JP2020003906A - 中間工程状態推定方法 - Google Patents
中間工程状態推定方法 Download PDFInfo
- Publication number
- JP2020003906A JP2020003906A JP2018120646A JP2018120646A JP2020003906A JP 2020003906 A JP2020003906 A JP 2020003906A JP 2018120646 A JP2018120646 A JP 2018120646A JP 2018120646 A JP2018120646 A JP 2018120646A JP 2020003906 A JP2020003906 A JP 2020003906A
- Authority
- JP
- Japan
- Prior art keywords
- state
- label
- input
- generator
- generated
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/772—Determining representative reference patterns, e.g. averaging or distorting patterns; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Image Analysis (AREA)
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
【課題】初期状態から複数の中間成形物を経て最終状態に至る成形工程に対し、成形に最適な変形過程における中間工程状態を時系列で良好に推定することができる中間工程状態推定方法を提供する。【解決手段】中間工程状態推定方法は、生成器を2つ用い、それぞれの生成器には共通の入力ノイズを入力すると共に、一方の生成器にはあるステップに対応したラベルを入力し、他方の生成器にはあるステップとは異なるステップに対応したラベルを入力して、それぞれの生成器が生成した生成データと訓練用データとのいずれか一方を識別器にランダムに入力し、識別器の識別結果から生成器及び識別器を敵対的に学習させ、学習済みの生成器に所望の最終状態に対応する入力ノイズ及び中間工程状態を推定したいステップに対応したラベルを入力し、当該生成器が生成した生成データにより中間工程状態を推定する。【選択図】図2
Description
本発明は、初期状態から複数の中間成形物を経て最終状態に至る成形工程に対し、成形に最適な初期状態から最終状態に至る変形過程における中間工程状態を時系列で推定する中間工程状態推定方法に関する。
近年、敵対的ネットワーク(GAN:Generative Adversarial Networks)などの、ディープラーニング(深層学習)を利用した機械学習手法が提案されている。GANは、生成器(Generator)と識別器(Discriminator)の2種類のニューラルネットワークを有し、生成器と識別器を敵対的に学習させる機械学習手法である。すなわち、GANでは、生成器が識別器を欺こうとして学習し、識別器がより正確に識別しようとして学習する、というように、生成器と識別器が対立し合って学習していく。
例えば、GANを顔画像の生成を目的として用いる場合、生成器が、[−1,1]の範囲でランダムに選択されたベクトルである潜在ノイズを入力として生成画像を生成し、識別器に、当該生成画像か、顔の訓練用画像か、のいずれかをランダムに与える。識別器では、与えられた画像が生成画像か訓練用画像かを識別する。識別器における識別の正誤を誤差逆伝播することにより生成器と識別器を敵対的に学習させることで、生成器は、顔の訓練用画像の特徴を捉えた生成画像を出力するようになる。
さらに、非特許文献1には、上述したGANの技術をベースとし、顔の入力画像をラベルベクトルの表す年齢層に対応して変化させるようにした、Age−cGAN(Age−conditional GAN)の技術が開示されている。Age−cGANでは、エンコーダにより顔の入力画像に基づいて推定された潜在ノイズとともに、人のある年齢層(例えば60代)を表すラベルベクトルを、GANで学習済みの生成器に入力する。そして、当該生成器では、顔の入力画像がラベルベクトルの年齢層に対応するように変化させた生成画像を出力する。
Grigory Antipov, Moez Baccouche, Jean-Luc Dugelay, arXiv:1702.01983v2, 30 May 2017
ところで、鍛造成形工程のように、初期状態(素材の形状)から複数の中間成形物を経て最終状態(最終成形物の形状)に至る成形工程では、予め分かっている初期状態と最終状態から、成形に最適な中間工程状態を時系列的に推定する必要がある。初期状態から最終状態に至る変形過程は成形性を考慮したものでなくてはならない。例えば、鍛造成形工程では、複数の中間成形物と最終成形物を得るための金型を予め製作する必要がある。初期状態から最終状態に至る変形過程が成形性を考慮したものでないとすると、最終状態において意図しない欠陥が生じる、金型の寿命が短くなる、といった不具合が生じる。
このようなことから、初期状態から複数の中間成形物を経て最終状態に至る成形工程では、初期状態である素材の形状と最終状態である最終成形物の形状から、成形に適した変形過程を推定しなくてはならない。このような成形工程に対して、成形に適した変形過程における中間工程状態を時系列で推定する作業は、熟練の技術者が過去の経験と勘に基づいて行っていた。そして、CAEなどのシミュレーションツールによる解析で、熟練の技術者が推定した中間工程状態の妥当性を確認した上で中間工程状態の設計を確定させていた。
上述したように、初期状態から複数の中間成形物を経て最終状態に至る成形工程に対して、成形に最適な変形過程における中間工程状態を時系列で推定するためには熟練を要する。このため、このような成形工程に対し、ディープラーニングを利用した生成モデルにより、成形に最適な変形過程における中間工程状態を時系列で推定する技術が望まれる。
しかしながら、非特許文献1に開示されたAge−cGANの技術では、時系列関係を学習させることが困難である。例えば、Age−cGANにおいて、エンコーダにより顔の入力画像に基づいて推定された潜在ノイズとともに、60代の年齢を表すラベルベクトルを生成器に入力した場合、生成器は入力画像を60代に対応するように変化させる。しかし、非特許文献1に開示されたAge−cGANでは、例えば、45歳前後、50歳前後、55歳前後、60歳前後、を表すラベルベクトルをそれぞれ生成器に入力した場合、生成器によってそれぞれ出力された生成画像が時系列(年齢)通りにはならないことがあった。
このため、非特許文献1に開示されたAge−cGANの技術では、初期状態から複数の中間成形物を経て最終状態に至る成形工程に対し、成形に最適な変形過程における中間工程状態を時系列で精度良く推定することができなかった。つまり、非特許文献1に開示されたAge−cGANの技術で予測した、一連の中間工程状態は、時系列の前後で加工量が逆転してしまっている(例えば、工程が後の中間工程状態において、工程が前の中間工程状態に対し突出している部分ができている)など、実際の成形工程では実現できないものとなっている場合がある。
本発明は、以上の背景に鑑みなされたものであり、初期状態から複数の中間成形物を経て最終状態に至る成形工程に対し、成形に最適な変形過程における中間工程状態を時系列で良好に推定することができる中間工程状態推定方法を提供することを目的とする。
本発明は、初期状態から複数の中間成形物を経て最終状態に至る成形工程に対し、成形に最適な初期状態から最終状態に至る変形過程における中間工程状態を時系列で推定する中間工程状態推定方法であって、入力ノイズ、及び、前記成形工程の有する複数のステップに含まれるステップに対応したラベルが入力されることにより当該ラベルに対応した生成データを生成する生成器を2つ用い、それぞれの生成器には共通の入力ノイズを入力すると共に、一方の生成器には前記複数のステップのうちのあるステップに対応したラベルを入力し、他方の生成器には前記複数のステップのうちの前記あるステップとは異なるステップに対応したラベルを入力して、前記それぞれの生成器において、入力されたラベルに対応した生成データを生成させ、前記一方の生成器が生成した生成データに対応のラベルをリンクしたもの及び前記他方の生成器が生成した生成データに対応のラベルをリンクしたものからなる生成データ対と、前記一方の生成器に入力されたラベルに対応した訓練用データに対応のラベルをリンクしたもの及び前記他方の生成器に入力されたラベルに対応した訓練用データに対応のラベルをリンクしたものからなる訓練用データ対と、のいずれか一方がランダムに入力され、入力されたデータ対が前記生成データ対か前記訓練用データ対かを識別する識別器を用い、前記識別器における識別の正誤の結果から前記それぞれの生成器及び前記識別器を敵対的に学習させ、学習済みの前記それぞれの生成器のいずれか一方に、前記初期状態から複数の中間成形物を経て最終状態に至る成形工程で成形される所望の最終状態に対応する入力ノイズ、及び、前記複数のステップに含まれる中間工程状態を推定したいステップに対応したラベルを入力し、当該生成器が生成した生成データに基づいて当該推定したいステップにおける中間工程状態を推定するものである。
初期状態から複数の中間成形物を経て最終状態に至る成形工程に対し、成形に最適な変形過程における中間工程状態を時系列で良好に推定することができる。
さらに、前記成形工程を複数のサブ工程に分割し、前記サブ工程における各ステップのラベルは、当該サブ工程に対応したベクトル要素の値を、当該サブ工程におけるステップの時系列順の最初を0、最後を1として正規化した数値とするものである。
以上のようにPairGANの手法における、各ステップに対応したラベルを設定することで、各ステップを表すラベルによって時系列の前後関係を表現することができる。
以上のようにPairGANの手法における、各ステップに対応したラベルを設定することで、各ステップを表すラベルによって時系列の前後関係を表現することができる。
さらに、前記成形工程で成形される所望の最終状態に対応する入力ノイズは、前記所望の最終状態のデータ及び前記複数のステップにおける最終状態に対応したラベルを、学習済みのエンコーダに入力することで生成し、前記エンコーダの学習は、学習済みの前記生成器に入力ノイズ及び前記複数のステップに含まれる各ステップに対応したラベルをランダムに変えて入力してエンコーダ訓練用データを生成し、前記エンコーダ訓練用データ及び前記エンコーダ訓練用データを生成する際に用いたラベルを前記エンコーダに入力させて前記エンコーダに入力ノイズを生成させ、当該入力ノイズと前記エンコーダ訓練用データを生成する際に用いたラベルとを前記生成器に入力させて前記生成器に生成データを生成させ、当該生成データと前記エンコーダ訓練用データとの誤差を前記エンコーダに逆伝播させることによって行うものである。エンコーダを用いることで、初期状態から複数の中間成形物を経て最終状態に至る成形工程における任意のステップの中間工程状態を良好に推定することができる。
本発明によれば、初期状態から複数の中間成形物を経て最終状態に至る成形工程に対し、成形に最適な変形過程における中間工程状態を時系列で良好に推定することができる。
以下、発明の実施の形態を通じて本発明を説明するが、特許請求の範囲に係る発明を以下の実施形態に限定するものではない。また、実施形態で説明する構成の全てが課題を解決するための手段として必須であるとは限らない。説明の明確化のため、以下の記載及び図面は、適宜、省略、及び簡略化がなされている。各図面において、同一の要素には同一の符号が付されており、必要に応じて重複説明は省略されている。
本実施の形態にかかる中間工程状態推定方法は、Age−cGANの手法を改変した手法(以下、PairGANの手法という)を用いて、初期状態から複数の中間成形物を経て最終状態に至る成形工程における成形に最適な初期状態から最終状態に至る変形過程における中間工程状態を時系列で推定するものである。本実施の形態では、初期状態から複数の中間成形物を経て最終状態に至る成形工程が鍛造成形工程であるとして説明する。
図1は、本実施の形態にかかる中間工程状態推定方法を適用する鍛造成形工程に対し、形状を画像として扱う実施例について説明する模式図である。図1の上段左側に示すように、鍛造成形工程において、成形物の状態(形状)は軸対称であるので、PairGANの手法では、図1の上段右側に示すように、成形物の初期状態、最終状態および中間工程状態について、断面図を白黒画像で表現する。また、図1の下段に示すように、成形物の初期状態と最終状態との間における一連の変形過程を、複数のステップに分割する。例えば、鍛造成形工程は、3つのサブ工程(第1部分工程、第2部分工程、第3部分工程)に分けられ、第1部分工程を約30ステップ、第2部分工程を約20ステップ、第3部分工程を約30ステップに分割する。すなわち、鍛造成形工程は約80ステップに分割される。
図2は、本実施の形態にかかる中間工程状態推定方法で用いるPairGANの手法における学習方法について説明する模式図である。図2に示すように、本実施の形態にかかる中間工程状態推定方法で用いるPairGANの手法では、2つの生成器1、2と、識別器3と、を用いている。
生成器1、2は、入力ノイズ及び成形工程の有する複数のステップに含まれるステップに対応したラベルが入力されることによりラベルに対応した生成データとしての生成画像を生成するものである。一方の生成器1には、入力ノイズと、複数のステップのうちのあるステップiに対応したラベルと、を入力する。ここで、入力ノイズは、例えば[−1,1]の範囲でランダムに選択されたベクトル(潜在ノイズ)である。他方の生成器2には、生成器1に入力したものと共通の入力ノイズと、複数のステップのうちのあるステップiとは異なるステップjに対応したラベルを入力する。そして、それぞれの生成器1、2において、入力されたラベルに対応した生成画像を生成させる。
識別器3には、生成データ対と訓練用データ対とのいずれか一方が入力される。ここで、生成データ対は、一方の生成器1が生成した生成データに対応のラベルをリンクしたもの及び他方の生成器2が生成した生成データに対応のラベルをリンクしたものからなる。訓練用データ対は、一方の生成器1に入力されたラベルiに対応した訓練用データとしての訓練用画像に対応のラベルをリンクしたもの及び他方の生成器2に入力されたラベルjに対応した訓練用データとしての訓練用画像に対応のラベルをリンクしたものからなる。識別器3は、入力されたデータ対が生成データ対か訓練用データ対かを識別する。
そして、識別器3における、入力されたデータ対が生成データ対か訓練用データ対かについての識別の正誤の結果から、それぞれの生成器1、2及び識別器3を敵対的に学習させる。
図3は、図2を参照して説明した学習方法により学習済みの生成器1または2を用いて中間工程状態を推定する方法について説明する模式図である。図3に示すように、学習済みの生成器1に、初期状態から複数の中間成形物を経て最終状態に至る成形工程で成形される所望の最終状態に対応する入力ノイズ(推定ノイズ)、及び、成形工程に含まれる複数のステップにおける中間工程状態を推定したいステップに対応したラベルを入力する。なお、推定ノイズの生成方法については後述する。そして、生成器1が生成した生成画像に基づいて当該推定したいステップにおける中間工程状態を推定する。つまり、生成器1が生成した生成画像が、成形に最適な初期状態から最終状態に至る変形過程の推定したいステップにおける中間工程状態であると推定する。なお、生成器1と生成器2は、内部パラメータを共有しており、どちらを用いても良い。
次に、PairGANの手法における、各ステップに対応したラベルの設定方法について説明する。
図4は、PairGANの手法における、各ステップに対応したラベルの設定方法について説明する模式図である。図4に示すように、ラベルは4つのベクトル要素(第1要素〜第4要素)から構成されるベクトルである。上述したように、初期状態から複数の中間成形物を経て最終状態に至る成形工程は、複数のサブ工程に分割され、複数のサブ工程がさらに複数のステップに分割されている。ここでは、工程が3つのサブ工程(第1部分工程、第2部分工程、第3部分工程)に分割され、第1部分工程が30ステップ、第2部分工程が20ステップ、第3部分工程が30ステップに分割されているとする。
図4は、PairGANの手法における、各ステップに対応したラベルの設定方法について説明する模式図である。図4に示すように、ラベルは4つのベクトル要素(第1要素〜第4要素)から構成されるベクトルである。上述したように、初期状態から複数の中間成形物を経て最終状態に至る成形工程は、複数のサブ工程に分割され、複数のサブ工程がさらに複数のステップに分割されている。ここでは、工程が3つのサブ工程(第1部分工程、第2部分工程、第3部分工程)に分割され、第1部分工程が30ステップ、第2部分工程が20ステップ、第3部分工程が30ステップに分割されているとする。
ステップが第1部分工程にある場合、ラベルにおいて、第1要素v1と第2要素v2を使用する。ステップが第2部分工程にある場合、ラベルにおいて、第2要素v2と第3要素v3を使用する。ステップが第3部分工程にある場合、ラベルにおいて、第3要素v3と第4要素v4を使用する。使用しない要素には0を入れる。
サブ工程における各ステップのラベルは、当該サブ工程に対応したベクトル要素の値を、当該サブ工程におけるステップの時系列順の最初を0、最後を1として正規化した数値とする。第1部分工程に含まれる各ステップにおいて、上記正規化した数値は第2要素v2に入れ、第1要素v1には1から第2要素v2の値を引いた値を入れ、第3要素v3及び第4要素v4には0を入れる。第2部分工程に含まれる各ステップにおいて、上記正規化した数値は第3要素v3に入れ、第2要素v2には1から第3要素v3の値を引いた値を入れ、第1要素v1及び第4要素v4には0を入れる。第3部分工程に含まれる各ステップにおいて、上記正規化した数値は第4要素v4に入れ、第3要素v3には1から第4要素v4の値を引いた値を入れ、第1要素v1及び第2要素v2には0を入れる。
図5は、第1部分工程におけるステップのラベルの例を示す模式図である。図5の上段に示すように、第1部分工程のステップ6における上記正規化した数値は0.2(6/30=0.2)であるので、第2要素v2には0.2を入れ、第1要素v1には1から第2要素v2の値0.2を引いた値である0.8(1−0.2=0.8)を入れる。また、図5の下段に示すように、第1部分工程のステップ24における上記正規化した数値は0.8(24/30=0.8)であるので、第2要素v2には0.8を入れ、第1要素v1には1から第2要素v2の値0.8を引いた値である0.2(1−0.8=0.2)を入れる。
第2部分工程の場合も同様である。図6は、第2部分工程におけるステップのラベルの例を示す模式図である。図6の上段に示すように、第2部分工程のステップ4における上記正規化した数値は0.2(4/20=0.2)であるので、第3要素v3には0.2を入れ、第2要素v2には1から第3要素v3の値0.2を引いた値である0.8(1−0.2=0.8)を入れる。また、図6の下段に示すように、第2部分工程のステップ16における上記正規化した数値は0.8(16/20=0.8)であるので、第3要素v3には0.8を入れ、第2要素v2には1から第3要素v3の値0.8を引いた値である0.2(1−0.8=0.2)を入れる。
第3部分工程の場合も同様である。図7は、第3部分工程におけるステップのラベルの例を示す模式図である。図7の上段に示すように、第3部分工程のステップ6における上記正規化した数値は0.2(6/30=0.2)であるので、第4要素v4には0.2を入れ、第3要素v3には1から第4要素v4の値0.2を引いた値である0.8(1−0.2=0.8)を入れる。また、図7の下段に示すように、第3部分工程のステップ24における上記正規化した数値は0.8(24/30=0.8)であるので、第4要素v4には0.8を入れ、第3要素v3には1から第4要素v4の値0.8を引いた値である0.2(1−0.8=0.2)を入れる。
以上のようにPairGANの手法における、各ステップに対応したラベルを設定することで、各ステップを表すラベルによって時系列の前後関係を表現することができる。
次に、初期状態から複数の中間成形物を経て最終状態に至る成形工程で成形される所望の最終状態に対応する入力ノイズである推定ノイズを生成する方法について説明する。推定ノイズの生成にはエンコーダ(オートエンコーダ)を用いる。当該エンコーダは学習済みのものを用いる必要がある。
図8及び図9は、エンコーダ4の学習方法について説明する模式図である。図8に示すように、エンコーダ4の学習において、まず、学習済みの生成器1に入力ノイズとしての潜在ノイズ及び複数のステップにおける各ステップに対応したラベルをランダムに変えて入力してエンコーダ訓練用データとしてのエンコーダ訓練用画像を生成する。
続いて、図9に示すように、エンコーダ訓練用画像及びエンコーダ訓練用画像を生成する際に用いたラベルをエンコーダ4に入力させて、エンコーダ4に入力ノイズを生成させる。続いて、当該入力ノイズとエンコーダ訓練用画像を生成する際に用いたラベルとを学習済みの生成器1に入力させて当該生成器1に生成画像を生成させる。そして、当該生成画像とエンコーダ訓練用画像との誤差をエンコーダ4に逆伝播させることによってエンコーダ4を学習させる。
図10は、初期状態から複数の中間成形物を経て最終状態に至る成形工程で成形される所望の最終状態に対応する入力ノイズを生成する方法について説明する模式図である。図10に示すように、初期状態から複数の中間成形物を経て最終状態に至る成形工程で成形される所望の最終状態に対応する入力ノイズは、所望の最終状態のデータ(画像)及び複数のステップにおける最終状態に対応したラベルを、学習済みのエンコーダ4に入力することで生成する。このようにエンコーダ4を用いることで、初期状態から複数の中間成形物を経て最終状態に至る成形工程における任意のステップの中間工程状態を良好に推定することができる。
次に、本実施の形態にかかる中間工程状態推定方法の妥当性についての検証について説明する。
本検証では、本実施の形態にかかる中間工程状態推定方法であるPairGANの手法を用いて中間工程状態を推定した結果(実施例)と、Age−cGANの手法を用いて中間工程状態を推定した結果(比較例)について比較を行った。
本検証では、本実施の形態にかかる中間工程状態推定方法であるPairGANの手法を用いて中間工程状態を推定した結果(実施例)と、Age−cGANの手法を用いて中間工程状態を推定した結果(比較例)について比較を行った。
まず、比較例における中間工程状態の推定方法について説明する。図11は、比較例における中間工程状態の推定方法で用いるAge−cGANにおける学習方法について説明する模式図である。図11に示すように、比較例における中間工程状態の推定方法で用いるAge−cGANの手法では、生成器901と、識別器903と、を用いている。
生成器901は、入力ノイズ、及び、複数のステップに含まれるステップに対応したラベルが入力されることによりラベルに対応した生成データとしての生成画像を生成するものである。生成器901には、入力ノイズと、複数のステップのうちのあるステップiに対応したラベルと、を入力する。ここで、入力ノイズは、[−1,1]の範囲でランダムに選択されたベクトル(潜在ノイズ)である。生成器901において、入力されたラベルに対応した生成画像を生成させる。
識別器903には、生成データに対応のラベルをリンクしたものか訓練用データに対応のラベルをリンクしたもののいずれか一方がランダムに入力される。識別器903は、入力されたデータが生成データか訓練用データかを識別する。そして、識別器903における、入力されたデータが生成データか訓練用データかについての識別の正誤の結果から、それぞれの生成器901及び識別器903を敵対的に学習させる。
図12は、比較例において、図11を参照して説明した学習方法により学習済みの生成器901を用いて中間工程状態を推定する方法について説明する模式図である。図12に示すように、学習済みの生成器901に、初期状態から複数の中間成形物を経て最終状態に至る成形工程で成形される所望の最終状態に対応する入力ノイズ(推定ノイズ)、及び、初期状態から複数の中間成形物を経て最終状態に至る成形工程における中間工程状態を推定したいステップに対応したラベルを入力する。そして、生成器901が生成した生成画像が、成形に最適な変形過程の推定したいステップにおける中間工程状態であると推定する。
次に、本検証の検証結果について説明する。図13は、実施例における初期状態から最終状態に至る変形過程の推定結果と、比較例における初期状態から最終状態に至る変形過程の推定結果と、を示す図である。図13において、上段には訓練用画像における初期状態から最終状態に至る変形過程を、中段には実施例において推定した初期状態から最終状態に至る変形過程を、下段には比較例において推定した初期状態から最終状態に至る変形過程を示す。図13に示すように、実施例において推定した変形過程の方が、比較例において推定した変形過程よりも訓練用画像における変形過程により近くなっている。
鍛造成形工程では、初期状態から最終状態に至る変形過程において、体積が常に一定となる。すなわち、初期状態から最終状態に至る変形過程において、推定したそれぞれの中間工程状態の体積の初期状態の体積からのずれ(体積誤差)が小さいことが、初期状態から最終状態に至る変形過程の推定の妥当性を測る上での一つの判断基準となる。本評価において、体積誤差は、訓練用画像における初期状態から最終状態に至る変形過程で2.7%であるのに対し、実施例において推定した初期状態から最終状態に至る変形過程で4.1%、比較例において推定した初期状態から最終状態に至る変形過程で5.8%となった。よって、実施例において推定した初期状態から最終状態に至る変形過程の方が比較例において推定した初期状態から最終状態に至る変形過程よりも妥当性が高いと判断できる。成形に最適な初期状態から最終状態に至る変形過程における中間工程状態を時系列で推定する。
以上より、本実施の形態にかかる中間工程状態推定方法では、PairGANの手法を用いることで、初期状態から複数の中間成形物を経て最終状態に至る成形工程に対し、成形に最適な変形過程における中間工程状態を時系列で良好に推定することができる。
なお、本発明は上記実施の形態に限られたものではなく、趣旨を逸脱しない範囲で適宜変更することが可能である。上記実施の形態では、訓練用データ、生成データ、入力データが画像データであるとして説明したが、これに限るものではない。訓練用データ、生成データ、入力データが、画像データに加えて、画像データ以外のデータ、例えば、応力、温度に関するデータなどを含んでいてもよい。
2 生成器
3 識別器
4 エンコーダ
901 生成器
903 識別器
3 識別器
4 エンコーダ
901 生成器
903 識別器
Claims (3)
- 初期状態から複数の中間成形物を経て最終状態に至る成形工程に対し、成形に最適な初期状態から最終状態に至る変形過程における中間工程状態を時系列で推定する中間工程状態推定方法であって、
入力ノイズ、及び、前記成形工程の有する複数のステップに含まれるステップに対応したラベルが入力されることにより当該ラベルに対応した生成データを生成する生成器を2つ用い、それぞれの生成器には共通の入力ノイズを入力すると共に、一方の生成器には前記複数のステップのうちのあるステップに対応したラベルを入力し、他方の生成器には前記複数のステップのうちの前記あるステップとは異なるステップに対応したラベルを入力して、前記それぞれの生成器において、入力されたラベルに対応した生成データを生成させ、
前記一方の生成器が生成した生成データに対応のラベルをリンクしたもの及び前記他方の生成器が生成した生成データに対応のラベルをリンクしたものからなる生成データ対と、前記一方の生成器に入力されたラベルに対応した訓練用データに対応のラベルをリンクしたもの及び前記他方の生成器に入力されたラベルに対応した訓練用データに対応のラベルをリンクしたものからなる訓練用データ対と、のいずれか一方がランダムに入力され、入力されたデータ対が前記生成データ対か前記訓練用データ対かを識別する識別器を用い、前記識別器における識別の正誤の結果から前記それぞれの生成器及び前記識別器を敵対的に学習させ、
学習済みの前記それぞれの生成器のいずれか一方に、前記初期状態から複数の中間成形物を経て最終状態に至る成形工程で成形される所望の最終状態に対応する入力ノイズ、及び、前記複数のステップに含まれる中間工程状態を推定したいステップに対応したラベルを入力し、当該生成器が生成した生成データに基づいて当該推定したいステップにおける中間工程状態を推定する、中間工程状態推定方法。 - 前記成形工程を複数のサブ工程に分割し、前記サブ工程における各ステップのラベルは、当該サブ工程に対応したベクトル要素の値を、当該サブ工程におけるステップの時系列順の最初を0、最後を1として正規化した数値とする、請求項1に記載の中間工程状態推定方法。
- 前記成形工程で成形される所望の最終状態に対応する入力ノイズは、前記所望の最終状態のデータ及び前記複数のステップにおける最終状態に対応したラベルを、学習済みのエンコーダに入力することで生成し、
前記エンコーダの学習は、学習済みの前記生成器に入力ノイズ及び前記複数のステップに含まれる各ステップに対応したラベルをランダムに変えて入力してエンコーダ訓練用データを生成し、前記エンコーダ訓練用データ及び前記エンコーダ訓練用データを生成する際に用いたラベルを前記エンコーダに入力させて前記エンコーダに入力ノイズを生成させ、当該入力ノイズと前記エンコーダ訓練用データを生成する際に用いたラベルとを前記生成器に入力させて前記生成器に生成データを生成させ、当該生成データと前記エンコーダ訓練用データとの誤差を前記エンコーダに逆伝播させることによって行う、請求項1または2に記載の中間工程状態推定方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018120646A JP7010774B2 (ja) | 2018-06-26 | 2018-06-26 | 中間工程状態推定方法 |
US16/400,203 US10970601B2 (en) | 2018-06-26 | 2019-05-01 | Intermediate process state estimation method |
CN201910522672.1A CN110647997B (zh) | 2018-06-26 | 2019-06-17 | 中间过程状态估计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018120646A JP7010774B2 (ja) | 2018-06-26 | 2018-06-26 | 中間工程状態推定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020003906A true JP2020003906A (ja) | 2020-01-09 |
JP7010774B2 JP7010774B2 (ja) | 2022-01-26 |
Family
ID=68981984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018120646A Active JP7010774B2 (ja) | 2018-06-26 | 2018-06-26 | 中間工程状態推定方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US10970601B2 (ja) |
JP (1) | JP7010774B2 (ja) |
CN (1) | CN110647997B (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210094451A (ko) * | 2020-01-20 | 2021-07-29 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 이미지 생성 방법 및 장치 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10762337B2 (en) * | 2018-04-27 | 2020-09-01 | Apple Inc. | Face synthesis using generative adversarial networks |
CN111275784B (zh) * | 2020-01-20 | 2023-06-13 | 北京百度网讯科技有限公司 | 生成图像的方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030219155A1 (en) * | 1998-06-18 | 2003-11-27 | Hidemasa Azuma | Resin appearance designing method and apparatus |
WO2018078213A1 (en) * | 2016-10-27 | 2018-05-03 | Nokia Technologies Oy | A method for analysing media content |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9409312B2 (en) * | 2013-01-14 | 2016-08-09 | Geoffrey Gretton | Durable earthenware engraving process |
US10548690B2 (en) * | 2015-10-07 | 2020-02-04 | uLab Systems, Inc. | Orthodontic planning systems |
US20180093418A1 (en) * | 2016-09-30 | 2018-04-05 | Velo3D, Inc. | Three-dimensional objects and their formation |
CN107590478A (zh) * | 2017-09-26 | 2018-01-16 | 四川长虹电器股份有限公司 | 一种基于深度学习的年龄估计方法 |
US10783629B2 (en) * | 2017-09-29 | 2020-09-22 | Align Technology, Inc. | Aligner image based quality control system |
JP7033146B2 (ja) * | 2017-10-17 | 2022-03-09 | 富士フイルム株式会社 | 医療画像処理装置、及び、内視鏡装置 |
-
2018
- 2018-06-26 JP JP2018120646A patent/JP7010774B2/ja active Active
-
2019
- 2019-05-01 US US16/400,203 patent/US10970601B2/en active Active
- 2019-06-17 CN CN201910522672.1A patent/CN110647997B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030219155A1 (en) * | 1998-06-18 | 2003-11-27 | Hidemasa Azuma | Resin appearance designing method and apparatus |
WO2018078213A1 (en) * | 2016-10-27 | 2018-05-03 | Nokia Technologies Oy | A method for analysing media content |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20210094451A (ko) * | 2020-01-20 | 2021-07-29 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 이미지 생성 방법 및 장치 |
JP2021114279A (ja) * | 2020-01-20 | 2021-08-05 | ベイジン バイドゥ ネットコム サイエンス アンド テクノロジー カンパニー リミテッド | 画像の生成方法、生成装置、電子機器、コンピュータ可読媒体およびコンピュータプログラム |
