JP2011192032A - 疵学習装置、疵学習方法、及びコンピュータプログラム - Google Patents

Abstract

【課題】 疵検査対象物に生じている疵の特徴量から疵種を判別するための学習モデルを、疵種の正解データが与えられた疵の特徴量のデータを用いて更新するに際し、多数の疵のデータから学習モデルの更新に適したデータを選択できるようにする。
【解決手段】 疵種「ＣＬ１」、「ＣＬ２」を完全に分離する特徴量の値の範囲の組と、疵種「ＣＬ１」、「ＣＬ２」とを相互に対応付けるための複数個（Ｌ個）の部分特徴量空間の集合として学習モデルを生成する。そして、入力された疵データのうち、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い疵データだけを用いて、学習モデルを更新する。
【選択図】 図８

Description

本発明は、疵学習装置、疵学習方法、及びコンピュータプログラムに関し、特に、画像から検査対象物の表面に形成されている疵の疵種を自動的に判別するために用いて好適なものである。

鋼板等の製造ラインにおいては、有害な疵が被圧延材に生じてしまうことがある。このため、被圧延材の表面を照明して得られる反射光を検知して撮像することにより得られた画像を処理して疵候補の画像について特徴量を抽出し、抽出した特徴量に基づいて、被圧延材に生じている有害な疵の有無及び種類等を検査することが行われている。特徴量には、疵の長さ・幅・面積等の寸法的な特徴量と、円形度・アスペクト比（縦横比）等の形状的な特徴量と、疵部の画像濃度の平均値・最小値・最大値等の濃淡的な特徴量等がある。このような特徴量を画像から抽出することによって、疵の種類や等級（評点）等（これらを疵種と総称する）を判別することができる。

このような疵の検査を行う検査装置では、教師データを用いた学習を行って、特徴量から疵種を出力する学習モデルを構築する（教師あり機械学習を行う）ようにしている。ここで、多数の疵のデータ（画像）を収集して、当該疵のそれぞれについて、検査員が疵種を決定し、当該疵に対して、決定した疵種のデータを正解データとして登録したものを教師データという。このような教師データを収集することには、多大なコストを必要とすることは一般的に知れられている（特許文献１、非特許文献１を参照）。

従来の教師あり機械学習では、特徴量空間においてなるべく広範囲に分布したデータに対する学習モデルを作成する必要があるため、大量の教師データを用いるようにしていた。特に、鋼板等の製造ラインにおける疵の検査装置のように、長期間運用する設備においては、定期的に疵のデータを採取し、これに教師データを与えて学習を行う必要があるとされていた。しかしながら、実際に扱うことが可能な疵のデータ（画像）の数には限界があり、これが限界を超えた場合には計算量が増大し、学習を実行することが不可能となる。また、例えば、疵種Ａと疵種Ｂとを判別する学習モデルを作成する場合に、学習モデルを作成する調整員が誤って疵種Ａ、Ｂと無関係なデータを疵のデータに含めると、得られる学習モデルの信頼性を損ねることになる。このように、適切な疵のデータの選択は、精度の高い機械学習を実現するために不可欠の要素である。

しかしながら、従来は、調整員の感覚で、疵のデータの取捨選択を行い、あらゆる種類の疵のデータを計算可能な上限までの範囲で用意しておくしかなかった。疵のデータを査定（判断）するためには、鋼板を再検査ラインに通板して鋼板を詳細に観察し、観察した鋼板の疵と、疵の検査装置が表示する疵の画像とを見比べて当該疵に正解データを付与するという作業が必要である。よって、数個〜数１０個の疵のデータを判断するために数時間の時間と再検査ラインの稼働とが必要になる。このため、前述したように、教師データを収集することには多大なコストを費やしていた。
そこで、特許文献１では、大多数のデータが従う確率分布から外れたデータを、発生しにくいデータと考え、当該データを「統計的外れ値」として除外し、当該データを異常（不正）と同定している。そして、当該データを除くデータに正解データを付与して教師あり学習を行うようにしている。

特開２００３−５９７０号公報

尾上守夫監訳，「パターン識別」，新技術コミュニケーションズ，２００３年２月，ｐ１４

しかしながら、例えば、「統計的外れ値」を有するデータが、特徴量空間における複数の疵種の識別境界付近に存在することが考えられる。このような場合、当該データを単純に「異常値」と判断できない。
また、学習モデルが逐次的に更新される場合には、新たに学習されるべき疵のデータが、操業条件の変更等によって、特徴量空間で従来のデータと異なる「統計的外れ値」を有する場合がある。このような場合に、単純な特徴量の確率分布で当該データを異常値として判断してしまうと、逐次的に学習モデルを作成するような鋼板の疵の検査装置では、大切なデータを除外してしまうことになる。
本発明は、このような問題点に鑑みてなされたものであり、疵検査対象物に生じている疵の特徴量から疵種を判別するための学習モデルを、疵種の正解データが与えられた疵の特徴量のデータを用いて更新するに際し、多数の疵のデータから学習モデルの更新に適したデータを選択できるようにすることを目的とする。

本発明の疵学習装置は、検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得手段と、前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与手段と、前記取得手段により取得された疵データの特徴量の値であって、前記付与手段により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成手段と、前記取得手段により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出手段と、前記生成手段により生成された学習モデルを更新する更新手段と、を有し、前記付与手段は、前記更新手段により前記学習モデルを更新する際には、前記取得手段により取得された疵データのうち、前記抽出手段により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、前記更新手段は、前記抽出手段により抽出された疵データの特徴量の値であって、前記付与手段により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とする。

本発明の疵学習方法は、検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得工程と、前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与工程と、前記取得工程により取得された疵データの特徴量の値であって、前記付与工程により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成工程と、前記取得工程により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出工程と、前記生成工程により生成された学習モデルを更新する更新工程と、を有し、前記付与工程は、前記更新工程により前記学習モデルを更新する際には、前記取得工程により取得された疵データのうち、前記抽出工程により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、前記更新工程は、前記抽出工程により抽出された疵データの特徴量の値であって、前記付与工程により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とする。

本発明のコンピュータプログラムは、検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得工程と、前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与工程と、前記取得工程により取得された疵データの特徴量の値であって、前記付与工程により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成工程と、前記取得工程により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出工程と、前記生成工程により生成された学習モデルを更新する更新工程と、をコンピュータに実行させ、前記付与工程は、前記更新工程により前記学習モデルを更新する際には、前記取得工程により取得された疵データのうち、前記抽出工程により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、前記更新工程は、前記抽出工程により抽出された疵データの特徴量の値であって、前記付与工程により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とする。

本発明によれば、取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出し、抽出した疵データを用いて学習モデルを更新するようにした。したがって、多数の疵データから学習モデルの更新に適したデータを選択できる。よって、学習モデルを更新するための検査員の作業を軽減することができると共に、学習モデルの信頼性を向上させることができる。

本発明の実施形態を示し、表面疵検査システムの概略構成の一例を示した図である。 本発明の実施形態を示し、疵判定装置が有する機能構成の一例を示すブロック図である。 本発明の実施形態を示し、疵学習装置が有する機能構成の一例を示すブロック図である。 本発明の実施形態を示し、各特徴量を座標軸とする座標空間に、疵種に関する複数個の疵データのデータ点を配置した様子の一例を示す図である。 本発明の実施形態を示し、学習モデルの一例を概念的に示す図である。 本発明の実施形態を示し、学習モデル（部分特徴量空間）が更新される様子の一例を概念的に示す図である。 本発明の実施形態を示し、各疵データの疵種「ＣＬ１」、「ＣＬ２」を判定する処理の一例を概念的に示す図である。 本発明の実施形態を示し、特徴量ｆｉ、ｆｊのそれぞれを座標軸とする特徴量空間における疵データの配置例を概念的に示す図である。 本発明の実施形態を示し、疵種「ＣＬ１」への投票率と、疵データの数（データ数）との関係の一例を示す図である。 本発明の実施形態を示し、疵判定装置の動作の一例を説明するフローチャートである。 本発明の実施形態を示し、疵学習装置の動作の一例を説明するフローチャートである。 本発明の実施形態を示し、各月における学習モデルの生成・更新に使用した疵データの数（データ数）の一例を示す図である。 本発明の実施系体を示し、各月における疵種一致率の一例を示す図である。

以下、図面を参照しながら、本発明の一実施形態を説明する。
図１は、表面疵検査システムの概略構成の一例を示した図である。尚、本実施形態では、図１に示すように、帯状鋼板１は、スナウト１１を通じて溶融金属めっき浴１２に浸漬され、浴中折り返しロール１３及び浴中支持ロール１４を介して溶融金属めっき浴１２から鉛直方向に引き上げられる。そして、溶融金属めっき浴１２から引き上げられた帯状鋼板１の表面・裏面に対して、ワイピングノズル１５ａ・１５ｂからガスが吹き付けられてめっきの目付量が調整される。本実施形態では、このようなめっき製造ラインで製造されためっき鋼板１０が疵検査対象物である場合を例に挙げて説明する。また、以下の説明では、めっき鋼板１０を鋼板１０と略称する。

図１において、鋼板１０は、搬送ロール２ａ、２ｂによって、鋼板１０の長手方向（図１の矢印の方向）に搬送（移動）される。また、搬送ロール２ａ、２ｂの回転は、夫々ロータリーエンコーダ３により検出されるようにしている。
このようなめっき製造ラインに設置される表面疵検査システムは、照明装置４と、撮像装置５と、疵判定装置６と、疵学習装置７とを有している。

照明装置４は、例えばハロゲンランプ等、好ましくは高い輝度を有する光を出射する発光部と、集光レンズ等の集光部とを有する。ハロゲンランプ等から出射される光が集光部で線状に集光されることにより、鋼板１０の表面がその幅方向で線状に照明される。尚、本実施形態では、鋼板１０の幅方向の全てが確実に線状に照明されるように、鋼板１０の幅方向の長さよりも長い線状の光束を照明装置４が照射するようにしている。

撮像装置５は、照明装置４により照明された鋼板１０の疵検査範囲を撮像して画像信号を生成する機能を有している。撮像装置５は、図１に示すように、照明装置４から照射され、鋼板１０に当たって反射される光の光路上に配置される。この撮像装置５は、画像をフレーム単位で読み取るエリアカメラ（センサ）と、画像をライン単位で読み取るラインカメラ（センサ）との何れであってもよく、また、ＣＣＤ撮像素子やＣＭＯＳ撮像素子等のカメラでも良い。また、撮像画像は、白黒濃淡画像及びカラー画像の何れであってもよい。
ここでは、撮像装置５として、白黒濃淡画像を出力するラインカメラを使用した場合を例として挙げて説明する。具体的に撮像装置５は、鋼板１０の幅方向に細長い疵検査範囲の濃淡画像を撮像し、例えば白黒２５６階調の情報を撮像画像として出力するものとする。

移動する鋼板１０の表面を、所定の空間分解能で隙間なく連続して撮像装置５が撮像できるように、ロータリーエンコーダ３は、鋼板１０の搬送速度に応じた制御タイミング信号（パルス信号）を撮像装置５に出力する。撮像装置５は、このロータリーエンコーダ３から出力される制御タイミング信号に従って、撮像と撮像画像の転送とを繰り返す。

疵判定装置６及び疵学習装置７は、例えばＰＣ（Personal Computer）である。疵判定装置６及び疵学習装置７は、ＣＰＵ、ＲＯＭ、ＲＡＭ、ハードディスク、キーボードやマウスからなるユーザインターフェース、及びデータ入出力制御装置等を有している。尚、ＣＰＵ、ＲＯＭ、ＲＡＭ、ハードディスク、ユーザインターフェース、及びデータ入出力制御装置は、夫々通信バスに接続されており、互いに通信することが可能である。また、本実施形態では、疵判定装置６及び疵学習装置７は、例えばＬＡＮ（Local Area Network）を介して、通信可能に相互に接続されているものとする。

疵判定装置６の記憶媒体の一つであるハードディスクには、後述するようにして疵種の判別（疵検査）を行うための疵検用アプリケーションプログラムや、その疵検用アプリケーションプログラムで使用されるデータが記憶されている。この他、疵判定装置６のハードディスクには、撮像装置５で撮像され、データ入出力制御装置で処理された画像データ等も記憶される。ここで、データ入出力制御装置は、撮像装置５から出力されたライン毎の画像データを、例えば、２０４８（幅）×５１２（長さ）の画素数を有する画像データを構成するための処理を行って、ＲＡＭに転送する。尚、ここでは、説明の便宜上、１画素は、鋼板１の表面の１ｍｍ×１ｍｍの領域の撮像画像を表すものとする。すなわち、２０４８（幅）×５１２（長さ）の画素数で構成される画像は、鋼板１の幅が２０４８ｍｍ、長さが５１２ｍｍの範囲の撮像画像を表すものとする。

疵学習装置７の記憶媒体の一つであるハードディスクには、疵判定装置６で疵検査を行うための判別モデル（学習モデル）を生成・更新するための疵学習用アプリケーションプログラムや、その疵学習用アプリケーションプログラムで使用されるデータが記憶されている。また、疵学習装置７のハードディスクには、後述するようにして疵判定装置６で得られた"データ項目として疵に関する複数の特徴量を含む疵データ"等も記憶される。疵判定装置６は、疵学習装置７で得られた、最新の学習モデルを入力しこの学習モデルに従って疵検査を行う。前述したように、特徴量としては、例えば、疵の長さ・幅・面積等の寸法的な特徴量と、円形度・アスペクト比（縦横比）等の形状的な特徴量と、疵部の画像濃度の平均値・最小値・最大値等の濃淡的な特徴量等がある。

疵判定装置６、疵学習装置７のＣＰＵ等は、ユーザインターフェースのユーザによる操作等に基づいて、疵検用アプリケーションプログラム、疵学習用アプリケーションプログラムを起動する。そして、ＣＰＵ等は、疵検用アプリケーションプログラム、疵学習用アプリケーションプログラムを実行して、疵検査、学習モデルの生成・更新を行うための処理を実行する。
表示装置８、９は、例えばＬＣＤ（Liquid Crystal Display）等を備えており、それぞれ疵判定装置６、疵学習装置７により実行された処理に基づく画像を表示するためのものである。
尚、図１では、鋼鈑１０の一面（表面）についてのみ疵検査を行う場合を示しているが、実際には、鋼鈑１０の他面（裏面）についても疵検査を行うようにする。

図２は、疵判定装置６が有する機能構成の一例を示すブロック図である。
図２において、画像入力部２１は、撮像装置５で撮像されたライン毎の画像データを入力し、連続して入力した複数のライン毎の画像データ（２０４８×１画素）を用いて、例えば、２０４８（幅）×５１２（長さ）の画素数を有する画像データを構成する。そして、画像入力部２１は、その画像データをＲＡＭに記憶する。
画像入力部２１は、例えば、疵判定装置６が有するデータ入出力制御装置が前述した処理を実行することにより実現される。

シェーディング補正部２２は、画像入力部２１で得られた画像データの全体が一様な明るさになるように、その画像データに対して、シェーディング補正を行う。そして、シェーディング補正部２２は、シェーディング補正を行った画像データを、ＲＡＭ（記憶媒体）に記憶する。
シェーディング補正部２２は、例えば、疵判定装置６のＣＰＵが、シェーディング補正を行うためのプログラムを実行することにより実現される。

二値化部２３は、シェーディング補正が行われた画像データに対して、二値化処理を行う。具体的に説明すると、二値化部２３は、例えば、シェーディング補正が行われた画像データの各画素の値が、ハードディスク等に予め設定された閾値よりも大きいか否かを判定する。そして、閾値よりも大きい画素の値を「１」、そうでない画素の値を「０」にして、画素の値（輝度値）として「０」か「１」しか持たない２値画像を生成する。
二値化部２３は、例えば、疵判定装置６のＣＰＵが、二値化処理を行うためのプログラムを実行することにより実現される。

ラベリング／特徴量計算部２４は、二値化部２３により得られた２値画像に対してラベリング処理及び特徴量計算を行い、疵候補を抽出する。ここで、ラベリング処理とは、特徴量計算の前に行う処理であり、２値画像中において単一の図形又は幾何的に連結して一つの塊となっている図形（連結図形）毎に、異なった番号（ラベル）を割り当てる処理である。
また、特徴量計算（特徴抽出）とは、図形の形状に関する特徴量を求める処理である。この特徴量計算で求める特徴量は、例えば、「疵候補に外接する長方形の『幅・長さ・長さと幅の比（アスペクト比）・面積・円形度・最大長・周囲長』」、及び「疵候補の輝度分布（輝度の平均値・最小値・最大値等）」等の中から選択される１又は２以上の組み合わせである。ラベリング／特徴量計算部２４は、このようにして求めた"疵に関する複数の特徴量"をデータ項目として含む疵データを、当該特徴量を有する疵が存在する"鋼鈑１０上の位置"のデータと対応付けて（すなわち紐つけて）、疵データ記憶部２５に記憶する。
ラベリング／特徴量計算部２４は、例えば、疵判定装置６のＣＰＵが、ラベリング処理と特徴量を計算するためのプログラムを実行することにより実現される。
尚、特徴量を求めることができれば、特徴量を求めるための処理の内容は前述したものに限定されない。

後述するように疵学習装置７は、学習モデルを生成すると、その学習モデルを疵判定装置６に送信する。疵判定装置６の学習モデル取得部２６は、疵学習装置７から学習モデルを受信すると、その学習モデルを疵判定部２７に出力する。
学習モデル取得部２６は、例えば、疵判定装置６のデータ入出力制御装置が前述した処理を実行することにより実現される。

疵判定部２７は、疵データ記憶部２５に記憶されている疵候補の疵データに対して、学習モデル取得部２６から出力された最新の学習モデルを適用して、疵候補に対する最終的な疵判定を行う。例えば、疵候補が、製品の品質に影響を与えるロール疵であれば、疵判定部２７は、当該疵候補を有害疵と判定する。また、疵判定部２７は、疵種として、疵の種類及び疵の等級（評点）も判定する。一方、疵候補が、鋼板１０の表面に付着した「油、水滴、軽い汚れ等」であり、製品の品質に影響を与えないものであれば、疵判定部２７は、当該疵候補を無害疵と判定する。そして、疵判定部２７は、疵検査の結果を疵データ記憶部２５に記憶されている疵データに対応付ける。
尚、学習モデルの詳細については、疵学習装置７についての説明を行う際に併せて説明する。

以上のようにして入力した画像データについて疵検査を行うと、疵判定部２７は、疵検査の結果（有害疵か無害疵かの判定結果、疵種（疵の種類や疵の等級等）の判定結果）と、ラベリング／特徴量計算部２４で求められた特徴量とを示す疵検出画像データを生成し、表示装置８に表示する。本実施形態では、疵判定部２７は、鋼板１０を模した画像の上に、疵を模した画像を重ね合わせた疵検出画像データ（マップ）を生成する。これにより、鋼板１０のどの場所にどのような疵が生じているのかを視覚的に検査員に認識させることができる。
疵判定部２７は、例えば、疵判定装置６のＣＰＵが、疵判定用のプログラムを実行することにより実現される。

疵データ出力判定部２８は、めっき製造ラインを制御・監視するプロセスコンピュータ等から入力されるめっき製造ラインの操業状態や日時等に基づいて、疵データ記憶部２５に記憶されている疵データを疵学習装置７に出力するタイミングであるか否かを判定する。本実施形態では、疵データ出力判定部２８は、所定の日から１ヶ月が経過する度に、その日の最初のコイル（めっき製造ラインでめっき処理が施された後に巻き取られた鋼鈑）についての疵データを疵学習装置７に出力すると判定するようにしている。ただし、疵データを疵学習装置７に出力するタイミングと、出力する疵データの内容は、このようなものに限定されない。例えば、コイルが製造される度に、そのコイルについての疵データを疵学習装置７に出力するようにしてもよいし、連続で１００本と制限を設けてもよい。また、１日毎に、その日の最後のコイルについての疵データを疵学習装置７に出力するようにしてもよい。
疵データ出力判定部２８は、例えば、疵判定装置６のＣＰＵが、疵データ出力用のプログラムを実行し、疵データを出力するタイミングであると判定することにより実現される。

疵データ出力部２９は、疵データ出力判定部２８により、疵データを疵学習装置７に出力すると判定されると、疵データ記憶部２５に記憶されている疵データのうち、予め設定された時に得られた疵データを疵学習装置７に送信する。前述したように本実施形態では、疵データ出力部２９は、所定の日時から１ヶ月が経過する度に、その日の最初のコイルについての疵データを疵学習装置７に送信する。
ここで、本実施形態では、疵データ出力部２９が出力する疵データについては、疵判定部２７による疵検査が行われおらず、当該疵データには、疵検査の結果が対応付けられていないものとする。
疵データ出力部２９は、例えば、疵判定装置６のデータ入出力制御装置が前述した処理を実行することにより実現される。

図３は、疵学習装置７が有する機能構成の一例を示すブロック図である。
図３において、疵データ取得部３１は、疵判定装置６から送信された疵データを受信して記憶する。そして、後述する教師データ生成部３２及び不確信データ抽出部３８の何れかに疵データを出力すると、その疵データを削除する。具体的に、疵データ取得部３１は、学習モデル記憶部３６に、学習モデルが記憶されているか否かを判定し、学習モデル記憶部３６に、学習モデルが記憶されていない場合には、疵判定装置６から送信された疵データを教師データ生成部３２に出力する。一方、学習モデル記憶部３６に、学習モデルが記憶されている場合には、疵データ取得部３１は、疵判定装置６から送信された疵データを不確信データ抽出部３８に出力する。
疵データ取得部３１は、例えば、疵学習装置７のデータ入出力制御装置が疵データを受信し、ＣＰＵが、前述した判定と出力の処理を行うことにより実現される。尚、ここでは、疵判定装置６から送信された疵データを受信するようにしているが、必ずしもこのようにする必要はない。例えば、ユーザが所有するリームーバブル記憶メディアに記憶された疵データを取得するようにしてもよい。

本実施形態の疵学習装置７では、教師付き学習を行うようにしている。教師付き学習とは、疵データ取得部３１で取得された疵データに対して、検査員が設定した"疵種に関する正解データ（教師データ）"を付与して学習モデルを生成（学習）するものである。ここで正解データは、例えば、次のようにして得られるものである。まず、種々の疵を含む多数の画像と、それらの画像に対応する実際の鋼鈑とを検査員が目視で確認（査定）して、疵の種類・等級等（疵種）を決定する。このようにして決定した内容に基づいて、当該画像における"疵種に関する情報（疵の種類や等級等）"を正解データとして疵学習装置７（コンピュータ）に登録する。

教師データ生成部３２は、学習モデル記憶部３６に、学習モデルが記憶されていない場合には、疵データ取得部３１で取得された全ての疵データに基づく画像を表示装置１０に表示させる。この画像が表示されると、検査員は、疵判定装置７のユーザインターフェースを用いて、疵種に関する複数個の疵データに対する正解データを入力する。教師データ生成部３２は、疵データ取得部３１で取得された全ての疵データの夫々に対して、入力された正解データを、当該正解データに対応する疵データに紐付けて付与する。
一方、教師データ生成部３２は、学習モデル記憶部３６に、学習モデルが記憶されている場合には、疵データ取得部３１で取得された疵データのうち、不確信データ抽出部３８で抽出された疵データの夫々に対して、前述したようにして入力された正解データを、当該正解データに対応する疵データに紐付けて付与する。
教師データ生成部３２は、例えば、疵学習装置７のＣＰＵが、ＲＡＭ等に記憶された疵データを読み出して前述した表示と入力の処理を行い、当該疵データと正解データとを相互に関連付けてＲＡＭ等に記憶することにより実現できる。

特徴量空間配置部３３は、正解データが付与された"疵種に関する複数個の疵データ"の夫々のデータ点（特徴量の値）を、各特徴量を座標軸とする座標空間（特徴量空間）に配置する。尚、後述する部分特徴量空間が既に生成されている場合、特徴量空間配置部３３は、その部分特徴量空間を生成する際に使用した疵データのデータ点も座標空間に配置する。
図４は、各特徴量を座標軸とする座標空間に、疵種に関する複数個の疵データのデータ点を配置した様子の一例を示す図である。尚、以下の説明では、このように"疵データのデータ点を座標空間に配置する"ことを、必要に応じて"疵データを座標空間に配置する"と称す。また、以下の説明では、正解データとして疵種「ＣＬ１」、「ＣＬ２」の２種の疵種に関する疵データが複数個、疵データ取得部３１から入力されたものとし、特徴量の種類は２０種であるとする。また、図４では、説明の便宜上、各特徴量ｆ２、ｆ７は規格化されているものとする。
特徴量空間配置部３３は、例えば、疵学習装置７のＣＰＵが、ＨＤＤ等に予め設定された全ての特徴量の組み合わせに基づく座標空間（特徴量空間）を生成し、当該座標空間に、ＲＡＭ等から読み出した疵データのデータ点を配置する処理を行い、その結果をＲＡＭ等に記憶することにより実現ででる。

特徴量組み合わせ判別部３４は、特徴量空間配置部３３により座標空間に、疵種「ＣＬ１」、「ＣＬ２」の正解データが付与された疵データのデータ点が配置されると、夫々のデータ点の配置位置に基づいて、それらの疵データの特徴量の値の領域が相互に重複しているか否かを判定する。この判定の結果、疵種「ＣＬ１」、「ＣＬ２」の正解データが付与された疵データの特徴量の値の領域が相互に重複していない場合、座標空間に配置したデータ点（特徴量の値）の組み合わせを、正解データである疵種「ＣＬ１」、「ＣＬ２」を完全に分離できる特徴量の値の組み合わせとして判別する。

すなわち、図４に示す例では、特徴量ｆ２、ｆ７のそれぞれを各座標軸とする座標空間に、白丸で表される疵種「ＣＬ１」に関する疵データと、黒丸で表される疵種「ＣＬ２」に関する疵データとが配置されている。そして、疵種「ＣＬ１」、「ＣＬ２」の疵データの位置は、座標空間上で一致していない。よって、疵種「ＣＬ１」、「ＣＬ２」は、特徴量ｆ２、ｆ７の夫々の値の領域により完全に分離することができる。すなわち、疵種「ＣＬ１」、「ＣＬ２」は、特徴量ｆ２、ｆ７の値の組み合わせによって特定することができる。
特徴量組み合わせ判別部３４は、例えば、疵学習装置７のＣＰＵが、座標空間（特徴量空間）に配置された疵データのデータ点に基づいて、疵種「ＣＬ１」、「ＣＬ２」の正解データが付与された疵データの特徴量の値の領域が相互に重複していないと判定すると、当該疵データを配置した座標空間の各座標軸（各特徴量）の値の組み合わせをＲＡＭ等に記憶することにより実現できる。

学習モデル生成・更新部３５は、特徴量組み合わせ判別部３４により判別された各特徴量の値の組み合わせと、正解データである疵種「ＣＬ１」、「ＣＬ２」とに基づいて、各特徴量の値の範囲の組（すなわち、座標空間内における領域）と疵種とを相互に対応付けるための１つ又は複数の部分特徴量空間を生成する。そして、学習モデル生成・更新部３５は、生成した部分特徴量空間を学習モデルとして学習モデル記憶部３６に記憶する。学習モデルを生成していない場合（学習モデル記憶部３６に学習モデルが記憶されていない場合）、学習モデル生成・更新部３５は、生成した学習モデルをそのまま学習モデル記憶部３６に記憶する。
図５は、学習モデルの一例を概念的に示す図である。
図５では、部分特徴量空間１、部分特徴量空間２、・・・、部分特徴量空間Ｌ（Ｌは３以上の整数）の集合として、学習モデル５１が生成された場合を例に挙げて示している。
ここで、部分特徴量空間１は、特徴量ｆ２、ｆ７の値の範囲の組と疵種「ＣＬ１」、「ＣＬ２」とを対応付けるためのものであり、特徴量ｆ２、ｆ７のそれぞれを座標軸とする。部分特徴量空間２は、特徴量ｆ１、ｆ３、ｆ７の値の範囲の組と疵種「ＣＬ１」、「ＣＬ２」とを対応付けるためのものであり、特徴量ｆ１、ｆ３、ｆ７のそれぞれを座標軸とする。部分特徴量空間Ｌは、特徴量ｆ４、ｆ６、ｆ９の値の範囲の組と疵種「ＣＬ１」、「ＣＬ２」とを対応付けるためのものであり、特徴量ｆ４、ｆ６、ｆ９のそれぞれを座標軸とする。

一方、学習モデルを生成している場合（学習モデル記憶部３６に学習モデルが記憶されている場合）、学習モデル生成・更新部３５は、既に記憶されている学習モデル（部分特徴量空間）を、生成した学習モデル（部分特徴量空間）に書き換える。
図６は、学習モデル（部分特徴量空間）が更新される様子の一例を概念的に示す図である。

図６に示す例では、今回の学習によって、部分特徴量空間２が削除され、部分特徴量空間Ｌ＋１が追加されている。すなわち、前回の学習モデルを生成する際に取得した疵データでは、特徴量ｆ１、ｆ３、ｆ７で疵種「ＣＬ１」、「ＣＬ２」を完全に分離できたが、今回の学習モデルを生成する際に取得した疵データを加えると、特徴量ｆ１、ｆ３、ｆ７では疵種「ＣＬ１」、「ＣＬ２」を完全に分離できなくなったことになる。また、前回の学習モデルを生成する際に取得した疵データでは、特徴量ｆ５、ｆ８、ｆ９では疵種「ＣＬ１」、「ＣＬ２」を完全に分離できなかったが、今回の学習モデルを生成する際に取得した疵データを加えると、特徴量ｆ５、ｆ８、ｆ９で疵種「ＣＬ１」、「ＣＬ２」を完全に分離できたことになる。
学習モデル生成・更新部３５は、例えば、疵学習装置７のＣＰＵが、疵データを配置した座標空間の各座標軸（各特徴量）の値の組み合わせのデータをＲＡＭ等から読み出し、読み出したデータから、部分特徴量空間を生成して、ＨＤＤ等を用いて実現できる学習モデル記憶部３６に記憶することにより実現できる。

学習モデル出力部３７は、学習モデル記憶部３６に新たな学習モデルが記憶されると、その学習モデルを疵判定装置６に送信する。
学習モデル出力部３７は、例えば、疵学習装置７のデータ入出力制御装置がこのようなデータの出力処理を実行することにより実現される。

ここで、学習モデルを用いた学習（図２に示した疵判定装置６の疵判定部２５）の一例ついて説明する。
図７は、各疵データの疵種「ＣＬ１」、「ＣＬ２」を判定する処理の一例を概念的に示す図である。図７に示すように、予め設定された複数の特徴量ｆ１〜ｆ２０の値の組のうち、疵種「ＣＬ１」、「ＣＬ２」を完全に分離する特徴量の値の組と、疵種「ＣＬ１」、「ＣＬ２」とを相互に対応付けるための複数個（Ｌ個）の部分特徴量空間の集合として学習モデルが生成される。

図７に示す例では、疵判定装置６の疵判定部２５は、疵データ記憶部２５に記憶されている疵候補の疵データの夫々について、学習モデルを適用して（すなわち疵データを学習モデルに含まれる各部分特徴量空間に配置して）、部分特徴量空間１〜Ｌの夫々において、各疵データのデータ点の位置から、疵データが疵種「ＣＬ１」、「ＣＬ２」の何れに属するかの判断結果の情報を抽出する。
本実施形態では、部分特徴量空間１〜Ｌによる判断結果である疵種「ＣＬ１」、「ＣＬ２」の総数（すなわち、部分特徴量空間の総数）に対する疵種「Ｃ１」と判断された個数の割合が、ある閾値以上、例えば５０％以上である場合、疵判定装置６の疵判定部２５は、学習モデルを適用した疵データは、疵種「ＣＬ１」に属すものであると判定する。一方、部分特徴量空間１〜Ｌによる判断結果である疵種「ＣＬ１」、「ＣＬ２」の総数（部分特徴量空間の総数）に対する、疵種「ＣＬ１」と判断した部分特徴量空間の数の割合が、ある閾値未満、例えば５０％未満である場合、疵判定装置６の疵判定部２５は、学習モデルを適用した疵データは、疵種「ＣＬ２」に属すものであると判定する。
以上のように本実施形態では、学習モデルに疵データを適用した場合には、その疵データから疵種「ＣＬ１」、「ＣＬ２」の何れかが必ず得られるようにしている。

不確信データ抽出部３８は、学習モデル記憶部３６に記憶されている学習モデルを読み出す。そして、不確信データ抽出部３８は、疵データ取得部３１で取得された全ての疵データの夫々について学習モデルを適用する。そして、不確信データ抽出部３８は、部分特徴量空間の夫々における、各疵データのデータ点の位置から、疵データが疵種「ＣＬ１」、「ＣＬ２」の何れに属するかの判断結果の情報を抽出する。そして、不確信データ抽出部３８は、部分特徴量空間による判断結果である疵種「ＣＬ１」、「ＣＬ２」の総数（部分特徴量空間の総数）に対する、疵種「ＣＬ１」と判断した部分特徴量空間の数を、疵種「ＣＬ１」への投票率として導出する。不確信データ抽出部３８は、疵種「ＣＬ１」への投票率が、例えば、３０％以上７０％以下である場合、学習モデルを適用した疵データは、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い疵データであるとし、当該疵データを、正解データを付与する対象とする。一方、不確信データ抽出部３８は、疵種「ＣＬ１」への投票率が、例えば、３０％未満である場合、又は７０％を超える場合、学習モデルを適用した疵データを、正解データを付与する対象から除外する。

図８は、特徴量ｆｉ、ｆｊのそれぞれを座標軸とする特徴量空間における疵データの配置例を概念的に示す図である。
図８において、白丸で示している疵データは、疵種「ＣＬ１」に属する疵データを示し、黒丸で示している疵データは、疵種「ＣＬ２」に属するデータを示している。図８に示すように、白丸で示している疵データと、黒丸で示している疵データとが混在している領域８１に、疵種の判別対象となる疵データが配置された場合、当該疵データが、疵種「ＣＬ１」に属するのか、それとも疵種「ＣＬ２」に属するのかの学習モデルの判別結果の確信度（信頼度）が相対的に低くなる。このような疵データについては、学習モデルの更新に有用なデータであるので、正解データを与える。

一方、図８に示すように、白丸で示している疵データと、黒丸で示している疵データとが混在していない領域８２、８３に、疵種の判別対象となる疵データが配置された場合、当該疵データについては、学習モデルにおける疵種の判別結果に対する確信度が相対的に高いため、部分特徴量空間の決定に与える影響は小さい。よって、正解データを与えて学習モデルの更新に使用する必要性は低い。しかも、後述するように、このような疵データに正解データを与えて学習モデルの更新に使用すると、疵種の識別性能が低下する（［００６６］に記載の図１３の説明を参照）。
そこで、本実施形態では、前述したように、不確信データ抽出部３８は、疵データ取得部３１で取得された全ての疵データのうち、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い処理の領域に配置される疵データを、学習データの更新に使用する疵データとして抽出するようにしている。尚、図８では、特徴量空間における疵種「Ｃｌ１」、「ＣＬ２」の識別境界８４付近の領域８１が、学習モデルの判別結果の信頼度（すなわち確信度）が相対的に低くなる領域である場合を例に挙げて説明したが、このような領域は、このような境界付近以外にも存在し得る。

図９は、疵種「ＣＬ１」への投票率と、疵データの数（データ数）との関係の一例を示す図である。図９では、説明の便宜上、疵データの数（データ数）を規格化している。図９において、黒丸は、疵種が「ＣＬ２」であると確認（査定）された疵データを示し、白丸は、疵種が「ＣＬ１」であると確認（査定）された疵データを示す。
図９に示すグラフは、次のようにして得られる。まず、入手した疵データについて学習モデルを適用し、判断結果として疵種「ＣＬ１」を出力した部分特徴量空間の数を、部分特徴量空間の総数で除すことにより、疵種「ＣＬ１」への投票率を導出する。そして、当該疵データの疵種が「ＣＬ１」及び「ＣＬ２」の何れであるのを検査員が目視で確認（査定）する。このような疵種「ＣＬ１」への投票率の導出と、疵種の確認とを、入手した全ての疵データについて行い、各投票率において、疵種が「ＣＬ１」であると査定された疵データの数を求め、図９に示す黒丸をプロットする。同様に、各投票率において、疵種が「ＣＬ２」であると査定された疵データの数を求め、図９に示す黒丸をプロットする。
図９に示す例では、疵種「ＣＬ１」への投票率が３０％以上７０％以下の範囲である場合に、疵種が「ＣＬ１」であると査定された疵データと、疵種が「ＣＬ２」であると査定された疵データとが相対的に数多く含まれている。したがって、ここでは、この範囲内の疵データを、学習データの更新に使用する疵データとして不確信データ抽出部３８が抽出するようにしている。ただし、学習データの更新に使用する疵データとして抽出するための疵種「ＣＬ１」への投票率の範囲は、３０％以上７０％以下の範囲に限定されるものではなく、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い（とみなせる）領域に配置される疵データを抽出することを主旨としていれば、どのような範囲であってもよい。具体的には、図１３のごとく学習モデルの性能を評価し、最も高い疵種一致率が得られるような範囲を設定すれば良い。また、不確信データを抽出するために、必ずしも図９に示すグラフを作成する必要はない。すなわち、疵データの疵種が「ＣＬ１」及び「ＣＬ２」の何れであるのを検査員が目視で確認（査定）する必要はなく、学習モデルを適用した場合の判定結果だけを当該疵データを抽出する手段とする。本実施形態では、ある疵種について、それぞれの部分特徴量空間から出力された疵種が複数ある場合に、当該疵データを抽出することを最低限の条件とする。さらに、本実施形態では、ある疵種について、それぞれの部分特徴量空間から出力された疵種が複数あり、且つ、それら複数の疵種のうち、特定の疵種の存在割合が、所定の範囲内である場合に、当該疵データを抽出することを追加の条件とする。

前述したように、学習モデル記憶部３６に学習モデルが記憶されている場合には、不確信データ抽出部３８で抽出された疵データについてのみ、教師データ生成部３２において正解データが付与される。
不確信データ抽出部３８は、例えば、疵学習装置７のＣＰＵが、ＲＡＭ等に記憶された疵データを読み出すと共に、ＨＤＤ等に記憶された学習モデルを読み出し、当該疵データに対して学習モデルを適用し、疵種「ＣＬ１」への投票率が、ＨＤＤ等に予め設定された範囲内である疵データを学習モデルの更新に使用する疵データとしてＲＡＭ等に記憶することにより実現できる。

次に、図１０のフローチャートを参照しながら、疵判定装置６の動作の一例を説明する。
まず、ステップＳ１において、画像入力部２１は、撮像装置５から画像データを入力したか否かを判定する。この判定の結果、撮像装置５から画像データを入力していない場合には、後述するステップＳ１４に進む。
一方、撮像装置５から画像データを入力した場合には、ステップＳ２に進み、ラベリング／特徴量計算部２４は、シェーディング補正部２２及び二値化部２３により処理が行われた画像データに対して、ラベリング処理を行った後、特徴量を計算する。そして、ラベリング／特徴量計算部２４は、計算した特徴量を含む疵データを、当該特徴量を有する疵が存在する"鋼鈑１０上の位置"のデータと対応付けて（すなわち紐つけて）、疵データ記憶部２５に記憶する。

次に、ステップＳ３において、疵データ出力判定部２８は、疵データ記憶部２５に記憶されている疵データを疵学習装置７に出力するタイミングであるか否かを判定する。前述したように、本実施形態では、所定の日から１ヶ月が経過する度に、その日の最初のコイル（めっき製造ラインでめっき処理が施された後に巻き取られた鋼鈑）についての疵データを疵学習装置７に出力するようにしている。この判定の結果、疵データを疵学習装置７に出力するタイミングである場合には、ステップＳ４に進む。一方、疵データを疵学習装置７に出力するタイミングでない場合には、ステップＳ４を省略して後述するステップＳ５に進む。
ステップＳ４に進むと、疵データ出力部２９は、疵データ記憶部２５に記憶されている疵データのうち、所定の日の最初のコイルについて得られた全ての疵データを疵学習装置７に送信する。そして、ステップＳ５に進む。

ステップＳ５に進むと、疵判定部２７は、ステップＳ２で得られた疵データに対して学習モデルを適用するか否かを判定する。例えば、学習モデルが取得されていない場合や、ステップＳ４で疵データを出力した場合に、ステップＳ２で得られた疵データに対して学習モデルを適用しないと判定する。この判定の結果、ステップＳ２で得られた疵データに対して学習モデルを適用する場合には、ステップＳ６に進む。一方、ステップＳ２で得られた疵データに対して学習モデルを適用しない場合には、ステップＳ１に戻る。
一般的に、装置の初期調整段階において査定すべき疵データを収集するときにはステップＳ５で学習モデルを適用しないと判定する。 ステップＳ６に進むと、疵判定部２７は、ステップＳ２で得られた疵データの１つを選択する。
次に、ステップＳ７において、疵判定部２７は、ステップＳ６で選択した疵データについて、取得している学習モデルを適用し、学習モデルに含まれている各部分特徴量空間から疵種「ＣＬ１」、「ＣＬ２」の何れかの情報を得る。

次に、ステップＳ８において、疵判定部２７は、ステップＳ４の実行結果である疵種「ＣＬ１」、「ＣＬ２」の総数（すなわち、部分特徴量空間の総数）に対する疵種「ＣＬ１」の個数の割合を判定する。この判定の結果、疵種「ＣＬ１」、「ＣＬ２」の総数に対する疵種「Ｃ１」の個数の割合が５０％以上である場合には、ステップＳ９に進み、疵判定部２７は、ステップＳ６で選択した疵データは疵種「ＣＬ１」に属すものであると判断する。そして、後述するステップＳ１１に進む。
一方、疵種「ＣＬ１」、「ＣＬ２」の総数に対する疵種「ＣＬ１」の個数の割合が５０％未満である場合には、ステップＳ１０に進み、疵判定部２７は、ステップＳ６で選択した疵データは疵種「ＣＬ２」に属すものであると判断する。そして、ステップＳ１１に進む。

ステップＳ１１に進むと、疵判定部２７は、ステップＳ６で選択した疵データと、当該疵データについてステップＳ９、Ｓ１０で判断された疵種「ＣＬ１」又は「ＣＬ２」のデータとを相互に対応付けて疵データ記憶部２５に記憶する。
次に、ステップＳ１２において、疵判定部２７は、ステップＳ２で得られた疵データの全てについて疵種の判別を行ったか否かを判定する。この判定の結果、疵データの全てについて疵種の判別を行っていない場合には、ステップＳ６に戻り、疵判定部２７は、未選択の疵データを１つ選択する。そして、疵データの全てについて疵種の判別を行うまで、ステップＳ６〜Ｓ１２の処理を繰り返し行う。
以上のようにして、ステップＳ１で入力した画像データから得られる疵データの全てについて疵種の判別が行われると、ステップＳ１３に進む。ステップＳ１３に進むと、疵判定部２７は、疵を模した画像を重ね合わせた疵検出画像データ（マップ）を生成し、表示装置８に表示する。そして、図１０のフローチャートによる処理を終了する。

ステップＳ１において、撮像装置５から画像データを入力していないと判定されると、ステップＳ１４に進む。ステップＳ１４に進むと、学習モデル取得部２６は、疵学習装置７から学習モデルを取得したか否かを判定する。この判定の結果、学習モデルを取得していない場合には、ステップＳ１に戻る。
一方、学習モデルを取得している場合には、ステップＳ１５に進み、学習モデル取得部２６は、ステップＳ１４で取得したと判定された学習モデルと同種の学習モデルを既に登録済みであるか否かを判定する。

この判定の結果、ステップＳ１４で取得したと判定された学習モデルと同種の学習モデルを登録済みでない場合には、ステップＳ１６に進む。ステップＳ１６に進むと、疵判定部２７は、ステップＳ１６で取得された学習モデルを新規登録する。そして、ステップＳ１に戻る。
一方、ステップＳ１４で取得したと判定された学習モデルと同種の学習モデルを既に登録済みである場合には、ステップＳ１７に進む。ステップＳ１７に進むと、疵判定部２７は、登録済みである学習モデルをステップＳ１４で取得したと判定された学習モデルに書き換える。そして、ステップＳ１に戻る。

次に、図１１のフローチャートを参照しながら、疵学習装置７の動作の一例を説明する。
まず、ステップＳ１０１において、疵データ取得部３１は、疵判定装置６から送信された疵データを受信するまで待機する。尚、このステップＳ１０１では、所定の日の最初のコイルについて得られた全ての疵データを一度に受信する。そして、疵データを受信すると、ステップＳ１０２に進む。ステップＳ１０２に進むと、疵データ取得部３１は、学習モデル記憶部３６に、学習モデルが記憶されているか否かを判定する。この判定の結果、学習モデル記憶部３６に、学習モデルが記憶されている場合には、後述するステップＳ１１０に進む。
一方、学習モデル記憶部３６に、学習モデルが記憶されていない場合には、ステップＳ１０３に進む。ステップＳ１０３に進むと、教師データ生成部３２は、ステップＳ１０１で受信した全ての疵データの夫々に対して正解データを付与する。
次に、ステップＳ１０４において、特徴量空間配置部３３は、複数の特徴量の組み合わせを１つ選択する。

次に、ステップＳ１０５において、特徴量空間配置部３３は、正解データが付与された"疵種に関する複数個の疵データ"の夫々のデータ点（特徴量の値）を、ステップＳ１０４で選択した各特徴量のそれぞれを座標軸とする座標空間（特徴量空間）に配置する。そして、特徴量空間配置部３３は、それらの疵データの夫々のデータ点（特徴量の値）の領域が相互に重複しているか否かを判定する。この判定の結果、疵データの夫々のデータ点（特徴量の値）の領域が相互に重複している場合には、ステップＳ１０６を省略して後述するステップＳ１０７に進む。
一方、疵データの夫々のデータ点（特徴量の値）の領域が相互に重複していない場合には、ステップＳ１０６に進む。ステップＳ１０６に進むと、特徴量組み合わせ判別部３４は、ステップＳ１０５で座標空間に配置したデータ点（特徴量の値）の組み合わせを、正解データである疵種「ＣＬ１」、「ＣＬ２」を完全に分離できる特徴量の値の組み合わせであると判別する。そして、特徴量組み合わせ判別部３４は、ステップＳ１０５で座標空間に配置したデータ点（特徴量の値）の組み合わせを記憶する。

次に、ステップＳ１０７において、特徴量空間配置部３３は、全ての特徴量の組み合わせを選択したか否かを判定する。この判定の結果、全ての特徴量の組み合わせを選択していない場合には、ステップＳ１０４に戻り、特徴量空間配置部３３は、未選択の特徴量の組み合わせを１つ選択する。そして、全ての特徴量の組み合わせについて処理が終了するまで、ステップＳ１０４〜Ｓ１０７の処理を繰り返し行う。
全ての特徴量の組み合わせについて処理が終了すると、ステップＳ１０８に進む。ステップＳ１０８に進むと、学習モデル生成・更新部３５は、ステップＳ１０６で記憶された特徴量の値の組み合わせと、正解データである疵種「ＣＬ１」、「ＣＬ２」とに基づいて、各特徴量の値の組（すなわち、座標空間内における領域）と疵種とを相互に対応付けるための１つ又は複数の部分特徴量空間を生成する。そして、学習モデル生成・更新部３５は、生成した部分特徴量空間を学習モデルとして学習モデル記憶部３６に記憶する。

次に、ステップＳ１０９において、学習モデル出力部３７は、ステップＳ１０８で生成された学習モデルを疵判定装置６に送信する。そして、ステップＳ１０１に戻る。
ステップＳ１０２において、学習モデル記憶部３６に、学習モデルが記憶されていると判定された場合には、ステップＳ１１０に進む。ステップＳ１１０に進むと、不確信データ抽出部３８は、ステップＳ１０１で受信した全ての疵データの１つを選択する。
次に、ステップＳ１１１において、不確信データ抽出部３８は、ステップＳ１１０で選択した疵データに対して、学習モデルを適用する。
次に、ステップＳ１１２において、不確信データ抽出部３８は、ステップＳ１１１で学習モデルを適用した結果に基づいて、疵種「ＣＬ１」への投票率ＶＲを導出し、疵種「ＣＬ１」への投票率ＶＲが、３０％以上７０％以下であるか否かを判定する。この判定の結果、疵種「ＣＬ１」への投票率ＶＲが、３０％以上７０％以下でない場合には、ステップＳ１１０で選択した疵データは、学習データの更新に有用な疵データではないので、ステップＳ１１３を省略して後述するステップＳ１１４に進む。

一方、疵種「ＣＬ１」への投票率ＶＲが、３０％以上７０％以下である場合には、ステップＳ１１３に進む。ステップＳ１１３に進むと、不確信データ抽出部３８は、ステップＳ１１０で選択した疵データを、学習データの更新に有用な疵データとして一時的に記憶する。そして、ステップＳ１１４に進む。
ステップＳ１１４に進むと、不確信データ抽出部３８は、ステップＳ１０１で受信した全ての疵データを選択したか否かを判定する。この判定の結果、ステップＳ１０１で受信した全ての疵データを選択していない場合には、ステップＳ１１０に戻り、不確信データ抽出部３８は、未選択の疵データを１つ選択する。そして、ステップＳ１０１で受信した全ての疵データについて処理が終了するまで、ステップＳ１１０〜Ｓ１１４の処理を繰り返し行う。

ステップＳ１０１で受信した全ての疵データについて処理が終了すると、ステップＳ１１５に進み、教師データ生成部３２は、ステップＳ１１３で記憶した疵データの夫々に対して正解データを付与する。
次に、ステップＳ１１６において、特徴量空間配置部３３は、複数の特徴量の組み合わせを１つ選択する。
次に、ステップＳ１１７において、特徴量空間配置部３３は、正解データが付与された"疵種に関する複数個の疵データ"の夫々のデータ点（特徴量の値）を、ステップＳ１１５で選択した各特徴量を座標軸とする座標空間（特徴量空間）に配置する。尚、前述したように、このステップＳ１１７では、今回ステップＳ１１５で正解データが付与された疵データのデータ点（特徴量の値）に加えて、それまでにステップＳ１０３、Ｓ１１５で正解データが付与された疵データのデータ点（特徴量の値）も座標空間（特徴量空間）に配置する。そして、特徴量空間配置部３３は、それらの疵データの夫々のデータ点（特徴量の値）の領域が相互に重複しているか否かを判定する。この判定の結果、疵データの夫々のデータ点（特徴量の値）の領域が相互に重複していない場合には、後述するステップＳ１２０に進む。

一方、疵データの夫々のデータ点（特徴量の値）の領域が相互に重複している場合には、ステップＳ１１８に進む。ステップＳ１１８に進むと、特徴量組み合わせ判別部３４は、ステップＳ１１６で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせであるか否かを判定する。この判定の結果、ステップＳ１１６で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせでない場合には、部分特徴量空間を削除する必要はないので、ステップＳ１１９を省略して後述するステップＳ１２２に進む。一方、ステップＳ１１６で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせである場合には、ステップＳ１１９に進み、特徴量組み合わせ判別部３４は、ステップＳ１１８で登録されていると判定された部分特徴量空間を学習モデルから削除する。図６に示す例では、部分特徴量空間２がこのステップＳ１１９で削除される。そして、後述するステップＳ１２２に進む。

ステップＳ１１７において、疵データの夫々のデータ点（特徴量の値）の領域が相互に重複していないと判定された場合には、ステップＳ１２０に進む。ステップＳ１２０に進むと、特徴量組み合わせ判別部３４は、ステップＳ１１６で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせであるか否かを判定する。この判定の結果、ステップＳ１１６で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせである場合には、部分特徴量空間を追加する必要はないので、ステップＳ１２１を省略して後述するステップＳ１２２に進む。一方、ステップＳ１１６で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせでない場合には、ステップＳ１２１に進み、特徴量組み合わせ判別部３４は、ステップＳ１１８で登録されていると判定された部分特徴量空間を学習モデルに追加する。図６に示す例では、部分特徴量空間Ｌ＋１が、このステップＳ１２１で追加される。そして、ステップＳ１２２に進む。

ステップＳ１２２に進むと、特徴量空間配置部３３は、全ての特徴量の組み合わせを選択したか否かを判定する。この判定の結果、全ての特徴量の組み合わせを選択していない場合には、ステップＳ１１６に戻り、特徴量空間配置部３３は、未選択の特徴量の組み合わせを１つ選択する。そして、全ての特徴量の組み合わせについて処理が終了するまで、ステップＳ１１６〜Ｓ１２２の処理を繰り返し行う。
全ての特徴量の組み合わせについて処理が終了すると、ステップＳ１２３に進む。ステップＳ１２３に進むと、学習モデル生成・更新部３５は、ステップＳ１１９、Ｓ１２１の結果に基づいて学習モデルを更新し、更新した学習モデルを学習モデル記憶部３６に記憶する。
次に、ステップＳ１２４において、学習モデル出力部３７は、ステップＳ１２３で更新された学習モデルを疵判定装置６に送信する。そして、ステップＳ１０１に戻る。

図１２は、各月における学習モデルの生成・更新に使用した疵データの数（データ数）の一例を示す図である。図１２では、めっき製造ラインで製造されためっき鋼板１０に生じている疵が、２種類の疵種「ＣＬ１」と「ＣＬ２」の何れであるかを調査した結果である。また、ここでは、特徴量の種類を２０種類としている。また、尚、各月において、約６００個の疵データを疵学習装置７に新たに入力している。
図１２において、黒塗りのグラフは、本実施形態のように、最初の月（１月）を除いて、学習モデルにおける疵種の判別結果に対する確信度が低い疵データだけを学習モデルの更新に用いた場合のデータ数を示す。一方、白抜きのグラフは、全ての月において、全ての疵データを学習モデルの更新に用いた場合のデータ数を示す。図１２に示すように、本実施形態のようにすれば、学習モデルの更新を行えば行うほど、更新に用いる疵データの数を削減することができることが分かる。図１２に示す例では、８月では、本実施形態のようにすれば、全ての疵データを学習モデルの更新に用いる場合に比べて、更新に用いる疵データの数を約１／３にすることができた。

図１３は、各月における疵種一致率の一例を示す図である。図１３では、図１２に示した結果が得られたものと同じ疵データを処理した結果を示している。ここで、疵種一致率とは、ある疵について疵判定装置６で疵種を判定した結果と、当該疵を検査員が目視で確認した結果とが一致した割合を示す。
図１３において、グラフ１３１は、本実施形態のように、最初の月（１月）を除いて、学習モデルにおける疵種の判別結果に対する確信度が低い疵データだけを学習モデルの更新に用いた場合の疵種一致率を示す。一方、グラフ１３２は、全ての月において、全ての疵データを学習モデルの更新に用いた場合の疵種一致率を示す。図１３に示すように、本実施形態のようにすれば、疵種の識別性能を向上させることができることが分かる。これは、全ての疵データを学習モデルの更新に用いると、学習モデルが過学習の状態になり、疵種が未知の疵データに対する汎化性が劣るためであると考えられる。また、正解データを付与する疵データが多くなりすぎると、疵データに対して検査員が設定する正解データに誤りが発生する可能性が高くなると考えられる。特に、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が高い領域に配置される疵データに対して設定する正解データに誤りがあった場合の方が、確信度が低い領域に配置される疵データに対して設定する正解データに誤りがあった場合よりも学習モデルの成長に、より悪影響を及ぼすと考えられる。

