JP3148040B2 - 教師信号作成装置および画像認識装置 - Google Patents
教師信号作成装置および画像認識装置Info
- Publication number
- JP3148040B2 JP3148040B2 JP06398393A JP6398393A JP3148040B2 JP 3148040 B2 JP3148040 B2 JP 3148040B2 JP 06398393 A JP06398393 A JP 06398393A JP 6398393 A JP6398393 A JP 6398393A JP 3148040 B2 JP3148040 B2 JP 3148040B2
- Authority
- JP
- Japan
- Prior art keywords
- image data
- teacher signal
- image
- contour
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、各種の画像データを認
識する場合に利用される教師信号作成装置および画像認
識装置に係わり、特に曖昧さを含む基準用サンプル画像
データから信頼性の高い教師信号を作成するとともに、
その教師信号を用いて被認識画像データを適切に画像認
識する技術を設けた教師信号作成装置および画像認識装
置に関する。
識する場合に利用される教師信号作成装置および画像認
識装置に係わり、特に曖昧さを含む基準用サンプル画像
データから信頼性の高い教師信号を作成するとともに、
その教師信号を用いて被認識画像データを適切に画像認
識する技術を設けた教師信号作成装置および画像認識装
置に関する。
【０００２】
【従来の技術】従来、撮像デバイスを用いて基準となる
べき被写体画像を撮像した後、所定の走査を行って撮像
データを順次読み出してサンプル画像データ記憶部など
にサンプル記憶する。しかる後、サンプル画像データ記
憶部からサンプル画像データを読み取って画像前処理，
つまり機械的な画像処理である二値化処理を行い、前記
被写体画像の輪郭を表す輪郭画像データを取り出す構成
となっている。
べき被写体画像を撮像した後、所定の走査を行って撮像
データを順次読み出してサンプル画像データ記憶部など
にサンプル記憶する。しかる後、サンプル画像データ記
憶部からサンプル画像データを読み取って画像前処理，
つまり機械的な画像処理である二値化処理を行い、前記
被写体画像の輪郭を表す輪郭画像データを取り出す構成
となっている。
【０００３】このとき、例えば輪郭がぼんやりしている
曖昧さをもった被写体画像などの場合、機械的な二値化
処理を行ったとしても、被写体画像の輪郭の一部が欠落
したり、輪郭相当部分以外の部分に被写体画像の輪郭と
思われる部分が表れたりし、輪郭画像データとしては不
備な部分を含んだものとなる。
曖昧さをもった被写体画像などの場合、機械的な二値化
処理を行ったとしても、被写体画像の輪郭の一部が欠落
したり、輪郭相当部分以外の部分に被写体画像の輪郭と
思われる部分が表れたりし、輪郭画像データとしては不
備な部分を含んだものとなる。
【０００４】そこで、かかる曖昧さを含む被写体画像を
処理する場合、人間の視覚によって被写体画像の形状認
識や状態判断を行い、これら認識，判断結果に基づいて
人間が必要な処置ないしは操作を行っている。例えばパ
ルプ製造プラントに用いられる回収ボイラは、チップ蒸
解工程から排出される黒液を噴射ガンで炉内に噴射し、
このとき炉内の温度により黒液が浮遊乾燥させつつ炉底
部に降下してチャーベッドを形成し、かつ、炉内に空気
を送り込んでチャーベッドを燃焼することにより、蒸気
を発生させるとともにその際生ずる還元反応によりチッ
プ蒸解用薬剤原料を回収するが、このとき適正なチャー
ベッドの形状や位置が重要となるので、人間がチャーベ
ットの形状からボイラ内の状態を判断し、その判断結果
に基づいて空気量を可変して温度を調整することが行わ
れている。
処理する場合、人間の視覚によって被写体画像の形状認
識や状態判断を行い、これら認識，判断結果に基づいて
人間が必要な処置ないしは操作を行っている。例えばパ
ルプ製造プラントに用いられる回収ボイラは、チップ蒸
解工程から排出される黒液を噴射ガンで炉内に噴射し、
このとき炉内の温度により黒液が浮遊乾燥させつつ炉底
部に降下してチャーベッドを形成し、かつ、炉内に空気
を送り込んでチャーベッドを燃焼することにより、蒸気
を発生させるとともにその際生ずる還元反応によりチッ
プ蒸解用薬剤原料を回収するが、このとき適正なチャー
ベッドの形状や位置が重要となるので、人間がチャーベ
ットの形状からボイラ内の状態を判断し、その判断結果
に基づいて空気量を可変して温度を調整することが行わ
れている。
【０００５】また、他の１つの画像認識装置は、サンプ
ル画像データ記憶部のサンプル画像データを機械的に二
値化処理して得られる輪郭画像データを教師信号として
記憶し、しかる後、前記サンプルデータと教師信号とを
用いてニューラルネットワークで学習を繰り返しながら
シナプス荷重係数を決定し、以後、オンライン的に読み
込む画像データについて前記シナプス荷重係数を用いて
ニューラルネットワークで画像認識処理を行っていく構
成のものがある。
ル画像データ記憶部のサンプル画像データを機械的に二
値化処理して得られる輪郭画像データを教師信号として
記憶し、しかる後、前記サンプルデータと教師信号とを
用いてニューラルネットワークで学習を繰り返しながら
シナプス荷重係数を決定し、以後、オンライン的に読み
込む画像データについて前記シナプス荷重係数を用いて
ニューラルネットワークで画像認識処理を行っていく構
成のものがある。
【０００６】
【発明が解決しようとする課題】しかしながら、以上の
ような画像認識装置のうち、前者の人間による形状認識
および状態判断を行うものは、人間による主観的な判断
によるので、判断結果が分かれたり、基準の置き方によ
って全く異なった判断結果を出してしまう可能性があ
る。
ような画像認識装置のうち、前者の人間による形状認識
および状態判断を行うものは、人間による主観的な判断
によるので、判断結果が分かれたり、基準の置き方によ
って全く異なった判断結果を出してしまう可能性があ
る。
【０００７】そうかと言って機械的な画像処理だけに頼
ると、画像の特徴的な輪郭がとらえにくく、認識結果の
画像の信頼性に欠ける問題がある。また、画像の特徴的
な輪郭がとらえにくいということは、認識結果の画像を
タイプ分けすることが難しく、その画像がプロセス制御
上どのような状態にあるのかを認識・判断できなくな
る。
ると、画像の特徴的な輪郭がとらえにくく、認識結果の
画像の信頼性に欠ける問題がある。また、画像の特徴的
な輪郭がとらえにくいということは、認識結果の画像を
タイプ分けすることが難しく、その画像がプロセス制御
上どのような状態にあるのかを認識・判断できなくな
る。
【０００８】また、後者のニューラルネットワークを用
いたものは、もともと機械的な画像処理だけを行って教
師信号を作成しているので、この教師信号を用いて得ら
れる学習結果のシナプス荷重係数の正確性に欠け、ニュ
ーラルネットワークを用いて画像認識処理を行っても信
頼性に欠ける問題がある。
いたものは、もともと機械的な画像処理だけを行って教
師信号を作成しているので、この教師信号を用いて得ら
れる学習結果のシナプス荷重係数の正確性に欠け、ニュ
ーラルネットワークを用いて画像認識処理を行っても信
頼性に欠ける問題がある。
【０００９】本発明は上記実情に鑑みてなされたもの
で、曖昧さを含む基準用サンプル画像データから機械的
な画像処理を行って得られる不備部分をもつ輪郭画像デ
ータを適正に修正でき、かつ、極めて信頼性の高い教師
信号を作成する教師信号作成装置を提供することを目的
とする。また、本発明の他の目的は、曖昧さを含む基準
用サンプル画像データであっても被画像データを高精度
に画像認識しうる画像認識装置を提供することにある。
で、曖昧さを含む基準用サンプル画像データから機械的
な画像処理を行って得られる不備部分をもつ輪郭画像デ
ータを適正に修正でき、かつ、極めて信頼性の高い教師
信号を作成する教師信号作成装置を提供することを目的
とする。また、本発明の他の目的は、曖昧さを含む基準
用サンプル画像データであっても被画像データを高精度
に画像認識しうる画像認識装置を提供することにある。
【００１０】
【課題を解決するための手段】上記課題を解決するため
に、請求項１に対応する発明は、曖昧さを含む基準用サ
ンプル画像データを二値化処理して輪郭画像データを得
る画像前処理手段と、この画像前処理手段によって得ら
れた輪郭画像データに不備部分が有るときに修正を行う
修正入力手段と、この修正入力手段によって修正された
輪郭画像データを重ね合わせてタイプ分けすることによ
り理想線を求めて教師信号を作成する教師信号作成手段
とを設けた教師信号作成装置である。
に、請求項１に対応する発明は、曖昧さを含む基準用サ
ンプル画像データを二値化処理して輪郭画像データを得
る画像前処理手段と、この画像前処理手段によって得ら
れた輪郭画像データに不備部分が有るときに修正を行う
修正入力手段と、この修正入力手段によって修正された
輪郭画像データを重ね合わせてタイプ分けすることによ
り理想線を求めて教師信号を作成する教師信号作成手段
とを設けた教師信号作成装置である。
【００１１】請求項２に対応する発明は、曖昧さを含む
基準用サンプル画像データを二値化処理して輪郭画像デ
ータを得る画像前処理手段と、この画像前処理手段によ
って得られた輪郭画像データに不備部分が有るときに修
正を行う修正入力手段と、この修正入力手段によって修
正された輪郭画像データを重ね合わせてタイプ分けする
ことにより理想線を求めて教師信号を作成する教師信号
作成手段と、第１のニューラルネットワークで構成さ
れ、前記教師信号作成手段によって作成された教師信号
を用いて前記曖昧さを含む基準用サンプル画像データに
ついて学習を繰り返してニューラルネットワーク構造を
構築する学習手段と、第２のニューラルネットワークで
構成され、被認識画像データについて前記学習手段で求
めたニューラルネットワーク構造を用いて画像認識を行
う画像認識手段とを設けた画像認識装置である。
基準用サンプル画像データを二値化処理して輪郭画像デ
ータを得る画像前処理手段と、この画像前処理手段によ
って得られた輪郭画像データに不備部分が有るときに修
正を行う修正入力手段と、この修正入力手段によって修
正された輪郭画像データを重ね合わせてタイプ分けする
ことにより理想線を求めて教師信号を作成する教師信号
作成手段と、第１のニューラルネットワークで構成さ
れ、前記教師信号作成手段によって作成された教師信号
を用いて前記曖昧さを含む基準用サンプル画像データに
ついて学習を繰り返してニューラルネットワーク構造を
構築する学習手段と、第２のニューラルネットワークで
構成され、被認識画像データについて前記学習手段で求
めたニューラルネットワーク構造を用いて画像認識を行
う画像認識手段とを設けた画像認識装置である。
【００１２】
【作用】従って、請求項１に対応する発明は以上のよう
な手段を講じたことにより、画像前処理手段で機械的な
画像処理を行って得られる輪郭画像データに不備部分が
あっても、当該輪郭画像データなどの修正入力手段を用
いて手入力によって修正を行うことにり、適正な輪郭画
像データを作成することができる。さらに、教師信号作
成手段にて修正された多数の輪郭画像データを重ね合わ
せることにより、まとまりのあるグループの輪郭画像デ
ータに基づいてタイプ分けを行い、各タイプごとの理想
線を求めて教師信号を作成するので、曖昧さを含む基準
用サンプル画像データから極めて信頼性の高い教師信号
を作成できる。
な手段を講じたことにより、画像前処理手段で機械的な
画像処理を行って得られる輪郭画像データに不備部分が
あっても、当該輪郭画像データなどの修正入力手段を用
いて手入力によって修正を行うことにり、適正な輪郭画
像データを作成することができる。さらに、教師信号作
成手段にて修正された多数の輪郭画像データを重ね合わ
せることにより、まとまりのあるグループの輪郭画像デ
ータに基づいてタイプ分けを行い、各タイプごとの理想
線を求めて教師信号を作成するので、曖昧さを含む基準
用サンプル画像データから極めて信頼性の高い教師信号
を作成できる。
【００１３】次に、請求項２に対応する発明は、請求項
１に対応する発明と同様な作用を有する他、学習手段で
は以上のようにして作成された教師信号に基づいて曖昧
さを含む基準用サンプル画像データについて学習を繰り
返しながら適切なシナプス荷重係数を決定するので、曖
昧さを含む基準用サンプル画像データであっても信頼性
の高いニューラルネットワーク構造を構築できる。そし
て、オンラインの被認識画像データについて前記ニュー
ラルネットワーク構造を用いれば、高精度に画像認識を
行うことができる。従って、例えば前述した回収ボイラ
のチャーベッドの形状を画像認識してボイラの燃え具合
を適切に管理することが可能である。
１に対応する発明と同様な作用を有する他、学習手段で
は以上のようにして作成された教師信号に基づいて曖昧
さを含む基準用サンプル画像データについて学習を繰り
返しながら適切なシナプス荷重係数を決定するので、曖
昧さを含む基準用サンプル画像データであっても信頼性
の高いニューラルネットワーク構造を構築できる。そし
て、オンラインの被認識画像データについて前記ニュー
ラルネットワーク構造を用いれば、高精度に画像認識を
行うことができる。従って、例えば前述した回収ボイラ
のチャーベッドの形状を画像認識してボイラの燃え具合
を適切に管理することが可能である。
【００１４】
【実施例】以下、本発明の実施例について図面を参照し
て説明する。図１は本発明に係わる教師信号作成装置を
含む画像認識装置の一実施例を示す構成図である。
て説明する。図１は本発明に係わる教師信号作成装置を
含む画像認識装置の一実施例を示す構成図である。
【００１５】同図において１は撮像デバイスを用いて基
準とすべき被写体画像を光学的に撮像してサンプル画像
データとして記憶するサンプル画像データ記憶部であっ
て、これには多数の被写体画像のサンプル画像データが
記憶されている。なお、サンプル画像データの記憶は撮
像デバイス以外の画像入力装置を用いて記憶させてもよ
いものである。
準とすべき被写体画像を光学的に撮像してサンプル画像
データとして記憶するサンプル画像データ記憶部であっ
て、これには多数の被写体画像のサンプル画像データが
記憶されている。なお、サンプル画像データの記憶は撮
像デバイス以外の画像入力装置を用いて記憶させてもよ
いものである。
【００１６】２はサンプル画像データ記憶部１から所定
の順序でサンプル画像データを読み込んで出力するデー
タ読み込み手段であって、ここから出力されたサンプル
画像データは画像前処理部３に送られ、機械的な画像処
理が行われる。この機械的な画像処理は、要求項目によ
って種々の異なる処理を行うが、最も一般的な処理とし
ては二値化処理を上げることができ、この二値化処理に
より被写体画像に関係する輪郭画像データが得られる。
の順序でサンプル画像データを読み込んで出力するデー
タ読み込み手段であって、ここから出力されたサンプル
画像データは画像前処理部３に送られ、機械的な画像処
理が行われる。この機械的な画像処理は、要求項目によ
って種々の異なる処理を行うが、最も一般的な処理とし
ては二値化処理を上げることができ、この二値化処理に
より被写体画像に関係する輪郭画像データが得られる。
【００１７】４は画像前処理部３で二値化処理された輪
郭画像データを修正する修正入力手段である。この修正
入力手段４は、輪郭画像データをＣＲＴなどの表示装置
に表示し、例えば輪郭相当部分に欠落があれば手入力に
より補充し、また輪郭相当部分以外の部分に輪郭と思わ
れる画像があればそれを削除したりすることにある。そ
して、この修正入力手段４で修正された輪郭画像データ
は教師信号作成手段５に送られる。なお、以上のような
一連の処理は、例えば数１０００に及ぶ被写体画像のサ
ンプル画像データについて行われる。
郭画像データを修正する修正入力手段である。この修正
入力手段４は、輪郭画像データをＣＲＴなどの表示装置
に表示し、例えば輪郭相当部分に欠落があれば手入力に
より補充し、また輪郭相当部分以外の部分に輪郭と思わ
れる画像があればそれを削除したりすることにある。そ
して、この修正入力手段４で修正された輪郭画像データ
は教師信号作成手段５に送られる。なお、以上のような
一連の処理は、例えば数１０００に及ぶ被写体画像のサ
ンプル画像データについて行われる。
【００１８】前記教師信号作成手段５では、多数の修正
された輪郭画像データを表示装置等に重ね合わせるよう
に表示し、例えば集中する輪郭画像データごとにタイプ
分けを行うことにより教師信号を作成し、教師信号記憶
部６に記憶する。
された輪郭画像データを表示装置等に重ね合わせるよう
に表示し、例えば集中する輪郭画像データごとにタイプ
分けを行うことにより教師信号を作成し、教師信号記憶
部６に記憶する。
【００１９】７はニューラルネットワークで構成された
画像学習部であって、これは教師信号記憶部６に記憶さ
れている教師信号に基づいて、前記データ読み込み手段
２から読み込んで出力されたサンプル画像データについ
て学習を繰り返しながらシナプス荷重係数を決定し、ニ
ューラルネットワーク構造記憶部８に記憶する。
画像学習部であって、これは教師信号記憶部６に記憶さ
れている教師信号に基づいて、前記データ読み込み手段
２から読み込んで出力されたサンプル画像データについ
て学習を繰り返しながらシナプス荷重係数を決定し、ニ
ューラルネットワーク構造記憶部８に記憶する。
【００２０】９は被認識画像データとなるオンラインの
画像データを読み込むオンライン画像データ読み込み手
段、１０は前記画像学習部７のニューラルネットワーク
または別個のニューラルネットワークで構成され、ニュ
ーラルネットワーク構造記憶部８に記憶されているシナ
プス荷重係数を用いてオンライン画像データの画像認識
を行う画像認識処理部であり、ここで画像認識された画
像認識結果は認識結果記憶部１１に記憶される。１２は
認識結果出力部である。次に、上記装置の動作に関し、
例えば回収ボイラのチャーベッドの形状（画像）を認識
する例について図２の動作手順に従って説明する。
画像データを読み込むオンライン画像データ読み込み手
段、１０は前記画像学習部７のニューラルネットワーク
または別個のニューラルネットワークで構成され、ニュ
ーラルネットワーク構造記憶部８に記憶されているシナ
プス荷重係数を用いてオンライン画像データの画像認識
を行う画像認識処理部であり、ここで画像認識された画
像認識結果は認識結果記憶部１１に記憶される。１２は
認識結果出力部である。次に、上記装置の動作に関し、
例えば回収ボイラのチャーベッドの形状（画像）を認識
する例について図２の動作手順に従って説明する。
【００２１】予め基準とすべき多数のチャーベッド形状
のサンプル画像データがサンプル画像データ記憶部１に
格納されている。この状態において教師信号を作成する
ための動作を開始すると、データ読み込み手段２によっ
てサンプル画像データ記憶部１から所定の順序でサンプ
ル画像データを読みとって例えば空間上の微分フィルタ
にてエッジ抽出を行うことにより画像データに明暗を付
けた後（Ｓ１）、画像前処理部３に送られる。
のサンプル画像データがサンプル画像データ記憶部１に
格納されている。この状態において教師信号を作成する
ための動作を開始すると、データ読み込み手段２によっ
てサンプル画像データ記憶部１から所定の順序でサンプ
ル画像データを読みとって例えば空間上の微分フィルタ
にてエッジ抽出を行うことにより画像データに明暗を付
けた後（Ｓ１）、画像前処理部３に送られる。
【００２２】この画像前処理部３では、明暗付けされた
サンプル画像データについて少くとも二値化処理を実行
し、サンプル画像データに関係する輪郭画像データを取
り出した後、修正処理手段４によって手入力による修正
処理を行う（Ｓ２）。この修正処理は、ＣＲＴ表示装置
などに輪郭画像データを表示し、例えば図３（ａ）に示
すように輪郭相当部分に欠落があれば、適宜な画像入力
装置を用いて手入力により図３（ｂ）のように補充し、
当該チャベードの輪郭を完成する。つまり、修正された
輪郭画像データを作成する。
サンプル画像データについて少くとも二値化処理を実行
し、サンプル画像データに関係する輪郭画像データを取
り出した後、修正処理手段４によって手入力による修正
処理を行う（Ｓ２）。この修正処理は、ＣＲＴ表示装置
などに輪郭画像データを表示し、例えば図３（ａ）に示
すように輪郭相当部分に欠落があれば、適宜な画像入力
装置を用いて手入力により図３（ｂ）のように補充し、
当該チャベードの輪郭を完成する。つまり、修正された
輪郭画像データを作成する。
【００２３】このような画像前処理および修正処理は全
てのサンプル画像データについて繰り返し実行し、これ
により各サンプル画像データの修正された輪郭画像デー
タを得ることができる。これら修正された輪郭画像デー
タは適宜な記憶手段に記憶される。
てのサンプル画像データについて繰り返し実行し、これ
により各サンプル画像データの修正された輪郭画像デー
タを得ることができる。これら修正された輪郭画像デー
タは適宜な記憶手段に記憶される。
【００２４】しかる後、教師信号作成手段５を用いて修
正された多数の輪郭画像データからタイプ分け処理およ
び適合度計算処理を行って教師信号を作成する（Ｓ
３）。ここで言うタイプ分け処理とは、図４に示すよう
に記憶手段２１から全部またはできるだけ多数の修正さ
れた輪郭画像データを読み出して表示装置２２に重ね合
わせ表示し、例えば集中するチャーベッドの形状に相当
する輪郭画像データ群を単位として図５に示すような例
えば４タイプにタイプ分けを行い、各タイプに属する複
数の輪郭画像データに基づいて当該タイプにぴったりあ
う曲線を作成して適合度１００％の理想線を決定すると
ともに、この理想線の上下に適合度５０％の上限線およ
び下限線を決定する。
正された多数の輪郭画像データからタイプ分け処理およ
び適合度計算処理を行って教師信号を作成する（Ｓ
３）。ここで言うタイプ分け処理とは、図４に示すよう
に記憶手段２１から全部またはできるだけ多数の修正さ
れた輪郭画像データを読み出して表示装置２２に重ね合
わせ表示し、例えば集中するチャーベッドの形状に相当
する輪郭画像データ群を単位として図５に示すような例
えば４タイプにタイプ分けを行い、各タイプに属する複
数の輪郭画像データに基づいて当該タイプにぴったりあ
う曲線を作成して適合度１００％の理想線を決定すると
ともに、この理想線の上下に適合度５０％の上限線およ
び下限線を決定する。
【００２５】一方、適合度計算処理とは、あるタイプの
適合度１００％の理想線および±５０％の上下限線のデ
ータに修正された輪郭画像データを重ね合わせて、適合
度１００％の理想線の各点（例えば６４点）をそれぞれ
１とし、修正輪郭画像データが当該理想線からどの程度
の離れ具合かを表す適合度を計算する処理である。この
適合度計算処理は、各タイプごとの適合度１００％の理
想線および±５０％の上下限線のデータに対し、全部の
修正された輪郭画像データについて順次適合度を計算す
る。この適合度の計算は計算機により自動的に処理され
る。そして、得られた多数の適合度データは教師信号と
して教師信号記憶部６に記憶される。
適合度１００％の理想線および±５０％の上下限線のデ
ータに修正された輪郭画像データを重ね合わせて、適合
度１００％の理想線の各点（例えば６４点）をそれぞれ
１とし、修正輪郭画像データが当該理想線からどの程度
の離れ具合かを表す適合度を計算する処理である。この
適合度計算処理は、各タイプごとの適合度１００％の理
想線および±５０％の上下限線のデータに対し、全部の
修正された輪郭画像データについて順次適合度を計算す
る。この適合度の計算は計算機により自動的に処理され
る。そして、得られた多数の適合度データは教師信号と
して教師信号記憶部６に記憶される。
【００２６】以上のようにして教師信号記憶部６に教師
信号を記憶したならば、引き続き、ニューラルネットワ
ークで構成される画像学習部７を用いて、前記教師信号
に基づいてサンプル画像データについて学習を繰り返し
ながらシナプス荷重係数を決定する。これは、各サンプ
ル画像データごとのシナプス荷重係数を決定し、順次ニ
ューラルネットワーク構造記憶部８に記憶していく（Ｓ
４）。
信号を記憶したならば、引き続き、ニューラルネットワ
ークで構成される画像学習部７を用いて、前記教師信号
に基づいてサンプル画像データについて学習を繰り返し
ながらシナプス荷重係数を決定する。これは、各サンプ
ル画像データごとのシナプス荷重係数を決定し、順次ニ
ューラルネットワーク構造記憶部８に記憶していく（Ｓ
４）。
【００２７】その後、実際に被認識画像データとなるオ
ンライン画像データを画像認識するとき、オンライン画
像データ読み込み手段９にて順次オンラインの画像デー
タを取り込んでニューラルネットワークを構成する画像
認識処理部１０に入力し、前記ニューラルネットワーク
構造記憶部８に格納されているシナプス荷重係数を読み
出してニューラルネットワークの各層に設定しながら画
像を認識していく（Ｓ５）。そして、画像認識処理部１
０によって得られた画像認識結果は認識結果記憶部１１
に保存された後、認識結果出力部１２から出力される
（Ｓ６）。
ンライン画像データを画像認識するとき、オンライン画
像データ読み込み手段９にて順次オンラインの画像デー
タを取り込んでニューラルネットワークを構成する画像
認識処理部１０に入力し、前記ニューラルネットワーク
構造記憶部８に格納されているシナプス荷重係数を読み
出してニューラルネットワークの各層に設定しながら画
像を認識していく（Ｓ５）。そして、画像認識処理部１
０によって得られた画像認識結果は認識結果記憶部１１
に保存された後、認識結果出力部１２から出力される
（Ｓ６）。
【００２８】従って、以上のような実施例の構成によれ
ば、曖昧さを含むサンプル画像データに基づいて機械的
な画像処理を行ったとき、一部に欠落の生じた輪郭画像
データが得られたりするが、このとき適宜な画像入力装
置を用いて手入力により欠落部分を補ったり、或いは不
具合な部分を削除することにより、迅速に修正を行った
適正な輪郭画像データを得ることができる。
ば、曖昧さを含むサンプル画像データに基づいて機械的
な画像処理を行ったとき、一部に欠落の生じた輪郭画像
データが得られたりするが、このとき適宜な画像入力装
置を用いて手入力により欠落部分を補ったり、或いは不
具合な部分を削除することにより、迅速に修正を行った
適正な輪郭画像データを得ることができる。
【００２９】また、修正された多数の輪郭画像データを
重ね合わせてクラス分けを行った後、各クラスの複数の
輪郭画像データに基づいて理想線を決定する一方、各ク
ラスの理想線を用いて各修正された輪郭画像データの適
合度，つまり教師信号を作成するので、曖昧さを含むサ
ンプル画像データから容易に教師信号を作成できる。
重ね合わせてクラス分けを行った後、各クラスの複数の
輪郭画像データに基づいて理想線を決定する一方、各ク
ラスの理想線を用いて各修正された輪郭画像データの適
合度，つまり教師信号を作成するので、曖昧さを含むサ
ンプル画像データから容易に教師信号を作成できる。
【００３０】さらに、曖昧さを含むサンプル画像データ
を用いて教師信号を作成した後、この教師信号を基づい
て画像学習部７により曖昧さを含むサンプル画像データ
の学習を繰り返しながらシナプス荷重係数を決定してい
くので、曖昧さを含むサンプル画像データであっても、
確実に信頼性の高いニューラルネットワーク構造を構築
することができる。従って、前記ニューラルネットワー
ク構造を用いて、オンラインの画像データを適切に画像
認識でき、リアルタイムに状態を把握でき、画像認識結
果に基づいて例えばチャーベッドの形状を適切に判断
し、回収ボイラの燃え具合を判断し、最適なチャーベッ
ド形状となるように制御できる。
を用いて教師信号を作成した後、この教師信号を基づい
て画像学習部７により曖昧さを含むサンプル画像データ
の学習を繰り返しながらシナプス荷重係数を決定してい
くので、曖昧さを含むサンプル画像データであっても、
確実に信頼性の高いニューラルネットワーク構造を構築
することができる。従って、前記ニューラルネットワー
ク構造を用いて、オンラインの画像データを適切に画像
認識でき、リアルタイムに状態を把握でき、画像認識結
果に基づいて例えばチャーベッドの形状を適切に判断
し、回収ボイラの燃え具合を判断し、最適なチャーベッ
ド形状となるように制御できる。
【００３１】なお、上記実施例では、回収ボイラのチャ
ーベッドの形状認識を中心に説明したが、オンライン画
像データの画像を認識する全てのシステムに適用でき、
また特に曖昧さを含む被写体画像（サンプル画像デー
タ）から教師信号を得るときにも有用なものである。
ーベッドの形状認識を中心に説明したが、オンライン画
像データの画像を認識する全てのシステムに適用でき、
また特に曖昧さを含む被写体画像（サンプル画像デー
タ）から教師信号を得るときにも有用なものである。
【００３２】また、教師信号作成手段５では、クラス分
けした複数の修正輪郭画像データを参考にして新たに理
想線を作成するようにしたが、例えば複数の修正輪郭画
像データの中から最も平均的な修正輪郭画像データを理
想線として決定してもよい。また、上記実施例でいう曖
昧さを含む被写体画像のサンプル画像データとは、曖昧
さを含まない被写体画像のサンプル画像データをも含ま
せる意味をもっていることは言うまでもない。さらに、
画像学習部７および画像認識処理部１０には説明の便宜
上別のニューラルネットワークを用いて説明したが、一
般的には、同一のニューラルネットワークを用いて各機
能を実現するものである。その他、本発明はその要旨を
逸脱しない範囲で種々変形して実施できる。
けした複数の修正輪郭画像データを参考にして新たに理
想線を作成するようにしたが、例えば複数の修正輪郭画
像データの中から最も平均的な修正輪郭画像データを理
想線として決定してもよい。また、上記実施例でいう曖
昧さを含む被写体画像のサンプル画像データとは、曖昧
さを含まない被写体画像のサンプル画像データをも含ま
せる意味をもっていることは言うまでもない。さらに、
画像学習部７および画像認識処理部１０には説明の便宜
上別のニューラルネットワークを用いて説明したが、一
般的には、同一のニューラルネットワークを用いて各機
能を実現するものである。その他、本発明はその要旨を
逸脱しない範囲で種々変形して実施できる。
【００３３】
【発明の効果】以上説明したように本発明によれば、次
のような種々の効果を奏する。
のような種々の効果を奏する。
【００３４】請求項１の発明は、曖昧さを含むサンプル
画像データから機械的な画像処理を行って得られる不備
部分を含む輪郭画像データについて容易に修正して適正
な輪郭画像データを得ることができ、しかも修正された
輪郭画像データから極めて信頼性の高い教師信号を作成
できる教師信号作成装置を提供できる。
画像データから機械的な画像処理を行って得られる不備
部分を含む輪郭画像データについて容易に修正して適正
な輪郭画像データを得ることができ、しかも修正された
輪郭画像データから極めて信頼性の高い教師信号を作成
できる教師信号作成装置を提供できる。
【００３５】次に、請求項２の発明は、曖昧さを含む画
像データであっても機械的な画像処理により、適正なニ
ューラルネットワーク構造を構築でき、オンラインの画
像データを高度に画像認識できる画像認識装置を提供で
きる。
像データであっても機械的な画像処理により、適正なニ
ューラルネットワーク構造を構築でき、オンラインの画
像データを高度に画像認識できる画像認識装置を提供で
きる。
【図１】本発明に係わる教師信号作成装置を含む画像認
識装置の一実施例を示す機能ブロック図。
識装置の一実施例を示す機能ブロック図。
【図２】教師信号作成装置を含む画像認識装置の動作手
順を説明する図。
順を説明する図。
【図３】回収ボイラのチャーベッドの形状認識に当た
り、サンプル画像データを機械的な画像処理を行った時
の輪郭画像データに欠落が生じていることおよびその欠
落を手入力で補充したときの模式図。
り、サンプル画像データを機械的な画像処理を行った時
の輪郭画像データに欠落が生じていることおよびその欠
落を手入力で補充したときの模式図。
【図４】教師信号作成手段の１つの処理であるクラス分
け処理を説明する模式図。
け処理を説明する模式図。
【図５】回収ボイラのチャーベッド形状について４つに
クラス分けした場合のチャーベッド形状図。
クラス分けした場合のチャーベッド形状図。
１…サンプル画像データ記憶部、３…画像前処理部、４
…修正入力手段、５…教師信号作成手段、６…教師信号
記憶部、７…画像学習部、８…ニューラルネットワーク
構造記憶部、１０…画像認識処理部、１１…認識結果記
憶部。
…修正入力手段、５…教師信号作成手段、６…教師信号
記憶部、７…画像学習部、８…ニューラルネットワーク
構造記憶部、１０…画像認識処理部、１１…認識結果記
憶部。
───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.7，ＤＢ名) G06T 7/00 - 7/60 G06N 3/02
Claims (2)
- 【請求項１】 曖昧さを含む基準用サンプル画像データ
を二値化処理して輪郭画像データを得る画像前処理手段
と、 この画像前処理手段によって得られた輪郭画像データに
不備部分が有るときに修正を行う修正入力手段と、 この修正入力手段によって修正された輪郭画像データを
重ね合わせてタイプ分けすることにより理想線を求めて
教師信号を作成する教師信号作成手段とを備えたことを
特徴とする教師信号作成装置。 - 【請求項２】 曖昧さを含む基準用サンプル画像データ
を二値化処理して輪郭画像データを得る画像前処理手段
と、 この画像前処理手段によって得られた輪郭画像データに
不備部分が有るときに修正を行う修正入力手段と、 この修正入力手段によって修正された輪郭画像データを
重ね合わせてタイプ分けすることにより理想線を求めて
教師信号を作成する教師信号作成手段と、 第１のニューラルネットワークで構成され、前記教師信
号作成手段によって作成された教師信号を用いて前記曖
昧さを含む基準用サンプル画像データについて学習を繰
り返してニューラルネットワーク構造を構築する学習手
段と、 第２のニューラルネットワークで構成され、被認識画像
データについて前記学習手段で求めたニューラルネット
ワーク構造を用いて画像認識を行う画像認識手段とを備
えたことを特徴とする画像認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06398393A JP3148040B2 (ja) | 1993-03-23 | 1993-03-23 | 教師信号作成装置および画像認識装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP06398393A JP3148040B2 (ja) | 1993-03-23 | 1993-03-23 | 教師信号作成装置および画像認識装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH06274634A JPH06274634A (ja) | 1994-09-30 |
| JP3148040B2 true JP3148040B2 (ja) | 2001-03-19 |
Family
ID=13245035
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP06398393A Expired - Fee Related JP3148040B2 (ja) | 1993-03-23 | 1993-03-23 | 教師信号作成装置および画像認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3148040B2 (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6490911B1 (en) | 1996-05-22 | 2002-12-10 | Ngk Insulators, Ltd. | Sensor device with fluid introduction holes |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4525526B2 (ja) * | 2005-08-26 | 2010-08-18 | パナソニック電工株式会社 | パターンマッチング方法及び装置 |
| JP6562534B2 (ja) * | 2015-01-29 | 2019-08-21 | 前田建設工業株式会社 | 施工性評価プログラム、施工性評価方法及び施工性評価装置 |
| JP6448065B2 (ja) * | 2017-01-17 | 2019-01-09 | みずほ情報総研株式会社 | 画像処理システム、画像処理方法及び画像処理プログラム |
| JPWO2020111048A1 (ja) * | 2018-11-26 | 2021-10-21 | 大日本印刷株式会社 | コンピュータプログラム、学習モデル生成装置、表示装置、粒子識別装置、学習モデル生成方法、表示方法及び粒子識別方法 |
| JP7127785B2 (ja) * | 2018-11-30 | 2022-08-30 | オリンパス株式会社 | 情報処理システム、内視鏡システム、学習済みモデル、情報記憶媒体及び情報処理方法 |
-
1993
- 1993-03-23 JP JP06398393A patent/JP3148040B2/ja not_active Expired - Fee Related
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6490911B1 (en) | 1996-05-22 | 2002-12-10 | Ngk Insulators, Ltd. | Sensor device with fluid introduction holes |
Also Published As
| Publication number | Publication date |
|---|---|
| JPH06274634A (ja) | 1994-09-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP7004145B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
| JP7015001B2 (ja) | 欠陥検査装置、欠陥検査方法、及びそのプログラム | |
| JP6403261B2 (ja) | 分類器生成装置、外観検査装置、分類器生成方法、及びプログラム | |
| US11830174B2 (en) | Defect inspecting device, defect inspecting method, and storage medium | |
| Hortinela et al. | Classification of Cacao Beans Based on their External Physical Features Using Convolutional Neural Network | |
| JP3148040B2 (ja) | 教師信号作成装置および画像認識装置 | |
| Liu et al. | Uni-3DAD: Gan-inversion aided universal 3D anomaly detection on model-free products | |
| JP6788929B1 (ja) | 被検物判定用の画像処理装置及び画像処理方法 | |
| JP3279099B2 (ja) | マーク認識装置およびマーク認識方法 | |
| Metzner et al. | Automated optical inspection of soldering connections in power electronics production using convolutional neural networks | |
| JP3095623B2 (ja) | 属性判定方法 | |
| TWI826108B (zh) | 應用偽瑕疵影像建立瑕疵檢測模型的方法以及系統 | |
| JP3455970B2 (ja) | 撮像画像の検査方法及び装置 | |
| CN112419241B (zh) | 一种基于人工智能的物体鉴别方法、装置和可读存储介质 | |
| US20240096059A1 (en) | Method for classifying images and method for optically examining an object | |
| WO2022239671A1 (ja) | 画像処理方法、コンピュータプログラム、画像処理装置、および、訓練方法 | |
| JPH08138049A (ja) | ドット文字検査方法およびその装置 | |
| JP7583395B2 (ja) | 画像処理装置、画像処理方法、画像処理プログラム、および画像分類装置、ならびにこれにより生成された学習済みモデル | |
| JP4155497B2 (ja) | 欠陥分類方法、プログラムおよび欠陥分類装置 | |
| JP2002140695A (ja) | 検査方法およびその装置 | |
| JP2831537B2 (ja) | マーク検査装置 | |
| JP7771768B2 (ja) | 機械学習装置、機械学習方法、機械学習プログラム、検査装置、検査方法、および検査プログラム | |
| CN113466233B (zh) | 视觉检测方法、视觉检测装置及计算机存储介质 | |
| JPH0883340A (ja) | クラスタリング装置および画像認識装置 | |
| Hu et al. | Mitigating Overfitting in Fine-Pattern Quality Classification: Enabling Automated Projection Image Quality Inspection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |