JP3279099B2 - マーク認識装置およびマーク認識方法 - Google Patents

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明は、例えば電子部品など
の検査対象に表記された文字や記号等のマークが正しい
状態にあるか否かを認識するマーク認識装置に関するも
のである。

【０００２】

【従来の技術】図１５は例えば特開平１−３１２８４６
号公報に示された従来の文字マーク認識装置を示すブロ
ック図である。図において、１は表記された文字や記号
等の文字マークの認識が実施されるＩＣなどの検査対象
であり、２はこの検査対象１を照明する照明手段、３は
検査対象１に表記された文字マークを撮像して電気信号
で出力するテレビカメラなどの撮像手段である。４はこ
の撮像手段３の出力より文字マークの表記位置を検出す
る文字マーク位置決定手段であり、５は文字マーク位置
決定手段４の出力をしきい値と比較して２値化する明度
比較手段である。６はこの明度比較手段５の出力を複数
のエリアに分割して部分検査するための検査エリア決定
手段であり、７は検査エリア決定手段６にて区分された
各エリア内の文字マークに相当する部分の画素数をカウ
ントする面積カウント手段である。８は面積カウント手
段７によるカウント数の各エリア毎のしきい値を選択す
るカウントしきい値選択手段であり、９は面積カウント
手段７のカウント結果をカウントしきい値選択手段８の
選択したしきい値と比較して文字マークの良否を判定す
るカウント比較手段である。

【０００３】次に動作について説明する。まず、検査対
象１を所定の位置にセットして照明手段２で照明し、当
該検査対象１に表記されている文字マークを撮像手段３
によって撮像する。撮像手段３の出力は文字マーク位置
決定手段４に送られて文字マークの表記位置の位置決め
が行われ、明度比較手段５に送られて明度の判別基準と
なるしきい値と比較されて２値化される。検査エリア決
定手段６は当該文字マークを部分検査するために、この
明度比較手段５の出力を図１６に示すように、文字マー
ク検査用エリアＥ1 、目詰まり検査用エリアＥ2 、およ
び異種文字マーク検査用エリアＥ3 の複数のエリアに区
分する。次に、カウントしきい値選択手段８は上記各エ
リア毎に対応するしきい値を設定する。このしきい値
は、例えば文字マーク検査用エリアＥ1 と目詰まり検査
用エリアＥ2 に対しては緩く、異種文字マーク検査用エ
リアＥ3 に対しては厳しい判定基準が設定される。そし
て、各エリア内の文字マークに相当する部分の面積が面
積カウント手段７でカウントされ、そのカウント結果が
カウントしきい値選択手段８で設定されたカウントしき
い値とカウント比較手段９で比較され、前記カウント結
果がしきい値の範囲内であれば、当該文字マークは
“良”と判定される。

【０００４】

【発明が解決しようとする課題】従来のマーク認識装置
は以上のように構成されているので、カウント比較手段
９にて面積カウント結果と比較されるしきい値を作成す
る必要があり、このしきい値の作成は難しく手間のかか
るもので、実際には専門家によって１つ１つのマークに
対して経験的に決定され、当該しきい値の作成中は、類
似マークの誤判定が発生する都度、前に戻ってやり直す
ことになり、試行錯誤的で多大な時間を要するばかり
か、マークの大きさやフォントなどの種類が変更される
度にしきい値の作成をやり直す必要があり、さらに、し
きい値作成後に新たに誤判定が生じた場合の調整が専門
家でなくてはできず、調整に時間がかかるなどの問題点
があった。

【０００５】この発明は上記のような課題を解消するた
めになされたものであり、しきい値の作成および調整に
伴う困難を解消し、誤判定が少なく、人間と同程度の検
査性能を持つマーク検査装置を得ることを目的とする。

【０００６】

【課題を解決するための手段】請求項１に記載の発明に
係るマーク認識装置は、マークを撮像して得た画像デー
タから入力信号ベクトルを発生し、これと複数の参照ベ
クトルとの距離を計算し、しきい値と比較してマークの
良否を判定する。更に教師データと複数の参照ベクトル
との距離に応じて参照ベクトルの更新を判定し、前記参
照ベクトルを変更することによって自己学習して行く。

【０００７】請求項２に係る発明は、請求項１の構成に
加えて新たな参照ベクトルを追加する参照ベクトル追加
手段を備えている。

【０００８】請求項３の発明は、請求項１または請求項
２における画像データに基づいて入力信号ベクトルを発
生する手段が、画像データをＰ個（Ｐは２以上の整数）
のブロックに分割し、各ブロックの特徴量を計算するマ
ーク縮退手段を備え、画像データからＰ次元ベクトルを
発生するものである。

【０００９】請求項４の発明は、請求項３における縮退
手段が、ブロック内の白画素数または黒画素数の積算値
により特徴量を計算するものである。

【００１０】請求項５の発明は、縮退手段がブロック内
の輝度平均値または輝度分散値により特徴量を計算する
ものである。

【００１１】請求項６の発明は、入力信号ベクトルと参
照ベクトルとの距離計算をベクトルの各成分の差の絶対
値の和、ベクトルの各成分の差の２乗和またはベクトル
の正規化相互相関により距離計算を行なうものである。

【００１２】請求項７の発明は、判定手段が最小距離と
しきい値とを比較するものであり、請求項８の発明は、
判定手段が最小距離と２番目に小さい距離との差をしき
い値と比較するものである。

【００１３】請求項９の発明は、マーク縮退手段で画像
データを縮退させる前に画像データの所定領域をマスク
するもので、マスクは画像データの所定領域の画素の全
部を黒画素または白画素に変換することにより行なう。

【００１４】請求項１０の発明は、複数のマーク集合が
存在する場合に、撮像したマークがいづれのマーク集合
に属するものか先ず判別し、その後は請求項１の場合と
同様に、入力ベクトルとマーク集合毎に記憶された参照
ベクトルとの距離計算を行ない、しきい値と比較してマ
ークの良否を判定する。更に教師データと複数の参照ベ
クトルとの距離に応じて教師データが属する参照ベクト
ルの更新を判定し、前記参照ベクトルを変更し、学習を
行なうものである。

【００１５】請求項１１の発明は、代表的な入力信号ベ
クトルに対して学習済の参照ベクトルを保持するデータ
ベースを有する装置であって、対象に記されたマークを
撮像して画像データを得る撮像手段と、画像データに基
づいて入力信号ベクトルを発生する手段と、代表的なベ
クトルに対して学習済の複数の参照ベクトルを保持する
データベースと、データベースに保持された複数の参照
ベクトルと入力信号ベクトルとの距離を計算する距離計
算手段と、この距離計算手段で得られた距離をしきい値
と比較してマークの良否を判定する手段とを備えてい
る。また、請求項１または請求項２に記載されている学
習手段と接続が可能である。

【００１６】請求項１２の発明は、請求項１１と同様に
代表的な入力信号ベクトルに対して学習済の参照ベクト
ルを保持するデータベースを有する装置である点、及び
学習手段と接続可能である点で共通するが、判定手段
が、距離計算手段で最小距離となった参照ベクトルに対
応するマークを出力する点で相違している。

【００１７】請求項１３の発明は、マークが文字マーク
である場合である。請求項１４の発明は、透明なマーク
を透過した光の像を撮像するものである。

【００１８】請求項１５は、入力信号ベクトルとの距離
を小さくするよう、読み方の分かっている教師データと
複数の参照ベクトルとの距離に応じて参照ベクトルを変
更して学習を行ない、その後に学習済の参照ベクトルを
使ってマークを認識する方法に関するもので、マークを
撮像して画像データを得る第１ステップと、画像データ
に基づいて入力信号ベクトルを発生する第２ステップ
と、読み方の分かっている教師データと複数の参照ベク
トルとの距離を計算する第３ステップと、第３ステップ
で得られた前記距離に応じて前記参照ベクトルの更新を
判定し、前記参照ベクトルを変更する第４ステップと、
変更後の複数の参照ベクトルと入力信号ベクトルとの距
離を計算する第５ステップと、第５ステップで得られた
距離をしきい値と比較してマークの良否を判定する第６
ステップとを備えている。

【００１９】

【作用】請求項１の発明によれば、マークの画像から得
た入力信号ベクトルとの距離を小さくするよう、読み方
の分かっている教師データと複数の参照ベクトルとの距
離に応じて参照ベクトルを変更して学習を行なうので、
良否判定の為のしきい値の作成、調整が簡単になる。ま
た、ベクトル量子化技術を採用して学習するので高速に
学習できる。

【００２０】請求項２の発明は、新たな参照ベクトルを
追加するようにして学習の収束を速やかに行なうことが
できる。

【００２１】請求項３の発明は、画像データをＰ個のブ
ロックに分割し、各ブロックの特徴量を計算し、特徴量
でもって各ブロックを代表させるようにしてＰ次元入力
ベクトル信号を得るので、画像データに含まれるノイズ
を吸収してその影響を軽減することができる。また、各
ブロックの画像パターンが特徴量によって単純化される
ので学習が容易となる。

【００２２】請求項４の発明は、特徴量の計算をブロッ
ク内の白画素数または黒画素数の積算値により行なうの
で、計算量が比較的少なく高速化ができる。

【００２３】請求項５の発明は、特徴量の計算をブロッ
ク内の輝度の平均値または輝度の分散値により行なうの
で、画像を２値化する必要がない。また、照明の変動に
対して出力が安定する。

【００２４】請求項６の発明は、入力信号ベクトルと参
照ベクトルとの距離計算を、ベクトルの各成分の差の絶
対値の和、ベクトルの各成分の差の２乗和により行なう
ので計算量が少なくなり計算を高速に行なうことができ
る。また、距離計算をベクトルの正規化相互相関により
行なうと画像のコントラストの変動や直流分の変動に影
響されることが無くなる。

【００２５】請求項７の発明は、最小距離としきい値と
を比較することによりマークの良否を判定できる。請求
項８の発明は、最小距離と２番目に小さい距離との差を
しきい値と比較してマークの良否の判定を行なうので、
最小距離が他の距離に比しどれだけ突出しているかを評
価することができる。

【００２６】請求項９の発明は、画像データのうち所定
領域をマスクして不感帯としたので、所望のマーク以外
の不要のマークが画像データに含まれていても除くこと
ができる。

【００２７】請求項１０の発明は、認識対象のマークを
複数のマークセット毎に分類しておき、撮像したマーク
がいづれのマークセットに属するものか判別したうえで
マークセット毎に設けられた参照ベクトルとの距離計算
および参照ベクトルの変更を行なうので、マークが多数
であっても学習手段の簡単化と学習時間の短縮を図るこ
とができる。

【００２８】請求項１１の発明は、代表的なベクトルで
既に学習済の参照ベクトルを用いてマークの良否判定を
行なうので、参照ベクトル更新手段や参照ベクトル追加
手段等の学習手段は不要であり、装置構成が簡単とな
る。

【００２９】請求項１２の発明は、代表的なベクトルに
対して学習済の参照ベクトルを用いて読み取ったマーク
を出力するので参照ベクトル更新手段や参照ベクトル追
加手段等の学習手段は不要であり、装置構成が簡単にな
る。また、読み取ったマークを出力するので混入検査に
向いている。

【００３０】請求項１３の発明は、文字マークを認識で
きる。請求項１４の発明は、透過光を撮像するので透明
なマークも認識できる。

【００３１】請求項１５の発明は、先ず読み方の分かっ
ている教師データと複数の参照ベクトルとの距離計算の
結果に応じて参照ベクトルを変更して学習する。次に学
習済の参照ベクトルを使ってマークの良否の判定を行な
う。マークの良否判定を行なうときは、参照ベクトル変
更手段や参照ベクトル追加手段は不要なので装置が簡単
にできる。

【００３２】

【実施例】

実施例１．以下、この発明の実施例１を図について説明
する。図１において、１は検査対象、２は照明手段、３
は撮像手段であり、図１５と同一符号を付したものは同
一または相当部分である。また、１０は撮像手段３で撮
像したマークの画像データを記憶する画像記憶手段であ
る。この実施例のマークは文字マークであるがこの発明
の対象とするマークは文字以外の図形や記号でも良い。
１１は画像データより各文字マークを１つ１つ切り出す
文字マーク切出手段である。１２はこの文字マーク切出
手段１１によって切り出された各文字マークを縮退させ
る文字マーク縮退手段である。１３はその縮退されたデ
ータによって切り出された文字マークの認識を行なう、
学習機能を備えた自己組織化ネットワークによる認識手
段であり、１４はその学習手段、１５は参照ベクトルを
変更することにより学習する手段を構成するベクトル量
子化学習手段、１６は同じく学習手段を構成する参照ベ
クトル追加手段、１７は参照ベクトルデータベースと教
師データデータベースとを含む学習データベースであ
る。１８は認識手段１３の出力とあらかじめ設定されて
いる文字マーク読取データとを比較して、当該文字マー
クの良否を判定する判定手段であり、１９はこれら各手
段のシーケンスを制御する制御手段である。２０は学習
時に用いられる教師信号である。

【００３３】次に動作について説明する。まず、ＩＣな
どの検査対象１の表面に照明手段２により光を照射し、
そこに表記された文字や記号などの文字マークの濃淡画
像をテレビカメラなどの撮像手段３で撮像する。撮像さ
れた文字マークの画像データは撮像手段３より画像記憶
手段１０に送られて一旦記憶され、文字マーク切出手段
１１に取り込まれる。文字マーク切出手段１１では、例
えば、取り込んだ画像データを２値化手段で２値化して
文字マークを見やすくした後、その文字マークの１つ１
つの切出を行なう。このような２値化を手段として用い
た文字マークの切出は、例えば特開平２−１２２３８５
号公報などに示されるような、水平撮像画素数や垂直投
影画素数を利用する方法で行われるものがある。

【００３４】次に文字マーク縮退手段１２は図２に示す
ようにブロック分割回路１２１と特徴量計算回路１２２
からなり、文字マーク切出手段１１にて切り出された各
文字マークのＭ×Ｎ個の画素より成る画像データを取り
込んでＰ＝ｍ×ｎ個の実数データに変換する。図２はそ
の変換の概念を示す説明図である。まず、図２（ａ）に
示すＭ×Ｎ（図の場合、Ｍ＝２０、Ｎ＝１６）の画素よ
り成る画像データ（ａ）を、ブロック分割回路１２１に
より図２（ｂ）に示したｍ×ｎ（図の場合、ｍ＝５、ｎ
＝４）個のメッシュ（ブロック）に分割する。次に、１
つのメッシュ（ブロック）内の特徴量を特徴量計算回路
１２２で計算し、その特徴量を０〜１の間の実数に変換
（正規化）し、その値を当該メッシュ（ブロック）のデ
ータとする。図２の場合、２値画像が文字マーク切り出
し手段によってすでに得られているので、特徴量の計算
として２値画像における面積を計算する。これは各メッ
シュ（ブロック）について、文字マークに相当する画素
（白または黒画素）数を計算するものである。正規化は
計算された面積値を各メッシュの画素数によって割るこ
とでなされる。

【００３５】この計算処理を全メッシュについて行なう
ことによって、文字マーク１つ１つを図２（ｃ）に示す
ｍ×ｎ個の実数データに変換する。この際、特徴量を計
算するメッシュは互いに重なりあっていても良い。例え
ば、ｍ×ｎ個の各メッシュについて隣合う４つのメッシ
ュをさらに１つと考え、その中で特徴量を計算してもよ
い。この様な時にはｍ×ｎのメッシュに対してｍ×ｎ個
以上の実数データが縮退手段の出力として得られること
もある。このようにして得られた縮退データは認識手段
１３に出力される。

【００３６】ここでメッシュ化の利点について説明す
る。このように文字マークの切出を画像データの２値化
後に行なうとした場合、実際には画像データの取り込み
に伴うノイズによって２値化画像データが若干変化する
ため、切出に数画素誤差が生じる。ここで、前述した縮
退の過程を設けない場合には、前記誤差が認識手段１３
に直接与えられるため、認識手段１３ではその誤差を考
慮して認識の処理を実行しなければならなくなり、認識
手段１３が極めて複雑なものとなって現実的なものでは
なくなる。一方、縮退の過程を設ければ、当該縮退の過
程で位置ずれの誤差が縮退データに吸収されるため、認
識手段１３においては誤差に対する特別な考慮をする必
要がなくなって、認識手段１３を比較的簡単な構成とす
ることができる。また、縮退手段１２を設けずに第２図
（ａ）の画像データをそのまま使って学習を行なうと、
学習対象がぼう大となり学習が困難となる。縮退手段１
２は、学習し易いようにパターンを単純化して学習対象
を減らす役割も行なっている。

【００３７】認識手段１３は自己組織化ネットワークで
構成されている。先ず、学習手段１４によって認識対象
である文字マークについての良品データを教師データと
して与えて学習を済ませておく。その学習済みのデータ
は学習データベース１７に記憶される。この自己組織化
ネットワークによる認識手段１３は文字マーク切出手段
１１の切出した文字マークの認識を、文字マーク縮退手
段１２にて縮退されたデータに基づいて行ない、実数の
集合を判定手段１８に出力する。例えば、入力される文
字マークが英数字であるとした場合、その出力は、
“Ａ”である可能性が１．２、“Ｂ”である可能性が
５．５といった具合に与えられる。この認識手段１３の
出力値はその文字に対してどれだけ近いかという量を定
量化したものである。したがって値の小さいものほどそ
の文字に近いことを示す。

【００３８】判定手段１８はこの認識手段１３の出力を
あらかじめ設定されている文字マーク読取データと比較
し、両者が一致しているか否かの判定を行ってその判定
結果を外部に出力する。即ち、認識手段１３の出力中で
の最低値を示すデータ（上記の例では“Ａ”の１．２）
をとる文字マークの種類（上記の例の場合では“Ａ”）
が、あらかじめ設定されている文字マーク読取データと
一致していれば良品、不一致であれば不良品とする。こ
の判定は切り出された文字マークの１つ１つについて行
われ、全ての文字マークが良品であれば良品であるとい
う判定結果を、それ以外であれば不良品であるという判
定結果を外部に出力する。なお、以上詳細に説明した一
連の処理は、制御手段１９の制御のもとに実行される。

【００３９】ここで、認識手段１３、学習手段１４につ
いて説明する。認識手段は自己組織化ネットワークで構
成されており、図３にその構成を示す。入力データ２１
は縮退手段より出力されたｐ（ｐ≧ｍ×ｎ）個のデータ
であり、ｘ1 〜ｘp とする。このデータをまとめて１個
のｐ次元ベクトルＸとする。また１つの文字マークを表
現するＰ次元の参照ベクトル２２をｑ個設定し、各参照
ベクトルをＳl 〜Ｓqとする。各参照ベクトル２２は入
力データであるｐ次元ベクトルＸを入力とし、それに対
して出力２３をそれぞれ出力する。この出力２３をｙl
〜ｙq とする。このとき出力２３は次の数１で定義され
る。

【００４０】

【数１】

【００４１】ここで、Ｘは入力データ２１を表現するｐ
次元ベクトルであり、Ｓi は各参照ベクトル２２を表現
するｐ次元ベクトルであり、ｙi は各参照ベクトル２２
との距離を示す出力である。また関数Ｄ（・，・）は２
つのｐ次元ベクトルの距離を表す関数である。

【００４２】本発明における距離関数Ｄは数学上の公理
にある厳密な定義に基づくとは限らない。後述する距離
計算方法によって関数値が決定される。例えば距離計算
方法の１つとして、２つのベクトルの各成分の差の絶対
値を計算し、それらの和を距離とすることができる。こ
の方法では距離の公理を満たさないが、厳密な意味での
距離の１つである「ベクトルの各成分の差の２乗和の平
方根」を求める方法に比べて、高速に計算できる利点が
ある。

【００４３】次に学習手段について説明する。学習時に
は、既に「読み方の分かっている」対象１（例えば
“Ａ”が印字されている対象１）を表わす教師データと
教師信号２０である「読み方」（例えば文字“Ａ”につ
いて学習すべきという指示）がペアで与えられる。もち
ろんこのとき「読み方の分かっている対象１」の代わり
に、切り出された文字マークの画像（例えば“Ａ”の画
像）、あるいは縮退データ（例えば“Ａ”の画像から得
られた縮退データ）を教師データとして用いてもよい。
このとき、前述した認識の際のシーケンスと同様の過程
で認識手段１３は出力を行ない、学習手段１４は、教師
データ、教師信号２０と認識手段１３の出力に応じて各
参照ベクトル２２の値、すなわちｐ次元ベクトルＳ１〜
Ｓｑの成分を変更する。この学習済の参照ベクトルの値
は学習データベース１７に蓄えられ、認識手段１３で用
いられる。

【００４４】この参照ベクトル２２の変更方法は学習ベ
クトル量子化法に基づいている。例えば、コホーネン
（Ｔ．Ｋｏｈｏｎｅｎ）：ザ セルフオーガナイジング
マップ（Ｔｈｅ Ｓｅｌｆ−Ｏｒｇｎｉｚｉｎｇ Ｍ
ａｐ（ＰＲＯＣＥＥＤＩＮＧＳＯＦ ＴＨＥ ＩＥＥ
Ｅ，Ｖｏｌ．７８，Ｎｏ．９，Ｓｅｐ，１９９０））な
どの文献にあるコホーネンのＬＶＱ学習則、ＬＶＱ２学
習則などがある。このコホーネンのＬＶＱ２学習則につ
いて図４を用いて簡単に説明する。参照ベクトルＳi が
ある文字マークのクラスＣi （例えば文字マーク“Ａ”
の集合）を代表するとする。一方、j ≠i である参照ベ
クトルＳj は別の文字マークのクラスＣj（例えば文字
マーク“Ｂ”の集合）を代表するとする。このとき、読
み方の分かっている（すなわち属するべきクラスが分か
っている）教師データとなる画像または、縮退データＸ
が入力されると、コホーネンの学習ベクトル量子化法は
次の数２で参照ベクトルの値を変化させる。

【００４５】

【数２】

【００４６】クラスＣi に属することが分かっている教
師データとなる画像または、縮退データＸが入力された
場合を考える。数１で与えられた距離を用いて、Ｘに最
も近い参照ベクトルがＳi （クラスＣi に属す）のと
き、 Ｓi(new) ＝ Ｓi(old)＋α｛Ｘ−Ｓi(old)｝ とし、Ｘに最も近い参照ベクトルがＳj （クラスＣj ≠
Ｃi に属す）のとき、 Ｓj(new) ＝ Ｓj(old)−α｛Ｘ−Ｓj(old)｝ とする（ＬＶＱ法）．（０＜α＜２） また、クラス間の境界付近の分離を良くするために、Ｌ
ＶＱ２法では、さらに数１で与えられた距離を用いて、
Ｘに最も近い参照ベクトルがＳj 、かつ、数１で与えら
れた距離を用いて、Ｘに２番目に近い参照ベクトルがＳ
i であるとき、 Ｓj(new) ＝ Ｓj(old)−α｛Ｘ−Ｓj(old)｝ Ｓi(new) ＝ Ｓi(old)＋α｛Ｘ−Ｓi(old)｝ とする工夫がなされている。

【００４７】このことは、図４を用いて幾何学的に解釈
すると、教師データによって、教師データの属すべきク
ラスの参照ベクトルをαの割合だけ近づく様に変更し、
逆に２番目に似てはいるが実際は異なるクラスの参照ベ
クトルをαの割合だけ遠ざける様に変更することと説明
できる。学習ベクトル量子化法は各教師ベクトルに対し
て、うまくクラス分類がされるまで、反復的に数２のア
ルゴリズムを用いて参照ベクトルＳl 〜Ｓq の値を変化
させてゆく。換言すれば各参照ベクトル２２が収束して
値が安定するまで反復的に数２のアルゴリズムを用い
る。

【００４８】しかしながら、上記の方法だけではフォン
トの異なった２種類の“Ａ”などを学習させようとする
と、２つの教師データによって参照ベクトルの引きあい
が起こり参照ベクトル２２が安定に収束しなかったり、
収束が遅れる欠点があった。そこで本実施例では、参照
ベクトル追加手段を用いることにより、この欠点を克服
し、安定にかつ高速に収束することを可能にする。参照
ベクトル追加手段は、学習ベクトル量子化法に基づくベ
クトル量子化学習手段の収束状態を、その繰り返し回数
や参照ベクトルの変更量などで監視し、収束が遅い状態
と認識すると、新しいクラスとそれに属する参照ベクト
ルを追加する、この追加によって１つの参照ベクトルを
引合うことが解消され、結果的に高速かつ安定に収束す
る。参照ベクトル追加手段１６は、参照ベクトルを追加
することで、自己組織化ネットワークである認識手段１
３の構造を変化させ、同時にその学習データベース１７
の内容である参照ベクトルのデータ、参照ベクトルの属
するクラス（すなわち文字マーク）を追加変更する。

【００４９】この自己組織化ネットを用いた装置の特徴
として、入力された文字マークの学習した範囲を越える
小さな欠けや、傷などに大変敏感に反応することがあげ
られる。つまり、学習したデータから少しでも異なった
ものが入力されれば、出力値が大きく変化する。このた
め文字マークの欠けや傷などを調べる印字品質検査に適
したものとなっている。また、この構成による検査の結
果が、経験的に人間の検査基準に良く合致していること
もわかっている。

【００５０】図５により、ベクトル量子化学習手段１
５、参照ベクトル追加手段１６、学習データベース１７
の更に詳細な回路および動作を説明する。図４のベクト
ル量子化学習手段１５に対応するのは、第１選択手段１
５１、第２選択手段１５２、参照ベクトル更新手段１５
３、収束判定手段１５４、カウンタ１５５である。ま
た、参照ベクトル追加手段１６に対応するものは収束状
態監視手段１６１、ベクトル追加手段１６２である。ま
た、学習データベース１７は、教師データデータベース
１７１と参照ベクトルデータベース１７２とから構成さ
れている。

【００５１】学習の過程を図５により説明する。教師デ
ータデータベース１７１には、学習対象のマークを特定
する教師信号Ｔ₁ 、Ｔ₂ 、………、Ｔ_n と学習対象のマ
ークを表したＰ次元ベクトルＸ₁ 、Ｘ₂、………、Ｘ_n
とを組合せたものが予め記憶されている。教師信号発生
回路２０１によって、例えば文字Ａについて学習すべき
という指示として教師信号２０を発生し、教師データデ
ータベース１７１、第２選択手段１５２に与える。教師
データデータベース１７１は、学習対象Ａを表したＰ次
元ベクトルＸ₁ を発生して切替回路１３１を経て認識手
段１３に与える。切替回路１３１には通常は文字マーク
縮退手段から撮像手段３で読み取ったマークの画像デー
タをＰ次元ベクトルに変換した信号が与えられるが、学
習時には教師データデータベース１７１からのＰ次元教
師データベクトルを受けるよう切替えられる。

【００５２】一方、学習データベース１７の参照ベクト
ルデータベース１７２は、文字クラスＣ₁ 、Ｃ₂ 、……
…Ｃn とその文字クラスの参照ベクトルとしてＰ次元の
ベクトルＳ₁ 、Ｓ₂ 、………Ｓn とを含んでいて、例え
ば文字Ａについて学習する時には参照ベクトルＳ₁ 、Ｓ
₂ 、………Ｓn が認識手段１３に与えられてＡに対応す
る教師データ信号であるベクトルＸ₁ との距離計算が例
えば数１の式により行なわれる。

【００５３】第１選択手段１５１は、認識手段１３での
計算結果を受け取り、距離が最小となった参照ベクトル
Ｓm とその文字クラスＣm 距離が２番目に最小となった
参照ベクトルＣm₂とその文字クラスＣm₂を選択する。第
１選択手段１５１には、現在学習している文字の文字ク
ラスとその参照ベクトルが第２選択手段１５２から与え
られているので、学習すべき対象が文字Ａである場合は
そのことが判っている。つまり、正解が文字Ａであるこ
とを知っている。第２選択手段１５２は教師信号２０に
より学習対象の文字がＡであることを知り、参照ベクト
ルデータベース１７２の文字Ａに対応する文字クラスＣ
t とその参照ベクトルＳt を第１選択手段１５１に送
る。

【００５４】参照ベクトル更新手段１５３は、選択手段
１５１から学習対象の文字マークＡの教師データベクト
ルＸ₁ との距離が最小となった参照ベクトルＳm と距離
が２番目に最小となった参照ベクトルＳm₂を選択手段１
５１から受け取り、参照ベクトルＳm を教師データベク
トルＸ₁ に近付けるように、参照ベクトルＳm₂を教師デ
ータベクトルＸ₁ から遠ざけるように、夫々変更する。
この参照ベクトルの学習による更新は前述の数２の式に
従って図４のように行なわれる。参照ベクトルの更新の
結果は、学習データベース１７に送られ、参照ベクトル
データベース１７２は書き変えられる。

【００５５】学習によって参照ベクトルを変更させて
も、参照ベクトルが安定に収束しなかったり、収束が遅
れる場合は、参照ベクトルを追加して学習対象のマーク
に対応する参照ベクトルを複数個にする。

【００５６】収束判定手段１５４は、学習の結果につい
て判定を行なう。教師データベクトルＸ₁ との距離が最
小となった参照ベクトルＳm に対応する文字クラスＣm
が学習対象である文字マークＡではなく他の文字マーク
である場合には、文字マークＡについて学習しているに
もかかわらず他の文字マークであると誤判断したことに
なるので学習をやり直す。教師データベクトルＸ₁ との
距離が最小となった参照ベクトルＳm に対応する文字ク
ラスＣm が学習対象である文字マークＡに対応するもの
であっても、距離ｙがしきい値以上であるときは学習を
やり直す。カウンタ１５５は学習やり直し回数を計数す
る。学習のやり直し回数が一定値以上となったら強制学
習は終了させ異常終了とする。それ以外の場合は学習終
了とする。

【００５７】収束状態監視手段１６１はカウンタ１５５
の計数値や距離計算の結果ｙによって収束状態を監視し
て、収束が遅ければベクトル追加手段１６２を起動す
る。ベクトル追加手段１６２は収束の遅れている場合
は、教師データベクトルＸ₁に最も距離が近い参照ベク
トルＳm について新たな参照ベクトルＳ■mを追加し、
これを学習データベース１７に送る。これによって参照
ベクトルデータベース１７２に文字クラスＣm と参照ベ
クトルＳ■mの組合せが追加される。

【００５８】以上の学習期間中は判定手段１８は良否の
判定は行なわない。学習が終了すると、学習の為の手段
である第１選択手段１５１、第２選択手段１５２、参照
ベクトル更新手段１５３、収束判定手段１５４、カウン
タ１５５、収束状態監視手段１６１、ベクトル追加手段
１６２、教師信号発生回路２０１は切り離され、学習後
の参照ベクトルデータベース１７２を持つ学習データベ
ース１７、認識手段１３、判定手段１８によってマーク
の良否の判定が行なわれる。

【００５９】実施例２．上記実施例１では、文字マーク
縮退手段１２は、先ず画像信号を２値化し、それをメッ
シュ（ブロック）に分割した後、メッシュ内の特徴量を
計算するものであったが、メッシュ内の特徴量の計算に
ついては、２値化変換を要求しない計算方法を選択する
こともできる。例えば、特徴量として前記メッシュ内の
輝度平均値を正規化した値を計算してもよい。輝度平均
値を正規化するためには、濃淡画像の輝度分解能で輝度
平均値を割ればよい。濃淡画像の輝度を２値化せずに用
いることによって、２値化レベルの調整が不要となる
上、照明の変動や対象１の表面状態の微妙な変動に対し
て、出力が安定する利点が生じる。

【００６０】またメッシュ内の特徴量計算を行なう別の
方法として、特徴量としてメッシュ内の輝度分散値を正
規化した値を計算してもよい。輝度分散値は濃淡画像の
コントラスト変化、すなわち輝度を定数倍することによ
る変換に対して不変であるため、照明変動などに対して
出力が安定する。このような特徴量の計算は、同時に異
なった複数の種類の特徴量計算を行ない、それらの出力
に重みをつけて計算してもよい。

【００６１】図６はメッシュ内の特徴量計算を輝度平均
値や輝度分散値により行なう例を示すものであり、
（ａ）は２値化されていない画像データ信号を、（ｂ）
はそれをブロック（メッシュ）に分割した状態を、
（ｃ）はメッシュ内の特徴量の計算を輝度平均値で行な
った例を、（ｄ）はメッシュ内の特徴量の計算を輝度分
散値で行なった例を示す。また、文字マーク切り出し手
段１１は、２値画像に変換した後で文字マーク切り出し
処理を行なっているが、画像記憶手段１０に記憶された
濃淡画像を２値化画像に変換することなしに切り出しを
行なってもよい。例えば、特開平４−２９４４７６号公
報にみられるように、最小輝度値と最大輝度値を用いて
濃淡画像から直接文字マーク切り出しを行なう方法があ
る。

【００６２】実施例１では２値画像を用いた特徴量の計
算例、実施例２では濃淡画像を用いた特徴量の計算例を
示したが、これらを組み合わせて、最初に２値化画像で
切り出し位置データを計算した後に濃淡画像を用いて特
徴量の認識を行なってもよいし、最初に濃淡画像を用い
て切り出しを行なった後に２値化処理して２値の特徴量
の認識を行なってもよい。

【００６３】実施例３．上記実施例中の認識手段、学習
手段で用いた距離関数を、ベクトルの各成分の差の２乗
和とすることもできる。正規の距離計算は、この計算結
果の平方根であるが、平方根をもとめる計算時間は比較
的長く、本発明の様に距離計算を何度も反復して行なう
場合には、その計算時間の長さが大きく高速性を損ねる
結果になる。その意味で、この方法も実施例１で述べら
れた距離計算の例と同様に正規の距離計算にくらべ高速
に計算できるという利点がある。

【００６４】ベクトルの各成分の差の絶対値の和での距
離計算は式数３により、ベクトルの各成分の差の２乗和
での距離計算は式数４により、ベクトルの各成分の差の
２乗和の平方根による通常の距離計算は式数５により行
なう。

【００６５】

【数３】

【００６６】

【数４】

【００６７】

【数５】

【００６８】実施例４．上記実施例中の認識手段、学習
手段で用いた距離関数を、正規化相互相関とすることも
できる。正規化相互相関の計算方法を数６に示す。

【００６９】

【数６】

【００７０】ここで、Ｘe は成分がすべて１のベクトル
をＸの各成分の平均値倍したベクトルであり、Ｙe も同
様である。また（・，・）は内積であり、‖・‖はノル
ムを表わす。

【００７１】正規化相互相関を用いた場合、計算時間は
正規の距離計算を行なうより長くなるが、縮退データを
定数倍にする変換や縮退データに定数分のバイアスを加
える変換に対して計算結果が不変になるという大きな特
徴をもつ。縮退データを定数倍にする場合は、数６の
Ｘ，Ｘe ，Ｙ，Ｙe は全て定数倍されるので、定数倍の
効果は分子を分母で割算することによって相殺される。
また、定数分のバイアスはＸ，Ｘe ，Ｙ，Ｙe の全てに
加えられるので、差をとってＸ−Ｘe ，Ｙ−Ｙeとする
ことによりバイアスは打消される。この方法に加えて、
マーク縮退手段での特徴量の計算を輝度分散値で実現し
た場合には、濃淡画像にコントラスト変化があった場合
や、一定輝度レベルのバイアスがかかった場合でも出力
結果が不変になると言い換えることができる。このこと
は照明変動などに対してきわめて頑強なシステムが構成
できることを意味している。

【００７２】また同じ正規化相互相関を用いた濃淡テン
プレートマッチングという方法と比べても、濃淡テンプ
レートマッチングでは全画面を走査しながら各点で正規
化相互相関計算をするため、非常に計算時間がかかるの
に対し、本実施例では、あらかじめ切り出された文字の
画像に対して１回だけしか正規化相互相関計算を行なわ
ないので高速に実現できるという利点がある。

【００７３】実施例５．次に、この発明による文字マー
ク認識装置の印字品質の検査への適用について説明す
る。ここで、印字品質検査とは、文字マーク縮退手段１
２で吸収できない程度の図７（ａ）に示したような文字
マークの欠けや、同図（ｂ）に示したような傷などを検
出して不良品とするものである。印字品質を検査する際
は、最低出力値についてしきい値を設け、次の条件が満
たされれば、はじめて判定部は文字が認識できたとし、
そうでなければ不良とする。 最低出力値 ＜ しきい値

【００７４】もちろん、その後認識できた文字が、あら
かじめ設定されている文字マーク読取データと一致して
いるかを調べて良／不良の判定結果を出力することは言
うまでもない。学習ベクトル量子化法を基準とした本発
明では、学習した範囲に含まれないこの様な文字の傷や
欠けに敏感に反応して出力が変化するので、印字品質検
査などには本質的に向いており、検査結果は経験的に人
間の検査基準によく合致するという特徴を持っている。

【００７５】実施例６． 一方、ライン上で混入を検出する目的で混入検査に適用
する場合については、判定手段１８は距離が最小となっ
た参照ベクトルに対応するマークを読み取り結果として
強制的に出力するほうが都合がよい。この場合には、し
きい値との比較は行なわず、認識結果として最低出力値
に相当する文字を強制的に出力する。あるいは実施例５
で述べた方法を用い、そのしきい値としてかなり大きな
値を設定する。

【００７６】実施例７．また、上記実施例１〜６では、
判定手段１８による判定で文字マークの良品と不良品の
２つに判別する場合について述べたが、良品、不良品、
および判定保留の３つに判別するようにしてもよい。即
ち、認識手段１３を構成する自己組織化ネットワークの
最低出力値だけでなく、２番目に低い出力値も考慮し
て、以下の式の条件を満足しない場合、外部には判定保
留と出力するものである。 最低出力値−２番目に低い出力値＞０．５ これは最低出力値が他の出力値と比べてどれだけ突出し
ているかを示す尺度であり、最低出力値の信頼性を評価
するものである。

【００７７】実施例８．次に、マスク領域を用いた場合
の文字マーク認識装置の構成について説明する。図８
は、マスク領域設定手段が付加され、このときの文字マ
ーク縮退手段１２は、マスク領域内の文字マークに関す
るデータを出力しないように構成したものである。図９
に図６の文字マーク切出手段１１、文字マーク縮退手段
１２、マスク領域設定手段２４、マスク領域データベー
ス２５の部分を拡大したものを示す。

【００７８】問題となる近接した文字マークを例にとっ
て動作を説明する。近接した文字マークの例を図１０
（ａ）に示す。この様な文字マークを文字マーク切出手
段を工夫して図１０（ｂ）のごとく切出したとする。こ
れらは図１０（ｃ）のデータとして文字マーク縮退手段
１２に渡されるが、それぞれＡの右上部、Ｙの左下部に
お互いの文字マークが入り込んでしまっているため、こ
のまま縮退して認識部に送ると誤判定の原因をつくる。

【００７９】図８、図９の構成によると、文字マーク切
出手段１１は切出した文字マークデータ２８を文字マー
ク縮退手段１２に送る一方で、マスク設定手段２４は切
り出された文字マークデータ２８に対応するマスク領域
データ２９をマスク領域データベース２５より読みだ
し、文字マーク縮退手段１２に送る。文字マーク縮退手
段１２は、内部でマスク手段２６と、縮退手段２７で構
成されており、マスク手段２６は文字マークデータ２
８、マスクデータ２９を合成してマスク領域内では文字
マークが存在していないようにした文字マークデータ３
０を生成し、縮退手段２７に送る。縮退手段２７の出力
は文字マーク縮退手段１２の出力として認識手段１３に
送られる。この様にした結果、近接した文字マークの一
部などの認識に悪影響を与える部分を認識手段の入力前
に除去することができる。また図９の構成の変形とし
て、文字マーク縮退手段１２の内部で、最初に縮退手段
２７を用いて文字マークを縮退させ、次に縮退データに
対応したマスク領域データ２９を用いて、マスク手段２
６を適用することもできる。

【００８０】また、上記の様に文字マーク検査装置を構
成することによって、まず第１に教示するティーチング
データが減少するという利点が生じる。本発明の様にマ
スク領域を文字マーク縮退時に発生することができなけ
れば、図１０（ｃ）のＡと図１０（ｄ）のＡを両方Ａと
して教示しなければならず、ティーチングデータが増大
してしまう。縮退手段２７での特徴量の計算が、黒画素
数または白画素数の積算値による場合は、マスク手段２
６はマスクすべき領域は全部黒画素か白画素となるよう
に画素値の変換を行う。縮退手段２７での特徴量の計算
が、輝度平均値または輝度分散値により行なわれる場合
は、マスク手段２６はマスクすべき領域の輝度を背景輝
度と等しくなるように変換する。

【００８１】第２に、ネットワークの規模（ノード数、
コネクション数）を小さくすることが可能である。本発
明の様にマスク領域を設定できなければ、図１０（ｃ）
のＡと図１０（ｄ）のＡを両方Ａとして教示しなければ
ならなくなることを前に述べたが、この場合、本質的に
異なる画像に対して同じ出力が得られるようにネットワ
ークを学習させねばならない。このことを数ある文字マ
ークに対して実現するには学習能力の高い規模の大きな
ネットワークを用いる必要がある。ところが本発明の文
字マーク検査装置では図１０（ｃ）と図１０（ｄ）の画
像は、認識手段に入力する段には同じ画像となるため、
要求する学習能力が低くて済む。このためネットワーク
の規模が小さくできる。またネットの規模が小さくなれ
ば学習時間の大幅な減少、認識時間の減少などが２次的
な効果として現われる。

【００８２】実施例９．次に、文字マークセット判定手
段と文字マークセット毎に学習データを管理した学習デ
ータベースを備えた文字マーク認識装置について説明す
る。図１１は、文字マークセット判定手段３１が付加さ
れた文字マーク検査装置の一例である。次に、例をとっ
て動作を説明する。図１２は、２つの異なるメーカで種
類の異なるＩＣの文字マークを示したものである。これ
らのＩＣが同一基板上に実装されている場合に文字マー
ク検査することを考える。これら２つのＩＣの数字のフ
ォント（例えば図１２（ａ）の「２」と図１２（ｂ）
「２」）は異なるが、どちらのフォントに対しても、同
一の出力（前の例に対しては「２」）が出るように構成
するためには、学習能力の高い大きなネットワークを用
いる必要があった。しかし大きなネットワークを用いる
とネットワークの学習時間が飛躍的に増大し運用上、問
題が生じていた。

【００８３】図１１の構成によると、文字マークセット
判定手段３１は、例えば文字マーク切出手段１１から出
力される切出位置情報や、あるいは制御手段１９より出
力される、ＩＣ品種情報を入力として受取り、文字マー
クセットの判定をする。例えば図１２のマークセット１
はＩＣメーカの商標の図形マークの集合であり、これら
は切出位置情報を用いて判定する。また図１２のマーク
セット２、３は数字フォントの違いによる文字マークの
集合であり、これらは制御手段１９より出力されるＩＣ
の種類の情報から判定する。

【００８４】文字マークセット判定手段３１は、以上に
挙げた情報などから文字マークセットを判定し、認識手
段１３にその結果を出力する。認識手段１３は、その判
定結果をキーにして認識に用いる学習データを学習デー
タベース１７より読みだす。このとき、学習データベー
ス１７は文字マークセットごとに管理されているため、
読み出すデータ量は少なくてすむ。

【００８５】この文字マーク認識装置では、検査対象で
ある文字マークを文字マークセットごとに分割して認識
するので、ネットワークに設定する学習データが１文字
文字マークセット分だけとなる。この結果、学習時も、
１度に学習するデータの単位が大幅に削減されるため１
回の学習時間が減少する。本発明の場合、全体の学習時
間は１回の学習時間に文字マークセット数を乗じたもの
となるが、この時間は文字の種類を分割せずに大規模な
ネットワークで学習させたときと比較しても大変短いも
のとなっている。さらにネットワークに設定する学習デ
ータ量が少なくなっているため、学習能力の低い小規模
のネットワークで検査装置が構成でき、このことでも学
習時間の減少、認識時間の減少が可能となる。

【００８６】実施例１０．また、上記各実施例では、検
査対象１の表面に照明手段２より光を照射し、その反射
光を撮像手段３で撮像するものを示したが、図１３に示
すように、透明な文字マークを持つ検査対象１の裏面よ
り光を照射し、その透過光を撮像手段３で撮像するよう
にしてもよい。これにより、液晶によって表示される文
字マークの検査を行なうことなどが可能となる。なお、
基本的な動作は上記各実施例と同様である。

【００８７】実施例１１．また、上記各実施例では、学
習手段１４を装置に具備していたが、認識のみに使用す
る場合には一旦学習データベース１７を作成した後に、
学習手段を省くことができる。この際でも、新たに学習
が必要な場合には、学習手段１４を接続して学習を実行
すればよい。この様に認識使用時に学習手段１４を省く
例を図１４に示す。このようにすることによって認識使
用時の装置規模を縮小できる効果がある。

【００８８】認識は、入力ベクトル信号と学習済の複数
の参照ベクトルとの距離を認識手段１３で計算し、最小
距離に対応する最低出力値としきい値とを比較し、次の
いづれかの式でマークの良否の判定を行なうことができ
る。 最低出力値＜しきい値 最低出力値−２番目に近い出力値＞０．５ マークの良否検出ではなく、マークの混入検出を行なう
ときは、最低出力値としきい値の比較は行なわず、最低
出力値に対応するマークを出力する。

【００８９】

【発明の効果】請求項１の発明は、マークを撮像した画
像から得た入力信号ベクトルとの距離を小さくするよ
う、読み方の分かっている教師データと複数の参照ベク
トルとの距離に応じて参照ベクトルを変更する学習を自
動的に行なうので、参照ベクトルと入力信号ベクトルと
の距離計算によってマークの良否を判定する場合のしき
い値の作成、調整が簡単となる。

【００９０】請求項２の発明の学習は、参照ベクトルを
変更することに加えて参照ベクトルを追加することによ
っても行なわれるので、学習の収速を速やかに行なうこ
とができる。

【００９１】請求項３の発明は、画像データをＰ個のブ
ロックに分割し、各ブロックの特徴量を計算し、特徴量
でもって各ブロックを代表するようしてＰ次元入力ベク
トル信号を得るので、画像データに含まれるノイズを吸
収してその影響を軽減することが出来る。また、各ブロ
ック内の画像パターンが特徴量によって単純化されるの
で学習が容易となる。

【００９２】請求項４の発明は、特徴量の計算をブロッ
ク内の白画素数または黒画素数の積算値により行なうの
で、計算量が少なく高速化ができる。請求項５の発明
は、特徴量の計算をブロック内の輝度の平均値または輝
度の分散値により行なうので画像の２値化処理が不要と
なる。また、照明が変動しても出力が安定する。

【００９３】請求項６の発明は、入力信号ベクトルと参
照ベクトルとの距離計算を、ベクトルの各成分の差の絶
対値の和、ベクトルの各成分の差の２乗和により行なう
ので計算量が少なくなり計算を高速に行なうことができ
る。また、ベクトルの正規化相互相関により行なうと画
像のコントラストの変動や直流分の変動等による影響を
排除することができる。

【００９４】請求項７の発明は、入力信号ベクトルと参
照ベクトルとの距離が最小となった最低出力としきい値
とを比較することによりマークの良否を判定できる。請
求項８の発明は、最小距離となった最低出力と２番目に
小さい距離となった出力との差をしきい値と比較してマ
ークの良否の判定を行なうので、最小の距離が他の距離
に比しどれだけ突出しているか評価することができる。

【００９５】請求項９の発明は、画像データのうち所定
領域をマスクして不感帯としたので、所望のマーク以外
の不要のマークが画像データに含まれていても除くこと
ができる。

【００９６】請求項１０の発明は、認識対象のマークを
複数のマークセット毎に分類しておき、撮像したマーク
がいづれのマークセットに属するものか判別したうえで
マークセット毎に設けられた参照ベクトルとの距離計算
および参照ベクトルの変更を行なうので、マークが多数
であっても学習手段の簡単化と学習時間の短縮を図るこ
とができる。

【００９７】請求項１１の発明は、代表的なベクトルで
既に学習済の参照ベクトルを用いてマークの良否判定を
行なうので、参照ベクトル更新手段や参照ベクトル追加
手段等の学習手段は不要であり、装置構成が簡単とな
る。

【００９８】請求項１２の発明は、代表的なベクトルに
対して学習済の参照ベクトルを用いて読み取ったマーク
を出力するので参照ベクトル更新手段や参照ベクトル追
加手段等の学習手段は不要であり、装置構成が簡単にな
る。また、読み取ったマークを出力するので混入検査に
向いている。

【００９９】請求項１３の発明は、文字マークを認識で
きる。請求項１４の発明は、透過光を撮像するので透明
なマークも認識できる。

【０１００】請求項１５の発明は、先ず読み方の分かっ
ている教師データと複数の参照ベクトルとの距離計算の
結果に応じて参照ベクトルを変更して学習する。次に学
習済の参照ベクトルを使ってマークの良否の判定を行な
う。読み方の分かっている教師データと複数の参照ベク
トルとの距離に応じて参照ベクトルを変更して学習を行
なうので、良否判定の為のしきい値の作成、調整が簡単
になる。

【図面の簡単な説明】

【図１】 この発明の実施例１を示すブロック図であ
る。

【図２】 上記実施例におけるマークの縮退手段の一例
を示す説明図である。

【図３】 この発明のマーク認識装置の一部である学習
手段に含まれる自己組織化ネットワークの１例を示す説
明図である。

【図４】 この発明の認識装置の学習手段における参照
ベクトルを変更する学習方法の１例を示す説明図であ
る。

【図５】 この発明のマーク認識装置の一部を構成する
学習手段の詳細を示す説明図である。

【図６】 この発明のマーク認識装置の一部を構成する
マーク縮退手段の動作説明図である。

【図７】 この発明のマーク認識装置で良否判定される
文字マークの不良の一例を示す説明図である。

【図８】 この発明の他の一実施例を示すブロック図で
ある。

【図９】 図８における文字マーク切出手段、文字マー
ク縮退手段、マスク領域設定手段、マスク領域データベ
ースの部分を抽出したブロック図である。

【図１０】 図８の実施例における近接した文字マーク
の一例を示す説明図である。

【図１１】 この発明の更に他の実施例を示すブロック
図である。

【図１２】 図１１の実施例における文字マークセット
の一例を示した図である。

【図１３】 この発明の他の一実施例を示すブロック図
である。

【図１４】 この発明の他の一実施例を示すブロック図
である。

【図１５】 従来の文字マーク認識装置を示すブロック
図である。

【図１６】 従来の文字マーク認識の概念を示す説明図
である。

【符号の説明】

１ 検査対象、３ 撮像手段、１０ 画像記憶手段 １１ 文字マーク切出手段、１２ 文字マーク縮退手
段、１３ 認識手段 １４ 学習手段、１５ ベクトル量子化学習手段、１６
参照ベクトル追加手段、１７ 学習データベース、１
８ 判定手段、１９ 制御手段 ２０ 教師信号、２１ 入力Ｐ次元ベクトル、２２ 参
照ベクトル ２４ マスク領域設定手段 ２５ マスク領域データベース、３１ 文字マークセッ
ト判定手段、１２１ブロック分割回路 １２２ 特徴量
計算手段

───────────────────────────────────────────────────── フロントページの続き (56)参考文献 特開 平５−12449（ＪＰ，Ａ) 特開 平２−268388（ＪＰ，Ａ) 特開 平４−77888（ＪＰ，Ａ) 特開 平２−17588（ＪＰ，Ａ) 特開 平５−6346（ＪＰ，Ａ) 特開 平７−225836（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁷，ＤＢ名) G01N 21/84 - 21/958 G06K 9/62 - 9/82 G06T 7/00 - 7/60

Claims (15)

(57)【特許請求の範囲】
1. 【請求項１】 対象に記されたマークを撮像して画像デ
   ータを得る撮像手段と、前記画像データに基づいて入力
   信号ベクトルを発生する手段と、複数の参照ベクトルを
   保持するデータベースと、前記データベースに保持され
   た複数の参照ベクトルと前記入力信号ベクトルまたは読
   み方の分かっている教師データとの距離を計算する距離
   計算手段と、前記距離計算手段から出力される教師デー
   タと複数の参照ベクトルとの距離に応じて前記データベ
   ースに保持された参照ベクトルの更新を判定し、前記参
   照ベクトルを変更する学習手段と、前記距離計算手段か
   ら出力される入力信号ベクトルと前記データベースに保
   持された複数の参照ベクトルとの距離をしきい値と比較
   してマークの良否を判定する判定手段とを備えたマーク
   認識装置。
2. 【請求項２】 対象に記されたマークを撮像して画像デ
   ータを得る撮像手段と、前記画像データに基づいて入力
   信号ベクトルを発生する手段と、複数の参照ベクトルを
   保持するデータベースと、前記データベースに保持され
   た複数の参照ベクトルと前記入力信号ベクトルまたは読
   み方の分かっている教師データとの距離を計算する距離
   計算手段と、前記距離計算手段から出力される教師デー
   タと複数の参照ベクトルとの距離に応じて前記データベ
   ースに保持された前記参照ベクトルの更新を判定し、前
   記参照ベクトルを変更すると共に、学習の収束が遅い場
   合、前記データベースに参照ベクトルを追加する学習手
   段と、前記距離計算手段から出力される入力信号ベクト
   ルと前記データベースに保持された複数の参照ベクトル
   との距離をしきい値と比較してマークの良否を判定する
   判定手段とを備えたマーク認識装置。
3. 【請求項３】 画像データに基づいて入力信号ベクトル
   を発生する手段が、画像データをＰ個（Ｐは２以上の整
   数）のブロックに分割し、各ブロックの特徴量を計算す
   るマーク縮退手段によりＰ次元ベクトルを発生する請求
   項１または請求項２に記載のマーク認識装置。
4. 【請求項４】 縮退手段がブロック内の白画素数または
   黒画素数の積算値により特徴量を計算する請求項３記載
   のマーク認識装置。
5. 【請求項５】 縮退手段がブロック内の輝度平均値また
   は輝度分散値により特徴量を計算する請求項３記載のマ
   ーク認識装置。
6. 【請求項６】 距離計算手段がベクトルの各成分の差の
   絶対値の和、ベクトルの各成分の差の２乗和またはベク
   トルの正規化相互相関により距離計算を行なう請求項１
   または請求項２記載のマーク認識装置。
7. 【請求項７】 判定手段が、最小距離としきい値とを比
   較する請求項１または請求項２に記載のマーク認識装
   置。
8. 【請求項８】 判定手段が、最小距離と２番目に小さい
   距離との差をしきい値と比較する請求項１または請求項
   ２に記載のマーク認識装置。
9. 【請求項９】 画像データに基づいて入力信号ベクトル
   を発生する手段が、画像データの所定領域の画素につい
   ては全部白画素または黒画素に変換するマスク手段と、
   マスク手段で変換された画像データをＰ個（Ｐは２以上
   の整数）のブロックに分割し、各ブロックの特徴量を計
   算するマーク縮退手段とによりＰ次元ベクトルを発生す
   る請求項１または請求項２記載のマーク認識装置。
10. 【請求項１０】 複数のマークセットのいづれかに属す
    るマークを撮像して画像データを得る撮像手段と、撮像
    したマークがいづれのマークセットに属するものか判別
    するマークセット判定手段と、画像データに基づいて入
    力信号ベクトルを発生する手段と、複数のマーク集合毎
    に分類された複数の参照ベクトルを保持するデータベー
    スと、前記入力信号ベクトルと前記データベースに保持
    された前記マークセット判定手段が判別したマークセッ
    トの参照ベクトルとの距離、または読み方が分かってい
    る教師データと前記データベースに保持された前記教師
    データが属するマークセットの参照ベクトルとの距離を
    計算する距離計算手段と、前記距離計算手段から出力さ
    れる教師データと参照ベクトルとの距離に応じて前記デ
    ータベースに保持された前記教師データが属するマーク
    セットの参照ベクトルの更新を判定し、前記参照ベクト
    ルを変更する学習手段と、前記距離計算手段から出力さ
    れる入力信号ベクトルと前記データベースに保持された
    前記マークセット判定手段が判別したマークセットの参
    照ベクトルとの距離をしきい値と比較してマークの良否
    を判定する判定手段とを備えたマーク認識装置。
11. 【請求項１１】 対象に記されたマークを撮像して画像
    データを得る撮像手段と、前記画像データに基づいて入
    力信号ベクトルを発生する手段と、代表的なベクトルに
    対して学習済の複数の参照ベクトルを保持するデータベ
    ースと、前記データベースに保持された複数の参照ベク
    トルと前記入力信号ベクトルとの距離を計算する距離計
    算手段と、この距離計算手段で得られた距離をしきい値
    と比較してマークの良否を判定する手段とを備え、読み
    方の分かっている教師データと複数の参照ベクトルとの
    距離に応じて前記データベースに保持された参照ベクト
    ルの更新を判定し、前記参照ベクトルを変更する学習手
    段、または読み方の分かっている教師データと複数の参
    照ベクトルとの距離に応じてデータベースに保持された
    参照ベクトルの更新を判定し、参照ベクトルを変更する
    と共に、学習の収束が遅い場合、データベースに参照ベ
    クトルを追加する学習手段と接続可能なマーク認識装
    置。
12. 【請求項１２】 対象に記されたマークを撮像して画像
    データを得る撮像手段と、前記画像データに基づいて入
    力信号ベクトルを発生する手段と、代表的なベクトルに
    対して学習済の複数の参照ベクトルを保持するデータベ
    ースと、前記データベースに保持された複数の参照ベク
    トルと前記入力信号ベクトルとの距離を計算する距離計
    算手段と、最小距離となった参照ベクトルに対応するマ
    ークを出力する判定手段とを備え、読み方の分かってい
    る教師データと複数の参照ベクトルとの距離に応じて前
    記データベースに保持された参照ベクトルの更新を判定
    し、前記参照ベクトルを変更する学習手段、または読み
    方の分かっている教師データと複数の参照ベクトルとの
    距離に応じてデータベースに保持された参照ベクトルの
    更新を判定し、参照ベクトルを変更すると共に、学習の
    収束が遅い場合、データベースに参照ベクトルを追加す
    る学習手段と接続可能なマーク認識装置。
13. 【請求項１３】 マークが文字マークである請求項１、
    請求項２、請求項１０、請求項１１または請求項１２の
    いづれかに記載のマーク認識装置。
14. 【請求項１４】 撮像手段が透明なマークを透過した光
    の像を撮像するものである請求項１ないし請求項１２の
    いづれかに記載のマーク認識装置。
15. 【請求項１５】 対象に記されたマークを撮像して画像
    データを得る第１ステップと、前記画像データに基づい
    て入力信号ベクトルを発生する第２ステップと、読み方
    の分かっている教師データと複数の参照ベクトルとの距
    離を計算する第３ステップと、第３ステップで得られた
    前記距離に応じて前記参照ベクトルの更新を判定し、前
    記参照ベクトルを変更する第４ステップと、変更した複
    数の参照ベクトルと前記入力信号ベクトルとの距離を計
    算する第５ステップと、第５ステップで得られた前記距
    離をしきい値と比較してマークの良否を判定する第６ス
    テップとを備えたマーク認識方法。