JP2003344270A - 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム - Google Patents
自己組織化特徴マップを用いた鋼材表面の劣化度評価システムInfo
- Publication number
- JP2003344270A JP2003344270A JP2002151871A JP2002151871A JP2003344270A JP 2003344270 A JP2003344270 A JP 2003344270A JP 2002151871 A JP2002151871 A JP 2002151871A JP 2002151871 A JP2002151871 A JP 2002151871A JP 2003344270 A JP2003344270 A JP 2003344270A
- Authority
- JP
- Japan
- Prior art keywords
- image
- deterioration
- chromaticity
- self
- evaluation
- 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.)
- Granted
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
(57)【要約】
【課題】鋼材表面を撮影した画像を用いて、鋼材表面の
劣化度を画像処理によって評価する方法において、撮影
時の光量や光源の違いに対応し、劣化度評価の精度を向
上できる、劣化度評価システムを提供する。 【解決手段】画像データをＵＣＳ表色系に変換する前処
理過程と、対象画像がどのような環境および状況で撮影
された画像であるかを自己組織化特徴マップと修正対向
伝搬ネットワークにより分類する画像の分類過程と、ク
ラスタリング法を用いて類似した色度を持つ領域にグル
ープ分けを行う色度による領域の分類過程と、クラスタ
リング結果と劣化度基準とのファジイマッチングにより
劣化度レベルを判断する劣化度判別過程により、鋼材表
面の劣化度を評価する。
劣化度を画像処理によって評価する方法において、撮影
時の光量や光源の違いに対応し、劣化度評価の精度を向
上できる、劣化度評価システムを提供する。 【解決手段】画像データをＵＣＳ表色系に変換する前処
理過程と、対象画像がどのような環境および状況で撮影
された画像であるかを自己組織化特徴マップと修正対向
伝搬ネットワークにより分類する画像の分類過程と、ク
ラスタリング法を用いて類似した色度を持つ領域にグル
ープ分けを行う色度による領域の分類過程と、クラスタ
リング結果と劣化度基準とのファジイマッチングにより
劣化度レベルを判断する劣化度判別過程により、鋼材表
面の劣化度を評価する。
Description
【０００１】
【産業上の利用分野】本発明は、鋼材表面の劣化状態を
検出し、判定するための自己組織化特徴マップを用いた
鋼材表面の劣化度評価システムに関するものである。
検出し、判定するための自己組織化特徴マップを用いた
鋼材表面の劣化度評価システムに関するものである。
【０００２】
【従来の技術】従来、鋼材表面の劣化状態を評価するに
は、人の視覚や写真による評価に始まり、色標による評
価や、超音波によって鋼材の厚さを計測するものなどが
ある。しかし、人の視覚に頼る調査では、同じものを評
価しても定量的に判断するのは難しく、個人によってそ
の評価が異る問題が生じる。超音波測定においては、部
分部分は比較的定量的な評価が可能であるが、広い範囲
になると、評価に時間と労力がかかり、構造によって
は、測定できない個所も生じる問題があった。
は、人の視覚や写真による評価に始まり、色標による評
価や、超音波によって鋼材の厚さを計測するものなどが
ある。しかし、人の視覚に頼る調査では、同じものを評
価しても定量的に判断するのは難しく、個人によってそ
の評価が異る問題が生じる。超音波測定においては、部
分部分は比較的定量的な評価が可能であるが、広い範囲
になると、評価に時間と労力がかかり、構造によって
は、測定できない個所も生じる問題があった。
【０００３】また、鋼材表面の画像をＲＧＢ表色系に変
換し、ＹＩＱ表色系のデータに変換した後、クラスタリ
ングを行い、各クラスタ毎に鋼材表面の劣化度を評価す
る方法がとられてきた。
換し、ＹＩＱ表色系のデータに変換した後、クラスタリ
ングを行い、各クラスタ毎に鋼材表面の劣化度を評価す
る方法がとられてきた。
【０００４】しかし、ＹＩＱ表色系は、感覚的な色度の
差と色度点間の距離が一致していないことで、距離の概
念を導入したクラスタリング法を使用した場合に精度が
悪くなり、またどのような環境および状況で撮影された
画像であるのかを分類する過程が無いことにより、撮影
時の光量や光源の違いによって、適切な評価が得られな
い問題が生じた。
差と色度点間の距離が一致していないことで、距離の概
念を導入したクラスタリング法を使用した場合に精度が
悪くなり、またどのような環境および状況で撮影された
画像であるのかを分類する過程が無いことにより、撮影
時の光量や光源の違いによって、適切な評価が得られな
い問題が生じた。
【０００５】
【発明が解決しようとする課題】本発明は、このような
問題点に鑑みてなされたものであり、感覚的な色度の差
が色度点間の距離に比例しているＵＣＳ表色系を用いる
こと、自己組織化特徴マップ（以下ＳＯＭと略す）によ
り対象画像の撮影環境および状況を色度の分布状況から
分類を行ない、修正対向伝搬ネットワーク（以下ＭＣＰ
と略す）により、対象画像がどの評価パターンに対応す
るのかを判断することで、鋼材表面の劣化度評価の精度
を向上できる、自己組織化特徴マップを用いた鋼材表面
の劣化度評価システムを提供しようとするものである。
問題点に鑑みてなされたものであり、感覚的な色度の差
が色度点間の距離に比例しているＵＣＳ表色系を用いる
こと、自己組織化特徴マップ（以下ＳＯＭと略す）によ
り対象画像の撮影環境および状況を色度の分布状況から
分類を行ない、修正対向伝搬ネットワーク（以下ＭＣＰ
と略す）により、対象画像がどの評価パターンに対応す
るのかを判断することで、鋼材表面の劣化度評価の精度
を向上できる、自己組織化特徴マップを用いた鋼材表面
の劣化度評価システムを提供しようとするものである。
【０００６】
【課題を解決するための手段】上記目的を達成するため
に、本発明における自己組織化特徴マップを用いた鋼材
表面の劣化度評価システムは、図１の劣化度評価システ
ムのフローチャートに示すように、鋼材表面を撮影した
画像をＵＣＳ表色系に変換する前処理過程、ＳＯＭとＭ
ＣＰを用いた画像の分類過程、クラスタリング法を用い
て類似した色度を持つ領域にグループ分けを行う色度に
よる領域の分類過程とクラスタリング結果と劣化度基準
とのファジイマッチングにより劣化度レベルを判断する
劣化度判別過程で構成されている。
に、本発明における自己組織化特徴マップを用いた鋼材
表面の劣化度評価システムは、図１の劣化度評価システ
ムのフローチャートに示すように、鋼材表面を撮影した
画像をＵＣＳ表色系に変換する前処理過程、ＳＯＭとＭ
ＣＰを用いた画像の分類過程、クラスタリング法を用い
て類似した色度を持つ領域にグループ分けを行う色度に
よる領域の分類過程とクラスタリング結果と劣化度基準
とのファジイマッチングにより劣化度レベルを判断する
劣化度判別過程で構成されている。
【０００７】画像の前処理過程では、画像をＲＧＢ表色
系のデータで表した後、異常値の影響を軽減するために
画像の平滑化を行う。そして、ＲＧＢ表色系における色
度座標(r,g,b)を、感覚的な色度の差が色度点間の距離
に比例するようにＵＣＳ表色系における色度座標(u',
v',y)に変換する。
系のデータで表した後、異常値の影響を軽減するために
画像の平滑化を行う。そして、ＲＧＢ表色系における色
度座標(r,g,b)を、感覚的な色度の差が色度点間の距離
に比例するようにＵＣＳ表色系における色度座標(u',
v',y)に変換する。
【０００８】画像の分類過程では、まず、ＳＯＭを用い
て対象画面がどのような環境および状況で撮影された画
像であるのかを色度の分布状況から分類する。その分類
結果に基づき、ＭＣＰを用いて画像がどのパターンの評
価方法を採用すればよいかの分類を行う。
て対象画面がどのような環境および状況で撮影された画
像であるのかを色度の分布状況から分類する。その分類
結果に基づき、ＭＣＰを用いて画像がどのパターンの評
価方法を採用すればよいかの分類を行う。
【０００９】色度による領域の分類過程では、前処理過
程より得られる画像のu',v',y色度データと画像の分類
過程により得られる評価パターンパラメータを入力とし
て、核抽出法とｋ平均法クラスタリングにより分類す
る。まず、初期クラスタおよびクラスタ数を決定するた
めに、核抽出法による階層型クラスタリングを行う。核
抽出クラスタリングによって求めたクラスタを初期クラ
スタとして、ｋ平均法による非階層型クラスタリングを
行ない、最終クラスタを決定する。
程より得られる画像のu',v',y色度データと画像の分類
過程により得られる評価パターンパラメータを入力とし
て、核抽出法とｋ平均法クラスタリングにより分類す
る。まず、初期クラスタおよびクラスタ数を決定するた
めに、核抽出法による階層型クラスタリングを行う。核
抽出クラスタリングによって求めたクラスタを初期クラ
スタとして、ｋ平均法による非階層型クラスタリングを
行ない、最終クラスタを決定する。
【００１０】劣化度判別過程では、色度による領域の分
類過程により得られた画像のクラスタリング結果と劣化
度のファジイ集合を用いて、劣化度の判定を行う。劣化
度は、劣化度１から劣化度４と評価対象外領域（便宜
上、劣化度５とする）の５段階で表す。劣化度のファジ
イ集合は、u'−v'平面上の劣化度１から劣化度４の領域
と評価対象外領域を表す。それぞれのクラスタについ
て、すべての劣化度のファジイ集合に対する適合度の計
算を行ない、その適合度の大きさにより、各クラスタの
劣化度への帰属度が順位付けられる。
類過程により得られた画像のクラスタリング結果と劣化
度のファジイ集合を用いて、劣化度の判定を行う。劣化
度は、劣化度１から劣化度４と評価対象外領域（便宜
上、劣化度５とする）の５段階で表す。劣化度のファジ
イ集合は、u'−v'平面上の劣化度１から劣化度４の領域
と評価対象外領域を表す。それぞれのクラスタについ
て、すべての劣化度のファジイ集合に対する適合度の計
算を行ない、その適合度の大きさにより、各クラスタの
劣化度への帰属度が順位付けられる。
【００１１】
【発明の実施の形態】以下、発明の実施の形態を実施例
にもとづき図面を参照して説明する。
にもとづき図面を参照して説明する。
【００１２】図１は、自己組織化特徴マップを用いた鋼
材表面の劣化度評価システムのフローチャートである。
画像の前処理過程２では、鋼材表面を撮影した画像１を
ＲＧＢ表色系のデータで表し、異常値による影響を軽減
するために、画像の平滑化を行なう。画像の平滑化の例
として、ある画素とそれを中心とした５×５の周囲２４
点について、図２に示すような比重の重みを用いて、
「式１」で示される重みつき平均をとり、その値を中心
画素の値とする方法を行う。この時、f(i,j)は平滑化前
の座標(i,j)の階調ベクトル、g(i,j)は平滑化後の座標
(i,j)の階調ベクトル、a(k,l)は重み係数を表す。
材表面の劣化度評価システムのフローチャートである。
画像の前処理過程２では、鋼材表面を撮影した画像１を
ＲＧＢ表色系のデータで表し、異常値による影響を軽減
するために、画像の平滑化を行なう。画像の平滑化の例
として、ある画素とそれを中心とした５×５の周囲２４
点について、図２に示すような比重の重みを用いて、
「式１」で示される重みつき平均をとり、その値を中心
画素の値とする方法を行う。この時、f(i,j)は平滑化前
の座標(i,j)の階調ベクトル、g(i,j)は平滑化後の座標
(i,j)の階調ベクトル、a(k,l)は重み係数を表す。
【式１】
【００１３】平滑化を行なったＲＧＢ表色系における色
度座標(r,g,b)を「式２」に従い、(u',v',y)に変換す
る。色の明るさは、ｙの値によってのみ表現されてい
る。
度座標(r,g,b)を「式２」に従い、(u',v',y)に変換す
る。色の明るさは、ｙの値によってのみ表現されてい
る。
【式２】
【００１４】次に、画像の前処理過程２により得られた
u',v',y色度データを用いて画像の分類５を行う。撮影
対象および撮影時の光量・光源の違いを簡単に特徴付け
るために色度分布を採用し、ＵＣＳ色度平面と明るさｙ
の軸によって張られる空間を例えば、0.185<u'<0.235、
0.455<v'<0.505を２０点、0.2<y<0.8を２点に等間隔に
離散化を行う。対象となる画像に対して、離散化された
色度の頻度分布を求め、各離散化色度の頻度を、相対頻
度が一定値以上であれば１、一定値未満であれば０を割
り当てて２値化する。この時、明らかに鋼材の色でない
色度ならびに赤錆を示す色度に関しては、予め除去する
ものとする。この一例を図３に示す。各マス目が離散値
に対応しており、着色部分が１に対応している。
u',v',y色度データを用いて画像の分類５を行う。撮影
対象および撮影時の光量・光源の違いを簡単に特徴付け
るために色度分布を採用し、ＵＣＳ色度平面と明るさｙ
の軸によって張られる空間を例えば、0.185<u'<0.235、
0.455<v'<0.505を２０点、0.2<y<0.8を２点に等間隔に
離散化を行う。対象となる画像に対して、離散化された
色度の頻度分布を求め、各離散化色度の頻度を、相対頻
度が一定値以上であれば１、一定値未満であれば０を割
り当てて２値化する。この時、明らかに鋼材の色でない
色度ならびに赤錆を示す色度に関しては、予め除去する
ものとする。この一例を図３に示す。各マス目が離散値
に対応しており、着色部分が１に対応している。
【００１５】この画像の分布を用いて、ＳＯＭによりど
のような環境および状況で撮影された画像であるのかを
色度の分布から分類３する。ＳＯＭは、大脳皮質の視覚
野を人工的に模倣したものであり、図４に示すような入
力層とマップ層の２層構造ネットワークである。ＳＯＭ
の出力層であるＫｏｈｏｎｅｎ層は入力ベクトルをよく
似たベクトルにグループ分けし、それを識別する。この
グループ分けは、よく似た入力ベクトルに対して同じＫ
ｏｈｏｎｅｎニューロンが反応するように、Ｋｏｈｏｎ
ｅｎ層の重みを調節することによって行なわれる。
のような環境および状況で撮影された画像であるのかを
色度の分布から分類３する。ＳＯＭは、大脳皮質の視覚
野を人工的に模倣したものであり、図４に示すような入
力層とマップ層の２層構造ネットワークである。ＳＯＭ
の出力層であるＫｏｈｏｎｅｎ層は入力ベクトルをよく
似たベクトルにグループ分けし、それを識別する。この
グループ分けは、よく似た入力ベクトルに対して同じＫ
ｏｈｏｎｅｎニューロンが反応するように、Ｋｏｈｏｎ
ｅｎ層の重みを調節することによって行なわれる。
【００１６】まず、様々な環境および状況で撮影された
画像を用いて、ＳＯＭ上にマッピングを行ない、何度も
学習させて、様々な撮影環境および状況に対応したＳＯ
Ｍを作成する。
画像を用いて、ＳＯＭ上にマッピングを行ない、何度も
学習させて、様々な撮影環境および状況に対応したＳＯ
Ｍを作成する。
【００１７】ＳＯＭの学習は、下に示す手順からなる。
［ＳＯＭの学習手順］
(1)近傍関数の初期値h0、学習関数の初期値a0および学
習回数Tを定める。次に、入力層とＫｏｈｏｎｅｎ層の
間の重み行列W＝{wij} を乱数を用いて小さな値に初期
化する。 (2)入力ベクトルX＝｛x1,x2,…,xn｝をｎ次元空間の単
位ベクトルのみ変換する。つまり、各入力ベクトルを、
その先がｎ次元超球上にあるような矢印として表現す
る。 (3)Ｋｏｈｏｎｅｎニューロンへの重みと入力ベクトル
の類似度を内積によって定義する。つまり、入力ベクト
ルをX＝｛x1,x2,…,xn｝、ＫｏｈｏｎｅｎニューロンKj
への重みを｛w1j,…,wnj｝（重み行列Ｗの第ｊ列ベクト
ル）とするとき、Ｋｏｈｏｎｅｎニューロンの類似度sj
を「式３」で与える。
習回数Tを定める。次に、入力層とＫｏｈｏｎｅｎ層の
間の重み行列W＝{wij} を乱数を用いて小さな値に初期
化する。 (2)入力ベクトルX＝｛x1,x2,…,xn｝をｎ次元空間の単
位ベクトルのみ変換する。つまり、各入力ベクトルを、
その先がｎ次元超球上にあるような矢印として表現す
る。 (3)Ｋｏｈｏｎｅｎニューロンへの重みと入力ベクトル
の類似度を内積によって定義する。つまり、入力ベクト
ルをX＝｛x1,x2,…,xn｝、ＫｏｈｏｎｅｎニューロンKj
への重みを｛w1j,…,wnj｝（重み行列Ｗの第ｊ列ベクト
ル）とするとき、Ｋｏｈｏｎｅｎニューロンの類似度sj
を「式３」で与える。
【式３】
そして、類似度が最大となるＫｏｈｏｎｅｎニューロン
を勝ちニューロンと呼び、Kj*と表す。 (4)勝ちニューロンKj*とその近傍のニューロンへの重み
を、「式４」に基づいて更新する。
を勝ちニューロンと呼び、Kj*と表す。 (4)勝ちニューロンKj*とその近傍のニューロンへの重み
を、「式４」に基づいて更新する。
【式４】
ここで、hj*(j,t,T）は近傍関数と呼ばれ、「式５」で
表される。a(t,T)は学習関数と呼ばれ、「式６」で表さ
れる。
表される。a(t,T)は学習関数と呼ばれ、「式６」で表さ
れる。
【式５】
【式６】
ただし、T、a0、h0は、それぞれ学習回数、学習関数、
近傍関数に関する定数、｜j*-j｜はKohonen層での２次
元座標上での距離を表す。 (5)学習回数tが、規程の学習回数T以下であれば、(2)か
ら(5)までの手続きを繰り返す。以上の事から、ＳＯＭ
では、勝ちニューロンとその近くのＫｏｈｏｎｅｎニュ
ーロンはすべてその時の入力ベクトルに近づく。
近傍関数に関する定数、｜j*-j｜はKohonen層での２次
元座標上での距離を表す。 (5)学習回数tが、規程の学習回数T以下であれば、(2)か
ら(5)までの手続きを繰り返す。以上の事から、ＳＯＭ
では、勝ちニューロンとその近くのＫｏｈｏｎｅｎニュ
ーロンはすべてその時の入力ベクトルに近づく。
【００１８】得られたマップは、学習に用いた画像に類
似した色度分布を持つ画像に対して、それぞれに選択的
に反応する。さらに、マップ上のニューロンの近さは、
色度分布の近さに対応しており、入力画像の識別細胞の
役割を果たしている。この学習させたＳＯＭを用いるこ
とで、判定を行う画像が、どのような環境および状況で
撮影された画像であるのかを分類することができる。
似した色度分布を持つ画像に対して、それぞれに選択的
に反応する。さらに、マップ上のニューロンの近さは、
色度分布の近さに対応しており、入力画像の識別細胞の
役割を果たしている。この学習させたＳＯＭを用いるこ
とで、判定を行う画像が、どのような環境および状況で
撮影された画像であるのかを分類することができる。
【００１９】画像の分類手順は、判定を行う画像に対し
て、画像の前処理を行ない、［ＳＯＭの学習手順］の
(2)と同様に特徴ベクトルを求める。次に、学習させた
ＳＯＭに対して、特徴ベクトルを入力し、［ＳＯＭの学
習手順］の(3)と同様の方法で勝ちニューロンを決定さ
せて分類を行う。
て、画像の前処理を行ない、［ＳＯＭの学習手順］の
(2)と同様に特徴ベクトルを求める。次に、学習させた
ＳＯＭに対して、特徴ベクトルを入力し、［ＳＯＭの学
習手順］の(3)と同様の方法で勝ちニューロンを決定さ
せて分類を行う。
【００２０】ＳＯＭの例を図５に示す。ここで、中心に
点が描かれている六角形はＫｏｈｏｎｅｎニューロンに
対応し、各ニューロン間の６角形の濃淡はそれぞれニュ
ーロンへの重みベクトルの類似度を表している。濃いほ
ど類似度は低いことを示している。これからも分かるよ
うに、色度の頻度分布による特徴ベクトル化とＳＯＭの
組み合わせによる分類は、人の行う直感的分類（識別）
過程を模倣したものとなっている。
点が描かれている六角形はＫｏｈｏｎｅｎニューロンに
対応し、各ニューロン間の６角形の濃淡はそれぞれニュ
ーロンへの重みベクトルの類似度を表している。濃いほ
ど類似度は低いことを示している。これからも分かるよ
うに、色度の頻度分布による特徴ベクトル化とＳＯＭの
組み合わせによる分類は、人の行う直感的分類（識別）
過程を模倣したものとなっている。
【００２１】次に、ＭＣＰを用いて、ＳＯＭにより分類
された結果を、さらに予備解析等の経験に基づいて適切
な評価パターンに分類４する。ここで、使用するネット
ワークの例を図６に示す。本ネットワークは、訓練モー
ドと認識モードがあり、訓練モードでは、ＳＯＭによっ
て得られた直感的分類と予備解析等の経験に基づいた評
価パターンの分類の対応を学習させる。認識モードで
は、訓練モードによって得られた結合荷重をネットワー
クに読み込んだ後、入力された各画像に対して、適切な
評価パターンを出力する。
された結果を、さらに予備解析等の経験に基づいて適切
な評価パターンに分類４する。ここで、使用するネット
ワークの例を図６に示す。本ネットワークは、訓練モー
ドと認識モードがあり、訓練モードでは、ＳＯＭによっ
て得られた直感的分類と予備解析等の経験に基づいた評
価パターンの分類の対応を学習させる。認識モードで
は、訓練モードによって得られた結合荷重をネットワー
クに読み込んだ後、入力された各画像に対して、適切な
評価パターンを出力する。
【００２２】訓練モードの手順は、まずＫｏｈｏｎｅｎ
層−出力層間の結合荷重zjkをゼロに初期化する。次
に、Ｋｏｈｏｎｅｎ層−出力層間では、画像毎の（入力
層−Ｋｏｈｏｎｅｎ層における）勝ちニューロンKj*お
よび近傍関数hj*で定義される近傍領域Sj*に含まれるニ
ューロンと、予備解析等によって得られる評価パターン
パラメータに対応した出力ニューロンCk*との結合荷重z
jkを「式7」により更新する。
層−出力層間の結合荷重zjkをゼロに初期化する。次
に、Ｋｏｈｏｎｅｎ層−出力層間では、画像毎の（入力
層−Ｋｏｈｏｎｅｎ層における）勝ちニューロンKj*お
よび近傍関数hj*で定義される近傍領域Sj*に含まれるニ
ューロンと、予備解析等によって得られる評価パターン
パラメータに対応した出力ニューロンCk*との結合荷重z
jkを「式7」により更新する。
【式７】
ここで、hj*(j,t,T）は「式８」で表され、r(t,T)は
「式９」で表される。
「式９」で表される。
【式８】
【式９】
ただし、｜j*-j｜はＫｏｈｏｎｅｎ層上での２次元座標
上での距離、H0、R0は定数、Tは規定の学習回数を表
す。学習回数tが規定の学習回数T以下であれば「式7」
の手続きを繰り返す。
上での距離、H0、R0は定数、Tは規定の学習回数を表
す。学習回数tが規定の学習回数T以下であれば「式7」
の手続きを繰り返す。
【００２３】認識モードでは、訓練モードによって得ら
れた結合荷重をネットワークに読み込んだ後、Ｋｏｈｏ
ｎｅｎ層の勝ちニューロンKj*と出力層の各ニューロンP
k間との結合荷重zj*kの大きさを比較して、最大値を持
つ出力層のニューロンに対応する評価パターンが第１位
となる。同様にして、第２位以下の候補が決定される。
第１位のみを判定に用いれば、学習ベクトル量子化と同
様の判定ができ、第２位以下の候補も用いれば順位付き
の評価パターン判定もできる。
れた結合荷重をネットワークに読み込んだ後、Ｋｏｈｏ
ｎｅｎ層の勝ちニューロンKj*と出力層の各ニューロンP
k間との結合荷重zj*kの大きさを比較して、最大値を持
つ出力層のニューロンに対応する評価パターンが第１位
となる。同様にして、第２位以下の候補が決定される。
第１位のみを判定に用いれば、学習ベクトル量子化と同
様の判定ができ、第２位以下の候補も用いれば順位付き
の評価パターン判定もできる。
【００２４】次に、前処理過程２より得られる画像の
u',v',y色度データと画像の分類過程５により得られる
評価パターンパラメータを入力として、色度による領域
の分類８を行う。まず、yを基準に２つのクラスタ（明
るい画素と暗い画素）に分類し、それぞれのクラスタを
色度に基づいて、核抽出法６とｋ平均法クラスタリング
７によりさらに分類する。
u',v',y色度データと画像の分類過程５により得られる
評価パターンパラメータを入力として、色度による領域
の分類８を行う。まず、yを基準に２つのクラスタ（明
るい画素と暗い画素）に分類し、それぞれのクラスタを
色度に基づいて、核抽出法６とｋ平均法クラスタリング
７によりさらに分類する。
【００２５】画像の分類過程５により得られる評価パタ
ーンパラメータは、各評価パターン（パターン１からパ
ターン５までの５段階）ごとのヒストグラムセルHi(H1,
H2,…,Hn)、核となるための最低頻度F0、およびデータ
の標準偏差に対するクラスタ半径の最小比率D0などを表
したものである。パターン１の場合のパラメータは、例
えば、「ヒストグラムセルHi(H1,H2,…,Hn)は、(u',v')
平面上の0.0025×0.0025の矩形平面、核となるための最
低頻度F0は(全データ数)/(頻度が１以上のセルの数)も
しくは９０点のうち小さい方の値、データの標準偏差に
対するクラスタ半径の最小比率D0は１、ただし、標準偏
差が0.006以下の場合は、クラスタ半径を0.006とす
る。」という値で与えられる。
ーンパラメータは、各評価パターン（パターン１からパ
ターン５までの５段階）ごとのヒストグラムセルHi(H1,
H2,…,Hn)、核となるための最低頻度F0、およびデータ
の標準偏差に対するクラスタ半径の最小比率D0などを表
したものである。パターン１の場合のパラメータは、例
えば、「ヒストグラムセルHi(H1,H2,…,Hn)は、(u',v')
平面上の0.0025×0.0025の矩形平面、核となるための最
低頻度F0は(全データ数)/(頻度が１以上のセルの数)も
しくは９０点のうち小さい方の値、データの標準偏差に
対するクラスタ半径の最小比率D0は１、ただし、標準偏
差が0.006以下の場合は、クラスタ半径を0.006とす
る。」という値で与えられる。
【００２６】まず、初期クラスタおよびクラスタ数を決
定するために、前処理によって得られた１つのクラスタ
に配置されているu',v',yデータをu'−v'平面に射影し
たものを被クラスタリングデータとし、これを画像の分
類過程５から得られる評価パターンパラメータに基づい
て、核抽出クラスタリング６を行う。
定するために、前処理によって得られた１つのクラスタ
に配置されているu',v',yデータをu'−v'平面に射影し
たものを被クラスタリングデータとし、これを画像の分
類過程５から得られる評価パターンパラメータに基づい
て、核抽出クラスタリング６を行う。
【００２７】核抽出クラスタリング６は、まずヒストグ
ラムセルHi(H1,H2,…,Hn)、核となるための最低相対頻
度F0、およびデータの標準偏差に対するクラスタ半径の
最小比率D0などのクラスタリングパラメータの設定を行
ない、対象となるすべての被クラスタリングデータを暫
定第１クラスタに配置し、対象暫定第１クラスタに属し
ているデータに対して、以下の再帰的手順を行う。 ［核抽出クラスタリングの手順］ (1)与えられた暫定クラスタに属するデータをヒストグ
ラムセルに基づいて、ヒストグラムを作成する。また、
同時に対象データ数Nおよび、データの標準偏差sdを求
める。 (2)頻度順にヒストグラムセルHiを並び替える。また、
一般性を失うことなしに、i<j ⇒｜Hi｜≧｜Hj｜とでき
る。ここで、｜Hi｜をHiの頻度とする。 (3)i=1、j=iとして、H1を第ｉ核Ciとする。 (4)k=argmin d(Hj,H1) over 1∈{1,…,i}とする。こ
こで、d(Hj,H1)をHjとH1の中心値間の距離とする。そし
て、次の手順で順次、核と暫定クラスタを構成する。 (5)d(Hj,Hk)<D0・sdまたは、｜Hj｜<F0・Nならば、Hjの
要素をCkを核とする暫定クラスタに配置する。 (6)d(Hj,Hk)≧D0・sdかつ、｜Hj｜≧F0・Nならば、i=i+
1として、Hjを第i核Ciとする。 (7)j<Mである限り、j=j+1として、(4)(5)(6)を繰り返
す。j=Mならば、(8)に進む。 (8)i=1ならば、Ciを核とする暫定クラスタを、１つの最
終クラスタとして固定する。 i>1ならば、すべてh∈{1,…,i}に対して、Chを核とする
暫定クラスタに対して、再クラスタリングを行う。
ラムセルHi(H1,H2,…,Hn)、核となるための最低相対頻
度F0、およびデータの標準偏差に対するクラスタ半径の
最小比率D0などのクラスタリングパラメータの設定を行
ない、対象となるすべての被クラスタリングデータを暫
定第１クラスタに配置し、対象暫定第１クラスタに属し
ているデータに対して、以下の再帰的手順を行う。 ［核抽出クラスタリングの手順］ (1)与えられた暫定クラスタに属するデータをヒストグ
ラムセルに基づいて、ヒストグラムを作成する。また、
同時に対象データ数Nおよび、データの標準偏差sdを求
める。 (2)頻度順にヒストグラムセルHiを並び替える。また、
一般性を失うことなしに、i<j ⇒｜Hi｜≧｜Hj｜とでき
る。ここで、｜Hi｜をHiの頻度とする。 (3)i=1、j=iとして、H1を第ｉ核Ciとする。 (4)k=argmin d(Hj,H1) over 1∈{1,…,i}とする。こ
こで、d(Hj,H1)をHjとH1の中心値間の距離とする。そし
て、次の手順で順次、核と暫定クラスタを構成する。 (5)d(Hj,Hk)<D0・sdまたは、｜Hj｜<F0・Nならば、Hjの
要素をCkを核とする暫定クラスタに配置する。 (6)d(Hj,Hk)≧D0・sdかつ、｜Hj｜≧F0・Nならば、i=i+
1として、Hjを第i核Ciとする。 (7)j<Mである限り、j=j+1として、(4)(5)(6)を繰り返
す。j=Mならば、(8)に進む。 (8)i=1ならば、Ciを核とする暫定クラスタを、１つの最
終クラスタとして固定する。 i>1ならば、すべてh∈{1,…,i}に対して、Chを核とする
暫定クラスタに対して、再クラスタリングを行う。
【００２８】次に、核抽出クラスタリング６によって求
めたクラスタを初期クラスタとして、ｋ平均クラスタリ
ング７を行ない、最終クラスタを決定する。
めたクラスタを初期クラスタとして、ｋ平均クラスタリ
ング７を行ない、最終クラスタを決定する。
【００２９】ｋ平均クラスタリング７は、下記の手順か
らなる。 ［ｋ平均クラスタリングの手順］ (1)クラスタの数ｋ、再配置の収束条件などのクラスタ
リングパラメータを設定する。また、被クラスタリング
パラメータを暫定的にｋ個の初期クラスタに配置する。 (2)ｋ個の各初期クラスタの重心（各クラスタ内の全デ
ータの算術平均）を求める。 (3)各被クラスタリングデータに対して、すべてのクラ
スタ重心との距離（ユークリッド距離）を計算し、それ
ぞれのデータが距離が最小となるクラスタに再配置す
る。 (4)再配置されたデータで、各クラスタの重心を再計算
する。 (5)所属するクラスタを変えたデータの数が、ある閾値
以下であれば、収束したとみなし、最終クラスタとして
決定する。またそれ以外の時は(3)へ戻って繰り返す。
らなる。 ［ｋ平均クラスタリングの手順］ (1)クラスタの数ｋ、再配置の収束条件などのクラスタ
リングパラメータを設定する。また、被クラスタリング
パラメータを暫定的にｋ個の初期クラスタに配置する。 (2)ｋ個の各初期クラスタの重心（各クラスタ内の全デ
ータの算術平均）を求める。 (3)各被クラスタリングデータに対して、すべてのクラ
スタ重心との距離（ユークリッド距離）を計算し、それ
ぞれのデータが距離が最小となるクラスタに再配置す
る。 (4)再配置されたデータで、各クラスタの重心を再計算
する。 (5)所属するクラスタを変えたデータの数が、ある閾値
以下であれば、収束したとみなし、最終クラスタとして
決定する。またそれ以外の時は(3)へ戻って繰り返す。
【００３０】色度による領域の分類過程８により得られ
た画像のクラスタリング結果と画像の分類過程５により
得られた評価パラメータパターンに依存する劣化度ファ
ジイ集合を用いて、劣化度の判定９を行う。劣化度ファ
ジイ集合は、u'−v'平面上の劣化度１から劣化度４の領
域と評価対象外領域（便宜上、劣化度５とする）を表
す。u'−v'平面（U'×V'）上のクラスタの集合をC={Ci}
i∈{1,…,k}、クラスタCiの要素をX(i)={xj(i)}
j∈{1,…,n(i)}とする。また、劣化度のファジイ集合A p
(p∈{１,２,…,５})、そのメンバーシップ関数をμ
Ap(u',v')：U'×V'→［0,1］で表す。この時、クラスタ
Ciと劣化度Apとの適合度s(i,p)∈［0,1］を「式１０」
を用いて計算する。そして、その適合度の大きさによ
り、各クラスタの劣化度への帰属度が順位付けられる。
一般的には、第１位のみを用いればよいが、第２位以下
の候補も用いれば、順位付きの判定もできる。
た画像のクラスタリング結果と画像の分類過程５により
得られた評価パラメータパターンに依存する劣化度ファ
ジイ集合を用いて、劣化度の判定９を行う。劣化度ファ
ジイ集合は、u'−v'平面上の劣化度１から劣化度４の領
域と評価対象外領域（便宜上、劣化度５とする）を表
す。u'−v'平面（U'×V'）上のクラスタの集合をC={Ci}
i∈{1,…,k}、クラスタCiの要素をX(i)={xj(i)}
j∈{1,…,n(i)}とする。また、劣化度のファジイ集合A p
(p∈{１,２,…,５})、そのメンバーシップ関数をμ
Ap(u',v')：U'×V'→［0,1］で表す。この時、クラスタ
Ciと劣化度Apとの適合度s(i,p)∈［0,1］を「式１０」
を用いて計算する。そして、その適合度の大きさによ
り、各クラスタの劣化度への帰属度が順位付けられる。
一般的には、第１位のみを用いればよいが、第２位以下
の候補も用いれば、順位付きの判定もできる。
【式１０】
【００３１】図８および図１０は、判定結果画像１０の
例である。図７に示す構造物の外面を撮影した画像を本
発明で劣化度評価を行った結果は、図８のように撮影さ
れた鋼材表面上に劣化度ごとに異なる色で着色される。
同様に、図９に示す鋼管の内面を撮影した画像を本発明
で劣化度評価を行った結果は、図１０のように撮影され
た鋼材表面上に劣化度ごとに異なる色で着色され、元画
像の各部分の劣化状態を一目で把握することが出来る。
例である。図７に示す構造物の外面を撮影した画像を本
発明で劣化度評価を行った結果は、図８のように撮影さ
れた鋼材表面上に劣化度ごとに異なる色で着色される。
同様に、図９に示す鋼管の内面を撮影した画像を本発明
で劣化度評価を行った結果は、図１０のように撮影され
た鋼材表面上に劣化度ごとに異なる色で着色され、元画
像の各部分の劣化状態を一目で把握することが出来る。
【００３２】
【発明の効果】本発明は、以上に説明した手順で行うこ
とにより、以下に記載するような効果を奏する。
とにより、以下に記載するような効果を奏する。
【００３３】鋼材表面の劣化度評価システムに、感覚的
な色度の差が色度点間の距離に比例しているＵＣＳ表色
系を用いることで、距離の概念を導入したクラスタリン
グ法を使用する際に、劣化度評価の精度を上げることが
できる。
な色度の差が色度点間の距離に比例しているＵＣＳ表色
系を用いることで、距離の概念を導入したクラスタリン
グ法を使用する際に、劣化度評価の精度を上げることが
できる。
【００３４】また、本発明はＳＯＭにより対象画像の撮
影環境および状況を色度の分布状況から画像の分類を行
ない、ＭＣＰにより対象画像がどのパターンの評価方法
を採用すればよいかを予備解析等の経験から分類を行う
ことで、撮影時の光量・光源の違いによる色度分布の違
いに対応できる。
影環境および状況を色度の分布状況から画像の分類を行
ない、ＭＣＰにより対象画像がどのパターンの評価方法
を採用すればよいかを予備解析等の経験から分類を行う
ことで、撮影時の光量・光源の違いによる色度分布の違
いに対応できる。
【図１】自己組織化特徴マップを用いた劣化度評価シス
テムのフローチャート
テムのフローチャート
【図２】画像の平滑化の例
【図３】鋼管内面画像と離散化した色度の頻度分布の例
【図４】自己組織化特徴マップのネットワーク図
【図５】自己組織化特徴マップ
【図６】修正対向伝搬ネットワーク図
【図７】構造物外面画像
【図８】構造物外面画像の判定結果画像
【図９】鋼管内面画像
【図１０】鋼管内面画像の判定結果画像
１ 画像
２ 画像の前処理過程
３ ＳＯＭによる分類
４ ＭＣＰによる分類
５ 画像の分類過程
６ 核抽出クラスタリング
７ ｋ平均クラスタリング
８ 色度による領域の分類過程
９ 劣化度判定過程
１０ 判定結果画像
─────────────────────────────────────────────────────
【手続補正書】
【提出日】平成１４年８月１日（２００２．８．１）
【手続補正２】
【補正対象書類名】明細書
【補正対象項目名】００１４
【補正方法】変更
【補正内容】
【００１４】次に、画像の前処理過程２により得られた
ｕ’，ｖ’，ｙ色度データを用いて画像の分類５を行
う。撮影対象および撮影時の光量・光源の違いを簡単に
特徴付けるために色度分布を採用し、ＵＣＳ色度平面と
明るさｙの軸によって張られる空間を例えば、０．１８
５＜ｕ’＜０．２３５、０．４５５＜ｖ’＜０．５０５
を２０点、０．２＜ｙく０．８を２点に等間隔に離散化
を行う。対象となる画像に対して、離散化された色度の
頻度分布を求め、各離散化色度の頻度を、相対頻度が一
定値以上であれば１、一定値未満であれば０を割り当て
て２値化する。この時、明らかに鋼材の色でない色度な
らびに赤錆を示す色度に関しては、予め除去するものと
する。この一例を図３、図４、図５に示す。各マス目が
離散値に対応しており、着色部分が１に対応している。
ｕ’，ｖ’，ｙ色度データを用いて画像の分類５を行
う。撮影対象および撮影時の光量・光源の違いを簡単に
特徴付けるために色度分布を採用し、ＵＣＳ色度平面と
明るさｙの軸によって張られる空間を例えば、０．１８
５＜ｕ’＜０．２３５、０．４５５＜ｖ’＜０．５０５
を２０点、０．２＜ｙく０．８を２点に等間隔に離散化
を行う。対象となる画像に対して、離散化された色度の
頻度分布を求め、各離散化色度の頻度を、相対頻度が一
定値以上であれば１、一定値未満であれば０を割り当て
て２値化する。この時、明らかに鋼材の色でない色度な
らびに赤錆を示す色度に関しては、予め除去するものと
する。この一例を図３、図４、図５に示す。各マス目が
離散値に対応しており、着色部分が１に対応している。
【手続補正３】
【補正対象書類名】明細書
【補正対象項目名】００１５
【補正方法】変更
【補正内容】
【００１５】この画像の分布を用いて、ＳＯＭによりど
のような環境および状況で撮影された画像であるのかを
色度の分布から分類３する。ＳＯＭは、大脳皮質の視覚
野を人工的に模倣したものであり、図６に示すような入
力層とマップ層の２層構造ネットワークである。ＳＯＭ
の出力層であるＫｏｈｏｎｅｎ層は入力ベクトルをよく
似たベクトルにグループ分けし、それを識別する。この
グループ分けは、よく似た入力ベクトルに対して同じＫ
ｏｈｏｎｅｎニューロンが反応するように、Ｋｏｈｏｎ
ｅｎ層の重みを調節することによって行なわれる。
のような環境および状況で撮影された画像であるのかを
色度の分布から分類３する。ＳＯＭは、大脳皮質の視覚
野を人工的に模倣したものであり、図６に示すような入
力層とマップ層の２層構造ネットワークである。ＳＯＭ
の出力層であるＫｏｈｏｎｅｎ層は入力ベクトルをよく
似たベクトルにグループ分けし、それを識別する。この
グループ分けは、よく似た入力ベクトルに対して同じＫ
ｏｈｏｎｅｎニューロンが反応するように、Ｋｏｈｏｎ
ｅｎ層の重みを調節することによって行なわれる。
【手続補正４】
【補正対象書類名】明細書
【補正対象項目名】００２０
【補正方法】変更
【補正内容】
【００２０】ＳＯＭの例を図７に示す。ここで、中心に
点が描かれている六角形はＫｏｈｏｎｅｎニューロンに
対応し、各ニューロン間の６角形の濃淡はそれぞれニュ
ーロンへの重みベクトルの類似度を表している。濃いほ
ど類似度は低いことを示している。これからも分かるよ
うに、色度の頻度分布による特徴ベクトル化とＳＯＭの
組み合わせによる分類は、人の行う直感的分類（識別）
過程を模倣したものとなっている。
点が描かれている六角形はＫｏｈｏｎｅｎニューロンに
対応し、各ニューロン間の６角形の濃淡はそれぞれニュ
ーロンへの重みベクトルの類似度を表している。濃いほ
ど類似度は低いことを示している。これからも分かるよ
うに、色度の頻度分布による特徴ベクトル化とＳＯＭの
組み合わせによる分類は、人の行う直感的分類（識別）
過程を模倣したものとなっている。
【手続補正５】
【補正対象書類名】明細書
【補正対象項目名】００２１
【補正方法】変更
【補正内容】
【００２１】次に、ＭＣＰを用いて、ＳＯＭにより分類
された結果を、さらに予備解析等の経験に基づいて適切
な評価パターンに分類４する。ここで、使用するネット
ワークの例を図８に示す。本ネットワークは、訓練モー
ドと認識モードがあり、訓練モードでは、ＳＯＭによっ
て得られた直感的分類と予備解析等の経験に基づいた評
価パターンの分類の対応を学習させる。認識モードで
は、訓練モードによって得られた結合荷重をネットワー
クに読み込んだ後、入力された各画像に対して、適切な
評価パターンを出力する。
された結果を、さらに予備解析等の経験に基づいて適切
な評価パターンに分類４する。ここで、使用するネット
ワークの例を図８に示す。本ネットワークは、訓練モー
ドと認識モードがあり、訓練モードでは、ＳＯＭによっ
て得られた直感的分類と予備解析等の経験に基づいた評
価パターンの分類の対応を学習させる。認識モードで
は、訓練モードによって得られた結合荷重をネットワー
クに読み込んだ後、入力された各画像に対して、適切な
評価パターンを出力する。
【手続補正６】
【補正対象書類名】明細書
【補正対象項目名】００３１
【補正方法】変更
【補正内容】
【００３１】図１０および図１２は、判定結果画像１０
の例である。図９に示す構造物の外面を撮影した画像を
本発明で劣化度評価を行った結果は、図１０のように撮
影された鋼材表面上に劣化度ごとに異なる色で着色され
る。同様に、図１１に示す鋼管の内面を撮影した画像を
本発明で劣化度評価を行った結果は、図１２のように撮
影された鋼材表面上に劣化度ごとに異なる色で着色さ
れ、元画像の各部分の劣化状態を一目で把握することが
出来る。
の例である。図９に示す構造物の外面を撮影した画像を
本発明で劣化度評価を行った結果は、図１０のように撮
影された鋼材表面上に劣化度ごとに異なる色で着色され
る。同様に、図１１に示す鋼管の内面を撮影した画像を
本発明で劣化度評価を行った結果は、図１２のように撮
影された鋼材表面上に劣化度ごとに異なる色で着色さ
れ、元画像の各部分の劣化状態を一目で把握することが
出来る。
【手続補正７】
【補正対象書類名】明細書
【補正対象項目名】図面の簡単な説明
【補正方法】変更
【補正内容】
【図面の簡単な説明】
【図１】自己組織化特徴マップを用いた劣化度評価シス
テムのフローチャート
テムのフローチャート
【図２】画像の平滑化の例
【図３】鋼管内面画像の例
【図４】離散化した色度の頻度分布の例
【図５】離散化した色度の頻度分布の例
【図６】
自己組織化特徴マップのネットワーク図
【図７】
自己組織化特徴マップ
【図８】
修正対向伝搬ネットワーク図
【図９】
構造物外面画像
【図１０】
構造物外面画像の判定結果画像
【図１１】
鋼管内面画像
【図１２】
鋼管内面画像の判定結果画像
【符号の説明】
１ 画像
２ 画像の前処理過程
３ ＳＯＭによる分類
４ ＭＣＰによる分類
５ 画像の分類過程
６ 核抽出クラスタリング
７ ｋ平均クラスタリング
８ 色度による領域の分類過程
９ 劣化度判定過程
１０ 判定結果画像
【手続補正８】
【補正対象書類名】図面
【補正対象項目名】全図
【補正方法】変更
【補正内容】
【図１】
【図２】
【図３】
【図４】
【図５】
【図６】
【図７】
【図８】
【図９】
【図１０】
【図１１】
【図１２】
─────────────────────────────────────────────────────
フロントページの続き
(72)発明者 藤村 和男
大阪府大阪市東成区深江北２丁目11番17号
日本電炉株式会社内
Ｆターム(参考） 2G020 AA08 DA02 DA03 DA04 DA13
DA34
2G059 AA05 BB08 CC03 EE02 EE13
FF01 FF06 HH02 MM01 MM02
MM03 NN05
5B057 AA17 CA01 CE16 CH01 DA12
5L096 AA02 AA06 BA03 CA02 FA06
FA15 JA03 MA07
Claims (2)
- 【請求項１】鋼材表面を撮影した画像を用いて、鋼材表
面の劣化度を画像処理により評価する方法において、画
像データをＵＣＳ表色系に変換する前処理過程と、対象
画像がどのような環境および状況で撮影された画像であ
るかを分類する画像の分類過程と、クラスタリング法を
用いて類似した色度を持つ領域にグループ分けを行う色
度による領域の分類過程と、クラスタリング結果と劣化
度基準とのファジイマッチングにより劣化度レベルを判
断する劣化度判別過程により、鋼材表面の劣化度を評価
することを特徴とする、自己組織化特徴マップを用いた
鋼材表面の劣化度評価システム。 - 【請求項２】請求項１に記載の画像の分類過程におい
て、様々な環境および状況で撮影された画像を用いて学
習させた自己組織化特徴マップにより、対象画像の撮影
環境および状況を色度の分布状況から分類を行うこと、
自己組織化特徴マップによる分類結果に基づいて、対象
画像がどの評価パターンに対応するのかを修正対向伝搬
ネットワークにより、判断することを特徴とする、自己
組織化特徴マップを用いた鋼材表面の劣化度評価システ
ム。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002151871A JP3648728B2 (ja) | 2002-05-27 | 2002-05-27 | 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2002151871A JP3648728B2 (ja) | 2002-05-27 | 2002-05-27 | 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2003344270A true JP2003344270A (ja) | 2003-12-03 |
| JP3648728B2 JP3648728B2 (ja) | 2005-05-18 |
Family
ID=29769330
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2002151871A Expired - Fee Related JP3648728B2 (ja) | 2002-05-27 | 2002-05-27 | 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3648728B2 (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2007236939A (ja) * | 2006-03-03 | 2007-09-20 | Fujifilm Corp | 乳房辺縁検出のための方法および装置 |
| JP2010032511A (ja) * | 2008-06-30 | 2010-02-12 | Denro Corp | 塗装劣化診断方法および装置 |
| US7716169B2 (en) | 2005-12-08 | 2010-05-11 | Electronics And Telecommunications Research Institute | System for and method of extracting and clustering information |
| CN111401764A (zh) * | 2020-03-24 | 2020-07-10 | 福建江夏学院 | 一种基于cpn网络模型的图书馆用户满意度综合评估方法 |
| US20200380653A1 (en) * | 2019-05-31 | 2020-12-03 | Kabushiki Kaisha Toshiba | Image processing device and image processing method |
| JP2021056117A (ja) * | 2019-09-30 | 2021-04-08 | 日立造船株式会社 | 評価装置、評価システム、制御プログラム、および評価方法 |
| CN117648591A (zh) * | 2024-01-30 | 2024-03-05 | 南昌工程学院 | 一种计及高海拔环境影响的复合绝缘子劣化状态评价方法 |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111603100B (zh) * | 2020-05-08 | 2022-04-22 | 美智纵横科技有限责任公司 | 扫地机清扫地图的存储和复用方法、及存储和复用装置 |
-
2002
- 2002-05-27 JP JP2002151871A patent/JP3648728B2/ja not_active Expired - Fee Related
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7716169B2 (en) | 2005-12-08 | 2010-05-11 | Electronics And Telecommunications Research Institute | System for and method of extracting and clustering information |
| JP2007236939A (ja) * | 2006-03-03 | 2007-09-20 | Fujifilm Corp | 乳房辺縁検出のための方法および装置 |
| JP2010032511A (ja) * | 2008-06-30 | 2010-02-12 | Denro Corp | 塗装劣化診断方法および装置 |
| US20200380653A1 (en) * | 2019-05-31 | 2020-12-03 | Kabushiki Kaisha Toshiba | Image processing device and image processing method |
| JP2021056117A (ja) * | 2019-09-30 | 2021-04-08 | 日立造船株式会社 | 評価装置、評価システム、制御プログラム、および評価方法 |
| CN111401764A (zh) * | 2020-03-24 | 2020-07-10 | 福建江夏学院 | 一种基于cpn网络模型的图书馆用户满意度综合评估方法 |
| CN111401764B (zh) * | 2020-03-24 | 2022-05-10 | 福建江夏学院 | 一种基于cpn网络模型的图书馆用户满意度综合评估方法 |
| CN117648591A (zh) * | 2024-01-30 | 2024-03-05 | 南昌工程学院 | 一种计及高海拔环境影响的复合绝缘子劣化状态评价方法 |
| CN117648591B (zh) * | 2024-01-30 | 2024-04-30 | 南昌工程学院 | 一种计及高海拔环境影响的复合绝缘子劣化状态评价方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| JP3648728B2 (ja) | 2005-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021052159A1 (zh) | 基于对抗迁移学习的人脸美丽预测方法及装置 | |
| CN106295124B (zh) | 多种图像检测技术综合分析基因子图相似概率量的方法 | |
| Poletti et al. | A review of thresholding strategies applied to human chromosome segmentation | |
| WO2017166137A1 (zh) | 基于多任务深度学习的自然图像美感质量评估方法 | |
| CN109509196B (zh) | 一种基于改进的蚁群算法的模糊聚类的舌诊图像分割方法 | |
| EP1168247A2 (en) | Method for varying an image processing path based on image emphasis and appeal | |
| Cepeda-Negrete et al. | Automatic selection of color constancy algorithms for dark image enhancement by fuzzy rule-based reasoning | |
| Li et al. | Evaluating combinational illumination estimation methods on real-world images | |
| CN1975759A (zh) | 一种基于结构主元分析的人脸识别方法 | |
| CN108960260B (zh) | 一种分类模型生成方法、医学影像图像分类方法及装置 | |
| CN113111979B (zh) | 模型训练方法、图像检测方法及检测装置 | |
| CN113537099A (zh) | 一种公路隧道火灾烟雾动态检测方法 | |
| Odewahn | Automated classification of astronomical images | |
| Arumugadevi et al. | Color image segmentation using feedforward neural networks with FCM | |
| Saifullah et al. | Non-destructive egg fertility detection in incubation using SVM classifier based on GLCM parameters | |
| CN115861715A (zh) | 基于知识表示增强的图像目标关系识别算法 | |
| JP2003344270A (ja) | 自己組織化特徴マップを用いた鋼材表面の劣化度評価システム | |
| CN116189856A (zh) | 一种面向舌象特征的轻量级多分类方法及其系统 | |
| Rachmad et al. | Classification of mycobacterium tuberculosis based on color feature extraction using adaptive boosting method | |
| CN116704208B (zh) | 基于特征关系的局部可解释方法 | |
| CN103226698B (zh) | 一种人脸检测方法 | |
| CN116363461A (zh) | 多视图儿童肿瘤病理图像分类的深度网络增量学习方法 | |
| CN114677670B (zh) | 一种身份证篡改自动识别与定位的方法 | |
| Shanthamalar et al. | A novel approach for glaucoma disease identification through optic nerve head feature extraction and random tree classification | |
| Xiang et al. | Blockwise based detection of local defects |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20041227 |
|
| TRDD | Decision of grant or rejection written | ||
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20050125 |
|
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20050204 |
|
| R150 | Certificate of patent or registration of utility model |
Free format text: JAPANESE INTERMEDIATE CODE: R150 Ref document number: 3648728 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080225 Year of fee payment: 3 |
|
| S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080225 Year of fee payment: 3 |
|
| R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090225 Year of fee payment: 4 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100225 Year of fee payment: 5 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110225 Year of fee payment: 6 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20120225 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20130225 Year of fee payment: 8 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20140225 Year of fee payment: 9 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
| LAPS | Cancellation because of no payment of annual fees |