特許 7479961 画像処理装置、外観検査装置、画像処理方法、およびプログラム

(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】2024-04-26

(45)【発行日】2024-05-09

(54)【発明の名称】画像処理装置、外観検査装置、画像処理方法、およびプログラム

(51)【国際特許分類】

   G06T 7/00 20170101AFI20240430BHJP

【ＦＩ】

G06T7/00 350B

【請求項の数】 8

(21)【出願番号】P 2020109627

(22)【出願日】2020-06-25

(65)【公開番号】P2022007000

(43)【公開日】2022-01-13

【審査請求日】2022-12-19

(73)【特許権者】

【識別番号】000207551

【氏名又は名称】株式会社ＳＣＲＥＥＮホールディングス

(74)【代理人】

【識別番号】100135013

【弁理士】

【氏名又は名称】西田 隆美

(72)【発明者】

【氏名】猿渡 健

【審査官】新井 則和

(56)【参考文献】

【文献】特開２０１８－１７３８１４（ＪＰ，Ａ）

【文献】特開２０２０－００９４３５（ＪＰ，Ａ）

【文献】特開平０７－２２００８７（ＪＰ，Ａ）

【文献】吉田 壮 外，深層学習を用いた中国漢代木簡の文字領域検出，電子情報通信学会技術研究報告 第119巻 第458号，2020年02月27日

【文献】Zhen Yang et al.，Region-aware Random Erasing，2019 IEEE 19th International Conference on Communication Technology (ICCT)，2019年10月19日，https://ieeexplore.ieee.org/document/8947189

【文献】Zhun Zhong et al.，Random Erasing Data Augmentation，[online]，2017年08月16日， [retrieved on 2023.10.06], Retrieved from the Internet: <URL: https://arxiv.org/pdf/1708.04896v1.pdf>

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｔ ７／００

(57)【特許請求の範囲】

【請求項1】

画像処理装置であって、
教師データとなる第１画像において、領域を指定する領域指定部と、
前記第１画像において、前記領域指定部によって指定された指定領域をマスクする第１マスキング部と、
教師データとなる第２画像であって、前記指定領域がマスクされていない第２画像において、ランダムに領域を選択してマスクする第２マスキング部と、
を備える、画像処理装置。

【請求項2】

請求項１に記載の画像処理装置であって、
前記第１マスキング部によって生成されるマスク済みの画像、および、前記第２マスキング部によって生成されるマスク済みの画像を教師データとして学習を行う学習部、
をさらに備える、画像処理装置。

【請求項3】

請求項２に記載の画像処理装置であって、
前記学習部が学習に用いる前記教師データに、マスクされた領域を持たない画像が含まれる、画像処理装置。

【請求項4】

請求項２または請求項３に記載の画像処理装置であって、
前記学習部が生成する学習済みパラメータを用いて推論を行う推論部、
をさらに備える、画像処理装置。

【請求項5】

外観検査装置であって、
対象物を撮影する撮影部と、
請求項４に記載の推論部と、
を備える、外観検査装置。

【請求項6】

学習済みパラメータを含む、情報処理装置が実行可能なプログラムであって、
前記学習済みパラメータは、請求項２に記載の前記学習部による学習によって生成され、
前記情報処理装置は、前記プログラムを実行することにより、
前記学習済みパラメータを用いて推論を行う工程を実行する、プログラム。

【請求項7】

画像処理方法であって、
（ａ） 教師データとなる第１画像において、マスク領域を指定する工程と、
（ｂ） 前記第１画像において、前記工程（ａ）によって指定される前記マスク領域をマスクする工程と、
（ｃ） 教師データとなる第２画像であって、前記マスク領域がマスクされていない第２画像において、ランダムに領域を選択してマスクする工程と、
を含む、画像処理方法。

【請求項8】

情報処理装置が読み取り可能なプログラムであって、前記情報処理装置は、前記プログラムを読み取ることにより、
（Ａ） 教師データとなる第１画像において、マスク領域を指定する工程と、
（Ｂ） 前記第１画像において、前記工程（Ａ）によって指定される前記マスク領域をマスクする工程と、
（Ｃ） 教師データとなる第２画像であって、前記マスク領域がマスクされていない第２画像において、ランダムに領域を選択してマスクする工程と、
を実行する、プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、対象物を画像で検査する技術に関する。

【背景技術】

【0002】

近年、機械学習、とりわけDeep-Learningの画像処理への応用が進んでいる。特に画像分類への応用は広く実施されており、例えば製造物をカメラで撮像した画像から、それが良品か不良品かを分類することによって、製造物の外観検査にも利用することができる。

【0003】

特許文献１には、画像の固有の特徴部分以外の一部（即ち、分類の判定に影響させたくない部分）をマスクして学習、分類を行う手法が開示されている。例えば、車を車種で分類する場合、ナンバープレート部分や搭乗者が写るフロントガラス部分などがマスク対象となり得る。

【先行技術文献】

【特許文献】

【0004】

【文献】特開２０１８－１７３８１４号公報

【発明の概要】

【発明が解決しようとする課題】

【0005】

しかしながら、教師データにおいて、マスク領域に偏りがある場合、そのマスク領域の偏り自体を特徴として学習する可能性があった。例えば、マスク領域を有する画像が、不良品の教師データに多く存在し、良品の教師データには少ない場合、マスク領域の有無を基準として分類を行うように学習が進む可能性があった。そこで、マスク領域の偏りが学習に与える影響を小さくする技術が望まれている。

【0006】

本発明の目的は、教師あり学習において、マスクされた領域の偏りの影響を小さくする技術を提供することにある。

【課題を解決するための手段】

【0007】

上記課題を解決するため、第１態様は、画像処理装置であって、教師データとなる第１画像において、領域を指定する領域指定部と、前記第１画像において、前記領域指定部によって指定された指定領域をマスクする第１マスキング部と、教師データとなる第２画像であって、前記指定領域がマスクされていない第２画像において、ランダムに領域を選択してマスクする第２マスキング部とを備える。

【0008】

第２態様は、第１態様の画像処理装置であって、前記第１マスキング部によって生成されるマスク済みの画像、および、前記第２マスキング部によって生成されるマスク済みの画像を教師データとして学習を行う学習部をさらに備える。

【0009】

第３態様は、第２態様の画像処理装置であって、前記学習部が学習に用いる前記教師データに、マスクされた領域を持たない画像が含まれる。

【0010】

第４態様は、第２態様または第３態様の画像処理装置であって、前記学習部が生成する学習済みパラメータを用いて推論を行う推論部をさらに備える。

【0011】

第５態様は、外観検査装置であって、対象物を撮影する撮影部と、第４態様の推論部とを備える。

【0012】

第６態様は、学習済みパラメータを含む、情報処理装置が実行可能なプログラムであって、前記学習済みパラメータは、第２態様の前記学習部による学習によって生成され、前記情報処理装置は、前記コンピュータプログラムを実行することにより、前記学習済パラメータを用いて推論を行う工程を実行する。

【0013】

第７態様は、画像処理方法であって、（ａ）教師データとなる第１画像において、マスク領域を指定する工程と、（ｂ）前記第１画像において、前記工程（ａ）によって指定される前記マスク領域をマスクする工程と、（ｃ）教師データとなる第２画像であって、前記マスク領域がマスクされていない第２画像において、ランダムに領域を選択してマスクする工程とを含む。

【0014】

第８態様は、情報処理装置が読み取り可能なプログラムであって、前記情報処理装置は、前記プログラムを読み取ることにより、（Ａ）教師データとなる第１画像において、マスク領域を指定する工程と、（Ｂ）前記第１画像において、前記工程（Ａ）によって指定される前記マスク領域をマスクする工程と、（Ｃ）教師データとなる第２画像であって、前記マスク領域がマスクされていない第２画像において、ランダムに領域を選択してマスクする工程とを実行する。

【発明の効果】

【0015】

指定された領域がマスクされた画像と、ランダムに選択された領域がマスクされた画像とを生成する。これらの画像を教師データとして学習を行うことにより、指定されたマスク領域に偏りがあったとしても、当該偏りが教師あり学習に与える影響を小さくすることができる。

【図面の簡単な説明】

【0016】

【図1】実施形態の外観検査装置を示す概略図である。

【図2】情報処理装置のハードウェアの構成例を示す図である。

【図3】情報処理装置の機能の構成例を示すブロック図である。

【図4】学習段階において情報処理装置が実行する一連の流れを示す図である。

【図5】教師データとなる対象物画像の例を示す図である。

【図6】正解ラベルが「良品」である教師データの例を示す図である。

【図7】正解ラベルが「不良品」である教師データの例を示す図である。

【発明を実施するための形態】

【0017】

以下、添付の図面を参照しながら、本発明の実施形態について説明する。なお、この実施形態に記載されている構成要素はあくまでも例示であり、本発明の範囲をそれらのみに限定する趣旨のものではない。図面においては、理解容易のため、必要に応じて各部の寸法や数が誇張又は簡略化して図示されている場合がある。

【0018】

＜１． 実施形態＞
図１は、実施形態の外観検査装置１００を示す概略図である。外観検査装置１００は、対象物９０の外観を検査する装置である。対象物９０は、例えば錠剤である。ただし、対象物９０は錠剤に限定されない。

【0019】

外観検査装置１００は、カメラ１０および情報処理装置２０を備える。カメラ１０は、情報処理装置２０と電気的に接続されている。カメラ１０は、イメージセンサを備える。カメラ１０は、イメージセンサに入射した光の強度に応じた画像信号を、情報処理装置２０へ出力する。カメラ１０は、所定の位置に停止した対象物９０を撮影してもよいし、ベルトコンベヤなどの搬送機構等によって所定方向に移動する対象物９０を撮影してもよい。また、外観検査装置１００は、１台のカメラ１０を備えていてもよいし、複数のカメラ１０を備えていてもよい。

【0020】

情報処理装置２０は、画像処理装置の一例である。後述するように、情報処理装置２０は、対象物９０をカメラ１０で撮影した画像（以下、「対象物画像」と称する。）に基づいて、対象物９０の検査を行う。また、情報処理装置２０は、対象物画像から教師データを生成可能であるとともに、生成した教師データを用いて機械学習を実行可能である。情報処理装置２０は、機械学習により生成した学習済みパラメータ（重み）を、対象物９０の検査に用いる。

【0021】

図２は、情報処理装置２０のハードウェアの構成例を示す図である。情報処理装置２０は、コンピュータとしての構成を備える。具体的に、情報処理装置２０は、プロセッサ２１、ＲＡＭ２３、記憶部２５、通信Ｉ／Ｆ２７、機器Ｉ／Ｆ２８、およびバス２９を備える。プロセッサ２１、ＲＡＭ２３、記憶部２５、通信Ｉ／Ｆ２７、および機器Ｉ／Ｆ２８は、バス２９を介して、電気的に接続されている。

【0022】

プロセッサ２１は、例えば、ＣＰＵまたはＧＰＵを含む。ＲＡＭ２３および記憶部２５は、情報の読み出しおよび書き込みが可能な記憶媒体である。ＲＡＭ２３は、例えば、ＤＲＡＭ、ＳＲＡＭ、またはＳＤＲＡＭを含む。記憶部２５は、例えば、ハードディスクドライブまたはソリッドステートドライブなどの固定ドライブを含む。なお、記憶部２５は、可搬性を有するリムーバブルメディア（光ディスク、磁気ディスク、または、半導体メモリなど）と、リムーバブルメディアに対して読み書きを行うメディアドライブとを含んでもよい。記憶部２５は、プログラムＰを記憶する。プロセッサ２１は、ＲＡＭ２３を作業領域としてプログラムＰを実行することにより、各種機能を実現する。

【0023】

通信Ｉ／Ｆ２７は、情報処理装置２０をインターネットなどのネットワークに接続するためのインターフェースである。プログラムＰは、ネットワークを通じて、情報処理装置２０に提供または配布されてもよい。

【0024】

機器Ｉ／Ｆ２８は、カメラ１０、入力部３１および表示部３３を情報処理装置２０と電気的に接続するためのインターフェースである。入力部３１は、キーボードまたはマウスなどの入力デバイスを含む。表示部３３は、文字や図形などの表示情報を表示する。表示部３３は、例えば液晶ディスプレイを含む。表示部３３は、タッチパネルを含んでもよい。この場合、表示部３３は、入力部として機能し得る。

【0025】

図３は、情報処理装置２０の機能の構成例を示すブロック図である。情報処理装置２０は、領域指定部４１、第１マスキング部４３、第２マスキング部４５、学習部４７および推論部４９を備える。領域指定部４１、第１マスキング部４３、第２マスキング部４５、学習部４７および推論部４９は、プロセッサ２１がプログラムＰを実行することによってソフトウェア的に実現される機能である。

【0026】

領域指定部４１は、教師データとなる対象物画像において、マスクされる領域を指定する。第１マスキング部４３は、領域指定部４１によって指定された領域（以下、「指定領域７Ａｒ」と称する。）をマスクする。第２マスキング部４５は、教師データとなる画像において、ランダムに領域を選択してマスクする。学習部４７は、第１マスキング部４３によって生成される第１マスク画像、および、第２マスキング部４５によって生成される第２マスク画像を教師データとして学習を行う。推論部４９は、学習部４７が学習によって生成した学習済みパラメータを用いて推論を行う。

【0027】

図４は、学習段階において情報処理装置２０が実行する一連の処理を示す図である。まず、情報処理装置２０は、教師データとなる複数の対象物画像を準備する（図４：対象物画像準備工程Ｓ１）。教師データは、教師あり学習で用いられる「入力データ」と「正解ラベル」とをペアで含む。情報処理装置２０で用いられる教師データの「入力データ」は、対象物９０をカメラ１０で撮影した対象物画像である。また、情報処理装置２０で用いられる教師データの「正解ラベル」は、「良品（欠陥なし）」または「不良品（欠陥あり）」である。なお、情報処理装置２０で用いられる教師データは別の形態であってもよい。

【0028】

図５は、教師データとなる対象物画像の例を示す図である。図５に示す画像９１ａ，９１ｂ，９１ｃ，９１ｄは、正解ラベルが「良品」である対象物画像である。すなわち、画像９１ａ～９１ｄは、外観上の欠陥がない良品とされる対象物９０の画像に相当する。図５に示す画像９３ａ，９３ｂ，９３ｃは、正解ラベルが「不良品」の対象物画像の例である。すなわち、画像９３ａ～９３ｃは、外観上の欠陥を有するために不良品とされる対象物９０の画像に相当する。

【0029】

図５に示すように、各対象物画像は、１つの対象物９０に相当する薄灰色の部分を有する。例えば、対象物９０が良品である場合、画像９１ａ，９１ｂのように、基本的には、対象物画像において薄灰色の部分が一様となる。ただし、画像９１ｃ，９１ｄのように、良品の対象物９０であっても、対象物画像に非欠陥部７１が出現する場合がある。画像９１ｃ，９１ｄの場合、非欠陥部７１は、黒点であり、対象物９０の像に比べて小さい像である。非欠陥部７１は、意図しない特徴部分であって、学習することが不要な部分である。非欠陥部７１は、例えば、カメラ１０などの撮影系に付着した汚れなどにより生じる像であり、対象物９０に付着した異物、割れまたは欠けなど、対象物９０の固有の特徴に起因する像ではない。

【0030】

対象物９０が不良品である場合、画像９３ａ～９３ｃのように、欠陥部８１が出現する。画像９３ａ～９３ｃの場合、欠陥部８１は、黒点であり、対象物９０の像に比べて小さい。欠陥部８１は、対象物９０に付着した異物の像である。なお、欠陥部は、錠剤の割れた部分、または、欠けた部分の場合もあり得る。

【0031】

図５に示すように、非欠陥部７１は、見た目上、欠陥部８１と非常に類似する場合がある。非欠陥部７１を含む画像９１ｃ，９１ｄを教師データとして学習を行った場合、誤分類の問題が発生し得る。そこで、非欠陥部７１が教師あり学習に影響することを抑制するため、情報処理装置２０は、非欠陥部７１をマスクする処理を実行する。

【0032】

情報処理装置２０は、対象物画像準備工程Ｓ１の後、マスクされる領域を指定する処理を行う（図４：領域指定工程Ｓ２）。具体的には、領域指定部４１が、非欠陥部７１を含む対象物画像において、非欠陥部７１を含む領域を、指定領域７Ａｒとして指定する。図５に示す複数の対象物画像が準備された場合、領域指定工程Ｓ２において、領域指定部４１が、画像９１ｃ，９１ｄ，９３ｃの非欠陥部７１に対して、指定領域７Ａｒを指定する。

【0033】

領域指定部４１による指定領域７Ａｒの指定は、ユーザによる入力部３１を介した入力に基づいて行われてもよい。一例として、領域指定部４１は、教師データとなる対象物画像（例えば、図５に示す画像９１ａ～９１ｄ，画像９３ａ～９３ｄ）と、マスク領域を指定するための各種ツールを表示部３３に表示させてもよい。そして、ユーザは、表示部３３に表示された対象物画像を確認しながら、入力部３１を用いて指定領域７Ａｒを設定する操作入力を行ってもよい。

【0034】

指定領域７Ａｒの大きさおよび形状は、各対象物画像における非欠陥部７１の大きさ、形状に応じて設定され得る。すなわち、指定領域７Ａｒの大きさおよび形状は、それぞれ対象物画像ごとに異なっていてもよいし、同じであってもよい。

【0035】

情報処理装置２０は、領域指定工程Ｓ２を完了すると、指定領域７Ａｒをマスクする（図４：第１マスキング工程Ｓ３）。具体的には、第１マスキング部４３が、指定領域７Ａｒをマスクする。

【0036】

図６は、正解ラベルが「良品」である教師データの例を示す図である。図７は、正解ラベルが「不良品」である教師データの例を示す図である。図６に示すマスク済みの画像９１ｃ，９１ｄは、それぞれ図５に示す画像９１ｃ，９１ｄに対して指定された指定領域７Ａｒをマスクした、第１マスク画像の例である。図７に示すマスク済みの画像９３ｃは、図５に示す画像９３ｃに対して指定された指定領域７Ａｒをマスクした、第１マスク画像の例である。

【0037】

図４に戻って、情報処理装置２０は、第１マスキング工程Ｓ３を完了すると、第２マスキング部４５がマスクする対象物画像（以下、「マスキング対象」と称する。）を選択する（マスキング対象選択工程Ｓ４）。詳細には、第２マスキング部４５が、対象物画像準備工程Ｓ１にて準備された複数の対象物画像のうち、第１マスキング工程Ｓ３にてマスクが適用された画像（すなわち、非欠陥部７１を有する対象物画像）を除いた、残余の対象物画像群の一部をマスキング対象として選択する。なお、第２マスキング部４５は、残余の対象物画像群のすべてを、マスキング対象に選択してもよい。また、第２マスキング部４５は、第１マスキング部４３によってマスクされた対象物画像も、マスキング対象の一部として選択してもよい。

【0038】

例えば、図５に示す例の場合、第２マスキング部４５は、非欠陥部７１を持たない画像９１ａ，９１ｂ，９３ａ，９３ｂのうち一部または全部を、マスキング対象として選択する。また、第２マスキング部４５は、非欠陥部７１を持つ画像９１ｃ，９１ｄ，９３ｃを、マスキング対象の一部として選択してもよい。

【0039】

情報処理装置２０は、マスキング対象選択工程Ｓ４を完了すると、マスキング対象として選択した対象物画像について、ランダムに選択した領域をマスクする（第２マスキング工程Ｓ５）。詳細には、第２マスキング部４５が、各対象物画像において、ランダムに位置を選択し、選択した位置に所定サイズの領域を設定する。以下、第２マスキング部４５がランダムに選択した領域を「ランダム領域８Ａｒ」と称する。第２マスキング部４５は、乱数または擬似乱数を利用して、ランダムな位置を選択してもよい。この場合、情報処理装置２０が、乱数または擬似乱数を生成する生成器を有していてもよい。

【0040】

第２マスキング部４５は、１つの対象物画像に対して複数のランダム領域８Ａｒを設定してもよい。第２マスキング部４５は、設定したランダム領域８Ａｒをマスクする。

【0041】

ランダム領域８Ａｒは、対象物画像における対象物９０の像よりも小さいサイズである。ランダム領域８Ａｒの大きさおよび形状は、それぞれ対象物画像ごとに異なっていてもよいし、同じであってもよい。また、ランダム領域８Ａｒの形状および大きさは、それぞれ指定領域７Ａｒと同じであってもよいし、異なっていてもよい。

【0042】

例えば、図６に示す画像９１ｅ，９１ｆ、および、図７に示す画像９３ｄ，９３ｆは、マスキング対象に選択され、ランダム領域８Ａｒがマスクされた第２マスク画像である。画像９３ｄ，９３ｅにおいては、欠陥部８１とは異なる位置にランダム領域８Ａｒが設定されており、欠陥部８１がマスクされていない。これは、第２マスキング部４５が、任意の位置にランダム領域８Ａｒを設定するためである。

【0043】

図６に示す画像９１ａ，９１ｂ、および、図７に示す画像９３ａ，９３ｂは、非欠陥部７１がなく、かつ、マスキング対象に選択されなかった対象物画像である。つまり、画像９１ａ，９１ｂ，９３ａ，９３ｂは、マスクされた領域を持たないマスクなし画像である。

【0044】

図４に戻って、情報処理装置２０は、第２マスキング工程Ｓ５を完了すると、学習を行う（学習工程Ｓ６）。詳細には、学習部４７が、第１マスキング工程Ｓ３で生成される第１マスク画像、および、第２マスキング工程Ｓ５で生成される第２マスク画像を入力データとするマスク済み教師データと、マスクなし画像を入力データとするマスクなし教師データとを用いて、学習を行う。

【0045】

学習の一例として、情報処理装置２０は、ニューラルネットワークを利用する。ニューラルネットワークは、入力層、中間層、および出力層を含み、中間層は、多層である。また、各層は、複数のニューロンで構成され、隣接する層間のニューロン同士は互いに連結されている。各ニューロンは、重みを有する。入力層は、入力データである対象物画像の入力を受け付ける。出力層は、入力データに対するラベル（本例では、「良品」または「不良品」）を出力する。

【0046】

学習部４７は、教師データを入力データ（本例では、第１マスク画像、第２マスク画像、またはマスクなし画像）と正解ラベル（本例では、「良品」または「不良品」）とに分離する。学習部４７は、順伝播処理と逆伝播処理とを行うことにより、重みを更新する。学習部４７は、すべての教師データについて学習を行った場合、あるいは、損失関数が所定の閾値を下回った場合、学習を終了する。そして、学習部４７は、学習によって得た重み（学習済みパラメータ）を、記憶部２５に保存する（図３参照）。

【0047】

推論部４９は、上記ニューラルネットワークと上記学習済みパラメータを用いて、検査対象の対象物画像を、「良品」または「不良品」のいずれか一方に分類する。検査対象の対象物画像は、検査対象の対象物９０をカメラ１０で撮影した画像である。検査対象の対象物画像が非欠陥部７１を含む場合、領域指定部４１および第１マスキング部４３が、当該非欠陥部７１をマスクしてもよい。また、第２マスキング部４５は、検査対象の対象物画像に対して、ランダム領域８Ａｒをマスクしてもよい。

【0048】

情報処理装置２０によれば、教師データとなる対象物画像（第１画像）において、領域指定部４１が非欠陥部７１（非特徴部分）を指定領域７Ａｒとし、第１マスキング部４３がマスクする。これにより、非欠陥部７１が教師あり学習に影響することが抑制される。また、第２マスキング部４５が、教師データとなる対象物画像（第２画像）について、ランダムに選択したランダム領域８Ａｒをマスクする。指定領域７Ａｒがマスクされた画像だけでなく、ランダム領域８Ａｒがマスクされた画像も教師データとするため、指定領域７Ａｒに偏りがあったとしても、当該偏りが教師あり学習に与える影響を小さくすることができる。したがって、推論部４９による、推論（具体的には、「良品」または「不良品」への分類）の精度を高めることができる。

【0049】

また、学習部４７は、ランダムにマスクされた画像を教師データとして用いる。すなわち、学習部４７は、どの位置がマスクされても問題ないように学習を行う。このため、新たにマスクすべき非欠陥部７１が発生しても、当該部分をマスクした教師データを使用した学習をやり直さなくてすむ。

【0050】

＜２． 変形例＞
以上、実施形態について説明してきたが、本発明は上記のようなものに限定されるものではなく、様々な変形が可能である。

【0051】

領域指定部４１は、複数の対象物画像の間で対応する位置にマスク領域を指定してもよい。例えば、非欠陥部７１がカメラ１０を含む撮像系に由来する場合、図４に示す画像９１ｃ，９１ｄのように、複数の対象物画像の間で、同じ位置に非欠陥部７１が出現し得る。そこで、共通のカメラ１０を含む撮像系で撮影された複数の対象物画像については、領域指定部４１が同じ位置に指定領域７Ａｒを指定するようにしてもよい。

【0052】

上記実施形態では、領域指定部４１による指定領域７Ａｒが、ユーザの入力に基づいて行われるとしている。しかしながら、領域指定部４１による指定領域７Ａｒは、ソフトウェアにより自動または半自動で行われてもよい。すなわち、領域指定部４１が自動で非欠陥部７１を認識し、指定領域７Ａｒを設定してもよい。

【0053】

上記実施形態では、学習部４７は、ニューラルネットワークが「良品」または「不良品」を出力するように学習を行うとしている。しかしながら、学習部４７は、ニューラルネットワークが対象物画像に含まれる欠陥部８１の位置を示す情報、あるいは、対象物画像に含まれる欠陥部８１の画像等を出力するように学習を行ってもよい。

【0054】

この発明は詳細に説明されたが、上記の説明は、すべての局面において、例示であって、この発明がそれに限定されるものではない。例示されていない無数の変形例が、この発明の範囲から外れることなく想定され得るものと解される。上記実施形態及び変形例で説明した各構成は、相互に矛盾しない限り適宜組み合わせたり、省略したりすることができる。

【符号の説明】

【0055】

１００ 外観検査装置
２０ 情報処理装置（画像処理装置）
４１ 領域指定部
４３ 第１マスキング部
４５ 第２マスキング部
４７ 学習部
４９ 推論部
７Ａｒ 指定領域
９０ 対象物
Ｐ プログラム

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】