JP7366325B1 - 情報処理装置 - Google Patents
情報処理装置 Download PDFInfo
- Publication number
- JP7366325B1 JP7366325B1 JP2023547256A JP2023547256A JP7366325B1 JP 7366325 B1 JP7366325 B1 JP 7366325B1 JP 2023547256 A JP2023547256 A JP 2023547256A JP 2023547256 A JP2023547256 A JP 2023547256A JP 7366325 B1 JP7366325 B1 JP 7366325B1
- Authority
- JP
- Japan
- Prior art keywords
- image
- unit
- generation unit
- abnormality
- map
- 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
- 230000010365 information processing Effects 0.000 title claims abstract description 77
- 230000002159 abnormal effect Effects 0.000 claims abstract description 91
- 238000000605 extraction Methods 0.000 claims abstract description 87
- 230000005856 abnormality Effects 0.000 claims abstract description 85
- 238000001514 detection method Methods 0.000 claims abstract description 78
- 238000007689 inspection Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 29
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 230000000873 masking effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 41
- 230000006870 function Effects 0.000 description 34
- 238000000034 method Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000010187 selection method Methods 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
Description
図1は、実施の形態1の情報処理装置が有するハードウェアを示す図である。情報処理装置100は、プロセッサ101、揮発性記憶装置102、及び不揮発性記憶装置103を有する。
図2は、実施の形態1の情報処理装置の機能を示すブロック図である。情報処理装置100は、記憶部110、取得部120、特徴マップ生成部130、リサイズ部140、結合部150、検出生成部160、アテンションマップ生成部170、重み付け生成部180、判定部190、及び表示制御部200を有する。情報処理装置100は、分類予測部210を有してもよい。また、リサイズ部140は、第1のリサイズ部とも言う。結合部150は、第1の結合部とも言う。
取得部120、特徴マップ生成部130、リサイズ部140、結合部150、検出生成部160、アテンションマップ生成部170、重み付け生成部180、判定部190、及び表示制御部200の一部又は全部は、処理回路によって実現してもよい。また、取得部120、特徴マップ生成部130、リサイズ部140、結合部150、検出生成部160、アテンションマップ生成部170、重み付け生成部180、判定部190、及び表示制御部200の一部又は全部は、プロセッサ101が実行するプログラムのモジュールとして実現してもよい。
取得部120は、画像10を取得する。例えば、取得部120は、カメラから画像10を取得する。また、例えば、取得部120は、記憶部110から画像10を取得する。
画像10は、検査対象品を含む。画像10の縦ピクセル数は、h0である。画像10の横ピクセル数は、w0である。画像10のチャンネル数は、ch0である。そのため、画像10は、“h0×w0×ch0”と表現してもよい。
図3は、実施の形態1の畳み込み層の選択方法の例を示すフローチャートである。また、図3の処理は、学習時におけるフローチャートである。
(ステップS11)正常品を含む複数の画像のそれぞれを用いて、全ての畳み込み層から特徴マップが、出力される。これにより、複数の特徴マップが、得られる。
(ステップS12)各特徴マップにおける各チャンネルの画像について、画像内ピクセル値の平均値が、算出される。
(ステップS13)算出された平均値を用いて、主成分分析が、行われる。
図4は、実施の形態1の学習時における処理のイメージ図である。
ここで、第1層からN層までの全層の特徴マップのうち、第i層の特徴マップを“hi×wi×chi”と表現する。“hi”は、縦ピクセル数を示す。“wi”は、横ピクセル数を示す。“chi”は、チャンネル数を示す。第i層の平均値の数は、“chi”個となる。そして、全層の全チャンネルの平均値の数は、(ch1+ch2+・・・+chN)個となる。すなわち、1つの画像当たりの平均値の数は、(ch1+ch2+・・・+chN)個となる。そのため、全画像の平均値の数は、“(ch1+ch2+・・・+chN)×全画像数”個となる。
“(ch1+ch2+・・・+chN)×全画像数”個のデータを用いて、主成分分析が、行われる。
主成分軸毎に、寄与度(すなわち、変換係数の絶対値)の小さい順にインクリメント番号が、割り当てられる。インクリメント番号の割り当てのイメージ図を示す。
寄与度平均値に基づいて、寄与度の高い畳み込み層が、特徴マップが出力される対象に選択される。
そして、例えば、特徴マップが出力される対象の畳み込み層を示す情報が、予め記憶部110に格納される。特徴マップ生成部130では、当該情報に基づいて、対象の畳み込み層から特徴マップが、出力される。
リサイズ部140は、3つの特徴マップのそれぞれの画像サイズが異なるため、3つの特徴マップのサイズを同じサイズにリサイズする。具体例には、リサイズ部140は、h4×w4のサイズに、3つの特徴マップをリサイズする。或いは、いずれかの特徴マップのサイズにリサイズする場合、リサイズ部140は、2つの特徴マップをリサイズしてもよい。
検出生成部160は、異常度に基づいて、異常箇所抽出画像160outを生成する。異常箇所抽出画像160outは、特徴マップと同一サイズである。異常箇所抽出画像160outは、ヒートマップの画像である。例えば、異常箇所抽出画像160outのうち、異常度が低い領域は、青色である。異常箇所抽出画像160outのうち、異常度が高い領域は、赤色である。
図9は、実施の形態1のアテンションマップ生成部と分類予測部との機能を示すブロック図である。
アテンションマップ生成部170は、特許文献2に記載されているような、複数の層を有するニューラルネットワークである。アテンションマップ生成部170に入力されるデータは、図9ではw×h×chのサイズである。w、h、chの値は、接続される前段の値と同一である。図2に示す構成では、wがw4、hがh4、cがch4になる。
アテンションマップ生成部170は、1つ以上の畳み込み層又は1つ以上の残差ブロックを有するConv部171、及びch×1×1×2のConv部172を有する。なお、ch×1×1×2は、ch個のチャンネルそれぞれについて、1×1の畳み込みカーネルを用いた畳み込み処理を2つ有するという意味である。そのため、Conv部172は、w×h×2を出力する。
リサイズ部140から出力された特徴マップのうちいずれかの特徴マップが、Conv部171、Conv部172、Conv部173、及びSigmoid部174を経由することで、アテンションマップ170outが、生成される。
なお、w×h×2が、Conv部172から分類予測部210に、出力される。当該出力の処理は、アテンションマップ生成部170の学習時に行われる。
また、異常判定処理では、注目領域が重みにより強調されているので、異常判定の精度が、向上する。
図10は、実施の形態1の判定部の機能を示すブロック図である。判定部190は、全結合層191とsoftmax192とを有する。
全結合層191は、ニューラルネットワークで構成される。全結合層191の学習時では、学習パラメータとして、h4×w4×2の重みと2つのバイアスが、用いられる。当該重みと2つのバイアスは、最終的に学習により、決定される。また、学習時における教師データとして、正常品を含む画像、異常品を含む画像、及び正解分類ラベルが、用いられる。
図11は、実施の形態1の学習処理の例を示すフローチャートである。
(ステップS21)検出生成部160の学習が、行われる。検出生成部160の学習を詳細に説明する。
結合部150は、リサイズされた特徴マップをチャンネル方向に結合する。これにより、特徴マップ150outが、得られる。
特徴マップ150outに基づいてマハラノビス距離が算出され、マハラノビス距離に基づいて異常度が検出されるように、学習が、行われる。これにより、検出生成部160は、異常度を検出することができる。
まず、学習済の特徴マップ生成部130と検出生成部160とが、用いられる。
リサイズされた複数の特徴マップのうちのいずれか1つの特徴マップが、アテンションマップ生成部170に入力される。入力された特徴マップが、Conv部171、Conv部172を経由する。w×h×2が、Conv部172から分類予測部210に、出力される。
なお、Conv部211は、複数の畳込み層で構成される。例えば、Conv部211は、特徴マップ生成部130で特徴マップを出力した層以降の層から最終層までの構造である。
教師データとして、正常品を含む画像、及び異常品を含む画像が、用いられる。これらの画像の例を示す。
分類予測部210は、教師データを用いて、検査対象品が正常品であるか異常品であるか、分類予測を行う。
2か所の学習誤差が、それぞれ異常分類損失2、異常分類損失1と定義された場合、損失関数は、式(1)のように表現される。
図13(A)~(C)は、実施の形態1の教師データの例を示す図(その2)である。図13(A)は、検査対象品の検査対象箇所が存在する画像である。図13(B)は、検査対象箇所の側面部分が無い画像である。当該画像は、加工により得ることができる。図13(C)は、検査対象品が存在しない画像である。そのため、図13(B),(C)は、検査対象箇所が存在しない画像である。また、教師データには、分類ラベルが付される。
1つの学習データ(すなわち、画像)に対して、検査対象箇所有り又は無しの分類ラベルと、正常品又は異常品の分類ラベルとの2種類の分類ラベルが、用いられる。2種類の分類ラベルが、用いられる場合、損失関数は、式(2)のように表現される。
このように、検出生成部160、アテンションマップ生成部170、判定部190は、学習される。
次に、実施の形態2を説明する。実施の形態2では、実施の形態1と相違する事項を主に説明する。そして、実施の形態2では、実施の形態1と共通する事項の説明を省略する。
情報処理装置100は、アテンションマップ生成部170a,170b,170c、及びリサイズ結合部220を有する。
このように、3つのアテンションマップが、生成される。3つのアテンションマップのそれぞれは、注目領域を含むヒートマップである。
図15は、実施の形態2のリサイズ結合部の機能を示すブロック図である。リサイズ結合部220は、リサイズ部221と結合部222とを有する。リサイズ部221は、第2のリサイズ部とも言う。結合部222は、第2の結合部とも言う。
実施の形態2における判定部190と表示制御部200との処理は、実施の形態1と同じなので、説明を省略する。
次に、実施の形態3を説明する。実施の形態3では、実施の形態2と相違する事項を主に説明する。そして、実施の形態3では、実施の形態2と共通する事項の説明を省略する。
情報処理装置100は、重み付け生成部180a,180b,180c、及びリサイズ部230を有する。
重み付け生成部180bは、アテンションマップ生成部170bにより生成され、かつリサイズされたアテンションマップが示す注目領域に対応する異常箇所抽出画像160outの画像領域に、重みを付けられた重み付き異常箇所抽出画像180out2を生成する。
重み付け生成部180cは、アテンションマップ生成部170cにより生成され、かつリサイズされたアテンションマップが示す注目領域に対応する異常箇所抽出画像160outの画像領域に、重みを付けられた重み付き異常箇所抽出画像180out3を生成する。
判定部190は、重み付き異常箇所抽出画像180out2のうち、重み付けされた画像領域を判定対象領域として、検査対象品が異常であるか否かを判定する。
判定部190は、重み付き異常箇所抽出画像180out3のうち、重み付けされた画像領域を判定対象領域として、検査対象品が異常であるか否かを判定する。
図17は、実施の形態3の判定部の機能を示すブロック図である。判定部190は、ReLU部193、Max pool部194、fc2部195、及びsoftmax部196を有する。
Max pool部194では、重み付き異常箇所抽出画像のそれぞれの最大画素値が、画像の代表として出力される。出力される情報は、1×1×N個の情報と表現される。
出力された情報が、fc2部195、及びsoftmax部196を経由することで、正常クラス及び異常クラスの確率値が、出力される。確率値が高い方の分類クラスが、判定結果として出力される。
表示制御部200は、重み付き異常箇所抽出画像180out2を画像10に重畳することにより得られる画像を生成する。表示制御部200は、情報処理装置100のディスプレイに当該画像を表示する。
表示制御部200は、重み付き異常箇所抽出画像180out3を画像10に重畳することにより得られる画像を生成する。表示制御部200は、情報処理装置100のディスプレイに当該画像を表示する。
次に、実施の形態4を説明する。実施の形態4では、実施の形態1と相違する事項を主に説明する。そして、実施の形態4では、実施の形態1と共通する事項の説明を省略する。
実施の形態4の情報処理装置100は、アテンションマップ生成部170及び重み付け生成部180を有していない。
図19は、実施の形態4の検出生成部の機能を説明するための図である。検出生成部240は、検出部241及びマスク情報生成部242を有する。
検出部241は、画像10に基づいて、検査対象品又は検査対象品の検索対象部位を検出する。例えば、検出部241は、Yolov2、Yolov3、又はYolov4を用いて、検査対象品又は当該検索対象部位を検出する。検出部241は、次のような教師データを用いて、学習されてもよい。
特徴マップ生成部130は、マスクされた画像10に基づいて、特徴マップを生成する。これにより、特徴マップ130outが、出力される。
リサイズ部140は、複数の特徴マップのサイズを同じサイズにリサイズする。リサイズされた特徴マップのサイズは、h4×w4のサイズである。
結合部150は、リサイズされた複数の特徴マップをチャンネル方向に結合する。これにより、結合することにより得られた特徴マップ150outが、出力される。また、特徴マップ150outのチャンネル数は、ch4(ch4=ch1、ch2、及びch3)となる。
判定部190は、異常箇所抽出画像160outに基づいて、検査対象品が異常であるか否かを判定する。例えば、判定部190は、異常箇所抽出画像160outの最大の画素値と予め設定された閾値とを比較する。判定部190は、最大の画素値が当該閾値を超える場合、検査対象品が異常であると判定する。また、判定部190は、図10に示す機能を用いて、検査対象品が異常であるか否かを判定してもよい。
図21は、実施の形態4の学習処理の例を示すフローチャートである。
(ステップS31)検出生成部160の学習が、行われる。
(ステップS32)検出部241の学習が、行われる。
(ステップS33)判定部190の学習が、行われる。判定部190の学習では、学習済の検出生成部160と検出部241と用いて、判定部190の学習が、行われる。
また、ステップS31は、ステップS32の後に実行されてもよい。
次に、実施の形態5を説明する。実施の形態5では、実施の形態1と相違する事項を主に説明する。そして、実施の形態5では、実施の形態1と共通する事項の説明を省略する。
リサイズ部140は、複数の特徴マップのサイズを同じサイズにリサイズする。リサイズされた特徴マップのサイズは、h4×w4のサイズである。
結合部150は、リサイズされた複数の特徴マップをチャンネル方向に結合する。これにより、結合することにより得られた特徴マップ150outが、出力される。また、特徴マップ150outのチャンネル数は、ch4(ch4=ch1、ch2、及びch3)となる。
判定部190は、異常箇所抽出画像160outに基づいて、検査対象品が異常であるか否かを判定する。例えば、判定部190は、異常箇所抽出画像160outの最大の画素値と予め設定された閾値とを比較する。判定部190は、最大の画素値が当該閾値を超える場合、検査対象品が異常であると判定する。また、判定部190は、図10に示す機能を用いて、検査対象品が異常であるか否かを判定してもよい。
図23は、実施の形態5の学習処理の例を示すフローチャートである。
(ステップS41)検出生成部160の学習が、行われる。
(ステップS42)検出部260の学習が、行われる。
(ステップS43)判定部190の学習が、行われる。判定部190の学習では、学習済の検出生成部160と検出部260と用いて、判定部190の学習が、行われる。
また、ステップS41は、ステップS42の後に実行されてもよい。
また、検査対象画像には、検査対象品又は検索対象部位のみが存在する。そのため、情報処理装置100は、検査対象画像の画像サイズを小さくしてもよい。画像サイズが小さくされた場合、特徴マップ生成部130の処理よりも後に行われる処理の負荷が、軽減される。
Claims (11)
- 検査対象品を含む画像を取得する取得部と、
前記画像に基づいて、特徴マップを生成する特徴マップ生成部と、
前記特徴マップに基づいて、正常品の特徴量によって表現される空間である正常空間からの逸脱度を、異常度として検出し、前記異常度に基づいて、異常箇所抽出画像を生成する検出生成部と、
前記特徴マップに基づいて、前記検査対象品又は前記検査対象品の検査対象部位を示す領域である注目領域を含むヒートマップであるアテンションマップを生成するアテンションマップ生成部と、
前記アテンションマップが示す前記注目領域に対応する前記異常箇所抽出画像の画像領域に、重みを付けられた重み付き異常箇所抽出画像を生成する重み付け生成部と、
前記重み付き異常箇所抽出画像のうち、重み付けされた画像領域を判定対象領域として、前記検査対象品が異常であるか否かを判定する判定部と、
を有する情報処理装置。 - 第1のリサイズ部と、
第1の結合部と、
をさらに有し、
前記特徴マップ生成部は、複数の畳み込み層を構成し、前記複数の畳み込み層のうち、予め定められた複数の畳み込み層から、前記画像に基づく複数の特徴マップを出力し、
前記第1のリサイズ部は、前記複数の特徴マップのサイズを同じサイズにリサイズし、
前記第1の結合部は、リサイズされた前記複数の特徴マップをチャンネル方向に結合し、
前記検出生成部は、結合することにより得られた特徴マップに基づいて、前記異常度を検出し、
前記予め定められた複数の畳み込み層のそれぞれは、多くの特徴量を示す特徴マップを出力する層である、
請求項1に記載の情報処理装置。 - 前記アテンションマップ生成部は、リサイズされた前記複数の特徴マップのうちのいずれか1つの特徴マップに基づいて、前記アテンションマップを生成する、
請求項2に記載の情報処理装置。 - 前記アテンションマップ生成部は、前記複数の畳み込み層のうち、最も深い層から出力された特徴マップがリサイズされた特徴マップに基づいて、前記アテンションマップを生成する、
請求項2または3に記載の情報処理装置。 - 第1のリサイズ部と、
第1の結合部と、
第2のリサイズ部と、
第2の結合部と、
をさらに有し、
前記特徴マップ生成部は、複数の畳み込み層を構成し、前記複数の畳み込み層のうち、予め定められた複数の畳み込み層から、前記画像に基づく複数の特徴マップを出力し、
前記第1のリサイズ部は、前記複数の特徴マップのサイズを同じサイズにリサイズし、
前記第1の結合部は、リサイズされた前記複数の特徴マップをチャンネル方向に結合し、
前記検出生成部は、結合することにより得られた特徴マップに基づいて、前記異常度を検出し、
前記アテンションマップ生成部は、前記複数の特徴マップに基づいて、複数のアテンションマップを生成し、
前記第2のリサイズ部は、前記複数のアテンションマップのサイズを同じサイズにリサイズし、
前記第2の結合部は、リサイズされた前記複数のアテンションマップを結合し、
前記重み付け生成部は、結合することにより得られたアテンションマップである結合アテンションマップが示す前記注目領域に対応する前記異常箇所抽出画像の画像領域に、重みを付けられた重み付き異常箇所抽出画像を生成し、
前記複数のアテンションマップのそれぞれは、前記注目領域を含むヒートマップである、
請求項1に記載の情報処理装置。 - 第1のリサイズ部と、
第1の結合部と、
第2のリサイズ部と、
をさらに有し、
前記特徴マップ生成部は、複数の畳み込み層を構成し、前記複数の畳み込み層のうち、予め定められた複数の畳み込み層から、前記画像に基づく複数の特徴マップを出力し、
前記第1のリサイズ部は、前記複数の特徴マップのサイズを同じサイズにリサイズし、
前記第1の結合部は、リサイズされた前記複数の特徴マップをチャンネル方向に結合し、
前記検出生成部は、結合することにより得られた特徴マップに基づいて、前記異常度を検出し、
前記アテンションマップ生成部は、前記複数の特徴マップに基づいて、複数のアテンションマップを生成し、
前記第2のリサイズ部は、前記複数のアテンションマップのサイズを同じサイズにリサイズし、
前記重み付け生成部は、リサイズされた前記アテンションマップ毎に、リサイズされた前記アテンションマップが示す前記注目領域に対応する前記異常箇所抽出画像の画像領域に、重みを付けられた重み付き異常箇所抽出画像を生成し、
前記判定部は、生成された前記重み付き異常箇所抽出画像毎に、前記重み付き異常箇所抽出画像のうち、重み付けされた画像領域を判定対象領域として、前記検査対象品が異常であるか否かを判定し、
前記複数のアテンションマップのそれぞれは、前記注目領域を含むヒートマップである、
請求項1に記載の情報処理装置。 - 前記重み付き異常箇所抽出画像をヒートマップとして、前記重み付き異常箇所抽出画像を前記画像に重畳し、重畳により得られた画像を表示するための制御を実行する表示制御部をさらに有する、
請求項1又は2に記載の情報処理装置。 - 検査対象品を含む画像を取得する取得部と、
前記画像に基づいて、前記検査対象品又は前記検査対象品の検索対象部位を検出する検出部と、
前記画像のうち、前記検査対象品以外の領域又は前記検索対象部位以外の領域をマスクさせるための情報であるマスク情報を生成するマスク情報生成部と、
前記マスク情報に基づいて、前記画像のうち、前記検査対象品以外の領域又は前記検索対象部位以外の領域をマスクするマスク処理部と、
マスクされた前記画像に基づいて、特徴マップを生成する特徴マップ生成部と、
前記特徴マップに基づいて、正常品の特徴量によって表現される空間である正常空間からの逸脱度を、異常度として検出し、前記異常度に基づいて、異常箇所抽出画像を生成する検出生成部と、
前記異常箇所抽出画像に基づいて、前記検査対象品が異常であるか否かを判定する判定部と、
を有する情報処理装置。 - 検査対象品を含む画像を取得する取得部と、
前記画像に基づいて、前記検査対象品又は前記検査対象品の検索対象部位を検出する検出部と、
検出された前記検査対象品を示す情報又は前記検索対象部位を示す情報と、前記画像とに基づいて、前記画像の中から、前記検査対象品以外の領域又は前記検索対象部位以外の領域を除外することにより得られた画像である検査対象画像を生成する画像生成部と、
前記検査対象画像に基づいて、特徴マップを生成する特徴マップ生成部と、
前記特徴マップに基づいて、正常品の特徴量によって表現される空間である正常空間からの逸脱度を、異常度として検出し、前記異常度に基づいて、異常箇所抽出画像を生成する検出生成部と、
前記異常箇所抽出画像に基づいて、前記検査対象品が異常であるか否かを判定する判定部と、
を有する情報処理装置。 - リサイズ部と、
結合部と、
をさらに有し、
前記特徴マップ生成部は、複数の畳み込み層を構成し、前記複数の畳み込み層のうち、予め定められた複数の畳み込み層から、マスクされた前記画像又は前記検査対象画像に基づく複数の特徴マップを出力し、
前記リサイズ部は、前記複数の特徴マップのサイズを同じサイズにリサイズし、
前記結合部は、リサイズされた前記複数の特徴マップをチャンネル方向に結合し、
前記検出生成部は、結合することにより得られた特徴マップに基づいて、前記異常度を検出し、
前記予め定められた複数の畳み込み層のそれぞれは、多くの特徴量を示す特徴マップを出力する層である、
請求項8又は9に記載の情報処理装置。 - 前記異常箇所抽出画像の画素値に応じた色に前記異常箇所抽出画像を変えることにより得られた前記異常箇所抽出画像をヒートマップとして、前記異常箇所抽出画像を前記画像に重畳し、重畳により得られた画像を表示するための制御を実行する表示制御部をさらに有する、
請求項8又は9に記載の情報処理装置。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JPPCT/JP2022/046023 | 2022-12-14 | ||
JP2022046023 | 2022-12-14 | ||
PCT/JP2023/016861 WO2024127684A1 (ja) | 2022-12-14 | 2023-04-28 | 情報処理装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP7366325B1 true JP7366325B1 (ja) | 2023-10-20 |
Family
ID=88372791
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2023547256A Active JP7366325B1 (ja) | 2022-12-14 | 2023-04-28 | 情報処理装置 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7366325B1 (ja) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021225097A1 (ja) * | 2020-05-02 | 2021-11-11 | Arithmer株式会社 | 画像検査装置、画像検査方法及びプログラム |
WO2022185432A1 (ja) * | 2021-03-03 | 2022-09-09 | Heroz株式会社 | 画像認識学習システム、画像認識学習方法、画像認識学習プログラム、画像認識機械学習器、および画像認識システム |
-
2023
- 2023-04-28 JP JP2023547256A patent/JP7366325B1/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021225097A1 (ja) * | 2020-05-02 | 2021-11-11 | Arithmer株式会社 | 画像検査装置、画像検査方法及びプログラム |
WO2022185432A1 (ja) * | 2021-03-03 | 2022-09-09 | Heroz株式会社 | 画像認識学習システム、画像認識学習方法、画像認識学習プログラム、画像認識機械学習器、および画像認識システム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10860879B2 (en) | Deep convolutional neural networks for crack detection from image data | |
US11714397B2 (en) | System and method for generating machine learning model with trace data | |
CN111339858B (zh) | 一种基于神经网络的油气管道标志物识别方法 | |
US11010838B2 (en) | System and method for optimizing damage detection results | |
JP2018534694A (ja) | 物体検出のためのサブカテゴリ認識機能付き畳み込みニューラルネットワーク | |
JP4982213B2 (ja) | 欠陥検査装置及び欠陥検査方法 | |
Dong et al. | Defect classification and detection using a multitask deep one-class CNN | |
US20210350521A1 (en) | Method for computer-implemented determination of blade-defects of a wind turbine | |
CN113591645B (zh) | 一种基于区域卷积神经网络的电力设备红外图像识别方法 | |
US11663815B2 (en) | System and method for inspection of heat recovery steam generator | |
JP2020119154A (ja) | 情報処理装置、情報処理方法、及びプログラム | |
Avola et al. | Real-time deep learning method for automated detection and localization of structural defects in manufactured products | |
JP7366325B1 (ja) | 情報処理装置 | |
Guo et al. | Rail surface defect detection using a transformer-based network | |
Stefenon et al. | Hypertuned-YOLO for interpretable distribution power grid fault location based on EigenCAM | |
Zhou et al. | CABF-YOLO: a precise and efficient deep learning method for defect detection on strip steel surface | |
WO2024127684A1 (ja) | 情報処理装置 | |
JP2023145412A (ja) | 欠陥検出方法及びシステム | |
Haas et al. | Machine learning for evaluation of external and internal surface conditions | |
KR20220143119A (ko) | 인지 시스템용 훈련 데이터 후보의 자동 식별 | |
Yasuno et al. | One-class steel detector using patch GAN discriminator for visualising anomalous feature map | |
Fei et al. | CNN-based automated approach to crack-feature detection in steam cycle components | |
Dini et al. | Visual anomaly detection and localization with a patch-wise transformer and convolutional model | |
Bao et al. | Research on the Detection and Analysis of Students’ Classroom Behavioral Features Based on Deep CNNs | |
Grutschus et al. | Cutup and Detect: Human Fall Detection on Cutup Untrimmed Videos Using a Large Foundational Video Understanding Model |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230803 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230803 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20230803 |
|
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: 20230912 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231010 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7366325 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |