CN111699499B - 检查、图像识别、识别器生成系统及学习数据生成装置 - Google Patents
检查、图像识别、识别器生成系统及学习数据生成装置 Download PDFInfo
- Publication number
- CN111699499B CN111699499B CN201980012730.4A CN201980012730A CN111699499B CN 111699499 B CN111699499 B CN 111699499B CN 201980012730 A CN201980012730 A CN 201980012730A CN 111699499 B CN111699499 B CN 111699499B
- Authority
- CN
- China
- Prior art keywords
- data
- learning
- image data
- machine learning
- recognizer
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
- G06N5/046—Forward inferencing; Production systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- G06V2201/06—Recognition of objects for industrial automation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/174—Facial expression recognition
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Databases & Information Systems (AREA)
- Quality & Reliability (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种检查、图像识别、识别器生成系统及学习数据生成装置,能够以低成本来生成推论精度高的识别器。本发明的一方面的检查系统由第一图像数据而生成分别映照有制品的多件第二图像数据,通过第一识别器而判定是否采用各件第二图像数据来作为学习数据,由被判定为采用作为学习数据的第二图像数据生成学习用数据集,通过实施利用所生成的学习用数据集的机器学习,从而构建判定制品良否的第二识别器,利用所构建的第二识别器来判定映照在对象图像数据中的制品的良否。
Description
技术领域
本发明涉及一种检查系统、图像识别系统、识别系统、识别器生成系统以及学习数据生成装置。
背景技术
以往,在制造线等制造制品的场景中,利用摄影装置来拍摄所制造的制品,并基于所获得的图像数据来检查制品良否的技术正得到利用。例如,专利文献1中提出了一种检查装置,其基于学习完成的第一神经网络来判定映照在图像中的检查对象物是正常还是异常,若判定检查对象物为异常,则基于学习完成的第二神经网络来对所述异常的种类进行分类。
现有技术文献
专利文献
专利文献1:日本专利特开2012-026982号公报
发明内容
发明所要解决的问题
本申请发明人发现,在专利文献1那样的、利用包含神经网络等学习模型的识别器来从图像数据判定制品良否的以往技术中,可能产生如下的问题。即,在为了进行使学习模型习得判定制品良否的能力的机器学习,而采用有教学学习来作为机器学习的情况下,要准备学习用数据集,所述学习用数据集包含图像数据与正解数据的对,所述图像数据被用作学习数据,所述正解数据表示对映照在所述图像数据中的制品的良否判定的正解。若所述学习用数据集的件数少,则学习完成的学习模型(识别器)对良否的判定精度不够充分。另一方面,为了提高识别器的判定精度而准备足够件数的学习用数据集会耗费成本。
因此,本申请发明人研究由作为学习数据而准备的图像数据量产多件不同的图像数据,利用经量产的多件图像数据来作为学习数据。但是,经量产的多件图像数据有可能未正确表示制品的良否。因此,经量产的多件图像数据是否适合作为学习数据并不明确。若包含不适合作为学习数据的图像数据,则可能产生下述问题,即:即使利用所述经量产的多件图像数据作为学习数据来进行机器学习,也无法获得可执行高精度的良否判定的识别器。
另外,所述问题并非判定制品良否的场景及实施有教学学习的场景所特有。在从图像数据中识别被摄物的某些特征的场景、从图像数据以外的数据中识别某些特征的场景等通过利用学习数据的机器学习来构建识别器的所有场景下,可能产生同样的问题。即,为了进行学习模型的机器学习,要准备用作学习数据的数据。若所述学习数据的件数少,则通过识别器来从对象数据中识别规定特征的精度不够充分。另一方面,为了提高对特征进行识别的精度而准备足够件数的学习数据会耗费成本。
本发明在一方面是有鉴于此种实际情况而完成,其目的在于提供一种能够低成本地生成推论精度高的识别器的技术。
解决问题的技术手段
为了解决所述问题,本发明采用以下的结构。
即,本发明的一方面的检查系统检查制品的良否,所述检查系统包括:数据获取部,获取第一图像数据及第一正解数据,所述第一图像数据映照有所述制品,所述第一正解数据表示对映照在所述第一图像数据中的所述制品的良否判定的正解;第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述制品的多件第二图像数据;判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;第二生成部,通过对被判定为采用作为学习数据的第二图像数据赋予第二正解数据,从而生成学习用数据集,所述第二正解数据是基于所述第一正解数据而决定,且表示对映照在所述第二图像数据中的所述制品的良否判定的正解,所述学习用数据集包含所述第二图像数据及所述第二正解数据的对;学习处理部,通过实施利用所生成的所述学习用数据集的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述制品的良否进行判定的能力;对象数据获取部,获取映照有作为检查对象的所述制品的对象图像数据;以及良否判定部,基于通过将所获取的所述对象图像数据输入至所述第二识别器而从所述第二识别器获得的输出,来判定映照在所述对象图像数据中的所述制品的良否。
所述结构的检查系统利用习得了判定是否采用作为学习数据的能力的第一识别器,来判定通过对第一图像数据适用规定的变换处理而生成的各件第二图像数据作为学习数据的合适性。接下来,所述结构的检查系统由被判定为采用作为学习数据的第二图像数据来生成学习用数据集,通过实施利用所生成的学习用数据集的机器学习,来构建习得了判定制品良否的能力的第二识别器。并且,所述结构的检查系统利用所构建的第二识别器来判定映照在对象图像数据中的制品的良否。
因此,根据所述结构,通过对第一图像数据适用规定的变换处理,能够量产作为学习数据的候选的第二图像数据,因此能够以低成本来准备足够件数的学习用数据集。除此以外,基于第一识别器的判定结果,能够将不适合作为学习数据的第二图像数据从学习数据的候选中予以排除。即,通过利用第一识别器,能够避免不适合作为学习数据的第二图像数据被利用于第二识别器的机器学习。因此,能够以低成本来准备足够件数的适当的学习用数据集,通过实施利用所准备的学习用数据集的机器学习,能够构建判定制品良否的精度相对较高的第二识别器。因而,根据所述结构,能够以低成本来生成推论(良否判定)精度相对较高的识别器(第二识别器)。
另外,“制品”也可无特别限定,可根据实施方式来适当选择。“制品”例如可为电子零件、汽车零件等在制造线上受到搬送的物品。电子零件例如为底座、贴片式电容器、液晶、继电器的绕组等。汽车零件例如为连杆(con rod)、轴(shaft)、发动机机体(engineblock)、电动车窗开关(power window switch)、仪表板(panel)等。“良否判定”既可为简单地判定制品是否存在缺陷,也可除了判定制品是否存在缺陷以外,还包含对所述缺陷的种类进行识别的操作。缺陷例如为划痕、污垢、裂纹、撞击痕、灰尘、毛刺、颜色不均等。“学习数据”也可被称作“训练数据”。“变换处理”是对第一图像数据的至少一部分进行变更的处理,只要是可生成与第一图像数据不完全一致的第二图像数据的处理,则也可无特别限定。
所述一方面的检查系统中,所述第一生成部也可通过对所述第一图像数据适用从光度(photometric)变换、几何(geometric)变换、图像合成、图像替换及它们的组合中选择的变换处理,从而由所述第一图像数据来生成多件第二图像数据。根据所述结构,能够以低成本来量产作为学习数据的候选的第二图像数据,由此能够以更低的成本来生成推论精度相对较高的识别器(第二识别器)。另外,所谓光度变换处理,是指对图像的辉度等的亮度进行变换的处理,例如是明亮度的变换处理等。所谓几何变换处理,是指对图像的空间坐标进行变换的处理,例如是仿射变换(affine transformation)、射影变换等。图像合成能够将噪声(noise)等规定的图像合成到图像数据的至少一部分区域中。图像替换是将图像数据的至少一部分区域替换为其他图像。对于这些变换处理,也可利用通过机器学习而构建的变换器。
所述一方面的检查系统中,所述第一识别器可包含包括生成模型与识别模型的网络中的所述识别模型,所述生成模型针对包含第三图像数据的图像数据群进行机器学习,以生成与所述第三图像数据类似的第四图像数据,所述识别模型进行机器学习,以识别所输入的输入数据是来源于所述生成模型的所述第四图像数据还是来源于所述图像数据群的所述第三图像数据,且所述网络中,所述生成模型反复进行机器学习,以生成与所述识别模型误识别的所述第三图像数据类似的所述第四图像数据,所述识别模型进行机器学习,以对由经反复机器学习的所述生成模型所生成的所述第四图像数据与所述第三图像数据进行识别。根据所述结构,能够准备可适当地判定第二图像数据作为图像数据的合适性的第一识别器,因此能够以低成本来生成推论精度更高的识别器(第二识别器)。
所述一方面的检查系统中,所述判定部也可利用通过利用第五图像数据与第三正解数据的机器学习而生成的学习完成的学习器来作为所述第一识别器,所述第三正解数据表示是否采用所述第五图像数据来作为所述学习数据的正解。根据所述结构,能够准备可适当地判定第二图像数据作为图像数据的合适性的第一识别器,因此能够以低成本来生成推论精度更高的识别器(第二识别器)。
而且,也可从所述各形态的检查系统中,例如提取生成学习数据群的部分、构建第二识别器的部分等一部分,来构成另一形态的系统或装置。
例如,本发明的一方面的识别器生成系统包括:数据获取部,获取第一图像数据及第一正解数据,所述第一图像数据映照有制品,所述第一正解数据表示对映照在所述第一图像数据中的所述制品的良否判定的正解;第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述制品的多件第二图像数据;判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;第二生成部,对被判定为采用作为学习数据的第二图像数据赋予第二正解数据,从而生成学习用数据集,所述第二正解数据是基于所述第一正解数据而决定,且表示对映照在所述第二图像数据中的所述制品的良否判定的正解,所述学习用数据集包含所述第二图像数据及所述第二正解数据的对;以及学习处理部,通过实施利用所生成的所述学习用数据集的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述制品的良否进行判定的能力。
而且,例如,本发明的一方面的学习数据生成装置包括:数据获取部,获取第一图像数据及第一正解数据,所述第一图像数据映照有制品,所述第一正解数据表示对映照在所述第一图像数据中的所述制品的良否判定的正解;第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述制品的多件第二图像数据;判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;以及第二生成部,对被判定为采用作为学习数据的第二图像数据赋予第二正解数据,从而生成学习用数据集,所述第二正解数据是基于所述第一正解数据而决定,且表示对映照在所述第二图像数据中的所述制品的良否判定的正解,所述学习用数据集包含所述第二图像数据及所述第二正解数据的对。
而且,所述各形态的检查系统可变更为,可适用于从映照有制品的图像数据以外的图像数据识别某些特征的场景、从包含图像数据以外的其他种类的数据的数据识别某些特征的场景等通过机器学习来构建识别器的所有场景。
例如,本发明的一方面的图像识别系统包括:数据获取部,获取映照有规定被摄物的第一图像数据;第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述被摄物的多件第二图像数据;判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;第二生成部,通过收集被判定为采用作为学习数据的第二图像数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二图像数据;学习处理部,通过实施利用所生成的所述学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述被摄物的特征进行识别的能力;对象数据获取部,获取对象图像数据,所述对象图像数据映照有作为对特征进行识别的对象的所述被摄物;以及识别部,基于通过将所获取的所述对象图像数据输入至所述第二识别器而从所述第二识别器获得的输出,来对映照在所述对象图像数据中的所述被摄物的特征进行识别。
另外,“被摄物”及作为识别对象的被摄物的“特征”各自也可无特别限定,可根据实施方式来适当选择。“被摄物”例如可为对象者的脸部、对象者的身体、作业对象工件等。而且,在被摄物为对象者的脸部的情况下,作为识别对象的特征例如可为表情的种类、脸部的部位的状态等。在被摄物为对象者的身体的情况下,作为识别对象的特征例如可为身体的姿势等。在被摄物为作业对象工件的情况下,作为识别对象的特征例如可为工件的位置、姿势等。
而且,例如,本发明的一方面的识别器生成系统包括:数据获取部,获取映照有规定被摄物的第一图像数据;第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述被摄物的多件第二图像数据;判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;第二生成部,通过收集被判定为采用作为学习数据的第二图像数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二图像数据;以及学习处理部,通过实施利用所生成的所述学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述被摄物的特征进行识别的能力。
而且,例如,本发明的一方面的学习数据生成装置包括:数据获取部,获取映照有规定被摄物的第一图像数据;第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述被摄物的多件第二图像数据;判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;以及第二生成部,通过收集被判定为采用作为学习数据的第二图像数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二图像数据。
而且,例如,本发明的一方面的识别系统包括:数据获取部,获取包含规定特征的第一数据;第一生成部,通过对所述第一数据适用规定的变换处理,从而由所述第一数据生成多件第二数据;判定部,基于通过将各件第二数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的数据来作为学习数据的机器学习;第二生成部,通过收集被判定为采用作为学习数据的第二数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二数据;学习处理部,通过实施利用所生成的学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述特征进行识别的能力;对象数据获取部,获取对象数据,所述对象数据包含作为要识别的对象的特征;以及识别部,基于通过将所获取的所述对象数据输入至所述第二识别器而从所述第二识别器获得的输出,来对所述对象数据中所含的所述特征进行识别。
另外,“数据”也可包含可成为识别器的分析对象的所有种类的数据,例如除了图像数据以外,可为声音数据(语音数据)、数值数据、文本数据、其他来自传感器的输出数据等。“特征”也可包含可从数据识别的所有特征。在“数据”为声音数据的情况下,“特征”例如可为是否包含特定的声音(例如机械的异响)等。而且,在“数据”为血压、活动量等与生物数据相关的数值数据或文本数据的情况下,“特征”例如可为对象者的状态等。而且,在“数据”为机械的驱动量等数值数据或文本数据的情况下,“特征”例如可为机械的状态等。“识别器”例如可包含神经网络、支持向量机(support vector machine)、自组织映射、强化学习模型等可通过机器学习来获得进行规定推论的能力的学习模型。
所述一方面的识别系统中,所述第一数据可为声音数据,所述第一生成部也可通过对所述第一数据适用从时间伸长(time strech)、变调(pitch shift)、掩蔽(masking)、振幅变换、声音合成及它们的组合中选择的变换处理,从而由所述第一数据生成多件第二数据。
而且,例如,本发明的一方面的识别器生成系统包括:数据获取部,获取包含规定特征的第一数据;第一生成部,通过对所述第一数据适用规定的变换处理,从而由所述第一数据生成多件第二数据;判定部,基于通过将各件第二数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的数据来作为学习数据的机器学习;第二生成部,通过收集被判定为采用作为学习数据的第二数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二数据;以及学习处理部,通过实施利用所生成的学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述特征进行识别的能力。
而且,例如,本发明的一方面的学习数据生成装置包括:数据获取部,获取包含规定特征的第一数据;第一生成部,通过对所述第一数据适用规定的变换处理,从而由所述第一数据生成多件第二数据;判定部,基于通过将各件第二数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的数据来作为学习数据的机器学习;以及第二生成部,通过收集被判定为采用作为学习数据的第二数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二数据。
另外,作为所述各形态的检查系统、图像识别系统、识别系统、识别器生成系统以及学习数据生成装置各自的其他形态,本发明的一方面也可为实现以上的各结构的全部或一部分的信息处理方法,也可为程序,还可为存储有此种程序的、计算机或其他装置、机械等可读取的存储介质。此处,所谓计算机等可读取的存储介质,是指通过电、磁、光学、机械或化学作用来保存程序等信息的介质。
例如,本发明的一方面的检查方法是一种信息处理方法,检查制品的良否,所述信息处理方法是由计算机执行下述步骤:获取第一图像数据及第一正解数据,所述第一图像数据映照有所述制品,所述第一正解数据表示对映照在所述第一图像数据中的所述制品的良否判定的正解;通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述制品的多件第二图像数据;基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;对被判定为采用作为学习数据的第二图像数据赋予第二正解数据,从而生成学习用数据集,所述第二正解数据是基于所述第一正解数据而决定,且表示对映照在所述第二图像数据中的所述制品的良否判定的正解,所述学习用数据集包含所述第二图像数据及所述第二正解数据的对;通过实施利用所生成的所述学习用数据集的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述制品的良否进行判定的能力;获取映照有作为检查对象的所述制品的对象图像数据;以及基于通过将所获取的所述对象图像数据输入至所述第二识别器而从所述第二识别器获得的输出,来判定映照在所述对象图像数据中的所述制品的良否。
而且,例如,本发明的一方面的识别器生成方法是一种信息处理方法,由计算机执行下述步骤:获取第一图像数据及第一正解数据,所述第一图像数据映照有所述制品,所述第一正解数据表示对映照在所述第一图像数据中的所述制品的良否判定的正解;通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述制品的多件第二图像数据;基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;对被判定为采用作为学习数据的第二图像数据赋予第二正解数据,从而生成学习用数据集,所述第二正解数据是基于所述第一正解数据而决定,且表示对映照在所述第二图像数据中的所述制品的良否判定的正解,所述学习用数据集包含所述第二图像数据及所述第二正解数据的对;以及通过实施利用所生成的所述学习用数据集的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述制品的良否进行判定的能力。
而且,例如,本发明的一方面的学习数据生成方法是一种信息处理方法,由计算机执行下述步骤:获取第一图像数据及第一正解数据,所述第一图像数据映照有所述制品,所述第一正解数据表示对映照在所述第一图像数据中的所述制品的良否判定的正解;通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述制品的多件第二图像数据;基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;以及对被判定为采用作为学习数据的第二图像数据赋予第二正解数据,从而生成学习用数据集,所述第二正解数据是基于所述第一正解数据而决定,且表示对映照在所述第二图像数据中的所述制品的良否判定的正解,所述学习用数据集包含所述第二图像数据及所述第二正解数据的对。
而且,例如,本发明的一方面的生成程序用于使计算机执行下述步骤:获取第一图像数据及第一正解数据,所述第一图像数据映照有所述制品,所述第一正解数据表示对映照在所述第一图像数据中的所述制品的良否判定的正解;通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述制品的多件第二图像数据;基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;以及对被判定为采用作为学习数据的第二图像数据赋予第二正解数据,从而生成学习用数据集,所述第二正解数据是基于所述第一正解数据而决定,且表示对映照在所述第二图像数据中的所述制品的良否判定的正解,所述学习用数据集包含所述第二图像数据及所述第二正解数据的对。
而且,例如,本发明的一方面的图像识别方法是一种信息处理方法,由计算机执行下述步骤:获取映照有规定被摄物的第一图像数据;通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述被摄物的多件第二图像数据;基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;通过收集被判定为采用作为学习数据的第二图像数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二图像数据;通过实施利用所生成的所述学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述被摄物的特征进行识别的能力;获取对象图像数据,所述对象图像数据映照有作为对特征进行识别的对象的所述被摄物;以及基于通过将所获取的所述对象图像数据输入至所述第二识别器而从所述第二识别器获得的输出,来对映照在所述对象图像数据中的所述被摄物的特征进行识别。
而且,例如,本发明的一方面的识别器生成方法是一种信息处理方法,由计算机执行下述步骤:获取映照有规定被摄物的第一图像数据;通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述被摄物的多件第二图像数据;基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;通过收集被判定为采用作为学习数据的第二图像数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二图像数据;以及通过实施利用所生成的所述学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述被摄物的特征进行识别的能力。
而且,例如,本发明的一方面的学习数据生成方法是一种信息处理方法,由计算机执行下述步骤:获取映照有规定被摄物的第一图像数据;通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述被摄物的多件第二图像数据;基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;以及通过收集被判定为采用作为学习数据的第二图像数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二图像数据。
而且,例如,本发明的一方面的生成程序用于使计算机执行下述步骤:获取映照有规定被摄物的第一图像数据;通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述被摄物的多件第二图像数据;基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;以及通过收集被判定为采用作为学习数据的第二图像数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二图像数据。
而且,例如,本发明的一方面的识别方法是一种信息处理方法,由计算机执行下述步骤:获取包含规定特征的第一数据;通过对所述第一数据适用规定的变换处理,从而由所述第一数据生成多件第二数据;基于通过将各件第二数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的数据来作为学习数据的机器学习;通过收集被判定为采用作为学习数据的第二数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二数据;通过实施利用所生成的学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述特征进行识别的能力;获取对象数据,所述对象数据包含作为要识别的对象的特征;以及基于通过将所获取的所述对象数据输入至所述第二识别器而从所述第二识别器获得的输出,来对所述对象数据中所含的所述特征进行识别。
而且,例如,本发明的一方面的识别器生成方法是一种信息处理方法,由计算机执行下述步骤:获取包含规定特征的第一数据;通过对所述第一数据适用规定的变换处理,从而由所述第一数据生成多件第二数据;基于通过将各件第二数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的数据来作为学习数据的机器学习;通过收集被判定为采用作为学习数据的第二数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二数据;以及通过实施利用所生成的学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述特征进行识别的能力。
而且,例如,本发明的一方面的学习数据生成方法是一种信息处理方法,由计算机执行下述步骤:获取包含规定特征的第一数据;通过对所述第一数据适用规定的变换处理,从而由所述第一数据生成多件第二数据;基于通过将各件第二数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的数据来作为学习数据的机器学习;以及通过收集被判定为采用作为学习数据的第二数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二数据。
而且,例如,本发明的一方面的生成程序用于使计算机执行下述步骤:获取包含规定特征的第一数据;通过对所述第一数据适用规定的变换处理,从而由所述第一数据生成多件第二数据;基于通过将各件第二数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的数据来作为学习数据的机器学习;以及通过收集被判定为采用作为学习数据的第二数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二数据。
发明的效果
根据本发明,能够提供一种能以低成本来生成推论精度高的识别器的技术。
附图说明
图1示意性地例示适用本发明的场景的一例。
图2示意性地例示实施方式的学习数据生成装置的硬件结构的一例。
图3示意性地例示实施方式的第一学习装置的硬件结构的一例。
图4示意性地例示实施方式的第二学习装置的硬件结构的一例。
图5示意性地例示实施方式的检查装置的硬件结构的一例。
图6示意性地例示实施方式的学习数据生成装置的软件结构的一例。
图7示意性地例示实施方式的第一学习装置的软件结构的一例。
图8示意性地例示实施方式的第二学习装置的软件结构的一例。
图9示意性地例示实施方式的检查装置的软件结构的一例。
图10例示实施方式的学习数据生成装置的处理流程的一例。
图11例示实施方式的第一学习装置的处理流程的一例。
图12例示实施方式的第二学习装置的处理流程的一例。
图13例示实施方式的检查装置的处理流程的一例。
图14示意性地例示另一实施方式的第一学习装置的软件结构的一例。
图15例示另一实施方式的第一学习装置的处理流程的一例。
图16示意性地例示另一实施方式的图像识别装置的硬件结构的一例。
图17示意性地例示另一实施方式的图像识别装置的软件结构的一例。
图18示意性地例示另一实施方式的学习数据生成装置的软件结构的一例。
图19示意性地例示另一实施方式的第一学习装置的软件结构的一例。
图20示意性地例示另一实施方式的第二学习装置的软件结构的一例。
图21示意性地例示另一实施方式的识别装置的硬件结构的一例。
图22示意性地例示另一实施方式的识别装置的软件结构的一例。
符号的说明
100:检查系统
1:学习数据生成装置
11:控制部
12:存储部
13:通信接口
14:输入装置
15:输出装置
16:驱动器
111:数据获取部
112:第一生成部
113:判定部
114:第二生成部
121:生成程序
122:第一图像数据
123:第一正解数据
125:第二图像数据
126:第二正解数据
127:学习用数据集
129:第一学习结果数据
2:第一学习装置
21:控制部
22:存储部
23:通信接口
24:输入装置
25:输出装置
26:驱动器
211:第一学习数据获取部
212:第一学习处理部
221:采用与否学习程序
222:第一学习用数据集
2221:图像数据(第五图像数据)
2222:采用与否数据(第三正解数据)
3:第二学习装置
31:控制部
32:存储部
33:通信接口
34:输入装置
35:输出装置
36:驱动器
311:第二学习数据获取部
312:第二学习处理部
321:学习程序
322:第二学习用数据集
3221:图像数据
3222:正解数据
323:第二学习结果数据
4:检查装置
41:控制部
42:存储部
43:通信接口
44:外部接口
45:输入装置
46:输出装置
47:驱动器
411:对象数据获取部
412:良否判定部
413:输出部
421:检查程序
51:第一识别器
52:神经网络
53:神经网络
54:第二识别器
511、521、531、541:卷积层
512、522、532、542:池化层
513、523、533、543:全结合层
514、524、534、544:输出层
2A:第一学习装置
222A:图像数据群
2223:图像数据(第三图像数据)
61:生成模型
611:图像数据(第四图像数据)
62:识别模型
91、92、93、94:存储介质
具体实施方式
以下,基于图示来说明本发明的一方面的实施方式(以下也称作“本实施方式”)。但是,以下说明的本实施方式在所有方面不过是本发明的例示。当然能够在不脱离本发明的范围的情况下进行各种改良或变形。即,在实施本发明时,也可适当采用与实施方式相应的具体结构。另外,对于在本实施方式中出现的数据,通过自然语言进行了说明,更具体而言,以计算机可识别的伪语言、命令、参数、机器语言等来指定。
§1适用例
首先,对本发明的基本结构的一例进行说明。在通过利用学习数据的机器学习来构建识别器的情况下,可能产生如下所述的问题。即,为了进行构成识别器的学习模型的机器学习,要准备用作学习数据的数据。若所述学习数据的件数少,则通过识别器从对象数据识别规定特征的精度将变得不够充分。另一方面,为了提高识别特征的精度而准备足够件数的学习数据会耗费成本。
因此,本发明的一例中,获取包含规定特征的第一数据,通过对所获取的第一数据适用规定的变换处理,从而由所述第一数据来生成多件第二数据。接下来,利用学习完成的第一识别器,来判定是否采用各件第二数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的数据来作为学习数据的机器学习。通过对被判定为采用作为学习数据的第二数据进行收集,生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件第二数据。并且,通过实施利用所生成的学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了识别对象特征的能力。
由此,本发明的一例中,通过对第一数据适用规定的变换处理,能够量产作为学习数据的候选的第二数据,因此能够以低成本来准备足以实施机器学习的件数的学习数据。除此以外,基于第一识别器的判定结果,能够将不适合作为学习数据的第二数据从学习数据的候选中予以排除。因此,根据本发明的一例,能够以低成本来准备足够件数的适当的学习数据,通过实施利用所准备的学习用数据群的机器学习,能够构建识别对象特征的精度相对较高的第二识别器。因此,根据本发明的一例,能够以低成本来生成推论精度相对较高的识别器。
接下来,使用图1来说明适用本发明的场景的一例。图1示意性地例示将本发明适用于制品R的外观检查的场景的一例。但是,本发明的适用范围并不限于以下例示的外观检查的示例。本发明可适用于通过利用学习数据的机器学习来构建识别器的所有场景。
图1所例示的检查系统100包括经由网络而连接的学习数据生成装置1、第一学习装置2、第二学习装置3以及检查装置4,且构成为,对制品R的良否进行检查。学习数据生成装置1、第一学习装置2、第二学习装置3以及检查装置4之间的网络的种类也可无特别限定,例如可从国际互联网(Internet)、无线通信网、移动通信网、电话网、专用网等中适当选择。
另外,图1的示例中,学习数据生成装置1、第一学习装置2、第二学习装置3以及检查装置4分别为独立的计算机。但是,检查系统100的结构也可不限定于此例。学习数据生成装置1、第一学习装置2、第二学习装置3以及检查装置4中的至少任一对也可为一体的计算机。而且,学习数据生成装置1、第一学习装置2、第二学习装置3以及检查装置4也可分别包含多台计算机。
本实施方式的学习数据生成装置1是构成为生成学习数据的计算机,所述学习数据利用于使识别器习得判定制品良否的能力的机器学习。具体而言,学习数据生成装置1获取映照有制品的第一图像数据122以及第一正解数据123,所述第一正解数据123表示对映照在第一图像数据122中的制品的良否判定的正解。并且,学习数据生成装置1通过对所获取的第一图像数据122适用规定的变换处理,从而由第一图像数据122来生成分别映照有制品的多件第二图像数据125。
规定的变换处理是对第一图像数据122的至少一部分进行变更的处理,只要是可生成与第一图像数据122不完全一致的第二图像数据125的处理,则也可无特别限定。规定的变换处理例如可从光度变换、几何变换、图像合成、图像替换及它们的组合中选择。学习数据生成装置1一边变更变换处理的参数(例如要变换的明亮度的量等),一边对第一图像数据122反复适用规定的变换处理,由此生成各不相同的多件第二图像数据125。所生成的各件第二图像数据125成为利用于机器学习的学习数据的候选,所述机器学习用于习得判定制品良否的能力。但是,各件第二图像数据125有可能因为是不自然的图像、未以正确的状态映照出制品等理由,而不适合作为学习数据。
因此,本实施方式的学习数据生成装置1对进行了机器学习的学习完成的第一识别器51输入各件第二图像数据125,由此来从所述第一识别器51获得输出,所述机器学习用于判定是否采用所给予的图像数据来作为学习数据。第一识别器51的输出表示对是否采用作为利用于机器学习的学习数据进行了判定的结果,所述机器学习用于习得判定制品良否的能力。因此,学习数据生成装置1基于从第一识别器51获得的输出,来判定是否采用各件第二图像数据125来作为学习数据。
并且,学习数据生成装置1对于被判定为学习数据的第二图像数据125赋予第二正解数据126,所述第二正解数据126是基于第一正解数据123而决定,且表示对映照在第二图像数据125中的制品的良否判定的正解。由此,学习数据生成装置1生成学习用数据集127,所述学习用数据集127包含第二图像数据125及第二正解数据126的对。
另一方面,本实施方式的第一学习装置2是构成为构建在学习数据生成装置1中利用的第一识别器51的计算机。具体而言,第一学习装置2通过实施利用学习用数据集(后述的第一学习用数据集222)的机器学习,从而构建习得了判定是否采用所给予的图像数据来作为学习数据的能力的、学习完成的第一识别器51,所述学习用数据集包含图像数据(后述的图像数据2221)、及表示是否采用所述图像数据来作为学习数据的判定的正解的正解数据(后述的采用与否数据2222)的组合。
