JPWO2010041447A1 - 異常検知システム、異常検知方法及び異常検知プログラム記録媒体 - Google Patents
異常検知システム、異常検知方法及び異常検知プログラム記録媒体 Download PDFInfo
- Publication number
- JPWO2010041447A1 JPWO2010041447A1 JP2010532820A JP2010532820A JPWO2010041447A1 JP WO2010041447 A1 JPWO2010041447 A1 JP WO2010041447A1 JP 2010532820 A JP2010532820 A JP 2010532820A JP 2010532820 A JP2010532820 A JP 2010532820A JP WO2010041447 A1 JPWO2010041447 A1 JP WO2010041447A1
- Authority
- JP
- Japan
- Prior art keywords
- data
- dissimilarity
- feature amount
- abnormality detection
- probability
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30141—Printed circuit board [PCB]
-
- 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
- G06T2207/30196—Human being; Person
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
Description
例えば、プリント基板は、同じパターンが連続して並ぶことが多いため、周辺のパターンと異なったパターンを検出することで、基板の欠陥を検出することができる。
また、海上の画像から周辺画素とは異なる画素を検出することで、溺れた人などを検出し、海難救助に応用することも可能である。
更に、行動パターンから通常と異なる行動を抽出するといった行動マイニングなどへも応用が可能である。
例えば、特許文献1に記載されるパターン検査装置では、被検査画像と参照画像との差分画像を求めるとともに、差分画像の画素値から欠陥の度合いを示すエラー確率を求め、これを所定の閾値と比較して欠陥を判定している。
特許文献2に記載される画像処理アルゴリズム評価装置では、擬似欠陥群と真欠陥群の特徴量分布にもとづいて両者の分離度を算出し、この分離度を評価値として画像処理アルゴリズムのパラメータを調整している。
また、特許文献3に記載される異常領域検出装置では、画像データの画素毎に高次局所自己相関によって正常領域との距離を測り、所定の距離以上離れている画素を異常と判定している。
例えば、特許文献1記載の異常領域検出装置で用いる距離では、二つのデータが似たデータであっても、特徴量の一部に欠損や外れ値があり、一部の特徴量の差が大きくなると、データ間の距離が大きくなる。そのため、本来異常ではないデータが、特徴量の欠損や外れ値によって異常と判定されてしまう。
つまり、通常の距離を用いる場合、次元が高くなると、通常の距離尺度ではデータの近さの判定が不安定となる。その理由は、通常の距離尺度では、高次元パターンの各成分のうち、距離が小さい成分の寄与が、距離が大きい成分の寄与に比べてはるかに小さくなるからである。そのため、距離が小さい成分の寄与よりも、外れ値のような距離が大きい成分の影響の方が大きくなり、近さの判定の不安定性を引き起こしている。
また、本発明は、特徴の次元が高いデータにも対応し、安定性の高い異常検知を行うことができる異常検知システム、異常検知方法及び異常検知プログラム記録媒体の提供を目的とする。
ここで、以下に示す本発明の異常検知システムで実行される処理動作(異常検知方法)は、プログラム(ソフトウェア)の命令によりコンピュータで実行される処理,手段,機能によって実現される。
プログラムは、コンピュータの各構成要素に指令を送り、以下に示すような本発明の所定の処理、例えば、多次元特徴のデータからなるデータ列の中から異常データを検知するにあたって、データの特徴量の生起分布と、正常データを表す参照データとを記憶又は生成する処理、生起分布から仮想的に特徴量を発生させた場合に、データ列の各データ毎に、各データの特徴量よりも参照データに近い特徴量となる確率を求める処理、求められた確率を各データの参照データとの1次元の非類似度として異常データの判定を行う処理、求められた確率を各データの参照データとの1次元の非類似度とし、各データの参照データとの非類似度から非類似度の生起分布を求める処理、求められた非類似度の生起分布にもとづいて、各データより非類似度が大きくなる確率を求め、非類似度が大きくなる確率が所定の確率よりも小さいデータを異常データと判定する処理等の各処理・手順を行わせる。
そして、プログラムの全部又は一部は、例えば、磁気ディスク,光ディスク,半導体メモリ,その他任意のコンピュータにより読取り可能な記録媒体により提供され、記録媒体から読み出されたプログラムがコンピュータにインストールされて実行される。
また、プログラムは、記録媒体を介さず、通信回線を通じて直接にコンピュータにロードし実行することもできる。
まず、本発明の第一実施形態に係る異常検知システム(異常検知方法及び異常検知プログラムを含む。)について、図1〜図7を参照して説明する。
図1は、本発明の第一実施形態に係る異常検知システムの構成を示すブロック図である。
ここで、生起分布記憶手段1は、予め入力が想定される所定のデータの特徴量の生起分布を記憶する場合の他、実際に入力されたデータにより当該データの特徴量の生起分布を生成することもできる。
入力手段2は、多次元データからなるデータ列を読みこむ。
参照データ生成手段3は、入力手段2で入力されたデータ列から正常データの代表的なデータである参照データを生成する。
ここで、参照データ生成手段3は、入力されたデータ列に基づいて参照データを生成する他、又は予め所定のデータを参照データとして記憶しておくこともできる。
非類似度計算手段4は、入力手段2で入力された各多次元データに対して、生起分布記憶手段1で記憶している生起分布を基に仮想的にパターン(特徴量)を発生させた場合に、各データの特徴量よりも参照データに近いパターンとなる確率を求め、各データの参照データとの1次元の非類似度とする。
異常判定手段6は、非類似度分布推定手段5で求めた非類似度の分布から、各データの特徴量より非類似度が大きくなる確率を求め、非類似度が大きくなる確率が所定の確率よりも小さいデータを異常データと判定する。すなわち、異常判定手段6は、非類似度の生起分布にもとづいて、各データの非類似度が観測される確率を求め、非類似度が観測される確率が所定の確率よりも小さいデータを異常データと判定する。
出力手段7は、異常判定手段6で異常データと判定したデータを出力する。
図2は、本発明の第一実施形態に係る異常検知システムの全体的な動作を示すフローチャートである。
つぎに、参照データ生成手段3が、入力手段2で入力されたデータ列から正常データの代表的なデータである参照データを生成する(図2のステップA2)。
つぎに、非類似度計算手段4が、入力手段2で入力された各多次元データに対して、生起分布記憶手段1で記憶している生起分布を元に仮想的にパターンを発生させた場合に、各データの特徴量よりも参照データに近いパターンとなる確率を求め、各データの非類似度とする(図2のステップA3)。
つぎに、異常判定手段6、非類似度分布推定手段5で求めた非類似度の分布から、各データの特徴量より非類似度が大きくなる確率を求め、非類似度が大きくなる確率が所定の確率よりも小さいデータを異常データと判定する(図2のステップA5)。
そして最後に、出力手段7が、異常判定手段6で異常データと判定したデータを出力する(図2のステップA6)。
図3は、処理対象の一例を示す説明図であり、図4は、特徴量の一例を示す説明図、図5は、異常出力の一例を示す説明図、図6は、異常出力の一例を示す説明図、図7は、異常出力の一例を示す説明図である。
ハイパースペクトルカメラとは、高い波長分解能により対象物のスペクトルを細かく計測する機能を持つカメラであり、各画素に対して、数nm〜数十nmのバンド幅、数十〜数百バンドのバンド数でスペクトル強度を計測することができる。
各画素の情報は、バンド数をDとすると、D個のスペクトル強度からなるD次元ベクトルのデータとして表現できる。画像の画素数をNとすると、全画像の情報は、D次元ベクトルのN個のデータの集まり(データ列)として表現できる。
例えば、図3で示すように、対象画像のほとんどが海の領域であり、その中に溺者がいる場合、画像のほとんどを占める海の特徴ベクトルを参照データとし、参照データとは異なる画素を見つけることで溺者を検出し、救助活動の助けとすることができる。
つまり、各特徴量vi (j)の生起分布q(j)(x)を記憶している。
例えば、第j成分の特徴量は、平均がm(j)、分散がσ(j)の正規分布や[min(j),max(j)]の間の一様分布等といった分布を記憶しており、特徴量vi (j)はこの分布に従って生起するものとする。
この分布は、撮影対象の事前知識から、平均や分散等のパラメータを含めて事前に与えることもできるし、分布の形状だけを事前に与えておき、平均や分散等のパラメータを実際に入力されたデータから求めることもできる。
事前知識が得られない場合や、事前知識から定められない場合、一様分布を仮定し、一様分布の最大値max(j)、最小値min(j)は、実際に入力された全画像のデータの第j成分の最大値、最小値から定めることもできる。
このようにすると、非類似度計算に用いる生起分布が容易に得られる。
本実施形態では、海の領域が正常な画素であり、海の代表的なスペクトルデータを参照データとして生成する。
生成方法は、画像のほとんどが海の領域であるということを仮定し、平均をとっても海でない画素の影響は無視できるくらい小さいとして、全画素の平均を用いることができる。
他の参照データの生成方法としては、他の画素との非類似度の和や積が最小となる画素を全画素の中から選択することもできる。ここで、参照データの選択基準となる非類似度は、データの特徴量の生起分布から仮想的に特徴量を発生させた場合に、発生させた特徴量が二つのデータの間となる確率から求められる非類似度とする。
これらの生成方法によれば、適正な参照データを容易に生成することができる。
第j成分の生起分布がq(j)(x)であるので、Iaの第j成分va (j)とIbの第j成分vb (j)の間の値となる確率p(va (j),Ib (j))は[数3]となる。
よって、仮想的に生成した値がIaとIbの間の値となる確率P(Ia,Ib)は、各成分の生起分布が独立であるとすると、[数4]となる。
[数4]で定義した確率も、値が小さいということは、二つのデータの間の事象がめったに起こらない、つまり二つのデータの間が短く、二つのデータが近いことを表し、値が大きいということは、二つのデータの間の事象がめずらしくない、つまり二つのデータの間が長く、二つのデータが遠いことを表す。
ここで用いる非類似度としては、[数1]や[数2]で示される距離ではなく、[数4]で表される確率を用いると、あとで説明する非類似度計算手段4と同様の理由により、欠損や外れ値に強くなり、データが高次元になっても安定して非類似度を判定することができるため、[数4]で表される確率、或いは、確率の対数をとるなど、確率を変換した値を用いることが望ましい。
また、事前に海や砂浜、森といった入力される可能性のある対象の代表的なデータを複数登録しておき、実際に入力されたデータから、登録されているデータのうち最も適当なものを選択するようにすることもできる。
各データの特徴量よりも参照データIRに近いパターンとは、IiとIRの間の特徴量を持つデータのことであるから、生起分布Q(x)を元に仮想的にパターンを発生させた場合に、各データの特徴量よりも参照データIRに近いパターンとなる確率は、[数4]を用いてP(Ii,IR)と求めることができる。
また、IiとIRの非類似度D(Ii,IR)として、この確率の対数をとることで、[数5]のようにすることもできる。logは単調増加関数であるため、対数をとっても非類似度としての性質に変化はない。
例えば、第d成分に相当するセンサに欠損が生じたり、ノイズの影響で外れ値をとったりすることで、本来Iiと参照ベクトルIRは似たデータであるにもかかわらず、第d成分の差(vi (d)-vR (d))が大きな値になったとする。
図4の横軸が第n成分を示し、第n成分の特徴量の値を縦軸に示す。
IS(図4の実線)は、参照ベクトルIR(図4の破線)と同じ対象の特徴ベクトルであるが、ISの第d成分にノイズが入り、特徴量vS (d)が外れ値となっている。
一方、IT(図4の一点鎖線)は、IRとは別の対象の特徴ベクトルであり、IRとは全体的に異なる特徴量となっている。
一方、ITとIRは全体的に少しずつ異なるが、大きな差のある成分がないため、非類似度L2(IT,IR)はそれほど大きくならず、ITとIRは、ISとIRより似ていると判断されてしまう。
それ以外の外れ値を含まない第i成分(i≠d)は、vS (i)とvR (i)の差が小さく、p(vS (i),vR (i))は0に近くなり、[数5]の第i成分log(p(vS (i),vR (i)))は小さな値(絶対値が大きなマイナスの値)となる。
外れ値を含む第d成分が0で、外れ値を含まない成分が絶対値の大きなマイナスの値であるため、その合計D(IS,IR)は絶対値の大きなマイナスの値となり、非類似度が小さな値となるため、ISとIRは似ていると判断される。
[数5]で表される非類似度は、0が最大値であり、ITとIRの非類似度は大きな値となる。[数5]で示す非類似度の持つこの性質により、特徴量の一部に欠損や外れ値がある場合にも対応できる。
通常の距離を用いる場合、次元が高くなると、通常の距離尺度ではデータの近さの判定が不安定となる。その理由は、通常の距離尺度では、D次元パターンの各成分のうち、距離が小さい成分の寄与が、距離が大きい成分の寄与に比べてはるかに小さいからである。
このため、距離が小さい成分の寄与よりも、外れ値のような距離が大きい成分の微小変化の影響の方が大きくなり、近さの判定の不安定性を引き起こしている。
次元Dが大きくなると、距離が大きい成分が現れる確率が高くなるため、高次元パターンではこのような近傍判定の不安定性が生じる確率が高くなる。
例えば、正規分布、カイ二乗分布等のモデル分布を持ち、データの分布と最もあうモデル分布とパラメータを選択することで、非類似度の生起分布を推定する。
モデル分布は、観測対象の事前知識から一つのモデル分布を仮定することもできるし、複数のモデル分布から最もデータの分布と合うモデル分布を選択することもできる。
所定の値は、どの程度めったに起こらない事象を異常と判定するかを予め定めておき、それに応じた確率値として事前に与えておく。
例えば、晴れた日の海と、曇や雨の日の海の画像では、入力されるデータの特徴量の絶対値が異なる。
特徴量が明るさに対応する場合、晴れた日の特徴量は大きく、曇や雨の日は小さくなる。
また、カメラを変更したり、オートゲインコントロールなどで特徴量の絶対値が変わるような場合もある。
異常データか否かを参照データと各データの[数1]などで表される距離が所定の閾値よりも大きいか小さいかで判定する場合、このように、特徴量の絶対値が場合により異なるような入力データには対応できない。
しかしながら、本実施形態のように確率に変換して判定する場合、入力データによらず、同一条件で判定することができる。
また、異常画素を色を変えて強調表示するだけでなく、図6に示すように、異常画素にマーカを付ける表示方法や、図7に示すように、文字で位置座標を示す表示方法を用いることができる。
また、異常画素を表示するだけではなく、音声で通知する方法や、ネットワークを通して電子的に他の装置へ通知する方法を用いることができ、更には、ハードディスク、USBメモリなどの記録媒体へ記録するなど、任意の出力方法を用いることができる。
また、直接カメラからその場の画像を入力してリアルタイムで処理を行うように構成することもできるし、データを保存しておき、例えば問題発生後の事後調査のように、データ採取と異常検知を別のタイミングで行うこともできる。
また、本実施形態では、海上の画像から溺者を検出するシステムとして説明したが、土砂災害現場の画像から、土砂ではないものを検出するシステムや、砂漠の画像からオアシスを検出するシステムへも同様に応用することができる。
例えば、移動速度、滞在時間などの行動を表現する複数の特徴量を用いて行動を表現し、一連の行動履歴から異常な行動を検知し、障害発生などを検出する障害検知システムなどに応用することができる。
更に、一語の発話音声を多次元ベクトルとして表現し、一連の会話から、通常会話ではない発話を検出して、犯罪捜査などに応用することもできる。
つぎに、本発明の第二実施形態に係る異常検知システムについて、図8〜図12を参照して説明する。
ただし、前記実施形態と共通の構成については、前記実施形態と同じ符号を付けることにより、前記実施形態の説明を援用する。
これらの図に示すように、本発明の第二実施形態に係る異常検知システムは、第一実施形態の構成に加えて、データ列を特徴量の似ている部分データ列に分割するクラスタリング手段8(B1)を備える点が第一実施形態と相違している。
具体的に説明すると、クラスタリング手段8は、処理対象の画像が、例えば図10に示すように、海の領域と砂浜の領域からなる場合、入力画像全体をクラスタリング処理し、図11のように海の領域からなる部分画像と、砂浜の領域からなる部分画像に分割する。
なお、クラスタリングには、k-meansなど任意の方法を用いることができる。
例えば、図10の画像を単純にクラスタリングした結果、海と砂浜の二つの領域に分割され、海の領域に特徴的には砂浜に相当する部分があった場合、空間的に海の領域との連続性から海としてまとめ、図11のように単純な二つの領域に分割する。このように修正することで、空間的に続いている一様な領域を抽出する精度が向上する。
これは、各部分画像に対して参照データを求め、各部分画像の画素に対して参照データとの非類似度を求め、各部分画像毎に異常画素を検出することにより行われる(図12参照)。
このような大事実施形態によれば、入力画像を特徴量の似通った部分画像に分割し、各部分画像に対して異常検知を行うことで、入力画像がいくつかの異なった性質を持つ複数の領域からなる場合にも対応できる。
つぎに、本発明の第三実施形態に係る異常検知システムについて、図13〜図15を参照して説明する。
ただし、前記実施形態と共通の構成については、前記実施形態と同じ符号を付けることにより、前記実施形態の説明を援用する。
これらの図に示すように、本発明の第三実施形態に係る異常検知システムは、第一実施形態の構成に加えて、複数の入力データの特徴を統合し、特徴の次元を高くする入力高次元化手段9(C1)を備える点が第一実施形態と相違している。
このようにすると、データの高次元化により、異常検知の精度を向上させることができる。しかも、本発明で用いる非類似度は、通常の距離を用いる場合と異なり、次元が高くなると近さの判定が不安定になるという問題がないため、データを更に高次元化し、識別能力を高くすることができる。
なお、本実施形態は、第一実施形態に入力高次元手段9を追加したものであるが、同じように第二実施形態に入力高次元手段9を追加することも可能である。
この出願は、2008年10月9日に出願された日本出願特願2008−263096を基礎とする優先権を主張し、その開示の全てをここに取り込む。
Claims (14)
- 入力が想定される所定のデータの特徴量の生起分布を記憶し、又は実際に入力されたデータにより当該データの特徴量の生起分布を生成する生起分布記憶手段と、
入力されるデータのデータ列から正常データを表す参照データを生成し、又は予め所定のデータを参照データとして記憶する参照データ生成手段と、
前記生起分布から仮想的に特徴量を発生させた場合に、前記データ列の各データ毎に、各データの特徴量よりも参照データに近い特徴量となる確率を求めて、各データの参照データとの非類似度とする非類似度計算手段と、
前記非類似度にもとづいて異常データの判定を行う異常判定手段と、を備える
ことを特徴とする異常検知システム。 - 前記非類似度計算手段が求めた各データの参照データとの非類似度から非類似度の生起分布を求める非類似度分布推定手段を更に備え、
前記異常判定手段は、前記非類似度分布推定手段が求めた非類似度の生起分布にもとづいて、各データの非類似度が観測される確率を求め、非類似度が観測される確率が所定の確率よりも小さいデータを異常データと判定する
ことを特徴とする請求項1記載の異常検知システム。 - 前記データ列を特徴量の似ている部分データ列に分割するクラスタリング手段を更に備え、分割された各部分データ列に対して異常検知処理を行うことを特徴とする請求項1又は2記載の異常検知システム。
- 前記クラスタリング手段は、データ列を特徴量の似ている部分データ列に分割した後、空間的な連続性を用いて各部分データ列を修正することを特徴とする請求項3記載の異常検知システム。
- 複数の入力データの特徴を統合し、特徴の次元を高くする入力高次元化手段を更に備えることを特徴とする請求項1〜4のいずれかに記載の異常検知システム。
- 前記参照データは、全データ列或いは部分データ列の平均とすることを特徴とする請求項1〜5のいずれかに記載の異常検知システム。
- 前記参照データは、全データ列或いは部分データ列において、他のデータとの非類似度の和又は積が最小となるデータとすることを特徴とする請求項1〜5のいずれかに記載の異常検知システム。
- 前記参照データの選択基準となる非類似度は、前記データの特徴量の生起分布から仮想的に特徴量を発生させた場合に、発生させた特徴量が二つのデータの間となる確率とすることを特徴とする請求項7記載の異常検知システム。
- 前記データの特徴量の生起分布は、入力データの最大値と最小値の間の一様分布であることを特徴とする請求項1〜8のいずれかに記載の異常検知システム。
- 前記データ列は、一つのプリント基板パターンデータを多次元データとしたものであることを特徴とする請求項1〜9のいずれかに記載の異常検知システム。
- 入力が想定される所定のデータの特徴量の生起分布を記憶し、又は実際に入力されたデータにより当該データの特徴量の生起分布を生成するステップと、
入力されるデータのデータ列から正常データを表す参照データを生成し、又は予め所定のデータを参照データとして記憶するステップと、
前記生起分布から仮想的に特徴量を発生させた場合に、前記データ列の各データ毎に、各データの特徴量よりも参照データに近い特徴量となる確率を求めて、各データの参照データとの非類似度とするステップと、
前記非類似度にもとづいて異常データの判定を行うステップと、を有する
ことを特徴とする異常検知方法。 - 前記求められた各データの参照データとの非類似度から非類似度の生起分布を求めるステップを更に備え、
前記異常データの判定を行うステップが、前記求められた非類似度の生起分布にもとづいて、各データの非類似度が観測される確率を求め、非類似度が観測される確率が所定の確率よりも小さいデータを異常データと判定する
ことを特徴とする請求項11記載の異常検知方法。 - 多次元特徴のデータからなるデータ列の中から異常データを検知するためのコンピュータを
入力が想定される所定のデータの特徴量の生起分布を記憶し、又は実際に入力されたデータにより当該データの特徴量の生起分布を生成する生起分布記憶手段、
入力されるデータのデータ列から正常データを表す参照データを生成し、又は予め所定のデータを参照データとして記憶する参照データ生成手段、
前記生起分布から仮想的に特徴量を発生させた場合に、前記データ列の各データ毎に、各データの特徴量よりも参照データに近い特徴量となる確率を求めて、各データの参照データとの1次元の非類似度とする非類似度計算手段、
前記非類似度にもとづいて異常データの判定を行う異常判定手段、
として機能させることを特徴とする異常検知プログラムを記録したコンピュータに読み取り可能な記録媒体。 - 前記コンピュータを、
前記非類似度計算手段が求めた各データの参照データとの非類似度から非類似度の生起分布を求める非類似度分布推定手段、として機能させ、
前記異常判定手段が、前記非類似度分布推定手段が求めた非類似度の生起分布にもとづいて、各データの非類似度が観測される確率を求め、非類似度が観測される確率が所定の確率よりも小さいデータを異常データと判定する
ことを特徴とする請求項13記載の異常検知プログラムを記録したコンピュータにより読み取り可能な記録媒体。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010532820A JP5408139B2 (ja) | 2008-10-09 | 2009-10-07 | 異常検知システム、異常検知方法及び異常検知プログラム |
Applications Claiming Priority (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008263096 | 2008-10-09 | ||
JP2008263096 | 2008-10-09 | ||
PCT/JP2009/005228 WO2010041447A1 (ja) | 2008-10-09 | 2009-10-07 | 異常検知システム、異常検知方法及び異常検知プログラム記録媒体 |
JP2010532820A JP5408139B2 (ja) | 2008-10-09 | 2009-10-07 | 異常検知システム、異常検知方法及び異常検知プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2010041447A1 true JPWO2010041447A1 (ja) | 2012-03-08 |
JP5408139B2 JP5408139B2 (ja) | 2014-02-05 |
Family
ID=42100408
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010532820A Active JP5408139B2 (ja) | 2008-10-09 | 2009-10-07 | 異常検知システム、異常検知方法及び異常検知プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US8584000B2 (ja) |
JP (1) | JP5408139B2 (ja) |
WO (1) | WO2010041447A1 (ja) |
Families Citing this family (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8891870B2 (en) * | 2012-11-09 | 2014-11-18 | Ge Aviation Systems Llc | Substance subtraction in a scene based on hyperspectral characteristics |
US20160037138A1 (en) * | 2014-08-04 | 2016-02-04 | Danny UDLER | Dynamic System and Method for Detecting Drowning |
US9541507B2 (en) * | 2014-08-26 | 2017-01-10 | Northrop Grumman Systems Corporation | Color-based foreign object detection system |
US10620618B2 (en) * | 2016-12-20 | 2020-04-14 | Palantir Technologies Inc. | Systems and methods for determining relationships between defects |
JP6943067B2 (ja) * | 2017-08-15 | 2021-09-29 | 日本電信電話株式会社 | 異常音検知装置、異常検知装置、プログラム |
CN109408268B (zh) * | 2018-10-09 | 2021-11-19 | 浪潮软件股份有限公司 | 一种基于云pos机的新零售扫码数据异常检测方法 |
CN113157684B (zh) * | 2021-05-13 | 2021-12-10 | 中山大学 | 一种水利海量数据的查错方法 |
CN114253953A (zh) * | 2021-11-18 | 2022-03-29 | 国电南京自动化股份有限公司 | 基于聚类分析的配电网多维数据处理方法及系统 |
CN117522872B (zh) * | 2024-01-04 | 2024-03-22 | 长峡数字能源科技(湖北)有限公司 | 一种光伏电站的实时异常检测方法及装置 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH03210679A (ja) * | 1990-01-12 | 1991-09-13 | Hiyuutec:Kk | パターンマッチング方法および装置 |
IL102659A (en) * | 1992-07-27 | 1997-07-13 | Orbot Instr Ltd | Apparatus and method for comparing and aligning two digital representations of an image |
US6298149B1 (en) * | 1996-03-21 | 2001-10-02 | Cognex Corporation | Semiconductor device image inspection with contrast enhancement |
US6154567A (en) * | 1998-07-01 | 2000-11-28 | Cognex Corporation | Pattern similarity metric for image search, registration, and comparison |
JP3709803B2 (ja) * | 2001-03-28 | 2005-10-26 | 日本電気株式会社 | パターン照合装置とそのパターン照合方法、及びパターン照合プログラム |
JP4017148B2 (ja) | 2002-09-05 | 2007-12-05 | 大日本スクリーン製造株式会社 | パターン検査装置、歩留管理システム、パターン検査方法、基板製造方法およびプログラム |
JP4788106B2 (ja) * | 2004-04-12 | 2011-10-05 | 富士ゼロックス株式会社 | 画像辞書作成装置、符号化装置、画像辞書作成方法及びそのプログラム |
JP3756507B1 (ja) | 2004-09-17 | 2006-03-15 | シャープ株式会社 | 画像処理アルゴリズム評価方法および装置、画像処理アルゴリズム生成方法および装置、プログラムならびにプログラム記録媒体 |
JP4603512B2 (ja) * | 2006-06-16 | 2010-12-22 | 独立行政法人産業技術総合研究所 | 異常領域検出装置および異常領域検出方法 |
JP4270254B2 (ja) * | 2006-09-20 | 2009-05-27 | ソニー株式会社 | 画像信号処理装置及び画像処理方法 |
TWI384879B (zh) * | 2006-08-31 | 2013-02-01 | Sony Corp | 影像處理裝置,影像處理方法及影像處理程式 |
-
2009
- 2009-10-07 JP JP2010532820A patent/JP5408139B2/ja active Active
- 2009-10-07 US US13/123,178 patent/US8584000B2/en active Active
- 2009-10-07 WO PCT/JP2009/005228 patent/WO2010041447A1/ja active Application Filing
Also Published As
Publication number | Publication date |
---|---|
WO2010041447A1 (ja) | 2010-04-15 |
US8584000B2 (en) | 2013-11-12 |
JP5408139B2 (ja) | 2014-02-05 |
US20110197113A1 (en) | 2011-08-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5408139B2 (ja) | 異常検知システム、異常検知方法及び異常検知プログラム | |
US6961466B2 (en) | Method and apparatus for object recognition | |
JP5333589B2 (ja) | 代表特徴抽出システムおよび方法 | |
EP3258425B1 (en) | Information processing apparatus, information processing method, and storage medium | |
JP4603512B2 (ja) | 異常領域検出装置および異常領域検出方法 | |
JP2017062713A (ja) | 識別器作成装置、識別器作成方法、およびプログラム | |
US20070165951A1 (en) | Face detection method, device and program | |
CN115797670A (zh) | 基于卷积神经网络的斗轮性能监测方法及其系统 | |
JP2007156655A (ja) | 変動領域検出装置及びその方法 | |
US11410300B2 (en) | Defect inspection device, defect inspection method, and storage medium | |
Alaei et al. | Blind document image quality prediction based on modification of quality aware clustering method integrating a patch selection strategy | |
CN116912674A (zh) | 基于改进的YOLOv5s网络模型复杂水环境下目标检测方法及系统 | |
CN108710881B (zh) | 神经网络模型、候选目标区域生成方法、模型训练方法 | |
CN114445410A (zh) | 基于图像识别的电路板检测方法、计算机及可读存储介质 | |
US10580127B2 (en) | Model generation apparatus, evaluation apparatus, model generation method, evaluation method, and storage medium | |
JP5027201B2 (ja) | テロップ文字領域検出方法,テロップ文字領域検出装置およびテロップ文字領域検出プログラム | |
CN111291712B (zh) | 基于插值的cn和胶囊网络的森林火灾识别方法及装置 | |
Zou et al. | Statistical analysis of signal-dependent noise: application in blind localization of image splicing forgery | |
CN116543333A (zh) | 电力系统的目标识别方法、训练方法、装置、设备和介质 | |
JP2021111228A (ja) | 学習装置、学習方法、及びプログラム | |
KR101966750B1 (ko) | 이미지 데이터로부터 기계학습에 의한 시정거리 예측 장치, 시스템, 및 방법 | |
JP5391876B2 (ja) | 代表特徴抽出システム、方法およびプログラム | |
JP5625196B2 (ja) | 特徴点検出装置、特徴点検出方法、特徴点検出プログラム及び記録媒体 | |
Suryawanshi et al. | Detection of contrast enhancement forgery in previously and post compressed jpeg images | |
CN112418244A (zh) | 目标检测方法、装置和电子系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120914 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20120921 |
|
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: 20131008 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20131021 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5408139 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |