JP6800351B2

JP6800351B2 - 電極シートのバリを検出するための方法および装置

Info

Publication number: JP6800351B2
Application number: JP2019563623A
Authority: JP
Inventors: ▲亞▼▲偉▼ 文; 家冰冷; 明浩 ▲劉▼; 江▲亮▼ 郭; 旭李
Original assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Current assignee: Beijing Baidu Netcom Science and Technology Co Ltd
Priority date: 2018-08-10
Filing date: 2019-04-26
Publication date: 2020-12-16
Anticipated expiration: 2039-04-26
Also published as: US20200082199A1; KR20200018411A; WO2020029608A1; KR102322773B1; US11461995B2; CN109086780A; JP2020533657A; CN109086780B

Description

関連出願の相互参照
この特許出願は、２０１８年８月１０日に出願された、出願番号が２０１８１０９１２６４８．４、出願人がベイジンバイドゥネットコムサイエンステクノロジーカンパニーリミテッド、発明の名称が「電極シートのバリを検出するための方法および装置」である中国特許出願の優先権を主張し、その全内容は引用により本出願に組み込まれている。

本出願の実施形態は、コンピュータ技術の分野に関し、特に、電極シートのバリを検出するための方法および装置に関する。

バッテリーの製造プロセスでは、バッテリーの電極シートのバリはバッテリーの品質に影響を与える重要な要素である。そのため、電極シートのバリ検出は品質検査の重要な部分である。従来の検出方法は、主に手動検出または機械支援検出である。手動検出は、主に技術専門家が経験に基づいて観察して検出結果を出す。機械支援による品質検査は、一部の特徴を検査システムに取り入れている。

本出願の実施形態は、電極シートのバリを検出するための方法および装置を提案する。

第１の態様において、本出願の実施形態は、検出対象電極シートの画像を取得するステップと、検出対象電極シートの画像を事前にトレーニングされたバリインスタンスセグメンテーションモデルに入力して、検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを示す検出結果情報とバリの輪郭情報を取得するステップであって、前記バリインスタンスセグメンテーションモデルは、電極シートの画像と検出結果情報および輪郭情報との対応関係を特徴付けるステップと、検出結果情報により検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力するステップと、を含む電極シートのバリを検出するための方法を提供する。

いくつかの実施形態において、該方法は、検出対象電極シートの画像、検出結果情報、および輪郭情報を関連付けて記憶するステップをさらに含む。

いくつかの実施形態において、該方法は、検出対象電極シートの画像、検出結果情報、および輪郭情報を表示端末に送信するステップと、表示端末によって送信された検出対象電極シートの画像のラベル情報を受信したことに応じて、検出対象電極シートの画像をサンプル画像として確定し、サンプル画像とラベル情報をトレーニングサンプルとして確定し、トレーニングサンプルを事前に設定されたトレーニングサンプルのセットに追加して、新しいトレーニングサンプルのセットを生成するステップと、をさらに含む。

いくつかの実施形態において、バリインスタンスセグメンテーションモデルは、新しいトレーニングサンプルのセットにおけるトレーニングサンプルについて、該トレーニングサンプルのサンプル画像を入力とし、入力されたサンプル画像のラベル情報を所望の出力とし、機械学習法でトレーニングして、新しいバリインスタンスセグメンテーションモデルを取得するステップにより更新される。

いくつかの実施形態において、該方法は、ターゲット電極シートの画像を取得するステップと、ターゲット電極シートの画像のサイズを事前に設定されたサイズに調整するステップと、調整されたターゲット電極シートの画像を検出対象電極シートの画像として確定するステップと、をさらに含む。

第２の態様において、本出願の実施形態は、検出対象電極シートの画像を取得するように構成された第１取得ユニットと、検出対象電極シートの画像を事前にトレーニングされたバリインスタンスセグメンテーションモデルに入力して、検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを示す検出結果情報とバリの輪郭情報を取得するように構成された検出ユニットであって、前記バリインスタンスセグメンテーションモデルは、電極シートの画像と検出結果情報および輪郭情報との対応関係を特徴付ける検出ユニットと、検出結果情報により検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力するように構成された出力ユニットと、を含む電極シートのバリを検出するための装置を提供する。

いくつかの実施形態において、該装置は、検出対象電極シートの画像、検出結果情報、および輪郭情報を関連付けて記憶する記憶ユニットをさらに含む。

いくつかの実施形態において、該装置は、検出対象電極シートの画像、検出結果情報、および輪郭情報を表示端末に送信するように構成された送信ユニットと、表示端末によって送信された検出対象電極シートの画像のラベル情報を受信したことに応じて、検出対象電極シートの画像をサンプル画像として確定し、サンプル画像とラベル情報をトレーニングサンプルとして確定し、トレーニングサンプルを事前に設定されたトレーニングサンプルのセットに追加して、新しいトレーニングサンプルのセットを生成するように構成された生成ユニットと、をさらに含む。

いくつかの実施形態において、該装置は、ターゲット電極シートの画像を取得するように構成された第２取得ユニットと、ターゲット電極シートの画像のサイズを事前に設定されたサイズに調整するように構成された調整ユニットと、調整されたターゲット電極シートの画像を検出対象電極シートの画像として確定するように構成された確定ユニットと、をさらに含む。

第３の態様において、本出願の実施形態は、１つまたは複数のプロセッサと、１つまたは複数のプログラムが記憶されている記憶装置と、を含む電子機器であって、前記１つまたは複数のプログラムが前記１つまたは複数のプロセッサによって実行されると、前記１つまたは複数のプロセッサに第１の態様のいずれかの実施形態に記載の方法を実施させる電子機器を提供する。

第４の態様において、本出願の実施形態は、コンピュータプログラムが記憶されているコンピュータ可読媒体であって、前記プログラムがプロセッサによって実行されると、第１の態様のいずれかの実施形態に記載の方法を実施するコンピュータ可読媒体を提供する。

本出願の実施形態によって提供される電極シートのバリを検出するための方法および装置は、検出対象電極シートの画像を事前にトレーニングされた、電極シートの画像と検出結果情報および輪郭情報との対応関係を特徴付けるバリインスタンスセグメンテーションモデルに入力して、検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを示す検出結果情報とバリの輪郭情報を取得することと、検出結果情報が検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力することと、により、インスタンスセグメンテーションに基づく電極シートのバリ検出が実現された。これは手動検出と比較して、バリ検出の効率が向上された。

本出願の他の特徴、目的、および利点は、以下の添付図面を参照しながら非限定的な実施形態について行った詳細な説明から、より明らかになるであろう。
図１は、本出願の一実施形態を適用できる例示的なシステムアーキテクチャを示す図である。図２は、本出願に係る電極シートのバリを検出するための方法の一実施形態のフローチャートである。図３は、本出願に係る電極シートのバリを検出するための方法の適用シナリオの概略図である。図４は、本出願に係る電極シートのバリを検出するための方法の別の実施形態のフローチャートである。図５は、本出願に係る電極シートのバリを検出するための装置の一実施形態の構造概略図である。図６は、本出願の実施形態に係る電子機器の実施に適したシステムの構造概略図である。

以下、添付図面および実施形態を参照して、本出願についてさらに詳しく説明する。本明細書に記載された特定の実施形態は、本発明に対する限定ではなく、あくまでも関連発明を説明するための例示に過ぎないことを理解されたい。また、説明の便宜上、関連発明に関連する部分しか図面に示されていないことにも留意されたい。

衝突しない前提では、本出願における実施形態および実施形態の特徴は、互いに組み合わせることができることに留意されたい。以下、添付図面を参照して本発明を詳細に説明する。

図１は、本出願の一実施形態を適用できる、電極シートのバリを検出するための方法または電極シートのバリを検出するための装置の例示的なシステムアーキテクチャ１００を示している。

図１に示されるように、システムアーキテクチャ１００は、端末装置１０１、１０２、１０３と、ネットワーク１０４と、サーバー１０５と、を含み得る。ネットワーク１０４は、端末装置１０１、１０２、１０３とサーバー１０５との間の通信リンクのための媒体を提供する。ネットワーク１０４は、有線、無線通信リンク、光ファイバーケーブルなどの様々なタイプの接続を含み得る。

端末装置１０１、１０２、１０３は、ネットワーク１０４を介してサーバー１０５とデータのやりとりを行い、メッセージなどを受信または送信する。カメラアプリケーション、画像処理アプリケーション、検索アプリケーション、インスタントコミュニケーションツール、メールボックスクライアント、ソーシャルプラットフォームソフトウェアなどの様々なクライアントアプリケーションを、端末装置１０１、１０２、１０３にインストールすることができる。

端末装置１０１、１０２、１０３はハードウェアであってもよく、ソフトウェアであってもよい。端末装置１０１、１０２、１０３はハードウェアである場合、カメラ、ビデオカメラ、スマートフォン、タブレット、ラップトップポータブルコンピュータ、デスクトップコンピュータなどを含むがこれらに限定されない、画像を撮影または保存するための様々なデバイスをサポートすることができる。端末装置１０１、１０２、１０３はソフトウェアである場合、上記の電子機器にインストールすることができる。複数のソフトウェアもしくはソフトウェアモジュール（例えば、分散サービスを提供するため）として、または単一のソフトウェアもしくはソフトウェアモジュールとして実施することができる。ここでは特に限定されない。

サーバー１０５は、端末装置１０１、１０２、１０３において送信された画像を検出するバックグラウンドサーバーなど、様々なサービスを提供するサーバーであり得る。バックグラウンドサーバーは、受信した画像を検出するなどの処理を行うことができ、検出結果情報に対応してプロンプト情報を出力することもできる。

本出願の実施形態によって提供される電極シートのバリを検出するための方法は、一般的にサーバー１０５によって実行されることに留意されたい。したがって、電極シートのバリを検出するための装置は、一般的にサーバー１０５に配置される。

サーバーはハードウェアであってもよく、ソフトウェアであってもよいことに留意されたい。サーバーはハードウェアである場合、複数のサーバーからなる分散型サーバークラスターとして実施されることも、単一のサーバーとして実施されることも可能である。サーバーはソフトウェアである場合、複数のソフトウェアまたはソフトウェアモジュール（例えば、分散サービスを提供するため）として実施されることも、単一のソフトウェアまたはソフトウェアモジュールとして実施されることも可能である。ここでは特に限定されない。

図１の端末デバイス、ネットワーク、およびサーバーの数は、単なる例示であることを理解されたい。実施の必要に応じて、任意の数の端末デバイス、ネットワーク、およびサーバーが存在する可能性がある。

引き続き図２を参照すると、本出願に係る電極シートのバリを検出するための方法の一実施形態のフロー２００が示されている。該電極シートのバリを検出するための方法は、次のステップ（ステップ２０１〜２０３）を含む。

ステップ２０１：検出対象電極シートの画像を取得する。

この実施形態では、電極シートのバリを検出するための方法の実行主体（例えば、図１に示されるサーバー）は、有線接続または無線接続により、通信接続の端末装置から検出対象電極シートの画像を取得することができる。ここで、検出対象電極シートの画像は、任意の電極シートの画像であり得る。該検出対象電極シートの画像は、技術者によって指定されることも、特定の条件に従って選択されることもできる。実際には、一例として、端末装置は検出対象電極シートを撮影することにより、電極シートの画像を取得することができる。また、検出対象電極シートの画像は、上記の実行主体にローカルに保存されてもよい。この場合、前記実行主体は検出対象電極シートの画像をローカルに直接取得することができる。

ステップ２０２：検出対象電極シートの画像を事前にトレーニングされたバリインスタンスセグメンテーションモデルに入力して、検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを示す検出結果情報とバリの輪郭情報を取得する。

この実施形態では、上記の実行主体は、ステップ２０１において取得された検出対象電極シートの画像を事前にトレーニングされたバリインスタンスセグメンテーションモデルに入力することができる。ここで、バリインスタンスセグメンテーションモデルは、電極シートの画像と検出結果情報および輪郭情報との対応関係を特徴付ける。具体的には、バリインスタンスセグメンテーションモデルは、様々なインスタンスセグメンテーションのネットワークトレーニングによって取得されたモデルであり得る。ここで、インスタンスセグメンテーションモデルは、画像内の各ピクセルについてそれぞれ属するインスタンスを決定する。つまり、バリインスタンスセグメンテーションモデルは、電極シートの画像にバリが表示されているかどうかを確定することができるだけではなく、電極シートの画像に複数のバリが表示されている場合、画像に表示されている異なるバリを区別することもできる。

この実施形態では、一例として、上記のバリインスタンスセグメンテーションモデルは、以下のステップによって取得することができる。

第１のステップでは、インスタンスセグメンテーション用のオープンソースの人工ニューラルネットワークを取得し、初期のバリインスタンスセグメンテーションモデルとする。例えば、インスタンスセグメンテーションに使用される人工ニューラルネットワークは、ＭａｓｋＲ−ＣＮＮ、ＤｅｅｐＭａｓｋなどであり得る。

第２のステップでは、トレーニングサンプルのセットを取得する。ここで、各トレーニングサンプルは、サンプル電極シートの画像と、検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを示す検出結果情報およびバリの輪郭情報と、を含み得る。

実際には、様々な方法でサンプル電極シートの画像を取得することができる。一例として、ビデオカメラなどの画像キャプチャデバイスを使用して、バッテリー電極シートの画像を取得することができる。実際には、様々な撮影条件（様々な角度、ライト、フィルター、二重鏡、焦点距離など）でバッテリー電極シートの画像を収集することにより、トレーニングサンプルデータの充実度を高め、トレーニングして得られたモデルが様々な撮影条件でのバッテリー電極シートの画像に対して高いロバストネスを持つようにすることができる。サンプル電極シートの画像を取得した後、手動ラベリングの形で各サンプル電極シートの画像に対応する検出結果情報とバリの輪郭情報を取得することができる。

第３のステップでは、トレーニングサンプルのセットにおけるトレーニングサンプルのサンプル電極シートの画像を初期のバリインスタンスセグメンテーションモデルの入力とし、入力されたサンプル電極シートの画像に対応する検出結果情報とバリの輪郭情報を初期のバリインスタンスセグメンテーションモデルの所望の出力とし、機械学習法でトレーニングして、上記のバリインスタンスセグメンテーションモデルを取得する。

このステップでは、一例として、事前に設定された損失関数に基づいて初期のバリインスタンスセグメンテーションモデルのトレーニングを完遂することができる。ここで、損失関数は、トレーニングのプロセスにおいて初期のバリインスタンスセグメンテーションモデルによって出力された検出結果情報、バリの輪郭情報と、トレーニングサンプルにおける入力されたサンプル電極シートの画像に対応する検出結果情報、バリの輪郭情報との間の相違度を示すことができる。毎回取得された損失関数の値に基づいて、初期のバリインスタンスセグメンテーションモデルのパラメーターを調整する。さらに、前後２回以上の損失関数の値がいずれも特定のしきい値よりも小さいと確定されたときにトレーニングを終了し、この時点で取得された初期のバリインスタンスセグメンテーションモデルを上記のバリインスタンスセグメンテーションモデルとすることができる。

この実施形態では、さらに別の例として、バリインスタンスセグメンテーションモデルは、特徴抽出レイヤーと、物体領域提案ネットワークと、予測ネットワークと、を含み得る。該特徴抽出レイヤーは、単純な畳み込みニューラルネットワーク（例えば、ＲｅｓＮｅｔ５０またはＲｅｓＮｅｔ１０１）であり得る。特徴抽出レイヤーの下位レイヤーは、低レベルの特徴（エッジラインなど）を抽出することができる。上位のレイヤーは、高レベルの特徴（人、物品など）を抽出することができる。特徴抽出レイヤーは画像の特徴マップ（ｆｅａｔｕｒｅｍａｐｓ）を抽出し、抽出された特徴マップを物体領域提案ネットワーク（ＲｅｇｉｏｎＰｒｏｐｏｓａｌＮｅｔｗｏｒｋ）に入力することができる。物体領域提案ネットワークは、特定の物体が画像に含まれているかどうかを計算することができる。物体が含まれている場合、予測ネットワークによって、物体のカテゴリと物体のバウンディングボックス（ｂｏｕｎｄｉｎｇｂｏｘ）を確定することができる。物体が含まれていない場合、画像をこれ以上分類しなくてもよい。このようにして、３つの部分からなるネットワークは、バリインスタンスセグメンテーションモデルの主要な構造を構成することができる。必要があれば、実際のニーズに合わせてネットワークの構造を調整することもできる。一例として、抽出された特徴を組み合わせるために、特徴組み合わせのためのネットワークも含まれ得る。

ステップ２０３：検出結果情報により検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力する。

この実施形態では、ステップ２０２により、上記の実行主体は、検出対象電極シートの画像の検出結果情報とバリ（あれば）の輪郭情報を取得することができる。これに基づいて、検出結果情報により検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、上記の実行主体は、検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力ことができる。該プロンプト情報は、様々な形式の情報であり得る。例えば、テキスト情報であり得る。また、音声情報であり得る。さらに、いくつかの命令であり得る。例えば、ロボットに電極シートのピッキング操作を実行するように指示する命令であり得る。また、ロギングを指示する命令であり得る。

実施形態のいくつかのオプションの実施方法では、電極シートのバリを検出する方法は、ターゲット電極シートの画像を取得するステップと、ターゲット電極シートの画像のサイズを事前に設定されたサイズに調整するステップと、調整されたターゲット電極シートの画像を検出対象電極シートの画像として確定するステップと、をさらに含み得る。

引き続き図３を参照すると、図３は、この実施形態に係る電極シートのバリを検出するための方法の適用シナリオの概略図である。図３の適用シナリオでは、電極シートのバリを検出するための方法の実行主体は、サーバー３０１であり得る。サーバー３０１は、まず、検出対象電極シートの画像３０１１を取得することができる。そして、検出対象電極シートの画像３０１１を事前にトレーニングされたバリインスタンスセグメンテーションモデル３０１２に入力し、検出対象電極シートの画像に表示されている電極シートにバリがあることを表す検出結果情報「１」および部分拡大図３０１３に示されるようなバリの輪郭を取得することができる。検出結果情報により検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、上記のサーバー３０１は、検出対象電極シートの画像に表示されている電極シートにバリがあることを表すテキストプロンプト情報３０１４を出力することができる。

本出願の上記の実施形態によって提供される方法は、検出対象電極シートの画像を事前にトレーニングされたバリインスタンスセグメンテーションモデルに入力して、検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを示す検出結果情報とバリの輪郭情報を取得することと、検出結果情報により検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力することと、により、インスタンスセグメンテーションに基づく電極シートのバリの検出を可能にした。これは手動検出と比較して、バリ検出の効率が向上した。

さらに図４を参照すると、本出願に係る電極シートのバリを検出するための方法の別の実施形態のフロー４００が示されている。該電極シートのバリを検出するための方法のフロー４００は、以下のステップ（ステップ４０１〜４０６）を含む。

ステップ４０１：検出対象電極シートの画像を取得する。

ステップ４０２：検出対象電極シートの画像を事前にトレーニングされたバリインスタンスセグメンテーションモデルに入力して、検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを表す検出結果情報とバリの輪郭情報を取得する。

ステップ４０３：検出結果情報により検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力する。

この実施形態では、ステップ４０１〜４０３の具体的な実施およびその技術的効果は、図２に対応する実施形態のステップ２０１〜２０３を参照することができる。詳細はここでは再度説明しない。

ステップ４０４：検出対象電極シートの画像、検出結果情報、および輪郭情報を関連付けて記憶する。

この実施形態では、電極シートのバリを検出するための方法の実行主体は、検出対象電極シートの画像と、ステップ４０２で得られた検出結果情報、バリの輪郭情報とを関連付けて記憶することができる。

ステップ４０５：検出対象電極シートの画像、検出結果情報、および輪郭情報を表示端末に送信する。

この実施形態では、上記の実行主体はさらに、上記の検出対象電極シートの画像と、ステップ４０２で得られた検出結果情報、バリの輪郭情報とを表示端末に送信することができる。該表示端末は、ハードウェアであってもよく、ソフトウェアであってもよい。表示端末はハードウェアである場合、上記の実行主体に含まれている表示装置であってもよく、上記の実行主体と通信接続する他の表示装置であってもよい。表示端末はソフトウェアである場合、表示装置にインストールされることができる。この場合、技術者は、表示端末で上記の検出対象電極シートの画像、検出結果情報、および輪郭情報を見ることができる。

ステップ４０２で得られた検出結果情報およびバリの輪郭情報と、検出対象画像の実際の検出結果情報およびバリの輪郭情報との間に一定の誤差が存在する場合がある。したがって、上記の検出対象電極シートの画像、検出結果情報、および輪郭情報を表示端末に送信することにより、技術者は、ステップ４０２で得られた検出結果情報およびバリの輪郭情報と、検出対象画像の実際の検出結果情報およびバリの輪郭情報との間の相違が、事前に設定されたしきい値よりも大きいかどうかを確定することができる。事前に設定されたしきい値よりも大きい場合、技術者は実際の検出結果情報とバリの輪郭情報をラベル情報として表示端末に入力することができる。

ステップ４０６：表示端末によって送信された検出対象電極シートの画像のラベル情報を受信したことに対応して、検出対象電極シートの画像をサンプル画像として確定し、サンプル画像とラベル情報をトレーニングサンプルとして確定し、トレーニングサンプルを事前に設定されたトレーニングサンプルのセットに追加して、新しいトレーニングサンプルのセットを生成する。

この実施形態では、表示端末によって送信された検出対象電極シートの画像のラベル情報を受信したことに対応して、検出対象電極シートの画像をサンプル画像として確定し、サンプル画像と技術者によって入力されたラベル情報をトレーニングサンプルとして確定し、確定されたトレーニングサンプルを事前に設定されたトレーニングサンプルのセットに追加して、新しいトレーニングサンプルのセットを生成する。

この実施形態のいくつかのオプションの実施方法では、バリインスタンスセグメンテーションモデルは、新しいトレーニングサンプルのセットにおけるトレーニングサンプルについて、該トレーニングサンプルのサンプル画像を入力とし、入力されたサンプル画像のラベル情報を所望の出力とし、機械学習法でトレーニングして、新しいバリインスタンスセグメンテーションモデルを取得するステップにより、更新されることができる。

図４から分かるように、この実施形態に係る電極シートのバリを検出するための方法のフロー４００は、図２に対応する実施形態と比較して、検出対象電極シートの画像、検出結果情報、および輪郭情報を関連付けて記憶するステップが追加された。これに基づいて、検出対象電極シートの画像、検出結果情報、および輪郭情報を表示することにより、技術者は、誤差が大きい検出結果情報と輪郭情報を特定することができる。さらに、技術者は、実際のラベル情報を表示端末に入力することもできる。これにより、新しいトレーニングサンプルのセットが生成され、後続のバリインスタンスセグメンテーションモデルの最適化を促進することができる。

さらに図５を参照すると、上記の各図に示された方法の実施として、本出願は、電極シートのバリを検出するための装置の実施形態を提供した。該装置の実施形態は図２に示された方法の実施形態に対応する。該装置は、様々な電子機器に適用することができる。

図５に示されるように、この実施形態の電極シートのバリを検出するための装置５００は、第１の取得ユニット５０１と、検出ユニット５０２と、出力ユニット５０３とを含む。該第１の取得ユニット５０１は、検出対象電極シートの画像を取得するように構成されている。該検出ユニット５０２は、検出対象電極シートの画像を事前にトレーニングされた、電極シートの画像と検出結果情報および輪郭情報との対応関係を特徴付けるバリインスタンスセグメンテーションモデルに入力して、検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを表す検出結果情報とバリの輪郭情報を取得するように構成されている。該出力ユニット５０３は、検出結果情報により検出対象画像に表示されている電極シートにバリがあると示されたことに応じて、検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力するように構成されている。

この実施形態のいくつかのオプションの実施方法では、装置５００は、記憶ユニット（図示せず）をさらに含み得る。該記憶ユニットは、検出対象電極シートの画像、検出結果情報、および輪郭情報を関連付けて記憶するように構成されている。

この実施形態のいくつかのオプションの実施方法では、装置５００は、送信ユニット（図示せず）と、生成ユニット（図示せず）と、をさらに含み得る。該送信ユニットは、検出対象電極シートの画像、検出結果情報、および輪郭情報を表示端末に送信するように構成されている。該生成ユニットは、表示端末によって送信された検出対象電極シートの画像のラベル情報を受信したことに応じて、検出対象電極シートの画像をサンプル画像として確定し、サンプル画像とラベル情報をトレーニングサンプルとして確定し、トレーニングサンプルを事前に設定されたトレーニングサンプルのセットに追加して、新しいトレーニングサンプルのセットを生成する。

この実施形態のいくつかのオプションの実施方法では、バリインスタンスセグメンテーションモデルは、新しいトレーニングサンプルのセットにおけるトレーニングサンプルについて、該トレーニングサンプルのサンプル画像を入力とし、入力されたサンプル画像のラベル情報を所望の出力とし、機械学習法でトレーニングして、新しいバリインスタンスセグメンテーションモデルを取得するステップにより、更新される。

この実施形態のいくつかのオプションの実施方法では、装置５００は、第２の取得ユニット（図示せず）と、調整ユニット（図示せず）と、確定ユニット（図示せず）と、をさらに含み得る。該第２の取得ユニットは、ターゲット電極シートの画像を取得するように構成されている。該調整ユニットは、ターゲット電極シートの画像のサイズを事前に設定されたサイズに調整するように構成されている。該確定ユニットは、調整されたターゲット電極シートの画像を検出対象電極シートの画像として確定するように構成されている。

この実施形態では、電極シートのバリを検出するための装置５００における第１の取得ユニット５０１、検出ユニット５０２、出力ユニット５０３の具体的な実施およびその技術的効果は、図２に対応する実施形態のステップ２０１〜２０３を参照することができる。詳細はここでは再度説明しない。

この実施形態では、検出ユニット５０２は、第１の取得ユニット５０１によって取得された検出対象電極シートの画像を事前にトレーニングされたバリインスタンスセグメンテーションモデルに入力して、検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを表す検出結果情報とバリの輪郭情報を取得することができる。検出結果情報により検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、出力ユニット５０３は、検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力することができる。これにより、インスタンスセグメンテーションに基づく電極シートバリの検出を可能にした。これは手動検出と比較して、バリ検出の効率が向上した。

さらに図６を参照すると、本出願の実施形態に係る電子機器の実施に適したシステム６００の構造概略図が示されている。例示された電子機器は単なる例であり、本出願の実施形態の機能と使用範囲に制限を課すべきではない。

図６に示されるように、コンピュータシステム６００は、読み取り専用メモリ（ＲＯＭ）６０２に記憶されたプログラムまたは記憶部６０８からランダムアクセスメモリ（ＲＡＭ）６０３にロードされたプログラムにより、様々な適切な動作および処理を実行できる中央処理装置６０１（ＣＰＵ）を含み得る。ＲＡＭ６０３には、システム６００の動作に必要な各種プログラムやデータも記憶されている。ＣＰＵ６０１、ＲＯＭ６０２、およびＲＡＭ６０３は、バス６０４を介して相互に接続されている。入出力（Ｉ／Ｏ）インターフェース６０５もバス６０４に接続されている。

Ｉ／Ｏインターフェース６０５には、キーボード、マウスなどを含む入力部６０６と、例えば陰極線管（ＣＲＴ）、液晶ディスプレイ（ＬＣＤ）などおよびスピーカなどを含む出力部６０７と、ハードディスクなどを含む記憶部６０８と、例えばＬＡＮカードやモデムなどのネットワークインターフェースカードを含む通信部６０９とが接続されている。通信部６０９は、例えばインターネットなどのネットワークを介して通信処理を行う。ドライバー６１０も、必要に応じてＩ／Ｏインターフェース６０５に接続されている。磁気ディスク、光ディスク、光磁気ディスク、半導体メモリなどのリムーバブルメディア６１１が必要に応じてドライバー６１０に装着され、そこから読み出されたコンピュータプログラムが必要に応じて記憶部６０８にインストールされるようにする。

特に、本開示の実施形態によると、フローチャートを参照して説明したプロセスは、コンピュータソフトウェアプログラムとして実施され得る。例えば、本開示の実施形態は、コンピュータ可読媒体に記憶されているコンピュータプログラムが含まれているコンピュータプログラム製品を含む。該コンピュータプログラムには、フローチャートに示される方法を実行するためのプログラムコードが含まれている。そのような実施形態では、該コンピュータプログラムは、通信部６０９を介してネットワークからダウンロードおよびインストールすることができ、および／またはリムーバブルメディア６１１からインストールすることができる。該コンピュータプログラムが中央処理装置（ＣＰＵ）６０１によって実行されると、本出願の方法において定義された上記の機能が実行される。

本明細書で説明されたコンピュータ可読媒体は、コンピュータ可読信号媒体、コンピュータ可読記憶媒体、またはこれら２つの任意の組み合わせであり得ることに留意されたい。コンピュータ可読記憶媒体は、例えば、電子、磁気、光学、電磁気、赤外線、または半導体のシステム、装置もしくはコンポーネント、または上記の任意の組み合わせであり得るが、これらに限定されない。コンピュータ可読記憶媒体のより具体的な例には、１本または複数のワイヤを持つ電気接続、ポータブルコンピュータディスク、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、読み取り専用メモリ（ＲＯＭ）、消去可能プログラマブル読み取り専用メモリ（ＥＰＲＯＭまたはフラッシュメモリ）、光ファイバー、ポータブルコンパクトディスク読み取り専用メモリ（ＣＤ−ＲＯＭ）、光学記憶装置、磁気記憶装置、または上記の任意の適切な組み合わせが含まれるが、これらに限定されない。本出願では、コンピュータ可読記憶媒体は、命令実行システム、装置、またはコンポーネントによって、またはそれらに関連して使用できるプログラムを含むまたは格納できる任意の有形媒体であり得る。本出願では、コンピュータ可読信号媒体は、ベースバンド内でまたはキャリアの一部として伝播され、コンピュータ可読プログラムコードを運ぶデータ信号を含み得る。そのような伝播されたデータ信号は、電磁信号、光信号、または上記の任意の適切な組み合わせを含むがこれらに限定されない様々な形態をとることができる。コンピュータ可読信号媒体はさらに、命令実行システム、装置、またはコンポーネントによってまたはそれらに関連して使用するプログラムを送信、伝播、または転送できる、コンピュータ可読記憶媒体以外の任意のコンピュータ可読媒体であり得る。コンピュータ可読媒体に含まれるプログラムコードは、無線、有線、光ファイバーケーブル、ＲＦなど、または上記の任意の適切な組み合わせを含むがこれらに限定されない任意の適切な媒体によって送信され得る。

本出願の動作を実行するためのコンピュータプログラムコードは、１つまたは複数のプログラミング言語、またはそれらの組み合わせで書くことができる。プログラミング言語は、Ｊａｖａ（登録商標）、Ｓｍａｌｌｔａｌｋ、Ｃ＋＋などのオブジェクト指向プログラミング言語や、「Ｃ」言語または類似するプログラミング言語などの従来の手続き型プログラミング言語を含む。プログラムコードは、完全にユーザーのコンピュータ上で実行されることも、部分的にユーザーのコンピュータ上で実行されることも、スタンドアロンソフトウェアパッケージとして実行されることも、部分的にユーザーのコンピュータ上で実行されながら部分的にリモートコンピュータ上で実行されることも、または完全にリモートコンピュータまたはサーバー上で実行されることもできる。リモートコンピュータの場合、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）またはワイドエリアネットワーク（ＷＡＮ）を含む任意の種類のネットワークを介してユーザーのコンピュータに接続されることができる。または、外部のコンピュータに接続されることができる（例えば、インターネットサービスプロバイダーによるインターネット経由で接続される）。

添付図面に示されるフローチャートおよびブロック図は、本出願の様々な実施形態に係るシステム、方法、およびコンピュータプログラム製品の実施可能なアーキテクチャ、機能、および動作を示している。ここで、フローチャートまたはブロック図における各ブロックは、モジュール、プログラムセグメント、またはコードの一部を表すことができる。該モジュール、プログラムセグメント、またはコードの一部は、指定されたロジック関数を実施するための１つまたは複数の実行可能な命令を含む。また、いくつかの代替的な実施形態では、ブロックに記載されている機能は、図面に示されているものとは異なる順序で発生する場合があることにも留意されたい。例えば、連続して表されている２つのブロックは、実際にほぼ並行して実行されてもよく、時には逆の順序で実行されてもよい。これは関連する機能によって決まる。また、ブロック図および／またはフローチャートにおける各ブロック、およびブロック図および／またはフローチャートにおけるブロックの組み合わせは、指定された機能または動作を実行する専用のハードウェアベースのシステムで実施できることや、専用のハードウェアとコンピュータの命令の組み合わせで実施できることにも留意されたい。

本出願の実施形態において説明されたユニットは、ソフトウェアまたはハードウェアによって実施され得る。説明されたユニットはプロセッサに内蔵されてもよい。例えば、「第１の取得ユニットと、検出ユニットと、出力ユニットと、を含むプロセッサ」と説明されることができる。ここで、これらのユニットの名称は、ユニット自体に対する制限を構成しない場合がある。例えば、第１の取得ユニットは、「検出対象電極シートの画像を取得するユニット」と説明されることができる。

別の態様では、本出願は、上記の実施形態で説明した電子機器に含まれ得る、または電子機器に組み込まれることなく別個に存在し得るコンピュータ可読媒体をさらに提供する。上記のコンピュータ可読媒体には、１つまたは複数のプログラムが含まれている。該１つまたは複数のプログラムが該電子機器によって実行されると、該電子機器は、検出対象電極シートの画像を取得し、検出対象電極シートの画像を事前にトレーニングされた、電極シートの画像と検出結果情報および輪郭情報との対応関係を表すバリインスタンスセグメンテーションモデルに入力し、検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを表す検出結果情報とバリの輪郭情報を取得し、検出結果情報が検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力する。

上記の説明は、あくまでも本出願の好ましい実施形態および応用技術原理の説明にすぎない。本出願に係る発明の範囲は、上記の技術的特徴の特定の組み合わせによって形成された技術的解決手段に限定されず、上記の発明の構想から逸脱しない範囲で上記の技術的特徴またはその同等の技術的特徴の任意の組み合わせによって形成されたその他の技術的解決手段、例えば、上記の特徴と本出願に開示された同様の機能を有する技術的特徴（それだけに限定されない）とが相互に代替することによって形成された技術的解決手段もカバーしていることを当業者は理解すべきである。

501 第１の取得ユニット
502 検出ユニット
503 出力ユニット
601 ＣＰＵ
602 ＲＯＭ
603 ＲＡＭ
605 Ｉ／Ｏインターフェース
606 入力部
607 出力部
608 記憶部
609 通信部
610 ドライバー
611 リムーバブルメディア

Claims

検出対象電極シートの画像を取得するステップと、
前記検出対象電極シートの画像を事前にトレーニングされたバリインスタンスセグメンテーションモデルに入力して、前記検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを示す検出結果情報とバリの輪郭情報を取得するステップであって、前記バリインスタンスセグメンテーションモデルは、電極シートの画像と検出結果情報および輪郭情報との対応関係を特徴付けるステップと、
前記検出結果情報により前記検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、前記検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力するステップと、を含む電極シートのバリを検出するための方法。
前記方法は、前記検出対象電極シートの画像、前記検出結果情報、および前記輪郭情報を関連付けて記憶するステップをさらに含む請求項１に記載の方法。
前記方法は、
前記検出対象電極シートの画像、前記検出結果情報、および前記輪郭情報を表示端末に送信するステップと、
表示端末によって送信された前記検出対象電極シートの画像のラベル情報を受信したことに応じて、前記検出対象電極シートの画像をサンプル画像として確定し、前記サンプル画像と前記ラベル情報をトレーニングサンプルとして確定し、前記トレーニングサンプルを事前に設定されたトレーニングサンプルのセットに追加して、新しいトレーニングサンプルのセットを生成するステップと、をさらに含む請求項２に記載の方法。
前記バリインスタンスセグメンテーションモデルは、前記新しいトレーニングサンプルのセットにおけるトレーニングサンプルについて、該トレーニングサンプルのサンプル画像を入力とし、入力されたサンプル画像のラベル情報を所望の出力とし、機械学習法でトレーニングして、新しいバリインスタンスセグメンテーションモデルを取得するステップにより更新される請求項３に記載の方法。
前記方法は、
ターゲット電極シートの画像を取得するステップと、
前記ターゲット電極シートの画像のサイズを事前に設定されたサイズに調整するステップと、
調整されたターゲット電極シートの画像を前記検出対象電極シートの画像として確定するステップと、をさらに含む請求項１〜４のいずれか一項に記載の方法。
検出対象電極シートの画像を取得するように構成された第１取得ユニットと、
前記検出対象電極シートの画像を事前にトレーニングされたバリインスタンスセグメンテーションモデルに入力して、前記検出対象電極シートの画像に表示されている電極シートにバリがあるかどうかを示す検出結果情報とバリの輪郭情報を取得するように構成された検出ユニットであって、前記バリインスタンスセグメンテーションモデルは、電極シートの画像と検出結果情報および輪郭情報との対応関係を特徴付ける検出ユニットと、
前記検出結果情報により前記検出対象電極シートの画像に表示されている電極シートにバリがあると示されたことに応じて、前記検出対象電極シートの画像に表示されている電極シートにバリがあることを表すプロンプト情報を出力するように構成された出力ユニットと、を含む電極シートのバリを検出するための装置。
前記装置は、前記検出対象電極シートの画像、前記検出結果情報、および前記輪郭情報を関連付けて記憶する記憶ユニットをさらに含む請求項６に記載の装置。
前記装置は、
前記検出対象電極シートの画像、前記検出結果情報、および前記輪郭情報を表示端末に送信するように構成された送信ユニットと、
表示端末によって送信された前記検出対象電極シートの画像のラベル情報を受信したことに応じて、前記検出対象電極シートの画像をサンプル画像として確定し、前記サンプル画像と前記ラベル情報をトレーニングサンプルとして確定し、前記トレーニングサンプルを事前に設定されたトレーニングサンプルのセットに追加して、新しいトレーニングサンプルのセットを生成するように構成された生成ユニットと、をさらに含む請求項７に記載の装置。
前記バリインスタンスセグメンテーションモデルは、前記新しいトレーニングサンプルのセットにおけるトレーニングサンプルについて、該トレーニングサンプルのサンプル画像を入力とし、入力されたサンプル画像のラベル情報を所望の出力とし、機械学習法でトレーニングして、新しいバリインスタンスセグメンテーションモデルを取得するステップにより更新される請求項８に記載の装置。
前記装置は、
ターゲット電極シートの画像を取得するように構成された第２取得ユニットと、
前記ターゲット電極シートの画像のサイズを事前に設定されたサイズに調整するように構成された調整ユニットと、
調整されたターゲット電極シートの画像を前記検出対象電極シートの画像として確定するように構成された確定ユニットと、をさらに含む請求項６〜９のいずれか一項に記載の装置。
１つまたは複数のプロセッサと、１つまたは複数のプログラムが記憶されている記憶装置と、を含む電子機器であって、
前記１つまたは複数のプログラムが前記１つまたは複数のプロセッサによって実行されると、前記１つまたは複数のプロセッサに請求項１〜５のいずれか一項に記載の方法を実施させる電子機器。
コンピュータプログラムが記憶されているコンピュータ可読媒体であって、
前記プログラムがプロセッサによって実行されると、請求項１〜５のいずれか一項に記載の方法を実施するコンピュータ可読媒体。
コンピュータプログラムであって、
前記コンピュータプログラムがプロセッサにより実行されると、請求項１〜５のいずれか一項に記載の方法を実現する、コンピュータプログラム。