CN111758117B - 检查系统、识别系统以及学习数据生成装置 - Google Patents
检查系统、识别系统以及学习数据生成装置 Download PDFInfo
- Publication number
- CN111758117B CN111758117B CN201980013728.9A CN201980013728A CN111758117B CN 111758117 B CN111758117 B CN 111758117B CN 201980013728 A CN201980013728 A CN 201980013728A CN 111758117 B CN111758117 B CN 111758117B
- Authority
- CN
- China
- Prior art keywords
- data
- learning
- learning data
- difficulty level
- identifier
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 115
- 238000010801 machine learning Methods 0.000 claims abstract description 182
- 238000012545 processing Methods 0.000 claims description 135
- 238000000034 method Methods 0.000 claims description 95
- 230000008569 process Effects 0.000 claims description 52
- 239000000284 extract Substances 0.000 claims description 10
- 210000002569 neuron Anatomy 0.000 description 43
- 230000010365 information processing Effects 0.000 description 40
- 238000012986 modification Methods 0.000 description 34
- 230000004048 modification Effects 0.000 description 34
- 238000013528 artificial neural network Methods 0.000 description 32
- 238000004891 communication Methods 0.000 description 30
- 230000007547 defect Effects 0.000 description 28
- 238000003672 processing method Methods 0.000 description 15
- 230000002950 deficient Effects 0.000 description 12
- 238000004519 manufacturing process Methods 0.000 description 11
- 239000000470 constituent Substances 0.000 description 6
- 238000010304 firing Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 239000007787 solid Substances 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000036772 blood pressure Effects 0.000 description 2
- 239000003990 capacitor Substances 0.000 description 2
- 239000000428 dust Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000000056 organ Anatomy 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
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
- 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
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
-
- 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
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/77—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
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- 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
- 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
- G06V10/776—Validation; Performance evaluation
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供一种检查系统、识别系统以及学习数据生成装置,相对较高精度地判定数据中所含的特征。本发明的一方面的检查系统获取分别包含图像数据及正解数据的组合的多件学习用数据集,根据由第一识别器对映照在各件学习用数据集的图像数据中的制品的良否进行判定的结果符合正解数据所示的正解的程度,对各件学习用数据集设定判定的难易度。并且,检查系统实施从所设定的难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对制品的良否进行判定的第二识别器。
Description
技术领域
本发明涉及一种检查系统、识别系统以及学习数据生成装置。
背景技术
以往,在生产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,在如专利文献1那样的、利用学习完成的神经网络等识别器来从图像数据判定制品良否的以往技术中,存在如下的问题。即,在对制品的良否判定进行机器学习时,利用映照有表现出良否状态的制品的大量学习数据。在一次利用所述大量的学习数据来实施机器学习时,由于陷入对学习数据中表现的制品的良否进行判定的局部解等的理由,有可能无法构建通用化能力高的识别器。例如,在映照于作为学习数据的图像中的制品的缺陷偏向特定缺陷(例如撞击痕)的情况下,无法构建对其他缺陷(例如污垢)进行判定的识别器。而且,例如,若仅收集对小的撞击痕等的良否识别困难的学习数据来实施机器学习,则不仅机器学习其自身耗费时间,而且有可能构建出将不视为不良品也可的小的污垢判定为不良品的识别器。即,本申请发明人发现在以往技术中存在下述问题:即使准备了足以实施用于获得判定制品良否的能力的机器学习的件数的学习数据,也有可能无法获得性能高的识别器,从而无法高精度地实施制品的良否判定。
另外,所述问题并非判定制品良否的场景所特有。在从图像数据中识别被摄物的某些状态的场景、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,即使准备了足以实施用于习得对数据中所含的特征进行判定的能力的机器学习的件数的学习数据,也有可能无法获得性能高的识别器。
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相对较高精度地判定数据中所含的特征的技术。
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:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含映照有所述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所述图像数据中的所述制品的良否判定的正解;难易度设定部,对已通过机器学习而习得了对所述制品的良否进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定良否判定的难易度;学习处理部,实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述制品的良否进行判定的第二识别器;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,将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值来判定映照在所述对象图像数据中的所述制品的良否。
在用以利用于机器学习的学习用数据集中,存在容易识别(即,良否判定容易)的学习用数据集、与难以识别(即,良否判定困难)的学习用数据集。若仅利用容易识别的学习用数据集来实施机器学习,则有可能无法构建能够应对制品的良否判定困难的情况的识别器。另一方面,在仅利用难以识别的学习用数据集来实施机器学习的情况下,过度适合于特殊情况的识别,从而也有可能无法构建通用化能力高的识别器。
因此,所述结构中,分别利用已通过机器学习而习得了制品的良否判定的多个第一识别器,对学习用数据群中所含的各件学习用数据集设定良否判定的难易度。具体而言,将各件学习用数据集的图像数据输入各第一识别器,由此,从各第一识别器获取与对映照在所输入的图像数据中的制品的良否进行判定的结果对应的输出值。并且,根据从各第一识别器获取的输出值符合正解数据所示的正解的程度,对各件学习用数据集设定良否判定的难易度。即,越是能够通过各第一识别器来正确进行良否判定,则将对应的学习用数据集的难易度设定为越低,越是无法通过各第一识别器来正确进行良否判定,则将对应的学习用数据集的难易度设定为越高。
各第一识别器可为通过利用学习用数据群中所含的一部分学习用数据集的机器学习而构建的暂定的识别器。各第一识别器对难易度低的学习用数据集的良否判定存在难以误判的倾向,另一方面,各第一识别器对难易度高的学习用数据集的良否判定存在容易误判的倾向。因此,即使各第一识别器无法完全正确地实施映照在学习用数据集中所含的图像数据中的制品的良否判定,也能够通过所述处理而以大致的可靠性来设定各件学习用数据集的难易度。
并且,所述结构中,通过实施从所设定的难易度低的学习用数据集起依序利用的阶段性的机器学习,来构建对制品的良否进行判定的第二识别器。由此,能够在通过难易度低的学习用数据集来使第二识别器习得了学习用数据群中所表现出的良否判定的整体(宏观(macro))倾向后,通过难易度高的学习用数据集来使第二识别器习得学习用数据群中所表现出的良否判定的详细(微观(micro))倾向。
因此,在机器学习的过程中,能够难以陷入对学习用数据集中表现的制品良否进行判定的局部解,从而能够进行有效利用所准备的学习用数据群的机器学习。即,能够构建可通过所准备的学习用数据群而达成的通用化性能相对较高的第二识别器。因此,根据所述结构,通过由此而构建的第二识别器,能够相对较高精度地实施映照在对象图像数据中的制品的良否判定。
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。“对制品的良否进行判定”例如也可包含:判定制品是否存在划痕等缺陷、确定制品中存在的缺陷的种类、以及导出在制品中存在或不存在缺陷的概率等处理。缺陷例如为划痕、污垢、裂纹、撞击痕、灰尘、毛刺、颜色不均等。而且,考虑到适当评估各件学习用数据集的难易度的观点,优选的是,多个第一识别器分别通过不同的学习条件的机器学习而构建。“学习条件”能够通过机器学习的参数、所利用的学习数据(学习用数据集)等来确定。“不同的学习条件”例如是指机器学习的参数及所利用的学习数据的至少一者不同。
所述一方面的检查系统中,所述难易度设定部也可对基于从所述多个第一识别器获取的输出值来对所述制品的良否进行判定的结果与所述正解数据所示的正解一致的比率越高的学习用数据集,设定为越低的难易度。根据所述结构,能够对各件学习用数据集适当地设定良否判定的难易度。因此,能够构建可通过所准备的学习用数据群而达成的通用化性能相对较高的第二识别器,由此能够相对较高精度地实施映照在对象图像数据中的制品的良否判定。
所述一方面的检查系统中,所述难易度设定部也可根据从所述多个第一识别器分别获取的输出值的和或积符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定良否判定的难易度。根据所述结构,能够对各件学习用数据集适当地设定良否判定的难易度。因此,能够构建可通过所准备的学习用数据群而达成的通用化性能相对较高的第二识别器,由此能够相对较高精度地实施映照在对象图像数据中的制品的良否判定。
所述一方面的检查系统中,所述难易度设定部也可对基于所述输出值来对所述制品的良否进行判定的结果在规定的确信度以上与所述正解数据所示的正解一致的第一识别器的数量越多的学习用数据集,设定为越低的难易度。根据所述结构,能够对各件学习用数据集适当地设定良否判定的难易度。因此,能够构建可通过所准备的学习用数据群而达成的通用化性能相对较高的第二识别器,由此能够相对较高精度地实施映照在对象图像数据中的制品的良否判定。
所述一方面的检查系统中,各所述第一识别器也可通过利用部分数据群的机器学习而构建,所述部分数据群包含从所述学习用数据群选择的多件学习用数据集。根据所述结构,也能够将为了构建第二识别器而准备的学习用数据集用作用于构建各第一识别器的学习用数据集。因此,能够节省另行准备利用于各第一识别器的机器学习的学习用数据集的工时。
所述一方面的检查系统中,所述学习用数据获取部也可基于对各件所述学习用数据集所设定的所述难易度,来从所述学习用数据群提取特定难易度的学习用数据集,对与所提取的所述特定难易度的学习用数据集中所含的所述图像数据类似的追加图像数据进行收集,对所收集的所述追加图像数据赋予正解数据,由此来生成新的学习用数据集,所述正解数据表示对映照在所述追加图像数据中的所述制品的良否判定的正解,并将所生成的所述新的学习用数据集追加至所述学习用数据群。根据所述结构,在所准备的学习用数据群中所含的学习用数据集的件数不够充分的情况下,能够追加收集有助于提高第二识别器的识别性能的学习用数据集。因此,能够构建识别性能相对较高的第二识别器,由此,能够相对较高精度地实施映照在对象图像数据中的制品的良否判定。
而且,各所述形态的检查系统中,利用多个识别器(第一识别器)来判定各件学习用数据集的难易度。但是,判定学习用数据集的难易度的方法也可不限定于此例,也可通过利用一个识别器来判定各件学习用数据集的难易度。例如,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:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含映照有所述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所述图像数据中的所述制品的良否判定的正解;难易度设定部,对已通过机器学习而习得了对所述制品的良否进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述制品的良否进行判定的所述第一识别器的决定边界的距离(范数(norm)),根据所算出的距离来对各件所述学习用数据集设定良否判定的难易度;学习处理部,实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述制品的良否进行判定的第二识别器;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,将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值来判定映照在所述对象图像数据中的所述制品的良否。
识别器的决定边界与识别器的输出值的距离表示映照在为了获得所述输出值而输入的图像数据中的制品的良否的判定容易度。所述距离例如可通过欧氏距离而算出。即,识别器的决定边界与识别器的输出值的距离越大,映照在为了获得所述输出值而输入的图像数据中的制品的良否判定越容易。另一方面,识别器的决定边界与识别器的输出值的距离越小,映照在对应的图像数据中的制品的良否判定越困难。因此,根据所述结构,能够基于第一识别器的决定边界与输出值的距离来适当设定各件学习用数据集的难易度。因此,能够构建可通过所准备的学习用数据群而达成的通用化性能相对较高的第二识别器,由此能够相对较高精度地实施映照在对象图像数据中的制品的良否判定。
而且,也可从各所述形态的检查系统中,例如提取设定难易度的部分、通过第二识别器来进行良否判定的部分等一部分来构成另一形态的装置。
例如,本发明的一方面的学习数据生成装置包括:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别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所述图像数据中的所述制品的良否判定的正解;难易度设定部,对已通过机器学习而习得了对所述制品的良否进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,对各件所述学习用数据集设定良否判定的难易度;以及保存处理部,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
而且,例如,本发明的一方面的学习数据生成装置包括:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别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所述图像数据中的所述制品的良否判定的正解;难易度设定部,对已通过机器学习而习得了对所述制品的良否进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述制品的良否进行判定的所述第一识别器的决定边界的距离,根据所算出的距离来对各件所述学习用数据集设定良否判定的难易度;以及保存处理部,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
进而,各所述形态的检查系统及学习数据生成装置可适用于对映照有制品的图像数据以外的、映照在图像数据中的被摄物的状态进行判定的场景、对图像数据以外的其他种类的数据中所含的特征进行判定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。
例如,本发明的一方面的识别系统包括:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;难易度设定部,对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定判定的难易度;学习处理部,实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述被摄物的状态进行判定的第二识别器;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判定状态的对象的所述被摄物;以及状态判定部,将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值来判定映照在所述对象图像数据中的所述被摄物的状态。
另外,“被摄物”也可包含可能映照在图像数据中的所有对象物,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,被摄物的“状态”也可包含可通过识别器来判定的被摄物的所有属性。在被摄物为脸部的情况下,作为判定对象的状态例如可为表情的种类、脸部的部位(包含器官)的位置(包含特定器官彼此的相对位置关系)、脸部的部位的形状、脸部的部位的颜色、脸部的部位的状态(开度、角度等)、拥有所述脸部的个人等。而且,在被摄物为对象者的身体的情况下,作为判定对象的状态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,作为判定对象的状态例如可为工件的位置、姿势等。
而且,例如,本发明的一方面的学习数据生成装置包括:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;难易度设定部,对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定判定的难易度;以及保存处理部,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
而且,例如,本发明的一方面的识别系统包括:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;难易度设定部,对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述被摄物的状态进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,对各件所述学习用数据集设定判定的难易度;学习处理部,实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述被摄物的状态进行判定的第二识别器;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判定状态的对象的所述被摄物;以及状态判定部,将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值来判定映照在所述对象图像数据中的所述被摄物的状态。
而且,例如,本发明的一方面的学习数据生成装置包括:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;难易度设定部,对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述被摄物的状态进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,对各件所述学习用数据集设定判定的难易度;以及保存处理部,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
而且,例如,本发明的一方面的识别系统包括:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;难易度设定部,对已通过机器学习而习得了对所述特征进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述数据,由此,从所述多个第一识别器分别获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,对各件所述学习用数据集设定判定的难易度;学习处理部,实施从所设定的所述难易度低的学习用数据集起利用的阶段性的机器学习,由此来构建对所述特征进行判定的第二识别器;对象数据获取部,获取对象数据,所述对象数据包含作为要判定的对象的所述特征;以及特征判定部,将所获取的所述对象数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,并基于从所述第二识别器获取的所述输出值来判定所述对象数据中所含的所述特征。
另外,规定种类的“数据”也可包含可能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、包含它们的组合的数据等。“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。
所述一方面的识别系统中,所述难易度设定部也可对基于从所述多个第一识别器获取的输出值来判定所述特征的结果与所述正解数据所示的正解一致的比率越高的学习用数据集,设定为越低的难易度。
所述一方面的识别系统中,所述难易度设定部也可根据从所述多个第一识别器分别获取的输出值的和或积符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定良否判定的难易度。
所述一方面的识别系统中,所述难易度设定部也可对基于所述输出值来判定所述特征的结果在规定的确信度以上与所述正解数据所示的正解一致的第一识别器的数量越多的学习用数据集,设定为越低的难易度。
所述一方面的识别系统中,各所述第一识别器也可通过利用部分数据群的机器学习而构建,所述部分数据群包含从所述学习用数据群选择的多件学习用数据集。
所述一方面的识别系统中,所述学习用数据获取部也可基于对各件所述学习用数据集设定的所述难易度,来从所述学习用数据群中提取特定难易度的学习用数据集,对与所提取的所述特定难易度的学习用数据集中所含的所述数据类似的追加数据进行收集,对所收集的所述追加数据赋予正解数据,由此来生成新的学习用数据集,所述正解数据表示对所述数据中所含的所述特征的判定的正解,并将所生成的所述新的学习用数据集追加至所述学习用数据群。
而且,例如,本发明的一方面的学习数据生成装置包括:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;难易度设定部,对已通过机器学习而习得了对所述特征进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述数据,由此,从所述多个第一识别器分别获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,对各件所述学习用数据集设定判定的难易度;以及保存处理部,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
而且,例如,本发明的一方面的识别系统包括:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;难易度设定部,对已通过机器学习而习得了对所述特征进行判定的能力的第一识别器输入各件所述学习用数据集的所述数据,由此,从所述第一识别器获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述特征进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,对各件所述学习用数据集设定判定的难易度;学习处理部,实施从所设定的所述难易度低的学习用数据集起利用的阶段性的机器学习,由此来构建对所述特征进行判定的第二识别器;对象数据获取部,获取对象数据,所述对象数据包含作为要判定的对象的所述特征;以及特征判定部,将所获取的所述对象数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,并基于从所述第二识别器获取的所述输出值来判定所述对象数据中所含的所述特征。
而且,例如,本发明的一方面的学习数据生成装置包括:学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;难易度设定部,对已通过机器学习而习得了对所述特征进行判定的能力的第一识别器输入各件所述学习用数据集的所述数据,由此,从所述第一识别器获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述特征进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,对各件所述学习用数据集设定判定的难易度;以及保存处理部,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
另外,作为各所述形态的检查系统、识别系统以及学习数据生成装置的其他形态,本发明也可为实现以上的各结构的信息处理方法,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,对制品的良否进行检查,所述信息处理方法是由计算机执行下述步骤:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含映照有所述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所述图像数据中的所述制品的良否判定的正解;对已通过机器学习而习得了对所述制品的良否进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,对各件所述学习用数据集设定良否判定的难易度;实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述制品的良否进行判定的第二识别器;获取映照有作为检查对象的所述制品的对象图像数据;以及将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值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:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别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所述图像数据中的所述制品的良否判定的正解;对已通过机器学习而习得了对所述制品的良否进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,对各件所述学习用数据集设定良否判定的难易度;以及生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
而且,例如,本发明的一方面的检查方法是一种信息处理方法,对制品的良否进行检查,所述信息处理方法是由计算机执行下述步骤:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含映照有所述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所述图像数据中的所述制品的良否判定的正解;对已通过机器学习而习得了对所述制品的良否进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述制品的良否进行判定的所述第一识别器的决定边界的距离,根据所算出的距离来对各件所述学习用数据集设定良否判定的难易度;实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述制品的良否进行判定的第二识别器;获取映照有作为检查对象的所述制品的对象图像数据;以及将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值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:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别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所述图像数据中的所述制品的良否判定的正解;对已通过机器学习而习得了对所述制品的良否进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述制品的良否进行判定的所述第一识别器的决定边界的距离,根据所算出的距离来对各件所述学习用数据集设定良否判定的难易度;以及生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
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:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定判定的难易度;实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述被摄物的状态进行判定的第二识别器;获取对象图像数据,所述对象图像数据映照有作为判定状态的对象的所述被摄物;以及将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值来判定映照在所述对象图像数据中的所述被摄物的状态。
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:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定判定的难易度;以及生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
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:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述被摄物的状态进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,对各件所述学习用数据集设定判定的难易度;实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述被摄物的状态进行判定的第二识别器;获取对象图像数据,所述对象图像数据映照有作为判定状态的对象的所述被摄物;以及将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值来判定映照在所述对象图像数据中的所述被摄物的状态。
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:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述被摄物的状态进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,对各件所述学习用数据集设定判定的难易度;以及生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
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:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;对已通过机器学习而习得了对所述特征进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述数据,由此,从所述多个第一识别器分别获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,对各件所述学习用数据集设定判定的难易度;实施从所设定的所述难易度低的学习用数据集起利用的阶段性的机器学习,由此来构建对所述特征进行判定的第二识别器;获取对象数据,所述对象数据包含作为要判定的对象的所述特征;以及将所获取的所述对象数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,并基于从所述第二识别器获取的所述输出值来判定所述对象数据中所含的所述特征。
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:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;对已通过机器学习而习得了对所述特征进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述数据,由此,从所述多个第一识别器分别获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,对各件所述学习用数据集设定判定的难易度;以及生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
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:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;对已通过机器学习而习得了对所述特征进行判定的能力的第一识别器输入各件所述学习用数据集的所述数据,由此,从所述第一识别器获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述特征进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,对各件所述学习用数据集设定判定的难易度;实施从所设定的所述难易度低的学习用数据集起利用的阶段性的机器学习,由此来构建对所述特征进行判定的第二识别器;获取对象数据,所述对象数据包含作为要判定的对象的所述特征;以及将所获取的所述对象数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,并基于从所述第二识别器获取的所述输出值来判定所述对象数据中所含的所述特征。
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:获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;对已通过机器学习而习得了对所述特征进行判定的能力的第一识别器输入各件所述学习用数据集的所述数据,由此,从所述第一识别器获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述特征进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,对各件所述学习用数据集设定判定的难易度;以及生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
发明的效果
根据本发明,能够提供一种可相对较高精度地判定数据中所含的特征的技术。
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检查装置的硬件结构的一例。
图5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6示意性地例示实施方式的学习装置的软件结构的一例。
图7示意性地例示实施方式的检查装置的软件结构的一例。
图8例示通过实施方式的学习装置来构建第一识别器的处理流程的一例。
图9例示实施方式的学习数据生成装置的处理流程的一例。
图10例示通过实施方式的学习装置来构建第二识别器的处理流程的一例。
图11例示实施方式的检查装置的处理流程的一例。
图12例示通过实施方式的学习数据生成装置来收集追加的学习用数据集的处理流程的一例。
图13示意性地例示另一形态的学习数据生成装置的软件结构的一例。
图14示意性地例示另一形态的识别装置的软件结构的一例。
图15示意性地例示另一形态的学习数据生成装置的软件结构的一例。
图16示意性地例示另一形态的学习装置的软件结构的一例。
图17示意性地例示另一形态的识别装置的软件结构的一例。
符号的说明
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
81:生成程序
91:存储介质
111:学习用数据获取部
112:难易度设定部
113:保存处理部
120:学习用数据群
121:学习用数据集
122:图像数据
123:正解数据
125:难易度数据
2: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
82:学习程序
92:存储介质
211:数据获取部
212:学习处理部
221:部分数据群
224:第一学习结果数据
226:(难易度低的)群组
228:(难易度高的)群组
229:第二学习结果数据
3:检查装置
31:控制部
32:存储部
33:通信接口
34:外部接口
35:输入装置
36:输出装置
37:驱动器
83:检查程序
93:存储介质
311:对象数据获取部
312:良否判定部
313:输出部
321:对象图像数据
41:摄像机
5:第一识别器
51:输入层
52:中间层(隐藏层)
53:输出层
6:第二识别器
61:输入层
62:中间层(隐藏层)
63:输出层
具体实施方式
以下,基于附图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,在本发明的实施时,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。在通过利用学习用数据集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,在一次利用大量的学习用数据集来实施机器学习时,由于陷入对学习用数据群中表现的特征进行判定的局部解等的理由,有可能无法构建通用化能力高的识别器。由此,即使准备了足以实施机器学习的件数的学习用数据集,在通过所准备的学习用数据集而构建的识别器中,也有可能无法相对较高精度地判定对象数据中所含的特征。
因此,本发明的一例中,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述规定种类的数据中所含的特征的判定的正解。接下来,利用已预先对判定特征的能力进行了机器学习的一个或多个第一识别器,对各件学习用数据集设定判定的难易度。并且,实施从所设定的难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建习得了对特征进行判定的能力的第二识别器。
由此,本发明的一例中,在机器学习的过程中,能够难以陷入对学习用数据集中表现的特征进行判定的局部解,从而能够进行有效利用所准备的学习用数据群的机器学习。因此,根据本发明的一例,通过由此而构建的第二识别器,能够相对较高精度地实施所述对象数据中所含的特征的判定。
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。本发明能够适用于通过利用学习用数据集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、学习装置2及检查装置3,且构成为,对制品的良否进行检查。学习数据生成装置1、学习装置2及检查装置3之间的网络的种类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、学习装置2及检查装置3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、学习装置2及检查装置3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、学习装置2及检查装置3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是构成为生成设定有判定难易度的学习用数据集的计算机。具体而言,首先,学习数据生成装置1获取包含多件学习用数据集121的学习用数据群,所述多件学习用数据集121分别包含映照有制品的图像数据122及正解数据123的组合,所述正解数据123表示对映照在图像数据122中的制品的良否判定的正解。
接下来,学习数据生成装置1对已通过机器学习而习得了对制品的良否进行判定的能力的多个第一识别器5分别输入各件学习用数据集121的图像数据122。本实施方式中,多个第一识别器5分别通过不同的学习条件的机器学习而构建。由此,学习数据生成装置1从各第一识别器5获取与对映照在所输入的图像数据122中的制品的良否进行判定的结果对应的输出值。
并且,学习数据生成装置1根据从各第一识别器5获取的输出值符合由正解数据123所示的正解的程度,对各件学习用数据集121设定良否判定的难易度。具体而言,越是能够通过各第一识别器5来正确进行良否判定,则学习数据生成装置1将对应的学习用数据集121的难易度设定为越低,越是无法通过各第一识别器5来正确进行良否判定,则将对应的学习用数据集121的难易度设定为越高。
另一方面,本实施方式的学习装置2是利用设定有难易度的学习用数据集121来生成对制品的良否进行判定的第二识别器6的计算机。具体而言,学习装置2实施从所设定的难易度低的学习用数据集121起依序利用的阶段性的机器学习,由此来构建对制品的良否进行判定的第二识别器6。
而且,本实施方式的检查装置3是利用所构建的第二识别器6来进行制品R的外观检查的计算机。具体而言,首先,检查装置3获取映照有作为检查对象的制品R的对象图像数据321。本实施方式中,检查装置3连接于摄像机41,通过利用所述摄像机41来拍摄制品R,从而获取对象图像数据321。
接下来,检查装置3将所获取的对象图像数据321输入至第二识别器6,由此,从所述第二识别器6获取输出值。并且,检查装置3基于从第二识别器6获取的输出值,来判定映照在对象图像数据321中的制品R的良否。由此,检查装置3进行制品R的外观检查。
如上所述,本实施方式的检查系统100中,利用已通过机器学习而习得了制品的良否判定的多个第一识别器5,对学习用数据群120中所含的各件学习用数据集121设定良否判定的难易度。尤其,本实施方式中,利用通过不同的学习条件的机器学习而构建的多个第一识别器5,对各件学习用数据集121设定良否判定的难易度。对难易度低的学习用数据集121的良否判定存在难以误判的倾向,另一方面,对难易度高的学习用数据集121的良否判定存在容易误判的倾向。因此,即使各第一识别器5的判定性能不优异,也能够通过利用各所述第一识别器5的判定,来适当地设定各件学习用数据集121的难易度。
并且,本实施方式中,实施从所设定的难易度低的学习用数据集121起依序利用的阶段性的机器学习,由此来构建对制品的良否进行判定的第二识别器6。由此,首先通过利用难易度低的学习用数据集121的机器学习,能够使第二识别器6习得在学习用数据群120中表现的良否的判定的整体倾向。随后,通过利用难易度高的学习用数据集121的机器学习,能够使第二识别器6习得在学习用数据群120中表现的良否的判定的详细倾向。
因此,根据本实施方式,机器学习的过程中,能够难以陷入对学习用数据集120中表现的制品的良否进行判定的局部解,从而能够实施有效利用所准备的学习用数据群120的机器学习。即,能够构建可通过所准备的学习用数据群120而达成的通用化性能相对较高的第二识别器6。因此,本实施方式的检查装置3中,通过利用由此而构建的第二识别器6,能够相对较高精度地实施映照在对象图像数据321中的制品R的良否判定。
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,良否的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81、学习用数据群120、多件第一学习结果数据224、难易度数据125等各种信息。
生成程序81是如下所述的程序,即,用于使学习数据生成装置1执行生成对各件学习用数据集121设定有良否判定难易度的学习用数据群120的后述的信息处理(图9、图12),且包含所述信息处理的一连串命令。学习用数据群120被利用于第二识别器6的机器学习,包含多件学习用数据集121。各件学习用数据集121包含图像数据122及正解数据123的组合,所述图像数据122映照有制品,所述正解数据123表示对映照在图像数据122中的制品的良否判定的正解。各件第一学习结果数据224是用于进行学习完成的第一识别器5的设定的数据。难易度数据125表示各件学习用数据集121与通过后述的信息处理而设定的难易度的对应关系。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(例如学习装置2)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81、学习用数据群120及多件第一学习结果数据224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81、学习用数据群120及多件第一学习结果数据224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(Digital Signal 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。
<学习装置>
接下来,使用图3来说明本实施方式的学习装置2的硬件结构的一例。图3示意性地例示本实施方式的学习装置2的硬件结构的一例。
如图3所示,本实施方式的学习装置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”。
学习装置2具有与所述学习数据生成装置1同样的结构。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、固态硬盘等。存储部22存储学习程序82、学习用数据群120、多件第一学习结果数据224、难易度数据125、第二学习结果数据229等各种信息。
学习程序82是如下所述的程序,即,用于使学习装置2执行构建各第一识别器5及第二识别器6的后述的机器学习的信息处理(图8、图10),作为其结果,生成第一学习结果数据224及第二学习结果数据229。第二学习结果数据229是用于进行学习完成的第二识别器6的设定的数据。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。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及检查装置3)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。驱动器26及存储介质91各自可与所述驱动器16及存储介质91分别同样地构成。所述学习程序82、学习用数据群120及难易度数据125中的至少任一个也可被存储在存储介质92中。而且,学习装置2也可从存储介质92获取所述学习程序82、学习用数据群120及难易度数据125中的至少任一个。
另外,关于学习装置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。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,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。
<检查装置>
接下来,使用图4来说明本实施方式的检查装置3的硬件结构的一例。图4示意性地例示本实施方式的检查装置3的硬件结构的一例。
如图4所示,本实施方式的检查装置3是由控制部31、存储部32、通信接口33、外部接口34、输入装置35、输出装置36及驱动器37电连接而成的计算机。另外,图4中,将通信接口及外部接口分别记作“通信I/F”及“外部I/F”。
除了包括外部接口34以外,检查装置3具有与所述学习数据生成装置1及学习装置2同样的结构。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存储检查程序83、第二学习结果数据229等各种信息。
检查程序83是如下所述的程序,即,用于使检查装置3执行利用第二识别器6来对映照在对象图像数据321中的制品R的良否进行判定的后述的信息处理(图11),且包含所述信息处理的一连串命令。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。检查装置3通过利用所述通信接口33,从而能够与其他信息处理装置(例如学习装置2)进行经由网络的数据通信。
外部接口34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34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3经由外部接口34而连接于摄像机41。
摄像机41被利用于通过拍摄制品R来获取对象图像数据321。摄像机41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41,例如可利用数字摄像机、摄影机等现有的摄像机。而且,摄像机41可配置在搬送制品R的生产线附近。另外,在摄像机41包括通信接口的情况下,检查装置3也可并非经由外部接口34,而是经由通信接口33连接于摄像机41。
输入装置35例如是鼠标、键盘等用于进行输入的装置。而且,输出装置36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35及输出装置36,从而能够操作检查装置3。
驱动器37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。驱动器37及存储介质93各自可与所述驱动器16及存储介质91分别同样地构成。所述检查程序83及第二学习结果数据229中的至少任一个也可被存储在存储介质93中。而且,检查装置3也可从存储介质93获取所述检查程序83及第二学习结果数据229中的至少任一个。
另外,关于检查装置3的具体的硬件结构,与所述学习数据生成装置1及学习装置2同样地,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、外部接口34、输入装置35、输出装置36及驱动器37的至少任一者也可予以省略。检查装置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,检查装置3除了专为所提供的服务而设计的信息处理装置以外,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5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5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81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81,从而控制各构成元件。由此如图5所示,本实施方式的学习数据生成装置1作为包括学习用数据获取部111、难易度设定部112及保存处理部113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。
学习用数据获取部111获取包含多件学习用数据集121的学习用数据群120,所述多件学习用数据集121分别包含映照有制品的图像数据122及正解数据123的组合,所述正解数据123表示对映照在图像数据122中的制品的良否判定的正解。
难易度设定部112包含已通过机器学习而习得了对制品的良否进行判定的能力的多个第一识别器5。难易度设定部112将各件学习用数据集121的图像数据122输入至各第一识别器5,由此,从各第一识别器5获取与对映照在所输入的图像数据122中的制品的良否进行判定的结果对应的输出值。并且,难易度设定部112根据从各第一识别器5获取的输出值符合正解数据123所示的正解的程度,对各件学习用数据集121设定良否判定的难易度。另外,本实施方式中,多个第一识别器5分别通过不同的学习条件的机器学习而构建。但是,难易度设定部112中所含的多个第一识别器5也可不限定于此例。难易度设定部112中所含的多个第一识别器5的至少任一对可通过同一学习条件的机器学习而构建。
保存处理部113生成难易度数据125,所述难易度数据125表示各件学习用数据集121与所设定的难易度的对应关系。并且,保存处理部113将所生成的难易度数据125跟学习用数据群120一同保存到规定的存储区域(例如,存储部12)。
而且,学习用数据获取部111基于对各件学习用数据集121设定的难易度,从学习用数据群120中提取特定难易度的学习用数据集180。接下来,学习用数据获取部111对与所提取的特定难易度的学习用数据集180中所含的图像数据122类似的追加图像数据182进行收集。继而,学习用数据获取部111对所收集的追加图像数据182赋予正解数据183,由此来生成新的学习用数据集181,所述正解数据183表示对映照在所述追加图像数据182中的制品的良否判定的正解。并且,学习用数据获取部111将所生成的新的学习用数据集181追加至学习用数据群120。
(识别器)
接下来,对各第一识别器5的结构进行说明。如图5所示,本实施方式的第一识别器5包含神经网络。具体而言,第一识别器5包含被用于所谓的深度学习的多层结构的神经网络,包括输入层51、中间层(隐藏层)52及输出层53。
另外,图5的示例中,构成第一识别器5的神经网络包括一层中间层52,输入层51的输出被输入至中间层52,中间层52的输出被输入至输出层53。但是,中间层52的数量也可不限于一层。第一识别器5也可包括两层以上的中间层52。
各层51~53包括一个或多个神经元。例如,输入层51的神经元的数量可根据图像数据122来设定。中间层52的神经元的数量可根据实施方式来适当设定。而且,输出层53的神经元的数量可根据正解数据123所示的正解的种类数量等来设定。
邻接的层的神经元彼此适当结合,对于各结合设定有权重(结合负载)。图5的示例中,各神经元与邻接的层的所有神经元相结合。但是,神经元的结合也可不限定于此例,可根据实施方式来适当设定。
对于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。难易度设定部112对各第一识别器5的输入层51输入图像数据122,作为神经网络的运算处理,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,难易度设定部112从输出层53获取与对映照在所输入的图像数据122中的制品的良否进行判定的结果对应的输出值。
另外,表示各第一识别器5(神经网络)的结构(例如各网络的层数、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包含在各件第一学习结果数据224中。难易度设定部112参照各件第一学习结果数据224,来进行利用于难易度判定的各第一识别器5的设定。
<学习装置>
接下来,使用图6来说明本实施方式的学习装置2的软件结构的一例。图6示意性地例示本实施方式的学习装置2的软件结构的一例。
学习装置2的控制部21将存储在存储部22中的学习程序82展开到RAM中。并且,控制部21通过CPU来解释及执行在RAM中展开的学习程序82,从而控制各构成元件。由此如图6所示,本实施方式的学习装置2构成为包括数据获取部211及学习处理部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。
数据获取部211获取利用于机器学习的学习用数据群120。学习处理部212利用学习用数据群120中所含的多件学习用数据集121来实施识别器的机器学习。
本实施方式中,学习处理部212从学习用数据群120中选择多件学习用数据集121,由此来制作包含所选择的多件学习用数据集121的部分数据群221。并且,学习处理部212利用部分数据群221来进行第一识别器5的机器学习。即,学习处理部212关于部分数据群221中所含的各件学习用数据集121来进行第一识别器5的机器学习,以使其在对输入层51输入图像数据122时,从输出层53输出与跟所输入的图像数据122相关联的正解数据123对应的输出值。
由此,学习处理部212构建学习完成的第一识别器5。并且,学习处理部212将表示学习完成的第一识别器5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224而保存到存储部22中。另外,在所述机器学习中,通过对神经网络的参数及构成部分数据群221的学习用数据集121的至少一者进行变更,便能够使学习条件不同。学习处理部212通过变更学习条件来重复所述一连串处理,从而能够以不同的学习条件来构建机器学习完成的多个第一识别器5。另一方面,学习处理部212通过不变更学习条件而重复所述一连串处理,从而能够以相同的学习条件来构建机器学习完成的两个以上的第一识别器5。
而且,学习处理部212利用学习用数据群120来进行第二识别器6的机器学习。即,学习处理部212实施从所设定的难易度低的学习用数据集121起依序利用的阶段性的机器学习,由此来构建习得了对制品的良否进行判定的能力的第二识别器6。
例如,学习处理部212参照难易度数据125,根据所设定的难易度来将学习用数据群120中所含的各件学习用数据集121分类为多个群组。并且,学习处理部212从所分类的多个群组中的、包含所设定的难易度低的学习用数据集121的群组起依序利用于机器学习。
即,学习处理部212关于包含难易度最低的学习用数据集121的群组226来进行第二识别器6的机器学习,以使其在输入图像数据122时,输出与跟所输入的图像数据122相关联的正解数据123对应的输出值。在群组226的机器学习结束后,学习处理部212关于继群组226之后难易度高的群组执行同样的机器学习的处理。学习处理部212重复所述一连串处理,直至包含难易度最高的学习用数据集121的群组228的机器学习结束为止。由此,学习处理部212能够实施从所设定的难易度低的学习用数据集121起依序利用的阶段性的机器学习,从而构建习得了对制品的良否进行判定的能力的第二识别器6。
另外,如图6所示,第二识别器6与第一识别器5同样,包含神经网络。第二识别器6可与第一识别器5同样地构成。即,输入层61、中间层(隐藏层)62及输出层63可与第一识别器5的各层51~53同样地构成。但是,第二识别器6的神经网络的结构也可不与第一识别器5一致。例如,构成第二识别器6的神经网络的层数、各层中的神经元的个数、及神经元彼此的结合关系也可与构成第一识别器5的神经网络不同。在机器学习的处理完成后,学习处理部212将表示学习完成的第二识别器6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229而保存到存储部22中。
<检查装置>
接下来,使用图7来说明本实施方式的检查装置3的软件结构的一例。图7示意性地例示本实施方式的检查装置3的软件结构的一例。
检查装置3的控制部31将存储在存储部32中的检查程序83展开到RAM中。并且,控制部31通过CPU来解释及执行在RAM中展开的检查程序83,从而控制各构成元件。由此,如图7所示,本实施方式的检查装置3构成为包括对象数据获取部311、良否判定部312、及输出部313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。
对象数据获取部311获取映照有作为检查对象的制品R的对象图像数据321。本实施方式中,对象数据获取部311通过摄像机41来拍摄制品R,由此来获取对象图像数据321。良否判定部312包含学习完成的第二识别器6。良否判定部312参照第二学习结果数据229来进行学习完成的第二识别器6的设定。并且,良否判定部312将所获取的对象图像数据321输入至第二识别器6而执行所述第二识别器6的运算处理,由此,从所述第二识别器6获取输出值。第二识别器6的输出值与对映照在所输入的对象图像数据321中的制品R的良否进行判定的结果对应。因此,良否判定部312基于从第二识别器6获取的输出值来判定映照在对象图像数据321中的制品R的良否。输出部313输出对制品R的良否进行判定的结果,即,外观检查的结果。
<其他>
关于学习数据生成装置1、学习装置2及检查装置3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、学习装置2及检查装置3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、学习装置2及检查装置3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
[第一识别器的制作流程]
接下来,使用图8来说明构建第一识别器5时的学习装置2的运行例。图8是例示通过本实施方式的学习装置2来构建第一识别器5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S101)
步骤S101中,控制部21作为数据获取部211而运行,获取学习用数据群120。
获取学习用数据群120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,在各种条件下,对与作为检查对象的制品R同种且有缺陷的制品(不良品)或无缺陷的制品(良品)分别进行拍摄,由此,能够获取映照有表现出良否的制品的图像数据122。并且,对所获得的图像数据122组合正解数据123,由此能够制作学习用数据集121,所述正解数据123表示映照在所述图像数据122中的制品所表现出的良否(正解)。正解数据123的具体内容可根据后述的良否判定的形态来适当决定。通过重复所述学习用数据集121的制作,从而能够制作包含多件学习用数据集121的学习用数据群120。
另外,所述学习用数据群120的制作也可由学习装置2来进行。此时,控制部21也可根据操作员对输入装置24的操作来制作学习用数据群120。而且,控制部21也可通过学习程序82的处理来自动制作学习用数据群120。通过执行所述制作处理,在本步骤S101中,控制部21能够获取学习用数据群120。
或者,学习用数据群120的制作例如也可由学习数据生成装置1等学习装置2以外的其他信息处理装置来进行。其他信息处理装置中,学习用数据群120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21也可经由网络、存储介质92等来获取由其他信息处理装置所制作的学习用数据群120。
构成学习用数据群120的学习用数据集121的件数也可无特别限定,例如,可适当决定为能够实施后述的第二识别器6的机器学习的程度。由此,当获取学习用数据群120时,控制部21将处理推进至下个步骤S102。
(步骤S102)
步骤S102中,控制部21作为学习处理部212而运行,从学习用数据群120中选择利用于第一识别器5的机器学习的多件学习用数据集121。由此,控制部21制作包含所选择的多件学习用数据集121的部分数据群221。
选择要利用的学习用数据集121的方法也可无特别限定,可根据实施方式来适当决定。例如,控制部21也可从学习用数据群120中随机选择利用于第一识别器5的机器学习的多件学习用数据集121。而且,例如,控制部21也可按照规定的基准来从学习用数据群120中选择多件学习用数据集121。而且,例如,控制部21也可根据操作员对输入装置24的操作来从学习用数据群120中选择多件学习用数据集121。当部分数据群221的制作完成时,控制部21将处理推进至下个步骤S103。
(步骤S103)
步骤S103中,控制部21作为学习处理部212而运行,通过利用在步骤S102中制作的部分数据群221的机器学习,来构建习得了对制品的良否进行判定的能力的第一识别器5。本实施方式中,控制部21使用构成部分数据群221的各件学习用数据集121来实施神经网络的机器学习,以使其在对输入层51输入图像数据122时,从输出层53输出与正解数据123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(学习前的第一识别器5)。所准备的神经网络的结构、各神经元间的结合的权重的初始值、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。
接下来,控制部21使用构成在步骤S102中制作的部分数据群221的各件学习用数据集121中所含的图像数据122来作为输入数据,使用正解数据123来作为教学数据,执行神经网络的学习处理。对于所述神经网络的学习处理,可使用随机梯度下降法等。
例如,控制部21对输入层51输入图像数据122,从输入侧起依序进行各层51~53中所含的各神经元的点燃判定。由此,控制部21从输出层53获得输出值。接下来,控制部21算出从输出层53获得的输出值与跟由正解数据123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。
控制部21关于构成部分数据群221的各件学习用数据集121而重复所述一连串处理,直至从神经网络输出的输出值与跟由正解数据123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第一识别器5,所述学习完成的第一识别器5在输入图像数据122时,输出与由正解数据123所示的正解对应的输出值。当第一识别器5的学习处理完成时,控制部21将处理推进至下个步骤S104。
(步骤S104)
步骤S104中,控制部21作为学习处理部212而运行,将表示通过机器学习而构建的第一识别器5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224而保存到存储部22中。由此,控制部21结束本运行例的处理。
控制部21通过重复所述步骤S101~步骤S104的一连串处理,从而能够构建多个第一识别器5。在重复所述一连串处理时,控制部21变更在步骤S102中选择的学习用数据集121、及/或变更在步骤S103中准备的神经网络的参数的值。由此,控制部21分别构建在不同的学习条件下对制品的良否判定进行了机器学习的多个第一识别器5。
但是,多个第一识别器5也可不限定于此例。多个第一识别器5的至少任一对可通过同一学习条件的机器学习而构建。控制部21通过不变更学习条件而重复所述步骤S101~步骤S104的一连串处理,从而能够构建在同一学习条件下机器学习完成的两个以上的第一识别器5。
另外,在构建了学习完成的第一识别器5之后,控制部21也可将所制作的第一学习结果数据224转发给学习数据生成装置1。而且,例如,控制部21也可将所制作的第一学习结果数据224保管在网路附加存储器(Network Attached Storage,NAS)等数据服务器中。此时,学习数据生成装置1也可从所述数据服务器获取第一学习结果数据224。而且,各件第一学习结果数据224也可被预先装入学习数据生成装置1。
[附难易度的学习用数据集的制作流程]
接下来,使用图9来说明制作附难易度的学习用数据集121时的学习数据生成装置1的运行例。图9是例示通过本实施方式的学习数据生成装置1来制作附难易度的学习用数据集121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S201)
步骤S201中,控制部11作为学习用数据获取部111而运行,获取包含多件学习用数据集121的学习用数据群120,所述多件学习用数据集121分别包含图像数据122及正解数据123的组合。
如上所述,学习用数据群120的制作既可由学习数据生成装置1来进行,例如也可由学习装置2等学习数据生成装置1以外的其他信息处理装置来进行。即,控制部11也可通过执行所述制作处理来获取学习用数据群120。或者,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学习用数据群120。当获取学习用数据群120时,控制部11将处理推进至下个步骤S202。
(步骤S202及步骤S203)
步骤S202中,控制部11作为难易度设定部112而运行,对各第一识别器5输入各件学习用数据集121的图像数据122,执行各第一识别器5的运算处理。由此,控制部11从各第一识别器5获取与对映照在所输入的图像数据122中的制品的良否进行判定的结果对应的输出值。
具体而言,控制部11参照各件第一学习结果数据224来进行各第一识别器5的设定,各所述第一识别器5已通过机器学习而习得了对制品的良否进行判定的能力。本实施方式中,各第一识别器5是通过不同的学习条件的机器学习而构建。继而,控制部11将各件学习用数据集121的图像数据122输入各第一识别器5的输入层51,从输入侧起依序进行各层51~53中所含的各神经元的点燃判定。由此,控制部11从各第一识别器5的输出层53获取与对映照在所输入的图像数据122中的制品的良否进行判定的结果对应的输出值。
另外,各第一识别器5的输出值的格式只要能够判定制品的良否,则也可无特别限定,可根据实施方式来适当选择。例如,各第一识别器5的输出值也可表示制品是否存在缺陷。而且,例如,各第一识别器5的输出值也可表示制品存在或不存在缺陷的概率。而且,例如,各第一识别器5的输出值也可表示在制品中存在的缺陷的种类。
并且,步骤S203中,控制部11根据从各第一识别器5获取的输出值符合正解数据123所示的正解的程度,对各件学习用数据集121设定良否判定的难易度。具体而言,控制部11基于从各第一识别器5获取的输出值符合正解的程度来判定各件学习用数据集121的难易度,对各件学习用数据集121设定所判定出的难易度。难易度的判定可以下述方式来适当进行,即,良否判定越容易的学习用数据集121,则难易度设定为越低,良否判定越困难的学习用数据集121,则难易度设定为越高。难易度的判定例如能够通过以下的三种方法来进行。
(1)第一方法
第一方法中,控制部11利用基于从多个第一识别器5获取的输出值来判定制品良否的结果与由正解数据123所示的正解一致的比率(以下也记作“正答率”),来判定各件学习用数据集121的难易度。
即,控制部11对基于从多个第一识别器5获取的输出值来判定制品良否的结果与由正解数据123所示的正解一致的比率越高的学习用数据集121,设定为越低的难易度。另一方面,基于从多个第一识别器5获取的输出值来判定制品良否的结果与由正解数据123所示的正解一致的比率越低的学习用数据集121,则控制部11设定为越高的难易度。
例如,设想下述场景:利用十个第一识别器5,分别针对第一学习用数据集121及第二学习用数据集121进行良否判定。此时假设:对于第一学习用数据集121,九个第一识别器5正确进行了良否判定,与此相对,对于第二学习用数据集121,只有三个第一识别器5正确进行了良否判定。此时,控制部11将第一学习用数据集121的难易度设定为低,将第二学习用数据集121的难易度设定为高。
另外,控制部11确定基于各第一识别器5的输出值来判定制品良否的结果是否与由正解数据123所示的正解一致,由此来导出各第一识别器5所进行的判定的正答率。所述基于各第一识别器5的输出值来判定制品良否的结果是否与由正解数据123所示的正解一致的确定,可根据各第一识别器5的输出值的格式来适当进行。
例如,在各第一识别器5的输出值表示制品是否存在缺陷或者在制品中存在的缺陷的种类的情况下,能够将各第一识别器5的输出值直接用作对良否进行判定的结果。即,控制部11能够通过各第一识别器5的输出值是否与由正解数据123所示的正解值一致,来确认基于各第一识别器5的输出值来判定制品良否的结果是否与正解一致。
而且,例如,在各第一识别器5的输出值表示制品中存在或不存在缺陷的概率的情况下,控制部11能够通过将各第一识别器5的输出值与阈值进行比较来判定制品的良否。其结果,控制部11能够确定基于各第一识别器5的输出值来判定制品良否的结果是否符合由正解数据123所示的正解。
(2)第二方法
如上所述,各第一识别器5的输出值与对映照在所输入的图像数据122中的制品的良否进行判定的结果对应。因此,各第一识别器5的输出值的和及积也与对映照在所输入的图像数据122中的制品的良否进行判定的结果对应。例如,在各第一识别器5的输出值表示在制品中存在或不存在缺陷的概率的情况下,从多个第一识别器5分别获取的输出值的和或积直接表示在制品中存在或不存在缺陷的程度。
因此,第二方法中,控制部11利用从多个第一识别器5分别获取的输出值的和或积来判定各件学习用数据集121的难易度。即,控制部11根据从多个第一识别器5分别获取的输出值的和或积符合由正解数据123所示的正解的程度,来对各件学习用数据集121设定良否判定的难易度。
具体而言,从多个第一识别器5分别获取的输出值的和或积越符合由正解数据123所示的正解,则控制部11将所述学习用数据集121的难易度设定为越低。另一方面,从多个第一识别器5分别获取的输出值的和或积越不符合由正解数据123所示的正解,则控制部11将所述学习用数据集121的难易度设定为越高。
(3)第三方法
第三方法中,控制部11利用基于输出值来判定制品良否的结果在规定的确信度以上与由正解数据123所示的正解一致的第一识别器5的数量,来判定各件学习用数据集121的难易度。
即,控制部11对基于输出值来判定制品良否的结果在规定的确信度以上与由正解数据123所示的正解一致的第一识别器5的数量越多的学习用数据集121,设定为越低的难易度。另一方面,基于输出值来判定制品良否的结果在规定的确信度以上与由正解数据123所示的正解一致的第一识别器5的数量越少的学习用数据集121,则控制部11设定为越高的难易度。
另外,确信度可根据来自各第一识别器5的输出值与决定边界的距离而导出。来自第一识别器5的输出值与决定边界的距离可通过后述的数1而算出。控制部11例如在从作为对象的第一识别器5获得的输出值与决定边界的距离为规定的阈值以上的情况下,也可判定为作为所述对象的第一识别器5的判定结果在规定的确信度以上与由正解数据123所示的正解一致。即,控制部11也可根据输出值与决定边界的距离为规定的阈值以上的第一识别器5的数量,来设定各件学习用数据集121的难易度。
步骤S203中,控制部11通过采用所述第一方法~第三方法中的至少任一种,能够判定各件学习用数据集121的难易度。另外,难易度的表达形式只要能够表达高低,则也可无特别限定,可根据实施方式来适当决定。例如,难易度也可以多个阶段(等级)来表达。此时,控制部11通过各所述方法来判定各件学习用数据集121所属的等级,将所判定的等级设定为各件学习用数据集121的难易度。而且,例如,难易度也可以数值(得分)来表达。此时,控制部11通过各所述方法来导出各件学习用数据集121的难易度的得分,将所导出的得分设定为各件学习用数据集121的难易度。当各件学习用数据集121的难易度的设定完成时,控制部11将处理推进至下个步骤S204。
(步骤S204及步骤S205)
步骤S204中,控制部11作为保存处理部113而运行,生成表示各件学习用数据集121与所设定的难易度的对应关系的难易度数据125。难易度数据125的数据格式也可无特别限定,可根据实施方式来适当决定。难易度数据125的数据格式例如可采用表格式等现有的数据格式。
接下来,在步骤S205中,控制部11作为保存处理部113而运行,将所生成的难易度数据125跟学习用数据群120一同保存到规定的存储区域中。规定的存储区域既可为存储部12,例如也可为学习装置2的存储部22、NAS等外部的存储区域。当难易度数据125的保存完成时,控制部11结束本运行例的处理。
另外,在生成了难易度数据125后,控制部11也可将所生成的难易度数据125转发给学习装置2。而且,在难易度数据125被保存在存储部12、NAS等中的情况下,学习装置2也可从存储部12、NAS等获取难易度数据125。
[第二识别器的制作流程]
接下来,使用图10来说明构建第二识别器6时的学习装置2的运行例。图10是例示通过本实施方式的学习装置2来构建第二识别器6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21作为数据获取部211而运行,获取学习用数据群120。本步骤S301可与所述步骤S101同样地处理。而且,控制部21获取难易度数据125。当获取学习用数据群120及难易度数据125时,控制部21将处理推进至下个步骤S302。
(步骤S302及步骤S303)
步骤S302及步骤S303中,控制部21作为学习处理部212而运行,实施从所设定的难易度低的学习用数据集121起依序利用的阶段性的机器学习,由此来构建习得了对制品的良否进行判定的能力的第二识别器6。
具体而言,步骤S302中,控制部21参照难易度数据125,根据所设定的难易度来将学习用数据群120中所含的各件学习用数据集121分类为多个群组。所设定的群组的数量也可无特别限定,例如可根据学习用数据集121的件数、难易度的种类(例如等级的种类、得分的范围)等来适当决定。
另外,控制部21只要通过难易度来阶段性地设定各群组,则也可将难易度不同的学习用数据集121分类为同一群组。例如设想下述场景:难易度的范围为“1”~“5”,将各件学习用数据集121分类为两个群组。此时,控制部21也可将难易度“1”及“2”的学习用数据集121和难易度“3”的一部分学习用数据集121分类为第一群组。并且,控制部21也可将难易度“4”及“5”的学习用数据集121和难易度“3”的剩余的学习用数据集121分类为第二群组。
接下来,步骤S303中,控制部21从所分类的多个群组中的、包含所设定的难易度低的学习用数据集121的群组起依序利用,来进行第二识别器6的机器学习。利用各群组的机器学习可与所述步骤S103同样地进行。
即,控制部21关于各群组中所含的各件学习用数据集121而重复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的所述一连串处理,直至从神经网络输出的输出值与跟正解数据123对应的值一致为止。由此,控制部21能够构建学习完成的第二识别器6,所述学习完成的第二识别器6在输入图像数据122时,输出与由正解数据123所示的正解对应的输出值。
控制部21从包含难易度低的学习用数据集121的群组起依序适用于所述神经网络的学习处理。即,控制部21首先将包含难易度最低的学习用数据集121的群组226适用于学习处理。由此,控制部21相对于群组226中所含的各件学习用数据集121而构建学习完成的第二识别器6,所述学习完成的第二识别器6在输入图像数据122时,输出与跟所输入的图像数据122相关联的正解数据123对应的输出值。接下来,控制部21选择继群组226之后难易度高的群组,关于所选择的群组执行同样的学习处理。控制部21重复所述一连串机器学习的处理,直至包含难易度最高的学习用数据集121的群组228的学习处理完成为止。由此,控制部21通过实施从所设定的难易度低的学习用数据集121起依序利用的阶段性的机器学习,从而能够构建习得了对制品的良否进行判定的能力的第二识别器6。
(步骤S304)
步骤S304中,控制部21作为学习处理部212而运行,将表示通过机器学习而构建的第二识别器6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229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,在构建了第二识别器6后,控制部21也可将所制作的第二学习结果数据229转发给检查装置3。而且,控制部21也可将所制作的第二学习结果数据229保管到NAS等数据服务器中。此时,检查装置3也可从所述数据服务器获取第二学习结果数据229。而且,由学习装置2所制作的第二学习结果数据229也可被预先装入检查装置3。
[检查流程]
接下来,使用图11来说明检查装置3的运行例。图11是例示检查装置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S401)
步骤S401中,控制部31作为对象数据获取部311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321。本实施方式中,检查装置3经由外部接口34而连接于摄像机41。因此,控制部31从摄像机41获取对象图像数据321。所述对象图像数据321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321时,控制部31将处理推进至下个步骤S402。
但是,获取对象图像数据321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3不同的其他信息处理装置连接于摄像机41。此时,检查装置3也可从其他信息处理装置受理对象图像数据321的发送,由此来获取对象图像数据321。
(步骤S402)
步骤S402中,控制部31作为良否判定部312而运行,将所获取的对象图像数据321输入至第二识别器6,执行所述第二识别器6的运算处理,由此,从所述第二识别器6获取输出值。并且,控制部31基于从第二识别器6获取的输出值,来判定映照在对象图像数据321中的制品R的良否。
具体而言,控制部31参照第二学习结果数据229来进行学习完成的第二识别器6的设定。继而,控制部31将对象图像数据321输入至第二识别器6的输入层61,从输入侧起依序进行各层61~63中所含的各神经元的点燃判定。由此,控制部31从第二识别器6的输出层63获取与对映照在所输入的对象图像数据321中的制品R的良否进行判定的结果对应的输出值。
第二识别器6的输出值的格式与所述第一识别器5同样,可根据实施方式来适当选择。例如,第二识别器6的输出值既可表示制品中是否存在缺陷,也可表示在制品中存在或不存在缺陷的概率。此时,控制部31能够基于从第二识别器6获取的输出值来判定制品R中是否存在缺陷。
而且,例如,第二识别器6的输出值也可表示在制品中存在的缺陷的种类。此时,检查装置3也可将使第二识别器6的输出值与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32中。本步骤S402中,控制部31通过对参照信息进行参照,便能够确定与从第二识别器6获取的输出值对应的缺陷种类。
即,根据第二识别器6的输出值的格式来判定制品R的良否,可为判定制品R中是否存在缺陷、导出制品中存在或不存在缺陷的概率、确定制品R中存在的缺陷的种类等。当制品R的良否判定完成时,控制部31将处理推进至下个步骤S403。
(步骤S403)
步骤S403中,控制部31作为输出部313而运行,输出通过步骤S402对制品R的良否进行判定的结果。
对制品R的良否进行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31也可将对制品R的良否进行判定的结果直接输出至输出装置36。而且,在步骤S402中,当判定为制品R存在缺陷时,控制部31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,在进行制品搬送的制造线连接有检查装置3的情况下,当判定为制品R存在缺陷时,控制部31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。
当对制品R的良否进行判定的结果的输出处理完成时,控制部31结束本运行例的处理。另外,控制部31也可每当在制造线上受到搬送的制品R进入摄像机41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3能够进行在制造线上受到搬送的制品R的外观检查。
[学习用数据集的追加流程]
接下来,使用图12来说明对追加的学习用数据集181进行收集时的学习数据生成装置1的运行例。图12是例示通过学习数据生成装置1来收集追加的学习用数据集181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11作为学习用数据获取部111而运行,参照难易度数据125,基于对各件学习用数据集121设定的难易度,从学习用数据群120中提取特定难易度的学习用数据集180。
所提取的难易度可根据实施方式来适当决定。例如,控制部11也可提取所设定的难易度最高的学习用数据集121来作为学习用数据集180。而且,例如,控制部11也可经由操作员对输入装置14的操作来受理所提取的难易度的指定。此时,控制部11也可提取由操作员所指定的难易度的学习用数据集121来作为学习用数据集180。当学习用数据集180的提取完成时,控制部11将处理推进至下个步骤S502。
(步骤S502)
步骤S502中,控制部11作为学习用数据获取部111而运行,对与在步骤S501中提取的特定难易度的学习用数据集180中所含的图像数据122类似的追加图像数据182进行收集。
获取追加图像数据182的方法可根据实施方式来适当选择。在学习数据生成装置1连接有摄像机(未图示)的情况下,控制部11也可通过利用所述摄像机来拍摄制品而获取追加图像数据182。而且,在独立于学习用数据群120而将映照有制品的图像数据保存在存储部12、NAS等存储区域中的情况下,控制部11也可获取保存在所述存储区域中的图像数据来作为追加图像数据182。
而且,判定所提取的特定难易度的学习用数据集180中所含的图像数据122与追加图像数据182是否类似的方法可根据实施方式来适当决定。例如,控制部11也可基于各像素值的一致程度,来算出作为追加图像数据182的候选的图像数据、与所提取的学习用数据集180的图像数据122的一致度。并且,若所算出的一致度超过规定的阈值,则控制部11也可判定为候选的图像数据类似于所提取的学习用数据集180的图像数据122,从而获取所述候选的图像数据来作为追加图像数据182。另一方面,若所算出的一致度超过规定的阈值,则控制部11也可判定为候选的图像数据不类似于图像数据122,从追加图像数据182的候选中排除所述图像数据。另外,阈值可适当决定。
而且,所收集的追加图像数据182的件数可根据实施方式来适当决定。例如,所收集的追加图像数据182的件数也可通过设定值来规定。而且,例如,控制部11也可经由操作员对输入装置14的操作来受理所收集的追加图像数据182的件数的指定。当追加图像数据182的收集完成时,控制部11将处理推进至下个步骤S503。
(步骤S503)
步骤S503中,控制部11作为学习用数据获取部111而运行,对在步骤S502中收集的追加图像数据182赋予正解数据183,由此来生成新的学习用数据集181,所述正解数据183表示对映照在所述追加图像数据182中的制品的良否判定的正解。
正解数据183的具体内容可适当决定。例如,控制部11也可从学习用数据群120中获取与作为对追加图像数据182进行收集的基础的图像数据122相关联的正解数据123来作为正解数据183。而且,例如,控制部11也可根据操作员对输入装置14的操作来决定正解数据183的内容。
(步骤S504)
步骤S504中,控制部11作为学习用数据获取部111而运行,将所生成的新的学习用数据集181保存到保存有学习用数据群120的存储区域中。由此,控制部11将所生成的新的学习用数据集181追加至学习用数据群120。当所生成的新的学习用数据集181的追加完成时,控制部11结束本运行例的处理。
由于构成学习用数据群120的学习用数据集121的件数不足、特定难易度的学习用数据集121的件数不足等的理由,所述学习装置2有可能无法构建性能高的第二识别器6。因此,所述步骤S501~步骤S504对学习用数据集的追加处理可在由所述学习装置2所构建的第二识别器6的性能不够充分的情况下执行。由此,能够消除学习用数据集121的件数不足,从而能够通过所述学习装置2来构建性能高的第二识别器6。
另外,对于第二识别器6的性能是否不够充分的判定,可使用与学习用数据群120的学习用数据集121同样地收集的评估用数据集。即,将评估用数据集中所含的图像数据输入至第二识别器6,由此,能够从第二识别器6获得与对映照在所述图像数据中的制品的良否进行判定的结果对应的输出值。并且,根据从第二识别器6获取的输出值与由跟所输入的图像数据相关联的正解数据所示的正解是否一致,能够判定第二识别器6是否能正确进行良否判定。例如,能够基于第二识别器6针对所述评估用数据集而正确地进行了良否判定的比率,来评估第二识别器6的性能。所述第二识别器6的一连串评估处理既可由学习数据生成装置1、学习装置2及检查装置3中的任一者来执行,也可由除它们以外的其他信息处理装置来执行。
而且,学习数据生成装置1也可在所生成的新的学习用数据集181的追加完成后,向学习装置2发送利用经更新的学习用数据群120来再次实施第二识别器6的机器学习的指令。学习装置2也可根据收到所述指令的情况,执行所述步骤S301~步骤S304的一连串处理,由此来实施第二识别器6的再学习。
此时,新的学习用数据集181的难易度可适当设定。例如,控制部11也可将在步骤S501中提取的难易度设定为新的学习用数据集181的难易度。而且,例如,控制部11也可对新的学习用数据集181执行所述步骤S202及S203的处理,由此来设定新的学习用数据集181的难易度。
而且,控制部11也可将在步骤S501中提取的特定难易度的学习用数据集180中所含的图像数据122显示于显示器(输出装置15),以敦促操作员收集追加图像数据182。与此相应地,控制部11也可受理图像数据的输入,由此获取所输入的图像数据来作为追加图像数据182。
[特征]
在用以利用于机器学习的学习用数据集中,存在容易识别的学习用数据集、与难以识别的学习用数据集。若仅利用容易识别的学习用数据集来实施机器学习,则有可能无法构建能够应对制品的良否判定困难的情况的识别器。另一方面,在仅利用难以识别的学习用数据集来实施机器学习的情况下,过度适合于特殊情况的识别,从而也有可能无法构建通用化能力高的识别器。进而,若在使容易识别的学习用数据集与难以识别的学习用数据集混合的状态下实施机器学习,则由于会陷入对在学习用数据群中表现的制品的良否进行判定的局部解等的理由,而有可能无法构建通用化能力高的识别器。
与此相对,本实施方式的检查系统100中,通过所述步骤S202及步骤S203的处理,能够利用多个第一识别器5来对学习用数据群120中所含的各件学习用数据集121适当地设定良否判定的难易度。并且,步骤S302及步骤S303中,本实施方式的检查系统100实施从所设定的难易度低的学习用数据集121起依序利用的阶段性的机器学习,由此来构建习得了对制品的良否进行判定的能力的第二识别器6。由此,首先,通过利用难易度低的学习用数据集121的机器学习,能够使第二识别器6习得在学习用数据群120中表现的良否的判定的整体倾向。随后,通过利用难易度高的学习用数据集121的机器学习,能够使第二识别器6习得在学习用数据群120中表现的良否的判定的详细倾向。
因此,根据本实施方式,在步骤S303的处理中,能够构建可通过所准备的学习用数据群120而达成的通用化性能相对较高的第二识别器6。因此,本实施方式的检查系统100在所述步骤S401~步骤S403的处理中,通过利用在步骤S303中构建的第二识别器6,能够相对较高精度地实施映照在对象图像数据321中的制品R的良否判定。
§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,各第一识别器5是由学习装置2所构建。但是,构建第一识别器5的装置也可不限于学习装置2。多个第一识别器5中的至少任一个也可由学习装置2以外的其他信息处理装置而构建。在各第一识别器5是由其他信息处理装置所构建的情况下,所述步骤S101~步骤S104的一连串处理的执行可予以省略。
而且,所述实施方式中,对于各第一识别器5的机器学习,利用了从学习用数据群120中选择的多件学习用数据集121。但是,利用于各第一识别器5的机器学习的学习用数据集也可不限定于此例。对于各第一识别器5的机器学习,也可使用并非来源于学习用数据群120的学习用数据集。所述学习用数据集可适当获取。
<4.2>
所述实施方式中,各识别器(5,6)包含多层结构的全连接神经网络。但是,构成各识别器(5,6)的神经网络的种类也可不限定于此例,可根据实施方式来适当选择。例如,对于构成各识别器(5,6)的神经网络,可采用卷积神经网络、递归神经网络等。另外,在多个第一识别器5中的至少一部分第一识别器5中采用的神经网络的种类也可与其他第一识别器5中采用的神经网络的种类不同。
而且,所述实施方式中,作为各识别器(5,6)的学习模型,使用了神经网络。但是,各识别器(5,6)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。对于各识别器(5,6)的学习模型,例如也可使用支持向量机等。另外,在多个第一识别器5中的至少一部分第一识别器5中采用的学习模型也可与其他第一识别器5中采用的学习模型不同。
<4.3>
所述实施方式中,学习用数据获取部111构成为,通过步骤S501~步骤S504的一连串处理,可将新的学习用数据集181追加至学习用数据群120。但是,学习用数据获取部111也可不以此方式构成。此时,所述实施方式中,步骤S501~步骤S504的一连串处理的执行也可予以省略。
<4.4>
所述实施方式中,第一学习结果数据224及第二学习结果数据229分别包含表示神经网络的结构的信息。但是,第一学习结果数据224及第二学习结果数据229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(5,6)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,第一学习结果数据224及第二学习结果数据229也可不分别包含表示神经网络的结构的信息。
<4.5>
所述实施方式中,学习数据生成装置1利用多个第一识别器5来判定各件学习用数据集121的难易度。但是,判定各件学习用数据集121的难易度的方法也可不限定于此例。也可通过一个第一识别器5来判定各件学习用数据集121的难易度。
图13示意性地例示本变形例的学习数据生成装置1A的软件结构的一例。除了判定各件学习用数据集121的难易度的方法不同以外,学习数据生成装置1A可与所述实施方式的学习数据生成装置1同样地构成。即,学习数据生成装置1A的硬件结构可与所述学习数据生成装置1的硬件结构相同。而且,学习数据生成装置1A的软件结构除了难易度设定部112被替换为包含一个第一识别器5的难易度设定部112A以外,可与所述学习数据生成装置1的软件结构相同。本变形例的检查系统可包含所述学习数据生成装置1A、所述学习装置2及所述检查装置3。
本变形例的学习数据生成装置1A的控制部除了步骤S202及步骤S203的处理内容不同以外,可通过与所述实施方式的学习数据生成装置1同样的处理流程来制作附难易度的学习用数据集121。而且,学习数据生成装置1A的控制部可通过执行步骤S501~步骤S504的处理,来将新的学习用数据集181追加至学习用数据群120。
本变形例中,步骤S202中,学习数据生成装置1A的控制部作为难易度设定部112A而运行,通过参照第一学习结果数据224,来进行已通过机器学习而习得了对制品的良否进行判定的能力的第一识别器5的设定。继而,控制部将各件学习用数据集121的图像数据122输入至第一识别器5的输入层51,从输入侧起依序进行各层51~53中所含的各神经元的点燃判定。由此,控制部从第一识别器5获取与对映照在所输入的图像数据122中的制品的良否进行判定的结果对应的输出值。
在接下来的步骤S203中,控制部作为难易度设定部112A而运行,算出从第一识别器5算出的输出值、与用于判定制品良否的第一识别器5的决定边界的距离。并且,控制部根据所算出的距离,对各件学习用数据集121设定良否判定的难易度。
识别器的决定边界与识别器的输出值的距离表示映照在为了获得所述输出值而输入的图像数据中的制品的良否的判定容易度。即,识别器的决定边界与识别器的输出值的距离越大,则映照在为了获得所述输出值而输入的图像数据中的制品的良否判定越容易。另一方面,识别器的决定边界与识别器的输出值的距离越小,则映照在对应的图像数据中的制品的良否判定越困难。
因此,控制部以与从第一识别器5算出的输出值和决定边界的距离成反比的方式,来设定各件学习用数据集121的难易度。即,控制部对从第一识别器5算出的输出值与决定边界的距离越大的学习用数据集121,设定为越低的难易度。另一方面,从第一识别器5算出的输出值与决定边界的距离越小的学习用数据集121,控制部设定为越高的难易度。由此,本变形例的学习数据生成装置1A与所述实施方式同样,可适当地设定各件学习用数据集121的难易度。
另外,第一识别器5的决定边界例如可相对于输入数据的坐标空间而通过以下的数1的式来表示。
[数1]
sign{f(x)-b}
x表示输入数据,b表示常数。数1的式的值为0的输入数据表示决定边界。因此,控制部关于各件学习用数据集121,将图像数据122输入至数1的x,算出数1的式的绝对值,由此,能够算出来自第一识别器5的输出值与决定边界的距离。
<4.6>
所述实施方式中,表示了将本发明适用于进行制品的外观检查的场景的示例。但是,本发明的适用范围也可不限于此种外观检查的场景。本发明能够广泛适用于从图像数据中判定某些特征即被摄物的状态的场景。
图14示意性地例示本变形例的识别装置3B的软件结构的一例。除了作为处理对象的数据由映照有制品的图像数据被替换为映照有某些被摄物的图像数据以外,本变形例的识别系统可与所述检查系统100同样地构成。即,本变形例的识别系统可包含所述学习数据生成装置1、学习装置2及识别装置3B。识别装置3B的硬件结构可与所述检查装置3的硬件结构相同。而且,识别装置3B的软件结构除了良否判定部312替换为状态判定部312B以外,可与所述检查装置3的软件结构相同。
本变形例中,被摄物也可包含可能映照在图像数据中的所有对象物,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,被摄物的状态也可包含可通过识别器来判定的被摄物的所有属性。在被摄物为脸部的情况下,作为判定对象的状态例如可为表情的种类、脸部的部位(包含器官)的位置(包含特定器官彼此的相对位置关系)、脸部的部位的形状、脸部的部位的颜色、脸部的部位的状态(开度、角度等)、拥有所述脸部的个人等。拥有脸部的个人的判定可为了实施脸部认证而进行。在被摄物为对象者的身体的情况下,作为判定对象的状态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,作为判定对象的状态例如可为工件的位置、姿势等。
本变形例中,所述学习用数据集121被替换为学习用数据集,所述学习用数据集包含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被摄物的状态判定的正解。由此,学习装置2能够通过与所述实施方式同样的处理流程,来构建习得了对被摄物的状态进行判定的能力的各识别器。即,学习装置2一边变更学习条件,一边重复所述步骤S101~步骤S104的处理,由此,能够通过不同的学习条件的机器学习而生成习得了对被摄物的状态进行判定的能力的多个第一识别器。
而且,本变形例中,学习数据生成装置1通过所述步骤S201的处理而获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含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被摄物的状态判定的正解。接下来,学习数据生成装置1通过所述步骤S202的处理,对已通过机器学习而习得了对被摄物的状态进行判定的能力的各第一识别器输入各件学习用数据的图像数据,执行各第一识别器的运算处理。本变形例中,与所述实施方式同样,也可使用通过不同的学习条件的机器学习而构建的多个第一识别器。由此,学习数据生成装置1从所述多个第一识别器分别获取与对映照在所输入的图像数据中的被摄物的状态进行判定的结果对应的输出值。继而,学习数据生成装置1通过所述步骤S203的处理,根据从各第一识别器获取的输出值符合正解数据所示的正解的程度,来对各件学习用数据集设定判定的难易度。对于难易度的判定方法,可采用所述第一方法~第三方法中的任一种。并且,学习数据生成装置1通过所述步骤S204及步骤S205,来生成表示各件学习用数据集与所设定的难易度的对应关系的难易度数据,将所生成的难易度数据跟学习用数据群一同保存到规定的存储区域中。
而且,本变形例中,学习装置2通过所述步骤S301~步骤S303的处理,实施从所设定的难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对被摄物的状态进行判定的第二识别器6B。并且,学习装置2通过所述步骤S304的处理,将表示通过机器学习而构建的第二识别器6B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229B而保存到存储部22中。
而且,本变形例中,识别装置3B的控制部通过所述步骤S401的处理,作为对象数据获取部311而运行,获取对象图像数据321B,所述对象图像数据321B映照有作为判定状态的对象的被摄物。步骤S402中,识别装置3B的控制部作为状态判定部312B而运行,参照第二学习结果数据229B来进行学习完成的第二识别器6B的设定。继而,控制部将所获取的对象图像数据321B输入至第二识别器6B,执行所述第二识别器6B的运算处理。由此,控制部从第二识别器6B获取输出值,基于所获取的输出值来判定映照在对象图像数据321B中的被摄物的状态。并且,控制部通过所述步骤S403的处理,作为输出部313而运行,输出对被摄物的状态进行判定的结果。
根据以上,本变形例中,能够构建第二识别器6B,所述第二识别器6B能够相对较高精度地判定映照在对象图像数据中的被摄物的状态。因此,识别装置3B中,能够相对较高精度地判定映照在对象图像数据321B中的被摄物的状态。
另外,本变形例中,学习数据生成装置1也可通过所述步骤S501的处理,基于对各件学习用数据集设定的难易度,从学习用数据群中提取特定难易度的学习用数据集。接下来,学习数据生成装置1也可通过所述步骤S502的处理,对与所提取的特定难易度的学习用数据集中所含的图像数据类似的追加图像数据进行收集。继而,学习数据生成装置1也可通过所述步骤S503的处理,对所收集的追加图像数据赋予正解数据,由此来生成新的学习用数据集,所述正解数据表示对映照在所述追加图像数据中的被摄物的状态判定的正解。并且,学习数据生成装置1也可通过所述步骤S504的处理,来将所生成的新的学习用数据集追加至学习用数据群。
而且,与所述<4.5>同样,本变形例中,也可并非利用多个第一识别器,而是利用一个第一识别器来判定各件学习用数据集的难易度。即,学习数据生成装置1也可在所述步骤S202中,对已通过机器学习而习得了对被摄物的状态进行判定的能力的第一识别器输入各件学习用数据集的图像数据,由此,从所述第一识别器获取与对映照在所输入的图像数据中的被摄物的状态进行判定的结果对应的输出值。并且,学习数据生成装置1也可在所述步骤S203中,算出从第一识别器获取的输出值、与用于判定被摄物的状态的第一识别器的决定边界的距离,根据所算出的距离来对各件学习用数据集设定判定的难易度。
<4.7>
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判定某些特征(被摄物的状态)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判定特征的场景。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。
图15~图17示意性地例示本变形例的学习数据生成装置1C、学习装置2C及识别装置3C各自的软件结构的一例。除了作为处理对象的数据由图像数据切换为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。即,学习数据生成装置1C、学习装置2C及识别装置3C各自的硬件结构可与所述学习数据生成装置1、学习装置2及检查装置3各自的硬件结构相同。学习数据生成装置1C的软件结构除了作为处理对象的数据被替换以外,可与所述学习数据生成装置1的软件结构相同。同样,学习装置2C的软件结构除了作为处理对象的数据被替换以外,可与所述学习装置2的软件结构相同。而且,识别装置3C的软件结构除了良否判定部312被替换为特征判定部312C以外,可与所述检查装置3的软件结构相同。
本变形例中,作为处理对象的数据也可包含可能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、包含它们的组合的数据等。特征也可包含可从数据识别的所有特征。在作为处理对象的数据为声音数据的情况下,所判定的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,在作为处理对象的数据为血压、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,所判定的特征例如可为对象者的状态等。而且,在作为处理对象的数据为机械的驱动量等数值数据或文本数据的情况下,所判定的特征例如可为机械的状态等。
本变形例中,所述学习用数据集121被替换为学习用数据集121C,所述学习用数据集121C包含规定种类的数据122C及正解数据123C的组合,所述正解数据123C表示对所述数据中所含的特征进行判定的结果的正解。由此,学习装置2C能够通过与所述实施方式同样的处理流程,来构建习得了对被摄物的状态进行判定的能力的各识别器。
此时,学习装置2C的控制部也可与所述实施方式同样,一边变更学习条件,一边重复所述步骤S101~步骤S104的处理,由此,通过不同的学习条件的机器学习来构建习得了对被摄物的状态进行判定的能力的多个第一识别器5C。但是,多个第一识别器5C也可不限定于此例。学习装置2C的控制部也可不变更学习条件而重复所述步骤S101~步骤S104的处理,由此,通过同一学习条件的机器学习来构建习得了对被摄物的状态进行判定的能力的两个以上的第一识别器5C。在构建了各第一识别器5C之后,学习装置2C的控制部将表示各第一识别器5C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224C而保存到存储部中。
而且,本变形例中,学习数据生成装置1C的控制部通过所述步骤S201的处理,来获取包含多件学习用数据集121C的学习用数据群120C,所述多件学习用数据集121C分别包含规定种类的数据122C及正解数据123C的组合,所述正解数据123C表示对所述数据122C中所含的特征的判定的正解。接下来,控制部通过所述步骤S202的处理,参照各件第一学习结果数据224C,来进行已通过机器学习而习得了对特征进行判定的能力的各第一识别器5C的设定。本变形例中,与所述实施方式同样,各第一识别器5C是通过不同的学习条件的机器学习而构建。继而,控制部将各件学习用数据集121C的数据122C输入至各第一识别器,执行各第一识别器的运算处理。由此,控制部从各第一识别器5C获取与对所输入的数据122C中所含的特征进行判定的结果对应的输出值。进而,控制部通过所述步骤S203的处理,根据从各第一识别器5C获取的输出值符合由正解数据123C所示的正解的程度,来对各件学习用数据集121C设定判定的难易度。对于难易度的判定方法,可采用所述第一方法~第三方法中的任一种。第一方法中,控制部可对基于从各第一识别器5C获取的输出值来对特征进行判定的结果与正解数据123C所示的正解一致的比率越高的学习用数据集121C,设定为越低的难易度。而且,第三方法中,控制部可对基于输出值来对特征进行判定的结果在规定的确信度以上与正解数据123C所示的正解一致的第一识别器5C的数量越多的学习用数据集121C,设定为越低的难易度。并且,控制部通过所述步骤S204及步骤S205,生成表示各件学习用数据集121C与所设定的难易度的对应关系的难易度数据125,并将所生成的难易度数据125跟学习用数据群120C一同保存到规定的存储区域中。
而且,本变形例中,学习装置2C的控制部通过所述步骤S301~步骤S303的处理,实施从所设定的难易度低的学习用数据集121C起依序利用的阶段性的机器学习,由此来构建对特征进行判定的第二识别器6C。并且,控制部通过所述步骤S204的处理,将表示通过机器学习而构建的第二识别器6C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229C而保存到存储部中。
而且,本变形例中,识别装置3C的控制部通过所述步骤S401的处理,作为对象数据获取部311而运行,获取对象数据321C,所述对象数据321C包含作为要判定的对象的特征。获取对象数据321C的方法可根据对象数据321C的种类来适当决定。步骤S402中,识别装置3C的控制部作为特征判定部312C而运行,参照第二学习结果数据229C来进行学习完成的第二识别器6C的设定。继而,控制部将所获取的对象数据321C输入至第二识别器6C,执行所述第二识别器6C的运算处理。由此,控制部从第二识别器6C获取输出值,基于所获取的输出值来判定对象数据321C中所含的特征。并且,控制部通过所述步骤S403的处理,作为输出部313而运行,输出对特征进行判定的结果。
根据以上,本变形例中,能够构建第二识别器6C,所述第二识别器6C能够相对较高精度地判定对象数据中所含的特征。因此,识别装置3C中,能够相对较高精度地判定对象数据321C中所含的特征。
另外,本变形例中,学习数据生成装置1C的控制部也可通过所述步骤S501的处理,基于对各件学习用数据集121C所设定的难易度,来从学习用数据群120C中提取特定难易度的学习用数据集180C。接下来,控制部也可通过所述步骤S502的处理,对与所提取的特定难易度的学习用数据集180C中所含的数据122C类似的追加数据182C进行收集。作为追加数据182C的候选的数据与学习用数据集180C中所含的数据122C是否类似,可根据数据122C的种类来适当判定。继而,控制部也可通过所述步骤S503的处理,对所收集的追加数据182C赋予正解数据183C,由此来生成新的学习用数据集181C,所述正解数据183C表示对所述追加数据182C中所含的特征的判定的正解。并且,控制部也可通过所述步骤S504的处理,将所生成的新的学习用数据集181C追加至学习用数据群120C。
而且,与所述<4.5>同样,本变形例中,也可并非利用多个第一识别器5C,而是利用一个第一识别器来判定各件学习用数据集121C的难易度。即,学习数据生成装置1C的控制部也可在所述步骤S202中,对已通过机器学习而习得了对特征进行判定的能力的第一识别器输入各件学习用数据集121C的数据122C,由此,从所述第一识别器获取与对所输入的数据122C中所含的特征进行判定的结果对应的输出值。并且,控制部也可在所述步骤S203中,算出从第一识别器获取的输出值与用于判定特征的第一识别器的决定边界的距离,根据所算出的距离来对各件学习用数据集121C设定判定的难易度。
Claims (23)
1.一种检查系统,检查制品的良否,所述检查系统包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含映照有所述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所述图像数据中的所述制品的良否判定的正解;
难易度设定部,对已通过机器学习而习得了对所述制品的良否进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定良否判定的难易度;
学习处理部,实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述制品的良否进行判定的第二识别器,实施所述阶段性的机器学习包含根据所设定的所述难易度来将各件所述学习用数据集分类为多个群组以及从所述难易度低的群组起依序对每个群组执行所述机器学习的处理;
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,将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值来判定映照在所述对象图像数据中的所述制品的良否。
2.根据权利要求1所述的检查系统,其中
所述难易度设定部对基于从所述多个第一识别器获取的输出值来对所述制品的良否进行判定的结果与所述正解数据所示的正解一致的比率越高的学习用数据集,设定为越低的难易度。
3.根据权利要求1所述的检查系统,其中
所述难易度设定部根据从所述多个第一识别器分别获取的输出值的和或积符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定良否判定的难易度。
4.根据权利要求1所述的检查系统,其中
所述难易度设定部对基于所述输出值来对所述制品的良否进行判定的结果在规定的确信度以上与所述正解数据所示的正解一致的第一识别器的数量越多的学习用数据集,设定为越低的难易度。
5.根据权利要求1至4中任一项所述的检查系统,其中
各所述第一识别器是通过利用部分数据群的机器学习而构建,所述部分数据群包含从所述学习用数据群选择的多件学习用数据集。
6.根据权利要求1至4中任一项所述的检查系统,其中
所述学习用数据获取部基于对各件所述学习用数据集所设定的所述难易度,来从所述学习用数据群提取特定难易度的学习用数据集,
对与所提取的所述特定难易度的学习用数据集中所含的所述图像数据类似的追加图像数据进行收集,
对所收集的所述追加图像数据赋予正解数据,由此来生成新的学习用数据集,所述正解数据表示对映照在所述追加图像数据中的所述制品的良否判定的正解,
将所生成的所述新的学习用数据集追加至所述学习用数据群。
7.一种学习数据生成装置,包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别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所述图像数据中的所述制品的良否判定的正解;
难易度设定部,对已通过机器学习而习得了对所述制品的良否进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定良否判定的难易度;以及
保存处理部,为了根据所述难易度分类为多个群组,且从所述难易度低的群组起依序对每个群组执行所述机器学习的处理,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
8.一种检查系统,检查制品的良否,所述检查系统包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含映照有所述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所述图像数据中的所述制品的良否判定的正解;
难易度设定部,对已通过机器学习而习得了对所述制品的良否进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述制品的良否进行判定的所述第一识别器的决定边界的距离,根据所算出的距离来对各件所述学习用数据集设定良否判定的难易度;
学习处理部,实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述制品的良否进行判定的第二识别器,实施所述阶段性的机器学习包含根据所设定的所述难易度来将各件所述学习用数据集分类为多个群组以及从所述难易度低的群组起依序对每个群组执行所述机器学习的处理;
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,将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值来判定映照在所述对象图像数据中的所述制品的良否。
9.一种学习数据生成装置,包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别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所述图像数据中的所述制品的良否判定的正解;
难易度设定部,对已通过机器学习而习得了对所述制品的良否进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述制品的良否进行判定的所述第一识别器的决定边界的距离,根据所算出的距离来对各件所述学习用数据集设定良否判定的难易度;以及
保存处理部,为了根据所述难易度分类为多个群组,且从所述难易度低的群组起依序对每个群组执行所述机器学习的处理,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
10.一种识别系统,包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;
难易度设定部,对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定判定的难易度;
学习处理部,实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述被摄物的状态进行判定的第二识别器,实施所述阶段性的机器学习包含根据所设定的所述难易度来将各件所述学习用数据集分类为多个群组以及从所述难易度低的群组起依序对每个群组执行所述机器学习的处理;
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判定状态的对象的所述被摄物;以及
状态判定部,将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值来判定映照在所述对象图像数据中的所述被摄物的状态。
11.一种学习数据生成装置,包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;
难易度设定部,对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据,由此,从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定判定的难易度;以及
保存处理部,为了根据所述难易度分类为多个群组,且从所述难易度低的群组起依序对每个群组执行所述机器学习的处理,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
12.一种识别系统,包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;
难易度设定部,对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述被摄物的状态进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,来对各件所述学习用数据集设定判定的难易度;
学习处理部,实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习,由此来构建对所述被摄物的状态进行判定的第二识别器,实施所述阶段性的机器学习包含根据所设定的所述难易度来将各件所述学习用数据集分类为多个群组以及从所述难易度低的群组起依序对每个群组执行所述机器学习的处理;
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判定状态的对象的所述被摄物;以及
状态判定部,将所获取的所述对象图像数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,基于从所述第二识别器获取的所述输出值来判定映照在所述对象图像数据中的所述被摄物的状态。
13.一种学习数据生成装置,包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含图像数据及正解数据的组合,所述正解数据表示对映照在所述图像数据中的被摄物的状态判定的正解;
难易度设定部,对已通过机器学习而习得了对所述被摄物的状态进行判定的能力的第一识别器输入各件所述学习用数据集的所述图像数据,由此,从所述第一识别器获取与对映照在所输入的所述图像数据中的所述被摄物的状态进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述被摄物的状态进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,来对各件所述学习用数据集设定判定的难易度;以及
保存处理部,为了根据所述难易度分类为多个群组,且从所述难易度低的群组起依序对每个群组执行所述机器学习的处理,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
14.一种识别系统,包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;
难易度设定部,对已通过机器学习而习得了对所述特征进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述数据,由此,从所述多个第一识别器分别获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,对各件所述学习用数据集设定判定的难易度;
学习处理部,实施从所设定的所述难易度低的学习用数据集起利用的阶段性的机器学习,由此来构建对所述特征进行判定的第二识别器,实施所述阶段性的机器学习包含根据所设定的所述难易度来将各件所述学习用数据集分类为多个群组以及从所述难易度低的群组起依序对每个群组执行所述机器学习的处理;
对象数据获取部,获取对象数据,所述对象数据包含作为要判定的对象的所述特征;以及
特征判定部,将所获取的所述对象数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,并基于从所述第二识别器获取的所述输出值来判定所述对象数据中所含的所述特征。
15.根据权利要求14所述的识别系统,其中
所述难易度设定部对基于从所述多个第一识别器获取的输出值来判定所述特征的结果与所述正解数据所示的正解一致的比率越高的学习用数据集,设定为越低的难易度。
16.根据权利要求14所述的识别系统,其中
所述难易度设定部根据从所述多个第一识别器分别获取的输出值的和或积符合所述正解数据所示的正解的程度,来对各件所述学习用数据集设定良否判定的难易度。
17.根据权利要求14所述的识别系统,其中
所述难易度设定部对基于所述输出值来判定所述特征的结果在规定的确信度以上与所述正解数据所示的正解一致的第一识别器的数量越多的学习用数据集,设定为越低的难易度。
18.根据权利要求14至17中任一项所述的识别系统,其中
各所述第一识别器是通过利用部分数据群的机器学习而构建,所述部分数据群包含从所述学习用数据群选择的多件学习用数据集。
19.根据权利要求14至17中任一项所述的识别系统,其中
所述学习用数据获取部基于对各件所述学习用数据集设定的所述难易度,来从所述学习用数据群中提取特定难易度的学习用数据集,
对与所提取的所述特定难易度的学习用数据集中所含的所述数据类似的追加数据进行收集,
对所收集的所述追加数据赋予正解数据,由此来生成新的学习用数据集,所述正解数据表示对所述数据中所含的所述特征的判定的正解,
将所生成的所述新的学习用数据集追加至所述学习用数据群。
20.根据权利要求14至17中任一项所述的识别系统,其中
所述多个第一识别器分别通过不同的学习条件的机器学习而构建。
21.一种学习数据生成装置,包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;
难易度设定部,对已通过机器学习而习得了对所述特征进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述数据,由此,从所述多个第一识别器分别获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度,对各件所述学习用数据集设定判定的难易度;以及
保存处理部,为了根据所述难易度分类为多个群组,且从所述难易度低的群组起依序对每个群组执行所述机器学习的处理,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
22.一种识别系统,包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;
难易度设定部,对已通过机器学习而习得了对所述特征进行判定的能力的第一识别器输入各件所述学习用数据集的所述数据,由此,从所述第一识别器获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述特征进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,对各件所述学习用数据集设定判定的难易度;
学习处理部,实施从所设定的所述难易度低的学习用数据集起利用的阶段性的机器学习,由此来构建对所述特征进行判定的第二识别器,实施所述阶段性的机器学习包含根据所设定的所述难易度来将各件所述学习用数据集分类为多个群组以及从所述难易度低的群组起依序对每个群组执行所述机器学习的处理;
对象数据获取部,获取对象数据,所述对象数据包含作为要判定的对象的所述特征;以及
特征判定部,将所获取的所述对象数据输入至所述第二识别器,由此,从所述第二识别器获取输出值,并基于从所述第二识别器获取的所述输出值来判定所述对象数据中所含的所述特征。
23.一种学习数据生成装置,包括:
学习用数据获取部,获取包含多件学习用数据集的学习用数据群,所述多件学习用数据集分别包含规定种类的数据及正解数据的组合,所述正解数据表示对所述数据中所含的特征的判定的正解;
难易度设定部,对已通过机器学习而习得了对所述特征进行判定的能力的第一识别器输入各件所述学习用数据集的所述数据,由此,从所述第一识别器获取与对所输入的所述数据中所含的所述特征进行判定的结果对应的输出值,算出从所述第一识别器获取的输出值、与用于对所述特征进行判定的所述第一识别器的决定边界的距离,根据所算出的距离,对各件所述学习用数据集设定判定的难易度;以及
保存处理部,为了根据所述难易度分类为多个群组,且从所述难易度低的群组起依序对每个群组执行所述机器学习的处理,生成表示各件所述学习用数据集与所设定的难易度的对应关系的难易度数据,并将所生成的所述难易度数据跟所述学习用数据群一同保存到规定的存储区域中。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018047260A JP6844564B2 (ja) | 2018-03-14 | 2018-03-14 | 検査システム、識別システム、及び学習データ生成装置 |
JP2018-047260 | 2018-03-14 | ||
PCT/JP2019/010179 WO2019176989A1 (ja) | 2018-03-14 | 2019-03-13 | 検査システム、識別システム、及び学習データ生成装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111758117A CN111758117A (zh) | 2020-10-09 |
CN111758117B true CN111758117B (zh) | 2023-10-27 |
Family
ID=67907902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980013728.9A Active CN111758117B (zh) | 2018-03-14 | 2019-03-13 | 检查系统、识别系统以及学习数据生成装置 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210004721A1 (zh) |
EP (1) | EP3767582A4 (zh) |
JP (1) | JP6844564B2 (zh) |
CN (1) | CN111758117B (zh) |
WO (1) | WO2019176989A1 (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200364490A1 (en) * | 2019-05-15 | 2020-11-19 | Getac Technology Corporation | Image detection scanning method for object surface defects and image detection scanning system thereof |
JP7453767B2 (ja) * | 2019-09-25 | 2024-03-21 | キヤノン株式会社 | 情報処理装置、情報処理方法 |
US20230237774A1 (en) * | 2020-07-07 | 2023-07-27 | Sony Group Corporation | Data collection system, sensor device, data collection device, and data collection method |
JP2022139796A (ja) * | 2021-03-12 | 2022-09-26 | オムロン株式会社 | 支援装置および方法 |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11344450A (ja) * | 1998-06-03 | 1999-12-14 | Hitachi Ltd | 教示用データ作成方法並びに欠陥分類方法およびその装置 |
CN1823298A (zh) * | 2003-07-15 | 2006-08-23 | 欧姆龙株式会社 | 对象决定装置和摄像装置 |
CN101198987A (zh) * | 2005-06-15 | 2008-06-11 | 松下电器产业株式会社 | 对象检测装置及其学习装置 |
EP1986046A1 (en) * | 2007-03-08 | 2008-10-29 | Cellavision AB | A method for determining an in-focus position and a vision inspection system |
JP2009140369A (ja) * | 2007-12-07 | 2009-06-25 | Sony Corp | 集団学習装置及び集団学習方法、対象物検出装置及び対象物検出方法、並びにコンピュータ・プログラム |
JP2011096291A (ja) * | 2011-02-18 | 2011-05-12 | Panasonic Corp | 特徴抽出装置、対象物検出装置、特徴抽出方法、および対象物検出方法 |
JP2011214903A (ja) * | 2010-03-31 | 2011-10-27 | Denso It Laboratory Inc | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム |
CN102362282A (zh) * | 2009-03-26 | 2012-02-22 | 松下电工神视株式会社 | 信号识别方法及信号识别装置 |
TW201415379A (zh) * | 2012-07-27 | 2014-04-16 | Hitachi High Tech Corp | 匹配處理裝置、匹配處理方法及使用彼之檢查裝置 |
CN104915632A (zh) * | 2014-03-14 | 2015-09-16 | 欧姆龙株式会社 | 事件检测装置以及事件检测方法 |
JP2015191426A (ja) * | 2014-03-28 | 2015-11-02 | セコム株式会社 | 学習データ生成装置 |
JP2016051429A (ja) * | 2014-09-02 | 2016-04-11 | 株式会社Screenホールディングス | 教師データ作成支援方法、画像分類方法、教師データ作成支援装置および画像分類装置 |
JP2016197371A (ja) * | 2015-04-06 | 2016-11-24 | 大日本印刷株式会社 | 識別器生成装置、識別器生成方法、推定装置、推定方法、およびプログラム |
JP2017102906A (ja) * | 2015-11-25 | 2017-06-08 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP2017211690A (ja) * | 2016-05-23 | 2017-11-30 | 株式会社ツクタ技研 | 画像処理装置、画像処理方法、および画像処理プログラム |
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 |
JP2018005640A (ja) * | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 分類器生成装置、画像検査装置、及び、プログラム |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2012026982A (ja) | 2010-07-27 | 2012-02-09 | Panasonic Electric Works Sunx Co Ltd | 検査装置 |
CN103299324B (zh) * | 2010-11-11 | 2016-02-17 | 谷歌公司 | 使用潜在子标记来学习用于视频注释的标记 |
WO2016057480A1 (en) * | 2014-10-07 | 2016-04-14 | Google Inc. | Training neural networks on partitioned training data |
CN106548179B (zh) * | 2016-09-29 | 2019-09-17 | 北京市商汤科技开发有限公司 | 物体和服饰关键点的检测方法、装置和电子设备 |
US10664722B1 (en) * | 2016-10-05 | 2020-05-26 | Digimarc Corporation | Image processing arrangements |
EP3577570A4 (en) * | 2017-01-31 | 2020-12-02 | Mocsy Inc. | INFORMATION EXTRACTION FROM DOCUMENTS |
US11475351B2 (en) * | 2017-11-15 | 2022-10-18 | Uatc, Llc | Systems and methods for object detection, tracking, and motion prediction |
-
2018
- 2018-03-14 JP JP2018047260A patent/JP6844564B2/ja active Active
-
2019
- 2019-03-13 CN CN201980013728.9A patent/CN111758117B/zh active Active
- 2019-03-13 EP EP19767896.4A patent/EP3767582A4/en active Pending
- 2019-03-13 US US16/976,461 patent/US20210004721A1/en active Pending
- 2019-03-13 WO PCT/JP2019/010179 patent/WO2019176989A1/ja unknown
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH11344450A (ja) * | 1998-06-03 | 1999-12-14 | Hitachi Ltd | 教示用データ作成方法並びに欠陥分類方法およびその装置 |
CN1823298A (zh) * | 2003-07-15 | 2006-08-23 | 欧姆龙株式会社 | 对象决定装置和摄像装置 |
CN101198987A (zh) * | 2005-06-15 | 2008-06-11 | 松下电器产业株式会社 | 对象检测装置及其学习装置 |
EP1986046A1 (en) * | 2007-03-08 | 2008-10-29 | Cellavision AB | A method for determining an in-focus position and a vision inspection system |
JP2009140369A (ja) * | 2007-12-07 | 2009-06-25 | Sony Corp | 集団学習装置及び集団学習方法、対象物検出装置及び対象物検出方法、並びにコンピュータ・プログラム |
CN102362282A (zh) * | 2009-03-26 | 2012-02-22 | 松下电工神视株式会社 | 信号识别方法及信号识别装置 |
JP2011214903A (ja) * | 2010-03-31 | 2011-10-27 | Denso It Laboratory Inc | 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム |
JP2011096291A (ja) * | 2011-02-18 | 2011-05-12 | Panasonic Corp | 特徴抽出装置、対象物検出装置、特徴抽出方法、および対象物検出方法 |
TW201415379A (zh) * | 2012-07-27 | 2014-04-16 | Hitachi High Tech Corp | 匹配處理裝置、匹配處理方法及使用彼之檢查裝置 |
CN104915632A (zh) * | 2014-03-14 | 2015-09-16 | 欧姆龙株式会社 | 事件检测装置以及事件检测方法 |
JP2015191426A (ja) * | 2014-03-28 | 2015-11-02 | セコム株式会社 | 学習データ生成装置 |
JP2016051429A (ja) * | 2014-09-02 | 2016-04-11 | 株式会社Screenホールディングス | 教師データ作成支援方法、画像分類方法、教師データ作成支援装置および画像分類装置 |
JP2016197371A (ja) * | 2015-04-06 | 2016-11-24 | 大日本印刷株式会社 | 識別器生成装置、識別器生成方法、推定装置、推定方法、およびプログラム |
JP2017102906A (ja) * | 2015-11-25 | 2017-06-08 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
JP2017211690A (ja) * | 2016-05-23 | 2017-11-30 | 株式会社ツクタ技研 | 画像処理装置、画像処理方法、および画像処理プログラム |
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 |
JP2018005640A (ja) * | 2016-07-04 | 2018-01-11 | タカノ株式会社 | 分類器生成装置、画像検査装置、及び、プログラム |
Also Published As
Publication number | Publication date |
---|---|
EP3767582A4 (en) | 2021-12-15 |
CN111758117A (zh) | 2020-10-09 |
WO2019176989A1 (ja) | 2019-09-19 |
EP3767582A1 (en) | 2021-01-20 |
JP6844564B2 (ja) | 2021-03-17 |
US20210004721A1 (en) | 2021-01-07 |
JP2019159959A (ja) | 2019-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111758117B (zh) | 检查系统、识别系统以及学习数据生成装置 | |
CN109961421B (zh) | 数据生成装置、数据生成方法以及数据生成记录介质 | |
CN111699499B (zh) | 检查、图像识别、识别器生成系统及学习数据生成装置 | |
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 | |
US11836967B2 (en) | Method and device for small sample defect classification and computing equipment | |
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 | |
CN111814850A (zh) | 缺陷检测模型训练方法、缺陷检测方法及相关装置 | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
US20220405586A1 (en) | Model generation apparatus, estimation apparatus, model generation method, and computer-readable storage medium storing a model generation program | |
KR20200092143A (ko) | 딥러닝 신경망을 이용한 디스플레이 패널 불량 진단 시스템 및 방법 | |
CN113557536B (zh) | 学习系统、数据生成装置、数据生成方法及存储介质 | |
CN117355038B (zh) | 用于线路板软板的x型孔加工方法及其系统 | |
JP7056259B2 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
JP7059889B2 (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
CN116559170A (zh) | 一种产品质量检测方法及相关系统 | |
CN117102297A (zh) | 轻钢龙骨的自动化成型生产工艺及其系统 | |
CN115937555A (zh) | 一种基于标准化流模型的工业缺陷检测算法 | |
CN117011216A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
KR20230063742A (ko) | 계층적 cnn을 이용한 스마트 팩토리에서의 제품 불량 탐지 방법 및 이를 기록한 기록매체 | |
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 | |
CN113139932A (zh) | 一种基于集成学习的深度学习缺陷图像识别方法及系统 | |
CN115641486A (zh) | 一种超声甲状腺结节识别装置、方法、设备及存储介质 | |
KR20240020507A (ko) | 펄프몰드 제품의 불량 판정 및 그 방법 | |
CN118052809A (zh) | 一种考虑提示学习的零样本点云异常检测方法及系统 | |
CN115713483A (zh) | 一种电力安全工器具检测方法、记录媒体及系统 |
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 |