JP2021026449A - 学習方法、判定方法及びプログラム - Google Patents
学習方法、判定方法及びプログラム Download PDFInfo
- Publication number
- JP2021026449A JP2021026449A JP2019143086A JP2019143086A JP2021026449A JP 2021026449 A JP2021026449 A JP 2021026449A JP 2019143086 A JP2019143086 A JP 2019143086A JP 2019143086 A JP2019143086 A JP 2019143086A JP 2021026449 A JP2021026449 A JP 2021026449A
- Authority
- JP
- Japan
- Prior art keywords
- determination
- information
- learning
- label
- sensor information
- 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
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Image Analysis (AREA)
Abstract
【課題】学習される教師データに異なる基準を用いて判定が行われたデータが含まれている場合において、自動判定システムの判定精度の低下を抑制する。【解決手段】センサーから取得するセンサー情報を用いて判定を行う判定モデルの学習方法は、対象物に関する情報をセンサー情報として取得することと、センサー情報と、対象物に関連づけられた事前ラベルと、センサー情報と事前ラベルとに関連する判定基準に関する基準情報と、を用いてセンサー情報から対象物のラベルを判定するように判定モデルを学習することと、を備える。【選択図】図1
Description
本開示は、画像を用いた判定等における判定技術に関する。
画像等のセンサー情報を用いた判定では、判定員による官能判定が行われることが多い。官能判定とは、視覚・聴覚・味覚・嗅覚・触覚等の人の感覚を用いて製品の品質を判定する判定を意味する。特に、視覚による外観判定は、品質の維持や保証のために製造現場において実施される判定であり、欠陥の種類が多種多様であることや、検出対象の形態が生産技術と共に変化することなどの要因により、画像処理技術の導入が進んでいる昨今においても自動化が難しい分野とされている。そのため製造現場の自動化が推し進められる中においても、人の感覚に頼って実施される場合が多くあり、生産性向上のボトルネックになっている工程となっている。
一方、深層学習に代表される機械学習技術の発展により、大量の学習データから欠陥画像や良品画像のパターンを学習し、高精度に欠陥分類を実施可能な判定技術が台頭してきている。これにより人の感覚に頼ってきた外観判定工程を機械学習に置き換える取り組みが推し進められている。特許文献1には、人の判定結果を学習して、検査の自動判定を行うシステムが開示されている。
ここで、学習される教師データには異なる基準を用いて判定が行われたデータが含まれている場合がある。この場合には、教師データ内で同一のパターンを示す画像に対して「良」と「不良」のラベルが混在する可能性がある。教師データ内で同一のパターンを示す画像に対して「良」と「不良」のラベルが混在する場合には、自動判定システムの判定精度が低下するおそれがある。
本開示の一形態によれば、センサーから取得するセンサー情報を用いて判定を行う判定モデルの学習方法が提供される。この学習方法は、対象物に関する情報をセンサー情報として取得することと、前記センサー情報と、前記対象物に関連づけられた事前ラベルと、前記センサー情報と前記事前ラベルとに関連する判定基準に関する基準情報と、を用いて前記センサー情報から前記対象物のラベルを判定するように前記判定モデルを学習することと、を備える。
A.第1実施形態
図1は、第1実施形態における判定システム300のブロック図である。判定システム300は、製品、例えばセンサーやアクチュエーター等に用いられる素子、より具体的には半導体や圧電素子等の品質管理に用いられる。本実施形態において、判定システム300は、圧電素子の品質管理に用いられ、圧電素子の接着層の状態に応じて圧電素子において接着が正常に行われているか否かの判定の為に用いられる。判定システム300は、判定に用いる判定モデルDMを準備する学習装置100と、判定モデルDMを用いて判定を実行する判定装置200と、を備える。
