特許 7415046 画像処理装置、及びコンピュータが読み取り可能な記憶媒体

(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】2024-01-05

(45)【発行日】2024-01-16

(54)【発明の名称】画像処理装置、及びコンピュータが読み取り可能な記憶媒体

(51)【国際特許分類】

   G06T 7/00 20170101AFI20240109BHJP

   G06V 10/82 20220101ALI20240109BHJP

【ＦＩ】

G06T7/00 350C

G06V10/82

【請求項の数】 6

(21)【出願番号】P 2022563758

(86)(22)【出願日】2021-11-16

(86)【国際出願番号】 JP2021042010

(87)【国際公開番号】W WO2022107743

(87)【国際公開日】2022-05-27

【審査請求日】2023-06-15

(31)【優先権主張番号】P 2020192325

(32)【優先日】2020-11-19

(33)【優先権主張国・地域又は機関】JP

(73)【特許権者】

【識別番号】390008235

【氏名又は名称】ファナック株式会社

(74)【代理人】

【識別番号】110001151

【氏名又は名称】あいわ弁理士法人

(72)【発明者】

【氏名】鴻巣 有史

【審査官】新井 則和

(56)【参考文献】

【文献】特開２０１４－１９０８２１（ＪＰ，Ａ）

【文献】特開平１１－０６９１７７（ＪＰ，Ａ）

【文献】米国特許出願公開第２００２／０１８４１６８（ＵＳ，Ａ１）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｔ ７／００

Ｇ０６Ｖ １０／８２

(57)【特許請求の範囲】

【請求項1】

ＲＧＢの色空間で表現された画像を、明度を構成成分として持つ色空間の画像に変換する色空間変換部と、
前記色空間変換部で色空間を変換した画像の色差を誤差としてニューラルネットワークを最適化する学習部と、
を有する画像処理装置。

【請求項2】

前記色空間変換部は、ＲＧＢの色空間で表現された入力画像とラベル画像を、明度を構成成分として持つ色空間の画像に変換し、
前記学習部は、前記色空間変換部で色空間を変換された入力画像とラベル画像との色差を誤差としてニューラルネットワークを最適化する、請求項１記載の画像処理装置。

【請求項3】

前記ＲＧＢの色空間で表現された画像は正常画像であり、
前記色空間変換部で色空間を変換された前記正常画像を基に異常画像を作成する異常画像作成部を有し、
前記学習部は、前記色空間変換部で色空間を変換された前記正常画像をラベル画像とし、前記異常画像を入力画像とし、前記正常画像と前記異常画像との色差を誤差としてニューラルネットワークを最適化する、請求項１記載の画像処理装置。

【請求項4】

前記ＲＧＢの色空間で表現された画像は正常な対象物を撮像した正常画像である、請求項３記載の画像処理装置。

【請求項5】

ＲＧＢの色空間で表現された画像を、明度を構成成分として持つ色空間の画像に変換し、
前記色空間を変換した画像の色差を誤差としてニューラルネットワークを最適化する学習を行う、画像処理方法。

【請求項6】

１つ又は複数のプロセッサが実行することにより、
ＲＧＢの色空間で表現された画像を、明度を構成成分として持つ色空間の画像に変換し、
前記色空間を変換した画像の色差を誤差としてニューラルネットワークを最適化する学習を行う、
コンピュータが読み取り可能な命令を記憶する記憶媒体。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、ニューラルネットワークを用いた画像処理装置、及びコンピュータが読み取り可能な記憶媒体に関する。

【背景技術】

【0002】

工場等の製造現場では、製造ラインにおいて製造される製品の外観検査を行っている（例えば、特許文献１）。製品の外観検査を行うためには、製品を撮像した画像に基づいて正常な製品の画像であるか、または異常な製品の画像であるかを分類する機械学習のモデルを作成しておく必要がある。

【0003】

このような機械学習のモデルを作成する際には、予め、多くの正常な製品の画像と、多くの異常な製品の画像とを、それぞれ収集する。そして、収集した画像を用いて機械学習を行う。異常な製品の画像については、製品における異常の位置も特定したいケースが多い。

【0004】

画像の分類や認識には、ニューラルネットワークを用いた技術が存在する。特許文献２には、入力画像から複数の領域候補を抽出する候補抽出部と、抽出された複数の領域候補に対して、セグメンテーションを行う画像セグメンテーション部と、抽出された複数の領域候補に対して、画像分類を行う画像分類部と、セグメンテーションの結果及び画像分類の結果に基づいて、複数の領域候補の一部を除去して認識対象領域を決定する領域決定部とを備えた情報処理システムが、開示されている。

【先行技術文献】

【特許文献】

【0005】

【文献】特開２０１４－１９０８２１号公報

【文献】特開２０１９－０６１５０５号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

ニューラルネットワークは、人間の脳内にある神経細胞とその繋がりを数式的なモデルで表現したものである。ニューラルネットワークは、入力層、出力層、隠れ層から構成され、それらの層と層との間には、ニューロン同士の繋がりの強さを示す重みがある。

【0007】

図９は、教師付きニューラルネットワークを用いた従来の画像処理装置の概念図である。図９の画像処理装置は、ニューラルネットワークにより入力画像から推論画像を作成する。そして、画像処理装置は、推論画像とラベル画像とを比較し、ラベル画像と推論結果の誤差が無くなるように、ニューラルネットワークの各層の重みを少しずつ調整する。

【0008】

重みの更新を繰り返し、正解ラベルとの誤差を小さくすることを「学習」という。「学習」では、重みを最適に調整した学習済みニューラルネットワーク（モデル）を作成する。データを学習する際、使用する学習用データ数と学習結果、得られている推論性能が良い場合、効率よく学習できていると評価できる。

【0009】

ニューラルネットワークを用いた画像処理の分野では、学習効率を向上させる技術が望まれている。

【課題を解決するための手段】

【0010】

本開示の一態様による画像処理装置は、ＲＧＢの色空間で表現された画像を、明度を構成成分として持つ色空間の画像に変換する色空間変換部と、色空間変換部で色空間を変換した画像の色差を誤差としてニューラルネットワークを最適化する学習部と、を有する。
本開示の一態様による画像処理装置は、入力画像の色空間を、明度を構成成分として持つ色空間の画像に変換する色空間変換部と、
前記色空間を変換した入力画像の色差を誤差としたニューラルネットワークで推論を行う推論部と、を有する。
本開示の一態様による記憶媒体は、１つ又は複数のプロセッサが実行することにより、ＲＧＢの色空間で表現された画像を、明度を構成成分として持つ色空間の画像に変換し、色空間を変換した画像の色差を誤差としてニューラルネットワークを最適化する、コンピュータが読み取り可能な命令を記憶する。

【発明の効果】

【0011】

本発明の一態様により、ニューラルネットワークを用いた画像処理の学習効率を向上させることができる。

【図面の簡単な説明】

【0012】

【図1】第１の開示にかかる画像処理装置（学習時）のブロック図である。

【図2】第１の開示にかかる画像処理装置（推論時）のブロック図である。

【図3】ＲＧＢとＣＩＥＬＡＢの色差の違いを説明する図である。

【図4】ＲＧＢとＣＩＥＬＡＢの構成成分の違いを説明する図である。

【図5】第２の開示にかかる画像処理装置（学習時）のブロック図である。

【図6】異常画像及びラベル画像の作成方法を説明する図である。

【図7】第２の開示にかかる画像処理装置（推論時）のブロック図である。

【図8】画像処理装置のハードウェア構成を示す図である。

【図9】ニューラルネットワークを用いた従来の画像処理装置の概念図である。

【発明を実施するための形態】

【0013】

［第１の開示］
以下、図面を参照して本開示の概要を説明する。
図１及び図２は画像処理装置１の一例である画像処理装置１のブロック図である。図１は画像処理装置１（学習時）のブロック図であり、図２は画像処理装置１（推論時）のブロック図である。学習及び推論は、１つの画像処理装置１で実行してもよいし、異なる画像処理装置で学習及び推論をそれぞれ実行してもよい。

【0014】

図１は、画像処理装置１（学習時）の構成及び動作を示す。画像処理装置１（学習時）は、入力画像データを記憶する入力画像記憶部１０と、ラベル画像を記憶するラベル画像記憶部１１と、入力画像及びラベル画像の色空間を変換する色空間変換部１２と、色空間変換部１２により変換した入力画像とラベル画像とを基に、推論画像の作成を学習する学習部１３と、を備える。

【0015】

入力画像記憶部１０は、学習対象となる画像を記憶する。学習対象となる画像は、画像処理装置１に付随するセンサ（後述）で撮像してもよいし、外部のセンサが撮像した画像を入力してもよい。また、フォグコンピュータ（後述）やクラウドサーバ（後述）に記憶した画像を取得してもよい。
ラベル画像記憶部１１は、ラベル画像を記憶する。ラベル画像は、入力画像とペアとなるデータセットである。ラベル画像は、推論画像を調整するための基準となる。入力画像とラベル画像は、ＲＧＢ色空間で表現された画像データである。ＲＧＢ色空間とは、色の表現法の一種であり、赤（Ｒ）、緑（Ｇ）、青（Ｂ）の３つの原色を混ぜて色を表現する。

【0016】

色空間変換部１２は、ＲＧＢの画像データを、明度を構成成分として持つ色空間に変換する。本開示では、明度を構成成分として持つ色空間の一例としてＣＩＥＬＡＢに変換する。ＣＩＥＬＡＢは、Ｌ、ａ、ｂの３つの成分を有する色空間である。Ｌ成分は明度を表し、ａ及びｂ成分は補色成分である色味を表す。ａがプラスの方向になるほど赤みが強くなり、マイナスの方向になるほど緑みが強くなる。また、ｂがプラスの方向になるほど黄みが強くなり、マイナスの方向になるほど青みが強くなる。
なお、色空間変換部１２が変換する色空間は、明度を構成成分として持つ色空間であれば特に限定されない。例えば、明度を構成成分としても持つ色空間には、ＣＩＥＬＡＢの他に、Ｌ^＊Ａ^＊Ｂ^＊色空間、Ｌ^＊Ｃ^＊ｈ色空間、ハンターＬａｂ色空間などがある。

【0017】

学習部１３は、ニューラルネットワーク１４を含む。ニューラルネットワーク１４は、色空間変換部１２でＣＩＥＬＡＢに変換された入力画像から推論画像を作成する。作成された推論画像の色空間はＣＩＥＬＡＢである。
学習部１３は、色空間変換部１２でＣＩＥＬＡＢに変換されたラベル画像を入力し、ニューラルネットワーク１４が作成した推論画像と比較する。ラベル画像と推論画像を比較した結果、２つの画像の誤差が得られる。この誤差は、色差である。色差とは、２つの色の間に定義される指標の一つであり、色空間における距離で定義される。ＣＩＥＬＡＢ色空間における色差の算出方法には、ユークリッド距離、ＣＩＥ７６、ＣＩＥ９４、ＣＩＥＤＥ２０００などがある。

【0018】

学習部１３は、誤差（色差）が小さくなるように、ニューラルネットワーク１４の重みを調整する。学習部１３は、入力画像とラベル画像の入力と学習を繰り返し、ニューラルネットワーク１４のノード間の重みを最適化することで、学習済みニューラルネットワークを作成する。

【0019】

図２は、画像処理装置１（推論時）の構成及び動作を示す。画像処理装置１（推論時）は、入力画像を取得する入力画像取得部１５と、入力画像の色空間を変換する色空間変換部１６と、入力画像から推論画像を作成する推論部１７と、推論画像をＲＧＢ色空間に復元する色空間復元部１８と、を備える。

【0020】

入力画像取得部１５は、入力画像を取得する。入力画像は、ＲＧＢ色空間で表現された画像データである。色空間変換部１６はＲＧＢの画像データをＣＩＥＬＡＢの色空間に変換する。なお、図２の色空間変換部１６は、図１の色空間変換部１２と同じ処理を行う。
推論部１７は、調整済みニューラルネットワーク１４を含む。調整済みニューラルネットワーク１４は、図１の学習部１３が作成したニューラルネットワーク１４である。調整済みニューラルネットワーク１４は、入力画像から推論画像を生成する。
調整済みニューラルネットワーク１４が出力する推論画像の色空間はＣＩＥＬＡＢである。色空間復元部１８は、ＣＩＥＬＡＢの推論画像をＲＧＢ表色系に復元し、ＲＧＢの出力画像を出力する。

【0021】

以上説明したように、本開示の画像処理装置１は、ＣＩＥＬＡＢに変換した入力画像及びラベル画像を用いて、ニューラルネットワーク１４の学習と推論を行う。ＣＩＥＬＡＢなどのＬａｂ色空間は、人間の視覚を近似するように設計されている。Ｌ成分は、人間の明度の知覚と極めて近い。そのため、人間の視覚に近い学習を行うことができる。

【0022】

ＲＧＢとＣＩＥＬＡＢとの色差の違いを説明する。
図３には、赤、橙、緑、薄緑の４色と、各色に対応するＲＧＢ及びＣＩＥＬＡＢの値が表現されている。赤のＲＧＢ値は［２４０，１１０，８０］であり、橙のＲＧＢ値は［２４０，１６０，３０］である。また、赤のＣＩＥＬＡＢ値は［６１．８８，４８．０４，４０．６６］であり、橙のＣＩＥＬＡＢ値は［７２．０７，２０．６０，７１．３２］である。
ＲＧＢ値での赤と橙の色差（ユークリッド距離）は７０．７１である。ＣＩＥＬＡＢ値の赤と橙の色差（ユークリッド距離）は４２．３８であり、色差（ＣＩＥＤＥ２０００）は２５．５９である。
緑のＲＧＢ値は［１５０，２５０，３０］であり、薄緑のＲＧＢ値は［１００，２５０，８０］である。また、薄緑のＲＧＢ値は［１００，２５０，８０］である。また、緑のＣＩＥＬＡＢ値は［８９．３７、－５８．７９，８２．６４］であり、薄緑のＣＩＥＬＡＢ値は［８７．８０、－６９．９８，６６．６９］である。
ＲＧＢ値での緑と薄緑の色差（ユークリッド距離）は、７０．７１であり、赤と橙の色差と等しい。ＣＩＥＬＡＢ値での緑と薄緑の色差（ユークリッド距離）は１９．５４であり、色差（ＣＩＥＤＥ２０００）は６．６３である。

【0023】

人間の視覚で判断すると、図３の左側の赤と橙の違いは明確であるが、右側の緑と薄緑は近い色に見える。ＲＧＢで色差（ユークリッド距離）を算出すると、赤と橙の色差と緑と薄緑の色差は、両方とも７０．７１で等しく、ＲＧＢでは人間が感知できる色差が数値に表れない。
ＣＩＥＬＡＢで色差を算出すると、赤と橙の色差（ユークリッド距離）は４２．３８であり、緑と薄緑の色差（ユークリッド距離）は１９．５４である。赤と橙の色差（ユークリッド距離）が緑と薄緑の色差（ユークリッド距離）より大きくなり、人間が感知できる色差が数値に表れる。
また、ＣＩＥＬＡＢ値では、赤と橙の色差（ＣＩＥＤＥ２０００）は２５．５９であり、緑と薄緑の色差（ＣＩＥＤＥ２０００）は６．６３である。赤と橙の色差（ＣＩＥＤＥ２０００）が緑と薄緑の色差（ＣＩＥＤＥ２０００）より大きくなり、人間が感知できる色差が数値に表れる。

【0024】

図４に示すように、ＲＧＢの構成成分は、Ｒ（赤原色）、Ｇ（緑原色）、Ｂ（青原色）である。ＣＩＥＬＡＢの構成成分は、Ｌ（明度）、ａ／ｂ（補色次元）である。ＲＧＢには、明度の成分がない。人間の視覚は、明度を敏感に感知する。人間の視覚は、彩度の差よりも明度の差を重視するため、明度を構成成分として持つ色空間がより人間の視覚に近い表現となる。すなわち、明度を構成成分として持つ色空間を用いて学習することにより、人間の視覚に近いニューラルネットワーク（モデル）を作成することができる。

【0025】

［第２の開示］
第２の開示では、異常画像を人為的に作成し教師付き学習を行う画像処理装置１について説明する。図５は第２の開示の画像処理装置１（学習時）のブロック図であり、図７は第２の開示の画像処理装置１（推論時）のブロック図である。

【0026】

図５の画像処理装置１（学習時）は、製品を撮像したＲＧＢの正常画像を記憶する正常画像記憶部３０と、入力画像の色空間を変換する色空間変換部１２と、正常画像からニューラルネットワークのモデルを作成する学習部２１と、を備える。

【0027】

正常画像記憶部３０は、例えば、産業機械（図示省略）に取り付けられたセンサ（後述）により撮像された製品の画像データを記憶する。正常画像記憶部３０が記憶する画像データには、正常な製品の画像データ（以下、正常画像とする）を含む。

【0028】

色空間変換部１２は、正常画像記憶部３０に記憶された正常画像をＲＧＢ表色系からＣＩＥＬＡＢの色空間に変換する。

【0029】

異常画像作成部１９は、正常画像記憶部３０に記憶された正常画像に基づいて、異常画像を作成する。異常画像作成部１９が作成した異常画像は、ニューラルネットワークの入力画像となり学習に用いられる。製品検査などでは異常画像のサンプル数が不足するため、人為的に異常画像を生成してサンプル不足を補う場合がある。
異常画像作成部１９は、正常画像内の製品の画像の一部に所定の図形を重畳することで異常画像を作成してもよい。また、異常画像作成部１９は、正常画像に対して、画像の一部の色相・彩度・明度を変更したり、モザイクをかけたりする等の画像の加工を行うことで異常画像を作成してもよい。さらに、異常画像作成部１９は、例えば、正常画像内の製品の画像に所定の図形を追加乃至削減（変形）することで異常画像を作成する。異常画像は、実際の現場で発生が想定される欠陥種別、位置、サイズ、色、背景素材、光源設定等の組合せを網羅した画像とすることが望ましい。

【0030】

図６は、正常画像内の製品の画像の一部に所定の図形（幾何学的な図形）を重畳して異常画像を作成する例である。重畳する所定の画像データは、予め記憶しておいてもよいし、異常画像を作成する段階で所定の図形として幾何学的形状の図形を作成するようにしてもよい。所定の図形の色は、製品の色に類似した色であって、製品の色とは異なるものであることが望ましい。製品の画像のどの位置に所定の図形を重畳するかについては、例えば、乱数値を算出して決定してもよい。このようにして追加された所定の図形は、製品の加工品質が低下している部分や、製品内の欠損している部分等を表現する。正常画像に重畳する所定の画像は、ＣＩＥＬＡＢで保存又はＣＩＥＬＡＢに変換されている。

【0031】

正常画像の色空間はＣＩＥＬＡＢであり、重畳する画像データもＣＩＥＬＡＢであるため、異常画像作成部１９が作成する入力画像（異常画像）もＣＩＥＬＡＢとなる。

【0032】

学習部２１は、色空間変換部１２においてＣＩＥＬＡＢに変換された正常画像（ラベル画像）、及び異常画像作成部１９においてＣＩＥＬＡＢで作成された入力画像（異常画像）に基づいて学習を行う。学習方法としては、ピクセル単位のマッピングを学習することによって画像を画像に変換するＰｉｘ２Ｐｉｘなどを用いる。
第２の開示において、学習部２１は、異常画像を入力画像とし、正常画像をラベル画像とした教師データを作成し、作成した教師データに基づいた学習を行う。
学習部２１を構成するニューラルネットワーク２２は、異常画像を入力して正常画像を出力するといったタスク（修復タスク）に利用したり、異常画像の異常箇所の位置やサイズを強調表示した画像などの作成に利用してもよい。

【0033】

図７は第２の開示の画像処理装置１（推論時）の構成及び動作を示す。画像処理装置１（推論時）は、入力画像データを取得する入力画像取得部１５と、入力画像データの色空間を変換する色空間変換部１６と、入力画像データから推論画像データを作成する推論部２３と、推論画像データをＲＧＢ色空間に復元する色空間復元部と、を備える。

【0034】

入力画像取得部１５は、入力画像を取得する。入力画像は、例えば、産業機械に取り付けられたセンサなどから取得する。入力画像の色空間は、ＲＧＢである。
色空間変換部１６は、ＲＧＢ色空間で表現された入力画像をＣＩＥＬＡＢに変換する。
推論部２３は、学習部２１が作成した調整済みニューラルネットワーク２２を含む。推論部２３は、ＣＩＥＬＡＢに変換された入力画像データを入力し、入力画像データの異常箇所を示すラベル画像を作成する。
また、推論部２３の推論内容は、学習部２１の構成によって異なる。推論部２３は、ラベル画像ではなく、入力画像から異常箇所を取り除いた正常画像や異常箇所の位置やサイズを強調表示した画像などを作成してもよい。学習内容にかかわらず推論部２３から出力される画像データの色空間はＣＩＥＬＡＢである。

【0035】

色空間復元部１８は、推論部２３が作成したＣＩＥＬＡＢの画像データをＲＧＢの色空間に復元する。これにより、画像処理装置１（復元時）の出力画像はＲＧＢとなる。

【0036】

以上説明したように、図５の画像処理装置１は、正常画像データから異常画像を作成し、異常画像を教師あり学習のサンプルとして用いている。一般に工場等の製造現場では、学習に使用可能な異常画像の調達が困難である。そのため、第２の開示の画像処理装置は、異常画像を人為的に作成して、学習に必要なサンプルを確保する。
第２の開示の画像処理装置１では、ＣＩＥＬＡＢに変換した正常画像などを用いて異常画像を生成する。第２の開示では、ＣＩＥＬＡＢの色空間で学習を行うことにより、より人間の視覚に近いモデルを作成する。

【0037】

［画像処理装置のハードウェア構成］
図８に、画像処理装置１のハードウェア構成を示す。画像処理装置１が備えるＣＰＵ１１１は、画像処理装置１を全体的に制御するプロセッサである。ＣＰＵ１１１は、バス１２２を介してＲＯＭ１１２に格納されたシステム・プログラムを読み出し、該システム・プログラムに従って画像処理装置１全体を制御する。ＲＡＭ１１３には一時的な計算データや表示データ、及び外部から入力された各種データ等が一時的に格納される。

【0038】

不揮発性メモリ１１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）等で構成され、画像処理装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１１４には、インタフェース１１５を介して外部機器１２５から読み込まれたデータ、入力装置１２４を介して入力されたデータ、ネットワーク５を介して産業機械（図示省略）から取得されたデータ等が記憶される。記憶されるデータには、例えば産業機械に取り付けられた視覚センサ等のセンサ４により撮像された製品の画像データが含まれていてよい。不揮発性メモリ１１４に記憶されたデータは、実行時／利用時にはＲＡＭ１１３に展開されてもよい。また、ＲＯＭ１１２には、公知の解析プログラムなどの各種システム・プログラムが予め書き込まれている。

【0039】

インタフェース１１５は、画像処理装置１のＣＰＵ１１１とＵＳＢ装置等の外部機器１２５とを接続するためのインタフェースである。外部機器１２５からは、例えば、各産業機械により製造される製品に係るデータ（例えば、正常な製品の画像データや、製品の形状を示すＣＡＤデータ等）を読み込むことができる。また、画像処理装置１で編集したデータ等は、外部機器１２５を介してＣＦカード等の外部記憶手段に記憶させることができる。

【0040】

インタフェース１２０は、画像処理装置１のＣＰＵ１１１と有線乃至無線のネットワーク５とを接続するためのインタフェースである。ネットワーク５には、産業機械やフォグコンピュータ６、クラウドサーバ７等が接続され、画像処理装置１との間で相互にデータのやり取りを行っている。

【0041】

表示装置１２３には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ等がインタフェース１１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置１２４は、作業者による操作に基づく指令、データ等をインタフェース１１８を介してＣＰＵ１１１に渡す。

【0042】

なお、図８の画像処理装置の演算装置は、ＣＰＵ１１１のみであるが、ニューラルネットワークの学習では、ＧＰＵ（Ｇｒａｐｈｉｃａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）を用いてもよい。

【0043】

以上、本発明の一実施形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。

【符号の説明】

【0044】

１ 画像処理装置
５ ネットワーク
１０ 入力画像記憶部
１１ ラベル画像記憶部
１２ 色空間変換部
１３、２１ 学習部
１４、２２ ニューラルネットワーク
１５ 入力画像取得部
１６ 色空間変換部
１７、２３ 推論部
１８ 色空間復元部
１９ 異常画像作成部
２０ ラベル画像作成部
２４ ラベル記憶部
３０ 正常画像記憶部
１１１ ＣＰＵ
１１２ ＲＯＭ
１１３ ＲＡＭ
１１４ 不揮発性メモリ

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】