JP2020181384A - 機械学習方法、情報処理装置、及びプログラム - Google Patents

Abstract

【課題】機械学習にかかる時間を短縮可能な機械学習方法を提供する。【解決手段】一つの実施形態に係る機械学習方法は、コンピュータにより実行される機械学習方法であって、演算部に、複数の入力情報のそれぞれから出力情報を算出させることと、前記出力情報と、前記複数の入力情報に対して設定された正解情報と、に基づき、前記出力情報が正解か不正解かを判定することと、前記演算部に、前記複数の入力情報に含まれるとともに不正解と判定された前記出力情報に対応する少なくとも一つの第１の入力情報と、前記複数の入力情報に含まれる少なくとも一つの第２の入力情報と、のそれぞれから前記出力情報を算出させることと、前記出力情報に基づき、前記演算部を変更することと、を備える。【選択図】図７

Description

本発明の実施形態は、機械学習方法、情報処理装置、及びプログラムに関する。

例えば、画像認識、音声認識、及び自然言語処理の分野に、機械学習の技術が適用されている。機械学習では、例えば、学習データからの演算結果と、当該学習データに対応するラベルと、の比較を反復することで、演算結果の精度が向上する。

特開２０１８−１１８４号公報

一般的に、反復回数の増加に従って、演算結果の精度が向上する。所望の精度を得るまでの反復回数を少なくできれば、機械学習の有用性が向上する。

一つの実施形態に係る機械学習方法は、コンピュータにより実行される機械学習方法であって、演算部に、複数の入力情報のそれぞれから出力情報を算出させることと、前記出力情報と、前記複数の入力情報に対して設定された正解情報と、に基づき、前記出力情報が正解か不正解かを判定することと、前記演算部に、前記複数の入力情報に含まれるとともに不正解と判定された前記出力情報に対応する少なくとも一つの第１の入力情報と、前記複数の入力情報に含まれる少なくとも一つの第２の入力情報と、のそれぞれから前記出力情報を算出させることと、前記出力情報に基づき、前記演算部を変更することと、を備える。

図１は、第１の実施形態に係る積層造形システムを模式的に示す例示的な斜視図である。 図２は、第１の実施形態の積層造形システムの一部及び造形物を模式的に示す例示的な断面図である。 図３は、第１の実施形態の積層造形システムの構成を機能的に示す例示的なブロック図である。 図４は、第１の実施形態の画像の三つの例を示す図である。 図５は、第１の実施形態のＣＮＮの構成の一例を概略的に示す例示的な図である。 図６は、第１の実施形態の学習部の構成を機能的に示す例示的なブロック図である。 図７は、第１の実施形態の機械学習方法の一例を示すフローチャートである。 図８は、第１の実施形態の第１の評価部及び第２の評価部の評価結果における出力値の正答率の一例を示すグラフである。 図９は、比較例としての第１の評価部及び第２の評価部の評価結果における出力値の正答率の一例を示すグラフである。 図１０は、第１の実施形態の推定部の構成を機能的に示す例示的なブロック図である。 図１１は、第１の実施形態の積層造形監視方法の一例を示すフローチャートである。 図１２は、第２の実施形態に係る積層造形監視方法の一例を示すフローチャートである。

（第１の実施形態）
以下に、第１の実施形態について、図１乃至図１１を参照して説明する。なお、本明細書においては基本的に、鉛直上方を上方向、鉛直下方を下方向と定義する。また、本明細書において、実施形態に係る構成要素及び当該要素の説明が、複数の表現で記載されることがある。構成要素及びその説明は、一例であり、本明細書の表現によって限定されない。構成要素は、本明細書におけるものとは異なる名称で特定され得る。また、構成要素は、本明細書の表現とは異なる表現によって説明され得る。

図１は、第１の実施形態に係る積層造形システム１を模式的に示す例示的な斜視図である。積層造形システム１は、積層造形監視システムとも称され得る。積層造形システム１は、いわゆるレーザーマテリアルデポジション方式の三次元プリンタを含むシステムである。なお、積層造形システム１はこの例に限らない。

各図面に示されるように、本明細書において、Ｘ軸、Ｙ軸及びＺ軸が定義される。Ｘ軸とＹ軸とＺ軸とは、互いに直交する。Ｚ軸は、例えば鉛直方向に延びる。Ｘ軸及びＹ軸は、例えば水平方向に延びる。なお、積層造形システム１は、Ｚ軸が鉛直方向と斜めに交差するように配置されても良い。

図２は、第１の実施形態の積層造形システム１の一部及び造形物３を模式的に示す例示的な断面図である。積層造形システム１は、例えば、粉末状の材料Ｍを層状に積み重ねることにより、所定の形状の造形物３を積層造形（付加製造）する。造形物３は、積層造形される物体の一例である。

図１に示すように、積層造形システム１は、テーブル１１と、造形部１２と、撮像部１３と、制御部１４と、複数の信号線１６とを有する。制御部１４は、情報処理装置又はコンピュータとも称され得る。テーブル１１、造形部１２、撮像部１３、及び制御部１４は、例えば、積層造形システム１の筐体の内部、又は造形のための部屋の内部に設けられた、チャンバＣに配置される。チャンバＣは、例えば、密閉可能な空間である。

テーブル１１は、支持面１１ａを有する。支持面１１ａは、略平坦に形成され、Ｚ軸の正方向（Ｚ軸の矢印が示す方向、上方向）に向く。支持面１１ａは、積層造形された造形物３や、造形物３の仕掛品や、材料Ｍを積層させるためのベースを支持する。以下の説明において、造形物３は、積層造形が完了した造形物３、造形物３の仕掛品、及びベースを含む。テーブル１１は、当該テーブル１１の少なくとも一部が回転することにより、支持面１１ａに支持された造形物３をＺ軸に平行な回転中心まわりに回転させることが可能である。

テーブル１１は、造形物３をＸ軸方向、Ｙ軸方向、及びＺ軸方向に移動させても良い。また、テーブル１１は造形物３を、Ｙ軸に平行な回転中心や、Ｘ軸に平行な回転中心まわりにさらに回転させても良い。

造形部１２は、材料Ｍを供給し、支持面１１ａ、又は支持面１１ａに支持されたベースの上に積み重ねる。材料Ｍは、例えば、粉末状のチタンである。なお、材料Ｍはこれに限られず、他の金属、合成樹脂、及びセラミックスのような他の材料であっても良い。積層造形システム１は、複数種類の材料Ｍにより、造形物３を積層造形しても良い。

造形部１２は、ノズル２１と、供給装置２２と、移動装置２３と、調整装置２４とを有する。ノズル２１は、テーブル１１の支持面１１ａ、又は支持面１１ａの上の造形物３に材料Ｍを吐出する。また、図２に示すように、エネルギー線Ｅが、ノズル２１から、吐出された材料Ｍや支持面１１ａの上の造形物３に照射される。エネルギー線Ｅは、例えば、レーザ光である。

エネルギー線Ｅとしてのレーザ光が、材料Ｍの供給と並行してノズル２１から照射される。ノズル２１から、レーザ光に限らず、他のエネルギー線Ｅが照射されても良い。エネルギー線Ｅは、レーザ光のように材料Ｍを溶融又は焼結できるものであれば良く、例えば、電子ビームや、マイクロ波乃至紫外線領域の電磁波であっても良い。

造形部１２は、ベースや吐出された材料Ｍをエネルギー線Ｅにより加熱し、溶融領域（ビード）３ａを形成する。ノズル２１は、溶融領域３ａにおいて、材料Ｍにエネルギー線Ｅを照射して溶融又は焼結させ、材料Ｍを集合させる。このように、溶融領域３ａは、供給された材料Ｍのみならず、エネルギー線Ｅを照射されたベースや造形物３の一部を含み得る。また、溶融領域３ａは、完全に溶融した材料Ｍのみならず、部分的に溶融した材料Ｍ同士が結合したものであっても良い。

溶融領域３ａが固化することで、ベースや造形物３の上に、層状又は薄膜状等の材料Ｍの集合としての層３ｂが形成される。なお、材料Ｍは、材料Ｍの集合への伝熱によって冷却されることにより、粒状で積層され、粒状の集合（層）となっても良い。

造形部１２は、ノズル２１から、材料Ｍの集合にエネルギー線Ｅを照射することで、アニール処理を行っても良い。材料Ｍの集合は、エネルギー線Ｅにより再溶融又は再焼結され、固化することにより層３ｂになる。

造形部１２は、層３ｂを反復的に積み重ねることにより、造形物３を積層造形する。このように、造形部１２のノズル２１は、エネルギー線Ｅを照射して材料Ｍを溶融又は焼結させて層３ｂを造形し、層３ｂの造形を繰り返し行うことで、支持面１１ａに支持された造形物３を積層造形する。

ノズル２１は、ノズルヘッド３１を有する。ノズルヘッド３１の先端３１ａは、間隔を介して造形物３に向く。ノズルヘッド３１に、出射路３２、吐出路３３、及び供給路３４が設けられる。出射路３２、吐出路３３、及び供給路３４は、例えば、先端３１ａに開口する。

出射路３２は、略円形の断面を有する孔である。エネルギー線Ｅが、出射路３２を通り、ノズルヘッド３１の外部に出射される。吐出路３３は、略円環状の断面を有する孔であり、出射路３２を囲むように設けられる。キャリアガス及び材料Ｍが、吐出路３３を通り、ノズルヘッド３１の外部に吐出される。供給路３４は、略円環状の断面を有する孔であり、吐出路３３を囲むように設けられる。シールドガスＧが、供給路３４を通り、ノズルヘッド３１の外部に吐出される。シールドガスＧは、例えば、窒素やアルゴンのような不活性ガスである。

図１に示すように、供給装置２２は、光学装置４１と、材料供給装置４２と、ガス供給装置４３とを有する。光学装置４１は、例えば、光源及び光学系を有する。光源は、発振素子を有し、発振素子の発振によりエネルギー線Ｅとしてのレーザ光を出射する。光源は、出射されるエネルギー線Ｅの出力（パワー）を変更可能である。

光源は、出射されたエネルギー線Ｅを光学系に入射させる。エネルギー線Ｅは、光学系を経てノズル２１に入る。光学系は、エネルギー線Ｅの焦点径を変更可能である。光学装置４１は、ノズル２１の出射路３２にエネルギー線Ｅを供給し、出射路３２からエネルギー線Ｅを出射させる。

ノズル２１は、エネルギー線Ｅの照射によって、吐出された材料Ｍを加熱することにより、材料Ｍの層３ｂを形成するとともにアニール処理を行うことができる。また、ノズル２１は、造形物３の不要な部位をエネルギー線Ｅの照射によって除去することができる。

材料供給装置４２は、材料供給部４２ａと、タンク４２ｂとを有する。タンク４２ｂは、材料Ｍを収容する。材料供給装置４２は、互いに異なる種類の材料Ｍを収容する複数のタンク４２ｂを有しても良い。

材料供給部４２ａは、タンク４２ｂの材料Ｍを、供給管２１ａを介してノズル２１へ供給する。材料供給部４２ａは、例えば、キャリアガスにより材料Ｍをノズル２１へ供給する。キャリアガスは、例えば、窒素やアルゴンのような不活性ガスである。

材料供給部４２ａは、供給管２１ａを介して、ノズルヘッド３１の吐出路３３にキャリアガスと材料Ｍとを供給する。これにより、ノズル２１は、吐出路３３からキャリアガス及び材料Ｍを吐出する。材料供給部４２ａは、単位時間あたりにノズル２１から吐出される材料Ｍの量と、吐出される材料Ｍの速度と、を変更可能である。

材料供給部４２ａは、例えば、キャリアガスを収容するタンクと、当該タンクのキャリアガスを供給管２１ａへ流す圧縮機と、キャリアガスの流れにタンク４２ｂの材料Ｍを供給する装置と、を有する。なお、材料供給部４２ａは、他の手段により材料Ｍをノズル２１へ供給しても良い。

ガス供給装置４３は、ガス供給部４３ａと、タンク４３ｂとを有する。タンク４３ｂは、シールドガスＧを収容する。ガス供給部４３ａは、タンク４３ｂのシールドガスＧを、供給管２１ａを介してノズル２１へ供給する。供給管２１ａは、キャリアガス及び材料Ｍが通る管、シールドガスＧが通る管、及びエネルギー線Ｅが通るケーブルを包含している。ガス供給部４３ａは、単位時間あたりにノズル２１から吐出されるシールドガスＧの量と、吐出されるシールドガスＧの速度と、を変更可能である。

移動装置２３は、ノズル２１を移動及び回動させる。例えば、移動装置２３は、ノズル２１を、Ｘ軸方向、Ｙ軸方向、及びＺ軸方向に平行移動させるとともに、Ｘ軸に平行な回転中心まわりに回転させることが可能である。

移動装置２３は、ノズル２１を支持面１１ａに対して相対的に移動させ、ノズル２１の向きを変化させることが可能である。移動装置２３は、支持面１１ａに対するノズル２１の移動速度を変更可能である。なお、テーブル１１が移動及び回動することで、ノズル２１が支持面１１ａに対して相対的に移動し、支持面１１ａに対するノズル２１の向きが変化しても良い。

調整装置２４は、チャンバＣの酸素濃度を調整する。例えば、調整装置２４は、チャンバＣの空気を排出したり、チャンバＣに不活性ガスを供給したりすることで、ノズル２１及び造形物３の周りの酸素濃度を調整する。

撮像部１３は、撮像装置１３ａを有する。撮像装置１３ａは、例えば、動画を撮影可能であるとともに、当該動画を制御部１４に転送可能なビデオカメラである。なお、撮像装置１３ａは、静止画を撮影可能なスチルカメラのような他の撮像装置であっても良い。撮像装置１３ａは、ノズル２１及び造形物３を撮影する。撮像装置１３ａは、ノズル２１に追従して移動可能であっても良い。

制御部１４は、テーブル１１、造形部１２、及び撮像装置１３ａに、信号線１６を介して電気的に接続される。制御部１４は、例えば、造形部１２と一体的に設けられた制御部であっても良いし、造形部１２とは別に設けられたコンピュータであっても良い。

制御部１４は、例えば、ＣＰＵ（Ｃｅｎｔｒａｌ Ｐｒｏｃｅｓｓｉｎｇ Ｕｎｉｔ）１４ａのような制御装置と、ＲＯＭ（Ｒｅａｄ Ｏｎｌｙ Ｍｅｍｏｒｒｙ）１４ｂと、ＲＡＭ（Ｒａｎｄｏｍ Ａｃｃｅｓｓ Ｍｅｍｏｒｒｙ）１４ｃと、外部記憶装置１４ｄと、出力装置１４ｅと、入力装置１４ｆとを有し、通常のコンピュータを利用したハードウェア構成となっている。ＣＰＵ１４ａ、ＲＯＭ１４ｂ、ＲＡＭ１４ｃ、外部記憶装置１４ｄ、出力装置１４ｅ、及び入力装置１４ｆは、バスにより、又はインターフェースを介して、互いに接続されている。

ＣＰＵ１４ａがＲＯＭ１４ｂ又は外部記憶装置１４ｄに組み込まれたプログラムを実行することで、制御部１４は、積層造形システム１の各部を制御する。例えば、制御部１４は、テーブル１１と、造形部１２のノズル２１、移動装置２３、調整装置２４、光学装置４１、材料供給装置４２、及びガス供給装置４３とを制御する。

ＲＯＭ１４ｂは、プログラム及びプログラムの実行に必要なデータを格納している。ＲＡＭ１４ｃは、プログラムの実行時に作業領域として機能する。外部記憶装置１４ｄは、例えば、ＨＤＤ（Ｈａｒｄ Ｄｉｓｋ Ｄｒｉｖｅ）やＳＳＤ（Ｓｏｌｉｄ Ｓｔａｔｅ Ｄｒｉｖｅ）のような、データを記憶、変更、削除可能な装置である。出力装置１４ｅは、例えば、ディスプレイやスピーカである。入力装置１４ｆは、例えば、キーボードやマウスである。

図３は、第１の実施形態の積層造形システム１の構成を機能的に示す例示的なブロック図である。制御部１４は、例えば、ＣＰＵ１４ａがＲＯＭ１４ｂ又は外部記憶装置１４ｄに格納されたプログラムを読み出し実行することで、図３に示す各部を実現する。図３に示すように、制御部１４は、例えば、記憶部６１と、造形制御部６２と、画像処理部６３と、学習部６４と、推定部６５と、出力制御部６６とを備える。

例えば、ＣＰＵ１４ａが、造形制御部６２、画像処理部６３、学習部６４、推定部６５、出力制御部６６として機能する。また、ＲＡＭ１４ｃや外部記憶装置１４ｄが、記憶部６１として機能する。

記憶部６１は、ＮＣプログラム７１と、複数のデータセット７２と、畳み込みニューラルネットワーク（Ｃｏｎｖｏｌｕｔｉｏｎａｌ Ｎｅｕｒａｌ Ｎｅｔｗｏｒｋ；ＣＮＮ）７３と、不正解リスト７４とを含む、種々の情報を格納する。ＣＮＮ７３は、演算部又は学習結果とも称され得る。

ＮＣプログラム７１は、複数の層３ｂと、当該層３ｂを含む造形物３と、の造形のための情報である。ＮＣプログラム７１は、例えば、造形物３及び層３ｂの形状と、ノズル２１の移動経路と、移動経路の各位置における、積層造形のパラメータの情報を含む。積層造形のパラメータは、例えば、ノズル２１の移動速度、ノズル２１の向き、吐出される材料Ｍの単位時間あたりの量、吐出される材料Ｍの速度、照射されるエネルギー線Ｅの出力、及び供給されるシールドガスＧの流量を含む。ＮＣプログラム７１は、他の情報をさらに含んでも良い。

造形制御部６２は、ＮＣプログラム７１に基づいて、移動装置２３、調整装置２４、光学装置４１、材料供給装置４２、及びガス供給装置４３を含む造形部１２を制御し、複数の層３ｂ（造形物３）を積層造形する。また、造形制御部６２は、造形部１２による積層造形のパラメータを変更すること、及び造形部１２を停止させることが可能である。

画像処理部６３は、撮像装置１３ａが撮影した動画を取得し、当該動画を複数の静止画（画像）に変換する。例えば、撮像装置１３ａが３０ｆｐｓの動画を撮影した場合、画像処理部６３は、１秒当たりの当該動画から３０枚の静止画を生成することができる。

画像処理部６３が生成した画像には、ノズル２１及び造形物３が映されている。画像処理部６３が生成する画像は、第１の画像、第２の画像、又は入力情報とも称され得る。画像処理部６３は、撮像装置１３ａとともに、画像を生成する撮像部１３として機能する。なお、撮像部１３はこの例に限られず、例えば、撮像装置１３ａが単体で画像を生成しても良い。

学習部６４は、記憶部６１に記憶されたデータセット７２に基づき機械学習し、学習結果としてＣＮＮ７３を生成する。推定部６５は、撮像部１３が生成した画像と、ＣＮＮ７３とに基づき、当該画像に火花が映っているか否かを推定する。

出力制御部６６は、出力装置１４ｅを制御する。例えば、出力制御部６６は、出力装置１４ｅに、学習部６４による機械学習の結果や、推定部６５による推定の結果を表示させる。

以下、学習部６４による機械学習について詳しく説明する。学習部６４による学習には、記憶部６１に記憶された複数のデータセット７２、ＣＮＮ７３、及び不正解リスト７４が用いられる。例えば、記憶部６１には、数百乃至数万のデータセット７２が記憶されている。

データセット７２はそれぞれ、画像Ｐと、ラベルＬとを含む。画像Ｐは、第１の画像又は入力情報とも称され得る。ラベルＬは、火花情報又は正解情報とも称され得る。すなわち、記憶部６１は、複数の画像Ｐと、当該画像Ｐに対応する複数のラベルＬとを記憶する。

図４は、第１の実施形態の画像Ｐの三つの例を示す図である。図４に示すように、画像Ｐには、ノズル２１が映されている。なお、画像Ｐは、撮像部１３が撮影したものでも良いし、他の装置が撮影したものでも良い。

複数の画像Ｐは、図４における左側の非造形画像Ｐ１と、中央の正常造形画像Ｐ２と、右側の異常造形画像Ｐ３とを含む。なお、これらの名称は便宜的なものであり、正常造形画像Ｐ２に映されるノズル２１が正常な積層造形を行っているとは限らず、また、異常造形画像Ｐ３に映されるノズル２１が異常な積層造形を行っているとは限らない。

非造形画像Ｐ１には、積層造形を行っていないノズル２１が映されている。当該ノズル２１は、材料Ｍの吐出及びエネルギー線Ｅの出射を停止している。正常造形画像Ｐ２及び異常造形画像Ｐ３には、積層造形を行っているノズル２１が映されている。当該ノズル２１は、材料Ｍを吐出し、エネルギー線Ｅを出射している。なお、正常造形画像Ｐ２及び異常造形画像Ｐ３に映されたノズル２１が、エネルギー線Ｅを出射する一方で、材料Ｍの吐出を停止していても良い。

異常造形画像Ｐ３には、火花が映っている。例えば、材料Ｍであるチタンが酸化している場合、異常造形画像Ｐ３に映るように火花が発生する。材料Ｍが酸化すると、造形物３が脆弱化してしまう虞がある。一方、正常造形画像Ｐ２では、エネルギー線Ｅ及び溶融又は焼結している材料Ｍが発光しているが、大きな火花は発生していない。

ラベルＬは、画像Ｐに対し、当該画像Ｐの状態（特徴）に応じて予め設定される。ラベルＬは、［ｌ_０，ｌ_１，ｌ_２］と表現される行列（ｍａｔｒｉｘ）である。非造形画像Ｐ１、正常造形画像Ｐ２、及び異常造形画像Ｐ３にそれぞれ異なるラベルＬが設定される。

例えば、非造形画像Ｐ１に対応するラベルＬは、［１，０，０］と設定される。正常造形画像Ｐ２に対応するラベルＬは、［０，１，０］と設定される。異常造形画像Ｐ３に対応するラベルＬは、［０，０，１］と設定される。以上より、ラベルＬのｌ_２は、画像Ｐに火花が映っているか否かを示している。なお、ラベルＬは、この例に限られない。

図５は、第１の実施形態のＣＮＮ７３の構成の一例を概略的に示す例示的な図である。図５の例において、ＣＮＮ７３は、畳み込み層、活性化関数、プーリング、全結合、ソフトマックス関数の５種類の層を組み合わせた全１１層で構成される。

図５の例において、ＣＮＮ７３は、２つの畳み込み層と、３つの全結合層とを含む。畳み込み層は行列［ＦＷ_１，ＦＢ_１］，［ＦＷ_２，ＦＢ_２］を有する。全結合層は行列［Ｗ_１，Ｂ_１］，［Ｗ_２，Ｂ_２］，［Ｗ_３，Ｂ_３］を有する。以下、行列［ＦＷ_１，ＦＢ_１］，［ＦＷ_２，ＦＢ_２］，［Ｗ_１，Ｂ_１］，［Ｗ_２，Ｂ_２］，［Ｗ_３，Ｂ_３］をネットワークモデルと称する。

順伝搬は、入力から出力への演算である。入力は、例えば、画像Ｐである。出力はＣＮＮ７３により演算された結果（出力値）Ｙである。順伝搬の出力値Ｙは、［ｙ_０，ｙ_１，ｙ_２］と表現される行列である。すなわち、ＣＮＮ７３は、順伝搬により、画像Ｐから出力値Ｙを算出する。出力値Ｙは、出力情報とも称され得る。

逆伝搬は、出力から入力への演算である。ソフトマックス関数を経て演算された出力値ＹとラベルＬとの差は、勾配値となる。当該勾配値を出力から入力へ伝搬することで、ＣＮＮ７３の各層の勾配値が演算される。

以上のＣＮＮ７３は一例であり、ＣＮＮ７３は他の構成を有しても良い。また、積層造形システム１は、ＣＮＮ７３と異なる他のニューラルネットワークや、他の深層学習（機械学習）の学習モデルを有しても良い。

図６は、第１の実施形態の学習部６４の構成を機能的に示す例示的なブロック図である。図６に示すように、学習部６４は、選択部８１と、順伝搬部８２と、逆伝搬部８３と、更新部８４と、第１の評価部８５と、第２の評価部８６と、評価出力部８７とを備えている。順伝搬部８２及び逆伝搬部８３は、算出部とも称され得る。更新部８４は、変更部とも称され得る。第１の評価部８５は、第１の判定部とも称され得る。第２の評価部８６は、第２の判定部又は判定部とも称され得る。評価出力部８７は、出力部とも称され得る。

選択部８１は、複数のデータセット７２から、機械学習に用いる所定の数のデータセット７２を選択する。順伝搬部８２は、画像Ｐを入力とし、ＣＮＮ７３の順伝搬を行う。逆伝搬部８３は、出力値Ｙを入力とし、ＣＮＮ７３の逆伝搬を行う。更新部８４は、順伝搬部８２及び逆伝搬部８３の演算結果に基づき、ＣＮＮ７３を更新する。

第１の評価部８５は、データセット７２に含まれる評価用データ７２ａに基づき、ＣＮＮ７３を評価する。第２の評価部８６は、データセット７２に含まれる学習用データ７２ｂに基づき、ＣＮＮ７３を評価する。評価出力部８７は、第１の評価部８５及び第２の評価部８６の評価結果を出力する。

上記のように、複数のデータセット７２は、複数の評価用データ７２ａと、複数の学習用データ７２ｂとを含む。例えば、評価用データ７２ａは、複数のデータセット７２のうち数十乃至数万のデータセット７２であり、学習用データ７２ｂは、残りのデータセット７２である。

評価用データ７２ａ及び学習用データ７２ｂはそれぞれ、画像Ｐ及びラベルＬを有する。評価用データ７２ａの画像Ｐは、評価用画像とも称され得る。学習用データ７２ｂの画像Ｐは、学習用画像とも称され得る。学習用データ７２ｂの画像Ｐ及び評価用データ７２ａの画像Ｐは、複数の画像Ｐに含まれており、互いに異なる。

図７は、第１の実施形態の機械学習方法の一例を示すフローチャートである。なお、図７を参照して以下に説明する機械学習方法はあくまで一例であり、学習部６４は、他の方法により機械学習を行っても良い。

学習部６４による機械学習では、まず、初期化が行われる（Ｓ１１）。例えば、更新部８４が、未更新のＣＮＮ７３を生成する。なお、学習部６４の他の部分が、未更新のＣＮＮ７３を生成しても良い。

例えば、ＣＮＮ７３におけるネットワークモデル（行列）のサイズは、画像Ｐと隠れ層のノード数とから決定される。このため、行列のサイズは、プログラム上で指定される。行列における数値は、例えば、ランダムに生成される。

更新部８４は、例えば、生成した未更新のＣＮＮ７３を記憶部６１に記憶させる。なお、初期化において、予め記憶部６１に記憶された未更新のＣＮＮ７３が、学習部６４によって読み出されても良い。

次に、選択部８１が、記憶部６１に記憶された複数の学習用データ７２ｂのうち一つの学習用データ７２ｂを選択し、取得する（Ｓ１２）。選択部８１は、例えば、複数の学習用データ７２ｂから無作為に一つの学習用データ７２ｂを選択する。

次に、順伝搬部８２が、選択された学習用データ７２ｂの画像Ｐから、ＣＮＮ７３に順伝搬によって出力値Ｙを算出させる（Ｓ１３）。次に、逆伝搬部８３が、出力値ＹとラベルＬとの差に基づき、勾配値を算出する（Ｓ１４）。

次に、更新部８４が、勾配値に基づき、勾配降下法により記憶部６１に記憶されたＣＮＮ７３を更新（変更）する（Ｓ１５）。言い換えると、更新部８４は、学習用データ７２ｂの画像Ｐから順伝搬部８２が算出した出力値Ｙに基づき、ＣＮＮ７３を変更する。なお、更新部８４は、他の方法によってＣＮＮ７３を変更しても良い。また、更新部８４によるＣＮＮ７３の更新は、更新部８４による新たなＣＮＮ７３の生成とも表現され得る。

以上のＳ１２〜Ｓ１５は、学習工程と称され得る。次に、更新部８４は、所定の数の学習用データ７２ｂを用いて学習工程を実行したか否かを判定する（Ｓ１６）。学習した学習用データ７２ｂの数が所定の数に達していない場合（Ｓ１６：Ｎｏ）、Ｓ１２に戻り、Ｓ１２〜Ｓ１６を繰り返す。

Ｓ１６において、学習した学習用データ７２ｂの数が所定の数に達している場合（Ｓ１６：Ｙｅｓ）、第１の評価部８５は、無作為に選択した評価用データ７２ａの画像Ｐから、ＣＮＮ７３の順伝搬により出力値Ｙを算出する（Ｓ１７）。そして、第１の評価部８５は、評価用データ７２ａの画像Ｐから算出された出力値Ｙと、当該出力値Ｙに対応する評価用データ７２ａのラベルＬとに基づき、当該出力値Ｙが正解か不正解かを評価（判定）する（Ｓ１８）。

出力値Ｙのｙ_０，ｙ_１，ｙ_２は、ラベルＬのｌ_０，ｌ_１，ｌ_２に対応する。このため、異常造形画像Ｐ３から学習済みのＣＮＮ７３が算出したｙ_２は、０〜１のうち、１に近い値となる。一方、非造形画像Ｐ１又は正常造形画像Ｐ２から学習済みのＣＮＮ７３が算出したｙ_２は、０〜１のうち、０に近い値となる。すなわち、ｙ_２は、画像Ｐに火花が映っている確率に連動する。以下、ｙ_２を、火花確認強度と称する。火花確認強度ｙ_２は、例えば、上述のように０〜１で示されても良いし、０〜１００％で示されても良い。ＣＮＮ７３は、順伝搬により、画像Ｐから火花確認強度ｙ_２を含む出力値Ｙを算出する。

第１の評価部８５は、例えば、出力値ＹとラベルＬとの最大インデックスを比較することで、出力値Ｙが正解か不正解かを判定する。例えば、ラベルＬ［１，０，０］は、ｌ_０＝１、ｌ_１＝０、ｌ_２＝０であるため、最大インデックスは「０」（ｌ_０）である。同様に、出力値Ｙ［０．１，０．１，０．８］の最大インデックスは、ｙ_０＝０．１、ｙ_１＝０．１、ｙ_２＝０．８であるため、「２」（ｙ_２）である。ラベルＬと出力値Ｙとの最大インデックスは「０」と「２」で異なるため、第１の評価部８５は、出力値Ｙを不正答と判定する。

ラベルＬ［１，０，０］と出力値Ｙ［０．８，０．１，０．１］とを比較した場合、ラベルＬの最大インデックスは「０」（ｌ_０）、出力値Ｙの最大インデックスは「０」（ｙ_０）である。ラベルＬと出力値Ｙとの最大インデックスが同じであるため、第１の評価部８５は、出力値Ｙを正解と判定する。

なお、第１の評価部８５は、他の方法によって出力値Ｙが正解か不正解かを判定しても良い。例えば、第１の評価部８５は、ラベルＬのｌ_２が０である場合、火花確認強度ｙ_２が０．５以上であれば不正解と判定し、火花確認強度ｙ_２が０．５より下であれば正解と判定も良い。これらの正解又は不正解を判定するための閾値（例えば０．５）は、任意に設定され得る。

次に、第１の評価部８５は、所定の数の評価用データ７２ａを用いてＣＮＮ７３を評価したか否かを判定する（Ｓ１９）。評価に用いた評価用データ７２ａの数が所定の数に達していない場合（Ｓ１９：Ｎｏ）、Ｓ１７に戻り、Ｓ１７〜Ｓ１９を繰り返す。

Ｓ１９において、評価に用いた評価用データ７２ａの数が所定の数に達している場合（Ｓ１９：Ｙｅｓ）、評価出力部８７が第１の評価部８５の評価結果を出力する（Ｓ２０）。例えば、評価出力部８７は、評価用データ７２ａからＣＮＮ７３が算出した出力値Ｙの正答率を出力する。

次に、第２の評価部８６は、無作為に選択した学習用データ７２ｂの画像Ｐから、ＣＮＮ７３の順伝搬により出力値Ｙを算出する（Ｓ２１）。そして、第２の評価部８６は、学習用データ７２ｂの画像Ｐから算出された出力値Ｙと、当該出力値Ｙに対応する学習用データ７２ｂのラベルＬとに基づき、当該出力値Ｙが正解か不正解かを評価（判定）する（Ｓ２２）。第２の評価部８６は、第１の評価部８５と同じく、例えば、出力値ＹとラベルＬとの最大インデックスを比較することで、出力値Ｙが正解か不正解かを判定する。

Ｓ２２において、出力値Ｙが不正解と判定された場合（Ｓ２２：Ｎｏ）、第２の評価部８６は、不正解と判定された出力値Ｙに対応するデータセット７２を、不正解リスト７４に登録する（Ｓ２３）。例えば、第２の評価部８６は、不正解と判定された出力値Ｙに対応するデータセット７２の番号（ＩＤ）を、不正解リスト７４に登録する。

Ｓ２２において出力値Ｙが正解と判定された場合（Ｓ２２：Ｙｅｓ）、又はＳ２３が完了すると、第２の評価部８６は、所定の数の学習用データ７２ｂを用いてＣＮＮ７３を評価したか否かを判定する（Ｓ２４）。評価に用いた学習用データ７２ｂの数が所定の数に達していない場合（Ｓ２４：Ｎｏ）、Ｓ２１に戻り、Ｓ２１〜Ｓ２４を繰り返す。

Ｓ２４において、評価に用いた学習用データ７２ｂの数が所定の数に達している場合（Ｓ２４：Ｙｅｓ）、評価出力部８７が第２の評価部８６の評価結果を出力する（Ｓ２５）。例えば、評価出力部８７は、学習用データ７２ｂからＣＮＮ７３が算出した出力値Ｙの正答率を出力する。

評価出力部８７は、例えば、出力制御部６６に、第１の評価部８５の評価結果及び第２の評価部８６の評価結果を出力する。出力制御部６６は、例えば、第１の評価部８５の評価結果及び第２の評価部８６の評価結果に基づくグラフを、出力装置１４ｅに出力させる。

次に、選択部８１は、第１の評価部８５の評価結果及び第２の評価部８６の評価結果に異常があるか否かを判定する（Ｓ２６）。評価結果に異常が無い場合（Ｓ２６：Ｎｏ）、選択部８１は、出力値Ｙの正答率が収束したか否かを判定する（Ｓ２７）。

選択部８１は、例えば、第１の評価部８５の評価結果における正答率、及び第２の評価部８６の評価結果における正答率、のうち少なくとも一方の変化が所定の回数に亘って所定の範囲内にある場合に、出力値Ｙの正答率が収束したと判定する。言い換えると、選択部８１は、第１の評価部８５及び第２の評価部８６の評価結果が所定の回数に亘って向上しない場合に、出力値Ｙの正答率が収束したと判定する。この例に限らず、例えば、選択部８１は、第１の評価部８５及び第２の評価部８６の評価結果における正答率が所定の回数に亘って閾値を上回っている場合に、出力値Ｙの正答率が収束したと判定しても良い。

出力値Ｙの正答率が収束していない場合（Ｓ２７：Ｎｏ）、Ｓ１２に戻り、Ｓ１２〜Ｓ２６が再び実行（反復）される。反復時のＳ１２において、選択部８１は、例えば、Ｓ１２〜Ｓ１５の学習工程で用いられる所定の数の学習用データ７２ｂに所定の割合で不正解データ７２ｂｆが含まれるように、学習用データ７２ｂを選択する。

不正解データ７２ｂｆは、第２の評価部８６によって不正解と判定された出力値Ｙに対応し、不正解リスト７４に登録された学習用データ７２ｂである。学習工程で用いられる学習用データ７２ｂには、不正解リスト７４から選択された不正解データ７２ｂｆと、複数の学習用データ７２ｂから不作為に選択された学習用データ７２ｂと、が含まれる。

反復時のＳ１３において、順伝搬部８２は、ＣＮＮ７３に、不正解データ７２ｂｆの画像Ｐと、不作為に選択された学習用データ７２ｂの画像Ｐと、のそれぞれから出力値Ｙを算出させる。すなわち、選択部８１は、ＣＮＮ７３に入力される画像Ｐとして、不正解データ７２ｂｆの画像Ｐと、不作為に選択された学習用データ７２ｂの画像Ｐと、を選択する。

不正解データ７２ｂｆの画像Ｐは、記憶部６１に記憶された複数の画像Ｐに含まれるとともに、不正解と判断された出力値Ｙに対応している。不正解データ７２ｂｆの画像Ｐは、第１の入力情報とも称され得る。

不作為に選択された学習用データ７２ｂの画像Ｐは、記憶部６１に記憶された複数の画像Ｐに含まれるとともに、複数の画像Ｐから不作為に選択されている。不作為に選択された学習用データ７２ｂの画像Ｐは、第２の入力情報とも称され得る。

図８は、第１の実施形態の第１の評価部８５及び第２の評価部８６の評価結果における出力値Ｙの正答率の一例を示すグラフである。図９は、比較例として、学習工程で用いられる所定の数の学習用データ７２ｂが全て不作為に選択される場合の、第１の評価部８５及び第２の評価部８６の評価結果における出力値Ｙの正答率の一例を示すグラフである。

図８及び図９のようなグラフは、例えば、評価出力部８７によって生成される。図８及び図９において、評価用データ７２ａを使用した第１の評価部８５における出力値Ｙの正答率と、学習用データ７２ｂを使用した第２の評価部８６における出力値Ｙの正答率と、のグラフが示される。図８及び図９において、縦軸は出力値Ｙの正答率を示し、横軸はＳ１２〜Ｓ２７の反復回数を示す。

図８及び図９に示すように、学習工程で用いられる所定の数の学習用データ７２ｂに所定の割合で不正解データ７２ｂｆが含まれることで、出力値Ｙの正答率が上昇しやすくなる。例えば、本実施形態では、比較例に比べ、第１の評価部８５の評価結果における出力値Ｙの正答率が先に９８％以上で収束する。なお、学習工程で用いられる所定の数の学習用データ７２ｂに含まれる不正解データ７２ｂｆの割合又は数は、任意に設定され得る。

図７のＳ２６において、評価結果に異常が生じている場合（Ｓ２６：Ｙｅｓ）、選択部８１は、Ｓ１２〜Ｓ１５の学習工程で用いられる所定の数の学習用データ７２ｂに含まれる不正解データ７２ｂｆの割合を変更する（Ｓ２８）。言い換えると、選択部８１は、正解と判定された出力値Ｙの割合（正答率）に基づき、ＣＮＮ７３に入力される、不正解データ７２ｂｆの画像Ｐ及び不作為に選択される学習用データ７２ｂの画像Ｐの割合を変更する。

例えば、不正解データ７２ｂｆの割合が多い場合、過学習が生じる。この場合、反復回数が多くなると正答率が低下してしまう。選択部８１は、このような評価結果（正答率）の異常が生じている場合、不正解データ７２ｂｆの割合を減らす。

一方、不正解データ７２ｂｆの割合が少ない場合、反復回数が増えても正答率が収束し難い。選択部８１は、このような評価結果（正答率）の異常が生じている場合、不正解データ７２ｂｆの割合を増やす。なお、増減される不正解データ７２ｂｆの割合又は数は、任意に設定され得る。

Ｓ２８で選択部８１が不正解データ７２ｂｆの割合を変更すると、Ｓ１２に戻り、Ｓ１２〜Ｓ２８が繰り返される。Ｓ２７において、出力値Ｙの正答率が収束していると（Ｓ２７：Ｙｅｓ）、学習部６４による機械学習が完了する。以上により、機械学習の学習結果として、ＣＮＮ７３が生成される。

なお、上述の機械学習において、第１の評価部８５及び第２の評価部８６は、出力値Ｙの正答率を評価した。しかし、第１の評価部８５及び第２の評価部８６は、この例に限らず、例えば平均損失を評価しても良い。損失は、出力値ＹとラベルＬとに基づき、交差エントロピーを用いて算出可能である。

図１０は、第１の実施形態の推定部６５の構成を機能的に示す例示的なブロック図である。図１０に示すように、推定部６５は、強度算出部９１と、判定部９２とを備えている。

強度算出部９１は、画像処理部６３から画像を取得するとともに、記憶部６１からＣＮＮ７３を取得する。強度算出部９１が取得したＣＮＮ７３は、上述の学習部６４による機械学習で生成された学習結果である。強度算出部９１は、画像処理部６３から取得した画像から、ＣＮＮ７３に順伝搬によって出力値Ｙを算出させる。

判定部９２は、出力値Ｙに基づき、当該出力値Ｙに対応する画像に火花が映っているか否かを判定する。本実施形態では、判定部９２は、画像から、積層造形が停止されているか、正常な積層造形が行われているか、積層造形に異常が生じているかを判定する。

図１１は、第１の実施形態の積層造形監視方法の一例を示すフローチャートである。以下、積層造形システム１による積層造形の監視について詳しく説明する。なお、図１１を参照して以下に説明する積層造形監視方法はあくまで一例であり、積層造形システム１は、他の方法により積層造形監視を行っても良い。

図１１に示すように、まず、造形部１２が、ＮＣプログラム７１に基づいて積層造形を開始する（Ｓ１０１）。なお、Ｓ１０１における積層造形の開始は、ＮＣプログラム７１の実行の開始である。このため、ノズル２１が材料Ｍの吐出及びエネルギー線Ｅの出射を行っていなくても良い。

次に、強度算出部９１が、画像処理部６３からノズル２１が映された画像を取得する（Ｓ１０２）。次に、強度算出部９１は、当該画像から、ＣＮＮ７３の順伝搬により、出力値Ｙを算出する（Ｓ１０３）。言い換えると、強度算出部９１は、画像から、ＣＮＮ７３により、火花確認強度ｙ_２を算出する。

次に、判定部９２は、出力値Ｙ［ｙ_０，ｙ_１，ｙ_２］のうち、ｙ_０が最大か否かを判定する（Ｓ１０４）。言い換えると、判定部９２は、出力値Ｙに対応する画像が、非造形画像Ｐ１に類似するか否かを判定する。ｙ_０が最大である場合（Ｓ１０４：Ｙｅｓ）、判定部９２は、ノズル２１が積層造形を行っていないと判定する（Ｓ１０５）。

次に、判定部９２は、積層造形が完了したか否かを判定する（Ｓ１０６）。積層造形が完了していない場合（Ｓ１０６：Ｎｏ）、Ｓ１０２に戻り、強度算出部９１が次の画像を画像処理部６３から取得する。

Ｓ１０４で、ｙ_０が最大ではない場合（Ｓ１０４：Ｎｏ）、判定部９２は、出力値Ｙ［ｙ_０，ｙ_１，ｙ_２］のうち、ｙ_１が最大か否かを判定する（Ｓ１０７）。言い換えると、判定部９２は、出力値Ｙに対応する画像が、正常造形画像Ｐ２に類似するか否かを判定する。ｙ_１が最大である場合（Ｓ１０７：Ｙｅｓ）、判定部９２は、ノズル２１が正常な積層造形を行っていると判定し（Ｓ１０８）、Ｓ１０６に移行する。

Ｓ１０７で、ｙ_１が最大ではない場合（Ｓ１０７：Ｎｏ）、出力値Ｙ［ｙ_０，ｙ_１，ｙ_２］のうち、火花確認強度ｙ_２が最大となる。このため、出力値Ｙに対応する画像が異常造形画像Ｐ３に類似しており、火花が発生している可能性が高い。

火花確認強度ｙ_２が最大である場合、判定部９２は、積層造形に異常が生じていると判定する（Ｓ１０９）。この場合、造形制御部６２が、積層造形のパラメータを変更し（Ｓ１１０）、Ｓ１０６に移行する。

例えば、造形制御部６２は、火花確認強度ｙ_２に基づき、チャンバＣに供給される不活性ガスの流量、ノズル２１から吐出されるシールドガスＧの流量、ノズル２１から出射されるエネルギー線Ｅの出力、ノズル２１の速度、及びノズル２１から吐出される材料Ｍの量、のうち少なくとも一つを変更し、火花の発生及び材料Ｍの酸化を抑制する。造形制御部６２によるパラメータの変更量は、一定であっても良いし、火花確認強度に連動しても良い。ノズル２１の速度や吐出される材料Ｍの量が変更される場合、溶融領域３ａの高さが略一定となるように、積層造形のパラメータが調整される。

Ｓ１０６において、積層造形が完了している場合（Ｓ１０６：Ｙｅｓ）、積層造形システム１による積層造形の監視も完了する。以上のように、積層造形システム１は、積層造形における火花の発生を監視する。積層造形において火花が発生した場合、造形制御部６２が積層造形のパラメータを変更し、火花の発生を抑制する。

上述の積層造形監視では、Ｓ１０７でｙ_１が最大ではない場合に、積層造形に異常が生じていると判定される。しかし、この例に限らず、例えば、所定の回数に亘って火花確認強度ｙ_２が最大となった場合や、所定回数に亘って積算された火花確認強度ｙ_２が閾値を上回った場合に、積層造形に異常が生じていると判定されても良い。

判定部９２は、例えば、ノズル２１の座標と関連付けて、判定結果を出力制御部６６に出力しても良い。当該判定結果により、ノズル２１の各座標における積層造形の状態の記録（ログ）を得ることができる。

以上説明された第１の実施形態に係る積層造形システム１において、学習部６４は、造形物３の材料Ｍを吐出するとともに、当該材料Ｍにエネルギー線Ｅを照射して溶融又は焼結させる、ノズル２１が映された複数の画像Ｐと、当該複数の画像Ｐに火花が映っているか否かを示すラベルＬと、に基づき機械学習し、ＣＮＮ７３を生成する。推定部６５は、撮像部１３が撮影した画像と、ＣＮＮ７３と、に基づき、当該画像に火花が映っているか否かを推定する。チタンのような材料Ｍの溶融又は焼結において、火花が発生している場合、材料Ｍが酸化している虞がある。推定部６５の推定結果に基づき火花の発生の監視を自動化することができるため、酸化した材料Ｍによる造形物３の脆弱化が抑制される。

例えば、ＣＮＮ７３のような機械学習により更新される演算部の代わりに、光量センサが火花の発生を監視する場合、正常な積層造形における発光が火花の発生と誤認識される虞がある。本実施形態では、ＣＮＮ７３のような機械学習により更新される演算部を用いることで、火花の発生の監視精度が向上する。

本実施形態における材料Ｍは、チタンを含む。上述のように、チタンのような材料Ｍの溶融又は焼結において、火花が発生している場合、材料Ｍが酸化している虞がある。従って、推定部６５の推定結果に基づき火花の発生の監視を自動化することができるため、酸化したチタンによる造形物３の脆弱化が抑制される。

推定部６５は、撮像部１３が撮影した画像から、ＣＮＮ７３により、当該画像に火花が映っている確率に連動する火花確認強度ｙ_２を算出する。推定部６５が数値（火花確認強度ｙ_２）を算出するため、当該数値に基づき種々の制御をすることができる。

造形制御部６２は、火花確認強度ｙ_２に基づき、造形部１２による積層造形のパラメータを変更する。例えば、造形制御部６２は、火花確認強度ｙ_２に基づき、積層造形が行われるチャンバＣに供給される不活性ガスの流量、ノズル２１から吐出されるシールドガスＧの流量、ノズル２１から出射されるエネルギー線Ｅの出力、ノズル２１の速度、及びノズル２１から吐出される材料Ｍの量、のうち少なくとも一つを制御し、火花の発生及び材料Ｍの酸化を抑制する。これにより、酸化した材料Ｍによる造形物３の脆弱化が抑制される。

第１の評価部８５は、評価用データ７２ａの画像Ｐから順伝搬部８２が算出した出力値Ｙと、ラベルＬと、に基づき出力値Ｙが正解か不正解かを判定する。第２の評価部８６は、評価用データ７２ａの画像Ｐと異なる学習用データ７２ｂの画像Ｐから順伝搬部８２が算出した出力値Ｙと、ラベルＬと、に基づき出力値Ｙが正解か不正解かを判定する。評価出力部８７は、第１の評価部８５の評価結果と、第２の評価部８６の評価結果と、を出力する。これにより、第２の評価部８６の判定結果に基づき、機械学習により生成されたＣＮＮ７３の精度を評価することができる。さらに、第１の評価部８５の判定結果に基づき、機械学習に用いられなかった評価用データ７２ａの画像Ｐを対象とするＣＮＮ７３の精度を評価することができる。従って、火花の発生の監視精度が向上し、酸化した材料Ｍによる造形物３の脆弱化が抑制される。

ＣＮＮ７３が、複数の画像Ｐに含まれるとともに不正解と判定された出力値Ｙに対応する不正解データ７２ｂｆの画像Ｐと、複数の画像Ｐに含まれる画像Ｐと、のそれぞれから出力値Ｙを算出する。そして、ＣＮＮ７３は、出力値Ｙに基づき変更される。すなわち、ＣＮＮ７３は、少なくとも一度間違えた画像Ｐを用いて機械学習を行う。これにより、ＣＮＮ７３が算出する出力値Ｙの精度が向上しやすくなり、機械学習にかかる時間（反復回数）を短縮することができる。

複数の画像Ｐにおいて、非造形画像Ｐ１、正常造形画像Ｐ２、及び異常造形画像Ｐ３の割合が不均一なことがある。本実施形態では、ＣＮＮ７３が、少なくとも一度間違えた画像Ｐを用いて機械学習を行うことで、非造形画像Ｐ１、正常造形画像Ｐ２、及び異常造形画像Ｐ３の割合が不均一であっても、当該割合が均一である場合に近い学習効果を挙げることができる。

ＣＮＮ７３は、適正な割合の不正解データ７２ｂｆの画像Ｐと、複数の画像Ｐから不作為に選択された画像Ｐと、のそれぞれから出力値Ｙを算出する。これにより、ＣＮＮ７３に入力される画像Ｐの偏りが低減される。従って、ＣＮＮ７３が算出する出力値Ｙの精度が向上しやすくなり、機械学習にかかる時間（反復回数）を短縮することができる。

正解と判定された出力値Ｙの割合に基づき、ＣＮＮ７３に入力される不正解データ７２ｂｆの画像Ｐの割合が変更される。例えば、過学習が生じている場合に不正解データ７２ｂｆの画像Ｐの割合が減らされ、正解と判定された出力値Ｙの割合の収束が遅い場合に不正解データ７２ｂｆの画像Ｐの割合が増やされる。これにより、ＣＮＮ７３が算出する出力値Ｙの精度が向上しやすくなり、機械学習にかかる時間（反復回数）を短縮することができる。

本実施形態の制御部１４で実行されるプログラムは、インストール可能な形式又は実行可能な形式のファイルでＣＤ−ＲＯＭ、フレキシブルディスク（ＦＤ）、ＣＤ−Ｒ、ＤＶＤ（Ｄｉｇｉｔａｌ Ｖｅｒｓａｔｉｌｅ Ｄｉｓｋ）等のコンピュータで読み取り可能な記録媒体に記録されて提供される。

また、本実施形態の制御部１４で実行されるプログラムを、インターネット等のネットワークに接続されたコンピュータ上に格納し、ネットワーク経由でダウンロードさせることにより提供するように構成しても良い。また、本実施形態の制御部１４で実行されるプログラムをインターネット等のネットワーク経由で提供又は配布するように構成しても良い。

また、本実施形態のプログラムを、ＲＯＭ等に予め組み込んで提供するように構成しても良い。

本実施形態の制御部１４で実行されるプログラムは、上述した各部（造形制御部６２、画像処理部６３、学習部６４、推定部６５、及び出力制御部６６）を含むモジュール構成となっており、実際のハードウェアとしてはＣＰＵ（プロセッサ）が上記記憶媒体からプログラムを読み出して実行することにより上記各部が主記憶装置上にロードされ、造形制御部６２、画像処理部６３、学習部６４、推定部６５、及び出力制御部６６が主記憶装置上に生成されるようになっている。

（第２の実施形態）
以下に、第２の実施形態について、図１２を参照して説明する。なお、以下の実施形態の説明において、既に説明された構成要素と同様の機能を持つ構成要素は、当該既述の構成要素と同じ符号が付され、さらに説明が省略される場合がある。また、同じ符号が付された複数の構成要素は、全ての機能及び性質が共通するとは限らず、各実施形態に応じた異なる機能及び性質を有していても良い。

図１２は、第２の実施形態に係る積層造形監視方法の一例を示すフローチャートである。図１２に示すように、第２の実施形態では、Ｓ１０９が実行されると、積層造形のパラメータが変更される代わりに、造形制御部６２が積層造形を停止させ（Ｓ２０１）、積層造形システム１による積層造形の監視も完了する。すなわち、造形制御部６２は、火花確認強度ｙ_２に基づき、造形部１２を停止させる。

以上説明された第２の実施形態の積層造形システム１において、造形制御部６２は、火花確認強度ｙ_２に基づき、造形部１２を停止させることが可能である。すなわち、材料Ｍに酸化の虞がある場合、造形制御部６２が積層造形を停止させることができ、酸化した材料Ｍによる造形物３の脆弱化が抑制される。

判定部９２が判定結果を出力制御部６６に出力することで、判定結果の記録（ログ）から、材料Ｍに酸化が生じた虞がある箇所を容易に特定することができる。従って、材料Ｍに酸化が生じた虞がある箇所を除去し、積層造形を再開することが可能である。

以上説明された少なくとも複数の実施形態において、制御部１４が、記憶部６１、学習部６４、及び推定部６５を備える。しかし、例えば、記憶部６１、学習部６４、及び推定部６５の少なくとも一つが、積層造形システム１と異なる装置又はシステムに備えられても良い。

また、以上説明された複数の実施形態において、学習部６４による機械学習方法は、画像Ｐに火花が映っているか否かを推定するための画像認識技術に適用された。しかし、上述の学習部６４による機械学習方法は、他の画像認識技術、音声認識技術、自然言語処理技術のような他の技術に適用されても良い。

本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら新規な実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれるとともに、特許請求の範囲に記載された発明とその均等の範囲に含まれる。

１…積層造形システム、３…造形物、１３…撮像部、１４…制御部、１４ａ…ＣＰＵ、１４ｂ…ＲＯＭ、１４ｃ…ＲＡＭ、１４ｄ…外部記憶装置、１４ｅ…出力装置、１４ｆ…入力装置、２１…ノズル、６１…記憶部、６２…造形制御部、６３…画像処理部、６４…学習部、６５…推定部、６６…出力制御部、７２…データセット、７２ａ…評価用データ、７２ｂ…学習用データ、７２ｂｆ…不正解データ、７３…ＣＮＮ、７４…不正解リスト、８１…選択部、８２…順伝搬部、８３…逆伝搬部、８４…更新部、８５…第１の評価部、８６…第２の評価部、８７…評価出力部、９１…強度算出部、９２…判定部、Ｍ…材料、Ｅ…エネルギー線、Ｇ…シールドガス、Ｐ…画像、Ｐ１…非造形画像、Ｐ２…正常造形画像、Ｐ３…異常造形画像、Ｌ…ラベル、Ｙ…出力値。

Claims (7)

1. コンピュータにより実行される機械学習方法であって、
   演算部に、複数の入力情報のそれぞれから出力情報を算出させることと、
   前記出力情報と、前記複数の入力情報に対して設定された正解情報と、に基づき、前記出力情報が正解か不正解かを判定することと、
   前記演算部に、前記複数の入力情報に含まれるとともに不正解と判定された前記出力情報に対応する少なくとも一つの第１の入力情報と、前記複数の入力情報に含まれる少なくとも一つの第２の入力情報と、のそれぞれから前記出力情報を算出させることと、
   前記出力情報に基づき、前記演算部を変更することと、
   を備える機械学習方法。
2. 前記第２の入力情報は、前記複数の入力情報から不作為に選択される、請求項１の機械学習方法。
3. 正解と判定された前記出力情報の割合に基づき、前記演算部に入力される前記第１の入力情報及び前記第２の入力情報の割合を変更すること、をさらに備える請求項１又は請求項２の機械学習方法。
4. 前記演算部はニューラルネットワークである、請求項１乃至請求項３のいずれか一つの機械学習方法。
5. 前記演算部は、前記出力情報と前記正解情報とに基づき得られる勾配値に基づき変更される、請求項１乃至請求項４のいずれか一つの機械学習方法。
6. 複数の入力情報のそれぞれから出力情報を算出する演算部と、
   前記出力情報と、前記複数の入力情報に対して設定された正解情報と、に基づき、前記出力情報が正解か不正解かを判定する判定部と、
   前記演算部に入力される前記複数の入力情報として、前記複数の入力情報に含まれるとともに不正解と判定された前記出力情報に対応する少なくとも一つの第１の入力情報と、前記複数の入力情報に含まれる少なくとも一つの第２の入力情報と、を選択する選択部と、
   前記出力情報に基づき、前記演算部を変更する変更部と、
   を具備する情報処理装置。
7. コンピュータに、
   複数の入力情報のそれぞれから出力情報を算出する演算機能と、
   前記出力情報と、前記複数の入力情報に対して設定された正解情報と、に基づき、前記出力情報が正解か不正解かを判定する判定機能と、
   前記演算機能に入力される前記複数の入力情報として、前記複数の入力情報に含まれるとともに不正解と判定された前記出力情報に対応する少なくとも一つの第１の入力情報と、前記複数の入力情報に含まれる少なくとも一つの第２の入力情報と、を選択する選択機能と、
   前記出力情報に基づき、前記演算機能を変更する変更機能と、
   を実現させるためのプログラム。