特許ウォッチ

公開番号2024054011
公報種別公開特許公報(A)
公開日2024-04-16
出願番号2022160572
出願日2022-10-04
発明の名称検査装置
出願人株式会社システムスクエア
代理人個人
主分類G01N 23/04 20180101AFI20240409BHJP(測定;試験)
要約【課題】学習モデルを用いた検査画像の分類の際に、分類スコアとセグメンテーションを同時に把握することを可能とする検査装置を提供する。
【解決手段】本発明の検査装置は、物品を搬送する搬送部と、物品に電磁波を照射する電磁波照射部と、物品を経た電磁波を少なくとも検出し、検出値を出力する電磁波検出部と、検出値に基づき、物品を含む画像である検査画像を生成する画像生成部と、画像が入力されることで、当該画像を2以上の類の所定のいずれかの類に分類し、分類の確度を示す分類スコアと、分類スコアの推定の過程で注視した画像内の領域である注目部位を示す情報と、を出力する学習モデルを予め記憶する学習モデル記憶部と、検査画像を学習モデルに入力して出力を得る画像解析部と、を備える。
【選択図】図1

特許請求の範囲【請求項１】
物品を搬送する搬送部と、
前記物品に電磁波を照射する電磁波照射部と、
前記物品を経た前記電磁波を少なくとも検出し、検出値を出力する電磁波検出部と、
前記検出値に基づき、前記物品を含む画像である検査画像を生成する画像生成部と、
画像が入力されることで前記画像を２以上の類のうち所定のいずれかの類に分類し、分類の確度を示す分類スコアと、前記分類スコアの推定の過程で注視した前記画像内の領域である注目部位を示す情報と、を出力する学習モデルを予め記憶する学習モデル記憶部と、
前記検査画像を前記学習モデルに入力して出力を得る画像解析部と、
を備える検査装置。
続きを表示（約 270 文字）【請求項２】
前記検査画像に前記注目部位を示す情報に基づく前記注目部位を示す画像を重畳して表示部に表示させるとともに、前記注目部位を示す画像の近傍に前記分類スコアを表示させる表示制御部を更に備える請求項１に記載の検査装置。
【請求項３】
前記注目部位を示す画像は、注目の程度が一定以上である範囲の輪郭画像である請求項２に記載の検査装置。
【請求項４】
前記検査画像、並びに前記検査画像の前記分類スコア及び前記注目部位を示す情報を関連付けて記憶する解析結果記憶部を更に備える請求項１に記載の検査装置。

発明の詳細な説明【技術分野】
【０００１】
本発明は、物品に電磁波を照射することにより得られる画像に基づき物品の検査を行う検査装置に関する。
続きを表示（約 1,600 文字）【背景技術】
【０００２】
一般に、物品の製造から梱包、出荷に至るまでの各工程では、物品に適した、又は物品内に含まれ得る異物の種類（材料、大きさなど）に適した検査方法によって、物品の良否や物品内の異物の存否等の検査が行われる。このうち、物品を非破壊で検査可能な電磁波検査装置では、物品にＸ線などの電磁波を照射し、物品を経た電磁波の強度の分布を把握することにより、物品の良否や物品内への異物の存否等を検査することができる。
【０００３】
具体的には、例えば、複数の検出素子が物品の搬送方向に直交する方向に一列に配列されたラインセンサ上を物品が横切る間、ラインセンサの各検出素子で物品の搬送速度に応じた検出周期で透過電磁波を繰り返し検出することで、検出値がラインセンサの検出素子の個数×検出周期数で二次元配列された検出値群が得られる。そして、各検出値の二次元配列における位置を画素の位置として、検出値の大小を例えば画素の明暗で表現することで、物品の透過電磁波の強度分布が画素の明暗で表現された二次元の画像を生成することができる。
【０００４】
このように生成された物品の画像を解析することにより、物品の形状や、物品内部の異物の存否・存在位置等を検査することができる。画像解析による異常検出の方法としては、従来からの画像処理による方法のほか、画像を学習モデルに入力することにより画像の分類スコアを得る方法が挙げられる（例えば、特許文献１参照）。
【０００５】
また、学習モデルを評価する手法のひとつとして、画像の分類（例えば、正常又は異常）の確度の推定過程で学習モデルが注目した画像内の部位（確度の推定に寄与した部位）をヒートマップ等で表現した注目部位を示す情報を生成し、当該学習モデルによる当該画像の分類の確度を示す分類スコアが、本来注目すべき部位に注目して推定されたかどうかを可視化する手法がある。
【０００６】
また、画像の入力により、分類スコアとセグメンテーションの双方を出力するマルチタスク型の学習モデルがある。このようなマルチタスク型の学習モデルとしては、例えば非特許文献１に開示されたものが挙げられる。非特許文献１のマルチタスク型学習モデルは、処理タスクとしてsegmentation taskとclassification taskを含み、画像の入力により、segmentation taskにおいて入力画像の注目部位を示す情報を生成して出力するとともに、classification taskにおいて入力画像の分類スコアを出力する。
【０００７】
マルチタスク型の学習モデルの場合、分類スコアとセグメンテーションの位置とを照合することで、学習モデルが適切に機能しているかを確認することができる。
【先行技術文献】
【特許文献】
【０００８】
国際公開第２０２０／０７１１６２号
【非特許文献】
【０００９】
A.Amyar, R.Modzelewski, S.Ruan, "Multi-task deep learning based CT imaging analysis for COVID-19: classification and segmentation", medRxiv, April 2020, doi: https://doi.org/10.1101/2020.04.16.20064709
【発明の概要】
【発明が解決しようとする課題】
【００１０】
従来のマルチタスク型の学習モデルは、分類スコアとセグメンテーションの双方の出力が可能であるが別個独立に出力されるため、その両者を確認するには、分類スコアを確認した上で、別途、当該分類スコアに対応するセグメンテーションを検索して確認する必要があり、これらの作業がかなり煩雑である。
（【００１１】以降は省略されています）

関連特許