[发明专利]学习装置及学习方法

说明书

学习部(10)基于按照学习用数据的每个要素而分配了OK标签和NG标签的学习基准标签，将学习用数据的要素作为输入而学习神经网络，输出将属于NG判定组的数据中的至少一个判定为NG的识别器。动态更新部(11)在由学习部(10)进行的神经网络的学习的中途，动态地更新学习基准标签。

技术领域

本发明涉及对使用了神经网络的识别器进行学习的学习装置及学习方法。

背景技术

通常，为了进行异常检测而使用的学习用图像数据大多情况下以图像单位来判定是正常(以下记载为OK)还是异常(以下记载为NG)。

另一方面，在判定为NG的学习用图像数据中，存在NG要素的图像区域大多为局部，大部分的区域与判定为OK的学习用图像数据在局部没有变化。

一直以来，存在针对由多个要素构成的学习用数据而使用按照每个要素判定出OK或NG的学习用数据的机器学习。

例如，在专利文献1中，记载了如下技术：将输入图像分割为多个图像区域，按照每个分割后的图像区域来赋予区分前景和背景的标签。在该技术中，基于与被赋予了前景或背景确定的标签的图像区域之间的连续性，来估计被赋予了不确定的标签的像素是前景还是背景。

现有技术文献

专利文献

专利文献1：日本特开2012-208913号公报

发明内容

发明要解决的问题

在针对图像、动态图像或多维数据通过机器学习来识别OK与NG的情况下，在学习用数据中，大多提供通过手工来判定出OK或NG的数据。但是，构成学习用数据的全部要素为NG的情况较少，仅根据不确定的要素而判定为NG的情况较多。当使用这样的学习用数据时，存在如下问题：将本来是OK的要素错误地学习为NG，学习结果的识别器的识别精度下降。

本发明用于解决上述问题，其目的在于，得到一种能够提供进行高精度的识别的识别器的学习装置及学习方法。

用于解决问题的手段

本发明的学习装置具备学习部及动态更新部。学习部输入由多个要素构成的学习用数据和定义了属于组的数据中的至少一个被判定为NG的组信息，使用按照学习用数据的每个要素而分配了OK标签或NG标签的学习基准标签，将学习用数据的多个要素作为输入而学习神经网络，由此，作为使用学习结果的神经网络，输出将属于组的数据中的至少一个判定为NG的识别器。动态更新部在由学习部进行的神经网络的学习的中途，动态地更新学习基准标签。在该结构中，学习部使用学习用数据及组信息，生成学习用数据的每个要素的学习基准标签的初始值，逐次使用由动态更新部从学习基准标签的初始值更新的学习基准标签，反复学习神经网络，使用每次反复学习的神经网络的输出值，计算学习用数据的要素能够成为NG的NG指标值。动态更新部基于以统计的方式对按照每个学习的反复次数的推移而得到的NG指标值的变化倾向进行检验的结果，更新学习基准标签。

发明的效果

根据本发明，学习装置能够提供通过将属于组的数据的至少一个判定为NG来进行高精度的识别的识别器。

附图说明

图1是示出本发明的实施方式1的学习装置的结构的框图。

图2是示出实施方式1的学习装置的详细结构的框图。

图3是示出学习用数据DB的内容的一例的图。

图4是示出NG判定组DB的内容的一例的图。

图5是示出学习基准标签缓冲器的内容的一例的图。

图6是示出神经网络的结构的一例的图。