CN100523746C - 检查装置及检查方法 - Google Patents

Abstract

本发明提供一种检查装置及检查方法。其课题在于，确定判别函数使得在非参量一类判别中使用的判别函数形成单一的合格品区域。作为解决手段，在检查装置的判别函数确定部(20)中，合格品区域数量判定部(26)判定在非参量一类判别中使用的判别函数是否在标绘了样本的输入空间中形成单一的合格品区域。如果合格品区域不是一个，则参数设定部(24)设定区域参数，使得该判别函数在标绘了样本的输入空间中形成单一的合格品区域，其中，该区域参数规定判别函数、并规定作为密度函数的基础的基函数的区域大小。

Description

检查装置及检查方法

技术领域

本发明涉及从所输入的检查对象的计测数据中提取特征量，根据提取出的特征量判定检查对象的状态的检查装置及检查方法。

背景技术

在汽车和家电产品等中非常多地使用组装了电动机等驱动系统部件的旋转设备。例如，在汽车中，在发动机、动力转向装置、电动座椅、变速箱等到处都安装有旋转设备。并且，在家电产品中，在冰箱、空调、洗衣机等各种产品中安装有旋转设备。于是，在这些旋转设备工作时，由于电动机等的旋转而产生声音。

这种由于旋转产生的声音有伴随正常工作而必然产生的声音，也有因为缺陷而产生的声音。例如，这种伴随缺陷的异常声音有轴承的异常、内部的异常接触、不平衡、混入异物等。更加具体地讲，有频度为齿轮每旋转一圈产生一次的缺齿、咬入异物、点缺陷、电动机内部的旋转部与固定部在旋转中的瞬间摩擦所导致的异常声音。并且，例如在人可以听到的20Hz～20kHz范围内有各种声音。作为人感觉不舒服的声音，例如有约15kHz左右的声音。于是，产生这种规定频率成分的声音时也属于异常声音。当然，异常声音不限于该频率。

伴随上述缺陷的声音不仅仅是不舒服，也有可能产生更进一步的故障。因此，以这些各种产品的质量保证为目的，进行有无异常声音的判断。在生产工厂中，通常由检查员根据听觉和触觉等进行基于五官感觉的“官能检查”。具体地讲，检查员通过用耳朵听、用手触摸来确认振动进行检查。另外，官能检查在日本官能检查术语JIS Z8144中有所定义。

可是，基于检查员的五官感觉的官能检查需要熟练的技术。并且，官能检查的判定结果因个人差异和时间变化等造成的偏差较大。另外，官能检查存在判定结果的数据化和数值化困难、管理困难的问题。因此，为了解决这种问题，作为检查包括驱动系统部件在内的产品异常的检查装置有异常声音检查装置。异常声音检查装置的目的是定量且基于明确基准的稳定的检查。

在此前的异常声音检查装置中，以消除产生漏检率、降低过检率为目的，作成/改进了高性能的合格与否判定算法。另外，所说漏检是指将不合格品(异常品)错误判定为合格品(正常品)。漏检将会导致不合格品出厂，所以需要可靠地防止。所说过检是指将合格品错误判定为不合格品。过检将会导致合格品不能出厂而被废弃处理等，需要防止浪费及成品率降低。因此，增加所使用的特征量的数量，或者为了生成更好的判定规则而增加所要求的样本数量。

另一方面，近年来消费者对于工业产品质量的要求日益严格。并且，在多品种小批量生产时代的制造业中，不仅需要确保产品质量，而且如何快速地使生产线开始工作成为重要课题。即，仅仅单纯地实现异常声音检查算法的高精度化还不够。为了向市场输送质量更好的产品，在生产现场中有以下两种要求。

第一是检查的自动化。即，产品的尺寸和重量等生产工序中的检查通常针对所生产产品的各个特性值分别确定管理标准来管理质量。例如，在将印刷线路板的锡焊外观检查和汽车发动机的异常声音检查那样的官能检查自动化的检查装置中，从图像和波形中提取多个质量特性。然后，判别模型综合判断这些特性来判定合格与否。

第二是垂直调试(vertical start-up)。一般在生产现场中，在生产线调试时，经过批量生产试制过程来调试批量生产线。所说批量试制是指在研发设计后利用与批量生产相同的生产手段来制造产品，确定工序中有无问题等以及可否批量生产。在自动生成自动检查装置的判别模型时，如果没有采集足够的数据，则不能建模，所以在批量生产开始之前不能确定检查标准。在该批量试制阶段确定批量生产阶段中使用的检查标准，在开始批量生产的同时开始稳定的检查，这成为实现生产线的垂直调试的重要课题。

上述的官能检查综合判断声音的大小、高度、外观颜色及形状等各种质量特性来确定合格与否。因此，官能检查的自动化系统从利用麦克风和摄像机等传感器获取的数据中提取出表示质量特性的多个特征量，利用判别函数判定合格与否的模式识别比较有效。一般，模式识别需要准备用于确定判别函数的足够数量的学习样本。

此处，说明基于模式识别的产品检查。

图24是表示模式识别的步骤的说明图。所说模式识别是指根据从数据中提取出的特征量的模式来确定(判别)该数据所属的群的方法。因此，模式识别需要预先在模式空间上根据已经观测到的数据自动生成(学习)判别函数。

并且，模式识别的方法根据分布的表现方法和分布的对称性可以分为四种。

分布的表现方法可以分类为“参量判别”和“非参量判别”。参量判别利用统计参数表示分布，非参量判别不利用统计参数表示分布。

并且，分布的对称性可以分类为假定分布的对称性的“二类判别模型”和不假定分布的对称性的“一类判别模型”。

具体地讲，在学习阶段中，在参量判别中，对于已经观测到的数据构成的多个组(例如正常和异常)，预先估计用于规定属于各组的数据遵从的概率密度分布的形状的参数(例如均值、方差)。并且，在判别阶段中，在观测到新的数据时，使用估计出的参数求出对于各组的归属度，确定属于哪一组。该参量判别是仅在可以假定数据遵从于可以用参数规定形状的概率密度分布(例如正态分布)时有效的方法。

并且，在学习阶段中，在非参量判别中，按照每个组直接保持已经观测到的所有数据或者有助于判别的一部分数据。或者，不使用统计参数，而在非参量判别中直接根据数据求出密度分布。然后，在判别阶段中，在观测到新的数据时，根据所保持的数据或者与分布的类似度或距离，求出对于各组的归属度，来确定属于哪一组。该非参量判别是在不能假定数据遵从于可以用参数规定形状的概率密度分布时也有效的方法。

另一方面，在学习阶段中，在二类判别中，使用想要判别的两个类(例如合格品与不合格品)双方的样本来学习判别函数。然后，在判别阶段中，利用判别函数求出未知样本对于两个类的归属度，进行更属于哪一类的比较评价。

此外，在一类判别中，在学习阶段中，只使用一类的学习样本进行密度估计。然后，在判别阶段中，利用判别函数根据密度求出未知样本的归属度，并进行如果大于等于规定值则判定为属于该类，如果小于规定值则判定为不属于该类的阈值判定。

四类模式识别的具体示例如下面所述。

(1)参量二类判别……Bayes识别、判别分析

(2)非参量二类判别……最近邻判别器(NN判别器)、支持向量机(SVM，support vector machine)

(3)参量一类判别……马田系统(Mahalanobis-Taguchi system，MTS)

(4)非参量一类判别……直方图法、最近邻估计、一类SVM、Parzen窗口法、RBF(径向基函数(Radial Basis Function))网络、核密度估计(kernel density estimation)、重抽样自举法(bootstrap method)等。

合格品是相同的，但不合格品各式各样。因此，假定各个类在特征空间上的分布对称性的普通的二类判别不适于合格品/不合格品的判别。并且，在产品检查中能够收集的不合格品样本相比于合格品样本非常少。因此，只考虑合格品分布的一类判别对合格品/不合格品的判别比较有效。

并且，检查一般需要在开始批量生产时同时开始。即，需要根据在批量生产前得到的有限样本来确定用于判别合格品/不合格品的判别函数。但是，在批量生产前也不能获得足够的合格品样本。因此，需要统计性估计的参量判别不能以少量样本来充分确保性能。所以在根据有限的样本确定判别函数的情况下，不需要统计性估计的非参量判别比较有效。

鉴于以上情况，非参量一类判别对在产品检查中应用的模式识别比较有效。

另外，作为与本申请的发明相关的现有技术文献有下面的非专利文献1～3。

参量判别无法利用少量样本进行学习或者难以确保判别性能。例如，MTS在学习样本数量小于特征数量时不能进行(准确多重共线性，accuracy multicollinearity)学习。另外，在学习样本数量大于特征数量时，如果只有少量样本，则统计性估计的精度不足，有时不能确保判别性能。因此，为了确保性能，从经验上讲需要特征数量的3倍左右的样本。非专利文献1公开的方法在样本较少的情况下，通过使用或并用非参量判别来确保性能。

非专利文献2公开的方法在一类SVM中，利用支持向量的比例为通过交叉验证(leave-one-out)法评价的错误判别率的上限的性质，调节参数使支持向量数为最小。但是，在该方法中，由于不评价区域的形状，所以不能解决合格品区域可能被划分为多个区域的问题。

非专利文献3公开的方法对于被判定为合格品的所有学习样本的组合，判定连接它们的线段是否脱离合格品区域，由此对属于相同区域的学习样本进行聚类。如图25所示，通过生成利用0/1表示有无脱离的矩阵(图25(b)、图25(d))，可以知道属于相同聚类的样本。另外，图25(b)表示合格品区域为一个时(图25(a))的矩阵，图25(d)表示合格品区域为两个时(图25(c))的矩阵。

非专利文献1：田崎博、糀谷和人、中島宏，“自動検查のための漸進的判別モデル更新手法”，第32回知能システムシンポジウム講演論文集，pp.243—246(2005)

非专利文献2：Nello Cristianini，John Shawe-Taylor，“An Introductionto Support Vector Machines：And Other Kernel-Based Learning Methods”，Cambridge University Press(2000)(日译本：サポ—トベクタマシン入門，共立出版)

非专利文献3：Asa Ben-Hur，David Horn，Hava T.Siegelmann，VladimirVapnik，“Support Vector Clustering”，Journal of Machine Learning Research2，pp.125—137(2001)

一般认为产品的质量特性以目标值为中心在其周边(起因于部件/材料的偏差和制造装置的变动等)具有偏差，所以产生合格品的区域(真正的合格品区域)形成以目标值为中心的单一区域(图26(a))。

并且，从有限的样本学习得到的判别函数实际上形成与真正的合格品区域不同的合格品区域(学习合格品区域)。并且，该差异越小，判别性能越好(图26(b))。

并且，在大多的非参量判别中，根据学习样本的密度确定合格品区域，所以在学习样本中存在较稀疏的部分时，合格品区域有可能被划分为多个区域(图27(a))。并且，在学习样本较少时，也有可能在密度本来较大的部位，学习样本却较稀疏，所以存在判别性能大幅下降的风险性。

根据以上情况，可以认为只要合格品区域是一个(图27(b))，则与被划分时相比更接近真正的合格品区域，所以能够期望提高判别性能。因此，在学习后判定判别函数是否形成单一的合格品区域，并调节参数使合格品区域为单一区域即可。

发明内容

本发明就是鉴于上述问题而提出的，其目的在于，提供一种可以支持确定在非参量一类判别中使用的判别函数的检查装置、检查方法、检查程序、以及记录了检查程序的计算机可读记录介质。

为了解决上述问题，本发明的检查装置的特征在于，该检查装置具有判别函数判定单元，该判别函数判定单元判定在非参量一类判别中使用的判别函数是否在标绘了样本的输入空间中形成单一区域；以及参数设定单元，该参数设定单元在通过上述判别函数判定单元判定为上述判别函数不形成上述单一的合格品区域时，设定区域参数，使得该判别函数在标绘了样本的输入空间中形成单一区域，其中该区域参数规定上述判别函数，并规定作为密度函数的基础的基函数的区域大小。

本发明的检查方法是确定在检查对象的状态判别中使用的判别函数的检查装置执行的检查方法，其特征在于，上述检查装置具有的判别函数判定单元判定在非参量一类判别中使用的判别函数是否在标绘了样本的输入空间中形成单一的合格品区域；当由上述判别函数判定单元判定为上述判别函数不形成上述单一区域时，上述检查装置所具有的参数设定单元设定区域参数，使得该判别函数在标绘了样本的输入空间中作为单一区域形成包含被判别到类中的样本的区域，其中该区域参数规定在非参量一类判别中使用的判别函数，并规定作为密度函数的基础的基函数的区域大小。

根据上述结构，可以判定在非参量一类判别中使用的判别函数是否在标绘了样本的输入空间中形成单一的合格品区域。另外，作为非参量一类判别，具体地讲，有直方图法、最近邻估计、一类SVM、Parzen窗口法、RBF网络、核密度估计、重抽样自举法等。

因此，在上述判定的结果为判别函数不形成单一的合格品区域时，即合格品区域被划分为多个区域时，例如可以变更用于限定基函数的区域大小的区域参数，再次学习判别函数，以使判别函数形成单一的合格品区域。因此，通过使合格品区域单一化而接近真正的合格品区域，从而可以提高判别性能。

此外，根据上述结构，可以将区域参数设定为使得该判别函数在标绘了样本的输入空间中形成单一的合格品区域，其中该区域参数规定上述判别函数，并规定作为密度函数的基础的基函数的区域大小。另外，作为区域参数，具体地讲，在直方图法中指超立方体的体积V，在最近邻估计中指超球的半径r，在一类SVM中指高斯核的宽度σ。

因此，在判别函数不形成单一的合格品区域时，即合格品区域被划分为多个区域时，也可以变更区域参数，并对判别函数进行再学习，使得判别函数形成单一的合格品区域。因此，通过使合格品区域单一化而接近真正的合格品区域，可以提高判别性能。

另外，本发明的检查装置优选上述非参量一类判别的判别算法是一类支持向量机。

在此，一般支持向量机与普通的非参量判别算法相比，具有(i)通用性(对未知样本的判别性能)高，(ii)保证在学习途中不会陷入局部解的特点。并且，这些特点在一类支持向量机中也相同。

因此，根据上述结构，可以实现判别性能和学习效率较高的检查装置。

另外，本发明的检查装置的上述判别函数判定单元也可以判定连接被判定为合格品的各个样本的线段是否脱离合格品区域(图8(a)(b))。

另外，本发明的检查装置的上述判别函数判定单元也可以判定连接样本的中心与被判定为合格品的样本之间的线段是否脱离合格品区域(图9(a)(b))。

根据上述结构，与连接被判定为合格品的各个样本时相比，线段的数量减少，所以能够抑制计算量。

另外，本发明的检查装置的上述判别函数判定单元也可以判定连接各个间隔支持向量(margin support vector)的线段是否脱离合格品区域(图10(a)(b))。

另外，本发明的检查装置的上述判别函数判定单元也可以判定连接样本的中心与间隔支持向量之间的线段是否脱离合格品区域(图11(a)(b))。

根据上述结构，与连接各个间隔支持向量时相比，线段的数量减少，所以能够抑制计算量。

另外，本发明的检查装置的上述判别函数判定单元也可以从上述线段中提取一个或多个点，将各个点代入上述判别函数，判定是否所有的点都被判别为合格品。

根据上述结构，只对一个或多个点进行判别函数的运算即可，所以能够容易地进行线段是否脱离合格品区域的判定。并且，可以根据所要求的判定精度增减要提取的点的数量。

另外，本发明的检查装置的上述判别函数判定单元也可以求出上述线段上的上述判别函数的最小值，判定该最小值是否大于等于规定的阈值。

根据上述结构，还判定线段上的上述判别函数的最小值是否大于等于规定的阈值，所以能够高精度地进行线段是否脱离合格品区域的判定。另外，为了在线段的范围内求出判别函数的最小值，可以利用牛顿法和最速下降法等非线性优化方法。

另外，上述检查装置也可以通过计算机实现，在该情况时，通过使计算机作为上述各个单元工作而利用计算机实现上述检查装置的检查装置检查程序、及记录了该检查程序的计算机可读记录介质也在本发明的范畴之内。

如上所述，本发明的检查装置构成为具有判别函数判定单元，该判别函数判定单元判定在非参量一类判别中使用的判别函数是否在标绘了样本的输入空间中形成单一的合格品区域。

此外，本发明的检查方法是检查装置具有的判别函数判定单元判定在非参量一类判别中使用的判别函数是否在标绘了样本的输入空间中形成单一的合格品区域的方法。

因此，可以发挥以下效果，在上述判定的结果为判别函数不形成单一的合格品区域时，即合格品区域被划分为多个区域时，例如可以变更用于规定基函数的区域大小的区域参数，对判别函数进行再学习，使得判别函数形成单一的合格品区域。因此，通过使合格品区域单一化而接近真正的合格品区域，可以提高判别性能。

此外，本发明的检查装置构成为具有参数设定单元，该参数设定单元在通过上述判别函数判定单元判定为上述判别函数不形成上述单一的合格品区域时，设定区域参数，以使该判别函数在标绘了样本的输入空间中形成单一的合格品区域，该区域参数规定上述判别函数、并规定作为密度函数的基础的基函数的区域大小。

此外，本发明的检查方法是如下的方法，检查装置具有的参数设定单元设定区域参数，以使该判别函数在标绘了样本的输入空间中形成单一的合格品区域，该区域参数规定在非参量一类判别中使用的判别函数、并规定作为密度函数的基础的基函数的区域大小。

因此，在判别函数不形成单一的合格品区域时，即合格品区域被划分为多个区域时，可以变更区域参数，对判别函数进行再学习，使得判别函数形成单一的合格品区域。因此，可以发挥以下效果，通过使合格品区域单一化而接近真正的合格品区域，可以提高判别性能。

附图说明

图1是表示本发明一个实施方式的检查装置具有的判别函数确定部的结构的功能框图。

图2是表示本发明一个实施方式的检查装置的结构概况的说明图。

图3是表示非参量一类判别的一例即直方图法的说明图。

图4是表示非参量一类判别的一例即最近邻估计的说明图。

图5是表示非参量一类判别的一例即一类SVM的说明图。

图6(a)是表示无软间隔时的输入空间的说明图，图6(b)是表示无软间隔时的希尔伯特空间的说明图。

图7(a)是表示有软间隔时的输入空间的说明图，图7(b)是表示有软间隔时的希尔伯特空间的说明图。

图8是图1所示判别函数确定部的合格品区域数量判定部生成的、连接被判别为合格品的各个学习样本的线段的说明图，(a)表示合格品区域为一个的情况，(b)表示合格品区域为两个的情况。

图9是图1所示判别函数确定部的合格品区域数量判定部生成的、连接被判别为合格品的学习样本的中心(均值)与被判别为合格品的学习样本的线段的说明图，(a)表示合格品区域为一个的情况，(b)表示合格品区域为两个的情况。

图10是图1所示判别函数确定部的合格品区域数量判定部生成的、连接各个间隔支持向量(MSV)的线段的说明图，(a)表示合格品区域为一个的情况，(b)表示合格品区域为两个的情况。

图11是图1所示判别函数确定部的合格品区域数量判定部生成的、连接被判别为合格品的学习样本的中心(均值)与间隔支持向量的线段的说明图，(a)表示合格品区域为一个的情况，(b)表示合格品区域为两个的情况。

图12是即使合格品区域为一个但仍不合适的情况的说明图，(a)表示合格品区域有孔的情况，(b)表示合格品区域不为凸形状的情况。

图13是表示由直方图法的超立方体的体积V大小导致的合格品区域大小变化的说明图，(a)表示体积V较大的情况，(b)表示体积V中等的情况，(c)表示体积V较小的情况。

图14是表示由最近邻估计的超球的半径r大小导致的合格品区域大小变化的说明图，(a)表示半径r较大的情况，(b)表示半径r中等的情况，(c)表示半径r较小的情况。

图15是表示由一类SVM的高斯核的宽度σ大小导致的合格品区域大小变化的说明图，(a)表示宽度σ较大的情况，(b)表示宽度σ中等的情况，(c)表示宽度σ较小的情况。

图16是图1所示的判别函数确定部使用的数据的说明图，(a)表示学习样本，(b)表示参数候选，(c)表示判别函数。

图17是表示图1所示的判别函数确定部的判别函数确定处理的流程图。

图18是表示图1所示的判别函数确定部的合格品区域数量判定部的合格品区域数量判定处理的流程图。

图19是表示在图1所示的判别函数确定部的合格品区域数量判定部的合格品区域数量判定处理中，对于从线段上提取出的多个点确认判别函数大于等于阈值的步骤的流程图。

图20是表示在图1所示的判别函数确定部的合格品区域数量判定部的合格品区域数量判定处理中，对于从线段上提取出的多个点确认判别函数大于等于阈值时的步骤的说明图，(a)表示没有脱离的情况，(b)表示存在脱离的情况。

图21是表示在图1所示的判别函数确定部的合格品区域数量判定部的合格品区域数量判定处理中，对于从线段上提取出的多个点，在通过确认判别函数大于等于阈值而判定为脱离的情况下，从线段上提取出点时生成的数据的具体示例的说明图，(a)表示提取出包括两端在内的5个点并登记坐标时的示例，(b)表示省略登记线段两端的数据时的示例，(c)表示线段的一端是被判别为合格品的学习样本的中心的示例。

图22是表示在图1所示的判别函数确定部的合格品区域数量判定部的合格品区域数量判定处理中，利用优化方法求出线段上判别函数的最小值，确认该最小值大于等于阈值时的步骤的流程图。

图23是表示在图1所示的判别函数确定部的合格品区域数量判定部的合格品区域数量判定处理中，利用优化方法求出线段上的判别函数的最小值，确认该最小值大于等于阈值时的步骤的说明图，(a)表示没有脱离的情况，(b)表示存在脱离的情况。

图24是表示模式识别的步骤的说明图。

图25是利用0/1表示连接各个学习样本之间的线段是否脱离合格品区域的矩阵的说明图，(b)表示合格品区域为一个时的(a)矩阵，(d)表示合格品区域为两个时的(c)矩阵。

图26是说明合格品区域和不合格品区域的说明图，(a)表示合格品和不合格品的产生区域，(b)表示真正的合格品区域和学习合格品区域。

图27是说明合格品区域的数量的说明图，(a)表示合格品区域被划分为多个的情况，(b)表示合格品区域为单一的情况。

具体实施方式

以下，根据附图说明本发明的一个实施方式。

图2是表示本实施方式的检查装置100的结构概况的说明图。图1是表示检查装置100具有的判别函数确定部20的结构的功能框图。

本实施方式的检查装置100从所输入的检查对象的计测数据中提取特征量。检查装置100根据提取出的特征量，通过非参量一类判别来判别样本合格与否。并且特别是，检查装置100具有判别函数确定部20。该判别函数确定部20具备以下功能：(1)判定在非参量一类判别中使用的判别函数是否形成单一的合格品区域(包括被判别为属于类(合格品)的学习样本的区域：包括许多学习样本的区域)的功能，(2)设定区域参数，使得该判别函数形成单一的合格品区域的功能，其中该区域参数规定在非参量一类判别中使用的判别函数、并规定作为密度函数的基础的基函数的区域大小。

以下，首先说明判别函数确定部20的功能概况，然后说明其装置结构。

[概况]

(1)非参量一类判别的基本概念

非参量一类判别是不使用统计参数，而估计学习样本的密度，将密度大于等于一定阈值的区域判别为合格品、将小于一定阈值的区域判别为不合格品的方法。作为其具体的判别算法，除以下说明的直方图法、最近邻估计、一类支持向量机(SVM)外，还有Parzen窗口法、RBF网络、核密度估计、重抽样自举法等各种算法。

(a)直方图法

图3是表示直方图法的说明图。图3表示把学习样本数量大于等于1设为合格品区域的情况。并且，在图中，圆圈表示样本，一个区段表示体积V的超立方体。

直方图法将输入空间划分为体积V的超立方体，通过对所包含的样本数量进行计数来估计密度。并且，将所包含的学习样本数量大于等于一定阈值的区域判别为合格品区域，在小于一定阈值时判别为不合格品区域(图中的斜线部分)。

(b)最近邻估计

图4是表示最近邻估计的说明图。在图中，圆圈表示样本，圆弧表示以样本为中心的半径r的超球。

最近邻估计将以学习样本为中心的半径r的超球中包含的区域判别为合格品区域，将未包含的区域判别为不合格品区域(图中的斜线部分)。

(c)一类SVM

图5是表示一类SVM的说明图。在图中，左侧是作为原空间的输入空间，右侧是通过非线性映射φ映射了输入空间的多维希尔伯特空间。另外，圆圈表示样本。图中下侧示出的在学习后的希尔伯特空间中确定的识别面上的样本是支持向量(SV)，除此以外的样本是非支持向量(Non—SV)。将希尔伯特空间的识别面逆转换到输入空间上后的区域作为边界。在一类SVM中，将该边界内的区域判别为合格品区域，将边界外的区域判别为不合格品区域(图中的斜线部分)。

更加具体地讲，一类SVM对于输入空间上的学习样本，通过非线性映射φ将输入空间映射到多维希尔伯特空间上，然后学习线性的识别面。

在此，使用了高斯核的核映射具有以下特点，即，在输入空间上密度较稀疏的部位的学习样本被映射于原点附近，较稠密部位的学习样本被映射于远离原点的位置。

[式1]

$K(x,z)=\exp (-\frac{{\left|\right|x-z\left|\right|}^2}{2{\mathrm{\σ}}^2})$

并且，在希尔伯特空间上将原点和学习样本分离的超平面中，一类SVM对距原点的距离最大的超平面(即识别面)进行学习。把超平面上的学习样本称为支持向量。

在此，把n个d维向量x＝{x1，…，xd}的集合作为学习样本时，基于一类SVM的判别函数表示如下，在函数值大于等于0时判别为合格品，在小于0时判别为不合格品。

[式2]

$f\left(x\right)=\underset{i}{\mathrm{\Σ}}\left({\mathrm{\α}}_{i}K(x_i,x)\right)-\mathrm{\ρ}$

在上式中，xi表示学习样本的标记。αi表示被称为支持向量的权重的系数，通过学习而确定。并且，ρ表示把任意的支持向量xi(系数αi≠0的学习样本)代入下式求出的常数。

[式3]

$f\left(x\right)=\underset{i}{\mathrm{\Σ}}\left({\mathrm{\α}}_{i}K(x_i,x)\right)-\mathrm{\ρ}$

另外，一般在输入空间上学习非线性识别面比较困难。但是，如果映射到多维空间上成为线性识别面，就易于在多维空间上使用线性判别算法进行学习。并且，SVM是线性判别算法。此外，只要能够在该学习中计算两个向量的内积既可。因此，不直接在输入空间上学习非线性识别面，而在多维空间上通过SVM学习线性识别面。

在此，把利用输入空间上的两个向量表示多维空间上的两个向量的内积的函数称为“核函数”。并且，只要是核函数，就可以容易地学习非线性识别面，而且不必进行多维空间上的计算。把这种利用核函数的计算替换多维空间上的计算的方法称为核技巧(kernel trick)。

(一类SVM中的软间隔(soft margin))

在此，图6(a)是表示无软间隔时的输入空间的说明图，图6(b)是表示无软间隔时的希尔伯特空间的说明图。并且，图7(a)是表示有软间隔时的输入空间的说明图，图7(b)是表示有软间隔时的希尔伯特空间的说明图。

通常，一类SVM进行使学习样本一个都不余留在识别面的原点侧的学习(硬间隔)。但是，一类SVM存在在学习样本中包含逸出值的情况下，判别性能由于过严判别而下降的问题。对此，通过允许学习样本在识别面的原点侧余留一定比例(软间隔)，可以避免对于逸出值的过严判别。

在软间隔中，将允许余留在原点侧的比例v导入学习算法中，学习结果的判别函数利用与硬间隔时相同的形式表示。并且，在软间隔中，不仅位于识别面上的学习样本，而且余留在原点侧的学习样本也称为支持向量。因此，在区分识别面上的支持向量和余留在原点侧的支持向量时，把前者称为间隔支持向量，例如在SVM中称为间隔支持向量(MSV(margin support vector)：存储在模型中的识别面上的样本)，把后者称为有界支持向量(BSV，bounded support vector)。

(2)合格品区域为单一的判定

在合格品区域不为单一、即合格品区域为多个的情况下，一定存在脱离合格品区域的线段。因此，例如引出下面(i)～(iv)中任一条线段，判定该线段上的点是否脱离合格品区域。另外，对于线段，只要在合格品区域为多个时具有脱离合格品区域的部分即可，不限于(i)～(iv)这四种。

(i)连接被判别为合格品的各个学习样本的线段(图8(a)(b))

(ii)连接被判别为合格品的学习样本的中心(均值)与被判别为合格品的学习样本的线段(图9(a)(b))

(iii)连接各个间隔支持向量例如SVM中的间隔支持向量(MSV)的线段(图10(a)(b))

(iv)连接被判别为合格品的学习样本的中心(均值)与间隔支持向量例如SVM中的间隔支持向量的线段(图11(a)(b))

此处，图8～图11分别是上述(i)～(iv)的线段的说明图。其中，各图(a)表示合格品区域为一个的情况，各图(b)表示合格品区域为两个的情况。并且，各图(b)中的线段的粗线部分表示脱离合格品区域的部分。

另外，线段上的点是否脱离合格品区域，可以通过(1)对从线段上提取出的多个点确认判别函数大于等于阈值来判定，也可以通过(2)利用优化方法求出线段上的判别函数的最小值，并确认该最小值大于等于阈值(根据函数有时会大小相反)来判定。

另外，严格地讲，也存在即使合格品区域为一个，但在区域中有孔(图12(a))和区域不为凸形状(图12(b))的情况下也有产生脱离的可能性。因此，这些情况有可能通过参数调节被排除。在这些情况下，由于存在比合格品区域更接近目标值的不合格品区域，所以依旧不能说是合适的合格品区域。所以，认为通过参数调节将这些情况排除是合理的。

(3)非参量判别的区域参数

图13～图15是表示非参量判别的区域参数大小导致的合格品区域大小变化的说明图。其中，图13表示直方图法，图14表示最近邻估计，图15表示一类SVM，各图(a)表示区域参数较大的情况，各图(b)表示区域参数中等的情况，各图(c)表示区域参数较小的情况。

非参量判别的判别函数具有作为密度函数的基础的函数的区域参数。具体地讲，在直方图法中是超立方体的体积V，在最近邻估计中是超球的半径r，在一类SVM中是高斯核的宽度σ。

具有如果基函数的区域变大则合格品区域也变大的性质。因此，在基函数的区域过小时产生第一种错误(将合格品判别为不合格品的错误)、而过大则产生第二种错误(将不合格品判别为合格品的错误)的风险性提高。并且，在基函数的区域较小时，合格品区域被划分为多个，而较大则容易形成单一的区域。

(区域参数的调节)

如图26(b)所示，利用从有限的样本学习得到的判别函数构成的合格品区域(学习合格品区域)实际上与真正的合格品区域不同。在真正的合格品区域与学习合格品区域的差异较大时，错误判别的风险性提高。因此，为了使学习合格品区域接近真正的合格品区域，进行区域参数的调节。

在进行使学习合格品区域变大的调节时，将不合格品错误判别为合格品的概率增大。另一方面，在进行使学习合格品区域变小的调节时，将合格品错误判别为不合格品的概率增大。

在没有关于真正的合格品区域的先验知识的情况下，调节区域参数使期望错误判别率(expected error rate)(在错误判别的区域出现未知样本的概率)最小。并且，在学习样本较少时，性能评价的可靠性低。因此，在区域参数的调节中，错误判别率不能充分最小化的可能性较大。

另外，为了调节区域参数，可以使用把所得到的样本的一部分用于判别性能的评价、把其余的用于学习的方法(交叉验证、leave-one-out法)。

[装置结构]

如图2所示，检查装置100通过放大器104放大来自与检查对象物101接触/接近配置的麦克风102和加速度拾波器103的信号。接着，通过AD转换器105转换为数字数据后输入。并且，虽然省略图示，但也可以在批量试制阶段和批量生产开始后，在生产现场从掌管实际进行工件(产品)制造的控制的PLC(Programmable Logic Controller，可编程逻辑控制器)获取动作定时及其他数据。关于这些省略图示。并且，检查装置100取得通过麦克风102采集到的语音数据、和通过加速度拾波器103采集到的基于振动数据的波形数据，提取特征量，并且进行异常判定。

另外，检查装置100由具有CPU主体100a、键盘、鼠标等输入装置100b和显示器100c的计算机构成。并且，根据需要，也可以构成为具有外部存储装置，或具有通信功能，可以与外部的数据库通信取得必要的信息。

另外，在检查装置100进行异常检测的基本算法中，根据正常的样本生成在进行异常判定时使用的判定知识，将符合条件的判定为合格品，将不符合条件的判定为不合格品。所说异常检测指将符合条件的判定为合格品，将不符合条件的判定为不合格品。

图1是表示检查装置100具有的判别函数确定部20的结构的功能框图。

判别函数确定部20确定在检查对象的状态判别中使用的判别函数。具体地讲，判定在非参量一类判别中使用的判别函数是否在标绘了样本的输入空间中形成单一的合格品区域。并且，如果合格品区域不为单一，则在标绘了样本的输入空间中设定区域参数，使得该判别函数在标绘了样本的输入空间中形成单一的合格品区域，该区域参数规定判别函数、并规定作为密度函数的基础的基函数的区域大小。区域参数是规定基函数的区域大小的参数。基函数规定判别函数。

因此，判别函数确定部20构成为具有学习样本存储部21、学习样本取得部22、参数候选存储部23、参数设定部(参数设定单元)24、判别函数学习部25、合格品区域数量判定部(判别函数判定单元)26、判别函数输出部27、判别函数存储部28。

在学习时，学习样本取得部22取得学习时存储在学习样本存储部21中的学习样本，输出给判别函数学习部25。

参数设定部24设定区域参数，使得该判别函数在标绘了样本的输入空间中形成单一的合格品区域，该区域参数规定在非参量一类判别中使用的判别函数、并规定作为密度函数的基础的基函数的区域大小。区域参数规定成为密度函数的基础的基函数的区域大小。密度函数规定在非参量一类判别中使用的判别函数。另外，区域参数也可以预先从存储在参数候选存储部23中的参数候选中选择。

判别函数学习部25使用学习样本取得部22获取的学习样本和参数设定部24选择的区域参数，生成判别函数。例如，在非参量一类判别的判别算法是以把一类支持向量机识别面上的学习样本存储到模型中为特征的非参量一类判别模型时，生成对应于识别面的判别函数。

合格品区域数量判定部26判定在非参量一类判别中使用的判别函数是否在标绘了样本的输入空间中形成单一的合格品区域。另外，在该判定中使用与检查时使用的判别函数相同的判别函数。

具体地讲，首先，合格品区域数量判定部26从以下线段中选择在判定是否脱离合格品区域时使用的线段。

(i)连接被判别为合格品的各个学习样本的线段(图8(a)(b))

(ii)连接被判别为合格品的学习样本的中心(均值)与被判别为合格品的学习样本的线段(图9(a)(b))

(iii)连接各个间隔支持向量例如SVM中的间隔支持向量(MSV)的线段(图10(a)(b))

(iv)连接被判别为合格品的学习样本的中心(均值)与间隔支持向量例如SVM中的间隔支持向量的线段(图11(a)(b))

然后，合格品区域数量判定部26在判定线段是否脱离合格品区域时，(1)从线段上提取出一个或多个点，将各个点代入上述判别函数，判定是否所有的点被判别为合格品；(2)或者，求出线段上的上述判别函数的最小值，判定该最小值是否大于等于规定的阈值。

另外，用户可以利用输入装置100b选择使用哪种类型的线段，也可以预先设定使用哪种类型的线段。并且，用户可以使用输入装置100b选择，也可以预先设定对于从线段上提取出的多个点是确认判别函数是否大于等于阈值，还是利用优化方法来求出线段上的判别函数的最小值，并判定该最小值是否大于等于规定的阈值(根据函数有时会大小相反)来进行确认。

在由合格品区域数量判定部26判定为判别函数学习部25生成的判别函数是形成单一的合格品区域的判别函数时，判别函数输出部27将该判别函数存储在判别函数存储部28中。

参照图16，说明判别函数确定部20使用的数据。

图16(a)是表示存储在学习样本存储部21中的学习样本的数据结构的说明图。如图16(a)所示，学习样本与用于识别样本的样本ID(ID#)、合格品还是不合格品的类别(Class)及特征量(x1、x2、…)相关联地存储在学习样本存储部21中。

图16(b)是表示存储在参数候选存储部23中的参数候选的示例。在图16(b)中，作为一类SVM的示例，示出高斯核的宽度σ的候选。

图16(c)是存储在判别函数存储部28中的判别函数的示例。如图16(c)所示，判别函数由下述规则规定，即，将在判别中使用的式(f(x))的值与阈值(O)进行比较来判别合格品/不合格品。

下面，说明检查装置100具有的判别函数确定部20确定判别函数的处理。

图17是表示检查装置100具有的判别函数确定部20的判别函数确定处理的流程图。

首先，学习样本获取部22从学习样本存储部21取得学习样本，并输出给判别函数学习部25(S1)。

接着，参数设定部24从参数候选存储部23取得一个候选的区域参数，并输出给判别函数学习部25(S2)。

接着，判别函数学习部25使用由学习样本取得部22输入的学习样本和由参数设定部24输入的区域参数，对一类判别函数进行学习(S3)。

接着，合格品区域数量判定部26判定作为判别函数学习部25的学习结果而生成的判别函数是否形成单一的合格品区域(S4)。该判别函数是作为判别函数学习部25的学习结果而生成的。并且，在合格品区域数量判定部26的判定结果为合格品区域大于等于2时，返回步骤S2，从选择区域参数的处理开始重复进行。另一方面，在合格品区域数量判定部26的判定结果为合格品区域是1时，判别函数输出部27将判别函数学习部25生成的判别函数、即利用前面的区域参数学习得到的判别函数，存储在判别函数存储部28中。

在此，期望在步骤S2中设定的区域参数从区域被划分为多个的足够小的参数候选开始，依次设定较大的参数。这是因为当存在多个使得合格品区域为单一区域的区域参数时，将采用其中最小的一个。因此，可以防止由于区域参数过大而使得第二种错误(将不合格品判定为合格品的错误判别)增多(图13(a)、图14(a)、图15(a))。

相反，在步骤S2中设定的区域参数也可以从合格品区域的确为一个的足够大的候选参数开始，依次设定较小的参数，采用区域数量变为2以上的参数的前一个参数。

或者，在步骤S2中设定的区域参数也可以应用所有参数候选，输出多个使得合格品区域为单一区域的区域参数。在该情况时，可以由人来决定实际检查的参数，也可以按照某种标准自动选择在检查中使用的参数。作为选择的标准，期望从所输出的参数中选择最小的。

图18是表示合格品区域数量判定部26的合格品区域数量判定处理(图17中的S4)的流程图。

首先，合格品区域数量判定部26生成线段，对于未确认的线段，确认是否没有脱离(S11)。另外，关于步骤S11的具体情况将在后面叙述。

然后，在线段存在脱离时(S12，“是”)，判定为合格品区域具有多个区域。另一方面，在所有线段均没有脱离时(S12“否”且S13“是”)，判定为合格品区域为单一。

图19是表示在合格品区域数量判定部26的合格品区域数量判定处理(图17中的S4、图18中的S11)中，对于从线段上提取出的多个点确认判别函数大于等于阈值的步骤的流程图。图20是说明该步骤的说明图。

首先，合格品区域数量判定部26从线段上提取出有限个点(图20(a)(b)中的×标记)(S21)。

接着，对于提取出的所有点，利用与在检查中使用的判别函数相同的判别函数判定合格与否(S22)。并且，即使被判别为仅有1个被判别为不合格的点时(S23“是”，图20(b))，也判定为存在脱离。另一方面，如果没有被判别为不合格的点(S23“否”，图20(a))，则判定为没有脱离。

另外，在从线段上提取出的点与被判别为合格品的学习样本(或者间隔支持向量，例如SVM中的间隔支持向量)一致时，也可以省略上述判定。此外，在把线段的一端作为被判别为合格品的学习样本的中心时，在从线段上提取出的点与被判别为合格品的学习样本的中心一致时，也可以只在最初判定一次，在各个线段的脱离判定中不单独进行判定。

在此，图21是表示在按照图19所示步骤判定脱离时，在从线段上提取出点时生成的数据的具体示例的说明图。在图21中，示出了将线段四等分时的示例。另外，这些数据由合格品区域数量判定部26生成，并存储在判别函数确定部21的存储器(未图示)中。

图21(a)表示提取包括两端在内的5个点并登记坐标的情况的示例。如图21(a)所示，在提取点的数据中，用于识别线段的线段ID(线段ID#)、对每个线段赋予连续序号的提取点连续序号、以及与等分生成的坐标相应的特征量(x1、x2、…)相关联。这样，在图21(a)中，提取包括两端在内的5个点并登记坐标。另外，作为线段ID，可以使用连接两端样本的样本ID而成的线段ID。

图21(b)表示省略登记线段两端的数据的情况的示例。在省略线段的两端即被判定为合格品的学习样本的判定时，合格品区域数量判定部26也可以不在存储器中登记该数据。

图21(c)表示线段的一端是被判别为合格品的学习样本的中心的情况示例。在线段的一端是被判别为合格品的学习样本的中心时，合格品区域数量判定部26也可以不将其登记在每个线段的提取点中，而将中心与线段单独登记。

图22是表示在合格品区域数量判定部26的合格品区域数量判定处理中，利用优化方法求出线段上的判别函数的最小值，确认该最小值大于等于阈值(根据函数有时会大小相反)的步骤的流程图。并且，图23是说明该步骤的说明图。

首先，合格品区域数量判定部26求出线段上的判别函数值为最小的点(S31)。

接着，合格品区域数量判定部26在作为最小点的判别函数值为负时(＝被判定为不合格)(S32“是”)，判定为存在脱离。另一方面，在作为最小点的判别函数值不为负时(S32“否”)，判定为没有脱离。

在此，如图23所示，线段上的判别函数的值成为线段上的位置参数t(t为x的函数)的非线性连续函数。因此，只要在线段的范围内，利用牛顿法和最速下降法等非线性优化方法求出判别函数的最小值，合格品区域数量判定部26确认其小于规定的阈值即可。例如，在判别函数的阈值为0时，如果判别函数的最小值大于等于0则判定为合格(图23(a))，如果判别函数的最小值为负则判定为不合格(图23(b))。

另外，上述检查装置100可以应用于异常噪声、装配错误、输出特性的检查领域。并且，可以应用于进行批量生产的在线(in-line)检查，也可以应用于进行不同于批量生产的试制产品的检查等的离线(off-line)检查。更加具体地讲，上述检查装置100例如可以用作汽车的发动机(声音)、变速器(振动)等汽车的驱动模块的检查设备，以及电动门镜、电动座椅、电动方向盘(转向装置位置调节)等汽车的电动机致动器模块的检查设备，乃至上述开发中的异常噪声、装配错误、输出特性的评价装置及开发阶段中的试制机的评价装置。

此外，可以用作冰箱、空调室内机和室外机、洗衣机、吸尘器、打印机等电动机驱动家电的检查设备，以及上述开发中的异常噪声、装配错误、输出特性的评价装置。另外，还可以用作进行NC加工设备、半导体设备、食品设备等设备的状态判别(异常状态/正常状态)的设备诊断机器。

在本发明的实施方式中，记载了将本发明应用于判定合格品、不合格品的检查装置的内容。但是，只要是满足下述条件(1)～(3)的数据，并使用非参量一类判别来判别特定区域及除此以外的区域，则样本可以是任何样本。

(1)具有目标值的数据的样本。

(2)在目标值附近构成一个群的样本。

(3)由于环境等外部原因使得数据出现偏差的样本。

此外，在本发明的实施方式中，记载了非参量一类判别的判别算法是一类SVM的情况。但是，只要是将识别面上的学习样本存储在模型中的非参量一类判别模型，则判别算法可以是任何判别算法。

此外，只要在本发明的实施方式中记载的“支持向量”是“存储在模型中的学习样本”，则可以是任何样本。

此外，只要“间隔支持向量”是“存储在模型中的识别面上的学习样本”，则可以是任何样本。

本发明不限于上述实施方式，可以在权利要求书记载的范围内进行各种变更。即，通过组合在权利要求书记载的范围内适当变更形成的技术手段而得到的实施方式，也包含于本发明的技术范围中。

本发明的检查装置是通过非参量一类判别判定合格与否的检查装置，也可以构成为具有在学习时确认合格品区域为一个的单元。

此外，本发明的检查装置是通过非参量一类判别判定合格与否的检查装置，也可以构成为具有在学习时调节参数以使合格品区域为一个的单元。

另外，本发明的检查装置的上述非参量一类判别的判别算法也可以是一类SVM。

另外，在本发明的检查装置中，上述确认合格品区域为一个的单元可以是确认连接被判定为合格品的各个学习样本的线段没有脱离合格品区域的单元。

另外，在本发明的检查装置中，上述确认合格品区域为一个的单元也可以是确认连接学习样本的中心与被判定为合格品的学习样本的线段没有脱离合格品区域的单元。并且，在求出中心时使用的学习样本不需要一定是被判定为合格品的样本。

另外，在本发明的检查装置中，上述确认合格品区域为一个的单元也可以是确认连接各个间隔支持向量、例如SVM中的各个间隔支持向量(MSV)的线段没有脱离合格品区域的单元。

另外，在本发明的检查装置中，上述确认合格品区域为一个的单元也可以是确认连接学习样本的中心与间隔支持向量例如SVM中的间隔支持向量(MSV)的线段没有脱离合格品区域的单元。

另外，在本发明的检查装置中，上述确认线段没有脱离合格品区域的单元也可以是在判别从线段上提取出的有限的点时判定所有的点为合格品的单元。

另外，在本发明的检查装置中，上述确认线段没有脱离合格品区域的单元也可以是利用优化方法求出线段上的判别函数的最小值，确认该最小值大于等于阈值(根据函数有时会大小相反)的单元。

最后，检查装置100的各个功能块、特别是判别函数确定部20具有的学习样本取得部22、参数设定部24、判别函数学习部25、合格品区域数量判定部26和判别函数输出部27可以利用硬件逻辑构成，也可以按照下面所述使用CPU利用软件来实现。

即，检查装置100具有执行用于实现各种功能的控制程序的命令的CPU(central processing unit，中央处理单元)、存储了上述程序的ROM(read only memory，只读存储器)、将上述程序展开的RAM(randomaccess memory，随机存取存储器)、存储上述程序和各种数据的存储器等存储装置(记录介质)等。并且，本发明的目的可以通过以下方式实现，即，将记录了计算机可读的、用于实现上述功能的软件即检查装置100的控制程序的程序代码(执行形式程序、中间代码程序、源程序)的记录介质提供给上述检查装置100，该计算机(或CPU或MPU)读出记录在记录介质中的程序代码并执行。

作为上述记录介质，例如，可以使用磁带和盒式带等磁带系列、包括软盘(floppy，注册商标)/硬盘等磁盘或CD—ROM/MO/MD/DVD/CD—R等光盘的盘系列、IC卡(包括存储卡)/光卡等的卡系列、或者MASKROM/EPROM/EEPROM/FLASH ROM等的半导体存储器系列等。

另外，检查装置100也可以构成为可以与通信网络连接，通过通信网络提供上述程序代码。作为该通信网络没有特别限定，例如，可以使用因特网、内部网、外部网、LAN、ISDN、VAN、CATV通信网、虚拟专用网(virtual private network)、电话线路网、移动通信网、卫星通信网等。并且，作为构成通信网络的传输介质没有特别限定，例如，可以采用IEEE1394、USB、电力线传输、有线电视线路、电话线、ADSL线路等有线方式，或像IrDA和遥控器那样的红外线、Bluetooth(蓝牙，注册商标)、802.11无线、HDR、移动电话网络、卫星线路、地面波数字网等无线方式。另外，本发明也可以按照通过上述程序代码的电子传输实施的、嵌入载波中的计算机数据信号的形式来实现。

本发明的检查装置可以确定在非参量一类判别中使用的判别函数，使得在标绘了样本的输入空间中形成单一的合格品区域，因此可以广泛应用于制造生产线中的检查装置和机器动作的评价装置。即，除产品检查外，也可以用于制造装置和电力设备等的故障检测、人的健康状态判定等。

Claims (9)

1.一种检查装置，其特征在于，该检查装置具有：判别函数判定单元，该判别函数判定单元判定在非参量一类判别中使用的判别函数是否在标绘了样本的输入空间中作为单一区域而形成包含被判别到类中的样本的区域；以及参数设定单元，该参数设定单元在通过上述判别函数判定单元判定为上述判别函数不形成上述单一区域时，设定区域参数，使得该判别函数在标绘了样本的输入空间中形成单一区域，其中该区域参数规定上述判别函数，并规定作为密度函数的基础的基函数的区域大小。

2.根据权利要求1所述的检查装置，其特征在于，上述非参量一类判别的判别算法将识别面上的样本存储到模型中。

3.根据权利要求1或2所述的检查装置，其特征在于，上述判别函数判定单元判定连接被判定为包含在上述单一区域中的各个样本的线段是否脱离上述单一区域。

4.根据权利要求1所述的检查装置，其特征在于，上述判别函数判定单元判定连接样本的中心与被判定为包含在上述单一区域中的样本的线段是否脱离上述单一区域。

5.根据权利要求2所述的检查装置，其特征在于，上述判别函数判定单元判定连接模型中存储的识别面上的各个样本的线段是否脱离上述单一区域。

6.根据权利要求2所述的检查装置，其特征在于，上述判别函数判定单元判定连接样本的中心与模型中存储的识别面上的样本的线段是否脱离上述单一区域。

7.根据权利要求3所述的检查装置，其特征在于，上述判别函数判定单元从上述线段中提取一个或多个点，将各个点代入上述判别函数，判定是否所有的点都被判别为包含在上述单一区域中。

8.根据权利要求3所述的检查装置，其特征在于，上述判别函数判定单元求出上述线段上的上述判别函数的最小值，判定该最小值是否大于等于规定的阈值。

9.一种检查方法，其由确定在检查对象的状态判别中使用的判别函数的检查装置执行，其特征在于，

上述检查装置所具有的判别函数判定单元判定在非参量一类判别中使用的判别函数是否在标绘了样本的输入空间中作为单一区域而形成包含被判别到类中的样本的区域；当由上述判别函数判定单元判定为上述判别函数不形成上述单一区域时，上述检查装置所具有的参数设定单元设定区域参数，使得该判别函数在标绘了样本的输入空间中作为单一区域形成包含被判别到类中的样本的区域，其中该区域参数规定在非参量一类判别中使用的判别函数，并规定作为密度函数的基础的基函数的区域大小。

Images