JP2019204321A - 情報処理方法、情報処理装置、及びプログラム - Google Patents

情報処理方法、情報処理装置、及びプログラム Download PDF

Info

Publication number
JP2019204321A
JP2019204321A JP2018099519A JP2018099519A JP2019204321A JP 2019204321 A JP2019204321 A JP 2019204321A JP 2018099519 A JP2018099519 A JP 2018099519A JP 2018099519 A JP2018099519 A JP 2018099519A JP 2019204321 A JP2019204321 A JP 2019204321A
Authority
JP
Japan
Prior art keywords
data
defect
likelihood
defective product
defective
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.)
Granted
Application number
JP2018099519A
Other languages
English (en)
Other versions
JP7102941B2 (ja
Inventor
正晃 加納
Masaaki Kano
正晃 加納
晶詳 中瀬
Akiyoshi Nakase
晶詳 中瀬
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.)
JTEKT Corp
Original Assignee
JTEKT 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 JTEKT Corp filed Critical JTEKT Corp
Priority to JP2018099519A priority Critical patent/JP7102941B2/ja
Priority to US16/418,179 priority patent/US10634621B2/en
Priority to CN201910433312.4A priority patent/CN110533058A/zh
Priority to DE102019113830.2A priority patent/DE102019113830A1/de
Publication of JP2019204321A publication Critical patent/JP2019204321A/ja
Application granted granted Critical
Publication of JP7102941B2 publication Critical patent/JP7102941B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
    • G01N29/04—Analysing solids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • 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
    • G01N2021/8854—Grading and classifying of flaws
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/023—Solids
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N2291/00—Indexing codes associated with group G01N29/00
    • G01N2291/02—Indexing codes associated with the analysed material
    • G01N2291/028—Material parameters
    • G01N2291/0289—Internal structure, e.g. defects, grain size, texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • 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
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30164—Workpiece; Machine component

Abstract

【課題】対象となる製品データに未知の不良によるデータが含まれる場合に、そのデータは未知の不良によるデータであると判定する。【解決手段】学習ステップでは、良品データを対象とした教師ありの機械学習を行なって良品学習モデルを生成し、不良品データを対象とした教師ありの機械学習を不良の種別毎に行なって不良の種別毎の不良品学習モデルを生成する。演算ステップでは、製品データを入力データとして良品学習モデルを用いた演算により得られる出力データから、良品の尤度を求め、当該製品データを入力データとして不良品学習モデルを用いた演算により得られる出力データから、不良品の尤度を不良の種別毎に求める。判定ステップでは、良品の尤度及び不良の種別毎の不良品の尤度が所定の条件を満たす場合に、対象となる製品データは、未知の不良によるデータであると判定する。【選択図】 図４

Description

本発明は、情報処理方法、情報処理装置、及びプログラムに関する。
コンピュータによる機械学習を用いた判定及び分類が行われている。その例として、生産された製品が良品であるか不良品であるかの判定（分類）が行われている。コンピュータによる判定の一般的な手段としては、まず、事前に入手した良品データ及び不良品データを教師データとして機械学習を行い、学習モデルを生成する。製品の不良には、様々な種別（種類）があり、不良の種別毎に判定を行なうためには、教師データとして不良の種別毎の不良品データが必要である。図６は、良品データ及び不良の種別毎の不良品データについて、特徴量を表す空間のイメージ図である。図６に示されるように、良品データ及び不良の種別毎の不良品データそれぞれの間に判定の境界が設定され、空間内において良品データのグループ及び不良の種別毎の不良品データのグループに分けられる。ここでは、不良の種別として「不良１」「不良２」「不良３」が存在する場合を説明する。
次に、検査の対象となる製品データが得られると、その製品データを入力データとして生成した前記学習モデルに入力する。これにより、製品データは、当該製品データが有する特徴量に最も類似した特徴量のグループに分類される。つまり、図６のイメージ図により説明すると、対象となる製品データが、前記判定の境界で分割された複数の領域（グループ）のうち、どの領域に属するかの判定が行われる。特許文献１には、コンピュータによって機械学習及び判定を行なう技術が開示されている。
特開２０１０−１４０４４４号公報
図６では、不良品データに関して、不良の種別として「不良１」「不良２」「不良３」が存在し、不良の種別毎に特徴量が異なる。従来の情報処理方法によれば、前記のとおり、特徴量を表す空間内において、良品データ及び不良の種別毎の不良品データそれぞれの間に判定の境界が設定される。つまり、判定の境界は共通する一つの空間に設定される。すると、例えば図６の矢印Ｅで示されるように、対象となる製品データの特徴量が、不良１と良品との境界Ｂ１を跨ぐような場合、その特徴量を有する製品データは、不良１と良品とのうちのいずれか一方に（択一的に）判定される。
しかし、前記特徴量を有する製品データ（矢印Ｅ）が、不良１とは異なる新たな（未知の）種別の不良によるデータである場合、前記判定は正確ではない。また、この場合において、対象となる製品データが、不良のデータであるにもかかわらず、その特徴が既知の不良１よりも良品に似ていると、従来の情報処理方法では、この不良データは良品のデータであると判定されてしまうという問題点がある。
そこで、本発明は、対象となる製品データに未知の不良によるデータが含まれる場合に、そのデータは未知の不良によるデータであると判定することが可能となる情報処理方法、情報処理装置、及びプログラムを提供することを目的とする。
本発明の情報処理方法は、良品データを対象とした教師ありの機械学習を行なって良品学習モデルを生成すると共に、不良品データを対象とした教師ありの機械学習を不良の種別毎に行なって不良の種別毎の不良品学習モデルを生成する学習ステップと、対象となる製品データを入力データとして前記良品学習モデルを用いた演算により得られる出力データから、良品の尤度を求めると共に、当該製品データを入力データとして前記不良品学習モデルを用いた演算により得られる出力データから、不良品の尤度を不良の種別毎に求める演算ステップと、前記演算ステップにおいて求められた前記良品の尤度及び不良の種別毎の前記不良品の尤度が、尤度に関する所定の条件を満たす場合に、対象となる前記製品データは、未知の不良によるデータであると判定する判定ステップと、を含む。
前記情報処理方法によれば、良品学習モデルとは別に不良の種別毎の不良品学習モデルが生成される。このため、良品及び不良品（種別毎）の判別を行なうための、いわゆる判定の境界が良品及び不良の種別毎に得られる。したがって、対象となる製品データを入力データとして演算ステップにおいて求められた良品の尤度及び不良の種別毎の不良品の尤度が、尤度に関する所定の条件を満たす場合に、その対象となる製品データを、未知の不良によるデータであると判定することが可能となる。
また、前記演算ステップでは、更に、前記良品の尤度と良品の閾値との比較を行うと共に、不良の種別毎に前記不良品の尤度と不良品の閾値との比較を行い、前記判定ステップにおいて、不良の種別毎に行った前記比較の結果、全ての前記不良品の尤度が前記不良品の閾値未満であり、かつ、良品の尤度が良品の閾値未満である場合、対象となる前記製品データは、未知の不良によるデータであると判定するのが好ましい。つまり、前記比較の結果、「全ての不良品の尤度が不良品の閾値未満である」ということは、対象となる前記製品データに不良らしさが無いことを意味する。そして、「良品の尤度が良品の閾値未満である」ということは、対象となる前記製品データに良品らしさが無いことを意味する。このため、対象となる製品データを、未知の不良によるデータであると判定することが可能となる。
また、前記判定ステップにおいて、不良の種別毎に行った前記比較の結果、複数の不良の種別について前記不良品の尤度が前記不良品の閾値以上である場合、当該複数の不良の種別のうち、前記不良品の閾値との差が最も大きい不良の種別が、対象となる前記製品データの不良の種別であると判定するのが好ましい。つまり、「不良品の尤度が不良品の閾値以上」であり「不良品の閾値との差が最も大きい」ということは、複数の不良の種別の中で、最もその不良の種別らしいということを意味する。このため、複数の不良の種別について不良品の尤度が不良品の閾値以上となる場合であっても、尤もらしい一つの不良の種別を判定することが可能となる。
また、前記判定ステップにおいて、不良の種別毎に行った前記比較の結果、一つの種別についての前記不良品の尤度が前記不良品の閾値以上である場合、対象となる前記製品データは、当該一つの種別の不良によるデータであると判定するのが好ましい。この構成により、尤もらしい一つの不良の種別を判定することが可能となる。
また、前記判定ステップにおいて、不良の種別毎に行った前記比較の結果、全ての前記不良品の尤度が前記不良品の閾値未満であり、かつ、良品の尤度が良品の閾値以上である場合、対象となる前記製品データは、良品によるデータであると判定するのが好ましい。つまり、前記比較の結果、「全ての不良品の尤度が不良品の閾値未満である」ということは、対象となる前記製品データに不良らしさが無いことを意味し、そして、「良品の尤度が良品の閾値以上である」ということは、対象となる前記製品データに良品らしさがあることを意味する。このため、対象となる製品データを、良品によるデータであると判定することが可能となる。
また、前記判定ステップにおいて、不良の種別毎に求められた前記不良品の尤度が、尤度に関する前記所定の条件を満たすか否かを判定してから、前記良品の尤度が、尤度に関する前記所定の条件を満たすか否かを判定するのが好ましい。この場合、対象となる製品データが不良品によるデータであるのに、良品によるデータであると判定される間違いが発生し難くなる。
また、本発明の情報処理装置は、良品データを対象とした教師ありの機械学習を行なって良品学習モデルを生成すると共に、不良品データを対象とした教師ありの機械学習を不良の種別毎に行なって不良の種別毎の不良品学習モデルを生成する学習部と、対象となる製品データを入力データとして前記良品学習モデルを用いた演算により得られる出力データから、良品の尤度を求めると共に、当該製品データを入力データとして前記不良品学習モデルを用いた演算により得られる出力データから、不良品の尤度を不良の種別毎に求める演算部と、前記演算部により求められた前記良品の尤度及び不良の種別毎の前記不良品の尤度が、尤度に関する所定の条件を満たす場合に、対象となる前記製品データは、未知の不良によるデータであると判定する判定部と、を備える。
前記情報処理装置によれば、前記情報処理方法を実行することが可能であり、対象となる製品データに未知の不良によるデータが含まれる場合に、そのデータは未知の不良によるデータであると判定することが可能となる。
また、本発明のプログラムは、コンピュータを、良品データを対象とした教師ありの機械学習を行なって良品学習モデルを生成すると共に、不良品データを対象とした教師ありの機械学習を不良の種別毎に行なって不良の種別毎の不良品学習モデルを生成する学習部、対象となる製品データを入力データとして前記良品学習モデルを用いた演算により得られる出力データから、良品の尤度を求めると共に、当該製品データを入力データとして前記不良品学習モデルを用いた演算により得られる出力データから、不良品の尤度を不良の種別毎に求める演算部、及び、前記演算部により求められた前記良品の尤度及び不良の種別毎の前記不良品の尤度が、尤度に関する所定の条件を満たす場合に、対象となる前記製品データは、未知の不良によるデータであると判定する判定部、として機能させるためのプログラムである。
前記プログラムによれば、前記情報処理方法を実行することが可能であり、対象となる製品データに未知の不良によるデータが含まれる場合に、そのデータは未知の不良によるデータであると判定することが可能となる。
本発明によれば、対象となる製品データに未知の不良によるデータが含まれる場合に、そのデータは未知の不良によるデータであると判定することが可能となる。
情報処理装置のハードウエア構成の一例を示す概略構成図である。 情報処理装置のソフトウエア構成を示す図である。 演算部及び判定部が行なう処理の概略を示すフロー図である。 情報処理方法を示すフロー図である。 特徴量を表す空間のイメージ図である。 特徴量を表す空間のイメージ図（従来例）である。
〔情報処理装置について〕
図１は、情報処理装置のハードウエア構成の一例を示す概略構成図である。本実施形態の情報処理装置１０は、製品の生産ラインの検査工程に用いられる。製品として、例えば転がり軸受の軌道輪のような部品の他に、複数の部品が組み立てられて得た組立品がある。組立品の例としては、例えばステアリング装置（電動パワーステアリング装置）及び転がり軸受である。
製品が組立品である場合、検査工程において製品を動作させ（回転させ）、製品の一部に接触させたセンサ７によって製品の振動（音）が計測される。センサ７の計測により得られたデータが、製品データとして情報処理装置１０に入力される。また、製品が部品であっても組立品であっても、検査工程において製品をカメラ８によって撮影し、外観検査を行なってもよい。この場合、カメラ８による撮影画像のデータが、製品データとして情報処理装置１０に入力される。このように製品データを、振動データ又は画像データ（外観画像データ）とすることができる。または、製品データは、センサ７による振動データ（生データ）を加工した加工データ、又は、カメラ８による画像データ（生データ）を加工した加工データであってもよい。加工データの例として、センサ７によって取得された時系列データである振動データを解析（フーリエ解析）して生成した周波数データが挙げられる。又は、加工データは、撮影画像のデータを画像解析して得た画像解析データであってもよい。振動データを用いる場合、情報処理装置１０は、製品の動作検査を行なうことができる。画像データを用いる場合、情報処理装置１０は、製品の外観検査を行なうことができる。
情報処理装置１０は、生産ラインにおいて生産された製品について、良品と不良品との判別を行ない、不良品については、その不良の種別（種類）の判別を行ない、更に、未知の不良についても判別を行なう機能を有する。ここでは、製品がステアリング装置であり、製品データとして振動データを用いる場合について説明する。この場合の不良の種別としては、特定のギア部分の不良、及び特定の軸受部の不良が例として挙げられる。これらの不良は、ステアリング装置を動作させると、それぞれ異なる周波数成分を有する振動を発生させる。周波数成分に特徴があることから、この特徴に基づいて情報処理装置１０は不良の種別を判別することが可能となる。なお、製品データとして画像データを用いる場合、傷等による濃淡がデータ化され、このデータに基づいて情報処理装置１０は不良の種別を判別することが可能となる。
情報処理装置１０の構成について説明する。情報処理装置１０は、中央処理装置（ＣＰＵ）１１、ＲＯＭ及びＲＡＭにより構成されたメモリ１２、ハードディスクドライブにより構成された記憶装置１３、表示部１４、入力部１５、及び、通信部１６を有する。中央処理装置１１は、メモリ１２又は記憶装置１３に記憶されたプログラム（コンピュータプログラム）を読み出して各種処理を実行する。記憶装置１３は、センサ７から取得したデータ、このデータを加工して得たデータ（製品データ）、各種閾値、後述する学習モデル、及びプログラム等の各種情報を記憶する。後に説明する情報処理装置１０が備える各種の機能部（各機能部が実行する処理）は、ＣＰＵ１１が、メモリ１２又は記憶装置１３に格納されたプログラムを読み出し、このプログラムを実行することにより実現される。
情報処理装置１０が行なう情報処理によって製品（ステアリング装置）の検査が行われる。製品の検査（検査工程）は、製品を生産する生産ラインの一部に含まれる。良品である製品について得られた製品データを「良品データ」と称する。これに対して、不良品である製品について得られた製品データを「不良品データ」と称する。製品の不良には様々な種別（種類）がある。そこで、複数存在する既知の不良の種別を区別するために、以下において、不良の種別として、不良１、不良２、・・・不良ｎのように、連番を付して説明する（ｎは整数）。この場合、不良の種別の数はｎとなる。これら複数の不良１、不良２、・・・不良ｎはそれぞれ既知の不良である。また、製品の生産において、既知の不良以外の「未知の不良」が発生する場合がある。なお、後に説明するが、既知の不良については、情報処理装置１０によって機械学習がされている。これに対して、機械学習がされていない不良が、未知の不良である。
〔情報処理装置１０が有する機能について〕
図２は、情報処理装置１０のソフトウエア構成を示す図である。情報処理装置１０は、前記機能部として、学習部２１、演算部２２、及び、判定部２３を備える。前記のとおり、これら各機能部は、前記プログラムを実行することにより実現される。つまり、このプログラムは、コンピュータを、前記学習部２１、前記演算部２２、及び、前記判定部２３として機能させるためのプログラムである。このプログラムは、各種記憶媒体に保存される。前記各機能部について説明する。
学習部２１は、学習モデルを生成する機能を有する。学習部２１は、機械学習により良品学習モデル、及び、この良品学習モデルとは別に不良品学習モデルを生成する。本実施形態では、前記のとおり既知である不良は複数存在するため、不良の種別毎の不良品学習モデルが生成される。例えば、三つの既知の不良（不良１、不良２、不良３）が存在する場合、三つの不良品学習モデル（Ｍ１、Ｍ２、Ｍ３）が生成される。ｎを１以上の整数とした場合、不良ｎの不良品学習モデルを「不良品学習モデルＭｎ」とする。
学習部２１は、良品学習モデルを生成するために、良品データを対象とした教師ありの機械学習を行なう。また、学習部２１は、不良の種別毎の不良品学習モデルＭｎを生成するために、不良品データを対象とした教師ありの機械学習を、不良の種別毎に行なう。前記の各機械学習で用いられる良品データには、教師ラベルとして「良品ラベル」の情報が対応付けられていて（紐付けられていて）、不良品データには、教師ラベルとして「不良品ラベル」の情報が対応付けられている（紐付けられている）。不良品ラベルは不良の種別毎に異なっており、各不良品ラベルが不良品データに対応付けられる。
良品データを教師データとして用いて機械学習（良品学習）を行なうアルゴリズムと、同じアルゴリズムで、不良の種別毎に不良品データを教師データとして用いて機械学習（良品学習）を行う。この結果、良品データに基づく良品学習モデルが生成され、不良品データに基づく不良品学習モデルが、不良の種別毎に生成される。
学習部２１が用いる学習モデルの例として、Ｖａｒｉａｔｉｏｎａｌ Ａｕｔｏ ｅｎｃｏｄｅｒ（ＶＡＥ）が挙げられる。良品データをＶＡＥの学習モデルに入力し、学習が実行されることで、良品を学習したパラメータを有する良品学習モデルが生成される。この良品学習モデルは、良品データが入力されると良品データを再現した出力が得られるように学習されている。同様に、不良の種別毎に、不良品データをＶＡＥの学習モデルに入力し、学習が実行されることで、不良品を学習したパラメータを有する不良品学習モデルが生成される。このように、学習部２１は、良品データを対象とした教師ありの機械学習を行なって良品学習モデルを生成すると共に、不良品データを対象とした教師ありの機械学習を不良の種別毎に行なって不良の種別毎の不良品学習モデルを生成する。生成された良品学習モデル、及び、不良の種別毎の不良品学習モデルは、記憶装置１３に記憶される。
図３は、演算部２２及び判定部２３が行なう処理の概略を示すフロー図である。生産ラインから製品が生産されると、検査工程として、その製品のデータ（製品データ）が前記センサ７（図１参照）によって取得される（図３のステップＳ１０）。製品データは、検査の対象として、情報処理装置１０（記憶装置１３）に次々と記憶される。演算部２２は、各製品データを、学習部２１によって生成された全ての学習モデル（良品学習モデル及び不良の種別毎の不良品学習モデル）にそれぞれ入力し、各学習モデルから出力された出力データを取得する。そして、判定部２３は、前記出力データを基に、当該各製品データが、良品、不良１、・・・不良ｎそれぞれに該当する可能性があるか判定する処理（この処理を「個別判定処理」と称する。）を行なう（図３のステップＳ２０、ステップＳ２１・・・）。判定部２３は、更に、前記個別判定処理の結果に基づいて、対象となった製品データが、良品に該当するか、既知の不良１、・・・不良ｎのいずれかに該当するか、既知の不良に該当せずに未知の不良に該当するのか、の判定を行なう（図３のステップＳ３０）。
演算部２２が行なう処理の具体例について説明する。演算部２２は、入力データである製品データと、出力データとの差（平方二乗誤差）を判定値として求める。ここで、不良１についての不良品学習モデルＭ１に、不良１のデータを入力すると、不良１のデータを再現したデータが出力される。このため、不良品学習モデルＭ１に不良１のデータを入力した場合、前記判定値は小さくなる。これに対して、不良品学習モデルＭ１に、不良１のデータ以外のデータ（例えば不良２のデータ）を入力すると、不良１のデータを入力した場合よりも、前記判定値は大きくなる。演算部２２は、求めた前記判定値を尤度に変換する。尤度は尤もらしさを示す指標である。例えば不良１の尤度は「不良１らしさ」を示す指標である。このため、不良１の前記判定値（前記差）が小さい場合は、不良１の尤度は高い。つまり、不良ｎの学習モデルＭｎに入力した製品データの前記判定値が小さい場合（尤度が高い場合）、その製品データは、種別が不良ｎの不良データらしい可能性があると推定できる。同様に、良品の学習モデルに入力した製品データの前記判定値が小さい場合（尤度が高い場合）、その製品データは、種別が良品であるデータらしい可能性があると推定できる。
このように、演算部２２は、対象となる製品データを入力データとして良品学習モデルを用いた演算により得られる出力データから、良品の尤度を求める。更に、演算部２２は、対象となった前記製品データを入力データとして不良品学習モデルＭｎを用いた演算により得られる出力データから、不良品の尤度を不良の種別毎に求める。求められた尤度（前記判定値）は、用いた学習モデル毎に区別されて、記憶装置１３に記憶される。
判定部２３が行なう処理について説明する。判定部２３は、演算部２２によって求められた対象となる製品データについての良品の尤度と、良品用の閾値とを比較すると共に、当該製品データについての不良ｎの尤度と、不良ｎ用の閾値とを比較する処理を行なう機能を有する。更に、判定部２３は、これらの比較の処理の結果に基づいて、当該製品データが、良品データであるのか、既知の不良品データであるのか、未知の不良品データであるのかを判定する機能を有する。なお、既知の不良品データであると判定される場合は、不良の種別についても判定される。なお、前記閾値は、予め設定されている値であり、良品の場合と不良品の場合とで異なっていてもよく、同じであってもよい。また、不良の種別毎に前記閾値は異なっていてもよく、同じであってもよい。判定部２３は、製品データに関して、不良ｎの尤度が不良ｎの閾値より大きい場合（不良ｎの前記判定値が小さい場合）、その製品のデータは、不良ｎのデータらしい可能性があると判定（推定）することができる。
このように、判定部２３は、演算部２２により求められた良品の尤度及び不良の種別毎の不良品の尤度が、尤度に関する所定の条件を満たすか否かの判定を行なう。後に説明するが、一つの例として、判定部２３は、演算部２２により求められた良品の尤度及び不良の種別毎の不良品の尤度が、尤度に関する「所定の条件」を満たす場合に、対象となる製品データは、未知の不良によるデータであると判定する。前記「所定の条件」とは、「不良の種別毎に行った前記閾値との比較の結果、全ての不良品の尤度が不良品の閾値未満であり、かつ、良品の尤度が良品の閾値未満であるという条件」である。判定部２３による処理の詳細は、後の情報処理方法により説明する。
〔情報処理方法（検査方法）について〕
前記構成を備える情報処理装置１０が行なう情報処理方法について図４により説明する。この情報処理方法では、まず、学習部２１による機械学習（学習ステップ）が行われ、次に、機械学習の結果に基づいて、演算部２２による演算（演算ステップ）及び判定部２３による判定（判定ステップ）が行われる。
〔学習ステップ〕
学習部２１が行なう機械学習について説明する。不良１の不良品ラベルを教師ラベルとして用いて製品データ（不良１の不良品データ）を対象とした機械学習を行ない、不良品学習モデルＭ１を生成する（図４のステップＳ１）。この処理を、既知の不良の全てについて（ｎ回）繰り返し個別に行なう。つまり、前記のような学習モデルの生成処理を、複数存在する不良の種別毎に行って、不良の種別毎の不良品学習モデルを生成する（図４のステップＳ２）。不良品ラベルを用いる前記機械学習とは別に、良品ラベルを教師ラベルとして用いて製品データ（良品データ）を対象とした機械学習を行ない、良品学習モデルを生成する（図４のステップＳ９）。この学習ステップにより、不良の種別毎の不良品学習モデル（つまり、ｎ個の不良品学習モデル）と、一つの良品学習モデルとが生成される。図３において、ステップＳ１からステップＳ２を経てステップＳ９を行なう工程が、学習ステップである。なお、前記教師ラベルの抽出及び対応付けは、作業員によって行われる。
〔演算ステップ及び判定ステップ〕
生産ラインにより製品が生産されると、例えばセンサ７（図１参照）によって、製品毎に製品データが取得される（ステップＳ１１）。情報処理装置１０（メモリ１２又は記憶装置１３）は、データ（データ群）を格納する記憶領域を有している。演算部２２が一つの製品データを処理対象として取得すると、前記記憶領域が初期化される（ステップＳ１２）。図４では、この記憶領域を「配列ａ［ ］」としており、以下の説明においても、この記憶領域を配列ａ［ ］とする。
演算部２２は、処理対象となる前記製品データＤａを、学習部２１が生成した不良１の不良品学習モデルＭ１を用いた演算アルゴリズムに入力し、この演算アルゴリズムから出力データを取得する。演算部２２は、この出力データに基づいて、前記製品データＤａを対象とした不良１の尤度ｐ１を算出する（ステップＳ２１）。なお、以下において行われる処理は、特に説明する場合を除いて、演算部２２が行なう処理である。本実施形態では、更に、入力した製品データＤａと出力データとの差を求め、この差を判定値とする。この判定値は不良１の尤度ｐ１に変換される。判定部２３は、不良１の尤度ｐ１と、不良１のための閾値ｔ１との比較を行なう（ステップＳ２２）。比較の結果、不良１の尤度ｐ１が閾値ｔ１以上である場合（ステップＳ２２において「ｙｅｓ」の場合）、判定部２３は、尤度ｐ１と閾値ｔ１との差（ｐ１−ｔ１）を配列ａ［ ］に記憶させる（ステップＳ２３）。これに対して、比較の結果、不良１の尤度ｐ１が閾値ｔ１未満である場合（ステップＳ２２において「ｎｏ」の場合）、配列ａ［ ］にデータを格納せず、次のステップ（ステップＳ２４）へと進む。
前記処理を、不良の種別毎に行なう。つまり、演算部２２は、処理対象となる前記製品データＤａを、学習部２１が生成した不良ｎの不良品学習モデルＭｎを用いた演算アルゴリズムに入力し、この演算アルゴリズムから出力データを取得する。演算部２２は、この出力データに基づいて、前記製品データＤａを対象とした不良ｎの尤度ｐｎを算出する（ステップＳ２４）。更に、入力した製品データＤａと出力データとの差を求め、この差を判定値とする。この判定値は不良ｎの尤度ｐｎに変換される。判定部２３は、不良ｎの尤度ｐｎと、不良ｎのための閾値ｔｎとの比較を行なう（ステップＳ２５）。比較の結果、不良ｎの尤度ｐｎが閾値ｔｎ以上である場合（ステップＳ２５において「ｙｅｓ」の場合）、判定部２３は、尤度ｐｎと閾値ｔｎとの差（ｐｎ−ｔｎ）を配列ａ［ ］に記憶させる（ステップＳ２６）。これに対して、比較の結果、不良ｎの尤度ｐｎが閾値ｔｎ未満である場合（ステップＳ２５において「ｎｏ」の場合）、配列ａ［ ］にデータを格納せず、次のステップへと進む。
全ての不良の種別に関して、前記製品データＤａの処理が行われると、判定部２３は、配列ａ［ ］にデータが格納されているか否かを判定する（ステップＳ２７）。データが格納されている場合（ステップＳ２７で「ｙｅｓ」の場合）、判定部２３は、配列ａ［ ］の中で、前記差が最大となる不良ｎを抽出する。抽出された不良ｎが、処理対象となる前記製品データＤａの不良の種別であると判定する（ステップＳ２８）。
これに対して、配列ａ［ ］にデータが格納されていない場合（ステップＳ２７で「ｎｏ」の場合）、次のステップＳ２９へと進む。ステップＳ２９では、演算部２２は、処理対象となる前記製品データＤａを、学習部２１が生成した良品学習モデルを用いた演算アルゴリズムに入力し、この演算アルゴリズムから出力データを取得する。演算部２２は、この出力データに基づいて、良品の尤度ｐ０を算出する（ステップＳ２９）。なお、以下において行われる処理は、特に説明する場合を除いて、演算部２２が行なう処理である。本実施形態では、入力した製品データＤａと出力データとの差を求め、この差を判定値とする。この判定値は良品の尤度ｐ０に変換される。判定部２３は、良品の尤度ｐ０と、良品のための閾値ｔ０との比較を行なう（ステップＳ３０）。比較の結果、良品の尤度ｐ０が閾値ｔ０以上である場合（ステップＳ３０において「ｙｅｓ」の場合）、判定部２３は、対象となった製品データＤａは、良品データであると判定する（ステップＳ３１）。これに対して、比較の結果、良品の尤度ｐ０が閾値ｔ０未満である場合（ステップＳ３０において「ｎｏ」の場合）、判定部２３は、対象となった製品データＤａは、未知の不良のデータであると判定する（ステップＳ３２）。
前記のとおり、配列ａ［ ］にデータが格納されていない場合（ステップＳ２７で「ｎｏ」の場合）、つまり、全ての不良品の尤度が不良品の閾値未満である場合であって、良品の尤度ｐ０が閾値ｔ０未満である場合（ステップＳ３０において「ｎｏ」の場合）、判定部２３は、対象となった製品データＤａは、未知の不良によるデータであると判定する（ステップＳ３２）。
〔本実施形態の情報処理方法について〕
以上のように、本実施形態の情報処理方法には、学習ステップと、演算ステップと、判定ステップとが含まれる。演算ステップ及び判定ステップが、製品データ毎に繰り返し実行される。
学習ステップでは、良品データを対象とした教師ありの機械学習を行なって良品学習モデルを生成する（図４のステップＳ９）と共に、この良品学習モデルの生成とは別に、不良品データを対象とした教師ありの機械学習を不良の種別毎に行なって不良の種別毎の不良品学習モデルを生成する（図４のステップＳ１、ステップＳ２）。学習ステップは、学習部２１によって実行される。
演算ステップとして、対象となる製品データＤａを入力データとして前記良品学習モデルを用いた演算により得られる出力データから、良品の尤度ｐ０を求める（ステップＳ２９）と共に、当該製品データＤａを入力データとして前記不良品学習モデルを用いた演算により得られる出力データから、不良品の尤度（ｐ１、・・・ｐｎ）を不良の種別毎に求める（ステップＳ２１、ステップＳ２４）。
本実施形態では、演算ステップとして、更に、良品の尤度ｐ０と良品の閾値ｔ０との比較を行う（ステップＳ３０）と共に、不良の種別毎に不良品の尤度（ｐ１、・・・ｐｎ）と不良品の閾値（ｔ１、・・・ｔｎ）との比較を行う（ステップＳ２２、ステップＳ２５）。なお、図４に示されるフローとは異なり、良品の尤度ｐ０と閾値ｔ０との比較を先に行ってから、不良品の尤度（ｐ１、・・・ｐｎ）と閾値（ｔ１、・・・ｔｎ）との比較を行ってもよい。しかし、本実施形態では、図４に示されるフローのとおり、先に、不良品の尤度（ｐ１、・・・ｐｎ）と閾値（ｔ１、・・・ｔｎ）との比較を不良の種別毎に行ってから、良品の尤度ｐ０と閾値ｔ０との比較を後で行うのが好ましい。演算ステップは、演算部２２によって実行される。
判定ステップとして、演算ステップにおいて求められた良品の尤度ｐ０及び不良の種別毎の不良品の尤度（ｐ１、・・・ｐｎ）が、尤度に関する「所定の条件」を満たす場合に、対象となる前記製品データＤａは、未知の不良によるデータであると判定する（ステップＳ３２）。つまり、前記実施形態のように、不良の種別毎に不良品の尤度（ｐ１、・・・ｐｎ）と不良品の閾値（ｔ１、・・・ｔｎ）との比較が行われる（ステップＳ２２、ステップＳ２５）と共に、良品の尤度ｐ０と良品の閾値ｔ０との比較が行われ（ステップＳ２９）、不良の種別毎に行った前記比較の結果、全ての不良品の尤度（ｐ１、・・・ｐｎ）が不良品の閾値（ｔ１、・・・ｔｎ）未満であり、かつ、良品の尤度ｐ０が良品の閾値ｔ０未満である場合、対象となる前記製品データＤａは、未知の不良によるデータであると判定される。つまり、前記「所定の条件」とは、「不良の種別毎に行った前記比較の結果、全ての不良品の尤度（ｐ１、・・・ｐｎ）が不良品の閾値（ｔ１、・・・ｔｎ）未満であり、かつ、良品の尤度ｐ０が良品の閾値ｔ０未満であるという条件」である。
前記比較の結果、「全ての不良品の尤度（ｐ１、・・・ｐｎ）が不良品の閾値（ｔ１、・・・ｔｎ）未満である」ということは、対象となる製品データＤａに不良らしさが無いことを意味する。そして、「良品の尤度ｐ０が良品の閾値ｔ０未満である」ということは、対象となる製品データＤａに良品らしさが無いことを意味する。このため、対象となる製品データＤａを、未知の不良によるデータであると判定することが可能となる。
判定ステップにおいて、不良の種別毎に行った比較の結果、複数の不良の種別について（例えば、不良１及び不良ｎについて）不良品の尤度が不良品の閾値以上である場合（ｐ１≧ｔ１、かつ、ｐｎ≧ｔｎの場合）つまり、ステップＳ２２において「ｙｅｓ」であり、ステップＳ２５においても「ｙｅｓ」である場合、これら複数の不良の種別のうち、不良品の閾値との差が最も大きい不良の種別が、対象となる製品データＤａの不良の種別であると判定する。例えば、不良１の尤度ｐ１とその閾値ｔ１との差（ｐ１−ｔ１）がαであり、不良ｎの尤度ｐｎとその閾値ｔｎとの差（ｐｎ−ｔｎ）がβであり、αがβよりも大きい場合、対象となる製品データＤａは、不良データであり、不良の種別は「不良１」であると判定する。差（ｐ１−ｔ１）は、配列ａ［ ］に格納されており、この差（ｐ１−ｔ１）が最大となることから、不良の種別が「不良１」であると判定される。
ここで、前記「不良品の尤度が不良品の閾値以上」であり「不良品の尤度と不良品の閾値との差が最も大きい」ということは、複数の不良の種別の中で、最もその不良の種別らしいということを意味する。このため、複数の不良の種別について不良品の尤度が不良品の閾値以上となる場合（ｐ１≧ｔ１、かつ、ｐｎ≧ｔｎの場合）であっても、尤もらしい一つの不良の種別を判定することが可能となる。
また、判定ステップにおいて、不良の種別毎に行った比較の結果（ステップＳ２２、ステップＳ２５）、一つの種別についての不良品の尤度が不良品の閾値以上である場合、対象となる製品データＤａは、当該一つの種別の不良によるデータであると判定する。例えば、不良１の尤度ｐ１がその閾値ｔ１以上であり（ステップＳ２２において「ｙｅｓ」であり）、その他の全部の不良の尤度がその閾値未満である場合、不良１の尤度ｐ１に関するデータのみが配列ａ［ ］に格納される。このため、ステップＳ２８によれば、不良の種別が「不良１」であると判定される。このような判定が行われることで、尤もらしい一つの不良の種別を判定することが可能となる。
また、判定ステップにおいて、不良の種別毎に行った比較の結果、全ての不良品の尤度（ｐ１、・・・ｐｎ）が不良品の閾値（ｔ１、・・・ｔｎ）未満であり（ステップＳ２２及びステップＳ２５それぞれにおいて「ｎｏ」であり）、かつ、良品の尤度ｐ０が良品の閾値ｔ０以上である場合（ステップＳ３０において「ｙｅｓ」である場合）、対象となる製品データＤａは、良品によるデータであると判定する。つまり、前記比較の結果、「全ての不良品の尤度（ｐ１、・・・ｐｎ）が不良品の閾値未満（ｔ１、・・・ｔｎ）である」ということは、対象となる製品データＤａに不良らしさが無いことを意味する。そして、「良品の尤度ｐ０が良品の閾値ｔ０以上である」ということは、対象となる製品データＤａに良品らしさがあることを意味する。このため、対象となる製品データＤａを、良品によるデータであると判定することが可能となる。
以上のように、本実施形態の情報処理方法によれば、学習ステップにおいて、良品学習モデルとは別に不良の種別毎の不良品学習モデルが生成される。図５（Ａ）（Ｂ）（Ｃ）は、良品データ及び不良の種別毎の不良品データについて、本実施形態の学習ステップが実行されることで得られる、特徴量を表す空間のイメージ図である。つまり、良品データを対象とした教師ありの機械学習（良品学習）を行なって良品学習モデルを生成することで、図５（Ａ）に示されるように、良品を判定するための特徴量を表す空間において、良品データのみを包含し、しかも学習に使用した良品データの近くに設定される判定境界Ｌ０が得られる。不良１の不良品データを対象とした教師ありの機械学習（良品学習）を行なって不良品学習モデルＭ１を生成することで、図５（Ｂ）に示されるように、不良１を判定するための特徴量を表す空間において、不良１の不良品データのみを包含し、しかも学習に使用した不良品データの近くに設定される判定境界Ｌ１が得られる。更に、不良ｎの不良品データを対象とした教師ありの機械学習（良品学習）を行なって不良品学習モデルＭｎを生成することで、図５（Ｃ）に示されるように、不良ｎを判定するための特徴量を表す空間において、不良ｎの不良品データのみを包含し、しかも学習に使用した不良品データの近くに設定される判定境界Ｌ３が得られる。以上、図５（Ａ）（Ｂ）（Ｃ）に示されるように、良品及び不良品（種別毎）の判別を行なうためのいわゆる判定の境界が、良品及び不良の種別毎に、相互で異なる空間として別々に得られる。
したがって、対象となる製品データＤａを入力データとして演算ステップにおいて求められた良品の尤度及び不良の種別毎の不良品の尤度が、尤度に関する前記所定の条件を満たす場合に、その対象となる製品データを、未知の不良によるデータであると判定する（ステップＳ３２）ことが可能となる。つまり、図５（Ａ）（Ｂ）（Ｃ）に示される特徴量を表す各空間において、製品データＤａの特徴量が、各判定境界の外の領域に存在する場合、その製品データＤａは未知の不良によるデータであると判定される。
なお、従来の情報処理方法では、図６により説明したように、対象となる製品データが、未知の不良のデータ（矢印Ｅ）であり、その特徴が（既知の不良１及び良品の特徴とは隔たりがあるが）既知の不良１よりも良品に似ていると、この不良データは良品のデータであると判定されてしまうという。しかし、本実施形態の情報処理方法によれば、対象となる製品データＤａが未知の不良のデータである場合、その製品データＤａは未知の不良によるデータであると判定することができる。すなわち、不良品が良品として判定されてしまうことを防ぐことが可能となる。
また、本実施形態では、前記のとおり（図４参照）、判定ステップとして、不良の種別毎に求められた不良品の尤度（ｐ１、・・・ｐｎ）が、尤度に関する所定の条件を満たすか否かを判定してから、良品の尤度ｐ０が、尤度に関する所定の条件を満たすか否かを判定する。このため、対象となる製品データＤａが不良品によるデータであるのに、良品によるデータであると判定される間違いが発生し難くなる。
今回開示した実施形態はすべての点で例示であって制限的なものではない。本発明の権利範囲は、上述の実施形態に限定されるものではなく、特許請求の範囲の範囲に記載された構成と均等の範囲内でのすべての変更が含まれる。
対象となる製品は、ステアリング装置及び転がり軸受以外であってもよく、様々な組立品及び機械部品が対象となる。また、製品データは、振動データ及び画像データ以外であってもよく、温度データ（温度変化データ）等であってもよい。前記実施形態では、入力データである製品データと出力データとの差を判定値として求め、この判定値を尤度に変換する場合について説明したが、尤度の算出については他の手段であってもよい。
１０：情報処理装置
２１：学習部
２２：演算部
２３：判定部
Ｄａ：製品データ
Ｍ１、Ｍ２、Ｍ３：不良品学習モデル

Claims (8)

  1. 良品データを対象とした教師ありの機械学習を行なって良品学習モデルを生成すると共に、不良品データを対象とした教師ありの機械学習を不良の種別毎に行なって不良の種別毎の不良品学習モデルを生成する学習ステップと、
    対象となる製品データを入力データとして前記良品学習モデルを用いた演算により得られる出力データから、良品の尤度を求めると共に、当該製品データを入力データとして前記不良品学習モデルを用いた演算により得られる出力データから、不良品の尤度を不良の種別毎に求める演算ステップと、
    前記演算ステップにおいて求められた前記良品の尤度及び不良の種別毎の前記不良品の尤度が、尤度に関する所定の条件を満たす場合に、対象となる前記製品データは、未知の不良によるデータであると判定する判定ステップと、
    を含む情報処理方法。
  2. 前記演算ステップでは、更に、前記良品の尤度と良品の閾値との比較を行うと共に、不良の種別毎に前記不良品の尤度と不良品の閾値との比較を行い、
    前記判定ステップにおいて、不良の種別毎に行った前記比較の結果、全ての前記不良品の尤度が前記不良品の閾値未満であり、かつ、良品の尤度が良品の閾値未満である場合、対象となる前記製品データは、未知の不良によるデータであると判定する、請求項１に記載の情報処理方法。
  3. 前記判定ステップにおいて、不良の種別毎に行った前記比較の結果、複数の不良の種別について前記不良品の尤度が前記不良品の閾値以上である場合、当該複数の不良の種別のうち、前記不良品の閾値との差が最も大きい不良の種別が、対象となる前記製品データの不良の種別であると判定する、請求項２に記載の情報処理方法。
  4. 前記判定ステップにおいて、不良の種別毎に行った前記比較の結果、一つの種別についての前記不良品の尤度が前記不良品の閾値以上である場合、対象となる前記製品データは、当該一つの種別の不良によるデータであると判定する、請求項２又は３に記載の情報処理方法。
  5. 前記判定ステップにおいて、不良の種別毎に行った前記比較の結果、全ての前記不良品の尤度が前記不良品の閾値未満であり、かつ、良品の尤度が良品の閾値以上である場合、対象となる前記製品データは、良品によるデータであると判定する、請求項２〜４のいずれか一項に記載の情報処理方法。
  6. 前記判定ステップにおいて、不良の種別毎に求められた前記不良品の尤度が、尤度に関する前記所定の条件を満たすか否かを判定してから、前記良品の尤度が、尤度に関する前記所定の条件を満たすか否かを判定する、請求項１〜５のいずれか一項に記載の情報処理方法。
  7. 良品データを対象とした教師ありの機械学習を行なって良品学習モデルを生成すると共に、不良品データを対象とした教師ありの機械学習を不良の種別毎に行なって不良の種別毎の不良品学習モデルを生成する学習部と、
    対象となる製品データを入力データとして前記良品学習モデルを用いた演算により得られる出力データから、良品の尤度を求めると共に、当該製品データを入力データとして前記不良品学習モデルを用いた演算により得られる出力データから、不良品の尤度を不良の種別毎に求める演算部と、
    前記演算部により求められた前記良品の尤度及び不良の種別毎の前記不良品の尤度が、尤度に関する所定の条件を満たす場合に、対象となる前記製品データは、未知の不良によるデータであると判定する判定部と、
    を備える情報処理装置。
  8. コンピュータを、
    良品データを対象とした教師ありの機械学習を行なって良品学習モデルを生成すると共に、不良品データを対象とした教師ありの機械学習を不良の種別毎に行なって不良の種別毎の不良品学習モデルを生成する学習部、
    対象となる製品データを入力データとして前記良品学習モデルを用いた演算により得られる出力データから、良品の尤度を求めると共に、当該製品データを入力データとして前記不良品学習モデルを用いた演算により得られる出力データから、不良品の尤度を不良の種別毎に求める演算部、
    及び、
    前記演算部により求められた前記良品の尤度及び不良の種別毎の前記不良品の尤度が、尤度に関する所定の条件を満たす場合に、対象となる前記製品データは、未知の不良によるデータであると判定する判定部、
    として機能させるためのプログラム。
JP2018099519A 2018-05-24 2018-05-24 情報処理方法、情報処理装置、及びプログラム Active JP7102941B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2018099519A JP7102941B2 (ja) 2018-05-24 2018-05-24 情報処理方法、情報処理装置、及びプログラム
US16/418,179 US10634621B2 (en) 2018-05-24 2019-05-21 Information processing method, information processing apparatus, and program
CN201910433312.4A CN110533058A (zh) 2018-05-24 2019-05-23 信息处理方法、信息处理装置及程序
DE102019113830.2A DE102019113830A1 (de) 2018-05-24 2019-05-23 Informationsverarbeitungsverfahren, Informationsverarbeitungsgerät und Programm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018099519A JP7102941B2 (ja) 2018-05-24 2018-05-24 情報処理方法、情報処理装置、及びプログラム

Publications (2)

Publication Number Publication Date
JP2019204321A true JP2019204321A (ja) 2019-11-28
JP7102941B2 JP7102941B2 (ja) 2022-07-20

Family

ID=68499588

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018099519A Active JP7102941B2 (ja) 2018-05-24 2018-05-24 情報処理方法、情報処理装置、及びプログラム

Country Status (4)

Country Link
US (1) US10634621B2 (ja)
JP (1) JP7102941B2 (ja)
CN (1) CN110533058A (ja)
DE (1) DE102019113830A1 (ja)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021096157A (ja) * 2019-12-17 2021-06-24 Ntn株式会社 軸受検査装置、検査方法、および検査プログラム
WO2022130762A1 (ja) * 2020-12-15 2022-06-23 Ａｇｃ株式会社 欠陥検査装置、欠陥検査方法および製造方法
US20230117055A1 (en) * 2020-03-05 2023-04-20 Siemens Aktiengesellschaft Methods and systems for workpiece quality control
JP2023527615A (ja) * 2021-04-28 2023-06-30 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 目標対象検出モデルのトレーニング方法、目標対象検出方法、機器、電子機器、記憶媒体及びコンピュータプログラム

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102638267B1 (ko) * 2018-12-03 2024-02-21 삼성전자주식회사 반도체 웨이퍼 불량 분석 시스템 및 그것의 동작 방법
US11443092B2 (en) * 2020-05-11 2022-09-13 Synopsys, Inc. Defect weight formulas for analog defect simulation
CN114648480A (zh) * 2020-12-17 2022-06-21 杭州海康威视数字技术股份有限公司 表面缺陷检测方法、装置及系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0392795A (ja) * 1989-09-05 1991-04-17 Toshiba Corp 原子力発電プラントの診断方法
JP2018032071A (ja) * 2016-08-22 2018-03-01 株式会社クレスコ 検証装置、検証方法及び検証プログラム
WO2019167180A1 (ja) * 2018-02-28 2019-09-06 日産自動車株式会社 異常種別判定装置及び異常種別判定方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5137805B2 (ja) 2008-12-15 2013-02-06 キヤノン株式会社 検査システム及びその制御方法、コンピュータプログラム
US10248888B2 (en) * 2014-11-28 2019-04-02 Canon Kabushiki Kaisha Classifying method, storage medium, inspection method, and inspection apparatus
US9959482B2 (en) * 2014-11-28 2018-05-01 Canon Kabushiki Kaisha Classifying method, storage medium, inspection method, and inspection apparatus
JP2016115331A (ja) * 2014-12-12 2016-06-23 キヤノン株式会社 識別器生成装置、識別器生成方法、良否判定装置、良否判定方法、プログラム
US20170147909A1 (en) * 2015-11-25 2017-05-25 Canon Kabushiki Kaisha Information processing apparatus, information processing method, and storage medium

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH0392795A (ja) * 1989-09-05 1991-04-17 Toshiba Corp 原子力発電プラントの診断方法
JP2018032071A (ja) * 2016-08-22 2018-03-01 株式会社クレスコ 検証装置、検証方法及び検証プログラム
WO2019167180A1 (ja) * 2018-02-28 2019-09-06 日産自動車株式会社 異常種別判定装置及び異常種別判定方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021096157A (ja) * 2019-12-17 2021-06-24 Ntn株式会社 軸受検査装置、検査方法、および検査プログラム
JP7366729B2 (ja) 2019-12-17 2023-10-23 Ntn株式会社 軸受検査装置、検査方法、および検査プログラム
US20230117055A1 (en) * 2020-03-05 2023-04-20 Siemens Aktiengesellschaft Methods and systems for workpiece quality control
WO2022130762A1 (ja) * 2020-12-15 2022-06-23 Ａｇｃ株式会社 欠陥検査装置、欠陥検査方法および製造方法
JP2023527615A (ja) * 2021-04-28 2023-06-30 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 目標対象検出モデルのトレーニング方法、目標対象検出方法、機器、電子機器、記憶媒体及びコンピュータプログラム

Also Published As

Publication number Publication date
JP7102941B2 (ja) 2022-07-20
CN110533058A (zh) 2019-12-03
DE102019113830A1 (de) 2019-11-28
US10634621B2 (en) 2020-04-28
US20190360942A1 (en) 2019-11-28

Similar Documents

Publication Publication Date Title
JP2019204321A (ja) 情報処理方法、情報処理装置、及びプログラム
JP2020500420A (ja) マシンラーニング基盤の半導体製造の収率予測システム及び方法
KR102564629B1 (ko) 공간 왜곡 유사도를 사용하는 툴 오류 분석
JP7470784B2 (ja) 異常機器トレース検出および分類
US20200402221A1 (en) Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device
CN116453438B (zh) 一种显示屏参数检测方法、装置、设备及存储介质
JP2020198092A (ja) 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム
TW201945987A (zh) 製程異常狀態預判方法及預判系統
Yan et al. Rotating machinery fault diagnosis based on a novel lightweight convolutional neural network
Van den Hoogen et al. An improved wide-kernel CNN for classifying multivariate signals in fault diagnosis
CN116777861B (zh) 一种激光雕刻机打标质量检测方法及系统
WO2019180868A1 (ja) 画像生成装置、画像生成方法および画像生成プログラム
KR102623389B1 (ko) 센서 데이터에 기반한 복수의 제조 공정 장비 간 정합성검사 방법, 장치 및 프로그램
CN115905990A (zh) 一种基于密度聚集算法的变压器油温异常监测方法
JP2019204232A (ja) 情報処理方法、情報処理装置、及びプログラム
JP7206892B2 (ja) 画像検査装置、画像検査のための学習方法および画像検査プログラム
Decker et al. Does your model think like an engineer? explainable ai for bearing fault detection with deep learning
JP2008117380A (ja) 診断プロセス支援方法とそのためのプログラム
JP7344501B1 (ja) プログラム、方法、情報処理装置、システム
WO2023166776A1 (ja) 外観分析システム、外観分析方法、及びプログラム
JP7287093B2 (ja) 学習プログラム、学習方法および学習装置
CN117591970B (zh) 一种全自动组装设备的故障预警方法及系统
CN117786374B (zh) 一种基于图神经网络的多变量时序异常检测方法及系统
CN114997554B (zh) 复杂机械设备健康状况的评估方法、装置和存储介质
US20230176556A1 (en) Systems and methods for detecting manufacturing anomalies

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20210413

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20220323

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20220405

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20220517

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20220607

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20220620

R150 Certificate of patent or registration of utility model

Ref document number: 7102941

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150