判定系统及判定方法技术方案

本发明专利技术涉及一种判定系统及判定方法。判定系统具备：检测部，检测生产设备的作业状态信息；第一机器学习模型，将生产设备的作业结果的图像作为输入来进行作业结果的良好与否判定；及第二机器学习模型，使用第一机器学习模型判定为良的情况下的生产设备的作业状态信息作为带良标签的训练数据且使用第一机器学习模型判定为不良的情况下的生产设备的作业状态信息作为带不良标签的训练数据执行学习。状态信息作为带不良标签的训练数据执行学习。状态信息作为带不良标签的训练数据执行学习。

【技术实现步骤摘要】
判定系统及判定方法


[0001]本公开涉及判定生产设备中的作业的良好与否的技术。

技术介绍

[0002]在日本特开2020
‑
44718中公开了判定注射成形机中的动作状态的状态判定装置。在该以往技术中，收集多种多样的设备数据作为训练数据，执行机器学习模型的学习。

技术实现思路

[0003]然而，根据设备，存在设备的异常值的产生频度低的情况，在该情况下，训练数据的收集可能会需要很多时间。另一方面，在使用图像基础的机器学习模型来进行良好与否判定的情况下，训练数据的收集容易，但在工件被变更了时，无法利用相同的机器学习模型，需要针对工件的每个种类执行机器学习模型的制作及学习。因此，关于制作也能够对种类不同的工件应用的机器学习模型的方法，留有研究的余地。需要说明的是，这样的课题不限于注射成形机，对于其他的生产设备中的作业的良好与否判定也是共通的课题。
[0004]本公开能够作为以下的方式来实现。
[0005](1)根据本公开的第一方式，提供进行生产设备中的对于工件的作业的良好与否判定的判定系统。该判定系统具备：检测部，检测所述生产设备的作业状态信息；第一机器学习模型，将所述生产设备的作业结果的图像作为输入来进行所述作业结果的良好与否判定；及第二机器学习模型，使用所述第一机器学习模型判定为良的情况下的所述生产设备的作业状态信息作为带良标签的训练数据且使用所述第一机器学习模型判定为不良的情况下的所述生产设备的作业状态信息作为带不良标签的训练数据执行学习。
[0006]根据该判定系统，由于利用使用训练数据的收集比较容易的图像而学习到的第一机器学习模型来进行生产设备的作业结果的良或不良的判定，将此时的作业状态信息作为训练数据来进行第二机器学习模型的学习，所以能够容易地构筑根据生产设备的作业状态信息来判定作业的良好与否的判定系统。另外，第二机器学习模型也能够对种类不同的工件应用。
[0007](2)在上述判定系统中，可以是，所述生产设备是具备向所述工件注射涂布液的注射部的涂布设备，所述作业状态信息包含所述注射部的注射压力和变更所述工件与所述注射部之间的相对的位置的驱动部的驱动信息。
[0008]根据该判定系统，能够容易地构筑根据涂布设备的作业状态信息来判定作业的良好与否的判定系统。
[0009](3)根据本公开的第二方式，提供进行生产设备中的对于工件的作业的良好与否判定的判定方法。该判定方法包括以下工序：(a)使用所述生产设备的作业结果的图像作为训练数据来执行第一机器学习模型的学习，所述第一机器学习模型进行所述作业结果的良好与否判定；(b)使用已学习的所述第一机器学习模型判定为良的情况下的所述生产设备的作业状态信息作为带良标签的训练数据，使用所述第一机器学习模型判定为不良的情况
下的所述生产设备的作业状态信息作为带不良标签的训练数据，执行第二机器学习模型的学习；及(c)将对于具有与所述工件相同的规格的新的工件的作业中的所述生产设备的作业状态信息向已学习的所述第二机器学习模型输入，执行对于所述新的工件的作业的良好与否判定。
[0010]根据该判定方法，由于利用使用训练数据的收集比较容易的图像而学习到的第一机器学习模型来进行生产设备的作业结果的良或不良的判定，将此时的作业状态信息作为训练数据来进行第二机器学习模型的学习，所以能够根据生产设备的作业状态信息而容易地判定作业的良好与否。另外，第二机器学习模型也能够对种类不同的工件应用。
[0011](4)上述判定方法可以还包括以下工序：(d)将对于具有与所述工件不同的规格的其他的工件的作业中的所述生产设备的作业状态信息向所述已学习的所述第二机器学习模型输入，执行对于所述其他的工件的作业的良好与否判定。
[0012]根据该判定方法，能够容易地判定对于规格不同的其他的工件的作业的良好与否。
附图说明
[0013]本专利技术的典型实施例的特征、优点及技术上和工业上的意义将会在下面参照附图来描述，在这些附图中，同样的标记表示同样的要素，其中：
[0014]图1是判定系统的功能框图。
[0015]图2是示出涂布设备的结构例的说明图。
[0016]图3是示出实施方式的处理工序的流程图。
具体实施方式
[0017]图1是本公开的一实施方式中的判定系统的功能框图。该判定系统包含图像基础的自动判定装置100、生产状态信息基础的机器学习装置200及作为生产设备的涂布设备300。自动判定装置100、机器学习装置200及涂布设备300能够经由各自的通信部110、210、310而收发各种数据。作为生产设备，也能够利用涂布设备300以外的设备。
[0018]图像基础的自动判定装置100具备通信部110、控制部120、第一训练数据130、学习执行部140、第一机器学习模型150、判定执行部160及拍摄装置170。第一训练数据130和第一机器学习模型150保存于硬盘等存储装置。控制部120包含处理器和存储器，执行自动判定装置100的控制。学习执行部140使用第一训练数据130来执行第一机器学习模型150的学习。判定执行部160使用已学习的第一机器学习模型150，将由涂布设备300进行了涂布作业的工件的图像作为输入来执行其良好与否的判定。学习执行部140和判定执行部160的功能可以通过控制部120的处理器执行计算机程序来实现，或者也可以由硬件电路实现。
[0019]第一训练数据130是图像基础的训练数据。即，第一训练数据130是将由涂布设备300进行了涂布作业的工件利用拍摄装置170拍摄且作业者对该图像赋予了良或不良的标签的数据。第一机器学习模型150的学习使用第一训练数据130来执行。因此，第一机器学习模型150是将涂布设备300的作业结果的图像作为输入来进行其作业结果的良好与否判定的模型。判定执行部160对已学习的第一机器学习模型150使用新的工件的图像作为输入数据，执行其良好与否判定。该输入数据是由拍摄装置170拍摄到的涂布作业后的工件的图
像。
[0020]生产状态信息基础的机器学习装置200具备通信部210、控制部220、第二训练数据230、学习执行部240及第二机器学习模型250。第二训练数据230和第二机器学习模型250保存于硬盘等存储装置。控制部220包含处理器和存储器，执行机器学习装置200的控制。学习执行部240使用第二训练数据230来执行第二机器学习模型250的学习。该学习执行部240的功能可以通过控制部220的处理器执行计算机程序来实现，或者也可以由硬件电路实现。
[0021]第二训练数据230是生产状态信息基础的训练数据。即，第二训练数据230是将在上述的自动判定装置100中第一机器学习模型150判定为良的情况下的涂布设备300的作业状态信息设为带良标的训练数据且将第一机器学习模型150判定为不良的情况下的涂布设备300的作业状态信息设为带不良标签的训练数据而得到的。第二机器学习模型250的学习使用第二训练数据230来执行。因此，第本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种判定系统，进行生产设备中的对于工件的作业的良好与否判定，其中，具备：检测部，检测所述生产设备的作业状态信息；第一机器学习模型，将所述生产设备的作业结果的图像作为输入来进行所述作业结果的良好与否判定；及第二机器学习模型，使用所述第一机器学习模型判定为良的情况下的所述生产设备的作业状态信息作为带良标签的训练数据且使用所述第一机器学习模型判定为不良的情况下的所述生产设备的作业状态信息作为带不良标签的训练数据执行学习。2.根据权利要求1所述的判定系统，所述生产设备是具备向所述工件注射涂布液的注射部的涂布设备，所述作业状态信息包含所述注射部的注射压力和变更所述工件与所述注射部之间的相对的位置的驱动部的驱动信息。3.一种判定方法，进行生产设备中的对于工件的作业的良好与否判定，其中，包括以下工序：(a)使用所述生产设备的作业...

【专利技术属性】
技术研发人员：安井环，
申请(专利权)人：丰田自动车株式会社，
类型：发明
国别省市：