[發明專利]信息處理裝置

有效

• 申請號: 201810828164.1
• 申請日: 2018-07-25
• 公開（公告）號: CN109297974B
• 公開（公告）日: 2021-03-02
• 發明（設計）人: 后藤健文
• 申請（專利權）人: 發那科株式會社
• 主分類號: G01N21/88
• 分類號: G01N21/88;G01R31/34;G06N3/06;G06N20/00
• 代理公司: 北京銀龍知識產權代理有限公司 11243
• 代理人: 范勝杰;曹鑫

本發明提供一種信息處理裝置，生成多個被輸入到機器學習裝置中的傳感器數據的組合，將這些傳感器數據的組合輸入給機器學習裝置，生成分別與傳感器數據的組合對應的識別器。進一步，按照該識別器所要求的期待性能來評價該識別器的性能，并輸出與滿足期待性能的識別器對應的傳感器數據的組合。這樣，評價輸入到機器學習裝置的多個傳感器數據的貢獻度，將傳感器結構最優化。

技術領域

本發明涉及一種信息處理裝置，特別涉及一種評價輸入到機器學習裝置中的多個傳感器數據的貢獻率并能夠將傳感器結構最優化的信息處理裝置。

背景技術

在機床等的控制和其關聯領域中，機器學習裝置被廣泛使用。根據機器學習裝置，例如能夠輸入通過多個攝像機拍攝工件而得到的圖像數據來判定有沒有劃痕。另外，也能夠將麥克風的輸出值、電流的干擾值、加速度傳感器等的輸出值輸入給機器學習裝置，進行電動機的異常檢測。

已知一種機器學習裝置，其使用分類、遞歸、聚類等機器學習方法來識別從傳感器等取得的多個輸入數據。將這樣組合多個傳感器數據來進行機器學習的技術稱為傳感器融合。在實現傳感器融合的機器學習裝置中，除了輸入從傳感器等直接輸出的數據(以下稱為原始數據)提取的SIFT、SURF等為代表的特征量來進行機器學習的裝置以外，還有直接輸入原始數據并通過深層學習進行機器學習的裝置等。

例如在日本特開平6-102217號公報中記載有以下技術，即作為傳感器融合技術的一例，將多個氣體傳感器的輸出信號取入到神經網絡，根據在神經網絡中被預先學習的識別模式來識別氣體種類。

根據傳感器融合，通過組合輸入各種傳感器數據能夠實現高精度的學習、識別或推定等的處理。但是，系統地確定多個傳感器數據中對學習、識別或推定結果的貢獻率大或小的傳感器數據，并為了滿足要求性能而將傳感器結構最優化的方法目前還不能夠提供。例如，如果能夠確定對學習、識別或推定結果的貢獻率小的傳感器數據，則不僅能夠削減傳感器本體或傳感器數據取得所需要的金錢成本等，還能夠抑制數據的測量、取得以及處理所花費的時間和負荷等，并能夠高速地輸出結果。

發明內容

本發明是為了解決這樣的問題而提出的，其目的為提供一種評價輸入到機器學習裝置中的多個傳感器數據的貢獻率并能夠將傳感器結構最優化的信息處理裝置。

本發明的一個實施方式的信息處理裝置具有輸入不同的多個傳感器數據來進行機器學習的機器學習裝置。而且，該信息處理裝置具有：輸入數據控制部，其設定用于生成一個以上的上述傳感器數據的組合的選擇規則；輸入數據選擇部，其按照上述選擇規則生成多個上述傳感器數據的組合，將上述傳感器數據的組合輸入給上述機器學習裝置，生成分別與上述傳感器數據的組合對應的識別器；期待性能設定部，其設定上述識別器所要求的期待性能；以及性能評價部，其按照上述期待性能評價上述識別器的性能，并輸出與滿足上述期待性能的上述識別器對應的上述傳感器數據的組合。

上述期待性能根據上述傳感器數據的取得成本來定義，上述傳感器數據的取得成本可以根據取得上述傳感器數據的傳感器的價格、上述傳感器設置的難易度或者上述傳感器數據的取得或處理所需要的費用、時間或處理負荷來進行計算。

上述期待性能可以通過上述識別器的知識率、準確率、召回率或F值來定義。

上述傳感器數據可以與溫度、位移、壓力、電流、速度、加速度、圖像、亮度、聲音、氣味或者長度的至少任意一方有關。

上述性能評價部可以具有提示多個滿足上述期待性能的上述傳感器數據的組合并使用戶選擇希望的上述傳感器數據的組合的界面。

上述識別器可以通過神經網絡來構成。

上述輸入數據控制部還能夠設定上述神經網絡的中間層的結構的設定規則。

上述輸入數據控制部能夠具有刪除在上述神經網絡中從輸入層到中間層的耦合系數小的上述傳感器數據的上述選擇規則。