JP2022121472A - センサシステム - Google Patents
センサシステム Download PDFInfo
- Publication number
- JP2022121472A JP2022121472A JP2022095747A JP2022095747A JP2022121472A JP 2022121472 A JP2022121472 A JP 2022121472A JP 2022095747 A JP2022095747 A JP 2022095747A JP 2022095747 A JP2022095747 A JP 2022095747A JP 2022121472 A JP2022121472 A JP 2022121472A
- Authority
- JP
- Japan
- Prior art keywords
- data
- optical sensors
- unit
- learning
- received light
- 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.)
- Granted
Links
- 230000003287 optical effect Effects 0.000 claims abstract description 141
- 238000010801 machine learning Methods 0.000 claims abstract description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000004891 communication Methods 0.000 description 43
- 230000005540 biological transmission Effects 0.000 description 15
- 238000001514 detection method Methods 0.000 description 15
- 238000012545 processing Methods 0.000 description 14
- 238000005259 measurement Methods 0.000 description 10
- 238000012986 modification Methods 0.000 description 10
- 230000004048 modification Effects 0.000 description 10
- 238000010586 diagram Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000000034 method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 239000000835 fiber Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 235000013311 vegetables Nutrition 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
Images
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
Description
対象物の形状を測定することがある。
又は検査対象物に対して光を投光するための一以上の投光手段を計3台以上備え、撮像手
段で撮像された複数の画像に基づいて、各計測系の距離画像を複数生成し、生成された複
数の距離画像を比較した結果に基づいて、正常な状態からの状態変化の度合いを判定する
三次元画像処理装置が記載されている。
る検知に基づいて、支持ローラ上に載置された果菜物の大きさを判定する判定装置が記載
されている。
合、複数の光センサの特性を理解した上で、複数の光センサを適切に配置する必要がある
。
対象物の種類に応じて複数の光センサの配置を調整する必要が生じることがある。そのた
め、複数の光センサを含むセンサシステムを導入する負担が大きくなってしまうことがあ
る。
きるセンサシステムを提供する。
を測定する複数の光センサと、複数の光センサにより測定された複数の受光データに対象
物の状態を示すデータを関連付けて、学習データを生成する学習データ生成部と、学習デ
ータを用いた機械学習により、複数の光センサにより測定された複数の受光データを入力
として、対象物の状態を示すデータを出力する学習済みモデルを生成する学習モデル生成
部と、を備える。
と、対象物の状態を示すデータとを関連付けて学習データを生成し、複数の受光データか
ら対象物の状態を識別する学習済みモデルを生成することで、測定環境や対象物の種類に
応じて複数の光センサの配置を調整する負担が軽減され、導入負担を軽減して複数の光セ
ンサによる総合判定を行うことができる。
デルを生成してもよい。
複数の光センサによって適切な総合判定を行うことができる。
かを示すデータを関連付けて、学習データを生成し、学習モデル生成部は、学習データを
用いた機械学習により、複数の光センサにより測定された複数の受光データを入力として
、対象物の形状が正常か否かを示すデータを出力する学習済みモデルを生成してもよい。
負担を軽減して、複数の光センサによって対象物の形状を総合判定することができる。
タを関連付けて、学習データを生成し、学習モデル生成部は、学習データを用いた機械学
習により、複数の光センサにより測定された複数の受光データを入力として、対象物の種
類を示すデータを出力する学習済みモデルを生成してもよい。
負担を軽減して、複数の光センサによって対象物の種類を総合判定することができる。
る貢献度算出部と、貢献度に基づいて、複数の光センサのうち除外可能な光センサを推薦
する推薦部と、をさらに備えてもよい。
できる。
よい。
、総合判定の性能を向上させることができる。
配置変更を推薦してもよい。
定の性能を向上させることができる。
るセンサシステムを提供することができる。
の符号を付したものは、同一又は同様の構成を有する。
テム1は、マスタユニット10、第1スレーブユニット20a、第2スレーブユニット2
0b、第3スレーブユニット20c、第1光センサ30a、第2光センサ30b、第3光
センサ30c及びPLC40を備える。ここで、第1光センサ30a、第2光センサ30
b及び第3光センサ30cは、ラインLに配置され、ラインL上を搬送される対象物に照
射した光を受光して、対象物の状態を測定する。第1光センサ30a、第2光センサ30
b及び第3光センサ30cは、例えばファイバセンサであってよい。また、対象物は、例
えば製品を構成する部品であってよい。なお、対象物は、必ずしもラインL上を搬送され
るものでなくてもよく、例えば所定の経路を落下する錠剤であってもよい。
20cは、複数の光センサそれぞれに接続され、複数の光センサにより測定されるデータ
を取得する。より具体的には、第1スレーブユニット20aは第1光センサ30aに接続
され、第2スレーブユニット20bは第2光センサ30bに接続され、第3スレーブユニ
ット20cは第3光センサ30cに接続されている。PLC40は、制御装置に相当する
。そして、マスタユニット10は、複数のスレーブユニット及びPLC40と接続され、
複数のスレーブユニットからデータを収集して、そのデータを表示部16に表示したり、
PLC40に送信したりする。本明細書では、第1スレーブユニット20a、第2スレー
ブユニット20b、第3スレーブユニット20cをスレーブユニット20と総称し、第1
光センサ30a、第2光センサ30b、第3光センサ30cを光センサ30と総称する。
える複数の光センサの数、複数のスレーブユニットの数は任意である。また、制御装置は
、必ずしもPLC40でなくてもよい。
PLC40に接続されてよい。スレーブユニット20は、マスタユニット10に物理的か
つ電気的に接続される。本実施形態において、マスタユニット10は、スレーブユニット
20から受信した情報を記憶部に記憶し、記憶された情報をPLC40に送信する。従っ
て、スレーブユニット20により取得されたデータは、マスタユニット10によって一元
化されてPLC40に伝送される。
報が伝送される。判定信号とは、光センサ30により測定されたデータに基づき、スレー
ブユニット20によって判定された、ワークに関する判定結果を示す信号である。判定信
号は、例えば、光センサ30により測定された受光量と、所定の閾値とをスレーブユニッ
ト20によって比較して得られるオン信号又はオフ信号であってよい。検出情報は、スレ
ーブユニット20の検出動作によって得られる検出値である。検出動作は、例えば、投光
及び受光の動作であり、検出情報は、受光量であってよい。本明細書では、判定信号及び
検出情報を含む、スレーブユニット20から取得されるデータを受光データと総称する。
ニット10とスレーブユニット20との通信には、パラレル通信又はシリアル通信が用い
られてよい。すなわち、マスタユニット10と、スレーブユニット20とがシリアル伝送
路及びパラレル伝送路で物理的に接続されてよい。例えば、パラレル伝送路上でスレーブ
ユニット20からマスタユニット10に判定信号が送信され、シリアル伝送路上で、スレ
ーブユニット20からマスタユニット10に検出情報が送信されてよい。なお、マスタユ
ニット10とスレーブユニット20とを、シリアル伝送路及びパラレル伝送路のうちのい
ずれか一方で接続してもよい。
ユニット10は、記憶部11、学習データ生成部12、学習モデル生成部13、貢献度算
出部14、推薦部15、表示部16及び通信部17を備える。
している。受光データ11aは、複数の光センサ30により測定された受光量(検出情報
)と、複数のスレーブユニット20により生成された判定信号を含んでよい。学習データ
11b及び学習済みモデル11cについては、次に説明する。
タユニット10は、パラレル伝送路によってスレーブユニット20から対象物の通過状況
を示す判定信号を取得したり、シリアル伝送路によってスレーブユニット20から複数の
光センサ30により測定された検出情報を取得したりしてよい。
aに対象物の状態を示すデータを関連付けて、学習データを生成する。学習データ生成部
12は、例えば、複数の受光データ11aに対象物の形状が正常か否かを示すデータを関
連付けて、学習データを生成してよい。また、学習データ生成部12は、複数の受光デー
タ11aに対象物の種類を示すデータを関連付けて、学習データを生成してもよい。
30により測定された複数の受光データ11aを入力として、対象物の状態を示すデータ
を出力する学習済みモデル11cを生成する。学習モデル生成部13は、例えば、複数の
隠れ層を含むニューラルネットワークの重みを誤差逆伝播法により所定の損失関数につい
て最適化することで、学習済みモデル11cを生成してよい。
1aと、対象物の状態を示すデータとを関連付けて学習データ11bを生成し、複数の受
光データ11aから対象物の状態を識別する学習済みモデル11cを生成することで、測
定環境や対象物の種類に応じて複数の光センサ30の配置を調整する負担が軽減され、導
入負担を軽減して複数の光センサ30による総合判定を行うことができる。
を生成してよい。例えば、光センサ30を3台配置して一つの対象物の状態を識別する場
合、学習モデル生成部13は、3台の光センサ30の特定の配置に対して一つの学習済み
モデル11cを生成してよい。このようにして、複数の光センサ30の個別の配置に適し
た学習済みモデル11cが生成され、複数の光センサ30によって適切な総合判定を行う
ことができる。
30により測定された複数の受光データ11aを入力として、対象物の形状が正常か否か
を示すデータを出力する学習済みモデル11cを生成してもよい。光センサ30は、単体
では対象物の有無を判定することができるだけだが、複数の光センサ30を配置して、様
々な方向から一つの対象物を測定することで、対象物の形状を判定することができる。本
実施形態に係るセンサシステム1によれば、測定環境や対象物の種類に応じて複数の光セ
ンサ30の配置を調整する負担を軽減して、複数の光センサ30によって対象物の形状を
総合判定することができる。
30により測定された複数の受光データ11aを入力として、対象物の種類を示すデータ
を出力する学習済みモデル11cを生成してもよい。光センサ30は、単体では対象物の
有無を判定することができるだけだが、複数の光センサ30を配置して、様々な方向から
一つの対象物を測定することで、対象物の種類を判定することができる。本実施形態に係
るセンサシステム1によれば、測定環境や対象物の種類に応じて複数の光センサ30の配
置を調整する負担を軽減して、複数の光センサ30によって対象物の種類を総合判定する
ことができる。
貢献度を算出する。本実施形態の場合、貢献度算出部14は、学習済みモデル11cの出
力に対する第1光センサ30aにより測定された受光データの貢献度と、学習済みモデル
11cの出力に対する第2光センサ30bにより測定された受光データの貢献度と、学習
済みモデル11cの出力に対する第3光センサ30cにより測定された受光データの貢献
度と、を算出してよい。
を推薦する。推薦部15は、例えば、第1光センサ30aにより測定された受光データの
貢献度と、第2光センサ30bにより測定された受光データの貢献度と、第3光センサ3
0cにより測定された受光データの貢献度と、をそれぞれ閾値と比較して、閾値以下の貢
献度が算出されている光センサ30を除外可能と判定してよい。推薦部15は、除外可能
な光センサ30を特定する情報を表示部16に表示したり、外部機器に出力したりしてよ
い。このようにして、総合判定の性能を保ちながら、複数の光センサ30の数を減らすこ
とができる。例えば、テスト段階では、光センサ30をN台配置して一つの対象物の状態
を示す複数の受光データを測定し(Nは0より大きい自然数)、推薦部15による推薦に
従って光センサ30を間引いていき、判定精度を所定値以上としつつ、光センサ30の台
数がM台となるように(Mは、0<M<Nを満たす自然数)、光センサ30の台数を減ら
すことができる。
5は、例えば、第1光センサ30aにより測定された受光データの貢献度と、第2光セン
サ30bにより測定された受光データの貢献度と、第3光センサ30cにより測定された
受光データの貢献度と、をそれぞれ閾値と比較して、いずれの貢献度も閾値以下である場
合に、新たな光センサ30の追加を推薦することとしてよい。推薦部15は、新たな光セ
ンサを追加する推薦を表示部16に表示したり、外部機器に出力したりしてよい。この場
合、推薦部15は、新たな光センサ30の配置を推薦してもよい。このようにして、光セ
ンサ30の追加によってより適切に対象物を測定できるようにして、総合判定の性能を向
上させることができる。例えば、テスト段階では、光センサ30をK台配置して一つの対
象物の状態を示す複数の受光データを測定し(Kは0より大きい自然数)、推薦部15に
よる推薦に従って光センサ30を追加していき、判定精度を所定値以上とし、光センサ3
0の台数をL台として(Lは、0<K<Lを満たす自然数)、総合判定の性能を向上させ
ることができる。
変更を推薦してもよい。推薦部15は、第1光センサ30aにより測定された受光データ
と、第2光センサ30bにより測定された受光データと、第3光センサ30cにより測定
された受光データと、の間の3通りの相関を算出して、相関が高い光センサ30を異なる
配置にするように配置変更を推薦してよい。ここで、推薦部15は、配置変更を推薦する
光センサ30を示すだけでもよいし、配置の候補を推薦してもよい。このようにして、複
数の光センサ30をより効率的に用いるように配置変更して、総合判定の性能を向上させ
ることができる。
を表示したりする。表示部16は、例えば対象物に関する異常の有無を示す2値のランプ
を含んでよい。また、表示部16は、学習済みモデル11cの出力や推薦部15による推
薦内容を詳細に表示する液晶表示装置であってもよい。
LC40以外の外部機器との通信を行うものであってもよい。
ット10は、PLC40との接続に用いられる入力/出力コネクタ101,102と、ス
レーブユニット20との接続に用いられる接続コネクタ106と、電源入力コネクタとを
備える。
C(Application Specific Integrated Circuit)112、パラレル通信回路116、シ
リアル通信回路118及び電源回路を備える。
作する。通信ASIC112は、PLC40との通信を管理する。パラレル通信回路11
6は、マスタユニット10とスレーブユニット20との間でのパラレル通信に用いられる
。同様に、シリアル通信回路118は、マスタユニット10とスレーブユニット20との
間でのシリアル通信に用いられる。
ト20との接続コネクタ304,306が設けられている。スレーブユニット20は、マ
スタユニット10に対して一列に複数接続することが可能である。複数のスレーブユニッ
ト20からの信号は、隣り合うスレーブユニット20に伝送され、マスタユニット10に
伝送される。
クタ304,306を利用して複数のスレーブユニット20を一つずつ連結して一列に配
置すると、互いに対向する光通信用の窓により、隣り合うスレーブユニット20間で赤外
線を利用した双方向光通信が可能となる。
れる各種の処理機能と、専用の回路によって実現される各種の処理機能とを有する。
放出させる。受光素子(PD)402が受光することによって生じた信号は、増幅回路4
04を介して増幅された後、A/Dコンバータ405を介してデジタル信号に変換されて
、CPU400に取り込まれる。CPU400では、受光データ、すなわち受光量をその
まま検出情報としてマスタユニット10に向けて送信する。また、CPU400では、受
光量が予め設定された閾値よりも大きいか否かを判定することによって得られるオン信号
又はオフ信号を、判定信号としてマスタユニット10に向けて送信する。
通信用発光素子(LED)407,409から隣接するスレーブユニット20に対して赤
外線を放出する。隣接する左右のスレーブユニット20から到来する赤外線は左右の受光
素子(PD)406,408で受光された後、受光回路410,412を介しCPU40
0へと到来する。CPU400では、所定のプロトコルに基づいて、送受信信号を制御す
ることにより、左右の隣接するスレーブユニット20との間で光通信を行なう。
ブユニット20間の相互干渉を防止するための同期信号を送受信するために利用される。
具体的には、各スレーブユニット20において、受光回路410と投光回路413とは直
接結線される。この構成により、受信した同期信号が、CPU400による遅延処理が施
されずに速やかに投光回路413を経て通信用発光素子409から隣接する別のスレーブ
ユニット20に送信される。
スイッチ415からの信号を処理する。CPU400の動作に必要な各種のデータは、E
EPROM(Electrically Erasable Programmable Read Only Memory)416等の記録
媒体に記憶される。リセット部417から得られた信号は、CPU400へと送られ、計
測制御のリセットが行われる。発振器(OSC)418からCPU400には、基準クロ
ックが入力される。
述したように、本実施の形態において、判定信号はパラレル通信によってマスタユニット
10に向けて送信される。
接続された伝送路である。すなわち、複数のスレーブユニット20は、それぞれ、別々の
パラレル通信線によって、マスタユニット10に接続される。ただし、マスタユニット1
0に隣接するスレーブユニット20以外のスレーブユニット20と、マスタユニット10
とを接続するパラレル通信線は、他のスレーブユニット20を通過し得る。
処理、検出情報(受光量)の送信処理を行なう。本実施形態においては、シリアル通信に
RS-422プロトコルが用いられる。シリアル通信にRS-485プロトコルを利用し
てもよい。
続された伝送路である。すなわち、全てのスレーブユニット20は、マスタユニット10
に対して、シリアル通信線によってバス形式で信号伝達可能に接続される。
のフローチャートである。はじめに、センサシステム1に含まれる複数のスレーブユニッ
ト20は、複数の光センサ30の受光データを取得する(S10)。その後、受光データ
は、マスタユニット10に集約される。
物の種類を示すデータを関連付けて、学習データを生成する(S11)。十分な量の学習
データが蓄積された後、マスタユニット10は、学習データを用いた機械学習により、複
数の光センサ30の配置に対応した学習済みモデルを生成する(S12)。
習済みモデルに入力し、対象物の形状が正常か否かを判定したり、対象物の種類を判定し
たりしてよい。以上により、学習済みモデル生成処理が終了する。
トである。はじめに、センサシステム1に含まれるマスタユニット10は、学習済みモデ
