特許ウォッチ

公開番号2025131031
公報種別公開特許公報(A)
公開日2025-09-09
出願番号2024028512
出願日2024-02-28
発明の名称予測プログラム、予測方法及び予測装置
出願人住友電気工業株式会社
代理人個人,個人,個人,個人
主分類G06T 7/00 20170101AFI20250902BHJP(計算;計数)
要約【課題】疑似画像を用いた機械学習によって生成した学習済みモデルを用いた場合であっても、予測精度の向上が図れる予測プログラム、予測方法及び予測装置を提供する。
【解決手段】予測プログラムは、撮影された画像を取得する取得ステップと、取得された画像に画像処理を行い、学習画像を生成する生成ステップと、生成された学習画像を用いた機械学習によって学習済みモデルを生成する学習ステップと、対象画像を学習済みモデルに入力して、予測結果を出力する予測ステップと、をコンピュータに実行させ、予測ステップでは、対象画像に対して画像処理と同じ方法の画像処理を行い、当該画像処理後の対象画像を学習済みモデルに入力する。
【選択図】図2
特許請求の範囲【請求項１】
少なくとも一つのプロセッサにおいて実行され、学習済みモデルを用いて事象を予測する予測プログラムであって、
撮影された画像を取得する取得ステップと、
取得された前記画像に画像処理を行い、学習画像を生成する生成ステップと、
生成された前記学習画像を用いた機械学習によって前記学習済みモデルを生成する学習ステップと、
対象画像を前記学習済みモデルに入力して、予測結果を出力する予測ステップと、
をコンピュータに実行させ、
前記予測ステップでは、前記対象画像に対して前記画像処理と同じ方法の画像処理を行い、当該画像処理後の前記対象画像を前記学習済みモデルに入力する、予測プログラム。
続きを表示（約 990 文字）【請求項２】
前記生成ステップでは、入力層、１層以上の中間層及び出力層を含んで構成されるニューラルネットワークを用いて前記学習画像を生成する、請求項１に記載の予測プログラム。
【請求項３】
前記生成ステップでは、前記画像と見た目が同じ前記学習画像を生成する、請求項１又は請求項２に記載の予測プログラム。
【請求項４】
前記取得ステップでは、前記画像として、不良部分を含む不良画像を取得し、
前記生成ステップでは、前記不良画像おいて前記不良部分の形状、寸法、位置及び色の少なくとも一つを変化させた前記学習画像を生成する、請求項１又は請求項２に記載の予測プログラム。
【請求項５】
前記生成ステップでは、一つの前記画像から複数の前記学習画像を生成する、請求項１又は請求項２に記載の予測プログラム。
【請求項６】
少なくとも一つのプロセッサにおいて実行され、学習済みモデルを用いて事象を予測する予測方法であって、
撮影された画像を取得する取得ステップと、
取得された前記画像に画像処理を行い、学習画像を生成する生成ステップと、
生成された前記学習画像を用いた機械学習によって前記学習済みモデルを生成する学習ステップと、
対象画像を前記学習済みモデルに入力して、予測結果を出力する予測ステップと、を含み、
前記予測ステップでは、前記対象画像に対して前記画像処理と同じ方法の画像処理を行い、当該画像処理後の前記対象画像を前記学習済みモデルに入力する、予測方法。
【請求項７】
少なくとも一つのプロセッサを備え、学習済みモデルを用いて事象を予測する予測装置であって、
撮影された画像を取得する取得部と、
前記取得部によって取得された前記画像に画像処理を行い、学習画像を生成する生成部と、
前記生成部によって生成された前記学習画像を用いた機械学習によって前記学習済みモデルを生成する学習部と、
対象画像を前記学習済みモデルに入力して、予測結果を出力する予測部と、を備え、
前記予測部は、前記対象画像に対して前記画像処理と同じ方法の画像処理を行い、当該画像処理後の前記対象画像を前記学習済みモデルに入力する、予測装置。

発明の詳細な説明【技術分野】
【０００１】
本開示は、予測プログラム、予測方法及び予測装置に関する。
続きを表示（約 1,600 文字）【背景技術】
【０００２】
特許文献１には、不良部画像の画像データである不良部データを記憶する不良部データ記憶部と、良品画像の画像データである良品データを記憶する良品データ記憶部と、不良部データ、良品データ、及び生成パラメータに基づいて、良品画像に不良部画像を合成した学習画像の画像データである学習データを生成する学習データ生成部と、学習データを記憶する学習データ記憶部と、生成パラメータを設定する生成パラメータ設定部と、を備える学習データ生成装置が開示されている。
【先行技術文献】
【特許文献】
【０００３】
特開２０２０－２７４２４号公報
【発明の概要】
【発明が解決しようとする課題】
【０００４】
物品の検査方法として、機械学習によって生成された学習済みモデルに物品を含む画像を入力して、学習済みモデルから出力される予測結果に応じて物品を検査する方法がある。予測精度を向上させるためには、多くの教師データを用いて学習済みモデルを生成することが好ましい。しかしながら、実際の検査工程においては、不良品の発生は多くないため、不良品に関する不良画像（実画像）を多く得ることは困難であるそのため、多くの不良画像を得るために時間を要するため、学習済みモデルの生成に時間を要する。そこで、上記のように、不良画像の疑似画像を生成し、疑似画像を教師データとして用いて学習モデルの機械学習を行っている。
【０００５】
しかしながら、疑似画像を用いた機械学習によって生成された学習済みモデルは、疑似画像の特徴に特化した学習がなされているため、疑似画像に対しての予測精度は向上するが、実画像に対しての予測精度が低下するという問題がある。
【０００６】
本開示は、疑似画像を用いた機械学習によって生成した学習済みモデルを用いた場合であっても、予測精度の向上が図れる予測プログラム、予測方法及び予測装置を提供することを目的とする。
【課題を解決するための手段】
【０００７】
本開示の一実施形態に係る予測プログラムは、少なくとも一つのプロセッサにおいて実行され、学習済みモデルを用いて事象を予測する予測プログラムであって、撮影された画像を取得する取得ステップと、取得された画像に画像処理を行い、学習画像を生成する生成ステップと、生成された学習画像を用いた機械学習によって学習済みモデルを生成する学習ステップと、対象画像を学習済みモデルに入力して、予測結果を出力する予測ステップと、をコンピュータに実行させ、予測ステップでは、対象画像に対して画像処理と同じ方法の画像処理を行い、当該画像処理後の対象画像を学習済みモデルに入力する。
【発明の効果】
【０００８】
本開示によれば、疑似画像を用いた機械学習によって生成した学習済みモデルを用いた場合であっても、予測精度の向上が図れる。
【図面の簡単な説明】
【０００９】
図１は、一実施形態に係る予測システムで用いられるコンピュータのハードウェア構成の一例を示す図である。
図２は、予測システムの機能構成の一例を示す図である。
図３は、ニューラルネットワークの一例を示す図である。
図４は、画像処理の一例を示す図である。
図５は、画像処理の一例を示す図である。
図６は、学習方法、及び、学習済みモデルの生成の一例を処理フローとして示すフローチャートである。
図７は、予測方法の一例を処理フローとして示すフローチャートである。
【発明を実施するための形態】
【００１０】
［本開示の実施形態の説明］
最初に、本開示の実施形態の内容を列記して説明する。以下に記載する実施形態の少なくとも一部を任意に組み合わせてもよい。
（【００１１】以降は省略されています）

関連特許