JP6877978B2 - 学習装置、学習方法およびプログラム - Google Patents

Description

本発明は、機械学習によってデータを学習する学習装置、学習方法およびプログラムに関する。

一般に、複数のセンサから出力される数値データは、数値データのままでデータ分析されたり、データ種別ごとにグラフ化することでデータ分析されたりする。数値で表現されるセンサデータのままでは、重みづけによって注目すべき部分を目立たせることが容易ではなく、一見しただけではデータ特性を掴みづらかった。

特許文献１には、複数の機器から出力された時系列データを処理する機器データ処理装置について開示されている。特許文献１の装置は、第１座標軸に時刻を割り当て、第２座標軸に複数の機器を割り当てることによって座標空間を規定する。そして、特許文献１の装置は、複数の機器から収集された時系列データを、各時系列データの値に応じた輝度値で表示するための画像を生成する。

また、複数のセンサから出力される数値データを機械学習する場合、複数のセンサから出力される数値データごとに学習モデルを作成し、データ種別ごとに学習モデルに入力した結果を判別する必要があった。

特許文献２には、畳み込みニューラルネットワークを用いて、画像データが複数のカテゴリのいずれに属するかを算出する画像処理装置について開示されている。特許文献２の装置は、第１の係数を用いて畳み込み処理を行い、畳み込み処理結果について第２の係数を用いて全結合処理を行うことによって、画像データがいずれのカテゴリに属するのかを算出する。そして、特許文献２の装置は、全結合処理結果について、カテゴリごとに正規化を行う。特許文献２の装置は、第１の係数をカテゴリに対して共通に学習する一方で、第２の係数をカテゴリごとに学習する。

特開２０１５−２１５７０９号公報 特開２０１６−０３３８０６号公報

特許文献１の装置によれば、複数の機器が設置された設備等の状況をユーザにとって把握しやすい画像として提示することが可能となる。そのため、特許文献１の装置によれば、提示された画像を一見するだけで、データの特徴を把握することが可能となる。しかし、特許文献１の装置は、時系列データの値に応じて輝度値を設定するため、一つの機器から時系列データを得るために時間が掛かるという問題点があった。また、特許文献１の装置は、相関度の高い時系列データ同士が近接するように並び替えを行うが、相関度が高くても信号の周期が異なる場合には、画像情報に特徴が表れにくいという問題点があった。

特許文献２の装置によれば、画像データの適切なカテゴリ分類を支援することができる。しかし、特許文献２の装置は、カテゴリごとに画像データを全結合処理するため、カテゴリが多岐に渡る際には演算量が大きくなり、演算時間が増大するという問題点があった。

本発明の目的は、上述の課題を解決するため、複数の数値データをまとめて分析しやすい形式に変換するとともに、複数の数値データを機械学習によって一度に学習することができる学習装置を提供することにある。

本発明の一態様に係る学習装置は、複数のセンサデータを取得して、取得した複数のセンサデータに数値に基づいた画素情報を設定し、設定された画素情報を統合することによって画像データを生成する変換処理手段と、変換処理手段によって生成された画像データを取得して、取得した画像データに教師ラベルを付与することによって学習用データを生成するラベル付与手段と、ラベル付与手段によって生成された学習用データを取得して、学習用データを機械学習して学習モデルを生成し、生成した学習モデルを格納する機械学習エンジンとを備える。

本発明の一態様に係る学習方法は、複数のセンサデータを取得して、取得した複数のセンサデータに数値に基づいた画素情報を設定し、設定した画素情報を統合することによって画像データを生成し、生成した画像データに教師ラベルを付与することによって学習用データを生成し、生成した学習用データを機械学習して学習モデルを生成し、生成した学習モデルを格納する
本発明の一態様に係るプログラムは、複数のセンサデータを取得する処理と、取得した複数のセンサデータに数値に基づいた画素情報を設定する処理と、設定した画素情報を統合することによって画像データを生成する処理と、生成した画像データに教師ラベルを付与することによって学習用データを生成する処理と、生成した学習用データを機械学習して学習モデルを生成する処理と、生成した学習モデルを格納する処理とをコンピュータに実行させる。

本発明によれば、複数の数値データをまとめて分析しやすい形式に変換するとともに、複数の数値データを機械学習によって一度に学習することができる学習装置を提供することが可能になる。

