JP7137761B2 - センサシステム - Google Patents

Description

本発明は、センサシステムに関する。

従来、例えばファイバセンサ等の光センサを複数配置して、対象物の有無だけでなく、対象物の形状を測定することがある。

例えば、下記特許文献１には、検査対象物の画像を撮像する一以上の撮像手段、及び／又は検査対象物に対して光を投光するための一以上の投光手段を計３台以上備え、撮像手段で撮像された複数の画像に基づいて、各計測系の距離画像を複数生成し、生成された複数の距離画像を比較した結果に基づいて、正常な状態からの状態変化の度合いを判定する三次元画像処理装置が記載されている。

また、下記特許文献２には、果菜物の階級に略対応して複数配列された検知センサによる検知に基づいて、支持ローラ上に載置された果菜物の大きさを判定する判定装置が記載されている。

特開２０１５－０４５５８７号公報 特開２０００－２８８４８０号公報

複数の光センサによって一つの対象物を測定し、その測定結果を総合して判定を行う場合、複数の光センサの特性を理解した上で、複数の光センサを適切に配置する必要がある。

ここで、複数の光センサによって対象物に関する総合判定を行うためには、測定環境や対象物の種類に応じて複数の光センサの配置を調整する必要が生じることがある。そのため、複数の光センサを含むセンサシステムを導入する負担が大きくなってしまうことがある。

そこで、本発明は、導入負担を軽減して複数の光センサによる総合判定を行うことができるセンサシステムを提供する。

本開示の一態様に係るセンサシステムは、対象物に照射した光を受光して対象物の状態を測定する複数の光センサと、複数の光センサにより測定された複数の受光データに対象物の状態を示すデータを関連付けて、学習データを生成する学習データ生成部と、学習データを用いた機械学習により、複数の光センサにより測定された複数の受光データを入力として、対象物の状態を示すデータを出力する学習済みモデルを生成する学習モデル生成部と、を備える。

この態様によれば、任意に配置した複数の光センサにより測定された複数の受光データと、対象物の状態を示すデータとを関連付けて学習データを生成し、複数の受光データから対象物の状態を識別する学習済みモデルを生成することで、測定環境や対象物の種類に応じて複数の光センサの配置を調整する負担が軽減され、導入負担を軽減して複数の光センサによる総合判定を行うことができる。

上記態様において、学習モデル生成部は、複数の光センサの配置に対応した学習済みモデルを生成してもよい。

この態様によれば、複数の光センサの個別の配置に適した学習済みモデルが生成され、複数の光センサによって適切な総合判定を行うことができる。

上記態様において、学習データ生成部は、複数の受光データに対象物の形状が正常か否かを示すデータを関連付けて、学習データを生成し、学習モデル生成部は、学習データを用いた機械学習により、複数の光センサにより測定された複数の受光データを入力として、対象物の形状が正常か否かを示すデータを出力する学習済みモデルを生成してもよい。

この態様によれば、測定環境や対象物の種類に応じて複数の光センサの配置を調整する負担を軽減して、複数の光センサによって対象物の形状を総合判定することができる。

上記態様において、学習データ生成部は、複数の受光データに対象物の種類を示すデータを関連付けて、学習データを生成し、学習モデル生成部は、学習データを用いた機械学習により、複数の光センサにより測定された複数の受光データを入力として、対象物の種類を示すデータを出力する学習済みモデルを生成してもよい。

この態様によれば、測定環境や対象物の種類に応じて複数の光センサの配置を調整する負担を軽減して、複数の光センサによって対象物の種類を総合判定することができる。

上記態様において、学習済みモデルの出力に対する複数の受光データの貢献度を算出する貢献度算出部と、貢献度に基づいて、複数の光センサのうち除外可能な光センサを推薦する推薦部と、をさらに備えてもよい。

この態様によれば、総合判定の性能を保ちながら、複数の光センサの数を減らすことができる。

上記態様において、推薦部は、貢献度に基づいて、新たな光センサの追加を推薦してもよい。

この態様によれば、光センサの追加によってより適切に対象物を測定できるようにして、総合判定の性能を向上させることができる。

上記態様において、推薦部は、複数の受光データの相関に基づいて、複数の光センサの配置変更を推薦してもよい。

この態様によれば、複数の光センサをより効率的に用いるように配置変更して、総合判定の性能を向上させることができる。

本発明によれば、導入負担を軽減して複数の光センサによる総合判定を行うことができるセンサシステムを提供することができる。

本発明の実施形態に係るセンサシステムの概要を示す図である。 本実施形態に係るセンサシステムの機能ブロックを示す図である。 本実施形態に係るセンサシステムの物理的構成を示す図である。 本実施形態に係るセンサシステムにより実行される学習済みモデル生成処理のフローチャートである。 本実施形態に係るセンサシステムにより実行される推薦処理のフローチャートである。 本実施形態の変形例に係るセンサシステムの概要を示す図である。 本実施形態の変形例に係るセンサシステムの機能ブロックを示す図である。

添付図面を参照して、本発明の実施形態について説明する。なお、各図において、同一の符号を付したものは、同一又は同様の構成を有する。

図１は、本発明の実施形態に係るセンサシステム１の概要を示す図である。センサシステム１は、マスタユニット１０、第１スレーブユニット２０ａ、第２スレーブユニット２０ｂ、第３スレーブユニット２０ｃ、第１光センサ３０ａ、第２光センサ３０ｂ、第３光センサ３０ｃ及びＰＬＣ４０を備える。ここで、第１光センサ３０ａ、第２光センサ３０ｂ及び第３光センサ３０ｃは、ラインＬに配置され、ラインＬ上を搬送される対象物に照射した光を受光して、対象物の状態を測定する。第１光センサ３０ａ、第２光センサ３０ｂ及び第３光センサ３０ｃは、例えばファイバセンサであってよい。また、対象物は、例えば製品を構成する部品であってよい。なお、対象物は、必ずしもラインＬ上を搬送されるものでなくてもよく、例えば所定の経路を落下する錠剤であってもよい。

第１スレーブユニット２０ａ、第２スレーブユニット２０ｂ及び第３スレーブユニット２０ｃは、複数の光センサそれぞれに接続され、複数の光センサにより測定されるデータを取得する。より具体的には、第１スレーブユニット２０ａは第１光センサ３０ａに接続され、第２スレーブユニット２０ｂは第２光センサ３０ｂに接続され、第３スレーブユニット２０ｃは第３光センサ３０ｃに接続されている。ＰＬＣ４０は、制御装置に相当する。そして、マスタユニット１０は、複数のスレーブユニット及びＰＬＣ４０と接続され、複数のスレーブユニットからデータを収集して、そのデータを表示部１６に表示したり、ＰＬＣ４０に送信したりする。本明細書では、第１スレーブユニット２０ａ、第２スレーブユニット２０ｂ、第３スレーブユニット２０ｃをスレーブユニット２０と総称し、第１光センサ３０ａ、第２光センサ３０ｂ、第３光センサ３０ｃを光センサ３０と総称する。

なお、本実施形態に係るセンサシステム１の構成は一例であり、センサシステム１が備える複数の光センサの数、複数のスレーブユニットの数は任意である。また、制御装置は、必ずしもＰＬＣ４０でなくてもよい。

マスタユニット１０は、ＬＡＮ（Local Area Network）等の通信ネットワークを介してＰＬＣ４０に接続されてよい。スレーブユニット２０は、マスタユニット１０に物理的かつ電気的に接続される。本実施形態において、マスタユニット１０は、スレーブユニット２０から受信した情報を記憶部に記憶し、記憶された情報をＰＬＣ４０に送信する。従って、スレーブユニット２０により取得されたデータは、マスタユニット１０によって一元化されてＰＬＣ４０に伝送される。

一例として、スレーブユニット２０からマスタユニット１０には、判定信号及び検出情報が伝送される。判定信号とは、光センサ３０により測定されたデータに基づき、スレーブユニット２０によって判定された、ワークに関する判定結果を示す信号である。判定信号は、例えば、光センサ３０により測定された受光量と、所定の閾値とをスレーブユニット２０によって比較して得られるオン信号又はオフ信号であってよい。検出情報は、スレーブユニット２０の検出動作によって得られる検出値である。検出動作は、例えば、投光及び受光の動作であり、検出情報は、受光量であってよい。本明細書では、判定信号及び検出情報を含む、スレーブユニット２０から取得されるデータを受光データと総称する。

スレーブユニット２０は、マスタユニット１０の側面に取り付けられてよい。マスタユニット１０とスレーブユニット２０との通信には、パラレル通信又はシリアル通信が用いられてよい。すなわち、マスタユニット１０と、スレーブユニット２０とがシリアル伝送路及びパラレル伝送路で物理的に接続されてよい。例えば、パラレル伝送路上でスレーブユニット２０からマスタユニット１０に判定信号が送信され、シリアル伝送路上で、スレーブユニット２０からマスタユニット１０に検出情報が送信されてよい。なお、マスタユニット１０とスレーブユニット２０とを、シリアル伝送路及びパラレル伝送路のうちのいずれか一方で接続してもよい。

図２は、本実施形態に係るマスタユニット１０の機能ブロックを示す図である。マスタユニット１０は、記憶部１１、学習データ生成部１２、学習モデル生成部１３、貢献度算出部１４、推薦部１５、表示部１６及び通信部１７を備える。

記憶部１１は、受光データ１１ａ、学習データ１１ｂ及び学習済みモデル１１ｃを記憶している。受光データ１１ａは、複数の光センサ３０により測定された受光量（検出情報）と、複数のスレーブユニット２０により生成された判定信号を含んでよい。学習データ１１ｂ及び学習済みモデル１１ｃについては、次に説明する。

記憶部１１は、複数のスレーブユニット２０から取得したデータを記憶してよい。マスタユニット１０は、パラレル伝送路によってスレーブユニット２０から対象物の通過状況を示す判定信号を取得したり、シリアル伝送路によってスレーブユニット２０から複数の光センサ３０により測定された検出情報を取得したりしてよい。

学習データ生成部１２は、複数の光センサ３０により測定された複数の受光データ１１ａに対象物の状態を示すデータを関連付けて、学習データを生成する。学習データ生成部１２は、例えば、複数の受光データ１１ａに対象物の形状が正常か否かを示すデータを関連付けて、学習データを生成してよい。また、学習データ生成部１２は、複数の受光データ１１ａに対象物の種類を示すデータを関連付けて、学習データを生成してもよい。

学習モデル生成部１３は、学習データ１１ｂを用いた機械学習により、複数の光センサ３０により測定された複数の受光データ１１ａを入力として、対象物の状態を示すデータを出力する学習済みモデル１１ｃを生成する。学習モデル生成部１３は、例えば、複数の隠れ層を含むニューラルネットワークの重みを誤差逆伝播法により所定の損失関数について最適化することで、学習済みモデル１１ｃを生成してよい。

このように、任意に配置した複数の光センサ３０により測定された複数の受光データ１１ａと、対象物の状態を示すデータとを関連付けて学習データ１１ｂを生成し、複数の受光データ１１ａから対象物の状態を識別する学習済みモデル１１ｃを生成することで、測定環境や対象物の種類に応じて複数の光センサ３０の配置を調整する負担が軽減され、導入負担を軽減して複数の光センサ３０による総合判定を行うことができる。

学習モデル生成部１３は、複数の光センサ３０の配置に対応した学習済みモデル１１ｃを生成してよい。例えば、光センサ３０を３台配置して一つの対象物の状態を識別する場合、学習モデル生成部１３は、３台の光センサ３０の特定の配置に対して一つの学習済みモデル１１ｃを生成してよい。このようにして、複数の光センサ３０の個別の配置に適した学習済みモデル１１ｃが生成され、複数の光センサ３０によって適切な総合判定を行うことができる。

学習モデル生成部１３は、学習データ１１ｂを用いた機械学習により、複数の光センサ３０により測定された複数の受光データ１１ａを入力として、対象物の形状が正常か否かを示すデータを出力する学習済みモデル１１ｃを生成してもよい。光センサ３０は、単体では対象物の有無を判定することができるだけだが、複数の光センサ３０を配置して、様々な方向から一つの対象物を測定することで、対象物の形状を判定することができる。本実施形態に係るセンサシステム１によれば、測定環境や対象物の種類に応じて複数の光センサ３０の配置を調整する負担を軽減して、複数の光センサ３０によって対象物の形状を総合判定することができる。

学習モデル生成部１３は、学習データ１１ｂを用いた機械学習により、複数の光センサ３０により測定された複数の受光データ１１ａを入力として、対象物の種類を示すデータを出力する学習済みモデル１１ｃを生成してもよい。光センサ３０は、単体では対象物の有無を判定することができるだけだが、複数の光センサ３０を配置して、様々な方向から一つの対象物を測定することで、対象物の種類を判定することができる。本実施形態に係るセンサシステム１によれば、測定環境や対象物の種類に応じて複数の光センサ３０の配置を調整する負担を軽減して、複数の光センサ３０によって対象物の種類を総合判定することができる。

貢献度算出部１４は、学習済みモデル１１ｃの出力に対する複数の受光データ１１ａの貢献度を算出する。本実施形態の場合、貢献度算出部１４は、学習済みモデル１１ｃの出力に対する第１光センサ３０ａにより測定された受光データの貢献度と、学習済みモデル１１ｃの出力に対する第２光センサ３０ｂにより測定された受光データの貢献度と、学習済みモデル１１ｃの出力に対する第３光センサ３０ｃにより測定された受光データの貢献度と、を算出してよい。

推薦部１５は、貢献度に基づいて、複数の光センサ３０のうち除外可能な光センサ３０を推薦する。推薦部１５は、例えば、第１光センサ３０ａにより測定された受光データの貢献度と、第２光センサ３０ｂにより測定された受光データの貢献度と、第３光センサ３０ｃにより測定された受光データの貢献度と、をそれぞれ閾値と比較して、閾値以下の貢献度が算出されている光センサ３０を除外可能と判定してよい。推薦部１５は、除外可能な光センサ３０を特定する情報を表示部１６に表示したり、外部機器に出力したりしてよい。このようにして、総合判定の性能を保ちながら、複数の光センサ３０の数を減らすことができる。例えば、テスト段階では、光センサ３０をＮ台配置して一つの対象物の状態を示す複数の受光データを測定し（Ｎは０より大きい自然数）、推薦部１５による推薦に従って光センサ３０を間引いていき、判定精度を所定値以上としつつ、光センサ３０の台数がＭ台となるように（Ｍは、０＜Ｍ＜Ｎを満たす自然数）、光センサ３０の台数を減らすことができる。

推薦部１５は、貢献度に基づいて、新たな光センサの追加を推薦してもよい。推薦部１５は、例えば、第１光センサ３０ａにより測定された受光データの貢献度と、第２光センサ３０ｂにより測定された受光データの貢献度と、第３光センサ３０ｃにより測定された受光データの貢献度と、をそれぞれ閾値と比較して、いずれの貢献度も閾値以下である場合に、新たな光センサ３０の追加を推薦することとしてよい。推薦部１５は、新たな光センサを追加する推薦を表示部１６に表示したり、外部機器に出力したりしてよい。この場合、推薦部１５は、新たな光センサ３０の配置を推薦してもよい。このようにして、光センサ３０の追加によってより適切に対象物を測定できるようにして、総合判定の性能を向上させることができる。例えば、テスト段階では、光センサ３０をＫ台配置して一つの対象物の状態を示す複数の受光データを測定し（Ｋは０より大きい自然数）、推薦部１５による推薦に従って光センサ３０を追加していき、判定精度を所定値以上とし、光センサ３０の台数をＬ台として（Ｌは、０＜Ｋ＜Ｌを満たす自然数）、総合判定の性能を向上させることができる。

推薦部１５は、複数の受光データ１１ａの相関に基づいて、複数の光センサ３０の配置変更を推薦してもよい。推薦部１５は、第１光センサ３０ａにより測定された受光データと、第２光センサ３０ｂにより測定された受光データと、第３光センサ３０ｃにより測定された受光データと、の間の３通りの相関を算出して、相関が高い光センサ３０を異なる配置にするように配置変更を推薦してよい。ここで、推薦部１５は、配置変更を推薦する光センサ３０を示すだけでもよいし、配置の候補を推薦してもよい。このようにして、複数の光センサ３０をより効率的に用いるように配置変更して、総合判定の性能を向上させることができる。

表示部１６は、学習済みモデル１１ｃの出力を表示したり、推薦部１５による推薦内容を表示したりする。表示部１６は、例えば対象物に関する異常の有無を示す２値のランプを含んでよい。また、表示部１６は、学習済みモデル１１ｃの出力や推薦部１５による推薦内容を詳細に表示する液晶表示装置であってもよい。

通信部１７は、ＰＬＣ４０との通信を行うインターフェースである。通信部１７は、ＰＬＣ４０以外の外部機器との通信を行うものであってもよい。

図３は、本実施形態に係るセンサシステム１の物理的構成を示す図である。マスタユニット１０は、ＰＬＣ４０との接続に用いられる入力／出力コネクタ１０１，１０２と、スレーブユニット２０との接続に用いられる接続コネクタ１０６と、電源入力コネクタとを備える。

また、マスタユニット１０は、ＭＰＵ（Micro Processing Unit）１１０、通信ＡＳＩＣ（Application Specific Integrated Circuit）１１２、パラレル通信回路１１６、シリアル通信回路１１８及び電源回路を備える。

ＭＰＵ１１０は、マスタユニット１０における全ての処理を統括して実行するように動作する。通信ＡＳＩＣ１１２は、ＰＬＣ４０との通信を管理する。パラレル通信回路１１６は、マスタユニット１０とスレーブユニット２０との間でのパラレル通信に用いられる。同様に、シリアル通信回路１１８は、マスタユニット１０とスレーブユニット２０との間でのシリアル通信に用いられる。

スレーブユニット２０は、両側壁部分に、マスタユニット１０又は他のスレーブユニット２０との接続コネクタ３０４，３０６が設けられている。スレーブユニット２０は、マスタユニット１０に対して一列に複数接続することが可能である。複数のスレーブユニット２０からの信号は、隣り合うスレーブユニット２０に伝送され、マスタユニット１０に伝送される。

スレーブユニット２０の両側面には、赤外線による光通信用の窓が設けられ、接続コネクタ３０４，３０６を利用して複数のスレーブユニット２０を一つずつ連結して一列に配置すると、互いに対向する光通信用の窓により、隣り合うスレーブユニット２０間で赤外線を利用した双方向光通信が可能となる。

スレーブユニット２０は、ＣＰＵ（Central Processing Unit）４００によって実現される各種の処理機能と、専用の回路によって実現される各種の処理機能とを有する。

ＣＰＵ４００は、投光制御部４０３を制御し、発光素子（ＬＥＤ）４０１から赤外線を放出させる。受光素子（ＰＤ）４０２が受光することによって生じた信号は、増幅回路４０４を介して増幅された後、Ａ／Ｄコンバータ４０５を介してデジタル信号に変換されて、ＣＰＵ４００に取り込まれる。ＣＰＵ４００では、受光データ、すなわち受光量をそのまま検出情報としてマスタユニット１０に向けて送信する。また、ＣＰＵ４００では、受光量が予め設定された閾値よりも大きいか否かを判定することによって得られるオン信号又はオフ信号を、判定信号としてマスタユニット１０に向けて送信する。

さらにＣＰＵ４００は、左右の投光回路４１１，４１３を制御することにより、左右の通信用発光素子（ＬＥＤ）４０７，４０９から隣接するスレーブユニット２０に対して赤外線を放出する。隣接する左右のスレーブユニット２０から到来する赤外線は左右の受光素子（ＰＤ）４０６，４０８で受光された後、受光回路４１０，４１２を介しＣＰＵ４００へと到来する。ＣＰＵ４００では、所定のプロトコルに基づいて、送受信信号を制御することにより、左右の隣接するスレーブユニット２０との間で光通信を行なう。

受光素子４０６、通信用発光素子４０９、受光回路４１０、投光回路４１３は、スレーブユニット２０間の相互干渉を防止するための同期信号を送受信するために利用される。具体的には、各スレーブユニット２０において、受光回路４１０と投光回路４１３とは直接結線される。この構成により、受信した同期信号が、ＣＰＵ４００による遅延処理が施されずに速やかに投光回路４１３を経て通信用発光素子４０９から隣接する別のスレーブユニット２０に送信される。

ＣＰＵ４００は、さらに、表示部４１４を点灯制御する。また、ＣＰＵ４００は、設定スイッチ４１５からの信号を処理する。ＣＰＵ４００の動作に必要な各種のデータは、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read Only Memory）４１６等の記録媒体に記憶される。リセット部４１７から得られた信号は、ＣＰＵ４００へと送られ、計測制御のリセットが行われる。発振器（ＯＳＣ）４１８からＣＰＵ４００には、基準クロックが入力される。

出力回路４１９は、受光量を閾値と比較して得られた判定信号の送信処理を行なう。前述したように、本実施の形態において、判定信号はパラレル通信によってマスタユニット１０に向けて送信される。

パラレル通信用の伝送路は、マスタユニット１０と各スレーブユニット２０とが個別に接続された伝送路である。すなわち、複数のスレーブユニット２０は、それぞれ、別々のパラレル通信線によって、マスタユニット１０に接続される。ただし、マスタユニット１０に隣接するスレーブユニット２０以外のスレーブユニット２０と、マスタユニット１０とを接続するパラレル通信線は、他のスレーブユニット２０を通過し得る。

シリアル通信ドライバ４２０は、マスタユニット１０から送信されたコマンド等の受信処理、検出情報（受光量）の送信処理を行なう。本実施形態においては、シリアル通信にＲＳ－４２２プロトコルが用いられる。シリアル通信にＲＳ－４８５プロトコルを利用してもよい。

シリアル通信用の伝送路は、マスタユニット１０及び全てのスレーブユニット２０が接続された伝送路である。すなわち、全てのスレーブユニット２０は、マスタユニット１０に対して、シリアル通信線によってバス形式で信号伝達可能に接続される。

図４は、本実施形態に係るセンサシステム１により実行される学習済みモデル生成処理のフローチャートである。はじめに、センサシステム１に含まれる複数のスレーブユニット２０は、複数の光センサ３０の受光データを取得する（Ｓ１０）。その後、受光データは、マスタユニット１０に集約される。

マスタユニット１０は、受光データに対象物の形状が正常か否かを示すデータ及び対象物の種類を示すデータを関連付けて、学習データを生成する（Ｓ１１）。十分な量の学習データが蓄積された後、マスタユニット１０は、学習データを用いた機械学習により、複数の光センサ３０の配置に対応した学習済みモデルを生成する（Ｓ１２）。

その後、マスタユニット１０は、複数の光センサ３０により測定される受光データを学習済みモデルに入力し、対象物の形状が正常か否かを判定したり、対象物の種類を判定したりしてよい。以上により、学習済みモデル生成処理が終了する。

図５は、本実施形態に係るセンサシステム１により実行される推薦処理のフローチャートである。はじめに、センサシステム１に含まれるマスタユニット１０は、学習済みモデルの出力に対する複数の受光データの貢献度を算出する（Ｓ２０）。

その後、光センサ３０を減らす場合（Ｓ２１：ＹＥＳ）、マスタユニット１０は、貢献度に基づいて、複数の光センサ３０のうち除外可能な光センサ３０を推薦する（Ｓ２２）。一方、光センサ３０を減らさず（Ｓ２１：ＮＯ）、追加する場合、マスタユニット１０は、貢献度に基づいて、新たな光センサ３０の追加を推薦する（Ｓ２３）。光センサ３０を減らすか追加するかは、ユーザにより指定されてよいが、学習済みモデルの判定精度に基づいてマスタユニット１０により判定してもよい。

その後、マスタユニット１０は、必要に応じて、複数の受光データの相関に基づいて、複数の光センサ３０の配置変更を推薦する（Ｓ２４）。以上により、推薦処理が終了する。

図６は、本実施形態の変形例に係るセンサシステム１Ａの概要を示す図である。変形例に係るセンサシステム１Ａは、マスタユニット１０Ａが表示部を備えておらず、コンピュータ５０に接続されている点で、本実施形態に係るセンサシステム１と相違する。その他の構成について、変形例に係るセンサシステム１Ａは、本実施形態に係るセンサシステム１と同様の構成を有する。

図７は、本実施形態の変形例に係るセンサシステム１Ａの機能ブロックを示す図である。変形例に係るマスタユニット１０Ａは、記憶部１１及び通信部１７を備えるが、学習データ生成部１２、学習モデル生成部１３、貢献度算出部１４、推薦部１５及び表示部１６を備えない点で、本実施形態に係るマスタユニット１０と相違する。

変形例に係るマスタユニット１０Ａは、記憶部１１に受光データ１１ａ及び学習済みモデル１１ｃを記憶する。マスタユニット１０Ａは、複数のスレーブユニット２０から受光データ１１ａを収集し、記憶部１１に記憶するとともに、通信部１７を介してコンピュータ５０に転送する。また、マスタユニット１０Ａは、学習済みモデル１１ｃをコンピュータ５０から受信して、記憶部１１に記憶する。マスタユニット１０Ａは、学習済みモデル１１ｃを用いて対象物の状態を判定する。

コンピュータ５０は、通信部５１、記憶部５２、学習データ生成部５３、学習モデル生成部５４、貢献度算出部５５、推薦部５６及び表示部５７を備える。

通信部５１は、マスタユニット１０Ａ及びＰＬＣ４０との通信を行うインターフェースである。通信部５１は、マスタユニット１０Ａ及びＰＬＣ４０以外の外部機器との通信を行うものであってもよい。

記憶部５２は、受光データ５２ａ、学習データ５２ｂ及び学習済みモデル５２ｃを記憶している。受光データ５２ａは、複数の光センサ３０により測定された受光量（検出情報）と、複数のスレーブユニット２０により生成された判定信号を含んでよく、マスタユニット１０Ａから転送されたものであってよい。学習データ５２ｂ及び学習済みモデル５２ｃについては、次に説明する。

学習データ生成部５３は、複数の光センサ３０により測定された複数の受光データ５２ａに対象物の状態を示すデータを関連付けて、学習データを生成する。学習データ生成部５３は、学習データ生成部１２と同様の構成であってよい。

学習モデル生成部５４は、学習データ５２ｂを用いた機械学習により、複数の光センサ３０により測定された複数の受光データ５２ａを入力として、対象物の状態を示すデータを出力する学習済みモデル５２ｃを生成する。学習モデル生成部５４は、学習モデル生成部１３と同様の構成であってよい。

貢献度算出部５５は、学習済みモデル５２ｃの出力に対する複数の受光データ５２ａの貢献度を算出する。貢献度算出部５５は、貢献度算出部１４と同様の構成であってよい。

推薦部５６は、貢献度に基づいて、複数の光センサ３０のうち除外可能な光センサ３０を推薦したり、新たな光センサの追加を推薦したり、複数の受光データ５２ａの相関に基づいて、複数の光センサ３０の配置変更を推薦したりしてよい。推薦部５６は、推薦部１５と同様の構成であってよい。

表示部５７は、学習済みモデル５２ｃの出力を表示したり、推薦部５６による推薦内容を表示したりする。表示部５７は、例えば対象物に関する異常の有無を示す２値のランプを含んでよい。また、表示部５７は、学習済みモデル５２ｃの出力や推薦部５６による推薦内容を詳細に表示する液晶表示装置であってもよい。

変形例に係るセンサシステム１Ａによれば、任意に配置した複数の光センサ３０により測定された複数の受光データ５２ａと、対象物の状態を示すデータとを関連付けて学習データ５２ｂを生成し、複数の受光データ５２ａから対象物の状態を識別する学習済みモデル５２ｃを生成することで、測定環境や対象物の種類に応じて複数の光センサ３０の配置を調整する負担が軽減され、導入負担を軽減して複数の光センサ３０による総合判定を行うことができる。

以上説明した実施形態は、本発明の理解を容易にするためのものであり、本発明を限定して解釈するためのものではない。実施形態が備える各要素並びにその配置、材料、条件、形状及びサイズ等は、例示したものに限定されるわけではなく適宜変更することができる。また、異なる実施形態で示した構成同士を部分的に置換し又は組み合わせることが可能である。

［付記１］
対象物に照射した光を受光して前記対象物の状態を測定する複数の光センサ（３０）と、
前記複数の光センサ（３０）により測定された複数の受光データに前記対象物の状態を示すデータを関連付けて、学習データを生成する学習データ生成部（１２）と、
前記学習データを用いた機械学習により、前記複数の光センサ（３０）により測定された複数の受光データを入力として、前記対象物の状態を示すデータを出力する学習済みモデルを生成する学習モデル生成部（１３）と、
を備えるセンサシステム（１）。

［付記２］
前記学習モデル生成部（１３）は、前記複数の光センサ（３０）の配置に対応した前記学習済みモデルを生成する、
付記１に記載のセンサシステム（１）。

［付記３］
前記学習データ生成部（１２）は、前記複数の受光データに前記対象物の形状が正常か否かを示すデータを関連付けて、前記学習データを生成し、
前記学習モデル生成部（１３）は、前記学習データを用いた機械学習により、前記複数の光センサ（３０）により測定された複数の受光データを入力として、前記対象物の形状が正常か否かを示すデータを出力する前記学習済みモデルを生成する、
付記１又は２に記載のセンサシステム（１）。

［付記４］
前記学習データ生成部（１２）は、前記複数の受光データに前記対象物の種類を示すデータを関連付けて、前記学習データを生成し、
前記学習モデル生成部（１３）は、前記学習データを用いた機械学習により、前記複数の光センサ（３０）により測定された複数の受光データを入力として、前記対象物の種類を示すデータを出力する前記学習済みモデルを生成する、
付記１又は２に記載のセンサシステム（１）。

［付記５］
前記学習済みモデルの出力に対する前記複数の受光データの貢献度を算出する貢献度算出部（１４）と、
前記貢献度に基づいて、前記複数の光センサ（３０）のうち除外可能な光センサ（３０）を推薦する推薦部（１５）と、をさらに備える、
付記１から４のいずれか一項に記載のセンサシステム（１）。

［付記６］
前記推薦部（１５）は、前記貢献度に基づいて、新たな光センサ（３０）の追加を推薦する、
付記５に記載のセンサシステム（１）。

［付記７］
前記推薦部（１５）は、前記複数の受光データの相関に基づいて、前記複数の光センサ（３０）の配置変更を推薦する、
付記５又は６に記載のセンサシステム（１）。

１…センサシステム、１Ａ…変形例に係るセンサシステム、１０…マスタユニット、１０Ａ…変形例に係るマスタユニット、１１…記憶部、１１ａ…受光データ、１１ｂ…学習データ、１１ｃ…学習済みモデル、１２…学習データ生成部、１３…学習モデル生成部、１４…貢献度算出部、１５…推薦部、１６…表示部、１７…通信部、２０ａ…第１スレーブユニット、２０ｂ…第２スレーブユニット、２０ｃ…第３スレーブユニット、３０ａ…第１光センサ、３０ｂ…第２光センサ、３０ｃ…第３光センサ、４０…ＰＬＣ、５０…コンピュータ、５１…通信部、５２…記憶部、５２ａ…受光データ、５２ｂ…学習データ、５２ｃ…学習済みモデル、５３…学習データ生成部、５４…学習モデル生成部、５５…貢献度算出部、５６…推薦部、５７…表示部、１０１，１０２…入力／出力コネクタ、１０６…接続コネクタ、１１０…ＭＰＵ、１１２…通信ＡＳＩＣ、１１６…パラレル通信回路、１１８…シリアル通信回路、３０４，３０６…接続コネクタ、４００…ＣＰＵ、４０１…発光素子、４０２，４０６，４０８…受光素子、４０３…投光制御部、４０４…増幅回路、４０５…Ａ／Ｄコンバータ、４０７，４０９…通信用発光素子、４１０，４１２…受光回路、４１１，４１３…投光回路、４１９…出力回路、４２０…シリアル通信ドライバ

Claims (4)

1. 対象物に照射した光を受光して前記対象物の状態を測定する複数の光センサと、
   前記複数の光センサにより測定された複数の受光データに前記対象物の状態を示すデータを関連付けて、学習データを生成する学習データ生成部と、
   前記学習データを用いた機械学習により、前記複数の光センサにより測定された複数の受光データを入力として、前記対象物の状態を示すデータを出力する学習済みモデルを生成する学習モデル生成部と、
   を備え、
   前記学習モデル生成部は、前記複数の光センサの配置に対応した前記学習済みモデルを生成し、
   前記学習済みモデルの出力に対する前記複数の受光データの貢献度を算出する貢献度算出部と、
   前記貢献度に基づいて、前記複数の光センサのうち除外可能な光センサを推薦する推薦部と、をさらに備え、
   前記推薦部は、前記貢献度に基づいて、新たな光センサの追加を推薦する、
   センサシステム。
2. 対象物に照射した光を受光して前記対象物の状態を測定する複数の光センサと、
   前記複数の光センサにより測定された複数の受光データに前記対象物の状態を示すデータを関連付けて、学習データを生成する学習データ生成部と、
   前記学習データを用いた機械学習により、前記複数の光センサにより測定された複数の受光データを入力として、前記対象物の状態を示すデータを出力する学習済みモデルを生成する学習モデル生成部と、
   を備え、
   前記学習モデル生成部は、前記複数の光センサの配置に対応した前記学習済みモデルを生成し、
   前記学習済みモデルの出力に対する前記複数の受光データの貢献度を算出する貢献度算出部と、
   前記貢献度に基づいて、前記複数の光センサのうち除外可能な光センサを推薦する推薦部と、をさらに備え、
   前記推薦部は、前記複数の受光データの相関に基づいて、前記複数の光センサの配置変更を推薦する、
   センサシステム。
3. 前記学習データ生成部は、前記複数の受光データに前記対象物の形状が正常か否かを示すデータを関連付けて、前記学習データを生成し、
   前記学習モデル生成部は、前記学習データを用いた機械学習により、前記複数の光センサにより測定された複数の受光データを入力として、前記対象物の形状が正常か否かを示すデータを出力する前記学習済みモデルを生成する、
   請求項１又は２に記載のセンサシステム。
4. 前記学習データ生成部は、前記複数の受光データに前記対象物の種類を示すデータを関連付けて、前記学習データを生成し、
   前記学習モデル生成部は、前記学習データを用いた機械学習により、前記複数の光センサにより測定された複数の受光データを入力として、前記対象物の種類を示すデータを出力する前記学習済みモデルを生成する、
   請求項１から３のいずれか一項に記載のセンサシステム。
   
   

Images