DE112017005011T5

DE112017005011T5 - Verfahren zum Erzeugen eines eingelernten Modells, Vorrichtung zum Erzeugen eines eingelernten Modells, Verfahren zum Unterscheiden von Signaldaten, Vorrichtung zum Unterscheiden von Signaldaten und Programm zum Unterscheiden von Signaldaten

Info

Publication number: DE112017005011T5
Application number: DE112017005011.1T
Authority: DE
Inventors: Masaki Saito
Original assignee: Preferred Networks Inc
Current assignee: Preferred Networks Inc
Priority date: 2016-11-15
Filing date: 2017-11-14
Publication date: 2019-07-04
Also published as: CN109983482A; JP6216024B1; WO2018092747A1; JP2018081442A

Abstract

Aufgabe ist es, eine Vorrichtung zum Unterscheiden von Signaldaten bereitzustellen, die in Bezug auf nicht wesentliche Schwankungen wie etwa Lichtquellenschwankungen strikt ist und die Unterscheidung im Vergleich zum Stand der Technik mit einer geringen Menge an Einlerndaten mit hoher Genauigkeit durchführen kann. Dazu weist sie einen Signaldateneingabeabschnitt zum Eingeben von Signaldaten, die ein Unterscheidungsgegenstand sind, einen Merkmalabbildungserzeugungsabschnitt, der Merkmalabbildungen erzeugt, indem er unter Verwendung einer Einlerneinrichtung, die im Voraus auf Grundlage einer Vielzahl von Beispieldaten trainiert wurde, die mit einem Einlernsignal versehen sind, das angibt, ob sie fehlerfrei oder fehlerhaft sind, Merkmalsgrößen für die Signaldaten extrahiert, einen Distanzabbildungserzeugungsabschnitt, der eine Distanzabbildung erzeugt, indem er unter Verwendung einer Vielzahl von Merkmalabbildungsdaten, die auf Grundlage einer Vielzahl von Beispieldaten erzeugt wurden, die mit einem Einlernsignal versehen sind, das angibt, dass sie fehlerfrei sind, und von Merkmalabbildung der Signaldaten zwischen Kombinationen der verschiedenen Beispieldaten und Signaldaten eine Differenz in den Merkmalabbildungen ermittelt, einen Distanzwertberechnungsabschnitt, der einen Distanzwert zwischen den Signaldaten und den Beispieldaten aus der Distanzabbildung ermittelt, und einen Signaldatenunterscheidungsabschnitt auf, der auf Grundlage des Distanzwerts unterscheidet, ob die Signaldaten fehlerfrei oder fehlerhaft sind.

Description

Technisches Gebiet
Die vorliegende Erfindung betrifft das Erzeugen eines eingelernten Modells zur Anwendung in einer Unterscheidungsvorrichtung zum Unterscheiden, ob Signaldaten, etwa bei einer Sichtprüfung auf Grundlage von Bilddaten, fehlerfrei oder fehlerhaft sind, und eine Vorrichtung zum Unterscheiden von Signaldaten, auf die das eingelernte Modell angewandt wird.
Allgemeiner Stand der Technik
Im Stand der Technik wird ein Prüfungsverfahren auf Grundlage eines von einem Produkt aufgenommenen Bilds für eine Sichtprüfung des Produkts oder für die Fehlererkennung in Betracht gezogen. Ein Verfahren, bei welchem durch Vergleichen eines Bilds eines betreffenden Produkts mit einem Bild, das von einem fehlerfreien Produkt aufgenommen wurde, unterschieden wird, ob das betreffende Produkt fehlerfrei oder fehlerhaft ist, ist allgemein verbreitet, und als repräsentative Verfahrensweisen bei der Unterscheidung existieren ein Differenzerkennungsverfahren und ein maschinelles Einlernverfahren.
Bei dem Differenzerkennungsverfahren handelt es sich um eine Verfahrensweise, die nicht auf die Sichtprüfung beschränkt ist und wobei eine Unterscheidung anhand von Differenzen zwischen zwei ähnlichen Signalen getroffen wird. Es ist bekannt, dass verschiedene Probleme von Sichtprüfungen oder Fehlererkennung usw. ausgeräumt werden können, indem geringfügige wesentliche Unterschiede zwischen den zwei Signalen erfasst werden. Was das Problem von Sichtprüfungen betrifft, bei denen unterschieden wird, ob ein betreffendes Produkt eine Beschädigung aufweist, kann durch Messen einer Differenz zwischen einem Bild eines fehlerfreien Produkts und einem aus demselben Blickwinkel aufgenommenen Bild beurteilt werden, ob das betreffende Objekt eine Beschädigung aufweist. Was das Problem der Fehlererkennung betrifft, bei der unterschieden wird, ob ein betreffendes Produkt fehlerfrei ist, so lässt sich dieses durch einen Vergleich von Unterschieden zwischen einem von einem Sensor erfassten fehlerfreien Signal und einem aktuellen Signal lösen. Die Verfahrenslogik eines solchen Vergleichs zwischen Differenzen zwischen zwei Proben wird im Allgemeinen als „Differenzerkennung“ bezeichnet. Durch die Differenzerkennung können zahlreiche Probleme gelöst werden, und als Beispiele lassen sich die Erkennung von Bewegtbildern durch eine Prüfkamera, Fernerfassung und automatischer Betrieb nennen.
Beim maschinellen Einlernverfahren handelt es sich um ein Verfahren, wobei ein Modell eingelernt wird, das anhand einer großen Menge von Einlernbeispielen, die mit Kenninformationen zu Fehlerfreiheit bzw. Fehlerhaftigkeit versehen sind, unterscheidet, ob es sich bei betreffenden Daten um fehlerfreie Werte oder fehlerhafte Werte handelt, und es wird bei der Sichtprüfung und Fehlererkennung angewandt. Zum Einlernen sind große Beispieldatenmengen und Rechenzeit erforderlich, doch sobald ein eingelerntes Modell erzeugt wurde, ist eine Unterscheidung von hoher Genauigkeit möglich.
Als eine Technik für eine solche Sichtprüfung wurde beispielsweise die in Patentdokument 1 aufgeführte Oberflächenqualitätsbeurteilungsvorrichtung vorgeschlagen. Die Oberflächenqualitätsbeurteilungsvorrichtung aus Patentdokument 1 kann unter Berücksichtigung der Dickenverteilung einer auf einer Oberfläche gebildeten Oxidationsschicht die Qualität von Metall automatisch beurteilen und wendet eine Beurteilung mittels maschinelles Einlernen an.
Dokumente des Stands der Technik
Patentdokumente
Patentdokument 1: Japanische Patentoffenlegungsschrift Nr. 2011-191252
Kurzdarstellung der Erfindung
Aufgabe der vorliegenden Erfindung
Das Differenzerkennungsverfahren ist ein auf dem Gebiet der Computersicht seit langem bekanntes allgemeines Verfahren, und da es im Vergleich zum maschinellen Einlernverfahren zumeist nicht das Einlernen von Modellen erfordert, weist es den Vorteil auf, dass der Zeitaufwand zum Erfassen der Einlernbeispiele und der Hinzufügung von Anmerkungen wegfällt, doch lässt sich als ein besonders drängendes Problem der Differenzerkennung die korrekte Unterscheidung nennen, ob eine ermittelte Differenz einen wesentlichen Unterschied darstellt oder nicht. Beispielsweise kommt es bei der Sichtprüfung vor, dass sich Differenzen zwischen zwei Bildern nicht nur aus einer Beschädigung, sondern auch aus nicht wesentlichen Ursachen wie Lichtschwankungen und individuellen Abweichungen ergeben. Ein im Hinblick auf dieses Problem angewandtes typisches Verfahren besteht darin, strikte Merkmalsvektoren auf nicht wesentliche Differenzen wie Lichtquellenschwankungen für die Beispiele zu extrahieren und die entsprechenden Differenzen zu berechnen. Da die Frage, welche Differenzen als wesentlich zu behandeln sind, je nach Inhalt unterschiedlich zu beantworten ist, liegt jedoch das Problem vor, dass bei vielen für die Differenzerkennung angewandten Verfahrensweisen an den Beispielen eine Vorverarbeitung durchgeführt werden muss, um die passenden Differenzen für eine jeweilige Aufgabe zu ermitteln. Am Beispiel der Sichtprüfung etwa werden zum Ausräumen von Lichtquellenschwankungen die Differenzen zwischen Bildern nach einer geeigneten Abstimmung der Helligkeit und des Kontrasts erlangt. Allerdings weist diese Verfahrensweise den Nachteil auf, dass Schwankungen, die sich nicht durch eine Vorverarbeitung beheben lassen, nicht unterbunden werden können. Ein weiteres Problem besteht in der Auslegung einer angemessenen Vorverarbeitung im Hinblick auf Beurteilungsstandards für menschlich bedingte Schwankungen.
Anders als das Differenzerkennungsverfahren ist bei dem maschinellen Einlernverfahren damit zu rechnen, dass durch Einlernen strikte Modelle in Bezug auf nicht wesentliche Schwankungen wie etwa Lichtquellenschwankungen erlangt werden, doch werden zur Erstellung dieser Modelle große Mengen an Einlerndaten und detaillierte Anmerkungen benötigt, die angeben, welche Stellen in den Signalen Fehlerwerte sind. Es liegt das Problem vor, dass die Bereitstellung großer Mengen an Einlerndaten mit Fehlerstellen und die Hinzufügung detaillierter Anmerkungen zu diesen enormen Zeit- und Kostenaufwand mit sich bringt.
Die vorliegende Erfindung wurde angesichts der beschriebenen Probleme getätigt, und ihr liegt die Aufgabe zugrunde, eine Vorrichtung zum Unterscheiden von Signaldaten bereitzustellen, die in Bezug auf nicht wesentliche Schwankungen wie etwa Lichtquellenschwankungen strikt ist und die Unterscheidung im Vergleich zum Stand der Technik mit einer geringen Menge an Einlerndaten mit hoher Genauigkeit durchführen kann.
Mittel zum Lösen der Aufgabe
Ein Verfahren zum Erzeugen eines eingelernten Modells gemäß der vorliegenden Erfindung ist ein Verfahren zum Erzeugen eines eingelernten Modells zur Anwendung auf eine Unterscheidungsvorrichtung, die unterscheidet, ob Signaldaten fehlerfrei oder fehlerhaft sind, und ist gekennzeichnet durch Erzeugen von Merkmalabbildungen, bei dem für eine Vielzahl von Beispieldaten, die mit einem Einlernsignal versehen sind, das angibt, ob sie fehlerfrei oder fehlerhaft sind, unter Verwendung einer Einlerneinrichtung Merkmalsgrößen für die jeweiligen Beispieldaten extrahiert werden und eine Merkmalabbildung erzeugt wird, Erzeugen einer Distanzabbildung, bei dem in den Merkmalabbildungen unter der Vielzahl von Beispieldaten zwischen denjenigen, die eine Kombination von Beispielen mit Einlernsignal für Fehlerfreiheit sind, bzw. denjenigen, die eine Kombination aus einem Beispiel mit Einlernsignal für Fehlerfreiheit und einem Beispiel mit Einlernsignal für Fehlerhaftigkeit sind, eine Differenz ermittelt wird und eine Distanzabbildung erzeugt wird, Berechnen eines Distanzwerts, bei dem jeweils ein Distanzwert für die einzelnen Kombinationen aus der Distanzabbildung ermittelt wird, Unterscheiden des Distanzwerts, bei dem der Distanzwert mit einem festgelegten Schwellenwert verglichen wird und unterschieden wird, ob die Kombination eine Kombination von Beispielen mit Einlernsignal für Fehlerfreiheit unterhalb des Schwellenwerts oder eine Kombination aus einem Beispiel mit Einlernsignal für Fehlerfreiheit und einem Beispiel mit Einlernsignal für Fehlerhaftigkeit oberhalb des Schwellenwerts ist, und Korrigieren von Parametern, bei dem Berechnungsparameter der Einlerneinrichtung derart korrigiert werden, dass das Unterscheidungsergebnis beim Unterscheiden des Distanzwerts mit der Kombination aus Einlernsignalen der Beispieldaten übereinstimmt, und ein Einlernen durchgeführt wird.
Außerdem ist das Verfahren zum Erzeugen eines eingelernten Modells gemäß der vorliegenden Erfindung dadurch gekennzeichnet, dass beim Berechnen des Distanzwerts der Distanzwert mittels einer Pooling-Funktion aus der Distanzabbildung berechnet wird.
Eine Vorrichtung zum Erzeugen eines eingelernten Modells gemäß der vorliegenden Erfindung ist eine Vorrichtung zum Erzeugen eines eingelernten Modells zur Anwendung auf eine Unterscheidungsvorrichtung, die unterscheidet, ob Signaldaten fehlerfrei oder fehlerhaft sind, und ist gekennzeichnet durch einen Merkmalabbildungserzeugungsabschnitt, der für eine Vielzahl von Beispieldaten, die mit einem Einlernsignal versehen sind, das angibt, ob sie fehlerfrei oder fehlerhaft sind, eine Merkmalabbildung erzeugt, indem er unter Verwendung einer Einlerneinrichtung Merkmalsgrößen für die jeweiligen Beispieldaten extrahiert, einen Distanzabbildungserzeugungsabschnitt, der eine Distanzabbildung erzeugt, indem er in den Merkmalabbildungen unter der Vielzahl von Beispieldaten zwischen denjenigen, die eine Kombination von Beispielen mit Einlernsignal für Fehlerfreiheit sind, bzw. denjenigen, die eine Kombination aus einem Beispiel mit Einlernsignal für Fehlerfreiheit und einem Beispiel mit Einlernsignal für Fehlerhaftigkeit sind, eine Differenz ermittelt, einen Distanzwertberechnungsabschnitt, der jeweils einen Distanzwert für die einzelnen Kombinationen aus der Distanzabbildung ermittelt, einen Distanzwertunterscheidungsabschnitt, der den Distanzwert mit einem festgelegten Schwellenwert vergleicht und unterscheidet, ob die Kombination eine Kombination von Beispielen mit Einlernsignal für Fehlerfreiheit unterhalb des Schwellenwerts oder eine Kombination aus einem Beispiel mit Einlernsignal für Fehlerfreiheit und einem Beispiel mit Einlernsignal für Fehlerhaftigkeit oberhalb des Schwellenwerts ist, und einen Parameterkorrekturabschnitt, der Berechnungsparameter der Einlerneinrichtung derart korrigiert, dass das Unterscheidungsergebnis beim Distanzwertunterscheidungsabschnitt mit der Kombination aus Einlernsignalen der Beispieldaten übereinstimmt, und ein Einlernen durchführt.
Ein Verfahren zum Unterscheiden von Signaldaten gemäß der vorliegenden Erfindung ist gekennzeichnet durch Eingeben von Signaldaten, die ein Unterscheidungsgegenstand sind, Erzeugen von Merkmalabbildungen, bei dem unter Verwendung einer Einlerneinrichtung, die im Voraus auf Grundlage einer Vielzahl von Beispieldaten trainiert wurde, die mit einem Einlernsignal versehen sind, das angibt, ob sie fehlerfrei oder fehlerhaft sind, Merkmalsgrößen für die Signaldaten extrahiert werden und eine Merkmalabbildung erzeugt wird, Erzeugen einer Distanzabbildung, bei dem unter Verwendung einer Vielzahl von Merkmalabbildungsdaten, die auf Grundlage einer Vielzahl von Beispieldaten erzeugt wurden, die mit einem Einlernsignal versehen sind, das angibt, dass sie fehlerfrei sind, und der beim Erzeugen der Merkmalabbildungen erzeugten Merkmalabbildung der Signaldaten zwischen Kombinationen der verschiedenen Beispieldaten und Signaldaten, aus denen die Merkmalabbildungen erzeugt wurden, eine Differenz in den Merkmalabbildungen ermittelt wird und eine Distanzabbildung erzeugt wird, Berechnen eines Distanzwerts, bei dem ein Distanzwert zwischen den Signaldaten und den Beispieldaten aus der Distanzabbildung ermittelt wird, und Unterscheiden der Signaldaten, bei dem auf Grundlage des Distanzwerts unterschieden wird, ob die Signaldaten fehlerfrei oder fehlerhaft sind.
Eine Vorrichtung zum Unterscheiden von Signaldaten gemäß der vorliegenden Erfindung ist gekennzeichnet durch einen Signaldateneingabeabschnitt zum Eingeben von Signaldaten, die ein Unterscheidungsgegenstand sind, einen Merkmalabbildungserzeugungsabschnitt, der Merkmalabbildungen erzeugt, indem er unter Verwendung einer Einlerneinrichtung, die im Voraus auf Grundlage einer Vielzahl von Beispieldaten trainiert wurde, die mit einem Einlernsignal versehen sind, das angibt, ob sie fehlerfrei oder fehlerhaft sind, Merkmalsgrößen für die Signaldaten extrahiert, einen Distanzabbildungserzeugungsabschnitt, der eine Distanzabbildung erzeugt, indem er unter Verwendung einer Vielzahl von Merkmalabbildungsdaten, die auf Grundlage einer Vielzahl von Beispieldaten erzeugt wurden, die mit einem Einlernsignal versehen sind, das angibt, dass sie fehlerfrei sind, und der durch den Merkmalabbildungserzeugungsabschnitt erzeugten Merkmalabbildung der Signaldaten zwischen Kombinationen der verschiedenen Beispieldaten und Signaldaten, aus denen die Merkmalabbildungen erzeugt wurden, eine Differenz in den Merkmalabbildungen ermittelt, einen Distanzwertberechnungsabschnitt, der einen Distanzwert zwischen den Signaldaten und den Beispieldaten aus der Distanzabbildung ermittelt, und einen Signaldatenunterscheidungsabschnitt, der auf Grundlage des Distanzwerts unterscheidet, ob die Signaldaten fehlerfrei oder fehlerhaft sind.
Die Vorrichtung zum Unterscheiden von Signaldaten gemäß der vorliegenden Erfindung ist außerdem dadurch gekennzeichnet, dass der Distanzwertberechnungsabschnitt durch eine Distanzwertberechnungsverarbeitung pro Kombination, bei der der Distanzwert für jede Kombination aus dem Differenzwert jedes Merkmals der Distanzabbildung ermittelt wird, und eine Distanzwertberechnungsverarbeitung pro Signaldatensatz, bei der der Distanzwert für jeden Signaldatensatz auf der Grundlage der Distanzwerte aller Kombinationen von Signaldaten und Beispieldaten ermittelt wird, den Distanzwert der Signaldaten berechnet.
Die Vorrichtung zum Unterscheiden von Signaldaten der vorliegenden Erfindung ist außerdem dadurch gekennzeichnet, dass bei der Distanzwertberechnungsverarbeitung pro Kombination am Distanzwertberechnungsabschnitt der Distanzwert mittels einer Pooling-Funktion aus der Distanzabbildung berechnet wird.
Die Vorrichtung zum Unterscheiden von Signaldaten der vorliegenden Erfindung ist außerdem dadurch gekennzeichnet, dass bei der Distanzwertberechnungsverarbeitung pro Signaldatensatz am Distanzwertberechnungsabschnitt ein Durchschnitt der Distanzwerte aller Kombinationen berechnet wird und der Durchschnittswert als der Distanzwert der Signaldaten bestimmt wird.
Wirkung der Erfindung
Gemäß der vorliegenden Erfindung ist anders als bei dem Differenzerkennungsverfahren keine Vorverarbeitung an den Eingabedaten nötig, um mit nicht wesentlichen Schwankungen wie etwa Schwankungen der Lichtquelle umzugehen, und es sind anders als beim üblichen maschinellen Einlernverfahren keine großen Mengen von Beispieldaten nötig, die mit detaillierten Anmerkungen versehen sind, sodass lediglich hinsichtlich ihrer Fehlerfreiheit oder Fehlerhaftigkeit mit schwacher Anmerkung versehene Beispieldaten in im Vergleich zum Stand der Technik geringer Menge bereitgestellt werden müssen, um ein Einlernen von hoher Genauigkeit durchführen zu können, weshalb im Vergleich zum Stand der Technik der Zeit- und Kostenaufwand in hohem Maße reduziert werden kann. Da Datensätze durch Kombinationen von Beispielen erstellt werden, steigt die Anzahl von Beispielen im Datensatz gegenüber dem Einlernen unter Verwendung von Einzelbeispielen an. Insbesondere in Situationen, bei denen die Anzahl fehlerhafter Produkte wesentlich geringer als die Anzahl fehlerfreier Produkte ist, ist es beim Einlernen unter Verwendung von Einzelbeispielen schwierig, eine große Menge an Beispielen für fehlerhafte Produkte vorzubereiten, während in der vorliegenden Erfindung die Anzahl Paare mit fehlerfreiem Produkt und fehlerhaftem Produkt einen in Bezug auf die Anzahl Paare mit fehlerfreiem Produkt und fehlerfreiem Produkt verhältnismäßig höheren Anteil ausmacht. Also kann auch in Situationen, in denen die Anzahl fehlerhafter Produkte äußerst gering ist, das Einlernen mit hoher Genauigkeit und Effektivität durchgeführt werden. Je größer die Anzahl Paare, desto größer ist die Genauigkeit des Einlernens, weshalb im Vergleich zu Verfahrensweisen des maschinellen Lernens des Stands der Technik die Anzahl der Beispiel stark reduziert werden kann.
Figurenliste

1 zeigt ein Blockschaubild, das den Aufbau einer Vorrichtung 10 zum Unterscheiden von Signaldaten gemäß der vorliegenden Erfindung veranschaulicht.
2 zeigt eine erläuternde Ansicht, die ein Schema der Erzeugung eines eingelernten Modells 17 veranschaulicht, die in einer Einlerneinrichtung eines Merkmalabbildungserzeugungsabschnitts 12 benutzt wird.
3 zeigt eine erläuternde Ansicht, die ein Schema bis zu einer Distanzwertberechnung veranschaulicht, die zur Unterscheidung in der Vorrichtung 10 zum Unterscheiden von Signaldaten benutzt wird.
4 zeigt ein Ablaufdiagramm, das einen Ablauf zum Erzeugen eines eingelernten Modells veranschaulicht.
5 zeigt ein Ablaufdiagramm, das einen Ablauf einer Unterscheidungsverarbeitung von Signaldaten veranschaulicht.

Ausführungsformen der Erfindung
Erste Ausführungsform
Im Folgenden wird unter Bezugnahme auf die Figuren ein Beispiel einer Vorrichtung zum Unterscheiden von Signaldaten gemäß einer ersten Ausführungsform der vorliegenden Erfindung beschrieben. 1 zeigt ein Blockschaubild, das den Aufbau einer Vorrichtung 10 zum Unterscheiden von Signaldaten gemäß der vorliegenden Erfindung veranschaulicht. Die Vorrichtung 10 zum Unterscheiden von Signaldaten kann als eine Spezialmaschine oder als ein universeller Computer realisiert sein. In diesem Fall weist die Vorrichtung 10 zum Unterscheiden von Signaldaten, wie es bei einem universellen Computer üblich ist, eine CPU (Zentralverarbeitungseinheit), GPU (Grafikverarbeitungseinheit) und Speicherplatz wie etwa einen Speicher und ein Festplattenlaufwerk (nicht dargestellt) auf. Es versteht sich von selbst, dass die einzelnen Verarbeitungsvorgänge durch ein Programm ausgeführt werden, damit ein universeller Computer als die Vorrichtung 10 zum Unterscheiden von Signaldaten dienen kann.
Die Vorrichtung 10 zum Unterscheiden von Signaldaten weist wenigstens einen Signaldateneingabeabschnitt 11, einen Merkmalabbildungserzeugungsabschnitt 12, einen Distanzabbildungserzeugungsabschnitt 13, einen Distanzwertberechnungsabschnitt 14, einen Signaldatenunterscheidungsabschnitt 15 und einen Speicherabschnitt 16 auf.
Der Signaldateneingabeabschnitt 11 dient zum Eingeben von Signaldaten 19, für die die Vorrichtung 10 zum Unterscheiden von Signaldaten der vorliegenden Erfindung unterscheiden soll, ob sie fehlerfrei oder fehlerhaft sind. Die Signaldaten 19 können drahtgebunden oder drahtlos in Echtzeit erfasst und eingegeben werden, oder die erfassten Signaldaten 19 können in einem nachstehend beschriebenen Speicherabschnitt 16 gespeichert und zum Zeitpunkt der Unterscheidung eingelesen werden.
Der Merkmalabbildungserzeugungsabschnitt 12 dient dazu, aus den Signaldaten 19, an denen eine Unterscheidung vorgenommen werden soll, auf Grundlage einer Einlerneinrichtung Merkmalsgrößen der Signaldaten zu extrahieren und eine Merkmalabbildung zu erzeugen. Solange sie eine Merkmalabbildung erzeugen kann, kann es sich um eine beliebige Einlerneinrichtung handeln, und es ist beispielsweise die Verwendung eines Convolutional Neural Network (CNN, faltendes neuronales Netzwerk) als die Einlerneinrichtung denkbar. Im Falle eines CNN wird bei der Erzeugung der Merkmalabbildung beispielsweise mit den Eingabesignaldaten und einem Gewichtungsfilter oder im Laufe des Prozesses mit der Merkmalabbildung und einem Gewichtungsfilter ein inneres Produkt gebildet und mittels einer Rasterabtastung eine wiederholte Faltverarbeitung durchgeführt, um eine Merkmalabbildung zu erlangen. Die Einlerneinrichtung des Merkmalabbildungserzeugungsabschnitts 12 wird, damit eine Merkmalabbildung erzeugt werden kann, die eine hohe Genauigkeit der abschließenden Unterscheidung ermöglicht, im Voraus trainiert und als eingelerntes Modell 17 im Speicherabschnitt 16 gespeichert. Die Erzeugung des eingelernten Modells 17 wird nachstehend ausführlich beschrieben.
Um in der vorliegenden Erfindung eine Unterscheidung an den Signaldaten vorzunehmen, wird eine Vielzahl von Beispieldaten benötigt, die mit einem Einlernsignal für Fehlerfreiheit versehen sind, weshalb der Merkmalabbildungserzeugungsabschnitt 12 auch eine jeweilige Merkmalabbildung für die Vielzahl von Beispieldaten erzeugt, die mit einem Einlernsignal für Fehlerfreiheit versehen sind. Die Vielzahl von Beispieldaten 18 mit Einlernsignal kann im Speicherabschnitt 16 gespeichert werden, und für die jeweiligen Beispieldaten 18 mit Einlernsignal kann jeweils im Voraus eine entsprechende Merkmalabbildung erzeugt und im Speicherabschnitt 16 gespeichert werden, oder zum Zeitpunkt der Erzeugung der Merkmalabbildung der Signaldaten kann auch die Merkmalabbildung für die Beispieldaten 18 mit Einlernsignal erzeugt werden.
Der Distanzabbildungserzeugungsabschnitt 13 dient dazu, unter Verwendung einer auf Grundlage der Beispieldaten 18 mit einem Einlernsignal für Fehlerfreiheit erzeugten Vielzahl von Merkmalabbildungsdaten und der auf Grundlage der Signaldaten erzeugten Merkmalabbildung eine Differenz in den Merkmalabbildungen zwischen Kombinationen der Beispieldaten 18 mit Einlernsignal und der jeweiligen Signaldaten zu ermitteln und so eine Distanzabbildung zu erzeugen.
Der Distanzwertberechnungsabschnitt 14 dient dazu, aus der Distanzabbildung einen Distanzwert zwischen den Signaldaten und den Beispieldaten zu ermitteln.
Der Signaldatenunterscheidungsabschnitt 15 dient dazu, auf Grundlage des vom Distanzwertberechnungsabschnitt 14 ermittelten Distanzwerts zwischen den Signaldaten und den Beispieldaten eine Unterscheidung durchzuführen, ob die Signaldaten fehlerfrei oder fehlerhaft sind. Genauer ist beispielsweise eine Verfahrensweise denkbar, wobei der vom Distanzwertberechnungsabschnitt 14 ermittelte Distanzwert mit einem im Voraus eingestellten festgelegten Schwellenwert verglichen wird, und wenn er unterhalb des Schwellenwerts liegt, geurteilt wird, dass die Signaldaten fehlerfrei sind, und wenn er oberhalb des Schwellenwerts liegt, geurteilt wird, dass die Signaldaten fehlerhaft sind. Die vorliegende Erfindung ist nicht nur auf den Fall einer Unterscheidung zwischen fehlerfrei und fehlerhaft, sondern auch im Falle einer Kategorisierung anwendbar, wobei im Falle der Kategorisierung eine Verfahrensweise verwendet wird, bei der die Signaldaten nach Größe des Distanzwerts kategorisiert werden.
Im Speicherabschnitt 16 sind die für die Verarbeitung an der Vorrichtung 10 zum Unterscheiden von Signaldaten nötigen Informationen wie etwa das eingelernte Modell 17, die Beispieldaten 18 mit Einlernsignal und die Signaldaten 19 gespeichert.
2 zeigt eine erläuternde Ansicht, die ein Schema der Erzeugung des eingelernten Modells 17 veranschaulicht, die in der Einlerneinrichtung des Merkmalabbildungserzeugungsabschnitts 12 benutzt wird. Es muss ein an die benutzte Einlerneinrichtung angepasstes Einlernverfahren verwendet werden, wobei die vorliegende Beschreibung am Beispiel eines CNN (Convolutional Neural Network) als Einlerneinrichtung erfolgt. Zum Einlernen kann beispielsweise eine Verlustfunktion verwendet werden, und es lassen sich verschiedene Verlustfunktionen wie etwa eine Triplett-Verlustfunktion, siamesische Verlustfunktion, Sigmoid-Cross-Entropy-Verlustfunktion anwenden. Als Vorstufe des Einlernens werden beim ersten Einlernvorgang geeignete (beispielsweise zufällige) Parameter im CNN verteilt.
Zum Einlernen wird zunächst eine Vielzahl von Beispieldaten (X₁-X₄), die mit einem Einlernsignal versehen sind, das angibt, ob sie fehlerfrei (0) oder fehlerhaft (1) sind, in ein CNN zur Merkmalabbildungerzeugung eingegeben, woraufhin jeweilige Merkmalabbildungen (h₁-h₄) erzeugt werden. Im vorliegenden Beispiel reicht eine Unterscheidung zwischen fehlerfrei und fehlerhaft aus, weshalb nur die zwei Einlernsignale (0) und (1) verwendet werden, doch im Falle einer Kategorisierung mehrerer Aspekte können auch mehr Arten von Einlernsignalen vorliegen.
Als Nächstes wird für die Merkmalabbildungen (h₁-h₄) der jeweiligen Beispieldaten an den Merkmalabbildungen eine Differenz für diejenigen, die eine Kombination von Beispielen mit Einlernsignal für Fehlerfreiheit sind, und diejenigen, die Kombination aus einem Beispiel mit Einlernsignal für Fehlerfreiheit und einem Beispiel mit Einlernsignal für Fehlerhaftigkeit sind, ermittelt, und es wird eine Distanzabbildung erzeugt, und aus der Distanzabbildung wird für jede Kombination ein Distanzwert (d₁₂ , d₁₃ , d₁₄ , d₂₃ , d₂₄ ) berechnet. Als Verfahrensweise zum Errechnen des Distanzwerts aus der Distanzabbildung werden beispielsweise globale Pooling-Funktionen wie Globales-Maximum-Pooling, Globaler-Mittelwert-Pooling, Globales-Lp-Pooling und dergleichen verwendet.
Dann werden die Distanzwerte (d₁₂ , d₁₃ , d₁₄ , d₂₃ , d₂₄ ) für die Kombinationen mit einem im Voraus eingestellten festgelegten Schwellenwert verglichen, und wenn sie unterhalb des Schwellenwerts liegen, wird geurteilt, dass es sich bei dem Distanzwert um eine Kombination aus zwei fehlerfreien Beispielen handelt, und wenn er oberhalb des Schwellenwerts liegt, wird geurteilt, dass es sich bei dem Distanzwert um eine Kombination aus einem fehlerfreien und einem fehlerhaften Beispiel handelt. Das Unterscheidungsergebnis in Bezug auf diese Distanzwerte wird mit den Einlernsignalen der Beispieldaten verglichen, um die Unterscheidungsgenauigkeit zu bewerten. Als ein Beispiel ist es denkbar, zu beurteilen, ob die Wahrscheinlichkeit einer korrekten Unterscheidung über einem festgelegten Wert liegt. Wenn die Unterscheidungsgenauigkeit bestimmte Bedingungen nicht erfüllt, werden die CNN-Parameter korrigiert, und die Einlernverarbeitung wird von Anfang an erneut durchgeführt. Der Einlernvorgang wird wiederholt, und wenn die Unterscheidungsgenauigkeit die Bedingungen erfüllt, endet die Einlernverarbeitung, womit ein eingelerntes Modell erlangt wird.
3 zeigt eine erläuternde Ansicht, die ein Schema bis zu einer Distanzwertberechnung veranschaulicht, die zur Unterscheidung in der Vorrichtung 10 zum Unterscheiden von Signaldaten benutzt wird. Für die Unterscheidungsverarbeitung an den Signaldaten werden zunächst in das CNN, auf welches das durch vorbereitendes Einlernen erlangte eingelernte Modell angewandt wurde, Signaldaten (X) eingegeben und Merkmalabbildungen (h) erzeugt. Auch wird eine Vielzahl von Beispieldaten (X₁-X_N) vorbereitet, die mit einem Einlernsignal für Fehlerfreiheit versehen sind, und für diese mit einem Einlernsignal für Fehlerfreiheit versehene Vielzahl von Beispieldaten wird am Merkmalabbildungserzeugungsabschnitt 12 jeweils eine Merkmalabbildung erzeugt, wodurch Merkmalabbildungen (h₁-h_N) erlangt werden.
Als Nächstes wird zwischen den Kombinationen der Merkmalabbildungen (h₁-h_N), die den Beispieldaten (X₁-X_N) entsprechen, und der Merkmalabbildungen (h), die den Signaldaten (X) entsprechen, eine Differenz in den Merkmalabbildungen ermittelt und eine Distanzabbildung erzeugt. Aus der erzeugten Distanzabbildung werden beispielsweise mithilfe einer Globales-Maximum-Pooling-Funktion Distanzwerte (d₁-d_N) zwischen den Signaldaten (X) und den jeweiligen Beispieldaten (X₁-X_N) erlangt. Dann wird eine Verarbeitung zum Ermitteln eines Durchschnittswerts der erlangten Distanzwerte (d₁-d_N) und dergleichen durchgeführt, um einen zur Unterscheidung verwendeten Distanzwert d zu erlangen. Der Distanzwert d wird mit einem festgelegten Schwellenwert verglichen, um die Unterscheidung an den Signaldaten durchzuführen.
4 zeigt ein Ablaufdiagramm, das einen Ablauf zum Erzeugen eines eingelernten Modells veranschaulicht. Wie in 4 gezeigt, muss für die Einlernverarbeitung an der Einlerneinrichtung zunächst eine Vielzahl von mit Einlernsignal versehenen Beispieldaten vorbereitet werden (Schritt S11). Für die Vielzahl von Beispieldaten werden jeweils mehrere mit einem Einlernsignal für Fehlerfreiheit und einem für Fehlerhaftigkeit vorbereitet. Aus der vorbereiteten Vielzahl von Beispieldaten werden Merkmalabbildungen erzeugt (Schritt S12). Das Erzeugen der Merkmalabbildungen erfolgt beispielsweise, indem durch das CNN eine Vielzahl von Merkmalsgrößen extrahiert wird. Die anfänglichen CNN-Parameter können beispielsweise zufällig verteilt werden. Für die anfänglichen CNN-Parameter können auch eingelernte Parameter eines anderen CNN verwendet werden, das bei einer anderen Sichtprüfung benutzt wurde.
Sodann wird eine Differenz in den Merkmalabbildungen zwischen denjenigen, die eine Kombination aus zwei Einlernsignalen für Fehlerfreiheit sind, und denjenigen, die eine Kombination aus einem Einlernsignal für Fehlerfreiheit und einem Einlernsignal für Fehlerhaftigkeit sind, ermittelt, um eine Distanzabbildung zu erzeugen (Schritt S13). Aus der Distanzabbildung wird für jede Kombination ein Distanzwert errechnet (Schritt S14). Die Berechnung des Distanzwerts kann dabei beispielsweise mittels einer Globales-Maximum-Pooling-Funktion erfolgen. Der ermittelte Distanzwert wird mit einem festgelegten Schwellenwert verglichen, wodurch für jede Kombination unterschieden wird, ob sie fehlerfrei oder fehlerhaft ist (Schritt S15).
Schließlich wird das Unterscheidungsergebnis für jede Kombination mit dem Einlernsignal verglichen, um die Unterscheidungsgenauigkeit zu ermitteln (Schritt S16). Es wird beurteilt, ob die Unterscheidungsgenauigkeit festgelegte Bedingungen erfüllt (Schritt S17). Wenn die Unterscheidungsgenauigkeit die festgelegten Bedingungen nicht erfüllt, werden die Parameter der zur Merkmalabbildungserzeugung verwendeten Einlerneinrichtung, beispielsweise des CNN, korrigiert (Schritt S18), woraufhin die Einiernverarbeitung der Schritte S12-S16 durchgeführt wird. Wenn in Schritt S17 geurteilt wird, dass die Unterscheidungsgenauigkeit die festgelegten Bedingungen erfüllt, wird damit das aus den Parametern der Einlerneinrichtung gebildete eingelernte Modell erlangt, womit der Ablauf endet.
5 zeigt ein Ablaufdiagramm, das einen Ablauf einer Unterscheidungsverarbeitung von Signaldaten veranschaulicht. Wie in 5 gezeigt, werden für die Unterscheidungsverarbeitung an den Signaldaten zunächst die Signaldaten eingegeben (Schritt S21). Sodann werden unter Verwendung der Einlerneinrichtung, auf die das eingelernte Modell angewandt wurde, beispielsweise des CNN, Merkmalabbildungen für die Signaldaten erzeugt (Schritt S22). Das Erzeugen der Merkmalabbildungen erfolgt beispielsweise, indem durch das CNN eine Vielzahl von Merkmalsgrößen extrahiert wird. Auch wird eine Vielzahl von Beispieldaten vorbereitet, die mit einem Einlernsignal für Fehlerfreiheit versehen sind, und für diese mit einem Einlernsignal für Fehlerfreiheit versehene Vielzahl von Beispieldaten wird jeweils eine Merkmalabbildung erzeugt.
Als Nächstes wird eine Differenz zwischen den Merkmalabbildungen der mit einem Einlernsignal für Fehlerfreiheit versehenen Vielzahl von Beispieldaten und den Merkmalabbildungen der Signaldaten ermittelt, und für jede Kombination wird eine Distanzabbildung erzeugt (Schritt S23). Aus der Distanzabbildung wird für jede Kombination ein Distanzwert berechnet (Schritt S24). Die Berechnung kann dabei beispielsweise mittels einer Globales-Maximum-Pooling-Funktion erfolgen. Auf Grundlage der erlangten Distanzwerte für alle Kombinationen wird der Distanzwert der Signaldaten bestimmt (Schritt S25). Dabei wird beispielsweise der Durchschnittswert der Distanzwerte aller Kombinationen als Distanzwert der Signaldaten berechnet.
Zum Schluss wird der Distanzwert der Signaldaten mit einem festgelegten Schwellenwert verglichen, um zu unterscheiden, ob die Signaldaten fehlerfrei oder fehlerhaft sind (Schritt S26). Wenn beispielsweise der Distanzwert der Signaldaten unterhalb des Schwellenwerts liegt, wird geurteilt, dass die Signaldaten fehlerfrei sind, und wenn er oberhalb des Schwellenwerts liegt, wird geurteilt, dass die Signaldaten fehlerhaft sind. Das Unterscheidungsergebnis wird ausgegeben und der Ablauf endet (Schritt S27).
Mit der Vorrichtung 10 zum Unterscheiden von Signaldaten mit dem oben beschriebenen Aufbau können die folgenden Wirkungen erzielt werden.

(1) Da anders als bei der Verfahrensweise der Differenzerkennung des Stands der Technik im Merkmalextraktionsteil eine auf maschinellem Lernen beruhende Einlerneinrichtung vorgesehen ist und mittels eines eingelernten Modells Merkmale extrahiert werden, ist es durch Extrahieren der Merkmale mittels des eingelernten Modells möglich, strikt zu unterscheiden, ob es sich um nicht wesentliche Schwankungen wie etwa Schwankungen der Lichtquelle handelt.
(2) Anders als bei der Verfahrensweise des maschinellen Lernens des Stands der Technik, bei der die Beispiele direkt zugeführt und identifiziert werden, kann durch explizites Erfassen von Differenzen zum fehlerfreien Produkt auch bei einer geringfügigen Differenz eine korrekte Erfassung erfolgen.
(3) Es können ausschließlich mit schwachen Anmerkungsinformationen eingelernt werden, die lediglich angeben, ob in einem Beispiel eine Fehlerstelle enthalten ist oder nicht. Das heißt, es ist nicht erforderlich, für jedes Beispiel eine detaillierte Anmerkung für die Fehlerstelle hinzuzufügen, was die Vorbereitung der Beispieldaten für das Einlernen vereinfacht.
(4) Da Datensätze durch Kombinationen von Beispielen erstellt werden, steigt die Anzahl von Beispielen im Datensatz gegenüber dem Einlernen unter Verwendung von Einzelbeispielen an. Insbesondere in Situationen, bei denen die Anzahl fehlerhafter Produkte wesentlich geringer als die Anzahl fehlerfreier Produkte ist, ist es beim Einlernen unter Verwendung von Einzelbeispielen schwierig, eine große Menge an Beispielen für fehlerhafte Produkte vorzubereiten, während in der vorliegenden Erfindung die Anzahl Paare mit fehlerfreiem Produkt und fehlerhaftem Produkt einen in Bezug auf die Anzahl Paare mit fehlerfreiem Produkt und fehlerfreiem Produkt verhältnismäßig höheren Anteil ausmacht. Also kann auch in Situationen, in denen die Anzahl fehlerhafter Produkte äußerst gering ist, das Einlernen mit hoher Genauigkeit und Effektivität durchgeführt werden. Je größer die Anzahl Paare, desto größer ist die Genauigkeit des Einlernens, weshalb im Vergleich zu Verfahrensweisen des maschinellen Lernens des Stands der Technik die Anzahl der Beispiel stark reduziert werden kann.

Gemäß der Vorrichtung zum Unterscheiden von Signaldaten des vorliegenden Beispiels ist also anders als bei dem Differenzerkennungsverfahren keine Vorverarbeitung an den Eingabedaten nötig, um mit nicht wesentlichen Schwankungen wie etwa Schwankungen der Lichtquelle umzugehen, und es sind anders als beim üblichen maschinellen Einlernverfahren keine großen Mengen von Beispieldaten nötig, die mit detaillierten Anmerkungen versehen sind, sodass lediglich hinsichtlich ihrer Fehlerfreiheit oder Fehlerhaftigkeit mit schwacher Anmerkung versehene Beispieldaten in im Vergleich zum Stand der Technik geringer Menge bereitgestellt werden müssen, um ein Einlernen von hoher Genauigkeit durchführen zu können, weshalb im Vergleich zum Stand der Technik Zeit- und Kostenaufwand in hohem Maße reduziert werden kann.
Die Beschreibung der ersten Ausführungsform war, wie in 3 gezeigt, dergestalt, dass jeweilige Distanzwerte zwischen Beispieldaten mit Einlernsignal für Fehlerfreiheit und Signaldaten berechnet werden, ein Durchschnitt der Distanzwerte aller Kombinationen ermittelt wird und aus dem durchschnittlichen Distanzwert eine Inferenzverarbeitung durchgeführt wird. Allerdings können für die Inferenz anstelle des Durchschnitts je nach Situation auch verschiedene andere Verfahrensweisen angewandt werden. So kann beispielsweise nach dem Ermitteln der Merkmalabbildungen ein Fehlererkennungssystem angewandt werden, das mit einer Distanzkorrektur mittels Local Outlier Factor einhergeht. Auch kann die Distanz zwischen den Beispielen im Datensatz und unbekannten Beispielen als Scoring-Funktion eines schwachen Klassifikators betrachtet werden und auf Ensemblemethoden wie Bagging und dergleichen angewandt werden.
In der ersten Ausführungsform erfolgt die Beschreibung der Vorrichtung 10 zum Unterscheiden von Signaldaten dergestalt, dass eine Inferenzverarbeitung durchgeführt wird, die unterscheidet, ob die Signaldaten fehlerfrei oder fehlerhaft sind, doch ist auch eine Inferenzverarbeitung möglich, bei der die Signaldaten in eine Vielzahl von Kategorien eingeteilt werden. Auch können verschiedene Arten von Objekten als Signaldaten verwendet werden. Die Technik ist auf verschiedene Gebiete anwendbar, so beispielsweise die Sichtprüfung auf Grundlage von Bildaufnahmen von Produkten, die Erfassung von ungewöhnlichen Geräuschen in Sprachsignaldaten, die Unterscheidung/Kategorisierung von Gesichtsmerkmalen in Gesichtserkennungssystem usw.
Zweite Ausführungsform
In der ersten Ausführungsform wird zum Unterscheiden, ob die betreffenden Signaldaten fehlerfrei oder fehlerhaft sind, der ermittelte Distanzwert mit einem im Voraus eingestellten festgelegten Schwellenwert verglichen, und wenn er unterhalb des Schwellenwerts liegt, wird geurteilt, dass die Signaldaten fehlerfrei sind, und wenn er oberhalb des Schwellenwerts liegt, wird geurteilt, dass die Signaldaten fehlerhaft sind, doch kann die vorliegende Erfindung nicht nur zum Unterscheiden, ob Signaldaten fehlerfrei oder fehlerhaft sind, verwendet werden, sondern auch erweitert werden, um für den Fall der Fehlerhaftigkeit auszugeben, welche Art von Fehler aufgetreten ist. In diesem Fall kann der Signaldatenunterscheidungsabschnitt 15 erweitert werden, indem von den Signaldaten mehrere Distanzwerte ausgegeben werden, die ihrer Fehlerart entsprechen.
Genauer wird für den Fall, dass nur zwischen fehlerfrei und fehlerhaft unterschieden wird, das Einlernsignal binär in fehlerfrei (0) und fehlerhaft (1) unterteilt, doch kann es auch entsprechend den Fehlerarten in fehlerhaft (1), fehlerhaft (2), ..., fehlerhaft (k) unterteilt werden. Sodann ist es möglich, mehrere Konfigurationen zum Erlangen von Distanzwerten wie in 3 vorzubereiten, um Distanzwerte je nach Fehlerart zu berechnen, wie etwa einen Distanzwert (1), der auf einem Vergleich zwischen Beispieldaten, die mit einem Einlernsignal für Fehlerfreiheit (0) und Fehlerhaftigkeit (1) versehen sind, und Signaldaten beruht, einen Distanzwert (2), der auf einem Vergleich zwischen Beispieldaten, die mit einem Einlernsignal für Fehlerfreiheit (0) und Fehlerhaftigkeit (2) versehen sind, und Signaldaten beruht, ... und einen Distanzwert (k), der auf einem Vergleich zwischen Beispieldaten, die mit einem Einlernsignal für Fehlerfreiheit (0) und Fehlerhaftigkeit (k) versehen sind, und Signaldaten beruht. Indem der Distanzwert (1)-Distanzwert (k) jeweils beispielsweise mit einem Schwellenwert verglichen werden, kann unterschieden werden, ob ein Fehler der jeweiligen Art enthalten ist oder nicht. Wenn für alle Fehlerarten Fehlerfreiheit unterschieden wird, zeigt dies, dass die Signaldaten fehlerfrei sind, und wenn für eine Fehlerart Fehlerhaftigkeit unterschieden wird, zeigt dies, dass die Signaldaten fehlerhaft sind, und zugleich kann die Fehlerart bestimmt werden. Wenn eine Vielzahl von Fehlern enthalten ist, kann auch dies erkannt werden.
Indem also die Konfiguration aus Signaldateneingabeabschnitt 11, Merkmalabbildungserzeugungsabschnitt 12, Distanzabbildungserzeugungsabschnitt 13, Distanzwertberechnungsabschnitt 14 und Signaldatenunterscheidungsabschnitt 15 der Vorrichtung 10 zum Unterscheiden von Signaldaten, die in der ersten Ausführungsform beschrieben wurde, gesondert für jede zu unterscheidende Fehlerart vorgesehen wird, kann durch Durchführen eines Trainings der Einlerneinrichtung der einzelnen Merkmalabbildungserzeugungsabschnitte 12 mittels Beispieldaten für die jeweilige Fehlerart auf Grundlage von Unterscheidungsergebnissen einer Vielzahl von Signaldatenunterscheidungsabschnitten, deren Anzahl der Anzahl Fehlerarten entspricht, eine Unterscheidung, ob die Signaldaten fehlerfrei sind oder nicht, und im Falle der Fehlerhaftigkeit eine Bestimmung der Fehlerart ermöglicht werden.
Bezugszeichenliste

10: Vorrichtung zum Unterscheiden von Signaldaten
11: Signaldateneingabeabschnitt
12: Merkmalabbildungserzeugungsabschnitt
13: Distanzabbildungserzeugungsabschnitt
14: Distanzwertberechnungsabschnitt
15: Signaldatenunterscheidungsabschnitt
16: Speicherabschnitt
17: eingelerntes Modell
18: Beispieldaten mit Einlernsignal
19: Signaldaten

Claims

Verfahren zum Erzeugen eines eingelernten Modells zur Anwendung auf eine Unterscheidungsvorrichtung, die unterscheidet, ob Signaldaten fehlerfrei oder fehlerhaft sind, umfassend: Erzeugen von Merkmalabbildungen, bei dem für eine Vielzahl von Beispieldaten, die mit einem Einlernsignal versehen sind, das angibt, ob sie fehlerfrei oder fehlerhaft sind, unter Verwendung einer Einlerneinrichtung Merkmalsgrößen für die jeweiligen Beispieldaten extrahiert werden und eine Merkmalabbildung erzeugt wird, Erzeugen einer Distanzabbildung, bei dem in den Merkmalabbildungen unter der Vielzahl von Beispieldaten zwischen denjenigen, die eine Kombination von Beispielen mit Einlernsignal für Fehlerfreiheit sind, bzw. denjenigen, die eine Kombination aus einem Beispiel mit Einlernsignal für Fehlerfreiheit und einem Beispiel mit Einlernsignal für Fehlerhaftigkeit sind, eine Differenz ermittelt wird und eine Distanzabbildung erzeugt wird, Berechnen eines Distanzwerts, bei dem jeweils ein Distanzwert für die einzelnen Kombinationen aus der Distanzabbildung ermittelt wird, Unterscheiden des Distanzwerts, bei dem der Distanzwert mit einem festgelegten Schwellenwert verglichen wird und unterschieden wird, ob die Kombination eine Kombination von Beispielen mit Einlernsignal für Fehlerfreiheit unterhalb des Schwellenwerts oder eine Kombination aus einem Beispiel mit Einlernsignal für Fehlerfreiheit und einem Beispiel mit Einlernsignal für Fehlerhaftigkeit oberhalb des Schwellenwerts ist, und Korrigieren von Parametern, bei dem Berechnungsparameter der Einlerneinrichtung derart korrigiert werden, dass das Unterscheidungsergebnis beim Unterscheiden des Distanzwerts mit der Kombination aus Einlernsignalen der Beispieldaten übereinstimmt, und ein Einlernen durchgeführt wird.
Verfahren zum Erzeugen eines eingelernten Modells nach Anspruch 1, wobei beim Berechnen des Distanzwerts der Distanzwert mittels einer Pooling-Funktion aus der Distanzabbildung berechnet wird.
Vorrichtung zum Erzeugen eines eingelernten Modells zur Anwendung auf eine Unterscheidungsvorrichtung, die unterscheidet, ob Signaldaten fehlerfrei oder fehlerhaft sind, aufweisend: einen Merkmalabbildungserzeugungsabschnitt, der für eine Vielzahl von Beispieldaten, die mit einem Einlernsignal versehen sind, das angibt, ob sie fehlerfrei oder fehlerhaft sind, eine Merkmalabbildung erzeugt, indem er unter Verwendung einer Einlerneinrichtung Merkmalsgrößen für die jeweiligen Beispieldaten extrahiert, einen Distanzabbildungserzeugungsabschnitt, der eine Distanzabbildung erzeugt, indem er in den Merkmalabbildungen unter der Vielzahl von Beispieldaten zwischen denjenigen , die eine Kombination von Beispielen mit Einlernsignal für Fehlerfreiheit sind, bzw. denjenigen, die eine Kombination aus einem Beispiel mit Einlernsignal für Fehlerfreiheit und einem Beispiel mit Einlernsignal für Fehlerhaftigkeit sind, eine Differenz ermittelt, einen Distanzwertberechnungsabschnitt, der jeweils einen Distanzwert für die einzelnen Kombinationen aus der Distanzabbildung ermittelt, einen Distanzwertunterscheidungsabschnitt, der den Distanzwert mit einem festgelegten Schwellenwert vergleicht und unterscheidet, ob die Kombination eine Kombination von Beispielen mit Einlernsignal für Fehlerfreiheit unterhalb des Schwellenwerts oder eine Kombination aus einem Beispiel mit Einlernsignal für Fehlerfreiheit und einem Beispiel mit Einlernsignal für Fehlerhaftigkeit oberhalb des Schwellenwerts ist, und einen Parameterkorrekturabschnitt, der Berechnungsparameter der Einlerneinrichtung derart korrigiert, dass das Unterscheidungsergebnis beim Distanzwertunterscheidungsabschnitt mit der Kombination aus Einlernsignalen der Beispieldaten übereinstimmt, und ein Einlernen durchführt.
Verfahren zum Unterscheiden von Signaldaten, umfassend: Eingeben von Signaldaten, die ein Unterscheidungsgegenstand sind, Erzeugen von Merkmalabbildungen, bei dem unter Verwendung einer Einlerneinrichtung, die im Voraus auf Grundlage einer Vielzahl von Beispieldaten trainiert wurde, die mit einem Einlernsignal versehen sind, das angibt, ob sie fehlerfrei oder fehlerhaft sind, Merkmalsgrößen für die Signaldaten extrahiert werden und eine Merkmalabbildung erzeugt wird, Erzeugen einer Distanzabbildung, bei dem unter Verwendung einer Vielzahl von Merkmalabbildungsdaten, die auf Grundlage einer Vielzahl von Beispieldaten erzeugt wurden, die mit einem Einlernsignal versehen sind, das angibt, dass sie fehlerfrei sind, und der beim Erzeugen der Merkmalabbildungen erzeugten Merkmalabbildung der Signaldaten zwischen Kombinationen der verschiedenen Beispieldaten und Signaldaten, aus denen die Merkmalabbildungen erzeugt wurden, eine Differenz in den Merkmalabbildungen ermittelt wird und eine Distanzabbildung erzeugt wird, Berechnen eines Distanzwerts, bei dem ein Distanzwert zwischen den Signaldaten und den Beispieldaten aus der Distanzabbildung ermittelt wird, und Unterscheiden der Signaldaten, bei dem auf Grundlage des Distanzwerts unterschieden wird, ob die Signaldaten fehlerfrei oder fehlerhaft sind.
Vorrichtung zum Unterscheiden von Signaldaten, aufweisend: einen Signaldateneingabeabschnitt zum Eingeben von Signaldaten, die ein Unterscheidungsgegenstand sind, einen Merkmalabbildungserzeugungsabschnitt, der Merkmalabbildungen erzeugt, indem er unter Verwendung einer Einlerneinrichtung, die im Voraus auf Grundlage einer Vielzahl von Beispieldaten trainiert wurde, die mit einem Einlernsignal versehen sind, das angibt, ob sie fehlerfrei oder fehlerhaft sind, Merkmalsgrößen für die Signaldaten extrahiert, einen Distanzabbildungserzeugungsabschnitt, der eine Distanzabbildung erzeugt, indem er unter Verwendung einer Vielzahl von Merkmalabbildungsdaten, die auf Grundlage einer Vielzahl von Beispieldaten erzeugt wurden, die mit einem Einlernsignal versehen sind, das angibt, dass sie fehlerfrei sind, und der durch den Merkmalabbildungserzeugungsabschnitt erzeugten Merkmalabbildung der Signaldaten zwischen Kombinationen der verschiedenen Beispieldaten und Signaldaten, aus denen die Merkmalabbildungen erzeugt wurden, eine Differenz in den Merkmalabbildungen ermittelt, einen Distanzwertberechnungsabschnitt, der einen Distanzwert zwischen den Signaldaten und den Beispieldaten aus der Distanzabbildung ermittelt, und einen Signaldatenunterscheidungsabschnitt, der auf Grundlage des Distanzwerts unterscheidet, ob die Signaldaten fehlerfrei oder fehlerhaft sind.
Vorrichtung zum Unterscheiden von Signaldaten nach Anspruch 5, wobei der Distanzwertberechnungsabschnitt durch eine Distanzwertberechnungsverarbeitung pro Kombination, bei der der Distanzwert für jede Kombination aus der Distanzabbildung ermittelt wird, und eine Distanzwertberechnungsverarbeitung pro Signaldatensatz, bei der der Distanzwert für jeden Signaldatensatz auf der Grundlage der Distanzwert aller Kombinationen von Signaldaten und Beispieldaten ermittelt wird, den Distanzwert der Signaldaten berechnet.
Vorrichtung zum Unterscheiden von Signaldaten nach Anspruch 6, wobei bei der Distanzwertberechnungsverarbeitung pro Kombination am Distanzwertberechnungsabschnitt der Distanzwert mittels einer Pooling-Funktion aus der Distanzabbildung berechnet wird.
Vorrichtung zum Unterscheiden von Signaldaten nach Anspruch 6 oder 7, wobei bei der Distanzwertberechnungsverarbeitung pro Signaldatensatz am Distanzwertberechnungsabschnitt ein Durchschnitt der Distanzwerte aller Kombinationen berechnet wird und der Durchschnittswert als der Distanzwert der Signaldaten bestimmt wird.
Vorrichtung zum Unterscheiden von Signaldaten, wobei die Konfiguration aus Signaldateneingabeabschnitt, Merkmalabbildungserzeugungsabschnitt, Distanzabbildungserzeugungsabschnitt, Distanzwertberechnungsabschnitt und Signaldatenunterscheidungsabschnitt der Vorrichtung zum Unterscheiden von Signaldaten nach einem der Ansprüche 5 bis 8 gesondert für eine jeweilige zu unterscheidende Fehlerart vorgesehen ist und durch Durchführen eines Trainings der Einlerneinrichtung der einzelnen Merkmalabbildungserzeugungsabschnitte mittels Beispieldaten für die jeweilige Fehlerart auf Grundlage von Unterscheidungsergebnissen einer Vielzahl von Signaldatenunterscheidungsabschnitten, deren Anzahl der Anzahl Fehlerarten entspricht, eine Unterscheidung, ob die Signaldaten fehlerfrei sind oder nicht, und im Falle der Fehlerhaftigkeit eine Bestimmung der Fehlerart ermöglicht wird.
Programm zum Unterscheiden von Signaldaten zum Implementieren einer Funktion zum Unterscheiden, ob Signaldaten, die ein Unterscheidungsgegenstand sind, fehlerfrei oder fehlerhaft sind, auf einem Computer, wobei auf dem Computer Folgendes implementiert ist: eine Funktion zum Eingeben von Signaldaten, die der Unterscheidungsgegenstand sind, eine Funktion zum Erzeugen von Merkmalabbildungen, mit der unter Verwendung einer Einlerneinrichtung, die im Voraus auf Grundlage einer Vielzahl von Beispieldaten trainiert wurde, die mit einem Einlernsignal versehen sind, das angibt, ob sie fehlerfrei oder fehlerhaft sind, Merkmalsgrößen für die Signaldaten extrahiert werden und eine Merkmalabbildung erzeugt wird, eine Funktion zum Erzeugen einer Distanzabbildung, mit der unter Verwendung einer Vielzahl von Merkmalabbildungsdaten, die auf Grundlage einer Vielzahl von Beispieldaten erzeugt wurden, die mit einem Einlernsignal versehen sind, das angibt, dass sie fehlerfrei sind, und der durch einen Merkmalabbildungserzeugungsabschnitt erzeugten Merkmalabbildung der Signaldaten zwischen Kombinationen der verschiedenen Beispieldaten und Signaldaten, aus denen die Merkmalabbildungen erzeugt wurden, eine Differenz in den Merkmalabbildungen ermittelt wird, und eine Distanzabbildung erzeugt wird eine Funktion zum Berechnen eines Distanzwerts, mit der ein Distanzwert zwischen den Signaldaten und den Beispieldaten aus der Distanzabbildung ermittelt wird, und eine Funktion zum Unterscheiden der Signaldaten, mit der auf Grundlage des Distanzwerts unterschieden wird, ob die Signaldaten fehlerfrei oder fehlerhaft sind.