JP2011089920A - Ｘ線検査方法、及び該ｘ線検査方法を用いたｘ線検査装置 - Google Patents

Abstract

【課題】正常品の特徴量の分布に関する学習から適切な判定条件を与えることにより、信頼性の高いＸ線検査方法及びＸ線検査装置を提供する。
【解決手段】本発明に係るＸ線検査方法では、被検査物に対する検査を行う前に、複数の正常品に対する測定と検査及び特徴ベクトルの生成を行い（ステップＳ１〜Ｓ７）、得られた複数の特徴ベクトルを学習データとして記憶して（ステップＳ８〜Ｓ１０）、正常品領域を生成する（ステップＳ１１）。その後、被検査物に対して同様に測定と検査及び特徴ベクトルの生成を行い（ステップＳ１２〜Ｓ１８）、この特徴ベクトルが正常品領域に含まれるか否かによって被検査物の良否判定を行う（ステップＳ１９）。ここで、ステップＳ１１で生成される正常品領域は正常品の分布から得られるものであるため、ステップＳ１９の判定は特徴量間の相関関係を含んだものとなる。これにより、信頼性の高い判定を行うことが可能となる。
【選択図】図３

Description

本発明は、検査対象となる物品（以下、これを「被検査物」と称す）に対し、画像処理を施したＸ線画像から得られる複数種類の特徴量を用いて、異物混入検査、欠陥検査、個数検査等の種々の検査を行うＸ線検査装置に関する。

Ｘ線検査装置はＸ線を物品に照射し、そのＸ線透過量をＸ線検出器で測定して、それに基づきＸ線画像を作成することにより、非破壊で物品の内部を検査する装置である。その用途としては、例えば、包装された商品の内容物に異物が混入していないかを検査する異物混入検査、内容物が所定の個数を備えているかを検査する個数検査、内容物にひび割れ等の欠陥が発生していないかを検査する欠陥検査などがある。これらの検査は食品、医薬品、工業部品等の様々な物品に対して行われる。

Ｘ線検査装置は、Ｘ線透視装置とＸ線ＣＴ（Computed Tomography）装置の２種類に大別される。このうちＸ線透視装置は一方向からＸ線を照射して透過画像を得るのに対して、Ｘ線ＣＴ装置は、被検査物の全周方向で測定されたＸ線透過量のデータをフーリエ変換で再構成することにより、内部構造の断層像を得るものである。

Ｘ線透視装置は一方向からの透視しか行わないため、Ｘ線ＣＴ装置に比べて情報量は少ないものの、迅速に被検査物の検査を実行できるという特徴を有している。そのため、ベルトコンベア等により連続的に搬送される物品の連続検査に多く利用されている。一方、Ｘ線ＣＴ装置は、全周からの撮影と断層像の再構成が必要であり、Ｘ線透視装置に比べて処理に時間を要する。これを高速に処理できるようにすることも可能であるが、撮影速度や画像再構成を行うコンピュータの処理速度等を向上させる必要があるため、装置の製造コストが高くなる。従って、高速な処理を必要とする連続検査よりも、精密検査により適性を有している。

これらのＸ線検査装置では、被検査物のＸ線画像に対して所定の画像処理を施し、そこから１又は複数の特徴量を抽出して、学習等により予め与えられた基準値（許容範囲）と比較することにより、被検査物が正常品であるか否かの判定を行っている。上記の画像処理としては、取得されたＸ線画像を、背景画像の領域と背景以外の画像の領域とに切り分ける２値化処理や、２値化処理により切り分けられた画像領域の分類を行うラベリング処理等がある。また、抽出される特徴量としては、前記画像領域の周囲長や面積がある（特許文献１）。さらに、前記画像領域におけるＸ線透過量から、厚みや体積等を特徴量として抽出することもできる（特許文献２）。

特開2005-031069号公報 特開2007-183200号公報

特許文献１や特許文献２のＸ線検査装置に見られるように、従来のＸ線検査装置における検査方法では、各々の特徴量が対応する許容範囲内にあるか否かをそれぞれ独立に判定することにより、被検査物の良否判定を行っていた。しかしながら、この検査方法を経て正常品と判定された商品の中から、その後の目視検査や精密検査等による最終チェックで不良品と判定されてしまうケースがあった。

このような問題は、各特徴量が許容範囲の限界の近傍にある場合に容易に起こりうる。例えば、被検査物の長さと幅のパラメータを特徴量として取得する検査の場合、両方の特徴量が共に許容範囲の限界の近傍に存在すれば、その被検査物の面積が正常品の範囲を逸脱してしまうということがある。近年、食品等の管理に対する消費者の要求が厳しくなりつつあり、それに伴って、Ｘ線検査装置に要求される異物や欠陥品等の検出精度も高くなってきている。従って、このような誤判定を防ぐためには、上記の例ではさらに面積のパラメータも特徴量に追加するなど特徴量の種類を増加させるか、長さと幅の特徴量に対する許容範囲をより厳しく設定する必要がある。

しかしながら、特徴量の種類を増加させると、それらを抽出するための処理が増加し、その結果、処理時間や装置の製造コストが増加してしまう。また、許容範囲を厳しく設定すると、本来、正常品に含まれるべき被検査物が不良品と判別され、歩留率や作業効率が悪化してしまう。

本発明が解決しようとする課題は、適切な判定条件を与えることにより、上記の問題を解決する、信頼性の高いＸ線検査方法及びＸ線検査装置を提供することである。

上記課題を解決するために成された本発明に係るＸ線検査方法は、
物品にＸ線を照射して、その透過量を測定することにより、該物品のＸ線画像を生成するステップと、前記Ｘ線画像からn種類（nは2以上の整数）の特徴量を抽出するステップと、前記抽出されたn種類の特徴量に基づき、n次元の特徴ベクトルを生成するステップと、を有するＸ線検査方法において、
m個（mは2以上の整数）の正常品に対して特徴ベクトルをそれぞれ生成し、該正常品の特徴ベクトルの分布を学習データとして記憶するステップと、
前記学習データに基づき、正常品領域を決定するステップと、
被検査物に対して特徴ベクトルを生成し、該被検査物の特徴ベクトルが前記正常品領域に含まれているか否かによって、該被検査物が正常品であるか否を判定するステップと、
を有していることを特徴とする。

また、上記課題を解決するために成された本発明に係るＸ線検査装置は、
物品にＸ線を照射して、その透過量を測定することにより、該物品のＸ線画像を生成する画像生成手段と、前記Ｘ線画像からn種類（nは2以上の整数）の特徴量を抽出する特徴量抽出手段と、前記抽出されたn種類の特徴量に基づき、n次元の特徴ベクトルを生成する特徴ベクトル生成手段と、を有するＸ線検査装置において、
m個（mは2以上の整数）の正常品に対して特徴ベクトルをそれぞれ生成し、該正常品の特徴ベクトルの分布を学習データとして記憶する学習手段と、
前記学習データに基づき、正常品領域を決定する領域決定手段と、
被検査物に対して特徴ベクトルを生成し、該被検査物の特徴ベクトルが前記正常品領域に含まれているか否かによって、該被検査物が正常品であるか否を判定する判定手段と、
を有していることを特徴とする。

なお、前記特徴ベクトルの存在する空間は、各特徴量パラメータを座標軸とする空間（以下、これを「特徴空間」と称す）であっても良いし、その写像空間であっても良い。また、特徴空間から写像空間に変換する関数（写像関数）は線形・非線形のどちらであっても良い。

また、前記正常品領域の決定には、サポートベクターマシン、単純ベイズ分類器、クラスタ解析等の機械学習やデータマイニング分野での手法など、様々な方法を用いることができる。

本発明では、複数個の正常品に対して予め取得した特徴ベクトルの分布に基づいて正常品領域を決定し、その後、被検査物の特徴ベクトルが正常品領域に含まれるか否かにより被検査物の良否を判定する。上記の正常品領域は特徴量間の相関関係を含んだものであるため、正常品領域を用いた判定も必然的に特徴量間の相関関係を含んだものになる。これにより、被検査物を適切に判定することができ、従来より信頼性の高いＸ線検査方法及びＸ線検査装置を提供することができる。また、正常品の特徴ベクトルの分布から正常品領域を自動的に設定できるため、ユーザが許容範囲の数値を入れる必要がなく、使い勝手が改善するという効果も得ることができる。

従来のＸ線検査方法では検出できない欠陥品の例を示すグラフ。 本発明に係るＸ線検出装置の一実施例の構成を示すブロック図。 本実施例のＸ線検出装置の動作の手順を示すフローチャート。 本実施例のＸ線検出方法における正常品領域の生成の手順を示す模式図。

従来のＸ線検査方法では、各特徴量毎の独立した検査を組み合わせるだけであるため、複数の特徴量に相関関係があった場合には、正常品の分布から外れている欠陥品でも正常品と見なす場合がある。これを、図１を用いて説明する。

図１の(a)に示すように、特徴量として例えば長さと幅を使用する検査では、正常品の面積が一定の範囲内に収まっていなければならないことがある。このような場合、長さと幅が共に許容範囲の大きい方の限界に近かったり、逆に小さい方の限界に近かったりすると、たとえ各々の特徴量が許容範囲内に収まっていたとしても、面積が正常品の分布する領域から外れてしまう。また、図１の(b)に示すように、特徴量として面積と体積を使用する検査で、形状等の問題により、これらの特徴量の比率が一定の範囲内になければならないこともある。従って、複数の特徴量が互いに何らかの関係を有する場合には、その相関関係も考慮して被検査物の良否判定を行う必要がある。

そこで本発明に係るＸ線検査装置では、複数の正常品の特徴ベクトルを学習データとして、これらの正常品の特徴ベクトルの分布を含む正常品領域を生成した後に、被検査物の特徴ベクトルが正常品領域に含まれるか否かによって被検査物の良否を判定する。この正常品領域は正常品の分布から得られるものであるため、必然的に特徴量間の相関関係を含んだものとなる。従って、図１及び２に示すような、従来の検査方法では正常品の分布から外れているにも関わらず正常品と判定されてしまう場合でも、適切に不良品と判定することが可能となる。

本発明に係るＸ線検査装置の一実施例を図２〜４を用いて説明する。ここで、図２は本実施例のＸ線検査装置の構成を示すブロック図、図３は該Ｘ線検査装置による検査の手順を示すフローチャート、図４は本実施例のＸ線検出方法における正常品領域の生成の手順を示す模式図である。

図２に示す本実施例のＸ線検査装置の構成について、以下、説明を行う。
本実施例のＸ線検査装置は、正常品や被検査物にＸ線を照射し、その透過量を測定する測定部１０と、測定部１０で測定されたＸ線透過量に基づいてＸ線画像を作成し、n種類（nは2以上の整数）の特徴量を抽出して、n次元特徴ベクトルを生成する検査部２０と、複数の正常品の特徴ベクトルの分布を学習し、正常品領域を決定する前処理部３０と、前処理部３０で決定された正常品領域に基づき、被検査物の良否判定を行う判定部４０と、から構成されている。

また、上記した測定部１０は、Ｘ線源からＸ線を照射するＸ線照射部１１と、Ｘ線が照射された正常品や被検査物のＸ線透過量を測定する、Ｘ線検出器等から成るＸ線検出部１２と、を有している。検査部２０は、Ｘ線検出部１２で測定された正常品や被検査物のＸ線透過量に基づき、それらのＸ線画像を生成する画像生成部２１と、画像生成部２１で生成されたＸ線画像に画像処理を施す画像処理部２２と、画像処理部２２で画像処理を施されたＸ線画像からn種類の特徴量を抽出する特徴量抽出部２３と、特徴量抽出部２３で抽出された特徴量からn次元の特徴ベクトルを生成する特徴ベクトル生成部２４と、を有している。さらに、前処理部３０は、特徴ベクトル生成部２４で生成された特徴ベクトルのデータが正常品であるか被検査物であるかによって、この特徴ベクトルのデータを該前処理部３０に送るか判定部４０に送るかを切り替える切替部３１と、切替部３１により該前処理部３０に送られてきた複数の正常品の特徴ベクトルを学習・記憶する学習部３２と、その分布から正常品領域を決定する領域決定部３３と、を有している。

次に、図２に示した本実施例のＸ線検査装置の検査の手順を、図３のフローチャートを用いて説明する。
本実施例のＸ線検査装置では、被検査物に対する検査を行う前に、複数の正常品に対して各々の特徴ベクトルを生成し、学習データとして記憶する（ステップＳ１〜Ｓ１０）。この特徴ベクトルの生成及び学習は、以下のようにして行われる。

検査部２０で得られる特徴ベクトルのデータが前処理部３０に送られるように、該前処理部３０内の切替部３１を操作し、測定部１０の所定の位置（Ｘ線照射位置）に正常品を送る（ステップＳ１）。そして、Ｘ線照射部１１から該正常品にＸ線を照射し（ステップＳ２）、その透過量をＸ線検出部１２で測定する（ステップＳ３）。Ｘ線検出部１２で測定されたＸ線透過量のデータは検査部２０内の画像生成部２１に送られ、前記正常品に対するＸ線画像が生成される（ステップＳ４）。しかしながら、画像生成部２１で生成されたＸ線画像は、正常品の画像のみならず背景画像も含むため、画像処理部２２で所定の画像処理を施すことにより、背景画像と正常品の画像とを切り分けることが必要となる。この画像処理には、例えば２値化処理やラベリング処理等を用いることができる。これにより、Ｘ線画像から対象となる物品（この場合は正常品）の領域が検出できる（ステップＳ５）。

画像処理部２２で検出した正常品の画像領域に対し、特徴量抽出部２３では検査に使用するn種類の特徴量x₁,x₂,...,x_nが抽出される（ステップＳ６）。この抽出されたn種類の特徴量x₁,x₂,...,x_nを用いて、各特徴量パラメータを座標軸とするn次元特徴空間における特徴ベクトルX=[x₁,x₂,...,x_n]を特徴ベクトル生成部２４で生成する（ステップＳ７）。なお、検査に使用する特徴量としては、例えば面積、体積、周囲長、慣性主軸方向の最大長、円形度など、既知の画像特徴量を用いることができる。さらに、特徴ベクトル生成部２４で生成された前記正常品の特徴ベクトルのデータは前処理部３０内の学習部３２に送られ、学習データとして記憶される（ステップＳ８）。

以上の処理を他の正常品に対して繰り返し行うことにより、複数の正常品に対する特徴ベクトルの学習データを得ることができる（ステップＳ９及びＳ１０）。ここで、特徴ベクトルを生成した正常品の個数をmとし、m個の正常品の特徴ベクトルをそれぞれX₁,X₂,...,X_mとして、その集合を学習データA={X₁,X₂,...,X_m}で表す。なお、正常品の個数mは最低でも検査に使用する特徴量の種類の数nよりも多いことが望ましく、また、多ければ多いほど良い。

次に、学習部３２で得られた学習データAから正常品領域を決定する（ステップＳ１１）。以下、本実施例で用いた正常品領域の決定方法を図４を用いて説明する。
図４(a)は、n次元特徴空間における学習データAの各要素（正常品の特徴ベクトル）の分布を模式的に示したものである。ここで、これらの分布を平均Xの多次元正規分布で近似できるものと仮定する。また、正常品の特徴ベクトルは、多次元正規分布の確率密度関数が一定の閾値以上の値をとる範囲にあると仮定する。これらの仮定の下で、学習データAに含まれるm個の正常品の特徴ベクトルX₁,X₂,...,X_mの平均が零ベクトルとなるように平行移動した後に白色化を行うと、その写像空間内における正常品領域は、原点を中心とする所定の半径以下の球領域となる。以下、この所定の半径をRで表す。

具体的には、X_i'=X_i−X_a、A'={X₁',X₂',...,X_m'}とすると、この集合A'は学習データAの特徴ベクトルの平均が零ベクトルになるように平行移動したものとなる（図４(b)）。ここで、集合A'の要素に対する共分散行列をCとし、この共分散行列Cの固有値をd₁,d₂,...,d_n、各固有値に対応する、ノルムが1の固有ベクトルをe₁,e₂,...,e_nで表す。このとき、固有値の平方根を対角成分とする行列を

とし、固有ベクトルを列ベクトルに持つ行列をE=(e₁ ^T e₂ ^T ... e_n ^T)とすると、集合A'の要素に対する白色化行列Vは、V = DE^Tで計算することができる。なお、白色化行列の計算方法は一通りでなく、別の計算方法によって得られた白色化行列を本発明に用いることもできる。例えば、ある白色化行列V'に任意の直交行列Uを掛けたUV'も白色化行列となる。前記の行列Eは直交行列であるため、EDE^Tも白色化行列となる。従って、DE^Tの代わりにEDE^Tを白色化行列Vとして用いても良い。

原点を平行移動した後に、白色化行列Vによる変換を行うことにより、正常品領域は、特徴空間から線形変換された写像空間上での、原点を中心とする半径R以下の球領域として決定される（図４(c)）。

次に、以下に示す手順により被検査物に対する検査を行う。
前処理部３０内の切替部３１を操作し、検査部２０で得られる特徴ベクトルのデータが判定部に送られるように、該前処理部３０内の切替部３１を操作する。そして、被検査物に対して、正常品で示した処理と同様の処理を行い、その特徴ベクトルを生成する（ステップＳ１２〜Ｓ１８）。これらのステップにより得られた被検査物の特徴ベクトルをYとする。

この被検査物の特徴ベクトルYが、ステップＳ１１で決定した正常品領域に含まれていれば正常品、含まれていなければ不良品と判定する（ステップＳ１９）。ここで、ステップＳ１９における判定は、ステップＳ１１で用いた白色化行列Vにより、次式で行うことができる。
‖ V (Y−X_a) ‖ ≦ R
すなわち、上式が成立すれば被検査物の特徴ベクトルYは正常品領域に含まれているため、正常品と判定される。

なお、領域決定部３３における正常品領域の決定には、上記した白色化による方法の他にも、機械学習やデータマイニング分野での手法（サポートベクターマシンや単純ベイズ分類器、クラスタ解析など）など正常品の分布を適切に捉えられる手法が利用できる。

１０…測定部
１１…Ｘ線照射部
１２…Ｘ線検出部
２０…検査部
２１…画像生成部
２２…画像処理部
２３…特徴量抽出部
２４…特徴ベクトル生成部
３０…前処理部
３１…切替部
３２…学習部
３３…領域決定部
４０…判定部

Claims (8)

1. 物品にＸ線を照射して、その透過量を測定することにより、該物品のＸ線画像を生成するステップと、前記Ｘ線画像からn種類（nは2以上の整数）の特徴量を抽出するステップと、前記抽出されたn種類の特徴量に基づき、n次元の特徴ベクトルを生成するステップと、を有するＸ線検査方法において、
   m個（mは2以上の整数）の正常品に対して特徴ベクトルをそれぞれ生成し、該正常品の特徴ベクトルの分布を学習データとして記憶するステップと、
   前記学習データに基づき、正常品領域を決定するステップと、
   被検査物に対して特徴ベクトルを生成し、該被検査物の特徴ベクトルが前記正常品領域に含まれているか否かによって、該被検査物が正常品であるか否を判定するステップと、
   を有していることを特徴とするＸ線検査方法。
2. 前記正常品領域が、各特徴量パラメータを座標軸とする特徴空間を白色化行列で変換した写像空間上で与えられていることを特徴とする請求項１に記載のＸ線検査方法。
3. 前記m個の正常品の特徴ベクトルをX₁,X₂,...,X_m、これらの特徴ベクトルの平均をX_aとし、ベクトルX_j'をX_j'=X_j-X_a、集合A'をA'={X₁',X₂',...,X_m'}としたとき、前記白色化行列が、集合A'の要素に対する共分散行列Cの固有値d₁,d₂,...,d_n、及び固有ベクトルe₁,e₂,...,e_nを用いて
   

   

   で与えられ、被検査物の特徴ベクトルYに対する前記正常品領域が、
   ‖V（Y-X_a）‖≦R
   （ただし、Rは前記正常品領域の半径である。）で与えられることを特徴とする請求項２に記載のＸ線検査方法。
4. 前記正常品の個数mが前記特徴量の種類数nよりも大きいことを特徴とする請求項１〜３のいずれかに記載のＸ線検査方法。
5. 物品にＸ線を照射して、その透過量を測定することにより、該物品のＸ線画像を生成する画像生成手段と、前記Ｘ線画像からn種類（nは2以上の整数）の特徴量を抽出する特徴量抽出手段と、前記抽出されたn種類の特徴量に基づき、n次元の特徴ベクトルを生成する特徴ベクトル生成手段と、を有するＸ線検査装置において、
   m個（mは2以上の整数）の正常品に対して特徴ベクトルをそれぞれ生成し、該正常品の特徴ベクトルの分布を学習データとして記憶する学習手段と、
   前記学習データに基づき、正常品領域を決定する領域決定手段と、
   被検査物に対して特徴ベクトルを生成し、該被検査物の特徴ベクトルが前記正常品領域に含まれているか否かによって、該被検査物が正常品であるか否を判定する判定手段と、
   を有していることを特徴とするＸ線検査装置。
6. 前記正常品領域が、各特徴量パラメータを座標軸とする特徴空間を白色化行列で変換した写像空間上で与えられていることを特徴とする請求項５に記載のＸ線検査装置。
7. 前記m個の正常品の特徴ベクトルをX₁,X₂,...,X_m、これらの特徴ベクトルの平均をX_aとし、ベクトルX_j'をX_j'=X_j-X_a、集合A'をA'={X₁',X₂',...,X_m'}としたとき、前記白色化行列が、集合A'の要素に対する共分散行列Cの固有値d₁,d₂,...,d_n、及び固有ベクトルe₁,e₂,...,e_nを用いて
   

   

   で与えられ、被検査物の特徴ベクトルYに対する前記正常品領域が、
   ‖V（Y-X_a）‖≦R
   （ただし、Rは前記正常品領域の半径である。）で与えられることを特徴とする請求項６に記載のＸ線検査装置。
8. 前記正常品の個数mが前記特徴量の種類数nよりも大きいことを特徴とする請求項５〜７のいずれかに記載のＸ線検査装置。

Images