JP2022543291A - アイテムの検査を実行するための方法、装置、コンピュータプログラムおよびコンピュータ命令を含む媒体 - Google Patents
アイテムの検査を実行するための方法、装置、コンピュータプログラムおよびコンピュータ命令を含む媒体 Download PDFInfo
- Publication number
- JP2022543291A JP2022543291A JP2022507505A JP2022507505A JP2022543291A JP 2022543291 A JP2022543291 A JP 2022543291A JP 2022507505 A JP2022507505 A JP 2022507505A JP 2022507505 A JP2022507505 A JP 2022507505A JP 2022543291 A JP2022543291 A JP 2022543291A
- Authority
- JP
- Japan
- Prior art keywords
- neural network
- local
- defective
- item
- central
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000004590 computer program Methods 0.000 title claims abstract description 7
- 238000007689 inspection Methods 0.000 title claims description 72
- 238000013528 artificial neural network Methods 0.000 claims abstract description 340
- 230000002950 deficient Effects 0.000 claims abstract description 165
- 238000005259 measurement Methods 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 35
- 230000001953 sensory effect Effects 0.000 claims abstract description 22
- 230000004044 response Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims description 82
- 239000013598 vector Substances 0.000 claims description 78
- 230000004913 activation Effects 0.000 claims description 61
- 238000012360 testing method Methods 0.000 claims description 7
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000001994 activation Methods 0.000 description 48
- 230000007547 defect Effects 0.000 description 36
- 238000012544 monitoring process Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 16
- 238000004519 manufacturing process Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000015654 memory Effects 0.000 description 6
- 230000001934 delay Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000010304 firing Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000011179 visual inspection Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000001739 density measurement Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000011326 mechanical measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012552 review Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- 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
-
- 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
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32368—Quality control
