マガジンのカバー画像

異常検知

5
本
運営しているクリエイター
Toshi Sugi

#autoencoder

「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

Toshi Sugi

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

Toshi Sugi

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

Toshi Sugi