異常検知

本

運営しているクリエイター: Toshi Sugi

「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoder

はじめに機械学習（ML）やディープラーニング（DL）の発展が目覚ましいため、この分野に関心を持っておりました。基礎から学ぶためにAidemyプレミアム（データ分析：6か月）を受講しました。略歴：半導体前工程データ分析（８年）⇒産業用ロボットの故障予知など（5年）背景産業用機器の予兆・異常検知では振動計やモータ電流等を用いた手法が中心です。最近、音を用いた検出技術についても実用化されてきていますが、まだまだ事例が少ないです。従来の異音検査では検査員の勘や経験に頼る部分

「ToyADMOS:異常音検知」：CNN

「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoder の続きです。CNNのコードと実行結果サンプルを以下に示します。概要この例では、CNNをトレーニングします。データセットは、ToyADAMOSのToyCar、Case4、CH１です。このデータセットには、1335 の正常データ、263個の異常データが含まれ、それぞれに 528000 のデータポイントがあります。各例には、0（正常音）または1（異常音）のいずれかのラベルが付けられています。ここ

「ToyADMOS:異常音検知」：AutoEncoder

「ToyADMOS:異常音検知」手法比較：CNN＋DNN と AutoEncoder　の続きです。AutoEncoderのコードと実行結果サンプルを以下に示します。概要この例では、オートエンコーダーをトレーニングして異常を検出します。データセットは、ToyADAMOSのToyCar、Case4、CH１です。このデータセットには、1335 の正常データ、263個の異常データが含まれ、それぞれに 528000 のデータポイントがあります。各例には、0（正常音）または1（

教師なし学習による異常音検知～AutoEncoder色々～

「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoderの続きです。背景CNN（教師あり学習）とAutoEncoder（教師なし学習）を比較した場合、f1-score、Recall（再現率）・Precision（適合率）・学習時間において、CNNがAutoEncoderよりも優れている結果となりました。一方で、異常検知というタスクでは、未知の異常モードが存在するため教師なし学習の方が望ましいです。そのため、教師なし学習AutoEncoderの複数のモデ

異常音検知：ノイズに対するロバスト性の検証（CNN・AutoEncoder）

「ToyADMOS:異常音検知」手法比較：CNN と AutoEncoderと教師なし学習による異常音検知～AutoEncoder色々～続きです。背景　これまでノイズの無いクリアな信号で検証していました。しかし、実環境では周囲から生ずるノイズの影響を無視できません。そのため、ノイズ重畳信号に対する異常検知能力が重要になります。今回は、CNNとAutoEncoderについて、ノイズ重畳信号の正常・異常分類性能を比較します。目的　CNN（教師あり学習）とAutoEncod