整合模型的生成方法、图像检查系统、图像检查用模型的生成装置、图像检查用模型的生成程序和图像检查装置制造方法及图纸

本发明专利技术以较少的学习负荷生成与现场的环境相适应的检查模型。准备特定特征彼此不同的多个第1要素模型，通过将多个第1要素模型中的至少1个调整成适应于与该模型的学习用数据不同的调整用数据来生成第2要素模型，从由第1要素模型和第2要素模型构成的要素模型的集合中选择包含至少1个所述第2要素模型的多个所述要素模型，通过将选择出的多个要素模型进行整合来生成整合模型，该整合模型输出所输入的数据被分类为的任意的类别，该类别是根据与所选择的多个要素模型有关的全部的特定特征是否存在而对输入数据进行分类的类别。存在而对输入数据进行分类的类别。存在而对输入数据进行分类的类别。

【技术实现步骤摘要】
【国外来华专利技术】整合模型的生成方法、图像检查系统、图像检查用模型的生成装置、图像检查用模型的生成程序和图像检查装置


[0001]本专利技术涉及整合模型的生成方法、图像检查系统、图像检查用模型的生成装置、图像检查用模型的生成程序以及图像检查装置。

技术介绍

[0002]一直以来，在工厂等制造产品的现场是将拍摄产品、部件等对象物得到的图像输入到学习模型，基于从学习模型输出的数据检查对象物的良否等。用于这样的检查的学习模型包含事先进行了学习的模型和在现场进行学习的模型。事先进行了学习的模型虽然能够减小现场的学习负荷，但存在难以适应现场而检查精度较低的问题。另一方面，在现场进行学习的模型存在用于适应现场的学习负荷较大的问题。
[0003]作为提高检查精度的装置，例如在下述专利文献1中公开了一种挑选辅助装置，该挑选辅助装置从按照每个物品优化后的多个学习模型中选择用于检查的学习模型，使用所选择的学习模型判定在检查对象物中是否包含指定的物品。另外，作为提高学习模型的能力的装置，例如在下述专利文献2中公开了一种模型整合装置，该模型整合装置收集各现场的学习模型，将在各学习模型的共同部分设定的整合范围内反映的机器学习的结果进行整合。
[0004]现有技术文献
[0005]专利文献
[0006]专利文献1：日本特开2019
‑
174421号公报
[0007]专利文献2：日本特开2020
‑
115311号公报

技术实现思路

[0008]专利技术要解决的课题
[0009]但是，在专利文献1中，需要针对每个物品生成学习模型，并且在此基础上需要针对每个现场生成与该现场的环境(域(domain)的例子)匹配的学习模型，因此现场的学习负荷大。另外，在专利文献2中，止于对在各现场进行学习的模型进行整合，因此不足以实现在适应各现场的同时降低各现场的学习负荷。
[0010]本专利技术是鉴于这样的情况而完成的，其目的之一在于，提供能够以较少的学习负荷生成与现场的环境相适应的检查模型的整合模型的生成方法、图像检查系统、图像检查用模型的生成装置、图像检查用模型的生成程序以及图像检查装置。
[0011]用于解决课题的手段
[0012]本专利技术的1个方式的整合模型的生成方法中，准备进行了机器学习的多个第1要素模型，多个第1要素模型输入输入数据并且输出输入数据中是否存在特定特征或者该是否存在的似然度，并且在不同的第1要素模型之间，特定特征是彼此不同的，通过将多个第1要素模型中的至少1个调整成适应于调整用数据来生成第2要素模型，调整用数据与在该第1
要素模型的学习中使用的学习用数据不同，从由第1要素模型和第2要素模型构成的要素模型的集合中选择包含至少1个第2要素模型以及被作为用于生成该第2要素模型的基础的第1要素模型以外的至少1个所述要素模型在内的多个要素模型，通过将选择出的多个要素模型进行整合来生成整合模型，在整合模型的生成方法中，整合模型是如下模型：将被输入到自身的数据分类成多个类别，并且输出所输入的数据所属的类别，或者输出所输入的数据属于特定的类别的似然度，各个类别不是对应于与所选择出的多个要素模型中的1个要素模型有关的特定特征是否存在的类别，而是根据与所选择出的多个要素模型有关的全部的特定特征是否存在或者全部的特定特征是否存在的似然度对输入数据进行分类的类别。
[0013]根据该方式，可以通过将特定特征彼此不同的多个第1要素模型中的至少1个调整成适应于与第1要素模型的学习用数据不同的调整用数据来生成第2要素模型，从由第1要素模型和第2要素模型构成的要素模型的集合中选择包含至少1个第2要素模型的多个要素模型，通过将选择的多个要素模型进行整合来生成整合模型。并且，该生成的整合模型可以根据与所选择的多个要素模型有关的全部的特定特征是否存在或者该是否存在的似然度，输出被输入的数据分类成的类别或者被输入的数据被分类到任意1个类别中的似然度。也就是说，可以针对每个要素模型进行域适应，进而能够将对彼此不同的特征进行反应的多个要素模型整合，生成能够进行综合的判断而不是对各要素模型所反应的特征是否存在进行判断的整合模型。
[0014]在上述方式中，也可以是，生成第2要素模型是指通过机器学习使用调整用数据对作为用于生成第2要素模型的基础的第1要素模型进行调整。
[0015]根据该方式，能够使某域的第1要素模型以适应于在第2要素模型的域中得到的调整用数据的方式进行机器学习而生成第2要素模型。
[0016]在上述方式中，也可以是，为了生成第2要素模型而被调整的第1要素模型包含：多个特征提取部；特征量校正部，其对以各个特征提取部输出的特征量为要素的特征量向量进行校正；以及识别部，其根据由特征量校正部进行校正后的特征量向量，计算关于是否包含与该第1要素模型有关的特定特征的分析结果，生成第2要素模型是指对特征量校正部的校正量进行设定，使得与在该第1要素模型的学习中使用的学习用数据有关的特征量向量被特征量校正部校正后的特征量向量的代表值比校正前的代表值更接近与调整用数据有关的特征量向量的代表值。
[0017]根据该方式，能够通过将关于某域的第1要素模型中的学习用数据的特征量向量的代表值校正成接近关于在第2要素模型的域中得到的调整用数据的特征量向量的代表值，生成第2要素模型。
[0018]在上述方式中，也可以是，输入数据是通过拍摄对象物得到的图像数据，特定特征是产生对象物的外观上的个体差异的类型化的特征。
[0019]根据该方式，能够生成输入通过拍摄对象物得到的图像数据并且提取产生对象物的外观上的个体差异的类型化的特征的第2要素模型。
[0020]在上述方式中，也可以是，与整合模型的输出有关的类别是与对象物的品质等级对应的类别。
[0021]根据该方式，整合模型能够输出与对象物的品质等级相对应的类别。
[0022]在上述方式中，也可以是，第1要素模型还输出特定特征存在的场所。
[0023]根据该方式，能够掌握特定特征存在的场所。
[0024]根据本专利技术的另1个方式的图像检查系统具备：第1要素模型访问部，其访问多个进行了机器学习的第1要素模型，多个第1要素模型输入通过拍摄对象物得到的图像数据并且输出图像数据中是否存在特定特征或者该是否存在的似然度，该特定特征是产生对象物的外观上的个体差异的类型化的特征，并且在不同的第1要素模型之间，特定特征是彼此不同的；第2要素模型生成部，其通过将多个第1要素模型中的至少1个调整成适应于调整用数据来生成第2要素模型，调整用数据与在该第1要素模型的学习中使用的学习用数据不同；选择部，其受理从由第1要素模型和第2要素模型构成的要素模型的集合中选择的多个要素模型的指定，所选择的多个要素模型包含至少1个第2要素模型以及被作为用于生成该第2要素模型的基础的第1要素模型以外的至少1个要素模型；整合模型生成部，其通过将选择出的多个要素模型进行整合来生成整合模型，该整合模型输出被输入到自身的图像数据的对象物是否是良品本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种整合模型的生成方法，其中，准备进行了机器学习的多个第1要素模型，所述多个第1要素模型输入输入数据并且输出所述输入数据中是否存在特定特征或者该是否存在的似然度，并且在不同的所述第1要素模型之间，所述特定特征是彼此不同的，通过将所述多个第1要素模型中的至少1个调整成适应于调整用数据来生成第2要素模型，所述调整用数据与在该第1要素模型的学习中使用的学习用数据不同，从由所述第1要素模型和所述第2要素模型构成的要素模型的集合中选择包含至少1个所述第2要素模型以及被作为用于生成该第2要素模型的基础的所述第1要素模型以外的至少1个所述要素模型在内的多个所述要素模型，通过将选择出的多个所述要素模型进行整合来生成整合模型，在所述整合模型的生成方法中，所述整合模型是如下模型：将被输入到自身的数据分类成多个类别，并且输出所输入的所述数据所属的所述类别，或者输出所输入的所述数据属于特定的所述类别的似然度，各个所述类别不是对应于与所选择出的多个所述要素模型中的1个所述要素模型有关的特定特征是否存在的类别，而是根据与所选择出的多个所述要素模型有关的全部的所述特定特征是否存在或者该是否存在的似然度对所述输入数据进行分类的类别。2.根据权利要求1所述的整合模型的生成方法，其中，生成所述第2要素模型是指：通过机器学习使用所述调整用数据对作为用于生成所述第2要素模型的基础的所述第1要素模型进行调整。3.根据权利要求1所述的整合模型的生成方法，其中，为了生成所述第2要素模型而被调整的所述第1要素模型包含：多个特征提取部；特征量校正部，其对以各个所述特征提取部输出的特征量为要素的特征量向量进行校正；以及识别部，其根据由所述特征量校正部进行校正后的特征量向量，计算关于是否包含与该第1要素模型有关的所述特定特征的分析结果，生成所述第2要素模型是指：对所述特征量校正部的校正量进行设定，使得与在该第1要素模型的学习中使用的学习用数据有关的所述特征量向量被所述特征量校正部校正后的所述特征量向量的代表值比校正前的代表值更接近与所述调整用数据有关的特征量向量的代表值。4.根据权利要求1～3的任意一项所述的整合模型的生成方法，其中，所述输入数据是通过拍摄对象物得到的图像数据，所述特定特征是产生所述对象物的外观上的个体差异的类型化的特征。5.根据权利要求1～4的任意一项所述的整合模型的生成方法，其中，与所述整合模型的输出有关的所述类别是与对象物的品质等级对应的类别。6.根据权利要求1～5的任意一项所述的整合模型的生成方法，其中，所述第1要素模型还输出所述特定特征存在的场所。7.一种图像检查系统，其具备：第1要素模型访问部，其访问进行了机器学习的多个第1要素模型，所述多个第1要素模
型输入通过拍摄对象物得到的图像数据并且输出所述图像数据中是否存在特定特征或者该是否存在的似然度，该特定特征是产生所述对象物的外观上的个体差异的类型化的特征，并且在不同的所述第1要素模型之间，所述特定特征是彼此不同的；第2要素模型生成部，其通过将所述多个第1要素模型中的至少1个调整成适应于调整用数据来生成第2要素模型，所述调整用数据与在该第1要素模型的学习中使用的学习用数据不同；选择部，其受理从由所述第1要素模型和所述第2要素模型构成的要素模型的集合中选择的多个所述要素模型的指定，所选择的多个所述要素模型包含至少1个所述第2要素模型以及被作为用于生成该第2要素模型的基础的所述第1要素模型以外的至少1个所述要素模型；整合模型生成部，其通过将选择出的多个所述要素模型进行整合来生成整合模型，该整合模型输出被输入到自身的图像数据的所述对象物是否是良品的判定结果；图像取得部，其取得通过对作为检查对象的对象物进行拍摄得到的对象图像数据；以及检查执行部，其通过将取得的所述对象图像数据输入到所述整合模型并执行所述整合模型，得到所述对象物是否是良品的判定结果。8.根据权利要求7所述的图像检查系统，其中，所述第2要素模型生成部通过机器学习使用所述调整用数据对作为用于生成所述第2要素模型的基础的所述第1要素模型进行调整，来生成所述第2要素模型。9.根据权利要求7所述的图像检查系统，其中，为了生成所述第2要素模型而被调整的所述第1要素模型包含：多个特征提取部；特征量校正部，其对以各个所述特征提取部输出的特征量为要素的特征量向量进行校正；以及识别部，其根据由所述特征量校正部进行校正后的特征量向量，计算关于是否包含与该第1要素模型有关的所述特定特征的分析结果，所述第2要素模型生成部对所述特征量校正部的校正量进行设定，使得与在该第1要素模型的学习中使用的学习用数据有关的所述特征量向量被所述特征量校正部校正后的所述特征量向量的代表值比校正前的代表值更接近与所述调整用数据有关的特征量向量的代表值，由此生成所述第2要素模型。10.根据权利要求7～9的任意一项所述的图像检查系统，其中，所述图像检查系统还具备指定部，所述指定部受理由选择出的多个所述要素模型分析的所述特定特征是良品特征还是不良品特征的指定，所述整合模型生成部以如下方式进行整合：在整合对被指定为良品特征的所述特定特征进行分析的所述要素模型时，促使所述整合模型输出将所述对象物作为良品的判定结果，在整合对被指定为不良品特征的所述特定特征进行分析的所述要素模型时，促使所述整合模型输出将所述对象物作为不良品的判定结果。11.根据权利要求7～9的任意一项所述的图像检查系统，其中，所述图像检查系统还具备候选模型提示部，所述候选模型提示部将如下这样的...

【专利技术属性】
技术研发人员：加藤丰，栗田真嗣，
申请(专利权)人：欧姆龙株式会社，
类型：发明
国别省市：