ｉ及び画像出力ＡＩ用の確認部５２ｊを備えている。本実施形態では、要因データ特定部５２ｉが「要因データ特定手段」を構成し、画像出力ＡＩ用の確認部５２ｊが「画像出力ＡＩ用の確認手段」を構成する。
【0181】
要因データ特定部５２ｉは、特に追加学習修正処理にて機能する。要因データ特定部５２ｉは、判定部５２ｇの良否判定処理によって不良品のＰＴＰシート１が良品であると誤判定された場合において、その誤判定に係る不良画像データ３０２に対する類似度に基づき、特定学習データ３０１ａの中から、その誤判定の要因となった追加学習データ３０１を誤判定要因データとして特定する。本実施形態において、要因データ特定部５２ｉは、不良画像データ３０２に対する特定学習データ３０１ａの類似度（例えば、不良画像データ３０２から抽出される特徴量と、特定学習データ３０１ａから抽出された特徴量とに基づき、両データ３０１ａ，３０２の類似度合いを示すスコアなど）を算出可能な公知の類似判定手段（例えば、ニューラルネットワークに対し、少なくとも不良画像データ３０２などを学習させて生成したＡＩ）を有するものである。そして、要因データ特定部５２ｉは、前記類似判定手段によって算出された類似度と予め設定された閾値との比較結果に基づき、誤判定要因データを特定する。算出される類似度は例えば０～１００であり、類似度が閾値以上となった１又は複数の特定学習データ３０１ａが誤判定要因データとして特定される。
【0182】
画像出力ＡＩ用の確認部５２ｊは、追加学習処理や追加学習修正処理にて新たに生成された学習済みのＡＩモデル２００の学習状態を確認する等のために確認処理を行う。確認処理は、追加学習処理又は追加学習修正処理によって新たな学習済みのＡＩモデル２００が生成されたことを契機として行われる。確認処理は、次のようにして行われる。
【0183】
図１３に示すように、まず、ステップＳ５０１にて、新たに生成されたＡＩモデル２００における学習状態が適切であるか否かを判定する。
【0184】
具体的には、再構成画像データ取得部５２ｆによって、新たに生成された学習済みのＡＩモデル２００に対し追加学習データ３０１又は不良画像データ３０２を入力して、再構成画像データを取得する。ここで、新たな学習済みのＡＩモデル２００が追加学習処理によって生成されたものである場合には、追加学習データ３０１（追加学習処理の契機となった誤判定に係る元画像データ）が該ＡＩモデル２００に入力される。一方、新たな学習済みのＡＩモデル２００が追加学習修正処理によって生成されたものである場合には、不良画像データ３０２（追加学習修正処理の契機となった誤判定に係る元画像データ）が該ＡＩモデル２００に入力される。
【0185】
次いで、判定部５２ｇによって、追加学習データ３０１又は不良画像データ３０２と再構成画像データとを比較させることに基づき、良否判定結果を得る。
【0186】
その上で、得られた良否判定結果が正しいか否かを判定する。ここで、追加学習データ３０１は良品のＰＴＰシート１に係るものであるから、新たな学習済みのＡＩモデル２００に対し追加学習データ３０１を入力した場合において、判定結果が「良品」となれば、良否判定結果は正しいといえる。また、不良画像データ３０２は不良品のＰＴＰシート１に係るものであるから、新たな学習済みのＡＩモデル２００に対し不良画像データ３０２を入力した場合において、判定結果が「不良品」となれば、良否判定結果は正しいといえる。
【0187】
そして、良否判定結果が正しい場合、すなわち、学習状態が適切である場合には、ステップＳ５０２にて、現用ＡＩモデル２００ｚを、新たに生成された学習済みのＡＩモデル２００に置換可能と判断し、確認処理を終了する。一方、良否判定結果が正しくない場合、すなわち、学習状態が不適切である場合には、ステップＳ５０３にて、現用ＡＩモデル２００ｚを、新たに生成された学習済みのＡＩモデル２００に置換不可能と判断し、確認処理を終了する。
【0188】
尚、確認処理にあたっては、新たに生成された学習済みのＡＩモデル２００に対し、追加学習処理や追加学習修正処理の契機となった、誤判定に係る元画像データ以外の追加学習データ３０１を入力して、得られた良否判定結果が正しくなるか否かを判定してもよい。
【0189】
さらに、追加学習部５２ｈは、前記追加学習修正命令の入力に伴い、要因データ特定部５２ｉ及び画像出力ＡＩ用の確認部５２ｊなどと協働して、追加学習修正処理を実行する。
【0190】
追加学習修正処理では、図１４に示すように、まず、ステップＳ５５１にて、要因データ特定部５２ｉにより１又は複数の誤判定要因データを特定する。これにより、特定学習データ３０１ａの中から、誤判定要因データが抽出される。
【0191】
次いで、ステップＳ５５２にて、再学習処理を実行する。再学習処理では、非使用ＡＩ記憶部５２５に記憶された初期ＡＩモデル２００ａのニューラルネットワーク１９０に対し、ステップＳ５５１にて特定された誤判定要因データを除いた特定学習データ３０１ａを学習させて、新たな学習済みのＡＩモデル２００を生成する。例えば、ステップＳ５５１にて、画像データ記憶部５２６に記憶された特定学習データ３０１ａである「ＩＭ（０）」～「ＩＭ（ｎ）」の中から、誤判定要因データとして「ＩＭ（３）」が特定されたとする。この場合には、ステップＳ５５２にて、初期ＡＩモデル２００ａに対し、「ＩＭ（３）」以外の特定学習データ３０１ａである「ＩＭ（０）」～「ＩＭ（２）」及び「ＩＭ（４）」～「ＩＭ（ｎ）」を用いて、上記追加学習処理が行われる。これにより、誤判定要因データである「ＩＭ（３）」以外の特定学習データ３０１ａを学習した新たな学習済みのＡＩモデル２００が生成される。
【0192】
次いで、ステップＳ５５３にて、新たな学習済みのＡＩモデル２００における学習状態が適切であるか否かが判定される。この処理は、確認処理におけるステップＳ５０１の処理と同様である。そして、学習状態が適切である場合には、誤判定を生じさせた不良画像データ３０２に対しても適切な良否判定が行われるように修正されたとして、追加学習修正処理を終了する。
【0193】
一方、学習状態が不適切である場合（ステップＳ５５３：ＮＯ）、ステップＳ５５１に戻り、誤判定要因データの特定を再度行う。このとき、要因データ特定部５２ｉは、類似度のスコアと比較する閾値を変更したり、類似度が最も高い誤判定要因データを１つのみ特定したりするといった調整を適宜行った上で、誤判定要因データの再特定を行う。尚、ステップＳ５５３において学習状態が不適切である判定された場合には、良否判定処理にて用いられる閾値の変更処理を合わせて行ってもよい。
【0194】
そして、学習状態が正しいものとなるまで上記処理を繰り返し行うことで、最終的に、誤判定を生じさせた不良画像データ３０２に対し適切に対応可能な学習済みのＡＩモデル２００が得られる。
【0195】
さらに、追加学習部５２ｈは、機能部として承認用処理実行部５２ｋ、承認入力受付部５２ｌ及び置換部５２ｍを備えている。本実施形態では、承認入力受付部５２ｌが「承認入力受付手段」を構成する。
【0196】
承認用処理実行部５２ｋは、追加学習処理や追加学習修正処理の実行により新たな学習済みのＡＩモデル２００が生成され、確認処理により、現用ＡＩモデル２００ｚを該学習済みのＡＩモデル２００に置換可能と判断された場合に、承認用処理を実行する。承認用処理の実行により、少なくとも、追加学習情報記憶部５２７に記憶されている、追加学習部５２ｈによる学習処理（追加学習処理及び追加学習修正処理）に係る各種情報と、確認処理による確認結果とが表示部５２２に表示される。例えば、新たな学習済みのＡＩモデル２００を生成するために用いた追加学習データ３０１を示す画像などが表示される。
