【技术实现步骤摘要】
【国外来华专利技术】推导装置、模型生成装置、推导方法以及推导程序
[0001]本专利技术涉及一种推导装置、模型生成装置、推导方法以及推导程序。
技术介绍
[0002]以往,在制造线等制造产品的场景中,正在推进下述技术的开发,即,通过拍摄装置来拍摄所制造的产品,并对所获得的图像数据进行分析,由此来检查产品的良否。例如,专利文献1中提出一种检查装置,其使用训练完毕的第一神经网络来判定映照在图像中的对象物是正常还是异常,若判定为异常,则使用训练完毕的第二神经网络来对所述异常的种类进行分类。
[0003]根据利用训练完毕的神经网络的方法,即便未通过人工来详细规定图像处理的内容,也能够基于训练完毕的神经网络的运算结果来实施产品的外观检查。因此,能够简化外观检查的信息处理,降低制作检查程序的工时。此作用效果并不限于在利用神经网络的情形(case)下获得。在利用神经网络以外的、训练完毕的机器学习模型(例如,通过主成分分析所获得的主成分向量、支持向量机等)的方法中,也能够简化外观检查的信息处理,降低制作检查程序的工时。
[0004]除此以外,可由训练完毕的机器学习模型来执行的推导任务并不限于外观检查以及对图像的推导。通过在机器学习中使用与所期望的信息处理对应的学习数据,便能够生成获得了对规定种类的数据执行所期望的推导任务的能力的、训练完毕的机器学习模型。因此,根据利用训练完毕的机器学习模型的方法,能够简化对规定种类的数据执行所期望的推导任务的信息处理,降低制作推导程序的工时。
[0005]一般而言,机器学习模型具有在推导任务的运 ...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种推导装置,包括:数据获取部,获取对象数据;推导部,使用通过机器学习而训练完毕的推导模型,对所获取的所述对象数据执行推导任务;以及输出部,输出与执行所述推导任务的结果相关的信息,所述推导模型的多个参数的至少一部分是以矩阵来表达,所述矩阵包含第一局部矩阵及第二局部矩阵,所述第一局部矩阵及所述第二局部矩阵的行及列各自的要素的数量相同,所述第二局部矩阵的各要素的值被调节为与所述第一局部矩阵及对角矩阵的积一致。2.根据权利要求1所述的推导装置,其中在所述矩阵的至少一部分中,有如下所述的定标关系成立,即,所述矩阵的至少一部分以行及列各自的要素的数量相同的局部矩阵在行上各排列M个且在列上各排列N个的方式,被分割为M
×
N个局部矩阵,在各列中,配置在任一行上的局部矩阵构成相对于配置在除了所述任一行以外的其他行上的各局部矩阵的所述第一局部矩阵,且配置在所述其他行上的各局部矩阵构成所述第二局部矩阵。3.根据权利要求2所述的推导装置,其中所述M及所述N为相同的素数S。4.根据权利要求2或3所述的推导装置,其中通过反复进行构成所述第一局部矩阵的局部矩阵内的所述定标关系的成立,从而在所述矩阵的至少一部分内,所述定标关系递归地成立。5.根据权利要求4所述的推导装置,其中所述M及所述N为相同的素数S,所述矩阵的至少一部分包含要素的数量为素数S的幂的正方矩阵。6.根据权利要求2至5中任一项所述的推导装置,其中所述M及所述N分别为2。7.根据权利要求1至6中任一项所述的推导装置,其中所述推导模型包含神经网络,所述矩阵的各要素构成为,与所述神经网络中的各神经元间的结合的权重对应。8.根据权利要求1至7中任一项所述的推导装置,其中所述对象数据包含映照有产品的图像数据,所述推导任务是判定映照在所述图像数据中的产品是否存在缺陷。9.一种模型生成装置,包括:数据获取部,获取多个学习数据集,所述多个学习数据集分别包含训练数据及正解标签的组合,所述正解标签表示针对所述训练数据的推导任务的正解;以及学习处理部,使用所述多个学习数据集来实施推导模型的机器学习,且所述学习处理部中,所述推导模型的多个参数的至少一部分是以矩阵来表达,所述矩阵包含第一局部矩阵及第二局部矩阵,
所述第一局部矩阵及所述第二局部矩阵的行及列各自的要素的数量相同,所述机器学习是通过下述方式而构成,即,关于所述各学习数据集来训练所述推导模型,以使得使用所述推导模型来对所述训练数据执行所述推导任务的结果符合由所述正解标签所表示的正解,并且所述第二局部矩阵的各要素的值被调节为与所述第一局部矩阵及对角矩阵的积一致。10.根据权利要求9所述的模型生成装置,其中训练所述推导模型的处理包含:调节所述矩阵的各要素的值,以使得在所述矩阵的至少一部分中有如下所述的定标关系成立,即,所述矩阵的至少一部分以行及列各自的要素的数量相同的局部矩阵在行上各排列M个且在列上各排列N个的方式被分割为M
×
N个局部矩阵,在各列中,配置在任一行上的局部矩阵构成相对于配置在除了所述任一行以外的其他行上的各局部矩阵的所述第一局部矩阵,且配置在所述其他行上的各局部矩阵构成所述第二局部矩阵。11.根据权利要求9所述的模型生成装置,其中所述推导模型包含神经网络,所述矩阵的各要素构成为,与所述神经网络中的各神经元间的结合的权重对应,训练所述推导模型的处理包含:反复进行构成所述第一局部矩阵的局部矩阵内的所述定标关系的成立直至各局部矩阵成为1
×
1矩阵为止,由此来调节所述矩阵的至少一部分的各要素的值,以使得在所述矩阵的至少一部分内,所述定标关系递归地成立,调节所述矩阵的至少一部分的各要素的值的处理包含:以所述定标关系递归地成立的方式给予所述矩阵的至少一部分的各要素的初始值;在正向传播的阶段中,导出对所述各学习数据集的训练数据执行推导任务的结果;以及在反向传播的阶段中,对所导出的推导任务的执行结果以及由对应的正解标签所表示的正解之间的误差的梯度进行反向传播,由此来调节所述矩阵的至少一部分的各要素以及所述对角矩阵的各要素的值,所述正向传播的阶段的运算包含:第一步骤,计算构成初始的第一局部矩阵的所述1
×
1矩阵及输入向量的积;第二步骤,计算所获得的所述初始的第一局部矩阵的积的结...
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。