【技术实现步骤摘要】
异常判定模型生成方法和异常判定模型生成装置以及检查装置
[0001]本专利技术涉及异常判定模型生成方法和异常判定模型生成装置以及检查装置。
技术介绍
[0002] 近年，深度学习等AI（Artificial Intelligence，人工智能）技术发达，讨论了在各种检查中活用AI。作为应用了一般的AI技术的检查的自动化方法，考虑了利用监督机器学习进行的异常感测、或利用无监督机器学习进行的异常感测等手法。
[0003]在使用监督机器学习来进行在外观中出现的异常的检查的情况下，在实施机器学习之前，需要预先准备许多监督图像数据，按正常或异常、或异常的每个水平来进行标记。此时，当监督图像数据不足时，不能感测未知的异常，而不能进行有效的学习。因此，进行如下操作，即：通过对拍摄了实际异常的监督图像数据进行图像处理，来生成新的监督图像数据，从而增加监督图像数据数量。
[0004] 例如，在专利文献1中提出了如下的技术，即：在机器学习中使用的监督图像数据的数量不足的情况下，生成质量好的监督图像数据。具体地，在专利文献1中公开...
【技术保护点】
【技术特征摘要】
1. 一种异常判定模型生成方法，生成异常判定模型，所述异常判定模型用于将对检查对象进行测定的检查图像数据作为输入数据来判定所述检查对象的异常，其特征在于，所述异常判定模型生成方法包含：基于疑似数据（Img_fak）来生成用于生成所述异常判定模型的学习用数据集（Img_tch）的步骤，所述疑似数据不是对检查对象进行测定的实图像数据；以及使用所述学习用数据集（Img_tch）来生成所述异常判定模型的步骤。2.根据权利要求1所述的异常判定模型生成方法，其特征在于，所述疑似数据（Img_fak）的异常的特征模式是由用户制作的异常的特征模式。3.根据权利要求1或2所述的异常判定模型生成方法，其特征在于，所述疑似数据（Img_fak）的异常的特征模式是在所述检查对象的表面所形成的异常的形状的模式。4.一种异常判定模型生成装置，生成异常判定模型，所述异常判定模型用于将对检查对象进行测定的检查图像数据作为输入数据来判定所述检查对象的异常，其特征在于，...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。