JP2020087570A - Fracture surface analyzer, learned model generating device, fracture surface analysis method, fracture surface analyzer program and learned model - Google Patents
Fracture surface analyzer, learned model generating device, fracture surface analysis method, fracture surface analyzer program and learned model Download PDFInfo
- Publication number
- JP2020087570A JP2020087570A JP2018216697A JP2018216697A JP2020087570A JP 2020087570 A JP2020087570 A JP 2020087570A JP 2018216697 A JP2018216697 A JP 2018216697A JP 2018216697 A JP2018216697 A JP 2018216697A JP 2020087570 A JP2020087570 A JP 2020087570A
- Authority
- JP
- Japan
- Prior art keywords
- fracture surface
- destruction
- cause
- image
- molded body
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
Description
本発明は、樹脂成形体の破面を解析する技術に関する。 The present invention relates to a technique for analyzing a fracture surface of a resin molded body.
破壊した箇所の破面を観察し、その様子から破壊の原因を探索する破面解析が行われている。破面解析は、金属の分野を中心に、破面模様の特徴から破壊原因あるいは破壊機構を推定するために広く用いられている手法である。樹脂成形体においても、金属材料と同様に破壊原因によって様々な破面模様が示されることから、同様の破面解析手法が取り入れられている。 Fracture surface analysis is carried out by observing the fracture surface of the fractured part and searching the cause of the fracture from the state. Fracture surface analysis is a method widely used mainly in the field of metals to estimate the cause or mechanism of fracture from the features of the fracture pattern. Similar to the metal material, various fracture surface patterns are also shown in the resin molded body depending on the cause of the fracture. Therefore, the same fracture surface analysis method is adopted.
樹脂成形体の場合、例えば、走査型電子顕微鏡(SEM)により、破面の表面微細構造を高倍率で観察するとともに、化学組成分析を用いた、ブリードアウト物、異物、または劣化生成物の有無の確認を行うことで、破壊原因を推定する(特許文献1)。 In the case of a resin molded body, for example, a scanning electron microscope (SEM) is used to observe the surface microstructure of the fracture surface at high magnification, and the presence or absence of bleed-out substances, foreign substances, or deterioration products using chemical composition analysis The cause of the damage is estimated by performing the confirmation (Patent Document 1).
破壊原因によって破面の状況が異なるものの、破面の表面微細構造を観察して破壊原因を特定することは、熟練した技術者でないと難しい技術である。例えば、破面の中でポイントとなる小さな特徴を見つけ出し、類似した破面の違いを区別するには、多くの破面を観察してきた経験と、知識(ある種のセンス)とが必要となる。 Although the condition of the fracture surface varies depending on the cause of the fracture, it is difficult for a skilled engineer to identify the cause of the fracture by observing the surface microstructure of the fracture surface. For example, in order to find a small feature that is a point in a fracture surface and to distinguish the difference between similar fracture surfaces, it is necessary to have the experience of observing many fracture surfaces and knowledge (a certain sense). ..
本発明は、上記課題を鑑みてなされたものであり、本発明の目的は、破面画像から破壊原因を容易に特定することにある。 The present invention has been made in view of the above problems, and an object of the present invention is to easily identify the cause of destruction from a fracture surface image.
上記目的を達成するため、本発明の破面解析装置は、解析対象の樹脂成形体の破面を撮像した対象破面画像を取得する取得部と、破面画像と破壊原因であるラベルとを教師データとする機械学習によって生成された学習済みモデルに、前記対象破面画像を入力して前記樹脂成形体の破壊原因を特定する解析部と、を有する。 In order to achieve the above object, the fracture surface analysis apparatus of the present invention includes an acquisition unit that acquires a target fracture surface image obtained by imaging a fracture surface of a resin molded body to be analyzed, and a fracture surface image and a label that is a cause of destruction. An analysis unit that inputs the target fracture surface image to a learned model generated by machine learning that is used as teacher data and identifies a cause of destruction of the resin molded body.
本発明の学習済みモデル生成装置は、樹脂成形体の破面を撮像した破面画像と、前記樹脂成形体の破壊原因であるラベルとを対応付けた教師データを取得する取得部と、前記教師データを用いた機械学習によって、前記樹脂成形体の破壊原因を特定するための学習済みモデルを生成する学習部と、を有する。 The learned model generation device of the present invention includes an acquisition unit that acquires teacher data in which a fracture surface image of a fracture surface of a resin molded body is associated with a label that is a cause of destruction of the resin molded body, and the teacher. And a learning unit that generates a learned model for identifying the cause of destruction of the resin molded body by machine learning using the data.
本発明のコンピュータが行う破面解析方法は、解析対象の樹脂成形体の破面を撮像した対象破面画像を取得する取得ステップと、破面画像と破壊原因であるラベルとを教師データとする機械学習によって生成された学習済みモデルに、前記対象破面画像を入力して前記樹脂成形体の破壊原因を特定する解析ステップと、を行う。 A fracture surface analysis method performed by a computer of the present invention uses an acquisition step of obtaining a target fracture surface image obtained by imaging a fracture surface of a resin molded body to be analyzed, and a fracture surface image and a label that is a cause of destruction as teacher data. The analysis step of inputting the target fracture surface image to the learned model generated by machine learning and identifying the cause of destruction of the resin molded body is performed.
本発明の破面解析プログラムは、上記破面解析装置として、コンピュータを機能させる。 The fracture surface analysis program of the present invention causes a computer to function as the fracture surface analysis device.
本発明の学習済みモデルは、解析対象の樹脂成形体の破面を撮像した破面画像に基づいて、前記樹脂成形体の破壊原因を特定するようにコンピュータを機能させるための学習済みモデルであって、破面画像と、破壊原因であるラベルとを対応付けた教師データを用いた機械学習により、前記破面画像の画素値が入力層に入力されると、出力層が破壊原因の確率を出力するように重み付け値が学習されたものであり、前記入力層に入力された前記破面画像の画素値に対し、学習された前記重み付け値に基づく演算を行い、前記出力層から破壊原因の確率を出力するようにコンピュータを機能させる。 The learned model of the present invention is a learned model for operating a computer so as to identify the cause of destruction of the resin molded body based on a fracture surface image of the fracture surface of the resin molded body to be analyzed. Then, when the pixel values of the fracture surface image are input to the input layer by machine learning using the teacher data in which the fracture surface image and the label that is the cause of the destruction are associated with each other, the probability of the cause of the destruction of the output layer is determined. The weighting value is learned so as to output, and for the pixel value of the fracture surface image input to the input layer, an operation based on the learned weighting value is performed to determine the cause of destruction from the output layer. Let the computer function to output the probabilities.
本発明によれば、破面画像から破壊原因を容易に特定することができる。 According to the present invention, the cause of destruction can be easily identified from the fracture surface image.
以下、本発明の実施の形態について、図面を参照して説明する。 Embodiments of the present invention will be described below with reference to the drawings.
<第1の実施形態>
図1は、本発明の第1の実施形態に係る破面解析システム全体構成図である。本実施形態の破面解析システムは、樹脂成形体(樹脂成型品)の破面画像から破壊原因を特定する。図示する破面解析システムは、破面解析装置1と、モデル生成装置2と、利用者端末3とを備える。これらの装置はネットワークに接続され、ネットワークを介して相互に通信を行うことができる。ネットワークは、例えばLAN、インターネット等である。
<First Embodiment>
FIG. 1 is an overall configuration diagram of a fracture surface analysis system according to a first embodiment of the present invention. The fracture surface analysis system of the present embodiment identifies the cause of fracture from the fracture surface image of the resin molded body (resin molded product). The illustrated fracture surface analysis system includes a fracture surface analysis device 1, a model generation device 2, and a user terminal 3. These devices are connected to a network and can communicate with each other via the network. The network is, for example, a LAN or the Internet.
利用者端末3は、破面解析を要求する利用者が使用する端末装置である。利用者端末3は、利用者の指示を受け付けて、走査型電子顕微鏡4(以下、「SEM」という)により取得した樹脂成形体の破面画像を含む解析要求を、破面解析装置1に送信する。また、利用者端末3は、解析結果として破壊原因を破面解析装置1から受信する。利用者は、SEM4が撮像および出力した樹脂成形体の破面画像を、例えばUSBメモリ等の記録媒体に格納し、当該記録媒体を用いて利用者端末3に入力して、破面解析装置1に送信する。SEM4が通信機能を有する場合は、SEM4を利用者端末3として用いてもよい。ここで、SEM4は、樹脂成形体の破面を解析に十分な倍率や分解能で観察できるものであれば走査型電子顕微鏡に限定されず、実体顕微鏡や金属顕微鏡といった光学顕微鏡、あるいは高倍率のデジタルカメラなども利用することができる。 The user terminal 3 is a terminal device used by a user who requests fracture surface analysis. The user terminal 3 receives an instruction from the user and sends an analysis request including a fracture surface image of the resin molded body acquired by the scanning electron microscope 4 (hereinafter, referred to as “SEM”) to the fracture surface analysis device 1. To do. In addition, the user terminal 3 receives the cause of destruction as the analysis result from the fracture surface analysis device 1. The user stores the fracture surface image of the resin molded body imaged and output by the SEM 4 in a recording medium such as a USB memory and inputs the fracture surface image to the user terminal 3 using the recording medium to analyze the fracture surface analysis device 1 Send to. When the SEM 4 has a communication function, the SEM 4 may be used as the user terminal 3. Here, the SEM 4 is not limited to the scanning electron microscope as long as it can observe the fracture surface of the resin molded body at a magnification and resolution sufficient for analysis, and may be an optical microscope such as a stereoscopic microscope or a metal microscope, or a high-magnification digital microscope. You can also use a camera.
