CN111602412A - 设备选择装置、数据集选择装置、设备选择方法和程序 - Google Patents
设备选择装置、数据集选择装置、设备选择方法和程序 Download PDFInfo
- Publication number
- CN111602412A CN111602412A CN201880086461.1A CN201880086461A CN111602412A CN 111602412 A CN111602412 A CN 111602412A CN 201880086461 A CN201880086461 A CN 201880086461A CN 111602412 A CN111602412 A CN 111602412A
- Authority
- CN
- China
- Prior art keywords
- data
- processing module
- metadata
- sensor
- input
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
- G06F18/2115—Selection of the most significant subset of features by evaluating different subsets according to an optimisation criterion, e.g. class separability, forward selection or backward elimination
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/907—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C15/00—Arrangements characterised by the use of multiplexing for the transmission of a plurality of signals over a common path
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
- H04Q9/02—Automatically-operated arrangements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/10—Recognition assisted with metadata
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Library & Information Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- User Interface Of Digital Computer (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Selective Calling Equipment (AREA)
Abstract
提供设备选择装置、设备选择方法和程序,能够适当地选择将输入数据向处理模块输出的设备以实现具有期望的功能的虚拟传感器。与处理模块对应着表示学习用数据的属性的第1元数据。与设备对应着表示设备的输出数据的属性的第2元数据。设备选择装置包括第1取得部、第2取得部和选择部。第1取得部取得第1元数据。第2取得部取得与多个设备中的各个设备相对应的第2元数据。选择部根据第1元数据和第2元数据选择将输入数据向处理模块输出的设备。
Description
技术领域
本发明涉及设备选择装置、数据集选择装置、设备选择方法和程序。
背景技术
日本特开2014-45242号公报(专利文献1)公开了生成虚拟传感器的虚拟传感器生成装置。在该虚拟传感器生成装置中,检测存在于规定范围内的实际传感器,通过使用所检测的实际传感器来生成虚拟传感器(参照专利文献1)。
现有技术文献
专利文献
专利文献1:日本特开2014-45242号公报
发明内容
发明要解决的课题
上述专利文献1所公开的虚拟传感器例如包含实际传感器(设备的一例)和处理模块。处理模块例如是通过使用多个学习用数据而生成的已学习模型,通过对由实际传感器输出的感测数据(输入数据的一例)实施处理,生成与输入数据不同的输出数据。当将不适当的数据输入到这样的处理模块时,可能产生如下情况:无法发挥已学习模型本来的功能,其结果,虚拟传感器无法发挥期望的功能。
本发明是为了解决这样的问题而完成的,其目的在于提供一种能够适当地选择将输入数据向处理模块输出的设备以实现具有期望的功能的虚拟传感器的设备选择装置、设备选择方法和程序。
此外,本发明的另一目的在于提供一种能够适当地选择向处理模块输入的数据集以实现具有期望的功能的虚拟传感器的数据集选择装置。
用于解决课题的手段
本发明的一个方面的设备选择装置构成为对将输入数据向处理模块输出的设备进行选择。处理模块是通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个输入数据生成与输入数据不同的输出数据。与处理模块对应着表示学习用数据的属性的第1元数据。与设备对应着表示由设备输出的输入数据的属性的第2元数据。设备选择装置具有第1取得部、第2取得部和选择部。第1取得部构成为取得第1元数据。第2取得部构成为取得与多个设备中的各个设备相对应的第2元数据。选择部构成为根据第1元数据和第2元数据从多个设备中选择将输入数据向处理模块输出的设备。
如上所述,处理模块是通过使用多个学习用数据而生成的已学习模型。已学习模型以学习用数据的属性为前提,因此,在被输入了完全不同的属性的数据的情况下,不一定输出期望的结果。在该设备选择装置中,当选择将输入数据向处理模块输出的设备时,考虑了表示学习用数据的属性的第1元数据和表示由设备输出的输入数据的属性的第2元数据。因此,根据该设备选择装置,由于在考虑了学习用数据的属性的基础上选择设备,所以能够适当地进行设备的选择。
优选地,上述设备选择装置还具有第3取得部。第3取得部构成为从存储有多个处理模块的数据库中取得任意一个处理模块。第1取得部取得与由第3取得部取得的处理模块相对应的第1元数据。
在该设备选择装置中,通过第1取得部取得与由第3取得部取得的处理模块相对应的第1元数据。因此,根据该设备选择装置,能够在选择设备时,参照与适当的处理模块相对应的第1元数据。
优选地,第3取得部按照用户的指示从数据库取得处理模块。
在该设备选择装置中,根据用户的指示从数据库取得处理模块。因此,根据该设备选择装置,用户能够选择期望的处理模块。
优选地,设备是传感器。输入数据是由传感器生成的感测数据。
优选地,处理模块构成为根据多个输入数据生成输出数据。
优选地,处理模块构成为能够对将输入数据向处理模块输出的设备进行切换。
优选地,由处理模块和将输入数据向处理模块输出的设备形成虚拟传感器。
此外,本发明的另一个方面的数据集选择装置构成为对向处理模块输入的数据集进行选择。数据集由多个数据构成。处理模块是通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个输入数据生成与输入数据不同的输出数据。与处理模块对应着表示学习用数据的属性的第1元数据。与数据集对应着表示数据集的属性的第2元数据。数据集选择装置包含第1取得部、第2取得部和选择部。第1取得部构成为取得第1元数据。第2取得部构成为取得与多个数据集中的各个数据集相对应的第2元数据。选择部构成为根据第1元数据和第2元数据从多个数据集中选择向处理模块输入的数据集。
在该数据集选择装置中,在选择向处理模块输入的数据集时,考虑了表示学习用数据的属性的第1元数据和表示数据集的属性的第2元数据。因此,根据该数据集选择装置,由于在考虑了学习用数据的属性的基础上选择数据集,所以能够适当地进行数据集的选择。
发明效果
根据本发明,可以提供一种能够适当地选择将输入数据向处理模块输出的设备以实现具有期望的功能的虚拟传感器的设备选择装置、设备选择方法和程序。
此外,根据本发明,可以提供一种能够适当地选择向处理模块输入的数据集以实现具有期望的功能的虚拟传感器的数据集选择装置。
附图说明
图1是用于说明传感器选择装置的概要的图。
图2是示出传感器网络系统的一例的图。
图3是示出虚拟传感器管理服务器的硬件结构的一例的图。
图4是示出处理模块DB的一例的图。
图5是示出处理模块侧元数据DB(第1元数据DB)的一例的图。
图6是示出各软件模块的关系的一例的图。
图7是示出SDTM服务器的硬件结构的一例的图。
图8是示出传感器侧元数据DB的一例的图。
图9是示出传感器检索模块的详细结构的一例的图。
图10是示出数据流控制模块的详细结构的一例的图。
图11是示出处理模块的输入传感器的选择动作的一例的流程图。
具体实施方式
以下,使用附图详细地说明本发明的一个侧面的实施方式(以下,也称为“本实施方式”)。另外,对图中的相同或对应部分标注相同标号并不再重复其说明。此外,以下说明的本实施方式在全部方面仅是本发明的例示。本实施方式能够在本发明的范围内进行各种改良、变更。即,在实施本发明时,能够根据实施方式适当地采用具体结构。
[1.概要]
图1是用于说明本实施方式的传感器选择装置50(设备选择装置的一例)的概要的图。参照图1,处理模块121具有多个输入端口,向各输入端口输入由实际传感器12(设备的一例)输出的感测数据(输入数据的一例)。处理模块121为通过使用多个学习用数据而生成的已学习模型,构成为根据输入数据生成与输入数据不同的输出数据。即,由处理模块121和将输入数据向处理模块121输出的实际传感器12(输入传感器)形成所谓的虚拟传感器。虚拟传感器是根据通过由输入传感器观测对象而生成的感测数据来将与由输入传感器观测到的对象不同的对象的观测结果作为感测数据输出的传感器模块。之后详细地说明虚拟传感器。
本实施方式的传感器选择装置50构成为对将输入数据向处理模块121输出的实际传感器12(以下,也称为“输入传感器”。)进行选择。当假设选择了不适当的实际传感器12(例如,输出具有与学习用数据的属性完全不同的属性的数据的实际传感器12)作为输入传感器时,可能产生如下情况:无法发挥处理模块121(已学习模型)本来的功能,其结果,虚拟传感器无法发挥期望的功能。
本实施方式的传感器选择装置50构成为从能够经由网络进行通信的多个实际传感器12中选择适合作为处理模块121的输入传感器的实际传感器12。具体地说,与处理模块121对应着处理模块侧元数据(以下,也称为“第1元数据”。)131。第1元数据表示在处理模块121的学习时所使用的学习用数据的属性。另一方面,与各实际传感器12对应着传感器侧元数据(以下,也称为“第2元数据”。)13。第2元数据13表示由对应的实际传感器12输出的输入数据的属性。传感器选择装置50构成为根据第1元数据131和各第2元数据13从多个实际传感器12中选择输入传感器。
这样,在传感器选择装置50中,在选择输入传感器时,考虑了表示学习用数据的属性的第1元数据131和表示由实际传感器12输出的输入数据的属性的第2元数据13。因此,根据传感器选择装置50,由于在考虑了学习用数据的属性的基础上选择实际传感器12,所以能够适当地进行输入传感器的选择。
[2.结构]
<2-1.系统的整体结构>
图2是示出包含本实施方式的传感器选择装置50(图1)的传感器网络系统10的一例的图。在图2的例子中,传感器网络系统10包含传感器网络部14、虚拟传感器管理服务器100、SDTM(Sensing Data Trading Market:感测数据交易市场)服务器200和应用服务器300。另外,在本实施方式中,传感器选择装置50通过虚拟传感器管理服务器100和SDTM服务器200来实现。
传感器网络部14、虚拟传感器管理服务器100、SDTM服务器200和应用服务器300经由互联网15连接成能够相互进行通信。另外,传感器网络系统10所包含的各构成要素(虚拟传感器管理服务器100、SDTM服务器200、应用服务器300、传感器网络适配器11和实际传感器12等)的数量不限于图2所示的数量。
在传感器网络系统10中,由感测设备(例如,实际传感器和虚拟传感器)生成的感测数据能够流通。例如,由实际传感器12生成的感测数据能够向虚拟传感器管理服务器100流通,由虚拟传感器生成的感测数据能够向应用服务器300流通。
传感器网络部14例如包含多个传感器网络适配器11。多个传感器网络适配器11中的各个传感器网络适配器11与多个实际传感器12连接,各实际传感器12经由传感器网络适配器11而与互联网15连接。
实际传感器12构成为通过观测对象来获得感测数据。实际传感器12例如为图像传感器(照相机)、温度传感器、湿度传感器、照度传感器、力传感器、声音传感器、RFID(RadioFrequency IDentification:射频识别)传感器、红外线传感器、姿势传感器、降雨传感器、放射性传感器和气体传感器等,可以为任何种类的传感器。此外,实际传感器12不一定必须是固定设置型,也可以是移动电话、智能手机和平板电脑等移动型。此外,各实际传感器12不一定必须由单一的感测设备构成,也可以由多个感测设备构成。此外,实际传感器12可以以任何目的设置,例如,也可以为了工厂中的FA(Factory Automation:工厂自动化)和生产管理、城市交通控制、气象等环境测量、健康护理和防盗等而设置。
在传感器网络部14中,例如,各传感器网络适配器11配置在不同的(远的)场所,与各传感器网络适配器11连接的各实际传感器12配置在相同(近的)场所,但它们的配置场所并不限定于此。
各应用服务器300(300A、300B)构成为执行使用感测数据的应用(application),例如,通过通用计算机来实现。应用服务器300经由互联网15取得所需要的感测数据。
虚拟传感器管理服务器100是用于实现虚拟传感器的服务器。在虚拟传感器管理服务器100中,实现有多个处理模块121和输入传感器选择模块110,并且管理处理模块DB120和处理模块侧元数据DB 130。多个处理模块121和输入传感器选择模块110例如分别是软件模块。
处理模块121是通过使用多个学习用数据而生成的已学习模型,构成为包含至少一个输入端口,根据输入到各输入端口的输入数据生成与输入数据不同的输出数据。处理模块121能够根据需要对将输入数据向输入端口输出的实际传感器12进行切换。例如,在当前正在将输入数据向输入端口输出的实际传感器12发生了故障的情况下,处理模块121能够将输入传感器切换为其他实际传感器12。
例如,处理模块121也可以构成为根据由配置于室内的声音传感器输出的输入数据(声音数据)来输出表示存在于该室内的人的数量的数据。在这样的情况下,处理模块121例如可以通过进行使用了如下那样的多个学习用数据的学习(机器学习)来生成。另外,作为机器学习,可以应用神经网络、决策树学习、相关规则学习和贝塞尔网络等公知的各种方法。多个学习用数据中的各个学习用数据例如也可以是包含由声音传感器输出的声音数据和表示在输出声音数据时存在于室内的人的数量的数据(正解标签)的教师数据。经过使用了这样的多个学习用数据的学习,处理模块121例如成为能够根据声音数据的输入来输出表示存在于室内的人的数量的数据的已学习模型。另外,在该情况下,通过处理模块121和实际传感器12(声音传感器)实现了能够检测室内的人的数量的虚拟传感器。
输入传感器选择模块110构成为执行用于对将输入数据向处理模块121输出的实际传感器12进行选择的处理。向处理模块121输入由实际传感器12输出的数据,该实际传感器12是由输入传感器选择模块110选择出的。之后详细地说明各软件模块和各数据库。
SDTM服务器200是用于实现传感器网络系统10中的感测数据的流通的服务器。在SDTM服务器200中,实现有传感器检索模块210和数据流控制模块220,并且管理传感器侧元数据DB 230。传感器检索模块210和数据流控制模块220例如分别是软件模块。
传感器检索模块210构成为接收来自虚拟传感器管理服务器100(输入传感器选择模块110)的请求,检索处理模块121的输入传感器的候选(以下,也称为“输入传感器候选”。)。数据流控制模块220构成为接收来自虚拟传感器管理服务器100(输入传感器选择模块110)的请求,控制感测数据从实际传感器12向处理模块121的流通等。之后详细地说明各软件模块和数据库。
<2-2.虚拟传感器管理服务器的硬件结构>
图3是示出虚拟传感器管理服务器100的硬件结构的一例的图。另外,在本实施方式中,虚拟传感器管理服务器100例如通过通用计算机来实现。
在图3的例子中,虚拟传感器管理服务器100包含控制部170、通信I/F(interface:接口)190和存储部180,各结构经由总线195电连接。
控制部170构成为包含CPU(Central Processing Unit:中央处理器)172、RAM(Random Access Memory:随机存取存储器)174和ROM(Read Only Memory:只读存储器)176等,根据信息处理进行各结构要素的控制。
通信I/F 190构成为经由互联网15与设置于虚拟传感器管理服务器100的外部的外部装置(例如,SDTM服务器200、应用服务器300和传感器网络部14(图2))进行通信。通信I/F 190例如由有线LAN(Local Area Network:局域网)模块、无线LAN模块构成。
存储部180例如是硬盘驱动器、固态驱动器等辅助存储装置。存储部180例如构成为存储处理模块DB 120、处理模块侧元数据DB(以下,也称为“第1元数据DB”。)130和控制程序181。
图4是示出处理模块DB 120的一例的图。参照图4,处理模块DB 120是管理在虚拟传感器管理服务器100中实现的多个处理模块121的数据库。在处理模块DB 120中,按照每个处理模块121管理有“概要”,“对象”,“场所”,“时间”等。例如,“概要”表示处理模块121的功能概要,“对象”表示处理模块121的观测对象,“场所”表示处理模块121的观测场所,“时间”表示处理模块121的观测时刻。此外,在处理模块DB 120中,还管理有各处理模块121的存储场所,控制部170能够通过访问处理模块DB 120来读出各处理模块121。
例如,应用服务器300能够经由互联网15访问处理模块DB 120。因此,例如,由应用服务器300实现的应用的用户能够从处理模块DB 120中选择能够输出所需要的感测数据的处理模块121。
图5是示出处理模块侧元数据DB(第1元数据DB)130的一例的图。参照图5,第1元数据DB 130是对表示处理模块121的学习用数据的属性的元数据进行管理的数据库。学习用数据是在处理模块121的学习时所使用的数据。在虚拟传感器管理服务器100中实现的各处理模块121的元数据被预先登记在第1元数据DB 130中。在第1元数据DB 130中,按照各处理模块121的每个输入端口管理有元数据。
在处理模块侧元数据(第1元数据131)中,例如包含“类别”、“观测对象”、“设置场所”。“类别”是指生成了学习用数据的实际传感器12的种类,例如,温度传感器、照相机和麦克风分别是“类别”的一例。“观测对象”是指由生成了学习用数据的实际传感器12观测到的对象,例如,外部气温、图像和声音分别是“观测对象”的一例。“设置场所”是指设置有生成了学习用数据的实际传感器12的场所,例如P1、P2、P3和室内分别是“设置场所”的一例(另外,P1、P2和P3分别例如表示“车站前”等具体场所。)。另外,学习用数据的属性受到生成了学习用数据的实际传感器12的属性的影响,因此,实际传感器12的属性也包含在学习用数据的属性的一部分中。此外,在第1元数据131中,例如也可以包含学习用数据的“单位”、“位数”这样的数据本身的属性。即,在学习用数据的属性中可以包含生成了学习用数据的实际传感器12的属性和学习用数据本身的属性。
再次参照图3,控制程序181是由控制部170执行的虚拟传感器管理服务器100的控制程序。例如,也可以通过控制部170执行控制程序181来实现各处理模块121和输入传感器选择模块110(图2)等。在控制部170执行控制程序181的情况下,控制程序181被展开到RAM174中。然后,控制部170通过由CPU 172解释并执行被展开到RAM 174中的控制程序181来控制各构成要素。接着,说明按照控制程序181由控制部170实现的软件模块。
<2-3.虚拟传感器管理服务器的软件结构)
图6是示出由控制部170实现的各软件模块的关系的一例的图。在图6的例子中,处理模块121和输入传感器选择模块110通过控制部170来实现。
如上所述,输入传感器选择模块110构成为执行用于对处理模块121的输入传感器进行选择的处理。输入传感器选择模块110例如包含处理模块取得部111、元数据取得部112、使用侧DC生成部113和选择部114。另外,由输入传感器选择模块110进行的输入传感器的选择是按照处理模块121的每个输入端口进行的。各输入端口的输入传感器的选择可以并列地进行,也可以依次进行。以下,着眼于处理模块121的一个输入端口进行说明。
处理模块取得部111从在处理模块DB 120中管理的多个处理模块121中取得任意一个处理模块121,并将所取得的处理模块121设置为执行对象。被设置为执行对象的处理模块121响应于被输入了输入数据而执行处理。处理模块取得部111例如经由通信I/F 190从应用服务器300(图2)接收要设置为执行对象的处理模块121的选择指示,按照接收到的选择指示取得处理模块121。这里,选择指示例如是根据由应用服务器300实现的应用的用户的选择而生成的。例如,该应用使用被设置为执行对象的处理模块121的输出数据(虚拟传感器的输出数据)。
元数据取得部112从第1元数据DB 130取得与由处理模块取得部111取得的处理模块121中的、作为选择输入传感器的对象的输入端口相对应的第1元数据131(图1)。
使用侧DC生成部113根据由元数据取得部112取得的第1元数据131来生成使用侧数据目录。使用侧数据目录是表示使用侧(处理模块121)所需的实际传感器12的属性的目录。在使用侧数据目录中包含由第1元数据131表示的处理模块121的学习用数据的属性。
由使用侧DC生成部113生成的使用侧数据目录经由通信I/F 190发送到SDTM服务器200。在SDTM服务器200中,提取具有与使用侧数据目录所示的属性相同或接近的属性的实际传感器12,详细情况将在后面叙述。经由通信I/F 190接收能够确定所提取的实际传感器12的信息(以下,也称为“实际传感器信息”。)。在实际传感器信息中例如包含分配给实际传感器12的IP地址(表示实际传感器12在互联网15上的位置的信息)和表示实际传感器12的属性的信息。
选择部114在接收到实际传感器信息的情况下,选择某一个实际传感器12。选择部114例如在接收到多个实际传感器信息的情况下,选择具有与使用侧数据目录所表示的属性最接近的属性的实际传感器12。选择部114经由通信I/F 190将传感器选择指令发送到SDTM服务器200,以开始从所选择的实际传感器12向处理模块121的输入端口的数据输出。之后详细地说明传感器选择指令。
由此,降低了将具有与处理模块121的学习用数据的属性完全不同的属性的数据输入到处理模块121的输入端口的可能性。
<2-4.SDTM服务器的硬件结构>
图7是示出SDTM服务器200的硬件结构的一例的图。另外,在本实施方式中,SDTM服务器200例如通过通用计算机来实现。
在图7的例子中,SDTM服务器200包含控制部240、通信I/F 260以及存储部250,各结构经由总线265电连接。
控制部240构成为包含CPU 242、RAM 244和ROM 246等,根据信息处理进行各构成要素的控制。
通信I/F 260构成为经由互联网15与设置于SDTM服务器200的外部的外部装置(例如,虚拟传感器管理服务器100、应用服务器300和传感器网络部14(参照图2))进行通信。通信I/F 260例如由有线LAN模块、无线LAN模块构成。
存储部250例如是硬盘驱动器、固态驱动器等辅助存储装置。存储部250例如构成为存储传感器侧元数据DB 230和控制程序251。
图8是示出传感器侧元数据DB 230的一例的图。参照图8,传感器侧元数据DB230是对表示传感器网络部14(图2)所包含的各实际传感器12的属性的元数据进行管理的数据库。传感器网络部14所包含的各实际传感器12的元数据被预先登记在传感器侧元数据DB230中。在传感器侧元数据DB 230中,按照每个实际传感器12管理有元数据(第2元数据13)。在传感器侧元数据(第2元数据13)中例如包含“类别”、“观测目标”、“设置场所”这样的实际传感器12的属性。此外,在第2元数据13中也可以包含由实际传感器12生成的感测数据的“单位”、“位数”这样的属性。即,在实际传感器12的属性中可以包含实际传感器12自身的属性和由实际传感器12生成的感测数据的属性。
再次参照图7,控制程序251是由控制部240执行的SDTM服务器200的控制程序。例如,也可以通过使控制部240执行控制程序251来实现传感器检索模块210和数据流控制模块220(图2)。在控制部240执行控制程序251的情况下,控制程序251被展开到RAM 244中。然后,控制部240通过由CPU 242解释并执行被展开到RAM 244中的控制程序251来控制各构成要素。接着,说明按照控制程序251由控制部240实现的各软件模块。
<2-5.SDTM服务器的软件结构>
再次参照图2,在SDTM服务器200中,通过控制部240分别实现传感器检索模块210和数据流控制模块220。以下,依次对各软件模块进行说明。
(2-5-1.传感器检索模块)
图9是示出传感器检索模块210的详细结构的一例的图。在图9的例子中,传感器检索模块210包含使用侧数据目录取得部211、传感器侧元数据取得部212、提供侧数据目录生成部215、匹配部213和输入候选取得部214。
使用侧数据目录取得部211通过通信I/F 260从虚拟传感器管理服务器100(输入传感器选择模块110)取得上述的使用侧数据目录。
传感器侧元数据取得部212取得传感器侧元数据DB 230(图12)中登记的各实际传感器12的传感器侧元数据13(图1)。
提供侧数据目录生成部215根据传感器侧元数据13生成提供侧数据目录。提供侧数据目录是按照传感器侧元数据DB 230中登记的每个实际传感器12而生成的。提供侧数据目录是表示提供侧(各实际传感器12)的属性的目录。在提供侧数据目录中包含由传感器侧元数据13表示的实际传感器12的属性。
匹配部213进行由使用侧数据目录取得部211取得的使用侧数据目录与由提供侧数据目录生成部215生成的提供侧数据目录的匹配。例如,在提供侧数据目录所包含的实际传感器12的属性与使用侧数据目录所包含的处理模块121的学习用数据的属性相同或接近的情况下,匹配成立。实际传感器12的属性与学习用数据的属性“接近”例如可以表示多个属性中的规定百分比以上的属性相同,也可以表示多个属性中的至少重要属性相同。例如,可以在多个属性中的至少实际传感器12的属性相同的情况下,判定为“接近”,也可以在多个属性中的至少数据的属性(“单位”、“位数”等)相同的情况下,判定为“接近”。预先确定了在何种情况下“接近”的关系成立。
当匹配成立时,提取与该提供侧数据目录对应的实际传感器12,作为处理模块121的输入传感器候选。另一方面,例如,在提供侧数据目录所包含的实际传感器12的属性与使用侧数据目录所包含的处理模块121的学习用数据的属性不同且不接近的情况下,匹配不成立。当匹配不成立时,与该提供侧数据目录对应的实际传感器12不被提取为输入传感器候选。
输入候选取得部214取得能够确定由匹配部213提取为输入传感器候选的实际传感器12的信息(实际传感器信息)。由输入候选取得部214取得的各实际传感器信息经由通信I/F 260发送到虚拟传感器管理服务器100(输入传感器选择模块110)。
(2-5-2.数据流控制模块)
图10是示出数据流控制模块220的详细结构的一例的图。在图10的例子中,数据流控制模块220包含传感器选择指令取得部221和数据流控制指令生成部222。
传感器选择指令取得部221经由通信I/F 260从虚拟传感器管理服务器100(输入传感器选择模块110)取得上述的传感器选择指令。传感器选择指令包含在输入传感器选择模块110(选择部114)中选择出的实际传感器12的实际传感器信息。
数据流控制指令生成部222根据所选择的实际传感器12的实际传感器信息来生成数据流控制指令。数据流控制指令包含由所选择的实际传感器12进行的输入数据向处理模块121的输出开始指令。输出开始指令经由通信I/F 260发送到所选择的实际传感器12。实际传感器12例如在接收到输出开始指令的情况下允许感测数据的输出时,将用于建立与输出目的地的处理模块121的通信的API(Application Programming Interface:应用编程接口)发送到虚拟传感器管理服务器100。在虚拟传感器管理服务器100中,通过执行该API,开始从接收到输出开始指令的实际传感器12向作为对象的处理模块121输出感测数据。
[3.动作]
图11是示出处理模块121的输入传感器的选择动作的一例的流程图。例如,在用户借助通过应用服务器300实现的应用而选择了处理模块121的情况下,执行该流程图所示的处理。另外,如上所述,按照各处理模块121的每个输入端口进行输入传感器的选择,但这里着眼于1个处理模块121的1个输入端口进行说明。
参照图11,左方的流程图通过使控制部170作为输入传感器选择模块110进行工作来执行。另一方面,右方的流程图通过使控制部240作为传感器检索模块210进行工作来执行。
参照图11的左方,控制部170判定是否经由应用服务器300从用户接收到处理模块121的选择指示(步骤S100)。当判定为未接收到选择指示时(在步骤S100中为“否”),控制部170等待至接收到选择指示。
另一方面,当判定为接收到选择指示时(在步骤S100中为“是”),控制部170通过参照处理模块DB 120来取得选择指示所表示的处理模块121,将所取得的处理模块121设置为执行对象(步骤S110)。
控制部170从第1元数据DB 130(图5)取得与被设置为执行对象的处理模块121的输入端口相对应的第1元数据131(步骤S120)。控制部170根据所取得的第1元数据131生成使用侧数据目录(步骤S130)。
控制部170控制通信I/F 190,以将所生成的使用侧数据目录发送到SDTM服务器200(步骤S140)。然后,控制部170判定是否经由通信I/F 190从SDTM服务器200接收到表示输入传感器候选的信息(实际传感器信息)(步骤S150)。当判定为未接收到实际传感器信息时(在步骤S150中为“否”),控制部170等待至接收到实际传感器信息。
参照图11的右方,控制部240判定是否接收到使用侧数据目录(步骤S200)。当判定为未接收到使用侧数据目录时(在步骤S200中为“否”),控制器240等待至接收到使用侧数据目录。
当判定为接收到使用侧数据目录时(在步骤S200中为“是”),控制器240取得在传感器侧元数据DB 230中管理的各实际传感器12的传感器侧元数据13(步骤S210)。控制器240根据所取得的传感器侧元数据13生成提供侧数据目录(步骤S220)。
控制器240根据所取得的使用侧数据目录和所生成的提供侧数据目录从由传感器侧元数据DB 230管理的多个实际传感器12中提取输入传感器候选(步骤S230)。
例如,在由提供侧数据目录表示的属性与由使用侧数据目录表示的属性相同或接近的情况下,控制部240提取与该提供侧数据目录对应的实际传感器12作为输入传感器候选。
控制部240控制通信I/F 260,以将能够确定所提取出的实际传感器12的实际传感器信息发送到虚拟传感器管理服务器100(步骤S240)。
再次参照图11的左方,当在步骤S150中接收到实际传感器信息(表示输入传感器候选的信息)时(在步骤S150中为“是”),控制部170按照预先确定的基准,选择接收到的实际传感器信息所表示的实际传感器12中的任意一个实际传感器12(步骤S160)。
为了开始从所选择的实际传感器12向处理模块121的输入端口进行数据输出,控制部170控制通信I/F 190,以将传感器选择指令发送到SDTM服务器200(步骤S170)。传感器选择指令例如包含能够确定所选择出的实际传感器12的实际传感器信息。
再次参照图11的右方,控制部240判定是否经由通信I/F 260从虚拟传感器管理服务器100接收到传感器选择指令(步骤S250)。当判定为未接收到传感器选择指令时(在步骤S250中为“否”),控制部240等待至接收到传感器选择指令。
另一方面,当判定为接收到传感器选择指令时(在步骤S250中为“是”),控制部240生成上述的数据流控制指令(步骤S260)。控制部240将所生成的数据流控制指令发送到所选择的实际传感器12和虚拟传感器管理服务器100(步骤S520)。由此,开始感测数据从所选择的实际传感器12向处理模块121的输出。
[4.特征]
如上所述,在本实施方式中,控制部170、240根据第1元数据131和第2元数据13来选择将输入数据向处理模块121输出的实际传感器12。如上所述,处理模块121是通过使用多个学习用数据而生成的已学习模型。已学习模型以学习用数据的属性为前提,因此在被输入了完全不同的属性的数据的情况下,不一定输出期望的结果。在本实施方式中,在选择将输入数据向处理模块121输出的实际传感器12时,考虑了表示学习用数据的属性的第1元数据131和表示由实际传感器12输出的输入数据的属性的第2元数据13。因此,根据本实施方式,由于在考虑了学习用数据的属性的基础上选择处理模块121的输入传感器,所以能够适当地进行输入传感器的选择。
更具体地,在本实施方式中,控制部170、240选择如下的实际传感器12作为处理模块121的输入传感器,该实际传感器12输出具有与在处理模块121的学习时所使用的学习用数据的属性相同或接近的属性的输入数据。因此,根据本实施方式,由于输出与学习用数据的属性完全不同的属性的数据的实际传感器12不会被选择为输入传感器,所以能够抑制虚拟传感器无法发挥期望的功能的情况。
另外,处理模块121是本发明的“处理模块”的一例,实际传感器12是本发明的“设备”的一例,处理模块侧元数据131是本发明的“第1元数据”的一例,传感器侧元数据13是本发明的“第2元数据”的一例。包含输入传感器选择模块110和传感器检索模块210的结构以及传感器选择装置50分别是本发明的“设备选择装置”的一例。元数据取得部112是本发明的“第1取得部”的一例,传感器侧元数据取得部212是本发明的“第2取得部”的一例,包含匹配部213和选择部114的结构是本发明的“选择部”的一例。此外,处理模块取得部111是本发明的“第3取得部”的一例,处理模块DB 120是本发明的“数据库”的一例。
[5.变形例]
以上,对实施方式进行了说明,但本发明并不限定于上述实施方式,在不脱离发明主旨的范围内能够进行各种变更。以下,对变形例进行说明。其中,以下的变形例可以适当组合。
<5-1>
在上述实施方式中,选择了处理模块121的输入传感器。但是,所选择的对象不一定必须是处理模块121的输入传感器。例如,也可以选择向处理模块121输入的数据集。数据集是所预先生成的多个数据的集合。例如,通过预先在规定期间内观测对象而获得的感测数据的集合是数据集的一例。例如,数据集存储在与互联网15连接的存储设备(storage)中。
在这样的情况下,例如在SDTM服务器200中管理表示各数据集的属性的元数据。然后,根据与各数据集相对应的元数据生成提供侧数据目录。然后,根据使用侧数据目录和提供侧数据目录来提取包含与在处理模块121的学习时所使用的学习用数据的属性相同或接近的属性的数据的数据集。即,根据第1元数据(处理模块侧元数据)131以及与各数据集相对应的元数据,从多个数据集中提取要输入到处理模块121的输入端口的数据集。由此,能够提取包含具有与处理模块121的学习用数据的属性相同或接近的属性的数据的适当数据集。
此外,也可以在被选择为处理模块121的输入传感器的对象中包含实际传感器12和数据集双方。
<5-2>
此外,在上述实施方式中,各处理模块121的各输入端口从任意一个实际传感器12接受数据的输入。但是,各输入端口接受数据输入的对象不限于实际传感器12。例如,各输入端口可以从存储了数据集的存储设备接受数据的输入,也可以从虚拟传感器接受数据的输入。由于将输入数据输出的主体不一定必须是实际传感器,所以处理模块121的输入数据也可以不一定是感测数据。例如,输入数据可以是购物网站中的各用户的购买历史数据、游戏网站中的各用户的得分数据等。
<5-3>
在上述实施方式中,由虚拟传感器管理服务器100和SDTM服务器200各自进行的处理也可以通过多个服务器等来实现。此外,在上述实施方式中,由虚拟传感器管理服务器100和SDTM服务器200进行的处理也可以通过一个服务器等来实现。
标号说明
10:传感器网络系统;11:传感器网络适配器;12:实际传感器;13:传感器侧元数据(第2元数据);14:传感器网络部;15:互联网;50:传感器选择装置;100:虚拟传感器管理服务器;110:输入传感器选择模块;111:处理模块取得部;112:元数据取得部;113:使用侧DC生成部;114:选择部;120:处理模块DB;121:处理模块;130:处理模块侧元数据DB(第1元数据DB);131:处理模块侧元数据(第1元数据);170、240:控制部;172、242:CPU;174、244:RAM;176、246:ROM;180、250:存储部;181、251:控制程序;190、260:通信I/F;195、265:总线;200:SDTM服务器;210:传感器检索模块;211:使用侧数据目录取得部;212:传感器侧元数据取得部;213:匹配部;214:输入候选取得部;215:提供侧数据目录生成部;220:数据流控制模块;221:传感器选择指令取得部;222:数据流控制指令生成部;230:传感器侧元数据DB(第2元数据DB);300:应用服务器。
Claims (10)
1.一种设备选择装置,其构成为选择将输入数据向处理模块输出的设备,其中,
所述处理模块是通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个所述输入数据生成与所述输入数据不同的输出数据,
与所述处理模块对应着表示所述学习用数据的属性的第1元数据,
与所述设备对应着表示由所述设备输出的输入数据的属性的第2元数据,
所述设备选择装置具有:
第1取得部,其构成为取得所述第1元数据;
第2取得部,其构成为取得与多个设备中的各个设备相对应的所述第2元数据;以及
选择部,其构成为根据所述第1元数据和所述第2元数据从所述多个设备中选择将输入数据向所述处理模块输出的设备。
2.根据权利要求1所述的设备选择装置,其中,
该设备选择装置还具有第3取得部,该第3取得部构成为从存储有多个处理模块的数据库中取得任意一个所述处理模块,
所述第1取得部取得与由第3取得部取得的所述处理模块相对应的所述第1元数据。
3.根据权利要求1或2所述的设备选择装置,其中,
所述第3取得部按照用户的指示从所述数据库取得所述处理模块。
4.根据权利要求1至3中的任意一项所述的设备选择装置,其中,
所述设备是传感器,
所述输入数据是由所述传感器生成的感测数据。
5.根据权利要求1至4中的任意一项所述的设备选择装置,其中,
所述处理模块构成为根据多个所述输入数据生成所述输出数据。
6.根据权利要求1至5中的任意一项所述的设备选择装置,其中,
所述处理模块构成为能够切换向所述处理模块输出所述输入数据的所述设备。
7.根据权利要求1至6中的任意一项所述的设备选择装置,其中,
由所述处理模块和向所述处理模块输出所述输入数据的所述设备形成虚拟传感器。
8.一种数据集选择装置,其构成为选择向处理模块输入的数据集,其中,
所述数据集由多个数据构成,
所述处理模块是通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个输入数据生成与所述输入数据不同的输出数据,
与所述处理模块对应着表示所述学习用数据的属性的第1元数据,
与所述数据集对应着表示所述数据集的属性的第2元数据,
所述数据集选择装置具有:
第1取得部,其构成为取得所述第1元数据;
第2取得部,其构成为取得与多个数据集中的各个数据集相对应的所述第2元数据;以及
选择部,其构成为根据所述第1元数据和所述第2元数据从所述多个数据集中选择向所述处理模块输入的数据集。
9.一种设备选择方法,该设备将输入数据向处理模块输出,其中,
所述处理模块是通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个所述输入数据生成与所述输入数据不同的输出数据,
与所述处理模块对应着表示所述学习用数据的属性的第1元数据,
与所述设备对应着表示由所述设备输出的输入数据的属性的第2元数据,
所述选择方法包含以下步骤:
取得所述第1元数据的步骤;
取得与多个设备中的各个设备相对应的所述第2元数据的步骤;以及
根据所述第1元数据和所述第2元数据从所述多个设备中选择将输入数据向所述处理模块输出的设备的步骤。
10.一种程序,其用于使计算机执行这样的处理:选择将输入数据向处理模块输出的设备,其中,
所述处理模块是通过使用多个学习用数据而生成的已学习模型,构成为根据至少一个所述输入数据生成与所述输入数据不同的输出数据,
与所述处理模块对应着表示所述学习用数据的属性的第1元数据,
与所述设备对应着表示由所述设备输出的输入数据的属性的第2元数据,
所述程序构成为使所述计算机执行以下步骤:
取得所述第1元数据的步骤;
取得与多个设备中的各个设备相对应的所述第2元数据的步骤;以及
根据所述第1元数据和所述第2元数据从所述多个设备中选择将输入数据向所述处理模块输出的设备的步骤。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018-023613 | 2018-02-14 | ||
JP2018023613A JP6481787B1 (ja) | 2018-02-14 | 2018-02-14 | デバイス選択装置、データセット選択装置、デバイス選択方法及びプログラム |
PCT/JP2018/043925 WO2019159483A1 (ja) | 2018-02-14 | 2018-11-29 | デバイス選択装置、データセット選択装置、デバイス選択方法及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111602412A true CN111602412A (zh) | 2020-08-28 |
CN111602412B CN111602412B (zh) | 2023-03-21 |
Family
ID=65718325
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201880086461.1A Active CN111602412B (zh) | 2018-02-14 | 2018-11-29 | 设备选择装置、数据集选择装置、设备选择方法和存储介质 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220207289A1 (zh) |
JP (1) | JP6481787B1 (zh) |
CN (1) | CN111602412B (zh) |
WO (1) | WO2019159483A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6940827B2 (ja) * | 2019-07-31 | 2021-09-29 | 株式会社三洋物産 | 遊技機 |
KR20220106999A (ko) * | 2019-11-29 | 2022-08-01 | 도쿄엘렉트론가부시키가이샤 | 추론 장치, 추론 방법 및 추론 프로그램 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101821743A (zh) * | 2007-08-10 | 2010-09-01 | 施曼信医疗Asd公司 | 用于控制医疗设备的系统 |
US20140201369A1 (en) * | 2011-08-12 | 2014-07-17 | Omron Corporation | Information management device, information management program, and information management method |
CN104317861A (zh) * | 2014-10-15 | 2015-01-28 | 同济大学 | 一种基于互信息的区间数据的属性选择方法 |
CN104991798A (zh) * | 2015-06-25 | 2015-10-21 | 青岛海信移动通信技术股份有限公司 | 一种虚拟传感器配置方法及装置 |
CN105291898A (zh) * | 2014-06-09 | 2016-02-03 | 李尔公司 | 可调整座椅组件 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6067215B2 (ja) * | 2011-09-15 | 2017-01-25 | 富士通株式会社 | デバイス管理方法、デバイス管理装置及びデバイス管理プログラム |
JP2015226102A (ja) * | 2014-05-26 | 2015-12-14 | オムロン株式会社 | 仮想センサのメタデータ構造 |
JP6548107B2 (ja) * | 2015-01-16 | 2019-07-24 | 国立研究開発法人情報通信研究機構 | センサネットワークの休止制御システム |
JP6465012B2 (ja) * | 2015-12-14 | 2019-02-06 | オムロン株式会社 | データフロー制御装置およびデータフロー制御方法 |
JP6888312B2 (ja) * | 2017-02-02 | 2021-06-16 | 沖電気工業株式会社 | 情報処理装置、情報処理方法、およびプログラム |
-
2018
- 2018-02-14 JP JP2018023613A patent/JP6481787B1/ja active Active
- 2018-11-29 US US16/961,713 patent/US20220207289A1/en active Pending
- 2018-11-29 WO PCT/JP2018/043925 patent/WO2019159483A1/ja active Application Filing
- 2018-11-29 CN CN201880086461.1A patent/CN111602412B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101821743A (zh) * | 2007-08-10 | 2010-09-01 | 施曼信医疗Asd公司 | 用于控制医疗设备的系统 |
US20140201369A1 (en) * | 2011-08-12 | 2014-07-17 | Omron Corporation | Information management device, information management program, and information management method |
CN105291898A (zh) * | 2014-06-09 | 2016-02-03 | 李尔公司 | 可调整座椅组件 |
CN104317861A (zh) * | 2014-10-15 | 2015-01-28 | 同济大学 | 一种基于互信息的区间数据的属性选择方法 |
CN104991798A (zh) * | 2015-06-25 | 2015-10-21 | 青岛海信移动通信技术股份有限公司 | 一种虚拟传感器配置方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
WO2019159483A1 (ja) | 2019-08-22 |
JP2019140586A (ja) | 2019-08-22 |
US20220207289A1 (en) | 2022-06-30 |
JP6481787B1 (ja) | 2019-03-13 |
CN111602412B (zh) | 2023-03-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111602412B (zh) | 设备选择装置、数据集选择装置、设备选择方法和存储介质 | |
JP6525043B2 (ja) | データ生成装置、データ生成方法及びプログラム | |
JP2020166782A (ja) | 情報提供システム及び情報提供方法 | |
CN111881740A (zh) | 人脸识别方法、装置、电子设备及介质 | |
CN111567060B (zh) | 质量检查装置、质量检查方法及程序 | |
JP6802354B2 (ja) | 通信試験装置、通信試験方法及びプログラム | |
CN105188154B (zh) | 一种自动操作智能设备的方法、装置及系统 | |
CN111587426B (zh) | 会话控制装置、会话控制方法以及程序 | |
KR20190064129A (ko) | 컴퓨팅 장치의 정보 입력 방법 및 그 컴퓨팅 장치 | |
CN111615690B (zh) | 会话控制装置、会话控制方法以及程序 | |
US20220083596A1 (en) | Information processing apparatus and information processing method | |
CN111602408B (zh) | 候选提取装置、候选提取方法及程序 | |
CN111566630B (zh) | 数据处理装置、数据处理方法及程序 | |
CN111602034B (zh) | 输出管理装置、输出管理方法和存储介质 | |
CN111602123B (zh) | 预处理判定装置、预处理判定方法以及程序 | |
JP6501007B1 (ja) | 出力管理装置、出力管理方法及びプログラム | |
JP2019169946A (ja) | 品質チェック装置、品質チェック方法及びプログラム | |
JP6471818B1 (ja) | メタデータ生成装置、メタデータ生成方法及びプログラム | |
WO2019026454A1 (ja) | データ生成装置、データ生成方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |