特許 7404817 学習装置、検出装置、学習方法、及び学習プログラム

(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】2023-12-18

(45)【発行日】2023-12-26

(54)【発明の名称】学習装置、検出装置、学習方法、及び学習プログラム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20231219BHJP

   G06T 1/40 20060101ALI20231219BHJP

   G06N 20/00 20190101ALI20231219BHJP

【ＦＩ】

G06T7/00 350C

G06T7/00 610Z

G06T1/40

G06N20/00

【請求項の数】 16

(21)【出願番号】P 2019214618

(22)【出願日】2019-11-27

(65)【公開番号】P2021086382

(43)【公開日】2021-06-03

【審査請求日】2022-09-07

(73)【特許権者】

【識別番号】000002945

【氏名又は名称】オムロン株式会社

(74)【代理人】

【識別番号】110001195

【氏名又は名称】弁理士法人深見特許事務所

(72)【発明者】

【氏名】枦山 博幸

(72)【発明者】

【氏名】池田 泰之

(72)【発明者】

【氏名】松田 健利

(72)【発明者】

【氏名】藤枝 紫朗

(72)【発明者】

【氏名】栗田 真嗣

【審査官】笠田 和宏

(56)【参考文献】

【文献】特開２０１７－２１９５２９（ＪＰ，Ａ）

【文献】特開２０１７－２２４１８４（ＪＰ，Ａ）

【文献】特開２０１８－２０５１６３（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｔ ７／００

Ｇ０６Ｔ １／４０

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

所定の特徴の写る１つ以上の第１学習画像を取得する第１取得部と、
前記１つ以上の第１学習画像を使用して、生成モデルの機械学習を実施する学習部であって、
生成モデルは、画像が与えられると、与えられた画像を特徴量に変換し、前記特徴量から与えられた前記画像を復元した画像を生成するように構成され、
前記機械学習により、前記１つ以上の第１学習画像それぞれが与えられると、与えられた前記１つ以上の第１学習画像それぞれに適合する復元画像を生成するように前記生成モデルを訓練する、
学習部と、
前記所定の特徴の写る複数の追加用画像を取得する第２取得部と、
前記複数の追加用画像それぞれを前記生成モデルに与えることで、前記複数の追加用画像それぞれを復元した複数の復元追加用画像それぞれを生成する生成部と、
前記各追加用画像及び前記各復元追加用画像の間の差分に応じて、前記各追加用画像の評価値であって、前記各復元追加用画像における前記各追加用画像の復元の程度に対する評価値を算出する評価部と、
前記評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像を前記複数の追加用画像から抽出する抽出部と、
機械学習により、抽出された前記１つ以上の追加用画像に含まれる１つ以上の第２学習画像それぞれが与えられると、与えられた前記１つ以上の第２学習画像それぞれに適合する復元画像を生成するように前記生成モデルを更に訓練する追加学習部と、
前記所定の特徴及び前記所定の特徴以外の他の特徴の写る複数の評価画像を取得する第３取得部とを備え、
前記複数の追加用画像には前記他の特徴が写っておらず、
前記生成部は、取得された前記複数の評価画像それぞれを訓練された前記生成モデルに与えることで、前記複数の評価画像それぞれを復元した複数の復元評価画像それぞれを更に生成し、
前記評価部は、更に、
前記各追加用画像と生成された前記各復元追加用画像との差分の程度に基づいて、前記他の特徴が前記各追加用画像に写っているか否かを判定し、及び
前記各評価画像と生成された前記各復元評価画像との差分の程度に基づいて、前記他の特徴が前記各評価画像に写っているか否かを判定し、
前記評価部は、前記複数の追加用画像のうち、前記他の特徴が写っていると判定された追加用画像の数又は割合が第１の閾値以上である、又は、前記複数の評価画像のうち、前記他の特徴が写っていないと判定された評価画像の数又は割合が第２の閾値以上である場合に、前記他の特徴が写っていると判定された１又は複数の追加用画像について、前記評価値を算出し、
前記抽出部は、算出された前記評価値に基づいて、前記他の特徴が写っていると判定された前記１又は複数の追加用画像のうち、復元の程度が低いと評価される画像を前記１つ以上の追加用画像として抽出する、
学習装置。

【請求項2】

前記差分に応じて前記評価値を算出することは、
前記複数の追加用画像それぞれと前記複数の復元追加用画像それぞれとの間の差分を示す複数の差分画像それぞれを生成し、
前記各差分画像において、各画素の画素値が大きいほど前記評価値が高くなり、かつ、基準画素値以上の画素の前記評価値に与える寄与度が前記基準画素値未満の画素の前記評価値に与える寄与度よりも大きくなるように、前記評価値を算出すること、
により構成される、
請求項１に記載の学習装置。

【請求項3】

抽出された前記１つ以上の追加用画像それぞれを表示装置に表示させる表示制御部を更に備える、
請求項１又は２に記載の学習装置。

【請求項4】

前記表示装置に表示された前記１つ以上の追加用画像それぞれについて、当該１つ以上の追加用画像それぞれを機械学習に使用するか否かの選択を受け付ける選択受付部を更に備え、
追加学習部は、前記機械学習に使用すると選択された追加用画像を前記１つ以上の第２学習画像として決定する、
請求項３に記載の学習装置。

【請求項5】

前記他の特徴が前記各追加用画像に写っているか否か、及び前記他の特徴が前記各評価画像に写っているか否かを判定するための複数のパラメータ候補が与えられ、
前記評価部は、
前記複数のパラメータ候補それぞれを利用して、前記他の特徴が前記各追加用画像に写っているか否かの判定、及び前記他の特徴が前記各評価画像に写っているか否かの判定を実行し、
前記各判定の結果に基づいて、前記他の特徴が画像に写っているか否かを判定するためのパラメータの最適化を実行し、及び
最適化されたパラメータを利用した前記各判定の結果において、前記他の特徴が写っていると判定された追加用画像の数又は割合が前記第１の閾値以上である、又は前記他の特徴が写っていないと判定された評価画像の数又は割合が前記第２の閾値以上である場合に、前記他の特徴が写っていると判定された１又は複数の追加用画像について、前記評価値を算出する、
請求項１から４のいずれか１項に記載の学習装置。

【請求項6】

複数の第１評価画像と複数の第２評価画像とを取得する第３取得部を更に備え、
前記複数の第１評価画像には、前記所定の特徴及び前記所定の特徴以外の他の特徴が写り、
前記複数の第２評価画像には、前記所定の特徴が写り、前記他の特徴が写っておらず、
前記評価部は、
前記他の特徴が画像に写っているか否かを判定するための複数のパラメータ候補が与えられ、
前記複数のパラメータ候補それぞれを利用して、前記他の特徴が前記各第１評価画像に写っているか否かの判定、及び前記他の特徴が前記各第２評価画像に写っているか否かの判定を実行し、
前記各判定の結果に基づいて、前記他の特徴が画像に写っているか否かを判定するためのパラメータの最適化を実行し、
前記選択受付部は、前記表示装置に表示された前記１つ以上の追加用画像それぞれについて、前記他の特徴が写っているか否かの選択を更に受け付け、
前記第３取得部は、
前記他の特徴が写っていると選択された各追加用画像を前記複数の第１評価画像の１つとして取得し、
前記他の特徴が写っていないと選択された各追加用画像を前記複数の第２評価画像の１つとして取得する、
請求項４に記載の学習装置。

【請求項7】

前記第２取得部は、検出装置と通信し、
前記検出装置は、
前記所定の特徴を観測することで得られた観測画像を取得し、
前記生成モデルに前記観測画像を入力することで、前記観測画像に対応する復元観測画像を生成し、
生成された前記復元観測画像及び前記観測画像の間の差分に基づいて、前記所定の特徴以外の他の特徴が前記観測画像に写っているか否かを検出し、
前記第２取得部は、前記検出装置によって取得された前記観測画像を前記複数の追加用画像の１つとして取得する、
請求項４又は６に記載の学習装置。

【請求項8】

前記複数の追加用画像のうち、前記抽出部によって抽出された前記１つ以上の追加用画像を記憶部に保存する保存処理部を更に備える、
請求項１から７のいずれか１項に記載の学習装置。

【請求項9】

前記各第１学習画像及び前記各追加用画像はそれぞれ、複数のパッチ画像に分割され、
前記生成モデルは、前記パッチ画像毎に与えられ、
前記学習部は、前記パッチ画像毎に、機械学習により、前記１つ以上の第１学習画像それぞれが与えられると、与えられた前記１つ以上の第１学習画像それぞれに適合する復元画像を生成するように前記生成モデルを訓練し、
前記生成部は、前記パッチ画像毎に、前記各追加用画像に対応する前記各復元追加用画像を生成し、
前記評価部は、前記パッチ画像毎に、前記各追加用画像の前記評価値を算出し、
前記抽出部は、前記パッチ画像毎に、算出された前記評価値に基づいて、前記１つ以上の追加用画像を前記複数の追加用画像から抽出し、
前記追加学習部は、前記パッチ画像毎に、機械学習により、前記１つ以上の第２学習画像それぞれが与えられると、与えられた前記１つ以上の第２学習画像それぞれに適合する復元画像を生成するように前記生成モデルを更に訓練する、
請求項１から５のいずれか１項に記載の学習装置。

【請求項10】

前記生成モデルは、ニューラルネットワークにより構成される、
請求項１から９のいずれか１項に記載の学習装置。

【請求項11】

前記機械学習は、主成分分析を含み、
前記生成モデルは、前記主成分分析により導出された固有ベクトルにより構成される、請求項１から９のいずれか１項に記載の学習装置。

【請求項12】

前記所定の特徴は、製造ラインで搬送される製品であって、欠陥を含まない製品である、
請求項１から１１のいずれか１項に記載の学習装置。

【請求項13】

前記所定の特徴を観測することで得られた観測画像を取得する取得部と、
請求項１から１２のいずれか１項に記載の学習装置により訓練された前記生成モデルに前記観測画像を入力することで、前記観測画像に対応する復元観測画像を生成する生成部と、
生成された前記復元観測画像及び前記観測画像の間の差分に基づいて、前記所定の特徴以外の他の特徴が前記観測画像に写っているか否かを検出する検出部と、
を備える、
検出装置。

【請求項14】

所定の特徴の写る１つ以上の第１学習画像を使用した機械学習により訓練された生成モデルを取得するモデル取得部であって、
生成モデルは、画像が与えられると、与えられた画像を特徴量に変換し、前記特徴量から与えられた前記画像を復元した画像を生成するように構成され、
前記機械学習により、前記生成モデルは、前記１つ以上の第１学習画像それぞれが与えられると、与えられた前記１つ以上の第１学習画像それぞれに適合する復元画像を生成するように訓練されている、
モデル取得部と、
前記所定の特徴の写る複数の追加用画像を取得する第１画像取得部と、
前記複数の追加用画像それぞれを前記生成モデルに与えることで、前記複数の追加用画像それぞれを復元した複数の復元追加用画像それぞれを生成する生成部と、
前記各追加用画像及び前記各復元追加用画像の間の差分に応じて、前記各追加用画像の評価値であって、前記各復元追加用画像における前記各追加用画像の復元の程度に対する評価値を算出する評価部と、
前記評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像を前記複数の追加用画像から抽出する抽出部と、
機械学習により、抽出された前記１つ以上の追加用画像に含まれる１つ以上の第２学習画像それぞれが与えられると、与えられた前記１つ以上の第２学習画像それぞれに適合する復元画像を生成するように前記生成モデルを更に訓練する追加学習部と、
前記所定の特徴及び前記所定の特徴以外の他の特徴の写る複数の評価画像を取得する第２画像取得部とを備え、
前記複数の追加用画像には前記他の特徴が写っておらず、
前記生成部は、取得された前記複数の評価画像それぞれを訓練された前記生成モデルに与えることで、前記複数の評価画像それぞれを復元した複数の復元評価画像それぞれを更に生成し、
前記評価部は、更に、
前記各追加用画像と生成された前記各復元追加用画像との差分の程度に基づいて、前記他の特徴が前記各追加用画像に写っているか否かを判定し、及び
前記各評価画像と生成された前記各復元評価画像との差分の程度に基づいて、前記他の特徴が前記各評価画像に写っているか否かを判定し、
前記評価部は、前記複数の追加用画像のうち、前記他の特徴が写っていると判定された追加用画像の数又は割合が第１の閾値以上である、又は、前記複数の評価画像のうち、前記他の特徴が写っていないと判定された評価画像の数又は割合が第２の閾値以上である場合に、前記他の特徴が写っていると判定された１又は複数の追加用画像について、前記評価値を算出し、
前記抽出部は、算出された前記評価値に基づいて、前記他の特徴が写っていると判定された前記１又は複数の追加用画像のうち、復元の程度が低いと評価される画像を前記１つ以上の追加用画像として抽出する、
学習装置。

【請求項15】

コンピュータが、
所定の特徴の写る１つ以上の第１学習画像を取得するステップと、
前記１つ以上の第１学習画像を使用して、生成モデルの機械学習を実施するステップであって、
生成モデルは、画像が与えられると、与えられた画像を特徴量に変換し、前記特徴量から与えられた前記画像を復元した画像を生成するように構成され、
前記機械学習により、前記１つ以上の第１学習画像それぞれが与えられると、与えられた前記１つ以上の第１学習画像それぞれに適合する復元画像を生成するように前記生成モデルを訓練する、
ステップと、
前記所定の特徴の写る複数の追加用画像を取得するステップと、
前記複数の追加用画像それぞれを前記生成モデルに与えることで、前記複数の追加用画像それぞれを復元した複数の復元追加用画像それぞれを生成するステップと、
前記各追加用画像及び前記各復元追加用画像の間の差分に応じて、前記各追加用画像の評価値であって、前記各復元追加用画像における前記各追加用画像の復元の程度に対する評価値を算出するステップと、
前記評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像を前記複数の追加用画像から抽出するステップと、
機械学習により、抽出された前記１つ以上の追加用画像に含まれる１つ以上の第２学習画像それぞれが与えられると、与えられた前記１つ以上の第２学習画像それぞれに適合する復元画像を生成するように前記生成モデルを更に訓練するステップと、
前記所定の特徴及び前記所定の特徴以外の他の特徴の写る複数の評価画像を取得するステップと、
を実行し、
前記複数の追加用画像には前記他の特徴が写っておらず、
前記生成するステップは、取得された前記複数の評価画像それぞれを訓練された前記生成モデルに与えることで、前記複数の評価画像それぞれを復元した複数の復元評価画像それぞれを更に生成するステップを含み、
前記算出するステップは、
前記各追加用画像と生成された前記各復元追加用画像との差分の程度に基づいて、前記他の特徴が前記各追加用画像に写っているか否かを判定するステップと、
前記各評価画像と生成された前記各復元評価画像との差分の程度に基づいて、前記他の特徴が前記各評価画像に写っているか否かを判定するステップと、
前記複数の追加用画像のうち、前記他の特徴が写っていると判定された追加用画像の数又は割合が第１の閾値以上である、又は、前記複数の評価画像のうち、前記他の特徴が写っていないと判定された評価画像の数又は割合が第２の閾値以上である場合に、前記他の特徴が写っていると判定された１又は複数の追加用画像について、前記評価値を算出するステップとを含み、
前記抽出するステップは、算出された前記評価値に基づいて、前記他の特徴が写っていると判定された前記１又は複数の追加用画像のうち、復元の程度が低いと評価される画像を前記１つ以上の追加用画像として抽出するステップを含む、
学習方法。

【請求項16】

コンピュータに、
所定の特徴の写る１つ以上の第１学習画像を取得するステップと、
前記１つ以上の第１学習画像を使用して、生成モデルの機械学習を実施するステップであって、
生成モデルは、画像が与えられると、与えられた画像を特徴量に変換し、前記特徴量から与えられた前記画像を復元した画像を生成するように構成され、
前記機械学習により、前記１つ以上の第１学習画像それぞれが与えられると、与えられた前記１つ以上の第１学習画像それぞれに適合する復元画像を生成するように前記生成モデルを訓練する、
ステップと、
前記所定の特徴の写る複数の追加用画像を取得するステップと、
前記複数の追加用画像それぞれを前記生成モデルに与えることで、前記複数の追加用画像それぞれを復元した複数の復元追加用画像それぞれを生成するステップと、
前記各追加用画像及び前記各復元追加用画像の間の差分に応じて、前記各追加用画像の評価値であって、前記各復元追加用画像における前記各追加用画像の復元の程度に対する評価値を算出するステップと、
前記評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像を前記複数の追加用画像から抽出するステップと、
機械学習により、抽出された前記１つ以上の追加用画像に含まれる１つ以上の第２学習画像それぞれが与えられると、与えられた前記１つ以上の第２学習画像それぞれに適合する復元画像を生成するように前記生成モデルを更に訓練するステップと、
前記所定の特徴及び前記所定の特徴以外の他の特徴の写る複数の評価画像を取得するステップと、
を実行させるための学習プログラムであって、
前記複数の追加用画像には前記他の特徴が写っておらず、
前記生成するステップは、取得された前記複数の評価画像それぞれを訓練された前記生成モデルに与えることで、前記複数の評価画像それぞれを復元した複数の復元評価画像それぞれを更に生成するステップを含み、
前記算出するステップは、
前記各追加用画像と生成された前記各復元追加用画像との差分の程度に基づいて、前記他の特徴が前記各追加用画像に写っているか否かを判定するステップと、
前記各評価画像と生成された前記各復元評価画像との差分の程度に基づいて、前記他の特徴が前記各評価画像に写っているか否かを判定するステップと、
前記複数の追加用画像のうち、前記他の特徴が写っていると判定された追加用画像の数又は割合が第１の閾値以上である、又は、前記複数の評価画像のうち、前記他の特徴が写っていないと判定された評価画像の数又は割合が第２の閾値以上である場合に、前記他の特徴が写っていると判定された１又は複数の追加用画像について、前記評価値を算出するステップとを含み、
前記抽出するステップは、算出された前記評価値に基づいて、前記他の特徴が写っていると判定された前記１又は複数の追加用画像のうち、復元の程度が低いと評価される画像を前記１つ以上の追加用画像として抽出するステップを含む、
学習プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、学習装置、検出装置、学習方法、及び学習プログラムに関する。

【背景技術】

【0002】

近年、製造ライン等の製品を製造する場面では、製造される製品を撮影装置により撮影し、得られた観測画像に基づいて製品の良否を自動的に検査する技術の開発が進んでいる。良品および不良品の両方のサンプルが複数存在する場合、良品の写る画像（以下、良品画像と記載する。）および不良品の写る画像（以下、不良品画像と記載する。）を用いた機械学習を行なうことにより得られた識別器によって、製品の良否を判定できる。しかしながら、通常、良品に比べ不良品を多く集めることが困難である。そのため、複数の良品画像を用いた機械学習により得られた生成モデルによって良否を判定する技術が開発されている（非特許文献１～３）。

【先行技術文献】

【非特許文献】

【0003】

【文献】Bergmann、他４名、“Improving Unsupervised Defect Segmentation by Applying Structural Similarity To Autoencoders”、arXiv:1807.02011v3、2019年2月1日

【文献】Schlegl、他４名、“Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery”、arXiv:1703.05921v1、2017年3月17日

【文献】豊田健太、堀田一弘、「部分空間法とロバスト統計を用いた不良箇所の自動特定」、SSII2016、IS3-22、2016年6月10日

【発明の概要】

【発明が解決しようとする課題】

【0004】

非特許文献１～３の検出方法では、与えられた画像を特徴量に変換し、変換により得られた特徴量から与えられた画像を復元した画像を生成する生成モデルが利用される。この生成モデルには、ニューラルネットワーク、主成分分析により導出される固有ベクトル等の機械学習モデルを用いることができる。生成モデルは、機械学習により、学習画像が与えられると、与えられた学習画像に適合する復元画像を生成するように訓練される。この訓練の結果として、生成モデルは、学習画像に写る特徴については再現性が高く、学習画像に写る可能性の低い（例えば、可能性のない）他の特徴については再現性の低い復元画像を生成する能力を獲得する。

【0005】

そのため、欠陥のない製品の写る良品画像を学習画像として使用して、上記のとおりに生成モデルを訓練することで、生成モデルは、欠陥の有無を問わず、製品の写る画像が与えられると、与えられた画像に写る製品の欠陥のない状態を再現した（又は、欠陥については再現性の低い）復元画像を生成する能力を獲得することができる。この能力を獲得した結果、観測画像に写る製品に欠陥が含まれている場合に、訓練された生成モデルにより生成された復元画像と観測画像との間において、その欠陥の存在する領域に差異が生じる。よって、訓練された生成モデルにより生成された復元画像と観測画像との間の差分に基づいて、欠陥の有無を検出することができる。

【0006】

本件発明者らは、このような従来の検出方法では、次のような問題点があることを見出した。すなわち、生成モデルの機械学習に使用する学習画像の数が少ないと、生成モデルの獲得する、与えられた画像に写る製品を再現した（又は、欠陥については再現性の低い）復元画像を生成する能力が不十分になってしまう可能性がある。当該能力の不十分な生成モデルに欠陥のない製品の写る観測画像が与えられると、当該生成モデルにより生成された復元画像において、当該観測画像に写る製品の状態が正しく再現されない領域が生じ得る。そのため、観測画像と復元画像との間において、この製品の状態が正しく再現されていない領域に差異が生じてしまい、観測画像に写る製品に欠陥が存在しないにも関わらず、当該製品に欠陥が存在すると誤検出してしまう可能性がある。また、欠陥のある製品の写る観測画像が与えられた場合でも、観測画像と復元画像との間において、その欠陥の写る領域（真の不良箇所）以外の領域に差異が生じてしまい、不良箇所を誤検出してしまう可能性がある。

【0007】

一方で、生成モデルの機械学習に使用する学習画像の数が過剰であると、当該機械学習の処理時間及び機械学習に使用されるマシン資源（例えば、ＣＰＵ、メモリ）が膨大になってしまう。そのため、機械学習の処理コストが増大してしまうという問題点が生じる。加えて、生成モデルの獲得する、与えられた画像に写る製品の状態を再現する能力が過剰になってしまう、すなわち、生成モデルにより生成される復元画像において、欠陥（不良箇所）の再現性が高くなってしまう。例えば、ランダムなパターンの写る大量の学習画像を生成モデルの機械学習に使用した場面を想定する。この場合、生成モデルは、ランダムなパターンの復元を学習することで、どのようなパターンが与えられても、そのパターンを忠実に再現する能力を獲得してしまう。このように与えられた画像に写る製品の状態を再現する能力が過剰になってしまうと、観測画像に写る製品に欠陥が存在する場合に、生成モデルにより生成される復元画像にその欠陥の不良箇所が高精度に再現されてしまう。その結果、観測画像と復元画像との間に差異が生じなくなってしまい（すなわち、不良箇所が打ち消しあってしまい）、当該不良箇所を検出するのが困難になってしまうという問題点が生じる。

【0008】

したがって、観測画像と復元画像との差分に基づいて不良箇所を検出する精度を高めるためには、与えられた画像に写る製品を再現した（又は、欠陥については再現性の低い）復元画像を生成する能力を生成モデルが獲得するように、学習に用いる画像を適切に選択することが望まれる。しかしながら、従来の方法では、この学習に用いる画像は、人手による試行錯誤の結果に基づいて決定されている。そのため、欠陥の検出に利用する生成モデルの機械学習に使用する学習画像の選択にコストがかかるという問題点がある。なお、この問題点は、製品の欠陥を検出する場面にだけではなく、対象の画像から何らかの特徴を検出するあらゆる場面で生じ得る。例えば、所定の対象物が観測画像に写っているか否かを検出する場面において、上記生成モデルを利用する場合に、人手による試行錯誤では、所定の対象物を適切に検出可能なように、生成モデルの機械学習に使用する画像の選択にコストがかかるという問題点が生じ得る。

【0009】

本開示は、このような実情を鑑みてなされたものであり、その目的は、学習に用いる画像を適切に選択することで生成モデルの性能を高める技術を提供することである。

【課題を解決するための手段】

【0010】

本開示の一例によれば、学習装置は、第１取得部と、学習部と、第２取得部と、生成部と、評価部と、抽出部と、追加学習部とを備える。第１取得部は、所定の特徴の写る１つ以上の第１学習画像を取得する。学習部は、１つ以上の第１学習画像を使用して、生成モデルの機械学習を実施する。生成モデルは、画像が与えられると、与えられた画像を特徴量に変換し、特徴量から与えられた画像を復元した画像を生成するように構成される。学習部は、機械学習により、１つ以上の第１学習画像それぞれが与えられると、与えられた１つ以上の第１学習画像それぞれに適合する復元画像を生成するように生成モデルを訓練する。第２取得部は、所定の特徴の写る複数の追加用画像を取得する。生成部は、複数の追加用画像それぞれを生成モデルに与えることで、複数の画像それぞれを復元した複数の復元画像それぞれを生成する。評価部は、各追加用画像及び生成された各復元追加用画像の間の差分に応じて、各追加用画像の評価値であって、各復元追加用画像における各追加用画像の復元の程度に対する評価値を算出する。抽出部は、算出された評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像を複数の追加用画像から抽出する。追加学習部は、機械学習により、抽出された１つ以上の追加用画像に含まれる１つ以上の第２学習画像それぞれが与えられると、与えられた１つ以上の第２学習画像それぞれに適合する復元画像を生成するように生成モデルを更に訓練する。

【0011】

まず、学習装置は、所定の特徴の写る１つ以上の第１学習画像を使用して、生成モデルの機械学習を実施する。第１学習画像の件数は、例えば、１件～数件等のように、機械学習の処理コストが膨大にならない（すなわち、過剰ではない）程度に適宜選択されてよい。これにより、生成モデルは、第１学習画像を特徴量に変換し、変換により得られた特徴量から第１学習画像に適合する復元画像を生成するように訓練される。つまり、所定の特徴の写る入力画像が与えられたときに、学習画像に写る可能性の低い又は写っていない所定の特徴以外の他の特徴が入力画像に写っているか否かに関わらず、与えられた入力画像に対して所定の特徴の写る復元画像を生成する能力を獲得した学習済みの学習モデルが暫定的に構築される。

【0012】

次に、学習装置は、それぞれ所定の特徴の写る複数の追加用画像を取得する。取得された各追加用画像は、生成モデルの更なる機械学習（追加学習）に使用される学習画像の候補である。学習済みの生成モデルの有する、所定の特徴の写る画像を再現する能力が十分であれば、追加用画像が与えられたときに、学習済みの生成モデルは、与えられた追加用画像に適合する復元画像を生成するはずである。一方で、所定の特徴の写る画像を再現する能力が不十分であれば、学習済みの生成モデルは、与えられた追加用画像に不適合な（すなわち、不一致な）復元画像を生成するはずである。

【0013】

そこで、学習装置は、取得された各追加用画像を生成モデルに与えることで、各追加用画像を復元した各復元追加用画像を生成する。そして、学習装置は、各追加用画像と各復元追加用画像との間の差分に応じて、各復元追加用画像における各追加用画像の復元の程度に対する評価値を各追加用画像について算出する。

【0014】

追加用画像と復元追加用画像との差分が大きいほど、復元追加用画像における追加用画像の復元の程度が低い、すなわち、このような追加用画像に対する生成モデルの機械学習が不十分であることを示す。そのため、復元追加用画像との差分が大きい、換言すると、復元の程度の低い追加用画像は、所定の特徴の写る画像を再現する生成モデルの能力の適切な向上に貢献する可能性が高い。

【0015】

一方で、追加用画像と復元追加用画像との差分が小さいほど、復元追加用画像における追加用画像の復元の程度が高い、すなわち、当該追加用画像に対する生成モデルの機械学習は十分であることを示す。そのため、復元追加用画像との差分が小さい、換言すると、復元の程度の高い追加用画像は、生成モデルの能力の適切な向上に貢献する可能性が低い。つまり、このような復元の程度の高い追加用画像では、所定の特徴の写る画像を復元する能力の向上に寄与する程度が低い。そのため、復元の程度の高い追加用画像に含まれる１つ以上の第２学習画像を機械学習に使用する学習画像に追加することで、生成モデルの能力の向上を図ると、第２学習画像の過剰な追加により、機械学習に使用する学習画像の件数の膨大化を招き、当該機械学習の処理コストを増大させてしまう可能性がある。更には、所定の特徴以外の部分についてのパターンを復元させる能力を向上させてしまうことで、あらゆるパターンを忠実に再現する能力を生成モデルに獲得させてしまう可能性がある。この場合には、学習済みの生成モデルにより、所定の特徴以外の他の特徴を検出することができなくなってしまう。

【0016】

これらの点を考慮して、学習装置は、算出された評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像を複数の追加用画像から抽出する。復元の程度が低いと評価する方法は、実施の形態に応じて適宜選択されてよい。例えば、学習装置は、最も評価の低い追加用画像を抽出してもよい。また、例えば、学習装置は、評価の低い方から順に所定数の追加用画像を抽出してもよい。抽出する追加用画像の数は、適宜決定されてよい。また、例えば、当該構成に係る学習装置は、閾値より評価の低い追加用画像を抽出してもよい。判定の基準となる閾値は適宜決定されてよい。そして、学習装置は、機械学習により、抽出された１つ以上の追加用画像に含まれる１つ以上の第２学習画像それぞれが与えられると、与えられた１つ以上の第２学習画像それぞれに適合する復元画像を生成するように生成モデルを更に訓練する。学習済みの生成モデルは、学習画像に写る可能性の低い又は写っていない他の特徴が入力画像に写っているか否かに関わらず、与えられた入力画像に対して所定の特徴の写る復元画像を生成する能力を習得する。そのため、学習済みの生成モデルは、当該他の特徴の検出に利用することができる。

【0017】

したがって、上記の開示によれば、暫定的に構築された学習済みの生成モデルが各候補に対して能力を発揮した結果に基づいて、機械学習に使用する学習画像の候補から、能力の適切な向上に貢献する可能性の高い１つ以上の候補を自動的に抽出することができる。よって、機械学習に使用する画像（学習画像）を適切に選択できる。加えて、適切に選択された学習画像を用いて構築された学習済みの生成モデルによれば、所定の特徴以外の他の特徴が入力画像（観測画像）に写っているか否かを精度よく検出することができる。すなわち、生成モデルの性能を高めることができる。

【0018】

なお、生成モデルは、入力画像を特徴量に変換し、変換により得られた特徴量から入力画像を復元した画像を生成する演算処理に使用される演算パラメータを備えるモジュールにより構成される。生成モデルは、画像を変換可能であれば、その種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、生成モデルは、ニューラルネットワークにより構成されてよい。この場合、ニューラルネットワークを構成する各ニューロン（ノード）に関するパラメータ（例えば、各ニューロン間の結合の重み、各ニューロンの閾値等）が演算パラメータの一例である。また、例えば、生成モデルは、主成分分析により導出された固有ベクトル（正規直交ベクトル）行列により構成されてよい。この場合、固有ベクトル行列の各成分（項）が演算パラメータの一例である。以下、「固有ベクトル行列」を単に「固有ベクトル」とも記載する。なお、「特徴量」は、「特徴ベクトル」と称してもよい。特徴量は、基本的には、入力画像よりも低次元である。この特徴量のデータ形式及び特徴量により示される情報はそれぞれ、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。

【0019】

所定の特徴は、画像に写り得るものであれば、その種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。所定の特徴は、それ自身が抽出の対象となり得るもの、抽出の対象とならない背景、及びこれらの組み合わせであってよい。同様に、他の特徴も、画像に写り得るものであれば、その種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。所定の特徴は、他の特徴を含む状態及び他の特徴を含まない状態の２つの状態を取り得るものであってもよい。所定の特徴と他の特徴とがこのような関係にある場合、各状態の取り得る確率が偏っているのが望ましい。各状態の取り得る確率が偏っているとは、いずれかの状態の取り得る確率が、他の状態の取り得る確率に比べて、生成モデルの再現性に影響を与える程度に高いことである。加えて、所定の特徴の発生確率の高い状態に含まれておらず、発生確率の低い状態に含まれている特徴が当該他の特徴に選択されるのが望ましい。更には、機械学習に使用される各学習画像に写る所定の特徴には、当該他の特徴が含まれていないのが望ましい。これにより、他の特徴を含まない所定の特徴が写る学習画像を生成モデルの機械学習に使用することで、生成モデルは、入力画像に写る所定の特徴に他の特徴が含まれるか否かに関わらず、当該他の特徴を含まない所定の特徴の写る復元画像を生成するように訓練される。そのため、生成モデルにより生成される復元画像と入力画像との差分に基づいて、入力画像に写る所定の特徴に他の特徴が含まれるか否かを検出することができる。一例として、所定の特徴は、製品であってよく、他の特徴は、当該製品の欠陥であってよい。すなわち、各学習画像には、欠陥を含む状態及び欠陥の含まない状態の２つの状態を取り得る製品が写っていてよい。画像の種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。画像は、例えば、白黒画像等の二値画像、ＲＧＢ画像、深度画像、赤外線画像等であってよい。

【0020】

製品の外観検査を実施する場合、所定の特徴は、例えば、電子機器、電子部品、自動車部品、薬品、食品等の製造ラインで搬送される製品であってよい。電子部品は、例えば、基盤、チップコンデンサ、液晶、リレーの巻線等であってよい。自動車部品は、例えば、コンロッド、シャフト、エンジンブロック、パワーウィンドウスイッチ、パネル等であってよい。薬品は、例えば、包装済みの錠剤、未包装の錠剤等であってよい。製品は、製造過程完了後に生成される最終品であってもよいし、製造過程の途中で生成される中間品であってもよいし、製造過程を経過する前に用意される初期品であってもよい。これに応じて、所定の特徴以外の他の特徴は、例えば、傷、汚れ、クラック、打痕、バリ、色ムラ、異物混入等の欠陥であってよい。その他、所定の特徴は、例えば、人物、車両（例えば、自動車）等の移動し得る物体であってよい。所定の特徴以外の他の特徴は、例えば、当該移動により変化し得る物体の三次元形状、オプティカルフロー（移動方向）等であってよい。なお、「所定の特徴」を「所定の被写体」又は「背景特徴」と読み替え、「他の特徴」を「所定の特徴」又は「前景特徴」と読み替えてもよい。また、「学習装置」は、「訓練装置」又は「モデル生成装置」と読み替えられてもよい。

【0021】

上述の開示において、差分に応じて評価値を算出することは、複数の追加用画像それぞれと複数の復元追加用画像それぞれとの間の差分を示す複数の差分画像それぞれを生成し、各差分画像において、各画素の画素値が大きいほど評価値が高くなり、かつ、基準画素値以上の画素の前記評価値に与える寄与度が基準画素値未満の画素の評価値に与える寄与度よりも大きくなるように、評価値を算出すること、により構成されてよい。各追加用画像と各復元追加用画像との間で差分の大きい画素ほど、各差分画像における当該画素の画素値は大きい。そのため、当該構成によれば、追加用画像の復元の程度に応じた評価値を適切に算出することができる。具体的には、得られる評価値が大きいほど、対応する追加用画像の復元の程度が低いことを示す。そのため、抽出部の処理では、所定の基準に従って、評価値の高いと判定される追加用画像が抽出される。

【0022】

上述の開示において、学習装置は、抽出された１つ以上の追加用画像それぞれを表示装置に表示させる表示制御部を更に備えてもよい。例えば、所定の特徴以外に、生成モデルに再現させることを所望しない他の特徴の写る画像が追加用画像として取得される場合がある。上記の評価では、当該所定の特徴以外に当該他の特徴が追加用画像に写る場合にも、追加用画像の復元の程度が低くなり得る。当該構成によれば、機械学習（追加学習）に使用する学習画像として学習装置により自動的に抽出された追加用画像が表示装置に表示される。この表示に基づいて、オペレータは、生成モデルに再現させることを所望しない他の特徴が当該追加用画像に写っているか否かを目視により確認することができる。

【0023】

上述の開示において、学習装置は、表示装置に表示された１つ以上の追加用画像それぞれについて、当該１つ以上の追加用画像それぞれを機械学習に使用するか否かの選択を受け付ける選択受付部を更に備えてもよい。そして、追加学習部は、機械学習に使用すると選択された追加用画像を１つ以上の第２学習画像として決定してもよい。当該構成によれば、オペレータによる目視の結果を反映することで、上記のような他の特徴の写る追加用画像を生成モデルの機械学習の対象から除外することができる。これにより、他の特徴については再現性が低く、所定の特徴については再現性の高い復元画像を入力画像に対して生成する能力を獲得した学習済みの生成モデルを適切に構築することができる。よって、構築された学習済みの生成モデルによれば、所定の特徴以外の他の特徴が入力画像（観測画像）に写っているか否かを精度よく検出することができる。

【0024】

上述の開示において、学習装置は、所定の特徴及び所定の特徴以外の他の特徴の写る複数の評価画像を取得する第３取得部を更に備えてもよい。複数の追加用画像には他の特徴が写っていない。生成部は、取得された複数の評価画像それぞれを訓練された生成モデルに与えることで、複数の評価画像それぞれを復元した複数の復元評価画像それぞれを更に生成してもよい。評価部は、更に、各追加用画像と生成された各復元追加用画像との差分の程度に基づいて、他の特徴が各追加用画像に写っているか否かを判定してもよく、及び各評価画像と生成された各復元評価画像との差分の程度に基づいて、他の特徴が各評価画像に写っているか否かを判定してもよい。評価部は、他の特徴が写っていると判定された追加用画像の数又は割合が第１の閾値以上である、又は他の特徴が写っていないと判定された評価画像の数又は割合が第２の閾値以上である場合に、他の特徴が写っていると判定された１又は複数の追加用画像について、評価値を算出してもよい。抽出部は、算出された評価値に基づいて、他の特徴が写っていると判定された１又は複数の追加用画像のうち、復元の程度が低いと評価される画像を１つ以上の追加用画像を抽出してもよい。

【0025】

当該構成において、他の特徴は、学習済みの生成モデルにより生成される復元画像を利用した検出処理の対象となるものであり、基本的には、訓練に使用される学習画像には写っていない特徴である。各追加用画像に写る所定の特徴には、他の特徴は含まれていない。上記外観検査の例では、所定の特徴は、製品であり、他の特徴は、製品に生じ得る欠陥である。よって、当該構成において、他の特徴が写っていると判定された追加用画像の数又は割合は、他の特徴が写っていないにも関わらず、他の特徴が写っていると誤判定された画像の数又は割合に相当する。また、他の特徴が写っていないと判定された評価画像の数又は割合は、他の特徴が写っているにも関わらず、他の特徴が写っていないと誤判定された画像の数又は割合に相当する。

【0026】

したがって、学習装置は、他の特徴が写っていると判定された追加用画像の数又は割合、及び他の特徴が写っていないと判定された評価画像の数又は割合に基づいて、学習済みの生成モデルにより生成される復元画像を利用した検出処理の性能を評価する。そして、検出処理の性能が低い場合に、当該構成に係る学習装置は、判定を誤った追加用画像のうちから、復元の程度が低いと評価される画像を１つ以上の追加用画像を抽出し、抽出された１つ以上の追加用画像に含まれる１つ以上の第２学習画像を使用して、生成モデルの機械学習（追加学習）を実施する。これにより、当該構成によれば、生成モデルを利用した検出処理の性能を評価すると共に、所定の特徴の写る画像を復元する生成モデルの能力の向上を図ることで、他の特徴の検出処理に適した学習済みの生成モデルを構築することができる。なお、第１の閾値及び第２の閾値は、同じ値であってもよいし、互いに異なる値であってもよい。また、第１の閾値及び第２の閾値は、オペレータの入力により指定されてもよいし、プログラムにより指定された固定の値であってもよい。

【0027】

上述の開示において、学習装置には、他の特徴が各追加用画像に写っているか否か、及び他の特徴が各評価画像に写っているか否かを判定するための複数のパラメータ候補が与えられてよい。評価部は、複数のパラメータ候補それぞれを利用して、他の特徴が各追加用画像に写っているか否かの判定、及び他の特徴が各評価画像に写っているか否かの判定を実行してもよく、各判定の結果に基づいて、他の特徴が画像に写っているか否かを判定するためのパラメータの最適化を実行する。例えば、評価部は、複数のパラメータ候補のうち、他の特徴が写っていると判定される追加用画像及び他の特徴が写っていないと判定される評価画像の数の最も少ない１つのパラメータ候補を特定する。評価部は、最適化されたパラメータを利用した各判定の結果において、他の特徴が写っていると判定された追加用画像の数又は割合が第１の閾値以上である、又は他の特徴が写っていないと判定された評価画像の数又は割合が第２の閾値以上である場合に、他の特徴が写っていると判定された１又は複数の追加用画像について、評価値を算出してもよい。

【0028】

入力画像と復元画像との間に生じた差分に基づいて他の特徴が入力画像に写っているか否かを検出する場合、どのような差分が生じていれば、入力画像に他の特徴が写っていることと認定するかを規定する基準が設けられることになる。この基準が、上記検出のためのパラメータ（以下、検出パラメータとも記載する）である。他の特徴を検出するのに最適な検出パラメータは、生成モデルの復元能力に応じて変動し得る。検出パラメータの値を人手により調整すると、生成モデルの機械学習を実施する度に、検出パラメータを調整するための人的コストが生じてしまう。更には、検出パラメータの値の人手による調整は、人的要因によるミスが生じる原因と成り得る。これに対して、当該構成によれば、生成モデルの復元能力に応じて検出パラメータを自動的に最適化して、生成モデルを利用した検出処理の性能を評価することができる。そのため、人的要因による問題点の発生を招くことなく、他の特徴の検出処理に更に適した学習済みの生成モデルを構築することができる。

【0029】

上述の開示において、学習装置は、複数の第１評価画像と複数の第２評価画像とを取得する第３取得部を更に備える。複数の第１評価画像には、所定の特徴及び所定の特徴以外の他の特徴が写る。複数の第２評価画像には、所定の特徴が写り、他の特徴が写っていない。評価部には、他の特徴が画像に写っているか否かを判定するための複数のパラメータ候補が与えられる。評価部は、複数のパラメータ候補それぞれを利用して、他の特徴が各第１評価画像に写っているか否かの判定、及び他の特徴が各第２評価画像に写っているか否かの判定を実行する。評価部は、各判定の結果に基づいて、他の特徴が画像に写っているか否かを判定するためのパラメータの最適化を実行する。選択受付部は、表示装置に表示された１つ以上の追加用画像それぞれについて、他の特徴が写っているか否かの選択を更に受け付ける。第３取得部は、他の特徴が写っていると選択された各追加用画像を複数の第１評価画像の１つとして取得し、他の特徴が写っていないと選択された各追加用画像を複数の第２評価画像の１つとして取得する。

【0030】

上記構成によれば、オペレータは、第１評価画像および第２評価画像を準備する手間を省略できる。

【0031】

上述の開示において、第２取得部は、検出装置と通信する。検出装置は、所定の特徴を観測することで得られた観測画像を取得し、生成モデルに観測画像を入力することで、観測画像に対応する復元観測画像を生成する。検出装置は、生成された復元観測画像及び観測画像の間の差分に基づいて、所定の特徴以外の他の特徴が観測画像に写っているか否かを検出する。第２取得部は、検出装置によって取得された観測画像を複数の追加用画像の１つとして取得する。

【0032】

上記構成によれば、観測画像が追加用画像として取得される。そのため、オペレータは、追加用画像を準備する手間を省略できる。

【0033】

上述の開示において、学習装置は、複数の追加用画像のうち、抽出部によって抽出された１つ以上の追加用画像を記憶部に保存する保存処理部を更に備える。

【0034】

一般に、検出装置によって取得される観測画像の数は、短時間で膨大となる。しかしながら、上記構成によれば、観測画像が追加用画像として取得されるものの、評価値に基づいて抽出された１つ以上の追加用画像のみが記憶部に保存される。そのため、記憶部における空き領域が不足する事態を避けることができる。

【0035】

上述の開示において、第１学習画像及び追加用画像はそれぞれ、複数のパッチ画像に分割されてよい。生成モデルは、パッチ画像毎に与えられてよい。学習部は、パッチ画像毎に、機械学習により、１つ以上の第１学習画像それぞれが与えられると、与えられた１つ以上の第１学習画像それぞれに適合する復元画像を生成するように生成モデルを訓練してもよい。生成部は、パッチ画像毎に、各追加用画像に対応する各復元追加用画像を生成してもよい。評価部は、パッチ画像毎に、各追加用画像の評価値を算出してもよい。抽出部は、パッチ画像毎に、算出された評価値に基づいて、１つ以上の追加用画像を複数の追加用画像から抽出してもよい。追加学習部は、パッチ画像毎に、機械学習により、１つ以上の第２学習画像それぞれが与えられると、与えられた１つ以上の第２学習画像それぞれに適合する復元画像を生成するように生成モデルを更に訓練してもよい。

【0036】

複数のパッチ画像に各学習画像が分割され、パッチ画像毎に生成モデルを用意する場合、所定の特徴以外の他の特徴の検出に利用する生成モデルの機械学習に使用する学習画像の選択にかかるコストは更に増大する。当該構成によれば、生成モデルの機械学習に適切な学習画像の選択を少なくとも部分的に自動化することができるため、機械学習に使用する学習画像の選択にかかるコストを大幅に低減することができる。また、当該構成によれば、生成モデルの能力をパッチ画像毎に最適化することができるため、所定の特徴以外の他の特徴を検出する精度を高めることができる。

【0037】

上述の開示において、生成モデルは、ニューラルネットワークにより構成されてよい。当該構成によれば、学習済みの生成モデルを容易に構築することができる。あるいは、上述の開示において、機械学習は、主成分分析を含んでもよく、生成モデルは、主成分分析により導出された固有ベクトルにより構成されてよい。

【0038】

上述の開示において、所定の特徴は、製造ラインで搬送される製品であって、欠陥を含まない製品であってよい。当該構成によれば、製品の外観検査に利用可能な生成モデルの機械学習に使用する画像を適切に選択でき、生成モデルの性能を高めることができる。

【0039】

上述の開示において、学習部が、第１学習画像を使用した機械学習により、暫定的な学習済みの生成モデルを構築している。しかしながら、本発明の学習装置の形態は、このような例に限定されなくてもよい。上記一側面に係る学習装置において、この学習部の処理は、省略されてよい。この場合、学習装置は、他のコンピュータにより構築された暫定的な学習済みの生成モデルを取得してもよい。

【0040】

例えば、本開示の一例によれば、学習装置は、モデル取得部と、生成部と、評価部と、抽出部と、追加学習部とを備える。モデル取得部は、所定の特徴の写る１つ以上の第１学習画像を使用した機械学習により訓練された生成モデルを取得する。生成モデルは、画像が与えられると、与えられた画像を特徴量に変換し、特徴量から与えられた画像を復元した画像を生成するように構成される。機械学習により、生成モデルは、１つ以上の第１学習画像それぞれが与えられると、与えられた１つ以上の第１学習画像それぞれに適合する復元画像を生成するように訓練されている。画像取得部は、所定の特徴の写る複数の追加用画像を取得する。生成部は、複数の追加用画像それぞれを生成モデルに与えることで、複数の追加用画像それぞれを復元した複数の復元追加用画像それぞれを生成する。評価部は、各追加用画像及び生成された各復元追加用画像の間の差分に応じて、各追加用画像の評価値であって、各復元追加用画像における各追加用画像の復元の程度に対する評価値を算出する。抽出部は、評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像を複数の追加用画像から抽出する。追加学習部は、機械学習により、抽出された１つ以上の追加用画像に含まれる１つ以上の第２学習画像それぞれが与えられると、与えられた１つ以上の第２学習画像それぞれに適合する復元画像を生成するように生成モデルを更に訓練する。

【0041】

本開示の形態は、学習装置に限られなくてもよい。本開示の一例によれば、検出装置は、所定の特徴を観測することで得られた観測画像を取得する取得部と、上記いずれかの形態に係る学習装置により訓練された生成モデルに観測画像を入力することで、観測画像に対応する復元観測画像を生成する生成部と、生成された復元観測画像及び観測画像の間の差分に基づいて、所定の特徴以外の他の特徴が観測画像に写っているか否かを検出する検出部と、を備える。当該構成によれば、所定の特徴以外の他の特徴が観測画像に写っているか否かを精度よく検出することができる。

【0042】

上記各形態に係る学習装置及び検出装置それぞれの別の態様として、本開示の一側面は、以上の各構成を実現する情報処理方法であってもよいし、プログラムであってもよいし、このようなプログラムを記憶した、コンピュータ等が読み取り可能な記憶媒体であってもよい。ここで、コンピュータ等が読み取り可能な記憶媒体とは、プログラム等の情報を、電気的、磁気的、光学的、機械的、又は、化学的作用によって蓄積する媒体である。また、本開示の一側面に係る検出システムは、上記いずれかの形態に係る学習装置及び検出装置により構成されてよい。

【0043】

例えば、本開示の一側面に係る学習方法は、コンピュータが、所定の特徴の写る１つ以上の第１学習画像を取得するステップと、１つ以上の第１学習画像を使用して、生成モデルの機械学習を実施するステップであって、生成モデルは、画像が与えられると、与えられた画像を特徴量に変換し、特徴量から与えられた画像を復元した画像を生成するように構成され、機械学習により、１つ以上の第１学習画像それぞれが与えられると、与えられた１つ以上の第１学習画像それぞれに適合する復元画像を生成するように生成モデルを訓練する、ステップと、所定の特徴の写る複数の追加用画像を取得するステップと、複数の追加用画像それぞれを生成モデルに与えることで、複数の追加用画像それぞれを復元した複数の復元追加用画像それぞれを生成するステップと、各追加用画像及び生成された各復元追加用画像の間の差分に応じて、各追加用画像の評価値であって、各復元追加用画像における各追加用画像の復元の程度に対する評価値を算出するステップと、評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像を複数の追加用画像から抽出するステップと、機械学習により、抽出された１つ以上の追加用画像に含まれる１つ以上の第２学習画像それぞれが与えられると、与えられた１つ以上の第２学習画像それぞれに適合する復元画像を生成するように生成モデルを更に訓練するステップと、を実行する、情報処理方法である。

【0044】

また、例えば、本開示の一側面に係る学習プログラムは、コンピュータに、所定の特徴の写る１つ以上の第１学習画像を取得するステップと、１つ以上の第１学習画像を使用して、生成モデルの機械学習を実施するステップであって、生成モデルは、画像が与えられると、与えられた画像を特徴量に変換し、特徴量から与えられた画像を復元した画像を生成するように構成され、機械学習により、１つ以上の第１学習画像それぞれが与えられると、与えられた１つ以上の第１学習画像それぞれに適合する復元画像を生成するように生成モデルを訓練する、ステップと、所定の特徴の写る複数の追加用画像を取得するステップと、複数の追加用画像それぞれを生成モデルに与えることで、複数の追加用画像それぞれを復元した複数の復元追加用画像それぞれを生成するステップと、各追加用画像及び生成された各復元追加用画像の間の差分に応じて、各追加用画像の評価値であって、各復元追加用画像における各追加用画像の復元の程度に対する評価値を算出するステップと、評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像を複数の追加用画像から抽出するステップと、機械学習により、抽出された１つ以上の追加用画像に含まれる１つ以上の第２学習画像それぞれが与えられると、与えられた１つ以上の第２学習画像それぞれに適合する復元画像を生成するように生成モデルを更に訓練するステップと、を実行させるための、プログラムである。

【発明の効果】

【0045】

本開示によれば、学習に用いる画像を適切に選択することで生成モデルの性能を高めることができる。

【図面の簡単な説明】

【0046】

【図1】実施形態に係る検出システムの適用画面の一例を模式的に例示する図である。

【図2】本実施形態に係る学習装置１のハードウェア構成の一例を模式的に例示する図である。

【図3】本実施形態に係る検出装置２のハードウェア構成の一例を模式的に例示する図である。

【図4】本実施形態に係る学習装置１のソフトウェア構成の一例を模式的に例示する図である。

【図5】本実施形態に係る学習装置１のソフトウェア構成の一例を模式的に例示する図である。

【図6】本実施形態に係る検出装置２のソフトウェア構成の一例を模式的に例示する図である。

【図7】本実施形態に係る学習装置１の処理手順の一例を示すフローチャートである。

【図8】本実施形態に係る学習装置１の処理手順の一例を示すフローチャートである。

【図9】ニューラルネットワークにより構成される生成モデル５の一例を模式的に例示する図である。

【図10】欠陥Ｌを検出する処理過程の一例を模式的に例示する図である。

【図11】ステップＳ１０７及びＳ１０８の仮想的な判定結果の一例を示す図である。

【図12】評価値１２５を算出する処理過程の一例を模式的に例示する図である。

【図13】本実施形態に係る表示画面の一例を模式的に例示する図である。

【図14】本実施形態に係る表示画面の一例を模式的に例示する図である。

【図15】本実施形態に係る検出装置２の処理手順の一例を示すフローチャートである。

【図16】当該実験例により機械学習の処理を繰り返す過程で構築された学習済みの生成モデルの性能を評価した結果を示す。

【図17】変形例５に係る学習装置１Ｂのソフトウェア構成の一例を模式的に例示する図である。

【図18】変形例８に係る学習装置のソフトウェア構成の一例を模式的に例示する図である。

【図19】変形例９に係る学習装置における追加用画像の抽出処理の手順の一例を示すフローチャートである。

【図20】変形例９に係る学習装置における追加用画像の抽出処理の手順の一例を示すフローチャートである。

【図21】変形例９に係る学習装置における追加学習処理の手順の一例を示すフローチャートである。

【図22】変形例９に係る学習装置における追加学習処理の手順の一例を示すフローチャートである。

【図23】ステップＳ５０２において表示される表示画面の一例を示す図である。

【発明を実施するための形態】

【0047】

以下、本発明の一側面に係る実施の形態（以下、「本実施形態」とも表記する）を、図面に基づいて説明する。ただし、以下で説明する本実施形態は、あらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。つまり、本発明の実施にあたって、実施形態に応じた具体的構成が適宜採用されてもよい。なお、本実施形態において登場するデータを自然言語により説明しているが、より具体的には、コンピュータが認識可能な疑似言語、コマンド、パラメータ、マシン語等で指定される。

【0048】

§１ 適用例
まず、図１を用いて、本発明が適用される場面の一例について説明する。図１は、実施形態に係る検出システムの適用画面の一例を模式的に例示する図である。図１の例では、所定の特徴の写る画像に所定の特徴以外の他の特徴が写っているか否かを検出する場面の一例として、製品Ｒの写る画像を利用して、製品Ｒに欠陥が存在するか否かを検出する場面を想定する。良品である製品Ｒが所定の特徴の一例であり、欠陥が他の特徴の一例である。ただし、所定の特徴及び他の特徴の種類は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。本開示は、画像に写る何らかの特徴を検出するあらゆる場面に適用可能である。

【0049】

図１に示されるとおり、本実施形態に係る検出システム１００は、学習装置１及び検出装置２を備えている。学習装置１は、機械学習により、学習済みの生成モデル５を構築するように構成されたコンピュータである。検出装置２は、学習済みの生成モデル５を利用して、所定の特徴以外の他の特徴（本実施形態では、欠陥）を検出するように構成されたコンピュータである。本実施形態では、学習装置１及び検出装置２は、ネットワークを介して互いに接続されている。ネットワークの種類は、例えば、インターネット、無線通信網、移動通信網、電話網、専用網等から適宜選択されてよい。

【0050】

ただし、学習装置１及び検出装置２の間でデータをやりとりする方法は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、学習装置１及び検出装置２の間では、記憶媒体を利用して、データがやりとりされてよい。また、本実施形態では、学習装置１及び検出装置２は互いに別個のコンピュータである。しかしながら、検出システム１００の構成は、このような例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。例えば、学習装置１及び検出装置２は一体のコンピュータであってもよい。また、例えば、学習装置１及び検出装置２の少なくとも一方は、複数台のコンピュータにより構成されてよい。

【0051】

本実施形態に係る学習装置１は、所定の特徴の一例として良品である製品Ｒの写る１つ以上の第１学習画像１２１を取得する。製品Ｒは、例えば、電子機器、電子部品、自動車部品、薬品、食品等の製造ラインで搬送される製品であってよい。電子部品は、例えば、基盤、チップコンデンサ、液晶、リレーの巻線等であってよい。自動車部品は、例えば、コンロッド、シャフト、エンジンブロック、パワーウィンドウスイッチ、パネル等であってよい。薬品は、例えば、包装済みの錠剤、未包装の錠剤等であってよい。製品Ｒは、製造過程完了後に生成される最終品であってもよいし、製造過程の途中で生成される中間品であってもよいし、製造過程を経過する前に用意される初期品であってもよい。

【0052】

学習装置１は、取得された１つ以上の第１学習画像１２１を使用して、生成モデル５の機械学習を実施する。生成モデル５は、入力画像が与えられると、与えられた入力画像を特徴量に変換し、変換により得られた特徴量から与えられた入力画像を復元した画像を生成するように構成されている。学習装置１は、機械学習により、１つ以上の第１学習画像１２１それぞれが与えられると、与えられた１つ以上の第１学習画像１２１それぞれに適合する復元画像を生成するように生成モデル５を訓練する。これにより、生成モデル５は、第１学習画像１２１に表れる範囲において、良品である製品Ｒの写る画像を復元する能力を獲得する。

【0053】

ただし、製品Ｒは、常に同じ様子で画像に写るとは限らない。例えば、製品Ｒには、個体差が生じ得る。また、例えば、撮影のタイミング等の撮影条件が変動し得る（一例として、製品Ｒの位置がずれたり、傾いたりすることがある）。これらの要因により、得られる画像内に表れる製品Ｒの様子は異なり得る。第１学習画像１２１を使用した機械学習が完了した段階では、学習済みの生成モデル５が、第１学習画像１２１に表れる範囲以外の範囲について、良品である製品Ｒの写る画像を復元する能力を獲得しているか否かは不明である。

【0054】

そこで、学習装置１は、それぞれ製品Ｒの写る複数の追加用画像１２３を取得する。学習装置１は、取得された複数の追加用画像１２３それぞれを訓練された生成モデル５に与えることで、複数の追加用画像１２３それぞれを復元した複数の復元追加用画像１２４それぞれを生成する。そして、学習装置１は、各追加用画像１２３及び生成された各復元追加用画像１２４の間の差分に応じて、各追加用画像１２３の評価値１２５であって、各復元追加用画像１２４における各追加用画像１２３の復元の程度に対する評価値１２５を算出する。

【0055】

追加用画像１２３と復元追加用画像１２４との間の差分が大きいほど、復元追加用画像１２４における追加用画像１２３の復元の程度が低い、すなわち、この追加用画像１２３に表れる製品Ｒの様子を再現する生成モデル５の能力が不十分であることを示す。そのため、復元追加用画像１２４との差分が大きい、換言すると、復元の程度の低い追加用画像１２３は、製品Ｒの写る画像を再現する生成モデル５の能力の適切な向上に貢献する可能性が高い。

【0056】

反対に、復元の程度が高い追加用画像１２３は、生成モデル５の能力の適切な向上に貢献する可能性が低い。加えて、復元の程度が高い追加用画像１２３を機械学習に使用する学習画像に追加することで、生成モデル５の能力の向上を図ると、追加用画像１２３の過剰な追加により、機械学習に使用する学習画像の件数の膨大化を招き、当該機械学習の処理コストを増大させてしまう可能性がある。更には、製品Ｒ以外のパターンを復元する能力を向上させてしまうことで、あらゆるパターンを忠実に再現する能力を生成モデル５に獲得させてしまう可能性がある。

【0057】

これらの点を考慮して、学習装置１は、算出された評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像１２６を複数の追加用画像１２３から抽出する。復元の程度が低いと評価するための所定の基準は、特に限定されなくてもよく、実施の形態に応じて適宜設定されてよい。例えば、学習装置１は、最も評価の低い追加用画像１２３を追加用画像１２６として抽出してもよい。また、例えば、学習装置１は、評価の低い方から順に所定数の追加用画像１２３を追加用画像１２６として抽出してもよい。抽出する追加用画像１２６の数は、オペレータの入力、設定値等により適宜決定されてよい。また、例えば、学習装置１は、閾値よりも評価の低い追加用画像１２３を追加用画像１２６として抽出してもよい。判定の基準となる閾値は、オペレータの入力、設定値等により適宜決定されてよい。そして、学習装置１は、抽出された１つ以上の追加用画像１２６に含まれる１つ以上の画像を第２学習画像１２６Ａとして選択する。学習装置１は、１つ以上の追加用画像１２６の全てを第２学習画像１２６Ａとして決定してもよい。あるいは、学習装置１は、１つ以上の追加用画像１２６のうちの一部を第２学習画像１２６Ａとして決定してもよい。学習装置１は、機械学習により、１つ以上の第２学習画像１２６Ａそれぞれが与えられると、与えられた１つ以上の第２学習画像１２６Ａそれぞれに適合する復元画像を生成するように生成モデル５を更に訓練する。

【0058】

本実施形態に係る検出装置２は、製品Ｒを観測することで得られた観測画像２２１を取得する。本実施形態では、検出装置２は、製品Ｒを観測するように配置されたカメラＣＡに接続されている。検出装置２は、カメラＣＡから観測画像２２１を取得する。なお、各画像（１２１、１２３、２２１）の種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。各画像（１２１、１２３、２２１）は、例えば、白黒画像等の二値画像、ＲＧＢ画像、深度画像、赤外線画像等であってよい。これに応じて、カメラＣＡは、例えば、一般的なデジタルカメラ、深度カメラ、赤外線カメラ等であってよい。

【0059】

次に、検出装置２は、学習装置１により訓練された生成モデル５に観測画像２２１を入力することで、観測画像２２１に対応する復元観測画像２２３を生成する。そして、検出装置２は、生成された復元観測画像２２３及び観測画像２２１の間の差分に基づいて、所定の特徴以外の他の特徴の一例として欠陥が観測画像２２１に写っているか否か、換言すると、製品Ｒに欠陥が含まれるか否かを検出する。欠陥は、例えば、傷、汚れ、クラック、打痕、バリ、色ムラ、異物混入等であってよい。これにより、検出装置２は、学習済みの生成モデル５を利用して、製品Ｒの外観検査を実施する（すなわち、製品Ｒの良否を判定する）。

【0060】

以上のとおり、本実施形態では、第１学習画像１２１を使用した機械学習により、学習済みの生成モデル５が暫定的に構築される。上記学習装置１の一連の処理では、この暫定的に構築された学習済みの生成モデル５が各追加用画像１２３に対して復元能力を発揮した結果に基づいて、複数の追加用画像１２３から、当該復元能力の適切な向上に貢献する可能性の高い１つ以上の追加用画像１２６を自動的に抽出することができる。したがって、機械学習に使用する画像（学習画像）を適切に選択できる。加えて、適切に選択された学習画像を用いて構築された学習済みの生成モデル５によれば、観測画像２２１に欠陥が写っているか否か、すなわち、製品Ｒに欠陥が存在するか否かを精度よく検出することができる。

【0061】

§２ 具体例
［ハードウェア構成］
＜学習装置＞
次に、図２を用いて、本実施形態に係る学習装置１のハードウェア構成の一例について説明する。図２は、本実施形態に係る学習装置１のハードウェア構成の一例を模式的に例示する図である。

【0062】

図２に示されるとおり、本実施形態に係る学習装置１は、制御部１１、記憶部１２、通信インタフェース１３、入力装置１４、表示装置１５、及びドライブ１６が電気的に接続されたコンピュータである。なお、図２では、通信インタフェースを「通信Ｉ／Ｆ」と記載している。

【0063】

制御部１１は、ハードウェアプロセッサであるＣＰＵ（Central Processing Unit）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）等を含み、プログラム及び各種データに基づいて情報処理を実行するように構成される。記憶部１２は、メモリの一例であり、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。本実施形態では、記憶部１２は、学習プログラム１２０、１つ以上の第１学習画像１２１、複数の追加用画像１２３、複数の評価画像１２７、学習結果データ１２９等の各種情報を記憶する。

【0064】

学習プログラム１２０は、学習済みの生成モデル５を構築するための後述の機械学習の処理（図７及び図８）を学習装置１に実行させるためのプログラムである。学習プログラム１２０は、当該情報処理の一連の命令を含む。１つ以上の第１学習画像１２１は、生成モデル５の機械学習に使用される。各追加用画像１２３は、第１学習画像１２１以外で生成モデル５の機械学習に使用される学習画像の候補である。各評価画像１２７には、製品Ｒ及び欠陥が写る。各評価画像１２７は、生成モデル５により生成される復元画像を利用した欠陥の検出処理の性能を評価するのに使用される。学習結果データ１２９は、機械学習により構築された学習済みの生成モデル５に関する情報を示す。学習結果データ１２９は、学習プログラム１２０の実行結果として得られる。詳細は後述する。

【0065】

通信インタフェース１３は、例えば、有線ＬＡＮ（Local Area Network）モジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。学習装置１は、この通信インタフェース１３を利用することで、ネットワークを介したデータ通信を他の情報処理装置（例えば、検出装置２）と行うことができる。学習装置１は、通信インタフェース１３を介して、複数の追加用画像１２３を取得してもよい。

【0066】

入力装置１４は、例えば、マウス、キーボード等の入力を行うための装置である。また、表示装置１５は、出力装置の一例であり、例えば、ディスプレイである。オペレータは、入力装置１４及び表示装置１５を介して、学習装置１を操作することができる。なお、表示装置１５は、タッチパネルディスプレイであってもよい。この場合、入力装置１４は省略されてもよい。

【0067】

ドライブ１６は、例えば、ＣＤドライブ、ＤＶＤドライブ等であり、記憶媒体９１に記憶されたプログラムを読み込むためのドライブ装置である。ドライブ１６の種類は、記憶媒体９１の種類に応じて適宜選択されてよい。上記学習プログラム１２０、１つ以上の第１学習画像１２１、複数の追加用画像１２３、及び複数の評価画像１２７の少なくともいずれかは、この記憶媒体９１に記憶されていてもよい。

【0068】

記憶媒体９１は、コンピュータその他装置、機械等が記録されたプログラム等の情報を読み取り可能なように、当該プログラム等の情報を、電気的、磁気的、光学的、機械的又は化学的作用によって蓄積する媒体である。学習装置１は、この記憶媒体９１から、上記学習プログラム１２０、１つ以上の第１学習画像１２１、複数の追加用画像１２３、及び複数の評価画像１２７の少なくともいずれかを取得してもよい。

【0069】

ここで、図２では、記憶媒体９１の一例として、ＣＤ、ＤＶＤ等のディスク型の記憶媒体を例示している。しかしながら、記憶媒体９１の種類は、ディスク型に限定される訳ではなく、ディスク型以外であってもよい。ディスク型以外の記憶媒体として、例えば、フラッシュメモリ等の半導体メモリを挙げることができる。

【0070】

なお、学習装置１の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部１１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ（field-programmable gate array）、ＤＳＰ（digital signal processor）等で構成されてよい。記憶部１２は、制御部１１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース１３、入力装置１４、表示装置１５及びドライブ１６の少なくともいずれかは省略されてもよい。学習装置１は、例えば、スピーカ等の表示装置１５以外の出力装置を備えてもよい。学習装置１は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、学習装置１は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、汎用のＰＣ（Personal Computer）等であってもよい。

【0071】

＜検出装置＞
次に、図３を用いて、本実施形態に係る検出装置２のハードウェア構成の一例について説明する。図３は、本実施形態に係る検出装置２のハードウェア構成の一例を模式的に例示する図である。

【0072】

図３に示されるとおり、本実施形態に係る検出装置２は、制御部２１、記憶部２２、通信インタフェース２３、入力装置２４、表示装置２５、ドライブ２６、及び外部インタフェース２７が電気的に接続されたコンピュータである。なお、図３では、外部インタフェースを「外部Ｉ／Ｆ」と記載している。検出装置２の制御部２１～ドライブ２６はそれぞれ、上記学習装置１の制御部１１～ドライブ１６それぞれと同様に構成されてよい。

【0073】

すなわち、制御部２１は、ハードウェアプロセッサであるＣＰＵ、ＲＡＭ、ＲＯＭ等を含み、プログラム及びデータに基づいて各種情報処理を実行するように構成される。記憶部２２は、例えば、ハードディスクドライブ、ソリッドステートドライブ等で構成される。記憶部２２は、検出プログラム２２０、学習結果データ１２９等の各種情報を記憶する。

【0074】

検出プログラム２２０は、学習装置１により訓練された学習済みの生成モデル５を利用して、観測画像２２１に写る製品Ｒの良否を判定する後述の情報処理（図１５）を検出装置２に実行させるためのプログラムである。検出プログラム２２０は、当該情報処理の一連の命令を含む。詳細は後述する。

【0075】

通信インタフェース２３は、例えば、有線ＬＡＮモジュール、無線ＬＡＮモジュール等であり、ネットワークを介した有線又は無線通信を行うためのインタフェースである。検出装置２は、この通信インタフェース２３を利用することで、ネットワークを介したデータ通信を他の情報処理装置（例えば、学習装置１）と行うことができる。

【0076】

入力装置２４は、例えば、マウス、キーボード等の入力を行うための装置である。表示装置２５は、出力装置の一例であり、例えば、ディスプレイである。オペレータは、入力装置２４及び表示装置２５を介して、検出装置２を操作することができる。入力装置２４及び表示装置２５はタッチパネルディスプレイに置き換えられてもよい。

【0077】

ドライブ２６は、例えば、ＣＤドライブ、ＤＶＤドライブ等であり、記憶媒体９２に記憶されたプログラムを読み込むためのドライブ装置である。上記検出プログラム２２０及び学習結果データ１２９のうちの少なくともいずれかは、記憶媒体９２に記憶されていてもよい。また、検出装置２は、記憶媒体９２から、上記検出プログラム２２０及び学習結果データ１２９のうちの少なくともいずれかを取得してもよい。記憶媒体９２の種類は、ディスク型であってもよいし、ディスク型以外であってもよい。

【0078】

外部インタフェース２７は、例えば、ＵＳＢ（Universal Serial Bus）ポート、専用ポート等であり、外部装置と接続するためのインタフェースである。外部インタフェース２７の種類及び数は、接続される外部装置の種類及び数に応じて適宜選択されてよい。本実施形態では、検出装置２は、外部インタフェース２７を介して、カメラＣＡに接続される。

【0079】

カメラＣＡは、外観検査の対象となる製品Ｒを写した観測画像２２１を取得するのに利用される。カメラＣＡの種類及び配置場所は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。カメラＣＡには、例えば、一般的なデジタルカメラ、深度カメラ、赤外線カメラ等が用いられてよい。また、カメラＣＡは、製造ラインにより搬送される製品Ｒを観測可能なように適宜配置されてよい。カメラＣＡは、例えば、製品Ｒを搬送する製造ラインの近傍に配置されてよい。なお、カメラＣＡが通信インタフェースを備える場合、検出装置２は、外部インタフェース２７ではなく、通信インタフェース２３を介して、カメラＣＡに接続されてもよい。

【0080】

なお、検出装置２の具体的なハードウェア構成に関して、実施形態に応じて、適宜、構成要素の省略、置換及び追加が可能である。例えば、制御部２１は、複数のハードウェアプロセッサを含んでもよい。ハードウェアプロセッサは、マイクロプロセッサ、ＦＰＧＡ、ＤＳＰ等で構成されてよい。記憶部２２は、制御部２１に含まれるＲＡＭ及びＲＯＭにより構成されてもよい。通信インタフェース２３、入力装置２４、表示装置２５、ドライブ２６及び外部インタフェース２７の少なくともいずれかは省略されてもよい。検出装置２は、例えば、スピーカ等の表示装置２５以外の出力装置を備えてもよい。検出装置２は、複数台のコンピュータで構成されてもよい。この場合、各コンピュータのハードウェア構成は、一致していてもよいし、一致していなくてもよい。また、検出装置２は、提供されるサービス専用に設計された情報処理装置の他、汎用のサーバ装置、汎用のＰＣ等であってもよい。

【0081】

［ソフトウェア構成］
＜学習装置＞
次に、図４及び図５を用いて、本実施形態に係る学習装置１のソフトウェア構成の一例について説明する。図４及び図５は、本実施形態に係る学習装置１のソフトウェア構成の一例を模式的に例示する図である。

【0082】

学習装置１の制御部１１は、記憶部１２に記憶された学習プログラム１２０をＲＡＭに展開する。そして、制御部１１は、ＲＡＭに展開された学習プログラム１２０に含まれる命令をＣＰＵにより解釈及び実行して、各構成要素を制御する。これによって、図４及び図５に示されるとおり、本実施形態に係る学習装置１は、第１取得部１１０、学習部１１１、第２取得部１１２、生成部１１３、評価部１１４、抽出部１１５、追加学習部１１６、第３取得部１１７、表示制御部１１８、選択受付部１１９及び保存処理部１１１０をソフトウェアモジュールとして備えるコンピュータとして動作する。すなわち、本実施形態では、学習装置１の各ソフトウェアモジュールは、制御部１１（ＣＰＵ）により実現される。

【0083】

図４に示されるとおり、第１取得部１１０は、製品Ｒの写る１つ以上の第１学習画像１２１を取得する。学習部１１１は、取得された１つ以上の第１学習画像１２１を使用して、生成モデル５の機械学習を実施する。生成モデル５は、入力画像が与えられると、与えられた入力画像を特徴量に変換し、変換により得られた特徴量から与えられた入力画像を復元した画像を生成するように構成される。学習部１１１は、機械学習により、１つ以上の第１学習画像１２１それぞれが与えられると、与えられた１つ以上の第１学習画像１２１それぞれに適合する復元画像を生成するように生成モデル５を訓練する。

【0084】

詳細には、生成モデル５は、入力画像を特徴量に変換し、変換により得られた特徴量から入力画像を復元した画像を生成する演算処理に使用される演算パラメータＭを備えるモジュール（学習モデル）により構成される。この生成モデル５の構成は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、生成モデル５には、ニューラルネットワーク（例えば、オートエンコーダ等）、主成分分析により導出される固有ベクトル等の公知の学習モデルを用いることができる。機械学習では、第１学習画像１２１が与えられると、与えられた第１学習画像１２１に適合する復元画像を生成するように、この演算パラメータＭの値が調整される。本実施形態では、生成モデル５は、オートエンコーダ等のニューラルネットワークにより構成される。

【0085】

第２取得部１１２は、製品Ｒの写る複数の追加用画像１２３を取得する。本実施の形態では、各追加用画像１２３には、欠陥の含まれていない製品Ｒ（すなわち、良品）が写っている。すなわち、各追加用画像１２３には欠陥が写っていない。生成部１１３は、取得された複数の追加用画像１２３それぞれを訓練された生成モデル５に与えることで、複数の追加用画像１２３それぞれを復元した複数の復元追加用画像１２４それぞれを生成する。評価部１１４は、各追加用画像１２３及び生成された各復元追加用画像１２４の間の差分に応じて、各追加用画像１２３の評価値１２５であって、各復元追加用画像１２４における各追加用画像１２３の復元の程度に対する評価値１２５を算出する。

【0086】

本実施形態では、評価部１１４は、各追加用画像１２３と各復元追加用画像１２４との差分を算出する。これにより、評価部１１４は、複数の追加用画像１２３それぞれと複数の復元追加用画像１２４それぞれとの間の差分を示す複数の差分画像１８２それぞれを生成する。追加用画像１２３と復元追加用画像１２４との間で差異が生じている画素ほど、差分画像１８２においてその画素値が大きい。つまり、差分画像１８２内で画素値の大きい画素が多いほど、復元追加用画像１２４における追加用画像１２３の復元の程度が低いことを示す。反対に、差分画像１８２内で画素値の大きい画素が少ないほど、復元追加用画像１２４における追加用画像１２３の復元の程度が高いことを示す。この観点に基づいて、評価部１１４は、生成された各差分画像１８２を利用して、各追加用画像１２３の復元の程度に対する各評価値１２５を算出する。

【0087】

抽出部１１５は、算出された各評価値１２５に基づいて、復元の程度が低いと評価される１つ以上の追加用画像１２６を複数の追加用画像１２３から抽出する。復元の程度が低いと評価するための基準は、特に限定されなくてもよく、実施の形態に応じて適宜設定されてよい。

【0088】

本実施形態に係る学習装置１は、抽出された１つ以上の追加用画像１２６が追加学習に用いる画像として適切か否かをチェックするための処理を実行するように構成される。具体的には、表示制御部１１８は、抽出された１つ以上の追加用画像１２６それぞれを表示装置１５に表示させる。選択受付部１１９は、表示装置１５に表示された１つ以上の追加用画像１２６それぞれについて、当該１つ以上の追加用画像１２６それぞれを機械学習に使用するか否かの選択を受け付ける。

【0089】

追加学習部１１６は、選択受付部１１９が受け付けた選択結果に応じて、抽出された１つ以上の追加用画像１２６に含まれる１つ以上の画像を第２学習画像１２６Ａとして決定する。すなわち、追加学習部１１６は、機械学習に使用すると選択された追加用画像１２６を上記訓練の対象となる第２学習画像１２６Ａとして決定する。追加学習部１１６は、機械学習に使用しないと選択された追加用画像１２６を上記訓練の対象から除外する。

【0090】

追加学習部１１６は、機械学習により、決定された１つ以上の第２学習画像１２６Ａそれぞれが与えられると、与えられた１つ以上の第２学習画像１２６Ａそれぞれに適合する復元画像を生成するように生成モデル５を更に訓練する。

【0091】

更に、本実施形態では、図５に示されるとおり、学習装置１は、追加用画像１２６の抽出を実行する前に、構築された生成モデル５により生成される復元画像を利用した欠陥の検出処理の性能を評価するように構成される。具体的に、第３取得部１１７は、製品Ｒ及び欠陥Ｌがそれぞれ写る複数の評価画像１２７を取得する。すなわち、各評価画像１２７には、欠陥Ｌを含む製品Ｒ（すなわち、不良品）が写っている。生成部１１３は、取得された複数の評価画像１２７それぞれを訓練された生成モデル５に与えることで、複数の評価画像１２７それぞれを復元した複数の復元評価画像１２８それぞれを更に生成する。

【0092】

評価部１１４は、更に、各追加用画像１２３と各復元追加用画像１２４との差分の程度に基づいて、各追加用画像１２３に欠陥Ｌが写っているか否か（すなわち、各追加用画像１２３に写る製品Ｒに欠陥Ｌが存在するか否か）を判定する。また、評価部１１４は、各評価画像１２７と各復元評価画像１２８との差分の程度に基づいて、各評価画像１２７に欠陥Ｌが写っているか否か（すなわち、各評価画像１２７に写る製品Ｒに欠陥Ｌが存在するか否か）を判定する。

【0093】

本実施形態では、評価部１１４は、各差分画像１８２を利用して、各追加用画像１２３に欠陥Ｌが写っているか否かを判定する。同様に、評価部１１４は、各評価画像１２７と各復元評価画像１２８との差分を算出することで、複数の評価画像１２７それぞれと複数の復元評価画像１２８それぞれとの間の差分を示す複数の差分画像１８３それぞれを生成する。評価部１１４は、各差分画像１８３を利用して、各評価画像１２７に欠陥Ｌが写っているか否かを判定する。

【0094】

各画像（１２３、１２７）に欠陥Ｌが写っているか否かを判定するための検出パラメータは適宜与えられてよい。例えば、検出パラメータの値は、オペレータの入力により指定されてもよいし、プログラム内の設定値として与えられてよい。本実施形態では、複数の検出パラメータ候補６０が与えられる。検出パラメータ候補６０は、本発明の「パラメータ候補」の一例である。各検出パラメータ候補６０は、検出パラメータの候補の値を示す。各検出パラメータ候補６０の値は適宜与えられてよい。

【0095】

評価部１１４は、各検出パラメータ候補６０を利用して、各追加用画像１２３に欠陥Ｌが写っているか否かの判定、及び各評価画像１２７に欠陥Ｌが写っているか否かの判定を実行する。評価部１１４は、各判定の結果に基づいて、複数の検出パラメータ候補６０のうち、欠陥Ｌが写っていると判定される追加用画像１２３及び欠陥Ｌが写っていないと判定される評価画像１２７の数が最も少ない１つの検出パラメータ候補６１を特定する。これにより、評価部１１４は、欠陥Ｌの検出に利用する検出パラメータを自動的に最適化する。

【0096】

そして、評価部１１４は、特定された１つの検出パラメータ候補６１を利用した判定において、欠陥Ｌが写っていると判定された追加用画像１２３の数（以下、誤判定の追加用画像１２３の数とも記載する）が第１の閾値以上であるか否かを判定する。また、評価部１１４は、特定された１つの検出パラメータ候補６１を利用した判定において、欠陥Ｌが写っていないと判定された評価画像１２７の数（以下、誤判定の評価画像１２７の数とも記載する）が第２の閾値以上であるか否かを判定する。第１の閾値及び第２の閾値はそれぞれ、適宜決定されてよい。

【0097】

あるいは、評価部１１４は、特定された１つの検出パラメータ候補６１を利用した判定において、複数の追加用画像１２３のうち欠陥Ｌが写っていると判定された追加用画像１２３の割合（以下、誤判定の追加用画像１２３の割合とも記載する）が第１の閾値以上であるか否かを判定してもよい。また、評価部１１４は、特定された１つの検出パラメータ候補６１を利用した判定において、複数の評価画像１２７のうち欠陥Ｌが写っていないと判定された評価画像１２７の割合（以下、誤判定の評価画像１２７の割合とも記載する）が第２の閾値以上であるか否かを判定してもよい。

【0098】

学習装置１は、誤判定の追加用画像１２３の数又は割合が第１の閾値以上である、又は誤判定の評価画像１２７の数又は割合が第２の閾値以上である場合に、追加用画像１２６による追加学習に関する上記一連の処理を実行する。すなわち、評価部１１４は、特定された１つの検出パラメータ候補６１を利用した各判定の結果において、誤判定の追加用画像１２３の数又は割合が第１の閾値以上である、又は誤判定の評価画像１２７の数又は割合が第２の閾値以上である場合に、誤判定された１又は複数の追加用画像１２３について、評価値１２５を算出する。

【0099】

抽出部１１５は、算出された評価値１２５に基づいて、欠陥Ｌが写っていると判定された１又は複数の追加用画像１２３のうち、復元の程度が低いと評価される１つ以上の追加用画像１２６を抽出する。追加学習部１１６は、選択受付部１１９の受け付けた選択結果に応じて、抽出された１つ以上の追加用画像１２６に含まれる１つ以上の画像を第２学習画像１２６Ａとして決定する。追加学習部１１６は、機械学習により、決定された１つ以上の第２学習画像１２６Ａそれぞれが与えられると、与えられた１つ以上の第２学習画像１２６Ａそれぞれに適合する復元画像を生成するように生成モデル５を更に訓練する。

【0100】

更に、本実施形態では、図４及び図５に示されるとおり、各画像（１２１、１２３）は、複数のパッチ画像（Ｐ１、Ｐ２）に分割される。生成モデル５は、パッチ画像（Ｐ１、Ｐ２）毎に与えられる。学習部１１１は、パッチ画像Ｐ１毎に、機械学習により、１つ以上の第１学習画像１２１それぞれが与えられると、与えられた１つ以上の第１学習画像１２１それぞれに適合する復元画像を生成するように各生成モデル５を訓練する。

【0101】

生成部１１３は、パッチ画像Ｐ２毎に、対応する生成モデル５を利用して、各追加用画像１２３に対応する各復元追加用画像１２４を生成する。同様に、各評価画像１２７も、複数のパッチ画像Ｐ３に分割される。生成部１１３は、パッチ画像Ｐ３毎に、対応する生成モデル５を利用して、各評価画像１２７に対応する各復元評価画像１２８を生成する。

【0102】

評価部１１４は、パッチ画像Ｐ２毎に、各差分画像１８２を利用して、各追加用画像１２３に欠陥Ｌが写っているか否かを判定する。同様に、評価部１１４は、パッチ画像Ｐ３毎に、各差分画像１８３を利用して、各評価画像１２７に欠陥Ｌが写っているか否かを判定する。更に、評価部１１４は、パッチ画像Ｐ２毎に、各追加用画像１２３の評価値１２５を算出する。本実施形態では、評価部１１４は、誤判定の追加用画像１２３の数又は割合が第１の閾値以上である、又は誤判定の評価画像１２７の数又は割合が第２の閾値以上であるパッチ画像Ｐ２に関して、各追加用画像１２３の評価値１２５を算出する。

【0103】

抽出部１１５は、パッチ画像Ｐ２毎に、算出された評価値１２５に基づいて、１つ以上の追加用画像１２６を複数の追加用画像１２３から抽出する。パッチ画像Ｐ２毎に、抽出される追加用画像１２６の件数は異なっていてもよい。追加学習部１１６は、抽出された１つ以上の追加用画像１２６に含まれる１つ以上の画像を第２学習画像１２６Ａとして決定する。追加学習部１１６は、パッチ画像Ｐ２毎に、機械学習により、決定された１つ以上の第２学習画像１２６Ａそれぞれが与えられると、与えられた１つ以上の第２学習画像１２６Ａそれぞれに適合する復元画像を生成するように各生成モデル５を更に訓練する。

【0104】

なお、図４及び図５では、各画像（１２１、１２３、１２７）は、１６個のパッチ画像（Ｐ１、Ｐ２、Ｐ３）に等分に分割されている。このように、各画像（１２１、１２３、１２７）を等分に分割することで、寸法の統一された複数のパッチ画像（Ｐ１、Ｐ２、Ｐ３）が生成されてよい。ただし、画像を分割する方法は、各画像（１２１、１２３、１２７）の間で統一されていれば、このような例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。複数のパッチ画像（Ｐ１、Ｐ２、Ｐ３）のうちの少なくとも一部の寸法が他の寸法と異なっていてもよい。また、１つの画像（１２１、１２３、１２７）におけるパッチ画像（Ｐ１、Ｐ２、Ｐ３）の数は、１６個に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。

【0105】

保存処理部１１１０は、記憶部１２へのデータの保存処理を行なう。本実施の形態では、保存処理部１１１０は、最終的に構築された学習済みの生成モデル５に関する情報を学習結果データ１２９として生成する。そして、保存処理部１１１０は、生成された学習結果データ１２９を所定の記憶領域に保存する。所定の記憶領域は、例えば、制御部１１内のＲＡＭ、記憶部１２、記憶媒体９１、外部記憶装置又はこれらの組み合わせであってよい。

【0106】

＜検出装置＞
次に、図６を用いて、本実施形態に係る検出装置２のソフトウェア構成の一例について説明する。図６は、本実施形態に係る検出装置２のソフトウェア構成の一例を模式的に例示する図である。

【0107】

検出装置２の制御部２１は、記憶部２２に記憶された検出プログラム２２０をＲＡＭに展開する。そして、制御部２１は、ＲＡＭに展開された検出プログラム２２０に含まれる命令をＣＰＵにより解釈及び実行して、各構成要素を制御する。これによって、図６に示されるとおり、本実施形態に係る検出装置２は、取得部２１１、生成部２１２、検出部２１３及び出力部２１４をソフトウェアモジュールとして備えるコンピュータとして構成される。すなわち、本実施形態では、検出装置２の各ソフトウェアモジュールも、上記学習装置１と同様に、制御部２１（ＣＰＵ）により実現される。

【0108】

取得部２１１は、製品Ｒを観測することで得られた観測画像２２１を取得する。生成部２１２は、学習結果データ１２９を保持することで、学習済みの生成モデル５を備えている。生成部２１２は、学習結果データ１２９を参照して、学習済みの生成モデル５の設定を行う。そして、生成部２１２は、取得された観測画像２２１を学習済みの生成モデル５に入力することで、観測画像２２１を復元した復元観測画像２２３を生成する。

【0109】

検出部２１３は、生成された復元観測画像２２３及び観測画像２２１の間の差分に基づいて、製品Ｒと共に欠陥が観測画像２２１に写っているか否か（すなわち、観測画像２２１に写る製品Ｒに欠陥が存在するか否か）を検出する。本実施形態では、検出部２１３は、上記学習装置１と同様に、観測画像２２１と復元観測画像２２３との差分を算出することで、観測画像２２１と復元観測画像２２３との間の差分を示す差分画像２２５を生成する。検出部２１３は、差分画像２２５を利用して、観測画像２２１に写る製品Ｒに欠陥が存在するか否かを判定する。

【0110】

本実施形態では、観測画像２２１は、各画像（１２１、１２３）の分割に応じて、複数のパッチ画像Ｐ４に分割される。生成部２１２は、パッチ画像Ｐ４毎に生成モデル５を設定する。そして、生成部２１２は、観測画像２２１の各パッチ画像Ｐ４を対応する生成モデルに入力することで、観測画像２２１を復元した復元観測画像２２３をパッチ画像Ｐ４毎に生成する。検出部２１３は、パッチ画像Ｐ４毎に、観測画像２２１及び復元観測画像２２３の間の差分に基づいて、観測画像２２１に写る製品Ｒに欠陥Ｌが存在するか否かを判定する。出力部２１４は、当該検出の結果、すなわち、製品Ｒの良否を判定した結果に関する情報を出力する。

【0111】

＜その他＞
学習装置１及び検出装置２の各ソフトウェアモジュールに関しては後述する動作例で詳細に説明する。なお、本実施形態では、学習装置１及び検出装置２の各ソフトウェアモジュールがいずれも汎用のＣＰＵによって実現される例について説明している。しかしながら、以上のソフトウェアモジュールの一部又は全部が、１又は複数の専用のプロセッサにより実現されてもよい。また、学習装置１及び検出装置２それぞれのソフトウェア構成に関して、実施形態に応じて、適宜、ソフトウェアモジュールの省略、置換及び追加が行われてもよい。

【0112】

§３ 動作例
［学習装置］
次に、図７及び図８を用いて、学習装置１の動作例について説明する。図７及び図８は、本実施形態に係る学習装置１の処理手順の一例を示すフローチャートである。以下で説明する処理手順は、学習方法の一例である。ただし、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

【0113】

（ステップＳ１０１）
ステップＳ１０１では、制御部１１は、第１取得部１１０として動作し、製品Ｒの写る１つ以上の第１学習画像１２１を取得する。

【0114】

本実施形態では、基本的には、製品Ｒが写る一方で欠陥の写っていない画像、換言すると、欠陥の存在しない製品Ｒ（良品）の写る画像が第１学習画像１２１として利用される。ただし、欠陥の検出に利用可能な復元画像を生成する学習済みの生成モデル５を構築可能であれば、第１学習画像１２１の一部に、欠陥を含む製品Ｒの写る画像が利用されてよい。

【0115】

第１学習画像１２１を生成する方法は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、カメラＣＡと同種のカメラ及び欠陥のない製品Ｒを用意し、製品Ｒの検査を行う環境に応じた様々な条件で、用意したカメラにより製品Ｒを撮影する。これにより、製品Ｒの写る第１学習画像１２１を生成することができる。

【0116】

第１学習画像１２１は、コンピュータの動作により自動的に生成されてもよいし、オペレータの操作により手動的に生成されてもよい。また、第１学習画像１２１の生成は、学習装置１により行われてもよいし、学習装置１以外の他のコンピュータにより行われてもよい。第１学習画像１２１を学習装置１が生成する場合、制御部１１は、自動的に又は入力装置１４を介したオペレータの操作により手動的に上記一連の処理を実行することで、１つ以上の第１学習画像１２１を取得する。一方、第１学習画像１２１を他のコンピュータが生成する場合、制御部１１は、例えば、ネットワーク、記憶媒体９１等を介して、他のコンピュータにより生成された１つ以上の第１学習画像１２１を取得する。複数の第１学習画像１２１を取得する場合、そのうちの一部が学習装置１により生成され、残りが他のコンピュータにより生成されてもよい。

【0117】

取得する第１学習画像１２１の件数は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。例えば、取得する第１学習画像１２１の件数は、暫定的な学習済みの生成モデル５を構築可能な程度に決定されてよい。１つ以上の第１学習画像１２１を取得すると、制御部１１は、次のステップＳ１０２に処理を進める。

【0118】

（ステップＳ１０２）
ステップＳ１０２では、制御部１１は、学習部１１１として動作し、取得された１つ以上の第１学習画像１２１を使用して、生成モデル５の機械学習を実施する。この機械学習の処理では、制御部１１は、１つ以上の第１学習画像１２１それぞれが与えられると、与えられた１つ以上の第１学習画像１２１それぞれに適合する復元画像を生成するように生成モデル５を訓練する。

【0119】

生成モデル５は、入力画像を特徴量に変換し、変換により得られた特徴量から入力画像を復元した画像を生成する演算処理に使用される演算パラメータＭを備える学習モデルにより構成される。機械学習の方法は、生成モデル５として利用する学習モデルの種類に応じて、適宜選択されてよい。本実施形態では、ニューラルネットワークにより構成される生成モデル５を生成するための機械学習の方法が採用される。機械学習の一例として、制御部１１は、以下の処理手順により、学習済みの生成モデル５を構築する。

【0120】

図９は、ニューラルネットワークにより構成される生成モデル５の一例を模式的に例示する図である。ニューラルネットワークの代表例としてオートエンコーダが挙げられる。オートエンコーダは、次元圧縮を目的としたニューラルネットワークである。

【0121】

図９に例示される生成モデル５を備えるニューラルネットワークは、入力層５１、中間（隠れ）層５２、出力層５３を備えている。ただし、ニューラルネットワークの構造は、このような例に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。例えば、中間層の数は、１つに限定されなくてもよく、２つ以上であってもよい。

【0122】

入力層５１に含まれるニューロン（ノード）の数は入力画像の画素数に対応する。中間層５２に含まれるニューロンの数は特徴量の次元数に対応する。出力層５３に含まれるニューロンの数は復元画像の画素数に対応する。中間層５２に含まれるニューロンの数は、入力層５１及び出力層５３それぞれに含まれるニューロンの数よりも少なく設定されてよい。次元圧縮を目的としたオートエンコーダの場合、中間層５２に含まれるニューロンの数は、入力層５１及び出力層５３それぞれに含まれるニューロンの数よりも少なく設定される。これに応じて、特徴量の次元数が、入力画像及び復元画像の次元数よりも小さく設定される。

【0123】

ニューラルネットワークでは、隣接する層のニューロン同士は適宜結合され、各結合には重み（結合荷重）が設定される。図９に例示される生成モデル５では、各ニューロンは、隣接する層の全てのニューロンと結合されている。しかしながら、ニューロンの結合は、このような例に限定されなくてもよく、実施の形態に応じて適宜設定されてよい。各ニューロンには閾値が設定されており、基本的には、各入力と各重みとの積の和が閾値を超えているか否かによって各ニューロンの出力が決定される。各層５１～５３に含まれる各ニューロン間の結合の重み及び各ニューロンの閾値は、生成モデルの演算パラメータＭの一例である。

【0124】

制御部１１は、生成モデル５を構成するニューラルネットワークを用意する。ニューラルネットワークの構造（例えば、層の数、各層に含まれるニューロンの数、隣接する層のニューロン同士の結合関係等）、パラメータの初期値（例えば、各ニューロン間の結合の重みの初期値、各ニューロンの閾値の初期値）は、テンプレートにより与えられてもよいし、オペレータの入力により与えられてもよい。

【0125】

次に、制御部１１は、各学習画像を訓練データ及び教師データとして利用し、各ニューラルネットワークの学習処理を実行する。この学習処理には、バッチ勾配降下法、確率的勾配降下法、ミニバッチ勾配降下法等が用いられてよい。例えば、第１のステップでは、制御部１１は、各ニューラルネットワークの入力層５１に各学習画像を入力し、各ニューラルネットワークの演算処理を実行する。すなわち、制御部１１は、各ニューラルネットワークの入力層５１に各学習画像を入力し、入力側から順に各層５１～５３に含まれる各ニューロンの発火判定を行う。この演算処理により、制御部１１は、各学習画像を特徴量に変換し、変換により得られた特徴量から各学習画像を復元した画像を生成した結果に対応する出力値を出力層５３から取得する。この演算処理の過程で、中間層５２から得られる出力は、入力画像を特徴量に変換した結果に対応する。

【0126】

第２のステップでは、制御部１１は、出力層５３から得られた出力値と各学習画像との誤差を損失関数に基づいて算出する。損失関数の種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。損失関数には、公知のものが採用されてよい。第３のステップでは、制御部１１は、誤差逆伝播（Back propagation）法により、算出された出力値の誤差を用いて、各ニューラルネットワークの演算パラメータＭ、すなわち、各層５１～５３における各ニューロン間の結合の重み及び各ニューロンの閾値それぞれの誤差を算出する。第４のステップでは、制御部１１は、算出された各誤差に基づいて、各層５１～５３における各ニューロン間の結合の重み及び各ニューロンの閾値それぞれの値を更新する。

【0127】

制御部１１は、上記第１～第４のステップを繰り返すことで、出力層５３から出力される出力値（復元画像）と各学習画像との誤差の和が小さくなるように、演算パラメータＭの値を調整する。例えば、制御部１１は、出力層５３から出力される出力値と各学習画像との誤差の和が閾値以下になるまで、上記第１～第４のステップによる演算パラメータＭの調整を繰り返してもよい。閾値は、実施の形態に応じて適宜設定されてよい。

【0128】

これにより、制御部１１は、各学習画像を入力層５１に入力すると、各学習画像に適合する復元画像を出力層５３から出力するように訓練されたニューラルネットワークを学習済みの生成モデル５として構築することができる。ニューラルネットワークでは、入力された各学習画像は、入力層５１から中間層５２までの演算の過程で特徴量に変換される。そして、中間層５２から出力層５３までの演算の過程により、得られた特徴量から復元画像が生成される。学習済みの生成モデル５を構築すると、制御部１１は、次のステップＳ１０３に処理を進める。

【0129】

なお、本実施形態では、制御部１１は、ステップＳ１０２を実行する前に、取得された１つ以上の第１学習画像１２１それぞれを複数のパッチ画像Ｐ１に分割する。分割方法及びパッチ画像Ｐ１の件数は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。例えば、制御部１１は、縦方向及び横方向それぞれに指定された数で等分に第１学習画像１２１を分割してもよい。これにより、第１学習画像１２１は、複数のパッチ画像Ｐ１にグリッド状に分割されてよい。分割数は、オペレータの入力により指定されてもよいし、プログラム内で予め与えられてもよい。また、グリッド状に分割する場合、複数のパッチ画像Ｐ１の一部の寸法がその他の寸法と相違してもよい。なお、第１学習画像１２１が既にパッチ画像Ｐ１に分割されている場合には、本分割処理は省略されてよい。

【0130】

そして、ステップＳ１０２において、制御部１１は、上記機械学習の処理により、パッチ画像Ｐ１毎に学習済みの生成モデル５を構築する。すなわち、本実施形態では、制御部１１は、第１学習画像１２１の対応するパッチ画像Ｐ１を与えると、与えられたパッチ画像Ｐ１を特徴量に変換し、変換により得られた特徴量から対応するパッチ画像Ｐ１に適合する画像を復元するように訓練された生成モデル５をパッチ画像Ｐ１毎に構築する。これにより、学習済みの生成モデル５が、パッチ画像Ｐ１毎に与えられる。

【0131】

ただし、複数のパッチ画像に各画像が分割される場合に、ニューラルネットワークが必ずしもパッチ画像毎に用意されなければならない訳ではない。例えば、パッチ画像のクラスを入力するニューロンをニューラルネットワークの入力層に加えることで、異なるパッチ画像に対応する画像を復元するニューラルネットワークを構成することができる。そのため、複数のパッチ画像のうちの少なくとも２つ以上のパッチ画像で、共通のニューラルネットワークが生成モデルとして利用されてよい。

【0132】

生成モデル５を構成するニューラルネットワークの種類は、このような多層構造の全結合型ニューラルネットワークに限定されなくてもよい。生成モデル５には、畳み込み層及びプーリング層を備える畳み込みニューラルネットワークが用いられてもよい。また、生成モデル５には、自己符号化器又はこれに類似する構造を有するニューラルネットワークが用いられてよい。

【0133】

（ステップＳ１０３）
ステップＳ１０３では、制御部１１は、第２取得部１１２として動作し、それぞれ製品Ｒの写る複数の追加用画像１２３を取得する。

【0134】

本実施の形態において、各追加用画像１２３には、上記第１学習画像１２１と同様に、基本的には、欠陥の存在しない製品Ｒ（良品）の写る画像が利用される。各追加用画像１２３は、上記第１学習画像１２１と同様に生成されてよい。また、上記処理により生成された画像であって、欠陥の存在しない製品Ｒの写る画像の一部が上記第１学習画像１２１として利用されてよく、その他が追加用画像１２３として利用されてよい。例えば、制御部１１は、欠陥の存在しない製品Ｒの写る複数の画像を取得してもよい。そして、上記ステップＳ１０１では、取得された複数の画像の一部を第１学習画像１２１として取得し、本ステップＳ１０３では、取得された複数の画像の残りを追加用画像１２３として取得してもよい。

【0135】

また、第１学習画像１２１と同様に、追加用画像１２３の生成は、学習装置１により行われてもよいし、学習装置１以外の他のコンピュータにより行われてもよい。制御部１１は、自動的に又は入力装置１４を介したオペレータの操作により手動的に上記一連の処理を実行することで、複数の追加用画像１２３を取得してもよい。或いは、制御部１１は、例えば、ネットワーク、記憶媒体９１等を介して、他のコンピュータにより生成された複数の追加用画像１２３を取得してもよい。複数の追加用画像１２３のうちの一部が学習装置１により生成され、残りが他のコンピュータにより生成されてもよい。

【0136】

取得する追加用画像１２３の件数は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。複数の追加用画像１２３を取得すると、制御部１１は、次のステップＳ１０４に処理を進める。

【0137】

（ステップＳ１０４）
ステップＳ１０４では、制御部１１は、第３取得部１１７として動作し、欠陥Ｌを含む製品Ｒがそれぞれ写る複数の評価画像１２７を取得する。

【0138】

各評価画像１２７を生成する方法は、欠陥Ｌを含む製品Ｒを用意する点を除き、上記各画像（１２１、１２３）を生成する方法であってよい。すなわち、カメラＣＡと同種のカメラ及び欠陥Ｌを含む製品Ｒを用意し、製品Ｒの検査を行う環境に応じた様々な条件で、用意したカメラにより製品Ｒを撮影する。これにより、欠陥Ｌを含む製品Ｒの写る各評価画像１２７を生成することができる。或いは、欠陥Ｌは画像処理により追加されてもよい。すなわち、欠陥のない製品Ｒの写る画像に画像処理により欠陥Ｌを追加することで、各評価画像１２７を生成してもよい。この場合、欠陥のない製品Ｒの写る画像は、各画像（１２１、１２３）から選択されてもよい。

【0139】

各評価画像１２７は、各画像（１２１、１２３）と同様に、コンピュータの動作により自動的に生成されてもよいし、オペレータの操作により手動的に生成されてもよい。また、各評価画像１２７の生成は、学習装置１により行われてもよいし、学習装置１以外の他のコンピュータにより行われてもよい。制御部１１は、自動的に又は入力装置１４を介したオペレータの操作により手動的に上記一連の処理を実行することで、複数の評価画像１２７を取得してもよい。或いは、制御部１１は、例えば、ネットワーク、記憶媒体９１等を介して、他のコンピュータにより生成された複数の評価画像１２７を取得してもよい。複数の評価画像１２７のうちの一部が学習装置１により生成され、残りが他のコンピュータにより生成されてもよい。

【0140】

取得する評価画像１２７の件数は、特に限定されなくてもよく、実施の形態に応じて適宜決定されてよい。複数の評価画像１２７を取得すると、制御部１１は、次のステップＳ１０５に処理を進める。

【0141】

（ステップＳ１０５及びステップＳ１０６）
ステップＳ１０５では、制御部１１は、生成部１１３として動作し、取得された複数の追加用画像１２３それぞれを、ステップＳ１０２により訓練された生成モデル５に与えることで、複数の追加用画像１２３それぞれを復元した複数の復元追加用画像１２４それぞれを生成する。ステップＳ１０６では、制御部１１は、生成部１１３として動作し、取得された複数の評価画像１２７それぞれを、ステップＳ１０２により訓練された生成モデル５に与えることで、複数の評価画像１２７それぞれを復元した複数の復元評価画像１２８それぞれを生成する。

【0142】

具体的には、制御部１１は、ステップＳ１０２の機械学習の結果を参照し、学習済みの生成モデル５を用意する。ステップＳ１０５では、制御部１１は、各追加用画像１２３を学習済みの生成モデル５に入力する。これにより、制御部１１は、各追加用画像１２３を復元した各復元追加用画像１２４を生成する。同様に、ステップＳ１０６では、制御部１１は、各評価画像１２７を学習済みの生成モデル５に入力する。これにより、制御部１１は、各評価画像１２７を復元した各復元評価画像１２８を生成する。

【0143】

なお、本実施形態では、生成モデル５は、パッチ画像毎に用意される。これに応じて、本実施形態では、制御部１１は、各追加用画像１２３を複数のパッチ画像Ｐ２に分割する。また、制御部１１は、各評価画像１２７を複数のパッチ画像Ｐ３に分割する。画像の分割方法は、第１学習画像１２１と同様である。各画像（１２３、１２７）が既にパッチ画像（Ｐ２、Ｐ３）に分割されている場合、これらの分割処理は省略されてよい。

【0144】

ステップＳ１０５では、制御部１１は、パッチ画像Ｐ２毎に、対応する生成モデル５を利用して、各追加用画像１２３に対応する各復元追加用画像１２４を生成する。すなわち、制御部１１は、各追加用画像１２３の各パッチ画像Ｐ２を対応する生成モデル５に与えることで、各復元追加用画像１２４の各パッチ画像を生成する。同様に、ステップＳ１０６では、制御部１１は、パッチ画像Ｐ３毎に、対応する生成モデル５を利用して、各評価画像１２７に対応する各復元評価画像１２８を生成する。すなわち、制御部１１は、各評価画像１２７の各パッチ画像Ｐ３を対応する生成モデル５に与えることで、各復元評価画像１２８の各パッチ画像を生成する。各復元追加用画像１２４及び各復元評価画像１２８を生成すると、制御部１１は、次のステップＳ１０７に処理を進める。

【0145】

（ステップＳ１０７及びステップＳ１０８）
ステップＳ１０７では、制御部１１は、評価部１１４として動作し、各追加用画像１２３と各復元追加用画像１２４との差分の程度に基づいて、各追加用画像１２３に欠陥Ｌが写っているか否かを判定する。ステップＳ１０８では、制御部１１は、評価部１１４として動作し、各評価画像１２７と各復元評価画像１２８との差分の程度に基づいて、各評価画像１２７に欠陥Ｌが写っているか否かを判定する。

【0146】

差分の程度に応じて欠陥Ｌの有無を検出する方法は、実施の形態に応じて適宜設定されてよい。本実施形態では、ステップＳ１０７において、制御部１１は、各追加用画像１２３と各復元追加用画像１２４との差分を算出することで、各差分画像１８２を生成する。制御部１１は、各差分画像１８２を利用して、各追加用画像１２３に欠陥Ｌが写っているか否かを判定する。同様に、制御部１１は、各評価画像１２７と各復元評価画像１２８との差分を算出することで、各差分画像１８３を生成する。制御部１１は、各差分画像１８３を利用して、各評価画像１２７に欠陥Ｌが写っているか否かを判定する。

【0147】

更に、本実施形態では、各画像（１２３、１２７）に欠陥Ｌが写っているか否かを判定するための複数の検出パラメータ候補６０が与えられる。各検出パラメータ候補６０は、検出パラメータの候補の値を示す。各検出パラメータ候補６０の値は適宜与えられてよい。例えば、各検出パラメータ候補６０の値は、オペレータの入力により取得されてよい。また、例えば、各検出パラメータ候補６０の値は、プログラム内で予め与えられてもよい。検出パラメータは、各差分画像（１８２、１８３）から欠陥Ｌの有無を検出するアルゴリズムに応じて適宜設定されてよい。

【0148】

ここで、図１０を更に用いて、欠陥Ｌを検出する処理の一例と共に、検出パラメータの一例を説明する。図１０は、欠陥Ｌを検出する処理過程の一例を模式的に例示する図である。まず、第１のステップでは、制御部１１は、製品Ｒの写る画像Ｉ１０を生成モデル５に与えて、復元画像Ｉ１１を生成する。画像Ｉ１０は、上記各画像（１２３、１２７）に対応し、復元画像Ｉ１１は、上記各復元画像（１２４、１２８）に対応する。詳細には、画像Ｉ１０は、各画像（１２３、１２７）の各パッチ画像（Ｐ２、Ｐ３）に対応し、復元画像Ｉ１１は、上記各復元画像（１２４、１２８）の各パッチ画像に相当する。当該生成処理は、上記ステップＳ１０５及びＳ１０６それぞれの処理に対応する。

【0149】

次に、第２のステップでは、制御部１１は、画像Ｉ１０と復元画像Ｉ１１との差分を算出することで、差分画像Ｉ１２を生成する。差分画像Ｉ１２は、上記各差分画像（１８２、１８３）に対応する。詳細には、差分画像Ｉ１２は、上記各差分画像（１８２、１８３）の各パッチ画像に対応する。画像Ｉ１０と復元画像Ｉ１１との間で差異が生じている画素ほど差分画像Ｉ１２においてその画素値が大きくなる。一方、画像Ｉ１０と復元画像Ｉ１１との間で差異のない画素ほど差分画像Ｉ１２における画素値は小さくなる。本実施形態では、説明の便宜のため、画像Ｉ１０と復元画像Ｉ１１との間の差異が大きい画素ほど差分画像Ｉ１２内の対応画素の実際の画素値も大きくなり、差異が小さい画素ほど差分画像Ｉ１２内の対応画素の実際の画素値も小さくなると仮定する。ただし、この「画素値が大きい」及び「画素値が小さい」はそれぞれ、画像Ｉ１０と復元画像Ｉ１１との間の差異との関係を示しており、差分画像Ｉ１２内の画素の実際の画素値と対応していなくてもよい。例えば、差分画像Ｉ１２は、差異の大きい画素ほど対応する画素の実際の画素値が小さくなり、差異の小さい画素ほど対応する画素の実際の画素値が大きくなるように算出されてよい。

【0150】

図１０の例では、画像Ｉ１０と復元画像Ｉ１１との間で差異が生じている画素ほど差分画像Ｉ１２において白色になっており、そうではない画素ほど黒色になっている。例えば、各画素の値が２５６階調で表現される場合、差分画像Ｉ１２の画素の画素値の最大値が「２５５」であってよく、最小値が「０」であってよい。この場合、差分画像Ｉ１２の画素の画素値が大きいほど、画像Ｉ１０と復元画像Ｉ１１との間で差異が生じていることを示し、差分画像Ｉ１２の画素の画素値が小さいほど、画像Ｉ１０と復元画像Ｉ１１との間で差異が生じていないことを示す。ただし、画像Ｉ１０と復元画像Ｉ１１との間で生じる差異と差分画像Ｉ１２の画素値との間の関係は、このような例に限定されなくてよい。例えば、画像Ｉ１０及び復元画像Ｉ１１の間の差異の程度と差分画像Ｉ１２の画素値との関係は、この反対であってもよい。

【0151】

生成モデル５の機械学習に使用された学習画像に写っていない又は写る可能性の低い特徴（本実施形態では、欠陥Ｌ）が画像Ｉ１０に写っている場合、復元画像Ｉ１１においてその特徴の再現性が低いため、画像Ｉ１０と復元画像Ｉ１１との間で比較的に大きな差異が生じ得る。ただし、画像Ｉ１０と復元画像Ｉ１１との間に生じる差異の原因は、このような欠陥Ｌが画像Ｉ１０に写っていることに限られない。画像Ｉ１０と復元画像Ｉ１１との間で比較的に大きな差異を生じさせるその他の原因として、例えば、与えられた入力画像に写る所定の特徴（本実施形態では、製品Ｒ）の様子が、機械学習に使用した学習画像に写る所定の特徴の様子と異なっていることが挙げられる。この場合、画像Ｉ１０に写る製品Ｒの様子が復元画像Ｉ１１では完全には再現されず、画像Ｉ１０と復元画像Ｉ１１との間で比較的に大きな差異を生じさせる可能性がある。

【0152】

また、例えば、生成モデル５は、入力画像を低次元の特徴量に圧縮する。このときに、入力画像の情報が部分的に損失し得る。そのため、入力画像と復元画像との間で多少の誤差が生じ得る。この復元のノイズが、画像Ｉ１０と復元画像Ｉ１１との間に生じる差異の原因の一例となり得る。したがって、差分画像Ｉ１２には、欠陥Ｌに起因する差異以外に、複数の要因に基づく差異が現れ得る。しかしながら、このノイズに起因する差異は、上記２つの要因に基づく差異よりも程度が低い。そのため、差分画像Ｉ１２の画素値に基づいて、これらの差異を区別することができる。

【0153】

そこで、第３のステップでは、制御部１１は、閾値６５を利用して、差分画像Ｉ１２の各画素を二値化する。例えば、制御部１１は、画素値が閾値６５以上である画素の画素値を「２５５」に変換し、画素値が閾値６５未満である画素の画素値を「０」に変換する。「以上」は、「超える」に置き換えられ、「未満」は、「以下」に置き換えられてよい。以下の説明においても同様である。これにより、制御部１１は、二値化画像Ｉ１３を生成することができる。閾値６５を適切に設定することで、上記ノイズに起因する差異等の比較的に程度の低い差異が元の差分画像Ｉ１２から除外された二値化画像Ｉ１３を得ることができる。

【0154】

二値化画像Ｉ１３には、主に、欠陥Ｌに起因する差異、及び学習不足に起因する差異が現れ得る。これらの差異を生じさせる原因のうち、欠陥Ｌは、面積、幅、高さ、周囲の長さ、縦横比、円形度等の形状に関する属性を有し得る。つまり、画像Ｉ１０に写る製品Ｒに欠陥Ｌが存在する場合、二値化画像Ｉ１３の対応する位置に、白色「２５５」の画素（以下、白色画素とも記載する）の集まった領域であって、欠陥Ｌと同等の形状に関する属性を有する領域が現れる。そこで、形状に関する属性に対して閾値６６を設定することで、二値化画像Ｉ１３内に欠陥Ｌが写っているか否かを判定することができる。

【0155】

処理の一例として、第４のステップでは、制御部１１は、二値化画像Ｉ１３内の連続する白色画素の領域を一つの領域と認定し、白色画素の各領域が閾値６６を満たしているか否かを判定する。そして、制御部１１は、閾値６６を満たしている領域をそのままにし、閾値６６を満たしていない領域内の画素の画素値を「０」に変換する。例えば、閾値６６が面積に対して設定される場合、制御部１１は、白色画素の各領域の面積が閾値６６以上であるか否かを判定する。そして、制御部１１は、面積が閾値６６未満である領域内の画素の画素値を「０」に変換する。これにより、制御部１１は、検出画像Ｉ１４を生成することができる。閾値６６を適切に設定することで、欠陥Ｌの属性を満たさない白色領域が二値化画像Ｉ１３から除外された検出画像Ｉ１４を得ることができる。

【0156】

第５のステップでは、制御部１１は、検出画像Ｉ１４に白色画素の領域が存在するか否かに応じて、画像Ｉ１０に欠陥Ｌが写っているか否かを判定する。具体的に、検出画像Ｉ１４において白色画素の領域が存在する場合、制御部１１は、画像Ｉ１０の対応する領域に欠陥Ｌが写っていると判定する。一方、検出画像Ｉ１４において白色画素の領域が存在しない場合、制御部１１は、画像Ｉ１０に欠陥Ｌが写っていないと判定する。これにより、制御部１１は、欠陥Ｌの検出に関する処理を終了する。

【0157】

以上の欠陥Ｌの検出に関する処理手順において、各閾値（６５、６６）が、検出パラメータの一例である。すなわち、本実施形態では、各検出パラメータ候補６０は、各閾値（６５、６６）の組み合わせにより構成される。ただし、欠陥Ｌを検出する方法及び検出パラメータはそれぞれ、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。ステップＳ１０７では、制御部１１は、各検出パラメータ候補６０を利用して、欠陥Ｌの検出に関する上記第１～第５のステップの処理を実行することで、各追加用画像１２３に欠陥Ｌが写っているか否かを判定する。同様に、ステップＳ１０８では、制御部１１は、各検出パラメータ候補６０を利用して、欠陥Ｌの検出に関する上記第１～第５のステップの処理を実行することで、各評価画像１２７に欠陥Ｌが写っているか否かを判定する。

【0158】

なお、本実施形態では、各画像（１２３、１２７）は、複数のパッチ画像（Ｐ２、Ｐ３）に分割されている。これに応じて、本実施形態に係るステップＳ１０７では、制御部１１は、パッチ画像Ｐ２毎に、各追加用画像１２３と各復元追加用画像１２４との差分の程度に基づいて、各追加用画像１２３に欠陥Ｌが写っているか否かを判定する。同様に、本実施形態に係るステップＳ１０８では、制御部１１は、パッチ画像Ｐ３毎に、各評価画像１２７と各復元評価画像１２８との差分の程度に基づいて、各評価画像１２７に欠陥Ｌが写っているか否かを判定する。各判定の処理が完了すると、制御部１１は、次のステップＳ１０９に処理を進める。

【0159】

（ステップＳ１０９）
ステップＳ１０９では、制御部１１は、評価部１１４として動作する。制御部１１は、各ステップ（Ｓ１０７、Ｓ１０８）の判定結果に基づいて、欠陥Ｌが画像に写っているか否かを判定するための検出パラメータの最適化を実行する。具体的には、制御部１１は、各ステップ（Ｓ１０７、Ｓ１０８）の判定結果に基づいて、複数の検出パラメータ候補６０のうち、欠陥Ｌが写っていると判定された追加用画像１２３及び欠陥Ｌが写っていないと判定された評価画像１２７の数が最も少ない１つの検出パラメータ候補６１を特定する。

【0160】

欠陥Ｌが写っていると判定された追加用画像１２３の数は、欠陥Ｌを含まない製品Ｒが写っているにも関わらず、欠陥Ｌを含む製品Ｒが写っていると誤判定された画像の数に相当する。欠陥Ｌが写っていないと判定された評価画像１２７の数は、欠陥Ｌを含む製品Ｒが写っているにも関わらず、欠陥Ｌを含まない製品Ｒが写っていると誤判定された画像の数に相当する。上記欠陥Ｌの検出に関する処理において、各閾値（６５、６６）の値を変更すると、検出画像Ｉ１４に現れる白色画像の領域が変化し得る。つまり、検出パラメータの値を変更すると、誤判定される各画像（１２３、１２７）の数が変化し得る。本ステップＳ１０９により、誤判定の最も少ない１つの検出パラメータ候補６１を特定することは、欠陥Ｌの検出に利用する検出パラメータを最適化することに相当する。

【0161】

ここで、図１１を更に用いて、最適な検出パラメータ候補６１を特定する処理の一例について説明する。図１１は、ステップＳ１０７及びＳ１０８の仮想的な判定結果の一例を示す図である。図１１の例では、判定結果はテーブル形式で表現され、テーブル内の１つのレコードは、１つの検出パラメータ候補６０による判定結果に対応している。ただし、判定結果のデータ形式は、このような例に限定されなくてよく、実施の形態に応じて適宜選択されてよい。

【0162】

図１１に例示される各レコードは、検出パラメータ及び判定結果それぞれに関するフィールドを有する。「番号」は、各検出パラメータ候補６０の識別子を示す。「２値化閾値」は、二値化の基準となる閾値６５の値を示す。「面積閾値」は、欠陥Ｌの有無を判定する基準となる閾値６６の一例の値を示す。「評価画像誤り件数」は、ステップＳ１０８において欠陥Ｌが写っていないと判定された評価画像１２７の件数を示す。「追加用画像誤り件数」は、ステップＳ１０７において欠陥Ｌが写っていると判定された追加用画像１２３の件数を示す。「各追加用画像の判定結果」は、各追加用画像１２３の個別の判定結果を示す。「ＮＧ」は、欠陥Ｌが写っていると判定されたことを示す。「ＯＫ」は、欠陥Ｌが写っていないと判定されたことを示す。「各追加用画像の評価値」は、後述するステップＳ１１２で算出される各追加用画像１２３の評価値１２５を示す。評価値１２５の算出については後述する。

【0163】

制御部１１は、各検出パラメータ候補６０による判定結果に基づいて、最適な検出パラメータ候補６１を特定する。図１１に例示されるとおり、番号「０」及び「１」の２つの検出パラメータ候補６０が与えられ、各レコードに示される判定結果が得られた場合、制御部１１は、誤り件数の最も少ない番号「１」の検出パラメータ候補６０を最適な検出パラメータ候補６１として特定する。

【0164】

なお、本実施形態では、各画像（１２３、１２７）は、複数のパッチ画像（Ｐ２、Ｐ３）に分割されている。また、評価画像１２７の各パッチ画像Ｐ３は、追加用画像１２３のパッチ画像Ｐ２に対応している。これに応じて、本実施形態に係るステップＳ１０９では、制御部１１は、パッチ画像Ｐ２（対応するパッチ画像Ｐ３）毎に、各判定結果に基づいて、複数の検出パラメータ候補６０から最適な検出パラメータ候補６１を特定する。最適な検出パラメータ候補６１を特定すると、制御部１１は、次のステップＳ１１０に進める。

【0165】

（ステップＳ１１０及びステップＳ１１１）
ステップＳ１１０では、制御部１１は、評価部１１４として動作し、特定された１つの検出パラメータ候補６１を利用した判定の結果において、誤判定の追加用画像１２３の数が第１の閾値以上であるか否かを判定する。さらに、制御部１１は、特定された１つの検出パラメータ候補６１を利用した判定の結果において、誤判定の評価画像１２７の数が第２の閾値以上であるか否かを判定する。

【0166】

第１の閾値及び第２の閾値はそれぞれ、適宜決定されてよい。例えば、第１の閾値及び第２の閾値はそれぞれ、オペレータの入力により指定されてもよい。また、例えば、第１の閾値及び第２の閾値はそれぞれ、プログラム内の設定値として与えられてもよい。第１の閾値及び第２の閾値は、別々に異なる値に設定されてもよいし、同じ値に設定されてもよい。

【0167】

なお、ステップＳ１１０では、制御部１１は、特定された１つの検出パラメータ候補６１を利用した判定の結果において、複数の追加用画像１２３のうち誤判定の追加用画像１２３の割合が第１の閾値以上であるか否かを判定してもよい。同様に、制御部１１は、特定された１つの検出パラメータ候補６１を利用した判定の結果において、複数の評価画像１２７のうち誤判定の評価画像１２７の割合が第２の閾値以上であるか否かを判定してもよい。

【0168】

ステップＳ１１１では、制御部１１は、ステップＳ１１０の判定結果に基づいて、処理の分岐先を決定する。本実施形態では、誤判定の追加用画像１２３の数又は割合が第１の閾値以上である、又は誤判定の評価画像１２７の数又は割合が第２の閾値以上である場合に、制御部１１は、ステップＳ１１２に処理を進める。他方、そうではない場合に、制御部１１は、ステップＳ１１７に処理を進める。ただし、分岐の基準は、このような例に限定されなくてもよく、実施の形態に応じて適宜設定されてよい。例えば、誤判定の追加用画像１２３の数又は割合が第１の閾値以上であること、及び誤判定の評価画像１２７の数又は割合が第２の閾値以上であることの少なくとも一方を満たす場合に、制御部１１は、ステップＳ１１２に処理を進めてもよい。そうではない場合に、制御部１１は、ステップＳ１１７に処理を進めてもよい。また、例えば、誤判定の追加用画像１２３の数又は割合が第１の閾値以上であるか否かの判定、及び誤判定の評価画像１２７の数又は割合が第２の閾値以上であるか否かの判定のうちのいずれか一方が省略されてもよい。

【0169】

なお、本実施形態では、各画像（１２３、１２７）は、複数のパッチ画像（Ｐ２、Ｐ３）に分割されている。これに応じて、本実施形態では、誤判定の追加用画像１２３の数又は割合が第１の閾値以上であるパッチ画像Ｐ２が存在する、又は誤判定の評価画像１２７の数又は割合が第２の閾値以上である対応のパッチ画像Ｐ３が存在する場合に、制御部１１は、ステップＳ１１２に処理を進める。他方、そのような各パッチ画像（Ｐ２、Ｐ３）が存在しない場合に、制御部１１は、ステップＳ１１７に処理を進める。

【0170】

（ステップＳ１１２）
ステップＳ１１２では、制御部１１は、各追加用画像１２３及び生成された各復元追加用画像１２４の間の差分に応じて、各追加用画像１２３の評価値１２５であって、各復元追加用画像１２４における各追加用画像１２３の復元の程度に対する評価値１２５を算出する。本実施形態では、制御部１１は、各差分画像１８２を利用して、各追加用画像１２３の評価値１２５を算出する。

【0171】

ここで、図１２を更に利用して、各追加用画像１２３の評価値１２５を算出する方法の一例について説明する。図１２は、評価値１２５を算出する処理過程の一例を模式的に例示する図である。本実施形態では、制御部１１は、上記ステップＳ１０７において、各差分画像１８２を生成している。各差分画像１８２内の画素値の大きい画素は、各追加用画像１２３と各復元追加用画像１２４との間で差異の大きい画素に対応する。各差分画像１８２内の画素値の小さい画素は、各追加用画像１２３と各復元追加用画像１２４との間で差異の小さい画素に対応する。制御部１１は、各画素の画素値に表れる当該差異の程度に基づいて、復元の程度に対する評価を示す評価値１２５を算出する。

【0172】

本実施形態では、この観点に基づく算出方法の一例として、制御部１１は、各画素の画素値が大きいほど評価値１２５が高くなり、かつ、基準画素値以上の画素の評価値１２５に与える寄与度が基準画素値未満の画素の評価値１２５に与える寄与度よりも大きくなるように、評価値１２５を算出する。具体的には、制御部１１は、図１２に示されるように、差分画像１８２を構成する画像について、画素値に関する度数分布（濃度ヒストグラム）を作成する。図１２の例では、各差分画像１８２の画素値は２５６階調で表現されていると仮定している。図１２に例示される濃度ヒストグラムの「度数」は、同一の画素値の画素数を示す。続いて、制御部１１は、作成した濃度ヒストグラムにおいて、上位所定割合を占める画素値の最小値を基準画素値として決定する。そして、制御部１１は、各差分画像１８２内の画素から、基準画素値以上の画素（つまり、上位所定割合の画素）を抽出する。所定割合は、オペレータの入力、プログラム内の設定値等により指定されてよい。そして、制御部１１は、抽出された画素の画素値の平均値又は合計値を評価値１２５として算出する。なお、制御部１１は、濃度ヒストグラムにおける基準画素値以上の頻度を用いて、当該平均値又は合計値を算出してもよい。これにより、本実施形態では、算出された評価値１２５が大きいほど、追加用画像１２３と復元追加用画像１２４との間の差分が大きい、換言すると、復元追加用画像１２４における追加用画像１２３の復元の程度が低いことを示す。

【0173】

ただし、評価値１２５を算出する方法は、このような例に限定されなくてもよい。各追加用画像１２３及び各復元追加用画像１２４の差分と評価値１２５との間の関係は、評価値１２５が、当該差分が大きいことに応じて復元の程度が低いことを示し、かつ当該差分が小さいことに応じて復元の程度が高いことを示すように、適宜決定されてよい。例えば、上記算出方法とは反対に、評価値１２５は、復元の程度が低いほど小さく、復元の程度が高いほど大きくなるように算出されてよい。当該算出方法の一例として、制御部１１は、上記の処理により抽出された画素の画素値の平均値又は合計値の逆数を評価値１２５として算出してもよい。

【0174】

なお、本実施形態では、制御部１１は、ステップＳ１０７において、各追加用画像１２３と各復元追加用画像１２４との差分に基づいて、各追加用画像１２３に欠陥Ｌが写っているか否かを判定している。欠陥Ｌが写っていると判定されることは、追加用画像１２３と復元追加用画像１２４との間の差分が大きい、換言すると、復元追加用画像１２４における追加用画像１２３の復元の程度が低いことを示す。反対に、欠陥Ｌが写っていないと判定されることは、追加用画像１２３と復元追加用画像１２４との間の差分が小さい、換言すると、復元追加用画像１２４における追加用画像１２３の復元の程度が高いことを示す。

【0175】

そこで、本実施形態では、制御部１１は、複数の追加用画像１２３のうち、欠陥Ｌが写っていると判定された少なくとも１又は複数の追加用画像１２３について、評価値１２５を算出する。これに対して、欠陥Ｌが写っていないと判定された追加用画像１２３の評価値１２５の算出は任意であってよい。すなわち、図１１に示されるとおり、制御部１１は、欠陥Ｌが写っていないと判定された追加用画像１２３についても、評価値１２５を算出してもよい。或いは、制御部１１は、欠陥Ｌが写っていないと判定された追加用画像１２３についての評価値１２５の算出を省略してもよい。欠陥Ｌが写っているか否かに問わず、各追加用画像１２３の評価値１２５を算出する場合、制御部１１は、上記ステップＳ１０７の処理よりも前に、本ステップＳ１１２の処理を実行してもよい。本ステップＳ１１２の処理は、ステップＳ１０５の処理を実行した後の任意のタイミングで実行されてよい。

【0176】

また、本実施形態では、各追加用画像１２３は、複数のパッチ画像Ｐ２に分割されている。これに応じて、本実施形態では、制御部１１は、誤判定の追加用画像１２３の数又は割合が第１の閾値以上である、又は誤判定の評価画像１２７の数又は割合が第２の閾値以上であるパッチ画像Ｐ２毎に、各追加用画像１２３の評価値１２５を算出する。各追加用画像１２３の評価値１２５を算出すると、制御部１１は、次のステップＳ１１３に処理を進める。

【0177】

（ステップＳ１１３）
ステップＳ１１３では、制御部１１は、抽出部１１５として動作し、算出された評価値１２５に基づいて、復元の程度が低いと評価される１つ以上の追加用画像１２６を複数の追加用画像１２３から抽出する。

【0178】

復元の程度が低いと評価するための基準は、特に限定されなくてもよく、実施の形態に応じて適宜設定されてよい。本実施形態では、ステップＳ１１２により算出された評価値１２５が大きいほど、復元追加用画像１２４における追加用画像１２３の復元の程度が低いことを示す。そこで、例えば、制御部１１は、最も評価値１２５の大きい（すなわち、復元の程度に対する評価の最も低い）追加用画像１２３を追加用画像１２６として抽出してもよい。また、例えば、制御部１１は、評価値１２５の高い方（すなわち、評価の低い方）から順に所定数の追加用画像１２３を追加用画像１２６として抽出してもよい。所定数は、オペレータの入力、プログラム内の設定値等により適宜決定されてよい。また、例えば、評価値１２５が閾値よりも大きい（すなわち、閾値よりも評価の低い）追加用画像１２３を追加用画像１２６として抽出してもよい。判定の基準となる閾値は、オペレータの入力、プログラム内の設定値等により適宜決定されてよい。

【0179】

なお、本実施形態では、制御部１１は、ステップＳ１０７において、各追加用画像１２３と各復元追加用画像１２４との差分に基づいて、各追加用画像１２３に欠陥Ｌが写っているか否かを判定している。これに応じて、本実施形態では、制御部１１は、本ステップＳ１１３において、算出された評価値１２５に基づいて、欠陥Ｌが写っていると判定された１又は複数の追加用画像１２３から、復元の程度が低いと評価される１つ以上の追加用画像１２６を抽出する。

【0180】

また、本実施形態では、各追加用画像１２３は、複数のパッチ画像Ｐ２に分割されている。これに応じて、本実施形態では、制御部１１は、パッチ画像Ｐ２毎に、算出された評価値１２５に基づいて、１つ以上の追加用画像１２６を複数の追加用画像１２３から抽出する。１つ以上の追加用画像１２６を抽出すると、制御部１１は、次のステップＳ１１４に処理を進める。

【0181】

（ステップＳ１１４及びステップＳ１１５）
ステップＳ１１４では、制御部１１は、表示制御部１１８として動作し、抽出された１つ以上の追加用画像１２６それぞれを表示装置１５に表示させる。表示装置１５は、本発明の「表示装置」の一例である。ステップＳ１１５では、制御部１１は、選択受付部１１９として動作し、表示装置１５に表示された１つ以上の追加用画像１２６それぞれについて、当該１つ以上の追加用画像１２６それぞれを、後述するステップＳ１１６の機械学習に使用するか否かの選択を受け付ける。

【0182】

ここで、図１３及び図１４を更に用いて、抽出された追加用画像１２６の表示画面の一例について説明する。図１３及び図１４は、本実施形態に係る表示画面の一例を模式的に例示する図である。本実施形態に係る表示画面の一例は、３つの領域４００～４０２を有している。領域４００には、抽出された追加用画像１２６を含む各追加用画像１２３が表示される。領域４０１には、抽出された追加用画像１２６を含む複数の追加用画像１２３及び各追加用画像１２３の評価値１２５がリスト表示される。領域４０２には、後述するステップＳ１１６の機械学習に使用される学習画像がリスト表示される。ステップＳ１１５の処理による選択を受け付ける前には、領域４０２のリストには、ステップＳ１０２で使用された第１学習画像１２１の他、抽出された追加用画像１２６が含まれている。

【0183】

本実施形態では、生成モデル５は、機械学習により、欠陥Ｌの有無に関わらず、欠陥Ｌを含まない製品Ｒの画像を復元する能力を獲得する。これにより、学習済みの生成モデル５は、欠陥Ｌの検出に利用される。そのため、機械学習の使用に追加される追加用画像１２３には、欠陥Ｌが写っていないのが好ましい。しかしながら、例えば、人為的なミス等により、ステップＳ１０３では、生成モデル５に再現させることを所望しない欠陥Ｌの写る画像が追加用画像１２３として取得される可能性がある。追加用画像１２３に表れる欠陥Ｌのない製品Ｒの様子を再現する生成モデル５の能力が不十分である場合と同様に、追加用画像１２３に欠陥Ｌが写っている場合にも、評価値１２５により示される復元の程度に対する評価が低くなり得る。そのため、欠陥Ｌの写る画像が追加用画像１２３として取得された場合に、当該欠陥Ｌの写る追加用画像１２３がステップＳ１１３の処理により追加用画像１２６として抽出される可能性がある。

【0184】

この点に関して、本実施形態では、制御部１１は、ステップＳ１１４において、抽出された追加用画像１２６を領域４００に表示する。これにより、オペレータは、領域４００に表示される追加用画像１２６に写る製品Ｒの様子を目視により確認することができる。そして、オペレータは、欠陥Ｌが写っている等の理由により、機械学習に使用しないことを所望する追加用画像１２６を領域４０２のリストから削除することで、対象の追加用画像１２６について機械学習に使用しないことを選択することができる。すなわち、本実施形態では、制御部１１は、ステップＳ１１５において、領域４０２のリスト表示を介して、抽出された１つ以上の追加用画像１２６それぞれについて、当該１つ以上の追加用画像１２６それぞれを機械学習に使用するか否かの選択を受け付ける。

【0185】

また、本実施形態に係る表示画面の一例は、２つの操作ボタン（４０５、４０６）を有している。操作ボタン４０５は、領域４０１に表示される追加用画像１２３のリストから、領域４０２に表示される使用する学習画像のリストに追加する追加用画像１２３を追加するために利用される。オペレータは、領域４０１に表示されるリストから所望の追加用画像１２３を選択し、操作ボタン４０５を操作することで、所望の追加用画像１２３を領域４０２のリストに追加することができる。操作ボタン４０６は、領域４０２のリストに表示される画像を使用して、生成モデル５の機械学習を実施するために利用される。制御部１１は、操作ボタン４０６の操作に応じて、ステップＳ１１６に処理を進める。ただし、抽出された追加用画像１２６を表示し、かつ抽出された追加用画像１２６を機械学習に使用するか否かの選択を受け付けるための表示画面は、このような例に限定されなくてもよく、実施の形態に応じて適宜設計されてよい。

【0186】

なお、本実施形態では、各追加用画像１２６（１２３）は、複数のパッチ画像Ｐ２に分割されている。これに応じて、本実施形態では、図１３に示されるとおり、制御部１１は、領域４００に表示される追加用画像１２６（１２３）において、各パッチ画像Ｐ２の境界にグリッド線Ｇ１を更に表示させてもよい。これにより、各追加用画像１２６（１２３）におけるパッチ分割の視認性を高めることができる。加えて、図１４に示されるとおり、制御部１１は、評価値１２５に基づいて追加用画像１２６として抽出された対応のパッチ画像Ｐ２を示す印Ｇ５を更に表示させてもよい。これにより、復元の程度の低いと評価されたパッチ画像Ｐ２の視認性を高めることができる。

【0187】

（ステップＳ１１６）
ステップＳ１１６では、制御部１１は、追加学習部１１６として動作する。制御部１１は、抽出された１つ以上の追加用画像１２６のうち、機械学習に使用すると選択された画像を第２学習画像１２６Ａとして決定する。制御部１１は、機械学習により、決定された１つ以上の第２学習画像１２６Ａそれぞれが与えられると、与えられた１つ以上の第２学習画像１２６Ａそれぞれに適合する復元画像を生成するように生成モデル５を更に訓練する。

【0188】

本実施形態では、制御部１１は、第１学習画像１２１及び第２学習画像１２６Ａを使用して、上記ステップＳ１０２と同様に、ニューラルネットワークの演算パラメータＭを導出する。これにより、制御部１１は、第１学習画像１２１及び第２学習画像１２６Ａそれぞれが与えられると、与えられた第１学習画像１２１及び第２学習画像１２６Ａそれぞれに適合する復元画像を生成するように訓練された学習済みの生成モデル５を構築することができる。

【0189】

なお、本実施形態では、追加用画像１２６（１２３）は、第１学習画像１２１のパッチ分割に対応して、複数のパッチ画像Ｐ２に分割されている。これに応じて、本実施形態では、制御部１１は、パッチ画像Ｐ２毎に、機械学習により、決定された１つ以上の第２学習画像１２６Ａそれぞれが与えられると、与えられた１つ以上の第２学習画像１２６Ａそれぞれに適合する復元画像を生成するように生成モデル５を更に訓練する。すなわち、第１学習画像１２１のパッチ画像Ｐ１毎に構築された学習済みの生成モデル５は、第２学習画像１２６Ａの対応するパッチ画像Ｐ２が与えられると、与えられたパッチ画像Ｐ２に適合する復元画像を生成するように更に訓練される。これにより、制御部１１は、各画像（１２１、１２３、１２６）の対応するパッチ画像（Ｐ１、Ｐ２）毎に、学習済みの生成モデル５を構築する。

【0190】

上述したように、本実施形態では、制御部１１は、図１３及び図１４に例示される表示画面の一例における領域４０２のリスト表示を介して、抽出された１つ以上の追加用画像１２６それぞれについて、当該１つ以上の追加用画像１２６それぞれを機械学習に使用するか否かの選択を受け付ける。これに応じて、本実施形態では、制御部１１は、機械学習に使用しないと選択された追加用画像１２６を本ステップＳ１１６による訓練の対象から除外する。より詳細には、本実施形態では、制御部１１は、操作ボタン４０６が操作された時点において、領域４０２のリストに含まれる画像を使用して、生成モデル５の機械学習を実施する。

【0191】

生成モデル５の更なる訓練が完了すると、制御部１１は、ステップＳ１１６により得られた訓練済みの生成モデル５を利用して、ステップＳ１０５から処理を繰り返す。ステップＳ１０５～ステップＳ１１６の処理を繰り返すことで、製品Ｒの写る画像を再現する生成モデル５の能力の適切な向上に貢献する可能性の高い追加用画像１２６を複数の追加用画像１２３から抽出することができる。そして、抽出された追加用画像１２６に含まれる１つ以上の第２学習画像１２６Ａを生成モデル５の更なる機械学習に使用して、製品Ｒの写る画像を再現する生成モデル５の能力の適切な向上を図ることができる。

【0192】

なお、ステップＳ１０５～ステップＳ１１６の処理を複数回繰り返す場合、ステップＳ１１０の処理を繰り返す度に、第１の閾値及び第２の閾値の値は適宜変更されてもよい。また、ステップＳ１１２～ステップＳ１１６の処理を実行する前後の生成モデル５の性能を比較した場合に、これらの処理を実行した後に、ステップＳ１０７及びステップＳ１０８において誤判定される各画像（１２３、１２７）の数が増加したと想定する。この場合、制御部１１は、誤判定される各画像（１２３、１２７）の数の増加に関連したステップＳ１１２～ステップＳ１１６の処理結果を破棄し、ステップＳ１１７に処理を進めてもよい。これにより、制御部１１は、直前に構築された学習済みの生成モデル５を最終的な学習結果として採用してもよい。

【0193】

（ステップＳ１１７）
ステップＳ１１７では、制御部１１は、保存処理部１１１０として動作し、最終的に構築された学習済みの生成モデル５に関する情報を学習結果データ１２９として生成する。本実施形態では、最終的な機械学習に使用される学習画像は、ステップＳ１１１の条件分岐、ステップＳ１１３の処理、及びステップＳ１１５の処理それぞれの結果に応じて、第１学習画像１２１及び追加用画像１２３（１２６）から決定される。なお、本実施形態では、学習画像のパッチ画像毎に学習済みの生成モデル５が構築される。そのため、制御部１１は、学習画像のパッチ画像毎に構築された学習済みの生成モデル５に関する情報を学習結果データ１２９として生成する。

【0194】

学習結果データ１２９には、生成モデル５を構成する演算パラメータＭの値を再現可能な情報が含まれる。本実施形態では、生成モデル５は、ニューラルネットワークにより構成される。そのため、例えば、学習結果データ１２９には、最終的に構築された学習済みのニューラルネットワーク（生成モデル５）の演算パラメータＭの値を再現可能な情報が含まれる。また、例えば、学習結果データ１２９には、学習画像のパッチ画像毎に導出された演算パラメータＭが含まれてもよい。制御部１１は、生成された学習結果データ１２９を所定の記憶領域に保存する。

【0195】

所定の記憶領域は、例えば、制御部１１内のＲＡＭ、記憶部１２、記憶媒体９１、外部記憶装置又はこれらの組み合わせであってよい。外部記憶装置は、例えば、ＮＡＳ（Network Attached Storage）等のデータサーバであってもよい。この場合、制御部１１は、通信インタフェース１３を利用して、ネットワークを介してデータサーバに学習結果データ１２９を格納してもよい。また、外部記憶装置は、例えば、学習装置１に接続された外付けの記憶装置であってよい。学習結果データ１２９を保存すると、制御部１１は、本動作例に係る一連の処理を終了する。

【0196】

なお、学習装置１により生成された学習結果データ１２９は、任意のタイミングで検出装置２に提供されてよい。例えば、制御部１１は、上記ステップＳ１１７の処理として又は上記ステップＳ１１７とは別に、学習結果データ１２９を検出装置２に転送してもよい。検出装置２は、この転送を受け付けることで、学習結果データ１２９を取得してもよい。また、例えば、検出装置２は、通信インタフェース２３を利用して、学習装置１又はデータサーバにネットワークを介してアクセスすることで、学習結果データ１２９を取得してもよい。また、例えば、検出装置２は、記憶媒体９２を介して、学習結果データ１２９を取得してもよい。また、例えば、学習結果データ１２９は、検出装置２に予め組み込まれてもよい。

【0197】

［検出装置］
次に、図１５を用いて、検出装置２の動作例について説明する。図１５は、本実施形態に係る検出装置２の処理手順の一例を示すフローチャートである。以下で説明する処理手順は、検出方法の一例である。ただし、以下で説明する処理手順は一例に過ぎず、各処理は可能な限り変更されてよい。検出方法には、上記学習方法及びモデル選択方法が含まれてよい。また、以下で説明する処理手順について、実施の形態に応じて、適宜、ステップの省略、置換、及び追加が可能である。

【0198】

（ステップＳ３０１）
ステップＳ３０１では、制御部２１は、取得部２１１として動作し、製品Ｒを観測することで得られた観測画像２２１を取得する。本実施形態では、検出装置２には、外部インタフェース２７を介してカメラＣＡが接続されている。そのため、制御部２１は、カメラＣＡから観測画像２２１を取得する。この観測画像２２１は、動画像であってもよいし、静止画像であってもよい。

【0199】

なお、観測画像２２１を取得する経路は、このような例に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、カメラＣＡは、検出装置２とは異なる他の情報処理装置に接続されていてもよい。この場合、制御部２１は、他の情報処理装置を介して観測画像２２１を取得してもよい。観測画像２２１を取得すると、制御部２１は、次のステップＳ３０２に処理を進める。

【0200】

（ステップＳ３０２）
ステップＳ３０２では、制御部２１は、生成部２１２として動作し、学習結果データ１２９を参照して、学習済みの生成モデル５の設定を行う。そして、制御部２１は、取得された観測画像２２１を学習済みの生成モデル５に入力し、学習済みの生成モデル５の演算処理を実行することで、観測画像２２１を復元した復元観測画像２２３を生成する。復元観測画像２２３は、学習済みの生成モデル５の出力、すなわち、学習済みの生成モデル５の演算結果として取得される。

【0201】

本ステップＳ３０２は、上記ステップＳ１０５及びステップＳ１０６と同様に処理されてよい。すなわち、本実施形態では、制御部２１は、学習結果データ１２９を参照し、学習済みの生成モデル５を用意する。制御部２１は、観測画像２２１を生成モデル５に入力する。これにより、制御部２１は、復元観測画像２２３を生成する。

【0202】

なお、本実施形態では、学習画像のパッチ画像毎に学習済みの生成モデル５が構築される。これに応じて、本実施形態では、制御部２１は、各学習画像（１２１、１２３）のパッチ分割と同様に、取得された観測画像２２１を複数のパッチ画像Ｐ４に分割してもよい。或いは、上記ステップＳ３０１において、制御部２１は、複数のパッチ画像Ｐ４に分割された観測画像２２１を取得してもよい。本ステップＳ３０２では、制御部２１は、学習結果データ１２９を参照することで、パッチ画像Ｐ４毎に、生成モデル５を設定する。そして、制御部２１は、観測画像２２１の各パッチ画像Ｐ４を対応する生成モデル５に入力し、各生成モデル５の演算処理を実行する。これにより、制御部２１は、観測画像２２１を復元した復元観測画像２２３をパッチ画像Ｐ４毎に生成する。換言すると、制御部２１は、観測画像２２１の各パッチ画像Ｐ４に対応する復元観測画像２２３の各パッチ画像を生成する。復元観測画像２２３を生成すると、制御部２１は、次のステップＳ３０３に処理を進める。

【0203】

（ステップＳ３０３）
ステップＳ３０３では、制御部２１は、検出部２１３として動作し、生成された復元観測画像２２３及び観測画像２２１の間の差分に基づいて、製品Ｒと共に欠陥が観測画像２２１に写っているか否か（すなわち、観測画像２２１に写る製品Ｒに欠陥が存在するか否か）を検出する。

【0204】

本ステップＳ３０３は、上記ステップＳ１０７及びステップＳ１０８と同様に処理されてよい。すなわち、第１のステップでは、制御部２１は、観測画像２２１と復元観測画像２２３との差分を算出することで、差分画像２２５を生成する。第２のステップでは、制御部２１は、二値化の閾値を利用して、差分画像２２５の各画素を二値化する。第３のステップでは、制御部２１は、得られた二値化画像内の連続する白色画素の領域を一つの領域と認定し、白色画素の各領域の形状に関する属性（例えば、面積、幅、高さ、周囲の長さ、縦横比、円形度等）が閾値を満たしているか否かを判定する。制御部２１は、閾値を満たす領域をそのままにし、閾値を満たさない領域内の画素の画素値を「０」に変換する。これにより、制御部２１は、欠陥の検出画像を生成することができる。第４のステップでは、制御部２１は、検出画像に白色画素の領域が存在するか否かに応じて、観測画像２２１に写る製品Ｒに欠陥が存在するか否かを判定する。本実施形態では、これらの一連の処理により、制御部２１は、観測画像２２１と復元観測画像２２３との間の差分に基づいて、観測画像２２１に写る製品Ｒに欠陥が存在するか否かを検出することができる。

【0205】

当該検出処理における各閾値の値は、実施の形態に応じて適宜決定されてよい。例えば、各閾値の値は、オペレータの入力により指定されてよい。また、例えば、各閾値の値は、プログラム内の設定値として与えられてもよい。また、例えば、各閾値には、上記ステップＳ１０９により特定された検出パラメータ候補６１が利用されてよい。この場合、検出パラメータ候補６１は、学習結果データ１２９と共に又は学習結果データ１２９とは異なるタイミングで、検出装置２に提供されてよい。検出パラメータ候補６１を検出装置２に適用する方法は、学習結果データ１２９と同様であってよい。

【0206】

なお、本実施形態では、観測画像２２１は、複数のパッチ画像Ｐ４に分割される。これに応じて、本実施形態では、制御部２１は、観測画像２２１のパッチ画像Ｐ４毎に、観測画像２２１の対象のパッチ画像Ｐ４と復元観測画像２２３の対応するパッチ画像との差分に基づいて、当該対象のパッチ画像Ｐ４に写る製品Ｒに欠陥が存在するか否かを検出してもよい。観測画像２２１に写る製品Ｒに欠陥が存在するか否かを検出すると、制御部２１は、次のステップＳ３０４に処理を進める。

【0207】

（ステップＳ３０４）
ステップＳ３０４では、制御部２１は、出力部２１４として動作し、欠陥の検出の結果、すなわち、製品Ｒの良否を判定した結果に関する情報を出力する。

【0208】

製品Ｒの良否を判定した結果の出力形式は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、制御部２１は、製品Ｒの良否を判定した結果をそのまま表示装置２５に出力してもよい。更に、ステップＳ３０３において、欠陥の存在が検出された場合、制御部２１は、欠陥を発見したことを知らせるための警告を本ステップＳ３０４の出力処理として行ってもよい。このとき、制御部２１は、欠陥を発見したことと共に、この欠陥の位置を通知してもよい。

【0209】

また、制御部２１は、本ステップＳ３０４の出力処理として、製品Ｒの良否を判定した結果に応じた所定の制御処理を実行してもよい。具体例として、検出装置２は、製品Ｒの搬送を行う製造ラインに接続されていてもよい。この場合に、制御部２１は、欠陥が存在すると判定された製品Ｒを、欠陥が存在しないと判定された製品Ｒとは異なる経路で搬送する指令を製造ラインに送信する処理を本ステップＳ３０４の出力処理として行ってもよい。

【0210】

製品Ｒの良否を判定した結果の出力処理が完了すると、制御部２１は、本動作例に係る処理を終了する。なお、制御部２１は、製造ライン上で搬送される製品ＲがカメラＣＡの撮影範囲に入る度に、上記ステップＳ３０１～Ｓ３０４の一連の処理を実行してもよい。これにより、検出装置２は、製造ライン上で搬送される製品Ｒの外観検査を継続的に行なうことができる。

【0211】

［特徴］
以上のとおり、本実施形態では、ステップＳ１０２において、第１学習画像１２１を使用した機械学習により、学習済みの生成モデル５が暫定的に構築される。そして、ステップＳ１１２及びステップＳ１１３の処理により、暫定的に構築された学習済みの生成モデル５が各追加用画像１２３に対して復元能力を発揮した結果に基づいて、当該復元能力の適切な向上に貢献する可能性の高い１つ以上の追加用画像１２６を複数の追加用画像１２３から自動的に抽出することができる。したがって、本実施形態によれば、学習画像を適切に選択できる。これに応じて、検出装置２では、上記一連の処理において、このように適切に選択された学習画像を用いて構築された学習済みの生成モデル５を利用することで、製品Ｒに欠陥が存在するか否かを精度よく検出することができる。その結果、製品Ｒの欠陥検出にかかるコストを低減することができる。

【0212】

また、パッチ画像毎に生成モデルを用意する場合、生成モデルの機械学習に使用する学習画像を適切に選択することが更に困難となる。これに対して、本実施形態によれば、パッチ画像毎に用意される生成モデル５の機械学習に使用する学習画像の選択処理の少なくとも一部を自動化することができる。そのため、当該選択に係るコストを大幅に削減することができる。更に、検出装置２では、パッチ画像単位で最適化された生成モデル５を利用することで、欠陥の検出する精度を高めることができる。

【0213】

また、本実施形態では、ステップＳ１０５～ステップＳ１１１の処理により、構築された学習済みの生成モデル５を利用した欠陥検出の性能を評価し、欠陥検出の性能が低いと評価される場合に、生成モデル５の更なる機械学習により当該性能の向上を図ることができる。更に、生成モデル５を利用した欠陥検出の性能を評価する際に、ステップＳ１０７～ステップＳ１０９の処理において、生成モデル５の復元能力に応じて欠陥の検出に使用する検出パラメータを自動的に最適化することができる。これらにより、機械学習に使用する学習画像は、欠陥の検出する処理に適するように最適化される。これに応じて、検出装置２では、このように適切に選択された学習画像を用いて構築された学習済みの生成モデル５を利用することで、欠陥の検出する精度を高めることができる。

【0214】

また、本実施形態では、ステップＳ１１４及びステップＳ１１５の処理により、機械学習に使用する学習画像の選択にオペレータの目視の結果を反映させることができる。これにより、欠陥の写る追加用画像１２６を機械学習の対象から除外することができる。これにより、機械学習の使用する学習画像が、欠陥の検出する処理に適するように選択されることを期待することができる。これに応じて、検出装置２では、このように使用する学習画像が最適化された機械学習により構築された学習済みの生成モデル５を利用することで、欠陥の検出する精度を高めることができる。

【0215】

§４ 実験例
次に、本発明の実験例について説明する。汎用のコンピュータを利用して、以下の実験条件に従って、学習済みの生成モデルを構築する実験を行った。

【0216】

＜実験条件＞
・第１学習画像の数：１０件
・追加用画像の数：３４３５件
・各第１学習画像および各追加用画像：欠陥のない製品の写る画像
・評価画像の数：４２件
・評価画像：欠陥を含む製品の写る画像
・所定の特徴：製品（ＬＥＤ：発光ダイオード）
・他の特徴：欠陥（異物混入）
・各画像のサイズ：３５０×３５０
・各画像の画素値：２５６階調
・差分画像の画素値の範囲：０～２５５
・二値化の閾値（閾値６５）の値：１０～７０
・面積に対する閾値（閾値６６）の値（画素数）：１０～１０００。

【0217】

パッチ画像に分割されていないことを除き、上記実施形態と同様に、ステップＳ１０１～ステップＳ１０９及びステップＳ１１２～ステップＳ１１６の処理を実行した。学習済みの生成モデルは、ニューラルネットワークにより構成した。ステップＳ１１２では、画素値の上位１０％の画素を抽出し、抽出された画素の画素値の平均値を評価値として算出した。また、ステップＳ１１３では、評価値の最も高い（すなわち、復元の程度の最も低い）追加用画像を抽出した。抽出した追加用画像を第２学習画像として決定した。ステップＳ１０５～ステップＳ１０９及びステップＳ１１２～ステップＳ１１６の一連の処理を繰り返し、ステップＳ１０７及びステップＳ１０８において、誤判定される各画像の数を算出した。これにより、機械学習の一連の処理を繰り返す過程で構築された学習済みの生成モデルの性能の評価を行った。

【0218】

図１６は、当該実験例により機械学習の処理を繰り返す過程で構築された学習済みの生成モデルの性能を評価した結果を示す。「新たに学習した学習画像の評価値」のフィールドは、機械学習の対象に追加した第２学習画像の評価値を示す。「成績」のフィールドは、ステップＳ１０７及びステップＳ１０８において誤判定された各画像の数を示す。「検出パラメータ」のフィールドは、ステップＳ１０９により特定された各閾値の最適な値を示す。

【0219】

図１６に示されるとおり、第１回目から第５回目までは、ステップＳ１０５～ステップＳ１０９及びステップＳ１１２～ステップＳ１１６の一連の処理を繰り返すことで、生成モデルの復元能力を適切に向上させることができた。これにより、ステップＳ１０７及びステップＳ１０８において、誤判定される各画像の数を低減することができた。この結果から、本発明によれば、復元能力の適切な向上に貢献する可能性の高い追加用画像を抽出することができることが分かった。

【0220】

また、第６回目の処理により構築された学習済みの生成モデルでは、ステップＳ１０７における誤判定される追加用画像の件数が増加した。これにより、学習画像の件数が過剰になると、学習済みの生成モデルを利用した欠陥検出の性能の低下を招く可能性があることが分かった。本実験例のケースでは、第５回目の処理が完了した時点で、学習画像の件数を「１４」件に最適化することができ、全画像３４８７件のうち３４３９件の画像について、欠陥の有無を正しく検出する性能に対応する製品の復元能力を有する生成モデルを構築することができた。これにより、１４件の学習画像により構築された学習済みの生成モデルにより、製品の欠陥検出を高精度に実施することができ、当該検出にかかるコストを大幅に削減することができることが分かった。

【0221】

§５ 変形例
以上、本発明の実施の形態を詳細に説明してきたが、前述までの説明はあらゆる点において本発明の例示に過ぎない。本発明の範囲を逸脱することなく種々の改良や変形を行うことができることは言うまでもない。例えば、以下のような変更が可能である。なお、以下では、上記実施形態と同様の構成要素に関しては同様の符号を用い、上記実施形態と同様の点については、適宜説明を省略した。以下の変形例は適宜組み合わせ可能である。

【0222】

＜５．１ 変形例１＞
上記実施形態では、製品Ｒの写る画像を利用して、製品Ｒに欠陥が存在するか否かを検出する場面に本発明を適用した例を示している。製品Ｒ（特に、製造ラインで搬送される製品であって、欠陥を含まない製品）が、所定の特徴の一例である。製品Ｒに発生し得る欠陥が、他の特徴の一例である。しかしながら、本発明の適用範囲は、このような外観検査の例に限られる訳ではない。本発明は、例えば、所定の物体が画像に写っているか否かを検出する場面等、被写体の写る画像から何らかの特徴を検出するあらゆる場面に適用可能である。

【0223】

所定の特徴は、画像に写り得るものであれば、上記製品Ｒ以外であってもよい。所定の特徴は、それ自身が抽出の対象となり得るもの、抽出の対象とならない背景、及びこれらの組み合わせであってよい。同様に、他の特徴も、画像に写り得るものであれば、上記欠陥以外であってもよい。上記実施形態以外の一例として、所定の特徴は、例えば、人物、車両（例えば、自動車）等の移動し得る物体であってよい。これに応じて、他の特徴は、例えば、当該移動により変化し得る物体の三次元形状、オプティカルフロー（移動方向）等であってよい。深度カメラ等により観測画像の各画素の画素値に奥行方向の距離が含まれている場合に、観測画像と復元画像との各画素の差分により、対象物体の三次元形状を推定することができる。また、復元画像において移動前の状態を復元した場合に、観測画像と復元画像との差分により、対象物体のオプティカルフローを推定することができる。

【0224】

また、所定の特徴は、他の特徴を含む状態及び他の特徴を含まない状態の２つの状態を取り得るものであってもよい。所定の特徴と他の特徴とがこのような関係にある場合、各状態の取り得る確率が偏っているのが望ましい。各状態の取り得る確率が偏っているとは、いずれかの状態の取り得る確率が、他の状態の取り得る確率に比べて、生成モデルの再現性に影響を与える程度に高いことである。加えて、所定の特徴の発生確率の高い状態に含まれておらず、発生確率の低い状態に含まれている特徴が当該他の特徴に選択されるのが望ましい。更には、機械学習に使用される各学習画像に写る所定の特徴には、当該他の特徴が含まれていないのが望ましい。これにより、他の特徴を含まない所定の特徴が写る学習画像を生成モデルの機械学習に使用することで、生成モデルは、入力画像に写る所定の特徴に他の特徴が含まれるか否かに関わらず、当該他の特徴を含まない所定の特徴の写る復元画像を生成するように訓練される。そのため、生成モデルにより生成される復元画像と入力画像との差分に基づいて、入力画像に写る所定の特徴に他の特徴が含まれるか否かを検出することができる。

【0225】

＜５．２ 変形例２＞
上記実施形態では、生成モデル５は、ニューラルネットワークにより構成されている。しかしながら、生成モデル５の構成は、このような例に限定されなくてもよい。生成モデル５は、画像を変換可能であれば、その種類は、特に限定されなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、生成モデル５は、例えば非特許文献３のように、主成分分析（ＫＬ展開）により導出された固有ベクトル行列により構成されてもよい。

【0226】

上記ステップＳ１０５及びステップＳ１０６において復元画像（１２４、１２８）を生成する処理が、ニューラルネットワークの演算処理から固有ベクトル行列の演算処理からに置き換わる。また、上記ステップＳ１１７では、制御部１１は、主成分分析（ＫＬ展開）により導出された固有ベクトル行列を再現可能な情報を学習結果データ１２９として生成し、生成された学習結果データ１２９を所定の記憶領域に保存する。これらの点を除き、上記実施形態に係る学習装置１は、上記実施形態と同様の処理手順により、機械学習に使用する学習画像を適切に選択できる。なお、上記実施形態と同様に、生成された学習結果データ１２９は、任意のタイミングで検出装置２に提供されてよい。

【0227】

上記実施形態に係る検出装置２についても同様である。すなわち、上記ステップＳ３０２において復元観測画像２２３を生成する処理が、ニューラルネットワークの演算処理から固有ベクトル行列の演算処理に置き換わる。この点を除き、上記実施形態に係る検出装置２は、上記実施形態と同様の処理手順により、観測画像２２１に写る製品Ｒに欠陥が存在するか否かを検出することができる。

【0228】

＜５．３ 変形例３＞
上記実施形態では、制御部１１は、抽出された追加用画像１２６等の情報を表示装置１５に出力している。しかしながら、情報の出力先は、このような例に限られなくてもよく、実施の形態に応じて適宜選択されてよい。例えば、制御部１１は、抽出された追加用画像１２６等の情報を、表示装置１５とは別の表示装置に出力してもよいし、表示装置以外の出力先（例えば、メモリ、表示装置以外の出力装置）に出力してもよい。

【0229】

＜５．４ 変形例４＞
上記実施形態では、各画像（１２１、１２３、１２７、２２１）は、パッチ画像（Ｐ１、Ｐ２、Ｐ３、Ｐ４）に分割されている。しかしながら、画像の形態は、このような例に限定されなくてもよい。各画像（１２１、１２３、１２７、２２１）は、パッチ画像に分割されなくてもよい。この場合、上記実施形態の各処理は、画像全体に適用されてよい。

【0230】

＜５．５ 変形例５＞
上記実施形態では、学習装置１は、上記ステップＳ１０２及びステップＳ１１６において、生成モデル５の機械学習を実施している。しかしながら、機械学習の処理は、必ずしも学習装置１により実行されなければならない訳ではない。ステップＳ１０２及びステップＳ１１６の少なくとも一方の機械学習の処理は、他のコンピュータにより実行されてよい。例えば、ステップＳ１０２の機械学習の処理は、他のコンピュータにより実行されてよい。ステップＳ１０２及びステップＳ１１６の処理が他のコンピュータにより実行される場合、学習装置１は、例えば、学習画像選択装置等と称されてもよい。

【0231】

図１７は、変形例５に係る学習装置１Ｂのソフトウェア構成の一例を模式的に例示する図である。第１取得部１１０及び学習部１１１がモデル取得部１１１Ｂに置き換わる点を除き、本変形例に係る学習装置１Ｂのソフトウェア構成は、上記実施形態に係る学習装置１と同様である。モデル取得部１１１Ｂは、１つ以上の第１学習画像１２１を使用した機械学習により訓練された生成モデル５を取得する。また、本変形例に係る学習装置１Ｂのハードウェア構成は、上記実施形態に係る学習装置１と同様である。すなわち、学習装置１Ｂは、制御部１１、記憶部１２、通信インタフェース１３、入力装置１４、表示装置１５、及びドライブ１６が電気的に接続されたコンピュータである（図示は省略）。

【0232】

本変形例では、学習装置１Ｂの制御部１１は、上記ステップＳ１０１及びステップＳ１０２の処理を省略し、モデル取得部１１１Ｂとして動作する。すなわち、制御部１１は、１つ以上の第１学習画像１２１を使用した機械学習により訓練された生成モデル５を取得する。上記実施形態と同様に、生成モデル５は、入力画像が与えられると、与えられた入力画像を特徴量に変換し、変換により得られた特徴量から与えられた入力画像を復元した画像を生成するように構成される。機械学習により、生成モデル５は、１つ以上の第１学習画像１２１それぞれが与えられると、与えられた１つ以上の第１学習画像１２１それぞれに適合する復元画像を生成するように訓練されている。この機械学習の処理は、他のコンピュータにより実行されてよい。

【0233】

上記実施形態の学習結果データ１２９と同様に、機械学習により訓練された生成モデル５に関する情報は、学習結果データとして学習装置１Ｂに提供されてよい。また、上記実施形態における学習装置１により生成された学習結果データ１２９を検出装置２に提供する方法と同様の方法で、他のコンピュータにより生成された学習結果データが学習装置１Ｂに提供されてよい。１つ以上の第１学習画像１２１を使用した機械学習により訓練された生成モデル５を取得した後、学習装置１Ｂは、上記実施形態におけるステップＳ１０３～ステップＳ１１７の処理を実行してもよい。これにより、本変形例に係る学習装置１Ｂは、上記実施形態と同様に、機械学習に使用する学習画像を適切に選択できる。なお、この変形例において、第２取得部１１２は、画像取得部の一例である。

【0234】

上記変形例のとおり、機械学習の処理が他のコンピュータにより実行される場合、上記処理手順における機械学習の処理は、当該他のコンピュータから機械学習の処理結果を取得することに置き換わる。また、ステップＳ１１６の機械学習の処理を他のコンピュータが実行する場合、学習装置１は、ステップＳ１１３の抽出結果を当該他のコンピュータに通知する。抽出結果を通知することは、抽出された追加用画像１２６の識別子を通知することであってもよいし、抽出された追加用画像１２６そのものを送信することであってもよい。

【0235】

＜５．６ 変形例６＞
上記実施形態では、学習装置１は、ステップＳ１１５により、表示装置１５に表示された１つ以上の追加用画像１２６それぞれについて、当該１つ以上の追加用画像１２６それぞれを、機械学習に使用するか否かの選択を受け付けている。この選択を受け付ける処理は、省略されてよい。この場合、上記実施形態に係る学習装置１の処理手順からステップＳ１１５の処理は省略され、１つ以上の追加用画像１２６の各々が第２学習画像１２６Ａとして自動的に決定されてもよい。上記実施形態に係る学習装置１のソフトウェア構成から選択受付部１１９は省略されてよい。加えて、ステップＳ１１５を省略する場合、追加用画像１２６を出力するステップＳ１１４の処理が更に省略されてよい。この場合、上記実施形態に係る学習装置１のソフトウェア構成から表示制御部１１８が更に省略されてよい。

【0236】

また、上記実施形態では、ステップＳ１０５～ステップＳ１１１の処理により、構築された学習済みの生成モデル５を利用した欠陥検出の性能を評価している。この欠陥検出の性能を評価する処理は省略されてよい。この場合、上記実施形態に係る学習装置１の処理手順からステップＳ１０６～ステップＳ１１１の処理は省略されてよい。上記実施形態に係る学習装置１のソフトウェア構成から第３取得部１１７は省略されてよい。

【0237】

また、上記実施形態において、各ステップの処理順序は適宜変更されてよい。例えば、ステップＳ１０３及びステップＳ１０４の処理順序は入れ替わってもよい。ステップＳ１０３の処理は、ステップＳ１０５の処理を実行する前のいずれのタイミングに実行されてよい。ステップＳ１０４の処理は、ステップＳ１０６の処理を実行する前のいずれのタイミングに実行されてよい。また、例えば、ステップＳ１０５及びステップＳ１０６の処理順序は入れ替わってもよい。ステップＳ１０５の処理は、ステップＳ１０７の処理を実行する前のいずれのタイミングに実行されてよい。ステップＳ１０６の処理は、ステップＳ１０８の処理を実行する前のいずれのタイミングに実行されてよい。また、例えば、ステップＳ１０７及びステップＳ１０８の処理順序は入れ替わってもよい。ステップＳ１０７及びステップＳ１０８の各処理は、ステップＳ１０９の処理を実行する前のいずれのタイミングに実行されてよい。ステップＳ１０７及びステップＳ１０８の一方の判定結果をステップＳ１０９の処理で利用しない場合、その判定処理は、ステップＳ１１０を実行する前のいずれのタイミングに実行されてよい。

【0238】

＜５．７ 変形例７＞
上記実施形態では、複数の検出パラメータ候補６０が与えられている。制御部１１は、ステップＳ１０９により、誤判定の最も少ない１つの検出パラメータ候補６１を複数の検出パラメータ候補６０から特定している。しかしながら、検出パラメータの与え方は、このような例に限定されなくてもよい。

【0239】

例えば、制御部１１は、誤判定される各画像（１２３，１２７）の数又は割合が予め定められた閾値以下となる１以上の検出パラメータ候補を複数の検出パラメータ候補６０から抽出してもよい。あるいは、制御部１１は、誤判定される各画像（１２３，１２７）の数又は割合の少ない上位所定数（例えば５個）の検出パラメータ候補を複数の検出パラメータ候補６０から抽出してもよい。

【0240】

製造ラインにおいて、不良品が良品として出荷されることは、できるだけ回避されるべきである。そのため、制御部１１は、複数の評価画像１２７のうち、誤判定される評価画像１２７の割合が予め定められた閾値（以下、「許容見逃し率」と記載する。）以下となる少なくとも１つの検出パラメータ候補６０を抽出する。許容見逃し率は、オペレータの入力、プログラム内の設定値等により与えられてよい。誤判定される評価画像１２７の割合が許容見逃し率以下となる２以上の検出パラメータ候補６０が存在する場合、制御部１１は、当該２以上の検出パラメータ候補６０を抽出する。あるいは、制御部１１は、誤判定される評価画像１２７の数又は割合の少ない上位所定数（例えば５個）の検出パラメータ候補６０を抽出してもよい。

【0241】

制御部１１は、抽出された１以上又は所定数の検出パラメータ候補６０の各々と、当該各検出パラメータ候補を用いたときの、誤判定される各画像（１２３，１２７）の数又は割合を表示装置１５に表示する。そして、制御部１１は、入力装置１４に入力された選択指示に従って、表示された１以上又は所定数の検出パラメータ候補６０の中から１つの検出パラメータ候補６１を選択してもよい。誤判定される評価画像１２７の数又は割合は、不良品が良品として判定される数又は割合である。誤判定される評価画像１２７の数又は割合が小さいほど、不良品の流出を抑制できる。一方、誤判定される追加用画像１２３の数又は割合は、良品が不良品として判定される数又は割合である。誤判定される追加用画像１２３の数又は割合が小さいほど、歩留まりが良い。オペレータは、製造ラインに要求される不良品の流出割合および歩留まりを考慮しながら、検出パラメータ候補６１を選択すればよい。

【0242】

あるいは、検出パラメータの値は、予め決定されていてもよい。検出パラメータの値は、オペレータの入力、プログラム内の設定値等により与えられてよい。この場合、上記実施形態に係る学習装置１の処理手順からステップＳ１０９の処理が省略されてよい。また、制御部１１は、決定された検出パラメータを利用して、ステップＳ１０７及びステップＳ１０８それぞれの処理を実行してもよい。更に、ステップＳ１１０では、制御部１１は、決定された検出パラメータを利用した判定の結果において、誤判定の追加用画像１２３の数又は割合が第１の閾値以上であるか否かを判定してもよい。また、制御部１１は、決定された検出パラメータを利用した判定の結果において、誤判定の評価画像１２７の数又は割合が第２の閾値以上であるか否かを判定してもよい。

【0243】

＜５．８ 変形例８＞
上記実施形態では、制御部１１（第３取得部１１７）は、所定の特徴である製品Ｒ及び他の特徴である欠陥Ｌがそれぞれ写る複数の評価画像１２７を取得している。しかしながら、制御部１１は、製品Ｒ及び欠陥Ｌがそれぞれ写る複数の第１評価画像と、製品Ｒが写り、欠陥Ｌが写っていない複数の第２評価画像とを取得してもよい。すなわち、第１評価画像には良品である製品Ｒが写り、第２評価画像には不良品である製品Ｒが写る。

【0244】

図１８は、変形例８に係る学習装置のソフトウェア構成の一例を模式的に例示する図である。図１８に例示される学習装置１Ｃは、図５に例示される学習装置１と比較して、第３取得部１１７の代わりに第３取得部１１７Ｃを備える点で相違する。

【0245】

第３取得部１１７Ｃは、製品Ｒ及び欠陥Ｌがそれぞれ写る複数の第１評価画像１２７Ａと、製品Ｒが写り、欠陥Ｌが写っていない複数の第２評価画像１２７Ｂとを取得する。

【0246】

複数の第１評価画像１２７Ａは、上記評価画像１２７と同様に生成されてもよい。すなわち、各第１評価画像１２７Ａは、各画像（１２１、１２３）と同様に、コンピュータの動作により自動的に生成されてもよいし、オペレータの操作により手動的に生成されてもよい。また、各第１評価画像１２７Ａの生成は、学習装置１により行われてもよいし、学習装置１以外の他のコンピュータにより行われてもよい。制御部１１は、自動的に又は入力装置１４を介したオペレータの操作により手動的に上記一連の処理を実行することで、複数の第１評価画像１２７Ａを取得してもよい。或いは、制御部１１は、例えば、ネットワーク、記憶媒体９１等を介して、他のコンピュータにより生成された複数の第１評価画像１２７Ａを取得してもよい。複数の第１評価画像１２７Ａのうちの一部が学習装置１により生成され、残りが他のコンピュータにより生成されてもよい。取得する第１評価画像１２７Ａの件数は、特に限定されなくてもよく、適宜決定されてよい。

【0247】

複数の第２評価画像１２７Ｂは、上記画像（１２１、１２３）と同様に生成されてもよい。各第２評価画像１２７Ｂの生成は、学習装置１により行われてもよいし、学習装置１以外の他のコンピュータにより行われてもよい。制御部１１は、自動的に又は入力装置１４を介したオペレータの操作により手動的に上記一連の処理を実行することで、複数の第２評価画像１２７Ｂを取得してもよい。或いは、制御部１１は、例えば、ネットワーク、記憶媒体９１等を介して、他のコンピュータにより生成された複数の第２評価画像を取得してもよい。複数の第２評価画像１２７Ｂのうちの一部が学習装置１により生成され、残りが他のコンピュータにより生成されてもよい。取得する第２評価画像の件数は、特に限定されなくてもよく、適宜決定されてよい。

【0248】

本変形例では、制御部１１（生成部１１３）は、上記ステップＳ１０５において、取得された複数の第２評価画像１２７Ｂそれぞれを生成モデル５に与えることで、複数の第２評価画像１２７Ｂそれぞれを復元した複数の第２復元評価画像１２８Ｂそれぞれを生成する。また、制御部１１は、上記ステップＳ１０６において、取得された複数の第１評価画像１２７Ａそれぞれを生成モデル５に与えることで、複数の第１評価画像１２７Ａそれぞれを復元した複数の第１復元評価画像１２８Ａそれぞれを生成する。

【0249】

上記ステップＳ１０７では、制御部１１（評価部１１４）は、各第２評価画像１２７Ｂと各第２復元評価画像１２８Ｂとの差分の程度に基づいて、各第２評価画像に欠陥Ｌが写っているか否かを判定する。すなわち、制御部１１（評価部１１４）は、複数の第２評価画像１２７Ｂそれぞれと複数の第２復元評価画像１２８Ｂそれぞれとの間の差分を示す複数の差分画像１８３Ｂそれぞれを生成する。制御部１１（評価部１１４）は、各差分画像１８３Ｂを利用して、各第２評価画像１２７Ｂに欠陥Ｌが写っているか否かを判定する。

【0250】

上記ステップＳ１０８では、制御部１１（評価部１１４）は、各第１評価画像１２７Ａと各第１復元評価画像１２８Ａとの差分の程度に基づいて、各第１評価画像１２７Ａに欠陥Ｌが写っているか否かを判定する。すなわち、制御部１１（評価部１１４）は、複数の第１評価画像１２７Ａそれぞれと複数の第１復元評価画像１２８Ａそれぞれとの間の差分を示す複数の差分画像１８３Ａそれぞれを生成する。制御部１１（評価部１１４）は、各差分画像１８３Ａを利用して、各第１評価画像１２７Ａに欠陥Ｌが写っているか否かを判定する。

【0251】

上記ステップＳ１０９では、制御部１１は、各ステップ（Ｓ１０７、Ｓ１０８）の判定結果に基づいて、欠陥Ｌが画像に写っているか否かを判定するための検出パラメータの最適化を実行する。具体的には、制御部１１は、欠陥Ｌが写っていると判定された第２評価画像１２７Ｂの数（以下、誤判定の第２評価画像の数とも記載する）をカウントする。制御部１１は、欠陥Ｌが写っていないと判定された第１評価画像１２７Ａの数（以下、誤判定の第１評価画像の数と記載する）の数をカウントする。制御部１１は、誤判定の第１評価画像の数及び誤判定の第２評価画像の数が最も少ない１つの検出パラメータ候補６１を特定する。

【0252】

あるいは、制御部１１は、上記変形例７と同様に、複数の第１評価画像１２７Ａのうち、欠陥Ｌが写っていないと判定された第１評価画像１２７Ａの割合が許容見逃し率以下となる少なくとも１つの検出パラメータ候補６０を抽出してもよい。以下、複数の第１評価画像１２７Ａのうち欠陥Ｌが写っていると判定された第１評価画像１２７Ａの割合を、誤判定の第１評価画像の割合とも記載する。制御部１１は、抽出された１以上の検出パラメータ候補６０の各々と、当該各検出パラメータ候補を用いたときの、複数の第２評価画像１２７Ｂのうち欠陥Ｌが写っていると判定された第２評価画像１２７Ｂの割合とを表示装置１５に表示する。以下、複数の第２評価画像１２７Ｂのうち欠陥Ｌが写っていると判定された第２評価画像１２７Ｂの割合を、誤判定の第２評価画像の割合とも記載する。そして、制御部１１は、入力装置１４に入力された選択指示に従って、抽出された１以上の検出パラメータ候補６０の中から１つの検出パラメータ候補６１を選択してもよい。

【0253】

上記のステップＳ１１０では、制御部１１は、評価部１１４として動作し、特定された１つの検出パラメータ候補６１を利用した判定の結果において、誤判定の第２評価画像の数又は割合が第１の閾値以上であるか否かを判定する。さらに、制御部１１は、特定された１つの検出パラメータ候補６１を利用した判定の結果において、誤判定の第１評価画像の数又は割合が第２の閾値以上であるか否かを判定する。

【0254】

上記のステップＳ１１２では、制御部１１は、生成部１１３として動作し、取得された複数の追加用画像１２３それぞれを生成モデル５に与えることで、複数の追加用画像１２３それぞれを復元した複数の復元追加用画像１２４それぞれを生成する。そして、制御部１１は、各追加用画像１２３及び生成された各復元追加用画像１２４の間の差分に応じて、各追加用画像１２３の評価値１２５であって、各復元追加用画像１２４における各追加用画像１２３の復元の程度に対する評価値１２５を算出すればよい。

【0255】

＜５．９ 変形例９＞
上述したように、製品Ｒの個体差および撮像条件の変動等の要因により、観測画像２２１内に写る製品Ｒの様子も変動し得る。観測画像２２１内に写る製品Ｒの様子の変動幅が大きいほど、機械学習に必要な学習画像の数も増大する。１つ以上の第２学習画像１２６Ａは、観測画像２２１内に写る製品Ｒの様子の変動幅に応じて選択されることが好ましい。そのため、本変形例では、制御部１１（第２取得部１１２）は、検出装置２によって取得された観測画像２２１を複数の追加用画像１２３の１つとして取得する。

【0256】

制御部１１は、通信インタフェース１３を介して、観測画像２２１を検出装置２から取得すればよい。あるいは、検出装置２は、カメラＣＡから取得した観測画像２２１を記憶媒体９２に格納してもよい。そして、制御部１１は、ドライブ１６を介して、記憶媒体９２から観測画像２２１を読み込んでもよい。

【0257】

検出装置２は、製造ラインにおいて搬送される各製品Ｒについて観測画像２２１を取得する。一般に、検出装置２によって取得される観測画像２２１の数は、短時間で膨大となる。学習装置における記憶部１２の容量には限界があるため、記憶部１２は、検出装置２から取得した全ての観測画像２２１を記憶できない。そのため、変形例９に係る学習装置では、制御部１１（抽出部１１５）は、検出装置２から取得した複数の観測画像２２１（追加用画像１２３）のうち、評価値１２５の高い方から順に所定数の観測画像２２１（追加用画像１２３）を追加用画像１２６として抽出する。所定数は、１以上の整数である。そして、制御部１１（保存処理部１１１０）は、複数の追加用画像１２３のうち抽出した追加用画像１２６のみを記憶部１２に保存する。

【0258】

観測画像２２１には、良品である製品Ｒが写るとは限らない。すなわち、制御部１１は、不良品である製品Ｒが写る観測画像２２１を追加用画像１２３として取得し得る。そのため、制御部１１（表示制御部１１８）は、複数の追加用画像１２３（観測画像２２１）の中から抽出された所定数の追加用画像１２６それぞれを表示装置１５に表示させる。そして、制御部１１（選択受付部１１９）は、所定数の追加用画像１２６それぞれについて、機械学習に使用するか否かの選択を受け付ける。具体的には、制御部１１（選択受付部１１９）は、所定数の追加用画像１２６それぞれについて、欠陥Ｌが写っているか否かの選択を受け付ける。制御部１１（追加学習部１１６）は、欠陥Ｌが写っていないと選択された追加用画像１２６を第２学習画像１２６Ａとして決定する。

【0259】

変形例９は、上記変形例８と組み合わせてもよい。すなわち、制御部１１（第３取得部１１７Ｃ）は、製品Ｒ及び欠陥Ｌがそれぞれ写る複数の第１評価画像１２７Ａと、製品Ｒが写り、欠陥Ｌが写っていない複数の第２評価画像１２７Ｂとを取得する。制御部１１は、欠陥Ｌが写っていると選択された各追加用画像１２６を複数の第１評価画像１２７Ａの１つとして取得してもよい。さらに、制御部１１は、欠陥Ｌが写っていないと選択された各追加用画像１２６を複数の第２評価画像１２７Ｂの１つとして取得してもよい。

【0260】

図１９～図２２を参照して、変形例９に係る学習装置の動作例について説明する。図１９及び図２０は、変形例９に係る学習装置における追加用画像の抽出処理の手順の一例を示すフローチャートである。なお、以下の処理手順は、第１学習画像１２１を使用した機械学習により訓練された生成モデル５を取得した後に実施される。第１学習画像１２１を使用した機械学習により訓練された生成モデル５は、上記ステップＳ１０１及びステップＳ１０２の処理によって取得されてもよい。あるいは、第１学習画像１２１を使用した機械学習により訓練された生成モデル５は、変形例５と同様の方法により取得されてもよい。

【0261】

（ステップＳ４０１）
ステップＳ４０１では、制御部１１は、第２取得部１１２として動作し、検出装置２によって取得された観測画像２２１を追加用画像１２３として取得する。追加用画像１２３を取得すると、制御部１１は、ステップＳ４０２に処理を進める。

【0262】

（ステップＳ４０２）
ステップＳ４０２では、制御部１１は、生成部１１３として動作し、取得された追加用画像１２３を生成モデル５に与えることで、追加用画像１２３を復元した復元追加用画像１２４を生成する。ステップＳ４０２３は、上記ステップＳ１０５と同様である。そのため、ステップＳ４０２の詳細な説明を省略する。復元追加用画像１２４を生成すると、制御部１１は、ステップＳ４０３に処理を進める。

【0263】

（ステップＳ４０３）
ステップＳ４０３では、制御部１１は、追加用画像１２３及び生成された復元追加用画像１２４の間の差分に応じて、追加用画像１２３の評価値１２５であって、復元追加用画像１２４における追加用画像１２３の復元の程度に対する評価値１２５を算出する。ステップＳ４０３は、上記ステップＳ１１２と同様である。そのため、ステップＳ４０３の詳細な説明を省略する。評価値１２５を生成すると、制御部１１は、ステップＳ４０４に処理を進める。

【0264】

（ステップＳ４０４）
ステップＳ４０４では、制御部１１は、記憶部１２に保存する追加用画像１２６に対する評価値１２５の下限値ＬＬが設定されているか否かを判定する。下限値ＬＬは、必要に応じて、オペレータの入力、プログラム内の設定値等により適宜設定される。ステップＳ４０４でＹＥＳの場合、制御部１１は、ステップＳ４０５に処理を進める。ステップＳ４０４でＮＯの場合、制御部１１は、ステップＳ４０７に処理を進める。

【0265】

（ステップＳ４０５）
ステップＳ４０５では、制御部１１は、ステップＳ４０３の処理によって算出された評価値１２５と下限値ＬＬとを比較する。評価値１２５が下限値ＬＬ以下である場合（ステップＳ４０５でＮＯ）、制御部１１は、ステップＳ４０６に処理を進める。評価値１２５が下限値ＬＬを超える場合（ステップＳ４０５でＹＥＳ）、制御部１１は、ステップＳ４０７に処理を進める。

【0266】

（ステップＳ４０６）
ステップＳ４０６では、制御部１１は、ステップＳ４０１の処理によって取得した観測画像２２１（追加用画像１２３）を破棄する。追加用画像１２３が破棄されると、制御部１１は、追加用画像１２６の抽出処理を終了する。

【0267】

（ステップＳ４０７）
ステップＳ４０７では、制御部１１は、記憶部１２に保存する追加用画像１２６の数の上限値ＨＬが設定されているか否かを判定する。上限値ＨＬは、必要に応じて、オペレータの入力、プログラム内の設定値等により適宜設定される。ステップＳ４０７でＮＯの場合、制御部１１は、ステップＳ４１２に処理を進める。ステップＳ４０７でＹＥＳの場合、制御部１１は、ステップＳ４０８に処理を進める。

【0268】

（ステップＳ４０８）
ステップＳ４０８では、制御部１１は、記憶部１２に保存されている追加用画像１２６の数が上限値ＨＬに到達しているか否かを判定する。ステップＳ４０８でＮＯの場合、制御部１１は、ステップＳ４１２に処理を進める。ステップＳ４０８でＹＥＳの場合、制御部１１は、ステップＳ４０９に処理を進める。

【0269】

（ステップＳ４０９）
ステップＳ４０９では、制御部１１は、記憶部１２に保存されている所定数（上限値ＨＬと同数）の追加用画像１２６に対する評価値１２５のうちの最小値を特定する。ステップＳ４１２において後述するように、記憶部１２には追加用画像１２６と評価値１２５とが対応付けて保存される。制御部１１は、追加用画像１２６に対応付けられた評価値１２５を確認することにより、最小値を特定する。最小値を特定すると、制御部１１は、ステップＳ４１０に処理を進める。

【0270】

（ステップＳ４１０）
ステップＳ４１０では、制御部１１は、ステップＳ４０３の処理によって算出された評価値１２５がステップＳ４０９の処理によって特定された最小値を超えるか否かを判定する。ステップＳ４１０でＹＥＳの場合、制御部１１は、ステップＳ４１１に処理を進める。ステップＳ４１０でＮＯの場合、制御部１１は、ステップＳ４０６に処理を進め、ステップＳ４０１の処理によって取得した観測画像２２１（追加用画像１２３）を破棄する。

【0271】

（ステップＳ４１１）
ステップＳ４１１では、制御部１１は、記憶部１２に保存されている複数（上限値ＨＬと同数）の追加用画像１２６のうち、評価値１２５が最も小さい１つの追加用画像１２６を記憶部１２から削除する。評価値１２５が最も小さい１つの追加用画像１２６を記憶部１２から削除すると、制御部１１は、ステップＳ４１２に処理を進める。

【0272】

（ステップＳ４１２）
ステップＳ４１２では、制御部１１は、ステップＳ４０１の処理によって取得した観測画像２２１（追加用画像１２３）を新たな追加用画像１２６として記憶部１２に保存する。このとき、制御部１１は、ステップＳ４０３の処理によって算出した評価値１２５を新たな追加用画像１２６と対応付けて記憶部１２に保存する。新たな追加用画像１２６を記憶部１２に保存した後、制御部１１は、追加用画像１２６の抽出処理を終了する。

【0273】

図１９及び図２０に示されるステップＳ４０１～ステップＳ４１２の一連の処理は、検出装置２から観測画像２２１を取得するたびに実施される。これにより、上限値ＨＬが設定されている場合、学習装置１の記憶部１２には、過去に取得した複数の観測画像２２１（追加用画像１２３）のうち、評価値１２５の高い方から順に所定数（＝上限値ＨＬ）の観測画像２２１が追加用画像１２６として記憶部１２に保存される。

【0274】

図２１及び図２２は、変形例９に係る学習装置における追加学習処理の手順の一例を示すフローチャートである。図２１及び図２２に示される追加学習処理は、上記の追加用画像１２６の抽出処理が実行された後に実施される。なお、以下では、記憶部１２に所定数（＝上限値ＨＬ）の追加用画像１２６が保存されている場合の例について説明する。

【0275】

（ステップＳ５０１）
ステップＳ５０１では、制御部１１は、記憶部１２に保存されている所定数の追加用画像１２６を復元の程度に応じてソートする。具体的には、制御部１１は、所定数の追加用画像１２６を評価値１２５の高い順に並び替える。ソートが完了すると、制御部１１は、ステップＳ５０２に処理を進める。

【0276】

（ステップＳ５０２）
ステップＳ５０２では、制御部１１は、表示制御部１１８として動作し、所定数の追加用画像１２６を含む表示画面を表示装置１５に表示させる。

【0277】

図２３は、ステップＳ５０２において表示される表示画面の一例を示す図である。図２３に例示される表示画面７０は、チェックボックス７１，７３と、入力欄７２，７４とを含む。チェックボックス７１は、記憶部１２に保存する追加用画像１２６に対する評価値１２５の下限値ＬＬの設定を有効にするためのオブジェクトである。チェックボックス７１がチェックされている場合、下限値ＬＬの設定が有効となる。入力欄７２には、下限値ＬＬが入力される。チェックボックス７３は、記憶部１２に保存する追加用画像１２６の数の上限値ＨＬの設定を有効にするためのオブジェクトである。チェックボックス７３がチェックされている場合、上限値ＨＬの設定が有効となる。入力欄７４には、上限値ＨＬが入力される。

【0278】

表示画面７０は、領域７５，７８を含む。領域７５には、記憶部１２に保存されている所定数の追加用画像１２６の一覧が表示される。具体的には、領域７５には、所定数の追加用画像１２６にそれぞれ対応する所定数のサムネイル画像７６が表示される。所定数のサムネイル画像７６は、ステップＳ５０１の処理によってソートされた順に並べられる。さらに、領域７５には、各追加用画像１２６に対応する評価値１２５も表示される。領域７５には、所定数のサムネイル画像７６のうちの１つを選択するためのカーソル７７が表示される。カーソル７７は、入力装置１４への入力に応じて移動する。領域７８には、カーソル７７によって選択されたサムネイル画像７６に対応する追加用画像１２６が表示される。

【0279】

表示画面７０は、さらに領域７９～８１とボタン８２～８９とを含む。領域７９には、不良品画像として分類された追加用画像１２６のリスト（以下、不良品画像リストとも記載する）が表示される。領域８０には、良品画像として分類された追加用画像１２６のリスト（以下、良品画像リストとも記載する）が表示される。領域８１には、第２学習画像１２６Ａとして選択された追加用画像１２６のリスト（以下、「学習画像リスト」とも記載する）が表示される。不良品画像リスト、良品画像リストおよび学習画像リストは、画像のファイル名の一覧である。ボタン８２～８５は、追加用画像１２６を不良品画像および良品画像のいずれかに分類するためのボタンである。ボタン８６は、第２学習画像１２６Ａを決定するためのボタンである。ボタン８７は、追加学習を実行させるためのボタンである。ボタン８８は、検出パラメータの最適化を実行させるためのボタンである。ボタン８９は、表示画面７０を閉じるためのボタンである。

【0280】

表示画面７０は、各種の情報が表示される領域９０を含む。領域９０において、「前回最低スコア」は、前回の追加学習の前に抽出された所定数の追加用画像１２６にそれぞれ対応する所定数の評価値１２５のうちの最小値を示す。「前回平均スコア」は、前回の追加学習の前に抽出された所定数の追加用画像１２６にそれぞれ対応する所定数の評価値１２５の平均値を示す。「最低スコア」は、今回の追加学習の前に抽出された所定数の追加用画像１２６にそれぞれ対応する所定数の評価値１２５のうちの最小値を示す。「平均スコア」は、今回の追加学習の前に抽出された所定数の追加用画像１２６にそれぞれ対応する所定数の評価値１２５の平均値を示す。「残ストレージ容量」は、記憶部１２における空き容量を示す。「保存可能枚数」は、記憶部１２に保存可能な追加用画像１２６の最大数を示す。

【0281】

図２３に例示される表示画面７０の表示が完了すると、制御部１１は、ステップＳ５０３に処理を進める。

【0282】

（ステップＳ５０３）
ステップＳ５０３では、制御部１１は、選択受付部１１９として動作し、良品画像および不良品画像への分類の操作を受け付けたか否かを判定する。制御部１１は、表示画面７０に含まれるボタン８２～８５が操作されたことに応じて、良品画像および不良品画像への分類の操作を受け付けたと判定する。ボタン８２～８５が操作されていない場合（ステップＳ５０３でＮＯ）、制御部１１は、ステップＳ５０５に処理を進める。ボタン８２～８５が操作された場合（ステップＳ５０３でＹＥＳ）、制御部１１は、ステップＳ５０４に処理を進める。

【0283】

（ステップＳ５０４）
ステップＳ５０４では、制御部１１は、選択受付部１１９として動作し、ボタン８２～８５への操作に応じて、選択された追加用画像１２６を不良品画像および良品画像のいずれかに分類する。

【0284】

制御部１１は、ボタン８２が操作されると、領域７８に表示されている追加用画像１２６を良品画像に分類する。制御部１１は、良品画像に分類された追加用画像１２６に対応するサムネイル画像７６を領域７５から削除する。制御部１１は、良品画像に分類された追加用画像１２６を新たな第２評価画像１２７Ｂとして記憶部１２に保存する。制御部１１は、領域８０に表示される良品画像リストに当該新たな第２評価画像１２７Ｂを追加する。

【0285】

制御部１１は、ボタン８３が操作されると、領域７８に表示されている追加用画像１２６を不良品画像に分類する。制御部１１は、不良品画像に分類された追加用画像１２６に対応するサムネイル画像７６を領域７５から削除する。制御部１１は、不良品画像に分類された追加用画像１２６を新たな第１評価画像１２７Ａとして記憶部１２に保存する。制御部１１は、領域７９に表示される不良品画像リストに当該新たな第１評価画像１２７Ａを追加する。

【0286】

オペレータは、ボタン８２，８３を誤って操作し得る。例えば、オペレータは、ボタン８２を操作すべきところボタン８３を誤って操作し得る。この場合、良品画像として分類すべき追加用画像１２６が不良品画像として分類され、領域７９に表示される不良品画像リストに追加される。このような誤操作が行なわれた場合であっても修復できるように、表示画面７０にはボタン８４，８５が用意されている。ボタン８４は、不良品画像リストから選択された画像を良品画像リストに移動させるためのボタンである。ボタン８５は、良品画像リストから選択された画像を不良品画像リストに移動させるためのボタンである。

【0287】

制御部１１は、不良品画像リストおよび良品画像リストのいずれかに含まれる１つの画像の選択を受け付ける。不良品画像リストおよび良品画像リストのいずれかに含まれる１つの画像が選択されると、制御部１１は、選択された画像を領域７８に表示させる。これにより、オペレータは、領域７８に表示される画像を確認することにより、ボタン８２，８３の誤操作の有無を確認できる。

【0288】

不良品画像リストの中の１つの第１評価画像１２７Ａが選択された状態でボタン８４の操作を受け付けると、制御部１１は、選択された第１評価画像１２７Ａを良品画像に分類し直す。制御部１１は、良品画像に分類された第１評価画像１２７Ａを新たな第２評価画像１２７Ｂとして記憶部１２に保存し直す。制御部１１は、領域８０に表示される良品画像リストに当該新たな第２評価画像１２７Ｂを追加する。

【0289】

良品画像リストの中の１つの第２評価画像１２７Ｂが選択された状態でボタン８５の操作を受け付けると、制御部１１は、選択された第２評価画像１２７Ｂを不良品画像に分類し直す。制御部１１は、不良品画像に分類された第２評価画像１２７Ｂを新たな第１評価画像１２７Ａとして記憶部１２に保存し直す。制御部１１は、領域７９に表示される不良品画像リストに当該新たな第１評価画像１２７Ａを追加する。

【0290】

操作されたボタンに応じた処理が完了すると、制御部１１は、ステップＳ５０５に処理を進める。

【0291】

（ステップＳ５０５）
ステップＳ５０５では、制御部１１は、良品画像として分類された追加用画像１２６のうちの１つ以上の画像を第２学習画像１２６Ａとして選択する旨の指示を受け付けたか否かを判定する。制御部１１は、良品画像リストの中の１つ以上の第２評価画像１２７Ｂが選択された状態でボタン８６が操作されたことに応じて、第２学習画像１２６Ａの選択指示を受け付けたと判定する。ボタン８６が操作された場合（ステップＳ５０４でＹＥＳ）、制御部１１は、ステップＳ５０６に処理を進める。ボタン８６が操作されていない場合（ステップＳ５０５でＮＯ）、制御部１１は、ステップＳ５０７に処理を進める。

【0292】

（ステップＳ５０６）
ステップＳ５０６では、制御部１１は、ボタン８６の操作に応じて、選択された第２評価画像１２７Ｂを第２学習画像１２６Ａとして決定する。制御部１１は、決定された第２学習画像１２６Ａを領域８１に表示される学習画像リストに追加する。なお、第２学習画像１２６Ａとして決定された第２評価画像１２７Ｂは、良品画像リストにも残される。ステップＳ５０６の処理が完了した後、制御部１１は、ステップＳ５０７に処理を進める。

【0293】

（ステップＳ５０７）
ステップＳ５０７では、制御部１１は、追加学習の実行指示を受け付けたか否かを判定する。制御部１１は、表示画面７０に含まれるボタン８７が操作されたことに応じて、追加学習の実行指示を受け付けたと判定する。ボタン８７が操作された場合（ステップＳ５０６でＹＥＳ）、制御部１１は、ステップＳ５０８に処理を進める。ボタン８７が操作されていない場合（ステップＳ５０７でＮＯ）、制御部１１は、ステップＳ５１０に処理を進める。

【0294】

（ステップＳ５０８）
ステップＳ５０８では、制御部１１は、追加学習部１１６として動作し、機械学習により、学習画像リストに含まれる各第２学習画像１２６Ａそれぞれが与えられると、与えられた各第２学習画像１２６Ａに適合する復元画像を生成するように生成モデル５を更に訓練する。ステップＳ５０８は、上記ステップＳ１１６と同様である。そのため、ステップＳ５０８の詳細な説明を省略する。生成モデル５の訓練が完了すると、制御部１１は、ステップＳ５０９に処理を進める。

【0295】

（ステップＳ５０９）
ステップＳ５０９では、制御部１１は、保存処理部１１１０として動作し、構築された学習済みの生成モデル５に関する情報を学習結果データ１２９として生成する。制御部１１は、生成された学習結果データ１２９を所定の記憶領域に保存する。なお、生成された学習結果データ１２９は、任意のタイミングで検出装置２に提供されてよい。ステップＳ５０９の処理は、上記ステップＳ１１７と同様の処理である。学習結果データ１２９を保存すると、制御部１１は、ステップＳ５１０に処理を進める。

【0296】

（ステップＳ５１０）
ステップＳ５１０では、制御部１１は、検出パラメータの最適化の実行指示を受け付けたか否かを判定する。制御部１１は、表示画面７０に含まれるボタン８８が操作されたことに応じて、検出パラメータの最適化の実行指示を受け付けたと判定する。ボタン８８が操作された場合（ステップＳ５１０でＹＥＳ）、制御部１１は、ステップＳ５１１に処理を進める。ボタン８８が操作されていない場合（ステップＳ５１０でＮＯ）、制御部１１は、ステップＳ５１４に処理を進める。

【0297】

（ステップＳ５１１）
ステップＳ５１１では、制御部１１は、生成部１１３及び評価部１１４として動作し、検出パラメータの最適化を実施する。具体的には、制御部１１は、複数の検出パラメータ候補６０の中から最適な検出パラメータ候補６１を特定する。ステップＳ５１１の処理は、上記ステップＳ１０５～ステップＳ１０９と同様の処理である。ただし、制御部１１は、変形例８と同様に、複数の評価画像１２７および１つ以上の第２学習画像１２６Ａの代わりに、複数の第１評価画像１２７Ａおよび複数の第２評価画像１２７Ｂを用いて、検出パラメータの最適化を実施する。なお、制御部１１は、複数の第２評価画像１２７Ｂの中から第２学習画像１２６Ａとして決定された画像を除外してもよいし、第２学習画像１２６Ａを複数の第２評価画像１２７Ｂに含めてもよい。ステップＳ５１１の処理が完了した後、制御部１１は、ステップＳ５１２に処理を進める。

【0298】

（ステップＳ５１２）
ステップＳ５１２では、制御部１１は、評価部１１４として動作し、特定された１つの検出パラメータ候補６１を利用した判定の結果において、誤判定の第２評価画像１２７Ｂの数又は割合が第１の閾値以上であるか否かを判定する。さらに、制御部１１は、特定された１つの検出パラメータ候補６１を利用した判定の結果において、誤判定の第１評価画像１２７Ａの数又は割合が第２の閾値以上であるか否かを判定する。ステップＳ５１２でＹＥＳの場合、制御部１１は、ステップＳ５１３に処理を進める。ステップＳ５１２でＮＯの場合、制御部１１は、ステップＳ５１４に処理を進める。

【0299】

（ステップＳ５１３）
ステップＳ５１３では、制御部１１は、複数の第２評価画像１２７Ｂ（第２学習画像１２６Ａとして選択済みの画像を除く）のうちの復元の程度の低い１つ以上の第２評価画像１２７Ｂを第２学習画像１２６Ａとして決定する。ステップＳ５１３の処理が完了した後、制御部１１は、ステップＳ５０８に処理を戻す。これにより、複数の第２評価画像１２７Ｂのうちの復元の程度の低い１つ以上の第２評価画像１２７Ｂを第２学習画像１２６Ａとして用いた機械学習が繰り返される。

【0300】

（ステップＳ５１４）
ステップＳ５１４では、制御部１１は、表示画面７０を閉じる旨の指示を受け付けたか否かを判定する。制御部１１は、表示画面７０に含まれるボタン８９が操作されたことに応じて、表示画面７０を閉じる旨の指示を受け付けたと判定する。ボタン８９が操作されていない場合（ステップＳ５１４でＮＯ）、制御部１１は、ステップＳ５０３に処理を戻す。ボタン８９が操作された場合（ステップＳ５１４でＹＥＳ）、制御部１１は、追加学習に関する一連の処理を終了する。

【0301】

以上のように、変形例９に係る学習装置では、制御部１１（第２取得部１１２）は、検出装置２によって取得された観測画像２２１を複数の追加用画像１２３の１つとして取得する。これにより、オペレータは、追加用画像１２３を準備する手間を省略できる。

【0302】

制御部１１（抽出部１１５）は、評価値１２５に基づいて、復元の程度が低いと評価される所定数の追加用画像１２６を複数の追加用画像１２３から抽出する。そして、制御部１１（選択受付部１１９）は、表示装置１５に表示された所定数の追加用画像１２６それぞれについて、当該所定数の追加用画像１２６それぞれを機械学習に使用するか否かの選択を受け付ける。具体的には、制御部１１（選択受付部１１９）は、所定数の追加用画像１２６それぞれについて、欠陥Ｌが写っているか否かの選択を受け付ける。制御部１１（追加学習部１１６）は、機械学習に使用すると選択された追加用画像１２６（すなわち、欠陥Ｌが写っていないと選択された追加用画像１２６）を第２学習画像１２６Ａとして決定する。

【0303】

学習装置は、不良品の製品Ｒが写っている観測画像２２１を追加用画像１２３として取得し得る。しかしながら、上記の構成によれば、オペレータの選択に応じて、欠陥Ｌの写っていない追加用画像１２６が第２学習画像１２６Ａとして決定される。これにより、欠陥Ｌの写っている画像を用いた機械学習による生成モデル５の性能の低下を防止できる。

【0304】

制御部１１（第３取得部１１７Ｃ）は、製品Ｒ及び欠陥Ｌが写る複数の第１評価画像１２７Ａと、製品Ｒが写り、欠陥Ｌが写っていない複数の第２評価画像１２７Ｂとを取得する。制御部１１（評価部１１４）には、欠陥Ｌが画像に写っているか否かを判定するための複数の検出パラメータ候補６０が与えられる。制御部１１（評価部１１４）は、複数の検出パラメータ候補６０それぞれを利用して、欠陥Ｌが各第１評価画像１２７Ａに写っているか否かの判定、及び欠陥Ｌが各第２評価画像１２７Ｂに写っているか否かの判定を実行する。制御部１１（評価部１１４）は、各判定の結果に基づいて、欠陥Ｌが画像に写っているか否かを判定するための検出パラメータの最適化を実行する。制御部１１（選択受付部１１９）は、表示装置１５に表示された所定数の追加用画像１２６それぞれについて、欠陥Ｌが写っているか否かの選択を受け付ける。制御部１１（第３取得部１１７）は、欠陥Ｌが写っていると選択された各追加用画像１２６を複数の第１評価画像１２７Ａの１つとして取得する。制御部１１（第３取得部１１７）は、欠陥Ｌが写っていないと選択された各追加用画像１２６を複数の第２評価画像１２７Ｂの１つとして取得する。これにより、オペレータは、第１評価画像１２７Ａおよび第２評価画像１２７Ｂを準備する手間を省略できる。

【0305】

制御部１１（保存処理部１１１０）、複数の追加用画像１２３のうち、抽出された所定数の追加用画像１２６を記憶部１２に保存する。一般に、検出装置２によって取得される観測画像２２１の数は、短時間で膨大となる。しかしながら、上記の構成によれば、観測画像２２１が追加用画像１２３として取得されるものの、評価値１２５の高い方から順に所定数の観測画像２２１（追加用画像１２３）が追加用画像１２６として抽出され、抽出された所定数の追加用画像１２６のみが記憶部１２に保存される。そのため、記憶部１２における空き領域が不足する事態を避けることができる。

【0306】

§６ 付記
以上のように、本実施の形態は以下のような開示を含む。

【0307】

（構成１）
所定の特徴の写る１つ以上の第１学習画像（１２１）を取得する第１取得部（１１，１１０）と、
前記１つ以上の第１学習画像（１２１）を使用して、生成モデル（５）の機械学習を実施する学習部（１１，１１１）であって、
生成モデル（５）は、画像が与えられると、与えられた画像を特徴量に変換し、前記特徴量から与えられた前記画像を復元した画像を生成するように構成され、
前記機械学習により、前記１つ以上の第１学習画像（１２１）それぞれが与えられると、与えられた前記１つ以上の第１学習画像（１２１）それぞれに適合する復元画像を生成するように前記生成モデル（５）を訓練する、
学習部（１１，１１１）と、
前記所定の特徴の写る複数の追加用画像（１２３）を取得する第２取得部（１１，１１２）と、
前記複数の追加用画像（１２３）それぞれを前記生成モデル（５）に与えることで、前記複数の追加用画像（１２３）それぞれを復元した複数の復元追加用画像（１２４）それぞれを生成する生成部（１１，１１３）と、
前記各追加用画像（１２３）及び前記各復元追加用画像（１２４）の間の差分に応じて、前記各追加用画像（１２４）の評価値であって、前記各復元追加用画像（１２４）における前記各追加用画像（１２４）の復元の程度に対する評価値を算出する評価部（１１，１１４）と、
前記評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像（１２６）を前記複数の追加用画像（１２３）から抽出する抽出部（１１，１１５）と、
機械学習により、抽出された前記１つ以上の追加用画像（１２６）に含まれる１つ以上の第２学習画像（１２６Ａ）それぞれが与えられると、与えられた前記１つ以上の第２学習画像（１２６Ａ）それぞれに適合する復元画像を生成するように前記生成モデル（５）を更に訓練する追加学習部（１１，１１６）と、
を備える、
学習装置（１，１Ｃ）。

【0308】

（構成２）
前記差分に応じて前記評価値を算出することは、
前記複数の追加用画像（１２３）それぞれと前記複数の復元追加用画像（１２４）それぞれとの間の差分を示す複数の差分画像（１８２）それぞれを生成し、
前記各差分画像（１８２）において、各画素の画素値が大きいほど前記評価値が高くなり、かつ、基準画素値以上の画素の前記評価値に与える寄与度が前記基準画素値未満の画素の前記評価値に与える寄与度よりも大きくなるように、前記評価値を算出すること、
により構成される、
構成１に記載の学習装置（１，１Ｃ）。

【0309】

（構成３）
抽出された前記１つ以上の追加用画像（１２６）それぞれを表示装置（１５）に表示させる表示制御部（１１，１１８）を更に備える、
構成１又は２に記載の学習装置（１，１Ｃ）。

【0310】

（構成４）
前記表示装置（１５）に表示された前記１つ以上の追加用画像（１２６）それぞれについて、当該１つ以上の追加用画像（１２６）それぞれを機械学習に使用するか否かの選択を受け付ける選択受付部（１１，１１９）を更に備え、
追加学習部（１１，１１６）は、前記機械学習に使用すると選択された追加用画像（１２６）を前記１つ以上の第２学習画像（１２６Ａ）として決定する 、
構成３に記載の学習装置（１，１Ｃ）。

【0311】

（構成５）
前記所定の特徴及び前記所定の特徴以外の他の特徴の写る複数の評価画像（１２７）を取得する第３取得部（１１，１１７）を更に備え、
前記複数の追加用画像（１２３）には前記他の特徴が写っておらず、
前記生成部（１１，１１３）は、取得された前記複数の評価画像（１２７）それぞれを訓練された前記生成モデル（５）に与えることで、前記複数の評価画像（１２７）それぞれを復元した複数の復元評価画像（１２８）それぞれを更に生成し、
前記評価部（１１，１１４）は、更に、
前記各追加用画像（１２３）と生成された前記各復元追加用画像（１２４）との差分の程度に基づいて、前記他の特徴が前記各追加用画像（１２３）に写っているか否かを判定し、及び
前記各評価画像（１２７）と生成された前記各復元評価画像（１２８）との差分の程度に基づいて、前記他の特徴が前記各評価画像（１２７）に写っているか否かを判定し、
前記評価部（１１，１１４）は、前記複数の追加用画像（１２３）のうち、前記他の特徴が写っていると判定された追加用画像（１２３）の数又は割合が第１の閾値以上である、又は、前記複数の評価画像（１２７）のうち、前記他の特徴が写っていないと判定された評価画像（１２７）の数又は割合が第２の閾値以上である場合に、前記他の特徴が写っていると判定された１又は複数の追加用画像（１２３）について、前記評価値を算出し、
前記抽出部（１１，１１５）は、算出された前記評価値に基づいて、前記他の特徴が写っていると判定された前記１又は複数の追加用画像（１２３）のうち、復元の程度が低いと評価される画像を前記１つ以上の追加用画像（１２６）として抽出する、
構成１から４のいずれかに記載の学習装置（１）。

【0312】

（構成６）
前記他の特徴が前記各追加用画像（１２３）に写っているか否か、及び前記他の特徴が前記各評価画像（１２７）に写っているか否かを判定するための複数のパラメータ候補が与えられ、
前記評価部（１１，１１４）は、
前記複数のパラメータ候補それぞれを利用して、前記他の特徴が前記各追加用画像（１２３）に写っているか否かの判定、及び前記他の特徴が前記各評価画像（１２７）に写っているか否かの判定を実行し、
前記各判定の結果に基づいて、前記他の特徴が画像に写っているか否かを判定するためのパラメータの最適化を実行し、及び
最適化されたパラメータを利用した前記各判定の結果において、前記他の特徴が写っていると判定された追加用画像（１２３）の数又は割合が前記第１の閾値以上である、又は前記他の特徴が写っていないと判定された評価画像（１２７）の数又は割合が前記第２の閾値以上である場合に、前記他の特徴が写っていると判定された１又は複数の追加用画像（１２３）について、前記評価値を算出する、
構成５に記載の学習装置（１）。

【0313】

（構成７）
複数の第１評価画像（１２７Ａ）と複数の第２評価画像（１２７Ｂ）とを取得する第３取得部（１１，１１７Ｃ）を更に備え、
前記複数の第１評価画像（１２７Ａ）には、前記所定の特徴及び前記所定の特徴以外の他の特徴が写り、
前記複数の第２評価画像（１２７Ｂ）には、前記所定の特徴が写り、前記他の特徴が写っておらず、
前記評価部（１１，１１４）は、
前記他の特徴が画像に写っているか否かを判定するための複数のパラメータ候補が与えられ、
前記複数のパラメータ候補それぞれを利用して、前記他の特徴が前記各第１評価画像（１２７Ａ）に写っているか否かの判定、及び前記他の特徴が前記各第２評価画像（１２７Ｂ）に写っているか否かの判定を実行し、
前記各判定の結果に基づいて、前記他の特徴が画像に写っているか否かを判定するためのパラメータの最適化を実行し、
前記選択受付部（１１，１１９）は、前記表示装置（１５）に表示された前記１つ以上の追加用画像（１２６）それぞれについて、前記他の特徴が写っているか否かの選択を更に受け付け、
前記第３取得部（１１，１１７Ｃ）は、
前記他の特徴が写っていると選択された各追加用画像（１２６）を前記複数の第１評価画像（１２７Ａ）の１つとして取得し、
前記他の特徴が写っていないと選択された各追加用画像（１２６）を前記複数の第２評価画像（１２７Ｂ）の１つとして取得する、
構成４に記載の学習装置（１Ｃ）。

【0314】

（構成８）
前記第２取得部（１１，１１２）は、検出装置（２）と通信し、
前記検出装置（２）は、
前記所定の特徴を観測することで得られた観測画像を取得し、
前記生成モデル（５）に前記観測画像（２２１）を入力することで、前記観測画像（２２１）に対応する復元観測画像（２２３）を生成し、
生成された前記復元観測画像（２２３）及び前記観測画像（２２１）の間の差分に基づいて、前記所定の特徴以外の他の特徴が前記観測画像（２２１）に写っているか否かを検出し、
前記第２取得部（１１，１１２）は、前記検出装置（２）によって取得された前記観測画像（２２１）を前記複数の追加用画像の１つとして取得する、
構成４又は７に記載の学習装置（１，１Ｃ）。

【0315】

（構成９）
前記複数の追加用画像（１２３）のうち、前記抽出部（１１，１１５）によって抽出された前記１つ以上の追加用画像（１２６）を記憶部（１２）に保存する保存処理部（１１，１１１０）を更に備える、
構成１から８のいずれかに記載の学習装置（１，１Ｃ）。

【0316】

（構成１０）
前記各第１学習画像（１２１）及び前記各追加用画像（１２３）はそれぞれ、複数のパッチ画像に分割され、
前記生成モデル（５）は、前記パッチ画像毎に与えられ、
前記学習部（１１，１１１）は、前記パッチ画像毎に、機械学習により、前記１つ以上の第１学習画像（１２１）それぞれが与えられると、与えられた前記１つ以上の第１学習画像（１２１）それぞれに適合する復元画像を生成するように前記生成モデル（５）を訓練し、
前記生成部（１１，１１３）は、前記パッチ画像毎に、前記各追加用画像（１２３）に対応する前記各復元追加用画像（１２４）を生成し、
前記評価部（１１，１１４）は、前記パッチ画像毎に、前記各追加用画像（１２３）の前記評価値を算出し、
前記抽出部（１１，１１５）は、前記パッチ画像毎に、算出された前記評価値に基づいて、前記１つ以上の追加用画像（１２６）を前記複数の追加用画像（１２３）から抽出し、
前記追加学習部（１１，１１６）は、前記パッチ画像毎に、機械学習により、前記１つ以上の第２学習画像（１２６Ａ）それぞれが与えられると、与えられた前記１つ以上の第２学習画像（１２６Ａ）それぞれに適合する復元画像を生成するように前記生成モデル（５）を更に訓練する、
構成１から６のいずれかに記載の学習装置（１，１Ｃ）。

【0317】

（構成１１）
前記生成モデル（５）は、ニューラルネットワークにより構成される、
構成１から１０のいずれかに記載の学習装置。

【0318】

（構成１２）
前記機械学習は、主成分分析を含み、
前記生成モデル（５）は、前記主成分分析により導出された固有ベクトルにより構成される、
構成１から１０のいずれかに記載の学習装置（１，１Ｃ）。

【0319】

（構成１３）
前記所定の特徴は、製造ラインで搬送される製品であって、欠陥を含まない製品である、
構成１から１２のいずれかに記載の学習装置（１，１Ｃ）。

【0320】

（構成１４）
前記所定の特徴を観測することで得られた観測画像（２２１）を取得する取得部（２１）と、
構成１から１３のいずれかに記載の学習装置（１，１Ｃ）により訓練された前記生成モデル（５）に前記観測画像（２２１）を入力することで、前記観測画像（２２１）に対応する復元観測画像（２２３）を生成する生成部（２２）と、
生成された前記復元観測画像（２２３）及び前記観測画像（２２１）の間の差分に基づいて、前記所定の特徴以外の他の特徴が前記観測画像（２２１）に写っているか否かを検出する検出部（２３）と、
を備える、
検出装置（２）。

【0321】

（構成１５）
所定の特徴の写る１つ以上の第１学習画像（１２１）を使用した機械学習により訓練された生成モデル（５）を取得するモデル取得部（１１，１１１Ｂ）であって、
生成モデル（５）は、画像が与えられると、与えられた画像を特徴量に変換し、前記特徴量から与えられた前記画像を復元した画像を生成するように構成され、
前記機械学習により、前記生成モデル（５）は、前記１つ以上の第１学習画像（１２１）それぞれが与えられると、与えられた前記１つ以上の第１学習画像（１２１）それぞれに適合する復元画像を生成するように訓練されている、
モデル取得部（１１，１１１Ｂ）と、
前記所定の特徴の写る複数の追加用画像（１２３）を取得する画像取得部（１１，１１２）と、
前記複数の追加用画像（１２３）それぞれを前記生成モデル（５）に与えることで、前記複数の追加用画像（１２３）それぞれを復元した複数の復元追加用画像（１２４）それぞれを生成する生成部（１１，１１３）と、
前記各追加用画像（１２３）及び前記各復元追加用画像（１２４）の間の差分に応じて、前記各追加用画像（１２４）の評価値であって、前記各復元追加用画像（１２４）における前記各追加用画像（１２４）の復元の程度に対する評価値を算出する評価部（１１，１１４）と、
前記評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像（１２６）を前記複数の追加用画像（１２３）から抽出する抽出部（１１，１１５）と、
機械学習により、抽出された前記１つ以上の追加用画像（１２６）に含まれる１つ以上の第２学習画像（１２６Ａ）それぞれが与えられると、与えられた前記１つ以上の第２学習画像（１２６Ａ）それぞれに適合する復元画像を生成するように前記生成モデル（５）を更に訓練する追加学習部（１１，１１６）と、
を備える、
学習装置（１１Ｂ）。

【0322】

（構成１６）
コンピュータが、
所定の特徴の写る１つ以上の第１学習画像（１２１）を取得するステップと、
前記１つ以上の第１学習画像（１２１）を使用して、生成モデル（５）の機械学習を実施するステップであって、
生成モデル（５）は、画像が与えられると、与えられた画像を特徴量に変換し、前記特徴量から与えられた前記画像を復元した画像を生成するように構成され、
前記機械学習により、前記１つ以上の第１学習画像（１２１）それぞれが与えられると、与えられた前記１つ以上の第１学習画像（１２１）それぞれに適合する復元画像を生成するように前記生成モデル（５）を訓練する、
ステップと、
前記所定の特徴の写る複数の追加用画像（１２３）を取得するステップと、
前記複数の追加用画像（１２３）それぞれを前記生成モデル（５）に与えることで、前記複数の追加用画像（１２３）それぞれを復元した複数の復元追加用画像（１２４）それぞれを生成するステップと、
前記各追加用画像（１２３）及び前記各復元追加用画像（１２４）の間の差分に応じて、前記各追加用画像（１２３）の評価値であって、前記各復元追加用画像（１２４）における前記各追加用画像（１２３）の復元の程度に対する評価値を算出するステップと、
前記評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像（１２６）を前記複数の追加用画像（１２３）から抽出するステップと、
機械学習により、抽出された前記１つ以上の追加用画像（１２６）に含まれる１つ以上の第２学習画像（１２６Ａ）それぞれが与えられると、与えられた前記１つ以上の第２学習画像（１２６Ａ）それぞれに適合する復元画像を生成するように前記生成モデル（５）を更に訓練するステップと、
を実行する、
学習方法。

【0323】

（構成１７）
コンピュータに、
所定の特徴の写る１つ以上の第１学習画像（１２１）を取得するステップと、
前記１つ以上の第１学習画像（１２１）を使用して、生成モデル（５）の機械学習を実施するステップであって、
生成モデル（５）は、画像が与えられると、与えられた画像を特徴量に変換し、前記特徴量から与えられた前記画像を復元した画像を生成するように構成され、
前記機械学習により、前記１つ以上の第１学習画像（１２１）それぞれが与えられると、与えられた前記１つ以上の第１学習画像（１２１）それぞれに適合する復元画像を生成するように前記生成モデル（５）を訓練する、
ステップと、
前記所定の特徴の写る複数の追加用画像（１２３）を取得するステップと、
前記複数の追加用画像（１２３）それぞれを前記生成モデル（５）に与えることで、前記複数の追加用画像（１２３）それぞれを復元した複数の復元追加用画像（１２４）それぞれを生成するステップと、
前記各追加用画像（１２３）及び前記各復元追加用画像（１２４）の間の差分に応じて、前記各追加用画像（１２３）の評価値であって、前記各復元追加用画像（１２４）における前記各追加用画像（１２３）の復元の程度に対する評価値を算出するステップと、
前記評価値に基づいて、復元の程度が低いと評価される１つ以上の追加用画像（１２６）を前記複数の追加用画像（１２３）から抽出するステップと、
機械学習により、抽出された前記１つ以上の追加用画像（１２６）に含まれる１つ以上の第２学習画像（１２６Ａ）それぞれが与えられると、与えられた前記１つ以上の第２学習画像（１２６Ａ）それぞれに適合する復元画像を生成するように前記生成モデル（５）を更に訓練するステップと、
を実行させるための、
学習プログラム。

【0324】

本発明の実施の形態について説明したが、今回開示された実施の形態はすべての点で例示であって制限的なものではないと考えられるべきである。本発明の範囲は特許請求の範囲によって示され、特許請求の範囲と均等の意味および範囲内でのすべての変更が含まれることが意図される。

【符号の説明】

【0325】

１，１Ｂ，１Ｃ 学習装置、２ 検出装置、５ 生成モデル、１１，２１ 制御部、１２，２２ 記憶部、１３，２３ 通信インタフェース、１４，２４ 入力装置、１５，２５ 表示装置、１６，２６ ドライブ、２７ 外部インタフェース、５１ 入力層、５２ 中間層、５３ 出力層、６０，６１ 検出パラメータ候補、６５ （２値化の）閾値，６６ （判定の）閾値、７０ 表示画面、７１，７３ ラジオボタン、７２，７４ 入力欄、７５，７８～８１，９０，４００～４０２ 領域、７６ サムネイル画像、７７ カーソル、８２～８９ ボタン、９１，９２ 記憶媒体、１００ 検出システム、１１０ 第１取得部、１１１ 学習部、１１１Ｂ モデル取得部、１１２ 第２取得部、１１３ 生成部、１１４ 評価部、１１５ 抽出部、１１６ 追加学習部、１１７，１１７Ｃ 第３取得部、１１８ 表示制御部、１１９ 選択受付部、１２０ 学習プログラム、１２１ 第１学習画像、１２３ 追加用画像、１２４ 復元追加用画像、１２５ 評価値、１２６ （抽出された）追加用画像、１２６Ａ 第２学習画像、１２７ 評価画像、１２７Ａ 第１評価画像、１２７Ｂ 第２評価画像、１２８ 復元評価画像、１２８Ａ 第１復元評価画像、１２８Ｂ 第２復元評価画像、１２９ 学習結果データ、１８２，１８３，１８３Ａ，１８３Ｂ，２２５ 差分画像、２１１ 取得部、２１２ 生成部、２１３ 検出部、２１４ 出力部、２２０ 検出プログラム、２２１ 観測画像、２２３ 復元観測画像、４０５，４０６ 操作ボタン、１１１０ 保存処理部、ＣＡ カメラ、Ｉ１０ 画像、Ｉ１１ 復元画像、Ｉ１２ 差分画像、Ｉ１３ 二値化画像、Ｉ１４ 検出画像、Ｌ 欠陥、Ｍ 演算パラメータ、Ｐ１，Ｐ２，Ｐ３，Ｐ４ パッチ画像、Ｒ 製品。

【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】