本研究では、食品加工工場などにおける品質検査応用をみこして，不良品画像がない場合でも、良品画像のみを用いて、検査対象画像を評価する手法を提案した。良品画像のみを訓練データとして扱い適合確率分布を仮定することで，良品からの逸脱度合いを評価可能な CNN に基づく識別機を提案し，実際の食品工場で撮像された検査画像を使い，現場での利活用を想定したシナリオに基づいて有用性の確認を行った。その結果，不良品に関する学習用のデータが事前になくとも，不良品の検出を行うことが可能であることが分かった。その検出精度は，検査対象物や逸脱を定義するしきい値によって異なり，不良品画像を必要とする強力な先行研究とも伍する。検出感度を調整可能なしきい値や，不良品の自動類型化機能によって，提案手法は作業ラインにおける現場作業者の知恵も柔軟に取り入れることが期待される。
This study proposes a method for evaluating inspection target images in food processing factories even when defective product images are unavailable. By using only non-defective (good) product images as training data and assuming a suitable probability distribution, the authors developed a CNN-based classifier capable of assessing the degree of deviation from normality. Using inspection images actually captured in a food factory, the method’s effectiveness was validated under realistic, on-site scenarios. The results demonstrated that defective products could be detected without pre-existing defect image data. The detection accuracy varied depending on the inspection object and threshold defining the deviation, performing comparably to advanced existing methods that require defective images. With an adjustable threshold to control sensitivity and an automatic defect categorization capability, the proposed approach is expected to flexibly incorporate the expertise of human workers in production lines.
