JPH05197891A

JPH05197891A - 異常検出方法および装置

Info

Publication number: JPH05197891A
Application number: JP3046895A
Authority: JP
Inventors: Takayoshi Yamamoto; 隆義山本; Atsushi Nakahara; 淳中原
Original assignee: Babcock Hitachi KK
Current assignee: Mitsubishi Power Ltd
Priority date: 1991-03-12
Filing date: 1991-03-12
Publication date: 1993-08-06

Abstract

(57)【要約】【目的】ニューラルネットワークによる学習課程にお
いて、学習の収束に関与するパラメータを調節すること
により全ての学習パターンを確実に早く収束させるこ
と。【構成】監視対象物を撮影する監視カメラと、このカメ
ラの撮影した画像データを取込み、その画像データの輝
度または色相を入力信号とする学習機能を有する階層形
ニューラルネットワーク装置とを備え、上記装置のニュ
ーラルネットワークの階層間学習課程におけるシナプス
荷重の修正およびニューロンの入出力関数の修正をファ
ジィ推論により行なう異常検出装置。【効果】ニューラルネットワークの学習時間が短縮さ
れ、かつ正確となるので異常検知の感度が高くなる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、異常検出方法および装
置に係り、特に監視対象物を監視カメラで撮影し、撮影
画像をニューラルネットワークに入力して、異常の有無
を判断させる異常検出方法および装置に関する。

【０００２】

【従来の技術】火力プラントにおいては設備の長寿命
化、パトロールの省力化等の要請により、設備監視の自
動化要求が強まっている。そのため重要機器（例えば燃
料供給装置、バーナ部、主要バルブ等）を監視テレビカ
メラを用いて、モニタテレビ上で集中的に監視する方法
が広く用いられるようになっている。また、近年の画像
処理技術および処理装置の進展に伴い、監視テレビカメ
ラからの画像を画像処理して異常の有無判定に使用する
ケースがＦＡ（ Factory Automation ) 分野からの波及
として増加する傾向にある。

【０００３】しかしながら、テレビカメラでは監視領域
が限られ、ボイラプラント全体をカバーできず、実際に
は巡視員による１日約６〜７回の目視、または聴覚によ
る巡視点検が行なわれている。この巡視点検業務は異常
発見に対し熟練を要するものであり、かなりの負担とな
っている。また、発電所のニーズとして監視の中央集中
化、または省力化に伴う人的な制約があり、現在、巡視
員に代わって現場を巡視点検するロボットが開発されて
いる。

【０００４】人間の巡視に対する機能を分析すると、
（１）状態把握、（２）移動、（３）状態判断（正常ま
たは異常）、（４）処理機能に大別され、これに相当す
るシステム機能は、（１）センサ技術、（２）移動機
構、（３）コンピュータ技術、（４）運転ガイダンス表
示となる。これらのシステムを具体化し、ロボットによ
る点検システムを実現させると、その概略は図１３に示
すように次の３つの部分から構成される。（１）現場を
巡回点検する監視ロボット１、（２）監視ロボットから
の情報を処理し、異常の有無を判断する異常判断装置
４、（３）現場の生画像、生音響を提示し、異常判断装
置から異常有の判断が出れば、異常内容の提示を行な
うマン・マシン・インターフェース５、また、監視ロボ
ットの制御も行なう。

【０００５】監視ロボットには人間の五感のうち、視
覚、聴覚、嗅覚および触覚に匹敵するＩＴＶカメラ、マ
イクロフォン、ガスセンサおよび非接触型の温度計を搭
載している。これらのセンサを用い、現場内をくまなく
移動し、各情報を収集して廻る。

【０００６】また、ある領域内の異常検知として、河川
などの汚泥や油を監視する場合の検出例を述べる。

【０００７】画像処理フローチャートを図１４に示す。
同図の（ａ）に示すように、ロボットは第１画像とし
て、監視したい位置の正常時の状態を画像としてメモリ
に記憶しておく。ここで２値化処理とは画像を画素単位
でとらえ、あるしきい値を規準に輝度の高いものを黒、
低いものを白とする処理であり、一般に画像処理の前処
理として行なわれているものである。監視時には図１４
の（ｂ）の処理を行なう。すなわち、第１画像として取
り込んだ同じ位置で第２画像を取り込み、画像と画像の
減算を行ない変化分を抽出し、面積計算を行ない、異常
かどうかを判定する。この面積計算を行なう理由は以下
のとおりである。

【０００８】画像と画像のマッチングは、一般的に固定
カメラで同一場所を取り込んだ画像同士でも、必ず１画
素分ぐらいのズレを生じる。これはカメラのゆれなどが
あるためであり、まして川の流れのように、表面の輝度
が時々刻々変化しているので、正常時でも差画像として
画像のズレが生じる。すなわち、減算を行なうと、正常
な画像においても画像変化分が抽出され、この変化分を
誤判定しないために判定規準にしきい値を設けている。

【０００９】以上の処理を行なった実例を図１５に示
す。これは川の流れの表面をカメラにより監視した場合
である。図においてＡ₁は正常時の画像であり、Ｂ₁は
水面上に油が浮いて流れている場合の画像である。この
２つの画像を前処理として、ノイズ除去、２値化処理を
行なったものがＡ₂とＢ₂である。次にＡ₂とＢ₂にお
いてＥＸＯＲ演算（排他的論理和演算）を行なうと、油
の部分とその他に川の水面上のズレも検出された画像Ｃ
を得ることができる。この種の異常検知手法は一般的で
あり、製品としては無人監視用デジタル画像センサ等の
異常判断ロジックで使用されている。（ただしカメラは
固定）。

【００１０】しかしながら、前述したように、常に基準
画像をメモリとしてもってなくてはならないという不便
さがあり、以下のような問題点がある。

【００１１】１）日照変化の影響を受け易い（朝と昼で
基準画像に大きな輝度の差がある。

【００１２】また、木や橋等の何らかの影が存在する
と、その影を異常と判断してしまう。）２）対象物がズレたりすると基準画像との画像変化が大
きくなり異常と判定。

【００１３】３）ロボットに正確な位置決めが要求され
る。

【００１４】４）基準画像を点検場所、監視対象物ごと
にもたなければならず、ロボットのメモリ不足となる。

【００１５】上記に示すように図１４のような画像処理
に基づく異常判断ではなく、画像データをニューラルネ
ットワークに入力し、自己学習させることにより、規準
画像をメモリとしてもたずに、画像情報に含まれる外乱
に対する誤判断が少なく、検知感度が高い異常検出方法
および装置が提案されている。

【００１６】しかしながら、正常または異常な種々の画
像をニューラルネットワークで学習させる場合に、その
学習を収束させるのに長時間を要したり、学習すべき画
像データによっては収束しないパターンもあり、異常検
出のための充分な学習が不可能となる。図１０は、横軸
に学習回数をとり、縦軸に各学習パターンの正常または
異常に対する誤差をとり、学習状況を示す。これは、川
の水面の画像を切り出したものを対象とした場合であ
る。この学習は、図１１の正常な画像、つまり上記切り
出した画像を１００個に分割して日向部分に相当する輝
度５の中に影に相当する輝度２〜３の混在したパターン
（パターンNo. 、、）や日照変化に相当する全て
の輝度２の暗いパターン（パターンNo. ）を正常画像
の学習パターンとした。また水面上の油もれのある異常
画像の学習パターンとして図１２に示すように影の輝度
３または２の中に輝度１の油があるパターン（パターン
No.、）や背景が暗い輝度２の中に油があるパター
ン（パターンNo. 、）を異常画像の学習パターンと
した。

【００１７】以上の図１１と図１２に示す８個の学習パ
ターンを図９に示す階層型のニューラルネットワークに
より学習を行なった。この時の教師信号としては、ニュ
ーラルネットワークのＲ層のニューロンＲ₁とＲ₂に対
して表１に示すｙ₁とｙ₂の値とした。

【００１８】

【表１】

【００１９】ここで、学習過程におけるシナプス荷重の
修正方法は、一般の Rumelhart らが提案した誤差逆伝
播法によって行なった。また学習課程における誤差δ
は、Ｒ層のニューロンＲ₁の出力値φ₁と教師信号ｙ₁
との差の絶対値で定義した。

【００２０】上記、図１０に示すように学習パターン全
ては収束しないのがわかる。ここで収束の判断は、誤差
の許容値δ＝０．２とした。特にパターンNo. 、
は、誤差δが大きく、ニューラルネットワークは、パタ
ーンのような明るい日向の中で影を誤認識したり、パ
ターンのような背景が暗い場合では、油もれの検出が
できないことになる。

【００２１】このように、外乱の除去やパターン認識と
いう面で優れているニューラルネットワークを用いた異
常検出装置においても、学習パターンによっては、学習
が収束しないことが大きな課題である。

【００２２】

【発明が解決しようとする課題】上記従来技術は、ニュ
ーラルネットワークによって学習すべき画像に対し、そ
の全ての学習パターンを収束させるための配慮がされて
おらず、この異常検出装置では充分な学習が得られない
ため誤認識や検出感度が低いなどの問題があった。

【００２３】本発明の目的は、ニューラルネットワーク
による学習課程において、学習の収束に関与するパラメ
ータを調整することにより全ての学習パターンを確実に
早く収束させることにある。

【００２４】

【課題を解決するための手段】上記目的を達成するため
本願の第１の発明は、監視対象物を撮影する監視装置
と、該装置の撮影画像データを取込み、その画像データ
の輝度および／または色相を入力信号とする学習機能を
有する階層形ニューラルネットワーク装置とを備え、対
象物の異常の有無を判断する異常検出装置において、上
記ニューラルネットワーク装置の階層間の学習課程パラ
メータ修正部に、ファジィ推論パラメータ修正装置を設
けたことを特徴とする異常検出装置に関する。

【００２５】第２の発明は、監視対象物を撮影する監視
装置と、該装置の撮影画像データを入力信号とする学習
機能を有する階層形ニューラルネットワーク装置とを備
え、対象物の異常の有無を判断する異常検出装置におい
て、上記ニューラルネットワーク装置の階層間の学習課
程パラメータ修正部に、フラジィ推論シナプス荷重修正
装置および／またはファジィ推論ニューロン入出力関数
修正装置を設けたことを特徴とする異常検出装置に関す
る。

【００２６】第３の発明は、監視装置により監視対象物
を撮影し、その撮影した画像データを学習機能を有する
階層形ニューラルネットワーク装置に入力して、上記対
象物の異常の有無を判断する異常検出方法において、上
記ニューラルネットワーク装置に対して、あらかじめ監
視対象物の正常時および異常時の学習パターンについて
学習させるに際し、各ニューロン間のシナプス荷重の修
正量に対する重みを示すパラメータを、ファジィ推論法
により修正することを特徴とする異常検出方法に関す
る。

【００２７】第４の発明は、監視装置により監視対象物
を撮影し、その撮影した画像データを学習機能を有する
階層形ニューラルネットワーク装置に入力して、上記対
象物の異常の有無を判断する異常検出方法において、各
ニューロン入出力関数として、

【００２８】

【数３】

【００２９】で示されるシグモイド関数を用い、上記ニ
ューラルネットワーク装置に対する監視対象物の正常時
および異常時の学習パターンについて学習させるに際
し、学習初期や出力層での誤差の大きいときには上記入
出力関数中のＴの値を大きく、学習が進捗した段階や出
力層での誤差が小さいときは、Ｔを漸次小さくするとと
もに、このＴの値の決定をファジィ推論により行なうこ
とを特徴とする異常検出方法に関する。

【００３０】第５の発明は、監視装置により監視対象物
を撮影し、その撮影した画像データを学習機能を有する
階層形ニューラルネットワーク装置に入力して、上記対
象物の異常の有無を判断する異常検出方法において、各
ニューロンの入出力関数として明細書本文（８）式で示
される

【００３１】

【数４】

【００３２】を用い、上記ニューラルネットワーク装置
に対して、監視対象物の正常時および異常時の学習パタ
ーンの学習をさせるに際し、上記式のｆ（ｘ）のパラメ
ータｘ ₀をファジィ推論により修正することを特徴とす
る異常検出方法に関する。

【００３３】第６の発明は、監視装置により監視対象物
を撮影し、その撮影した画像データを学習機能を有する
階層形ニューラルネットワーク装置に入力して、上記対
象物の異常の有無を判断する異常検出方法において、上
記ニューラルネットワーク装置に対し、あらかじめ監視
対象物の正常時および異常時の学習パターンについて学
習させる際に、まず、ニューラルネットワークの各ニュ
ーロン間のシナプス荷重の修正をファジィ推論により行
ない、各学習パターンでの誤差の変化幅（△δｐ）があ
る値（δ）以下となり、かつ各学習パターンでの誤差
（δｐ）において、設定学習誤差（δ）より大きいもの
がある場合は、ニューロンの入出力関数の修正を行なう
ことを特徴とする異常検出方法に関する。

【００３４】

【作用】ニューラルネットワークによる学習過程におい
て、その収束に関与するパラメータを学習パターン毎に
ファジィ推論により重み付けを行ない、全ての学習パタ
ーンに最適な値に修正するので、学習課程において誤差
が振動したり、発散せずに収束する。

【００３５】

【実施例】図１に、本発明の実施例として各学習パター
ンの１００個の輝度の数値を入力するＳ層、３０個のＡ
層および２個のニューロンのＲ層からなるニューラルネ
ットワークの構成を示す。この学習におけるシナプス荷
重の修正式は、 Rumelhartらが提案した誤差逆伝播法を
基に、（１）式で表現できる。Ａ〜Ｒ層の間を例として
記すと、

【００３６】

【数５】

【００３７】ここで

【００３８】

【数６】

【００３９】は、学習回数（ｔ＋１）、（ｔ）における
Ａ層のニューロンｋとＲ層のニューロンとのシナプス
荷重の修正量ｆ′（ｉ₁）：Ｒ層のニューロンの入出力関数ｆの
１次微分ｉ₁ ：Ｒ層のニューロンへの入力の総和で（２）
式で表す。

【００４０】

【数７】

【００４１】φ^A _k：Ａ層ニューロンｋの出力値ｆ：ニューロンの入出力関数で代表的な関数は
（３）式のようなシグモイド関数

【００４２】

【数８】

【００４３】Ｔ：シグモイド関数のパラメータで
一般に時定数の逆数あるいは温度と呼ばれている。

【００４４】α ：学習回数ｔの時の修正量△ω^AR
_k1（ｔ）に対する重みを示すパラメータ β ：（ｔ＋１）回の時のＲ層のニューロン１の誤
差（φ^R ₁−ｙ₁）に基づくシナプス荷重の修正量に対
する重みを示すパラメータ（１）式のように、１回前のシナプス荷重の修正量（右
辺第１項）とその時の誤差に基づく修正量（右辺第２
項）とを、パラメータα、βを最適に調整することが学
習の収束性を向上する上で重要である。なぜならば、α
が大きい場合は、その時点でのニューラルネットワーク
の出力の誤差の影響が相対的に小さく、シナプス荷重の
修正量が上記誤差にあまり関係ないので学習時間が長く
かかる。一方、βが大きい場合は、その時点での上記誤
差の影響が相対的に大きいので、シナプス荷重の修正量
の変動が大きく、学習が振動しやすい傾向にある。この
パラメータαとβは、複数個ある学習パターンの各々で
最適な値は異なってくるため、全ての学習パターンにつ
いてパラメータα、βを決定することは容易ではない。
そこで、本発明では図１のファジィ推論器にて、ファジ
ィ推論を用いることにより、パラメータα、βを全ての
学習パターンについて最適に決定することとした。

【００４５】α、βに対するファジィルールは下記であ
る。

【００４６】ある学習パターンＰ（Ｐ＝１〜Ｎ）につい
て、ルール〔１〕．誤差の変化巾｜△δｐ｜が大きい（Ｌ）
ならαｐを大きく（Ｌ）、βｐを小さく（Ｓ）する。

【００４７】ルール〔２〕．誤差の変化巾｜△δｐ｜が
中程度（Ｍ）ならαｐを中程度（Ｍ）、βｐも中程度
（Ｍ）とする。

【００４８】ルール〔３〕．誤差の変化巾｜△δｐ｜が
小さい（Ｓ）ならαｐを小さく（Ｓ）、βｐを大きく
（Ｌ）する。ここで、

【００４９】

【数９】

【００５０】これらのファジィ推論におけるメンバーシ
ップ関数を図２に示す。

【００５１】前件部のメンバーシップ関数の形として
は、各々のファジィ変数Ｌ、Ｍ、Ｓが、グレード０．５
で交叉する形とし、後件部のファジィ変数Ｌ、Ｍ、Ｓは
１つの値で表した。これをシングルトーンという。次に
α、βのファジィ推論による推定の具体的手順を説明す
る。例として、図１０の従来手法での学習課程の回数ｔ
＝２と３回目の各学習パターン〜の誤差δｐ（２）
とδｐ（３）とを表２にそれらの差の絶対値｜△δｐ
（３）｜示す。

【００５２】

【表２】

【００５３】図５にファジィ推論の手順を示す。

【００５４】学習パターン、、について各々の｜
△δｐ｜の値０．０２、０．６８、０．２４から前件部
のファジィ変数Ｌ、Ｍ、Ｓのメンバーシップ関数との交
点からグレード値を求める。次に各グレード値によって
後件部のα、βのシングルトーンを頭切りする。例え
ば、学習パターン１について説明すると、前件部のファ
ジィ変数Ｓのグレードは、０．８２なので、その後件部
のα₁は、０．１の重みが０．８２で、β₁は０．９の
重みが０．８２であることを示す。最終的にα、βの値
を決定する手順は、αｐ、βｐについて各々の学習パタ
ーンでのファジィ変数Ｌ、Ｍ、Ｓの値とその重みの積和
を平均して求める。つまり図５の学習パターン、、
についてのみ示すと、αは（５）式、βは（６）式で
求められる。

【００５５】

【数１０】

【００５６】

【数１１】

【００５７】実際には、全ての学習パターンについて
（５）式、（６）式のように重ね合わせて平均した値を
新たなα、βの値として、（１）式に基づきシナプス荷
重を修正する。

【００５８】以上、学習課程において特に誤差の変動が
比較的大きい段階でのシナプス荷重の修正パラメータα
およびβのファジィ推論による決定方法について説明し
た。

【００５９】次に、学習課程において、ニューロンの入
出力関数としてよく用いられている（３）式のシグモイ
ド関数のパラメータＴをファジィ推論による修正の方法
について説明する。これも同じく図１のファジィ推論器
で推論する。

【００６０】図３に（３）式のシグモイド関数をＴをパ
ラメータにして示す。Ｔ＝∞の時は、ｘに無関係にｆ
（−ｘ）は、０．５で一定であり、Ｔが小さくなるとｘ
＝０付近での曲線の傾きが急になり、Ｔ＝０ではｘ≧０
の時ｆ（ｘ）＝１、ｘ＜０の時ｆ（ｘ）＝０となる。つ
まり、ニューロンへの入力の総和ｘに対し識別する度合
は、Ｔが小さくなるほど強いといえる。

【００６１】したがって、学習の初期や誤差の大きい段
階では、Ｔを比較的大きくしてやることにより、ニュー
ロンでの変換の程度をゆるやかにし、入力の繁雑な学習
パターンを分類、または判断する際に学習が振動した
り、発散したりするのを避け、学習が進んできて、より
強い判断力が必要となる段階ではＴを次第に小さくする
ことにより、ニューラルネットワークによる学習が早
く、認識能力を高くすることが可能となる。この時、Ｔ
の最適値については、学習すべきパターンによって異な
るのでファジィ推論により全ての学習パターンにとって
最大公約数的に決定する。

【００６２】このパラメータＴのファジィ推論による決
定方法について説明する。

【００６３】ファジィルールは下記とした。ある学習パ
ターンＰ（Ｐ＝１〜Ｎ）について、ルール〔１〕誤差δｐが非常に大（ＶＬ）なら、Ｔを
非常に大（ＶＬ）とする。

【００６４】ルール〔２〕誤差δｐが大（Ｌ）なら、
Ｔｐを大（Ｌ）とする。

【００６５】ルール〔３〕誤差δｐが中程度（Ｍ）な
ら、Ｔｐを中程度（Ｍ）とする。

【００６６】ルール〔４〕誤差δｐが小（Ｓ）なら、
Ｔｐを小（Ｓ）とする。

【００６７】ルール〔５〕誤差δｐが非常に小（Ｖ
Ｓ）なら、Ｔｐを非常に小（ＶＳ）とする。

【００６８】これらのファジィ推論におけるメンバーシ
ップ関数を図４に示す。前件部のメンバーシップ関数の
形としては、各々のファジィ変数ＶＬ、Ｌ、Ｍ、Ｓ、Ｖ
Ｓがグレード０．５で交叉する形とし、後件部のファジ
ィ変数ＶＬ、Ｌ、Ｍ、Ｓ、ＶＳはシングルトーンとし
た。次にパラメータＴのファジィ推論による推定の具体
的手順を説明する。例として、表２のδｐ（３）につい
て図６にファジィ推論の手順で示す。学習パターン、
、について各々のδｐの値０．１８、０．９６、
０．７０から前件部のファジィ変数ＶＬ、Ｌ、Ｍ、Ｓ、
ＶＳのメンバーシップ関数との交点からグレード値を求
める。学習パターンの場合は、ファジィ変数ＶＳでは
０．２８、ファジィ変数Ｓでは０．６４のグレード値と
なり、これらのグレード値で後件部のＴ₁のシングルト
ーンを頭切りする。この時、パラメータＴ₁を０．２の
重みが０．２８で、０．５の重みが０．６４であるよう
にすることを示す。この手順を全ての学習パターンにつ
いて行ない、後件部のファジィ変数ＶＬ、Ｌ、Ｍ、Ｓ、
ＶＳの値と各々の重みとの積和を平均して最終的にパラ
メータＴを決定する。例えば図６の学習パターン、
、についてのみ示すと、Ｔの値は（７）式で求めら
れる。

【００６９】

【数１２】

【００７０】実際には、全ての学習パターンについて
（７）式のように積和を平均した値を新たなＴの値とす
るニューロンの入出力関数ｆを用いて、（１）式に基づ
きシナプス荷重を修正する。

【００７１】以上、学習課程における修正パラメータと
してα、β、Ｔを対象とした場合のファジィ推論による
具体的な修正方法について説明した。

【００７２】本実施例で、図１１と図１２に示す学習パ
ターンを学習させた場合のフローチャートを図７に示
す。基本的な手順は、上記にて説明したファジィ推論に
よりパラメータαとβを修正しながら、学習を進めてい
き、各学習パターン（Ｐ）の誤差の変化巾｜△δｐ｜
が、ある設定したδの値以下に小さくなったら、次に各
学習パターンの誤差δｐが学習の誤差δより大きいもの
があれば、上記にて説明したファジィ推論によりパラメ
ータＴを修正して、学習を継続する。この時、ニューロ
ンの入出力関数ｆのパラメータであるＴを修正するの
で、各学習パターンの誤差の変化巾｜△δｐ｜が、再び
大きくなる可能性があるため、パラメータＴを修正した
らパラメータαとβを修正するループへ戻るようにし
た。

【００７３】図８に上記した図７のフローチャートに基
づいて、図１１および図１２の学習パターンを学習させ
た場合の誤差δｐの状況を示す。従来手法による学習で
は、図１０に示すように特に学習の初期では、誤差の変
動が大きく、学習回数が２４０回程度になっても、学習
パターンが、、、、については、誤差δの許
容値０．２以下にならなかった。この従来手法の学習経
過と比較して、本実施例では学習開始後６〜７回から誤
差の変動が小さくなり、８個全部の学習パターンが学習
回数７８回で収束させることができた。

【００７４】もちろん、図７の学習フローチャートにお
いて、α、βおよびＴのファジィ推論による調整を同時
に実行してもよい。

【００７５】また、学習すべきパターンの難易度によっ
ては、図７に示すようにパラメータの修正を毎回の学習
時に実施したり、各学習パターンの誤差によっては、数
回〜数百回に１度各パラメータをファジィ推論にて修正
することも可能である。応用例としては、生画像内の予
想しがたい外乱のある対象設備の異常検知に適用でき
る。例えば、温度のゆらぎがあるような赤外画像や対象
物の不規則な移動を供う侵入者検知などにも適用でき
る。

【００７６】本発明の他の実施例として図１７に示す区
分線形関数をニューロンの入出力関数とした場合も同様
な効果が挙げられる。この図１７の区分線形関数は、次
の（８）式で示される。

【００７７】

【数１３】

【００７８】この区分線形関数ｆ（ｘ）のパラメータｘ
₀を、学習課程においてファジィ推論によって修正す
る。このファジィ推論の実施例として、ファジィ変数Ｖ
Ｌ、Ｌ、Ｍ、Ｓ、ＶＳについてメンバーシップ関数を図
１８に示す。

【００７９】また、図１６に示すような相互結合型のニ
ューラルネットワークにおいても、ニューロンｉとｊと
のシナプス荷重の修正量△Ｗｉｊ（ｔ＋１）を下記
（９）式で修正する時に、ファジィ推論を用いてパラメ
ータα₁とニューロンの入出力関数のパラメータＴを全
ての学習パターンについて最適になるように調整するこ
とにより、相互結合型ネットワークの平衡状態に収束さ
せることができる。

【００８０】

【数１４】

【００８１】ここで、Ｚｉ、Ｚｊ：ニューロンｉ、ｊ
の出力値

【００８２】

【数１５】

【００８３】この場合は、ニューラルネットワークに対
する正解、つまり教師信号は存在しないので、ネットワ
ーク全体が平衡状態に収束してゆく度合に関しては、あ
る１つの学習パターンＰについて、（１１）式のポテン
シャル関数Ｕｐの値の変化巾（１２）式の△Ｕｐを基に
評価する。ある学習パターンＰについて

【００８４】

【数１６】

【００８５】

【数１７】

【００８６】この時のファジィルールを下記に示す。

【００８７】ある学習パターンＰについてルール〔１〕：△Ｕｐが大きい（Ｌ）なら、α₁を大
（Ｌ）にし、Ｔを大（Ｌ）にする。

【００８８】ルール〔２〕：△Ｕｐが中位（Ｍ）なら、
α₁を中位（Ｍ）にし、Ｔを中位（Ｍ）にする。

【００８９】ルール〔３〕：△Ｕｐが小さい（Ｓ）な
ら、α₁を小さく（Ｓ）し、Ｔを小さく（Ｓ）する。

【００９０】これらのルールは、ニューラルネットワー
クが、学習パターンＰに対して平衡状態に近づくにつれ
て、パラメータα₁とＴを次第に小さくすることによ
り、各ニューロンでの識別能力を高めることになり、振
動や発散がなく、高速に平衡状態へ収束させることがで
きる。前件部および後件部の各ファジィ変数のメンバー
シップ関数を図１９に示す。

【００９１】また、実際の学習させるべきパターンの難
易度によっては、ファジィルール、ファジィ変数および
メンバーシップ関数の形を選定することにより対応でき
る。

【００９２】

【発明の効果】本発明によれば、ニューラルネットワー
クの学習過程において、学習に関係するパラメータをフ
ァジィ推論を用いて修正するので、全ての学習すべきパ
ターンを最適に高速に収束することが可能となる。この
機能が付加されるので、正常や異常の画像を充分に学習
できるので異常監視システムの異常検知感度を高くし、
誤認識を低減できる。

【図面の簡単な説明】

【図１】本発明の実施例系統図。

【図２】本発明のシナプス荷重修正のメンバーシップ関
数を示す図。

【図３】本発明のニューロンの入出力関数を示す図。

【図４】入出力関数修正のメンバーシップ関数実施例
図。

【図５】本発明でのシナプス荷重修正のファジィ推論手
順図。

【図６】ニューロンの入出力関数修正のファジィ推論手
順図。

【図７】本発明でのニューラルネットワークの学習フロ
ー図。

【図８】本発明を適用したニューラルネットワークの学
習結果を示す図。

【図９】従来技術のニューラルネットワークを示す図。

【図１０】従来技術のニューラルネットワークによる学
習結果を示す図。

【図１１】正常時画像の学習パターン図。

【図１２】異常時画像の学習パターン。

【図１３】従来の監視技術説明図。

【図１４】従来技術の画像処理フロー図。

【図１５】従来技術による画像処理例図。

【図１６】ニューラルネットワークにおける他の実施例
図。

【図１７】入出力関数の他の実施例図。

【図１８】、

【図１９】メンバーシップ関数の他の実施例図。

Claims

【特許請求の範囲】

【請求項１】監視対象物を撮影する監視装置と、該装
置の撮影画像データを取込み、その画像データの輝度お
よび／または色相を入力信号とする学習機能を有する階
層形ニューラルネットワーク装置とを備え、対象物の異
常の有無を判断する異常検出装置において、上記ニュー
ラルネットワーク装置の階層間の学習課程パラメータ修
正部に、ファジィ推論パラメータ修正装置を設けたこと
を特徴とする異常検出装置。
【請求項２】監視対象物を撮影する監視装置と、該装
置の撮影画像データを入力信号とする学習機能を有する
階層形ニューラルネットワーク装置とを備え、対象物の
異常の有無を判断する異常検出装置において、上記ニュ
ーラルネットワーク装置の階層間の学習課程パラメータ
修正部に、ファジィ推論シナプス荷重修正装置および／
またはファジィ推論ニューロン入出力関数修正装置を設
けたことを特徴とする異常検出装置。
【請求項３】監視装置により監視対象物を撮影し、そ
の撮影した画像データを学習機能を有する階層形ニュー
ラルネットワーク装置に入力して、上記対象物の異常の
有無を判断する異常検出方法において、上記ニューラル
ネットワーク装置に対して、あらかじめ監視対象物の正
常時および異常時の学習パターンについて学習させるに
際し、各ニューロン間のシナプス荷重の修正量に対する
重みを示すパラメータを、ファジィ推論法により修正す
ることを特徴とする異常検出方法。
【請求項４】監視装置により監視対象物を撮影し、そ
の撮影した画像データを学習機能を有する階層形ニュー
ラルネットワーク装置に入力して、上記対象物の異常の
有無を判断する異常検出方法において、各ニューロン入
出力関数として、【数１】で示されるシグモイド関数を用い、上記ニューラルネッ
トワーク装置に対する監視対象物の正常時および異常時
の学習パターンについて学習させるに際し、学習初期や
出力層での誤差の大きいときには上記入出力関数中のＴ
の値を大きく、学習が進捗した段階や出力層での誤差が
小さいときは、Ｔを漸次小さくするとともに、このＴの
値の決定をファジィ推論により行なうことを特徴とする
異常検出方法。
【請求項５】監視装置により監視対象物を撮影し、そ
の撮影した画像データを学習機能を有する階層形ニュー
ラルネットワーク装置に入力して、上記対象物の異常の
有無を判断する異常検出方法において、各ニューロンの
入出力関数として明細書本文（８）式で示される【数２】を用い、上記ニューラルネットワーク装置に対して、監
視対象物の正常時および異常時の学習パターンの学習を
させるに際し、上記式のｆ（ｘ）のパラメータｘ ₀をフ
ァジィ推論により修正することを特徴とする異常検出方
法。
【請求項６】監視装置により監視対象物を撮影し、そ
の撮影した画像データを学習機能を有する階層形ニュー
ラルネットワーク装置に入力して、上記対象物の異常の
有無を判断する異常検出方法において、上記ニューラル
ネットワーク装置に対し、あらかじめ監視対象物の正常
時および異常時の学習パターンについて学習させる際
に、まず、ニューラルネットワークの各ニューロン間の
シナプス荷重の修正をファジィ推論により行ない、各学
習パターンでの誤差の変化幅（△δｐ）がある値（δ）
以下となり、かつ各学習パターンでの誤差（δｐ）にお
いて、設定学習誤差（δ）より大きいものがある場合
は、ニューロンの入出力関数の修正を行なうことを特徴
とする異常検出方法。