KR102458999B1 - 정보 처리 장치, 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 정보 처리 방법 - Google Patents

정보 처리 장치, 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 정보 처리 방법 Download PDF

Info

Publication number
KR102458999B1
KR102458999B1 KR1020227009045A KR20227009045A KR102458999B1 KR 102458999 B1 KR102458999 B1 KR 102458999B1 KR 1020227009045 A KR1020227009045 A KR 1020227009045A KR 20227009045 A KR20227009045 A KR 20227009045A KR 102458999 B1 KR102458999 B1 KR 102458999B1
Authority
KR
South Korea
Prior art keywords
quality
clustering
label
labels
digital data
Prior art date
Application number
KR1020227009045A
Other languages
English (en)
Other versions
KR20220042237A (ko
Inventor
노부아키 다나카
Original Assignee
미쓰비시덴키 가부시키가이샤
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 미쓰비시덴키 가부시키가이샤 filed Critical 미쓰비시덴키 가부시키가이샤
Publication of KR20220042237A publication Critical patent/KR20220042237A/ko
Application granted granted Critical
Publication of KR102458999B1 publication Critical patent/KR102458999B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • 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
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/2163—Partitioning the feature space
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06K9/62—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Manufacturing & Machinery (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Health & Medical Sciences (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

특징 벡터 집합과, 품질 라벨 집합과, 복수의 비품질 라벨 집합을 기억하는 기억부(102)와, 복수의 비품질 라벨 집합의 각각에 대해, 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 복수의 특징 벡터를 분할한 서브 세트를, 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 평균치인 평균 클러스터링 정밀도를 산출하는 것으로, 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 평균 클러스터링 정밀도를 산출하는 비품질 라벨 클러스터링부(107)와, 복수의 평균 클러스터링 정밀도를 이용하여, 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 처리부(108)를 구비한다.

Description

정보 처리 장치, 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 정보 처리 방법
본 발명은, 정보 처리 장치, 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 정보 처리 방법에 관한 것이다.
심층 학습 및 그 관련 기술의 진보에 의해, 화상 또는 음성에 관한 복잡한 인식 태스크를 행하는 것이 가능한 시스템이 이미 일반적인 것이 되고 있다. 이러한 시스템에서는, 대량의 학습 데이터로부터 그 잠재적인 구조를 자동적으로 알아낼 수가 있어, 이것에 의해 심층 학습 이전의 고전적인 수법에서는 달성할 수 없었던 높은 범화 성능을 실현했다.
그러나, 그러한 시스템은, 학습에 이용할 수 있는 풍부한 라벨 부가 데이터가 얻어지지 않는 상황에 있어서는 기능하지 않는다. 한편, 현실에 존재하는 여러 가지 태스크에 있어서는, 풍부한 학습 데이터가 얻어지는 상황이라는 것은 매우 드물다. 따라서, 대부분의 경우에 있어서, 심층 학습을 위시하는 비고전적인 수법은 도움이 되지 않는다고 하는 것이 실정이다.
예를 들면, 기기에서 발생하는 소리 또는 진동에 근거하여, 그 기기의 건전성을 자동적으로 진단하는 수법은 예로부터 연구되고 있고, 지금까지 여러 가지 수법이 개발되고 있다. 예를 들면, 비특허 문헌 1에 기재되어 있는 MT(마하라노비스·다구치(Mahalanobis-Taguchi)법은, 그 중에서도 가장 대표적인 수법 중의 하나이다. MT법에서는, 정상 샘플이 분포하고 있는 특징 공간을 사전에 기준 공간으로서 학습해 두고, 진단 시에는 관측된 특징 벡터가 기준 공간으로부터 어느 정도 괴리하고 있는지에 따라 정상 또는 이상의 판정을 행한다.
MT법 등의 고전적인 수법에서는, 특징의 추출에 있어서 경험적인 지견을 포함시키거나, 특징 벡터의 분포에 관한 가정을 두거나 하는 것으로, 학습되는 모델에 적절한 제약을 부과하는 것을 용이하게 할 수 있다. 그 때문에, 이러한 수법에서는 심층 학습에서 필요하게 되는 대량의 데이터는 필요하지 않는다.
비특허 문헌 1: 타테바야시 카즈오저, 「입문 다구치 메소드(Introduction to Tagkuchi Method)」, 주식회사 일과기연 출판사, 2004년, P. 167－185
그렇지만, 고전적인 수법에서는, 학습에 필요한 데이터가 소량이지만, 그 질이 높지 않으면 기능하지 않는다고 하는 문제가 있다. 그런데, 이러한 분야에 있어서, 측정할 데이터의 질을 향상시킨다고 하는 관점의 기술은 매우 적다. 특히, 대상으로 하는 태스크에 고유의 지식을 필요로 하지 않는 일반적인 방법은 거의 존재하지 않고, 측정된 데이터의 질이 나쁜 경우에, 데이터의 질을 나쁘게 하고 있는 원인을 특정할 수가 없었다.
그래서, 본 발명의 1 또는 복수의 태양은, 사용되는 데이터 집합의 질이 나빠지고 있는 원인을 특정할 수 있도록 하는 것을 목적으로 한다.
본 발명의 제 1 태양에 따른 정보 처리 장치는, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부와, 상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 평균치인 평균 클러스터링 정밀도를 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 평균 클러스터링 정밀도를 산출하는 비품질 라벨 클러스터링부와, 상기 복수의 평균 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 처리부를 구비하는 것을 특징으로 한다.
본 발명의 제 2 태양에 따른 정보 처리 장치는, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부와, 상기 복수의 비품질 라벨로부터 선택된 하나의 종류의 비품질 라벨에 대응하는 비품질 라벨 집합에 대해, 상기 복수의 비품질 라벨로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도를 산출하는 것으로, 복수의 상기 클러스터링 정밀도를 산출하는 비품질 라벨 클러스터링부와, 상기 복수의 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 요소를 특정할 수 있는 화면 화상을 생성하는 처리부를 구비하는 것을 특징으로 한다.
본 발명의 제 3 태양에 따른 정보 처리 장치는, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부와, 상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 분산을 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 분산을 산출하는 비품질 라벨 클러스터링부와, 상기 복수의 분산을 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 처리부를 구비하는 것을 특징으로 한다.
본 발명의 제 1 태양에 따른 프로그램은, 컴퓨터를, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부, 상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 평균치인 평균 클러스터링 정밀도를 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 평균 클러스터링 정밀도를 산출하는 비품질 라벨 클러스터링부, 및, 상기 복수의 평균 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 처리부로서 기능시키는 것을 특징으로 한다.
본 발명의 제 2 태양에 따른 프로그램은, 컴퓨터를, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부, 상기 복수의 비품질 라벨로부터 선택된 하나의 종류의 비품질 라벨에 대응하는 비품질 라벨 집합에 대해, 상기 복수의 비품질 라벨로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도를 산출하는 것으로, 복수의 상기 클러스터링 정밀도를 산출하는 비품질 라벨 클러스터링부, 및, 상기 복수의 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 요소를 특정할 수 있는 화면 화상을 생성하는 처리부로서 기능시키는 것을 특징으로 한다.
본 발명의 제 3 대상에 따른 프로그램은, 컴퓨터를, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부, 상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 분산을 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 분산을 산출하는 비품질 라벨 클러스터링부, 및, 상기 복수의 분산을 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 처리부로서 기능시키는 것을 특징으로 한다.
본 발명의 제 1 태양에 따른 정보 처리 방법은, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하고, 상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 평균치인 평균 클러스터링 정밀도를 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 평균 클러스터링 정밀도를 산출하고, 상기 복수의 평균 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 것을 특징으로 한다.
본 발명의 제 2 태양에 따른 정보 처리 방법은, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하고, 상기 복수의 비품질 라벨로부터 선택된 하나의 종류의 비품질 라벨에 대응하는 비품질 라벨 집합에 대해, 상기 복수의 비품질 라벨로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도를 산출하는 것으로, 복수의 상기 클러스터링 정밀도를 산출하고, 상기 복수의 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 요소를 특정할 수 있는 화면 화상을 생성하는 것을 특징으로 한다.
