JPH07128201A

JPH07128201A - 監視装置および方法

Info

Publication number: JPH07128201A
Application number: JP29610293A
Authority: JP
Inventors: Takayoshi Yamamoto; 隆義山本; Atsushi Nakahara; 淳中原; Shigeru Kamata; 茂鎌田
Original assignee: Babcock Hitachi KK
Current assignee: Mitsubishi Power Ltd
Priority date: 1993-10-31
Filing date: 1993-10-31
Publication date: 1995-05-19

Abstract

(57)【要約】【目的】階層型ニューラルネットワークを有する監視
システムの非線形性を上げるなどにより汎化能力を向上
させた監視方法と装置を提供すること。【構成】入力データとしてニューラルネットワークに
より、正常入力データと異常入力データのパターンの学
習をする手段と、検知用入力データと学習パターンとを
ニューラルネットに入力して、当該入力データが正常と
異常とをそれぞれ判断する正常／異常判別手段と、学習
手段の追加学習の後に、正常／異常判別手段の汎化能力
の低下の有無を判定する手段と、汎化能力が低下して誤
判断した場合に、シナプス修正用にどのようなニューロ
ン入出力関数と、どのモードが最適であるかを判別する
手段と、判別されたシナプス修正用モードに基づき、正
常／異常判別手段の汎化能力が向上するようにシナプス
の荷重の修正を行い、その結果を正常／異常判別手段に
出力するシナプス荷重修正手段とを設けた監視装置。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、監視システムに係り、
特にニューラルネットワークを判断機能に有し、その汎
化能力の維持・向上に好適で、再学習により判断機能を
高度化した監視装置と方法に関する。

【０００２】

【従来の技術】火力発電プラント、ＬＮＧ基地等におい
て、その設備の長寿命化、パトロールの省力化などの要
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、気化器など）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（Ｆａ
ｃｔｏｒｙＡｕｔｏｍａｔｉｏｎ）分野からの波及と
して増加する傾向にある。しかしながら、監視テレビカ
メラでは監視領域が限られ、火力発電プラント、ＬＮＧ
基地等の設備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、あるいは聴覚による巡視点検
が行われている。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システムの中央集中化、
あるい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。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（正常あるいは異
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、監視ロボットによ
る点検システムを実現させると、その概略は図２０
（ａ）〜図２０（ｃ）に示すように次の３つの部分から
構成される。（１）現場を巡視点検する監視ロボット１、（２）監視
ロボット１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、生音響を教示
し、異常判断装置４から異常有の判断が出れば、異常内
容の提示を行うと同時に監視ロボット１の制御も行うマ
ン・マシン・インターフェース５、監視ロボット１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２、マイクロフォン３、その他図示し
ていない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、図２０（ｂ）の矢印のよ
うに走行レール７に沿って現場内をくまなく移動し、各
情報を収集して廻り、その監視情報を通信装置６を介し
て異常判断装置４に送る。

【０００３】ここで、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。異
常項目は監視対象、監視場所によって異なるが、火力発
電用のボイラプラントを例にとると、主に油リークと蒸
気リークに絞られる。これらのリークは放っておくと重
大事故につながるもので、早期発見が要求されている項
目である。油リークは画像変化のみを伴うもので、画像
変化だけに注目し画像処理を行い、異常を抽出する。以
下に、現在一般に行われている異常検出画像処理手法
を、油リーク検出を例にして説明する。画像処理フロー
チャートを図１９に示す。同図の（ａ）に示すように、
監視ロボット１は第１画像として、対象となる機器や場
所の正常時の状態を画像として取り込み（ステップ
１）、２値化処理して（ステップ２）、メモリ（１）に
記憶しておく（ステップ３）。ここで２値化処理とは、
画像を画素単位でとらえ、あるしきい値を基準に輝度の
高いものを白、低いものを黒とする処理であり、一般に
画像処理の前処理として行われているものである。監視
時には図１９の（ｂ）に示す処理を行う。すなわち、第
１画像として取り込んだ同じ対象を第２画像として取り
込み（ステップ４）、２値化処理して（ステップ５）、
メモリ（２）に記憶する（ステップ６）。次にメモリ
（１）に記憶してある第１画像とメモリ（２）に記憶し
てある第２画像との減算を行い（ステップ７）、変化分
を抽出して面積計算を行い、異常かどうか判定する（ス
テップ８）。異常がある場合には警報を発する（ステッ
プ９）。

【０００４】面積計算を行う理由は以下の通りである。
第１画像と第２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。これは監視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
が時々刻々と変化しているので、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
誤判断しないために判定基準のしきいを設けている。以
上の処理を行った実例を図２１に示す。これは川１１の
流れの表面をカメラにより監視した場合である。図２１
において、Ａ₁は正常時の画像であり、Ｂ₁は水面上に油
１２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値化処理を行った
ものが画像Ａ₂と画像Ｂ₂である。次に、画像Ａ₂と画像
Ｂ₂においてＥＸＯＲ演算（排他的論理和演算）を行う
と、油１２の部分とその他に川１１の水面上のズレ１３
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
タル画像のセンサなどの異常判断ロジックで使用されて
いる。ただし、この異常監視装置においては監視カメラ
は固定されている。

【０００５】しかしながら、前述した従来の監視カメラ
を用いるシステムでは、常に基準画像をメモリとして持
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。（１）日照変化の影響を受け易い。例えば、朝基準画像
を取り込み、昼に点検に来たら影ができており、その影
を異常と判断することがある。（２）人の接触による監視対象物のズレの影響が出る。
基準画像を取り込んだ後、作業員などが、例えばオイル
パンなどの対象物を動かした場合に画像に変化が発生
し、異常と判定することがある。（３）ロボットに正確な位置決めが要求される。（４）基準画像を点検場所、監視対象物ごとに持たなけ
ればならず、大量のメモリを必要とする。

【０００６】また、上述した図２０に示したような画像
処理に基づく異常判断の問題点のない異常判断方法とし
て、画像データをニューラルネットワークに入力し、自
己学習をさせる方法が提案されており、この方法は基準
画像をメモリとして持たず、画像情報に含まれる外乱に
対する誤判断が少なく、検知感度が高い特徴を持ってい
る。しかしながら、正常または異常な種々の画像を図１
４に示すようなニューラルネットワークで学習させる場
合に、その学習パターンによっては収束させるのに長時
間を要し、また学習パターンの選び方によってはあいま
いな認識結果を出力する場合がある。これは学習パター
ンに比較的近い対象画像であれば、当該学習済みのニュ
ーラルネットワークは、妥当な認識結果を出力するが、
既学習パターンと比較してかなりかけ離れた対象画像で
は、正常と異常の判断が困難な場合が生じてしまうこと
が指摘されている。

【０００７】このことを、図２３、図２４の川１１の流
れにおける油１２、日影１４などの監視の例で説明す
る。図２３（ａ）〜（ｄ）と図２４（ａ）〜（ｄ）には
川１１内での油１２、日影１４がある場合と無い場合の
種々の画像パターン例を示す。川１１の表面を監視カメ
ラで撮影した場合の輝度分布の例を図２２に示す。ここ
では、輝度を１０段階に分けて、各段階における輝度の
川１１の油１２、日影１４、標準的な水面上および日光
の反射している部分の各々の段階の輝度における画素数
を結んで得られる輝度分布曲線を示す。（曲線１：油、
曲線２：日影、曲線３：標準的な水面、曲線４：日光の
反射）このように、特に野外では、一つの画像の中での輝度分
布の範囲が非常に広いため、全ての可能性のある画像を
ニューラルネットワークに学習させることは実用上困難
である。また、油１１と日影１４のように輝度分布の差
が少ないため、輝度の程度が油１１の流出による異常に
よるものか、単に日影１４が川１１上にかかっているだ
けの正常な状態であるのかの識別ができないことにな
る。このように、異常時の輝度分布に比べて、正常時の
輝度分布やその経時的変化の方が大きい場合が多いた
め、入力データの差の小さい異常監視（ここでは、油１
２と日影１４の判定）を目的とする場合には、異常デー
タとあまりにかけ離れた正常データ（ここでは、日光の
反射など）をも正常パターンとして選定すると、学習の
収束性が極端に悪くなるばかりでなく、いわゆるニュー
ラルネットワークの汎化能力の点でも劣ることになる。
さらに、被写体や領域に今までになかった新しい現象が
発生し、画像データが既学習データとかなり異なってい
る場合は、ニューラルネットワークの出力値が誤った値
となり誤判断となる。

【０００８】このような場合、その新しい現象の画像デ
ータを新しく学習パターンとして追加した、いわゆる追
加学習を実行させる。基本的には、追加学習を実行させ
るという方法で、新しい現象への対応を行うが、既学習
パターンを再学習させると、学習パターン間の距離の相
関が大きく変わり、いわゆる非線形性が大きくなり、再
学習の収束が困難になったり、仮に収束させることがで
きても、ニューラルネットワークの汎化能力が低下する
場合がある。つまり、学習パターンとの距離が少しでも
相違すると誤判断をする方向へ陥ってしまうことがあり
得るのである。これは、階層型ニューラルネットワーク
の学習の原理が、いわゆる誤差逆伝播法と呼ばれている
が、その考え方はニューラルネットの出力値の誤差の２
乗和を評価関数（エネルギ関数）として、この最小値へ
探索してゆくことが学習に相当する。いま、評価関数γ
として、（１）式が定義される。

【数１】ｊ：出力層のニューロンの荷重Ｆ_j（ｘ)：出力層のｊニューロンの出力値Ｔ_j：ｊニューロンへの教師信号この評価関数は、図１７のようにいくつかの極小値を持
つ多次元の形をしている（図１７は模式的に書いたも
の）。ここでニューロンの出力値はシナプスの荷重
ω_i、ω_j、入力パターンなどで決まるものである。図１
７に示すγの曲面を降下してゆくが、最小値へ行けば、
最も安定な状態であるので、種々の入力パターンに対し
ても正しい判断が可能な領域が広く、いわゆる汎化能力
が高いが、一般には、図１７に示すような極小値にトラ
ップされる場合があり、この状態にあるニューラルネッ
トワークでは、上記学習パターンに近い入力パターンに
のみ正しい判断ができるが、さらに離れた入力パターン
については、誤った出力をする。つまり汎化能力が低い
と言える。

【０００９】これは、ニューロンでの入出力変換関数Ｆ
（ｘ）は式（２）に示すシグモイド関数が使用されてい
るので、図１８（ａ）に示す形をしている。そして、入
力ｘに対して非線形変換を行い、次のニューロン層へと
伝達される。入力ｘに対してその微分値Ｆ'(ｘ）は図１
８（ｂ）の形状をしており、初期値ｘ₀でＦ'(ｘ）≦
０．２５しかとれない。Ｆ（ｘ）＝１／（１＋ｅ^-x）（２）図１８に示す形をしている入出力変換関数Ｆ（ｘ）のよ
うに、階層型ニューラルネットワークが有している入力
パターンに対する非線形分離能力が、入力パターン自体
の非線形性より劣る場合は、誤判断となり、その入力パ
ターンを追加学習すれば、当該パターンについては、正
しい判断を出力できるが、追加学習前より汎化能力が低
下する。

【００１０】

【発明が解決しようとする課題】上記従来技術は、階層
型ニューラルネットワークにおける汎化能力の向上のた
めに、誤判断が生じた時の対策や非線形性の大きな入力
パターンを分類するための施策が配慮されておらず、画
像処理、音響処理等による対象物の状態把握における信
頼性に欠けるという問題があった。本発明の目的は、階
層型ニューラルネットワークを有する監視システムの非
線形性を上げるなどにより汎化能力を向上させた監視方
法と装置を提供することである。

【００１１】

【課題を解決するための手段】本発明の上記目的は、次
の構成によって達成される。（１）外界からの入力データを取り込み、入力信号の平
均化処理や入力信号の圧縮処理などを行う入力信号処理
手段と、入力信号を処理した信号を入力データとしてニ
ューラルネットワークにより、正常入力データと異常入
力データのパターンの学習をする機能を有する学習手段
と、検知用入力データと前記学習したパターンとをニュ
ーラルネットに入力して、当該入力データが正常な入力
データであれば正常と自動判断し、異常入力データであ
るれば異常と自動判断する正常／異常判断手段と、前記
学習手段の追加学習の後に、正常／異常判断手段の汎化
能力の低下の有無を判定する汎化能力判別手段と、前記
汎化能力が低下して誤判断した場合に、シナプス修正用
にどのようなニューロン入出力関数にするかおよび選択
されたニューロン入出力関数のどのモードが最適である
かを判別するシナプス修正用モード判別手段と、該シナ
プス修正用モード判別手段により判別されたシナプス修
正用モードに基づき、正常／異常判断手段の汎化能力が
向上するようにシナプスの荷重の修正を行い、その結果
を正常／異常判断手段に出力するシナプス荷重修正手段
とを設けた監視装置。上記監視装置の構成図を図１に示
す。上記監視装置はシナプス修正用モード判別手段は、
正常／異常判断手段より得られた出力層ニューロンの出
力値と教師信号との誤差の大小から、ファジイ推論によ
り、修正用モードを決めることができる構成とすること
ができる。

【００１２】（２）外界からの入力データを取り込み、
入力信号の平均化処理や入力信号の圧縮処理などの入力
信号処理をした後、該処理信号を入力データとしてニュ
ーラルネットワークにより、正常入力データと異常入力
データのパターンを学習し、検知用入力データと前記学
習したパターンとをニューラルネットに入力して、当該
入力データが正常な入力データである時には正常と自動
判断し、異常入力データであれば、異常と自動判断し、
前記学習したパターンに新たな現象に対して追加学習を
した後に、前記正常／異常の判断の汎化能力が低下し
て、誤判断を出した場合には、シナプス修正のために、
最適なニューロン入出力関数と入出力関数のモードを求
め、前記正常／異常の判断の汎化能力が向上するように
シナプスの荷重の修正を行う監視方法。上記監視方法の
シナプス修正用モードは、正常／異常判断手段より得ら
れた出力層ニューロンの出力値と教師信号との誤差の大
小から、ファジイ推論により、修正用モードを決める方
法を採用することができる。また、上記監視方法のニュ
ーラルネットワークのニューロンの入出力関数は、生物
の個体数の成長に関するロジスティック方程式で増殖係
数をｋ、混雑係数を１とした連続関数とし、シナプス荷
重の修正は、前記増殖係数ｋに応じたモードにて中間層
と出力層ニューロン間のシナプス荷重を逆誤差伝播法に
基づき修正する方法とすることもできる。さらに、上記
監視方法のシナプス荷重の修正ステップとして、ロジス
ティック方程式をオイラー法により求めた差分方程式の
ｎ＝０世代から順次世代を進めることにより再学習を収
束させて、正常／異常の判断の汎化能力が向上させる方
法を採用しても良い。また、上記監視方法のシナプス荷
重の修正は、増殖係数ｋに応じたモードによって、世代
が進むにつれて、シナプス荷重の修正量の挙動が単調減
少、単調増加、安定な１周期点への減衰振動、２周期点
へ振動しながら漸次収束、さらに初期値によらずカオス
的な挙動をする５つのモードを有することにより、ニュ
ーラルネットにより分類すべき入力パターンの非線形性
の大小に追従できるようにしても良い。

【００１３】

【作用】従来技術の単に階層型ニューラルネットでは入
力パターンが既学習パターンと大きく相違していたり、
あるいは、入力パターンを複数個のカテゴリに分類する
際に、それらの境界があいまいであると誤判断してしま
い、そのパターンを追加学習させるしか手段がなかった
が、本発明では、シナプス修正用モードの判別手段と非
線形性の大小に応じたシナプス荷重の修正手段を設ける
ことで、誤差の大小に応じて、非線形性のモードを変更
することで解決することができ、追加学習による汎化能
力の低下や誤判断が発生した場合での再学習においても
汎化能力が低下することがない。

【００１４】

【実施例】本発明の実施例を図面と共に説明する。図２
に本実施例の監視システムの構成を示す。カメラ１から
画像処理装置２２が取込んだ画像は、監視コンピュータ
２３からの指令により画像処理装置２２にて必要な平均
化処理や平滑化および画像圧縮などを行い、その画像デ
ータを監視用コンピュータ２３に入力し、図３に示す階
層型ニューラルネットワークにて認識し、判断結果を出
力する。この際、追加学習を実施した後、あるいは、何
か誤判断と人間が判定した場合は、認識チェック装置２
４にてチェック用の輝度データを用いて、監視用コンピ
ュータ２３と同一の階層型ニューラルネットワークを作
用させ、その判断結果が正しいか否かをチェックする
（図４）。その判断結果が正しければそのまま出力し運
用に入る。

【００１５】認識チェック装置２４にて誤判断が出れ
ば、シナプス修正用モード判別器２５において、どのよ
うなモードに対応するニューロン入出力関数にするか、
また、（３）式に示すＡ層とＲ層との間のシナプス荷重
を修正するファクターＦ（ｘ）の値を決めるために、図
５に示すように、認識チェック装置２４の出力層ニュー
ロンの出力値と教師信号との誤差の絶対値｜δ｜＝Ｆ
（ｘ）−Ｔの大小に基づき、以下に示すファジィルール
および図５に示すメンバーシップ関数を用いて、最適な
モードｋを決定する。シナプス荷重の修正量 △ω^kR _ij △ω^AR _ij＝−ε（Ｆ^R _j（ｘ）−Ｔ_j）×Ｏ^A _i×Ｆ'_j（ｘ）（３）ここで、Ｔは各出力値Ｆ(ｘ）に与えられる教師信号で
あり、正常である場合はＴ＝０、異常である場合はＴ＝
１を与えておく。また、εは係数であり、ＯはＡ層の出
力である。

【００１６】（ファジィルール）（ａ）｜δ｜が小の時はｋは小さくする。（ｂ）｜δ｜が中位レベル（Ｍ１）の時はｋも中位レベ
ル（Ｍ１）とする。（ｃ）｜δ｜が中位レベル（Ｍ２）の時はｋも中位レベ
ル（Ｍ２）とする。（ｄ）｜δ｜が大の時はｋも大とする。本実施例では（４）式のニューロン入出力関数を用い
た。

【００１７】Ｆ（ｘ）＝ｋ／（ｋ＋ｅ^-kx）（４）（４）式の入出力関数は（２）式のそれに比較して、図
６に示すように初期値ｘ₀の値に応じて、種々のＦ
（ｘ）の値を取り得る。このモードｋに基づき、図６に
示す５種類のモードのいずれかが選択される。各モード
ｋにおいて、出力層ニューロンへの入力の総和ｘ₀を初
期値として、同出力値の一次微分Ｆ'(ｘ）を求める。こ
れを世代０として、認識チェック結果が正しくならない
場合は、世代を１つ進めて世代１としてニューラルネッ
トのＡ層とＲ層とのシナプス荷重を修正してゆく。この
シナプス荷重の修正量は（３）式に示す通りである。
（３）式中のＦ'_j（ｘ）に、図６で求めた、ある世代の
値を代入してＡ層のｉ番目ニューロンとＲ層ｊ番目ニュ
ーロン間のシナプス荷重を修正して、誤差が予め決めた
許容値以下になるように再学習し、再度、認識チェック
装置にてチェックして判断が正しくなるまで繰り返す。
以上の処理手順を図７に示す。

【００１８】図８には、本実施例に使用した輝度データ
を示す。ここでは、縦３個×横３個の９個の輝度データ
とし、正常／異常のパターンを各々２個づつ示す。これ
らの４つのパターンを学習収束させたニューラルネット
ワークを組み込んだ監視用コンピュータに検知テストを
実施する。この検知テストに使用した輝度データを図９
〜図１２に示すデータ〜である。その検知テストに
おいて監視用コンピュータ２３の出力値を表１に示す。

【００１９】

【表１】データとは、既学習用データの図８のパターンに比
較的近いため、正しい判断を示していることが判る。と
ころが、データ〜は誤判断となっており、各々の最
大誤差｜δ｜_Mを同じく表１に示している。シナプス修
正用モード判別器２５でのファジィ推論によるｋの値の
決め方を図１３に示す。これによれば、データはｋ＝
２．８、データにより既学習パターンに比べて非線形
性の強いデータはｋ＝３．８となり、各々、モード３
およびモード５が選定されることが判る。このように、
入力輝度パターンの非線形性に応じてシナプス修正用の
モードを自動選択し、再学習を効率良く実施し、大きな
非線形性を有する入力データを階層型ニューラルネット
で識別することが可能となった。さらに、図６のモード
４や５では、カオス的な程度の非線形性への対応も可能
とするものである。これらのモードの分岐は、生物の個
体数の増加がロジステックに関数に従うとされ、時間と
共に、Ｓ字型の単調増加の形をとる。

【００２０】従来技術ではニューロンの入出力関数はＦ
（ｘ）＝１／（１＋ｅ^-x）の形であるが本実施例では
（４）式を採用し、またシナプス修正器でのファクター
Ｆ'(ｘ）は、差分方程式（５）式を採用した点がポイン
トの一つである。Ｆ（ｘ）＝ｋ／（ｋ＋ｅ^k-x）（４）Ｆ'(ｘ）＝ｋｘ（１−ｘ）（５）これにより、ニューラルネットワークの学習方法として
Ｒｕｍｅｌｈａｒｔらが提案した誤差逆伝播法におい
て、シナプス荷重の修正の程度が、本実施例で表せば、
ｋ＝１に相当する。本実施例では０＜ｋ≦４に拡張する
ことにより入力データの非線形分離能力を高めることが
できた。表２に本実施例による再学習後の検知パターン
〜に対する判断結果を示す。

【表２】表２より、全て正しく認識することができていることが
分かる。なお、この〜の輝度データを学習パターン
の正常時のものをベースに、各位置での輝度の差の平方
和で定義したパターン間距離を図１６に示す。正常と異
常のパターンが入り乱れ、これらを正常／異常間の関係
は、かなり非線形性が高いが本実施例のシナプス荷重修
正器２６の付加によりパターン分類が可能となった。ま
た、図６に示すように世代ｑを０世代から１，２．．．
と変化させながら、Ｆ'(ｘ）を決め、（３）式に基づき
シナプス荷重を修正する方法は、再学習において、評価
関数（１）式が図１７に示すような極小値にトラップさ
れる確率を小さくし、最小値に移行させる効果へ寄与し
ているものと考えられる。

【００２１】本発明では、シナプス荷重修正器２６にロ
ジステック方程式の差分方程式として非線形性を、その
前段階のモード判別器２６においてｋを選択することで
大幅に上げることができ、Ａ層とＲ層間のシナプス荷重
を修正するこでで、学習パターンと大幅にかけ離れたパ
ターンを正しく判断する、いわゆる汎化能力を高めるこ
とができたが、他の実施例としては、さらに汎化能力を
高めるために、入力層（Ｓ層）と中間層（Ａ層）間のシ
ナプス荷重も併せて修正することもできる。

【００２２】また、本発明が対象とする入力データは、
画像信号に限らず音響信号などの信号入力に対し、非線
形性の強い空間のパターン分類に適用可能である。

【発明の効果】本発明によれば、階層型ニューラルネッ
トワークによる判断機能において、正常／異常判断手段
（認識チェック装置）、シナプス修正用モード判別手段
およびシナプス荷重修正手段を設けることにより、入力
信号の非線形性に応じた学習が可能となるまで、ニュー
ラルネットワークの重要課題である汎化能力の向上が実
現することができた。

【図面の簡単な説明】

【図１】本発明の構成図である。

【図２】本発明の一実施例の構成図である。

【図３】図２の監視用コンピータの構成図である。

【図４】図２の認識チェック装置（正常／異常判断手
段）の構成図である。

【図５】図２のシナプス修正用モード判別器の構成図
である。

【図６】本発明の一実施例のモードと修正ファクタを
説明する図である。

【図７】本発明の一実施例の操作手順を説明する図で
ある。

【図８】本発明の一実施例の学習用輝度データを示す
図である。

【図９】本発明の一実施例の検知テスト用輝度データ
を示す図である。

【図１０】本発明の一実施例の検知テスト用輝度デー
タを示す図である。

【図１１】本発明の一実施例の検知テスト用輝度デー
タを示す図である。

【図１２】本発明の一実施例の検知テスト用輝度デー
タを示す図である。

【図１３】シナプス修正用モード判別を説明する図で
ある。

【図１４】階層型ニューラルネットの構成を説明する
図である。

【図１５】従来の監視システムの構成図である。

【図１６】入力の輝度データ間の距離を示す図であ
る。

【図１７】評価関数のベクトル空間での模式図であ
る。

【図１８】従来のニューロンの入出力関数を説明する
図である。

【図１９】従来技術の監視システムのフローチャート
を説明する図。

【図２０】監視システムの概念を説明する図。

【図２１】川の流れに対する画像を示す図。

【図２２】川の流れの各種画像パターンの輝度分布を
示す図。

【図２３】川の流れに対する各種の画像を示す図。

【図２４】川の流れに対する各種の画像を示す図。

【符号の説明】

１…監視ロボット、２…ＩＴＶカメラ、３…マイクロフ
ォン、４…異常判断装置、５…マン・マシン・インター
フェース、６…通信装置、７…走行レール、１１…川、
１２…油、１３…ズレ、１４…日影２２…画像処理装置、２３…監視用コンピータ、２４…
認識チェック装置、２５…シナプス修正用モード判別
器、２６…シナプス荷重修正器

Claims

【特許請求の範囲】

【請求項１】外界からの入力データを取り込み、入力
信号の平均化処理や入力信号の圧縮処理などを行う入力
信号処理手段と、入力信号を処理した信号を入力データとしてニューラル
ネットワークにより、正常入力データと異常入力データ
のパターンの学習をする機能を有する学習手段と、検知用入力データと前記学習したパターンとをニューラ
ルネットに入力して、当該入力データが正常な入力デー
タであれば正常と自動判断し、異常入力データであるれ
ば異常と自動判断する正常／異常判断手段と、前記学習手段の追加学習の後に、正常／異常判断手段の
汎化能力の低下の有無を判定する汎化能力判別手段と、前記汎化能力が低下して誤判断した場合に、シナプス修
正用にどのようなニューロン入出力関数にするかおよび
選択されたニューロン入出力関数のどのモードが最適で
あるかを判別するシナプス修正用モード判別手段と、該シナプス修正用モード判別手段により判別されたシナ
プス修正用モードに基づき、正常／異常判断手段の汎化
能力が向上するようにシナプスの荷重の修正を行い、そ
の結果を正常／異常判断手段に出力するシナプス荷重修
正手段とを設けたことを特徴とする監視装置。
【請求項２】シナプス修正用モード判別手段は、正常
／異常判断手段より得られた出力層ニューロンの出力値
と教師信号との誤差の大小から、ファジイ推論により、
修正用モードを決めることを特徴とする請求項１記載の
監視装置。
【請求項３】外界からの入力データを取り込み、入力
信号の平均化処理や入力信号の圧縮処理などの入力信号
処理をした後、該処理信号を入力データとしてニューラ
ルネットワークにより、正常入力データと異常入力デー
タのパターンを学習し、検知用入力データと前記学習し
たパターンとをニューラルネットに入力して、当該入力
データが正常な入力データである時には正常と自動判断
し、異常入力データであれば、異常と自動判断し、前記
学習したパターンに新たな現象に対して追加学習をした
後に、前記正常／異常の判断の汎化能力が低下して、誤
判断を出した場合には、シナプス修正のために、最適な
ニューロン入出力関数と入出力関数のモードを求め、前
記正常／異常の判断の汎化能力が向上するようにシナプ
スの荷重の修正を行うことを特徴とする監視方法。
【請求項４】シナプス修正用モードは、正常／異常判
断手段より得られた出力層ニューロンの出力値と教師信
号との誤差の大小から、ファジイ推論により、修正用モ
ードを決めることを特徴とする請求項３記載の監視方
法。
【請求項５】ニューラルネットワークのニューロンの
入出力関数は、生物の個体数の成長に関するロジスティ
ック方程式で増殖係数をｋ、混雑係数を１とした連続関
数とし、シナプス荷重の修正は、前記増殖係数ｋに応じ
たモードにて中間層と出力層ニューロン間のシナプス荷
重を逆誤差伝播法に基づき修正することを特徴とする請
求項３または４記載の監視方法。
【請求項６】シナプス荷重の修正ステップとして、ロ
ジスティック方程式をオイラー法により求めた差分方程
式のｎ＝０世代から順次世代を進めることにより再学習
を収束させて、正常／異常の判断の汎化能力が向上させ
ることを特徴とする請求項３〜５のいずれかに記載の監
視方法。
【請求項７】シナプス荷重の修正は、増殖係数ｋに応
じたモードによって、世代が進むにつれて、シナプス荷
重の修正量の挙動が単調減少、単調増加、安定な１周期
点への減衰振動、２周期点へ振動しながらの漸次収束、
さらに初期値によらずカオス的な挙動をする５つのモー
ドを有することにより、ニューラルネットにより分類す
べき入力パターンの非線形性の大小に追従できることを
特徴とする請求項３〜６のいずれかに記載の監視方法。