图像处理装置、图像处理方法以及存储介质

摘要

本发明提供一种图像处理装置、图像处理方法以及存储介质，可将能够判断模型变更是否合适的信息提供给用户。图像处理装置对于对象模型组所含的多个类别内的各类别算出指标，此指标表示将应决定为属于所述类别的像误决定为属于与所述类别不同的类别的可能性。图像处理装置输出信息，此信息包含将第一模型组作为对象而算出的第一模型组所含的每个类别的指标、与将和第一模型组不同的第二模型组作为对象而算出的第二模型组所含的每个类别的指标之间的差。

权利要求

1.一种图像处理装置，包括：

存储部，保存将一个或多个模型与多个类别的各个对应而成的第一模型组；

决定部，参照保存在所述存储部的所述第一模型组，来决定输入图像所含的像属于所述多个类别中的哪一类别；

计算部，对于对象模型组所含的多个类别内的各类别算出指标，所述指标表示将应决定为属于所述类别的像误决定为属于与所述类别不同的类别的可能性；以及输出部，输出信息，所述信息包含将所述第一模型组作为对象而算出的所述第一模型组所含的每个类别的指标、与将和所述第一模型组不同的第二模型组作为对象而算出的所述第二模型组所含的每个类别的指标之间的差。

2.根据权利要求1所述的图像处理装置，其中

所述输出部针对所述第一模型组所含的每个类别的指标、与所述第二模型组所含的每个类别的指标中在对应类别间指标发生了变化的类别，输出成为与其他类别不同的显示形态的信息。

3.根据权利要求1或2所述的图像处理装置，还包括：受理部，受理所述输入图像所含的像的选择、及经选择的像的类别的设定；

生成部，基于所述经选择的像来生成模型；以及

追加部，将对所述第一模型组的经设定的类别追加所述生成的模型而成的模型组设为所述第二模型组。

4.根据权利要求3所述的图像处理装置，其中

所述输出部在存在所述第二模型组所含的每个类别的指标中的所述指标的值变得小于预定值的指标时，输出信息，所述信息促使用户确认是否确定向所述第一模型组追加所述生成的模型。

5.根据权利要求3所述的图像处理装置，其中

所述输出部在所述第二模型组所含的每个类别的指标、与所述第一模型组所含的每个类别的指标中，对应类别间的指标的值的变化成为预定值以上时，输出信息，所述信息促使用户确认是否向所述第一模型组追加所述生成的模型。

6.根据权利要求3所述的图像处理装置，其中

所述受理部受理所述第一模型组所含的所述模型的选择，还包括：删除部，将所述经选择的模型删除。

7.根据权利要求1或2所述的图像处理装置，其中

所述计算部在所述多个类别中具有与条件一致的属性的一部分类别内算出所述指标。

8.根据权利要求1或2所述的图像处理装置，其中

所述计算部基于属于经选择的类别的模型、与属于其他类别的模型的类似度，来算出所述经选择的类别的所述指标。

9.根据权利要求1或2所述的图像处理装置，其中

所述存储部保存所属的所述类别预先经决定的参照物，所述计算部基于属于所述类别的参照物与属于所述类别的所述模型的类似度、及属于所述类别的所述参照物与属于其他类别的所述模型的类似度，来算出所述类别的所述指标。

10.根据权利要求1或2所述的图像处理装置，其中所述输入图像所含的像为字符的像。

11.一种图像处理方法，包括下述步骤：

参照保存在存储部的第一模型组，来决定输入图像所含的像属于多个类别中的哪一类别，所述第一模型组为将一个或多个模型与多个类别的各个对应而成；

对于对象模型组所含的多个类别内的各类别算出指标，所述指标表示将应决定为属于所述类别的像误决定为属于与所述类别不同的类别的可能性；以及输出信息，所述信息包含将所述第一模型组作为对象而算出的所述第一模型组所含的每个类别的指标、与将和所述第一模型组不同的第二模型组作为对象而算出的所述第二模型组所含的每个类别的指标之间的差。

12.一种存储介质，其存储图像处理程序，用于使计算机作为图像处理装置发挥功能，所述图像处理程序使所述计算机执行下述步骤：参照保存在存储部的第一模型组，来决定输入图像所含的像属于多个类别中的哪一类别，所述第一模型组为将一个或多个模型与多个类别的各个对应而成；

对于对象模型组所含的多个类别内的各类别算出指标，所述指标表示将应决定为属于所述类别的像误决定为属于与所述类别不同的类别的可能性；以及输出信息，所述信息包含将所述第一模型组作为对象而算出的所述第一模型组所含的每个类别的指标、与所述算出步骤将和所述第一模型组不同的第二模型组作为对象而算出的所述第二模型组所含的每个类别的指标之间的差。

说明书

图像处理装置、图像处理方法以及存储介质

技术领域

[0001] 本公开涉及一种决定像所属的类别(category)的技术。

背景技术

[0002] 存在下述图像处理装置，即：获取由相机(camera)所拍摄的图像，并判定所述图像所含的像(例如字符或零件的像等)属于多个类别(例如字符的情况下，为数字中的“0～9”及字母中的“A～Z”等)中的哪一类别。这种图像处理装置例如是作为使生产工序自动化的工业用装置而导入。更具体而言，图像处理装置基于预先注册的多个模型(例如像的特征量)来决定所述像的类别。

[0003] 此处，当图像处理装置决定像的类别时，在所述像、与预先注册在应决定为所述像所属的类别的一个或多个模型的类似度低的情况下，有时并未决定为所述像属于所述类别。为了决定为对象像所属的正确类别而提高识别精度，有时将经判断为类似度低的像注册为所述类别的新模型。

[0004] 作为提高识别精度的一例，日本专利特开2009-193387号公报(专利文献1)中，字符识别装置将经误识别的字符注册在用户词典。更具体而言公开：字符识别装置针对注册在用户词典的各字符，将期待用户识别为一系列字符串的学习字符串注册在学习字符串表，以防止使用用户词典的识别中的误识别。

[0005] [现有技术文献]

[0006] [专利文献]

[0007] 专利文献1：日本专利特开2009-193387号公报

发明内容

[0008] [发明所要解决的问题]

[0009] 但是，即便通过图像处理装置注册新模型从而应决定为属于注册了新模型的类别的像的识别精度提高，但有时由于注册新模型，而导致应决定为属于其他类别的像的识别精度降低。因此，使用图像处理装置的用户反复进行试误以使各类别的识别精度达到一定程度以上，进行注册在所述图像处理装置的模型的调整。进行这种调整需要大量时间。另外，有时因进行调整的用户的经验差异而导致调整后的识别精度不同。因此，需要不依赖于用户的经验而可将能够判断模型变更是否合适的信息提供给用户的技术。

[0010] 本公开是鉴于所述实际情况而想出，公开一种可将能够判断模型变更是否合适的信息提供给用户的技术。

[0011] [解决问题的技术手段]

[0012] 本公开的一例包括：存储部，保存将一个或多个模型与多个类别的各个对应而成的第一模型组；决定部，参照保存在所述存储部的所述第一模型组，来决定输入图像所含的像属于所述多个类别中的哪一类别；计算部，对于对象模型组所含的多个类别内的各类别算出指标，所述指标表示将应决定为属于所述类别的像误决定为属于与所述类别不同的类别的可能性；以及输出部，输出信息，所述信息包含所述计算部将所述第一模型组作为对象而算出的所述第一模型组所含的每个类别的指标、与所述计算部将和所述第一模型组不同的第二模型组作为对象而算出的所述第二模型组所含的每个类别的指标之间的差。

[0013] 根据所述公开，图像处理装置可将能够判断模型变更是否合适的信息提供给用户。

[0014] 本公开的一例中，图像处理装置的所述输出部针对所述第一模型组所含的每个类别的指标、与所述第二模型组所含的每个类别的指标中在对应类别间指标发生了变化的类别，输出成为与其他类别不同的显示形态的信息。

[0015] 根据所述公开，图像处理装置可输出针对每个类别将产生了差的指标与未产生差的指标设为不同显示形态的信息。

[0016] 本公开的一例中，图像处理装置还包括：受理部，受理所述输入图像所含的像的选择、及所述经选择的像的类别的设定；生成部，基于所述经选择的像来生成模型；以及追加部，将对所述第一模型组的经设定的类别追加所述生成的模型而成的模型组设为所述第二模型组。

[0017] 根据所述公开，图像处理装置能够容易地制作对现有的模型组追加新模型而成的新颖的模型组。

[0018] 本公开的一例中，图像处理装置的所述输出部在存在所述第二模型组所含的每个类别的指标中的所述指标的值变得小于预定值的指标时，输出信息，所述信息促使用户确认是否确定向所述第一模型组追加所述生成的模型。

[0019] 根据所述公开，图像处理装置能够对用户告知下述情况，即：若确定向模型组追加新模型，则会产生稳定度成为阈值以下的类别。

[0020] 本公开的一例中，图像处理装置的所述输出部在所述第二模型组所含的每个类别的指标、与所述第一模型组所含的每个类别的指标中，对应类别间的指标的值的变化成为预定值以上时，输出信息，所述信息促使用户确认是否确定向所述第一模型组追加所述生成的模型。

[0021] 根据所述公开，图像处理装置能够对用户可靠地告知下述情况：当确定了向模型组追加新模型时，至少一个类别的稳定度与追加模型前相比降低一定值以上。

[0022] 本公开的一例中，图像处理装置的所述受理部受理所述第一模型组所含的所述模型的选择，还包括：删除部，将所述经选择的模型删除。

[0023] 根据所述公开，图像处理装置在模型的注册数达到可注册的上限时，通过删除已注册的模型从而可追加新模型。另外，图像处理装置在所注册的模型使识别精度降低时，能够通过删除所述模型从而使识别精度提高。

[0024] 本公开的一例中，图像处理装置的所述计算部在所述多个类别中具有与条件一致的属性的一部分类别内算出所述指标。

[0025] 根据所述公开，图像处理装置限定于进行字符识别的对象来算出指标，因此能够减轻处理负荷，且能够仅将成为字符识别对象的类别的指标的信息提供给用户。

[0026] 本公开的一例中，图像处理装置的所述计算部基于属于所述经选择的类别的模型、与属于所述其他类别的模型的类似度，来算出所述经选择的类别的所述指标。

[0027] 根据所述公开，图像处理装置能够基于像与模型的类似度来准确地判定像所属的类别。

[0028] 本公开的一例中，图像处理装置的所述存储部保存所属的所述类别预先经决定的参照物，所述计算部基于属于所述类别的参照物与属于所述类别的所述模型的类似度、及属于所述类别的所述参照物与属于其他类别的所述模型的类似度，来算出所述类别的所述指标。

[0029] 根据所述公开，图像处理装置能够基于使用参照物的模型的类似度来准确地判定像所属的类别。

[0030] 本公开的一例中，输入图像所含的像为字符的像。

[0031] 根据所述公开，图像处理装置可将能够判断字符的像的模型变更是否合适的信息提供给用户。

[0032] 本公开的一例中，图像处理方法包括下述步骤：参照保存在存储部的第一模型组，来决定输入图像所含的像属于所述多个类别中的哪一类别，所述第一模型组为将一个或多个模型与多个类别的各个对应而成；对于对象模型组所含的多个类别内的各类别算出指标，所述指标表示将应决定为属于所述类别的像误决定为属于与所述类别不同的类别的可能性；以及输出信息，所述信息包含所述算出步骤将所述第一模型组作为对象而算出的所述第一模型组所含的每个类别的指标、与所述算出步骤将和所述第一模型组不同的第二模型组作为对象而算出的所述第二模型组所含的每个类别的指标之间的差。

[0033] 根据所述公开，图像处理方法可将能够判断模型变更是否合适的信息提供给用户。

[0034] 本公开的一例中，存储介质所存储的图像处理程序用于使计算机作为图像处理装置发挥功能，所述图像处理程序使所述计算机执行下述步骤：参照保存在存储部的第一模型组，来决定输入图像所含的像属于所述多个类别中的哪一类别，所述第一模型组为将一个或多个模型与多个类别的各个对应而成；对于对象模型组所含的多个类别内的各类别算出指标，所述指标表示将应决定为属于所述类别的像误决定为属于与所述类别不同的类别的可能性；以及输出信息，所述信息包含所述算出步骤将所述第一模型组作为对象而算出的所述第一模型组所含的每个类别的指标、与所述算出步骤将与所述第一模型组不同的第二模型组作为对象而算出的所述第二模型组所含的每个类别的指标之间的差。

[0035] 根据所述公开，存储介质所存储的图像处理程序可将能够判断模型变更是否合适的信息提供给用户。

[0036] [发明的效果]

[0037] 根据本公开，在某方面可将能够判断模型变更是否合适的信息提供给用户。

附图说明

[0038] 图1为对图像处理装置100的结构例进行说明的图。

[0039] 图2(A)及图2(B)为对追加模型前与追加模型后的指标的变化进行说明的图。

[0040] 图3为表示图像处理系统1的结构例的图。

[0041] 图4为对图像处理装置100的硬件结构例进行说明的图。

[0042] 图5为表示词典数据115的结构例的图。

[0043] 图6为图像处理装置100中执行的字符识别处理的功能框图。

[0044] 图7为对显示于显示部140的各像的辨识结果进行说明的图。

[0045] 图8(A)及图8(B)为表示类似度与稳定度的关系的图。

[0046] 图9为表示第一稳定度图像610的具体例的图。

[0047] 图10为对切换显示第一稳定度图像610与第二稳定度图像620进行说明的图。

[0048] 图11为对输出像的辨识信息的处理进行说明的流程图。

[0049] 图12为对输出包含差的信息的处理进行说明的流程图。

[0050] 图13为表示第三稳定度图像630的具体例的图。

[0051] 图14(A)及图14(B)为对使用参照物701的类别的指标算出进行说明的图。

[0052] [符号的说明]

[0053] 1：图像处理系统

[0054] 2：工件

[0055] 4：光电传感器

[0056] 4a：光接收部

[0057] 4b：光投射部

[0058] 6：搬送机构

[0059] 8：相机

[0060] 100：图像处理装置

[0061] 104：鼠标

[0062] 110：控制程序

[0063] 111：第一模型组

[0064] 112：第二模型组

[0065] 115：词典数据

[0066] 121a：第一范围

[0067] 122a：第三范围

[0068] 130：获取部

[0069] 130a：图像缓冲器

[0070] 131a：第二范围

[0071] 140：显示部

[0072] 152：存储器

[0073] 154：存储装置

[0074] 160：输入接口

[0075] 162：显示控制器

[0076] 164：接口

[0077] 166：通信接口

[0078] 170：决定部

[0079] 171：提取部

[0080] 172：导出部

[0081] 173：设定部

[0082] 174：输出部

[0083] 175：总线

[0084] 181：受理部

[0085] 182：生成部

[0086] 183：追加部

[0087] 184：计算部

[0088] 300：输入图像

[0089] 311、321：像

[0090] 500：结果信息

[0091] 605：辨识结果图像

[0092] 611：稳定度信息

[0093] 612：追加确认信息

[0094] 613：阈值

[0095] 614：数值范围

[0096] 701：参照物

具体实施方式

[0097] 以下，一方面参照附图一方面对本发明的实施方式进行说明。以下的说明中，对相同零件标注相同符号。它们的名称及功能也相同。因此，不重复进行与这些有关的详细说明。

[0098] ＜适用例＞

[0099] 参照图1对本发明的适用例进行说明。图1为对图像处理装置100的结构例进行说明的图。本实施方式中，图像处理装置100例如执行下述处理，即：对后述的相机(例如图3所示的相机8)拍摄后述的工件(例如图3所示的工件2)所得的字符的像进行识别。更具体而言，图像处理装置100针对输入图像300所含的像，判断属于多个类别中的哪一类别。此外，图像处理装置100执行的处理不限定于字符识别处理，也可为其他识别处理。作为其他识别处理，例如包括装置的零件形状或食品的形状等。进而，例如包括与以对象物的损伤、瘪痕及异物的附着等作为类别的对象物的缺陷有关的识别处理。

[0100] 图像处理装置100包含决定部170、计算部184、输出部174及存储装置154。决定部170决定输入图像300所含的像属于多个类别中的哪一类别。类别是将字符所含的数字、字母及记号等分类而成。更具体而言，类别例如为数字“0～9”、字母“A～Z”及记号(例如“(”、“)”、“/”、“：”等)。

[0101] 决定部决定输入图像300所含的像属于多个类别中的哪一类别。更具体而言，决定部170决定输入图像300所含的“2018.12/AEIA”的各像(例如包含数字、字母及记号的12个的各像)属于多个类别中的哪一类别。决定部170例如决定为字母“AEIA”中的字母“I”的像311属于字母“I”的类别12。

[0102] 决定部170在决定像所属的类别时，参照保存在存储装置154的第一模型组111。第一模型组111是使一个或多个模型与字符的多个类别11各自对应而成的数据。第一模型组111例如包含字母“I”的类别12、数字“1”的类别13及记号“/”的类别14。对于字母“I”的类别
12，使字母“I”的模型121与之对应。对于数字“1”的类别13，使数字“1”的模型131与之对应。
对于记号“/”的类别14，使记号“/”的模型141与之对应。各类别的模型包含一个或多个模型。

[0103] 图1中，首先对决定输入图像300所含的像中字母“I”的像311所属的类别的处理进行说明。决定部170例如导出字母“I”的像311、与和第一模型组111所含的各类别对应的一个或多个模型的类似度。更具体而言，决定部170基于字母“I”的像311的特征量、与所有类别的各模型的特征量来导出类似度(例如相关值)。特征量例如是以特征量空间中的n维的向量信息来表现。若为了简便而将特征量设为一维的标量(scalar)值，则在像311的特征量与模型的特征量之差的绝对值小时，类似度成为高的值。此外，类似度不限于相关值，也可由相关值以外的信息来表示。

[0104] 决定部170例如将导出了与字母“I”的像311最高的类似度的模型所属的类别设定为字母“I”的像311所属的类别。更具体而言，决定部170根据由像311的特征量与各模型的特征量所得的类似度，例如判断为字母“I”的类别12所含的模型成为最高的类似度。其结果，决定部170决定为字母“I”的像311属于字母“I”的类别12。由此，对字母“I”的像311设定字母“I”的类别12。

[0105] 计算部184算出第一模型组111所含的各类别的指标、及第二模型组112所含的各类别的指标。第二模型组112是对第一模型组111的类别追加模型而成。第二模型组112例如是将字母“I”的像311的模型223设为字母“I”的类别12的一个或多个模型121所包含的模型而成。此外，如后述那样，字母“I”的像311为与数字“1”的类别所含的模型的类似度相对较高的像。

[0106] 所谓指标，是表示将应决定为属于某类别的像误决定为属于与所述类别不同的类别的可能性。另外，指标为某像与所述像所属的类别所含的模型的类似度、和某像与其他类别所含的模型的类似度之差。这样，指标是使用不同类别的模型间的类似度而算出的值。以下，将指标也称为“稳定度”。此外，关于指标与稳定度的关系，当指标的值小时，误决定的可能性变小，稳定度的值变大。另外，当指标的值大时，误决定的可能性变大，稳定度的值变小。关于稳定度的具体算出方法，将于后述。

[0107] 参照图2(A)及图2(B)对指标的内容进行说明。图2(A)及图2(B)为对追加类别的模型前与追加模型后的指标的变化进行说明的图。参照图2(A)，对追加模型前的状态的指标进行说明。对于图2(A)的字母“I”的类别12、及数字“1”的类别13，分别使一个模型与之对应。更具体而言，对于字母“I”的类别12，使字母“I”的模型221与之对应，对于数字“1”的类别13，使数字“1”的模型231与之对应。

[0108] 由于字母“I”的模型221属于字母“I”的类别12，因此例如处于第一范围121a的范围内的像的特征量、与字母“I”的模型221的特征量之差的绝对值变得相对较小。当特征量之差的绝对值小时，类似度变高。决定部170导出某像的特征量与属于其他类别的模型的特征量之差的绝对值。决定部170在相较于所述导出的差的绝对值而某像的特征量与字母“I”的模型221的特征量之差的绝对值更小时，决定为某像属于字母“I”的类别12。

[0109] 由于数字“1”的模型231属于数字“1”的类别13，因此例如处于第二范围131a的范围内的像的特征量、与数字“1”的模型231的特征量之差的绝对值变得相对较小。决定部170导出某像的特征量与属于其他类别的模型的特征量之差的绝对值。决定部170在相较于所述导出的差的绝对值而某像的特征量与数字“1”的模型211的特征量之差的绝对值更小时，决定为某像属于数字“1”的类别13。

[0110] 图2(A)所示的数字“1”的像321基于所述像321的特征量而成为第二范围131a的范围内。换言之，数字“1”的像321的特征量、与字母“I”的模型211的特征量之差的绝对值成为L1。以下，将差的绝对值也称为距离。另外，数字“1”的像321的特征量、与数字“1”的模型231的特征量成为距离L2。如上文所述，像311的特征量与模型的特征量之差的绝对值越小(距离越小)，则类似度越变得更高。图2(A)的距离L1与距离L2的关系为距离L1＞距离L2，因此对于数字“1”的像321而言，相较于与字母“I”的模型211的类似度，与数字“1”的模型231的类似度变得更高。因此，决定部170将应决定为属于数字“1”的类别13的数字“1”的像321误决定为属于与数字“1”的类别13不同的字母“I”的类别12的可能性变小。也就是说，数字“1”的类别的指标变小。另外，距离L1与距离L2之差相对较大，因此数字“1”的类别的稳定度变大。两个类似度之差越大则稳定度成为越大的值。由此，图像处理装置100能够基于像与模型的类似度来准确地判定像所属的类别。

[0111] 此外，距离的表示方式不限定于特定的距离的表示方式。距离的表示方式例如既可为欧氏距离(Euclidean distance)，也可为马氏距离(Mahalanobis distance)。图像处理装置100也可根据各个距离的表示方式，使用某类别所含的多个模型的所有特征量来算出距离。另外，图像处理装置100也可根据各个距离的表示方式，将某类别所含的多个模型的特征量平均而算出距离。另外，图像处理装置100也可基于使用神经网络(neural network)的机械学习来算出距离。

[0112] 接着，参照图2(B)对追加模型后的状态的指标进行说明。图2(B)中，对于字母“I”的类别12，追加有图1中说明的字母“I”的像311的模型223的特征量。通过追加模型223的特征量，从而字母“I”的类别12的第一范围121a扩大，成为第三范围122a。其结果，数字“1”的像321的特征量不仅包含于数字“1”的类别13的第二范围131a，而且也包含于字母“I”的类别12的第三范围122a。由此，决定部170将应决定为属于数字“1”的类别13的数字“1”的像321误决定为属于与数字“1”的类别13不同的字母“I”的类别12的可能性变大。数字“1”的类别的指标变大。另外，数字“1”的像321的特征量与字母“I”的模型211的特征量的距离L3、和所述距离L2之差相对较小。因此，数字“1”的类别的稳定度变小。

[0113] 再次参照图1，计算部184算出各模型组中的每个类别的指标。更具体而言，计算部184算出第一模型组111中的字母“I”的类别12的指标A1、及第二模型组112中的相同类别的指标A2。计算部184算出第一模型组111中的数字“1”的类别13的指标B1、及第二模型组112中的相同类别的指标B2。计算部184算出第一模型组111中的记号“/”的类别14的指标C1、及第二模型组112中的相同类别的指标C2。

[0114] 计算部184将第一模型组111的各指标、与第二模型组112的各指标进行比较。更具体而言，计算部184将指标A1与指标A2、指标B1与指标B2、指标C1与指标C2进行比较。计算部184通过比较而算出每个类别的指标之差的绝对值，并发送至输出部174。

[0115] 示出具体例来对指标的比较进行说明。第一模型组111中的数字“1”的类别13的指标B1相当于使用图2(A)所说明的指标。更具体而言，指标B1成为小的值(稳定度大的值)。相对于此，第二模型组112中的数字“1”的类别13的指标B2相当于使用图2(B)所说明的指标。更具体而言，指标B2成为大的值(稳定度小的值)。计算部184将数字“1”的类别13的第一模型组的指标B1、与第二模型组的指标B2之差的绝对值发送至输出部174。例如若将指标B1的值设为“10”，将指标B2的值设为“20”，则计算部184将差的绝对值即“10”发送至输出部174。
此外，对于其他类别(例如字母“I”的类别12及记号“/”的类别14等)的第一模型组111、与第二模型组112之差，计算部184也发送至输出部174。

[0116] 输出部174输出结果信息500，所述结果信息500包含从计算部184获取的指标之差。输出部174将结果信息500输出至后述的显示部(例如图6所示的显示部140)。由此，图像处理装置100可将能够判断模型变更是否合适的信息提供给用户。

[0117] ＜第一实施方式＞

[0118] [图像处理系统1的结构]

[0119] 以下，对包含图像处理装置100的图像处理系统1的结构、图像处理装置100的硬件结构及图像处理装置100的具体处理进行说明。

[0120] 图3为表示图像处理系统1的结构例的图。参照图3，图像处理系统1被组入生产流水线等。图像处理系统1针对通过拍摄作为对象物的工件2从而获得的输入图像300，执行字符识别处理。更具体而言，图像处理系统1按照预定的设定，对输入图像300确定与探索条件一致的区域并执行字符识别处理。探索条件例如是通过格式字符串而设定。关于格式字符串，将于后述。

[0121] 图像处理系统1中，工件2是由带式输送机(belt conveyor)等搬送机构6所搬送，所搬送的工件2是由相机8以规定时序进行摄像。作为一例，相机8除了透镜等光学系统以外，还包含电荷耦合器件(Coupled Charged Device，CCD)或互补式金属氧化物半导体(Complementary Metal Oxide Semiconductor，CMOS)传感器等经划分为多个像素的摄像元件。此外，也可还设置对由相机8所拍摄的工件2照射光的照明机构。通过利用相机8进行摄像从而获得的输入图像300传输至图像处理装置100。

[0122] 工件2到达相机8的视场内是由配置于搬送机构6的两端的光电传感器4进行检测。更具体而言，光电传感器4包含配置于同一光轴上的光接收部4a与光投射部4b。通过利用光接收部4a来检测从光投射部4b放射的光被工件2遮蔽，从而检测工件2的到达。所述光电传感器4的触发信号输出至可编程逻辑控制器(Programmable Logic Controller，PLC)5。
PLC5接收来自光电传感器4等的触发信号，并且负责搬送机构6的控制自身。

[0123] 图像处理装置100例如对工件2执行测量处理(图像处理)。更具体而言，图像处理装置100决定输入图像300所含的像属于多个类别中的哪一类别，算出对类别追加模型前的第一模型组111中的每个类别的指标、与对类别追加模型后的第二模型组112中的每个类别的指标。图像处理装置100将下述信息输出至显示部140，所述信息包含第一模型组111中的每个类别的指标、与第二模型组112中的每个类别的指标之间的差。

[0124] 显示部140例如为液晶显示器、有机电致发光(Electro Luminescence，EL)显示器或其他显示装置。

[0125] 另外，图像处理装置100设定探索条件。进而，图像处理装置100受理通过用户对作为输入装置的鼠标104或键盘(未图示)进行操作从而给予的操作指令。

[0126] 此外，图像处理装置100为具有通用架构(architecture)的计算机，也可通过执行预先安装的程序(命令码)从而提供各种功能。当将通用的计算机用作图像处理装置100时，也可除了用于提供本实施方式的功能的应用以外，还安装有用于提供计算机的基本功能的操作系统(Operating System，OS)。

[0127] [图像处理装置100的硬件结构例]

[0128] 图4为对图像处理装置100的硬件结构例进行说明的图。参照图4，图像处理装置100包含作为运算处理部的处理器(processor)150、作为存储部的存储器152及存储装置
154、获取部130、输入接口160、显示控制器162、PLC接口164及通信接口166。这些各部通过总线175而彼此可数据通信地连接。

[0129] 处理器150通过将保存在存储装置154的程序(码)在存储器152展开，并以规定顺序执行这些程序(码)，从而作为图像处理部发挥功能。更具体而言，处理器150将程序在存储器152展开，作为计算部184及输出部174发挥功能。另外，处理器150作为后述的提取部、导出部、设定部、受理部、生成部及追加部(例如图6所示的提取部171、导出部172、设定部173、受理部181、生成部182及追加部183)发挥功能。此外，以下对通过处理器150执行程序从而实现必要处理的结构例进行说明，但也可使用专用的硬件电路(例如特殊应用集成电路(Application-Specific Integrated Circuit，ASIC)或现场可编程门阵列(Field Programmable Gate Array，FPGA)等)来安装这些所提供的处理的一部分或全部。

[0130] 存储器152例如为动态随机存取存储器(Dynamic Random Access Memory，DRAM)等易失性的器件。存储器152除了保持从存储装置154读出的程序以外，还保持利用相机8所获取的输入图像300、及对输入图像300的图像处理所用的模型组等。

[0131] 存储装置154例如为硬盘及固态驱动器(Solid State Drive，SSD)等非易失性的器件，保持用于实现处理器150执行的各种功能的控制程序110。另外，存储装置154保持词典数据115。词典数据115包含至少一个模型组。

[0132] 此外，包含控制程序110的本实施方式的程序也可将作为OS的一部分而提供的程序模块中必要的模块以规定排列在规定时序呼出而执行处理。也就是说，本实施方式的程序自身也可不含所述那样的模块，而与OS协作来执行处理。本实施方式的程序也可为不含这种一部分模块的形态。进而，本实施方式的程序也可组入至其他程序的一部分而提供。此时，程序自身中也不含所述那样组合的其他程序所含的模块，而是与所述其他程序协作而执行。

[0133] 图5为表示词典数据115的结构例的图。词典数据115具有一个或多个模型组。参照图5，词典数据115例如具有第一模型组111。属性例如包含数字、字母及记号。第一模型组111针对字符的每个属性而包含多个类别。更具体而言，第一模型组111包含数字的多个类别21、字母的多个类别22及记号的多个类别23。另外，对于各类别，使一个或多个模型与之对应。例如对于数字“0”的类别，使数字“0”的多个模型31与之对应。此外，第一模型组111所含的所述类别及模型为一例，也可包含其他类别及其他模型。第一模型组111例如也可包含平假名及片假名的至少任一者的类别及模型。

[0134] 再次参照图4，获取部130为中介处理器150与相机8之间的数据传输的接口。获取部130与相机8电连接。相机8对工件2进行摄像。更具体而言，获取部130可与一个以上的相机8连接，包含图像缓冲器130a。图像缓冲器130a暂时存储从相机8获取的图像数据。而且，获取部130在图像缓冲器130a中存储了规定张数的图像数据时，将其所存储的输入图像300的图像数据转送至存储器152。这样，将由相机8实时(real time)拍摄的输入图像300转送至存储器152。

[0135] 输入接口160中介处理器150与鼠标104及键盘等输入部之间的数据传输。也就是说，输入接口160受理通过用户操作输入部从而给予的操作指令。显示控制器162与显示部140连接，使基于结果信息500的、包含每个类别的稳定度的后述的稳定度图像(例如图9所示的第一稳定度图像610)显示于显示部140。

[0136] PLC接口164中介处理器150与PLC5之间的数据传输。更具体而言，PLC接口164将与由PLC5控制的生产流水线的状态有关的信息、或与工件有关的信息等传输至处理器150。通信接口166中介处理器150与管理服务器(未图示)之间的数据传输。通信接口166例如也可采用作为通常的网络协议的以太网(EtherNet，注册商标)、被用作工业用网络协议的以太网控制自动化技术(EtherCAT，注册商标)及工业以太网协议(EtherNet/IP，注册商标)等的任一个。

[0137] [图像处理装置100的功能框图]

[0138] 图6为图像处理装置100中执行的字符识别处理的功能框图。参照图6，图像处理装置100包含决定部170、输出部174、受理部181、生成部182、追加部183及计算部184。另外，决定部170包含提取部171、导出部172及设定部173。处理器150通过读出保存在存储装置154的控制程序110并执行，从而作为所述各部发挥功能。以下，对由处理器150所执行的各部的具体处理进行说明。

[0139] 决定部170在运用图像处理系统1时执行处理。决定部170所含的提取部171提取输入图像300所含的像。更具体而言，提取部171提取输入图像300所含的“2018.12/AEIA”的各像(例如12个像)，并将包含各像的像信息发送至导出部172。

[0140] 导出部172导出各像的类似度。更具体而言，导出部172参照保存在存储装置154的第一模型组111，基于像的特征量与属于各类别的模型的特征量来导出类似度。导出部172针对一个像导出每个类别的类似度。另外，导出部172导出多个像(例如12个像)的类似度，并将包含所导出的多个像的类似度的类似度信息发送至设定部173。

[0141] 设定部173利用基于特征量的类似度来决定所述像所属的类别。更具体而言，设定部173将针对一个像所导出的每个类别的类似度中成为最高类似度的模型的类别设定为所述像所属的类别。设定部173设定多个像的类别，并将包含所设定的多个像的类别的类别信息发送至输出部174。

[0142] 输出部174输出各像的辨识结果。辨识结果包含像的类别、像所属的类别的类似度及像的稳定度。输出部174将包含辨识结果的辨识信息发送至显示部140。显示部140显示各像的辨识结果。

[0143] 图7为对显示于显示部140的各像的辨识结果进行说明的图。参照图7，辨识结果图像605包含四个数字(例如“2018”)的像、一个记号(例如“.”)的像、两个数字(例如“12”)的像、一个记号(例如“/”)的像及四个字母(例如“AEIA”)的像。也就是说，辨识结果图像605包含12个像。这些像例如通过“####＠##＠＄＄＄＄”的格式字符串来算出类别、类似度及稳定度。格式字符串为包含表示任意数字的“#”、表示任意字母的“＄”及表示任意记号的“＠”的正规表现。此外，关于使用格式字符串来限定算出指标的对象类别的处理，将以第二实施方式进行说明。

[0144] 辨识结果图像605中包含12个像。在各像的上侧包含设定部173所设定的各像的类别。在各像的下侧包含导出部172所导出的各像的类似度。在各像的类似度的下侧包含输出部174所输出的稳定度。

[0145] 此处，在辨识结果图像605所含的各像中，例如将类似度的阈值设为60，将稳定度的阈值设为10时，四个字母“AEIA”的像中的字母“I”的像311的类似度及稳定度成为阈值以下的值。当某像的类似度及稳定度的至少任一个低于阈值时，例如将显示于像的上侧的类别的颜色、类似度的颜色及稳定度的颜色的至少任一个以与其他像的类别等的颜色不同的颜色来显示。更具体而言，辨识结果图像605的12个像的类别、类似度及稳定度中，字母“I”的像的字母“I”的类别、类似度及稳定度是以对于用户而言显眼的颜色(例如红色)来显示，其他像的类别、类似度及稳定度是以对于用户而言不显眼的颜色(例如黑色)来显示。

[0146] 再次参照图6，受理部181从设定部173获取包含各像的类别的类别信息。受理部181通过受理类别信息，从而可接受对保存在存储装置154的第一模型组111追加各像的任一个的用户操作。也就是说，受理类别信息成为用于执行模型的追加处理的触发。受理部
181受理通过用户确认显示于显示部140的辨识结果图像605并操作包含鼠标104的输入部从而给予的操作指令。辨识结果图像605包含以与其他类别不同的颜色显示的类别、类似度及稳定度的至少任一个。受理部181将包含用户所选择的像及类别的像选择信息输出至生成部182。

[0147] 生成部182生成用户所选择的像的特征量。生成部182例如生成使用图1所说明的字母“I”的像311的特征量。生成部182将包含用户所选择的像的特征量的特征量信息发送至追加部183。

[0148] 追加部183将包含用户所选择的像的特征量的模型追加至用户所选择的类别。更具体而言，追加部183制作第二模型组，此第二模型组为与第一模型组111不同的新模型组。新模型为用户所选择的像的模型。将所述模型追加至用户所选择的类别而制作新的第二模型组112。追加部183将包含制作了新模型组的模型组制作信息发送至计算部184。由此，图像处理装置100能够容易地制作对现有的模型组追加新模型而成的新颖的模型组。

[0149] 计算部184算出第一模型组111所含的各类别的指标(稳定度)、及第二模型组112所含的各类别的指标(稳定度)。计算部184将指标A1与指标A2、指标B1与指标B2、指标C1与指标C2进行比较。计算部184通过比较而算出每个类别的指标(稳定度)之差的绝对值并发送至输出部174。

[0150] 图8(A)及图8(B)为表示类似度与稳定度的关系的图。图8(A)为表示各类别中的类似度最高的类别的模型与第二高的类别的模型各自的类似度的图。例如数字“1”的类别13中，表示最高类似度的类别的模型成为数字“1”的类别的模型。更具体而言，数字“1”的类别的模型的类似度成为60。另外，表示第二高的类似度的类别的模型成为字母“I”的类别的模型。字母“I”的类别的模型的类似度成为50。

[0151] 图8(B)为表示各类别的稳定度的图。稳定度是通过将最高类似度减去第二高的类似度从而算出(最高类似度－第二高的类似度)。使用图8(A)所说明的数字“1”的类别13中，若将最高类似度“60”减去第二高的类似度“50”，则值成为“10”。也就是说，数字“1”的类别13的稳定度成为“10”。此外，如图8(B)所示，数字“1”的类别的稳定度成为较其他类别的稳定度(例如数字“0”的类别的稳定度“40”及数字“2”的类别的稳定度“60”)更低的值。另外，数字“1”的类别13的稳定度成为所述稳定度阈值以下。

[0152] 稳定度成为低值的原因例如在于对类别追加了新模型。再次参照图2(A)及图2(B)进行说明，上文所述的图2(A)中，数字“1”的像321与字母“I”的模型221的距离成为L1，数字“1”的像321与数字“1”的模型231的距离成为L2。距离L1与距离L2的关系为距离L1＞距离L2。两距离之差相对较大，因此将数字“1”的像321误决定为属于作为其他类别的字母“I”的可能性变小。其结果，指标变小，稳定度变大。例如稳定度的值成为20。相对于此，上文所述的图2(B)中，数字“1”的像321与字母“I”的模型223的距离成为L3，数字“1”的像321与数字“1”的模型231的距离成为L2。距离L3与距离L2的关系为距离L3≒距离L2。两距离之差相对较小，因此将数字“1”的像321误决定为属于作为其他类别的字母“I”的可能性变大。其结果，指标变大，稳定度变小(例如稳定度的值成为10)。此外，距离的算出对象的模型由模型221变更为模型223的原因在于，与像321的距离更近的模型成为距离的算出对象。

[0153] 此外，图2(A)的类别与模型的关系相当于追加新模型前的第一模型组111中的类别与模型的关系。相对于此，图2(B)的类别与模型的关系相当于追加新模型后的第二模型组112中的类别与模型的关系。新模型例如为字母“I”的模型223。

[0154] 关于图8(B)的稳定度，计算部184将包含指标(稳定度)之差的信息输出至输出部174。指标之差例如为稳定度的值20与稳定度的值10之差。此外，计算部184在输出包含指标之差的信息时，也将稳定度未变化(差的值为0)的类别的信息包含在内而输出。由此，图像处理装置100可输出将产生了差的指标、与未产生差的指标设为不同显示形态的信息。

[0155] 输出部174将包含差的信息的结果信息500输出至显示部140。显示部140基于从输出部174输出的结果信息500来显示第一稳定度图像610。

[0156] 图9为表示第一稳定度图像610的具体例的图。参照图9，第一稳定度图像610包含每个类别的稳定度信息611及追加确认信息612。

[0157] 稳定度信息611中，纵轴表示稳定度，横轴表示数字的多个类别(例如0～9)、字母的多个类别(例如A～Z)及多个记号的类别(例如“/”及“：”等)。而且，作为稳定度的阈值613，例如设定有10的值。第一稳定度图像610针对第一模型组111所含的每个类别的指标、与第二模型组112所含的每个类别的指标中在对应类别间指标发生了变化的类别(例如数字“1”的类别13)，设为与其他类别不同的显示形态。更具体而言，将第一稳定度图像610中的数字“1”的类别13的柱形图中表示稳定度的值10～20的数值范围614的颜色，设为与表示其他类别的稳定度的柱形图的颜色不同的颜色。这样变更数值范围614的颜色的原因在于，确认了第一稳定度图像610的用户一眼得知，由于追加新模型，相对于追加前稳定度的值为
20，追加后稳定度的值下降至10。图像处理装置100能够对用户提供直观地得知稳定度的变化的图像。

[0158] 另外，输出部174在第二模型组112所含的至少一个类别的稳定度成为预定的阈值613的值以下(例如稳定度的值为10以下)时，输出结果信息500，使追加确认信息612显示于显示部140。追加确认信息612是促使用户确定是否向第二模型组112追加生成了特征量的新模型的信息。图像处理装置100例如仅在由于向模型组追加新模型而产生稳定度成为阈值613的值以下的类别时，使追加确认信息612显示于显示部140。图像处理装置100能够对用户告知下述情况，即：若确定向模型组追加新模型，则会产生稳定度成为阈值以下的类别。此外，图像处理装置100在通过使用输入部的用户操作而选择追加确认信息612所含的“是”按钮时，确定向模型组追加新模型。另外，图像处理装置100在通过使用输入部的用户操作而选择追加确认信息612的“否”按钮时，不向模型组追加新模型。

[0159] 输出部174例如也可在稳定度的变化成为预定值以上时，输出结果信息500并使追加确认信息612显示于显示部140。例如即便在因追加新模型而变化的稳定度超过阈值613(未成为阈值以下)的情况下，也可在变化量大(例如稳定度的值降低40以上)时，输出部174输出结果信息500并使追加确认信息612显示于显示部140。由此，图像处理装置100能够对用户可靠地告知下述情况：当确定了向模型组追加新模型时，至少一个类别的稳定度与追加模型前相比降低一定值以上。

[0160] 对下述情况进行了说明，即：所述图像处理装置100将一个第一稳定度图像610显示于显示部140，并将第一稳定度图像610的数字“1”的类别13的柱形图中表示稳定度的10～20的数值范围614的颜色，设为与表示其他类别的稳定度的柱形图的颜色不同的颜色。相对于此，图像处理装置100也可在显示部140可切换地显示第一稳定度图像610与第二稳定度图像620。

[0161] 图10为对切换显示第一稳定度图像610与第二稳定度图像620进行说明的图。第二稳定度图像620为显示第一模型组111所含的每个类别的指标的图像。更具体而言，第二稳定度图像620为表示包含数值范围614中的稳定度降低前的数字“1”的类别13的、各类别的稳定度的图像。图像处理装置100通过利用输入部的用户操作而将第一稳定度图像610与第二稳定度图像620可切换地显示于显示部140。由此，图像处理装置100能够对用户提供更直观地得知稳定度的变化的图像。此外，图像处理装置100除了切换第一稳定度图像610与第二稳定度图像620以外，也可使第一稳定度图像610与第二稳定度图像620并排显示于显示部140的一个画面。

[0162] [图像处理装置的处理顺序]

[0163] 参照图11及图12对图像处理装置100中的处理器150的控制结构进行说明。图11及图12的控制例如是通过处理器150执行控制程序110从而实现。图11为对输出像的辨识信息的处理进行说明的流程图。步骤S105中，处理器150提取输入图像300所含的像。

[0164] 步骤S110中，处理器150参照第一模型组111而导出像的类似度。

[0165] 步骤S115中，处理器150基于像的类似度来设定所述像的类别。

[0166] 步骤S120中，处理器150将像的辨识信息输出至显示部140。

[0167] 图12为对输出包含差的信息的处理进行说明的流程图。步骤S205中，处理器150基于用户进行的使用输入部的用户操作，来选择作为新模型而追加的像及所述像的类别。

[0168] 步骤S210中，处理器150生成所选择的像的特征量。

[0169] 步骤S215中，处理器150将用户所选择的模型追加至第一模型组所含的类别中用户所选择的类别。处理器150通过追加模型而制作与第一模型组111不同的第二模型组112。

[0170] 步骤S220中，处理器150从存储装置154读出第二模型组112。

[0171] 步骤S225中，处理器150算出第一模型组111中的每个类别的指标、与第二模型组112中的每个类别的指标之差。

[0172] 步骤S230中，处理器150判断所有类别的指标之差的算出是否结束。当所有类别的指标之差的算出结束时(步骤S230中为是(YES))，处理器150将控制切换为步骤S235。当并非如此时(步骤S230中为否(NO))，处理器150将控制切换为步骤S225。

[0173] 步骤S235中，处理器150将包含各类别之差的信息输出至显示部140。

[0174] ＜第二实施方式＞

[0175] 以下，对本公开的第二实施方式进行说明。第一实施方式中，对图像处理装置100在多个类别内算出指标进行了说明。相对于此，第二实施方式中，图像处理装置100在多个类别中具有与条件一致的属性的一部分类别内算出指标。更具体而言，例如图像处理装置100使用格式字符串来限定算出指标的类别。

[0176] 第二实施方式的图像处理装置是使用与上文所述的实施方式的图像处理装置100相同的硬件结构而实现。另外，对于第二实施方式的图像处理装置而言，除了一部分与第一实施方式的图像处理装置100中的处理不同以外，执行同样的处理。以下，参照图13，关于图像处理装置100的硬件结构及处理，对相同内容不重复进行说明，而对一部分不同的处理的内容进行说明。

[0177] 图13为表示第三稳定度图像630的具体例的图。图像处理装置100例如在条件为在数字及字母的类别内算出指标时，如第三稳定度图像630所表示那样，针对在数字“0”～“9”和字母“A”～“Z”的类别间指标发生了变化的类别，输出成为与其他类别不同的显示形态的信息。这样，图像处理装置100在将算出指标的对象的条件设定为“数字”及“字母”的类别时，不进行未被设定为条件的“记号”的类别的指标算出。其结果，图像处理装置100例如使包含除了记号以外的数字及字母的每个类别的稳定度的第三稳定度图像630显示于显示部140。由此，图像处理装置100限定于进行字符识别的对象而算出指标，因而能够减轻处理负荷，能够仅将成为字符识别对象的类别的指标的信息提供给用户。

[0178] 此外，条件不限定于所述条件，也可为其他条件。条件例如既可如所述那样指定多个属性，也可仅指定一个属性。另外，也可指定属性所含的类别中的特定类别。例如指定数字中“4～9”的类别等。另外，图像处理装置100例如也可受理使用输入部的用户操作而指定条件。进而，图像处理装置100也可以与格式字符串所含的字符的属性成为相同属性的方式来指定条件。

[0179] ＜第三实施方式＞

[0180] 以下，对本公开的第三实施方式进行说明。第一实施方式中，图像处理装置100输出根据由追加模型所致的、与像321与模型的类似度有关的距离的变化而算出指标之差。相对于此，第三实施方式中，图像处理装置100基于属于类别的参照物701与属于类别的模型的类似度、及属于类别的参照物701与属于其他类别的模型的类似度来算出指标。

[0181] 第三实施方式的图像处理装置是使用与上文所述的实施方式的图像处理装置100相同的硬件结构而实现。另外，对于第三实施方式的图像处理装置而言，除了一部分与第一实施方式的图像处理装置100中的处理不同以外，执行同样的处理。以下，参照图13，关于图像处理装置100的硬件结构及处理，对相同内容不重复进行说明，而对一部分不同的处理的内容进行说明。

[0182] 图14(A)及图14(B)为对使用参照物701的类别的指标算出进行说明的图。参照图14(A)，对追加模型前的状态的指标进行说明。参照物701在特征量空间中，例如具有字母“I”的模型221与数字“1”的模型231之间的特征量。字母“I”的模型221与参照物701的距离为L11，数字“1”的模型231与参照物701的距离成为L12。参照物701例如预先保存在存储装置154，所属的类别预先经设定。参照物701所属的类别例如预先经决定为数字“1”的类别
13。而且，当距离L11与距离L12之差的绝对值为预定值以下时，数字“1”的类别的指标变小。
换言之，数字“1”的类别的稳定度变大。由此，图像处理装置100能够基于使用参照物的模型的类似度来准确地判定像所属的类别。

[0183] 接着，参照图14(B)，参照物701与字母“I”的模型223的距离为L13，参照物701与数字“1”的模型231的距离成为L12。而且，当距离L13与距离L12之差的绝对值变得大于预定值时，预先经设定的参照物701的类别由数字“1”的类别13变化为字母“I”的类别12。由于如此这样对参照物701预先设定的类别变化，因此作为变化前的类别的数字“1”的类别的指标变大。换言之，数字“1”的类别的稳定度变小。图像处理装置100能够基于由追加模型所致的参照物701的类别变化，将能够判断模型变更是否合适的信息提供给用户。

[0184] ＜变形例＞

[0185] 第一实施方式～第三实施方式中，对图像处理装置100输出向某类别追加了模型时的指标之差进行了说明。相对于此，图像处理装置100也可通过用户的使用输入部的操作而受理注册在某类别的模型的删除，并将包含删除了所述模型时的指标之差的信息输出至显示部140。图像处理装置100例如将下述信息输出至显示部140，所述信息包含通过使用输入部的用户操作从而删除了所述模型时的指标之差。由此，图像处理装置100在模型的注册数达到可注册的上限时，通过删除已注册的模型从而可追加新模型。另外，图像处理装置100在所注册的模型使识别精度降低时，能够通过删除所述模型从而使识别精度提高。

[0186] 此外，图像处理装置100也可通过用户的使用输入部的操作而受理注册在某类别的模型的删除及新模型的注册的更替(replace)，并输出指标之差。

[0187] 第一实施方式～第三实施方式中，对将数值范围614的颜色设为与表示其他类别的稳定度的柱形图的颜色不同的颜色进行了说明。相对于此，也可使数字“1”的类别13的柱形图中的数值范围614的部分忽亮忽灭。也可使成为数值范围614的对象类别的、数字“1”的类别13的颜色与其他类别颜色不同。

[0188] 第一实施方式～第三实施方式中，对图像处理装置100使各类别的指标(稳定度)的值以第一稳定度图像610等的形式显示于显示部140进行了说明。相对于此，图像处理装置100也可仅使指标之差的值显示于显示部140。此时，图像处理装置100例如在指标之差为0的值时，使表示0的值的图像显示于显示部140。另外，图像处理装置100例如在指标之差的值为10时，使表示10的值的图像显示于显示部140。

[0189] ＜附记＞

[0190] 如以上那样，本实施方式包含以下那样的公开。

[0191] [结构1]

[0192] 一种图像处理装置，包括：

[0193] 存储部154，保存将一个或多个模型与多个类别的各个对应而成的第一模型组111；

[0194] 决定部170，参照保存在所述存储部154的所述第一模型组111，来决定输入图像所含的像属于所述多个类别中的哪一类别；

[0195] 计算部184，对于对象模型组所含的多个类别内的各类别算出指标，所述指标表示将应决定为属于所述类别的像误决定为属于与所述类别不同的类别的可能性；以及[0196] 输出部174，输出信息，所述信息包含将所述第一模型组111作为对象而算出的所述第一模型组所含的每个类别的指标、与将和所述第一模型组111不同的第二模型组112作为对象而算出的所述第二模型组112所含的每个类别的指标之间的差。

[0197] [结构2]

[0198] 根据结构1所述的图像处理装置，其中所述输出部174针对所述第一模型组111所含的每个类别的指标、与所述第二模型组112所含的每个类别的指标中在对应类别间指标发生了变化的类别，输出成为与其他类别不同的显示形态的信息。

[0199] [结构3]

[0200] 根据结构1或结构2所述的图像处理装置，还包括：

[0201] 受理部181，受理所述输入图像300所含的像的选择、及所述经选择的像的类别的设定；

[0202] 生成部182，基于所述经选择的像来生成模型；以及

[0203] 追加部183，将对所述第一模型组111的经设定的类别追加所述生成的模型而成的模型组设为所述第二模型组112。

[0204] [结构4]

[0205] 根据结构3所述的图像处理装置，其中所述输出部174在存在所述第二模型组112所含的每个类别的指标中的所述指标的值变得小于预定值的指标时，输出信息，所述信息促使用户确认是否确定向所述第一模型组111追加所述生成的模型。

[0206] [结构5]

[0207] 根据结构3所述的图像处理装置，其中所述输出部174在所述第二模型组112所含的每个类别的指标、与所述第一模型组111所含的每个类别的指标中，对应类别间的指标的值的变化成为预定值以上时，输出信息，所述信息促使用户确认是否向所述第一模型组111追加所述生成的模型。

[0208] [结构6]

[0209] 根据结构3至结构5中任一项所述的图像处理装置，其中所述受理部181受理所述第一模型组111所含的所述模型的选择，

[0210] 还包括：删除部，将所述经选择的模型删除。

[0211] [结构7]

[0212] 根据结构1至结构6中任一项所述的图像处理装置，其中所述计算部184在所述多个类别中具有与条件一致的属性的一部分类别内算出所述指标。

[0213] [结构8]

[0214] 根据结构1至结构7中任一项所述的图像处理装置，其中所述计算部184基于属于所述经选择的类别的模型、与属于所述其他类别的模型的类似度，来算出所述经选择的类别的所述指标。

[0215] [结构9]

[0216] 根据结构1至结构7中任一项所述的图像处理装置，其中所述存储部154保存所属的所述类别预先经决定的参照物701，

[0217] 所述计算部184基于属于所述类别的参照物701与属于所述类别的所述模型的类似度、及属于所述类别的所述参照物701与属于其他类别的所述模型的类似度，来算出所述类别的所述指标。

[0218] [结构10]

[0219] 根据结构1至结构9中任一项所述的图像处理装置，其中所述输入图像300所含的像为字符的像。

[0220] [结构11]

[0221] 一种图像处理方法，包括：

[0222] 参照保存在存储部154的第一模型组111，来决定输入图像300所含的像属于所述多个类别中的哪一类别的步骤(S115)，所述第一模型组111为将一个或多个模型与多个类别的各个对应而成；

[0223] 对于对象模型组所含的多个类别内的各类别算出指标的步骤(S225)，所述指标表示将应决定为属于所述类别的像误决定为属于与所述类别不同的类别的可能性；以及[0224] 输出信息的步骤(S235)，所述信息包含将所述第一模型组111作为对象而算出的所述第一模型组111所含的每个类别的指标、与将和所述第一模型组111不同的第二模型组112作为对象而算出的所述第二模型组112所含的每个类别的指标之间的差。

[0225] [结构12]

[0226] 一种存储介质，其存储图像处理程序，用于使计算机作为图像处理装置100发挥功能，

[0227] 所述图像处理程序使所述计算机执行：

[0228] 参照保存在存储部154的第一模型组111，来决定输入图像300所含的像属于所述多个类别中的哪一类别的步骤S115，所述第一模型组111为将一个或多个模型与多个类别的各个对应而成；

[0229] 对于对象模型组所含的多个类别内的各类别算出指标的步骤(S225)，所述指标表示将应决定为属于所述类别的像误决定为属于与所述类别不同的类别的可能性；以及[0230] 输出信息的步骤(S235)，所述信息包含将所述第一模型组111作为对象而算出的所述第一模型组111所含的每个类别的指标、与将和所述第一模型组不同的第二模型组112作为对象而算出的所述第二模型组112所含的每个类别的指标之间的差。

[0231] 应想到本次公开的实施方式在所有方面为例示而非限制性。本发明的范围是由权利要求而非所述说明来揭示，是指包括与权利要求均等的含意及范围内的所有变更。