JP7354063B2 - 分類システム、プログラム及び学習システム - Google Patents

分類システム、プログラム及び学習システム Download PDF

Info

Publication number
JP7354063B2
JP7354063B2 JP2020118635A JP2020118635A JP7354063B2 JP 7354063 B2 JP7354063 B2 JP 7354063B2 JP 2020118635 A JP2020118635 A JP 2020118635A JP 2020118635 A JP2020118635 A JP 2020118635A JP 7354063 B2 JP7354063 B2 JP 7354063B2
Authority
JP
Japan
Prior art keywords
unit
classification
class
input data
score
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
Application number
JP2020118635A
Other languages
English (en)
Other versions
JP2021179944A (ja
Inventor
剛史 平山
賢治 小林
ラオ カキララ クリシュナ
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Toshiba Corp
Toshiba Digital Solutions Corp
Original Assignee
Toshiba Corp
Toshiba Digital Solutions Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Toshiba Corp, Toshiba Digital Solutions Corp filed Critical Toshiba Corp
Publication of JP2021179944A publication Critical patent/JP2021179944A/ja
Application granted granted Critical
Publication of JP7354063B2 publication Critical patent/JP7354063B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06F18/2431—Multiple classes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G06N3/045—Combinations of 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
    • G06N3/048—Activation functions
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/245—Classification techniques relating to the decision surface
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Description

本発明の実施形態は、分類システム、プログラム及び学習システムに関する。
分類対象となるデータを、機械学習によって得られたモデルを用いて分類する技術が広く利用されている。教師有り学習によって得られるモデルを用いた分類器は、学習に用いられた教師データで定義されているクラスのいずれかに入力されたデータを分類する。そのため、定義されているクラスのいずれにも該当しないデータが入力される場合であっても、分類器は、いずれかのクラスに当該データを分類してしまう。このように、分類器に入力されるデータが教師データで定義されているいずれのクラスに該当しない場合、入力されるデータに対する誤った分類が行われ、分類精度が低下するという問題があった。
特開２０１９－０８７１８１号公報
Alex Krizhevsky et al., "ImageNet Classification with Deep Convolutional Neural Networks", Communication of the ACM, May 2017, https://doi.org/10.1145/3065386
本発明が解決しようとする課題は、予め定められたクラスに属さないデータが分類対象に含まれる場合においても、分類精度の低下を抑制できる分類システム、プログラム及び学習システムを提供することである。
実施形態の分類システムは、スコア算出部と、判定部と、分類部と、を持つ。スコア算出部は、予め定められたクラスそれぞれのスコアを入力データから算出する。判定部は、スコア算出部により算出されたクラスそれぞれのスコアに基づいて、入力データがクラスのいずれかに属するか否かを判定する。分類部は、入力データがクラスのいずれかに属すると判定部が判定した場合に、算出されたクラスごとのスコアに基づいて、入力データが属するクラスを決定し、入力データがクラスのいずれにも属しないと判定部が判定した場合に、入力データが未知のクラスに属すると決定する。
第１の実施形態における分類システムの構成例を示す図。 第１の実施形態における分類装置の構成例を示すブロック図。 第１の実施形態におけるスコア算出部の構成例を示すブロック図。 第１の実施形態における判定部の構成例を示す図。 第１の実施形態の分類システムが行う分類処理の動作例を示すフローチャート。 第１の実施形態における学習システムの構成例を示す図。 第１の実施形態の学習システムが行う学習処理の動作例を示すフローチャート。 第２の実施形態における分類システムの構成例を示す図。 第２の実施形態における判定部の構成例を示す図。
以下、実施形態の分類システム、プログラム及び学習システムを、図面を参照して説明する。以下の実施形態では、同一の符号を付した構成は同様の動作を行うものとして、重複する説明を適宜省略する。
第１及び第２の実施形態で説明する分類システムは、分類対象の画像を入力データとして取得し、分類対象の画像が予め定められた複数のクラスのいずれにも属しない未知のクラスに属するか否かを判定する。分類システムは、分類対象の画像が未知のクラスに属すると判定した場合、画像を複数のクラスのいずれかに分類せずに、画像が未知のクラスに属するという判定結果を出力する。未知のクラスに属する画像を複数のクラスのいずれかに属するという判定を行わないことで、分類システムは、画像に対する誤った分類を避けて分類精度の低下を抑制する。以下、分類システムを適用した例について説明する。
（第１の実施形態）
図１は、第１の実施形態における分類システム１の構成例を示す図である。分類システム１は、板や棒、管などの形状に加工された鋼材の品質が、予め定められた品質等級のいずれに属するかを判定し、鋼材の品質を分類する。第１の実施形態における品質等級がクラスの一例である。品質等級として、標準化団体で定められた規格や、業界団体により定められた規格が用いられる。例えば、ＪＩＳ（Japan Industrial Standards）で定められた規格の一つに「ＪＩＳ Ｇ０５５１ 鋼－結晶粒度の顕微鏡試験方法」がある。この規格では、品質等級が２２等級に分けられている。等級は、－１，０，０．５，１．０，１．５，２．０，…，９．０，９．５，１０．０の数値で表される。
分類システム１は、撮像装置２、分類装置３及び表示装置４を備える。撮像装置２は、分類対象の鋼材又は鋼材から採取した試料Ｓを撮像し、得られた画像を入力データとして分類装置３へ供給する。撮像装置２は、鋼材又は試料Ｓの表面や断面を撮像する。光学顕微鏡に取り付けられたカメラを撮像装置２として用いてもよい。分類装置３は、機械学習で得られたモデルを用いて、分類対象の鋼材が予め定められた品質等級のいずれに属するか判定し、鋼材の品質を分類する。分類装置３は、分類対象の鋼材の品質等級を示す分類結果を表示装置４に出力し、分類結果を表示装置４に表示させる。なお、分類対象の鋼材が予め定められた品質等級のいずれにも属さない場合、分類装置３は、分類対象の鋼材が未知の品質等級に属するという分類結果を表示装置４に出力する。
品質等級は、モデルの学習時に定められる。モデルの学習に用いる学習データセットは、鋼材を撮像した複数の画像と、画像それぞれに対応する品質等級を示すラベルとが含まれる。すなわち、学習データセットは、画像とラベルとの組み合わせを複数含む。学習データセットに含まれるラベルが示す品質等級が、分類結果として得られる品質等級である。また、学習データセットに含まれるラベルの種類の数が、分類システム１により分類される品質等級の数となる。以下、第１の実施形態の分類システム１が、分類対象の鋼材がＮ種類の品質等級のいずれに属するかを分類する場合について説明する。モデルの学習に用いられる学習システムについては、分類システム１による分類処理を説明した後に説明する。
図２は、第１の実施形態における分類装置３の構成例を示すブロック図である。分類装置３は、データ取得部３１、スコア算出部３２、判定部３３、分類部３４及び出力部３５を備える。データ取得部３１は、撮像装置２により撮像された鋼材の画像を受け付け、画像をスコア算出部３２へ供給する。スコア算出部３２は、画像からスコアベクトルを算出し、算出したスコアベクトルを判定部３３及び分類部３４へ供給する。判定部３３は、スコアベクトルを用いて、鋼材を撮像して得られた画像が予め定められた品質等級のいずれかに属するか否かを判定し、判定結果を分類部３４へ供給する。分類部３４は、スコアベクトル及び判定結果に基づいて画像が示す鋼材を分類し、分類結果を出力部３５へ供給する。出力部３５は、分類結果を表示装置４へ出力し、表示装置４に分類結果を表示させる。例えば、鋼材を撮像して得られる画像のサイズは５１２×５１２ピクセルであり、各ピクセルは赤、緑、青それぞれに対応する値（０から２５５までの値）を有する。また、画像のサイズは、Ｗ×Ｈ×Ｃで示されてもよい。ここで、Ｗは幅を示し、Ｈは高さを示し、Ｃはチャネル数を示す。カラーモデルは、ＲＧＢ、グレースケール、ＨＳＶなどで表される。
スコアベクトルは、品質等級の数と同じ数の要素を有する。品質等級それぞれに対応する要素は、要素に対応する品質等級に画像が示す鋼材が属する度合いを示す。判定結果は、画像が示す鋼材が、予め定められた品質等級のいずれかに属するか否かを示す。分類結果は、画像が示す鋼材が属する品質等級を示すか、あるいは、画像が示す鋼材がいずれの品質等級にも属さないことを示す。例えば、ベクトル［１．１，０．２，…，－１．５］が確信度ベクトルとして算出される。ベクトル［０．１３３５，０．５４６５，…，０．６６６３］や［０．７５，０．５５，…，０．１８］がスコアベクトルとして算出される。
分類装置３は、バスで接続されたＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）、一時記憶メモリ、記憶装置などを備えるコンピュータを、データ取得部３１、スコア算出部３２、判定部３３、分類部３４及び出力部３５として機能させてもよい。ＣＰＵ又はＧＰＵが記憶装置に記憶されたプログラムを実行することにより、データ取得部３１、スコア算出部３２、判定部３３、分類部３４及び出力部３５が行う動作を実行してもよい。また、ＣＰＵ又はＧＰＵは、記憶装置に記憶されたプログラムを実行することにより、分類装置３が行う一部又は全ての動作を行ってもよい。また、分類装置３が行う動作の全て又は一部は、ＡＳＩＣ（Application Specific Integrated Circuit）やＰＬＤ（Programmable Logic Device）、ＦＰＧＡ（Field Programmable Gate Array）などのハードウェアを用いて、電子回路として実現されてもよい。プログラムは、コンピュータ読み取り可能な非一時的な記録媒体に記録されてもよい。
図３は、第１の実施形態におけるスコア算出部３２の構成例を示すブロック図である。スコア算出部３２は、特徴抽出部３２１と変換部３２３とを備える。特徴抽出部３２１は、データ取得部３１から受け付ける画像の特徴を抽出する算出モデル３２２を備える。算出モデル３２２として畳み込みニューラルネットワーク（Convolution Neural Network:ＣＮＮ）を用いる場合について説明するが、ＲＮＮ（Recurrent Neural Network）などの他の機械学習モデルが算出モデル３２２として用いられてもよい。
算出モデル３２２は、入力層と隠れ層と出力層とを備える。隠れ層は、少なくとも２つの畳み込み層と、プーリング層と、全結合層とを備える。隠れ層は、２つ以上のプーリング層及び全結合層を備えてもよい。入力層は、スコア算出部３２に入力される画像を受け付ける。入力層のサイズは、画像の画素数及び各画素のチャネル数で定められる。チャネル数は、画像のフォーマットに応じて決定される。例えば、各画素が赤、緑、青それぞれに対応する値を有する場合、チャネル数は３に定められる。
畳み込み層は、入力される画像又はプーリング層の出力（特徴マップ）に対するフィルタリング処理を行う。プーリング層は、畳み込み層によるフィルタリング処理の結果（特徴マップ）のサイズを縮小する。隠れ層の数、各隠れ層が含む畳み込み層の数、畳み込み層において用いられるフィルタの数、フィルタのサイズ、フィルタのストライド幅、プーリング層における圧縮サイズは、入力される画像の大きさや、分類装置３が備えるコンピュータの演算処理能力、分類装置３に要求される処理時間に応じて予め定められる。
全結合層は、画像から抽出された特徴マップに含まれる複数の特徴量に対して重み付け加算を行い、更なる特徴の抽出を行う。出力層は、全結合層により抽出された特徴から、品質等級ごとの確信度を算出し、算出した確信度を要素とする確信度ベクトルを出力する。確信度ベクトルの要素の数は、分類システム１が鋼材を分類する品質等級の数と一致する。算出モデル３２２は、画像から確信度ベクトルを算出する。
変換部３２３は、算出モデル３２２により算出される確信度ベクトルをスコアベクトルに変換する。変換部３２３は、シグモイド関数を用いて、確信度ベクトルの要素それぞれを、０から１の範囲の値に変換する。シグモイド関数として、例えば、ｙ＝１／（１＋ｅｘｐ（－ｘ）が用いられる。変換して得られる値がスコアベクトルの要素となる。変換部３２３は、シグモイド関数を用いた変換により得られるスコアベクトルを判定部３３及び分類部３４へ供給する。
図４は、第１の実施形態における判定部３３の構成例を示す図である。判定部３３は、Ｎ種類の品質等級それぞれに対応する判定モデル３３１（３３１－Ａ，３３１－Ｂ，…，３３１－Ｎ）と、選択部３３２と、スイッチ３３３及び３３４とを備える。判定モデル３３１は、スコア算出部３２から供給されるスコアベクトルに基づいて、スコアベクトルに対応する鋼材が判定モデル３３１に対応する品質等級に属するか否かを判定する。判定モデル３３１には、１クラスサポートベクターマシンが用いられる。例えば、品質等級－Ａに対応する判定モデル３３１－Ａは、スコアベクトルに対応する鋼材が品質等級－Ａに属するか否かを判定する。判定モデル３３１－Ａは、スコアベクトルが外れ値でないと判定される場合に、鋼材が品質等級－Ａに属すると判定し、スコアベクトルが外れ値であると判定される場合に、鋼材が品質等級－Ａに属さないと判定する。
選択部３３２は、スコアベクトルに基づいて、複数の品質等級に対応するＮ個の判定モデル３３１のうちいずれの判定モデル３３１を用いるかを選択する。選択部３３２は、スコアベクトルに含まれる各要素のうち最も大きい要素を検出し、検出した要素に対応する品質等級を特定する。選択部３３２は、特定した品質等級に対応する判定モデル３３１を選択する。選択部３３２は、選択結果に応じて、スイッチ３３３及び３３４を切り替える。スイッチ３３３は、選択部３３２の制御に応じて、選択部３３２に選択された判定モデル３３１にスコアベクトルを供給する。スイッチ３３４は、選択部３３２の制御に応じて、選択部３３２に選択された判定モデル３３１の出力を判定結果として分類部３４へ供給する。
例えば、スコアベクトルとしてベクトル［０．７５，０．５５，…，０．１８］が判定部３３に与えられ、０．７５が要素の最大値である場合、選択部３３２は、「０．７５」に対応する品質等級－Ａ用の判定モデル３３１－Ａを選択する。判定モデル３３１－Ａは、スコアベクトル［０．７５，０．５５，…，０．１８］が品質等級－Ａに属するか否かを判定し、判定結果を出力する。判定モデル３３１－Ａは、鋼材が品質等級－Ａに属すると判定した場合、「１」を判定結果として出力し、鋼材が品質等級－Ａに属さないと判定した場合、「－１」を判定結果として出力する。判定結果「－１」は、鋼材が未知の品質等級に属することを表す。
図５は、第１の実施形態の分類システム１が行う分類処理の動作例を示すフローチャートである。分類システム１において分類処理が開始されると、分類対象となる鋼材の試料Ｓを撮像した画像を撮像装置２からデータ取得部３１が取得する（ステップＳ１０１）。スコア算出部３２において、データ取得部３１により取得された画像が算出モデル３２２に供給され、算出モデル３２２は、画像から確信度ベクトルを算出する（ステップＳ１０２）。変換部３２３は、算出モデル３２２により算出された確信度ベクトルの各要素を変換してスコアベクトルを取得する（ステップＳ１０３）。
判定部３３において、スコア算出部３２から供給されるスコアベクトルが選択部３３２に供給され、選択部３３２は、スコアベクトルの要素のうち最大の要素を特定し（ステップＳ１０４）、特定した要素に対応する品質等級の判定モデル３３１をＮ個の判定モデル３３１から選択する（ステップＳ１０５）。選択された判定モデル３３１は、スイッチ３３３を介してスコアベクトルを受け付け、自モデルに対応する品質等級にスコアベクトルが属するか否かを判定する（ステップＳ１０６）。選択された判定モデル３３１による判定結果は、スイッチ３３４を介して分類部３４へ供給される。
スコアベクトルが品質基準に属することを判定結果が示す場合（ステップＳ１０７：ＹＥＳ）、分類部３４は、スコア算出部３２から供給されるスコアベクトルの要素のうち最大の要素に対応する品質等級に、分類対象の鋼材が属すると分類し、分類結果を出力部３５へ供給する（ステップＳ１０８）。スコアベクトルが品質基準に属さないことを判定結果が示す場合（ステップＳ１０７：ＮＯ）、分類部３４は、分類対象の鋼材がＮ個の品質等級のいずれにも属さず、分類対象の鋼材が未知の品質等級に属すると分類し、分類結果を出力部３５へ供給する（ステップＳ１０９）。
出力部３５は、分類部３４から供給された分類結果を表示装置４に出力して分類結果を表示装置４に表示させ（ステップＳ１１０）、分類処理を終了する。
なお、分類システム１は、撮像装置２において試料Ｓが撮像される都度、分類処理を実行してもよいし、複数の画像を一度に取得し、各画像で示される鋼材の分類結果を表示装置４に表示させてもよい。また、分類システム１は、記憶装置を更に備え、分類結果を記憶装置に記憶させてもよい。また、分類システム１は、分類対象の鋼材の画像と分類結果とを組み合わせて記憶装置に記憶させてもよい。
［学習システムについて］
分類装置３において用いられる算出モデル３２２及びＮ個の判定モデル３３１を得るための学習システムについて説明する。図６は、第１の実施形態における学習システム５の構成例を示す図である。学習システム５は、記憶部６、第１の学習部７及び第２の学習部８を備える。記憶部６は、算出モデル３２２の学習において用いる算出モデル用学習データセットを予め記憶する。算出モデル用学習データセットは、鋼材を撮像して得られた画像と当該鋼材が属する品質等級を示すラベルとからなる複数の学習データを含む。
第１の学習部７は、学習データ取得部７１、算出モデル３２２、変換部７３、誤差算出部７４、重み係数更新部７５及び終了判定部７６を備える。学習データ取得部７１は、記憶部６から算出モデル用学習データを取得する。学習データ取得部７１は、算出モデル用学習データに含まれる画像を算出モデル３２２へ供給し、算出モデル用学習データに含まれるラベルを変換部７３及び誤差算出部７４へ供給する。
変換部７３は、算出モデル３２２により画像から算出される確信度ベクトルをスコアベクトルに変換する。変換部７３は、確信度ベクトルからスコアベクトルへの変換に、変換部３２３が用いる関数と同じ関数を使用する。変換部７３は、スコアベクトルを誤差算出部７４に供給する。また、変換部７３は、算出モデル３２２の学習が終了した後に、算出モデル３２２により算出されるスコアベクトルと、スコアベクトルの算出に用いられた画像に対応するラベルとの組み合わせを判定モデル用学習データとして記憶部６に記憶させる。
誤差算出部７４は、学習データ取得部７１から供給されるラベルから正解ベクトルを生成する。誤差算出部７４は、変換部７３から供給されるスコアベクトルと正解ベクトルとの差分を算出し、算出した差分を重み係数更新部７５へ供給する。正解ベクトルは、例えば、ラベルが示す品質等級に対応する要素の値を１とし、他の要素の値を－１としたベクトルである。
重み係数更新部７５は、誤差算出部７４から供給される誤差を用いて算出モデル３２２におけるフィルタの重み係数と、全結合層の重み係数とを更新する。重み係数更新部７５は、フィルタの重み係数及び全結合層の重み係数の更新に、誤差逆伝搬法（Backpropagation）などの公知の手法を用いる。重み係数更新部７５は、学習データ取得部７１に学習データが取得される都度、重み係数の更新を行う。終了判定部７６は、算出モデル３２２の学習を終了するか否かを判定する。終了判定部７６は、学習を終了させると判定したときに、算出モデル３２２の各重み係数を、算出モデルパラメータとして記憶部６に記憶させる。
第２の学習部８は、変換部７３が記憶部６に記憶させた複数の判定モデル用学習データを含む学習データセットを用いて、Ｎ個の判定モデル３３１それぞれのパラメータを決定する。第２の学習部８は、同じ品質等級を示すラベルを含む判定モデル用学習データを記憶部６から読み出す。第２の学習部８は、読み出した判定モデル用学習データそれぞれに含まれるスコアベクトルを正常値として判定する識別境界を決定する。第２の学習部８は、決定した識別境界を表すパラメータを判定モデルパラメータとして記憶部６に記憶させる。第２の学習部８は、Ｎ個の品質等級ごとに識別境界を決定し、Ｎ個の判定モデル３３１それぞれのパラメータを決定する。
１クラスサポートベクターマシンを判定モデル３３１として用いる場合、第２の学習部８は、正常値として用いる全てのスコアベクトルＳｉ，（ｉ＝１，２，…，Ｎ）に対して、識別境界（ｙ＝ｗＴＳｉ－ｂ）が０より大きい値となるベクトルｗ及びスカラｂを決定する。なお、ベクトルｗの要素数は品質等級の数（Ｎ）であり、ｗＴはベクトルｗの転置を表す。第２の学習部８は、判定モデル３３１ごと、すなわち品質等級ごとにベクトルｗ及びスカラｂを決定する。
図７は、第１の実施形態の学習システム５が行う学習処理の動作例を示すフローチャートである。学習システム５において学習処理が開始されると、記憶部６から学習データを学習データ取得部７１が取得する（ステップＳ２０１）。学習データ取得部７１は、取得した学習データに含まれる画像を算出モデル３２２に与えて、算出モデル３２２に確信度ベクトルを算出させる（ステップＳ２０２）。誤差算出部７４は、変換部７３により確信度ベクトルから変換されたスコアベクトルと正解ベクトルとの差分を算出する（ステップＳ２０３）。重み係数更新部７５は、差分に基づいて算出モデル３２２の各重み係数を更新する（ステップＳ２０４）。終了判定部７６は、算出モデル３２２の学習終了条件が満たされているか否かを判定する（ステップＳ２０５）。
学習終了条件が満たされてない場合（ステップＳ２０６：ＮＯ）、終了判定部７６は処理をステップＳ２０１に戻し、算出モデル３２２の学習が継続する。学習終了条件が満たされている場合（ステップＳ２０６：ＹＥＳ）、終了判定部７６は、算出モデル３２２に含まれる全ての重み係数を算出モデルパラメータとして記憶部６に記憶させる（ステップＳ２０７）。学習終了条件として、例えば、学習データセットに含まれる画像とラベルとの全ての組み合わせを用いて重み係数を更新した回数（エポック数）が所定の回数に達することを用いてもよい。また、ＣＮＮの学習において用いられる公知の終了条件を、学習終了条件として用いてもよい。
算出モデル３２２の学習が終了すると、学習データ取得部７１は、記憶部６から算出モデル用学習データを取得する（ステップＳ２１１）。学習データ取得部７１は、取得した算出モデル用学習データに含まれる画像を学習済みの算出モデル３２２に与えて、算出モデル３２２に確信度ベクトルを算出させる（ステップＳ２１２）。変換部７３は、確信度ベクトルをスコアベクトルに変換する（ステップＳ２１３）。変換部７３は、スコアベクトルとラベルとの組み合わせを、判定モデル用学習データとして記憶部６に記憶させる（ステップＳ２１４）。算出モデル３２２の学習が終了した後に、第１の学習部７は、ステップＳ２１１～Ｓ２１４の動作を、算出モデル用学習データセットに含まれる算出モデル用学習データそれぞれに対して行う。各算出モデル用学習データから算出されるスコアベクトルは、判定モデル用学習データとして用いられる。
ステップＳ２１１～Ｓ２１４の動作が繰り返されることによって算出モデル用学習データセットから判定モデル用学習データセットが得られると、第２の学習部は、品質等級－ｎ（ｎ＝Ａ，Ｂ，…，Ｎ）ごとに対応するスコアベクトルの集合を記憶部６から取得する（ステップＳ２２１）。第２の学習部８は、取得したスコアベクトルの集合から、判定モデル３３１としての１クラスサポートベクターマシンにおける識別境界を表すパラメータを算出する（ステップＳ２２２）。第２の学習部は、算出したパラメータを品質等級－ｎに対応する判定モデル３３１のパラメータとして記憶部６に記憶させる（ステップＳ２２３）。第２の学習部８は、ステップＳ２２１～Ｓ２２３の動作を、品質等級－Ａから品質等級－Ｎそれぞれに対して行う。品質等級ごとのスコアベクトルの集合から算出される識別境界を表すパラメータが、各品質等級に対応する判定モデル３３１のパラメータとして得られる。
第２の学習部８は、各品質等級に対応する判定モデル３３１のパラメータを記憶部６に記憶させると、学習処理を終了させる。
記憶部６が記憶する算出モデルパラメータと判定モデルパラメータとを、分類装置３に含まれる算出モデル３２２と判定モデル３３１とに適用することで、学習結果を反映した各モデルを得ることができる。算出モデルパラメータ及び判定モデルパラメータを算出モデル３２２及び判定モデル３３１にそれぞれ適用した後に、分類システム１による分類処理が行われる。
第１の実施形態の分類システム１は、学習処理で得られる品質等級ごとの判定モデル３３１を備え、スコアベクトルが示す最も確からしい品質等級に対応する判定モデル３３１の判定結果を利用して鋼材を分類する。このような分類を行うことにより、分類システム１は、いずれの品質等級にも属さない鋼材の画像が与えられた場合であっても、鋼材に対する誤った分類を避けることができ、分類精度の低下を抑制できる。
また、変換部３２３は、シグモイド関数を用いて確信度ベクトルに含まれる要素それぞれを独立に変換してスコアベクトルを得ることにより、鋼材が属する最も確からしい品質等級を推定する精度を高めることができる。また、変換部３２３と同様にシグモイド関数を用いて、変換部７３が判定モデル３３１の学習に用いる判定モデル用学習データを算出することにより、他の品質等級の影響を受けずに各品質等級に対応する判定モデル３３１を決定することができる。このように、各判定モデル３３１を決定することで、スコアベクトルが外れ値であるか否かの判定精度を向上させることができる。すなわち、分類システム１は、鋼材が未知の品質等級に属するか否かを高い精度で分類でき、分類システム１の分類精度の低下を抑制できる。
また、判定部３３は、スコアベクトルの要素のうち最も大きい要素（スコア）に基づいて、判定に用いる判定モデル３３１を複数の判定モデル３３１から選択することにより、スコアベクトルに対応する鋼材が品質等級に属するか否かの判定精度を高めることができ、分類システム１の分類精度の低下を抑制できる。
また、判定モデル３３１として１クラスサポートベクターマシンを用いることにより、判定モデル用学習データとして外れ値を用意せずとも、判定モデル３３１の学習が可能となり、分類システム１を利用するユーザが学習データを用意する負担を軽減できる。また、算出モデル３２２の学習に用いる算出モデル用学習データセットから、判定モデル用学習データが算出されるので、分類システム１を利用するユーザが学習データを用意する負担を更に軽減できる。
また、品質等級の判定において不良品と分類すべき鋼材の画像を学習データとして用意することが困難であっても、分類システム１が不良品であると分類すべき鋼材をいずれの品質等級にも属さないという分類結果を出力できる。したがって、分類システム１は、不良品であると分類すべき鋼材の画像を学習データとして用意できずとも、不良品に対して未知の品質等級に属するという分類結果を出力でき、不良品の検出が可能になる。
また、算出モデル用学習データセットから算出されるスコアベクトルのうち、品質等級ごとに対応するスコアベクトルを判定モデル３３１の学習に利用することで、外れ値を考慮した学習が不要となり、判定モデル３３１の判定精度を向上できる。また、第２の学習部８による判定モデル３３１のパラメータを決定する際の演算負荷を低減できる。
（第２の実施形態）
図８は、第２の実施形態における分類システム１Ａの構成例を示す図である。分類システム１Ａは、手書きの文字が、数字（０，１，２，…，９）のいずれであるかを判定し、文字を分類する。また、分類システム１Ａは、文字が数字以外の文字である場合、文字が数字ではないと分類する。分類システム１Ａは、第１の実施形態の分類システム１と同様に、撮像装置２、分類装置３及び表示装置４を備える。撮像装置２は、文字を撮像し、得られた画像を入力データとして分類装置３へ供給する。分類装置３は、学習済みの算出モデル３２２及び判定モデル３３１を用いて、文字が０から９のいずれに該当するか判定し、文字を分類する。第２の実施形態では「０」から「９」のそれぞれがクラスの一例である。分類装置３は、文字が０から９のいずれであるかを示す分類結果を表示装置４に出力し、分類結果を表示装置４に表示させる。なお、文字が０から９のいずれでもない場合、分類装置３は、文字が数字でないという分類結果を表示装置４に出力する。
なお、第２の実施形態における分類システム１Ａでは、算出モデル３２２及び判定モデル３３１の学習における算出モデル用学習データセットが、第１の実施形態の算出モデル用学習データセットと異なる。算出モデル用学習データセットに含まれる各学習データは、０から９のいずれかの文字を表す画像と、画像が表す数字を示すラベルとの組み合わせを含む。画像に含まれる数字は、手書きの数字だけでなく、任意の手法で得られる数字であってもよい。
第２の実施形態における分類システム１Ａにおいて判定部３３の構成が第１の実施形態の判定部３３の構成と異なるので、判定部３３の構成を説明し、他の説明を省略する。図９は、第２の実施形態における判定部３３の構成例を示す図である。判定部３３は、０から９それぞれの数字に対応する判定モデル３３１（３３１－０，３３１－１，３３１－２，…，３３１－９）と、選択部３３２と、スイッチ３３３及び３３４とを備える。第１の実施形態の判定部３３が品質等級ごとの判定モデル３３１を備えるのに対して、第２の実施形態の判定部３３は０から９の数字ごとの判定モデル３３１を備える。
選択部３３２は、文字を表す画像から算出されるスコアベクトルに基づいて、０から９の数字に対応する１０個の判定モデル３３１のうちいずれの判定モデル３３１を用いるかを選択する。第２の実施形態において判定モデル３３１を選択する基準は、第１の実施形態における基準と同様であり、スコアベクトルに含まれる各要素のうち最も大きい要素に対応する判定モデル３３１が選択される。
第２の実施形態における分類システム１Ａが備える算出モデル３２２及び判定モデル３３１の学習は、第１の実施形態における学習システム５と同じ学習システムにより行う。第２の実施形態では、算出モデル用学習データセットに含まれる学習データそれぞれは、０から９の数字のいずれかを撮像した画像と、画像に撮像された数字を示すラベルとの組み合わせを含む。このような算出モデル用学習データセットを用いて学習した算出モデル３２２及び判定モデル３３１を用いることで、分類システム１Ａは、鋼材に対する品質等級の分類と同様に、画像に含まれる文字に数字以外の文字が含まれる場合であっても、文字に対する誤った分類を避けることができ、分類精度の低下を抑制できる。また、分類システム１Ａが数字以外の文字を含む画像を入力データとして取得した場合、分類システム１Ａは、画像に含まれる文字を数字以外の未知の文字として分類できる。
（変形例）
第１の実施形態では鋼材の品質等級を分類する分類システム１を説明し、第２の実施形態では文字が０から９のいずれの文字であるかを分類する分類システム１Ａを説明した。第１及び第２の実施形態では、分類対象を撮像した画像を入力データとして用いる場合を説明したが、分類対象となる入力データは、センサーで測定された測定値を含むセンサーデータや、音響データであってもよい。センサーデータを取得するセンサーとして、圧力センサー、温度センサー、湿度センサー、光センサー、超音波センサー、加重センサーなどを用いてもよい。実施形態の分類システムは、センサーデータ又は音響データを入力データとして取得する場合においても、入力データが属するクラスを示す分類結果、又は入力データが未知のクラスに属することを示す分類結果を出力できる。分類システムは、センサーデータ又は音響データを入力データして取得する場合においても、分類精度の低下を抑制できる。
例えば、分類システムは、製品の製造ラインに備えられたセンサーで得られるデータを入力として受け付け、データに基づいて製品に不良品であるか否かを判定する。更に、分類システムは、製品を不良と判定した場合、不良の種類を分類する。製造ラインに溶接工程が含まれる場合、分類システムは、圧力センサー及び温度センサーで取得される圧力及び温度の測定値を入力として受け付け、製品が不良品であるか否かを判定する。更に、分類システムは、製品が不良品であると判定した場合、不良の種類を分類する。例えば、分類システムは、不良の種類として、製品のひび割れや溶接不良を分類する。また、分類システムは、製品のひび割れ又は溶接不良のいずれにも分類できない不良を、未知の不良として分類する。分類システムを製造ラインに適用することで、製品の外観を検査するだけでは検出が難しい不良の有無を判定できる。また、分類システムは、製品に未知の不良が生じている場合を検出するので、不良の種類を高い精度で分類できる。
第１及び第２の実施形態において、変換部３２３が確信度ベクトルの各要素の変換に、シグモイド関数を用いる場合を説明したが、双曲線正接関数（ｙ＝ｔａｎｈ（ｘ））、ＲｅＬＵ関数（ランプ関数）又は線形関数を用いてもよい。また、変換部３２３は、判定部３３へ供給するスコアベクトルへの変換と、分類部３４へ供給するスコアベクトルへの変換とに異なる関数を用いてもよい。例えば、変換部３２３は、判定部３３へ供給するスコアベクトルへの変換にシグモイド関数を用い、分類部３４へ供給するスコアベクトルへの変換にソフトマックス関数を用いてもよい。
第１及び第２の実施形態の分類システム１、１Ａが撮像装置２を備える構成について説明した。しかし、分類システム１、１Ａは、分類装置３に入力データとしての画像を供給する記憶装置や通信装置を撮像装置２に代えて備えてもよい。
以上説明した少なくともひとつの実施形態によれば、スコア算出部３２により算出されたクラスそれぞれのスコアに基づいて、入力データがクラスのいずれかに属するか否かを判定する判定部３３と、入力データがクラスのいずれかに属すると判定部３３が判定した場合に、算出されたクラスごとのスコアに基づいて、入力データが属するクラスを決定し、入力データがクラスのいずれにも属しないと判定部が判定した場合に、入力データが未知のクラスに属すると決定する分類部３４と、を持つことにより、いずれのクラスにも属さない入力データが与えられた場合であっても、入力データに対する誤った分類を避けることができ、分類精度の低下を抑制できる。
本発明のいくつかの実施形態を説明したが、これらの実施形態は、例として提示したものであり、発明の範囲を限定することは意図していない。これら実施形態は、その他の様々な形態で実施されることが可能であり、発明の要旨を逸脱しない範囲で、種々の省略、置き換え、変更を行うことができる。これら実施形態やその変形は、発明の範囲や要旨に含まれると同様に、特許請求の範囲に記載された発明とその均等の範囲に含まれるものである。
１，１Ａ…分類システム、２…撮像装置、３…分類装置、４…表示装置、５…学習システム、６…記憶部、７…第１の学習部、８…第２の学習部、３１…データ取得部、３２…スコア算出部、３３…判定部、３４…分類部、３５…出力部、７１…学習データ取得部、７３…変換部、７４…誤差算出部、７５…重み係数更新部、７６…終了判定部、３２１…特徴抽出部、３２２…算出モデル、３２３…変換部、３３１…判定モデル、３３２…選択部、３３３，３３４…スイッチ

Claims (6)

  1. 予め定められたクラスそれぞれのスコアを入力データから算出するスコア算出部と、
    前記スコア算出部により算出された前記クラスそれぞれのスコアに基づいて、前記入力データが前記クラスのいずれかに属するか否かを判定する判定部と、
    前記入力データが前記クラスのいずれかに属すると前記判定部が判定した場合に、算出された前記クラスごとのスコアに基づいて、前記入力データが属するクラスを決定し、前記入力データが前記クラスのいずれにも属しないと前記判定部が判定した場合に、前記入力データが未知のクラスに属すると決定する分類部と、
    を備え、
    前記判定部は、
    前記クラスそれぞれに対応する判定モデルであって、前記クラスごとのスコアからなるベクトルが判定モデルに対応するクラスに属するか否かを判定する学習済みの判定モデルと、
    前記スコア算出部により算出される前記クラスそれぞれの前記スコアのうち、最も大きいスコアのクラスに対応する判定モデルへ、前記入力データから算出された前記スコアからなるベクトルを供給する選択部と、
    を備え、
    前記ベクトルが供給される判定モデルの判定結果が前記分類部へ供給される、
    分類システム。
  2. 前記スコア算出部は、
    前記入力データから前記クラスごとの確信度を算出する学習済みの算出モデルと、
    前記算出モデルが算出する前記クラスごとの前記確信度を所定の範囲内の値にシグモイド関数を用いて変換し、前記確信度それぞれを変換した値を前記スコアとして出力する変換部と、
    を備える、
    請求項１に記載の分類システム。
  3. 前記判定部は、前記スコア算出部により算出される前記クラスそれぞれの前記スコアのうち、最も大きいスコアに基づいて、前記入力データが前記クラスのいずれかに属するか否かを判定する、
    請求項１又は請求項２に記載の分類システム。
  4. 前記判定部は、前記判定モデルとして１クラスサポートベクターマシンを備える、
    請求項１に記載の分類システム。
  5. 前記クラスそれぞれに対応する前記判定モデルは、前記スコア算出部により算出される前記クラスのスコアからなる複数のベクトルのうち、前記判定モデルに対応するクラスのスコアが最も大きいベクトルの集合を用いた学習により得られる、
    請求項１又は請求項４に記載の分類システム。
  6. 分類システムが備えるコンピュータを
    予め定められたクラスそれぞれのスコアを入力データから算出するスコア算出部と、
    前記スコア算出部により算出された前記クラスそれぞれのスコアに基づいて、前記入力データが前記クラスのいずれかに属するか否かを判定する判定部と、
    前記入力データが前記クラスのいずれかに属すると前記判定部が判定した場合に、算出された前記クラスごとのスコアに基づいて、前記入力データが属するクラスを決定し、前記入力データが前記クラスのいずれにも属しないと前記判定部が判定した場合に、前記入力データが未知のクラスに属すると決定する分類部と、
    として機能させるためのプログラムであって、
    前記判定部は、
    前記クラスそれぞれに対応する判定モデルであって、前記クラスごとのスコアからなるベクトルが判定モデルに対応するクラスに属するか否かを判定する学習済みの判定モデルと、
    前記スコア算出部により算出される前記クラスそれぞれの前記スコアのうち、最も大きいスコアのクラスに対応する判定モデルへ、前記入力データから算出された前記スコアからなるベクトルを供給する選択部と、
    を備え、
    前記ベクトルが供給される判定モデルの判定結果が前記分類部へ供給される、
    プログラム。
JP2020118635A 2020-05-14 2020-07-09 分類システム、プログラム及び学習システム Active JP7354063B2 (ja)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
IN202011020392 2020-05-14
IN202011020392 2020-05-14

Publications (2)

Publication Number Publication Date
JP2021179944A JP2021179944A (ja) 2021-11-18
JP7354063B2 true JP7354063B2 (ja) 2023-10-02

Family

ID=78511641

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2020118635A Active JP7354063B2 (ja) 2020-05-14 2020-07-09 分類システム、プログラム及び学習システム

Country Status (2)

Country Link
US (1) US12008799B2 (ja)
JP (1) JP7354063B2 (ja)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7509212B2 (ja) * 2020-09-03 2024-07-02 日本電気株式会社 情報処理システム、情報処理方法、及びコンピュータプログラム
US20220222486A1 (en) * 2021-01-08 2022-07-14 Bank Of America Corporation Data Source Evaluation Platform for Improved Generation of Supervised Learning Models
CN114881938A (zh) * 2022-04-20 2022-08-09 山东省科学院激光研究所 基于小波分析和神经网络的晶粒度检测方法及系统
WO2024161744A1 (ja) * 2023-02-02 2024-08-08 日東電工株式会社 画像分類装置、画像分類方法、検査システム及びプログラム

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013196045A (ja) 2012-03-15 2013-09-30 Omron Corp 画像処理装置、画像処理方法、制御プログラムおよび記録媒体
CN107480690A (zh) 2017-07-04 2017-12-15 中国科学院计算技术研究所 一种基于支持向量机的包含未知类别的多分类方法
JP2018528525A (ja) 2015-08-04 2018-09-27 クゥアルコム・インコーポレイテッドＱｕａｌｃｏｍｍ Ｉｎｃｏｒｐｏｒａｔｅｄ 未知クラスの検出および未知クラスのための分類器の初期化
US20190392260A1 (en) 2018-06-25 2019-12-26 Fujitsu Limited Method and apparatus for training classification model, method and apparatus for classifying

Family Cites Families (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110106740A1 (en) * 2002-05-24 2011-05-05 University Of South Florida Tissue classification method for diagnosis and treatment of tumors
JP5141767B2 (ja) * 2008-08-05 2013-02-13 富士通株式会社 サンプルの帰属クラス予測方法、帰属クラス予測プログラムおよび帰属クラス予測装置
JP5667004B2 (ja) 2011-07-19 2015-02-12 日本電信電話株式会社 データ分類装置及び方法及びプログラム
JP2013092911A (ja) * 2011-10-26 2013-05-16 Sony Corp 情報処理装置、情報処理方法、および、プログラム
US20150186793A1 (en) * 2013-12-27 2015-07-02 Google Inc. System and method for distance learning with efficient retrieval
US10068129B2 (en) * 2015-11-18 2018-09-04 Adobe Systems Incorporated Recognizing unknown person instances in an image gallery
US9846822B2 (en) * 2015-12-31 2017-12-19 Dropbox, Inc. Generating and utilizing normalized scores for classifying digital objects
US10867216B2 (en) * 2016-03-15 2020-12-15 Canon Kabushiki Kaisha Devices, systems, and methods for detecting unknown objects
US9928448B1 (en) * 2016-09-23 2018-03-27 International Business Machines Corporation Image classification utilizing semantic relationships in a classification hierarchy
JP6915349B2 (ja) * 2017-04-04 2021-08-04 コニカミノルタ株式会社 画像処理装置、画像処理方法、及び画像処理プログラム
US11829848B2 (en) * 2017-05-09 2023-11-28 Microsoft Technology Licensing, Llc Adding negative classes for training classifier
US10984054B2 (en) * 2017-07-27 2021-04-20 Robert Bosch Gmbh Visual analytics system for convolutional neural network based classifiers
KR102563752B1 (ko) * 2017-09-29 2023-08-04 삼성전자주식회사 뉴럴 네트워크를 위한 트레이닝 방법, 뉴럴 네트워크를 이용한 인식 방법 및 그 장치들
JP7074460B2 (ja) 2017-11-10 2022-05-24 アズビル株式会社 画像検査装置および方法
US11087184B2 (en) * 2018-09-25 2021-08-10 Nec Corporation Network reparameterization for new class categorization
US10867210B2 (en) * 2018-12-21 2020-12-15 Waymo Llc Neural networks for coarse- and fine-object classifications
US11494614B2 (en) * 2019-03-20 2022-11-08 Microsoft Technology Licensing, Llc Subsampling training data during artificial neural network training
US11790275B2 (en) * 2019-04-18 2023-10-17 Teledyne Scientific & Imaging, Llc Adaptive continuous machine learning by uncertainty tracking
US11295240B2 (en) * 2019-06-15 2022-04-05 Boult Terrance E Systems and methods for machine classification and learning that is robust to unknown inputs
US11645505B2 (en) * 2020-01-17 2023-05-09 Servicenow Canada Inc. Method and system for generating a vector representation of an image
US20210264300A1 (en) * 2020-02-21 2021-08-26 CACI, Inc.- Federal Systems and methods for labeling data

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013196045A (ja) 2012-03-15 2013-09-30 Omron Corp 画像処理装置、画像処理方法、制御プログラムおよび記録媒体
JP2018528525A (ja) 2015-08-04 2018-09-27 クゥアルコム・インコーポレイテッドＱｕａｌｃｏｍｍ Ｉｎｃｏｒｐｏｒａｔｅｄ 未知クラスの検出および未知クラスのための分類器の初期化
CN107480690A (zh) 2017-07-04 2017-12-15 中国科学院计算技术研究所 一种基于支持向量机的包含未知类别的多分类方法
US20190392260A1 (en) 2018-06-25 2019-12-26 Fujitsu Limited Method and apparatus for training classification model, method and apparatus for classifying

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
岡本 拓巳 ほか，大腸内視鏡診断支援のためのＳｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｍａｃｈｉｎｅを用いたタイプ識別ハードウェアの設計，電子情報通信学会技術研究報告，日本，一般社団法人電子情報通信学会，2014年11月19日，Ｖｏｌ．１１４ Ｎｏ．３２９，ｐ．３９－４４

Also Published As

Publication number Publication date
US20210357677A1 (en) 2021-11-18
JP2021179944A (ja) 2021-11-18
US12008799B2 (en) 2024-06-11

Similar Documents

Publication Publication Date Title
JP7354063B2 (ja) 分類システム、プログラム及び学習システム
JP7004145B2 (ja) 欠陥検査装置、欠陥検査方法、及びそのプログラム
CN110274908B (zh) 缺陷检查装置、缺陷检查方法以及计算机可读记录介质
WO2023077404A1 (zh) 缺陷检测方法、装置和系统
JP6869490B2 (ja) 欠陥検査装置、欠陥検査方法、及びそのプログラム
CN111814867A (zh) 缺陷检测模型的训练方法、缺陷检测方法及相关装置
CN111402226A (zh) 一种基于级联卷积神经网络的表面疵点检测方法
JP5546317B2 (ja) 外観検査装置、外観検査用識別器の生成装置及び外観検査用識別器生成方法ならびに外観検査用識別器生成用コンピュータプログラム
JP7444439B2 (ja) 欠陥検出分類システム及び欠陥判定トレーニングシステム
JP2020160616A (ja) 生成装置、コンピュータプログラム、生成方法
CN110596120A (zh) 玻璃边界缺陷检测方法、装置、终端及存储介质
WO2023084543A1 (en) System and method for leveraging neural network based hybrid feature extraction model for grain quality analysis
CN111652213A (zh) 一种基于深度学习的船舶水尺读数识别方法
CN117854072B (zh) 一种工业视觉缺陷自动标注方法
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN111814852A (zh) 图像检测方法、装置、电子设备和计算机可读存储介质
CN113808099A (zh) 一种铝材表面缺陷检测装置与方法
CN114066810A (zh) 一种包装盒凹凸点缺陷检测方法及装置
KR102430946B1 (ko) 소장 정결도를 진단하는 시스템 및 방법
CN113313678A (zh) 一种基于多尺度特征融合的精子形态学自动分析方法
CN115861259A (zh) 一种基于模板匹配的引线框架表面缺陷检测方法及装置
WO2021009804A1 (ja) 閾値の学習方法
CN115131355B (zh) 利用电子设备数据检测防水布异常的智能方法
CN114820597B (zh) 一种基于人工智能的冶炼品缺陷检测方法、装置及系统
CN110956623A (zh) 皱纹检测方法、装置、设备及计算机可读存储介质

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20220325

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20230125

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20230207

A601 Written request for extension of time

Free format text: JAPANESE INTERMEDIATE CODE: A601

Effective date: 20230407

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20230531

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: 20230920

R150 Certificate of patent or registration of utility model

Ref document number: 7354063

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150