JP2022114332A - クラス判定システム、クラス判定方法及びクラス判定プログラム - Google Patents
クラス判定システム、クラス判定方法及びクラス判定プログラム Download PDFInfo
- Publication number
- JP2022114332A JP2022114332A JP2021010593A JP2021010593A JP2022114332A JP 2022114332 A JP2022114332 A JP 2022114332A JP 2021010593 A JP2021010593 A JP 2021010593A JP 2021010593 A JP2021010593 A JP 2021010593A JP 2022114332 A JP2022114332 A JP 2022114332A
- Authority
- JP
- Japan
- Prior art keywords
- image data
- determination
- classification
- class
- feature amount
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7747—Organisation of the process, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/87—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using selection of the recognition techniques, e.g. of a classifier in a multiple classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
【課題】 検査対象物の画像データについてクラス判定を行う場合の誤判定を低減させる。【解決手段】 クラス判定システムは、検査対象物の画像データを、所定数のクラスのうちのいずれかのクラスに分類する分類部と、分類先に対応付けて配され、前記分類部により分類される画像データを処理することで、特徴量を抽出する抽出部と、前記分類先が既知の画像データの特徴量の分布領域であって、前記分類先ごとに予め定められた特徴量空間における各分布領域のうち、前記検査対象物の画像データが分類された分類先の分布領域に、前記検査対象物の画像データの特徴量が含まれるか否かを判定する判定部と、前記検査対象物の画像データの特徴量が含まれないと判定された場合、前記検査対象物の画像データは、新たなクラスに該当するとの判定結果を出力する出力部とを有する。【選択図】図5
Description
本発明は、クラス判定システム、クラス判定方法及びクラス判定プログラムに関する。
検査対象物の画像データに基づいて、検査対象物が正常であるか異常であるか、及び、異常である場合には、異常の種類を判定することで、検査対象物の画像データがいずれのクラスに該当するかを判定するクラス判定システムが知られている。
かかるクラス判定システムでは、例えば、クラスが既知の画像データを学習用データとして、教師あり学習を行い、生成した学習済みのモデルを用いて、クラスが未知の画像データについてクラス判定を行う。
しかしながら、上記クラス判定システムでは、学習用データに含まれていない新たな種類の異常が発生した場合に、誤ったクラス判定が行われることになる。
一つの側面では、検査対象物の画像データについてクラス判定を行う場合の誤判定を低減させる、クラス判定システム、クラス判定方法及びクラス判定プログラムを提供することを目的としている。
一態様によれば、クラス判定システムは、
検査対象物の画像データを、所定数のクラスのうちのいずれかのクラスに分類する分類部と、
分類先に対応付けて配され、前記分類部により分類される画像データを処理することで、特徴量を抽出する抽出部と、
前記分類先が既知の画像データの特徴量の分布領域であって、前記分類先ごとに予め定められた特徴量空間における各分布領域のうち、前記検査対象物の画像データが分類された分類先の分布領域に、前記検査対象物の画像データの特徴量が含まれるか否かを判定する判定部と、
前記検査対象物の画像データの特徴量が含まれないと判定された場合、前記検査対象物の画像データは、新たなクラスに該当するとの判定結果を出力する出力部とを有する。
検査対象物の画像データを、所定数のクラスのうちのいずれかのクラスに分類する分類部と、
分類先に対応付けて配され、前記分類部により分類される画像データを処理することで、特徴量を抽出する抽出部と、
前記分類先が既知の画像データの特徴量の分布領域であって、前記分類先ごとに予め定められた特徴量空間における各分布領域のうち、前記検査対象物の画像データが分類された分類先の分布領域に、前記検査対象物の画像データの特徴量が含まれるか否かを判定する判定部と、
前記検査対象物の画像データの特徴量が含まれないと判定された場合、前記検査対象物の画像データは、新たなクラスに該当するとの判定結果を出力する出力部とを有する。
検査対象物の画像データについてクラス判定を行う場合の誤判定を低減させる、クラス判定システム、クラス判定方法及びクラス判定プログラムを提供することができる。
以下、各実施形態について添付の図面を参照しながら説明する。なお、本明細書及び図面において、実質的に同一の機能構成を有する構成要素については、同一の符号を付することにより重複した説明を省略する。
[第1の実施形態]
<学習フェーズにおけるクラス判定システムのシステム構成>
はじめに、第1の実施形態に係るクラス判定システムの、学習フェーズにおけるシステム構成について説明する。図1は、学習フェーズにおけるクラス判定システムのシステム構成の一例を示す図である。
<学習フェーズにおけるクラス判定システムのシステム構成>
はじめに、第1の実施形態に係るクラス判定システムの、学習フェーズにおけるシステム構成について説明する。図1は、学習フェーズにおけるクラス判定システムのシステム構成の一例を示す図である。
図1に示すように、学習フェーズにおけるクラス判定システム100は、分類装置110、第1の判定装置120_1、第2の判定装置120_2、・・・第nの判定装置120_nを有する。
分類装置110には、分類学習プログラムがインストールされており、当該プログラムが実行されることで、分類装置110は、分類学習部112として機能する。
分類学習部112は、分類学習用データ格納部111に格納された分類学習用データを読み出す。分類学習用データは、検査対象物の画像データと、そのクラスとが対応付けられたデータセットである。
なお、分類学習用データの画像データには、検査員によって正常であると判定された検査対象物の画像データ(例えば、クラス="クラス1(OK)"の画像データ)と、検査員によって異常であると判定された検査対象物の画像データとが含まれる。そして、検査員によって異常であると判定された検査対象物の画像データには、様々な種類の異常をそれぞれに含む検査対象物の画像データ(例えば、クラス="クラス2(NG_1)"、"クラス3(NG_2)"、・・・等の画像データ)が含まれる。
分類学習部112は、読み出した分類学習用データを用いて、所定のモデルに対して学習処理を行う。分類学習部112は、検査対象物の画像データが、対応付けられたクラスに適切に分類されるように学習処理を行う。
