特許ウォッチ

公開番号2024171731
公報種別公開特許公報(A)
公開日2024-12-12
出願番号2023088898
出願日2023-05-30
発明の名称変状検出プログラム、変状検出装置、および変状検出方法
出願人株式会社東芝
代理人弁理士法人酒井国際特許事務所
主分類G06T 7/00 20170101AFI20241205BHJP(計算;計数)
要約【課題】任意の変状検出方法における変状検出精度の向上を図る。
【解決手段】変状検出装置10で実行される変状検出プログラムは、特徴量算出部24Aによって実行される特徴量算出ステップと、第1選択部24Bによって実行される第1選択ステップと、変状度データ算出部24Cによって実行される変動度データ算出ステップと、を含む。特徴量算出ステップは、複数の教師データの各々の第1特徴量および検出対象データの第2特徴量を算出もしくは参照する。第1選択ステップは、複数の教師データの各々に対応する第1付加情報に基づいて、複数の第1特徴量の内の少なくとも1つ以上を選択する。変状度データ算出ステップは、選択された第1特徴量と、第2特徴量と、を用いて、検出対象データの変状度を表す変状度データを算出する。
【選択図】図1
特許請求の範囲【請求項１】
複数の教師データの各々の第１特徴量および検出対象データの第２特徴量を算出もしくは参照する特徴量算出ステップと、
複数の前記教師データの各々に対応する第１付加情報に基づいて、複数の前記第１特徴量の内の少なくとも１つ以上を選択する第１選択ステップと、
選択された前記第１特徴量と、前記第２特徴量と、を用いて、前記検出対象データの変状度を表す変状度データを算出する変状度データ算出ステップと、
をコンピュータに実行させるための変状検出プログラム。
続きを表示（約 1,100 文字）【請求項２】
前記第１選択ステップは、
互いに非類似の複数の前記第１付加情報に対応する複数の前記教師データの各々から算出された前記第１特徴量を選択する、
請求項１に記載の変状検出プログラム。
【請求項３】
前記第１選択ステップは、
複数の前記第１特徴量を、複数の前記第１特徴量の各々の算出元の複数の前記教師データの各々の前記第１付加情報が類似する複数のグループに分類し、複数の前記グループの各々ごとに、前記グループに属する前記第１特徴量を少なくとも１つ以上選択する、
請求項１に記載の変状検出プログラム。
【請求項４】
前記第１選択ステップは、
複数の前記教師データの各々に対応する前記第１付加情報に基づいて、複数の前記第１特徴量の内の一部を選択する、
請求項１に記載の変状検出プログラム。
【請求項５】
前記第１選択ステップで選択された複数の前記第１特徴量の内、
前記検出対象データの前記第２特徴量に類似、および、前記検出対象データに対応する第２付加情報に類似する前記第１付加情報に対応する複数の前記教師データの各々から算出、の少なくとも一方の条件を満たす前記第１特徴量を選択する第２選択ステップを含み、
前記変状度データ算出ステップは、
前記第２選択ステップで選択された前記第１特徴量と、前記第２特徴量と、を用いて、前記検出対象データの変状度を表す変状度データを算出する、
請求項１に記載の変状検出プログラム。
【請求項６】
前記変状度データを表示部へ表示する表示制御ステップを含む、
請求項１に記載の変状検出プログラム。
【請求項７】
前記表示制御ステップは、
前記変状度データを変状度に応じた表示形態で前記表示部へ表示する、
請求項６に記載の変状検出プログラム。
【請求項８】
前記表示制御ステップは、
前記変状度データと、前記検出対象データおよび前記教師データの少なくとも一方と、を前記表示部へ表示する、
請求項６に記載の変状検出プログラム。
【請求項９】
前記検出対象データおよび前記教師データは、画像データまたは音声データである、
請求項１に記載の変状検出プログラム。
【請求項１０】
前記第１付加情報は、
前記教師データの取得条件を表す情報であり、
前記第２付加情報は、
前記検出対象データの前記取得条件を表す情報である、
請求項５に記載の変状検出プログラム。
（【請求項１１】以降は省略されています）
発明の詳細な説明【技術分野】
【０００１】
本発明の実施形態は、変状検出プログラム、変状検出装置、および変状検出方法に関する。
続きを表示（約 1,600 文字）【背景技術】
【０００２】
画像などの検出対象データの変状を検出するシステムが知られている。例えば、正常なデータのみを教師データとして教示し、学習した自己符号器を用いて、画像内の対象領域の差分処理を行うことで、変状検出を行う技術が開示されている。また、例えば、事前学習したＣＮＮ（Convolution Neural Network）の特徴空間における差分を利用することで、変状検出を行う技術が開示されている。
【先行技術文献】
【特許文献】
【０００３】
特開２０２２－１４２５８８号公報
特開２０２０－１４４６２６号公報
【非特許文献】
【０００４】
N. Cohen, Y. Hoshen. “Transformer-Based Anomaly Segmentation.” ArXiv.org, 2020.
K. Roth, L. Pemula, J. Zepeda, B. Scholkopf, T. Brox, & P. Gehler. “Towards total recall in industrial anomaly detection.” In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 14318-14328), 2022.
【発明の概要】
【発明が解決しようとする課題】
【０００５】
しかし、従来技術では、類似する複数の教師データ、すなわち偏った複数の教師データを利用した変状検出が行われており、教師データに偏りがあることによって変状検出精度が低下する場合があった。また、従来技術では、教師データ自体の特徴量を用いてデータセットのサンプルを間引く処理や、教師データの特徴ベクトルの次元数を削減する処理を行っており、教師データの局所的な偏りが抑制されず、変状検出精度が低下する場合があった。すなわち、従来技術では、変状検出精度が低下する場合があった。
【０００６】
本開示が解決しようとする課題は、任意の変状検出方法における変状検出精度の向上を図ることができる、変状検出プログラム、変状検出装置、および変状検出方法を提供することである。
【課題を解決するための手段】
【０００７】
実施形態の変状検出プログラムは、複数の教師データの各々の第１特徴量および検出対象データの第２特徴量を算出もしくは参照する特徴量算出ステップと、複数の前記教師データの各々に対応する第１付加情報に基づいて、複数の前記第１特徴量の内の少なくとも１つ以上を選択する第１選択ステップと、選択された前記第１特徴量と、前記第２特徴量と、を用いて、前記検出対象データの変状度を表す変状度データを算出する変状度データ算出ステップと、をコンピュータに実行させるための変状検出プログラム。
【図面の簡単な説明】
【０００８】
実施形態の変状検出装置の模式図。
情報処理の流れを示すフローチャート。
実施形態の変状検出装置の模式図。
情報処理の流れを示すフローチャート。
ハードウェア構成図。
【発明を実施するための形態】
【０００９】
以下に添付図面を参照して、実施形態の変状検出プログラム、変状検出装置、および変状検出方法を詳細に説明する。
【００１０】
（第１の実施形態）
図１は、本実施形態の変状検出プログラム、および変状検出方法を実行するための変状検出装置１０の一例を示す模式図である。
（【００１１】以降は省略されています）

関連特許