本発明の第１の実施形態に係る学習装置の構成を示すブロック図である。 本発明の第１の実施形態に係る学習装置が用いるセンサデータを格納するセンサデータと複数のセンサとの接続例を示す概念図である。 本発明の第１の実施形態に係る学習装置が備える変換処理手段の構成を示すブロック図である。 本発明の第１の実施形態に係る学習装置が備えるデータ変換手段の構成を示すブロック図である。 本発明の第１の実施形態に係る学習装置が備えるデータ変換手段の動作の一例を示すフローチャートである。 本発明の第１の実施形態に係る学習装置が用いる複数のセンサデータをまとめたテーブルの一例である。 本発明の第１の実施形態に係る学習装置が用いる複数のセンサデータを画像データに変換した一例を示す概念図である。 本発明の第１の実施形態に係る学習装置が用いる複数のセンサデータをまとめたテーブルの別の一例である。 本発明の第１の実施形態に係る学習装置が用いる複数のセンサデータを画像データに変換した別の一例を示す概念図である。 本発明の第１の実施形態に係る学習装置が備えるラベル付与手段の構成を示すブロック図である。 本発明の第１の実施形態に係る学習装置が備える機械学習エンジンの構成を示すブロック図である。 本発明の第２の実施形態に係る学習装置が備えるデータ変換手段の構成を示すブロック図である。 本発明の第２の実施形態に係る学習装置が備えるデータ変換手段の動作の一例を示すフローチャートである。 本発明の第３の実施形態に係る学習装置が備えるデータ変換手段の構成を示すブロック図である。 本発明の第３の実施形態に係る学習装置が備えるデータ変換手段の動作の一例を示すフローチャートである。 本発明の第４の実施形態に係る学習装置の構成を示すブロック図である。 本発明の第４の実施形態に係る学習装置が備える機械学習エンジンの構成を示すブロック図である。 本発明の各実施形態に係るハードウェア構成の一例である。

以下に、本発明を実施するための形態について図面を用いて説明する。ただし、以下に述べる実施形態には、本発明を実施するために技術的に好ましい限定がされているが、発明の範囲を以下に限定するものではない。なお、以下の実施形態の説明に用いる全図においては、特に理由がない限り、同様箇所には同一符号を付す。また、以下の実施形態において、同様の構成・動作に関しては繰り返しの説明を省略する場合がある。また、図面中の矢印の向きは、一例を示すものであり、ブロック間の信号の向きを限定するものではない。

（第１の実施形態）
まず、本発明の第１の実施形態に係る学習装置について図面を参照しながら説明する。

図１は、本実施形態の学習装置１の構成を示すブロック図である。図１のように、学習装置１は、変換処理手段１０、ラベル付与手段２０、機械学習エンジン３０を備える。

学習装置１は、センサデータベース５０に接続される。学習装置１は、センサデータベース５０から複数のセンサデータを取得する。センサデータは、複数のセンサから出力される数値データである。なお、学習装置１とセンサデータベース５０とを組み合わせた学習システムを構成してもよい。

例えば、複数のセンサデータは、単一の装置に搭載された複数のセンサから取得されたデータによって構成される。また、例えば、複数のセンサデータは、複数の装置の同様箇所から取得されたデータによって構成される。また、例えば、複数のセンサデータは、特定の環境に配置された複数のセンサによって取得されたデータによって構成される。ただし、本実施形態の学習装置１が扱う複数のセンサデータは、ここで挙げた限りではない。本実施形態の学習装置１が扱う複数のセンサデータは、任意のデータを組み合わせたデータでもよく、必ずしもセンサによって取得されたデータではなくてもよい。

変換処理手段１０は、センサデータベース５０から複数のセンサデータを取得する。変換処理手段１０は、複数のセンサデータの数値に基づいて設定された画素情報を統合することによって画像データを生成する。変換処理手段１０は、変換した画像データをラベル付与手段２０に出力する。

画素情報とは、画像データを構成する画素ごとに設定される情報である。例えば、画像情報は、輝度情報やＲＧＢ（Red-Green-Blue）情報などの情報である。例えば、変換処理手段１０は、取得した複数のセンサデータを輝度情報に変換して統合することによって、複数のセンサデータを数値データから画像データの形式に変換する。なお、変換処理手段１０は、複数のセンサデータを輝度情報以外の画素情報に変換して統合してもよい。

例えば、変換処理手段１０は、ＰＣ（Personal Computer）やサーバ等にインストールされたソフトウェアによって実現できる。なお、変換処理手段１０は、変換処理を実行する回路によって実現してもよい。

ラベル付与手段２０は、変換処理手段１０から出力された画像データに学習用の教師ラベルを付与することによって学習用データを生成する。ラベル付与手段２０は、生成した学習用データを機械学習エンジン３０に出力する。

例えば、ラベル付与手段２０は、ＰＣやサーバ等にインストールされたソフトウェアによって実現できる。なお、ラベル付与手段２０は、ラベル付与処理を実行する回路によって実現してもよい。

機械学習エンジン３０は、ラベル付与手段２０から学習用データを取得し、取得した学習用データを機械学習して学習モデルを作成する。

例えば、機械学習エンジン３０は、ＰＣやサーバ等にインストールされたソフトウェアによって実現できる。なお、機械学習エンジン３０は、機械学習を実行するように設計された専用の装置によって実現してもよい。

本実施形態に係る学習装置１の特徴の一つは、機械学習エンジン３０にセンサデータを入力する前に、変換処理手段１０によってセンサデータを数値データから画像データに変換することである。

図２は、センサデータベース５０が、センサデータ取得手段７１を介して複数のセンサ７０−１〜ｎに接続される一例を示すブロック図である（ｎは自然数）。例えば、複数のセンサ７０−１〜ｎは、機器や設備に搭載されたり、構造物に設置されたり、外部環境に配備されたりし、状況に応じたセンサデータを取得する。例えば、光センサや電磁波センサ、振動センサ、加速度センサ、流量センサ、磁気センサ、電流センサ、電圧センサ、温度センサ、湿度センサ、バイオセンサなどをセンサ７０として用いることができる。また、例えば、カメラや赤外線カメラなどをセンサ７０として用いることができる。ただし、センサ７０の種類は、ここで挙げた限りではなく、学習対象となるデータに合わせて選択される。また、センサデータベース５０は、センサから取得されたデータのみならず、任意の数値データを格納できる。

複数のセンサ７０−１〜ｎは、センサデータ取得手段７１からの要望に応じて、センサデータをセンサデータ取得手段７１に送信する。センサデータ取得手段７１は、複数のセンサ７０−１〜ｎから受信したセンサデータをセンサデータベース５０に格納する。例えば、センサデータ取得手段７１は、複数のセンサ７０−１〜ｎと無線または有線で接続され、ネットワークを介してセンサデータベース５０にセンサデータを格納する。また、例えば、センサデータ取得手段７１は、ネットワークを介して複数のセンサ７０−１〜ｎからセンサデータを受信し、受信したセンサデータをセンサデータベース５０に格納する。センサデータ取得手段７１は、センサデータベース５０と一体の装置として構成してもよいし、センサデータベース５０とは別の装置として構成してもよい。

次に、学習装置１の詳細構成について図面を参照しながら説明する。

〔変換処理手段〕
図３は、変換処理手段１０の詳細構成を示すブロック図である。図３のように、変換処理手段１０は、入力手段１１、データ変換手段１３、画像データ出力手段１５を有する。本実施形態においては、画素情報として輝度情報を用いる例について説明する。

入力手段１１は、センサデータベース５０からセンサデータを読み込む。入力手段１１は、読み込んだセンサデータをデータ変換手段１３に出力する。

データ変換手段１３は、入力手段１１からセンサデータを取得する。データ変換手段１３は、取得した複数のセンサデータを数値データから輝度情報へ変換後、それらの輝度情報を統合して輝度画像に変換する。

画像データ出力手段１５は、データ変換手段１３によって変換された輝度画像を画像データとして出力する。

〔データ変換手段〕
次に、データ変換手段１３の詳細構成について図面を参照しながら説明する。図４は、データ変換手段１３の詳細構成を示すブロック図である。図４のように、データ変換手段１３は、輝度データ生成手段１３３、画像生成手段１３５を有する。輝度データ生成手段１３３は、画素データ生成手段の一形態である。

輝度データ生成手段１３３は、複数のセンサデータを数値データから輝度情報へ変換する。輝度データ生成手段１３３は、数値データであるセンサデータの数値の大きさに合わせて輝度を設定する。

例えば、輝度データ生成手段１３３は、複数のセンサデータのうち、数値が最大である画素の輝度を０（黒）、数値が最小である画素の輝度を１（白）に設定する。そして、輝度データ生成手段１３３は、最小値と最大値の間の値に関しては、最小値から最大値にかけて徐々に輝度が変化するように輝度を設定する。そのように輝度を設定すれば、輝度データ生成手段１３３は、任意の複数のセンサデータに輝度を設定できる。なお、輝度データ生成手段１３３は、複数のセンサデータのうち、数値が最大である画素の輝度を１（白）、数値が最小である画素の輝度を０（黒）に設定してもよい。また、輝度データ生成手段１３３は、数値が最大である画素の輝度を０（黒）よりも大きめに設定し、数値が最小である画素の輝度を１（白）よりも小さめに設定することによって、数値の上限および下限を境界値からずらしてもよい。

画像生成手段１３５は、輝度データ生成手段１３３によって輝度情報に変換されたセンサデータを統合して画像データに変換する。なお、画像生成手段１３５は、各輝度情報に変換された各データを、予め設定された組み合わせ方で統合することが好ましい。

ここで、データ変換手段１３の動作について図面を参照しながら説明する。図５は、データ変換手段１３の動作について説明するためのフローチャートである。なお、図５のフローチャートに沿った説明においては、データ変換手段１３を主体として説明する。

図５において、まず、データ変換手段１３は、センサデータベース５０からセンサデータを取得する（ステップＳ１１）。

次に、データ変換手段１３は、センサデータベース５０から取得したセンサデータを輝度情報に変換する（ステップＳ１２）。

次に、データ変換手段１３は、輝度情報に変換されたセンサデータを統合し、画像データを生成する（ステップＳ１３）。

そして、データ変換手段１３は、生成した画像データを出力する（ステップＳ１４）。

以上が、データ変換手段１３の動作についての説明である。本実施形態では、データ変換手段１３によって生成された画像データを機械学習エンジン３０によって学習し、学習モデルを作成する。

〔画像データ〕
ここで、データ変換手段１３が生成する画像データについて一例を挙げて説明する。図６は、学習装置１が用いる複数のセンサデータをまとめたテーブルの一例（センサデータテーブル１０１）である。図６のセンサデータテーブル１０１は、１〜１２の番号が付けられた複数のセンサによって取得されたセンサデータをまとめたものである。例えば、センサデータテーブル１０１は、所定のタイミングにおいて各センサによって取得されたセンサデータをまとめたものである。

図７は、図６のセンサデータテーブル１０１に記入されたセンサデータを輝度情報に変換して統合した画像データ２０１である。図７の例では、センサデータが小さいほど輝度値が小さくなる。図６および図７のように、データ変換手段１３は、センサデータを数値データから画像データに変換する。

図７の例では、一次元的な画像データとしてセンサデータを表現したが、二次元的な画像データとしてセンサデータを表現してもよい。図８は、学習装置１が用いる複数のセンサデータをまとめたテーブルの例（センサデータテーブル１０２）である。図８のセンサデータテーブル１０２は、１〜１２の番号が付けられた複数のセンサによって取得されたセンサデータを時系列でまとめたものである。例えば、センサデータテーブル１０２は、所定の時間間隔やタイミングで各センサによって取得されたセンサデータをまとめたものである。

図９は、図８のセンサデータテーブル１０２に記入されたセンサデータを輝度情報に変換して統合した画像データ２０２である。図９の例では、センサデータが小さいほど輝度値が小さくなる。図８および図９のように、データ変換手段１３は、センサデータを数値データから画像データに変換する。図９の画像データ２０２によれば、各センサによって取得されたセンサデータを統合した一次元的な画像データを二次元的な時系列データとして把握しやすくなる。

〔ラベル付与手段〕
次に、ラベル付与手段２０の詳細構成について図面を参照しながら説明する。図１０は、ラベル付与手段２０の詳細構成を示すブロック図である。なお、ラベル付与手段２０は、変換処理手段１０に含めるように構成してもよいし、機械学習エンジン３０に含めるように構成してもよい。

図１０のように、ラベル付与手段２０は、画像データ取得手段２１、教師ラベル付与手段２３、学習用データ出力手段２５を有する。

画像データ取得手段２１は、変換処理手段１０から出力された画像データを取得する。画像データ取得手段２１は、取得した画像データを教師ラベル付与手段２３に出力する。

教師ラベル付与手段２３は、画像データ取得手段２１から画像データを取得し、取得した画像データに教師ラベルを付与して学習用データを生成する。教師ラベル付与手段２３は、生成した学習用データを学習用データ出力手段２５に出力する。

学習用データ出力手段２５は、教師ラベル付与手段２３から出力された学習用データを取得する。学習用データ出力手段２５は、取得した学習用データを機械学習エンジン３０に出力する。

以上が、ラベル付与手段２０についての説明である。

〔機械学習エンジン〕
次に、機械学習エンジン３０の詳細構成について図面を参照しながら説明する。図１１は、機械学習エンジン３０の詳細構成を示すブロック図である。

図１１のように、機械学習エンジン３０は、学習用データ取得手段３１、学習手段３２、学習用モデルデータベース３３を有する。なお、本実施形態の機械学習エンジン３０においては、機械学習エンジン３０が学習用データから学習用モデルを生成し、生成した学習用モデルを格納するところまでを説明するため、学習用モデルを用いて検証データを検証する機能は省略している。学習用モデルを用いて検証データを検証する機能については、後述する第４の実施形態において説明する。

学習用データ取得手段３１は、ラベル付与手段２０から学習用データを取得する。学習用データ取得手段３１は、取得した学習用データを学習手段３２に出力する。

学習手段３２は、学習用データ取得手段３１から出力された学習用データを取得する。学習手段３２は、取得した学習用データを用いて学習モデルを生成する。学習手段３２は、生成した学習モデルを学習用モデルデータベース３３に格納する。

学習用モデルデータベース３３は、学習手段３２が生成した学習モデルを格納するためのデータベースである。

以上が、機械学習エンジン３０についての説明である。

以上のように、本実施形態の学習装置によれば、複数のセンサから出力される数値データを機械学習で学習させる際に、数値データを統合して画像化することで、一度に複数のセンサデータを学習できる。すなわち、本実施形態の学習装置によれば、複数の数値データをまとめて分析しやすい形式に変換するとともに、複数の数値データを機械学習によって一度に学習することができる。

（第２の実施形態）
次に、本発明の第２の実施形態に係る学習装置について図面を参照しながら説明する。本実施形態の学習装置は、データ変換手段が正規化手段を有する点で、第１の実施形態の学習装置１と異なる。以下の説明においては、第１の実施形態と同様の構成・動作・効果に関する説明は省略する。

（構成）
図１２は、本実施形態の学習装置が備えるデータ変換手段１３−２の構成を示すブロック図である。

図１２のように、データ変換手段１３−２は、輝度データ生成手段１３３および画像生成手段１３５に加えて、正規化手段１３１を有する。輝度データ生成手段１３３は、画素データ生成手段の一形態である。

正規化手段１３１は、読み込んだセンサデータをデータ種別ごとに正規化する。正規化手段１３１は、データ種別ごとにセンサデータの最大値と最小値とを抽出し、抽出した最大値および最小値に基づいて各種センサデータを正規化する。

例えば、正規化手段１３１は、各種センサデータを０から１までの範囲内の数値に正規化する。

輝度データ生成手段１３３は、正規化手段１３１が正規化したデータを輝度情報へ変換する。このとき、輝度データ生成手段１３３は、正規化されたセンサデータを輝度情報に変換する。

なお、輝度データ生成手段１３３は、正規化されたデータを輝度情報へ変換する際に、等間隔で輝度を割り当てずに、特定の範囲内の数値に関して焦点を当てるように重み付けを変えてもよい。

例えば、０から１までの数値範囲において、０．５以上０．６未満のセンサデータの違いを詳細に検証したい場合、０．５以上０．６未満の範囲内に含まれる数値の重み付けを他の範囲と比較して大きくすればよい。また、例えば、０から１までの数値範囲において、０．５以上０．６未満のセンサデータの違いが重要ではない場合、０．５以上０．６未満の範囲内に含まれる数値の重み付けを他の範囲と比較して小さくすればよい。なお、輝度データ生成手段１３３による重み付けは、第１の実施形態のように正規化されていないセンサデータについて行ってもよい。

画像生成手段１３５は、輝度データ生成手段１３３によって数値データから輝度情報に変換されたデータを統合して輝度画像に変換する。

以上が、本実施形態の学習装置が備えるデータ変換手段１３−２の構成についての説明である。

（動作）
ここで、データ変換手段１３−２の動作について図面を参照しながら説明する。図１３は、データ変換手段１３−２の動作について説明するためのフローチャートである。なお、図１３のフローチャートに沿った説明においては、データ変換手段１３−２を主体として説明する。

図１３において、まず、データ変換手段１３−２は、センサデータベース５０からセンサデータを取得する（ステップＳ２１）。

次に、データ変換手段１３−２は、センサデータベース５０から取得したセンサデータを正規化する（ステップＳ２２）。

次に、データ変換手段１３−２は、正規化されたセンサデータを輝度情報に変換する（ステップＳ２３）。

次に、データ変換手段１３−２は、輝度情報に変換されたセンサデータを統合し、画像データを生成する（ステップＳ２４）。

そして、データ変換手段１３−２は、生成した画像データを出力する（ステップＳ２５）。

以上が、データ変換手段１３−２の動作についての説明である。

以上のように、本実施形態の学習装置は、複数のセンサデータを数値データから画像データに変換する際に、輝度情報に変換する前に数値データを正規化する。そして、本実施形態の学習装置は、正規化された数値データを輝度情報に変換するため、輝度の上限と下限とが設定される。そのため、本実施形態の学習装置によれば、数値データが境界値を越えているために違う数値でありながら同じ輝度で表現されることなり、全てのセンサデータを階調的に表現することが可能となる。

（第３の実施形態）
次に、本発明の第３の実施形態に係る学習装置について図面を参照しながら説明する。本実施形態の学習装置は、センサデータの数値を画素情報に変換する際に、輝度情報ではなくＲＧＢ（Red-Green-Blue）情報に変換する点で、第２の実施形態の学習装置と異なる。以下の説明においては、第２の実施形態と同様の構成・動作・効果に関する説明は省略する。

（構成）
図１４は、本実施形態の学習装置が備えるデータ変換手段１３−３の構成を示すブロック図である。

図１４のように、データ変換手段１３−３は、正規化手段１３１および画像生成手段１３５に加えて、ＲＧＢデータ生成手段１３４を有する。ＲＧＢデータ生成手段１３４は、画素データ生成手段の一形態である。

ＲＧＢデータ生成手段１３４は、正規化手段１３１が正規化したデータをＲＧＢ情報へ変換する。このとき、ＲＧＢデータ生成手段１３４は、０〜１の範囲内の数値に正規化されたセンサデータをＲＧＢ情報に変換する。例えば、データ種別ごとに割り当てる色を変えて階調表現するように構成すれば、画像変換時の色味を使い分けることができる。

画像生成手段１３５は、ＲＧＢデータ生成手段１３４によってＲＧＢ情報に変換されたデータを統合してＲＧＢ画像に変換する。

以上が、本実施形態の学習装置が備えるデータ変換手段１３−３の構成についての説明である。

（動作）
ここで、データ変換手段１３−３の動作について図面を参照しながら説明する。図１５は、データ変換手段１３−３の動作について説明するためのフローチャートである。なお、図１５のフローチャートに沿った説明においては、データ変換手段１３−３を主体として説明する。

図１５において、まず、データ変換手段１３−３は、センサデータベース５０からセンサデータを取得する（ステップＳ３１）。

次に、データ変換手段１３−３は、センサデータベース５０から取得したセンサデータを正規化する（ステップＳ３２）。

次に、データ変換手段１３−３は、正規化されたセンサデータをＲＧＢ情報に変換する（ステップＳ３３）。

次に、データ変換手段１３−３は、ＲＧＢ情報に変換されたセンサデータを統合し、画像データを生成する（ステップＳ３４）。

そして、データ変換手段１３−３は、生成した画像データを出力する（ステップＳ３５）。

以上が、データ変換手段１３−３の動作についての説明である。

以上のように、本実施形態の学習装置は、正規化されたセンサデータを輝度情報ではなく、ＲＧＢ情報に変換する。そのため、本実施形態の学習装置は、カラー化された画像データから学習モデルを生成できる。本実施形態の学習装置によって生成された学習モデルを用いれば、より情報量の多い学習モデルを生成できるとともに、より直感的に特徴を把握しやすいようにセンサデータを統合できる。

なお、本発明の各実施形態の学習装置は、センサデータを輝度情報やＲＧＢ情報以外の色空間を用いて学習用データを生成してもよい。例えば、本発明の各実施形態の学習装置は、ＣＭＹ（Cyan-Magenta-Yellow）色空間やＣＭＹＫ（Cyan-Magenta-Yellow-Key plate）色空間などを用いて学習用モデルを生成してもよい。また、本発明の各実施形態の学習装置は、ＨＳＶ（Hue-Saturation-Value）色空間やＨＬＳ（Hue-Luminance-Saturation）色空間などを用いて学習用モデルを生成してもよい。なお、本発明の各実施形態の学習装置は、ここで挙げた色空間に限らず、任意の色空間にセンサデータを当てはめて学習用モデルを生成してもよい。

（第４の実施形態）
次に、本発明の第４の実施形態に係る学習装置について図面を参照しながら説明する。図１６は本実施形態の学習装置４の構成を示すブロック図である。本実施形態の学習装置４は、機械学習エンジン３０−４が、第１の実施形態の機械学習エンジン３０と異なる。本実施形態は、機械学習エンジン３０で検証する検証データをセンサデータとしてセンサデータベース５０にフィードバックする点が第１の実施形態と異なる。

図１７は、本実施形態の学習装置４に含まれる機械学習エンジン３０−４の構成を示すブロック図である。機械学習エンジン３０−４は、学習用データ取得手段３１、学習手段３２、学習用モデルデータベース３３に加えて、検証データ取得手段３４、検証手段３５、出力手段３６を有する。学習用データ取得手段３１、学習手段３２、学習用モデルデータベース３３については、第１の実施形態に係る学習装置１の機械学習エンジン３０と同様であるため、詳細な説明は省略する。

検証データ取得手段３４は、機械学習エンジン３０−４の学習用モデルデータベース３３に格納された学習モデルで検証するための検証データを取得する。検証データ取得手段３４は、取得した検証データを検証手段３５に出力する。

例えば、検証データ取得手段３４は、図２のセンサ７０−１〜ｎによって新たに取得されたセンサデータから生成された学習用データを検証データとして取得する。また、例えば、検証データ取得手段３４は、図示しない入力手段から入力されたセンサデータから新たに生成された学習用データを検証データとして取得する。

検証手段３５は、検証データ取得手段３４から検証データを取得する。検証手段３５は、学習用モデルデータベース３３に格納された学習モデルを用いて、取得した検証データを検証する。検証手段３５は、検証結果を出力手段３６に出力する。

例えば、検証手段３５は、学習モデルを用いて検証データの異常の有無を検証し、検証結果を出力手段３６に出力する。また、例えば、検証手段３５は、学習モデルに含まれる学習用データと検証データとを出力手段３６を介して外部のモニター（図示しない）に表示させるように構成してもよい。

出力手段３６は、検証手段３５の検証結果を出力する。

例えば、出力手段３６を外部のモニター（図示しない）に接続し、検証結果をモニターに出力するように構成できる。

また、例えば、検証データの元となるセンサデータの最大値または最小値が、学習モデルを生成する際に用いたセンサデータの数値範囲から外れている場合もありうる。その場合、出力手段３６は、その検証データの元のセンサデータを含めて学習モデルを生成しなおすために、検証データの元のセンサデータをセンサデータベース５０にフィードバックする。このとき、出力手段３６は、検証データの元のセンサデータを含めた複数のセンサデータを用いて学習モデルを生成しなおす指示を変換処理手段１０に出力する。

すなわち、学習装置４は、機械学習エンジン３０−４で検証するセンサデータを入力する際、そのセンサデータ最小値と最大値が、学習モデルを生成する際に用いたセンサデータの数値範囲から外れている場合、丸め込みを行った上で結果判定を行う。なお、学習モデルを生成する際のセンサデータの最小値と最大値は、センサの特性に合わせてその幅を設定可能とすることが好ましい。

以上のように、本実施形態の学習装置によれば、学習モデルを用いて検証データを検証する際に、検証データに応じて学習モデルを再構築することによって精度を向上できる。例えば、本実施形態の学習装置は、検証データの元となるセンサデータの最小値と最大値が、学習モデルを作成した際のセンサデータの数値範囲を超えた場合、検証データの元のデータをセンサデータとしてフィードバックする。

本実施形態の学習装置の効果は、以下の二つにまとめられる。

第１に、本実施形態の学習装置は、複数のセンサデータをデータ検証する場合、複数のセンサデータを一つの画像データに統合することによって、一度にデータ分析することを可能とする。それに付随し、本実施形態の学習装置には、検証データをセンサデータにフィードバックすることによって、判定結果を一意にできるという効果もある。

第２に、本実施形態の学習装置は、数値データで表現される複数のセンサデータを一つに統合して画像化することによって、センサデータを画像データとして比較することを可能とする。それに付随して、本実施形態の学習装置には、利用者が要素の特性を画像として把握できるようになり、機械学習による正常性判別を利用者が行い易くなるという効果もある。

（ハードウェア）
ここで、本実施形態に係る学習装置を実現するハードウェア構成について、図１８のコンピュータ９０を一例として挙げて説明する。なお、図１８のコンピュータ９０は、各実施形態の学習装置を実現するための構成例であって、本発明の範囲を限定するものではない。

図１８のように、コンピュータ９０は、プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５および通信インターフェース９６を備える。図１８においては、インターフェースをＩ／Ｆ（Interface）と略して表記している。プロセッサ９１、主記憶装置９２、補助記憶装置９３、入出力インターフェース９５および通信インターフェース９６は、バス９９を介して互いにデータ通信可能に接続される。また、プロセッサ９１、主記憶装置９２、補助記憶装置９３および入出力インターフェース９５は、通信インターフェース９６を介して、インターネットやイントラネットなどのネットワークに接続される。

プロセッサ９１は、補助記憶装置９３等に格納されたプログラムを主記憶装置９２に展開し、展開されたプログラムを実行する。本実施形態においては、コンピュータ９０にインストールされたソフトウェアプログラムを用いる構成とすればよい。プロセッサ９１は、本実施形態に係る学習装置が実行する演算処理や制御処理を実行する。

主記憶装置９２は、プログラムが展開される領域を有する。主記憶装置９２は、例えばＤＲＡＭ（Dynamic Random Access Memory）などの揮発性メモリとすればよい。また、ＭＲＡＭ（Magnetoresistive Random Access Memory）などの不揮発性メモリを主記憶装置９２として構成・追加してもよい。

補助記憶装置９３は、種々のデータを記憶する手段である。補助記憶装置９３は、ハードディスクやフラッシュメモリなどのローカルディスクによって構成される。なお、種々のデータを主記憶装置９２に記憶させる構成とし、補助記憶装置９３を省略することも可能である。

入出力インターフェース９５は、コンピュータ９０と周辺機器との接続規格に基づいて、コンピュータ９０と周辺機器とを接続する装置である。通信インターフェース９６は、規格や仕様に基づいて、インターネットやイントラネットなどのネットワークに接続するためのインターフェースである。入出力インターフェース９５および通信インターフェース９６は、外部機器と接続するインターフェースとして共通化してもよい。

コンピュータ９０には、必要に応じて、キーボードやマウス、タッチパネルなどの入力機器を接続できるように構成してもよい。それらの入力機器は、情報や設定の入力に使用される。なお、タッチパネルを入力機器として用いる場合は、表示機器の表示画面が入力機器のインターフェースを兼ねる構成とすればよい。プロセッサ９１と入力機器との間のデータ通信は、入出力インターフェース９５に仲介させればよい。

通信インターフェース９６は、ネットワークを通じて、外部のシステムや装置に接続される。

また、コンピュータ９０には、情報を表示するための表示機器を備え付けてもよい。表示機器を備え付ける場合、コンピュータ９０には、表示機器の表示を制御するための表示制御装置（図示しない）が備えられていることが好ましい。表示機器は、入出力インターフェース９５を介してコンピュータ９０に接続すればよい。

また、コンピュータ９０には、必要に応じて、リーダライタを備え付けてもよい。リーダライタは、バス９９に接続される。リーダライタは、プロセッサ９１と図示しない記録媒体（プログラム記録媒体）との間で、記録媒体からのデータ・プログラムの読み出し、コンピュータ９０の処理結果の記録媒体への書き込みなどを仲介する。記録媒体は、例えばＵＳＢ（Universal Serial Bus）メモリやＳＤ（Secure Digital）カードなどの半導体記録媒体などで実現できる。また、記録媒体は、フレキシブルディスクなどの磁気記録媒体、ＣＤ（Compact Disc）やＤＶＤ（Digital Versatile Disc）などの光学記録媒体やその他の記録媒体によって実現してもよい。

以上が、本発明の実施形態に係る学習装置を可能とするためのハードウェア構成の一例である。なお、図１８のハードウェア構成は、本実施形態に係る学習装置を可能とするためのハードウェア構成の一例であって、本発明の範囲を限定するものではない。また、本実施形態に係る学習装置に関する処理をコンピュータに実行させるプログラムも本発明の範囲に含まれる。さらに、本発明の実施形態に係るプログラムを記録したプログラム記録媒体も本発明の範囲に含まれる。

以上、実施形態を参照して本発明を説明してきたが、本発明は上記実施形態に限定されるものではない。本発明の構成や詳細には、本発明のスコープ内で当業者が理解し得る様々な変更をすることができる。

本発明の学習装置は、データ分析ビジネス分野におけるデータ観察やデータ学習、データ解析に利用できる。

１、４ 学習装置
１０ 変換処理手段
１１ 入力手段
１３ データ変換手段
１５ 画像データ出力手段
２０ ラベル付与手段
２１ 画像データ取得手段
２３ 教師ラベル付与手段
２５ 学習用データ出力手段
３０ 機械学習エンジン
３１ 学習用データ取得手段
３２ 学習手段
３３ 学習用モデルデータベース
３４ 検証データ取得手段
３５ 検証手段
３６ 出力手段
５０ センサデータベース
７０ センサ
７１ センサデータ取得手段
１３１ 正規化手段
１３３ 輝度データ生成手段
１３４ ＲＧＢデータ生成手段
１３５ 画像生成手段

Claims (10)

1. 複数のセンサデータを取得して、取得した複数の前記センサデータの数値に基づいた画素情報を設定し、設定された前記画素情報を統合することによって画像データを生成する変換処理手段と、
   前記変換処理手段によって生成された前記画像データを取得して、取得した前記画像データに教師ラベルを付与することによって学習用データを生成するラベル付与手段と、
   前記ラベル付与手段によって生成された学習用データを取得して、前記学習用データを機械学習して学習モデルを生成し、生成した前記学習モデルを格納する機械学習エンジンとを備える学習装置。
2. 前記変換処理手段は、
   前記センサデータの数値に基づいた前記画素情報を設定する画素データ生成手段と、
   前記画素データ生成手段によって設定された前記画素情報をデータ種別ごとに統合して前記画像データを生成する画像生成手段とを含むデータ変換手段を有する請求項１に記載の学習装置。
3. 前記データ変換手段は、
   複数の前記センサデータをデータ種別ごとに正規化する正規化手段を備える請求項２に記載の学習装置。
4. 前記画素データ生成手段は、前記センサデータの数値に基づいた輝度情報を設定する請求項２または３に記載の学習装置。
5. 前記画素データ生成手段は、前記センサデータの数値に基づいたＲＧＢ情報を設定する請求項２または３に記載の学習装置。
6. 前記機械学習エンジンは、
   前記ラベル付与手段から前記学習用データを取得する学習用データ取得手段と、
   前記学習用データ取得手段によって取得された前記学習用データを機械学習して前記学習モデルを生成する学習手段と、
   前記学習手段によって生成された前記学習モデルが格納される学習用モデルデータベースと、
   検証データを取得する検証データ取得手段と、
   前記学習用モデルデータベースに格納された前記学習モデルを用いて前記検証データを検証する検証手段と、
   前記検証手段による検証結果を出力する出力手段とを有する請求項１乃至５のいずれか一項に記載の学習装置。
7. 前記出力手段は、
   前記検証データの元となる前記センサデータをセンサデータベースにフィードバックするとともに、前記検証データの元となる前記センサデータを含めた複数の前記センサデータを用いて前記画像データを生成する指示を前記変換処理手段に出力する請求項６に記載の学習装置。
8. 請求項１乃至７のいずれか一項に記載の学習装置と、
   前記センサデータを格納するセンサデータベースとを備える学習システム。
9. 複数のセンサデータを取得し、
   取得した複数の前記センサデータに数値に基づいた画素情報を設定し、
   設定した前記画素情報を統合することによって画像データを生成し、
   生成した前記画像データに教師ラベルを付与することによって学習用データを生成し、
   生成した学習用データを機械学習して学習モデルを生成し、
   生成した前記学習モデルを格納する学習方法。
10. 複数のセンサデータを取得し、
    取得した複数の前記センサデータに数値に基づいた画素情報を設定する処理と、
    設定した前記画素情報を統合することによって画像データを生成する処理と、
    生成した前記画像データに教師ラベルを付与することによって学習用データを生成する処理と、
    生成した学習用データを機械学習して学習モデルを生成する処理と、
    生成した前記学習モデルを格納する処理とをコンピュータに実行させるプログラム。

Images