[发明专利]图像处理装置、电脑可读取记录媒体、图像处理系统

说明书

本发明提出一种图像处理装置、电脑可读取记录媒体、图像处理系统。图像处理装置包括：特征检测图像生成单元，通过将经过事前学习的具有多个类别的卷积神经网络应用于输入图像，从而分别生成对应于多个类别的多个特征检测图像；后处理单元，通过按照设定参数对多个特征检测图像的至少一部分特征检测图像进行后处理，从而生成计测结果；以及用户界面单元，向用户提示多个特征检测图像的至少一部分及计测结果该两者中的至少一者，并且接收设定参数，所述多个特征检测图像是由特征检测图像生成单元生成，所述计测结果是通过使用由特征检测图像生成单元生成的多个特征检测图像的至少一部分并利用后处理单元进行后处理而生成。

技术领域

本发明涉及一种图像处理装置、电脑可读取记录媒体、图像处理系统，能够执行使用有卷积神经网络(CNN，convolutional neural network)的图像计测处理。

背景技术

在工业自动化(Factory Automation，FA)领域中，使用有图像计测处理的自动控制正在被广泛实用化。例如，能够实现如下这样的检查工序：通过拍摄工件等被检查对象并根据该所拍摄的图像算出缺陷等特征值，以此来检查该工件的好坏。

作为这种图像计测处理的一例，卷积神经网络(以下也简称为“CNN”)受到关注。例如，如非专利文献1所示，CNN是卷积层(convolutional layer)与池化层(pooling layer)交替配置而成的具有多层化结构的网络。

[背景技术文献]

[非专利文献]

[非专利文献1]Learning Deep Features for DiscriminativeLocalization,Bolei Zhou,Aditya Khosla,Agata Lapedriza,Aude Oliva,AntonioTorralba,The IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2016,pp.2921-2929

发明内容

[发明欲解决的课题]

如所述非专利文献1中公开的方法，在使用CNN执行图像分析等时，通过使用多个学习图像的学习来构筑CNN，并将该所构筑的CNN用于图像分析。

另一方面，当考虑FA领域中的使用方式时，在生产线上经过的工件的种类等被频繁变更的情况也较多，每次都要构筑CNN，这样没有效率。因此，业界正期待一种适合在FA领域中利用使用有CNN的图像计测处理的构成。

[解决课题的手段]

根据本发明的一方面，提供一种图像处理装置，它对通过拍摄被检查对象而生成的输入图像进行图像计测处理。图像处理装置包括：特征检测图像生成单元，通过将经过事前学习的具有多个类别的卷积神经网络应用于输入图像，分别生成对应于多个类别的多个特征检测图像；后处理单元，通过按照设定参数对多个特征检测图像的至少一部分特征检测图像进行后处理，从而生成计测结果；以及用户界面单元，向用户提示多个特征检测图像的至少一部分及计测结果该两者中的至少一者，并且接收设定参数的输入，所述多个特征检测图像是由特征检测图像生成单元生成，所述计测结果是通过使用由特征检测图像生成单元生成的多个特征检测图像的至少一部分并利用后处理单元进行后处理而生成。

优选的是，后处理单元包括图像运算单元，所述图像运算单元通过使用多个特征检测图像中的两个以上特征检测图像进行图像运算处理，从而生成运算结果图像。

优选的是，图像运算处理包括特征检测图像彼此的相加、特征检测图像间的相减、特征检测图像彼此的加权相加、特征检测图像间的加权相减中的至少一种。

优选的是，用户界面单元除向用户提示根据单个特征检测图像生成的计测结果以外，还向用户提示根据运算结果图像生成的计测结果。