JP2024145552A - 学習装置、推定装置、学習方法、推定方法、プログラム及び超硬合金 - Google Patents
学習装置、推定装置、学習方法、推定方法、プログラム及び超硬合金 Download PDFInfo
- Publication number
- JP2024145552A JP2024145552A JP2023057952A JP2023057952A JP2024145552A JP 2024145552 A JP2024145552 A JP 2024145552A JP 2023057952 A JP2023057952 A JP 2023057952A JP 2023057952 A JP2023057952 A JP 2023057952A JP 2024145552 A JP2024145552 A JP 2024145552A
- Authority
- JP
- Japan
- Prior art keywords
- estimation
- hardness
- learning
- image data
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013178 mathematical model Methods 0.000 claims abstract description 29
- 239000000463 material Substances 0.000 claims abstract description 20
- 238000009826 distribution Methods 0.000 claims description 23
- 239000013077 target material Substances 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 11
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 6
- PXHVJJICTQNCMI-UHFFFAOYSA-N Nickel Chemical compound [Ni] PXHVJJICTQNCMI-UHFFFAOYSA-N 0.000 claims description 6
- 239000000956 alloy Substances 0.000 claims description 5
- 229910045601 alloy Inorganic materials 0.000 claims description 5
- 239000011230 binding agent Substances 0.000 claims description 5
- UONOETXJSWQNOL-UHFFFAOYSA-N tungsten carbide Chemical compound [W+]#[C-] UONOETXJSWQNOL-UHFFFAOYSA-N 0.000 claims description 5
- 239000010941 cobalt Substances 0.000 claims description 3
- 229910017052 cobalt Inorganic materials 0.000 claims description 3
- GUTLYIVDDKVIGB-UHFFFAOYSA-N cobalt atom Chemical compound [Co] GUTLYIVDDKVIGB-UHFFFAOYSA-N 0.000 claims description 3
- 229910052742 iron Inorganic materials 0.000 claims description 3
- 229910052759 nickel Inorganic materials 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 24
- 238000003860 storage Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 8
- 239000012071 phase Substances 0.000 description 8
- 238000002474 experimental method Methods 0.000 description 6
- 229910009043 WC-Co Inorganic materials 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007796 conventional method Methods 0.000 description 3
- 238000005520 cutting process Methods 0.000 description 3
- 238000005401 electroluminescence Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001878 scanning electron micrograph Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 230000010365 information processing Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 150000001247 metal acetylides Chemical class 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000007791 liquid phase Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000005272 metallurgy Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005245 sintering Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
【課題】推定対象の硬さの推定の精度を向上させる技術を提供すること。【解決手段】本発明の一態様は、推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、を備える学習装置である。【選択図】図１
Description
本発明は、学習装置、推定装置、学習方法、推定方法、プログラム及び超硬合金に関する。
ＷＣ－Ｃｏ系硬質材料等の超硬合金は、その優れた硬度と耐摩耗性から、切削工具、鉱山用工具等の機械工具に広く用いられる。例えばＷＣ－Ｃｏ系硬質材料は、主にＣｏ系結合相とＷＣ系硬質相から構成されており、一般に液相焼結により作製される。ＷＣ－Ｃｏ系硬質材料の硬さは、切削性能に大きな影響を及ぼしており、硬さと靭性のバランスを適切に制御することで、様々な切削領域で高効率な加工を可能としている。
ＷＣ－Ｃｏ系硬質材料の機械的特性は、ＷＣ結晶粒の大きさ、結合相量、組成、組織状態に強く依存することが知られており、種々の研究が進められている。硬さについては、各相の体積率、粒径、接着量から予測式が提案されており（非特許文献１及び２参照）、広い硬さ範囲である程度妥当であることが示されている。
Lee, H. C., & Gurland, J. (1978). Hardness and deformation of cemented tungsten carbide. Materials Science and Engineering, 33(1), 125-133
M.Pang et al., A simplified hardness model for WC-Co-Cubic cemented carbides Journal of Mining and Metallurgy, (2021)
これまで提案されてきた超硬合金の硬さを予測する技術では、１０％程度の誤差の範囲内で妥当であるものであった（非特許文献２）。しかしながら、実は、硬さが１０％も異なると、超硬合金の用途は大きく変化してしまう。そのため、１０％もの誤差を有する従来の技術を工業上利用することは難しかった。
上記事情に鑑み、本発明は、推定対象の硬さの推定の精度を向上させる技術を提供することを目的としている。
本発明の一態様は、推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、を備える学習装置である。
本発明の一態様は、推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、を備える学習装置、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定部、を備える推定装置である。
本発明の一態様は、推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御ステップ、を有する学習方法である。
本発明の一態様は、推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御ステップ、を有する学習方法、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定ステップ、を有する推定方法である。
本発明の一態様は、上記の学習装置としてコンピュータを機能させるためのプログラムである。
本発明の一態様は、上記の推定装置としてコンピュータを機能させるためのプログラムである。
本発明の一態様は、推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、を備える学習装置、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定部、を備える推定装置、における前記推定部が実行する処理であって、同一の試料から得られた複数の組織画像データと、各前記組織画像データについて試料上のどの位置を撮影した結果であるかを示す画像位置情報と、に基づき、前記画像位置情報が示す前記試料上の位置ごとに、前記学習済み硬さ推定モデルの実行により推定された硬さを示す硬さ分布情報を取得する分布推定処理、の実行により、所望する硬さの分布であると推定された超硬合金である。
本発明によれば、推定対象の硬さの推定の精度を向上させることができる。
（実施形態）
図１は、実施形態の推定システム１００の概要を説明する説明図である。推定システム１００は、学習装置１と、推定装置２と、を備える。学習装置１は、バスで接続されたＣＰＵ（Central Processing Unit）等のプロセッサ９１とメモリ９２とを備える制御部１１を備え、プログラムを実行する。
図１は、実施形態の推定システム１００の概要を説明する説明図である。推定システム１００は、学習装置１と、推定装置２と、を備える。学習装置１は、バスで接続されたＣＰＵ（Central Processing Unit）等のプロセッサ９１とメモリ９２とを備える制御部１１を備え、プログラムを実行する。
制御部１１は、推定対象の物質の組織写真の画像データに基づき推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習（以下「学習処理」という。）を行う。すなわち、制御部１１は、硬さ推定モデルの学習を行う。なお学習は機械学習を意味する。
なお、推定対象の物質は、例えば超硬合金である。推定対象の超硬合金は、例えばＷＣ－Ｃｏ系硬質材料である。ＷＣは炭化タングステンを意味する。推定対象の超硬合金は、例えば硬質相が炭化タングステンであり、結合相がコバルト、ニッケル又は鉄である超硬合金である。
制御部１１は、学習の終了に関する所定の条件（以下「学習終了条件」という。）が満たされるまで学習を行う。学習終了条件が満たされた時点の硬さ推定モデルが推定装置２によって用いられる。学習終了条件が満たされた時点の数理モデルとは、いわゆる、学習済みの数理モデルである。そこで以下、学習終了条件が満たされた時点の硬さ推定モデルを学習済み硬さ推定モデル、という。
学習終了条件は、学習の終了に関する条件であればどのような条件であってもよい。学習終了条件は、例えば、学習による学習対象の更新が所定の回数行われた、という条件である。学習終了条件は、例えば更新による学習対象の変化が所定の変化より小さい、という条件であってもよい。
なお数理モデルの更新とは学習対象の数理モデルが有するパラメータの値を更新することを意味する。
組織写真は、走査電子顕微鏡によって得られた画像であってもよいし、透過電子顕微鏡によって得られた画像であってもよいし、原子間力顕微鏡によって得られた画像であってもよいし、光学顕微鏡によって得られた画像であってもよい。組織写真のピクセル数は、例えば縦に８９６であり横に８９６の８９６×８９６画素数である。
学習処理の実行に際して、制御部１１は、推定対象の物質の組織写真の画像データと、推定対象の物質の硬さを示す情報（以下「硬さ情報」という。）との組を学習データとして取得する。以下、組織写真の画像データを組織画像データという。図１の例におけるデータＤ１１１は組織写真の一例である。図１におけるデータＤ１１０は学習データの一例である。
制御部１１は学習処理において、学習データの含む組織画像データに対する硬さ推定モデルの実行を行う。硬さ推定モデルの実行により推定対象の硬さが推定される。学習処理では、推定された硬さと学習データの含む硬さ情報の示す硬さとの違いを小さくするように、硬さ推定モデルが更新される。
なお、硬さ推定モデルの学習は、例えば、有する全てのハイパーパラメータがユーザによって設定された数理モデルを用いた学習であってもよいし、例えば、ハイパーパラメータの一部が既に学習済みの数理モデルの値であるという条件を満たす数理モデルを用いた学習であってもよい。ハイパーパラメータの一部が既に学習済みの数理モデルの値であるという条件を満たす数理モデルを用いた学習は、例えば転移学習であってもよいし、例えばファインチューニングであってもよい。
制御部１１は、学習終了条件が満たされた場合に、学習終了条件が満たされた時点の硬さ推定モデルを学習済み硬さ推定モデルとして取得する。
推定装置２は、学習装置１の得た学習済み硬さ推定モデルを用いて、自装置に入力された画像データが示す画像に写る物質の硬さを推定する。
図２は、実施形態における学習装置１のハードウェア構成の一例を示す図である。学習装置１は、上述したように、バスで接続されたＣＰＵ等のプロセッサ９１とメモリ９２とを備える制御部１１を備え、プログラムを実行する。学習装置１は、プログラムの実行によって制御部１１、入力部１２、通信部１３、記憶部１４及び出力部１５を備える装置として機能する。
より具体的には、プロセッサ９１が記憶部１４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９２に記憶させる。プロセッサ９１が、メモリ９２に記憶させたプログラムを実行することによって、学習装置１は、制御部１１、入力部１２、通信部１３、記憶部１４及び出力部１５を備える装置として機能する。
制御部１１は、学習装置１が備える各種機能部の動作を制御する。制御部１１は、例えば学習処理を実行する。
入力部１２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部１２は、これらの入力装置を学習装置１に接続するインタフェースとして構成されてもよい。入力部１２は、学習装置１に対する各種情報の入力を受け付ける。入力部１２には、例えばユーザによる学習処理の開始の指示が入力される。入力部１２には、例えば学習データが入力される。
通信部１３は、学習装置１を外部装置に接続するための通信インタフェースを含んで構成される。通信部１３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば学習データの送信元の装置である。通信部１３は、学習データの送信元の装置との通信によって、学習データを取得する。通信部１３は、例えば制御部１１の得た学習済み硬さ推定モデルを推定装置２に送信する。学習済み硬さ推定モデルを推定装置２に送信するとは、学習済み硬さ推定モデルのパラメータ及びハイパーパラメータの値を推定装置２に送信することを意味する。
記憶部１４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置（non-transitory computer-readable recording medium）を用いて構成される。記憶部１４は学習装置１に関する各種情報を記憶する。記憶部１４は、例えば入力部１２又は通信部１３を介して入力された情報を記憶する。記憶部１４は、例えば学習処理で生じた各種情報を記憶する。記憶部１４は、例えば硬さ推定モデルのパラメータの値を記憶する。
出力部１５は、各種情報を出力する。出力部１５は、例えばＣＲＴ（Cathode Ray Tube）ディスプレイや液晶ディスプレイ、有機ＥＬ（Electro-Luminescence）ディスプレイ等の表示装置を含んで構成される。出力部１５は、これらの表示装置を学習装置１に接続するインタフェースとして構成されてもよい。出力部１５は、例えば入力部１２又は通信部１３に入力された情報を出力する。
図３は、実施形態における学習装置１が実行する処理の流れの一例を示すフローチャートである。入力部１２又は通信部１３に学習データが入力され、入力された学習データを制御部１１が取得する（ステップＳ１０１）。次に制御部１１は、ステップＳ１０１で取得された学習データの含む組織画像データに対して硬さ推定モデルを実行する（ステップＳ１０２）。次に制御部１１は、硬さ推定モデルによる推定の結果と、学習データの含む硬さ情報が示す硬さとの違いを小さくするように、所定の規則にしたがって、硬さ推定モデルを更新する（ステップＳ１０３）。
次に制御部１１は、学習終了条件が満たされたか否かを判定する（ステップＳ１０４）。学習終了条件が満たされない場合（ステップＳ１０４：ＮＯ）、ステップＳ１０１の処理に戻る。一方、学習終了条件が満たされた場合（ステップＳ１０４：ＹＥＳ）、処理が終了する。ステップＳ１０２～ステップＳ１０４の処理が学習処理の一例である。
図４は、実施形態における推定装置２のハードウェア構成の一例を示す図である。推定装置２は、バスで接続されたＣＰＵ等のプロセッサ９３とメモリ９４とを備える制御部２１を備え、プログラムを実行する。推定装置２は、プログラムの実行によって制御部２１、入力部２２、通信部２３、記憶部２４及び出力部２５を備える装置として機能する。
より具体的には、プロセッサ９３が記憶部２４に記憶されているプログラムを読み出し、読み出したプログラムをメモリ９４に記憶させる。プロセッサ９３が、メモリ９４に記憶させたプログラムを実行することによって、推定装置２は、制御部２１、入力部２２、通信部２３、記憶部２４及び出力部２５を備える装置として機能する。
制御部２１は、推定装置２が備える各種機能部の動作を制御する。制御部２１は、例えば学習済み硬さ推定モデルを実行する。
入力部２２は、マウスやキーボード、タッチパネル等の入力装置を含んで構成される。入力部２２は、これらの入力装置を推定装置２に接続するインタフェースとして構成されてもよい。入力部２２は、推定装置２に対する各種情報の入力を受け付ける。入力部２２には、例えばユーザによる学習済み硬さ推定モデルの開始の指示が入力される。入力部２２には、例えば学習済み硬さ推定モデルの実行対象の画像データが入力される。
通信部２３は、推定装置２を外部装置に接続するための通信インタフェースを含んで構成される。通信部２３は、有線又は無線を介して外部装置と通信する。外部装置は、例えば学習済み硬さ推定モデルの実行対象の画像データの送信元の装置である。通信部２３は、学習済み硬さ推定モデルの実行対象の画像データの送信元との通信によって、学習済み硬さ推定モデルの実行対象の画像データを取得する。外部装置は、例えば学習装置１である。通信部２３は、学習装置１との通信によって、学習済み硬さ推定モデルを取得する。
記憶部２４は、磁気ハードディスク装置や半導体記憶装置などのコンピュータ読み出し可能な記憶媒体装置（non-transitory computer-readable recording medium）を用いて構成される。記憶部２４は推定装置２に関する各種情報を記憶する。記憶部２４は、例えば入力部２２又は通信部２３を介して入力された情報を記憶する。記憶部２４は、例えば学習済み硬さ推定モデルの実行により生じた各種情報を記憶する。
出力部２５は、各種情報を出力する。出力部２５は、例えばＣＲＴディスプレイや液晶ディスプレイ、有機ＥＬディスプレイ等の表示装置を含んで構成される。出力部２５は、これらの表示装置を推定装置２に接続するインタフェースとして構成されてもよい。出力部２５は、例えば入力部２２又は通信部２３に入力された情報を出力する。
図５は、実施形態における推定装置２が実行する処理の流れの一例を示すフローチャートである。入力部２２又は通信部２３に学習済み硬さ推定モデルの実行対象の画像データが入力され、入力された画像データを制御部２１が取得する（ステップＳ２０１）。次に制御部２１は、ステップＳ２０１で取得された画像データに対して学習済み硬さ推定モデルを実行する（ステップＳ２０２）。ステップＳ２０２の実行により、ステップＳ２０１で得られた画像データが示す画像に写る物質の硬さが推定される。次に制御部２１は、出力部２５の動作を制御して、出力部２５にステップＳ２０２で推定された硬さ、を示す情報を出力させる（ステップＳ２０３）。
このように、制御部２１は、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する。
＜実験結果＞
図６は、実施形態における推定装置２を用いた実験結果の一例を示す図である。実験は、複数の試料に対して行われた。試料は超硬合金であった。実験において学習済み硬さ推定モデルの実行対象の画像データは走査電子顕微鏡によって得られた画像（すなわちＳＥＭ画像）の画像データであった。なお、実験に用いられた学習済み硬さ推定モデルを得るための硬さ推定モデルの学習段階において、学習データの含む画像データはＳＥＭ画像の画像データであり、試料は超硬合金であった。また、ＳＥＭ画像のピクセル数は、縦に８９６であり横に８９６の８９６×８９６画素数であった。
図６は、実施形態における推定装置２を用いた実験結果の一例を示す図である。実験は、複数の試料に対して行われた。試料は超硬合金であった。実験において学習済み硬さ推定モデルの実行対象の画像データは走査電子顕微鏡によって得られた画像（すなわちＳＥＭ画像）の画像データであった。なお、実験に用いられた学習済み硬さ推定モデルを得るための硬さ推定モデルの学習段階において、学習データの含む画像データはＳＥＭ画像の画像データであり、試料は超硬合金であった。また、ＳＥＭ画像のピクセル数は、縦に８９６であり横に８９６の８９６×８９６画素数であった。
実験では、試料ごとに、ＨＲＡの実測が行われた。また実験では、試料ごとに、推定装置２によるＨＲＡの推定が行われた。したがって実験では、試料ごとにＨＲＡの実測値とＨＲＡの推定値とが得られた。推定値は推定装置２によって推定された値である。
図６の横軸は実測されたＨＲＡを示す。図６の縦軸は推定装置２によって推定されたＨＲＡを示す。図６は、試料ごとに、ＨＲＡの実測値とＨＲＡの推定値との対応関係を、エラーバーとともに示す。図６において直線Ｄ２１０は、ＨＲＡの実測値とＨＲＡの推定値とが同一である試料のデータがプロットされる位置を示すグラフである。したがって、直線Ｄ２１０との違いが小さい実験結果ほど、推定装置２による推定の精度が高い結果である。
ところで、非特許文献２に記載の技術等の従来の技術では、硬さの推定の精度は１０％の誤差を含むものであった。一方、推定装置２の推定の結果は、図６が示すように数パーセント以内の誤差である。したがって、推定装置２による推定は、従来の技術と比較して高い推定の精度を有することを図６は示す。
なお、実は、超硬合金の硬さは、数パーセントの違いで用途が大きく異なる。そのため、従来技術の場合には推定結果から超硬合金の用途を判定することは難しかった。一方、推定装置２を用いる場合、用途の決定の困難性が下がる。
このように構成された学習装置１は、組織写真の画像データに基づいて硬さを推定する数理モデルの学習を行う。学習済みの数理モデルは、図６の結果が示すように、従来の技術の推定精度の限界であった１０％の精度を超える数パーセント以内の誤差で、硬さを推定可能である。そのため、学習装置１は、推定対象の硬さの推定の精度を向上させることができる。
また、このように構成された推定装置２は、学習装置１の得た学習済み硬さ推定モデルを用いて、推定対象の硬さの推定を行う。学習装置１の得た学習済み硬さ推定モデルの推定の精度は、図６の結果が示すように、従来の技術の推定精度の限界であった１０％の精度を超える数パーセント以内の誤差で、硬さを推定可能である。そのため、推定装置２は、推定対象の硬さの推定の精度を向上させることができる。
また、このように構成された推定システム１００は学習装置１と推定装置２とを備える。そのため、推定システム１００は、推定対象の硬さの推定の精度を向上させることができる。
（適用例）
推定装置２は、例えば、検査対象の試料の硬さを検査する検査装置として用いられてもよい。
推定装置２は、例えば、検査対象の試料の硬さを検査する検査装置として用いられてもよい。
（変形例）
なお、制御部２１は、分布推定処理を実行してもよい。分布推定処理は、同一の試料から得られた複数の組織画像データと、各組織画像データについて試料上のどの位置を撮影した結果であるかを示す情報（以下「画像位置情報」という。）と、が入力された場合、に実行される。分布推定処理では、入力された複数の組織画像データそれぞれに対して、学習済み硬さ推定モデルが実行される。分布推定処理では、画像位置情報と、学習済み硬さ推定モデルの実行により得られた各組織画像データに対する推定結果とに基づき、硬さ分布情報が取得される。
なお、制御部２１は、分布推定処理を実行してもよい。分布推定処理は、同一の試料から得られた複数の組織画像データと、各組織画像データについて試料上のどの位置を撮影した結果であるかを示す情報（以下「画像位置情報」という。）と、が入力された場合、に実行される。分布推定処理では、入力された複数の組織画像データそれぞれに対して、学習済み硬さ推定モデルが実行される。分布推定処理では、画像位置情報と、学習済み硬さ推定モデルの実行により得られた各組織画像データに対する推定結果とに基づき、硬さ分布情報が取得される。
硬さ分布情報は、画像位置情報が示す試料上の位置ごとに、学習済み硬さ推定モデルの実行により推定された硬さを示す情報である。このように分布推定処理は、同一の試料から得られた複数の組織画像データと、画像位置情報と、に基づき、画像位置情報が示す試料上の位置ごとに、学習済み硬さ推定モデルの実行により推定された硬さを示す情報である硬さ分布情報を取得する処理、である。
なお、ユーザは、分布推定処理の実行により所望する硬さの分布であると推定装置２によって推定された超硬合金を、推定装置２による推定のために生成した際の生成方法によって、さらに生成してもよい。
なお、学習装置１及び推定装置２のそれぞれは、ネットワークを介して通信可能に接続された複数台の情報処理装置を用いて実装されてもよい。この場合、制御部１１及び制御部２１が備える各機能部は、複数の情報処理装置に分散して実装されてもよい。
なお、学習装置１及び推定装置２の各機能の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）やＦＰＧＡ（Field Programmable Gate Array）等のハードウェアを用いて実現されてもよい。プログラムは、コンピュータ読み取り可能な記録媒体に記録されてもよい。コンピュータ読み取り可能な記録媒体とは、例えばフレキシブルディスク、光磁気ディスク、ＲＯＭ、ＣＤ－ＲＯＭ等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置である。プログラムは、電気通信回線を介して送信されてもよい。
なお制御部２１は推定部の一例である。
その他、本発明の趣旨に逸脱しない範囲で、前記実施形態における構成要素を周知の構成要素に置き換えることは適宜可能であり、また、前記した変形例を適宜組み合わせてもよい。
（付記１）
推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、
を備える学習装置。
推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、
を備える学習装置。
（付記２）
前記物質は、超硬合金である、
付記１に記載の学習装置。
前記物質は、超硬合金である、
付記１に記載の学習装置。
（付記３）
前記超硬合金は、硬質相が炭化タングステンであり、結合相がコバルト、ニッケル又は鉄である、
付記２に記載の学習装置。
前記超硬合金は、硬質相が炭化タングステンであり、結合相がコバルト、ニッケル又は鉄である、
付記２に記載の学習装置。
（付記４）
前記組織写真は、走査電子顕微鏡によって得られた画像である、
付記１～３のいずれか一項に記載の学習装置。
前記組織写真は、走査電子顕微鏡によって得られた画像である、
付記１～３のいずれか一項に記載の学習装置。
（付記５）
推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、を備える学習装置、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定部、
を備える推定装置。
推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、を備える学習装置、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定部、
を備える推定装置。
（付記６）
前記推定部は、同一の試料から得られた複数の組織画像データと、各前記組織画像データについて試料上のどの位置を撮影した結果であるかを示す画像位置情報と、に基づき、前記画像位置情報が示す前記試料上の位置ごとに、前記学習済み硬さ推定モデルの実行により推定された硬さを示す硬さ分布情報を取得する、
付記５に記載の推定装置。
前記推定部は、同一の試料から得られた複数の組織画像データと、各前記組織画像データについて試料上のどの位置を撮影した結果であるかを示す画像位置情報と、に基づき、前記画像位置情報が示す前記試料上の位置ごとに、前記学習済み硬さ推定モデルの実行により推定された硬さを示す硬さ分布情報を取得する、
付記５に記載の推定装置。
（付記７）
推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御ステップ、
を有する学習方法。
推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御ステップ、
を有する学習方法。
（付記８）
推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御ステップ、を有する学習方法、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定ステップ、
を有する推定方法。
推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御ステップ、を有する学習方法、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定ステップ、
を有する推定方法。
（付記９）
付記１～４のいずれか一項に記載の学習装置としてコンピュータを機能させるためのプログラム。
付記１～４のいずれか一項に記載の学習装置としてコンピュータを機能させるためのプログラム。
（付記１０）
付記５又は６に記載の推定装置としてコンピュータを機能させるためのプログラム。
付記５又は６に記載の推定装置としてコンピュータを機能させるためのプログラム。
（付記１１）
推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、を備える学習装置、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定部、を備える推定装置、における前記推定部が実行する処理であって、同一の試料から得られた複数の組織画像データと、各前記組織画像データについて試料上のどの位置を撮影した結果であるかを示す画像位置情報と、に基づき、前記画像位置情報が示す前記試料上の位置ごとに、前記学習済み硬さ推定モデルの実行により推定された硬さを示す硬さ分布情報を取得する分布推定処理、の実行により、所望する硬さの分布であると推定された超硬合金。
推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、を備える学習装置、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定部、を備える推定装置、における前記推定部が実行する処理であって、同一の試料から得られた複数の組織画像データと、各前記組織画像データについて試料上のどの位置を撮影した結果であるかを示す画像位置情報と、に基づき、前記画像位置情報が示す前記試料上の位置ごとに、前記学習済み硬さ推定モデルの実行により推定された硬さを示す硬さ分布情報を取得する分布推定処理、の実行により、所望する硬さの分布であると推定された超硬合金。
１００…推定システム、 １…学習装置、 ２…推定装置、 １１…制御部、 １２…入力部、 １３…通信部、 １４…記憶部、 １５…出力部、 ２１…制御部、 ２２…入力部、 ２３…通信部、 ２４…記憶部、 ２５…出力部、 ９１…プロセッサ、 ９２…メモリ、 ９３…プロセッサ、 ９４…メモリ
Claims (11)
- 推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、
を備える学習装置。 - 前記物質は、超硬合金である、
請求項１に記載の学習装置。 - 前記超硬合金は、硬質相が炭化タングステンであり、結合相がコバルト、ニッケル又は鉄である、
請求項２に記載の学習装置。 - 前記組織写真は、走査電子顕微鏡によって得られた画像である、
請求項１～３のいずれか一項に記載の学習装置。 - 推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、を備える学習装置、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定部、
を備える推定装置。 - 前記推定部は、同一の試料から得られた複数の組織画像データと、各前記組織画像データについて試料上のどの位置を撮影した結果であるかを示す画像位置情報と、に基づき、前記画像位置情報が示す前記試料上の位置ごとに、前記学習済み硬さ推定モデルの実行により推定された硬さを示す硬さ分布情報を取得する、
請求項５に記載の推定装置。 - 推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御ステップ、
を有する学習方法。 - 推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御ステップ、を有する学習方法、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定ステップ、
を有する推定方法。 - 請求項１～３のいずれか一項に記載の学習装置としてコンピュータを機能させるためのプログラム。
- 請求項５又は６に記載の推定装置としてコンピュータを機能させるためのプログラム。
- 推定対象の物質の組織写真の画像データに基づき、前記推定対象の硬さを推定する数理モデルである硬さ推定モデルを学習対象とする学習を行う制御部、を備える学習装置、によって得られた学習済みの硬さ推定モデルである学習済み硬さ推定モデルを用いて、学習済み硬さ推定モデルの実行対象の画像データとして得た画像データ、が示す画像に写る物質の硬さを推定する推定部、を備える推定装置、における前記推定部が実行する処理であって、同一の試料から得られた複数の組織画像データと、各前記組織画像データについて試料上のどの位置を撮影した結果であるかを示す画像位置情報と、に基づき、前記画像位置情報が示す前記試料上の位置ごとに、前記学習済み硬さ推定モデルの実行により推定された硬さを示す硬さ分布情報を取得する分布推定処理、の実行により、所望する硬さの分布であると推定された超硬合金。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023057952A JP2024145552A (ja) | 2023-03-31 | 2023-03-31 | 学習装置、推定装置、学習方法、推定方法、プログラム及び超硬合金 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2023057952A JP2024145552A (ja) | 2023-03-31 | 2023-03-31 | 学習装置、推定装置、学習方法、推定方法、プログラム及び超硬合金 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JP2024145552A true JP2024145552A (ja) | 2024-10-15 |
Family
ID=93057314
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2023057952A Pending JP2024145552A (ja) | 2023-03-31 | 2023-03-31 | 学習装置、推定装置、学習方法、推定方法、プログラム及び超硬合金 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP2024145552A (ja) |
-
2023
- 2023-03-31 JP JP2023057952A patent/JP2024145552A/ja active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| TWI719398B (zh) | 探索裝置、探索方法及電漿處理裝置 | |
| US11488054B2 (en) | Systems and methods for distributed on-device learning with data-correlated availability | |
| JP5268496B2 (ja) | 流動解析方法、流動解析装置、及び流動解析プログラム | |
| Ghanem et al. | The adaptive shift method in full configuration interaction quantum Monte Carlo: Development and applications | |
| CN108496189A (zh) | 机器学习模型的正则化 | |
| US12106223B2 (en) | Data valuation using reinforcement learning | |
| CN112189211B (zh) | 材料描述符生成方法、生成装置及生成程序、预测模型构建方法、构建装置及构建程序 | |
| CN108320026B (zh) | 机器学习模型训练方法和装置 | |
| CN111077768A (zh) | 优化装置及优化装置的控制方法 | |
| JP2018528511A (ja) | 生産システムにおける出力効率の最適化 | |
| JP2024145552A (ja) | 学習装置、推定装置、学習方法、推定方法、プログラム及び超硬合金 | |
| Chu et al. | All-electron GW quasiparticle band structures of group 14 nitride compounds | |
| Christensen et al. | Interatomic potential parameterization using particle swarm optimization: Case study of glassy silica | |
| JP2017120638A (ja) | 結果予測装置及び結果予測方法 | |
| JP2017084081A (ja) | 磁性体シミュレーション装置、マイクロ磁化算出方法及びプログラム | |
| JP6919856B2 (ja) | 強化学習プログラム、強化学習方法、および強化学習装置 | |
| CN101414353A (zh) | 信息处理装置、信息处理方法以及程序 | |
| JP2020144713A (ja) | 方策改善方法、方策改善プログラム、および方策改善装置 | |
| JP2023179169A (ja) | サーバ装置 | |
| JP7374829B2 (ja) | ニューラルネット解析装置、ニューラルネット解析方法及びプログラム | |
| Dobbin et al. | Sample size requirements for training high-dimensional risk predictors | |
| WO2022212313A1 (en) | Ml-based discrepancy surrogate for digital twin simulation | |
| WO2020217620A1 (ja) | 訓練装置、推定装置、訓練方法、推定方法及びプログラム | |
| JP7579579B2 (ja) | 組合せ最適化問題処理装置、組合せ最適化問題処理方法及びプログラム | |
| CN111768220A (zh) | 生成车辆定价模型的方法和装置 |