JP2020107008A - 画像処理システム、及び画像処理プログラム - Google Patents
画像処理システム、及び画像処理プログラム Download PDFInfo
- Publication number
- JP2020107008A JP2020107008A JP2018243925A JP2018243925A JP2020107008A JP 2020107008 A JP2020107008 A JP 2020107008A JP 2018243925 A JP2018243925 A JP 2018243925A JP 2018243925 A JP2018243925 A JP 2018243925A JP 2020107008 A JP2020107008 A JP 2020107008A
- Authority
- JP
- Japan
- Prior art keywords
- information
- image
- image processing
- individual
- detection target
- 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.)
- Pending
Links
- 238000012545 processing Methods 0.000 title claims abstract description 268
- 238000001514 detection method Methods 0.000 claims abstract description 206
- 238000011156 evaluation Methods 0.000 claims abstract description 138
- 238000000034 method Methods 0.000 claims abstract description 86
- 238000004364 calculation method Methods 0.000 claims abstract description 40
- 238000012795 verification Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 50
- 108090000623 proteins and genes Proteins 0.000 claims description 32
- 230000035772 mutation Effects 0.000 claims description 18
- 230000005484 gravity Effects 0.000 claims description 17
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000010353 genetic engineering Methods 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 19
- 238000010586 diagram Methods 0.000 description 11
- 238000012937 correction Methods 0.000 description 6
- 238000003708 edge detection Methods 0.000 description 6
- 230000010365 information processing Effects 0.000 description 4
- 230000007704 transition Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
Description
この方法では、画像における検出対象領域と非検出対象領域の比率にもとづいて評価値が悪化する場合があること、教師画像を生成するために手間がかかること、及びコンピュータによる最適化のために人の過度な干渉が必要になることが問題となっている。
この方法では、遺伝的プログラミング(GP)による並列型画像フィルタ自動生成システムにサイズ依存型交叉を導入している。これにより、複数の実舗装画像からクラックが存在する画像をフィルタ構築の訓練データに選定採用することで、様々なタイプの画像からクラックの抽出用画像フィルタを自動的に構築し、これを用いて損傷レベルの評価が行われている。
例えば、出力画像を教師画像と比較するために最小二乗法などを用いて各ピクセルに対して輝度の差で評価を行うと、検出対象のサイズにもとづいて、同じ非検出の場合でも評価値に大きな相違が発生していた。
まず、本発明の第一実施形態に係る画像処理システムについて、図1〜図3を参照して説明する。図1は、本実施形態の画像処理システムに相当する画像処理装置の構成を示すブロック図であり、図2は、同画像処理システムによる処理手順を示すフローチャートである。また、図3は、同画像処理システムによる処理手順における遺伝子操作の処理手順を示すフローチャートである。
具体的には、本実施形態の画像処理システムに相当する画像処理装置1は、図1に示すように、機能単位記憶部10、個体生成部11、個体群記憶部12、画像入力部13、画像記憶部14、教師情報入力部15、教師情報記憶部16、画像処理部17、出力情報記憶部18、評価値計算部19、評価結果記憶部20、及び遺伝子操作部21を備えている。
本実施形態の画像処理装置1におけるこれらの各構成は、図1に示すように一個の情報処理装置に全て備えることができる。また、これらの各構成は、複数の情報処理装置からなる画像処理システムの各装置に分散して備えてもよい。これは、後述する各実施形態についても同様である。
また、これらのノードは、それぞれの処理の実行に用いるパラメータが存在する場合には、そのパラメータと共に機能単位記憶部10に記憶される。
またこのとき、個体生成部11は、個体情報において、有閉路を含み得るネットワーク状に複数のノードの実行順序を定義することができる。このネットワークは、向きが付いたリンクにより構成される有向ネットワークであり、フィードバックが含まれることがある。また、このネットワークには、直線構造と木構造も含まれ得る。
後述する評価値計算部19は、世代ごとに個体情報を順位付けして、順位付け情報を評価結果記憶部20に記憶させることができる。
教師情報入力部15は、画像識別情報に対応させて、出力情報を評価するための教師情報を入力し、当該画像識別情報ごとに教師情報記憶部16に記憶させる。
検出対象(検出対象要素)とは、画像における欠陥(クラック、キズ、汚れなど)、特定の部品、特定の柄等とすることができる。なお、検出対象が画像の全体に相当する場合もあり得る。
検出対象の重心としては、検出対象自身の重心のほか、検出対象の外接矩形の重心や、検出対象の内接円の重心などを用いてもよい。
例えば、ある画像において三角形を検出対象とした場合に、サイズが10ピクセルの三角形が検出されなかったとする。
このとき、同じ画像におけるより大きい三角形の出力が教師画像のものよりも一回り小さくなったとすると、その差が10ピクセル以上であれば、10ピクセルの三角形が無いことより評価値が悪化することになる。このため、機械学習では小さい三角より大きい三角を教師画像に近づけた方が評価値が良くなる傾向になり、小さい三角形より大きい三角形を一致させるように進化が進み、局所解に陥り易い状態になる。これに対して、本実施形態では検出対象の大きさに拘わらず、未検出の誤差が同一になるため、局所解に陥り難くなっている。
このとき、各ノードは、画像から得られる情報を用いて、それぞれの機能に対応する処理を実行する。また、各ノードは、その処理結果にもとづいて、処理結果に対応する次のノードを選択的に実行し得る。したがって、個体情報に含まれるノードであっても、画像処理において、必ずしも全てのノードが実行される訳ではない。勿論、個体情報における全てのノードが実行される場合はある。また、フィードバックが行われることによって、一つの個体情報において1つのみ定義されているノードが、複数回実行されることもあり得る。
なお、検出対象判定処理において、非検出対象候補をラベリングしてその特徴量を計算し、閾値などにもとづきその特徴量を備えていないことにより、検出対象でないことを判定する処理を行うこともできる。
具体的には、画像における検出対象の範囲や重心などの位置情報を取得して出力情報として生成する。そして、この出力情報を当該画像の画像識別情報ごとで、かつ個体情報の識別情報ごとに出力情報記憶部18に記憶させることができる。
このように、本実施形態における画像処理部17によって得られる出力情報は、画像における検出対象の位置情報として生成される。
そして、出力情報と教師情報を比較して評価値を計算し、得られた評価値を当該画像の画像識別情報ごとで、かつ個体情報の識別情報ごとに評価結果記憶部20に記憶させることができる。
このとき、評価値計算部19は、出力情報と教師情報を用いて、最小二乗法により、平均二乗誤差を評価値として算出することができる。
この場合、仮にw=5とすると、検出対象の位置情報(1)についての評価値は0であり、検出対象の位置情報(2)についての評価値は(0−1)2+5×(1−0)2=6となり、この出力画像及び個体情報についての評価値は6と算出される。
進化が発生していない場合とは、評価値が、比較対象の時点よりも高くなっていない場合である。なお、後述する実施例では、評価値として平均二乗誤差を用いているため、評価値の小さいほうが良い個体情報となる。したがって、一定の世代数について画像処理を行って評価値が小さくなっていなければ、進化していないと判定できる。
具体的には、遺伝子操作部21は、評価値が高い個体情報を次世代に残すエリート個体保存部と、評価値にもとづいて、一定の確率で個体情報を次世代に残す個体選択部と、2つの個体情報の一部を相互に交換する交叉部と、選択された1つの個体情報の一部又は全部をランダムに書き換える突然変異部とを有するものとすることができる。
個体選択部は、各世代の個体群において、評価値の順位の高い個体情報を高い確率で選択して、次世代に残す処理を行うことができる。
そこで、学習初期では多様性を持たせるために、同系列以外の個体を増やすように突然変異部による処理を行い、学習中期では効率的な進化を実施するために、個体選択部により同系列を増やすことが好ましい。また、進化が止まった場合には、再度多様性を持たせるために突然変異部により同系列以外を増やすことなどを好適に行うことができる。
まず、画像処理装置1における画像入力部13が、画像を入力して、画像記憶部14に記憶させる(ステップ10)。また、教師情報入力部15が、教師情報としての検出対象の位置情報を入力して、教師情報記憶部16に記憶させる(ステップ11)。そして、個体生成部11によって、初期個体群が生成され、個体群記憶部12に記憶される(ステップ12)。なお、これらのステップの順番は入れ替えてもよい。
このとき、画像処理部17は、個体情報ごとに出力情報として、画像における検出対象の位置情報を出力して、出力情報記憶部18に記憶させる。
このとき、評価値計算部19による評価値の計算において、例えば最小二乗法を用いて、評価値として平均二乗誤差を算出することができる。
また、評価値計算部19は、得られた評価値を評価結果記憶部20に個体情報ごとに記憶させる。
そして、当該世代の全ての個体情報について、画像の処理から評価値の計算及び記憶までの処理を繰り返し実行する。
また、評価値計算部19は、終了条件が満たされているか否かの判定処理を行う(ステップ18)。終了条件が満たされている場合、画像処理装置1による処理を終了する。
具体的には、図3に示すように、遺伝子操作部21におけるエリート個体保存部は、最も評価値の高い個体情報を次世代の個体群の個体情報として選択する(ステップ20)。
また、遺伝子操作部21における個体選択部は、評価値の順位の高い個体情報ほど高い確率で次世代の個体群の個体情報として選択する(ステップ21)。
また、遺伝子操作部21における突然変異部は、個体選択部により選択された個体情報にもとづいて、またはこれらの個体情報を用いることなく、突然変異処理を行い、新たな個体情報を生成する(ステップ23)。
なお、エリート個体保存部、個体選択部、交叉部、突然変異部による各処理の順序を、各処理を実行可能な順序の範囲で入れ替えて実行してもよい。
次に、本発明の第二実施形態に係る画像処理システムについて説明する。本実施形態の画像処理システムは、教師情報として、画像における検出対象の位置情報と、画像における検出対象の個数を示す数値を用いる点で、第一実施形態と相違する。その他の点は、第一実施形態と同様である。
このように、本実施形態における画像処理部17aによって得られる出力情報は、画像における検出対象の位置情報及び個数を示す数値として生成される。
次に、本発明の第三実施形態に係る画像処理システムについて説明する。本実施形態の画像処理システムは、教師情報として、画像における検出対象の位置情報と、画像における検出対象の画像(以下、検出対象画像)を用いる点で、第一実施形態と相違する。その他の点は、第一実施形態と同様である。
このように、本実施形態における画像処理部17bによって得られる出力情報は、画像における検出対象の位置情報及び検出対象画像として生成される。
次に、本発明の第四実施形態に係る画像処理システムについて説明する。本実施形態の画像処理システムは、教師情報として、画像における検出対象の位置情報と、画像における検出対象の個数を示す数値と、画像における検出対象画像を用いる点で、第一実施形態と相違する。その他の点は、第一実施形態と同様である。
このように、本実施形態における画像処理部17cによって得られる出力情報は、画像における検出対象の位置情報、検出対象の個数、及び検出対象画像として生成される。
次に、本発明の第五実施形態に係る画像処理システムについて、図4及び図5を参照して説明する。図4は、本実施形態の画像処理システムに対応する画像処理装置の構成を示すブロック図であり、図5は、同画像処理システムによる処理手順を示すフローチャートである。
また、本実施形態における個体生成部11dは、個体情報として、複数の親個体情報をランダムに生成し、これら親個体情報からなる初期の親個体群を親個体群記憶部121dに記憶させることができる。
具体的には、まず、親個体群記憶部121dにおける親個体群からランダムに、子個体情報を生成する親個体情報を選択する。
そして、遺伝子操作部21dにおける交叉部は、選択された親個体情報に対して交叉処理を実行して、複数の子個体情報を生成し、これら子個体情報からなる子個体群を子個体群記憶部122dに記憶させることができる。
また、遺伝子操作部21dにおける突然変異部は、機能単位記憶部10に記憶されているノードを用いて、選択された親個体情報に対して突然変異処理を実行して、一定の確率で親個体情報の一部を書き換えたり、その全てを書き換えることによって得られた子個体情報からなる子個体群を子個体群記憶部122dに記憶させることができる。また、突然変異部は、突然変異処理として、機能単位記憶部10dに記憶されているノードを用いて、新しい個体情報を生成することもできる。
教師情報入力部15dは、画像識別情報に対応させて、出力情報を評価するための教師情報を入力し、当該画像識別情報ごとに教師情報記憶部16dに記憶させる。
そして、出力情報と教師情報を比較して評価値を計算し、得られた評価値を当該画像の画像識別情報ごとで、かつ子個体情報の識別情報ごとに評価結果記憶部20dに記憶させることができる。
さらに、評価値計算部19dは、画像処理部17dによる画像処理を終了するか否かを判定するための終了判定を行うことができる。
まず、画像処理装置1dにおける画像入力部13dが、画像を入力して、画像記憶部14dに記憶させる(ステップ30)。また、教師情報入力部15dが、教師情報としての検出対象の位置情報を入力して、教師情報記憶部16dに記憶させる(ステップ31)。そして、個体生成部11dによって、初期の親個体群が生成され、親個体群記憶部121dに記憶される(ステップ32)。なお、これらのステップの順番は入れ替えてもよい。
このとき、画像処理部17dは、子個体情報ごとに出力情報として、画像における検出対象の位置情報を出力して、出力情報記憶部18dに記憶させる。
そして、子個体群記憶部122dにおける全ての子個体情報について、画像の処理から評価値の計算及び記憶までの処理を繰り返し実行する。
そして、遺伝子操作部21は、評価結果記憶部20dにおける子個体情報の順位付け情報にもとづいて、一番評価値の良い子個体情報及び確率で選択された子個体情報を、親個体群からランダムに選択された上記の親個体情報と入れ替えることにより、個体群記憶部12における親個体群記憶部121dの親個体情報を更新する(ステップ40)。
すなわち、第五実施形態に係る画像処理システムにおいて、教師情報として、画像における検出対象の位置情報のみならず、画像における検出対象の個数を示す数値及び/又は画像における検出対象画像を用いる構成とすることも好ましい。これにより、さらに良い個体情報が得られる可能性を高めることが可能である。
実施例として、本発明の第五実施形態に係る画像処理システムを使用した。
また、参考例として、本発明の第五実施形態に係る画像処理装置の一部を変更したものを使用した。具体的には、参考例では教師情報として検出対象画像のみを用いるように変更した。
また、実施例において、評価値は、第一実施形態において例示した数1の式をw=5として用いて算出した。
最大の世代数を5000世代に設定し、進化がストップしたと判定された場合(正規化後の評価値が0になった場合)、処理を終了した。
また、「出力」に示された画像及び数値は、評価値が一番良い個体情報によるものが示されている。すなわち、これらの出力情報の出力に用いられた個体情報が、各実施例及び参考例において最終的に得られた(最適化された)個体情報である。
一方、参考例でも、No.1〜No.4については、いずれも教師画像における検出対象が出力されていた。
これに対して、参考例では、No.5〜No.8については、いずれも教師画像における検出対象は出力されており、クラックの検出は可能となっていた。しかしながら、出力画像において、背景起因のノイズも検出対象として出力されていた。
これに対して、参考例では、No.1〜No.3について、いずれも教師画像における検出対象は出力されており、クラックの検出は可能となっていた。しかしながら、出力画像において、背景起因のノイズも検出対象として出力されていた。
また、プログラムを格納する記録媒体は、例えば半導体メモリ、磁気ディスク、光ディスク、その他任意のコンピュータで読取り可能な任意の記録手段により構成できる。
例えば、画像処理装置における各構成を複数の情報処理装置に分散して持たせたり、ノードとして実施例で用いたもの以外のものを含めて使用したりすることができる。
また、実施例では検出対象としてクラックを用いたが、検出対象は画像であれば特に限定されず、例えば機械部品や細胞の画像、3Dキャドなどの立体画像等を対象とすることもできる。
さらに、上記の画像処理装置を画像検査用に用いて、当該画像処理装置を、画像入力部が検査用の画像を入力し、最も評価値の高い個体情報にもとづき画像処理部によって検査用の画像を処理して得られた処理結果情報を記憶する処理結果記憶部を備えた構成にするなど適宜変更することが可能である。
10,10d 機能単位記憶部
11,11d 個体生成部
12,12d 個体群記憶部
121d 親個体群記憶部
122d 子個体群記憶部
13,13d 画像入力部
14,14d 画像記憶部
15,15d 教師情報入力部
16,16d 教師情報記憶部
17,17d 画像処理部
18,18d 出力情報記憶部
19,19d 評価値計算部
20,20d 評価結果記憶部
21,21d 遺伝子操作部
Claims (11)
- 生物の進化を数学的に模擬した最適化手法である遺伝的操作により、画像から検出対象を検出する画像処理を最適化する画像処理システムであって、
有閉路を含み得るネットワーク状に複数の機能単位の実行順序を定義する一又は二以上の個体情報を記憶する個体群記憶部と、
学習用又は検証用の画像を入力する画像入力部と、
出力情報を評価するための教師情報を入力する教師情報入力部と、
前記個体情報にもとづいて前記画像を処理し、前記出力情報を生成する画像処理部と、
前記出力情報と前記教師情報を比較して評価値を計算し、この評価値にもとづき前記個体情報を順位付けする評価値計算部と、
前記個体情報の順位付け情報にもとづき前記個体情報の選択又は変更を行って、前記個体群記憶部を更新する遺伝子操作部と、を備え、
前記画像処理部による処理に、前記画像における検出対象の位置情報を取得する処理が含まれ、
前記教師情報及び前記出力情報が、前記画像における検出対象の位置情報である
ことを特徴とする画像処理システム。 - 前記位置情報が、検出対象の範囲又は重心であることを特徴とする請求項1記載の画像処理システム。
- 前記画像処理部による処理に、前記画像における検出対象を計数する処理が含まれ、
前記教師情報及び前記出力情報に、前記画像における検出対象の個数を示す数値が含まれる
ことを特徴とする請求項1又は2記載の画像処理システム。 - 前記画像処理部による処理に、検出対象を表す検出対象画像を作成する処理が含まれ、
前記教師情報及び前記出力情報に、検出対象を表す検出対象画像が含まれる
ことを特徴とする請求項1〜3のいずれかに記載の画像処理システム。 - 前記画像処理部による処理に、前記画像における一定範囲の特徴量を算出する処理、及び前記特徴量にもとづいて前記一定範囲が検出対象であるか否かを判定する処理が含まれることを特徴とする請求項1〜4のいずれかに記載の画像処理システム。
- 前記遺伝的操作部が、
前記評価値が高い個体情報を次世代に残すエリート保存部と、
前記評価値にもとづいて、一定の確率で個体情報を次世代に残す選択部と、
2つの個体情報の一部を相互に交換する交叉処理部と、
選択された1つの個体情報の一部又は全部をランダムに書き換える突然変異部と、を有する
ことを特徴とする請求項1〜5のいずれかに記載の画像処理システム。 - 前記ネットワークが、機能単位と向きが付いたリンクにより構成される有向ネットワークであり、直線構造と木構造を含むことを特徴とする請求項1〜6のいずれかに記載の画像処理システム。
- 前記画像入力部が、検査用の画像を入力し、最も評価値の高い個体情報にもとづき前記画像処理部によって前記検査用の画像を処理して得られた処理結果情報を記憶する処理結果記憶部を備えたことを特徴とする請求項1〜7のいずれかに記載の画像処理システム。
- 生物の進化を数学的に模擬した最適化手法である遺伝的操作により、画像から検出対象を検出する画像処理を最適化する画像処理プログラムであって、
コンピュータを、
有閉路を含み得るネットワーク状に複数の機能単位の実行順序を定義する一又は二以上の個体情報を記憶する個体群記憶部、
学習用又は検証用の画像を入力する画像入力部、
出力情報を評価するための教師情報を入力する教師情報入力部、
前記個体情報にもとづいて前記画像を処理し、前記出力情報を生成する画像処理部、
前記出力情報と前記教師情報を比較して評価値を計算し、この評価値にもとづき前記個体情報を順位付けする評価値計算部、及び、
前記個体情報の順位付け情報にもとづき前記個体情報の選択又は変更を行って、前記個体群記憶部を更新する遺伝子操作部として機能させ、
前記画像処理部による処理に、前記画像における検出対象の位置情報を取得する処理が含まれ、
前記教師情報及び前記出力情報が、前記画像における検出対象の位置情報である
ことを特徴とする画像処理プログラム。 - 前記画像処理部による処理に、前記画像における検出対象を計数する処理が含まれ、
前記教師情報及び前記出力情報に、前記画像における検出対象の個数を示す数値が含まれる
ことを特徴とする請求項9記載の画像処理プログラム。 - 前記画像処理部による処理に、検出対象を表す検出対象画像を作成する処理が含まれ、
前記教師情報及び前記出力情報に、検出対象を表す検出対象画像が含まれる
ことを特徴とする請求項9又は10記載の画像処理プログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018243925A JP2020107008A (ja) | 2018-12-27 | 2018-12-27 | 画像処理システム、及び画像処理プログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018243925A JP2020107008A (ja) | 2018-12-27 | 2018-12-27 | 画像処理システム、及び画像処理プログラム |
Publications (1)
Publication Number | Publication Date |
---|---|
JP2020107008A true JP2020107008A (ja) | 2020-07-09 |
Family
ID=71450837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018243925A Pending JP2020107008A (ja) | 2018-12-27 | 2018-12-27 | 画像処理システム、及び画像処理プログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP2020107008A (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7404962B2 (ja) | 2020-03-24 | 2023-12-26 | 東洋製罐グループホールディングス株式会社 | 画像処理システム、及び画像処理プログラム |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013125524A (ja) * | 2011-12-16 | 2013-06-24 | Hitachi High-Technologies Corp | 学習用装置、および、遺伝子学習方法 |
JP2013167596A (ja) * | 2012-02-17 | 2013-08-29 | Honda Motor Co Ltd | 欠陥検査装置、欠陥検査方法及びプログラム |
JP2017010475A (ja) * | 2015-06-26 | 2017-01-12 | 富士通株式会社 | プログラム生成装置、プログラム生成方法および生成プログラム |
JP6127188B1 (ja) * | 2016-08-04 | 2017-05-10 | 株式会社Sayコンピュータ | 計数方法および計数装置 |
JP2018036788A (ja) * | 2016-08-30 | 2018-03-08 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
-
2018
- 2018-12-27 JP JP2018243925A patent/JP2020107008A/ja active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013125524A (ja) * | 2011-12-16 | 2013-06-24 | Hitachi High-Technologies Corp | 学習用装置、および、遺伝子学習方法 |
JP2013167596A (ja) * | 2012-02-17 | 2013-08-29 | Honda Motor Co Ltd | 欠陥検査装置、欠陥検査方法及びプログラム |
JP2017010475A (ja) * | 2015-06-26 | 2017-01-12 | 富士通株式会社 | プログラム生成装置、プログラム生成方法および生成プログラム |
JP6127188B1 (ja) * | 2016-08-04 | 2017-05-10 | 株式会社Sayコンピュータ | 計数方法および計数装置 |
JP2018036788A (ja) * | 2016-08-30 | 2018-03-08 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7404962B2 (ja) | 2020-03-24 | 2023-12-26 | 東洋製罐グループホールディングス株式会社 | 画像処理システム、及び画像処理プログラム |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Benardos et al. | Optimizing feedforward artificial neural network architecture | |
Birattari et al. | Tuning metaheuristics: a machine learning perspective | |
CN106529565A (zh) | 目标识别模型训练和目标识别方法及装置、计算设备 | |
CN105637540A (zh) | 用于强化学习的方法和设备 | |
David et al. | Machine learning approach for prediction of learning disabilities in school-age children | |
Birk | Learning to trust | |
US20210004723A1 (en) | Learning device, learning method, and learning program | |
Winkler et al. | New methods for the identification of nonlinear model structures based upon genetic programming techniques | |
US20160246576A1 (en) | Computer program generation | |
JP6988995B2 (ja) | 画像生成装置、画像生成方法および画像生成プログラム | |
JP2020107008A (ja) | 画像処理システム、及び画像処理プログラム | |
Bhadouria et al. | A study on genetic expression programming-based approach for impulse noise reduction in images | |
JP7468088B2 (ja) | 画像処理システム、及び画像処理プログラム | |
JP7073171B2 (ja) | 学習装置、学習方法及びプログラム | |
JP7314711B2 (ja) | 画像処理システム、及び画像処理プログラム | |
CN110781978A (zh) | 一种用于机器学习的特征处理方法和系统 | |
Gutiérrez et al. | Designing multilayer perceptrons using a guided saw-tooth evolutionary programming algorithm | |
CN113468046B (zh) | 一种面向多目标的dnn模型的诱导输入生成的方法 | |
JP7247578B2 (ja) | 画像処理システム、及び画像処理プログラム | |
JP2022089430A (ja) | 画像処理システム、及び画像処理プログラム | |
JP7314723B2 (ja) | 画像処理システム、及び画像処理プログラム | |
JP7404962B2 (ja) | 画像処理システム、及び画像処理プログラム | |
JP2018005505A (ja) | 画像認識パラメータ設定装置、画像認識パラメータ設定方法、および画像認識パラメータ設定プログラム | |
JP2021051617A (ja) | 画像処理システム、及び画像処理プログラム | |
Barthélemy et al. | Comparison of discrete choice models and artificial neural networks in presence of missing variables |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211115 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221108 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221206 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230131 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230303 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230606 |
|
A601 | Written request for extension of time |
Free format text: JAPANESE INTERMEDIATE CODE: A601 Effective date: 20230731 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20231226 |