JP2005537578A

JP2005537578A - 紙の特徴付け

Info

Publication number: JP2005537578A
Application number: JP2004533529A
Authority: JP
Inventors: マルクス・トゥルティネン; オッリ・シルヴェン; マッティ・ピエティケイネン; マッティ・ニスカネン; トピ・メエンペー
Original assignee: Honeywell Oy
Current assignee: Honeywell Oy
Priority date: 2002-09-03
Filing date: 2003-08-27
Publication date: 2005-12-08
Also published as: CN1689044A; CA2497547A1; EP1547015A1; WO2004023398A1; AU2003255551A1; FI20021578A0; FI20021578A; US20060045356A1

Abstract

紙の特徴付けのための方法および装置であって、紙の特徴を描写する多次元の特徴が、多数の紙サンプルの画像から抽出され、これらの特徴が入力として、教師なし手法で動作する学習付き分類器へと入力され、この分類器が、各画像部分の前記データの低次元空間への写像を、近い特性を有する紙の等級が該低次元空間における近接した写像を生むようなやり方で生成し、この低次元空間に写像された分類結果が、分類を補助するために使用される。

Description

本発明は、コンピュータ・ビジョンまたはその他の二次元描写方法の使用による紙の品質の特徴付けおよび分類に関する。

本件出願には参考文献一覧が添付されているが、それらは四角括弧付きの参照番号によって参照される。従来技術は、本発明の各態様を説明しているその箇所において、当該態様に関連する引用文献として参照される。

本発明の目的は、人的要因によるばらつきがなく、現在の方法よりも信頼できる分類を提供するであろう紙の品質の特徴付けのための方法を実現することである。

従来技術を代表するコンピュータ・ビジョンに基づく紙の等級分けシステムは、従来、教師あり学習手法および画像から計算された古くて非効率な特徴に基礎をおいている。特徴としては、通常、同時生起行列、パワースペクトル解析、および特定の周縁の特徴から得られた測定結果が使用されている。また、灰色階調の平均および画像の不一致も、紙の坪量のばらつきを表すものと推定されている。これらの特徴から、紙の品質を表現する数値量が形成されている。次いで、この数値量に基づき、紙の構成やその他の特性が分類される。

クレッソン、トミマス、およびルナー（ＣｒｅｓｓｏｎＴ．Ｍ．，ＴｏｍｉｍａｓｕＨ．＆ＬｕｎｅｒＰ．）（１９９０年）紙の構成の特徴付け、その１：紙構成の検知（ＣｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆＰａｐｅｒＦｏｒｍａｔｉｏｎ，Ｐａｒｔ１：ＳｅｎｓｉｎｇＰａｐｅｒＦｏｒｍａｔｉｏｎ．）、タッピ・ジャーナル（ＴａｐｐｉＪｏｕｒｎａｌ）、第７３巻、第７号、１５３〜１５９頁クレッソンおよびルナー（ＣｒｅｓｓｏｎＴ．＆ＬｕｎｅｒＰ．）（１９９０年）紙の構成の特徴付け、その２：紙構成のテクスチャ分析（ＣｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆＰａｐｅｒＦｏｒｍａｔｉｏｎ，Ｐａｒｔ２：ＴｈｅＴｅｘｔｕｒｅＡｎａｌｙｓｉｓｏｆＰａｐｅｒＦｏｒｍａｔｉｏｎ．）、タッピ・ジャーナル（ＴａｐｐｉＪｏｕｒｎａｌ）、第７３巻、第１２号、１７５〜１８４頁クレッソンおよびルナー（ＣｒｅｓｓｏｎＴ．＆ＬｕｎｅｒＰ．）（１９９１年）紙の構成の特徴付け、その３：紙構成の描写のためのテクスチャ・マップの使用（ＣｈａｒａｃｔｅｒｉｚａｔｉｏｎｏｆＰａｐｅｒＦｏｒｍａｔｉｏｎ，Ｐａｒｔ３：ＴｈｅＵｓｅｏｆＴｅｘｔｕｒｅＭａｐｓｔｏＤｅｓｃｒｉｂｅＰａｐｅｒＦｏｒｍａｔｉｏｎ．）、タッピ・ジャーナル（ＴａｐｐｉＪｏｕｒｎａｌ）、第７４巻、第２号、１６７〜１７５頁スダカーラ、ストリダー、ゴーパル、メーナクシ、レバシー、チトラおよびパラニアンディ（ＳｕｄｈａｋａｒａＲ．Ｐ．，ＳｔｒｉｄｈａｒＲ．，ＧｏｐａｌＡ．，ＭｅｅｎａｋｓｈｉＫ．，ＲｅｖａｔｈｙＲ．，ＣｈｉｔｒａＫ．＆ＰａｌａｎｉａｎｄｉＤ．）（２００１年）光学式紙構成分析器（ＯｐｔｉｃａｌＰａｐｅｒＦｏｒｍａｔｉｏｎＡｎａｌｙｚｅｒ．）、ＣＥＥＲＩセンター、インドバーニーおよびダグラス（ＢｅｒｎｉｅＪ．Ｐ．＆ＤｏｕｇｌａｓＷ．Ｊ．Ｍ．）（１９９６年）光透過画像分析による紙の局所坪量分布および構成（ＬｏｃａｌＧｒａｍｍａｇｅＤｉｓｔｒｉｂｕｔｉｏｎａｎｄＦｏｒｍａｔｉｏｎｏｆＰａｐｅｒｂｙＬｉｇｈｔＴｒａｎｓｍｉｓｓｉｏｎＩｍａｇｅＡｎａｌｙｓｉｓ．）、タッピ・ジャーナル（ＴａｐｐｉＪｏｕｒｎａｌ）、第７９巻、第１号、１９３〜２０２頁ボウインダイン、コロム、ナバッロおよびプラデローレンス（ＢｏｕｙｎｄａｉｎＭ．，ＣｏｌｏｍＪ．Ｆ．，ＮａｖａｒｒｏＲ．＆ＰｌａｄｅｌｌｏｒｅｎｓＪ．）（２００１年）光透過画像のフーリエ解析による紙構成の決定（ＤｅｔｅｒｍｉｎａｔｉｏｎｏｆＰａｐｅｒＦｏｒｍａｔｉｏｎｂｙＦｏｕｒｉｅｒＡｎａｌｙｓｉｓｏｆＬｉｇｈｔＴｒａｎｓｍｉｓｓｉｏｎＩｍａｇｅｓ．）、アピータ・ジャーナル（ＡｐｐｉｔａＪｏｕｒｎａｌ）、第５４巻、第２号、１０３〜１０５，１１５頁コホーネン（ＫｏｈｏｎｅｎＴ．）、（１９９７年）自己組織化マップ（Ｓｅｌｆ−ｏｒｇａｎｉｚｉｎｇＭａｐｓ．）、シュプリンガー出版（Ｓｐｒｉｎｇｅｒ−Ｖｅｒｌａｇ）、ベルリン、ザクーザ（Ｓａｋｓａ）、４２６頁ロワイスおよびソウル（ＲｏｗｅｉｓＳ．Ｔ．＆ＳａｕｌＬ．Ｋ．）（２０００年）局所線形埋め込みによる非線形次元低減（ＮｏｎｌｉｎｅａｒＤｉｍｅｎｓｉｏｎａｌｉｔｙＲｅｄｕｃｔｉｏｎｂｙＬｏｃａｌｌｙＬｉｎｅａｒＥｍｂｅｄｄｉｎｇ．）、サイエンス・マガジン（ＳｃｉｅｎｃｅＭａｇａｚｉｎｅ）、第２９０巻、２０００年１２月２２日号、２３２３〜２３２６頁ロワイスおよびソウル（ＲｏｗｅｉｓＳ．Ｔ．＆ＳａｕｌＬ．Ｋ．）（２００１年）局所線形埋め込みへの案内（ＡｎＩｎｔｒｏｄｕｃｔｉｏｎｔｏＬｏｃａｌｌｙＬｉｎｅａｒＥｍｂｅｄｄｉｎｇ．）、ＵＲＬ：ｈｔｔｐ：／／ｗｗｗ．ｃｓ．ｔｏｒｏｎｔｏ．ｅｄｕ／〜ｒｏｗｅｉｓ／Ｉｌｅ／ｐａｐｅｒｓ／Ｉｌｅｉｎｔｒｏａ４．ｐｄｆ（２００２年５月１３日）スヴェンソン（ＳｖｅｎｓｅｎＪ．Ｆ．Ｍ．）（１９９８年）ＧＴＭ：生成的トポグラフィック・マッピング（ＧＴＭ：ＴｈｅＧｅｎｅｒａｔｉｖｅＴｏｐｏｇｒａｐｈｉｃＭａｐｐｉｎｇ．）、博士論文、アストン大学（ＡｓｔｏｎＵｎｉｖｅｒｓｉｔｙ）、エングランティ（Ｅｎｇｌａｎｔｉ）、１０８頁テーネンバウム（ＴｅｎｅｎｂａｕｍＪ．Ｂ．）（１９９８年）知覚観察の多様性のマッピング（ＭａｐｐｉｎｇａＭａｎｉｆｏｌｄｏｆＰｅｒｃｅｐｔｕａｌＯｂｓｅｒｖａｔｉｏｎｓ．）、ニューラル情報処理システムの進歩（ＡｄｖａｎｃｅｓｉｎＮｅｕｒａｌＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇＳｙｓｔｅｍｓ）、第１０巻オヤーラ、ピエティカイネンおよびハーウッド（ＯｊａｌａＴ．，ＰｉｅｔｉｋａｉｎｅｎＭ．＆ＨａｒｗｏｏｄＤ．）（１９９６年）テクスチャ手段の特徴分布に基づく分類との比較検討（ＡＣｏｍｐａｒａｔｉｖｅＳｔｕｄｙｏｆＴｅｘｔｕｒｅＭｅａｓｕｒｅｓＷｉｔｈＣｌａｓｓｉｆｉｃａｔｉｏｎＢａｓｅｄｏｎＦｅａｔｕｒｅＤｉｓｔｒｉｂｕｔｉｏｎｓ．）、パターン認識（ＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ）、第２９巻、第１号、５１〜５９頁オヤーラ、ピエティカイネンおよびマエンパア（ＯｊａｌａＴ．，ＰｉｅｔｉｋａｉｎｅｎＭ．＆ＭａｅｎｐａａＴ．）（２００２年）多分解能灰色階調および局所バイナリ・パターンによる回転不変テクスチャ分類（ＭｕｌｔｉｒｅｓｏｌｕｔｉｏｎＧｒａｙ−ＳｃａｌｅａｎｄＲｏｔａｔｉｏｎＩｎｖａｒｉａｎｔＴｅｘｔｕｒｅＣｌａｓｓｉｆｉｃａｔｉｏｎｗｉｔｈＬｏｃａｌＢｉｎａｒｙＰａｔｔｅｒｎｓ．）、パターン分析および人工知能についての電気電子技術者学会会報（ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ）、第２４巻、第７号コホーネン（ＫｏｈｏｎｅｎＴ．）、（１９９７年）自己組織化マップ（Ｓｅｌｆ−ｏｒｇａｎｉｚｉｎｇＭａｐｓ．）、シュプリンガー出版（Ｓｐｒｉｎｇｅｒ−Ｖｅｒｌａｇ）、ベルリン、ザクーザ（Ｓａｋｓａ）、４２６頁

古いテクスチャの特徴は、紙のテクスチャについてあまり正確な情報を提供できず、照明などの条件の変化に左右されやすい。分別に乏しい特徴が分類器の教師あり学習手法と組み合わされた場合、システムの特徴付け能力が、さらに劣ったものとなってしまう。これは、従来からの教師あり手法が人的誤差にきわめて左右されやすいためである。人間による学習サンプルの選択およびその命名においては、誤差がつきものである。さらに、人間によって行なわれる選択は主観的であって、異なる人間の解釈は互いに異なっている。これは、品質検査の観点から望ましくない。条件の変化によってシステムの再学習が必要とされるが、教師あり学習手法に基づくシステムの再学習は困難である。これは、あまり開発されていないテクスチャの特徴が条件の変化にきわめて敏感であることから、しばしば問題となることである。

問題は、紙を識別力に乏しいテクスチャの特徴で分析している点にある。さらに、すでに分離され不規則に分布した特徴空間へのパラメトリック法による分類境界の指定が試みられている。教師あり手法が、分類器の学習および分類境界の検知に使用されており、誤差の量を大きくしている。

紙の特徴付けにおいて、その目的は、同じ特性を共有する紙を同じカテゴリーに分類することにある。紙を、その製造の全体にわたって画像化することができ、製造の種々の段階においても、良好な紙または好ましくない紙の特性についての情報をもたらすことができる。特徴付けなしで画像にのみ基づいた場合、画像の評価および分類が人にとってきわめて難しくかつ主観的であるため、プロセスについての有用な情報を求めることは不可能であり、さらに、数値またはシンボルに基づく自動の分類なしでは、大量のデータの処理が不可能である。特徴付けによって、紙の品質を幾つかの分類へと分類することができ、これにもとづいて製造プロセスの動作を追跡することができ、どの要因が紙の品質に影響を及ぼしているのか、および製造の各段階で紙がどのようになっているのかをそれぞれ知る限りにおいて、紙の或る特性を向上させるための試みが可能になる。特徴付けそのものは、必ずしも紙の品質に有効ではないが、類似の紙が同じ分類に分類されれば充分である。分類に従って、プロセスを制御すること、あるいは、紙を品質分類へと分類することができる。

コンピュータ・ビジョン法において、その目的は、紙の特性を可能な限り正確に描写するであろう多数の特徴を計算することである［１、２、３、４、５、６］。典型的な特性は、例えば、紙の印刷適合性および引張り強度である。計算された特徴は数値量であり、それらは多次元特徴空間内において断片化分離されたクラスターを形成する。特徴空間はきわめて多次元であるかもしれず、異なる紙の等級を表現する特徴を、断片化分離された空間内に見つけることが困難であることは明らかである。図１は、分かりやすくするため、二次元座標系に提示された特徴空間の例を示している。図中の十字は特徴の値を示しており、図中に引かれた線は、紙の印刷適合特性における変化の可能性を示している。

添付の図面を参照して本発明の実施形態の詳細について説明する。従来からのパラメトリック法は、データの分布について推定を行なうため、紙の異なる等級間の境界を正確に見つけることができない。本発明による方法においては、データが、まず二次元の座標系に描かれる。それぞれのクラスターに、当該クラスターが代表する紙の種類に基づいてラベルが与えられる。換言すれば、紙の品質についての演繹を、当該サンプルの二次元座標系における位置に基づいて行なうことができる。図２は、データの局所構造およびサンプル間の相互距離を維持する或る方法によって、多次元特徴空間を二次元座標系に描写した例を示している［７、８、９、１０、１１］。ラベル３ａ〜３ｄは、紙の異なる特性を代表しており、同じラベルが付された領域に分類された紙は、同じ分類にある他の紙と、当該特性に関して類似している。ラベルは後で与えられ、例えば、引張り強度、光沢の程度または印刷適合性が、通常、異なる領域に分割され、異なるラベルを有することは明らかである。

この方法においては、データが、新しい座標系におけるサンプルの相互の位置が元の多次元特徴空間と同じになるように、自動的に編成される。紙の等級に関する信頼できる演繹を、それらが新しい座標系のどこに位置しているのかに基づいて、行なうことができる。当初は、データの分布について演繹はまったく行なわれず、それがどんな種類であってもよい。異なるテクスチャを有する紙が、それにもかかわらず類似の印刷適合特性を有するかもしれない。これは、異なるクラスターにラベルを付す際に考慮することができる。ＬＢＰなどの有効なテクスチャの特徴により、紙の表面のテクスチャを、きわめて有効に分析することができる［１２、１３］。

本発明においては、教師なし学習手法、有効な灰色階調相違テクスチャ特徴、および多次元特徴データの図式的視覚化が、特徴空間の次元を減らすことによって組み合わされる。この方法においては、学習材料に関して人間が推定および演繹を行なう必要がなく、学習データが、その特性に従って自動的に編成される。多次元特徴空間が図示的形式で描かれ、特徴空間におけるサンプルの位置を視覚化できる。

新しい洗練されたテクスチャ手法が、テクスチャの微細構造についての正確な情報をもたらす。そのような灰色階調不変のテクスチャの特徴は、例えば、局所バイナリ・パターンを測定するＬＢＰ特徴およびその改良種である［１２、１３］。紙の表面を、これらの特徴を用いて調べるとき、紙の重要な特性を発見することができる。有効なテクスチャの特徴を教師なし学習法と組み合わせることによって、等級分けの正確さを大きく向上させることができる。

この方法の図解が、図３に示されている。まず、学習セット１１から、段階１２でテクスチャの特徴が計算され、次いで分類器の学習に使用される。多次元特徴空間の次元が、図式的に視覚化できるよう低減される。分類も、新しい特徴空間１４を使用することによって実行される。人間に残される仕事は、分類された各領域の命名および選択、ならびに次の段階において、後にプロセスがそれらに基づいて調節できるよう、それらをより容易に理解できる形式にするか、あるいは紙の等級を優位性の順序に並べることである。種々の紙の代表サンプルが得られるよう学習セットを選択することも、人間に残された仕事である。これらの仕事は、参照番号１５、１６、１７および１８によって示されている。

この方法においては、紙の特性が、まず有効なテクスチャの特徴によって描写され、特徴空間の断片化分離を目に見えて低減させる。多次元特徴空間は、データの局所構造が保存されるように、低次元の座標系に描かれる。低次元座標系におけるクラスターが、異なる紙の等級を代表している。異なるクラスターには、当該クラスターによって代表される紙の等級に従った名前が付けられる。この後で、調べられた紙がクラスタリングされるクラスターを見つけることによって、紙の種々の等級が新しい座標系において分類される。クラスタリングされた特徴空間を代表する図が、図２に示されている。

特徴は、例えば局所バイナリ・パターンに基づくテクスチャ量を使用することによって、抽出することができる。ＬＢＰ（局所バイナリ・パターン）特徴は、局所画像レベル環境に現れるパターンを描写する［１２、１３］。元のＬＢＰ特徴［１２］は、例えば、３×３の環境から計算されたテクスチャの特徴であり、その計算が図４に示されている。この図に示した例では、３×３の環境３１が、この環境の中心点（ＣＶ）の灰色階調による閾値によって、２つのレベル３２を有するように分類され（矢印４１）、すなわち、閾値ＣＶ以上のピクセルに値１が与えられ、より小さい値はしきい値０を得る。閾値による分類に続いて、得られた値３２がＬＢＰ演算子３３によって乗算されて（矢印４２）、入力マトリクス３４が与えられ、その各要素が加算されて（矢印４４）、ＬＢＰの値を与える。ＬＢＰの計算において考えられる他の方法は、閾値環境から直接８ビット・コード・ワードを形成する方法である。この例の場合には、コード・ワードは１００１０１０１_２となり、十進法では１４９になる。

ＬＢＰ特徴は、また、種々の多分解能および回転不変法［１３］によって生成されている。加えて、種々のバイナリ・パターンのＬＢＰ演算子の性能への影響が調べられており、特徴の分布の形成において或るパターンを省略することを可能にしている［１３］。このようにして、ＬＢＰ特徴分布を短くすることが可能である。

多分解能ＬＢＰは、点の近傍がいくつかの異なる距離から選択されることを意味する。距離は、原理的には、任意の正の数でよく、計算に使用される点の数も、距離に従って変化する。図５は、距離４（ｄ＝４）における点の近傍を示している。点の周囲に円が描かれており、その半径は選択された距離と等しい。円周からサンプルが、Ｎα＝２πとなるような角度αによって示される間隔で選択され、ここでＮが選択されたサンプルの数である。円周上のサンプルがピクセルと正確に一致しない場合、サンプルが補間され、これにより点の座標が円周上の座標に一致するようにされる。通常使用される距離は、１、２および３であり、これに対応してサンプルの数は８、１６および２４である。多くの点が選択されるほど、より大きいＬＢＰ分布が得られる。２４次元の特徴空間は、１６００万を越える極を含んだＬＢＰ分布を生む。

計算において広大なＬＢＰ分布を使用することは、煩わしいことである。分布のサイズは、ＬＢＰコードの或るあらかじめ選択された部分のみを考慮することにより、計算にとってより妥当なサイズに低減できる。選択されたコードは、いわゆる連続バイナリ・コードであり、円周上の数が、０から１またはその反対のビット変化を最大２つ含んでいる。したがって、選択されたコード・ワードが、０および１からなる長い連続の鎖を含んでいる。コードの選択は、或るＬＢＰによって、パターンをテクスチャにおけるパターン化の９０％以上まで表現できるという知見に基づいている。計算においてこれら連続バイナリ鎖のみを使用することによって、８サンプルのＬＢＰ分布を、２５６から５８へと減らすことができる。一方で、１６個のサンプルを有するＬＢＰ分布は、６万５千以上から２４２へと減らすことができ、２４個のサンプルの分布は、１６００万以上から５５４まで減らすことができる［１３］。

回転不変のＬＢＰ特徴の計算には、あらかじめ選択されたＬＢＰパターンのサブセットが含まれる［１３］。パターンは、テクスチャにおいて生じる回転に関して不変であるように選択される。非不変の問題に回転不変のＬＢＰ特徴を使用することは、特徴の能力を低減させる。しかしながら、紙の特徴付けは回転不変問題ではない。

分類およびクラスタリングは、例えば自己形成マップ［１４］に基づく技法を適用することによって実行することができる。自己形成マップ、すなわちＳＯＭは、人工ニューラル・ネットワークに基づく教師なし学習の方法である。ＳＯＭは、多次元データを、より図示的に、通常は二次元形式で人間に提示することを可能とする。

ＳＯＭは、新しい二次元座標系におけるサンプル間の距離が、可能な限り正確に元の座標系における実際のサンプル間の距離に一致するように、データを示すことを目的としている。ＳＯＭは、それが含むかもしれないクラスターについてデータを別個に検索すること、または、それらを表示することを目的とするものでもないが、代わりに、局所構造を維持しつつデータの確率密度の推定を可能な限りの信頼性で提示する。これは、二次元マップにサンプルによって形成された密なクラスターが見られるならば、それらのサンプルが特徴空間においても実際に互いに近接して位置していることを意味する［１４］。

ＳＯＭが或る種類のデータをグループ化するのに使用可能とするために、まず学習を行なわなければならない。ＳＯＭの学習は、反復の教師なし法によって行なわれる［１４］。ＳＯＭの学習に続いて、マップ上の各ノードについて、当該ノードが対応する多次元空間の点の設定が行なわれる。或るアルゴリズムが、学習サンプルによってマップを調整する。多次元ベクトルが、二次元座標系への非線形の写像を形成し、クラスターの明快な視覚化を可能にする［１４］。

ＳＯＭの分類器としての使用は、類似のサンプルのお互いに近接してクラスタリングすることに基づいており、それらを、マップ上にそれら自身の分類として定義できることを意味している。互いに離れたノードのサンプルは、お互いに相違しており、これにより、それらを異なるクラスに属するよう区別することができる。図６は、良好な紙および好ましくない紙について、マップの反対の角へのクラスタリングを示している。図６は、分類器としてのＳＯＭの使用を示している。この図のサンプル６１、６２が、クラス６３、６４に分類される。大まかな例として、良好な紙６１のクラス領域６３への分類、および好ましくない紙の領域６４への分類が示されている。良好な紙および好ましくない紙の両方が、幾つかの領域を例えば二次元空間の異なる部分に分離して有してもよいが、ただしこの場合、例えば領域６４に分類された全ての紙は、同じ観点において好ましくないことに、留意すべきである。

紙の製造者にとって、どんな状況がそのような種類の紙を生み出すのかを知ることが、好ましくない紙を生み出す状況を製造時に回避することができるためきわめて有用であることは、理解できるであろう。これは、製造パラメータを監視し、紙の品質を継続的に分類することによって可能であり、これにより、プロセスの運転の新しい態様を学ぶことができるであろう。プロセス・パラメータおよび紙の分類の結果を他のＳＯＭ分類器に入れることも可能であり、これにより、プロセス制御の補助として使用できる誤差から学習するシステムを得ることができる。これは、最終的結果として、紙の品質に関して製造の状況を描写する分類を与える。このように、システムは、例えば数百もの変数の紙の品質への影響を学習する。

以上、ＳＯＭ分類を使用する本発明による分類を説明したが、例えば実際のニューラル・ネットワーク技法ではないＬＬＥ、ＩＳＯＭＡＰおよびＧＴＭ技法など、あらゆる教師なしクラスタリング手法が、本発明による分類における使用に適している。

紙の製造時の品質検査における使用に適した方法が、例えば図７に示されている。高速カメラで、抄紙機７５に関連して移動する紙の帯７４の画像が取得される。図中の図には、背景光７３が示されており、必要に応じて、例えば斜めの前面光を使用することもできる。この後、製造される紙の品質特性についての演繹を行なうことができ、プロセスの進行におけるあらゆる調整を行なうことができる。ここに提示の方法は、図中に示されているコンピュータ７１に関連して使用される。広大な測定データについての高速な画像分析および図解によるユーザ・インターフェイスが、製造される紙についての大量の追加の情報を、紙の製造者自身に提供する。

特徴が、前記技法によって、画像分析において撮られた画像から抽出され、種々の品質クラスへの分類が実行される。ユーザ・インターフェイスによって、製造が進行するときの紙の品質の推移を理解することができる。

この方法によって、紙を、その製造サイクルのほぼ全体にわたって分析することができる。しかしながら、背景光の強さは、コーティング済みの紙の画像を撮る場合には、大きくしなければならない。さらに、テクスチャ特徴の能力は、コーティング済みの紙においては劣っているかもしれない。

製造時における紙の品質についての正確な情報は、紙の製造者が行なう研究を促進させる。自動化製造者は、このシステムを、プロセス全体およびその調整の一部として統合することができる。

本発明は、独立請求項の記載によって特徴付けられ、従属請求項は、その好ましい実施の形態を示している。

特徴の分離および特性の境界を示す図である。多次元特徴データの二次元座標系へのクラスタリングを示す図である。本発明による分類の原理を示す図である。３×３の大きさのＬＢＰ特徴の計算を示す図である。ＬＢＰ特徴の計算のための円周上の近傍点を示す図である。ＳＯＭの分類器としての使用を示す図である。製造時の紙の特徴付けを図式的に示す図である。

符号の説明

１１サンプル・セット
１２特徴の抽出
１３分類器／クラスタリング
１４分類の結果
１５視覚化
１６観察
１７命名

Claims

コンピュータ・ビジョンに基づく紙の特徴を特徴付けるための方法であって、
多数の紙サンプルの画像から、紙の特徴を描写する多次元の特徴を抽出し、
前記特徴を入力として、教師なし手法で動作する学習付き分類器に入力し、
該分類器が各画像部分の前記データの低次元空間への写像を生成し、近い特性を有する紙の等級が該低次元空間における近接した写像を生成し、該低次元空間に写像された分類結果が分類を補助するために使用されることを特徴とする方法。
教師なし手法で動作する前記学習システムが、教師なしクラスタリング法またはそのシミュレーション、例えば、ＳＯＭ（自己形成マップ）であることを特徴とする請求項１に記載の紙の特徴付けのための方法。
紙サンプルを描写する前記特徴が、ＬＢＰまたはＬＢＰから導出されたビット・パターン特徴であることを特徴とする請求項１または２に記載の紙の特徴付けのための方法。
当該方法によって、紙がさらに製造の種々の段階においても画像化および分類されることを特徴とする前記請求項のいずれか一項に記載の紙の特徴を特徴付けるための方法。
分類が製造プロセスの進行にも関係するように、製造の種々の段階において画像化されたサンプルが、さらに、前記教師なし学習付き分類器によって処理されることを特徴とする請求項４に記載の紙の特徴を特徴付けるための方法。
前記画像情報に加え、選択されたプロセス・パラメータおよび／または測定結果が入力として使用されることを特徴とする請求項５に記載の方式。
コンピュータ・ビジョンを使用して紙を分類するためのシステムであって、
画像化手段と、
紙の画像から紙の品質を描写する特徴を抽出するための手段と、
特徴空間と比べて低次元である空間へと、教師なし学習付き分類を行うための手段とを備えることを特徴とするシステム。