-
公开(公告)号：CN117157601A
公开(公告)日：2023-12-01
申请号：CN202280028800.7
申请日：2022-03-15
Applicant: 松下知识产权经营株式会社
IPC: G05B19/418
Abstract: 本公开的目的是在产品的缺陷数量增加之前识别缺陷数量增加的原因。一种缺陷预测系统(1)包括获取器(11)、缺陷相关数量预测器(12)和原因预测器(13)。缺陷相关数量预测器(12)基于由获取器(11)获取的过去缺陷相关数量，预测多个工艺步骤中的每一个和多个生产线中的每一个中的产品的未来缺陷相关数量。原因预测器(13)基于由缺陷相关数量预测器(12)预测的多个工艺步骤中的每一个中和多个生产线中的每一个中的未来缺陷相关数量，预测将是未来缺陷相关数量增加的原因的生产线。
-
公开(公告)号：CN116324881A
公开(公告)日：2023-06-23
申请号：CN202180067509.6
申请日：2021-09-22
Applicant: 松下知识产权经营株式会社
IPC: G06T7/30
Abstract: 本发明的目的是提供一种模板图像创建方法、模板图像创建系统和程序，该模板图像创建方法、模板图像创建系统和程序被配置为当在多个候选图像上拍摄到的测试物体的位置彼此不对齐时，也创建包括很少噪声的高度准确的模板图像。模板图像创建方法从多个候选图像创建模板图像，这多个候选图像各自包括包含测试物体的图像的对象区域。模板图像创建方法包括：通过利用模式匹配进行位置校正以使多个候选图像之间的对象区域的位置匹配、并且将多个候选图像顺次组合，来创建至少一个模板图像。
-
公开(公告)号：CN114521268A
公开(公告)日：2022-05-20
申请号：CN202080065301.6
申请日：2020-08-28
Applicant: 松下知识产权经营株式会社
IPC: G06V10/764 , G06V10/82 , G06V10/774 , G06K9/62 , G06N3/04 , G06N3/08 , G06N20/10
Abstract: 本公开提供一种分类系统、分类方法以及程序。即使在输入了可能属于原有的类别中不存在的新类别的数据的情况下，也容易适当地将该数据分类。分类系统(100)具备输入受理部(11)、分类部(F1)、计算部(F2)、判定部(F3)和提示部(12)。输入受理部(11)受理对象数据的输入。分类部(F1)将对象数据分类为多个类别之中的任意类别。计算部(F2)计算对象数据的特征量。判定部(F3)基于分类部(F1)中的分类结果以及由计算部(F2)计算出的对象数据的特征量，判定对象数据被分类为新类别的可能性。在由判定部(F3)判定为存在对象数据被分类为新类别的可能性的情况下，提示部(12)提示判定部(F3)的判定结果。
-
公开(公告)号：CN118613715A
公开(公告)日：2024-09-06
申请号：CN202380017831.7
申请日：2023-01-17
Applicant: 松下知识产权经营株式会社
IPC: G01N21/88 , G06V10/764 , G06V10/82 , G06N3/0464 , G06N3/045 , G06N3/047
Abstract: 本公开的目的是降低过度检测率。处理系统(1)包括输出处理器(11)，其输出适用于检查算法的标准信息(D1)。标准信息(D1)包括关于要基于通过彼此不同的多个识别算法(A0)获得的识别结果而定义的判定边界的信息。判定边界被用作用于通过检查算法确定目标(T1)的类别是第一类别还是第二类别的标准。多个识别算法(A0)中的每个识别算法针对多个图像数据集(DS1)中的每个图像数据集识别类别。判定边界是要基于属于识别结果的对应识别结果的集合而定义的凸包边界(B1)，该对应识别结果是关于多个图像数据集(DS1)之中的被附加有指示第二类别的标签的图像数据集(DS1)的。
-
Patent Agency Ranking
公开(公告)号：CN117121052A
公开(公告)日：2023-11-24
申请号：CN202280023028.X
申请日：2022-03-14
Applicant: 松下知识产权经营株式会社
IPC: G06T7/00
Abstract: 本公开的图像判定装置具备：学习部(101)，使用包括多个第1图像和第1标签的第1训练数据集来进行1种以上的机器学习模型的学习，由此获得1个以上的第1模型，并且使用包括与多个第1图像不同的多个第2图像、第2标签、和第1训练数据集的至少一部分的1个以上的第2训练数据集来进行1种以上的机器学习模型的学习，由此获得1个以上的第2模型；图像获取部(103)，获取对象图像；和判定部(104)，针对由图像获取部(103)获取到的对象图像，输出通过至少使用1个以上的第1模型当中的1个和1个以上的第2模型当中的1个这两个而获得的对象图像的标签的判定结果。
-
公开(公告)号：CN116917910A
公开(公告)日：2023-10-20
申请号：CN202280019081.2
申请日：2022-03-25
Applicant: 松下知识产权经营株式会社
IPC: G06N20/00
Abstract: 首先，存放对输入的数据的类别进行推定的多个模型(S1)，多个模型中的至少一个模型是进行了机器学习的模型。接下来，通过从所存放的多个模型中选择两个以上的模型并进行组合，制作多个判定类别的混合模型候选(S2)，通过比较多个混合模型候选(S4)，选择多个混合模型候选中的一个作为混合模型(S6)。
-
公开(公告)号：CN116848550A
公开(公告)日：2023-10-03
申请号：CN202280013899.3
申请日：2022-01-24
Applicant: 松下知识产权经营株式会社
IPC: G06T7/00
Abstract: 本主题涉及用于在基于AI的视觉检查处理期间检验与图像相关联的数据收集条件或图像捕获条件的方法和系统。该方法包括生成第一组图像的第一代表图像即FR1图像和第二组图像的第二代表图像即FR2图像。基于计算具有相同坐标值的像素的亮度值之间的差来在FR1图像和FR2图像之间生成差分图像数据。之后，基于获取由像素的亮度差值形成的差分图像数据来在差分图像内确定多个白色像素或强度值中的一个或多于一个白色像素或强度值。确定表示跨FR1图像和FR2图像的数据捕获条件的差异的指数，所述指数至少基于多个白色像素或强度值，例如，基于多个AI或ML技术的应用来确定。
-
公开(公告)号：CN116635876A
公开(公告)日：2023-08-22
申请号：CN202180079976.0
申请日：2021-10-14
Applicant: 松下知识产权经营株式会社
IPC: G06N20/00
Abstract: 本文中公开了一种用于试图减小识别错误标签所需的时间的技术。一种处理系统(1)包括第一获取器(11)、第二获取器(12)、第三获取器(13)、识别器(14)和提取器(15)。第一获取器(11)被配置为获取已经分配有标签的多条学习数据(D2)。第二获取器(12)被配置为获取基于多条学习数据(D2)而生成的学得模型(M1)。第三获取器(13)被配置为获取已经分配有标签的识别数据(D1)。识别器(14)被配置为基于学得模型(M1)来识别识别数据(D1)。提取器(15)被配置为基于应用于学得模型(M1)中并且与识别数据(D1)和多条学习数据(D2)中的每一条学习数据之间的相似度有关的指数，从多条学习数据(D2)中提取与识别数据(D1)类似的一条或多条学习数据(D2)。
-
公开(公告)号：CN114787732A
公开(公告)日：2022-07-22
申请号：CN202080086092.3
申请日：2020-12-17
Applicant: 松下知识产权经营株式会社
IPC: G05B19/418 , G06T7/00
Abstract: 实现与对象物的类别判定相关的可靠性的提高。分类系统(1)具备第一分类部(11)、第二分类部(12)以及判定部(13)。第一分类部(11)将第一对象数据分类为多个第一类别(C1)中的至少一个第一类别(C1)。第二分类部(12)将第二对象数据分类为多个第二类别(C2)中的至少一个第二类别(C2)。判定部13决定使用作为第一分类部(11)的分类结果的第一分类结果、以及作为第二分类部(12)的分类结果的第二分类结果中的一方，或者使用该两方，基于其中一方或者两方，判定对象物2的类别。第一对象数据是对象物(2)的图像数据。第二对象数据是与对象物(2)的制造条件相关的制造数据。
-
-
-
-
-
-
-
-
Search Results
9
records
(took 0.022 seconds)
