[发明专利]已学习模型生成方法、已学习模型生成装置、信号数据判别方法、信号数据判别装置以及信号数据判别程序

说明书

提供对于光源变动等非本质性的变动鲁棒性强且能够以比以往少的学习数据量高精度地判别的信号数据判别装置。具备：信号数据输入部，输入作为判别对象的信号数据；特征映射生成部，使用根据被附加了为正常或者为异常的训练信号的多个采样数据预先进行了学习的学习器，关于信号数据抽出特征量来生成特征映射；距离映射生成部，使用根据被附加了正常的训练信号的多个采样数据生成的多个特征映射的数据和信号数据的特征映射，在各采样数据和信号数据的组合之间取特征映射的差分来生成距离映射；距离值运算部，根据距离映射求出信号数据与采样数据之间的距离值；以及信号数据判别部，根据距离值判别该信号数据是正常还是异常。

技术领域

本发明涉及用于应用于如基于图像数据的外观检查那样判别信号数据是正常还是异常的判别装置的已学习模型的生成以及应用了已学习模型的信号数据判别装置。

背景技术

以往，为了应对产品的外观检查、异常检测，研究了基于拍摄产品而得到的图像的检查法。一般有通过将对象产品的图像与拍摄正常品而得到的图像进行比较来判别对象产品是正常品还是异常品这样的方法，作为此时的判别方法，作为代表性的例子，存在差分检测法和机器学习法。

差分检测法是不限于外观检查而根据类似的2个信号的差分进行判定的方法。已知能够通过检测2个信号之间的轻微的本质性的差异而应对外观检查、异常检测等的各种问题。例如，在识别对象的产品是否包含损坏的外观检查的问题中，通过测定“对正常品进行摄像而得到的图像”和“从同一视点摄像而得到的图像”之间的差异，能够判定对象的物体是否有损坏。识别对象的产品是否正常的异常检测问题能够通过比较“从传感器取得的正常的信号”和“当前的信号”的差异来解决。这样的比较二个采样之间的差分的方法论一般被称为差分检测(Change detection)。能够通过差分检测解决的问题是广泛的，作为例子可以举出监视照相机的动画识别、远程感应、自动驾驶等。

机器学习法是根据被附加了正常或者异常的标签信息的大量的学习采样而学习识别对象的数据是正常值还是异常值的模型并将其应用于外观检查、异常检测等的问题的方法。虽然为了学习需要大量的采样数据和运算时间，但一旦只要生成完成学习的已学习模型，则能够进行精度高的判定。

作为这样的用于外观检查的技术，例如已经提出了专利文献1记载的表面品质评价装置。该专利文献1记载的表面品质评价装置是用于能够考虑形成于表面的氧化覆膜的厚度的分布而自动地评价金属的品质的装置，采用了基于机器学习的评价。

现有技术文献

专利文献

专利文献1：日本特开2011-191252号公报

发明内容

上述差分检测法是在计算机视觉的领域中以前就已知的一般的方法，在与机器学习法比较的情况下，大部分不需要模型的学习，所以具有能够削减取得学习采样的工夫、用于赋予注释的时间的优点，但作为差分检测中的特别重要的课题之一，可以举出适当地识别所得到的差分是否为本质上重要的差异的问题。例如，在外观检查中，存在二张图像之间的差分并非仅由于损坏产生而由于照明变动、个体差别等非本质性的原因产生的情况。针对该问题使用的典型的方法是针对各采样抽出针对光源变动等非本质性的差分鲁棒性强的特征矢量并计算它们的差分的方法。但是，什么样的差分是在本质上重要的差分根据处理的问题的内容而不同，所以使用差分检测的大部分方法存在根据问题需要针对各采样进行使得输出适当的差分的预处理的问题。例如，在外观检查的例子中，为了抑制光源变动，在适当地调整了明亮度和对比度之后取图像之间的差分。然而，该方法存在无法适当地抑制在预处理中无法应对的变动的缺点。另外，还存在难以将针对人类的变动的价值基准设计为适当的预处理的问题。

另一方面，上述机器学习法与差分检测法不同，被期待通过学习而得到针对光源变动等非本质性的变动鲁棒性强的模型，但为了制作这样的模型，需要大量的学习数据和表示信号中的哪个部位是异常值的详细的注释数据。存在为了准备大量包括异常部位的学习数据且分别赋予详细的注释而需要极大的时间和成本的问题。