JP2021189113A - 決定方法 - Google Patents

Abstract

【課題】分光スペクトルを用いたラベル判別について生じる不具合の発生を低減しつつ、判別精度を向上できる技術を提供する。
【解決手段】決定方法は、計測データを得ることと、遺伝的アルゴリズムを用いて、複数の計測波長の少なくとも１つを含む複数の第１波長から、０個以上の第２波長を選択して複数の個体を生成することと、複数の個体のそれぞれについて、対象物体の正解ラベルを再現するように学習された第１モデルに、残りのグループに属する対象物体の計測データと第２波長とで決まる第２分光スペクトルを入力して、残りのグループに属する対象物体のラベルを判別することと、ラベルが正しく判別された割合に基づいて、判別用分光スペクトルの波長として第２波長を用いるか否かを決定することと、を備える。
【選択図】図６

Description

本開示は、分光スペクトルを用いて対象物体を判別するための技術に関する。

従来、検査対象物に近赤外光を照射し、検査対象物からの反射光の分光スペクトルを用いて、検査対象物が正常品であるか異常品であるかを判定する技術が知られている（特許文献１）。

特開２０１７−２０３６５８号公報

従来の技術において、判別精度を高めるためには、分光スペクトルを構成する光の波長数を増加させることが考えられる。しかしながら、波長数を増加させると、取得する情報量が増大したり、判別時間が長くなったり、計測時間が長くなったりする不具合が生じ得る。また、波長数を増加させたとしても判別精度が向上しないという不具合が生じ得る。よって、分光スペクトルを用いたラベル判別について生じる不具合の発生を低減しつつ、判定精度を向上できる技術が望まれている。

（１）本開示の一形態によれば、判別用分光スペクトルの波長の決定方法であって、複数の対象物体のそれぞれを、複数の計測波長で撮像し、計測データを得ることと、遺伝的アルゴリズムを用いて、前記複数の計測波長の少なくとも１つを含む複数の第１波長から、０個以上の第２波長を選択して複数の個体を生成することと、前記複数の個体のそれぞれについて、一のグループに属する前記対象物体の前記計測データと前記第２波長とで決まる第１分光スペクトルから前記一のグループに属する前記対象物体の正解ラベルを再現するように学習された第１モデルに、残りのグループに属する前記対象物体の前記計測データと前記第２波長とで決まる第２分光スペクトルを入力して、前記残りのグループに属する前記対象物体のラベルを判別することと、前記ラベルが正しく判別された割合に基づいて、前記判別用分光スペクトルの前記波長として前記第２波長を用いるか否かを決定することと、を備える。

（２）本開示の他の一形態によれば、対象物体の判別用分光スペクトルを用いて前記対象物体に関連付けられたラベルの判別を行うための、光源の照射条件を決定する決定方法が提供される。この決定方法は、遺伝的アルゴリズムを用いて、複数の前記照射条件から１つの前記照射条件を選択して複数の個体を生成することと、前記複数の個体のそれぞれについて、前記個体が表す前記照射条件を用いて取得した一のグループに属する前記対象物体の分光スペクトルから、前記一のグループに属する前記対象物体の正解ラベルを再現するように学習したモデルに、前記個体が表す前記照射条件を用いて取得した残りのグループに属する前記対象物体の分光スペクトルを入力して、前記残りのグループに属する前記対象物体のラベルを判別することと、前記モデルを用いた前記ラベルの判別について、前記ラベルが正しく判別された割合に基づいて、前記個体が表す前記照射条件を、前記判別用分光スペクトルを得るための前記照射条件として用いるか否かを決定することと、を備える。

第１実施形態の判別システムを説明するための図。 発光部を説明するための図。 発光部をさらに説明するための図。 良品と不良品との分光スペクトルの一例を示す図。 判別装置を説明するための図。 判別用分光スペクトルを構成する光の波長決定処理を示すフローチャート。 図６のステップＳ１０を説明するための図。 図６のステップＳ２０を説明するための図。 図６のステップＳ２２およびステップＳ２４を説明するための図。 判別用分光スペクトルを示す図。 第２実施形態の判別システムを説明するための図。 学習装置を説明するための図。 照射条件を決定するための条件決定処理を示すフローチャート。 条件決定処理で用いる個体について説明するための図。

Ａ．第１実施形態：
図１は、第１実施形態の判別システム１００を説明するための図である。判別システム１００は、対象物体２０を撮像して得られた分光スペクトルである判別用分光スペクトルを用いて、対象物体２０の状態を判別するためのシステムである。本実施形態では、判別システム１００は、対象物体２０が良品であるか不良品であるかを判別する。対象物体２０は、例えば工場などで製造される製品であり、本実施形態では回路基板である。また、判別システム１００は、第１モデル５５を学習し、学習した第１モデル５５を用いて、生成可能な分光スペクトルの中からラベルの判別に適切な判別用分光スペクトルを決定する。判別システム１００は、分光測定装置１０と、判別装置５０とを備える。第１モデル５５は、後述する選択された個体ごと、本実施形態では選択された波長ごとに変化する。

分光測定装置１０は、検査対象光Ｌ２から特定波長の光を取り出して、判別用分光スペクトルを取得する。検査対象光Ｌ２は、光源１７２から検査光Ｌ１を対象物体２０に照射し、対象物体２０によって反射されることで生成される。分光測定装置１０は、第１プロセッサー１２と、記憶部１３と、測定部１４と、フィルター部１６と、発光部１７と、切換電源１９とを備える。

記憶部１３は、ＲＯＭやＲＡＭなどによって構成されている。記憶部１３には、第１プロセッサー１２が実行するための各種プログラムが記憶されている。また、記憶部１３には、測定部１４によって測定された分光スペクトルが、撮像した対象物体２０を識別するための識別子および正解ラベルと関連付けて入力データ要素群１３２として記憶される。正解ラベルは、出荷可能な状態を示す良品ラベルと、出荷不可能な状態を示す不良品ラベルとのいずれかである。正解ラベルは、例えば、検査員によって対象物体２０ごとにラベル付けが行われる。なお、後述する第２プロセッサー５７によって、入力データ要素群１３２から後述するデータ要素群４２が生成される。この詳細は後述する。

第１プロセッサー１２は、記憶部１３に記憶された各種プログラムを実行することで分光測定装置１０の動作を制御する。第１プロセッサー１２は、ソフトウェアとハードウェア回路との少なくともいずれか一方によって構成されていればよく、ソフトウェアに代えてハードウェア回路によって分光測定装置１０の動作が制御されてもよい。第１プロセッサー１２は、信号処理部１５を有する。信号処理部１５は、波長可変干渉フィルター１６３によって取り出した光を用いて分光スペクトルを生成する。具体的には、信号処理部１５は、後述する測定部１４によって撮像され、記憶部１３に記憶された分光画像のデータ要素を演算処理して、各画素における分光スペクトルを求める。求めた分光スペクトルは記憶部１３に記憶される。

発光部１７は、第１プロセッサー１２の指令によって対象物体２０に対して検査光Ｌ１を照射する。発光部１７は、複数の光源１７２を有する。複数の光源１７２はリング状の支持部材に一定間隔ごとに取り付けられている。複数の光源１７２はそれぞれ、例えば白色光を検査光Ｌ１として出射できる。なお、他の実施形態では、複数の光源１７２は、緑色の光を出射する光源と、赤色の光を出射する光源と、青色の光を出射する光源とを有していてもよい。

切換電源１９は、第１プロセッサー１２からの指令によって発光部１７に電源を供給する。なお、切換電源１９は、複数の光源１７２のそれぞれに対して個別に電源を供給できる。

フィルター部１６は、波長可変干渉フィルター１６３を有する。波長可変干渉フィルター１６３は、エタロンフィルターとも呼ばれる。波長可変干渉フィルター１６３としては、周知の技術、例えば、特開２０１４−７１４００号公報などの開示の技術を採用できる。つまり、波長可変干渉フィルター１６３は、第１光学膜１６１と、ギャップ１６５を介して第１光学膜１６１と対向する第２光学膜１６２とを備える。第１光学膜１６１と第２光学膜１６２とはそれぞれ、所望の波長帯域の光に対する反射特性と透過特性とを兼ね備える。第２光学膜１６２は、第１光学膜１６１と対向する方向に変位可能に構成されている。第２光学膜１６２が変位することでギャップ１６５の大きさが変更可能となる。第２光学膜１６２の変位は、例えば静電アクチュエーターによって実現される。ギャップ１６５の大きさが調整されることにより、検査対象光Ｌ２のうちで特定波長の光を通過させることで取り出すことができる。なお、波長可変干渉フィルター１６３において、ギャップ１６５が大きくなるに従って、取り出す光の波長も連続的に変化する。つまり、ギャップ１６の大きさと取り出す波長の大きさには相関関係がある。

測定部１４は、例えば、ＣＣＤカメラなどによって構成され、フィルター部１６によって取り出された光を撮像する。また撮像された光は分光画像として記憶部１３に記憶される。蓄積された分光画像は、信号処理部１５によって各画素のデータ要素を演算処理して、各画素における分光スペクトルを生成する。分光スペクトルは、特定の波長ごとの強度を示すデータ要素である。各画素における分光スペクトルは、波長ごとに足し合わされることで対象物体２０の分光スペクトルとして、入力データ要素群１３２の一部として記憶される。なお、他の実施形態では、測定部１４は、点分光器などによって構成されていてもよい。

判別装置５０は、パーソナルコンピューターなどの計算機である。判別装置５０は、判別用分光スペクトルを用いて対象物体２０の状態を判別する。本実施形態では、判別装置５０は、判別用分光スペクトルを用いて対象物体２０が良品であるか不良品であるかを判別する。また、判別装置５０は、判別するために用いる判別用分光スペクトルの波長を決定する。判別装置５０は分光測定装置１０との間で、有線や無線を介してデータ通信可能に構成されている。

図２は、発光部１７を説明するための図である。図２では、発光部１７と対象物体２０とを真上側から見ている。発光部１７は、リング状の支持部材１７６と、支持部材１７６に配置された複数の光源１７２とを備える。光源１７２によって対象物体２０に検査光Ｌ１を照射する。図１に示す測定部１４およびフィルター部１６は、発光部１７の真上に配置されている。なお、発光部１７はこの構成に限定されるものではなく、検査光Ｌ１を出射できる光源を有していれば他の構成であってもよい。なお、回路基板である対象物体２０の表面には、複数の端子２０２が配置されている。

図３は、発光部１７をさらに説明するための図である。発光部１７は、さらに、高さ方向ＨＤの位置を変位するためのアクチュエーターを有する。これにより、発光部１７の高さの指標となる角度ａを変化させることができる。光源１７２の位置が高くなるに従って、角度ａは小さくなる。本実施形態では、分光スペクトルを取得する際の照射条件は同じである。つまり、角度ａや、どの光源１７２を使用するかを表す照射方向や、光源１７２の輝度は同じである。

図４は、良品と不良品との分光スペクトルの一例を示す図である。図４の横軸は波長であり、縦軸は光強度を表す分光反射率ＳＲである。図４では、波長が４００ｎｍ〜７００ｎｍの範囲においてフィルター部１６によって設定された特定の３１波長の分光スペクトルを結んだ線を示す。図４に示すように、良品の対象物体２０から得た分光スペクトル３０と、不良品の対象物体２０から得た分光スペクトル３２とでは、分光反射率ＳＲが他の波長よりも大きく異なる波長が存在する。３１波長のうち、この分光反射率ＳＲが大きく異なる波長である判別波長を特定し、判別波長の分光スペクトルを用いることで、効率良く良品、不良品を判別できる。本実施形態において３１波長は、４００ｎｍ，４１０ｎｍ，４２０ｎｍというように１０ｎｍの間隔である。分光スペクトルを構成する各波長とは、例えば光が有する各波長のうちで光強度が最も高い波長を意味する。なお、図４では、一例として良品と不良品との分光スペクトル３０，３２を一つずつ示しているが、複数の良品の対象物体２０と複数の不良品の対象物体２０のそれぞれについて、分光スペクトル３０，３２を生成した場合、良品や不良品の状態に応じて分光スペクトル３０，３２の分光反射率ＳＲが多少変動する。

図５は、判別装置５０を説明するための図である。判別装置５０は、分光測定装置１０によって取得された対象物体２０の判別用分光スペクトルを用いて、対象物体２０の状態を判別する。対象物体２０の判別用分光スペクトルは、判別装置５０によって予め決定された波長によって構成される。本実施形態では、判別装置５０は、対象物体２０について良品であるか不良品であるかを判別する。判別装置５０は、記憶装置５２と、第２プロセッサー５７と、出力部５９とを備える。

記憶装置５２は、フラッシュメモリーやＥＥＰＲＯＭなどの一時的でない記憶媒体としての不揮発性記憶媒体５４を含む。不揮発性記憶媒体５４には、学習されることで生成される第１モデル５５を有する。第１モデル５５は、判別装置５０が取得した判別用分光スペクトルを用いて対象物体２０の状態を判別するためのアルゴリズムである。本実施形態では、第１モデル５５は、アルゴリズムとしてフィッシャー線形判別とマハラノビス距離を用いる。なお、他の実施形態では、第１モデル５５は、深層学習などのニューラルネットワーク型のアルゴリズムを用いてもよい。

第２プロセッサー５７は、記憶装置５２に記憶された各種プログラムを実行することで判別装置５０の動作を制御する。第２プロセッサー５７は、ソフトウェアとハードウェア回路との少なくともいずれか一方によって構成されていればよい。出力部５９は、各種情報を出力するために用いられる。出力部５９は、例えば、液晶モニターである。各種情報としては、例えば、学習された第１モデル５５を用いて判別した結果である。出力部５９は、液晶モニターなどの表示装置に代えて、音声を出力するスピーカーであってもよい。

第１モデル５５を学習するために用いられる入力データ要素群１３２は、データ要素群４２と、正解ラベル４６とを有する。入力データ要素群１３２は、分光測定装置１０に記憶されているが、判別装置５０の記憶装置５２に記憶されてもよいし、他の外部記憶装置に記憶されてもよい。データ要素群４２は、複数の対象物体２０について、検査対象光Ｌ２に含まれる複数の第１波長から選択された第２波長の分光スペクトルである。第１波長は、フィルター部１６によって分光される３１個の波長である。３１個の波長を区別して用いる場合は、λ１〜λ３１を用いる。λ１からλ３１に向かうに従い波長が長くなる。正解ラベル４６は、検査員によって各対象物体２０に付されたラベルであり、良品ラベルと不良品ラベルのいずれかである。検査員は、例えば、目視によって正解ラベル４６を対象物体２０に関連付ける。データ要素群４２は、例えば第２プロセッサー５７によって、第１モデル５５を学習するために用いる学習用データ要素４３と、学習した第１モデル５５の性能を評価するために用いる評価用データ要素４４とに分けられる。データ要素群４２の各データ要素である分光スペクトルの波長数は、例えば、フィッシャー線形判別の次元数に対応する。

図６は、判別用分光スペクトルを構成する光の波長決定処理を示すフローチャートである。図７は、図６のステップＳ１０を説明するための図である。図８は、図６のステップＳ２０を説明するための図である。図９は、図６のステップＳ２２およびステップＳ２４を説明するための図である。検査対象光Ｌ２の中から、図６に示す波長決定処理によって決定された波長に応じたギャップ１６５に設定することで、図１に示す信号処理部１５によって決定された波長によって定める判別用分光スペクトルが生成される。つまり、判別用分光スペクトルは対象物体２０から得られる。また、判別用分光スペクトルを用いて第１モデル５５は、対象物体２０に関連付けられたラベル、すなわち良品か不良品かの判別を行う。

図６に示すように、まずステップＳ１０において、初期設定処理は実行される。初期設定処理では、まず、第１プロセッサー１２が、複数の対象物体２０のそれぞれを、複数の計測波長で撮像して計測データを得る。複数の計測波長は検査対象光Ｌ２に含まれる波長であり、本実施形態では、波長λ１〜λ３１の波長である。具体的には、複数の対象物体２０のそれぞれについて、フィルター部１６のギャップ１６５を調整して、波長λ１〜λ３１の波長を取り出して測定部１４で撮像する。そして信号処理部１５によって、測定部１４で撮像された光をもとに対象物体２０ごとの分光スペクトルを生成することで、計測データを得る。対象物体２０の数は、例えば３０００個である。

またステップＳ１２において、第２プロセッサー５７は、図７に示すように、遺伝的アルゴリズムを用いて、複数の計測波長の少なくとも一つを含む複数の第１波長λ１〜λ３１から、０個以上の第２波長を選択して複数の個体Ｉ１〜Ｉ１０から構成される個体群ＩＧをデータ要素群４２として生成する。またステップＳ１２において、対象物体２０のそれぞれに正解ラベル４６が関連付けられる。図７では、選択される波長を「１」で表し、選択されない波長を「０」で表す。ステップＳ１２で生成される個体数は１０個である。第２プロセッサー５７は、遺伝子、すなわち波長の選択内容がそれぞれ異なる１０個の個体Ｉ１〜Ｉ１０を生成する。なお、初めに生成された１０個の個体Ｉ１〜Ｉ１０を現世代の個体群ＩＧ１とも呼ぶ。現世代の個体群ＩＧ１は、初期値として全ての波長λ１〜λ３１が選択されない個体Ｉ１を含んでもよい。また現世代の個体群ＩＧ１について、その他の個体Ｉについては、選択する波長を１つランダムに決定してもよい。なお、本実施形態の遺伝的アルゴリズムの個体を区別することなく用いる場合には、個体Ｉを用いる。本実施形態では、複数の計測波長と、第１波長λ１〜λ３１は同じ波長であったが、他の実施形態では、第１波長λ１〜λ３１は、複数の計測波長の少なくとも一つから構成される波長であればよく、複数の計測波長とは異なる波長を含んでいてもよい。また、ステップＳ１０で実行される計測データを得る工程は、ステップＳ１２のデータ要素群４２を生成した後に実行してもよい。

次にステップＳ１４において第２プロセッサー５７は、ステップＳ１２において生成されたデータ要素群４２について、第１モデル５５の学習に用いられる一のグループとしての学習用データ要素４３と、学習後の第１モデル５５の性能評価に用いる残りのグループとしての評価用データ要素４４とを抽出する。本実施形態では、図８に示すように、個体Ｉ１〜Ｉ１０ごとに生成されたデータ要素群４２を複数のデータ領域ＤＲ１〜ＤＲ５に分割し、２０％を占めるデータ領域を学習用データ要素４３として抽出し、残りの８０％を占めるデータ領域を評価用データ要素４４として抽出する。図８では、データ領域ＤＲ１を学習用データ要素４３として抽出し、データ領域ＤＲ２〜ＤＲ５を評価用データ要素４４として抽出している。

図６に示すように、次にステップＳ１６において、第２プロセッサー５７は、ステップＳ１４で抽出した学習用データ要素４３を入力要素として第１モデル５５を学習する。本実施形態では、第１モデル５５はフィッシャー線形判別をアルゴリズムとして有する。よってステップＳ１６において第２プロセッサー５７は、個体Ｉ１〜Ｉ１０のそれぞれについて、正解ラベル４６が良品ラベルのデータ要素群と不良品ラベルのデータ要素群との分離度が最も大きくなる射影方向ｗを決定する。第２プロセッサー５７は、決定した射影方向ｗを表すパラメーターを記憶装置５２に記憶させる。このように、ステップＳ１６では、第２プロセッサー５７は、複数の個体Ｉ１〜Ｉ１０のそれぞれについて、一のグループとしての学習用データ要素４３に属する対象物体２０の計測データと、第２波長とで決まる分光スペクトルとしての第１分光スペクトルから、一のグループに属する対象物体２０の正解ラベルを再現するように第１モデル５５を学習する。

次にステップＳ１８において第２プロセッサー５７は、個体Ｉ１〜Ｉ１０ごとに選択される第２波長の分光スペクトルをもとに学習された各第１モデル５５に対して、個体Ｉ１〜Ｉ１０ごとに対応した残りのグループとしての評価用データ要素４４を入力することで、評価用データ要素４４の各データ要素に対応した複数の対象物体２０のラベルを判別する。つまり、ステップＳ１８では、第２プロセッサー５７は、残りのグループである評価用データ要素４４に属する対象物体２０の計測データと第２波長とで決まる第２分光スペクトルを第１モデル５５に入力して、残りのグループに属する対象物体２０のラベルを判別する。ステップＳ１８は、マハラノビス距離を算出することで実行される。具体的には、評価用データ要素４４の各データ要素を、第１モデル５５の学習によって決定した射影方向ｗを表すパラメーターを用いて、射影方向ｗに射影して特徴量を生成する。そして、ステップＳ１８では、評価用データ要素４４の各データ要素について、生成された特徴量からマハラノビス距離を算出し、不良品である学習用データ要素群からの距離と、良品である学習用データ要素群からの距離とのうち近い方のクラスを、評価用データ要素４４のラベルとして判別する。これを個体Ｉ１〜Ｉ１０のそれぞれについて行う。ステップＳ１８において判別結果である判別率は、第２プロセッサー５７によって算出されて不揮発性記憶媒体５４に記憶される。判別率は、個体Ｉ１〜Ｉ１０に応じた各第１モデル５５について、第１モデル５５に入力された評価用データ要素４４の数に対するラベルが正しく判別された数の割合であり、パーセンテージである。本実施形態では、ステップＳ１８の判別処理は、個体Ｉ１〜Ｉ１０に応じて生成された第１モデル５５の数に応じてそれぞれ行われる。また上記のようにステップＳ１８では、個体Ｉ１〜Ｉ１０に応じた第２波長の組み合わせごとに、学習用データ要素４３を用いて学習した第１モデル５５に対して、第１モデル５５の学習に用いられた第２波長から構成される対象物体２０の分光スペクトルを入力して、ラベルを判別する。このように個体Ｉ１〜Ｉ１０ごとに第１モデル５５が学習されて、これらの第１モデル５５を用いてラベルが判別されることで、判別率を精度良く算出できる。これにより、後述するステップＳ２２において実行される第１モデル５５を用いたラベル判別の評価をより精度良く行うことができる。

次にステップＳ２０において、第２プロセッサー５７は、バリデーション回数の各回においてステップＳ１４〜ステップＳ１８が実行されたか否かを判定する。本実施形態では、図８に示す５分割したデータ領域ＤＲ１〜ＤＲ５の各領域が学習用データ要素４３として用いられたか否かを判定する。つまり、データ領域ＤＲ１を学習用データ要素４３としてステップＳ１４からステップＳ１８が実行された場合、次にデータ領域ＤＲ２を学習用データ要素４３としてステップＳ１４からステップＳ１８が実行される。このように、全てのデータ領域ＤＲ１〜ＤＲ５のデータ要素が学習用データ要素４３として用いられるまで繰り返しステップＳ１４からステップＳ１８が実行される。

ステップＳ２０において「Ｙｅｓ」の判定が成された場合には、図６のステップＳ２２が実行される。ステップＳ２２において第２プロセッサー５７は、現世代の個体群ＩＧ１を構成する各個体Ｉ１〜Ｉ１０のうち、評価関数Ｌの値である評価値が高い上位の個体Ｉを選択する。評価関数Ｌは、以下の式（１）で表される。

評価関数Ｌ＝平均判別率×α＋ＷＮ×（１−α） （１）
ここで、αは重み係数であり、０以上１以下の値である。平均判別率は、個体Ｉ１〜Ｉ１０ごとに、バリデーションにおける各回におけるステップＳ１８によって算出された判別率の平均値である。なお、αは０より大きく１より小さい値であることが好ましい。ＷＮは、第２波長の波長数に関する指標であり以下の式（２）で表される。なお、他の実施形態では、上記式（１）において、平均判別率に代えて、バリデーションの各回におけるステップＳ１８で算出された判別率の最大値である最大判別率や、バリデーションの各回におけるステップＳ１８で算出された判別率の最小値である最小判別率を用いてもよい。

ＷＮ＝（第１波長の波長数−第２波長の波長数）×１００／第１波長の波長数 （２）

本実施形態において、上記式（１）および式（２）で表されるように、評価関数Ｌは、割合としての判別率を用いた第１項と、第２波長の波長数を用いた第２項とによって表された関数である。また評価関数Ｌの評価値は、他の項が同じ値である場合において割合としての判別率が高いほど高くなり、また、他の項が同じ値である場合において第２波長の波長数が少ないほど高くなる。ステップＳ２２では、第２プロセッサー５７は、１０個体Ｉ１〜Ｉ１０のうち評価関数の評価値が高い上位５個体を選択する。図９に示す例では、個体Ｉ２，Ｉ３，Ｉ４，Ｉ７．Ｉ９が上位５個体である。このように、評価関数Ｌは、割合としての判別率を用いた第１項と、第２波長の波長数を用いた第２項とによって表された関数である。これにより、正しく判別した割合と、第２波長の波長数とを考慮して判別用分光スペクトルの波長として第２波長を用いるか否かを決定できる。ここで、評価関数Ｌの評価値は、判別率が高いほど高くなり、また、第２波長の波長数が少ないほど高くなる。これにより、判別用分光スペクトルの波長として評価値の高い個体Ｉが表す第２波長を選択することで、ラベル判別の精度を向上しつつ、波長数を低減した判別用分光スペクトルを決定できる。

図６に示すようにステップＳ２４において第２プロセッサー５７は、ステップＳ２２で選択されなかった下位５つの個体Ｉに代えて、新たな個体Ｉを５つ生成する。ステップＳ２４において、第２プロセッサー５７は、例えば突然変異や交叉を用いて新たな個体Ｉを生成する。本実施形態では、第２プロセッサー５７は、１波長分または２波長分を突然変異させることで新たな個体Ｉを生成する。図９に示す例では、ステップＳ２４において、新たな個体Ｉ１１〜Ｉ１５が生成される。個体ＩＧ１の次に生成される個体群を次世代の個体群ＩＧ２と呼ぶ。

図６に示すようにステップＳ２６において第２プロセッサー５７は、終了条件を満たすか否かを判定する。終了条件とは、予め定めた連続する世代数において評価関数Ｌによって算出した評価値が最も高い個体Ｉが変化することなく同じであるという条件である。本実施形態では、予め定めた連続する世代数は５０である。つまり、ステップＳ２２を繰り返し実行し、評価値の最も高い個体Ｉが連続して５０回同じであれば終了条件が満たされたと判定される。終了条件が満たされた場合には、ステップＳ２８において第２プロセッサー５７は、決定処理を実行する。決定処理では、第２プロセッサー５７は、ステップＳ２６において終了条件を満たすと判定した場合における、評価値の最も高い個体Ｉが表す第２波長を判別用分光スペクトルの波長として用いることを決定して、第２波長を示すデータを記憶装置５２に記憶する。

一方で、ステップＳ２６において、第２プロセッサー５７が終了条件を満たさないと判定した場合には、第２プロセッサー５７は、次世代の個体群ＩＧ２を現世代の個体群とみなして、ステップＳ１４〜ステップＳ２２を行う。なお、第２プロセッサー５７は、前回のルーチンで既にステップＳ１４〜ステップＳ２０を実行した個体Ｉ２，Ｉ３，Ｉ４，Ｉ７，Ｉ９については、今回のルーチンにおけるステップＳ１４〜ステップＳ２０は省略し、新たな個体Ｉ１１〜Ｉ１５についてのみ、ステップＳ１４〜ステップＳ２０を実行してもよい。つまり、第２プロセッサー５７は、新たに生成した個体Ｉ１１〜Ｉ１５について、ステップＳ１４において、正解ラベルが関連付けられた学習用データ要素４３および評価用データ要素４４を抽出する。そして、第２プロセッサー５７は、上述のステップＳ１６と同様に、個体Ｉ１１〜Ｉ１５に応じた学習用データ要素４３ごとに、正解ラベル４６が良品ラベルのデータ要素群と不良品ラベルのデータ要素群との分離度が最も大きくなる射影方向ｗを決定して、決定した射影方向ｗを表すパラメーターを記憶装置５２に記憶する。次に第２プロセッサー５７は、上述のステップＳ１８と同様に、残りのグループとしての評価用データ要素４４を、個体Ｉ１１〜Ｉ１５に応じた第１モデル５５に入力することで、複数の対象物体２０のラベルを判別する。さらに、第２プロセッサー５７は、新たに生成した個体Ｉ１１〜Ｉ１５について、上述のステップＳ２０と同様に、バリデーション回数の各回においてステップＳ１４〜ステップＳ１８が実行されたか否かを判定する。バリデーション回数がステップＳ２０の条件を満たす場合に、次世代の個体群ＩＧ２についてステップＳ２２が実行され、さらに次の世代の個体ＩがステップＳ２４によって生成される。

上記ステップＳ２２〜ステップＳ２８において、第２プロセッサー５７は、第１モデル５５を用いたラベルの判別について、ラベルが正しく判別された割合に基づいて、判別用分光スペクトルの波長として第２波長を用いるか否かを決定する。また上記ステップＳ２２〜ステップＳ２８において、第２プロセッサー５７は、評価関数Ｌによって個体Ｉが表す第２波長の組み合わせごとに評価値を算出する。また第２プロセッサー５７は、算出した評価値を用いて、いずれの個体Ｉが表す第２波長を、判別用分光スペクトルの波長として用いるか否かを決定する。

波長決定処理によって決定された判別用分光スペクトルは、製造された対象物体２０の状態、本実施形態では良品・不良品を判別するために用いられる。具体的には、検査対象光Ｌ２から判別用分光スペクトルを構成する各波長の光を取り出すために、図１に示す波長可変干渉フィルター１６３のギャップ１６５の大きさ調整する。例えば、判別用分光スペクトルを構成する波長が１０波長である場合には、各波長に対応したギャップ１６５の大きさに時系列に設定して、各波長をフィルター部１６から取り出す。取り出した各波長の光は測定部１４で取得されて、信号処理部１５によって判別用分光スペクトルが生成される。生成された判別用分光スペクトルは、対応する分光スペクトルを用いて学習された第１モデル５５に入力されることでラベルの判別が実行される。

図１０は、波長決定処理によって決定された第２波長を、良品の対象物体２０と不良品の対象物体２０とから取得して生成した判別用分光スペクトルの一例を示す図である。本実施形態では、例えば、波長決定処理によって３１波長数の第１波長から、１０波長数の第２波長が決定される。決定された第２波長の分光スペクトルを用いることで、波長数を低減しつつ第１モデル５５において高い判別率を達成できる。

上記第１実施形態によれば、第１モデル５５を用いたラベルの判別について、ラベルが正しく判別された割合に基づいて、個体Ｉが表す第２波長を分光スペクトルの波長として用いるか否かを決定することで、第１波長から判別用分光スペクトルを構成する第２波長を決定できる。これにより、判別用分光スペクトルの波長数の増加を抑制しつつ、ラベルの判別精度が低下することを抑制できる。

上記第１実施形態において、評価関数Ｌは上記に限定されるものではない。例えば、評価関数Ｌに代えて以下の式（３）に示す評価関数Ｌａを用いてもよい。

評価関数Ｌａ＝平均判別率×α＋ＷＮ×β＋（１／選択波長の分散）×γ （３）
ここで、α、β、γは重み係数であり、例えば合計値が１となるように設定される。「選択波長」とは個体Ｉにおいて「１」が付された波長、すなわち選択される波長である。なお、他の実施形態では、上記式（３）において、平均判別率に代えて最小判別率や最大判別率を用いてもよい。

式（３）の評価関数Ｌａは、上記第１実施形態の評価関数Ｌと異なり、第２波長の各波長の分散を用いた第３項をさらに含む。また、評価関数Ｌａの評価値は、他の項である第１項および第２項が一定値である場合において、選択波長の分散が小さいほど高くなる。これにより、第２波長の各波長の分散を考慮して判別用分光スペクトルの波長として第２波長を用いるか否かを決定できる。特に評価関数Ｌａは、分散が小さいほど評価値が高くなるため、分散が小さい個体Ｉが表す第２波長の組み合わせを判別用分光スペクトルの波長として決定できる。ここで、分光測定装置１０において、波長を取り出すためにはギャップ１６５を調整する必要があり、取り出す波長の分散が大きいと第２光学膜１６２の変位に時間がかかり判別用分光スペクトルの取得生成時間が長くなる。本実施形態によれば、分散が小さい第２波長が判別用分光スペクトルの波長として決定されるので、判別用分光スペクトルを生成するためのギャップ１６５の調整時間を減少できる。これにより、判別用分光スペクトルを取得生成するための時間を短縮できるので、ラベルの判別時間も短縮できる。

Ｂ．第２実施形態：
図１１は、第２実施形態の判別システム１００ａを説明するための図である。図１に示す判別システム１００と、判別システム１００ａとの異なる点は、判別システム１００ａが新たに学習装置７０を備える点である。その他の構成については上記第１実施形態の判別システム１００と同様の構成であるため、同様の構成については同一符号を付すと共に説明を省略する。学習装置７０は、パーソナルコンピューターなどの計算機である。なお、他の実施形態では、学習装置７０と判別装置５０とは同じ一つの装置として構成されていてもよい。学習装置７０は、対象物体２０のラベルを判別する際に、判別精度を向上できる分光測定装置１０の照射条件を決定するために用いられる。学習装置７０は、有線や無線によって分光測定装置１０とデータ通信可能に構成されている。

図１２は、学習装置７０を説明するための図である。学習装置７０は、分光測定装置１０が対象物体２０に検査光Ｌ１を照射する際の照射条件を決定する。学習装置７０は、記憶媒体７１と、第３プロセッサー７７と、出力部７９とを備える。

記憶媒体７１は、フラッシュメモリーやＥＥＰＲＯＭなどの一時的でない不揮発性記憶媒体を含む。不揮発性記憶媒体には、学習されることで生成される第２モデル７５を有する。第２モデル７５は、学習されることで生成され、照射条件を決定するためのアルゴリズムである。本実施形態では、第２モデル７５は、アルゴリズムとしてフィッシャー線形判別とマハラノビス距離を用いる。なお、他の実施形態では、第２モデル７５は、深層学習などニューラルネットワーク型のアルゴリズムを用いてもよい。第２モデル７５は、後述する選択される個体ごと、本実施形態では光源１７２の照射条件ごとに変化する。

第３プロセッサー７７は、記憶媒体７１に記憶された各種プログラムを実行することで学習装置７０の動作を制御する。なお、第３プロセッサー７７は、ソフトウェアとハードウェア回路との少なくともいずれか一方によって構成されていればよい。出力部７９は、各種情報を出力するために用いられる。出力部７９は、例えば、液晶モニターである。各種情報としては、例えば、学習された第２モデル７５を用いて決定した照射条件である。出力部７９は、液晶モニターなどの表示装置に代えて、音声を出力するスピーカーであってもよい。

図１３は、照射条件を決定するための条件決定処理を示すフローチャートである。図１４は、条件決定処理で用いる個体Ｉａについて説明するための図である。図１３の条件決定処理は、図６の波長決定処理の前に行ってもよいし、後に行ってもよい。また、条件決定処理は、波長決定処理と同時に行ってもよい。同時に行う場合には、個体Ｉａにおいて、第１実施形態の個体Ｉの要素も取り入れる。本実施形態において、個体Ｉａは、第１実施形態の個体Ｉと区別するために、別個体Ｉａとも呼ぶ。

図１３に示すように、まずステップＳ１０ａにおいて、第３プロセッサー７７は初期設定処理を実行する。処理設定処理は、遺伝的アルゴリズムを用いて分光測定装置１０の対象物体２０への複数の照射条件から１つの照射条件を選択して個体Ｉａを生成する。照射条件は、分光スペクトルの生成に影響し得る因子によって規定される。本実施形態では、照射条件の因子は、図３に示す角度ａ、照射方向ＲＤ、輝度ＢＲである。

図１４に示すように、個体Ｉａは、複数のビットである遺伝子によって表される。個体Ｉａにおいて、先頭３ビットは角度ａの条件を表し、次の４ビットは照射方向ＲＤの条件を表し、さらに次の８ビットは輝度ＢＲの条件を表す。角度ａは、例えば、１５°、３０°、４０°のいずれかであり、１５°は「１００」で表され、３０°は「０１０」で表され、４０°は「００１」で表される。照射方向ＲＤは、図２に示す複数の光源１７２のうちで照射に使用する光源１７２を表す。例えば円周上に等間隔で配置された複数の光源１７２を９０°ごとに４分割して、分割された領域を第１領域、第２領域、第３領域、第４領域とする。この場合、第１領域の光源１７２の使用は「１０００」で表され、第２領域の光源１７２の使用は「０１００」で表され、第３領域の光源１７２の使用は「００１０」で表され、第４領域の光源１７２の使用は「０００１」で表される。輝度ＢＲは、０〜２５５の値を２進数で表したものを遺伝子として用いる。

第３プロセッサー７７は、ステップＳ１０ａにおいて、遺伝子の内容が異なる個体Ｉａを予め定めた個数、本実施形態は１０個生成する。つまり、第３プロセッサー７７は、遺伝的アルゴリズムを用いて光源１７２を用いた複数の照射条件のうち１つの照射条件を個体Ｉａとして選択することを１０回実行する。ステップＳ１０ａにおいて生成された１０個の個体Ｉａを現世代の個体群ＩＧ１ａとも呼ぶ。

図１３に示すように、次にステップＳ１２ａにおいて、ステップＳ１０ａにおいて生成した個体群ＩＧ１ａを用いてデータ要素群７８が生成される。具体的には、ステップＳ１０において生成した個体群ＩＧ１ａのそれぞれの個体Ｉａが表す照射条件を用いて対象物体２０に検査光Ｌ１を照射する。検査光Ｌ１の照射によって対象物体２０から反射した検査対象光Ｌ２のなかから、特定波長の光をフィルター部１６によって取り出して測定部１４によって撮像する。信号処理部１５が撮像されたデータをもとに対象物体２０ごとの分光スペクトルを生成することで、データ要素群７８が生成される。個体Ｉａが表す照射条件ごとに複数の対象物体２０のそれぞれについて分光スペクトルを生成することで、データ要素群７８の各データ要素とする。データ要素群７８の各データ要素には、対象物体２０の正解ラベルが関連付けられている。正解ラベルは、上記第１実施形態と同様に、良品ラベルと不良品ラベルのいずれかで表される。なお、特定波長は、第１実施形態の図６に示す波長決定処理が既に実行されている場合は、波長決定処理で決定された波長である。また、特定波長は、波長決定処理が実行されていない場合にはフィルター部１６で取得できる最大波長数である３１個の波長である。

次にステップＳ１４ａにおいて第３プロセッサー７７は、ステップＳ１２ａにおいて生成されたデータ要素群７８について、第２モデル７５の学習に用いられる一のグループとしての学習用データ要素７３と、学習後の第２モデル７５の性能評価に用いる残りのグループとしての評価用データ要素７４とを抽出する。ここで、「一のグループ」を「一の条件グループ」とも呼び、「残りのグループ」を「残りの条件グループ」とも呼ぶ。ステップＳ１４ａでは、図６のステップＳ１４と同様に、個体Ｉａごとに生成されたデータ要素群７８を複数のデータ領域に分割し、２０％を占めるデータ領域を学習用データ要素７３として抽出し、残りの８０％を占めるデータ領域を評価用データ要素７４として抽出する。

次にステップＳ１６ａにおいて、第３プロセッサー７７は、ステップＳ１４ａで抽出した学習用データ要素７３を入力要素として第２モデル７５を学習する。本実施形態では、第２モデル７５は、上記第１実施形態の第１モデル５５と同様にフィッシャー線形判別である。よってステップＳ１６ａにおいて第３プロセッサー７７は、個体Ｉａに応じた学習用データ要素７３ごとに、正解ラベルが良品ラベルのデータ要素群と不良品ラベルのデータ要素群との分離度が最も大きくなる射影方向ｗを決定する。第３プロセッサー７７は、決定した射影方向ｗを表すパラメーターを第２パラメーターとして記憶媒体７１に記憶させる。このように、ステップＳ１６ａでは、第３プロセッサー７７は、複数の個体Ｉａのそれぞれについて、個体Ｉａが表す照射条件を用いて取得した一のグループとしての学習用データ要素７３に属する対象物体２０の分光スペクトルから、一のグループに属する対象物体２０の正解ラベルを再現するように学習した第２モデル７５を学習する。

次にステップＳ１８ａにおいて第３プロセッサー７７は、個体Ｉａごとに生成された分光スペクトルをもとに学習された各第２モデル７５に対して、個体Ｉａごとに対応した残りのグループとしての評価用データ要素７４を入力することで、評価用データ要素７４の各データ要素に対応した対象物体２０のラベルを判別する。つまり、ステップＳ１８ａでは、第３プロセッサー７７は、残りのグループである評価用データ要素７４の分光スペクトルを第２モデル７５に入力して、残りのグループに属する対象物体２０のラベルを判別する。これを個体Ｉａのそれぞれについて行う。ステップＳ１８ａは、第１実施形態のステップＳ１８と同様に、マハラノビス距離を算出することで実行される。具体的には、ステップＳ１８ａでは、評価用データ要素７４の各データ要素を、第２モデル７５の学習によって決定した射影方向ｗを表す第２パラメーターを用いて、射影方向ｗに射影して特徴量を生成する。そして、ステップＳ１８ａでは、評価用データ要素７４の各データ要素について、マハラノビス距離を算出し、不良品である学習用データ要素群からの距離と、良品である学習用データ要素群からの距離とのうち近い方のクラスを、評価用データ要素７４のラベルとして判別する。ステップＳ１８ａにおいて判別結果である判別率は、第３プロセッサー７７によって算出されて記憶媒体７１に記憶される。判別率は、個体Ｉａに応じた各第２モデル７５について、第２モデル７５に入力された評価用データ要素７４の数に対するラベルが正しく判別された数の割合であり、パーセンテージである。上記のようにステップＳ１８ａでは、個体Ｉａが表す照射条件ごとに学習用データ要素７３を用いて学習した第２モデル７５に対して、第２モデル７５の学習に用いられた照射条件を適用して対象物体２０から生成された評価用データ要素７４である分光スペクトルを入力して、ラベルを判別する。

次にステップＳ２０ａにおいて、第３プロセッサー７７は、バリデーション回数の各回においてステップＳ１４ａ〜ステップＳ１８ａが実行されたか否かを判定する。本実施形態では、第１実施形態のステップＳ２０と同様に、データ要素群７８について５分割したデータ領域の各領域が学習用データ要素４３として用いられたか否かを判定する。

ステップＳ２２ａにおいて第３プロセッサー７７は、上記のステップＳ２２と同様に、現世代の個体群を構成する各個体Ｉａのうち、評価関数Ｌｂの値が高い上位の個体を選択する。ステップＳ２２ａで用いられる評価関数Ｌｂは、式（４）で表される。

評価関数Ｌｂ＝平均判別率 （４）
平均判別率は、個体Ｉａごとに、バリデーションにおける各回におけるステップＳ１８ａによって算出された判別率の平均値である。

ステップＳ２２ａでは、第３プロセッサー７７は、１０個体Ｉａのうち評価関数の評価値が高い上位５個体を選択する。

ステップＳ２４ａにおいて第３プロセッサー７７は、ステップＳ２２ａで選択されなかった下位５つの個体Ｉａに代えて、新たな個体Ｉａを５つ生成する。ステップＳ２４ａにおいて、第３プロセッサー７７は、例えば突然変異や交叉を用いて新たな個体Ｉａを生成する。

ステップＳ２６ａにおいて第３プロセッサー７７は、終了条件を満たすか否かを判定する。終了条件とは、予め定めた連続する世代数において評価関数Ｌｂによって算出した評価値が最も高い個体が変化することなく同じであるという条件である。本実施形態では、予め定めた連続する世代数は５０である。終了条件を満たさない場合には、第３プロセッサー７７は、次世代の個体群を現世代の個体群とみなして、ステップＳ１４ａ〜ステップＳ２２ａを行う。なお、第２プロセッサー５７は、上記第１実施形態と同様に、前回のルーチンで既にステップＳ１４ａ〜ステップＳ２０ａを実行した個体Ｉａについては、今回のルーチンにおけるステップＳ１４ａ〜ステップＳ２０ａは省略し、新たな個体Ｉａについてのみ、ステップＳ１４ａ〜ステップＳ２０ａを実行してもよい。

上記ステップＳ２２ａ〜ステップＳ２８ａにおいて、第３プロセッサー７７は、第２モデル７５を用いたラベルの判別について、ラベルが正しく判別された割合に基づいて、個体Ｉａによって表された照射条件を、対象物体２０のラベル判別に用いる分光スペクトルを得るための照射条件として用いるか否かを決定する。条件決定処理によって決定された照射条件は、判別用分光スペクトルを取得する際において対象物体２０に検査光Ｌ１の照射する場合に適用される。

上記第２実施形態によれば、上記第１実施形態と同様の構成を有する点において同様の効果を奏する。例えば、第１モデル５５を用いたラベルの判別について、ラベルが正しく判別された割合に基づいて個体Ｉが表す第２波長を、分光スペクトルを構成する波長として用いるか否かを決定することで、第１波長から判別用分光スペクトルを構成する第２波長を決定できる。これにより、判別用分光スペクトルの波長数の増加を抑制しつつ、ラベルの判別精度が低下することを抑制できる。さらに上記第２実施形態によれば、ラベルが正しく判別された割合を用いて判別用分光スペクトルを得るための照射条件を決定できる。これにより、ラベルの判別精度をさらに向上できる。

Ｃ．他の実施形態：
Ｃ−１．他の実施形態１：
上記各実施形態では、第１モデル５５や第２モデル７５のアルゴリズムとしてフィッシャー線形判別とマハラノビス距離を用いていたがこれに限定されるものではなく、各種の学習アルゴリズムを用いてもよい。例えば、第１モデル５５や第２モデル７５は、ニューラルネットワークやカプセルネットワークなどのアルゴリズムであってもよい。この場合、図６や図１３に示すステップＳ１８，Ｓ１８ａの判別処理では、マハラノビス距離は用いることなく、生成した第１モデル５５や第２モデル７５に評価用データ要素４４，７４を入力する。これにより、第１モデル５５や第２モデル７５によって判別されたラベルが出力される。

Ｄ．他の形態：
本開示は、上述した実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の形態で実現することができる。例えば、本開示は、以下の形態（aspect）によっても実現可能である。以下に記載した各形態中の技術的特徴に対応する上記実施形態中の技術的特徴は、本開示の課題の一部又は全部を解決するために、あるいは、本開示の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。

（１）本開示の一形態によれば、判別用分光スペクトルの波長の決定方法が提供される。この決定方法は、複数の対象物体のそれぞれを、複数の計測波長で撮像し、計測データを得ることと、遺伝的アルゴリズムを用いて、前記複数の計測波長の少なくとも１つを含む複数の第１波長から、０個以上の第２波長を選択して複数の個体を生成することと、前記複数の個体のそれぞれについて、一のグループに属する前記対象物体の前記計測データと前記第２波長とで決まる第１分光スペクトルから前記一のグループに属する前記対象物体の正解ラベルを再現するように学習された第１モデルに、残りのグループに属する前記対象物体の前記計測データと前記第２波長とで決まる第２分光スペクトルを入力して、前記残りのグループに属する前記対象物体のラベルを判別することと、前記ラベルが正しく判別された割合に基づいて、前記判別用分光スペクトルの前記波長として前記第２波長を用いるか否かを決定することと、を備える。この形態によれば、第１モデルを用いたラベルの判別について、ラベルが正しく判別された割合に基づいて、判別用分光スペクトルの波長として第２波長を用いるか否かを決定することで、第１波長から判別用分光スペクトルの波長としての第２波長を決定できる。これにより、判別用分光スペクトルの波長数の増加を抑制しつつ、ラベルの判別精度が低下することを抑制できる。

（２）上記形態において、前記決定することは、前記割合を用いた第１項と、前記第２波長の波長数を用いた第２項とを含む評価関数によって、前記個体が表す前記第２波長の組み合わせごとに評価値を算出し、算出した前記評価値を用いて、いずれの前記組み合わせの前記第２波長を、前記判別用分光スペクトルの前記波長として用いるか否かを決定してもよい。この形態によれば、正しく判別した割合と、第２波長の波長数とを考慮して、判別用分光スペクトルの波長として第２波長を用いるか否かを決定できる。

（３）上記形態において、前記評価関数の前記評価値は、前記割合が高いほど高くなり、また、前記第２波長の前記波長数が少ないほど高くなり、前記決定することは、予め定めた連続する世代数において前記評価値が最も高い前記個体が同じである場合に、前記最も高い前記個体が表す前記第２波長を、前記判別用分光スペクトルの前記波長として用いることを決定することであってもよい。この形態によれば、ラベル判別の精度を向上しつつ、波長数を低減した判別用分光スペクトルを決定できる。

（４）上記形態において、前記評価関数は、さらに、前記第２波長の各波長の分散を用いた第３項を含んでもよい。この形態によれば、さらに、第２波長の各波長の分散を考慮して、判別用分光スペクトルの波長として第２波長を用いるか否かを決定できる。

（５）上記形態において、前記評価関数の前記評価値は、さらに、前記分散が小さいほど高くなり、前記決定することは、予め定めた連続する世代数において前記評価値が最も高い前記個体が同じである場合に、前記最も高い前記個体が表す前記第２波長を、前記判別用分光スペクトルの前記波長として用いることを決定することであってもよい。この形態によれば、さらに、分散が小さい第２波長が判別用分光スペクトルの波長として決定される。

（６）上記形態において、さらに、分光測定装置を用いて前記対象物体の分光スペクトルを取得すること、を含み、前記分光測定装置は、第１光学膜と、ギャップを介して前記第１光学膜と対向し、変位することで前記ギャップの大きさを変更可能に構成された第２光学膜とを有する波長可変干渉フィルターであって、前記ギャップを調整することで特定波長の光を取り出す波長可変干渉フィルターと、波長可変干渉フィルターによって取り出した前記光を用いて前記分光スペクトルを生成する信号処理部と、を備えてもよい。この形態によれば、分光測定装置を用いて容易に分光スペクトルを取得できる。また、評価関数に第２波長の各波長の分散を項として含む場合には、分散が小さい第２波長が判別用分光スペクトルの波長として決定される。これにより、ギャップの調整時間を減少させることができるので、判別用分光スペクトルを取得するための時間を短縮できる。よって、ラベルの判別時間を短縮できる。

（７）上記形態において、さらに、前記遺伝的アルゴリズムを用いて、光源を用いた複数の照射条件から１つの前記照射条件を選択して複数の別個体を生成することと、前記複数の別個体のそれぞれについて、前記別個体が表す前記照射条件を用いて取得した一の条件グループに属する前記対象物体の分光スペクトルから、前記一の条件グループに属する前記対象物体の正解ラベルを再現するように学習した第２モデルに、前記別個体が表す前記照射条件を用いた取得した残りの条件グループに属する前記対象物体の分光スペクトルを入力して、前記残りの条件グループに属する前記対象物体のラベルを判別することと、前記第２モデルを用いた前記ラベルの判別について、前記ラベルが正しく判別された割合に基づいて、前記別個体が表す照射条件を、前記判別用分光スペクトルを得るための前記照射条件として用いるか否かを決定することと、を備えてもよい。この形態によれば、ラベルが正しく判別された割合を用いて判別用分光スペクトルを得るための照射条件を決定できる。これにより、ラベルの判別精度を向上できる。

（８）本開示の他の一形態によれば、対象物体の判別用分光スペクトルを用いて前記対象物体に関連付けられたラベルの判別を行うための、光源の照射条件を決定する決定方法が提供される。この決定方法は、遺伝的アルゴリズムを用いて、複数の前記照射条件から１つの前記照射条件を選択して複数の個体を生成することと、前記複数の個体のそれぞれについて、前記個体が表す前記照射条件を用いて取得した一のグループに属する前記対象物体の分光スペクトルから、前記一のグループに属する前記対象物体の正解ラベルを再現するように学習したモデルに、前記個体が表す前記照射条件を用いて取得した残りのグループに属する前記対象物体の分光スペクトルを入力して、前記残りのグループに属する前記対象物体のラベルを判別することと、前記モデルを用いた前記ラベルの判別について、前記ラベルが正しく判別された割合に基づいて、前記個体が表す前記照射条件を、前記判別用分光スペクトルを得るための前記照射条件として用いるか否かを決定することと、を備える。この形態によれば、ラベルが正しく判別された割合を用いて判別用分光スペクトルを得るための照射条件を決定できる。これにより、ラベルの判別精度を向上できる。

本開示は、上記形態の他に、決定方法を実行するための装置、決定方法をコンピューターに実行させるためのコンピュータープログラム、コンピュータープログラムを記憶する一時的でない記憶媒体などの形態で実現することができる。

１０…分光測定装置、１２…第１プロセッサー、１３…記憶部、１４…測定部、１５…信号処理部、１６…フィルター部、１７…発光部、１９…切換電源、２０…対象物体、３０…分光スペクトル、３２…分光スペクトル、４２…データ要素群、４３…学習用データ要素、４４…評価用データ要素、４６…正解ラベル、５０…判別装置、５２…記憶装置、５４…不揮発性記憶媒体、５５…第１モデル、５７…第２プロセッサー、５９…出力部、７０…学習装置、７１…記憶媒体、７２…データ要素群、７３…学習用データ要素、７４…評価用データ要素、７５…第２モデル、７７…第３プロセッサー、７８…データ要素群、７９…出力部、１００，１００ａ…判別システム、１３２…入力データ要素群、１６１…第１光学膜、１６２…第２光学膜、１６３…波長可変干渉フィルター、１６５…ギャップ、１７２…光源、１７６…支持部材、２０２…端子、ＢＲ…輝度、ＤＲ１〜ＤＲ５…データ領域、Ｉ，Ｉ１〜Ｉ１５…個体、ＩＧ，ＩＧ１，ＩＧ１ａ，ＩＧ２…個体群、Ｉａ…個体、Ｌ１…検査光、Ｌ２…検査対象光、ＲＤ…照射方向、ＳＲ…分光反射率、ａ…角度

Claims (8)

1. 判別用分光スペクトルの波長の決定方法であって、
   複数の対象物体のそれぞれを、複数の計測波長で撮像し、計測データを得ることと、
   遺伝的アルゴリズムを用いて、前記複数の計測波長の少なくとも１つを含む複数の第１波長から、０個以上の第２波長を選択して複数の個体を生成することと、
   前記複数の個体のそれぞれについて、一のグループに属する前記対象物体の前記計測データと前記第２波長とで決まる第１分光スペクトルから前記一のグループに属する前記対象物体の正解ラベルを再現するように学習された第１モデルに、残りのグループに属する前記対象物体の前記計測データと前記第２波長とで決まる第２分光スペクトルを入力して、前記残りのグループに属する前記対象物体のラベルを判別することと、
   前記ラベルが正しく判別された割合に基づいて、前記判別用分光スペクトルの前記波長として前記第２波長を用いるか否かを決定することと、を備える、決定方法。
2. 請求項１に記載の決定方法であって、
   前記決定することは、前記割合を用いた第１項と、前記第２波長の波長数を用いた第２項とを含む評価関数によって、前記個体が表す前記第２波長の組み合わせごとに評価値を算出し、算出した前記評価値を用いて、いずれの前記組み合わせの前記第２波長を、前記判別用分光スペクトルの前記波長として用いるか否かを決定する、決定方法。
3. 請求項２に記載の決定方法であって、
   前記評価関数の前記評価値は、前記割合が高いほど高くなり、また、前記第２波長の前記波長数が少ないほど高くなり、
   前記決定することは、予め定めた連続する世代数において前記評価値が最も高い前記個体が同じである場合に、前記最も高い前記個体が表す前記第２波長を、前記判別用分光スペクトルの前記波長として用いることを決定することである、決定方法。
4. 請求項２に記載の決定方法であって、
   前記評価関数は、さらに、前記第２波長の各波長の分散を用いた第３項を含む、決定方法。
5. 請求項４に記載の決定方法であって、
   前記評価関数の前記評価値は、さらに、前記分散が小さいほど高くなり、
   前記決定することは、予め定めた連続する世代数において前記評価値が最も高い前記個体が同じである場合に、前記最も高い前記個体が表す前記第２波長を、前記判別用分光スペクトルの前記波長として用いることを決定することである、決定方法。
6. 請求項１から請求項５までのいずれか一項に記載の決定方法であって、さらに、
   分光測定装置を用いて前記対象物体の分光スペクトルを取得すること、を含み、
   前記分光測定装置は、
   第１光学膜と、ギャップを介して前記第１光学膜と対向し、変位することで前記ギャップの大きさを変更可能に構成された第２光学膜とを有する波長可変干渉フィルターであって、前記ギャップを調整することで特定波長の光を取り出す波長可変干渉フィルターと、
   波長可変干渉フィルターによって取り出した前記光を用いて前記分光スペクトルを生成する信号処理部と、を備える、決定方法。
7. 請求項１から請求項６までのいずれか一項に記載の決定方法であって、さらに、
   前記遺伝的アルゴリズムを用いて、光源を用いた複数の照射条件から１つの前記照射条件を選択して複数の別個体を生成することと、
   前記複数の別個体のそれぞれについて、前記別個体が表す前記照射条件を用いて取得した一の条件グループに属する前記対象物体の分光スペクトルから、前記一の条件グループに属する前記対象物体の正解ラベルを再現するように学習した第２モデルに、前記別個体が表す前記照射条件を用いた取得した残りの条件グループに属する前記対象物体の分光スペクトルを入力して、前記残りの条件グループに属する前記対象物体のラベルを判別することと、
   前記第２モデルを用いた前記ラベルの判別について、前記ラベルが正しく判別された割合に基づいて、前記別個体が表す照射条件を、前記判別用分光スペクトルを得るための前記照射条件として用いるか否かを決定することと、を備える、決定方法。
8. 対象物体の判別用分光スペクトルを用いて前記対象物体に関連付けられたラベルの判別を行うための、光源の照射条件を決定する決定方法であって、
   遺伝的アルゴリズムを用いて、複数の前記照射条件から１つの前記照射条件を選択して複数の個体を生成することと、
   前記複数の個体のそれぞれについて、前記個体が表す前記照射条件を用いて取得した一のグループに属する前記対象物体の分光スペクトルから、前記一のグループに属する前記対象物体の正解ラベルを再現するように学習したモデルに、前記個体が表す前記照射条件を用いて取得した残りのグループに属する前記対象物体の分光スペクトルを入力して、前記残りのグループに属する前記対象物体のラベルを判別することと、
   前記モデルを用いた前記ラベルの判別について、前記ラベルが正しく判別された割合に基づいて、前記個体が表す前記照射条件を、前記判別用分光スペクトルを得るための前記照射条件として用いるか否かを決定することと、を備える、決定方法。

Images