專利名稱：檢查裝置及檢查方法
技術領域：
本發(fā)明涉及從所輸入的檢查對象的計測數(shù)據中提取特征量，根據提取出的特征量判定檢查對象的狀態(tài)的檢查裝置及檢查方法。
背景技術：
在汽車和家電產品等中非常多地使用組裝了電動機等驅動系統(tǒng)部件的旋轉設備。例如，在汽車中，在發(fā)動機、動力轉向裝置、電動座椅、變速箱等到處都安裝有旋轉設備。并且，在家電產品中，在冰箱、空調、洗衣機等各種產品中安裝有旋轉設備。于是，在這些旋轉設備工作時，由于電動機等的旋轉而產生聲音。
這種由于旋轉產生的聲音有伴隨正常工作而必然產生的聲音，也有因為缺陷而產生的聲音。例如，這種伴隨缺陷的異常聲音有軸承的異常、內部的異常接觸、不平衡、混入異物等。更加具體地講，有頻度為齒輪每旋轉一圈產生一次的缺齒、咬入異物、點缺陷、電動機內部的旋轉部與固定部在旋轉中的瞬間摩擦所導致的異常聲音。并且，例如在人可以聽到的20Hz～20kHz范圍內有各種聲音。作為人感覺不舒服的聲音，例如有約15kHz左右的聲音。于是，產生這種規(guī)定頻率成分的聲音時也屬于異常聲音。當然，異常聲音不限于該頻率。
伴隨上述缺陷的聲音不僅僅是不舒服，也有可能產生更進一步的故障。因此，以這些各種產品的質量保證為目的，進行有無異常聲音的判斷。在生產工廠中，通常由檢查員根據聽覺和觸覺等進行基于五官感覺的“官能檢查”。具體地講，檢查員通過用耳朵聽、用手觸摸來確認振動進行檢查。另外，官能檢查在日本官能檢查術語JIS Z8144中有所定義。
可是，基于檢查員的五官感覺的官能檢查需要熟練的技術。并且，官能檢查的判定結果因個人差異和時間變化等造成的偏差較大。另外，官能檢查存在判定結果的數(shù)據化和數(shù)值化困難、管理困難的問題。因此，為了解決這種問題，作為檢查包括驅動系統(tǒng)部件在內的產品異常的檢查裝置有異常聲音檢查裝置。異常聲音檢查裝置的目的是定量且基于明確基準的穩(wěn)定的檢查。
在此前的異常聲音檢查裝置中，以消除產生漏檢率、降低過檢率為目的，作成/改進了高性能的合格與否判定算法。另外，所說漏檢是指將不合格品(異常品)錯誤判定為合格品(正常品)。漏檢將會導致不合格品出廠，所以需要可靠地防止。所說過檢是指將合格品錯誤判定為不合格品。過檢將會導致合格品不能出廠而被廢棄處理等，需要防止浪費及成品率降低。因此，增加所使用的特征量的數(shù)量，或者為了生成更好的判定規(guī)則而增加所要求的樣本數(shù)量。
另一方面，近年來消費者對于工業(yè)產品質量的要求日益嚴格。并且，在多品種小批量生產時代的制造業(yè)中，不僅需要確保產品質量，而且如何快速地使生產線開始工作成為重要課題。即，僅僅單純地實現(xiàn)異常聲音檢查算法的高精度化還不夠。為了向市場輸送質量更好的產品，在生產現(xiàn)場中有以下兩種要求。
第一是檢查的自動化。即，產品的尺寸和重量等生產工序中的檢查通常針對所生產產品的各個特性值分別確定管理標準來管理質量。例如，在將印刷線路板的錫焊外觀檢查和汽車發(fā)動機的異常聲音檢查那樣的官能檢查自動化的檢查裝置中，從圖像和波形中提取多個質量特性。然后，判別模型綜合判斷這些特性來判定合格與否。
第二是垂直調試(vertical start-up)。一般在生產現(xiàn)場中，在生產線調試時，經過批量生產試制過程來調試批量生產線。所說批量試制是指在研發(fā)設計后利用與批量生產相同的生產手段來制造產品，確定工序中有無問題等以及可否批量生產。在自動生成自動檢查裝置的判別模型時，如果沒有采集足夠的數(shù)據，則不能建模，所以在批量生產開始之前不能確定檢查標準。在該批量試制階段確定批量生產階段中使用的檢查標準，在開始批量生產的同時開始穩(wěn)定的檢查，這成為實現(xiàn)生產線的垂直調試的重要課題。
上述的官能檢查綜合判斷聲音的大小、高度、外觀顏色及形狀等各種質量特性來確定合格與否。因此，官能檢查的自動化系統(tǒng)從利用麥克風和攝像機等傳感器獲取的數(shù)據中提取出表示質量特性的多個特征量，利用判別函數(shù)判定合格與否的模式識別比較有效。一般，模式識別需要準備用于確定判別函數(shù)的足夠數(shù)量的學習樣本。
此處，說明基于模式識別的產品檢查。
圖24是表示模式識別的步驟的說明圖。所說模式識別是指根據從數(shù)據中提取出的特征量的模式來確定(判別)該數(shù)據所屬的群的方法。因此，模式識別需要預先在模式空間上根據已經觀測到的數(shù)據自動生成(學習)判別函數(shù)。
并且，模式識別的方法根據分布的表現(xiàn)方法和分布的對稱性可以分為四種。
分布的表現(xiàn)方法可以分類為“參量判別”和“非參量判別”。參量判別利用統(tǒng)計參數(shù)表示分布，非參量判別不利用統(tǒng)計參數(shù)表示分布。
并且，分布的對稱性可以分類為假定分布的對稱性的“二類判別模型”和不假定分布的對稱性的“一類判別模型”。
具體地講，在學習階段中，在參量判別中，對于已經觀測到的數(shù)據構成的多個組(例如正常和異常)，預先估計用于規(guī)定屬于各組的數(shù)據遵從的概率密度分布的形狀的參數(shù)(例如均值、方差)。并且，在判別階段中，在觀測到新的數(shù)據時，使用估計出的參數(shù)求出對于各組的歸屬度，確定屬于哪一組。該參量判別是僅在可以假定數(shù)據遵從于可以用參數(shù)規(guī)定形狀的概率密度分布(例如正態(tài)分布)時有效的方法。
并且，在學習階段中，在非參量判別中，按照每個組直接保持已經觀測到的所有數(shù)據或者有助于判別的一部分數(shù)據。或者，不使用統(tǒng)計參數(shù)，而在非參量判別中直接根據數(shù)據求出密度分布。然后，在判別階段中，在觀測到新的數(shù)據時，根據所保持的數(shù)據或者與分布的類似度或距離，求出對于各組的歸屬度，來確定屬于哪一組。該非參量判別是在不能假定數(shù)據遵從于可以用參數(shù)規(guī)定形狀的概率密度分布時也有效的方法。
另一方面，在學習階段中，在二類判別中，使用想要判別的兩個類(例如合格品與不合格品)雙方的樣本來學習判別函數(shù)。然后，在判別階段中，利用判別函數(shù)求出未知樣本對于兩個類的歸屬度，進行更屬于哪一類的比較評價。
此外，在一類判別中，在學習階段中，只使用一類的學習樣本進行密度估計。然后，在判別階段中，利用判別函數(shù)根據密度求出未知樣本的歸屬度，并進行如果大于等于規(guī)定值則判定為屬于該類，如果小于規(guī)定值則判定為不屬于該類的閾值判定。
四類模式識別的具體示例如下面所述。
(1)參量二類判別……Bayes識別、判別分析(2)非參量二類判別……最近鄰判別器(NN判別器)、支持向量機(SVM，support vector machine)(3)參量一類判別……馬田系統(tǒng)(Mahalanobis-Taguchi system，MTS)(4)非參量一類判別……直方圖法、最近鄰估計、一類SVM、Parzen窗口法、RBF(徑向基函數(shù)(Radial Basis Function))網絡、核密度估計(kernel density estimation)、重抽樣自舉法(bootstrap method)等。
合格品是相同的，但不合格品各式各樣。因此，假定各個類在特征空間上的分布對稱性的普通的二類判別不適于合格品/不合格品的判別。并且，在產品檢查中能夠收集的不合格品樣本相比于合格品樣本非常少。因此，只考慮合格品分布的一類判別對合格品/不合格品的判別比較有效。
并且，檢查一般需要在開始批量生產時同時開始。即，需要根據在批量生產前得到的有限樣本來確定用于判別合格品/不合格品的判別函數(shù)。但是，在批量生產前也不能獲得足夠的合格品樣本。因此，需要統(tǒng)計性估計的參量判別不能以少量樣本來充分確保性能。所以在根據有限的樣本確定判別函數(shù)的情況下，不需要統(tǒng)計性估計的非參量判別比較有效。
鑒于以上情況，非參量一類判別對在產品檢查中應用的模式識別比較有效。
另外，作為與本申請的發(fā)明相關的現(xiàn)有技術文獻有下面的非專利文獻1～3。
參量判別無法利用少量樣本進行學習或者難以確保判別性能。例如，MTS在學習樣本數(shù)量小于特征數(shù)量時不能進行(準確多重共線性，accuracy multicollinearity)學習。另外，在學習樣本數(shù)量大于特征數(shù)量時，如果只有少量樣本，則統(tǒng)計性估計的精度不足，有時不能確保判別性能。因此，為了確保性能，從經驗上講需要特征數(shù)量的3倍左右的樣本。非專利文獻1公開的方法在樣本較少的情況下，通過使用或并用非參量判別來確保性能。
非專利文獻2公開的方法在一類SVM中，利用支持向量的比例為通過交叉驗證(leave-one-out)法評價的錯誤判別率的上限的性質，調節(jié)參數(shù)使支持向量數(shù)為最小。但是，在該方法中，由于不評價區(qū)域的形狀，所以不能解決合格品區(qū)域可能被劃分為多個區(qū)域的問題。
非專利文獻3公開的方法對于被判定為合格品的所有學習樣本的組合，判定連接它們的線段是否脫離合格品區(qū)域，由此對屬于相同區(qū)域的學習樣本進行聚類。如圖25所示，通過生成利用0/1表示有無脫離的矩陣(圖25(b)、圖25(d))，可以知道屬于相同聚類的樣本。另外，圖25(b)表示合格品區(qū)域為一個時(圖25(a))的矩陣，圖25(d)表示合格品區(qū)域為兩個時(圖25(c))的矩陣。
非專利文獻1田崎博、糀谷和人、中島宏，“自動検查のための漸進的判別モデル更新手法”，第32回知能システムシンポジウム講演輸文集，pp.243-246(2005)非專利文獻2Nello Cristianini，John Shawe-Taylor，“An Introductionto Support Vector MachinesAnd Other Kernel-Based Learning Methods”，Cambridge University Press(2000)(日譯本サポ一トベクタマシン入門，共立出版)非專利文獻3Asa Ben-Hur，David Horn，Hava T.Siegelmann，VladimirVapnik，“Support Vector Clustering”，Journal of Machine Learning Research2，pp.125-137(2001)
一般認為產品的質量特性以目標值為中心在其周邊(起因于部件/材料的偏差和制造裝置的變動等)具有偏差，所以產生合格品的區(qū)域(真正的合格品區(qū)域)形成以目標值為中心的單一區(qū)域(圖26(a))。
并且，從有限的樣本學習得到的判別函數(shù)實際上形成與真正的合格品區(qū)域不同的合格品區(qū)域(學習合格品區(qū)域)。并且，該差異越小，判別性能越好(圖26(b))。
并且，在大多的非參量判別中，根據學習樣本的密度確定合格品區(qū)域，所以在學習樣本中存在較稀疏的部分時，合格品區(qū)域有可能被劃分為多個區(qū)域(圖27(a))。并且，在學習樣本較少時，也有可能在密度本來較大的部位，學習樣本卻較稀疏，所以存在判別性能大幅下降的風險性。
根據以上情況，可以認為只要合格品區(qū)域是一個(圖27(b))，則與被劃分時相比更接近真正的合格品區(qū)域，所以能夠期望提高判別性能。因此，在學習后判定判別函數(shù)是否形成單一的合格品區(qū)域，并調節(jié)參數(shù)使合格品區(qū)域為單一區(qū)域即可。

發(fā)明內容
本發(fā)明就是鑒于上述問題而提出的，其目的在于，提供一種可以支持確定在非參量一類判別中使用的判別函數(shù)的檢查裝置、檢查方法、檢查程序、以及記錄了檢查程序的計算機可讀記錄介質。
為了解決上述問題，本發(fā)明的檢查裝置的特征在于，該檢查裝置具有判別函數(shù)判定單元，該判別函數(shù)判定單元判定在非參量一類判別中使用的判別函數(shù)是否在標繪了樣本的輸入空間中形成單一區(qū)域。
本發(fā)明的檢查方法是確定在檢查對象的狀態(tài)判別中使用的判別函數(shù)的檢查裝置執(zhí)行的檢查方法，其特征在于，上述檢查裝置具有的判別函數(shù)判定單元判定在非參量一類判別中使用的判別函數(shù)是否在標繪了樣本的輸入空間中形成單一的合格品區(qū)域。
根據上述結構，可以判定在非參量一類判別中使用的判別函數(shù)是否在標繪了樣本的輸入空間中形成單一的合格品區(qū)域。另外，作為非參量一類判別，具體地講，有直方圖法、最近鄰估計、一類SVM、Parzen窗口法、RBF網絡、核密度估計、重抽樣自舉法等。
因此，在上述判定的結果為判別函數(shù)不形成單一的合格品區(qū)域時，即合格品區(qū)域被劃分為多個區(qū)域時，例如可以變更用于限定基函數(shù)的區(qū)域大小的區(qū)域參數(shù)，再次學習判別函數(shù)，以使判別函數(shù)形成單一的合格品區(qū)域。因此，通過使合格品區(qū)域單一化而接近真正的合格品區(qū)域，從而可以提高判別性能。
此外，本發(fā)明的檢查裝置的特征在于，該檢查裝置具有參數(shù)設定單元，該參數(shù)設定單元在通過上述判別函數(shù)判定單元判定為上述判別函數(shù)不形成上述單一的合格品區(qū)域時，設定區(qū)域參數(shù)，使得該判別函數(shù)在標繪了樣本的輸入空間中形成單一區(qū)域，其中該區(qū)域參數(shù)規(guī)定上述判別函數(shù)，并規(guī)定作為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。
此外，本發(fā)明的檢查方法的特征在于，當由上述判別函數(shù)判定單元判定為上述判別函數(shù)不形成上述單一區(qū)域時，上述檢查裝置所具有的參數(shù)設定單元設定區(qū)域參數(shù)，使得該判別函數(shù)在標繪了樣本的輸入空間中作為單一區(qū)域形成包含被判別到類中的樣本的區(qū)域，其中該區(qū)域參數(shù)規(guī)定在非參量一類判別中使用的判別函數(shù)，并規(guī)定作為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。
根據上述結構，可以將區(qū)域參數(shù)設定為使得該判別函數(shù)在標繪了樣本的輸入空間中形成單一的合格品區(qū)域，其中該區(qū)域參數(shù)規(guī)定上述判別函數(shù)，并規(guī)定作為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。另外，作為區(qū)域參數(shù)，具體地講，在直方圖法中指超立方體的體積V，在最近鄰估計中指超球的半徑r，在一類SVM中指高斯核的寬度σ。
因此，在判別函數(shù)不形成單一的合格品區(qū)域時，即合格品區(qū)域被劃分為多個區(qū)域時，也可以變更區(qū)域參數(shù)，并對判別函數(shù)進行再學習，使得判別函數(shù)形成單一的合格品區(qū)域。因此，通過使合格品區(qū)域單一化而接近真正的合格品區(qū)域，可以提高判別性能。
另外，本發(fā)明的檢查裝置優(yōu)選上述非參量一類判別的判別算法是一類支持向量機。
在此，一般支持向量機與普通的非參量判別算法相比，具有(i)通用性(對未知樣本的判別性能)高，(ii)保證在學習途中不會陷入局部解的特點。并且，這些特點在一類支持向量機中也相同。
因此，根據上述結構，可以實現(xiàn)判別性能和學習效率較高的檢查裝置。
另外，本發(fā)明的檢查裝置的上述判別函數(shù)判定單元也可以判定連接被判定為合格品的各個樣本的線段是否脫離合格品區(qū)域(圖8(a)(b))。
另外，本發(fā)明的檢查裝置的上述判別函數(shù)判定單元也可以判定連接樣本的中心與被判定為合格品的樣本之間的線段是否脫離合格品區(qū)域(圖9(a)(b))。
根據上述結構，與連接被判定為合格品的各個樣本時相比，線段的數(shù)量減少，所以能夠抑制計算量。
另外，本發(fā)明的檢查裝置的上述判別函數(shù)判定單元也可以判定連接各個間隔支持向量(margin support vector)的線段是否脫離合格品區(qū)域(圖10(a)(b))。
另外，本發(fā)明的檢查裝置的上述判別函數(shù)判定單元也可以判定連接樣本的中心與間隔支持向量之間的線段是否脫離合格品區(qū)域(圖11(a)(b))。
根據上述結構，與連接各個間隔支持向量時相比，線段的數(shù)量減少，所以能夠抑制計算量。
另外，本發(fā)明的檢查裝置的上述判別函數(shù)判定單元也可以從上述線段中提取一個或多個點，將各個點代入上述判別函數(shù)，判定是否所有的點都被判別為合格品。
根據上述結構，只對一個或多個點進行判別函數(shù)的運算即可，所以能夠容易地進行線段是否脫離合格品區(qū)域的判定。并且，可以根據所要求的判定精度增減要提取的點的數(shù)量。
另外，本發(fā)明的檢查裝置的上述判別函數(shù)判定單元也可以求出上述線段上的上述判別函數(shù)的最小值，判定該最小值是否大于等于規(guī)定的閾值。
根據上述結構，還判定線段上的上述判別函數(shù)的最小值是否大于等于規(guī)定的閾值，所以能夠高精度地進行線段是否脫離合格品區(qū)域的判定。另外，為了在線段的范圍內求出判別函數(shù)的最小值，可以利用牛頓法和最速下降法等非線性優(yōu)化方法。
另外，上述檢查裝置也可以通過計算機實現(xiàn)，在該情況時，通過使計算機作為上述各個單元工作而利用計算機實現(xiàn)上述檢查裝置的檢查裝置檢查程序、及記錄了該檢查程序的計算機可讀記錄介質也在本發(fā)明的范疇之內。
如上所述，本發(fā)明的檢查裝置構成為具有判別函數(shù)判定單元，該判別函數(shù)判定單元判定在非參量一類判別中使用的判別函數(shù)是否在標繪了樣本的輸入空間中形成單一的合格品區(qū)域。
此外，本發(fā)明的檢查方法是檢查裝置具有的判別函數(shù)判定單元判定在非參量一類判別中使用的判別函數(shù)是否在標繪了樣本的輸入空間中形成單一的合格品區(qū)域的方法。
因此，可以發(fā)揮以下效果，在上述判定的結果為判別函數(shù)不形成單一的合格品區(qū)域時，即合格品區(qū)域被劃分為多個區(qū)域時，例如可以變更用于規(guī)定基函數(shù)的區(qū)域大小的區(qū)域參數(shù)，對判別函數(shù)進行再學習，使得判別函數(shù)形成單一的合格品區(qū)域。因此，通過使合格品區(qū)域單一化而接近真正的合格品區(qū)域，可以提高判別性能。
此外，本發(fā)明的檢查裝置構成為具有參數(shù)設定單元，該參數(shù)設定單元在通過上述判別函數(shù)判定單元判定為上述判別函數(shù)不形成上述單一的合格品區(qū)域時，設定區(qū)域參數(shù)，以使該判別函數(shù)在標繪了樣本的輸入空間中形成單一的合格品區(qū)域，該區(qū)域參數(shù)規(guī)定上述判別函數(shù)、并規(guī)定作為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。
此外，本發(fā)明的檢查方法是如下的方法，檢查裝置具有的參數(shù)設定單元設定區(qū)域參數(shù)，以使該判別函數(shù)在標繪了樣本的輸入空間中形成單一的合格品區(qū)域，該區(qū)域參數(shù)規(guī)定在非參量一類判別中使用的判別函數(shù)、并規(guī)定作為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。
因此，在判別函數(shù)不形成單一的合格品區(qū)域時，即合格品區(qū)域被劃分為多個區(qū)域時，可以變更區(qū)域參數(shù)，對判別函數(shù)進行再學習，使得判別函數(shù)形成單一的合格品區(qū)域。因此，可以發(fā)揮以下效果，通過使合格品區(qū)域單一化而接近真正的合格品區(qū)域，可以提高判別性能。


圖1是表示本發(fā)明一個實施方式的檢查裝置具有的判別函數(shù)確定部的結構的功能框圖。
圖2是表示本發(fā)明一個實施方式的檢查裝置的結構概況的說明圖。
圖3是表示非參量一類判別的一例即直方圖法的說明圖。
圖4是表示非參量一類判別的一例即最近鄰估計的說明圖。
圖5是表示非參量一類判別的一例即一類SVM的說明圖。
圖6(a)是表示無軟間隔時的輸入空間的說明圖，圖6(b)是表示無軟間隔時的希爾伯特空間的說明圖。
圖7(a)是表示有軟間隔時的輸入空間的說明圖，圖7(b)是表示有軟間隔時的希爾伯特空間的說明圖。
圖8是圖1所示判別函數(shù)確定部的合格品區(qū)域數(shù)量判定部生成的、連接被判別為合格品的各個學習樣本的線段的說明圖，(a)表示合格品區(qū)域為一個的情況，(b)表示合格品區(qū)域為兩個的情況。
圖9是圖1所示判別函數(shù)確定部的合格品區(qū)域數(shù)量判定部生成的、連接被判別為合格品的學習樣本的中心(均值)與被判別為合格品的學習樣本的線段的說明圖，(a)表示合格品區(qū)域為一個的情況，(b)表示合格品區(qū)域為兩個的情況。
圖10是圖1所示判別函數(shù)確定部的合格品區(qū)域數(shù)量判定部生成的、連接各個間隔支持向量(MSV)的線段的說明圖，(a)表示合格品區(qū)域為一個的情況，(b)表示合格品區(qū)域為兩個的情況。
圖11是圖1所示判別函數(shù)確定部的合格品區(qū)域數(shù)量判定部生成的、連接被判別為合格品的學習樣本的中心(均值)與間隔支持向量的線段的說明圖，(a)表示合格品區(qū)域為一個的情況，(b)表示合格品區(qū)域為兩個的情況。
圖12是即使合格品區(qū)域為一個但仍不合適的情況的說明圖，(a)表示合格品區(qū)域有孔的情況，(b)表示合格品區(qū)域不為凸形狀的情況。
圖13是表示由直方圖法的超立方體的體積V大小導致的合格品區(qū)域大小變化的說明圖，(a)表示體積V較大的情況，(b)表示體積V中等的情況，(c)表示體積V較小的情況。
圖14是表示由最近鄰估計的超球的半徑r大小導致的合格品區(qū)域大小變化的說明圖，(a)表示半徑r較大的情況，(b)表示半徑r中等的情況，(c)表示半徑r較小的情況。
圖15是表示由一類SVM的高斯核的寬度σ大小導致的合格品區(qū)域大小變化的說明圖，(a)表示寬度σ較大的情況，(b)表示寬度σ中等的情況，(c)表示寬度σ較小的情況。
圖16是圖1所示的判別函數(shù)確定部使用的數(shù)據的說明圖，(a)表示學習樣本，(b)表示參數(shù)候選，(c)表示判別函數(shù)。
圖17是表示圖1所示的判別函數(shù)確定部的判別函數(shù)確定處理的流程圖。
圖18是表示圖1所示的判別函數(shù)確定部的合格品區(qū)域數(shù)量判定部的合格品區(qū)域數(shù)量判定處理的流程圖。
圖19是表示在圖1所示的判別函數(shù)確定部的合格品區(qū)域數(shù)量判定部的合格品區(qū)域數(shù)量判定處理中，對于從線段上提取出的多個點確認判別函數(shù)大于等于閾值的步驟的流程圖。
圖20是表示在圖1所示的判別函數(shù)確定部的合格品區(qū)域數(shù)量判定部的合格品區(qū)域數(shù)量判定處理中，對于從線段上提取出的多個點確認判別函數(shù)大于等于閾值時的步驟的說明圖，(a)表示沒有脫離的情況，(b)表示存在脫離的情況。
圖21是表示在圖1所示的判別函數(shù)確定部的合格品區(qū)域數(shù)量判定部的合格品區(qū)域數(shù)量判定處理中，對于從線段上提取出的多個點，在通過確認判別函數(shù)大于等于閾值而判定為脫離的情況下，從線段上提取出點時生成的數(shù)據的具體示例的說明圖，(a)表示提取出包括兩端在內的5個點并登記坐標時的示例，(b)表示省略登記線段兩端的數(shù)據時的示例，(c)表示線段的一端是被判別為合格品的學習樣本的中心的示例。
圖22是表示在圖1所示的判別函數(shù)確定部的合格品區(qū)域數(shù)量判定部的合格品區(qū)域數(shù)量判定處理中，利用優(yōu)化方法求出線段上判別函數(shù)的最小值，確認該最小值大于等于閾值時的步驟的流程圖。
圖23是表示在圖1所示的判別函數(shù)確定部的合格品區(qū)域數(shù)量判定部的合格品區(qū)域數(shù)量判定處理中，利用優(yōu)化方法求出線段上的判別函數(shù)的最小值，確認該最小值大于等于閾值時的步驟的說明圖，(a)表示沒有脫離的情況，(b)表示存在脫離的情況。
圖24是表示模式識別的步驟的說明圖。
圖25是利用0/1表示連接各個學習樣本之間的線段是否脫離合格品區(qū)域的矩陣的說明圖，(b)表示合格品區(qū)域為一個時的(a)矩陣，(d)表示合格品區(qū)域為兩個時的(c)矩陣。
圖26是說明合格品區(qū)域和不合格品區(qū)域的說明圖，(a)表示合格品和不合格品的產生區(qū)域，(b)表示真正的合格品區(qū)域和學習合格品區(qū)域。
圖27是說明合格品區(qū)域的數(shù)量的說明圖，(a)表示合格品區(qū)域被劃分為多個的情況，(b)表示合格品區(qū)域為單一的情況。
具體實施例方式
以下，根據

本發(fā)明的一個實施方式。
圖2是表示本實施方式的檢查裝置100的結構概況的說明圖。圖1是表示檢查裝置100具有的判別函數(shù)確定部20的結構的功能框圖。
本實施方式的檢查裝置100從所輸入的檢查對象的計測數(shù)據中提取特征量。檢查裝置100根據提取出的特征量，通過非參量一類判別來判別樣本合格與否。并且特別是，檢查裝置100具有判別函數(shù)確定部20。該判別函數(shù)確定部20具備以下功能(1)判定在非參量一類判別中使用的判別函數(shù)是否形成單一的合格品區(qū)域(包括被判別為屬于類(合格品)的學習樣本的區(qū)域包括許多學習樣本的區(qū)域)的功能，(2)設定區(qū)域參數(shù)，使得該判別函數(shù)形成單一的合格品區(qū)域的功能，其中該區(qū)域參數(shù)規(guī)定在非參量一類判別中使用的判別函數(shù)、并規(guī)定作為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。
以下，首先說明判別函數(shù)確定部20的功能概況，然后說明其裝置結構。
(1)非參量一類判別的基本概念非參量一類判別是不使用統(tǒng)計參數(shù)，而估計學習樣本的密度，將密度大于等于一定閾值的區(qū)域判別為合格品、將小于一定閾值的區(qū)域判別為不合格品的方法。作為其具體的判別算法，除以下說明的直方圖法、最近鄰估計、一類支持向量機(SVM)外，還有Parzen窗口法、RBF網絡、核密度估計、重抽樣自舉法等各種算法。
(a)直方圖法圖3是表示直方圖法的說明圖。圖3表示把學習樣本數(shù)量大于等于1設為合格品區(qū)域的情況。并且，在圖中，圓圈表示樣本，一個區(qū)段表示體積V的超立方體。
直方圖法將輸入空間劃分為體積V的超立方體，通過對所包含的樣本數(shù)量進行計數(shù)來估計密度。并且，將所包含的學習樣本數(shù)量大于等于一定閾值的區(qū)域判別為合格品區(qū)域，在小于一定閾值時判別為不合格品區(qū)域(圖中的斜線部分)。
(b)最近鄰估計圖4是表示最近鄰估計的說明圖。在圖中，圓圈表示樣本，圓弧表示以樣本為中心的半徑r的超球。
最近鄰估計將以學習樣本為中心的半徑r的超球中包含的區(qū)域判別為合格品區(qū)域，將未包含的區(qū)域判別為不合格品區(qū)域(圖中的斜線部分)。
(c)一類SVM圖5是表示一類SVM的說明圖。在圖中，左側是作為原空間的輸入空間，右側是通過非線性映射φ映射了輸入空間的多維希爾伯特空間。另外，圓圈表示樣本。圖中下側示出的在學習后的希爾伯特空間中確定的識別面上的樣本是支持向量(SV)，除此以外的樣本是非支持向量(Non-SV)。將希爾伯特空間的識別面逆轉換到輸入空間上后的區(qū)域作為邊界。在一類SVM中，將該邊界內的區(qū)域判別為合格品區(qū)域，將邊界外的區(qū)域判別為不合格品區(qū)域(圖中的斜線部分)。
更加具體地講，一類SVM對于輸入空間上的學習樣本，通過非線性映射φ將輸入空間映射到多維希爾伯特空間上，然后學習線性的識別面。
在此，使用了高斯核的核映射具有以下特點，即，在輸入空間上密度較稀疏的部位的學習樣本被映射于原點附近，較稠密部位的學習樣本被映射于遠離原點的位置。
K(x,z)=exp(-||x-z||22σ2)]]>并且，在希爾伯特空間上將原點和學習樣本分離的超平面中，一類SVM對距原點的距離最大的超平面(即識別面)進行學習。把超平面上的學習樣本稱為支持向量。
在此，把n個d維向量x＝{x1，…，xd}的集合作為學習樣本時，基于一類SVM的判別函數(shù)表示如下，在函數(shù)值大于等于0時判別為合格品，在小于0時判別為不合格品。
f(x)=Σi(αiK(xi,x))-ρ]]>在上式中，xi表示學習樣本的標記。αi表示被稱為支持向量的權重的系數(shù)，通過學習而確定。并且，p表示把任意的支持向量xi(系數(shù)αi≠0的學習樣本)代入下式求出的常數(shù)。
f(x)=Σi(αiK(xi,x))-ρ]]>另外，一般在輸入空間上學習非線性識別面比較困難。但是，如果映射到多維空間上成為線性識別面，就易于在多維空間上使用線性判別算法進行學習。并且，SVM是線性判別算法。此外，只要能夠在該學習中計算兩個向量的內積既可。因此，不直接在輸入空間上學習非線性識別面，而在多維空間上通過SVM學習線性識別面。
在此，把利用輸入空間上的兩個向量表示多維空間上的兩個向量的內積的函數(shù)稱為“核函數(shù)”。并且，只要是核函數(shù)，就可以容易地學習非線性識別面，而且不必進行多維空間上的計算。把這種利用核函數(shù)的計算替換多維空間上的計算的方法稱為核技巧(kernel trick)。
(一類SVM中的軟間隔(soft margin))在此，圖6(a)是表示無軟間隔時的輸入空間的說明圖，圖6(b)是表示無軟間隔時的希爾伯特空間的說明圖。并且，圖7(a)是表示有軟間隔時的輸入空間的說明圖，圖7(b)是表示有軟間隔時的希爾伯特空間的說明圖。
通常，一類SVM進行使學習樣本一個都不余留在識別面的原點側的學習(硬間隔)。但是，一類SVM存在在學習樣本中包含逸出值的情況下，判別性能由于過嚴判別而下降的問題。對此，通過允許學習樣本在識別面的原點側余留一定比例(軟間隔)，可以避免對于逸出值的過嚴判別。
在軟間隔中，將允許余留在原點側的比例v導入學習算法中，學習結果的判別函數(shù)利用與硬間隔時相同的形式表示。并且，在軟間隔中，不僅位于識別面上的學習樣本，而且余留在原點側的學習樣本也稱為支持向量。因此，在區(qū)分識別面上的支持向量和余留在原點側的支持向量時，把前者稱為間隔支持向量，例如在SVM中稱為間隔支持向量(MSV(margin support vector)存儲在模型中的識別面上的樣本)，把后者稱為有界支持向量(BSV，bounded support vector)。
(2)合格品區(qū)域為單一的判定在合格品區(qū)域不為單一、即合格品區(qū)域為多個的情況下，一定存在脫離合格品區(qū)域的線段。因此，例如引出下面(i)～(iv)中任一條線段，判定該線段上的點是否脫離合格品區(qū)域。另外，對于線段，只要在合格品區(qū)域為多個時具有脫離合格品區(qū)域的部分即可，不限于(i)～(iv)這四種。
(i)連接被判別為合格品的各個學習樣本的線段(圖8(a)(b))(ii)連接被判別為合格品的學習樣本的中心(均值)與被判別為合格品的學習樣本的線段(圖9(a)(b))
(iii)連接各個間隔支持向量例如SVM中的間隔支持向量(MSV)的線段(圖10(a)(b))(iv)連接被判別為合格品的學習樣本的中心(均值)與間隔支持向量例如SVM中的間隔支持向量的線段(圖11(a)(b))此處，圖8～圖11分別是上述(i)～(iv)的線段的說明圖。其中，各圖(a)表示合格品區(qū)域為一個的情況，各圖(b)表示合格品區(qū)域為兩個的情況。并且，各圖(b)中的線段的粗線部分表示脫離合格品區(qū)域的部分。
另外，線段上的點是否脫離合格品區(qū)域，可以通過(1)對從線段上提取出的多個點確認判別函數(shù)大于等于閾值來判定，也可以通過(2)利用優(yōu)化方法求出線段上的判別函數(shù)的最小值，并確認該最小值大于等于閾值(根據函數(shù)有時會大小相反)來判定。
另外，嚴格地講，也存在即使合格品區(qū)域為一個，但在區(qū)域中有孔(圖12(a))和區(qū)域不為凸形狀(圖12(b))的情況下也有產生脫離的可能性。因此，這些情況有可能通過參數(shù)調節(jié)被排除。在這些情況下，由于存在比合格品區(qū)域更接近目標值的不合格品區(qū)域，所以依舊不能說是合適的合格品區(qū)域。所以，認為通過參數(shù)調節(jié)將這些情況排除是合理的。
(3)非參量判別的區(qū)域參數(shù)圖13～圖15是表示非參量判別的區(qū)域參數(shù)大小導致的合格品區(qū)域大小變化的說明圖。其中，圖13表示直方圖法，圖14表示最近鄰估計，圖15表示一類SVM，各圖(a)表示區(qū)域參數(shù)較大的情況，各圖(b)表示區(qū)域參數(shù)中等的情況，各圖(c)表示區(qū)域參數(shù)較小的情況。
非參量判別的判別函數(shù)具有作為密度函數(shù)的基礎的函數(shù)的區(qū)域參數(shù)。具體地講，在直方圖法中是超立方體的體積V，在最近鄰估計中是超球的半徑r，在一類SVM中是高斯核的寬度σ。
具有如果基函數(shù)的區(qū)域變大則合格品區(qū)域也變大的性質。因此，在基函數(shù)的區(qū)域過小時產生第一種錯誤(將合格品判別為不合格品的錯誤)、而過大則產生第二種錯誤(將不合格品判別為合格品的錯誤)的風險性提高。并且，在基函數(shù)的區(qū)域較小時，合格品區(qū)域被劃分為多個，而較大則容易形成單一的區(qū)域。
(區(qū)域參數(shù)的調節(jié))如圖26(b)所示，利用從有限的樣本學習得到的判別函數(shù)構成的合格品區(qū)域(學習合格品區(qū)域)實際上與真正的合格品區(qū)域不同。在真正的合格品區(qū)域與學習合格品區(qū)域的差異較大時，錯誤判別的風險性提高。因此，為了使學習合格品區(qū)域接近真正的合格品區(qū)域，進行區(qū)域參數(shù)的調節(jié)。
在進行使學習合格品區(qū)域變大的調節(jié)時，將不合格品錯誤判別為合格品的概率增大。另一方面，在進行使學習合格品區(qū)域變小的調節(jié)時，將合格品錯誤判別為不合格品的概率增大。
在沒有關于真正的合格品區(qū)域的先驗知識的情況下，調節(jié)區(qū)域參數(shù)使期望錯誤判別率(expected error rate)(在錯誤判別的區(qū)域出現(xiàn)未知樣本的概率)最小。并且，在學習樣本較少時，性能評價的可靠性低。因此，在區(qū)域參數(shù)的調節(jié)中，錯誤判別率不能充分最小化的可能性較大。
另外，為了調節(jié)區(qū)域參數(shù)，可以使用把所得到的樣本的一部分用于判別性能的評價、把其余的用于學習的方法(交叉驗證、leave-one-out法)。
如圖2所示，檢查裝置100通過放大器104放大來自與檢查對象物101接觸/接近配置的麥克風102和加速度拾波器103的信號。接著，通過AD轉換器105轉換為數(shù)字數(shù)據后輸入。并且，雖然省略圖示，但也可以在批量試制階段和批量生產開始后，在生產現(xiàn)場從掌管實際進行工件(產品)制造的控制的PLC(Programmable Logic Controller，可編程邏輯控制器)獲取動作定時及其他數(shù)據。關于這些省略圖示。并且，檢查裝置100取得通過麥克風102采集到的語音數(shù)據、和通過加速度拾波器103采集到的基于振動數(shù)據的波形數(shù)據，提取特征量，并且進行異常判定。
另外，檢查裝置100由具有CPU主體100a、鍵盤、鼠標等輸入裝置100b和顯示器100c的計算機構成。并且，根據需要，也可以構成為具有外部存儲裝置，或具有通信功能，可以與外部的數(shù)據庫通信取得必要的信息。
另外，在檢查裝置100進行異常檢測的基本算法中，根據正常的樣本生成在進行異常判定時使用的判定知識，將符合條件的判定為合格品，將不符合條件的判定為不合格品。所說異常檢測指將符合條件的判定為合格品，將不符合條件的判定為不合格品。
圖1是表示檢查裝置100具有的判別函數(shù)確定部20的結構的功能框圖。
判別函數(shù)確定部20確定在檢查對象的狀態(tài)判別中使用的判別函數(shù)。具體地講，判定在非參量一類判別中使用的判別函數(shù)是否在標繪了樣本的輸入空間中形成單一的合格品區(qū)域。并且，如果合格品區(qū)域不為單一，則在標繪了樣本的輸入空間中設定區(qū)域參數(shù)，使得該判別函數(shù)在標繪了樣本的輸入空間中形成單一的合格品區(qū)域，該區(qū)域參數(shù)規(guī)定判別函數(shù)、并規(guī)定作為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。區(qū)域參數(shù)是規(guī)定基函數(shù)的區(qū)域大小的參數(shù)?；瘮?shù)規(guī)定判別函數(shù)。
因此，判別函數(shù)確定部20構成為具有學習樣本存儲部21、學習樣本取得部22、參數(shù)候選存儲部23、參數(shù)設定部(參數(shù)設定單元)24、判別函數(shù)學習部25、合格品區(qū)域數(shù)量判定部(判別函數(shù)判定單元)26、判別函數(shù)輸出部27、判別函數(shù)存儲部28。
在學習時，學習樣本取得部22取得學習時存儲在學習樣本存儲部21中的學習樣本，輸出給判別函數(shù)學習部25。
參數(shù)設定部24設定區(qū)域參數(shù)，使得該判別函數(shù)在標繪了樣本的輸入空間中形成單一的合格品區(qū)域，該區(qū)域參數(shù)規(guī)定在非參量一類判別中使用的判別函數(shù)、并規(guī)定作為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。區(qū)域參數(shù)規(guī)定成為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。密度函數(shù)規(guī)定在非參量一類判別中使用的判別函數(shù)。另外，區(qū)域參數(shù)也可以預先從存儲在參數(shù)候選存儲部23中的參數(shù)候選中選擇。
判別函數(shù)學習部25使用學習樣本取得部22獲取的學習樣本和參數(shù)設定部24選擇的區(qū)域參數(shù)，生成判別函數(shù)。例如，在非參量一類判別的判別算法是以把一類支持向量機識別面上的學習樣本存儲到模型中為特征的非參量一類判別模型時，生成對應于識別面的判別函數(shù)。
合格品區(qū)域數(shù)量判定部26判定在非參量一類判別中使用的判別函數(shù)是否在標繪了樣本的輸入空間中形成單一的合格品區(qū)域。另外，在該判定中使用與檢查時使用的判別函數(shù)相同的判別函數(shù)。
具體地講，首先，合格品區(qū)域數(shù)量判定部26從以下線段中選擇在判定是否脫離合格品區(qū)域時使用的線段。
(i)連接被判別為合格品的各個學習樣本的線段(圖8(a)(b))(ii)連接被判別為合格品的學習樣本的中心(均值)與被判別為合格品的學習樣本的線段(圖9(a)(b))(iii)連接各個間隔支持向量例如SVM中的間隔支持向量(MSV)的線段(圖10(a)(b))(iv)連接被判別為合格品的學習樣本的中心(均值)與間隔支持向量例如SVM中的間隔支持向量的線段(圖11(a)(b))然后，合格品區(qū)域數(shù)量判定部26在判定線段是否脫離合格品區(qū)域時，(1)從線段上提取出一個或多個點，將各個點代入上述判別函數(shù)，判定是否所有的點被判別為合格品；(2)或者，求出線段上的上述判別函數(shù)的最小值，判定該最小值是否大于等于規(guī)定的閾值。
另外，用戶可以利用輸入裝置100b選擇使用哪種類型的線段，也可以預先設定使用哪種類型的線段。并且，用戶可以使用輸入裝置100b選擇，也可以預先設定對于從線段上提取出的多個點是確認判別函數(shù)是否大于等于閾值，還是利用優(yōu)化方法來求出線段上的判別函數(shù)的最小值，并判定該最小值是否大于等于規(guī)定的閾值(根據函數(shù)有時會大小相反)來進行確認。
在由合格品區(qū)域數(shù)量判定部26判定為判別函數(shù)學習部25生成的判別函數(shù)是形成單一的合格品區(qū)域的判別函數(shù)時，判別函數(shù)輸出部27將該判別函數(shù)存儲在判別函數(shù)存儲部28中。
參照圖16，說明判別函數(shù)確定部20使用的數(shù)據。
圖16(a)是表示存儲在學習樣本存儲部21中的學習樣本的數(shù)據結構的說明圖。如圖16(a)所示，學習樣本與用于識別樣本的樣本ID(ID#)、合格品還是不合格品的類別(Class)及特征量(x1、x2、…)相關聯(lián)地存儲在學習樣本存儲部21中。
圖16(b)是表示存儲在參數(shù)候選存儲部23中的參數(shù)候選的示例。在圖16(b)中，作為一類SVM的示例，示出高斯核的寬度σ的候選。
圖16(c)是存儲在判別函數(shù)存儲部28中的判別函數(shù)的示例。如圖16(c)所示，判別函數(shù)由下述規(guī)則規(guī)定，即，將在判別中使用的式(f(x))的值與閾值(O)進行比較來判別合格品/不合格品。
下面，說明檢查裝置100具有的判別函數(shù)確定部20確定判別函數(shù)的處理。
圖17是表示檢查裝置100具有的判別函數(shù)確定部20的判別函數(shù)確定處理的流程圖。
首先，學習樣本獲取部22從學習樣本存儲部21取得學習樣本，并輸出給判別函數(shù)學習部25(S1)。
接著，參數(shù)設定部24從參數(shù)候選存儲部23取得一個候選的區(qū)域參數(shù)，并輸出給判別函數(shù)學習部25(S2)。
接著，判別函數(shù)學習部25使用由學習樣本取得部22輸入的學習樣本和由參數(shù)設定部24輸入的區(qū)域參數(shù)，對一類判別函數(shù)進行學習(S3)。
接著，合格品區(qū)域數(shù)量判定部26判定作為判別函數(shù)學習部25的學習結果而生成的判別函數(shù)是否形成單一的合格品區(qū)域(S4)。該判別函數(shù)是作為判別函數(shù)學習部25的學習結果而生成的。并且，在合格品區(qū)域數(shù)量判定部26的判定結果為合格品區(qū)域大于等于2時，返回步驟S2，從選擇區(qū)域參數(shù)的處理開始重復進行。另一方面，在合格品區(qū)域數(shù)量判定部26的判定結果為合格品區(qū)域是1時，判別函數(shù)輸出部27將判別函數(shù)學習部25生成的判別函數(shù)、即利用前面的區(qū)域參數(shù)學習得到的判別函數(shù)，存儲在判別函數(shù)存儲部28中。
在此，期望在步驟S2中設定的區(qū)域參數(shù)從區(qū)域被劃分為多個的足夠小的參數(shù)候選開始，依次設定較大的參數(shù)。這是因為當存在多個使得合格品區(qū)域為單一區(qū)域的區(qū)域參數(shù)時，將采用其中最小的一個。因此，可以防止由于區(qū)域參數(shù)過大而使得第二種錯誤(將不合格品判定為合格品的錯誤判別)增多(圖13(a)、圖14(a)、圖15(a))。
相反，在步驟S2中設定的區(qū)域參數(shù)也可以從合格品區(qū)域的確為一個的足夠大的候選參數(shù)開始，依次設定較小的參數(shù)，采用區(qū)域數(shù)量變?yōu)?以上的參數(shù)的前一個參數(shù)。
或者，在步驟S2中設定的區(qū)域參數(shù)也可以應用所有參數(shù)候選，輸出多個使得合格品區(qū)域為單一區(qū)域的區(qū)域參數(shù)。在該情況時，可以由人來決定實際檢查的參數(shù)，也可以按照某種標準自動選擇在檢查中使用的參數(shù)。作為選擇的標準，期望從所輸出的參數(shù)中選擇最小的。
圖18是表示合格品區(qū)域數(shù)量判定部26的合格品區(qū)域數(shù)量判定處理(圖17中的S4)的流程圖。
首先，合格品區(qū)域數(shù)量判定部26生成線段，對于未確認的線段，確認是否沒有脫離(S11)。另外，關于步驟S11的具體情況將在后面敘述。
然后，在線段存在脫離時(S12，“是”)，判定為合格品區(qū)域具有多個區(qū)域。另一方面，在所有線段均沒有脫離時(S12“否”且S13“是”)，判定為合格品區(qū)域為單一。
圖19是表示在合格品區(qū)域數(shù)量判定部26的合格品區(qū)域數(shù)量判定處理(圖17中的S4、圖18中的S11)中，對于從線段上提取出的多個點確認判別函數(shù)大于等于閾值的步驟的流程圖。圖20是說明該步驟的說明圖。
首先，合格品區(qū)域數(shù)量判定部26從線段上提取出有限個點(圖20(a)(b)中的×標記)(S21)。
接著，對于提取出的所有點，利用與在檢查中使用的判別函數(shù)相同的判別函數(shù)判定合格與否(S22)。并且，即使被判別為僅有1個被判別為不合格的點時(S23“是”，圖20(b))，也判定為存在脫離。另一方面，如果沒有被判別為不合格的點(S23“否”，圖20(a))，則判定為沒有脫離。
另外，在從線段上提取出的點與被判別為合格品的學習樣本(或者間隔支持向量，例如SVM中的間隔支持向量)一致時，也可以省略上述判定。此外，在把線段的一端作為被判別為合格品的學習樣本的中心時，在從線段上提取出的點與被判別為合格品的學習樣本的中心一致時，也可以只在最初判定一次，在各個線段的脫離判定中不單獨進行判定。
在此，圖21是表示在按照圖19所示步驟判定脫離時，在從線段上提取出點時生成的數(shù)據的具體示例的說明圖。在圖21中，示出了將線段四等分時的示例。另外，這些數(shù)據由合格品區(qū)域數(shù)量判定部26生成，并存儲在判別函數(shù)確定部21的存儲器(未圖示)中。
圖21(a)表示提取包括兩端在內的5個點并登記坐標的情況的示例。如圖21(a)所示，在提取點的數(shù)據中，用于識別線段的線段ID(線段ID#)、對每個線段賦予連續(xù)序號的提取點連續(xù)序號、以及與等分生成的坐標相應的特征量(x1、x2、…)相關聯(lián)。這樣，在圖21(a)中，提取包括兩端在內的5個點并登記坐標。另外，作為線段ID，可以使用連接兩端樣本的樣本ID而成的線段ID。
圖21(b)表示省略登記線段兩端的數(shù)據的情況的示例。在省略線段的兩端即被判定為合格品的學習樣本的判定時，合格品區(qū)域數(shù)量判定部26也可以不在存儲器中登記該數(shù)據。
圖21(c)表示線段的一端是被判別為合格品的學習樣本的中心的情況示例。在線段的一端是被判別為合格品的學習樣本的中心時，合格品區(qū)域數(shù)量判定部26也可以不將其登記在每個線段的提取點中，而將中心與線段單獨登記。
圖22是表示在合格品區(qū)域數(shù)量判定部26的合格品區(qū)域數(shù)量判定處理中，利用優(yōu)化方法求出線段上的判別函數(shù)的最小值，確認該最小值大于等于閾值(根據函數(shù)有時會大小相反)的步驟的流程圖。并且，圖23是說明該步驟的說明圖。
首先，合格品區(qū)域數(shù)量判定部26求出線段上的判別函數(shù)值為最小的點(S31)。
接著，合格品區(qū)域數(shù)量判定部26在作為最小點的判別函數(shù)值為負時(＝被判定為不合格)(S32“是”)，判定為存在脫離。另一方面，在作為最小點的判別函數(shù)值不為負時(S32“否”)，判定為沒有脫離。
在此，如圖23所示，線段上的判別函數(shù)的值成為線段上的位置參數(shù)t(t為x的函數(shù))的非線性連續(xù)函數(shù)。因此，只要在線段的范圍內，利用牛頓法和最速下降法等非線性優(yōu)化方法求出判別函數(shù)的最小值，合格品區(qū)域數(shù)量判定部26確認其小于規(guī)定的閾值即可。例如，在判別函數(shù)的閾值為0時，如果判別函數(shù)的最小值大于等于0則判定為合格(圖23(a))，如果判別函數(shù)的最小值為負則判定為不合格(圖23(b))。
另外，上述檢查裝置100可以應用于異常噪聲、裝配錯誤、輸出特性的檢查領域。并且，可以應用于進行批量生產的在線(in-line)檢查，也可以應用于進行不同于批量生產的試制產品的檢查等的離線(off-line)檢查。更加具體地講，上述檢查裝置100例如可以用作汽車的發(fā)動機(聲音)、變速器(振動)等汽車的驅動模塊的檢查設備，以及電動門鏡、電動座椅、電動方向盤(轉向裝置位置調節(jié))等汽車的電動機致動器模塊的檢查設備，乃至上述開發(fā)中的異常噪聲、裝配錯誤、輸出特性的評價裝置及開發(fā)階段中的試制機的評價裝置。
此外，可以用作冰箱、空調室內機和室外機、洗衣機、吸塵器、打印機等電動機驅動家電的檢查設備，以及上述開發(fā)中的異常噪聲、裝配錯誤、輸出特性的評價裝置。另外，還可以用作進行NC加工設備、半導體設備、食品設備等設備的狀態(tài)判別(異常狀態(tài)/正常狀態(tài))的設備診斷機器。
在本發(fā)明的實施方式中，記載了將本發(fā)明應用于判定合格品、不合格品的檢查裝置的內容。但是，只要是滿足下述條件(1)～(3)的數(shù)據，并使用非參量一類判別來判別特定區(qū)域及除此以外的區(qū)域，則樣本可以是任何樣本。
(1)具有目標值的數(shù)據的樣本。
(2)在目標值附近構成一個群的樣本。
(3)由于環(huán)境等外部原因使得數(shù)據出現(xiàn)偏差的樣本。
此外，在本發(fā)明的實施方式中，記載了非參量一類判別的判別算法是一類SVM的情況。但是，只要是將識別面上的學習樣本存儲在模型中的非參量一類判別模型，則判別算法可以是任何判別算法。
此外，只要在本發(fā)明的實施方式中記載的“支持向量”是“存儲在模型中的學習樣本”，則可以是任何樣本。
此外，只要“間隔支持向量”是“存儲在模型中的識別面上的學習樣本”，則可以是任何樣本。
本發(fā)明不限于上述實施方式，可以在權利要求書記載的范圍內進行各種變更。即，通過組合在權利要求書記載的范圍內適當變更形成的技術手段而得到的實施方式，也包含于本發(fā)明的技術范圍中。
本發(fā)明的檢查裝置是通過非參量一類判別判定合格與否的檢查裝置，也可以構成為具有在學習時確認合格品區(qū)域為一個的單元。
此外，本發(fā)明的檢查裝置是通過非參量一類判別判定合格與否的檢查裝置，也可以構成為具有在學習時調節(jié)參數(shù)以使合格品區(qū)域為一個的單元。
另外，本發(fā)明的檢查裝置的上述非參量一類判別的判別算法也可以是一類SVM。
另外，在本發(fā)明的檢查裝置中，上述確認合格品區(qū)域為一個的單元可以是確認連接被判定為合格品的各個學習樣本的線段沒有脫離合格品區(qū)域的單元。
另外，在本發(fā)明的檢查裝置中，上述確認合格品區(qū)域為一個的單元也可以是確認連接學習樣本的中心與被判定為合格品的學習樣本的線段沒有脫離合格品區(qū)域的單元。并且，在求出中心時使用的學習樣本不需要一定是被判定為合格品的樣本。
另外，在本發(fā)明的檢查裝置中，上述確認合格品區(qū)域為一個的單元也可以是確認連接各個間隔支持向量、例如SVM中的各個間隔支持向量(MSV)的線段沒有脫離合格品區(qū)域的單元。
另外，在本發(fā)明的檢查裝置中，上述確認合格品區(qū)域為一個的單元也可以是確認連接學習樣本的中心與間隔支持向量例如SVM中的間隔支持向量(MSV)的線段沒有脫離合格品區(qū)域的單元。
另外，在本發(fā)明的檢查裝置中，上述確認線段沒有脫離合格品區(qū)域的單元也可以是在判別從線段上提取出的有限的點時判定所有的點為合格品的單元。
另外，在本發(fā)明的檢查裝置中，上述確認線段沒有脫離合格品區(qū)域的單元也可以是利用優(yōu)化方法求出線段上的判別函數(shù)的最小值，確認該最小值大于等于閾值(根據函數(shù)有時會大小相反)的單元。
最后，檢查裝置100的各個功能塊、特別是判別函數(shù)確定部20具有的學習樣本取得部22、參數(shù)設定部24、判別函數(shù)學習部25、合格品區(qū)域數(shù)量判定部26和判別函數(shù)輸出部27可以利用硬件邏輯構成，也可以按照下面所述使用CPU利用軟件來實現(xiàn)。
即，檢查裝置100具有執(zhí)行用于實現(xiàn)各種功能的控制程序的命令的CPU(central processing unit，中央處理單元)、存儲了上述程序的ROM(read only memory，只讀存儲器)、將上述程序展開的RAM(randomaccess memory，隨機存取存儲器)、存儲上述程序和各種數(shù)據的存儲器等存儲裝置(記錄介質)等。并且，本發(fā)明的目的可以通過以下方式實現(xiàn)，即，將記錄了計算機可讀的、用于實現(xiàn)上述功能的軟件即檢查裝置100的控制程序的程序代碼(執(zhí)行形式程序、中間代碼程序、源程序)的記錄介質提供給上述檢查裝置100，該計算機(或CPU或MPU)讀出記錄在記錄介質中的程序代碼并執(zhí)行。
作為上述記錄介質，例如，可以使用磁帶和盒式帶等磁帶系列、包括軟盤(floppy，注冊商標)/硬盤等磁盤或CD-ROM/MO/MD/DVD/CD-R等光盤的盤系列、IC卡(包括存儲卡)/光卡等的卡系列、或者MASKROM/EPROM/EEPROM/FLASH ROM等的半導體存儲器系列等。
另外，檢查裝置100也可以構成為可以與通信網絡連接，通過通信網絡提供上述程序代碼。作為該通信網絡沒有特別限定，例如，可以使用因特網、內部網、外部網、LAN、ISDN、VAN、CATV通信網、虛擬專用網(virtual private network)、電話線路網、移動通信網、衛(wèi)星通信網等。并且，作為構成通信網絡的傳輸介質沒有特別限定，例如，可以采用IEEE1394、USB、電力線傳輸、有線電視線路、電話線、ADSL線路等有線方式，或像IrDA和遙控器那樣的紅外線、Bluetooth(藍牙，注冊商標)、802.11無線、HDR、移動電話網絡、衛(wèi)星線路、地面波數(shù)字網等無線方式。另外，本發(fā)明也可以按照通過上述程序代碼的電子傳輸實施的、嵌入載波中的計算機數(shù)據信號的形式來實現(xiàn)。
本發(fā)明的檢查裝置可以確定在非參量一類判別中使用的判別函數(shù)，使得在標繪了樣本的輸入空間中形成單一的合格品區(qū)域，因此可以廣泛應用于制造生產線中的檢查裝置和機器動作的評價裝置。即，除產品檢查外，也可以用于制造裝置和電力設備等的故障檢測、人的健康狀態(tài)判定等。
權利要求
1.一種檢查裝置，其特征在于，該檢查裝置具有判別函數(shù)判定單元，該判別函數(shù)判定單元判定在非參量一類判別中使用的判別函數(shù)是否在標繪了樣本的輸入空間中作為單一區(qū)域而形成包含被判別到類中的樣本的區(qū)域。
2.根據權利要求1所述的檢查裝置，其特征在于，該檢查裝置具有參數(shù)設定單元，該參數(shù)設定單元在通過上述判別函數(shù)判定單元判定為上述判別函數(shù)不形成上述單一區(qū)域時，設定區(qū)域參數(shù)，使得該判別函數(shù)在標繪了樣本的輸入空間中形成單一區(qū)域，其中該區(qū)域參數(shù)規(guī)定上述判別函數(shù)，并規(guī)定作為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。
3.根據權利要求1所述的檢查裝置，其特征在于，上述非參量一類判別的判別算法將識別面上的樣本存儲到模型中。
4.根據權利要求1～3中任一項所述的檢查裝置，其特征在于，上述判別函數(shù)判定單元判定連接被判定為包含在上述單一區(qū)域中的各個樣本的線段是否脫離上述單一區(qū)域。
5.根據權利要求1所述的檢查裝置，其特征在于，上述判別函數(shù)判定單元判定連接樣本的中心與被判定為包含在上述單一區(qū)域中的樣本的線段是否脫離上述單一區(qū)域。
6.根據權利要求3所述的檢查裝置，其特征在于，上述判別函數(shù)判定單元判定連接模型中存儲的識別面上的各個樣本的線段是否脫離上述單一區(qū)域。
7.根據權利要求3所述的檢查裝置，其特征在于，上述判別函數(shù)判定單元判定連接樣本的中心與模型中存儲的識別面上的樣本的線段是否脫離上述單一區(qū)域。
8.根據權利要求4所述的檢查裝置，其特征在于，上述判別函數(shù)判定單元從上述線段中提取一個或多個點，將各個點代入上述判別函數(shù)，判定是否所有的點都被判別為包含在上述單一區(qū)域中。
9.根據權利要求4所述的檢查裝置，其特征在于，上述判別函數(shù)判定單元求出上述線段上的上述判別函數(shù)的最小值，判定該最小值是否大于等于規(guī)定的閾值。
10.一種檢查方法，其由確定在檢查對象的狀態(tài)判別中使用的判別函數(shù)的檢查裝置執(zhí)行，其特征在于，上述檢查裝置所具有的判別函數(shù)判定單元判定在非參量一類判別中使用的判別函數(shù)是否在標繪了樣本的輸入空間中作為單一區(qū)域而形成包含被判別到類中的樣本的區(qū)域。
11.根據權利要求10所述的檢查方法，其特征在于，當由上述判別函數(shù)判定單元判定為上述判別函數(shù)不形成上述單一區(qū)域時，上述檢查裝置所具有的參數(shù)設定單元設定區(qū)域參數(shù)，使得該判別函數(shù)在標繪了樣本的輸入空間中作為單一區(qū)域形成包含被判別到類中的樣本的區(qū)域，其中該區(qū)域參數(shù)規(guī)定在非參量一類判別中使用的判別函數(shù)，并規(guī)定作為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。
12.一種檢查程序，其用于利用計算機實現(xiàn)確定在檢查對象的狀態(tài)判別中使用的判別函數(shù)的檢查裝置，并使該計算機發(fā)揮作用，其特征在于，該檢查程序使計算機執(zhí)行以下處理上述檢查裝置所具有的判別函數(shù)判定單元判定在非參量一類判別中使用的判別函數(shù)是否在標繪了樣本的輸入空間中作為單一區(qū)域而形成包含被判別到類中的樣本的區(qū)域。
13.一種記錄了權利要求12所述的檢查程序的計算機可讀記錄介質。
全文摘要
本發(fā)明提供一種檢查裝置及檢查方法。其課題在于，確定判別函數(shù)使得在非參量一類判別中使用的判別函數(shù)形成單一的合格品區(qū)域。作為解決手段，在檢查裝置的判別函數(shù)確定部(20)中，合格品區(qū)域數(shù)量判定部(26)判定在非參量一類判別中使用的判別函數(shù)是否在標繪了樣本的輸入空間中形成單一的合格品區(qū)域。如果合格品區(qū)域不是一個，則參數(shù)設定部(24)設定區(qū)域參數(shù)，使得該判別函數(shù)在標繪了樣本的輸入空間中形成單一的合格品區(qū)域，其中，該區(qū)域參數(shù)規(guī)定判別函數(shù)、并規(guī)定作為密度函數(shù)的基礎的基函數(shù)的區(qū)域大小。
文檔編號G01M99/00GK101071076SQ20071010227
公開日2007年11月14日 申請日期2007年5月9日 優(yōu)先權日2006年5月9日
發(fā)明者糀谷和人, 田崎博, 中宏, 伊藤星子 申請人:歐姆龍株式會社