特許ウォッチ

公開番号2025174305
公報種別公開特許公報(A)
公開日2025-11-28
出願番号2024080504
出願日2024-05-16
発明の名称外観検査方法、および外観検査システム
出願人株式会社リコー
代理人弁理士法人酒井国際特許事務所
主分類G01N 21/88 20060101AFI20251120BHJP(測定;試験)
要約【課題】被検査体の外観検査において、GRAY領域の欠陥を機械学習モデルを用いて良否判別することができる外観検査方法、および外観検査システムを提供する。
【解決手段】本発明は、外観検査システムで実行される外観検査方法であって、ルールベースモデルによって機械学習モデルにより被検査体の欠陥を判定可能な欠陥画像を選別するステップと、前記欠陥画像に対して、撮像方法の異なる複数の撮像装置の画像を用いて学習した複数の前記機械学習モデルを用いたアンサンブルモデルにより、前記被検査体の欠陥を判定するステップと、を含む。
【選択図】図1
特許請求の範囲【請求項１】
外観検査システムで実行される外観検査方法であって、
ルールベースモデルによって機械学習モデルにより被検査体の欠陥を判定可能な欠陥画像を選別するステップと、
撮像方法の異なる複数の撮像装置の画像を用いて学習した複数の前記機械学習モデルを用いたアンサンブルモデルにより、前記欠陥画像に含まれる前記被検査体の欠陥を判定するステップと、
を含む外観検査方法。
続きを表示（約 470 文字）【請求項２】
前記撮像装置は、前記被検査体の表面にその光を照射する光源と、前記光源で照射された前記被検査体を撮像する撮像手段と、を有する請求項１に記載の外観検査方法。
【請求項３】
前記被検査体の撮像方法が異なる画像から抽出した特徴量を、前記機械学習モデルの学習に利用する、請求項１または２に記載の外観検査方法。
【請求項４】
前記機械学習モデルは、複数の特徴量のセットを用いて学習されるモデルである、請求項１または２に記載の外観検査方法。
【請求項５】
前記機械学習モデルは、前記被検査体の欠陥の大きさを予測する、請求項１または２に記載の外観検査方法。
【請求項６】
機械学習モデルにより被検査体の欠陥を判定可能な欠陥画像を選別するルールベースモデルと、
撮像方法の異なる複数の撮像装置の画像を用いて学習した複数の前記機械学習モデルを用いて、前記欠陥画像に含まれる前記被検査体の欠陥を判定するアンサンブルモデルと、
を備える外観検査システム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、外観検査方法、および外観検査システムに関する。
続きを表示（約 2,000 文字）【背景技術】
【０００２】
製造業において、市場に高品質かつ安心・安全な製品を提供するために検査工程により良品または不良品を適切に判別する必要がある。一般に外観検査においては、カメラや照明等の撮像光学系を組み合わせ、製品（被検査体）の外観を撮像した後、適切な画像処理を行うことで製品表面の欠陥の有無や大きさを判別し、良否を判定する技術がある。
【０００３】
特許文献１には、検査対象体の外観の良否を高精度に且つ短時間で判定する目的で、少なくとも２つ以上の異なる撮像条件で撮像した画像に基づく少なくとも２つの画像の夫々から、複数の特徴量を抽出し、抽出した各画像の特徴量を跨る特徴量から、対象物の良否を判定するための特徴量を選択し、選択した特徴量に基づいて、被検査体の良否を判定する構成が開示されている。
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、上記の被検査体（例えば、感光体）の外観検査では、ルールベースでＯＫまたはＮＧの閾値を引く際に、良品と不良品が混在する領域（ＧＲＡＹ領域）がある関係上、不良品を流出させないために、全ての不良品をＮＧ判定するよう（すなわち、ＧＲＡＹ領域を全てＮＧ判定するよう）に閾値線を引く関係上、一部良品をＮＧと判定し、不良品を過検出してしまう場合がある。
【０００５】
本発明は、上記に鑑みてなされたものであって、被検査体の外観検査において、ＧＲＡＹ領域の欠陥を機械学習モデルを用いて良否判別することができる外観検査方法、および外観検査システムを提供することを目的とする。
【課題を解決するための手段】
【０００６】
上述した課題を解決し、目的を達成するために、本発明は、外観検査システムで実行される外観検査方法であって、ルールベースモデルによって機械学習モデルにより被検査体の欠陥を判定可能な欠陥画像を選別するステップと、前記欠陥画像に対して、撮像方法の異なる複数の撮像装置の画像を用いて学習した複数の前記機械学習モデルを用いたアンサンブルモデルにより、前記被検査体の欠陥を判定するステップと、を含む。
【発明の効果】
【０００７】
本発明によれば、被検査体の外観検査において、ＧＲＡＹ領域の欠陥を機械学習モデルを用いて良否判別することができる、という効果を奏する。
【図面の簡単な説明】
【０００８】
図１は、本実施の形態にかかる外観検査システムの機能構成の一例を示す図である。
図２は、本実施の形態にかかる外観検査システムのハードウェア構成の一例を示す図である。
図３は、本実施の形態にかかる外観検査システムにおける制御処理の流れの一例を示すフローチャートである。
図４Ａは、本実施の形態にかかる外観検査システムにおける機械学習モデルの学習に用いる特徴量の選択を最適化する処理の流れの一例を示すフローチャートである。
図４Ｂは、本実施の形態にかかる外観検査システムにおける機械学習モデルの学習に用いる特徴量の選択を最適化する処理に関わる機能構成の一例を示す図である。
図４Ｃは、本実施の形態にかかる外観検査システムにおける学習データとテストデータの分割例を示す図である。
図４Ｄは、本実施の形態にかかる外観検査システムにおける訓練データと検証データの分割例を示す図である。
図４Ｅは、本実施の形態にかかる外観検査システムにおける各Ｆｏｌｄにおける欠陥の大きさの分布例を示す図である。
図５は、本実施の形態にかかる外観検査システムにおいて抽出する特徴量の一覧を示す図である。
図６は、本実施の装置における機械学習モデルの学習の一例を説明するための図である。
図７Ａは、本実施の形態にかかる外観検査システムにおける被検査体の検査時の良否判定処理の流れの一例を示すフローチャートである。
図７Ｂは、本実施の形態にかかる外観検査システムにおける被検査体の検査時の良否判定処理に関わる機能構成の一例を示す図である。
図８は、本実施の形態にかかる外観検査システムにおけるルールベースモデルの判定処理の流れの一例を示すフローチャートである。
【発明を実施するための形態】
【０００９】
以下に添付図面を参照して、外観検査方法、および外観検査システムを適用した外観検査システムの実施の形態を詳細に説明する。以下に本発明の実施の形態について具体的に説明するが、本発明はこれに限定されるものではない。
【００１０】
図１は、本実施の形態にかかる外観検査システムの機能構成の一例を示す図である。各種機能についての詳細は別図を用いて説明し、図１では、実施の形態の概略について説明する。
（【００１１】以降は省略されています）

関連特許