図1は、第1実施形態における判定システム300のブロック図である。判定システム300は、製品、例えばセンサーやアクチュエーター等に用いられる素子、より具体的には半導体や圧電素子等の品質管理に用いられる。本実施形態において、判定システム300は、圧電素子の品質管理に用いられ、圧電素子の接着層の状態に応じて圧電素子において接着が正常に行われているか否かの判定の為に用いられる。判定システム300は、判定に用いる判定モデルDMを準備する学習装置100と、判定モデルDMを用いて判定を実行する判定装置200と、を備える。
学習装置100は、予め準備された教師データTDと機械学習モデルを用いて、判定モデルDMを学習する装置である。学習装置100は、コンピューター、例えばパーソナルコンピューターである。学習装置100は、CPUやメモリーを有する処理部110と、SSD等の記憶装置を有する記憶部120を備える。教師データTDは、外部から入力された後に、記憶部120に記憶される。学習に用いられる機械学習モデルは、記憶部120に記憶されている。機械学習モデルには、ニューラルネットワークが用いられている。学習装置100によって学習された判定モデルDMは、判定装置200へと送信される。
教師データTDは、センサー情報SIと、基準情報RIと、事前ラベルLpと、を含む。教師データTDのうち、センサー情報SIと基準情報RIは説明変数であり、事前ラベルLpは目的変数である。センサー情報SIは、判定対象に関する情報であり、カメラ等のセンサーの出力情報である。本実施形態では、センサー情報SIは、カメラを用いて撮像された判定対象物の画像情報IMである。
基準情報RIは、センサー情報SI以外の情報であり、センサー情報SIとラベルPLとに関連する判定基準に関する情報である。判定基準は、判定対象に求められる品質に応じて変更される場合がある。例えば、求められる品質がより高くなる場合には、判定基準はより厳しい基準に変更される。このため、教師データTDには、異なる判定基準が用いられた期間に取得された複数のデータ群が含まれている場合がある。判定基準の変更は、判定に用いられる基準値の変更に限定されず、例えば検査項目の変更を含んでもよい。基準情報RIは、例えば、センサー情報SIからラベルPLを得る際に行われる検査において用いられる判定基準が複数ある場合において、いずれの判定基準が用いられたかを示す情報である。基準情報RIは、例えば、検査が行われた日時や期間を示すデータである。なお、基準情報RIは、基準値の具体的な数値や、用いられた基準値を識別するための識別番号等であってもよい。
事前ラベルLpは、判定員がセンサー情報SIを用いて官能判定を行った場合の判定結果を示す情報である。事前ラベルLpとしては、例えば、以下のいずれかを用いることができる。
(a)良/不良のいずれであるかを示すラベル。
(b)良、不良タイプ1〜NのN+1個のいずれであるかを示すラベル。
(c)良、不良ランク1〜NのN+1個のいずれであるかを示すラベル。
(d)評価ランク1〜NのN個のいずれであるかを示すラベル。
ここで、Nは2以上の整数である。
(a)良/不良のいずれであるかを示すラベル。
(b)良、不良タイプ1〜NのN+1個のいずれであるかを示すラベル。
(c)良、不良ランク1〜NのN+1個のいずれであるかを示すラベル。
(d)評価ランク1〜NのN個のいずれであるかを示すラベル。
ここで、Nは2以上の整数である。
判定装置200は、情報取得部210と、判定実行部220と、判定結果出力部230とを有する。これらの各部は、プロセッサーがコンピュータープログラムを実行することによって実現しても良く、ハードウェア回路で実現してもよい。
情報取得部210は、判定装置200における判定を実行するための入力情報として用いられる情報として、センサー情報SIおよび基準情報RIを取得する。情報取得部210によって取得されるセンサー情報SIは、事前ラベルLpが設定されていない判定用対象物に関する情報に応じた判定用センサー情報である。
判定実行部220は、判定モデルDMを用いて、センサー情報SIと基準情報RIとに応じて判定を実行して判定結果であるラベルPLを出力する機能を有する。判定モデルDMは、学習装置100による学習によって準備されている。判定実行部220は、特徴量算出部222と分類器224とを有する。特徴量算出部222は、センサー情報SIから複数の特徴量を算出する機能を有する。分類器224は、特徴量算出部222で得られた複数の特徴量を用いて判定結果の分類を行う機能を有する。基準情報RIは、特徴量算出部222又は分類器224で使用される。
判定結果出力部230は、判定実行部220で得られた判定結果を出力する機能を有する。判定結果出力部230は、例えば表示装置によって実現できる。
図2は、第1実施形態における学習方法について説明するフローチャートである。まず、ステップS102の処理として、学習装置100は、機械学習モデルの準備を行う。機械学習モデルの準備は、記憶部120に記憶された機械学習モデルが処理部110によって読み込まれることによって実行される。ステップS102の後に、ステップS104の処理が実行される。
ステップS104の処理として、学習装置100は、教師データTDの準備を行う。教師データTDの準備は、記憶部120に記憶された教師データTDが処理部110によって読み込まれることによって実行される。教師データTDのうちセンサー情報SIは、判定員による判定が行われた際に用いられた画像情報IMである。また、教師データTDのうち基準情報RIは、判定員による判定が行われた際に用いられた判定基準を示す情報である。教師データTDのうち事前ラベルLpは、実測の結果であり、具体的には判定員の目視による判定結果を示すデータである。より具体的には、事前ラベルLpは、「1」または「0」の良品スコアである。良品スコアが「1」である場合には判定結果は良品であり、良品スコアが「0」である場合には判定結果は不良品である。基準情報RI及び事前ラベルLpは、それぞれ1つのセンサー情報SIに関連づけられている。ステップS104の後に、ステップS106の処理が実行される。
ステップS106の処理として、学習装置100は、判定モデルDMの学習を実行する。判定モデルDMの学習は、教師データTDを用いた教師あり学習によって行われる。学習によって取得された判定モデルDMは、記憶部120に記憶される。ステップS106の処理が完了すると、学習装置100は、判定モデルDMの学習を終了する。
本実施形態において、学習装置100は、図2に示した判定モデルDMの学習として、第1学習と第2学習とを実行する。第1学習は、第2学習の前に行われた学習である。第1学習は、未学習の機械学習モデルを用いた学習でもよく、学習済みの機械学習モデルを用いた学習でもよい。第2学習は、第1学習によって学習された学習済みの機械学習モデルである第1判定モデルを用いた学習であり、第1学習において用いられた第1基準情報とは異なる第2基準情報が教師データに含まれる学習である。第2学習では、基準情報RIとして第2基準情報を含む教師データTDを第1判定モデルに学習させることによって、第2判定モデルが作成される。なお、本実施形態では、第2学習が完了する前においては、第1判定モデルが判定モデルDMとして用いられ、第2学習が完了した後には、第2判定モデルが判定モデルDMとして用いられる。なお、第1学習において用いられる事前ラベルLpは第1事前ラベルであり、第2学習において用いられる事前ラベルLpは第2事前ラベルである。
第1学習において用いられる第1基準情報と第2学習において用いられる第2基準情報とのそれぞれは、1つの値に限定されない。例えば、第1学習に用いられた教師データに、異なる判定基準が用いられた期間に取得された複数のデータ群が含まれている場合には、第1基準情報は、複数の基準情報RIを含んでいてもよい。
図3は、第1実施形態における判定実行部220の構成を示す説明図である。判定実行部220は、判定モデルDMとしてのニューラルネットワークNNを有している。ニューラルネットワークNNは、入力層L1と中間層L2と全結合層L3と出力層L4とを有する。特徴量算出部222は、入力層L1と中間層L2とで構成されている。分類器224は、全結合層L3と出力層L4とで構成されている。このニューラルネットワークNNは、中間層L2が畳み込み層として構成されている畳み込みニューラルネットワークである。但し、畳み込みニューラルネットワーク以外のニューラルネットワークを用いても良い。また、ニューラルネットワーク以外の機械学習モデルを用いても良い。
入力層L1には、センサー情報SIである画像情報IMが入力される。中間層L2は、畳み込みフィルター層L21とプーリング層L22とを含む。中間層L2は、これらの層L21,L22を複数含んでいても良い。中間層L2からは、センサー情報SIに応じた複数の特徴量が出力される。これらの複数の特徴量は、全結合層L3に入力され、全結合層L3と出力層L4によって判定結果であるラベルPLが算出される。これら全結合層L3は全結合層を複数含んでいても良い。
分類器224は、中間層L2においてセンサー情報SIから算出された複数の特徴量と、基準情報RIとを入力として判定結果の分類を行う。より具体的には、特徴量算出部222は、入力層L1及び中間層L2で構成されており、センサー情報SIが入力層L1に入力され、複数の特徴量が中間層L2から出力されるように構成されている。また、分類器224は、全結合層L3及び出力層L4で構成されており、中間層L2から出力される複数の特徴量と、基準情報RIとが全結合層L3に入力されるように構成されている。基準情報RIが複数の情報を含む場合には、その個々の情報が全結合層L3のすべてのノードに入力されるように構成されていることが好ましい。
畳み込み層としての中間層L2は画像情報IMの特徴抽出を行い、全結合層L3は抽出した特徴量に基づく分類を実施する。本実施形態では、画像情報IMの特徴量の抽出を行う中間層L2の構成は変更せずに、基準情報RIの特徴量をベクトル化して全結合層L3に連結するように構成している。基準情報RIの特徴量のベクトル化は、例えば、基準情報RIをOne−hotベクトル表現することによって行われる。これにより、200は、基準情報RIを特徴量として用いて、その数値を分類器224の全結合層L3に入力できるので、単一のニューラルネットワークで複数の基準情報RIを反映することが可能である。
以上説明した第1実施形態によれば、第1基準情報を用いた第1学習によって学習された第1判定モデルに対して、さらに、第2基準情報を用いた第2学習が行われている。このため、本実施形態の学習方法では、第1学習の結果を第2学習に利用することができる。したがって、第2基準情報に対応した判定モデルDMを未学習の機械学習モデルを用いて学習するゼロベースで学習する学習方法、例えば能動学習や半教師あり学習を用いる場合と比べて、学習に必要な時間や労力が低減される。
また、第1基準情報と第2基準情報とで判定基準が大きく変更されていない場合には、第1学習における事前ラベルLpとセンサー情報SIとの関係と第2学習における事前ラベルLpとセンサー情報SIとの関係とに共通性がある。このため、第1学習によって学習された第1判定モデルと第2学習によって学習された第2判定モデルとの間で、センサー情報SIの特徴量の抽出にも共通性がある。これにより、第2基準情報を含む教師データTDのみを用いて新たに第2判定モデルを作成する場合よりも、必要となるデータ数が低減される。このため、判定基準が変更された場合であっても、変更後の判定基準に対応した判定モデルDMを迅速に作成することが可能である。また、第1学習においてもセンサー情報SIと事前ラベルLpとの関係性を考慮した特徴量の抽出が行われている。このため、第2学習に用いる教師データTDのみを用いた教師あり学習を行うとともに第1学習に用いたセンサー情報SIを教師なし学習を行う半教師あり学習と比べて、効率的に第2判定モデルの学習が可能である。
また以上説明した第1実施形態によれば、センサー情報SIに加えて、センサー情報SIと事前ラベルLpとに関連する判定基準に関する基準情報RIを用いて判定モデルDMの学習を行う。このため、教師データTDに異なる判定基準を用いて判定が行われたデータ群が含まれている場合であっても、異なる判定基準が基準情報RIとして説明変数としても用いられることから、同一のパターンを示す説明変数に対して目的変数として「良」と「不良」の事前ラベルLpが混在しても判定精度の低減が抑制される。また、第2学習を実行する際に、基準情報RIを用いない学習方法、例えば転移学習を用いて再学習を行う場合と比べ、同一のパターンを示す説明変数に対して目的変数として「良」と「不良」の事前ラベルLpが混在しても判定精度の低減が抑制される。したがって、同一のパターンを示すセンサー情報SIと基準情報RIとの組み合わせに対して「良」と「不良」の事前ラベルLpが混在しても、判定精度の低減が抑制される。
B.第2実施形態
第2実施形態における判定システム300では、第1実施形態における判定システム300と判定モデルDMを学習する際の方法が異なる。第2実施形態では、第2学習を実行する際に、新たな判定基準に基づくアノテーションが行われている。以下では、第1実施形態と同様の構成については同様の符号を付し、詳細な説明を省略する。
第2実施形態における判定システム300では、第1実施形態における判定システム300と判定モデルDMを学習する際の方法が異なる。第2実施形態では、第2学習を実行する際に、新たな判定基準に基づくアノテーションが行われている。以下では、第1実施形態と同様の構成については同様の符号を付し、詳細な説明を省略する。
アノテーションでは、第1学習において用いたセンサー情報SIを用いて判定モデルDMの再学習が行われる。アノテーションを行う際には、事前ラベルLpが新たに準備される。具体的には、再学習するセンサー情報SIに関して新たな判定基準で判定が行われ、新たな判定の結果が事前ラベルLpとして用いられる。本実施形態において、アノテーションは、第1学習において用いられた全てのセンサー情報SIについて行われるのではなく、一部のセンサー情報SIについてのみ行われる。
図4は、第2実施形態において実行されるアノテーションに用いるセンサー情報SIの抽出処理を説明するフローチャートである。抽出処理は、パーソナルコンピューター等の情報処理装置によって実行される。本実施形態において抽出処理は、図1の学習装置100によって実行される。抽出処理が開始されると、まず、ステップS202の処理が実行される。
ステップS202の処理では、第1判定結果および第2判定結果の取得が行われる。第1判定結果として、センサー情報SIに関して第1判定基準における判定結果が取得される。このために具体的には、第1学習および/または第2学習が行われた判定モデルDMにセンサー情報SIおよび基準情報RIとしての第1基準情報を入力することによって出力される判定結果が取得される。また、第2判定結果として、センサー情報SIに関して第2判定基準における判定結果が取得される。このために具体的には、第2学習が行われた判定モデルDMにセンサー情報SIおよび基準情報RIとしての第2基準情報を入力することによって出力される判定結果が取得される。ステップS202の処理の後に、ステップS204の処理が実行される。本実施形態ではステップS202として、第1判定結果の取得と第2判定結果の取得とが並列に実行されるが、第1判定結果の取得の後に第2判定結果の取得が実行されてもよい。
ステップS204の処理として、抽出処理が実行される。抽出処理では、第1判定基準から第2判定基準に判定基準が変更されたことによって判定結果が変化するセンサー情報SIが抽出される。本実施形態では、ステップS204によって抽出されたセンサー情報SIについてのアノテーションが優先的に実行される。
図5は、図4のステップS204の処理を説明するための表である。図5では、3つのセンサー情報SIが示されている。なお、本実施形態では、事前ラベルLpとして、良品スコアが用いられている。事前ラベルLpとしての良品スコアは、良品である場合に1と入力され、不良品である場合に0と入力される。このため、判定モデルDMによる判定において、ラベルPLとしての良品スコアは、1に近い値ほど良品であることを示し、0に近い値ほど不良品であることを示している。本実施形態では、抽出処理では、第1判定結果における良品スコアと第2判定結果における良品スコアとの差分の絶対値である差分スコアの値に応じて、良品スコアの示す判定結果が異なるセンサー情報SIを抽出している。
図5に示した第1センサー情報では、第1基準情報を用いて判定が行われた場合と第2基準情報を用いて判定が行われた場合とで、良品スコアは、良品であることを示している。また、第2センサー情報では、第1基準情報を用いて判定が行われた場合と第2基準情報を用いて判定が行われた場合とで、良品スコアは、不良品であることを示している。このため、第1センサー情報と第2センサー情報とでは、判定基準の変更の前後で判定結果が変化していないことが示されている。
一方、第3センサー情報では、第1基準情報を用いて判定が行われた場合と第2基準情報を用いて判定が行われた場合とで、良品スコアの示す判定結果が異なっている。具体的には、第1基準情報を用いた場合には、第3センサー情報は、良品と判定さる。一方、第2基準情報を用いた場合には、第3センサー情報は、不良品と判定さる。図4のステップS204の処理では、第3センサー情報のように第1基準情報を用いて判定が行われた場合と第2基準情報を用いて判定が行われた場合とで、良品スコアの示す判定結果が異なるセンサー情報SIが抽出される。
以上説明した第2実施形態によれば、第1実施形態と同様の構成を有す点において、第1実施形態と同様の効果を奏する。さらに、第2実施形態では、第2学習を実行する際に、判定基準変更の対象となる可能性が高いデータにアノテーションが実行されるため、第2判定モデルの判定精度を向上させることができる。
また第2実施形態によれば、アノテーションを実行すべきセンサー情報SIを抽出処理によって抽出することができる。このため、学習効果の高いセンサー情報SIについて優先的に再学習させることができる。したがって、アノテーションが効率的に実行される。
C.他の実施形態
C1.第1の他の実施形態
上記実施形態において、センサー情報SIは、画像情報IMであるが、これに限定されない。センサー情報SIは、例えば、音情報や振動情報、匂い情報、味情報等の種々の情報であってもよい。音情報は、例えば打音検査に用いられ、マイク等によって取得される。音情報としては、音波の波形を用いてもよく、フーリエ変換やウェープレット変換を用いて特徴量化して用いてもよい。振動情報は、例えば設備診断技術等に利用される振動法に用いられ、加速度センサーやジャイロセンサー等によって取得される。振動情報には、振動の伝播方向に関する情報が含まれていてもよい。匂情報は、例えば匂による病気の診断に用いられ、匂いセンサーによって取得される。味情報は、例えば、味の相互作用の予測に用いられ、味覚の定量化が可能な味覚センサー等によって取得される。
C1.第1の他の実施形態
上記実施形態において、センサー情報SIは、画像情報IMであるが、これに限定されない。センサー情報SIは、例えば、音情報や振動情報、匂い情報、味情報等の種々の情報であってもよい。音情報は、例えば打音検査に用いられ、マイク等によって取得される。音情報としては、音波の波形を用いてもよく、フーリエ変換やウェープレット変換を用いて特徴量化して用いてもよい。振動情報は、例えば設備診断技術等に利用される振動法に用いられ、加速度センサーやジャイロセンサー等によって取得される。振動情報には、振動の伝播方向に関する情報が含まれていてもよい。匂情報は、例えば匂による病気の診断に用いられ、匂いセンサーによって取得される。味情報は、例えば、味の相互作用の予測に用いられ、味覚の定量化が可能な味覚センサー等によって取得される。
C2.第2の他の実施形態
上記実施形態において、第2学習が実行されているが、第2学習は実行されなくてもよい。
上記実施形態において、第2学習が実行されているが、第2学習は実行されなくてもよい。
C3.第3の他の実施形態
上記実施形態において、判定システム300は、学習装置100と判定装置200とを備えるが、これに限定されない。判定モデルDMの学習の実行と判定の実行とは1つの装置、例えば判定装置200によって実行されていてもよい。
上記実施形態において、判定システム300は、学習装置100と判定装置200とを備えるが、これに限定されない。判定モデルDMの学習の実行と判定の実行とは1つの装置、例えば判定装置200によって実行されていてもよい。
以上説明した第1から第3の他の実施形態であっても、上記第1実施形態および第2実施形態と同様の構成を有する点において、同様の効果を奏する。
本開示は、上述の実施形態に限られるものではなく、その趣旨を逸脱しない範囲において種々の構成で実現することができる。例えば、発明の概要の欄に記載した各形態中の技術的特徴に対応する実施形態中の技術的特徴は、上述の課題の一部又は全部を解決するために、あるいは、上述の効果の一部又は全部を達成するために、適宜、差し替えや、組み合わせを行うことが可能である。また、その技術的特徴が本明細書中に必須なものとして説明されていなければ、適宜、削除することが可能である。
(1)本開示の一形態によれば、センサーから取得するセンサー情報を用いて判定を行う判定モデルの学習方法が提供される。この学習方法は、対象物に関する情報をセンサー情報として取得することと、前記センサー情報と、前記対象物に関連づけられた事前ラベルと、前記センサー情報と前記事前ラベルとに関連する判定基準に関する基準情報と、を用いて前記センサー情報から前記対象物のラベルを判定するように前記判定モデルを学習することと、を備える。この学習方法によれば、センサー情報に加えて、センサー情報と事前ラベルとに関連する判定基準に関する基準情報を用いて判定モデルの学習を行う。したがって、判定が行われた時期等によって判定基準が異なる場合であっても、同一のパターンを示すセンサー情報と基準情報との組み合わせに対して「良」と「不良」のラベルが混在する可能性が低減される。
(2)上記形態の学習方法において、前記事前ラベルは、第1事前ラベルであり、前記基準情報は、第1基準情報であり、前記第1基準情報を用いて学習された前記判定モデルを、第1判定モデルとし、前記学習方法は、さらに、前記第1判定モデルに、前記センサー情報と、第2事前ラベルと、前記基準情報を学習させることによって、第2判定モデルを学習することと、を備え、前記第2判定モデルを学習する際には、前記第2事前ラベルに関連する前記基準情報として前記第1基準情報とは異なる第2基準情報が用いられてもよい。この学習方法によれば、第2基準情報を用いて第2判定モデルを学習する場合に、第1判定モデルを用いて学習することができる。このため、未学習の学習モデルを用いて第2判定基準モデルを学習する場合よりも必要となるデータ数を低減することができる。
(3)本開示の一形態によれば、センサーから取得するセンサー情報を用いて判定を行う判定方法が提供される。この判定方法では、上記形態の学習方法によって学習された判定モデルを準備することと、前記事前ラベルが設定されていない判定用対象物に関する情報に応じた判定用センサー情報を出力することと、前記判定用センサー情報と、前記基準情報とを、前記判定モデルに入力し、前記判定用対象物の前記ラベルを判定することと、を備える。この判定方法によれば、上記形態の判定モデルを用いて判定を実行できる。したがって、同一のパターンを示すセンサー情報と基準情報との組み合わせに対して「良」と「不良」のラベルが混在する可能性が低減されるため、判定精度の低下を抑制できる。
(4)本開示の一形態によればセンサーから取得するセンサー情報を用いて判定を行う判定方法が提供される。この判定方法では、上記形態の学習方法によって学習された第2判定モデルを準備することと、前記ラベルが設定されていない判定用対象物に関する情報に応じた判定用センサー情報を出力することと、前記判定用センサー情報と、前記基準情報として前記第1基準情報と前記第2基準情報とのいずれか一方とを、前記第2判定モデルに入力し、前記判定用対象物の前記ラベルを判定することと、を備える。この判定方法によれば、上記形態の判定モデルを用いて判定を実行できる。したがって、同一のパターンを示すセンサー情報と基準情報との組み合わせに対して「良」と「不良」のラベルが混在する可能性が低減されるため、判定精度の低下を抑制できる。
本開示は、学習方法および判定方法以外の種々の形態で実現することも可能である。例えば、コンピューターに上記形態の学習方法を実行させる学習プログラムやコンピューターに上記形態の判定方法を実行させる判定プログラム等のプログラムの形態で実現できる。また、上記形態の学習方法を実行する学習装置や上記形態の判定方法を実行する判定装置等の形態で実現することができる。また、本開示は、学習プログラムや判定プログラム等のプログラムを記録した非一過性の記録媒体にも適用できる。
100…学習装置、110…処理部、120…記憶部、200…判定装置、210…情報取得部、220…判定実行部、222…特徴量算出部、224…分類器、230…判定結果出力部、300…判定システム、DM…判定モデル、L1…入力層、L2…中間層、L21…フィルター層、L22…プーリング層、L3…全結合層、L4…出力層、NN…ニューラルネットワーク、RI…基準情報、PL…ラベル、Lp…事前ラベル、SI…センサー情報、TD…教師データ
Claims (5)
- センサーから取得するセンサー情報を用いて判定を行う判定モデルの学習方法であって、
対象物に関する情報をセンサー情報として取得することと、
前記センサー情報と、前記対象物に関連づけられた事前ラベルと、前記センサー情報と前記事前ラベルとに関連する判定基準に関する基準情報と、を用いて前記センサー情報から前記対象物のラベルを判定するように前記判定モデルを学習することと、を備える学習方法。 - 請求項1に記載の学習方法であって、
前記事前ラベルは、第1事前ラベルであり、
前記基準情報は、第1基準情報であり、
前記第1基準情報を用いて学習された前記判定モデルを、第1判定モデルとし、
前記学習方法は、さらに、前記第1判定モデルに、前記センサー情報と、第2事前ラベルと、前記基準情報を学習させることによって、第2判定モデルを学習することと、を備え、
前記第2判定モデルを学習する際には、前記第2事前ラベルに関連する前記基準情報として前記第1基準情報とは異なる第2基準情報が用いられている、学習方法。 - センサーから取得するセンサー情報を用いて判定を行う判定方法であって、
請求項1に記載の学習方法によって学習された前記判定モデルを準備することと、
前記事前ラベルが設定されていない判定用対象物に関する情報に応じた判定用センサー情報を取得することと、
前記判定用センサー情報と、前記基準情報とを、前記判定モデルに入力し、前記判定用対象物の前記ラベルを判定することと、を備える判定方法。 - センサーから取得するセンサー情報を用いて判定を行う判定方法であって、
請求項2に記載の学習方法によって学習された前記第2判定モデルを準備することと、
前記事前ラベルが設定されていない判定用対象物に関する情報に応じた判定用センサー情報を取得することと、
前記判定用センサー情報と、前記基準情報として前記第1基準情報と前記第2基準情報とのいずれか一方とを、前記第2判定モデルに入力し、前記判定用対象物の前記ラベルを判定することと、を備える判定方法。 - センサーから取得するセンサー情報を用いて判定を行う判定モデルを学習する機能をコンピューターに実行させるコンピュータープログラムであって、
センサーを用いて対象物に関する情報に応じて取得されたセンサー情報と、前記対象物に関連づけられた事前ラベルと、前記センサー情報と前記事前ラベルとに関連する判定基準に関する基準情報と、を用いて前記判定モデルを学習する機能をコンピューターに実行させる、コンピュータープログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019143086A JP2021026449A (ja) | 2019-08-02 | 2019-08-02 | 学習方法、判定方法及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019143086A JP2021026449A (ja) | 2019-08-02 | 2019-08-02 | 学習方法、判定方法及びプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2021026449A true JP2021026449A (ja) | 2021-02-22 |
Family
ID=74663896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019143086A Pending JP2021026449A (ja) | 2019-08-02 | 2019-08-02 | 学習方法、判定方法及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2021026449A (ja) |
-
2019
- 2019-08-02 JP JP2019143086A patent/JP2021026449A/ja active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10997711B2 (en) | Appearance inspection device | |
CN110852983B (zh) | 用于检测半导体装置中的缺陷的方法 | |
JP6911498B2 (ja) | 学習装置、学習方法、及び学習プログラム | |
US20190118226A1 (en) | Sorting system | |
US11715190B2 (en) | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device | |
JP2021057042A (ja) | 製品の分類システムおよび製品の分類方法 | |
JP6216024B1 (ja) | 学習済モデル生成方法及び信号データ判別装置 | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
JP7380019B2 (ja) | データ生成システム、学習装置、データ生成装置、データ生成方法及びデータ生成プログラム | |
JP7164028B2 (ja) | 学習システム、データ生成装置、データ生成方法、及びデータ生成プログラム | |
JP6749655B1 (ja) | 検査装置、異常検出方法、コンピュータプログラム、学習モデルの生成方法、及び学習モデル | |
JP6584250B2 (ja) | 画像分類方法、分類器の構成方法および画像分類装置 | |
WO2019176990A1 (ja) | 検査装置、画像識別装置、識別装置、検査方法、及び検査プログラム | |
WO2021225097A1 (ja) | 画像検査装置、画像検査方法及びプログラム | |
JP2012018066A (ja) | 異常検査装置 | |
JP2020085583A (ja) | 検査装置及び検査方法 | |
JP7422548B2 (ja) | ラベルノイズ検出プログラム、ラベルノイズ検出方法及びラベルノイズ検出装置 | |
CN114616573A (zh) | 学习辅助装置、学习装置、学习辅助方法和学习辅助程序 | |
CN117372424B (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
WO2019176988A1 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
CN114556383A (zh) | 模型生成装置、推定装置、模型生成方法以及模型生成程序 | |
JP2021026449A (ja) | 学習方法、判定方法及びプログラム | |
JP2021039641A (ja) | 再学習方法、および、コンピュータープログラム | |
JP2020071552A (ja) | 判定装置及び判定方法 | |
JP7070308B2 (ja) | 推定器生成装置、検査装置、推定器生成方法、及び推定器生成プログラム |