JP6766374B2 - 分類装置、分類方法、プログラム、及びパラメータ生成装置 - Google Patents
分類装置、分類方法、プログラム、及びパラメータ生成装置 Download PDFInfo
- Publication number
- JP6766374B2 JP6766374B2 JP2016035641A JP2016035641A JP6766374B2 JP 6766374 B2 JP6766374 B2 JP 6766374B2 JP 2016035641 A JP2016035641 A JP 2016035641A JP 2016035641 A JP2016035641 A JP 2016035641A JP 6766374 B2 JP6766374 B2 JP 6766374B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- teacher
- negative
- matrix
- evaluation
- 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.)
- Active
Links
Images
Landscapes
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Investigating Or Analyzing Materials By The Use Of Ultrasonic Waves (AREA)
Description
<1−1.第一の実施形態の構成例>
まず、図1を参照して、本発明の第一の実施形態に係る情報処理装置の構成例を説明する。
Matrix Factorization、以下、NMFとも呼ぶ)は、1の非負行列Yを2つの非負行列W、Hの積(例えばWH)に分解するアルゴリズムである。2つの非負行列W、Hを解析的に求めることは困難であるため、初期値を与えてYとWHの誤差が局所最適解になるよう、反復的に近似解を求める手法が提案されている(例えば非特許文献1、2等)。なお、一般に、局所最適解は初期値に依存して変化する。
以上、本発明の第一の実施形態に係る情報処理装置1の構成例について説明した。続いて、本実施形態の動作例について、分類モデルパラメータを生成する学習フェーズと、分類モデルパラメータを用いて分類する分類フェーズに分け、それぞれ図5,6を参照して説明する。なお、学習フェーズと、分類フェーズの動作の切り替えは、例えば図1を参照して説明した操作部112に対するユーザの入力により行われてもよい。
図5は、学習フェーズにおける本実施形態の動作例を示すフローチャート図である。図5に示すように、まず、データ取得部102が、時系列データを取得し(S102)、区間特定部104が取得された時系列データのうち、分類モデルパラメータ生成処理の処理対象となる対象区間を特定する(S104)。
図6は、分類フェーズにおける本実施形態の動作例を示すフローチャート図である。まず、データ取得部102が、時系列データを取得し(S202)、区間特定部104が取得された時系列データのうち、分類処理の処理対象となる対象区間を特定する(S204)。
以上、本発明の第一の実施形態について説明した。本実施形態によれば、基底行列に対する重みを示す係数ベクトルを特徴ベクトルとして用いて分類することで、分類精度を向上させることが可能である。
続いて、以下では、第二の実施形態として、前処理部がノイズ除去を行う例について説明する。
本発明の第二の実施形態に係る情報処理装置は、図1を参照して説明した第一の実施形態に係る情報処理装置1と一部において同様の構成を有するため、適宜省略しながら説明を行う。以下では、図7を参照して、第二の実施形態に係る情報処理装置の構成例について説明する。
以上、本発明の第二の実施形態に係る情報処理装置2の構成例を説明した。続いて、本実施形態の動作例について、第一の実施形態の動作例の説明と同様に、学習フェーズと分類フェーズに分けて、それぞれ図12,13を参照して説明する。
図12は、学習フェーズにおける本実施形態の動作例を示すフローチャート図である。図12に示すように、まず、データ取得部102が、時系列データを取得し(S302)、区間特定部204が取得された時系列データのうち、分類モデルパラメータ生成処理の処理対象となる対象区間、及びノイズ成分のみが含まれるノイズ区間を特定する(S304)。
図13は、分類フェーズにおける本実施形態の動作例を示すフローチャート図である。まず、データ取得部102が、時系列データを取得し(S402)、区間特定部204が取得された時系列データのうち、分類処理の処理対象となる対象区間、及びノイズ成分のみが含まれるノイズ区間を特定する(S404)。
以上、本発明の第二の実施形態について説明した。本実施形態によれば、ノイズ成分が除去されたデータに基づいて学習、及び分類を行うことで、分類精度をより向上させることが可能である。
続いて、以下では、第三の実施形態として、クラス分離度の高い係数行列が得られるように限定した範囲のデータに部分的にNMFを適用する例について説明する。
まず、図14、15を参照して、本実施形態の概要について説明する。なお、以下では、時系列データから、フーリエ変換により得られるパワースペクトル、スペクトログラムや、ウェーブレット変換によって得られるスカログラム等、時間、周波数、及び振幅の関係を表したデータを総称して時間・周波数・振幅データと呼ぶ。時間・周波数・振幅データは、例えば、周波数領域、及び時間領域における振幅の値を示すデータとして表現されてもよい。
本発明の第三の実施形態に係る情報処理装置は、図1を参照して説明した第一の実施形態に係る情報処理装置1と一部において同様の構成を有するため、適宜省略しながら説明を行う。以下では、図16を参照して、第三の実施形態に係る情報処理装置の構成例について説明する。
