JP2011192032A - 疵学習装置、疵学習方法、及びコンピュータプログラム - Google Patents
疵学習装置、疵学習方法、及びコンピュータプログラム Download PDFInfo
- Publication number
- JP2011192032A JP2011192032A JP2010057762A JP2010057762A JP2011192032A JP 2011192032 A JP2011192032 A JP 2011192032A JP 2010057762 A JP2010057762 A JP 2010057762A JP 2010057762 A JP2010057762 A JP 2010057762A JP 2011192032 A JP2011192032 A JP 2011192032A
- Authority
- JP
- Japan
- Prior art keywords
- data
- learning model
- feature
- wrinkle
- cocoon
- 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
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
【課題】 疵検査対象物に生じている疵の特徴量から疵種を判別するための学習モデルを、疵種の正解データが与えられた疵の特徴量のデータを用いて更新するに際し、多数の疵のデータから学習モデルの更新に適したデータを選択できるようにする。
【解決手段】 疵種「CL1」、「CL2」を完全に分離する特徴量の値の範囲の組と、疵種「CL1」、「CL2」とを相互に対応付けるための複数個(L個)の部分特徴量空間の集合として学習モデルを生成する。そして、入力された疵データのうち、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い疵データだけを用いて、学習モデルを更新する。
【選択図】 図8
【解決手段】 疵種「CL1」、「CL2」を完全に分離する特徴量の値の範囲の組と、疵種「CL1」、「CL2」とを相互に対応付けるための複数個(L個)の部分特徴量空間の集合として学習モデルを生成する。そして、入力された疵データのうち、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い疵データだけを用いて、学習モデルを更新する。
【選択図】 図8
Description
本発明は、疵学習装置、疵学習方法、及びコンピュータプログラムに関し、特に、画像から検査対象物の表面に形成されている疵の疵種を自動的に判別するために用いて好適なものである。
鋼板等の製造ラインにおいては、有害な疵が被圧延材に生じてしまうことがある。このため、被圧延材の表面を照明して得られる反射光を検知して撮像することにより得られた画像を処理して疵候補の画像について特徴量を抽出し、抽出した特徴量に基づいて、被圧延材に生じている有害な疵の有無及び種類等を検査することが行われている。特徴量には、疵の長さ・幅・面積等の寸法的な特徴量と、円形度・アスペクト比(縦横比)等の形状的な特徴量と、疵部の画像濃度の平均値・最小値・最大値等の濃淡的な特徴量等がある。このような特徴量を画像から抽出することによって、疵の種類や等級(評点)等(これらを疵種と総称する)を判別することができる。
このような疵の検査を行う検査装置では、教師データを用いた学習を行って、特徴量から疵種を出力する学習モデルを構築する(教師あり機械学習を行う)ようにしている。ここで、多数の疵のデータ(画像)を収集して、当該疵のそれぞれについて、検査員が疵種を決定し、当該疵に対して、決定した疵種のデータを正解データとして登録したものを教師データという。このような教師データを収集することには、多大なコストを必要とすることは一般的に知れられている(特許文献1、非特許文献1を参照)。
従来の教師あり機械学習では、特徴量空間においてなるべく広範囲に分布したデータに対する学習モデルを作成する必要があるため、大量の教師データを用いるようにしていた。特に、鋼板等の製造ラインにおける疵の検査装置のように、長期間運用する設備においては、定期的に疵のデータを採取し、これに教師データを与えて学習を行う必要があるとされていた。しかしながら、実際に扱うことが可能な疵のデータ(画像)の数には限界があり、これが限界を超えた場合には計算量が増大し、学習を実行することが不可能となる。また、例えば、疵種Aと疵種Bとを判別する学習モデルを作成する場合に、学習モデルを作成する調整員が誤って疵種A、Bと無関係なデータを疵のデータに含めると、得られる学習モデルの信頼性を損ねることになる。このように、適切な疵のデータの選択は、精度の高い機械学習を実現するために不可欠の要素である。
しかしながら、従来は、調整員の感覚で、疵のデータの取捨選択を行い、あらゆる種類の疵のデータを計算可能な上限までの範囲で用意しておくしかなかった。疵のデータを査定(判断)するためには、鋼板を再検査ラインに通板して鋼板を詳細に観察し、観察した鋼板の疵と、疵の検査装置が表示する疵の画像とを見比べて当該疵に正解データを付与するという作業が必要である。よって、数個〜数10個の疵のデータを判断するために数時間の時間と再検査ラインの稼働とが必要になる。このため、前述したように、教師データを収集することには多大なコストを費やしていた。
そこで、特許文献1では、大多数のデータが従う確率分布から外れたデータを、発生しにくいデータと考え、当該データを「統計的外れ値」として除外し、当該データを異常(不正)と同定している。そして、当該データを除くデータに正解データを付与して教師あり学習を行うようにしている。
そこで、特許文献1では、大多数のデータが従う確率分布から外れたデータを、発生しにくいデータと考え、当該データを「統計的外れ値」として除外し、当該データを異常(不正)と同定している。そして、当該データを除くデータに正解データを付与して教師あり学習を行うようにしている。
尾上守夫監訳,「パターン識別」,新技術コミュニケーションズ,2003年2月,p14
しかしながら、例えば、「統計的外れ値」を有するデータが、特徴量空間における複数の疵種の識別境界付近に存在することが考えられる。このような場合、当該データを単純に「異常値」と判断できない。
また、学習モデルが逐次的に更新される場合には、新たに学習されるべき疵のデータが、操業条件の変更等によって、特徴量空間で従来のデータと異なる「統計的外れ値」を有する場合がある。このような場合に、単純な特徴量の確率分布で当該データを異常値として判断してしまうと、逐次的に学習モデルを作成するような鋼板の疵の検査装置では、大切なデータを除外してしまうことになる。
本発明は、このような問題点に鑑みてなされたものであり、疵検査対象物に生じている疵の特徴量から疵種を判別するための学習モデルを、疵種の正解データが与えられた疵の特徴量のデータを用いて更新するに際し、多数の疵のデータから学習モデルの更新に適したデータを選択できるようにすることを目的とする。
また、学習モデルが逐次的に更新される場合には、新たに学習されるべき疵のデータが、操業条件の変更等によって、特徴量空間で従来のデータと異なる「統計的外れ値」を有する場合がある。このような場合に、単純な特徴量の確率分布で当該データを異常値として判断してしまうと、逐次的に学習モデルを作成するような鋼板の疵の検査装置では、大切なデータを除外してしまうことになる。
本発明は、このような問題点に鑑みてなされたものであり、疵検査対象物に生じている疵の特徴量から疵種を判別するための学習モデルを、疵種の正解データが与えられた疵の特徴量のデータを用いて更新するに際し、多数の疵のデータから学習モデルの更新に適したデータを選択できるようにすることを目的とする。
本発明の疵学習装置は、検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得手段と、前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与手段と、前記取得手段により取得された疵データの特徴量の値であって、前記付与手段により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成手段と、前記取得手段により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出手段と、前記生成手段により生成された学習モデルを更新する更新手段と、を有し、前記付与手段は、前記更新手段により前記学習モデルを更新する際には、前記取得手段により取得された疵データのうち、前記抽出手段により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、前記更新手段は、前記抽出手段により抽出された疵データの特徴量の値であって、前記付与手段により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とする。
本発明の疵学習方法は、検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得工程と、前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与工程と、前記取得工程により取得された疵データの特徴量の値であって、前記付与工程により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成工程と、前記取得工程により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出工程と、前記生成工程により生成された学習モデルを更新する更新工程と、を有し、前記付与工程は、前記更新工程により前記学習モデルを更新する際には、前記取得工程により取得された疵データのうち、前記抽出工程により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、前記更新工程は、前記抽出工程により抽出された疵データの特徴量の値であって、前記付与工程により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とする。
本発明のコンピュータプログラムは、検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得工程と、前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与工程と、前記取得工程により取得された疵データの特徴量の値であって、前記付与工程により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成工程と、前記取得工程により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出工程と、前記生成工程により生成された学習モデルを更新する更新工程と、をコンピュータに実行させ、前記付与工程は、前記更新工程により前記学習モデルを更新する際には、前記取得工程により取得された疵データのうち、前記抽出工程により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、前記更新工程は、前記抽出工程により抽出された疵データの特徴量の値であって、前記付与工程により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とする。
本発明によれば、取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出し、抽出した疵データを用いて学習モデルを更新するようにした。したがって、多数の疵データから学習モデルの更新に適したデータを選択できる。よって、学習モデルを更新するための検査員の作業を軽減することができると共に、学習モデルの信頼性を向上させることができる。
以下、図面を参照しながら、本発明の一実施形態を説明する。
図1は、表面疵検査システムの概略構成の一例を示した図である。尚、本実施形態では、図1に示すように、帯状鋼板1は、スナウト11を通じて溶融金属めっき浴12に浸漬され、浴中折り返しロール13及び浴中支持ロール14を介して溶融金属めっき浴12から鉛直方向に引き上げられる。そして、溶融金属めっき浴12から引き上げられた帯状鋼板1の表面・裏面に対して、ワイピングノズル15a・15bからガスが吹き付けられてめっきの目付量が調整される。本実施形態では、このようなめっき製造ラインで製造されためっき鋼板10が疵検査対象物である場合を例に挙げて説明する。また、以下の説明では、めっき鋼板10を鋼板10と略称する。
図1は、表面疵検査システムの概略構成の一例を示した図である。尚、本実施形態では、図1に示すように、帯状鋼板1は、スナウト11を通じて溶融金属めっき浴12に浸漬され、浴中折り返しロール13及び浴中支持ロール14を介して溶融金属めっき浴12から鉛直方向に引き上げられる。そして、溶融金属めっき浴12から引き上げられた帯状鋼板1の表面・裏面に対して、ワイピングノズル15a・15bからガスが吹き付けられてめっきの目付量が調整される。本実施形態では、このようなめっき製造ラインで製造されためっき鋼板10が疵検査対象物である場合を例に挙げて説明する。また、以下の説明では、めっき鋼板10を鋼板10と略称する。
図1において、鋼板10は、搬送ロール2a、2bによって、鋼板10の長手方向(図1の矢印の方向)に搬送(移動)される。また、搬送ロール2a、2bの回転は、夫々ロータリーエンコーダ3により検出されるようにしている。
このようなめっき製造ラインに設置される表面疵検査システムは、照明装置4と、撮像装置5と、疵判定装置6と、疵学習装置7とを有している。
このようなめっき製造ラインに設置される表面疵検査システムは、照明装置4と、撮像装置5と、疵判定装置6と、疵学習装置7とを有している。
照明装置4は、例えばハロゲンランプ等、好ましくは高い輝度を有する光を出射する発光部と、集光レンズ等の集光部とを有する。ハロゲンランプ等から出射される光が集光部で線状に集光されることにより、鋼板10の表面がその幅方向で線状に照明される。尚、本実施形態では、鋼板10の幅方向の全てが確実に線状に照明されるように、鋼板10の幅方向の長さよりも長い線状の光束を照明装置4が照射するようにしている。
撮像装置5は、照明装置4により照明された鋼板10の疵検査範囲を撮像して画像信号を生成する機能を有している。撮像装置5は、図1に示すように、照明装置4から照射され、鋼板10に当たって反射される光の光路上に配置される。この撮像装置5は、画像をフレーム単位で読み取るエリアカメラ(センサ)と、画像をライン単位で読み取るラインカメラ(センサ)との何れであってもよく、また、CCD撮像素子やCMOS撮像素子等のカメラでも良い。また、撮像画像は、白黒濃淡画像及びカラー画像の何れであってもよい。
ここでは、撮像装置5として、白黒濃淡画像を出力するラインカメラを使用した場合を例として挙げて説明する。具体的に撮像装置5は、鋼板10の幅方向に細長い疵検査範囲の濃淡画像を撮像し、例えば白黒256階調の情報を撮像画像として出力するものとする。
ここでは、撮像装置5として、白黒濃淡画像を出力するラインカメラを使用した場合を例として挙げて説明する。具体的に撮像装置5は、鋼板10の幅方向に細長い疵検査範囲の濃淡画像を撮像し、例えば白黒256階調の情報を撮像画像として出力するものとする。
移動する鋼板10の表面を、所定の空間分解能で隙間なく連続して撮像装置5が撮像できるように、ロータリーエンコーダ3は、鋼板10の搬送速度に応じた制御タイミング信号(パルス信号)を撮像装置5に出力する。撮像装置5は、このロータリーエンコーダ3から出力される制御タイミング信号に従って、撮像と撮像画像の転送とを繰り返す。
疵判定装置6及び疵学習装置7は、例えばPC(Personal Computer)である。疵判定装置6及び疵学習装置7は、CPU、ROM、RAM、ハードディスク、キーボードやマウスからなるユーザインターフェース、及びデータ入出力制御装置等を有している。尚、CPU、ROM、RAM、ハードディスク、ユーザインターフェース、及びデータ入出力制御装置は、夫々通信バスに接続されており、互いに通信することが可能である。また、本実施形態では、疵判定装置6及び疵学習装置7は、例えばLAN(Local Area Network)を介して、通信可能に相互に接続されているものとする。
疵判定装置6の記憶媒体の一つであるハードディスクには、後述するようにして疵種の判別(疵検査)を行うための疵検用アプリケーションプログラムや、その疵検用アプリケーションプログラムで使用されるデータが記憶されている。この他、疵判定装置6のハードディスクには、撮像装置5で撮像され、データ入出力制御装置で処理された画像データ等も記憶される。ここで、データ入出力制御装置は、撮像装置5から出力されたライン毎の画像データを、例えば、2048(幅)×512(長さ)の画素数を有する画像データを構成するための処理を行って、RAMに転送する。尚、ここでは、説明の便宜上、1画素は、鋼板1の表面の1mm×1mmの領域の撮像画像を表すものとする。すなわち、2048(幅)×512(長さ)の画素数で構成される画像は、鋼板1の幅が2048mm、長さが512mmの範囲の撮像画像を表すものとする。
疵学習装置7の記憶媒体の一つであるハードディスクには、疵判定装置6で疵検査を行うための判別モデル(学習モデル)を生成・更新するための疵学習用アプリケーションプログラムや、その疵学習用アプリケーションプログラムで使用されるデータが記憶されている。また、疵学習装置7のハードディスクには、後述するようにして疵判定装置6で得られた"データ項目として疵に関する複数の特徴量を含む疵データ"等も記憶される。疵判定装置6は、疵学習装置7で得られた、最新の学習モデルを入力しこの学習モデルに従って疵検査を行う。前述したように、特徴量としては、例えば、疵の長さ・幅・面積等の寸法的な特徴量と、円形度・アスペクト比(縦横比)等の形状的な特徴量と、疵部の画像濃度の平均値・最小値・最大値等の濃淡的な特徴量等がある。
疵判定装置6、疵学習装置7のCPU等は、ユーザインターフェースのユーザによる操作等に基づいて、疵検用アプリケーションプログラム、疵学習用アプリケーションプログラムを起動する。そして、CPU等は、疵検用アプリケーションプログラム、疵学習用アプリケーションプログラムを実行して、疵検査、学習モデルの生成・更新を行うための処理を実行する。
表示装置8、9は、例えばLCD(Liquid Crystal Display)等を備えており、それぞれ疵判定装置6、疵学習装置7により実行された処理に基づく画像を表示するためのものである。
尚、図1では、鋼鈑10の一面(表面)についてのみ疵検査を行う場合を示しているが、実際には、鋼鈑10の他面(裏面)についても疵検査を行うようにする。
表示装置8、9は、例えばLCD(Liquid Crystal Display)等を備えており、それぞれ疵判定装置6、疵学習装置7により実行された処理に基づく画像を表示するためのものである。
尚、図1では、鋼鈑10の一面(表面)についてのみ疵検査を行う場合を示しているが、実際には、鋼鈑10の他面(裏面)についても疵検査を行うようにする。
図2は、疵判定装置6が有する機能構成の一例を示すブロック図である。
図2において、画像入力部21は、撮像装置5で撮像されたライン毎の画像データを入力し、連続して入力した複数のライン毎の画像データ(2048×1画素)を用いて、例えば、2048(幅)×512(長さ)の画素数を有する画像データを構成する。そして、画像入力部21は、その画像データをRAMに記憶する。
画像入力部21は、例えば、疵判定装置6が有するデータ入出力制御装置が前述した処理を実行することにより実現される。
図2において、画像入力部21は、撮像装置5で撮像されたライン毎の画像データを入力し、連続して入力した複数のライン毎の画像データ(2048×1画素)を用いて、例えば、2048(幅)×512(長さ)の画素数を有する画像データを構成する。そして、画像入力部21は、その画像データをRAMに記憶する。
画像入力部21は、例えば、疵判定装置6が有するデータ入出力制御装置が前述した処理を実行することにより実現される。
シェーディング補正部22は、画像入力部21で得られた画像データの全体が一様な明るさになるように、その画像データに対して、シェーディング補正を行う。そして、シェーディング補正部22は、シェーディング補正を行った画像データを、RAM(記憶媒体)に記憶する。
シェーディング補正部22は、例えば、疵判定装置6のCPUが、シェーディング補正を行うためのプログラムを実行することにより実現される。
シェーディング補正部22は、例えば、疵判定装置6のCPUが、シェーディング補正を行うためのプログラムを実行することにより実現される。
二値化部23は、シェーディング補正が行われた画像データに対して、二値化処理を行う。具体的に説明すると、二値化部23は、例えば、シェーディング補正が行われた画像データの各画素の値が、ハードディスク等に予め設定された閾値よりも大きいか否かを判定する。そして、閾値よりも大きい画素の値を「1」、そうでない画素の値を「0」にして、画素の値(輝度値)として「0」か「1」しか持たない2値画像を生成する。
二値化部23は、例えば、疵判定装置6のCPUが、二値化処理を行うためのプログラムを実行することにより実現される。
二値化部23は、例えば、疵判定装置6のCPUが、二値化処理を行うためのプログラムを実行することにより実現される。
ラベリング/特徴量計算部24は、二値化部23により得られた2値画像に対してラベリング処理及び特徴量計算を行い、疵候補を抽出する。ここで、ラベリング処理とは、特徴量計算の前に行う処理であり、2値画像中において単一の図形又は幾何的に連結して一つの塊となっている図形(連結図形)毎に、異なった番号(ラベル)を割り当てる処理である。
また、特徴量計算(特徴抽出)とは、図形の形状に関する特徴量を求める処理である。この特徴量計算で求める特徴量は、例えば、「疵候補に外接する長方形の『幅・長さ・長さと幅の比(アスペクト比)・面積・円形度・最大長・周囲長』」、及び「疵候補の輝度分布(輝度の平均値・最小値・最大値等)」等の中から選択される1又は2以上の組み合わせである。ラベリング/特徴量計算部24は、このようにして求めた"疵に関する複数の特徴量"をデータ項目として含む疵データを、当該特徴量を有する疵が存在する"鋼鈑10上の位置"のデータと対応付けて(すなわち紐つけて)、疵データ記憶部25に記憶する。
ラベリング/特徴量計算部24は、例えば、疵判定装置6のCPUが、ラベリング処理と特徴量を計算するためのプログラムを実行することにより実現される。
尚、特徴量を求めることができれば、特徴量を求めるための処理の内容は前述したものに限定されない。
また、特徴量計算(特徴抽出)とは、図形の形状に関する特徴量を求める処理である。この特徴量計算で求める特徴量は、例えば、「疵候補に外接する長方形の『幅・長さ・長さと幅の比(アスペクト比)・面積・円形度・最大長・周囲長』」、及び「疵候補の輝度分布(輝度の平均値・最小値・最大値等)」等の中から選択される1又は2以上の組み合わせである。ラベリング/特徴量計算部24は、このようにして求めた"疵に関する複数の特徴量"をデータ項目として含む疵データを、当該特徴量を有する疵が存在する"鋼鈑10上の位置"のデータと対応付けて(すなわち紐つけて)、疵データ記憶部25に記憶する。
ラベリング/特徴量計算部24は、例えば、疵判定装置6のCPUが、ラベリング処理と特徴量を計算するためのプログラムを実行することにより実現される。
尚、特徴量を求めることができれば、特徴量を求めるための処理の内容は前述したものに限定されない。
後述するように疵学習装置7は、学習モデルを生成すると、その学習モデルを疵判定装置6に送信する。疵判定装置6の学習モデル取得部26は、疵学習装置7から学習モデルを受信すると、その学習モデルを疵判定部27に出力する。
学習モデル取得部26は、例えば、疵判定装置6のデータ入出力制御装置が前述した処理を実行することにより実現される。
学習モデル取得部26は、例えば、疵判定装置6のデータ入出力制御装置が前述した処理を実行することにより実現される。
疵判定部27は、疵データ記憶部25に記憶されている疵候補の疵データに対して、学習モデル取得部26から出力された最新の学習モデルを適用して、疵候補に対する最終的な疵判定を行う。例えば、疵候補が、製品の品質に影響を与えるロール疵であれば、疵判定部27は、当該疵候補を有害疵と判定する。また、疵判定部27は、疵種として、疵の種類及び疵の等級(評点)も判定する。一方、疵候補が、鋼板10の表面に付着した「油、水滴、軽い汚れ等」であり、製品の品質に影響を与えないものであれば、疵判定部27は、当該疵候補を無害疵と判定する。そして、疵判定部27は、疵検査の結果を疵データ記憶部25に記憶されている疵データに対応付ける。
尚、学習モデルの詳細については、疵学習装置7についての説明を行う際に併せて説明する。
尚、学習モデルの詳細については、疵学習装置7についての説明を行う際に併せて説明する。
以上のようにして入力した画像データについて疵検査を行うと、疵判定部27は、疵検査の結果(有害疵か無害疵かの判定結果、疵種(疵の種類や疵の等級等)の判定結果)と、ラベリング/特徴量計算部24で求められた特徴量とを示す疵検出画像データを生成し、表示装置8に表示する。本実施形態では、疵判定部27は、鋼板10を模した画像の上に、疵を模した画像を重ね合わせた疵検出画像データ(マップ)を生成する。これにより、鋼板10のどの場所にどのような疵が生じているのかを視覚的に検査員に認識させることができる。
疵判定部27は、例えば、疵判定装置6のCPUが、疵判定用のプログラムを実行することにより実現される。
疵判定部27は、例えば、疵判定装置6のCPUが、疵判定用のプログラムを実行することにより実現される。
疵データ出力判定部28は、めっき製造ラインを制御・監視するプロセスコンピュータ等から入力されるめっき製造ラインの操業状態や日時等に基づいて、疵データ記憶部25に記憶されている疵データを疵学習装置7に出力するタイミングであるか否かを判定する。本実施形態では、疵データ出力判定部28は、所定の日から1ヶ月が経過する度に、その日の最初のコイル(めっき製造ラインでめっき処理が施された後に巻き取られた鋼鈑)についての疵データを疵学習装置7に出力すると判定するようにしている。ただし、疵データを疵学習装置7に出力するタイミングと、出力する疵データの内容は、このようなものに限定されない。例えば、コイルが製造される度に、そのコイルについての疵データを疵学習装置7に出力するようにしてもよいし、連続で100本と制限を設けてもよい。また、1日毎に、その日の最後のコイルについての疵データを疵学習装置7に出力するようにしてもよい。
疵データ出力判定部28は、例えば、疵判定装置6のCPUが、疵データ出力用のプログラムを実行し、疵データを出力するタイミングであると判定することにより実現される。
疵データ出力判定部28は、例えば、疵判定装置6のCPUが、疵データ出力用のプログラムを実行し、疵データを出力するタイミングであると判定することにより実現される。
疵データ出力部29は、疵データ出力判定部28により、疵データを疵学習装置7に出力すると判定されると、疵データ記憶部25に記憶されている疵データのうち、予め設定された時に得られた疵データを疵学習装置7に送信する。前述したように本実施形態では、疵データ出力部29は、所定の日時から1ヶ月が経過する度に、その日の最初のコイルについての疵データを疵学習装置7に送信する。
ここで、本実施形態では、疵データ出力部29が出力する疵データについては、疵判定部27による疵検査が行われおらず、当該疵データには、疵検査の結果が対応付けられていないものとする。
疵データ出力部29は、例えば、疵判定装置6のデータ入出力制御装置が前述した処理を実行することにより実現される。
ここで、本実施形態では、疵データ出力部29が出力する疵データについては、疵判定部27による疵検査が行われおらず、当該疵データには、疵検査の結果が対応付けられていないものとする。
疵データ出力部29は、例えば、疵判定装置6のデータ入出力制御装置が前述した処理を実行することにより実現される。
図3は、疵学習装置7が有する機能構成の一例を示すブロック図である。
図3において、疵データ取得部31は、疵判定装置6から送信された疵データを受信して記憶する。そして、後述する教師データ生成部32及び不確信データ抽出部38の何れかに疵データを出力すると、その疵データを削除する。具体的に、疵データ取得部31は、学習モデル記憶部36に、学習モデルが記憶されているか否かを判定し、学習モデル記憶部36に、学習モデルが記憶されていない場合には、疵判定装置6から送信された疵データを教師データ生成部32に出力する。一方、学習モデル記憶部36に、学習モデルが記憶されている場合には、疵データ取得部31は、疵判定装置6から送信された疵データを不確信データ抽出部38に出力する。
疵データ取得部31は、例えば、疵学習装置7のデータ入出力制御装置が疵データを受信し、CPUが、前述した判定と出力の処理を行うことにより実現される。尚、ここでは、疵判定装置6から送信された疵データを受信するようにしているが、必ずしもこのようにする必要はない。例えば、ユーザが所有するリームーバブル記憶メディアに記憶された疵データを取得するようにしてもよい。
図3において、疵データ取得部31は、疵判定装置6から送信された疵データを受信して記憶する。そして、後述する教師データ生成部32及び不確信データ抽出部38の何れかに疵データを出力すると、その疵データを削除する。具体的に、疵データ取得部31は、学習モデル記憶部36に、学習モデルが記憶されているか否かを判定し、学習モデル記憶部36に、学習モデルが記憶されていない場合には、疵判定装置6から送信された疵データを教師データ生成部32に出力する。一方、学習モデル記憶部36に、学習モデルが記憶されている場合には、疵データ取得部31は、疵判定装置6から送信された疵データを不確信データ抽出部38に出力する。
疵データ取得部31は、例えば、疵学習装置7のデータ入出力制御装置が疵データを受信し、CPUが、前述した判定と出力の処理を行うことにより実現される。尚、ここでは、疵判定装置6から送信された疵データを受信するようにしているが、必ずしもこのようにする必要はない。例えば、ユーザが所有するリームーバブル記憶メディアに記憶された疵データを取得するようにしてもよい。
本実施形態の疵学習装置7では、教師付き学習を行うようにしている。教師付き学習とは、疵データ取得部31で取得された疵データに対して、検査員が設定した"疵種に関する正解データ(教師データ)"を付与して学習モデルを生成(学習)するものである。ここで正解データは、例えば、次のようにして得られるものである。まず、種々の疵を含む多数の画像と、それらの画像に対応する実際の鋼鈑とを検査員が目視で確認(査定)して、疵の種類・等級等(疵種)を決定する。このようにして決定した内容に基づいて、当該画像における"疵種に関する情報(疵の種類や等級等)"を正解データとして疵学習装置7(コンピュータ)に登録する。
教師データ生成部32は、学習モデル記憶部36に、学習モデルが記憶されていない場合には、疵データ取得部31で取得された全ての疵データに基づく画像を表示装置10に表示させる。この画像が表示されると、検査員は、疵判定装置7のユーザインターフェースを用いて、疵種に関する複数個の疵データに対する正解データを入力する。教師データ生成部32は、疵データ取得部31で取得された全ての疵データの夫々に対して、入力された正解データを、当該正解データに対応する疵データに紐付けて付与する。
一方、教師データ生成部32は、学習モデル記憶部36に、学習モデルが記憶されている場合には、疵データ取得部31で取得された疵データのうち、不確信データ抽出部38で抽出された疵データの夫々に対して、前述したようにして入力された正解データを、当該正解データに対応する疵データに紐付けて付与する。
教師データ生成部32は、例えば、疵学習装置7のCPUが、RAM等に記憶された疵データを読み出して前述した表示と入力の処理を行い、当該疵データと正解データとを相互に関連付けてRAM等に記憶することにより実現できる。
一方、教師データ生成部32は、学習モデル記憶部36に、学習モデルが記憶されている場合には、疵データ取得部31で取得された疵データのうち、不確信データ抽出部38で抽出された疵データの夫々に対して、前述したようにして入力された正解データを、当該正解データに対応する疵データに紐付けて付与する。
教師データ生成部32は、例えば、疵学習装置7のCPUが、RAM等に記憶された疵データを読み出して前述した表示と入力の処理を行い、当該疵データと正解データとを相互に関連付けてRAM等に記憶することにより実現できる。
特徴量空間配置部33は、正解データが付与された"疵種に関する複数個の疵データ"の夫々のデータ点(特徴量の値)を、各特徴量を座標軸とする座標空間(特徴量空間)に配置する。尚、後述する部分特徴量空間が既に生成されている場合、特徴量空間配置部33は、その部分特徴量空間を生成する際に使用した疵データのデータ点も座標空間に配置する。
図4は、各特徴量を座標軸とする座標空間に、疵種に関する複数個の疵データのデータ点を配置した様子の一例を示す図である。尚、以下の説明では、このように"疵データのデータ点を座標空間に配置する"ことを、必要に応じて"疵データを座標空間に配置する"と称す。また、以下の説明では、正解データとして疵種「CL1」、「CL2」の2種の疵種に関する疵データが複数個、疵データ取得部31から入力されたものとし、特徴量の種類は20種であるとする。また、図4では、説明の便宜上、各特徴量f2、f7は規格化されているものとする。
特徴量空間配置部33は、例えば、疵学習装置7のCPUが、HDD等に予め設定された全ての特徴量の組み合わせに基づく座標空間(特徴量空間)を生成し、当該座標空間に、RAM等から読み出した疵データのデータ点を配置する処理を行い、その結果をRAM等に記憶することにより実現ででる。
図4は、各特徴量を座標軸とする座標空間に、疵種に関する複数個の疵データのデータ点を配置した様子の一例を示す図である。尚、以下の説明では、このように"疵データのデータ点を座標空間に配置する"ことを、必要に応じて"疵データを座標空間に配置する"と称す。また、以下の説明では、正解データとして疵種「CL1」、「CL2」の2種の疵種に関する疵データが複数個、疵データ取得部31から入力されたものとし、特徴量の種類は20種であるとする。また、図4では、説明の便宜上、各特徴量f2、f7は規格化されているものとする。
特徴量空間配置部33は、例えば、疵学習装置7のCPUが、HDD等に予め設定された全ての特徴量の組み合わせに基づく座標空間(特徴量空間)を生成し、当該座標空間に、RAM等から読み出した疵データのデータ点を配置する処理を行い、その結果をRAM等に記憶することにより実現ででる。
特徴量組み合わせ判別部34は、特徴量空間配置部33により座標空間に、疵種「CL1」、「CL2」の正解データが付与された疵データのデータ点が配置されると、夫々のデータ点の配置位置に基づいて、それらの疵データの特徴量の値の領域が相互に重複しているか否かを判定する。この判定の結果、疵種「CL1」、「CL2」の正解データが付与された疵データの特徴量の値の領域が相互に重複していない場合、座標空間に配置したデータ点(特徴量の値)の組み合わせを、正解データである疵種「CL1」、「CL2」を完全に分離できる特徴量の値の組み合わせとして判別する。
すなわち、図4に示す例では、特徴量f2、f7のそれぞれを各座標軸とする座標空間に、白丸で表される疵種「CL1」に関する疵データと、黒丸で表される疵種「CL2」に関する疵データとが配置されている。そして、疵種「CL1」、「CL2」の疵データの位置は、座標空間上で一致していない。よって、疵種「CL1」、「CL2」は、特徴量f2、f7の夫々の値の領域により完全に分離することができる。すなわち、疵種「CL1」、「CL2」は、特徴量f2、f7の値の組み合わせによって特定することができる。
特徴量組み合わせ判別部34は、例えば、疵学習装置7のCPUが、座標空間(特徴量空間)に配置された疵データのデータ点に基づいて、疵種「CL1」、「CL2」の正解データが付与された疵データの特徴量の値の領域が相互に重複していないと判定すると、当該疵データを配置した座標空間の各座標軸(各特徴量)の値の組み合わせをRAM等に記憶することにより実現できる。
特徴量組み合わせ判別部34は、例えば、疵学習装置7のCPUが、座標空間(特徴量空間)に配置された疵データのデータ点に基づいて、疵種「CL1」、「CL2」の正解データが付与された疵データの特徴量の値の領域が相互に重複していないと判定すると、当該疵データを配置した座標空間の各座標軸(各特徴量)の値の組み合わせをRAM等に記憶することにより実現できる。
学習モデル生成・更新部35は、特徴量組み合わせ判別部34により判別された各特徴量の値の組み合わせと、正解データである疵種「CL1」、「CL2」とに基づいて、各特徴量の値の範囲の組(すなわち、座標空間内における領域)と疵種とを相互に対応付けるための1つ又は複数の部分特徴量空間を生成する。そして、学習モデル生成・更新部35は、生成した部分特徴量空間を学習モデルとして学習モデル記憶部36に記憶する。学習モデルを生成していない場合(学習モデル記憶部36に学習モデルが記憶されていない場合)、学習モデル生成・更新部35は、生成した学習モデルをそのまま学習モデル記憶部36に記憶する。
図5は、学習モデルの一例を概念的に示す図である。
図5では、部分特徴量空間1、部分特徴量空間2、・・・、部分特徴量空間L(Lは3以上の整数)の集合として、学習モデル51が生成された場合を例に挙げて示している。
ここで、部分特徴量空間1は、特徴量f2、f7の値の範囲の組と疵種「CL1」、「CL2」とを対応付けるためのものであり、特徴量f2、f7のそれぞれを座標軸とする。部分特徴量空間2は、特徴量f1、f3、f7の値の範囲の組と疵種「CL1」、「CL2」とを対応付けるためのものであり、特徴量f1、f3、f7のそれぞれを座標軸とする。部分特徴量空間Lは、特徴量f4、f6、f9の値の範囲の組と疵種「CL1」、「CL2」とを対応付けるためのものであり、特徴量f4、f6、f9のそれぞれを座標軸とする。
図5は、学習モデルの一例を概念的に示す図である。
図5では、部分特徴量空間1、部分特徴量空間2、・・・、部分特徴量空間L(Lは3以上の整数)の集合として、学習モデル51が生成された場合を例に挙げて示している。
ここで、部分特徴量空間1は、特徴量f2、f7の値の範囲の組と疵種「CL1」、「CL2」とを対応付けるためのものであり、特徴量f2、f7のそれぞれを座標軸とする。部分特徴量空間2は、特徴量f1、f3、f7の値の範囲の組と疵種「CL1」、「CL2」とを対応付けるためのものであり、特徴量f1、f3、f7のそれぞれを座標軸とする。部分特徴量空間Lは、特徴量f4、f6、f9の値の範囲の組と疵種「CL1」、「CL2」とを対応付けるためのものであり、特徴量f4、f6、f9のそれぞれを座標軸とする。
一方、学習モデルを生成している場合(学習モデル記憶部36に学習モデルが記憶されている場合)、学習モデル生成・更新部35は、既に記憶されている学習モデル(部分特徴量空間)を、生成した学習モデル(部分特徴量空間)に書き換える。
図6は、学習モデル(部分特徴量空間)が更新される様子の一例を概念的に示す図である。
図6は、学習モデル(部分特徴量空間)が更新される様子の一例を概念的に示す図である。
図6に示す例では、今回の学習によって、部分特徴量空間2が削除され、部分特徴量空間L+1が追加されている。すなわち、前回の学習モデルを生成する際に取得した疵データでは、特徴量f1、f3、f7で疵種「CL1」、「CL2」を完全に分離できたが、今回の学習モデルを生成する際に取得した疵データを加えると、特徴量f1、f3、f7では疵種「CL1」、「CL2」を完全に分離できなくなったことになる。また、前回の学習モデルを生成する際に取得した疵データでは、特徴量f5、f8、f9では疵種「CL1」、「CL2」を完全に分離できなかったが、今回の学習モデルを生成する際に取得した疵データを加えると、特徴量f5、f8、f9で疵種「CL1」、「CL2」を完全に分離できたことになる。
学習モデル生成・更新部35は、例えば、疵学習装置7のCPUが、疵データを配置した座標空間の各座標軸(各特徴量)の値の組み合わせのデータをRAM等から読み出し、読み出したデータから、部分特徴量空間を生成して、HDD等を用いて実現できる学習モデル記憶部36に記憶することにより実現できる。
学習モデル生成・更新部35は、例えば、疵学習装置7のCPUが、疵データを配置した座標空間の各座標軸(各特徴量)の値の組み合わせのデータをRAM等から読み出し、読み出したデータから、部分特徴量空間を生成して、HDD等を用いて実現できる学習モデル記憶部36に記憶することにより実現できる。
学習モデル出力部37は、学習モデル記憶部36に新たな学習モデルが記憶されると、その学習モデルを疵判定装置6に送信する。
学習モデル出力部37は、例えば、疵学習装置7のデータ入出力制御装置がこのようなデータの出力処理を実行することにより実現される。
学習モデル出力部37は、例えば、疵学習装置7のデータ入出力制御装置がこのようなデータの出力処理を実行することにより実現される。
ここで、学習モデルを用いた学習(図2に示した疵判定装置6の疵判定部25)の一例ついて説明する。
図7は、各疵データの疵種「CL1」、「CL2」を判定する処理の一例を概念的に示す図である。図7に示すように、予め設定された複数の特徴量f1〜f20の値の組のうち、疵種「CL1」、「CL2」を完全に分離する特徴量の値の組と、疵種「CL1」、「CL2」とを相互に対応付けるための複数個(L個)の部分特徴量空間の集合として学習モデルが生成される。
図7は、各疵データの疵種「CL1」、「CL2」を判定する処理の一例を概念的に示す図である。図7に示すように、予め設定された複数の特徴量f1〜f20の値の組のうち、疵種「CL1」、「CL2」を完全に分離する特徴量の値の組と、疵種「CL1」、「CL2」とを相互に対応付けるための複数個(L個)の部分特徴量空間の集合として学習モデルが生成される。
図7に示す例では、疵判定装置6の疵判定部25は、疵データ記憶部25に記憶されている疵候補の疵データの夫々について、学習モデルを適用して(すなわち疵データを学習モデルに含まれる各部分特徴量空間に配置して)、部分特徴量空間1〜Lの夫々において、各疵データのデータ点の位置から、疵データが疵種「CL1」、「CL2」の何れに属するかの判断結果の情報を抽出する。
本実施形態では、部分特徴量空間1〜Lによる判断結果である疵種「CL1」、「CL2」の総数(すなわち、部分特徴量空間の総数)に対する疵種「C1」と判断された個数の割合が、ある閾値以上、例えば50%以上である場合、疵判定装置6の疵判定部25は、学習モデルを適用した疵データは、疵種「CL1」に属すものであると判定する。一方、部分特徴量空間1〜Lによる判断結果である疵種「CL1」、「CL2」の総数(部分特徴量空間の総数)に対する、疵種「CL1」と判断した部分特徴量空間の数の割合が、ある閾値未満、例えば50%未満である場合、疵判定装置6の疵判定部25は、学習モデルを適用した疵データは、疵種「CL2」に属すものであると判定する。
以上のように本実施形態では、学習モデルに疵データを適用した場合には、その疵データから疵種「CL1」、「CL2」の何れかが必ず得られるようにしている。
本実施形態では、部分特徴量空間1〜Lによる判断結果である疵種「CL1」、「CL2」の総数(すなわち、部分特徴量空間の総数)に対する疵種「C1」と判断された個数の割合が、ある閾値以上、例えば50%以上である場合、疵判定装置6の疵判定部25は、学習モデルを適用した疵データは、疵種「CL1」に属すものであると判定する。一方、部分特徴量空間1〜Lによる判断結果である疵種「CL1」、「CL2」の総数(部分特徴量空間の総数)に対する、疵種「CL1」と判断した部分特徴量空間の数の割合が、ある閾値未満、例えば50%未満である場合、疵判定装置6の疵判定部25は、学習モデルを適用した疵データは、疵種「CL2」に属すものであると判定する。
以上のように本実施形態では、学習モデルに疵データを適用した場合には、その疵データから疵種「CL1」、「CL2」の何れかが必ず得られるようにしている。
不確信データ抽出部38は、学習モデル記憶部36に記憶されている学習モデルを読み出す。そして、不確信データ抽出部38は、疵データ取得部31で取得された全ての疵データの夫々について学習モデルを適用する。そして、不確信データ抽出部38は、部分特徴量空間の夫々における、各疵データのデータ点の位置から、疵データが疵種「CL1」、「CL2」の何れに属するかの判断結果の情報を抽出する。そして、不確信データ抽出部38は、部分特徴量空間による判断結果である疵種「CL1」、「CL2」の総数(部分特徴量空間の総数)に対する、疵種「CL1」と判断した部分特徴量空間の数を、疵種「CL1」への投票率として導出する。不確信データ抽出部38は、疵種「CL1」への投票率が、例えば、30%以上70%以下である場合、学習モデルを適用した疵データは、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い疵データであるとし、当該疵データを、正解データを付与する対象とする。一方、不確信データ抽出部38は、疵種「CL1」への投票率が、例えば、30%未満である場合、又は70%を超える場合、学習モデルを適用した疵データを、正解データを付与する対象から除外する。
図8は、特徴量fi、fjのそれぞれを座標軸とする特徴量空間における疵データの配置例を概念的に示す図である。
図8において、白丸で示している疵データは、疵種「CL1」に属する疵データを示し、黒丸で示している疵データは、疵種「CL2」に属するデータを示している。図8に示すように、白丸で示している疵データと、黒丸で示している疵データとが混在している領域81に、疵種の判別対象となる疵データが配置された場合、当該疵データが、疵種「CL1」に属するのか、それとも疵種「CL2」に属するのかの学習モデルの判別結果の確信度(信頼度)が相対的に低くなる。このような疵データについては、学習モデルの更新に有用なデータであるので、正解データを与える。
図8において、白丸で示している疵データは、疵種「CL1」に属する疵データを示し、黒丸で示している疵データは、疵種「CL2」に属するデータを示している。図8に示すように、白丸で示している疵データと、黒丸で示している疵データとが混在している領域81に、疵種の判別対象となる疵データが配置された場合、当該疵データが、疵種「CL1」に属するのか、それとも疵種「CL2」に属するのかの学習モデルの判別結果の確信度(信頼度)が相対的に低くなる。このような疵データについては、学習モデルの更新に有用なデータであるので、正解データを与える。
一方、図8に示すように、白丸で示している疵データと、黒丸で示している疵データとが混在していない領域82、83に、疵種の判別対象となる疵データが配置された場合、当該疵データについては、学習モデルにおける疵種の判別結果に対する確信度が相対的に高いため、部分特徴量空間の決定に与える影響は小さい。よって、正解データを与えて学習モデルの更新に使用する必要性は低い。しかも、後述するように、このような疵データに正解データを与えて学習モデルの更新に使用すると、疵種の識別性能が低下する([0066]に記載の図13の説明を参照)。
そこで、本実施形態では、前述したように、不確信データ抽出部38は、疵データ取得部31で取得された全ての疵データのうち、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い処理の領域に配置される疵データを、学習データの更新に使用する疵データとして抽出するようにしている。尚、図8では、特徴量空間における疵種「Cl1」、「CL2」の識別境界84付近の領域81が、学習モデルの判別結果の信頼度(すなわち確信度)が相対的に低くなる領域である場合を例に挙げて説明したが、このような領域は、このような境界付近以外にも存在し得る。
そこで、本実施形態では、前述したように、不確信データ抽出部38は、疵データ取得部31で取得された全ての疵データのうち、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い処理の領域に配置される疵データを、学習データの更新に使用する疵データとして抽出するようにしている。尚、図8では、特徴量空間における疵種「Cl1」、「CL2」の識別境界84付近の領域81が、学習モデルの判別結果の信頼度(すなわち確信度)が相対的に低くなる領域である場合を例に挙げて説明したが、このような領域は、このような境界付近以外にも存在し得る。
図9は、疵種「CL1」への投票率と、疵データの数(データ数)との関係の一例を示す図である。図9では、説明の便宜上、疵データの数(データ数)を規格化している。図9において、黒丸は、疵種が「CL2」であると確認(査定)された疵データを示し、白丸は、疵種が「CL1」であると確認(査定)された疵データを示す。
図9に示すグラフは、次のようにして得られる。まず、入手した疵データについて学習モデルを適用し、判断結果として疵種「CL1」を出力した部分特徴量空間の数を、部分特徴量空間の総数で除すことにより、疵種「CL1」への投票率を導出する。そして、当該疵データの疵種が「CL1」及び「CL2」の何れであるのを検査員が目視で確認(査定)する。このような疵種「CL1」への投票率の導出と、疵種の確認とを、入手した全ての疵データについて行い、各投票率において、疵種が「CL1」であると査定された疵データの数を求め、図9に示す黒丸をプロットする。同様に、各投票率において、疵種が「CL2」であると査定された疵データの数を求め、図9に示す黒丸をプロットする。
図9に示す例では、疵種「CL1」への投票率が30%以上70%以下の範囲である場合に、疵種が「CL1」であると査定された疵データと、疵種が「CL2」であると査定された疵データとが相対的に数多く含まれている。したがって、ここでは、この範囲内の疵データを、学習データの更新に使用する疵データとして不確信データ抽出部38が抽出するようにしている。ただし、学習データの更新に使用する疵データとして抽出するための疵種「CL1」への投票率の範囲は、30%以上70%以下の範囲に限定されるものではなく、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い(とみなせる)領域に配置される疵データを抽出することを主旨としていれば、どのような範囲であってもよい。具体的には、図13のごとく学習モデルの性能を評価し、最も高い疵種一致率が得られるような範囲を設定すれば良い。また、不確信データを抽出するために、必ずしも図9に示すグラフを作成する必要はない。すなわち、疵データの疵種が「CL1」及び「CL2」の何れであるのを検査員が目視で確認(査定)する必要はなく、学習モデルを適用した場合の判定結果だけを当該疵データを抽出する手段とする。本実施形態では、ある疵種について、それぞれの部分特徴量空間から出力された疵種が複数ある場合に、当該疵データを抽出することを最低限の条件とする。さらに、本実施形態では、ある疵種について、それぞれの部分特徴量空間から出力された疵種が複数あり、且つ、それら複数の疵種のうち、特定の疵種の存在割合が、所定の範囲内である場合に、当該疵データを抽出することを追加の条件とする。
図9に示すグラフは、次のようにして得られる。まず、入手した疵データについて学習モデルを適用し、判断結果として疵種「CL1」を出力した部分特徴量空間の数を、部分特徴量空間の総数で除すことにより、疵種「CL1」への投票率を導出する。そして、当該疵データの疵種が「CL1」及び「CL2」の何れであるのを検査員が目視で確認(査定)する。このような疵種「CL1」への投票率の導出と、疵種の確認とを、入手した全ての疵データについて行い、各投票率において、疵種が「CL1」であると査定された疵データの数を求め、図9に示す黒丸をプロットする。同様に、各投票率において、疵種が「CL2」であると査定された疵データの数を求め、図9に示す黒丸をプロットする。
図9に示す例では、疵種「CL1」への投票率が30%以上70%以下の範囲である場合に、疵種が「CL1」であると査定された疵データと、疵種が「CL2」であると査定された疵データとが相対的に数多く含まれている。したがって、ここでは、この範囲内の疵データを、学習データの更新に使用する疵データとして不確信データ抽出部38が抽出するようにしている。ただし、学習データの更新に使用する疵データとして抽出するための疵種「CL1」への投票率の範囲は、30%以上70%以下の範囲に限定されるものではなく、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い(とみなせる)領域に配置される疵データを抽出することを主旨としていれば、どのような範囲であってもよい。具体的には、図13のごとく学習モデルの性能を評価し、最も高い疵種一致率が得られるような範囲を設定すれば良い。また、不確信データを抽出するために、必ずしも図9に示すグラフを作成する必要はない。すなわち、疵データの疵種が「CL1」及び「CL2」の何れであるのを検査員が目視で確認(査定)する必要はなく、学習モデルを適用した場合の判定結果だけを当該疵データを抽出する手段とする。本実施形態では、ある疵種について、それぞれの部分特徴量空間から出力された疵種が複数ある場合に、当該疵データを抽出することを最低限の条件とする。さらに、本実施形態では、ある疵種について、それぞれの部分特徴量空間から出力された疵種が複数あり、且つ、それら複数の疵種のうち、特定の疵種の存在割合が、所定の範囲内である場合に、当該疵データを抽出することを追加の条件とする。
前述したように、学習モデル記憶部36に学習モデルが記憶されている場合には、不確信データ抽出部38で抽出された疵データについてのみ、教師データ生成部32において正解データが付与される。
不確信データ抽出部38は、例えば、疵学習装置7のCPUが、RAM等に記憶された疵データを読み出すと共に、HDD等に記憶された学習モデルを読み出し、当該疵データに対して学習モデルを適用し、疵種「CL1」への投票率が、HDD等に予め設定された範囲内である疵データを学習モデルの更新に使用する疵データとしてRAM等に記憶することにより実現できる。
不確信データ抽出部38は、例えば、疵学習装置7のCPUが、RAM等に記憶された疵データを読み出すと共に、HDD等に記憶された学習モデルを読み出し、当該疵データに対して学習モデルを適用し、疵種「CL1」への投票率が、HDD等に予め設定された範囲内である疵データを学習モデルの更新に使用する疵データとしてRAM等に記憶することにより実現できる。
次に、図10のフローチャートを参照しながら、疵判定装置6の動作の一例を説明する。
まず、ステップS1において、画像入力部21は、撮像装置5から画像データを入力したか否かを判定する。この判定の結果、撮像装置5から画像データを入力していない場合には、後述するステップS14に進む。
一方、撮像装置5から画像データを入力した場合には、ステップS2に進み、ラベリング/特徴量計算部24は、シェーディング補正部22及び二値化部23により処理が行われた画像データに対して、ラベリング処理を行った後、特徴量を計算する。そして、ラベリング/特徴量計算部24は、計算した特徴量を含む疵データを、当該特徴量を有する疵が存在する"鋼鈑10上の位置"のデータと対応付けて(すなわち紐つけて)、疵データ記憶部25に記憶する。
まず、ステップS1において、画像入力部21は、撮像装置5から画像データを入力したか否かを判定する。この判定の結果、撮像装置5から画像データを入力していない場合には、後述するステップS14に進む。
一方、撮像装置5から画像データを入力した場合には、ステップS2に進み、ラベリング/特徴量計算部24は、シェーディング補正部22及び二値化部23により処理が行われた画像データに対して、ラベリング処理を行った後、特徴量を計算する。そして、ラベリング/特徴量計算部24は、計算した特徴量を含む疵データを、当該特徴量を有する疵が存在する"鋼鈑10上の位置"のデータと対応付けて(すなわち紐つけて)、疵データ記憶部25に記憶する。
次に、ステップS3において、疵データ出力判定部28は、疵データ記憶部25に記憶されている疵データを疵学習装置7に出力するタイミングであるか否かを判定する。前述したように、本実施形態では、所定の日から1ヶ月が経過する度に、その日の最初のコイル(めっき製造ラインでめっき処理が施された後に巻き取られた鋼鈑)についての疵データを疵学習装置7に出力するようにしている。この判定の結果、疵データを疵学習装置7に出力するタイミングである場合には、ステップS4に進む。一方、疵データを疵学習装置7に出力するタイミングでない場合には、ステップS4を省略して後述するステップS5に進む。
ステップS4に進むと、疵データ出力部29は、疵データ記憶部25に記憶されている疵データのうち、所定の日の最初のコイルについて得られた全ての疵データを疵学習装置7に送信する。そして、ステップS5に進む。
ステップS4に進むと、疵データ出力部29は、疵データ記憶部25に記憶されている疵データのうち、所定の日の最初のコイルについて得られた全ての疵データを疵学習装置7に送信する。そして、ステップS5に進む。
ステップS5に進むと、疵判定部27は、ステップS2で得られた疵データに対して学習モデルを適用するか否かを判定する。例えば、学習モデルが取得されていない場合や、ステップS4で疵データを出力した場合に、ステップS2で得られた疵データに対して学習モデルを適用しないと判定する。この判定の結果、ステップS2で得られた疵データに対して学習モデルを適用する場合には、ステップS6に進む。一方、ステップS2で得られた疵データに対して学習モデルを適用しない場合には、ステップS1に戻る。
一般的に、装置の初期調整段階において査定すべき疵データを収集するときにはステップS5で学習モデルを適用しないと判定する。 ステップS6に進むと、疵判定部27は、ステップS2で得られた疵データの1つを選択する。
次に、ステップS7において、疵判定部27は、ステップS6で選択した疵データについて、取得している学習モデルを適用し、学習モデルに含まれている各部分特徴量空間から疵種「CL1」、「CL2」の何れかの情報を得る。
一般的に、装置の初期調整段階において査定すべき疵データを収集するときにはステップS5で学習モデルを適用しないと判定する。 ステップS6に進むと、疵判定部27は、ステップS2で得られた疵データの1つを選択する。
次に、ステップS7において、疵判定部27は、ステップS6で選択した疵データについて、取得している学習モデルを適用し、学習モデルに含まれている各部分特徴量空間から疵種「CL1」、「CL2」の何れかの情報を得る。
次に、ステップS8において、疵判定部27は、ステップS4の実行結果である疵種「CL1」、「CL2」の総数(すなわち、部分特徴量空間の総数)に対する疵種「CL1」の個数の割合を判定する。この判定の結果、疵種「CL1」、「CL2」の総数に対する疵種「C1」の個数の割合が50%以上である場合には、ステップS9に進み、疵判定部27は、ステップS6で選択した疵データは疵種「CL1」に属すものであると判断する。そして、後述するステップS11に進む。
一方、疵種「CL1」、「CL2」の総数に対する疵種「CL1」の個数の割合が50%未満である場合には、ステップS10に進み、疵判定部27は、ステップS6で選択した疵データは疵種「CL2」に属すものであると判断する。そして、ステップS11に進む。
一方、疵種「CL1」、「CL2」の総数に対する疵種「CL1」の個数の割合が50%未満である場合には、ステップS10に進み、疵判定部27は、ステップS6で選択した疵データは疵種「CL2」に属すものであると判断する。そして、ステップS11に進む。
ステップS11に進むと、疵判定部27は、ステップS6で選択した疵データと、当該疵データについてステップS9、S10で判断された疵種「CL1」又は「CL2」のデータとを相互に対応付けて疵データ記憶部25に記憶する。
次に、ステップS12において、疵判定部27は、ステップS2で得られた疵データの全てについて疵種の判別を行ったか否かを判定する。この判定の結果、疵データの全てについて疵種の判別を行っていない場合には、ステップS6に戻り、疵判定部27は、未選択の疵データを1つ選択する。そして、疵データの全てについて疵種の判別を行うまで、ステップS6〜S12の処理を繰り返し行う。
以上のようにして、ステップS1で入力した画像データから得られる疵データの全てについて疵種の判別が行われると、ステップS13に進む。ステップS13に進むと、疵判定部27は、疵を模した画像を重ね合わせた疵検出画像データ(マップ)を生成し、表示装置8に表示する。そして、図10のフローチャートによる処理を終了する。
次に、ステップS12において、疵判定部27は、ステップS2で得られた疵データの全てについて疵種の判別を行ったか否かを判定する。この判定の結果、疵データの全てについて疵種の判別を行っていない場合には、ステップS6に戻り、疵判定部27は、未選択の疵データを1つ選択する。そして、疵データの全てについて疵種の判別を行うまで、ステップS6〜S12の処理を繰り返し行う。
以上のようにして、ステップS1で入力した画像データから得られる疵データの全てについて疵種の判別が行われると、ステップS13に進む。ステップS13に進むと、疵判定部27は、疵を模した画像を重ね合わせた疵検出画像データ(マップ)を生成し、表示装置8に表示する。そして、図10のフローチャートによる処理を終了する。
ステップS1において、撮像装置5から画像データを入力していないと判定されると、ステップS14に進む。ステップS14に進むと、学習モデル取得部26は、疵学習装置7から学習モデルを取得したか否かを判定する。この判定の結果、学習モデルを取得していない場合には、ステップS1に戻る。
一方、学習モデルを取得している場合には、ステップS15に進み、学習モデル取得部26は、ステップS14で取得したと判定された学習モデルと同種の学習モデルを既に登録済みであるか否かを判定する。
一方、学習モデルを取得している場合には、ステップS15に進み、学習モデル取得部26は、ステップS14で取得したと判定された学習モデルと同種の学習モデルを既に登録済みであるか否かを判定する。
この判定の結果、ステップS14で取得したと判定された学習モデルと同種の学習モデルを登録済みでない場合には、ステップS16に進む。ステップS16に進むと、疵判定部27は、ステップS16で取得された学習モデルを新規登録する。そして、ステップS1に戻る。
一方、ステップS14で取得したと判定された学習モデルと同種の学習モデルを既に登録済みである場合には、ステップS17に進む。ステップS17に進むと、疵判定部27は、登録済みである学習モデルをステップS14で取得したと判定された学習モデルに書き換える。そして、ステップS1に戻る。
一方、ステップS14で取得したと判定された学習モデルと同種の学習モデルを既に登録済みである場合には、ステップS17に進む。ステップS17に進むと、疵判定部27は、登録済みである学習モデルをステップS14で取得したと判定された学習モデルに書き換える。そして、ステップS1に戻る。
次に、図11のフローチャートを参照しながら、疵学習装置7の動作の一例を説明する。
まず、ステップS101において、疵データ取得部31は、疵判定装置6から送信された疵データを受信するまで待機する。尚、このステップS101では、所定の日の最初のコイルについて得られた全ての疵データを一度に受信する。そして、疵データを受信すると、ステップS102に進む。ステップS102に進むと、疵データ取得部31は、学習モデル記憶部36に、学習モデルが記憶されているか否かを判定する。この判定の結果、学習モデル記憶部36に、学習モデルが記憶されている場合には、後述するステップS110に進む。
一方、学習モデル記憶部36に、学習モデルが記憶されていない場合には、ステップS103に進む。ステップS103に進むと、教師データ生成部32は、ステップS101で受信した全ての疵データの夫々に対して正解データを付与する。
次に、ステップS104において、特徴量空間配置部33は、複数の特徴量の組み合わせを1つ選択する。
まず、ステップS101において、疵データ取得部31は、疵判定装置6から送信された疵データを受信するまで待機する。尚、このステップS101では、所定の日の最初のコイルについて得られた全ての疵データを一度に受信する。そして、疵データを受信すると、ステップS102に進む。ステップS102に進むと、疵データ取得部31は、学習モデル記憶部36に、学習モデルが記憶されているか否かを判定する。この判定の結果、学習モデル記憶部36に、学習モデルが記憶されている場合には、後述するステップS110に進む。
一方、学習モデル記憶部36に、学習モデルが記憶されていない場合には、ステップS103に進む。ステップS103に進むと、教師データ生成部32は、ステップS101で受信した全ての疵データの夫々に対して正解データを付与する。
次に、ステップS104において、特徴量空間配置部33は、複数の特徴量の組み合わせを1つ選択する。
次に、ステップS105において、特徴量空間配置部33は、正解データが付与された"疵種に関する複数個の疵データ"の夫々のデータ点(特徴量の値)を、ステップS104で選択した各特徴量のそれぞれを座標軸とする座標空間(特徴量空間)に配置する。そして、特徴量空間配置部33は、それらの疵データの夫々のデータ点(特徴量の値)の領域が相互に重複しているか否かを判定する。この判定の結果、疵データの夫々のデータ点(特徴量の値)の領域が相互に重複している場合には、ステップS106を省略して後述するステップS107に進む。
一方、疵データの夫々のデータ点(特徴量の値)の領域が相互に重複していない場合には、ステップS106に進む。ステップS106に進むと、特徴量組み合わせ判別部34は、ステップS105で座標空間に配置したデータ点(特徴量の値)の組み合わせを、正解データである疵種「CL1」、「CL2」を完全に分離できる特徴量の値の組み合わせであると判別する。そして、特徴量組み合わせ判別部34は、ステップS105で座標空間に配置したデータ点(特徴量の値)の組み合わせを記憶する。
一方、疵データの夫々のデータ点(特徴量の値)の領域が相互に重複していない場合には、ステップS106に進む。ステップS106に進むと、特徴量組み合わせ判別部34は、ステップS105で座標空間に配置したデータ点(特徴量の値)の組み合わせを、正解データである疵種「CL1」、「CL2」を完全に分離できる特徴量の値の組み合わせであると判別する。そして、特徴量組み合わせ判別部34は、ステップS105で座標空間に配置したデータ点(特徴量の値)の組み合わせを記憶する。
次に、ステップS107において、特徴量空間配置部33は、全ての特徴量の組み合わせを選択したか否かを判定する。この判定の結果、全ての特徴量の組み合わせを選択していない場合には、ステップS104に戻り、特徴量空間配置部33は、未選択の特徴量の組み合わせを1つ選択する。そして、全ての特徴量の組み合わせについて処理が終了するまで、ステップS104〜S107の処理を繰り返し行う。
全ての特徴量の組み合わせについて処理が終了すると、ステップS108に進む。ステップS108に進むと、学習モデル生成・更新部35は、ステップS106で記憶された特徴量の値の組み合わせと、正解データである疵種「CL1」、「CL2」とに基づいて、各特徴量の値の組(すなわち、座標空間内における領域)と疵種とを相互に対応付けるための1つ又は複数の部分特徴量空間を生成する。そして、学習モデル生成・更新部35は、生成した部分特徴量空間を学習モデルとして学習モデル記憶部36に記憶する。
全ての特徴量の組み合わせについて処理が終了すると、ステップS108に進む。ステップS108に進むと、学習モデル生成・更新部35は、ステップS106で記憶された特徴量の値の組み合わせと、正解データである疵種「CL1」、「CL2」とに基づいて、各特徴量の値の組(すなわち、座標空間内における領域)と疵種とを相互に対応付けるための1つ又は複数の部分特徴量空間を生成する。そして、学習モデル生成・更新部35は、生成した部分特徴量空間を学習モデルとして学習モデル記憶部36に記憶する。
次に、ステップS109において、学習モデル出力部37は、ステップS108で生成された学習モデルを疵判定装置6に送信する。そして、ステップS101に戻る。
ステップS102において、学習モデル記憶部36に、学習モデルが記憶されていると判定された場合には、ステップS110に進む。ステップS110に進むと、不確信データ抽出部38は、ステップS101で受信した全ての疵データの1つを選択する。
次に、ステップS111において、不確信データ抽出部38は、ステップS110で選択した疵データに対して、学習モデルを適用する。
次に、ステップS112において、不確信データ抽出部38は、ステップS111で学習モデルを適用した結果に基づいて、疵種「CL1」への投票率VRを導出し、疵種「CL1」への投票率VRが、30%以上70%以下であるか否かを判定する。この判定の結果、疵種「CL1」への投票率VRが、30%以上70%以下でない場合には、ステップS110で選択した疵データは、学習データの更新に有用な疵データではないので、ステップS113を省略して後述するステップS114に進む。
ステップS102において、学習モデル記憶部36に、学習モデルが記憶されていると判定された場合には、ステップS110に進む。ステップS110に進むと、不確信データ抽出部38は、ステップS101で受信した全ての疵データの1つを選択する。
次に、ステップS111において、不確信データ抽出部38は、ステップS110で選択した疵データに対して、学習モデルを適用する。
次に、ステップS112において、不確信データ抽出部38は、ステップS111で学習モデルを適用した結果に基づいて、疵種「CL1」への投票率VRを導出し、疵種「CL1」への投票率VRが、30%以上70%以下であるか否かを判定する。この判定の結果、疵種「CL1」への投票率VRが、30%以上70%以下でない場合には、ステップS110で選択した疵データは、学習データの更新に有用な疵データではないので、ステップS113を省略して後述するステップS114に進む。
一方、疵種「CL1」への投票率VRが、30%以上70%以下である場合には、ステップS113に進む。ステップS113に進むと、不確信データ抽出部38は、ステップS110で選択した疵データを、学習データの更新に有用な疵データとして一時的に記憶する。そして、ステップS114に進む。
ステップS114に進むと、不確信データ抽出部38は、ステップS101で受信した全ての疵データを選択したか否かを判定する。この判定の結果、ステップS101で受信した全ての疵データを選択していない場合には、ステップS110に戻り、不確信データ抽出部38は、未選択の疵データを1つ選択する。そして、ステップS101で受信した全ての疵データについて処理が終了するまで、ステップS110〜S114の処理を繰り返し行う。
ステップS114に進むと、不確信データ抽出部38は、ステップS101で受信した全ての疵データを選択したか否かを判定する。この判定の結果、ステップS101で受信した全ての疵データを選択していない場合には、ステップS110に戻り、不確信データ抽出部38は、未選択の疵データを1つ選択する。そして、ステップS101で受信した全ての疵データについて処理が終了するまで、ステップS110〜S114の処理を繰り返し行う。
ステップS101で受信した全ての疵データについて処理が終了すると、ステップS115に進み、教師データ生成部32は、ステップS113で記憶した疵データの夫々に対して正解データを付与する。
次に、ステップS116において、特徴量空間配置部33は、複数の特徴量の組み合わせを1つ選択する。
次に、ステップS117において、特徴量空間配置部33は、正解データが付与された"疵種に関する複数個の疵データ"の夫々のデータ点(特徴量の値)を、ステップS115で選択した各特徴量を座標軸とする座標空間(特徴量空間)に配置する。尚、前述したように、このステップS117では、今回ステップS115で正解データが付与された疵データのデータ点(特徴量の値)に加えて、それまでにステップS103、S115で正解データが付与された疵データのデータ点(特徴量の値)も座標空間(特徴量空間)に配置する。そして、特徴量空間配置部33は、それらの疵データの夫々のデータ点(特徴量の値)の領域が相互に重複しているか否かを判定する。この判定の結果、疵データの夫々のデータ点(特徴量の値)の領域が相互に重複していない場合には、後述するステップS120に進む。
次に、ステップS116において、特徴量空間配置部33は、複数の特徴量の組み合わせを1つ選択する。
次に、ステップS117において、特徴量空間配置部33は、正解データが付与された"疵種に関する複数個の疵データ"の夫々のデータ点(特徴量の値)を、ステップS115で選択した各特徴量を座標軸とする座標空間(特徴量空間)に配置する。尚、前述したように、このステップS117では、今回ステップS115で正解データが付与された疵データのデータ点(特徴量の値)に加えて、それまでにステップS103、S115で正解データが付与された疵データのデータ点(特徴量の値)も座標空間(特徴量空間)に配置する。そして、特徴量空間配置部33は、それらの疵データの夫々のデータ点(特徴量の値)の領域が相互に重複しているか否かを判定する。この判定の結果、疵データの夫々のデータ点(特徴量の値)の領域が相互に重複していない場合には、後述するステップS120に進む。
一方、疵データの夫々のデータ点(特徴量の値)の領域が相互に重複している場合には、ステップS118に進む。ステップS118に進むと、特徴量組み合わせ判別部34は、ステップS116で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせであるか否かを判定する。この判定の結果、ステップS116で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせでない場合には、部分特徴量空間を削除する必要はないので、ステップS119を省略して後述するステップS122に進む。一方、ステップS116で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせである場合には、ステップS119に進み、特徴量組み合わせ判別部34は、ステップS118で登録されていると判定された部分特徴量空間を学習モデルから削除する。図6に示す例では、部分特徴量空間2がこのステップS119で削除される。そして、後述するステップS122に進む。
ステップS117において、疵データの夫々のデータ点(特徴量の値)の領域が相互に重複していないと判定された場合には、ステップS120に進む。ステップS120に進むと、特徴量組み合わせ判別部34は、ステップS116で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせであるか否かを判定する。この判定の結果、ステップS116で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせである場合には、部分特徴量空間を追加する必要はないので、ステップS121を省略して後述するステップS122に進む。一方、ステップS116で選択した特徴量の組み合わせが部分特徴量空間として登録されている組み合わせでない場合には、ステップS121に進み、特徴量組み合わせ判別部34は、ステップS118で登録されていると判定された部分特徴量空間を学習モデルに追加する。図6に示す例では、部分特徴量空間L+1が、このステップS121で追加される。そして、ステップS122に進む。
ステップS122に進むと、特徴量空間配置部33は、全ての特徴量の組み合わせを選択したか否かを判定する。この判定の結果、全ての特徴量の組み合わせを選択していない場合には、ステップS116に戻り、特徴量空間配置部33は、未選択の特徴量の組み合わせを1つ選択する。そして、全ての特徴量の組み合わせについて処理が終了するまで、ステップS116〜S122の処理を繰り返し行う。
全ての特徴量の組み合わせについて処理が終了すると、ステップS123に進む。ステップS123に進むと、学習モデル生成・更新部35は、ステップS119、S121の結果に基づいて学習モデルを更新し、更新した学習モデルを学習モデル記憶部36に記憶する。
次に、ステップS124において、学習モデル出力部37は、ステップS123で更新された学習モデルを疵判定装置6に送信する。そして、ステップS101に戻る。
全ての特徴量の組み合わせについて処理が終了すると、ステップS123に進む。ステップS123に進むと、学習モデル生成・更新部35は、ステップS119、S121の結果に基づいて学習モデルを更新し、更新した学習モデルを学習モデル記憶部36に記憶する。
次に、ステップS124において、学習モデル出力部37は、ステップS123で更新された学習モデルを疵判定装置6に送信する。そして、ステップS101に戻る。
図12は、各月における学習モデルの生成・更新に使用した疵データの数(データ数)の一例を示す図である。図12では、めっき製造ラインで製造されためっき鋼板10に生じている疵が、2種類の疵種「CL1」と「CL2」の何れであるかを調査した結果である。また、ここでは、特徴量の種類を20種類としている。また、尚、各月において、約600個の疵データを疵学習装置7に新たに入力している。
図12において、黒塗りのグラフは、本実施形態のように、最初の月(1月)を除いて、学習モデルにおける疵種の判別結果に対する確信度が低い疵データだけを学習モデルの更新に用いた場合のデータ数を示す。一方、白抜きのグラフは、全ての月において、全ての疵データを学習モデルの更新に用いた場合のデータ数を示す。図12に示すように、本実施形態のようにすれば、学習モデルの更新を行えば行うほど、更新に用いる疵データの数を削減することができることが分かる。図12に示す例では、8月では、本実施形態のようにすれば、全ての疵データを学習モデルの更新に用いる場合に比べて、更新に用いる疵データの数を約1/3にすることができた。
図12において、黒塗りのグラフは、本実施形態のように、最初の月(1月)を除いて、学習モデルにおける疵種の判別結果に対する確信度が低い疵データだけを学習モデルの更新に用いた場合のデータ数を示す。一方、白抜きのグラフは、全ての月において、全ての疵データを学習モデルの更新に用いた場合のデータ数を示す。図12に示すように、本実施形態のようにすれば、学習モデルの更新を行えば行うほど、更新に用いる疵データの数を削減することができることが分かる。図12に示す例では、8月では、本実施形態のようにすれば、全ての疵データを学習モデルの更新に用いる場合に比べて、更新に用いる疵データの数を約1/3にすることができた。
図13は、各月における疵種一致率の一例を示す図である。図13では、図12に示した結果が得られたものと同じ疵データを処理した結果を示している。ここで、疵種一致率とは、ある疵について疵判定装置6で疵種を判定した結果と、当該疵を検査員が目視で確認した結果とが一致した割合を示す。
図13において、グラフ131は、本実施形態のように、最初の月(1月)を除いて、学習モデルにおける疵種の判別結果に対する確信度が低い疵データだけを学習モデルの更新に用いた場合の疵種一致率を示す。一方、グラフ132は、全ての月において、全ての疵データを学習モデルの更新に用いた場合の疵種一致率を示す。図13に示すように、本実施形態のようにすれば、疵種の識別性能を向上させることができることが分かる。これは、全ての疵データを学習モデルの更新に用いると、学習モデルが過学習の状態になり、疵種が未知の疵データに対する汎化性が劣るためであると考えられる。また、正解データを付与する疵データが多くなりすぎると、疵データに対して検査員が設定する正解データに誤りが発生する可能性が高くなると考えられる。特に、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が高い領域に配置される疵データに対して設定する正解データに誤りがあった場合の方が、確信度が低い領域に配置される疵データに対して設定する正解データに誤りがあった場合よりも学習モデルの成長に、より悪影響を及ぼすと考えられる。
図13において、グラフ131は、本実施形態のように、最初の月(1月)を除いて、学習モデルにおける疵種の判別結果に対する確信度が低い疵データだけを学習モデルの更新に用いた場合の疵種一致率を示す。一方、グラフ132は、全ての月において、全ての疵データを学習モデルの更新に用いた場合の疵種一致率を示す。図13に示すように、本実施形態のようにすれば、疵種の識別性能を向上させることができることが分かる。これは、全ての疵データを学習モデルの更新に用いると、学習モデルが過学習の状態になり、疵種が未知の疵データに対する汎化性が劣るためであると考えられる。また、正解データを付与する疵データが多くなりすぎると、疵データに対して検査員が設定する正解データに誤りが発生する可能性が高くなると考えられる。特に、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が高い領域に配置される疵データに対して設定する正解データに誤りがあった場合の方が、確信度が低い領域に配置される疵データに対して設定する正解データに誤りがあった場合よりも学習モデルの成長に、より悪影響を及ぼすと考えられる。
以上のように本実施形態では、疵種「CL1」、「CL2」を完全に分離する特徴量の値の範囲の組と、疵種「CL1」、「CL2」とを相互に対応付けるための複数個(L個)の部分特徴量空間の集合として学習モデルを生成する。そして、入力された疵データのうち、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い疵データだけを用いて、学習モデルを更新する。したがって、学習モデルの更新に有用な疵データを自動的に選択することができる。これにより、検査員による正解データの設定作業を軽減することができ、誤った正解データを疵データに設定してしまうことを防止することができる。よって、疵判定装置6における疵種の判別性能を向上させることができ(すなわち、学習モデルの信頼性を向上させることができ)、疵判定装置6の性能を長期間にわたって自動的に維持することが可能になる。その結果、疵判定装置6が安定的に稼働し、疵判定装置6の機能が、長期的に、鋼板全体にわたって発揮される。
尚、本実施形態では、めっき製造ラインで製造されためっき鋼板10が疵検査対象物である場合を例に挙げて説明したが、疵検査対象物は、金属であれば、どのようなものであってもよい。
また、本実施形態では、疵種の種類が「2」、特徴量の種類が「20」である場合を例に挙げて説明したが、疵種の種類は3以上であってもよいし、特徴量の種類は、2以上であれば幾つであってもよい。
また、本実施形態では、疵種の種類が「2」、特徴量の種類が「20」である場合を例に挙げて説明したが、疵種の種類は3以上であってもよいし、特徴量の種類は、2以上であれば幾つであってもよい。
また、本実施形態では、疵種「CL1」への投票率に基づいて、学習モデルを更新する際に使用する疵データを抽出する場合を例に挙げて説明した。しかしながら、学習モデルを更新する際に使用する疵データを抽出する基準は、このようなものに限定されない。例えば、学習モデルとして、サポートベクタマシン(SVM)のように、特徴量空間における疵種の識別境界からの距離Dで疵種を判別するアルゴリズムを用いた場合には、例えば、次のようにすることができる。すなわち、入力された疵データ(学習モデルに使用するか否かを判定する対象となる「疵種が未知の疵データ」)のうち、−X<D<X(Xは正数)の範囲内にある疵データを、特徴量空間において、学習モデルにおける疵種の判別結果に対する確信度が低い疵データとし、入力された疵データのうち、この疵データのみを、学習モデルの更新に使用することができる。また、学習モデルとして、最近傍法のように、疵種が未知の疵データの近傍に存在する学習データ(疵種が与えられた疵データ)の疵種と数とから、疵種が未知の疵データの疵種を判別するアルゴリズムを用いた場合には、例えば、次のようにすることができる。すなわち、k最近傍法では入力した疵データから近い順にk個の事例を見つける。k個の事例のうち最も多数を占めるクラスに入力した疵データが分類される。ここで、k個のデータの中でクラスCL1とCL2の個数の割合が近ければ確信度が低いと言える。学習モデルにおける疵種の判別結果に対する確信度が低い疵データを求め、入力された疵データのうち、この疵データのみを、学習モデルの更新に使用することができる。
尚、本実施形態では、例えば、図2の疵データ取得部31を用いることにより取得手段の一例が実現され、教師データ生成部32を用いることにより付与手段の一例が実現され、特徴量空間配置部33、特徴量組み合わせ判別部34及び学習モデル生成・更新部35を用いることにより、生成手段の一例が実現される。また、例えば、不確信データ抽出部38を用いることにより、抽出手段の一例が実現される。また、例えば、特徴量空間配置部33、特徴量組み合わせ判別部34、学習モデル生成・更新部35を用いることにより更新手段の一例が実現される。
また、例えば、図11のステップS101の処理を実行することにより、取得工程の一例が実現され、ステップS103、S115の処理を実行することにより、付与工程の一例が実現され、ステップS104〜S108の処理を実行することにより、生成工程の一例が実現される。また、例えば、図11のステップS110〜S114の処理を実行することにより、抽出工程の一例が実現され、ステップS116〜S123の処理を実行することにより、更新工程の一例が実現される。
また、特定の疵種の一例は疵種「CL1」であり、所定の範囲の一例は30%≦VR≦70%(VRは投票率)である。
また、例えば、図11のステップS101の処理を実行することにより、取得工程の一例が実現され、ステップS103、S115の処理を実行することにより、付与工程の一例が実現され、ステップS104〜S108の処理を実行することにより、生成工程の一例が実現される。また、例えば、図11のステップS110〜S114の処理を実行することにより、抽出工程の一例が実現され、ステップS116〜S123の処理を実行することにより、更新工程の一例が実現される。
また、特定の疵種の一例は疵種「CL1」であり、所定の範囲の一例は30%≦VR≦70%(VRは投票率)である。
尚、以上説明した本発明の実施形態は、コンピュータがプログラムを実行することによって実現することができる。また、プログラムをコンピュータに供給するための手段、例えばかかるプログラムを記録したCD−ROM等のコンピュータ読み取り可能な記録媒体、又はかかるプログラムを伝送する伝送媒体も本発明の実施の形態として適用することができる。また、前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などのプログラムプロダクトも本発明の実施の形態として適用することができる。前記のプログラム、コンピュータ読み取り可能な記録媒体、伝送媒体及びプログラムプロダクトは、本発明の範疇に含まれる。
また、以上説明した本発明の実施形態は、何れも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。
また、以上説明した本発明の実施形態は、何れも本発明を実施するにあたっての具体化の例を示したものに過ぎず、これらによって本発明の技術的範囲が限定的に解釈されてはならないものである。すなわち、本発明はその技術思想、またはその主要な特徴から逸脱することなく、様々な形で実施することができる。
1 帯状鋼板
2 搬送ロール
3 ロータリーエンコーダ
4 照明装置
5 撮像装置
6 疵判定装置
7 疵学習装置
8、9 表示装置
10 めっき鋼板
2 搬送ロール
3 ロータリーエンコーダ
4 照明装置
5 撮像装置
6 疵判定装置
7 疵学習装置
8、9 表示装置
10 めっき鋼板
Claims (5)
- 検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得手段と、
前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与手段と、
前記取得手段により取得された疵データの特徴量の値であって、前記付与手段により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成手段と、
前記取得手段により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出手段と、
前記生成手段により生成された学習モデルを更新する更新手段と、を有し、
前記付与手段は、前記更新手段により前記学習モデルを更新する際には、前記取得手段により取得された疵データのうち、前記抽出手段により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、
前記更新手段は、前記抽出手段により抽出された疵データの特徴量の値であって、前記付与手段により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とする疵学習装置。 - 前記学習モデルは、複数の疵種を分離できる特徴量の値の範囲の組と、当該複数の疵種とを相互に対応付けるための複数の部分特徴量空間であって、それぞれが、疵データの特徴量の値の組が与えられると、当該疵データの特徴量の値の組の部分特徴量空間における位置に基づいて、一の疵種を、疵種の判別結果として出力する複数の部分特徴量空間を有し、
前記抽出手段は、前記取得手段により取得された疵データの特徴量の値の組を前記複数の部分特徴量空間に与えることによりそれぞれの部分特徴量空間から判別結果として出力された疵種が複数あり、且つ、前記部分特徴量空間の総数に対する、当該複数の疵種のうちの特定の疵種の数が、所定の範囲にある場合に、当該疵データを、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データとして抽出することを特徴とする請求項1に記載の疵学習装置。 - 検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得工程と、
前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与工程と、
前記取得工程により取得された疵データの特徴量の値であって、前記付与工程により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成工程と、
前記取得工程により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出工程と、
前記生成工程により生成された学習モデルを更新する更新工程と、を有し、
前記付与工程は、前記更新工程により前記学習モデルを更新する際には、前記取得工程により取得された疵データのうち、前記抽出工程により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、
前記更新工程は、前記抽出工程により抽出された疵データの特徴量の値であって、前記付与工程により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とする疵学習方法。 - 前記学習モデルは、複数の疵種を分離できる特徴量の値の範囲の組と、当該複数の疵種とを相互に対応付けるための複数の部分特徴量空間であって、それぞれが、疵データの特徴量の値の組が与えられると、当該疵データの特徴量の値の組の部分特徴量空間における位置に基づいて、一の疵種を、疵種の判別結果として出力する複数の部分特徴量空間を有し、
前記抽出工程は、前記取得工程により取得された疵データの特徴量の値の組を前記複数の部分特徴量空間に与えることによりそれぞれの部分特徴量空間から判別結果として出力された疵種が複数あり、且つ、前記部分特徴量空間の総数に対する、当該複数の疵種のうちの特定の疵種の数が、所定の範囲にある場合に、当該疵データを、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データとして抽出することを特徴とする請求項3に記載の疵学習方法。 - 検査対象物の画像から、データ項目として疵の複数の特徴量をそれぞれ含む複数個の疵データを取得する取得工程と、
前記疵データそれぞれに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与する付与工程と、
前記取得工程により取得された疵データの特徴量の値であって、前記付与工程により正解データが付与された複数個の疵データそれぞれの複数の特徴量の値を、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、疵データの複数の特徴量の値から当該疵データの疵種を判別するための学習モデルを生成する生成工程と、
前記取得工程により取得された疵データのうち、当該疵データの複数の特徴量それぞれを各座標軸とする特徴量空間において、前記学習モデルにおける疵種の判別結果に対する確信度が低い疵データを抽出する抽出工程と、
前記生成工程により生成された学習モデルを更新する更新工程と、をコンピュータに実行させ、
前記付与工程は、前記更新工程により前記学習モデルを更新する際には、前記取得工程により取得された疵データのうち、前記抽出工程により抽出された疵データに対し、疵種の正解データを、ユーザによる入力装置の操作に基づいて付与し、
前記更新工程は、前記抽出工程により抽出された疵データの特徴量の値であって、前記付与工程により正解データが付与された疵データの複数の特徴量の値と、既に前記学習モデルの生成に使用された疵データの当該複数の特徴量の値とを、当該複数の特徴量それぞれを各座標軸とする特徴量空間に配置した結果に基づいて、前記学習モデルを更新することを特徴とするコンピュータプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010057762A JP2011192032A (ja) | 2010-03-15 | 2010-03-15 | 疵学習装置、疵学習方法、及びコンピュータプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2010057762A JP2011192032A (ja) | 2010-03-15 | 2010-03-15 | 疵学習装置、疵学習方法、及びコンピュータプログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2011192032A true JP2011192032A (ja) | 2011-09-29 |
Family
ID=44796866
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2010057762A Pending JP2011192032A (ja) | 2010-03-15 | 2010-03-15 | 疵学習装置、疵学習方法、及びコンピュータプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2011192032A (ja) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6004084B2 (ja) * | 2013-03-29 | 2016-10-05 | 富士通株式会社 | モデル更新方法、装置、およびプログラム |
JP6431231B1 (ja) * | 2017-12-24 | 2018-11-28 | オリンパス株式会社 | 撮像システム、学習装置、および撮像装置 |
JP2020052044A (ja) * | 2018-09-21 | 2020-04-02 | 古河電気工業株式会社 | 画像判定装置、画像検査装置、端子付き電線製造システム、および画像判定方法 |
JP2020085705A (ja) * | 2018-11-28 | 2020-06-04 | セイコーエプソン株式会社 | 判定装置及び判定方法 |
CN111598827A (zh) * | 2019-02-19 | 2020-08-28 | 富泰华精密电子(郑州)有限公司 | 外观瑕疵检测方法、电子装置及存储介质 |
JP2020527227A (ja) * | 2017-07-03 | 2020-09-03 | サウジ アラビアン オイル カンパニー | ファイバグラスおよび非金属パイプを非破壊検査するための装置および方法 |
CN111699499A (zh) * | 2018-03-14 | 2020-09-22 | 欧姆龙株式会社 | 检查***、图像识别***、识别***、识别器生成***及学习数据生成装置 |
JP2020187072A (ja) * | 2019-05-16 | 2020-11-19 | 株式会社キーエンス | 画像検査装置及び画像検査装置の設定方法 |
US10878286B2 (en) | 2016-02-24 | 2020-12-29 | Nec Corporation | Learning device, learning method, and recording medium |
JP2021516386A (ja) * | 2018-03-05 | 2021-07-01 | オムロン株式会社 | ワークを検出するための方法、装置、システム、プログラム、及び記憶媒体 |
CN113808035A (zh) * | 2021-08-25 | 2021-12-17 | 厦门微图软件科技有限公司 | 一种基于半监督学习的瑕疵检测方法 |
CN114199879A (zh) * | 2021-11-23 | 2022-03-18 | 北京科技大学 | 一种冷轧带钢表面聚集型缺陷的识别方法 |
JP7423368B2 (ja) | 2020-03-23 | 2024-01-29 | イビデン株式会社 | 不良検出装置及び不良検出方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009250722A (ja) * | 2008-04-03 | 2009-10-29 | Nippon Steel Corp | 疵学習装置、疵学習方法、及びコンピュータプログラム |
-
2010
- 2010-03-15 JP JP2010057762A patent/JP2011192032A/ja active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009250722A (ja) * | 2008-04-03 | 2009-10-29 | Nippon Steel Corp | 疵学習装置、疵学習方法、及びコンピュータプログラム |
Non-Patent Citations (2)
Title |
---|
CSNG200900354032; 松尾 祥和: '逐次テスト特徴法における成熟度の解析' 報処理学会研究報告 第2009巻 第29号, 20090306, p.229-234, 社団法人情報処理学会 * |
JPN6012069074; 松尾 祥和: '逐次テスト特徴法における成熟度の解析' 報処理学会研究報告 第2009巻 第29号, 20090306, p.229-234, 社団法人情報処理学会 * |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6004084B2 (ja) * | 2013-03-29 | 2016-10-05 | 富士通株式会社 | モデル更新方法、装置、およびプログラム |
JPWO2014155690A1 (ja) * | 2013-03-29 | 2017-02-16 | 富士通株式会社 | モデル更新方法、装置、およびプログラム |
US10878286B2 (en) | 2016-02-24 | 2020-12-29 | Nec Corporation | Learning device, learning method, and recording medium |
US11460412B2 (en) | 2017-07-03 | 2022-10-04 | Saudi Arabian Oil Company | System for nondestructively inspecting fiberglass and nonmetallic pipes |
JP2020527227A (ja) * | 2017-07-03 | 2020-09-03 | サウジ アラビアン オイル カンパニー | ファイバグラスおよび非金属パイプを非破壊検査するための装置および方法 |
CN109978812A (zh) * | 2017-12-24 | 2019-07-05 | 奥林巴斯株式会社 | 摄像***、学习装置、摄像装置和学习方法 |
JP2019114222A (ja) * | 2017-12-24 | 2019-07-11 | オリンパス株式会社 | 撮像システム、学習装置、および撮像装置 |
JP6431231B1 (ja) * | 2017-12-24 | 2018-11-28 | オリンパス株式会社 | 撮像システム、学習装置、および撮像装置 |
JP7103421B2 (ja) | 2018-03-05 | 2022-07-20 | オムロン株式会社 | ワークを検出するための方法、装置、システム、プログラム、及び記憶媒体 |
JP2021516386A (ja) * | 2018-03-05 | 2021-07-01 | オムロン株式会社 | ワークを検出するための方法、装置、システム、プログラム、及び記憶媒体 |
CN111699499B (zh) * | 2018-03-14 | 2023-09-29 | 欧姆龙株式会社 | 检查、图像识别、识别器生成***及学习数据生成装置 |
CN111699499A (zh) * | 2018-03-14 | 2020-09-22 | 欧姆龙株式会社 | 检查***、图像识别***、识别***、识别器生成***及学习数据生成装置 |
US11715190B2 (en) | 2018-03-14 | 2023-08-01 | Omron Corporation | Inspection system, image discrimination system, discrimination system, discriminator generation system, and learning data generation device |
JP2020052044A (ja) * | 2018-09-21 | 2020-04-02 | 古河電気工業株式会社 | 画像判定装置、画像検査装置、端子付き電線製造システム、および画像判定方法 |
JP7306933B2 (ja) | 2018-09-21 | 2023-07-11 | 古河電気工業株式会社 | 画像判定装置、画像検査装置、および画像判定方法 |
JP2020085705A (ja) * | 2018-11-28 | 2020-06-04 | セイコーエプソン株式会社 | 判定装置及び判定方法 |
JP7119949B2 (ja) | 2018-11-28 | 2022-08-17 | セイコーエプソン株式会社 | 判定装置及び判定方法 |
CN111598827A (zh) * | 2019-02-19 | 2020-08-28 | 富泰华精密电子(郑州)有限公司 | 外观瑕疵检测方法、电子装置及存储介质 |
JP7267094B2 (ja) | 2019-05-16 | 2023-05-01 | 株式会社キーエンス | 画像検査装置及び画像検査装置の設定方法 |
JP2020187072A (ja) * | 2019-05-16 | 2020-11-19 | 株式会社キーエンス | 画像検査装置及び画像検査装置の設定方法 |
JP7489523B2 (ja) | 2019-05-16 | 2024-05-23 | 株式会社キーエンス | 画像検査装置及び画像検査装置の設定方法 |
JP7423368B2 (ja) | 2020-03-23 | 2024-01-29 | イビデン株式会社 | 不良検出装置及び不良検出方法 |
CN113808035A (zh) * | 2021-08-25 | 2021-12-17 | 厦门微图软件科技有限公司 | 一种基于半监督学习的瑕疵检测方法 |
CN113808035B (zh) * | 2021-08-25 | 2024-04-26 | 厦门微图软件科技有限公司 | 一种基于半监督学习的瑕疵检测方法 |
CN114199879A (zh) * | 2021-11-23 | 2022-03-18 | 北京科技大学 | 一种冷轧带钢表面聚集型缺陷的识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2011192032A (ja) | 疵学習装置、疵学習方法、及びコンピュータプログラム | |
EP3483833B1 (en) | Data generation apparatus, data generation method, and data generation program | |
CN111919117B (zh) | 细胞图像解析装置、***、学习数据生成方法及程序、制造方法、学习模型生成方法 | |
JP2018005640A (ja) | 分類器生成装置、画像検査装置、及び、プログラム | |
JP2016109495A (ja) | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム | |
JP2008082821A (ja) | 欠陥分類方法及びその装置並びに欠陥検査装置 | |
JP6490365B2 (ja) | 微生物検査装置の検証方法、微生物検査装置における検証装置及びプログラム | |
JP6973623B2 (ja) | 学習済みモデルの生成方法、学習済みモデル、表面欠陥検出方法、鋼材の製造方法、合否判定方法、等級判定方法、表面欠陥判定プログラム、合否判定プログラム、判定システム、及び鋼材の製造設備 | |
JP2014142871A (ja) | 教師データ作成支援装置、教師データ作成装置、画像分類装置、教師データ作成支援方法、教師データ作成方法および画像分類方法 | |
CN111986195B (zh) | 一种外观缺陷检测方法及*** | |
US20190272627A1 (en) | Automatically generating image datasets for use in image recognition and detection | |
JP2019106119A (ja) | 検出システム、情報処理装置、評価方法及びプログラム | |
JP2022507678A (ja) | 自動目視検査プロセスにおけるセットアップ段階の最適化 | |
CN114119535A (zh) | 基于视觉检测的激光清洗效果在线监测方法 | |
JP2020177430A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JP5163505B2 (ja) | 疵学習装置、疵学習方法、及びコンピュータプログラム | |
JP5211810B2 (ja) | 疵学習装置、疵学習方法、及びコンピュータプログラム | |
JP2007198968A (ja) | 画像分類方法及び画像分類装置 | |
US20070043722A1 (en) | Classification system | |
CN116579984A (zh) | 一种疵点自主学习的智能验布方法及*** | |
JP7293907B2 (ja) | 外観検査管理システム、外観検査管理装置、外観検査管理方法及びプログラム | |
JP7119949B2 (ja) | 判定装置及び判定方法 | |
JP2022142018A (ja) | 空調装置の汚損判定システム、汚損判定方法およびプログラム | |
JP5975295B2 (ja) | 検査装置及びプログラム | |
CA2997335C (en) | Automatically generating image datasets for use in image recognition and detection |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20120209 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20121213 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20130611 |