JP6870527B2 - 部品見積もりプログラム、部品見積もりシステム及び部品見積もり方法 - Google Patents

部品見積もりプログラム、部品見積もりシステム及び部品見積もり方法 Download PDF

Info

Publication number
JP6870527B2
JP6870527B2 JP2017152033A JP2017152033A JP6870527B2 JP 6870527 B2 JP6870527 B2 JP 6870527B2 JP 2017152033 A JP2017152033 A JP 2017152033A JP 2017152033 A JP2017152033 A JP 2017152033A JP 6870527 B2 JP6870527 B2 JP 6870527B2
Authority
JP
Japan
Prior art keywords
parts
learning model
estimation
estimated
data
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
Application number
JP2017152033A
Other languages
English (en)
Other versions
JP2019032623A (ja
Inventor
慎 坂入
慎 坂入
セルバン ジョルジェスク
セルバン ジョルジェスク
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fujitsu Ltd
Original Assignee
Fujitsu Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Fujitsu Ltd filed Critical Fujitsu Ltd
Priority to JP2017152033A priority Critical patent/JP6870527B2/ja
Priority to US16/048,675 priority patent/US20190042940A1/en
Publication of JP2019032623A publication Critical patent/JP2019032623A/ja
Application granted granted Critical
Publication of JP6870527B2 publication Critical patent/JP6870527B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0283—Price estimation or determination

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Factory Administration (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Image Analysis (AREA)

Description

本発明は、部品見積もりプログラム、部品見積もりシステム及び部品見積もり方法に関する。
従来、部品の価格や納期の見積もりを行う場合に、かかる部品の形状の特徴や部品のスペックをベースに、ルール化して価格や納期を見積もることができる部品見積もりシステムが知られている。ここで、「形状の特徴」とは、たとえば穴の数や面取り数、折り曲げ数等であり、「スペック」とは、たとえば公差や材料、製造数等である。
特開２００５−２５３８７号公報
しかしながら、従来の技術では、たとえば形状が大きく異なる部品の見積もりを行う場合等に、かかる部品の形状に合わせた形状の特徴や部品のスペックを、その都度ユーザが設定する必要がある。したがって、ユーザにかかる負担が大きくなってしまう場合があり、結果的に十分な設定がされず、見積りの精度も十分でない場合がある。
一つの側面では、精度よく部品の見積もりを行うことができる部品見積もりプログラム、部品見積もりシステム及び部品見積もり方法を提供することを目的とする。
一つの様態において、部品見積もりプログラムは、部品の画像データと前記部品の取引データとを一組の教師データとして作成された第１学習モデルと、見積もりの対象である見積対象部品の画像データとに基づいて前記見積対象部品の特徴ベクトルを抽出する処理をコンピュータに実行させる。部品見積もりプログラムは、前記第１学習モデルに基づいて抽出された部品の特徴ベクトルと前記部品のスペックと前記部品の取引データとを一組の教師データとして作成された第２学習モデルと、前記見積対象部品の特徴ベクトルと、前記見積対象部品のスペックとに基づいて前記見積対象部品の取引データを見積もる処理をコンピュータに実行させる。
一つの様態によれば、精度よく部品の見積もりを行うことができる。
図１は、実施例に係る部品見積もりシステムの構成の一例を示す機能ブロック図である。 図２Ａは、実施例に係るＤＬ学習モデルを作成する処理の一例を示す図である。 図２Ｂは、実施例に係るＤＬ学習モデルを作成する処理の別の一例を示す図である。 図３Ａは、実施例に係る見積学習モデルを作成する処理の一例を示す図である。 図３Ｂは、実施例に係る見積学習モデルを作成する処理の別の一例を示す図である。 図４は、実施例の教師データのデータ構造の一例を示す図である。 図５は、実施例の見積学習モデルと部品の形状カテゴリとＤＬ学習モデルと見積対象との関係について示す図である。 図６は、実施例に係る見積対象部品を見積もる処理の一例を示す図である。 図７は、実施例の見積学習モデルの自動選択処理の一例を示す図である。 図８は、実施例の自動選択処理における類似度の順位の一例を示す図である。 図９は、実施例の見積学習モデルを作成する処理の流れの例を示す図である。 図１０は、実施例の見積対象部品を見積もる処理の流れの例を示す図である。 図１１は、実施例の加工形状特徴ベクトルを抽出する処理の流れの例を示す図である。 図１２は、実施例の画像データを加工形状特徴ベクトルに変換する処理の流れの例を示す図である。 図１３は、実施例の見積学習モデルを選択する処理の流れの例を示す図である。 図１４は、実施例の教師データの類似度を計算する処理の流れの例を示す図である。 図１５は、部品見積もりプログラムを実行するコンピュータを示す図である。
以下に、本願の開示する部品見積もりプログラム、部品見積もりシステム及び部品見積もり方法の実施例を図面に基づいて詳細に説明する。なお、この実施例によりこの発明が限定されるものではない。また、以下に示す実施例は、矛盾を起こさない範囲で適宜組み合わせても良い。
本実施例における部品見積もりシステム１について、図１を用いて説明する。図１は、実施例に係る部品見積もりシステムの構成の一例を示す機能ブロック図である。図１に示す部品見積もりシステム１は、情報処理装置１００と、複数の利用者端末１０とを有する。本実施例において、情報処理装置１００及び利用者端末１０は、無線又は有線のネットワークＮを通じて通信可能に接続される。なお、図１における利用者端末１０の台数は一例であり、部品見積もりシステム１は任意の数の利用者端末１０を含むような構成であっても良い。
図１に示す利用者端末１０は、装置の設計者等により利用される。装置の設計者は、利用者端末１０を通じて、装置に用いる部品の見積もりに関する情報を情報処理装置１００に送信する。
図１に示す情報処理装置１００は、利用者端末１０から見積もりの対象となる部品（以下、見積対象部品とも呼称する。）に関する情報を受け付け、見積対象部品の見積もり結果を出力する。本実施例における情報処理装置１００は、様々な部品の形状の特徴や部品のスペック、取引データ等を学習したモデルを用いて、見積対象部品の形状の特徴や部品のスペックに基づいて価格や納期等を見積もるので、有益な見積もり結果を提供することができる。
［機能ブロック］
次に、本実施例における情報処理装置１００の機能構成について、図１を用いて説明する。情報処理装置１００は、通信部１１０と、制御部１２０と、記憶部１３０とを有する。
通信部１１０は、有線又は無線を問わず、利用者端末１０等、その他のコンピュータ等との通信を制御する。通信部１１０は、例えばＮＩＣ（Network Interface Card）等の通信インタフェース等である。
制御部１２０は、情報処理装置１００の全体的な処理を司る処理部である。制御部１２０は、例えば、ＣＰＵ（Central Processing Unit）やＭＰＵ（Micro Processing Unit）、ＧＰＵ（Graphics Processing Unit）等によって、内部の記憶装置に記憶されているプログラムがＲＡＭを作業領域として実行されることにより実現される。また、制御部１２０は、例えば、ＡＳＩＣ（Application Specific Integrated Circuit）やＦＰＧＡ（Field Programmable Gate Array）等の集積回路により実現されるようにしても良い。
制御部１２０は、受付部１２１、画像変換部１２２、ＤＬ（Deep Learning）学習モデル作成部１２３、特徴ベクトル抽出部１２４、見積学習モデル作成部１２５及び見積部１２６を有する。なお、受付部１２１、画像変換部１２２、ＤＬ学習モデル作成部１２３、特徴ベクトル抽出部１２４、見積学習モデル作成部１２５及び見積部１２６は、プロセッサが有する電子回路の一例やプロセッサが実行するプロセスの一例である。
受付部１２１は、様々な部品や見積対象部品に関する情報を、通信部１１０を通じて、利用者端末１０から受け付ける。受付部１２１が受け付ける情報は、たとえば、部品の３Ｄモデルやスペック、取引データ等である。ここで、３Ｄモデルとは、たとえば部品のＣＡＤデータ等であり、スペックとは、たとえば公差や材料、製造数等であり、取引データとは、たとえば価格や納期等である。
画像変換部１２２は、受付部１２１が受け付けた様々な部品や見積対象部品の３Ｄモデルを、画像データに変換する。たとえば、画像変換部１２２は、部品の３Ｄモデルを様々な向きから見た複数の画像データに変換する。
ＤＬ学習モデル作成部１２３は、画像変換部１２２で変換された様々な部品の画像データと、かかる部品の取引データとに基づいてＤＬ学習モデル１３１を作成する。
特徴ベクトル抽出部１２４は、ＤＬ学習モデル作成部１２３で作成されたＤＬ学習モデル１３１から、様々な部品の加工形状特徴ベクトル２１０（図３Ａ参照）を抽出する。なお、加工形状特徴ベクトル２１０は、特徴ベクトルの一例である。
見積学習モデル作成部１２５は、特徴ベクトル抽出部１２４で抽出された加工形状特徴ベクトル２１０と、様々な部品のスペック及び取引データとに基づいて見積学習モデル１３２を作成する。
見積部１２６は、見積学習モデル作成部１２５で作成された見積学習モデル１３２と、見積対象部品の加工形状特徴ベクトル２２２（図６参照）と、見積対象部品のスペックとに基づいて、見積対象部品の取引データを見積もる。また、見積部１２６は、見積対象部品の見積もり結果に関する情報を、利用者端末１０に出力する。
記憶部１３０は、例えば制御部１２０が実行するプログラム等の各種データ等を記憶する。記憶部１３０は、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ等の半導体メモリ素子や、ＨＤＤ（Hard Disk Drive）等の記憶装置に対応する。
記憶部１３０は、ＤＬ学習モデル１３１及び見積学習モデル１３２を有する。なお、ＤＬ学習モデル１３１は、第１学習モデルの一例であり、見積学習モデル１３２は、第２学習モデルの一例である。
ＤＬ学習モデル１３１は、様々な部品の３Ｄモデルを画像変換処理した画像データから、加工形状特徴ベクトル２１０を算出する際に用いられる学習モデルである。見積学習モデル１３２は、見積対象部品の３Ｄモデルを画像変換処理した画像データから、見積対象部品を見積もる際に用いられる学習モデルである。
図２Ａは、実施例に係るＤＬ学習モデルを作成する処理の一例を示す図である。図２Ａに示すように、受付部１２１で受け付けられた板金の３Ｄモデル２００は、画像変換部１２２で所定の画像変換処理がおこなわれて、板金の３Ｄモデル２００を様々な向きから見た複数の画像データ２０１に変換される。例えば、図２Ａに示すように、板金モデルＡの３Ｄモデル２００から複数の画像データ２０１に変換され、板金モデルＢの３Ｄモデル２００から別の複数の画像データ２０１に変換される。
次に、ＤＬ学習モデル作成部１２３は、画像変換部１２２で変換された板金の画像データ２０１と、利用者端末１０から別途入力される入力情報２０２に含まれる板金の取引データとを対応付けた教師データ２０３を記憶部１３０に記憶する。そして、ＤＬ学習モデル作成部１２３は、かかる教師データ２０３を用いて、多層構造の深層ニューラルネットワークをモデルとして用いる深層学習、いわゆるディープラーニングを実行する。これにより、ＤＬ学習モデル作成部１２３は、複数のＤＬ学習モデル１３１を作成する。例えば、図２Ａに示すように、ＤＬ学習モデル作成部１２３は、板金向けで価格見積用のＤＬ学習モデル（１）や、板金向けで納期見積用のＤＬ学習モデル（２）等を作成する。
図２Ｂは、実施例に係るＤＬ学習モデルを作成する処理の別の一例を示す図である。図２Ｂに示すように、受付部１２１で受け付けられたネジの３Ｄモデル２００は、画像変換部１２２で所定の画像変換処理がおこなわれて、ネジの３Ｄモデル２００を様々な向きから見た複数の画像データ２０１に変換される。例えば、図２Ｂに示すように、ネジモデルＥの３Ｄモデル２００から複数の画像データ２０１に変換され、ネジモデルＦの３Ｄモデル２００から別の複数の画像データ２０１に変換される。
次に、ＤＬ学習モデル作成部１２３は、画像変換部１２２で変換されたネジの画像データ２０１と、利用者端末１０から別途入力される入力情報２０２に含まれるネジの取引データとを対応付けた教師データ２０３を記憶部１３０に記憶する。そして、ＤＬ学習モデル作成部１２３は、かかる教師データ２０３を用いてディープラーニングを実行する。これにより、ＤＬ学習モデル作成部１２３は、複数のＤＬ学習モデル１３１を作成する。例えば、図２Ｂに示すように、ＤＬ学習モデル作成部１２３は、ネジ向けで価格見積用のＤＬ学習モデル（３）や、ネジ向けで納期見積用のＤＬ学習モデル（４）等を作成する。
このように、様々な部品の画像データ２０１と、かかる部品の取引データとを対応付けた教師データ２０３からＤＬ学習モデル１３１を作成することにより、部品の形状によって価格や納期等が変化することを学習することができる。
また、実施例では、ディープラーニングを実行してＤＬ学習モデル１３１を作成することにより、部品の形状の特徴を精度よく抽出することができる。さらに、実施例では、ユーザが様々な部品の形状の特徴を設定することなく、部品の形状の特徴を抽出することができる。したがって、実施例によれば、ユーザの負担を軽減することができる。
つづいて、作成されたＤＬ学習モデル１３１を用いて、見積学習モデル１３２を作成する処理について、図３Ａを用いて説明する。図３Ａは、実施例に係る見積学習モデルを作成する処理の一例を示す図である。
図３Ａに示すように、受付部１２１で受け付けられた板金の３Ｄモデル２００は、画像変換部１２２で所定の画像変換処理がおこなわれて、板金の３Ｄモデル２００を様々な向きから見た複数の画像データ２０１に変換される。例えば、図３Ａに示すように、板金モデルＡの３Ｄモデル２００から複数の画像データ２０１に変換され、板金モデルＢの３Ｄモデル２００から別の複数の画像データ２０１に変換される。
つづいて、特徴ベクトル抽出部１２４は、画像変換部１２２で変換された板金の画像データ２０１と、上述したＤＬ学習モデル１３１とに基づいて、板金の加工形状特徴ベクトル２１０を抽出する。かかる加工形状特徴ベクトル２１０は、部品の形状の特徴が抽出されたベクトルであり、たとえば、特徴の数（ニューロン数）をＴ要素とし、画像データ２０１がＲ方向だけ変換された場合、Ｔ要素×Ｒ方向のベクトルとなる。
次に、見積学習モデル作成部１２５は、加工形状特徴ベクトル２１０と、利用者端末１０から別途入力される入力情報２０２に含まれる板金のスペックと、入力情報２０２に含まれる板金の取引データとを対応付けた教師データ２１２を記憶部１３０に記憶する。そして、見積学習モデル作成部１２５は、かかる教師データ２１２を用いて機械学習を実行する。かかる機械学習としては、例えばＳＶＭ（Support Vector Machine）等を用いることができる。これにより、見積学習モデル作成部１２５は、複数の見積学習モデル１３２を作成する。例えば、図３Ａに示すように、見積学習モデル作成部１２５は、板金向けで価格見積用の見積学習モデル（１）や、板金向けで納期見積用の見積学習モデル（２）等を作成する。
図３Ｂは、実施例に係る見積学習モデルを作成する処理の別の一例を示す図である。図３Ｂに示すように、受付部１２１で受け付けられたネジの３Ｄモデル２００は、画像変換部１２２で所定の画像変換処理がおこなわれて、ネジの３Ｄモデル２００を様々な向きから見た複数の画像データ２０１に変換される。例えば、図３Ｂに示すように、ネジモデルＥの３Ｄモデル２００から複数の画像データ２０１に変換され、ネジモデルＦの３Ｄモデル２００から別の複数の画像データ２０１に変換される。
つづいて、特徴ベクトル抽出部１２４は、画像変換部１２２で変換されたネジの画像データ２０１と、上述したＤＬ学習モデル１３１とに基づいて、ネジの加工形状特徴ベクトル２１０を抽出する。次に、見積学習モデル作成部１２５は、加工形状特徴ベクトル２１０と、利用者端末１０から別途入力される入力情報２０２に含まれるネジのスペックと、入力情報２０２に含まれるネジの取引データとを対応付けた教師データ２１２を記憶部１３０に記憶する。そして、見積学習モデル作成部１２５は、かかる教師データ２１２を用いて、ＳＶＭ等の機械学習を実行する。これにより、見積学習モデル作成部１２５は、複数の見積学習モデル１３２を作成する。例えば、図３Ｂに示すように、見積学習モデル作成部１２５は、ネジ向けで価格見積用の見積学習モデル（３）や、ネジ向けで納期見積用の見積学習モデル（４）等を作成する。
図４は、実施例の教師データのデータ構造の一例を示す図である。図４に示すように、教師データ２１２は、取引データ２１２ａと、スペック２１２ｂと、加工形状特徴ベクトル２１２ｃとを対応付けて記憶する。取引データ２１２ａは、例えば、価格であるが、これに限定されず、部品の取引データ（たとえば、納期等）であれば良い。なお、取引データ２１２ａは、教師データ２１２のラベルとしても用いられる。スペック２１２ｂは、例えば、部品の公差や材料、製造数等であるが、これに限定されず、部品のスペックであれば良い。加工形状特徴ベクトル２１２ｃは、例えば、特徴１、特徴２・・となっており、かかる特徴Ｘ（Ｘは正数）が部品の様々な特徴を表している。なお、かかる加工形状特徴ベクトル２１２ｃは、上述の加工形状特徴ベクトル２１０に対応する。
図５は、実施例の見積学習モデルと部品の形状カテゴリとＤＬ学習モデルと見積対象との関係について示す図である。図５に示すように、例えば、見積学習モデル１３２が「見積学習モデル（１）」である場合に、部品の形状カテゴリとして「板金」、ＤＬ学習モデル１３１として「ＤＬ学習モデル（１）」、見積対象として「価格」が対応している。また、見積学習モデル１３２が「見積学習モデル（２）」である場合に、部品の形状カテゴリとして「板金」、ＤＬ学習モデル１３１として「ＤＬ学習モデル（２）」、見積対象として「納期」が対応している。このように、見積学習モデル１３２、部品の形状カテゴリ、ＤＬ学習モデル１３１及び見積対象は、すべて１対１で対応している。
つづいて、かかる見積学習モデル１３２を用いた見積対象部品を見積もる処理について、図６を用いて説明する。図６は、実施例に係る見積対象部品を見積もる処理の一例を示す図である。図６に示すように、受付部１２１で受け付けられた見積対象部品である板金の３Ｄモデル２２０は、画像変換部１２２で所定の画像変換処理がおこなわれて、見積対象部品の３Ｄモデル２２０を様々な向きから見た複数の画像データ２２１に変換される。
次に、特徴ベクトル抽出部１２４は、画像変換部１２２で変換された見積対象部品の画像データ２２１と、見積対象部品に適合するＤＬ学習モデル１３１（例えば、ＤＬ学習モデル（１））とに基づいて、見積対象部品の加工形状特徴ベクトル２２２を抽出する。
次に、見積部１２６は、抽出された加工形状特徴ベクトル２２２と、見積対象部品のスペックと、見積対象部品に適合する見積学習モデル１３２（例えば、見積学習モデル（１））とに基づいて、見積対象部品の見積結果２２４を算出する。なお、見積対象部品のスペックは、利用者端末１０から別途入力される入力情報２２３に含まれる。
ここまで説明したように、実施例では、最初の段階で、部品の形状の特徴と部品の取引データとを対応付けた教師データ２０３を用いて、ＤＬ学習モデル１３１を作成する。そして、次の段階で、作成されたＤＬ学習モデル１３１に基づいて特徴が抽出された加工形状特徴ベクトル２１０と、部品のスペックと、部品の取引データとを対応付けた教師データ２１２を用いて、見積学習モデル１３２を作成する。最後に、作成された見積学習モデル１３２に基づいて見積対象部品を見積もる。
ここで仮に、様々な部品の画像データと、かかる部品のスペックと、部品の取引データとを対応付けた教師データを用いてディープラーニングを実行し、直接（すなわち、１段階で）見積もり用の学習モデルを作成したとする。この場合、画像データが同じであり、部品のスペックも同じであり、数量のみが異なる場合には、教師データのラベルである価格が異なってくるが、どちらのラベル（価格）を正解にするかによってディープニューラルネットワークが異なる。したがって、この場合精度よく見積もりを行うことが困難である。
一方で、実施例では、２段階の機械学習で見積もり用の学習モデル（見積学習モデル１３２）を作成することにより、精度の高い学習モデルを作成することができる。したがって、実施例によれば、見積対象部品の見積もりを精度よく行うことができる。
また、図５に示したように、実施例では、部品の形状カテゴリや見積対象に応じて、それぞれに適合するＤＬ学習モデル１３１と見積学習モデル１３２とを作成することにより、見積もりの精度を向上させることができる。ここで、図６で示した見積対象部品を見積もる処理において、見積対象部品に適合するＤＬ学習モデル１３１や見積学習モデル１３２を選択する手法としては、以下の３つが挙げられる。
（１）ユーザが選択
（２）ユーザが選択した見積対象部品の形状カテゴリ及び見積対象に基づいて、情報処理装置１００が選択
（３）情報処理装置１００が自動選択
つづいては、かかる３つの手法のうち、情報処理装置１００がＤＬ学習モデル１３１や見積学習モデル１３２を自動選択する処理について、図７を用いて説明する。図７は、実施例の見積学習モデルの自動選択処理の一例を示す図である。
なお、かかる自動選択処理を情報処理装置１００で行う場合、情報処理装置１００の制御部１２０には類似度算出部１２７が別途設けられ、記憶部１３０には教師データＤＢ１３３が別途記憶される。かかる教師データＤＢ１３３は、図２Ａ等に示したＤＬ学習モデル１３１を作成する際に用いられる教師データ２０３がすべて記憶されたデータベースである。さらに、教師データＤＢ１３３には、それぞれの教師データ２０３に紐付いたＤＬ学習モデル１３１及び加工形状特徴ベクトル２１０が記憶されている。
図７に示すように、受付部１２１で受け付けられた見積対象部品である板金の３Ｄモデル２２０に基づいて、画像変換部１２２及び特徴ベクトル抽出部１２４にて上述の各種処理がおこなわれ、見積対象部品の加工形状特徴ベクトル２２２が抽出される。つづいて、類似度算出部１２７は、見積対象部品の加工形状特徴ベクトル２２２と、教師データＤＢ１３３に記憶される教師データ２０３との類似度を算出する。そして、類似度算出部１２７は、抽出された類似度の高い教師データ２０３に紐付いたＤＬ学習モデル１３１を、類似度の高いＤＬ学習モデル１３１として選択する（ステップＳ０１）。
図８は、実施例の自動選択処理における類似度の順位の一例を示す図である。例えば、類似度が１位の教師データ２０３である「教師データ２３」には、ＤＬ学習モデル１３１として「ＤＬ学習モデル（３）」が紐付いている。また、類似度が２位の教師データ２０３である「教師データ４」には、ＤＬ学習モデル１３１として「ＤＬ学習モデル（３）」が紐付いている。また、類似度が３位の教師データ２０３である「教師データ８９」には、ＤＬ学習モデル１３１として「ＤＬ学習モデル（５）」が紐付いている。このように順位付けられた教師データ２０３に基づいて、上位（たとえば、トップ２０やトップ５０）の教師データ２０３に紐付けられたＤＬ学習モデル１３１から類似度の高いＤＬ学習モデル１３１が選択される。
図７の説明に戻る。次に、類似度算出部１２７は、見積もりの際にユーザから設定される見積対象（価格や納期等）に基づいて、類似度が高い形状カテゴリを確認する（ステップＳ０２）。そして、類似度算出部１２７は、類似度が高い形状カテゴリと、類似度が高いＤＬ学習モデル１３１とに基づいて、類似度の高い見積学習モデル１３２を選択する（ステップＳ０３）。
ここまで説明した見積学習モデル１３２の自動選択処理により、ユーザが特に意識することなく、見積対象部品に適合した見積学習モデル１３２を選択することができる。
［処理の流れ］
次に、本実施例における各種処理の流れについて、図９〜図１４を用いて説明する。図９は、実施例の見積学習モデルを作成する処理の流れの例を示す図である。図９に示すように、受付部１２１は、様々な部品の３Ｄモデル２００を受け付ける（ステップＳ１０）。つづいて、画像変換部１２２は、受け付けられた部品の３Ｄモデル２００を画像データ２０１に変換する（ステップＳ１１）。また、ステップＳ１０及びＳ１１の処理と並行して、受付部１２１は、様々な部品の取引データを受け付ける（ステップＳ１２）。
次に、ＤＬ学習モデル作成部１２３は、画像変換部１２２で変換された画像データ２０１と、部品の取引データとを対応付けた教師データ２０３を作成する（ステップＳ１３）。そして、ＤＬ学習モデル作成部１２３は、かかる教師データ２０３を用いて深層学習を行う（ステップＳ１４）。かかる深層学習は、例えば、多層構造の深層ニューラルネットワークをモデルとして用いるディープラーニングである。かかる深層学習により、ＤＬ学習モデル作成部１２３は、ＤＬ学習モデル１３１を作成する（ステップＳ１５）。
次に、受付部１２１は、様々な部品の３Ｄモデル２００を受け付ける（ステップＳ１６）。つづいて、画像変換部１２２は、受け付けられた部品の３Ｄモデル２００を画像データ２０１に変換する（ステップＳ１７）。次に、特徴ベクトル抽出部１２４は、変換された画像データ２０１をステップＳ１５で作成したＤＬ学習モデル１３１に入力し（ステップＳ１８）、加工形状特徴ベクトル２１０を抽出する（ステップＳ１９）。また、ステップＳ１６〜Ｓ１９の処理と並行して、受付部１２１は、様々な部品のスペック及び取引データを受け付ける（ステップＳ２０）。
次に、見積学習モデル作成部１２５は、抽出された加工形状特徴ベクトル２１０と、部品のスペックと、部品の取引データとを対応付けた教師データ２１２を作成する（ステップＳ２１）。そして、見積学習モデル作成部１２５は、かかる教師データ２１２を用いて機械学習を行う（ステップＳ２２）。かかる機械学習は、例えば、ＳＶＭである。かかる機械学習により、見積学習モデル作成部１２５は、見積学習モデル１３２を作成し（ステップＳ２３）、処理を終了する。
図１０は、実施例の見積対象部品を見積もる処理の流れの例を示す図である。図１０に示すように、受付部１２１は、見積対象部品の３Ｄモデル２２０を受け付ける（ステップＳ３０）。つづいて、画像変換部１２２は、受け付けられた見積対象部品の３Ｄモデル２２０を画像データ２２１に変換する（ステップＳ３１）。次に、特徴ベクトル抽出部１２４は、変換された画像データ２２１を見積対象部品に適合するＤＬ学習モデル１３１に入力し（ステップＳ３２）、加工形状特徴ベクトル２２２を抽出する（ステップＳ３３）。また、ステップＳ３０〜Ｓ３３の処理と並行して、受付部１２１は、見積対象部品のスペックを受け付ける（ステップＳ３４）。
次に、見積部１２６は、抽出された加工形状特徴ベクトル２２２と、見積対象部品のスペックとに関するデータを合成する（ステップＳ３５）。そして、見積部１２６は、かかる合成されたデータを見積学習モデル１３２に入力し（ステップＳ３６）、見積結果を出力して（ステップＳ３７）、処理を終了する。
図１１は、実施例の加工形状特徴ベクトルを抽出する処理の流れの例を示す図である。図１１に示すように、情報処理装置１００の受付部１２１は、部品の３Ｄモデル２００を受け付ける（ステップＳ４０）。次に、画像変換部１２２は、受け付けられた３Ｄモデル２００から複数の画像データ２０１をレンダリングする（ステップＳ４１）。つづいて、特徴ベクトル抽出部１２４は、深層ニューラルネットワークを用いて、各レンダリングされた画像データ２０１から特徴量を抽出する（ステップＳ４２）。かかる特徴量は、加工形状特徴ベクトル２１０に対応する。この特徴量を抽出する処理の詳細については後述する。
次に、特徴ベクトル抽出部１２４は、オブジェクトの寸法に関連する複数の寸法情報を付加する（ステップＳ４３）。そして、特徴ベクトル抽出部１２４は、３Ｄモデル２００のすべての加工形状特徴ベクトル２１０と付加された寸法情報とが組み合わせられた、３Ｄモデル２００についての１つの３Ｄ記述子を出力し（ステップＳ４４）、処理を終了する。
図１２は、実施例の画像データを加工形状特徴ベクトルに変換する処理の流れの例を示す図である。図１２に示すように、情報処理装置１００の特徴ベクトル抽出部１２４は、画像変換部１２２で変換された画像データ２０１を読み込む（ステップＳ５０）。つづいて、特徴ベクトル抽出部１２４は、読み込んだ画像データ２０１が深層ニューラルネットワークと適合するように前処理を行う（ステップＳ５１）。かかる前処理は、例えば、リスケーリングや平均抽出、色チャネルスワッピング等である。
次に、特徴ベクトル抽出部１２４は、前処理した画像データ２０１を深層ニューラルネットワークの入力層に配置して、出力層Ｌに達するまで深層ニューラルネットワークを介してかかる画像データ２０１を順伝播させる（ステップＳ５２）。そして、特徴ベクトル抽出部１２４は、出力層Ｌにおけるデータを、加工形状特徴ベクトル２１０として出力し（ステップＳ５３）、処理を終了する。
図１３は、実施例の見積学習モデルを選択する処理の流れの例を示す図である。図１３に示すように、情報処理装置１００は、見積対象部品を見積もる処理を実行したユーザの利用者端末１０に対して、記憶部１３０に記憶されているすべての見積学習モデル１３２を一覧として表示する（ステップＳ６０）。そして、情報処理装置１００は、表示されたすべての見積学習モデル１３２から、見積対象部品に適合する見積学習モデル１３２をユーザに選択させる（ステップＳ６１）。
ここで、見積対象部品に適合する見積学習モデル１３２をユーザが選択した場合（ステップＳ６１，Ｙｅｓ）、選択された見積学習モデル１３２を見積対象部品に適合する見積学習モデル１３２として決定し（ステップＳ６２）、処理を終了する。例えば、ユーザが見積対象部品に適合する見積学習モデル１３２として、「見積学習モデル（３）」を選択した場合、情報処理装置１００は、かかる「見積学習モデル（３）」を見積対象部品に適合する見積学習モデル１３２として決定する。
一方、見積対象部品に適合する見積学習モデル１３２をユーザが選択しなかった場合（ステップＳ６１，Ｎｏ）、情報処理装置１００は、見積対象部品の形状カテゴリ（例えば、板金やネジ）と、見積対象（例えば、価格や納期）とをユーザに選択させる（ステップＳ６３）。かかる選択させる処理は、例えば、情報処理装置１００が、ユーザの利用者端末１０に選択させる項目を表示することによりおこなわれる。
ここで、見積対象部品の形状カテゴリと見積対象とをユーザが選択した場合（ステップＳ６３，Ｙｅｓ）、情報処理装置１００は、選択された見積対象部品の形状カテゴリと見積対象とに基づいた見積学習モデル１３２を決定し（ステップＳ６４）、処理を終了する。例えば、ユーザが見積対象部品の形状カテゴリとして「ネジ」を、見積対象として「価格」を選択した場合、情報処理装置１００は、かかる「ネジ」と「価格」とに基づいた「見積学習モデル（３）」を見積対象部品に適合する見積学習モデル１３２として決定する。
一方、見積対象部品の形状カテゴリと見積対象とをユーザが選択しなかった場合（ステップＳ６３，Ｎｏ）、情報処理装置１００の受付部１２１は、見積対象部品の３Ｄモデル２２０を読み込む（ステップＳ６５）。次に、画像変換部１２２は、読み込まれた見積対象部品の３Ｄモデル２２０を画像データ２２１に変換する（ステップＳ６６）。次に、特徴ベクトル抽出部１２４は、見積対象部品の画像データ２２１から加工形状特徴ベクトル２２２を抽出する（ステップＳ６７）。次に、類似度算出部１２７は、抽出された見積対象部品の加工形状特徴ベクトル２２２と、教師データＤＢ１３３に記憶される教師データ２０３との類似度を計算する（ステップＳ６８）。これにより、類似度算出部１２７は、抽出された類似度の高い教師データ２０３に紐付いたＤＬ学習モデル１３１を、類似度の高いＤＬ学習モデル１３１として選択する。
次に、類似度算出部１２７は、見積もりの際にユーザから設定される見積対象（価格や納期等）に基づいて、類似上位の形状カテゴリを確認する（ステップＳ６９）。そして、類似度算出部１２７は、類似上位の形状カテゴリと、類似度が高いＤＬ学習モデル１３１とに基づいて、類似度の高い見積学習モデル１３２を決定し（ステップＳ７０）、処理を終了する。
図１４は、実施例の教師データの類似度を計算する処理の流れの例を示す図である。図１４に示すように、情報処理装置１００の類似度算出部１２７は、見積対象部品についての組み立てられた記述子を使用して特徴量行列ｆＭを作成し、寸法に関連する特徴量を取得する（ステップＳ８０）。特徴量行列ｆＭは、レンダリングされた画像データ２２１と同じ数の行と、加工形状特徴ベクトル２２２における特徴量と同じ数の列とを有する。この情報は、例えば、データを行列形式で提示するための、記述子を形成している連続ベクトルに対する標準行列形状変更演算により、見積対象部品の３Ｄモデル２２０の組み立てられた記述子から抽出される。ここで、組み立てられた記述子が行列形式で記憶されている場合、特徴量行列ｆＭを形成するためのデータを抽出するときに、形状変更演算は必要とされない。また、寸法情報は、単に組み立てられた記述子から抽出される。
次に、類似度算出部１２７は、データベース行列ｄＭを作成する（ステップＳ８１）。かかるデータベース行列ｄＭを作成するために、教師データＤＢ１３３内の各教師データ２０３についての特徴量行列ｆＭが作成され、これらの特徴量行列ｆＭのすべての行が付加されてデータベース行列ｄＭが作成される。
次に、類似度算出部１２７は、類似度行列ｓＭを算出する（ステップＳ８２）。ここで、類似度行列ｓＭは、以下の式（１）で算出される。
ｓＭ＝１−ｆＭ＊ｄＭＴ ・・・（１）
すなわち、類似度行列ｓＭは、見積対象部品の各画像データ２２１の加工形状特徴ベクトル２２２と、教師データＤＢ１３３内の各教師データ２０３の加工形状特徴ベクトル２１０との間のコサイン距離を含む。なお、類似度行列ｓＭを算出する上記の式（１）において、「＊」は行列乗算を表し、上付きの「Ｔ」は行列転置を表す。また、かかる式（１）では、加工形状特徴ベクトルが正規化されていると仮定していることに留意されたい。
次に、類似度算出部１２７は、類似度行列ｓＭに対して簡約演算を行うことにより、類似度ベクトルｓＶを算出する（ステップＳ８３）。かかる類似度ベクトルｓＶは、教師データＤＢ１３３に記憶される教師データ２０３の総数と同じ長さを有し、類似度ベクトルｓＶのｊ番目の要素は、見積対象部品と教師データＤＢ１３３内のｊ番目の教師データ２０３との間の距離を格納するものとする。ここで、画像データ２２１ｉと教師データ２０３ｊとの間の距離は、画像データ２２１ｉに対応する加工形状特徴ベクトル２２２と、教師データ２０３ｊの全ての画像データ２０１に対応する加工形状特徴ベクトル２１０との間の最小コサイン距離として定義される。なお、画像データ２２１ｉとは、見積対象部品のｉ番目の画像データ２２１であり、教師データ２０３ｊとは、教師データＤＢ１３３内のｊ番目の教師データ２０３のことである。また、見積対象部品と教師データ２０３ｊとの間の距離は、見積対象部品の画像データ２２１と教師データ２０３ｊの画像データ２０１との間のすべての距離にわたる総和として定義される。
次に、類似度算出部１２７は、寸法情報に基づいて寸法基準を満たさない教師データ２０３を除去し、選択肢を絞る（ステップＳ８４）。そして、類似度算出部１２７は、類似するとして選択された教師データ２０３のうち、Ｎ個の最も類似する教師データ２０３のＩＤを出力し（ステップＳ８５）、処理を終了する。ここで、最初に選択された教師データ２０３は、見積対象部品に対して最小距離（すなわち、最も近い類似度）を有する教師データ２０３である。
［効果］
以上説明したように、本実施例における部品見積もりプログラムは、第１学習モデルと、見積もりの対象である見積対象部品の画像データとに基づいて見積対象部品の特徴ベクトルを抽出する処理をコンピュータに実行させる。ここで、第１学習モデルは、部品の画像データと部品の取引データとを一組の教師データとして作成された学習モデルである。また、部品見積もりプログラムは、第２学習モデルと、見積対象部品の特徴ベクトルと、見積対象部品のスペックとに基づいて見積対象部品の取引データを見積もる処理をコンピュータに実行させる。ここで、第２学習モデルは、第１学習モデルに基づいて抽出された部品の特徴ベクトルと部品のスペックと部品の取引データとを一組の教師データとして作成された学習モデルである。これにより、ユーザが部品の形状の特徴を設定する場合に比べて、部品の形状の特徴を十分に設定することができることから、精度よく部品の見積もりを行うことができる。また、様々な部品の画像データと部品のスペック及び取引データとを対応付けた教師データを用いて１段階のディープラーニングを実行した場合に比べて、精度の高い学習モデルを作成することができることから、精度よく部品の見積もりを行うことができる。
また、本実施例における部品見積もりプログラムにおいて、抽出する処理は、複数の第１学習モデルから、見積対象部品に適合する第１学習モデルに基づいて見積対象部品の特徴ベクトルを抽出する。また、部品見積もりプログラムにおいて、見積もる処理は、複数の第２学習モデルから、見積対象部品に適合する第２学習モデルに基づいて見積対象部品の取引データを見積もる。これにより、様々な部品に適合した学習モデルに基づいて部品の見積もりをおこなうことができることから、精度よく部品の見積もりを行うことができる。
また、本実施例における部品見積もりプログラムにおいて、見積もる処理は、見積対象部品に適合する第２学習モデルとして、特徴ベクトルの類似度が高い第２学習モデルをコンピュータが選択する。これにより、ユーザが特に意識することなく、見積対象部品に適合した学習モデルを選択することができる。
また、本実施例における部品見積もりプログラムにおいて、見積もる処理は、見積対象部品に適合する第２学習モデルを、ユーザに選択された見積対象部品の形状カテゴリと、見積もりの対象となる取引データとに基づいてコンピュータが選択する。これにより、ユーザが大きな負担を強いられることなく、見積対象部品に適合した学習モデルを選択することができる。
また、本実施例における部品見積もりプログラムにおいて、見積もる処理は、見積対象部品に適合する第２学習モデルを、ユーザが選択する。これにより、ユーザが見積対象部品に適合する学習モデルを知っている場合に、かかる学習モデルに基づいて部品の見積もりを行うことができる。
［システム］
また、実施例において説明した各処理のうち、自動的におこなわれるものとして説明した処理の全部または一部を手動的におこなうこともできる。あるいは、手動的におこなわれるものとして説明した処理の全部または一部を公知の方法で自動的におこなうこともできる。この他、上記文書中や図面中で示した処理手順、制御手順、具体的名称、各種のデータやパラメータを含む情報については、特記する場合を除いて任意に変更することができる。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、各装置の分散や統合の具体的形態は図示のものに限られない。つまり、その全部または一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、見積学習モデル１３２を作成する処理を行う処理部（ＤＬ学習モデル作成部１２３や見積学習モデル作成部１２５等）と、見積対象部品を見積もる処理を行う処理部（見積部１２６等）を機能的または物理的に分散して構成しても良い。さらに、各装置にておこなわれる各処理機能は、その全部または任意の一部が、ＣＰＵ及び当該ＣＰＵにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
［部品見積もりプログラム］
また、上記の実施例で説明した情報処理装置１００の各種の処理は、あらかじめ用意されたプログラムをパーソナルコンピュータやワークステーション等のコンピュータシステムで実行することによって実現することもできる。そこで、以下では、図１５を用いて、上記の各実施例で説明した情報処理装置１００と同様の機能を有する部品見積もりプログラムを実行するコンピュータの一例を説明する。図１５は、部品見積もりプログラムを実行するコンピュータを示す図である。
図１５に示すように、コンピュータ３００は、ＣＰＵ３１０、ＲＯＭ３２０、ＨＤＤ３３０、ＲＡＭ３４０を有する。これら各機器３１０〜３４０は、バス３５０を介して接続されている。
ＲＯＭ３２０には、ＯＳ（Operating System）等の基本プログラムが記憶されている。また、ＨＤＤ３３０には、上記の実施例で示す受付部１２１、画像変換部１２２、ＤＬ学習モデル作成部１２３、特徴ベクトル抽出部１２４、見積学習モデル作成部１２５及び見積部１２６と同様の機能を発揮する部品見積もりプログラム３３０ａが予め記憶される。また、部品見積もりプログラム３３０ａについては、適宜分離しても良い。また、ＨＤＤ３３０には、記憶部１３０に記憶された各種のデータ、各種のテーブルが設けられる。
そして、ＣＰＵ３１０が、部品見積もりプログラム３３０ａをＨＤＤ３３０から読み出して実行する。
そして、ＣＰＵ３１０は、各種のデータ、各種のテーブルを読み出してＲＡＭ３４０に格納する。さらに、ＣＰＵ３１０は、ＲＡＭ３４０に格納された各種のデータ、各種のテーブルを用いて、部品見積もりプログラム３３０ａを実行する。なお、ＲＡＭ３４０に格納されるデータは、常に全てのデータがＲＡＭ３４０に格納されなくとも良い。処理に用いられるデータがＲＡＭ３４０に格納されれば良い。
以上の各実施例を含む実施形態に関し、さらに以下の付記を開示する。
（付記１）部品の画像データと前記部品の取引データとを一組の教師データとして作成された第１学習モデルと、見積もりの対象である見積対象部品の画像データとに基づいて前記見積対象部品の特徴ベクトルを抽出し、
前記第１学習モデルに基づいて抽出された部品の特徴ベクトルと前記部品のスペックと前記部品の取引データとを一組の教師データとして作成された第２学習モデルと、前記見積対象部品の特徴ベクトルと、前記見積対象部品のスペックとに基づいて前記見積対象部品の取引データを見積もる
処理をコンピュータに実行させる部品見積もりプログラム。
（付記２）前記抽出する処理は、
複数の前記第１学習モデルから、前記見積対象部品に適合する前記第１学習モデルに基づいて前記見積対象部品の特徴ベクトルを抽出し、
前記見積もる処理は、
複数の前記第２学習モデルから、前記見積対象部品に適合する前記第２学習モデルに基づいて前記見積対象部品の取引データを見積もることを特徴とする付記１に記載の部品見積もりプログラム。
（付記３）前記見積もる処理は、
前記見積対象部品に適合する前記第２学習モデルとして、前記特徴ベクトルの類似度が高い前記第２学習モデルを前記コンピュータが選択することを特徴とする付記２に記載の部品見積もりプログラム。
（付記４）前記見積もる処理は、
前記見積対象部品に適合する前記第２学習モデルを、ユーザに選択された前記見積対象部品の形状カテゴリと、見積もりの対象となる前記取引データとに基づいて前記コンピュータが選択することを特徴とする付記２に記載の部品見積もりプログラム。
（付記５）前記見積もる処理は、
前記見積対象部品に適合する前記第２学習モデルを、ユーザが選択することを特徴とする付記２に記載の部品見積もりプログラム。
（付記６）部品の画像データと、前記部品の取引データとを一組の教師データとして第１学習モデルを作成し、前記第１学習モデルに基づいて抽出された部品の特徴ベクトルと、前記部品のスペックと、前記部品の取引データとを一組の教師データとして第２学習モデルを作成する第１の情報処理装置と、
前記第１学習モデルと、見積もりの対象である見積対象部品の画像データとに基づいて前記見積対象部品の特徴ベクトルを抽出し、前記第２学習モデルと、前記見積対象部品の特徴ベクトルと、前記見積対象部品のスペックとに基づいて前記見積対象部品の取引データを見積もる第２の情報処理装置と
を有することを特徴とする部品見積もりシステム。
（付記７）前記第２の情報処理装置は、
複数の前記第１学習モデルから、前記見積対象部品に適合する前記第１学習モデルに基づいて前記見積対象部品の特徴ベクトルを抽出し、
前記見積もる処理は、
複数の前記第２学習モデルから、前記見積対象部品に適合する前記第２学習モデルに基づいて前記見積対象部品の取引データを見積もることを特徴とする付記６に記載の部品見積もりシステム。
（付記８）前記第２の情報処理装置は、
前記見積対象部品に適合する前記第２学習モデルとして、前記特徴ベクトルの類似度が高い前記第２学習モデルを前記情報処理装置が選択することを特徴とする付記７に記載の部品見積もりシステム。
（付記９）前記第２の情報処理装置は、
前記見積対象部品に適合する前記第２学習モデルを、ユーザに選択された前記見積対象部品の形状カテゴリと、見積もりの対象となる前記取引データとに基づいて前記情報処理装置が選択することを特徴とする付記７に記載の部品見積もりシステム。
（付記１０）前記第２の情報処理装置は、
前記見積対象部品に適合する前記第２学習モデルを、ユーザが選択することを特徴とする付記７に記載の部品見積もりシステム。
（付記１１）部品の画像データと前記部品の取引データとを一組の教師データとして作成された第１学習モデルと、見積もりの対象である見積対象部品の画像データとに基づいて前記見積対象部品の特徴ベクトルを抽出し、
前記第１学習モデルに基づいて抽出された部品の特徴ベクトルと前記部品のスペックと前記部品の取引データとを一組の教師データとして作成された第２学習モデルと、前記見積対象部品の特徴ベクトルと、前記見積対象部品のスペックとに基づいて前記見積対象部品の取引データを見積もる
情報処理装置を有することを特徴とする部品見積もりシステム。
（付記１２）部品の画像データと、前記部品の取引データとを一組の教師データとして第１学習モデルを作成し、
前記第１学習モデルに基づいて抽出された部品の特徴ベクトルと、前記部品のスペックと、前記部品の取引データとを一組の教師データとして第２学習モデルを作成する
情報処理装置を有することを特徴とする部品見積もりシステム。
（付記１３）コンピュータが、
部品の画像データと前記部品の取引データとを一組の教師データとして作成された第１学習モデルと、見積もりの対象である見積対象部品の画像データとに基づいて前記見積対象部品の特徴ベクトルを抽出し、
前記第１学習モデルに基づいて抽出された部品の特徴ベクトルと前記部品のスペックと前記部品の取引データとを一組の教師データとして作成された第２学習モデルと、前記見積対象部品の特徴ベクトルと、前記見積対象部品のスペックとに基づいて前記見積対象部品の取引データを見積もる
処理を行う部品見積もり方法。
（付記１４）前記抽出する処理は、
複数の前記第１学習モデルから、前記見積対象部品に適合する前記第１学習モデルに基づいて前記見積対象部品の特徴ベクトルを抽出し、
前記見積もる処理は、
複数の前記第２学習モデルから、前記見積対象部品に適合する前記第２学習モデルに基づいて前記見積対象部品の取引データを見積もることを特徴とする付記１３に記載の部品見積もり方法。
（付記１５）前記見積もる処理は、
前記見積対象部品に適合する前記第２学習モデルとして、前記特徴ベクトルの類似度が高い前記第２学習モデルを前記コンピュータが選択することを特徴とする付記１４に記載の部品見積もり方法。
（付記１６）前記見積もる処理は、
前記見積対象部品に適合する前記第２学習モデルを、ユーザに選択された前記見積対象部品の形状カテゴリと、見積もりの対象となる前記取引データとに基づいて前記コンピュータが選択することを特徴とする付記１４に記載の部品見積もり方法。
（付記１７）前記見積もる処理は、
前記見積対象部品に適合する前記第２学習モデルを、ユーザが選択することを特徴とする付記１４に記載の部品見積もり方法。
１００ 情報処理装置
１１０ 通信部
１２０ 制御部
１２１ 受付部
１２２ 画像変換部
１２３ ＤＬ学習モデル作成部
１２４ 特徴ベクトル抽出部
１２５ 見積学習モデル作成部
１２６ 見積部
１３０ 記憶部
１３１ ＤＬ学習モデル
１３２ 見積学習モデル

Claims (7)

  1. 部品の画像データと前記部品の取引データとを一組の教師データとして作成された第１学習モデルと、見積もりの対象である見積対象部品の画像データとに基づいて前記見積対象部品の特徴ベクトルを抽出し、
    前記第１学習モデルに基づいて抽出された部品の特徴ベクトルと前記部品のスペックと前記部品の取引データとを一組の教師データとして作成された第２学習モデルと、前記見積対象部品の特徴ベクトルと、前記見積対象部品のスペックとに基づいて前記見積対象部品の取引データを見積もる
    処理をコンピュータに実行させる部品見積もりプログラム。
  2. 前記抽出する処理は、
    複数の前記第１学習モデルから、前記見積対象部品に適合する前記第１学習モデルに基づいて前記見積対象部品の特徴ベクトルを抽出し、
    前記見積もる処理は、
    複数の前記第２学習モデルから、前記見積対象部品に適合する前記第２学習モデルに基づいて前記見積対象部品の取引データを見積もることを特徴とする請求項１に記載の部品見積もりプログラム。
  3. 前記見積もる処理は、
    前記見積対象部品に適合する前記第２学習モデルとして、前記特徴ベクトルの類似度が高い前記第２学習モデルを前記コンピュータが選択することを特徴とする請求項２に記載の部品見積もりプログラム。
  4. 前記見積もる処理は、
    前記見積対象部品に適合する前記第２学習モデルを、ユーザに選択された前記見積対象部品の形状カテゴリと、見積もりの対象となる前記取引データとに基づいて前記コンピュータが選択することを特徴とする請求項２に記載の部品見積もりプログラム。
  5. 前記見積もる処理は、
    前記見積対象部品に適合する前記第２学習モデルを、ユーザが選択することを特徴とする請求項２に記載の部品見積もりプログラム。
  6. 部品の画像データと、前記部品の取引データとを一組の教師データとして第１学習モデルを作成し、前記第１学習モデルに基づいて抽出された部品の特徴ベクトルと、前記部品のスペックと、前記部品の取引データとを一組の教師データとして第２学習モデルを作成する第１の情報処理装置と、
    前記第１学習モデルと、見積もりの対象である見積対象部品の画像データとに基づいて前記見積対象部品の特徴ベクトルを抽出し、前記第２学習モデルと、前記見積対象部品の特徴ベクトルと、前記見積対象部品のスペックとに基づいて前記見積対象部品の取引データを見積もる第２の情報処理装置と
    を有することを特徴とする部品見積もりシステム。
  7. コンピュータが、
    部品の画像データと前記部品の取引データとを一組の教師データとして作成された第１学習モデルと、見積もりの対象である見積対象部品の画像データとに基づいて前記見積対象部品の特徴ベクトルを抽出し、
    前記第１学習モデルに基づいて抽出された部品の特徴ベクトルと前記部品のスペックと前記部品の取引データとを一組の教師データとして作成された第２学習モデルと、前記見積対象部品の特徴ベクトルと、前記見積対象部品のスペックとに基づいて前記見積対象部品の取引データを見積もる
    処理を行う部品見積もり方法。
JP2017152033A 2017-08-04 2017-08-04 部品見積もりプログラム、部品見積もりシステム及び部品見積もり方法 Active JP6870527B2 (ja)

Priority Applications (2)

Application Number Priority Date Filing Date Title
JP2017152033A JP6870527B2 (ja) 2017-08-04 2017-08-04 部品見積もりプログラム、部品見積もりシステム及び部品見積もり方法
US16/048,675 US20190042940A1 (en) 2017-08-04 2018-07-30 Information processing apparatus and component estimation method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2017152033A JP6870527B2 (ja) 2017-08-04 2017-08-04 部品見積もりプログラム、部品見積もりシステム及び部品見積もり方法

Publications (2)

Publication Number Publication Date
JP2019032623A JP2019032623A (ja) 2019-02-28
JP6870527B2 true JP6870527B2 (ja) 2021-05-12

Family

ID=65231080

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2017152033A Active JP6870527B2 (ja) 2017-08-04 2017-08-04 部品見積もりプログラム、部品見積もりシステム及び部品見積もり方法

Country Status (2)

Country Link
US (1) US20190042940A1 (ja)
JP (1) JP6870527B2 (ja)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111782577B (zh) 2019-04-04 2023-03-24 安徽寒武纪信息科技有限公司 数据处理装置及方法以及相关产品
CN111831337B (zh) 2019-04-19 2022-11-29 安徽寒武纪信息科技有限公司 数据同步方法及装置以及相关产品
KR102550451B1 (ko) * 2019-04-04 2023-06-30 캠브리콘 테크놀로지스 코퍼레이션 리미티드 데이터 처리방법과 장치 및 관련 제품
CN111782133A (zh) * 2019-04-04 2020-10-16 安徽寒武纪信息科技有限公司 数据处理方法及装置以及相关产品
US11216731B2 (en) * 2019-04-10 2022-01-04 Alexander Fairhart Apparatus and process for visual recognition
US20200410330A1 (en) 2019-06-27 2020-12-31 Advanced Micro Devices, Inc. Composable neural network kernels
JP7440220B2 (ja) 2019-07-30 2024-02-28 トルンプ株式会社 板金加工見積作成支援装置及び板金加工見積作成支援方法
US20210056484A1 (en) * 2019-08-21 2021-02-25 Hitachi, Ltd. System and methods for reply date response and due date management in manufacturing
JP7409080B2 (ja) * 2019-12-27 2024-01-09 富士通株式会社 学習データ生成方法、学習データ生成プログラムおよび情報処理装置
US11580390B2 (en) * 2020-01-22 2023-02-14 Canon Medical Systems Corporation Data processing apparatus and method
EP3916636A1 (de) * 2020-05-27 2021-12-01 Siemens Aktiengesellschaft Verfahren und systeme zum bereitstellen von synthetischen gelabelten trainingsdatensätzen und ihre anwendungen
JP2022191039A (ja) * 2021-06-15 2022-12-27 株式会社東芝 見積推定装置、見積推定方法および見積推定プログラム

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH05165842A (ja) * 1991-12-13 1993-07-02 Toyota Central Res & Dev Lab Inc 工程時間の見積り装置
JP6012860B2 (ja) * 2013-05-22 2016-10-25 株式会社日立製作所 作業時間推定装置

Also Published As

Publication number Publication date
US20190042940A1 (en) 2019-02-07
JP2019032623A (ja) 2019-02-28

Similar Documents

Publication Publication Date Title
JP6870527B2 (ja) 部品見積もりプログラム、部品見積もりシステム及び部品見積もり方法
EP3893154A1 (en) Recommendation model training method and related apparatus
EP3779774A1 (en) Training method for image semantic segmentation model and server
CN111428457B (zh) 数据表的自动格式化
CN109447958B (zh) 图像处理方法、装置、存储介质及计算机设备
US20190057527A1 (en) Digital Media Environment for Style-Aware Patching in a Digital Image
JP5717921B2 (ja) フォントを推奨するためのシステムおよび方法
US11443231B2 (en) Automated software selection using a vector-trained deep learning model
CN110647696A (zh) 一种业务对象的排序方法及装置
US11651255B2 (en) Method and apparatus for object preference prediction, and computer readable medium
CN109690581A (zh) 用户指导系统及方法
US11669566B2 (en) Multi-resolution color-based image search
CN108984555A (zh) 用户状态挖掘和信息推荐方法、装置以及设备
CN104951770A (zh) 人脸图像数据库的构建方法、应用方法及相应装置
CN116206012A (zh) 元素布局方法以及相关设备
CN112529665A (zh) 基于组合模型的产品推荐方法、装置及计算机设备
Gu et al. Data driven webpage color design
CN110209860B (zh) 一种模板引导的基于服装属性的可解释服装搭配方法及装置
CN110515929B (zh) 书籍展示方法、计算设备及存储介质
US20180143988A1 (en) Recommending Software Actions to Create an Image and Recommending Images to Demonstrate the Effects of Software Actions
CN116933362A (zh) 室内设计方案自动生成方法、装置、计算机设备及介质
EP4379574A1 (en) Recommendation method and apparatus, training method and apparatus, device, and recommendation system
JP4278022B2 (ja) データ管理システムおよび検索システム
CN112950167A (zh) 设计服务匹配方法、装置、设备及存储介质
CN112241598A (zh) 基于家具的供应商选择方法及相关装置

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200514

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: 20210316

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210329

R150 Certificate of patent or registration of utility model

Ref document number: 6870527

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150