JP6823025B2 - 検査装置及び機械学習方法 - Google Patents

検査装置及び機械学習方法 Download PDF

Info

Publication number
JP6823025B2
JP6823025B2 JP2018170911A JP2018170911A JP6823025B2 JP 6823025 B2 JP6823025 B2 JP 6823025B2 JP 2018170911 A JP2018170911 A JP 2018170911A JP 2018170911 A JP2018170911 A JP 2018170911A JP 6823025 B2 JP6823025 B2 JP 6823025B2
Authority
JP
Japan
Prior art keywords
inspection
learning model
index
learning
rate
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
JP2018170911A
Other languages
English (en)
Other versions
JP2020042668A (ja
Inventor
桂祐 渡邊
桂祐 渡邊
泰弘 芝▲崎▼
泰弘 芝▲崎▼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fanuc Corp
Original Assignee
Fanuc Corp
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fanuc Corp filed Critical Fanuc Corp
Priority to JP2018170911A priority Critical patent/JP6823025B2/ja
Priority to DE102019123801.3A priority patent/DE102019123801A1/de
Priority to US16/566,884 priority patent/US11682112B2/en
Priority to CN201910865243.4A priority patent/CN110895717A/zh
Publication of JP2020042668A publication Critical patent/JP2020042668A/ja
Application granted granted Critical
Publication of JP6823025B2 publication Critical patent/JP6823025B2/ja
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2178—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor
    • G06F18/2185—Validation; Performance evaluation; Active pattern learning techniques based on feedback of a supervisor the supervisor being an automated module, e.g. intelligent oracle
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/04—Manufacturing
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/776—Validation; Performance evaluation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Quality & Reliability (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Pure & Applied Mathematics (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)

Description

本発明は、検査装置及び機械学習方法に関する。
従来、工場等の製造業の現場において製造された製品の外観を作業者が目視で確認することで、良品と、キズや欠け等がある不良品との分類を行う外観検査が行われてきた。この様な外観検査においては、各作業者の経験の違いに基づく判断基準の違いや、体調変化により集中力を欠いたりする等の理由で、その検査精度にブレが生じ、良品を不良品としてラインから取り除いてしまうことがある。そのため、多くの現場では、不良品と判断されて一旦ラインから取り除かれた製品を、別の検査担当者が再度確認し、その確認の結果で良品と判断された製品はラインに戻すことで歩留まりを上げるという処置を取っている。また、同様の理由で、作業者が良品と判断したワークが実際は不良品であることもあり、その場合、良品に紛れて不良品も出荷されてしまうことになる。そのため、製造業の現場では、出荷される製品に含まれる不良品の率（不良品出荷率）を極力下げるために、様々な対策が取られている。
一般に、製造業の現場における外観検査の自動化を考える場合、２つの指標が重要になる。即ち、上記した「不良品出荷率」と、はじいた不良品の中に良品とすべき製品が紛れていないかを再確認する「再検査率」を低く抑えることである。更に、これらの指標は、製造された検査対象物の総数における不良品の率（「製造不良率」）に依存するため、ある生産ラインの「製造不良率」が既知であれば、限界とする「不良品出荷率」（限界不良品出荷率）と「再検査率」（限界再検査率）を満たす検査が可能な検査装置を構築すれば良いことになる。
一方で、自動化された外観検査における精度を向上させる試みとして、製品の外観を撮像手段で撮像し、撮像した画像に基づいた製品の仕分け作業や、良品と不良品との分類を行なう機械的な外観検査が行われてきた（例えば、特許文献１〜３等）。このような機械的な外観検査では、例えば、予め用意した基準画像から特徴点を抽出しておき、製品を撮像した画像から抽出された特徴点と比較した結果に基づいて製品の仕分けや選別を行なっている。また、このような機械的な外観検査に、機械学習を導入する事例も増加している（例えば、特許文献４等）。
特開２０１５−０２１７５６号公報 特開２００５−０５２９２６号公報 特開２０１３−１４００９０号公報 特開２０１７−０４９９７４号公報
通常、機械学習、特に３層以上の層を持つニューラルネットワークを用いた深層学習の手法によりモデルの学習を進める際には、学習のイテレーションまたはエポックと呼ばれる学習サイクルにおいて、ある程度のサイクル数の計算を行う毎に学習モデルを作成する。これは、深層学習の性質上、学習モデルの質が学習するにつれてどこまでも良くなるわけではなく、ある一定のサイクル数以上学習を行った学習モデルは過学習という状態になりやすく、未知のデータに対して正しい結果を出せなくなるためである。即ち、学習の過程でいくつか学習モデルを作成した上でそれぞれの学習モデルについて評価し、その中から適した学習モデルを選択するという方法をとる。学習モデルの評価方法として、学習時のｌｏｓｓ（損失：ニューラルネットワークによる出力値と、教師データの与える正解との誤差）やａｃｃｕｒａｃｙ（正答率：ニューラルネットワークによる出力値の正答率）といった値を用いたり、検証用データを評価した際のｐｒｅｃｉｓｉｏｎ（適合率：正しいと予測したもの内、本当に正しいものの割合）やｒｅｃａｌｌ（再現率：見つけるべきもののうち、正しく見つけることができたものの割合）を用いたりすることがある。
しかしながら、実際の製造業の現場における外観検査に機械学習を用いている場合において、検査に用いる学習モデルは、例えば上記したような不良品出荷率や再検査率等のような現場で用いられる評価基準（ユーザの要求仕様）をそれぞれ満たすものである必要があり、一般的な学習モデルの評価基準で学習結果の良否を判定してもそのままでは現場で要求される評価基準を満足しているかどうかはわからないという問題がある。例えば、学習時の１つの指標であるｌｏｓｓが小さくなったからと言って、期待する不良品出荷率がその学習モデルで達成できるとは限らない。つまり、上記したｌｏｓｓやａｃｃｕｒａｃｙの値がどの様な値であれば「不良品出荷率」や「再検査率」が現場における要件を同時に満足するのかを容易に把握乃至計算する手法が今まで提案されてきていなかった。
そこで本発明の目的は、現場のユーザが要求仕様を満足する学習モデルを選択することを容易にする検査装置及び機械学習方法を提供することである。
本発明では、学習モデルの性能を評価するための指標値と、検査装置に対して現場で要求される指標値との関係に基づいて学習モデルの良否を判断し、その判断結果に基づいて学習モデルを選択する構成を検査装置に対して導入することで、上記課題を解決する。
そして、本発明の一態様は、検査対象の検査を行う検査装置において、検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する機械学習装置と、前記機械学習装置が生成した学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する学習モデル評価指標算出部と、前記検査において用いられる、出荷される検査対象に含まれることが許容される不良品の率を表す限界不良品出荷率及び検査対象の総数における検査ではじいた検査対象の率を表す限界再検査率である検査指標を取得する検査指標取得部と、前記学習モデル評価指標と、前記検査指標とに基づいて、前記機械学習装置が生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力する指標値判定部と、を備えた検査装置である。
本発明の他の態様は、検査対象の検査を行う検査装置において、検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する機械学習装置と、前記機械学習装置が生成した学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する学習モデル評価指標算出部と、前記検査において用いられる、異常なしと判断され加工に使用される工作機械群に含まれることが許容されうる不良機械の率を表す限界不良加工率及び異常ありと判断されメンテナンスに回される工作機械の率を表す限界メンテナンス率である検査指標を取得する検査指標取得部と、前記学習モデル評価指標と、前記検査指標とに基づいて、前記機械学習装置が生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力する指標値判定部と、を備えた検査装置である。
本発明の他の態様は、検査対象の検査を行う検査装置において、検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する機械学習装置と、前記機械学習装置が生成した学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する学習モデル評価指標算出部と、前記検査において用いられる検査指標を取得する検査指標取得部と、前記学習モデル評価指標と、前記検査指標とに基づいて、前記機械学習装置が生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力し、更に、前記学習モデルが前記検査指標を満足する条件を算出し、算出した前記学習モデルが前記検査指標を満足する条件を出力する指標値判定部と、を備えた検査装置である。
本発明の他の態様は、検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する第１ステップと、前記第１ステップで生成された学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する第２ステップと、検査において用いられる、出荷される検査対象に含まれることが許容される不良品の率を表す限界不良品出荷率及び検査対象の総数における検査ではじいた検査対象の率を表す限界再検査率である検査指標を取得する第３ステップと、前記学習モデル評価指標と、前記検査指標とに基づいて、前記第１ステップで生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力する第４ステップと、を備えた機械学習方法である。
本発明の他の態様は、検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する第１ステップと、前記第１ステップで生成された学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する第２ステップと、検査において用いられる、異常なしと判断され加工に使用される工作機械群に含まれることが許容されうる不良機械の率を表す限界不良加工率及び異常ありと判断されメンテナンスに回される工作機械の率を表す限界メンテナンス率である検査指標を取得する第３ステップと、前記学習モデル評価指標と、前記検査指標とに基づいて、前記第１ステップで生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力する第４ステップと、を備えた機械学習方法である。
本発明の他の態様は、検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する第１ステップと、前記第１ステップで生成された学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する第２ステップと、検査において用いられる検査指標を取得する第３ステップと、前記学習モデル評価指標と、前記検査指標とに基づいて、前記第１ステップで生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力し、更に、前記学習モデルが前記検査指標を満足する条件を算出し、算出した前記学習モデルが前記検査指標を満足する条件を出力する第４ステップと、を備えた機械学習方法である。
本発明により、学習モデルの評価を、検査指標に定められた要求仕様に基づいて判定することができるようになるため、機械学習装置の学習の過程において、機械学習に関する知識を持たない現場の作業者であっても、現在設定されている検査指標に定められた要求仕様を満足するような学習が行われたか否かを容易に判断することができるようになり、適切な学習モデルを容易に選択できるようになる。
一実施形態による検査装置の概略的なハードウェア構成図である。 一実施形態による検査装置の概略的な機能ブロック図である。 ＲＯＣ曲線の例を示す図である。 ＲＯＣ曲線と、限界不良品出荷率及び限界再検査率の関係について説明する図である。
以下、本発明の実施形態を図面と共に説明する。
図１は本発明の一実施形態による検査装置の要部を示す概略的なハードウェア構成図である。本実施形態の検査装置１は、工場における製品検査の現場に設置されたコンピュータとして実装することができる。また、検査装置１は、工場における製品検査の現場に設置されたコンピュータとネットワークを介して接続されたセルコンピュータ、ホストコンピュータ、エッジコンピュータ、クラウドサーバ等のコンピュータとして実装することが出来る。図１は、工場における製品検査の現場に設置されたコンピュータとして検査装置１を実装した場合の例を示している。
本実施形態による検査装置１が備えるＣＰＵ１１は、検査装置１を全体的に制御するプロセッサである。ＣＰＵ１１は、バス２２を介して接続されているＲＯＭ１２に格納されたシステム・プログラムを読み出し、該システム・プログラムに従って検査装置１全体を制御する。ＲＡＭ１３には一時的な計算データや表示装置７０に表示するための表示データ及び入力装置７１を介してオペレータが入力した各種データ等が格納される。
不揮発性メモリ１４は、例えば図示しないバッテリでバックアップされたＳＲＡＭやＳＳＤ等で構成され、検査装置１の電源がオフされても記憶状態が保持されるメモリとして構成される。不揮発性メモリ１４には、入力装置７１を介して入力されたデータやプログラム、インタフェース２０を介して撮像センサ３により撮像された検査対象を撮像した画像データ等が記憶される。不揮発性メモリ１４に記憶されたデータやプログラム等は、利用時にはＲＡＭ１３に展開されても良い。また、ＲＯＭ１２には、検査に係る処理を行うためのシステム・プログラムや、その他の必要とされる処理を実行するためのシステム・プログラムがあらかじめ書き込まれている。
撮像センサ３は、例えばＣＣＤ等の撮像素子を有する電子カメラであり、撮像により２次元画像や距離画像を撮像面（ＣＣＤアレイ面上）で検出する機能を持つ周知の受光デバイスである。撮像センサ３は、例えば図示しないロボットのハンドに取り付けられ、該ロボットにより検査対象を撮像する撮像位置に移動され、該検査対象を撮像して得られた画像データをインタフェース２０を介してＣＰＵ１１に渡す。撮像センサ３は、例えばいずれかの位置に固定的に設置されており、ロボットがハンドで把持した検査対象を撮像センサ３で撮像可能な位置に移動させることで撮像センサ３が検査対象の画像データを撮像できるようにしても良い。撮像センサ３による検査対象の撮像に係る制御は、検査装置１がプログラムを実行することにより行うようにしても良いし、ロボットを制御するロボットコントローラや、他の装置からの制御により行うようにしても良い。
インタフェース１７は、検査装置１を有線／無線のネットワーク７と接続するためのインタフェースである。ネットワーク７には、工場内に設置された工作機械に併設されたパソコン、セルコンピュータ、エッジコンピュータ、ホストコンピュータ等のコンピュータ５等が接続され、ネットワーク７を介した情報のやり取りを相互に行っている。
インタフェース２３は、検査装置１と機械学習装置３００を接続するインタフェースである。機械学習装置３００は、機械学習装置３００全体を統御するプロセッサ３０１と、システム・プログラム等を記憶したＲＯＭ３０２、機械学習に係る各処理における一時的な記憶を行うためのＲＡＭ３０３、及び学習モデル等の記憶に用いられる不揮発性メモリ３０４が、バス３０５を介して接続されて構成される。機械学習装置３００は、インタフェース２３を介して検査装置１で取得可能な各情報を観測することができる。また、検査装置１は、機械学習装置３００から出力される検査対象に関する検査結果の推定に基づいてその後の処理を行う。
図２は、一実施形態による検査装置１と機械学習装置３００の概略的な機能ブロック図である。図２に示した各機能ブロックは、図１に示した検査装置１が備えるＣＰＵ１１、及び機械学習装置３００のプロセッサ３０１が、それぞれのシステム・プログラムを実行し、検査装置１及び機械学習装置３００の各部の動作を制御することにより実現される。
本実施形態の検査装置１は、データ取得部１００、前処理部１１０，学習モデル評価指標算出部１２０、検査指標取得部１３０、指標値判定部１４０を備え、検査装置１が備える機械学習装置３００は、学習部３１０、推定部３２０を備えている。また、不揮発性メモリ１４上には、機械学習装置３００による学習及び推定に用いられるデータを記憶する学習データ記憶部２００が設けられており、機械学習装置３００の不揮発性メモリ３０４上には、学習部３１０による機械学習により構築された学習モデルを記憶する学習モデル記憶部３３０が設けられている。
データ取得部１００は、撮像センサ３、入力装置７１、及び他のコンピュータ５等から入力された各種データを取得する機能手段である。データ取得部１００は、例えば、検査対象を撮像センサ３で撮像して得られた画像データ、該検査対象について作業者が目視で検査した結果を示すラベルデータ、他のコンピュータ５から取得した学習データ（検査対象の画像データと、該検査対象の検査結果のラベル）等の各種データを取得し、学習データ記憶部２００に記憶する。データ取得部１００は、図示しない外部記憶装置からデータを取得するようにしても良い。
前処理部１１０は、学習データ記憶部２００に記憶された学習データに基づいて、機械学習装置３００による学習に用いられる状態データＳとラベルデータＬの組である教師データＴを作成する。前処理部１１０は、取得したデータを機械学習装置３００において扱われる統一的な形式へと変換（数値化、正規化、サンプリング等）することにより状態データＳ及びラベルデータＬを作成する。
前処理部１１０が作成する状態データＳは、少なくとも検査対象を撮像して得られた検査対象画像データＳ１を含む。検査対象画像データＳ１は、例えば検査結果を撮像して得られた画像を構成する画素値の配列データを用いて良い。
また、前処理部１１０が作成するラベルデータＬは、少なくとも検査対象の検査結果のラベルを含む検査結果データＬ１を含む。検査結果データＬ１は、例えば作業者が検査対象を目視で検査した結果を示すラベルであって良い。
学習部３１０は、前処理部１１０が作成した状態データＳ及び判定データＬを用いた教師あり学習を行い、検査対象を撮像して得られた画像データに対する該検査対象の検査結果を学習した学習モデルを生成する（学習する）機能手段である。本実施形態の学習部３１０は、例えばニューラルネットワークを学習モデルとして用いた教師あり学習を行うように構成しても良い。この様に構成する場合、学習モデルとしては入力層、中間層、出力層の三層を備えたニューラルネットワークを用いても良いが、三層以上の層を為すニューラルネットワークを用いた、いわゆるディープラーニングの手法を用いることで、より効果的な学習及び推論を行うように構成することも可能である。学習部３１０が生成した学習モデルは、不揮発性メモリ３０４上に設けられた学習モデル記憶部３３０に記憶され、推定部３２０による検査対象の画像データに基づく検査結果の推定処理に用いられる。
推定部３２０は、前処理部１１０から入力された状態データＳに基づいて、学習モデル記憶部３３０に記憶された学習モデルを用いた検査対象の画像データに基づく検査結果の推定を行う。推定部３２０では、学習部３１０による教師あり学習により生成された（パラメータが決定された）学習モデルに対して、前処理部１１０から入力された状態データＳ（検査対象画像データＳ１）を入力データとして入力することで検査対象の検査結果を推定（算出）する。推定部３２０が推定した検査対象の検査結果は、例えば表示装置７０に表示出力したり、ネットワーク７を介してホストコンピュータやクラウドコンピュータ等に他のコンピュータ５へと送信出力したりして利用するようにしても良い。
学習モデル評価指標算出部１２０は、学習モデル記憶部３３０に記憶された学習モデルについて、学習モデルを評価するための学習モデル評価指標を算出する機能手段である。学習モデル評価指標算出部１２０は、例えば学習モデル記憶部３３０に記憶された学習モデルに対してＲＯＣ（受信者動作特性：Ｒｅｃｅｉｖｅｒ Ｏｐｅｒａｔｉｎｇ Ｃｈａｒａｃｔｅｒｉｓｔｉｃ）解析を行い、学習モデル評価指標としてＲＯＣ曲線を作成する。ＲＯＣ曲線は、例えば図３に例示されるように、ある学習モデルで検査を行った際に、縦軸に真陽性率（陽性を正しく予測する確率）、横軸に偽陽性率（陰性を誤って陽性と予測する確率）を表し、検査対象を陽性と推定する学習モデルの出力値の閾値を変化させた際に描かれる曲線（図３の太実線）である。学習モデル評価指標算出部１２０は、学習データ記憶部２００に記憶されている学習データの内で、学習モデルの学習に用いられていない学習データ（状態データＳ及び判定データＬ）を用いて、学習モデルの評価を行うようにしても良い。なお、本実施形態ではＲＯＣ曲線を用いた例を示すが、本発明の検査装置１では、ＲＯＣ曲線以外の学習モデル評価の指標を用いるようにしても良い。
学習モデル評価指標算出部１２０は、学習部３１０による学習が予め定めた所定回数毎に、学習モデルの評価を行うようにしても良く、また、評価を行った学習モデルについて、その評価結果と共に学習モデル記憶部３３０内でバックアップするようにしても良い。例えば、予め１０００回の学習サイクル毎に学習モデルの評価を行うように設定している場合、学習モデル評価指標算出部１２０は、学習部３１０による学習が１０００回行われた時の学習モデル、学習が２０００回行われた時の学習モデル、３０００回行われた時の学習モデル、…、について学習モデル評価指標の算出を行い、それぞれの時点での学習モデルと関連付けて、（継続して学習を行う学習モデルとは別に）学習モデル記憶部３３０に記憶する。
検査指標取得部１３０は、検査装置１による検査の現場において用いられる検査指標を取得する機能手段である。検査指標取得部１３０は、例えば入力装置７１を介して作業者が入力した検査指標の値を取得するようにしても良いし、例えばネットワーク７を介して工場における生産計画に係る情報等が管理されているホストコンピュータ等のコンピュータ５から検査指標を取得するようにしても良い。検査指標取得部が取得する検査指標の例としては、例えば限界不良品出荷率や、限界再検査率等が挙げられる。
指標値判定部１４０は、学習モデル評価指標算出部１２０が算出した学習モデル評価指標と、検査指標取得部１３０が取得した検査指標とに基づいて、それぞれの学習モデルが検査指標を満足するものであるか否かを判定し、その判定結果を出力する機能手段である。指標値判定部１４０は、例えば予め設定されている指標値判定式に対して学習モデル評価指標と検査指標とを代入した結果として算出される値を用いて学習モデルが検査指標を満足するものであるか否かを判定する。
指標値判定部１４０の判定処理について、学習モデル評価指標としてＲＯＣ曲線を、検査指標として限界不良出荷率及び限界再検査率を用いる場合で説明する。ＲＯＣ曲線に対して、限界不良品出荷率及び限界再検査率を満たす限界線をプロットしたものを図４に示す。図４において、太一点鎖線は限界不良品出荷率に基づいて以下に示す数１式で算出される値をグラフ上にプロットしたものであり、該太一点鎖線より上にある領域は、限界不良品出荷率が満足される領域を示している。なお、製造不良率については、予め過去の統計等に基づいて分かっているものとする。
Figure 0006823025
一方で、図４において、太破線は限界再検査率に基づいて以下に示す数２式で算出される値をグラフ上にプロットしたものであり、該太破線より左にある領域は、限界再検査率が満足される領域を示している。なお、製造不良率については、予め過去の統計に基づいて分かっているものとする。
Figure 0006823025
即ち、図中の網掛け領域にＲＯＣ曲線が入る学習モデルであれば、その領域に入った部分に対応する閾値（検査対象を陽性、即ち不良品と推定する学習モデルの出力値の閾値）を設定して用いることで、検査指標に定められた要求仕様を満足する学習モデルとして利用することができる。指標値判定部１４０は、これらの式を用いて、それぞれの学習モデルについて算出されたＲＯＣ曲線に、数１式で算出される直線より上、且つ、数２式で算出される直線より左の領域に入る部分があるか否かを判定し、判定した結果、ＲＯＣ曲線が数１式で算出される直線より上且つ数２式で算出される直線より左の領域に入る部分を持っている場合に、検査指標に定められた要求仕様を満足する学習モデルであると判定し、その判定結果を表示装置７０に表示出力するようにしても良いし、ネットワーク７を介してホストコンピュータやクラウドコンピュータ等に他のコンピュータ５へと送信出力するようにしても良い。また、指標値判定部１４０は、学習モデル記憶部３３０に記憶された学習モデルが検査指標に定められた要求仕様を満足すると判定された時点で、これ以上の学習を終了するように検査装置１の各部へと指令するようにしても良いし、表示装置７０に対して学習を継続するか終了するかの入力を促し、その入力に基づいて学習を継続するか終了するかを判断するようにしても良い。
指標値判定部１４０は、更に、検査指標に定められた要求仕様を満足する状態で学習モデルを利用する条件を、表示装置７０や他のコンピュータ５へと出力するようにしても良い。例えば、上記した例では、検査指標に定められた要求仕様を満足すると判定された学習モデルを利用する際には、ＲＯＣ曲線が図４の網掛け領域に入る部分に対応する閾値（検査対象を陽性、即ち不良品と推定する学習モデルの出力値の閾値）を設定して利用する必要がある。指標値判定部１４０は、この閾値の範囲を学習モデルを利用する条件として、表示装置７０や他のコンピュータ５へと出力するようにしても良い。この閾値の範囲は、ＲＯＣ曲線が太一点鎖線と交差する点に対応する閾値が上限値となり、ＲＯＣ曲線が太破線と交差する点に対応する閾値が下限値となる。通常、ＲＯＣ曲線は右上がりの線となるので、上限値に近いほど再検査率が低く、下限値に近いほど不良品出荷率が低くなるので、その旨も合わせて出力するようにしても良い。
上記構成を備えた検査装置１では、学習モデルの評価を、検査指標に定められた要求仕様に基づいて判定することができるようになるため、機械学習装置３００の学習の過程において、機械学習に関する知識を持たない現場の作業者であっても、現在設定されている検査指標に定められた要求仕様を満足するような学習が行われたか否かを容易に判断することができるようになり、適切な学習モデルを容易に選択できるようになる。
以上、本発明の実施の形態について説明したが、本発明は上述した実施の形態の例のみに限定されることなく、適宜の変更を加えることにより様々な態様で実施することができる。
例えば、上記した実施形態では、外観検査による出荷可否判断の例を用いて検査装置１の説明をしているが、検査装置１は他の検査に対しても適宜適用することができ、例えば、工作機械での加工可能性を判断するための検査等にも適用することができる。この様な場合、検査装置は、対象とする機械の工作時における温度や振動、音等に基づいて工作機械の故障の度合いを示すスコア（スコアが低ければ工作機械の動作が良好、スコアが高ければ故障乃至故障に近い状態）を出力するものとして構成できる。この時、検査装置１が作成するＲＯＣ曲線図の縦軸として不良機械正解率、横軸として良好可動機械不正解率を設定し、また、検査装置１が扱う検査指標としては、例えば異常なしと判断され加工に使用される工作機械群に含まれることが実用上許容され得る不良機械の率を表す限界不良加工率と、異常ありと判断されメンテナンスに回される工作機械の率を表す限界メンテナンス率を用いるようにすれば良い。このように各パラメータを設定することで、上記した実施形態で示したのと同様に、工作機械が故障しているかを診断する場面において用いる適切な学習モデルを容易に選択できるようになる。
また、上記した実施形態では、指標値判定部１４０は、図４の網掛け領域にＲＯＣ曲線が入ると判定された学習モデルについて、検査指標に定められた要求仕様を満足する学習モデルであると判定するようにしているが、例えば、検査指標に定められた要求仕様を満足する学習モデルであると判定する条件として、図４における太一点鎖線、太破線、及びＲＯＣ曲線で囲まれた部分の面積が予め定めた所定の閾値を超える場合に、検査指標に定められた要求仕様を満足する学習モデルであると判定するようにしても良い。
１ 検査装置
３ 撮像センサ
５ コンピュータ
７ ネットワーク
１１ ＣＰＵ
１２ ＲＯＭ
１３ ＲＡＭ
１４ 不揮発性メモリ
１７，１８，１９，２０ インタフェース
２２ バス
２３ インタフェース
７０ 表示装置
７１ 入力装置
１００ データ取得部
１１０ 前処理部
１２０ 学習モデル評価指標算出部
１３０ 検査指標取得部
１４０ 指標値判定部
２００ 学習データ記憶部
３００ 機械学習装置
３０１ プロセッサ
３０２ ＲＯＭ
３０３ ＲＡＭ
３０４ 不揮発性メモリ
３０５ バス
３１０ 学習部
３２０ 推定部
３３０ 学習モデル記憶部

Claims (6)

  1. 検査対象の検査を行う検査装置において、
    検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する機械学習装置と、
    前記機械学習装置が生成した学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する学習モデル評価指標算出部と、
    前記検査において用いられる、出荷される検査対象に含まれることが許容される不良品の率を表す限界不良品出荷率及び検査対象の総数における検査ではじいた検査対象の率を表す限界再検査率である検査指標を取得する検査指標取得部と、
    前記学習モデル評価指標と、前記検査指標とに基づいて、前記機械学習装置が生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力する指標値判定部と、
    た検査装置。
  2. 検査対象の検査を行う検査装置において、
    検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する機械学習装置と、
    前記機械学習装置が生成した学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する学習モデル評価指標算出部と、
    前記検査において用いられる、異常なしと判断され加工に使用される工作機械群に含まれることが許容されうる不良機械の率を表す限界不良加工率及び異常ありと判断されメンテナンスに回される工作機械の率を表す限界メンテナンス率である検査指標を取得する検査指標取得部と、
    前記学習モデル評価指標と、前記検査指標とに基づいて、前記機械学習装置が生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力する指標値判定部と、
    を備えた検査装置。
  3. 検査対象の検査を行う検査装置において、
    検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する機械学習装置と、
    前記機械学習装置が生成した学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する学習モデル評価指標算出部と、
    前記検査において用いられる検査指標を取得する検査指標取得部と、
    前記学習モデル評価指標と、前記検査指標とに基づいて、前記機械学習装置が生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力し、更に、前記学習モデルが前記検査指標を満足する条件を算出し、算出した前記学習モデルが前記検査指標を満足する条件を出力する指標値判定部と、
    を備えた検査装置。
  4. 検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する第１ステップと、
    前記第１ステップで生成された学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する第２ステップと、
    検査において用いられる、出荷される検査対象に含まれることが許容される不良品の率を表す限界不良品出荷率及び検査対象の総数における検査ではじいた検査対象の率を表す限界再検査率である検査指標を取得する第３ステップと、
    前記学習モデル評価指標と、前記検査指標とに基づいて、前記第１ステップで生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力する第４ステップと、
    を備えた機械学習方法。
  5. 検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する第１ステップと、
    前記第１ステップで生成された学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する第２ステップと、
    検査において用いられる、異常なしと判断され加工に使用される工作機械群に含まれることが許容されうる不良機械の率を表す限界不良加工率及び異常ありと判断されメンテナンスに回される工作機械の率を表す限界メンテナンス率である検査指標を取得する第３ステップと、
    前記学習モデル評価指標と、前記検査指標とに基づいて、前記第１ステップで生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力する第４ステップと、
    を備えた機械学習方法。
  6. 検査対象から取得された状態データと、該検査対象に係る検査結果を示すラベルデータとに基づいて機械学習を行うことで学習モデルを生成する第１ステップと、
    前記第１ステップで生成された学習モデルに関する、学習モデルの評価に用いられる評価指標である学習モデル評価指標を算出する第２ステップと、
    検査において用いられる検査指標を取得する第３ステップと、
    前記学習モデル評価指標と、前記検査指標とに基づいて、前記第１ステップで生成した学習モデルが、前記検査指標を満足するか否かを判定し、該判定の結果を出力し、更に、前記学習モデルが前記検査指標を満足する条件を算出し、算出した前記学習モデルが前記検査指標を満足する条件を出力する第４ステップと、
    を備えた機械学習方法。
JP2018170911A 2018-09-12 2018-09-12 検査装置及び機械学習方法 Active JP6823025B2 (ja)

Priority Applications (4)

Application Number Priority Date Filing Date Title
JP2018170911A JP6823025B2 (ja) 2018-09-12 2018-09-12 検査装置及び機械学習方法
DE102019123801.3A DE102019123801A1 (de) 2018-09-12 2019-09-05 Prüfvorrichtung und Maschinenlernverfahren
US16/566,884 US11682112B2 (en) 2018-09-12 2019-09-11 Inspection device and machine learning method
CN201910865243.4A CN110895717A (zh) 2018-09-12 2019-09-12 检查装置以及机器学习方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP2018170911A JP6823025B2 (ja) 2018-09-12 2018-09-12 検査装置及び機械学習方法

Publications (2)

Publication Number Publication Date
JP2020042668A JP2020042668A (ja) 2020-03-19
JP6823025B2 true JP6823025B2 (ja) 2021-01-27

Family

ID=69621656

Family Applications (1)

Application Number Title Priority Date Filing Date
JP2018170911A Active JP6823025B2 (ja) 2018-09-12 2018-09-12 検査装置及び機械学習方法

Country Status (4)

Country Link
US (1) US11682112B2 (ja)
JP (1) JP6823025B2 (ja)
CN (1) CN110895717A (ja)
DE (1) DE102019123801A1 (ja)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7442134B2 (ja) * 2020-04-07 2024-03-04 パナソニックＩｐマネジメント株式会社 部品実装方法及び部品実装システム
DE102021106999A1 (de) 2020-04-24 2021-10-28 Krones Aktiengesellschaft Verfahren und Vorrichtung zur optischen Inspektion von Behältern in einer Getränkeverarbeitungsanlage
US20230224360A1 (en) * 2020-06-15 2023-07-13 Nippon Telegraph And Telephone Corporation Processing system, and processing method
WO2021256141A1 (ja) * 2020-06-16 2021-12-23 コニカミノルタ株式会社 予測スコア算出装置、予測スコア算出方法、予測スコア算出プログラムおよび学習装置
WO2022024985A1 (ja) * 2020-07-27 2022-02-03 ファナック株式会社 検査装置
JP2023153431A (ja) * 2020-08-27 2023-10-18 マクセルフロンティア株式会社 画像処理装置、検査システムおよび検査方法
TWI806004B (zh) * 2021-02-09 2023-06-21 麗臺科技股份有限公司 自動化視覺檢測的ai流程管理系統及方法
JP7491274B2 (ja) * 2021-07-29 2024-05-28 トヨタ自動車株式会社 検査装置および検査方法
JP7619215B2 (ja) * 2021-09-02 2025-01-22 トヨタ自動車株式会社 検査システム、方法、及びプログラム
JP7643329B2 (ja) * 2021-12-27 2025-03-11 トヨタ自動車株式会社 評価方法
US20250054131A1 (en) * 2022-05-24 2025-02-13 Mitsubishi Electric Corporation Information processing device, information processing system, information processing method, and recording medium

Family Cites Families (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4580226A (en) * 1984-04-06 1986-04-01 Sanford H. Robbins Random sampling system
JP3759881B2 (ja) * 2001-03-08 2006-03-29 株式会社山武 加工診断監視システム
JP4227863B2 (ja) 2003-08-04 2009-02-18 株式会社デンソー 視覚検査装置の教示装置及び教示方法
TWI239470B (en) * 2004-07-12 2005-09-11 Quanta Comp Inc Production information managing system and method
JP4573036B2 (ja) * 2005-03-16 2010-11-04 オムロン株式会社 検査装置および検査方法
JP2006293820A (ja) * 2005-04-13 2006-10-26 Sharp Corp 外観検査装置、外観検査方法およびコンピュータを外観検査装置として機能させるためのプログラム
CN100523746C (zh) * 2006-05-09 2009-08-05 欧姆龙株式会社 检查装置及检查方法
JP5050607B2 (ja) 2006-05-09 2012-10-17 オムロン株式会社 検査装置、検査方法、検査プログラムおよびそれを記録したコンピュータ読み取り可能な記録媒体
JP2008051781A (ja) * 2006-08-28 2008-03-06 I-Pulse Co Ltd 基板の外観検査方法および装置
JP5063632B2 (ja) * 2009-03-10 2012-10-31 株式会社豊田中央研究所 学習モデル生成装置、対象物検出システム、及びプログラム
JP5168215B2 (ja) * 2009-04-10 2013-03-21 株式会社デンソー 外観検査装置
US20110182495A1 (en) * 2010-01-26 2011-07-28 General Electric Company System and method for automatic defect recognition of an inspection image
JP2013015964A (ja) * 2011-07-01 2013-01-24 Ricoh Co Ltd 合格率推定装置、合格率推定方法、プログラム
JP5874398B2 (ja) 2012-01-05 2016-03-02 オムロン株式会社 画像検査装置の検査領域設定方法
US9053390B2 (en) * 2012-08-14 2015-06-09 Kla-Tencor Corporation Automated inspection scenario generation
JP6003783B2 (ja) * 2013-04-11 2016-10-05 トヨタ自動車株式会社 製品の品質検査方法
JP6246513B2 (ja) 2013-07-16 2017-12-13 株式会社キーエンス 三次元画像処理装置、三次元画像処理方法及び三次元画像処理プログラム並びにコンピュータで読み取り可能な記録媒体及び記録した機器
JP2017049974A (ja) 2015-09-04 2017-03-09 キヤノン株式会社 識別器生成装置、良否判定方法、およびプログラム
JP6470251B2 (ja) * 2016-12-26 2019-02-13 ファナック株式会社 数値制御装置及び機械学習装置
JPWO2019239606A1 (ja) * 2018-06-15 2020-06-25 三菱電機株式会社 工作機械の加工寸法予測装置、工作機械の加工寸法予測システム、工作機械の設備異常判定装置、工作機械の加工寸法予測方法及びプログラム

Also Published As

Publication number Publication date
CN110895717A (zh) 2020-03-20
JP2020042668A (ja) 2020-03-19
US20200082225A1 (en) 2020-03-12
DE102019123801A1 (de) 2020-03-12
US11682112B2 (en) 2023-06-20

Similar Documents

Publication Publication Date Title
JP6823025B2 (ja) 検査装置及び機械学習方法
JP6795562B2 (ja) 検査装置及び機械学習方法
JP6530779B2 (ja) 加工不良要因推定装置
JP6560707B2 (ja) 加工面品位評価装置
US12162056B2 (en) Method and system for forming a stamped component using a stamping simulation model
EP3454289B1 (en) Plant abnormality detection method and system
CN105051781B (zh) 机器视觉系统以及用于产品的远程质量检验的方法
JP7455765B2 (ja) 産業プロセスの品質監視
CN117309065A (zh) 一种基于无人机的换流站远程监控方法及系统
CN118537329A (zh) 一种车用底盘的装配质量检测方法及系统
JP7087882B2 (ja) 品質予測装置、品質予測方法、及び品質予測プログラム
CN118052793B (zh) 毛绒玩具生产过程实时监控系统及方法
CN110895719A (zh) 验证装置
JP7181257B2 (ja) 原因分析システムおよび方法
WO2020202332A1 (ja) 検査装置及び検査方法
CN120668678A (zh) 半导体芯片的高精度缺陷检测方法及系统
CN120372495A (zh) 一种基于多模态传感融合的房屋结构安全检测方法及系统
JP2021086219A (ja) 協調作業システム、解析収集装置および解析プログラム
CN118210787A (zh) 基于多维度车辆大数据与车况智能缺陷推断技术的实时车况自动化检测方法
CN111259494B (zh) 重机设备健康监测分析方法
CN121188718B (zh) 一种基于数字射线技术的输电线路耐张线夹无损检测方法
CN115136088B (zh) 可编程显示器、控制系统及解析方法
EP4597246A1 (en) Factor analysis device and factor analysis method
CN118154539A (zh) 一种孔探缺陷检测方法、设备及存储介质
WO2023139750A1 (ja) データセット作成装置及びコンピュータ読み取り可能な記録媒体

Legal Events

Date Code Title Description
A621 Written request for application examination

Free format text: JAPANESE INTERMEDIATE CODE: A621

Effective date: 20200210

A871 Explanation of circumstances concerning accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A871

Effective date: 20200521

A975 Report on accelerated examination

Free format text: JAPANESE INTERMEDIATE CODE: A971005

Effective date: 20200529

A977 Report on retrieval

Free format text: JAPANESE INTERMEDIATE CODE: A971007

Effective date: 20200908

A131 Notification of reasons for refusal

Free format text: JAPANESE INTERMEDIATE CODE: A131

Effective date: 20201006

A521 Request for written amendment filed

Free format text: JAPANESE INTERMEDIATE CODE: A523

Effective date: 20201125

TRDD Decision of grant or rejection written
A01 Written decision to grant a patent or to grant a registration (utility model)

Free format text: JAPANESE INTERMEDIATE CODE: A01

Effective date: 20201208

A61 First payment of annual fees (during grant procedure)

Free format text: JAPANESE INTERMEDIATE CODE: A61

Effective date: 20210107

R150 Certificate of patent or registration of utility model

Ref document number: 6823025

Country of ref document: JP

Free format text: JAPANESE INTERMEDIATE CODE: R150