JP7251955B2

JP7251955B2 - 検出装置及び機械学習方法

Info

Publication number: JP7251955B2
Application number: JP2018218549A
Authority: JP
Inventors: 泰弘芝▲崎▼
Original assignee: Fanuc Corp
Current assignee: Fanuc Corp
Priority date: 2018-11-21
Filing date: 2018-11-21
Publication date: 2023-04-04
Anticipated expiration: 2038-11-21
Also published as: JP2020086786A

Description

本発明は、検出装置及び機械学習方法に関する。

工場等の製造現場では、製造された製品の良品／不良品検出や、ラインを流れてくる製品の物体検出、産業機械の故障検出等が行われている。このような様々な検出作業は、従来は経験を積んだ作業者が目視で、又はセンサが検知した値を参照しながら行っていた。しかしながら、人手による検出作業では、各作業者の経験の違いに基づく判断基準の違いや、体調変化により集中力を欠いたりする等の理由で、その検出精度にブレが生じるという問題が生じる。そのため、多くの製造現場では様々な検出作業に、センサ等により検知した値に基づいて機械的に自動判定する検出装置を導入している。

製造現場に設置される検出装置が自動判定に用いるデータとしては、多くの場合、数値データだけでなく、例えば画像や信号、文字等の非数値データが扱われる。このような非数値データを自動判定に用いる場合には、そのままでは判定式等に入力することができないため、そのデータの特徴部分を示す数値データへと変換する特徴抽出処理が施された上で自動判定に用いられる。

製造現場等で用いられる検出装置に係る従来技術として、例えば特許文献１～３には、機械学習等の技術を用いて検出処理を行う技術が開示されている。

特開２０１７－０９７７１８号公報特開２０１７－０７６２８９号公報特開２０１５－１８５１４９号公報

機械学習による検出処理において深層学習（ディープラーニング）の手法が用いられるようになっている。検出処理において深層学習を用いると、大規模なラベル付けされたデータに対して多層ニューラルネットワークの構造を利用して学習を行い、データから自動的に特徴部分を抽出して学習及び推定をすることができるようになる。しかしながら、このような処理を行うためには、ＧＰＵ（ＧｒａｐｈｉｃａｌＰｒｏｃｅｓｓｉｎｇＵｎｉｔ）等を用いた大規模な処理を行う必要があり、機器性能や計算時間の負荷が大きいという問題がある。

これに対して、前処理の段階でデータに特化した特徴抽出処理を行い、小規模な機械学習機を学習及び推定に用いるように検出装置を構成すると、深層学習の技術で自動的に特徴抽出を行う場合と比較すると計算負荷が小さくなる事が多い。このような特徴抽出処理を行う場合には、それぞれのデータから学習に適した特徴データを抽出するために、適切な特徴抽出のアルゴリズムを選択し、また、選択した特徴抽出アルゴリズムのパラメータを適切に調整することで、機械学習器における学習及び推定の計算負荷を抑えつつ精度を向上させることができる。しかしながら、適切な特徴抽出のアルゴリズムの選択と、適切なパラメータの調整とを人手で行うと最適化に時間が掛かり、アルゴリズムの選択及びパラメータの調整の根拠が曖昧になるという問題がある。また、特徴抽出の手法を新規に検討した際にも、既存の手法に対する学習及び推論精度向上を検証する必要があるが、この作業にも工数が掛かる。

そこで本発明の目的は、検出処理に用いられるデータの前処理に用いる特徴抽出のアルゴリズムの選択やパラメータの調整を支援する検出装置を提供することである。

本発明では、データからの特徴抽出（前処理）の段階と、学習乃至推論（学習コア）を行う段階とをそれぞれ実行する検出装置において、非数値データ（画像や信号や文字等）を複数方式で前処理（エッジ検出やスペクトル解析等）し、合成結果（Ｎ次元ベクトル）で学習乃至推論（教師なし分類や教師あり回帰等）をする事で、推論精度を高める前処理方式を自動に選択する（最適な抽出方式選択時相当の精度を出す）機能を設けることで、上記課題を解決する。

そして、本発明の一態様は、産業機械に係るデータに基づく検出処理を行う検出装置であって、前記産業機械に係るデータから該データの特徴に係るデータを抽出する複数の特徴抽出部を備え、それぞれの特徴抽出部を用いて前記産業機械に係るデータから学習データ及び評価データの組をそれぞれ作成する前処理部と、それぞれの前記学習データに基づいた機械学習を行い、複数の学習モデルをそれぞれ生成する学習部と、前記評価データに基づいて、該評価データに対応する学習データを用いて生成された学習モデルを用いた推定を行う推定部と、前記推定部による推定結果に基づいて、前記学習モデルの学習乃至推定の精度に関する評価を行い、その評価結果に基づいて、対応する前記特徴抽出部の評価結果を出力する評価部と、を備え、前記評価の結果、予め設定されている所定の閾値を超える精度を示す学習モデルが得られなかった場合、パラメータを調整した特徴抽出部を追加し、再度前処理、学習、推定、評価を行う、検出装置である。

本発明の他の態様は、産業機械に係るデータに基づく検出処理に係る機械学習方法であって、前記産業機械に係るデータから該データの特徴に係るデータを抽出する複数の特徴抽出手法をそれぞれ用いて前記産業機械に係るデータから学習データ及び評価データの組をそれぞれ作成する前処理ステップと、それぞれの前記学習データに基づいた機械学習を行い、複数の学習モデルをそれぞれ生成する学習ステップと、前記評価データに基づいて、該評価データに対応する学習データを用いて生成された学習モデルを用いた推定を行う推定ステップと、前記推定ステップによる推定結果に基づいて、前記学習モデルの学習乃至推定の精度に関する評価を行い、その評価結果に基づいて、対応する前記特徴抽出部の評価結果を出力する評価ステップと、を実行し、前記評価の結果、予め設定されている所定の閾値を超える精度を示す学習モデルが得られなかった場合、パラメータを調整した特徴抽出部を追加し、再度前処理、学習、推定、評価を行う、機械学習方法である。

本発明により、機器性能が低い装置においても、比較的短時間で学習乃至推論を行うことができるようになる。また、作業者の能力や経験によらずに一定の手順で短時間に最適なパラメータを選択することができるようになるため、推論精度の向上が見込まれる。更に、新規前処理方式を導入する際には、既存処理群に対して新規前処理方式を単に追加すれば良いため、検証工数を減らすことができる。

一実施形態による検出装置の概略的なハードウェア構成図である。一実施形態による検出装置の概略的な機能ブロック図である。前処理部が備える特徴抽出部の例を示す図である。前処理部が備える特徴抽出部の他の例を示す図である。前処理部による学習データ、評価データの作成の例を示す図である。前処理部による学習データ、評価データの作成の他の例を示す図である。評価部による特徴抽出部の評価の流れを説明する図である。

以下、本発明の実施形態を図面と共に説明する。
図１は一実施形態による機械学習装置を備えた検出装置の要部を示す概略的なハードウェア構成図である。本実施形態の検出装置１は、例えば搬送機械やロボット等の産業機械２を制御する制御装置上に実装することができる。また、本実施形態の検出装置１は、搬送機械やロボット等の産業機械２を制御する制御装置と併設されたパソコンや、該制御装置と有線／無線のネットワークを介して接続されたエッジコンピュータ、セルコンピュータ、ホストコンピュータ、クラウドサーバ等のコンピュータとして実装することができる。本実施形態では、検出装置１を、搬送機械やロボット等の産業機械２を制御する制御装置に有線／無線のネットワークを介して接続されたコンピュータとして実装した場合の例を示す。

本実施形態による検出装置１が備えるＣＰＵ１１は、検出装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、ＲＯＭ１２に格納されたシステム・プログラムをバス２０を介して読み出し、該システム・プログラムに従って検出装置１全体を制御する。ＲＡＭ１３には一時的な計算データ、入力装置７１を介して作業者が入力した各種データ等が一時的に格納される。

不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされたメモリやＳＳＤ（ＳｏｌｉｄＳｔａｔｅＤｒｉｖｅ）等で構成され、検出装置１の電源がオフされても記憶状態が保持される。不揮発性メモリ１４には、検出装置１の動作に係る設定情報が格納される設定領域や、入力装置７１から入力されたデータ、産業機械２から取得されるデータ（画像データ、音声データ、時系列データ、文字データ等）、機械学習装置１００から取得したデータ、図示しない外部記憶装置やネットワークを介して読み込まれたデータ等が記憶される。不揮発性メモリ１４に記憶されたプログラムや各種データは、実行時／利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、各種データを解析するための公知の解析プログラム等を含むシステム・プログラムが予め書き込まれている。

産業機械２は、例えば工作機械、搬送機械、ロボット、鉱山機械、木工機械、農業機械、建設機械等を対象とすることができる。産業機械２には、該産業機械２は原動機等の各部の動作に係る情報を取得する事ができるように構成されており、また、別途撮像センサや音声センサ等のセンサ等を取り付けて該産業機械２の動作に必要とされる情報が取得できるように構成される。産業機械２が取得した情報は、有線／無線のネットワーク５及びインタフェース１６を介して検出装置１に取得され、ＲＡＭ１３、不揮発性メモリ１４等に格納される。また、検出装置１は、必要に応じて産業機械２に対して所定の制御信号をインタフェース１６及びネットワーク５を介して出力する。

表示装置７０には、メモリ上に読み込まれた各データ、プログラム等が実行された結果として得られたデータ、後述する機械学習装置１００から出力されたデータ等がインタフェース１７を介して出力されて表示される。また、キーボードやポインティングデバイス等から構成される入力装置７１は、作業者による操作に基づく指令，データ等をインタフェース１８を介してＣＰＵ１１に渡す。

インタフェース２１は、検出装置１と機械学習装置１００とを接続するためのインタフェースである。機械学習装置１００は、機械学習装置１００全体を統御するプロセッサ１０１と、システム・プログラム等を記憶したＲＯＭ１０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ１０３、及び学習モデル等の記憶に用いられる不揮発性メモリ１０４を備える。機械学習装置１００は、インタフェース２１を介して検出装置１で取得可能な各情報（例えば、産業機械２から取得された画像データ、音声データ、時系列データ、文字データ等）を観測することができる。また、検出装置１は、機械学習装置１００から出力される処理結果をインタフェース２１を介して取得し、取得した結果を記憶したり、表示したり、他の装置に対してネットワーク５等を介して送信する。

図２は、一実施形態による検出装置１と機械学習装置１００の概略的な機能ブロック図である。本実施形態の検出装置１は、機械学習装置１００が学習を行う場合に必要とされる構成を備えている（学習モード）。図２に示した各機能ブロックは、図１に示した検出装置１が備えるＣＰＵ１１、及び機械学習装置１００のプロセッサ１０１が、それぞれのシステム・プログラムを実行し、検出装置１及び機械学習装置１００の各部の動作を制御することにより実現される。

本実施形態の検出装置１は、データ取得部３０，データセット生成部３２、前処理部３４、評価部３８を備え、前処理部３４は、複数の特徴抽出部３６を備えている。また、不揮発性メモリ１４上には、データ取得部３０が取得した取得データ記憶部５０が設けられており、機械学習装置１００の不揮発性メモリ１０４上には、学習部１１０による機械学習により構築された学習モデルを記憶する学習モデル記憶部１３０が設けられている。

データ取得部３０は、産業機械２、及び入力装置７１等から各種データを取得する機能手段である。データ取得部３０は、例えば、産業機械２から取得された検出対象の画像データ、産業機械２の動作音や電動機の電圧値／電流値、産業機械２の各部の温度分布データ等と、各々の該データに対して作業者が付与したラベル値の組を取得し、取得データ記憶部５０に記憶する。データ取得部３０は、図示しない外部記憶装置や有線／無線のネットワークを介して他の装置からデータを取得するようにしても良い。

データセット生成部３２は、取得データ記憶部５０に記憶された複数のデータについて、予め定めた所定の数又は所定の割合のデータを学習用のデータセットとし、その他のデータを評価用のデータセットとして分割する機能手段である。データセット生成部３２が分割するそれぞれのサブデータセットは、偏りが起きにくいように分割することが望ましく、例えば取得データ記憶部５０に記憶されているデータの中から学習用のデータセットとするデータをランダムに選んだり、系統抽出法等の統計的な標本抽出法を用いることで、それぞれのデータセットに分割するようにしても良い。

前処理部３４は、データセット生成部３２が生成した学習用のデータセット及び評価用のデータセットに対して、特徴抽出部３６によるデータの変換を行う機能手段である。前処理部３４は、複数の特徴抽出部３６を備えており、予め設定された前処理要件に従ってデータセットに含まれるそれぞれのデータを順に特徴抽出部３６に入力してデータの変換を行う。

前処理部３４に設定する前処理要件は、データセットに含まれるデータに対する１乃至複数の特徴抽出部３６によるデータの変換順序を規定する。前処理要件の例としては、データセットに含まれる画像データに対して所謂コーナ検出処理を行う特徴抽出部３６を適用する手順が挙げられる。また、前処理要件の他の例としては、データセットに含まれる画像データに対して所定のレベル補正処理を行う特徴抽出部３６を適用した後に、エッジ検出処理を行う特徴抽出部３６を適用する手順が挙げられる。更に、前処理要件の他の例としては、データセットに含まれる音声データに対してノイズ除去処理を行う特徴抽出部３６を適用した後に、音特徴抽出処理を行う特徴抽出部３６を適用する手順が挙げられる。前処理要件は、予め検出装置が検出するデータの種別や検出の目的に合わせて、前処理部３４に設定しておく。

前処理部３４が備える特徴抽出部３６は、データセットに含まれるそれぞれのデータの特徴部分を学習乃至推定用に抽出する機能手段である。複数の特徴抽出部３６は、それぞれ所定の特徴抽出処理を行うためのものであり、また、同じ種類の特徴抽出処理を行うもの同士では、当該処理に用いられるパラメータ又はアルゴリズムが異なる。

図３は、画像データの特徴抽出処理を行う特徴抽出部３６の例を示す図である。図３の例では、前処理部３４は、コーナ検出の特徴抽出処理を行う特徴抽出部３６として、特徴抽出部Ａ１～Ａ３を備えており、いずれもコーナ検出アルゴリズムであるＡＫＡＺＥ（ＡｃｃｅｌｅｒａｔｅｄＫＡＺＥアルゴリズム）を用いており、感度パラメータが特徴抽出部Ａ１は標準感度の１．０倍、特徴抽出部Ａ２は１．５倍、特徴抽出部Ａ３は２．０倍に設定されている。

また、図４は、音声データの特徴抽出処理を行う特徴抽出部３６の例を示す図である。図４の例では、前処理部３４は、ノイズ除去の特徴抽出処理を行う特徴抽出部３６として、特徴抽出部Ｂ１～Ｂ３を備えており、いずれもノイズ除去アルゴリズムとしてスペクトルサブトラクション（ＳＳ）法を用いており、窓幅パラメータが特徴抽出部Ｂ１は標準窓幅の１．０倍、特徴抽出部Ｂ２は１．５倍、特徴抽出部Ｂ３は２．０倍に設定されている。また、前処理部３４は、音特徴抽出の特徴抽出処理を行う特徴抽出部３６として、特徴抽出部Ｃ１～Ｃ２を備えており、特徴抽出部Ｃ１は音特徴抽出アルゴリズムとしてメル周波数ケプストラム係数（ＭＦＣＣ）を用い、特徴抽出部Ｃ２は音特徴抽出アルゴリズムとしてＦＦＴ（ＦａｓｔＦｏｕｒｉｅｒＴｒａｎｓｆｏｒｍ）とケプストラムを用いている。

前処理部３４は、上記したように前処理の対象となるデータの種類に応じて用意された複数の特徴抽出部３６を用いて、予め設定された前処理要件に従って、それぞれの特徴抽出部３６を適用した学習データを生成する。図５は、図３に例示される特徴抽出部Ａ１～Ａ３を備えた前処理部３４による処理を説明する図である。図５の例では、前処理部３４は、データセット生成部３２により生成された学習用データセットに含まれる各データを特徴抽出部Ａ１～Ａ３を用いて変換した学習データａ１～ａ３を作成し、また、評価用データセットに含まれる各データを特徴抽出部Ａ１～Ａ３を用いて変換して評価データａ１～ａ３を作成する。

図６は、図４に例示される特徴抽出部Ｂ１～Ｂ３，Ｃ１～Ｃ２を備えた前処理部３４による処理を説明する図である。前処理部３４には、予め音声データに対してノイズ除去処理を施してから、音特徴抽出処理を実行することが前処理要件として設定されている。図６の例では、前処理部３４は前処理要件に従って、特徴抽出部Ｂ１～Ｂ３から選択された特徴抽出部と、特徴抽出部Ｃ１～Ｃ２から選択された特徴抽出部との組を作成し、作成した特徴抽出部の組をそれぞれを用いて、学習用データセットから学習データｂ１～ａ６を、評価用データセットから評価データｂ１～ａ６を作成する。

学習部１１０は、前処理部３４が作成したそれぞれの学習データのセットを用いた機械学習を行い、複数の学習モデルを生成する。学習部１１０は、教師なし学習、教師あり学習等の公知の機械学習の手法により、産業機械２から取得され、前処理部３４により前処理された学習データの複数のセットをそれぞれ用いた機械学習を行うことで複数の学習モデルを生成し、生成した複数の学習モデルを学習モデル記憶部１３０に記憶する。学習部１１０が行う教師なし学習の手法としては、例えばｋ－ｍｅａｎｓ法等が、教師あり学習の手法としては、例えば一般的なニューラルネットワークやＳＶＭ等が挙げられる。

一方、推定部１２０は、前処理部３４が作成したそれぞれの評価データのセットに基づいて、学習モデル記憶部１３０に記憶された学習モデルを用いた状態の推定を行う。本実施形態の推定部１２０では、前処理部３４において所定の特徴抽出部３６を用いて作成された評価データのセットについては、同一の特徴抽出部３６を用いて作成された学習データのセットを用いて学習部１１０が生成した学習モデルを用いた推定を行う。

評価部３８は、推定部１２０により推定された、評価データに対する推論の結果に基づいて、それぞれの学習モデルの学習乃至推論の精度を評価し、その評価結果に基づいて、該学習モデルを生成する際に用いられた特徴抽出部３６の評価を行う機能手段である。評価部３８は、評価データのセットに含まれるそれぞれの評価データに対する推定部１２０による推論の結果について、それぞれの評価データに付与されているラベル値と比較することにより、推定部１２０による推論結果の正誤を判定する。次に、評価部３８は、各評価データに関する推論結果に対して公知の統計的手法（例えば、ラベルに対する最小事情誤差量等）や、ＲＯＣ曲線、ＡＵＣ等の公知の機械学習の評価指標を用いて、その推論に用いられた学習モデルの学習乃至推論の精度を評価する。そして、評価部３８は、学習モデルの学習乃至推論の精度に基づいて、該学習モデルを生成する際に用いられた特徴抽出部３６の評価を行う。このような処理を、評価部３８は学習モデル記憶部１３０に記憶されているそれぞれの学習モデルに対して行う。評価部３８による評価結果は、表示装置７０に表示出力したり、ネットワーク５を介してホストコンピュータやクラウドコンピュータ等に送信出力して利用するようにしても良い。評価部３８は、最も学習乃至推論の精度が高い学習モデルの生成に用いられた特徴抽出部３６についてのみ、表示出力等を行うようにしても良い。

図７は、図３，５の例で示した特徴抽出部に基づいて作成された学習データ及び評価データに基づく評価部３８による評価の例を示す図である。図７に例示されるように、特徴抽出部Ａ１を用いて作成された学習データａ１に基づいて、学習部１１０で学習モデルａ１が生成されたとする。この時、推定部１２０は、特徴抽出部Ａ１を用いて作成された評価データａ１に基づいて学習モデルａ１を用いた推定処理を行い、推定結果ａ１を出力する。そして、評価部３８は、推定結果ａ１対して公知の統計的処理乃至公知の機械学習の評価指標を適用し、学習モデルａ１の制度の評価を行う、その結果を特徴抽出部Ａ１の評価として出力する。同様に、評価部３８は、推定結果ａ２，ａ３から、それぞれ学習モデルａ２，ａ３の評価を行う、その結果をそれぞれ特徴抽出部Ａ２，Ａ３の評価として出力する。

上記した実施形態による検出装置１は、検出を行うために取得したデータに対して、複数の特徴抽出部３６によりそれぞれデータの特徴を抽出した学習データ及び評価データを作成し、作成したそれぞれの学習データ及び評価データによる学習及び推定を行うことで得られた推定結果から、各々の特徴抽出部３６の評価を行う。評価部３８が出力する評価結果は、検出を行うために取得したデータに対する、それぞれの特徴抽出部３６の適性を示すものとなり、これを把握した作業者は、検出処理に用いるべき特徴抽出部３６乃至特徴抽出部３６の組（即ち、前処理に利用するパラメータ乃至アルゴリズム、その組）を容易に決定することができるように成る。また、特徴抽出部３６を新たに追加した場合にも、既存の特徴抽出部３６に対して学習・推定の精度向上を容易に検証することができるようになる。

上記した実施形態の一変形例として、評価部３８は、各々の特徴抽出部３６に対する評価結果に基づいて、パラメータを調整した特徴抽出部３６を新たに前処理部３４に追加して、再度、データセット生成部３２，前処理部３４，学習部１１０、推定部１２０に対して、追加した特徴抽出部３６を用いた処理を実行させて、該特徴抽出部３６に対する評価を行うようにしても良い。評価部３８は、各々の特徴抽出部３６に対して評価を行った場合に、いずれの特徴抽出部３６を用いても、予め設定されている所定の閾値を超える学習乃至推論の精度を示す学習モデルが得られなかった場合に、それぞれの特徴抽出部３６に設定されるパラメータ値の変化傾向と、該特徴抽出部３６を用いて生成された学習モデルの学習乃至推論の精度の変化傾向とを比較し、学習モデルの学習精度が上昇すると予想されるパラメータ値を設定した特徴抽出部３６を新たに追加し、追加した特徴抽出部３６を用いた処理を行うように各機能手段に対して指令する。

上記動作を評価部３８に行わせることで、予め用意しておいた特徴抽出部３６の中に、検出を行うために取得したデータに対して適性を持った特徴抽出部３６がなかった場合であっても、評価部３８によりパラメータ値が調整された特徴抽出部３６が自動的に追加されて再評価が行われるため、半自動的に適性のある特徴抽出部３６の探索が行われるようになる。

以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
例えば、上記した第２，３実施形態では検出装置１と機械学習装置１００が異なるＣＰＵ（プロセッサ）を有する装置として説明しているが、機械学習装置１００は検出装置１が備えるＣＰＵ１１と、ＲＯＭ１２に記憶されるシステム・プログラムにより実現するようにしても良い。

また、上記した第２，３実施形態では学習のための構成と推定のための構成とを別の実施形態として説明しているが、これらを同時に備えた検出装置１を構成しても良い。この場合、検出装置１は、工具の取り付け状態の推定を行いながら、必要に応じて学習モデルを更新する（学習する）ように動作する。

１検出装置
２産業機械
５ネットワーク
１１ＣＰＵ
１２ＲＯＭ
１３ＲＡＭ
１４不揮発性メモリ
１６，１７，１８インタフェース
２０バス
２１インタフェース
３０データ取得部
３２データセット生成部
３４前処理部
３６特徴抽出部
３８評価部
５０取得データ記憶部
７０表示装置
７１入力装置
１００機械学習装置
１０１プロセッサ
１０２ＲＯＭ
１０３ＲＡＭ
１０４不揮発性メモリ
１１０学習部
１２０推定部
１３０学習モデル記憶部

Claims

産業機械に係るデータに基づく検出処理を行う検出装置であって、
前記産業機械に係るデータから該データの特徴に係るデータを抽出する複数の特徴抽出部を備え、それぞれの特徴抽出部を用いて前記産業機械に係るデータから学習データ及び評価データの組をそれぞれ作成する前処理部と、
それぞれの前記学習データに基づいた機械学習を行い、複数の学習モデルをそれぞれ生成する学習部と、
前記評価データに基づいて、該評価データに対応する学習データを用いて生成された学習モデルを用いた推定を行う推定部と、
前記推定部による推定結果に基づいて、前記学習モデルの学習・推定の精度に関する評価を行い、その評価結果に基づいて、対応する前記特徴抽出部の評価結果を出力する評価部と、
を備え、
前記評価の結果、予め設定されている所定の閾値を超える精度を示す学習モデルが得られなかった場合、パラメータを調整した特徴抽出部を追加し、再度前処理、学習、推定、評価を行う、
検出装置。
前記産業機械に係るデータは、画像データ、時系列データ、文字データの少なくともいずれかである、
請求項１に記載の検出装置。
前記機械学習は、教師なし学習または教師あり学習のいずれかである、
請求項１に記載の検出装置。
前記評価部は、学習・推定の精度が最も高い学習モデルに対応する前記特徴抽出部の評価結果を出力する、
請求項１に記載の検出装置。
産業機械に係るデータに基づく検出処理に係る機械学習方法であって、
コンピュータが、
前記産業機械に係るデータから該データの特徴に係るデータを抽出する複数の特徴抽出手段をそれぞれ用いて前記産業機械に係るデータから学習データ及び評価データの組をそれぞれ作成する前処理ステップと、
それぞれの前記学習データに基づいた機械学習を行い、複数の学習モデルをそれぞれ生成する学習ステップと、
前記評価データに基づいて、該評価データに対応する学習データを用いて生成された学習モデルを用いた推定を行う推定ステップと、
前記推定ステップによる推定結果に基づいて、前記学習モデルの学習・推定の精度に関する評価を行い、その評価結果に基づいて、対応する前記特徴抽出手段の評価結果を出力する評価ステップと、
を実行し、
前記評価の結果、予め設定されている所定の閾値を超える精度を示す学習モデルが得られなかった場合、パラメータを調整した特徴抽出部を追加し、再度前処理、学習、推定、評価を行う、
機械学習方法。