特許 7239824 画像検査システム、画像検査装置及び画像検査プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2023-03-07

(45)【発行日】2023-03-15

(54)【発明の名称】画像検査システム、画像検査装置及び画像検査プログラム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20230308BHJP

【ＦＩ】

G06T7/00 350B

【請求項の数】 9

(21)【出願番号】P 2019074235

(22)【出願日】2019-04-09

(65)【公開番号】P2020173547

(43)【公開日】2020-10-22

【審査請求日】2022-01-11

(73)【特許権者】

【識別番号】000005223

【氏名又は名称】富士通株式会社

(74)【代理人】

【識別番号】100094525

【弁理士】

【氏名又は名称】土井 健二

(74)【代理人】

【識別番号】100094514

【弁理士】

【氏名又は名称】林 恒徳

(72)【発明者】

【氏名】岡本 浩明

(72)【発明者】

【氏名】長門 毅

(72)【発明者】

【氏名】芳賀 進

【審査官】藤原 敬利

(56)【参考文献】

【文献】特開２０１６－１１４５９２（ＪＰ，Ａ）

【文献】特開２００４－０３８８８５（ＪＰ，Ａ）

【文献】特開２０１７－２１１２５９（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｎ ２１／８４ －２１／９５８

Ｇ０６Ｎ ３／００ － ３／１２

Ｇ０６Ｎ ７／０８ －９９／００

Ｇ０６Ｔ １／００ － １／４０

Ｇ０６Ｔ ３／００ － ７／９０

Ｇ０６Ｖ １０／００ －２０／９０

Ｇ０６Ｖ ３０／４１８

Ｇ０６Ｖ ４０／１６ 、４０／２０

(57)【特許請求の範囲】

【請求項1】

複数の学習画像の機械学習を行う複数の情報処理装置を有する画像検査システムであって、
前記複数の情報処理装置のそれぞれは、
前記複数の学習画像を第１サイズごとに分割することによって複数の第１分割画像を生成し、前記複数の学習画像を前記第１サイズと異なる第２サイズごとに分割することによって複数の第２分割画像を生成する分割画像生成部と、
前記複数の第１分割画像のうちの正常状態に対応する複数の第１正常分割画像と、前記複数の第２分割画像のうちの正常状態に対応する複数の第２正常分割画像とのそれぞれから、複数種類のパラメータに対応する特徴量をそれぞれ抽出する特徴量抽出部と、
前記複数種類のパラメータから、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における前記特徴量の類似関係が所定の条件を満たす第１パラメータを特定するパラメータ特定部と、
特定した前記第１パラメータに対応する特徴量を用いることによって、前記複数の第１分割画像及び前記複数の第２分割画像の機械学習を行う機械学習実行部と、を有する、
ことを特徴とする画像検査システム。

【請求項2】

請求項１において、
前記特徴量抽出部は、前記複数の第１分割画像のうちの異常状態に対応する複数の第１異常分割画像と、前記複数の第２分割画像のうちの異常状態に対応する複数の第２異常分割画像とのそれぞれから、前記第１パラメータに対応する特徴量をそれぞれ抽出し、
前記機械学習実行部は、前記複数の第１正常分割画像及び前記複数の第２正常分割画像のそれぞれから抽出した前記第１パラメータに対応する特徴量と、各画像が正常状態にあることを示す状態情報とをそれぞれ対応付けた複数の学習データと、前記複数の第１異常分割画像及び前記複数の第２異常分割画像のそれぞれから抽出した前記第１パラメータに対応する特徴量と、各画像が異常状態にあることを示す状態情報とをそれぞれ対応付けた複数の学習データとの機械学習を行う、
ことを特徴とする画像検査システム。

【請求項3】

請求項１において、
前記パラメータ特定部は、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における分布の形状の差が所定条件を満たす特徴量に対応するパラメータを前記第１パラメータとして特定する、
ことを特徴とする画像検査システム。

【請求項4】

請求項３において、
前記パラメータ特定部は、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における分布の中心の差が閾値以下である特徴量に対応するパラメータを前記第１パラメータとして特定する、
ことを特徴とする画像検査システム。

【請求項5】

請求項３において、
前記パラメータ特定部は、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における分布の幅の差が閾値以下である特徴量に対応するパラメータを前記第１パラメータとして特定する、
ことを特徴とする画像検査システム。

【請求項6】

請求項２において、
前記機械学習実行部は、前記機械学習を行うことによって学習モデルを生成し、
前記分割画像生成部は、新たな画像を受け付けた場合、前記新たな画像を所定のサイズごとに分割することによって複数の分割画像を生成し、
前記特徴量抽出部は、前記複数の分割画像から前記第１パラメータに対応する特徴量をそれぞれ抽出し、さらに、
前記複数の情報処理装置のそれぞれは、
前記複数の分割画像ごとに、前記第１パラメータに対応する特徴量の入力に伴って前記学習モデルから出力されるスコアを取得するスコア取得部と、
前記複数の分割画像のうち、取得した前記スコアが閾値以下である分割画像が異常状態にあると判定する異常判定部と、を有する、
ことを特徴とする画像検査システム。

【請求項7】

請求項６において、さらに、
前記複数の情報処理装置のそれぞれは、
前記異常状態にある分割画像が前記複数の分割画像に含まれていると判定した場合、前記新たな画像が異常状態にあることを示す情報を出力する情報出力部を有する、
ことを特徴とする画像検査システム。

【請求項8】

複数の学習画像を第１サイズごとに分割することによって複数の第１分割画像を生成し、前記複数の学習画像を前記第１サイズと異なる第２サイズごとに分割することによって複数の第２分割画像を生成する分割画像生成部と、
前記複数の第１分割画像のうちの正常状態に対応する複数の第１正常分割画像と、前記複数の第２分割画像のうちの正常状態に対応する複数の第２正常分割画像とのそれぞれから、複数種類のパラメータに対応する特徴量をそれぞれ抽出する特徴量抽出部と、
前記複数種類のパラメータから、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における前記特徴量の類似関係が所定の条件を満たす第１パラメータを特定するパラメータ特定部と、
特定した前記第１パラメータに対応する特徴量を用いることによって、前記複数の第１分割画像及び前記複数の第２分割画像の機械学習を行う機械学習実行部と、を有する、
ことを特徴とする画像検査装置。

【請求項9】

複数の学習画像を第１サイズごとに分割することによって複数の第１分割画像を生成し、前記複数の学習画像を前記第１サイズと異なる第２サイズごとに分割することによって複数の第２分割画像を生成し、
前記複数の第１分割画像のうちの正常状態に対応する複数の第１正常分割画像と、前記複数の第２分割画像のうちの正常状態に対応する複数の第２正常分割画像とのそれぞれから、複数種類のパラメータに対応する特徴量をそれぞれ抽出し、
前記複数種類のパラメータから、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における前記特徴量の類似関係が所定の条件を満たす第１パラメータを特定し、
特定した前記第１パラメータに対応する特徴量を用いることによって、前記複数の第１分割画像及び前記複数の第２分割画像の機械学習を行う、
処理をコンピュータに実行させることを特徴とする画像検査プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、画像検査システム、画像検査装置及び画像検査プログラムに関する。

【背景技術】

【0002】

例えば、利用者にサービスを提供する事業者（以下、単に事業者とも呼ぶ）は、利用者に対してサービスの提供を行うための情報処理システムを構築する。具体的に、事業者は、例えば、量産された各部品を撮像した画像から欠陥（例えば、シミ）を含む部品の特定を行う情報処理システムを構築する。

