JP7136329B2 - 異常検知装置、制御方法、及びプログラム - Google Patents
異常検知装置、制御方法、及びプログラム Download PDFInfo
- Publication number
- JP7136329B2 JP7136329B2 JP2021508533A JP2021508533A JP7136329B2 JP 7136329 B2 JP7136329 B2 JP 7136329B2 JP 2021508533 A JP2021508533 A JP 2021508533A JP 2021508533 A JP2021508533 A JP 2021508533A JP 7136329 B2 JP7136329 B2 JP 7136329B2
- Authority
- JP
- Japan
- Prior art keywords
- input data
- model
- abnormality
- data
- normal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
図1は、実施形態1に係る異常検知装置100の機能構成の一例を示すブロック図である。本実施形態の異常検知装置100は、取得部110と、異常度算出部120と、正常度算出部130と、特定部140と、出力部150とを備えている。
以上のように、本実施形態の異常検知装置100では、識別モデルを用いて入力データの異常度が算出され、なおかつ正常モデルを用いて入力データの正常度が算出される。さらに、特定モデルを用いて、異常度と正常度に基づいて、入力データの異常さに関する特定が行われる。このように、本実施形態に係る異常検知装置100によれば、目的の異なる複数のモデルを組み合わせることで、任意の入力データから多種多様な特徴を抽出し、その特徴に基づいて入力データの異常さについての特定(すなわち、異常検知)を行うことができる。そのため、異常検知の精度を向上させることができる。
異常検知装置100の各機能構成部は、各機能構成部を実現するハードウエア(例:ハードワイヤードされた電子回路など)で実現されてもよいし、ハードウエアとソフトウエアとの組み合わせ(例:電子回路とそれを制御するプログラムの組み合わせなど)で実現されてもよい。以下、異常検知装置100の各機能構成部がハードウエアとソフトウエアとの組み合わせで実現される場合について、さらに説明する。
図3は、本実施形態の異常検知装置100によって実行される処理の流れを例示するフローチャートである。取得部110は、入力データを取得する(S102)。異常度算出部120は、識別モデルを用いて入力データの異常度を算出する(S104)。正常度算出部130は、正常モデルを用いて入力データの正常度を算出する(S106)。なお、S104とS106は、平行して行われてもよいし、任意の順で行われてもよい。特定部140は、特定モデルを用いた特定を行う(S108)。出力部160は、特定結果に基づく出力情報を出力する(S110)。
異常検知装置100は、学習データを利用して、各モデルの学習を行う機能を有することが好適である。以下、この学習を実現する機能構成部を、学習部160と呼ぶ。図4は、学習部160を有する異常検知装置100の機能構成を例示するブロック図である。
図5は、本実施形態の異常検知装置100によって学習時に実行される処理の流れを例示するフローチャートである。なお、S102からS108までの処理は、運用時と同様である。
図6は、実施形態2の異常検知装置100の機能構成を例示するブロック図である。なお、以下で説明する点を除き、実施形態2の異常検知装置100は、実施形態1の異常検知装置100と同様の機能を有する。
実施形態3の異常検知装置100を実現するハードウエアの構成は、実施形態1の異常検知装置100と同様に、例えば図2で表される。ただし、実施形態2のストレージデバイス1080には、実施形態2の異常検知装置100の機能を実現するプログラムモジュールが記録されている。
図7は、実施形態2の異常検知装置100によって実行される処理の流れを例示するフローチャートである。まず、異常検知装置100は、S102~S108、及びS112~S118の処理を実行する。こうすることで、取得部110によって取得された入力データを用いた学習が行われる。
図8は、実施形態3の異常検知装置100の機能構成を例示する図である。以下で説明する点を除き、実施形態3の異常検知装置100は、実施形態1又は実施形態2の異常検知装置100と同様の機能を有する。
実施形態3の異常検知装置100を実現するハードウエアの構成は、実施形態1の異常検知装置100と同様に、例えば図2で表される。ただし、実施形態3のストレージデバイス1080には、実施形態3の異常検知装置100の機能を実現するプログラムモジュールが記録されている。
図9は、運用時において、実施形態3の異常検知装置100によって実行される処理の流れを例示するフローチャートである。図9のフローチャートは、S302を有する点、及びS108の代わりにS304を有する点を除き、図3のフローチャートと同じである。
1. 入力データを取得する取得部と、
入力データの異常度を算出する識別モデルを有し、前記取得した入力データを前記識別モデルに入力することで、その入力データの異常度を算出する異常度算出部と、
入力データの正常度を算出する正常モデルを有し、前記取得した入力データを前記正常モデルに入力することで、その入力データの正常度を算出する正常度算出部と、
前記入力データの異常さに関する特定を行う特定モデルを有し、前記識別モデル及び前記正常モデルそれぞれから出力されるデータを前記特定モデルに入力することで、前記取得した入力データの異常さに関する特定を行う特定部と、
前記特定の結果に基づく出力情報を出力する出力部と、を有する異常検知装置。
2. 前記入力データは画像データであり、
前記識別モデル、前記正常モデル、前記特定モデルはそれぞれ、畳み込みニューラルネットワーク、オートエンコーダ、及びニューラルネットワークである、1.に記載の異常検知装置。
3. 前記取得した入力データに対応する正解ラベルを取得し、前記特定部による特定の結果と前記正解ラベルとを用いて前記識別モデル、前記正常モデル、及び前記特定モデルの更新を行う学習部を有し、
前記学習部は、
前記正解ラベルを用いて、前記取得した入力データが異常と正常のいずれを表すのかを判定し、
前記取得した入力データが異常を表す場合、前記識別モデル及び前記特定モデルの更新を行い、
前記取得した入力データが正常を表す場合、前記正常モデル及び前記特定モデルの更新を行う、1.又は2.に記載の異常検知装置。
4. 前記学習部は、前記取得した入力データが正常を表す場合において、前記識別モデルの更新をさらに行う、3.に記載の異常検知装置。
5. 前記取得した入力データを用いて、前記入力データに類似する疑似データを生成するデータ生成部を有し、
前記異常度算出部及び前記正常度算出部に対し、前記疑似データが入力データとして入力され、
前記学習部は、前記取得した正解ラベルと、前記疑似データについて前記特定部から得られる特定の結果とを用いて、前記識別モデル、前記正常モデル、及び前記特定モデルの更新を行う、3.又は4.に記載の異常検知装置。
6. 入力データについて第2異常度を算出する異常モデルを有し、前記取得した入力データを前記異常モデルに入力することで、その入力データの第2異常度を算出する第2異常度算出部を有し、
前記特定部は、前記識別モデル、前記正常モデル、及び前記異常モデルそれぞれから出力されるデータを前記特定モデルに入力することで、前記取得した入力データの異常さに関する特定を行い、
前記学習部は、前記取得した入力データが異常を表す場合、前記異常モデルの学習をさらに行う、3.乃至5.いずれか一つに記載の異常検知装置。
7. コンピュータによって実行される制御方法であって、
入力データを取得する取得ステップと、
入力データの異常度を算出する識別モデルを有し、前記取得した入力データを前記識別モデルに入力することで、その入力データの異常度を算出する異常度算出ステップと、
入力データの正常度を算出する正常モデルを有し、前記取得した入力データを前記正常モデルに入力することで、その入力データの正常度を算出する正常度算出ステップと、
前記入力データの異常さに関する特定を行う特定モデルを有し、前記識別モデル及び前記正常モデルそれぞれから出力されるデータを前記特定モデルに入力することで、前記取得した入力データの異常さに関する特定を行う特定ステップと、
前記特定の結果に基づく出力情報を出力する出力ステップと、を有する制御方法。
8. 前記入力データは画像データであり、
前記識別モデル、前記正常モデル、前記特定モデルはそれぞれ、畳み込みニューラルネットワーク、オートエンコーダ、及びニューラルネットワークである、7.に記載の制御方法。
9. 前記取得した入力データに対応する正解ラベルを取得し、前記特定ステップによる特定の結果と前記正解ラベルとを用いて前記識別モデル、前記正常モデル、及び前記特定モデルの更新を行う学習ステップを有し、
前記学習ステップにおいて、
前記正解ラベルを用いて、前記取得した入力データが異常と正常のいずれを表すのかを判定し、
前記取得した入力データが異常を表す場合、前記識別モデル及び前記特定モデルの更新を行い、
前記取得した入力データが正常を表す場合、前記正常モデル及び前記特定モデルの更新を行う、7.又は8.に記載の制御方法。
10. 前記学習ステップにおいて、前記取得した入力データが正常を表す場合において、前記識別モデルの更新をさらに行う、9.に記載の制御方法。
11. 前記取得した入力データを用いて、前記入力データに類似する疑似データを生成するデータ生成ステップを有し、
前記異常度算出ステップ及び前記正常度算出ステップに対し、前記疑似データが入力データとして入力され、
前記学習ステップにおいて、前記取得した正解ラベルと、前記疑似データについて前記特定ステップから得られる特定の結果とを用いて、前記識別モデル、前記正常モデル、及び前記特定モデルの更新を行う、9.又は10.に記載の制御方法。
12. 入力データについて第2異常度を算出する異常モデルを有し、前記取得した入力データを前記異常モデルに入力することで、その入力データの第2異常度を算出する第2異常度算出ステップを有し、
前記特定ステップにおいて、前記識別モデル、前記正常モデル、及び前記異常モデルそれぞれから出力されるデータを前記特定モデルに入力することで、前記取得した入力データの異常さに関する特定を行い、
前記学習ステップにおいて、前記取得した入力データが異常を表す場合、前記異常モデルの学習をさらに行う、9.乃至11.いずれか一つに記載の制御方法。
13. 7.乃至12.いずれか一つに記載の制御方法の各ステップをコンピュータに実行させるプログラム。
Claims (10)
- 入力データを取得する取得部と、
入力データの異常度を算出する識別モデルを有し、前記取得した入力データを前記識別モデルに入力することで、その入力データの異常度を算出する異常度算出部と、
入力データの正常度を算出する正常モデルを有し、前記取得した入力データを前記正常モデルに入力することで、その入力データの正常度を算出する正常度算出部と、
前記入力データの異常さに関する特定を行う特定モデルを有し、前記識別モデル及び前記正常モデルそれぞれから出力されるデータを前記特定モデルに入力することで、前記取得した入力データの異常さに関する特定を行う特定部と、
前記特定の結果に基づく出力情報を出力する出力部と、を有する異常検知装置。 - 前記入力データは画像データであり、
前記識別モデル、前記正常モデル、前記特定モデルはそれぞれ、畳み込みニューラルネットワーク、オートエンコーダ、及びニューラルネットワークである、請求項1に記載の異常検知装置。 - 前記取得した入力データに対応する正解ラベルを取得し、前記特定部による特定の結果と前記正解ラベルとを用いて前記識別モデル、前記正常モデル、及び前記特定モデルの更新を行う学習部を有し、
前記学習部は、
前記正解ラベルを用いて、前記取得した入力データが異常と正常のいずれを表すのかを判定し、
前記取得した入力データが異常を表す場合、前記識別モデル及び前記特定モデルの更新を行い、
前記取得した入力データが正常を表す場合、前記正常モデル及び前記特定モデルの更新を行う、請求項1又は2に記載の異常検知装置。 - 前記学習部は、前記取得した入力データが正常を表す場合において、前記識別モデルの更新をさらに行う、請求項3に記載の異常検知装置。
- 前記取得した入力データを用いて、前記入力データに類似する疑似データを生成するデータ生成部を有し、
前記異常度算出部及び前記正常度算出部に対し、前記疑似データが入力データとして入力され、
前記学習部は、前記取得した正解ラベルと、前記疑似データについて前記特定部から得られる特定の結果とを用いて、前記識別モデル、前記正常モデル、及び前記特定モデルの更新を行う、請求項3又は4に記載の異常検知装置。 - 入力データについて第2異常度を算出する異常モデルを有し、前記取得した入力データを前記異常モデルに入力することで、その入力データの第2異常度を算出する第2異常度算出部を有し、
前記特定部は、前記識別モデル、前記正常モデル、及び前記異常モデルそれぞれから出力されるデータを前記特定モデルに入力することで、前記取得した入力データの異常さに関する特定を行い、
前記学習部は、前記取得した入力データが異常を表す場合、前記異常モデルの学習をさらに行う、請求項3乃至5いずれか一項に記載の異常検知装置。 - コンピュータによって実行される制御方法であって、
入力データを取得する取得ステップと、
入力データの異常度を算出する識別モデルを有し、前記取得した入力データを前記識別モデルに入力することで、その入力データの異常度を算出する異常度算出ステップと、
入力データの正常度を算出する正常モデルを有し、前記取得した入力データを前記正常モデルに入力することで、その入力データの正常度を算出する正常度算出ステップと、
前記入力データの異常さに関する特定を行う特定モデルを有し、前記識別モデル及び前記正常モデルそれぞれから出力されるデータを前記特定モデルに入力することで、前記取得した入力データの異常さに関する特定を行う特定ステップと、
前記特定の結果に基づく出力情報を出力する出力ステップと、を有する制御方法。 - 前記入力データは画像データであり、
前記識別モデル、前記正常モデル、前記特定モデルはそれぞれ、畳み込みニューラルネットワーク、オートエンコーダ、及びニューラルネットワークである、請求項7に記載の制御方法。 - 前記取得した入力データに対応する正解ラベルを取得し、前記特定ステップによる特定の結果と前記正解ラベルとを用いて前記識別モデル、前記正常モデル、及び前記特定モデルの更新を行う学習ステップを有し、
前記学習ステップにおいて、
前記正解ラベルを用いて、前記取得した入力データが異常と正常のいずれを表すのかを判定し、
前記取得した入力データが異常を表す場合、前記識別モデル及び前記特定モデルの更新を行い、
前記取得した入力データが正常を表す場合、前記正常モデル及び前記特定モデルの更新を行う、請求項7又は8に記載の制御方法。 - 請求項7乃至9いずれか一項に記載の制御方法の各ステップをコンピュータに実行させるプログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/013239 WO2020194583A1 (ja) | 2019-03-27 | 2019-03-27 | 異常検知装置、制御方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020194583A1 JPWO2020194583A1 (ja) | 2020-10-01 |
JP7136329B2 true JP7136329B2 (ja) | 2022-09-13 |
Family
ID=72609745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021508533A Active JP7136329B2 (ja) | 2019-03-27 | 2019-03-27 | 異常検知装置、制御方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220180495A1 (ja) |
JP (1) | JP7136329B2 (ja) |
WO (1) | WO2020194583A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6994224B2 (ja) * | 2020-04-15 | 2022-01-14 | 株式会社Ridge-i | 情報処理装置、情報処理方法及び情報処理プログラム |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018120300A (ja) | 2017-01-23 | 2018-08-02 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6632288B2 (ja) * | 2014-12-12 | 2020-01-22 | キヤノン株式会社 | 情報処理装置、情報処理方法、プログラム |
WO2016195092A1 (ja) * | 2015-06-05 | 2016-12-08 | 株式会社日立製作所 | 異常検知装置 |
US10831577B2 (en) * | 2015-12-01 | 2020-11-10 | Preferred Networks, Inc. | Abnormality detection system, abnormality detection method, abnormality detection program, and method for generating learned model |
JP6426667B2 (ja) * | 2016-08-10 | 2018-11-21 | 三菱重工工作機械株式会社 | 工作機械の工具の異常検知装置及び方法 |
JP6874708B2 (ja) * | 2018-02-13 | 2021-05-19 | 日本電信電話株式会社 | モデル学習装置、モデル学習方法、プログラム |
US11983072B2 (en) * | 2019-01-16 | 2024-05-14 | Nec Corporation | Estimation apparatus, estimation method, and computer-readable storage medium |
JP6749655B1 (ja) * | 2019-03-19 | 2020-09-02 | 株式会社 システムスクエア | 検査装置、異常検出方法、コンピュータプログラム、学習モデルの生成方法、及び学習モデル |
US20220254006A1 (en) * | 2019-07-11 | 2022-08-11 | Lg Electronics Inc. | Artificial intelligence server |
WO2021245819A1 (ja) * | 2020-06-03 | 2021-12-09 | 日本電気株式会社 | 学習装置、学習済みモデル生成方法、及び、記録媒体 |
WO2022260133A1 (ja) * | 2021-06-09 | 2022-12-15 | 日本製鉄株式会社 | 監視システム、監視方法、プログラム、およびコンピュータプログラムが記憶されたコンピュータ読み取り可能な記録媒体 |
-
2019
- 2019-03-27 JP JP2021508533A patent/JP7136329B2/ja active Active
- 2019-03-27 US US17/441,374 patent/US20220180495A1/en active Pending
- 2019-03-27 WO PCT/JP2019/013239 patent/WO2020194583A1/ja active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2018120300A (ja) | 2017-01-23 | 2018-08-02 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
US20220180495A1 (en) | 2022-06-09 |
WO2020194583A1 (ja) | 2020-10-01 |
JPWO2020194583A1 (ja) | 2020-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Schlegel et al. | Towards a rigorous evaluation of XAI methods on time series | |
WO2018108129A1 (zh) | 用于识别物体类别的方法及装置、电子设备 | |
US20180174062A1 (en) | Root cause analysis for sequences of datacenter states | |
US11314986B2 (en) | Learning device, classification device, learning method, classification method, learning program, and classification program | |
CN108229485A (zh) | 用于测试用户界面的方法和装置 | |
CN110705531B (zh) | 缺失字符检测、缺失字符检测模型的建立方法及装置 | |
CN114553591B (zh) | 随机森林模型的训练方法、异常流量检测方法及装置 | |
CN113888514A (zh) | 导地线缺陷检测方法、装置、边缘计算设备和存储介质 | |
US20230386243A1 (en) | Information processing apparatus, control method, and non-transitory storage medium | |
JPWO2018180197A1 (ja) | データ解析装置、データ解析方法およびデータ解析プログラム | |
CN114385869A (zh) | 检测数据异常的方法、装置、存储介质及计算机设备 | |
CN116403019A (zh) | 遥感图像量子识别方法、装置、存储介质及电子装置 | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
JP7136329B2 (ja) | 異常検知装置、制御方法、及びプログラム | |
US11373285B2 (en) | Image generation device, image generation method, and image generation program | |
CN114020715A (zh) | 一种日志数据的处理方法、装置、介质及设备 | |
CN112888008B (zh) | 基站异常检测方法、装置、设备及存储介质 | |
CN113869456A (zh) | 采样监测方法、装置、电子设备及存储介质 | |
CN117155771A (zh) | 一种基于工业物联网的设备集群故障溯源方法及装置 | |
CN114741697B (zh) | 恶意代码分类方法、装置、电子设备和介质 | |
CN113139590B (zh) | 时间序列数据的降维方法、装置、计算机设备和存储介质 | |
CN113723515B (zh) | 基于图像识别的摩尔纹识别方法、装置、设备及介质 | |
CN114743030A (zh) | 图像识别方法、装置、存储介质和计算机设备 | |
CN114626545A (zh) | 用于人工智能模型的数据准备 | |
US11420325B2 (en) | Method, apparatus and system for controlling a robot, and storage medium |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210922 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210922 |
|
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: 20220802 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220815 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7136329 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |