特許ウォッチ

公開番号2024179747
公報種別公開特許公報(A)
公開日2024-12-26
出願番号2023098860
出願日2023-06-16
発明の名称機械学習モデル生成支援プログラム、機械学習モデル生成支援装置、及び機械学習モデル生成支援方法
出願人富士通株式会社
代理人インフォート弁理士法人,個人,個人,個人
主分類G06T 7/00 20170101AFI20241219BHJP(計算;計数)
要約【課題】画像に含まれる異常の種類を適切に特定する機械学習モデルを生成する。
【解決手段】コンピュータは、第1機械学習により生成された評価モデルを用いて、複数の画像それぞれを正常又は異常に分類し、かつ、複数の画像のうち異常に分類された特定数の画像それぞれの評価値を求める。コンピュータは、特定数の画像それぞれの評価値と、特定数の画像それぞれに対して付与された異常種類とを用いた第2機械学習により、異常種類分類モデルを生成する。異常種類分類モデルは、分類対象の異常画像の評価値を複数の異常種類のうち何れかに分類するモデルである。
【選択図】図2
特許請求の範囲【請求項１】
第１機械学習により生成された評価モデルを用いて、複数の画像それぞれを正常又は異常に分類し、かつ、前記複数の画像のうち前記異常に分類された特定数の画像それぞれの評価値を求め、
前記特定数の画像それぞれの評価値と、前記特定数の画像それぞれに対して付与された異常種類とを用いた第２機械学習により、分類対象の異常画像の評価値を複数の異常種類のうち何れかに分類する異常種類分類モデルを生成する、
処理をコンピュータに実行させるための機械学習モデル生成支援プログラム。
続きを表示（約 1,100 文字）【請求項２】
前記評価モデルを用いて、分類対象の画像を前記正常又は前記異常に分類し、
前記分類対象の画像が前記異常に分類された場合、前記評価モデルを用いて、前記分類対象の画像の評価値を求め、
前記異常種類分類モデルを用いて、前記分類対象の画像の評価値を前記複数の異常種類のうち何れかに分類する、
処理を前記コンピュータにさらに実行させることを特徴とする請求項１記載の機械学習モデル生成支援プログラム。
【請求項３】
前記分類対象の画像に対して、前記複数の異常種類の何れとも異なる特定の異常種類が付与された場合、前記分類対象の画像の評価値と前記特定の異常種類とを用いた第３機械学習により、前記異常種類分類モデルから出力される前記複数の異常種類に前記特定の異常種類を追加する処理を、前記コンピュータにさらに実行させることを特徴とする請求項２記載の機械学習モデル生成支援プログラム。
【請求項４】
前記特定数の画像各々の評価値は、複数の異常属性それぞれのスコアを含むことを特徴とする請求項１乃至３の何れか１項に記載の機械学習モデル生成支援プログラム。
【請求項５】
前記評価モデルは、前記複数の画像それぞれを正常又は異常に分類する判別モデルと、前記特定数の画像それぞれの評価値を求める評価値計算モデルとを含むことを特徴とする請求項１乃至３の何れか１項に記載の機械学習モデル生成支援プログラム。
【請求項６】
第１機械学習により生成された評価モデルを用いて、複数の画像それぞれを正常又は異常に分類し、かつ、前記複数の画像のうち前記異常に分類された特定数の画像それぞれの評価値を求める評価部と、
前記特定数の画像それぞれの評価値と、前記特定数の画像それぞれに対して付与された異常種類とを用いた第２機械学習により、分類対象の異常画像の評価値を複数の異常種類のうち何れかに分類する異常種類分類モデルを生成する生成部と、
を備えることを特徴とする機械学習モデル生成支援装置。
【請求項７】
第１機械学習により生成された評価モデルを用いて、複数の画像それぞれを正常又は異常に分類し、かつ、前記複数の画像のうち前記異常に分類された特定数の画像それぞれの評価値を求め、
前記特定数の画像それぞれの評価値と、前記特定数の画像それぞれに対して付与された異常種類とを用いた第２機械学習により、分類対象の異常画像の評価値を複数の異常種類のうち何れかに分類する異常種類分類モデルを生成する、
処理をコンピュータが実行することを特徴とする機械学習モデル生成支援方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、機械学習モデル生成支援技術に関する。
続きを表示（約 1,300 文字）【背景技術】
【０００２】
近年、製造業等において、部品又は製品の欠陥の有無を検査する外観検査を自動化するために、ディープラーニング技術を用いた画像検査ＡＩ（Artificial Intelligence）が使用されている。このような画像検査ＡＩとしては、例えば、画像分類モデル及び画像生成モデルが挙げられる。
【０００３】
画像分類モデルは、入力画像を、機械学習により学習された複数のクラスのうち何れかに分類する。画像分類モデルの場合、多クラスの分類が可能であるが、機械学習には、クラス毎に大量の訓練データが用いられる。
【０００４】
画像生成モデルは、エンコーダ及びデコーダを含み、入力画像から、機械学習により学習された正常画像を生成して出力する。そして、画像生成モデルは、入力画像と出力画像の差分から、入力画像が正常又は異常の何れであるかを判定する。画像生成モデルの場合、２クラスの分類のみが可能であり、機械学習には、大量の正常画像の訓練データが用いられる。画像生成モデルは、オートエンコーダと呼ばれることもある。
【０００５】
画像の分類に関して、画像を視覚的特徴に基づいて分類する画像分類方法が知られている（例えば、特許文献１を参照）。検査対象に存在する欠陥の分類精度を向上させることが可能な欠陥分類装置も知られている（例えば、特許文献２を参照）。
【先行技術文献】
【特許文献】
【０００６】
特開平１１－３４５３４０号公報
特開２０２２－５５９５３号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
外観検査では、画像検査ＡＩの運用時に、部品又は製品の画像を異常の種類毎に多クラスで分類して、検出された異常の種類及び量を分析できることが望ましい。
【０００８】
しかしながら、事前に欠陥品を大量に収集することは困難であるため、実際の欠陥品の異常画像を画像分類モデルの訓練データとして利用することは難しい。このため、画像分類モデルの機械学習では、正常画像を人為的に加工して異常画像を作成し、作成された異常画像を訓練データとして使用することが多い。
【０００９】
この場合、加工された画像はすべて異常画像である。しかし、すべての異常の種類を事前に収集することは不可能であり、画像検査ＡＩの開発時にすべての異常の種類を網羅的に定義することは難しい。このため、画像分類モデルによる分類は、正常クラスと正常以外のクラスの２クラスの分類になってしまう。仮に、すべての異常の種類を網羅的に定義できたとしても、それらの種類の欠陥品の異常画像を大量に収集することは困難であるため、画像分類モデルにより異常の種類を正確に特定することは難しい。
【００１０】
また、画像生成モデルは、入力画像が正常又は異常の何れであるかを判定する２クラスの分類のみが可能であり、異常の種類を特定することは難しい。
（【００１１】以降は省略されています）

関連特許