CN115151877A - 信息处理装置以及信息处理方法 - Google Patents
信息处理装置以及信息处理方法 Download PDFInfo
- Publication number
- CN115151877A CN115151877A CN202180016013.6A CN202180016013A CN115151877A CN 115151877 A CN115151877 A CN 115151877A CN 202180016013 A CN202180016013 A CN 202180016013A CN 115151877 A CN115151877 A CN 115151877A
- Authority
- CN
- China
- Prior art keywords
- job
- data block
- scene
- information
- image
- 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 53
- 238000003672 processing method Methods 0.000 title claims description 8
- 238000013508 migration Methods 0.000 claims abstract description 13
- 230000005012 migration Effects 0.000 claims abstract description 13
- 230000007704 transition Effects 0.000 claims description 32
- 230000006870 function Effects 0.000 description 32
- 238000012545 processing Methods 0.000 description 29
- 238000000034 method Methods 0.000 description 27
- 238000010586 diagram Methods 0.000 description 11
- 238000012856 packing Methods 0.000 description 11
- 238000012790 confirmation Methods 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000010801 machine learning Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 4
- 238000004806 packaging method and process Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/08—Logistics, e.g. warehousing, loading or distribution; Inventory or stock management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/10—Recognition assisted with metadata
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Image Analysis (AREA)
Abstract
【课题】提供信息处理装置,能够在不进行大规模的信息的重构的前提下,在作业者需要时,向作业者提示作业者所需的量的信息。【解决手段】提供一种信息处理装置,其输出与作业者对作为作业对象的对象物进行的第1作业以及第2作业有关的信息即作业信息,其中,该信息处理装置具有:场景估计部,其取得第1图像,该第1图像是所述作业者进行所述第1作业以及所述第2作业的状况即场景的图像,并且该场景估计部使用记载有所述第1图像与唯一地表示所述场景的场景ID之间的关联性的第1学习结束模型来估计所述场景;数据块估计部,其取得所述第1作业和所述第2作业的对象物的图像即第2图像,使用存储有所述第2图像与如下的1个或多个数据块用元ID之间的关联性的多个第2学习结束模型中的一个来估计所述数据块,所述1个或多个数据块用元ID与唯一地表示数据块的数据块ID一对一地对应,该数据块是所述作业信息被分割后或提示所述作业信息的信息;迁移目标提示部,其在进行了所述第2作业时,将实际进行的所述第1作业和所述第2作业与预先保存有所述第1作业与所述第2作业的关系的状态迁移表进行对照,输出提示信息,该提示信息进行与接下来的作业有关的提示;以及输出部,其输出所述数据块,所述数据块估计部使用与场景ID一对一地对应的模型ID来选定所述多个第2学习结束模型中的一个,所述数据块用元ID唯一地表示作为与所述对象物的性质有关的信息的数据块用元值。
Description
技术领域
本发明涉及信息处理装置以及信息处理方法。
背景技术
例如,在专利文献1的作业辅助系统中,根据记述了作业的过程、内容、注意点或其他事项的手册来生成记述了作业对象或作业状况的判定条件的规则,根据来自作业者所佩戴的设备的传感器信息来识别作业对象和作业状况,并根据所生成的规则以及识别单元的识别结果来输出作业辅助信息。
现有技术文献
专利文献
专利文献1:日本特开2019-109844号公报
发明内容
发明要解决的课题
但是,在专利文献1所记载的现有方法中,关于作为手册等文档而存储的信息,只能以文档为单位进行检索。例如在对文档进行以段落为单位的检索的情况下,需要将文档重构成结构化的信息。当考虑到成本和效益时,作为检索对象的全部文档的重构不现实的情况较多,并且存在如下问题:如果是以文档为单位的信息,则会大量阅览不需要的信息,文档的阅览者有时无法进行迅速的应对。
本发明实施方式的一个方式的目的在于提供一种信息处理装置,该信息处理装置在不进行大规模的信息的重构的前提下,在作业者需要时,向作业者提示作业者所需的量的信息。
用于解决课题的手段
一种信息处理装置,其输出与作业者对作为作业对象的对象物进行的第1作业以及第2作业有关的信息即作业信息,其中,该信息处理装置具有:场景估计部,其取得第1图像,该第1图像是作业者进行第1作业以及第2作业的状况即场景的图像,并且该场景估计部使用记载有第1图像与唯一地表示场景的场景ID之间的关联性的第1学习结束模型来估计场景;数据块估计部,其取得第1作业和第2作业的对象物的图像即第2图像,使用存储有第2图像与如下的1个或多个数据块用元ID之间的关联性的多个第2学习结束模型中的一个来估计数据块,1个或多个数据块用元ID与唯一地表示数据块的数据块ID一对一地对应,该数据块是作业信息被分割后或提示作业信息的信息;迁移目标提示部,其在进行了第2作业时,将实际进行的第1作业和第2作业与预先保存有第1作业与第2作业的关系的状态迁移表进行对照,输出提示信息,该提示信息进行与接下来的作业有关的提示;以及输出部,其输出数据块,数据块估计部使用与场景ID一对一地对应的模型ID来选定多个第2学习结束模型中的一个,数据块用元ID唯一地表示作为与对象物的性质有关的信息的数据块用元值。
提供一种信息处理方法,其由信息处理装置执行,该信息处理装置输出与作业者对作为作业对象的对象物进行的第1作业以及第2作业有关的信息即作业信息,其中,该信息处理方法具有以下步骤:第1步骤,取得第1图像,该第1图像是作业者进行第1作业以及第2作业的状况即场景的图像,并且在该第1步骤中,使用记载有第1图像与唯一地表示场景的场景ID之间的关联性的第1学习结束模型来估计场景;第2步骤,取得第1作业和第2作业的对象物的图像即第2图像,使用存储有第2图像与如下的1个或多个数据块用元ID之间的关联性的多个第2学习结束模型中的一个来估计数据块,1个或多个数据块用元ID与唯一地表示数据块的数据块ID一对一地对应,该数据块是作业信息被分割后或提示作业信息的信息;第3步骤,在进行了第2作业时,将实际进行的第1作业和第2作业与预先保存有第1作业与第2作业的关系的状态迁移表进行对照,输出提示信息,该提示信息进行与接下来的作业有关的提示;以及第4步骤,输出数据块,在该信息处理方法中,使用与场景ID一对一地对应的模型ID来选定多个第2学习结束模型中的一个,数据块用元ID唯一地表示作为与对象物的性质有关的信息的数据块用元值。
发明效果
根据本发明实施方式的一个方式,能够实现一种信息处理装置,该信息处理装置在不进行大规模的信息的重构的前提下,在作业者需要时,向作业者提示作业者所需的量的信息。
附图说明
图1是示出本实施方式的使用阶段中的信息处理装置的结构的框图。
图2是示出本实施方式的学习阶段中的信息处理装置的结构的框图。
图3是示出本实施方式的取出作业时和包装作业时的各个第1图像和第2图像的图。
图4是示出本实施方式的第1学习结束模型和第2学习结束模型的图。
图5是示出本实施方式的辅助存储装置中存储的信息的图。
图6是用于说明本实施方式的场景估计功能、数据块估计功能和数据块输出功能的时序图。
图7是用于说明本实施方式的第1学习结束模型生成功能和第2学习结束模型生成功能的时序图。
图8是示出本实施方式的使用阶段中的信息处理的处理顺序的流程图。
图9是示出本实施方式的确认处理的处理顺序的流程图。
具体实施方式
以下,使用附图来详细叙述本发明实施方式的一个方式。例如,对在物流的中间据点等作业者进行作业时要参考的信息进行说明,该作业者进行如下作业:取出作为作业对象的对象物的取出作业(以下,也可以将其称作第1作业)、通过包装第1作业中的对象物而新形成对象物的包装作业(以下,也可以将其称作第2作业)。另外,在第1作业和第2作业中作业者可以不同,在第1作业和第2作业中作业者也可以相同。
(本实施方式)
首先,使用图1来说明使用阶段中的信息处理装置1。图1是示出本实施方式的使用阶段中的信息处理装置1的结构的框图。信息处理装置1具有中央运算装置2、主存储装置3和辅助存储装置11。
中央运算装置2例如是CPU(Central Processing Unit:中央处理单元),通过调用主存储装置3中存储的程序来执行处理。主存储装置3例如是RAM(Random Access Memory:随机存取存储器),存储后述的场景估计部4、数据块估计部5、数据块输出部6、确认部7、第1学习结束模型生成部9和第2学习结束模型生成部10这样的程序。
另外,可以将包含场景估计部4、数据块估计部5、数据块输出部6和确认部7的程序称作控制部15,也可以将包含第1学习结束模型生成部9和第2学习结束模型生成部10的程序称作学习结束模型生成部16。
辅助存储装置11例如是SSD(Solid State Drive:固态硬盘)、HDD(Hard DiskDrive:硬盘驱动器),存储后述的第1学习结束模型DB1、第1学习模型DB1’、第2学习结束模型DB2、第2学习模型DB2’这样的数据库、场景表TB1、模型表TB2、内容表TB3、场景/内容表TB4、内容/数据块表TB5、数据块/元表TB6、数据块表TB7、数据块用元表TB8、状态迁移表TB9这样的表。
如图1所示,输出与作业者进行的作业相关的信息即作业信息的信息处理装置1在使用阶段中具有场景估计部4、数据块估计部5、输出数据块(chunk)的数据块输出部6和确认部7,该数据块是作业信息被分割后或提示作业信息的信息。这里,也可以将作业信息称作内容,设内容ID唯一地表示作业信息。数据块输出部6例如将数据块输出到用户终端12。
场景估计部4估计作为作业者进行的状况的场景。具体而言,场景估计部4在取出作业时和包装作业时取得后述的第1图像20、40,使用存储有第1图像20与唯一地表示场景的场景ID之间的关联性的第1学习结束模型DB1来估计场景。
场景估计部4以场景ID作为检索关键词,从场景ID与作为场景的名称的场景名称被一对一地关联起来的表即场景表TB1取得场景名称,并向用户终端12发送。用户终端12向作业者提示从场景估计部4接收到的场景名称。
另外,场景估计部4例如在通过参照第1图像20、40的在时间序列上连续的前后的图像,来判断是取出作业时、还是包装作业时。例如,关于第1图像20,在第1图像20的时间序列上靠前的图像中,拍摄到后述的对象物23被包装后的箱21,在第1图像20的时间序列上靠后的图像中,拍摄到从箱中取出的对象物23。因此,场景估计部4能够判断出第1图像20是取出作业时的图像。
此外,关于第1图像40,在第1图像40的时间序列上靠前的图像中,拍摄到没有被包装的对象物23、43,在第1图像40的时间序列上靠后的图像中,拍摄到对象物23、43被包装后的箱41,因此,场景估计部4能够判断出第1图像20是包装作业时的图像。
数据块估计部5取得第1作业的对象物23的图像以及第2作业的对象物51的图像即第2图像30、50,使用存储有第2图像30、50、和与唯一地表示数据块的数据块ID一对一地对应的1个或多个数据块用元ID之间的关联性的多个第2学习结束模型DB2中的一个来估计数据块。
数据块估计部5使用与场景ID一对一地对应的模型ID来选定多个第2学习结束模型DB2中的一个。此外,数据块用元ID唯一地表示与对象物23、43、51的性质相关的信息即数据块用元值。
数据块估计部5以场景ID作为检索关键词,从模型ID与场景ID被一对一地关联起来的表即模型表TB2取得模型ID。此外,数据块估计部5以数据块用元ID作为检索关键词,从数据块ID与数据块用元ID被一对一地或一对多地关联起来的表即数据块/元表TB6取得数据块ID。
此外,数据块估计部5以数据块ID作为检索关键词,从数据块表TB7取得表示数据块的概要的数据块摘要,并向用户终端12发送数据块摘要。用户终端12向作业者提示从数据块估计部5接收到的数据块摘要。
此外,数据块估计部5以数据块ID作为检索关键词,从数据块表TB7取得数据块,并向用户终端12发送数据块。用户终端12向作业者提示从数据块估计部5接收到的数据块。
另外,数据块表TB7是对数据块ID分别一对一地关联数据块、数据块摘要和哈希值而得到的表。另外,哈希值例如用于确认数据块是否已变更。
在处理与第2作业相关的信息时,迁移目标提示部7将实际进行的第1作业以及所述第2作业与预先保存有第1作业与第2作业的关系的状态迁移表TB9进行对照,输出进行与接下来的作业有关的提示的提示信息。迁移目标提示部7将提示信息输出到例如用户终端12。
接着,使用图2来说明学习阶段中的信息处理装置1。例如在学习阶段中,将从未图示的输入装置输入的第1图像20、40与1个或多个第2图像30、35、50、55作为1组进行学习。这里,设学习例如是指有教师学习。
图2是示出本实施方式的学习阶段中的信息处理装置1的结构的框图。在学习阶段中,信息处理装置1具有第1学习结束模型生成部9和第2学习结束模型生成部10。
第1学习结束模型生成部9是通过使第1学习模型DB1’将场景ID与第1图像20、40作为1对进行学习来生成第1学习结束模型DB1的程序。
第1学习结束模型生成部9针对第1图像20、40从场景表TB1取得场景ID,从模型表TB2取得与场景ID对应的模型ID。
第2学习结束模型生成部10是通过指定模型ID使第2学习模型DB2’将1个或多个数据块用元ID与第2图像30、50作为1对进行学习来生成第2学习结束模型DB2的程序。
第2学习结束模型生成部10以场景ID作为检索关键词,从场景ID与内容ID被一对多地关联起来的表即场景/内容表TB4取得内容ID。另外,这里,作为检索关键词的场景ID与第1图像20、40相关联,该第1图像20、40与作为处理对象的第2图像30、50成对。
第2学习结束模型生成部10以内容ID作为检索关键词,从内容ID与内容被一对一地关联起来的表即内容表TB3取得内容。
第2学习结束模型生成部10以内容ID作为检索关键词,从内容ID与数据块ID被一对一或一对多地关联起来的表即内容/数据块表TB5取得数据块ID。
第2学习结束模型生成部10以数据块ID作为检索关键词从数据块表TB7取得数据块,以数据块ID作为检索关键词从数据块/元表TB6取得数据块用元ID。
第2学习结束模型生成部10将数据块用元ID作为检索关键词从数据块用元表TB8取得数据块用元值。数据块用元表TB8是对数据块用元ID分别一对一地关联数据块用类别ID、数据块用类别名称和数据块用元值而得到的表。
数据块用类别ID唯一地表示作为数据块用元值所属的类别的名称的数据块用类别名称。另外,第2学习结束模型生成部10在参照第2图像30、50的基础上,确认所取得的数据块、内容和数据块用元值没有问题的情况。
通过将有问题的值判断成异常值而不用于有教师学习的学习,第2学习结束模型生成部10能够生成精度较高的学习结束模型DB2,在使用阶段中,信息处理装置1能够进行精度较高的处理。
接着,使用图3来说明由用户终端12取得并由信息处理装置1作为信息进行处理的情况。是示出本实施方式的取出作业时和包装作业时的各个第1图像20、40和第2图像30、50的图。
取出作业时和包装作业时的各个第1图像20、40和第2图像30、50例如保存到辅助存储装置11中,并且例如显示于用户终端12上。在图3中,例如示出了在第2作业时和第1作业时都包含的第1图像20、40和第2图像30、50同时被显示的例子,但也可以将第1图像20、40各自在用户终端12上每次显示其中一个。
在取出作业时的第1图像20中,例如拍摄到了对象物23、对象物23被取出的箱21和订购编号22(以下,也可以将其称作第1编号)。在包装作业时的第1图像40中,例如拍摄到在取出作业时作为作业对象的对象物23、43和对对象物23、43进行包装的箱41。
在取出作业时的第2图像30中,例如拍摄到了对象物23。在包装作业时的第2图像50中,例如拍摄到了在取出作业时作为作业对象的对象物23、43、对对象物23、43进行包装的箱41和接受订购编号52(以下,也可以将其称作第2编号)。
订购编号22例如是物流的中间据点的订购的负责人发出订单时所赋予的编号,接受订购编号52例如是物流的中间据点的接受订购的负责人接受订单时所赋予的编号。例如,在考虑订购编号22来决定场景ID的情况下,数据块估计部5利用数据块用元ID来估计接受订购编号52。
接着,使用图4来说明第1学习结束模型DB1和第2学习结束模型DB2。图4示出本实施方式的第1学习结束模型DB1和第2学习结束模型DB2。
第1学习结束模型DB1存储有通过将第1图像20、40和场景ID作为1对学习数据并使用多对进行机器学习而生成的多个第1像20、40与多个场景ID之间的关联性。这里,机器学习例如为卷积神经网络(CNN:Convolution Neural Network)。
具体而言,第1图像20、40与场景ID之间的关联性能够通过卷积神经网络来表示,该卷积神经网络由在图4中用圆圈表示的节点、用箭头表示的边缘和对边缘设定的权重系数表示。另外,如图4所示,第1图像20、40向第1学习结束模型DB1的输入例如设为像素p1、p2这样的各个像素。
第2学习结束模型DB2与模型ID一对一地建立关联,被设为多个。各个第2学习结束模型DB2存储有通过将第2图像30、35、50、55与1个或多个数据块用元ID作为1对学习数据并使用多对进行机器学习而生成的多个第2图像30、35、50、55与多个的1个或多个数据块用元ID之间的关联性。这里,机器学习例如为卷积神经网络(CNN:Convolution NeuralNetwork)。
多个第2图像30、35、50、55与多个的1个或多个数据块用元ID之间的关联性能够通过卷积神经网络来表示,该卷积神经网络由在图4中用圆圈表示的节点、用箭头表示的边缘和对边缘设定的权重系数表示。另外,如图4所示,第2图像30、35、50、55向第2学习结束模型DB2的输入例如设为像素p1、p2这样的各个像素。
接着,使用图5来说明辅助存储装置11中所存储的信息即场景表TB1、模型表TB2、内容表TB3、场景/内容表TB4、内容/数据块表TB5、数据块/元表TB6、数据块表TB7、数据块用元表TB8和状态迁移表TB9。图5是示出本实施方式的辅助存储装置11中存储的信息的图。
场景表TB1等中存储的场景ID例如设为0FD等3位的16进制数。此外,场景表TB1等中存储的场景名称例如设为易碎品取出、易碎品包装等。
模型表TB2等中存储的模型ID例如像MD1那样由2个字符的字母和1位的10进制数表示。内容表TB3等中存储的内容ID例如像1B 827-01那样由5位的16进制数和2位的10进制数表示。内容表TB3等中存储的内容例如像1B827-01.txt那样以作为内容ID的文件名附带有扩展名的方式表示,存储有指向内容的实体的指针等。
内容/数据块表TB5等中存储的数据块ID例如像82700-01那样由5位和2位的10进制数表示。数据块/元表TB6等中存储的数据块用元ID例如像24FD那样为4位的16进制数。
数据块表TB7中存储的数据块例如像1B827-01.txt_0那样由与作为对象的数据块对应的内容的文件名称和1位的10进制数表示,存储有指向与作为对象的数据块对应的内容的实体的一部分的指针等。
数据块表TB7中存储的数据块摘要例如为“缓冲材料……”这样的概括了数据块的内容的文档。数据块表TB7中存储的哈希值例如像564544d8f0b746e那样为15位的16进制数。
数据块用元表TB8中存储的数据块用类别ID例如像394那样为3位的10进制数。数据块用元表TB8中存储的数据块用类别名称例如为作为对象的信封、箱子、托盘、篮子等的尺寸、颜色、形状等。
数据块用元表TB8中存储的数据块用元值例如为A4、60、白色、蓝色、信封、箱子、托盘、篮子等。另外,数据块用类别ID和数据块用类别名称的值也可以是NULL。
状态迁移表TB9中存储的状态迁移ID例如唯一地表示2个场景ID的组合,例如像04C那样为3位的16进制数。状态迁移ID例如也可以与对订单进行管理的订单票对应。
状态迁移表TB9中存储的顺序被设为1或2,例如,1表示取出作业时,2表示包装作业时。另外,在状态迁移表TB9中,例如为了唯一地确定状态迁移ID与场景ID的组合,存储有从1起依次被赋予编号的NO。
如场景/内容表TB4、内容/数据块表TB5和数据块/元表TB6所示,作业信息的数据结构具有将数据块用元ID设为作为最下层的第1层、将数据块ID设为第2层、将内容ID设为第3层、将场景ID设为作为最上层的第4层的分层结构。
接着,使用图6来说明场景估计功能、数据块估计功能和数据块输出功能。图6是用于说明本实施方式的场景估计功能、数据块估计功能和数据块输出功能的时序图。
使用阶段的信息处理功能由通过后述的场景估计处理S60实现的场景估计功能、通过后述的数据块估计处理S80实现的数据块估计功能、通过后述的数据块输出处理S100实现的数据块输出功能构成。
首先,对场景估计功能进行说明。控制部15中包含的场景估计部4从用户终端12接收第1图像20、40(S1),并将接收到的第1图像20、40输入到第1学习结束模型DB1(S2)。
第1学习结束模型DB1选择1个或多个与接收到的第1图像20、40强关联的场景ID,对场景估计部4输出选择出的1个或多个场景ID(以下,也可以将其称作第1场景ID列表)(S3)。
场景估计部4在取得了第1场景ID列表时,直接发送给用户终端12(S4)。用户终端12向场景估计部4发送第1场景ID列表中包含的各个场景ID是否有缓存的情况。(S5)。
用户终端12针对过去处理过的信息,保持与场景表TB1等同的表。用户终端12将接收到的第1场景ID列表的场景ID作为检索关键词在用户终端12所保持的表内进行检索。搜索到检索结果的场景ID有缓存,没有搜索到检索结果的场景ID没有缓存。
场景估计部4将从用户终端12接收到的第1场景ID列表中包含的各个场景ID中的、用户终端12中没有缓存的1个或多个场景ID(以下,也可以将其称作第2场景ID列表)作为检索关键词来对场景表TB1进行检索(S6)。
场景估计部4从场景表TB1取得与第2场景ID列表中包含的各个场景ID对应的场景名称(以下,也可以将其称作场景名称列表)作为检索结果(S7)。
场景估计部4向用户终端12直接发送所取得的场景名称列表(S8)。在使用阶段中,信息处理装置1通过步骤S1~S8来实现通过估计场景名称来估计第1图像20、40的场景的场景估计功能。
接着,对数据块估计功能进行说明。用户终端12向作业者提示接收到的场景名称。作业者从所提示的场景名称列表中选择例如1个场景名称。用户终端12向控制部15中包含的数据块估计部5发送由作业者选择出的场景名称(S9)。
数据块估计部5将与从用户终端12接收到的场景名称对应的场景ID作为检索关键词(S10),对模型表TB2进行检索并取得模型ID(S11)。
数据块估计部5从用户终端12接收第2图像30、35、50、55(S12)。数据块估计部5利用从模型表TB2所取得的模型ID来指定多个第2学习结束模型DB2中的1个,并将第2图像30、50输入到所指定第2学习结束模型DB2(S13)。
第2学习结束模型DB2选择1个或多个的与第2图像30、35、50、55强关联的1个或多个数据块用元ID,对数据块估计部5输出选择出的1个或多个的、1个或多个数据块用元ID(以下,也可以将其称作数据块用元ID列表)(S14)。
数据块估计部5将数据块用元ID列表中包含的各1个或多个数据块用元ID作为检索关键词来对数据块/元表TB6进行检索(S15)。
数据块估计部5从数据块/元表TB6取得1个或多个数据块ID(以下,也可以将其称作第1数据块ID列表)作为检索结果(S16)。数据块估计部5向用户终端12直接发送所取得的第1数据块ID列表(S17)。
用户终端12向数据块估计部5发送第1数据块ID列表中包含的各数据块ID是否有缓存的情况(S18)。用户终端12针对过去处理过的信息保持具有数据块表TB7中的数据块ID列和数据块摘要列的表。
用户终端12将接收到的第1数据块ID列表的数据块ID作为检索关键词在用户终端12所保持的表内进行检索。搜索到检索结果的数据块ID有缓存,未搜索到检索结果的数据块ID没有缓存。
数据块估计部5将从用户终端12接收到的第1数据块ID列表中包含的各个数据块ID中的、用户终端12中没有缓存的1个或多个数据块ID(以下,也可以将其称作第2数据块ID列表)作为检索关键词来对数据块表TB7进行检索(S6)。
数据块估计部5从数据块表TB1取得与第2数据块ID列表中包含的各个数据块ID对应的数据块摘要(以下,也可以将其称作数据块摘要列表)作为检索结果(S7)。数据块估计部5向用户终端12直接发送所取得的数据块摘要列表(S21)。
在使用阶段中,信息处理装置1通过步骤S9~S21来实现通过估计数据块摘要来估计对象物23、43、51的数据块的数据块估计功能。
接着,对数据块输出功能进行说明。用户终端12向作业者提示接收到的数据块摘要列表。作业者从所提示的数据块摘要列表中选择例如1个数据块摘要。用户终端12向控制部15中包含的数据块输出部6发送由作业者选择出的数据块摘要(S22)。
数据块输出部6将与从用户终端12接收到的数据块摘要对应的数据块ID作为检索关键词(S23),对数据块表TB7进行检索并取得数据块(S24)。
数据块输出部6向用户终端12直接发送所取得的数据块(S21)。用户终端12向用户提示接收到的数据块。在使用阶段中,信息处理装置1通过步骤S22~S25来实现输出对象物23、43、51的数据块的数据块输出功能。
接着,使用图7来说明第1学习结束模型生成功能和第2学习结束模型生成功能。图7是用于说明本实施方式的第1学习结束模型生成功能和第2学习结束模型生成功能的时序图。
学习阶段的信息处理功能由通过第1学习结束模型生成处理实现的第1学习结束模型生成功能和通过第2学习结束模型生成处理实现的第2学习结束模型生成功能构成。
首先,对第1学习结束模型生成功能进行说明。学习结束模型生成部16中包含的第1学习结束模型生成部9确定作为处理对象的场景名称、第1图像20、40与1个或多个第2图像30、35、50、55的组,在场景表TB1中将场景名称作为检索关键词来对预先生成的场景表TB1进行检索(S31)。
第1学习结束模型生成部9从场景表TB1取得场景ID作为检索结果(S32),使第1学习模型DB1’将第1图像20、40与场景ID作为1对进行学习(S33)。
此外,第1学习结束模型生成部9向模型表TB2发送所取得的场景ID,并进行模型ID取得请求(S34)。模型表TB2生成与接收到的场景ID对应的模型ID,并存储场景ID与模型ID的组合。
接着,第1学习结束模型生成部9从模型表TB2取得模型ID(S35)。在学习阶段中,信息处理装置1通过步骤S31~S35来实现生成第1学习结束模型DB1的第1学习结束模型生成功能。
接着,对第2学习结束模型生成功能进行说明。学习结束模型生成部16中包含的第2学习结束模型生成部10将在步骤S32中第1学习结束模型生成部9接收到的场景ID作为检索关键词来对预先生成的场景/内容表TB4进行检索(S36)。
第2学习结束模型生成部10从场景/内容表TB4取得内容ID作为检索结果(S37),并将所取得的内容ID作为关键词来对预先生成的内容表TB3进行检索(S38)。
第2学习结束模型生成部10从内容表TB3取得内容作为检索结果(S39),将在步骤S37中所取得的内容ID作为检索关键词来对预先生成的内容/数据块表TB5进行检索(S40)。
第2学习结束模型生成部10从内容/数据块表TB5取得数据块ID作为检索结果(S41),将所取得的数据块ID作为检索关键词来对预先生成的数据块表TB7进行检索(S42)。
第2学习结束模型生成部10从数据块表TB7取得数据块作为检索结果(S43),将在步骤S41中所取得的数据块ID作为关键词来对预先生成的数据块/元表TB6进行检索(S44)。
第2学习结束模型生成部10从数据块/元表TB6取得1个或多个数据块用元ID作为检索结果(S45),将所取得的各个数据块用元ID作为关键词来对预先生成的数据块用元表TB8进行检索(S46)。
第2学习结束模型生成部10从数据块用元表TB8分别取得与各个数据块用元ID对应的数据块用元值作为检索结果(S47)。
第2学习结束模型生成部10参照第1图像20、40和第2图像30、35、50、55来确认在步骤S30中所取得的内容、在步骤S43中所取得的数据块以及在步骤S47中所取得的各个数据块用元值是否有问题。
例如,第2学习结束模型生成部10参照在第1图像20中拍摄到的订购编号22、在第2图像30中拍摄到的对象物23的形状、在第1图像40中拍摄到的对象物23、43、在第2图像50中拍摄到的接受订购编号52等来进行确认。
在参照的结果是存在问题的情况下,结束对作为对象的组的处理,该问题是,数据块和数据块用元值是明显不同于在第2图像30、35、50、55中拍摄到的对象物23、43、51的信息已经明确的情况。
接着,第2学习结束模型生成部10使第2学习模型DB2’将模型ID、第2图像30、35、50、55与1个或多个数据块用元ID作为1对进行学习(S48)。在学习阶段中,信息处理装置1通过步骤S36~S48来实现生成第2学习结束模型DB2的第2学习结束模型生成功能。
接着,使用图8来说明使用阶段中的信息处理。图8是示出本实施方式的使用阶段中的信息处理的处理顺序的流程图。使用阶段中的信息处理由场景估计处理S60、数据块估计处理S80、数据块输出处理S100和迁移目标提示处理S110构成。
首先,对场景估计处理S60进行说明。场景估计处理S60由步骤S61~步骤S67构成。场景估计部4在从用户终端12接收到第1图像20、40时(S61),将第1图像20、40输出到第1学习结束模型DB1(S62)。
场景估计部4从第1学习结束模型DB1取得第1场景ID列表作为输出(S63),向用户终端12直接发送第1场景ID列表,并向用户终端12询问缓存的有无(S64)。
在来自用户终端12的回复结果是全都有缓存的情况下(S65:否),场景估计处理S60结束,开始数据块估计处理S80。在来自用户终端12的回复结果是每1个都没有缓存的情况下(S65:是),场景估计部4从场景表TB1取得场景名称列表(S66),并直接发送给用户终端12(S67),场景估计处理S60结束。
接着,对数据块估计处理S80进行说明。数据块估计处理S80由步骤S81~步骤S88构成。数据块估计部5从用户终端12接收由作业者选择出的场景名称(S81)。
当从用户终端12接收到场景名称时,数据块估计部5从模型表TB2取得模型ID(S82)。接着,数据块估计部5利用模型ID来指定多个第2学习结束模型DB2中的1个,并将从用户终端12接收到的第2图像30、35、50、55输入到所指定的第2学习结束模型DB2(S83)。
数据块估计部5从第2学习结束模型DB2取得数据块用元ID列表作为输出(S84),从数据块/元表TB6取得第1数据块ID列表(S85)。接着,数据块估计部5向用户终端12直接发送第1数据块ID列表,并向用户终端12询问缓存的有无(S86)。
在来自用户终端12的回复结果是全都有缓存的情况下(S86:否),数据块估计处理S80结束,开始数据块输出处理S100。在来自用户终端12的回答结果是每个都没有缓存的情况下(S86:是),数据块估计部5从数据块表TB7取得数据块摘要列表(S87),并直接发送给用户终端12(S88),数据块估计处理S80结束。
接着,对数据块输出处理S100进行说明。数据块输出处理S100由步骤S101~步骤S103构成。数据块输出部6从用户终端12接收由作业者选择出的数据块摘要(S101)。
当从用户终端12接收到数据块摘要时,数据块输出部6从数据块表TB7取得数据块(S102),并直接发送给用户终端12(S103),数据块输出处理S100结束。
接着,对迁移目标提示处理S110进行说明。迁移目标提示处理S110由步骤S111构成。迁移目标提示部7输出提示信息(S111)。例如,迁移目标提示部7针对被并行地处理的订单票,对作业者进行如下提示:在对第1作业进行汇总处理之后对第2作业进行汇总处理。并对作业者进行如下提示:在第1作业中还对场景ID相同的作业进行汇总处理。
使用状态迁移TB9来进行具体说明。并行地进行状态迁移ID“04C”、状态迁移ID“05D”和状态迁移ID“05E”这3个订单的处理。当作业者正在进行NO“1”的状态迁移ID“04C”中的场景ID“0FD”的作业时,迁移目标提示部7提示作业者进行NO“3”的状态迁移ID“05D”中的场景ID“0FD”的作业。
当作业者正在进行NO“3”的状态迁移ID“05D”中的场景ID“0FD”的作业时,迁移目标提示部7提示作业者进行NO“5”的状态迁移ID“05E”中的场景ID“1FD”的作业。当作业进行至此时,不存在顺序“1”的未作业的作业。
当作业者正在进行NO“5”的状态迁移ID“05E”中的场景ID“1FD”的作业时,迁移目标提示部7提示作业者进行NO“2”的状态迁移ID“04C”中的场景ID“0FE”的作业。
当作业者正在进行NO“2”的状态迁移ID“04C”中的场景ID“0FE”的作业时,迁移目标提示部7提示作业者进行NO“6”的状态迁移ID“05E”中的场景ID“0FE”的作业。
当作业者正在进行NO“6”的状态迁移ID“05E”中的场景ID“0FE”的作业时,迁移目标提示部7提示作业者进行NO“4”的状态迁移ID“05D”中的场景ID“1FE”的作业。
接着,使用图9来说明学习阶段中的信息处理。图9是示出本实施方式的学习阶段中的信息处理的处理顺序的流程图。学习阶段中的信息处理由第1学习结束模型生成处理S120和第2学习结束模型生成处理S140构成。
首先,对第1学习结束模型生成处理S120进行说明。第1学习结束模型生成处理S120由步骤S121~步骤S124构成。第1学习结束模型生成部9在确定了场景名称、第1图像20、40与1个或多个第2图像30、35、50、55的组时,将场景名称作为关键词来对场景表TB1进行检索(S121)。
第1学习结束模型生成部9从场景表TB1取得场景ID作为检索结果(S122),使第1学习模型DB1’将场景ID与第1图像20、40作为1对进行学习(S123)。
接着,第1学习结束模型生成部9向模型表TB2发送在步骤S122中所取得的场景ID,并请求取得模型ID,然后取得模型ID(S124)。
接着,对第2学习结束模型生成处理S140进行说明。第2学习结束模型生成处理S140由步骤S141~步骤S150构成。第2学习结束模型生成部10将在步骤S122中所取得的场景ID作为检索关键词来对场景/内容表TB4进行检索,取得内容ID(S141)。
第2学习结束模型生成部10将所取得的内容ID作为检索关键词来对内容表TB3进行检索,并取得内容(S142)。此外,第2学习结束模型生成部10将所取得的内容ID作为检索关键词来对内容/数据块表TB5进行检索,并取得数据块ID(S143)。
此外,第2学习结束模型生成部10将所取得的数据块ID作为关键词来对数据块表TB7进行检索,取得数据块(S144)。此外,第2学习结束模型生成部10将所取得的数据块ID作为检索关键词来对数据块/元表TB6进行检索,取得1个或多个数据块用元ID(S145)。
此外,第2学习结束模型生成部10将所取得的1个或多个数据块用元ID分别作为检索关键词来对数据块用元表TB8进行检索,分别取得与各个数据块用元ID对应的数据块用元值(S146)。
第2学习结束模型生成部10参考第1图像20、40和第2图像30、35、50、55,确认在步骤S142中所取得的内容、在步骤S144中所取得的数据块以及在步骤S146中所取得的各个数据块用元值是否有问题(S147)。
在确认结果是有问题的情况下(S148:否),结束与处理中的组有关的学习阶段的信息处理。在确认结果是没有问题的情况下(S148:是),第2学习结束模型生成部10使第2学习模型DB2’将模型ID、1个或多个数据块用元ID与第2图像30、35、50、55作为1对进行学习(S149),结束与处理中的组有关的学习阶段的信息处理。
如上所述,通过本实施方式的信息处理装置1,经由用户终端12而示出数据块,该数据块是作业信息被分割后的数据块,或提示作业信息的数据块。因此,通过恰当地设定数据块,能够提示所需的量的信息。此外,如果将数据块设为提示文档整体的信息,则不需要大规模的信息的重构。
通过使用模型表TB2,即使在第1学习结束模型DB1与第2学习结束模型DB2的关系发生了变化的情况下,通过仅变更模型表TB2就能够应对,能够提供维护性优异的装置。
另外,在不使用模型表TB2的情况下,在第1学习结束模型DB1与第2学习结束模型DB2的关系发生了变化的情况下,需要再次生成学习结束模型DB2。
在本实施方式中,场景估计部4、数据块估计部5、数据块输出部6、确认部7、第1学习结束模型生成部9及第2学习结束模型生成部10和推荐图像输出部13为程序,但不限于此,也可以是逻辑电路。
此外,场景估计部4、数据块估计部5、数据块输出部6、确认部7、第1学习结束模型生成部9及第2学习结束模型生成部10、推荐图像输出部13、第1学习结束模型DB1、第1学习模型DB1’、第2学习结束模型DB2、第2学习模型DB2’、场景表TB1、模型表TB2、内容表TB3、场景/内容表TB4、内容/数据块表TB5、数据块/元表TB6、数据块表TB7、数据块用元表TB8和状态迁移表TB9也可以不安装于1个装置,而是分散安装于通过网络而连接的多个装置。
此外,在上述的图7和图9所示的学习阶段中,说明了第1学习结束模型和第2学习结束模型相关联地生成的情况,但本发明不限于此,第1学习结束模型DB1和第2学习结束模型DB2也可以分别生成。
在第1学习结束模型DB1和第2学习结束模型DB2分别生成的情况下,例如在场景是现有的场景并且仅追加内容的情况等下,可以不执行与场景有关的学习。
在本实施方式中,对使用多个第2学习结束模型DB2的情况进行了叙述,但不限于此,要利用的第2学习结束模型DB2也可以为1个。此外,在本实施方式中,对在第1作业以及第2作业中利用相同的第1学习结束模型DB1的情况进行了叙述,但不限于此,也可以在取出作业时和包装作业时使用不同的第1学习结束模型DB1。
在本实施方式中,对预先保存了第1作业与第2作业的关系的情况进行了叙述,但对于第1作业与第2作业的关系,也可以通过机器学习来学习。
在本实施方式中,针对作为进行第1作业的作业者以及进行第2作业的作业者的作业者信息即用户信息等的取得,没有提及,但不限于此,假设例如也可以从用户终端12取得用户信息并加以利用。
标号说明
1:信息处理装置;2:中央运算装置;3:主存储装置;4:场景估计部;5:数据块估计部;6:数据块输出部;7:迁移目标提示部;9:第1学习结束模型生成部;10:第2学习结束模型生成部;11:辅助存储装置;12:用户终端。
Claims (4)
1.一种信息处理装置,其输出与作业者对作为作业对象的对象物进行的第1作业以及第2作业有关的信息即作业信息,其中,该信息处理装置具有:
场景估计部,其取得第1图像,该第1图像是所述作业者进行所述第1作业以及所述第2作业的状况即场景的图像,并且该场景估计部使用记载有所述第1图像与唯一地表示所述场景的场景ID之间的关联性的第1学习结束模型来估计所述场景;
数据块估计部,其取得所述第1作业和所述第2作业的对象物的图像即第2图像,使用存储有所述第2图像与如下的1个或多个数据块用元ID之间的关联性的多个第2学习结束模型中的一个来估计数据块,所述1个或多个数据块用元ID与唯一地表示所述数据块的数据块ID一对一地对应,所述数据块是所述作业信息被分割后或提示所述作业信息的信息;
迁移目标提示部,在进行了所述第2作业时,该迁移目标提示部将实际进行的所述第1作业和所述第2作业与预先保存有所述第1作业与所述第2作业的关系的状态迁移表进行对照,输出提示信息,该提示信息进行与接下来的作业有关的提示;以及
输出部,其输出所述数据块,
所述数据块估计部使用与场景ID一对一地对应的模型ID来选定所述多个第2学习结束模型中的一个,所述数据块用元ID唯一地表示作为与所述对象物的性质有关的信息的数据块用元值。
2.根据权利要求1所述的信息处理装置,其中,
所述场景估计部通过参照第1图像的在时间序列上连续的前后的图像来判断第1图像是第1作业、还是第2作业。
3.根据权利要求2所述的信息处理装置,其中,
在所述第1作业中的所述第1图像中,拍摄到第1编号,所述数据块估计部利用数据块用元ID,根据所述第1编号推测在所述第2作业中使用的第2编号。
4.一种信息处理方法,其由信息处理装置执行,该信息处理装置输出与作业者对作为作业对象的对象物进行的第1作业以及第2作业有关的信息即作业信息,其中,该信息处理方法具有以下步骤:
第1步骤,取得第1图像,该第1图像是所述作业者进行所述第1作业以及所述第2作业的状况即场景的图像,并且在该第1步骤中,使用记载有所述第1图像与唯一地表示所述场景的场景ID之间的关联性的第1学习结束模型来估计所述场景;
第2步骤,取得所述第1作业和所述第2作业的对象物的图像即第2图像,使用存储有所述第2图像与如下的1个或多个数据块用元ID之间的关联性的多个第2学习结束模型中的一个来估计数据块,所述1个或多个数据块用元ID与唯一地表示所述数据块的数据块ID一对一地对应,所述数据块是所述作业信息被分割后或提示所述作业信息的信息;
第3步骤,在进行了所述第2作业时,将实际进行的所述第1作业和所述第2作业与预先保存有所述第1作业与所述第2作业的关系的状态迁移表进行对照,输出提示信息,该提示信息进行与接下来的作业有关的提示;以及
第4步骤,输出所述数据块,
在该信息处理方法中,使用与场景ID一对一地对应的模型ID来选定所述多个第2学习结束模型中的一个,所述数据块用元ID唯一地表示作为与所述对象物的性质有关的信息的数据块用元值。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020-123695 | 2020-07-20 | ||
JP2020123695A JP6933345B1 (ja) | 2020-07-20 | 2020-07-20 | 情報処理装置及び情報処理方法 |
PCT/JP2021/026721 WO2022019222A1 (ja) | 2020-07-20 | 2021-07-16 | 情報処理装置及び情報処理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115151877A true CN115151877A (zh) | 2022-10-04 |
Family
ID=77549988
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202180016013.6A Pending CN115151877A (zh) | 2020-07-20 | 2021-07-16 | 信息处理装置以及信息处理方法 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20230033090A1 (zh) |
JP (1) | JP6933345B1 (zh) |
CN (1) | CN115151877A (zh) |
DE (1) | DE112021000194T5 (zh) |
WO (1) | WO2022019222A1 (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6651189B1 (ja) | 2019-03-29 | 2020-02-19 | 株式会社 情報システムエンジニアリング | 機械学習用のデータ構造、学習方法及び情報提供システム |
JP6846765B1 (ja) * | 2020-03-26 | 2021-03-24 | 株式会社 情報システムエンジニアリング | 情報処理プログラム |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6173281B2 (ja) * | 2014-08-29 | 2017-08-02 | 本田技研工業株式会社 | 環境理解装置および環境理解方法 |
JP6542445B1 (ja) * | 2018-07-31 | 2019-07-10 | 株式会社 情報システムエンジニアリング | 情報提供システム及び情報提供方法 |
JP7221792B2 (ja) * | 2018-10-22 | 2023-02-14 | 株式会社ミツトヨ | 測定プログラム選択補助装置および測定制御装置 |
US20210375487A1 (en) * | 2019-10-31 | 2021-12-02 | Information System Engineering Inc. | Information providing system |
-
2020
- 2020-07-20 JP JP2020123695A patent/JP6933345B1/ja active Active
-
2021
- 2021-07-16 CN CN202180016013.6A patent/CN115151877A/zh active Pending
- 2021-07-16 WO PCT/JP2021/026721 patent/WO2022019222A1/ja active Application Filing
- 2021-07-16 US US17/783,775 patent/US20230033090A1/en active Pending
- 2021-07-16 DE DE112021000194.9T patent/DE112021000194T5/de active Pending
Also Published As
Publication number | Publication date |
---|---|
US20230033090A1 (en) | 2023-02-02 |
JP6933345B1 (ja) | 2021-09-08 |
WO2022019222A1 (ja) | 2022-01-27 |
JP2022020290A (ja) | 2022-02-01 |
DE112021000194T5 (de) | 2022-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101855636B (zh) | 数据处理设备及数据处理方法 | |
CN115151877A (zh) | 信息处理装置以及信息处理方法 | |
US7493323B2 (en) | Document group analyzing apparatus, a document group analyzing method, a document group analyzing system, a program, and a recording medium | |
CN101855620A (zh) | 数据处理设备和数据处理方法 | |
CN103733195A (zh) | 管理用于基于范围的搜索的数据的存储 | |
CN110659282A (zh) | 数据路由的构建方法、装置、计算机设备和存储介质 | |
CN106909780A (zh) | 医学影像信息处理方法及装置 | |
CN114424183A (zh) | 信息处理装置和信息处理方法 | |
CN114860791A (zh) | 一种基于大数据的教育资源推荐方法 | |
CN109189759A (zh) | Kv存储系统中的数据读取方法、数据查询方法、装置及设备 | |
JPH09245043A (ja) | 情報検索装置 | |
JP6237633B2 (ja) | 分散ストレージ装置、ストレージノード、データ提供方法およびプログラム | |
EP2546750B1 (en) | Information processing method, information processing device, program, and recording medium | |
CN113728328B (zh) | 信息处理装置和信息处理方法 | |
JP2005234945A (ja) | 同時実行制御方法及び装置 | |
CN113822021B (zh) | 一种实现测试用例文件格式转换的方法及系统 | |
JP3649472B2 (ja) | 情報検索装置 | |
CN111309689A (zh) | 文件查重方法及装置 | |
CN110275863A (zh) | 文件移动方法、装置及存储介质 | |
US11809728B2 (en) | Data storage method for massive datasets | |
CN116595065B (zh) | 内容重复识别方法、装置、系统和存储介质 | |
JP2021157431A (ja) | 情報処理装置及び情報処理方法 | |
JP2008140285A (ja) | 標準ドキュメント体系を利用したドキュメント管理方法およびツール | |
CN117951317A (zh) | 信息补全方法及相关装置、设备、系统和存储介质 | |
US20020107845A1 (en) | Electronic component data sheet retrieving apparatus and electronic component data sheet retrieving method |
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 | ||
REG | Reference to a national code |
Ref country code: HK Ref legal event code: DE Ref document number: 40072929 Country of ref document: HK |