US11463631B2 (en) | 2020-01-20 | 2022-10-04 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and apparatus for generating face image |
KR102451198B1 (ko) * | 2020-01-20 | 2022-10-05 | 베이징 바이두 넷컴 사이언스 앤 테크놀로지 코., 엘티디. | 이미지 생성 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
JP7010774B2 (ja) | 2022-01-26 |
US20190392259A1 (en) | 2019-12-26 |
CN110647997A (zh) | 2020-01-03 |
CN110647997B (zh) | 2023-06-27 |
US10970601B2 (en) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2020003906A (ja) | 中間工程状態推定方法 | |
US11117328B2 (en) | Systems, methods, and media for manufacturing processes | |
JP2017030221A (ja) | 射出成形機の異常診断装置 | |
PH12021551336A1 (en) | Automated generation of machine learning models | |
KR101901307B1 (ko) | 가중 퍼지 소속함수 기반 심층 신경망을 이용한 클래스 분류 방법, 장치 및 컴퓨터 판독 가능한 기록매체 | |
CN105320945A (zh) | 图像分类的方法及装置 | |
EP3816864A1 (en) | Device and method for the generation of synthetic data in generative networks | |
CN111506036B (zh) | 一种重尾噪声干扰下的多变量Hammerstein模型辨识方法及系统 | |
KR102102685B1 (ko) | 로봇의 인간 얼굴 표정 학습 및 표정 구현 방법 | |
JPWO2020003434A1 (ja) | 機械学習方法、機械学習装置、及び機械学習プログラム | |
Meyes et al. | Interdisciplinary data driven production process analysis for the internet of production | |
JP2018081684A (ja) | 人工知能超深層学習モデルの構築方法、人工知能超深層学習装置、人工知能超深層学習モデルが搭載された汎用モバイル端末装置、及び人工知能超深層学習モデルのプログラム | |
US20210138735A1 (en) | Systems, Methods, and Media for Manufacturing Processes | |
KR20170081887A (ko) | 인공 신경망에서 컨벌루션을 이용한 최종 정답 결정 방법 | |
CN111783273A (zh) | 一种3d打印组织预测方法 | |
CN112184007A (zh) | 一种基于数字孪生的车间设备远程诊断方法 | |
CN108573275B (zh) | 一种在线分类微服务的构建方法 | |
JP2019520656A (ja) | 再帰的皮質ネットワークのためのシステムおよび方法 | |
Adhikari | Towards Explainable AI: Interpretable Models and Feature Attribution | |
CN112668551A (zh) | 基于遗传算法的表情分类方法 | |
CN115210744A (zh) | 用于制造过程的系统、方法和介质 | |
KR20210035535A (ko) | 뇌 연결성 학습 방법 및 이를 위한 시스템 | |
WO2021111831A1 (ja) | 情報処理方法、情報処理システム及び情報処理装置 | |
Youssef et al. | Mathematical modeling combined with machine learning for social networks to match children with learning disabilities and specialists | |
WO2021050508A1 (en) | Systems, methods, and media for manufacturing processes |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20201211 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20211210 |
|
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: 20211221 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220113 |