而且,本实施方式的第二学习装置3是构成为构建在检查装置4中利用的第二识别器54的计算机。具体而言,第二学习装置3通过实施利用多件学习用数据集的机器学习,从而构建习得了判定制品良否的能力的、学习完成的第二识别器54,所述多件学习用数据集包含由学习数据生成装置1所生成的学习用数据集127。因此,由学习数据生成装置1及第二学习装置3来构成构建第二识别器54的识别器生成系统。
与此相对,本实施方式的检查装置4是构成为利用由第二学习装置3所构建的第二识别器54来判定制品R的良否的计算机。具体而言,检查装置4获取映照有作为检查对象的制品R的对象图像数据422。本实施方式中,检查装置4连接于摄像机81,通过所述摄像机81来拍摄制品R,由此来获取对象图像数据422。并且,检查装置4将所获取的对象图像数据422输入至第二识别器54,由此,从第二识别器54获得输出。第二识别器54的输出表示对制品R的良否进行了判定的结果。因此,检查装置4基于从第二识别器54获得的输出,来判定映照在对象图像数据422中的制品R的良否。
如上所述,本实施方式中,通过学习数据生成装置1,对第一图像数据122适用规定的变换处理,由此,能够量产作为学习数据的候选的第二图像数据125,因此能够以低成本来准备足够件数的学习用数据集。除此以外,基于第一识别器51的判定结果,能够避免将不适合作为学习数据的第二图像数据125利用于机器学习,所述学习数据用于习得判定制品良否的能力。因此,根据本实施方式,能够以低成本来准备利用于机器学习的足够件数的适当的学习用数据集,所述机器学习用于习得判定制品良否的能力。由此,第二学习装置3中,通过实施利用所准备的足够件数的学习用数据集的机器学习,能够构建判定制品良否的精度相对较高的第二识别器54。因此,根据本实施方式,能够以低成本来生成良否判定精度相对较高的第二识别器54。
另外,作为外观检查对象的制品R也可无特别限定,可根据实施方式来适当选择。制品R例如可为电子零件、汽车零件等在制造线上受到搬送的物品。电子零件例如为底座、贴片式电容器、液晶、继电器的绕组等。汽车零件例如为连杆、轴、发动机机体、电动车窗开关、仪表板等。而且,良否判定既可为简单地判定制品R是否存在缺陷,也可除了判定制品R是否存在缺陷以外,还包含对所述缺陷的种类进行识别的操作。缺陷例如为划痕、污垢、裂纹、撞击痕、灰尘、毛刺、颜色不均等。
§2结构例
[硬件结构]
<学习数据生成装置>
接下来,使用图2来说明本实施方式的学习数据生成装置1的硬件结构的一例。图2示意性地例示本实施方式的学习数据生成装置1的硬件结构的一例。
如图2所示,本实施方式的学习数据生成装置1是由控制部11、存储部12、通信接口13、输入装置14、输出装置15及驱动器16电连接而成的计算机。另外,图2中,将通信接口记作“通信I/F”。
控制部11包含作为硬件处理器的中央处理器(Central Processing Unit,CPU)、随机存取存储器(Random Access Memory,RAM)、只读存储器(Read Only Memory,ROM)等,且构成为,基于程序及各种数据来执行信息处理。存储部12是存储器的一例,例如包含硬盘驱动器(hard disk drive)、固态硬盘(solid state drive)等。本实施方式中,存储部12存储生成程序121、第一图像数据122、第一正解数据123、第二图像数据125、第二正解数据126、第一学习结果数据129等各种信息。
生成程序121是用于使学习数据生成装置1执行后述的信息处理(图10)的程序,所述信息处理是由第一图像数据122生成可利用于机器学习的多件第二图像数据125,所述机器学习用于习得判定制品良否的能力。生成程序121包含所述信息处理的一连串命令。第一图像数据122是作为生成第二图像数据125的基础的图像数据。第一正解数据123表示对映照在第一图像数据122中的制品的良否判定的正解。各件第二图像数据125是由第一图像数据122而生成。各件第二正解数据126表示对映照在各件第二图像数据125中的制品的良否判定的正解。第一学习结果数据129是用于进行第一识别器51的设定的数据。详情将后述。
通信接口13例如是有线局域网(Local Area Network,LAN)模块、无线LAN模块等,是用于进行经由网络的有线或无线通信的接口。学习数据生成装置1通过利用所述通信接口13,从而能够与其他信息处理装置(例如第一学习装置2、第二学习装置3)进行经由网络的数据通信。
输入装置14例如是鼠标、键盘等用于进行输入的装置。而且,输出装置15例如是显示器、扬声器等用于进行输出的装置。操作员通过利用输入装置14及输出装置15,从而能够操作学习数据生成装置1。
驱动器16例如是光盘(Compact Disk,CD)驱动器、数字多功能光盘(DigitalVersatile Disk,DVD)驱动器等,是用于读取存储在存储介质91中的程序的驱动器装置。驱动器16的种类可根据存储介质91的种类来适当选择。所述生成程序121、第一图像数据122、第一正解数据123及第一学习结果数据129中的至少任一个也可存储在所述存储介质91中。
存储介质91是通过电、磁、光学、机械或化学作用来保存所述程序等信息,以便计算机或其他装置、机械等能够读取所记录的程序等信息的介质。学习数据生成装置1也可从所述存储介质91获取所述生成程序121、第一图像数据122、第一正解数据123及第一学习结果数据129中的至少任一个。
此处,图2中,作为存储介质91的一例,例示了CD、DVD等碟型的存储介质。但是,存储介质91的种类并不限定于碟型,也可为碟型以外。作为碟型以外的存储介质,例如可列举快闪存储器(flash memory)等半导体存储器。
另外,关于学习数据生成装置1的具体的硬件结构,可根据实施方式来适当地进行构成元件的省略、替换及追加。例如,控制部11也可包含多个硬件处理器。硬件处理器可包含微处理器、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、数字信号处理器(DigitalSignal Processor,DSP)等。存储部12也可包含控制部11中所含的RAM及ROM。通信接口13、输入装置14、输出装置15及驱动器16的至少任一者也可予以省略。学习数据生成装置1也可包含多台计算机。此时,各计算机的硬件结构既可一致,也可不一致。而且,学习数据生成装置1除了专为所提供的服务设计的信息处理装置以外,还可为通用的服务器(server)装置、个人计算机(Personal Computer,PC)等。
<第一学习装置>
接下来,使用图3来说明本实施方式的第一学习装置2的硬件结构的一例。图3示意性地例示本实施方式的第一学习装置2的硬件结构的一例。
如图3所示,本实施方式的第一学习装置2是由控制部21、存储部22、通信接口23、输入装置24、输出装置25及驱动器26电连接而成的计算机。另外,图3中,与图2同样地,将通信接口记作“通信I/F”。
第一学习装置2的控制部21~驱动器26各自可与所述学习数据生成装置1的控制部11~驱动器16分别同样地构成。即,控制部21包含作为硬件处理器的CPU、RAM、ROM等,且构成为,基于程序及数据来执行各种信息处理。存储部22例如包含硬盘驱动器(harddiskdrive)、固态硬盘(solid state drive)等。存储部22存储采用与否学习程序221、第一学习用数据集222、第一学习结果数据129等各种信息。
采用与否学习程序221是如下所述的程序,即,用于使第一学习装置2执行构建第一识别器51的后述的机器学习的信息处理(图11),作为其结果,生成第一学习结果数据129。采用与否学习程序221包含所述信息处理的一连串命令。第一学习用数据集222被利用于第一识别器51的机器学习。详情将后述。
通信接口23例如是有线LAN模块、无线LAN模块等,是用于进行经由网络的有线或无线通信的接口。第一学习装置2通过利用所述通信接口23,从而能够与其他信息处理装置(例如学习数据生成装置1)进行经由网络的数据通信。
输入装置24例如是鼠标、键盘等用于进行输入的装置。而且,输出装置25例如是显示器、扬声器等用于进行输出的装置。操作员通过利用输入装置24及输出装置25,从而能够操作第一学习装置2。
驱动器26例如是CD驱动器、DVD驱动器等,是用于读取存储在存储介质92中的程序的驱动器装置。所述采用与否学习程序221及第一学习用数据集222中的至少任一个也可被存储在存储介质92中。而且,第一学习装置2也可从存储介质92中获取所述采用与否学习程序221及第一学习用数据集222中的至少任一个。
另外,关于第一学习装置2的具体的硬件结构,可根据实施方式来适当地进行构成元件的省略、替换及追加。例如,控制部21也可包含多个硬件处理器。硬件处理器可包含微处理器、FPGA、DSP等。存储部22也可包含控制部21中所含的RAM及ROM。通信接口23、输入装置24、输出装置25及驱动器26的至少任一者也可予以省略。第一学习装置2也可包含多台计算机。此时,各计算机的硬件结构既可一致,也可不一致。而且,第一学习装置2除了专为所提供的服务而设计的信息处理装置以外,也可为通用的服务器装置、通用的PC等。
<第二学习装置>
接下来,使用图4来说明本实施方式的第二学习装置3的硬件结构的一例。图4示意性地例示本实施方式的第二学习装置3的硬件结构的一例。
如图4所示,本实施方式的第二学习装置3是由控制部31、存储部32、通信接口33、输入装置34、输出装置35及驱动器36电连接而成的计算机。另外,图4中,与图2同样地,将通信接口记作“通信I/F”。
第二学习装置3的控制部31~驱动器36各自可与所述学习数据生成装置1的控制部11~驱动器16分别同样地构成。即,控制部31包含作为硬件处理器的CPU、RAM、ROM等,且构成为,基于程序及数据来执行各种信息处理。存储部32例如包含硬盘驱动器、固态硬盘等。存储部32存储学习程序321、第二学习用数据集322、第二学习结果数据323等各种信息。
学习程序321是如下所述的程序,即,用于使第二学习装置3执行构建第二识别器54的后述的机器学习的信息处理(图12),作为其结果,生成第二学习结果数据323。学习程序321包含所述信息处理的一连串命令。第二学习用数据集322被利用于第二识别器54的机器学习。详情将后述。
通信接口33例如是有线LAN模块、无线LAN模块等,是用于进行经由网络的有线或无线通信的接口。第二学习装置3通过利用所述通信接口33,能够与其他信息处理装置(例如学习数据生成装置1、检查装置4)进行经由网络的数据通信。
输入装置34例如是鼠标、键盘等用于进行输入的装置。而且,输出装置35例如是显示器、扬声器等用于进行输出的装置。操作员通过利用输入装置34及输出装置35,从而能够操作第二学习装置3。
驱动器36例如是CD驱动器、DVD驱动器等,是用于读取存储在存储介质93中的程序的驱动器装置。所述学习程序321及第二学习用数据集322中的至少任一个也可被存储在存储介质93中。而且,第二学习装置3也可从存储介质93中获取所述学习程序321及第二学习用数据集322中的至少任一个。
另外,关于第二学习装置3的具体的硬件结构,可根据实施方式来适当地进行构成元件的省略、替换及追加。例如,控制部31也可包含多个硬件处理器。硬件处理器可包含微处理器、FPGA、DSP等。存储部32也可包含控制部31中所含的RAM及ROM。通信接口33、输入装置34、输出装置35及驱动器36的至少任一者也可予以省略。第二学习装置3也可包含多台计算机。此时,各计算机的硬件结构既可一致,也可不一致。而且,第二学习装置3除了专为所提供的服务而设计的信息处理装置以外,也可为通用的服务器装置、通用的PC等。
<检查装置>
接下来,使用图5来说明本实施方式的检查装置4的硬件结构的一例。图5示意性地例示本实施方式的检查装置4的硬件结构的一例。
如图5所示,本实施方式的检查装置4是由控制部41、存储部42、通信接口43、外部接口44、输入装置45、输出装置46及驱动器47电连接而成的计算机。另外,图5中,将通信接口及外部接口分别记作“通信I/F”及“外部I/F”。
检查装置4的控制部41~通信接口43及输入装置45~驱动器47各自可与所述学习数据生成装置1的控制部11~驱动器16分别同样地构成。即,控制部41包含作为硬件处理器的CPU、RAM、ROM等,且构成为,基于程序及数据来执行各种信息处理。存储部42例如包含硬盘驱动器、固态硬盘等。存储部42存储检查程序421、第二学习结果数据323等各种信息。
检查程序421是用于使检查装置4执行后述的信息处理(图13)的程序,所述信息处理是利用第二识别器54来判定映照在对象图像数据422中的制品R的良否。检查程序421包含所述信息处理的一连串命令。第二学习结果数据323是用于进行第二识别器54的设定的数据。详情将后述。
通信接口43例如是有线LAN模块、无线LAN模块等,是用于进行经由网络的有线或无线通信的接口。检查装置4通过利用所述通信接口43,从而能够与其他信息处理装置(例如第二学习装置3)进行经由网络的数据通信。
外部接口44例如是通用串行总线(Universal Serial Bus,USB)端口、专用端口等,是用于与外部装置连接的接口。外部接口44的种类及数量可根据所连接的外部装置的种类及数量来适当选择。本实施方式中,检查装置4经由外部接口44而连接于摄像机81。
摄像机81被利用于通过拍摄制品R来获取对象图像数据422。摄像机81的种类及配置场所也可无特别限定,可根据实施方式来适当决定。对于摄像机81,例如可利用数字摄像机、摄影机等公知的摄像机。而且,摄像机81可配置在搬送制品R的制造线附近。另外,在摄像机81包括通信接口的情况下,检查装置4也可并非经由外部接口44,而是经由通信接口43连接于摄像机81。
输入装置45例如是鼠标、键盘等用于进行输入的装置。而且,输出装置46例如是显示器、扬声器等用于进行输出的装置。操作员通过利用输入装置45及输出装置46,从而能够操作检查装置4。
驱动器47例如是CD驱动器、DVD驱动器等,是用于读取存储在存储介质94中的程序的驱动器装置。所述检查程序421及第二学习结果数据323中的至少任一个也可被存储在存储介质94中。而且,检查装置4也可从存储介质94中获取所述检查程序421及第二学习结果数据323中的至少任一个。
另外,关于检查装置4的具体的硬件结构,可根据实施方式来适当地进行构成元件的省略、替换及追加。例如,控制部41也可包含多个硬件处理器。硬件处理器可包含微处理器、FPGA、DSP等。存储部42也可包含控制部41中所含的RAM及ROM。通信接口43、外部接口44、输入装置45、输出装置46及驱动器47的至少任一者也可予以省略。检查装置4也可包含多台计算机。此时,各计算机的硬件结构既可一致,也可不一致。而且,检查装置4除了专为所提供的服务而设计的信息处理装置以外,还可使用通用的服务器装置、通用的桌面型PC、笔记型PC、平板PC、包含智能电话的移动电话等。
[软件结构]
<学习数据生成装置>
接下来,使用图6来说明本实施方式的学习数据生成装置1的软件结构的一例。图6示意性地例示本实施方式的学习数据生成装置1的软件结构的一例。
学习数据生成装置1的控制部11将存储在存储部12中的生成程序121展开到RAM中。并且,控制部11通过CPU来解释及执行在RAM中展开的生成程序121中所含的命令,从而控制各构成元件。由此如图6所示,本实施方式的学习数据生成装置1作为包括数据获取部111、第一生成部112、判定部113及第二生成部114作为软件模块的计算机而运行。即,本实施方式中,各软件模块是通过控制部11(CPU)来实现。
数据获取部111获取映照有制品的第一图像数据122以及第一正解数据123,所述第一正解数据123表示对映照在第一图像数据122中的制品的良否判定的正解。第一生成部112通过对第一图像数据122适用规定的变换处理,从而由第一图像数据122生成分别映照有制品的多件第二图像数据125。
判定部113包含学习完成的第一识别器51,所述学习完成的第一识别器51进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习。判定部113基于通过对所述第一识别器51输入各件第二图像数据125而从所述第一识别器51获得的输出,来判定是否采用各件第二图像数据125来作为学习数据。
第二生成部114对被判定为采用作为利用于机器学习的学习数据的第二图像数据125赋予第二正解数据126,所述机器学习用于习得判定制品良否的能力。第二正解数据126是基于第一正解数据123而决定,且表示对映照在第二图像数据125中的制品的良否判定的正解。由此,第二生成部114生成学习用数据集127,所述学习用数据集127包含第二图像数据125及第二正解数据126的对。
(识别器)
接下来,对第一识别器51的结构进行说明。如图6所示,第一识别器51包含神经网络。具体而言,第一识别器51包含所谓的卷积神经网络,包括卷积层511、池化(pooling)层512、全结合层513及输出层514。
卷积神经网络是具有将卷积层及池化层交替地连接而成的结构的前向传播型神经网络。本实施方式的第一识别器51中,在输入侧交替地配置有多个卷积层511及池化层512。并且,配置在最靠输出侧的池化层512的输出被输入至全结合层513,全结合层513的输出被输入至输出层514。
卷积层511是进行图像的卷积的运算的层。所谓图像的卷积,相当于算出图像与规定的过滤器的相关的处理。因此,通过进行图像的卷积,例如能够从所输入的图像中检测与过滤器的浓淡图形类似的浓淡图形。
池化层512是进行池化处理的层。池化处理将图像的对过滤器的响应强的位置的信息局部舍弃,实现图像内出现的特征相对于微小的位置变化的响应的不变性。
全结合层513是将邻接的层之间的神经元全部结合的层。即,全结合层513中所含的各神经元结合至邻接的层中所含的所有神经元。全结合层513也可包含两层以上。而且,全结合层513中所含的神经元的个数可根据实施方式来适当设定。
输出层514是配置在第一识别器51的最靠输出侧的层。输出层514中所含的神经元的个数可根据对是否采用作为学习数据进行判定的结果的输出格式来适当设定。另外,第一识别器51的结构也可不限定于此例,可根据实施方式来适当设定。
对于各层511~514中所含的各神经元设定有阈值,基本上,根据各输入与各权重之积的和是否超过阈值来决定各神经元的输出。判定部113对第一识别器51的配置在最靠输入侧的卷积层511输入第二图像数据125,从输入侧起依序进行各层中所含的各神经元的点燃判定。由此,判定部113从输出层514获取与判定是否采用所输入的第二图像数据125来作为学习数据的结果对应的输出值。
另外,表示此种第一识别器51的结构(神经网络的层数、各层中的神经元的个数、神经元彼此的结合关系、各神经元的传递函数)、各神经元间的结合的权重、及各神经元的阈值的信息被包含在第一学习结果数据129中。判定部113参照第一学习结果数据129来进行学习完成的第一识别器51的设定。
<第一学习装置>
接下来,使用图7来说明本实施方式的第一学习装置2的软件结构的一例。图7示意性地例示本实施方式的第一学习装置2的软件结构的一例。
第一学习装置2的控制部21将存储在存储部22中的采用与否学习程序221展开到RAM中。并且,控制部21通过CPU来解释及执行在RAM中展开的采用与否学习程序221中所含的命令,从而控制各构成元件。由此如图7所示,本实施方式的第一学习装置2构成为包括第一学习数据获取部211及第一学习处理部212来作为软件模块的计算机。即,本实施方式中,各软件模块是通过控制部21(CPU)来实现。
第一学习数据获取部211获取分别包含图像数据2221及采用与否数据2222的组合的多件第一学习用数据集222,所述图像数据2221映照有制品,所述采用与否数据2222表示是否采用图像数据2221来作为学习数据的判定的正解。图像数据2221被用作采用与否判定的学习数据(训练数据),采用与否数据2222被用作教学数据(正解数据)。图像数据2221是本发明的“第五图像数据”的一例。采用与否数据2222是本发明的“第三正解数据”的一例。
第一学习处理部212利用所获取的各件第一学习用数据集222来实施神经网络52的机器学习。即,第一学习处理部212进行神经网络52的学习处理,以使其在输入图像数据2221时,输出与采用与否数据2222对应的输出值。
神经网络52是作为学习对象的学习模型,是学习前的第一识别器51。神经网络52是与所述第一识别器51同样地构成。即,神经网络52包括卷积层521、池化层522、全结合层523及输出层524。各层521~524是与所述第一识别器51的各层511~514同样地构成。
第一学习处理部212通过神经网络的学习处理来使神经网络52进行学习,以使其在对配置在最靠输入侧的卷积层521输入图像数据2221时,从输出层524输出与采用与否数据2222对应的输出值。由此,第一学习处理部212能够构建学习完成的第一识别器51,所述学习完成的第一识别器51习得了判定是否采用所给予的图像数据来作为学习数据的能力。第一学习处理部212将表示学习后的神经网络52(即,第一识别器51)的结构、各神经元间的结合的权重、及各神经元的阈值的信息作为第一学习结果数据129而保存到存储部22中。
<第二学习装置>
接下来,使用图8来说明本实施方式的第二学习装置3的软件结构的一例。图8示意性地例示本实施方式的第二学习装置3的软件结构的一例。
第二学习装置3的控制部31将存储在存储部32中的学习程序321展开到RAM中。并且,控制部31通过CPU来解释及执行在RAM中展开的学习程序321中所含的命令,从而控制各构成元件。由此如图8所示,本实施方式的第二学习装置3构成为包括第二学习数据获取部311及第二学习处理部312来作为软件模块的计算机。即,本实施方式中,各软件模块是通过控制部31(CPU)来实现。
第二学习数据获取部311获取分别包含图像数据3221及正解数据3222的组合的多件第二学习用数据集322,所述图像数据3221映照有制品,所述正解数据3222表示对映照在图像数据3221中的制品的良否判定的正解。图像数据3221被用作制品的良否判定的学习数据(训练数据),正解数据3222被用作教学数据。
多件第二学习用数据集322包含由学习数据生成装置1所生成的学习用数据集127。即,至少一部分第二学习用数据集322的图像数据3221是所述第二图像数据125,正解数据3222是所述第二正解数据126。而且,成为生成学习用数据集127的基础的第一图像数据122及第一正解数据123的组合(数据集)也可为从多件第二学习用数据集322中选择的第二学习用数据集322。
另外,第二学习数据获取部311也可将第二学习用数据集322作为量产源数据集(第一图像数据122及第一正解数据123)而发送至学习数据生成装置1,使其生成多件学习用数据集127。由此,第二学习数据获取部311接收所生成的多件学习用数据集127来作为第二学习用数据集322,由此,能够增加利用于机器学习的第二学习用数据集322的件数。
第二学习处理部312利用所获取的各件第二学习用数据集322来实施神经网络53的机器学习。即,第二学习处理部312进行神经网络53的学习处理,以使其在输入图像数据3221时,输出与正解数据3222对应的输出值。第二学习处理部312是本发明的“学习处理部”的一例。
神经网络53是作为学习对象的学习模型,是学习前的第二识别器54。本实施方式中,神经网络53(及第二识别器54)是所谓的卷积神经网络。所述神经网络53可与所述第一识别器51同样地构成。即,神经网络53包括卷积层531、池化层532、全结合层533及输出层534。各层531~534可与所述第一识别器51的各层511~514同样地构成。但是,神经网络53的结构也可不与第一识别器51一致。例如,神经网络53的层数、各层中的神经元的个数及神经元彼此的结合关系也可与第一识别器51不同。
第二学习处理部312通过神经网络的学习处理来使神经网络53进行学习,以使其在对配置在最靠输入侧的卷积层531输入图像数据3221时,从输出层534输出与正解数据3222对应的输出值。由此,第二学习处理部312能够构建学习完成的第二识别器54,所述学习完成的第二识别器54习得了判定映照在对象图像数据中的制品的良否的能力。第二学习处理部312将表示学习后的神经网络53(即,第二识别器54)的结构、各神经元间的结合的权重及各神经元的阈值的信息作为第二学习结果数据323而保存到存储部32中。
<检查装置>
接下来,使用图9来说明本实施方式的检查装置4的软件结构的一例。图9示意性地例示本实施方式的检查装置4的软件结构的一例。
检查装置4的控制部41将存储在存储部42中的检查程序421展开到RAM中。并且,控制部41通过CPU来解释及执行在RAM中展开的检查程序421中所含的命令,从而控制各构成元件。由此如图9所示,本实施方式的检查装置4构成为包括对象数据获取部411、良否判定部412及输出部413来作为软件模块的计算机。即,本实施方式中,各软件模块是通过控制部41(CPU)来实现。
对象数据获取部411获取映照有作为检查对象的制品R的对象图像数据422。本实施方式中,对象数据获取部411通过摄像机81来拍摄制品R,由此来获取对象图像数据422。良否判定部412包含学习完成的第二识别器54,所述学习完成的第二识别器54习得了判定映照在对象图像数据中的制品的良否的能力。良否判定部412利用第二识别器54来判定映照在对象图像数据422中的制品R的良否。
具体而言,良否判定部412参照第二学习结果数据323来进行学习完成的第二识别器54的设定。接下来,良否判定部412将所获取的对象图像数据422输入至第二识别器54而执行第二识别器54的运算处理,由此,从第二识别器54获取输出值。并且,良否判定部412基于从第二识别器54获取的输出值,来判定映照在对象图像数据422中的制品R的良否。输出部413输出判定制品R的良否的结果,即,外观检查的结果。
另外,如上所述,本实施方式的第二识别器54包含所谓的卷积神经网络,与所述神经网络53同样地构成。即,第二识别器54包括卷积层541、池化层542、全结合层543及输出层534。各层541~544是与所述神经网络53的各层531~534同样地构成。
<其他>
关于学习数据生成装置1、第一学习装置2、第二学习装置3以及检查装置4的各软件模块,将在后述的运行例中进行详细说明。另外,本实施方式中,对学习数据生成装置1、第一学习装置2、第二学习装置3以及检查装置4的各软件模块均通过通用的CPU来实现的示例进行了说明。但是,以上的软件模块的一部分或全部也可通过一个或多个专用的处理器来实现。而且,关于学习数据生成装置1、第一学习装置2、第二学习装置3以及检查装置4各自的软件结构,也可根据实施方式来适当地进行软件模块的省略、替换及追加。
§3运行例
[第一学习数据生成装置]
接下来,使用图10来说明本实施方式的学习数据生成装置1的运行例。图10是例示本实施方式的学习数据生成装置1的处理流程的一例的流程图。以下说明的处理流程是学习数据生成方法的一例。但是,以下说明的处理流程不过是一例,各处理可尽可能变更。而且,对于以下说明的处理流程,可根据实施方式来适当地进行步骤的省略、替换及追加。
(步骤S101)
步骤S101中,控制部11作为数据获取部111而运行,获取第一图像数据122及第一正解数据123,所述第一正解数据123表示对映照在第一图像数据122中的制品的良否判定的正解。
获取第一图像数据122及第一正解数据123的方法也可无特别限定,可根据实施方式来适当决定。例如,准备摄像机,通过所准备的摄像机,对与作为检查对象的制品R同种且有缺陷或无缺陷的制品进行拍摄。由此,能够获取映照有表现出良否的制品的第一图像数据122。并且,针对所获得的第一图像数据122,适当获取第一正解数据123,所述第一正解数据123表示映照在所述第一图像数据122中的制品所表现出的良否(正解)。由此,能够制作第一图像数据122及第一正解数据123的组合(数据集)。
所述第一图像数据122及第一正解数据123的组合的制作也可由学习数据生成装置1来进行。此时,控制部11也可根据操作员对输入装置14的操作来制作第一图像数据122及第一正解数据123的组合。而且,控制部11也可通过生成程序121的处理来自动制作第一图像数据122及第一正解数据123的组合。通过执行所述制作处理,在本步骤S101中,控制部11能够获取第一图像数据122及第一正解数据123的组合。
或者,第一图像数据122及第一正解数据123的组合的制作例如也可由第二学习装置3等学习数据生成装置1以外的其他信息处理装置来进行。其他信息处理装置中,第一图像数据122及第一正解数据123的组合既可由操作员手动制作,也可通过程序的处理而自动制作。此时,本步骤S101中,控制部11也可经由网络、存储介质91等,来获取由其他信息处理装置所制作的第一图像数据122及第一正解数据123的组合。
而且,此时,第一图像数据122及第一正解数据123的组合也可为从在第二学习装置3中利用的多件第二学习用数据集322选择的第二学习用数据集322。多件第二学习用数据集322既可被保存在第二学习装置3的存储部22中,也可被保存在网路附加存储器(NetworkAttached Storage,NAS)等外部的存储装置中。此时,本步骤S101中,控制部11能够经由网络、存储介质91等,而从第二学习装置3、外部的存储装置等存储区域获取第一图像数据122及第一正解数据123的组合。
当第一图像数据122及第一正解数据123的组合(数据集)的获取完成时,控制部11将处理推进至下个步骤S102。另外,本步骤S101中,也可获取多件数据集。在获取了多件数据集的情况下,控制部11对于各件数据集执行以后的步骤S102~步骤S104。
(步骤S102)
步骤S102中,控制部11作为第一生成部112而运行,对在步骤S101中获取的第一图像数据122适用规定的变换处理。由此,控制部11由第一图像数据122生成分别映照有制品的多件第二图像数据125。
规定的变换处理可根据实施方式来适当选择。例如,规定的变换处理可从光度变换处理、几何变换处理、图像合成处理、图像替换处理及它们的组合中选择。另外,所谓光度变换处理,是指对图像的辉度等的亮度进行变换的处理,例如是明亮度的变换处理等。明亮度的变换处理是对第一图像数据122的至少一部分像素值进行变更的处理。所谓几何变换处理,是指对图像的空间坐标进行变换的处理,例如是仿射变换、射影变换等。仿射变换是可对第一图像数据122的至少一部分进行线性变换及平行移动的处理。图像合成是将噪声等规定的图像合成到第一图像数据122的至少一部分的区域中。图像替换是将第一图像数据122的至少一部分区域替换为其他图像。对于这些变换处理,也可利用通过机器学习而构建的变换器。
通过这些变换处理,能够由第一图像数据122生成与所述第一图像数据122不完全一致的第二图像数据125。控制部11一边适当变更变换处理的参数(例如要变换的明亮度的量、仿射变换的变换矩阵的各值等),一边对第一图像数据122反复适用所述变换处理。所述变换处理的参数的值既可由多个模板预先给予,也可随机或者按照规定的规则适当变更。
由此,控制部11能够生成各不相同的多件第二图像数据125。所生成的第二图像数据125的件数可根据实施方式来适当决定。所生成的各件第二图像数据125成为利用于机器学习的学习数据的候选,所述机器学习用于习得判定制品良否的能力。当多件第二图像数据125的生成完成时,控制部11将处理推进至下个步骤S103。
(步骤S103)
步骤S103中,控制部11作为判定部113而运行,基于通过将在步骤S102中生成的各件第二图像数据125输入至第一识别器51而从所述第一识别器51获得的输出,来判定是否采用各件第二图像数据125来作为学习数据。
本实施方式中,控制部11参照第一学习结果数据129来进行学习完成的第一识别器51的设定。继而,控制部11将各件第二图像数据125输入至第一识别器51,执行第一识别器51的运算处理。由此,控制部11从第一识别器51获取输出值。
具体而言,控制部11将在步骤S102中生成的各件第二图像数据125输入至第一识别器51的配置在最靠输入侧的卷积层511。并且,控制部11从输入侧起依序进行各层511~514中所含的各神经元的点燃判定。由此,控制部11从输出层514获取与判定是否采用各件第二图像数据125来作为学习数据的结果对应的输出值。
并且,控制部11基于从输出层514获取的输出值来判定是否采用各件第二图像数据125来作为学习数据。此处,从输出层514获得的输出值的格式可根据实施方式来适当选择。例如,从输出层514获得的输出值也可以二值来表示是否采用作为学习数据。此时,控制部11根据从输出层514获得的输出值,能够确定是否采用作为对象的第二图像数据125来作为学习数据。而且,例如,从输出层514获得的输出值也可以连续值来表示适合或不适合作为学习数据的程度。此时,控制部11通过将从输出层514获得的输出值与阈值进行比较,能够判定是否采用作为对象的第二图像数据125来作为学习数据。由此,当是否采用各件第二图像数据125来作为学习数据的判定完成时,控制部11将处理推进至下个步骤S104。
(步骤S104)
步骤S104中,控制部11作为第二生成部114而运行,对被判定为采用作为利用于机器学习的学习数据的第二图像数据125赋予第二正解数据126,所述机器学习用于习得判定制品良否的能力。
第二正解数据126被适当设定为,表示对映照在第二图像数据125中的制品的良否判定的正解。本实施方式中,由第二正解数据126所示的正解是基于第一正解数据123而决定。例如,在即使适用了步骤S102中的变换处理,但制品所表现的良否状态无变更的情况下,控制部11也可将第一正解数据123直接用作第二正解数据126。
而且,例如,各正解数据(123,126)也可像表示有缺陷的部位等那样,以可通过所述规定的变换处理而变化的值来表示制品的良否。此时,控制部11也可通过对第一正解数据123的值适用所述规定的变换处理来导出第二正解数据126的值。
而且,通过在步骤S102中适用的变换处理,例如可能存在下述情况,即:像缺陷部位的图像被无缺陷的图像覆盖等那样,在第一图像数据122与第二图像数据125之间,制品所表现的良否状态发生变化(例如调换)。此时,控制部11也可基于在步骤S102中适用的规定的变换处理来判定由第一正解数据123所示的正解是否发生变化,并基于所述判定的结果来决定第二正解数据126的内容。
根据以上,控制部11能够生成学习用数据集127,所述学习用数据集127包含映照有制品的第二图像数据125以及第二正解数据126的对,所述第二正解数据126表示对映照在第二图像数据125中的制品的良否判定的正解。控制部11也可对被判定为采用作为学习数据的多件第二图像数据125进行收集,并对所收集的各件第二图像数据125赋予第二正解数据126,由此生成包含多件学习用数据集127的学习用数据群。
另外,赋予第二正解数据126的形态可根据实施方式来适当选择。例如,也可对每一件第二图像数据125赋予一件第二正解数据126。而且,也可对于对制品良否判定的正解相同的多件第二图像数据125统一赋予一件第二正解数据126。此时,也可进行下述处理:将正解相同的多件第二图像数据125汇总成群组,由此来赋予一件第二正解数据126。
学习用数据集127的生成完成后,控制部11将所生成的学习用数据集127保存到规定的存储区域。规定的存储区域既可为存储部12,也可为NAS等外部的存储区域。而且,控制部11也可将所生成的学习用数据集127分发给第二学习装置3。由此,当所生成的学习用数据集127的保存处理完成时,控制部11结束本运行例的处理。
另外,控制部11也可重复步骤S101~步骤S104的一连串处理,直至所生成的学习用数据集127的件数超过阈值为止。此时,作为生成第二图像数据125的基础的第一图像数据122既可在每当重复一连串处理时变更,也可在至少规定次数的重复中共同利用。在共同利用第一图像数据122的情况下,步骤S101的处理可予以省略。
而且,被判定不采用作为学习数据的第二图像数据125的处理可根据实施方式来适当决定。例如,控制部11也可删除被判定为不采用作为学习数据的第二图像数据125。而且,例如,在学习数据生成装置1包括显示器来作为输出装置15的情况下,控制部11也可将被判定为不采用作为学习数据的第二图像数据125显示于显示器。由此,控制部11也可受理是将第二图像数据125用作学习数据还是予以删除的选择。此时,操作员通过操作输入装置14,便能够选择将由第一识别器51判定为不用作学习数据的第二图像数据125用作学习数据还是予以删除。
[第一学习装置]
接下来,使用图11来说明本实施方式的第一学习装置2的运行例。图11是例示本实施方式的第一学习装置2的处理流程的一例的流程图。但是,以下说明的处理流程不过是一例,各处理可尽可能变更。而且,对于以下说明的处理流程,可根据实施方式来适当地进行步骤的省略、替换及追加。
(步骤S201)
步骤S201中,控制部21作为第一学习数据获取部211而运行,获取包含图像数据2221及采用与否数据2222的组合的多件第一学习用数据集222。
获取第一学习用数据集222的方法也可无特别限定,可根据实施方式来适当决定。例如,准备摄像机,通过所准备的摄像机,对与作为检查对象的制品R同种且有缺陷或无缺陷的制品进行拍摄。也可利用由此而获得的拍摄图像数据来作为图像数据2221。而且,也可利用第二学习用数据集322中所含的图像数据3221来作为图像数据2221。进而,也可通过对拍摄图像数据或图像数据3221适用所述规定的变换处理而生成图像数据2221。
并且,针对所获得的图像数据2221来组合采用与否数据2222,由此,能够制作第一学习用数据集222,所述采用与否数据2222表示是否采用所述图像数据2221来作为利用于机器学习的学习数据的正解,所述机器学习用于习得判定制品良否的能力。通过重复所述制作,能够制作多件第一学习用数据集222。
另外,采用与否数据2222的数据格式可配合第一识别器51的输出(即,从输出层514获得的输出值)的格式来适当决定。例如,采用与否数据2222也可被设定为,以二值来表示是否采用作为学习数据。而且,例如,采用与否数据2222可被适当设定为,以连续值来表示适合或不适合作为学习数据的程度。作为一个指标,设定为:作为映照有制品的图像越不自然的图像数据2221,则采用与否数据2222越表示不采用作为学习数据。另一方面,设定为:作为映照有制品的图像越自然的图像数据2221,采用与否数据2222越表示采用作为学习数据。所谓作为映照有制品的图像不自然,例如是指制品的像已变形为现实中不可能的程度、映照有制品的区域模糊到无法判别的程度等并非由摄像机拍摄所得的通常图像的状态。不自然的程度可适当决定。
所述第一学习用数据集222的制作也可由第一学习装置2来进行。此时,控制部21也可根据操作员对输入装置24的操作来制作多件第一学习用数据集222。而且,控制部21也可通过采用与否学习程序221的处理来自动制作多件第一学习用数据集222。通过执行所述制作处理,在本步骤S201中,控制部21也可获取多件第一学习用数据集222。
或者,第一学习用数据集222的制作也可由第一学习装置2以外的其他信息处理装置来进行。其他信息处理装置中,多件第一学习用数据集222既可由操作员手动制作,也可通过程序的处理而自动制作。此时,本步骤S201中,控制部21也可经由网络、存储介质92等而获取由其他信息处理装置所制作的第一学习用数据集222。
所获取的第一学习用数据集222的件数也可无特别限定,例如,可适当决定为能够实施第一识别器51的机器学习的程度。由此,当多件第一学习用数据集222的获取完成时,控制部21将处理推进至下个步骤S202。
(步骤S202)
步骤S202中,控制部21作为第一学习处理部212而运行,执行利用所获取的各件第一学习用数据集222的机器学习。本实施方式中,控制部21使用各件第一学习用数据集222来执行神经网络52的机器学习,以使其在对卷积层521输入图像数据2221时,从输出层524输出与由采用与否数据2222所示的正解对应的输出值。
具体而言,首先,控制部21准备作为进行学习处理的对象的神经网络52(学习前的第一识别器51)。所准备的神经网络52的结构、各神经元间的结合权重的初始值、各神经元的阈值的初始值等各参数既可由模板来给予,也可通过操作员的输入来给予。在进行再学习的情况下,控制部21也可基于作为进行再学习的对象的第一学习结果数据129来准备学习前的神经网络52。
接下来,控制部21使用在步骤S201中获取的各件第一学习用数据集222中所含的图像数据2221来作为输入数据,使用采用与否数据2222来作为教学数据,执行神经网络52的学习处理。对于所述神经网络52的学习处理,可使用随机梯度下降法等。
例如,控制部21对配置在最靠输入侧的卷积层521输入图像数据2221,从输入侧起依序进行各层521~524中所含的各神经元的点燃判定。由此,控制部21从输出层524获得输出值。接下来,控制部21算出从输出层524获得的输出值、与跟由采用与否数据2222所示的正解对应的值的误差。继而,控制部21通过误差反向传播(Back propagation)法,使用所算出的输出值的误差,来算出各神经元间的结合的权重及各神经元的阈值各自的误差。并且,控制部21基于所算出的各误差,进行各神经元间的结合的权重及各神经元的阈值各自的值的更新。
对于各件第一学习用数据集222,控制部21重复所述一连串处理,直至通过对配置在最靠输入侧的卷积层521输入图像数据2221而从输出层524获得的输出值、和与跟所输入的图像数据2221相关联的采用与否数据2222所示的正解对应的值一致为止。由此,控制部21能够构建学习完成的神经网络52(即,第一识别器51),所述学习完成的神经网络52(即,第一识别器51)在输入图像数据2221时,输出与由采用与否数据2222所示的采用与否的正解对应的输出值。当神经网络52的学习处理完成时,控制部21将处理推进至下个步骤S203。
(步骤S203)
步骤S203中,控制部21作为第一学习处理部212而运行,将表示通过机器学习而构建的学习后的神经网络52(即,第一识别器51)的结构、各神经元间的结合的权重、及各神经元的阈值的信息作为第一学习结果数据129而保存到存储部22中。由此,控制部21结束本运行例的处理。
另外,控制部21也可在所述步骤S203的处理完成后,将所制作的第一学习结果数据129转发给学习数据生成装置1。而且,控制部21也可通过定期执行所述步骤S201~步骤S203的学习处理来更新第一学习结果数据129。并且,控制部21也可在学习处理的每次执行时将所制作的第一学习结果数据129转发给学习数据生成装置1,由此来定期更新学习数据生成装置1所保持的第一学习结果数据129。而且,例如,控制部21也可将所制作的第一学习结果数据129保存到NAS等外部的存储区域中。此时,学习数据生成装置1也可从所述外部的存储区域获取第一学习结果数据129。而且,第一学习结果数据129也可被预先装入学习数据生成装置1中。
[第二学习装置]
接下来,使用图12来说明本实施方式的第二学习装置3的运行例。图12是例示本实施方式的第二学习装置3的处理流程的一例的流程图。但是,以下说明的处理流程不过是一例,各处理可尽可能变更。而且,对于以下说明的处理流程,可根据实施方式来适当地进行步骤的省略、替换及追加。
(步骤S301)
步骤S301中,控制部31作为第二学习数据获取部311而运行,获取包含图像数据3221及正解数据3222的组合的多件第二学习用数据集322。
获取第二学习用数据集322的方法也可无特别限定,可根据实施方式来适当决定。各件第二学习用数据集322可利用与获取所述第一图像数据122及第一正解数据123的组合的方法同样的方法而获取。即,控制部31既可根据操作员对输入装置34的操作来制作各件第二学习用数据集322,也可通过学习程序321的处理来自动制作各件第二学习用数据集322。或者,控制部31也可经由网络、存储介质93等来获取由其他信息处理装置所制作的第二学习用数据集322。
而且,所获取的第二学习用数据集322的至少一部分是由学习数据生成装置1所制作的学习用数据集127。控制部31也可经由网络、存储介质93等而获取由学习数据生成装置1所制作的学习用数据集127来作为第二学习用数据集322。而且,控制部31也可获取被利用于学习用数据集127的生成的第一图像数据122及第一正解数据123的组合来作为第二学习用数据集322。
另外,正解数据3222的数据格式可配合第二识别器54的输出格式来适当决定。例如,正解数据3222也可被设定为,以二值来表示制品的良否。而且,例如,正解数据3222也可被设定为,以连续值来表示制品为良品(即,无缺陷)的概率或制品存在缺陷的概率。而且,例如,正解数据3222也可被设定为,表示制品的良否或缺陷的种类的指标(index)。而且,例如,正解数据3222也可被设定为,表示存在缺陷的部位等。
所获取的第二学习用数据集322的件数也可无特别限定,例如,可适当决定为能够实施第二识别器54的机器学习的程度。由此,当多件第二学习用数据集322的获取完成时,控制部31将处理推进至下个步骤S302。
(步骤S302)
步骤S302中,控制部31作为第二学习处理部312而运行,实施利用多件第二学习用数据集322的机器学习,所述多件第二学习用数据集322包含由学习数据生成装置1所生成的学习用数据集127。本实施方式中,控制部31使用各件第二学习用数据集322来执行神经网络53的机器学习,以使其在将图像数据3221输入至卷积层531时,从输出层534输出与由正解数据3222所示的正解对应的输出值。由此,控制部31构建习得了判定制品良否的能力的学习完成的第二识别器54。
机器学习的方法可与所述步骤S202同样。控制部31准备作为进行学习处理的对象的神经网络53(学习前的第二识别器54)。并且,控制部31使用在步骤301中获取的各件第二学习用数据集322中所含的图像数据3221来作为输入数据,使用正解数据3222来作为教学数据,执行神经网络53的学习处理。
由此,控制部31能够构建学习完成的神经网络53(即,第二识别器54),所述学习完成的神经网络53(即,第二识别器54)在对配置在最靠输入侧的卷积层531输入图像数据3221时,从输出层534输出与由跟所输入的图像数据3221相关联的正解数据3222所示的正解对应的输出值。当神经网络53的学习处理完成时,控制部31将处理推进至下个步骤S303。
(步骤S303)
步骤S303中,控制部31作为第二学习处理部312而运行,将表示通过机器学习而构建的学习后的神经网络53(即,第二识别器54)的结构、各神经元间的结合的权重、及各神经元的阈值的信息作为第二学习结果数据323而保存到存储部32中。由此,控制部31结束本运行例的处理。
另外,控制部31也可在所述步骤S303的处理完成后,将所制作的第二学习结果数据323转发给检查装置4。而且,控制部31也可通过定期执行所述步骤S301~步骤303的学习处理来更新第二学习结果数据323。并且,控制部31也可在学习处理的每次执行时将所制作的第二学习结果数据323转发给检查装置4,由此来定期更新检查装置4所保持的第二学习结果数据323。而且,例如,控制部31也可将所制作的第二学习结果数据323保存到NAS等外部的存储区域中。此时,检查装置4也可从所述外部的存储区域获取第二学习结果数据323。而且,第二学习结果数据323也可被预先装入检查装置4。
进而,控制部31也可利用评估用数据集来评估所构建的第二识别器54的判定性能。评估用数据集可与第二学习用数据集322同样地构成。即,评估用数据集可包含映照有制品的图像数据及正解数据的组合,所述正解数据表示对映照在图像数据中的制品的良否判定的正解。控制部31如后述的步骤S402那样,利用第二识别器54来判定映照在评估用数据集的图像数据中的制品的良否。控制部31对所述判定结果与由正解数据所示的正解进行对比,由此,能够评估第二识别器54的判定性能。
若所述第二识别器54的判定性能为规定的基准以下(例如,正答率为阈值以下),则控制部31也可将从多件第二学习用数据集322选择的一件或多件第二学习用数据集322发送至学习数据生成装置1。并且,控制部31也可利用所发送的第二学习用数据集322来作为第一图像数据122及第一正解数据123的组合,对学习数据生成装置1进行生成多件学习用数据集127的请求。与此相应地,通过接收由学习数据生成装置1所生成的多件学习用数据集127,控制部31能够增加利用于机器学习的第二学习用数据集322的件数。
[检查装置]
接下来,使用图13来说明检查装置4的运行例。图13是例示检查装置4的处理流程的一例的流程图。但是,以下说明的处理流程不过是一例,各处理可尽可能变更。而且,对于以下说明的处理流程,可根据实施方式来适当地进行步骤的省略、替换及追加。
(步骤S401)
步骤S401中,控制部41作为对象数据获取部411而运行,获取映照有作为检查对象的制品R的对象图像数据422。本实施方式中,检查装置4经由外部接口44而连接于摄像机81。因此,控制部41从摄像机81获取对象图像数据422。所述对象图像数据422既可为动态图像数据,也可为静态图像数据。当获取对象图像数据422时,控制部41将处理推进至下个步骤S402。
但是,获取对象图像数据422的途径也可不限定于此例,可根据实施方式来适当选择。例如,也可将与检查装置4不同的其他信息处理装置连接于摄像机81。此时,控制部41也可通过从其他信息处理装置受理对象图像数据422的发送,从而获取对象图像数据422。
(步骤S402)
步骤S402中,控制部41作为良否判定部412而运行,利用第二识别器54来判定映照在对象图像数据422中的制品R的良否。
具体而言,控制部41参照第二学习结果数据323来进行学习完成的第二识别器54的设定。继而,控制部41对第二识别器54的配置在最靠输入侧的卷积层541输入对象图像数据422,从输入侧起依序进行各层541~544中所含的各神经元的点燃判定。由此,控制部41从输出层544获取与判定映照在对象图像数据422中的制品R的良否的结果对应的输出值。
并且,控制部41基于从第二识别器54的输出层544获取的输出值,来判定映照在对象图像数据422中的制品R的良否。判定制品R的良否的方法可根据第二识别器54的输出格式来适当决定。例如,在从第二识别器54获得的输出值是以二值来表示制品R的良否的情况下,控制部41能够根据从第二识别器54获得的输出值来判定制品R的良否。而且,例如在从第二识别器54获得的输出值是以连续值来表示制品R为良品的概率或制品R存在缺陷的概率的情况下,控制部41通过对从第二识别器54获得的输出值与阈值进行比较,从而能够判定制品R的良否。而且,例如在从第二识别器54获得的输出值表示存在缺陷的部位的情况下,控制部41能够基于从第二识别器54获得的输出值来判定映照在对象图像数据422中的制品R的良否,并且在存在缺陷的情况下,能够确定所述缺陷的部位。
而且,例如在从第二识别器54获得的输出值表示制品R的良否或缺陷的种类的指标的情况下,检查装置4但也可将使从第二识别器54获得的输出值与制品R的良否或缺陷的种类相关联的表格式等的参照信息(未图示)保持在存储部42中。此时,控制部41通过参照所述参照信息,便能够根据从第二识别器54获得的输出值来判定映照在对象图像数据422中的制品R的良否。
根据以上,控制部41能够利用第二识别器54来判定映照在对象图像数据422中的制品R的良否。当制品R的良否判定完成时,控制部41将处理推进至下个步骤S403。
(步骤S403)
步骤S403中,控制部41作为输出部413而运行,输出通过步骤S402来判定制品R的良否的结果。
判定制品R的良否的结果的输出格式也可无特别限定,可根据实施方式来适当选择。例如,控制部41也可将判定制品R的良否的结果直接输出至输出装置46。而且,在步骤S402中判定为制品R存在缺陷的情况下,控制部41也可进行用于告知发现了缺陷的警告以作为本步骤S403的输出处理。而且,控制部41也可执行与判定制品R的良否的结果相应的规定的控制处理,以作为本步骤S403的输出处理。作为具体例,在进行制品搬送的制造线连接有检查装置4的情况下,当判定为制品R存在缺陷时,控制部41也可进行对制造线发送以与无缺陷的制品不同的路径来搬送存在缺陷的制品R的指令的处理,以作为本步骤403的输出处理。
当判定制品R的良否的结果的输出处理完成时,控制部41结束本运行例的处理。另外,控制部41也可每当在制造线上受到搬送的制品R进入摄像机81的拍摄范围时,执行步骤S401~步骤S403的一连串处理。由此,检查装置4能够进行在制造线上受到搬送的制品R的外观检查。
[特征]
如上所述,根据本实施方式的学习数据生成装置1,通过所述步骤S102的处理,对第一图像数据122适用规定的变换处理,从而能够量产作为学习数据的候选的第二图像数据125。除此以外,学习数据生成装置1通过所述步骤S103的处理,能够避免将所量产的多件第二图像数据125中的、不适合作为学习数据的第二图像数据125利用于机器学习,所述学习数据用于习得判定制品良否的能力。因此,根据本实施方式的学习数据生成装置1,通过利用步骤S104而生成的学习用数据集127来增加第二学习用数据集322的件数,由此,能够以低成本来准备足够件数的适当的第二学习用数据集322。由此,第二学习装置3中,通过步骤S301~步骤S303的处理,实施利用所准备的足够件数的第二学习用数据集322的机器学习,由此,能够构建判定制品良否的精度相对较高的第二识别器54。因此,根据本实施方式,能够以低成本来生成良否判定精度相对较高的第二识别器54。
§4变形例
以上,详细说明了本发明的实施方式,但直至前述为止的说明在所有方面不过是本发明的例示。当然能够在不脱离本发明的范围的情况下进行各种改良或变形。例如,能够进行如下所述的变更。另外,以下,关于与所述实施方式同样的构成元件,使用同样的符号,关于与所述实施方式同样的点,适当省略说明。以下的变形例能适当组合。
<4.1>
所述实施方式中,各识别器(51,54)包含卷积神经网络。但是,各识别器(51,54)的结构也可不限定于此例,可根据实施方式来适当选择。例如,各识别器(51,54)可包含多层结构的全连接神经网络、递归神经网络等。
<4.2>
所述实施方式中,作为各识别器(51,54)的学习模型,采用了神经网络。但是,各识别器(51,54)的学习模型也可不限定于此例,可根据实施方式来适当选择。作为各识别器(51,54)的学习模型,例如可采用支持向量机、自组织映射、通过强化学习来进行机器学习的学习模型等。
另外,在不采用有教学学习来作为机器学习的情况下,在各学习用数据集(222,322)中,各正解数据(2222,3222)也可予以省略。此时,所述步骤S101中,学习数据生成装置1的控制部11也可省略第一正解数据123的获取,而仅获取映照有制品的第一图像数据122。而且,步骤S104中,控制部11也可省略第二正解数据126的赋予,对被判定为采用作为学习数据的第二图像数据125进行收集,由此来生成包含被判定为采用作为学习数据的多件第二图像数据125的学习用数据群。第二学习装置3也可将所述学习用数据群利用于机器学习,以构建第二识别器54。
<4.3>
所述实施方式中,各学习结果数据(129,323)包含表示神经网络的结构的信息。但是,各学习结果数据(129,323)的结构也可不限定于此例,只要可利用于学习完成的各识别器(51,54)的设定,则可根据实施方式来适当决定。例如,在所利用的神经网络的结构在各装置中共用化的情况下,各学习结果数据(129,323)也可不包含表示神经网络的结构的信息。
<4.4>
所述实施方式中,检查系统100包含构成第一识别器51的第一学习装置2。但是,第一识别器51可包含检查系统100外部的信息处理装置。此时,检查系统100中,第一学习装置2也可予以省略。
<4.5>
所述实施方式中,学习数据生成装置1的控制部11在步骤S104中,基于第一正解数据123来设定第二正解数据126的内容。但是,对第二正解数据126的内容进行设定的方法也可不限于此例。例如,控制部11也可经由输入装置14来受理操作员所进行的第二正解数据126的内容的输入。此时,作为供操作员决定第二正解数据126的内容的参考,控制部11也可经由输出装置15来输出第二图像数据125及第一正解数据123的至少一者。
<4.6>
所述实施方式中,第一识别器51是通过利用第一学习用数据集222的机器学习而构建,所述第一学习用数据集222包含图像数据2221及采用与否数据2222的组合。但是,构建第一识别器51的方法也可不限定于此例。
[结构例]
首先,使用图14来说明以与所述实施方式不同的方法来构建第一识别器的第一学习装置2A的结构的一例。图14示意性地例示本变形例的第一学习装置2A的软件结构的一例。本变形例的第一学习装置2A具有与所述第一学习装置2同样的硬件结构。即,第一学习装置2A是由控制部21、存储部22、通信接口23、输入装置24、输出装置25及驱动器26电连接而成的计算机。
如图14所示,第一学习装置2A通过控制部21来执行程序,由此,作为包括第一学习数据获取部211A及第一学习处理部212A作为软件模块的计算机而运行。即,本变形例中,与所述实施方式同样,各软件模块也是通过控制部21(CPU)来实现。
第一学习数据获取部221A获取包含多件图像数据2223的图像数据群222A。图像数据2223是本发明的“第三图像数据”的一例。第一学习处理部212A实施生成模型61及识别模型62各自的机器学习。生成模型61进行机器学习,以相对于图像数据群222A而生成类似于图像数据2223的图像数据611。图像数据611是本发明的“第四图像数据”的一例。另一方面,识别模型62进行机器学习,以识别是来源于生成模型61的图像数据611,还是来源于图像数据群222A的图像数据2223。
包含生成模型61及识别模型
62的网络交替地实施各模型(61,62)的机器学习。即,生成模型61反复进行机器学习,以生成与识别模型62误识别的图像数据2223类似的图像数据611。与此相对,识别模型62进行机器学习,以对由经反复机器学习的生成模型61所生成的图像数据611与来源于图像数据群222A的图像数据2223进行识别。
生成模型61及识别模型62例如包含神经网络。第一学习处理部212A将所述网络中的所构建的识别模型62作为第一识别器予以保存。即,第一学习处理部212A将表示学习后的识别模型62的结构、各神经元间的结合的权重、及各神经元的阈值的信息作为第一学习结果数据129而保存到存储部22中。
[运行例]
接下来,使用图15来说明本变形例的第一学习装置2A的运行例。图15是例示本变形例的第一学习装置2A的处理流程的一例的流程图。但是,以下说明的处理流程不过是一例,各处理可尽可能变更。而且,对于以下说明的处理流程,可根据实施方式来适当地进行步骤的省略、替换及追加。
(步骤S501)
步骤S501中,控制部21作为第一学习数据获取部211A而运行,获取包含多件图像数据2223的图像数据群222A。各件图像数据2223可通过与所述第一图像数据122同样的方法而获取。当获取图像数据群222A时,控制部21将处理推进至下个步骤S502。
(步骤S502)
步骤S502中,控制部21进行生成模型61的机器学习。如上所述,生成模型61包含神经网络。例如,控制部21利用无意义的数据(例如噪声)来作为输入数据,利用图像数据群222A中所含的图像数据2223来作为教学数据,以进行生成模型61的机器学习。即,控制部21实施生成模型61的机器学习,以使其输入噪声时,输出与图像数据2223对应的图像数据。机器学习的方法可与所述步骤S202同样。由此,生成模型61被构建为,相对于图像数据群222A而生成与图像数据2223类似的图像数据611。当生成模型61的机器学习完成时,控制部21将处理推进至下个步骤S503。
(步骤S503)
步骤S503中,控制部21进行识别模型62的机器学习。如上所述,识别模型62包含神经网络。例如,控制部21生成包含图像数据2223与正解数据的组合的数据集,所述图像数据2223被包含在图像数据群222A中,所述正解数据表示所述图像数据2223来源于图像数据群222A(即为真)。而且,控制部21生成包含图像数据611与正解数据的组合的数据集,所述图像数据611是由生成模型61所生成,所述正解数据表示所述图像数据611来源于生成模型61(即为伪)。
并且,控制部21利用图像数据2223或图像数据611来作为输入数据,利用与各图像数据(2223,611)相关联的正解数据来作为教学数据,进行识别模型62的机器学习。即,控制部21实施识别模型62的机器学习,以使其在输入各图像数据(2223,611)时,输出与跟各图像数据(2223,611)相关联的正解数据对应的值。机器学习的方法可与所述步骤S202同样。由此,识别模型62被构建为,识别是来源于生成模型61的图像数据611,还是来源于图像数据群222A的图像数据2223。当识别模型62的机器学习完成时,控制部21将处理推进至下个步骤S504。
(步骤S504)
步骤S504中,控制部21判定是否重复步骤S502及S503的机器学习的处理。重复机器学习的处理的基准可根据实施方式来适当决定。例如,也可对实施步骤S502及S503的机器学习的次数进行设定。此时,控制部21判定实施步骤S502及S503的机器学习的次数是否已达到设定次数。若判定为实施步骤S502及S503的机器学习的次数尚未达到设定次数,则控制部21将处理返回步骤S502。另一方面,若判定为实施步骤S502及步骤S503的机器学习的次数已达到设定次数,则控制部21将处理推进至下个步骤S505。
由此,生成模型61及识别模型62彼此交替地进行机器学习。在此过程中,生成模型61被构建为,生成与识别模型62误识别的图像数据2223类似的图像数据611。另一方面,识别模型62被构建为,对由经反复机器学习的生成模型61所生成的图像数据611与来源于图像数据群222A的图像数据2223进行识别。即,生成模型61被构建为,能够生成与图像数据2223更为近似的图像数据611,识别模型62被构建为,能够对此种图像数据611与图像数据2223进行识别。
(步骤S505)
步骤S505中,控制部21作为第一学习处理部212A而运行,将通过反复进行步骤S502及S503的处理而构建的网络中的识别模型62作为第一识别器予以保存。即,控制部21将表示学习后的识别模型62的结构、各神经元间的结合的权重、及各神经元的阈值的信息作为第一学习结果数据129而保存到存储部22中。由此,控制部21结束本运行例的处理。
另外,本变形例中,第一识别器(识别模型62)的输出表示判定是来源于生成模型61的图像数据611还是来源于图像数据群222A的图像数据2223的结果。其中,判定为来源于生成模型61的图像数据611对应于判定为不采用作为学习数据。另一方面,判定为来源于图像数据群222A的图像数据2223对应于判定为采用作为学习数据。即,根据本变形例,能够构建第一识别器,所述第一识别器判定为不采用由噪声所生成的疑似的图像数据611来作为学习数据。因此,通过利用所述第一识别器,能够从由第一图像数据122所生成的多件第二图像数据125提取适合作为学习数据的第二图像数据125。因此,根据本变形例,与所述实施方式同样地,能够以低成本来准备足够件数的适当的第二学习用数据集322,因此能够以低成本来生成良否判定精度相对较高的第二识别器54。
<4.7>
所述实施方式中,表示了将本发明适用于进行制品R的外观检查的场景。但是,本发明的适用范围也可不限于此种外观检查的场景。本发明可广泛适用于对映照在图像数据中的被摄物的特征进行识别的所有场景。
使用图16及图17来说明将本发明适用于对被摄物的特征进行识别的场景的变形例。图16及图17示意性地例示本变形例的图像识别装置4B的硬件结构及软件结构的一例。本变形例的图像识别系统包含所述学习数据生成装置1、第一学习装置2、第二学习装置3及图像识别装置4B。除了作为处理对象的数据由映照有制品的图像数据替换为某些被摄物的图像数据以外,本变形例的图像识别系统可与所述检查系统100同样地构成。
即,学习数据生成装置1生成利用于机器学习的学习用数据集,所述机器学习使识别器习得对被摄物的特征进行识别的能力。第一学习装置2构建习得了下述能力的学习完成的第一识别器,即,判定是否采用所给予的图像数据来作为机器学习的学习数据,所述机器学习用于习得对被摄物的特征进行识别的能力。本变形例的第一识别器可与所述实施方式的第一识别器51同样地构成。
第二学习装置3通过实施利用由学习数据生成装置1所生成的学习用数据集的机器学习,从而构建习得了对被摄物的特征进行识别的能力的学习完成的第二识别器54B。本变形例的第二识别器54B可与所述实施方式的第二识别器54同样地构成。图像识别装置4B利用第二识别器54B来识别映照在对象图像数据422B中的被摄物的特征。
本变形例中,被摄物及作为识别对象的被摄物的特征各自也可无特别限定,可根据实施方式来适当选择。被摄物例如可为对象者的脸部、对象者的身体、作业对象工件等。而且,在被摄物为对象者的脸部的情况下,作为识别对象的特征例如可为表情的种类、脸部的部位的状态等。在被摄物为对象者的身体的情况下,作为识别对象的特征例如可为身体的姿势等。在被摄物为作业对象工件的情况下,作为识别对象的特征例如可为工件的位置、姿势等。
如图16所示,本变形例的图像识别装置4B具有与所述检查装置4同样的硬件结构。图像识别装置4B的存储部42存储图像识别程序421B、第二学习结果数据323B等各种信息。图像识别程序421B是用于通过与所述检查装置4同样的处理流程来使图像识别装置4B执行对被摄物的特征进行识别的信息处理的程序,包含所述信息处理的一连串命令。第二学习结果数据323B是用于进行第二识别器54B的设定的数据。
图像识别装置4B与所述检查装置4同样地,经由外部接口44而连接于摄像机81。摄像机81被适当配置在可对作为识别特征的对象的被摄物进行拍摄的场所。例如,在被摄物为对象者的脸部或身体的情况下,摄像机81可被配置在可能存在作为被摄物的对象者的场所。而且,例如,在被摄物为作业对象工件的情况下,摄像机81可朝向可能存在工件的场所而配置。
如图17所示,图像识别装置4B通过控制部41来执行图像识别程序421B,由此,作为包括对象数据获取部411、识别部412B及输出部413作为软件模块的计算机而运行。即,本变形例中,与所述实施方式同样,各软件模块也是通过控制部41(CPU)来实现。
对象数据获取部411获取对象图像数据422B,所述对象图像数据422B映照有作为识别特征的对象的被摄物。识别部412B基于通过将所获取的对象图像数据422B输入至第二识别器54B而从第二识别器54B获得的输出,来识别映照在对象图像数据422B中的被摄物的特征。输出部413输出对被摄物的特征进行识别的结果。
[运行例]
接下来,对本变形例的图像识别系统的运行例进行说明。本变形例的图像识别系统以与所述检查系统100大致同样的处理流程而运行。
<学习数据生成装置>
学习数据生成装置1的控制部11在步骤S101中,作为数据获取部111而运行,获取映照有规定的被摄物的第一图像数据、及第一正解数据,所述第一正解数据表示对映照在第一图像数据中的被摄物的特征识别的正解。另外,在第二识别器54B中采用神经网络以外的学习模型而不实施有教学学习来作为机器学习等、不需要第一正解数据的情况下,第一正解数据的获取可予以省略。
步骤S102中,控制部11作为第一生成部112而运行,通过对第一图像数据适用规定的变换处理,由第一图像数据生成分别映照有被摄物的多件第二图像数据。规定的变换处理例如可从光度变换处理、几何变换处理、图像合成处理、图像替换处理及它们的组合中选择。
步骤S103中,控制部11作为判定部113而运行,基于通过对学习完成的第一识别器输入各件第二图像数据而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据。
由此,能够排除由第一图像数据所生成的多件第二图像数据中的、作为映照有被摄物的图像不自然的第二图像数据。在映照在第一图像数据中的被摄物为对象者的脸部的情况下,例如能够排除映照有变形为在现实中不可能的程度的脸部的第二图像数据、无法确定对象者的脸部的第二图像数据等。
步骤S104中,控制部11作为第二生成部114而运行,对被判定为采用作为机器学习的学习数据的第二图像数据,赋予第二正解数据,所述机器学习用于习得对被摄物的特征进行识别的能力,所述第二正解数据是基于第一正解数据而决定,且表示对映照在第二图像数据中的被摄物的特征识别的正解。由此,控制部11生成包含第二图像数据及第二正解数据的对的学习用数据集。
另外,控制部11也可对被判定为采用作为学习用数据的多件第二图像数据进行收集,对所收集的各件第二图像数据赋予第二正解数据,由此来生成包含多件学习用数据集的学习用数据群。而且,与所述第一正解数据同样,在不需要第二正解数据的情况下,第二正解数据的赋予可予以省略。此时,控制部11也可对被判定为采用作为学习数据的第二图像数据进行收集,由此来生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件第二图像数据。
<第一学习装置>
第一学习装置2的控制部21通过所述步骤S201~步骤S203的处理,来构建习得了下述能力的学习完成的第一识别器,即,是否采用所给予的图像数据来作为机器学习的学习数据,所述机器学习用于习得对被摄物的特征进行识别的能力。
即,步骤S201中,控制部21作为第一学习数据获取部211而运行,获取分别包含图像数据及采用与否数据的组合的多件第一学习用数据集,所述图像数据可能映照有被摄物,所述采用与否数据表示是否采用图像数据来作为学习数据的判定的正解。步骤S202及步骤S203中,控制部21作为第一学习处理部212而运行,通过利用多件第一学习用数据集的机器学习来构建第一识别器,将表示所构建的第一识别器的结构等的信息作为第一学习结果数据而保存到存储部22中。
另外,本变形例的第一识别器与所述<4.6>的变形例同样,可包含识别模型62。此时,对于所述图像数据2223,使用映照有作为识别特征的对象的被摄物的图像数据。
<第二学习装置>
第二学习装置3的控制部31通过所述步骤S301~步骤S303的处理,来构建习得了下述能力的学习完成的第二识别器54B,即,对映照在对象图像数据中的被摄物的特征进行识别。
即,步骤S301中,控制部31作为第二学习数据获取部311而运行,获取分别包含图像数据与正解数据的组合的多件第二学习用数据集,所述图像数据映照有对象被摄物,所述正解数据表示对映照在图像数据中的被摄物的特征识别的正解。多件第二学习用数据集的至少一部分是由学习数据生成装置1所生成的学习用数据集。
步骤S302中,控制部31作为第二学习处理部312而运行,通过实施利用多件第二学习用数据集的机器学习,从而构建习得了对被摄物的特征进行识别的能力的、学习完成的第二识别器54B。并且,步骤S303中,控制部31作为第二学习处理部312而运行,将表示所构建的第二识别器54B的结构等的信息作为第二学习结果数据323B而保存到存储部32中。
<图像识别装置>
图像识别装置4B的控制部41在步骤S401中,作为对象数据获取部411而运行,获取对象图像数据422B,所述对象图像数据422B映照有作为识别特征的对象的被摄物。本变形例中,控制部41从摄像机81获取对象图像数据422B。
步骤S402中,控制部41作为识别部412B而运行,参照第二学习结果数据323B来进行学习完成的第二识别器54B的设定。继而,控制部41将通过步骤S401而获取的对象图像数据422B输入至第二识别器54B,执行第二识别器54B的运算处理。由此,控制部41从第二识别器54B获取与对映照在对象图像数据422B中的被摄物的特征进行识别的结果对应的输出值。控制部41基于从第二识别器54B获取的输出值来识别映照在对象图像数据422B中的被摄物的特征。
步骤S403中,控制部41作为输出部413而运行,输出对映照在对象图像数据422B中的被摄物的特征进行识别的结果。对被摄物的特征进行识别的结果的输出格式也可无特别限定,可根据实施方式来适当选择。例如,控制部41也可将对被摄物的特征进行识别的结果直接输出至输出装置46。而且,例如,控制部41也可根据识别结果来执行规定的输出处理。作为具体例,在识别对象者的表情的种类以作为被摄物的特征的情况下,当识别为对象者的脸部愤怒时,控制部11也可从输出装置46朝向对象者输出使其冷静的音乐。
根据以上,本变形例中,通过由学习数据生成装置1所生成的学习用数据集来使第二学习用数据集的件数增加,由此,能够以低成本来准备足够件数的适当的第二学习用数据集。由此,第二学习装置3中,通过实施利用所准备的足够件数的第二学习用数据集的机器学习,能够构建对被摄物的特征进行识别的精度相对较高的第二识别器54B。因此,根据本实施方式,能够以低成本来生成被摄物特征的识别精度相对较高的第二识别器54B。
<4.8>
所述实施方式及变形例中,表示了将本发明适用于从图像数据识别某些特征的场景的示例。但是,本发明的可适用范围也可不限于此种从图像数据识别特征的场景。本发明能够广泛适用于从图像数据以外的数据或多种数据识别某些特征的场景。
[结构例]
使用图18~图22来说明将本发明适用于对数据中所含的特征进行识别的场景的变形例。图18示意性地例示本变形例的学习数据生成装置1C的软件结构的一例。图19示意性地例示本变形例的第一学习装置2C的软件结构的一例。图20示意性地例示本变形例的第二学习装置3C的软件结构的一例。图21及图22示意性地例示本变形例的识别装置4C的硬件结构及软件结构的一例。本变形例的识别系统包含学习数据生成装置1C、第一学习装置2C、第二学习装置3C及识别装置4C。除了作为处理对象的数据由映照有制品的图像数据替换为包含某些特征的其他种类的数据以外,本变形例的识别系统可与所述检查系统100同样地构成。
<学习数据生成装置>
本变形例的学习数据生成装置1C具有与所述学习数据生成装置1同样的硬件结构。即,学习数据生成装置1C是由控制部11、存储部12、通信接口13、输入装置14、输出装置15及驱动器16电连接而成的计算机。学习数据生成装置1C的存储部12存储第一学习结果数据129C等的各种信息。
第一学习结果数据129C是用于进行学习完成的第一识别器51C的设定的数据,所述学习完成的第一识别器51C进行了机器学习,所述机器学习用于判定是否采用所给予的数据来作为学习数据。第一识别器51C是与所述实施方式同样地,包含神经网络。第一识别器51C例如可包含多层结构的全连接神经网络、递归神经网络等。
如图18所示,学习数据生成装置1C作为包括数据获取部111、第一生成部112、判定部113及第二生成部114作为软件模块的计算机而运行。除了从映照有制品的图像数据替换为包含某些特征的其他种类的数据以外,数据获取部111、第一生成部112、判定部113、及第二生成部114分别与所述实施方式同样地运行。
本变形例中,作为处理对象的数据也可包含可成为识别器的分析对象的所有种类的数据,例如除了图像数据以外,可为声音数据(语音数据)、数值数据、文本数据、来自其他传感器的输出数据等。而且,从对象数据识别的特征也可包含可从数据识别的所有特征。在对象数据为声音数据的情况下,所识别的特征例如也可为是否包含特定的声音(例如机械的异响)等。在对象数据为活动量等与生物数据相关的数值数据或文本数据的情况下,所识别的特征例如也可为对象者的状态(例如是否健康)等。在对象数据为机械的驱动量等数值数据或文本数据的情况下,所识别的特征例如也可为机械的状态(例如机械是否处于规定的状态)等。
<第一学习装置>
本变形例的第一学习装置2C具有与所述第一学习装置2同样的硬件结构。即,第一学习装置2C是由控制部21、存储部22、通信接口23、输入装置24、输出装置25及驱动器26电连接而成的计算机。第一学习装置2C构建在学习数据生成装置1C中利用的、进行了机器学习的学习完成的第一识别器51C,所述机器学习用于判定是否采用所给予的数据来作为学习数据。
如图19所示,第一学习装置2C构成为包括第一学习数据获取部211及第一学习处理部212作为软件模块的计算机。除了从映照有制品的图像数据替换为包含某些特征的其他种类的数据以外,第一学习数据获取部211及第一学习处理部212分别与所述实施方式同样地运行。
<第二学习装置>
本变形例的第二学习装置3C具有与所述第二学习装置3同样的硬件结构。即,第二学习装置3C是由控制部31、存储部32、通信接口33、输入装置34、输出装置35及驱动器36电连接而成的计算机。第二学习装置3C通过实施利用由学习数据生成装置1C所生成的学习数据的机器学习,从而构建习得了从对象数据识别特征的能力的、学习完成的第二识别器54C。
如图20所示,第二学习装置3C构成为包括第二学习数据获取部311及第二学习处理部312作为软件模块的计算机。除了从映照有制品的图像数据替换为包含某些特征的其他种类的数据以外,第二学习数据获取部311及第二学习处理部312分别与所述实施方式同样地运行。
<识别装置>
如图21所示,本变形例的识别装置4C具有与所述检查装置4同样的硬件结构。识别装置4C的存储部42存储识别程序421C、第二学习结果数据323C等各种信息。识别程序421C是用于通过与所述检查装置4同样的处理流程,来使识别装置4C执行对于对象数据中所含的特征进行识别的信息处理的程序,包含所述信息处理的一连串命令。第二学习结果数据323C是用于进行学习完成的第二识别器54C的设定的数据。
本变形例中,识别装置4C经由外部接口44而连接于测量装置81C。测量装置81C适当构成为,可获取对象数据。测量装置81C的种类可根据处理对象数据来适当决定。在处理对象数据为声音数据的情况下,测量装置81C例如为麦克风等。在处理对象数据为生物数据的情况下,测量装置81C例如是活动量计、血压计等构成为可测量生物信息的装置。而且,在处理对象数据为机械的驱动量等数值数据或文本数据的情况下,测量装置81C例如是编码器等可测定对象物理量的装置。测量装置81C的配置可根据实施方式来适当决定。
如图22所示,识别装置4C通过控制部41来执行识别程序421C,由此,作为包括对象数据获取部411、识别部412C及输出部413作为软件模块的计算机而运行。即,本变形例中,与所述实施方式同样,各软件模块也是通过控制部41(CPU)来实现。
对象数据获取部411获取对象数据422C,所述对象数据422C包含作为要识别的对象的特征。识别部412C基于通过将所获取的对象数据422C输入至第二识别器54C而从第二识别器54C获得的输出,来识别对象数据422C中所含的特征。输出部413输出对特征进行识别的结果。
[运行例]
接下来,对本变形例的识别系统的运行例进行说明。本变形例的识别系统是以与所述检查系统100大致同样的处理流程而运行。
<学习数据生成装置>
学习数据生成装置1C的控制部11在步骤S101中,作为数据获取部111而运行,获取包含规定特征的第一数据122C、及第一正解数据123C,所述第一正解数据123C表示对第一数据122C中所含的特征的识别的正解。第一数据122C可适当获取。例如,在作为处理对象的数据为声音数据的情况下,准备麦克风,通过所准备的麦克风,对可能包含作为要识别的对象的特征的声音数据进行录音。由此,能够获取第一数据122C。另外,在第二识别器54C中采用神经网络以外的学习模型而不实施有教学学习来作为机器学习等不需要第一正解数据123C的情况下,第一正解数据123C的获取可予以省略。
步骤S102中,控制部11作为第一生成部112而运行,通过对第一数据122C适用规定的变换处理,从而由第一数据122C来生成多件第二数据125C。规定的变换处理可根据实施方式来适当选择。在第一数据122C为声音数据的情况下,规定的变换处理例如可从时间伸长、变调、掩蔽、振幅变换、噪声等规定声音的合成及它们的组合中选择。时间伸长是在保持声音的音调的状态下变更拍子(tempo)(持续时间)的处理。变调是在保持声音的拍子的状态下变更音调的处理。掩蔽是对特定部分的声音进行变换(例如去除)的处理。而且,在第一数据122C为数值数据或文本数据的情况下,规定的变换处理例如可从噪声等规定数据的合成、特定部分的数据的变换及它们的组合中选择。
步骤S103中,控制部11作为判定部113而运行,参照第一学习结果数据129C来进行学习完成的第一识别器51C的设定。并且,控制部11基于通过对学习完成的第一识别器51C输入各件第二数据125C而从第一识别器51C获得的输出,来判定是否采用各件第二数据125C来作为学习数据。
由此,能够排除由第一数据122C所生成的多件第二数据125C中的、作为包含特征的数据不自然的第二数据125C。在第一数据122C为声音数据,且将机械异响的有无作为特征来进行识别的情况下,例如能够排除无法判别机械异响的有无的第二数据125C等。
步骤S104中,控制部11作为第二生成部114而运行,对被判定为采用作为机器学习的学习数据的第二数据125C,赋予第二正解数据126C,所述机器学习用于习得对于对象数据中所含的特征进行识别的能力,所述第二正解数据126C是基于第一正解数据123C而决定,表示对第二数据125C中所含的特征的识别的正解。由此,控制部11生成学习用数据集127C,所述学习用数据集127C包含第二数据125C及第二正解数据126C的对。
另外,控制部11也可对被判定为采用作为学习数据的多件第二数据125C进行收集,对所收集的各件第二数据125C赋予第二正解数据126C,由此来生成包含多件学习用数据集127C的学习用数据群。而且,与所述第一正解数据123C同样,在不需要第二正解数据126C的情况下,针对第二数据125C的第二正解数据126的赋予可予以省略。此时,控制部11也可对被判定为采用作为学习数据的第二数据125C进行收集,以生成包含多件第二数据125C的学习用数据群。
<第一学习装置>
第一学习装置2的控制部21通过所述步骤S201~步骤S203的处理,来构建习得了下述能力的学习完成的第一识别器51C,即,判定是否采用所给予的数据来作为机器学习的学习数据,所述机器学习用于习得对特征进行识别的能力。
即,步骤S201中,控制部21作为第一学习数据获取部211而运行,获取分别包含数据2221C及采用与否数据2222C的组合的多件第一学习用数据集222C,所述数据2221C可能包含作为要识别的对象的特征,所述采用与否数据2222C表示是否采用数据2221C来作为学习数据的判定的正解。
步骤S202中,控制部21作为第一学习处理部212而运行,准备作为进行学习处理的对象的神经网络52C。接下来,控制部21使用各件第一学习用数据集222C来进行神经网络52C的机器学习,以使其在输入数据2221C时,输出与由采用与否数据2222C所示的正解对应的输出值。由此,控制部21能够构建习得了下述能力的学习完成的神经网络52C(即,第一识别器51C),即,判定是否采用所给予的数据来作为学习数据。
步骤S203中,控制部21作为第一学习处理部212而运行,将表示学习后的神经网络52C(即,第一识别器51C)的结构等的信息作为第一学习结果数据129C而保存到存储部22中。另外,本变形例的第一识别器51C可与所述<4.6>的变形例同样,包含识别模型62。此时,取代所述图像数据2223,而使用作为对特征进行识别的对象的规定种类的数据。
<第二学习装置>
第二学习装置3C的控制部31通过所述步骤S301~步骤S303的处理来构建学习完成的第二识别器54C,所述学习完成的第二识别器54C习得了对于对象数据中所含的特征进行识别的能力。
即,步骤S301中,控制部31作为第二学习数据获取部311而运行,获取分别包含数据3221C及正解数据3222C的组合的多件第二学习用数据集322C,所述数据3221C包含规定的特征,所述正解数据3222C表示对数据3221C中所含的特征的识别的正解。多件第二学习用数据集322C的至少一部分是由学习数据生成装置1所生成的学习用数据群(学习用数据集127C)。
步骤S302中,控制部31作为第二学习处理部312而运行,准备作为进行学习处理的对象的神经网络53C。接下来,控制部31使用各件第二学习用数据集322C来进行神经网络53C的机器学习,以使其在输入数据3221C时,输出与由正解数据3222C所示的正解对应的输出值。由此,控制部31能够构建学习完成的神经网络53C(即,第二识别器54C),所述学习完成的神经网络53C(即,第二识别器54C)习得了对于对象数据中所含的特征进行识别的能力。
步骤S303中,控制部31作为第二学习处理部312而运行,将表示学习后的神经网络53C(即,第二识别器54C)的结构等的信息作为第二学习结果数据323C而保存到存储部32中。另外,控制部31也可与所述实施方式同样地,将从多件第二学习用数据集322C中选择的一件或多件第二学习用数据集322C发送至学习数据生成装置1C。并且,控制部31也可利用所发送的第二学习用数据集322C来作为第一数据122C及第一正解数据123C的组合,对学习数据生成装置1C进行生成多件学习用数据集127C。与此相应地,通过接收由学习数据生成装置1C所生成的多件学习用数据集127C,控制部31能够增加利用于机器学习的第二学习用数据集322C的件数。
<识别装置>
识别装置4C的控制部41在步骤S401中作为对象数据获取部411而运行,获取对象数据422C,所述对象数据422C包含作为要识别的对象的特征。本变形例中,控制部41经由外部接口44而从测量装置81C获取对象数据422C。但是,获取对象数据422C的途径也可不限定于此例,可根据实施方式来适当选择。
步骤S402中,控制部41作为识别部412C而运行,参照第二学习结果数据323C来进行学习完成的第二识别器54C的设定。继而,控制部41将通过步骤S401而获取的对象数据422C输入至第二识别器54C,执行第二识别器54C的运算处理。由此,控制部41从第二识别器54C获取与对于对象数据422C中所含的特征进行识别的结果对应的输出值。控制部41基于从第二识别器54C获取的输出值,来识别对象数据422C中所含的特征。
步骤S403中,控制部41作为输出部413而运行,输出对于对象数据422C中所含的特征进行识别的结果。所判定的结果的输出格式也可无特别限定,可根据实施方式来适当选择。例如,控制部41也可将对于对象数据422C中所含的特征进行判定的结果直接从输出装置46予以输出。而且,例如,控制部41也可根据判定结果来执行规定的输出处理。作为具体例,在对象数据422C为声音数据,且判定是否包含机械的异响以作为声音数据的特征的情况下,控制部41在识别为对象数据422C中包含机械的异响时,也可向所述机械的管理者的移动终端发送对此情况进行警告的电子邮件以作为所述输出处理。而且,在识别装置4C与对象机械连接的情况下,控制部41也可降低对象机械的处理速度,或者停止对象机械的运行。
根据以上,本变形例中,通过由学习数据生成装置1C所生成的学习用数据集来增加第二学习用数据集322C的件数,由此能够以低成本来准备足够件数的适当的第二学习用数据集322C。由此,第二学习装置3C中,通过实施利用所准备的足够件数的第二学习用数据集322C的机器学习,能够构建对于对象数据中所含的特征进行识别的精度相对较高的第二识别器54C。因此,根据本实施方式,能够以低成本来生成推论精度高的第二识别器54C。
Claims (12)
1.一种检查系统,检查制品的良否,所述检查系统包括:
数据获取部,获取第一图像数据及第一正解数据,所述第一图像数据映照有所述制品,所述第一正解数据表示对映照在所述第一图像数据中的所述制品的良否判定的正解;
第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述制品的多件第二图像数据;
判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;
第二生成部,通过对被判定为采用作为学习数据的第二图像数据赋予第二正解数据,从而生成学习用数据集,所述第二正解数据是基于所述第一正解数据而决定,且表示对映照在所述第二图像数据中的所述制品的良否判定的正解,所述学习用数据集包含所述第二图像数据及所述第二正解数据的对;
学习处理部,通过实施利用所生成的所述学习用数据集的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述制品的良否进行判定的能力;
对象数据获取部,获取映照有作为检查对象的所述制品的对象图像数据;以及
良否判定部,基于通过将所获取的所述对象图像数据输入至所述第二识别器而从所述第二识别器获得的输出,来判定映照在所述对象图像数据中的所述制品的良否,
所述第一识别器包含包括生成模型与识别模型的网络中的所述识别模型,所述生成模型针对包含第三图像数据的图像数据群进行机器学习,以生成与所述第三图像数据类似的第四图像数据,所述识别模型进行机器学习,以识别所输入的输入数据是来源于所述生成模型的所述第四图像数据还是来源于所述图像数据群的所述第三图像数据,且所述网络中,所述生成模型反复进行机器学习,以生成与所述识别模型误识别的所述第三图像数据类似的所述第四图像数据,所述识别模型进行机器学习,以对由经反复机器学习的所述生成模型所生成的所述第四图像数据与所述第三图像数据进行识别。
2.根据权利要求1所述的检查系统,其中
所述第一生成部通过对所述第一图像数据适用从光度变换、几何变换、图像合成、图像替换及它们的组合中选择的变换处理,从而由所述第一图像数据来生成多件第二图像数据。
3.根据权利要求1或2所述的检查系统,其中
所述判定部利用通过利用第五图像数据与第三正解数据的机器学习而生成的学习完成的学习器来作为所述第一识别器,所述第三正解数据表示是否采用所述第五图像数据来作为所述学习数据的正解。
4.一种识别器生成系统,包括:
数据获取部,获取第一图像数据及第一正解数据,所述第一图像数据映照有制品,所述第一正解数据表示对映照在所述第一图像数据中的所述制品的良否判定的正解;
第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述制品的多件第二图像数据;
判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;
第二生成部,对被判定为采用作为学习数据的第二图像数据赋予第二正解数据,从而生成学习用数据集,所述第二正解数据是基于所述第一正解数据而决定,且表示对映照在所述第二图像数据中的所述制品的良否判定的正解,所述学习用数据集包含所述第二图像数据及所述第二正解数据的对;以及
学习处理部,通过实施利用所生成的所述学习用数据集的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述制品的良否进行判定的能力,
所述第一识别器包含包括生成模型与识别模型的网络中的所述识别模型,所述生成模型针对包含第三图像数据的图像数据群进行机器学习,以生成与所述第三图像数据类似的第四图像数据,所述识别模型进行机器学习,以识别所输入的输入数据是来源于所述生成模型的所述第四图像数据还是来源于所述图像数据群的所述第三图像数据,且所述网络中,所述生成模型反复进行机器学习,以生成与所述识别模型误识别的所述第三图像数据类似的所述第四图像数据,所述识别模型进行机器学习,以对由经反复机器学习的所述生成模型所生成的所述第四图像数据与所述第三图像数据进行识别。
5.一种学习数据生成装置,包括:
数据获取部,获取第一图像数据及第一正解数据,所述第一图像数据映照有制品,所述第一正解数据表示对映照在所述第一图像数据中的所述制品的良否判定的正解;
第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述制品的多件第二图像数据;
判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;以及
第二生成部,对被判定为采用作为学习数据的第二图像数据赋予第二正解数据,从而生成学习用数据集,所述第二正解数据是基于所述第一正解数据而决定,且表示对映照在所述第二图像数据中的所述制品的良否判定的正解,所述学习用数据集包含所述第二图像数据及所述第二正解数据的对,
所述第一识别器包含包括生成模型与识别模型的网络中的所述识别模型,所述生成模型针对包含第三图像数据的图像数据群进行机器学习,以生成与所述第三图像数据类似的第四图像数据,所述识别模型进行机器学习,以识别所输入的输入数据是来源于所述生成模型的所述第四图像数据还是来源于所述图像数据群的所述第三图像数据,且所述网络中,所述生成模型反复进行机器学习,以生成与所述识别模型误识别的所述第三图像数据类似的所述第四图像数据,所述识别模型进行机器学习,以对由经反复机器学习的所述生成模型所生成的所述第四图像数据与所述第三图像数据进行识别。
6.一种图像识别系统,包括:
数据获取部,获取映照有规定被摄物的第一图像数据;
第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述被摄物的多件第二图像数据;
判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;
第二生成部,通过收集被判定为采用作为学习数据的第二图像数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二图像数据;
学习处理部,通过实施利用所生成的所述学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述被摄物的特征进行识别的能力;
对象数据获取部,获取对象图像数据,所述对象图像数据映照有作为对特征进行识别的对象的所述被摄物;以及
识别部,基于通过将所获取的所述对象图像数据输入至所述第二识别器而从所述第二识别器获得的输出,来对映照在所述对象图像数据中的所述被摄物的特征进行识别,
所述第一识别器包含包括生成模型与识别模型的网络中的所述识别模型,所述生成模型针对包含第三图像数据的图像数据群进行机器学习,以生成与所述第三图像数据类似的第四图像数据,所述识别模型进行机器学习,以识别所输入的输入数据是来源于所述生成模型的所述第四图像数据还是来源于所述图像数据群的所述第三图像数据,且所述网络中,所述生成模型反复进行机器学习,以生成与所述识别模型误识别的所述第三图像数据类似的所述第四图像数据,所述识别模型进行机器学习,以对由经反复机器学习的所述生成模型所生成的所述第四图像数据与所述第三图像数据进行识别。
7.一种识别器生成系统,包括:
数据获取部,获取映照有规定被摄物的第一图像数据;
第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述被摄物的多件第二图像数据;
判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;
第二生成部,通过收集被判定为采用作为学习数据的第二图像数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二图像数据;以及
学习处理部,通过实施利用所生成的所述学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述被摄物的特征进行识别的能力,
所述第一识别器包含包括生成模型与识别模型的网络中的所述识别模型,所述生成模型针对包含第三图像数据的图像数据群进行机器学习,以生成与所述第三图像数据类似的第四图像数据,所述识别模型进行机器学习,以识别所输入的输入数据是来源于所述生成模型的所述第四图像数据还是来源于所述图像数据群的所述第三图像数据,且所述网络中,所述生成模型反复进行机器学习,以生成与所述识别模型误识别的所述第三图像数据类似的所述第四图像数据,所述识别模型进行机器学习,以对由经反复机器学习的所述生成模型所生成的所述第四图像数据与所述第三图像数据进行识别。
8.一种学习数据生成装置,包括:
数据获取部,获取映照有规定被摄物的第一图像数据;
第一生成部,通过对所述第一图像数据适用规定的变换处理,从而由所述第一图像数据生成分别映照有所述被摄物的多件第二图像数据;
判定部,基于通过将各件第二图像数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二图像数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的图像数据来作为学习数据的机器学习;以及
第二生成部,通过收集被判定为采用作为学习数据的第二图像数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二图像数据,
所述第一识别器包含包括生成模型与识别模型的网络中的所述识别模型,所述生成模型针对包含第三图像数据的图像数据群进行机器学习,以生成与所述第三图像数据类似的第四图像数据,所述识别模型进行机器学习,以识别所输入的输入数据是来源于所述生成模型的所述第四图像数据还是来源于所述图像数据群的所述第三图像数据,且所述网络中,所述生成模型反复进行机器学习,以生成与所述识别模型误识别的所述第三图像数据类似的所述第四图像数据,所述识别模型进行机器学习,以对由经反复机器学习的所述生成模型所生成的所述第四图像数据与所述第三图像数据进行识别。
9.一种识别系统,包括:
数据获取部,获取包含规定特征的第一数据;
第一生成部,通过对所述第一数据适用规定的变换处理,从而由所述第一数据生成多件第二数据;
判定部,基于通过将各件第二数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的数据来作为学习数据的机器学习;
第二生成部,通过收集被判定为采用作为学习数据的第二数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二数据;
学习处理部,通过实施利用所生成的学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述特征进行识别的能力;
对象数据获取部,获取对象数据,所述对象数据包含作为要识别的对象的特征;以及
识别部,基于通过将所获取的所述对象数据输入至所述第二识别器而从所述第二识别器获得的输出,来对所述对象数据中所含的所述特征进行识别,
所述第一识别器包含包括生成模型与识别模型的网络中的所述识别模型,所述生成模型针对包含第三数据的数据群进行机器学习,以生成与所述第三数据类似的第四数据,所述识别模型进行机器学习,以识别所输入的输入数据是来源于所述生成模型的所述第四数据还是来源于所述数据群的所述第三数据,且所述网络中,所述生成模型反复进行机器学习,以生成与所述识别模型误识别的所述第三数据类似的所述第四数据,所述识别模型进行机器学习,以对由经反复机器学习的所述生成模型所生成的所述第四数据与所述第三数据进行识别。
10.根据权利要求9所述的识别系统,其中
所述第一数据为声音数据,
所述第一生成部通过对所述第一数据适用从时间伸长、变调、掩蔽、振幅变换、声音合成及它们的组合中选择的变换处理,从而由所述第一数据生成多件第二数据。
11.一种识别器生成系统,包括:
数据获取部,获取包含规定特征的第一数据;
第一生成部,通过对所述第一数据适用规定的变换处理,从而由所述第一数据生成多件第二数据;
判定部,基于通过将各件第二数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的数据来作为学习数据的机器学习;
第二生成部,通过收集被判定为采用作为学习数据的第二数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二数据;以及
学习处理部,通过实施利用所生成的学习用数据群的机器学习,从而构建学习完成的第二识别器,所述学习完成的第二识别器习得了对所述特征进行识别的能力,
所述第一识别器包含包括生成模型与识别模型的网络中的所述识别模型,所述生成模型针对包含第三数据的数据群进行机器学习,以生成与所述第三数据类似的第四数据,所述识别模型进行机器学习,以识别所输入的输入数据是来源于所述生成模型的所述第四数据还是来源于所述数据群的所述第三数据,且所述网络中,所述生成模型反复进行机器学习,以生成与所述识别模型误识别的所述第三数据类似的所述第四数据,所述识别模型进行机器学习,以对由经反复机器学习的所述生成模型所生成的所述第四数据与所述第三数据进行识别。
12.一种学习数据生成装置,包括:
数据获取部,获取包含规定特征的第一数据;
第一生成部,通过对所述第一数据适用规定的变换处理,从而由所述第一数据生成多件第二数据;
判定部,基于通过将各件第二数据输入至学习完成的第一识别器而从所述第一识别器获得的输出,来判定是否采用各件第二数据来作为学习数据,所述学习完成的第一识别器进行了用于判定是否采用所给予的数据来作为学习数据的机器学习;以及
第二生成部,通过收集被判定为采用作为学习数据的第二数据,从而生成学习用数据群,所述学习用数据群包含被判定为采用作为学习数据的多件所述第二数据,
所述第一识别器包含包括生成模型与识别模型的网络中的所述识别模型,所述生成模型针对包含第三数据的数据群进行机器学习,以生成与所述第三数据类似的第四数据,所述识别模型进行机器学习,以识别所输入的输入数据是来源于所述生成模型的所述第四数据还是来源于所述数据群的所述第三数据,且所述网络中,所述生成模型反复进行机器学习,以生成与所述识别模型误识别的所述第三数据类似的所述第四数据,所述识别模型进行机器学习,以对由经反复机器学习的所述生成模型所生成的所述第四数据与所述第三数据进行识别。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018047292A JP6766839B2 (ja) | 2018-03-14 | 2018-03-14 | 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置 |
JP2018-047292 | 2018-03-14 | ||
PCT/JP2019/010183 WO2019176993A1 (ja) | 2018-03-14 | 2019-03-13 | 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111699499A CN111699499A (zh) | 2020-09-22 |
CN111699499B true CN111699499B (zh) | 2023-09-29 |
Family
ID=67907944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980012730.4A Active CN111699499B (zh) | 2018-03-14 | 2019-03-13 | 检查、图像识别、识别器生成系统及学习数据生成装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US11715190B2 (zh) |
EP (1) | EP3767551A4 (zh) |
JP (1) | JP6766839B2 (zh) |
CN (1) | CN111699499B (zh) |
WO (1) | WO2019176993A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7349816B2 (ja) * | 2019-05-16 | 2023-09-25 | 株式会社キーエンス | 画像検査装置 |
JP7334478B2 (ja) * | 2019-06-04 | 2023-08-29 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及びプログラム |
JP7238610B2 (ja) * | 2019-06-04 | 2023-03-14 | 富士フイルムビジネスイノベーション株式会社 | 情報処理装置及びプログラム |
JP7289448B2 (ja) * | 2019-06-11 | 2023-06-12 | 株式会社イシダ | 物品識別システム及び物品識別システムを備えた会計処理システム |
KR20190087351A (ko) * | 2019-07-05 | 2019-07-24 | 엘지전자 주식회사 | 머신 러닝 시스템, 방법 및 장치 |
WO2021075072A1 (ja) * | 2019-10-16 | 2021-04-22 | 新明和工業株式会社 | 対象検出装置、飛行体、対象検出方法、コンピュータプログラム及び学習モデルの生成方法 |
JP7297705B2 (ja) * | 2020-03-18 | 2023-06-26 | 株式会社東芝 | 処理装置、処理方法、学習装置およびプログラム |
WO2021221030A1 (ja) * | 2020-04-27 | 2021-11-04 | 株式会社リョーワ | 良否判定システム、良否判定方法、サーバ及びプログラム |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011192032A (ja) * | 2010-03-15 | 2011-09-29 | Nippon Steel Corp | 疵学習装置、疵学習方法、及びコンピュータプログラム |
JP2012026982A (ja) * | 2010-07-27 | 2012-02-09 | Panasonic Electric Works Sunx Co Ltd | 検査装置 |
JP2015191426A (ja) * | 2014-03-28 | 2015-11-02 | セコム株式会社 | 学習データ生成装置 |
CN105938558A (zh) * | 2015-03-06 | 2016-09-14 | 松下知识产权经营株式会社 | 学习方法 |
CN106548127A (zh) * | 2015-09-18 | 2017-03-29 | 松下电器(美国)知识产权公司 | 图像识别方法 |
CN106991439A (zh) * | 2017-03-28 | 2017-07-28 | 南京天数信息科技有限公司 | 基于深度学习与迁移学习的图像识别方法 |
JP2017168057A (ja) * | 2016-03-18 | 2017-09-21 | 株式会社Spectee | 画像分類装置、画像分類システム及び画像分類方法 |
CN107451661A (zh) * | 2017-06-29 | 2017-12-08 | 西安电子科技大学 | 一种基于虚拟图像数据集的神经网络迁移学习方法 |
CN107563389A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 一种基于深度学习的农作物病害识别方法 |
CN107729948A (zh) * | 2017-10-31 | 2018-02-23 | 京东方科技集团股份有限公司 | 图像处理方法及装置、计算机产品和存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6208552B2 (ja) | 2013-11-14 | 2017-10-04 | 株式会社デンソーアイティーラボラトリ | 識別器、識別プログラム、及び識別方法 |
US10431428B2 (en) * | 2014-01-10 | 2019-10-01 | Reno Technologies, Inc. | System for providing variable capacitance |
CA2952576C (en) | 2014-06-20 | 2022-07-26 | Miovision Technologies Incorporated | Machine learning platform for performing large scale data analytics |
JP2017211259A (ja) * | 2016-05-25 | 2017-11-30 | 株式会社シーイーシー | 検査装置、検査方法、及びプログラム |
US10706327B2 (en) * | 2016-08-03 | 2020-07-07 | Canon Kabushiki Kaisha | Information processing apparatus, information processing method, and storage medium |
US11379688B2 (en) * | 2017-03-16 | 2022-07-05 | Packsize Llc | Systems and methods for keypoint detection with convolutional neural networks |
JP6924413B2 (ja) * | 2017-12-25 | 2021-08-25 | オムロン株式会社 | データ生成装置、データ生成方法及びデータ生成プログラム |
-
2018
- 2018-03-14 JP JP2018047292A patent/JP6766839B2/ja active Active
-
2019
- 2019-03-13 WO PCT/JP2019/010183 patent/WO2019176993A1/ja unknown
- 2019-03-13 EP EP19767411.2A patent/EP3767551A4/en active Pending
- 2019-03-13 CN CN201980012730.4A patent/CN111699499B/zh active Active
- 2019-03-13 US US16/976,081 patent/US11715190B2/en active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011192032A (ja) * | 2010-03-15 | 2011-09-29 | Nippon Steel Corp | 疵学習装置、疵学習方法、及びコンピュータプログラム |
JP2012026982A (ja) * | 2010-07-27 | 2012-02-09 | Panasonic Electric Works Sunx Co Ltd | 検査装置 |
JP2015191426A (ja) * | 2014-03-28 | 2015-11-02 | セコム株式会社 | 学習データ生成装置 |
CN105938558A (zh) * | 2015-03-06 | 2016-09-14 | 松下知识产权经营株式会社 | 学习方法 |
CN106548127A (zh) * | 2015-09-18 | 2017-03-29 | 松下电器(美国)知识产权公司 | 图像识别方法 |
JP2017168057A (ja) * | 2016-03-18 | 2017-09-21 | 株式会社Spectee | 画像分類装置、画像分類システム及び画像分類方法 |
CN106991439A (zh) * | 2017-03-28 | 2017-07-28 | 南京天数信息科技有限公司 | 基于深度学习与迁移学习的图像识别方法 |
CN107451661A (zh) * | 2017-06-29 | 2017-12-08 | 西安电子科技大学 | 一种基于虚拟图像数据集的神经网络迁移学习方法 |
CN107563389A (zh) * | 2017-09-11 | 2018-01-09 | 合肥工业大学 | 一种基于深度学习的农作物病害识别方法 |
CN107729948A (zh) * | 2017-10-31 | 2018-02-23 | 京东方科技集团股份有限公司 | 图像处理方法及装置、计算机产品和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111699499A (zh) | 2020-09-22 |
EP3767551A1 (en) | 2021-01-20 |
US20200402221A1 (en) | 2020-12-24 |
JP2019159961A (ja) | 2019-09-19 |
EP3767551A4 (en) | 2022-05-11 |
WO2019176993A1 (ja) | 2019-09-19 |
JP6766839B2 (ja) | 2020-10-14 |
US11715190B2 (en) | 2023-08-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111699499B (zh) | 检查、图像识别、识别器生成系统及学习数据生成装置 | |
CN109871895B (zh) | 电路板的缺陷检测方法和装置 | |
JP6868119B2 (ja) | ホログラフィック偽造防止コードの検査方法及び装置 | |
US20200294222A1 (en) | Method and apparatus for outputting information | |
JP6844563B2 (ja) | 検査装置、画像識別装置、識別装置、検査方法、及び検査プログラム | |
JP7059883B2 (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
CN111758117B (zh) | 检查系统、识别系统以及学习数据生成装置 | |
CN114359283A (zh) | 基于Transformer的缺陷检测方法和电子设备 | |
JP2022003495A (ja) | 検査装置、ユニット選択装置、検査方法、及び検査プログラム | |
CN115439694A (zh) | 一种基于深度学习的高精度点云补全方法及装置 | |
JP7056259B2 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN111598807B (zh) | 一种基于区块链的汽车零部件检测数据共享系统及方法 | |
CN113763364A (zh) | 一种基于卷积神经网络的图像缺陷检测方法 | |
CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
CN116958021A (zh) | 基于人工智能的产品缺陷识别方法、相关装置和介质 | |
JP7070308B2 (ja) | 推定器生成装置、検査装置、推定器生成方法、及び推定器生成プログラム | |
CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
CN114612434A (zh) | 一种波纹管表面缺陷检测方法及系统 | |
CN107123105A (zh) | 基于fast算法的图像匹配缺陷检测方法 | |
CN113920087A (zh) | 基于深度学习的微小元器件缺陷检测系统及方法 | |
CN117128862B (zh) | 一种汽车部件的扫描检测分析方法 | |
WO2022196433A1 (ja) | モデル生成装置、分類装置、データ生成装置、モデル生成方法、及びモデル生成プログラム | |
US20210241075A1 (en) | System for generating synthetic digital data of multiple sources | |
CN117036227A (zh) | 数据处理方法、装置、电子设备、介质及程序产品 | |
CN117218476A (zh) | 模型训练方法、使用方法、装置、设备及存储介质 |
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 |