【技术实现步骤摘要】
本专利技术涉及生成用于训练在工件的外观检查中为了对表面缺陷的类别进行分类而应用的缺陷分类器的训练图像数据的监督式机器学习用的训练图像数据生成系统和生成方法及记录介质。
技术介绍
1、在各种产业领域中使用利用数字相机来拍摄由所控制的照明单元照明的工件的被检面并对其拍摄图像进行处理来检测表面缺陷的所谓的外观检查装置。近年来，以解析缺陷的发生原因或向修理工序提供信息为目的，存在许多希望从拍摄图像分类缺陷类别这样的要求，使用了监督式机器学习的缺陷类别分类功能的开发得到发展。
2、针对希望分类的每个缺陷种类收集足够的训练数据(带标签的图像)，训练监督式机器学习算法来生成分类器。在图像分类的领域中，基于其性能优越性的理由，广泛使用cnn(convolutional neural network，卷积神经网络)这样的深度学习的一种方法。
3、在想要使用监督式机器学习来得到期望的缺陷分类性能时需要足够的训练数据，但关于其存在以下那样的课题。
4、1.具有关于缺陷的知识的人员需要对大量的图像赋予基准真值标签(groundtruth label)，所需的工作量大，另外根据人的不同而有时即便是相同的图像也会附加不同的标签。
5、2.关于发生频度低的缺陷，在收集图像数据时花费时间。
6、3.在被检物的特性(例如形状、颜色)不同时图像会变化，所以即便是相同的缺陷，也需要针对被检物的每个特性，汇总图像来学习。
7、4.在照明条件、拍摄图像分辨率等拍摄条件不同时图像会变化，所以即便是相同
8、此外，在专利文献1中，以导出用于应用于外观检查的最优的光学条件为课题，公开了一种光学条件决定系统，具有：仿真执行部，通过在多个光学条件下针对将作为外观检查的对象的对象物的表面性质和状态进行模型化而得到的表面性质和状态模型以及将所述对象物的缺陷进行模型化而得到的缺陷模型分别进行光学仿真，生成表面性质和状态图像以及缺陷图像；图像合成部，合成通过同一光学条件下的光学仿真来生成的所述表面性质和状态图像以及所述缺陷图像，生成合成图像；评价值计算部，计算表示所述合成图像中的所述缺陷的检测难易度的评价值；相关解析部，解析与所述合成图像对应的光学条件和所述评价值的相关；以及最优条件搜索部，根据所述相关的解析结果，搜索适合于所述外观检查的所述光学条件。
9、另外，在专利文献2中，公开了一种表面缺陷检查装置的配置决定方法，将照明部以及摄像部各自的配置位置以及光轴方向设定为第1以及第2配置信息，根据对照明部、摄像部以及包含缺陷的被检查物的外观分别进行数值化而得到的各信息，通过数值运算来求出利用基于第1配置信息的照明部对被检查物进行照明并利用基于第2配置信息的摄像部对检查区域进行摄像而得到的图像，根据该图像来检测缺陷。
10、现有技术文献
11、专利文献1：日本特开2021-43010号公报
12、专利文献2：国际公开wо2018/225406号公报
技术实现思路
1、然而，专利文献1以及2所记载的技术均以导出对外观检查最优的光学条件为目的，并非是生成用于训练监督式机器学习算法的训练图像数据的技术。因此，并未解决如上所述的与训练数据的取得有关的课题。
2、本专利技术是鉴于这样的技术背景而完成的，其目的在于，提供一种能够容易地生成用于使用监督式机器学习进行缺陷分类的恰当的训练图像数据的监督式机器学习用的训练图像数据生成系统和生成方法及记录介质。
3、上述目的通过以下的手段来实现。
4、(1)一种监督式机器学习用的训练图像数据生成系统，是生成用于对应用于外观检查的缺陷分类器进行训练的监督式机器学习用的训练图像数据的生成系统，其特征在于，具备：
5、缺陷模型存储部，保持将缺陷的形状和光学特性进行模型化得到的缺陷模型；
6、被检面模型存储部，保持将被检面的形状和光学特性进行模型化得到的被检面模型；以及
7、数据生成单元，将从保持于缺陷模型存储部的缺陷模型中任意地选择的缺陷模型和从保持于被检面模型存储部的被检面模型中任意地选择的被检面模型，配置到利用照明光学系统、摄像光学系统、由多个像素构成的摄像传感器被模型化的光线追踪仿真软件进行光线追踪的任意的空间，追踪多个光线，基于入射到所述像素的光线的强度和条数来计算各像素中的照度，并根据计算出的照度来生成作为所述训练图像数据的虚拟摄像图像数据。
8、(2)在前项(1)记载的监督式机器学习用的训练图像数据生成系统中，对保持于所述缺陷模型存储部的所有的缺陷模型赋予表示其缺陷种类的标签，对由所述数据生成单元生成的虚拟摄像图像数据赋予与对在生成时所使用的所述缺陷模型赋予的标签相同的标签。
9、(3)在前项(1)或者(2)记载的监督式机器学习用的训练图像数据生成系统中，所述数据生成单元将所述缺陷模型和被检面模型配置到所述仿真软件上的多个不同的位置来生成所述虚拟摄像图像数据。
10、(4)在前项(1)或者(2)记载的监督式机器学习用的训练图像数据生成系统中，所述数据生成单元通过对利用所述光学仿真来生成的虚拟摄像图像数据实施图像处理，从而具有亮度的变更和/或噪声赋予的功能。
11、(5)在前项(1)或者(2)记载的监督式机器学习用的训练图像数据生成系统中，所述数据生成单元将所述缺陷模型和所述被检面模型的形状进行合成，并配置到利用光线追踪仿真软件进行光线追踪的任意的空间。
12、(6)一种监督式机器学习用的训练图像数据生成方法，是生成用于对应用于外观检查的缺陷分类器进行训练的监督式机器学习用的训练图像数据的生成方法，包括：
13、从保持于缺陷模型存储部的将缺陷的形状和光学特性进行模型化得到的缺陷模型中任意地选择缺陷模型的步骤；
14、从保持于被检面模型存储部的将被检面的形状和光学特性进行模型化得到的被检面模型中任意地选择被检面模型的步骤；以及
15、数据生成步骤，将所选择的缺陷模型和被检面模型配置到利用照明光学系统、摄像光学系统、由多个像素构成的摄像传感器被模型化的光线追踪仿真软件进行光线追踪的任意的空间，追踪多个光线，基于入射到所述像素的光线的强度和条数来计算各像素中的照度，并根据计算出的照度来生成作为所述训练图像数据的虚拟摄像图像数据。
16、(7)在前项(6)记载的监督式机器学习用的训练图像数据生成方法中，对保持于所述缺陷模型存储部的所有的缺陷模型赋予表示其缺陷种类的标签，对在所述数据生成步骤中生成的虚拟摄像图像数据赋予与对在生成时所使用的所述缺陷模型赋予的标签相同的标签。
17、(8)在前项(6)或者(7)记载的监督式机器学习用的训练图像数据生成方法中，在所述数据生成步骤中，将所述缺陷模型和被检面模型配置到所述仿真软件上的多个不同的位置来生成所述虚拟摄像图像数据。
18、(9)在本文档来自技高网...
【技术保护点】
1.一种监督式机器学习用的训练图像数据生成系统，是生成用于对应用于外观检查的缺陷分类器进行训练的监督式机器学习用的训练图像数据的生成系统，其特征在于，具备：
2.根据权利要求1所述的监督式机器学习用的训练图像数据生成系统，其中，
3.根据权利要求1或者2所述的监督式机器学习用的训练图像数据生成系统，其中，
4.根据权利要求1或者2所述的监督式机器学习用的训练图像数据生成系统，其中，
5.根据权利要求1或者2所述的监督式机器学习用的训练图像数据生成系统，其中，
6.一种监督式机器学习用的训练图像数据生成方法，是生成用于对应用于外观检查的缺陷分类器进行训练的监督式机器学习用的训练图像数据的生成方法，包括：
7.根据权利要求6所述的监督式机器学习用的训练图像数据生成方法，其中，
8.根据权利要求6或者7所述的监督式机器学习用的训练图像数据生成方法，其中，
9.根据权利要求6或者7所述的监督式机器学习用的训练图像数据生成方法，其中，
10.根据权利要求6或者7所述的监督式机器学习用
11.一种储存有程序的计算机可读取的记录介质，所述程序是用于使计算机执行生成用于对应用于外观检查的缺陷分类器进行训练的监督式机器学习用的训练图像数据的处理的程序，其中，所述程序用于使所述计算机执行：
12.根据权利要求11所述的记录介质，其中，
13.根据权利要求11或者12所述的记录介质，其中，
14.根据权利要求11或者12所述的记录介质，其中，
15.根据权利要求11或者12所述的记录介质，其中，
...【技术特征摘要】
1.一种监督式机器学习用的训练图像数据生成系统，是生成用于对应用于外观检查的缺陷分类器进行训练的监督式机器学习用的训练图像数据的生成系统，其特征在于，具备：
2.根据权利要求1所述的监督式机器学习用的训练图像数据生成系统，其中，
3.根据权利要求1或者2所述的监督式机器学习用的训练图像数据生成系统，其中，
4.根据权利要求1或者2所述的监督式机器学习用的训练图像数据生成系统，其中，
5.根据权利要求1或者2所述的监督式机器学习用的训练图像数据生成系统，其中，
6.一种监督式机器学习用的训练图像数据生成方法，是生成用于对应用于外观检查的缺陷分类器进行训练的监督式机器学习用的训练图像数据的生成方法，包括：
7.根据权利要求6所述的监督式机器学习用的训练图像数据生成方法，...
【专利技术属性】
技术研发人员：相马祥人，
申请(专利权)人：柯尼卡美能达株式会社，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。