[发明专利]检查系统、识别系统以及学习数据生成装置

说明书

相对较高精度地判定数据中所含的特征。本发明的一方面的检查系统获取分别包含图像数据及正解数据的组合的多件学习用数据集，根据由第一识别器对映照在各件学习用数据集的图像数据中的制品的良否进行判定的结果符合正解数据所示的正解的程度，对各件学习用数据集设定判定的难易度。并且，检查系统实施从所设定的难易度低的学习用数据集起依序利用的阶段性的机器学习，由此来构建对制品的良否进行判定的第二识别器。

技术领域

本发明涉及一种检查系统、识别系统以及学习数据生成装置。

背景技术

以往，在生产线等制造制品的场景中，利用摄影装置来拍摄所制造的制品，并基于所获得的图像数据来检查制品良否的技术正得到利用。例如，专利文献1中提出了一种检查装置，其基于学习完成的第一神经网络来判定映照在图像中的检查对象物是正常还是异常，若判定检查对象物为异常，则基于学习完成的第二神经网络来对所述异常的种类进行分类。

现有技术文献

专利文献

专利文献1：日本专利特开2012-026982号公报

发明内容

发明所要解决的问题

本申请发明人发现，在如专利文献1那样的、利用学习完成的神经网络等识别器来从图像数据判定制品良否的以往技术中，存在如下的问题。即，在对制品的良否判定进行机器学习时，利用映照有表现出良否状态的制品的大量学习数据。在一次利用所述大量的学习数据来实施机器学习时，由于陷入对学习数据中表现的制品的良否进行判定的局部解等的理由，有可能无法构建通用化能力高的识别器。例如，在映照于作为学习数据的图像中的制品的缺陷偏向特定缺陷(例如撞击痕)的情况下，无法构建对其他缺陷(例如污垢)进行判定的识别器。而且，例如，若仅收集对小的撞击痕等的良否识别困难的学习数据来实施机器学习，则不仅机器学习其自身耗费时间，而且有可能构建出将不视为不良品也可的小的污垢判定为不良品的识别器。即，本申请发明人发现在以往技术中存在下述问题：即使准备了足以实施用于获得判定制品良否的能力的机器学习的件数的学习数据，也有可能无法获得性能高的识别器，从而无法高精度地实施制品的良否判定。

另外，所述问题并非判定制品良否的场景所特有。在从图像数据中识别被摄物的某些状态的场景、从图像数据以外的数据中识别某些特征的场景等通过利用学习数据的机器学习来构建识别器的所有场景下，可能产生同样的问题。即，即使准备了足以实施用于习得对数据中所含的特征进行判定的能力的机器学习的件数的学习数据，也有可能无法获得性能高的识别器。

本发明在一方面是有鉴于此种实际情况而完成，其目的在于提供一种能够相对较高精度地判定数据中所含的特征的技术。

解决问题的技术手段

为了解决所述问题，本发明采用以下的结构。

即，本发明的一方面的检查系统检查制品的良否，所述检查系统包括：学习用数据获取部，获取包含多件学习用数据集的学习用数据群，所述多件学习用数据集分别包含映照有所述制品的图像数据及正解数据的组合，所述正解数据表示对映照在所述图像数据中的所述制品的良否判定的正解；难易度设定部，对已通过机器学习而习得了对所述制品的良否进行判定的能力的多个第一识别器分别输入各件所述学习用数据集的所述图像数据，由此，从所述多个第一识别器分别获取与对映照在所输入的所述图像数据中的所述制品的良否进行判定的结果对应的输出值，根据从所述多个第一识别器分别获取的输出值符合所述正解数据所示的正解的程度，来对各件所述学习用数据集设定良否判定的难易度；学习处理部，实施从所设定的所述难易度低的学习用数据集起依序利用的阶段性的机器学习，由此来构建对所述制品的良否进行判定的第二识别器；对象数据获取部，获取映照有作为检查对象的所述制品的对象图像数据；以及良否判定部，将所获取的所述对象图像数据输入至所述第二识别器，由此，从所述第二识别器获取输出值，基于从所述第二识别器获取的所述输出值来判定映照在所述对象图像数据中的所述制品的良否。