ルの出力に対する複数の受光データの貢献度を算出する(S20)。
度に基づいて、複数の光センサ30のうち除外可能な光センサ30を推薦する(S22)
。一方、光センサ30を減らさず(S21:NO)、追加する場合、マスタユニット10
は、貢献度に基づいて、新たな光センサ30の追加を推薦する(S23)。光センサ30
を減らすか追加するかは、ユーザにより指定されてよいが、学習済みモデルの判定精度に
基づいてマスタユニット10により判定してもよい。
複数の光センサ30の配置変更を推薦する(S24)。以上により、推薦処理が終了する
。
に係るセンサシステム1Aは、マスタユニット10Aが表示部を備えておらず、コンピュ
ータ50に接続されている点で、本実施形態に係るセンサシステム1と相違する。その他
の構成について、変形例に係るセンサシステム1Aは、本実施形態に係るセンサシステム
1と同様の構成を有する。
。変形例に係るマスタユニット10Aは、記憶部11及び通信部17を備えるが、学習デ
ータ生成部12、学習モデル生成部13、貢献度算出部14、推薦部15及び表示部16
を備えない点で、本実施形態に係るマスタユニット10と相違する。
デル11cを記憶する。マスタユニット10Aは、複数のスレーブユニット20から受光
データ11aを収集し、記憶部11に記憶するとともに、通信部17を介してコンピュー
タ50に転送する。また、マスタユニット10Aは、学習済みモデル11cをコンピュー
タ50から受信して、記憶部11に記憶する。マスタユニット10Aは、学習済みモデル
11cを用いて対象物の状態を判定する。
成部54、貢献度算出部55、推薦部56及び表示部57を備える。
である。通信部51は、マスタユニット10A及びPLC40以外の外部機器との通信を
行うものであってもよい。
している。受光データ52aは、複数の光センサ30により測定された受光量(検出情報
)と、複数のスレーブユニット20により生成された判定信号を含んでよく、マスタユニ
ット10Aから転送されたものであってよい。学習データ52b及び学習済みモデル52
cについては、次に説明する。
aに対象物の状態を示すデータを関連付けて、学習データを生成する。学習データ生成部
53は、学習データ生成部12と同様の構成であってよい。
30により測定された複数の受光データ52aを入力として、対象物の状態を示すデータ
を出力する学習済みモデル52cを生成する。学習モデル生成部54は、学習モデル生成
部13と同様の構成であってよい。
貢献度を算出する。貢献度算出部55は、貢献度算出部14と同様の構成であってよい。
を推薦したり、新たな光センサの追加を推薦したり、複数の受光データ52aの相関に基
づいて、複数の光センサ30の配置変更を推薦したりしてよい。推薦部56は、推薦部1
5と同様の構成であってよい。
を表示したりする。表示部57は、例えば対象物に関する異常の有無を示す2値のランプ
を含んでよい。また、表示部57は、学習済みモデル52cの出力や推薦部56による推
薦内容を詳細に表示する液晶表示装置であってもよい。
測定された複数の受光データ52aと、対象物の状態を示すデータとを関連付けて学習デ
ータ52bを生成し、複数の受光データ52aから対象物の状態を識別する学習済みモデ
ル52cを生成することで、測定環境や対象物の種類に応じて複数の光センサ30の配置
を調整する負担が軽減され、導入負担を軽減して複数の光センサ30による総合判定を行
うことができる。
して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件
、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができ
る。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可
能である。
対象物に照射した光を受光して前記対象物の状態を測定する複数の光センサ(30)と
、
前記複数の光センサ(30)により測定された複数の受光データに前記対象物の状態を
示すデータを関連付けて、学習データを生成する学習データ生成部(12)と、
前記学習データを用いた機械学習により、前記複数の光センサ(30)により測定され
た複数の受光データを入力として、前記対象物の状態を示すデータを出力する学習済みモ
デルを生成する学習モデル生成部(13)と、
を備えるセンサシステム(1)。
前記学習モデル生成部(13)は、前記複数の光センサ(30)の配置に対応した前記
学習済みモデルを生成する、
付記1に記載のセンサシステム(1)。
前記学習データ生成部(12)は、前記複数の受光データに前記対象物の形状が正常か
否かを示すデータを関連付けて、前記学習データを生成し、
前記学習モデル生成部(13)は、前記学習データを用いた機械学習により、前記複数
の光センサ(30)により測定された複数の受光データを入力として、前記対象物の形状
が正常か否かを示すデータを出力する前記学習済みモデルを生成する、
付記1又は2に記載のセンサシステム(1)。
前記学習データ生成部(12)は、前記複数の受光データに前記対象物の種類を示すデ
ータを関連付けて、前記学習データを生成し、
前記学習モデル生成部(13)は、前記学習データを用いた機械学習により、前記複数
の光センサ(30)により測定された複数の受光データを入力として、前記対象物の種類
を示すデータを出力する前記学習済みモデルを生成する、
付記1又は2に記載のセンサシステム(1)。
前記学習済みモデルの出力に対する前記複数の受光データの貢献度を算出する貢献度算
出部(14)と、
前記貢献度に基づいて、前記複数の光センサ(30)のうち除外可能な光センサ(30
)を推薦する推薦部(15)と、をさらに備える、
付記1から4のいずれか一項に記載のセンサシステム(1)。
前記推薦部(15)は、前記貢献度に基づいて、新たな光センサ(30)の追加を推薦
する、
付記5に記載のセンサシステム(1)。
前記推薦部(15)は、前記複数の受光データの相関に基づいて、前記複数の光センサ
(30)の配置変更を推薦する、
付記5又は6に記載のセンサシステム(1)。
0A…変形例に係るマスタユニット、11…記憶部、11a…受光データ、11b…学習
データ、11c…学習済みモデル、12…学習データ生成部、13…学習モデル生成部、
14…貢献度算出部、15…推薦部、16…表示部、17…通信部、20a…第1スレー
ブユニット、20b…第2スレーブユニット、20c…第3スレーブユニット、30a…
第1光センサ、30b…第2光センサ、30c…第3光センサ、40…PLC、50…コ
ンピュータ、51…通信部、52…記憶部、52a…受光データ、52b…学習データ、
52c…学習済みモデル、53…学習データ生成部、54…学習モデル生成部、55…貢
献度算出部、56…推薦部、57…表示部、101,102…入力/出力コネクタ、10
6…接続コネクタ、110…MPU、112…通信ASIC、116…パラレル通信回路
、118…シリアル通信回路、304,306…接続コネクタ、400…CPU、401
…発光素子、402,406,408…受光素子、403…投光制御部、404…増幅回
路、405…A/Dコンバータ、407,409…通信用発光素子、410,412…受
光回路、411,413…投光回路、419…出力回路、420…シリアル通信ドライバ
Claims (7)
- 対象物に照射した光を受光して前記対象物の状態を測定する複数の光センサと、
前記複数の光センサにより測定された複数の受光データに前記対象物の状態を示すデー
タを関連付けて、学習データを生成する学習データ生成部と、
前記学習データを用いた機械学習により、前記複数の光センサにより測定された複数の
受光データを入力として、前記対象物の状態を示すデータを出力する学習済みモデルを生
成する学習モデル生成部と、
を備えるセンサシステム。 - 前記学習モデル生成部は、前記複数の光センサの配置に対応した前記学習済みモデルを
生成する、
請求項1に記載のセンサシステム。 - 前記学習データ生成部は、前記複数の受光データに前記対象物の形状が正常か否かを示
すデータを関連付けて、前記学習データを生成し、
前記学習モデル生成部は、前記学習データを用いた機械学習により、前記複数の光セン
サにより測定された複数の受光データを入力として、前記対象物の形状が正常か否かを示
すデータを出力する前記学習済みモデルを生成する、
請求項1又は2に記載のセンサシステム。 - 前記学習データ生成部は、前記複数の受光データに前記対象物の種類を示すデータを関
連付けて、前記学習データを生成し、
前記学習モデル生成部は、前記学習データを用いた機械学習により、前記複数の光セン
サにより測定された複数の受光データを入力として、前記対象物の種類を示すデータを出
力する前記学習済みモデルを生成する、
請求項1又は2に記載のセンサシステム。 - 前記学習済みモデルの出力に対する前記複数の受光データの貢献度を算出する貢献度算
出部と、
前記貢献度に基づいて、前記複数の光センサのうち除外可能な光センサを推薦する推薦
部と、をさらに備える、
請求項1から4のいずれか一項に記載のセンサシステム。 - 前記推薦部は、前記貢献度に基づいて、新たな光センサの追加を推薦する、
請求項5に記載のセンサシステム。 - 前記推薦部は、前記複数の受光データの相関に基づいて、前記複数の光センサの配置変
更を推薦する、
請求項5又は6に記載のセンサシステム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022095747A JP7382015B2 (ja) | 2019-03-06 | 2022-06-14 | センサシステム |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019040602A JP7137761B2 (ja) | 2019-03-06 | 2019-03-06 | センサシステム |
JP2022095747A JP7382015B2 (ja) | 2019-03-06 | 2022-06-14 | センサシステム |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019040602A Division JP7137761B2 (ja) | 2019-03-06 | 2019-03-06 | センサシステム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022121472A true JP2022121472A (ja) | 2022-08-19 |
JP7382015B2 JP7382015B2 (ja) | 2023-11-16 |
Family
ID=72354025
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019040602A Active JP7137761B2 (ja) | 2019-03-06 | 2019-03-06 | センサシステム |
JP2022095747A Active JP7382015B2 (ja) | 2019-03-06 | 2022-06-14 | センサシステム |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2019040602A Active JP7137761B2 (ja) | 2019-03-06 | 2019-03-06 | センサシステム |
Country Status (1)
Country | Link |
---|---|
JP (2) | JP7137761B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7137761B2 (ja) * | 2019-03-06 | 2022-09-15 | オムロン株式会社 | センサシステム |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0749945A (ja) * | 1993-08-04 | 1995-02-21 | Mitsubishi Electric Corp | 識別装置 |
JPH1062132A (ja) * | 1996-08-19 | 1998-03-06 | Mase:Kk | 欠損検出装置及び欠損検出方法 |
JP2000146847A (ja) * | 1998-11-16 | 2000-05-26 | Kett Electric Laboratory | クラスタリング及びボロノイ分割を利用したニューラル ネットワークを用いた穀類粒判別装置 |
JP2005083775A (ja) * | 2003-09-05 | 2005-03-31 | Seirei Ind Co Ltd | 穀粒選別装置 |
JP2014085833A (ja) * | 2012-10-23 | 2014-05-12 | Omron Corp | センサシステムおよび通信装置 |
JP2018092489A (ja) * | 2016-12-06 | 2018-06-14 | オムロン株式会社 | 分類装置、分類方法およびプログラム |
JP2019028515A (ja) * | 2017-07-25 | 2019-02-21 | ファナック株式会社 | 情報処理装置 |
JP2020144001A (ja) * | 2019-03-06 | 2020-09-10 | オムロン株式会社 | センサシステム |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH1183461A (ja) * | 1997-09-09 | 1999-03-26 | Mitsubishi Electric Corp | 物品種別認識システム |
JP2017122580A (ja) * | 2014-04-08 | 2017-07-13 | 株式会社日立ハイテクノロジーズ | 検査装置及び検査条件決定方法 |
-
2019
- 2019-03-06 JP JP2019040602A patent/JP7137761B2/ja active Active
-
2022
- 2022-06-14 JP JP2022095747A patent/JP7382015B2/ja active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0749945A (ja) * | 1993-08-04 | 1995-02-21 | Mitsubishi Electric Corp | 識別装置 |
JPH1062132A (ja) * | 1996-08-19 | 1998-03-06 | Mase:Kk | 欠損検出装置及び欠損検出方法 |
JP2000146847A (ja) * | 1998-11-16 | 2000-05-26 | Kett Electric Laboratory | クラスタリング及びボロノイ分割を利用したニューラル ネットワークを用いた穀類粒判別装置 |
JP2005083775A (ja) * | 2003-09-05 | 2005-03-31 | Seirei Ind Co Ltd | 穀粒選別装置 |
JP2014085833A (ja) * | 2012-10-23 | 2014-05-12 | Omron Corp | センサシステムおよび通信装置 |
JP2018092489A (ja) * | 2016-12-06 | 2018-06-14 | オムロン株式会社 | 分類装置、分類方法およびプログラム |
JP2019028515A (ja) * | 2017-07-25 | 2019-02-21 | ファナック株式会社 | 情報処理装置 |
JP2020144001A (ja) * | 2019-03-06 | 2020-09-10 | オムロン株式会社 | センサシステム |
JP7137761B2 (ja) * | 2019-03-06 | 2022-09-15 | オムロン株式会社 | センサシステム |
Also Published As
Publication number | Publication date |
---|---|
JP7137761B2 (ja) | 2022-09-15 |
JP2020144001A (ja) | 2020-09-10 |
JP7382015B2 (ja) | 2023-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6205756B2 (ja) | 同期計測システム | |
JP6261200B2 (ja) | 光カプラ試験システム | |
JP2022121472A (ja) | センサシステム | |
KR20060043298A (ko) | 센서 컨트롤러 | |
CN1983488A (zh) | 传感器装置 | |
CN107656284B (zh) | 测距装置及测距方法 | |
CN102420662A (zh) | 光收发器内操作状态标示的生成 | |
US9279848B2 (en) | Test apparatus | |
US9008588B2 (en) | System and method for the calibration and verification of wireless networks with control network | |
CN111448848B (zh) | 用于照明器异常的分布式检测的系统、方法和装置 | |
JP2007249647A (ja) | 環境制御システム及び環境制御方法 | |
JP7372607B2 (ja) | センサシステム | |
JP2004222303A (ja) | 適応型試験による光トランシーバの較正 | |
CN108541217A (zh) | 光源设备与成像系统 | |
US20140052390A1 (en) | Apparatus and method for detecting error and variation in light-emitting diode lightting | |
KR20220066939A (ko) | 센서 시스템, 마스터 유닛, 예측 장치, 및 예측 방법 | |
JP2020091653A (ja) | センサシステム | |
JP7068654B2 (ja) | センサシステム | |
US11543304B2 (en) | Temperature measurement system and temperature measurement device | |
US11002766B2 (en) | Detection of loop resistance and leakage current in input/output (I/O) loop | |
US20160262032A1 (en) | Location determination method and location determination system for sensor apparatus placements in building | |
TWI390188B (zh) | 照光平面上分佈式複數點照度檢測系統 | |
JP2021131306A (ja) | 検査システム及びそれに用いられる発光コントローラ | |
JP7207509B2 (ja) | 画像処理システム、情報処理装置、情報処理方法、および、情報処理プログラム | |
JPWO2018211904A1 (ja) | 測定システムおよび測定システムにおける通信処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220615 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220615 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230614 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230711 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230908 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231005 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231018 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7382015 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |