JPH0785013B2 - 鋼板の表面等級判別方法 - Google Patents
鋼板の表面等級判別方法Info
- Publication number
- JPH0785013B2 JPH0785013B2 JP3138404A JP13840491A JPH0785013B2 JP H0785013 B2 JPH0785013 B2 JP H0785013B2 JP 3138404 A JP3138404 A JP 3138404A JP 13840491 A JP13840491 A JP 13840491A JP H0785013 B2 JPH0785013 B2 JP H0785013B2
- Authority
- JP
- Japan
- Prior art keywords
- learning
- vector
- steel sheet
- neural network
- kohonen
- 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
- Investigating Or Analysing Materials By Optical Means (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Description
【０００１】
【産業上の利用分野】本発明は、鋼板の表面等級判別方
法、特に、オンライン又はオフラインで鋼板の表面等級
を判別するに際し、鋼板表面の特徴を計測する複数のセ
ンサを用いて行う、表面等級の判別に適用して好適な鋼
板の表面等級判別方法に関する。
法、特に、オンライン又はオフラインで鋼板の表面等級
を判別するに際し、鋼板表面の特徴を計測する複数のセ
ンサを用いて行う、表面等級の判別に適用して好適な鋼
板の表面等級判別方法に関する。
【０００２】
【従来の技術】鋼板表面の特徴を計測する複数個のセン
サを用いて行う鋼板の表面等級判別方法としては、各セ
ンサから得られる鋼板表面の粗度、光沢度、白色度等の
特徴量を表わしているデータを表面等級判別のための因
子として取扱い、目視等により決定した鋼板の表面等級
と、その鋼板における上記各因子の値との対応を調べ、
これら各因子と表面等級の関係を回帰的に決定すること
により、表面等級を判別する方法がある。
サを用いて行う鋼板の表面等級判別方法としては、各セ
ンサから得られる鋼板表面の粗度、光沢度、白色度等の
特徴量を表わしているデータを表面等級判別のための因
子として取扱い、目視等により決定した鋼板の表面等級
と、その鋼板における上記各因子の値との対応を調べ、
これら各因子と表面等級の関係を回帰的に決定すること
により、表面等級を判別する方法がある。
【０００３】この表面等級の判別方法では、各因子によ
り形成される空間を等級毎に領域分割し、入力される因
子がどの領域に含まれるかを調べることにより、等級判
別を行っていると解釈することができる。この領域分割
の方法としては、一般に判別関数を用いるか、あるいは
人間の判断によって座標上に境界を設定する方法が採用
されている。
り形成される空間を等級毎に領域分割し、入力される因
子がどの領域に含まれるかを調べることにより、等級判
別を行っていると解釈することができる。この領域分割
の方法としては、一般に判別関数を用いるか、あるいは
人間の判断によって座標上に境界を設定する方法が採用
されている。
【０００４】
【発明が解決しようとする課題】しかしながら、上記鋼
板の表面等級判別方法では、上述の如く、領域分割の方
法として、判別関数を用いるか、あるいは人間の判断に
より座標上に境界を設定する方法を採用しているため、
因子の数（入力データの種類）が３以上になったときに
は対応が困難である、複雑な領域の分割は困難である、
等の問題がある。
板の表面等級判別方法では、上述の如く、領域分割の方
法として、判別関数を用いるか、あるいは人間の判断に
より座標上に境界を設定する方法を採用しているため、
因子の数（入力データの種類）が３以上になったときに
は対応が困難である、複雑な領域の分割は困難である、
等の問題がある。
【０００５】本発明は、前記従来の問題点を解決するべ
くなされたもので、鋼板表面の特徴量である判別因子に
より形成される空間を等級毎に領域分割する場合、因子
の数に関係なく、又、領域の分割が複雑であっても、等
級毎に領域分割することを可能とし、表面等級を高精度
に判別することができる、鋼板の表面等級判別方法を提
供することを課題とする。
くなされたもので、鋼板表面の特徴量である判別因子に
より形成される空間を等級毎に領域分割する場合、因子
の数に関係なく、又、領域の分割が複雑であっても、等
級毎に領域分割することを可能とし、表面等級を高精度
に判別することができる、鋼板の表面等級判別方法を提
供することを課題とする。
【０００６】
【課題を解決するための手段】本発明は、鋼板表面の特
徴を計測する複数のセンサを用いて、鋼板の表面等級を
判別する鋼板の表面等級判別方法において、センサから
得られる表面粗度、光沢度及び白色度を含むデータ群を
ベクトルとして表現して入力ベクトルとし、上記入力ベ
クトルの次元と同数の入力ユニットを有する入力層と、
判別すべき表面等級と同数のグループに分割され、且つ
各グループにそれぞれ同数のコホーネンユニットを有す
るコホーネン層とを備えたニューラルネットワークを構
築し、上記ニューラルネットワークに対して学習ベクト
ル量子化法の学習則に従って学習を行い、然る後、上記
入力ベクトルを上記ニューラルネットワークによるベク
トル量子化法により分類し、鋼板の表面等級の判別を行
うことにより、前記課題を達成したものである。
徴を計測する複数のセンサを用いて、鋼板の表面等級を
判別する鋼板の表面等級判別方法において、センサから
得られる表面粗度、光沢度及び白色度を含むデータ群を
ベクトルとして表現して入力ベクトルとし、上記入力ベ
クトルの次元と同数の入力ユニットを有する入力層と、
判別すべき表面等級と同数のグループに分割され、且つ
各グループにそれぞれ同数のコホーネンユニットを有す
るコホーネン層とを備えたニューラルネットワークを構
築し、上記ニューラルネットワークに対して学習ベクト
ル量子化法の学習則に従って学習を行い、然る後、上記
入力ベクトルを上記ニューラルネットワークによるベク
トル量子化法により分類し、鋼板の表面等級の判別を行
うことにより、前記課題を達成したものである。
【０００７】本発明は、又、鋼板表面の特徴を計測する
複数のセンサを用いて、鋼板の表面等級を判別する鋼板
の表面等級判別方法において、センサから得られる表面
粗度、光沢度及び白色度を含むデータ群をベクトルとし
て表現して入力ベクトルとし、上記入力ベクトルの次元
と同数の入力ユニットを有する入力層と、判別すべき表
面等級と同数のグループに分割され、且つ少なくとも１
つのグループに他のグループと異なる数のコホーネンユ
ニットを有するコホーネン層とを備えたニューラルネッ
トワークを構築し、上記ニューラルネットワークに対し
て学習ベクトル量子化法の学習則に従って学習を行い、
然る後、上記入力ベクトルを上記ニューラルネットワー
クによるベクトル量子化法により分類し、鋼板の表面等
級の判別を行うことにより、同様に、前記課題を達成し
たものである。
複数のセンサを用いて、鋼板の表面等級を判別する鋼板
の表面等級判別方法において、センサから得られる表面
粗度、光沢度及び白色度を含むデータ群をベクトルとし
て表現して入力ベクトルとし、上記入力ベクトルの次元
と同数の入力ユニットを有する入力層と、判別すべき表
面等級と同数のグループに分割され、且つ少なくとも１
つのグループに他のグループと異なる数のコホーネンユ
ニットを有するコホーネン層とを備えたニューラルネッ
トワークを構築し、上記ニューラルネットワークに対し
て学習ベクトル量子化法の学習則に従って学習を行い、
然る後、上記入力ベクトルを上記ニューラルネットワー
クによるベクトル量子化法により分類し、鋼板の表面等
級の判別を行うことにより、同様に、前記課題を達成し
たものである。
【０００８】本発明は、更に、前記何れかの鋼板の表面
等級判別方法において、ニューラルネットワークに対し
て学習を行う際に、各グループの学習前のニューラルネ
ットワークの重みベクトルの初期値として、そのグルー
プの学習データの平均値を用いることにより、一層確実
に前記課題を達成したものである。
等級判別方法において、ニューラルネットワークに対し
て学習を行う際に、各グループの学習前のニューラルネ
ットワークの重みベクトルの初期値として、そのグルー
プの学習データの平均値を用いることにより、一層確実
に前記課題を達成したものである。
【０００９】
【作用】まず、本発明に適用される、ニューラルネット
ワークによるベクトル量子化法と、該ニューラルネット
ワークに対する学習について説明する。なお、以
下、〔〕の表記はベクトルを表わす。
ワークによるベクトル量子化法と、該ニューラルネット
ワークに対する学習について説明する。なお、以
下、〔〕の表記はベクトルを表わす。
【００１０】ニューラルネットワークを用いたベクトル
量子化方法としては、コホーネンらによる学習ベクトル
量子化（以下、ＬＶＱとも表記する）の技術が提案され
ている（Ｔ．Ｋohonen．et al．：”Ｓtatistical Ｐ
attern Ｒecognition withＮeural Ｎetworks ：Ｂen
chmarking Ｓtudies”，Ｐroceeding of ＴheＳecond
Ａnnual ＩＥＥＥ ＩＣＮＮ，Ｖol．１，１９８８）。
量子化方法としては、コホーネンらによる学習ベクトル
量子化（以下、ＬＶＱとも表記する）の技術が提案され
ている（Ｔ．Ｋohonen．et al．：”Ｓtatistical Ｐ
attern Ｒecognition withＮeural Ｎetworks ：Ｂen
chmarking Ｓtudies”，Ｐroceeding of ＴheＳecond
Ａnnual ＩＥＥＥ ＩＣＮＮ，Ｖol．１，１９８８）。
【００１１】上記ＬＶＱでは、入力層とコホーネン層か
ら構成されるニューラルネットワークを使用する。上記
入力層は、入力ベクトルの次元に対応した数の入力ユニ
ットを有しており、コホーネン層にはカテゴリ数に対応
してグループ分けされたコホーネンユニットを有してい
る。各グループ（カテゴリ）に含まれるコホーネンユニ
ットの数は、通常、同一である。
ら構成されるニューラルネットワークを使用する。上記
入力層は、入力ベクトルの次元に対応した数の入力ユニ
ットを有しており、コホーネン層にはカテゴリ数に対応
してグループ分けされたコホーネンユニットを有してい
る。各グループ（カテゴリ）に含まれるコホーネンユニ
ットの数は、通常、同一である。
【００１２】上記ニューラルネットによる判別は、入力
ベクトルと全てのコホーネンユニットとの間の、ユーク
リッド距離を求め、最小距離となったコホーネンユニッ
トが属するグループに割当てられたカテゴリに、上記入
力ベクトルを分類することで行われる。
ベクトルと全てのコホーネンユニットとの間の、ユーク
リッド距離を求め、最小距離となったコホーネンユニッ
トが属するグループに割当てられたカテゴリに、上記入
力ベクトルを分類することで行われる。
【００１３】又、上記ニューラルネットワークに対する
学習は、入力ベクトルとそのベクトルが属するカテゴリ
を繰返し提示し、コホーネンユニットの位置（コホーネ
ンユニットの位置は、各入力ユニットとそのコホーネン
ユニットの間の結合重みとして表現される）を修正する
ことにより行う。このＬＶＱの学習則を、以下に説明す
る。なお、コホーネンユニットi の位置を重みベクトル
〔Ｗi 〕で表わす。
学習は、入力ベクトルとそのベクトルが属するカテゴリ
を繰返し提示し、コホーネンユニットの位置（コホーネ
ンユニットの位置は、各入力ユニットとそのコホーネン
ユニットの間の結合重みとして表現される）を修正する
ことにより行う。このＬＶＱの学習則を、以下に説明す
る。なお、コホーネンユニットi の位置を重みベクトル
〔Ｗi 〕で表わす。
【００１４】まず、入力ベクトル〔Ｘ〕と重みベクトル
〔Ｗi 〕間の距離di（通常、ユークリッド距離）を、次
の（１）式で求める。
〔Ｗi 〕間の距離di（通常、ユークリッド距離）を、次
の（１）式で求める。
【００１５】
【数１】
【００１６】次に、求めた距離の中から最小のもの、つ
まり入力ベクトルと最も近い重みベクトルを持つコホー
ネンユニットを選ぶ。但し、最小のものが複数個存在す
るときは、それらの中から任意に一つ選ぶものとする。
このとき、選ばれるコホーネンユニットがどのクラス
（グループ）に割当てられているかを考慮する必要はな
い。ここで、上記のように選ばれたコホーネンユニット
を、「ネットワークに広がる勝者」と呼ぶことにする。
まり入力ベクトルと最も近い重みベクトルを持つコホー
ネンユニットを選ぶ。但し、最小のものが複数個存在す
るときは、それらの中から任意に一つ選ぶものとする。
このとき、選ばれるコホーネンユニットがどのクラス
（グループ）に割当てられているかを考慮する必要はな
い。ここで、上記のように選ばれたコホーネンユニット
を、「ネットワークに広がる勝者」と呼ぶことにする。
【００１７】このニューラルネットワークに対する学習
は、選ばれた上記コホーネンユニットが正しいクラスに
割当てられているかどうかを調べ、その結果に基づい
て、そのユニットの重みベクトルを修正し、更新する方
法で行われる。その際、学習前の初期状態として、各重
みベクトルの値をランダムに設定しておく。
は、選ばれた上記コホーネンユニットが正しいクラスに
割当てられているかどうかを調べ、その結果に基づい
て、そのユニットの重みベクトルを修正し、更新する方
法で行われる。その際、学習前の初期状態として、各重
みベクトルの値をランダムに設定しておく。
【００１８】即ち、選ばれたコホーネンユニット（ネッ
トワークに広がる勝者）は正しいクラスにあるときは、
そのユニットの重みベクトルを、入力ベクトルと現在の
重みベクトルを結ぶ直線上を入力ベクトルの方向へ少し
移動させる更新が行われる。つまり、そのコホーネンユ
ニットの重みベクトルを入力ベクトルの方向へ近付け
る。逆に、正しいクラスにないときは、そのコホーネン
ユニットの重みベクトルを同じ直線上を入力ベクトルと
逆の方向へ少し移動させる更新が行われる。
トワークに広がる勝者）は正しいクラスにあるときは、
そのユニットの重みベクトルを、入力ベクトルと現在の
重みベクトルを結ぶ直線上を入力ベクトルの方向へ少し
移動させる更新が行われる。つまり、そのコホーネンユ
ニットの重みベクトルを入力ベクトルの方向へ近付け
る。逆に、正しいクラスにないときは、そのコホーネン
ユニットの重みベクトルを同じ直線上を入力ベクトルと
逆の方向へ少し移動させる更新が行われる。
【００１９】以上の関係は、下記（２）式、（３）式で
表わす更新規則として表現することができる。
表わす更新規則として表現することができる。
【００２０】ネットワークに拡がる勝者が正しいクラス
にあるとき〔Ｗn 〕＝〔Ｗo 〕＋α（〔Ｘ〕−〔Ｗo
〕） …（２）
にあるとき〔Ｗn 〕＝〔Ｗo 〕＋α（〔Ｘ〕−〔Ｗo
〕） …（２）
【００２１】ネットワークに拡がる勝者が正しいクラス
にないとき〔Ｗn 〕＝〔Ｗo 〕−γ（〔Ｘ〕−〔Ｗo
〕） …（３）
にないとき〔Ｗn 〕＝〔Ｗo 〕−γ（〔Ｘ〕−〔Ｗo
〕） …（３）
【００２２】ここで、〔Ｗo 〕は更新前の重みベクト
ル、〔Ｗn 〕は更新後の重みベクトル、〔Ｘ〕は入力ベ
クトルである。又、α、γは学習率であり、問題に応じ
て適当に定めるものとする。
ル、〔Ｗn 〕は更新後の重みベクトル、〔Ｘ〕は入力ベ
クトルである。又、α、γは学習率であり、問題に応じ
て適当に定めるものとする。
【００２３】ところで、上述した学習則では、コホーネ
ンユニットの中に、あまり学習に関与しない、つまり重
みベクトルの修正頻度の低いユニットが生じてくる可能
性がある。このようなあまり学習に関与しないコホーネ
ンユニットは、初めにランダムに与えた重みベクトルを
持ち続けることになる。その結果、ニューラルネットワ
ークに対して学習を行った後、該ニューラルネットワー
クを用いて未知のデータについて実際に認識を行うとき
には、適切な内挿が妨げられる可能性がある。
ンユニットの中に、あまり学習に関与しない、つまり重
みベクトルの修正頻度の低いユニットが生じてくる可能
性がある。このようなあまり学習に関与しないコホーネ
ンユニットは、初めにランダムに与えた重みベクトルを
持ち続けることになる。その結果、ニューラルネットワ
ークに対して学習を行った後、該ニューラルネットワー
クを用いて未知のデータについて実際に認識を行うとき
には、適切な内挿が妨げられる可能性がある。
【００２４】そこで、このような場合には、重みベクト
ルの修正頻度の低いコホーンネンユニットが生じること
を避けるために、デジーノが提案した次の機能を採用す
る（Ｄ．Ｄe Ｓieno：”Ａdding Ａ Ｃonscience to
Ｃompetitive Ｌearning”，Ｐroceeding of Ｔhe
Ｓecond Ａnnual ＩＥＥＥ ＩＣＮＮ，Ｖol．１，１９
８８）。
ルの修正頻度の低いコホーンネンユニットが生じること
を避けるために、デジーノが提案した次の機能を採用す
る（Ｄ．Ｄe Ｓieno：”Ａdding Ａ Ｃonscience to
Ｃompetitive Ｌearning”，Ｐroceeding of Ｔhe
Ｓecond Ａnnual ＩＥＥＥ ＩＣＮＮ，Ｖol．１，１９
８８）。
【００２５】まず、入力ベクトルのクラスに割当てられ
たグループに属する各コホーネンユニットから、該入力
ベクトルとの間で最も小さい距離を持つコホーネンユニ
ット（これを、「クラス内勝者」と呼ぶ）を選ぶための
付加競合を行う。この付加競合においては、グループ内
における各々のコホーネンユニットの相対的な勝ち頻度
に応じて決まる、次の（４）式で表わされる偏った距離
di′を用いる。
たグループに属する各コホーネンユニットから、該入力
ベクトルとの間で最も小さい距離を持つコホーネンユニ
ット（これを、「クラス内勝者」と呼ぶ）を選ぶための
付加競合を行う。この付加競合においては、グループ内
における各々のコホーネンユニットの相対的な勝ち頻度
に応じて決まる、次の（４）式で表わされる偏った距離
di′を用いる。
【００２６】di′＝di−bi …（４） 但し、bi＝c （１／Ｎ−pi） c ：偏り係数（ゲイン） Ｎ：クラス当たりのコホーネンユニット数 pi：i 番目のコホーネンユニットの相対勝ち数
【００２７】上記偏った距離di′を導入することによ
り、勝ち数の多いユニットには、大きく偏った距離を、
勝ち数の少ないユニットには、小さく偏った距離を用い
るようになる。その結果、同一クラス内における各ユニ
ット間で、勝つ回数にばらつきが生じることがなくなっ
てくる。
り、勝ち数の多いユニットには、大きく偏った距離を、
勝ち数の少ないユニットには、小さく偏った距離を用い
るようになる。その結果、同一クラス内における各ユニ
ット間で、勝つ回数にばらつきが生じることがなくなっ
てくる。
【００２８】上述の付加競合により、クラス内勝者が選
ばれた後、このクラス内勝者と前記ネットワークに広が
る勝者の重みベクトルを、以下のようにして更新する。
ばれた後、このクラス内勝者と前記ネットワークに広が
る勝者の重みベクトルを、以下のようにして更新する。
【００２９】クラス内勝者の場合は、次の（５）式、
（６）式で与えられる更新規則に従って更新される。こ
こで、α、βは、学習率である。
（６）式で与えられる更新規則に従って更新される。こ
こで、α、βは、学習率である。
【００３０】クラス内勝者が正しいクラスにあるとき
〔Ｗn 〕＝〔Ｗo〕＋α（〔Ｘ〕−〔Ｗo 〕） …
（５）
〔Ｗn 〕＝〔Ｗo〕＋α（〔Ｘ〕−〔Ｗo 〕） …
（５）
【００３１】クラス内勝者が正しいクラスにないとき
〔Ｗn 〕＝〔Ｗo〕＋β（〔Ｘ〕−〔Ｗo 〕） …
（６）
〔Ｗn 〕＝〔Ｗo〕＋β（〔Ｘ〕−〔Ｗo 〕） …
（６）
【００３２】次いで、ネットワークに広がる勝者の場合
は、正しいクラスにあるときは、該勝者はクラス内勝者
でもあるから、上記（５）式に従って更新され、逆に正
しいクラスにないときは、前述した（３）式に従って更
新される。
は、正しいクラスにあるときは、該勝者はクラス内勝者
でもあるから、上記（５）式に従って更新され、逆に正
しいクラスにないときは、前述した（３）式に従って更
新される。
【００３３】本発明においては、上述した原理を用い
て、センサから得られる表面粗度、光沢度及び白色度を
含むデータ群をベクトルとして表現し、このベクトルを
ニューラルネットワークによるベクトル量子化方法によ
り分類し、鋼板の表面等級の判別を行う。
て、センサから得られる表面粗度、光沢度及び白色度を
含むデータ群をベクトルとして表現し、このベクトルを
ニューラルネットワークによるベクトル量子化方法によ
り分類し、鋼板の表面等級の判別を行う。
【００３４】図１は、本発明に適用される、ニューラル
ネットワークの一例を示す概略構成図である。
ネットワークの一例を示す概略構成図である。
【００３５】上記ニューラルネットワークは、図２に示
すように、鋼板Ｐに近接して配置した複数のセンサ１〜
n から、鋼板Ｐの表面の特徴量を表わしているデータＳ
1 〜Ｓn がベクトルとして入力される入力層と、これら
データを等級毎に判別するためのコホーネン層を備えて
いる。
すように、鋼板Ｐに近接して配置した複数のセンサ１〜
n から、鋼板Ｐの表面の特徴量を表わしているデータＳ
1 〜Ｓn がベクトルとして入力される入力層と、これら
データを等級毎に判別するためのコホーネン層を備えて
いる。
【００３６】上記入力層は、入力されるベクトル（入力
ベクトル）（Ｓ1 、Ｓ2 、・・・Ｓn ）の次元と同数
（n 個）の入力ユニットで構成されている。又、上記コ
ホーネン層は、Ｒ1 〜Ｒk のk 個にグループ分けされた
カテゴリ（クラス、グループ）で構成され、これらカテ
ゴリＲ1 〜Ｒk はそれぞれ鋼板の表面等級を表わしてい
る。上記各カテゴリは、それぞれＵk 個のコホーネンユ
ニットを有している。
ベクトル）（Ｓ1 、Ｓ2 、・・・Ｓn ）の次元と同数
（n 個）の入力ユニットで構成されている。又、上記コ
ホーネン層は、Ｒ1 〜Ｒk のk 個にグループ分けされた
カテゴリ（クラス、グループ）で構成され、これらカテ
ゴリＲ1 〜Ｒk はそれぞれ鋼板の表面等級を表わしてい
る。上記各カテゴリは、それぞれＵk 個のコホーネンユ
ニットを有している。
【００３７】各カテゴリに含まれるコホーネンユニット
の数Ｕk は、通常、全てのカテゴリで同数とされるが、
表面等級毎のデータの数や分布に差があるときは、それ
に応じてコホーネン層における各グループ内のユニット
数を変えることもできる。このようにすると、表面等級
毎のデータの数や分布に差があるときでも等級判別を高
精度に行うことができる。
の数Ｕk は、通常、全てのカテゴリで同数とされるが、
表面等級毎のデータの数や分布に差があるときは、それ
に応じてコホーネン層における各グループ内のユニット
数を変えることもできる。このようにすると、表面等級
毎のデータの数や分布に差があるときでも等級判別を高
精度に行うことができる。
【００３８】又、入力層に含まれる任意の入力ユニット
i と、コホーネン層に含まれる任意のコホーネンユニッ
トj とは、結合重みＷijで結合されている。
i と、コホーネン層に含まれる任意のコホーネンユニッ
トj とは、結合重みＷijで結合されている。
【００３９】本発明では、入力層を構成する入力ユニッ
トに鋼板表面の特徴量を表わすベクトルを入力し、各コ
ホーネンユニットとその入力ベクトルとのユークリッド
距離を求め、その距離が最小となったコホーネンユニッ
トが属するグループに割当てられたカテゴリ（クラス）
に分類することにより、鋼板の表面等級の判別を行う。
トに鋼板表面の特徴量を表わすベクトルを入力し、各コ
ホーネンユニットとその入力ベクトルとのユークリッド
距離を求め、その距離が最小となったコホーネンユニッ
トが属するグループに割当てられたカテゴリ（クラス）
に分類することにより、鋼板の表面等級の判別を行う。
【００４０】即ち、センサから得られる情報群をベクト
ル表現した入力ベクトル（Ｓ1 、Ｓ2 、・・・Ｓn ）に
対し、学習ベクトル量子化方法によりk 個のカテゴリＲ
1 、Ｒ2 、・・・Ｒk に分類を行う。
ル表現した入力ベクトル（Ｓ1 、Ｓ2 、・・・Ｓn ）に
対し、学習ベクトル量子化方法によりk 個のカテゴリＲ
1 、Ｒ2 、・・・Ｒk に分類を行う。
【００４１】ニューラルネットワークに対する学習は、
前述した通常のＬＶＱ（学習ベクトル量子化）の学習方
法に従って行う。
前述した通常のＬＶＱ（学習ベクトル量子化）の学習方
法に従って行う。
【００４２】学習のためのデータとして、入力ベクトル
データ〔Ｓ〕と、それに対するカテゴリ（クラス）の指
標r との組を各クラス毎に複数個用意する。
データ〔Ｓ〕と、それに対するカテゴリ（クラス）の指
標r との組を各クラス毎に複数個用意する。
【００４３】まず、上記ニューラルネットワークに対し
て、予め用意した学習用データ〔Ｓ〕と、そのカデコリ
の指標r を与え、前述の学習則に従って結合重みベクト
ル〔Ｗ〕の修正を行う。
て、予め用意した学習用データ〔Ｓ〕と、そのカデコリ
の指標r を与え、前述の学習則に従って結合重みベクト
ル〔Ｗ〕の修正を行う。
【００４４】このとき、各入力ユニットからコホーネン
ユニットj への重みベクトル（Ｗ1j、Ｗ2j、・・・Ｗn
j）の初期値としては、ランダムに設定することもでき
るが、コホーネンユニットj が属するクラスにおける全
学習データの平均値を用いると、学習を円滑に行うこと
ができる。
ユニットj への重みベクトル（Ｗ1j、Ｗ2j、・・・Ｗn
j）の初期値としては、ランダムに設定することもでき
るが、コホーネンユニットj が属するクラスにおける全
学習データの平均値を用いると、学習を円滑に行うこと
ができる。
【００４５】ニューラルネットワークに対する学習が終
了した後、判別の対象である上記入力ベクトル（Ｓ1 、
Ｓ2 、・・・Ｓn ）に対し、コホーネンユニットj との
間の距離djを次の（７）式（前記（１）式に相当する）
により求め、このdjが最小になるユニットが属している
カテゴリに上記入力ベクトルを分類することにより、表
面等級の判別を行う。
了した後、判別の対象である上記入力ベクトル（Ｓ1 、
Ｓ2 、・・・Ｓn ）に対し、コホーネンユニットj との
間の距離djを次の（７）式（前記（１）式に相当する）
により求め、このdjが最小になるユニットが属している
カテゴリに上記入力ベクトルを分類することにより、表
面等級の判別を行う。
【００４６】
【数２】
【００４７】なお、この分類に際しては、前記（４）式
に相当する偏った距離の概念を利用することもできる。
に相当する偏った距離の概念を利用することもできる。
【００４８】
【実施例】以下、図面を参照して、本発明の実施例を詳
細に説明する。
細に説明する。
【００４９】図３は、本発明の一実施例に適用するニュ
ーラルネットワークを示す概略構成図である。又、図４
〜図６は、学習用データであり、図７〜図９は本実施例
の判別方法を評価するために使用するテスト用データで
ある。上記学習用データ、テスト用データは、共にラン
ダムに抽出したものである。
ーラルネットワークを示す概略構成図である。又、図４
〜図６は、学習用データであり、図７〜図９は本実施例
の判別方法を評価するために使用するテスト用データで
ある。上記学習用データ、テスト用データは、共にラン
ダムに抽出したものである。
【００５０】本実施例は、ステンレス鋼板の表面等級判
別を行うもので、センサから入力される情報である鋼板
表面の特徴量が、表面粗度Ｓ1 、光沢度Ｓ2 、白色度Ｓ
3 の３つの因子である場合に、Ａ〜Ｄの４等級（カテゴ
リ）に分類する判別を行うものである。
別を行うもので、センサから入力される情報である鋼板
表面の特徴量が、表面粗度Ｓ1 、光沢度Ｓ2 、白色度Ｓ
3 の３つの因子である場合に、Ａ〜Ｄの４等級（カテゴ
リ）に分類する判別を行うものである。
【００５１】従って、使用するニューラルネットワーク
は、３つの入力ユニットで構成された入力層と、４つの
カテゴリＡ〜Ｄで構成されたコホーネン層とを備えてい
る。又、上記カテゴリＡ〜Ｄは、それぞれ５つのコホー
ネンユニットを有しているので、コホーネン層は全体と
して２０個のコホーネンユニットで構成されている。
は、３つの入力ユニットで構成された入力層と、４つの
カテゴリＡ〜Ｄで構成されたコホーネン層とを備えてい
る。又、上記カテゴリＡ〜Ｄは、それぞれ５つのコホー
ネンユニットを有しているので、コホーネン層は全体と
して２０個のコホーネンユニットで構成されている。
【００５２】上記ニューラルネットワークを用いて、前
述した学習ベクトル量子化法により、上記センサ情報Ｓ
1 〜Ｓ3 に対する表面等級判別を行う。
述した学習ベクトル量子化法により、上記センサ情報Ｓ
1 〜Ｓ3 に対する表面等級判別を行う。
【００５３】まず、上記ニューラルネットワークに対
し、図４〜図６の学習用データを用いて前述したＬＶＱ
の学習則に従って学習を行った。この学習用データは、
図４、図５及び図６は、それぞれ３つの因子のうち、Ｓ
1 とＳ2 の関係、Ｓ1 とＳ3 の関係及びＳ2 とＳ3 の関
係を示したものである。
し、図４〜図６の学習用データを用いて前述したＬＶＱ
の学習則に従って学習を行った。この学習用データは、
図４、図５及び図６は、それぞれ３つの因子のうち、Ｓ
1 とＳ2 の関係、Ｓ1 とＳ3 の関係及びＳ2 とＳ3 の関
係を示したものである。
【００５４】又、学習に際しては、重みベクトルの初期
値として、各等級（カテゴリ）におけるデータの平均値
を用いた。
値として、各等級（カテゴリ）におけるデータの平均値
を用いた。
【００５５】この学習において、（Ｓ1 、Ｓ2 、Ｓ3 ）
が前述の学習用データ〔Ｓ〕に対応し、各図における
Ａ、Ｂ、Ｃ、Ｄが前述のカテゴリの指標r に対応してい
る。
が前述の学習用データ〔Ｓ〕に対応し、各図における
Ａ、Ｂ、Ｃ、Ｄが前述のカテゴリの指標r に対応してい
る。
【００５６】上記学習を行った後、上記学習用データ図
４〜図６にそれぞれ相当する図７〜図９のテスト用デー
タを、学習後の上記ニューラルネットワークに判別さ
せ、本実施例の判別方法を評価する実験を行った。
４〜図６にそれぞれ相当する図７〜図９のテスト用デー
タを、学習後の上記ニューラルネットワークに判別さ
せ、本実施例の判別方法を評価する実験を行った。
【００５７】上記学習用データに対するニューラルネッ
トワークによる判別実験の結果を表１に、又、上記テス
ト用データに対するニューラルネットワークによる判別
実験の結果を表２に、それぞれ示す。
トワークによる判別実験の結果を表１に、又、上記テス
ト用データに対するニューラルネットワークによる判別
実験の結果を表２に、それぞれ示す。
【００５８】
【表１】
【００５９】
【表２】
【００６０】上記表１、表２は、表面等級Ａ〜Ｄの入力
データを、ニューラルネットワークの入力層に入力した
際に、Ａ〜Ｄのどの等級に判別されたかを数で表わした
ものである。前記表１、表２により、正しく判別された
割合（正判別率）は、学習用データでは７３．４％で、
テスト用データでは７０．０％であった。
データを、ニューラルネットワークの入力層に入力した
際に、Ａ〜Ｄのどの等級に判別されたかを数で表わした
ものである。前記表１、表２により、正しく判別された
割合（正判別率）は、学習用データでは７３．４％で、
テスト用データでは７０．０％であった。
【００６１】なお、一般的な統計的方法である判別分析
による判別との比較を行うため、前記学習用データより
判別関数を導出し、その判別関数を用いてテスト用デー
タに対して判別を行った結果を、下記表３及び表４に示
す。
による判別との比較を行うため、前記学習用データより
判別関数を導出し、その判別関数を用いてテスト用デー
タに対して判別を行った結果を、下記表３及び表４に示
す。
【００６２】表３は、学習用データに対し、判別関数を
用いて判別実験を行った結果を示し、表４はテストデー
タに対し、同じく判別関数を用いて行った結果を示した
ものである。
用いて判別実験を行った結果を示し、表４はテストデー
タに対し、同じく判別関数を用いて行った結果を示した
ものである。
【００６３】
【表３】
【００６４】
【表４】
【００６５】上記表３及び表４より、学習用データの場
合は、正判別率が６７．３％でテスト用データの場合は
６４．０％であった。
合は、正判別率が６７．３％でテスト用データの場合は
６４．０％であった。
【００６６】この結果より、本実施例のニューラルネッ
トワークによる判別方法が、従来の判別関数による判別
方法に比較し、高精度な判別を行うことができることが
わかる。
トワークによる判別方法が、従来の判別関数による判別
方法に比較し、高精度な判別を行うことができることが
わかる。
【００６７】以上、本発明を具体的に説明したが、本発
明は、前記実施例に示したものに限定されるものでな
く、その要旨を逸脱しない範囲で種々変更可能である。
明は、前記実施例に示したものに限定されるものでな
く、その要旨を逸脱しない範囲で種々変更可能である。
【００６８】例えば、実施例では、入力データが３つ、
即ち、判別因子が３つの場合について説明したが、入力
データは４つ以上であってもよい。
即ち、判別因子が３つの場合について説明したが、入力
データは４つ以上であってもよい。
【００６９】又、コホーネン層を構成するカテゴリの数
は判別する等級数に応じて任意に変更可能であり、又、
各コホーネン層に含まれるコホーネンユニットの数も任
意に変更することができる。
は判別する等級数に応じて任意に変更可能であり、又、
各コホーネン層に含まれるコホーネンユニットの数も任
意に変更することができる。
【００７０】
【発明の効果】以上説明した通り、本発明によれば、鋼
板の表面の特徴量を表わすセンサ情報をベクトル表現し
て入力ベクトルとし、該入力ベクトルを学習ベルトル量
子化法により分類して鋼板の表面等級の判別を行うよう
にしたので、高精度な等級判別が可能となった。
板の表面の特徴量を表わすセンサ情報をベクトル表現し
て入力ベクトルとし、該入力ベクトルを学習ベルトル量
子化法により分類して鋼板の表面等級の判別を行うよう
にしたので、高精度な等級判別が可能となった。
【００７１】又、従来法では、判別のための因子が３つ
以上になると対応が困難であるが、学習ベクトル量子化
法によるベクトル量子化を適用することにより、因子の
数に関係なく判別が可能となった。
以上になると対応が困難であるが、学習ベクトル量子化
法によるベクトル量子化を適用することにより、因子の
数に関係なく判別が可能となった。
【図１】図１は、ベクトル量子化を行うために用いるニ
ューラルネットワークを示す概略構成図である。
ューラルネットワークを示す概略構成図である。
【図２】図２は、鋼板と、該鋼板の表面を測定するセン
サを示す概略説明図である。
サを示す概略説明図である。
【図３】図３は、本発明の一実施例に適用するニューラ
ルネットワークを示す概略構成図である。
ルネットワークを示す概略構成図である。
【図４】図４は、表面粗度Ｓ1 と光沢度Ｓ2 の関係を示
す学習用データである。
す学習用データである。
【図５】図５は、表面粗度Ｓ1 と白色度Ｓ3 の関係を示
す学習用データである。
す学習用データである。
【図６】図６は、光沢度Ｓ2 と白色度Ｓ3 の関係を示す
学習用データである。
学習用データである。
【図７】図７は、表面粗度Ｓ1 と光沢度Ｓ2 の関係を示
すテスト用データである。
すテスト用データである。
【図８】図８は、表面粗度Ｓ1 と白色度Ｓ3 との関係を
示すテスト用データである。
示すテスト用データである。
【図９】図９は、光沢度Ｓ2 と白色度Ｓ3 の関係を示す
テスト用データである。
テスト用データである。
１〜n …センサ、 Ｓ1 〜Ｓn …センサ情報、 Ｒ1 〜Ｒk …カテゴリー。
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０１Ｎ 21/89 Ｂ 7172−2Ｊ (72)発明者 新井 和夫 千葉県千葉市川崎町１番地 川崎製鉄株式 会社 技術研究本部内 (56)参考文献 特開 昭61−245045（ＪＰ，Ａ) 特開 平２−246485（ＪＰ，Ａ) 特開 平２−210589（ＪＰ，Ａ)
Claims (3)
- 【請求項１】鋼板表面の特徴を計測する複数のセンサを
用いて、鋼板の表面等級を判別する鋼板の表面等級判別
方法において、 センサから得られる表面粗度、光沢度及び白色度を含む
データ群をベクトルとして表現して入力ベクトルとし、 上記入力ベクトルの次元と同数の入力ユニットを有する
入力層と、判別すべき表面等級と同数のグループに分割
され、且つ各グループにそれぞれ同数のコホーネンユニ
ットを有するコホーネン層とを備えたニューラルネット
ワークを構築し、 上記ニューラルネットワークに対して学習ベクトル量子
化法の学習則に従って学習を行い、 然る後、上記入力ベクトルを上記ニューラルネットワー
クによるベクトル量子化法により分類し、鋼板の表面等
級の判別を行うことを特徴とする鋼板の表面等級判別方
法。 - 【請求項２】鋼板表面の特徴を計測する複数のセンサを
用いて、鋼板の表面等級を判別する鋼板の表面等級判別
方法において、 センサから得られる表面粗度、光沢度及び白色度を含む
データ群をベクトルとして表現して入力ベクトルとし、 上記入力ベクトルの次元と同数の入力ユニットを有する
入力層と、判別すべき表面等級と同数のグループに分割
され、且つ少なくとも１つのグループに他のグループと
異なる数のコホーネンユニットを有するコホーネン層と
を備えたニューラルネットワークを構築し、 上記ニューラルネットワークに対して学習ベクトル量子
化法の学習則に従って学習を行い、 然る後、上記入力ベクトルを上記ニューラルネットワー
クによるベクトル量子化法により分類し、鋼板の表面等
級の判別を行うことを特徴とする鋼板の表面等級判別方
法。 - 【請求項３】請求項１又は請求項２において、ニューラ
ルネットワークに対して学習を行う際に、各グループの
学習前のニューラルネットワークの重みベクトルの初期
値として、そのグループの学習データの平均値を用いる
ことを特徴とする鋼板の表面等級判別方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3138404A JPH0785013B2 (ja) | 1991-05-14 | 1991-05-14 | 鋼板の表面等級判別方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP3138404A JPH0785013B2 (ja) | 1991-05-14 | 1991-05-14 | 鋼板の表面等級判別方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH04337406A JPH04337406A (ja) | 1992-11-25 |
| JPH0785013B2 true JPH0785013B2 (ja) | 1995-09-13 |
Family
ID=15221169
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP3138404A Expired - Fee Related JPH0785013B2 (ja) | 1991-05-14 | 1991-05-14 | 鋼板の表面等級判別方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0785013B2 (ja) |
Families Citing this family (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP3209297B2 (ja) * | 1993-04-23 | 2001-09-17 | 新日本製鐵株式会社 | 表面疵判別装置 |
| JP3389684B2 (ja) * | 1994-07-13 | 2003-03-24 | 株式会社明電舎 | ニューラルネットワークの学習方法 |
| JPH08305679A (ja) * | 1995-03-07 | 1996-11-22 | Matsushita Electric Ind Co Ltd | パターン分類装置 |
| JP6846369B2 (ja) * | 2018-02-14 | 2021-03-24 | Kddi株式会社 | 未知の複数次元のベクトルデータ群をクラス分類するプログラム、装置及び方法 |
| IT201900010242A1 (it) * | 2019-06-27 | 2020-12-27 | Semplice S P A | Metodo e apparato per il controllo della qualità di produzione di cavi provvisti di guaina protettiva, in particolare cavi elettrici. |
| CN110598958B (zh) * | 2019-10-10 | 2023-09-08 | 武汉科技大学 | 一种钢包分级管理分析方法及系统 |
| JP7433876B2 (ja) * | 2019-12-12 | 2024-02-20 | 株式会社メガチップス | 自己組織化マップの学習装置、方法およびプログラム並びに状態判定装置 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS61245045A (ja) * | 1985-04-23 | 1986-10-31 | Nisshin Steel Co Ltd | 金属帯の表面欠陥自動検査方法 |
| JPH02210589A (ja) * | 1989-02-10 | 1990-08-21 | Nec Corp | 文字認識装置 |
| JPH02246485A (ja) * | 1989-03-17 | 1990-10-02 | Matsushita Electric Ind Co Ltd | ベクトル量子化装置 |
-
1991
- 1991-05-14 JP JP3138404A patent/JPH0785013B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH04337406A (ja) | 1992-11-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Quinn et al. | Voter choice in multi-party democracies: a test of competing theories and models | |
| US7389277B2 (en) | Machine learning systems and methods | |
| CN111180081A (zh) | 一种智能问诊方法及装置 | |
| Buchler et al. | Memory for items and associations: Distinct representations and processes in associative recognition | |
| US20070065798A1 (en) | Methods for improving certainty of test-taker performance determinations for assessments with open-ended items | |
| Kim et al. | A confidence-calibrated moba game winner predictor | |
| Sheehan et al. | Computerized mastery testing with nonequivalent testlets | |
| CN108363902A (zh) | 一种致病遗传变异的精确预测方法 | |
| JPH0785013B2 (ja) | 鋼板の表面等級判別方法 | |
| US6047079A (en) | Method of and an apparatus for pre-selecting fingerprint cards | |
| CN108877924A (zh) | 一种哮喘概率的确定方法及装置 | |
| US6941288B2 (en) | Online learning method in a decision system | |
| EP4328801A2 (en) | Determination program, determination apparatus, and determination method | |
| Spreat | The Adaptive Behavior Scale: A study of criterion validity | |
| JP3935211B2 (ja) | 低減縮小されたニューラルネットワーク | |
| Hand et al. | Supervised classification with structured class definitions | |
| CN116562836B (zh) | 多维迫选题性格测验的方法、装置、电子设备和存储介质 | |
| Sniezek et al. | Feature cues in probability learning: Data base information and judgment | |
| Koşan et al. | Developing an item bank for progress tests and application of computerized adaptive testing by simulation in medical education | |
| Didehkhani et al. | Assessing flexibility in supply chain using adaptive neuro fuzzy inference system | |
| Gupta | Managerial judgment and forecast combination: An experimental study | |
| Da Silva et al. | Measuring sexual dimorphism in human faces | |
| CN119400363B (zh) | 一种改进的基于贝叶斯理论的准绳心理测试概率评分方法 | |
| CN112651237A (zh) | 一种基于用户情绪立场的用户画像建立方法及装置、用户画像的可视化方法 | |
| CN116231631B (zh) | 一种数据驱动的电压暂降下用户生产场景辨识方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| LAPS | Cancellation because of no payment of annual fees |