【技术实现步骤摘要】
【国外来华专利技术】数据生成系统、学习装置、数据生成装置、数据生成方法及数据生成程序
[0001]本专利技术涉及一种数据生成系统、学习装置、数据生成装置、数据生成方法及数据生成程序。
技术介绍
[0002]一直以来,在生产线等制造产品的情境下,利用了通过拍摄装置拍摄所制造的产品,并基于得到的图像数据来检查产品的优劣的技术。例如,专利文献1中提出了一种外观检查装置,其通过关节机器人移动光源,同时拍摄来自该光源的检查光所照射至的待检查物的外观,并分析得到的图像,由此进行待检查物的外观检查。另外,例如,专利文献2中提出了一种检查装置,其基于学习完成的第一神经网络判定呈现于图像的待检查物是正常还是异常,在判定待检查物异常的情况下,基于学习完成的第二神经网络对该异常的种类进行分类。
[0003]现有技术文献
[0004]专利文献
[0005]专利文献1:日本特开2019
‑
045330号公报
[0006]专利文献2:日本特开2012
‑
026982号公报
[0007]专利文献3:日本特开2018
‑
175343号公报
[0008]专利文献4:日本特开2019
‑
071050号公报
[0009]专利文献5:日本特开2018
‑
024340号公报
[0010]专利文献6:日本特开2018
‑
189522号公报
技术实现思路
[0011]根据现有的方法,能够根据通过拍 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种数据生成系统,具备:第一获取部,获取多个第一学习数据集,所述第一学习数据集分别由包括第一特征的第一样本及表示所述第一特征的类别的第一标签的组合构成,所述第一样本是规定种类的数据的第一样本;第二获取部,获取多个第二学习数据集,所述第二学习数据集由分别由包括与所述第一特征不同的第二特征的第二样本及表示所述第二特征的类别的第二标签的组合构成,所述第二样本是所述规定种类的数据的第二样本;第一训练部,使用获取的所述多个第一学习数据集,实施包括第一生成器的第一学习模型的机器学习,实施所述第一学习模型的机器学习包括:针对各所述第一学习数据集训练所述第一生成器,以使通过所述第一生成器由所述第一标签生成的伪样本与所述第一样本匹配;第二训练部,使用获取的所述多个第二学习数据集,实施包括第二生成器的第二学习模型的机器学习,实施所述第二学习模型的机器学习包括:针对各所述第二学习数据集训练所述第二生成器,以使通过所述第二生成器由所述第二标签生成的伪样本与所述第二样本匹配;第一生成部,通过将与所述第一标签对应的第一输入值提供给完成训练的所述第一生成器来生成包括所述第一特征的第一伪样本;第二生成部,通过将与所述第二标签对应的第二输入值提供给完成训练的所述第二生成器来生成包括所述第二特征的第二伪样本;及数据合成部,通过向生成的所述第一伪样本合成生成的所述第二伪样本,来生成所述规定种类的数据的新样本。2.根据权利要求1所述的数据生成系统,其中,所述规定种类的数据包括第一分量及与所述第一分量不同的第二分量,所述第二分量成为规定的推测的对象,所述第一特征与所述第一分量相关,所述第二特征与所述第二分量相关。3.根据权利要求1或2所述的数据生成系统,其中,所述第一学习模型还包括第一识别器,通过交替反复执行下述步骤而构成训练所述第一生成器:训练所述第一识别器,以识别输入所述第一识别器的输入样本是由所述多个第一学习数据集中的任意一个得到的所述第一样本还是通过所述第一生成器生成的伪样本;及训练所述第一生成器,以生成如降低所述第一识别器的所述识别的性能这样的伪样本。4.根据权利要求1~3中任一项所述的数据生成系统,其中,所述第二学习模型还包括第二识别器,通过交替反复执行下述步骤而构成训练所述第二生成器:训练所述第二识别器,以识别输入所述第二识别器的输入样本是由所述多个第二学习数据集中的任意一个得到的所述第二样本还是通过所述第二生成器生成的伪样本;及训练所述第二生成器,以生成如降低所述第二识别器的所述识别的性能这样的伪样
本。5.根据权利要求1~4中任一项所述的数据生成系统,其中,还包括:第三获取部,获取分别由所述第二特征的属性的样本值、表示反映所述第二特征的程度的反映水平、及所述第二标签的组合构成的多个第三学习数据集;及第三训练部,使用获取的所述多个第三学习数据集,实施包括第三生成器的第三学习模型的机器学习,实施所述第三学习模型的机器学习包括:针对各所述第三学习数据集训练所述第三生成器,以使通过所述第三生成器由所述反映水平及所述第二标签生成的所述第二特征的属性的伪值与所述样本值匹配,所述合成包括:通过将与所述第二标签对应的第二输入值以及与所述反映水平对应的第三输入值提供给完成训练的所述第三生成器,来生成所述第二特征的属性的伪值;及转换所述第二伪样本以使所述第二伪样本中所含的所述第二特征的属性的值与生成的所述伪值匹配,并且向所述第一伪样本合成所述第二伪样本。6.根据权利要求1所述的数据生成系统,其中,还具备:第三获取部,获取分别由所述第二特征的属性的样本值、表示反映所述第二特征的程度的反映水平、及所述第二标签的组合构成的多个第三学习数据集;及第三训练部,使用获取的所述多个第三学习数据集,实施包括第三生成器的第三学习模型的机器学习,实施所述第三学习模型的机器学习包括:针对各所述第三学习数据集训练所述第三生成器,以使通过所述第三生成器由所述反映水平及所述第二标签生成的所述第二特征的属性的伪值与所述样本值匹配,所述规定种类的数据包括第一分量及与所述第一分量不同的第二分量,所述第二分量成为规定的推测的对象,所述第一特征与所述第一分量相关,所述第二特征与所述第二分量相关,所述规定的推测是指检测所述第二分量,所述合成包括:通过将与所述第二标签对应的第二输入值、以及与所述反映水平对应的第三输入值、即根据所述检测的极限所提供的第三输入值提供给完成训练的所述第三生成器,来生成所述第二特征的属性的伪值;及转换所述第二伪样本以使所述第二伪样本中所含的所述第二特征的属性的值与生成的所述伪值匹配,并且向所述第一伪样本合成所述第二伪样本。7.根据权利要求5或6所述的数据生成系统,其中,所述第三学习模型还包括第三识别器,通过交替反复执行下述步骤而构成训练所述第三生成器:训练所述第三识别器,以识别输入所述第三识别器的输入值是由所述多个第三学习数据集中的任意一个得到的所述样本值还是通过所述第三生成器生成的伪值;及训练所述第三生成器,以生成如降低所述第三识别器的所述识别的性能这样的所述第二特征的属性的伪值。8.根据权利要求5~7中任一项所述的数据生成系统,其中,
各所述第三学习数据集还具备所述第一标签,实施所述第三学习模型的机器学习包括:训练所述第三生成器,以使通过所述第三生成器由所述反映水平、所述第二标签及所述第一标签生成的所述第二特征的属性的伪值与所述样本值匹配。9.根据权利要求5~8中任一项所述的数据生成系统,其中,所述反映水平由连续值构成。10.根据权利要求1~9中任一项所述的数据生成系统,其中,获取所述多个第二学习数据集包括下述步骤:获取分别包括所述第一特征及所述第二特征的多个第三样本,所述第三样本是所述规定种类的数据的第三样本;通过向推测器提供各所述第三样本来推测为了生成与各所述第三样本对应的伪样本而提供给完成训练的所述第一生成器的输入的推测值,所述推测器被训练以在由通过完成训练的所述第一生成器生成的伪样本来生成该伪样本时推测提供给所述第一生成器的输入;通过将推测出的所述推测值提供给完成训练的所述第一生成器,来为每个所述第三样本生成第三伪样本;以及通过从各所述第三样本减去所述第三伪样本,来生成各所述第二学习数据集的所述第二样本。11.根据...
【专利技术属性】
技术研发人员:冈本大和,米谷竜,中田雅博,宫田佳昭,
申请(专利权)人:欧姆龙株式会社,
类型:发明
国别省市:
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。