特許 7603904 情報処理装置、検出方法、及び検出プログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B1)

(11)【特許番号】

(24)【登録日】2024-12-12

(45)【発行日】2024-12-20

(54)【発明の名称】情報処理装置、検出方法、及び検出プログラム

(51)【国際特許分類】

   G01N 21/952 20060101AFI20241213BHJP

   G01N 21/88 20060101ALI20241213BHJP

   H02G 1/02 20060101ALI20241213BHJP

【ＦＩ】

G01N21/952

G01N21/88 J

H02G1/02

【請求項の数】 8

(21)【出願番号】P 2024559595

(86)(22)【出願日】2023-02-17

(86)【国際出願番号】 JP2023005707

【審査請求日】2024-10-07

【早期審査対象出願】

(73)【特許権者】

【識別番号】000006013

【氏名又は名称】三菱電機株式会社

(74)【代理人】

【識別番号】100116964

【弁理士】

【氏名又は名称】山形 洋一

(74)【代理人】

【識別番号】100120477

【弁理士】

【氏名又は名称】佐藤 賢改

(74)【代理人】

【識別番号】100135921

【弁理士】

【氏名又は名称】篠原 昌彦

(74)【代理人】

【識別番号】100203677

【弁理士】

【氏名又は名称】山口 力

(72)【発明者】

【氏名】守谷 愛梨

(72)【発明者】

【氏名】小池 崇文

【審査官】小野寺 麻美子

(56)【参考文献】

【文献】中国特許出願公開第１１０００９６３８（ＣＮ，Ａ）

【文献】中国特許出願公開第１１２０１５９３７（ＣＮ，Ａ）

【文献】特開２０２２－３６０５４（ＪＰ，Ａ）

【文献】特開２００５－５７９５６（ＪＰ，Ａ）

【文献】特開２００４－８５２１６（ＪＰ，Ａ）

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０１Ｎ ２１／８４ － Ｇ０１Ｎ ２１／９５８

Ｈ０２Ｇ １／０２

Ｇ０６Ｔ １／００ － Ｇ０６Ｔ ９／４０

(57)【特許請求の範囲】

【請求項1】

撚線の画像を取得する取得部と、
前記撚線の前記画像を分割する分割部と、
分割により得られた複数の画像の中から設定された複数の対象画像と、前記複数の画像の中から設定された複数の比較画像とを用いて、複数の類似度を算出し、前記複数の類似度を正規化し、正規化により得られた複数の値を用いて、クラス分類閾値を算出し、前記クラス分類閾値に基づいて前記複数の値が分類されることにより得られたクラス毎に、１つの値を算出し、算出された２つの値の差を、クラス間距離として算出する算出部と、
前記クラス間距離が予め定められた第１の閾値以上である場合、前記撚線は異常と判定する判定部と、
を有する情報処理装置。

【請求項2】

前記判定部は、前記クラス間距離が前記第１の閾値よりも小さい場合、前記撚線は正常と判定する、
請求項１に記載の情報処理装置。

【請求項3】

検出部をさらに有し、
前記取得部は、第２の閾値を取得し、
前記検出部は、正規化により得られた前記複数の値の中から、前記第２の閾値以上の値を検出し、検出された値に対応する画像が示す箇所を異常箇所として検出する、
請求項１又は２に記載の情報処理装置。

【請求項4】

前記異常箇所が検出された後、他の異常箇所の検出処理が実行される場合であり、かつ、前記複数の類似度が正規化される場合、前記複数の類似度の中から、前記異常箇所を含む画像に対応する類似度は、除かれ、
前記取得部は、他の異常箇所の前記検出処理が実行される場合、前記クラス分類閾値に基づいて算出された前記第２の閾値を取得する、
請求項３に記載の情報処理装置。

【請求項5】

前記取得部は、学習済モデルを取得し、
前記検出部は、前記異常箇所を含む画像と、前記学習済モデルとを用いて、前記画像が示す箇所が前記異常箇所であるか否かを判定し、前記画像が示す箇所が異常箇所ではない場合、前記画像が示す箇所を正常箇所として検出する、
請求項３に記載の情報処理装置。

【請求項6】

結果を出力する出力部をさらに有する、
請求項１又は２に記載の情報処理装置。

【請求項7】

情報処理装置が、
撚線の画像を取得し、
前記撚線の前記画像を分割し、
分割により得られた複数の画像の中から設定された複数の対象画像と、前記複数の画像の中から設定された複数の比較画像とを用いて、複数の類似度を算出し、
前記複数の類似度を正規化し、
正規化により得られた複数の値を用いて、クラス分類閾値を算出し、
前記クラス分類閾値に基づいて前記複数の値が分類されることにより得られたクラス毎に、１つの値を算出し、
算出された２つの値の差を、クラス間距離として算出し、
前記クラス間距離が予め定められた第１の閾値以上である場合、前記撚線は異常と判定する、
検出方法。

【請求項8】

情報処理装置に、
撚線の画像を取得し、
前記撚線の前記画像を分割し、
分割により得られた複数の画像の中から設定された複数の対象画像と、前記複数の画像の中から設定された複数の比較画像とを用いて、複数の類似度を算出し、
前記複数の類似度を正規化し、
正規化により得られた複数の値を用いて、クラス分類閾値を算出し、
前記クラス分類閾値に基づいて前記複数の値が分類されることにより得られたクラス毎に、１つの値を算出し、
算出された２つの値の差を、クラス間距離として算出し、
前記クラス間距離が予め定められた第１の閾値以上である場合、前記撚線は異常と判定する、
処理を実行させる検出プログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本開示は、情報処理装置、検出方法、及び検出プログラムに関する。

【背景技術】

【0002】

撚線が使われている。例えば、撚線は、電線に使われている。ここで、画像の輝度平均値を用いて、異常を検出する技術が提案されている（特許文献１を参照）。

【先行技術文献】

【特許文献】

【0003】

【文献】特開平１０－１１７４１５号公報

【発明の概要】

【発明が解決しようとする課題】

【0004】

ところで、画像の輝度平均値を用いて、撚線の検査を行う方法が考えられる。しかし、当該方法は、異常の検出精度が低い。

【0005】

本開示の目的は、高い精度で異常を検出することである。

【課題を解決するための手段】

【0006】

本開示の一態様に係る情報処理装置が提供される。情報処理装置は、撚線の画像を取得する取得部と、前記撚線の前記画像を分割する分割部と、分割により得られた複数の画像の中から設定された複数の対象画像と、前記複数の画像の中から設定された複数の比較画像とを用いて、複数の類似度を算出し、前記複数の類似度を正規化し、正規化により得られた複数の値を用いて、クラス分類閾値を算出し、前記クラス分類閾値に基づいて前記複数の値が分類されることにより得られたクラス毎に、１つの値を算出し、算出された２つの値の差を、クラス間距離として算出する算出部と、前記クラス間距離が予め定められた第１の閾値以上である場合、前記撚線は異常と判定する判定部と、を有する情報処理装置。

【発明の効果】

【0007】

本開示によれば、高い精度で異常を検出することができる。

【図面の簡単な説明】

【0008】

【図1】実施の形態１の情報処理装置が有するハードウェアを示す図である。

【図2】実施の形態１の情報処理装置の機能を示すブロック図である。

【図3】実施の形態１の複数の類似度の算出処理の例を示す図である。

【図4】実施の形態１の正規化の例を示す図である。

【図5】実施の形態１のクラス分類閾値の算出例を示す図である。

【図6】実施の形態１の情報処理装置が実行する処理の例（その１）を示すフローチャートである。

【図7】実施の形態１の情報処理装置が実行する処理の例（その２）を示すフローチャートである。

【図8】実施の形態２の情報処理装置の機能を示すブロック図である。

【図9】実施の形態２の情報処理装置が実行する処理の例を示すフローチャートである。

【図10】実施の形態３の情報処理装置が実行する処理の概要を示す図である。

【図11】実施の形態３の情報処理装置が実行する処理の例（その１）を示すフローチャートである。

【図12】実施の形態３の情報処理装置が実行する処理の例（その２）を示すフローチャートである。

【図13】実施の形態４の情報処理装置が実行する処理の例を示すフローチャートである。

【図14】実施の形態４の変形例の情報処理装置が実行する処理の例を示すフローチャートである。

【発明を実施するための形態】

【0009】

以下、図面を参照しながら実施の形態を説明する。以下の実施の形態は、例にすぎず、本開示の範囲内で種々の変更が可能である。

【0010】

実施の形態１．
図１は、実施の形態１の情報処理装置が有するハードウェアを示す図である。情報処理装置１００は、検出方法を実行する装置である。情報処理装置１００は、プロセッサ１０１、揮発性記憶装置１０２、及び不揮発性記憶装置１０３を有する。

