JP7343646B1 - 教師データの収集方法 - Google Patents
教師データの収集方法 Download PDFInfo
- Publication number
- JP7343646B1 JP7343646B1 JP2022057617A JP2022057617A JP7343646B1 JP 7343646 B1 JP7343646 B1 JP 7343646B1 JP 2022057617 A JP2022057617 A JP 2022057617A JP 2022057617 A JP2022057617 A JP 2022057617A JP 7343646 B1 JP7343646 B1 JP 7343646B1
- Authority
- JP
- Japan
- Prior art keywords
- data
- defective product
- product data
- collection
- index value
- 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
- 230000002950 deficient Effects 0.000 claims abstract description 77
- 238000007689 inspection Methods 0.000 claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000013145 classification model Methods 0.000 claims abstract description 33
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000013480 data collection Methods 0.000 claims abstract description 15
- 230000002159 abnormal effect Effects 0.000 claims abstract description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 6
- 239000000284 extract Substances 0.000 abstract description 2
- 238000010801 machine learning Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010606 normalization Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000032258 transport Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/09—Supervised learning
-
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Abstract
【課題】教師データとして収集された不良品データの質及び量を定量的に適切に評価でき、十分な質及び量の教師データを用いて、分類モデルを高い精度で学習するとともに、不良品データの収集工数を最小化することができる教師データの収集方法を提供する。【解決手段】本発明は、検査対象物Gを正常品/異常品に分類する分類モデルを学習するための教師データとして、不良品データを収集する教師データの収集方法であり、多数の不良品データを収集し(図3のステップ1)、多数の不良品データの各々から複数の特徴量を抽出し(ステップ2)、多数の不良品データについて、抽出された複数の特徴量ごとの状態和Zkを算出し(ステップ3)、複数の状態和Zkの対数和を、指標値HEGとして算出し(ステップ4)、指標値HEGが所定の目標値HEGTGT以上になったときに、不良品データの収集を終了する(ステップ5)。【選択図】図3
Description
本発明は、ニューラルネットワークを用いた機械学習機能を有する検査装置などの学習に用いられる教師データを収集するための教師データの収集方法に関する。
近年、ニューラルネットワークを用いた機械学習機能を有する検査装置により、各種の工業製品や部品などの検査対象物について、正常品(良品)であるか、異常品(不良品)であるかを判定する検品作業の自動化技術の開発が進んでいる。このような検査装置では、良品と不良品に分類された検査対象物の外観の画像データを多数、教師データとして読み込ませることによって、機械学習が行われ、分類モデルが学習される。そして、学習された分類モデルを用い、検査装置によって、カメラで撮影した新規の検査対象物を、良品と不良品に分類することが可能になる。
上述したように、分類モデルの機械学習には、良品及び不良品の画像データが教師データとして用いられるため、検査精度(分類精度)を高めるには、良品及び不良品のいずれについても、多数の画像データが必要である。しかし、工業製品などの製造現場では一般に、できるだけ不良品を出さないように製造が行われるため、良品の数は多いものの、不良品の数は非常に少ない。そのため、良品の画像データ(以下「良品データ」という)の収集は比較的容易であるのに対し、不良品の画像データ(以下「不良品データ」という)の収集はなかなか進まない傾向にある。
また、このような検査装置では、検査対象物の画像データとして、分類モデルが学習していないデータパターンを有するものが入力されると、分類を適正に行うことは困難になる。このため、分類モデルの学習に用いられる教師データは、可能な限り多くのデータパターンを網羅した良質なものであることが求められる。換言すれば、教師データの収集が不足し、データパターンが網羅されていない悪質な教師データが与えられた場合、精度の高い分類モデルを構築することができない。以上のように、機械学習による分類モデルの精度を確保するためには、特に不良品教師データに対し、量的に十分であることに加えて、多くのデータパターンを網羅した良質なものであることが要求される。
従来、以上のような機械学習に用いる教師データの収集システムとして、例えば特許文献1に開示されたものが知られている。この収集システムでは、分類モデルを用い、検査対象物の加工状態を正常/異常に分類する検査作業を行うユーザー環境が設定されるとともに、分類モデルを学習し、ユーザー環境に提供する学習装置を備えている。この学習装置には、ユーザー環境側から、検査作業の際に得られたラベル付きのデータが送信される。学習装置は、このデータのラベルの正否を、既存の分類モデルを用いて判定する。そして、適正と判定した場合には、ラベル付きのデータを追加の教師データとして採用し、分類モデルを再構築する一方、適正でないと判定した場合には、ラベル付きのデータを教師データから除外する。
上述した従来の教師データの収集システムでは、適正でないラベルが付加されたデータが教師データとして混入することが防止される。しかし、この収集システムでは、収集された教師データ自体の質や量は評価されない。このため、収集された不良品データの質や量が不十分な状態で分類モデルの学習が行われる結果、高い分類精度を確保できないおそれがある。また、同じ理由から、不良品データの収集を終了するタイミングを的確に判定できず、十分な質及び量の教師データが得られたにもかかわらず、教師データの収集が不必要に継続されるおそれがある。
本発明は、以上のような課題を解決するためになされたものであり、教師データとして収集された不良品データの質及び量を定量的に適切に評価でき、それにより、十分な質及び量の教師データを用いて、分類モデルを高い精度で学習できるとともに、不良品データの収集を最適なタイミングで終了し、その収集工数を最小化することができる教師データの収集方法を提供することを目的とする。
この目的を達成するために、請求項1に係る発明は、検査者によって異常品と判定された検査対象物Gの外観を撮影した画像データである不良品データを、検査対象物Gを正常品/異常品に分類する分類モデルを学習するための教師データとして収集する教師データの収集方法であって、多数の不良品データを収集する不良品データ収集工程(図3のステップ1)と、収集された多数の不良品データの各々から複数の特徴量を抽出する特徴量抽出工程(ステップ2)と、次式(1)により、多数の不良品データについて、抽出された複数の特徴量ごとの状態和Zkを算出する状態和算出工程(ステップ3)と、次式(2)により、算出された複数の状態和Zkの対数和を、指標値HEGとして算出する指標値算出工程(ステップ4)と、算出された指標値HEGが所定の目標値HEGTGT以上になったときに、不良品データの収集を終了する不良品データ収集終了工程(ステップ5)と、を備えることを特徴とする。
本発明の教師データの収集方法では、検査者によって異常品と判定された検査対象物の外観を撮影した画像データである不良品データを、検査対象物を正常品/異常品に分類する分類モデルを学習するための教師データとして収集する。本発明によれば、収集された多数の不良品データの各々から複数の特徴量を抽出するとともに、式(1)により、多数の不良品データについて、複数の特徴量ごとの状態和Zkを算出する。
この状態和Zkの技術的意義は、次のとおりである。すなわち、検査対象物の検査作業を非エキスパート(新人や経験年数の少ない作業者)が行う場合、選定される不良品データは概ね、比較的発生しやすいデータパターンに限られる。このため、そのような非エキスパートによる多数の不良品データから特徴量を抽出した場合、その特徴量は、不良品データ全体の平均値付近に偏った分布状態になり、標準偏差は小さくなる。また、式(1)から、状態和Zkは、標準偏差σNが大きいほど、より大きくなり、標準偏差σNが小さいほど、値1に近づくという特性を有する。このように、状態和Zkは、特徴量ごとの教師データとしての質を良好に反映し、その値が大きいほど、特徴量が平均値から分散した良質な状態にあることを表す。なお、規格化定数aは、状態和Zkの対数を値0になるように調整するための係数である。
次に、式(2)により、特徴量ごとの複数の状態和Zkの対数和を、指標値HEGとして算出する。上述した状態和Zkの特性から、指標値HEGは、教師データとして収集された不良品データ全体の質及び量を良好に反映し、その値が大きいほど、教師データとしての質及び量がより高いことを表す。このため、本発明によれば、算出した指標値HEGが所定の目標値以上になったときに、十分な質及び量を有する教師データが得られたとして、不良品データの収集を終了する。
以上のように、教師データとして収集された不良品データの質及び量を指標値HEGによって定量的に適切に評価でき、それにより、十分な質及び量の教師データを用いて、分類モデルを高い精度で学習できるとともに、不良品データの収集を最適なタイミングで終了し、その収集工数を最小化することができる。また、規格化定数aを適切に設定することにより、影響の少ない特徴量に関する状態和Zkの対数は0に近い値になるので、そのような特徴量に関する項を自動的に消去しながら、指標値HEGの算出を適切かつ容易に行うことができる。
以下、図面を参照しながら、本発明の好ましい実施形態を詳細に説明する。図1は、後述する収集方法で収集された多数の不良品画像のデータ(以下「不良品データ」という)、及び多数の良品画像のデータ(以下「良品データ」という)を用いて学習された分類モデルを備えた検査システムを示している。この検査システム1は、例えば車両部品の製造工場などに設置され、製造された車両部品(例えばシリンダブロック)が正常品(良品)又は異常品(不良品)のいずれであるかを、分類モデルを用い、車両部品の外観を検査することによって自動的に判定するものである。以下、検査の対象となる車両部品を「検査対象物」という。
図1に示すように、検査システム1は、検査対象物Gを一方向に所定速度で搬送する搬送機2と、検査対象物Gが所定の検査位置に到達したときに、検査対象物Gの良否を判定する検査装置3を備えている。検査装置3によって不良品と判定された検査対象物Gは、例えば搬送機2から取り除かれ、不良品専用の格納場所に搬送される。
検査装置3は、コンピュータなどから成る情報処理装置で構成されており、制御部4、画像取得部5、記憶部6、学習部7、入力部8、出力部9及びカメラ10を備えている。
制御部4は、CPUを備えており、検査装置3の他の各部5~9及びカメラ10などを制御する。画像取得部5は、カメラ10で撮影された検査対象物Gの外観の画像データを、デジタルデータとして取得する。記憶部6は、ROM及びRAMを有しており、検査装置3の制御に使用される各種のプログラムをROMに記憶するとともに、制御のために取得された各種のデータなどをRAMに記憶する。学習部7は、検査対象物Gの良否を判定するための分類モデルを有する。入力部8は、作業者によって操作されるキーボードなどを有するとともに、外部からデータや信号が入力可能になっている。出力部9は、検査対象物Gの良否の判定結果を表示するディスプレイなどを有する。
図2に示すように、上記の分類モデルを学習する学習システム11は、教師データの収集装置12と、分類モデルの学習装置13を備えている。収集装置12は、検査装置3によって実際に不良品と判定された不良品データを、後述する収集処理により、所要の質と量を有する教師データとして収集するものである。収集装置12は、検査装置3と同様、コンピュータなどから成る情報処理装置で構成されており、CPUを有する制御部や、ROM及びRAMを有する記憶部、入力部、出力部(いずれも図示せず)を備えている。
学習装置13は、検査装置3によって実際に良品と判定された多数の良品データからすでに収集された多数の良品教師データと、収集装置12で収集された多数の不良品教師データを用い、ニューラルネットワークを使用して、分類モデルを学習する。
図3は、収集装置12において実行される教師データの収集処理を示す。本処理では、まずステップ1(「S1」と図示。以下同じ)において、検査装置3で得られた多数の不良品データ(データ数=N)を取得する。
次に、ステップ2において、取得したN個の不良品データの各々を所定の複数の特徴量に変換し(特徴量次元数=F)、記憶部に記憶する。この不良品データから特徴量への変換は、例えばSIFT (Scale-Invariant Feature Transform)やCNN (Convolution Neural Network) を用いて行われる。これにより、図4に示すように、N個の不良品データのそれぞれについて、次元数Fの特徴量が得られる。図4は、不良品データ数N=956、次元数F=50の場合の例である。
これにより、図5に示すように、全不良品データにわたる特徴量ごとの状態和Zk(Z1~Z50)が計50個、算出される。前述したように、状態和Zkは、特徴量ごとの教師データとしての質を良好に反映し、その値が大きいほど、特徴量が平均値から分散した良質な状態にあることを表す。また、状態和Zkは、標準偏差σNが大きいほど、より大きくなり、標準偏差σNが小さいほど、値1に近づくという特性を有する。なお、規格化定数aは、状態和Zkの対数を値0になるように調整するための係数であり、図4に示されるような特徴量の結果を見ながら、状態和Zkの対数が値0になるよう、手動によって設定される。
次に、ステップ4において、次式(2)により、算出された複数の状態和Zkの対数和を、指標値HEGとして算出する。これにより、図6に示すように、全不良品データ及び全特徴量にわたる指標値HEGが1個、算出される。前述したように、指標値HEGは、教師データとして収集された不良品データ全体の質及び量を良好に反映し、その値が大きいほど、教師データとしての質及び量がより高いことを表す。
次に、ステップ5において、算出された指標値HEGが所定の目標値HEGTGT以上であるか否かを判別する。その判別結果がNOで、指標値HEGが目標値HEGTGTに達していないときには、教師データとして収集された不良品データの質及び/又は量が不十分であるとして、前記ステップ1に戻り、不良品データをさらに取得する。一方、前記ステップ5の判別結果がYESで、指標値HEGが目標値HEGTGTに達したときには、教師データとしての不良品データの質及び量が十分に確保されたとして、不良品データの収集を終了するものとし、本処理を終了する。
以上のように、本実施形態によれば、教師データとして収集された不良品データの質及び量を指標値HEGによって定量的に適切に評価でき、それにより、十分な質及び量の教師データを用いて、分類モデルを高い精度で学習できるとともに、不良品データの収集を最適なタイミングで終了し、その収集工数を最小化することができる。
また、規格化定数aを適切に設定することにより、影響の少ない特徴量に関する状態和Zkの対数は0に近い値になるので、そのような特徴量に関する項を自動的に消去しながら、指標値HEGの算出を適切かつ容易に行うことができる。
図7は、上述したようにして算出された指標値HEGと、その指標値HEGが達成されるまでに収集された不良品データを用いて学習された分類モデルによるテストデータ(良品データ及び不良品データ)の分類精度との関係を示す。同図に示すように、指標値HEGが大きいほど、分類モデルによる分類精度はより高くなっており、指標値HEGが教師データの質及び量を表すパラメータとして有効であることが確認された。また、この指標値HEGと分類精度との関係に基づき、教師データの収集終了を判定する際の基準となる指標値の目標値HEGTGTは、分類モデルによる分類精度の目標値ACCTGTに相当する値に設定されている。
なお、本発明は、説明した実施形態に限定されることなく、種々の態様で実施することができる。例えば、実施形態では、状態和Zに規格化定数aを適用することによって、影響の少ない特徴量に関する項を指標値HEGから自動的に消去するようにしているが、規格化定数aを省略することも可能である。
また、実施形態で示した特徴量の次元数Fや不良品データ数Nなどは、例示であり、他の適当な値を採用してもよいことはもちろんである。さらに、実施形態では、収集された教師データを用いて学習された分類モデルにより、車両部品が良品/不良品のいずれであるかを検査する例を示したが、本発明は、これに限らず、良品/不良品を検査するための分類モデルである限り、そのための教師データの収集に広く適用することができる。その他、本発明の趣旨の範囲内で、細部の構成を適宜、変更することが可能である。
1 検査システム
3 検査装置
12 不良品データの収集装置
13 分類モデルの学習装置
G 検査対象物
Zk 状態和
HEG 指標値
HEGTGT 指標値の目標値
3 検査装置
12 不良品データの収集装置
13 分類モデルの学習装置
G 検査対象物
Zk 状態和
HEG 指標値
HEGTGT 指標値の目標値
Claims (1)
- 検査者によって異常品と判定された検査対象物の外観を撮影した画像データである不良品データを、前記検査対象物を正常品/異常品に分類する分類モデルを学習するための教師データとして収集する教師データの収集方法であって、
多数の前記不良品データを収集する不良品データ収集工程と、
当該収集された多数の不良品データの各々から複数の特徴量を抽出する特徴量抽出工程と、
次式(1)により、前記多数の不良品データについて、前記抽出された複数の特徴量ごとの状態和Zkを算出する状態和算出工程と、
次式(2)により、前記算出された複数の状態和Zkの対数和を、指標値HEGとして算出する指標値算出工程と、
当該算出された指標値HEGが所定の目標値以上になったときに、前記不良品データの収集を終了する不良品データ収集終了工程と、
を備えることを特徴とする教師データの収集方法。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022057617A JP7343646B1 (ja) | 2022-03-30 | 2022-03-30 | 教師データの収集方法 |
US18/191,256 US20230316725A1 (en) | 2022-03-30 | 2023-03-28 | Collecting method for training data |
CN202310319263.8A CN116894199A (zh) | 2022-03-30 | 2023-03-29 | 教师数据的收集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2022057617A JP7343646B1 (ja) | 2022-03-30 | 2022-03-30 | 教師データの収集方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7343646B1 true JP7343646B1 (ja) | 2023-09-12 |
JP2023149186A JP2023149186A (ja) | 2023-10-13 |
Family
ID=87934835
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2022057617A Active JP7343646B1 (ja) | 2022-03-30 | 2022-03-30 | 教師データの収集方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20230316725A1 (ja) |
JP (1) | JP7343646B1 (ja) |
CN (1) | CN116894199A (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020123330A (ja) | 2019-01-30 | 2020-08-13 | 株式会社ストラドビジョン | ニューラルネットワーク学習に利用されるオートラベリングされたイメージのうちでラベル検収のためのサンプルイメージを取得する方法、及びそれを利用したサンプルイメージ取得装置 |
CN116091400A (zh) | 2022-11-18 | 2023-05-09 | 航天信息股份有限公司 | 一种证件检测方法、装置、电子设备和存储介质 |
-
2022
- 2022-03-30 JP JP2022057617A patent/JP7343646B1/ja active Active
-
2023
- 2023-03-28 US US18/191,256 patent/US20230316725A1/en active Pending
- 2023-03-29 CN CN202310319263.8A patent/CN116894199A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020123330A (ja) | 2019-01-30 | 2020-08-13 | 株式会社ストラドビジョン | ニューラルネットワーク学習に利用されるオートラベリングされたイメージのうちでラベル検収のためのサンプルイメージを取得する方法、及びそれを利用したサンプルイメージ取得装置 |
CN116091400A (zh) | 2022-11-18 | 2023-05-09 | 航天信息股份有限公司 | 一种证件检测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116894199A (zh) | 2023-10-17 |
US20230316725A1 (en) | 2023-10-05 |
JP2023149186A (ja) | 2023-10-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11763443B2 (en) | Method for monitoring manufacture of assembly units | |
CN109583489B (zh) | 缺陷分类识别方法、装置、计算机设备和存储介质 | |
CN109060817B (zh) | 人工智能复检系统及其方法 | |
CN113221947A (zh) | 一种基于图像识别技术的工业质检方法及系统 | |
CN112862757A (zh) | 一种基于计算机视觉技术的重量评估系统及实现方法 | |
CN114862832A (zh) | 缺陷检测模型的优化方法、装置、设备及存储介质 | |
JP7440823B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP7343646B1 (ja) | 教師データの収集方法 | |
CN113205511A (zh) | 基于深层神经网络的电子元器件批量信息检测方法及系统 | |
CN112527676A (zh) | 模型自动化测试方法、装置及存储介质 | |
CN111212434B (zh) | 一种wifi模组质量预测方法、装置、设备及存储介质 | |
CN117152152A (zh) | 检测试剂盒的生产管理系统及方法 | |
CN115495608B (zh) | 基于模型的缺陷检测方法及系统 | |
CN116434266A (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
CN110555384A (zh) | 基于图像数据的牛肉大理石纹自动分级系统及方法 | |
Trofimov | Multi-structural instrument for identifying surface defects on rails | |
CN114240929A (zh) | 一种色差检测方法及装置 | |
JP7399998B2 (ja) | 教師データ収集装置 | |
CN117798654B (en) | Intelligent adjusting system for center of steam turbine shafting | |
CN116977324A (zh) | 产品外观缺陷全检测方法、装置及可读存储介质 | |
Hueter | Neural networks automate inspections | |
Binghay et al. | Object Detection Approach for Batch Detection of Cacao Bean Defects | |
Jalili et al. | EfficientNet-based vehicle damage insurance verification | |
CN117763461A (zh) | 代码扫描模型训练方法、装置、存储介质及电子设备 | |
CN116894965A (zh) | 教师数据收集方法以及收集装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221129 |
|
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: 20230822 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230831 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7343646 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |