特許ウォッチ

公開番号2024042375
公報種別公開特許公報(A)
公開日2024-03-28
出願番号2022147047
出願日2022-09-15
発明の名称異常推定システム
出願人株式会社カネカ
代理人個人
主分類G06N 20/00 20190101AFI20240321BHJP(計算;計数)
要約【課題】フィルム状物の異常を精度良く推定する異常推定システムを提供する。
【解決手段】異常推定システム1において、推定装置2は、フィルム状物の撮影画像データと、フィルム状物の異常に関する分類ラベルで分類した分類データとのデータセットを複数使用し、データセットごとに教師データとして機械学習し、複数の学習モデルを生成する機械学習部10と、フィルム状物を撮影する撮影装置3の撮影部21と、複数の学習モデルを用いて、撮影部21による撮影画像データからフィルム状物の異常を推定する推定部12と、を備える。複数の学習モデルは、分類ラベル毎に複数のクラスに分類され、上位のクラスの学習モデルから順に異常の推定に使用される。
【選択図】図1
特許請求の範囲【請求項１】
フィルム状物の異常を推定する異常推定システムであって、
前記フィルム状物の撮影画像データと、前記フィルム状物の異常に関する分類ラベルで分類した分類データとのデータセットを複数使用し、データセットごとに教師データとして機械学習し、複数の学習モデルを生成する機械学習部と、
前記フィルム状物を撮影する撮影部と、
前記複数の学習モデルを用いて、前記撮影部による撮影画像データから前記フィルム状物の異常を推定する推定部を備えており、
前記複数の学習モデルは、前記分類ラベルごとに複数のクラスに分類され、上位のクラスの学習モデルから順に異常の推定に使用される、異常推定システム。
続きを表示（約 770 文字）【請求項２】
下位のクラスの学習モデルでは、上位のクラスの分類ラベルに分類される撮影画像データを教師データから除外する、請求項１に記載の異常推定システム。
【請求項３】
前記学習モデルは、前記撮影画像データから算出した特徴量を閾値と比較して分類するものであり、
前記分類ラベルには、重要ラベルと誤認警戒ラベルがあり、
前記重要ラベルが属するクラスは、前記誤認警戒ラベルが属するクラスよりも上位のクラスであり、
前記機械学習部は、前記フィルム状物の撮影画像データと、少なくとも前記重要ラベルと前記誤認警戒ラベルとで分類した分類データとのデータセットを、教師データとして機械学習して救済用学習モデルを生成可能であり、
前記救済用学習モデルは、前記重要ラベルに対応する学習モデルよりも前記閾値が小さいものであり、
前記推定部は、前記誤認警戒ラベルに対応する学習モデルにおいて前記誤認警戒ラベルに該当する異常と分類された場合に、前記救済用学習モデルに基づいて、前記重要ラベルに該当する異常と、前記重要ラベル以外に該当する異常に分類する、請求項１又は２に記載の異常推定システム。
【請求項４】
前記分類ラベルには、重要ラベルと、高精度ラベルがあり、
前記高精度ラベルは、対応する学習モデルの正解率が９９．９％以上であって、かつ、前記重要ラベルよりも上位のクラスに分類される、請求項１又は２に記載の異常推定システム。
【請求項５】
前記推定部は、上位のクラスの学習モデルから順に、前記学習モデルによって分類していき、陽性となった時点で、陽性となった学習モデルに対応する異常を前記フィルム状物の異常と推定する、請求項１又は２に記載の異常推定システム。

発明の詳細な説明【技術分野】
【０００１】
本発明は、高分子フィルム等のフィルム状物の異常を推定する異常推定システムに関する。
続きを表示（約 1,300 文字）【背景技術】
【０００２】
近年、人工知能の発達により、機械学習によってフィルム製品の欠陥の種別を識別する欠陥検査システムが知られている（例えば、特許文献１）。
特許文献１では、輝度合計、輝度平均、輝度中央値、輝度分散、輝度勾配方向、輝度勾配の大きさ、欠陥の面積、欠陥の周囲長、欠陥の円形度、欠陥のフェレ径及び欠陥の縦横比のいずれかを特徴量とする機械学習により欠陥の種別を識別できると記載されている。
【先行技術文献】
【特許文献】
【０００３】
特開２０１７－２１５２７７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
しかしながら、フィルムの欠陥は、多数の種類があり、フィルムの欠陥の中には、よく似た形状の欠陥がある。
そのため、特許文献１の欠陥検査システムのように、一つの学習モデルを用いて撮影画像から欠陥の種別を識別すると、正解率（Ａｃｃｕｒａｃｙ）に限界があり、精度良く欠陥の種別を識別できない問題がある。
【０００５】
そこで、本発明は、従来に比べて、精度良く異常を推定できる異常推定システムを提供することを課題とする。
【課題を解決するための手段】
【０００６】
上記した課題を解決するための本発明の一つの様相は、フィルム状物の異常を推定する異常推定システムであって、前記フィルム状物の撮影画像データと、前記フィルム状物の異常に関する分類ラベルで分類した分類データとのデータセットを複数使用し、データセットごとに教師データとして機械学習し、複数の学習モデルを生成する機械学習部と、前記フィルム状物を撮影する撮影部と、前記複数の学習モデルを用いて、前記撮影部による撮影画像データから前記フィルム状物の異常を推定する推定部を備えており、前記複数の学習モデルは、前記分類ラベルごとに複数のクラスに分類され、上位のクラスの学習モデルから順に異常の推定に使用される、異常推定システムである。
【０００７】
本様相によれば、各学習モデルによって個別に異常を推定するので、従来に比べて精度良く異常を推定できる。
本様相によれば、上位のクラスで異常が推定されると、下位のクラスで異常の判断をする必要がないため、計算量を少なくできるとともに、精度を向上できる。
【０００８】
好ましい様相は、下位のクラスの学習モデルでは、上位のクラスの分類ラベルに分類される撮影画像データを教師データから除外する。
【０００９】
本様相によれば、余分な学習を省くことができ、計算量を少なくできるとともに、精度を向上できる。
【００１０】
ここで、フィルム状物の異常の中には、存在すると製品として成立しない重大な異常が存在する。本発明者は、この重大な異常について検討したところ、重大な異常の分類において誤解答となるものは、特定の異常と分類されることが多いことが発見した。
（【００１１】以降は省略されています）

関連特許