【0011】

プロセッサ１０１は、情報処理装置１００全体を制御する。例えば、プロセッサ１０１は、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）、ＦＰＧＡ（Ｆｉｅｌｄ Ｐｒｏｇｒａｍｍａｂｌｅ Ｇａｔｅ Ａｒｒａｙ）などである。プロセッサ１０１は、マルチプロセッサでもよい。また、情報処理装置１００は、処理回路を有してもよい。

【0012】

揮発性記憶装置１０２は、情報処理装置１００の主記憶装置である。例えば、揮発性記憶装置１０２は、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｙ）である。不揮発性記憶装置１０３は、情報処理装置１００の補助記憶装置である。例えば、不揮発性記憶装置１０３は、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）、又はＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）である。

【0013】

次に、情報処理装置１００が有する機能を説明する。
図２は、実施の形態１の情報処理装置の機能を示すブロック図である。情報処理装置１００は、記憶部１１０、取得部１２０、分割部１３０、算出部１４０、判定部１５０、及び出力部１６０を有する。

【0014】

記憶部１１０は、揮発性記憶装置１０２又は不揮発性記憶装置１０３に確保した記憶領域として実現してもよい。

【0015】

取得部１２０、分割部１３０、算出部１４０、判定部１５０、及び出力部１６０の一部又は全部は、処理回路によって実現してもよい。また、取得部１２０、分割部１３０、算出部１４０、判定部１５０、及び出力部１６０の一部又は全部は、プロセッサ１０１が実行するプログラムのモジュールとして実現してもよい。例えば、プロセッサ１０１が実行するプログラムは、検出プログラムとも言う。例えば、検出プログラムは、記録媒体に記録されている。

【0016】

記憶部１１０は、様々な情報を記憶する。

【0017】

取得部１２０は、撚線を含む画像を取得してもよい。例えば、取得部１２０は、当該画像を記憶部１１０から取得する。また、例えば、取得部１２０は、当該画像をカメラから取得する。また、例えば、取得部１２０は、当該画像を外部装置から取得する。なお、例えば、外部装置は、クラウドサーバである。また、外部装置の図は、省略されている。
また、例えば、撚線は、電線、電柱を支えるワイヤー、橋を支えるワイヤーなどである。

【0018】

取得部１２０は、撚線を含む画像から、抽出された撚線の画像を取得してもよい。言い換えれば、取得部１２０は、撚線を含む画像から、抽出された撚線の画像領域を取得してもよい。なお、抽出処理は、情報処理装置１００が実行してもよい。

【0019】

取得部１２０は、撚線の画像を取得する。上記したように、取得部１２０は、抽出された撚線の画像を取得してもよい。また、取得部１２０は、撚線の画像を記憶部１１０又は外部装置から取得してもよい。

【0020】

分割部１３０は、撚線の画像を分割する。詳細には、分割部１３０は、撚線の画像を予め定められた長さに分割する。

【0021】

算出部１４０は、分割により得られた複数の画像の中から設定された複数の対象画像と、複数の画像の中から設定された複数の比較画像とを用いて、複数の類似度を算出する。ここで、複数の類似度の算出を、具体例を用いて説明する。

【0022】

図３は、実施の形態１の複数の類似度の算出処理の例を示す図である。図３は、撚線の画像１０を示している。分割部１３０は、画像１０を４つに分割する。
算出部１４０は、分割により得られた複数の画像の中から、画像１１を対象画像に設定する。算出部１４０は、複数の画像の中から、画像１２を比較画像に設定する。算出部１４０は、テンプレートマッチングの技術を用いて、画像１１と画像１２との類似度を算出する。なお、例えば、テンプレートマッチングは、正規化相互相関、ＳＳＤ（Ｓｕｍ ｏｆ Ｓｑｕａｒｅｄ Ｄｉｆｆｅｒｅｎｃｅ）などである。また、類似度は、２つの画像が類似している度合いを示してもよいし、２つの画像が類似していない度合いを示してもよい。

【0023】

算出部１４０は、分割により得られた複数の画像の中から、画像１２を対象画像に設定する。算出部１４０は、複数の画像の中から、画像１３を比較画像に設定する。算出部１４０は、画像１２と画像１３との類似度を算出する。

【0024】

算出部１４０は、分割により得られた複数の画像の中から、画像１３を対象画像に設定する。算出部１４０は、複数の画像の中から、画像１４を比較画像に設定する。算出部１４０は、画像１３と画像１４との類似度を算出する。

【0025】

算出部１４０は、分割により得られた複数の画像の中から、画像１４を対象画像に設定する。算出部１４０は、複数の画像の中から、画像１３を比較画像に設定する。算出部１４０は、画像１３と画像１４との類似度を算出する。

【0026】

このように、算出部１４０は、分割により得られた複数の画像の中から設定された複数の対象画像と、複数の画像の中から設定された複数の比較画像とを用いて、複数の類似度を算出する。

【0027】

図３は、対象画像の隣の画像が、比較画像に設定される場合を示した。比較画像は、対象画像の隣の画像でなくてもよい。例えば、比較画像は、対象画像の２つ隣の画像でもよい。具体的には、対象画像が画像１１である場合、比較画像は、画像１３でもよい。また、例えば、比較画像の一部と対象画像の一部とは、同じでもよい。

【0028】

算出部１４０は、複数の類似度を正規化する。正規化の具体例を、図を用いて説明する。
図４は、実施の形態１の正規化の例を示す図である。算出部１４０は、複数の類似度を正規化する。例えば、算出部１４０は、複数の類似度の中の最小値を０とし、最大値を１としたときの値に、複数の類似度を正規化する。これにより、複数の類似度は、０～１の値に変換される。つまり、変換された値は、“０≦値≦１”で表わされる。

【0029】

算出部１４０は、正規化により得られた複数の値を用いて、クラス分類閾値を算出する。クラス分類閾値の算出を、図を用いて説明する。
図５は、実施の形態１のクラス分類閾値の算出例を示す図である。算出部１４０は、複数の値を用いて、分離度を算出する。具体的には、算出部１４０は、式（１）を用いて、分離度を算出する。

【0030】

分離度＝クラス間分散／クラス内分散 …（１）

【0031】

分離度が最大の時の値が、クラス分類閾値として決定される。

【0032】

算出部１４０は、クラス分類閾値に基づいて、複数の値を分類する。つまり、算出部１４０は、２クラス分類を行う。

【0033】

算出部１４０は、分類されたクラス毎に、１つの値を算出する。例えば、算出部１４０は、分類されたクラス毎に、平均値又は代表値を算出する。例えば、平均値が算出される場合、算出部１４０は、第１のクラスに属する複数の値を用いて、第１のクラスの平均値を算出し、第２のクラスに属する複数の値を用いて、第２のクラスの平均値を算出する。

【0034】

算出部１４０は、算出された２つの値の差を、クラス間距離として算出する。例えば、算出部１４０は、第１のクラスの平均値と、第２のクラスの平均値との差を、クラス間距離として算出する。

【0035】

判定部１５０は、クラス間距離が予め定められた閾値以上である場合、撚線は異常と判定する。なお、当該閾値は、第１の閾値とも言う。また、例えば、当該閾値は、０．７である。

【0036】

出力部１６０は、結果を出力する。例えば、出力部１６０は、情報処理装置１００のディスプレイに結果を出力する。また、例えば、出力部１６０は、外部装置に結果を出力する。なお、例えば、結果は、判定の結果である。

【0037】

次に、情報処理装置１００が実行する処理を、フローチャートを用いて、説明する。
図６は、実施の形態１の情報処理装置が実行する処理の例（その１）を示すフローチャートである。
（ステップＳ１１）取得部１２０は、撚線の画像を取得する。
（ステップＳ１２）分割部１３０は、撚線の画像を分割する。
（ステップＳ１３）算出部１４０は、分割により得られた複数の画像の中から設定された複数の対象画像と、複数の画像の中から設定された複数の比較画像とを用いて、複数の類似度を算出する。

【0038】

（ステップＳ１４）算出部１４０は、複数の類似度を正規化する。
（ステップＳ１５）算出部１４０は、正規化により得られた複数の値を用いて、クラス分類閾値を算出する。
（ステップＳ１６）算出部１４０は、クラス分類閾値に基づいて複数の値が分類されることにより得られたクラス毎に、平均値を算出する。そして、処理は、ステップＳ２１に進む。

【0039】

図７は、実施の形態１の情報処理装置が実行する処理の例（その２）を示すフローチャートである。
（ステップＳ２１）算出部１４０は、２つの平均値の差を、クラス間距離として算出する。
（ステップＳ２２）判定部１５０は、クラス間距離が予め定められた閾値以上であるか否かを判定する。クラス間距離が当該閾値以上である場合、処理は、ステップＳ２３に進む。クラス間距離が当該閾値よりも小さい場合、処理は、ステップＳ２４に進む。
（ステップＳ２３）判定部１５０は、撚線は異常と判定する。
（ステップＳ２４）判定部１５０は、撚線は正常と判定する。
（ステップＳ２５）出力部１６０は、結果を出力する。

【0040】

実施の形態１によれば、情報処理装置１００は、上記の処理を実行することで、高い精度で異常を検出することができる。例えば、撚線の画像のノイズが多い場合でも、情報処理装置１００は、上記の処理を実行することで、高い精度で異常を検出することができる。また、撚線に小さな異常箇所が存在する場合でも、情報処理装置１００は、上記の処理を実行することで、高い精度で異常を検出することができる。よって、情報処理装置１００は、高い精度で異常を検出することができる。

【0041】

実施の形態２．
次に、実施の形態２を説明する。実施の形態２では、実施の形態１と相違する事項を主に説明する。そして、実施の形態２では、実施の形態１と共通する事項の説明を省略する。
実施の形態１では、撚線が正常であるか否かが判定される場合を説明した。実施の形態２では、撚線が異常である場合、異常箇所が検出される場合を説明する。

【0042】

図８は、実施の形態２の情報処理装置の機能を示すブロック図である。情報処理装置１００は、さらに検出部１７０を有する。検出部１７０の一部又は全部は、処理回路によって実現してもよい。また、検出部１７０の一部又は全部は、プロセッサ１０１が実行するプログラムのモジュールとして実現してもよい。
検出部１７０の機能の詳細は、後で説明する。

【0043】

次に、情報処理装置１００が実行する処理を、フローチャートを用いて説明する。
図９は、実施の形態２の情報処理装置が実行する処理の例を示すフローチャートである。図９の処理は、ステップＳ２３ａ，２３ｂが実行される点が図７の処理と異なる。そのため、図９では、ステップＳ２３ａ，２３ｂを説明する。そして、ステップＳ２３ａ，２３ｂ以外の処理の説明は、省略する。

【0044】

（ステップＳ２３ａ）取得部１２０は、異常箇所判定閾値を取得する。異常箇所判定閾値は、第２の閾値とも言う。
異常箇所判定閾値の取得処理を説明する。異常箇所判定閾値は、予め定められた値でもよい。異常箇所判定閾値が予め定められた値である場合、取得部１２０は、異常箇所判定閾値を記憶部１１０又は外部装置から取得する。また、算出部１４０は、異常箇所判定閾値を算出してもよい。例えば、算出部１４０は、式（２）を用いて、異常箇所判定閾値を算出してもよい。

【0045】

異常箇所判定閾値=クラス分類閾値×２ …（２）

【0046】

また、算出部１４０は、“２”以外の値をクラス分類閾値に乗算してもよい。算出部１４０が異常箇所判定閾値を算出した場合、取得部１２０は、算出された異常箇所判定閾値を取得する。

【0047】

（ステップＳ２３ｂ）検出部１７０は、正規化により得られた複数の値の中から、異常箇所判定閾値以上の値を検出する。検出部１７０は、検出された値に対応する画像が示す箇所を異常箇所として検出する。
図３を用いて、異常箇所の検出処理を説明する。検出された値は、画像１２に対応する類似度が正規化された値とする。検出部１７０は、検出された値に対応する画像１２が示す箇所を異常箇所として検出する。

【0048】

実施の形態２によれば、情報処理装置１００は、異常箇所を検出できる。

【0049】

実施の形態３．
次に、実施の形態３を説明する。実施の形態３では、実施の形態１，２と相違する事項を主に説明する。そして、実施の形態３では、実施の形態１，２と共通する事項の説明を省略する。

【0050】

情報処理装置１００が、実施の形態３で行う処理を簡単に説明する。
図１０は、実施の形態３の情報処理装置が実行する処理の概要を示す図である。図１０は、撚線の画像２０を示している。画像２０は、異常箇所２１と異常箇所２２とを示している。
実施の形態２の方法では、１回の検出処理で検出されない異常箇所が存在する場合がある。例えば、異常箇所２１は、検出される。しかし、異常箇所２２は、検出されない。そこで、情報処理装置１００は、異常箇所２１を含む画像に対応する類似度を削除する。そして、情報処理装置１００は、再度、異常箇所の検出処理を実行する。これにより、情報処理装置１００は、異常箇所２２を検出できる。

【0051】

次に、情報処理装置１００が実行する処理を、フローチャートを用いて説明する。
図１１は、実施の形態３の情報処理装置が実行する処理の例（その１）を示すフローチャートである。図１１の処理は、ステップＳ１４ａが実行される点が図６の処理と異なる。そのため、図１１では、ステップＳ１４ａを説明する。そして、ステップＳ１４ａ以外の処理の説明は、省略する。

【0052】

（ステップＳ１４ａ）算出部１４０は、複数の類似度を正規化する。また、ステップＳ２３ｄの後にステップＳ１４ａが実行される場合、当該複数の類似度の中から異常箇所を含む画像に対応する類似度は、除かれる。

【0053】

図１２は、実施の形態３の情報処理装置が実行する処理の例（その２）を示すフローチャートである。図１２の処理は、ステップＳ２３ｃ，２３ｄが実行される点が図９の処理と異なる。そのため、図１２では、ステップＳ２３ｃ，２３ｄを説明する。そして、ステップＳ２３ｃ，２３ｄ以外の処理の説明は、省略する。但し、ステップＳ２３ａが繰り返される場合、取得部１２０は、クラス分類閾値に基づいて算出された異常箇所判定閾値を取得する。

【0054】

（ステップＳ２３ｃ）検出部１７０は、異常箇所を含む画像に対応する類似度を削除する。
（ステップＳ２３ｄ）検出部１７０は、所定の回数を繰り返したか否かを判定する。所定の回数を繰り返した場合、処理は、ステップＳ２５に進む。所定の回数を繰り返していない場合、処理は、ステップＳ１４ａに進む。

【0055】

なお、ステップＳ２３ｃでは、検出部１７０は、異常箇所を含む画像に対応する類似度を削除しなくてもよい。当該類似度が削除されない場合、ステップＳ１４ａでは、算出部１４０は、複数の類似度の中から異常箇所を含む画像に対応する類似度を除いて、正規化を行う。

【0056】

このように、異常箇所が検出された後、他の異常箇所の検出処理が実行される場合であり、かつ、複数の類似度が正規化される場合、複数の類似度の中から、異常箇所を含む画像に対応する類似度は、除かれる。

【0057】

実施の形態３によれば、情報処理装置１００は、近傍に大きい異常箇所が存在する場合でも、小さい異常箇所を検出できる。

【0058】

実施の形態４．
次に、実施の形態４を説明する。実施の形態４では、実施の形態１，２と相違する事項を主に説明する。そして、実施の形態４では、実施の形態１，２と共通する事項の説明を省略する。

【0059】

撚線には、金具などが付いている。実施の形態２の方法では、金具などが付いている箇所が、異常箇所と誤って判定される可能性がある。また、例えば、実施の形態２の方法では、他の撚線の影が存在している箇所が、異常箇所と誤って判定される可能性がある。このように、正常箇所が誤って異常箇所と判定される可能性がある。そこで、実施の形態４では、正常箇所が誤って異常箇所であると検出されることが防止される場合を説明する。

【0060】

図１３は、実施の形態４の情報処理装置が実行する処理の例を示すフローチャートである。図１３の処理は、ステップＳ２３ｅ，２３ｆが実行される点が図９の処理と異なる。そのため、図１３では、ステップＳ２３ｅ，２３ｆを説明する。そして、ステップＳ２３ｅ，２３ｆ以外の処理の説明は、省略する。また、ステップＳ２３ｂで検出された異常箇所は、仮検出された異常箇所と考えてもよい。

【0061】

（ステップＳ２３ｅ）取得部１２０は、学習済モデルを取得する。例えば、取得部１２０は、学習済モデルを記憶部１１０又は外部装置から取得する。なお、学習済モデルは、正常箇所（例えば、金具）を含む画像が学習データとして用いられることで、生成される。
（ステップＳ２３ｆ）検出部１７０は、異常箇所を含む画像と、学習済モデルとを用いて、異常箇所であるか否かを判定する。言い換えれば、検出部１７０は、仮検出された異常箇所を含む画像と、学習済モデルとを用いて、異常箇所であるか否かを判定する。詳細には、検出部１７０が異常箇所を含む画像を学習済モデルに入力することで、学習済モデルは、入力された画像が示す箇所が異常箇所であるか否かを示す情報を出力する。検出部１７０は、入力された画像が示す箇所が異常箇所でない場合（つまり、入力された画像が示す箇所が正常箇所である場合）、入力された画像が示す箇所を正常箇所として検出する。

【0062】

また、複数の異常箇所が検出された場合、検出部１７０は、複数の画像と、学習済モデルとを用いて、複数の画像のそれぞれが示す箇所が異常箇所であるか否かを判定する。検出部１７０は、検出された複数の異常箇所の中から正常箇所を除外する。これにより、ステップＳ２３ｂで複数の異常箇所が検出された場合、ステップＳ２５では、正常箇所が除外された結果が、出力される。言い換えれば、本来の異常箇所のみが、結果として出力される。

【0063】

実施の形態４によれば、情報処理装置１００は、正常箇所が誤って異常箇所であると検出されることを防止することができる。また、正常箇所として除外したい部品等が増える場合がある。このような場合、学習済モデルは、除外したい部品等を含む画像を用いて、再学習される。そして、情報処理装置１００は、再学習された学習済モデルを用いることで、除外したい部品等が増えた場合でも対処できる。

【0064】

実施の形態４の変形例．
次に、実施の形態４の変形例を説明する。実施の形態４の変形例では、実施の形態３と実施の形態４とを組み合わせた場合を説明する。
図１４は、実施の形態４の変形例の情報処理装置が実行する処理の例を示すフローチャートである。図１４の処理は、ステップＳ２３ｅ，２３ｆが実行される点が図１２の処理と異なる。ステップＳ２３ｅ，２３ｆの処理内容は、上記と同じである。そのため、ステップＳ２３ｅ，２３ｆの処理の説明は、省略する。

【0065】

実施の形態４の変形例によれば、情報処理装置１００は、正常箇所が誤って異常箇所であると検出されることを防止することができる。

【0066】

以上に説明した各実施の形態における特徴は、互いに適宜組み合わせることができる。

【符号の説明】

【0067】

１０ 画像、 １１ 画像、 １２ 画像、 １３ 画像、 １４ 画像、 ２０ 画像、 ２１ 異常箇所、 ２２ 異常箇所、 １００ 情報処理装置、 １０１ プロセッサ、 １０２ 揮発性記憶装置、 １０３ 不揮発性記憶装置、 １１０ 記憶部、 １２０ 取得部、 １３０ 分割部、 １４０ 算出部、 １５０ 判定部、 １６０ 出力部、 １７０ 検出部。

【要約】

情報処理装置（１００）は、撚線の画像を取得する取得部（１２０）と、撚線の画像を分割する分割部（１３０）と、分割により得られた複数の画像の中から設定された複数の対象画像と、複数の画像の中から設定された複数の比較画像とを用いて、複数の類似度を算出し、複数の類似度を正規化し、正規化により得られた複数の値を用いて、クラス分類閾値を算出し、クラス分類閾値に基づいて複数の値が分類されることにより得られたクラス毎に、１つの値を算出し、算出された２つの値の差を、クラス間距離として算出する算出部（１４０）と、クラス間距離が予め定められた第１の閾値以上である場合、撚線は異常と判定する判定部（１５０）と、を有する。

【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】