본 발명의 제 3 태양에 따른 정보 처리 방법은, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하고, 상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 분산을 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 분산을 산출하고, 상기 복수의 분산을 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 것을 특징으로 한다.
본 발명의 1 또는 복수의 태양에 의하면, 사용되는 데이터 집합의 질이 나빠지고 있는 원인을 특정할 수가 있다.
도 1은　실시의 형태 1에 따른 정보 처리 장치의 구성을 개략적으로 나타내는 블럭도이다.
도 2는　실시의 형태 1에 따른 정보 처리 장치의 이용예를 개략적으로 나타내는 블럭도이다.
도 3(a) 내지 (c)는, 검사원의 비품질 라벨에 있어서, 서브 세트마다의 클러스터링과, 전체의 클러스터링의 정밀도를 설명하기 위한 그래프이다.
도 4는 어떠한 방법으로 검사원의 차이에 기인하는 불균일성이 해소된 경우에 있어서의, 데이터 전체에 대한 클러스터링 정밀도를 설명하기 위한 그래프이다.
도 5(a) 및 (b)은, 하드웨어 구성예를 나타내는 블럭도이다.
도 6은 정보 처리 장치가, 라벨 종류 평가 화면 화상을 표시하는 처리를 나타내는 흐름도이다.
도 7은 정보 처리 장치가, 정밀도 개선량 화면 화상을 표시하는 처리를 나타내는 흐름도이다.
도 8은 정보 처리 장치가, 정밀도 영향 요소 평가 화면 화상을 표시하는 처리를 나타내는 흐름도이다.
이후에서는, 실시의 형태로서, 대상으로서의 모터의 진동에 근거하여 그 모터의 건전성을 판정하는 경우를 예로 설명한다.
도 1은, 실시의 형태 1에 따른 정보 처리 장치(100)의 구성을 개략적으로 나타내는 블럭도이다.
도 2는, 실시의 형태 1에 따른 정보 처리 장치(100)의 이용예를 개략적으로 나타내는 블럭도이다.
도 2에 나타나고 있는 바와 같이, 예를 들면, 정보 처리 장치(100)는, 제 1 공장(200A), 제 2 공장(200B),…과 같은, 다른 장소에 배치되어 있는 거점과 인터넷 등의 네트워크(201)를 거쳐서 접속되어 있다.
제 1 공장(200A), 제 2 공장(200B),…과 같은 공장은, 같은 설비 기기에 의해 대상으로서의 모터를 제조하고 있고, 정보 처리 장치(100)와의 접속 내용도 마찬가지이기 때문에, 이하, 제 1 공장(200A)에 대해 설명한다.
　제 1 공장(200A)에는, 모터(202)를 제조하는 복수의 제조 라인(203A), (203B), (203C),…이 마련되어 있다.
각각의 제조 라인(203A), (203B), (203C),…에 배속되어 있는 검사원은, 각각의 제조 라인(203A), (203B), (203C),…에 배치되어 있는 검사 장치(204A), (204B), (204C),…를 이용하여, 각각의 제조 라인(203A), (203B), (203C),…에서 제조된 모터(202)의 검사를 행한다.
예를 들면, 각각의 검사 장치(204A), (204B), (204C),…는, 모터(202)를 구동한 때의 진동의 진폭을 계측하여, 검사를 행한 모터(202)를 식별하는 모터 식별 정보인 모터 번호와, 그 계측치인 진폭을 나타내는 검사 데이터를 포함하는 디지털 데이터 DD를 생성한다.
또, 각각의 검사 장치(204A), (204B), (204C),…는, 검사를 행한 모터(202)의 모터 번호와, 그 검사로 취득된 디지털 데이터 DD의 데이터 번호와, 모터(202)의 품질과는 무관계인 것이 기대되는 종류의 비품질 라벨을 나타내는 비품질 라벨 데이터 ND를 생성한다. 또한, 본 실시의 형태에서는, 각각의 검사 장치(204A), (204B), (204C),…는, 복수의 종류의 비품질 라벨을 포함하는 비품질 라벨 데이터 ND를 생성한다.
여기에서는, 비품질 라벨의 종류로서, 검사원, 일시, 제조 라인, 장소, 및, 검사 장치가 있는 것으로 한다.
또, 검사원의 비품질 라벨은, 검사원을 식별하기 위한 검사원 식별 정보인 검사원 번호를 그 요소로 하고 있다.
일시의 비품질 라벨은, 검사가 행해진 일시인 측정 일시를 그 요소로 하고 있다.
제조 라인의 비품질 라벨은, 제조 라인을 식별하는 라인 식별 정보인 라인 번호를 그 요소로 하고 있다.
장소의 비품질 라벨은, 공장을 식별하기 위한 공장 식별 정보인 장소 ID를 그 요소로 하고 있다.
검사 장치의 비품질 라벨은, 검사 장치를 식별하기 위한 검사 장치 식별 번호인 장치 번호를 그 요소로 하고 있다.
구체적으로는, 검사를 실시한 모터(202)의 모터 번호와, 그 검사로 취득된 디지털 데이터 DD의 데이터 번호와, 그 검사를 행한 검사원의 검사원 번호를 나타내는 제 1 비품질 라벨 데이터 ND＃1, 검사를 행한 모터(202)의 모터 번호와, 그 검사로 취득된 디지털 데이터 DD의 데이터 번호와, 그 검사가 행해진 측정 일시를 나타내는 제 2 비품질 라벨 데이터 ND＃2, 검사를 행한 모터(202)의 모터 번호와, 그 검사로 취득된 디지털 데이터 DD의 데이터 번호와, 그 모터(202)를 제조한 제조 라인의 라인 번호를 나타내는 제 3 비품질 라벨 데이터 ND＃3, 검사를 행한 모터(202)의 모터 번호와, 그 검사로 취득된 디지털 데이터 DD의 데이터 번호와, 그 모터(202)의 제조가 행해진 공장의 장소 ID를 나타내는 제 4 비품질 라벨 데이터 ND＃4, 및, 검사를 행한 모터(202)의 모터 번호와, 그 검사로 취득된 디지털 데이터 DD의 데이터 번호와, 그 모터(202)의 검사를 행한 검사 장치의 장치 번호를 나타내는 제 5 비품질 라벨 데이터 ND＃5 등이 생성된다.
또, 각각의 비품질 라벨 데이터 ND에는, 대응하는 비품질 라벨의 종류를 나타내는 정보가 포함되어 있는 것으로 한다.
그리고, 각각의 검사 장치(204A), (204B), (204C),…는, 이상과 같이 하여 생성된 디지털 데이터 DD 및 비품질 라벨 데이터 ND를, 네트워크(201)를 거쳐서, 정보 처리 장치(100)에 보낸다.
또한, 비품질 라벨은, 품질의 양부와는 무관계인 것이 기대되는 종류의 라벨이다. 바꾸어 말하면, 비품질 라벨은, 품질의 관리를 행하는 사람이, 품질의 양부가 나타나기를 원하지 않는다고 생각하고 있는 종류의 라벨이다. 여기에서는, 검사원, 일시, 제조 라인, 장소 및 검사 장치에 의해, 모터(202)의 품질에 양부가 나타나기를 원하지 않기 때문에, 이들 종류로 라벨 부가가 행해지고 있다.
또, 제 1 공장(200A)에는, 품질 라벨 부여 장치(205)가 마련되어 있다.
예를 들면, 제 1 공장(200A)에서 제조된 모터(202)는, 베테랑인 검사원 등에 의해 최종적인 검사가 행해지고, 그 검사 결과인 정상 또는 이상과, 검사된 모터(202)의 모터 번호가 품질 라벨 부여 장치(205)에 입력된다.
품질 라벨 부여 장치(205)는, 입력된 모터 번호와, 정상 또는 이상을 나타내는 품질 라벨 데이터 CD를 생성하고, 생성된 품질 라벨 데이터 CD를, 네트워크(201)를 거쳐서, 정보 처리 장치(100)에 보낸다. 여기서, 품질 라벨은, 품질의 양부(여기에서는, 정상 또는 이상)를 나타내는 라벨이다.
이상과 같이 하여 보내져 온, 디지털 데이터 DD, 품질 라벨 데이터 CD 및 비품질 라벨 데이터 ND를 받아, 정보 처리 장치(100)는 처리를 행한다.
도 1에 나타나고 있는 바와 같이, 정보 처리 장치(100)는, 통신부(101)와, 기억부(102)와, 특징 추출부(103)와, 입력부(104)와, 선택부(105)와, 품질 라벨 클러스터링부(106)와, 비품질 라벨 클러스터링부(107)와, 처리부(108)와, 표시부(109)를 구비한다.
통신부(101)는, 네트워크(201)와 통신을 행한다. 예를 들면, 통신부(101)는, 네트워크(201)를 거쳐서, 복수의 공장으로부터, 복수의 디지털 데이터 DD, 복수의 품질 라벨 데이터 CD 및 복수의 비품질 라벨 데이터 ND를 수신한다.
기억부(102)는, 정보 처리 장치(100)에서의 처리에 필요한 데이터 및 프로그램을 기억한다. 예를 들면, 기억부(102)는, 통신부(101)에서 수신된 복수의 디지털 데이터 DD, 복수의 품질 라벨 데이터 CD 및 복수의 비품질 라벨 데이터 ND를, 각각 디지털 데이터 집합 DG, 품질 라벨 집합 CG 및 비품질 라벨 집합 NG로서 기억한다.
또, 기억부(102)는, 후술하는 바와 같이, 특징 추출부(103)에서 생성된 특징 벡터 집합 BG를 기억한다.
또한, 본 실시의 형태에서는, 비품질 라벨 데이터 ND로서, 예를 들면, 비품질 라벨의 종류에 대응하여, 제 1 비품질 라벨 데이터 ND＃1~ 제 5 비품질 라벨 데이터 ND＃5가 기억된다.
특징 추출부(103)는, 기억부(102)에 기억되어 있는 디지털 데이터 집합 DG를 읽어내고, 읽어내진 디지털 데이터 집합 DG에 있어서의 디지털 데이터 DD에 포함되어 있는 검사 데이터로부터, 미리 정해진 특징을 추출하고, 추출된 특징과, 디지털 데이터 DD에 포함되어 있던 모터 번호를 나타내는 특징 벡터 데이터 BD를 생성한다. 그리고, 특징 추출부(103)는, 복수의 특징 벡터 데이터 BD를 특징 벡터 집합 BG로서 기억부(102)에 기억시킨다. 검사 데이터로부터 특징 추출을 행하는 수법으로서는, 예를 들면, 필터 뱅크 분석, 웨이브렛 해석, LPC(Linear　Predictive　Coding) 분석 또는 캡스트럼 분석 등이 있다. 또, 여기서 추출되는 특징은, 특징 벡터로 나타난다.
입력부(104)는, 정보 처리 장치(100)의 오퍼레이터로부터의 지시의 입력을 받아들인다.
예를 들면, 입력부(104)는, 처리 모드의 선택의 입력을 받아들인다. 본 실시의 형태에서는, 처리 모드는, 라벨 종류 평가 모드, 정밀도 개선량 산출 모드 및 정밀도 영향 요소 평가 모드이다.
또한, 입력부(104)는, 정밀도 영향 요소 평가 모드가 선택된 경우에는, 정밀도에 영향을 미치는 요소를 평가하는 비품질 라벨의 종류의 입력도 받아들인다.
그리고, 입력부(104)는, 입력된 처리 모드 및 정밀도 영향 요소 평가 모드가 선택된 경우에 있어서의 선택된 비품질 라벨의 종류를 선택부(105) 및 처리부(108)에 통지한다.
선택부(105)는, 입력부(104)에 입력된 선택에 따라, 기억부(102)에 기억되어 있는 데이터를 선택하여 읽어낸다.
예를 들면, 선택부(105)는, 라벨 종류 평가 모드가 선택된 경우에는, 기억부(102)로부터 특징 벡터 집합 BG, 품질 라벨 집합 CG 및 모든 종류의 비품질 라벨 집합 NG를 읽어내고, 읽어내진 데이터를 비품질 라벨 클러스터링부(107)에 준다.
또, 선택부(105)는, 정밀도 개선량 산출 모드가 선택된 경우에는, 기억부(102)로부터 특징 벡터 집합 BG 및 품질 라벨 집합 CG를 읽어내고, 읽어내진 데이터를 품질 라벨 클러스터링부(106)에 줌과 아울러, 기억부(102)로부터 특징 벡터 집합 BG, 품질 라벨 집합 CG 및 모든 종류의 비품질 라벨 집합 NG를 읽어내고, 읽어내진 데이터를 비품질 라벨 클러스터링부(107)에 준다.
또한, 선택부(105)는, 정밀도 영향 요소 평가 모드가 선택된 경우에는, 기억부(102)로부터 특징 벡터 집합 BG, 품질 라벨 집합 CG 및 입력부(104)에서 선택된 종류의 비품질 라벨에 대응하는 비품질 라벨 집합 NG를 읽어내고, 읽어내진 데이터를 비품질 라벨 클러스터링부(107)에 준다.
품질 라벨 클러스터링부(106)는, 선택부(105)로부터 주어지는 특징 벡터 집합 BG에 근거하여, 클러스터링을 실행하고, 그 클러스터링에 의한 품질의 판정 결과(예를 들면, 정상 또는 이상)와, 품질 라벨 집합 CG로 나타나고 있는 검사 결과(예를 들면, 정상 또는 이상)를 비교하여, 클러스터링 정밀도를 산출한다. 여기서 산출된 클러스터링 정밀도는, 기준 클러스터링 정밀도라고도 한다.
클러스터링 정밀도는, 클러스터링에 성공한 비율, 또는, 클러스터링에 실패한 비율로 한다.
본 실시의 형태에서는, 클러스터링 정밀도는, 클러스터링에 의한 품질의 판정 결과의, 품질 라벨 집합 CG로 나타나고 있는 검사 결과에 대한 정해율로 하지만, 본 실시의 형태는, 이러한 예로 한정되지 않는다.
예를 들면, 클러스터링 정밀도는, 클러스터링에 의한 품질의 판정 결과의 품질 라벨 집합 CG로 나타나고 있는 검사 결과에 대한 오류율, F치, 트루 포지티브 레이트(TPR) 또는 트루 네가티브 레이트(TNR)여도 좋다.
비품질 라벨 클러스터링부(107)는, 선택부(105)로부터 비품질 라벨의 모든 종류의 비품질 라벨 집합 NG를 받은 경우에는, 선택부(105)로부터 주어지는 특징 벡터 집합 BG에 포함되어 있는 특징 벡터 데이터 BD를, 비품질 라벨 집합 NG의 각각의 종류에 있어서의 비품질 라벨의 요소마다의 서브 세트로 분할한다. 예를 들면, 비품질 라벨 집합 NG의 종류가 검사원 번호인 경우에, 검사원 번호마다, 특징 벡터 집합 BG에 포함되어 있는 특징 벡터 데이터 BD를 분할한다.
다음에, 비품질 라벨 클러스터링부(107)는, 분할된 특징 벡터 데이터 BD에 근거하여, 클러스터링을 실행하고, 그 클러스터링에 의한 품질의 판정 결과와, 품질 라벨 집합 CG로 나타나고 있는 검사 결과를 비교하여, 서브 세트마다(바꾸어 말하면, 요소마다)의 클러스터링 정밀도를 산출한다. 그리고, 비품질 라벨 클러스터링부(107)는, 비품질 라벨의 종류마다, 산출된 서브 세트마다의 클러스터링 정밀도의 평균치를 평균 클러스터링 정밀도로서 산출한다.
바꾸어 말하면, 비품질 라벨 클러스터링부(107)는, 라벨 종류 평가 모드 및 정밀도 개선량 산출 모드에서는, 비품질 라벨의 모든 종류의 각각의 평균 클러스터링 정밀도를 산출하고, 산출된 평균 클러스터링 정밀도를 처리부(108)에 준다.
한편, 비품질 라벨 클러스터링부(107)는, 선택부(105)로부터 비품질 라벨 중 하나의 종류의 비품질 라벨 집합 NG를 받은 경우에는, 선택부(105)로부터 주어지는 특징 벡터 집합 BG에 포함되어 있는 특징 벡터 데이터 BD를, 그 비품질 라벨 집합 NG로 나타나고 있는 하나의 종류의 비품질 라벨에 있어서의 요소마다의 서브 세트로 분할한다.
다음에, 비품질 라벨 클러스터링부(107)는, 분할된 특징 벡터 데이터 BD에 근거하여, 클러스터링을 실행하고, 그 클러스터링에 의한 품질의 판정 결과와, 품질 라벨 집합 CG로 나타나고 있는 검사 결과를 비교하여, 서브 세트마다(바꾸어 말하면, 요소마다)의 클러스터링 정밀도를 산출한다.
바꾸어 말하면, 비품질 라벨 클러스터링부(107)는, 정밀도 영향 요소 평가 모드에서는, 비품질 라벨의 선택된 종류에 있어서, 서브 세트마다의 클러스터링 정밀도를 산출하고, 산출된 서브 세트마다의 클러스터링 정밀도를 처리부(108)에 준다.
처리부(108)는, 입력부(104)가 입력을 받아들인 처리 모드에 따라, 품질 라벨 클러스터링부(106)에서 산출된 클러스터링 정밀도 및 비품질 라벨 클러스터링부(107)에서 산출된 평균 클러스터링 정밀도 중 적어도 어느 한쪽을 이용하여 처리를 행한다.
여기에서는, 처리부(108)는, 복수의 평균 클러스터링 정밀도를 이용하여, 복수의 디지털 데이터 DD의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상, 또는, 복수의 클러스터링 정밀도를 이용하여, 복수의 디지털 데이터 DD의 품질에 나쁜 영향을 주고 있는 적어도 하나의 요소를 특정할 수 있는 화면 화상을 생성한다.
예를 들면, 라벨 종류 평가 모드에서는, 처리부(108)는, 복수의 비품질 라벨의 종류 중 적어도 일부를, 그 평균 클러스터링 정밀도가 높은 것으로부터의 순서대로, 그 평균 클러스터링 정밀도와 함께 표시하는 라벨 종류 평가 화면 화상을 생성한다.
정밀도 개선량 산출 모드에서는, 처리부(108)는, 비품질 라벨 클러스터링부(107)에서 산출된 복수의 평균 클러스터링 정밀도의 각각으로부터, 품질 라벨 클러스터링부(106)에서 산출된 클러스터링 정밀도를 감산하는 것으로, 비품질 라벨의 종류마다 클러스터링 정밀도의 개선량을 산출한다. 그리고, 처리부(108)는, 복수의 비품질 라벨의 종류 중 적어도 일부와, 대응하여 산출된 개선량을 나타내는 정밀도 개선량 화면 화상을 생성한다.
정밀도 영향 요소 평가 모드에서는, 처리부(108)는, 비품질 라벨 클러스터링부(107)에서 산출된 비품질 라벨 중 하나의 종류에 있어서의 서브 세트마다의 클러스터링 정밀도가 낮은 순서대로, 대응하는 요소 중 적어도 일부를, 그 클러스터링 정밀도와 함께 나타내는 정밀도 영향 요소 평가 화면 화상을 생성한다.
표시부(109)는, 각종 화면 화상을 표시한다. 예를 들면, 표시부(109)는, 처리부(108)에서 생성된 라벨 종류 평가 화면 화상, 정밀도 개선량 화면 화상 또는 정밀도 영향 요소 평가 화면 화상을 표시한다.
이하, 정보 처리 장치(100)에서의 처리의 기본적인 콘셉(concept)을 설명한다.
품질의 양부와는 무관계인 것이 기대되는 비품질 라벨에 의해 특징 벡터를 분할했을 때, 분할된 서브 세트마다 클러스터링을 행하면, 그 평균적인 클러스터링 정밀도는, 같은 클러스터링을 데이터 세트 전체에 대해서 행한 경우와 비교하여 높아지는 것이 기대된다.
도 3(a) 내지 (c)는, 검사원의 비품질 라벨에 있어서, 서브 세트마다의 클러스터링과, 전체의 클러스터링의 정밀도를 설명하기 위한 그래프이다.
예를 들면, 도 3(a)는, 검사원 A가 측정한 검사 데이터에 근거하여, 모터(202)의 정상 또는 이상의 히스토그램을 플롯한 그래프이다.
마찬가지로, 도 3(b)는, 검사원 B가 측정한 검사 데이터에 근거하여, 모터(202)의 정상 또는 이상의 히스토그램을 플롯한 그래프이다.
도 3(c)는, 도 3(a)에 나타낸 히스토그램과, 도 3(b)에 나타낸 히스토그램을 겹쳐서 표시한 그래프이다.
도 3(c)에 나타내고 있는 바와 같이, 검사원 A가 측정한 이상 데이터의 분포는, 검사원 B가 측정한 정상 데이터의 분포에 겹쳐져 있고, 이들 데이터 전체에서는, 정상 및 이상을 고정밀도로 클러스터링 할 수 없는 것을 알 수 있다.
그러나, 도 3(a)에 나타나고 있는 바와 같이, 검사원 A의 데이터만을 생각하는 경우, 정상 및 이상을 결정하는 경계(300)를 설정하는 것으로, 정상 및 이상의 클러스터링은 가능하다. 마찬가지로, 도 3(b)에 나타나고 있는 바와 같이, 검사원 B의 데이터에 대해서도, 정상 및 이상을 결정하는 경계(301)를 설정하는 것으로, 정상 및 이상의 클러스터링은 가능하다.
이때, 이상과 같은 검사원의 개별의 서브 세트에 대한 클러스터링의 평균적인 클러스터링 정밀도는, 도 4에 나타나고 있는 바와 같이, 어떠한 방법으로 검사원의 차이에 기인하는 불균일성이 해소된 경우에 있어서의, 데이터 전체에 대한 클러스터링 정밀도에 일치하는 것을 기대할 수 있다. 그 때문에, 검사원의 개별의 서브 세트에 대한 클러스터링의 평균 클러스터링 정밀도는, 측정자의 차이에 기인하는 불균일성을 해소할 수 있었던 경우에 얻어지는 정밀도의 기대치로서 이용할 수가 있다.
이상으로부터, 라벨 종류 평가 화면 화상에 있어서, 평균 클러스터링 정밀도가 높은 순서대로 비품질 라벨의 종류를 늘어놓는 것으로, 검사 데이터를 취득할 때의 취득 방법의 변형(variation)을 개선하는 것으로, 클러스터링 정밀도를 높일 수 있는 요인, 바꾸어 말하면, 데이터 전체의 클러스터링 정밀도가 나빠지고 있는 원인을 파악할 수가 있다. 즉, 평균 클러스터링 정밀도가 높은 비품질 라벨의 종류일수록, 검사 데이터의 품질에 크게 영향을 주어, 검사 데이터의 품질에 나쁜 영향을 주고 있는 원인이 되고 있을 가능성이 높은 것을 파악할 수가 있다.
또, 정밀도 개선량 화면 화상에 있어서, 클러스터링 정밀도의 개선량을 비품질 라벨의 종류와 함께 표시하는 것으로, 그 비품질 라벨의 종류에 있어서, 검사 데이터를 취득할 때의 취득 방법을 어떠한 방법으로 개선하는 것으로, 전체의 클러스터링 정밀도를 어느 정도 개선할 수 있는지를 파악할 수가 있다. 이것에 대해서도, 클러스터링 정밀도의 개선량이 클수록, 데이터 전체의 클러스터링 정밀도를 나쁘게 하고 있는 원인이 되고 있는 것으로 추정할 수가 있다. 즉, 클러스터링 정밀도의 개선량이 큰 비품질 라벨의 종류일수록, 검사 데이터의 품질에 크게 영향을 주어, 검사 데이터의 품질에 나쁜 영향을 주고 있는 원인이 되고 있을 가능성이 높은 것을 파악할 수가 있다.
또한, 정밀도 영향 요소 평가 화면 화상에 있어서, 대응하는 요소를, 그 클러스터링 정밀도와 함께 나타내는 것으로, 검사 데이터를 취득할 때에, 어느 요소의 취득 방법을 개선해야만 하는지를 파악할 수가 있다. 이것에 대해서도, 데이터 전체의 클러스터링 정밀도를 악화시키고 있는 요소를 특정할 수가 있다. 즉, 클러스터링 정밀도가 낮은 요소일수록, 검사 데이터의 품질에 크게 영향을 주어, 검사 데이터의 품질에 나쁜 영향을 주고 있는 원인이 되고 있을 가능성이 높은 것을 파악할 수가 있다.
이상에 기재된 특징 추출부(103), 선택부(105), 품질 라벨 클러스터링부(106), 비품질 라벨 클러스터링부(107) 및 처리부(108)의 일부 또는 전부는, 예를 들면, 도 5(a)에 나타나고 있는 바와 같이, 메모리(10)와, 메모리(10)에 저장되어 있는 프로그램을 실행하는 CPU(Central　Processing　Unit) 등의 프로세서(11)에 의해 구성할 수 있다. 이러한 프로그램은, 네트워크를 통해서 제공되어도 좋고, 또, 기록 매체에 기록되어 제공되어도 좋다. 즉, 이러한 프로그램은, 예를 들면, 프로그램 프로덕트로서 제공되어도 좋다.
또, 특징 추출부(103), 선택부(105), 품질 라벨 클러스터링부(106), 비품질 라벨 클러스터링부(107) 및 처리부(108)의 일부 또는 전부는, 예를 들면, 도 5(b)에 나타나고 있는 바와 같이, 단일 회로, 복합 회로, 프로그램화한 프로세서, 병렬 프로그램화한 프로세서, ASIC(Application　Specific　Integrated　Circuit) 또는 FPGA(Field　Programmable　Gate　Array) 등의 처리 회로(12)로 구성할 수도 있다.
또한, 통신부(101)는, NIC(Network　Interface　Card) 등의 통신 장치에 의해 실현할 수 있다.
또한, 기억부(102)는, HDD(Hard　Disk　Drive) 등의 기억 장치에 의해 실현할 수 있다.
입력부(104)는, 마우스 또는 키보드 등의 입력 장치에 의해 실현할 수 있다.
표시부(109)는, 액정 디스플레이 등의 표시 장치에 의해 실현할 수 있다.
이상과 같이, 정보 처리 장치(100)는, 이른바 컴퓨터로 실현할 수 있다.
도 6은, 정보 처리 장치(100)가, 라벨 종류 평가 화면 화상을 표시하는 처리를 나타내는 흐름도이다.
도 6에 나타나고 있는 흐름도는, 예를 들면, 정보 처리 장치(100)의 오퍼레이터가 입력부(104)에 라벨 종류 평가 모드를 선택하는 지시를 입력하는 것으로 개시된다. 이 경우, 입력부(104)는, 선택부(105) 및 처리부(108)에, 라벨 종류 평가 모드가 선택된 것을 통지한다.
우선, 선택부(105)는, 기억부(102)에 기억되어 있는 특징 벡터 집합 BG, 품질 라벨 집합 CG 및 모든 종류의 비품질 라벨에 대응하는 비품질 라벨 집합 NG를 읽어내고, 읽어내진 데이터를 비품질 라벨 클러스터링부(107)에 준다(S10).
다음에, 비품질 라벨 클러스터링부(107)는, 선택부(105)로부터 받은 비품질 라벨 집합 NG 중, 아직도 클러스터링을 실행하고 있지 않은 하나의 종류의 비품질 라벨에 대응하는 비품질 라벨 집합 NG를 선택한다(S11).
다음에, 비품질 라벨 클러스터링부(107)는, 선택부(105)로부터 주어지는 특징 벡터 집합 BG를, 선택된 비품질 라벨 집합 NG로 나타나고 있는 비품질 라벨의 요소마다의 서브 세트로 분할하고, 분할된 서브 세트마다 클러스터링을 실행한다(S12).
다음에, 비품질 라벨 클러스터링부(107)는, 스텝 S12에서 실행된 클러스터링에 의한 품질의 판정 결과와, 품질 라벨 집합 CG로 나타나고 있는 검사 결과를 비교하여, 서브 세트마다의 클러스터링 정밀도를 산출하여, 그 평균치인 평균 클러스터링 정밀도를 산출한다(S13). 산출된 평균 클러스터링 정밀도는, 그 비품질 라벨의 종류와 함께, 처리부(108)에 통지된다.
다음에, 비품질 라벨 클러스터링부(107)는, 모든 종류의 비품질 라벨에 대응하는 비품질 라벨 집합 NG에 있어서, 클러스터링을 실행했는지 여부를 판단한다(S14). 모든 종류의 비품질 라벨 집합 NG에 있어서, 클러스터링을 실행한 경우(S14에서 예)에는, 처리는 스텝 S15으로 진행하고, 아직도 클러스터링을 실행하고 있지 않은 종류의 비품질 라벨 집합 NG가 남아 있는 경우(S14에서 아니오)에는, 처리는 스텝 S11으로 돌아온다.
스텝 S15에서는, 처리부(108)는, 비품질 라벨의 종류 중 적어도 일부를, 비품질 라벨 클러스터링부(107)에서 산출된 평균 클러스터링 정밀도가 높은 것으로부터 순서대로, 그 평균 클러스터링 정밀도와 함께 표시하는 라벨 종류 평가 화면 화상을 생성한다(S15).
다음에, 표시부(109)는, 처리부(108)에서 생성된 라벨 종류 평가 화면 화상을 표시한다(S16).
도 7은, 정보 처리 장치(100)가, 정밀도 개선량 화면 화상을 표시하는 처리를 나타내는 흐름도이다.
도 7에 나타나고 있는 흐름도는, 예를 들면, 정보 처리 장치(100)의 오퍼레이터가 입력부(104)에 정밀도 개선량 산출 모드를 선택하는 지시를 입력하는 것으로 개시된다. 이 경우, 입력부(104)는, 선택부(105) 및 처리부(108)에, 정밀도 개선량 산출 모드가 선택된 것을 통지한다.
우선, 선택부(105)는, 기억부(102)로부터 특징 벡터 집합 BG 및 품질 라벨 집합 CG를 읽어내고, 읽어내진 데이터를 품질 라벨 클러스터링부(106)에 준다(S20).
다음에, 품질 라벨 클러스터링부(106)는, 선택부(105)로부터 주어지는 특징 벡터 집합 BG에 근거하여, 클러스터링을 실행한다(S21).
다음에, 품질 라벨 클러스터링부(106)는, 스텝 S21에서 행해진 클러스터링에 의한 품질의 판정 결과와, 품질 라벨 집합 CG로 나타나고 있는 검사 결과를 비교하여, 클러스터링 정밀도를 산출한다(S22). 여기서 산출된 클러스터링 정밀도는, 처리부(108)에 주어진다.
다음에, 선택부(105)는, 기억부(102)에 기억되어 있는 특징 벡터 집합 BG, 품질 라벨 집합 CG 및 모든 종류의 비품질 라벨에 대응하는 비품질 라벨 집합 NG를 읽어내고, 읽어내진 데이터를 비품질 라벨 클러스터링부(107)에 준다(S23).
다음에, 비품질 라벨 클러스터링부(107)는, 선택부(105)로부터 받은 비품질 라벨 집합 NG 중, 아직도 클러스터링을 실행하고 있지 않은 하나의 종류의 비품질 라벨에 대응하는 비품질 라벨 집합 NG를 선택한다(S24).
다음에, 비품질 라벨 클러스터링부(107)는, 선택부(105)로부터 주어지는 특징 벡터 집합 BG를, 선택된 비품질 라벨 집합 NG로 나타나고 있는 비품질 라벨의 요소마다의 서브 세트로 분할하고, 분할된 서브 세트마다 클러스터링을 실행한다(S25).
다음에, 비품질 라벨 클러스터링부(107)는, 스텝 S12에서 실행된 클러스터링에 의한 품질의 판정 결과와, 품질 라벨 집합 CG로 나타나고 있는 검사 결과를 비교하여, 서브 세트마다의 클러스터링 정밀도를 산출하고, 그 평균치인 평균 클러스터링 정밀도를 산출한다(S26). 산출된 평균 클러스터링 정밀도는, 그 비품질 라벨의 종류와 함께, 처리부(108)에 통지된다.
다음에, 비품질 라벨 클러스터링부(107)는, 모든 종류의 비품질 라벨에 대응하는 비품질 라벨 집합 NG에 있어서, 클러스터링을 실행했는지 여부를 판단한다(S27). 모든 종류의 비품질 라벨 집합 NG에 있어서, 클러스터링을 실행한 경우(S27에서 예)에는, 처리는 스텝 S28으로 진행하고, 아직도 클러스터링을 실행하고 있지 않은 종류의 비품질 라벨 집합 NG가 남아 있는 경우(S27에서 아니오)에는, 처리는 스텝 S24으로 돌아온다.
다음에, 처리부(108)는, 비품질 라벨 클러스터링부(107)에서 산출된 비품질 라벨의 모든 종류의 평균 클러스터링 정밀도의 각각으로부터, 품질 라벨 클러스터링부(106)에서 산출된 클러스터링 정밀도를 감산하는 것으로, 그 종류마다 클러스터링 정밀도의 정밀도 개선량을 산출한다.
다음에, 처리부(108)는, 비품질 라벨의 종류 중 적어도 하나의 종류와, 대응하여 산출된 정밀도 개선량을 나타내는 정밀도 개선량 화면 화상을 생성한다.
다음에, 표시부(109)는, 처리부(108)에서 생성된 정밀도 개선량 화면 화상을 표시한다(S30).
또한, 도 7에 있어서, 스텝 S20~S22까지의 처리와, 스텝 S23~S27까지의 처리는, 병행하여 행해져도 좋다.
도 8은, 정보 처리 장치(100)가, 정밀도 영향 요소 평가 화면 화상을 표시하는 처리를 나타내는 흐름도이다.
도 8에 나타나고 있는 흐름도는, 예를 들면, 정보 처리 장치(100)의 오퍼레이터가 입력부(104)에 정밀도 영향 요소 평가 모드를 선택하는 지시를 입력하는 것으로 개시된다. 이 경우, 입력부(104)는, 선택부(105) 및 처리부(108)에, 정밀도 영향 요소 평가 모드가 선택된 것을 통지한다.
우선, 선택부(105)는, 기억부(102)로부터 특징 벡터 집합 BG, 품질 라벨 집합 CG 및 입력부(104)에서 선택된 종류에 대응하는 비품질 라벨 집합 NG를 읽어내고, 읽어내진 데이터를 비품질 라벨 클러스터링부(107)에 준다(S40).
다음에, 비품질 라벨 클러스터링부(107)는, 선택부(105)로부터 주어지는 특징 벡터 집합 BG를, 비품질 라벨 집합 NG로 나타나고 있는 비품질 라벨의 요소마다의 서브 세트로 분할하고, 분할된 서브 세트마다 클러스터링을 실행한다(S41).
다음에, 비품질 라벨 클러스터링부(107)는, 스텝 S41에서 실행된 클러스터링에 의한 품질의 판정 결과와, 품질 라벨 집합 CG로 나타나고 있는 검사 결과를 비교하여, 서브 세트마다의 클러스터링 정밀도를 산출한다(S42). 여기서 산출된 서브 세트마다의 클러스터링 정밀도는, 처리부(108)에 주어진다.
다음에, 처리부(108)는, 비품질 라벨 클러스터링부(107)에서 산출된 비품질 라벨 중 하나의 종류에 있어서의 서브 세트마다의 클러스터링 정밀도가 낮은 순서대로, 대응하는 요소 중 적어도 하나를, 그 클러스터링 정밀도와 함께 나타내는 정밀도 영향 요소 평가 화면 화상을 생성한다(S43).
다음에, 표시부(109)는, 처리부(108)에서 생성된 정밀도 영향 요소 평가 화면 화상을 표시한다(S44).
이상의 실시의 형태에 의하면, 디지털 데이터 DD의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류 또는 요소를 나타내는 화면 화상을 생성하여, 그 표시를 행할 수 있다.
이상에 기재된 실시의 형태에서는, 처리부(108)는, 복수의 평균 클러스터링 정밀도를 이용하여, 복수의 디지털 데이터 DD의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상으로서, 라벨 종류 평가 모드에서는, 복수의 비품질 라벨의 종류 중 적어도 일부를, 그 평균 클러스터링 정밀도가 높은 것으로부터 순서대로, 그 평균 클러스터링 정밀도와 함께 표시하는 라벨 종류 평가 화면 화상을 생성하고 있지만, 실시의 형태는 이러한 예로 한정되지 않는다.
예를 들면, 처리부(108)는, 복수의 종류 중 적어도 하나를, 복수의 분산이 큰 것으로부터 순서대로 나타내는 라벨 종류 평가 화면 화상을 생성해도 좋다.
이 경우, 비품질 라벨 클러스터링부(107)는, 비품질 라벨의 종류마다, 상술한 바와 같이 하여 산출된 서브 세트마다의 클러스터링 정밀도의 분산을 산출하면 좋다.
비품질 라벨마다의 클러스터링 정밀도의 분산을 표시하는 것으로, 요소마다의 클러스터링 정밀도의 변형이 큰 비품질 라벨을 특정할 수가 있다. 그리고, 변형이 큰 비품질 라벨의 검사의 방법을 수정하는 것으로, 디지털 데이터 DD의 품질을 높일 수가 있다.
100　정보 처리 장치,　101　통신부,　102　기억부,　103　특징 추출부,　104　입력부,　105　선택부,　106　품질 라벨 클러스터링부,　107　비품질 라벨 클러스터링부,　108　처리부,　109　표시부.

Claims (19)

  1. 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부와,
    상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 평균치인 평균 클러스터링 정밀도를 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 평균 클러스터링 정밀도를 산출하는 비품질 라벨 클러스터링부와,
    상기 복수의 평균 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 처리부를 구비하는 것
    을 특징으로 하는 정보 처리 장치.
  2. 제 1 항에 있어서,
    상기 처리부는, 복수의 상기 종류 중 적어도 하나를, 상기 복수의 평균 클러스터링 정밀도가 높은 것으로부터 순서대로 나타내는 라벨 종류 평가 화면 화상을 상기 화면 화상으로서 생성하는 것
    을 특징으로 하는 정보 처리 장치.
  3. 제 1 항에 있어서,
    상기 복수의 특징 벡터를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도인 기준 클러스터링 정밀도를 산출하는 품질 라벨 클러스터링부를 더 구비하고,
    상기 처리부는, 상기 복수의 평균 클러스터링 정밀도의 각각으로부터 상기 기준 클러스터링 정밀도를 감산하는 것으로 복수의 개선량을 산출하고, 복수의 상기 종류 중 적어도 하나를, 상기 복수의 개선량이 큰 것으로부터 순서대로, 대응하는 개선량과 함께 나타내는 정밀도 개선량 화면 화상을 상기 화면 화상으로서 생성하는 것
    을 특징으로 하는 정보 처리 장치.
  4. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
    상기 클러스터링 정밀도는, 클러스터링에 성공한 비율, 또는, 클러스터링에 실패한 비율인 것
    을 특징으로 하는 정보 처리 장치.
  5. 제 1 항 내지 제 3 항 중 어느 한 항에 있어서,
    상기 화면 화상을 표시하는 표시부를 더 구비하는 것
    을 특징으로 하는 정보 처리 장치.
  6. 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부와,
    상기 복수의 비품질 라벨로부터 선택된 하나의 종류의 비품질 라벨에 대응하는 비품질 라벨 집합에 대해, 상기 복수의 비품질 라벨로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도를 산출하는 것으로, 복수의 상기 클러스터링 정밀도를 산출하는 비품질 라벨 클러스터링부와,
    상기 복수의 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 요소를 특정할 수 있는 화면 화상을 생성하는 처리부를 구비하는 것
    을 특징으로 하는 정보 처리 장치.
  7. 제 6 항에 있어서,
    상기 처리부는, 상기 복수의 요소 중 적어도 하나를, 상기 복수의 클러스터링 정밀도가 낮은 것으로부터 순서대로 나타내는 정밀도 영향 요소 평가 화면 화상을 상기 화면 화상으로서 생성하는 것
    을 특징으로 하는 정보 처리 장치.
  8. 제 6 항 또는 제 7 항에 있어서,
    상기 클러스터링 정밀도는, 클러스터링에 성공한 비율, 또는, 클러스터링에 실패한 비율인 것
    을 특징으로 하는 정보 처리 장치.
  9. 제 6 항 또는 제 7 항에 있어서,
    상기 화면 화상을 표시하는 표시부를 더 구비하는 것
    을 특징으로 하는 정보 처리 장치.
  10. 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부와,
    상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 분산을 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 분산을 산출하는 비품질 라벨 클러스터링부와,
    상기 복수의 분산을 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 처리부를 구비하는 것
    을 특징으로 하는 정보 처리 장치.
  11. 제 10 항에 있어서,
    상기 처리부는, 복수의 상기 종류 중 적어도 하나를, 상기 복수의 분산이 큰 것으로부터 순서대로 나타내는 라벨 종류 평가 화면 화상을 상기 화면 화상으로서 생성하는 것
    을 특징으로 하는 정보 처리 장치.
  12. 제 10 항 또는 제 11 항에 있어서,
    상기 클러스터링 정밀도는, 클러스터링에 성공한 비율, 또는, 클러스터링에 실패한 비율인 것
    을 특징으로 하는 정보 처리 장치.
  13. 제 10 항 또는 제 11 항에 있어서,
    상기 화면 화상을 표시하는 표시부를 더 구비하는 것
    을 특징으로 하는 정보 처리 장치.
  14. 컴퓨터를,
    대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부,
    상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 평균치인 평균 클러스터링 정밀도를 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 평균 클러스터링 정밀도를 산출하는 비품질 라벨 클러스터링부, 및,
    상기 복수의 평균 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 처리부로서 기능시키는 것
    을 특징으로 하는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
  15. 컴퓨터를,
    대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부,
    상기 복수의 비품질 라벨로부터 선택된 하나의 종류의 비품질 라벨에 대응하는 비품질 라벨 집합에 대해, 상기 복수의 비품질 라벨로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도를 산출하는 것으로, 복수의 상기 클러스터링 정밀도를 산출하는 비품질 라벨 클러스터링부, 및,
    상기 복수의 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 요소를 특정할 수 있는 화면 화상을 생성하는 처리부로서 기능시키는 것
    을 특징으로 하는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
  16. 컴퓨터를,
    대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하는 기억부,
    상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 분산을 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 분산을 산출하는 비품질 라벨 클러스터링부, 및,
    상기 복수의 분산을 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 처리부로서 기능시키는 것
    을 특징으로 하는 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체.
  17. 기억부가, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하고,
    비품질 라벨 클러스터링부가, 상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 평균치인 평균 클러스터링 정밀도를 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 평균 클러스터링 정밀도를 산출하고,
    처리부가, 상기 복수의 평균 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 것
    을 특징으로 하는 정보 처리 방법.
  18. 기억부가, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하고,
    비품질 라벨 클러스터링부가, 상기 복수의 비품질 라벨로부터 선택된 하나의 종류의 비품질 라벨에 대응하는 비품질 라벨 집합에 대해, 상기 복수의 비품질 라벨로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도를 산출하는 것으로, 복수의 상기 클러스터링 정밀도를 산출하고,
    　처리부가, 상기 복수의 클러스터링 정밀도를 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 요소를 특정할 수 있는 화면 화상을 생성하는 것
    을 특징으로 하는 정보 처리 방법.
  19. 기억부가, 대상으로부터 계측된 계측치를 나타내는 복수의 디지털 데이터의 각각으로부터 미리 정해진 특징을 추출하는 것으로 생성된 복수의 특징 벡터를 포함하는 특징 벡터 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부를 나타내는 복수의 품질 라벨을 포함하는 품질 라벨 집합과, 상기 복수의 디지털 데이터의 각각에 각각이 대응하고, 상기 대상의 품질의 양부와는 무관계인 것이 기대되는 종류의 복수의 비품질 라벨을 각각이 포함하는 복수의 비품질 라벨 집합을 기억하고,
    비품질 라벨 클러스터링부가, 상기 복수의 비품질 라벨 집합의 각각에 대해, 상기 복수의 비품질 라벨의 각각으로 나타나는 복수의 요소의 각각에 의해 상기 복수의 특징 벡터를 분할한 서브 세트를, 상기 품질 라벨 집합을 이용하여 클러스터링을 행한 때의 클러스터링 정밀도의 분산을 산출하는 것으로, 상기 복수의 비품질 라벨 집합의 각각에 각각이 대응하는 복수의 상기 분산을 산출하고,
    처리부가, 상기 복수의 분산을 이용하여, 상기 복수의 디지털 데이터의 품질에 나쁜 영향을 주고 있는 적어도 하나의 비품질 라벨의 종류를 특정할 수 있는 화면 화상을 생성하는 것
    을 특징으로 하는 정보 처리 방법.
KR1020227009045A 2019-09-30 2019-09-30 정보 처리 장치, 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 정보 처리 방법 KR102458999B1 (ko)

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/JP2019/038478 WO2021064781A1 (ja) 2019-09-30 2019-09-30 情報処理装置、プログラム及び情報処理方法

Publications (2)

Publication Number Publication Date
KR20220042237A KR20220042237A (ko) 2022-04-04
KR102458999B1 true KR102458999B1 (ko) 2022-10-25

Family

ID=75337745

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020227009045A KR102458999B1 (ko) 2019-09-30 2019-09-30 정보 처리 장치, 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 정보 처리 방법

Country Status (7)

Country Link
US (1) US20220215210A1 (ko)
JP (1) JP7003334B2 (ko)
KR (1) KR102458999B1 (ko)
CN (1) CN114424236A (ko)
DE (1) DE112019007683T5 (ko)
TW (1) TWI750608B (ko)
WO (1) WO2021064781A1 (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009021348A (ja) 2007-07-11 2009-01-29 Sharp Corp 異常要因特定方法およびシステム、上記異常要因特定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
JP2017167834A (ja) 2016-03-16 2017-09-21 セコム株式会社 学習データ選択装置
JP2018072969A (ja) 2016-10-26 2018-05-10 三菱ケミカルエンジニアリング株式会社 生産プロセスの解析方法
JP2018533096A (ja) 2015-07-16 2018-11-08 ファルコンリー インコーポレイテッドＦａｌｋｏｎｒｙ Ｉｎｃ． 抽象的な関係及びスパースラベルに基づく物理的状況の機械学習

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
HUE026760T2 (en) * 2008-03-20 2016-07-28 Univ Geneve Secure element identification and authentication system and non-cloning properties
CN103003814A (zh) * 2010-05-14 2013-03-27 数据逻辑Adc公司 使用大型数据库进行对象识别的系统及方法
WO2013011508A2 (en) * 2011-07-19 2013-01-24 Nova Measuring Instruments Ltd. Optical system and method for measuring in patterned stuctures
DE202014011407U1 (de) * 2013-05-03 2020-04-20 Kofax, Inc. Systeme zum Erkennen und Klassifizieren von Objekten in durch Mobilgeräte aufgenommenen Videos
JP6310864B2 (ja) * 2015-01-13 2018-04-11 株式会社日立ハイテクノロジーズ 検査装置
US20170213127A1 (en) * 2016-01-24 2017-07-27 Matthew Charles Duncan Method and System for Discovering Ancestors using Genomic and Genealogic Data
US10163041B2 (en) * 2016-06-30 2018-12-25 Oath Inc. Automatic canonical digital image selection method and apparatus

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2009021348A (ja) 2007-07-11 2009-01-29 Sharp Corp 異常要因特定方法およびシステム、上記異常要因特定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
JP2018533096A (ja) 2015-07-16 2018-11-08 ファルコンリー インコーポレイテッドＦａｌｋｏｎｒｙ Ｉｎｃ． 抽象的な関係及びスパースラベルに基づく物理的状況の機械学習
JP2017167834A (ja) 2016-03-16 2017-09-21 セコム株式会社 学習データ選択装置
JP2018072969A (ja) 2016-10-26 2018-05-10 三菱ケミカルエンジニアリング株式会社 生産プロセスの解析方法

Also Published As

Publication number Publication date
TWI750608B (zh) 2021-12-21
JP7003334B2 (ja) 2022-01-20
TW202115512A (zh) 2021-04-16
CN114424236A (zh) 2022-04-29
KR20220042237A (ko) 2022-04-04
DE112019007683T5 (de) 2022-06-15
US20220215210A1 (en) 2022-07-07
JPWO2021064781A1 (ja) 2021-10-21
WO2021064781A1 (ja) 2021-04-08

Similar Documents

Publication Publication Date Title
US9038030B2 (en) Methods for predicting one or more defects in a computer program and devices thereof
JP4191772B1 (ja) 異常要因特定方法およびシステム、上記異常要因特定方法をコンピュータに実行させるためのプログラム、並びに上記プログラムを記録したコンピュータ読み取り可能な記録媒体
US11170332B2 (en) Data analysis system and apparatus for analyzing manufacturing defects based on key performance indicators
JP5765336B2 (ja) 障害分析装置、障害分析方法およびプログラム
US20190310927A1 (en) Information processing apparatus and information processing method
CN107562202B (zh) 基于视线追踪的工艺操作人员人为失误识别方法及装置
KR102225320B1 (ko) 인지 능력 측정 시스템 및 그의 측정 방법
JP2020035407A (ja) 異常予兆診断装置及び異常予兆診断方法
EP3910437B1 (en) Monitoring apparatus, monitoring method, and computer-readable medium
US8036922B2 (en) Apparatus and computer-readable program for estimating man-hours for software tests
JP7354421B2 (ja) エラー要因の推定装置及び推定方法
CN116635945A (zh) 为预测性维护推荐服务措施的系统和方法
KR102458999B1 (ko) 정보 처리 장치, 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 정보 처리 방법
JP2019175273A (ja) 品質評価方法および品質評価装置
US20230055892A1 (en) Data processing apparatus, data processing method, and storage medium storing program
JP6771705B2 (ja) 情報処理装置、プログラム及び情報処理方法
Yan et al. Revisiting the correlation between alerts and software defects: A case study on myfaces, camel, and cxf
JP2007122682A (ja) 故障品類似製品の抽出方法および抽出システム
JP7099296B2 (ja) 評価方法、システム構築方法、及び評価システム
WO2023166585A1 (ja) 半導体試験結果分析装置、半導体試験結果分析方法およびコンピュータプログラム
WO2021181654A1 (ja) 情報処理装置、プログラム及び情報処理方法
WO2023166584A1 (ja) 半導体試験結果分析装置、半導体試験結果分析方法およびコンピュータプログラム
US20240185576A1 (en) Image determination device, image determination method, and recording medium
US11469122B2 (en) Semiconductor process analysis device, semiconductor process analysis method, and storage medium
US20230244210A1 (en) Data processing apparatus, method, and storage medium

Legal Events

Date Code Title Description
A302 Request for accelerated examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant