CN116194952A - 检查装置 - Google Patents

检查装置 Download PDF

Info

Publication number
CN116194952A
CN116194952A CN202180059226.7A CN202180059226A CN116194952A CN 116194952 A CN116194952 A CN 116194952A CN 202180059226 A CN202180059226 A CN 202180059226A CN 116194952 A CN116194952 A CN 116194952A
Authority
CN
China
Prior art keywords
learning
data
unit
additional
relearning
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
Application number
CN202180059226.7A
Other languages
English (en)
Inventor
小林直登
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Publication of CN116194952A publication Critical patent/CN116194952A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
    • 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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8883—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges involving the calculation of gauges, generating models
    • 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
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Quality & Reliability (AREA)
  • Mathematical Physics (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Image Analysis (AREA)
  • Testing And Monitoring For Control Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Electrically Operated Instructional Devices (AREA)
  • General Factory Administration (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

检查装置将检查对象物的状态的推定结果以及该推定结果的可靠度与检查对象物的数据关联起来进行存储，在该存储的数据满足规定的条件的情况下，判定为是执行追加学习或再学习的定时。在执行追加学习或再学习的情况下，从所存储的数据中提取追加的学习数据，至少根据提取出的追加的学习数据，制作用于追加学习或再学习的学习数据，对机器学习器进行指令以便使用该制作出的学习数据进行追加学习或再学习。

Description

检查装置
技术领域
本发明涉及检查装置，特别涉及使用机器学习器存储的学习完成的学习模型，通过基于与检查对象物所涉及的数据的该检查对象物的状态的推定结果来进行该检查对象物的检查的检查装置。
背景技术
在工厂等制造现场，进行在生产线中制造的产品的外观检查(例如，专利文献1)。为了进行产品的外观检查，需要通过机器学习预先制作识别器，该识别器根据通过拍摄装置对产品进行拍摄而得的图像数据，对是正常的产品的图像还是异常的产品的图像进行分类。
作为检查产品的外观的方法，存在如下方法：以从拍摄装置得到的图像数据为基础进行机器学习，使用通过机器学习生成的识别器进行好坏判定。识别器例如能够通过在由工业机械制造出的产品内，使用对拍摄合格品而得的图像数据赋予了表示是合格品的标签的监督数据和对拍摄不合格品而得的图像数据赋予了表示是不合格品的标签的监督数据进行学习来生成。这样生成的识别器被构建为对学习所使用的数据判定好坏，因此，在学习到的数据以外可能进行误判定。作为其对策，存在通过对以往的学习数据加入新的数据进行学习来提高识别精度的追加学习、再学习。
在进行追加学习/再学习时，存在以下那样的工序。
1.对在学习中使用的数据以外的新数据，通过人工实施注释(标签的赋予)
2.用户确认数据，适时指示学习的执行
3.对学习数据追加上述新数据，实施机器学习
现有技术文献
专利文献
专利文献1：日本特开2014-190821号公报
发明内容
发明要解决的课题
如上所述，为了进行追加学习、再学习，需要通过人工进行注释。然而，一般情况下存在如下问题：为了通过人工对大量的图像数据进行注释，花费大量的劳力和时间。
另外，为了明确需要集中到何种程度后进行追加学习、再学习的定时，需要用户熟练。并且，为了提高基于追加学习、再学习的识别器的识别精度，需要使用适当的数据。但是，关于通过使用怎样的数据能够进行有效的追加学习、再学习，若没有与机器学习有关的知识则难以进行判断。
这样，为了进行追加学习、再学习，人工的作业是不可缺少的，另一方面，存在针对进行作业的用户的负担大这样的问题。
因此，期望用于判定进行有效的追加学习、再学习的定时的技术。
用于解决课题的手段
本发明的一方式的检查装置在使用通过机器学习生成的识别器(模型)进行检查时，将该检查对象的数据与针对该数据的伪标签和可靠度一起存储。并且，以规定水准的可靠度所涉及的数据聚集到某种程度作为追加学习或再学习的触发，由此，解决上述课题。在追加学习或再学习中，利用规定水准的可靠度的数据及其伪标签。
并且，本发明的一方式是一种检查装置，用于使用机器学习器存储的学习完成的学习模型即基本模型，通过基于检查对象物所涉及的数据的该检查对象物的状态的推定结果进行该检查对象物的检查，该检查装置具有：推定数据存储部，其将检查对象物的状态的推定结果和该推定结果的可靠度与所述检查对象物所涉及的数据关联起来进行存储；学习契机判定部，其在所述推定数据存储部中存储的数据满足规定的条件的情况下，判定为是执行追加学习或再学习的定时；学习数据制作部，其在所述学习契机判定部判定为是执行追加学习或再学习的定时的情况下，从所述推定数据存储部中存储的数据中提取追加的学习数据，至少根据提取出的追加的学习数据，制作用于追加学习或再学习的学习数据；学习指令部，其对所述机器学习器进行指令以便使用所述学习数据制作部制作出的所述学习数据来进行追加学习或再学习。
发明效果
根据本发明的一方式，能够在用户不进行注释、数据的研究作业的情况下，决定进行有效的追加学习或再学习的定时，因此，期待能够高效地执行学习，并且能够减轻用户的负担。
附图说明
图1是一实施方式的检查装置的概略硬件结构图。
图2是一实施方式的检查装置的概略功能框图。
图3是对可靠度的例子进行说明的图。
图4是对可靠度的其他例子进行说明的图。
图5是表示推定数据存储部中存储的数据的例子的图。
具体实施方式
以下，对附图和本发明的实施方式进行说明。
图1是表示本发明的一实施方式的检查装置的主要部分的概略硬件结构图。
本发明的检查装置1例如能够安装为根据控制用程序来控制包含检查用设备的工业机械的控制装置，另外，能够安装在与根据控制用程序来控制包含检查用设备的工业机械的控制装置并列设置的个人计算机、经由有线/无线网络与控制装置连接的个人计算机、单元计算机、雾计算机6、云服务器7上。在本实施方式中，将检查装置1安装于经由网络与控制装置连接的个人计算机上。
本实施方式的检查装置1具有的CPU11是整体地控制检查装置1的处理器。CPU11经由总线22读出储存在ROM12中的系统程序，按照该系统程序控制检查装置1整体。在RAM13中临时储存临时的计算数据、显示数据、以及从外部输入的各种数据等。
非易失性存储器14例如由利用未图示的电池进行备份的存储器、SSD(SolidState Drive)等构成，即使检查装置1的电源断开也保持存储状态。在非易失性存储器14中存储经由接口15从外部设备72读入的数据、经由输入装置71输入的数据、经由网络5从工业机械3取得的由传感器4检测出的数据等。存储在非易失性存储器14中的数据也可以在执行时/利用时在RAM13中展开。另外，在ROM12中预先写入有公知的解析程序等各种系统程序。
在工业机械3安装有对检查对象物(成为检查对象的产品)的外观等进行检测的传感器4。在工业机械3包含前端安装有作为拍摄装置的传感器4的机器人等。
接口15是用于将检查装置1的CPU11与USB装置等外部设备72连接的接口。能够从外部设备72侧读入例如与各工业机械的动作相关的数据等。另外，在检查装置1内编辑的程序、设定数据等能够经由外部设备72存储在外部存储单元中。
接口20是用于将检查装置1的CPU与有线或无线网络5连接的接口。网络5与工业机械3、雾计算机6、云服务器7等连接，在与检查装置1之间相互进行数据的交换。
读入到存储器上的各数据、作为执行了程序等的结果而得的数据、从后述的机器学习器100输出的数据等经由接口17被输出并显示于显示装置70。另外，由键盘、指示设备等构成的输入装置71将基于作业者的操作的指令、数据等经由接口18传递给CPU11。
接口21是用于将CPU11和机器学习器100连接的接口。机器学习器100具有：统一控制机器学习器100整体的处理器101、存储了系统程序等的ROM102、用于进行与机器学习相关的各处理中的临时存储的RAM103、以及用于学习模型等的存储的非易失性存储器104。机器学习器100能够经由接口21观测由检查装置1能够取得的各信息(例如，表示工业机械3的动作状态的数据)。另外，检查装置1经由接口21取得从机器学习器100输出的处理结果，存储或显示取得的结果，或者经由网络5等对其他装置发送。
图2是将本发明的一实施方式的检查装置1具有的功能作为概略的框图而示出的图。本实施方式的检查装置1具有的各功能通过图1所示的检查装置1具有的CPU11和机器学习器100具有的处理器101执行系统程序并控制检查装置1以及机器学习器100的各部的动作来实现。
本实施方式的检查装置1具有：数据取得部110、学习契机判定部120、学习数据制作部130以及学习指令部140。另外，检查装置1具有的机器学习器100具有学习部106以及推定部108。并且，在检查装置1的RAM13或非易失性存储器14中预先准备有：基本数据存储部200，其存储为了生成机器学习器100存储的学习模型而使用的学习数据(以下，设为基本学习数据)；取得数据存储部210，其作为用于存储数据取得部110从工业机械3等取得的数据的区域；以及推定数据存储部220，其存储机器学习器100的推定部108的推定结果，在机器学习器100的RAM103或非易失性存储器104上预先准备有作为存储学习模型的区域的学习模型存储部109。在本实施方式的检查装置1中，在学习模型存储部109中存储有通过使用了预先存储在基本数据存储部200中的学习数据的机器学习而生成的学习完成的学习模型(以下，设为基本模型)。
数据取得部110通过执行图1所示的检查装置1具有的CPU11从ROM12读出的系统程序，主要进行基于CPU11的使用了RAM13、非易失性存储器14的运算处理和基于接口15、18或20的输入控制处理来实现。数据取得部110取得在工业机械3的正常动作时由传感器4检测出的检查对象物所涉及的数据。数据取得部110取得例如由安装于工业机械3的传感器4检测出的、表示检查对象物的外观的图像数据、通过使检查对象物以规定的频率振动而产生的声音数据等。数据取得部110取得的数据可以是光栅形式或对该光栅形式的数据进行加工而得的规定的图像形式的图像数据，另外，也可以是动态图像数据等时间序列数据，另外，数据取得部110也可以经由网络5从工业机械3直接取得数据，还可以取得外部设备72、雾计算机6、云服务器7等取得并存储的数据。数据取得部110取得的数据存储在取得数据存储部210中。
机器学习器100具有的推定部108通过执行图1所示的机器学习器100具有的处理器101从ROM102读出的系统程序，主要进行基于处理器101的使用了RAM103、非易失性存储器104的运算处理来实现。
推定部108根据数据取得部110取得并存储在取得数据存储部210中的数据，进行使用了存储在学习模型存储部109中的基本模型的检查对象物的状态的推定。推定部108的推定结果至少包含针对检查对象物推定出的标签(以下，设为伪标签)和该伪标签所涉及的可靠度。
在此，伪标签可以表示使用基本模型识别出的推定结果。例如，考虑根据某个产品的图像数据来推定该产品是合格品还是不合格品的检查。为了该检查而预先进行学习生成的基本模型被存储在学习模型存储部109中。此时，使用该基本模型进行基于规定的数据的推定，在针对该数据将基本模型识别为“合格品”的情况下，可以用(合格品，不合格品)＝(1，0)这样的one-hot矢量来确定针对该数据的伪标签。相反，在将基本模型识别为“不合格品”的情况下，可以将针对该数据的伪标签确定为(合格品，不合格品)＝(0，1)。
另一方面，可靠度可以是表示针对上述的伪标签的可靠度的数据。可靠度可以是表示基于基本模型的推定的结果确切到何种程度的数值。例如在上述的例子中，在针对规定的数据基于基本模型的识别结果为“合格品”的情况下，且在此时的推定的分数为合格品＝0.9、不合格品＝0.1的情况下，可以将伪标签为(合格品，不合格品)＝(1，0)的可靠度设为90％。关于该可靠度，例如如图3所例示的那样，在存在由规定的合格品组和不合格品组决定了分类边界的基本模型的情况下，在该基本模型将规定的数据A识别为合格品时，也可以将该可靠度定义为根据该规定的数据A与基本模型的距离计算出的分数。另外，例如如图4所例示的那样，在存在根据规定的合格品组的簇和不合格品组的簇进行识别的基本模型的情况下，在该基本模型将规定的数据B识别为不合格品时，也可以将其可靠度定义为根据该规定的数据B、距不合格品组的簇的中心的距离(接近度)以及距其他簇的中心的距离(远离情况)计算出的分数。除了上述以外，关于可靠度也可以根据与学习数据的类似度来计算，或者在基本模型是神经网络的情况下，采用针对在中间层的输出的类似度。关于可靠度可以使用能够根据机器学习的模型的种类来定义识别结果的确切度的规定的数值。
此外，关于伪标签和可靠度的数据形式，不限于上述。例如，也可以将伪标签和可靠度表现为1个矢量数据。该情况下，在上述的例子中，能够将伪标签和可靠度表现为(合格品，不合格品)＝(0.9，0.1)等。
推定部108的推定结果经由接口21被输出到CPU11，并且，显示输出于显示装置70，或经由网络5发送到工业机械3、雾计算机6、云服务器7等计算机。另外，如图5所例示，将推定部108对检查对象物的检查结果与用于推定的数据关联起来存储在推定数据存储部220中。
学习契机判定部120通过执行图1所示的检查装置1所具有的CPU11从ROM12读出的系统程序，主要进行基于CPU11的使用了RAM13、非易失性存储器14的运算处理来实现。
学习契机判定部120按照预先确定的规定的条件，判定执行追加学习或再学习的定时。在此，作为所述的规定的条件，例如可以是使用了推定数据存储部220中存储的数据的可靠度、数据的个数等的条件。作为规定的条件的例子，可以是在可靠度为预先确定的规定的阈值Cth1％(例如，80％)以下的数据存在预先确定的规定的阈值Nth1个(例如，30个)以上的情况下进行追加学习这样的条件。在基于基本模型的推定结果中可靠度不高的数据增加意味着基本模型的当前的环境中的针对检查对象的识别能力不充分。上述的条件的例子是表示基本模型的当前的环境中的针对检查对象的识别能力不充分的条件。这样的情况下，需要对基本模型进行追加学习或再学习，制作更适应于当前的环境中的检查对象的模型。这样，学习契机判定部120使用的判定条件决定改善当前使用的基本模型相对于当前的环境的适应性的契机。
学习数据制作部130通过执行图1所示的检查装置1具有的CPU11从ROM12读出的系统程序，主要进行基于CPU11的使用了RAM13、非易失性存储器14的运算处理来实现。
学习数据制作部130在学习契机判定部120判定为是执行追加学习或再学习的定时的情况下，生成用于追加学习或再学习的学习数据。学习数据制作部130从推定数据存储部220中提取为了使基本模型能够相对于当前的环境进行更适当的识别所需的数据作为追加的学习数据。关于追加的学习数据的标签，直接使用伪标签即可。并且，根据提取出的追加的学习数据和存储在基本数据存储部200中的基本学习数据，制作用于追加学习或再学习的学习数据。例如，学习数据制作部130从成为学习契机判定部120判定为执行追加学习或再学习的触发的数据中提取追加的学习数据。在上述的例子中，也可以在推定数据存储部220中存储的数据内，从可靠度为预先确定的规定的阈值Cth1％以下的预先确定的规定的阈值Nth1个以上的数据中，提取可靠度高的预先确定的规定的nth1个(例如，10个)数据作为追加的学习数据，根据追加的学习数据和基本学习数据来制作追加学习或再学习的学习数据。此外，也可以从成为触发的数据中随机地提取规定的数量，根据这些提取出的数据和基本学习数据制作追加学习或再学习的学习数据。另外，此时，也可以从成为触发的数据中以使伪标签不偏移的方式(以使合格品的伪标签、不合格品的伪标签为相同数量的方式等)进行提取。
学习指令部140通过执行图1所示的检查装置1具有的CPU11从ROM12读出的系统程序，主要进行基于CPU11的使用了RAM13、非易失性存储器14的运算处理和使用了接口21的输入输出处理来实现。
学习指令部140指令机器学习器100具有的学习部106进行使用了学习数据制作部130制作出的在追加学习或再学习中使用的学习数据的追加学习或再学习。学习指令部140在指令为追加学习的情况下，指令学习部106对基本模型进行使用了学习数据制作部130制作出的学习数据的追加学习。另外，学习指令部140在指令为再学习的情况下，指令学习部106对初始化后的模型进行使用了学习数据制作部130制作出的学习数据的再学习。关于追加学习或再学习的方法，适当使用公值的追加学习或再学习的方法即可。
学习指令部140也可以对作为学习部106的追加学习或再学习的结果而得到的新模型进行规定的验证，判定是否使追加学习或再学习结束。例如，作为验证动作，学习指令部140也可以在推定数据存储部220中存储的数据内，针对可靠度为预先确定的规定的阈值Cth3％以上的数据，进行使用了新模型的推定。并且，学习指令部140也可以将基于新模型的推定结果与基于基本模型的推定结果一致，且基于新模型的推定结果的可靠度与使用基本模型推定出的推定结果的可靠度相比全部提高作为追加学习或再学习的结束条件。这意味着新模型与基本模型相比更适应于当前的环境。此时，在判断为新模型与基本模型相比不适应当前的环境的情况下、和在判断为新模型对当前的环境的适应不充分的情况下，也可以对学习数据制作部130进行指令以便再次制作用于追加学习或再学习的学习数据，并对学习部106进行指令以便进行进一步的追加学习或再学习。在进行进一步的追加学习或再学习的情况下，学习指令部140对学习数据制作部130进行指令以便将一部分追加的学习数据替换为推定数据存储部220中存储的其他数据即可。并且，学习指令部140例如在即使反复进行规定次数的追加学习或再学习，新模型仍不适应当前的环境的情况下，也可以中断追加学习或再学习的反复施行，并将该意思显示于显示装置70。
学习指令部140也可以在追加学习或再学习结束的情况下，验证与基本模型相比新模型是否能够没有问题地进行相同等级的检查。此时，学习指令部140例如从基本学习数据中提取预先确定的规定的阈值Nth3个(例如，100个)以上的数据作为样本数据，对推定部108进行指令以便对样本数据利用新模型和基本模型双方进行推定处理。并且，在基于新模型的推定结果和基于基本模型的推定结果满足规定的条件的情况下，判定为新模型与基本模型相比能够进行更正确的检查。在此，作为所述的规定的条件，例如可以是如下条件：针对所有样本数据，基于新模型的推定结果与基于基本模型的推定结果一致，并且除了上述的条件以外，还可以是如下条件：针对所有样本数据，基于新模型的推定结果的可靠度超过基于基本模型的推定结果的可靠度，或者即使基于新模型的推定结果的可靠度降低，其程度也在预先确定的规定的阈值Cth4以内。另外，作为所述规定的条件的其他例子，也可以考虑将合格品识别为不合格品的比例为预先确定的规定的阈值Eth1以下这样的制造现场的情况。在验证的结果是新模型与基本模型相比不能进行相同等级的检查的情况下，也可以与上述同样地反复施行追加学习或再学习。
并且，学习指令部140在验证的结果是判断为与基本模型相比新模型更适应于当前的环境的情况下，另外，在判断为新模型与基本模型能够进行相同等级的检查的情况下，将新模型用作在今后的检查中使用的模型，以后，对学习部106、推定部108进行指令，以便将新模型作为基本模型来处理。
机器学习器100具有的学习部106通过执行图1所示的机器学习器100具有的处理器101从ROM102读出的系统程序，主要进行基于处理器101的使用了RAM103、非易失性存储器104的运算处理来实现。
学习部106根据从学习指令部140受理到的指令，进行使用了学习数据制作部130制作出的学习数据的追加学习或再学习，由此，制作学习模型，将制作出的学习模型存储在学习模型存储部109中。学习部106进行的机器学习可以是公知的无无监督学习、监督学习。
具有上述结构的检查装置1能够在用户不进行注释、数据的研究作业的情况下决定进行有效的追加学习或再学习的定时，因此，能够高效且执行学习，另外，期待能够减轻用户的负担。
以上，对本发明的一实施方式进行了说明，但本发明并不仅限定于上述的实施方式的例子，能够通过施加适当的变更而以各种方式实施。
附图标记说明
1 检查装置
3 工业机械
4 传感器
5 网络
6 雾计算机
7 云服务器
11CPU
12ROM
13RAM
14非易失性存储器
15、17、18、20、21接口
22 总线
70 显示装置
71 输入装置
72 外部设备
110 数据取得部
120 学习契机判定部
130 学习数据制作部
140 学习指令部
200 基本数据存储部
210 取得数据存储部
220 推定数据存储部
100 机器学习器
101 处理器
102ROM
103RAM
104 非易失性存储器
106 学习部
108 推定部
109 学习模型存储部

Claims (7)

1.一种检查装置，其用于使用机器学习器存储的学习完成的学习模型即基本模型，通过基于检查对象物所涉及的数据的该检查对象物的状态的推定结果来进行该检查对象物的检查，其特征在于，
所述检查装置具有：
推定数据存储部，其将检查对象物的状态的推定结果和该推定结果的可靠度与所述检查对象物所涉及的数据关联起来进行存储；
学习契机判定部，其在所述推定数据存储部中存储的数据满足规定的条件的情况下，判定为是执行追加学习或再学习的定时；
学习数据制作部，其在所述学习契机判定部判定为是执行追加学习或再学习的定时的情况下，从所述推定数据存储部中存储的数据中提取追加的学习数据，至少根据提取出的追加的学习数据，制作用于追加学习或再学习的学习数据；
学习指令部，其对所述机器学习器进行指令以便使用所述学习数据制作部制作出的所述学习数据来进行追加学习或再学习。
2.根据权利要求1所述的检查装置，其特征在于，
所述检查对象物所涉及的数据是所述检查对象物所涉及的图像数据。
3.根据权利要求1所述的检查装置，其特征在于，
在存储于所述推定数据存储部的数据中，所述可靠度为预先确定的第一阈值以下的数据存在预先确定的第二阈值以上的情况下，所述学习契机判定部判定为是执行追加学习或再学习的定时。
4.根据权利要求3所述的检查装置，其特征在于，
所述学习数据制作部在存储于所述推定数据存储部的数据中，针对所述可靠度为预先确定的所述第一阈值以下的数据内的可靠度高的数据从上位起提取预先确定的第三阈值的个数的数据作为追加的学习数据。
5.根据权利要求3所述的检查装置，其特征在于，
所述学习数据制作部在存储于所述推定数据存储部的数据中，随机地选择所述可靠度为预先确定的所述第一阈值以下的数据内的、预先确定的第三阈值的个数的数据，并提取为追加的学习数据。
6.根据权利要求1～5中任一项所述的检查装置，其特征在于，
所述学习指令部使用所述推定数据存储部中存储的数据来验证进行追加学习或再学习而生成的新模型，在验证的结果是判定为与所述基本模型相比所述新模型不适应已取得所述推定数据存储部中存储的数据的环境的情况下，对所述学习数据制作部进行指令以便再次制作用于追加学习或再学习的学习数据，并对所述机器学习器进行指令以便进行使用了再次制作出的学习数据的追加学习或再学习。
7.根据权利要求1～6中任一项所述的检查装置，其特征在于，
所述学习指令部使用在制作所述基本模型时使用的学习数据来验证进行追加学习或再学习而生成的新模型，在验证的结果是判定为所述新模型与所述基本模型无法进行相同等级的检查的情况下，对所述学习数据制作部进行指令以便再次制作用于追加学习或再学习的学习数据，并对所述机器学习器进行指令以便进行使用了再次制作出的学习数据的追加学习或再学习。
CN202180059226.7A 2020-07-27 2021-07-26 检查装置 Pending CN116194952A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020-126661 2020-07-27
JP2020126661 2020-07-27
PCT/JP2021/027522 WO2022024985A1 (ja) 2020-07-27 2021-07-26 検査装置

Publications (1)

Publication Number Publication Date
CN116194952A true CN116194952A (zh) 2023-05-30

Family

ID=80036224

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180059226.7A Pending CN116194952A (zh) 2020-07-27 2021-07-26 检查装置

Country Status (5)

Country Link
US (1) US20230274408A1 (zh)
JP (1) JP7502448B2 (zh)
CN (1) CN116194952A (zh)
DE (1) DE112021003974T5 (zh)
WO (1) WO2022024985A1 (zh)

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4121061B2 (ja) * 2002-01-10 2008-07-16 三菱電機株式会社 類識別装置及び類識別方法
JP2006293820A (ja) * 2005-04-13 2006-10-26 Sharp Corp 外観検査装置、外観検査方法およびコンピュータを外観検査装置として機能させるためのプログラム
CA2905072A1 (en) * 2013-03-15 2014-09-25 The Cleveland Clinic Foundation Self-evolving predictive model
JP2014190821A (ja) 2013-03-27 2014-10-06 Dainippon Screen Mfg Co Ltd 欠陥検出装置および欠陥検出方法
JP6661398B2 (ja) * 2016-02-03 2020-03-11 キヤノン株式会社 情報処理装置および情報処理方法
JP7044117B2 (ja) * 2018-01-09 2022-03-30 日本電信電話株式会社 モデル学習装置、モデル学習方法、及びプログラム
US11494693B2 (en) * 2018-06-01 2022-11-08 Nami Ml Inc. Machine learning model re-training based on distributed feedback
JP2019211969A (ja) * 2018-06-04 2019-12-12 オリンパス株式会社 学習管理装置、学習管理サーバ、および学習管理方法
JP2019212073A (ja) 2018-06-06 2019-12-12 アズビル株式会社 画像判別装置および方法
JP7219023B2 (ja) 2018-06-22 2023-02-07 日立造船株式会社 情報処理装置および対象物判定プログラム
JP6995031B2 (ja) 2018-09-05 2022-01-14 日立造船株式会社 情報処理装置、情報処理方法、および情報処理プログラム

Also Published As

Publication number Publication date
JPWO2022024985A1 (zh) 2022-02-03
JP7502448B2 (ja) 2024-06-18
DE112021003974T5 (de) 2023-05-25
US20230274408A1 (en) 2023-08-31
WO2022024985A1 (ja) 2022-02-03

Similar Documents

Publication Publication Date Title
US10835930B2 (en) Sorting system
JP6693938B2 (ja) 外観検査装置
CN109086876B (zh) 设备的运行状态检测方法、装置、计算机设备和存储介质
CN110136101B (zh) 一种基于孪生距离比对的轮胎x光病疵检测方法
CN113361539B (zh) 一种井下巡检机器人的仪表读取方法、装置及电子设备
CN112581430A (zh) 一种基于深度学习的航空发动机无损检测方法、装置、设备及存储介质
EP3686840A1 (en) Abnormality detection device and abnormality detection method
US10960550B2 (en) Identification code reading apparatus and machine learning device
US20200193219A1 (en) Discrimination device and machine learning method
CN110895716A (zh) 检查装置以及机器学习方法
JP6823025B2 (ja) 検査装置及び機械学習方法
CN111831703A (zh) 显示方法、用户接口部、显示装置以及检查装置
US11138805B2 (en) Quantitative quality assurance for mixed reality
JP7056259B2 (ja) 検査システム、識別システム、及び識別器評価装置
CN110895719A (zh) 验证装置
JP2020030681A (ja) 画像処理装置
CN116194952A (zh) 检查装置
JP7251955B2 (ja) 検出装置及び機械学習方法
CN113269268A (zh) 基于大数据的数据匹配方法、系统及云平台
JP2021086219A (ja) 協調作業システム、解析収集装置および解析プログラム
WO2023181277A1 (ja) 外観検査装置、外観検査方法、及びコンピュータ読み取り可能な記録媒体
WO2023139750A1 (ja) データセット作成装置及びコンピュータ読み取り可能な記録媒体
CN110796156A (zh) 信息处理方法及信息处理系统
JP2022021858A (ja) 教師データの修正方法、その装置及びそのコンピュータプログラム
CN116894965A (zh) 教师数据收集方法以及收集装置

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