CN115668283A - 机器学习装置和机器学习*** - Google Patents

机器学习装置和机器学习*** Download PDF

Info

Publication number
CN115668283A
CN115668283A CN202180035638.7A CN202180035638A CN115668283A CN 115668283 A CN115668283 A CN 115668283A CN 202180035638 A CN202180035638 A CN 202180035638A CN 115668283 A CN115668283 A CN 115668283A
Authority
CN
China
Prior art keywords
learning
learning data
machine learning
image
lightweight
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.)
Pending
Application number
CN202180035638.7A
Other languages
English (en)
Inventor
并木勇太
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
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 Fanuc Corp filed Critical Fanuc Corp
Publication of CN115668283A publication Critical patent/CN115668283A/zh
Pending legal-status Critical Current

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
    • 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
    • G06T7/0008—Industrial image inspection checking presence/absence
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • 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
    • G06T2207/30164—Workpiece; Machine component

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

提供一种能够使学习数据轻量化来高速地进行学习的机器学习装置和机器学习***。机器学习装置具备：机器学习部，其对学习数据进行学习，该学习数据包含图像和针对图像的标签；图像处理部，其使用图像处理程序来对图像进行图像处理；轻量学习数据制作部，其从图像中截取用于在机器学习部的学习中使用的部分图像，来制作包含部分图像的轻量学习数据；以及学习数据控制部，其使轻量学习数据与所述图像处理程序相关联地存储，其中，机器学习部对学习数据或轻量学习数据进行学习。

Description

机器学习装置和机器学习***
技术领域
本发明涉及一种机器学习装置和机器学习***。
背景技术
以往，在机器人***中，作为根据图像中拍摄到的特征来进行对象物的检测、检查的方法，使用利用了深度神经网络等学习器的机器学习。在使用这样的机器学习的***中，作为学习的前期，进行将图像中是否存在不良部位、检测位置是否正确等标签与图像数据相关联的标注(annotation)。标注通过如下方式进行：由人对图像逐个确认，通过目视来判断图像内的对象物是否存在不良部位。
在此，图像与标签的对是学习数据，学习数据的集合是学习数据集。而且，使用学习数据集的全部或一部分，通过学习器来进行机器学习(例如，参照专利文献1和2)。
现有技术文献
专利文献
专利文献1：日本特开2019-15654号公报
专利文献2：日本特开2018-151843号公报
发明内容
发明要解决的问题
在此，在进行学习时，有时只使用图像文件的一部分。在这种情况下，如果在每次学习时进行全部图像的读取，则在学习上会花费时间。另外，如果保持全部图像，则学习数据集的尺寸会变大。因此，期望使学习数据轻量化来高速地进行学习。
用于解决问题的方案
本公开所涉及的机器学习装置具备：机器学习部，其对学习数据进行学习，该学习数据包含图像和针对所述图像的标签；图像处理部，其使用图像处理程序来对所述图像进行图像处理；轻量学习数据制作部，其从所述图像中截取用于在所述机器学习部的学习中使用的部分图像，来制作包含所述部分图像的轻量学习数据；以及学习数据控制部，其使所述轻量学习数据与所述图像处理程序相关联地存储，其中，所述机器学习部对所述学习数据或所述轻量学习数据进行学习。
本公开所涉及的机器学习装置具备：机器学习部，其对学习数据进行学习，该学习数据包含图像和针对所述图像的标签；图像处理部，其使用图像处理程序来对所述图像进行图像处理；轻量学习数据制作部，其从所述图像中截取用于在所述机器学习部的学习中使用的部分图像，来制作包含所述部分图像的轻量学习数据；以及学习数据控制部，其使用于对所述学习数据进行学习的学习模型与用于对所述轻量学习数据进行学习的轻量学习模型相关联地存储，其中，所述机器学习部对所述学习数据或所述轻量学习数据进行学习。
一种包括多个本公开所涉及的机器学习装置的机器学习***，在所述机器学习***中，在多个所述机器学习装置分别具备的机器学习部中共享学习模型，多个所述机器学习装置分别具备的所述机器学习部对共享的所述学习模型进行学习。
一种包括多个本公开所涉及的机器学习装置的机器学习***，在所述机器学习***中，在多个所述机器学习装置分别具备的机器学习部中共享轻量学习数据，多个所述机器学习装置分别具备的所述机器学习部使用共享的所述轻量学习数据来进行学习。
发明的效果
根据本发明，能够使学习数据轻量化来高速地进行学习。
附图说明
图1是示出应用了本实施方式所涉及的机器学习装置的图像处理***的概要的图。
图2是示出应用了本实施方式所涉及的机器学习装置的机器人***的概要的图。
图3是示出机器学习装置的结构的图。
图4是示出对检测结果赋予标签的例子的图。
图5是示出提取部分图像的例子的图。
图6是示出在机器学习装置中使用轻量学习数据的处理的流程的流程图。
具体实施方式
下面对本发明的实施方式的一例进行说明。
图1是示出应用了本实施方式所涉及的机器学习装置10的图像处理***100的概要的图。如图1所示，图像处理***100具备图像处理装置1、对象物2、视觉传感器3以及操作台4。
图像处理***100通过视觉传感器3对配置在操作台4上的对象物2进行拍摄，并通过图像处理装置1对拍摄到的图像数据进行处理。另外，图像处理装置1具备机器学习装置10。机器学习装置10使用学习模型来学习包含一个以上学习数据的学习数据集，该学习数据包含图像和标签。
图2是示出应用了本实施方式所涉及的机器学习装置10的机器人***200的概要的图。如图2所示，机器人***200具备图像处理装置1、对象物2、视觉传感器3、操作台4、机器人20以及机器人控制装置25。
在机器人20的臂21的前端部安装有手或工具。机器人20根据机器人控制装置25的控制来进行对象物2的把持或加工等作业。另外，在机器人20的臂21的前端部安装有视觉传感器3。此外，视觉传感器3也可以不安装于机器人20，例如也可以固定地设置在规定的位置。
视觉传感器3根据图像处理装置1的控制来拍摄对象物2。视觉传感器3既可以使用具有由CCD(Charge Coupled Device：电荷耦合器件)图像传感器构成的摄像元件以及包括透镜的光学***的二维摄像机，也可以使用能够进行三维测量的立体摄像机等。
机器人控制装置25执行用于机器人20的机器人程序来控制机器人20的动作。此时，机器人控制装置25校正机器人20的动作，使得机器人20对由图像处理装置1检测出的对象物2的位置进行规定的作业。
另外，与图1同样地，图像处理装置1具备机器学习装置10。机器学习装置10使用学习模型来学习包含一个以上学习数据的学习数据集，该学习数据包含图像和标签。
图3是示出机器学习装置10的结构的图。机器学习装置10是为了机器人20而进行机器学习的装置。机器学习装置10具备控制部11和存储部12。
控制部11是CPU(Central Processing Unit：中央处理器)等处理器，通过执行存储部12中存储的程序来实现各种功能。
控制部11具备示教部111、对象物检测部112、标签赋予部113、图像处理部114、机器学习部115、轻量学习数据制作部116、学习数据控制部117以及显示控制部118。
存储部12是用于保存OS(Operating System：操作***)、应用程序等的ROM(ReadOnly Memory：只读存储器)、RAM(Random Access Memory：随机存取存储器)、用于保存其它各种信息的硬盘驱动器、SSD(Solid State Drive：固态驱动器)等存储装置。存储部12例如存储学习模型、学习数据、机器人程序等各种信息。
接着，对本实施方式所涉及的机器学习装置10的机器学习进行说明。
示教部111示教表示出对象物2的图像的特征的模型图案。想要作为模型图案进行示教的对象物2被配置在视觉传感器5的视野内来拍摄对象物2的图像。期望视觉传感器3与对象物2的位置关系与检测对象物2时的视觉传感器3与对象物2的位置关系相同。
示教部111将拍摄到的图像中包含对象物2的区域指定为矩形、圆形的模型图案指定区域。示教部111在模型图案指定区域的范围内提取边缘点来作为特征点，并求出边缘点的位置、姿势(亮度梯度的方向)、亮度梯度的大小等物理量。另外，示教部111在所指定的区域内定义模型图案坐标系，并将边缘点的位置、姿势从由图像坐标系表现出的值转换为通过模型图案坐标系表现出的值。
提取出的边缘点的物理量作为构成模型图案的特征点存储在存储部12中。此外，在本实施方式中，作为特征点使用了边缘点，但例如也可以使用公知的SIFT那样的特征点。此外，由示教部111进行的模型图案的示教例如也可以使用日本特开2017-91079号中公开的那样的方法。
对象物检测部112使用模型图案来从包含对象物2的一个以上的输入图像中检测对象物W的图像。具体地说，首先，准备包含对象物2的图像的一个以上的输入图像。然后，对象物检测部112使用模型图案来从包含对象物2的一个以上的输入图像中分别检测对象物W的图像。
在此，期望正确的检测和误检测都能够被获取到，因此，将用于进行检测的检测参数的范围设得大。检测参数例如也可以是相对于模型的尺寸的范围、剪切变形的范围、检测的位置的范围、角度的范围、模型图案的边缘与图像的边缘的一致的比率、视为模型图案的边缘与图像的边缘一致的距离的阈值、边缘的对比度的阈值。
标签赋予部113基于用户对对象物2的检测结果的判断，对检测结果赋予标签(标注)。具体地说，对象物2的检测结果显示于与机器学习装置10连接的显示装置40。用户通过目视来确认检测结果，并对检测结果赋予OK、NG等标签。在从一个输入图像检测出多个对象物W的情况下，对一个输入图像赋予多个标签。
图4是示出对检测结果赋予标签的例子的图。在图4的例子中，标签赋予部113对两个图像G12和G17赋予NG的标签，对六个图像G11、G13、G14、G15、G16以及G18赋予OK的标签。
例如，在检测结果为误检测、不良的情况下，用户赋予NG的标签。另外，也可以是，在检测结果为规定的阈值以上的情况下，用户赋予OK的标签，在检测结果小于规定的阈值的情况下，用户赋予NG的标签。另外，通过机器学习装置10自动地赋予的标签也可以由用户来修正。此外，在上述的说明中，标签使用了具有OK和NG这两个种类的分类，但也可以使用具有三个以上种类的分类。
图像处理部114将图像与针对图像的标签相关联，将图像和标签作为学习数据。在此，作为标签存储的数据除用户赋予的OK、NG的标签以外，也可以还包括检测结果中包含的数据。例如，在本实施方式中，使用检测结果中包含的对象物的位置姿势、尺寸等信息来从输入图像中截取对象物，因此需要将这些信息预先存储为标签。如果在学习数据制作时截取了图像，则不需要这些信息。图像处理部114将包含图像和针对图像的标签的学习数据的集合(学习数据集)存储在学习数据存储部121中。
机器学习部115对包含图像和针对图像的标签的学习数据集进行学习。机器学习部115向学习模型输入图像的各像素值来计算一致度(分数(score))。由此，机器学习部115能够判定检测是否为正确的检测。
轻量学习数据制作部116从学习数据的图像中截取用于在机器学习部115的学习中使用的部分图像，来制作包含部分图像的轻量学习数据。具体地说，轻量学习数据制作部116从学习数据存储部121获取学习数据。轻量学习数据制作部116使用标签中包含的对象物的位置姿势、尺寸等信息，从学习数据的图像中提取包含对象物2的部分图像，并使部分图像与标签相关联来制作包含部分图像和标签的轻量学习数据。轻量学习数据中包含的标签可以不包含为了截取部分图像而使用的信息。
存在从一个图像中截取到多个部分图像的情况。反之，也存在从一个图像中一个部分图像也截取不到的情况。这是由于虽然在学习数据集内保存了图像，但有时在该图像上没有检测到对象物、或者检测到了对象物但用户选择不赋予标签。
图5是示出提取部分图像的例子的图。在图5的例子中，轻量学习数据制作部116从图像G1中提取部分图像G2。然后，轻量学习数据制作部116将提取出的部分图像与由标签赋予部113赋予的标签相关联，将部分图像和标签作为学习数据。
轻量学习数据制作部116也可以在对提取出的部分图像进一步进行图像处理后作为轻量学习数据进行存储。例如，在设为向机器学习部115输入使部分图像缩小而得到的数据、从部分图像中提取特征而得到的数据等的情况下，轻量学习数据制作部116将进行了这样的图像处理后的数据作为轻量学习数据进行存储。由此，轻量学习数据制作部116能够削减数据的尺寸或减轻学习时的计算量。
而且，轻量学习数据制作部116将包含部分图像和标签的轻量学习数据的集合设为轻量学习数据集。
机器学习部115向学习模型输入部分图像的各像素值，来计算一致度(分数)。在此，设为一致度是从0到1的值。
如果检测结果的标签是正解，则机器学习部115设为1.0，如果不是正解，则机器学习部115设为0.0，并计算其与计算出的一致度(分数)的误差。机器学习部115在学习模型中对误差进行逆传播，来更新学习模型的参数(例如权重)。而且，机器学习部115使这样的处理重复与学习中使用的检测结果的个数(N个)相同的次数。
学习数据控制部117使由轻量学习数据制作部116制作的轻量学习数据与图像处理程序相关联地存储在存储部12中。具体地说，学习数据控制部117使轻量学习数据存储在构成图像处理程序的文件内。由于轻量学习数据的文件尺寸小，因此轻量学习数据能够存储在构成图像处理程序的文件内。
另外，学习数据控制部117也可以使轻量学习数据在轻量学习数据存储部122中存储为一个以上的文件，并将向轻量学习数据的文件路径存储在图像处理程序的文件内。
在此，图像处理部114使用图像处理程序来对图像数据进行图像处理。图层处理程序存储在存储部12中。图像处理程序是用于执行用户所期望的图像处理的程序。例如，图像处理程序也可以使用模型图案来检测对象物2，并判定检测到的区域是否为正确的检测。例如在日本特开2018-151843号公报(专利文献2)中公开了由这样的图像处理程序进行的处理。
学习数据控制部117通过将轻量学习数据与图像处理程序相关联地存储，能够在对图像处理程序内存储的学习模型进行重新学习时、进行追加学习时，使用轻量学习数据来进行学习。机器学习部115在进行追加学习时，使用新的学习数据集和已有的轻量学习数据集来进行学习。轻量学习数据也可以与学习模型相关联地存储。
另外，在由轻量学习数据制作部116制作出轻量学习数据之后，学习数据控制部117从学习数据存储部121删除学习数据。由此，机器学习装置10能够使机器学习所需的存储区域的尺寸减小。另外，也可以是，在由轻量学习数据制作部116制作出轻量学习数据之后，学习数据控制部117从学习数据中删除未被赋予标签的图像。
并且，在存储部12的剩余存储区域小时，学习数据控制部117也可以选定学习数据集中的学习数据并删除所选定的学习数据。学习数据的选定能够是任意的方法。例如，学习数据控制部117也可以从旧的学习数据起删除。即使删除了学习数据，轻量学习数据也还残留，因此能够通过轻量学习数据进行重新学习。另外，也可以是，在学习数据控制部117删除学习数据时，轻量学习数据制作部116制作轻量学习数据。
显示控制部118使轻量学习数据显示于显示装置40。由显示控制部118进行的部分图像的显示能够通过公知的方法来进行(例如参照日本特开2017-151813)。通过使用轻量学习数据，显示控制部118能够高速地显示包含轻量学习数据的学习数据集的部分图像。
图6是示出在机器学习装置10中使用轻量学习数据的处理的流程的流程图。
在步骤S1中，轻量学习数据制作部116从学习数据存储部121获取学习数据。
在步骤S2中，轻量学习数据制作部116从学习数据的图像中提取包含对象物2的部分图像。
在步骤S3中，轻量学习数据制作部116将部分图像与标签相关联，来制作包含部分图像和标签的轻量学习数据。
在步骤S4中，轻量学习数据制作部116判定是否根据学习数据存储部121中的全部学习数据制作了轻量学习数据。在根据全部学习数据制作了轻量学习数据的情况下(“是”)，进入步骤S5。另一方面，在没有根据全部学习数据制作轻量学习数据的情况下(“否”)，进入步骤S6。
在步骤S5中，机器学习部115使用轻量学习数据进行机器学习。
在步骤S6中，学习数据控制部117使由轻量学习数据制作部116制作的轻量学习数据与图像处理程序相关联地存储在存储部12中。
像上面说明的那样，根据本实施方式，机器学习装置10具备：机器学习部115，其对学习数据进行学习，该学习数据包含图像和针对图像的标签；图像处理部114，其使用图像处理程序来对图像进行图像处理；轻量学习数据制作部116，其从图像中截取用于在机器学习部的学习中使用的部分图像，来制作包含部分图像的轻量学习数据；学习数据控制部117，其使轻量学习数据与所述图像处理程序相关联地存储，其中，机器学习部115对学习数据或轻量学习数据进行学习。
由此，机器学习装置10在重新进行学习时，通过使用轻量学习数据，不需要截取部分图像而能够高速地进行学习。另外，机器学习装置10通过存储轻量学习数据，能够使存储在存储部12中的学习数据集的尺寸减小。由此，机器学习装置10能够使学习数据轻量化来高速地进行学习。
另外，在由轻量学习数据制作部116制作出轻量学习数据之后，学习数据控制部117删除学习数据。由此，机器学习装置10能够使机器学习所需的存储区域的尺寸减小。
另外，在由轻量学习数据制作部116制作出轻量学习数据之后，学习数据控制部117从学习数据中删除未被赋予标签的图像。由此，机器学习装置10能够使机器学习所需的存储区域的尺寸减小。
另外，机器学习装置10还具备显示控制部118，该显示控制部118使轻量学习数据显示于显示装置40。通过使用轻量化后的轻量学习数据，机器学习装置10能够高速地显示包含轻量学习数据的学习数据集的部分图像。
另外，学习数据控制部117使轻量学习数据存储在构成图像处理程序的文件内。由于轻量学习数据的文件尺寸小，因此轻量学习数据能够存储在图像处理程序内。由此，机器学习装置10能够在与图像处理程序相同的文件内处理学习数据集，从而能够使用户便利性提高。
另外，学习数据控制部117也可以使轻量学习数据在轻量学习数据存储部122中存储为一个以上的文件，并将向轻量学习数据的文件路径存储在图像处理程序的文件内。由此，机器学习装置10能够处理轻量化后的数据集，能够使用户便利性提高。
此外，在上述的实施方式中，对一台机器学习装置10的情况进行了说明，但也可以是存在多台机器学习装置10的机器学习***。在存在多台机器学习装置10的情况下，也可以设为使任一个机器学习装置10所存储的学习模型在其它机器学习装置10之间共享。如果设为在多个机器学习装置10间共享学习模型，则能够在各机器学习装置10中分散地进行学习，因此机器学习***能够使学习的效率提高。
另外，在存在多台机器学习装置10的情况下，也可以设为使任一个机器学习装置10所存储的包含轻量学习数据的学习数据集在其它机器学习装置10之间共享。机器学习***通过共享轻量学习数据而非学习数据，能够降低网络的负荷。
此外，在上述的实施方式中，学习数据控制部117使轻量学习数据与所述图像处理程序相关联地存储，但学习数据控制部117也可以使用于对学习数据进行学习的学习模型和用于对轻量学习数据进行学习的轻量学习模型相关联地存储。
以上对本发明的实施方式进行了说明，但是上述的机器学习装置能够通过硬件、软件或它们的组合来实现。另外，通过上述的机器学习装置进行的控制方法也能够通过硬件、软件或它们的组合来实现。在此，通过软件实现是指通过由计算机读取并执行程序来实现。
程序能够使用各种类型的非暂态计算机可读取介质(non-transitory computerreadable medium)来保存并提供给计算机。非暂态计算机可读取介质包括各种类型的具有实体的记录介质(tangible storage medium：有形存储介质)。非暂态计算机可读取介质的例子包括磁记录介质(例如硬盘驱动器)、光磁记录介质(例如光磁盘)、CD-ROM(Read OnlyMemory：只读存储器)、CD-R、CD-R/W、半导体存储器(例如掩模ROM、PROM(ProgrammableROM：可编程ROM)、EPROM(Erasable PROM：可擦除PROM)、快闪ROM、RAM(random accessmemory：随机存取存储器))。
另外，上述的各实施方式是本发明的优选的实施方式，但是并非将本发明的范围仅限定于上述各实施方式，能够以在不脱离本发明的主旨的范围内施加各种变更所得到的方式来实施。
附图标记说明
1：图像处理装置；2：对象物；3：视觉传感器；4：操作台；10：机器学习装置；20：机器人；25：机器人控制装置；100：图像处理***；111：示教部；112：对象物检测部；113：标签赋予部；114：图像处理部；115：机器学习部；116：轻量学习数据制作部；117：学习数据控制部；118：显示控制部；200：机器人***。

Claims (9)

1.一种机器学习装置，具备：
机器学习部，其对学习数据进行学习，所述学习数据包含图像和针对所述图像的标签；
图像处理部，其使用图像处理程序来对所述图像进行图像处理；
轻量学习数据制作部，其从所述图像中截取用于在所述机器学习部的学习中使用的部分图像，来制作包含所述部分图像的轻量学习数据；以及
学习数据控制部，其使所述轻量学习数据与所述图像处理程序相关联地存储，
其中，所述机器学习部对所述学习数据或所述轻量学习数据进行学习。
2.根据权利要求1所述的机器学习装置，其中，
在由所述轻量学习数据制作部制作出所述轻量学习数据之后，所述学习数据控制部删除所述学习数据。
3.根据权利要求1所述的机器学习装置，其中，
在由所述轻量学习数据制作部制作出所述轻量学习数据之后，所述学习数据控制部从所述学习数据中删除未被赋予所述标签的所述图像。
4.根据权利要求1至3中的任一项所述的机器学习装置，其中，
还具备显示控制部，所述显示控制部使所述轻量学习数据显示于显示装置。
5.根据权利要求1至4中的任一项所述的机器学习装置，其中，
所述学习数据控制部使所述轻量学习数据存储在构成所述图像处理程序的文件内。
6.根据权利要求1至4中的任一项所述的机器学习装置，其中，
所述学习数据控制部使所述轻量学习数据存储为一个以上的文件，并使向所述轻量学习数据的文件路径存储在所述图像处理程序的文件内。
7.一种机器学习装置，具备：
机器学习部，其对学习数据进行学习，所述学习数据包含图像和针对所述图像的标签；
图像处理部，其使用图像处理程序来对所述图像进行图像处理；
轻量学习数据制作部，其从所述图像中截取用于在所述机器学习部的学习中使用的部分图像，来制作包含所述部分图像的轻量学习数据；以及
学习数据控制部，其使用于对所述学习数据进行学习的学习模型与用于对所述轻量学习数据进行学习的轻量学习模型相关联地存储，
其中，所述机器学习部对所述学习数据或所述轻量学习数据进行学习。
8.一种机器学习***，包括多个根据权利要求1至7中的任一项所述的机器学习装置，在所述机器学习***中，
在多个所述机器学习装置分别具备的机器学习部中共享学习模型，多个所述机器学习装置分别具备的所述机器学习部对共享的所述学习模型进行学习。
9.一种机器学习***，包括多个根据权利要求1至7中的任一项所述的机器学习装置，在所述机器学习***中，
在多个所述机器学习装置分别具备的机器学习部中共享轻量学习数据，多个所述机器学习装置分别具备的所述机器学习部使用共享的所述轻量学习数据来进行学习。
CN202180035638.7A 2020-05-18 2021-05-13 机器学习装置和机器学习*** Pending CN115668283A (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
JP2020086733 2020-05-18
JP2020-086733 2020-05-18
PCT/JP2021/018191 WO2021235311A1 (ja) 2020-05-18 2021-05-13 機械学習装置及び機械学習システム

Publications (1)

Publication Number Publication Date
CN115668283A true CN115668283A (zh) 2023-01-31

Family

ID=78708353

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202180035638.7A Pending CN115668283A (zh) 2020-05-18 2021-05-13 机器学习装置和机器学习***

Country Status (5)

Country Link
US (1) US20230186457A1 (zh)
JP (1) JPWO2021235311A1 (zh)
CN (1) CN115668283A (zh)
DE (1) DE112021002846T5 (zh)
WO (1) WO2021235311A1 (zh)

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6348093B2 (ja) 2015-11-06 2018-06-27 ファナック株式会社 入力データから検出対象物の像を検出する画像処理装置および方法
JP6333871B2 (ja) 2016-02-25 2018-05-30 ファナック株式会社 入力画像から検出した対象物を表示する画像処理装置
JP6874410B2 (ja) * 2017-02-15 2021-05-19 オムロン株式会社 画像出力装置及び画像出力方法
JP6542824B2 (ja) 2017-03-13 2019-07-10 ファナック株式会社 入力画像から検出した対象物の像の尤度を計算する画像処理装置および画像処理方法
WO2018173800A1 (ja) * 2017-03-21 2018-09-27 日本電気株式会社 画像処理装置、画像処理方法及び記録媒体
JP6705777B2 (ja) 2017-07-10 2020-06-03 ファナック株式会社 機械学習装置、検査装置及び機械学習方法

Also Published As

Publication number Publication date
US20230186457A1 (en) 2023-06-15
DE112021002846T5 (de) 2023-03-02
WO2021235311A1 (ja) 2021-11-25
JPWO2021235311A1 (zh) 2021-11-25

Similar Documents

Publication Publication Date Title
US11741367B2 (en) Apparatus and method for image processing to calculate likelihood of image of target object detected from input image
US11400598B2 (en) Information processing apparatus, method, and robot system
DE102014212304B4 (de) Informationsverarbeitungsvorrichtung, Informationsverarbeitungsverfahren und Speichermedium
US9044858B2 (en) Target object gripping apparatus, method for controlling the same and storage medium
US10430650B2 (en) Image processing system
CN109426835B (zh) 信息处理装置、信息处理装置的控制方法和存储介质
US9046353B2 (en) System and method for remote full field three-dimensional displacement and strain measurements
US11654571B2 (en) Three-dimensional data generation device and robot control system
US20120113268A1 (en) Image generation apparatus, image generation method and storage medium
JP2018136896A (ja) 情報処理装置、システム、情報処理方法、および物品の製造方法
US10960550B2 (en) Identification code reading apparatus and machine learning device
JP2022160363A (ja) ロボットシステム、制御方法、画像処理装置、画像処理方法、物品の製造方法、プログラム、及び記録媒体
JP7148322B2 (ja) 画像処理装置
US20210042576A1 (en) Image processing system
CN111275758B (zh) 混合型3d视觉定位方法、装置、计算机设备及存储介质
CN115668283A (zh) 机器学习装置和机器学习***
US20230405850A1 (en) Device for adjusting parameter, robot system, method, and computer program
WO2021177159A1 (ja) 機械学習装置
EP4070922A2 (en) Robot system, control method, image processing apparatus, image processing method, method of manufacturing products, program, and recording medium
JPH07160881A (ja) 環境認識装置
JP2020184110A (ja) 画像処理方法、物品の製造方法、画像処理装置、ロボットシステム、プログラム、及び記録媒体
KR20230108905A (ko) 로봇 olp를 위한 블록 형상 및 치수 정보 자동 기입방법
JP2024032411A (ja) 特徴量生成方法
WO2021133184A1 (ru) Способ выполнения манипуляции с объектом

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination