机器学习装置、机器学习系统以及机器学习方法专利检索-监督学习机器学习人工智能专利检索查询-专利查询网

机器学习装置、机器学习系统以及机器学习方法

阅读：702发布：2020-05-11

专利汇可以提供机器学习装置、机器学习系统以及机器学习方法专利检索，专利查询，专利分析的服务。并且本发明涉及进行与激光有关的机器学习的机器学习装置、机器学习系统以及机器学习方法，在考虑了与激光的观测有关的条件的基础上，针对激光的强度分布进行良好与否判定。机器学习装置(10)具备：状态观测单元(11)，其获取表示激光的强度分布的数据以及表示与为了生成表示所述强度分布的数据而进行的所述激光的观测有关的条件的数据来作为输入数据；标记获取单元(12)，其获取与所述激光的良好与否的判定有关的评价值作为标记；以及学习单元(13)，其通过将所述状态观测单元(11)获取到的输入数据与所述标记获取单元(12)获取到的标记的组合作为训练数据并进行监督学习，来构筑用于进行所述激光的良好与否的判定的学习模型。，下面是机器学习装置、机器学习系统以及机器学习方法专利的具体信息内容。

权利要求

1.一种机器学习装置，其特征在于，具备：
状态观测单元，其获取表示激光的强度分布的数据以及表示与为了生成表示所述强度分布的数据而进行的所述激光的观测有关的条件的数据来作为输入数据；
标记获取单元，其获取表示是否能够将所述激光用于激光加工的、与所述激光的良好与否的判定有关的评价值作为标记；以及
学习单元，其通过将所述状态观测单元获取到的输入数据与所述标记获取单元获取到的标记的组合作为训练数据并进行监督学习，由此构筑用于进行所述激光的良好与否的判定的学习模型。
2.根据权利要求1所述的机器学习装置，其特征在于，
表示所述强度分布的数据是拍摄出被照射所述激光的被照射物中的激光的受光部分的图像数据。
3.根据权利要求2所述的机器学习装置，其特征在于，
所述图像数据包含从多个方向拍摄所述激光的受光部分的多个图像数据。
4.根据权利要求1所述的机器学习装置，其特征在于，
通过使用光束分析仪观测所述激光来生成表示所述强度分布的数据。
5.根据权利要求1～4中的任意一项所述的机器学习装置，其特征在于，
表示与所述强度分布的观测有关的条件的数据包含：照射所述激光的激光振荡器的机器种类信息、与所述激光振荡器的温度状态有关的信息、表示所述激光的照射时间的信息、以及表示从所述激光振荡器的光束出射口直到所述强度分布的观测点为止的距离的信息中的至少任一个。
6.根据权利要求1～4中的任意一项所述的机器学习装置，其特征在于，
所述评价值是根据参照了被照射所述激光的被照射物的激光的受光部分或者基于光束分析仪的所述激光的观测结果的用户的判断而决定的。
7.根据权利要求1～4中的任意一项所述的机器学习装置，其特征在于，
所述激光是在与激光加工有关的装置中使用的激光，
所述学习单元根据与激光加工有关的装置中的照射所述激光的激光振荡器的配置来进行追加学习。
8.根据权利要求1～4中的任意一项所述的机器学习装置，其特征在于，
所述激光是在与激光加工有关的装置中使用的激光，
在将表示所述激光的强度分布的数据以及表示与所述强度分布的观测有关的条件的数据作为输入数据时，所述学习单元所构筑的学习模型是输出概率的值的学习模型，该概率的值表示所述激光是否满足预定的基准。
9.一种机器学习系统，其包含了多个权利要求1～4中的任意一项所述的机器学习装置，其特征在于，
在多个所述机器学习装置各自具备的所述学习单元中共享学习模型，多个所述机器学习装置各自具备的所述学习单元针对所述共享的学习模型进行学习。
10.一种机器学习方法，其是机器学习装置进行的机器学习方法，其特征在于，所述机器学习方法具备以下步骤：
状态观测步骤，获取表示激光的强度分布的数据以及表示与为了生成表示所述强度分布的数据而进行的所述激光的观测有关的条件的数据来作为输入数据；
标记获取步骤，获取表示是否能够将所述激光用于激光加工的、与所述激光的良好与否的判定有关的评价值作为标记；以及
学习步骤，通过将所述状态观测单元获取到的输入数据与所述标记获取单元获取到的标记的组合作为训练数据并进行监督学习，由此构筑用于进行所述激光的良好与否的判定的学习模型。

说明书全文

机器学习装置、机器学习系统以及机器学习方法

技术领域

[0001] 本发明涉及进行与激光有关的机器学习的机器学习装置、机器学习系统以及机器学习方法。

背景技术

[0002] 激光振荡器照射的激光存在由于伴随长期使用导致内部反射镜的劣化、内部反射镜的安装位置不适当等理由，而无法适当地照射的情况。因此，用户在反射镜的清洁后、反射镜交换后，观测激光，并从“是否成为预定的激光输出”、“是否成为良好的激光的强度分布(光束模式形状)”的观点来进行激光的良好与否判定。

[0003] 在这里，针对激光输出，能够通过一般的激光功率计、激光功率探头来进行测量。因此，用户可以通过参照作为测量结果而输出的数值数据，进行是否成为预定的激光输出的良好与否判定。

[0004] 相对于此，针对激光的强度分布，对透明的丙烯酸树脂照射预定时间的额定输出的激光光束，用户参考作为其烧痕的烧灼图样来进行良好与否判定。或者用户参照基于光束分析仪的观测结果来进行良好与否判定。

[0005] 在专利文献1中公开了像这样的与激光的强度分布的观测有关的技术。具体而言，在专利文献1中，公开了一种对目标照射激光，并测量该目标的温度分布，由此来迅速地检测加工中的激光的光束分布变动的结构。

[0006] 专利文献

[0007] 专利文献1：日本特开2015-166094号公报

发明内容

[0008] 可是，如果激光的观测条件不同，则激光的适当的强度分布也不同。例如，如果激光振荡器的种类、激光振荡器的温度状态、激光的照射时间、从激光振荡器的光束出射口到强度分布的观测点的距离等观测条件不同，则激光的适当的强度分布也不同。

[0009] 然而，上述专利文献1所公开的技术是在预定的观测条件下随着时间来观测激光的状态变化，并未考虑该预定的观测条件以外的各种各样的观测条件。

[0010] 另外，即使在使用了上述烧灼图样、光束分析仪的用户的判定中，也很难充分考虑这些各种各样的观测条件。

[0011] 因此本发明的目的在于，提供在考虑与激光的观测有关的条件的基础上，用于进行针对激光的强度分布的良好与否判定的、机器学习装置、机器学习系统以及机器学习方法。

[0012] (1)本发明的机器学习装置(例如，后述的机器学习装置10)具备：状态观测单元(例如，后述的状态观测部11)，其获取表示激光的强度分布的数据以及表示与为了生成表示所述强度分布的数据而进行的所述激光的观测有关的条件的数据来作为输入数据；标记获取单元(例如，后述的标记获取部12)，其获取与所述激光的良好与否的判定有关的评价值作为标记；以及学习单元(例如，后述的学习部13)，其通过将所述状态观测单元获取到的输入数据与所述标记获取单元获取到的标记的组合作为训练数据并进行监督学习，由此构筑用于进行所述激光的良好与否的判定的学习模型。

[0013] (2)可以将上述(1)所述的机器学习装置设为：表示所述强度分布的数据是拍摄出被照射所述激光的被照射物中的激光的受光部分的图像数据。

[0014] (3)可以将上述(2)所述的机器学习装置设为：所述图像数据包含从多个方向拍摄所述激光的受光部分的多个图像数据。

[0015] (4)可以将上述(1)所述的机器学习装置设为：表示所述强度分布的数据通过使用光束分析仪观测所述激光而生成。

[0016] (5)可以将上述(1)～(4)中的任意一项所述的机器学习装置设为：表示与所述强度分布的观测有关的条件的数据包含：照射所述激光的激光振荡器的机器种类信息、与所述激光振荡器的温度状态有关的信息、表示所述激光的照射时间的信息、以及表示从所述激光振荡器的光束出射口直到所述强度分布的观测点为止的距离的信息中的至少任一个。

[0017] (6)可以将上述(1)～(5)中的任意一项所述的机器学习装置设为：所述评价值是根据参照了被照射所述激光的被照射物的激光的受光部分、或者基于光束分析仪的所述激光的观测结果的用户的判断来决定的。

[0018] (7)可以将上述(1)～(6)中的任意一项所述的机器学习装置设为：所述激光是在与激光加工有关的装置中使用的激光，所述学习单元根据与激光加工有关的装置中的照射所述激光的激光振荡器的配置来进行追加学习。

[0019] (8)可以将上述(1)～(7)中的任意一项所述的机器学习装置设为：所述激光是用于与激光加工有关的装置的激光，当将表示所述激光的强度分布的数据以及表示与所述强度分布的观测有关的条件的数据作为输入数据时，所述学习单元所构筑的学习模型是输出概率的值的学习模型，该概率的值表示所述激光是否满足预定基准。

[0020] (9)本发明的机器学习系统(例如，后述的机器学习系统1)是包含了多个上述(1)～(8)中的任意一项所述的机器学习装置的机器学习系统，在多个所述机器学习装置各自具备的所述学习单元中共享学习模型，多个所述机器学习装置各自具备的所述学习单元针对所述共享的学习模型进行学习。

[0021] (10)本发明的机器学习方法是机器学习装置(例如，后述的机器学习装置10)进行的机器学习方法，其具备以下步骤：状态观测步骤，获取表示激光的强度分布的数据以及表示与为了生成表示所述强度分布的数据而进行的所述激光的观测有关的条件的数据来作为输入数据；标记获取步骤，获取与所述激光的良好与否的判定有关的评价值作为标记；以及学习步骤，通过将所述状态观测步骤获取到的输入数据与所述标记获取步骤获取到的标记的组合作为训练数据并进行监督学习，由此构筑用于进行所述激光的良好与否的判定的学习模型。

[0022] 根据本发明，在考虑了与激光的观测有关的条件的基础上，可以进行针对激光的强度分布的良好与否判定。附图说明

[0023] 图1是表示本发明的各实施方式的整体的结构的功能框图。

[0024] 图2是示意性地表示本发明的实施方式中的激光加工机的结构的立体图。

[0025] 图3是示意性地表示本发明的第1实施方式中的烧灼图样的生成的一个例子的立体图。

[0026] 图4是示意性地表示本发明的第1实施方式中的烧灼图样的生成的其他的例子的立体图。

[0027] 图5是表示在本发明的第1实施方式中设为输入数据的烧灼图样的例子的想象图。

[0028] 图6是本发明的各实施方式中的机器学习装置的结构的功能框图。

[0029] 图7是表示本发明的各实施方式中的构筑学习模型时的动作的流程图。

[0030] 图8是表示本发明的各实施方式中的利用学习模型时的动作的流程图。符号的说明

[0031] 1机器学习系统；10机器学习装置；11状态观测部；12标记获取部；13学习部；14学习模型存储部；15输出提示部；20激光加工机；21激光振荡器；22激光出射口；23第1反射镜；24第2反射镜；25第3反射镜；26第4反射镜；27加工头；28第5反射镜；29聚光透镜；30拍摄装置；40丙烯酸块；41烧灼图样；50光导路径；60工件；61可动工件台。

具体实施方式

[0032] 接着，参照附图针对本发明的实施方式进行详细地说明。以下，针对第1实施方式和第2实施方式这两个实施方式进行说明。在这里，各实施方式的基本结构是共通的，但是作为良好与否判定的对象的激光的种类是不同的。

[0033] 具体而言，在第1实施方式中，根据形成在丙烯酸块中的烧灼图样，来进行以二氧化碳激光(CO2激光)为对象的良好与否判定。相对于此，在第2实施方式中，基于光束分析仪的输出来进行以YAG激光、光纤激光为对象的良好与否判定。

[0034] ＜实施方式整体的结构＞

[0035] 如图1所示，本实施方式所涉及的机器学习系统1具备：机器学习装置10、激光加工机20、以及拍摄装置30。另外，在图1中还示出用于形成烧灼图样的丙烯酸块40。

[0036] 包含在机器学习系统1中的各装置以可通信的方式连接。可以在各装置间直接进行该通信，该通信也可以是经由包含中继装置的网络。网络例如可以通过在工厂内构筑的LAN(Local Area Network：局域网)、在因特网上构筑的VPN(Virtual Private Network：虚拟专用网络)来实现。

[0037] 机器学习装置10是通过进行与激光(激光光束)有关的机器学习，来构筑用于进行针对激光的强度分布的良好与否判定的学习模型的装置。

[0038] 将拍摄形成在丙烯酸块40中的烧灼图样的图像数据、以及与激光的观测有关的条件(以下，称为“观测条件”。)作为输入数据，并通过监督学习来进行由机器学习装置10进行的机器学习，该监督学习使用了与针对激光的强度分布的良好与否判定有关的评价值作为标记的训练数据。

[0039] 如此，机器学习装置10不只是将拍摄出烧灼图样的图像数据作为输入数据，还将观测条件作为输入数据的监督学习来构筑学习模型。因此，构筑出的学习模型是在考虑了与激光的观测有关的条件的基础上，能够进行激光的良好与否判定的学习模型。

[0040] 如果更详细地说明，则机器学习装置10例如收集多个在第1观测条件下形成的烧灼图样的图像数据，并生成多个训练数据，并根据该多个训练数据来重复针对第1观测条件的学习，由此构筑能够进行针对第1观测条件的良好与否判定的学习模型。

[0041] 另外，机器学习装置10收集多个在第2观测条件下形成的烧灼图样的图像数据，生成多个训练数据。然后，机器学习装置10根据与第2观测条件有关的多个训练数据，重复针对使用了对于第1观测条件所学习到的上述学习模型的第2观测条件的学习，由此构筑能够进行针对第1观测条件以及第2观测条件的良好与否判定的学习模型。

[0042] 在本实施方式中，机器学习装置10可以通过这样重复针对各种各样的观测条件的学习，来构筑学习模型，所述学习模型不但可以判定针对作为学习的对象的观测条件的良好与否判定，还可以判定针对与作为学习的对象的观测条件类似的观测条件的良好与否判定。

[0043] 此外，参照图2以后的图，在后面描述针对烧灼图样的形成方法、观测条件以及评价值的细节。

[0044] 激光加工机20是进行预定的激光加工的装置。此外，根据激光加工机20的结构，存在激光加工机20单独进行激光加工的情况，还存在激光加工机20与诸如控制激光加工机20的控制装置、上位装置这样的外部装置协作来进行激光加工的情况。在以下的说明中，当只记载激光加工机20时，除非另有说明，否则还包含诸如上述的控制装置、上位装置这样的外部装置。

[0045] 另外，激光加工机20接收来自用户的观测条件、评价值的输入，用于监督学习。然后，激光加工机20向机器学习装置10输出接收到的观测条件、评价值。但是，该结构只是一个例子，针对观测条件、评价值，并不是这样由激光加工机20接收输入来输出给机器学习装置10，而是也可以由机器学习装置10接受来自用户的直接输入。

[0046] 拍摄装置30是为了监督学习而拍摄丙烯酸块40的烧灼图样的部分。拍摄装置30向机器学习装置10输出通过拍摄烧灼图样而生成的图像数据。拍摄装置30可以通过普通的数码照相机、具备照相机的智能手机来实现。由于拍摄装置30的具体结构对于本领域技术人员是公知的，因此省略进一步的详细说明。

[0047] ＜激光加工机20的结构＞

[0048] 接着，参照图2针对照射作为机器学习的对象的激光的激光加工机20的结构进行说明。图2是表示将激光加工机20模式化了的结构的立体图。

[0049] 如图2所示，激光加工机20具备：激光振荡器21、激光出射口22、第1反射镜23、第2反射镜24、第3反射镜25、第4反射镜26以及包含第5反射镜28以及聚光透镜29的加工头27。另外，在图中还图示出成为由激光加工机20进行的激光加工的对象的平板状的工件60、以及在激光加工时设置工件60的可动工件台61。以下，针对这些结构要素进行详细地说明。

[0050] 此外，对于为了进行激光加工而控制激光振荡器21、可动工件台61的驱动的控制装置的详细的结构、激光振荡器21、加工头27内部的详细结构，并不是本实施方式的主旨，因此省略图示以及详细的说明。

[0051] 激光振荡器21是从激光出射口22射出圆形截面的激光的机器，为了射出激光，在内部具备共振器、激光介质以及励起光源。激光振荡器21是二氧化碳激光器。此外，在后述的第2实施方式中，激光振荡器21是YAG激光器、光纤激光器。

[0052] 从激光出射口22射出的激光按照第1反射镜23、第2反射镜24、第3反射镜25以及第4反射镜26的顺序，由各反射镜进行反射，并入射至加工头27。即，从激光出射口22射出的激光经由通过第1反射镜23、第2反射镜24、第3反射镜25以及第4反射镜26形成的光导路径50而入射至加工头27。

[0053] 在该光导路径50的周围，设置用于良好地保持光导路径50的气氛的光导路径盖。但是，为了明确地表示光导路径50，在图中使用虚线来表示透射过光导路径盖的状态。

[0054] 加工头27为用于向工件60照射激光的基本上圆柱形的形状。另外，加工头27在内部具备第5反射镜28以及聚光透镜29。第5反射镜28将入射至加工头27的激光向工件60的方向(Z轴方向)进行反射。聚光透镜29对通过第5反射镜28反射的激光进行集光，并经由安装在加工头27的末端的喷嘴来照射工件60。由此，工件60的激光受光部分被激光加热熔化，从而实现激光加工。

[0055] ＜烧灼图样的形成以及拍摄＞

[0056] 接着，针对在丙烯酸块40中的烧灼图样的形成方法以及烧灼图样的拍摄方法进行说明。用户可以在任意定时进行烧灼图样的形成，例如，如以下说明所示，可以在定期的清洁时进行。

[0057] 工业用的激光振荡器的内部的反射镜伴随使用而产生污垢、劣化。然后，由于该污垢、劣化，会改变激光的吸收率，产生无法得到所期望的性能等的问题。因此，用户定期地(例如每几百～几千小时)取下反射镜来进行清洁、部件交换。另外，在清洁后或部件交换后，进行反射镜的重新安装。在这里，由于反射镜的个体差等的影响，很难非常精确地将反射镜例如以微米为单位安装在相同的位置。因此，在激光振荡器21内部，装配反射镜的单元具备安装位置的调整机构。

[0058] 用户为了判定基于该调整机构的反射镜的安装位置的调整程度、反射镜的劣化程度，观测激光振荡器照射的激光。通过该观测，用户进行诸如是否得到预定的激光输出、是否成为良好的激光的强度分布(光束模式形状)的良好与否判定。

[0059] 用户例如在该良好与否判定中利用本实施方式。例如在相同的工厂中，当存在多个以相同的方式被利用的激光振荡器21时，机器学习装置10在每一次维护多个激光振荡器时，在相同的观测条件下进行学习。由此，能够收集多个针对相同的观测条件的训练数据，来构筑学习模型。

[0060] 例如，向由透明的丙烯酸树脂构成的丙烯酸块40(例如50[mm]×50[mm]×30[mm]的长方体的丙烯酸块)照射预定时间(根据输出，例如1～4秒左右)的额定输出的激光光束，观测其烧痕即烧灼图样来进行良好与否判定。在这里，丙烯酸树脂相对于可视域是透明的，但是相对于二氧化碳激光的波长10.6[μm]几乎会100％吸收。因此，如果对丙烯酸块40照射二氧化碳激光，则会瞬间气化，并能够留下烧痕作为烧灼图样。

[0061] 参照图3以及图4，针对烧灼图样的形成方法的具体例进行说明。

[0062] 图3表示烧灼图样的形成方法的第1例。在本例中，用户在可动工件台61中设置丙烯酸块40代替工件60。然后，通过在该状态下对丙烯酸块40照射激光来形成烧灼图样(相当于图中的烧灼图样41。)。在图3中，将所形成的烧灼图样图示为烧灼图样41。根据该第1例的方法，能够针对在经由光导路径50之后由加工头27照射的、用于进行激光加工的激光本身来进行观测。

[0063] 接着，图4表示烧灼图样的形成方法的第2例。在本例中，用户取下最先对从激光出射口22射出的激光进行反射的第1反射镜23以及光导路径盖。然后，通过在该状态下向丙烯酸块40照射从激光出射口22射出并自由传播的激光，来形成烧灼图样(相当于图中的烧灼图样41。)。根据该第2例的方法，能够针对经由光导路径50之前的、从激光出射口22射出的激光本身来进行观测。

[0064] 此外，这些烧灼图样的形成方法只是示例，也可以通过其他的方法来形成烧灼图样。例如在第2例中，可以取下第3反射镜25以及光导路径盖而不取下第1反射镜23，并通过由第1反射镜23以及第2反射镜24反射出的激光来形成烧灼图样。

[0065] 如上所述，在本实施方式中，将拍摄出该烧灼图样的图像数据作为训练数据来进行机器学习。另外，特别是在开始机器学习之初，使用一定程度的数量来针对相同的观测条件的训练数据进行学习比使用针对各种各样的观测条件的训练数据进行学习，能够在早期进行机器学习的可能性更高。因此，可以设为每次在相同的观测条件下形成烧灼图样。

[0066] 例如，设烧灼图样形成时的、从激光出射口22到激光的观测点的丙烯酸块40的距离恒定。例如如果是图3所示的第1例的情况，省略了图示的控制装置，但是通过与针对工件60进行激光加工时同样地控制加工头27以及可动工件台61，将使从激光出射口22到激光的观测点的丙烯酸块40的距离恒定。另外，例如如果是图4所示的第2例，用户测量从激光出射口22到激光的观测点的丙烯酸块40的距离，来设置丙烯酸块40，以使每次成为相同的距离，由此使从激光出射口22到激光的观测点的丙烯酸块40的距离恒定。

[0067] 另外，二氧化碳激光在空气中传播时，如果空气中的CO2气体、有机溶剂成分等的浓度较高，则会产生光束的发散角变大等的影响。因此，用户在烧灼图样形成时，充分进行激光加工机20周围的换气，以便每次在相同的条件下形成烧灼图样。

[0068] 接着，针对形成在丙烯酸块40中的烧灼图样的拍摄进行说明。用户使用拍摄装置30而从3个方向(例如，互相正交的X轴、Y轴、Z轴的3个方向)拍摄丙烯酸块40。由此，生成针对烧灼图样的图像数据。

[0069] 拍摄例如可以设为是进行维护作业的用户在进行维护的现场进行的。另外，由于丙烯酸块40可以容易地携带，因此用户可以在比进行维护的现场跟易于拍摄的环境中移动丙烯酸块40来进行拍摄。

[0070] 另外，优选每次在相同的条件下进行丙烯酸块40的拍摄。因此，例如，可以使用能够固定拍摄装置30所具备的照相机镜头与丙烯酸块40的位置关系的夹具，使照相机镜头与丙烯酸块40的位置关系成为恒定。另外，可以设拍摄时的周围的亮度等也成为恒定。

[0071] ＜烧灼图样的例子＞

[0072] 接着，针对烧灼图样的形状的具体例来进行说明。烧灼图样表示激光的强度分布，但是其形状会根据各种各样的要因而变化。

[0073] 例如，即使是相同的激光加工机20照射的激光，激光加工机20的变热程度不同，烧灼图样的形状也是不同的。为了针对这点进行说明，将从在光束照射前在规定时间(例如3分钟)关闭了光束的状态观测到的光束模式称为Cold模式。另外，将从在光束照射前关闭快门并在规定时间(例如3分钟)开启了光束的状态观测到的光束模式称为Hot模式。

[0074] 图5表示分别在该Cold模式与Hot模式下，从互相正交的X轴、Y轴、Z轴的3个方向拍摄烧灼图样的6张图像。

[0075] 在图5所示的例子中，在从激光的行进方向即Z轴方向拍摄照射表面的图像中，Hot模式的烧灼图样的面积比Cold模式的更大。另外，在从Y轴以及Z轴方向拍摄出的图像中，Hot模式的烧灼图样的深度比Cold模式的更深。也就是说，在Cold模式与Hot模式中，激光的传播特性不同。

[0076] 如此，一般地在Cold模式与Hot模式下，烧灼图样的形状是不同的。特别是，当在Cold模式与Hot模式下，形状差别较大时，激光振荡器21的内部反射镜劣化的可能性较高。

[0077] 也就是说，通过比较在Cold模式与Hot模式下的比较烧灼图样的形状，能够进行激光振荡器21的内部反射镜是否劣化的良好与否判定。因此，在本实施方式中，作为输入数据，如图5所示，将从3个方向分别针对Cold模式与Hot模式拍摄出的共计6张图像数据作为输入数据进行机器学习。但是，稍后会作为＜变形例1＞进行详细描述，但是即使是仅针对Cold模式与Hot模式中的某一个的图像数据，也可以进行机器学习。

[0078] 另外，影响烧灼图样的形状的要素不仅仅是上述激光加工机20的变热程度。

[0079] 例如，诸如激光振荡器的种类、激光的照射时间以及从激光振荡器的光束出射口到强度分布的观测点的距离这样的观测条件的不同也影响烧灼图样的形状。因此，针对这些观测条件，也作为输入数据进行机器学习。

[0080] ＜机器学习装置10具备的功能块＞

[0081] 接着，针对为了使用这样的输入数据而进行机器学习的机器学习装置10所具备的功能块进行说明。机器学习装置10具备：状态观测部11、标记获取部12、学习部13、学习模型存储部14以及输出提示部15。

[0082] 状态观测部11从激光加工机20与拍摄装置30中分别获取观测条件和图像数据作为输入数据，并向学习部13输出获取到的输入数据。在这里，本实施方式中的输入数据是如上所述从激光加工机20获取的观测条件和从拍摄装置30获取的图像数据。针对这些数据进行说明。

[0083] 观测条件如上所述，例如是激光振荡器的种类、激光的照射时间以及从激光振荡器的光束出射口到强度分布的观测点的距离。此外，状态观测部11可以获取这些信息的全部作为输入数据，也可以获取一部分的数据作为输入数据。

[0084] 激光振荡器的种类例如是用于识别激光振荡器21的种类的标识符等。根据激光振荡器的种类不同，激光的集光性能、传播特性也不同，并影响烧灼图样的形状，因此将激光振荡器的种类设为观测条件。

[0085] 激光的照射时间是表示激光照射丙烯酸块40的时间的长度的值。由于激光的照射时间不同，烧灼图样的形状会发生变化，因此设激光的照射时间为观测条件。此外，激光的照射时间的长度例如是1～4秒左右。

[0086] 从激光振荡器的光束出射口到强度分布的观测点的距离是表示距离的值。二氧化碳激光在略微扩散的同时进行传播，因此烧灼图样的形状根据该距离而变化。因此，将该距离设为观测条件。此外，距离例如是几米左右。

[0087] 一般而言，在激光的强度分布的良好与否判定中，在进行以激光的前进方向为轴的平面观察时的激光的形状较圆、以激光的前进方向为轴时的激光的对称性较好、并且不存在干涉条纹时，判定为激光的强度分布良好。但是，仅使用该一般的基准，激光的良好与否判定并不充分，如果观测条件不同，则激光的适当的强度分布也会不同。因此，在本实施方式中，将上述那样的观测条件作为输入数据来进行机器学习。

[0088] 观测强度分布的用户掌握这些观测条件，例如，将这些观测条件与图像数据一起输入至激光加工机20、机器学习装置10。然后，状态观测部11获取所输入的观测条件。此外，在设置激光加工机20的工厂等的现场，当每次处于相同的观测条件时，预先准备观测条件作为数据库，用户可以从数据库中选择观测条件。由此，能够省略由用户进行的观测条件的输入的麻烦。另外，如果是这样的工厂，则能够获取多个针对相同的观测条件的训练数据。

[0089] 接着，针对图像数据进行说明。如上所述，通过拍摄装置30拍摄丙烯酸块40的烧灼图样来生成图像数据。然后，状态观测部11从拍摄装置30获取通过拍摄所生成的图像数据。

[0090] 标记获取部12是从激光加工机20获取评价值作为标记，并将获取到的标记输出至学习部13的部分。在这里，本实施方式中的评价值是与良好与否判定有关的评价值，并是表示以下某一个情况的值：激光的强度分布为适当的，且能够将激光直接用于激光加工(即“良好”)；激光的强度分布是不适当的，且不能够将激光直接用于激光加工(即“不好”)。

[0091] 通过形成在丙烯酸块40中的烧灼图样本身、或者目视拍摄出烧灼图样的图像数据的用户的判断来决定评价值。用户将决定出的评价值例如输入至激光加工机20、机器学习装置10。标记获取部12获取所输入的评价值。

[0092] 此外，由于评价值需要是准确的值，因此优选由经验丰富的作业者来进行用于决定评价值的判断。

[0093] 学习部13接受该输入数据与标记的组合作为训练数据，并通过使用该训练数据，进行监督学习，由此来构筑学习模型。

[0094] 例如，学习部13进行使用了神经网络的监督学习。这种情况下，学习部13将包含在训练数据中的输入数据与标记的组合、发送给与感知器组合构成的神经网络，进行变更针对包含在神经网络中的各感知器的加权的正向传播，以便神经网络的输出与标记相同。

[0095] 在本实施方式中，将神经网络的输出设为“良好”与“不好”这2类，并将分为哪类作为概率进行输出。然后，进行正向传播，以便使针对神经网络输出的激光的强度分布的良好与否的概率的值(例如，诸如良好与否中的“良好”的可能性90％的值)与标记的评价值相同(例如，当标记表示良好与否中的“良好”时，使神经网络输出的“良好”的概率的值为100％)。

[0096] 然后，学习部13在这样进行了正向传播之后，通过反向传播(也称为误差反向传播方法。)的方法来调整加权值，以便减少各参数的输出的误差。更具体而言，学习部13计算神经网络的输出与标记的误差，并修正加权值，以便减少计算出的的误差。

[0097] 学习部13这样学习训练数据的特征，递归地获得用于根据输入推定结果的学习模型。

[0098] 此外，在本实施方式中，在输入数据中包含拍摄装置30对形成在丙烯酸块40中的烧灼图样进行拍摄而由此生成的图像数据。因此可以设学习部13针对该图像数据使用适用于以图像数据为对象的学习的神经网络的卷积神经网络(CNN：Convolutional Neural Network：卷积神经网路)来学习特征。然后，可以使用将通过与上述卷积神经网络不同的神经网络学习的观测条件的特征与通过卷积神经网络学习的图像数据的特征这双方作为输入的神经网络来构筑学习模型。

[0099] 或者可以使用将观测条件本身与通过卷积神经网络学习的图像数据的特征这双方作为输入的神经网络来构筑学习模型。

[0100] 学习部13通过如以上说明所示进行机器学习来构筑学习模型。

[0101] 向学习模型存储部14输出学习部13所构筑的学习模型。

[0102] 学习模型存储部14是存储学习部13构筑出的学习模型的存储部。此外，在构筑出学习模型之后，当获取到新的训练数据时，通过针对学习模型存储部14所存储的学习模型进一步添加监督学习，可以适当地更新已经构筑好的学习模型。

[0103] 另外，该追加学习可以自动地执行，但是也可以根据用户的判断来进行。也就是说，在用户判断出由学习模型进行的良好与否判定是错误的情况下，可以通过使用用户自己的基准，决定观测条件、评价值，由此生成训练数据，进行追加学习，以便良好与否判定变得更加准确。另外，可以当激光加工机20中的激光振荡器21的配置改变，能够设置丙烯酸块40的位置也改变时等来进行追加学习。通过进行像这样的追加学习，可以构筑遵循用户自己的判定基准的学习模型。

[0104] 输出提示部15是提示学习部13的输出的部分。如上所述，在本实施方式中，通过学习部13构筑出的学习模型，能够输出丙烯酸块40的良好与否判定的结果，因此输出提示部15向用户提示该学习部13的输出的内容。

[0105] 提示例如可以通过显示在液晶显示器等中来进行，也可以通过印刷在纸张上来进行，还可以通过声音的输出(例如，当良好与否判定的结果为“不好”的可能性较高时，输出警告音)来进行。

[0106] 以上，针对包含在机器学习装置10中的功能块进行了说明。

[0107] 为了实现这些功能块，机器学习装置10具备CPU(Central Processing Unit：中央处理单元)等的运算处理装置。另外，机器学习装置10还具备诸如保存了应用程序软件、OS(Operating System：操作系统)等各种控制用程序的HDD(Hard Disk Drive：硬盘驱动器)等的辅助存储装置、用于保存在运算处理装置执行程序的基础上暂时需要的数据的RAM(Random Access Memory：随机存取存储器)的主存储装置。

[0108] 然后，在机器学习装置10中，运算处理装置从辅助存储装置读入应用程序软件、OS，并一边在主存储装置中展开所读入的应用程序软件、OS，一边进行基于这些应用程序软件、OS的运算处理。另外，根据该运算结果，控制各装置所具备的各种硬件。由此，实现本实施方式的功能块。也就是说，本实施方式能够通过硬件与软件协作而实现。

[0109] 作为具体例，能够通过在一般的个人计算机、服务器装置中结合用于实现本实施方式的应用程序软件来实现机器学习装置10。

[0110] 但是，针对机器学习装置10伴随监督学习的运算量较多，因此例如，如果在个人计算机中搭载GPU(Graphics Processing Units：图形处理单元)，并通过被称为GPGPU(General-Purpose computing on Graphics Processing Units：通用图形处理器)的技术，若在伴随监督学习的运算处理中利用GPU，则能够进行高速处理。进一步地，为了进行高速的处理，可以使用多台搭载了这样的GPU的计算机的计算机集群，并使用包含在该计算机集群中的多个计算机来进行并行处理。

[0111] 接着，参照图7的流程图，针对基于机器学习装置10的监督学习时的动作进行说明。

[0112] 在步骤S11中，状态观测部11从拍摄装置30获取拍摄出形成在丙烯酸块40中的烧灼图样的图像数据。状态观测部11向学习部13输出获取到的图像数据。

[0113] 在步骤S12中，状态观测部11获取与在步骤S11中获取到的图像数据相对应的观测条件。状态观测部11向学习部13输出获取到的观测条件。

[0114] 在步骤S13中，标记获取部12获取与在步骤S11以及步骤S12中状态观测部11获取到的图像数据以及观测条件相对应的评价值。标记获取部12向学习部13输出获取到的评价值。

[0115] 此外，为了便于说明，按照从步骤S11到步骤S13的顺序进行说明，但是这3个步骤可以按照不同的顺序来执行，也可以并行地执行。

[0116] 在步骤S14中，学习部13通过将在步骤S11、步骤S12以及步骤S13中输入的各数据设为组合来生成训练数据。

[0117] 在步骤S15中，学习部13根据在步骤S14中制作出的训练数据来进行机器学习。该机器学习是监督学习，针对该方法，上述内容作为学习部13的功能块的说明。

[0118] 在步骤S16中，学习部13判定机器学习是否结束。该判定根据预定的条件来进行。例如，以神经网络的输出与标记的误差的值变为预定值以下、仅重复预先确定的次数的监督学习作为条件，当满足这些条件时学习结束。

[0119] 当不满足用于结束机器学习的条件时，在步骤S16判定为否，处理返回至步骤S11。然后，以新的输入数据以及标记作为对象来重复上述处理。另一方面，当满足用于结束机器学习的条件时，在步骤S16中判定为是，处理前进至步骤S17。

[0120] 在步骤S22中，学习部13将通过步骤S22中的学习构筑出的学习模型存储至学习模型存储部14。

[0121] 通过以上说明的动作，学习部13进行将与丙烯酸块40的用途有关的观测条件以及图像数据作为输入数据的监督学习来构筑学习模型。由此，能够在考虑了烧灼图样的观测条件的基础上，构筑用于进行激光的强度分布的良好与否判定的学习模型。

[0122] 此外，上述的动作可以作为用于学习模型的构筑的处理来进行，但是也可以在工厂等中正常维护激光加工机20时来进行。

[0123] 另外，上述监督学习是通过在线学习来进行的，也可以通过批量学习、小批量学习来进行监督学习。

[0124] 在线学习是指在每一次制作训练数据时，立即进行监督学习的学习方法。另外，批量学习是指在重复制作训练数据期间，收集与重复相应的多个训练数据，并使用所收集的全部的训练数据，来进行监督学习的学习方法。进一步，小批量学习是指，在线学习与批量学习的中间的、在每一次积累了某些训练数据时进行监督学习的学习方法。

[0125] 接着，参照图8的流程图，来说明当进行利用了如此构筑出的学习模型的良好与否判定时的动作。

[0126] 在步骤S21中，状态观测部11从拍摄装置30获取拍摄出形成在丙烯酸块40中的烧灼图样的图像数据。状态观测部11针对学习部13输出获取到的图像数据。

[0127] 在步骤S22中，状态观测部11获取与在步骤S11中获取到的图像数据相对应的观测条件。状态观测部11针对学习部13输出获取到的观测条件。此外，步骤S21以及步骤S22也与从步骤S11到步骤S13同样，可以按照不同的顺序来执行，也可以并行地执行。

[0128] 在步骤S23中，学习部13将在步骤S21以及步骤S22中输入的各数据作为输入数据输入至存储在学习模型存储部14中的学习完成的学习模型中。然后，学习部13针对输出提示部15输出对应于该输入的学习模型的输出。

[0129] 输出提示部15将从学习部13输入的学习模型的输出作为良好与否判定的结果提示给用户。

[0130] 通过以上说明的动作，机器学习装置10可以在考虑了烧灼图样的观测条件的基础上，进行针对激光的强度分布的良好与否判定。另外，用户通过参照提示出的良好与否判定的结果，可以判断激光振荡器21内部的反射镜等是否需要交换等。

[0131] 由此，不需要以往由每次进行良好与否判定的用户的目视来进行的判定，就能够自动进行良好与否判定。另外，能够模型化以往暧昧的判定基准，并能够使用数值来表示判定结果。

[0132] ＜第2实施方式＞

[0133] 接下来针对第2实施方式进行说明。此外，对于基本的结构，第1实施方式与第2实施方式是共通的，因此以下针对该共通部分省略重复的说明，并针对第1实施方式与第2实施方式不同的部分进行详细地说明。

[0134] 在上述第1实施方式中，学习部13将形成在丙烯酸块40中的烧灼图样的图像数据作为输入数据来进行了机器学习。也可以对其进行变形，状态观测部11获取针对光束分析仪等的其他的观测单元所观测到的强度分布的数据，学习部13将针对该强度分布的数据作为输入数据来进行机器学习。

[0135] 一般来说，由于工业用CO2激光用的光束分析仪价格昂贵，因此当观测对象为CO2激光时，如第1实施方式所示，使用丙烯酸块40来进行观测。相对于此，当观测对象为YAG激光、光纤激光时，大多由于波长带的不同，无法进行基于丙烯酸块40的观测，还由于接收元件比CO2激光用更加便宜而使用光束分析仪。因此，当观测对象为YAG激光光纤激光时，可以使用本实施方式。

[0136] 光束分析仪的输出成为以下形式：将垂直于激光光束的行进方向(Z方向)的平面(XY平面)分割为多个单元(例如128×128的单元)，并使相当于光强度的数值进入各单元。在本变形例中，状态观测部11获取该光束分析仪的输出与观测条件作为输入数据。由此，即使当观测对象为YAG激光、光纤激光时，也能够构筑用于进行激光的良好与否判定的学习模型。

[0137] 此外，由于在第1实施方式中，根据照射激光的时间的长度不同，烧灼图样的形状也不同，因此将激光的照射时间包含在观测条件中。然而，当使用光束分析仪进行观测时，激光的照射时间的长度不会影响观测结果，因此可以从观测条件中省略激光的照射时间。

[0138] 另外，存在由于光束分析仪的机器种类的不同、设定的不同，XY平面的分割数不同的情况。因此，可以设为在将光束分析仪的输出数据输入学习模型之前进行预处理，并转换为预定的分割数的结构。例如当存在由128×128的单元分割的输出数据与由64×64的单元分割的输出数据时，XY平面可以通过预处理进一步分割由64×64的单元分割的输出数据，来设为128×128的单元。

[0139] 如此，通过在预处理中转换光束分析仪的输出数据的形式，即使当光束分析仪的机器种类、设定不同时，也能够构筑学习模型。

[0140] 另外，在本实施方式中，光束分析仪可以将根据观测结果所生成的3维形状数据的图像作为图像数据来处理，并将该图像数据作为输入数据来进行机器学习。

[0141] ＜硬件与软件的协作＞

[0142] 此外，包含在上述机器学习系统中的各装置分别能够通过硬件、软件或者它们的组合来实现。另外，通过包含在上述机器学习系统中的各装置的各个的协作而进行的机器学习方法也能够通过硬件、软件或者它们的组合来实现。在这里，通过软件来实现是指通过计算机读入程序并执行来实现。

[0143] 能够使用各种各样类型的非暂时性的计算机可读介质(non-transitory computer readable medium)来保存程序，并提供过计算机。非暂时性的计算机可读介质包含各种各样类型的有形的记录介质(tangible storage medium)。非暂时性的计算机可读介质的例子包含磁存储介质(例如，软盘、磁带、硬盘驱动器)、磁光存储介质(例如，磁光盘)、CD-ROM(Read Only Memory：只读存储器)、CD-R、CD-R/W、半导体存储器(例如，掩膜ROM、PROM(Programmable ROM：可编程ROM)、EPROM(Erasable PROM：可擦除PROM)、闪存ROM、RAM(random access memory：随机存取存储器))。另外，程序可以通过各种各样类型的暂时性的计算机可读介质(transitory computer readable medium)来提供给计算机。暂时性的计算机可读介质的例子包含电信号、光信号以及电磁波。暂时性的计算机可读介质能够经由电线以及光纤等的有线通信路、或者无线通信路，将程序提供给计算机。

[0144] ＜实施方式的变形＞

[0145] 另外，上述各实施方式是本发明的优选的实施方式，但是本发明的范围并不仅限定于上述实施方式，可以使用组合了各实施方式的方式、在不脱离本发明的主旨范围内实施了各种各样的变更的方式来进行实施。

[0146] ＜变形例1＞

[0147] 在上述实施方式中，学习部13分别在Cold模式与Hot模式中，将针对从互相正交的X轴、Y轴、Z轴的3方向拍摄了烧灼图样的6张图像的图像数据作为输入数据进行了机器学习。也可以减少该作为输入数据的图像数据的数量。

[0148] 例如，可以在Cold模式与Hot模式的某一个中，将从互相正交的X轴、Y轴、Z轴的3方向拍摄了烧灼图样的3张图像作为输入数据来进行机器学习。

[0149] 另外，也可以设为是混合了如下各种各样情况的结构：“将针对Cold模式的3张图像设为输入数据的情况”、“将针对Hot模式的3张图像设为输入数据的情况”、“针对Cold模式以及Hot模式的6张图像设为输入数据的情况”。当设为像这样的混合的结构时，通过将用于识别包含在输入数据中的是针对Cold模式的图像还是针对Hot模式的图像，或者是针对Cold模式以及Hot模式的图像的信息包含在观测条件中，能够构筑学习模型。

[0150] 或者可以针对各种各样的情况分别一个一个地构筑学习模型。

[0151] ＜变形例2＞

[0152] 在上述各实施方式中，通过单独的装置来实现机器学习装置10、激光加工机20以及拍摄装置30各自具备的功能，但是也可以通过集成装置来实现这些功能的一部分或者全部。

[0153] 另外，1台机器学习装置10可以与多台激光加工机20以及拍摄装置30连接。然后，1台机器学习装置10可以根据分别从多台激光加工机20以及拍摄装置30获取到的训练数据来进行学习。进一步，在上述实施方式中，图示出1台机器学习装置10，但是机器学习装置10可以存在多台。也就是说，机器学习装置10与激光加工机20以及拍摄装置30的关系可以是1对1，也可以是1对多、多对多。

[0154] ＜变形例3＞

[0155] 如变形例2所述，当存在多台机器学习装置10时，可以在与其他的机器学习装置10之间共享机器学习装置10的学习模型存储部14所存储的学习模型。如果在多个机器学习装置10中共享学习模型，则可以在各机器学习装置10中分散进行监督学习，因此可以提高监督学习的效率。

[0156] ＜变形例4＞

[0157] 在上述实施方式中，通过目视了在丙烯酸块40中形成的烧灼图样的用户的判断来决定评价值，但是也可以根据实际上使用了激光的结果来决定评价值。这种情况下，用户在使用拍摄装置30拍摄了丙烯酸块40之后，使用该激光加工机20实际进行激光加工。

[0158] 然后，用户根据该实际进行的激光加工的结果来决定评价值。由此，可以决定更高精度的评价值。

[0159] 在这种情况下，机器学习装置10可以根据通过实际进行的激光加工所加工出的工件的检查结果，自动地决定评价值。由此，例如连接检查所加工的工件是否满足切割表面品质等的基准的检查装置与机器学习装置10。另外，机器学习装置10从检查装置接收检查结果。

[0160] 然后，当机器学习装置10接收到所加工的工件满足切割表面品质等的基准的意思的审查结果时，将评价值设为“良好”。另一方面，当机器学习装置10接收到所加工的工件不满足切割表面品质等的基准的意思的审查结果时，将评价值设为“不好”。由此，可以省略由用户进行的评价值的输入的麻烦。

标题	发布/更新时间	阅读量
辅助鉴定实物商品品牌真伪的方法、装置和电子设备	2020-05-11	270
机器学习装置、机器学习系统以及机器学习方法	2020-05-11	702
一种基于机器学习的GIS图像数据传输方法	2020-05-12	448
基于联邦学习的孤立森林模型构建和预测方法和装置	2020-05-13	907
适用于物流行业的智能单证结构化提取方法	2020-05-13	854
基于深度学习的具有自适应学习率的设备故障诊断方法	2020-05-08	747
基于半监督学习的图片分类方法、装置和计算机设备	2020-05-11	544
一种基于分类模型评估投放权益的方法和装置	2020-05-12	79
基于深度学习的文档自动归类及光学字符识别方法及系统	2020-05-08	424
一种稳态电能质量评级方法	2020-05-12	479

机器学习装置、机器学习系统以及机器学习方法

机器学习装置、机器学习系统以及机器学习方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：