【0197】
また、承認用処理の実行により、表示部５２２には、ＰＴＰシート１の検査に利用されている（使用ＡＩ記憶部５２４に記憶されている）現用ＡＩモデル２００ｚを、新たに生成されたＡＩモデル２００に置換することを承認するときに、オペレータ等によって選択される承認ボタンが表示される。尚、表示部５２２には、置換を承認しない場合にオペレータ等によって選択される非承認ボタンも表示される。
【0198】
承認入力受付部５２ｌは、入力部５２１を用いて前記承認ボタンが選択されたときに、ＰＴＰシート１の検査に利用されている（使用ＡＩ記憶部５２４に記憶されている）現用ＡＩモデル２００ｚを、新たに生成されたＡＩモデル２００に置換することについての承認に係る入力を受付ける。承認入力受付部５２ｌは、承認に係る入力を受付けると、所定の置換実行命令を置換部５２ｍに出力して、承認用処理を終了する。
【0199】
一方、承認入力受付部５２ｌは、入力部５２１を用いて前記非承認ボタンが選択されたとき、前記置換実行命令を出力することなく、承認用処理を終了する。
【0200】
尚、承認用処理の実行により、確認処理実行用ボタンが表示され、オペレータ等がこのボタンを選択することで、新たに生成された学習済みのＡＩモデル２００に対し再度の確認処理が実行されるように構成してもよい。このとき、確認処理で用いられる追加学習データ３０１が、手動又は自動で選択されるようにしてもよい。
【0201】
置換部５２ｍは、前記置換実行命令が入力されたときに、ＰＴＰシート１の検査に利用されている（使用ＡＩ記憶部５２４に記憶されている）現用ＡＩモデル２００ｚを、新たに生成された学習済みのＡＩモデル２００に置換するための置換処理を実行する。
【0202】
置換処理では、まず、ＰＴＰ包装機１１によるＰＴＰシート１の生産を一時的に停止させる。その上で、使用ＡＩ記憶部５２４に記憶されている現用ＡＩモデル２００ｚが、非使用ＡＩ記憶部５２５に記憶されている新たな学習済みのＡＩモデル２００に置換えられる。そして、現用ＡＩモデル２００ｚの置換後、ＰＴＰシート１の生産が再開される。その結果、新たな現用ＡＩモデル２００ｚを利用したＰＴＰシート１の検査が開始されることとなる。尚、置換処理により、非使用ＡＩ記憶部５２５に記憶されている新たな学習済みのＡＩモデル２００が、複製現用ＡＩモデル２００ｚ１となる。
【0203】
保存処理実行部５２ｎは、追加学習情報記憶部５２７に対し、追加学習処理や追加学習修正処理（すなわち、追加学習部５２ｈによる学習処理）に係る各種情報など、ＡＩモデル２００の学習に関する情報を記憶させる。保存処理実行部５２ｎは、追加学習情報記憶部５２７に対し、現用ＡＩモデル２００ｚや初期ＡＩモデル２００ａを含む現時点までに生成された全ての学習済みのＡＩモデル２００（承認用処理にて不採用となったＡＩモデル２００を含む）、学習済みのＡＩモデル２００の生成に用いられた追加学習データ３０１、各種処理（例えば、追加学習処理、追加学習修正処理、確認処理及び承認用処理など）にて行われた入力部５２１に対する全ての操作内容、承認用処理にて承認に係る入力を受付けた日時、並びに、現用ＡＩモデル２００ｚの置換を実行した日時などを記憶させる。
【0204】
上記にて詳しく説明した追加学習部５２ｈによる各種処理（追加学習処理や追加学習修正処理など）の流れは、簡単に言えば、図１５に示すものとなる。
【0205】
すなわち、検査にて不良品のＰＴＰシート１を良品と誤判定した場合（ステップＳ１１：ＹＥＳ）には、オペレータ等によって追加学習修正命令が入力されることで、追加学習修正処理（ステップＳ１２－Ａ）が実行される。すなわち、初期ＡＩモデル２００ａのニューラルネットワーク１９０に対し、誤判定要因データを除いた特定学習データ３０１ａを学習させることで、新たな学習済みのＡＩモデル２００が生成される。
【0206】
一方、検査にて良品のＰＴＰシート１を不良品と誤判定した場合（ステップＳ１１：ＮＯ）には、オペレータ等によって追加学習命令が入力されることで、追加学習処理（ステップＳ１２－Ｂ）が実行される。すなわち、複製現用ＡＩモデル２００ｚ１に対し、誤判定に係る画像データを追加学習させることで、新たな学習済みのＡＩモデル２００が生成される。
【0207】
そして、新たな学習済みのＡＩモデル２００が生成されると、ステップＳ１４の確認処理が行われる。確認処理では、まず、ステップＳ１４－１にて、生成されたＡＩモデル２００の学習状態が確認される。ここで、学習状態が適切である場合（ステップＳ１４－１：ＹＥＳ）、現用ＡＩモデル２００ｚを、新たな学習済みＡＩモデル２００に置換可能と判断する（ステップＳ１４－２－Ａ）。一方、学習状態が不適切である場合（ステップＳ１４－１：ＮＯ）、現用ＡＩモデル２００ｚを、新たな学習済みＡＩモデル２００に置換不可能と判断する（ステップＳ１４－２－Ｂ）。
【0208】
置換可能と判断された場合、承認用処理（ステップＳ１５）が実行され、置換を行う上でオペレータ等が必要とする情報が表示部５２２に表示される。そして、オペレータ等によって前記承認ボタンが選択されると（ステップＳ１６：ＹＥＳ）、ＰＴＰ包装機１１が一時停止された上で、現用ＡＩモデル２００ｚが新たな学習済みＡＩモデル２００に置換される（ステップＳ１７）。一方、オペレータ等によって前記非承認ボタンが選択されると（ステップＳ１６：Ｎｏ）、置換は行われず、現用ＡＩモデル２００ｚがそのまま利用される。
【0209】
尚、確認処理や承認用処理が終了する前に、新たな誤判定が生じた場合には、置換に係る承認又は非承認がなされるまで、新たな追加学習処理や追加学習修正処理の実行を保留するようにしてもよい。
【0210】
以上詳述したように、本実施形態によれば、画像データ取得部５２ｘにより取得された元画像データ（濃淡模様データ）と、該元画像データを現用ＡＩモデル２００ｚへ入力して再構成された再構成画像データとを比較し、その比較結果に基づき、ＰＴＰシート１の良否を判定している。そのため、比較する両画像データは、それぞれ同一のＰＴＰシート１に係るものとなる。従って、比較する両画像データにおいて、ＰＴＰシート１の形状や外観はそれぞれほぼ同一となるため、形状や外観の違いによる誤検出を防止するために比較的緩い判定条件を設定する必要はなく、より厳しい判定条件を設定することができる。さらに、比較する両画像データにおいて、画像データを得る際の条件（例えばカメラ５１に対するＰＴＰシート１の配置位置や配置角度、明暗状態やカメラ５１の画角等）を一致させることができる。これらの結果、良否判定を非常に精度よく行うことができる。
【0211】
また、現用ＡＩモデル２００ｚに元画像データを入力して再構成された再構成画像データに基づく良否判定により、不良品のＰＴＰシート１が良品であると誤判定された場合、つまり、過学習による誤判定が生じたと考えられる場合、追加学習部５２ｈは、追加学習が行われていない段階のＡＩモデル２００（現用ＡＩモデル２００ｚよりも前の段階のＡＩモデル２００）である初期ＡＩモデル２００ａのニューラルネットワーク１９０に対する学習を行い、新たな学習済みのＡＩモデル２００を生成する。このとき、追加学習部５２ｈは、初期ＡＩモデル２００ａのニューラルネットワーク１９０に対し、特定学習データ３０１ａのうち誤判定要因データ以外のデータを学習させる。そのため、新たに生成されるＡＩモデル２００において、過去の追加学習データ３０１（特定学習データ３０１ａ）を生かしつつ、過学習による誤判定の発生をより確実に抑制可能となるように学習状態の修正を行うことができる。その結果、不良品のＰＴＰシート１が良品であると誤判定されることをより確実に防止でき、検査精度を高めることができる。
【0212】
加えて、追加学習部５２ｈは、検査に利用されている現用ＡＩモデル２００ｚのニューラルネットワーク１９０ではなく、複製現用ＡＩモデル２００ｚ１のニューラルネットワーク１９０に対して学習を行う。そのため、膨大な繰り返し処理となり得る、ニューラルネットワーク１９０の学習に係る処理や誤判定要因データの抽出（特定）に係る処理を、検査を停止させることなく行うことができる。これにより、多数のＰＴＰシート１に対する検査を、迅速に、かつ、効率よく行うことができる。
【0213】
また、本実施形態では、良品のＰＴＰシート１が不良品であると誤判定された場合、複製現用ＡＩモデル２００ｚ１のニューラルネットワーク１９０に対し、その誤判定を生じさせた元画像データを追加学習させることで、新たな学習済みのＡＩモデル２００を生成することが可能である。従って、良品のＰＴＰシート１が不良品であると誤判定されることをより確実に防止可能となり、検査精度をより高めることができる。
【0214】
加えて、この追加学習は複製現用ＡＩモデル２００ｚ１を対象とするため、追加学習のために検査を停止させる必要はない。従って、多数のＰＴＰシート１に対する検査を、より迅速に、かつ、より効率よく行うことが可能となる。
【0215】
さらに、要因データ特定部５２ｉによって、誤判定に係る元画像データ（誤判定を生じさせた元画像データ）である不良画像データ３０２に対する類似度に基づき、特定学習データ３０１ａの中から誤判定要因データ（誤判定の要因と考えられる追加学習データ３０１）を特定することができる。従って、誤判定要因データをより正確に特定することができ、ひいては、新たに生成されるＡＩモデル２００を用いた検査に係る精度をより確実に高めることができる。
【0216】
また、画像出力ＡＩ用の確認部５２ｊにより、新たに生成されたＡＩモデル２００において、該ＡＩモデル２００の生成の契機となった誤判定に係る元画像データに基づく誤判定が生じないか否か、つまり、より良好な検査精度が実現されているか否かを容易に確認することができる。また、万が一新たに生成されたＡＩモデル２００を用いた検査でも同様の誤判定が生じることが確認されたときには、そのような誤判定への対処（例えば、誤判定要因データの再特定を行うとともに、再特定された誤判定要因データを除いた上での再度の学習や、元画像データと再構成画像データとを比較する段階で用いる閾値の変更など）を簡便に行うことが可能となる。
【0217】
加えて、オペレータ等による承認があって初めて、現用ＡＩモデル２００ｚが新たに生成された学習済みのＡＩモデル２００に置換される。そのため、現用ＡＩモデル２００ｚを、新たに生成された学習済みのＡＩモデル２００に置換することが、意図せず行われることをより確実に防止できる。これにより、意図しない置換に伴う不具合の発生をより確実に防ぐことができる。
〔第２実施形態〕
次いで、第２実施形態について、図２１等を参照しつつ上記第１実施形態との相違点を中心に説明する。尚、上記第１実施形態及び本第２実施形態において、ＡＩモデルやその学習に係る主な相違点は次の通りである。
（上記第１実施形態）
・学習済みのＡＩモデル２００…良品のＰＴＰシート１に係る画像データのみを学習して生成されたものであり、画像データが入力されると、画像データを出力する。
・追加学習処理…良品のＰＴＰシート１を不良品と誤判定した場合に実行される。
・追加学習修正処理…不良品のＰＴＰシート１を良品と誤判定した場合に実行される。
（本第２実施形態）
・学習済みのＡＩモデル４００…良品及び不良品のＰＴＰシート１に係る画像データを学習して生成されたものであり、画像データが入力されると、分類結果を出力する。
・追加学習処理…良品のＰＴＰシート１を不良品と誤判定した場合のみならず、不良品のＰＴＰシート１を良品と誤判定した場合や、分類結果に誤判定が生じた場合にも実行される。
・追加学習修正処理…追加学習処理に続いて行われる確認処理にて誤判定が生じた場合に実行される。
〔第２実施形態〕
次いで、第２実施形態について、図２１等を参照しつつ上記第１実施形態との相違点を中心に説明する。尚、上記第１実施形態及び本第２実施形態において、ＡＩモデルやその学習に係る主な相違点は次の通りである。
（上記第１実施形態）
・学習済みのＡＩモデル２００…良品のＰＴＰシート１に係る画像データのみを学習して生成されたものであり、画像データが入力されると、画像データを出力する。
・追加学習処理…良品のＰＴＰシート１を不良品と誤判定した場合に実行される。
・追加学習修正処理…不良品のＰＴＰシート１を良品と誤判定した場合に実行される。
（本第２実施形態）
・学習済みのＡＩモデル４００…良品及び不良品のＰＴＰシート１に係る画像データを学習して生成されたものであり、画像データが入力されると、分類結果を出力する。
・追加学習処理…良品のＰＴＰシート１を不良品と誤判定した場合のみならず、不良品のＰＴＰシート１を良品と誤判定した場合や、分類結果に誤判定が生じた場合にも実行される。
・追加学習修正処理…追加学習処理に続いて行われる確認処理にて誤判定が生じた場合に実行される。
【0218】
以下、本第２実施形態について詳しく説明する。
【0219】
上記第１実施形態において、検査装置２１は、ポケット部成形装置１６の下流に配置されており、ポケット部２の成形状態に関する検査を行うことで、ＰＴＰシート１の良否を判定する。これに対し、図２１に示すように、本第２実施形態における検査装置２３は、錠剤充填装置２２よりも下流に配置されており、ポケット部２に充填された錠剤５の状態や、ポケット部２に対する異物の混入の有無などについての検査を行うことで、ＰＴＰシート１の良否を判定する。また、検査装置２３は、ＰＴＰシート１の良否判定とともに、ＰＴＰシート１の不良種別を判定する。尚、本第２実施形態において、不良シート排出機構４０は、検査装置２３から不良品信号が入力されると、不良品のＰＴＰシート１を排出する。
【0220】
検査装置２３は、シール前に容器フィルム３のポケット部２突出部側から検査を行う透過光式の検査装置である。検査装置２３は、照明装置５３、カメラ５４及び検査制御装置５５を有している。
【0221】
照明装置５３は、錠剤充填装置２２の下流において、容器フィルム３のポケット部２開口部側に配置されており、容器フィルム３の所定範囲に対し所定の光（近赤外光など）を照射する。
【0222】
カメラ５４は、容器フィルム３のポケット部２突出部側に設けられており、照明装置５３から照射される光の波長領域に感度を有するものである。カメラ５４は、照明装置５３から照射される光（近赤外光）のうち、容器フィルム３を透過した光を撮像する。カメラ５４は、少なくとも１枚分のＰＴＰシート１に対応する計１０個のポケット部２を含む範囲を一度に撮像する。
【0223】
検査制御装置５５は、上記第１実施形態における検査制御装置５２と同様に、ＣＰＵ等を有するコンピュータシステムによって構成されている。図２２に示すように、検査制御装置５５は、ＣＰＵが各種プログラムに従って動作することで、メイン制御部５５ａ、照明制御部５５ｂ、カメラ制御部５５ｃ、画像取込部５５ｄ、画像処理部５５ｅ、判定処理部５５ｇ、追加学習部５５ｈ及び保存処理実行部５５ｎなどの各種機能部として機能する。本第２実施形態では、追加学習部５５ｈが「追加学習手段」を構成する。
【0224】
尚、メイン制御部５５ａ、照明制御部５５ｂ、カメラ制御部５５ｃ、画像取込部５５ｄ及び画像処理部５５ｅは、上記第１実施形態におけるメイン制御部５２ａ、照明制御部５２ｂ、カメラ制御部５２ｃ、画像取込部５２ｄ及び画像処理部５２ｅと同様に機能する。
【0225】
さらに、検査制御装置５５には、入力部５５１、表示部５５２及び外部と各種データを送受信可能な通信部（不図示）などが設けられている。該通信部は、上記第１実施形態における通信部５２８と同様に機能する。本第２実施形態では、表示部５５２が「表示手段」を構成する。
【0226】
また、検査制御装置５５は、それぞれＨＤＤ等の記憶装置で構成された検査情報記憶部５５３、使用ＡＩ記憶部５５４、非使用ＡＩ記憶部５５５、画像データ記憶部５５６及び追加学習情報記憶部５５７を備えている。本実施形態では、非使用ＡＩ記憶部５５５が「識別手段記憶手段」を構成する。
【0227】
入力部５５１は、検査制御装置５５に対する情報の入力や該情報の変更などに用いられる入力装置であり、該入力部５５１を介して所定の追加学習命令を入力可能である。追加学習命令は、例えば、後述する学習済みのＡＩモデル４００による分類結果に誤判定があった場合にオペレータ等によって入力される。勿論、検査装置２３以外に別途設けられた検査装置によって誤判定が生じたと判定された場合に、追加学習命令が検査制御装置５５へと自動的に入力される構成としてもよい。尚、追加学習命令の入力により、後述する追加学習処理が行われる。
【0228】
表示部５５２は、各記憶部５５３～５５７に記憶された各種情報を表示可能な表示装置である。
【0229】
検査情報記憶部５５３は、検査に用いられる各種設定情報や、良否判定結果などを記憶するためのものである。本第２実施形態では、各種設定情報として、良否判定用の閾値や分類用の閾値が予め記憶されている。これら閾値は、学習済みのＡＩモデル４００による分類分けに用いられる。
【0230】
使用ＡＩ記憶部５５４は、「識別手段」としてのＡＩモデル４００を記憶する。ＡＩモデル４００は、ディープニューラルネットワーク（以下、単に「ニューラルネットワーク」という。）によって、入力された元画像データを所定の項目で分類して、分類結果を出力する。つまり、本第２実施形態におけるＡＩモデル４００は分類型のＡＩモデルである。
【0231】
使用ＡＩ記憶部５５４は、ＡＩモデル４００として、ＰＴＰシート１の検査に利用されている現用ＡＩモデル４００ｚを記憶している。現用ＡＩモデル４００ｚについては後により詳しく説明する。
【0232】
非使用ＡＩ記憶部５５５は、検査に利用されていないＡＩモデル４００を記憶する。非使用ＡＩ記憶部５５５に記憶されるＡＩモデル４００には、ＰＴＰシート１の検査に利用されている現用ＡＩモデル４００ｚとは別に記憶された、該現用ＡＩモデル４００ｚと同一内容の複製現用ＡＩモデル４００ｚ１と、初期ＡＩモデル４００ａとが含まれる。
【0233】
本第２実施形態において、現用ＡＩモデル４００ｚ、複製現用ＡＩモデル４００ｚ１及び初期ＡＩモデル４００ａなどの学習済みのＡＩモデル４００は、「学習済識別手段」を構成し、初期ＡＩモデル４００ａは「旧識別手段」を構成する。また、現用ＡＩモデル４００ｚは「現用識別手段」を構成し、複製現用ＡＩモデル４００ｚ１は「複製現用識別手段」を構成する。
【0234】
現用ＡＩモデル４００ｚは、追加学習部５５ｈによる追加学習処理や追加学習修正処理によって生成され、後述する承認用処理にて採用されたＡＩモデル４００である。検査装置２３によるＰＴＰシート１の検査は、現用ＡＩモデル４００ｚを用いて行われる。
【0235】
現用ＡＩモデル４００ｚ及び複製現用ＡＩモデル４００ｚ１は、追加学習部５５ｈによる追加学習処理や追加学習修正処理によって順次更新され得る。本実施形態において、各ＡＩ記憶部５５４，５５５には、現用ＡＩモデル４００ｚや複製現用ＡＩモデル４００ｚ１として「ＡＩ２（ｎ）」（図２８参照）が記憶されている。尚、ｎは自然数を表す。
【0236】
初期ＡＩモデル４００ａは、後述する学習処理が行われている一方、追加学習部５５ｈによる追加学習処理が全く行われていない段階のＡＩモデル４００である。本実施形態において、ＡＩ記憶部５５４には、初期ＡＩモデル４００ａとして、工場出荷時のＡＩモデル４００である「ＡＩ２（０）」（図２８参照）が記憶されている。
【0237】
現用ＡＩモデル４００ｚや初期ＡＩモデル４００ａなどの学習済みのＡＩモデル４００は、良品のＰＴＰシート１に係る画像データのみならず、不良品のＰＴＰシート１に係る画像データをも学習データとして、ニューラルネットワークを深層学習（ディープラーニング）させて構築した生成モデルである。つまり、学習済みのＡＩモデル４００は、良品及び不良品のＰＴＰシート１に係る画像データを学習して生成されたものである。本第２実施形態において、初期ＡＩモデル４００ａは、そのニューラルネットワークに対し後述する学習処理が予め行われてなるものであり、また、現用ＡＩモデル４００ｚや複製現用ＡＩモデル４００ｚ１は、初期ＡＩモデル４００ａのニューラルネットワークに対し、追加学習部５５ｈによる追加学習処理などが複数回行われてなるものである。
【0238】
学習済みのＡＩモデル４００は、元画像データが入力されると、該元画像データに係るＰＴＰシート１が「良品」である確率と、該ＰＴＰシート１が「不良品」である確率と、不良種別に関する確率とを算出する。その上で、学習済みのＡＩモデル４００は、算出した「良品」又は「不良品」である確率と、検査情報記憶部５５３に記憶された良否判定用の閾値とを比較することで、入力された元画像データに係るＰＴＰシート１の良否を判定し、その良否判定結果を出力する。
【0239】
また、学習済みのＡＩモデル４００は、算出した不良種別に関する確率と、検査情報記憶部５５３に記憶された分類用の閾値とを比較することで、入力された元画像データに係るＰＴＰシート１における不良の種別を判定し、その判定結果を出力する。本第２実施形態における不良の種別は、「錠剤欠け」「異物混入」及び「その他不良」である。
【0240】
判定についてより詳しく説明すると、学習済みのＡＩモデル４００は、「錠剤欠け」に関するスコアと、「異物混入」に関するスコアとを算出し、算出したスコアが分類用の閾値を超えていれば、該スコアに係る不良の種別（「錠剤欠け」又は「異物混入」）を判定結果として出力する。一方、学習済みのＡＩモデル４００は、ＰＴＰシート１を不良と判定する場合であって、算出した各スコアがそれぞれ分類用の閾値以下である場合には、判定結果として「その他不良」を出力する。
【0241】
尚、「錠剤欠け」は、錠剤５に欠けが発生していることを意味し、「異物混入」は、ポケット部２内に、錠剤５の破片など、錠剤５以外の異物が存在することを意味し、「その他不良」は、「錠剤欠け」や「異物混入」以外の不良が生じていることを意味する。勿論、「錠剤欠け」や「異物混入」以外のその他の不良種別を採用してもよい。その他の不良種別としては、例えば、「錠剤割れ」（錠剤５に割れが発生していること）、「欠錠」（ポケット部２内に錠剤５が充填されていないこと）、「錠剤形状・大きさ違い」（錠剤５の形状や大きさが、製造品種と適合していないこと）、「錠剤表面剥離」（錠剤５の表面層が剥離していること）などを挙げることができる。
【0242】
ここで、初期ＡＩモデル４００ａを生成する際に行われる学習処理（初期学習処理）について説明する。尚、この学習処理に先立って、学習データとして、良品のＰＴＰシート１に係る画像データと、不良品のＰＴＰシート１に係る画像データとが多数用意される。本第２実施形態において、不良品のＰＴＰシート１に係る画像データには、不良の種別が異なるものが含まれる。また、各学習データには、分類結果の正解についての情報が関連付けられる。従って、例えば、不良品に係る学習データには、不良品という情報と、不良の種別についての情報とが関連付けられる。
【0243】
図２３に示すように、学習処理では、まず、ステップＳ６０１において、未学習のニューラルネットワークを準備する。次いで、ステップＳ６０２において、分類結果を取得する。すなわち、予め用意された学習データを入力データとして、ニューラルネットワークの入力層に与える。そして、該ニューラルネットワークの出力層から出力される分類結果を取得する。
【0244】
続くステップＳ６０３では、出力された分類結果と、学習データに関連付けられた分類結果の正解とを比較し、出力された分類結果が正しいか否かを判定する。
【0245】
ここで、出力された分類結果が正しい場合には、ステップＳ６０５にて、学習処理の終了条件を満たすか否かを判定する。例えば、後述するステップＳ６０４の処理を経ることなくステップＳ６０３にて肯定判定されることが所定回数連続で行われた場合や、用意した学習データの全てを用いた学習が所定回数反復して行われた場合には、終了条件を満たすと判定される。終了条件を満たす場合には、ニューラルネットワーク及びその学習情報（後述する更新後のパラメータ等）を初期ＡＩモデル４００ａとして各使用ＡＩ記憶部５５４，５５５に格納し、学習処理を終了する。尚、使用ＡＩ記憶部５５４に記憶された初期ＡＩモデル４００ａは、追加学習処理や追加学習修正処理に伴い現用ＡＩモデル４００ｚに更新される。
【0246】
一方、ステップＳ６０５にて終了条件を満たさない場合には、ステップＳ６０２に戻り、ニューラルネットワークの学習を再度行う。
【0247】
また、ステップＳ６０３にて、出力された分類結果が正しくない場合には、ステップＳ６０４においてネットワーク更新処理（ニューラルネットワークの学習）を行った後、再びステップＳ６０２へ戻り、上記一連の処理を繰り返す。
【0248】
ステップＳ６０４のネットワーク更新処理では、公知の学習アルゴリズムを用いて、出力された分類結果が正しいものとなるように、ニューラルネットワークにおける重み（パラメータ）をより適切なものに更新する。そして、ステップＳ６０２～６０４の処理を何度も繰り返すことにより、ニューラルネットワークでは、より正確な分類結果が出力されるようになる。
【0249】
画像データ記憶部５５６は、後述する画像データ取得部５５ｘにより得られた画像データ（濃淡模様データ）などの各種画像データを記憶する。尚、画像データ取得部５５ｘにより得られる画像データ（濃淡模様データ）は、１枚分のＰＴＰシート１に対応するものであって、ポケット部２や錠剤５に係る濃淡模様を計１０個分表すものである。本第２実施形態では、画像データ記憶部５５６によって、「特定学習データ記憶手段」及び「誤判定発生画像データ記憶手段」が構成される。
【0250】
画像データ記憶部５５６に記憶される画像データには、追加学習部５５ｈによる追加学習処理に利用される追加学習データ５０１が含まれる。追加学習データ５０１は、画像データ取得部５５ｘにより得られた複数の画像データ（濃淡模様データ）のうち、現用ＡＩモデル４００ｚによる分類結果に誤判定を生じさせた画像データであって、所定の条件を満たすもの（例えばオペレータ等によって選択されたもの）である。従って、追加学習データ５０１には、良品のＰＴＰシート１に係る画像データのみならず、不良品のＰＴＰシート１に係る画像データも含まれる。尚、追加学習データ５０１には、分類結果の正解についての情報が関連付けられている。
【0251】
本実施形態では、追加学習データ５０１として、「ＩＭ２（１）」～「ＩＭ２（ｎ）」（図２８参照）が記憶されている。例えば、「ＩＭ２（１）」は、初期ＡＩモデル４００ａのニューラルネットワークに対する追加学習処理に用いられた画像データであり、この追加学習処理によって生成されたＡＩモデル４００が「ＡＩ２（１）」である。
【0252】
また、追加学習データ５０１には、特定学習データ５０１ａが含まれている。特定学習データ５０１ａは、初期ＡＩモデル４００ａから現用ＡＩモデル４００ｚを生成するにあたって用いられた追加学習データ５０１である。従って、本第２実施形態では、全ての追加学習データ５０１が特定学習データ５０１ａに相当する。
【0253】
さらに、画像データ記憶部５５６に記憶される画像データには、誤判定発生画像データ５０２が含まれる。誤判定発生画像データ５０２とは、後述する確認処理において分類結果の誤判定が生じた場合における、その誤判定に係る濃淡模様データ（元画像データ）である。
【0254】
尚、本第２実施形態では、分類結果の誤判定が生じたか否かについて、オペレータ等による目視検査によって判断されるようになっている。勿論、検査装置２３以外に別途設けられた検査装置によって誤判定が生じたか否かを判定するようにしてもよい。
【0255】
そして、オペレータ等が入力部５５１を利用した情報の入力を行うこと等によって、画像データ記憶部５５６に記憶された画像データ（濃淡模様データ）のうちの誤判定発生画像データ５０２が特定される。
【0256】
追加学習情報記憶部５５７は、追加学習処理や追加学習修正処理（すなわち、追加学習部５５ｈによる学習処理）に係る各種情報など、ＡＩモデル４００の学習に関する情報を記憶する。本第２実施形態では、上記第１実施形態で挙げた情報に加えて、例えば、学習済みのＡＩモデル４００と関連付けて、該ＡＩモデル４００によって使用される前記良否判定用の閾値や前記分類用の閾値などが記憶される。また、本第２実施形態では、学習済みのＡＩモデル４００ごとにヒートマップ（画像データにおける判定の根拠となった画素を重要度に応じて強調してなるデータ）が記憶される。
【0257】
次いで、検査制御装置５５を構成する上記各種機能部について説明する。但し、制御部５５ａ～５５ｃ、画像取込部５５ｄ及び画像処理部５５ｅは、上記第１実施形態における制御部５２ａ～５２ｃ等と同様に機能するため、これらの説明は省略する。尚、本第２実施形態では、カメラ５４、画像取込部５５ｄ及び画像処理部５５ｅによって画像データ取得部５５ｘが構成されており、この画像データ取得部５５ｘによって、ＰＴＰシート１に係る濃淡模様データ（元画像データ）が取得される。本第２実施形態では、画像データ取得部５５ｘが「画像データ取得手段」を構成する。
【0258】
取得される濃淡模様データ（元画像データ）は、１枚分のＰＴＰシート１に相当するものであって、ポケット部２や錠剤５に係る領域を計１０個分表すものである。濃淡模様データは、画像データ記憶部５５６に記憶される。本第２実施形態では、取得された複数の濃淡模様データのうちの一部が、追加学習データ５０１や誤判定発生画像データ５０２となる。
【0259】
判定処理部５５ｇは、現用ＡＩモデル４００ｚに検査対象となるＰＴＰシート１に係る濃淡模様データ（元画像データ）を入力することで、該現用ＡＩモデル４００ｚから出力される分類結果を取得する。取得された分類結果は、ＰＴＰシート１の検査結果であり、ＰＴＰシート１の良否や不良の種別を示す。
【0260】
追加学習部５５ｈは、追加学習データ５０１を用いてニューラルネットワークの追加学習処理を行うことで、学習済みのＡＩモデル４００を順次生成する。追加学習部５５ｈは、前記追加学習命令が入力されると、追加学習処理を行う。
【0261】
追加学習処理では、図２４に示すように、ステップＳ７０１にて、分類結果を取得する。すなわち、例えば、新たに記憶された未学習の追加学習データ５０１である「ＩＭ２（１）」を、非使用ＡＩ記憶部５５５に記憶された複製現用ＡＩモデル４００ｚ１（但し、この段階における複製現用ＡＩモデル４００ｚ１は初期ＡＩモデル４００ａである）である「ＡＩ２（０）」のニューラルネットワークの入力層に与える。そして、ニューラルネットワークの出力層から出力される分類結果を取得する。尚、「ＩＭ２（１）」などの追加学習データ５０１は、良品のＰＴＰシート１に係る画像データであることもあれば、不良品のＰＴＰシート１に係る画像データであることもある。また、追加学習データ５０１が不良品のＰＴＰシート１に係る画像データである場合、追加学習データ５０１は、少なくとも１の不良の種別に係るものである。
【0262】
続くステップＳ７０２では、分類結果が正しいか否かを判定する。ここで、分類結果が正しい場合には、ステップＳ７０４にて、追加学習処理の終了条件を満たすか否かを判定する。例えば、記憶された追加学習データ５０１を用いた追加学習が所定回数反復して行われた場合には、終了条件を満たすと判定される。終了条件を満たす場合には、ニューラルネットワーク及びその学習情報（更新後のパラメータ等）を、新たな学習済みのＡＩモデル４００として非使用ＡＩ記憶部５５５に格納する。
【0263】
一方、ステップＳ７０２にて、分類結果が正しくない場合には、ステップＳ７０４において、ネットワーク更新処理（ニューラルネットワークの学習）を行った後、再びステップＳ７０１へ戻り、上記一連の処理を繰り返す。ネットワーク更新処理は、上記学習処理におけるステップＳ６０４の処理と同様である。ステップＳ７０１～７０４の処理を繰り返すことにより、ニューラルネットワークでは、より正確な分類結果が出力されるようになる。追加学習の終了条件が満たされると、追加学習処理を終了する。
【0264】
さらに、追加学習部５５ｈは、機能部として要因データ特定部５５ｉ及び分類出力ＡＩ用の確認部５５ｊを備えている。本第２実施形態では、要因データ特定部５５ｉが「要因データ特定手段」を構成し、分類出力ＡＩ用の確認部５５ｊが「分類出力ＡＩ用の確認手段」を構成する。
【0265】
要因データ特定部５５ｉは、後述する確認処理によって分類結果に誤判定が生じていることが確認された場合において、その誤判定に係る（その誤判定を生じさせた）誤判定発生画像データ５０２に対する類似度に基づき、特定学習データ５０１ａの中から、その誤判定の要因となった追加学習データ５０１を誤判定要因データとして特定する。本第２実施形態において、要因データ特定部５５ｉは、その誤判定された分類結果と同一の分類結果のＰＴＰシート１に係る特定学習データ５０１ａの中から誤判定要因データを特定する。例えば、確認処理にて「異物混入」という誤判定が生じた場合、「異物混入」のＰＴＰシート１に係る特定学習データ５０１ａの中から誤判定要因データを特定する。また、例えば、確認処理にて「良品」という誤判定が生じた場合、「良品」のＰＴＰシート１に係る特定学習データ５０１ａの中から誤判定要因データを特定する。これは、分類結果の誤判定が生じた場合、追加学習に用いたデータ（特定学習データ５０１ａ）のうち、その誤判定された分類結果と同一の分類結果に係る画像データが、その誤判定を生じさせる要因になっていると考えられるためである。尚、誤判定要因データの特定は、上記第１実施形態と同様の手法により行うことができる。
【0266】
分類出力ＡＩ用の確認部５５ｊは、追加学習処理等にて新たに生成された学習済みのＡＩモデル４００における学習状態の確認などを行うための確認処理を実行する。
【0267】
確認処理は、次のように行われる。すなわち、図２５に示すように、まず、ステップＳ８０１にて、追加学習処理によって新たな学習済みのＡＩモデル４００が生成されると、該ＡＩモデル４００における学習状態が適切であるか否かを確認する。
【0268】
具体的には、新たに生成された学習済みのＡＩモデル４００に対し、該ＡＩモデル４００の生成の契機となった誤判定に係る元画像データを入力することで、分類結果を取得する。
【0269】
次いで、取得された分類結果と、入力された元画像データに関連付けられた分類結果の正解とを比較することに基づき、分類結果が正しいか否かを判定する。
【0270】
そして、分類結果が正しい場合（ステップＳ８０１：ＹＥＳ）、ステップＳ８０２にて、現用ＡＩモデル４００ｚを、新たに生成された学習済みのＡＩモデル４００に置換可能と判断し、確認処理を終了する。一方、分類結果が正しくない場合（ステップＳ８０１：Ｎｏ）、後述する追加学習修正処理を実行して、確認処理を終了する。
【0271】
尚、確認処理にあたって、新たに生成された学習済みのＡＩモデル４００に対し、追加学習処理の契機となった、誤判定に係る元画像データ以外の追加学習データ５０１を入力して、得られた分類結果が正しくなるか否かを判定してもよい。
【0272】
さらに、追加学習部５５ｈは、確認処理にて分類結果が正しくないと判定された場合（ステップＳ８０１：Ｎｏ）、つまり、追加学習処理により新たに生成された学習済みのＡＩモデル４００にて誤判定が生じる場合、要因データ特定部５５ｉ及び画像出力ＡＩ用の確認部５５ｊなどと協働して、追加学習修正処理を実行する。
【0273】
追加学習修正処理では、図２６に示すように、まず、ステップＳ８５１にて、要因データ特定部５５ｉによって、１又は複数の誤判定要因データを特定する。
【0274】
次いで、ステップＳ８５２にて、再学習処理を実行する。再学習処理では、非使用ＡＩ記憶部５５５に記憶された初期ＡＩモデル４００ａのニューラルネットワークに対し、ステップＳ８５１にて特定された誤判定要因データを除いた特定学習データ５０１ａを学習させて、新たな学習済みＡＩモデル４００を生成する。例えば、ステップＳ８５１にて、画像データ記憶部５５６に記憶された特定学習データ５０１ａである「ＩＭ２（０）」～「ＩＭ２（ｎ）」の中から、誤判定要因データとして「ＩＭ２（３）」が特定されたとする。この場合には、ステップＳ８５２にて、初期ＡＩモデル４００ａに対し、「ＩＭ２（３）」以外の特定学習データ５０１ａである「ＩＭ２（０）」～「ＩＭ２（２）」及び「ＩＭ２（４）」～「ＩＭ２（ｎ）」を用いて、上記追加学習処理が行われる。これにより、誤判定要因データである「ＩＭ２（３）」以外の特定学習データ５０１ａを学習した新たな学習済みのＡＩモデル４００が生成される。
【0275】
次いで、ステップＳ８５３にて、誤判定発生画像データ５０２を用いて、新たな学習済みのＡＩモデル４００における学習状態が適切であるか否かを判定する。この処理は、確認処理におけるステップＳ８０１の処理と同様である。そして、学習状態が適切である場合には、誤判定を生じさせた誤判定発生画像データ５０２に対しても適切な良否判定が行われるように修正されたとして、新たな学習済みのＡＩモデル４００を非使用ＡＩ記憶部５５５に記憶した上で、追加学習修正処理を終了する。
【0276】
一方、学習状態が不適切である場合、ステップＳ８５１に戻り、誤判定要因データの特定を再度行う。尚、ステップＳ８５３において学習状態が不適切である判定された場合には、分類に用いられる閾値の変更処理を合わせて行ってもよい。
【0277】
そして、学習状態が正しいものとなるまで上記処理を繰り返し行うことで、最終的に、誤判定を生じさせた誤判定発生画像データ５０２に対し適切に対応可能な学習済みのＡＩモデル４００が生成される。生成された学習済みのＡＩモデル４００は、非使用ＡＩ記憶部５５５に記憶される。
【0278】
さらに、追加学習部５５ｈは、機能部として承認用処理実行部５５ｋ、承認入力受付部５５ｌ及び置換部５５ｍを備えている。本第２実施形態では、承認入力受付部５５ｌが「承認入力受付手段」を構成する。
【0279】
承認用処理実行部５５ｋ、承認入力受付部５５ｌ及び置換部５５ｍは、上記第１実施形態における承認用処理実行部５２ｋ、承認入力受付部５２ｌ及び置換部５２ｍと同様に機能する。従って、置換部５５ｍが置換処理を実行することで、現用ＡＩモデル４００ｚが、新たに生成された学習済みのＡＩモデル４００に置換えられるとともに、新たな現用ＡＩモデル４００ｚを用いた、ＰＴＰシート１の検査が開始されることとなる。
【0280】
保存処理実行部５５ｎは、基本的には上記第１実施形態における保存処理実行部５２ｎと同様に機能する。従って、保存処理実行部５５ｎは、追加学習情報記憶部５５７に対し、追加学習処理や追加学習修正処理（すなわち、追加学習部５５ｈによる学習処理）に係る各種情報など、ＡＩモデル４００の学習に関する情報を記憶させる。但し、本第２実施形態における保存処理実行部５５ｎは、追加学習情報記憶部５５７に対し、前記承認用処理にて採用された、又は、同処理にて不採用となった学習済みのＡＩモデル４００とともに、これら学習済みのＡＩモデル４００に関連付けて、前記良否判定用の閾値や前記分類用の閾値を記憶させる。また、保存処理実行部５５ｎは、学習済みのＡＩモデル４００ごとにヒートマップを記憶させる。
【0281】
上記にて詳しく説明した追加学習部５５ｈによる各種処理（追加学習処理など）の流れは、簡単に言えば、図２７に示すものとなる。
【0282】
すなわち、検査装置２３（現用ＡＩモデル４００ｚ）によって出力された分類結果に誤判定が生じた場合（ステップＳ２１：ＹＥＳ）、オペレータ等によって追加学習命令が入力されることで、追加学習処理（ステップＳ２２）が実行される。すなわち、非使用ＡＩ記憶部５５５に記憶された複製現用ＡＩモデル４００ｚ１に対し、誤判定に係る、良品又は不良品の画像データを学習させることで、新たな学習済みのＡＩモデル４００が生成される。
【0283】
そして、確認処理（ステップＳ２３）にて、新たに生成された学習済みＡＩモデル４００の学習状態が確認される。そして、学習状態が適切であると判定された場合（ステップＳ２３－１：ＹＥＳ）、ステップＳ２３－２－Ａにて、現用ＡＩモデル４００ｚを、新たな学習済みＡＩモデル４００に置換可能と判断される。
【0284】
一方、学習状態が不適切であると判定された場合（ステップＳ２３－１：ＮＯ）、ステップＳ２３－２－Ｂにて追加学習修正処理が行われる。そして、ステップＳ２３－１の処理における分類結果が正しいものとなるまで、追加学習修正処理（ステップＳ２３－２－Ｂ）が繰り返し行われることで、最終的に、誤判定を生じさせた誤判定発生画像データ５０２に対し適切に対応可能な学習済みのＡＩモデル４００が得られる。繰り返し行われる追加学習修正処理では、誤判定要因データの再特定や、再特定した誤判定要因データを除いた特定学習データ５０１ａを学習させる処理が繰り返し行われる。
【0285】
そして、ステップＳ２３－２－Ａにて、新たな学習済みのＡＩモデル４００に置換可能と判断されると、承認用処理（ステップＳ２４）が実行されることで、置換を行う上でオペレータ等が必要とする情報が表示部５５１に表示される。そして、オペレータ等によって前記承認ボタンが選択されると（ステップＳ２５：ＹＥＳ）、ＰＴＰ包装機１１が一時停止された上で、現用ＡＩモデル４００ｚが新たな学習済みＡＩモデル４００に置換される（ステップＳ２６）。一方、オペレータ等によって前記非承認ボタンが選択されると（ステップＳ２５：Ｎｏ）、置換は行われず、現用ＡＩモデル４００ｚがそのまま利用される。
【0286】
以上詳述したように、本第２実施形態によれば、ＰＴＰシート１の分類結果に関する誤判定が生じた場合には、複製現用ＡＩモデル４００ｚ１のニューラルネットワークに対し、その誤判定を生じさせた元画像データを追加学習させることで、新たな学習済みのＡＩモデル４００を生成することが可能である。従って、より良好な検査精度を有する学習済みのＡＩモデル４００を得ることができる。
【0287】
また、追加学習にあたっては、検査に利用されている現用ＡＩモデル４００ｚのニューラルネットワークではなく、非使用ＡＩ記憶部５５５に記憶された複製現用ＡＩモデル４００ｚ１のニューラルネットワークに対して学習が行われる。これにより、検査を停止させることなく追加学習を行うことができ、検査の迅速性や効率性をより高めることができる。
【0288】
さらに、分類出力ＡＩ用の確認部５５ｊによって、新たに生成された学習済みのＡＩモデル４００において、誤判定を生じさせた元画像データに基づく再度の誤判定が生じないか否か、つまり、より良好な検査精度が実現されているか否かを容易に確認することができる。
【0289】
加えて、分類出力ＡＩ用の確認部５５ｊによって、再度の誤判定が生じない状態（より良好な検査精度が実現されている状態）となっていることが確認されて初めて、検査に利用されている現用ＡＩモデル４００ｚが、新たに生成された学習済みのＡＩモデル４００に置換可能と判断される。従って、誤判定が生じ得る不適切なＡＩモデル４００が、誤って検査で用いられることをより確実に防止できる。
【0290】
一方、分類出力ＡＩ用の確認部５５ｊによって、新たに生成された学習済みのＡＩモデル４００を用いた検査において誤判定が生じることが確認された場合、つまり、過学習による誤判定が生じたと考えられる場合、追加学習部５５ｈは、追加学習が行われていない段階のＡＩモデル４００である初期ＡＩモデル４００ａのニューラルネットワークに対する学習を行い、新たな学習済みのＡＩモデル４００を生成する。このとき、初期ＡＩモデル４００ａから現用ＡＩモデル４００ｚを生成するにあたって用いられた追加学習データ５０１である特定学習データ５０１ａのうちの、その誤判定された分類結果と同一の分類結果のＰＴＰシート１に係るデータの中から、その誤判定の要因と考えられるデータが、誤判定要因データとして特定される。
【0291】
そして、追加学習部５５ｈは、初期ＡＩモデル４００ａのニューラルネットワークに対し、特定学習データ５０１ａから誤判定要因データを除外したデータを学習させることで、新たな学習済みのＡＩモデル４００を生成する。従って、分類出力ＡＩ用の確認部５５ｊによって学習状態が不適切であると判定された場合に、過去の追加学習データ５０１（特定学習データ５０１ａ）を生かしつつ、過学習による誤判定の発生をより確実に抑制可能となるように学習状態の修正を行うことができる。その結果、ＰＴＰシート１の分類に関する誤判定が生じることをより確実に防止でき、検査精度を高めることができる。
【0292】
加えて、分類出力ＡＩ用の確認部５５ｊによって学習状態が不適切であると判定された場合には、検査に利用されている現用ＡＩモデル４００ｚのニューラルネットワークではなく、非使用ＡＩ記憶部５５５に記憶された初期ＡＩモデル４００ａのニューラルネットワークに対し学習が行われる。そのため、膨大な繰り返し処理となり得る、ニューラルネットワークの学習に係る処理や誤判定要因データの抽出（特定）に係る処理を、検査を停止させることなく行うことができる。これにより、多数のＰＴＰシート１に対する検査を、より迅速に、かつ、より効率よく行うことができる。
【0293】
また、分類出力ＡＩ用の確認部５５ｊにより誤判定が生じることが確認された場合に、誤判定に係る元画像データ（誤判定を生じさせた元画像データ）である誤判定発生画像データ５０２に対する類似度に基づき、特定学習データ５０１ａの中から誤判定要因データを特定することができる。従って、誤判定要因データをより正確に特定することができ、ひいては、新たに生成される学習済みのＡＩモデル４００を用いた検査に係る精度をより確実に高めることができる。
【0294】
さらに、オペレータ等による承認があって初めて、現用ＡＩモデル４００ｚが新たに生成された学習済みのＡＩモデル４００に置換される。そのため、現用ＡＩモデル４００ｚを、新たに生成された学習済みのＡＩモデル４００に置換することが、意図せず行われることをより確実に防止できる。これにより、意図しない置換に伴う不具合の発生をより確実に防ぐことができる。
【0295】
尚、上記実施形態の記載内容に限定されず、例えば次のように実施してもよい。勿論、以下において例示しない他の応用例、変更例も当然可能である。
【0296】
（ａ）上記実施形態では、初期ＡＩモデル２００ａ，４００ａが「旧識別手段」を構成している。これに対し、追加学習処理が一部行われていない段階のＡＩモデル２００，４００である「ＡＩ（１）」～「ＡＩ（ｎ－１）」や「ＡＩ２（１）」～「ＡＩ２（ｎ－１）」のいずれかによって「旧識別手段」が構成されるようにしてもよい。従って、例えば、「ＡＩ（９９）」が「旧識別手段」を構成することとしてもよい（図２９参照）。また、このような構成においては、「ＡＩ（０）」～「ＡＩ（９８）」に係るデータと、これらＡＩモデル２００（「ＡＩ（０）」～「ＡＩ（９８）」）の追加学習に用いられた追加学習データ３０１（「ＩＭ（１）」～「ＩＭ（９９）」）とが仮に画像データ記憶部５２６に記憶されていない場合に、不良品のＰＴＰシート１が良品であるなどの誤判定されたときには、例えば、「ＩＭ（１００）」以降の追加学習データ３０１の中から誤判定要因データを特定し、この誤判定要因データを除いた「ＩＭ（１００）」以降の追加学習データ３０１を用いて、「ＡＩ（９９）」の再学習処理を行うようにしてもよい。
【0297】
また、追加学習処理が一部又は全部行われていない段階のＡＩモデル２００，４００である「ＡＩ（０）」～「ＡＩ（ｎ－１）」や「ＡＩ２（０）」～「ＡＩ２（ｎ－１）」の全てがそれぞれ「旧識別手段」を構成することとしてもよく、非使用ＡＩ記憶部５２５，５５５は、これらのＡＩモデル２００，４００の全てを記憶していてもよい。また、この場合には、再学習処理を、誤判定要因データを追加学習する直前のＡＩモデル２００に対し行うようにしてもよい。例えば、誤判定要因データが「ＩＭ（３）」であると特定された場合、この誤判定要因データを追加学習する直前のＡＩモデル２００である「ＡＩ（２）」に対し再学習処理を行うようにしてもよい。
【0298】
さらに、「旧識別手段」を、現用ＡＩモデル２００ｚとの関係で適宜変更する構成としてもよい。例えば、現用ＡＩモデル２００ｚを基準として、直近の所定回数（例えば１０回など）の追加学習処理が行われる前の段階のＡＩモデル２００を「旧識別手段」としてもよい。この場合、現用ＡＩモデル２００ｚの更新に伴い、「旧識別手段」となるＡＩモデル２００が変更される。
【0299】
（ｂ）上記実施形態において、初期ＡＩモデル２００ａ，４００ａは、予め学習処理が行われたものとされているが、初期ＡＩモデル２００ａ，４００ａは、学習処理が行われていないものであってもよい。この場合には、追加学習部５２ｈ，５５ｈによって、上記実施形態で述べた学習処理を初期ＡＩモデル２００ａ，４００ａに対し行うことで、学習済みのＡＩモデル２００，４００を生成してもよい。従って、追加学習部５２ｈ，５５ｈは、学習処理及び追加学習処理の双方を実行可能なものであってもよい。
【0300】
（ｃ）上記実施形態において、誤判定要因データは、不良画像データ３０２や誤判定発生画像データ５０２との類似度に基づき特定されているが、その特定手法を適宜変更してもよい。例えば、直近の追加学習処理に用いられた追加学習データ３０１，５０１を誤判定要因データとして特定するようにしてもよい。
【0301】
（ｄ）上記実施形態において、検査装置２１，２３は、ＰＴＰシート１の検査に用いられているが、検査装置２１，２３による検査対象物はＰＴＰシート１に限定されるものではない。従って、例えば、検査装置２１，２３によって、錠剤５の検査を行うように構成してもよい。
【0302】
尚、錠剤の種別や形状等については、上記実施形態に限定されるものではない。例えば錠剤には、医薬のみならず、飲食用に用いられる錠剤なども含まれる。また、錠剤には、素錠のみならず、糖衣錠やフィルムコーティング錠、口腔内崩壊錠、腸溶錠、ゼラチン被包錠などが含まれるのは勿論のこと、硬カプセルや軟カプセルなどの各種カプセル錠なども含まれる。
【0303】
また、例えば図３０に示すようなＰＴＰシート以外のブリスタパック８００を検査対象物とすることもできる。ブリスタパック８００は、所定の内容物を収容するためのポケット部８０１を有している。
【0304】
（ｅ）「識別手段」としてのＡＩモデル２００，４００の構成及びその学習方法は、上記実施形態に限定されるものではない。例えば、ニューラルネットワークの学習処理や、再構成画像データの取得処理などを行う際に、必要に応じて各種データに対し正規化等の処理を行う構成としてもよい。また、ニューラルネットワーク１９０の構造は、図９に示したものに限定されず、例えば畳み込み層１９３の後にプーリング層を設けた構成としてもよい。勿論、ニューラルネットワーク１９０の層数や、各層のノード数、各ノードの接続構造などが異なる構成としてもよい。
【0305】
さらに、上記実施形態では、ＡＩモデル２００（ニューラルネットワーク１９０）が、畳み込みオートエンコーダ（ＣＡＥ）の構造を有した生成モデルとなっているが、これに限らず、例えば変分自己符号化器(ＶＡＥ：Variational Autoencoder)など、異なるタイプのオートエンコーダの構造を有した生成モデルとしてもよい。
【0306】
また、上記実施形態では、誤差逆伝播法によりニューラルネットワーク１９０を学習する構成となっているが、これに限らず、その他の種々の学習アルゴリズムを用いて学習する構成としてもよい。
【0307】
加えて、ニューラルネットワークは、いわゆるＡＩチップ等のＡＩ処理専用回路によって構成されることとしてもよい。その場合、パラメータ等の学習情報のみがＡＩ記憶部５２４，５２５（５５４，５５５）に記憶され、これをＡＩ処理専用回路が読み出して、ニューラルネットワークに設定することによって、ＡＩモデル２００，４００が構成されるようにしてもよい。
【0308】
（ｆ）上記第２実施形態において、学習済みのＡＩモデル４００は、入力された元画像データを、良品又は不良品と各種不良の種別とで分類可能とされているが、少なくとも分類項目には良品／不良品が含まれていればよい。従って、学習済みのＡＩモデル４００は、良品又は不良品で分類する一方、不良の種別による分類を行わないものであってもよい。
【符号の説明】
【0309】
１…ＰＴＰシート（検査対象物）、１１…ＰＴＰ包装機、２１，２３…検査装置、５２ｆ…再構成画像データ取得部（再構成画像データ取得手段）、５２ｇ…判定部（判定手段）、５２ｈ，５５ｈ…追加学習部（追加学習手段）、５２ｉ，５５ｉ…要因データ特定部（要因データ特定手段）、５２ｊ…画像出力ＡＩ用の確認部（画像出力ＡＩ用の確認手段）、５２ｘ，５５ｘ…画像データ取得部（画像データ取得手段）、５５ｊ…分類出力ＡＩ用の確認部（分類出力ＡＩ用の確認手段）、１９０…ニューラルネットワーク、１９１…エンコーダ部（符号化部）、１９２…デコーダ部（復号化部）、２００，４００…ＡＩモデル（識別手段）、２００ａ，４００ａ…初期ＡＩモデル（学習済識別手段、旧識別手段）、２００ｚ，４００ｚ…現用ＡＩモデル（学習済識別手段、現用識別手段）、２００ｚ１，４００ｚ１…複製現用ＡＩモデル（学習済識別手段、複製現用識別手段）、５２５，５５５…非使用ＡＩモデル記憶部（識別手段記憶手段）、５２６，５５６…画像データ記憶部（特定学習データ記憶手段、不良画像データ記憶手段）。
【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】