CN113167704A - 信息处理装置、信息处理方法、学习模型生成方法以及程序 - Google Patents
信息处理装置、信息处理方法、学习模型生成方法以及程序 Download PDFInfo
- Publication number
- CN113167704A CN113167704A CN201980080060.XA CN201980080060A CN113167704A CN 113167704 A CN113167704 A CN 113167704A CN 201980080060 A CN201980080060 A CN 201980080060A CN 113167704 A CN113167704 A CN 113167704A
- Authority
- CN
- China
- Prior art keywords
- data
- odor
- smell
- learning
- acquisition
- 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.)
- Pending
Links
- 230000010365 information processing Effects 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims description 22
- 238000003672 processing method Methods 0.000 title claims description 4
- 238000005259 measurement Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims description 22
- 238000012549 training Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000013078 crystal Substances 0.000 claims description 6
- 230000007613 environmental effect Effects 0.000 claims description 6
- 239000010453 quartz Substances 0.000 claims description 6
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 claims description 6
- 230000004044 response Effects 0.000 claims 1
- 230000035943 smell Effects 0.000 description 164
- 238000010586 diagram Methods 0.000 description 18
- 238000004891 communication Methods 0.000 description 11
- 238000004140 cleaning Methods 0.000 description 10
- 210000002569 neuron Anatomy 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010801 machine learning Methods 0.000 description 5
- 239000004065 semiconductor Substances 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000003380 quartz crystal microbalance Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000005669 field effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000005086 pumping Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
- G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
- G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
- G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
- G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4454—Signal recognition, e.g. specific values or portions, signal events, signatures
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4472—Mathematical theories or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
- G01N33/0004—Gaseous mixtures, e.g. polluted air
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N2291/00—Indexing codes associated with group G01N29/00
- G01N2291/02—Indexing codes associated with the analysed material
- G01N2291/021—Gases
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/02—Analysing fluids
- G01N29/022—Fluid sensors based on microsensors, e.g. quartz crystal-microbalance [QCM], surface acoustic wave [SAW] devices, tuning forks, cantilevers, flexural plate wave [FPW] devices
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Chemical & Material Sciences (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Combustion & Propulsion (AREA)
- Food Science & Technology (AREA)
- Medicinal Chemistry (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Optimization (AREA)
- Medical Informatics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Acoustics & Sound (AREA)
- Investigating Or Analyzing Materials By The Use Of Fluid Adsorption Or Reactions (AREA)
- User Interface Of Digital Computer (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种信息处理装置(1),其特征在于具备用于取得测量物体气味的气味数据的第1取得部,用于取得所述气味数据的取得条件的第2取得部,以及基于已学习了物体的所述气味数据和取得条件以及对应于所述气味数据的所述物体的学习模型,根据从所述第1取得部和第2取得部所取得的所述气味数据以及取得条件来识别所述物体的识别部。优选的是,所述取得条件是表示所述气味的类别的文本数据,是由进行所述气味的测量的用户来输入的文本数据。
Description
技术领域
本发明涉及信息处理装置、信息处理方法、学习模型生成方法以及程序。
背景技术
目前已存在根据物体的气味来进行物体识别的技术。例如在专利文献1中,公开了一种用于车辆的气味识别系统,所述系统根据安装在座位上的气味检测装置所检测到的信号来使用神经网络识别坐在车辆座位上的乘客。
现有技术文献
专利文献
专利文献1:日本特开2017-161300号公报
发明内容
然而,在专利文献1所公开的发明中,并未涉及到在考虑了测量气味时的条件之后的识别。
一方面,本发明旨在提供一种能够从物体的气味中适当地识别物体的信息处理装置或类似装置。
一方面所涉及的信息处理装置其特征在于,具备:第1取得部,用于取得测量物体气味的气味数据;第2取得部,用于取得所述气味数据的取得条件;以及识别部,其基于已学习了物体的所述气味数据和取得条件以及对应于所述气味数据的所述物体的学习模型,根据从所述第1取得部和第2取得部所取得的所述气味数据以及取得条件来识别所述物体。
另一方面,可以通过物体的气味来适当地识别物体。
附图说明
图1是表示气味识别系统构成例的示意图。
图2是表示服务器构成例的框图。
图3是表示用户DB、气味DB、域DB、学习DB的记录布局示例的说明图。
图4是表示终端构成例的框图。
图5是关于识别模型的说明图。
图6是表示识别模型生成处理过程的流程图。
图7是表示物体识别处理过程的流程图。
图8是表示测量屏幕示例的说明图。
图9是表示气味数据的列表屏幕示例的说明图。
图10是表示学习屏幕示例的说明图。
图11是表示判断屏幕示例的说明图。
图12是表示实施方式2所涉及的服务器执行处理过程示例的流程图。
具体实施方式
以下将根据表示实施方式的附图对本发明进行详细说明。
(实施方式1)
图1是表示气味识别系统构成例的示意图。在本实施方式中,利用通过机械学习而学习了测量物体气味的气味数据的识别模型141(学习模型、见图5),对可从气味数据中识别出物体的气味识别系统进行了说明。气味识别系统包括信息处理装置(分析管理装置)1、终端2、气味传感器3。信息处理装置1和终端2通过互联网等被通信地连接至网络N。
信息处理装置1是能够进行各种信息处理、发送和接收信息的信息处理装置,例如为服务器计算机、个人计算机等。在本实施方式中,设定信息处理装置1为服务器计算机,以下简称为服务器1。服务器1是可对用户任意上传的物体的气味数据进行分析和管理的服务器计算机,通过进行学习所述气味数据的机械学习,生成从气味数据来识别物体的识别模型141。然后,服务器1使用生成的识别模型141来识别物体。例如,如果物体是人,则服务器1根据测量了所述人的呼气气味的数据来识别人物。在此需要注意的是对人物的识别只是所述系统使用的一个例子,所述系统还可用于对其他物体的识别。
终端2是系统用户使用的终端设备,如个人电脑、平板终端、智能手机等。服务器1通过终端2从气味传感器3获得物体的气味数据,利用识别模型141识别物体,并将识别结果输出至终端2。
气味传感器3是一种测量物体气味的传感设备,可将与气味成分相应的气体分子转换为可由计算机处理的数值。例如,气味传感器3是一种采用QCM(Quartz CrystalMicrobalance:石英晶体微天平)方法的气味传感器,当气体分子吸附在石英晶体表面时,利用石英晶体的振荡将气味成分转换为频率数据。通过使用利用了石英晶体作为气味传感器的气味传感器3,可以获得比例如测量半导体电阻的半导体式气味传感器或使用FET(场效应晶体管)的生物传感器更接近人类嗅觉的气味数据。气味传感器3与用户的终端2连接,服务器1获得由气味传感器3测量的气味数据。
气味传感器3本身可以搭载通信模块,以便服务器1直接从气味传感器3获得气味数据。气味传感器3并不仅限于具有石英晶体的气味传感器,也可以是半导体式的气味传感器、FET生物传感器等等。
图2是表示服务器构成例的框图。服务器1具备控制部11、主存储部12、通信部13、以及辅助存储部14。
控制部11具有一个或多个CPU(Central Processing Unit:中央处理部)、MPU(Micro-Processing Unit:微处理部)、GPU(Graphics Processing Unit:图形处理部)等等的运算处理装置,通过读取和执行存储在辅助存储部14中的程序P来执行各种信息处理、控制处理等。主存储部12是例如SRAM(StaticRandom Access Memory:静态随机存取存储器)、DRAM(Dynamic Random Access Memory:动态随机存取存储器)、闪存等等的临时存储区域,用于临时存储控制部11执行运算处理所需的数据。通信部13是用于执行与通信有关的处理的通信模块,向外界传输和接收信息。
辅助存储部14是例如大容量存储器、硬盘等的非易失性存储区域,用于存储控制部11执行处理所需的程序P以及其他数据。辅助存储器14存储识别模型141、用户DB142、气味DB143、域DB144和学习DB145。识别模型141是基于气味数据来识别物体的模型,例如,是如下文所述的与神经网络有关的模型。识别模型141被设定为作为人工智能软件的一部分的程序模块来使用。用户DB142是存储各个系统用户信息的数据库。气味DB143是存储从气味传感器3获得的气味数据的数据库。领域DB144是存储下文所述的域(气味类别)信息的数据库。学习DB145是存储通过学习气味数据而获得的学习参数的数据库,用于存储在识别模型141(神经网络)中设置的权重。
辅助存储部14还可以是连接到服务器1的外部存储装置。服务器1既可以是由多台计算机组成的多计算机,也可以是由软件虚拟构建的虚拟机。
在本实施方式中,服务器1并不仅限于上述构成,还可以例如包括用于接收操作输入的接收输入部、用于显示图像的显示部等等。另外,服务器1还具备读取部,所述读取部用于读取如CD(Compact Disk)-ROM或DVD(DigitalVersatile Disc)-ROM等的便携式存储介质1a,并可从便携式存储介质1a读取和执行程序P。或者,服务器1还可以从半导体存储器1b读取程序P。
图3是显示用户DB142、气味DB143、域DB144和学习DB145的记录布局示例的说明图。
用户DB142包括用户ID列、用户名列、以及设备列。用户ID列存储了表示各个用户的标识符的用户ID。用户名列和设备列分别对应于用户ID来存储用户名以及用户使用的气味传感器3的名称。
气味DB143包括取得数据ID列、气味名列、取得日期和时间列、取得用户列、取得传感器列、数据列、以及取得条件列。取得数据ID列存储取得数据ID,所述取得数据ID是从气味传感器3取得的气味数据的标识符。气味名列、取得日期和时间列、取得用户列、取得传感器列、数据列以及取得条件列分别对应于取得数据ID来存储气味名(物体名)、取得日期和时间、取得源的用户名、取得源气味传感器3的名称、气味数据、以及气味数据的取得条件。取得条件列中存储例如将在下文说明的域名以及子域名、测量前清洗气味传感器3的清洗时间、气味(气体)的吸入时间、在气味传感器3的气室中的停留时间、测量后气味传感器3的清洗时间、测量气味的地点的位置信息、以及该地点的天气信息等等。关于界定气味数据取得条件的各种信息将在下文中详细说明。
域DB144包括域ID列、创建日期和时间列、创建用户列、域名列、子域名列、以及取得条件列。域ID列存储域ID,所述域ID表示气味类别的域的标识符。创建日期和时间列、创建用户列、域名列、子域名列、以及取得条件列分别对应于域ID存储用户在本系统中登录(创建)有关该域信息的日期和时间、登录用户名、域名、子域名、以及气味传感器3的测量条件(取得条件)。在取得条件列中,存储了例如气味测量前的预清洗时间、抽吸时间、停留时间、以及气味测量后的事后清洗时间。
学习DB145包括学习ID列、创建日期和时间列、创建用户列、气味名称列、域名列、子域名列、以及数据列。学习ID列存储了学习ID,所述学习ID是通过学习气味数据获得的学习参数(如神经网络的权重)的标识符。创建日期和时间列、创建用户列、气味名称列、域名列、子域名列和数据列分别对应于学习ID存储执行识别模型141的学习(创建)的创建日期和时间、执行识别模型141的学习的用户名、学习的气味名称、表示学习的气味数据的取得条件的域名、子域名、以及学习参数。
图4是表示终端2的构成例的框图。所述终端2具备控制部21、主存储部22、辅助存储部23、通信部24、显示部25、以及输入部26。
控制部21具有CPU等的运算处理装置,通过读取和执行存储在辅助存储部23中的程序来执行各种信息处理、控制处理等。主存储器22是RAM等的临时存储区域,用于临时存储控制部21执,行运算处理所需的数据。辅助存储器23是ROM(Read-Only Memory)等的非易失性存储区域,用于存储控制部21执行处理所需的程序以及其他数据。通信部24是用于执行通信相关处理的通信模块,与外界发送和接收信息。显示部25是液晶显示器等的显示屏幕,显示由控制部21给出的图像。输入部26是机械钥匙等的操作界面,用于接收来自用户的操作输入。
图5是关于识别模型141的说明图。以下根据图5对本实施方式的概要进行说明。
在本实施方式中,服务器1作为识别模型141使用由深度学习生成的神经网络模型。具体而言,识别模型141是与RNN(Recurrent Neural Network)的其中一种LSTM(Long-Short Term Memory)有关的模型,是输入由多个时间点的数据组成的时间序列数据的模型。
识别模型141具有接收时间序列数据输入的输入层,从输入层的输入数据中提取特征的中间层(隐藏层),以及基于特征输出识别结果的输出层。输入层有接收连续多个时间点的各自的数据输入的神经元,输入层的神经元将输入数据传递至中间层的神经元。中间层接收来自输入层的神经元的输入数据,并根据输入数据进行运算。在LSTM中,中间层的神经元被称为LSTM块,其临时存储自己的运算结果,在执行下一个时间点的输入数据相关运算时,参考上一个时间点的输入数据相关运算结果来进行。通过参考上一个时间点的运算结果,根据截至最近时间点的时间序列数据来执行下一个时间点的运算。输出层具有根据中间层的运算结果来运算输出值的神经元,并输出识别物体的识别结果。
另外,尽管在本实施方式中识别模型141被设定为多对一模型(Many-To-One),但输出也可以是多个。另外,虽然识别模型141被设定为只在过去时间点至未来时间点的单向(One-directional)上传播中间层的运算结果,但也可以是双向(Bi-directional)传播运算结果的模型。
另外,尽管本实施方式将识别模型141描述为LSTM,但其也可以是基于CNN(Convolution Neural Network)等其他深度学习、或者SVM(Support Vector Machine)、决策树等其他学习算法的模型。
在本实施方式中,服务器1生成识别模型141,该模型将测量了物体气味的气味数据作为输入,并将与输入的气味数据相对应的物体识别结果作为输出。输入识别模型141的气味数据是由上述气味传感器3测量的数据,并且是由QCM方法测量的频率的时间序列数据。例如,气味传感器3以数秒至数十秒的测量时间的间隔来对气味传感器3中的气室所吸入的气体(气味)进行测量,并取得所述测量时间内的频率的时间序列数据。服务器1所述数据作为气味数据来使用。
例如,服务器1从各个用户的终端2接收由气味传感器3测量的气味数据的上传,并对应于表示测量了气味的物体的气味名以及将在下文中说明的气味数据的取得条件来将气味数据存储在气味DB143中。服务器1将存储在气味DB143中的气味数据作为训练数据使用,从而生成识别模型141。
换言之,服务器1根据测量时的时间序列顺序依次将气味传感器3测量的时间序列气味数据输入到识别模型141的输入层的各个神经元中,并通过中间层的运算从输出层取得表示物体识别结果的输出值。在本实施方式中,服务器1抓住判断输入至输入层的气味数据所对应的物体是否对应于作为学习对象的特定物体的二级分类问题,来输出表示是否对应所述物体的概率值。通过针对每个识别模型141进行单一的物体识别,与由一个识别模型141来识别多个物体的多级分类相比,可以提高识别精确度。
识别模型141的输出值并不仅限于概率值,还可以是表示物体是否对应的二进制值(0或1)的数值。此外,尽管在本实施方式中是针对一个物体进行判断是否对应的二级分类的模型,但也可以是将多个物体的气味数据作为训练数据同时学习并进行多级分类的模型。
在此,服务器1不仅通过使用由气味传感器3测量的气味数据,而且还使用气味数据的取得条件作为识别模型141的输入进行学习。气味数据的取得条件是表示测量气味数据时的状况的信息,例如,包括表示所测量的气味的类别的文本数据、表示作为气味数据的取得源的气味传感器3的状态的状态信息,以及测量气味时的测量环境相关的环境信息等等。
气味的类别是表示例如测量气味的物体的种类,或是测量气味时的物体状态(例如如果物体是食物,则是从食物购买时起的天数)的信息。但这些仅为示例,气味的类别可以任意定义。在本实施方式中,气味的类别被设定为由测量物体气味的用户输入的任意文字。在本系统中,由用户任意设定的气味类别被称为″域″。
例如,当服务器1收到来自终端2的气味数据上传时,服务器1取得用户任意输入的表示气味类别的域名。具体来说,服务器1获得表示气味类别的域名和表示比域名更详细的类别的子域名。举例来说,测量气味的物体的种类名称(在人物识别的示例中为″人″)被作为域名输入,而比域名更详细的种类名称(例如人名)被作为子域名输入。这样一来,域由上传气味数据的用户输入任意文字来设定。
状态信息是表示测量了物体气味的气味传感器3的状态的信息,例如,包括上述的预清洗时间、抽吸时间、停留时间和事后清洗时间。预清洗时间是指在测量气味之前清洗气味传感器3的时间。吸入时间是指气味传感器3吸入气体(气味)的时间。停留时间是指使气体停留在气味传感器3的气室中进行测量的时间。事后清洗时间是指在气味测量后清洗气味传感器3的时间。因此,作为状态信息,使用了表示气味数据的取得状态以及气味传感器3的维护状态的信息。
环境信息是指测量气味时的测量环境相关的信息,例如包括位置信息和天气信息。位置信息是测量了气味的地点的地域名或GPS(Global P0sitioning System)坐标值等的测量地点的地理信息。天气信息是表示测量气味时的测量地点的天气状况的数据,例如,″晴″、″雨”等等。
除位置和天气之外,环境信息还可以包括关于测量日期和时间的信息(例如季节)等等。
除了气味数据外,服务器1还将如域名或状态信息等气味数据的取得条件输入到识别模型141进行学习。通过同时输入气味数据的取得条件,可以使模型的学习更接近于人类的感官。例如,人们通常认为当人在闻到已知物体(域)的气味和闻到未知物体的气味时,会做出不同的判断(识别)。此外,人们还认为人会根据所闻到气味的环境(地点、天气等)做出不同的判断。因此,通过使用气味数据的取得条件作为输入,可以再现更接近人类感官的识别结果。
例如,服务器1将定义气味数据的取得条件的各种信息作为类别变量输入到识别模型141中。例如,服务器1在识别模型141的输入层中设置了用于输入类别变量的层(未示出),该层与用于输入气味数据的层不同。服务器1将表示域名、子域名、状态信息、环境信息等等的类别变量输入到类别变量输入用的层中,并让它们与气味数据一起学习。
服务器1将训练用的气味数据和取得条件(类别变量)输入至识别模型141,并从输出层获得物体的识别结果。服务器1将取得的识别结果与正确的物体(气味名称)进行比较,并使用误差反向传播方法对神经元之间的权重等参数进行优化,从而使两者近似。通过这种方式,服务器1在用识别模型141识别物体时获得最佳参数即学习的参数。
服务器1将通过上述学习获得的学习参数对应于作为学习对象的物体(气味名称)以及气味数据的取得条件(域名等)存储在学习DB145中。这样一来,服务器1将机械学习生成的识别模型141(学习模型)的数据存储在学习DB145中。
服务器1从各个用户的终端2接收各种物体的气味数据的上传,并根据用户的要求执行上述机械学习。服务器1将根据每个用户的要求而生成的识别模型141的学习参数存储在学习DB145中。由此,在学习DB145中,服务器1管理着多个识别模型141的数据,这些模型已经学习了不同物体的气味数据。
服务器1根据来自终端2的要求,基于识别模型141来识别物体。具体而言,首先服务器1从终端2接收选择输入,所述选择输入是根据存储在学习DB145中的各个学习参数来设定在识别模型141中的学习参数的选择输入。服务器1将所选择的学习参数设定至识别模型141。这样一来,服务器1从终端2接收用于识别物体的识别模型141的选择输入。
然后,服务器1接收来自终端2的选择输入,所述选择输入在存储在气味DB143中的各气味数据中选择作为识别对象的物体的气味数据。当然,服务器1有可能从用户的终端2中新获得识别对象的物体的气味数据,而不是已经存储在气味DB143中的气味数据。
服务器1从气味DB143中读取选定的气味数据和所述气味数据的取得条件,并输入到已设定学习参数的识别模型141中。然后,服务器1从识别模型141中将与已输入的气味数据相对应的物体的识别结果作为输出来获得。具体而言如上所述,服务器1获得识别对象的对象是否与识别模型141中作为学习对象的物体一致的概率值。服务器1将识别结果输出到终端2进行显示。
综上所述,根据本实施方式,通过不仅将气味数据而且还有气味数据的取得条件输入至识别模型141,可以根据气味适当地识别物体。
图6是表示识别模型141生成处理过程的流程图。以下将根据图6对学习气味数据从而生成识别模型141的过程进行说明。
服务器1的控制部11从气味DB143取得用于生成识别模型141的训练数据(步骤S11)。训练数据是针对由气味传感器3测量的物体的气味数据以及所述气味数据的取得条件来对应于正确物体(气味名称)的数据。取得条件包括由用户任意输入的表示气味类别的域名和子域名的文字,表示气味传感器3状态的预清洗时间和抽吸时间等的状态信息,以及与气味测量环境相关的位置信息和天气信息等的环境信息。
控制部11根据训练数据生成识别模型141,该模型使用气味数据和气味数据的气味条件作为输入来输出物体的识别结果(步骤S12)。具体而言如上所述,控制部11作为识别模型141生成神经网络(LSTM)。控制部11向识别模型141输入表示气味数据和取得条件的类别变量,并将识别对应所述气味数据的物体的识别结果作为输出而获得。控制部11将获得的识别结果与正确的物体进行比较,并通过优化神经元之间的权重等参数即学习参数来生成识别模型141,从而使两者近似。
对应于作为学习对象的物体(气味名称)和气味数据的取得条件(域名等),控制部11将与生成的识别模型141有关的学习参数存储至学习DB145(步骤S13),并结束一系列处理。
图7是表示物体识别处理过程的流程图。以下将根据图7对基于识别模型141的物体识别处理进行说明。
服务器1的控制部11接收选择输入,所述选择输入从存储在气味DB143中的各个物体的气味数据中选择要识别的物体的气味数据(步骤S31)。控制部11从气味DB143中读取选定的气味数据和所述气味数据的取得条件(步骤S32)。
控制部11接收来自终端2的选择使用于识别物体的识别模型141的选择输入(步骤S33)。具体而言如上所述,控制部11接收设定于识别模型141的学习参数的选择输入。控制部11在识别模型141中设置选定的学习参数,向该识别模型141输入物体的气味数据和取得条件,并识别物体(步骤S34)。控制部11将识别结果输出到终端2(步骤S35),并结束一系列处理。
以上,根据本实施方式1,可以根据气味适当地识别物体。
此外,根据本实施方式1,通过使用表示气味传感器3状态的状态信息作为数据取得条件输入到识别模型141,可以更加适当地识别物体。
根据本实施方式1,通过使用具有石英晶体的气味传感器3,可以更加适当地根据气味进行识别。
根据本实施方式1,通过使用表示气味测量时的测量环境的环境信息作为数据取得条件输入到识别模型141,可以更加适当地识别物体。
根据本实施方式1,通过生成多个进行二级分类的识别模型141,并允许从多个识别模型141中选择要使用的识别模型141,可以向用户提供多种选择(识别模型141)。
(实施方式2)
在本实施方式中,将对用户使用上述气味识别系统的UI(用户界面)屏幕有关的形式进行说明。与实施方式1重复的内容用相同的符号表示,并省略说明。
图8至图11示出了终端2所表示的UI屏幕示例。
在终端2显示的UI屏幕中,屏幕左侧显示″测量″、″数据列表″等菜单栏,并根据对各菜单的操作输入切换显示图8至图11的屏幕。以下将根据图8至图11对本实施方式的概要进行说明。
图8是表示测量屏幕示例的说明图。测量屏幕是由气味传感器3执行气味测量时的操作屏幕。终端2根据测量屏幕上的操作输入,与连接到自装置的气味传感器3同步测量气味。
具体来说,终端2接收在传感器选择栏81中用于气味测量的气味传感器3的选择输入。当选择了气味传感器3时,会默认显示表示气味数据的取得条件的域名和子域名等。例如,服务器1事先接收用户对域名、子域名以及与用户使用的气味传感器3相对应的状态信息的登录,并与用户ID相对应地存储在域DB144中。当用户的气味传感器3在传感器选择栏81中被选中时,用户登录的域名等作为取得条件被默认设置。在图8的测量屏幕中,还可以接收用户对域名等的设置变更。
此外,终端2在″位置″、″GPS信息″、″天气″等各栏中接收天气信息等环境信息相关的设置输入。最后,终端2在气味名称输入栏82中接收表示接下来进行测量的物体的气味名称的输入,并根据对执行按钮83的操作输入开始由气味传感器3测量气味。
服务器1一并取得上述测量的气味数据以及测量屏幕上设置的取得条件和气味名称(正确的物体)等。服务器1将取得的各个数据存储在气味DB143中。
图9是表示气味数据的列表屏幕示例的说明图。图9的列表屏幕是显示存储在气味DB143中的气味数据列表的显示屏幕。用户可以使用所述屏幕来确认存储在气味DB143中的气味数据。例如,如图9所示,终端2列出了各个气味数据对应的气味名称、域名、子域名、气味数据的取得日期和时间等等。另外,根据对显示在列表屏幕上方的″关键字″、″域″、″子域″等各项输入栏的输入还可以搜索气味数据。用户可以利用列表屏幕上显示的气味数据来进行学习和识别。
图10是表示学习屏幕示例的说明图。学习屏幕是用于使服务器1执行识别模型141的学习的操作屏幕。终端2根据学习屏幕上的操作输入接收作为训练数据的气味数据的选择输入,并使服务器1执行识别模型141的生成处理。
具体而言,根据对气味数据选择栏101的操作输入,终端2接收选择输入,所述选择输入从存储在气味DB143中的气味数据中选择作为学习对象的气味数据。例如,当接收对气味数据选择栏101的操作输入时,终端2弹出类似于图9中的列表画面的气味数据列表(未示出)。终端2接收从弹出显示的气味数据列表中选择一个或多个作为学习对象的气味数据的选择输入。
当选择作为学习对象的气味数据时,在域选择栏102和子域选择栏103中,与所选气味数据相对应的域名和子域名被默认显示。根据对域选择栏102和子域选择栏103的操作输入,终端2接收改变默认显示的域名和子域名的设置变更。这样一来,终端2接收与气味数据一起学习的气味数据的取得条件(域名等)的选择输入。
此外,终端2在气味名称输入栏104中接收表示作为学习对象的物体的气味名称的文字输入。这样一来,终端2接收在气味数据选择栏101中所选的气味数据相对应的物体的正确名称(正确的物体)的输入。
根据对执行按钮105的操作输入,终端2要求服务器1基于上述输入的各种信息进行机械学习。根据终端2的要求,服务器1执行学习所选气味数据和取得条件以及与所述气味数据对应的正确的物体的机械学习,并生成识别模型141。服务器1将生成的识别模型141的学习参数(权重等)对应于气味名称和域名等存储在学习DB145中。
在图10的学习屏幕中,当屏幕上方的新标签106被选中时,服务器1学习(生成)新的识别模型141。另一方面,当重新学习标签107被选中时,服务器1执行重新学习以更新已学的识别模型141。在这种情况下,除了作为学习对象的气味数据或取得条件等以外,终端2还接收选择更新学习的参数即作为重新学习对象的识别模型141的选择输入。服务器1对选定的识别模型141重新学习,并更新学习参数。这样一来,在本系统中对识别模型141的重新学习也可以通过相同的屏幕操作进行。
图11是表示判断屏幕示例的说明图。判断屏幕是用于使服务器1根据上述生成的识别模型141对物体进行识别的操作屏幕。终端2使服务器1根据判断屏幕上的操作输入使用识别模型141进行物体的识别。
具体而言,终端2在学习参数选择栏111中接收设置在识别模型141中的学习参数的选择输入。例如,当接收对学习参数选择栏111的操作输入时,终端2会弹出列表显示存储在学习DB145中的各个学习参数的信息(各识别模型141的数据)。具体而言,终端2对应于各学习参数将存储在学习DB145中的气味名称、域名、子域名等进行列表显示。终端2列出了存储在学习DB145中与每个学习参数相关的气味名称、域名、子域名称等。终端2接收从显示在列表中的各学习参数中任意选择的选择输入。这样一来,终端2接收用于识别物体的识别模型141的选择输入。
接下来,终端2在气味数据选择栏112中接收作为识别对象的一个或多个气味数据的选择输入。与学习界面类似,当接收对气味数据选择栏112的操作输入时,终端2弹出显示类似于图9的气味数据列表,并接收选择输入。
当选择作为识别对象的气味数据时,服务器1判断该气味数据的取得条件(域名等)是否与上述选择的识别模型141中的作为学习对象的气味数据的取得条件一致,如果不一致则适当输出错误。这样一来,可以避免出现类似例如使用与识别对象的物体不同域名的识别模型141等不适当的情况。
终端2接受对执行按钮113的操作输入,并要求服务器1识别物体。根据终端2的要求,服务器1将在学习参数选择栏111中选择的学习参数设置到识别模型141中,并将在气味数据选择栏112中选择的气味数据输入到识别模型141中以识别物体。具体而言,服务器1对在气味数据选择栏112中选择的一个或多个气味数据分别进行识别,并将各气味数据的识别结果(概率值)输出至终端2。终端2显示从服务器1输出的各个气味数据的识别结果。
在判断屏幕中的屏幕上方显示了识别标签114和搜索标签115。当识别标签114被选中时,终端2使服务器1根据上述过程执行物体的识别。另一方面,当搜索标签115被选中时,终端2使服务器1使用一个或多个识别模型141来执行物体的识别(搜索)。
具体而言,终端2在几乎类似于图11的判断屏幕中,根据对学习参数选择栏111的选择输入,接收选择一个或多个学习参数的选择输入。由此,终端2接收选择用于物体识别的一个或多个识别模型141的选择输入。当多个识别模型141被选中时,服务器1将在气味数据选择栏112中选择的气味数据输入到每个选定的识别模型141中,并从每个识别模型141取得识别结果。这样一来,服务器1可以判断识别对象的物体是否与各识别模型141中作为学习对象的各个物体相对应,从而同时识别多个对象。
根据每个识别模型141中的识别结果,服务器1输出识别结果(搜索结果),所述识别结果是指输入的气味数据所对应的物体是否对应各个识别模型141相应的各个物体。例如,服务器1根据每个识别模型141输出的概率值对物体进行排序,并按概率值从高至低的顺序输出物体名称。或者,服务器1也可以输出具有最高概率值的物体名称作为搜索结果。
如实施方式1所述,可以通过让一个识别模型141学习多个物体的气味数据,从而准备能够进行多级分类的识别模型141,但可以通过让识别模型141作为执行二级分类的模型来提高识别精确度。通过结合多个这样的识别模型141,可以适当确定多个物体中的哪些对应,即可以适当地进行多级分类。
图12是表示实施方式2所涉及的服务器1执行处理过程示例的流程图。
服务器1的控制部11根据终端2的操作输入来判断是否测量气味数据(步骤S201)。如果判断进行气味数据的测量(S201:YES),控制部11从终端2不仅接收表示测量对象的物体的气味名称(正确的物体)而且还接收气味数据的取得条件的设置输入。终端2根据用户的操作输入由气味传感器3进行测量,服务器1的控制部11通过终端2从气味传感器3取得气味数据,并对应于步骤S202中设置的取得条件等将气味数据存储在气味DB143中(步骤S203)。
在执行了步骤S203的处理之后,或者是在步骤S201为NO时,控制部11根据终端2上的操作输入判断是否执行气味数据的学习(步骤S204)。如果判断进行学习(S204:YES),则控制部11从终端2接收选择作为学习对象的气味数据的选择输入(步骤S205)。具体而言如上所述,控制部11接收作为学习对象的气味数据以及所述气味数据的取得条件和正确的物体等的设置输入。
控制部11根据所选的气味数据、气味数据的取得条件和输入的正确物体进行机械学习,并生成识别模型141(步骤S206)。控制部11将生成的识别模型141的学习参数存储在学习DB145中(步骤S207)。
在执行步骤S207的处理之后,或者当步骤S204为NO时,控制部11根据终端2上的操作输入判断是否执行气味数据的识别(步骤S208)。如果判断进行气味数据的识别(S208:YES),则控制部11接收选择用于识别气味数据的识别模型141的选择输入(步骤S209)。具体而言如上所述,控制部11接收选择在识别模型141中设置的学习参数的选择输入。
控制部11接收选择作为识别对象的气味数据的选择输入(步骤S210)。控制部11在识别模型141中设置步骤S209中所选的学习参数,并输入步骤S210中所选的气味数据从而识别物体(步骤S211)。控制部11将识别结果输出至终端2(步骤S212)。在执行完步骤S212的处理后,或者当步骤S208为NO时,控制部11结束一系列处理。
综上所述,根据本实施方式2,可为用户提供一种只需简单操作便能学习和识别气味数据的平台。
最后,虽已对本次公开的实施方式的各个方面进行了说明,但应注意以上说明并不用以限制本发明的范围。除以上说明之外,本发明的保护范围还体现在权利要求范围中,且权利要求范围及其均等范围之内所做的任何变更均应包含在本发明的保护范围之内。
符号简单说明
1:处理器(信息处理装置)
11:控制部
12:主存储部
13:通信部
14:辅助存储部
P:程序
141:识别模型
142:用户DB
143:气味DB
144:域DB
145:学习DB
2:终端
21:控制部
22:主存储部
23:辅助存储部
24:通信部
25:显示部
26:输入部
3:气味传感器
Claims (10)
1.一种信息处理装置,其特征在于,具备:
第1取得部,用于取得测量物体气味的气味数据;
第2取得部,用于取得所述气味数据的取得条件;以及
识别部,其基于已学习了物体的所述气味数据和取得条件以及对应于所述气味数据的所述物体的学习模型,根据从所述第1取得部和第2取得部所取得的所述气味数据以及取得条件来识别所述物体。
2.如权利要求1所述的信息处理装置,其特征在于:
所述取得条件是表示所述气味的类别的文本数据,是由进行气味测量的用户来输入的文本数据。
3.如权利要求1或2所述的信息处理装置,其特征在于:
所述第1取得部从测量气味的气味传感器取得所述气味数据,以及
所述取得条件是表示所述气味传感器在测量所述气味时的状态信息。
4.如权利要求1至3中任一项所述的信息处理装置,其特征在于:
所述取得条件是与测量了所述物体的气味的测量环境相关的环境信息。
5.如权利要求1至4中任一项所述的信息处理装置,其特征在于,具备:
存储部,用于根据不同的所述物体来存储所述气味数据和取得条件以及所述对象而学习的多个所述学习模型的数据,
接收部,用于接收从所述多个学习模型中任选的选择输入,以及
所述识别部根据所选择的所述学习模型来识别所述物体。
6.如权利要求5所述的信息处理装置,其特征在于:
所述学习模型是将所述气味数据和取得条件作为输入并将表示所述气味数据所对应的所述物体是否对应作为学习对象之一的所述物体的识别结果进行输出的模型,
所述接收部接收从所述多个学习模型中选择的一个或多个所述学习模型的选择输入,以及
所述识别部根据所选择的一个或多个学习模型来识别出哪些所述物体与各个所述学习模型中作为学习对象的各所述物体相对应。
7.如权利要求1至6中任一项所述的信息处理装置,其特征在于:
所述第1取得部从使用了石英晶体的气味传感器中取得所述气味数据。
8.一种通过计算机执行处理的信息处理方法,其特征在于:
取得测量了物体的气味的气味数据,
取得所述气味数据的取得条件,以及
基于已学习了物体的所述气味数据和取得条件以及对应于所述气味数据的所述物体的学习模型,从取得的所述气味数据以及取得条件来识别所述物体。
9.一种通过计算机执行处理的学习模型的生成方法,其特征在于:
取得训练数据,所述训练数据包含测量了物体气味的气味数据,所述气味数据的取得条件,以及所述气味数据所对应的正确物体,以及
根据所述训练数据来生成学习模型,所述学习模型将所述气味数据以及取得条件作为输入,并将识别出所述气味数据所对应的物体的识别结果作为输出。
10.一种通过计算机执行处理的程序,其特征在于:
应来自用户的操作输入,将测量了物体气味的气味数据和所述气味数据的取得条件输出至管理所述气味数据的分析管理装置,
从所述分析管理装置取得所述分析管理装置所管理的所述气味数据的类别并显示在显示部上,
从所述列表接收选择作为学习对象的所述气味数据的选择输入,
接收对应于所选所述气味数据的正确对象的输入,
根据所选所述气味数据,所述气味数据的所述取得条件,以及所述正确物体来要求所述分析管理装置进行机械学习,并使其生成从所述气味数据以及取得条件来识别所述物体的学习模型,
接收从所述列表中选择作为识别对象的所述气味数据的选择输入,
接收从所述分析管理装置生成的一个或多个所述学习模型中任选的选择输入,以及
根据所选所述学习模型,要求所述分析管理装置从所选所述气味数据以及所述气味数据的所述取得条件来识别所述物体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201862775561P | 2018-12-05 | 2018-12-05 | |
US62/775,561 | 2018-12-05 | ||
PCT/JP2019/047343 WO2020116490A1 (ja) | 2018-12-05 | 2019-12-04 | 情報処理装置、情報処理方法、学習済みモデルの生成方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113167704A true CN113167704A (zh) | 2021-07-23 |
Family
ID=70974661
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980080060.XA Pending CN113167704A (zh) | 2018-12-05 | 2019-12-04 | 信息处理装置、信息处理方法、学习模型生成方法以及程序 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20210325343A1 (zh) |
EP (1) | EP3892980A4 (zh) |
JP (1) | JPWO2020116490A1 (zh) |
CN (1) | CN113167704A (zh) |
WO (1) | WO2020116490A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7184968B2 (ja) * | 2020-07-09 | 2022-12-06 | 三洋化成工業株式会社 | 匂い物質受容層を形成するための樹脂組成物、それを用いたセンサ素子、匂いセンサおよび匂い測定装置 |
JP7184969B2 (ja) * | 2020-07-20 | 2022-12-06 | 三洋化成工業株式会社 | 匂い物質受容層を形成するための樹脂組成物、それを用いたセンサ素子、匂いセンサおよび匂い測定装置 |
JP7184974B2 (ja) * | 2020-07-21 | 2022-12-06 | 三洋化成工業株式会社 | 匂い物質受容層を形成するための樹脂組成物、それを用いたセンサ素子、匂いセンサおよび匂い測定装置 |
JP7184975B2 (ja) * | 2020-07-21 | 2022-12-06 | 三洋化成工業株式会社 | 匂い物質受容層を形成するための樹脂組成物、それを用いたセンサ素子、匂いセンサおよび匂い測定装置 |
JP6906117B1 (ja) * | 2021-01-26 | 2021-07-21 | 東京瓦斯株式会社 | 情報処理装置、匂い測定システムおよびプログラム |
WO2022176923A1 (ja) | 2021-02-16 | 2022-08-25 | 株式会社レボーン | 情報処理装置及びプログラム |
US20230184652A1 (en) * | 2021-12-13 | 2023-06-15 | Google Llc | Enabling an automated assistant to leverage odor sensor(s) of client device(s) |
JP2023113050A (ja) * | 2022-02-02 | 2023-08-15 | 株式会社レボーン | 情報処理装置、プログラム及び検出装置 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040135684A1 (en) * | 2002-07-19 | 2004-07-15 | Cyrano Sciences Inc. | Non-specific sensor array detectors |
US20060191319A1 (en) * | 2004-12-17 | 2006-08-31 | Kurup Pradeep U | Electronic nose for chemical sensing |
CN101226166A (zh) * | 2008-01-31 | 2008-07-23 | 浙江大学 | 用于现场检测的低功耗手持式电子鼻系统 |
US20110172931A1 (en) * | 2008-06-23 | 2011-07-14 | Atonarp Inc. | System for Handling Information Relating to Chemical Substances |
US8064722B1 (en) * | 2006-03-07 | 2011-11-22 | The United States Of America As Represented By The Secretary Of The Navy | Method and system for analyzing signal-vector data for pattern recognition from first order sensors |
CN103728348A (zh) * | 2013-12-02 | 2014-04-16 | 江苏大学 | 一种室内空气质量电子鼻 |
CN103868955A (zh) * | 2014-04-09 | 2014-06-18 | 西南大学 | 一种便携式车内气体检测系统及方法 |
CN104820072A (zh) * | 2015-04-30 | 2015-08-05 | 重庆大学 | 基于云计算的电子鼻空气质量监测系统及其方法 |
KR20160026530A (ko) * | 2014-09-01 | 2016-03-09 | 엘지전자 주식회사 | 이동단말기, 이동 단말기의 제어방법 및 사진 인쇄기 |
WO2016145300A1 (en) * | 2015-03-11 | 2016-09-15 | Nano Engineered Applications, Inc. | Chemical sensor |
JP2017182261A (ja) * | 2016-03-29 | 2017-10-05 | 大日本印刷株式会社 | 情報処理装置、情報処理方法、およびプログラム |
CN108680748A (zh) * | 2018-05-24 | 2018-10-19 | 歌尔股份有限公司 | 基于丙酮传感器的血糖检测仪及其检测方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2986582B2 (ja) * | 1991-07-05 | 1999-12-06 | 能美防災株式会社 | ニオイ識別装置 |
JP3169715B2 (ja) * | 1992-11-20 | 2001-05-28 | エヌオーケー株式会社 | ガス識別方法とガス識別装置 |
JP2007022169A (ja) * | 2005-07-13 | 2007-02-01 | Toyota Motor Corp | 車両制御装置およびカント状態判定方法 |
JP5403621B2 (ja) * | 2010-02-19 | 2014-01-29 | 学校法人常翔学園 | 匂い識別方法 |
KR101844787B1 (ko) * | 2011-12-19 | 2018-05-21 | 한국전자통신연구원 | 콘텐츠와 냄새인식장치 간의 상호협력 장치 및 방법 |
JP6477545B2 (ja) | 2016-03-08 | 2019-03-06 | 株式会社デンソー | 乗り物用臭い判別システム |
JP6800671B2 (ja) * | 2016-09-15 | 2020-12-16 | ヤフー株式会社 | 付与装置、付与方法および付与プログラム |
JP2018075255A (ja) * | 2016-11-10 | 2018-05-17 | 株式会社デンソー | 状態推定装置、及び状態推定方法 |
US11042840B2 (en) * | 2016-11-17 | 2021-06-22 | Freshub Ltd | System and a method for managing inventory |
JP6846237B2 (ja) * | 2017-03-06 | 2021-03-24 | 日本放送協会 | 音声合成装置及びプログラム |
KR102150282B1 (ko) * | 2017-07-13 | 2020-09-01 | 한국전자통신연구원 | 멀티미디어 콘텐츠와 연관되는 후각 정보 생성 장치 및 방법 |
KR102040309B1 (ko) * | 2017-09-18 | 2019-11-04 | 한국전자통신연구원 | 멀티미디어 콘텐츠와 연관되는 후각 정보 인식 장치 및 방법, 라벨 정보 생성 장치 및 방법 |
US11598740B2 (en) * | 2017-10-03 | 2023-03-07 | Nec Corporation | Server apparatus, odor sensor data analysis method, and computer-readable recording medium |
KR102551358B1 (ko) * | 2018-09-21 | 2023-07-04 | 삼성전자주식회사 | 냉장고 내 객체의 상태와 관련된 정보를 제공하는 방법 및 시스템 |
-
2019
- 2019-12-04 JP JP2020559951A patent/JPWO2020116490A1/ja active Pending
- 2019-12-04 US US17/297,842 patent/US20210325343A1/en active Pending
- 2019-12-04 CN CN201980080060.XA patent/CN113167704A/zh active Pending
- 2019-12-04 WO PCT/JP2019/047343 patent/WO2020116490A1/ja unknown
- 2019-12-04 EP EP19891914.4A patent/EP3892980A4/en active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040135684A1 (en) * | 2002-07-19 | 2004-07-15 | Cyrano Sciences Inc. | Non-specific sensor array detectors |
US20060191319A1 (en) * | 2004-12-17 | 2006-08-31 | Kurup Pradeep U | Electronic nose for chemical sensing |
US8064722B1 (en) * | 2006-03-07 | 2011-11-22 | The United States Of America As Represented By The Secretary Of The Navy | Method and system for analyzing signal-vector data for pattern recognition from first order sensors |
CN101226166A (zh) * | 2008-01-31 | 2008-07-23 | 浙江大学 | 用于现场检测的低功耗手持式电子鼻系统 |
US20110172931A1 (en) * | 2008-06-23 | 2011-07-14 | Atonarp Inc. | System for Handling Information Relating to Chemical Substances |
CN103728348A (zh) * | 2013-12-02 | 2014-04-16 | 江苏大学 | 一种室内空气质量电子鼻 |
CN103868955A (zh) * | 2014-04-09 | 2014-06-18 | 西南大学 | 一种便携式车内气体检测系统及方法 |
KR20160026530A (ko) * | 2014-09-01 | 2016-03-09 | 엘지전자 주식회사 | 이동단말기, 이동 단말기의 제어방법 및 사진 인쇄기 |
WO2016145300A1 (en) * | 2015-03-11 | 2016-09-15 | Nano Engineered Applications, Inc. | Chemical sensor |
CN104820072A (zh) * | 2015-04-30 | 2015-08-05 | 重庆大学 | 基于云计算的电子鼻空气质量监测系统及其方法 |
JP2017182261A (ja) * | 2016-03-29 | 2017-10-05 | 大日本印刷株式会社 | 情報処理装置、情報処理方法、およびプログラム |
CN108680748A (zh) * | 2018-05-24 | 2018-10-19 | 歌尔股份有限公司 | 基于丙酮传感器的血糖检测仪及其检测方法 |
Also Published As
Publication number | Publication date |
---|---|
EP3892980A1 (en) | 2021-10-13 |
EP3892980A4 (en) | 2022-02-16 |
JPWO2020116490A1 (ja) | 2021-10-21 |
US20210325343A1 (en) | 2021-10-21 |
WO2020116490A1 (ja) | 2020-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113167704A (zh) | 信息处理装置、信息处理方法、学习模型生成方法以及程序 | |
CN110163647B (zh) | 一种数据处理方法及装置 | |
CN103488666B (zh) | 信息处理设备和方法、电子装置以及计算机可读存储介质 | |
US20190026630A1 (en) | Information processing apparatus and information processing method | |
CN110222087B (zh) | 特征提取方法、装置及计算机可读存储介质 | |
US11295237B2 (en) | Smart copy optimization in customer acquisition and customer management platforms | |
CN108305181B (zh) | 社交影响力确定、信息投放方法及装置、设备及存储介质 | |
CN107180245A (zh) | 一种室内外场景识别方法及装置 | |
US20210182913A1 (en) | Electronic device and method for controlling same | |
CN111475628B (zh) | 会话数据处理方法、装置、计算机设备和存储介质 | |
CN110490058B (zh) | 行人检测模型的训练方法、装置、系统和计算机可读介质 | |
JP7351344B2 (ja) | 学習装置、学習方法、推論装置、推論方法、及び、プログラム | |
WO2021048902A1 (ja) | 学習モデル適用システム、学習モデル適用方法、及びプログラム | |
CN111291868A (zh) | 网络模型训练方法、装置、设备及计算机可读存储介质 | |
CN111782973A (zh) | 兴趣点状态预测方法、装置、电子设备及存储介质 | |
CN115017413A (zh) | 推荐方法、装置、计算设备及计算机存储介质 | |
US11531722B2 (en) | Electronic device and control method therefor | |
CN114926210A (zh) | 评论生成方法、装置、设备及计算机可读存储介质 | |
CN110245326B (zh) | 基于神经网络的数据估算方法、设备、存储介质及装置 | |
CN109918576B (zh) | 一种基于联合概率矩阵分解的微博关注推荐方法 | |
JP2012079028A (ja) | デザイン検索条件による商品デザイン属性の評価値獲得システム | |
CN115545738A (zh) | 一种推荐方法及相关装置 | |
CN113112289B (zh) | 一种商户信息更新方法及装置 | |
JP7358427B2 (ja) | プログラム、サーバ及びアクセス提供方法 | |
KR102665220B1 (ko) | 디지털 트윈 기반의 예측 시뮬레이션 수행 장치 및 방법 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Address after: No. 25-2, Shinkawa 1-chome, Central District, Tokyo, Japan Applicant after: Rivorn Co.,Ltd. Address before: Tokyo Applicant before: Rivorn Co.,Ltd. |