JP2020153764A - 学習モデルの生成方法、学習モデル、検査装置、異常検出方法、及びコンピュータプログラム - Google Patents
学習モデルの生成方法、学習モデル、検査装置、異常検出方法、及びコンピュータプログラム Download PDFInfo
- Publication number
- JP2020153764A JP2020153764A JP2019051400A JP2019051400A JP2020153764A JP 2020153764 A JP2020153764 A JP 2020153764A JP 2019051400 A JP2019051400 A JP 2019051400A JP 2019051400 A JP2019051400 A JP 2019051400A JP 2020153764 A JP2020153764 A JP 2020153764A
- Authority
- JP
- Japan
- Prior art keywords
- inspection
- inspection object
- image
- abnormality
- absence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/18—Investigating the presence of flaws defects or foreign matter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
Landscapes
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Pathology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Toxicology (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
Description
検査物の形状の異常の有無は、検査画像のブロブ(塊)の面積及び周囲長に基づいて行っていた。ブロブを構成する画素をカウントすることにより、ブロブの面積が算出され、ブロブの周囲を形成する背景画素の配列に基づき、ブロブの周囲長が算出される(例えば特許文献1等)。
検査物の形状の異常を検出する場合においても、同様に、ブロブの画素と背景画素との画素値の差異が小さく、エッジが明瞭でなく、正確に検出できない場合があった。
従って、形状の異常、異物の有無等の異常有無情報を精度良く検出できる。
(実施の形態1)
図1は実施の形態1に係る異常検出システム10の構成を示す斜視図、図2は異常検出システム10の構成を示すブロック図である。
異常検出システム10は、検査装置としての情報処理装置1と、X線検査機2とを備える。本実施の形態においては、X線検査機2の搬送部(コンベア)6の搬送ベルト61上に分散した状態で検査物4を載置し、検査物4に対しX線を用いて撮像した画像に基づいて異常を検出する異常検出システム10について説明する。検査物4の一例として、種子、大豆等の食品が挙げられる。なお、検査物4は、食品には限定されず、ネジ、ゴルフボール等、画像により形状を検知できるものであればよい。検査物4は搬送ベルト61上に分散した状態で載置される場合に限定されず、包装材に収納されたものでもよく、トレイに載置されたものであってもよい。情報処理装置1とX線検査機2とは、一体化されていてもよい。
下側筐体23内に搬送部6が設けられている。搬送部6は、下側筐体23の長手方向の一端部の外側に上流側ローラ63が設けられ、他端部の外側に下流側ローラ62が設けられている。上流側ローラ63と下流側ローラ62の間には、上流側ローラ63及び下流側ローラ62よりも下側に、2つの下段ローラ64,65が設けられており、これらのローラに搬送ベルト61が架け渡されている。上流側ローラ63と下流側ローラ62のいずれか一方に、搬送モータ(不図示)からの駆動力が与えられ、被検査物を検査するときに、搬送ベルト61が時計周りに一定の速度Vで周回する。
上流側ローラ63と下流側ローラ62との間を移動する搬送ベルト61の下側にX線検知部7が設けられている。X線検知部7は、TDI(Time Delay Integration)カメラまたはTDIセンサと呼ばれるものであり、X線の強度に応じて蛍光を発するシンチレータと、シンチレータで発せられた蛍光を検知する多数のフォトダイオードとを有している。
本実施の形態では情報処理装置1がパーソナルコンピュータであるものとし、以下の説明では簡潔のためPC1と読み替える。
PC1は、X線検査機2を用いて検査物4を撮像した画像に基づく画像(検査画像)を異常検出モデル152に入力し、検査物4の異常の有無を示す識別結果を出力として取得する。PC1の制御部11が、異常検出モデル152からの指令に従って、入力層に入力された検査画像に対し演算を行い、識別結果を出力するように動作する。
以下、検査物4の異常の種類が形状の異常であり、PC1が異常検出モデル152に検査画像を入力し、ソフトマックス関数により正常の確率値及び異常の確率値を出力させ、異常の確率値を異常値として取得する場合につき説明する。
PC1は、取得した異常値に応じ、検査物4を廃棄するか否か等の選別を行う。
制御部11は、一又は複数のCPU(Central Processing Unit)、MPU(Micro-Processing Unit)、GPU(Graphics Processing Unit)等の演算処理装置を有し、補助記憶部15に記憶されたプログラムPを読み出して実行することにより、PC1に係る種々の情報処理、制御処理等を行う。図2の各機能部は、制御部11がプログラムPに基づいて動作することにより実行される。
画像生成部111は、検査物4を透過し、X線検知部7により検知されたX線に基づき、X線画像を生成する。
画像処理部112は、X線画像に対し平滑化フィルタ、特徴抽出フィルタ等により画像処理を行い、処理画像を生成する。
対象特定部113は、処理画像に基づいて、検査物4のブロブ解析を行い、ブロブを特定する。
切り出し部114は、ブロブが所定の大きさの矩形内に入るように切り出し、切り出し画像を生成する。
画像処理部115は、切り出し画像に対し、正規化等の処理を行い、検査画像を生成する。
選別部118は、検査物4の異常値を閾値と比較し、廃棄するか否かの選別を行ったり、搬送部6を停止させたり、検査物4をマーキングしたりする。選別部118は、例えば検査物4の異常値が0.5以上である場合、異常品とみなし、廃棄すると選別する。異常値の閾値は0.5である場合に限定されない。
再学習部119は、検査画像と、作業者から入力された異常検出モデル152の判断の良否の判定とを対応付けた教師データを用いて、異常検出モデル152を再学習する。
図4は、切り出し部114によるリサイズの処理の説明図である。
検査物4がバウンディングボックス41からはみ出ている場合は、制御部11の切り出し部114はリサイズを行い、検査物4がバウンディングボックス41内に収まるようにする。
制御部11は、複数の検査物4の検査画像40と、各検査画像40内における検査物4の前記異常を示す情報とを対応付けた教師データを取得する(S11)。
PC1の制御部11は、検査物4を透過し、X線検知部7により検知されたX線に基づき、X線画像を生成する(S21)。
制御部11は、X線画像に対し平滑化フィルタ、特徴抽出フィルタ等により画像処理を行い、処理画像を生成する(S22)。
制御部11は、処理画像に基づいて、検査物4のブロブ解析を行い、ブロブを特定する(S23)。
制御部11は、ブロブが所定の大きさの矩形内に入るように切り出し、切り出し画像を生成する(S24)。
制御部11は、切り出し画像に対し、正規化等の処理を行い、検査画像を生成する(S25)。
制御部11は、異常検出モデル152に検査画像を入力し、正常の確率値及び異常の確率値を出力させ、異常値を取得する(S26)。
制御部11は、異常値をディスプレイ22へ出力し、各検査物4の検査画像40をディスプレイ22において表示する(S27)。制御部11は、ディスプレイ22において、異常値が閾値以上である、異常の検査物4をバウンディングボックス42により包囲した状態で表示する。
制御部11は、検査物4の異常値及び検査画像IDに基づいて、廃棄するか否かの選別を行い(S28)、処理を終了する。
従って、形状の異常、異物の有無等の異常有無情報を精度良く検出できる。
作業者が目視による異常の検出を行う必要がなくなり、異常検出作業の効率化を図ることができる。
表示画面は、図9における左側の第1画面51と、右側の第2画面52とを有する。
制御部11は、第1画面51において、搬送ベルト61に分散して載置された複数の検査物4の位置(前記座標情報)に対応付けて、夫々青色のバウンディングボックス41により包囲された複数の検査画像40を表示する。制御部11は、第2画面52において、各検査画像40を前記検査画像ID順に並べて表示し、異常の検査画像40は赤色のバウンディングボックス42により包囲する。作業者は、検査画像40の行方向に順に移動するための「>」及び「<」からなる選択ボタン56により第2画面52のいずれかの検査画像40を選択できる。検査画像40はマウス等のポインティングデバイスにより選択してもよい。作業者が一の検査画像40を選択した場合、制御部11は、第1画面51において、対応する検査画像40を黄色のバウンディングボックスにより包囲した状態で表示する。
第2画面52は、他に、作業者により異常検出モデル152の推定結果(判断)が正しいと判定したときに押圧するOKボタン(操作ボタン)54、判断は正しくないと判定したときに押圧するNGボタン(操作ボタン)53、及び明度調整等の他の指示を入力するときのOtherボタン55を有する。
制御部11は所定数の検査画像40に基づき、良否の判定を受け付けたと判定した場合(S31:YES)、異常を検出した検査物4の検査画像40と、作業者から入力された制御部11の判断の良否とを対応付けた教師データを取得する(S32)。
制御部11は教師データを用いて、検査物4の検査画像を入力した場合に検査物4の異常有無情報を出力する異常検出モデル152を生成する(S33)。
以上により、再学習される。これにより、異常検出処理を継続するほど異常検出モデル152がアップデートされ、より正確な異常検出を行うことができるようになる
実施の形態2に係るPC1は、異常検出モデル152が、検査物4の形状の異常に加えて、異物の有無を検出すること以外は、実施の形態1に係るPCと同様の処理を行う。
図11は、異常検出モデル152の生成処理に関する説明図である。図6と同一部分は同一符号を付して詳細な説明を省略する。
PC1は、教師データである検査画像40を入力層に入力し、中間層での演算処理を経て、出力層から検査物4の異常の有無を示す識別結果を取得する。なお、出力層から出力される識別結果は、ソフトマックス関数を用いた場合、連続的な確率値(例えば「0」から「1」までの範囲の値)である。
実施の形態2においては、第2画面52に、Otherボタン55の代わりに、Changeボタン(第2の操作ボタン)57を有する。
作業者がChangeボタン57を押圧することにより、異常の種類が、「形状の異常」と「異物の有無」との間で切り替わる。異常の種類が「形状の異常」である場合、第1画面51及び第2画面52において、形状の異常を有する検査画像40は赤のバウンディングボックス42により包囲される。異常の種類が「異物の有無」に切り替わった場合、第1画面51及び第2画面52において、異物を有する検査画像40は、緑のバウンディングボックス42により包囲される。
制御部11は、異常の種類の切り替えを受け付けたか否かを判定する(S41)。始めに、異常の種類が「形状の異常」であり、形状の異常に基づく検査画像40がディスプレイ22に表示されており、異常の種類が「異物の有無」に切り替えられたとする。制御部11は異常の種類の切り替えを受け付けていないと判定した場合(S41:NO)、判定の処理を繰り返す。
異常の種類が「形状の異常」又は「異物の有無」から選択されている場合に、上記と同様にして作業者が選択した検査画像40につき、作業者による第2画面52のOKボタン53又はNGボタン54の押圧に基づき、制御部11の判断の良否の入力を受け付けることができる。
NGボタン54が押圧された場合、図14に示すように第1画面51に、夫々「正常」、「形状の異常」、及び「異物あり」を示すボタン58,59、60が表示される。作業者は検査画像40の実際の内容に対応するボタンを選択する。
PC1は、検査画像40と、作業者から入力された判断の良否とを教師データとして、異常検出モデル152の再学習を行うことができる。
図15は実施の形態3に係る異常検出システム20の構成を示すブロック図である。
実施の形態3に係る異常検出システム20は、制御部11が機能部として異常判定部(第2の取得部)120を有すること以外は、実施の形態1に係る異常検出システム10と同様の構成を有する。異常判定部120は、画像処理部115により生成された検査画像40に基づき、検査物4の形状の異常値を算出する。
本実施の形態に係る異常検出システム20においては、異常判定部120により算出した異常値に応じ、異常検出モデル152を用いて異常を検出する。
PC1の制御部11は、検査物4を透過し、X線検知部7により検知されたX線に基づき、X線画像を生成する(S51)。
制御部11は、X線画像に対し平滑化フィルタ、特徴抽出フィルタ等により画像処理を行い、処理画像を生成する(S52)。
制御部11は、処理画像に基づいて、検査物4のブロブ解析を行い、ブロブを特定する(S53)。
制御部11は、ブロブが所定の大きさの矩形内に入るように切り出し、切り出し画像を生成する(S54)。
制御部11は、切り出し画像に対し、正規化等の処理を行い、検査画像を生成する(S55)。
制御部11は、算出した異常値が0又は1であると判定した場合(S57:YES)、異常値が0であるか否かを判定する(S58)。制御部11は異常値が0であると判定した場合、即ち異常なしと判断した場合(S58:YES)、学習検査をスキップして処理を終了する。
制御部11は異常値が0でないと判定した場合(S58:NO)、即ち異常値が1であり、異常を有すると判定した場合、学習検査をスキップしてS60へ処理を進める。
PC1は、複数の画像処理アルゴリズムに基づいて、画像処理部115において検査画像40を生成するように構成し、各画像処理アルゴリズムに対応して夫々異常検出モデル152を生成してもよい。そして、異常判定部120により夫々の処理を施された検査画像40に基づく異常値を検出し、画像処理アルゴリズムに対応する異常検出モデル152により、異常を検出してもよい。
実施の形態4に係るX線検査機2は、異常品であると判断された検査物4を廃棄する構造を備えること以外は、実施の形態2に係るX線検査機2と同様の構成を有する。
図17は実施の形態4に係る異常検出システム30の構成を示す斜視図、図18は異常検出システム30の構成を示すブロック図である。図17及び図18中、図1及び図2と同一部分は同一符号を付して詳細な説明を省略する。
本実施の形態に係るX線検査機2においては、下側筐体23の下流側端部に、搬送ベルト61に向かうようにX方向に複数個のエアバルブ91を有する廃棄部9が設けられている。エアバルブ91には、X方向の端部から順に番号が付されている。
制御部11は、エアバルブ91を開閉する開閉部121を有する。
選別部(第2の出力部)118は、形状の異常、又は異物を有する異常品を選別し、検査物4の座標情報として、検査物4の載置位置に対応するエアバルブ91の番号を開閉部121へ出力する。開閉部121は、対応する番号のエアバルブ91を開く。これにより、異常品と選別された検査物4に対し、対応するエアバルブ91から該検査物4に向けてエアが噴出され、検査物4が搬送部6から弾き飛ばされる。
制御部11は、X線照射部3を用いて撮像された検査物4の画像に基づく検査画像40を取得し、異常検出モデル152に入力する。例えば制御部11は、検査画像40を取得するとともに、検査物4の座標情報として、検査物4の載置位置に対応するエアバルブ91の番号を取得する。
なお、座標情報としてエアバルブ91の番号を取得する代わりに、搬送ベルト61のX座標、Y座標を取得して、異常の検査物4を廃棄することにしてもよい。例えば画素に応じたX座標、Y座標を取得する場合、エアバルブ91の番号を取得する場合と比較して、廃棄する検査物4を絞り込むことができ、製品の歩留まりを上げることができる。
従って、形状の異常、異物の有無等の異常有無情報を精度良く検出できる。
従って、形状の異常、異物の有無等の異常有無情報を精度良く検出できる。
従って、形状の異常、異物の有無等の異常有無情報を精度良く検出できる。
作業者が目視による異常の検出を行う必要がなくなり、異常検出作業の効率化を図ることができる。
例えば、検査物は食品に限定されず、包装体、工業製品等であってもよい。
また、廃棄部はエアバルブ66からなる場合には限定されない。
検査物4に照射する電磁波はX線に限定されず、テラヘルツ波、赤外線及び可視光等であってもよい。
11 制御部
12 主記憶部
13 通信部
14 表示部
15 補助記憶部
P プログラム
151 検査画像DB
152 異常検出モデル
2 X線検査機
22 ディスプレイ
3 X線照射部
4 検査物
40 検査画像
41、42 バウンディングボックス
5 表示画面
6 搬送部
61 搬送ベルト
66 エアバルブ
7 X線検知部
71 検知ライン
Claims (14)
- 複数の検査物に電磁波を照射し、
各検査物を透過した電磁波に応じて取得した画像から抽出された一の検査物に対応する検査画像を取得し、
前記検査画像と前記検査物の異常の有無に関する異常有無情報とを含む教師データを取得し、
前記教師データに基づいて、複数の検査物に電磁波を照射し、各検査物を透過した電磁波に応じて取得した画像から抽出された一の検査物に対応する検査画像が入力された場合に、前記検査物の異常有無情報を出力する学習モデルを生成する
学習モデルの生成方法。 - 前記電磁波はX線であり、
該X線に応じて取得した画像から抽出された一の検査物に対応する検査画像を生成し、
生成した検査画像を含むバウンディングボックスを表示し、
前記バウンディングボックスに含まれる検査物の異常有無情報を表示する
請求項1に記載の学習モデルの生成方法。 - 検査物を含む検査画像と前記検査物の異常有無情報とを取得し、
前記検査画像及び前記異常有無情報に基づき、前記学習モデルを再学習する
請求項1又は2に記載の学習モデルの生成方法。 - 複数の検査物に電磁波を照射し、各検査物を透過した電磁波に応じて取得した画像から抽出された一の検査物に対応する検査画像が入力される入力層と、
前記検査物の異常の有無を示す異常有無情報を出力する出力層と、
複数の検査物に電磁波を照射し、各検査物を透過した電磁波に応じて取得した画像から抽出された一の検査物に対応する検査画像及び検査物の異常有無情報に基づいてパラメータが学習された中間層と
を備え、
複数の検査物に電磁波を照射し、各検査物を透過した電磁波に応じて取得した画像から抽出された一の検査物に対応する検査画像が入力された場合に、前記中間層による演算を経て前記検査物の異常有無情報を前記出力層から出力するように
コンピュータを機能させる学習モデル。 - 複数の検査物に電磁波を照射する照射部と、
各検査物を透過した電磁波に応じて取得した画像から抽出された一の検査物に対応する検査画像を取得する取得部と、
検査物を透過した電磁波に応じて取得した画像から抽出された一の検査物に対応する検査画像を入力した場合に検査物の異常の有無を示す異常有無情報を出力する学習モデルに、前記取得部により取得した検査画像を入力して、前記異常有無情報を取得する学習検査部と、
前記異常有無情報を出力する出力部と
を備える検査装置。 - 前記電磁波はX線であり、
前記取得部は、
前記X線に基づく画像を生成する生成部と、
生成した画像から一の検査物に対応する領域を抽出する抽出部と、
前記領域をバウンディングボックスにより包囲する包囲部と
を備え、前記バウンディングボックスにより包囲された検査画像を取得する、請求項5に記載の検査装置。 - ディスプレイを備え、
前記出力部は、
複数の検査物の位置に対応付けて、夫々バウンディングボックスにより包囲された複数の検査画像を表示し、異常の検査物を含む異常画像は前記バウンディングボックスとは異なる第2のバウンディングボックスによりさらに包囲されている第1画面と、各画像が並べて表示され、前記異常画像は前記第2のバウンディングボックスにより包囲されており、作業者による各検査物の異常有無情報の入力を受け付ける操作ボタンを有する第2画面とを並べて、前記ディスプレイに表示する表示部である請求項6に記載の検査装置。 - 検査画像、及び前記操作ボタンが受け付けた前記異常有無情報に基づき、前記学習モデルを再学習する再学習部を備える、請求項7に記載の検査装置。
- 前記第2画面は、前記検査物の異常の種類の入力を受け付ける第2の操作ボタンを備え、
前記第2の操作ボタンが前記入力を受け付けた場合、前記表示部は前記種類に基づいて、異常画像を前記第2のバウンディングボックスにより包囲して表示する、請求項7又は8に記載の検査装置。 - 前記学習検査部が取得した異常有無情報が閾値以上である検査物を廃棄する廃棄部と、
前記学習検査部が取得した異常有無情報が閾値以上である検査物の検査画像に対応する座標情報を出力する第2の出力部と
を備える、請求項5から9までのいずれか1項に記載の検査装置。 - 検査物の搬送方向に交叉する方向に並設された複数のバルブを有し、異常の検査物に対応するバルブからガスを噴出して前記検査物を吹き落とす廃棄部と、
前記学習検査部が取得した異常有無情報が閾値以上である検査物に対応するバルブの情報を出力する第2の出力部と、
前記検査物に対応するバルブを開閉する開閉部と
を備える、請求項5から9までのいずれか1項に記載の検査装置。 - 前記電磁波に応じて取得した画像に対し、画像処理アルゴリズムを適用して画像処理を施した検査画像に基づいて、前記検査物の異常の有無を示す情報を取得する第2の取得部を備え、
前記学習検査部は、前記第2の取得部が取得した前記情報に応じ、前記検査画像を入力する、請求項5から11までのいずれか1項に記載の検査装置。 - 複数の検査物に電磁波を照射し、
各検査物を透過した電磁波に応じて取得した画像から抽出された一の検査物に対応する検査画像を取得し、
検査物を透過した電磁波に応じて取得した画像から抽出された一の検査物に対応する検査画像を入力した場合に検査物の異常の有無を示す異常有無情報を出力する学習モデルに、取得した前記検査画像を入力して、異常有無情報を出力する
処理をコンピュータに実行させる、異常検出方法。 - 複数の検査物に電磁波を照射し、各検査物を透過した電磁波に応じて取得した画像から抽出された一の検査物に対応する検査画像を取得し、
検査物を透過した電磁波に応じて取得した画像から抽出された一の検査物に対応する検査画像を入力した場合に検査物の異常の有無に関する異常有無情報を出力する学習モデルに、取得した前記検査画像を入力して、異常有無情報を出力する
処理をコンピュータに実行させる、コンピュータプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019051400A JP6742037B1 (ja) | 2019-03-19 | 2019-03-19 | 学習モデルの生成方法、学習モデル、検査装置、異常検出方法、及びコンピュータプログラム |
PCT/JP2020/003346 WO2020189043A1 (ja) | 2019-03-19 | 2020-01-30 | 学習モデルの生成方法、学習モデル、検査装置、異常検出方法、及びコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019051400A JP6742037B1 (ja) | 2019-03-19 | 2019-03-19 | 学習モデルの生成方法、学習モデル、検査装置、異常検出方法、及びコンピュータプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP6742037B1 JP6742037B1 (ja) | 2020-08-19 |
JP2020153764A true JP2020153764A (ja) | 2020-09-24 |
Family
ID=72047807
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019051400A Active JP6742037B1 (ja) | 2019-03-19 | 2019-03-19 | 学習モデルの生成方法、学習モデル、検査装置、異常検出方法、及びコンピュータプログラム |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP6742037B1 (ja) |
WO (1) | WO2020189043A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7034529B1 (ja) * | 2021-08-13 | 2022-03-14 | 株式会社ハシマ | 学習モデルの生成方法、学習モデル、検査装置、検査方法およびコンピュータプログラム |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001156135A (ja) * | 1999-11-29 | 2001-06-08 | Hitachi Ltd | 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法 |
JP2012137387A (ja) * | 2010-12-27 | 2012-07-19 | Anritsu Sanki System Co Ltd | X線検査装置 |
JP2014153906A (ja) * | 2013-02-08 | 2014-08-25 | Honda Motor Co Ltd | 検査装置、検査方法及びプログラム |
JP2016156647A (ja) * | 2015-02-23 | 2016-09-01 | 株式会社 システムスクエア | 電磁波を使用した検査装置 |
WO2016152485A1 (ja) * | 2015-03-20 | 2016-09-29 | 株式会社イシダ | 検査装置 |
WO2018071137A1 (en) * | 2016-10-14 | 2018-04-19 | Kla-Tencor Corporation | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
JP2018112550A (ja) * | 2017-01-12 | 2018-07-19 | 清華大学Tsinghua University | 検査機器および銃器検出方法 |
WO2018150607A1 (ja) * | 2017-02-20 | 2018-08-23 | Serendipity株式会社 | 外観検査装置、照明装置、撮影照明装置 |
JP2018536236A (ja) * | 2015-11-16 | 2018-12-06 | オービタル インサイト インコーポレイテッド | 低解像度リモートセンシング画像を用いた移動車両の検出及び分析 |
WO2019151393A1 (ja) * | 2018-01-31 | 2019-08-08 | 株式会社ニチレイフーズ | 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法 |
-
2019
- 2019-03-19 JP JP2019051400A patent/JP6742037B1/ja active Active
-
2020
- 2020-01-30 WO PCT/JP2020/003346 patent/WO2020189043A1/ja active Application Filing
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2001156135A (ja) * | 1999-11-29 | 2001-06-08 | Hitachi Ltd | 欠陥画像の分類方法及びその装置並びにそれを用いた半導体デバイスの製造方法 |
JP2012137387A (ja) * | 2010-12-27 | 2012-07-19 | Anritsu Sanki System Co Ltd | X線検査装置 |
JP2014153906A (ja) * | 2013-02-08 | 2014-08-25 | Honda Motor Co Ltd | 検査装置、検査方法及びプログラム |
JP2016156647A (ja) * | 2015-02-23 | 2016-09-01 | 株式会社 システムスクエア | 電磁波を使用した検査装置 |
WO2016152485A1 (ja) * | 2015-03-20 | 2016-09-29 | 株式会社イシダ | 検査装置 |
JP2018536236A (ja) * | 2015-11-16 | 2018-12-06 | オービタル インサイト インコーポレイテッド | 低解像度リモートセンシング画像を用いた移動車両の検出及び分析 |
WO2018071137A1 (en) * | 2016-10-14 | 2018-04-19 | Kla-Tencor Corporation | Diagnostic systems and methods for deep learning models configured for semiconductor applications |
JP2018112550A (ja) * | 2017-01-12 | 2018-07-19 | 清華大学Tsinghua University | 検査機器および銃器検出方法 |
WO2018150607A1 (ja) * | 2017-02-20 | 2018-08-23 | Serendipity株式会社 | 外観検査装置、照明装置、撮影照明装置 |
WO2019151393A1 (ja) * | 2018-01-31 | 2019-08-08 | 株式会社ニチレイフーズ | 食品検査システム、食品検査プログラム、食品検査方法および食品生産方法 |
Non-Patent Citations (1)
Title |
---|
ILHAN AYDIN: "A New Approach for Baggage Inspection by using Deep Convolutional Neural Networks", IEEE CONFERENCE PROCEEDINGS (2018 INTERNATIONAL CONFERENCE ON ARTIFICIAL INTELLIGENCE AND DATA PROCE, vol. pp.1-6, JPN6020009104, 28 September 2018 (2018-09-28), ISSN: 0004230311 * |
Also Published As
Publication number | Publication date |
---|---|
WO2020189043A1 (ja) | 2020-09-24 |
JP6742037B1 (ja) | 2020-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6749655B1 (ja) | 検査装置、異常検出方法、コンピュータプログラム、学習モデルの生成方法、及び学習モデル | |
US11295173B2 (en) | Image identification apparatus, image identification method, and recording medium | |
Asraf et al. | A comparative study in kernel-based support vector machine of oil palm leaves nutrient disease | |
Barbedo | A new automatic method for disease symptom segmentation in digital photographs of plant leaves | |
Kurtulmuş et al. | Classification of pepper seeds using machine vision based on neural network | |
JP2019526848A (ja) | 畳み込みニューラルネットワーク画像認識技術による会計方法及び設備 | |
WO2023084543A1 (en) | System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis | |
Liu et al. | Rapid identification of chrysanthemum teas by computer vision and deep learning | |
Zhang et al. | Computer vision estimation of the volume and weight of apples by using 3d reconstruction and noncontact measuring methods | |
Yumang et al. | Detection and classification of defective fresh excelsa beans using mask r-CNN algorithm | |
TW202242390A (zh) | 缺陷檢查裝置、缺陷檢查方法以及製造方法 | |
Su et al. | Potato quality grading based on depth imaging and convolutional neural network | |
Jin et al. | Classification of toxigenic and atoxigenic strains of Aspergillus flavus with hyperspectral imaging | |
WO2020189043A1 (ja) | 学習モデルの生成方法、学習モデル、検査装置、異常検出方法、及びコンピュータプログラム | |
Zhai et al. | Machine learning for detection of walnuts with shriveled kernels by fusing weight and image information | |
Ünal et al. | Detection of bruises on red apples using deep learning models | |
Burkapalli et al. | TRANSFER LEARNING: INCEPTION-V3 BASED CUSTOM CLASSIFICATION APPROACH FOR FOOD IMAGES. | |
Benouis et al. | Food tray sealing fault detection using hyperspectral imaging and PCANet | |
CN113228049B (zh) | 用于将奶分类的奶分析仪 | |
CN116704247A (zh) | 一种基于透射偏振光图像的谷物不完善粒识别方法及*** | |
Hasan et al. | Framework for fish freshness detection and rotten fish removal in Bangladesh using mask R–CNN method with robotic arm and fisheye analysis | |
Emebo et al. | Development of tomato septoria leaf spot and tomato mosaic diseases detection device using raspberry Pi and deep convolutional neural networks | |
JP7034529B1 (ja) | 学習モデルの生成方法、学習モデル、検査装置、検査方法およびコンピュータプログラム | |
KR102242477B1 (ko) | 머신러닝 기반 열화상 영상의 객체 이상 현상 탐지 장치 및 방법 | |
Khazaei et al. | Evaluation of statistical and neural network architectures for the classification of paddy kernels using morphological features |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20191225 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20191226 |
|
A975 | Report on accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A971005 Effective date: 20200205 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20200310 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200403 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200501 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20200714 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200721 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6742037 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |