JP7449739B2

JP7449739B2 - Inspection system, learning device, learning program, learning method, inspection device, inspection program, inspection method

Info

Publication number: JP7449739B2
Application number: JP2020051136A
Authority: JP
Inventors: 学梅田
Original assignee: Lixil Corp
Current assignee: Lixil Corp
Priority date: 2020-03-23
Filing date: 2020-03-23
Publication date: 2024-03-14
Anticipated expiration: 2040-03-23
Also published as: JP2021148720A

Description

本開示は、検査対象を検査するための技術に関し、とくに、検査対象を検査するための検査システム、検査システムに利用可能な学習装置、学習プログラム、学習方法、検査システムに利用可能な検査装置、検査プログラム、及び検査方法に関する。 The present disclosure relates to a technique for inspecting an inspection target, and in particular, an inspection system for inspecting an inspection target, a learning device that can be used in the inspection system, a learning program, a learning method, an inspection device that can be used in the inspection system, Regarding inspection programs and inspection methods.

便器装置の貯水タンクなどの衛生陶器を製造する際に、施釉や焼成などの工程において、釉薬のはげや亀裂（クラック）などの不具合が生じうる。従来は、熟練した検査員が目視で外観を検査していたが、人材を確保するのが困難で、教育負荷も高いため、属人化の解消が大きな課題となっていた。 When manufacturing sanitary ware such as water storage tanks for toilet devices, defects such as peeling of the glaze and cracks may occur during processes such as glazing and firing. In the past, skilled inspectors visually inspected the appearance, but it was difficult to secure human resources and the training load was high, so eliminating the need for individual workers was a major issue.

このような不具合を自動的に検出するために、検査対象物の撮像画像から表面状態を判定する技術が提案されている（例えば、特許文献１参照）。 In order to automatically detect such defects, a technique has been proposed that determines the surface state from a captured image of an object to be inspected (see, for example, Patent Document 1).

特開２００６－０４７０９８号公報Japanese Patent Application Publication No. 2006-047098

不具合を検出できずに、不具合のあるままで製品を出荷してしまうと、回収、代品出荷、再加工などの手間が生じるとともに、製品の信頼性が低下してしまう。したがって、不具合を自動的に検出する精度を更に高める必要がある。 If a defect is not detected and the product is shipped with the defect, it will take time to recall, ship a replacement product, reprocess, etc., and the reliability of the product will decrease. Therefore, there is a need to further improve the accuracy of automatically detecting defects.

本開示は、このような課題に鑑みてなされ、その目的は、検査対象を検査する精度を向上させることにある。 The present disclosure has been made in view of such problems, and its purpose is to improve the accuracy with which an inspection target is inspected.

上記課題を解決するために、本開示のある態様の検査システムは、検査対象の検出対象部位を検出するための検出器を学習する学習装置と、学習装置により学習された検出器を用いて、検査対象の検出対象部位を検出する検査装置と、を備える。学習装置は、検出対象部位を含む検査対象の撮像画像を取得する学習用画像取得部と、学習用画像取得部により取得された検査対象の撮像画像から学習データを生成する前に、撮像画像に画像処理を施す画像処理部と、画像処理部により処理された検出対象部位の画像から学習データを生成する学習データ生成部と、学習データ生成部により生成された学習データを使用して検出器を学習する学習部と、を備える。検査装置は、検査対象の撮像画像を取得する検査用画像取得部と、検出器を用いて、検査用画像取得部により取得された撮像画像から検出対象部位を検出する検出部と、を備える。 In order to solve the above problems, an inspection system according to an aspect of the present disclosure uses a learning device that learns a detector for detecting a detection target region of an inspection target, and a detector learned by the learning device. An inspection device that detects a detection target site of an inspection target. The learning device includes a learning image acquisition unit that acquires a captured image of the inspection target including the detection target region, and a learning device that generates learning data from the captured image of the inspection target acquired by the learning image acquisition unit. An image processing section that performs image processing, a learning data generation section that generates learning data from the image of the detection target region processed by the image processing section, and a detector using the learning data generated by the learning data generation section. It is equipped with a learning section for learning. The inspection device includes an inspection image acquisition unit that acquires a captured image of the inspection target, and a detection unit that uses a detector to detect a detection target region from the captured image acquired by the inspection image acquisition unit.

本開示の別の態様は、学習装置である。この装置は、検出対象部位を含む検査対象の撮像画像を取得する学習用画像取得部と、学習用画像取得部により取得された検査対象の撮像画像から学習データを生成する前に、撮像画像に画像処理を施す画像処理部と、画像処理部により処理された検出対象部位の画像から学習データを生成する学習データ生成部と、学習データ生成部により生成された学習データを使用して、検査対象の検出対象部位を検出するための検出器を学習する学習部と、を備える。 Another aspect of the present disclosure is a learning device. This device includes a learning image acquisition unit that acquires a captured image of the inspection target including the detection target region, and a training image acquisition unit that acquires a captured image of the inspection target that includes the detection target region, and a training image acquisition unit that uses the captured image to An image processing unit that performs image processing, a learning data generation unit that generates learning data from the image of the detection target region processed by the image processing unit, and a learning data generation unit that uses the learning data generated by the learning data generation unit to and a learning unit that learns a detector for detecting the detection target region.

本開示の別の態様は、学習プログラムである。このプログラムは、コンピュータを、検出対象部位を含む検査対象の撮像画像を取得する学習用画像取得部と、学習用画像取得部により取得された検査対象の撮像画像から学習データを生成する前に、撮像画像に画像処理を施す画像処理部と、画像処理部により処理された検出対象部位の画像から学習データを生成する学習データ生成部と、学習データ生成部により生成された学習データを使用して、検査対象の検出対象部位を検出するための検出器を学習する学習部と、として機能させる。 Another aspect of the present disclosure is a learning program. This program connects a computer to a learning image acquisition unit that acquires a captured image of the inspection target including the detection target region, and before generating learning data from the captured image of the inspection target acquired by the learning image acquisition unit. An image processing section that performs image processing on the captured image, a learning data generation section that generates learning data from the image of the detection target region processed by the image processing section, and a learning data generation section that uses the learning data generated by the learning data generation section. , and a learning unit that learns a detector for detecting a detection target part of an inspection target.

本開示のさらに別の態様は、学習方法である。この方法は、コンピュータに、検出対象部位を含む検査対象の撮像画像を取得するステップと、取得された検査対象の撮像画像から学習データを生成する前に、撮像画像に画像処理を施すステップと、処理された検出対象部位の画像から学習データを生成するステップと、生成された学習データを使用して、検査対象の検出対象部位を検出するための検出器を学習するステップと、を実行させる。 Yet another aspect of the present disclosure is a learning method. This method includes the steps of: acquiring a captured image of the inspection target including the detection target region in a computer; performing image processing on the captured image before generating learning data from the acquired captured image of the inspection target; A step of generating learning data from the processed image of the detection target region, and a step of learning a detector for detecting the detection target region of the inspection target using the generated learning data are executed.

本開示のさらに別の態様は、検査装置である。この装置は、検査対象の撮像画像を取得する検査用画像取得部と、検査用画像取得部により取得された検査対象の撮像画像から検出対象部位を検出する前に、撮像画像に画像処理を施す画像処理部と、検査対象の撮像画像に含まれる検出対象部位の画像から生成された学習データを使用して学習された検出器を用いて、検査用画像取得部により取得された撮像画像から検出対象部位を検出する検出部と、を備える。 Yet another aspect of the present disclosure is an inspection device. This device includes an inspection image acquisition unit that acquires an image of the inspection target, and a test image acquisition unit that performs image processing on the captured image before detecting a detection target part from the image of the inspection target acquired by the inspection image acquisition unit. Detection from the captured image acquired by the inspection image acquisition unit using an image processing unit and a detector trained using learning data generated from images of the detection target region included in the captured image of the inspection target A detection unit that detects a target region.

本開示のさらに別の態様は、検査プログラムである。このプログラムは、コンピュータを、検査対象の撮像画像を取得する検査用画像取得部と、検査用画像取得部により取得された検査対象の撮像画像から検出対象部位を検出する前に、撮像画像に画像処理を施す画像処理部と、検査対象の撮像画像に含まれる検出対象部位の画像から生成された学習データを使用して学習された検出器を用いて、検査用画像取得部により取得された撮像画像から検出対象部位を検出する検出部と、として機能させる。 Yet another aspect of the present disclosure is an inspection program. This program runs a computer to an inspection image acquisition section that acquires a captured image of the inspection target, and to convert the image into a captured image before detecting a detection target part from the captured image of the inspection target acquired by the inspection image acquisition section. An image acquired by an image acquisition unit for inspection using an image processing unit that performs processing and a detector trained using learning data generated from images of the detection target region included in the captured image of the inspection target. It functions as a detection unit that detects a detection target region from an image.

本開示のさらに別の態様は、検査方法である。この方法は、コンピュータに、検査対象の撮像画像を取得するステップと、取得された検査対象の撮像画像から検出対象部位を検出する前に、撮像画像に画像処理を施すステップと、検査対象の撮像画像に含まれる検出対象部位の画像から生成された学習データを使用して学習された検出器を用いて、取得された撮像画像から検出対象部位を検出するステップと、を実行させる。 Yet another aspect of the present disclosure is a testing method. This method requires a computer to acquire a captured image of the inspection target, perform image processing on the captured image before detecting the detection target region from the acquired captured image of the inspection target, and perform image processing on the captured image of the inspection target. A step of detecting a detection target region from the acquired captured image using a detector trained using learning data generated from an image of the detection target region included in the image is executed.

なお、以上の構成要素の任意の組合せ、本発明の表現を方法、装置、システム、記録媒体、コンピュータプログラムなどの間で変換したものもまた、本発明の態様として有効である。 Note that arbitrary combinations of the above-mentioned components and expressions of the present invention converted between methods, devices, systems, recording media, computer programs, etc. are also effective as aspects of the present invention.

実施の形態に係る検査システムの構成を示す図である。1 is a diagram showing the configuration of an inspection system according to an embodiment. タンクの表面の撮像画像の例を示す図である。It is a figure which shows the example of the captured image of the surface of a tank. タンクの表面の撮像画像の例を示す図である。It is a figure which shows the example of the captured image of the surface of a tank. 実施の形態に係る学習方法の手順を示すフローチャートである。It is a flowchart which shows the procedure of the learning method concerning an embodiment. 実施の形態に係る検査方法の手順を示すフローチャートである。It is a flowchart which shows the procedure of the inspection method concerning an embodiment. 実施の形態に係る学習装置の構成を示す図である。FIG. 1 is a diagram showing the configuration of a learning device according to an embodiment. 実施の形態に係る検査装置の構成を示す図である。FIG. 1 is a diagram showing the configuration of an inspection device according to an embodiment.

本開示の実施の形態として、衛生陶器の一例であるタンクの外観を検査する技術について説明する。実施の形態に係る学習装置は、タンクの表面に生じたクラックなどの欠陥を検出するための欠陥検出器を学習する。実施の形態に係る検査装置は、学習装置により学習された欠陥検出器を使用してタンクの撮像画像から欠陥を検出する。これにより、検査の効率及び精度を向上させることができるので、検査員の負担を大幅に軽減させることができる。また、合格品を不合格品と判定する割合を低減させることができるので、不合格品の見直しなどの手間を軽減させることができる。また、検査員の経験や技量などによらず、精確な検査を実施することができるので、検査の属人化を解消し、検査員の人員不足を軽減させることができるとともに、製品の品質を良好に安定させることができる。 As an embodiment of the present disclosure, a technique for inspecting the appearance of a tank, which is an example of sanitary ware, will be described. The learning device according to the embodiment learns a defect detector for detecting defects such as cracks occurring on the surface of a tank. The inspection device according to the embodiment detects defects from the captured image of the tank using the defect detector learned by the learning device. Thereby, the efficiency and accuracy of the inspection can be improved, and the burden on the inspector can be significantly reduced. Furthermore, since it is possible to reduce the proportion of acceptable products to be determined as rejected products, it is possible to reduce the effort of reviewing rejected products. In addition, since accurate inspections can be carried out regardless of the inspector's experience or skill, it is possible to eliminate inspections from individual to individual, reduce the shortage of inspectors, and improve product quality. It can be stabilized well.

図１は、実施の形態に係る検査システムの構成を示す。検査システム１は、検査対象であるタンク２と、タンク２の外観を撮像するための撮像装置３と、タンク２の表面に生じた欠陥を検出するための欠陥検出器を学習する学習装置１００と、欠陥検出器を用いてタンク２の表面を検査する検査装置２００と、それらの装置を接続する通信網の一例であるインターネット４とを備える。 FIG. 1 shows the configuration of an inspection system according to an embodiment. The inspection system 1 includes a tank 2 to be inspected, an imaging device 3 for capturing an image of the external appearance of the tank 2, and a learning device 100 for learning a defect detector for detecting defects occurring on the surface of the tank 2. , an inspection device 200 that inspects the surface of the tank 2 using a defect detector, and the Internet 4, which is an example of a communication network that connects these devices.

図２は、タンク２の表面の撮像画像の例を示す。図２（ａ）は、タンク２の表面に生じたクラックの画像を示す。撮像画像１０には、４つのクラック１１ａ、１１ｂ、１１ｃ、１１ｄの画像が含まれている。学習装置１００は、撮像画像１０に含まれるクラックに対して、クラックであることを示すアノテーション（教師ラベル）を付与し、教師あり学習によって欠陥検出器を学習する。 FIG. 2 shows an example of a captured image of the surface of the tank 2. FIG. 2(a) shows an image of cracks generated on the surface of the tank 2. The captured image 10 includes images of four cracks 11a, 11b, 11c, and 11d. The learning device 100 adds an annotation (supervised label) indicating that the crack is a crack to the crack included in the captured image 10, and trains the defect detector by supervised learning.

欠陥検出器の汎化性能（未知データに対する検出性能）を向上せるためには、多種多様な欠陥の画像を学習データとして欠陥検出器を学習する必要があるが、タンク２を製造する際にタンク２の表面に欠陥が発生する割合は非常に低いので、実際にタンク２の表面に欠陥が生じている画像を大量に収集して学習データを生成するのは困難である。このような課題を解決するために、本実施の形態では、１つの欠陥の画像を複数に分割し、分割された欠陥の画像のそれぞれから学習データを生成する。これにより、大量の学習データを効率良く生成して欠陥検出器を学習することができるので、欠陥検出器の汎化性能及び精度を向上させることができる。このようにして学習された欠陥検出器により欠陥を検出する場合、１つの欠陥が存在する場合であっても、細分化された欠陥の一部ずつが複数個に分けて検出される可能性があるが、検出後に近接している欠陥同士をまとめればよい。この手法は、クラックなど、１つの欠陥においても位置によって形状などの特徴が異なりうる欠陥の検出器を学習する際にとくに効果的である。 In order to improve the generalization performance (detection performance for unknown data) of the defect detector, it is necessary to train the defect detector using images of a wide variety of defects as learning data. Since the rate of occurrence of defects on the surface of tank 2 is very low, it is difficult to generate learning data by collecting a large number of images showing defects actually occurring on the surface of tank 2. In order to solve such problems, in the present embodiment, one defect image is divided into a plurality of parts, and learning data is generated from each of the divided defect images. This allows the defect detector to learn by efficiently generating a large amount of learning data, thereby improving the generalization performance and accuracy of the defect detector. When detecting defects using a defect detector trained in this way, even if a single defect exists, there is a possibility that each part of the subdivided defect will be detected in multiple pieces. However, it is sufficient to group together defects that are close to each other after detection. This method is particularly effective when training detectors for defects such as cracks, where even a single defect may have different characteristics such as shape depending on its location.

学習装置１００は、図２（ａ）に示すように、４つのクラック１１ａ、１１ｂ、１１ｃ、１１ｄの画像のそれぞれにアノテーション１２ａ、１２ｂ、１２ｃ、１２ｄを付与してもよいが、本実施の形態では、図２（ｂ）に示すように、４つのクラック１１ａ、１１ｂ、１１ｃ、１１ｄの画像のうち１１ａ、１１ｂ、１１ｃの３つの画像をそれぞれ複数に分割し、分割された複数のクラックの画像のそれぞれにアノテーションを付与して、別々の学習データを生成する。例えば、クラック１１ａの画像を３つに分割し、それぞれにアノテーション１２ａ１、１２ａ２、１２ａ３を付与して、３つの学習データを生成する。これにより、アノテーションが付与された学習データの数を増やすことができるので、欠陥検出器の汎化性能及び精度を向上させることができる。 The learning device 100 may add annotations 12a, 12b, 12c, and 12d to each of the images of the four cracks 11a, 11b, 11c, and 11d, as shown in FIG. 2(a), but this embodiment Now, as shown in FIG. 2(b), among the images of the four cracks 11a, 11b, 11c, and 11d, three images 11a, 11b, and 11c are each divided into a plurality of parts, and the divided images of the plurality of cracks are Annotate each to generate separate training data. For example, the image of the crack 11a is divided into three parts, annotations 12a1, 12a2, and 12a3 are added to each part to generate three pieces of learning data. This makes it possible to increase the number of annotated learning data, thereby improving the generalization performance and accuracy of the defect detector.

学習装置１００は、担当者からアノテーションの指定を受け付けてもよいし、自動的又は半自動的にアノテーションを付与してもよい。学習装置１００は、撮像画像１０に含まれる欠陥の位置、大きさ、種類の指定を担当者から受け付け、指定された欠陥の大きさ、種類、数などに応じて、欠陥の画像を分割してから学習データを生成するのか分割せずに学習データを生成するのかや、分割する場合は分割数や分割したそれぞれの領域の大きさや形状などを決定してもよい。例えば、図２（ａ）に示したクラック１１ｄは、位置によらず単調な形状を有しているので、分割せずに全体にアノテーション１２ｄを付与してもよい。クラック１１ａ、１１ｂ、１１ｃは、変化に富んだ形状を有しているので、クラックの大きさや形状の変化などに応じた数に分割して、それぞれにアノテーションを付与してもよい。 The learning device 100 may accept an annotation designation from a person in charge, or may automatically or semi-automatically add annotations. The learning device 100 receives the designation of the position, size, and type of defects included in the captured image 10 from the person in charge, and divides the defect image according to the designated defect size, type, number, etc. You may decide whether to generate learning data from or without dividing, and if dividing, the number of divisions and the size and shape of each divided area. For example, since the crack 11d shown in FIG. 2A has a monotonous shape regardless of its position, the annotation 12d may be added to the entire crack without dividing it. Since the cracks 11a, 11b, and 11c have a wide variety of shapes, they may be divided into numbers according to the size of the cracks, changes in shape, etc., and annotations may be given to each of them.

図３は、タンク２の表面の撮像画像の例を示す。図３（ａ）は、タンク２の表面に生じたクラックの画像を示す。タンク２の表面の撮像画像には、クラックなどの欠陥に起因する輝度のコントラストの他に、タンク２の表面の凹凸や撮像時の環境光などに起因する輝度のコントラストが含まれうる。このような検出すべきでない背景画像の特徴を欠陥検出器が誤学習すると、検出精度が低下しうる。このような課題を解決するために、本実施の形態では、検査対象の撮像画像から学習データを生成する前に、撮像画像に画像処理を施す。この前処理は、欠陥などの検出対象部位ではない部位の画像のコントラストを低下させて輝度を平滑化することが可能な画像処理であってもよい。例えば、画像全体にぼかし（ブラー）フィルタをかけてもよい。ぼかしフィルタは、例えば、カーネルの範囲内の画素値の平均を取る箱形フィルタ、注目画素との距離に応じて重みを変えるガウシアンフィルタ、カーネルの範囲内の全画素の中央値を採用する中央値フィルタ、正規分布の重みを付けたガウシアンフィルタであるバイラテラルフィルタなどであってもよい。前処理は、画像の解像度を下げる画像処理であってもよい。これにより、簡易な画像処理によって学習効率を向上させることができるので、高精度な欠陥検出器を短期間で生成することができる。 FIG. 3 shows an example of a captured image of the surface of the tank 2. FIG. 3(a) shows an image of cracks generated on the surface of the tank 2. The captured image of the surface of the tank 2 may include not only brightness contrast caused by defects such as cracks, but also brightness contrast caused by unevenness on the surface of the tank 2, environmental light at the time of imaging, and the like. If the defect detector incorrectly learns such characteristics of the background image that should not be detected, detection accuracy may decrease. In order to solve such a problem, in the present embodiment, before generating learning data from the captured image of the inspection target, image processing is performed on the captured image. This preprocessing may be image processing that is capable of reducing the contrast of an image of a region that is not a detection target region, such as a defect, and smoothing the brightness. For example, a blur filter may be applied to the entire image. Blur filters include, for example, a box filter that takes the average of pixel values within the range of the kernel, a Gaussian filter that changes weight depending on the distance to the pixel of interest, and a median value that uses the median value of all pixels within the range of the kernel. A filter, a bilateral filter that is a Gaussian filter with normal distribution weights, or the like may be used. Pre-processing may be image processing that lowers the resolution of the image. As a result, learning efficiency can be improved through simple image processing, and a highly accurate defect detector can be generated in a short period of time.

図３（ｂ）は、図３（ａ）に示した画像にぼかしフィルターをかけた画像を示す。背景はぼかされてコントラストが低下しているので、背景の特徴を誤学習するのを低減させることができる。欠陥のコントラストも若干低下するが、特徴は保たれているので、欠陥の特徴を欠陥検出器に学習させることができる。 FIG. 3(b) shows an image obtained by applying a blur filter to the image shown in FIG. 3(a). Since the background is blurred and the contrast is reduced, erroneous learning of background features can be reduced. The contrast of the defect is also slightly reduced, but the characteristics are maintained, so the defect detector can learn the characteristics of the defect.

画像処理は、検出対象部位におけるコントラストの特徴が失われず、検出対象部位ではない部位におけるコントラストが十分に平滑化されるような条件で実行されればよい。学習装置１００は、検出対象部位における輝度の分布と、検出対象部位ではない背景における輝度の分布を取得し、それぞれの輝度の分布に基づいて、画像処理の種類やカーネルサイズなどの条件を決定してもよい。学習装置１００は、同種の検査対象を同様の環境で撮像した複数の撮像画像を検査する場合は、同じ条件で画像処理を施してもよい。 Image processing may be performed under conditions such that contrast characteristics in the detection target region are not lost and contrast in regions other than the detection target region is sufficiently smoothed. The learning device 100 acquires the brightness distribution in the detection target region and the brightness distribution in the background that is not the detection target region, and determines conditions such as the type of image processing and the kernel size based on the respective brightness distributions. It's okay. The learning device 100 may perform image processing under the same conditions when inspecting a plurality of captured images of the same type of inspection target captured in a similar environment.

撮像装置３により検査対象のタンク２の表面を撮像する際に、欠陥ではない部位のコントラストが十分に低くなるような撮像環境で撮像を実行してもよい。例えば、タンク２の表面の色や反射率などに応じた照度でタンク２に光を照射してもよい。また、撮像装置３の焦点距離、解像度、絞りなどを調整してもよい。 When the imaging device 3 images the surface of the tank 2 to be inspected, the imaging may be performed in an imaging environment where the contrast of non-defective areas is sufficiently low. For example, the tank 2 may be irradiated with light at an illuminance depending on the color, reflectance, etc. of the surface of the tank 2. Further, the focal length, resolution, aperture, etc. of the imaging device 3 may be adjusted.

図４は、実施の形態に係る学習方法の手順を示すフローチャートである。学習装置１００は、欠陥を有する検査対象の撮像画像を取得し（Ｓ１０）、取得した撮像画像に対してぼかしなどの前処理を実施する（Ｓ１２）。学習装置１００は、撮像画像に含まれる欠陥の画像の少なくとも一部を複数に分割し（Ｓ１４）、分割した複数の欠陥画像のそれぞれにアノテーションを付与して学習データを生成する（Ｓ１６）。学習装置１００は、欠陥の種類ごとに異なるアノテーションを付与してもよい。これにより、欠陥の種類ごとに特徴を欠陥検出器に学習させることができるので、欠陥検出器を用いて検査対象の撮像画像から欠陥を検出すると同時に欠陥の種類を判定することができる。学習装置１００は、生成した学習データを使用して教師あり学習により欠陥検出器を学習する。学習装置１００は、欠陥検出器を学習する際に、既知の任意の学習アルゴリズムを適用してもよい。 FIG. 4 is a flowchart showing the procedure of the learning method according to the embodiment. The learning device 100 acquires a captured image of an inspection target having a defect (S10), and performs preprocessing such as blurring on the acquired captured image (S12). The learning device 100 divides at least a portion of the defect image included in the captured image into a plurality of parts (S14), and generates learning data by adding an annotation to each of the divided plurality of defect images (S16). The learning device 100 may provide different annotations for each type of defect. This allows the defect detector to learn characteristics for each type of defect, so the defect type can be determined at the same time as the defect is detected from the captured image of the inspection target using the defect detector. The learning device 100 uses the generated learning data to learn a defect detector through supervised learning. The learning device 100 may apply any known learning algorithm when learning the defect detector.

図５は、実施の形態に係る検査方法の手順を示すフローチャートである。検査装置２００は、検査対象の撮像画像を取得し（Ｓ３０）、学習装置１００が学習データを生成する際に実施したのと同様の画像処理を撮像画像に対して実施する（Ｓ３２）。検査装置２００は、学習済みの欠陥検出器を用いて撮像画像から欠陥を検出し（Ｓ３４）、検出結果を出力する（Ｓ３６）。 FIG. 5 is a flowchart showing the procedure of the inspection method according to the embodiment. The inspection device 200 acquires a captured image of the inspection target (S30), and performs the same image processing on the captured image as that performed by the learning device 100 when generating learning data (S32). The inspection apparatus 200 detects defects from the captured image using the trained defect detector (S34), and outputs the detection results (S36).

本発明者は、上記の方法により、欠陥を含むタンク２の不合格品２１２点の撮像画像を使用して欠陥検出器を学習し、学習した欠陥検出器を使用してタンク２の合格品５００点と不合格品２３点の検査を実施した。不合格品を合格品と誤判定した件数は０件であった。これにより、本実施の形態の技術によって、不合格品を誤って出荷してしまう可能性を最小限に抑えることができることが示された。また、合格品を不合格品と誤判定した件数は７件であり、正解率は９８．６％であった。これにより、不合格品を検査員が確認する手間を大幅に軽減させることができるとともに、合格品を出荷できずにロスしてしまう割合を大幅に低減させることができることが示された。 Using the method described above, the present inventor trained a defect detector using captured images of 212 rejected products of Tank 2 containing defects, and used the learned defect detector to detect 500 accepted products of Tank 2. Inspections were conducted on 23 rejected products. There were 0 cases in which a rejected product was incorrectly judged as an acceptable product. This indicates that the technique of this embodiment can minimize the possibility of erroneously shipping rejected products. In addition, there were 7 cases in which a passing product was erroneously judged as a rejected product, and the accuracy rate was 98.6%. This has shown that it is possible to significantly reduce the labor required by inspectors to check rejected products, and to significantly reduce the proportion of passing products that cannot be shipped and are lost.

図６は、実施の形態に係る学習装置１００の構成を示す。学習装置１００は、表示装置１１２、入力装置１１３、通信装置１１４、処理装置１２０、及び記憶装置１３０を備える。学習装置１００は、サーバ装置であってもよいし、パーソナルコンピューターなどの装置であってもよいし、携帯電話端末、スマートフォン、タブレット端末などの携帯端末であってもよい。 FIG. 6 shows the configuration of the learning device 100 according to the embodiment. The learning device 100 includes a display device 112, an input device 113, a communication device 114, a processing device 120, and a storage device 130. The learning device 100 may be a server device, a device such as a personal computer, or a mobile terminal such as a mobile phone terminal, a smartphone, or a tablet terminal.

表示装置１１２は、処理装置１２０により生成される画面を表示する。表示装置１１２は、液晶表示装置、有機ＥＬ表示装置などであってもよい。入力装置１１３は、学習装置１００の使用者による指示入力を処理装置１２０に伝達する。入力装置１１３は、マウス、キーボード、タッチパッドなどであってもよい。表示装置１１２及び入力装置１１３は、タッチパネルとして実装されてもよい。 The display device 112 displays a screen generated by the processing device 120. The display device 112 may be a liquid crystal display device, an organic EL display device, or the like. The input device 113 transmits instructions input by the user of the learning device 100 to the processing device 120 . Input device 113 may be a mouse, keyboard, touch pad, or the like. The display device 112 and the input device 113 may be implemented as a touch panel.

通信装置１１４は、他の装置との間の通信を制御する。通信装置１１４は、有線又は無線の任意の通信方式により通信を行ってもよい。通信装置１１４は、インターネット４を介して撮像装置３及び検査装置２００との間で通信を行う。 Communication device 114 controls communication with other devices. The communication device 114 may communicate using any wired or wireless communication method. The communication device 114 communicates with the imaging device 3 and the inspection device 200 via the Internet 4.

記憶装置１３０は、処理装置１２０により使用されるプログラム、データなどを記憶する。記憶装置１３０は、半導体メモリ、ハードディスクなどであってもよい。記憶装置１３０には、学習用画像保持部１３１、学習データ保持部１３２、及び欠陥検出器１３３が格納される。 The storage device 130 stores programs, data, etc. used by the processing device 120. The storage device 130 may be a semiconductor memory, a hard disk, or the like. The storage device 130 stores a learning image holding section 131, a learning data holding section 132, and a defect detector 133.

処理装置１２０は、学習用画像取得部１２１、画像処理部１２２、学習データ生成部１２３、学習部１２４、及び欠陥検出器提供部１２５を備える。これらの構成は、ハードウエア的には、任意のコンピュータのＣＰＵ、メモリ、その他のＬＳＩなどにより実現され、ソフトウエア的にはメモリにロードされたプログラムなどによって実現されるが、ここではそれらの連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウエアのみ、またはハードウエアとソフトウエアの組合せなど、いろいろな形で実現できることは、当業者には理解されるところである。 The processing device 120 includes a learning image acquisition section 121, an image processing section 122, a learning data generation section 123, a learning section 124, and a defect detector providing section 125. These configurations are realized in hardware by the CPU, memory, and other LSI of any computer, and in software by programs loaded into memory, but here we will discuss their cooperation. It depicts the functional blocks realized by Therefore, those skilled in the art will understand that these functional blocks can be implemented in various ways, such as only hardware or a combination of hardware and software.

学習用画像取得部１２１は、欠陥を有する検査対象の撮像画像を撮像装置３から取得して学習用画像保持部１３１に格納する。画像処理部１２２は、学習用画像保持部１３１に格納された学習用画像に対して、ぼかしなどの画像処理を施す。学習データ生成部１２３は、学習用画像に含まれる欠陥にアノテーションを付与する。学習データ生成部１２３は、少なくとも一部の欠陥画像を複数に分割し、分割されたそれぞれの欠陥画像にアノテーションを付与する。学習データ生成部１２３は、学習用画像を表示装置１１２に表示し、入力装置１１３を介して担当者からアノテーションの指定を受け付けてもよい。学習データ生成部１２３は、欠陥にアノテーションを自動的に付与してもよい。学習データ生成部１２３は、学習データを生成して学習データ保持部１３２に格納する。 The learning image acquisition section 121 acquires a captured image of the inspection target having a defect from the imaging device 3 and stores it in the learning image holding section 131 . The image processing unit 122 performs image processing such as blurring on the learning image stored in the learning image holding unit 131. The learning data generation unit 123 adds annotations to defects included in the learning images. The learning data generation unit 123 divides at least a portion of the defective image into a plurality of parts, and annotates each divided defective image. The learning data generation unit 123 may display the learning image on the display device 112 and receive an annotation designation from a person in charge via the input device 113. The learning data generation unit 123 may automatically add annotations to defects. The learning data generation unit 123 generates learning data and stores it in the learning data holding unit 132.

学習部１２４は、学習データ保持部１３２に格納された学習データを使用して、欠陥検出器１３３を学習する。欠陥検出器提供部１２５は、学習済みの欠陥検出器１３３を検査装置２００に提供する。 The learning unit 124 trains the defect detector 133 using the learning data stored in the learning data holding unit 132. The defect detector providing unit 125 provides the trained defect detector 133 to the inspection apparatus 200.

図７は、実施の形態に係る検査装置２００の構成を示す。検査装置２００は、表示装置２１２、入力装置２１３、通信装置２１４、処理装置２２０、及び記憶装置２３０を備える。検査装置２００は、サーバ装置であってもよいし、パーソナルコンピューターなどの装置であってもよいし、携帯電話端末、スマートフォン、タブレット端末などの携帯端末であってもよい。 FIG. 7 shows the configuration of an inspection device 200 according to an embodiment. The inspection device 200 includes a display device 212, an input device 213, a communication device 214, a processing device 220, and a storage device 230. Inspection device 200 may be a server device, a device such as a personal computer, or a mobile terminal such as a mobile phone terminal, a smartphone, or a tablet terminal.

表示装置２１２は、処理装置２２０により生成される画面を表示する。表示装置２１２は、液晶表示装置、有機ＥＬ表示装置などであってもよい。入力装置２１３は、検査装置２００の使用者による指示入力を処理装置２２０に伝達する。入力装置２１３は、マウス、キーボード、タッチパッドなどであってもよい。表示装置２１２及び入力装置２１３は、タッチパネルとして実装されてもよい。 The display device 212 displays a screen generated by the processing device 220. The display device 212 may be a liquid crystal display device, an organic EL display device, or the like. The input device 213 transmits instructions input by the user of the inspection device 200 to the processing device 220. Input device 213 may be a mouse, keyboard, touch pad, or the like. The display device 212 and the input device 213 may be implemented as a touch panel.

通信装置２１４は、他の装置との間の通信を制御する。通信装置２１４は、有線又は無線の任意の通信方式により通信を行ってもよい。通信装置２１４は、インターネット４を介して撮像装置３及び学習装置１００との間で通信を行う。 Communication device 214 controls communication with other devices. The communication device 214 may communicate using any wired or wireless communication method. The communication device 214 communicates with the imaging device 3 and the learning device 100 via the Internet 4.

記憶装置２３０は、処理装置２２０により使用されるプログラム、データなどを記憶する。記憶装置２３０は、半導体メモリ、ハードディスクなどであってもよい。記憶装置２３０には、検査用画像保持部２３１、検出結果保持部２３２、及び欠陥検出器２３３が格納される。 The storage device 230 stores programs, data, etc. used by the processing device 220. The storage device 230 may be a semiconductor memory, a hard disk, or the like. The storage device 230 stores an inspection image holding section 231, a detection result holding section 232, and a defect detector 233.

処理装置２２０は、検査用画像取得部２２１、画像処理部２２２、欠陥検出部２２３、検出結果生成部２２４、及び検出結果出力部２２５を備える。これらの構成も、ハードウエアのみ、またはハードウエアとソフトウエアの組合せなど、いろいろな形で実現できる。 The processing device 220 includes an inspection image acquisition section 221, an image processing section 222, a defect detection section 223, a detection result generation section 224, and a detection result output section 225. These configurations can also be realized in various forms, such as only hardware or a combination of hardware and software.

検査用画像取得部２２１は、撮像装置３により撮像された検査対象の画像を撮像装置３から取得して検査用画像保持部２３１に格納する。画像処理部２２２は、学習装置１００が学習用画像に対して実施したのと同じ画像処理を検査用画像に対して実施する。 The inspection image acquisition section 221 acquires an image of the inspection object captured by the imaging device 3 from the imaging device 3 and stores it in the inspection image holding section 231 . The image processing unit 222 performs the same image processing on the test image that the learning device 100 performs on the learning image.

欠陥検出部２２３は、学習装置１００から取得した学習済みの欠陥検出器２３３を用いて、検査用画像保持部２３１に格納された検査用画像から欠陥を検出し、検出結果を検出結果保持部２３２に格納する。検出結果生成部２２４は、検出された欠陥に関する情報を生成する。検出結果生成部２２４は、欠陥検出部２２３により検出された複数の欠陥が近接している場合、それらの欠陥をまとめて１つの欠陥とする。検出結果生成部２２４は、検出された欠陥の位置、大きさ、数、種類などの情報を生成する。検出結果出力部２２５は、検出結果生成部２２４により生成された検出結果を表示装置２１２などに出力する。 The defect detection unit 223 uses the trained defect detector 233 acquired from the learning device 100 to detect defects from the inspection images stored in the inspection image storage unit 231, and stores the detection results in the detection result storage unit 232. Store in. The detection result generation unit 224 generates information regarding detected defects. When a plurality of defects detected by the defect detection section 223 are close to each other, the detection result generation section 224 combines the defects into one defect. The detection result generation unit 224 generates information such as the position, size, number, and type of detected defects. The detection result output unit 225 outputs the detection result generated by the detection result generation unit 224 to the display device 212 or the like.

以上、実施の形態に基づき本発明を説明したが、実施の形態は、本発明の原理、応用を示すにすぎない。また、実施の形態には、請求の範囲に規定された本発明の思想を逸脱しない範囲において、多くの変形例や配置の変更が可能である。 Although the present invention has been described above based on the embodiments, the embodiments merely illustrate the principle and application of the present invention. Furthermore, many modifications and changes in arrangement are possible in the embodiments without departing from the spirit of the invention defined in the claims.

上記の実施の形態では、主に衛生陶器の表面に生じたクラックを検出する技術について説明したが、本実施の形態の技術は、衛生陶器の表面に生じた別の種類の不具合、例えば、鉄、銅、素地、異物などの付着、釉薬や色などの異常、気泡、割れ、欠けなどの発生などを検出する場合にも適用可能である。また、衛生陶器以外の任意の製品を検査対象としてもよいし、欠陥以外の任意の検出対象部位を検出対象としてもよい。 In the above embodiment, the technology for detecting cracks that occur on the surface of sanitary ware was mainly described. It can also be applied to detect the adhesion of copper, base material, foreign matter, etc., abnormalities in glaze or color, occurrence of bubbles, cracks, chips, etc. Further, any product other than sanitary ware may be the object of inspection, or any part other than defects may be the object of detection.

１検査システム、２タンク、３撮像装置、４インターネット、１０撮像画像、１１クラック、１２アノテーション、１００学習装置、１２１学習用画像取得部、１２２画像処理部、１２３学習データ生成部、１２４学習部、１２５欠陥検出器提供部、１３１学習用画像保持部、１３２学習データ保持部、１３３欠陥検出器、２００検査装置、２２１検査用画像取得部、２２２画像処理部、２２３欠陥検出部、２２４検出結果生成部、２２５検出結果出力部、２３１検査用画像保持部、２３２検出結果保持部、２３３欠陥検出器。 1 inspection system, 2 tank, 3 imaging device, 4 internet, 10 captured image, 11 crack, 12 annotation, 100 learning device, 121 learning image acquisition unit, 122 image processing unit, 123 learning data generation unit, 124 learning unit, Reference Signs List 125 Defect detector providing unit, 131 Learning image holding unit, 132 Learning data holding unit, 133 Defect detector, 200 Inspection device, 221 Inspection image acquisition unit, 222 Image processing unit, 223 Defect detection unit, 224 Detection result generation section, 225 detection result output section, 231 inspection image holding section, 232 detection result holding section, 233 defect detector.

Claims

検査対象の検出対象部位を検出するための検出器を学習する学習装置と、
前記学習装置により学習された前記検出器を用いて、検査対象の検出対象部位を検出する検査装置と、
を備え、
前記学習装置は、
検出対象部位を含む検査対象の撮像画像を取得する学習用画像取得部と、
前記学習用画像取得部により取得された検査対象の撮像画像から学習データを生成する前に、前記撮像画像の全体にぼかしフィルタをかける画像処理を施す画像処理部と、
前記画像処理部により処理された検出対象部位の画像から学習データを生成する学習データ生成部と、
前記学習データ生成部により生成された学習データを使用して前記検出器を学習する学習部と、
を備え、
前記検査装置は、
検査対象の撮像画像を取得する検査用画像取得部と、
前記検出器を用いて、前記検査用画像取得部により取得された撮像画像から検出対象部位を検出する検出部と、
を備え、
前記画像処理部は、前記検査対象の撮像画像の前記検出対象部位における輝度の分布と、前記検出対象部位ではない背景における輝度の分布を取得し、それぞれの輝度の分布に基づいて、前記画像処理の種類又はカーネルサイズを決定する
検査システム。 a learning device that learns a detector for detecting a detection target part of an inspection target;
an inspection device that detects a detection target part of an inspection target using the detector learned by the learning device;
Equipped with
The learning device includes:
a learning image acquisition unit that acquires a captured image of the inspection target including the detection target part;
an image processing unit that performs image processing to apply a blurring filter to the entire captured image before generating learning data from the captured image of the inspection target acquired by the learning image acquisition unit;
a learning data generation unit that generates learning data from the image of the detection target region processed by the image processing unit;
a learning unit that learns the detector using the learning data generated by the learning data generating unit;
Equipped with
The inspection device includes:
an inspection image acquisition unit that acquires a captured image of the inspection target;
a detection unit that uses the detector to detect a detection target region from the captured image acquired by the inspection image acquisition unit;
Equipped with
The image processing unit obtains a brightness distribution in the detection target region and a brightness distribution in a background other than the detection target region of the captured image of the inspection target, and performs the image processing based on the respective brightness distributions. An inspection system that determines the type or kernel size of a kernel.

検出対象部位を含む検査対象の撮像画像を取得する学習用画像取得部と、
前記学習用画像取得部により取得された検査対象の撮像画像から学習データを生成する前に、前記撮像画像の全体にぼかしフィルタをかける画像処理を施す画像処理部と、
前記画像処理部により処理された検出対象部位の画像から学習データを生成する学習データ生成部と、
前記学習データ生成部により生成された学習データを使用して、検査対象の検出対象部位を検出するための検出器を学習する学習部と、
を備え、
前記画像処理部は、前記検査対象の撮像画像の前記検出対象部位における輝度の分布と、前記検出対象部位ではない背景における輝度の分布を取得し、それぞれの輝度の分布に基づいて、前記画像処理の種類又はカーネルサイズを決定する
学習装置。 a learning image acquisition unit that acquires a captured image of the inspection target including the detection target part;
an image processing unit that performs image processing to apply a blurring filter to the entire captured image before generating learning data from the captured image of the inspection target acquired by the learning image acquisition unit;
a learning data generation unit that generates learning data from the image of the detection target region processed by the image processing unit;
a learning unit that uses the learning data generated by the learning data generating unit to learn a detector for detecting a detection target part of the inspection target;
Equipped with
The image processing unit obtains a brightness distribution in the detection target region and a brightness distribution in a background other than the detection target region of the captured image of the inspection target, and performs the image processing based on the respective brightness distributions. A learning device that determines the type or kernel size.

前記検査対象は衛生陶器であり、前記検出対象部位は前記衛生陶器の表面に生じた欠陥である請求項２に記載の学習装置。 3. The learning device according to claim 2 , wherein the inspection target is sanitary ware, and the detection target part is a defect occurring on the surface of the sanitary ware.

前記欠陥はクラックである請求項３に記載の学習装置。 The learning device according to claim 3 , wherein the defect is a crack.

コンピュータを、
検出対象部位を含む検査対象の撮像画像を取得する学習用画像取得部と、
前記学習用画像取得部により取得された検査対象の撮像画像から学習データを生成する前に、前記撮像画像の全体にぼかしフィルタをかける画像処理を施す画像処理部と、
前記画像処理部により処理された検出対象部位の画像から学習データを生成する学習データ生成部と、
前記学習データ生成部により生成された学習データを使用して、検査対象の検出対象部位を検出するための検出器を学習する学習部と、
として機能させ、
前記画像処理部は、前記検査対象の撮像画像の前記検出対象部位における輝度の分布と、前記検出対象部位ではない背景における輝度の分布を取得し、それぞれの輝度の分布に基づいて、前記画像処理の種類又はカーネルサイズを決定する
学習プログラム。 computer,
a learning image acquisition unit that acquires a captured image of the inspection target including the detection target part;
an image processing unit that performs image processing to apply a blurring filter to the entire captured image before generating learning data from the captured image of the inspection target acquired by the learning image acquisition unit;
a learning data generation unit that generates learning data from the image of the detection target region processed by the image processing unit;
a learning unit that uses the learning data generated by the learning data generating unit to learn a detector for detecting a detection target part of the inspection target;
function as
The image processing unit obtains a brightness distribution in the detection target region and a brightness distribution in a background other than the detection target region of the captured image of the inspection target, and performs the image processing based on the respective brightness distributions. A learning program that determines the type or kernel size.

コンピュータに、
検出対象部位を含む検査対象の撮像画像を取得するステップと、
取得された検査対象の撮像画像から学習データを生成する前に、前記撮像画像の全体にぼかしフィルタをかける画像処理を施すステップと、
処理された検出対象部位の画像から学習データを生成するステップと、
生成された学習データを使用して、検査対象の検出対象部位を検出するための検出器を学習するステップと、
を実行させ、
前記画像処理を施すステップにおいて、前記検査対象の撮像画像の前記検出対象部位における輝度の分布と、前記検出対象部位ではない背景における輝度の分布を取得し、それぞれの輝度の分布に基づいて、前記画像処理の種類又はカーネルサイズを決定する
学習方法。 to the computer,
acquiring a captured image of the inspection target including the detection target region;
Before generating learning data from the acquired captured image of the inspection target, performing image processing to apply a blurring filter to the entire captured image;
a step of generating learning data from the processed image of the detection target region;
using the generated training data to learn a detector for detecting the detection target part of the inspection target;
run the
In the step of performing the image processing, a brightness distribution in the detection target region and a brightness distribution in the background other than the detection target region of the captured image of the inspection target are obtained, and based on the respective brightness distributions, the A learning method for determining the type of image processing or kernel size.

検査対象の撮像画像を取得する検査用画像取得部と、
前記検査用画像取得部により取得された検査対象の撮像画像から検出対象部位を検出する前に、前記撮像画像の全体にぼかしフィルタをかける画像処理を施す画像処理部と、
検査対象の撮像画像に含まれる検出対象部位の画像から生成された学習データを使用して学習された検出器を用いて、前記検査用画像取得部により取得された撮像画像から検出対象部位を検出する検出部と、
を備え、
前記画像処理の種類又はカーネルサイズは、前記検査対象の撮像画像の前記検出対象部位における輝度の分布と、前記検出対象部位ではない背景における輝度の分布に基づいて決定される
検査装置。 an inspection image acquisition unit that acquires a captured image of the inspection target;
an image processing unit that performs image processing to apply a blurring filter to the entire captured image before detecting a detection target region from the captured image of the inspection target acquired by the inspection image acquisition unit;
Detecting the detection target region from the captured image acquired by the inspection image acquisition unit using a detector trained using learning data generated from an image of the detection target region included in the captured image of the inspection target. a detection unit to
Equipped with
The type of image processing or the kernel size is determined based on a luminance distribution in the detection target region of a captured image of the inspection target and a luminance distribution in a background other than the detection target region.

前記検出部により検出された複数の検出対象部位が近接している場合、それらの検出対象部位をまとめて１つの検出対象部位として検出する請求項７に記載の検査装置。 8. The inspection device according to claim 7 , wherein when a plurality of detection target regions detected by the detection unit are close to each other, the detection target regions are detected together as one detection target region.

前記検査対象は衛生陶器であり、前記検出対象部位は前記衛生陶器の表面に生じた欠陥である請求項７又は８に記載の検査装置。 The inspection device according to claim 7 or 8 , wherein the inspection target is sanitary ware, and the detection target region is a defect occurring on the surface of the sanitary ware.

前記欠陥はクラックである請求項９に記載の検査装置。 The inspection device according to claim 9 , wherein the defect is a crack.

コンピュータを、
検査対象の撮像画像を取得する検査用画像取得部と、
前記検査用画像取得部により取得された検査対象の撮像画像から検出対象部位を検出する前に、前記撮像画像の全体にぼかしフィルタをかける画像処理を施す画像処理部と、
検査対象の撮像画像に含まれる検出対象部位の画像から生成された学習データを使用して学習された検出器を用いて、前記検査用画像取得部により取得された撮像画像から検出対象部位を検出する検出部と、
として機能させ、
前記画像処理の種類又はカーネルサイズは、前記検査対象の撮像画像の前記検出対象部位における輝度の分布と、前記検出対象部位ではない背景における輝度の分布に基づいて決定される
検査プログラム。 computer,
an inspection image acquisition unit that acquires a captured image of the inspection target;
an image processing unit that performs image processing to apply a blurring filter to the entire captured image before detecting a detection target region from the captured image of the inspection target acquired by the inspection image acquisition unit;
Detecting the detection target region from the captured image acquired by the inspection image acquisition unit using a detector trained using learning data generated from an image of the detection target region included in the captured image of the inspection target. a detection unit to
function as
The type of image processing or the kernel size is determined based on a luminance distribution in the detection target region of the captured image of the inspection target and a luminance distribution in a background other than the detection target region.

コンピュータに、
検査対象の撮像画像を取得するステップと、
取得された検査対象の撮像画像から検出対象部位を検出する前に、前記撮像画像の全体にぼかしフィルタをかける画像処理を施すステップと、
検査対象の撮像画像に含まれる検出対象部位の画像から生成された学習データを使用して学習された検出器を用いて、取得された撮像画像から検出対象部位を検出するステップと、
を実行させ、
前記画像処理の種類又はカーネルサイズは、前記検査対象の撮像画像の前記検出対象部位における輝度の分布と、前記検出対象部位ではない背景における輝度の分布に基づいて決定される
検査方法。 to the computer,
a step of acquiring a captured image of the inspection target;
Before detecting a detection target region from the obtained captured image of the inspection target, performing image processing to apply a blurring filter to the entire captured image;
Detecting a detection target region from the acquired captured image using a detector trained using learning data generated from an image of the detection target region included in the captured image of the inspection target;
run the
The type of image processing or the kernel size is determined based on a luminance distribution in the detection target region of a captured image of the inspection target and a luminance distribution in a background other than the detection target region.