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 PDF

Info

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
Application number
JP2021010593A
Other languages
English (en)
Inventor
日飛 陳
Yatfei Chan
洋一 木川
Yoichi Kikawa
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nitto Denko Corp
Original Assignee
Nitto Denko Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nitto Denko Corp filed Critical Nitto Denko Corp
Priority to JP2021010593A priority Critical patent/JP2022114332A/ja
Priority to EP22152399.6A priority patent/EP4033404A1/en
Priority to CN202210072258.7A priority patent/CN114897037A/zh
Priority to US17/580,973 priority patent/US20220237895A1/en
Publication of JP2022114332A publication Critical patent/JP2022114332A/ja
Pending legal-status Critical Current

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。
特開２０１９－３２２６８号公報
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。
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。 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。 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。 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。 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。 分類装置の分類部による処理の具体例を示す図である。 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。 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、第１の判定部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。 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、第１の判定部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。 学習処理の流れを示すフローチャートである。 クラス判定処理の流れを示すフローチャートである。
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。
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。
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。
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。
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）。
＜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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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

Claims (7)

  1. 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。
  2. 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。
  3. 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。
  4. 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。
  5. 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。
  6. 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。
  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。
JP2021010593A 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 Pending JP2022114332A (ja)

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)

* Cited by examiner, † Cited by third party
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

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