なお、利用者端末3は、破面解析装置1と同じ敷地(例えば、工場、研究所等)に設置され、前記敷地内の技術者が使用する端末であってもよい。あるいは、利用者端末3は、破面解析装置1から離れた場所にあり、樹脂成形体を製造する加工業者、樹脂成形体を購入した顧客、樹脂材料または樹脂成形体を販売する営業部員などが使用する端末であってもよい。 The user terminal 3 may be a terminal that is installed on the same site (for example, a factory, a laboratory, etc.) as the fracture surface analysis apparatus 1 and is used by an engineer on the site. Alternatively, the user terminal 3 is located away from the fracture surface analysis apparatus 1 and is used by a processor who manufactures the resin molded body, a customer who purchased the resin molded body, a sales staff member who sells the resin material or the resin molded body, and the like. It may be the terminal used.
破面解析装置1は、利用者端末3からの要求に応じて、樹脂成形体の破面画像を解析し、樹脂成形体の破壊原因を特定する。図示する破面解析装置1は、取得部11と、変更部12と、解析部13と、出力部14と、モデル記憶部15とを有する。 The fracture surface analysis device 1 analyzes the fracture surface image of the resin molded body in response to a request from the user terminal 3 and identifies the cause of destruction of the resin molded body. The illustrated fracture surface analysis apparatus 1 includes an acquisition unit 11, a change unit 12, an analysis unit 13, an output unit 14, and a model storage unit 15.
取得部11は、利用者端末3から送信された、解析対象の樹脂成形体の破面を撮像した破面画像(対象破面画像)を取得する。変更部12は、取得した破面画像を、所定の画素数の画像にサイズ変更(リサイズ)する。解析部13は、破面画像と破壊原因であるラベルとを教師データとする機械学習によって生成された学習済みモデルに、破面画像を入力して樹脂成形体の破壊原因を特定する。出力部14は、解析部13が特定した破壊原因を出力する。具体的には、出力部14は、特定した破壊原因を利用者端末3に送信する。 The acquisition unit 11 acquires a fracture surface image (target fracture surface image) transmitted from the user terminal 3, which is an image of the fracture surface of the resin molded body to be analyzed. The changing unit 12 resizes (resizes) the acquired fracture surface image to an image having a predetermined number of pixels. The analysis unit 13 inputs the fracture surface image to the learned model generated by machine learning using the fracture surface image and the label that is the cause of destruction as the teacher data, and identifies the cause of destruction of the resin molded body. The output unit 14 outputs the destruction cause identified by the analysis unit 13. Specifically, the output unit 14 transmits the identified cause of destruction to the user terminal 3.
モデル記憶部15には、モデル生成装置2により生成された学習済みモデルが記憶される。学習済みモデルは、破面画像が入力されると、破壊原因を出力するように学習されたモデルである。本実施形態では、学習済みモデルは、疲労破壊、脆性破壊、延性破壊などの複数の破壊原因の各確率を出力する。 The model storage unit 15 stores the learned model generated by the model generation device 2. The learned model is a model learned to output the cause of destruction when the fracture surface image is input. In the present embodiment, the learned model outputs each probability of a plurality of fracture causes such as fatigue fracture, brittle fracture, and ductile fracture.
モデル生成装置2は、データ取得部21と、学習部22と、データ記憶部23と、モデル記憶部24とを備える。データ取得部21は、樹脂成形体の破面を撮像した破面画像と、当該樹脂成形体の破壊原因であるラベルとを対応付けた教師データを、データ記憶部23から取得する。学習部22は、複数の教師データを用いた機械学習によって、樹脂成形体の破壊原因を特定するための学習済みモデルを生成する。 The model generation device 2 includes a data acquisition unit 21, a learning unit 22, a data storage unit 23, and a model storage unit 24. The data acquisition unit 21 acquires, from the data storage unit 23, teacher data in which a fracture surface image of a fracture surface of a resin molded body and a label that is a cause of destruction of the resin molded body are associated with each other. The learning unit 22 generates a learned model for identifying the cause of destruction of the resin molded body by machine learning using a plurality of teacher data.
次に、樹脂成形体の破壊原因について説明する。本実施形態では、破壊原因として、「疲労破壊」、「延性破壊」、「脆性破壊」の3つの種類を想定する。ただし、本発明はこれに限定されるものではなく、これ以外の破壊原因を特定することとしてもよい。図2Aから図2Cに示すように、破壊原因によって破面の状況が異なる。 Next, the cause of destruction of the resin molded body will be described. In the present embodiment, three types of fracture causes are assumed: "fatigue fracture", "ductile fracture", and "brittle fracture". However, the present invention is not limited to this, and other causes of destruction may be specified. As shown in FIGS. 2A to 2C, the condition of the fracture surface varies depending on the cause of destruction.
図2Aは、疲労破壊による破面画像の例である。疲労破壊は、負荷の繰り返しにより生じる破壊である。疲労破壊による破面画像には、縞状の模様(ストライエーション・パターン)が現れている。図2Aの右の画像は、左の破面画像の点線で囲んだ領域を拡大した拡大図である。 FIG. 2A is an example of a fracture surface image due to fatigue fracture. Fatigue failure is failure that occurs due to repeated loading. A striped pattern (striation pattern) appears in the fracture surface image due to fatigue fracture. The image on the right of FIG. 2A is an enlarged view of the region surrounded by the dotted line of the left fracture surface image.
図2Bは、延性破壊による破面画像の例である。延性破壊は、静的な荷重によって生じる破壊である。低速で荷重をかけた場合、樹脂はネッキングや白化を伴いながら塑性変形して破壊に至るため、破面画像には、樹脂が伸びたような部分が現れている。図2Bの右の画像は、左の破面画像の点線で囲んだ領域を拡大した拡大図である。 FIG. 2B is an example of a fracture surface image due to ductile fracture. Ductile fracture is a fracture caused by a static load. When a load is applied at a low speed, the resin is plastically deformed while being necked or whitened, leading to destruction. Therefore, a portion where the resin is stretched appears in the fracture surface image. The image on the right of FIG. 2B is an enlarged view in which the area surrounded by the dotted line of the left fracture surface image is enlarged.
図2Cは、脆性破壊による破面画像の例である。脆性破壊は、衝撃的な力により生じる破壊である。破面画像には、破壊の起点から放射状に模様が現れており、断面はうろこ状の模様を示している。図2Cの右の画像は、左の破面画像の点線で囲んだ領域を拡大した拡大図である。 FIG. 2C is an example of a fracture surface image due to brittle fracture. Brittle fracture is a fracture caused by a shocking force. In the fracture surface image, a pattern appears radially from the starting point of the fracture, and the cross section shows a scaly pattern. The image on the right of FIG. 2C is an enlarged view in which the area surrounded by the dotted line of the left fracture surface image is enlarged.
次に、モデル生成装置2が行う学習済みモデルの生成処理について説明する。 Next, a learning model generation process performed by the model generation device 2 will be described.
図3は、学習済みモデルの生成処理(機械学習処理)のフローチャートである。まず、データ取得部21は、教師データとして、破面画像と、当該破断画像の破断原因(ラベル)とを対応付けた教師データをデータ記憶部23から取得する(S11)。データ記憶部23には、あらかじめ複数の教師データが記憶されているものとする。学習部22は、取得した教師データを用いて機械学習を行い、樹脂成形体の破壊原因を特定するための学習済みモデルを生成および更新する(S12)。 FIG. 3 is a flowchart of the learning model generation process (machine learning process). First, the data acquisition unit 21 acquires, as the teacher data, teacher data in which the fracture surface image and the fracture cause (label) of the fracture image are associated with each other from the data storage unit 23 (S11). It is assumed that the data storage unit 23 stores a plurality of teacher data in advance. The learning unit 22 performs machine learning using the acquired teacher data to generate and update a learned model for identifying the cause of destruction of the resin molded body (S12).
図4は、本実施形態の学習済みモデルの一例を示す。学習済みモデルは、ニューラルネットワークと、パラメータ(重み付け値、バイアス)とを含む。機械学習は、ニューラルネットワークのパラメータを最適化する処理である。学習前は、パラメータには、初期値が設定されている。本実施形態では、ニューロン(パーセプトロン、ノード)を組み合わせて構成したニューラルネットワークにより、機械学習を行う。具体的には、教師データに含まれる破面画像のデータと、ラベルとの組をニューラルネットワークに与え、ニューラルネットワークの出力がラベルと同じになるように、各ニューロンの重み付け値と、バイアスとを変更しながら学習を繰り返す。このようにして、教師データの破面画像を学習し、破面画像から破壊原因を推定するための学習済みモデルを生成する。 FIG. 4 shows an example of the learned model of this embodiment. The trained model includes a neural network and parameters (weighting value, bias). Machine learning is a process of optimizing the parameters of a neural network. Before learning, the parameters are set to initial values. In this embodiment, machine learning is performed by a neural network configured by combining neurons (perceptrons, nodes). Specifically, the set of the fracture surface image data included in the teacher data and the label is given to the neural network, and the weighting value of each neuron and the bias are set so that the output of the neural network becomes the same as the label. Repeat learning while changing. In this way, the fracture surface image of the teacher data is learned, and the learned model for estimating the cause of destruction from the fracture surface image is generated.
図示するニューラルネットワークは、入力層と、中間層と、出力層とを備え、各層はニューロンにより構成される。なお、図示する例では、中間層は1層であるが、高度な画像認識を行うために複数の層で構成されていてもよい。 The illustrated neural network includes an input layer, an intermediate layer, and an output layer, and each layer is composed of neurons. In the illustrated example, the intermediate layer is one layer, but it may be composed of a plurality of layers in order to perform advanced image recognition.
入力層の各ニューロンには、破面画像の各画素の画素値が入力される。本実施形態では、150×150画素(22500画素)の破面画像を用いるものとする。この場合、入力層のニューロンの数は22500個である。また、本実施形態では、破壊原因は「疲労破壊」、「延性破壊」、「脆性破壊」のいずれかであると想定している。したがって、図示する出力層は、3つのニューロンから構成される。出力層のニューロンの数は、想定される破壊原因の数に応じて設定される。 The pixel value of each pixel of the fracture surface image is input to each neuron of the input layer. In the present embodiment, it is assumed that a fracture surface image of 150×150 pixels (22500 pixels) is used. In this case, the number of neurons in the input layer is 22,500. Further, in the present embodiment, it is assumed that the cause of fracture is any one of “fatigue fracture”, “ductile fracture”, and “brittle fracture”. Therefore, the output layer shown is composed of three neurons. The number of neurons in the output layer is set according to the number of possible causes of destruction.
ニューラルネットワークでは、各ニューロンの出力は、次層の全てのニューロンへ入力される。各ニューロンの出力値yは、以下の式により表される。 In the neural network, the output of each neuron is input to all neurons in the next layer. The output value y of each neuron is represented by the following equation.
y=(x1×w1)+(x2×w2)+・・・+(xn×wn)+b
「xn」は前の層のn番目のニューロンからの入力値、「wn」はxnに対する重み付け値、「b」はバイアスを示す。
y=(x1×w1)+(x2×w2)+...+(xn×wn)+b
“Xn” indicates an input value from the n-th neuron in the previous layer, “wn” indicates a weight value for xn, and “b” indicates a bias.
S12では、学習部22は、誤差逆転伝播法などによる機械学習により、各層の重み付け値wnとバイアスbとを更新する。具体的には、学習部22は、ニューラルネットワークの入力層に破面画像の各画素値を入力して演算を行い、出力層の各ニューロンの出力値と、当該破面画像に対応するラベルとの誤差を出力し、当該誤差が小さくなる(0に近づく)ように、各層の重み付け値wnとバイアスbとを更新する。 In S12, the learning unit 22 updates the weighting value wn and the bias b of each layer by machine learning such as the error back propagation method. Specifically, the learning unit 22 inputs each pixel value of the fracture surface image into the input layer of the neural network, performs an operation, and outputs the output value of each neuron in the output layer and the label corresponding to the fracture surface image. Is output, and the weighting value wn and bias b of each layer are updated so that the error becomes smaller (closer to 0).
そして、学習部22は、機械学習を終了するか否かを判定する(S13)。機械学習の終了条件としては、例えば、あらかじめ設定した数の教師データで機械学習を繰り返した場合に、学習部22は、機械学習を終了するようにしてもよい。例えば、破壊原因ごとに、所定の数の教師データ(破面画像およびラベル)を用意し、当該教師データを用いて機械学習を繰り返す。また、終了条件として、ラベルと出力層の出力との誤差が所定値以下になった場合に、学習部22は、機械学習を終了するようにしてもよい。 Then, the learning unit 22 determines whether to end the machine learning (S13). As an end condition for machine learning, for example, when machine learning is repeated with a preset number of teacher data, the learning unit 22 may end the machine learning. For example, a predetermined number of teacher data (fracture surface image and label) are prepared for each cause of destruction, and machine learning is repeated using the teacher data. Further, as an end condition, the learning unit 22 may end the machine learning when the error between the label and the output of the output layer is equal to or less than a predetermined value.
機械学習を終了しないと判定した場合(S13:NO)は、モデル生成装置2は、S11に戻り、以降の処理を繰り返し行う。機械学習を終了すると判定した場合(S13:YES)は、学習部22は、生成した学習済みモデルをモデル記憶部24に出力して記憶する。また、学習部22は、生成した学習済みモデルを、ネットワークを介して破面解析装置1に送信する(S14)。これにより、破面解析装置1のモデル記憶部15には、モデル生成装置2が生成した学習済みモデルが記憶される。 When it is determined that the machine learning is not finished (S13: NO), the model generation device 2 returns to S11 and repeats the subsequent processing. When it is determined that the machine learning is finished (S13: YES), the learning unit 22 outputs and stores the generated learned model to the model storage unit 24. The learning unit 22 also transmits the generated learned model to the fracture surface analysis device 1 via the network (S14). As a result, the model storage unit 15 of the fracture surface analysis device 1 stores the learned model generated by the model generation device 2.
以上説明したように、本実施形態の学習済みモデルは、解析対象の樹脂成形体の破面を撮像した破面画像に基づいて、樹脂成形体の破壊原因を特定するようにコンピュータを機能させるための学習済みモデルであり、破面画像と、破壊原因であるラベルとを対応付けた教師データを用いた機械学習により、破面画像の画素値が入力層に入力されると、出力層が破壊原因の確率を出力するように重み付け値が学習されたものである。また、学習済みモデルは、入力層に入力された破面画像の画素値に対し、学習された前記重み付け値に基づく演算を行い、出力層から破壊原因の確率を出力するように、破面解析装置1を機能させる。 As described above, the learned model of the present embodiment causes the computer to function so as to identify the cause of destruction of the resin molded body based on the fracture surface image obtained by imaging the fracture surface of the resin molded body to be analyzed. When the pixel values of the fracture surface image are input to the input layer by machine learning using teacher data that associates the fracture surface image with the label that is the cause of destruction, the output layer is destroyed. The weighting value is learned so as to output the probability of the cause. In addition, the learned model performs a calculation based on the learned weighting value with respect to the pixel values of the fracture surface image input to the input layer, and outputs the probability of the cause of destruction from the output layer. The device 1 is made to function.
次に、破面解析装置1が行う破面解析処理について説明する。 Next, the fracture surface analysis processing performed by the fracture surface analysis device 1 will be described.
図5は、破面解析処理のフローチャートである。取得部11は、利用者端末3から送信された、樹脂成形体の破面を撮像した破面画像を取得する(S21)。 FIG. 5 is a flowchart of the fracture surface analysis processing. The acquisition part 11 acquires the fracture surface image which imaged the fracture surface of the resin molded body transmitted from the user terminal 3 (S21).
そして、変更部12は、取得した破面画像のリサイズを行う(S21)。具体的には、変更部12は、取得した破面画像の大きさ(サイズ)を学習済みモデルの教師データで用いた破面画像と同じ大きさ(所定のサイズ)となるように変更する。モデル記憶部15に記憶された学習済みモデルのニューラルネットワーク(入力層)は、教師データの破面画像の画素数と同じ数のニューロンを備える。そのため、画素数が異なる破面画像が入力されると対応できないため、変更部12は、前処理として、取得した破面画像を教師データの破面画像と同じ画素数(例えば、150×150画素)にリサイズする。 Then, the changing unit 12 resizes the acquired fracture surface image (S21). Specifically, the changing unit 12 changes the size (size) of the acquired fracture surface image to be the same size (predetermined size) as the fracture surface image used in the teacher data of the learned model. The learned model neural network (input layer) stored in the model storage unit 15 has the same number of neurons as the number of pixels of the fracture surface image of the teacher data. Therefore, since it is not possible to deal with the input of the fracture surface image having the different number of pixels, the changing unit 12 performs the preprocessing by using the acquired fracture surface image with the same number of pixels as the fracture surface image of the teacher data (for example, 150×150 pixels). ) To resize.
例えば、変更部12は、取得した破面画像が教師データの破面画像より大きい場合は、隣接する画素の画素値の平均を用い、取得した破面画像が教師データの破面画像より小さい場合は、隣接する画素の間に新たな画素を補間して、リサイズを行う。また、取得した破面画像の縦横比が、教師データの破面画像の縦横比と異なる場合についても、教師データの破面画像と同じ縦横比となるように、取得した破面画像をリサイズする。 For example, when the acquired fracture surface image is larger than the teacher data fracture surface image, the changing unit 12 uses the average of the pixel values of adjacent pixels, and when the acquired fracture surface image is less than the teacher data fracture surface image. Performs resizing by interpolating a new pixel between adjacent pixels. Even when the aspect ratio of the acquired fracture surface image is different from the aspect ratio of the teacher data fracture surface image, the acquired fracture surface image is resized so as to have the same aspect ratio as the teacher data fracture surface image. ..
これにより、利用者が、SEM4の仕様または設定により様々な画像サイズの破面画像を取得して送信した場合であっても、破面解析装置1は、当該破面画像に基づいた破面解析を行うことができる。なお、取得した破面画像と、教師データの破面画像とが同じ大きさの場合、リサイズ処理は行わない。 As a result, even if the user acquires and transmits fracture surface images of various image sizes according to the specifications or settings of the SEM 4, the fracture surface analysis device 1 uses the fracture surface analysis based on the fracture surface image. It can be performed. If the acquired fracture surface image and the fracture surface image of the teacher data have the same size, the resizing process is not performed.
そして、解析部13は、リサイズ後の破面画像を用いて、破壊原因を特定(判定)する(S23)。具体的には、解析部13は、モデル記憶部15に記憶された学習済みモデル(ニューラルネットワークおよびパラメータ)を読み出し、リサイズした破面画像に含まれるn個の画素値を入力層のニューロンにそれぞれ入力して、学習済みモデルの演算を行う。すなわち、入力層に入力された各画素が、学習済みモデルのパラメータを用いて演算されながら中間層および出力層へと出力され、最終的に出力層の各ニューロンから破壊原因の特定結果が出力される。図4に示す例では、疲労破壊の確率がm1%、脆性破壊の確率がm2%、延性破壊の確率がm3%で出力される。なお、m1%と、m2%と、m3%の合計は、100%である。解析部13は、学習済みモデルが出力した各破壊原因の確率に基づいて、破壊原因を特定する。例えば、解析部13は、最大の確率を有する破壊原因を特定する。そして、出力部14は、解析部13が特定した破壊原因を、利用者端末3に送信する(S24)。 Then, the analysis unit 13 identifies (determines) the cause of destruction using the resized fracture surface image (S23). Specifically, the analysis unit 13 reads out the learned model (neural network and parameters) stored in the model storage unit 15, and outputs n pixel values included in the resized fracture surface image to the neurons of the input layer, respectively. Input and compute the trained model. That is, each pixel input to the input layer is output to the intermediate layer and the output layer while being calculated using the parameters of the trained model, and finally each neuron of the output layer outputs the result of identifying the cause of destruction. It In the example shown in FIG. 4, the probability of fatigue fracture is m1%, the probability of brittle fracture is m2%, and the probability of ductile fracture is m3%. The sum of m1%, m2%, and m3% is 100%. The analysis unit 13 identifies the cause of destruction based on the probability of each cause of destruction output by the learned model. For example, the analysis unit 13 identifies the cause of destruction having the highest probability. Then, the output unit 14 transmits the cause of destruction identified by the analysis unit 13 to the user terminal 3 (S24).
図6は、利用者端末3のディスプレイに表示される、破面解析用の画面の一例を示すものである。図示する例では、1つの画面を入力画面および出力画面として用いる。利用者は、画面の参照ボタン81を用いて利用者端末3の記憶部に格納されたデータの中から所望の破面画像(画像ファイル)を選択し、アップロードボタン82をクリックすることで選択した破面画像を解析対象として決定し、解析ボタン83をクリックする。これにより、利用者端末3は、利用者に選択された破面画像を含む破面解析要求を、破面解析装置1に送信する。 FIG. 6 shows an example of a fracture surface analysis screen displayed on the display of the user terminal 3. In the illustrated example, one screen is used as an input screen and an output screen. The user selects a desired fracture surface image (image file) from the data stored in the storage unit of the user terminal 3 using the reference button 81 on the screen and clicks the upload button 82 to select it. The fracture surface image is determined as the analysis target, and the analysis button 83 is clicked. Accordingly, the user terminal 3 transmits a fracture surface analysis request including the fracture surface image selected by the user to the fracture surface analysis device 1.
そして、図5に示す破面解析処理が終了すると、画面の解析結果の表示領域に84に、特定した破壊原因(図示する例では、「脆性破壊」)が表示される。なお、図示する画面例では、解析結果として、最大の確率の破壊原因を1つ表示しているが、学習済みモデルが出力した複数の破壊原因とその確率を、解析結果としても表示してもよい。また、解析結果については、別途指定のアドレスに電子メール等で送信して他の端末から確認したり、指定のURLやSNSサイト等にアップロードしてウェブブラウザやアプリ等で閲覧したりできるようにしてもよい。 Then, when the fracture surface analysis process shown in FIG. 5 is completed, the identified fracture cause (“brittle fracture” in the illustrated example) is displayed in the analysis result display area of the screen in 84. In addition, in the screen example shown in the figure, one cause of destruction with the highest probability is displayed as the analysis result, but a plurality of causes of destruction output by the learned model and their probabilities are also displayed as the analysis result. Good. In addition, the analysis results can be sent separately to a specified address by e-mail, etc. and confirmed from other terminals, or uploaded to a specified URL or SNS site, etc. so that they can be viewed with a web browser or application. May be.
以上説明した本実施形態の破面解析装置1は、解析対象の樹脂成形体の破面を撮像した対象破面画像を取得する取得部11と、破面画像と破壊原因であるラベルとを教師データとする機械学習によって生成された学習済みモデルに、前記対象破面画像を入力して前記樹脂成形体の破壊原因を特定する解析部13と、を有する。これにより、本実施形態では、経験および知識を有する熟練した技術者でなくても、破壊された樹脂成形体の破面画像を取得するだけで、容易に短時間で精度の高い破壊原因を特定(推定)することができる。これにより、利用者の利便性を向上することができる。 The fracture surface analysis apparatus 1 of the present embodiment described above teaches the acquisition unit 11 that acquires the target fracture surface image obtained by imaging the fracture surface of the resin molded body to be analyzed, the fracture surface image, and the label that is the cause of destruction. An analysis unit 13 that inputs the target fracture surface image to a learned model generated by machine learning that uses data and identifies a cause of destruction of the resin molded body is included. As a result, in the present embodiment, even a skilled engineer having experience and knowledge can easily identify the cause of destruction with high accuracy in a short time only by acquiring the fracture surface image of the destroyed resin molded body. Can be (estimated). This can improve the convenience of the user.
<第2の実施形態>
本実施形態の破面解析システムは、図1に示す第1の実施形態と同様に、破面解析装置1と、モデル生成装置2と、利用者端末3とを備える。第1の実施形態では破面画像から破壊原因を特定したが、第2の実施形態では、破面画像に加えて樹脂成形体が破壊する要因となる周辺情報を教師データに含める。以下に、本実施形態のモデル生成装置2が使用する教師データについて説明する。
<Second Embodiment>
The fracture surface analysis system of this embodiment includes a fracture surface analysis device 1, a model generation device 2, and a user terminal 3 as in the first embodiment shown in FIG. In the first embodiment, the cause of destruction is identified from the fracture surface image, but in the second embodiment, the teacher data includes peripheral information that causes destruction of the resin molded body in addition to the fracture surface image. The teacher data used by the model generation device 2 of this embodiment will be described below.
図7は、本実施形態の教師データの例である。図示する教師データは、破壊原因であるラベルと、破面画像の画像データと、周辺情報とを含む。周辺情報は、樹脂成形体に関する情報であり、樹脂成形体が破壊する要因となる情報である。具体的には、周辺情報は、例えば、組成情報(材質)、成形条件、使用環境、形状等である。組成情報については、ここでは樹脂グレードを用いる。 FIG. 7 is an example of teacher data of this embodiment. The illustrated teacher data includes a label that is a cause of destruction, image data of a fracture surface image, and peripheral information. The peripheral information is information about the resin molded body and is information that causes the resin molded body to break. Specifically, the peripheral information is, for example, composition information (material), molding conditions, use environment, shape and the like. For composition information, resin grade is used here.
図8は、樹脂グレードDB(データベース)の例である。樹脂グレードDBには、樹脂グレード毎に、ベース樹脂の種類と割合、少なくとも1つの添加剤などの種類と割合が規定され、樹脂成形体の組成情報を表すものである。本実施形態のモデル生成装置2のデータ記憶部23には、図7の教師データ、および、図8の樹脂グレードDBが記憶される。 FIG. 8 is an example of a resin grade DB (database). The resin grade DB defines the type and proportion of the base resin and the type and proportion of at least one additive etc. for each resin grade, and represents the composition information of the resin molded body. The data storage unit 23 of the model generation device 2 of the present embodiment stores the teacher data of FIG. 7 and the resin grade DB of FIG.
次に、図3を参照して、本実施形態のモデル生成装置2が行う学習済みモデルの生成処理について説明する。まず、データ取得部21は、教師データとして、データ記憶部23から教師データを取得する(S11)。本実施形態では、データ取得部21は、教師データの樹脂グレードを、樹脂グレードDBを用いて、対応する組成情報に変換する。そして、学習部22は、樹脂グレードを組成情報に変換した教師データを用いて機械学習を行い、樹脂成形体の破壊原因を特定するための学習済みモデルを生成および更新する(S12)。 Next, with reference to FIG. 3, a learning model generation process performed by the model generation device 2 of the present embodiment will be described. First, the data acquisition unit 21 acquires teacher data from the data storage unit 23 as teacher data (S11). In the present embodiment, the data acquisition unit 21 converts the resin grade of the teacher data into the corresponding composition information using the resin grade DB. Then, the learning unit 22 performs machine learning by using the teacher data obtained by converting the resin grade into the composition information, and generates and updates the learned model for identifying the cause of destruction of the resin molded body (S12).
図9は、本実施形態の学習済みモデルの一例を示す。ここでは、第1の実施形態の学習済みモデル(図4)との相違点を中心に説明し、重複する記載は省略する。なお、図示する例では、ニューラルネットワークの中間層は1層であるが、高度な画像認識を行うために複数の層で構成されていてもよい。 FIG. 9 shows an example of the learned model of this embodiment. Here, the difference from the learned model (FIG. 4) of the first embodiment will be mainly described, and duplicate description will be omitted. In the illustrated example, the middle layer of the neural network is one layer, but it may be composed of a plurality of layers for high-level image recognition.
本実施形態のニューラルネットワークは、教師データのデータ群ごとに入力層と中間層とが形成され、データ群ごと中間層の出力が出力層に入力され、出力層が破壊原因の確率を出力するようにパラメータ(重み付け値、バイアス)が学習されたものである。データ群は、カテゴリー毎のデータ集合である。データ群には、破面画像のデータ群と、周辺情報に含まれる複数種類のデータ群(例えば、組成情報のデータ群、成形条件のデータ群、使用環境のデータ群、形状のデータ群等)とがある。 In the neural network of this embodiment, an input layer and an intermediate layer are formed for each data group of teacher data, the output of the intermediate layer is input to the output layer for each data group, and the output layer outputs the probability of the cause of destruction. The parameters (weighting value, bias) are learned. The data group is a data set for each category. The data group includes the fracture surface image data group and multiple types of data groups included in the peripheral information (eg, composition information data group, molding condition data group, usage environment data group, shape data group, etc.). There is.
図示する例では、データ群Aは破面画像のデータ群であって、破面画像の各画素値が入力層の各ニューロンに入力され、各ニューロンのパラメータを用いた演算結果(出力)が、データ群Aの中間層の各ニューロンに入力される。データ群Aの入力層および中間層は、第1の実施形態の学習済みモデルと同様である。データ群Bは組成情報のデータ群であって、組成情報の各データ(各組成物の割合)が、入力層の各ニューロンに入力され、各ニューロンのパラメータを用いた演算結果が、データ群Bの中間層の各ニューロンに入力される。そして、データ群ごとの中間層の全てのニューロンの出力が、パラメータを用いた演算を経て出力層の各ニューロンに入力され、出力層の各ニューロンが対応する破壊原因の確率を出力する。 In the illustrated example, the data group A is a data group of the fracture surface image, each pixel value of the fracture surface image is input to each neuron of the input layer, and the calculation result (output) using the parameters of each neuron is It is input to each neuron in the middle layer of the data group A. The input layer and the intermediate layer of the data group A are the same as the trained model of the first embodiment. The data group B is a data group of composition information, each data of composition information (ratio of each composition) is input to each neuron of the input layer, and the calculation result using the parameter of each neuron is the data group B. Is input to each neuron in the middle layer of. Then, the outputs of all the neurons in the intermediate layer for each data group are input to each neuron in the output layer through the operation using the parameters, and each neuron in the output layer outputs the probability of the destruction cause corresponding to each neuron.
このように、データ群ごとに入力層と中間層とを形成することで、データの性質に応じた学習済みモデルを生成することができ、高い解析精度を実現することができる。すなわち、データ群ごとにデータの性質(量的データ、カテゴリ)が異なるため、それぞれのデータの性質に応じた中間層を構築し、利用することで、高い解析精度を実現することができる。具体的には、破面画像の画像データについては、画像解析に適したネットワーク構造の中間層を構築し、周辺情報の各種のデータ群についても、各データ群の性質に適した中間層を構築する。なお、データ群ごとに、中間層を構成する層の数が異なってもよい。 In this way, by forming the input layer and the intermediate layer for each data group, it is possible to generate a learned model according to the property of the data, and it is possible to realize high analysis accuracy. That is, since the property of data (quantitative data, category) is different for each data group, high analysis accuracy can be realized by constructing and using an intermediate layer according to the property of each data. Specifically, for image data of fracture surface images, an intermediate layer with a network structure suitable for image analysis is constructed, and for various data groups of peripheral information, an intermediate layer suitable for the properties of each data group is also constructed. To do. The number of layers forming the intermediate layer may be different for each data group.
学習部22は、第1の実施形態と同様に、誤差逆転伝播法などによる機械学習により、各層のパラメータを更新する。そして、学習部22は、機械学習を終了するか否かを判定し(S13)、機械学習を終了しないと判定した場合(S13:NO)は、S11に戻り以降の処理を繰り返し行う。終了すると判定した場合(S13:YES)は、学習部22は、生成した学習済みモデルをモデル記憶部24に記憶し、生成した学習済みモデルを破面解析装置1に送信する(S14)。これにより、破面解析装置1のモデル記憶部15には、学習済みモデルが記憶される。 As in the first embodiment, the learning unit 22 updates the parameters of each layer by machine learning such as the error back propagation method. Then, the learning unit 22 determines whether to end the machine learning (S13), and when it is determined not to end the machine learning (S13: NO), returns to S11 and repeats the subsequent processes. When it is determined to end (S13: YES), the learning unit 22 stores the generated learned model in the model storage unit 24 and transmits the generated learned model to the fracture surface analysis device 1 (S14). As a result, the learned model is stored in the model storage unit 15 of the fracture surface analysis device 1.
以上説明したように、本実施形態の学習済みモデルは、解析対象の樹脂成形体の破面を撮像した破面画像に基づいて、樹脂成形体の破壊原因を特定するようにコンピュータを機能させるための学習済みモデルであり、破面画像と、破壊の要因となる周辺情報とを含む複数のデータ群と、破壊原因であるラベルとを対応付けた教師データを用いた機械学習により生成される。そして、学習済みモデルのニューラルネットワークは、データ群ごとに入力層と中間層とが形成され、データ群ごとの中間層の出力が出力層に入力され、出力層が破壊原因の確率を出力するように重み付け値が学習されたものである。また、学習済みモデルは、入力層に入力された複数のデータ群に対し、学習された重み付け値に基づく演算を行い、出力層から破壊原因の確率を出力するように、破面解析装置1を機能させる。 As described above, the learned model of the present embodiment causes the computer to function so as to identify the cause of destruction of the resin molded body based on the fracture surface image obtained by imaging the fracture surface of the resin molded body to be analyzed. Is a model that has already been learned, and is generated by machine learning using teacher data in which a plurality of data groups including a fracture surface image, peripheral information that causes destruction and a label that causes destruction are associated with each other. Then, the neural network of the trained model has an input layer and an intermediate layer formed for each data group, the output of the intermediate layer for each data group is input to the output layer, and the output layer outputs the probability of the cause of destruction. The weighted values are learned. Further, the learned model performs the calculation based on the learned weighted value on the plurality of data groups input to the input layer, and outputs the probability of the fracture cause from the output layer to the fracture surface analysis device 1. Make it work.
次に、図5を参照して、本実施形態の破面解析装置1が行う破面解析処理を説明する。ここでは、第1の実施形態の破面解析処理との違いを中心に説明する。取得部11は、利用者端末3から送信された、樹脂成形体の破面を撮像した破面画像および周辺情報を取得する(S21)。 Next, with reference to FIG. 5, the fracture surface analysis processing performed by the fracture surface analysis device 1 of the present embodiment will be described. Here, the difference from the fracture surface analysis processing of the first embodiment will be mainly described. The acquisition unit 11 acquires the fracture surface image of the fracture surface of the resin molded body and the peripheral information transmitted from the user terminal 3 (S21).
図10は、利用者端末3のディスプレイに表示される、破面解析用の画面の一例を示すものである。本実施形態の画面は、周辺情報の入力欄(入力領域)85が設定されている点において、第1の実施形態の画面と異なる。利用者は、画面の参照ボタン81を用いて利用者端末3の記憶部に格納されたデータの中から所望の破面画像(画像ファイル)を選択し、アップロードボタン82をクリックすることで選択した破面画像を解析対象として決定する。そして、利用者は、周辺情報の各入力欄85に、解析対象の樹脂成形体の周辺情報を入力する。なお、図示する例では、組成情報については樹脂グレードを入力する。これにより、利用者の入力負荷および入力ミスを軽減することができる。利用者は、破面画像の選択および周辺情報の入力後、解析ボタン83をクリックする。これにより、利用者端末3は、利用者に選択された破面画像および周辺情報を含む破面解析要求を、破面解析装置1に送信し、破面解析装置1の取得部11は破面画像および周辺情報を受信する。 FIG. 10 shows an example of a fracture surface analysis screen displayed on the display of the user terminal 3. The screen of the present embodiment is different from the screen of the first embodiment in that a peripheral information input field (input area) 85 is set. The user selects a desired fracture surface image (image file) from the data stored in the storage unit of the user terminal 3 using the reference button 81 on the screen and clicks the upload button 82 to select it. The fracture surface image is determined as the analysis target. Then, the user inputs the peripheral information of the resin molded body to be analyzed in each of the peripheral information input fields 85. In the illustrated example, the resin grade is input as the composition information. As a result, it is possible to reduce the user's input load and input error. After selecting the fracture surface image and inputting the peripheral information, the user clicks the analysis button 83. As a result, the user terminal 3 transmits a fracture surface analysis request including the fracture surface image and the peripheral information selected by the user to the fracture surface analysis device 1, and the acquisition unit 11 of the fracture surface analysis device 1 transmits the fracture surface. Receive images and surrounding information.
取得部11は、受信した周辺情報の樹脂グレードを、樹脂グレードDBを用いて組成情報に変換する。なお、本実施形態の破面解析装置1は、図示しない記憶部に樹脂グレードDBを記憶しているものとする。そして、変更部12は、取得した破面画像のリサイズを行い(S22)、解析部13は、リサイズ後の破面画像および周辺情報を用いて破壊原因を特定する(S23)。 The acquisition unit 11 converts the resin grade of the received peripheral information into composition information using the resin grade DB. It is assumed that the fracture surface analysis apparatus 1 of this embodiment stores the resin grade DB in a storage unit (not shown). Then, the changing unit 12 resizes the acquired fracture surface image (S22), and the analyzing unit 13 identifies the destruction cause using the resized fracture surface image and the peripheral information (S23).
具体的には、解析部13は、モデル記憶部15に記憶された学習済みモデル(ニューラルネットワークおよびパラメータ)を読み出し、データ群ごとに入力層のニューロンに入力して、学習済みモデルの演算を行う。本実施形態では、入力層および中間層は、データ群ごとに演算され、データ群ごとの中間層が出力層へと出力され、最終的に出力層の各ニューロンから対応する破壊原因の特定結果が出力される。 Specifically, the analysis unit 13 reads out the learned model (neural network and parameters) stored in the model storage unit 15 and inputs it to each neuron in the input layer for each data group to calculate the learned model. .. In the present embodiment, the input layer and the intermediate layer are calculated for each data group, the intermediate layer for each data group is output to the output layer, and finally each neuron of the output layer obtains the corresponding result of the identification of the destruction cause. Is output.
解析部13は、学習済みモデルが出力した各破壊原因の確率に基づいて、破壊原因を特定する。例えば、解析部13は、最大の確率を有する破壊原因を特定する。そして、出力部14は、解析部13が特定した破壊原因を、利用者端末3に送信する(S24)。 The analysis unit 13 identifies the cause of destruction based on the probability of each cause of destruction output by the learned model. For example, the analysis unit 13 identifies the cause of destruction having the highest probability. Then, the output unit 14 transmits the cause of destruction identified by the analysis unit 13 to the user terminal 3 (S24).
これにより、利用者端末3の画面の解析結果の表示領域に84に、特定した破壊原因(図示する例では、「脆性破壊」)が表示される。なお、図10の画面例では、解析結果として、最大の確率の破壊原因を1つ表示しているが、学習済みモデルが出力した複数の破壊原因とその確率を、解析結果としても表示してもよい。 As a result, the identified cause of failure (“brittle fracture” in the illustrated example) is displayed in the analysis result display area of the screen of the user terminal 3 at 84. In the screen example of FIG. 10, one cause of destruction with the highest probability is displayed as the analysis result, but a plurality of causes of destruction output by the learned model and their probabilities are also displayed as the analysis result. Good.
以上説明した本実施形態の破面解析装置1では、解析対象の樹脂成形体の破面を撮像した対象破面画像および破壊の要因となる周辺情報を取得する取得部と、破面画像と周辺情報と破壊原因であるラベルとを教師データとする機械学習によって生成された学習済みモデルに、対象破面画像および周辺情報を入力して樹脂成形体の破壊原因を特定する解析部と、を有する。これにより、本実施形態では、樹脂成形体の周辺情報を考慮したうえで、容易かつ短時間に高い精度で破壊原因を特定(推定)することができる。すなわち、破面画像だけでは破壊原因の判断が難しい場合であっても、破壊した樹脂成形体の組成などの周辺情報を加味することで、総合的に破壊原因を解析し、高い精度で破壊原因を特定することができる。 In the fracture surface analysis device 1 of the present embodiment described above, an acquisition unit that acquires a target fracture surface image obtained by imaging the fracture surface of the resin molded body to be analyzed and peripheral information that is a factor of destruction, the fracture surface image and the periphery. A learning model generated by machine learning using information and a label that is the cause of destruction as a learning data, and an analysis unit that inputs the target fracture surface image and peripheral information and identifies the cause of destruction of the resin molded body. .. As a result, in the present embodiment, the cause of destruction can be identified (estimated) easily and in a short time with high accuracy in consideration of the peripheral information of the resin molded body. In other words, even if it is difficult to determine the cause of destruction only with the fracture surface image, the cause of destruction can be comprehensively analyzed by adding the peripheral information such as the composition of the destroyed resin molding, and the cause of destruction can be calculated with high accuracy. Can be specified.
なお、上記説明した破面解析装置1およびモデル生成装置2は、例えば、CPU(Central Processing Unit、プロセッサ)と、メモリと、ストレージ(HDD:Hard Disk Drive、SSD:Solid State Drive)と、通信装置と、入力装置と、出力装置とを備える汎用的なコンピュータシステムを用いることができる。このコンピュータシステムにおいて、CPUがメモリ上にロードされた所定のプログラムを実行することにより、各装置の各機能が実現される。例えば、破面解析装置1およびモデル生成装置2の各機能は、破面解析装置1用のプログラムの場合は破面解析装置1のCPUが、モデル生成装置2用のプログラムの場合はモデル生成装置2のCPUが、それぞれ実行することにより実現される。利用者端末3についても、CPU、メモリ、通信装置などを備える汎用的なコンピュータシステム(例えばPC等)を用いることができる。 The fracture surface analysis device 1 and the model generation device 2 described above are, for example, a CPU (Central Processing Unit, processor), a memory, a storage (HDD: Hard Disk Drive, SSD: Solid State Drive), and a communication device. A general-purpose computer system including an input device and an output device can be used. In this computer system, each function of each device is realized by the CPU executing a predetermined program loaded on the memory. For example, in the case of the program for the fracture surface analysis device 1, the CPU of the fracture surface analysis device 1 has the functions of the fracture surface analysis device 1 and the model generation device 2, and in the case of the program for the model generation device 2, the model generation device It is realized by executing two CPUs respectively. For the user terminal 3 as well, a general-purpose computer system (for example, a PC) including a CPU, a memory, a communication device, etc. can be used.
また、破面解析装置1用のプログラム、および、モデル生成装置2用のプログラムは、HDD、SSD、USBメモリ、CD-ROM、DVD-ROM、MOなどのコンピュータ読取り可能な記録媒体に記憶することも、ネットワークを介して配信することもできる。また、モデル生成装置2は、機械学習の演算量が多いためGPU(Graphics Processing Unit)を備え、高速処理を行うこととしてもよい。 Also, the program for the fracture surface analysis device 1 and the program for the model generation device 2 should be stored in a computer-readable recording medium such as HDD, SSD, USB memory, CD-ROM, DVD-ROM, MO. Alternatively, it can be distributed via a network. In addition, the model generation device 2 may include a GPU (Graphics Processing Unit) to perform high-speed processing because the calculation amount of machine learning is large.
また、本発明は上記実施形態に限定されるものではなく、その要旨の範囲内で数々の変形が可能である。例えば、以下の変形例がある。 Further, the present invention is not limited to the above embodiment, and various modifications can be made within the scope of the gist thereof. For example, there are the following modifications.
<変形例1>
上記第1の実施形態では、学習済みモデルを用いて、破面画像から破壊原因を特定することとしたが、テンプレートマッチングを用いて破面画像から破壊原因を特定してもよい。この場合、破面解析装置は、学習済みモデルの代わりに、破壊原因毎に、破面画像の中で特徴的な部分を示す部分画像を、テンプレート画像として記憶部に記憶する。テンプレート画像には、例えば、図2A〜図2Cに示す、各破面画像の点線で囲んだ領域の部分画像を用いることができる。
<Modification 1>
In the first embodiment, the learned model is used to identify the cause of destruction from the fracture surface image, but template matching may be used to identify the cause of destruction from the fracture surface image. In this case, the fracture surface analysis device stores, as a template image, a partial image showing a characteristic portion in the fracture surface image for each destruction cause, instead of the learned model. As the template image, for example, a partial image of a region surrounded by a dotted line of each fracture surface image shown in FIGS. 2A to 2C can be used.
破面解析装置1は、利用者端末3から送信された破面画像を、記憶部に記憶された複数のテンプレート画像のそれぞれと、テンプレートマッチングを行い、類似度を算出する。テンプレートマッチングでは、入力された画像の一部分とテンプレート画像との類似度を算出し、類似度が最も大きい場所を探索し、当該箇所における類似度(最大類似度)を出力する。テンプレートマッチングの類似度の算出方法には、SSD(Sum of Squared Difference)、SAD(Sum of Absolute Difference)、NCC(Normalized Cross Correlation)などがある。 The fracture surface analysis device 1 performs template matching on the fracture surface image transmitted from the user terminal 3 with each of the plurality of template images stored in the storage unit to calculate the degree of similarity. In template matching, the degree of similarity between a part of the input image and the template image is calculated, the place with the highest degree of similarity is searched, and the degree of similarity (maximum degree of similarity) at that point is output. Template matching similarity calculation methods include SSD (Sum of Squared Difference), SAD (Sum of Absolute Difference), and NCC (Normalized Cross Correlation).
そして、破面解析装置1は、テンプレートごとに出力された類似度に応じて破壊原因を特定する。すなわち、破面解析装置1は、類似度が最も高いテンプレート画像に対応する破壊原因を、受信した破面画像の破壊原因として特定する。 Then, the fracture surface analysis device 1 identifies the cause of destruction according to the similarity output for each template. That is, the fracture surface analysis apparatus 1 identifies the cause of destruction corresponding to the template image having the highest degree of similarity as the cause of destruction of the received fracture surface image.
このように、変形例2の破面解析装置は、破面画像の中で特徴的な部分を示す部分画像を、破壊原因毎にテンプレート画像として記憶する記憶部と、解析対象の樹脂成形体の破面を撮像した対象破面画像を取得する取得部と、前記対象破面画像と、前記記憶部に記憶された複数の前記テンプレート画像のそれぞれとテンプレートマッチングを行って前記テンプレート画像毎の類似度を算出し、前記類似度に基づいて前記樹脂成形体の破壊原因を特定する解析部と、を有する。すなわち、変形例2の破面解析装置は、図1の破面解析装置1のモデル記憶部15に学習済みモデルを記憶する代わりに、破壊原因毎のテンプレート画像が記憶されている。 As described above, the fracture surface analysis device of the second modification includes a storage unit that stores a partial image showing a characteristic portion in the fracture surface image as a template image for each cause of destruction, and a resin molded body to be analyzed. An acquisition unit that acquires a target fracture surface image capturing a fracture surface, the target fracture surface image, and a plurality of template images stored in the storage unit, performs template matching with each of the template images, and the degree of similarity of each template image. And an analysis unit that identifies the cause of destruction of the resin molded body based on the similarity. That is, in the fracture surface analysis apparatus of Modification Example 2, instead of storing the learned model in the model storage unit 15 of the fracture surface analysis apparatus 1 of FIG. 1, template images for each cause of destruction are stored.
<変形例2>
上記第1および第2の実施形態の破面解析システムは、ネットワークを介して利用者端末3から送信された破面画像を受信し、解析結果である破壊原因を利用者端末3に送信することとした。しかしながら、本発明は、利用者がUSBメモリ等の記録媒体等を用いて直接、破面解析装置1に破面画像を入力することとしてもよい。また、解析結果は、ネットワークを介して利用者端末3に送信してもよいし、破面解析装置1が備える出力装置(ディスプレイ、プリンタ等)に出力することとしてもよい。
<Modification 2>
The fracture surface analysis system of the first and second embodiments receives the fracture surface image transmitted from the user terminal 3 via the network, and transmits the destruction cause which is the analysis result to the user terminal 3. And However, in the present invention, the user may directly input the fracture surface image to the fracture surface analysis device 1 using a recording medium such as a USB memory. The analysis result may be transmitted to the user terminal 3 via the network, or may be output to an output device (display, printer, etc.) included in the fracture surface analysis device 1.
<変形例3>
上記変形例2は、利用者がUSBメモリ等の記録媒体等を用いて、破面解析装置1に破面画像を入力することとした。しかしながら本発明では、破面解析装置1とSEM4を一体的に構成し、SEM4が撮像および出力した樹脂成形体の破面画像を、破面解析装置1に直接入力することとしてもよい。また、解析結果は、変形例2と同様にネットワークを介して利用者端末3に送信してもよいし、破面解析装置1が備える出力装置(ディスプレイ、プリンタ等)に出力することとしてもよい。後者の場合、記録媒体を介したデータの移動と、利用者端末3を介したデータの送信とを省略することができる。
<Modification 3>
In the second modification, the user inputs the fracture surface image to the fracture surface analysis device 1 using a recording medium such as a USB memory. However, in the present invention, the fracture surface analysis device 1 and the SEM 4 may be integrally configured, and the fracture surface image of the resin molded body imaged and output by the SEM 4 may be directly input to the fracture surface analysis device 1. The analysis result may be transmitted to the user terminal 3 via the network as in the second modification, or may be output to an output device (display, printer, etc.) included in the fracture surface analysis device 1. .. In the latter case, the movement of the data via the recording medium and the transmission of the data via the user terminal 3 can be omitted.
<変形例4>
上記第1の実施形態、第2の実施形態および変形例1〜3では、利用者端末3は、破面解析装置1とは別の構成としてネットワークを介して接続することとした。しかしながら本発明では、利用者端末3を破面解析装置1および/またはSEM4と同一の筐体に一体的に組み込むこととしてもよい。
<Modification 4>
In the first embodiment, the second embodiment, and the modified examples 1 to 3, the user terminal 3 is connected via the network as a configuration different from the fracture surface analysis device 1. However, in the present invention, the user terminal 3 may be integrated into the same housing as the fracture surface analysis device 1 and/or the SEM 4.
<変形例5>
上記第2の実施形態では、取得部11は、受信した周辺情報の樹脂グレードを、樹脂グレードDBを用いて組成情報に変換することとした。しかしながら本発明では、ベース樹脂や添加剤などの組成情報を個々に入力してもよい。このためには例えば、図10に示す周辺情報の入力欄85の樹脂グレード欄において、選択肢(ドロップダウンリスト)の1つに「組成情報入力」を設定しておく。そして、ユーザが「組成情報入力」を選択すると、組成情報の入力欄が表示されるようにしておき、そこでユーザが入力した組成情報が、周辺情報として破面解析装置1に送信されるようにしておけばよい。このように利用者が個別に組成情報を入力することにより、樹脂グレードDBに登録のない樹脂形成体についても、周辺情報として組成情報を加味した解析が可能となる。
<Modification 5>
In the second embodiment, the acquisition unit 11 converts the received resin grade of the peripheral information into the composition information using the resin grade DB. However, in the present invention, composition information such as the base resin and additives may be individually input. For this purpose, for example, in the resin grade column of the peripheral information input column 85 shown in FIG. 10, “composition information input” is set as one of the options (drop-down list). Then, when the user selects “composition information input”, the composition information input field is displayed so that the composition information input by the user is transmitted to the fracture surface analysis device 1 as peripheral information. You can leave it. In this way, the user individually inputs the composition information, so that it becomes possible to analyze the resin formed body not registered in the resin grade DB with the composition information as the peripheral information.
<変形例6>
上記変形例5では、あらかじめ把握済の組成情報を個々に入力することとした。しかしながら本発明では、SEM4、利用者端末3、破面解析装置1のいずれか1つ以上と一体で、またはそれらとは別で、組成分析装置をさらに備えることとしてもよい。組成分析装置は、解析対象の樹脂成形体の組成分析を、破面の撮像と同時および/または撮像の前および/または撮像の後に行い、そこで得られた組成情報を、周辺情報として破面解析装置1に入力するようにしてもよい。この場合、破面解析装置1の取得部11は、組成情報を組成分析装置の解析結果を用いて取得する。
<Modification 6>
In Modification 5, the composition information that has been grasped in advance is input individually. However, in the present invention, a composition analysis device may be further provided integrally with any one or more of the SEM 4, the user terminal 3, and the fracture surface analysis device 1 or separately from them. The composition analysis device performs composition analysis of a resin molded body to be analyzed at the same time as imaging of a fracture surface and/or before and/or after imaging, and the composition information obtained there is used as peripheral information for fracture surface analysis. You may make it input into the apparatus 1. In this case, the acquisition unit 11 of the fracture surface analysis device 1 acquires the composition information using the analysis result of the composition analysis device.
ここで用いる組成分析装置としては、例えば赤外分光分析装置、核磁気共鳴装置、質量分析装置、X線回折装置、蛍光X線分析装置、原子発光分析装置、各種クロマトグラフィ等、公知の組成分析装置の1種または2種以上を組み合わせて用いることができる。この場合、使用する装置の組成分析方法に応じた組成情報のデータ群を含む教師データをモデル生成装置2に入力することで、使用する組成分析方法に応じた学習済みモデルを生成することができる。これにより、組成情報が不明確な樹脂成形体においても、より精度の高い解析が可能となる。 The composition analyzer used here is, for example, a known composition analyzer such as an infrared spectroscopic analyzer, a nuclear magnetic resonance apparatus, a mass spectrometer, an X-ray diffractometer, a fluorescent X-ray analyzer, an atomic emission spectrometer, and various chromatographies. These can be used alone or in combination of two or more. In this case, by inputting the teacher data including the data group of the composition information according to the composition analysis method of the device to be used to the model generation device 2, the learned model according to the composition analysis method to be used can be generated. .. As a result, even in the case of a resin molded body whose composition information is unclear, it is possible to perform a highly accurate analysis.
<変形例7>
上記第1および第2の実施形態や変形例1〜6では、利用者が破面の特定箇所を選択して撮影した画像データを破面画像として入力することとした。しかしながら本発明では、SEM4、利用者端末3、破面解析装置1のいずれか1つ以上において、破面の特徴的な部位を特定する特徴部特定機能を持たせ、当該箇所の破面画像が自動的に取得および入力されるようにしてもよい。特徴的な部位の破面画像は、樹脂成形体の破面全体を撮影した画像から、特定の範囲を選択および拡大して取得してもよいし、樹脂成形体の破面を部分ごとに拡大して撮影した複数枚の画像から、特定の画像を選択して取得してもよい。ここで、特徴部特定機能における特徴的な部位の選択については、破壊原因の特定と同様に、機械学習により生成したモデルを用いて特定させてもよいし、あらかじめ記憶させた特徴的な部位のテンプレートとの類似度から特定させてもよい。なお、入力する破面画像としては、特徴部特定機能が選択した画像をそのまま用いてもよいし、特徴部特定機能が絞り込んだ画像から適切な画像を利用者が選択して用いてもよいし、利用者が範囲や枚数を絞り込んだ画像から特徴部特定機能が選択した画像を用いてもよい。
<Modification 7>
In the first and second embodiments and the modified examples 1 to 6, the user selects the specific portion of the fracture surface and inputs the captured image data as the fracture surface image. However, in the present invention, any one or more of the SEM 4, the user terminal 3, and the fracture surface analysis device 1 is provided with a feature portion specifying function for identifying a characteristic portion of the fracture surface, and a fracture surface image of the location is displayed. It may be automatically acquired and input. The fracture surface image of a characteristic part may be obtained by selecting and enlarging a specific range from an image of the entire fracture surface of the resin molded body, or enlarging the fracture surface of the resin molded body for each part. A specific image may be selected and acquired from a plurality of images captured by. Here, as to the selection of the characteristic part in the characteristic part specifying function, similarly to the specification of the cause of the destruction, the characteristic part may be specified by using a model generated by machine learning, or the characteristic part stored in advance may be selected. You may specify from the similarity with a template. As the fracture surface image to be input, the image selected by the feature specifying function may be used as it is, or the user may select and use an appropriate image from the images narrowed down by the feature specifying function. Alternatively, an image selected by the feature specifying function from the image in which the user narrows down the range and the number of sheets may be used.
1 :破面解析装置
11:取得部
12:変更部
13:解析部
14:出力部
15:モデル記憶部
2 :モデル生成装置
21:データ取得部
22:学習部
23:データ記憶部
24:モデル記憶部
3 :利用者端末
4 :SEM(走査型電子顕微鏡)
1: Fracture surface analysis device 11: Acquisition unit 12: Change unit 13: Analysis unit 14: Output unit 15: Model storage unit 2: Model generation device 21: Data acquisition unit 22: Learning unit 23: Data storage unit 24: Model storage Part 3: User terminal 4: SEM (scanning electron microscope)
Claims (17)
解析対象の樹脂成形体の破面を撮像した対象破面画像を取得する取得部と、
破面画像と破壊原因であるラベルとを教師データとする機械学習によって生成された学習済みモデルに、前記対象破面画像を入力して前記樹脂成形体の破壊原因を特定する解析部と、を有すること
を特徴とする破面解析装置。 A fracture surface analysis device,
An acquisition unit that acquires a target fracture surface image of the fracture surface of the resin molded body to be analyzed,
A learning model generated by machine learning using a fracture surface image and a label that is the cause of destruction as a learned model, and an analysis unit that identifies the cause of destruction of the resin molded body by inputting the target fracture surface image. A fracture surface analysis device characterized by having.
前記教師データは、破壊の要因となる周辺情報を含み、
前記取得部は、前記樹脂成形体の前記周辺情報を取得し、
前記解析部は、前記対象破面画像とともに前記周辺情報を前記学習済みモデルに入力して、前記樹脂成形体の破壊原因を特定すること
を特徴とする破面解析装置。 The fracture surface analysis device according to claim 1,
The teacher data includes peripheral information that causes destruction,
The acquisition unit acquires the peripheral information of the resin molded body,
The fracture surface analysis device, wherein the analysis unit inputs the peripheral information together with the target fracture surface image into the learned model to identify a cause of destruction of the resin molded body.
前記周辺情報は、前記樹脂成形体の組成情報、成形条件、使用環境および形状の少なくとも1つを含むこと
を特徴とする破面解析装置。 The fracture surface analysis device according to claim 2,
The fracture surface analysis device, wherein the peripheral information includes at least one of composition information, molding conditions, use environment, and shape of the resin molded body.
前記取得部は、前記組成情報を、樹脂グレードまたは組成分析装置の解析結果を用いて取得すること
を特徴とする破面解析装置。 The fracture surface analysis device according to claim 3,
The fracture surface analysis apparatus, wherein the acquisition unit acquires the composition information using an analysis result of a resin grade or a composition analysis apparatus.
前記取得部は、利用者が個別に入力した前記組成情報を取得すること
を特徴とする破面解析装置。 The fracture surface analysis device according to claim 3,
The fracture surface analysis apparatus, wherein the acquisition unit acquires the composition information individually input by a user.
取得した前記対象破面画像を、所定の画素数の画像にサイズ変更する変更部を有すること
を特徴とする破面解析装置。 The fracture surface analysis device according to any one of claims 1 to 5,
A fracture surface analysis apparatus comprising: a change unit that changes the size of the acquired target fracture surface image to an image having a predetermined number of pixels.
前記取得部は、利用者端末から送信された前記対象破面画像を取得し、
前記解析部が特定した破壊原因を、前記利用者端末に送信する出力部を有すること
を特徴とする破面解析装置。 The fracture surface analysis device according to any one of claims 1 to 6,
The acquisition unit acquires the target fracture surface image transmitted from the user terminal,
A fracture surface analysis device, comprising: an output unit that transmits the cause of destruction identified by the analysis unit to the user terminal.
前記取得部は、記録媒体に格納された前記対象破面画像、または、走査型電子顕微鏡から入力された前記対象破面画像を取得し、
前記解析部が特定した破壊原因を、前記破面解析装置に出力する、または、利用者端末に送信する出力部を有すること
を特徴とする破面解析装置。 The fracture surface analysis device according to any one of claims 1 to 7,
The acquisition unit acquires the target fracture surface image stored in a recording medium, or acquires the target fracture surface image input from a scanning electron microscope,
The fracture surface analysis device, comprising: an output unit that outputs the cause of destruction identified by the analysis unit to the fracture surface analysis device or transmits the fracture cause to the user terminal.
前記学習済みモデルは、複数の破壊原因の各確率を出力し、
前記解析部は、前記確率に基づいて、前記樹脂成形体の破壊原因を特定すること
を特徴とする破面解析装置。 The fracture surface analysis device according to any one of claims 1 to 8,
The trained model outputs each probability of multiple destruction causes,
The fracture surface analysis apparatus, wherein the analysis unit identifies a cause of destruction of the resin molded body based on the probability.
利用者端末および/または走査型電子顕微鏡と一体化した装置であること
を特徴とする破面解析装置。 The fracture surface analysis device according to any one of claims 1 to 9,
A fracture surface analysis device characterized by being a device integrated with a user terminal and/or a scanning electron microscope.
前記樹脂成形体の特徴的な部位を特定する特徴部位特定部を有すること
を特徴とする破面解析装置。 The fracture surface analysis device according to any one of claims 1 to 10,
A fracture surface analysis device, comprising: a characteristic portion specifying portion that specifies a characteristic portion of the resin molded body.
破面画像の中で特徴的な部分を示す部分画像を、破壊原因毎にテンプレート画像として記憶する記憶部と、
解析対象の樹脂成形体の破面を撮像した対象破面画像を取得する取得部と、
前記対象破面画像と、前記記憶部に記憶された複数の前記テンプレート画像のそれぞれとテンプレートマッチングを行って前記テンプレート画像毎の類似度を算出し、前記類似度に基づいて前記樹脂成形体の破壊原因を特定する解析部と、を有すること
を特徴とする破面解析装置。 A fracture surface analysis device,
A storage unit that stores a partial image showing a characteristic portion in the fracture surface image as a template image for each cause of destruction,
An acquisition unit that acquires a target fracture surface image of the fracture surface of the resin molded body to be analyzed,
Template matching is performed on each of the target fracture surface image and each of the plurality of template images stored in the storage unit to calculate the similarity for each template image, and the resin molded body is destroyed based on the similarity. A fracture surface analysis device comprising: an analysis unit that identifies a cause.
樹脂成形体の破面を撮像した破面画像と、前記樹脂成形体の破壊原因であるラベルとを対応付けた教師データを取得する取得部と、
前記教師データを用いた機械学習によって、前記樹脂成形体の破壊原因を特定するための学習済みモデルを生成する学習部と、を有すること
を特徴とする学習済みモデル生成装置。 A trained model generator,
An acquisition unit that acquires teacher data in which a fracture surface image of a fracture surface of the resin molded body and a label that is a cause of destruction of the resin molded body are associated with each other,
And a learning unit that generates a learned model for identifying a cause of destruction of the resin molded body by machine learning using the teacher data.
解析対象の樹脂成形体の破面を撮像した対象破面画像を取得する取得ステップと、
破面画像と破壊原因であるラベルとを教師データとする機械学習によって生成された学習済みモデルに、前記対象破面画像を入力して前記樹脂成形体の破壊原因を特定する解析ステップと、を行うこと
を特徴とする破面解析方法。 A computer-aided fracture surface analysis method,
An acquisition step of acquiring a target fracture surface image of the fracture surface of the resin molded body to be analyzed,
A learning model generated by machine learning with a fracture surface image and a label that is the cause of destruction as a learned model, and an analysis step of inputting the target fracture surface image and identifying the cause of destruction of the resin molded body, A fracture surface analysis method characterized by performing.
破面画像と、破壊原因であるラベルとを対応付けた教師データを用いた機械学習により、前記破面画像の画素値が入力層に入力されると、出力層が破壊原因の確率を出力するように重み付け値が学習されたものであり、
前記入力層に入力された前記破面画像の画素値に対し、学習された前記重み付け値に基づく演算を行い、前記出力層から破壊原因の確率を出力するよう、コンピュータを機能させるための学習済みモデル。 Based on the fracture surface image of the fracture surface of the resin molded body to be analyzed, a learned model for operating the computer to identify the cause of destruction of the resin molded body,
When the pixel value of the fracture surface image is input to the input layer by machine learning using the teacher data in which the fracture surface image and the label that causes the destruction are associated, the output layer outputs the probability of the destruction cause. The weighted values are learned as
Pre-learned to operate the computer so that the pixel value of the fracture surface image input to the input layer is calculated based on the learned weighting value and the probability of destruction is output from the output layer. model.
前記教師データは、破面画像と、破壊の要因となる周辺情報とを含む複数のデータ群と、破壊原因であるラベルとを対応付けたデータであり、
前記学習済みモデルのニューラルネットワークは、前記データ群ごとに入力層と中間層とが形成され、前記データ群ごとの前記中間層の出力が出力層に入力され、前記出力層が破壊原因の確率を出力するように重み付け値が学習されたものであり、
前記入力層に入力された前記複数のデータ群に対し、学習された前記重み付け値に基づく演算を行い、前記出力層から破壊原因の確率を出力するよう、コンピュータを機能させるための学習済みモデル。 The trained model according to claim 16, wherein
The teacher data is data in which a fracture surface image, a plurality of data groups including peripheral information that causes destruction, and a label that is the cause of destruction are associated with each other,
In the learned model neural network, an input layer and an intermediate layer are formed for each of the data groups, an output of the intermediate layer for each of the data groups is input to an output layer, and the output layer has a probability of a cause of destruction. The weighting values have been learned to output,
A learned model for causing a computer to perform an operation based on the learned weighted value for the plurality of data groups input to the input layer and output the probability of the cause of destruction from the output layer.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018216697A JP2020087570A (en) | 2018-11-19 | 2018-11-19 | Fracture surface analyzer, learned model generating device, fracture surface analysis method, fracture surface analyzer program and learned model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018216697A JP2020087570A (en) | 2018-11-19 | 2018-11-19 | Fracture surface analyzer, learned model generating device, fracture surface analysis method, fracture surface analyzer program and learned model |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020087570A true JP2020087570A (en) | 2020-06-04 |
Family
ID=70910098
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018216697A Pending JP2020087570A (en) | 2018-11-19 | 2018-11-19 | Fracture surface analyzer, learned model generating device, fracture surface analysis method, fracture surface analyzer program and learned model |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020087570A (en) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021005856A1 (en) * | 2019-07-08 | 2021-01-14 | 株式会社日立製作所 | Fracture surface analysis apparatus and fracture surface analysis method |
JP7465522B2 (en) | 2020-03-27 | 2024-04-11 | 地方独立行政法人大阪産業技術研究所 | Fracture surface analysis device and fracture surface analysis method |
-
2018
- 2018-11-19 JP JP2018216697A patent/JP2020087570A/en active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021005856A1 (en) * | 2019-07-08 | 2021-01-14 | 株式会社日立製作所 | Fracture surface analysis apparatus and fracture surface analysis method |
JP7465522B2 (en) | 2020-03-27 | 2024-04-11 | 地方独立行政法人大阪産業技術研究所 | Fracture surface analysis device and fracture surface analysis method |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110945528B (en) | Method for generating training set for inspecting semiconductor sample and system thereof | |
Talvitie | Model Regularization for Stable Sample Rollouts. | |
JP4982213B2 (en) | Defect inspection apparatus and defect inspection method | |
JP2015087903A (en) | Apparatus and method for information processing | |
JP2019056975A (en) | Improved generative adversarial network achievement program, improved generative adversarial network achievement device, and learned model generation method | |
JP2007334766A (en) | Abnormal area detection device and abnormal area detection method | |
JP7337937B2 (en) | Magnified Image Acquisition and Storage | |
JP4728444B2 (en) | Abnormal region detection apparatus and abnormal region detection method | |
JP7547954B2 (en) | How to generate a quality attribute map | |
TWI763451B (en) | System, method, and non-transitory computer readable medium utilizing automatic selection of algorithmic modules for examination of a specimen | |
US11263258B2 (en) | Information processing method, information processing apparatus, and non-transitory computer-readable storage medium for storing information processing program of scoring with respect to combination of imaging method and trained model | |
CN108154153B (en) | Scene analysis method and system and electronic equipment | |
JP2020087570A (en) | Fracture surface analyzer, learned model generating device, fracture surface analysis method, fracture surface analyzer program and learned model | |
US11501037B2 (en) | Microstructures using generative adversarial networks | |
CN113116377B (en) | Ultrasonic imaging navigation method, ultrasonic equipment and storage medium | |
JP6789460B1 (en) | Fracture surface analysis device, trained model generator, fracture surface analysis method, fracture surface analysis program, and trained model | |
Mu et al. | A radiographic image quality assessment algorithm based on network topology analysis | |
US11068716B2 (en) | Information processing method and information processing system | |
JP2024079234A (en) | Fracture surface analysis device, trained model generation device, fracture analysis method, fracture surface analysis program, and trained model | |
Bidwai et al. | Harnessing deep learning for detection of diabetic retinopathy in geriatric group using optical coherence tomography angiography-OCTA: A promising approach | |
JP2010250670A (en) | Arithmetic device and program | |
JP2006260410A (en) | Evaluation apparatus and method for image processing algorithm, producing system and method, program for making computer function as evaluation system, and program for making computer function as producing system | |
WO2024004278A1 (en) | Learning device, learning method, and program | |
JPWO2014178241A1 (en) | Image processing apparatus, image processing method, and image processing program | |
JP7309134B2 (en) | Visualization method, program used therefor, visualization device, and discriminating device provided with the same |