WO2021064781A1 - 情報処理装置、プログラム及び情報処理方法 - Google Patents

情報処理装置、プログラム及び情報処理方法 Download PDF

Info

Publication number
WO2021064781A1
WO2021064781A1 PCT/JP2019/038478 JP2019038478W WO2021064781A1 WO 2021064781 A1 WO2021064781 A1 WO 2021064781A1 JP 2019038478 W JP2019038478 W JP 2019038478W WO 2021064781 A1 WO2021064781 A1 WO 2021064781A1
Authority
WO
WIPO (PCT)
Prior art keywords
quality
clustering
quality label
digital data
label
Prior art date
Application number
PCT/JP2019/038478
Other languages
English (en)
French (fr)
Inventor
信秋 田中
Original Assignee
三菱電機株式会社
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 三菱電機株式会社 filed Critical 三菱電機株式会社
Priority to KR1020227009045A priority Critical patent/KR102458999B1/ko
Priority to PCT/JP2019/038478 priority patent/WO2021064781A1/ja
Priority to DE112019007683.3T priority patent/DE112019007683T5/de
Priority to CN201980100361.4A priority patent/CN114424236A/zh
Priority to JP2021543377A priority patent/JP7003334B2/ja
Priority to TW109108558A priority patent/TWI750608B/zh
Publication of WO2021064781A1 publication Critical patent/WO2021064781A1/ja
Priority to US17/703,569 priority patent/US20220215210A1/en

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
    • 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
    • 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
    • G06F18/23—Clustering techniques
    • 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

Definitions

  • a plurality of non-quality label clustering units that calculate the average clustering accuracy corresponding to each of the plurality of non-quality label sets, and the plurality of average clustering accuracy are used. It is characterized in that it functions as a processing unit that generates a screen image capable of identifying at least one type of non-quality label that adversely affects the quality of the plurality of digital data.
  • the information processing method includes a plurality of feature vectors generated by extracting predetermined features from each of a plurality of digital data indicating measured values measured from an object.
  • Each of the vector set and the plurality of digital data corresponds to each of the quality label set including a plurality of quality labels indicating the quality of the object, and each of the plurality of digital data corresponds to the above.
  • each of the inspection devices 204A, 204B, 204C, ... Is irrelevant to the motor number of the motor 202 that has been inspected, the data number of the digital data DD acquired by the inspection, and the quality of the motor 202. Generates non-quality label data ND indicating the type of non-quality label that is expected to be. In the present embodiment, each of the inspection devices 204A, 204B, 204C, ... Generates non-quality label data ND including a plurality of types of non-quality labels.
  • the non-quality label clustering unit 107 executes clustering based on the divided feature vector data BD, and obtains the quality determination result by the clustering and the inspection result indicated by the quality label set CG. By comparison, the clustering accuracy for each subset (in other words, for each element) is calculated.
  • the processing unit 108 uses at least one of the clustering accuracy calculated by the quality label clustering unit 106 and the average clustering accuracy calculated by the non-quality label clustering unit 107 according to the processing mode in which the input unit 104 receives the input. Perform processing.
  • the average clustering accuracy of clustering for each individual subset of inspectors as described above was such that the non-uniformity caused by the difference in inspectors was eliminated by some method, as shown in FIG. It can be expected to match the clustering accuracy for the entire data in the case. Therefore, the average clustering accuracy of clustering for individual subsets of inspectors can be used as an expected value of accuracy obtained when the non-uniformity caused by the difference between measurers can be eliminated.
  • the communication unit 101 can be realized by a communication device such as a NIC (Network Interface Card).
  • the storage unit 102 can be realized by a storage device such as an HDD (Hard Disk Drive).
  • the input unit 104 can be realized by an input device such as a mouse or a keyboard.
  • the display unit 109 can be realized by a display device such as a liquid crystal display. As described above, the information processing apparatus 100 can be realized by a so-called computer.
  • the selection unit 105 reads out the feature vector set BG, the quality label set CG, and the non-quality label set NG corresponding to all kinds of non-quality labels stored in the storage unit 102, and reads out the read data. It is given to the quality label clustering unit 107 (S10).
  • the non-quality label clustering unit 107 selects the non-quality label set NG corresponding to one type of non-quality label that has not yet been clustered from the non-quality label set NG received from the selection unit 105. (S11).
  • the non-quality label clustering unit 107 divides the feature vector set BG given by the selection unit 105 into a subset of each element of the non-quality label indicated by the selected non-quality label set NG, and divides the feature vector set BG. Clustering is executed for each subset (S12).
  • the non-quality label clustering unit 107 compares the quality determination result by the clustering executed in step S12 with the inspection result shown by the quality label set CG, and calculates the clustering accuracy for each subset. Then, the average clustering accuracy, which is the average value, is calculated (S13). The calculated average clustering accuracy is notified to the processing unit 108 together with the type of the non-quality label.
  • the non-quality label clustering unit 107 determines whether or not clustering has been executed in the non-quality label set NG corresponding to all types of non-quality labels (S14).
  • the process proceeds to step S15, and there remains a type of non-quality label set NG in which clustering has not been executed yet. (No in S14), the process returns to step S11.
  • step S15 the processing unit 108 displays at least a part of the types of non-quality labels in order from the one with the highest average clustering accuracy calculated by the non-quality label clustering unit 107, together with the average clustering accuracy. Generate an image (S15).
  • the display unit 109 displays the label type evaluation screen image generated by the processing unit 108 (S16).
  • the selection unit 105 reads out the feature vector set BG and the quality label set CG from the storage unit 102, and gives the read data to the quality label clustering unit 106 (S20).
  • the quality label clustering unit 106 executes clustering based on the feature vector set BG given by the selection unit 105 (S21).
  • the selection unit 105 reads out the feature vector set BG, the quality label set CG, and the non-quality label set NG corresponding to all kinds of non-quality labels stored in the storage unit 102, and reads the read data. It is given to the non-quality label clustering unit 107 (S23).
  • the non-quality label clustering unit 107 selects the non-quality label set NG corresponding to one type of non-quality label that has not yet been clustered from the non-quality label set NG received from the selection unit 105. (S24).
  • the non-quality label clustering unit 107 divides the feature vector set BG given by the selection unit 105 into a subset of each element of the non-quality label indicated by the selected non-quality label set NG, and divides the feature vector set BG. Clustering is performed for each subset (S25).
  • the non-quality label clustering unit 107 compares the quality determination result by the clustering executed in step S12 with the inspection result shown by the quality label set CG, and calculates the clustering accuracy for each subset. Then, the average clustering accuracy, which is the average value, is calculated (S26). The calculated average clustering accuracy is notified to the processing unit 108 together with the type of the non-quality label.
  • the non-quality label clustering unit 107 determines whether or not clustering has been executed in the non-quality label set NG corresponding to all types of non-quality labels (S27).
  • S27 When clustering is executed in all types of non-quality label set NG (Yes in S27), the process proceeds to step S28, and there remains a type of non-quality label set NG in which clustering has not been executed yet. (No in S27), the process returns to step S24.
  • the processing unit 108 generates an accuracy improvement amount screen image showing at least one type of non-quality label and the accuracy improvement amount calculated correspondingly.
  • the display unit 109 displays the accuracy improvement amount screen image generated by the processing unit 108 (S30).
  • FIG. 8 is a flowchart showing a process in which the information processing apparatus 100 displays an image of the accuracy influencing factor evaluation screen.
  • the flowchart shown in FIG. 8 is started, for example, when the operator of the information processing apparatus 100 inputs an instruction to select the accuracy influencing factor evaluation mode to the input unit 104.
  • the input unit 104 notifies the selection unit 105 and the processing unit 108 that the accuracy influencing factor evaluation mode has been selected.
  • the selection unit 105 reads out the feature vector set BG, the quality label set CG, and the non-quality label set NG corresponding to the type selected by the input unit 104 from the storage unit 102, and collects the read data into non-quality label clustering. It is given to the part 107 (S40).
  • the non-quality label clustering unit 107 divides the feature vector set BG given by the selection unit 105 into a subset for each element of the non-quality label shown in the non-quality label set NG, and the divided subset. Clustering is executed every time (S41).
  • the non-quality label clustering unit 107 compares the quality determination result by the clustering executed in step S41 with the inspection result shown by the quality label set CG, and calculates the clustering accuracy for each subset. (S42). The clustering accuracy for each subset calculated here is given to the processing unit 108.
  • the processing unit 108 shows at least one of the corresponding elements together with the clustering accuracy in ascending order of clustering accuracy for each subset in one type of non-quality label calculated by the non-quality label clustering unit 107.
  • An influence factor evaluation screen image is generated (S43).
  • the display unit 109 displays the accuracy influencing factor evaluation screen image generated by the processing unit 108 (S44).
  • the processing unit 108 uses a plurality of average clustering qualities to identify at least one type of non-quality label that adversely affects the quality of the plurality of digital data DDs.
  • a label type evaluation screen image is generated in which at least a part of a plurality of non-quality label types is displayed together with the average clustering accuracy in order from the one having the highest average clustering accuracy.
  • the processing unit 108 may generate a label type evaluation screen image in which at least one of the plurality of types is shown in order from the plurality of ones having the largest variance.
  • the non-quality label clustering unit 107 may calculate the variance of the clustering accuracy for each subset calculated as described above for each type of non-quality label.
  • the quality of the digital data DD can be improved by modifying the inspection method of the non-quality label having a large variation.
  • 100 information processing device 101 communication unit, 102 storage unit, 103 feature extraction unit, 104 input unit, 105 selection unit, 106 quality label clustering unit, 107 non-quality label clustering unit, 108 processing unit, 109 display unit.

Landscapes

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

特徴ベクトル集合と、品質ラベル集合と、複数の非品質ラベル集合とを記憶する記憶部（１０２）と、複数の非品質ラベル集合の各々について、複数の非品質ラベルの各々で示される複数の要素の各々により複数の特徴ベクトルを分割したサブセットを、品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、複数の非品質ラベル集合の各々に各々が対応する複数の平均クラスタリング精度を算出する非品質ラベルクラスタリング部（１０７）と、複数の平均クラスタリング精度を用いて、複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部（１０８）とを備える。

Description

情報処理装置、プログラム及び情報処理方法
　本発明は、情報処理装置、プログラム及び情報処理方法に関する。
　深層学習及びその関連技術の進歩により、画像又は音声に関する複雑な認識タスクを行うことができるシステムが既に一般的なものとなっている。このようなシステムでは、大量の学習データからその潜在的な構造を自動的に見つけだすことができ、これにより深層学習以前の古典的な手法では達成し得なかった高い汎化性能を実現した。
　しかし、そのようなシステムは、学習に利用することができる豊富なラベル付きデータが得られないような状況においては機能しない。その一方で、現実に存在する様々なタスクにおいては、豊富な学習データが得られる状況というのは非常に稀である。従って、ほとんどの場合において、深層学習を始めとする非古典的な手法は役に立たないというのが実情である。
　例えば、機器から発生する音又は振動に基づき、その機器の健全性を自動的に診断する手法は古くから研究されており、これまで様々な手法が開発されている。例えば、非特許文献１に記載されているＭＴ（マハラノビス・タグチ）法は、その中でもっとも代表的な手法のひとつである。ＭＴ法では、正常サンプルが分布している特徴空間を事前に基準空間として学習しておき、診断時には観測された特徴ベクトルが基準空間からどの程度乖離しているかによって正常又は異常の判定を行う。
　ＭＴ法等の古典的な手法では、特徴の抽出において経験的な知見を盛り込んだり、特徴ベクトルの分布に関する仮定をおいたりすることで、学習されるモデルに適切な制約を課すことが容易にできる。そのため、このような手法では深層学習で必要とされるような大量のデータは必要とならない。
立林和夫　著、「入門タグチメソッド」、株式会社日科技連出版社、２００４年、Ｐ．１６７－１８５
　しかしながら、古典的な手法では、学習に必要なデータが少量で済む分、その質が高くなければ機能しないという問題がある。ところが、このような分野において、測定するデータの質を向上させるという観点の技術は非常に少ない。特に、対象とするタスクに固有の知識を必要としない一般的な方法はほとんど存在しない上、測定されたデータの質が悪い場合に、データの質を悪くしている原因を特定することができなかった。
　そこで、本発明の１又は複数の態様は、使用されるデータ集合の質が悪くなっている原因を特定できるようにすることを目的とする。
　本発明の第１の態様に係る情報処理装置は、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出する非品質ラベルクラスタリング部と、前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部と、を備えることを特徴とする。
　本発明の第２の態様に係る情報処理装置は、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出する非品質ラベルクラスタリング部と、前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する処理部と、を備えることを特徴とする。
　本発明の第３の態様に係る情報処理装置は、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出する非品質ラベルクラスタリング部と、前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部と、を備えることを特徴とする。
　本発明の第１の態様に係るプログラムは、コンピュータを、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出する非品質ラベルクラスタリング部、及び、前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部、として機能させることを特徴とする。
　本発明の第２の態様に係るプログラムは、コンピュータを、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出する非品質ラベルクラスタリング部、及び、前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する処理部、として機能させることを特徴とする。
　本発明の第３の対象に係るプログラムは、コンピュータを、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出する非品質ラベルクラスタリング部、及び、前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部、として機能させることを特徴とする。
　本発明の第１の態様に係る情報処理方法は、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出し、前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成することを特徴とする。
　本発明の第２の態様に係る情報処理方法は、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出し、前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成することを特徴とする。
　本発明の第３の態様に係る情報処理方法は、対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出し、前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成することを特徴とする。
　本発明の一又は複数の態様によれば、使用されるデータ集合の質が悪くなっている原因を特定することができる。
実施の形態１に係る情報処理装置の構成を概略的に示すブロック図である。 実施の形態１に係る情報処理装置の利用例を概略的に示すブロック図である。 （Ａ）から（Ｃ）は、検査員の非品質ラベルにおいて、サブセット毎のクラスタリングと、全体のクラスタリングとの精度を説明するためのグラフである。 何らかの方法で検査員の差異に起因する不均一性が解消された場合における、データ全体に対するクラスタリング精度を説明するためのグラフである。 （Ａ）及び（Ｂ）は、ハードウェア構成例を示すブロック図である。 情報処理装置が、ラベル種類評価画面画像を表示する処理を示すフローチャートである。 情報処理装置が、精度改善量画面画像を表示する処理を示すフローチャートである。 情報処理装置が、精度影響要素評価画面画像を表示する処理を示すフローチャートである。
　以降では、実施の形態として、対象としてのモータの振動に基づいてそのモータの健全性を判定する場合を例に説明する。
　図１は、実施の形態１に係る情報処理装置１００の構成を概略的に示すブロック図である。
　図２は、実施の形態１に係る情報処理装置１００の利用例を概略的に示すブロック図である。
　図２に示されているように、例えば、情報処理装置１００は、第１の工場２００Ａ、第２の工場２００Ｂ、・・・といった、異なる場所に配置されている拠点とインターネット等のネットワーク２０１を介して接続されている。
　第１の工場２００Ａ、第２の工場２００Ｂ、・・・といった工場は、同様の設備機器により対象としてのモータを製造しており、情報処理装置１００との接続内容も同様であるため、以下、第１の工場２００Ａについて説明する。
　第１の工場２００Ａには、モータ２０２を製造する複数の製造ライン２０３Ａ、２０３Ｂ、２０３Ｃ、・・・が設けられている。
　各々の製造ライン２０３Ａ、２０３Ｂ、２０３Ｃ、・・・に配属されている検査員は、各々の製造ライン２０３Ａ、２０３Ｂ、２０３Ｃ、・・・に配置されている検査装置２０４Ａ、２０４Ｂ、２０４Ｃ、・・・を用いて、各々の製造ライン２０３Ａ、２０３Ｂ、２０３Ｃ、・・・で製造されたモータ２０２の検査を行う。
　例えば、各々の検査装置２０４Ａ、２０４Ｂ、２０４Ｃ、・・・は、モータ２０２を駆動したときの振動の振幅を計測して、検査を行ったモータ２０２を識別するモータ識別情報であるモータ番号と、その計測値である振幅を示す検査データとを含むデジタルデータＤＤを生成する。
　また、各々の検査装置２０４Ａ、２０４Ｂ、２０４Ｃ、・・・は、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、モータ２０２の品質とは無関係であることが期待される種類の非品質ラベルとを示す非品質ラベルデータＮＤを生成する。なお、本実施の形態では、各々の検査装置２０４Ａ、２０４Ｂ、２０４Ｃ、・・・は、複数の種類の非品質ラベルを含む非品質ラベルデータＮＤを生成する。
　ここでは、非品質ラベルの種類として、検査員、日時、製造ライン、場所、及び、検査装置があるものとする。
　また、検査員の非品質ラベルは、検査員を識別するための検査員識別情報である検査員番号をその要素としている。
　日時の非品質ラベルは、検査が行われた日時である測定日時をその要素としている。
　製造ラインの非品質ラベルは、製造ラインを識別するライン識別情報であるライン番号をその要素としている。
　場所の非品質ラベルは、工場を識別するための工場識別情報である場所ＩＤをその要素としている。
　検査装置の非品質ラベルは、検査装置を識別するための検査装置識別番号である装置番号をその要素としている。
　具体的には、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、その検査を行った検査員の検査員番号とを示す第１の非品質ラベルデータＮＤ＃１、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、その検査が行われた測定日時とを示す第２の非品質ラベルデータＮＤ＃２、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、そのモータ２０２を製造した製造ラインのライン番号とを示す第３の非品質ラベルデータＮＤ＃３、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、そのモータ２０２の製造が行われた工場の場所ＩＤとを示す第４の非品質ラベルデータＮＤ＃４、及び、検査を行ったモータ２０２のモータ番号と、その検査で取得されたデジタルデータＤＤのデータ番号と、そのモータ２０２の検査を行った検査装置の装置番号とを示す第５の非品質ラベルデータＮＤ＃５等が生成される。
　なお、各々の非品質ラベルデータＮＤには、対応する非品質ラベルの種類を示す情報が含まれているものとする。
　そして、各々の検査装置２０４Ａ、２０４Ｂ、２０４Ｃ、・・・は、以上のようにして生成されたデジタルデータＤＤ及び非品質ラベルデータＮＤを、ネットワーク２０１を介して、情報処理装置１００に送る。
　なお、非品質ラベルは、品質の良否とは無関係であることが期待される種類のラベルである。言い換えると、非品質ラベルは、品質の管理を行う者が、品質の良否が表れてほしくないと考えている種類のラベルである。ここでは、検査員、日時、製造ライン、場所及び検査装置により、モータ２０２の品質に良否が表れてほしくないため、これらの種類でラベル付けが行われている。
　また、第１の工場２００Ａには、品質ラベル付与装置２０５が設けられている。
　例えば、第１の工場２００Ａで製造されたモータ２０２は、ベテランの検査員等により最終的な検査が行われ、その検査結果である正常又は異常と、検査されたモータ２０２のモータ番号とが品質ラベル付与装置２０５に入力される。
　品質ラベル付与装置２０５は、入力されたモータ番号と、正常又は異常とを示す品質ラベルデータＣＤを生成し、生成された品質ラベルデータＣＤを、ネットワーク２０１を介して、情報処理装置１００に送る。ここで、品質ラベルは、品質の良否（ここでは、正常又は異常）を示すラベルである。
　以上のようにして送られてきた、デジタルデータＤＤ、品質ラベルデータＣＤ及び非品質ラベルデータＮＤを受け取り、情報処理装置１００は処理を行う。
　図１に示されているように、情報処理装置１００は、通信部１０１と、記憶部１０２と、特徴抽出部１０３と、入力部１０４と、選択部１０５と、品質ラベルクラスタリング部１０６と、非品質ラベルクラスタリング部１０７と、処理部１０８と、表示部１０９とを備える。
　通信部１０１は、ネットワーク２０１と通信を行う。例えば、通信部１０１は、ネットワーク２０１を介して、複数の工場から、複数のデジタルデータＤＤ、複数の品質ラベルデータＣＤ及び複数の非品質ラベルデータＮＤを受信する。
　記憶部１０２は、情報処理装置１００での処理に必要なデータ及びプログラムを記憶する。例えば、記憶部１０２は、通信部１０１で受信された複数のデジタルデータＤＤ、複数の品質ラベルデータＣＤ及び複数の非品質ラベルデータＮＤを、それぞれデジタルデータ集合ＤＧ、品質ラベル集合ＣＧ及び非品質ラベル集合ＮＧとして記憶する。
　また、記憶部１０２は、後述するように、特徴抽出部１０３で生成された特徴ベクトル集合ＢＧを記憶する。
　なお、本実施の形態では、非品質ラベルデータＮＤとして、例えば、非品質ラベルの種類に対応して、第１の非品質ラベルデータＮＤ＃１～第５の非品質ラベルデータＮＤ＃５が記憶される。
　特徴抽出部１０３は、記憶部１０２に記憶されているデジタルデータ集合ＤＧを読み出し、読み出されたデジタルデータ集合ＤＧにおけるデジタルデータＤＤに含まれている検査データから、予め定められた特徴を抽出し、抽出された特徴と、デジタルデータＤＤに含まれていたモータ番号とを示す特徴ベクトルデータＢＤを生成する。そして、特徴抽出部１０３は、複数の特徴ベクトルデータＢＤを特徴ベクトル集合ＢＧとして記憶部１０２に記憶させる。検査データから特徴抽出を行う手法としては、例えば、フィルタバンク分析、ウェーブレット解析、ＬＰＣ（Ｌｉｎｅａｒ　Ｐｒｅｄｉｃｔｉｖｅ　Ｃｏｄｉｎｇ）分析又はケプストラム分析等がある。また、ここで抽出される特徴は、特徴ベクトルで示される。
　入力部１０４は、情報処理装置１００のオペレータからの指示の入力を受け付ける。
　例えば、入力部１０４は、処理モードの選択の入力を受け付ける。本実施の形態では、処理モードは、ラベル種類評価モード、精度改善量算出モード及び精度影響要素評価モードである。
　なお、入力部１０４は、精度影響要素評価モードが選択された場合には、精度に影響を及ぼす要素を評価する非品質ラベルの種類の入力も受け付ける。
　そして、入力部１０４は、入力された処理モード及び精度影響要素評価モードが選択された場合における選択された非品質ラベルの種類を選択部１０５及び処理部１０８に通知する。
　選択部１０５は、入力部１０４に入力された選択に応じて、記憶部１０２に記憶されているデータを選択して読み出す。
　例えば、選択部１０５は、ラベル種類評価モードが選択された場合には、記憶部１０２から特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び全ての種類の非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える。
　また、選択部１０５は、精度改善量算出モードが選択された場合には、記憶部１０２から特徴ベクトル集合ＢＧ及び品質ラベル集合ＣＧを読み出し、読み出されたデータを品質ラベルクラスタリング部１０６に与えるとともに、記憶部１０２から特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び全ての種類の非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える。
　さらに、選択部１０５は、精度影響要素評価モードが選択された場合には、記憶部１０２から特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び入力部１０４で選択された種類の非品質ラベルに対応する非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える。
　品質ラベルクラスタリング部１０６は、選択部１０５から与えられる特徴ベクトル集合ＢＧに基づき、クラスタリングを実行して、そのクラスタリングによる品質の判定結果（例えば、正常又は異常）と、品質ラベル集合ＣＧで示されている検査結果（例えば、正常又は異常）とを比較して、クラスタリング精度を算出する。ここで算出されたクラスタリング精度は、基準クラスタリング精度ともいう。
　クラスタリング精度は、クラスタリングに成功した割合、又は、クラスタリングに失敗した割合とする。
　本実施の形態では、クラスタリング精度は、クラスタリングによる品質の判定結果の、品質ラベル集合ＣＧで示されている検査結果に対する正解率とするが、本実施の形態は、このような例に限定されない。
　例えば、クラスタリング精度は、クラスタリングによる品質の判定結果の品質ラベル集合ＣＧで示されている検査結果に対する誤り率、Ｆ値、トルーポジティブレート（ＴＰＲ）又はトルーネガティブレート（ＴＮＲ）であってもよい。
　非品質ラベルクラスタリング部１０７は、選択部１０５から非品質ラベルの全ての種類の非品質ラベル集合ＮＧを受け取った場合には、選択部１０５から与えられる特徴ベクトル集合ＢＧに含まれている特徴ベクトルデータＢＤを、非品質ラベル集合ＮＧの各々の種類における非品質ラベルの要素毎のサブセットに分割する。例えば、非品質ラベル集合ＮＧの種類が検査員番号である場合に、検査員番号毎に、特徴ベクトル集合ＢＧに含まれている特徴ベクトルデータＢＤを分割する。
　次に、非品質ラベルクラスタリング部１０７は、分割された特徴ベクトルデータＢＤに基づいて、クラスタリングを実行して、そのクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、サブセット毎（言い換えると、要素毎）のクラスタリング精度を算出する。そして、非品質ラベルクラスタリング部１０７は、非品質ラベルの種類毎に、算出されたサブセット毎のクラスタリング精度の平均値を平均クラスタリング精度として算出する。
　言い換えると、非品質ラベルクラスタリング部１０７は、ラベル種類評価モード及び精度改善量算出モードでは、非品質ラベルの全ての種類の各々の平均クラスタリング精度を算出し、算出された平均クラスタリング精度を処理部１０８に与える。
　一方、非品質ラベルクラスタリング部１０７は、選択部１０５から非品質ラベルの一つの種類の非品質ラベル集合ＮＧを受け取った場合には、選択部１０５から与えられる特徴ベクトル集合ＢＧに含まれている特徴ベクトルデータＢＤを、その非品質ラベル集合ＮＧで示されている一つの種類の非品質ラベルにおける要素毎のサブセットに分割する。
　次に、非品質ラベルクラスタリング部１０７は、分割された特徴ベクトルデータＢＤに基づいて、クラスタリングを実行して、そのクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、サブセット毎（言い換えると、要素毎）のクラスタリング精度を算出する。
　言い換えると、非品質ラベルクラスタリング部１０７は、精度影響要素評価モードでは、非品質ラベルの選択された種類において、サブセット毎のクラスタリング精度を算出し、算出されたサブセット毎のクラスタリング精度を処理部１０８に与える。
　処理部１０８は、入力部１０４が入力を受け付けた処理モードに従って、品質ラベルクラスタリング部１０６で算出されたクラスタリング精度及び非品質ラベルクラスタリング部１０７で算出された平均クラスタリング精度の少なくとも何れか一方を用いて処理を行う。
　ここでは、処理部１０８は、複数の平均クラスタリング精度を用いて、複数のデジタルデータＤＤの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像、又は、複数のクラスタリング精度を用いて、複数のデジタルデータＤＤの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する。
　例えば、ラベル種類評価モードでは、処理部１０８は、複数の非品質ラベルの種類の少なくとも一部を、その平均クラスタリング精度の高いものから順に、その平均クラスタリング精度とともに表示するラベル種類評価画面画像を生成する。
　精度改善量算出モードでは、処理部１０８は、非品質ラベルクラスタリング部１０７で算出された複数の平均クラスタリング精度の各々から、品質ラベルクラスタリング部１０６で算出されたクラスタリング精度を減算することで、非品質ラベルの種類毎にクラスタリング精度の改善量を算出する。そして、処理部１０８は、複数の非品質ラベルの種類の少なくとも一部と、対応して算出された改善量とを示す精度改善量画面画像を生成する。
　精度影響要素評価モードでは、処理部１０８は、非品質ラベルクラスタリング部１０７で算出された非品質ラベルの一つの種類におけるサブセット毎のクラスタリング精度が低い順に、対応する要素の少なくとも一部を、そのクラスタリング精度とともに示す精度影響要素評価画面画像を生成する。
　表示部１０９は、各種画面画像を表示する。例えば、表示部１０９は、処理部１０８で生成されたラベル種類評価画面画像、精度改善量画面画像又は精度影響要素評価画面画像を表示する。
　以下、情報処理装置１００での処理の基本的な考え方を説明する。
　品質の良否とは無関係であることが期待される非品質ラベルによって特徴ベクトルを分割したとき、分割されたサブセット毎にクラスタリングを行うと、その平均的なクラスタリング精度は、同様のクラスタリングをデータセット全体に対して行った場合と比較して高くなることが期待される。
　図３（Ａ）から（Ｃ）は、検査員の非品質ラベルにおいて、サブセット毎のクラスタリングと、全体のクラスタリングとの精度を説明するためのグラフである。
　例えば、図３（Ａ）は、検査員Ａが測定した検査データに基づいて、モータ２０２の正常又は異常のヒストグラムをプロットしたグラフである。
　同様に、図３（Ｂ）は、検査員Ｂが測定した検査データに基づいて、モータ２０２の正常又は異常のヒストグラムをプロットしたグラフである。
　図３（Ｃ）は、図３（Ａ）に示されたヒストグラムと、図３（Ｂ）に示されたヒストグラムとを重ねて表示したグラフである。
　図３（Ｃ）に示されているように、検査員Ａが測定した異常データの分布は、検査員Ｂが測定した正常データの分布に重なっており、これらのデータ全体では、正常及び異常を高精度にクラスタリングすることはできないことが分かる。
　しかし、図３（Ａ）に示されているように、検査員Ａのデータだけを考える場合、正常及び異常を決定する境界３００を設定することで、正常及び異常のクラスタリングは可能である。同様に、図３（Ｂ）に示されているように、検査員Ｂのデータについても、正常及び異常を決定する境界３０１を設定することで、正常及び異常のクラスタリングは可能である。
　このとき、以上のような検査員の個別のサブセットに対するクラスタリングの平均的なクラスタリング精度は、図４に示されているように、何らかの方法で検査員の差異に起因する不均一性が解消された場合における、データ全体に対するクラスタリング精度に一致することが期待できる。そのため、検査員の個別のサブセットに対するクラスタリングの平均クラスタリング精度は、測定者の差異に起因する不均一性が解消できた場合に得られる精度の期待値として利用することができる。
　以上のことから、ラベル種類評価画面画像において、平均クラスタリング精度が高い順に非品質ラベルの種類を並べることで、検査データを取得する際の取得方法のバラツキを改善することで、クラスタリング精度を高めることができる要因、言い換えると、データ全体のクラスタリング精度が悪くなっている原因を把握することができる。即ち、平均クラスタリング精度が高い非品質ラベルの種類ほど、検査データの品質に大きく影響し、検査データの品質に悪い影響を与えている原因となっている可能性が高いことを把握することができる。
　また、精度改善量画面画像において、クラスタリング精度の改善量を非品質ラベルの種類とともに表示することで、その非品質ラベルの種類において、検査データを取得する際の取得方法を何等かの方法で改善することで、全体のクラスタリング精度をどの程度改善できるのかを把握することができる。これについても、クラスタリング精度の改善量が大きい程、データ全体のクラスタリング精度を悪くしている原因となっているものと推定することができる。即ち、クラスタリング精度の改善量が大きい非品質ラベルの種類ほど、検査データの品質に大きく影響し、検査データの品質に悪い影響を与えている原因となっている可能性が高いことを把握することができる。
　さらに、精度影響要素評価画面画像において、対応する要素を、そのクラスタリング精度とともに示すことで、検査データを取得する際に、どの要素の取得方法を改善しなければならないかを把握することができる。これについても、データ全体のクラスタリング精度を悪化させている要素を特定することができる。即ち、クラスタリング精度が低い要素ほど、検査データの品質に大きく影響し、検査データの品質に悪い影響を与えている原因となっている可能性が高いことを把握することができる。
　以上に記載された特徴抽出部１０３、選択部１０５、品質ラベルクラスタリング部１０６、非品質ラベルクラスタリング部１０７及び処理部１０８の一部又は全部は、例えば、図５（Ａ）に示されているように、メモリ１０と、メモリ１０に格納されているプログラムを実行するＣＰＵ（Ｃｅｎｔｒａｌ　Ｐｒｏｃｅｓｓｉｎｇ　Ｕｎｉｔ）等のプロセッサ１１とにより構成することができる。このようなプログラムは、ネットワークを通じて提供されてもよく、また、記録媒体に記録されて提供されてもよい。即ち、このようなプログラムは、例えば、プログラムプロダクトとして提供されてもよい。
　また、特徴抽出部１０３、選択部１０５、品質ラベルクラスタリング部１０６、非品質ラベルクラスタリング部１０７及び処理部１０８の一部又は全部は、例えば、図５（Ｂ）に示されているように、単一回路、複合回路、プログラム化したプロセッサ、並列プログラム化したプロセッサ、ＡＳＩＣ（Ａｐｐｌｉｃａｔｉｏｎ　Ｓｐｅｃｉｆｉｃ　Ｉｎｔｅｇｒａｔｅｄ　Ｃｉｒｃｕｉｔ）又はＦＰＧＡ（Ｆｉｅｌｄ　Ｐｒｏｇｒａｍｍａｂｌｅ　Ｇａｔｅ　Ａｒｒａｙ）等の処理回路１２で構成することもできる。
　なお、通信部１０１は、ＮＩＣ（Ｎｅｔｗｏｒｋ　Ｉｎｔｅｒｆａｃｅ　Ｃａｒｄ）等の通信装置により実現することができる。
　なお、記憶部１０２は、ＨＤＤ（Ｈａｒｄ　Ｄｉｓｋ　Ｄｒｉｖｅ）等の記憶装置により実現することができる。
　入力部１０４は、マウス又はキーボード等の入力装置により実現することができる。
　表示部１０９は、液晶ディスプレイ等の表示装置により実現することができる。
　以上のように、情報処理装置１００は、いわゆるコンピュータで実現することができる。
　図６は、情報処理装置１００が、ラベル種類評価画面画像を表示する処理を示すフローチャートである。
　図６に示されているフローチャートは、例えば、情報処理装置１００のオペレータが入力部１０４にラベル種類評価モードを選択する指示を入力することで開始される。この場合、入力部１０４は、選択部１０５及び処理部１０８に、ラベル種類評価モードが選択されたことを通知する。
　まず、選択部１０５は、記憶部１０２に記憶されている特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び全ての種類の非品質ラベルに対応する非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える（Ｓ１０）。
　次に、非品質ラベルクラスタリング部１０７は、選択部１０５から受け取った非品質ラベル集合ＮＧの内、未だクラスタリングを実行していない一つの種類の非品質ラベルに対応する非品質ラベル集合ＮＧを選択する（Ｓ１１）。
　次に、非品質ラベルクラスタリング部１０７は、選択部１０５から与えられる特徴ベクトル集合ＢＧを、選択された非品質ラベル集合ＮＧで示されている非品質ラベルの要素毎のサブセットに分割して、分割されたサブセット毎にクラスタリングを実行する（Ｓ１２）。
　次に、非品質ラベルクラスタリング部１０７は、ステップＳ１２で実行されたクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、サブセット毎のクラスタリング精度を算出して、その平均値である平均クラスタリング精度を算出する（Ｓ１３）。算出された平均クラスタリング精度は、その非品質ラベルの種類とともに、処理部１０８に通知される。
　次に、非品質ラベルクラスタリング部１０７は、全ての種類の非品質ラベルに対応する非品質ラベル集合ＮＧにおいて、クラスタリングを実行したか否かを判断する（Ｓ１４）。全ての種類の非品質ラベル集合ＮＧにおいて、クラスタリングを実行した場合（Ｓ１４でＹｅｓ）には、処理はステップＳ１５に進み、未だクラスタリングを実行していない種類の非品質ラベル集合ＮＧが残っている場合（Ｓ１４でＮｏ）には、処理はステップＳ１１に戻る。
　ステップＳ１５では、処理部１０８は、非品質ラベルの種類の少なくとも一部を、非品質ラベルクラスタリング部１０７で算出された平均クラスタリング精度の高いものから順に、その平均クラスタリング精度とともに表示するラベル種類評価画面画像を生成する（Ｓ１５）。
　次に、表示部１０９は、処理部１０８で生成されたラベル種類評価画面画像を表示する（Ｓ１６）。
　図７は、情報処理装置１００が、精度改善量画面画像を表示する処理を示すフローチャートである。
　図７に示されているフローチャートは、例えば、情報処理装置１００のオペレータが入力部１０４に精度改善量算出モードを選択する指示を入力することで開始される。この場合、入力部１０４は、選択部１０５及び処理部１０８に、精度改善量算出モードが選択されたことを通知する。
　まず、選択部１０５は、記憶部１０２から特徴ベクトル集合ＢＧ及び品質ラベル集合ＣＧを読み出し、読み出されたデータを品質ラベルクラスタリング部１０６に与える（Ｓ２０）。
　次に、品質ラベルクラスタリング部１０６は、選択部１０５から与えられる特徴ベクトル集合ＢＧに基づき、クラスタリングを実行する（Ｓ２１）。
　次に、品質ラベルクラスタリング部１０６は、ステップＳ２１で行われたクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、クラスタリング精度を算出する（Ｓ２２）。ここで算出されたクラスタリング精度は、処理部１０８に与えられる。
　次に、選択部１０５は、記憶部１０２に記憶されている特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び全ての種類の非品質ラベルに対応する非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える（Ｓ２３）。
　次に、非品質ラベルクラスタリング部１０７は、選択部１０５から受け取った非品質ラベル集合ＮＧの内、未だクラスタリングを実行していない一つの種類の非品質ラベルに対応する非品質ラベル集合ＮＧを選択する（Ｓ２４）。
　次に、非品質ラベルクラスタリング部１０７は、選択部１０５から与えられる特徴ベクトル集合ＢＧを、選択された非品質ラベル集合ＮＧで示されている非品質ラベルの要素毎のサブセットに分割して、分割されたサブセット毎にクラスタリングを実行する（Ｓ２５）。
　次に、非品質ラベルクラスタリング部１０７は、ステップＳ１２で実行されたクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、サブセット毎のクラスタリング精度を算出して、その平均値である平均クラスタリング精度を算出する（Ｓ２６）。算出された平均クラスタリング精度は、その非品質ラベルの種類とともに、処理部１０８に通知される。
　次に、非品質ラベルクラスタリング部１０７は、全ての種類の非品質ラベルに対応する非品質ラベル集合ＮＧにおいて、クラスタリングを実行したか否かを判断する（Ｓ２７）。全ての種類の非品質ラベル集合ＮＧにおいて、クラスタリングを実行した場合（Ｓ２７でＹｅｓ）には、処理はステップＳ２８に進み、未だクラスタリングを実行していない種類の非品質ラベル集合ＮＧが残っている場合（Ｓ２７でＮｏ）には、処理はステップＳ２４に戻る。
　次に、処理部１０８は、非品質ラベルクラスタリング部１０７で算出された非品質ラベルの全ての種類の平均クラスタリング精度の各々から、品質ラベルクラスタリング部１０６で算出されたクラスタリング精度を減算することで、その種類毎にクラスタリング精度の精度改善量を算出する。
　次に、処理部１０８は、非品質ラベルの種類の少なくとも一つの種類と、対応して算出された精度改善量とを示す精度改善量画面画像を生成する。
　次に、表示部１０９は、処理部１０８で生成された精度改善量画面画像を表示する（Ｓ３０）。
　なお、図７において、ステップＳ２０～Ｓ２２までの処理と、ステップＳ２３～Ｓ２７までの処理は、並行して行われてもよい。
　図８は、情報処理装置１００が、精度影響要素評価画面画像を表示する処理を示すフローチャートである。
　図８に示されているフローチャートは、例えば、情報処理装置１００のオペレータが入力部１０４に精度影響要素評価モードを選択する指示を入力することで開始される。この場合、入力部１０４は、選択部１０５及び処理部１０８に、精度影響要素評価モードが選択されたことを通知する。
　まず、選択部１０５は、記憶部１０２から特徴ベクトル集合ＢＧ、品質ラベル集合ＣＧ及び入力部１０４で選択された種類に対応する非品質ラベル集合ＮＧを読み出し、読み出されたデータを非品質ラベルクラスタリング部１０７に与える（Ｓ４０）。
　次に、非品質ラベルクラスタリング部１０７は、選択部１０５から与えられる特徴ベクトル集合ＢＧを、非品質ラベル集合ＮＧに示されている非品質ラベルの要素毎のサブセットに分割して、分割されたサブセット毎にクラスタリングを実行する（Ｓ４１）。
　次に、非品質ラベルクラスタリング部１０７は、ステップＳ４１で実行されたクラスタリングによる品質の判定結果と、品質ラベル集合ＣＧで示されている検査結果とを比較して、サブセット毎のクラスタリング精度を算出する（Ｓ４２）。ここで算出されたサブセット毎のクラスタリング精度は、処理部１０８に与えられる。
　次に、処理部１０８は、非品質ラベルクラスタリング部１０７で算出された非品質ラベルの一つの種類におけるサブセット毎のクラスタリング精度が低い順に、対応する要素の少なくとも一つを、そのクラスタリング精度とともに示す精度影響要素評価画面画像を生成する（Ｓ４３）。
　次に、表示部１０９は、処理部１０８で生成された精度影響要素評価画面画像を表示する（Ｓ４４）。
　以上の実施の形態によれば、デジタルデータＤＤの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類又は要素を示す画面画像を生成して、その表示を行うことができる。
　以上に記載された実施の形態では、処理部１０８は、複数の平均クラスタリング精度を用いて、複数のデジタルデータＤＤの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像として、ラベル種類評価モードでは、複数の非品質ラベルの種類の少なくとも一部を、その平均クラスタリング精度の高いものから順に、その平均クラスタリング精度とともに表示するラベル種類評価画面画像を生成しているが、実施の形態はこのような例に限定されない。
　例えば、処理部１０８は、複数の種類の少なくとも一つを、複数の分散の大きいものから順に示すラベル種類評価画面画像を生成してもよい。
　この場合、非品質ラベルクラスタリング部１０７は、非品質ラベルの種類毎に、上述のようにして算出されたサブセット毎のクラスタリング精度の分散を算出すればよい。
　非品質ラベル毎のクラスタリング精度の分散を表示することで、要素毎のクラスタリング精度のバラツキが大きい非品質ラベルを特定することができる。そして、バラツキの大きい非品質ラベルの検査の仕方を修正することで、デジタルデータＤＤの品質を高めることができる。
　１００　情報処理装置、　１０１　通信部、　１０２　記憶部、　１０３　特徴抽出部、　１０４　入力部、　１０５　選択部、　１０６　品質ラベルクラスタリング部、　１０７　非品質ラベルクラスタリング部、　１０８　処理部、　１０９　表示部。

Claims (19)

  1. 　対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、
    　前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出する非品質ラベルクラスタリング部と、
    　前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部と、を備えること
    　を特徴とする情報処理装置。
  2. 　前記処理部は、複数の前記種類の少なくとも一つを、前記複数の平均クラスタリング精度の高いものから順に示すラベル種類評価画面画像を前記画面画像として生成すること
    　を特徴とする請求項１に記載の情報処理装置。
  3. 　前記複数の特徴ベクトルを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度である基準クラスタリング精度を算出する品質ラベルクラスタリング部をさらに備え、
    　前記処理部は、前記複数の平均クラスタリング精度の各々から前記基準クラスタリング精度を減算することで複数の改善量を算出し、複数の前記種類の少なくとも一つを、前記複数の改善量の大きいものから順に、対応する改善量とともに示す精度改善量画面画像を前記画面画像として生成すること
    　を特徴とする請求項１に記載の情報処理装置。
  4. 　前記クラスタリング精度は、クラスタリングに成功した割合、又は、クラスタリングに失敗した割合であること
    　を特徴とする請求項１から３の何れか一項に記載の情報処理装置。
  5. 　前記画面画像を表示する表示部をさらに備えること
    　を特徴とする請求項１から４の何れか一項に記載の情報処理装置。
  6. 　対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、
    　前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出する非品質ラベルクラスタリング部と、
    　前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する処理部と、を備えること
    　を特徴とする情報処理装置。
  7. 　前記処理部は、前記複数の要素の少なくとも一つを、前記複数のクラスタリング精度の低いものから順に示す精度影響要素評価画面画像を前記画面画像として生成すること
    　を特徴とする請求項６に記載の情報処理装置。
  8. 　前記クラスタリング精度は、クラスタリングに成功した割合、又は、クラスタリングに失敗した割合であること
    　を特徴とする請求項６又は７に記載の情報処理装置。
  9. 　前記画面画像を表示する表示部をさらに備えること
    　を特徴とする請求項６から８の何れか一項に記載の情報処理装置。
  10. 　対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部と、
    　前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出する非品質ラベルクラスタリング部と、
    　前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部と、を備えること
    　を特徴とする情報処理装置。
  11. 　前記処理部は、複数の前記種類の少なくとも一つを、前記複数の分散の大きいものから順に示すラベル種類評価画面画像を前記画面画像として生成すること
    　を特徴とする請求項１０に記載の情報処理装置。
  12. 　前記クラスタリング精度は、クラスタリングに成功した割合、又は、クラスタリングに失敗した割合であること
    　を特徴とする請求項１０又は１１に記載の情報処理装置。
  13. 　前記画面画像を表示する表示部をさらに備えること
    　を特徴とする請求項１０から１２の何れか一項に記載の情報処理装置。
  14. 　コンピュータを、
    　対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、
    　前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出する非品質ラベルクラスタリング部、及び、
    　前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部、として機能させること
    　を特徴とするプログラム。
  15. 　コンピュータを、
    　対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、
    　前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出する非品質ラベルクラスタリング部、及び、
    　前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成する処理部、として機能させること
    　を特徴とするプログラム。
  16. 　コンピュータを、
    　対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶する記憶部、
    　前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出する非品質ラベルクラスタリング部、及び、
    　前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成する処理部、として機能させること
    　を特徴とするプログラム。
  17. 　対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、
    　前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の平均値である平均クラスタリング精度を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記平均クラスタリング精度を算出し、
    　前記複数の平均クラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成すること
    　を特徴とする情報処理方法。
  18. 　対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、
    　前記複数の非品質ラベルから選択された一つの種類の非品質ラベルに対応する非品質ラベル集合について、前記複数の非品質ラベルで示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度を算出することで、複数の前記クラスタリング精度を算出し、
    　前記複数のクラスタリング精度を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの要素を特定することのできる画面画像を生成すること
    　を特徴とする情報処理方法。
  19. 　対象から計測された計測値を示す複数のデジタルデータの各々から予め定められた特徴を抽出することで生成された複数の特徴ベクトルを含む特徴ベクトル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否を示す複数の品質ラベルを含む品質ラベル集合と、前記複数のデジタルデータの各々に各々が対応し、前記対象の品質の良否とは無関係であることが期待される種類の複数の非品質ラベルを各々が含む複数の非品質ラベル集合と、を記憶し、
    　前記複数の非品質ラベル集合の各々について、前記複数の非品質ラベルの各々で示される複数の要素の各々により前記複数の特徴ベクトルを分割したサブセットを、前記品質ラベル集合を用いてクラスタリングを行った際のクラスタリング精度の分散を算出することで、前記複数の非品質ラベル集合の各々に各々が対応する複数の前記分散を算出し、
    　前記複数の分散を用いて、前記複数のデジタルデータの品質に悪い影響を与えている少なくとも一つの非品質ラベルの種類を特定することのできる画面画像を生成すること
    　を特徴とする情報処理方法。
PCT/JP2019/038478 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 WO2021064781A1 (ja)

Priority Applications (7)

Application Number Priority Date Filing Date Title
KR1020227009045A KR102458999B1 (ko) 2019-09-30 2019-09-30 정보 처리 장치, 프로그램을 기록한 컴퓨터 판독 가능한 기록 매체 및 정보 처리 방법
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
DE112019007683.3T DE112019007683T5 (de) 2019-09-30 2019-09-30 Informationsverarbeitungsvorrichtung, programm und informationsverarbeitungsverfahren
CN201980100361.4A CN114424236A (zh) 2019-09-30 2019-09-30 信息处理装置、程序和信息处理方法
JP2021543377A JP7003334B2 (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
TW109108558A TWI750608B (zh) 2019-09-30 2020-03-16 用以進行影像或聲音辨識的資訊處理裝置、儲存媒體、程式產品及資訊處理方法
US17/703,569 US20220215210A1 (en) 2019-09-30 2022-03-24 Information processing apparatus, non-transitory computer-readable storage medium, and information processing method

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

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US17/703,569 Continuation US20220215210A1 (en) 2019-09-30 2022-03-24 Information processing apparatus, non-transitory computer-readable storage medium, and information processing method

Publications (1)

Publication Number Publication Date
WO2021064781A1 true WO2021064781A1 (ja) 2021-04-08

Family

ID=75337745

Family Applications (1)

Application Number Title Priority Date Filing Date
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

Country Status (7)

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

Citations (3)

* 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
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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8705873B2 (en) * 2008-03-20 2014-04-22 Universite De Geneve Secure item identification and authentication system and method based on unclonable features
EP2569721A4 (en) * 2010-05-14 2013-11-27 Datalogic Adc Inc SYSTEMS AND METHODS FOR OBJECT DETECTION USING A LARGE DATABASE
WO2013011508A2 (en) * 2011-07-19 2013-01-24 Nova Measuring Instruments Ltd. Optical system and method for measuring in patterned stuctures
JP2016518790A (ja) * 2013-05-03 2016-06-23 コファックス， インコーポレイテッド モバイル装置を用いて取込まれたビデオにおけるオブジェクトを検出および分類するためのシステムおよび方法
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
JP6364037B2 (ja) 2016-03-16 2018-07-25 セコム株式会社 学習データ選択装置
US10163041B2 (en) * 2016-06-30 2018-12-25 Oath Inc. Automatic canonical digital image selection method and apparatus

Patent Citations (3)

* 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
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
JPWO2021064781A1 (ja) 2021-10-21
US20220215210A1 (en) 2022-07-07
KR102458999B1 (ko) 2022-10-25
DE112019007683T5 (de) 2022-06-15
TW202115512A (zh) 2021-04-16
TWI750608B (zh) 2021-12-21
CN114424236A (zh) 2022-04-29
JP7003334B2 (ja) 2022-01-20
KR20220042237A (ko) 2022-04-04

Similar Documents

Publication Publication Date Title
JP5684941B1 (ja) 異常予兆診断装置及び異常予兆診断方法
EP3413154B1 (en) Equipment diagnostic device, equipment diagnostic method, and equipment diagnostic program
JP5765336B2 (ja) 障害分析装置、障害分析方法およびプログラム
US20180253637A1 (en) Churn prediction using static and dynamic features
EP3227799A2 (en) Auto-encoder enhanced self-diagnostic components for model monitoring
US11170332B2 (en) Data analysis system and apparatus for analyzing manufacturing defects based on key performance indicators
FerreirA et al. Parameter estimation for Weibull distribution with right censored data using EM algorithm
CN113010389A (zh) 一种训练方法、故障预测方法、相关装置及设备
JP2018147280A (ja) データ分析装置及びデータ分析方法
JP2021179740A (ja) 監視装置、監視方法、プログラムおよびモデル訓練装置
JP2009086896A (ja) コンピュータの障害予測システムおよび障害予測方法
CN112633461A (zh) 应用辅助系统和方法以及计算机可读记录介质
CN105045719B (zh) 基于修复缺陷的变更预测回归测试失效的方法及装置
JP7003334B2 (ja) 情報処理装置、プログラム及び情報処理方法
JP6771705B2 (ja) 情報処理装置、プログラム及び情報処理方法
JP7062936B2 (ja) 品質予測プログラム、品質予測方法および品質予測装置
US20230055892A1 (en) Data processing apparatus, data processing method, and storage medium storing program
WO2021181654A1 (ja) 情報処理装置、プログラム及び情報処理方法
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
Hui et al. A comprehensive informative metric for analyzing HPC system status using the LogSCAN platform
JP2007311581A (ja) 工程管理方法および工程管理システム
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
CN113642618B (zh) 一种用于螺杆装置状态预测模型训练的方法及设备
JP7444730B2 (ja) 作業支援装置及び作業支援方法

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19947607

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021543377

Country of ref document: JP

Kind code of ref document: A

ENP Entry into the national phase

Ref document number: 20227009045

Country of ref document: KR

Kind code of ref document: A

122 Ep: pct application non-entry in european phase

Ref document number: 19947607

Country of ref document: EP

Kind code of ref document: A1