JPH09218953A - 属性抽出装置 - Google Patents
属性抽出装置Info
- Publication number
- JPH09218953A JPH09218953A JP8024367A JP2436796A JPH09218953A JP H09218953 A JPH09218953 A JP H09218953A JP 8024367 A JP8024367 A JP 8024367A JP 2436796 A JP2436796 A JP 2436796A JP H09218953 A JPH09218953 A JP H09218953A
- Authority
- JP
- Japan
- Prior art keywords
- data
- attribute
- neural network
- processing
- teacher
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000000605 extraction Methods 0.000 claims description 19
- 238000004364 calculation method Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 238000000034 method Methods 0.000 description 8
- 101150097247 CRT1 gene Proteins 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】 製品の持つ物理的情報から確からしい属性を
自動的に抽出する。 【解決手段】 まず、ニューラルネットのウエイトの初
期化を行う（ステップ１１）。次に、教師用形状データ
と属性テーブルワークを取り込む（ステップ１２）。教
師用形状データをメッシュ分割処理により微細な格子に
分割し、実体の有無を基準に２値化の処理を行う（ステ
ップ１３）。次に、各格子の２値化データを階層型ニュ
ーラルネットワークの入力層に設定する（ステップ１
４）。出力されたビットパターンと教師データである属
性テーブルのデータビットの同一性をチェックし、異な
るのであればウエイトを変更する処理を同一性が確認さ
れるまで繰り返し（ステップ１５，１６）、学習終了
後、ニューラルネットワークのウエイト情報をファイル
に格納する（ステップ１７）。
自動的に抽出する。 【解決手段】 まず、ニューラルネットのウエイトの初
期化を行う（ステップ１１）。次に、教師用形状データ
と属性テーブルワークを取り込む（ステップ１２）。教
師用形状データをメッシュ分割処理により微細な格子に
分割し、実体の有無を基準に２値化の処理を行う（ステ
ップ１３）。次に、各格子の２値化データを階層型ニュ
ーラルネットワークの入力層に設定する（ステップ１
４）。出力されたビットパターンと教師データである属
性テーブルのデータビットの同一性をチェックし、異な
るのであればウエイトを変更する処理を同一性が確認さ
れるまで繰り返し（ステップ１５，１６）、学習終了
後、ニューラルネットワークのウエイト情報をファイル
に格納する（ステップ１７）。
Description
【０００１】
【発明の属する技術分野】本発明は、ニューラルネット
ワークによる認識装置に関し、特にＣＡＤ（COMPUTER A
IDED DESIGN)で形状データの属性データを抽出する装置
に関する。
ワークによる認識装置に関し、特にＣＡＤ（COMPUTER A
IDED DESIGN)で形状データの属性データを抽出する装置
に関する。
【０００２】
【従来の技術】従来の属性登録においては、人間系の判
断、またはルールにて製品属性をデータベース化（ＲＤ
Ｂ化等）し利用する。例えば、図１２に示しているボル
トに対して属性をつける方法について説明する。なお、
本操作は、ＣＡＥ＋２Ｄ［Ｅ］のコマンドを使って行う
ものとする。 （例）「品番」「品名」「重量」「寸法」「スケジュー
ルＮＯ」を属性とし、図面に付加する。
断、またはルールにて製品属性をデータベース化（ＲＤ
Ｂ化等）し利用する。例えば、図１２に示しているボル
トに対して属性をつける方法について説明する。なお、
本操作は、ＣＡＥ＋２Ｄ［Ｅ］のコマンドを使って行う
ものとする。 （例）「品番」「品名」「重量」「寸法」「スケジュー
ルＮＯ」を属性とし、図面に付加する。
【０００３】ステップ１：属性ＩＤの作成 ＡＴＲＢ ＦＬＩＤ ＩＤ０１：ｃ８，１，４，品番 ＩＤ０２：ｋ１０，１，４，品名 ＩＤ０３：ｉ１，１，４，重量 ＩＤ０４：ｉ１，１，４，寸法 ＩＤ０５：ｉ１，２，１４，スケジュールＮＯ ステップ２：属性表作成 ＡＴＲＢ ＦＩＬＩ Ｌｉ１：ＩＤ０１，ＩＤ０２，ＩＤ０３，ＩＤ０４，Ｉ
Ｄ０５ ステップ３：属性データの作成 図名ファイル名：ＣＡＥ０１ 品番：ボルト 重量：２００ 寸法： ６０ スケージュールナンバー：１２２９ ３−１：順次登録でまとめて属性を登録する。 ３−２：属性を登録する対象の指定。 ３−３：属性表の指定。 ３−４：“品番”データの入力。 ３−５：“品名”データの入力。 ３−６：“重量”データの入力。 ３−７：“寸法”データの入力。 ３−８：“スケジュールナンバー”データの入力。 ３−９：図面セーブ。 なお、必要に応じて、データベース化（UNIFY, ORACLE
等）を行う。
Ｄ０５ ステップ３：属性データの作成 図名ファイル名：ＣＡＥ０１ 品番：ボルト 重量：２００ 寸法： ６０ スケージュールナンバー：１２２９ ３−１：順次登録でまとめて属性を登録する。 ３−２：属性を登録する対象の指定。 ３−３：属性表の指定。 ３−４：“品番”データの入力。 ３−５：“品名”データの入力。 ３−６：“重量”データの入力。 ３−７：“寸法”データの入力。 ３−８：“スケジュールナンバー”データの入力。 ３−９：図面セーブ。 なお、必要に応じて、データベース化（UNIFY, ORACLE
等）を行う。
【０００４】
【発明が解決しようとする課題】上述した従来の方法
は、人間系にてあるルールに基づいて処理するため、属
性の登録・修正・削除の編集に時間がかかると共に、保
守が面倒であり、また、属性の設定は有限であり、曖昧
な検索ができないため、属性を付与しても欲しいデータ
が検索できないという問題点があった。
は、人間系にてあるルールに基づいて処理するため、属
性の登録・修正・削除の編集に時間がかかると共に、保
守が面倒であり、また、属性の設定は有限であり、曖昧
な検索ができないため、属性を付与しても欲しいデータ
が検索できないという問題点があった。
【０００５】本発明の目的は、属性を付与する手間を省
き、特に属性パラメータ数に依存しない属性抽出の高速
化、さらには、曖昧な属性でも確からしい抽出を可能に
する属性抽出装置を提供することにある。
き、特に属性パラメータ数に依存しない属性抽出の高速
化、さらには、曖昧な属性でも確からしい抽出を可能に
する属性抽出装置を提供することにある。
【０００６】
【課題を解決するための手段】本発明の属性抽出装置
は、３次元形状データとその形状を持つ属性からなる教
師データを入力して、読み込まれた幾何要素のメッシュ
分割処理、メッシュ分割された格子の２値化処理、階層
型ニューラルネットワークの入力層への２値化データの
格納処理、入力層と隠れ層並びに隠れ層と出力層とのネ
ットワークの重み計算処理を、出力層に出力されるビッ
ト列と属性ビット列との同一性が確認されるまで繰り返
し、学習完了後、各ネットワーク情報と３次元形状デー
タを外部ファイルに格納する学習手段と、属性抽出を行
うために用意された３次元形状データを学習済みニュー
ラルネットワークの入力データとし、出力層に出力され
たビット情報を属性データに正規化し、表示装置に出力
する属性抽出手段を有する。
は、３次元形状データとその形状を持つ属性からなる教
師データを入力して、読み込まれた幾何要素のメッシュ
分割処理、メッシュ分割された格子の２値化処理、階層
型ニューラルネットワークの入力層への２値化データの
格納処理、入力層と隠れ層並びに隠れ層と出力層とのネ
ットワークの重み計算処理を、出力層に出力されるビッ
ト列と属性ビット列との同一性が確認されるまで繰り返
し、学習完了後、各ネットワーク情報と３次元形状デー
タを外部ファイルに格納する学習手段と、属性抽出を行
うために用意された３次元形状データを学習済みニュー
ラルネットワークの入力データとし、出力層に出力され
たビット情報を属性データに正規化し、表示装置に出力
する属性抽出手段を有する。
【０００７】従来、属性を抽出するためには、人間系に
よる属性データの登録、修正、削除等の設定が必要であ
ったが、本発明により、その手間を省くと共に、形状以
外の属性についてもニューラルネットワーク技術の組み
合わせにより、容易にかつinsensitivity な属性抽出が
可能となる。
よる属性データの登録、修正、削除等の設定が必要であ
ったが、本発明により、その手間を省くと共に、形状以
外の属性についてもニューラルネットワーク技術の組み
合わせにより、容易にかつinsensitivity な属性抽出が
可能となる。
【０００８】
【発明の実施の形態】次に、本発明の実施形態について
図面を参照して説明する。
図面を参照して説明する。
【０００９】図１は本発明の一実施形態の属性抽出装置
のブロック図である。本実施形態は、ＣＲＴ１、キーボ
ード２のマンマシーンインターフェース部と、教師用形
状データおよび属性データが格納されているディスク部
４と、テスト用形状データが格納されているディスク部
５と、教師用形状データを読み込み、学習処理後のネッ
トワーク情報をディスク部５に格納し、また属性抽出対
象となるテスト用形状データをディスク部５から読み込
み、属性抽出処理を行い、処理結果をＣＲＴ１上に出力
する記憶・処理部３から構成される。
のブロック図である。本実施形態は、ＣＲＴ１、キーボ
ード２のマンマシーンインターフェース部と、教師用形
状データおよび属性データが格納されているディスク部
４と、テスト用形状データが格納されているディスク部
５と、教師用形状データを読み込み、学習処理後のネッ
トワーク情報をディスク部５に格納し、また属性抽出対
象となるテスト用形状データをディスク部５から読み込
み、属性抽出処理を行い、処理結果をＣＲＴ１上に出力
する記憶・処理部３から構成される。
【００１０】図２は属性抽出学習処理の流れ図である。
まず、ニューラルネットワークのウエイト（重み）の初
期化を行い（ステップ１１）、教師用形状データ（図
４）と属性テーブル（図５）をディスク部４から記憶・
処理部３に取り込む（ステップ１２）。取り込まれた教
師用形状データは、図６に示すように、ＣＲＴ１上に表
示される。出力後、教師用形状データは、図７に示すよ
うにメッシュ分割処理により微細な格子に分割され、実
体の有無を基準に二値化（実体有り：１、実体無し：
０）の処理がなされ（ステップ１３）、各格子の２値化
データを図３に示す階層型ニューラルネットワークの入
力層に設定し（ステップ１４）、学習処理が行われる。
まず、ニューラルネットワークのウエイト（重み）の初
期化を行い（ステップ１１）、教師用形状データ（図
４）と属性テーブル（図５）をディスク部４から記憶・
処理部３に取り込む（ステップ１２）。取り込まれた教
師用形状データは、図６に示すように、ＣＲＴ１上に表
示される。出力後、教師用形状データは、図７に示すよ
うにメッシュ分割処理により微細な格子に分割され、実
体の有無を基準に二値化（実体有り：１、実体無し：
０）の処理がなされ（ステップ１３）、各格子の２値化
データを図３に示す階層型ニューラルネットワークの入
力層に設定し（ステップ１４）、学習処理が行われる。
【００１１】学習処理の中で、出力されたビットパター
ン（２値化データ）と教師データである属性テーブルの
データビットの同一性（ビット列が等しいこと）をチェ
ックする（ステップ１５）。もし、異なるのであれば、
各パーセプトロンのウエイトを変更し（ステップ１
６）、更なる学習処理を、同一性が確認されるまで繰り
返す。学習完了後のニューラルネットワークのウエイト
情報（ウエイトの値）と３次元形状データはディスク部
５に格納される（ステップ１７）。学習するパターンを
必要分実行し、完了後随時ネットワーク情報をディスク
部５に格納する。
ン（２値化データ）と教師データである属性テーブルの
データビットの同一性（ビット列が等しいこと）をチェ
ックする（ステップ１５）。もし、異なるのであれば、
各パーセプトロンのウエイトを変更し（ステップ１
６）、更なる学習処理を、同一性が確認されるまで繰り
返す。学習完了後のニューラルネットワークのウエイト
情報（ウエイトの値）と３次元形状データはディスク部
５に格納される（ステップ１７）。学習するパターンを
必要分実行し、完了後随時ネットワーク情報をディスク
部５に格納する。
【００１２】図８は学習完了後のネットワークを示すも
のである。
のである。
【００１３】学習完了後は、ディスク部４に格納されて
いる教師用形状データ（図９）を読み込み、メッシュ処
理、２値化処理を行い、各格子の２値化データを学習済
みニューラルネットワークの入力データとすると、ＣＲ
Ｔ１上に出力層のビットパターン（図１０）が出力さ
れ、該ビットパターンが属性情報に正規化され（出力層
に出力されるビット列を左から３ビットを「品名」に、
２ビットを「製品」に、・・・と区切って解読するこ
と）、属性情報（図１１）を再度ＣＲＴ１に出力する。
いる教師用形状データ（図９）を読み込み、メッシュ処
理、２値化処理を行い、各格子の２値化データを学習済
みニューラルネットワークの入力データとすると、ＣＲ
Ｔ１上に出力層のビットパターン（図１０）が出力さ
れ、該ビットパターンが属性情報に正規化され（出力層
に出力されるビット列を左から３ビットを「品名」に、
２ビットを「製品」に、・・・と区切って解読するこ
と）、属性情報（図１１）を再度ＣＲＴ１に出力する。
【００１４】
【発明の効果】以上説明したように、本発明は、あらか
じめ教師データを利用し、属性パターンをニューラルネ
ットワーク上に知識として蓄えることができるため、属
性抽出を自動的に行うことができ、また、知識の習得が
あるしきい値（シグモイド関数等）をもって実現される
ので形状並びに属性を抽出する対象の情報が曖昧さをも
っても属性を抽出することができる効果がある。
じめ教師データを利用し、属性パターンをニューラルネ
ットワーク上に知識として蓄えることができるため、属
性抽出を自動的に行うことができ、また、知識の習得が
あるしきい値（シグモイド関数等）をもって実現される
ので形状並びに属性を抽出する対象の情報が曖昧さをも
っても属性を抽出することができる効果がある。
【図１】本発明の属性抽出装置の構成を示すブロック図
である。
である。
【図２】属性抽出学習の流れ図である。
【図３】階層型ニューラルネットワークの構成を示す図
である。
である。
【図４】教師用形状データの例を示す図である。
【図５】教師用属性テーブルの例を示す図である。
【図６】教師用形状データの表示例を示す図である。
【図７】教師用形状データの二値化表示例を示す図であ
る。
る。
【図８】学習後のニューラルネットワークを示す図であ
る。
る。
【図９】属性抽出のテスト形状データを示す図である。
【図１０】属性抽出後のニューラルネットワークを示す
図である。
図である。
【図１１】属性抽出後の画面表示例を示す図である。
【図１２】属性をつける対象を示す図である。
１ ＣＲＴ ２ キーボード ３ 記憶・処理部 ４，５ ディスク部 １１〜１７ ステップ
Claims (2)
- 【請求項１】 ３次元形状データとその形状を持つ属性
からなる教師データを入力して、読み込まれた幾何要素
のメッシュ分割処理、メッシュ分割された格子の２値化
処理、階層型ニューラルネットワークの入力層への２値
化データの格納処理、入力層と隠れ層並びに隠れ層と出
力層とのネットワークの重み計算処理を、出力層に出力
されるビット列と属性ビット列との同一性が確認される
まで繰り返し、学習完了後、各ネットワーク情報と３次
元形状データを外部ファイルに格納する学習手段と、 属性抽出を行うために用意された３次元形状データを学
習済みニューラルネットワークの入力データとし、出力
層に出力されたビット情報を属性データに正規化し、表
示装置に出力する属性抽出手段を有する属性抽出装置。 - 【請求項２】 属性抽出の対象部品が機構部品である、
請求項１記載の属性抽出装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8024367A JPH09218953A (ja) | 1996-02-09 | 1996-02-09 | 属性抽出装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8024367A JPH09218953A (ja) | 1996-02-09 | 1996-02-09 | 属性抽出装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09218953A true JPH09218953A (ja) | 1997-08-19 |
Family
ID=12136231
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8024367A Pending JPH09218953A (ja) | 1996-02-09 | 1996-02-09 | 属性抽出装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09218953A (ja) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024095636A1 (ja) * | 2022-11-02 | 2024-05-10 | 株式会社日立製作所 | 設計支援システム、設計支援プログラム及び設計支援方法 |
-
1996
- 1996-02-09 JP JP8024367A patent/JPH09218953A/ja active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024095636A1 (ja) * | 2022-11-02 | 2024-05-10 | 株式会社日立製作所 | 設計支援システム、設計支援プログラム及び設計支援方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11841839B1 (en) | Preprocessing and imputing method for structural data | |
| JP2022541199A (ja) | データテーブルの画像表現に基づいて構造化されたデータベースにデータ挿入するためのシステムおよび方法。 | |
| CN119441281A (zh) | 一种多模态知识图谱的智能可视化与文本关联方法 | |
| US20210141801A1 (en) | String Parsed Categoric Encodings for Machine Learning | |
| CN106446091A (zh) | 一种多源时序数据的预处理方法和装置 | |
| CN107704539A (zh) | 大规模文本信息批量结构化的方法及装置 | |
| WO2021139242A1 (zh) | 演示文稿生成方法、装置、设备及存储介质 | |
| CN115131803B (zh) | 文档字号的识别方法、装置、计算机设备和存储介质 | |
| JP2008186356A (ja) | ドキュメントの整合性検査支援システムおよび方法、ならびにそのプログラム | |
| CN115422371A (zh) | 一种基于软件测试知识图谱的检索方法 | |
| Mao et al. | A dynamic feature generation system for automated metadata extraction in preservation of digital materials | |
| KR20110039900A (ko) | 지능형 인식 라이브러리 및 관리 도구를 활용한 고문서 이미지 데이터 인식 및 처리 방법 | |
| JP7344501B1 (ja) | プログラム、方法、情報処理装置、システム | |
| CN106156179A (zh) | 一种信息检索方法及装置 | |
| CN120766306B (zh) | 一种图纸智能管理方法、装置及存储介质 | |
| CN111967243A (zh) | 一种文本比对的方法和设备 | |
| CN115797955A (zh) | 基于单元格约束的表格结构识别方法及其应用 | |
| JPH0944518A (ja) | 画像データベースの構築方法と、画像データベースの検索方法及び検索装置 | |
| WO2016082474A1 (zh) | 一种人机命令脚本更新方法、装置及计算机存储介质 | |
| JPH09218953A (ja) | 属性抽出装置 | |
| CN118097274B (zh) | 基于互斥体协作网络的三维点云零样本分类方法及装置 | |
| CN104424226B (zh) | 一种获得视觉词词典、图像检索的方法及装置 | |
| CN119444927B (zh) | 一种基于对象差值修正的数字线划地图增量采编方法 | |
| CN115905347B (zh) | 一种分布式检索方法及装置 | |
| Su et al. | Research on the Artistic Design Method of Cultural and Creative Products Based on Artificial Intelligence and Interactive Virtual Simulation. |