JP2012181148A - 物体検出装置 - Google Patents

Abstract

【課題】多重解像度解析により物体検出を行う際に用いる画像処理フィルタのパラメータを、操作者による最適パラメータの指定を要さずに最適化して、精度よく物体を検出することができる物体検出装置を提供する。
【解決手段】物体検出装置は、候補フィルタを記憶する候補フィルタ記憶部と、候補フィルタで多重解像度の学習用サンプル画像の各解像度画像を走査する候補フィルタ走査部と、候補フィルタ走査部による走査の結果を用いて学習用サンプル画像の各解像度画像の走査結果についての競合学習を行う競合学習部と、候補フィルタを、競合学習部による競合学習の結果において極値を示した学習用サンプル画像の解像度の最適フィルタに決定する最適フィルタ判定部と、多重解像度の被験対象画像を最適フィルタで画像処理して被験対象画像に含まれる物体を検出する物体検出部と、を有する。
【選択図】図１

Description

本発明は、画像データにもとづいて当該画像に含まれる物体を検出する物体検出装置に関し、特に、同一画像に関する複数解像度の画像データにもとづいて物体を検出する物体検出装置に関する。

従来、入力画像から特定の物体を検出するための装置として物体検出装置がある。例えば、物体検出装置は、入力画像中の特定形状を検出する用途に用いられる。

特許文献１は、画像を用いて液晶パネルや半導体ウェハの欠陥検査を行う技術を開示する。特許文献１では、離散ウェーブレット変換を用いて半導体ウェハ等の微小欠陥を高速に検出する欠陥検査装置および欠陥検査方法が示される。当該装置は、二次元画像を取得する画像生成手段（撮像センサおよび画像取込部）、離散ウェーブレット変換を利用して入力画像を縮小する縮小画像生成手段（ＤＷＴ処理部）、検査対象物上の欠陥を抽出する欠陥抽出手段（欠陥検出部および欠陥分類／判定部）から構成される。欠陥検出部において欠陥検出用に登録・利用される参照用画像は、事前に離散ウェーブレット変換を適用される。そうすることで、参照用画像は、ＤＷＴ処理部における入力画像の処理結果と同じ形式で保存される。

特開２００８−０２０２３５号公報

特許文献１の技術は、離散ウェーブレット変換に基づく固定パラメータ処理である。よって、当該パラメータは、検出すべき物体に対して最適化されていない。そのため、物体の検出漏れや誤検出が生じるおそれがある。

本発明は、上記の問題点を鑑みてなされるものであり、多重解像度解析により物体検出を行う際に用いる各解像度画像の画像処理フィルタのパラメータを、教師無し学習モデルである競合学習モデルを用いて最適化することにより、操作者が最適なパラメータを指定する必要なしで、精度よく物体を検出することができる物体検出装置を提供することを目的とする。

この発明に係る物体検出装置は、画像処理フィルタである候補フィルタを記憶する候補フィルタ記憶部と、候補フィルタで多重解像度の学習用サンプル画像の各解像度画像を走査する候補フィルタ走査部と、候補フィルタ走査部による走査の結果を用いて学習用サンプル画像の各解像度画像の走査結果についての競合学習を行う競合学習部と、候補フィルタを、競合学習部による競合学習の結果において極値を示した学習用サンプル画像の解像度の最適フィルタに決定する最適フィルタ判定部と、多重解像度の被験対象画像を最適フィルタで画像処理して被験対象画像に含まれる物体を検出する物体検出部と、を有する。

本物体検出装置にあっては、多重解像度解析による物体検出を行う際に用いる画像処理フィルタにかかるパラメータは、教師無し学習（競合学習）により最適化される。これにより、本物体検出装置においては、操作者が最適なパラメータを指定する必要がなく、かつ、物体検出の精度が向上される、という効果が奏される。

実施の形態１による物体検出装置の構成を示すブロック図 物体検出装置が学習フェーズにおいて行う処理のフローチャート 物体検出装置が検出フェーズにおいて行う処理のフローチャート 解像度別最適フィルタ決定部の構成の詳細を示すブロック図 サンプル画像に対する候補フィルタの適用を説明する概念図 画像処理フィルタを規定するパラメータを説明する図 競合学習過程に用いる結合強度曲線の例図

以下、本発明の実施の形態について、詳細に説明する。

以下の実施の形態にかかる説明においては、本発明にかかる物体検出装置は、プラスチックリサイクル工程により製造されるプラスチック再生プレート素材に含まれる異物を検出するための異物検出装置として説明される。つまり、本実施形態では、プラスチック再生プレートの画像（被験対象画像）を入力し、当該画像中に未知の位置、未知のサイズ、および、未知のコントラストで現れる異物の有無、その位置、および、サイズ等を多重解像度解析により精度よく検出することができる異物検出装置が示される。しかしながら、本発明は、プラスチック再生プレートに含まれる異物を検出するための装置に限定されない。

実施の形態にかかる異物検出装置は、多重解像度解析により複数種の解像度を有するプラスチック再生プレート画像（多重解像度被験対象画像）からプラスチック再生プレート中の異物を検出する異物検出装置である。

本異物検出装置による異物検出工程は、複数種の解像度の少なくとも１つの解像度について異物検出に用いる画像処理フィルタを最適化するための学習フェーズと、学習フェーズにより最適化された画像処理フィルタを用いてプラスチック再生プレート中の異物を検出する検出フェーズと、を含んで構成される。

学習フェーズにおいては、多重解像度画像の複数種の解像度の少なくとも１つの解像度について最適な画像処理フィルタが、教師無し学習である競合学習により決定される。検出フェーズにおいては、学習フェーズにおいて決定された最適な画像処理フィルタを多重解像度被験対象画像の対応する解像度の画像に適用し、被験対象画像中の異物の有無、異物の位置、異物のサイズ等が検出され出力される。

このような構成を有する異物検出装置においては、異物検出に用いる画像処理フィルタの最適化にかかる操作者の判断を介さずとも、最適な画像処理フィルタを用いた異物検出を実行することが可能となっている。そのため、操作者の負担を軽減しつつ、精度良く異物検出を行うことができる。

実施の形態１．
本実施の形態１は、再生リサイクルプラスチックを溶かしてプレート状にした素材の画像を被験対象画像として取り込み、その中に微量に含まれる異物を検出する異物検出装置である。

１．構成
図１は、この発明を実施するための実施の形態１における異物検出装置１００の構成を示すブロック図である。異物検出装置１００は、後述の学習用サンプル画像および被験対象画像の少なくともいずれか一方を蓄積することができる画像サーバ１０、または、学習用サンプル画像および被験対象画像の少なくともいずれか一方を取得することができる撮像素子およびカメラ等の画像取得部２０と接続される。

異物検出装置１００は、画像記憶部１０１と、画像解像度変換部１０３と、解像度別最適フィルタ決定部１０５と、候補フィルタ記憶部１０７と、最適フィルタ記憶部１０９と、異物検出部１１１と、異物検出結果出力部１１３と、を有する。

画像記憶部１０１は、画像サーバ１０および画像取得部２０とのインタフェースならびに画像記憶バッファを備える。画像記憶バッファは、後述する多重解像度サンプル画像や多重解像度被験対象画像を記憶するのに十分な記憶容量を有する。

画像解像度変換部１０３は、画像サーバ１０、画像取得部２０、および、画像記憶部１０１の少なくともいずれか一つから各種画像データを取得し、当該画像の解像度を変換して新たな画像データを生成する。

解像度別最適フィルタ決定部１０５は、画像処理フィルタ（後述する候補フィルタ）で多重解像度の学習用サンプル画像（多重解像度サンプル画像）をスキャンして得られるデータについて競合学習を行い、多重解像度サンプル画像の少なくとも１つの解像度について異物検出に最適な画像処理フィルタ（最適フィルタ）を決定する。なお、解像度別最適フィルタ決定部１０５は、画像記憶バッファを有し、当該画像記憶バッファは、後述する多重解像度サンプル画像を記憶するのに十分な記憶容量を有する。

候補フィルタ記憶部１０７は、後述する候補フィルタの特性を規定するパラメータの組みあわせ等を記憶する。候補フィルタ記憶部１０７が記憶する候補フィルタのパラメータの組みあわせの数は、１つ以上の任意の数でよい。

最適フィルタ記憶部１０９は、解像度別最適フィルタ決定部１０５が決定した最適フィルタを、対応する解像度と関連付けて記憶する。

異物検出部１１１（物体検出部）は、最適フィルタ記憶部１０９が記憶する最適フィルタで被験対象画像の多重解像度画像を画像処理し、該処理で得られる多重解像度の処理済被験対象画像を特定の閾値で二値化し、二値化された多重解像度の処理済被験対象画像を用いて異物の有無、異物の位置、異物のサイズ等を検出する。

異物検出結果出力部１１３は、異物検出部１１１が検出した異物の位置およびサイズ等の情報（異物検出情報）をモニタといった表示手段にＧＵＩ等を含めて表示させ、また、ハードディスクやフラッシュメモリといった記憶デバイス（記憶手段）に異物検出情報を保存する。

解像度別最適フィルタ決定部１０５、異物検出部１１１、異物検出結果出力部１１３は、それぞれ、回路として構成されてよい。または、解像度別最適フィルタ決定部１０５、異物検出部１１１、異物検出結果出力部１１３は、それぞれ、プロセッサおよび同プロセッサにより実行されるプログラムにより実現されてもよい。

２．動作
以下、異物検出装置１００の動作について、図２Ａおよび図２Ｂのフローチャートを参照して説明する。

図２Ａは、学習フェーズにおいて異物検出装置１００がする処理のフローチャートである。学習フェーズにおいては、最適フィルタが決定される。図２Ｂは、検出フェーズにおいて異物検出装置１００がする処理のフローチャートである。検出フェーズにおいては、最適フィルタを用いて被験対象画像中に現れる異物が検出される。

２．１．学習フェーズ（Ｓ１〜Ｓ３）
学習フェーズにおいては、異物検出装置１００は、所定の学習用サンプル画像の多重解像度画像を用いて競合学習により異物検出に最適な画像処理フィルタを候補フィルタの中から決定する。以下、最適フィルタの決定過程について説明する。

なお、操作者は、学習用サンプル画像中に含まれる異物のサイズ、および、異物のコントラスト等について予め知る必要はない。本異物検出装置は、自動的に、学習用サンプル画像中に含まれる異物のサイズおよびそのコントラストによく適合した画像処理フィルタを決定することができる。

学習フェーズにおいて、異物検出装置１００は、まず、学習用サンプル画像であるプラスチック再生プレートのサンプル画像を少なくとも１枚取り込み、画像記憶部１０１の画像記憶バッファに記憶する。学習用サンプル画像の画像データは、画像記憶部１０１が予め画像データが記憶されている画像サーバ１０から適宜入手すればよい。または、画像記憶部１０１が画像取得部２０から学習用サンプル画像の画像データを入手してもよい。

次に、画像解像度変換部１０３は、学習用サンプル画像について解像度の異なる画像を生成する。例えば、画像記憶部１０１の画像記憶バッファに記憶された学習用サンプル画像の解像度が、１０２４×１０２４画素の解像度を有する場合には、画像解像度変換部１０３は、当該画像の低解像度画像（例えば、解像度５１２×５１２画素）を生成する。さらに、画像解像度変換部１０３は、より低解像度の画像（例えば、解像度２５６×２５６画素）を、画像記憶部１０１の画像記憶バッファに記憶された学習用サンプル画像または画像解像度変換部１０３が生成した低解像度画像から生成する。同様にして、画像解像度変換部１０３は、さらに低解像度の画像（例えば、解像度１２８×１２８画素、解像度６４×６４画素）を生成してもよい。画像解像度変換部１０３が生成した画像は、画像記憶部１０１へ送られ、画像記憶部１０１の画像記憶バッファに記憶される（ステップＳ１）。

これにより、画像記憶部１０１には、複数種類の解像度の学習用サンプル画像（多重解像度サンプル画像）が記憶されることになる。ここでは、多重解像度サンプル画像は、Ｎ種類の解像度を有するＮ枚の画像で構成されることとする。

画像記憶部１０１の画像記憶バッファに記憶された多重解像度サンプル画像は、解像度別最適フィルタ決定部１０５へ送られる。

図３乃至図６を参照し、解像度別最適フィルタ決定部１０５がする最適フィルタ決定の過程について説明する。

図３は、解像度別最適フィルタ決定部１０５の構成の詳細を示すブロック図である。解像度別最適フィルタ決定部１０５は、多重解像度サンプル画像の各解像度の画像を各解像度の候補フィルタで走査する候補フィルタ走査部１０５ａと、候補フィルタで走査された各解像度の学習用サンプル画像のデータを逐次入力する複数の学習ユニット（１０６１〜１０６Ｎ）を備える競合学習回路１０５ｂと、競合学習回路１０５ｂからの出力に基づいて、適切な候補フィルタで走査された解像度を判定することにより最適フィルタを求める最適フィルタ判定部１０５ｃとを有する。

図４は、解像度別最適フィルタ決定部１０５の候補フィルタ走査部１０５ａがする候補フィルタによる学習用サンプル画像の走査を説明する概念図である。候補フィルタ走査部１０５ａは、多重解像度サンプル画像（Ｓ１〜ＳＮ）を入力し、各解像度の学習用サンプル画像（Ｓ１、Ｓ２、・・・、ＳＮ）を各解像度の候補フィルタｆｃで走査する。

なお、図５に示すように、候補フィルタｆｃは、例えば、中央部が正値（＋）、周辺部が負値（−）を有する左右対称の矩形形状を有する。候補フィルタｆｃは、例えば、画像中のエッジを強調して画像中の物体の輪郭を顕在化させる作用を有するエッジ検出フィルタｆｃでよい。候補フィルタｆｃは、深さｆｃｈ１および高さｆｃｈ２（全高ｆｃｈ０（＝ｆｃｈ１＋ｆｃｈ２））、ならびに、周辺部幅ｆｃｗ１および中央部幅ｆｃｗ２（全幅ｆｃｗ０＝ｆｃｗ１＋ｆｃｗ２＋ｆｃｗ１）のパラメータ（単位は、例えば、画素数。）で規定される。パラメータｆｃｈ１、ｆｃｈ２、ｆｃｗ１、ｆｃｗ２の組みあわせは、候補フィルタ記憶部１０７に記憶されており、解像度別最適フィルタ決定部１０５は、候補フィルタ記憶部１０７に記憶されたパラメータの組みあわせ（（ｆｃｈ１，ｆｃｈ２，ｆｃｗ１，ｆｃｗ２））を読み出し、候補フィルタを構成して用いることができる。

解像度別最適フィルタ決定部１０５は、学習フェーズの直前の初期設定動作において、候補フィルタｆｃを、多重解像度サンプル画像の解像度毎に、ランダムに設定してよい。よって、多重解像度サンプル画像の各解像度画像の走査に用いる候補フィルタｆｃは、解像度毎に異なってよい。また、候補フィルタｆｃは、異なる解像度において一部同一であってもよい。また、候補フィルタｆｃは、全解像度において同一であってもよい。図４では、簡単のため、多重解像度サンプル画像の各解像度画像の走査に用いる候補フィルタｆｃを全て同一のパラメータ値を有する候補フィルタｆｃであるとしている。

なお、上述のように、候補フィルタｆｃは、多重解像度サンプル画像の各解像度画像に対し異なってよいが、各解像度の候補フィルタｆｃは、互いに共通した全幅（ｆｃｗ０）を有することが望ましい。この場合において、各解像度の候補フィルタｆｃは、深さ（ｆｃｈ１）、高さ（ｆｃｈ２）、周辺部幅（ｆｃｗ１）、中央部幅（ｆｃｗ２）についてランダムに設定され、互いに異なってよい。たとえば、各解像度の候補フィルタｆｃについて全幅ｆｃｗ０に対する中央部幅ｆｃｗ２の値（比）を互いに異なるように設定することで、競合学習により、任意のサイズ（未知）の異物を検出するのに最適な多重解像度解析のための画像処理フィルタを求めることができる。また、たとえば、各解像度の候補フィルタｆｃについて深さｆｃｈ１と高さｆｃｈ２の値の組みあわせ（比）を互いに異なるように設定することで、競合学習により、任意のサイズ（未知）の異物を検出するのに最適な多重解像度解析のための画像処理フィルタを求めることができる。

また、上述のような各解像度の候補フィルタｆｃのパラメータの組みあわせの１つについて、複数回の競合学習（ステップＳ２およびＳ３の複数回繰り返し）を行ってもよいし、複数回の競合学習の後にさらに、各解像度の候補フィルタｆｃのパラメータの組みあわせの少なくとも一部を変更して競合学習を行ってもよい。

候補フィルタ走査部１０５ａは、多重解像度サンプル画像の各解像度の画像（Ｓ１〜ＳＮ）を、解像度毎に設定された候補フィルタｆｃで走査する。走査して得られる各解像度画像データにおいては、候補フィルタｆｃの（上記パラメータで規定される）特性と学習用サンプル画像に含まれる微量の異物の特性（サイズ、コントラスト等）とがよく適合した場合に特徴的な値（例えば、他の場合と比較して高い値）が現れる。候補フィルタｆｃで走査された各解像度の学習サンプル画像のデータは、競合学習回路１０５ｂの各解像度用学習ユニット（１０６１〜１０６Ｎ）へ逐次入力される（ステップＳ２）。

競合学習回路１０５ｂは、多重解像度サンプル画像の解像度の種類の数と同数以上の学習ユニット（１０６１〜１０６Ｎ）を備え、学習ユニット間に側方相互作用機構（後方向抑制機構）が備わる相互抑制回路である。なお、側方相互作用のための機構としては、前方向抑制機構を用いてもよい。図３では、学習ユニット１０６３のみについて側方総合作用機構が示されているが、他の学習ユニットにも同様の結合がある。なお、競合学習回路１０５ｂは、プロセッサおよび同プロセッサ上で動作するプログラムで実現されてもよい。

各学習ユニット（１０６１〜１０６Ｎ）は、候補フィルタｆｃで走査して得られた各解像度の学習用サンプル画像のデータを逐次的に入力する入力端子と、入力値を出力値（各学習ユニットの活性度）として最適フィルタ判定部１０５ｃへ出力する出力端子と、図６に示す結合強度（荷重）に従って自らの出力値で自らのおよび他の学習ユニットからの出力を増強または抑制する抑制出力端子、とを備える。つまり、各学習ユニット（１０６１〜１０６Ｎ）は、自らへの入力値に応じて、他の学習ユニットの出力値を抑制する（または増強する）。

これは、ニューロコンピュータ分野で「側抑制」と呼ばれる技術である。図６に示すように、ここでの側抑制係数（荷重）は、近傍の学習ユニットについては（解像度の違いが所定値（比）未満であれば）抑制ではなく増強の方向で、また、遠ざかるに従って（解像度の違いが所定値（比）以上に異なれば）抑制をかけるように設定される。なお、このような構成を有する競合学習回路１０５ｂは、各解像度の学習用サンプル画像に含まれる異物を選択的によく検知する候補フィルタを教師信号なしで学習（教師なし学習）することができる。これに関する理論的考察は、参考文献（：倉田耕治他、「ニューロコンピューティングの基礎理論」第４章、構造の入った神経回路網の力学、ニューロコンピュータ研究部会編、海文堂出版、１９９０年１２月）に詳しい。

最適フィルタ判定部１０５ｃは、各学習ユニット（１０６１〜１０６Ｎ）からの出力を入力し、各学習ユニット（１０６１〜１０６Ｎ）のうちで最も活性化された学習ユニットを判定する。最も活性化された学習ユニットからの出力は、一般に、全学習ユニットからの出力のうちで極値を示す。例えば、最適フィルタ判定部１０５ｃは、出力値が最大の学習ユニットを特定し、当該学習ユニットに入力された学習用サンプル画像の走査に用いられた候補フィルタｆｃを、当該学習用サンプル画像の解像度についての最適フィルタに決定する。決定された最適フィルタは、当該フィルタが走査した学習用サンプル画像の解像度と関連付けて、最適フィルタ記憶部１０９に記憶される（ステップＳ３）。

なお、学習用サンプル画像は、複数種類用意されることが好ましい。複数種類の学習用サンプル画像が利用可能な場合には、引き続き、学習用サンプル画像の種類を代えてステップＳ１からＳ３までの処理を繰り返せばよい。これにより、最適なフィルタの決定にかかる精度の向上が期待できる。

また、最大の出力値の大きさが所定値未満である場合には、最適フィルタを決定せずに、学習用サンプル画像を別の学習用サンプル画像に代えたり、各解像度の候補フィルタの少なくとも一部についてそのパラメータを変えたりしてステップＳ１〜Ｓ３を繰り返し、最大の出力値の大きさが所定値以上となる学習ユニットが現れるまで最適フィルタの決定を行わなくともよい。

なお、ある解像度について最適フィルタが決定された後、候補フィルタを上述の初期設定動作と同様にして変更し、ステップＳ１〜Ｓ３を再度実行し、別の解像度についても最適フィルタを決定してもよい。ただし、本実施の形態においては、少なくとも１つの解像度について最適フィルタが決定できれば、後の異物検出フェーズにおいて、精度良く異物検出を行うことが可能である。

２．２．検出フェーズ（Ｓ４〜Ｓ６）
上記学習フェーズにおいて、少なくとも１つの解像度について最適フィルタが決定されると、異物検出装置１００は、次に、被験対象画像中の異物の検出を行う。

画像記憶部１０１は、学習フェーズにおける学習用サンプル画像の取得と同様にして、画像サーバ１０および画像取得部２０等から、被験対象であるプラスチック再生プレートの画像（被験対象画像）を取得し、画像記憶バッファに記憶する。

次に、画像解像度変換部１０３は、学習フェーズにおける学習用サンプル画像の多重解像度化処理と同様にして、被験対象画像について解像度の異なる画像を生成する。画像解像度変換部１０３が生成した多重解像度被験対象画像は、画像記憶部１０１へ送られ、画像記憶部１０１の画像記憶バッファに記憶される（ステップＳ４）。

なお、本ステップにおいて生成される多重解像度被験対象画像に含まれる解像度の種類は、ステップＳ１において生成された多重解像度サンプル画像の解像度の種類と一致してよい。本ステップにおいては、画像解像度変換部１０３は、少なくとも、ステップＳ３において決定された最適フィルタが走査した学習用サンプル画像の解像度と同じ解像度の被験対象画像を生成することが好ましい。ただし、解像度変換処理の元となる被験対象画像と学習用サンプル画像とで解像度が異なったり、画像中の被験対象およびサンプルのスケールが互いに異なったりするような場合、それらを考慮して本ステップにおいて生成する画像の解像度を決定してよい。

多重解像度被験対象画像は、異物検出部１１１へ送られる。また、異物検出部１１１は、ステップＳ３において決定された最適フィルタを最適フィルタ記憶部１０９から読み出す。

異物検出部１１１は、多重解像度被験対象画像の各解像度の画像に対し、最適フィルタを含む画像処理フィルタで画像処理を行い、処理済多重解像度被験対象画像を生成する。続いて、異物検出部１１１は、処理済多重解像度被験対象画像の各解像度の画像について所定の閾値処理を行って処理画像を二値化して二値化処理済多重解像度被験対象画像を生成する。そして、異物検出部１１１は、二値化処理済多重解像度被験対象画像を用いて、異物の有無を検出し、異物が検出された場合には、異物の位置、異物のサイズ等の情報を異物検出情報として異物検出結果出力部１１３へ送る。

なお、画像の二値化処理に用いる閾値は固定値でよいが、好ましくは、異物検出部１１１が検出感度を上げる必要があると判断した場合には、当該しきい値を検出感度が上がるように変更（例えば、検出レベルを下方に修正）してもよい。

異物検出情報を受け取った遺物検出結果出力部１１３は、ディスプレイモニタといった表示手段の画面上にＧＵＩ等とともに表示される。また、異物検出情報は、記憶デバイスにも保存されてよい。また、人間が実際に被験対象を検査し、人間による検査結果を当該異物検出情報と関連付けて記憶デバイスに記憶してもよい。

３．まとめ
このように、本実施の形態にかかる異物検出装置においては、その学習フェーズにおいて、教師無し学習（教師信号なし学習）である競合学習により多重解像度サンプル画像に含まれる各解像度のサンプル画像の少なくとも１つについて最適な画像処理フィルタ（最適フィルタ）が決定される。そのため、最適フィルタの決定過程は自動化され、操作者の負担は解消される。そして、その検出フェーズにおいては、多重解像度被験対象画像に含まれる少なくとも１つの解像度の被験対象画像に対して当該最適フィルタで画像処理が行われる。そのため、被験対象画像中の未知の位置において未知のサイズおよびコントラストで現れる異物を非常に精度よく検出することが可能になっている。

また、本発明は、情報処理装置であるコンピュータ、および、当該コンピュータにおいて実行可能なプログラムにより実現されてよい。

上記プログラムは、情報処理装置に予めインストールされてもよいし、コンピュータ読取可能な記録媒体に記録されて流通されてもよい。または、上記プログラムは、インターネットを介して配信されてもよい。

本発明は、多重解像度画像を用いた物体検出装置として有用である。

１０ ・・・ 画像サーバ
２０ ・・・ 画像取得部
１００ ・・・ 異物検出装置
１０１ ・・・ 画像記憶部
１０３ ・・・ 画像解像度変換部
１０５ ・・・ 解像度別最適フィルタ決定部
１０５ａ・・・ 候補フィルタ走査部
１０５ｂ・・・ 競合学習回路
１０５ｃ・・・ 最適フィルタ判定部
１０６１・・・ 解像度１画像用学習ユニット
１０６２・・・ 解像度２画像用学習ユニット
１０６３・・・ 解像度３画像用学習ユニット
１０６Ｎ・・・ 解像度Ｎ画像用学習ユニット
１０７ ・・・ 候補フィルタ記憶部
１０９ ・・・ 最適フィルタ記憶部
１１１ ・・・ 異物検出部
１１３ ・・・ 異物検出結果出力部
ｆｃ ・・・ 候補フィルタ
Ｓ１ ・・・ 解像度１サンプル画像
Ｓ２ ・・・ 解像度２サンプル画像
ＳＮ ・・・ 解像度Ｎサンプル画像

Claims (4)

1. 画像処理フィルタである候補フィルタを記憶する候補フィルタ記憶部と、
   前記候補フィルタで多重解像度の学習用サンプル画像の各解像度画像を走査する候補フィルタ走査部と、
   前記候補フィルタ走査部による前記走査の結果を用いて前記学習用サンプル画像の各解像度画像の走査結果についての競合学習を行う競合学習部と、
   前記候補フィルタを、前記競合学習部による前記競合学習の結果において極値を示した学習用サンプル画像の解像度の最適フィルタに決定する最適フィルタ判定部と、
   多重解像度の被験対象画像を前記最適フィルタで画像処理して前記被験対象画像に含まれる物体を検出する物体検出部と、を有する物体検出装置。
2. 前記競合学習部は、前記多重解像度に含まれる各解像度に対応した学習ユニットを備え、各学習ユニットは、前記候補フィルタで走査された各解像度の学習用サンプル画像のデータを入力し、
   各学習ユニットは、側方相互作用機構によって他の学習ユニットとの間で側方相互作用し、前記他の学習ユニットが対応する解像度と自ユニットが対応する解像度の違いが所定値未満であれば前記他の学習ユニットの活動を増強し、前記解像度の違いが前記所定値以上であれば前記他の学習ユニットの活動を抑制する、請求項１に記載の物体検出装置。
3. 前記特定の物体は、プラスチック再生プレートに含まれる異物である、請求項１に記載の物体検出装置。
4. 画像処理フィルタである候補フィルタを用意するステップと、
   前記候補フィルタで多重解像度の学習用サンプル画像の各解像度画像を走査するステップと、
   前記走査するステップにおける走査の結果を用いて前記学習用サンプル画像の各解像度画像の走査結果についての競合学習を行うステップと、
   前記候補フィルタを、前記競合学習を行うステップにおける競合学習の結果において極値を示した学習用サンプル画像の解像度の最適フィルタに決定するステップと、
   多重解像度の被験対象画像を前記最適フィルタで画像処理して前記被験対象画像に含まれる物体を検出するステップと、を有する物体検出方法。

Images