特許 7465446 画像検査装置、画像検査方法、及び学習済みモデル生成装置

(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】2024-04-03

(45)【発行日】2024-04-11

(54)【発明の名称】画像検査装置、画像検査方法、及び学習済みモデル生成装置

(51)【国際特許分類】

   G06T 7/00 20170101AFI20240404BHJP

【ＦＩ】

G06T7/00 350B

G06T7/00 610Z

【請求項の数】 11

(21)【出願番号】P 2020085988

(22)【出願日】2020-05-15

(65)【公開番号】P2021179907

(43)【公開日】2021-11-18

【審査請求日】2023-03-08

(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】100079108

【弁理士】

【氏名又は名称】稲葉 良幸

(74)【代理人】

【識別番号】100109346

【弁理士】

【氏名又は名称】大貫 敏史

(74)【代理人】

【識別番号】100117189

【弁理士】

【氏名又は名称】江口 昭彦

(74)【代理人】

【識別番号】100134120

【弁理士】

【氏名又は名称】内藤 和彦

(74)【代理人】

【識別番号】100108213

【弁理士】

【氏名又は名称】阿部 豊隆

(72)【発明者】

【氏名】池田 泰之

【審査官】小太刀 慶明

(56)【参考文献】

【文献】特開２０１８－２０５１６３（ＪＰ，Ａ）

【文献】特開２０２０－６４３６４（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｔ ７／００ － ７／９０

(57)【特許請求の範囲】

【請求項1】

良品の検査対象物の分割画像である良品分割画像の１つ又は複数を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデルに、検査対象物の分割画像である検査分割画像をそれぞれ入力し、複数の前記復元分割画像を生成する画像生成部と、
前記複数の復元分割画像に基づいて前記検査対象物を検査する検査部と、を備え、
前記良品分割画像は良品画像を複数に分割したものであり、前記複数の学習済みモデルは、前記良品画像における複数の位置の前記良品分割画像を入力として前記復元分割画像を出力するように学習させた学習済みモデルを含む、
画像検査装置。

【請求項2】

前記検査部は、前記複数の復元分割画像に基づいて復元画像を生成し、前記検査対象物の検査画像と該復元画像との比較に基づいて、前記検査対象物を検査する、
請求項１に記載の画像検査装置。

【請求項3】

前記検査部は、前記検査画像と前記復元画像との差に基づいて、前記検査対象物が良品であるか否かを判定する、
請求項２に記載の画像検査装置。

【請求項4】

１つ又は複数の前記良品分割画像ごとに学習モデルを学習させ、前記複数の学習済みモデルを生成する学習部をさらに備える、
請求項１から３のいずれか一項に記載の画像検査装置。

【請求項5】

前記学習部は、１つ又は複数の前記良品分割画像にデータオーギュメンテーションを施したものを入力として前記学習モデルを学習させ、前記複数の学習済みモデルを生成する、
請求項４に記載の画像検査装置。

【請求項6】

前記データオーギュメンテーションは、前記良品分割画像に対して、平行移動、回転、拡大、縮小、左右反転、上下反転、及びフィルタ処理のうちの少なくとも１つを適用することを含む、
請求項５に記載の画像検査装置。

【請求項7】

検査対象物の検査画像を複数の前記検査分割画像に分割する分割部をさらに備える、
請求項１から６のいずれか一項に記載の画像検査装置。

【請求項8】

検査対象物の検査画像を取得するための撮像部をさらに備える、
請求項１から７のいずれか一項に記載の画像検査装置。

【請求項9】

前記複数の学習済モデルを記憶する記憶部をさらに備える、
請求項１から８のいずれか一項に記載の画像検査装置。

【請求項10】

良品の検査対象物の分割画像である良品分割画像の１つ又は複数を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデルに、検査対象物の分割画像である検査分割画像をそれぞれ入力し、複数の前記復元分割画像を生成するステップと、
前記複数の復元分割画像に基づいて前記検査対象物を検査するステップと、を含み、
前記良品分割画像は良品画像を複数に分割したものであり、前記複数の学習済みモデルは、前記良品画像における複数の位置の前記良品分割画像を入力として前記復元分割画像を出力するように学習させた学習済みモデルを含む、
画像検査方法。

【請求項11】

良品の検査対象物の分割画像である良品分割画像の１つ又は複数を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデルを生成するモデル生成部を備え、
前記良品分割画像は良品画像を複数に分割したものであり、前記複数の学習済みモデルは、前記良品画像における複数の位置の前記良品分割画像を入力として前記復元分割画像を出力するように学習させた学習済みモデルを含む、
学習済みモデル生成装置。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、画像検査装置、画像検査方法、及び学習済みモデル生成装置に関する。

【背景技術】

【0002】

従来、対象物を撮影した画像に基づいて、当該対象物の検査を行う画像検査装置が知られている。

【0003】

例えば、特許文献１には、入力される判定対象画像データに基づいて異常を判定する異常判定を行う異常判定装置において、正常画像データ群から抽出される特徴量から正常画像データを再構成するための再構成用パラメータを用いて、判定対象画像データの特徴量から再構成画像データを生成し、生成した再構成画像データと該判定対象画像データとの差異情報に基づいて異常判定を行うための異常判定処理を実行する処理実行手段を有するものが記載されている。特許文献１の異常判定装置は、判定対象画像データが複数チャネルの画像データを含む場合、再構成用パラメータを用いて各チャネルの画像データの特徴量から再構成画像データをチャネルごとに生成し、生成した各再構成画像データと該判定対象画像データの各チャネルの画像データとの差異情報に基づいて異常判定を行っている。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１８－５７７３号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

特許文献１では、学習済みモデルである学習したオートエンコーダを用い、判定対象画像から再構成画像を生成している。ここで、例えば、良品の検査対象物の画像に局所的に特殊なパターンが存在する場合、学習済みモデルの表現能力が低いと、当該学習済みモデルの生成する画像において、特殊パターンを復元することができないことがあった。この場合、良品である検査対象物の画像を誤って不良であると判定してしまうおそれがあった。

【0006】

また、良品の検査対象物の画像において、ある位置又は部分で良品であるパターンが別の位置又は部分では不良品である場合、学習済みモデルが生成した画像において不良品のパターンが生成されてしまい、不良品の検査対象物を見逃してしまうことがあった。

【0007】

そこで、本発明は、特殊パターンを復元することができるとともに、不良品のパターンの生成を抑制することのできる画像検査装置、画像検査方法、及び学習済みモデル生成装置を提供することを目的の１つとする。

【課題を解決するための手段】

【0008】

本開示の一態様に係る画像検査装置は、良品の検査対象物の分割画像である良品分割画像の１つ又は複数を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデルに、検査対象物の分割画像である検査分割画像をそれぞれ入力し、複数の復元分割画像を生成する画像生成部と、複数の復元分割画像に基づいて検査対象物を検査する検査部と、を備える。

【0009】

この態様によれば、１つ又は複数の良品分割画像を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデルに、検査分割画像をそれぞれ入力し、複数の復元分割画像を生成する。これにより、各学習済みモデルは、各良品分割画像に特有のパターンを学習することができるので、生成された分割復元画像において、良品分割画像に含まれる局所的な特殊パターンを復元することができる。また、別の良品の検査対象物の画像において、ある位置又は部分で良品であるパターンが別の位置又は部分では不良品である場合にも、各学習済みモデルは、検査対象物の良品画像における位置によって異なる判断基準を学習することができるので、生成された分割復元画像において、不良パターンの生成を抑制することができる。従って、特殊パターンが復元され、不良品のパターンの生成が抑制された、複数の分割復元画像に基づいて検査対象物ＴＡを検査することにより、検査対象物の検査精度を高めることができる。

【0010】

前述した態様において、検査部は、複数の復元分割画像に基づいて復元画像を生成し、検査対象物の検査画像と該復元画像との比較に基づいて、検査対象物を検査してもよい。

【0011】

この態様によれば、複数の復元分割画像に基づいて復元画像が生成され、当該復元画像と検査対象物の検査画像との比較に基づいて、検査対象物が検査される。これにより、検査精度の高い検査を容易に実現できる。

【0012】

前述した態様において、検査部は、復元画像と検査画像との差に基づいて、検査対象物を検査してもよい。

【0013】

この態様によれば、復元画像と検査画像との差に基づいて、検査対象物が検査される。これにより、検査精度の高い検査をさらに容易に実現できる。

【0014】

前述した態様において、１つ又は複数の良品分割画像ごとに学習モデルを学習させ、複数の学習済みモデルを生成する学習部をさらに備えてもよい。

【0015】

この態様によれば、１つ又は複数の良品分割画像ごとに学習モデルを学習させ、複数の学習済みモデルを生成する学習部をさらに備える。これにより、学習済みモデル生成装置がなくても、複数の学習済みモデルを得ることができる。

【0016】

前述した態様において、学習部は、１つ又は複数の良品分割画像にデータオーギュメンテーションを施したものを入力として学習モデルを学習させ、複数の学習済みモデルを生成してもよい。

【0017】

この態様によれば、１つ又は複数の良品分割画像にデータオーギュメンテーションを施したものを入力として学習モデルを学習させ、複数の学習済みモデルが生成される。これにより、限られた数の良品分割画像を増やすことができ、各学習済みモデルは、良品分割画像のばらつきに対するロバスト性を高めたロバスト設計にすることができる。

【0018】

前述した態様において、データオーギュメンテーションは、１つ又は複数の良品分割画像に対して、平行移動、回転、拡大、縮小、左右反転、上下反転、及びフィルタ処理のうちの少なくとも１つを適用することを含んでもよい。

【0019】

この態様によれば、データオーギュメンテーションは、１つ又は複数の良品分割画像に対して、平行移動、回転、拡大、縮小、左右反転、上下反転、及びフィルタ処理のうちの少なくとも１つを適用することを含む。これにより、良品分割画像のバリエーションを容易に得ることができる。

【0020】

前述した態様において、検査対象物の検査画像を複数の検査分割画像に分割する分割部をさらに備えてもよい。

【0021】

この態様によれば、検査対象物の検査画像を複数の検査分割画像に分割する分割部をさらに備える。これにより、検査分割画像を容易に得ることができる。

【0022】

前述した態様において、検査対象物の検査画像を取得するための撮像部をさらに備えてもよい。

【0023】

この態様によれば、検査対象物の検査画像を取得するための撮像部をさらに備える。これにより、検査画像を容易に得ることができる。

【0024】

前述した態様において、複数の学習済みモデルを記憶する記憶部をさらに備えてもよい。

【0025】

この態様によれば、複数の学習済みモデルを記憶する記憶部をさらに備える。これにより、各学習済みモデルを容易に読み出すことができる。

【0026】

本開示の他の態様に係る画像検査方法は、良品の検査対象物の分割画像である良品分割画像の１つ又は複数を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデルに、検査対象物の分割画像である検査分割画像をそれぞれ入力し、複数の復元分割画像を生成するステップと、複数の復元分割画像に基づいて検査対象物を検査するステップと、を含む。

【0027】

この態様によれば、１つ又は複数の良品分割画像を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデルに、検査分割画像をそれぞれ入力し、複数の復元分割画像を生成する。これにより、各学習済みモデルは、各良品分割画像に特有のパターンを学習することができるので、生成された分割復元画像において、良品分割画像に含まれる局所的な特殊パターンを復元することができる。また、別の良品の検査対象物の画像において、ある位置又は部分で良品であるパターンが別の位置又は部分では不良品である場合にも、各学習済みモデルは、検査対象物の良品画像における位置によって異なる判断基準を学習することができるので、生成された分割復元画像において、不良パターンの生成を抑制することができる。従って、特殊パターンが復元され、不良品のパターンの生成が抑制された、複数の分割復元画像に基づいて検査対象物ＴＡを検査することにより、検査対象物の検査精度を高めることができる。

【0028】

本開示の他の態様に係る学習済みモデル生成装置は、良品の検査対象物の分割画像である良品分割画像の１つ又は複数を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデルを生成するモデル生成部を備える。

【0029】

この態様によれば、１つ又は複数の良品分割画像を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデルを生成する。これにより、各学習済みモデルは、各良品分割画像に特有のパターンを学習することができるので、出力となる分割復元画像において、良品分割画像に含まれる局所的な特殊パターンを復元することができる。また、良品画像において、ある位置又は部分で良品であるパターンが別の位置又は部分では不良品である場合にも、各学習済みモデルは、良品画像における位置によって異なる判断基準を学習することができるので、出力となる分割復元画像において、不良パターンの生成を抑制することができる。従って、例えば、各学習済みモデルに検査分割画像を入力して分割復元画像を生成することで、当該分割復元画像において、局所的な特殊パターンを復元することができるとともに、不良パターンの生成を抑制することができる。

【発明の効果】

【0030】

本発明によれば、特殊パターンを復元することができるとともに、不良品のパターンの生成を抑制することができる。

【図面の簡単な説明】

【0031】

【図1】図１は、一実施形態における画像検査システムの概略構成を例示する構成図である。

【図2】図２は、一実施形態における学習済みモデル生成装置及び画像検査装置の物理的構成を示す構成図である。

【図3】図３は、一実施形態における学習済みモデル生成装置の機能ブロックの構成を示す構成図である。

【図4】図４は、図３に示す学習用画像生成部による良品分割画像の生成を説明するための概念図である。

【図5】図５は、図３に示すモデル生成部が使用する学習モデルを説明するための概念図である。

【図6】図６は、図３に示すモデル生成部による複数の学習済みモデルの生成の一例を説明するための概念図である。

【図7】図７は、図３に示すモデル生成部による複数の学習済みモデルの生成の他の例を説明するための概念図である。

【図8】図８は、一実施形態における画像検査装置の機能ブロックの構成を示す構成図である。

【図9】図９は、図８に示す、分割部、画像生成部、及び検査部による処理の一例を説明するための概念図である。

【図10】図９は、図８に示す、分割部、画像生成部、及び検査部による処理の他の例を説明するための概念図である。

【図11】図１１は、良品画像の一例を示す図である。

【図12】図１２は、図８に示す検査部による差分画像の生成を説明するための概念図である。

【図13】図１３は、検査画像の一例を示す図である。

【図14】図１４は、復元画像の一例を示す図である。

【図15】図１５は、差分画像の一例を示す図である。

【図16】図１６は、一実施形態における学習済みモデル生成装置が行う学習済みモデル生成処理の一例を説明するためのフローチャートである。

【図17】図１７は、一実施形態における画像検査装置が行う画像検査処理の一例を説明するためのフローチャートである。

【発明を実施するための形態】

【0032】

以下に本発明の実施形態を説明する。以下の図面の記載において、同一または類似の部分には同一または類似の符号で表している。但し、図面は模式的なものである。従って、具体的な寸法等は以下の説明を照らし合わせて判断するべきものである。また、図面相互間においても互いの寸法の関係や比率が異なる部分が含まれていることは勿論である。さらに、本発明の技術的範囲は、当該実施形態に限定して解するべきではない。

【0033】

まず、図１を参照しつつ、一実施形態に従う画像検査システムの構成について説明する。図１は、一実施形態における画像検査システム１の概略構成を例示する構成図である。

【0034】

図１に示すように、画像検査システム１は、画像検査装置２０及び照明ＩＬを含む。画像検査装置２０は、通信ネットワークＮＷを介して、学習済みモデル生成装置１０に接続されている。照明ＩＬは、検査対象物ＴＡに光Ｌを照射する。画像検査装置２０は、反射光Ｒを撮影し、検査対象物ＴＡの画像（以下、「検査画像」ともいう）に基づいて、検査対象物ＴＡの検査を行う。学習済みモデル生成装置１０は、画像検査装置２０が検査を行うために用いる学習済みモデルを生成する。

【0035】

次に、図２を参照しつつ、一実施形態に従う学習済みモデル生成装置及び画像検査装置の物理的構成について説明する。図２は、一実施形態における学習済みモデル生成装置１０及び画像検査装置２０の物理的構成を示す構成図である。

【0036】

図２に示すように、学習済みモデル生成装置１０及び画像検査装置２０は、それぞれ、プロセッサ３１と、メモリ３２と、記憶装置３３と、通信装置３４と、入力装置３５と、出力装置３６と、を備える。これらの各構成は、バスを介して相互にデータ送受信可能に接続される。

【0037】

なお、図２に示す例では、学習済みモデル生成装置１０及び画像検査装置２０が、それぞれ、一台のコンピュータで構成される場合について説明するが、これに限定されるものではない。学習済みモデル生成装置１０及び画像検査装置２０は、それぞれ、複数のコンピュータが組み合わされて実現されてもよい。また、図２で示す構成は一例であり、学習済みモデル生成装置１０及び画像検査装置２０は、それぞれ、これら以外の構成を備えてもよいし、これらの構成のうち一部を備えなくてもよい。

【0038】

プロセッサ３１は、学習済みモデル生成装置１０及び画像検査装置２０の各部の動作を制御するように構成されている。プロセッサ３１は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＤＳＰ（Ｄｉｇｉｔａｌ Ｓｉｇｎａｌ Ｐｒｏｃｅｓｓｏｒ）、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ Ｓｐｅｃｉｆｉｃ Ｉｎｔｅｇｒａｔｅｄ Ｃｉｒｃｕｉｔ）、ＰＬＤ（Ｐｒｏｇｒａｍｍａｂｌｅ Ｌｏｇｉｃ Ｄｅｖｉｃｅ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ））、ＳｏＣ（Ｓｙｓｍｔｅｍ－ｏｎ－ａ－Ｃｈｉｐ）等の集積回路を含んで構成される。

【0039】

メモリ３２及び記憶装置３３は、それぞれ、プログラムやデータ等を記憶するように構成されている。メモリ３２は、例えば、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｙ）、ＥＰＲＯＭ（Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）、ＥＥＰＲＯＭ（Ｅｌｅｃｔｒｉｃａｌｌｙ Ｅｒａｓａｂｌｅ Ｐｒｏｇｒａｍｍａｂｌｅ ＲＯＭ）及び／又はＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）等から構成される。記憶装置３３は、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、ＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）及び／又はｅＭＭＣ（ｅｍｂｅｄｄｅｄ Ｍｕｌｔｉ Ｍｅｄｉａ Ｃａｒｄ）等のストレージから構成される。

【0040】

通信装置３４は、有線及び無線の少なくとも一方のネットワークを介して通信を行うように構成されている。通信装置３４は、例えば、ネットワークカード、通信モジュール、他の機器に接続するインターフェース等を含んで構成される。

【0041】

入力装置３５は、ユーザの操作により情報を入力できるように構成されている。入力装置３５は、例えば、キーボード、タッチパネル、マウス、ポインティングデバイス、及び／又はマイク等を含んで構成される。

【0042】

出力装置３６は、情報を出力するように構成されている。出力装置３６は、例えば液晶ディスプレイ、ＥＬ(Ｅｌｅｃｔｒｏ Ｌｕｍｉｎｅｓｃｅｎｃｅ)ディスプレイ、プラズマディスプレイ、ＬＣＤ（Ｌｉｑｕｉｄ Ｃｒｙｓｔａｌ Ｄｉｓｐｌａｙ）等の表示装置、及び／又はスピーカ等を含んで構成される。

【0043】

次に、図３から図７を参照しつつ、一実施形態に従う学習済みモデル生成装置の機能ブロックについて説明する。図３は、一実施形態における学習済みモデル生成装置１０の機能ブロックの構成を示す構成図である。図４は、図３に示す学習用画像生成部１３１による良品分割画像の生成を説明するための概念図である。図５は、図３に示すモデル生成部１３５が使用する学習モデル５０を説明するための概念図である。図６は、図３に示すモデル生成部１３５による複数の学習済みモデル５５の生成の一例を説明するための概念図である。図７は、図３に示すモデル生成部１３５による複数の学習済みモデル５５の生成の他の例を説明するための概念図である。

【0044】

図３に示すように、学習済みモデル生成装置１０は、通信部１１０と、記憶部１２０と、学習部１３０と、を備える。

【0045】

通信部１１０は、各種の情報を送信及び受信可能に構成されている。通信部１１０は、例えば、通信ネットワークＮＷを介して、後述する学習済みモデル５５を画像検査装置２０に送信する。また、通信部１１０は、例えば、通信ネットワークＮＷを介して、他の装置から良品画像を受信する。すなわち、通信部１１０は、良品の画像である良品画像を取得する。通信部１１０によって取得された複数の良品画像（以下、それぞれを区別しない場合にその１つを「良品画像４０」ともいう）は、記憶部１２０に書き込まれて記憶される。

【0046】

記憶部１２０は、各種の情報を記憶するように構成されている。記憶部１２０は、例えば、良品画像４０と、複数の学習用画像（以下、それぞれを区別しない場合にその１つを「学習用画像１２４」ともいう）と、複数の学習済みモデル（以下、それぞれを区別しない場合にその１つを「学習済みモデル５５」ともいう）と、を記憶する。

【0047】

学習部１３０は、学習モデルを学習させて学習済みモデルを生成するためのものである。学習部１３０は、例えば、学習用画像生成部１３１及びモデル生成部１３５を含む。

【0048】

学習用画像生成部１３１は、学習用画像１２４を生成するように構成されている。学習用画像１２４は、学習済みモデル５５を生成するために用いられる画像である。学習用画像１２４は、例えば、１つの良品画像を複数に分割した画像（以下「良品分割画像」という）である。

【0049】

より詳細には、学習用画像生成部１３１は、記憶部１２０に記憶された複数の良品画像４０のうちの１つを読み出し、当該良品画像４０を複数の良品分割画像に分割して学習用画像を生成する。

【0050】

図４に示すように、学習用画像生成部１３１は、良品画像４０について、例えば、縦及び横にそれぞれ４分割することで、１６個の良品分割画像を生成する。なお、良品画像４０は、２個以上の良品分割画像に分割されれば足り、２から１５個の良品分割画像に分割されてもよいし、１７個以上の良品分割画像に分割されてもよい。

【0051】

また、学習用画像生成部１３１は、１つ又は複数の良品分割画像にデータオーギュメンテーションを施し、データオーギュメンテーションが施されたものを学習用画像１２４として生成してもよい。

【0052】

データオーギュメンテーションは、１つ又は複数の良品分割画像に対して、平行移動、回転、拡大、縮小、左右反転、上下反転、及びフィルタ処理のうちの少なくとも１つを適用することを含む。フィルタ処理に用いるフィルタは、例えば、良品分割画像の明度を変換するフィルタであったり、ノイズを除去する平滑化フィルタであったり、エッジを抽出するフィルタであったりしてよく、任意のフィルタを用いることができる。

【0053】

なお、データオーギュメンテーションは、前述した手法に限定されるものではない。例えば、データオーギュメンテーションは、１つ又は複数の良品分割画像に対して、射影変換を行ったり、ランダムノイズを付加したりしもてよい。

【0054】

モデル生成部１３５は、１つ又は複数の良品分割画像ごとに学習モデルを学習させ、複数の学習済みモデル５５を生成するように構成されている。各学習済みモデル５５は、例えば、１つ又は複数の良品分割画像を入力とし、復元分割画像を出力するモデルである。あるいは、各学習済みモデル５５は、１つ又は複数の良品分割画像にデータオーギュメンテーションを施したものを入力とし、復元分割画像を出力するモデルであってもよい。以下において、特に明示する場合を除き、各学習済みモデル５５は、１つ又は複数の良品分割画像を入力として生成されたものとして、説明する。この場合、復元分割画像は、良品分割画像を復元する画像である。

【0055】

図５に示すように、モデル生成部１３５が学習済みモデル５５を生成するために用いる学習モデル５０は、例えば、ニューラルネットワークの１つであって、教師なし機械学習の手法の１つでもあるオートエンコーダである。学習モデル５０は、入力層５０１と、出力層５０５と、入力層５０１と出力層５０５との間に配置されている中間層５０３と、を含んでいる。

【0056】

なお、学習モデル５０は、オートエンコーダに限定されるものではない。学習モデル５０は、例えば、ＰＣＡ（Ｐｒｉｎｃｉｐａｌ Ｃｏｍｐｏｎｅｎｔ Ａｎａｌｙｓｉｓ）を用いたモデルであってもよい。また、学習モデル５０の中間層５０３は、１層である場合に限定されず、２層以上であってもよい。

【0057】

入力層５０１に入力画像が入力されると、中間層５０３において入力画像の次元が削減されて特徴ベクトルを抽出する。そして、出力層５０５において次元を戻して出力画像が出力される。

【0058】

この学習モデル５０は、入力画像と出力画像との間の差が最小となるように、重み（係数ともいう）を学習する。より詳細には、円形状で表される各ノードは、線で表される各エッジにおいて固有の重み付けを行い、重み付けされた値が次の層のノードに入力される。この重み付けにおける重みを学習することで、入力画像に含まれる各画素と、出力画像に含まる対応する各画素との差が最小になる。

【0059】

本実施形態では、入力画像は、例えば、良品分割画像であり、出力画像は、復元分割画像である。図６に示すように、例えば、良品画像４０において左上に位置する良品分割画像４００のための学習済みモデル５５を生成する場合、対応する学習モデル５０Ａには、複数の良品画像４０におけるそれぞれの左上の良品分割画像４００が入力画像として入力される。そして、この学習モデル５０Ａは、左上の良品分割画像４００を復元する復元分割画像を出力画像として出力するように、各重みを学習する。これにより、良品分割画像４００を復元する学習済みモデル５５Ａが生成される。このようにして、良品画像４００における各良品分割画像４００，４０２，４０４，・・・について、対応する学習モデル５０Ａ，５０Ｂ，５０Ｃ，・・・を学習させることで、モデル生成部１３５は、複数の学習済みモデル５５Ａ，５５Ｂ，５５Ｃ，・・・を生成する。

【0060】

なお、学習モデル５０は、入力画像として１つの位置の良品分割画像を用いる場合に限定されるものではない。言い換えれば、良品画像４０を分割する数、例えば分割数ｍ（ｍは２以上の整数）と、学習に用いる学習モデル５０の数及び生成される学習済みモデル５５の数、例えば生成数ｎ（ｎは２以上の整数）とは、同じ数である場合に限定されるものではない。学習モデル５０は、複数の良品分割画像、例えば、良品分割画像４００及び良品分割画像４０２を入力画像として学習されてもよい。この場合、良品分割画像４００及び良品分割画像４０２の２つのエリアの分割画像を復元する学習済みモデル５５が生成される。

【0061】

また、図７に示すように、良品画像４０を分割した複数の良品分割画像４００’、４０２’、４０４’，・・・のうち、例えば、良品分割画像４０２’と良品分割画像４０４’とが類似する場合、それぞれに用いる学習モデル５０を統合してもよい。すなわち、互いに類似する良品分割画像４０２’及び良品分割画像４０４’は、同じ学習モデル５０Ｂに入力され、学習の結果、１つの学習済みモデル５５Ｂ’が生成される。この場合、学習済みモデル５０の生成数ｎは、良品画像４０の分割数ｍより小さくなる（生成数ｎ＜分割数ｍ）。なお、２つの良品分割画像が類似するか否かの判定は、例えば、一致度が所定のしきい値以上であるか否かに基づいて行ってもよい。

【0062】

このように、１つ又は複数の良品分割画像を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデル５５を生成することにより、後述するように、各学習済みモデル５５は、各良品分割画像に特有のパターンを学習することができるので、出力となる分割復元画像において、良品分割画像に含まれる局所的な特殊パターンを復元することができる。また、良品画像において、ある位置又は部分で良品であるパターンが別の位置又は部分では不良品である場合にも、後述するように、各学習済みモデル５５は、良品画像における位置によって異なる判断基準を学習することができるので、出力となる分割復元画像において、不良パターンの生成を抑制することができる。

【0063】

なお、学習用画像生成部１３１及びモデル生成部１３５の少なくとも一方は、プロセッサ３１が、記憶装置３３に記憶されたプログラムを実行することにより実現されてもよい。プログラムを実行する場合、当該プログラムは、記憶媒体に格納されていてもよい。当該プログラムを格納した記憶媒体は、コンピュータ読み取り可能な非一時的な記憶媒体（Ｎｏｎ－Ｔｒａｎｓｉｔｏｒｙ ｃｏｍｐｕｔｅｒ ｒｅａｄａｂｌｅ ｍｅｄｉｕｍ）であってもよい。非一時的な記憶媒体は、特に限定されないが、例えば、ＵＳＢメモリ、又はＣＤ－ＲＯＭ（Ｃｏｍｐａｃｔ Ｄｉｓｃ ＲＯＭ）等の記憶媒体であってもよい。

【0064】

次に、図８から図１２を参照しつつ、一実施形態に従う画像検査装置の機能ブロックについて説明する。図８は、一実施形態における画像検査装置２０の機能ブロックの構成を示す構成図である。図９は、図８に示す、分割部２５０、画像生成部２６０、及び検査部２７０による処理の一例を説明するための概念図である。図１０は、図８に示す、分割部２５０、画像生成部２６０、及び検査部２７０による処理の他の例を説明するための概念図である。図１１は、良品画像の一例を示す図である。図１２は、図８に示す検査部２７０による差分画像の生成を説明するための概念図である。図１３は、検査画像の一例を示す図である。図１４は、復元画像の一例を示す図である。図１５は、差分画像の一例を示す図である。

【0065】

図８に示すように、画像検査装置２０は、通信部２１０と、記憶部２２０と、学習部２３０と、撮像部２４０と、分割部２５０と、画像生成部２６０と、検査部２７０と、を備える。

【0066】

通信部２１０は、各種の情報を送信及び受信可能に構成されている。通信部２１０は、例えば、通信ネットワークＮＷを介して、学習済みモデル生成装置１０から複数の学習済みモデル５５を受信する。また、通信部２１０は、例えば、通信ネットワークＮＷを介して、学習済みモデル生成装置１０又は他の装置から複数の学習用画像１２４を受信する。受信した複数の学習用画像１２４及び複数の学習済みモデル５５は、記憶部２２０に書き込まれて記憶される。なお、通信部２１０は、複数の学習用画像１２４及び複数の学習済みモデル５５のいずれか一方のみを受信してもよい。通信部２１０が複数の学習用画像１２４のみを受信する場合、後述する学習部２３０は、複数の学習用画像１２４を用い、複数の学習済みモデル５５を生成する。

【0067】

記憶部２２０は、各種の情報を記憶するように構成されている。記憶部２２０は、例えば、複数の学習用画像１２４と、複数の学習済みモデル学習済みモデル５５と、を記憶する。このように、複数の学習済みモデル５５を記憶する記憶部２２０を備えることにより、各学習済みモデルを容易に読み出すことができる。

【0068】

学習部２３０は、１つ又は複数の良品分割画像ごとに学習モデルを学習させ、複数の学習済みモデル５５を生成するように構成されている。各学習済みモデル５５は、１つ又は複数の良品分割画像を入力とし、復元分割画像を出力するモデルである。生成した複数の学習済みモデル５５は、記憶部２２０に書き込まれて記憶される。なお、学習モデルを学習させる方法は、学習済みモデル生成装置１０におけるモデル生成部１３５についての説明と同様であるため、その説明を省略する。

【0069】

このように、１つ又は複数の良品分割画像ごとに学習モデルを学習させ、複数の学習済みモデル５５を生成する学習部２３０を備えることにより、学習済みモデル生成装置１０がなくても、複数の学習済みモデルを得ることができる。

【0070】

また、学習部２３０は、記憶部２２０に記憶された複数の学習用画像のそれぞれが良品分割画像である場合、１つ又は複数の良品分割画像にデータオーギュメンテーションを施し、データオーギュメンテーションが施されたものを入力として学習モデルを学習させ、複数の学習済みモデル５５を生成してもよい。これにより、限られた数の良品分割画像を増やすことができ、各学習済みモデル５５は、良品分割画像のばらつきに対するロバスト性を高めたロバスト設計にすることができる。

【0071】

前述したように、データオーギュメンテーションは、１つ又は複数の良品分割画像に対して、平行移動、回転、拡大、縮小、左右反転、上下反転、及びフィルタ処理のうちの少なくとも１つを適用することを含む。フィルタ処理に用いるフィルタは、例えば、良品分割画像の明度を変換するフィルタであったり、ノイズを除去する平滑化フィルタであったり、エッジを抽出するフィルタであったりしてよく、任意のフィルタを用いることができる。このように、データオーギュメンテーションは、１つ又は複数の良品分割画像に対して、平行移動、回転、拡大、縮小、左右反転、上下反転、及びフィルタ処理のうちの少なくとも１つを適用することを含むことにより、良品分割画像のバリエーションを容易に得ることができる。

【0072】

なお、データオーギュメンテーションは、前述した手法に限定されるものではない。例えば、データオーギュメンテーションは、１つ又は複数の良品分割画像に対して、射影変換を行ったり、ランダムノイズを付加したりしもてよい。

【0073】

撮像部２４０は、検査対象物ＴＡの検査画像を取得するためのものである。撮像部２４０は、例えばカメラ等の撮像装置を含んで構成される。本実施形態の撮像部２４０は、検査対象物ＴＡからの反射光Ｒを受光し、検査画像を取得する。そして、撮像部２４０は、取得した検査画像を分割部２５０及び検査部２７０に出力する。このように、検査対象物ＴＡの検査画像を取得することにより、検査画像を容易に得ることができる。

【0074】

分割部２５０は、検査対象物ＴＡの検査画像を複数の検査分割画像に分割するように構成されている。より詳細には、分割部２５０は、学習済みモデル生成装置１０における良品画像の分割と同様の方法によって、検査画像を分割する。具体的には、分割部２５０は、検査対象物ＴＡの検査画像を、縦及び横にそれぞれ４分割して、１６個の検査分割画像を生成する。そして、分割部２５０は、生成した検査分割画像を画像生成部２６０に出力する。このように、検査対象物ＴＡの検査画像を複数の検査分割画像に分割することにより、検査分割画像を容易に得ることができる。

【0075】

画像生成部２６０は、複数の学習済みモデル５５に、検査分割画像をそれぞれ入力し、複数の復元分割画像を生成するように構成されている。

【0076】

図９に示すように、撮像部２４０が取得した検査対象物ＴＡの検査画像は、分割部２５０によって複数の検査分割画像４２０，４２２，４２４，・・・に分割される。画像生成部２６０は、各検査分割画像４２０，４２２，４２４，・・・を、複数の学習済みモデル５５のうちの対応する学習済みモデル５５Ａ、５５Ｂ，５５Ｃ，・・・に入力する。各学習済みモデル５５Ａ、５５Ｂ，５５Ｃ，・・・が、各検査分割画像４２０，４２２，４２４，・・・に対応する復元分割画像４４０，４４２，４４４，・・・を出力することで、画像生成部２６０は、複数の復元分割画像４４０，４４２，４４４，・・・を生成する。

【0077】

また、後述する検査部２７０は、生成された複数の復元分割画像４４０，４４２，４４４，・・・を統合することで、縦及び横のサイズ（画素数）が検査画像４２と同じ復元画像４４を生成する。

【0078】

前述したように、互いに類似する複数の良品分割画像を１つの学習モデル５０に統合して学習済みモデル５５を生成した場合、図１０に示すように、画像生成部２６０は、検査画像４２において、互いに類似する複数の良品分割画像に対応する位置の検査分割画像、例えば、検査分割画像４２２及び検査分割画像４２４を、それぞれ、対応する学習済みモデル５５Ｂ’に入力する。学習済みモデル５５Ｂ’は、検査分割画像４２２に対応する復元分割画像４４２を出力し、検査分割画像４２４に対応する復元分割画像４４４を出力する。各学習済みモデル５５Ａ、５５Ｂ’，・・・が、各復元分割画像４４０，４４２，４４４，・・・を出力することで、画像生成部２６０は、複数の復元分割画像４４０，４４２，４４４，・・・を生成する。なお、学習済みモデル５５Ｂ’が出力する復元分割画像４４２は検査分割画像４２２に応じた画像であり、学習済みモデル５５Ｂ’が出力する復元分割画像４４４は、検査分割画像４２４に応じた画像である。すなわち、検査分割画像４２２及び検査分割画像４２４が同一であれば、復元分割画像４４２及び復元分割画像４４４は同一画像になるが、検査分割画像４２２と検査分割画像４２４との間に差異があれば、復元分割画像４４２と復元分割画像４４４とは異なる画像になり得る。

【0079】

ここで、図１１に示すように、良品の検査対象物ＴＡの良品画像６０は、例えば、６個の良品分割画像６００，６０２，６０４，６０６，６０８，及び６１０に分割される。これら６個の良品分割画像のうち、良品分割画像６０２，６０６，及び６０８は互いに類似するパターンを含んでいる。また、良品分割画像６０４は、他の良品分割画像と異なる特殊パターンを含んでいる。

【0080】

本実施形態の複数の学習済みモデル５５Ａ、５５Ｂ，５５Ｃ，・・・とは異なり、仮にこれら６個の良品分割画像を用いて、１つの学習済みモデルを生成する場合、当該学習済みモデルが出力する復元分割画像において、良品分割画像６０２，６０４又は６０８のパターンは再現され得るものの、学習済みモデルの表現能力が低いと、良品分割画像６０４に含まれる特殊パターンが復元されない可能性がある。

【0081】

これに対し、本実施形態の画像検査装置２０は、１つ又は複数の良品分割画像を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデル５５に、良品分割画像６００，６０２，６０４，６０６，６０８，及び６１０をそれぞれ入力し、複数の復元分割画像を生成する。これにより、各学習済みモデル５５は、各良品分割画像６００，６０２，６０４，６０６，６０８，及び６１０に特有のパターンを学習することができるので、生成された分割復元画像において、良品分割画像６０４に含まれる局所的な特殊パターンを復元することができる。

【0082】

また、別の良品の検査対象物ＴＡの良品画像において、ある位置又は部分で良品であるパターンが別の位置又は部分では不良品である場合がある。このような場合にも、本実施形態の画像検査装置２０では、各学習済みモデル５５は、検査対象物ＴＡの良品画像における位置によって異なる判断基準を学習することができるので、生成された分割復元画像において、不良パターンの生成を抑制することができる。

【0083】

図８の説明に戻り、検査部２７０は、画像生成部２６０によって生成された複数の復元分割画像に基づいて、検査対象物ＴＡの検査するように構成されている。前述したように、画像生成部２６０によって生成された各復元分割画像は、特殊パターンが復元され、不良品のパターンの生成が抑制されている。従って、これら複数の分割復元画像に基づいて、検査対象物ＴＡを検査することにより、検査対象物ＴＡの検査精度を高めることができる。

【0084】

より詳細には、検査部２７０は、複数の復元分割画像に基づいて復元画像を生成し、当該復元画像と検査対象物ＴＡの検査画像との比較に基づいて、検査対象物ＴＡを検査するように構成されている。これにより、検査精度の高い検査を容易に実現できる。

【0085】

具体的には、検査部２７０は、復元画像と検査画像との差に基づいて、検査対象物ＴＡを検査する。これにより、検査精度の高い検査をさらに容易に実現できる。

【0086】

図１２に示すように、検査部２７０は、例えば、検査画像４２と復元画像４４との差分を求めて差分画像４６を生成する。そして、検査部２７０は、当該差分画像４６に基づいて検査対象物ＴＡが良品であるか否かを判定する。

【0087】

図１３に示すように、検査画像７２は、例えば、線状の欠陥画像７００を含んでいる。欠陥画像は、検査対象物の欠陥の画像である。

【0088】

一方、図１２に示すように、復元画像７４では、良品画像が復元されるので、欠陥画像が除去されている。

【0089】

このため、図１５に示すように、検査対象物ＴＡの検査画像７２と復元画像７４との差分を示す差分画像７６は、主に欠陥画像７６０が含まれている。本実施形態では、検査部２７０は、この欠陥画像７６０を含む差分画像７６に基づき、検査対象物ＴＡが良品であるか否かを判定する。検査部２７０は、例えば、欠陥画像７６０の大きさが所定の閾値を超える場合に、検査対象物ＴＡが良品ではない、つまり、不良品であると判定する。

【0090】

あるいは、検査部２７０は、差分画像７６に含まれる欠陥画像７６０に有無に基づいて、検査対象物ＴＡの欠陥を検出してもよい。

【0091】

なお、学習部２３０、分割部２５０、画像生成部２６０、及び検査部２７０のうちの少なくとも１つは、プロセッサ３１が、記憶装置３３に記憶されたプログラムを実行することにより実現されてもよい。プログラムを実行する場合、当該プログラムは、記憶媒体に格納されていてもよい。当該プログラムを格納した記憶媒体は、コンピュータ読み取り可能な非一時的な記憶媒体であってもよい。非一時的な記憶媒体は、特に限定されないが、例えば、ＵＳＢメモリ、又はＣＤ－ＲＯＭ等の記憶媒体であってもよい。

【0092】

次に、図１６を参照しつつ、一実施形態に従う学習済みモデル生成装置が行う処理手順について説明する。図１６は、一実施形態における学習済みモデル生成装置１０が行う学習済みモデル生成処理Ｓ１００の一例を説明するためのフローチャートである。

【0093】

図１６に示すように、まず、通信部１１０は、通信ネットワークＮＷを介して、複数の良品画像４０を取得する（ステップＳ１０１）。取得された複数の良品画像４０は、記憶部１２０に記憶される。

【0094】

次に、学習用画像生成部１３１は、記憶部１２０から複数の良品画像４０を読み出し、当該複数の良品画像４０に基づいて、複数の学習用画像１２４を生成する（ステップＳ１０２）。学習用画像１２４は、前述したように、良品分割画像であってもよいし、１つ又は複数の良品分割画像にデータオーギュメンテーションを施したものであってもよい。

【0095】

次に、モデル生成部１３５は、ステップＳ１０２において生成された複数の学習用画像１２４を入力とし、復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデル５５を生成する。（ステップＳ１０３）。生成された複数の学習済みモデル５５は、記憶部１２０に記憶される。

【0096】

次に、通信部１１０は、ステップＳ１０３において生成された複数の学習済みモデル５５を、通信ネットワークＮＷを介して、画像検査装置２０に送信する（ステップＳ１０４）。これにより、画像検査装置２０は、学習済みモデル生成装置１０によって生成された複数の学習済みモデルを使用可能になる。

【0097】

ステップＳ１０４の後、学習済みモデル生成装置１０は、学習済みモデル生成処理Ｓ１００を終了する。

【0098】

次に、図１７を参照しつつ、一実施形態に従う画像検査装置が行う処理手順について説明する。図１７は、一実施形態における画像検査装置２０が行う画像検査処理Ｓ２００の一例を説明するためのフローチャートである。

【0099】

なお、以下の例では、通信部２１０が学習済みモデル生成装置１０から複数の学習済みモデル５５を受信し、記憶部２２０に当該複数の学習済みモデル５５が記憶されているものとして、説明する。

【0100】

図１７に示すように、まず、撮像部２４０が、検査対象物ＴＡの検査画像を取得する（ステップＳ２０１）。取得された検査画像は、分割部２５０及び検査部２７０に出力される。

【0101】

次に、分割部２５０は、ステップＳ２０１において取得された検査画像を分割し、複数の検査分割画像を生成する（ステップＳ２０２）。生成された複数の検査分割画像は、画像生成部２６０に出力される。

【0102】

次に、画像生成部２６０は、記憶部２２０にあらかじめ記憶された複数の学習済みモデル５５を読み出し、ステップＳ２０７において生成された複数の検査分割画像を、複数の学習済みモデル５５にそれぞれ入力し、複数の復元分割画像を生成する（ステップＳ２０３）。生成された複数の復元分割画像は、検査部２７０に出力される。

【0103】

次に、検査部２７０は、ステップＳ２０３において生成された複数の復元分割画像を統合し、復元画像を生成する（ステップＳ２０４）。そして、検査部２７０は、ステップＳ２０１において取得された検査画像と、ステップＳ２０４において生成された復元画像との差分を算出し、差分画像を生成する（ステップＳ２０５）。

【0104】

次に、検査部２７０は、ステップＳ２０５において生成された差分画像に基づいて、検査対象物ＴＡを検査する（ステップＳ２０６）。

【0105】

ステップＳ２０６の後、画像検査装置２０は、画像検査処理Ｓ２００を終了する。

【0106】

なお、本実施形態で説明したシーケンス及びフローチャートは、処理に矛盾が生じない限り、順序を入れ替えてもよい。

【0107】

以上、本発明の例示的な実施形態について説明した。本実施形態における画像検査装置２０及び画像検査方法によれば、１つ又は複数の良品分割画像を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデル５５に、良品分割画像６００，６０２，６０４，６０６，６０８，及び６１０をそれぞれ入力し、複数の復元分割画像を生成する。これにより、各学習済みモデル５５は、各良品分割画像６００，６０２，６０４，６０６，６０８，及び６１０に特有のパターンを学習することができるので、生成された分割復元画像において、良品分割画像６０４に含まれる局所的な特殊パターンを復元することができる。また、別の良品の検査対象物ＴＡの画像において、ある位置又は部分で良品であるパターンが別の位置又は部分では不良品である場合にも、各学習済みモデル５５は、検査対象物ＴＡの検査画像における位置によって異なる判断基準を学習することができるので、生成された分割復元画像において、不良パターンの生成を抑制することができる。従って、特殊パターンが復元され、不良品のパターンの生成が抑制された、複数の分割復元画像に基づいて検査対象物ＴＡを検査することにより、検査対象物ＴＡの検査精度を高めることができる。

【0108】

また、本実施形態における学習済みモデル生成装置１０によれば、１つ又は複数の良品分割画像を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデル５５を生成する。これにより、各学習済みモデル５５は、各良品分割画像に特有のパターンを学習することができるので、出力となる分割復元画像において、良品分割画像に含まれる局所的な特殊パターンを復元することができる。また、良品画像において、ある位置又は部分で良品であるパターンが別の位置又は部分では不良品である場合にも、各学習済みモデル５５は、良品画像における位置によって異なる判断基準を学習することができるので、出力となる分割復元画像において、不良パターンの生成を抑制することができる。従って、例えば、各学習済みモデル５５に検査分割画像を入力して分割復元画像を生成することで、当該分割復元画像において、局所的な特殊パターンを復元することができるとともに、不良パターンの生成を抑制することができる。

【0109】

以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。

【0110】

［付記１］
良品の検査対象物（ＴＡ）の分割画像である良品分割画像の１つ又は複数を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデル（５５）に、検査対象物（ＴＡ）の分割画像である検査分割画像をそれぞれ入力し、複数の復元分割画像を生成する画像生成部（２６０）と、
複数の復元分割画像に基づいて検査対象物（ＴＡ）を検査する検査部（２７０）と、を備える、
画像検査装置（２０）。
［付記１０］
良品の検査対象物（ＴＡ）の分割画像である良品分割画像の１つ又は複数を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデル（５５）に、検査対象物（ＴＡ）の分割画像である検査分割画像をそれぞれ入力し、複数の復元分割画像を生成するステップと、
複数の復元分割画像に基づいて検査対象物（ＴＡ）を検査するステップと、を含む、
画像検査方法。
［付記１１］
良品の検査対象物（ＴＡ）の分割画像である良品分割画像の１つ又は複数を入力として復元分割画像を出力するようにそれぞれ学習させた複数の学習済みモデル（５５）を生成するモデル生成部（１３５）を備える、
学習済みモデル生成装置（１０）。

【符号の説明】

【0111】

１…画像検査システム、１０…学習済みモデル生成装置、２０…画像検査装置、３１…プロセッサ、３２…メモリ、３３…記憶装置、３４…通信装置、３５…入力装置、３６…出力装置、４０…良品画像、４２…検査画像、４４…復元画像、４６…差分画像、５０…学習モデル、５５，５５Ａ，５５Ｂ，５５Ｃ…学習済みモデル、６０…良品画像、７２…検査画像、７４…復元画像、７６…差分画像、１１０…通信部、１２０…記憶部、１２４…学習用画像、１３０…学習部、１３１…学習用画像生成部、１３５…モデル生成部、２１０…通信部、２２０…記憶部、２３０…学習部、２４０…撮像部、２５０…分割部、２６０…画像生成部、２７０…検査部、４００，４０２，４０４…良品分割画像、４２０，４２２，４２４…検査分割画像、４４０，４４２，４４４…復元分割画像、５０１…入力層、５０３…中間層、５０５…出力層、６００，６０２，６０４，６０６，６０８，６１０…良品分割画像、７００…欠陥画像、７６０…欠陥画像、ＩＬ…照明、Ｌ…光、ＮＷ…通信ネットワーク、Ｒ…反射光、Ｓ１００…学習済みモデル生成処理、Ｓ２００…画像検査処理、ＴＡ…検査対象物。

【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】