以上、本発明の第三の実施形態に係る情報処理装置3の構成例を説明した。続いて、本実施形態の動作例について、第一の実施形態、及び第二の実施形態の動作例の説明と同様に、学習フェーズと分類フェーズに分けて、それぞれ図18,19を参照して説明する。
図18は、学習フェーズにおける本実施形態の動作例を示すフローチャート図である。図18に示すように、まず、データ取得部102が、時系列データを取得し(S502)、区間特定部104が取得された時系列データのうち、分類モデルパラメータ生成処理の処理対象となる対象区間を特定する(S504)。続いて、前処理部306の対応付け部310が、特定された対象区間と、操作部112を介してユーザにより入力される正解ラベルとを、対応付ける(S506)。なお、ステップS506で対象区間と対応付けられた正解ラベルは、後述するステップS518で取得される教師データに含まれる、当該対象区間と対応する教師観測ベクトルとも、対応付けられてよい。
図19は、分類フェーズにおける本実施形態の動作例を示すフローチャート図である。まず、データ取得部102が、時系列データを取得し(S602)、区間特定部204が取得された時系列データのうち、分類処理の処理対象となる対象区間を特定する(S604)。
以上、本発明の第三の実施形態について説明した。本実施形態によれば、分類に利用される時間領域・周波数領域の範囲を限定することで、処理量を抑制することが可能となる。また、分離度の高い領域から教師データ、及び評価データを取得することにより、分類に有効な基底が選択されやすくなり、分類精度がより向上する。
なお、第三の実施形態に係る前処理部306は、第二の実施形態で説明したノイズ除去機能(ノイズ除去部230としての機能)を有してもよい。
以上、本発明の各実施形態と各変形例を説明した。上述した区間特定処理、前処理、教師データ処理、パラメータ生成処理、特徴抽出処理、分類処理などの情報処理は、ソフトウェアと、情報処理装置1〜3のハードウェアとの協働により実現される。以下では、本発明の実施形態に係る情報処理装置である情報処理装置1〜3のハードウェア構成例として、情報処理装置1000のハードウェア構成例について説明する。
以上説明したように、本発明の実施形態によれば、分類精度を向上させることが可能である。
102 データ取得部
104 区間特定部
106 前処理部
108 変換部
110 対応付け部
112 操作部
114 教師データ処理部
116 パラメータ生成部
118 記憶部
120 特徴抽出部
122 分類部
124 出力部
230 ノイズ除去部
312 データ分割部
313 分離度評価部
Claims (15)
- 時系列データのうち処理対象となる対象区間を前記時系列データにおける振幅の大きさに基づいて特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得する前処理部と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータを記憶する記憶部と、
前記教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する特徴抽出部と、
前記評価係数行列を前記分類モデルパラメータに基づいて分類する分類部と、
を備える分類装置。 - 時系列データのうち処理対象となる対象区間を特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得するとともに、前記時系列データのうち前記対象区間以外の区間に含まれるノイズデータに基づいて、ノイズ除去処理を行う前処理部と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータを記憶する記憶部と、
前記教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する特徴抽出部と、
前記評価係数行列を前記分類モデルパラメータに基づいて分類する分類部と、
を備える分類装置。 - 前記前処理部は、少なくとも前記対象区間の値が0である窓関数を前記時系列データにかけることで前記ノイズデータを取得する、請求項2に記載の分類装置。
- 前記前処理部は、周波数領域において、前記ノイズ除去処理を行う、請求項2または3に記載の分類装置。
- 前記前処理部による前記ノイズ除去処理は、前記時系列データのうち前記対象区間のデータに基づいて得られるスペクトルから、前記ノイズデータに基づいて得られるスペクトルを差し引くことを含む、請求項4に記載の分類装置。
- 時系列データのうち処理対象となる対象区間を特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得する前処理部と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータを記憶する記憶部と、
前記教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する特徴抽出部と、
前記評価係数行列を前記分類モデルパラメータに基づいて分類する分類部と、
を備え、
前記時系列データは、測定対象物に対する打音の収音に基づいて得られたデータであり、前記対象区間は、前記打音が行われた時刻を含む、
分類装置。 - 時系列データのうち処理対象となる対象区間を前記時系列データにおける振幅の大きさに基づいて特定することと、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得することと、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師係数行列に基づいて、前記評価データから評価係数行列を生成することと、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師基底行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類することと、
を含む、分類装置が実行する分類方法。 - 時系列データのうち処理対象となる対象区間を特定することと、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得するとともに、前記時系列データのうち前記対象区間以外の区間に含まれるノイズデータに基づいて、ノイズ除去処理を行うことと、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成することと、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類することと、
を含む、分類装置が実行する分類方法。 - 時系列データのうち処理対象となる対象区間を特定することと、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得することと、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成することと、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類することと、
を含み、
前記時系列データは、測定対象物に対する打音の収音に基づいて得られたデータであり、前記対象区間は、前記打音が行われた時刻を含む、
分類装置が実行する分類方法。 - コンピュータに、
時系列データのうち処理対象となる対象区間を前記時系列データにおける振幅の大きさに基づいて特定する機能と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得する機能と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する機能と、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類する機能と、
を実現させるための、プログラム。 - コンピュータに、
時系列データのうち処理対象となる対象区間を特定する機能と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得するとともに、前記時系列データのうち前記対象区間以外の区間に含まれるノイズデータに基づいて、ノイズ除去処理を行う機能と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する機能と、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類する機能と、
を実現させるための、プログラム。 - コンピュータに、
時系列データのうち処理対象となる対象区間を特定する機能と、
前記時系列データと前記対象区間に基づいて、非負の評価データを取得する機能と、
所定の非負の教師データに対して非負値行列因子分解を行うことで生成された教師基底行列に基づいて、前記評価データから評価係数行列を生成する機能と、
前記評価係数行列を、前記教師データに対して非負値行列因子分解を行うことで生成された教師係数行列、及び前記教師データに対応付けられた正解ラベル、に基づいて生成された分類モデルパラメータに基づいて分類する機能と、
を実現させるための、プログラムであって、
前記時系列データは、測定対象物に対する打音の収音に基づいて得られたデータであり、前記対象区間は、前記打音が行われた時刻を含む、プログラム。 - 時系列データのうち処理対象となる対象区間を前記時系列データにおける振幅の大きさに基づいて特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の教師データを取得する前処理部と、
前記教師データに対して非負値行列因子分解を行うことで、教師係数行列を生成する教師データ処理部と、
前記教師係数行列と、前記教師データに対応付けられた正解ラベルに基づいて、データを分類するための分類モデルパラメータを生成するパラメータ生成部と、
を備える、パラメータ生成装置。 - 時系列データのうち処理対象となる対象区間を特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の教師データを取得するとともに、前記時系列データのうち前記対象区間以外の区間に含まれるノイズデータに基づいて、ノイズ除去処理を行う前処理部と、
前記教師データに対して非負値行列因子分解を行うことで、教師係数行列を生成する教師データ処理部と、
前記教師係数行列と、前記教師データに対応付けられた正解ラベルに基づいて、データを分類するための分類モデルパラメータを生成するパラメータ生成部と、
を備える、パラメータ生成装置。 - 時系列データのうち処理対象となる対象区間を特定する区間特定部と、
前記時系列データと前記対象区間に基づいて、非負の教師データを取得する前処理部と、
前記教師データに対して非負値行列因子分解を行うことで、教師係数行列を生成する教師データ処理部と、
前記教師係数行列と、前記教師データに対応付けられた正解ラベルに基づいて、データを分類するための分類モデルパラメータを生成するパラメータ生成部と、
を備え、
前記時系列データは、測定対象物に対する打音の収音に基づいて得られたデータであり、前記対象区間は、前記打音が行われた時刻を含む、
パラメータ生成装置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016035641A JP6766374B2 (ja) | 2016-02-26 | 2016-02-26 | 分類装置、分類方法、プログラム、及びパラメータ生成装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2016035641A JP6766374B2 (ja) | 2016-02-26 | 2016-02-26 | 分類装置、分類方法、プログラム、及びパラメータ生成装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2017151872A JP2017151872A (ja) | 2017-08-31 |
JP6766374B2 true JP6766374B2 (ja) | 2020-10-14 |
Family
ID=59739880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2016035641A Active JP6766374B2 (ja) | 2016-02-26 | 2016-02-26 | 分類装置、分類方法、プログラム、及びパラメータ生成装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP6766374B2 (ja) |
Families Citing this family (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6506817B1 (ja) * | 2017-11-13 | 2019-04-24 | 東急建設株式会社 | 構造物の点検方法 |
JP7013965B2 (ja) * | 2018-03-15 | 2022-02-01 | 沖電気工業株式会社 | 情報処理装置、情報処理方法、及びプログラム |
JP6892634B2 (ja) * | 2018-03-15 | 2021-06-23 | オムロン株式会社 | 情報処理装置、情報処理方法、およびプログラム |
JP7000991B2 (ja) * | 2018-05-23 | 2022-01-19 | 株式会社リコー | 状態識別装置、状態識別方法および状態識別プログラム |
JP6957762B2 (ja) * | 2018-08-29 | 2021-11-02 | 株式会社東芝 | 異常診断システム、方法及びプログラム |
GB2577920A (en) | 2018-10-10 | 2020-04-15 | Guided Ultrasonics Ltd | Determining thickness of an elongate or extended structure |
CN109870697A (zh) * | 2018-12-27 | 2019-06-11 | 东莞理工学院 | 一种基于超声波声学的物体检测和分类方法 |
JP7263770B2 (ja) * | 2018-12-27 | 2023-04-25 | 沖電気工業株式会社 | 分類装置、分類システム、分類方法及びプログラム |
JP7188143B2 (ja) * | 2019-01-31 | 2022-12-13 | 株式会社明電舎 | 異常予兆検出システム、異常予兆検出方法 |
KR102455758B1 (ko) * | 2020-01-30 | 2022-10-17 | 가부시키가이샤 스크린 홀딩스 | 데이터 처리 방법, 데이터 처리 장치 및 기억 매체 |
JP7467979B2 (ja) | 2020-02-26 | 2024-04-16 | 沖電気工業株式会社 | 分類システム、情報処理装置、分類方法およびプログラム |
CN111428078B (zh) * | 2020-03-20 | 2023-05-23 | 腾讯科技(深圳)有限公司 | 音频指纹编码方法、装置、计算机设备及存储介质 |
JP7403826B2 (ja) | 2020-06-23 | 2023-12-25 | 株式会社テイエルブイ | 肉厚測定システム、肉厚測定方法、肉厚測定プログラム及び肉厚測定装置 |
JP7191148B2 (ja) * | 2021-03-18 | 2022-12-16 | 三菱電機株式会社 | 内燃機関制御装置 |
CN114780719A (zh) * | 2022-03-28 | 2022-07-22 | 京东城市(北京)数字科技有限公司 | 文本分类模型的训练方法、文本分类方法及装置 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5458815B2 (ja) * | 2009-11-11 | 2014-04-02 | 株式会社デンソーアイティーラボラトリ | マルチメディア検索システム |
JP6299140B2 (ja) * | 2013-10-17 | 2018-03-28 | ヤマハ株式会社 | 音響処理装置および音響処理方法 |
US9477895B2 (en) * | 2014-03-31 | 2016-10-25 | Mitsubishi Electric Research Laboratories, Inc. | Method and system for detecting events in an acoustic signal subject to cyclo-stationary noise |
-
2016
- 2016-02-26 JP JP2016035641A patent/JP6766374B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2017151872A (ja) | 2017-08-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6766374B2 (ja) | 分類装置、分類方法、プログラム、及びパラメータ生成装置 | |
Javier et al. | Application of linear predictive coding for human activity classification based on micro-Doppler signatures | |
Mushrif et al. | Texture classification using a novel, soft-set theory based classification algorithm | |
JP2020126021A (ja) | 異常音検知装置および異常音検知方法 | |
JP5458815B2 (ja) | マルチメディア検索システム | |
JP4606800B2 (ja) | 非定常信号の成分を検出するシステム、および非定常信号の成分を検出するシステムに用いられる方法 | |
JP6334895B2 (ja) | 信号処理装置及びその制御方法、プログラム | |
JP5051746B2 (ja) | 特徴抽出装置及び方法並びにプログラム | |
CN110414306B (zh) | 一种基于meanshift算法和SVM的婴儿异常行为检测方法 | |
CN115471781A (zh) | 智能垃圾分类系统及其分类方法 | |
US9058748B2 (en) | Classifying training method and apparatus using training samples selected at random and categories | |
JP2020042519A (ja) | 異常検知装置、異常検知方法、及び異常検知プログラム | |
JP2018206252A (ja) | 画像処理システム、評価モデル構築方法、画像処理方法及びプログラム | |
JP6747447B2 (ja) | 信号検知装置、信号検知方法、および信号検知プログラム | |
JP2002300538A5 (ja) | 係数データの生成装置および生成方法、それを使用した情報信号の処理装置および処理方法、並びに情報提供媒体 | |
Khorsandi et al. | Ear recognition via sparse representation and Gabor filters | |
WO2019159318A1 (en) | Information processing apparatus, method, and program | |
CN111693279B (zh) | 基于mpga参数化共振稀疏分解的机械故障诊断方法 | |
JP7263770B2 (ja) | 分類装置、分類システム、分類方法及びプログラム | |
CN107894837A (zh) | 动态情感分析模型样本处理方法及装置 | |
KR101110535B1 (ko) | 복수 개의 냄새 인식 방법 | |
US20100217572A1 (en) | Method and device for automatic pattern recognition | |
JP5353482B2 (ja) | パターン認識用辞書生成装置、パターン認識装置、及びパターン認識用辞書生成方法 | |
JP5351835B2 (ja) | 音信号区間抽出装置及び音信号区間抽出方法 | |
Shahnaz et al. | Emotion recognition based on EMD-Wavelet analysis of speech signals |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20181115 |
|
RD03 | Notification of appointment of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7423 Effective date: 20190327 |
|
RD04 | Notification of resignation of power of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7424 Effective date: 20190328 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20191016 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20191023 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20191217 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20200428 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20200716 |
|
C60 | Trial request (containing other claim documents, opposition documents) |
Free format text: JAPANESE INTERMEDIATE CODE: C60 Effective date: 20200716 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20200722 |
|
C21 | Notice of transfer of a case for reconsideration by examiners before appeal proceedings |
Free format text: JAPANESE INTERMEDIATE CODE: C21 Effective date: 20200728 |
|
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: 20200818 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20200831 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6766374 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |