JP7406094B2 - クラス分類装置、学習済みモデル生成部、クラス推論部及びクラス分類方法 - Google Patents
クラス分類装置、学習済みモデル生成部、クラス推論部及びクラス分類方法 Download PDFInfo
- Publication number
- JP7406094B2 JP7406094B2 JP2020045301A JP2020045301A JP7406094B2 JP 7406094 B2 JP7406094 B2 JP 7406094B2 JP 2020045301 A JP2020045301 A JP 2020045301A JP 2020045301 A JP2020045301 A JP 2020045301A JP 7406094 B2 JP7406094 B2 JP 7406094B2
- Authority
- JP
- Japan
- Prior art keywords
- captured image
- class
- predetermined position
- information regarding
- manufacturing process
- 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
- 238000000034 method Methods 0.000 title claims description 45
- 238000004519 manufacturing process Methods 0.000 claims description 124
- 238000013135 deep learning Methods 0.000 claims description 31
- 238000012549 training Methods 0.000 claims description 20
- 238000003384 imaging method Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 description 43
- 229910000831 Steel Inorganic materials 0.000 description 37
- 239000010959 steel Substances 0.000 description 37
- 230000008569 process Effects 0.000 description 22
- 238000004891 communication Methods 0.000 description 21
- 238000003860 storage Methods 0.000 description 20
- 238000010586 diagram Methods 0.000 description 16
- 238000005246 galvanizing Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000012360 testing method Methods 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 7
- 230000001364 causal effect Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 238000005098 hot rolling Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000007747 plating Methods 0.000 description 3
- 239000004065 semiconductor Substances 0.000 description 3
- 239000011265 semifinished product Substances 0.000 description 3
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 229910001335 Galvanized steel Inorganic materials 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009749 continuous casting Methods 0.000 description 2
- 239000008397 galvanized steel Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000005554 pickling Methods 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 229910000805 Pig iron Inorganic materials 0.000 description 1
- 239000002253 acid Substances 0.000 description 1
- 238000005097 cold rolling Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000009863 impact test Methods 0.000 description 1
- 238000007373 indentation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- -1 steel products Chemical class 0.000 description 1
- 239000002436 steel type Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
- 238000005406 washing Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Description
また、上記課題を解決するために、本発明のある観点によれば、複数の製造工程を経て製造される対象物の表面を撮像して得られた撮像画像に基づいて、前記撮像画像又は前記撮像画像の各画素を、いずれかのクラスに分類するクラス分類装置において、所定の製造工程で、前記対象物の表面の所定の位置を撮像して得られた撮像画像と、前記所定の位置に関する関連情報と、前記撮像画像のクラスに関する情報とを、教師データとして深層学習を行うことで、学習済みモデルを生成する、学習済みモデル生成部と、前記所定の製造工程で、検査対象となる対象物の表面の所定の位置を撮像して得られた撮像画像と、当該所定の位置に関する関連情報とを、前記学習済みモデルに入力することで、当該撮像画像又は当該撮像画像の各画素を、いずれかのクラスに分類する、クラス推論部と、を有し、前記関連情報は、前記撮像画像と対応する画素数の画像データへと変換された上で用いられる、クラス分類装置が提供される。
また、上記課題を解決するために、本発明のある観点によれば、所定の製造工程で、複数の製造工程を経て製造される対象物の表面の所定の位置を撮像して得られた撮像画像と、前記所定の位置に関する関連情報と、前記撮像画像のクラスに関する情報とを、教師データとして深層学習を行うことで、生成された学習済みモデルを用いて、前記所定の製造工程で、検査対象となる対象物の表面の所定の位置を撮像して得られた撮像画像と、当該所定の位置に関する関連情報とを、前記学習済みモデルに入力することで、当該撮像画像又は当該撮像画像の各画素を、いずれかのクラスに分類し、前記関連情報は、前記撮像画像と対応する画素数の画像データへと変換された上で用いられる、クラス推論部が提供される。
以下で詳述する本発明の実施形態は、いわゆる「深層学習(ディープ・ラーニング)」技術に関するものである。以下では、まず、本発明の実施形態で着目する「深層学習」技術において頻繁に用いられる主な用語について、改めて定義を行う。
以下では、図1を参照しながら、本発明の実施形態に係るクラス分類装置10の全体構成について説明する。図1は、本実施形態に係るクラス分類装置10の構成の一例を示したブロック図である。
続いて、図2~図5を参照しながら、本実施形態に係るクラス分類装置10が備える演算処理部103の構成の一例について、詳細に説明する。
図2は、本実施形態に係るクラス分類装置10の演算処理部103の構成の一例を示したブロック図である。図3は、本実施形態に係る学習済みモデル生成部における学習済みモデル生成処理111について説明するための説明図である。図4A~図4Eは、本実施形態に係る学習済みモデル生成処理における教師データについて説明するための説明図である。図5は、本実施形態に係るクラス推論部におけるクラス推論処理について説明するための説明図である。
続いて、図6を参照しながら、本実施形態に係るクラス分類方法の流れの一例を、簡単に説明する。図6は、本実施形態に係るクラス分類方法の流れの一例を示した流れ図である。
次に、図7を参照しながら、本発明の実施形態に係るクラス分類装置10のハードウェア構成について、詳細に説明する。図7は、本発明の実施形態に係るクラス分類装置10のハードウェア構成を説明するためのブロック図である。
101 データ取得部
103 演算処理部
105 結果出力部
107 表示制御部
109 記憶部
111 学習済みモデル生成部
113 クラス推論部
Claims (6)
- 複数の製造工程を経て製造される対象物の表面を撮像して得られた撮像画像に基づいて、前記撮像画像又は前記撮像画像の各画素を、いずれかのクラスに分類するクラス分類装置において、
所定の製造工程で、前記対象物の表面の所定の位置を撮像して得られた撮像画像と、前記所定の位置に関する関連情報と、前記撮像画像のクラスに関する情報とを、教師データとして深層学習を行うことで、学習済みモデルを生成する、学習済みモデル生成部と、
前記所定の製造工程で、検査対象となる対象物の表面の所定の位置を撮像して得られた撮像画像と、当該所定の位置に関する関連情報とを、前記学習済みモデルに入力することで、当該撮像画像又は当該撮像画像の各画素を、いずれかのクラスに分類する、クラス推論部と、
を有し、
前記関連情報は、前記所定の製造工程とは異なる他の製造工程において、前記所定の位置を撮像して得られた前記撮像画像、前記対象物が検査される製造工程とは異なる他の製造工程における製造条件、前記所定の位置の位置情報、前記対象物の種別に関する種別情報、前記対象物を構成する成分に関する成分情報、前記対象物の製造ロットとは異なる製造ロットにおける情報、又は、前記対象物の表面の高さに関する高さ情報の少なくとも何れか一つを含む、クラス分類装置。 - 複数の製造工程を経て製造される対象物の表面を撮像して得られた撮像画像に基づいて、前記撮像画像又は前記撮像画像の各画素を、いずれかのクラスに分類するクラス分類装置において、
所定の製造工程で、前記対象物の表面の所定の位置を撮像して得られた撮像画像と、前記所定の位置に関する関連情報と、前記撮像画像のクラスに関する情報とを、教師データとして深層学習を行うことで、学習済みモデルを生成する、学習済みモデル生成部と、
前記所定の製造工程で、検査対象となる対象物の表面の所定の位置を撮像して得られた撮像画像と、当該所定の位置に関する関連情報とを、前記学習済みモデルに入力することで、当該撮像画像又は当該撮像画像の各画素を、いずれかのクラスに分類する、クラス推論部と、
を有し、
前記関連情報は、前記撮像画像と対応する画素数の画像データへと変換された上で用いられる、クラス分類装置。 - 所定の製造工程で、複数の製造工程を経て製造される対象物の表面の所定の位置を撮像して得られた撮像画像と、前記所定の位置に関する関連情報と、前記撮像画像のクラスに関する情報とを、教師データとして深層学習を行うことで、学習済みモデルを生成し、
前記関連情報は、前記所定の製造工程とは異なる他の製造工程において、前記所定の位置を撮像して得られた前記撮像画像、前記対象物が検査される製造工程とは異なる他の製造工程における製造条件、前記所定の位置の位置情報、前記対象物の種別に関する種別情報、前記対象物を構成する成分に関する成分情報、前記対象物の製造ロットとは異なる製造ロットにおける情報、又は、前記対象物の表面の高さに関する高さ情報の少なくとも何れか一つを含む、学習済みモデル生成部。 - 所定の製造工程で、複数の製造工程を経て製造される対象物の表面の所定の位置を撮像して得られた撮像画像と、前記所定の位置に関する関連情報と、前記撮像画像のクラスに関する情報とを、教師データとして深層学習を行うことで、生成された学習済みモデルを用いて、
前記所定の製造工程で、検査対象となる対象物の表面の所定の位置を撮像して得られた撮像画像と、当該所定の位置に関する関連情報とを、前記学習済みモデルに入力することで、当該撮像画像又は当該撮像画像の各画素を、いずれかのクラスに分類し、
前記関連情報は、前記所定の製造工程とは異なる他の製造工程において、前記所定の位置を撮像して得られた前記撮像画像、前記対象物が検査される製造工程とは異なる他の製造工程における製造条件、前記所定の位置の位置情報、前記対象物の種別に関する種別情報、前記対象物を構成する成分に関する成分情報、前記対象物の製造ロットとは異なる製造ロットにおける情報、又は、前記対象物の表面の高さに関する高さ情報の少なくとも何れか一つを含む、クラス推論部。 - 所定の製造工程で、複数の製造工程を経て製造される対象物の表面の所定の位置を撮像して得られた撮像画像と、前記所定の位置に関する関連情報と、前記撮像画像のクラスに関する情報とを、教師データとして深層学習を行うことで、生成された学習済みモデルを用いて、
前記所定の製造工程で、検査対象となる対象物の表面の所定の位置を撮像して得られた撮像画像と、当該所定の位置に関する関連情報とを、前記学習済みモデルに入力することで、当該撮像画像又は当該撮像画像の各画素を、いずれかのクラスに分類し、
前記関連情報は、前記撮像画像と対応する画素数の画像データへと変換された上で用いられる、クラス推論部。 - 複数の製造工程を経て製造される対象物の表面を撮像して得られた撮像画像に基づいて、前記撮像画像又は前記撮像画像の各画素を、いずれかのクラスに分類するクラス分類方法において、
所定の製造工程で、前記対象物の表面の所定の位置を撮像して得られた撮像画像と、前記所定の位置に関する関連情報と、前記撮像画像のクラスに関する情報とを、教師データとして深層学習を行うことで、学習済みモデルを生成する、学習済みモデル生成ステップと、
前記所定の製造工程で、検査対象となる対象物の表面の所定の位置を撮像して得られた撮像画像と、当該所定の位置に関する関連情報とを、前記学習済みモデルに入力することで、当該撮像画像又は当該撮像画像の各画素を、いずれかのクラスに分類する、クラス推論ステップと、
を有し、
前記関連情報は、
前記所定の製造工程とは異なる他の製造工程において、前記所定の位置を撮像して得られた前記撮像画像、前記対象物が検査される製造工程とは異なる他の製造工程における製造条件、前記所定の位置の位置情報、前記対象物の種別に関する種別情報、前記対象物を構成する成分に関する成分情報、前記対象物の製造ロットとは異なる製造ロットにおける情報、又は、前記対象物の表面の高さに関する高さ情報の少なくとも何れか一つを含む、クラス分類方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020045301A JP7406094B2 (ja) | 2020-03-16 | 2020-03-16 | クラス分類装置、学習済みモデル生成部、クラス推論部及びクラス分類方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020045301A JP7406094B2 (ja) | 2020-03-16 | 2020-03-16 | クラス分類装置、学習済みモデル生成部、クラス推論部及びクラス分類方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021149157A JP2021149157A (ja) | 2021-09-27 |
JP7406094B2 true JP7406094B2 (ja) | 2023-12-27 |
Family
ID=77848724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020045301A Active JP7406094B2 (ja) | 2020-03-16 | 2020-03-16 | クラス分類装置、学習済みモデル生成部、クラス推論部及びクラス分類方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7406094B2 (ja) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004354250A (ja) | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
US20060029257A1 (en) | 2004-08-03 | 2006-02-09 | Honda Motor Co., Ltd. | Apparatus for determining a surface condition of an object |
JP2016040650A (ja) | 2014-08-12 | 2016-03-24 | 株式会社Screenホールディングス | 分類器構築方法、画像分類方法および画像分類装置 |
JP2016200971A (ja) | 2015-04-09 | 2016-12-01 | キヤノン株式会社 | 学習装置、識別装置、学習方法、識別方法及びプログラム |
JP2019074969A (ja) | 2017-10-17 | 2019-05-16 | 新日鐵住金株式会社 | 品質予測装置及び品質予測方法 |
JP2019144107A (ja) | 2018-02-21 | 2019-08-29 | 株式会社タナカ技研 | 情報処理装置、端末装置、情報処理方法、およびプログラム |
-
2020
- 2020-03-16 JP JP2020045301A patent/JP7406094B2/ja active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004354250A (ja) | 2003-05-29 | 2004-12-16 | Nidek Co Ltd | 欠陥検査装置 |
