ES2272376T3 - Sistema y metodo para evaluar las caracteristicas de aptiud en la clasificacion. - Google Patents
Sistema y metodo para evaluar las caracteristicas de aptiud en la clasificacion. Download PDFInfo
- Publication number
- ES2272376T3 ES2272376T3 ES01111771T ES01111771T ES2272376T3 ES 2272376 T3 ES2272376 T3 ES 2272376T3 ES 01111771 T ES01111771 T ES 01111771T ES 01111771 T ES01111771 T ES 01111771T ES 2272376 T3 ES2272376 T3 ES 2272376T3
- Authority
- ES
- Spain
- Prior art keywords
- data
- class
- subject
- characteristic
- classification
- 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 - Lifetime
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/211—Selection of the most significant subset of features
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
Un método realizado en un ordenador para evaluar una característica para la aptitud en la clasificación de sujetos, basándose en los datos del sujeto físico medido, incluyendo los datos del sujeto los datos de la característica y los datos de la clase, que comprende: configuración de los datos del sujeto físico medido a lo largo de un eje basándose en los valores de los datos de la característica; e identificar el número de cambios de clase desde una clase a otra clase en los datos configurados del sujeto físico medido, por lo que el número de cambios de clase representa la aptitud de la característica para la clasificación de los sujetos.
Description
Sistema y método para evaluar las
características de aptitud en la clasificación.
La presente invención está relacionada
generalmente con el campo del procesamiento de señales. Más
específicamente, la presente invención está relacionada con la
señal de procesamiento de una señal de la característica de un
sujeto.
En la automatización industrial el procesamiento
de señales se utiliza para clasificar un objeto que está siendo
fabricado o procesado, basándose en una característica del objeto.
Por ejemplo, una manzana podría ser clasificada por un sensor del
peso configurado para detectar el peso de la manzana. Si el peso es
mayor que un peso predeterminado, la manzana se identificará como
"buena", y en caso contrario, la manzana se identificará como
"mala".
No obstante, el objeto puede ser clasificado
también por otras señales. Por ejemplo, la manzana podría ser
clasificada también mediante la adquisición de una imagen digital
en color de la manzana. Si la manzana es más oscura que una escala
de grises predeterminada, o si la manzana le falta un color rojo
suficiente, la manzana se identificará como "mala". El desafío
es determinar cuales son las características (por ejemplo, peso,
color, escala de grises, etc.) que clasificarán mejor los objetos en
las clasificaciones deseadas, de forma que pueda utilizarse la
mejor característica durante la fabricación para clasificar
automáticamente los objetos.
El documento US-4658429 expone
un sistema y método para preparar un diccionario de reconocimiento.
Para la preparación de un diccionario de reconocimiento con
estructura de árbol, en donde un conjunto de características de
cada nodo del árbol deberá ser la característica que proporcione el
número de distribución discreto mayor. Los elementos de un objeto
se clasifican o se dividen en categorías, mientras que esta
clasificación se realizará, cuando la distancia entre las
distribuciones para una característica en particular sea mayor que
un valor predeterminado.
Se han implementado un método estándar para
evaluar la clasificación de objetos, el cual supone una distribución
bimodal de las características medidas, suponiendo que son
gaussianas las distribuciones. Por ejemplo, con referencia a la
figura 1, este método estándar genera un histograma 10 de la
frecuencia de presencia de distintos valores de la característica.
El eje X representa los valores de la característica (por ejemplo,
peso, color, etc.), y el eje Y representa la frecuencia de los
objetos que tienen dicha característica. Un primer modo 12 incluye
objetos en una primera clase (por ejemplo, objetos "malos") y
un segundo modo 14 incluye objetos en una segunda clase (por
ejemplo, objetos "buenos"). De acuerdo con este método, los
valores medios 17, 18 de cada modo quedan identificados, en donde
las variancias de los valores medios 17, 18 quedan determinadas, y
la distancia 19 entre los valores medios 17 y 18 queda determinada.
Cuanto más pequeñas sean las variancias y mayor sea el intervalo
entre los valores medios 17, 18, mayor será la calidad de la
característica para la clasificación de este objeto.
Un inconveniente de este método es que las
distribuciones de la característica con frecuencia no son bimodales
ni gaussianas, y por tanto son evaluadas incorrectamente por este
método anterior. Con referencia a la figura 2, se muestra una
distribución de la frecuencia 20 de otra característica, en donde el
modo 22 no es gaussiano. Además de ello, el modo 22 incluye objetos
en una primera clase, el modo 24 incluye objetos en una segunda
clase, y el modo 26 incluye objetos adicionales en la primera clase.
Un ejemplo de dicha distribución podría ser uno en el cual la
característica es la longitud de una clavija de madera, en donde las
clavijas "buenas" tienen que tener una longitud dentro de una
cierta tolerancia. Así pues, las clavijas "malas" tienen
longitudes mayores (modo 26) y menores que (modo 22) las clavijas
"buenas" (modo 24). Los métodos anteriores no evaluarán
adecuadamente la aptitud de esta característica para los fines de la
clasificación, puesto que la distribución en la figura 2 no es
gaussiana y no es bimodal.
En consecuencia, existe la necesidad de un
sistema y método para evaluar la aptitud de las características
para la clasificación. Existe además una necesidad de un sistema y
método que sea aplicable a las distribuciones no gaussianas.
Adicionalmente además, existe la necesidad de un sistema y método
tales que sean aplicables a las distribuciones no bimodales.
Existe también la necesidad de un sistema y método tales que sean
robustos contra el ruido.
De acuerdo con una realización a modo de
ejemplo, se proporciona un método de evaluación de una
característica de aptitud en la clasificación de sujetos basándose
en los datos del sujeto. Los datos del sujeto incluyen los datos de
la característica y los datos de la clase. El método incluye la
configuración de los datos del sujeto a lo largo de un eje,
basándose en los valores de los datos de la característica, e
identificando el número de los cambios de clase, desde una clase a
otra clase en los datos del sujeto configurado. El número de
cambios de clase representa la aptitud de la característica para la
clasificación de los sujetos.
De acuerdo con una realización alternativa, se
proporciona un método de evaluación de una característica para la
aptitud en la clasificación de los sujetos, basándose en los datos
del sujeto. Los datos del sujeto incluyen los datos de la
característica y los datos de la clase. El método incluye la
configuración de los datos del sujeto a lo largo de un eje
basándose en los valores de los datos de la característica,
identificando los datos del sujeto consecutivos que tengan un
cambio de clase, y midiendo el intervalo entre dos datos del sujeto
consecutivos. El intervalo entre los cambios de clase representa la
aptitud de la característica para la clasificación del objeto.
De acuerdo con otra realización alternativa, se
proporciona un sistema para evaluar una característica para la
aptitud en la clasificación de los sujetos. El sistema incluye
medios de detección para adquirir los datos de la característica a
partir de una pluralidad de sujetos y medios de clasificación para
clasificar cada objeto con uno de una primera clase y una segunda
clase. El sistema incluye además medios para configurar los datos
del sujeto a lo largo de un eje basándose en los valores de los
datos de la característica y en la identificación del número de los
cambios de clase de una clase a otra clase en los datos del sujeto
configurados. El número de cambios de clase representa la aptitud
de la característica para la clasificación de los sujetos.
La invención llegará a comprenderse totalmente a
partir de la siguiente descripción detallada, tomada en conjunción
con los dibujos adjuntos, en donde los numerales iguales de
referencia se refieren a los elementos iguales, y en los
cuales:
la figura 1 es un histograma de una
distribución de frecuencias bimodal gaussiana de una
característica;
la figura 2 es un histograma de una distribución
de frecuencias gaussiana no bimodal de una característica;
la figura 3 es un diagrama de bloques de un
sistema para evaluar la característica de aptitud en la
clasificación de objetos, de acuerdo con una realización a modo de
ejemplo;
la figura 4 es un diagrama de flujo que muestra
la etapas en un método de acuerdo con una realización a modo de
ejemplo;
la figura 5 es un conjunto de números de acuerdo
con una realización a modo de ejemplo;
la figura 6 es un conjunto de números que
ilustra una característica relativamente buena para la
clasificación; y
la figura 7 es un conjunto de números que
ilustra una característica relativamente mala para la
clasificación.
Con referencia primeramente a la figura 3, se
muestra un diagrama de bloques de un sistema ejemplar. El sistema
10 incluye una pluralidad de de sensores 12 y un circuito 14 de
procesamiento de señales, y opcionalmente una pantalla 16 y el
dispositivo 18 de entrada de usuario. El sistema 10 adquiere los
conjuntos de datos de la característica (por ejemplo, un conjunto
de datos de la imagen, un conjunto de datos sonoros, otros conjuntos
de datos de señales multidimensionales o unidimensionales, etc.) de
un sujeto 20 (por ejemplo, un objeto tal como un punto de soldadura
eléctrica, una teja, un motor, etc.) sobre una correa o plataforma
22 de un transportador. El sistema 10 puede ser implementado en un
sistema de procesamiento multiseñal, tal como SIMULTAN, fabricado
por Siemens AG, Munich, Alemania. El sistema SIMULTAN puede generar
muchos conjuntos distintos de datos de la característica con
respecto a un sujeto, y puede procesar una amplia variedad de tipos
de señales, tal como imágenes, sonidos, vibraciones, corriente,
fuerzas, etc. Así pues, el sistema y método descritos más adelante
seleccionan la mejor característica para utilizarla para cada fin de
clasificación.
Los sensores 12 (por ejemplo, videocámaras,
transductores ultrasónicos, sensores de infrarrojos, micrófonos,
etc.) están configurados para adquirir datos de la característica,
por ejemplo, en la forma de una imagen digital del sujeto 20 contra
un fondo o plataforma 22. En este ejemplo, una videocámara está
configurada para transmitir el conjunto de datos de la imagen en
una escala de grises, y para transmitir el conjunto de datos de la
imagen a un circuito 14 de procesamiento de señales.
Alternativamente, la cámara de video puede adquirir los datos de la
característica en color y transmitir los conjuntos de datos del
sujeto por separado para el rojo, verde y azul para cada imagen.
Alternativamente, solo puede estar disponible un sensor, pudiendo
generarse múltiples conjuntos de los datos de la característica a
partir de la salida de un sensor.
El circuito 14 de procesamiento de la señal (es
decir, un ordenador) incluye un microprocesador programado (por
ejemplo, un procesador INTEL x86, microcontrolador, etc.), memoria,
interfaces de conmutación, etc. Alternativamente el circuito 14 de
proceso de señales puede comprender una lógica programable,
componentes discretos de circuitos, etc. El circuito 14 opera de
acuerdo con un programa de hardware o software almacenado en la
memoria (por ejemplo, almacenamiento de disco duro, software
residente, memoria no volátil, etc.), configurándose para la
ejecución de varias funciones de proceso de las señales en los
conjuntos de datos de la característica recibidos, y puede estar
configurado además para proporcionar señales de pantalla a las
pantallas 16 (por ejemplo, un tubo de rayos catódicos, pantalla de
cristal líquido, etc.) y recibir la entrada del usuario desde el
dispositivo de entrada de usuario 18 (por ejemplo, un teclado,
pantalla táctil, etc.).
\newpage
Con referencia ahora a la figura 4, se
describirán las etapas ejecutadas por el circuito 14. En la etapa
102, el sistema 10 está configurado para detectar, a través de los
sensores 12, los datos de la característica con respecto al sujeto
20. De acuerdo con un ejemplo, el usuario sitúa el sujeto 20 (por
ejemplo, una pieza de metal que tenga una punto de soldadura
eléctrica) sobre la plataforma 22, y presiona un conmutador (por
ejemplo, un botón, o haciendo clic con el ratón, pantalla táctil,
etc.) en el dispositivo 18 de entrada del usuario. En respuesta,
el circuito 14 de procesamiento de la señal ordena a los sensores 12
la detección de una o más características del sujeto 20. Por
ejemplo, uno de los sensores 12 podría ser una videocámara
configurada para obtener una imagen digital del sujeto 20. Otro de
los sensores 12 podría ser un sensor del peso, configurado para
pesar el sujeto 20. Incluso otro de los sensores 21 podría ser un
sensor de la longitud configurado para medir el diámetro del sujeto
20. Se contempla cualquier tipo de sensor para medir cualquier
característica sobre un sujeto 20. Cuando uno o más conjuntos de
datos de la característica del sujeto 20 son adquiridos, se
transmiten a un circuito de proceso de la señal 14, el cual almacena
los datos de la característica en una estructura de datos en la
memoria para su procesamiento posterior. La estructura de datos
incluye los datos de la característica y cualesquiera datos del
sujeto, tales como los datos de la clase (véase la etapa 104 más
adelante). El usuario procesa típicamente varios sujetos (por
ejemplo, 10, 20-30, etc.) para adquirir un muestreo
estadísticamente significativo de las distintas clase de
sujetos.
sujetos.
En la etapa 104, los datos del sujeto se
clasifican en una clase de varias clases. En la realización a modo
de ejemplo, los datos del sujeto se clasifican en clase "buena"
y la clase "mala". Alternativamente, los datos del sujeto
pueden ser clasificados en clases que representen los distintos
tamaños (por ejemplo, coto, medio, largo), calidades,
características, etc. Un método de clasificar datos del sujeto
seria para un usuario el presionar un conmutador sobre el
dispositivo 18 de entrada del usuario, para indicar si el sujeto
situado en curso en la plataforma 21 es bueno o malo. El usuario
coloca una pluralidad de sujetos en la plataforma 22, y para cada
sujeto, adquiere los datos de la característica, y asocia una clase
(por ejemplo, soldadura de puntos buena, soldadura de puntos mala,
etc.) con cada sujeto para generar los datos de la clase. El
circuito 14 está configurado para almacenar los datos el sujeto,
que tengan los datos de la característica y los datos de la clase,
en una memoria en preparación para el procesamiento
posterior.
posterior.
En la etapa 106, el circuito 14 está configurado
para comenzar el procesamiento de los datos del sujeto. El circuito
14 dispone primeramente los datos del sujeto basándose en los
valores de los datos de la característica. Más específicamente, los
datos de la característica suponen típicamente valores a través de
un rango de valores desde un mínimo a un máximo (por ejemplo, desde
un color rojo intenso hasta un color azul intenso, desde un peso
mínimo de cero hasta un peso máximo de quizás 2-3
kilogramos, etc.). Como representación gráfica del resultado de
esta configuración, en la figura 5 se muestra un conjunto de números
30. El conjunto de números 30 incluye una línea 32 que se extiende
hacia fuera desde un valor 34 de la característica mínimo. Cada uno
de los datos del sujeto está representado gráficamente en el
conjunto de números 30, tal como se muestra en los puntos "X"
36 y "O" 38. Los caracteres "X" y "O" representan los
datos de la clase para cada punto de los datos (por ejemplo, la
clase X, clase O), según se generan en la etapa 104. El conjunto de
números es meramente una representación de la configuración;
típicamente, en una realización actual, el circuito 14 está
configurado para almacenar los datos del sujeto en una estructura de
datos lineal, o bien en unas posiciones de la memoria consecutivas,
para formar la configuración. Se contemplan métodos de configuración
alternativos.
En la etapa 108, el circuito 14 está configurado
para identificar el número de cambios de la clase desde una clase a
otra en los datos del sujeto configurado. Con referencia de nuevo a
la figura 5, el circuito 14 está configurado para leer los datos de
la clase desde cada uno de los datos del sujeto, procediendo desde
el punto 34 a lo largo de la línea 32 en el conjunto de números
30. En el punto 40 se lee la clase "X". El siguiente punto
consecutivo o próximo a lo largo de la línea 32, el punto 42, indica
una clase "O", es decir, un cambio en la clase desde la clase
X a la clase O. El circuito 14 está configurado para identificar
esto como un cambio de clase y para incrementar un contador de
cambio de clases (por ejemplo, una posición de la memoria). El
circuito 14 continua a lo largo del conjunto de números 30 hasta que
alcance el punto 44, un punto de clase "O", y el punto 46, un
punto de la clase "X". El circuito 14 identifica esto como
otro cambio de clase y de nuevo incrementa el contador de cambio de
clase. El circuito 14 continúa de esta forma hasta que se lean
suficientemente todos los datos del sujeto. El número de cambios de
clase representa la aptitud de esta característica para la
clasificación del sujeto 20. Si existe un número grande de cambios
de clase, entonces la característica es menos apropiada para la
clasificación del sujeto 20. Si existiera un número pequeño de
cambios de clase, entonces la característica será más apropiada para
la clasificación del sujeto
20.
20.
En la etapa 110 se muestra una función más
ventajosa. El circuito 14 está configurado además para medir el
intervalo entre los cambios de clase en los datos del sujeto
configurados, tal como los intervalos 48 y 50 en la figura 5.
Cuanto mayores sean los intervalos entre los cambios de clase, más
adecuada será la característica para la clasificación del sujeto
20. Cuando más pequeños sean los intervalos entre los cambios de
clase, menos adecuada será la característica para la clasificación
del sujeto 20. Tal como puede observarse, tanto el número de
cambios de clase y el tamaño de los intervalos pueden utilizarse por
el circuito 14 para determinar la aptitud de la característica para
la clasificación del sujeto 20.
En la etapa 112, el circuito 14 está configurado
para generar un valor de aptitud para cada característica,
basándose en el número de cambios de clase y/o en el tamaño de los
intervalos en los datos del sujeto configurados. El valor de
aptitud puede ser utilizado entonces para comparar las distintas
características del sujeto 20, con respecto a otro para determinar
cual será el más adecuado para la clasificación. De acuerdo con una
ecuación a modo de ejemplo, el valor de aptitud se calcula de la
forma siguiente:
\sum\limits^{n}_{i=1}
\frac{1}{d_{i} +
\mathit{a}}
en donde i = un índice, n = numero
de cambios de clase, d_{i} = intervalo entre los cambios de clase,
y siendo a una constante utilizada para variar el peso
relativo del numero de cambios de clase con respecto al tamaño de
los intervalos. Esta ecuación se acomoda para la situación en la
que d(i) = 0, es decir, dos datos del sujeto tienen el mismo
valor de la característica, pero de clases distintas. Cuando menor
sea el valor de la aptitud, mejor será la característica para la
clasificación de los sujetos. Cuando mayor sea este valor de la
aptitud, peor será la característica para la clasificación de los
sujetos.
En la etapa 114, se seleccionan una o más
características como las más adecuadas para la clasificación del
sujeto 20. El circuito 14 puede ser configurado para ejecutar esta
etapa automáticamente mediante la simple comparación de los valores
de aptitud, o bien esto puede realizarse por el usuario a través del
dispositivo 18 de entrada del usuario después de visualizar los
valores de aptitud, numero de cambios de clase, y/o los intervalos
entre los cambios de clase en la pantalla 16. Una vez completadas
las etapas 102-114, el circuito 14 se configura
para clasificar automáticamente los sujetos, por ejemplo, durante la
fabricación, utilizando la mejor característica o grupo de
características para los fines de la clasificación.
Las figuras 6 y 7 son los conjuntos de números
120 y 130 que muestran una primera característica que relativamente
buena para la clasificación y una segunda característica 130 que es
relativamente mala para la clasificación, respectivamente. El
conjunto de números 120 incluye solo cuatro cambios de clase,
separados cada uno por al menos un pequeño intervalo. El conjunto
de números 130 incluye aproximadamente once cambios de clase, la
mayoría separados por un intervalo muy pequeño.
Las características medidas de los sujetos, tal
como se ha mencionado, pueden ser de cualquier tipo de
característica sobre los sujetos que puedan ser detectados o
calculados. Además de los mencionados, el circuito 14 puede ser
configurado para calcular más características basándose en los datos
de la característica detectada. Por ejemplo, a partir de una
imagen digital del sujeto, el circuito 14 puede calcular el valor
medio, variancia, diámetro, desviación estándar, etc., de los
puntos dentro de la imagen digital, cada uno de los cuales es una
característica más del sujeto, el cual puede ser adecuado para los
fines de la clasificación. Como otro ejemplo, un micrófono puede
recibir una señal de sonido desde el sujeto. Un método de comprobar
la calidad de una teja es golpear la techa con un martillo y grabar
el sonido de resonancia de la misma. Esta señal de sonido es una
característica del sujeto, y los datos derivados de la señal de
sonido, tal como la amplitud máxima, frecuencia, tiempo de
reducción, raíz cuadrática, cuadrado absoluto, etc., son
características adicionales del sujeto, las cuales pueden ser
adecuadas para los fines de clasificación. El sistema y método
expuestos en las figuras 3-5 anteriores identifican
cual de estas características es la mejor adecuada para la
clasificación de las tejas, por ejemplo, en piezas "buenas" y
"malas".
Aunque las realizaciones a modo de ejemplo han
sido ilustradas, se comprenderá que las realizaciones expuestas
aquí se ofrecen a modo de ejemplos solamente. Por ejemplo, los datos
del sujeto, que comprenden los datos de la característica y los
datos de la clase, pueden ser almacenados y configurados en varios
tipos de estructuras de datos y/o en varios tipos de memorias.
Adicionalmente, además de los dos esquemas de clasificación (por
ejemplo, piezas "buenas" y piezas "malas"), los sujetos
pueden clasificarse en tres, cuatro, o más clasificaciones. La
invención no está limitada a las realizaciones en particular, sino
que se extiende a las distintas modificaciones que caigan no
obstante en el alcance de las reivindicaciones adjuntas.
Claims (23)
1. Un método realizado en un ordenador para
evaluar una característica para la aptitud en la clasificación de
sujetos, basándose en los datos del sujeto físico medido, incluyendo
los datos del sujeto los datos de la característica y los datos de
la clase, que comprende:
configuración de los datos del sujeto físico
medido a lo largo de un eje basándose en los valores de los datos
de la característica;
e
identificar el número de cambios de clase desde
una clase a otra clase en los datos configurados del sujeto físico
medido, por lo que el número de cambios de clase representa la
aptitud de la característica para la clasificación de los
sujetos.
2. El método de la reivindicación 1, que
comprende además la medida del intervalo entre los cambios de clase
en los datos configurados del sujeto físico medido, por lo que el
intervalo entre los cambios de clase representa la aptitud de la
característica para la clasificación de los sujetos.
3. El método de la clasificación 2, que
comprende además la generación de un valor de aptitud igual a:
\sum\limits^{n}_{i=1}\frac{1}{d_{i}
+
\mathit{a}}
en donde i = un índice, n = el
numero de cambios de clase, d_{i} = el intervalo entre los cambios
de clase, y a siendo una
constante.
4. El método de la reivindicación 1, en el que
los datos de la característica incluyen los datos de sonido.
5. El método de la reivindicación 1, que
comprende además la clasificación de los datos del sujeto físico
medido en una clase de la primera clase o segunda clase.
6. El método de la reivindicación 1, en el que
los datos del sujeto físico medido incluyen los segundos datos de
la característica y los datos de la segunda clase, que comprende
además:
configuración de los datos del sujeto físico
medido, basándose en los en los segundos datos de la característica
para crear los segundos datos configurados del sujeto físico
medido; e
identificar el numero de de cambios de clase
desde una clase a otra clase en los segundos datos configurados del
sujeto físico medido, por lo que el numero de cambios de clase en
los segundos datos configurados del sujeto físico medido representa
la aptitud de la segunda característica para la clasificación de los
sujetos.
7. El método de la reivindicación 6, que
comprende además la medida del intervalo entre los cambios de clase
en los segundos datos configurados del sujeto físico medido, por lo
que el intervalo entre los cambios de clase en los segundos datos
configurados del sujeto físico medido representa la aptitud de la
segunda característica para la clasificación del sujeto.
8. El método de la reivindicación 6, que
comprende además la selección de un cambio de la primera y segunda
características que tienen menos cambios de clase como la
característica que más adecuadamente clasifica a los sujetos.
9. El método de la reivindicación 1, que
comprende además:
identificar los datos consecutivos del sujeto
físico medido que tengan un cambio de clase; y
medir el intervalo entre los dos datos
consecutivos del sujeto físico medido, por lo que el intervalo entre
los cambios de clase representa la aptitud de la característica
para la clasificación del sujeto.
10. El método de la reivindicación 9, en el que
los datos de la característica incluyen un diámetro del sujeto.
11. El método de la reivindicación 9, que
comprende además la clasificación de los datos del sujeto físico
medido en una clase de la primera clase y de la segunda clase.
12. El método de la reivindicación 9, en el que
los datos de la característica incluyen los datos de la imagen.
13. El método de la reivindicación 9, en el que
los datos del sujeto físico medido incluyen los datos de la segunda
característica y los datos de la segunda clase, que comprende
además:
configurar los datos del sujeto físico medido
basándose en los datos de la segunda característica, para crear los
segundos datos configurados del sujeto físico medido; e
identificar el número de cambios de clase desde
una clase a otra clase en los segundos datos configurados del
sujeto físico medido, por lo que el número de cambios de clase en
los segundos datos configurados del sujeto físico medido representa
la aptitud de la segunda característica para la clasificación del
sujeto.
14. El método de la reivindicación 13, que
comprende además la medida del intervalo entre los cambios de clase
en los segundos datos configurados del sujeto físico medido, por lo
que el intervalo entre los cambios de clase representa la aptitud
de la segunda característica para la clasificación del sujeto.
15. El método de la reivindicación 14, que
comprende además la selección de una de la primera y segunda
características que más adecuadamente clasifique los sujetos,
basándose en el numero de cambios de clase y en el intervalo entre
los cambios de clase para cada una de la primera y segunda
características.
16. El método de la reivindicación 9, en el que
los datos del sujeto físico medido están dispuestos a lo largo de
un eje, teniendo los datos del sujeto consecutivos unas posiciones
de proximidad sobre el eje.
17. Un sistema para evaluar una característica
para la aptitud en la clasificación de sujetos, que comprende:
medios de detección para adquirir datos de la
característica a partir de una pluralidad de sujetos;
medios de clasificación para clasificar cada
sujeto con una de una primera y segunda clases; y
medios para configurar los datos del sujeto
físico medido a lo largo de un eje, basándose en los valores de los
datos de la característica, e identificando el numero de cambios de
clase a partir de una clase a otra clase en los datos configurados
del sujeto físico medido, por lo que el numero de cambios de clase
representa la aptitud de la característica para la clasificación de
los sujetos.
18. El sistema de la reivindicación 17, en el
que los medios para configurar e identificar incluyen un circuito
de procesamiento de señales.
19. El sistema de la reivindicación 17, que
comprende además medios para medir el intervalo entre los cambios
de clase en los datos configurados del sujeto físico medido, por lo
que el intervalo entre los cambios de clase representa la aptitud
de la característica para la clasificación de los sujetos.
20. El sistema de la reivindicación 17, que
comprende además medios para generar un valor de aptitud igual
a:
\sum\limits^{n}_{i=1}\frac{1}{d_{i}
+
\mathit{a}}
en donde i = un índice, n = el
numero de cambios de clase, d_{i} = el intervalo entre los cambios
de clase, y a siendo una
constante.
21. El sistema de la reivindicación 17, que
comprende además: medios de detección para adquirir los datos de
la segunda característica a partir de la pluralidad de sujetos;
y
medios para configurar los datos del sujeto
físico medido en los datos de la segunda característica, para crear
unos segundos datos configurados del sujeto físico medido, y para
identificar el numero de cambios de clase desde una clase a otra
clase en los segundos datos configurados del sujeto físico medido,
por lo que el numero de cambios de clase en los segundos datos
configurados del sujeto físico medido representa la aptitud de la
segunda característica para la clasificación de los sujetos.
22. El sistema de la reivindicación 21, que
comprende además medios para medir el intervalo entre los cambios
de clase en los segundos datos configurados del sujeto, por lo que
el intervalo entre los cambios de clase representa la aptitud de la
segunda característica para la clasificación del sujeto.
23. El sistema de la reivindicación 22, que
comprende además medios para la selección de una de la primera y
segunda características que mejor clasifique adecuadamente los
sujetos.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US571240 | 1984-01-16 | ||
US09/571,240 US6484122B1 (en) | 2000-05-16 | 2000-05-16 | System and method for evaluating characteristics for suitability in classification |
Publications (1)
Publication Number | Publication Date |
---|---|
ES2272376T3 true ES2272376T3 (es) | 2007-05-01 |
Family
ID=24282883
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
ES01111771T Expired - Lifetime ES2272376T3 (es) | 2000-05-16 | 2001-05-15 | Sistema y metodo para evaluar las caracteristicas de aptiud en la clasificacion. |
Country Status (5)
Country | Link |
---|---|
US (1) | US6484122B1 (es) |
EP (1) | EP1156446B1 (es) |
AT (1) | ATE344951T1 (es) |
DE (1) | DE60124339T2 (es) |
ES (1) | ES2272376T3 (es) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2936601B1 (fr) * | 2008-09-30 | 2011-02-11 | Arbor Sa | Procede de traitement d'objets en fonction de leurs poids individuels |
US11113808B2 (en) * | 2019-02-04 | 2021-09-07 | Walmart Apollo, Llc | System and method for assessing quality of produce |
CN112967231B (zh) * | 2021-02-05 | 2022-11-15 | 五邑大学 | 焊接质量检测方法及其装置、计算机可读存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4658429A (en) * | 1983-12-29 | 1987-04-14 | Hitachi, Ltd. | System and method for preparing a recognition dictionary |
JP3201156B2 (ja) * | 1993-08-30 | 2001-08-20 | トヨタ自動車株式会社 | 設計を支援する方法と装置 |
US5652829A (en) * | 1994-07-26 | 1997-07-29 | International Business Machines Corporation | Feature merit generator |
US5715327A (en) * | 1994-09-20 | 1998-02-03 | Neopath, Inc. | Method and apparatus for detection of unsuitable conditions for automated cytology scoring |
US5708591A (en) * | 1995-02-14 | 1998-01-13 | Akzo Nobel N.V. | Method and apparatus for predicting the presence of congenital and acquired imbalances and therapeutic conditions |
US5987398A (en) * | 1998-04-30 | 1999-11-16 | Sony Corporation | Method and apparatus for statistical process control of machines and processes having non-constant mean of a response variable |
US6253159B1 (en) * | 1998-12-31 | 2001-06-26 | Kimberly-Clark Worldwide, Inc. | Process control using multiple detections |
-
2000
- 2000-05-16 US US09/571,240 patent/US6484122B1/en not_active Expired - Lifetime
-
2001
- 2001-05-15 ES ES01111771T patent/ES2272376T3/es not_active Expired - Lifetime
- 2001-05-15 EP EP01111771A patent/EP1156446B1/en not_active Expired - Lifetime
- 2001-05-15 AT AT01111771T patent/ATE344951T1/de not_active IP Right Cessation
- 2001-05-15 DE DE60124339T patent/DE60124339T2/de not_active Expired - Lifetime
Also Published As
Publication number | Publication date |
---|---|
ATE344951T1 (de) | 2006-11-15 |
US6484122B1 (en) | 2002-11-19 |
EP1156446A2 (en) | 2001-11-21 |
DE60124339T2 (de) | 2007-06-06 |
EP1156446B1 (en) | 2006-11-08 |
EP1156446A3 (en) | 2004-12-15 |
DE60124339D1 (de) | 2006-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6294529B1 (ja) | ひび割れ検出処理装置、およびひび割れ検出処理プログラム | |
CN102870135B (zh) | 用于形状提取的方法和装置、尺寸测量装置和距离测量装置 | |
JP6189127B2 (ja) | はんだ付け検査装置、はんだ付け検査方法および電子部品 | |
CN110678902A (zh) | 手术器具检测系统及计算机程序 | |
CN106295666A (zh) | 分类器生成、更新与对象检测方法和装置及图像处理设备 | |
WO2021240656A1 (ja) | 画像処理装置、制御方法及び記憶媒体 | |
ES2272376T3 (es) | Sistema y metodo para evaluar las caracteristicas de aptiud en la clasificacion. | |
TW574673B (en) | Coin discriminating device and coin discriminating method | |
CN104303047B (zh) | 用于化学发光样本的图像获取 | |
CN107133557A (zh) | 一种掌纹识别辅助方法、装置和系统 | |
JP4111660B2 (ja) | 火災検出装置 | |
CN111914763B (zh) | 活体检测方法、装置和终端设备 | |
JP7396076B2 (ja) | 番号認識装置、方法及び電子機器 | |
CN112949516A (zh) | 踢被子行为的识别方法和装置 | |
JPWO2020152953A1 (ja) | 判別装置、細胞塊の判別方法、及びコンピュータプログラム | |
JP5253194B2 (ja) | 物体検出装置 | |
US11012613B2 (en) | Flat surface detection in photographs | |
JP2002090380A (ja) | スイング物体の速度測定装置 | |
KR101659989B1 (ko) | 다차원 특징을 이용한 이상신호 분석장치 및 방법 | |
ES2923881T3 (es) | Detección de irregularidades superficiales en monedas | |
KR20200143202A (ko) | 신체 활동 능력 평가 장치 및 방법 | |
JP6826736B2 (ja) | 画像処理方法及び粒子計測装置 | |
JP5137862B2 (ja) | 物体検出装置 | |
CN111879774B (zh) | 刷头磨圆率测试方法、装置和电子设备 | |
CN111105861A (zh) | 运动提醒方法、可穿戴设备及计算机可读存储介质 |