第1の判定装置120_1には、第1の判定学習プログラムがインストールされており、当該プログラムが実行されることで、第1の判定装置120_1は、第1の判定学習部122_1として機能する。
第1の判定学習部122_1は、第1学習用データ格納部121_1に格納された第1学習用データを読み出す。第1学習用データ格納部121_1に格納された第1学習用データは、
・分類学習用データの画像データのうち、正常(クラス="クラス1(OK)")であると判定された検査対象物の画像データと、
・そのクラス("クラス1(OK)")と、
が対応付けられている。
・分類学習用データの画像データのうち、正常(クラス="クラス1(OK)")であると判定された検査対象物の画像データと、
・そのクラス("クラス1(OK)")と、
が対応付けられている。
また、第1の判定学習部122_1は、VAE(Variational Autoencoder:変分オートエンコーダ)を有し、読み出した第1学習用データを用いて、VAEに対して学習処理を行う。また、第1の判定学習部122_1は、学習処理が完了したVAEを構成するエンコーダに、第1学習用データの各画像データを入力することで、特徴量(潜在変数ともいう)を抽出する。
更に、第1の判定学習部122_1は、抽出した特徴量が分布する特徴量空間(潜在空間ともいう)における領域(分布領域)を特定する。なお、特定した分布領域は、後述する第1分布領域格納部に格納され、検査フェーズにおいて利用される。
第2の判定装置120_2には、第2の判定学習プログラムがインストールされており、当該プログラムが実行されることで、第2の判定装置120_2は、第2の判定学習部122_2として機能する。
第2の判定学習部122_2は、第2学習用データ格納部121_2に格納された第2学習用データを読み出す。第2学習用データ格納部121_2に格納された第2学習用データは、
・分類学習用データの画像データのうち、異常であると判定された検査対象物の画像データであって、所定のクラスの異常("クラス2(NG_1)"の異常)と判定された検査対象物の画像データと、
・そのクラス("クラス2(NG_1)")と、
が対応付けられている。
・分類学習用データの画像データのうち、異常であると判定された検査対象物の画像データであって、所定のクラスの異常("クラス2(NG_1)"の異常)と判定された検査対象物の画像データと、
・そのクラス("クラス2(NG_1)")と、
が対応付けられている。
また、第2の判定学習部122_2は、VAEを有し、読み出した第2学習用データを用いて、VAEに対して学習処理を行う。また、第2の判定学習部122_2は、学習処理が完了したVAEを構成するエンコーダに、第2学習用データの各画像データを入力することで、特徴量を抽出する。
更に、第2の判定学習部122_2は、抽出した特徴量が分布する特徴量空間における分布領域を特定する。なお、特定した分布領域は、後述する第2分布領域格納部に格納され、検査フェーズにおいて利用される。
第nの判定装置120_nには、第nの判定学習プログラムがインストールされており、当該プログラムが実行されることで、第nの判定装置120_nは、第nの判定学習部122_nとして機能する。
第nの判定学習部122_nは、第n学習用データ格納部121_nに格納された第n学習用データを読み出す。第n学習用データ格納部121_nに格納された第nの学習用データは、
・分類学習用データの画像データのうち、異常であると判定された検査対象物の画像データであって、所定のクラスの異常("クラスn(NG_n-1)"の異常)と判定された検査対象物の画像データと、
・そのクラス("クラスn(NG_n-1)")と、
が対応付けられている。
・分類学習用データの画像データのうち、異常であると判定された検査対象物の画像データであって、所定のクラスの異常("クラスn(NG_n-1)"の異常)と判定された検査対象物の画像データと、
・そのクラス("クラスn(NG_n-1)")と、
が対応付けられている。
また、第nの判定学習部122_nは、VAEを有し、読み出した第n学習用データを用いて、VAEに対して学習処理を行う。また、第nの判定学習部122_nは、学習処理が完了したVAEを構成するエンコーダに、第n学習用データの各画像データを入力することで、特徴量を抽出する。
更に、第nの判定学習部122_nは、抽出した特徴量が分布する特徴量空間における分布領域を特定する。なお、特定した分布領域は、後述する第n分布領域格納部に格納され、検査フェーズにおいて利用される。
このように、学習フェーズにおけるクラス判定システム100は、分類装置110の分類学習部112が、検査対象物の画像データを分類する際の分類先のクラスの数(=n)に応じた数の判定装置を有する。なお、本実施形態では、検査対象物が所定のシート(例えば、医療用シート)であるとし、また、検査対象物で発生する異常の種類が5種類(付着異物、輝点、黒線、黒点、めくれ)であるとする。したがって、本実施形態では、クラスの数n=6となり、各クラスと、正常または異常(あるいは異常の種類)との対応関係は下記のとおりとなる。
・クラス1(OK)=正常
・クラス2(NG_1)=異常(付着異物)
・クラス3(NG_2)=異常(輝点)
・クラス4(NG_3)=異常(黒線)
・クラス5(NG_4)=異常(黒点)
・クラス6(NG_5)=異常(めくれ)。
・クラス1(OK)=正常
・クラス2(NG_1)=異常(付着異物)
・クラス3(NG_2)=異常(輝点)
・クラス4(NG_3)=異常(黒線)
・クラス5(NG_4)=異常(黒点)
・クラス6(NG_5)=異常(めくれ)。
<分類装置または判定装置のハードウェア構成>
次に、分類装置110、または、第1の判定装置120_1~第nの判定装置120_nのハードウェア構成について説明する。なお、分類装置110及び第1の判定装置120_1~第nの判定装置120_nは、いずれも同様のハードウェア構成を有することから、ここでは、図2を用いて、まとめて説明する。
次に、分類装置110、または、第1の判定装置120_1~第nの判定装置120_nのハードウェア構成について説明する。なお、分類装置110及び第1の判定装置120_1~第nの判定装置120_nは、いずれも同様のハードウェア構成を有することから、ここでは、図2を用いて、まとめて説明する。
図2は、分類装置または判定装置のハードウェア構成の一例を示す図である。図2に示すように、分類装置110または第1の判定装置120_1~第nの判定装置120_nは、プロセッサ201、メモリ202、補助記憶装置203、I/F(Interface)装置204、通信装置205、ドライブ装置206を有する。なお、分類装置110または第1の判定装置120_1~第nの判定装置120_nの各ハードウェアは、バス207を介して相互に接続されている。
プロセッサ201は、CPU(Central Processing Unit)、GPU(Graphics Processing Unit)等の各種演算デバイスを有する。プロセッサ201は、各種プログラム(例えば、分類学習プログラムまたは第1~第nの判定学習プログラム等)をメモリ202上に読み出して実行する。
メモリ202は、ROM(Read Only Memory)、RAM(Random Access Memory)等の主記憶デバイスを有する。プロセッサ201とメモリ202とは、いわゆるコンピュータを形成し、プロセッサ201が、メモリ202上に読み出した各種プログラムを実行することで、当該コンピュータは、例えば上記機能(分類学習部112~第nの判定学習部122_n)を実現する。
補助記憶装置203は、各種プログラムや、各種プログラムがプロセッサ201によって実行される際に用いられる各種データを格納する。例えば、分類学習用データ格納部111、第1学習用データ格納部121_1~第n学習用データ格納部121_nは、補助記憶装置203において実現される。
I/F装置204は、外部装置の一例である操作装置210、表示装置211と、分類装置110または第1の判定装置120_1~第nの判定装置120_nとを接続する接続デバイスである。I/F装置204は、分類装置110または第1の判定装置120_1~第nの判定装置120_nに対する操作を、操作装置210を介して受け付ける。また、I/F装置204は、分類装置110または第1の判定装置120_1~第nの判定装置120_nによる処理の結果を、表示装置211を介して表示する。通信装置205は、他の装置(第1の判定装置120_1~第nの判定装置120_n、または、分類装置110)と通信するための通信デバイスである。
ドライブ装置206は記録媒体212をセットするためのデバイスである。ここでいう記録媒体212には、CD-ROM、フレキシブルディスク、光磁気ディスク等のように情報を光学的、電気的あるいは磁気的に記録する媒体が含まれる。また、記録媒体212には、ROM、フラッシュメモリ等のように情報を電気的に記録する半導体メモリ等が含まれていてもよい。
なお、補助記憶装置203にインストールされる各種プログラムは、例えば、配布された記録媒体212がドライブ装置206にセットされ、該記録媒体212に記録された各種プログラムがドライブ装置206により読み出されることでインストールされる。あるいは、補助記憶装置203にインストールされる各種プログラムは、通信装置205を介してネットワークからダウンロードされることで、インストールされてもよい。
<分類装置の分類学習部による処理の具体例>
次に、分類装置110の分類学習部112による処理の具体例について説明する。図3は、分類装置の分類学習部による処理の具体例を示す図である。
次に、分類装置110の分類学習部112による処理の具体例について説明する。図3は、分類装置の分類学習部による処理の具体例を示す図である。
図3に示すように、分類学習用データ310には、情報の項目として、"画像データID"、"クラス"、"分類確率"が含まれる。
"画像データID"には、複数の検査対象物の画像データを識別するための識別子が格納される。"クラス"には、対応する画像データについて、検査員によって判定されたクラスが格納される。"分類確率"には、分類学習部112が所定のモデルに対して学習処理を行う際の正解データが格納される。具体的には、対応する画像データのクラスの分類確率を100%、対応する画像データのクラス以外のクラスの分類確率を0%とする正解データが格納される。
図3の例において、符号311に示す分類確率は、対応する画像データ(画像データID="画像データ1")のクラスが"クラス1(OK)"である。このため、符号311に示す分類確率には、クラス1(OK)の分類確率として"100"が、クラス2(NG_1)~クラス6(NG_5)の分類確率として"0"が、それぞれ格納されることになる。
また、図3に示すように、分類学習部112は、更に、CNN部320、クラス1分類確率取得部331~クラス6分類確率取得部336、比較/変更部340を有する。
CNN部320は、分類学習部112が学習処理を行う所定のモデルである。CNN部320は、分類学習用データ310の"画像データID"に格納された各識別子により識別される各画像データが入力されることで、各クラス(クラス1(OK)~クラス6(NG_5))の分類確率を出力する。
クラス1分類確率取得部331は、CNN部320から出力される各クラス(クラス1(OK)~クラス6(NG_5))の分類確率のうち、クラス1(OK)の分類確率を取得し、比較/変更部340に通知する。
以下、同様に、クラス2分類確率取得部332~クラス6分類確率取得部336は、CNN部320から出力される他のクラス(クラス2(NG_1)~クラス6(NG_5))の分類確率をそれぞれ取得し、比較/変更部340に通知する。
比較/変更部340は、クラス1分類確率取得部331~クラス6分類確率取得部336より通知された各クラスの分類確率と、分類学習用データ310から読み出した、対応する画像データの分類確率とを比較し、誤差を算出する。また、比較/変更部340は、算出した誤差を逆伝播し、CNN部320のモデルパラメータを更新することで、CNN部320について学習処理を行う。
このように、分類学習部112によれば、画像データを入力した際にCNN部320より出力される各クラスの分類確率が、分類学習用データ310の正解データである"分類確率"に近づくように、CNN部320のモデルパラメータが更新されることになる。
<第1乃至第nの判定装置の第1乃至第nの判定学習部による処理の具体例>
次に、第1の判定装置120_1の第1の判定学習部122_1~第nの判定装置120_nの第nの判定学習部122_nによる各処理の具体例について説明する。なお、第1の判定装置120_1の第1の判定学習部122_1~第nの判定装置120_nの第nの判定学習部122_nによる各処理は同様の処理内容である。このため、ここでは、第1の判定装置120_1の第1の判定学習部122_1による処理の具体例について説明する。図4は、第1の判定装置の第1の判定学習部による処理の具体例を示す図である。
次に、第1の判定装置120_1の第1の判定学習部122_1~第nの判定装置120_nの第nの判定学習部122_nによる各処理の具体例について説明する。なお、第1の判定装置120_1の第1の判定学習部122_1~第nの判定装置120_nの第nの判定学習部122_nによる各処理は同様の処理内容である。このため、ここでは、第1の判定装置120_1の第1の判定学習部122_1による処理の具体例について説明する。図4は、第1の判定装置の第1の判定学習部による処理の具体例を示す図である。
図4に示すように、第1学習用データ401は、情報の項目として、"画像データID"、"クラス"が含まれる。
"画像データID"には、検査員によって正常であると判定された検査対象物の画像データ(つまり、"クラス1(OK)"の画像データ)を識別するための識別子が格納される。"クラス"には、"クラス1(OK)"が格納される。
また、図4に示すように、第1の判定学習部122_1は、更に、VAEを構成するエンコーダ410及びデコーダ420と、比較/変更部430と、特徴量空間生成部440とを有する。
エンコーダ410は、第1学習用データ401の画像データ("クラス1(OK)"の画像データ)が入力されることで、該画像データの次元圧縮を行い、特徴量を抽出する。
デコーダ420は、エンコーダ410により次元圧縮された画像データから、元の画像データを再現する。
比較/変更部430は、デコーダ420により再現された元の画像データと、エンコーダ410に入力された画像データとを比較し、両者が一致するように、エンコーダ410及びデコーダ420のモデルパラメータを更新する。
このように、VAEを用いる構成とすることで、第1の判定装置120_1では、教師なしの学習処理を行うことができる。
なお、エンコーダ410及びデコーダ420のモデルパラメータが更新され、エンコーダ410及びデコーダ420に対する学習処理が完了すると、エンコーダ410には、第1学習用データ401の各画像データ("クラス1(OK)"の画像データ)が入力される。これにより、エンコーダ410では、各画像データの特徴量を抽出する。
特徴量空間生成部440は、エンコーダ410により抽出された特徴量が分布する、特徴量空間における領域(分布領域)を特定する。特徴量空間生成部440が特定する分布領域は、検査員によって正常であると判定された検査対象物の画像データの特徴量が分布する分布領域である。
具体的には、特徴量空間生成部440は、エンコーダ410により抽出された特徴量を、特徴量空間にプロットする。図4において、特徴量空間441は、横軸が特徴量A、縦軸が特徴量Bの2次元の特徴量空間であり、×印は、エンコーダ410により抽出された特徴量の特徴量空間441におけるプロット位置を示している。
また、特徴量空間生成部440は、特徴量空間441において、エンコーダ410により抽出された特徴量が分布する第1分布領域450を特定する。図4において、第1分布領域450は、検査員によって正常であると判定された検査対象物の画像データの特徴量が分布する分布領域である。
なお、図4の例では、2種類の特徴量からなる2次元の特徴量空間について例示したが、特徴量空間は2次元に限定されず、エンコーダ410により抽出された特徴量の種類に応じた次元数の特徴量空間が形成されてもよい。
また、第1分布領域450の特定方法は任意であり、例えば、特徴量空間にプロットされた全特徴量の重心位置を算出し、重心位置から3σの距離を境界位置として、分布領域を特定してもよい。
<検査フェーズにおけるクラス判定システムのシステム構成>
次に、第1の実施形態に係るクラス判定システムの、検査フェーズにおけるシステム構成について説明する。図5は、検査フェーズにおけるクラス判定システムのシステム構成の一例を示す図である。
次に、第1の実施形態に係るクラス判定システムの、検査フェーズにおけるシステム構成について説明する。図5は、検査フェーズにおけるクラス判定システムのシステム構成の一例を示す図である。
図5に示すように、検査フェーズにおけるクラス判定システム500は、分類装置510、第1の判定装置520_1、第2の判定装置520_2、・・・第nの判定装置520_nを有する。
分類装置510には、分類プログラムがインストールされており、当該プログラムが実行されることで、分類装置510は、分類部511として機能する。
分類部511は、学習済みのCNN部を有し、撮像装置530により撮影された検査対象物540の画像データが入力されると、当該画像データを、所定数のクラスのうちのいずれかのクラスに分類する。
第1の判定装置520_1には、第1の判定プログラムがインストールされており、当該プログラムが実行されることで、第1の判定装置520_1は、第1の判定部521_1として機能する。
第1の判定部521_1は、分類部511において、検査対象物540の画像データが、クラス="クラス1(OK)"に分類された場合に、当該画像データを処理することで、特徴量を抽出する。
また、第1の判定部521_1は、第1分布領域格納部522_1に格納されている第1分布領域を読み出し、抽出した特徴量が、特徴量空間において第1分布領域に含まれるか否かを判定する。
また、第1の判定部521_1は、抽出した特徴量が、特徴量空間において第1分布領域に含まれると判定した場合、検査対象物540の画像データは"クラス1(OK)"に該当するとの判定結果を出力する。
また、第1の判定部521_1は、抽出した特徴量が、特徴量空間において第1分布領域に含まれないと判定した場合、検査対象物540の画像データは"新クラス"に該当するとの判定結果を出力する。
第2の判定装置520_2には、第2の判定プログラムがインストールされており、当該プログラムが実行されることで、第2の判定装置520_2は、第2の判定部521_2として機能する。
第2の判定部521_2は、分類部511において、検査対象物540の画像データが、クラス="クラス2(NG_1)"に分類された場合に、当該画像データを処理することで、特徴量を抽出する。
また、第2の判定部521_2は、第2分布領域格納部522_2に格納されている第2分布領域を読み出し、抽出した特徴量が、特徴量空間において第2分布領域に含まれるか否かを判定する。
また、第2の判定部521_2は、抽出した特徴量が、特徴量空間において第2分布領域に含まれると判定した場合、検査対象物540の画像データのクラスが"クラス2(NG_1)"に該当するとの判定結果を出力する。
また、第2の判定部521_2は、抽出した特徴量が、特徴量空間において第2分布領域に含まれないと判定した場合、検査対象物540の画像データは"新クラス"に該当するとの判定結果を出力する。
第nの判定装置520_nには、第nの判定プログラムがインストールされており、当該プログラムが実行されることで、第nの判定装置520_nは、第nの判定部521_nとして機能する。
第nの判定部521_nは、分類部511において、検査対象物540の画像データが、クラス="クラスn(NG_n-1)"に分類された場合に、当該画像データを処理することで、特徴量を抽出する。
また、第nの判定部521_nは、第n分布領域格納部522_nに格納されている第n分布領域を読み出し、抽出した特徴量が、特徴量空間において第n分布領域に含まれるか否かを判定する。
また、第nの判定部521_nは、抽出した特徴量が、特徴量空間において第n分布領域に含まれると判定した場合、検査対象物540の画像データは"クラスn(NG_n-1)"に該当するとの判定結果を出力する。
また、第nの判定部521_nは、抽出した特徴量が、特徴量空間において第n分布領域に含まれないと判定した場合、検査対象物540の画像データは"新クラス"に該当するとの判定結果を出力する。
このように、検査フェーズにおけるクラス判定システム500は、分類装置510の分類部511が、検査対象物540の画像データを分類する際の分類先のクラスの数(=n)に応じた数の判定装置を有する。なお、本実施形態では、検査フェーズについても、学習フェーズと同様に、クラスの数n=6として説明する。
<分類装置の分類部による処理の具体例>
次に、分類装置510の分類部511による処理の具体例について説明する。図6は、分類装置の分類部による処理の具体例を示す図である。
次に、分類装置510の分類部511による処理の具体例について説明する。図6は、分類装置の分類部による処理の具体例を示す図である。
図6に示すように、分類部511は、更に、学習済みCNN部610、分類先切替部620を有する。
学習済みCNN部610は、学習フェーズにおいて分類学習部112がCNN部320に対して学習処理を行うことで生成した学習済みモデルである。学習済みCNN部610に検査対象物540の画像データが入力されると、学習済みCNN部610では、各クラス(クラス1(OK)~クラス6(NG_5))の分類確率を出力する。
分類先切替部620は、学習済みCNN部610から出力される各クラス(クラス1(OK)~クラス6(NG_5))の分類確率のうち、最大の分類確率となるクラスを特定する。また、分類先切替部620は、特定したクラスを、検査対象物540の画像データの分類先と判定し、判定した分類先に対応付けて配された判定装置に、検査対象物540の画像データを送信する。
例えば、分類先切替部620は、特定したクラスが"クラス1(OK)"であった場合、検査対象物540の画像データを、第1の判定装置520_1に送信する。また、分類先切替部620は、特定したクラスが"クラス2(NG_1)"であった場合、検査対象物540の画像データを、第2の判定装置520_2に送信する。以下、同様に、特定したクラスが"クラス3(NG_2)"~"クラス6(NG_5)"のいずれかであった場合、分類先切替部620は、検査対象物540の画像データを、それぞれ、第3の判定装置520_3~第6の判定装置520_6のいずれかに送信する。
<第1乃至第nの判定装置の第1乃至第nの判定部による処理の具体例>
次に、第1の判定装置520_1の第1の判定部521_1~第nの判定装置520_nの第nの判定部521_nによる各処理の具体例について説明する。なお、第1の判定装置520_1の第1の判定部521_1~第nの判定装置520_nの第nの判定部521_nによる各処理は同様の処理内容である。このため、ここでは、第1の判定装置520_1の第1の判定部521_1による処理の具体例について説明する。図7は、第1の判定装置の第1の判定部による処理の具体例を示す図である。
次に、第1の判定装置520_1の第1の判定部521_1~第nの判定装置520_nの第nの判定部521_nによる各処理の具体例について説明する。なお、第1の判定装置520_1の第1の判定部521_1~第nの判定装置520_nの第nの判定部521_nによる各処理は同様の処理内容である。このため、ここでは、第1の判定装置520_1の第1の判定部521_1による処理の具体例について説明する。図7は、第1の判定装置の第1の判定部による処理の具体例を示す図である。
図7に示すように、第1の判定部521_1は、エンコーダ710、判定部720、出力部730を有する。
エンコーダ710は、学習フェーズにおいて第1の判定学習部122_1がVAEに対して学習処理を行ったことで生成した学習済みのVAEを構成するエンコーダであり、抽出部の一例である。分類装置510から送信された検査対象物540の画像データが入力されると、エンコーダ710は、特徴量を抽出する。
判定部720は、第1分布領域格納部522_1より第1分布領域450を読み出す。また、判定部720は、エンコーダ710により抽出された特徴量を、特徴量空間441にプロットする。更に、判定部720は、プロットした特徴量が、第1分布領域450に含まれるか否かを判定する。
出力部730は、判定部720によりプロットされた特徴量が、第1分布領域450に含まれる場合、検査対象物540の画像データは"クラス1(OK)"に該当するとの判定結果を出力する。
また、出力部730は、判定部720によりプロットされた特徴量が、第1分布領域450に含まれない場合、検査対象物540の画像データは"新クラス"に該当するとの判定結果(クラス1(OK)でないとの判定結果)を出力する。
なお、出力部730は、判定結果に加えて、判定過程(特徴量空間における特徴量の分布や、特徴量と分布領域の境界位置との関係)を可視化して出力するように構成してもよい(図8A、図8B参照)。
図8Aは、第1の判定装置に分類された複数の画像データについて、エンコーダ710により抽出された各特徴量の特徴量空間における分布を示す図である。図8Aにおいて、グラフ810は、3次元の特徴量空間の例を表しており、グラフ810内の各印(丸印、四角印)は、特徴量を示している。
なお、図8Aの例は、検査対象物540に連続して汚れが発生した際の画像データが分類装置510に複数入力され、かつ、当該、複数の画像データが、いずれも、分類部511によって"クラス1(OK)"に分類されたケースを示している。また、図8の例は、汚れが発生する前の画像データの特徴量を丸印でプロットし、汚れが発生した後の画像データの特徴量を四角印でプロットしたケースを示している。
このように、出力部730が特徴量空間における特徴量の分布をリアルタイムに可視化することで、グラフ810を閲覧した作業者は、
・四角印でプロットされた各特徴量が丸印でプロットされた各特徴量とは異なっており、新たな異常が発生していること、
・四角印でプロットされた各特徴量を有する画像データが分類されるべき新たなクラスの生成が必要であること、
等を容易に把握することができる。
・四角印でプロットされた各特徴量が丸印でプロットされた各特徴量とは異なっており、新たな異常が発生していること、
・四角印でプロットされた各特徴量を有する画像データが分類されるべき新たなクラスの生成が必要であること、
等を容易に把握することができる。
また、図8Bは、第1の判定装置に分類された複数の画像データについて、エンコーダ710により抽出された各特徴量の、分布領域の重心位置からのマハラノビス距離を示す図である。図8Bのグラフ820において、横軸は、画像データIDを、縦軸は、第1分布領域450の重心位置から、各画像データの特徴量の位置までのマハラノビス距離をそれぞれ示している。
図8Aと同様に、図8Bの例は、検査対象物540に連続して汚れが発生した際の画像データが分類装置510に複数入力され、かつ、当該複数の画像データが、いずれも、分類部511によって"クラス1(OK)"に分類されたケースを示している。
また、グラフ820において符号821は、第1分布領域450の境界位置を示している(上述したように、本実施形態において、第1分布領域450の境界は、特徴量空間における第1分布領域450の重心位置から3σの距離に位置しているものとする)。
このように、各特徴量と分布領域の境界位置との関係をリアルタイムに可視化することで、グラフ820を閲覧した作業者は、
・特徴量が、第1分布領域450の境界位置を超えており、新たな異常が発生していること、
・第1分布領域450の境界位置を超える各特徴量を有する画像データが分類されるべき新たなクラスの生成が必要であること、
等を容易に把握することができる。
・特徴量が、第1分布領域450の境界位置を超えており、新たな異常が発生していること、
・第1分布領域450の境界位置を超える各特徴量を有する画像データが分類されるべき新たなクラスの生成が必要であること、
等を容易に把握することができる。
なお、図8Aのグラフ810及び図8Bのグラフ820に示すように、検査対象物540に連続して汚れが発生した場合の画像データは、一旦、"クラス1(OK)"に分類されるものの、判定部720によって、第1分布領域450に含まれないと判定される。この結果、第1の判定部521_1では、当該複数の画像データについて"新クラス"に該当するとの判定結果を出力することができる。
このように、第1に実施形態に係るクラス判定システム500によれば、分類学習用データ310に含まれていない新たな種類の異常が発生した場合、一旦、既存の分類先に分類されるものの、分類先の判定装置にて、改めて正否が判定される。これにより、誤ったクラス判定が行われることを回避することが可能になる。つまり、第1の実施形態に係るクラス判定システム500によれば、検査対象物540の画像データのクラス判定を行う場合の誤判定を低減させることができる。
<学習処理の流れ>
次に、学習フェーズにおけるクラス判定システム100による学習処理の流れについて説明する。図9は、学習処理の流れを示すフローチャートである。
次に、学習フェーズにおけるクラス判定システム100による学習処理の流れについて説明する。図9は、学習処理の流れを示すフローチャートである。
ステップS901において、分類装置110は、分類学習用データを取得し、分類学習用データ格納部111に格納する。
ステップS902において、分類装置110の分類学習部112は、分類学習用データ310を用いて、CNN部320に対して学習処理を行う。
ステップS903において、分類装置110の分類学習部112は、CNN部320に対する学習処理を終了するか否かを判定する。ステップS903において、CNN部320に対する学習処理を継続すると判定した場合には(ステップS903においてNoの場合には)、ステップS901に戻る。一方、ステップS903においてCNN部320に対する学習処理を終了すると判定した場合には(ステップS903においてYesの場合には)、ステップS904に進む。
ステップS904において、分類装置110は、クラスの数をカウントするカウンタiに"1"を入力する。
ステップS905において、第iの判定装置は、分類学習用データ310に含まれる複数の画像データのうち、クラスiの画像データを、第i学習用データとして取得する。
ステップS906において、第iの判定装置の第iの判定学習部は、第i学習用データを用いて、VAEに対して学習処理を行う。
ステップS907において、第iの判定装置の第iの判定学習部は、VAEに対する学習処理を終了するか否かを判定する。ステップS907において、VAEに対する学習処理を継続すると判定した場合には(ステップS907においてNoの場合には)、ステップS905に戻る。一方、ステップS907においてVAEに対する学習処理を終了すると判定した場合には(ステップS905においてYesの場合には)、ステップS908に進む。
ステップS908において、第iの判定装置の第iの判定学習部は、第i学習用データの各画像データを、学習処理が完了したVAEを構成するエンコーダに入力することで、クラスiの画像データの特徴量を抽出する。
ステップS909において、第iの判定装置の特徴量空間生成部は、特徴量空間におけるクラスiの画像データの特徴量の分布に基づいて、第i分布領域を特定し、第i分布領域格納部に格納する。
ステップS910において、分類装置110は、全てのクラスに対応する判定装置において、VAEに対する学習処理が完了したか否かを判定する。ステップS910において、VAEに対する学習処理が完了していない判定装置があると判定した場合には(ステップS910においてNoの場合には)、ステップS911に進む。
ステップS911において、分類装置110は、カウンタiをインクリメントし、ステップS905に戻る。
一方、ステップS910において、全てのクラスに対応する判定装置において、VAEに対する学習処理が完了したと判定した場合には(ステップS910においてYesの場合には)、学習処理を終了する。
<クラス判定処理の流れ>
次に、検査フェーズにおけるクラス判定システム500によるクラス判定処理の流れについて説明する。図10は、クラス判定処理の流れを示すフローチャートである。
次に、検査フェーズにおけるクラス判定システム500によるクラス判定処理の流れについて説明する。図10は、クラス判定処理の流れを示すフローチャートである。
ステップS1001において、分類装置510は、検査対象物の画像データを取得する。
ステップS1002において、分類装置510の分類部511は、取得した画像データを、学習済みCNN部610に入力することで、いずれかのクラスに分類する。
ステップS1003において、分類装置510の分類部511は、分類先の判定装置に、画像データを送信する。
ステップS1004において、分類先の判定装置は、分類装置510より送信された画像データを、学習済みのVAEを構成するエンコーダに入力し、特徴量を抽出する。
ステップS1005において、分類先の判定装置は、抽出した特徴量と、分類先のクラスの分布領域とを対比する。
ステップS1006において、分類先の判定装置は、抽出した特徴量が分類先のクラスの分布領域に含まれるか否かを判定する。
ステップS1006において、分布領域に含まれると判定した場合には(ステップS1006においてYesの場合には)、ステップS1007に進む。
ステップS1007において、分類先の判定装置は、検査対象物の画像データが分類先のクラスに該当するとの判定結果を出力する。
一方、ステップS1006において、分布領域に含まれないと判定した場合には(ステップS1006においてNoの場合には)、ステップS1008に進む。
ステップS1008において、分類先の判定装置は、検査対象物の画像データが、新たなクラスに該当するとの判定結果を出力する。
ステップS1009において、分類装置510は、クラス判定処理を終了するか否かを判定する。ステップS1009において、クラス判定処理を継続すると判定した場合には(ステップS1009においてNoの場合には)、ステップS1001に戻る。
一方、ステップS1009において、クラス判定処理を終了すると判定した場合には(ステップS1009においてYesの場合には)、クラス判定処理を終了する。
<まとめ>
以上の説明から明らかなように、第1の実施形態に係るクラス判定システムは、
・検査対象物の画像データを、所定数のクラスのうちのいずれかのクラスに分類する。
・分類先に対応付けて配された判定装置にて、分類された画像データを処理することで、特徴量を抽出する。
・クラスが既知の画像データの特徴量が分布する分布領域であって、分類先ごとに予め定められた特徴量空間における各分布領域のうち、検査対象物の画像データが分類された分類先の分布領域に、検査対象物の画像データの特徴量が含まれるか否かを判定する。
・検査対象物の画像データの特徴量が含まれないと判定された場合、検査対象物の画像データは、新たなクラスに該当するとの判定結果を出力し、特徴量が含まれると判定された場合、検査対象物の画像データは、分類先のクラスに該当するとの判定結果を出力する。
以上の説明から明らかなように、第1の実施形態に係るクラス判定システムは、
・検査対象物の画像データを、所定数のクラスのうちのいずれかのクラスに分類する。
・分類先に対応付けて配された判定装置にて、分類された画像データを処理することで、特徴量を抽出する。
・クラスが既知の画像データの特徴量が分布する分布領域であって、分類先ごとに予め定められた特徴量空間における各分布領域のうち、検査対象物の画像データが分類された分類先の分布領域に、検査対象物の画像データの特徴量が含まれるか否かを判定する。
・検査対象物の画像データの特徴量が含まれないと判定された場合、検査対象物の画像データは、新たなクラスに該当するとの判定結果を出力し、特徴量が含まれると判定された場合、検査対象物の画像データは、分類先のクラスに該当するとの判定結果を出力する。
これにより、第1の実施形態に係るクラス判定システムによれば、分類学習用データに含まれていない新たな種類の異常が検査フェーズにおいて発生した場合でも、誤ったクラス判定が行われることを回避することができる。この結果、第1の実施形態に係るクラス判定システムによれば、検査対象物の画像データについてクラス判定を行う場合の誤判定を低減させることができる。
[第2の実施形態]
上記第1の実施形態では、学習フェーズにおけるクラス判定システムと、検査フェーズにおけるクラス判定システムとが分かれて構成されるものとして説明したが、両者は、一体のシステムとして構成されてもよい。
上記第1の実施形態では、学習フェーズにおけるクラス判定システムと、検査フェーズにおけるクラス判定システムとが分かれて構成されるものとして説明したが、両者は、一体のシステムとして構成されてもよい。
また、上記第1の実施形態では、第1の判定装置~第nの判定装置が分かれて構成されるものとして説明したが、第1の判定装置~第nの判定装置は、一体の装置として構成されてもよい。
また、上記第1の実施形態では、分類装置と、第1の判定装置~第nの判定装置とが分かれて構成されるものとして説明したが、分類装置と、第1の判定装置~第nの判定装置とは、一体の装置として構成されてもよい。この場合、例えば、分類学習プログラムと、各判定学習プログラムとは、1つの学習プログラムとして構成することができる。同様に、分類プログラムと、各判定プログラムとは、1つのクラス判定プログラムとして構成することができる。
また、上記第1の実施形態では、クラスの数(=n)を"6"としたが、クラスの数は、5以下であっても、7以上であってもよい。
また、上記第1の実施形態では、クラス判定システム500が、新クラスに該当することを判定するまでの処理を行う場合について説明した。しかしながら、新クラスに該当すると判定された画像データが一定量蓄積された場合には、新たなクラス(例えば、"クラス7(NG_6)")を定義して、分類学習部112にて再学習処理を行うように構成してもよい。また、第7の判定装置120_7を新たに用意して、第7の判定学習部122_7にて再学習処理を行うように構成してもよい。
なお、上記実施形態に挙げた構成等に、その他の要素との組み合わせ等、ここで示した構成に本発明が限定されるものではない。これらの点に関しては、本発明の趣旨を逸脱しない範囲で変更することが可能であり、その応用形態に応じて適切に定めることができる。
100 :クラス判定システム
110 :分類装置
112 :分類学習部
120_1 :第1の判定装置
122_1 :第1の判定学習部
120_2 :第2の判定装置
122_2 :第2の判定学習部
120_n :第nの判定装置
122_n :第nの判定学習部
310 :分類学習用データ
401 :第1学習用データ
440 :特徴量空間生成部
500 :クラス判定システム
510 :分類装置
511 :分類部
520_1 :第1の判定装置
521_1 :第1の判定部
520_2 :第2の判定装置
521_2 :第2の判定部
520_n :第nの判定装置
521_n :第nの判定部
610 :学習済みCNN部
620 :分類先切替部
710 :エンコーダ
720 :判定部
730 :出力部
110 :分類装置
112 :分類学習部
120_1 :第1の判定装置
122_1 :第1の判定学習部
120_2 :第2の判定装置
122_2 :第2の判定学習部
120_n :第nの判定装置
122_n :第nの判定学習部
310 :分類学習用データ
401 :第1学習用データ
440 :特徴量空間生成部
500 :クラス判定システム
510 :分類装置
511 :分類部
520_1 :第1の判定装置
521_1 :第1の判定部
520_2 :第2の判定装置
521_2 :第2の判定部
520_n :第nの判定装置
521_n :第nの判定部
610 :学習済みCNN部
620 :分類先切替部
710 :エンコーダ
720 :判定部
730 :出力部
Claims (7)
- 検査対象物の画像データを、所定数のクラスのうちのいずれかのクラスに分類する分類部と、
分類先に対応付けて配され、前記分類部により分類される画像データを処理することで、特徴量を抽出する抽出部と、
前記分類先が既知の画像データの特徴量の分布領域であって、前記分類先ごとに予め定められた特徴量空間における各分布領域のうち、前記検査対象物の画像データが分類された分類先の分布領域に、前記検査対象物の画像データの特徴量が含まれるか否かを判定する判定部と、
前記検査対象物の画像データの特徴量が含まれないと判定された場合、前記検査対象物の画像データは、新たなクラスに該当するとの判定結果を出力する出力部と
を有するクラス判定システム。 - 前記出力部は、
前記特徴量が含まれると判定された場合、前記検査対象物の画像データが、分類先のクラスに分類されるとの判定結果を出力する、請求項1に記載のクラス判定システム。 - 前記分類部は、
分類先が既知の画像データを学習用データとして学習することで生成された学習済みのモデルを有し、該学習済みのモデルに、前記検査対象物の画像データを入力することで、前記検査対象物の画像データを分類する、請求項1に記載のクラス判定システム。 - 前記抽出部は、
前記学習用データのうち、同じクラスの画像データを用いて、変分オートエンコーダを学習することで得られた、学習済みの変分オートエンコーダを構成するエンコーダを有し、前記分類部により分類される画像データを該エンコーダに入力することで特徴量を抽出する、請求項3に記載のクラス判定システム。 - 前記判定部が判定する際に用いる分布領域は、
前記学習済みの変分オートエンコーダを構成するエンコーダに、前記学習用データのうち、同じクラスの画像データを入力することで得た特徴量の分布に基づいて特定される、請求項4に記載のクラス判定システム。 - 検査対象物の画像データを、所定数のクラスのうちのいずれかのクラスに分類する分類工程と、
分類先に対応付けて配され、前記分類工程において分類される画像データを処理することで、特徴量を抽出する抽出工程と、
前記分類先が既知の画像データの特徴量の分布領域であって、前記分類先ごとに予め定められた特徴量空間における各分布領域のうち、前記検査対象物の画像データが分類された分類先の分布領域に、前記検査対象物の画像データの特徴量が含まれるか否かを判定する判定工程と、
前記検査対象物の画像データの特徴量が含まれないと判定された場合、前記検査対象物の画像データは、新たなクラスに該当するとの判定結果を出力する出力工程と
を有するクラス判定方法。 - 検査対象物の画像データを、所定数のクラスのうちのいずれかのクラスに分類する分類工程と、
分類先に対応付けて配され、前記分類工程において分類される画像データを処理することで、特徴量を抽出する抽出工程と、
前記分類先が既知の画像データの特徴量の分布領域であって、前記分類先ごとに予め定められた特徴量空間における各分布領域のうち、前記検査対象物の画像データが分類された分類先の分布領域に、前記検査対象物の画像データの特徴量が含まれるか否かを判定する判定工程と、
前記検査対象物の画像データの特徴量が含まれないと判定された場合、前記検査対象物の画像データは、新たなクラスに該当するとの判定結果を出力する出力工程と
をコンピュータに実行させるためのクラス判定プログラム。
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021010593A JP2022114332A (ja) | 2021-01-26 | 2021-01-26 | クラス判定システム、クラス判定方法及びクラス判定プログラム |
EP22152399.6A EP4033404A1 (en) | 2021-01-26 | 2022-01-20 | Class determination system, class determination method, and class determination program |
CN202210072258.7A CN114897037A (zh) | 2021-01-26 | 2022-01-21 | 类别判定系统、类别判定方法及类别判定程序 |
US17/580,973 US20220237895A1 (en) | 2021-01-26 | 2022-01-21 | Class determination system, class determination method, and class determination program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021010593A JP2022114332A (ja) | 2021-01-26 | 2021-01-26 | クラス判定システム、クラス判定方法及びクラス判定プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2022114332A true JP2022114332A (ja) | 2022-08-05 |
Family
ID=80445631
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021010593A Pending JP2022114332A (ja) | 2021-01-26 | 2021-01-26 | クラス判定システム、クラス判定方法及びクラス判定プログラム |
Country Status (4)
Country | Link |
---|---|
US (1) | US20220237895A1 (ja) |
EP (1) | EP4033404A1 (ja) |
JP (1) | JP2022114332A (ja) |
CN (1) | CN114897037A (ja) |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6726641B2 (ja) * | 2017-05-26 | 2020-07-22 | 日東電工株式会社 | 画像分類プログラム、分類データ作成プログラム、及び、分類データ作成方法 |
WO2019026104A1 (ja) * | 2017-07-31 | 2019-02-07 | 富士通株式会社 | 情報処理装置、情報処理プログラム及び情報処理方法 |
JP6922539B2 (ja) | 2017-08-09 | 2021-08-18 | 日立金属株式会社 | 表面欠陥判定方法および表面欠陥検査装置 |
EP4131074A4 (en) * | 2020-03-31 | 2024-05-01 | Toray Industries | DATA CLASSIFICATION DEVICE, DATA CLASSIFICATION METHOD AND DATA CLASSIFICATION PROGRAM |
-
2021
- 2021-01-26 JP JP2021010593A patent/JP2022114332A/ja active Pending
-
2022
- 2022-01-20 EP EP22152399.6A patent/EP4033404A1/en not_active Withdrawn
- 2022-01-21 CN CN202210072258.7A patent/CN114897037A/zh not_active Withdrawn
- 2022-01-21 US US17/580,973 patent/US20220237895A1/en active Pending
Also Published As
Publication number | Publication date |
---|---|
EP4033404A1 (en) | 2022-07-27 |
US20220237895A1 (en) | 2022-07-28 |
CN114897037A (zh) | 2022-08-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6693938B2 (ja) | 外観検査装置 | |
JP6924413B2 (ja) | 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 | |
CN111459700B (zh) | 设备故障的诊断方法、诊断装置、诊断设备及存储介质 | |
JP2018200685A (ja) | 完全教師あり学習用のデータセットの形成 | |
CN108564104A (zh) | 产品缺陷检测方法、装置、系统、服务器及存储介质 | |
JP2021140739A (ja) | プログラム、学習済みモデルの生成方法、情報処理方法及び情報処理装置 | |
JP6766839B2 (ja) | 検査システム、画像識別システム、識別システム、識別器生成システム、及び学習データ生成装置 | |
CN109740609B (zh) | 一种轨距检测方法及装置 | |
CN110598019B (zh) | 重复图像识别方法及装置 | |
WO2019026134A1 (ja) | 情報処理装置および情報処理方法 | |
JP2018124639A (ja) | データ分析システム、データ分析方法およびプログラム | |
JP2015026252A (ja) | 異常検知装置及びプログラム | |
CN109978867A (zh) | 玩具外表质量检测方法及其相关设备 | |
CN114445746A (zh) | 模型训练方法、铁路接触网异常检测方法及相关装置 | |
CN112513927A (zh) | 基于卷积神经网络的风力涡轮机叶片缺陷检查 | |
JP7408516B2 (ja) | 欠陥管理装置、方法およびプログラム | |
US20210366594A1 (en) | Method and system for refining label information | |
CN105830060A (zh) | 信息处理设备、信息处理程序、存储介质和信息处理方法 | |
CN115793590A (zh) | 适用于系统安全运维的数据处理方法及平台 | |
CN114239855A (zh) | 分析异常诊断信息的方法、装置、介质和计算设备 | |
JP2020101948A (ja) | 行動認識システム及び行動認識方法 | |
CN114730394A (zh) | 信息处理装置、信息处理方法和程序 | |
JP2018195133A (ja) | 情報処理装置及び情報処理プログラム | |
JP7056259B2 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
JP2022114332A (ja) | クラス判定システム、クラス判定方法及びクラス判定プログラム |