【0003】

このような情報処理システムでは、例えば、学習対象の画像（以下、学習画像とも呼ぶ）から抽出した特徴量についての機械学習を行うことによって、教師付き学習モデル（以下、単に学習モデルとも呼ぶ）を生成する。そして、情報処理システムは、検査対象の画像（以下、検査画像とも呼ぶ）から抽出した特徴量を学習モデルに入力することによって、検査画像に対応する部品に欠陥が含まれているか否かを示すスコアを取得する。

【0004】

これにより、事業者は、取得したスコアを参照することで、量産された各部品の中から欠陥を含む部品の特定を行うことが可能になる（例えば、特許文献１乃至３参照）。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２０１５－０４１１６４号公報

【文献】特開２０１０－０６７０６８号公報

【文献】特開２０１０－１０２６９０号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

ここで、上記のような学習モデルの生成を行う場合、事業者は、例えば、欠陥を含む部品の学習画像を欠陥のサイズごとに用意する。そして、情報処理システムは、例えば、欠陥のサイズごとの学習画像をそれぞれ用いることにより、欠陥のサイズごとの学習モデルを生成する。これにより、情報処理システムは、検査画像に対応する部品に欠陥が含まれているか否かの判定を精度良く行うことが可能になる。

【0007】

しかしながら、事業者は、欠陥の各サイズに対応する学習画像のそれぞれを十分に用意することができない場合がある。そのため、情報処理システムは、欠陥のサイズごとの学習モデルを網羅的に生成することができず、検査画像に対応する部品に欠陥が含まれているか否かの判定を精度良く行うことができない場合がある。

【0008】

そこで、一つの側面では、本発明は、部品の画像から欠陥を含む部品を精度良く特定することを可能とする画像検査システム、画像検査装置及び画像検査プログラム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】

【0009】

実施の形態の一態様では、複数の学習画像の機械学習を行う複数の情報処理装置を有する画像検査システムは、前記複数の情報処理装置のそれぞれが、前記複数の学習画像を第１サイズごとに分割することによって複数の第１分割画像を生成し、前記複数の学習画像を前記第１サイズと異なる第２サイズごとに分割することによって複数の第２分割画像を生成する分割画像生成部と、前記複数の第１分割画像のうちの正常状態に対応する複数の第１正常分割画像と、前記複数の第２分割画像のうちの正常状態に対応する複数の第２正常分割画像とのそれぞれから、複数種類のパラメータに対応する特徴量をそれぞれ抽出する特徴量抽出部と、前記複数種類のパラメータから、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における前記特徴量の類似関係が所定の条件を満たす第１パラメータを特定するパラメータ特定部と、特定した前記第１パラメータに対応する特徴量を用いることによって、前記複数の第１分割画像及び前記複数の第２分割画像の機械学習を行う機械学習実行部と、を有する。

【発明の効果】

【0010】

一つの側面によれば、部品の画像から欠陥を含む部品を精度良く特定することを可能とする。

【図面の簡単な説明】

【0011】

【図1】図１は、情報処理システム１０の構成について説明する図である。

【図2】図２は、欠陥のサイズごとの学習モデルを生成する場合の具体例について説明を行う。

【図3】図３は、情報処理装置１のハードウエア構成を説明する図である。

【図4】図４は、情報処理装置１の機能のブロック図である。

【図5】図５は、第１の実施の形態における画像検査処理の概略を説明するフローチャート図である。

【図6】図６は、第１の実施の形態における画像検査処理の概略を説明するフローチャート図である。

【図7】図７は、第１の実施の形態における画像検査処理の詳細を説明するフローチャート図である。

【図8】図８は、第１の実施の形態における画像検査処理の詳細を説明するフローチャート図である。

【図9】図９は、第１の実施の形態における画像検査処理の詳細を説明するフローチャート図である。

【図10】図１０は、第１の実施の形態における画像検査処理の詳細を説明するフローチャート図である。

【図11】図１１は、第１の実施の形態における画像検査処理の詳細を説明するフローチャート図である。

【図12】図１２は、第１の実施の形態における画像検査処理の詳細を説明するフローチャート図である。

【図13】図１３は、第１の実施の形態における画像検査処理の詳細を説明するフローチャート図である。

【図14】図１４は、Ｓ２２の処理の具体例を説明する図である。

【図15】図１５は、Ｓ２３の処理の具体例を説明する図である。

【図16】図１６は、Ｓ３４及びＳ３５の処理の具体例を説明する図である。

【図17】図１７は、Ｓ３４及びＳ３５の処理の具体例を説明する図である。

【図18】図１８は、輝度ヒストグラムに対応する分布の具体例を説明する図である。

【図19】図１９は、勾配ヒストグラムに対応する分布の具体例を説明する図である。

【図20】図２０は、第１の実施の形態における画像検査処理の詳細を説明する図である。

【発明を実施するための形態】

【0012】

［情報処理システムの構成］
初めに、情報処理システム１０の構成について説明を行う。図１は、情報処理システム１０の構成について説明する図である。

【0013】

図１に示すように、情報処理システム１０（以下、画像検査システム１０とも呼ぶ）は、例えば、１台以上の情報処理装置１（以下、画像検査装置１とも呼ぶ）と、１台以上の操作端末５とを含む。

【0014】

操作端末５は、例えば、ＰＣ（Ｐｅｒｓｏｎａｌ Ｃｏｍｐｕｔｅｒ）であり、事業者が必要な情報の入力等を行う端末である。具体的に、操作端末５は、例えば、部品についての学習画像や検査画像の入力を行う。

【0015】

情報処理装置１は、例えば、操作端末５を介して入力された学習画像から抽出した特徴量についての機械学習を行うことによって、学習モデルの生成を行う。そして、情報処理装置１は、例えば、操作端末５を介して入力された検査画像を受け付けた場合、その検査画像から抽出した特徴量を学習モデルに入力する。その後、情報処理装置１は、特徴量の入力に伴って学習モデルから出力されるスコアに基づいて、検査画像に対応する部品に欠陥が含まれているか否かの判定を行う。

【0016】

ここで、上記のような学習モデルの生成を行う場合、事業者は、例えば、欠陥を含む部品についての学習画像を欠陥のサイズごとに用意する。そして、情報処理装置１は、例えば、欠陥のサイズごとの学習画像をそれぞれ用いることにより、欠陥のサイズごとの学習モデルを生成する。以下、欠陥のサイズごとの学習モデルを生成する場合の具体例について説明を行う。

【0017】

［欠陥のサイズごとの学習モデルの具体例］
図２は、欠陥のサイズごとの学習モデルを生成する場合の具体例について説明を行う。

【0018】

具体的に、図２（Ａ）に示す学習画像ＩＭ１１は、部品ＩＭ１２を含む画像である。そして、図２（Ａ）に示す部品ＩＭ１２は、欠陥ＩＭ１３を含んでいる。また、図２（Ｃ）に示す学習画像ＩＭ２１は、部品ＩＭ２２を含む画像である。そして、図２（Ｃ）に示す部品ＩＭ２２は、欠陥ＩＭ２３を含んでいる。

【0019】

すなわち、図２（Ａ）に示す学習画像ＩＭ１１は、比較的小さいサイズの欠陥ＩＭ１３を含む部品ＩＭ１２についての画像であり、図２（Ｃ）に示す学習画像ＩＭ２１は、比較的大きいサイズの欠陥ＩＭ２３を含む部品ＩＭ２２についての画像である。

【0020】

具体的に、情報処理装置１は、図２（Ａ）に示す学習画像ＩＭ１１についての学習を行う場合、例えば、学習モデルを生成する欠陥のサイズとして予め定められた複数のサイズのうち、欠陥ＩＭ１３に対応するサイズ（例えば、欠陥ＩＭ１３のサイズに最も近いサイズ）を特定する。そして、情報処理装置１は、図２（Ｂ）に示すように、特定したサイズに対応するウィンドウサイズＷＳ１１ごとに、学習画像ＩＭ１１を分割して複数の分割画像を生成する。その後、情報処理装置１は、生成した複数の分割画像のそれぞれから抽出した特徴量を用いることによって機械学習を行う。

【0021】

また、情報処理装置１は、図２（Ｃ）に示す学習画像ＩＭ２１についての学習を行う場合、例えば、学習モデルを生成する欠陥のサイズとして予め定められた複数のサイズのうち、欠陥ＩＭ２３に対応するサイズ（例えば、欠陥ＩＭ２３のサイズに最も近いサイズ）を特定する。そして、情報処理装置１は、図２（Ｄ）に示すように、特定したサイズに対応するウィンドウサイズＷＳ２１ごとに、学習画像ＩＭ２１を分割して複数の分割画像を生成する。その後、情報処理装置１は、生成した複数の分割画像のそれぞれから抽出した特徴量を用いることによって機械学習を行う。

【0022】

これにより、情報処理装置１は、欠陥のサイズごとの学習モデルをそれぞれ生成することが可能になる。そのため、情報処理装置１は、状況に応じた学習モデルの使い分けを行うことが可能になり、検査画像に対応する部品に欠陥が含まれているか否かの判定を精度良く行うことが可能になる。

【0023】

しかしながら、事業者は、欠陥の各サイズについての学習画像を十分に用意することができない場合がある。そのため、情報処理装置１は、欠陥のサイズごとの学習モデルを網羅的に生成することができず、検査画像に対応する部品に欠陥が含まれているか否かの判定を精度良く行うことができない場合がある。

【0024】

そこで、本実施の形態における情報処理装置１は、複数の学習画像を第１サイズごとに分割することによって複数の分割画像（以下、第１分割画像とも呼ぶ）を生成する。また、情報処理装置１は、複数の学習画像を第１サイズと異なる第２サイズごとに分割することによって複数の分割画像（以下、第２分割画像とも呼ぶ）を生成する。

【0025】

そして、情報処理装置１は、複数の第１分割画像のうちの正常状態に対応する複数の分割画像（以下、第１正常分割画像とも呼ぶ）と、複数の第２分割画像のうちの正常状態に対応する複数の分割画像（以下、第２正常分割画像とも呼ぶ）とのそれぞれから、複数種類のパラメータに対応する特徴量をそれぞれ抽出する。さらに、情報処理装置１は、複数種類のパラメータから、複数の第１正常分割画像と複数の第２正常分割画像との間における特徴量の類似関係が所定の条件を満たすパラメータ（以下、第１パラメータとも呼ぶ）を特定する。

【0026】

その後、情報処理装置１は、特定した第１パラメータに対応する特徴量を用いることによって、複数の第１分割画像及び複数の第２分割画像の機械学習を行う。

【0027】

すなわち、情報処理装置１は、第１分割画像及び第２分割画像から特徴量の抽出を行うことができるパラメータのうち、欠陥のサイズに依存しない特徴量に対応する第１パラメータを特定する。そして、情報処理装置１は、特定した第１パラメータに対応する特徴量を用いることによって学習画像の機械学習を行う。

【0028】

これにより、情報処理装置１は、生成された学習モデルを用いることで、十分な数の学習画像が用意されなかったサイズの欠陥についても精度良く特定することが可能になる。そのため、情報処理装置１は、検査画像に対応する部品に欠陥が含まれているか否かの判定を精度良く行うことが可能になる。

【0029】

［情報処理システムのハードウエア構成］
次に、情報処理システム１０のハードウエア構成について説明する。図３は、情報処理装置１のハードウエア構成を説明する図である。

【0030】

情報処理装置１は、図３に示すように、プロセッサであるＣＰＵ１０１と、メモリ１０２と、外部インターフェース（Ｉ／Ｏユニット）１０３と、記憶媒体１０４とを有する。各部は、バス１０５を介して互いに接続される。

【0031】

記憶媒体１０４は、例えば、部品の画像から欠陥を含む部品を特定する処理（以下、画像検査処理とも呼ぶ）を行うためのプログラム１１０を記憶するプログラム格納領域（図示しない）を有する。また、記憶媒体１０４は、例えば、画像検査処理を行う際に用いられる情報を記憶する記憶部１３０（以下、情報格納領域１３０とも呼ぶ）を有する。なお、記憶媒体１０４は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）であってよい。

【0032】

ＣＰＵ１０１は、記憶媒体１０４からメモリ１０２にロードされたプログラム１１０を実行して画像検査処理を行う。

【0033】

また、外部インターフェース１０３は、例えば、操作端末５と通信を行う。

【0034】

［情報処理システムの機能］
次に、情報処理システム１０の機能について説明を行う。図４は、情報処理装置１の機能のブロック図である。

【0035】

情報処理装置１は、図４に示すように、例えば、ＣＰＵ１０１やメモリ１０２等のハードウエアとプログラム１１０とが有機的に協働することにより、情報受信部１１１と、情報管理部１１２と、分割画像生成部１１３と、特徴量抽出部１１４と、パラメータ特定部１１５と、機械学習実行部１１６と、スコア取得部１１７と、異常判定部１１８と、情報出力部１１９とを含む各種機能を実現する。

【0036】

また、情報処理装置１は、例えば、図４に示すように、学習画像１３１と、第１分割画像１３２と、第２分割画像１３３と、学習モデル１３４とを情報格納領域１３０に記憶する。

【0037】

初めに、学習画像１３１の機械学習（学習モデル１３４の生成）を行う際の機能について説明を行う。

【0038】

情報受信部１１１は、例えば、操作端末５から送信された複数の学習画像１３１（部品についての学習画像）を受信する。

【0039】

情報管理部１１２は、例えば、情報受信部１１１が受信した複数の学習画像１３１を情報格納領域１３０に記憶する。

【0040】

分割画像生成部１１３は、例えば、情報格納領域１３０に記憶された複数の学習画像１３１を第１サイズごとに分割することによって複数の第１分割画像１３２を生成する。また、分割画像生成部１１３は、例えば、情報格納領域１３０に記憶された複数の学習画像１３１を第２サイズごとに分割することによって複数の第２分割画像１３３を生成する。そして、情報管理部１１２は、例えば、分割画像生成部１１３が生成した複数の第１分割画像１３２及び複数の第２分割画像１３３を情報格納領域１３０に記憶する。

【0041】

特徴量抽出部１１４は、分割画像生成部１１３が生成した複数の第１分割画像１３２のうちの複数の第１正常分割画像１３２ａと、分割画像生成部１１３が生成した複数の第２分割画像１３３のうちの複数の第２正常分割画像１３３ａとのそれぞれから、複数種類のパラメータに対応する特徴量をそれぞれ抽出する。

【0042】

パラメータ特定部１１５は、特徴量抽出部１１４が特徴量の抽出を行った複数種類のパラメータから、複数の第１正常分割画像１３２ａと複数の第２正常分割画像１３３ａとの間における特徴量の類似関係が所定の条件を満たす第１パラメータを特定する。

【0043】

機械学習実行部１１６は、パラメータ特定部１１５が特定した第１パラメータに対応する特徴量を用いることによって、複数の第１分割画像１３２及び複数の第２分割画像１３３の機械学習を行う。そして、機械学習実行部１１６は、情報格納領域１３０において学習モデル１３４の生成を行う。

【0044】

次に、学習モデル１３４を用いることによって欠陥を含む部品の特定を行う際の機能について説明を行う。

【0045】

情報受信部１１１は、例えば、操作端末５から送信された検査画像（部品についての検査画像）を受信する。

【0046】

分割画像生成部１１３は、情報受信部１１１が受信した検査画像を所定のサイズごとに分割することによって、複数の分割画像を生成する。具体的に、分割画像生成部１１３は、事業者が予め指定したサイズごとに、情報受信部１１１が受信した検査画像の分割を行う。

【0047】

特徴量抽出部１１４は、分割画像生成部１１３が生成した複数の分割画像から第１パラメータに対応する特徴量をそれぞれ抽出する。

【0048】

スコア取得部１１７は、分割画像生成部１１３が生成した複数の分割画像ごとに、特徴量抽出部１１４が抽出した第１パラメータに対応する特徴量の入力に伴って学習モデル１３４から出力されるスコアを取得する。すなわち、スコア取得部１１７は、情報格納領域１３０に生成された学習モデル１３４を用いることによって、分割画像生成部１１３が生成した複数の分割画像ごとのスコアを取得する。

【0049】

異常判定部１１８は、分割画像生成部１１３が生成した複数の分割画像のうち、スコア取得部１１７が取得したスコアが閾値以下である分割画像が異常状態にあると判定する。

【0050】

情報出力部１１９は、例えば、異常状態にある分割画像が含まれていると異常判定部１１８が判定した場合、情報受信部１１１が受信した検査画像が異常状態にあることを示す情報を操作端末５に出力する。

【0051】

［第１の実施の形態の概略］
次に、第１の実施の形態の概略について説明する。図５及び図６は、第１の実施の形態における画像検査処理の概略を説明するフローチャート図である。

【0052】

情報処理装置１は、図５に示すように、機械学習実行タイミングまで待機する（Ｓ１のＮＯ）。機械学習実行タイミングは、例えば、事業者が画像検査処理を開始する旨の情報を情報処理装置１に入力したタイミングであってよい。

【0053】

そして、機械学習実行タイミングになった場合（Ｓ１のＹＥＳ）、情報処理装置１は、複数の学習画像１３１を第１サイズごとに分割することによって複数の第１分割画像１３２を生成する（Ｓ２）。また、情報処理装置１は、この場合、複数の学習画像１３１を第２サイズごとに分割することによって複数の第２分割画像１３３を生成する（Ｓ３）。

【0054】

続いて、情報処理装置１は、複数の第１分割画像１３２のうちの正常状態に対応する複数の第１正常分割画像１３２ａと、複数の第２分割画像１３３のうちの正常状態に対応する複数の第２正常分割画像１３３ａとのそれぞれから、複数種類のパラメータに対応する特徴量をそれぞれ抽出する（Ｓ４）。

【0055】

さらに、情報処理装置１は、図６に示すように、複数種類のパラメータから、複数の第１正常分割画像１３２ａと複数の第２正常分割画像１３３ａとの間における特徴量の類似関係が所定の条件を満たす第１パラメータを特定する（Ｓ５）。

【0056】

その後、情報処理装置１は、Ｓ５の処理で特定した第１パラメータに対応する特徴量を用いることによって、複数の第１分割画像１３２及び複数の第２分割画像１３３の機械学習を行う（Ｓ６）。

【0057】

すなわち、情報処理装置１は、第１分割画像１３２及び第２分割画像１３３から特徴量の抽出を行うことができるパラメータのうち、欠陥のサイズに依存しない特徴量に対応する第１パラメータを特定する。そして、情報処理装置１は、特定した第１パラメータに対応する特徴量を用いることによって学習画像の機械学習を行う。

【0058】

これにより、情報処理装置１は、生成された学習モデルを用いることで、十分な数の学習画像１３１が用意されなかったサイズの欠陥についても精度良く特定することが可能になる。そのため、情報処理装置１は、検査画像に対応する部品に欠陥が含まれているか否かの判定を精度良く行うことが可能になる。

【0059】

［第１の実施の形態の詳細］
次に、第１の実施の形態の詳細について説明する。図７から図１３は、第１の実施の形態における画像検査処理の詳細を説明するフローチャート図である。また、図１４から図２０は、第１の実施の形態における画像検査処理の詳細を説明する図である。

【0060】

［画像蓄積処理］
初めに、学習画像１３１の蓄積を行う処理（以下、画像蓄積処理とも呼ぶ）について説明を行う。図７は、画像蓄積処理を説明するフローチャート図である。

【0061】

情報処理装置１の情報受信部１１１は、図７に示すように、学習画像１３１を受信するまで待機する（Ｓ１１のＮＯ）。具体的に、情報受信部１１１は、例えば、学習画像１３１が操作端末５から送信されるまで待機する。

【0062】

そして、学習画像１３１を受信した場合（Ｓ１１のＹＥＳ）、情報処理装置１の情報管理部１１２は、Ｓ１１の処理で受信した学習画像１３１を情報格納領域１３０に記憶する（Ｓ１２）。

【0063】

［機械学習処理］
次に、学習画像１３１の機械学習を行う処理（以下、機械学習処理とも呼ぶ）について説明を行う。図８から図１１は、機械学習処理を説明するフローチャート図である。

【0064】

情報管理部１１２は、図８に示すように、機械学習実行タイミングまで待機する（Ｓ２１のＮＯ）。

【0065】

そして、機械学習実行タイミングになった場合（Ｓ２１のＹＥＳ）、分割画像生成部１１３は、情報格納領域１３０に記憶された複数の学習画像１３１を第１サイズごとに分割することによって複数の第１分割画像１３２を生成する（Ｓ２２）。具体的に、分割画像生成部１１３は、情報格納領域１３０に記憶された複数の学習画像１３１のうちの少なくとも一部の画像について分割を行う。以下、Ｓ２２の処理の具体例について説明を行う。

【0066】

［Ｓ２２の処理の具体例］
図１４は、Ｓ２２の処理の具体例を説明する図である。図１４（Ａ）は、学習画像１３１に含まれる学習画像ＩＭ３１に対してＳ２２の処理を行う際の具体例を説明する図であり、図１４（Ｂ）は、学習画像１３１に含まれる学習画像ＩＭ３２に対してＳ２２の処理を行う際の具体例を説明する図である。

【0067】

具体的に、分割画像生成部１１３は、例えば、図１４（Ａ）に示すように、学習画像ＩＭ３１をウィンドウサイズＷＳ３１（第１サイズ）ごとに分割することによって、複数の第１分割画像１３２を生成する。また、分割画像生成部１１３は、例えば、図１４（Ｂ）に示すように、学習画像ＩＭ３２をウィンドウサイズＷＳ３１ごとに分割することによって、複数の第１分割画像１３２を生成する。

【0068】

図８に戻り、分割画像生成部１１３は、情報格納領域１３０に記憶された複数の学習画像１３１を第２サイズごとに分割することによって複数の第２分割画像１３３を生成する（Ｓ２３）。具体的に、分割画像生成部１１３は、情報格納領域１３０に記憶された複数の学習画像１３１のうちの少なくとも一部の画像について分割を行う。以下、Ｓ２３の処理の具体例について説明を行う。

【0069】

［Ｓ２３の処理の具体例］
図１５は、Ｓ２３の処理の具体例を説明する図である。図１５（Ａ）は、学習画像１３１に含まれる学習画像ＩＭ３１に対してＳ２３の処理を行う際の具体例を説明する図であり、図１５（Ｂ）は、学習画像１３１に含まれる学習画像ＩＭ３２に対してＳ２３の処理を行う際の具体例を説明する図である。

【0070】

具体的に、分割画像生成部１１３は、例えば、図１５（Ａ）に示すように、学習画像ＩＭ３１をウィンドウサイズＷＳ３２（第２サイズ）ごとに分割することによって、複数の第２分割画像１３３を生成する。また、分割画像生成部１１３は、例えば、図１５（Ｂ）に示すように、学習画像ＩＭ３２をウィンドウサイズＷＳ３２ごとに分割することによって、複数の第２分割画像１３３を生成する。

【0071】

図８に戻り、情報処理装置１の特徴量抽出部１１４は、Ｓ２２の処理で生成した複数の第１分割画像１３２から複数の第１正常分割画像１３２ａを特定する（Ｓ２４）。

【0072】

具体的に、特徴量抽出部１１４は、例えば、Ｓ２２の処理で生成した複数の第１分割画像１３２のそれぞれについて事業者が付加した状態情報を参照し、Ｓ２２の処理で生成した複数の第１分割画像１３２のうち、各画像が正常状態にあることを示す状態情報に対応付けられた画像を第１正常分割画像１３２ａとして特定する。

【0073】

そして、特徴量抽出部１１４は、Ｓ２３の処理で生成した複数の第２分割画像１３３から複数の第２正常分割画像１３３ａを特定する（Ｓ２５）。

【0074】

具体的に、特徴量抽出部１１４は、例えば、Ｓ２３の処理で生成した複数の第２分割画像１３３のそれぞれについて事業者が付加した状態情報を参照し、Ｓ２３の処理で生成した複数の第２分割画像１３３のうち、各画像が正常状態にあることを示す状態情報に対応付けられた画像を第２正常分割画像１３３ａとして特定する。

【0075】

なお、事業者は、例えば、Ｓ２２の処理で生成した複数の第１分割画像１３２のうち、部品の欠陥を含まない画像に対して、各画像が正常状態にあることを示す状態情報を付加するものであってよい。また、事業者は、例えば、Ｓ２２の処理で生成した複数の第１分割画像１３２のうち、部品の欠陥の少なくとも一部を含む画像に対して、各画像が異常状態にあることを示す状態情報を付加するものであってよい。

【0076】

続いて、特徴量抽出部１１４は、図９に示すように、Ｓ２４の処理等で生成した複数の第１正常分割画像１３２ａ及び複数の第２正常分割画像１３３ａのそれぞれから、複数種類のパラメータに対応する特徴量を抽出する（Ｓ３１）。

【0077】

具体的に、特徴量抽出部１１４は、例えば、第１分割画像１３２や第２分割画像１３３についての平均輝度や輝度分散等に対応する特徴量をそれぞれ抽出する。

【0078】

そして、情報処理装置１のパラメータ特定部１１５は、Ｓ３１の処理で特徴量の抽出を行ったパラメータごとに、Ｓ３１の処理で抽出した複数の第１正常分割画像１３２ａの特徴量についての分布を生成する（Ｓ３２）。

【0079】

また、パラメータ特定部１１５は、Ｓ３１の処理で特徴量の抽出を行ったパラメータごとに、Ｓ３１の処理で抽出した複数の第２正常分割画像１３３ａの特徴量についての分布を生成する（Ｓ３３）。

【0080】

その後、パラメータ特定部１１５は、Ｓ３１の処理で特徴量の抽出を行ったパラメータごとに、Ｓ３２の処理で生成した分布の形状とＳ３３の処理で生成した分布の形状との差を算出する（Ｓ３４）。

【0081】

そして、パラメータ特定部１１５は、Ｓ３１の処理で特徴量の抽出を行ったパラメータのうち、Ｓ３４の処理で算出した差が所定条件を満たす特徴量に対応するパラメータを第１パラメータとして特定する（Ｓ３５）。以下、Ｓ３４及びＳ３５の処理の詳細について説明を行う。

【0082】

［Ｓ３４及びＳ３５の処理の詳細］
図１１は、Ｓ３４及びＳ３５の処理の詳細を説明するフローチャート図である。

【0083】

パラメータ特定部１１５は、図１１に示すように、Ｓ３１の処理で特徴量の抽出を行ったパラメータごとに、Ｓ３２の処理で生成した分布の基本統計量を算出する（Ｓ１０１）。

【0084】

具体的に、パラメータ特定部１１５は、例えば、Ｓ３１の処理で特徴量の抽出を行ったパラメータに輝度分散が含まれる場合、Ｓ３２の処理で生成した分布における輝度分散の平均（以下、単に平均μ１とも呼ぶ）と、Ｓ３２の処理で生成した分布における輝度分散の標準偏差（以下、単に標準偏差ρ１とも呼ぶ）と、Ｓ３２の処理で生成した分布に対応するヒストグラムの歪度（以下、単に歪度ｓ１とも呼ぶ）と、Ｓ３２の処理で生成した分布に対応するヒストグラムの尖度（以下、単に尖度ｋ１とも呼ぶ）とを輝度分散に対応する基本統計量として特定する。

【0085】

また、パラメータ特定部１１５は、Ｓ３１の処理で特徴量の抽出を行ったパラメータごとに、Ｓ３３の処理で生成した分布の基本統計量を算出する（Ｓ１０２）。

【0086】

具体的に、パラメータ特定部１１５は、例えば、Ｓ３１の処理で特徴量の抽出を行ったパラメータに輝度分散が含まれる場合、Ｓ３３の処理で生成した分布における輝度分散の平均（以下、単に平均μ２とも呼ぶ）と、Ｓ３３の処理で生成した分布における輝度分散の標準偏差（以下、単に標準偏差ρ２とも呼ぶ）と、Ｓ３３の処理で生成した分布に対応するヒストグラムの歪度（以下、単に歪度ｓ２とも呼ぶ）と、Ｓ３３の処理で生成した分布に対応するヒストグラムの尖度（以下、単に尖度ｋ２とも呼ぶ）とを輝度分散に対応する基本統計量として特定する。

【0087】

そして、パラメータ特定部１１５は、Ｓ３１の処理で特徴量の抽出を行ったパラメータごとに、Ｓ１０１及びＳ１０２の処理で算出した基本統計量から、Ｓ３２の処理で生成した分布とＳ３３の処理で生成した分布との形状の類似度を算出する（Ｓ１０３）。

【0088】

具体的に、パラメータ特定部１１５は、例えば、以下の式（１）を用いることによって類似度を算出する。
類似度＝｜μ１－μ２｜＋｜ρ１－ρ２｜＋｜ｓ１－ｓ２｜＋｜ｋ１－ｋ２｜ （式１）

【0089】

続いて、パラメータ特定部１１５は、Ｓ１０３の処理で算出した類似度が高い順に、Ｎ個のパラメータを特定する（Ｓ１０４）。

【0090】

具体的に、パラメータ特定部１１５は、例えば、以下の式（２）及び式（３）を用いることによってＮを算出する。なお、以下の式（２）及び式（３）におけるＭは、例えば、Ｓ２２の処理において第１分割画像１３２を生成する際に用いた学習画像１３１（Ｓ２３の処理において第２分割画像１３３を生成する際に用いた学習画像１３１）のデータ数であってよい。
Ｎ＝Ｍ／１０＋２（Ｍ＜８０） （式２）
Ｎ＝１０（Ｍ≧８０） （式３）

【0091】

その後、パラメータ特定部１１５は、Ｓ１０４の処理で特定したＮ個のパラメータを第１パラメータとして特定する（Ｓ１０５）。

【0092】

なお、パラメータ特定部１１５は、Ｓ３５の処理において、例えば、Ｓ３２の処理で生成した分布の中心（例えば、分布の中央値、平均値または最頻値）とＳ３３の処理で生成した分布の中心との差が閾値以下である特徴量に対応するパラメータを、第１パラメータとして特定するものであってもよい。また、パラメータ特定部１１５は、例えば、Ｓ３２の処理で生成した分布の幅とＳ３３の処理で生成した分布の幅との差が閾値以下である特徴量に対応するパラメータを、第１パラメータとして特定するものであってもよい。以下、分布の中心値の差を用いる場合におけるＳ３４及びＳ３５の処理の具体例について説明を行う。

【0093】

［Ｓ３４及びＳ３５の処理の具体例］
図１６及び図１７は、Ｓ３４及びＳ３５の処理の具体例を説明する図である。図１６（Ａ）は、パラメータとして平均輝度を採用した場合における第１正常分割画像１３２ａの分布を説明する具体例であり、図１６（Ｂ）は、パラメータとして平均輝度を採用した場合における第２正常分割画像１３３ａの分布を説明する具体例である。また、図１７（Ａ）は、パラメータとして輝度分散を採用した場合における第１正常分割画像１３２ａの分布を説明する具体例であり、図１７（Ｂ）は、パラメータとして輝度分散を採用した場合における第２正常分割画像１３３ａの分布を説明する具体例である。

【0094】

具体的に、図１６に示す例において、図１６（Ａ）の右側に示すヒストグラムにおける中央値は、図１６（Ｂ）の右側に示すヒストグラムにおける中央値と一致している。そのため、パラメータ特定部１１５は、この場合、例えば、第１正常分割画像１３２ａの分布の中央値と第２正常分割画像１３３ａの中央値との差が閾値以下であると判定し、平均輝度を第１パラメータとして特定する。

【0095】

一方、図１７に示す例において、図１７（Ａ）の右側に示すヒストグラムにおける中央値は、図１７（Ｂ）の右側に示すヒストグラムにおける中央値と一致していない。そのため、パラメータ特定部１１５は、第１分割画像１３２の分布の中央値と第２分割画像１３３の中央値との差異が閾値を上回っていると判定した場合、例えば、輝度分散を第１パラメータとして特定しない旨の決定を行う。

【0096】

なお、特徴量抽出部１１４は、Ｓ３１の処理において、例えば、第１分割画像１３２や第２分割学習画像１３２についての輝度ヒストグラムや勾配ヒストグラムに対応する特徴量を抽出するものであってもよい。そして、パラメータ特定部１１５は、Ｓ３２及びＳ３３の処理において、例えば、輝度ヒストグラムや勾配ヒストグラムに対応する特徴量についての分布を生成するものであってもよい。以下、輝度ヒストグラムに対応する分布の具体例について説明を行う。

【0097】

［輝度ヒストグラムに対応する分布の具体例］
図１８は、輝度ヒストグラムに対応する分布の具体例を説明する図である。図１８（Ａ）は、第１正常分割画像１３２ａごとの輝度ヒストグラムの具体例であり、図１８（Ｂ）及び図１８（Ｃ）は、図１８（Ａ）に示す輝度ヒストグラムに対応する分布の具体例である。

【0098】

具体的に、図１８（Ａ）に示す輝度ヒストグラムは、例えば、輝度値が０から６３までの間である画素数を示す区画（以下、第１区画とも呼ぶ）と、輝度値が６４から１２７までの間である画素数を示す区画（以下、第２区画とも呼ぶ）と、輝度値が１２８から１９１までの間である画素数を示す区画（以下、第３区画とも呼ぶ）と、輝度値が１９２から２５５までの間である画素数を示す区画（以下、第４区画とも呼ぶ）とを含む。

【0099】

そして、特徴量抽出部１１４は、Ｓ３１の処理において、例えば、第１正常分割画像１３２ａごとに、第１区画、第２区画、第３区画及び第４区画のそれぞれに対応する画素数を輝度ヒストグラムに対応する特徴量を抽出する。

【0100】

その後、パラメータ特定部１１５は、Ｓ３２の処理において、例えば、図１８（Ｂ）に示すように、第１区画の画素数のそれぞれに対応する第１正常分割画像１３２ａの数を集計することによって、第１正常分割画像１３２ａの輝度ヒストグラムについての分布を生成する。また、パラメータ特定部１１５は、Ｓ３３の処理において、例えば、第１区画の画素数のそれぞれに対応する第２正常分割画像１３３ａの数を集計することによって、第２正常分割画像１３３ａの輝度ヒストグラムについての分布（図示しない）を生成する。

【0101】

そして、パラメータ特定部１１５は、Ｓ３４及びＳ３５の処理において、第１正常分割画像１３２ａの輝度ヒストグラムについての分布と、第２正常分割画像１３３ａの輝度ヒストグラムについての分布とを用いることによって、第１パラメータの特定を行う。

【0102】

なお、パラメータ特定部１１５は、Ｓ３１の処理において、例えば、図１８（Ｃ）に示すように、第４区画の画素数のそれぞれに対応する第１正常分割画像１３２ａの数を集計することによって、第１正常分割画像１３２ａの輝度ヒストグラムについての分布についても生成するものであってもよい。

【0103】

そして、パラメータ特定部１１５は、Ｓ３４及びＳ３５の処理において、複数区画（例えば、第１区画及び第４区画）に対応する輝度ヒストグラムについての分布をそれぞれ用いることによって、第１パラメータの特定を行うものであってもよい。

【0104】

具体的に、パラメータ特定部１１５は、例えば、複数区画に対応する分布のそれぞれについて形状の差を算出するものであってよい。そして、パラメータ特定部１１５は、例えば、複数区画に対応する形状の差のうちの少なくとも１つが所定条件を満たす場合、輝度ヒストグラムを第１パラメータとして特定するものであってよい。また、パラメータ特定部１１５は、この場合、例えば、輝度ヒストグラムのうち、形状の差が所定条件の満たす区画に対応する輝度ヒストグラムのみを第１パラメータとして特定するものであってもよい。

【0105】

［勾配ヒストグラムに対応する分布の具体例］
次に、勾配ヒストグラムに対応する分布の具体例について説明を行う。図１９は、勾配ヒストグラムに対応する分布の具体例を説明する図である。図１９（Ａ）は、第１正常分割画像１３２ａごとの勾配ヒストグラムの具体例であり、図１９（Ｂ）及び図１９（Ｃ）は、図１９（Ａ）に示す勾配ヒストグラムに対応する分布の具体例である。

【0106】

具体的に、図１９（Ａ）に示す輝度ヒストグラムは、輝度勾配が０°から４５°までの間である画素数を示す区画（以下、第１区画とも呼ぶ）と、輝度勾配が４６°から９０°までの間である画素数を示す区画（以下、第２区画とも呼ぶ）と、輝度勾配が９１°から１３５°までの間である画素数を示す区画（以下、第３区画とも呼ぶ）と、輝度勾配が１３６°から１８０°までの間である画素数を示す区画（以下、第４区画とも呼ぶ）とを含む。

【0107】

そして、特徴量抽出部１１４は、Ｓ３１の処理において、例えば、第１正常分割画像１３２ａごとに、第１区画、第２区画、第３区画及び第４区画のそれぞれに対応する画素数を勾配ヒストグラムに対応する特徴量を抽出する。

【0108】

その後、パラメータ特定部１１５は、Ｓ３２の処理において、例えば、図１９（Ｂ）に示すように、第１区画の画素数のそれぞれに対応する第１正常分割画像１３２ａの数を集計することによって、第１正常分割画像１３２ａの勾配ヒストグラムについての分布を生成する。また、パラメータ特定部１１５は、Ｓ３３の処理において、例えば、第１区画の画素数のそれぞれに対応する第２正常分割画像１３３ａの数を集計することによって、第２正常分割画像１３３ａの勾配ヒストグラムについての分布（図示しない）を生成する。

【0109】

そして、パラメータ特定部１１５は、Ｓ３４及びＳ３５の処理において、第１正常分割画像１３２ａの勾配ヒストグラムについての分布と、第２正常分割画像１３３ａの勾配ヒストグラムについての分布とを用いることによって、第１パラメータの特定を行う。

【0110】

なお、パラメータ特定部１１５は、Ｓ３１の処理において、例えば、図１９（Ｃ）に示すように、第３区画の画素数のそれぞれに対応する第１正常分割画像１３２ａの数を集計することによって、第１正常分割画像１３２ａの勾配ヒストグラムについての分布についても生成するものであってもよい。

【0111】

そして、パラメータ特定部１１５は、図１８で説明した場合と同様に、Ｓ３４及びＳ３５の処理において、複数区画（例えば、第１区画及び第３区画）に対応する勾配ヒストグラムについての分布をそれぞれ用いることによって、第１パラメータの特定を行うものであってもよい。

【0112】

図１０に戻り、特徴量抽出部１１４は、Ｓ２２の処理で生成した複数の第１分割画像１３２から複数の第１異常分割画像１３２ｂを特定する（Ｓ４１）。また、特徴量抽出部１１４は、Ｓ２３の処理で生成した複数の第２分割画像１３３から複数の第２異常分割画像１３３ｂを特定する（Ｓ４２）。

【0113】

そして、特徴量抽出部１１４は、Ｓ４１の処理等で特定した複数の第１異常分割画像１３２ｂ及び複数の第２異常分割画像１３３ｂから、Ｓ３５の処理で特定した第１パラメータに対応する特徴量を抽出する（Ｓ４３）。

【0114】

続いて、情報管理部１１２は、Ｓ３１の処理において抽出した第１パラメータに対応する特徴量と、各画像が正常状態にあることを示す状態情報とを対応付けた複数の学習データと、Ｓ４３の処理において抽出した第１パラメータに対応する特徴量と、各画像が異常状態にあることを示す状態情報とを対応付けた複数の学習データとを生成する（Ｓ４４）。

【0115】

すなわち、情報管理部１１２は、Ｓ３１の処理において複数の第１正常分割画像１３２ａ及び複数の第２正常分割画像１３３ａのそれぞれから抽出した第１パラメータに対応する特徴量と、各画像が正常状態にあることを示す状態情報とを対応付けた複数の学習データを生成する。また、情報管理部１１２は、Ｓ４３の処理において複数の第１異常分割画像１３２ｂ及び複数の第２異常分割画像１３３ｂのそれぞれから抽出した第１パラメータに対応する特徴量と、各画像が異常状態にあることを示す状態情報とをそれぞれ対応付けた複数の学習データを生成する。

【0116】

その後、情報処理装置１の機械学習実行部１１６は、Ｓ４４の処理で生成した複数の学習データを用いた機械学習を行うことによって学習モデル１３４を生成する（Ｓ４５）。そして、情報処理装置１は、機械学習処理を終了する。

【0117】

すなわち、情報処理装置１は、第１分割画像１３２及び第２分割画像１３３から特徴量の抽出を行うことができるパラメータのうち、欠陥のサイズに依存しない特徴量に対応する第１パラメータを特定する。そして、情報処理装置１は、特定した第１パラメータに対応する特徴量を用いることによって機械学習を行う。

【0118】

これにより、情報処理装置１は、生成された学習モデル１３４を用いることで、図２０に示すように、十分な数の学習画像１３１が用意されなかったサイズの欠陥についても精度良く特定することが可能になる。そのため、情報処理装置１は、検査画像に対応する部品に欠陥が含まれているか否かの判定を精度良く行うことが可能になる。

【0119】

なお、パラメータ特定部１１５は、Ｓ３４及びＳ３５の処理において、例えば、Ｓ３１の処理で特徴量の抽出を行ったパラメータごとに、各パラメータに対応する分布のヒストグラムにおける区画ごとのサンプル数を特定し、区画の数を次元とするサンプル数のベクトルを作成するものであってもよい。そして、パラメータ特定部１１５は、例えば、各パラメータに対応するベクトル間のコサイン類似度を算出することによって、第１パラメータの特定を行うものであってもよい。また、パラメータ特定部１１５は、例えば、各パラメータに対応するベクトル間のヒストグラム交差法による類似度を算出することによって、第１パラメータの特定を行うものであってもよい。

【0120】

［異常特定処理］
次に、欠陥を含む部品についての検査画像を特定する処理（以下、異常特定処理とも呼ぶ）について説明を行う。図１２及び図１３は、異常特定処理を説明するフローチャート図である。

【0121】

情報受信部１１１は、検査画像（新たな画像）を受信するまで待機する（Ｓ５１のＮＯ）。具体的に、情報受信部１１１は、操作端末５から検査画像が送信されるまで待機する。

【0122】

そして、検査画像を受信した場合（Ｓ５１のＹＥＳ）、分割画像生成部１１３は、Ｓ５１の処理で受信した検査画像を所定のサイズごとに分割することによって分割画像を生成する（Ｓ５２）。この場合、分割画像生成部１１３は、例えば、Ｓ２４の処理において用いた第１サイズとＳ２５の処理において用いた第２サイズとの相乗平均を所定のサイズとして用いるものであってよい。

【0123】

続いて、特徴量抽出部１１４は、Ｓ５２の処理で生成した分割画像から、Ｓ３５の処理で特定した第１パラメータに対応する特徴量を抽出する（Ｓ５３）。

【0124】

その後、スコア取得部１１７は、Ｓ５２の処理で生成した分割画像ごとに、Ｓ５３の処理で抽出した第１パラメータに対応する特徴量の入力に伴って学習モデル１３４から出力されるスコアを取得する（Ｓ５４）。

【0125】

そして、情報処理装置１の異常判定部１１８は、図１３に示すように、Ｓ５４の処理で取得したスコアから閾値以下のスコアを特定する（Ｓ６１）。

【0126】

その結果、閾値以下のスコアが存在すると判定した場合（Ｓ６２のＹＥＳ）、異常判定部１１８は、Ｓ５２の処理で生成した分割画像のうち、Ｓ６１の処理で特定したスコアに対応する分割画像が異常状態にあると判定する（Ｓ６３）。

【0127】

また、異常判定部１１８は、この場合、Ｓ５１の処理で受信した検査画像が異常状態にあると判定する（Ｓ６４）。すなわち、異常判定部１１８は、Ｓ５１の処理で受信した検査画像に対応する部品に欠陥が含まれていると判定する。

【0128】

その後、情報処理装置１の情報出力部１１９は、例えば、Ｓ５１の処理で受信した検査画像が異常状態にあることを示す情報を操作端末５に出力する（Ｓ６４）。

【0129】

そして、情報処理装置１は、異常特定処理を終了する。なお、情報処理装置１は、例えば、Ｓ６２の処理において、閾値以下のスコアが存在しないと判定した場合についても同様に（Ｓ６２のＮＯ）、異常特定処理を終了する。

【0130】

これにより、情報処理装置１は、検査画像に対応する部品に欠陥が含まれているか否かの判定を精度良く行うことが可能になる。

【0131】

以上の実施の形態をまとめると、以下の付記のとおりである。

【0132】

（付記１）
複数の学習画像の機械学習を行う複数の情報処理装置を有する画像検査システムであって、
前記複数の情報処理装置のそれぞれは、
前記複数の学習画像を第１サイズごとに分割することによって複数の第１分割画像を生成し、前記複数の学習画像を前記第１サイズと異なる第２サイズごとに分割することによって複数の第２分割画像を生成する分割画像生成部と、
前記複数の第１分割画像のうちの正常状態に対応する複数の第１正常分割画像と、前記複数の第２分割画像のうちの正常状態に対応する複数の第２正常分割画像とのそれぞれから、複数種類のパラメータに対応する特徴量をそれぞれ抽出する特徴量抽出部と、
前記複数種類のパラメータから、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における前記特徴量の類似関係が所定の条件を満たす第１パラメータを特定するパラメータ特定部と、
特定した前記第１パラメータに対応する特徴量を用いることによって、前記複数の第１分割画像及び前記複数の第２分割画像の機械学習を行う機械学習実行部と、を有する、
ことを特徴とする画像検査システム。

【0133】

（付記２）
付記１において、
前記特徴量抽出部は、前記複数の第１分割画像のうちの異常状態に対応する複数の第１異常分割画像と、前記複数の第２分割画像のうちの異常状態に対応する複数の第２異常分割画像とのそれぞれから、前記第１パラメータに対応する特徴量をそれぞれ抽出し、
前記機械学習実行部は、前記複数の第１正常分割画像及び前記複数の第２正常分割画像のそれぞれから抽出した前記第１パラメータに対応する特徴量と、各画像が正常状態にあることを示す状態情報とをそれぞれ対応付けた複数の学習データと、前記複数の第１異常分割画像及び前記複数の第２異常分割画像のそれぞれから抽出した前記第１パラメータに対応する特徴量と、各画像が異常状態にあることを示す状態情報とをそれぞれ対応付けた複数の学習データとの機械学習を行う、
ことを特徴とする画像検査システム。

【0134】

（付記３）
付記１において、
前記パラメータ特定部は、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における分布の形状の差が所定条件を満たす特徴量に対応するパラメータを前記第１パラメータとして特定する、
ことを特徴とする画像検査システム。

【0135】

（付記４）
付記３において、
前記パラメータ特定部は、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における分布の中心の差が閾値以下である特徴量に対応するパラメータを前記第１パラメータとして特定する、
ことを特徴とする画像検査システム。

【0136】

（付記５）
付記３において、
前記パラメータ特定部は、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における分布の幅の差が閾値以下である特徴量に対応するパラメータを前記第１パラメータとして特定する、
ことを特徴とする画像検査システム。

【0137】

（付記６）
付記２において、
前記機械学習実行部は、前記機械学習を行うことによって学習モデルを生成し、
前記分割画像生成部は、新たな画像を受け付けた場合、前記新たな画像を所定のサイズごとに分割することによって複数の分割画像を生成し、
前記特徴量抽出部は、前記複数の分割画像から前記第１パラメータに対応する特徴量をそれぞれ抽出し、さらに、
前記複数の情報処理装置のそれぞれは、
前記複数の分割画像ごとに、前記第１パラメータに対応する特徴量の入力に伴って前記学習モデルから出力されるスコアを取得するスコア取得部と、
前記複数の分割画像のうち、取得した前記スコアが閾値以下である分割画像が異常状態にあると判定する異常判定部と、を有する、
ことを特徴とする画像検査システム。

【0138】

（付記７）
付記６において、さらに、
前記複数の情報処理装置のそれぞれは、
前記異常状態にある分割画像が前記複数の分割画像に含まれていると判定した場合、前記新たな画像が異常状態にあることを示す情報を出力する情報出力部を有する、
ことを特徴とする画像検査システム。

【0139】

（付記８）
複数の学習画像を第１サイズごとに分割することによって複数の第１分割画像を生成し、前記複数の学習画像を前記第１サイズと異なる第２サイズごとに分割することによって複数の第２分割画像を生成する分割画像生成部と、
前記複数の第１分割画像のうちの正常状態に対応する複数の第１正常分割画像と、前記複数の第２分割画像のうちの正常状態に対応する複数の第２正常分割画像とのそれぞれから、複数種類のパラメータに対応する特徴量をそれぞれ抽出する特徴量抽出部と、
前記複数種類のパラメータから、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における前記特徴量の類似関係が所定の条件を満たす第１パラメータを特定するパラメータ特定部と、
特定した前記第１パラメータに対応する特徴量を用いることによって、前記複数の第１分割画像及び前記複数の第２分割画像の機械学習を行う機械学習実行部と、を有する、
ことを特徴とする画像検査装置。

【0140】

（付記９）
付記８において、
前記特徴量抽出部は、前記複数の第１分割画像のうちの異常状態に対応する複数の第１異常分割画像と、前記複数の第２分割画像のうちの異常状態に対応する複数の第２異常分割画像とのそれぞれから、前記第１パラメータに対応する特徴量をそれぞれ抽出し、
前記機械学習実行部は、前記複数の第１正常分割画像及び前記複数の第２正常分割画像のそれぞれから抽出した前記第１パラメータに対応する特徴量と、各画像が正常状態にあることを示す状態情報とをそれぞれ対応付けた複数の学習データと、前記複数の第１異常分割画像及び前記複数の第２異常分割画像のそれぞれから抽出した前記第１パラメータに対応する特徴量と、各画像が異常状態にあることを示す状態情報とをそれぞれ対応付けた複数の学習データとの機械学習を行う、
ことを特徴とする画像検査装置。

【0141】

（付記１０）
付記９において、
前記機械学習実行部は、前記機械学習を行うことによって学習モデルを生成し、
前記分割画像生成部は、新たな画像を受け付けた場合、前記新たな画像を所定のサイズごとに分割することによって複数の分割画像を生成し、
前記特徴量抽出部は、前記複数の分割画像から前記第１パラメータに対応する特徴量をそれぞれ抽出し、さらに、
前記複数の分割画像ごとに、前記第１パラメータに対応する特徴量の入力に伴って前記学習モデルから出力されるスコアを取得するスコア取得部と、
前記複数の分割画像のうち、取得した前記スコアが閾値以下である分割画像が異常状態にあると判定する異常判定部と、を有する、
ことを特徴とする画像検査装置。

【0142】

（付記１１）
複数の学習画像を第１サイズごとに分割することによって複数の第１分割画像を生成し、前記複数の学習画像を前記第１サイズと異なる第２サイズごとに分割することによって複数の第２分割画像を生成し、
前記複数の第１分割画像のうちの正常状態に対応する複数の第１正常分割画像と、前記複数の第２分割画像のうちの正常状態に対応する複数の第２正常分割画像とのそれぞれから、複数種類のパラメータに対応する特徴量をそれぞれ抽出し、
前記複数種類のパラメータから、前記複数の第１正常分割画像と前記複数の第２正常分割画像との間における前記特徴量の類似関係が所定の条件を満たす第１パラメータを特定し、
特定した前記第１パラメータに対応する特徴量を用いることによって、前記複数の第１分割画像及び前記複数の第２分割画像の機械学習を行う、
処理をコンピュータに実行させることを特徴とする画像検査プログラム。

【0143】

（付記１２）
付記１１において、さらに、
前記複数の第１分割画像のうちの異常状態に対応する複数の第１異常分割画像と、前記複数の第２分割画像のうちの異常状態に対応する複数の第２異常分割画像とのそれぞれから、前記第１パラメータに対応する特徴量をそれぞれ抽出する、
処理をコンピュータに実行させ、
前記機械学習を行う処理では、前記複数の第１正常分割画像及び前記複数の第２正常分割画像のそれぞれから抽出した前記第１パラメータに対応する特徴量と、各画像が正常状態にあることを示す状態情報とをそれぞれ対応付けた複数の学習データと、前記複数の第１異常分割画像及び前記複数の第２異常分割画像のそれぞれから抽出した前記第１パラメータに対応する特徴量と、各画像が異常状態にあることを示す状態情報とをそれぞれ対応付けた複数の学習データとの機械学習を行う、
ことを特徴とする画像検査プログラム。

【0144】

（付記１３）
付記１２において、
前記機械学習を行う処理では、前記機械学習を行うことによって学習モデルを生成し、さらに、
新たな画像を受け付けた場合、前記新たな画像を所定のサイズごとに分割することによって複数の分割画像を生成し、
前記複数の分割画像から前記第１パラメータに対応する特徴量をそれぞれ抽出し、
前記複数の分割画像ごとに、前記第１パラメータに対応する特徴量の入力に伴って前記学習モデルから出力されるスコアを取得し、
前記複数の分割画像のうち、取得した前記スコアが閾値以下である分割画像が異常状態にあると判定する、
処理をコンピュータに実行させることを特徴とする画像検査プログラム。

【符号の説明】

【0145】

１：情報処理装置 ５：操作端末
ＮＷ：ネットワーク １０：情報処理システム

【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】