US20060029257A1 (en) | 2004-08-03 | 2006-02-09 | Honda Motor Co., Ltd. | Apparatus for determining a surface condition of an object |
JP2016040650A (ja) | 2014-08-12 | 2016-03-24 | 株式会社Screenホールディングス | 分類器構築方法、画像分類方法および画像分類装置 |
JP2016200971A (ja) | 2015-04-09 | 2016-12-01 | キヤノン株式会社 | 学習装置、識別装置、学習方法、識別方法及びプログラム |
JP2019074969A (ja) | 2017-10-17 | 2019-05-16 | 新日鐵住金株式会社 | 品質予測装置及び品質予測方法 |
JP2019144107A (ja) | 2018-02-21 | 2019-08-29 | 株式会社タナカ技研 | 情報処理装置、端末装置、情報処理方法、およびプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP2021149157A (ja) | 2021-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6953990B2 (ja) | 品質予測装置及び品質予測方法 | |
KR20190063839A (ko) | 제조 공정에서 딥러닝을 활용한 머신 비전 기반 품질검사 방법 및 시스템 | |
JP2019048365A (ja) | 機械学習装置、ロボットシステム及び機械学習方法 | |
JP6747391B2 (ja) | 材料特性推定装置及び材料特性推定方法 | |
CN109960980B (zh) | 动态手势识别方法及装置 | |
US11348349B2 (en) | Training data increment method, electronic apparatus and computer-readable medium | |
JP7391504B2 (ja) | 情報処理装置、情報処理方法及びプログラム | |
Adem et al. | Defect detection of seals in multilayer aseptic packages using deep learning | |
JP2013161295A (ja) | ラベル付加装置、ラベル付加方法及びプログラム | |
JP7393313B2 (ja) | 欠陥分類装置、欠陥分類方法及びプログラム | |
US11157765B2 (en) | Method and system for determining physical characteristics of objects | |
JP7406094B2 (ja) | クラス分類装置、学習済みモデル生成部、クラス推論部及びクラス分類方法 | |
JP6988995B2 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
CN110175985A (zh) | 碳纤维复合芯导线损伤检测方法、装置及计算机存储介质 | |
Kamal et al. | Gear classification for defect detection in vision inspection system using deep convolutional neural networks | |
Gupta et al. | Deep learning model for defect analysis in industry using casting images | |
WO2021005898A1 (ja) | 物体検出装置、物体検出方法およびプログラム | |
CN116977256A (zh) | 缺陷检测模型的训练方法、装置、设备及存储介质 | |
JP7414629B2 (ja) | 学習用データ処理装置、学習装置、学習用データ処理方法、およびプログラム | |
Maiti et al. | Classification of materials in cylindrical workpieces using image processing and machine learning techniques | |
JP7070308B2 (ja) | 推定器生成装置、検査装置、推定器生成方法、及び推定器生成プログラム | |
JP2022074861A (ja) | 画像処理装置、画像処理方法、学習モデル生成装置、学習モデル製造方法、学習済みモデル、プログラム | |
JP7417085B2 (ja) | 深層学習装置、画像生成装置及び深層学習方法 | |
JP6939186B2 (ja) | 判定装置、判定方法および判定プログラム | |
Zhang et al. | PredNet based sequence image disturbance processing of fused magnesium furnaces |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20221104 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20230913 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230919 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20231026 |
|
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: 20231114 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231127 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7406094 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |