JP6403261B2 - 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム - Google Patents
分類器生成装置、外観検査装置、分類器生成方法、及びプログラム Download PDFInfo
- Publication number
- JP6403261B2 JP6403261B2 JP2014245416A JP2014245416A JP6403261B2 JP 6403261 B2 JP6403261 B2 JP 6403261B2 JP 2014245416 A JP2014245416 A JP 2014245416A JP 2014245416 A JP2014245416 A JP 2014245416A JP 6403261 B2 JP6403261 B2 JP 6403261B2
- Authority
- JP
- Japan
- Prior art keywords
- classifier
- image
- learning
- learning data
- generating
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims description 95
- 238000011179 visual inspection Methods 0.000 title claims description 11
- 230000007547 defect Effects 0.000 claims description 136
- 238000007689 inspection Methods 0.000 claims description 89
- 230000008569 process Effects 0.000 claims description 49
- 238000003066 decision tree Methods 0.000 claims description 39
- 238000010801 machine learning Methods 0.000 claims description 37
- 238000007637 random forest analysis Methods 0.000 claims description 32
- 238000012545 processing Methods 0.000 description 80
- 238000003860 storage Methods 0.000 description 39
- 230000000007 visual effect Effects 0.000 description 26
- 238000012986 modification Methods 0.000 description 22
- 230000004048 modification Effects 0.000 description 22
- 238000003384 imaging method Methods 0.000 description 18
- 238000004458 analytical method Methods 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 11
- 230000002950 deficient Effects 0.000 description 9
- 241000519995 Stachys sylvatica Species 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 230000032258 transport Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000002372 labelling Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 206010027146 Melanoderma Diseases 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005401 electroluminescence Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910044991 metal oxide Inorganic materials 0.000 description 1
- 150000004706 metal oxides Chemical class 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Analysis (AREA)
Description
複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成装置であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得手段と、
前記学習データ取得手段が前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成手段と、を備え、
前記分類器生成手段は、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成手段は、すでに生成した分類器の生成に使用された複数の前記特徴量のうち、当該分類器による分類の寄与度が所定基準を満たさない低寄与度特徴量を特定し、特定した当該低寄与度特徴量を減らした前記学習データに基づいて、新たな分類器を生成することを少なくとも1回行うことで、前記特徴量の数が異なる前記複数の分類器を生成する、
ことを特徴とする。
(A2)上記目的を達成するため、本発明の第1−2の観点に係る分類器生成装置は、
複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成装置であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得手段と、
前記学習データ取得手段が前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成手段と、を備え、
前記分類器生成手段は、
前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、
前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、前記第1分類器の分類の正答率と前記第2分類器の分類の正答率との差が所定範囲内であるときに、当該第2分類器を前記画像分類器とする、
ことを特徴とする。
(A3)上記目的を達成するため、本発明の第1−3の観点に係る分類器生成装置は、
複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成装置であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得手段と、
前記学習データ取得手段が前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成手段と、を備え、
前記分類器生成手段は、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成手段は、
新たに生成した分類器を前記第2分類器とし、その前に生成した分類器を前記第1分類器として、前記比較結果が前記所定基準を満たさなくなるまで、前記特徴量の数を減らしながら前記複数の分類器を生成し、
前記比較結果が前記所定基準を満たさなくなったときに、(1)前記第2分類器の生成に使用されていない前記特徴量のうちの少なくとも1つを再度加えて新たな前記第2分類器を生成し、生成した新たな前記第2分類器について前記比較結果が前記所定基準を満たすときに、当該新たな第2分類器を前記画像分類器とする、又は、(2)前記比較結果が前記所定基準を満たさなくなる前に生成した前記分類器のうち最も新しい分類器を前記画像分類器とする、
ことを特徴とする。
上記分類器生成装置を備え、欠陥候補が写った画像を前記画像分類器によって分類する外観検査装置であって、
前記画像分類器で使用される複数種類の前記特徴量を算出する特徴量算出手段をさらに有する、
ことを特徴とする。
上記分類器生成装置を備え、欠陥候補が写った画像を前記画像分類器によって分類する外観検査装置であって、
前記外観検査装置は、前記画像分類器が有する複数の決定木によって分類された結果の多数決によって、前記画像分類器による分類の結果を決定する決定手段をさらに備え、
前記決定手段は、前記複数の決定木の数に対する前記多数決における最多得票数の割合が所定割合以下であるとき、又は、前記最多得票数と2番目の得票数との差が所定値以下であるときに、分類対象の前記画像をユーザに提示する、
ことを特徴とする。
複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成方法であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得ステップと、
前記学習データ取得ステップで前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成ステップと、を備え、
前記分類器生成ステップでは、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成ステップでは、すでに生成した分類器の生成に使用された複数の前記特徴量のうち、当該分類器による分類の寄与度が所定基準を満たさない低寄与度特徴量を特定し、特定した当該低寄与度特徴量を減らした前記学習データに基づいて、新たな分類器を生成することを少なくとも1回行うことで、前記特徴量の数が異なる前記複数の分類器を生成する、
ことを特徴とする。
(B2)上記目的を達成するため、本発明の第4−2の観点に係る分類器生成方法は、
複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成方法であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得ステップと、
前記学習データ取得ステップで前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成ステップと、を備え、
前記分類器生成ステップでは、
前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、
前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、前記第1分類器の分類の正答率と前記第2分類器の分類の正答率との差が所定範囲内であるときに、当該第2分類器を前記画像分類器とする、
ことを特徴とする。
(B3)上記目的を達成するため、本発明の第4−3の観点に係る分類器生成方法は、
複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成方法であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得ステップと、
前記学習データ取得ステップで前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成ステップと、を備え、
前記分類器生成ステップでは、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成ステップでは、
新たに生成した分類器を前記第2分類器とし、その前に生成した分類器を前記第1分類器として、前記比較結果が前記所定基準を満たさなくなるまで、前記特徴量の数を減らしながら前記複数の分類器を生成し、
前記比較結果が前記所定基準を満たさなくなったときに、(1)前記第2分類器の生成に使用されていない前記特徴量のうちの少なくとも1つを再度加えて新たな前記第2分類器を生成し、生成した新たな前記第2分類器について前記比較結果が前記所定基準を満たすときに、当該新たな第2分類器を前記画像分類器とする、又は、(2)前記比較結果が前記所定基準を満たさなくなる前に生成した前記分類器のうち最も新しい分類器を前記画像分類器とする、
ことを特徴とする。
複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成するコンピュータに、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む複数の学習データに基づいて、前記画像分類器を生成する分類器生成処理を実行させ、
前記分類器生成処理では、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成処理では、すでに生成した分類器の生成に使用された複数の前記特徴量のうち、当該分類器による分類の寄与度が所定基準を満たさない低寄与度特徴量を特定し、特定した当該低寄与度特徴量を減らした前記学習データに基づいて、新たな分類器を生成することを少なくとも1回行うことで、前記特徴量の数が異なる前記複数の分類器を生成する。
(C2)上記目的を達成するため、本発明の第5−2の観点に係るプログラムは、
複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成するコンピュータに、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む複数の学習データに基づいて、前記画像分類器を生成する分類器生成処理を実行させ、
前記分類器生成処理では、
前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、
前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、前記第1分類器の分類の正答率と前記第2分類器の分類の正答率との差が所定範囲内であるときに、当該第2分類器を前記画像分類器とする。
(C3)上記目的を達成するため、本発明の第5−3の観点に係るプログラムは、
複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成するコンピュータに、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む複数の学習データに基づいて、前記画像分類器を生成する分類器生成処理を実行させ、
前記分類器生成処理では、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成処理では、
新たに生成した分類器を前記第2分類器とし、その前に生成した分類器を前記第1分類器として、前記比較結果が前記所定基準を満たさなくなるまで、前記特徴量の数を減らしながら前記複数の分類器を生成し、
前記比較結果が前記所定基準を満たさなくなったときに、(1)前記第2分類器の生成に使用されていない前記特徴量のうちの少なくとも1つを再度加えて新たな前記第2分類器を生成し、生成した新たな前記第2分類器について前記比較結果が前記所定基準を満たすときに、当該新たな第2分類器を前記画像分類器とする、又は、(2)前記比較結果が前記所定基準を満たさなくなる前に生成した前記分類器のうち最も新しい分類器を前記画像分類器とする。
外観検査装置100は、欠陥(キズ、異物など)の写ったサンプル(被写体)を撮像し、撮像した撮像画像から欠陥候補(欠陥と思われる候補)を検出し、検出した欠陥候補の特徴を示す複数種類の特徴量を計算する。また、外観検査装置100は、欠陥候補が写った所定の大きさの欠陥候補画像を撮像画像から切り出し、ユーザに提示して欠陥候補を目視によって分類させる。外観検査装置100は、サンプルの欠陥候補について、複数種類の特徴量の各データと、目視によって分類した種別(白点、黒点、白キズ、黒キズなど(図3))のデータと、を互いに対応づけて学習データ(図6)として記憶する。このようにして、外観検査装置100は、学習データを生成する。
外観検査装置100は、第1段階で生成した複数の学習データを用いて、機械学習(ランダムフォレスト法)によって、分類器144(図2、9など)を生成する。分類器144は、欠陥候補の種別を、その欠陥候補の特徴を示す複数種類の特徴量によって分類するものである。なお、分類器144の生成では、第1段階で生成した複数の学習データのうちの一部の複数の学習データを使用して分類器を生成し、残りの学習データを使用して、生成した分類器をテストすることで、最適な分類器を生成するようにする。
外観検査装置100は、検査対象(被写体)を撮像し、撮像した撮像画像から欠陥候補を検出し、検出した欠陥候補の特徴を示す複数種類の特徴量を算出し、算出した複数種類の特徴量を分類器に入力し、欠陥候補の種別(白点、黒点、白キズ、黒キズなど(図3))を分類するとともに、検査対象の良否を判別する(外観検査)。
画像処理部120は、撮像部110から供給された撮像画像に対して、まず、平滑化処理を行い(ステップS101)、撮像部110の撮像時のノイズなどを除去する。次に、画像処理部120は、平滑化した撮像画像に対して、強調処理を行い(ステップS102)、エッジなどを強調し、欠陥候補を分かりやすくする。
学習データ生成部141は、記憶部130の第1記憶領域をチェックし、当該第1記憶領域に目視前データ(ここでは、最初850個の目視前データが記録されているものとする。)が記録されていないかを判別し(ステップS201)、目視前データが残っている場合(ステップS201;No)、学習データを生成するため、目視前データを1つ読み出す(ステップS202)。なお、読み出されたデータは記憶部130から削除される。
分類器生成部143は、学習データ群読出部142によって読み出された学習データ群のうち、学習データ1〜600から学習データセット(複数の学習データからなるグループ)を、ランダムにT組だけ抽出する(ステップS301)。今回、T本の決定木を有する分類器144を生成するので、分類器生成部143は、T組の学習データセットを抽出する。
投票結果解析部146は、まず、分類器144から投票結果が出力されると、その内容をチェックし、投票結果が僅差であるかを判別する(ステップS401)。僅差でない場合(ステップS401;No)、投票数(決定木の数)が最も多い種別を、今回の分類対象の欠陥候補の分類結果(当該欠陥候補の最終的な分類結果)として出力する。つまり、多数決で分類結果が決定される。投票結果が僅差の場合とは、例えば、決定木の数に対する最多得票数の割合が低い場合や、最多得票数と次点の得票数との差が小さい場合などであればよい。投票結果が僅差の場合(ステップS401;Yes)、検査用データ読出部145によって読み出された検査用データのうち、欠陥候補画像の画像データに基づいて、当該欠陥候補画像を表示部160に表示(提示)し(ステップS402)、操作の入力待ちを行う(ステップS403)。ユーザは、表示部160に表示された欠陥候補画像を目視し、欠陥候補の種別(目視種別)を操作部150を介して入力する。操作入力があった場合(ステップS403;Yes)、投票結果解析部146は、入力された目視種別を、最終的な分類結果として出力する。
良否判別部147は、まず、分類結果を取得して蓄積し、未取得の分類結果(未分類の欠陥候補)があるかを判別する(ステップS501)。例えば、良否判別部147は、記憶部130に検査用データが記憶されているか、分類器144が動作しているかなどを判別することで、未取得の分類結果があるかを判別する。良否判別部147は、全ての分類結果を取得するまでステップS501の処理を行う(ステップS501;No)。検査用データが記憶されていないなどして未取得の分類結果がない場合(ステップS501;Yes)、分類結果の分布などに基づいて、不良条件(検査対象としての被写体Tが不良品であると判別できる条件)を満たすかを判別し(ステップS502)、満たす場合には(ステップS502;Yes)、不良品である旨の情報を表示部160に表示する(ステップS503)。不良条件を満たさない場合には(ステップS502;No)、良品である旨の情報を表示部160に表示する(ステップS504)。不良条件は、ユーザが任意に設定できる。例えば、特定の種別の分類結果が所定数以上になったときに不良条件成立とする。
外観検査装置100は、複数の装置を組み合わせたものであってもよい。例えば、画像処理部120をパーソナルコンピュータとし、機械学習を行う部分を機械学習用の別個の装置とし、外観検査を行う部分をさらに別個の装置としてもよい。また、画像処理部120が行う処理の少なくとも一部を制御部140が実行するようにしてもよい。また、制御部140が実行する処理の一部を他のハードウェア(専用のプロセッサなど)によって実行するようにしてもよい。
上記実施の形態では、機械学習用の学習データ群を外観検査装置100によって生成しているが、学習データ群は、他の装置で生成されたものを用意してもよい。但し、同じ被写体であっても撮像条件が異なれば、異なる画像になる可能性もあるので、学習データ用の被写体の撮影は、外観検査を行う装置と同じもので行うようにするとよい。つまり、上記実施の形態のように、サンプルとしての被写体も、外観検査を行う外観検査装置100で撮像するとよい。
上記実施の形態は、分類器(仮分類器も含む)を生成する第1の場合には、学習用の学習データ1〜600を使用している。一方で、分類器(仮分類器も含む)の正答率などを調べるために分類器に実際に分類を行わせる第2の場合には、テスト用の学習データ601〜850を使用している。つまり、上記実施の形態では、前記2つの場合において同じ学習データを使用しないようにしている。しかし、前記2つの場合において、学習データを一部共通して用いてもよい。例えば、第1の場合には、学習データ1〜600を使用し、第2の場合には、学習データ590〜840を使用するようにしてもよい。
上記実施の形態では、仮分類器の複数回の生成において、常に同じ番号の学習データが使用されているが、回数ごとに異なる番号の学習データを使用するようにしてもよい。例えば、1回目の仮分類器の生成では、学習データ1〜600を使用するが、2回目の仮分類器の生成では、学習データ201〜800を使用するようにしてもよい。
投票結果解析部146は、ステップS403で目視種別が入力された欠陥候補についての複数種類の特徴量と、当該入力された目視種別とを新たな学習データとして保存してもよい(例えば、従前の機械学習で用いた学習データ群に当該新たな学習データを加えるようにする)。そして、分類器生成部143は、任意のタイミングで新たな学習データを含む学習データ群に基づいて、新たな分類器を生成するようにしてもよい。ステップS403で目視種別が入力された欠陥候補は、分類の精度が悪い欠陥候補なので、この欠陥候補について機械学習することで、分類器144の分類性能の向上が期待できる。なお、ステップS403での目視による種別確認は、所定タイミングでまとめて行ってもよい。投票結果解析部146は、機械学習前の初期設定の種類の特徴量を画像処理部120などに算出させて、初期設定の複数種類の特徴量を含む学習データを前記新たな学習データとして記録してもよい。これによって、分類器生成部143では、新たな学習データを含む学習データ群に基づいて、図7の処理を再度行い、分類器144を生成できる。テップS403で目視種別が入力された欠陥候補の分類には、他の特徴量(特に従前の分類器では使用されていない特徴量)が有用かもしれないので、図7の処理を再度行うことで、分類性能のより高い分類器144を生成できる。
上記実施の形態では、寄与度の最も低い特徴量(所定基準(寄与度が最も低くないという基準)を満たさない特徴量)(低寄与度特徴量)を、学習データから取り除く特徴量としているが、一度に取り除く特徴量は、複数であってもよい。例えば、所定の閾値よりも低い寄与度の複数種類の特徴量を、所定基準を満たさない特徴量(低寄与度特徴量)として、一度に学習データから除外するようにしてもよい。なお、前者のように特徴量を1つずつ減らす方が、余計な特徴量を減らさずにすむ。
欠陥候補の種別(分類結果など)は、上記白点、黒点などに限定されず、種々のものを定義できる(ユーザが定義してもよい)。また、具体的な種別に該当しない欠陥候補の種別として「その他」などを用意してもよい。また、「その他」の場合には、欠陥候補画像を必ず出力して、ユーザに目視させてもよい。欠陥候補の種別は、「欠陥である」、「欠陥でない」の2種類などであってもよい。
被写体Tは、搬送部190によって搬送されながら、撮像部110によって全体が複数回に分けて撮像されるようなものであってもよい。また、撮像部110は、複数のカメラによって構成されてもよい。
順次搬送されてくる被写体Tを順次連続して外観検査するようにしてもよいが、この場合、分類処理が被写体Tの移動に追いつくように、分類に要する時間を短くする必要がある。上記構成(特に特徴量を削減する構成)によれば、分類に要する時間を短くできるので、分類の処理が被写体Tの移動に対して遅れることを防止できる。
学習データを取得する取得手段として、上記実施の形態では、学習データ群読出部142が学習データを記憶部130から取得しているが、当該取得手段は、ネットワークなどを介して、学習データを取得するものであってもよい。学習データを取得する取得手段は、分類器を生成するタイミングにおいて、所定のデータ(目視前データ)から学習データを生成することで、当該学習データを取得してもよい。学習データの取得は、学習データを生成したり、外部から記憶部130に格納したりすることであってもよい。
特徴量は、欠陥候補が写った画像(学習用の欠陥候補が写った画像又は検査対象の欠陥候補が写った画像)の特徴量であればよい。欠陥候補が写った画像とは、一枚の撮像画像であってもよいし、一枚の撮像画像における当該欠陥候補が写った一部分(上述のような欠陥候補そのものの部分や、欠陥候補画像など)であってもよい。
上記実施の形態では、寄与度の最も低い特徴量の特定と特定した特徴量を除いた学習データを使用して新たな仮分類器を生成することとを、前に生成した仮分類器による分類の正答率と、新たに生成した仮分類器による分類の正答率との差(正答率差)が所定範囲外になるまで繰り返し行い、前記正答率差が当該所定範囲外になったときに、当該正答率が当該所定範囲外になる直前に生成した仮分類器を分類器144としている。なお、前記除く特徴量は、寄与度が所定の閾値よりも低い複数の低寄与度特徴量の特定であってもよい。また、前記前に生成した仮分類器は、最初又は直前に生成した仮分類器などであればよい。しかし、上記方法の他、当該正答率が当該所定範囲外になったとき、分類器生成部143は、以前に学習データから除いた特徴量のうちの少なくとも1つ(除いた特徴量のうち、算出した寄与度が最も高い特徴量又は算出した寄与度が所定の閾値よりも高い特徴量など)を再度学習データに含ませて新たな仮分類器を生成する処理と、新たな仮分類器についての正答率の差(最初に生成した仮分類器や正答率の差が前記所定範囲内となっている仮分類器のうち最後に生成した仮分類器などの所定の仮分類器の正答率と、新たな仮分類器の正答率との差)が前記所定範囲内になるかを判定する処理と、を1回又は複数回繰り返し、前記所定範囲内になったときの、新たな分類器を分類器144として採用してもよい。このような場合であっても、特徴量の数を減らしたにもかかわらず、精度の良い分類器を生成できる。
良否判別部の判別結果は、表示部160に表示する代わりに又は加えて、後工程の装置などに出力するようにしてもよい。また、良否判別部147は、良・不良の判別のみではなく、良品又は不良品において、A、B、Cなどの複数のランク分けを行うようにしてもよい。分類結果をどのように用いて、どのような判別を行うかは、ユーザに応じて任意に設定されればよい。
上記実施の形態では、仮分類器の生成に、学習データ群の学習データのうちの一部を使用しているが、学習データ群の全ての学習データを使用して仮分類器や分類器144を生成してもよい。このような場合には、寄与度や正答率の計算は、任意の方法で行えばよい。また、上記実施の形態では、記憶部130から読み出された学習データ群の学習データ1〜850全てを使用して、分類器144を生成しているが(テスト用の学習データ601〜850も分類器144の生成に使用していると捉えている)、学習データ群のうちの一部の複数の学習データ(例えば、読み出し段階で、ランダムで選ばれた学習データ)を使用して分類器144を生成してもよい。また、分類器144は、1回の分類器の生成によって生成してもよい。
上記実施の形態では、欠陥候補の種別の分類(検査対象の撮像画像のうちの少なくとも一部の、欠陥候補が写った画像の種別の分類)を行う分類器144を例示したが、本発明は、欠陥候補が写った画像の分類一般に適用でき、さらには、画像の分類一般に適用できる。分類器を生成するための学習用画像や分類器によって分類する画像は、一枚の撮像画像のうちの一部であってもよい。
上記実施の形態では、機械学習時の外観検査装置100が分類器を生成する分類器生成装置として動作するが、分類器生成装置は、撮像110や搬送部190などを除いたものであってもよく、制御部140のみから構成されてもよい。
複数の決定木を有する分類器について、上記実施の形態では、投票結果が僅差のときには、分類の対象となる画像を出力してユーザに画像の分類を行ってもらうが、これによって、精度の低い分類が発生したとしても高い分類性能を保てる。上記実施の形態における、このような構成を特徴と捉えてもよく、このような場合には、上記分類器の生成のための構成などは不要となる。例えば、前記外観検査装置100は、複数の決定木を有する分類器と、当該複数の決定木によって分類された結果の多数決によって、分類器の分類の結果を決定する決定手段と、を備え、前記決定手段は、前記複数の決定木の数に対する、前記多数決における最多得票数の割合が所定割合以下であるとき、又は、前記最多得票数と2番目の得票数との差が所定値以下であるときに、分類対象の前記画像をユーザに提示するものであってもよい。なお、前記外観検査装置100は、画像の分類一般を対象とした画像分類装置であってもよい。
分類器生成部143は、例えば、複数の学習データに基づいて、特徴量を説明変数として使用したランダムフォレスト法にて、特徴量の数を異ならせた複数の仮分類器を生成可能であり、当該複数の仮分類器のうちの、第1仮分類器と当該第1仮分類器よりも特徴量の数が少ない第2仮分類器とを比較し、比較結果が所定基準を満たすときに、当該第2仮分類器を分類器144とするものであればよい(上記実施の形態もこの例である)。例えば、上記実施の形態などでは、2つの仮分類器の正答率の差を前記比較結果としているが、当該比較結果は、例えば、実際に仮分類器を動作させたときに特定される仮分類器の性能の差などであればよく、数値化されたものでなくてもよい(例えば、A、B、Cなどのランクなどであってもよいし、ランク付けされた性能同士の差などであってもよい。)。前記所定基準は、例えば、適切な分類器144が得られる比較結果を特定可能な基準であればよく、ユーザが適宜設定できてもよい。また、比較される仮分類器の生成順序は任意である。例えば、特徴量を増やしながら仮分類器を順次生成していき、新たな仮分類器の正答率と最も使用する特徴量の多い仮分類器の正答率との差が所定範囲内のときの仮分類器を分類器144として採用するようにしてもよい。分類器生成部143が生成する複数の仮分類器は、上記実施の形態などでは、順次生成されていくが、例えば、特徴量を徐々に減らした複数の仮分類器を生成してから上記比較を行ってもよい。この場合、減らす特徴量は、直前に生成した仮分類器から算出した寄与度のうちの低寄与度特徴量であってもよいし、ランダムなどで選出された特徴量であってもよい。また、分類器生成部143は、複数の仮分類器を生成し(特徴の減らし方は、例えば、上記実施形態のように低寄与度特徴量を減らしていくなど)、それぞれの仮分類器の性能(正答率など)を特定し(例えば、上記実施の形態の実際に動作)、当該性能が予め定められた基準(例えば、正答率に関する閾値)を満たした仮分類器のうち使用する特徴量の種類の数が最も少ないもの(または、当該種類の数が所定の基準よりも少ないもの)などを分類器144に採用してもよい。所定の基準は、分類器144としての採用を許容できる基準であればよい。なお、どのような分類を行うかによって、分類器144としての採用を許容できる基準は異なるので(例えば、どのような分類を行うかによって正答率がどの程度になるかは異なる。)、上記のように、生成した仮分類器同士を比較して、分類器144として採用する仮分類器を特定した方がよい(これによって、分類器の生成として、ユーザによって選択される様々な分類に対応できる。)。
なお、制御部140を動作させるプログラムは、記憶媒体又はネットワークを介して外観検査装置100の外部から外観検査装置100(記憶部130)に供給されてもよい。
110 撮像部
120 画像処理部
130 記憶部
140 制御部
141 学習データ生成部
142 学習データ群読出部
143 分類器生成部
144 分類器
145 検査用データ読出部
146 投票結果解析部
147 良否判定部
150 操作部
160 表示部
Claims (12)
- 複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成装置であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得手段と、
前記学習データ取得手段が前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成手段と、を備え、
前記分類器生成手段は、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成手段は、すでに生成した分類器の生成に使用された複数の前記特徴量のうち、当該分類器による分類の寄与度が所定基準を満たさない低寄与度特徴量を特定し、特定した当該低寄与度特徴量を減らした前記学習データに基づいて、新たな分類器を生成することを少なくとも1回行うことで、前記特徴量の数が異なる前記複数の分類器を生成する、
ことを特徴とする分類器生成装置。 - 複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成装置であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得手段と、
前記学習データ取得手段が前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成手段と、を備え、
前記分類器生成手段は、
前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、
前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、前記第1分類器の分類の正答率と前記第2分類器の分類の正答率との差が所定範囲内であるときに、当該第2分類器を前記画像分類器とする、
ことを特徴とする分類器生成装置。 - 前記分類器生成手段は、複数の学習データのうちの一部の複数の学習データに基づいて分類器を生成し、他の複数の学習データに基づいて当該分類器の正答率を特定する、
ことを特徴とする請求項2に記載の分類器生成装置。 - 複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成装置であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得手段と、
前記学習データ取得手段が前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成手段と、を備え、
前記分類器生成手段は、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成手段は、
新たに生成した分類器を前記第2分類器とし、その前に生成した分類器を前記第1分類器として、前記比較結果が前記所定基準を満たさなくなるまで、前記特徴量の数を減らしながら前記複数の分類器を生成し、
前記比較結果が前記所定基準を満たさなくなったときに、(1)前記第2分類器の生成に使用されていない前記特徴量のうちの少なくとも1つを再度加えて新たな前記第2分類器を生成し、生成した新たな前記第2分類器について前記比較結果が前記所定基準を満たすときに、当該新たな第2分類器を前記画像分類器とする、又は、(2)前記比較結果が前記所定基準を満たさなくなる前に生成した前記分類器のうち最も新しい分類器を前記画像分類器とする、
ことを特徴とする分類器生成装置。 - 請求項1〜4のいずれかに記載の分類器生成装置を備え、欠陥候補が写った画像を前記画像分類器によって分類する外観検査装置であって、
前記画像分類器で使用される複数種類の前記特徴量を算出する特徴量算出手段をさらに有する、
ことを特徴とする外観検査装置。 - 請求項1〜4のいずれかに記載の分類器生成装置を備え、欠陥候補が写った画像を前記画像分類器によって分類する外観検査装置であって、
前記外観検査装置は、前記画像分類器が有する複数の決定木によって分類された結果の多数決によって、前記画像分類器による分類の結果を決定する決定手段をさらに備え、
前記決定手段は、前記複数の決定木の数に対する前記多数決における最多得票数の割合が所定割合以下であるとき、又は、前記最多得票数と2番目の得票数との差が所定値以下であるときに、分類対象の前記画像をユーザに提示する、
ことを特徴とする外観検査装置。 - 複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成方法であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得ステップと、
前記学習データ取得ステップで前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成ステップと、を備え、
前記分類器生成ステップでは、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成ステップでは、すでに生成した分類器の生成に使用された複数の前記特徴量のうち、当該分類器による分類の寄与度が所定基準を満たさない低寄与度特徴量を特定し、特定した当該低寄与度特徴量を減らした前記学習データに基づいて、新たな分類器を生成することを少なくとも1回行うことで、前記特徴量の数が異なる前記複数の分類器を生成する、
ことを特徴とする分類器生成方法。 - 複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成方法であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得ステップと、
前記学習データ取得ステップで前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成ステップと、を備え、
前記分類器生成ステップでは、
前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、
前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、前記第1分類器の分類の正答率と前記第2分類器の分類の正答率との差が所定範囲内であるときに、当該第2分類器を前記画像分類器とする、
ことを特徴とする分類器生成方法。 - 複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成する分類器生成方法であって、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む学習データを複数の前記学習用画像それぞれについて取得する学習データ取得ステップと、
前記学習データ取得ステップで前記複数の学習用画像それぞれについて取得した複数の前記学習データに基づいて、前記画像分類器を生成する分類器生成ステップと、を備え、
前記分類器生成ステップでは、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成ステップでは、
新たに生成した分類器を前記第2分類器とし、その前に生成した分類器を前記第1分類器として、前記比較結果が前記所定基準を満たさなくなるまで、前記特徴量の数を減らしながら前記複数の分類器を生成し、
前記比較結果が前記所定基準を満たさなくなったときに、(1)前記第2分類器の生成に使用されていない前記特徴量のうちの少なくとも1つを再度加えて新たな前記第2分類器を生成し、生成した新たな前記第2分類器について前記比較結果が前記所定基準を満たすときに、当該新たな第2分類器を前記画像分類器とする、又は、(2)前記比較結果が前記所定基準を満たさなくなる前に生成した前記分類器のうち最も新しい分類器を前記画像分類器とする、
ことを特徴とする分類器生成方法。 - 複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成するコンピュータに、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む複数の学習データに基づいて、前記画像分類器を生成する分類器生成処理を実行させ、
前記分類器生成処理では、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成処理では、すでに生成した分類器の生成に使用された複数の前記特徴量のうち、当該分類器による分類の寄与度が所定基準を満たさない低寄与度特徴量を特定し、特定した当該低寄与度特徴量を減らした前記学習データに基づいて、新たな分類器を生成することを少なくとも1回行うことで、前記特徴量の数が異なる前記複数の分類器を生成する、
プログラム。 - 複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成するコンピュータに、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む複数の学習データに基づいて、前記画像分類器を生成する分類器生成処理を実行させ、
前記分類器生成処理では、
前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、
前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、前記第1分類器の分類の正答率と前記第2分類器の分類の正答率との差が所定範囲内であるときに、当該第2分類器を前記画像分類器とする、
プログラム。 - 複数種類の特徴量に基づいて画像を分類する画像分類器を機械学習によって生成するコンピュータに、
学習用画像の複数種類の特徴量と当該学習用画像の分類結果とを含む複数の学習データに基づいて、前記画像分類器を生成する分類器生成処理を実行させ、
前記分類器生成処理では、前記複数の学習データに基づいて、前記特徴量を説明変数として使用したランダムフォレスト法にて、前記特徴量の数を異ならせた複数の分類器を生成可能であり、前記複数の分類器のうちの、第1分類器と当該第1分類器よりも前記特徴量の数が少ない第2分類器とを比較し、比較結果が所定基準を満たすときに、当該第2分類器を前記画像分類器とし、
前記分類器生成処理では、
新たに生成した分類器を前記第2分類器とし、その前に生成した分類器を前記第1分類器として、前記比較結果が前記所定基準を満たさなくなるまで、前記特徴量の数を減らしながら前記複数の分類器を生成し、
前記比較結果が前記所定基準を満たさなくなったときに、(1)前記第2分類器の生成に使用されていない前記特徴量のうちの少なくとも1つを再度加えて新たな前記第2分類器を生成し、生成した新たな前記第2分類器について前記比較結果が前記所定基準を満たすときに、当該新たな第2分類器を前記画像分類器とする、又は、(2)前記比較結果が前記所定基準を満たさなくなる前に生成した前記分類器のうち最も新しい分類器を前記画像分類器とする、
プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014245416A JP6403261B2 (ja) | 2014-12-03 | 2014-12-03 | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014245416A JP6403261B2 (ja) | 2014-12-03 | 2014-12-03 | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016109495A JP2016109495A (ja) | 2016-06-20 |
JP6403261B2 true JP6403261B2 (ja) | 2018-10-10 |
Family
ID=56122025
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014245416A Active JP6403261B2 (ja) | 2014-12-03 | 2014-12-03 | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6403261B2 (ja) |
Families Citing this family (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6831221B2 (ja) * | 2016-11-28 | 2021-02-17 | 株式会社東海理化電機製作所 | 学習装置及び学習方法 |
JP2018091771A (ja) * | 2016-12-06 | 2018-06-14 | 大日本印刷株式会社 | 検査方法、事前画像選別装置及び検査システム |
DE112017007252T5 (de) * | 2017-03-14 | 2019-12-19 | Omron Corporation | Fahrerüberwachungsvorrichtung, fahrerüberwachungsverfahren, lernvorrichtung und lernverfahren |
JP6781956B2 (ja) * | 2017-03-14 | 2020-11-11 | オムロン株式会社 | 学習結果比較装置、学習結果比較方法、及びそのプログラム |
JP7043742B2 (ja) * | 2017-05-22 | 2022-03-30 | コニカミノルタ株式会社 | 学習モデル作成装置 |
JP6936957B2 (ja) * | 2017-11-07 | 2021-09-22 | オムロン株式会社 | 検査装置、データ生成装置、データ生成方法及びデータ生成プログラム |
JP6422142B1 (ja) * | 2017-11-29 | 2018-11-14 | 康成 宮木 | 受精卵の画像診断システム、受精卵の画像診断プログラム及び受精卵の画像診断方法。 |
JP7054436B2 (ja) * | 2017-12-14 | 2022-04-14 | オムロン株式会社 | 検出システム、情報処理装置、評価方法及びプログラム |
JP6573226B2 (ja) * | 2017-12-15 | 2019-09-11 | オムロン株式会社 | データ生成装置、データ生成方法及びデータ生成プログラム |
JP6544716B2 (ja) * | 2017-12-15 | 2019-07-17 | オムロン株式会社 | データ生成装置、データ生成方法及びデータ生成プログラム |
EP3503024A1 (en) * | 2017-12-19 | 2019-06-26 | Tetra Laval Holdings & Finance S.A. | Method of defect detection in packaging containers |
JP7056259B2 (ja) * | 2018-03-14 | 2022-04-19 | オムロン株式会社 | 検査システム、識別システム、及び識別器評価装置 |
JP7046760B2 (ja) * | 2018-08-23 | 2022-04-04 | アンリツ株式会社 | 信号解析装置及び信号解析方法並びに信号解析プログラム |
JP7070308B2 (ja) * | 2018-10-05 | 2022-05-18 | オムロン株式会社 | 推定器生成装置、検査装置、推定器生成方法、及び推定器生成プログラム |
US11508055B2 (en) | 2018-11-20 | 2022-11-22 | Bnsf Railway Company | Systems and methods for calibrating image capturing modules |
US11423527B2 (en) | 2018-11-20 | 2022-08-23 | Bnsf Railway Company | System and method for minimizing lost vehicle axel motion and filtering erroneous electrical signals |
US10984521B2 (en) | 2018-11-20 | 2021-04-20 | Bnsf Railway Company | Systems and methods for determining defects in physical objects |
JP7119949B2 (ja) | 2018-11-28 | 2022-08-17 | セイコーエプソン株式会社 | 判定装置及び判定方法 |
CN109632944A (zh) * | 2019-01-17 | 2019-04-16 | 浙江大学 | 一种基于组合特征的多层管柱结构脉冲涡流无损检测方法 |
JP7406786B2 (ja) * | 2019-02-28 | 2023-12-28 | 国立大学法人 筑波大学 | 割当装置及び割当方法 |
WO2020193056A1 (en) * | 2019-03-22 | 2020-10-01 | Basf Coatings Gmbh | Method and system for defect detection in image data of a target coating |
JP7095647B2 (ja) * | 2019-04-09 | 2022-07-05 | 信越半導体株式会社 | 解析用データの生成方法及び半導体基板の判定方法 |
JP7159955B2 (ja) * | 2019-04-11 | 2022-10-25 | 日本電信電話株式会社 | 分類装置、分類方法及び分類プログラム |
JP7298333B2 (ja) | 2019-06-25 | 2023-06-27 | オムロン株式会社 | 外観検査管理システム、外観検査管理装置、外観検査管理方法及びプログラム |
WO2021002111A1 (ja) * | 2019-07-03 | 2021-01-07 | 富士フイルム株式会社 | 学習装置、学習装置の作動方法、学習装置の作動プログラム、並びに運用装置 |
JP2021076994A (ja) * | 2019-11-07 | 2021-05-20 | 東レエンジニアリング株式会社 | 分類装置および画像分類システム |
JP7268069B2 (ja) * | 2020-02-21 | 2023-05-02 | アクタピオ,インコーポレイテッド | 学習装置、学習方法、学習プログラム、評価装置、評価方法、および評価プログラム |
JP2022526473A (ja) * | 2020-03-11 | 2022-05-25 | ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド | 情報を取得するための方法および装置、電子機器、記憶媒体並びにコンピュータプログラム |
JP7029201B1 (ja) | 2021-02-04 | 2022-03-03 | コネクテッドロボティクス株式会社 | 物体検査装置、検査用プログラム、及びシステム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH04222064A (ja) * | 1990-12-25 | 1992-08-12 | Matsushita Electric Ind Co Ltd | 外観検査方法 |
JP2002174603A (ja) * | 2000-12-08 | 2002-06-21 | Olympus Optical Co Ltd | 欠陥分類方法 |
JP4660765B2 (ja) * | 2006-02-13 | 2011-03-30 | 国立大学法人横浜国立大学 | 進化型画像自動分類装置、フィルタ構造生成方法、及びプログラム |
JP2011158373A (ja) * | 2010-02-02 | 2011-08-18 | Dainippon Screen Mfg Co Ltd | 自動欠陥分類のための教師データ作成方法、自動欠陥分類方法および自動欠陥分類装置 |
JP5637373B2 (ja) * | 2010-09-28 | 2014-12-10 | 株式会社Screenホールディングス | 画像の分類方法、外観検査方法および外観検査装置 |
US8885898B2 (en) * | 2010-10-07 | 2014-11-11 | Siemens Medical Solutions Usa, Inc. | Matching of regions of interest across multiple views |
JP2013090751A (ja) * | 2011-10-25 | 2013-05-16 | Fujifilm Corp | シミ検出方法、シミ検出装置およびシミ検出プログラム、並びに、シミ分類方法、シミ分類装置およびシミ分類プログラム |
-
2014
- 2014-12-03 JP JP2014245416A patent/JP6403261B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2016109495A (ja) | 2016-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6403261B2 (ja) | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム | |
JP2018005640A (ja) | 分類器生成装置、画像検査装置、及び、プログラム | |
JP2018005639A (ja) | 画像分類装置、画像検査装置、及び、プログラム | |
JP7004145B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
JP6936958B2 (ja) | データ生成装置、データ生成方法及びデータ生成プログラム | |
JP6936957B2 (ja) | 検査装置、データ生成装置、データ生成方法及びデータ生成プログラム | |
CN109613002B (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
WO2021139258A1 (zh) | 基于图像识别的细胞识别计数方法、装置和计算机设备 | |
KR102449841B1 (ko) | 타겟의 검측 방법 및 장치 | |
JP4559437B2 (ja) | デジタルカラー画像における空の検出 | |
CN112348787B (zh) | 物体缺陷检测模型的训练方法、物体缺陷检测方法及装置 | |
JP7517641B2 (ja) | 構造物の点検・補修支援システム | |
CN110263215B (zh) | 一种视频情感定位方法及*** | |
JP2017211259A (ja) | 検査装置、検査方法、及びプログラム | |
CN109584202A (zh) | 图像处理装置、方法和非暂时性计算机可读存储介质 | |
JPWO2019026104A1 (ja) | 情報処理装置、情報処理プログラム及び情報処理方法 | |
US9633284B2 (en) | Image processing apparatus and image processing method of identifying object in image | |
US20180300885A1 (en) | Learning image automatic sorting device, learning image automatic sorting method, and learning image automatic sorting program | |
JP2011214903A (ja) | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム | |
US20100141810A1 (en) | Bad Pixel Detection and Correction | |
JP7393313B2 (ja) | 欠陥分類装置、欠陥分類方法及びプログラム | |
US20220044147A1 (en) | Teaching data extending device, teaching data extending method, and program | |
CN111382766A (zh) | 一种基于Faster R-CNN的设备故障检测方法 | |
CN112674771A (zh) | 基于图像注视差异的抑郁人群鉴别方法及装置 | |
CN112084851A (zh) | 手卫生效果检测方法、装置、设备及介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20170912 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20170912 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180427 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20180605 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20180801 |
|
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: 20180828 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20180907 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6403261 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |