ＡI特許調査
事例紹介
信号処理に関する特許調査をしてみた！
テーマ：信号処理に関するAI特許調査
・調査観点
環境音センサーから取得した周囲の騒音特性に基づき、音声認識モデルのフロントエンド処理パラメータを動的に調整する適応型音声認識システムにおいて、騒音特性の時間的変化を追跡する時系列分析部と、騒音パターンを分類する深層学習モデルと、分類結果に基づきノイズ抑制フィルタのパラメータを最適化する制御部を備え、音声認識精度を向上させることを特徴とする音声認識システム。
目的
上記のアイデア（調査観点）に関連する特許を抽出する。
条件
調査対象国：JP
調査資料：特許公報、実用新案公報
調査期間：出願10年
ステータス：生死不問
調査母集合：信号処理とAI（人工知能、機械学習、ディープラーニング、深層学習）に関するもの
作業
- AIを使って、アイデアを生成＆ブラッシュアップ
- AIを使って、アイデアに関連する特許を抽出
- AIを使って、アイデアと抽出公報を対比（詳細評価）
- AIを使って、アイデアと抽出公報を対比（対比表作成）
- AIを使って、アイデアと類似する特許の出願動向分析
- AIを使って、アイデアと類似する技術カテゴリ抽出
目的①
先行技術調査
新規の特許出願を行う前に、類似する既存の特許公報を探す調査です。発明の新規性や進歩性を確認し、特許取得の可能性を判断します。無駄な出願を防ぎ、より強い特許請求範囲の作成に役立ちます。
目的②
侵害予防調査
新製品の開発・販売前に、他社の特許権を侵害していないかを確認する調査です。他社特許に抵触するリスクを事前に把握し、設計変更や回避策の検討、ライセンス交渉の判断材料として活用します。
目的③
無効資料調査
特定の特許の有効性を検証するための調査です。対象特許の出願前に公知となっていた特許公報を探し、新規性や進歩性を否定できる資料を収集します。特許無効審判や侵害訴訟での資料に使用されます。
信号処理 × 事例紹介
Case Study
AIを活用した特許調査を動画とテキストでご紹介！
近年、人工知能（AI）技術の進歩により、特許調査の手法も大きく変化しています。AIを活用した特許調査では、従来の検索式による方法に加え、自然言語処理や機械学習の技術を用いることで、より広範な関連技術の発見や、類似特許の効率的な抽出が可能となっています。
特に、AIによる言語の意味理解や文脈把握により、キーワードだけでは発見が困難だった技術文献の特定や、異なる技術分野での類似発明の発見などで成果を上げています。また、大量の特許文献を短時間で分析し、技術動向の可視化や重要文献の優先度付けなども実現しています。
このような先進的な調査手法の導入により、調査の質と効率が向上し、より効果的な特許戦略の立案が可能となっています。
AIを使って、アイデアを生成＆ブラッシュアップ
AIを活用し、特許出願できそうなアイデアを10件、考えました。
以下の通り、ご報告いたします。
1. マルチモーダルセンサーフュージョン異常検知システム
複数のセンサーから得られた時系列データを入力として受け付け、各センサーデータの特徴抽出を行う第1の畳み込みニューラルネットワークと、抽出された特徴量間の相関関係を学習する第2の深層ニューラルネットワークを備え、正常時のセンサー間相関パターンをベースラインとして、異常発生時の相関パターンの変化を検出し、検出された異常パターンを分類して異常の種類と重要度を判定し、判定結果に基づいて制御装置または監視者に通知を行うことを特徴とする異常検知システム。
・アイデアの特徴
①複数センサーからの時系列データを同時に処理する畳み込みニューラルネットワークによる特徴抽出
②センサー間の相関関係を学習する深層ニューラルネットワークの実装
③正常時のセンサー相関パターンをベースラインとした異常検知
④異常パターンの分類と重要度判定機能
⑤判定結果に基づく通知システムの実装
2. 適応型音声認識前処理システム
環境音センサーから取得した周囲の騒音特性に基づき、音声認識モデルのフロントエンド処理パラメータを動的に調整する適応型音声認識システムにおいて、騒音特性の時間的変化を追跡する時系列分析部と、騒音パターンを分類する深層学習モデルと、分類結果に基づきノイズ抑制フィルタのパラメータを最適化する制御部を備え、音声認識精度を向上させることを特徴とする音声認識システム。
・アイデアの特徴
①環境音センサーによる周囲騒音の特性取得
②騒音特性の時系列分析による変化追跡
③深層学習モデルによる騒音パターン分類
④分類結果に基づくノイズ抑制フィルタの最適化
⑤フロントエンド処理パラメータの動的調整機能
3. 学習効率最適化画像認識システム
入力画像の特徴量分布を分析し、画像の複雑さに応じて認識モデルの計算資源割り当てを動的に制御するシステムにおいて、画像の局所的特徴と大域的特徴を抽出する二重特徴抽出ネットワークと、特徴の複雑さを定量化する複雑度評価部と、複雑度に応じて認識処理の計算深度を調整する制御部を備え、認識精度を維持しながら処理効率を向上させることを特徴とする画像認識システム。
・アイデアの特徴
①局所的特徴と大域的特徴を抽出する二重特徴抽出ネットワーク
②画像特徴の複雑さを定量化する評価機能
③複雑度に基づく計算資源の動的割り当て
④認識処理の計算深度調整機能
⑤処理効率と認識精度のバランス最適化
4. 階層的フィルタ合成システム
画像処理フィルタの特性を階層的に分解し、基本フィルタの組み合わせにより目標とするフィルタ特性を実現するシステムにおいて、フィルタ特性を周波数領域で分析する特性分析部と、基本フィルタライブラリから最適な組み合わせを選択する選択部と、選択されたフィルタの結合パラメータを最適化する調整部を備えることを特徴とするフィルタ合成システム。
・アイデアの特徴
①フィルタ特性の階層的分解機能
②周波数領域での特性分析処理
③基本フィルタライブラリからの最適選択
④フィルタ結合パラメータの最適化
⑤階層的なフィルタ構造の構築機能
5. コンテキスト適応型テキスト生成システム
入力画像から抽出された視覚的特徴と文脈情報を統合し、状況に応じた適切な説明文を生成するシステムにおいて、画像特徴抽出部と文脈理解部を備え、両者の出力を統合して文章構造を決定する構造決定部と、決定された構造に基づき自然な説明文を生成する生成部を含むことを特徴とするテキスト生成システム。
・アイデアの特徴
①画像からの視覚的特徴抽出機能
②文脈情報の理解と処理機能
③特徴量と文脈情報の統合処理
④文章構造の決定メカニズム
⑤自然な説明文の生成機能
6. 群衆行動パターン認識システム
複数のカメラから得られる画像データを用いて、群衆内の個人間の関係性を分析し、グループ行動を特定するシステムにおいて、個人追跡部と、軌跡分析部と、グループ関係推定部を備え、時空間的な行動パターンに基づきグループを特定することを特徴とする行動認識システム。
・アイデアの特徴
①複数カメラからの画像データ統合処理
②個人の位置追跡機能
③軌跡データの時空間分析
④グループ関係性の推定機能
⑤行動パターンに基づくグループ特定
7. 感情反応学習システム
視聴者の感情反応データを収集し、コンテンツの特徴と感情反応の関係性を学習するシステムにおいて、生体情報センサーによる感情状態検出部と、コンテンツ特徴抽出部と、両者の相関関係を学習する学習部を備え、感動を誘発する要素を特定することを特徴とする学習システム。
・アイデアの特徴
①生体情報センサーによる感情状態検出
②コンテンツからの特徴抽出処理
③感情反応とコンテンツ特徴の相関分析
④感動要素の特定機能
⑤学習結果の分析と評価機能
8. 運転特性プロファイリングシステム
車両の運転データから運転者の特徴を抽出し、個人識別を行うシステムにおいて、加速度、ブレーキ、ステアリング操作等の時系列データを入力として受け付け、運転パターンを特徴ベクトルに変換する特徴抽出部と、特徴ベクトルから運転者を識別する識別部を備えることを特徴とする運転者識別システム。
・アイデアの特徴
①運転操作の時系列データ収集機能
②運転パターンの特徴ベクトル変換
③個人特有の運転特性抽出
④運転者識別アルゴリズム
⑤特徴ベクトルのプロファイリング機能
9. センサーフュージョン物体追跡システム
異種センサーから得られるデータを統合し、物体の追跡を行うシステムにおいて、各センサーデータの特性を考慮した重み付け統合を行う統合部と、統合データに基づき物体の位置と動きを予測する予測部と、予測結果の信頼度を評価する評価部を備えることを特徴とする物体追跡システム。
・アイデアの特徴
①異種センサーデータの統合処理
②センサー特性に基づく重み付け機能
③物体位置と動きの予測機能
④予測結果の信頼度評価
⑤追跡精度の最適化機能
10. 増分学習ネットワーク最適化システム
既存の学習済みネットワークに新しいタスクを追加学習させるシステムにおいて、既存ネットワークの構造を維持しながら新規ノードを追加する構造拡張部と、既存機能を保持しつつ新規機能を獲得する学習制御部と、計算資源を効率的に配分する最適化部を備えることを特徴とするネットワーク学習システム。
・アイデアの特徴
①既存ネットワーク構造の維持機能
②新規ノードの追加メカニズム
③既存機能の保持と新規機能の獲得
④学習過程の制御機能
⑤計算資源の効率的配分機能
AIを使って、アイデアに関連する特許を抽出
以下のアイデアに関連する特許公報を8件抽出しました。
以下の通り、報告いたします。
・アイデア（調査観点、請求項案）
環境音センサーから取得した周囲の騒音特性に基づき、音声認識モデルのフロントエンド処理パラメータを動的に調整する適応型音声認識システムにおいて、騒音特性の時間的変化を追跡する時系列分析部と、騒音パターンを分類する深層学習モデルと、分類結果に基づきノイズ抑制フィルタのパラメータを最適化する制御部を備え、音声認識精度を向上させることを特徴とする音声認識システム。
■技術的特徴
上記のアイデアの技術的特徴は以下の通りです：
①環境音センサーから周囲の騒音特性を取得する
②騒音特性の時間的変化を追跡する時系列分析部を備える
③騒音パターンを分類する深層学習モデルを備える
④分類結果に基づきノイズ抑制フィルタのパラメータを最適化する制御部を備える
⑤音声認識モデルのフロントエンド処理パラメータを動的に調整する
1.関連公報の抽出結果
- 公報番号：JP2018146683（出願日：2017-03-02、公開日：2018-09-20、出願人：日本電信電話株式会社、名称：信号処理装置、信号処理方法及び信号処理プログラム）
- 公報番号：JPWO2022162878（出願日：2021-01-29、公開日：2022-08-04、出願人：日本電信電話株式会社、名称：信号処理装置、信号処理方法、信号処理プログラム、学習装置、学習方法及び学習プログラム）
- 公報番号：JPWO2019220532（出願日：2018-05-15、公開日：2021-05-20、出願人：日本電気株式会社、名称：パターン認識装置、パターン認識方法及びパターン認識プログラム）
- 公報番号：JP2019028390（出願日：2017-08-03、公開日：2019-02-21、出願人：日本電信電話株式会社、名称：信号処理装置、事例モデル生成装置、照合装置、信号処理方法及び信号処理プログラム）
- 公報番号：JP2022008928（出願日：2021-10-07、公開日：2022-01-14、出願人：日本電気株式会社、名称：信号処理システム、信号処理装置、信号処理方法、およびプログラム）
- 公報番号：JPWO2021166034（出願日：2020-02-17、公開日：2021-08-26、出願人：日本電気株式会社、名称：音声認識装置、音響モデル学習装置、音響モデル学習方法、及びプログラム）
- 公報番号：JPWO2021001998（出願日：2019-07-04、公開日：2021-01-07、出願人：日本電気株式会社、名称：音モデル生成装置、音信号処理システム、音モデル生成方法、およびプログラム）
- 公報番号：JPWO2023157207（出願日：2022-02-18、公開日：2023-08-24、出願人：日本電信電話株式会社、名称：信号解析システム、信号解析方法及びプログラム）
2.特徴別の該否結果
上記で抽出した特許公報8件について、アイデアの特徴5点に関する該否結果をまとめました。
※評価基準：〇（特徴の要件を全て含む）、△（特徴の要件を一部含む）、×（特徴の要件を一つも含まない）
| 公報番号(出願人) | 類似度(%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JP2018146683(NTT) | 90 | 〇 | 〇 | 〇 | 〇 | 〇 |
| JPWO2022162878(NTT) | 85 | 〇 | 〇 | 〇 | △ | 〇 |
| JPWO2019220532(NEC) | 80 | 〇 | 〇 | 〇 | △ | 〇 |
| JP2019028390(NTT) | 75 | 〇 | 〇 | △ | 〇 | 〇 |
| JP2022008928(NEC) | 70 | △ | 〇 | 〇 | △ | 〇 |
| JPWO2021166034(NEC) | 65 | △ | × | 〇 | △ | 〇 |
| JPWO2021001998(NEC) | 60 | △ | × | 〇 | × | △ |
| JPWO2023157207(NTT) | 55 | △ | × | 〇 | × | △ |
3.抽出公報の詳細レビュー
■1件目：類似度 90%
- 公開番号：JP2018146683
- 出願日：2017-03-02
- 公開日：2018-09-20
- 出願人：日本電信電話株式会社
- 名称：信号処理装置、信号処理方法及び信号処理プログラム
- 結果：類似度90%、①〇、②〇、③〇、④〇、⑤〇
- 要点：（産業分野）音声信号処理。（課題）観測信号と、それを構成し得るクリーン音声と雑音及び残響との組が一対多である対応関係を適切に扱い、正確にクリーン音声特徴量を取得すること。（解決手段）観測信号から観測信号特徴量を計算し、ニューラルネットワークを用いてクリーン音声特徴量の分布を推定し、その分布と観測信号特徴量を基にクリーン音声特徴量の最適推定値を計算する。（効果・特徴）観測信号から雑音特性を適切に分析し、音声信号の品質を向上させることができる。
- 公報リンク：https://patents.google.com/patent/JP2018146683A
〇特徴別の該否結果と判定理由
①環境音センサーから周囲の騒音特性を取得する：〇
※判定理由：観測信号から雑音特性を取得する構成が記載されている。
②騒音特性の時間的変化を追跡する時系列分析部を備える：〇
※判定理由：観測信号の時系列特徴量を計算する構成が記載されている。
③騒音パターンを分類する深層学習モデルを備える：〇
※判定理由：ニューラルネットワークを用いて信号特徴量の分布を推定する構成が記載されている。
④分類結果に基づきノイズ抑制フィルタのパラメータを最適化する制御部を備える：〇
※判定理由：推定された特徴量分布に基づいて最適なパラメータを計算する構成が記載されている。
⑤音声認識モデルのフロントエンド処理パラメータを動的に調整する：〇
※判定理由：観測信号特徴量に基づいて処理パラメータを動的に調整する構成が記載されている。
■2件目：類似度 85%
- 公開番号：JPWO2022162878
- 出願日：2021-01-29
- 公開日：2022-08-04
- 出願人：日本電信電話株式会社
- 名称：信号処理装置、信号処理方法、信号処理プログラム、学習装置、学習方法及び学習プログラム
- 結果：類似度85%、①〇、②〇、③〇、④△、⑤〇
- 要点：（産業分野）音声信号処理。（課題）実マイクの観測信号から仮想マイクの観測信号を精度よく推定すること。（解決手段）ニューラルネットワークを用いた深層学習モデルにより、入力された実マイクの観測信号から仮想マイクの観測信号を推定する。（効果・特徴）実環境での音声認識性能を向上させることができる。
- 公報リンク：https://patents.google.com/patent/JPWO2022162878A1
〇特徴別の該否結果と判定理由
①環境音センサーから周囲の騒音特性を取得する：〇
※判定理由：実マイクから観測信号を取得する構成が記載されている。
②騒音特性の時間的変化を追跡する時系列分析部を備える：〇
※判定理由：観測信号の時系列的な変化を追跡する構成が記載されている。
③騒音パターンを分類する深層学習モデルを備える：〇
※判定理由：深層学習モデルを用いて信号の特徴を学習する構成が記載されている。
④分類結果に基づきノイズ抑制フィルタのパラメータを最適化する制御部を備える：△
※判定理由：推定結果に基づく処理は記載されているが、具体的なフィルタパラメータの最適化については明確な記載がない。
⑤音声認識モデルのフロントエンド処理パラメータを動的に調整する：〇
※判定理由：観測信号に応じて処理パラメータを動的に調整する構成が記載されている。
■3件目：類似度 80%
- 公開番号：JPWO2019220532
- 出願日：2018-05-15
- 公開日：2021-05-20
- 出願人：日本電気株式会社
- 名称：パターン認識装置、パターン認識方法及びパターン認識プログラム
- 結果：類似度80%、①〇、②〇、③〇、④△、⑤〇
- 要点：（産業分野）音声信号処理。（課題）信号の伝達パスによる影響に頑健で、より高い精度でのパターン認識を実現すること。（解決手段）学習用信号と伝達パス情報を用いてモデルを作成し、入力信号と伝達パス情報を入力としてパターン認識を行う。（効果・特徴）環境変化に対して頑健な認識が可能となる。
- 公報リンク：https://patents.google.com/patent/JPWO2019220532A1
〇特徴別の該否結果と判定理由
①環境音センサーから周囲の騒音特性を取得する：〇
※判定理由：入力信号から環境特性を取得する構成が記載されている。
②騒音特性の時間的変化を追跡する時系列分析部を備える：〇
※判定理由：伝達パスの時間変化を追跡する構成が記載されている。
③騒音パターンを分類する深層学習モデルを備える：〇
※判定理由：学習モデルを用いてパターン認識を行う構成が記載されている。
④分類結果に基づきノイズ抑制フィルタのパラメータを最適化する制御部を備える：△
※判定理由：認識結果に基づく処理は記載されているが、具体的なフィルタパラメータの最適化については明確な記載がない。
⑤音声認識モデルのフロントエンド処理パラメータを動的に調整する：〇
※判定理由：環境に応じて処理パラメータを動的に調整する構成が記載されている。
4.総括（考察・コメント）
1.産業分野の比較：
・アイデアと抽出公報は、いずれも音声信号処理分野、特に環境騒音に対応した音声認識技術に関するものである。
・抽出公報の多くは音声信号のノイズ除去や特徴量抽出に焦点を当てているが、アイデアはより包括的な適応型システムを提案している。
2.課題の比較：
・抽出公報は主に特定の騒音環境下での音声認識精度向上を課題としている。
・アイデアは、騒音特性の動的変化への対応から認識精度向上までを含む総合的なシステム化を課題としており、より発展的である。
3.解決手段の比較：
・抽出公報は、特定の信号処理手法や学習モデルの使用による解決を図っている。
・アイデアは、時系列分析、深層学習、適応制御を組み合わせた総合的なアプローチを採用しており、既存技術とは異なる。
・特に、技術的特徴②（時系列分析部）と④（パラメータ最適化制御部）の組み合わせは、多くの抽出公報では明確に記載されていない特徴である。
新規性や進歩性に関する意見やアドバイスを得るためには、弁理士などの専門家に相談することをお勧めします。
AIを使って、アイデアと抽出公報を対比（詳細評価）
アイデアの特徴①②③④⑤と抽出公報を対比、評価しました。
以下の通り、ご報告いたします。
・アイデアの特徴
①環境音センサーから周囲の騒音特性を取得する
②騒音特性の時間的変化を追跡する時系列分析部を備える
③騒音パターンを分類する深層学習モデルを備える
④分類結果に基づきノイズ抑制フィルタのパラメータを最適化する制御部を備える
⑤音声認識モデルのフロントエンド処理パラメータを動的に調整する
・抽出公報
公報番号：JP2018146683
出願日：2017-03-02
公開日：2018-09-20
出願人：日本電信電話株式会社
名称：信号処理装置、信号処理方法及び信号処理プログラム
・該否結果
| 公報番号(出願人) | 類似度 (%) | ① | ② | ③ | ④ | ⑤ |
|---|---|---|---|---|---|---|
| JP2018146683(NTT) | 60% | 〇 | × | △ | △ | △ |
特徴①と抽出公報との比較
・該否結果：〇
・特徴①に対応する箇所と内容：
「入力を受け付けた観測信号から観測信号特徴量を計算する特徴量計算部」（請求項1）
・補足：
特徴①は環境音センサーから騒音特性を取得することですが、抽出公報Ⅰでは観測信号から特徴量を計算する構成が記載されており、環境音の取得に相当する内容が示されています。
特徴②と抽出公報との比較
・該否結果：×
・特徴②に対応する箇所と内容：
関連する記載無し
・補足：
特徴②は騒音特性の時間的変化を追跡する時系列分析に関するものですが、抽出公報Ⅰには時系列分析に関する具体的な記載はありません。
特徴③と抽出公報との比較
・該否結果：△
・特徴③に対応する箇所と内容：
「ニューラルネットワークを用いてクリーン音声特徴量の分布を推定するクリーン音声特徴量分布推定部」（請求項1）
・補足：
特徴③は騒音パターンを分類する深層学習モデルに関するものですが、抽出公報Ⅰではニューラルネットワークを用いる点は一致するものの、騒音パターンの分類ではなく音声特徴量の分布推定に使用される点が異なります。
特徴④と抽出公報との比較
・該否結果：△
・特徴④に対応する箇所と内容：
「クリーン音声特徴量の分布と前記観測信号特徴量とを基に、クリーン音声特徴量の最適推定値を計算するクリーン音声特徴量計算部」（請求項1）
・補足：
特徴④はノイズ抑制フィルタのパラメータ最適化に関するものですが、抽出公報Ⅰでは最適推定値の計算は行うものの、具体的なノイズ抑制フィルタのパラメータ最適化には言及していません。
特徴⑤と抽出公報との比較
・該否結果：△
・特徴⑤に対応する箇所と内容：
「観測信号特徴量を基にニューラルネットワークを用いてクリーン音声特徴量の分布を推定する」（請求項1）
・補足：
特徴⑤は音声認識モデルのフロントエンド処理パラメータの動的調整に関するものですが、抽出公報Ⅰでは音声特徴量の推定は行うものの、具体的なフロントエンド処理パラメータの動的調整には言及していません。
総括
1.産業分野の比較：
両者とも音声信号処理の分野に属しており、特に環境音や騒音に対する信号処理技術という点で共通しています。ただし、アイデアはより騒音制御に特化している一方、抽出公報は音声特徴量の推定に焦点を当てています。
2.課題の比較：
抽出公報は観測信号からクリーン音声特徴量を正確に取得することを課題としているのに対し、アイデアは環境騒音の動的な制御と音声認識の最適化を課題としており、アプローチが異なります。
3.解決手段の比較：
抽出公報はニューラルネットワークを用いた音声特徴量の分布推定という手段を採用していますが、アイデアは時系列分析や深層学習による騒音パターン分類、動的パラメータ調整など、より包括的な騒音制御システムを提案しています。
AIを使って、アイデアと抽出公報を対比（対比表作成）
以下は、アイデアの特徴と抽出公報に関して対比表にまとめたものです：
■アイデアの特徴と抽出公報との対比表
| 特徴 | 記載箇所 | 記載内容（抽出公報から転記） | 一致点 | 相違点 | 類似度 |
|---|---|---|---|---|---|
| ①環境音センサーから騒音特性を取得 | 請求項1 | 入力を受け付けた観測信号から観測信号特徴量を計算する特徴量計算部 | 信号から特徴量を取得する基本構成 | 具体的なセンサーの種類への言及なし | 高い |
| ②騒音特性の時間的変化を追跡する時系列分析部 | - | 関連する記載なし | なし | 時系列分析に関する記載がない | 低い |
| ③騒音パターンを分類する深層学習モデル | 請求項1 | ニューラルネットワークを用いてクリーン音声特徴量の分布を推定する | ニューラルネットワークの使用 | 用途が異なる（分類vs推定） | 中程度 |
| ④ノイズ抑制フィルタのパラメータ最適化 | 請求項1 | クリーン音声特徴量の分布と前記観測信号特徴量とを基に、クリーン音声特徴量の最適推定値を計算する | 最適化処理を含む | 具体的なフィルタパラメータへの言及なし | 中程度 |
| ⑤音声認識モデルのフロントエンド処理パラメータの動的調整 | 請求項1 | 観測信号特徴量を基にニューラルネットワークを用いてクリーン音声特徴量の分布を推定する | 信号処理パラメータの調整 | フロントエンド処理の具体的な調整方法の記載なし | 中程度 |
■総括（考察、コメント）
- 基本技術アプローチ：
両者とも音声信号処理における特徴量の取得と処理に関する技術を扱っており、基本的なアプローチには共通点があります。 - 機械学習の活用：
両者ともニューラルネットワークを活用していますが、その用途が異なります。アイデアは騒音パターンの分類に、抽出公報は音声特徴量の分布推定に焦点を当てています。 - 時系列処理の違い：
アイデアは時系列分析を明確に含むのに対し、抽出公報にはその観点が欠けており、これが大きな技術的差異となっています。 - パラメータ最適化：
両者とも最適化の概念を含んでいますが、アイデアはより具体的にノイズ抑制フィルタのパラメータ最適化を指定しているのに対し、抽出公報はより一般的な最適推定値の計算に留まっています。 - 実用性の観点：
アイデアの方が実際の環境音処理に特化した具体的な実装方法を示しており、より実用的なアプローチを取っていると考えられます。
総じて、基本的な技術要素では一部の重複が見られるものの、具体的な実装方法や技術的アプローチには明確な違いがあり、両者は異なる技術的特徴を有していると評価できます。
AIを使って、アイデアと類似する特許の出願動向分析
本テーマに関連する特許出願について、出願年,出願人等の観点で分析しました。
1-1. 出願年別の傾向分析:
| 出願年 | 件数 | 主な技術トレンド |
|---|---|---|
| 2015年 | 2件 | 機械学習モデルの最適化、音声合成パラメータ予測 |
| 2016年 | 5件 | 機械学習のハードウェア実装、音声合成、対話行為推定 |
| 2017年 | 6件 | 音声信号処理、熱変位補正、画像処理 |
| 2018年 | 8件 | 音響モデル学習、パターン認識、異常検出 |
| 2019年 | 8件 | 画像認識、音声処理、ニューラルネットワーク |
| 2020年 | 12件 | データ処理、機械学習システム、信号処理 |
| 2021年 | 14件 | 医用画像処理、外観検査、情報処理 |
| 2022年 | 10件 | 画像処理、機械学習の効率化、センサデータ処理 |
| 2023年 | 5件 | データ判定、情報処理システム |
・補足説明
2020年以降、出願件数が増加傾向にあり、特に2021年がピークとなっています。技術トレンドとしては、画像・音声処理といった従来からの応用分野に加え、医用画像や外観検査など産業応用分野への展開が進んでいます。また、機械学習モデルの効率化や軽量化に関する技術も増加しており、実用化に向けた取り組みが活発化していることが分かります。
1-2. 主要出願人別の技術領域:
| 出願人 | 件数 | 主な技術領域 |
|---|---|---|
| 日本電信電話 | 12件 | 音声処理、信号処理、パターン認識 |
| 富士フイルム | 8件 | 医用画像処理、機械学習システム |
| キヤノン | 7件 | 画像処理、情報処理 |
| ソニーグループ | 7件 | 情報処理、センサデータ処理 |
| 日本電気 | 6件 | 音声認識、データ処理 |
| 三菱電機 | 5件 | ニューラルネットワーク、多言語処理 |
| ファナック | 4件 | 機械学習モデル、熱変位補正 |
| その他 | 51件 | 画像認識、異常検出など |
・補足説明
大手電機メーカーや通信事業者が主要な出願人となっており、各社の事業領域に応じた技術開発が進められています。特に日本電信電話は音声・信号処理分野で、富士フイルムは医療分野で多くの出願を行っています。また、製造業のファナックは産業機器向けの応用技術を中心に出願しており、業界特性に応じた技術開発の傾向が見られます。
1-3. 技術分野別の分類:
| 技術分野 | 件数 | 主な特徴 |
|---|---|---|
| 画像処理 | 25件 | 物体認識、セグメンテーション、超解像 |
| 音声・音響処理 | 18件 | 音声合成、音声認識、音響モデル |
| 機械学習基盤 | 15件 | モデル最適化、学習効率化、軽量化 |
| 信号処理 | 12件 | 特徴抽出、ノイズ除去、パターン認識 |
| 産業応用 | 10件 | 外観検査、熱変位補正、制御システム |
| 医療応用 | 8件 | 医用画像診断、病変検出 |
| センサ応用 | 7件 | データ処理、センサフュージョン |
| その他 | 5件 | 対話システム、多言語処理など |
・補足説明
画像処理と音声・音響処理が主要な技術分野となっており、これらの分野では深層学習技術の活用が進んでいます。また、機械学習基盤技術の開発も活発で、特にモデルの効率化や軽量化に関する技術が増加しています。産業応用や医療応用といった専門分野への展開も進んでおり、実用化に向けた技術開発が進められています。
1-4. 技術課題別の分類:
| 技術課題 | 件数 | 主なアプローチ |
|---|---|---|
| 精度向上 | 35件 | モデル構造最適化、学習データ拡充 |
| 処理効率化 | 25件 | モデル軽量化、演算最適化 |
| 汎用性向上 | 15件 | ドメイン適応、転移学習 |
| リソース最適化 | 12件 | メモリ削減、計算コスト削減 |
| ロバスト性向上 | 8件 | ノイズ対策、データ品質改善 |
| 学習効率化 | 5件 | 学習アルゴリズム改善、データ選択 |
・補足説明
精度向上が最も多い技術課題となっていますが、それと同時に処理効率化やリソース最適化に関する技術開発も活発に行われています。特に実用化に向けては、精度と効率のバランスを取ることが重要な課題となっており、様々なアプローチで解決が図られています。また、汎用性向上やロバスト性向上など、実環境での利用を意識した技術開発も増加しています。
1-5. 総括
本分析から、機械学習関連の特許出願は2020年以降特に活発化しており、画像処理や音声処理を中心に、産業応用や医療応用など幅広い分野で技術開発が進められていることが分かります。技術的な特徴としては、深層学習技術の活用が進む一方で、モデルの効率化や軽量化、実環境での利用を意識したロバスト性向上など、実用化に向けた技術開発が重要視されています。また、大手企業を中心に各社の事業領域に応じた特徴的な技術開発が行われており、機械学習技術の産業応用が着実に進展していることが示唆されます。今後は、さらなる精度向上と実用化に向けた課題解決が進むと予想されます。
特許出願の内容を出願年,出願人の観点から分析しました。
特許出願の内容を複数の観点から分析
2-1. 技術分野による分類
| 技術分野 | 特徴的な出願内容 | 件数 |
|---|---|---|
| 機械学習基盤技術 | ニューラルネットワークアーキテクチャ、モデル最適化、学習方法 | 28件 |
| 画像処理/認識 | 物体検出、セグメンテーション、超解像、デモザイク | 24件 |
| 音声処理/認識 | 音声合成、話者認識、音響モデル学習 | 18件 |
| 制御/ロボティクス | 自動運転、産業機器制御、ロボット制御 | 12件 |
| センサ/信号処理 | センサデータ解析、信号処理、異常検知 | 10件 |
| セキュリティ/プライバシー | データ保護、暗号化、認証 | 8件 |
補足説明：技術分野の分析から、機械学習基盤技術と画像処理/認識分野が全体の約5割を占めており、特にニューラルネットワークアーキテクチャの改良や効率的な学習方法、高精度な物体検出や画像認識に関する研究開発が活発であることが分かります。音声処理分野も一定の割合を占めており、音声合成や音響モデル学習の技術革新が進んでいることが見て取れます。
2-2. 産業分野による分類
| 産業分野 | 応用例 | 該当特許数 |
|---|---|---|
| 自動車/運輸 | 自動運転、運転者行動予測、交通監視 | 15件 |
| 製造/産業機器 | 品質検査、工程制御、異常検知 | 22件 |
| ヘルスケア/医療 | 医用画像診断、生体信号処理 | 12件 |
| IT/通信 | 画像/音声処理、データ分析 | 35件 |
| セキュリティ | 認証、監視システム | 8件 |
| 農業/環境 | 圃場管理、環境モニタリング | 8件 |
補足説明：産業分野の分析からは、IT/通信分野での応用が最も多く、次いで製造/産業機器分野での活用が目立ちます。自動車産業でも機械学習技術の活用が進んでおり、特に自動運転や運転支援システムへの応用が注目されています。また医療分野でも画像診断支援など、高度な判断を要する領域での活用が増加しています。
2-3. 製品分野による分類
| 製品分野 | 具体例 | 件数 |
|---|---|---|
| 組込みシステム | センサ制御、信号処理装置 | 25件 |
| ソフトウェア | 機械学習フレームワーク、分析ツール | 30件 |
| 医療機器 | 画像診断装置、生体信号処理装置 | 12件 |
| 検査/測定機器 | 外観検査装置、品質管理システム | 18件 |
| 車載システム | 運転支援、車両制御 | 15件 |
補足説明：製品分野の分析では、ソフトウェアと組込みシステムが主要な応用分野となっています。特に、機械学習モデルを効率的に実装・運用するためのフレームワークや、センサデータの処理に特化したシステムの開発が活発です。また、医療機器や検査機器など、高い信頼性が要求される製品分野でも機械学習技術の導入が進んでいます。
2-4. 技術背景による分類
| 技術背景 | 内容 | 関連特許数 |
|---|---|---|
| 処理性能向上 | 推論速度の向上、リソース効率化 | 28件 |
| 精度向上 | 認識精度・予測精度の改善 | 35件 |
| 自動化・省力化 | 作業自動化、人的作業の削減 | 20件 |
| 適応性向上 | 環境変化への対応、ロバスト性向上 | 17件 |
補足説明：技術背景の分析からは、精度向上と処理性能向上が主要な課題となっていることが分かります。特に、リソース制約のある環境での効率的な処理と、高い認識・予測精度の両立が重要なテーマとなっています。また、様々な環境変化に適応可能なロバストな技術の開発も進んでいます。
2-9. 総括
本分析から、機械学習技術の特許出願において以下のような傾向が見られます。まず、基盤技術としてのニューラルネットワークの改良や最適化に関する研究が活発に行われており、特に処理効率と精度向上の両立が重要な課題となっています。応用分野としては、IT/通信分野を中心に、製造業、自動車産業、医療分野など幅広い産業での活用が進んでおり、特に画像処理・認識技術と音声処理技術の実用化が著しく進展しています。また、組込みシステムやエッジコンピューティング向けの軽量化・効率化技術の開発も注目されており、実用化に向けた取り組みが加速していることが分かります。
AIを使って、アイデアと類似する技術カテゴリ抽出
本テーマに関連する特許について、技術要素等をカテゴライズしました。
| 大カテゴリ | 中カテゴリ | 小カテゴリ | 説明 |
|---|---|---|---|
| 1. ニューラルネットワーク基盤技術 | 1.1 アーキテクチャ設計 | 1.1.1 自動構築 | ベイジアングラフ探索を用いたネットワーク構造の自動最適化 |
| 1.1.2 階層化設計 | 複数の階層化されたDNNブロックによる効率的な構造設計 | ||
| 1.1.3 軽量化設計 | パラメータ圧縮や枝刈りによるネットワークの軽量化 | ||
| 1.2 学習最適化 | 1.2.1 損失関数設計 | 目的に応じた最適な損失関数の設計と調整 | |
| 1.2.2 パラメータ調整 | 重みやバイアスなどのパラメータの最適化手法 | ||
| 1.2.3 学習率制御 | 学習の収束性を高める学習率のスケジューリング | ||
| 1.3 推論処理 | 1.3.1 高速化手法 | 推論処理の計算効率を向上させる手法 | |
| 1.3.2 省メモリ化 | メモリ使用量を抑制する最適化技術 | ||
| 1.3.3 精度向上 | 推論精度を向上させるための手法 | ||
| 2. データ処理技術 | 2.1 前処理 | 2.1.1 ノイズ除去 | 入力データのノイズを除去する技術 |
| 2.1.2 正規化 | データの正規化や標準化処理 | ||
| 2.1.3 特徴抽出 | 効果的な特徴量の抽出手法 | ||
| 2.2 データ拡張 | 2.2.1 データ生成 | 人工的なデータを生成する技術 | |
| 2.2.2 データ変換 | データの変換や拡張処理 | ||
| 2.2.3 ラベル付与 | 教師データのラベル付与手法 | ||
| 2.3 データ管理 | 2.3.1 データ圧縮 | 学習データの効率的な圧縮手法 | |
| 2.3.2 データ選択 | 効果的な学習データの選択手法 | ||
| 2.3.3 データ検証 | データの品質を検証する手法 | ||
| 3. 応用領域 | 3.1 画像認識 | 3.1.1 物体検出 | 画像内の物体を検出する技術 |
| 3.1.2 セグメンテーション | 画像の領域分割技術 | ||
| 3.1.3 特徴マッチング | 画像特徴の照合技術 | ||
| 3.2 音声処理 | 3.2.1 音声認識 | 音声を認識してテキスト化する技術 | |
| 3.2.2 音声合成 | テキストから音声を生成する技術 | ||
| 3.2.3 音声変換 | 音声の特徴を変換する技術 | ||
| 3.3 信号処理 | 3.3.1 波形解析 | 信号波形を解析する技術 | |
| 3.3.2 パターン認識 | 信号パターンを認識する技術 | ||
| 3.3.3 ノイズ処理 | 信号のノイズを処理する技術 | ||
| 4. システム構成 | 4.1 分散処理 | 4.1.1 並列計算 | 複数の処理を並列実行する技術 |
| 4.1.2 負荷分散 | 処理負荷を分散させる技術 | ||
| 4.1.3 同期制御 | 分散処理間の同期を制御する技術 | ||
| 4.2 メモリ管理 | 4.2.1 キャッシュ制御 | キャッシュメモリの効率的な利用技術 | |
| 4.2.2 メモリ割当 | メモリリソースの効率的な割当手法 | ||
| 4.2.3 メモリ解放 | 不要メモリの効率的な解放手法 | ||
| 4.3 入出力制御 | 4.3.1 データ入力 | 効率的なデータ入力処理技術 | |
| 4.3.2 結果出力 | 処理結果の効率的な出力技術 | ||
| 4.3.3 インタフェース | 外部とのインタフェース制御技術 | ||
| 5. 評価・検証 | 5.1 性能評価 | 5.1.1 精度評価 | モデルの認識精度を評価する手法 |
| 5.1.2 速度評価 | 処理速度を評価する手法 | ||
| 5.1.3 リソース評価 | 計算資源の使用効率を評価する手法 | ||
| 5.2 品質保証 | 5.2.1 異常検知 | 異常な動作を検知する技術 | |
| 5.2.2 動作検証 | モデルの動作を検証する技術 | ||
| 5.2.3 安定性評価 | システムの安定性を評価する手法 | ||
| 5.3 改善手法 | 5.3.1 フィードバック | 評価結果に基づく改善手法 | |
| 5.3.2 パラメータ調整 | パラメータの最適化手法 | ||
| 5.3.3 構造最適化 | モデル構造の最適化手法 | ||
| 6. セキュリティ | 6.1 データ保護 | 6.1.1 暗号化 | データの暗号化技術 |
| 6.1.2 アクセス制御 | データへのアクセスを制御する技術 | ||
| 6.1.3 匿名化 | 個人情報を保護する技術 | ||
| 6.2 攻撃対策 | 6.2.1 異常検知 | 不正アクセスを検知する技術 | |
| 6.2.2 防御手法 | 攻撃から防御する技術 | ||
| 6.2.3 復旧手法 | 障害から回復する技術 | ||
| 6.3 認証管理 | 6.3.1 ユーザ認証 | ユーザを認証する技術 | |
| 6.3.2 権限管理 | アクセス権限を管理する技術 | ||
| 6.3.3 監査追跡 | システムの利用状況を追跡する技術 | ||
| 7. 運用管理 | 7.1 リソース管理 | 7.1.1 CPU管理 | CPU資源を管理する技術 |
| 7.1.2 GPU管理 | GPU資源を管理する技術 | ||
| 7.1.3 メモリ管理 | メモリ資源を管理する技術 | ||
| 7.2 性能監視 | 7.2.1 負荷監視 | システム負荷を監視する技術 | |
| 7.2.2 性能分析 | システム性能を分析する技術 | ||
| 7.2.3 障害検知 | システム障害を検知する技術 | ||
| 7.3 保守管理 | 7.3.1 バックアップ | データをバックアップする技術 | |
| 7.3.2 更新管理 | システムを更新する技術 | ||
| 7.3.3 障害復旧 | 障害から復旧する技術 | ||
| 8. 標準化・規格 | 8.1 インタフェース | 8.1.1 API設計 | プログラミングインタフェースの設計 |
| 8.1.2 データフォーマット | データ形式の標準化 | ||
| 8.1.3 通信プロトコル | 通信方式の標準化 | ||
| 8.2 品質基準 | 8.2.1 性能要件 | システム性能の基準 | |
| 8.2.2 信頼性要件 | システム信頼性の基準 | ||
| 8.2.3 安全性要件 | システム安全性の基準 | ||
| 8.3 準拠規格 | 8.3.1 技術規格 | 技術面の規格準拠 | |
| 8.3.2 運用規格 | 運用面の規格準拠 | ||
| 8.3.3 セキュリティ規格 | セキュリティ面の規格準拠 |
\
AI特許調査
お問い合わせください
/
特許調査にAIを活用した新しい手法をご紹介しています。
自然言語処理や機械学習による効率的な文献探索、技術動向分析など、
具体的な活用方法について、ご不明な点やより詳しい情報が必要な際は、
お気軽にお問い合わせください。専門スタッフが丁寧にご説明いたします。
