CN113366528A - 检查系统 - Google Patents
检查系统 Download PDFInfo
- Publication number
- CN113366528A CN113366528A CN201980090799.9A CN201980090799A CN113366528A CN 113366528 A CN113366528 A CN 113366528A CN 201980090799 A CN201980090799 A CN 201980090799A CN 113366528 A CN113366528 A CN 113366528A
- Authority
- CN
- China
- Prior art keywords
- feature data
- predetermined attribute
- objects
- attribute
- determination
- 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
- 238000007689 inspection Methods 0.000 title claims abstract description 91
- 238000012549 training Methods 0.000 claims abstract description 63
- 230000002950 deficient Effects 0.000 claims description 91
- 238000010801 machine learning Methods 0.000 claims description 81
- 238000000034 method Methods 0.000 claims description 25
- 238000004891 communication Methods 0.000 claims description 16
- 238000012360 testing method Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 10
- 238000009826 distribution Methods 0.000 description 22
- 238000003860 storage Methods 0.000 description 16
- 238000003466 welding Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011112 process operation Methods 0.000 description 1
- 238000004544 sputter deposition Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32193—Ann, neural base quality management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- General Factory Administration (AREA)
- Image Analysis (AREA)
Abstract
在判定对象物是否属于规定的属性时,提高判定的精度。检查系统包括机器学习器、特征数据获取部和参数更新部。机器学习器基于多个对象物的每一个的特征数据来判定该多个对象物的每一个是否属于规定属性。特征数据获取部对于通过所述机器学习器得到不属于所述规定属性的判定结果的所述对象物中不通过所述机器学习器的情况下得到属于所述规定属性的判定结果的所述对象物,获取这些对象物的所述特征数据。参数更新部基于训练数据来更新所述机器学习器的学习参数,所述训练数据包含由所述特征数据获取部获取的所述特征数据。
Description
技术领域
本发明涉及检查系统。
背景技术
在工厂等中制造出的产品在进行是否属于规定属性(例如合格品属性)的检查之后出货。近年来,在这样的检查中大多使用产业设备。例如,在产品的检查工序中,有时使用具备判定产品的品质的机器学习模型的产业设备。另外,为了提高品质的判定精度,还存在如下运用:首先,在由检查装置进行了检查之后,对于得到了规定的检查结果(例如属于不合格品属性的判定结果)的产品,再次进行详细的检查。在这样的检查过程中,重要的是避免判定为属于规定属性而出货的产品实际上不属于规定属性这样的情况。
发明内容
发明所要解决的问题
本发明要解决的课题在于,提供一种例如在工厂的检查工序等中能够降低将实际上不属于规定属性的检查对象物错误地判定为属于规定属性的风险的检查系统、检查方法、用于该检查系统的终端装置以及程序。
用于解决问题的手段
本发明的一个方面所涉及的检查系统包括:机器学习器,基于多个对象物的每一个的特征数据来判定该多个对象物的每一个是否属于规定属性;特征数据获取部,对于通过所述机器学习器得到不属于所述规定属性的判定结果的所述对象物中不通过所述机器学习器的情况下得到属于所述规定属性的判定结果的所述对象物,获取这些对象物的所述特征数据;以及参数更新部,基于训练数据来更新所述机器学习器的学习参数,所述训练数据包含由所述特征数据获取部获取的所述特征数据。
另外,根据本发明的另一方面所涉及的检查系统,所述规定属性是表示所述对象物具有规定品质的合格品属性。
另外,根据本发明的另一方面所涉及的检查系统,对于给定的测试用的训练数据组,属于所述规定属性的所述对象物被所述机器学习器判定为不属于所述规定属性的概率高于不属于所述规定属性的所述对象物被所述机器学习器判定为属于所述规定属性的概率。
另外,根据本发明的另一方面所涉及的检查系统,对于所述给定的测试用的训练数据组,不属于所述规定属性的所述对象物被所述机器学习器判定为属于所述规定属性的概率实质上为0%。
另外,根据本发明的另一方面所涉及的检查系统,所述参数更新部更新所述机器学习器的学习参数,以抑制对于给定的测试用的训练数据组,得到不属于所述规定属性的所述对象物被判定为属于所述规定属性的判定结果的概率上升。
另外,根据本发明的另一方面所涉及的检查系统,所述参数更新部还基于包含下述对象物的所述特征数据的训练数据来更新所述机器学习器的学习参数,所述对象物是通过所述机器学习器得到不属于所述规定属性的判定结果的所述对象物中不通过所述机器学习器的情况下得到不属于所述规定属性的判定结果的对象物。
另外,根据本发明的另一方面所涉及的检查系统,所述参数更新部基于包含下述特征数据的训练数据来更新所述机器学习器的学习参数,所述特征数据被提取,以使不通过所述机器学习器的情况下得到不属于所述规定属性的判定结果的所述对象物的所述特征数据的数量和不通过所述机器学习器的情况下得到属于所述规定属性的判定结果的所述对象物的所述特征数据的数量实质上相同。
另外,根据本发明的另一方面所涉及的检查系统,所述参数更新部基于包含下述对象物的所述特征数据的训练数据来更新所述机器学习器的学习参数,所述对象物是在不通过所述机器学习器的情况下得到不属于所述规定属性的判定结果的所述对象物中基于该对象物属于所述规定属性的程度而选择出的对象物。
另外,根据本发明的另一方面所涉及的检查系统,所述机器学习器是已基于基本训练数据预先学习的,所述参数更新部还基于所述基本训练数据的至少一部分来更新所述机器学习器的学习参数。
另外,根据本发明的另一方面所涉及的检查系统,所述参数更新部还基于包含下述对象物的所述特征数据的训练数据来更新所述机器学习器的学习参数,所述对象物是通过所述机器学习器得到属于所述规定属性的判定结果的对象物。
另外,根据本发明的另一方面所涉及的检查系统,还包括:终端装置,对于通过所述机器学习器得到不属于所述规定属性的判定结果的所述对象物中不通过所述机器学习器的情况下得到属于所述规定属性的判定结果的所述对象物,判定者在该终端装置中输入该判定结果。
另外,根据本发明的另一方面所涉及的检查系统,所述终端装置包含显示部,所述显示部显示被判定为不属于所述规定属性的所述对象物的所述特征数据。
另外,根据本发明的另一方面所涉及的检查系统,还包括运送所述对象物的运送装置,所述显示部显示被运送的所述对象物中最接近所述判定者的一个所述对象物的特征数据。
另外,根据本发明的另一个方面所涉及的检查系统,还包括:机器人,其具有处理部和特征数据获取部,所述处理部对所述被运送的对象物实施处理,所述特征数据获取部基于所述处理的结果来获取所述特征数据;以及特征数据存储部,存储由所述特征数据获取部获取的所述特征数据。
另外,根据本发明的另一方面所涉及的检查系统,所述机器学习器针对每个所述对象物计算表示属于所述规定属性的程度的得分,基于所述得分是否大于规定的第一阈值来判定是否属于所述规定属性。
另外,根据本发明的另一方面所涉及的检查系统,所述参数更新部基于包含下述对象物的所述特征数据的训练数据来更新所述机器学习器的学习参数,所述对象物是在不通过所述机器学习器的情况下得到不属于所述规定属性的判定结果的所述对象物中通过比较所述得分与规定的第二阈值而选择出的对象物。
本发明的一个方面涉及的终端装置包括:显示部,显示在检查装置中得到不属于所述规定属性的判定结果的所述对象物的所述特征数据,所述检查装置包含机器学习器,所述机器学习器基于多个对象物的每一个的特征数据来判定该多个对象物的每一个是否属于规定属性;输入部,对于在所述检查装置中得到不属于所述规定属性的判定结果的所述对象物,输入由判定者基于通过所述显示部显示的所述特征数据判定是否属于所述规定属性的判定结果;以及通信部,发送要输入到所述检查装置的所述判定结果。
本发明的一个方面所涉及的检查方法包含以下步骤:基于多个对象物的每一个的特征数据,通过机器学习器判定该多个对象物的每一个是否属于规定属性;对于通过所述机器学习器得到不属于所述规定属性的判定结果的所述对象物中不通过所述机器学习器的情况下得到属于所述规定属性的判定结果的所述对象物,获取这些对象物的所述特征数据;以及基于包含所获取的所述特征数据的训练数据来更新所述机器学习器的学习参数。
本发明的一个方面所涉及的程序用于使计算机执行:判定步骤,基于多个对象物的每一个的特征数据,通过机器学习器判定该多个对象物的每一个是否属于规定属性;获取步骤,对于通过所述机器学习器得到不属于所述规定属性的判定结果的所述对象物中不通过所述机器学习器的情况下得到属于所述规定属性的判定结果的所述对象物,获取这些对象物的所述特征数据;以及更新步骤,基于包含所获取的所述特征数据的训练数据来更新所述机器学习器的学习参数。
发明效果
根据本发明,例如在工厂进行的检查等中,能够降低实际上将不属于规定属性的检查对象物错误地判定为属于规定属性的风险。
附图说明
图1是示出本发明的实施方式所涉及的检查系统的物理结构例的框图;
图2是示出本发明的实施方式所涉及的检查系统的功能性结构例的框图;
图3是用于对输入到机器学习部的训练数据以及判定结果进行说明的图;
图4是由第一学习已执行的判定部计算出的实施用对象物的得分的直方图;
图5是由第二学习已执行的判定部计算出的实施用对象物的得分的直方图;
图6是由第三学习已执行的判定部计算出的实施用对象物的得分的直方图;
图7是由第二学习已执行的判定部计算出的实施用对象物的得分的直方图;
图8是示出本发明的实施方式涉及的检查方法的例子的流程图;
图9是示出在工厂中实施检查方法的方式的一例的图。
具体实施方式
以下,对用于实施本发明的优选的实施方式(以下,称为实施方式)进行说明。
图1是示出实施方式涉及的检查系统1的整体结构的图。如图1所示,检查系统1包括检查装置100、终端装置120以及机器人系统140。检查装置100、终端装置120以及机器人系统140分别与LAN或互联网等网络160连接。此外,在图1中,将检查装置100、终端装置120以及机器人系统140一个个示出,但它们也可以是多个。
检查装置100是个人计算机等信息处理装置,包括第一CPU 102、第一存储部104以及第一通信部106。另外,检查装置100也可以是控制终端装置120以及机器人系统140的服务器计算机。
第一CPU 102包括至少一个处理器。第一存储部104包含RAM等易失性存储器和硬盘等非易失性存储器,存储各种程序、数据。第一CPU 102基于这些程序和数据来执行各种处理。第一通信部106包括网卡、各种通信连接器等通信接口,与其他装置进行通信。
终端装置120是由用户操作的计算机。在本实施方式中,用户处于对机器人系统140的整体进行管理的立场,与负责各个控制器142以及机器人144的管理的作业者不同,但也可以是各个作业者相当于用户。例如,终端装置120是个人计算机、移动电话(包括智能手机)或移动终端(包括平板型终端)。
例如,终端装置120包括第二CPU 122、第二存储部124、第二通信部126、输入部130以及显示部128。第二CPU 122、第二存储部124、第二通信部126的硬件结构分别与第一CPU102、第一存储部104、第一通信部106相同。输入部130是鼠标或键盘等输入设备。显示部128是液晶显示器或有机EL显示器等,根据第二CPU 122的指示显示各种画面。
机器人系统140包括控制器142、机器人144、相机146以及传感器148。此外,在图1中,将控制器142、机器人144、相机146以及传感器148各示出一台,但它们也可以是多台。例如,机器人系统140可以包含多个控制器142,也可以由一台控制器142控制多台机器人144。另外,在机器人系统140中也可以包括多个相机146和多个传感器148。
控制器142是控制机器人144的计算机。控制器142也可以是专用于特定的机器人144的专用设备,但在本实施方式中设为通用计算机。控制器142具有CPU、RAM、硬盘以及通信接口这样的硬件,向机器人144发送动作指示。控制器142也可以控制多台机器人144。
机器人144是产业用机器人。机器人144可以是通用的多关节机器人,例如,能够应用垂直多关节型、水平多关节型或者三角支架型这样的各种形式的机器人。机器人144的臂数量可以是任意的,也可以是仅1根臂,也可以是多根臂。另外,机器人144对成为由机器人144作业的对象的物体(以下称为对象物)实施处理。机器人144例如是电弧焊接机器人,对对象物实施焊接处理。
此外,机器人144是产业设备的一例。因此,在本实施方式中记载为机器人144的部位能够替换为产业设备。能够将任意类型的产业设备应用于检查系统1,例如,产业设备也可以是马达控制器、伺服马达、逆变器、机床或者PLC(Programmable Logic Controller,可编程逻辑控制器)。机器人144在工厂中用于制造工序、检查工序。
相机146和传感器148获取对象物的特征数据。特征数据例如包含图像数据以及动作数据。
相机146拍摄对象物的图像,获取图像数据。具体而言,例如在机器人144是焊接机器人的情况下,相机146拍摄被实施了对象物的焊接的部分的图像。
传感器148获取对对象物执行处理时的动作数据。动作数据包含振动数据和时间序列数据。具体而言,例如,传感器148是转矩传感器、马达编码器、接近传感器、把持传感器、压敏传感器、运动传感器、溅射传感器或温度传感器。在机器人144是电弧焊接机器人的情况下,传感器148获取表示焊接处理中的机器人144的位置变化的振动数据、焊接电流波形或焊接电压波形等的时间序列数据。动作数据只要是表示机器人144的动作的数据即可,例如可以在动作数据中示出转矩信号、温度信息、速度反馈值、外力值或反馈脉冲信号这样的各种信息。
此外,设为存储在检查装置100、终端装置120以及控制器142的各个中而说明的程序以及数据也可以经由网络160被提供。另外,检查装置100、终端装置120以及控制器142各自的硬件结构不限于上述的例子,能够应用各种硬件。例如,也可以包含读取计算机可读取的信息存储介质的读取部(例如,光盘驱动器或存储卡槽)或用于与外部设备直接连接的输入输出部(例如USB端子)。在该情况下,也可以经由读取部或输入输出部提供给存储在信息存储介质中的程序、数据。
接着,对检查系统1的功能进行说明。检查系统1获取机器人144测量出的动作数据、图像数据,执行进行对象物分析的应用程序。这些应用程序既可以由制造商创建,也可以由用户创建并附加到检查装置100。应用程序收集机器人144的动作数据、图像数据并将其存储在硬盘中,并且使用该动作数据、图像数据来判定对象物是否属于规定属性。
图2是示出本发明的实施方式所涉及的检查系统1的功能性结构例的框图。如图2所示,检查系统1包括机器学习部202、特征数据存储部204、显示部128、输入部130、第二通信部126以及特征数据获取部206。
机器学习部202是基于基本训练数据预先学习(以下称为第一学习)的机器学习模型。例如,机器学习部202是根据卷积神经网络(CNN)而被安装的机器学习模型。神经网络整体由编码器网络和解码器网络构成。机器学习部202也可以是CNN以外的机器学习模型。
机器学习部202包含参数更新部208、参数存储部210以及判定部212。参数更新部208基于包括由特征数据获取部206获取的特征数据的训练数据来更新机器学习器的学习参数。学习参数的更新的细节将在后面叙述。
参数存储部210存储机器学习部202的参数的值。在执行学习时,随时更新参数存储部210中存储的参数的值。此外,在反复执行学习,在即使在其以上执行学习但判定精度也不提高的情况下,该状态下的参数也可以作为固定值存储在参数存储部210中。
判定部212基于多个对象物的每一个的特征数据来判定该多个对象物的每一个是否属于规定属性。具体而言,例如,判定部212基于相机146获取的图像数据或者传感器148获取的动作数据,判定该多个对象物的每一个是否属于规定属性。规定属性例如是表示对象物具有规定的品质的合格品属性。
此外,规定属性也可以是表示对象物所属的阶层的信息。例如,在将作为最高品质的阶层设为A等级、将中等程度的品质的阶层设为B等级、将作为低品质的阶层设为C等级的情况下,规定属性也可以是表示A等级、B等级以及C等级中的任一个的信息。在该情况下,判定部212使用动作数据、图像数据来判定对象物是否属于A等级、B等级以及C等级中的任一个。以下,对规定属性主要表示合格品属性的情况进行说明。
图3是用于说明输入到机器学习部202的训练数据以及判定结果的图。在第一学习中使用的基本训练数据是为了在机器学习部202中执行第一学习而从预先准备的对象物(以下称为试验用对象物)获取的数据。基本训练数据包含动作数据、图像数据以及表示是否属于规定属性的信息。试验用对象物预先判明是否属于规定属性。表示是否属于规定属性的信息例如在属于规定属性的情况下由0这样的值表示,在不属于规定属性的情况下由1这样的值表示。
在第一学习中,首先,基本训练数据中包含的动作数据以及图像数据被输入到判定部212,计算得分。这里,得分是表示属于规定属性的程度的值,例如是CNN的输出值。然后,确定表示该对象物是否属于规定属性的信息与得分的比较结果(以下,称为误差)。误差也可以是取0以上且1以下的值的数据。误差例如也可以是在计算出的得分与表示是否属于规定属性的信息一致的情况下作为值而获取1、在不一致的情况下作为值而获取0的数据。并且,基于该误差,例如通过误差反向传播法,参数更新部208更新参数存储部210中存储的参数的值。另外,判定部212中输入动作数据和图像数据、以及表示是否属于规定属性的信息的多个组合。由此,反复执行判定部212的参数的值的更新。如上所述,执行机器学习部202的第一学习。
已执行第一学习的机器学习部202的判定部212判定多个对象物是否属于规定属性(以下,设为第一判定)。具体而言,例如,首先,第一学习已执行的机器学习部202针对成为是否属于规定的属性的判定对象的多个对象物(以下,设为实施用对象物)计算得分。判定部212针对每个实施用对象物,将动作数据、图像数据输入到神经网络,作为对象物的得分而输出0以上1以下的数值。接着,判定部212基于得分是否比规定的第一阈值大,判定是否属于规定属性。例如,判定部212在对象物的得分大于规定的第一阈值的情况下判定为该对象物属于不合格品属性,在为规定的第一阈值以下的情况下判定为该对象物属于合格品属性。
特征数据存储部204存储机器人系统140获取的特征数据。具体而言,特征数据存储部204存储由相机146获取的图像数据或者传感器148获取的动作数据。此外,在图2中,记载了特征数据存储部204包含在机器人系统140中的结构,但特征数据存储部204也可以是包含在检查装置100或终端装置120中的结构。
显示部128显示对象物的特征数据。具体而言,例如,显示部128显示在检查装置100中得到了不属于规定属性的判定结果的对象物的特征数据。在上述例子中,显示部128在第一判定中显示被判定为属于不合格品属性的实施用对象物的特征数据。
输入部130被输入基于是否属于规定属性的作业者(以下,称为判定者)的判定结果。具体而言,输入部130针对在检查装置100中得到了不属于规定属性的判定结果的对象物,输入基于由显示部128显示的特征数据的、是否属于规定属性的判定者的判定结果。即,在第一判定中得到了不属于合格品属性的判定结果的实施用对象物不通过机器学习部202而再次由判定者判定是否属于合格品属性(以下,设为第二判定)。输入部130接受由判定者进行的该判定结果的输入。
另外,第二判定优选通过精度比第一判定精度高的方法来执行。获取上述判定结果的方法也可以通过判定者将判定结果输入到输入部130以外的方法来进行。例如,也可以通过使用数据大小比在第一判定中使用的图像数据、动作数据大(例如,分辨率比在第一判定中使用的图像数据、动作数据高的图像数据、动作数据)的数据,判定是否属于规定属性的程序进行动作,来执行上述判定。
另外,第二判定也可以通过检查装置100以外的机器学习模型来执行。优选的是,该机器学习模型使用在第一判定和第二判定中得到不同的判定结果的对象物的特征数据来执行学习。在此,从机器学习部202使用数据大小大的特征数据来执行学习,能够提高第二判定的精度。在该情况下,与后述的判定者的判定相比,能够缩短第二判定所需的处理。由此,能够避免成为工厂中的生产线的瓶颈,因此能够使工序作业时间均匀化。
第二通信部126发送输入到检查装置100的判定结果。具体而言,第二通信部126将表示是否属于输入部130中输入的合格品属性的信息发送到机器学习部202。
特征数据获取部206对于由机器学习部202得到了不属于规定属性的判定结果的对象物中的、不通过机器学习部202的情况下得到属于规定属性的判定结果的对象物,获取这些对象物的特征数据。具体而言,首先,如上述那样执行了第一学习的机器学习部202进行实施用对象物是否属于合格品属性的第一判定。如图3所示,在第一判定中,判定为一定比例的实施用对象物属于合格品属性,剩余的实施用对象物属于不合格品属性。接着,对在第一判定中判定为属于不合格品属性的实施用对象物进行第二判定。然后,特征数据获取部206获取在第二判定中判定为属于不合格品属性的实施用对象物的特征数据。例如,关于该对象物,特征数据获取部206经由通信部从特征数据存储部204获取相机146获取的图像数据或者传感器148获取的动作数据。
此外,在本实施方式中,特征数据获取部206包含于检查装置100,但特征数据获取部206也可以从机器人系统140获取相机146以及传感器148获取的全部的特征数据。在该情况下,特征数据获取部206也可以仅将作为训练数据使用的特征数据交给机器学习部202。
图4是通过已执行第一学习的判定部212计算出的实施用对象物的得分的直方图。图4的横轴表示得分,纵轴表示频度。表示属于合格品属性的对象物的分布在评分低的一侧具有峰值,表示不合格品的分布在评分高的一侧具有峰值。此外,图4所示的合格品或不合格品的分布是根据通过没有错误的判定方法判定对象物属于合格品属性还是属于不合格品属性的结果,分离出合格品和不合格品的分布。实际的直方图是将合格品与不合格品的分布相加而得到的直方图。
如上所述,在第二判定中,针对图4的整体的分布中的分布于比第一阈值靠右侧的位置的对象物,判定该对象物属于合格品属性还是属于不合格品属性。在此,优选不存在尽管是合格品但被判定为属于不合格品属性的对象物、以及尽管是不合格品但被判定为属于合格品属性的对象物。但是,作为机器学习部202的判定结果,通常是合格品与不合格品的分布发生重叠。在存在该重叠的情况下,作为合格品的对象物的一部分的得分比作为不合格品的对象物的一部分的得分大。
因此,优选的是,对于给定的测试用的训练数据组,与由机器学习部202将不属于规定属性的对象物判定为属于规定属性的概率相比,由机器学习部202将属于规定属性的对象物判定为不属于规定属性的概率更高。特别优选的是,规定的第一阈值被设定为,对于给定的测试用的训练数据组,不属于规定属性的对象物通过机器学习部202判定为属于规定属性的概率实质上为0%。通过这样的第一阈值的设定,能够防止不合格品错误地判定为属于合格品属性。
此外,实质上0%是指不仅包含0%,还包含检查系统1所容许的误差的概念。具体而言,在作为检查系统1所要求的精度而允许几%(例如3%)的误差的情况下,实质上0%表示为几%以下(例如3%以下)。
例如,在设定0.5作为规定的第一阈值的情况下,优选判定部212在得分为0.5以下的情况下判定为该对象物为合格品的概率为100%。即,优选判定部212在对象物的得分大于0.5的情况下判定为该对象物属于不合格品的属性,在对象物的得分为0.5以下的情况下判定为该对象物属于合格品的属性。
然而,如上述那样设定第一阈值时,发生作为合格品的对象物的一部分(在图4中,合格品的分布中的分布于比第一阈值靠右侧的位置的对象物)在第一判定中判定为属于不合格品属性这样的错误的判定。即,由于第一判定的结果未必是正确的,所以在第二判定中,判定为一定比例的实施用对象物属于合格品属性,剩余的实施用对象物属于不合格品属性。因此,在图4中,判定为合格品的分布中的分布于比第一阈值靠左侧的位置的对象物属于合格品属性。
因此,机器学习部202基于包含由特征数据获取部206获取的特征数据的训练数据,执行反复学习(以下,将第n次进行的学习设为第n学习)。以下,对第二次进行的第二学习以及第三次进行的第三学习进行说明。
第二学习使用基于在图3所示的第一判定中判定为属于不合格品属性的对象物中的、在第二判定中判定为属于合格品属性的对象物而获取的训练数据来执行。具体而言,在图4中,基于合格品的分布中的分布于比第一阈值靠右侧的位置的对象物的特征数据来执行第二学习。与第一学习同样,训练数据是该对象物的动作数据、图像数据以及表示该对象物是否属于规定属性的信息。第二学习除了所使用的训练数据不同这一点之外,与第一学习同样地执行。
图5是通过执行了第二学习的判定部212计算出的实施用对象物的得分的直方图。执行了第二学习的判定部212基于该得分是否比规定的第一阈值大,判定是否属于规定属性(以下,设为第三判定)。
第二学习使用在第一判定中进行了虽然是合格品但属于不合格品属性的意思的判定的对象物的训练数据来执行的。因此,图5所示的合格品的分布和不合格品的分布比图4所示的合格品的分布和不合格品的分布更分离。由此,如图5所示,在第二判定中,能够使尽管是合格品但是判定为属于不合格品属性的对象物的比例比在第一判定中的比例小。即,通过第二学习,能够防止进行不合格品属于合格品属性的错误的判定,并且能够提高判定为合格品属于合格品属性的精度。
接着,执行第三学习。第三学习是基于训练数据来执行的,训练数据包含由机器学习器得到了不属于规定属性的判定结果的对象物中的、不通过机器学习器的情况下得到不属于规定属性的判定结果的对象物的特征数据。具体而言,不通过机器学习器的情况下得到了不属于规定属性的判定结果的对象物,基于该对象物属于规定属性的程度,从由机器学习器得到了不属于规定属性的判定结果的对象物中选择。例如,该对象物对得分和规定的第二阈值进行比较而被选择。
具体而言,例如,在图5中,第三学习是基于合格品的分布中的分布于比第一阈值靠右侧的位置的对象物、和不合格品的分布中的分布于比第二阈值靠左侧的位置的对象物的特征数据来执行的。与第一学习以及第二学习同样地,训练数据是该对象物的动作数据、图像数据以及表示该对象物是否属于规定属性的信息。第三学习除了所使用的训练数据不同这一点之外,与第一学习以及第二学习同样地执行。
图6是通过执行了第三学习的判定部212计算出的实施用对象物的得分的直方图。第三学习将图5的第一阈值与第二阈值之间的得分即对象物的特征数据作为训练数据来执行学习。由于第二阈值被设定为不合格品的分布的峰值位置,因此在第三学习中,属于具有远离第一阈值的得分的不合格品属性的对象物的特征数据不被用作训练数据。即,虽然明显属于不合格品属性的对象物的特征数据被从训练数据中排除,但属于不合格品属性但接近合格品的对象物的特征数据包含在训练数据中。由此,如图6所示,能够在防止进行不合格品属于合格品属性的错误的判定的同时,进一步提高判定为合格品属于合格品属性的精度。
第二阈值也可以设定在不合格品的分布的峰值位置以外的位置。例如,如图7所示,第二阈值也可以被设定为,属于合格品属性的对象物被机器学习部202判定为属于不合格品属性的概率实质上为0%。即,第二阈值也可以是合格品分布的右下摆的位置的得分。
另外,第二阈值也可以被设定为,不通过机器学习器的情况下得到不属于规定属性的判定结果的对象物、和不通过机器学习器的情况下得到属于规定属性的判定结果的对象物的数量实质上相同。此外,实质上这样的语句所表示的含义与上述相同。
在该情况下,参数更新部208基于包含以下特征数据的训练数据,更新机器学习器的学习参数,所述特征数据以不通过机器学习器的情况下得到不属于规定属性的判定结果的对象物的特征数据的数量和不通过机器学习器的情况下得到属于规定属性的判定结果的对象物的特征数据的数量实质上相同的方式被提取出。
此外,第n学习也可以进一步使用其他的训练数据来执行。具体而言,例如,参数更新部208也可以进一步基于包含通过机器学习部202得到了属于规定属性的判定结果的对象物的特征数据的训练数据来更新机器学习部202的学习参数。具体而言,第二学习也可以不仅基于在上述第二判定中判定为属于规定属性的对象物,还基于在第一判定中判定为属于规定属性的对象物执行。具体而言,在上述例子中,第二学习也可以在图4中,与合格品的分布中的分布于比第一阈值靠右侧的位置的对象物一起,基于分布于左侧的对象物的特征数据来执行。
即,也可以将在第一判定以及第二判定中判定为属于合格品属性的全部的对象物的图像数据以及动作数据作为训练数据,执行第二学习。由此,在第一判定中判定为属于合格品属性的对象物的得分为第一阈值附近的值的情况下,通过执行第二学习后的判定部212,能够降低判定为该对象物属于不合格品属性的可能性。由此,能够进一步提高判定的精度。
另外,参数更新部208还可以基于基本训练数据的至少一部分来更新机器学习部202的学习参数。具体而言,第二学习也可以与图4的合格品分布中的分布于第一阈值右侧的对象物一起,基于试验用对象物中属于合格品属性的对象物的特征数据来执行。由此,能够进一步提高判定的精度。
如上所述,通过反复学习来更新机器学习部202的学习参数。在此,优选参数更新部208对机器学习部202的学习参数进行更新,以抑制针对给定的测试用的训练数据组的、得到不属于规定属性的对象物属于规定属性的判定结果的概率的上升。
具体而言,首先,参数更新部208针对每一次的学习,使用多种训练数据来生成多种参数的候选。在此,多种训练数据是将上述说明的各种特征数据组合而得到的数据。接着,判定部212使用多种参数的候选,判定在该学习之前判定出的多个对象物是否属于规定属性。由此,针对每个参数的候选,得到能够得到不属于规定属性的对象物属于规定属性的判定结果的概率。然后,参数更新部208将得到不属于规定属性的对象物属于规定属性的判定结果的概率最低的参数存储于存储部。由此,能够防止基于过度学习的判定精度的降低。
接着,参照图8及图9对使用检查系统1执行的检查方法进行说明。在此,机器学习部202设为已执行第一学习。
首先,执行处理(S802)。具体而言,例如,如图9所示,在工厂的生产线上配置有运送对象物900的运送装置902。运送装置902例如是带式运输机。在运送装置902上流动有第一批次所包含的多个对象物900。机器人系统140的机器人144对该多个对象物900执行焊接处理。此时,机器人系统140的相机146拍摄焊接处理后的对象物900的接合部,并获取图像数据。另外,传感器148获取表示焊接处理中的机器人144的位置变化的振动数据等动作数据。然后,特征数据存储部204存储该图像数据和动作数据。
接着,基于多个对象物900的每一个的特征数据,通过机器学习部202判定该多个对象物900的每一个是否属于规定属性(S804)。具体而言,特征数据获取部206经由网络160从机器人系统140获取在S802中获取的图像数据以及动作数据。然后,执行了第一学习的机器学习部202基于该图像数据以及动作数据算出得分。另外,机器学习部202基于得分是否大于规定的第一阈值,分别判定各对象物900属于合格品属性还是属于不合格品属性(第一判定)。
接着,在S804中,关于通过机器学习部202得到不属于规定属性的判定结果的对象物900,不通过机器学习部202进行判定(S806)。具体而言,针对在S804的工序中判定为属于不合格品属性的全部对象物900,在显示部128显示该对象物900的特征数据。在此,显示部128显示所运送的对象物900中最靠近判定者的一个对象物900的特征数据。例如,基于EPR等数据来确定运送到判定者的位置的对象物900。然后,特征数据获取部206从机器人系统140获取所确定的对象物900的特征数据,并发送给终端装置120。由此,显示部128显示最接近于判定者的一个对象物900的特征数据。然后,判定者利用眼睛观察显示于显示部128的特征数据来判定该对象物900属于合格品属性还是属于不合格品属性。进而,输入部130接受是否属于规定属性的判定者对判定结果的输入(第二判定)。
由于在显示部128上显示特征数据,因此判定者能够容易地进行判定。另外,由于最接近于判定者的对象物900的特征数据被显示于显示部128,因此能够防止对错误的对象物900进行判定。因此,作为第二判定的结果,能够防止收集与错误的对象物900相关的特征数据。
此外,也可以通过条形码读取器或RSF标签读取装置读取识别对象物900的信息,来确定最接近于判定者的一个对象物900。
接着,特征数据获取部206获取在第二学习中使用的训练数据(S808)。具体而言,特征数据获取部206针对S806中的判定结果属于合格品属性的对象物900,获取图像数据以及动作数据。这里,例如,获取m(m是自然数)个训练数据组。一个训练数据组包含从一个对象物900获取的动作数据以及图像数据。以下,将第i(1≤i≤m)个数据组称为第i数据组。
接着,机器学习部202将变量i的值设定为1(S810)。然后,机器学习部202使用第i数据组所包含的训练数据,执行学习部的学习(S812)。
然后,机器学习部202确认变量i的值是否为m(S814)。在值不是m的情况下(S814:否),机器学习部202使变量i的值增加1(S816),返回S812所示的处理。在值为m的情况下(S814:是),进入S818。通过S810~S816的工序,机器学习部202执行第二学习。
接着,对与在S802中成为处理对象的对象物900不同的多个对象物900执行处理(S818)。具体而言,针对在工厂的生产线中流动的第二批次所包含的多个对象物900,机器人144对对象物900执行焊接等处理。然后,基于该对象物900,获取图像数据以及动作数据。
另外,通过已执行第二学习的判定部212,执行判定多个对象物900是否属于规定属性的第三判定(S820)。S818以及S820的工序除了学习部执行了第二学习这一点以及对象物900不同这一点之外,与S802以及S804的工序相同。
如上所述,根据本实施方式,通过使用所选择的训练数据进行学习,能够高精度地判定对象物900是否属于规定的属性。由此,例如在判定者判定的情况下,能够削减成为判定者要判定属于合格品属性还是属于不合格品属性的对象的对象物900的数量。由此,能够削减判定者的人数,能够削减制造成本。
此外,在图8的流程中,对执行至第三判定为止的实施方式进行了说明,但在S820的工序以后,也可以反复执行与S808至S820相同的工序。通过反复执行与上述第二学习同样的学习,能够进一步提高判定精度。
以上,对本发明涉及的实施方式进行了说明,但该实施方式所示的具体结构是作为一例而示出的,并不意图将本发明的技术范围限定于此。本领域技术人员应该理解为,可以对这些公开的实施方式进行适当变形,本说明书中公开的发明的技术范围也包括这样进行的变形。
例如,本发明包括使计算机执行判定步骤、获取步骤以及更新步骤的程序。这里,判定步骤是以下步骤:基于多个对象物的每一个的特征数据,通过机器学习部202判定该多个对象物的每一个是否属于规定属性。获取步骤是以下步骤:针对在通过机器学习部202得到不属于规定属性的判定结果的对象物中的、不通过机器学习部202的情况下得到属于规定属性的判定结果的对象物,获取这些对象物的特征数据。更新步骤是以下步骤:基于包含所获取的特征数据的训练数据来更新机器学习部202的学习参数。
符号说明
1检查系统、100检查装置、102第一CPU、104第一存储部、106第一通信部、120终端装置、122第二CPU、124第二存储部、126第二通信部、128显示部、130输入部、140机器人系统、142控制器、144机器人、146相机、148传感器、160网络、202机器学习部、204特征数据存储部、206特征数据获取部、208参数更新部、210参数存储部、212判定部、900对象物、902运送装置。
Claims (19)
1.一种检查系统,包括:
机器学习器,基于多个对象物的每一个的特征数据来判定该多个对象物的每一个是否属于规定属性;
特征数据获取部,对于通过所述机器学习器得到不属于所述规定属性的判定结果的所述对象物中不通过所述机器学习器的情况下得到属于所述规定属性的判定结果的所述对象物,获取这些对象物的所述特征数据;以及
参数更新部,基于训练数据来更新所述机器学习器的学习参数,所述训练数据包含由所述特征数据获取部获取的所述特征数据。
2.如权利要求1所述的检查系统,其中,
所述规定属性是表示所述对象物具有规定品质的合格品属性。
3.如权利要求1或2所述的检查系统,其中,
对于给定的测试用的训练数据组,属于所述规定属性的所述对象物被所述机器学习器判定为不属于所述规定属性的概率高于不属于所述规定属性的所述对象物被所述机器学习器判定为属于所述规定属性的概率。
4.如权利要求3所述的检查系统,其中,
对于所述给定的测试用的训练数据组,不属于所述规定属性的所述对象物被所述机器学习器判定为属于所述规定属性的概率实质上为0%。
5.如权利要求1或2所述的检查系统,其中,
所述参数更新部更新所述机器学习器的学习参数,以抑制对于给定的测试用的训练数据组,得到不属于所述规定属性的所述对象物被判定为属于所述规定属性的判定结果的概率上升。
6.如权利要求5所述的检查系统,其中,
所述参数更新部还基于包含下述对象物的所述特征数据的训练数据来更新所述机器学习器的学习参数,所述对象物是通过所述机器学习器得到不属于所述规定属性的判定结果的所述对象物中不通过所述机器学习器的情况下得到不属于所述规定属性的判定结果的对象物。
7.如权利要求6所述的检查系统,其中,
所述参数更新部基于包含下述特征数据的训练数据来更新所述机器学习器的学习参数,所述特征数据被提取,以使不通过所述机器学习器的情况下得到不属于所述规定属性的判定结果的所述对象物的所述特征数据的数量和不通过所述机器学习器的情况下得到属于所述规定属性的判定结果的所述对象物的所述特征数据的数量实质上相同。
8.如权利要求6或7所述的检查系统,其中,
所述参数更新部基于包含下述对象物的所述特征数据的训练数据来更新所述机器学习器的学习参数,所述对象物是在不通过所述机器学习器的情况下得到不属于所述规定属性的判定结果的所述对象物中基于该对象物属于所述规定属性的程度而选择出的对象物。
9.如权利要求5所述的检查系统,其中,
所述机器学习器是已基于基本训练数据预先学习的,
所述参数更新部还基于所述基本训练数据的至少一部分来更新所述机器学习器的学习参数。
10.如权利要求5所述的检查系统,其中,
所述参数更新部还基于包含下述对象物的所述特征数据的训练数据来更新所述机器学习器的学习参数,所述对象物是通过所述机器学习器得到属于所述规定属性的判定结果的对象物。
11.如权利要求1至10中任一项所述的检查系统,还包括:
终端装置,对于通过所述机器学习器得到不属于所述规定属性的判定结果的所述对象物中不通过所述机器学习器的情况下得到属于所述规定属性的判定结果的所述对象物,判定者在该终端装置中输入该判定结果。
12.如权利要求11所述的检查系统,其中,
所述终端装置包含显示部,所述显示部显示被判定为不属于所述规定属性的所述对象物的所述特征数据。
13.如权利要求12所述的检查系统,还包括运送所述对象物的运送装置,
所述显示部显示被运送的所述对象物中最接近所述判定者的一个所述对象物的特征数据。
14.如权利要求13所述的检查系统,还包括:
机器人,其具有处理部和特征数据获取部,所述处理部对所述被运送的对象物实施处理,所述特征数据获取部基于所述处理的结果来获取所述特征数据;以及
特征数据存储部,存储由所述特征数据获取部获取的所述特征数据。
15.如权利要求1至14中任一项所述的检查系统,其中,
所述机器学习器针对每个所述对象物计算表示属于所述规定属性的程度的得分,基于所述得分是否大于规定的第一阈值来判定是否属于所述规定属性。
16.如权利要求15所述的检查系统,其中,
所述参数更新部基于包含下述对象物的所述特征数据的训练数据来更新所述机器学习器的学习参数,所述对象物是在不通过所述机器学习器的情况下得到不属于所述规定属性的判定结果的所述对象物中通过比较所述得分与规定的第二阈值而选择出的对象物。
17.一种终端装置,包括:
显示部,显示在检查装置中得到不属于所述规定属性的判定结果的所述对象物的所述特征数据,所述检查装置包含机器学习器,所述机器学习器基于多个对象物的每一个的特征数据来判定该多个对象物的每一个是否属于规定属性;
输入部,对于在所述检查装置中得到不属于所述规定属性的判定结果的所述对象物,输入由判定者基于通过所述显示部显示的所述特征数据判定是否属于所述规定属性的判定结果;以及
通信部,发送要输入到所述检查装置的所述判定结果。
18.一种检查方法,包含以下步骤:
基于多个对象物的每一个的特征数据,通过机器学习器判定该多个对象物的每一个是否属于规定属性;
对于通过所述机器学习器得到不属于所述规定属性的判定结果的所述对象物中不通过所述机器学习器的情况下得到属于所述规定属性的判定结果的所述对象物,获取这些对象物的所述特征数据;以及
基于包含所获取的所述特征数据的训练数据来更新所述机器学习器的学习参数。
19.一种程序,用于使计算机执行:
判定步骤,基于多个对象物的每一个的特征数据,通过机器学习器判定该多个对象物的每一个是否属于规定属性;
获取步骤,对于通过所述机器学习器得到不属于所述规定属性的判定结果的所述对象物中不通过所述机器学习器的情况下得到属于所述规定属性的判定结果的所述对象物,获取这些对象物的所述特征数据;以及
更新步骤,基于包含所获取的所述特征数据的训练数据来更新所述机器学习器的学习参数。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/008172 WO2020178913A1 (ja) | 2019-03-01 | 2019-03-01 | 検査システム |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113366528A true CN113366528A (zh) | 2021-09-07 |
Family
ID=71738571
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201980090799.9A Pending CN113366528A (zh) | 2019-03-01 | 2019-03-01 | 检查系统 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20210382467A1 (zh) |
JP (1) | JP6731603B1 (zh) |
CN (1) | CN113366528A (zh) |
WO (1) | WO2020178913A1 (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129563A (zh) * | 2010-01-15 | 2011-07-20 | 松下电器产业株式会社 | 感官检查装置及感官检查方法 |
WO2016084336A1 (ja) * | 2014-11-27 | 2016-06-02 | 日本電気株式会社 | 追学習装置、追学習方法、および、記憶媒体 |
CN107607554A (zh) * | 2017-09-26 | 2018-01-19 | 天津工业大学 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
CN108682003A (zh) * | 2018-04-04 | 2018-10-19 | 睿视智觉(厦门)科技有限公司 | 一种产品质量检测方法 |
CN108873768A (zh) * | 2017-05-09 | 2018-11-23 | 欧姆龙株式会社 | 任务执行系统及方法、学习装置及方法、以及记录介质 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006098152A (ja) * | 2004-09-29 | 2006-04-13 | Dainippon Screen Mfg Co Ltd | 欠陥検出装置および欠陥検出方法 |
JP6542477B2 (ja) * | 2016-08-22 | 2019-07-10 | キユーピー株式会社 | 食品検査装置、食品検査方法及び食品検査装置の識別手段の学習方法 |
IL250756A0 (en) * | 2017-02-23 | 2017-04-30 | Rafael Advanced Defense Systems Ltd | System and method for testing and detecting coating defects |
JP6979900B2 (ja) * | 2018-02-13 | 2021-12-15 | 株式会社荏原製作所 | 基板保持部材、基板処理装置、基板処理装置の制御方法、プログラムを格納した記憶媒体 |
-
2019
- 2019-03-01 CN CN201980090799.9A patent/CN113366528A/zh active Pending
- 2019-03-01 WO PCT/JP2019/008172 patent/WO2020178913A1/ja active Application Filing
- 2019-03-01 JP JP2019535411A patent/JP6731603B1/ja active Active
-
2021
- 2021-08-23 US US17/408,487 patent/US20210382467A1/en active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102129563A (zh) * | 2010-01-15 | 2011-07-20 | 松下电器产业株式会社 | 感官检查装置及感官检查方法 |
WO2016084336A1 (ja) * | 2014-11-27 | 2016-06-02 | 日本電気株式会社 | 追学習装置、追学習方法、および、記憶媒体 |
CN108873768A (zh) * | 2017-05-09 | 2018-11-23 | 欧姆龙株式会社 | 任务执行系统及方法、学习装置及方法、以及记录介质 |
CN107607554A (zh) * | 2017-09-26 | 2018-01-19 | 天津工业大学 | 一种基于全卷积神经网络的镀锌冲压件的瑕疵检测与分类方法 |
CN108682003A (zh) * | 2018-04-04 | 2018-10-19 | 睿视智觉(厦门)科技有限公司 | 一种产品质量检测方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020178913A1 (ja) | 2020-09-10 |
US20210382467A1 (en) | 2021-12-09 |
JP6731603B1 (ja) | 2020-07-29 |
JPWO2020178913A1 (ja) | 2021-03-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10203666B2 (en) | Cell controller for finding cause of abnormality in manufacturing machine | |
JP6457421B2 (ja) | シミュレーション結果を利用して学習を行う機械学習装置,機械システム,製造システムおよび機械学習方法 | |
US11267059B2 (en) | Control device of wire electric discharge machine and machine learning device | |
CN111630535B (zh) | 用于动态地优化工业生产过程的方法和装置 | |
CN109692821B (zh) | 分拣系统 | |
US11475289B2 (en) | Learning device unit | |
TWI760916B (zh) | 用於工廠自動化生產線之製造系統 | |
US20230367296A1 (en) | Industrial system, abnormality detection system, and abnormality detection method | |
CN115867873A (zh) | 提供与分配给输入数据方法和系统的异常分数相关的警报 | |
Variz et al. | Machine learning applied to an intelligent and adaptive robotic inspection station | |
US11992953B2 (en) | Abnormality determination device and abnormality determination method | |
CN111788042A (zh) | 机器人的预见性分析 | |
CN113366528A (zh) | 检查系统 | |
WO2022234678A1 (ja) | 機械学習装置、分類装置、及び制御装置 | |
EP3961337A1 (en) | Method and system for managing a process in a technical installation | |
US20210129331A1 (en) | Control method, control apparatus, robot apparatus, method of manufacturing an article, motion program creation method, motion program creation apparatus, display apparatus, and control program recording medium | |
US11059171B2 (en) | Method and apparatus for optimizing a target working line | |
CN115210744A (zh) | 用于制造过程的系统、方法和介质 | |
CN116954181B (zh) | 一种基于物联网的智能模块控制系统及方法 | |
CN117358615B (zh) | 一种自动喷码印刷缺陷检测方法及系统 | |
JP7235533B2 (ja) | ロボットコントローラ及びロボットコントロールシステム | |
EP4202765A1 (en) | Method and system for counting bakeable food products | |
CN117697765B (zh) | 基于传感反馈提高晶圆机械臂传送准确性的方法及系统 | |
CN110312975A (zh) | 闭合回路的产品 | |
WO2021256017A1 (ja) | コントローラ、システム、方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |