特許ウォッチ

公開番号2025084633
公報種別公開特許公報(A)
公開日2025-06-03
出願番号2023198691
出願日2023-11-22
発明の名称外観検査装置、機械学習モデルの学習方法、教師用画像の生成方法及びプログラム
出願人株式会社デンケン,独立行政法人国立高等専門学校機構
代理人個人
主分類G01N 21/88 20060101AFI20250527BHJP(測定;試験)
要約【課題】被検査対象の外観の良否を高い精度で判定できる一方で、処理速度の低下が抑制された外観検査装置及びプログラムを提供する。
【解決手段】外観検査装置10は、被検査対象物を撮像したカメラ画像を取得する撮像部20と、前記カメラ画像をブロブ解析して得られたブロブを含む一次判定画像IMG12を生成する一次判定画像生成部30と、一次判定画像IMG12に含まれるブロブが欠陥に該当するか否かを判定するルールベース判定部40と、ルールベース判定部40によって欠陥と判定されたブロブの位置P1を求め、該位置P1が予め決められた範囲Aにあるように画像を前記カメラ画像から切り出し、予め決められたサイズの二次判定画像IMG22として生成する二次判定画像生成部50と、畳み込みニューラルネットワークによる機械学習モデルを用いて、二次判定画像IMG22が欠陥を示すものであるか否かを判定するAI判定部60と、を備える。
【選択図】図1
特許請求の範囲【請求項１】
被検査対象物を撮像したカメラ画像を取得する撮像部と、
前記カメラ画像をブロブ解析して得られたブロブを含む一次判定画像を生成する一次判定画像生成部と、
予め設定された基準に基づいて、前記一次判定画像に含まれるブロブが欠陥に該当するか否かを判定するルールベース判定部と、
前記ルールベース判定部によって欠陥と判定されたブロブの位置Ｐ１を求め、求めた該位置Ｐ１が予め決められた範囲Ａにあるように画像を前記カメラ画像から切り出し、予め決められたサイズの二次判定画像として生成する二次判定画像生成部と、
畳み込みニューラルネットワークによる機械学習モデルを用いて、前記二次判定画像が欠陥を示すものであるか否かを判定し、欠陥を示すものである場合には、当該欠陥の種類を判別するＡＩ判定部と、を備えた外観検査装置。
続きを表示（約 1,800 文字）【請求項２】
請求項１記載の外観検査装置において、
前記機械学習モデルの学習方法が、予め準備された複数の前記被検査対象物のデータセット画像をそれぞれブロブ解析し、ブロブを含む複数の解析画像を生成するステップと、
前記複数の解析画像に含まれるブロブの位置Ｐ２を前記位置Ｐ１の算出方法により求め、求めた前記位置Ｐ２が前記範囲Ａにあるように画像を前記データセット画像から切り出し、前記二次判定画像と実質的に同一のサイズの教師用欠陥候補画像として生成するステップと、
前記教師用欠陥候補画像を欠陥の種類に応じて分類することにより、アノテーションされた教師用画像を生成するステップと、
前記教師用画像に基づいて、前記機械学習モデルの学習を行うステップと、を含む外観検査装置。
【請求項３】
請求項１記載の外観検査装置において、
前記機械学習モデルの学習方法が、予め準備された複数の前記被検査対象物のデータセット画像をそれぞれブロブ解析し、予め決められた大きさ以上の面積を有するブロブを含む複数の解析画像を生成するステップと、
前記複数の解析画像に含まれるブロブの位置Ｐ２を前記位置Ｐ１の算出方法により求め、求めた前記位置Ｐ２が前記範囲Ａにあるように画像を前記データセット画像から切り出し、前記二次判定画像と実質的に同一のサイズの教師用欠陥候補画像として生成するステップと、
前記教師用欠陥候補画像を欠陥の種類に応じて分類することにより、アノテーションされた教師用画像を生成するステップと、
前記教師用画像に基づいて、前記機械学習モデルの学習を行うステップと、を含む外観検査装置。
【請求項４】
請求項１記載の外観検査装置が備えるＡＩ判定部に使用される機械学習モデルの教師用画像を生成するためのコンピュータに、
予め準備された複数の前記被検査対象物のデータセット画像をそれぞれブロブ解析し、複数のブロブを含む複数の解析画像を生成するステップと、
前記複数の解析画像に含まれるブロブの位置Ｐ２を前記位置Ｐ１の算出方法により求め、求めた前記位置Ｐ２が予め決められた範囲Ａにあるように画像を前記データセット画像から切り出し、前記二次判定画像と実質的に同一のサイズの教師用欠陥候補画像として取得するステップと、を実行させるプログラム。
【請求項５】
畳み込みニューラルネットワークにより構成され、被検査対象物の欠陥の位置Ｐ１が予め決められた範囲Ａにある予め決められたサイズの判定画像に基づいて該被検査対象物の外観の良否を判断するための機械学習モデルの学習方法であって、
予め準備された複数の前記被検査対象物のデータセット画像をそれぞれブロブ解析し、ブロブを含む複数の解析画像を生成するステップと、
前記複数の解析画像に含まれるブロブの位置Ｐ２を前記位置Ｐ１の算出方法により求め、求めた前記位置Ｐ２が予め決められた範囲Ａにあるように画像を前記データセット画像から切り出し、前記判定画像と実質的に同一のサイズの教師用欠陥候補画像として取得するステップと、
前記教師用欠陥候補画像を欠陥の種類に応じて分類することにより、アノテーションされた教師用画像を作成するステップと、
前記教師用画像に基づいて、前記機械学習モデルの学習を行うステップと、を含む機械学習モデルの学習方法。
【請求項６】
畳み込みニューラルネットワークにより構成され、被検査対象物の欠陥の位置Ｐ１が予め決められた範囲Ａにある予め決められたサイズの判定画像に基づいて該被検査対象物の外観の良否を判断するための機械学習モデルの学習に使用する教師用画像の生成方法であって、
予め準備された複数の前記被検査対象物のデータセット画像をそれぞれブロブ解析し、ブロブを含む複数の解析画像を生成するステップと、
前記複数の解析画像に含まれるブロブの位置Ｐ２を前記位置Ｐ１の算出方法により求め、求めた前記位置Ｐ２が予め決められた範囲Ａにあるように画像を前記データセット画像から切り出し、前記判定画像と実質的に同一のサイズの教師用欠陥候補画像として取得するステップと、
前記教師用欠陥候補画像を欠陥の種類に応じて分類することにより、アノテーションされた教師用画像を作成するステップと、を含む教師用画像の生成方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、外観検査装置、機械学習モデルの学習方法、教師用画像の生成方法及びプログラムに関する。
続きを表示（約 2,800 文字）【背景技術】
【０００２】
特許文献１には、検査装置が記載されている。この検査装置は、被検査対象物を撮像する撮像部と、撮像部によって得られた被検査対象物の撮像データを処理し、処理画像データを生成する画像処理部と、処理画像データ及び予め規定されたボイド及び傷のデータに基づいて、被検査対象物の欠陥の有無を判定する第１の判定部と、処理画像データ及び予め構築された機械学習モデルに基づいて、被検査対象物のボイド及び傷の有無を判定する第２の判定部と、を備え、第２の判定部がボイドがあり不良であると判定した被検査対象物に対して、第１の判定部が該ボイドの有無を判定し、第２の判定部が傷があり不良であると判定した被検査対象物に対して、第１の判定部が該傷の有無を判定する。
【先行技術文献】
【特許文献】
【０００３】
特許第６６３０９１２号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
本発明は、被検査対象の外観の良否を高い精度で判定できる一方で、処理速度の低下が抑制された外観検査装置及びプログラムを提供することを目的とする。
また、本発明は、被検査対象に複数の欠陥が含まれている場合において、高い精度で良否を判定できる機械学習モデルの学習方法及び教師用画像の生成方法を提供することを目的とする。
【課題を解決するための手段】
【０００５】
請求項１に記載の発明は、被検査対象物を撮像したカメラ画像を取得する撮像部と、前記カメラ画像をブロブ解析して得られたブロブを含む一次判定画像を生成する一次判定画像生成部と、予め設定された基準に基づいて、前記一次判定画像に含まれるブロブが欠陥に該当するか否かを判定するルールベース判定部と、前記ルールベース判定部によって欠陥と判定されたブロブの位置Ｐ１を求め、求めた該位置Ｐ１が予め決められた範囲Ａにあるように画像を前記カメラ画像から切り出し、予め決められたサイズの二次判定画像として生成する二次判定画像生成部と、畳み込みニューラルネットワークによる機械学習モデルを用いて、前記二次判定画像が欠陥を示すものであるか否かを判定し、欠陥を示すものである場合には、当該欠陥の種類を判別するＡＩ判定部と、を備えた外観検査装置である。
【０００６】
請求項２に記載の発明は、請求項１記載の外観検査装置において、前記機械学習モデルの学習方法が、予め準備された複数の前記被検査対象物のデータセット画像をそれぞれブロブ解析し、ブロブを含む複数の解析画像を生成するステップと、前記複数の解析画像に含まれるブロブの位置Ｐ２を前記位置Ｐ１の算出方法により求め、求めた前記位置Ｐ２が前記範囲Ａにあるように画像を前記データセット画像から切り出し、前記二次判定画像と実質的に同一のサイズの教師用欠陥候補画像として生成するステップと、前記教師用欠陥候補画像を欠陥の種類に応じて分類することにより、アノテーションされた教師用画像を生成するステップと、前記教師用画像に基づいて、前記機械学習モデルの学習を行うステップと、を含む。
【０００７】
請求項３に記載の発明は、請求項１記載の外観検査装置において、前記機械学習モデルの学習方法が、予め準備された複数の前記被検査対象物のデータセット画像をそれぞれブロブ解析し、予め決められた大きさ以上の面積を有するブロブを含む複数の解析画像を生成するステップと、前記複数の解析画像に含まれるブロブの位置Ｐ２を前記位置Ｐ１の算出方法により求め、求めた前記位置Ｐ２が前記範囲Ａにあるように画像を前記データセット画像から切り出し、前記二次判定画像と実質的に同一のサイズの教師用欠陥候補画像として生成するステップと、前記教師用欠陥候補画像を欠陥の種類に応じて分類することにより、アノテーションされた教師用画像を生成するステップと、前記教師用画像に基づいて、前記機械学習モデルの学習を行うステップと、を含む。
【０００８】
請求項４に記載の発明は、請求項１記載の外観検査装置が備えるＡＩ判定部に使用される機械学習モデルの教師用画像を生成するためのコンピュータに、予め準備された複数の前記被検査対象物のデータセット画像をそれぞれブロブ解析し、複数のブロブを含む複数の解析画像を生成するステップと、前記複数の解析画像に含まれるブロブの位置Ｐ２を前記位置Ｐ１の算出方法により求め、求めた前記位置Ｐ２が予め決められた範囲Ａにあるように画像を前記データセット画像から切り出し、前記二次判定画像と実質的に同一のサイズの教師用欠陥候補画像として取得するステップと、を実行させるプログラムである。
【０００９】
請求項５に記載の発明は、畳み込みニューラルネットワークにより構成され、被検査対象物の欠陥の位置Ｐ１が予め決められた範囲Ａにある予め決められたサイズの判定画像に基づいて該被検査対象物の外観の良否を判断するための機械学習モデルの学習方法であって、予め準備された複数の前記被検査対象物のデータセット画像をそれぞれブロブ解析し、ブロブを含む複数の解析画像を生成するステップと、前記複数の解析画像に含まれるブロブの位置Ｐ２を前記位置Ｐ１の算出方法により求め、求めた前記位置Ｐ２が予め決められた範囲Ａにあるように画像を前記データセット画像から切り出し、前記判定画像と実質的に同一のサイズの教師用欠陥候補画像として取得するステップと、前記教師用欠陥候補画像を欠陥の種類に応じて分類することにより、アノテーションされた教師用画像を作成するステップと、前記教師用画像に基づいて、前記機械学習モデルの学習を行うステップと、を含む機械学習モデルの学習方法である。
【００１０】
請求項６に記載の発明は、畳み込みニューラルネットワークにより構成され、被検査対象物の欠陥の位置Ｐ１が予め決められた範囲Ａにある予め決められたサイズの判定画像に基づいて該被検査対象物の外観の良否を判断するための機械学習モデルの学習に使用する教師用画像の生成方法であって、予め準備された複数の前記被検査対象物のデータセット画像をそれぞれブロブ解析し、ブロブを含む複数の解析画像を生成するステップと、前記複数の解析画像に含まれるブロブの位置Ｐ２を前記位置Ｐ１の算出方法により求め、求めた前記位置Ｐ２が予め決められた範囲Ａにあるように画像を前記データセット画像から切り出し、前記判定画像と実質的に同一のサイズの教師用欠陥候補画像として取得するステップと、前記教師用欠陥候補画像を欠陥の種類に応じて分類することにより、アノテーションされた教師用画像を作成するステップと、を含む教師用画像の生成方法である。
【発明の効果】
（【００１１】以降は省略されています）

関連特許