以上のように本実施形態では、疵種「ＣＬ１」、「ＣＬ２」を完全に分離する特徴量の値の範囲の組と、疵種「ＣＬ１」、「ＣＬ２」とを相互に対応付けるための複数個（Ｌ個）の部分特徴量空間の集合として学習モデルを生成する。そして、入力された疵データのうち、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い疵データだけを用いて、学習モデルを更新する。したがって、学習モデルの更新に有用な疵データを自動的に選択することができる。これにより、検査員による正解データの設定作業を軽減することができ、誤った正解データを疵データに設定してしまうことを防止することができる。よって、疵判定装置６における疵種の判別性能を向上させることができ（すなわち、学習モデルの信頼性を向上させることができ）、疵判定装置６の性能を長期間にわたって自動的に維持することが可能になる。その結果、疵判定装置６が安定的に稼働し、疵判定装置６の機能が、長期的に、鋼板全体にわたって発揮される。

尚、本実施形態では、めっき製造ラインで製造されためっき鋼板１０が疵検査対象物である場合を例に挙げて説明したが、疵検査対象物は、金属であれば、どのようなものであってもよい。
また、本実施形態では、疵種の種類が「２」、特徴量の種類が「２０」である場合を例に挙げて説明したが、疵種の種類は３以上であってもよいし、特徴量の種類は、２以上であれば幾つであってもよい。

また、本実施形態では、疵種「ＣＬ１」への投票率に基づいて、学習モデルを更新する際に使用する疵データを抽出する場合を例に挙げて説明した。しかしながら、学習モデルを更新する際に使用する疵データを抽出する基準は、このようなものに限定されない。例えば、学習モデルとして、サポートベクタマシン（ＳＶＭ）のように、特徴量空間における疵種の識別境界からの距離Ｄで疵種を判別するアルゴリズムを用いた場合には、例えば、次のようにすることができる。すなわち、入力された疵データ（学習モデルに使用するか否かを判定する対象となる「疵種が未知の疵データ」）のうち、−Ｘ＜Ｄ＜Ｘ（Ｘは正数）の範囲内にある疵データを、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い疵データとし、入力された疵データのうち、この疵データのみを、学習モデルの更新に使用することができる。また、学習モデルとして、最近傍法のように、疵種が未知の疵データの近傍に存在する学習データ（疵種が与えられた疵データ）の疵種と数とから、疵種が未知の疵データの疵種を判別するアルゴリズムを用いた場合には、例えば、次のようにすることができる。すなわち、ｋ最近傍法では入力した疵データから近い順にｋ個の事例を見つける。ｋ個の事例のうち最も多数を占めるクラスに入力した疵データが分類される。ここで、ｋ個のデータの中でクラスＣＬ１とＣＬ２の個数の割合が近ければ確信度が低いと言える。学習モデルにおける疵種の判別結果に対する確信度が低い疵データを求め、入力された疵データのうち、この疵データのみを、学習モデルの更新に使用することができる。

尚、本実施形態では、例えば、図２の疵データ取得部３１を用いることにより取得手段の一例が実現され、教師データ生成部３２を用いることにより付与手段の一例が実現され、特徴量空間配置部３３、特徴量組み合わせ判別部３４及び学習モデル生成・更新部３５を用いることにより、生成手段の一例が実現される。また、例えば、不確信データ抽出部３８を用いることにより、抽出手段の一例が実現される。また、例えば、特徴量空間配置部３３、特徴量組み合わせ判別部３４、学習モデル生成・更新部３５を用いることにより更新手段の一例が実現される。
また、例えば、図１１のステップＳ１０１の処理を実行することにより、取得工程の一例が実現され、ステップＳ１０３、Ｓ１１５の処理を実行することにより、付与工程の一例が実現され、ステップＳ１０４〜Ｓ１０８の処理を実行することにより、生成工程の一例が実現される。また、例えば、図１１のステップＳ１１０〜Ｓ１１４の処理を実行することにより、抽出工程の一例が実現され、ステップＳ１１６〜Ｓ１２３の処理を実行することにより、更新工程の一例が実現される。
また、特定の疵種の一例は疵種「ＣＬ１」であり、所定の範囲の一例は３０％≦ＶＲ≦７０％（ＶＲは投票率）である。

尚、以上説明した本発明の実施形態は、コンピュータがプログラムを実行することによって実現することができる。また、プログラムをコンピュータに供給するための手段、例えばかかるプログラムを記録したＣＤ−ＲＯＭ等のコンピュータ読み取り可能な記録媒体、又はかかるプログラムを伝送する伝送媒体も本発明の実施の形態として適用することができる。また、前記プログラムを記録したコンピュータ読み取り可能な記録媒体などのプログラムプロダクトも本発明の実施の形態として適用することができる。前記のプログラム、コンピュータ読み取り可能な記録媒体、伝送媒体及びプログラムプロダクトは、本発明の範疇に含まれる。
また、以上説明した本発明の実施形態は、何れも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。

１ 帯状鋼板
２ 搬送ロール
３ ロータリーエンコーダ
４ 照明装置
５ 撮像装置
６ 疵判定装置
７ 疵学習装置
８、９ 表示装置
１０ めっき鋼板

Claims (5)

1. 検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得手段と、
   前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与手段と、
   前記取得手段により取得された疵データの特徴量の値であって、前記付与手段により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成手段と、
   前記取得手段により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出手段と、
   前記生成手段により生成された学習モデルを更新する更新手段と、を有し、
   前記付与手段は、前記更新手段により前記学習モデルを更新する際には、前記取得手段により取得された疵データのうち、前記抽出手段により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、
   前記更新手段は、前記抽出手段により抽出された疵データの特徴量の値であって、前記付与手段により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とする疵学習装置。
2. 前記学習モデルは、複数の疵種を分離できる特徴量の値の範囲の組と、当該複数の疵種とを相互に対応付けるための複数の部分特徴量空間であって、それぞれが、疵データの特徴量の値の組が与えられると、当該疵データの特徴量の値の組の部分特徴量空間における位置に基づいて、一の疵種を、疵種の判別結果として出力する複数の部分特徴量空間を有し、
   前記抽出手段は、前記取得手段により取得された疵データの特徴量の値の組を前記複数の部分特徴量空間に与えることによりそれぞれの部分特徴量空間から判別結果として出力された疵種が複数あり、且つ、前記部分特徴量空間の総数に対する、当該複数の疵種のうちの特定の疵種の数が、所定の範囲にある場合に、当該疵データを、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データとして抽出することを特徴とする請求項１に記載の疵学習装置。
3. 検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得工程と、
   前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与工程と、
   前記取得工程により取得された疵データの特徴量の値であって、前記付与工程により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成工程と、
   前記取得工程により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出工程と、
   前記生成工程により生成された学習モデルを更新する更新工程と、を有し、
   前記付与工程は、前記更新工程により前記学習モデルを更新する際には、前記取得工程により取得された疵データのうち、前記抽出工程により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、
   前記更新工程は、前記抽出工程により抽出された疵データの特徴量の値であって、前記付与工程により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とする疵学習方法。
4. 前記学習モデルは、複数の疵種を分離できる特徴量の値の範囲の組と、当該複数の疵種とを相互に対応付けるための複数の部分特徴量空間であって、それぞれが、疵データの特徴量の値の組が与えられると、当該疵データの特徴量の値の組の部分特徴量空間における位置に基づいて、一の疵種を、疵種の判別結果として出力する複数の部分特徴量空間を有し、
   前記抽出工程は、前記取得工程により取得された疵データの特徴量の値の組を前記複数の部分特徴量空間に与えることによりそれぞれの部分特徴量空間から判別結果として出力された疵種が複数あり、且つ、前記部分特徴量空間の総数に対する、当該複数の疵種のうちの特定の疵種の数が、所定の範囲にある場合に、当該疵データを、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データとして抽出することを特徴とする請求項３に記載の疵学習方法。
5. 検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得工程と、
   前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与工程と、
   前記取得工程により取得された疵データの特徴量の値であって、前記付与工程により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成工程と、
   前記取得工程により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出工程と、
   前記生成工程により生成された学習モデルを更新する更新工程と、をコンピュータに実行させ、
   前記付与工程は、前記更新工程により前記学習モデルを更新する際には、前記取得工程により取得された疵データのうち、前記抽出工程により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、
   前記更新工程は、前記抽出工程により抽出された疵データの特徴量の値であって、前記付与工程により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とするコンピュータプログラム。

Images