减少用于学习的训练数据的收集所花费的时间与劳务，即使是较少的训练数据，也可以得到较好的效能。一种机器学习装置，其具备：取得部，其取得用于机器学习的训练数据和推论用数据；学习部，其基于所述训练数据和多组学习用参数来进行机器学习，生成多个学习完毕模型；模型评价部，其进行所述多个学习完毕模型的学习结果的好坏评价，并且显示评价结果；模型选择部，其能够接受学习完毕模型的选择；推论运算部，其基于所述多个学习完毕模型中的至少一部分与所述推论用数据来进行推论计算处理，并生成推论结果候选；推论决定部，其输出所述推论结果候选的全部或一部分或其组合。论结果候选的全部或一部分或其组合。论结果候选的全部或一部分或其组合。
【技术实现步骤摘要】
【国外来华专利技术】机器学习装置以及机器学习方法
[0001]本专利技术涉及机器学习装置以及机器学习方法。
技术介绍
[0002]近年来，机器学习被广泛应用在各种领域中。在有监督学习的算法中，使用训练数据来进行学习而生成学习完毕模型(例如，分类问题中的分类器、神经网络等)，并且也利用已生成的学习完毕模型来推论未学习的案例。在此，生成能够得到较好的效能的学习完毕模型成为难点。
[0003]作为一个解决方法，具有增加训练数据的变化来进行学习的情况。例如，已提出有进行整体学习的技术，以便检测各种物体，所述集成学习基于使用多个训练数据而生成的多个学习完毕模型。例如，参照专利文献1。
[0004]现有技术文献
[0005]专利文献
[0006]专利文献1：日本特开2020
‑
77231号公报
技术实现思路
[0007]专利技术要解决的课题
[0008]作为第二个解决方法，是花费较长的时间来设法顺利地调整学习完毕模型中所包含的各种学习用参数(以下，也称为“超参数”)。
[0009]然而，存在以下3个问题。
[0010](1)增加训练数据的变化来学习的方法存在极限，即使增加变化也会有无法顺利学习的情况，在大量的训练数据的收集上会花费时间与劳务。
[0011](2)难以进行学习完毕模型所包含的各种学习用参数(超参数)的调整，存在即使在调整上花费时间，也无法得到较好的效能的问题。
[0012](3)在图像识别领域中，作为利用了通过使用训练图像数据的学习而生成的学习完毕模型的推论结果，会产生推论用图像上所显现的工件的未检测出的问题，而在取出工件时产生遗漏问题，从而会有生产效率降低的问题。
[0013]于是，所期望的是减少用于学习的训练数据的收集所花费的时间和劳务，即使是较少的训练数据，也可以得到好的效能。
[0014]用以解决课题的手段
[0015]本公开的机器学习装置的一方式是一种机器学习装置，具备：取得部，其取得用于机器学习的训练数据和推论用数据；学习部，其基于所述训练数据和多组学习用参数来进行机器学习，来生成多个学习完毕模型；模型评价部，其进行所述多个学习完毕模型的学习结果的好坏评价，并且显示评价结果；模型选择部，其能够接受学习完毕模型的选择；推论运算部，其基于所述多个学习完毕模型中的至少一部分和所述推论用数据来进行推论计算处理，并生成推论结果候选；推论决定部，其输出所述推论结果候选的全部或一部分或其组
合。
[0016]本公开的机器学习方法，是通过计算机来实现的机器学习方法，具备：取得步骤，取得用于机器学习的训练数据和推论用数据；学习步骤，基于所述训练数据和多组学习用参数来进行机器学习，来生成多个学习完毕模型；模型评价步骤，进行所述多个学习完毕模型的学习结果的好坏评价，并且显示评价结果；模型选择步骤，能够接受学习完毕模型的选择；推论运算步骤，基于所述多个学习完毕模型中的至少一部分和所述推论用数据来进行推论计算处理，并生成推论结果候选；推论决定步骤，输出所述推论结果候选的全部或一部分或其组合。
[0017]专利技术效果
[0018]根据一方式，可以减少用于学习的训练数据的收集所花费的时间和劳务，即使较少的训练数据，也可以得到较好的效能。
附图说明
[0019]图1是表示一实施方式的机器人系统的结构的一例的图。
[0020]图2是表示一实施方式的机器人控制装置的功能结构例的功能框图。
[0021]图3是表示一实施方式的机器学习装置的功能结构例的功能框图。
[0022]图4是针对学习阶段中的机器学习装置的机器学习处理来说明的流程图。
[0023]图5是针对运用阶段中的机器学习装置的推论计算处理来说明的流程图。
具体实施方式
[0024]<一实施方式>
[0025]针对本实施方式的结构，使用附图来详细地说明。
[0026]图1是显示一实施方式的机器人系统1的结构的一例的图。
[0027]如图1所示，机器人系统1具有机器学习装置10、机器人控制装置20、机器人30、测量器40、多个工件50、以及容器60。
[0028]机器学习装置10、机器人控制装置20、机器人30、以及测量器40也可以经由未图示的连接接口来相互直接连接。此外，机器学习装置10、机器人控制装置20、机器人30、以及测量器40也可以经由LAN(Local Area Network，局域网)或因特网等未图示的网络来相互连接。在此情况下，机器学习装置10、机器人控制装置20、机器人30、以及测量器40具备用于通过所涉及的连接来相互进行通信的未图示的通信部。另外，为了容易说明，图1也可以分别独立地描绘机器学习装置10和机器人控制装置20，该情况下的机器学习装置10也可以由例如计算机构成。并不限定于这样的结构，例如，机器学习装置10也可以被组装于机器人控制装置20的内部，而与机器人控制装置20一体化。
[0029]<机器人控制装置20>
[0030]机器人控制装置20是用于控制机器人30的动作的对本领域技术人员而言公知的装置。机器人控制装置20例如从后述的机器学习装置10接收散装的工件50中通过机器学习装置10选择出的工件50的取出位置信息。机器人控制装置20生成用于控制机器人30的动作的控制信号，以便将位于从机器学习装置10接收到的取出位置处的工件50取出。并且，机器人控制装置20对机器人30输出已生成的控制信号。另外，机器人控制装置20将机器人30所
进行的取出动作的执行结果输出至机器学习装置10。
[0031]图2是表示一实施方式的机器人控制装置20的功能结构例的功能框图。
[0032]机器人控制装置20是对本领域技术人员而言公知的计算机，且如图2所示，具有控制部21。另外，控制部21具有动作执行部210。
[0033]<控制部21>
[0034]控制部21对本领域技术人员而言为公知，具有CPU(Central Processing Unit，中央处理器)、ROM(Read
‑
Only Memory，只读存储器)、RAM(Random Access Memory，随机存取存储器)、CMOS(Complementary Metal
‑
Oxide
‑
Semiconductor，互补式金属氧化物半导体)存储器等，它们构成为能够经由总线而相互通信。
[0035]CPU是对机器人控制装置20进行整体控制的处理器。CPU经由总线读出ROM中保存的系统程序及应用程序，并且按照系统程序及应用程序来控制机器人控制装置20整体。由此，如图2所示，控制部21构成为实现动作执行部210的功能。在RAM中会保存临时的计算数据或显示数据等各种数据。另外，CMOS存储器通过未图示的电池备份，而构成为即使机器人控制装置本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】1.一种机器学习装置，其特征在于，具备：取得部，其取得用于机器学习的训练数据和推论用数据；学习部，其基于所述训练数据和多组学习用参数来进行机器学习，生成多个学习完毕模型；模型评价部，其进行所述多个学习完毕模型的学习结果的好坏评价，并且显示评价结果；模型选择部，其能够接受学习完毕模型的选择；推论运算部，其基于所述多个学习完毕模型中的至少一部分和所述推论用数据来进行推论计算处理，并生成推论结果候选；推论决定部，其输出所述推论结果候选的全部或一部分或其组合。2.根据权利要求1所述的机器学习装置，其特征在于，所述模型选择部接受用户基于由所述模型评价部显示的所述评价结果而选择出的学习完毕模型。3.根据权利要求1所述的机器学习装置，其特征在于，所述模型选择部基于所述模型评价部的所述评价结果来选择学习完毕模型。4.根据权利要求1至3中任一项所述的机器学习装置，其特征在于，所述机器学习装置还具备参数提取部，所述参数提取部从多个所述学习用参数中提取重要的学习用参数，所述学习部基于提取出的所述学习用参数来进行机器学习，并生成所述多个学习完毕模型。5.根据权利要求1至4中任一项所述的机器学习装置，其特征在于，所述模型评价部基于由所述推论运算部生成的所述推论结果候选，来评价所述学习完毕模型的好坏。6.根据权利要求5的机器学习装置，其特征在于，所述模型选择部根据基于由所述推论运算部生成的所述推论结果候选的所述模型评价部的所述评价结果，来选择学习完毕模型。7.根据权利要求1至6中任一项所述的机器学习装置，其特征在于，所述推论运算部基于由所述模型评价部评价为好的学习完毕模型，来进行所述推论计算处理，并生成所述推论结果候选。8.根据权利要求1至7中任一项所述的机器学习装置，其特征在于，所述模型选择部基于由所述推论运算部生成的所述推论结果候选，来选择所述学习完毕模型。9.根据权利要求1至8中任一项所述的机器学习装置，其特征在于，在没有所述推论决定部的输出时，所述模型选择部从所述多个学习完毕模型中重新选择至少1个学习完毕模型，所述推论运算部基于新选择出的所述至少1个学习完毕模型来进行所述推论计算处理，并生成至少1个新的推论结果候选，所述推论决定部是输出新的所述推论结果候选的全部或一部分或其组合。10.根据权利要求1至9中任一项所述的机器学习装置，其特征在于，
所述学习部基于多组所述训练数据来进行机器学习。11.根据权利要求1至10中任一项所述的机器学习装置，其特征在于，所述取得部取得多个工件的存在区域的图像数据来作为所述训练数据和所述推论用数据，所述训练数据包含所述图像数据上的所述工件的至少1个特征的示教数据。12.根据权利...
【专利技术属性】
技术研发人员：李维佳，
申请(专利权)人：发那科株式会社，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。