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
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
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
にもとづき図面を参照して説明する。
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。
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。
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。
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。
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。
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。
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。
表される。a(t,T)は学習関数と呼ばれ、「式6」で表さ
れる。
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。
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。
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。
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。
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。
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9」で表される。
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。
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。
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。
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。
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。
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。
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。
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。
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。
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。
とにより、以下に記載するような効果を奏する。
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。
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。
テムのフローチャート
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。
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。
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。
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。
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。
テムのフローチャート
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 |