JP7003334B2

JP7003334B2 - 情報処理装置、プログラム及び情報処理方法

Info

Publication number: JP7003334B2
Application number: JP2021543377A
Authority: JP
Inventors: 信秋田中
Original assignee: Mitsubishi Electric Corp
Current assignee: Mitsubishi Electric Corp
Priority date: 2019-09-30
Filing date: 2019-09-30
Publication date: 2022-01-20
Anticipated expiration: 2039-09-30
Also published as: WO2021064781A1; KR20220042237A; TW202115512A; DE112019007683T5; US20220215210A1; TWI750608B; CN114424236A; KR102458999B1; JPWO2021064781A1

Description

本発明は、情報処理装置、プログラム及び情報処理方法に関する。

深層学習及びその関連技術の進歩により、画像又は音声に関する複雑な認識タスクを行うことができるシステムが既に一般的なものとなっている。このようなシステムでは、大量の学習データからその潜在的な構造を自動的に見つけだすことができ、これにより深層学習以前の古典的な手法では達成し得なかった高い汎化性能を実現した。

しかし、そのようなシステムは、学習に利用することができる豊富なラベル付きデータが得られないような状況においては機能しない。その一方で、現実に存在する様々なタスクにおいては、豊富な学習データが得られる状況というのは非常に稀である。従って、ほとんどの場合において、深層学習を始めとする非古典的な手法は役に立たないというのが実情である。

例えば、機器から発生する音又は振動に基づき、その機器の健全性を自動的に診断する手法は古くから研究されており、これまで様々な手法が開発されている。例えば、非特許文献１に記載されているＭＴ（マハラノビス・タグチ）法は、その中でもっとも代表的な手法のひとつである。ＭＴ法では、正常サンプルが分布している特徴空間を事前に基準空間として学習しておき、診断時には観測された特徴ベクトルが基準空間からどの程度乖離しているかによって正常又は異常の判定を行う。

ＭＴ法等の古典的な手法では、特徴の抽出において経験的な知見を盛り込んだり、特徴ベクトルの分布に関する仮定をおいたりすることで、学習されるモデルに適切な制約を課すことが容易にできる。そのため、このような手法では深層学習で必要とされるような大量のデータは必要とならない。

立林和夫著、「入門タグチメソッド」、株式会社日科技連出版社、２００４年、Ｐ．１６７－１８５

しかしながら、古典的な手法では、学習に必要なデータが少量で済む分、その質が高くなければ機能しないという問題がある。ところが、このような分野において、測定するデータの質を向上させるという観点の技術は非常に少ない。特に、対象とするタスクに固有の知識を必要としない一般的な方法はほとんど存在しない上、測定されたデータの質が悪い場合に、データの質を悪くしている原因を特定することができなかった。

そこで、本発明の１又は複数の態様は、使用されるデータ集合の質が悪くなっている原因を特定できるようにすることを目的とする。

本発明の第１の態様に係る情報処理装置は、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出する非品質ラベルクラスタリング部と、前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部と、を備えることを特徴とする。

本発明の第２の態様に係る情報処理装置は、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出する非品質ラベルクラスタリング部と、前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する処理部と、を備えることを特徴とする。

本発明の第３の態様に係る情報処理装置は、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出する非品質ラベルクラスタリング部と、前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部と、を備えることを特徴とする。

本発明の第１の態様に係るプログラムは、コンピュータを、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出する非品質ラベルクラスタリング部、及び、前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部、として機能させることを特徴とする。

本発明の第２の態様に係るプログラムは、コンピュータを、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出する非品質ラベルクラスタリング部、及び、前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する処理部、として機能させることを特徴とする。

本発明の第３の対象に係るプログラムは、コンピュータを、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出する非品質ラベルクラスタリング部、及び、前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部、として機能させることを特徴とする。

本発明の第１の態様に係る情報処理方法は、記憶部が、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、非品質ラベルクラスタリング部が、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出し、処理部が、前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成することを特徴とする。

本発明の第２の態様に係る情報処理方法は、記憶部が、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、非品質ラベルクラスタリング部が、前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出し、処理部が、前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成することを特徴とする。

本発明の第３の態様に係る情報処理方法は、記憶部が、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、非品質ラベルクラスタリング部が、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出し、処理部が、前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成することを特徴とする。

本発明の一又は複数の態様によれば、使用されるデータ集合の質が悪くなっている原因を特定することができる。

実施の形態１に係る情報処理装置の構成を概略的に示すブロック図である。実施の形態１に係る情報処理装置の利用例を概略的に示すブロック図である。（Ａ）から（Ｃ）は、検査員の非品質ラベルにおいて、サブセット毎のクラスタリングと、全体のクラスタリングとの精度を説明するためのグラフである。何らかの方法で検査員の差異に起因する不均一性が解消された場合における、データ全体に対するクラスタリング精度を説明するためのグラフである。（Ａ）及び（Ｂ）は、ハードウェア構成例を示すブロック図である。情報処理装置が、ラベル種類評価画面画像を表示する処理を示すフローチャートである。情報処理装置が、精度改善量画面画像を表示する処理を示すフローチャートである。情報処理装置が、精度影響要素評価画面画像を表示する処理を示すフローチャートである。

以降では、実施の形態として、対象としてのモータの振動に基づいてそのモータの健全性を判定する場合を例に説明する。

図１は、実施の形態１に係る情報処理装置１００の構成を概略的に示すブロック図である。
図２は、実施の形態１に係る情報処理装置１００の利用例を概略的に示すブロック図である。

図２に示されているように、例えば、情報処理装置１００は、第１の工場２００Ａ、第２の工場２００Ｂ、・・・といった、異なる場所に配置されている拠点とインターネット等のネットワーク２０１を介して接続されている。
第１の工場２００Ａ、第２の工場２００Ｂ、・・・といった工場は、同様の設備機器により対象としてのモータを製造しており、情報処理装置１００との接続内容も同様であるため、以下、第１の工場２００Ａについて説明する。

第１の工場２００Ａには、モータ２０２を製造する複数の製造ライン２０３Ａ、２０３Ｂ、２０３Ｃ、・・・が設けられている。
各々の製造ライン２０３Ａ、２０３Ｂ、２０３Ｃ、・・・に配属されている検査員は、各々の製造ライン２０３Ａ、２０３Ｂ、２０３Ｃ、・・・に配置されている検査装置２０４Ａ、２０４Ｂ、２０４Ｃ、・・・を用いて、各々の製造ライン２０３Ａ、２０３Ｂ、２０３Ｃ、・・・で製造されたモータ２０２の検査を行う。

例えば、各々の検査装置２０４Ａ、２０４Ｂ、２０４Ｃ、・・・は、モータ２０２を駆動したときの振動の振幅を計測して、検査を行ったモータ２０２を識別するモータ識別情報であるモータ番号と、その計測値である振幅を示す検査データとを含むデジタルデータＤＤを生成する。

また、各々の検査装置２０４Ａ、２０４Ｂ、２０４Ｃ、・・・は、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、モータ２０２の品質とは無関係であることが期待される種類の非品質ラベルとを示す非品質ラベルデータＮＤを生成する。なお、本実施の形態では、各々の検査装置２０４Ａ、２０４Ｂ、２０４Ｃ、・・・は、複数の種類の非品質ラベルを含む非品質ラベルデータＮＤを生成する。

ここでは、非品質ラベルの種類として、検査員、日時、製造ライン、場所、及び、検査装置があるものとする。
また、検査員の非品質ラベルは、検査員を識別するための検査員識別情報である検査員番号をその要素としている。
日時の非品質ラベルは、検査が行われた日時である測定日時をその要素としている。
製造ラインの非品質ラベルは、製造ラインを識別するライン識別情報であるライン番号をその要素としている。
場所の非品質ラベルは、工場を識別するための工場識別情報である場所ＩＤをその要素としている。
検査装置の非品質ラベルは、検査装置を識別するための検査装置識別番号である装置番号をその要素としている。

具体的には、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、その検査を行った検査員の検査員番号とを示す第１の非品質ラベルデータＮＤ＃１、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、その検査が行われた測定日時とを示す第２の非品質ラベルデータＮＤ＃２、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、そのモータ２０２を製造した製造ラインのライン番号とを示す第３の非品質ラベルデータＮＤ＃３、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、そのモータ２０２の製造が行われた工場の場所ＩＤとを示す第４の非品質ラベルデータＮＤ＃４、及び、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、そのモータ２０２の検査を行った検査装置の装置番号とを示す第５の非品質ラベルデータＮＤ＃５等が生成される。
なお、各々の非品質ラベルデータＮＤには、対応する非品質ラベルの種類を示す情報が含まれているものとする。

そして、各々の検査装置２０４Ａ、２０４Ｂ、２０４Ｃ、・・・は、以上のようにして生成されたデジタルデータＤＤ及び非品質ラベルデータＮＤを、ネットワーク２０１を介して、情報処理装置１００に送る。
なお、非品質ラベルは、品質の良否とは無関係であることが期待される種類のラベルである。言い換えると、非品質ラベルは、品質の管理を行う者が、品質の良否が表れてほしくないと考えている種類のラベルである。ここでは、検査員、日時、製造ライン、場所及び検査装置により、モータ２０２の品質に良否が表れてほしくないため、これらの種類でラベル付けが行われている。

また、第１の工場２００Ａには、品質ラベル付与装置２０５が設けられている。
例えば、第１の工場２００Ａで製造されたモータ２０２は、ベテランの検査員等により最終的な検査が行われ、その検査結果である正常又は異常と、検査されたモータ２０２のモータ番号とが品質ラベル付与装置２０５に入力される。

品質ラベル付与装置２０５は、入力されたモータ番号と、正常又は異常とを示す品質ラベルデータＣＤを生成し、生成された品質ラベルデータＣＤを、ネットワーク２０１を介して、情報処理装置１００に送る。ここで、品質ラベルは、品質の良否（ここでは、正常又は異常）を示すラベルである。

以上のようにして送られてきた、デジタルデータＤＤ、品質ラベルデータＣＤ及び非品質ラベルデータＮＤを受け取り、情報処理装置１００は処理を行う。

図１に示されているように、情報処理装置１００は、通信部１０１と、記憶部１０２と、特徴抽出部１０３と、入力部１０４と、選択部１０５と、品質ラベルクラスタリング部１０６と、非品質ラベルクラスタリング部１０７と、処理部１０８と、表示部１０９とを備える。

通信部１０１は、ネットワーク２０１と通信を行う。例えば、通信部１０１は、ネットワーク２０１を介して、複数の工場から、複数のデジタルデータＤＤ、複数の品質ラベルデータＣＤ及び複数の非品質ラベルデータＮＤを受信する。

記憶部１０２は、情報処理装置１００での処理に必要なデータ及びプログラムを記憶する。例えば、記憶部１０２は、通信部１０１で受信された複数のデジタルデータＤＤ、複数の品質ラベルデータＣＤ及び複数の非品質ラベルデータＮＤを、それぞれデジタルデータ集合ＤＧ、品質ラベル集合ＣＧ及び非品質ラベル集合ＮＧとして記憶する。
また、記憶部１０２は、後述するように、特徴抽出部１０３で生成された特徴ベクトル集合ＢＧを記憶する。

なお、本実施の形態では、非品質ラベルデータＮＤとして、例えば、非品質ラベルの種類に対応して、第１の非品質ラベルデータＮＤ＃１～第５の非品質ラベルデータＮＤ＃５が記憶される。

特徴抽出部１０３は、記憶部１０２に記憶されているデジタルデータ集合ＤＧを読み出し、読み出されたデジタルデータ集合ＤＧにおけるデジタルデータＤＤに含まれている検査データから、予め定められた特徴を抽出し、抽出された特徴と、デジタルデータＤＤに含まれていたモータ番号とを示す特徴ベクトルデータＢＤを生成する。そして、特徴抽出部１０３は、複数の特徴ベクトルデータＢＤを特徴ベクトル集合ＢＧとして記憶部１０２に記憶させる。検査データから特徴抽出を行う手法としては、例えば、フィルタバンク分析、ウェーブレット解析、ＬＰＣ（ＬｉｎｅａｒＰｒｅｄｉｃｔｉｖｅＣｏｄｉｎｇ）分析又はケプストラム分析等がある。また、ここで抽出される特徴は、特徴ベクトルで示される。

入力部１０４は、情報処理装置１００のオペレータからの指示の入力を受け付ける。
例えば、入力部１０４は、処理モードの選択の入力を受け付ける。本実施の形態では、処理モードは、ラベル種類評価モード、精度改善量算出モード及び精度影響要素評価モードである。
なお、入力部１０４は、精度影響要素評価モードが選択された場合には、精度に影響を及ぼす要素を評価する非品質ラベルの種類の入力も受け付ける。

そして、入力部１０４は、入力された処理モード及び精度影響要素評価モードが選択された場合における選択された非品質ラベルの種類を選択部１０５及び処理部１０８に通知する。

選択部１０５は、入力部１０４に入力された選択に応じて、記憶部１０２に記憶されているデータを選択して読み出す。
例えば、選択部１０５は、ラベル種類評価モードが選択された場合には、記憶部１０２から特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び全ての種類の非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える。
また、選択部１０５は、精度改善量算出モードが選択された場合には、記憶部１０２から特徴ベクトル集合ＢＧ及び品質ラベル集合ＣＧを読み出し、読み出されたデータを品質ラベルクラスタリング部１０６に与えるとともに、記憶部１０２から特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び全ての種類の非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える。
さらに、選択部１０５は、精度影響要素評価モードが選択された場合には、記憶部１０２から特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び入力部１０４で選択された種類の非品質ラベルに対応する非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える。

品質ラベルクラスタリング部１０６は、選択部１０５から与えられる特徴ベクトル集合ＢＧに基づき、クラスタリングを実行して、そのクラスタリングによる品質の判定結果（例えば、正常又は異常）と、品質ラベル集合ＣＧで示されている検査結果（例えば、正常又は異常）とを比較して、クラスタリング精度を算出する。ここで算出されたクラスタリング精度は、基準クラスタリング精度ともいう。

クラスタリング精度は、クラスタリングに成功した割合、又は、クラスタリングに失敗した割合とする。
本実施の形態では、クラスタリング精度は、クラスタリングによる品質の判定結果の、品質ラベル集合ＣＧで示されている検査結果に対する正解率とするが、本実施の形態は、このような例に限定されない。
例えば、クラスタリング精度は、クラスタリングによる品質の判定結果の品質ラベル集合ＣＧで示されている検査結果に対する誤り率、Ｆ値、トルーポジティブレート（ＴＰＲ）又はトルーネガティブレート（ＴＮＲ）であってもよい。

非品質ラベルクラスタリング部１０７は、選択部１０５から非品質ラベルの全ての種類の非品質ラベル集合ＮＧを受け取った場合には、選択部１０５から与えられる特徴ベクトル集合ＢＧに含まれている特徴ベクトルデータＢＤを、非品質ラベル集合ＮＧの各々の種類における非品質ラベルの要素毎のサブセットに分割する。例えば、非品質ラベル集合ＮＧの種類が検査員番号である場合に、検査員番号毎に、特徴ベクトル集合ＢＧに含まれている特徴ベクトルデータＢＤを分割する。

次に、非品質ラベルクラスタリング部１０７は、分割された特徴ベクトルデータＢＤに基づいて、クラスタリングを実行して、そのクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、サブセット毎（言い換えると、要素毎）のクラスタリング精度を算出する。そして、非品質ラベルクラスタリング部１０７は、非品質ラベルの種類毎に、算出されたサブセット毎のクラスタリング精度の平均値を平均クラスタリング精度として算出する。

言い換えると、非品質ラベルクラスタリング部１０７は、ラベル種類評価モード及び精度改善量算出モードでは、非品質ラベルの全ての種類の各々の平均クラスタリング精度を算出し、算出された平均クラスタリング精度を処理部１０８に与える。

一方、非品質ラベルクラスタリング部１０７は、選択部１０５から非品質ラベルの一つの種類の非品質ラベル集合ＮＧを受け取った場合には、選択部１０５から与えられる特徴ベクトル集合ＢＧに含まれている特徴ベクトルデータＢＤを、その非品質ラベル集合ＮＧで示されている一つの種類の非品質ラベルにおける要素毎のサブセットに分割する。

次に、非品質ラベルクラスタリング部１０７は、分割された特徴ベクトルデータＢＤに基づいて、クラスタリングを実行して、そのクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、サブセット毎（言い換えると、要素毎）のクラスタリング精度を算出する。

言い換えると、非品質ラベルクラスタリング部１０７は、精度影響要素評価モードでは、非品質ラベルの選択された種類において、サブセット毎のクラスタリング精度を算出し、算出されたサブセット毎のクラスタリング精度を処理部１０８に与える。

処理部１０８は、入力部１０４が入力を受け付けた処理モードに従って、品質ラベルクラスタリング部１０６で算出されたクラスタリング精度及び非品質ラベルクラスタリング部１０７で算出された平均クラスタリング精度の少なくとも何れか一方を用いて処理を行う。

ここでは、処理部１０８は、複数の平均クラスタリング精度を用いて、複数のデジタルデータＤＤの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像、又は、複数のクラスタリング精度を用いて、複数のデジタルデータＤＤの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する。

例えば、ラベル種類評価モードでは、処理部１０８は、複数の非品質ラベルの種類の少なくとも一部を、その平均クラスタリング精度の高いものから順に、その平均クラスタリング精度とともに表示するラベル種類評価画面画像を生成する。

精度改善量算出モードでは、処理部１０８は、非品質ラベルクラスタリング部１０７で算出された複数の平均クラスタリング精度の各々から、品質ラベルクラスタリング部１０６で算出されたクラスタリング精度を減算することで、非品質ラベルの種類毎にクラスタリング精度の改善量を算出する。そして、処理部１０８は、複数の非品質ラベルの種類の少なくとも一部と、対応して算出された改善量とを示す精度改善量画面画像を生成する。

精度影響要素評価モードでは、処理部１０８は、非品質ラベルクラスタリング部１０７で算出された非品質ラベルの一つの種類におけるサブセット毎のクラスタリング精度が低い順に、対応する要素の少なくとも一部を、そのクラスタリング精度とともに示す精度影響要素評価画面画像を生成する。

表示部１０９は、各種画面画像を表示する。例えば、表示部１０９は、処理部１０８で生成されたラベル種類評価画面画像、精度改善量画面画像又は精度影響要素評価画面画像を表示する。

以下、情報処理装置１００での処理の基本的な考え方を説明する。
品質の良否とは無関係であることが期待される非品質ラベルによって特徴ベクトルを分割したとき、分割されたサブセット毎にクラスタリングを行うと、その平均的なクラスタリング精度は、同様のクラスタリングをデータセット全体に対して行った場合と比較して高くなることが期待される。

図３（Ａ）から（Ｃ）は、検査員の非品質ラベルにおいて、サブセット毎のクラスタリングと、全体のクラスタリングとの精度を説明するためのグラフである。
例えば、図３（Ａ）は、検査員Ａが測定した検査データに基づいて、モータ２０２の正常又は異常のヒストグラムをプロットしたグラフである。
同様に、図３（Ｂ）は、検査員Ｂが測定した検査データに基づいて、モータ２０２の正常又は異常のヒストグラムをプロットしたグラフである。
図３（Ｃ）は、図３（Ａ）に示されたヒストグラムと、図３（Ｂ）に示されたヒストグラムとを重ねて表示したグラフである。

図３（Ｃ）に示されているように、検査員Ａが測定した異常データの分布は、検査員Ｂが測定した正常データの分布に重なっており、これらのデータ全体では、正常及び異常を高精度にクラスタリングすることはできないことが分かる。

しかし、図３（Ａ）に示されているように、検査員Ａのデータだけを考える場合、正常及び異常を決定する境界３００を設定することで、正常及び異常のクラスタリングは可能である。同様に、図３（Ｂ）に示されているように、検査員Ｂのデータについても、正常及び異常を決定する境界３０１を設定することで、正常及び異常のクラスタリングは可能である。

このとき、以上のような検査員の個別のサブセットに対するクラスタリングの平均的なクラスタリング精度は、図４に示されているように、何らかの方法で検査員の差異に起因する不均一性が解消された場合における、データ全体に対するクラスタリング精度に一致することが期待できる。そのため、検査員の個別のサブセットに対するクラスタリングの平均クラスタリング精度は、測定者の差異に起因する不均一性が解消できた場合に得られる精度の期待値として利用することができる。

以上のことから、ラベル種類評価画面画像において、平均クラスタリング精度が高い順に非品質ラベルの種類を並べることで、検査データを取得する際の取得方法のバラツキを改善することで、クラスタリング精度を高めることができる要因、言い換えると、データ全体のクラスタリング精度が悪くなっている原因を把握することができる。即ち、平均クラスタリング精度が高い非品質ラベルの種類ほど、検査データの品質に大きく影響し、検査データの品質に悪い影響を与えている原因となっている可能性が高いことを把握することができる。

また、精度改善量画面画像において、クラスタリング精度の改善量を非品質ラベルの種類とともに表示することで、その非品質ラベルの種類において、検査データを取得する際の取得方法を何等かの方法で改善することで、全体のクラスタリング精度をどの程度改善できるのかを把握することができる。これについても、クラスタリング精度の改善量が大きい程、データ全体のクラスタリング精度を悪くしている原因となっているものと推定することができる。即ち、クラスタリング精度の改善量が大きい非品質ラベルの種類ほど、検査データの品質に大きく影響し、検査データの品質に悪い影響を与えている原因となっている可能性が高いことを把握することができる。

さらに、精度影響要素評価画面画像において、対応する要素を、そのクラスタリング精度とともに示すことで、検査データを取得する際に、どの要素の取得方法を改善しなければならないかを把握することができる。これについても、データ全体のクラスタリング精度を悪化させている要素を特定することができる。即ち、クラスタリング精度が低い要素ほど、検査データの品質に大きく影響し、検査データの品質に悪い影響を与えている原因となっている可能性が高いことを把握することができる。

以上に記載された特徴抽出部１０３、選択部１０５、品質ラベルクラスタリング部１０６、非品質ラベルクラスタリング部１０７及び処理部１０８の一部又は全部は、例えば、図５（Ａ）に示されているように、メモリ１０と、メモリ１０に格納されているプログラムを実行するＣＰＵ（ＣｅｎｔｒａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）等のプロセッサ１１とにより構成することができる。このようなプログラムは、ネットワークを通じて提供されてもよく、また、記録媒体に記録されて提供されてもよい。即ち、このようなプログラムは、例えば、プログラムプロダクトとして提供されてもよい。

また、特徴抽出部１０３、選択部１０５、品質ラベルクラスタリング部１０６、非品質ラベルクラスタリング部１０７及び処理部１０８の一部又は全部は、例えば、図５（Ｂ）に示されているように、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（ＡｐｐｌｉｃａｔｉｏｎＳｐｅｃｉｆｉｃＩｎｔｅｇｒａｔｅｄＣｉｒｃｕｉｔ）又はＦＰＧＡ（ＦｉｅｌｄＰｒｏｇｒａｍｍａｂｌｅＧａｔｅＡｒｒａｙ）等の処理回路１２で構成することもできる。

なお、通信部１０１は、ＮＩＣ（ＮｅｔｗｏｒｋＩｎｔｅｒｆａｃｅＣａｒｄ）等の通信装置により実現することができる。
なお、記憶部１０２は、ＨＤＤ（ＨａｒｄＤｉｓｋＤｒｉｖｅ）等の記憶装置により実現することができる。
入力部１０４は、マウス又はキーボード等の入力装置により実現することができる。
表示部１０９は、液晶ディスプレイ等の表示装置により実現することができる。
以上のように、情報処理装置１００は、いわゆるコンピュータで実現することができる。

図６は、情報処理装置１００が、ラベル種類評価画面画像を表示する処理を示すフローチャートである。
図６に示されているフローチャートは、例えば、情報処理装置１００のオペレータが入力部１０４にラベル種類評価モードを選択する指示を入力することで開始される。この場合、入力部１０４は、選択部１０５及び処理部１０８に、ラベル種類評価モードが選択されたことを通知する。

まず、選択部１０５は、記憶部１０２に記憶されている特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び全ての種類の非品質ラベルに対応する非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える（Ｓ１０）。

次に、非品質ラベルクラスタリング部１０７は、選択部１０５から受け取った非品質ラベル集合ＮＧの内、未だクラスタリングを実行していない一つの種類の非品質ラベルに対応する非品質ラベル集合ＮＧを選択する（Ｓ１１）。

次に、非品質ラベルクラスタリング部１０７は、選択部１０５から与えられる特徴ベクトル集合ＢＧを、選択された非品質ラベル集合ＮＧで示されている非品質ラベルの要素毎のサブセットに分割して、分割されたサブセット毎にクラスタリングを実行する（Ｓ１２）。

次に、非品質ラベルクラスタリング部１０７は、ステップＳ１２で実行されたクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、サブセット毎のクラスタリング精度を算出して、その平均値である平均クラスタリング精度を算出する（Ｓ１３）。算出された平均クラスタリング精度は、その非品質ラベルの種類とともに、処理部１０８に通知される。

次に、非品質ラベルクラスタリング部１０７は、全ての種類の非品質ラベルに対応する非品質ラベル集合ＮＧにおいて、クラスタリングを実行したか否かを判断する（Ｓ１４）。全ての種類の非品質ラベル集合ＮＧにおいて、クラスタリングを実行した場合（Ｓ１４でＹｅｓ）には、処理はステップＳ１５に進み、未だクラスタリングを実行していない種類の非品質ラベル集合ＮＧが残っている場合（Ｓ１４でＮｏ）には、処理はステップＳ１１に戻る。

ステップＳ１５では、処理部１０８は、非品質ラベルの種類の少なくとも一部を、非品質ラベルクラスタリング部１０７で算出された平均クラスタリング精度の高いものから順に、その平均クラスタリング精度とともに表示するラベル種類評価画面画像を生成する（Ｓ１５）。

次に、表示部１０９は、処理部１０８で生成されたラベル種類評価画面画像を表示する（Ｓ１６）。

図７は、情報処理装置１００が、精度改善量画面画像を表示する処理を示すフローチャートである。
図７に示されているフローチャートは、例えば、情報処理装置１００のオペレータが入力部１０４に精度改善量算出モードを選択する指示を入力することで開始される。この場合、入力部１０４は、選択部１０５及び処理部１０８に、精度改善量算出モードが選択されたことを通知する。

まず、選択部１０５は、記憶部１０２から特徴ベクトル集合ＢＧ及び品質ラベル集合ＣＧを読み出し、読み出されたデータを品質ラベルクラスタリング部１０６に与える（Ｓ２０）。

次に、品質ラベルクラスタリング部１０６は、選択部１０５から与えられる特徴ベクトル集合ＢＧに基づき、クラスタリングを実行する（Ｓ２１）。

次に、品質ラベルクラスタリング部１０６は、ステップＳ２１で行われたクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、クラスタリング精度を算出する（Ｓ２２）。ここで算出されたクラスタリング精度は、処理部１０８に与えられる。

次に、選択部１０５は、記憶部１０２に記憶されている特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び全ての種類の非品質ラベルに対応する非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える（Ｓ２３）。

次に、非品質ラベルクラスタリング部１０７は、選択部１０５から受け取った非品質ラベル集合ＮＧの内、未だクラスタリングを実行していない一つの種類の非品質ラベルに対応する非品質ラベル集合ＮＧを選択する（Ｓ２４）。

次に、非品質ラベルクラスタリング部１０７は、選択部１０５から与えられる特徴ベクトル集合ＢＧを、選択された非品質ラベル集合ＮＧで示されている非品質ラベルの要素毎のサブセットに分割して、分割されたサブセット毎にクラスタリングを実行する（Ｓ２５）。

次に、非品質ラベルクラスタリング部１０７は、ステップＳ１２で実行されたクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、サブセット毎のクラスタリング精度を算出して、その平均値である平均クラスタリング精度を算出する（Ｓ２６）。算出された平均クラスタリング精度は、その非品質ラベルの種類とともに、処理部１０８に通知される。

次に、非品質ラベルクラスタリング部１０７は、全ての種類の非品質ラベルに対応する非品質ラベル集合ＮＧにおいて、クラスタリングを実行したか否かを判断する（Ｓ２７）。全ての種類の非品質ラベル集合ＮＧにおいて、クラスタリングを実行した場合（Ｓ２７でＹｅｓ）には、処理はステップＳ２８に進み、未だクラスタリングを実行していない種類の非品質ラベル集合ＮＧが残っている場合（Ｓ２７でＮｏ）には、処理はステップＳ２４に戻る。

次に、処理部１０８は、非品質ラベルクラスタリング部１０７で算出された非品質ラベルの全ての種類の平均クラスタリング精度の各々から、品質ラベルクラスタリング部１０６で算出されたクラスタリング精度を減算することで、その種類毎にクラスタリング精度の精度改善量を算出する。

次に、処理部１０８は、非品質ラベルの種類の少なくとも一つの種類と、対応して算出された精度改善量とを示す精度改善量画面画像を生成する。

次に、表示部１０９は、処理部１０８で生成された精度改善量画面画像を表示する（Ｓ３０）。

なお、図７において、ステップＳ２０～Ｓ２２までの処理と、ステップＳ２３～Ｓ２７までの処理は、並行して行われてもよい。

図８は、情報処理装置１００が、精度影響要素評価画面画像を表示する処理を示すフローチャートである。
図８に示されているフローチャートは、例えば、情報処理装置１００のオペレータが入力部１０４に精度影響要素評価モードを選択する指示を入力することで開始される。この場合、入力部１０４は、選択部１０５及び処理部１０８に、精度影響要素評価モードが選択されたことを通知する。

まず、選択部１０５は、記憶部１０２から特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び入力部１０４で選択された種類に対応する非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える（Ｓ４０）。

次に、非品質ラベルクラスタリング部１０７は、選択部１０５から与えられる特徴ベクトル集合ＢＧを、非品質ラベル集合ＮＧに示されている非品質ラベルの要素毎のサブセットに分割して、分割されたサブセット毎にクラスタリングを実行する（Ｓ４１）。

次に、非品質ラベルクラスタリング部１０７は、ステップＳ４１で実行されたクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、サブセット毎のクラスタリング精度を算出する（Ｓ４２）。ここで算出されたサブセット毎のクラスタリング精度は、処理部１０８に与えられる。

次に、処理部１０８は、非品質ラベルクラスタリング部１０７で算出された非品質ラベルの一つの種類におけるサブセット毎のクラスタリング精度が低い順に、対応する要素の少なくとも一つを、そのクラスタリング精度とともに示す精度影響要素評価画面画像を生成する（Ｓ４３）。

次に、表示部１０９は、処理部１０８で生成された精度影響要素評価画面画像を表示する（Ｓ４４）。

以上の実施の形態によれば、デジタルデータＤＤの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類又は要素を示す画面画像を生成して、その表示を行うことができる。

以上に記載された実施の形態では、処理部１０８は、複数の平均クラスタリング精度を用いて、複数のデジタルデータＤＤの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像として、ラベル種類評価モードでは、複数の非品質ラベルの種類の少なくとも一部を、その平均クラスタリング精度の高いものから順に、その平均クラスタリング精度とともに表示するラベル種類評価画面画像を生成しているが、実施の形態はこのような例に限定されない。
例えば、処理部１０８は、複数の種類の少なくとも一つを、複数の分散の大きいものから順に示すラベル種類評価画面画像を生成してもよい。
この場合、非品質ラベルクラスタリング部１０７は、非品質ラベルの種類毎に、上述のようにして算出されたサブセット毎のクラスタリング精度の分散を算出すればよい。

非品質ラベル毎のクラスタリング精度の分散を表示することで、要素毎のクラスタリング精度のバラツキが大きい非品質ラベルを特定することができる。そして、バラツキの大きい非品質ラベルの検査の仕方を修正することで、デジタルデータＤＤの品質を高めることができる。

１００情報処理装置、１０１通信部、１０２記憶部、１０３特徴抽出部、１０４入力部、１０５選択部、１０６品質ラベルクラスタリング部、１０７非品質ラベルクラスタリング部、１０８処理部、１０９表示部。

Claims

対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、
前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出する非品質ラベルクラスタリング部と、
前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部と、を備えること
を特徴とする情報処理装置。
前記処理部は、複数の前記種類の少なくとも一つを、前記複数の平均クラスタリング精度の高いものから順に示すラベル種類評価画面画像を前記画面画像として生成すること
を特徴とする請求項１に記載の情報処理装置。
前記複数の特徴ベクトルを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度である基準クラスタリング精度を算出する品質ラベルクラスタリング部をさらに備え、
前記処理部は、前記複数の平均クラスタリング精度の各々から前記基準クラスタリング精度を減算することで複数の改善量を算出し、複数の前記種類の少なくとも一つを、前記複数の改善量の大きいものから順に、対応する改善量とともに示す精度改善量画面画像を前記画面画像として生成すること
を特徴とする請求項１に記載の情報処理装置。
前記クラスタリング精度は、クラスタリングに成功した割合、又は、クラスタリングに失敗した割合であること
を特徴とする請求項１から３の何れか一項に記載の情報処理装置。
前記画面画像を表示する表示部をさらに備えること
を特徴とする請求項１から４の何れか一項に記載の情報処理装置。
対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、
前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出する非品質ラベルクラスタリング部と、
前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する処理部と、を備えること
を特徴とする情報処理装置。
前記処理部は、前記複数の要素の少なくとも一つを、前記複数のクラスタリング精度の低いものから順に示す精度影響要素評価画面画像を前記画面画像として生成すること
を特徴とする請求項６に記載の情報処理装置。
前記クラスタリング精度は、クラスタリングに成功した割合、又は、クラスタリングに失敗した割合であること
を特徴とする請求項６又は７に記載の情報処理装置。
前記画面画像を表示する表示部をさらに備えること
を特徴とする請求項６から８の何れか一項に記載の情報処理装置。
対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、
前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出する非品質ラベルクラスタリング部と、
前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部と、を備えること
を特徴とする情報処理装置。
前記処理部は、複数の前記種類の少なくとも一つを、前記複数の分散の大きいものから順に示すラベル種類評価画面画像を前記画面画像として生成すること
を特徴とする請求項１０に記載の情報処理装置。
前記クラスタリング精度は、クラスタリングに成功した割合、又は、クラスタリングに失敗した割合であること
を特徴とする請求項１０又は１１に記載の情報処理装置。
前記画面画像を表示する表示部をさらに備えること
を特徴とする請求項１０から１２の何れか一項に記載の情報処理装置。
コンピュータを、
対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、
前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出する非品質ラベルクラスタリング部、及び、
前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部、として機能させること
を特徴とするプログラム。
コンピュータを、
対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、
前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出する非品質ラベルクラスタリング部、及び、
前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する処理部、として機能させること
を特徴とするプログラム。
コンピュータを、
対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、
前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出する非品質ラベルクラスタリング部、及び、
前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部、として機能させること
を特徴とするプログラム。
記憶部が、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、
非品質ラベルクラスタリング部が、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出し、
処理部が、前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成すること
を特徴とする情報処理方法。
記憶部が、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、
非品質ラベルクラスタリング部が、前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出し、
処理部が、前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成すること
を特徴とする情報処理方法。
記憶部が、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、
非品質ラベルクラスタリング部が、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出し、
処理部が、前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成すること
を特徴とする情報処理方法。