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Image Analysis (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
Description
を包含し、前記ローカルニューラルネットワーク(11)は前記中央ニューラルネットワーク(21)よりも少ない計算資源を有する。
前記アイテムが処理されている間に前記アイテムに実行された感知測定に基づいて、前記アイテムが欠陥であるか非欠陥であるかを示すローカル分類結果を決定するように構成されたローカルニューラルネットワーク(11)と、
前記ローカル分類結果が正しいという信頼水準を示す信頼指数を決定するように構成されたプロセッサ(12)と、
前記信頼指数が所与の閾値を下回ったことに応答して、処理中のアイテムが欠陥であるか非欠陥であるかを示す結果が中央ニューラルによって実行されることを通知する中央分類通知を出力するように構成された出力部(13)と
を備え、前記ローカルニューラルネットワーク(11)は前記中央ニューラルネットワーク(21)よりも少ない計算資源を有する。
中央分類表示通知は、中央ニューラルネットワークによる中央分類結果を決定する要求を含み、前記出力部(13)は、前記中央ニューラルネットワーク(21)を含む中央検査装置(20)に要求を送信するように構成されている。
アイテムの処理中に前記アイテムに実行された検知測定に基づいて、前記アイテムが欠陥であるか非欠陥であるかを示す分類結果を決定するよう構成された中央ニューラルネットワーク(21)と、
前記中央分類を実行するための命令であって、所与の閾値未満の信頼水準を有する感知測定に基づいて前記分類結果を決定したことを示す命令を受信するよう構成された受信機(22)と
を備える。前記ローカルニューラルネットワーク(11)は前記中央ニューラルネットワーク(21)よりも少ない計算資源を有する。
ローカル分類結果が正しいという信頼水準を示すローカル信頼指数が所定の信頼水準を超えていないという決定に応答して、前記中央ニューラルネットワーク(21)は、得られた検知測定値が不良アイテムであるか非不良アイテムであるかを示す中央分類結果を決定するように構成され、
中央の分類結果は、前記システムの分類結果になる。
前記所与の閾値は、所定のレベルの相関を示す相関閾値を含む。
・事前に定義されている(たとえば、座標を用いる。)
・たとえば、センシング測定を実行するセンサに基づいて決定される(たとえば、カメラでキャプチャし得るシーンに対応する領域、ロボットなどの製造コンポーネントに対応して定義し得るシーンに対応する領域、上記の検知測定をセンサが行い得る距離に対応する領域、及びそれらの組み合わせ)
・1つの層のすべてのノードをデータ構造で表すことができる。
・2つ以上の層のすべてのノードを表すことができる。
・1つ以上の層の少なくとも1つのノードまたは複数のノードをデータ構造で表すことができる。(たとえば、テーブル状、または行列の構造、または他の同様の表現。発火または発火していないノードに対応して0または1のような値を取る。慣習的な0と1は反転され得る)。
一例では、そのようなデータ構造は、それぞれのノードの発火状態を示すバイナリ値を含む。活性化監視方式において、所与の閾値は、所定のレベルの相関を示す相関閾値を含む。すなわち、使用中に示されるパターンは、訓練中に示されるパターンと正確に同じであるか、または所定のレベル/規則に従って異なる可能性がある(例えば、与えられた数のノードは、パターンや特定のレイヤに属するノードなどが異なる場合がある。例については、後で図6を参照して説明する)。たとえば、訓練中に、欠陥のある結果に対応して1組の活性化されたパターンが検出されたと仮定し、その組の各パターンにPd1、Pd2、…、Pdi、…Pdnという名前を付ける。Pdiは、不良結果が出力されたときに活性化されるノードのみを含む。たとえば、Pdiとして、N1Pdi、N2Pdi、・・・、NnPdiであり、したがってNjPdiは、不良結果を生成する際にパターンPdiのノードNjが活性化されていることを示す。動作中、つまりネットワークを実行して測定項目の結果分類を生成する場合、ローカルニューラルネットワークによって欠陥が出力されたと仮定する。欠陥が分類結果であると結論付ける前に、実際の分類プロセス中に活性化されたノードがパターンPd1、…Pdnのいずれかに含まれるかどうかが比較される(ここでは、相関の1つの例)。いずれかに含まれる場合、実際の分類結果として「不良」が確認される。そうでない場合は、「不良品ではない」が出力されるか、不良品/不良品を判別できないことを示すしるし(indication)が出力される。したがって、活性化パターンの相関を用いると、欠陥のあるまたは欠陥のない予測を決定する精度を高めることが可能である。上記は、欠陥状態を決定するときに、活性化される傾向のあるノードに一種のバイアスが存在し、すべての仮想ノードの組み合わせによって表される空間と比較して、比較的まばらな数の活性化パターンをもたらすという発明者の認識に基づいている。欠陥のない状態を判断する場合にも、同様の考慮事項が適用される。
Claims (31)
- 処理中のアイテムが欠陥であるか非欠陥であるかを決定するための検査方法であって、
ローカルニューラルネットワーク(11)によって、およびアイテムが処理されている間に前記アイテムに実行された感知測定に基づいて、前記アイテムが欠陥であるか非欠陥であるかを示すローカル分類結果を決定するステップ(S10)と、
前記ローカル分類結果が正しいという信頼度を示す信頼指数を決定するステップ(S20)と、
前記信頼指数が所与の閾値を下回っていることに応答して、中央ニューラルネットワーク(21)によって、及び前記感知測定に基づいて、前記アイテムが欠陥であるか非欠陥であるかを示す中央分類結果を決定するステップ(S30)と
を包含し、前記ローカルニューラルネットワーク(11)は前記中央ニューラルネットワーク(21)よりも少ない計算資源を有する
検査方法。 - 前記信頼指数は、前記ローカルニューラルネットワーク(11)を訓練時に決定され、前記所与の閾値は経験的に、好ましくは前記ローカルニューラルネットワーク(11)の訓練時に決定される、請求項1に記載の方法。
- 前記信頼指数は、前記ローカル分類結果の決定時に前記ローカルニューラルネットワーク(11)の複数のノードによって示される実際の活性化パターンを、前記ローカルニューラルネットワーク(11)の訓練中に前記ローカルニューラルネットワーク(11)の前記複数のノードによって示される参照活性化パターンと関連付けることによって決定され、前記所与の閾値は、所定のレベルの相関を示す相関閾値を含む、請求項1または2に記載の方法。
- 前記信頼指数は、前記分類結果の決定時に前記ローカルニューラルネットワーク(11)によって取得された少なくとも1つの特徴ベクトルを、前記ローカルニューラルネットワーク(11)の訓練中に前記ローカルニューラルネットワーク(11)によって取得された少なくとも1つのそれぞれの参照特徴ベクトルと関連付けることによって決定され、
前記ローカルニューラルネットワークによって得られる1つの前記特徴ベクトルは、好ましくは、前記ローカルニューラルネットワークの1つまたは複数の層の少なくとも1つのノードによって得られる特徴パラメータを含むベクトルを有する、請求項1から3のいずれかに記載の方法。 - -前記中央ニューラルネットワークには、前記ローカルニューラルネットワークと同様のニューラルネットワークが含まれ、
-前記ローカルニューラルネットワークは、前記ローカルニューラルネットワークによって取得された特徴ベクトルを前記中央ニューラルネットワークに送信し、
-前記中央ニューラルネットワークは、前記ローカルニューラルネットワークによって受信された前記特徴ベクトルに基づいて処理を開始する
請求項1から4のいずれかに記載の方法。 - 処理中のアイテムが欠陥であるか非欠陥であるかを決定するための検査装置(10)であって、前記検査装置(10)は、
前記アイテムが処理されている間に前記アイテムに実行された感知測定に基づいて、前記アイテムが欠陥であるか非欠陥であるかを示すローカル分類結果を決定するように構成されたローカルニューラルネットワーク(11)と、
前記ローカル分類結果が正しいという信頼水準を示す信頼指数を決定するように構成されたプロセッサ(12)と、
前記信頼指数が所与の閾値を下回ったことに応答して、処理中のアイテムが欠陥であるか非欠陥であるかを示す結果が中央ニューラルによって実行されることを通知する中央分類通知を出力するように構成された出力部(13)と
を備え、前記ローカルニューラルネットワーク(11)は前記中央ニューラルネットワーク(21)よりも少ない計算資源を有する
検査装置(10)。 - 前記中央分類通知は、中央ニューラルネットワークによる前記中央分類結果を決定する要求を含み、
前記出力部(13)は、前記中央ニューラルネットワーク(21)を含む中央検査装置(20)に要求を送信するように構成されている
請求項6に記載の検査装置(10)。 - 前記信頼指数は、前記ローカルニューラルネットワーク(11)の訓練時に決定され、前記所与の閾値は経験的に決定され、好ましくは前記ローカルニューラルネットワーク(11)の訓練時に決定される、請求項6または7に記載の検査装置(10)。
- 前記信頼指数は、前記ローカル分類結果の決定時に前記ローカルニューラルネットワーク(11)の複数のノードによって示される実際の活性化パターンを、前記ローカルニューラルネットワーク(11)の訓練中に前記ローカルニューラルネットワーク(11)の前記複数のノードによって示される参照活性化パターンと関連付けることによって決定され、
前記所与の閾値は、所定のレベルの相関を示す相関閾値を含む
請求項6から8のいずれかに記載の検査装置(10)。 - 前記信頼指数は、前記分類結果を決定している間に前記ローカルニューラルネットワーク(11)によって取得された少なくとも1つの特徴ベクトルを、前記ローカルニューラルネットワーク(11)の訓練中に前記ローカルニューラルネットワーク(11)によって取得された少なくともそれぞれの参照特徴ベクトルと関連付けることによって決定される、請求項6から9のいずれかに記載の検査装置。
- 処理中のアイテムが欠陥であるか非欠陥であるかを決定するための検査装置(20)であって、前記検査装置(20)は、
アイテムの処理中に前記アイテムに実行された検知測定に基づいて、前記アイテムが欠陥であるか非欠陥であるかを示す分類結果を決定するよう構成された中央ニューラルネットワーク(21)と、
前記中央分類を実行するための命令であって、所与の閾値未満の信頼水準を有する感知測定に基づいて前記分類結果を決定したことを示す命令を受信するよう構成された受信機(22)と
を備え、前記ローカルニューラルネットワーク(11)は前記中央ニューラルネットワーク(21)よりも少ない計算資源を有する
検査装置(20)。 - 前記中央検査装置(20)は、前記ローカルニューラルネットワークで利用可能な計算資源よりも多くの計算資源を使用することによって前記中央ニューラルネットワーク(21)を動作させるよう構成されている、請求項11に記載の中央検査装置。
- 前記信頼指数は、前記ローカルニューラルネットワーク(11)の訓練時に決定され、
前記所与の閾値は経験的に、好ましくは前記ローカルニューラルネットワーク(11)の訓練時に決定される、請求項11または12に記載の検査装置。 - 前記信頼指数は、前記ローカル分類結果の決定時に前記ローカルニューラルネットワーク(11)の複数のノードによって示される活性化パターンを、前記ローカルニューラルネットワーク(11)の訓練中に前記ローカルニューラルネットワーク(11)の前記複数のノードによって示される参照活性化パターンと関連付けることによって決定され、
前記所与の閾値は、所定のレベルの相関を示す相関閾値を含む
請求項11から13のいずれかに記載の検査装置。 - 前記信頼指数は、前記分類結果を決定している間に前記ローカルニューラルネットワーク(11)によって取得された少なくとも1つの特徴ベクトルを、前記ローカルニューラルネットワーク(11)の訓練中に前記ローカルニューラルネットワーク(11)によって取得された少なくともそれぞれの参照特徴ベクトルと関連付けることによって決定される、請求項11から14のいずれかに記載の検査装置。
- ローカルニューラルネットワーク(11)及び中央ニューラルネットワーク(21)の少なくとも1つを使用して、アイテムの処理中に前記アイテムに実行された検知測定に基づいて、前記アイテムが欠陥であるか非欠陥であるかを決定するための検査システムであって、
前記ローカルニューラルネットワークは、前記中央ニューラルネットワークよりも少ない計算資源を有し、
ローカル分類結果が正しいという信頼水準を示すローカル信頼指数が所定の信頼水準を超えていないという決定に応答して、前記中央ニューラルネットワーク(21)は、得られた検知測定値が不良アイテムであるか非不良アイテムであるかを示す中央分類結果を決定するように構成され、
中央の分類結果は、前記システムの分類結果になる、検査システム。 - 前記信頼指数は、前記ローカルニューラルネットワーク(11)の訓練時に決定され、
前記所与の閾値は経験的に、好ましくは前記ローカルニューラルネットワーク(11)の訓練時に決定される、請求項16に記載の検査システム。 - 前記信頼指数は、前記ローカル分類結果の決定時に前記ローカルニューラルネットワーク(11)の複数のノードによって示される活性化パターンを、前記ローカルニューラルネットワーク(11)の訓練中に前記ローカルニューラルネットワーク(11)の前記複数のノードによって示される参照活性化パターンと関連付けることによって決定され、
前記所与の閾値は、所定のレベルの相関を示す相関閾値を含む
請求項14または15に記載の検査システム。 - 前記信頼指数は、前記分類結果を決定している間に前記ローカルニューラルネットワーク(11)によって取得された少なくとも1つの特徴ベクトルを、前記ローカルニューラルネットワーク(11)の訓練中に前記ローカルニューラルネットワーク(11)によって取得された少なくともそれぞれの参照特徴ベクトルと関連付けることによって決定される、請求項16から18のいずれかに記載の検査システム。
- 処理中のアイテムが欠陥であるか非欠陥であるかを決定するための検査方法であって、
ニューラルネットワーク(11)によって、及びアイテムが処理されている間に前記アイテムに実行された感知測定に基づいて、前記アイテムが欠陥であるか非欠陥であるかを示す分類結果を決定するステップ(S10)と、
前記分類結果が正しいという信頼度を示す信頼指数を決定するステップ(S20)と、
前記信頼指数が所定の閾値を下回ったことに応答して、前記アイテムが欠陥であるか非欠陥であるかを示す分類結果が所定のレベルを下回る信頼水準を有することを通知する通知メッセージを出力するステップ(S30)と
を包含する検査方法。 - 前記通知メッセージが、通知のためのデバイス、および/またはさらなる処理を行うデバイスに出力される、請求項20に記載の方法。
- 前記信頼指数は、前記ニューラルネットワーク(11)の訓練時に決定され、前記所与の閾値は経験的、好ましくは前記ニューラルネットワーク(11)の訓練時に決定される、請求項20または21に記載の方法。
- 前記信頼指数は、前記分類結果の決定時に前記ニューラルネットワーク(11)の複数のノードによって示される実際の活性化パターンを、前記ニューラルネットワーク(11)の訓練中に前記ニューラルネットワーク(11)の前記複数のノードによって示される参照活性化パターンと関連付けることによって決定され、
前記所与の閾値は、所定のレベルの相関を示す相関閾値を含む
請求項20から22のいずれかに記載の方法。 - 前記信頼指数は、前記分類結果を決定している間に前記ニューラルネットワーク(11)によって取得された少なくとも1つの特徴ベクトルを、前記ニューラルネットワーク(11)の訓練中に前記ニューラルネットワーク(11)によって取得された少なくともそれぞれの参照特徴ベクトルと関連付けることによって決定され、
前記ニューラルネットワーク(11)によって取得された前記少なくとも1つの特徴ベクトルは、前記ニューラルネットワーク(11)の1以上の層の少なくとも1つのノードによって取得された特徴パラメータを含むベクトルを好ましくは含む、請求項20から23のいずれかに記載の方法。 - 処理中のアイテムが欠陥であるか非欠陥であるかを決定するための検査装置(10)であって、前記検査装置(10)は、
前記アイテムが処理されている間に前記アイテムに実行された感知測定に基づいて、前記アイテムが欠陥であるか非欠陥であるかを示す分類結果を決定するように構成されたニューラルネットワーク(11)と、
前記分類結果が正しいという信頼水準を示す信頼指数を決定するように構成されたプロセッサ(12)と、
前記信頼指数が所与の閾値を下回ったことに応答して、処理中のアイテムが欠陥であるか非欠陥であるかを示す結果が所与のレベルを下回る信頼水準を有していることを通知する通知メッセージを出力するよう構成された出力部(13)と
を備える
検査装置(10)。 - 前記出力部(13)は、さらに、通知のためのデバイス、および/またはさらなる処理を行うデバイスに前記通知メッセージを出力するよう構成されている、請求項25に記載の検査デバイス(10)。
- 前記信頼指数は、前記ニューラルネットワーク(11)の訓練時に決定され、前記所与の閾値は経験的、好ましくは前記ニューラルネットワークの訓練時に決定される(11)、請求項25または26に記載の検査装置(10)。
- 前記信頼指数は、前記分類結果の決定時に前記ニューラルネットワーク(11)の複数のノードによって示される実際の活性化パターンを、前記ニューラルネットワーク(11)の訓練中に前記ニューラルネットワーク(11)の前記複数のノードによって示される参照活性化パターンと関連付けることによって決定され、
前記所与の閾値は、所定のレベルの相関を示す相関閾値を含む
請求項25から27のいずれかに記載の検査装置(10)。 - 前記信頼指数は、前記分類結果を決定している間に前記ローカルニューラルネットワーク(11)によって取得された少なくとも1つの特徴ベクトルを、前記ローカルニューラルネットワーク(11)の訓練中に前記ローカルニューラルネットワーク(11)によって取得された少なくともそれぞれの参照特徴ベクトルと関連付けることによって決定される、請求項25から28のいずれかに記載の検査装置(10)。
- 前記命令がコンピュータ上で実行されるときに、請求項1から5のいずれかのステップ、または請求項20から24のいずれかのステップを実行するように構成された命令を含むコンピュータプログラム。
- 前記命令がコンピュータ上で実行されるとき、請求項1から5のいずれかのステップ、または請求項20から24のいずれかのステップを実行するように構成された命令を含む媒体。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
IBPCT/IB2019/056861 | 2019-08-13 | ||
PCT/IB2019/056861 WO2021028714A1 (en) | 2019-08-13 | 2019-08-13 | Method, apparatuses, computer program and medium including computer instructions for performing inspection of an item |
PCT/IB2020/057536 WO2021028828A1 (en) | 2019-08-13 | 2020-08-11 | Method, apparatuses, computer program and medium including computer instructions for performing inspection of an item |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2022543291A true JP2022543291A (ja) | 2022-10-11 |
JP7332028B2 JP7332028B2 (ja) | 2023-08-23 |
Family
ID=67982112
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022507505A Active JP7332028B2 (ja) | 2019-08-13 | 2020-08-11 | アイテムの検査を実行するための方法、装置、コンピュータプログラムおよびコンピュータ命令を含む媒体 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20220269252A1 (ja) |
EP (1) | EP4014167A1 (ja) |
JP (1) | JP7332028B2 (ja) |
CN (1) | CN114127744A (ja) |
WO (2) | WO2021028714A1 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004199391A (ja) * | 2002-12-18 | 2004-07-15 | Manabu Tanaka | 画像解析におけるしきい値決定方法とその装置、二値化装置並びに画像解析装置、学習機能付き情報処理方法と学習機能付き画像解析装置並びにそれらのための記録媒体 |
US20160086078A1 (en) * | 2014-09-22 | 2016-03-24 | Zhengping Ji | Object recognition with reduced neural network weight precision |
WO2018098039A1 (en) * | 2016-11-23 | 2018-05-31 | Vital Images, Inc. | Distributed clinical workflow training of deep learning neural networks |
JP2018198053A (ja) * | 2017-05-22 | 2018-12-13 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
KR20190064862A (ko) * | 2017-12-01 | 2019-06-11 | 주식회사 코이노 | 서버와의 연계를 통해 기계학습의 효율성을 높이는 클라이언트 단말 및 이를 포함한 기계학습 시스템 |
JP2019109577A (ja) * | 2017-12-15 | 2019-07-04 | オムロン株式会社 | 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 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10226204B2 (en) * | 2016-06-17 | 2019-03-12 | Philips North America Llc | Method for detecting and responding to falls by residents within a facility |
US11449980B2 (en) * | 2016-07-08 | 2022-09-20 | Ats Automation Tooling Systems Inc. | System and method for combined automatic and manual inspection |
US10416660B2 (en) * | 2017-08-31 | 2019-09-17 | Rockwell Automation Technologies, Inc. | Discrete manufacturing hybrid cloud solution architecture |
US20200027009A1 (en) * | 2018-07-23 | 2020-01-23 | Kabushiki Kaisha Toshiba | Device and method for optimising model performance |
-
2019
- 2019-08-13 WO PCT/IB2019/056861 patent/WO2021028714A1/en active Application Filing
-
2020
- 2020-08-11 EP EP20754049.3A patent/EP4014167A1/en active Pending
- 2020-08-11 CN CN202080052438.8A patent/CN114127744A/zh active Pending
- 2020-08-11 WO PCT/IB2020/057536 patent/WO2021028828A1/en unknown
- 2020-08-11 JP JP2022507505A patent/JP7332028B2/ja active Active
- 2020-08-11 US US17/629,685 patent/US20220269252A1/en active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004199391A (ja) * | 2002-12-18 | 2004-07-15 | Manabu Tanaka | 画像解析におけるしきい値決定方法とその装置、二値化装置並びに画像解析装置、学習機能付き情報処理方法と学習機能付き画像解析装置並びにそれらのための記録媒体 |
US20160086078A1 (en) * | 2014-09-22 | 2016-03-24 | Zhengping Ji | Object recognition with reduced neural network weight precision |
WO2018098039A1 (en) * | 2016-11-23 | 2018-05-31 | Vital Images, Inc. | Distributed clinical workflow training of deep learning neural networks |
JP2018198053A (ja) * | 2017-05-22 | 2018-12-13 | キヤノン株式会社 | 情報処理装置、情報処理方法、及びプログラム |
KR20190064862A (ko) * | 2017-12-01 | 2019-06-11 | 주식회사 코이노 | 서버와의 연계를 통해 기계학습의 효율성을 높이는 클라이언트 단말 및 이를 포함한 기계학습 시스템 |
JP2019109577A (ja) * | 2017-12-15 | 2019-07-04 | オムロン株式会社 | 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 |
Also Published As
Publication number | Publication date |
---|---|
EP4014167A1 (en) | 2022-06-22 |
JP7332028B2 (ja) | 2023-08-23 |
WO2021028828A1 (en) | 2021-02-18 |
CN114127744A (zh) | 2022-03-01 |
US20220269252A1 (en) | 2022-08-25 |
WO2021028714A1 (en) | 2021-02-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2019106112A (ja) | 情報処理装置、識別システム、設定方法及びプログラム | |
KR20210038143A (ko) | 인공지능(ai) 기반 대상물 검사 시스템 및 방법 | |
JP7059883B2 (ja) | 学習装置、画像生成装置、学習方法、及び学習プログラム | |
JP7054436B2 (ja) | 検出システム、情報処理装置、評価方法及びプログラム | |
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 | |
JP2020198092A (ja) | 教師なし異常検出及び高次元センサデータの多数決投票による原因説明のための方法及びシステム | |
JP2006293820A (ja) | 外観検査装置、外観検査方法およびコンピュータを外観検査装置として機能させるためのプログラム | |
CN117372424B (zh) | 一种缺陷检测方法、装置、设备及存储介质 | |
JP7332028B2 (ja) | アイテムの検査を実行するための方法、装置、コンピュータプログラムおよびコンピュータ命令を含む媒体 | |
JP6847898B2 (ja) | 予防保全装置及び予防保全システム | |
CN111078480A (zh) | 一种异常恢复方法和服务器 | |
US11493901B2 (en) | Detection of defect in edge device manufacturing by artificial intelligence | |
US20220335254A1 (en) | Computer vision inferencing for non-destructive testing | |
US11790508B2 (en) | Computer vision predictions for non-destructive testing | |
US20240112325A1 (en) | Automatic Optical Inspection Using Hybrid Imaging System | |
WO2022209301A1 (ja) | 情報処理装置、情報処理方法、及びプログラム | |
JP7257470B2 (ja) | 欠陥検査装置、欠陥検査方法および予測モデル生成方法 | |
US11921848B2 (en) | Characterizing susceptibility of a machine-learning model to follow signal degradation and evaluating possible mitigation strategies | |
JP7055258B1 (ja) | 学習装置、推論装置、診断システム、モデル生成方法及びプログラム | |
KR102319386B1 (ko) | 고장 강도 산출 장치 및 방법 | |
JP2023036131A (ja) | 検査システム、方法、及びプログラム | |
CN117745678A (zh) | 一种输送带滚筒包胶检测方法、装置、设备及存储介质 | |
JP2023170622A (ja) | 検査支援システム | |
JP2019180033A (ja) | 監視システム及び監視装置 | |
CN118094211A (zh) | 一种模型训练方法、系统及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220204 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221115 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230116 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230314 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230425 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230612 |
|
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: 20230711 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230724 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7332028 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |