【技术实现步骤摘要】
本专利技术涉及适用于具有使用了神经网络的机器学习功能的检查装置等，用于判定检查对象物的良好与否的分类模型中的教师数据的生成方法以及生成装置。
技术介绍
1、近年来，通过具有使用了神经网络的分类模型的检查装置，针对各种工业产品、部件等检查对象物，判定是正常品(合格品)还是异常品(不合格品)的验货作业的自动化技术的开发正在不断推进。在这样的检查装置所使用的分类模型中，一般通过读入许多个被分类为合格品和不合格品的检查对象物的外观的图像数据作为教师数据，来进行学习。然后，通过学习了分类基准的分类模型，能够将由摄像机拍摄到的新的检查对象物分类为合格品和不合格品。
2、一般地，这样的检查装置的分类模型的判定精度依赖于学习的数据的质和量。以往，例如，如专利文献1那样，提出了一种仅将合格品的图像数据作为教师数据来进行分类模型的学习的技术。虽然合格品的图像数据容易得到，容易准备许多个图像，但另一方面，在仅将合格品的图像数据用于学习的情况下，不能学习合格品图像与不合格品图像的差异，因此存在为了降低不合格品的漏检率，将合格品判定为不合格品的过检测变多这样的问题。
3、为了避免这样的问题，较为理想的是，在分类模型的学习中，对于合格品和不合格品都准备许多个教师数据，使用它们来进行学习。但是，在工业产品等的制造现场，一般都是以尽可能不产生不合格品的方式进行制造，因此通常相对于合格品的数量，不合格品的数量非常少。因此，与能够比较容易地收集的合格品的图像数据相比，不合格品的图像数据的收集伴有困难。
4、针对这样的问题，提出了
5、在先技术文献
6、专利文献
7、专利文献1：日本特开2021-144314号公报
8、专利文献2：日本特开2021-043816号公报
技术实现思路
1、专利技术所要解决的课题
2、如专利文献2那样，在通过生成模型来生成伪不合格品图像的情况下，为了生成品质良好的伪不合格品图像，需要充分地进行生成模型的学习，为此，通常，需要准备许多个成为训练数据的不合格品的图像数据。然而，如上所述，原本大量地收集不合格品的图像数据就很困难。并且，在通过仅使用少量的不合格品图像数据进行学习得到的分类模型而生成的伪不合格品图像中，作为分类模型的学习用教师数据的品质有可能不足。
3、本专利技术为了解决这样的课题而作，其目的在于提供一种能够基于许多个合格品图像和少量的不合格品图像，来生成充足的量和质的教师数据的教师数据的生成方法。
4、用于解决课题的手段
5、为了达成该目的，本专利技术的技术方案1所涉及的专利技术是一种教师数据生成方法，在使用无缺陷的产品或部件的图像即合格品图像和有缺陷的产品或部件的图像即不合格品图像进行学习的缺陷分类模型中，生成合格品教师数据和不合格品教师数据，该教师数据生成方法的特征在于，具有：合格品教师数据取得工序，取得从许多个合格品图像中提取给定的第一维数(实施方式中的(以下在本项中相同)p维)的特征量而得到的许多个合格品特征量数据作为合格品教师数据(图3的步骤302)；以及不合格品教师数据取得工序，取得使用生成模型(vae、mlp解码器)生成第一维数的特征量而得到的许多个生成不合格品特征量数据作为不合格品教师数据，所述生成模型是使用从数量比合格品图像的数量少的不合格品图像中提取第一维数的特征量而得到的不合格品特征量数据进行了学习而得到的模型(图3的步骤303)。
6、在该教师数据生成方法中，将从许多个合格品图像中提取出的许多个给定维数的合格品特征量数据直接作为合格品教师数据而取得，另一方面，从少量的不合格品图像中提取出的少量的给定维数的不合格品特征量数据用于生成模型的学习，通过学习完毕的生成模型来生成许多个给定维数的生成不合格品特征量数据，并将其作为不合格品教师数据而取得。
7、这样，本专利技术的特征在于，并非是基于少量的不合格品图像来生成许多个伪不合格品图像，而是基于少量的不合格品图像来生成许多个给定维数的生成不合格品特征量数据，将其作为不合格品教师数据。生成模型并不是生成伪图像而是仅生成作为教师数据而要求的给定维数的特征量数据即可，因此与生成伪不合格品图像的情况相比，能够大幅减少生成模型要处理的参数数量。由此，能够大幅减少生成模型的学习所需的不合格品图像的数量，能够基于少量的不合格品图像来生成充足的品质的生成不合格品特征量数据。因此，根据本专利技术，能够提供一种能够基于许多个合格品图像和少量的不合格品图像，来生成充足的量和质的教师数据的教师数据的生成方法。
8、本专利技术的技术方案2所涉及的专利技术的特征在于，在技术方案1所述的教师数据生成方法中，不合格品教师数据取得工序包括：第一学习工序，在具备被输入原始图像的编码器和输出重构图像的解码器的变分自动编码器(vae)中，学习编码器以及解码器的加权，以使得原始图像与重构图像之间的重构误差最小化，所述编码器构成为当不合格品图像作为原始图像被输入时，削减从原始图像提取出的特征量的维度并计算给定的第二维数(k维)的潜在变量及其概率分布，该解码器构成为根据潜在变量和概率分布对原始图像进行重构并输出重构图像(图4的步骤401、图5的步骤501～503)；正确答案数据取得工序，从不合格品图像中提取第一维数的特征量，并将其作为第二学习用正确答案数据而取得(图6的步骤601、图7)；特征量向量取得工序，根据学习完毕的变分自动编码器的潜在变量的概率分布，取得第二维数的特征量向量(图6的步骤602)；第二学习工序，在多层感知器(mlp)解码器中，学习多层感知器解码器的加权以使得生成不合格品特征量数据与第二学习用正确答案数据之间的损失最小化，所述多层感知器解码器构成为当被输入所取得的第二维数的特征量向量时，生成并输出第一维数的生成不合格品特征量数据(图4的步骤402、图6的步骤603～605、图8)；以及不合格品特征量数据生成工序，将根据学习完毕的变分自动编码器的潜在变量的概率分布通过随机采样而取得的许多个第二维数的特征量向量输入到学习完毕的多层感知器解码器，生成许多个生成不合格品特征量数据(图4的步骤403、图9的步骤901～903)。
9、根据该结构，在第一学习工序中，使变分自动编码器(以下称为vae。)进行学习，以使得从原来的不合格品图像高精度地输出重构图像。此外，在正确答案数据取得工序中，从不合格品图像中提取给定维数的特征量，并作为第二学习用正确答案数据而取得，在特征量向量取得工序中，根据学习完毕vae的潜在变量的概率分布，取得与不合格品图像对应的特征量向量。之后，在第二学习工序中，使多层感知器解码器(以下称为mlp解码器。)本文档来自技高网...
【技术保护点】
1.一种教师数据生成方法，在使用无缺陷的产品或部件的图像即合格品图像和有缺陷的产品或部件的图像即不合格品图像进行学习的缺陷分类模型中，生成合格品教师数据和不合格品教师数据，所述教师数据生成方法的特征在于，具有：
2.根据权利要求1所述的教师数据生成方法，其中，
3.一种教师数据生成装置，在使用无缺陷的产品或部件的图像即合格品图像和有缺陷的产品或部件的图像即不合格品图像进行学习的缺陷分类模型中，生成合格品教师数据和不合格品教师数据，所述教师数据生成装置的特征在于，具备：
4.根据权利要求3所述的教师数据生成装置，其中，
【技术特征摘要】
1.一种教师数据生成方法，在使用无缺陷的产品或部件的图像即合格品图像和有缺陷的产品或部件的图像即不合格品图像进行学习的缺陷分类模型中，生成合格品教师数据和不合格品教师数据，所述教师数据生成方法的特征在于，具有：
2.根据权利要求1所述的教师数据生成方法，其中，
...【专利技术属性】
技术研发人员：轻部俊和，城岛昂佑，吉田裕，
申请(专利权)人：本田技研工业株式会社，
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。