JP3324726B2 - 画像認識装置 - Google Patents
画像認識装置Info
- Publication number
- JP3324726B2 JP3324726B2 JP23078796A JP23078796A JP3324726B2 JP 3324726 B2 JP3324726 B2 JP 3324726B2 JP 23078796 A JP23078796 A JP 23078796A JP 23078796 A JP23078796 A JP 23078796A JP 3324726 B2 JP3324726 B2 JP 3324726B2
- Authority
- JP
- Japan
- Prior art keywords
- input
- unit
- layer
- image recognition
- image
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Description
【０００１】
【発明の属する技術分野】本発明の画像認識装置は、入
力層、中間層、および出力層が階層化されて成る多層型
ニューラルネットワークを用いて、入力された画像情報
の認識を実行する画像認識装置に関し、特に、照明変動
を補正するための濃度検出ユニットを備えた画像認識装
置に関する。
力層、中間層、および出力層が階層化されて成る多層型
ニューラルネットワークを用いて、入力された画像情報
の認識を実行する画像認識装置に関し、特に、照明変動
を補正するための濃度検出ユニットを備えた画像認識装
置に関する。
【０００２】
【従来の技術】従来この種の画像認識装置９として、例
えば、図４に示すようなものがある。光学的に照明され
た対象物体１からの光学画像情報は、入力手段２に装置
された画像入力部２ｂによって画像情報として電気信号
に変換された後、画像処理を行う画素数を低減するため
に１２×１２画素程度のモザイク処理が行われていた。
えば、図４に示すようなものがある。光学的に照明され
た対象物体１からの光学画像情報は、入力手段２に装置
された画像入力部２ｂによって画像情報として電気信号
に変換された後、画像処理を行う画素数を低減するため
に１２×１２画素程度のモザイク処理が行われていた。
【０００３】さらに識別に必要な特徴の抽出精度を確保
するために、入力手段２に装置された前処理部２ｃが、
光学的に入力された原画像情報に対していくつかの前処
理を予め実行していた。前処理として、具体的には、白
黒２５６階調程度の、所謂、階調の正規化を予め実行し
ていた。
するために、入力手段２に装置された前処理部２ｃが、
光学的に入力された原画像情報に対していくつかの前処
理を予め実行していた。前処理として、具体的には、白
黒２５６階調程度の、所謂、階調の正規化を予め実行し
ていた。
【０００４】前処理をされた画像情報は、入力手段２に
装置されたディレイライン２ｄを介して画像認識手段
（則ち、ニューラルネットワーク）３に入力されてい
た。画像認識手段（則ち、ニューラルネットワーク）３
においては、入力層３ａを構成する各ユニットは、中間
層３ｂを構成する全ユニットについて予め学習された重
みによって当該全ユニットの各々と結合されており、さ
らに、中間層３ｂを構成する各ユニットは、出力層３ｃ
を構成する全ユニットについて予め学習された重みによ
って当該全ユニットの各々と結合されていた。
装置されたディレイライン２ｄを介して画像認識手段
（則ち、ニューラルネットワーク）３に入力されてい
た。画像認識手段（則ち、ニューラルネットワーク）３
においては、入力層３ａを構成する各ユニットは、中間
層３ｂを構成する全ユニットについて予め学習された重
みによって当該全ユニットの各々と結合されており、さ
らに、中間層３ｂを構成する各ユニットは、出力層３ｃ
を構成する全ユニットについて予め学習された重みによ
って当該全ユニットの各々と結合されていた。
【０００５】このような構成の画像認識手段（則ち、ニ
ューラルネットワーク）３は、バックプロパゲーション
等の学習規則を用いて予め教示学習されている各層間の
重みと、所定の演算とに従って、入力されたモザイク化
画像情報の認識を実行していた。
ューラルネットワーク）３は、バックプロパゲーション
等の学習規則を用いて予め教示学習されている各層間の
重みと、所定の演算とに従って、入力されたモザイク化
画像情報の認識を実行していた。
【０００６】
【発明が解決しようとする課題】しかしながら、このよ
うな従来の画像認識手段３では、識別に必要な特徴の抽
出精度を確保するために、原画像情報に対して階調の正
規化等の前処理を予め実行する必要があるため処理時間
がかかり、実時間で高精度の画像識別を行うためには、
高速な画像認識手段や高速・高精度な撮像装置が要求さ
れるという問題点があった。
うな従来の画像認識手段３では、識別に必要な特徴の抽
出精度を確保するために、原画像情報に対して階調の正
規化等の前処理を予め実行する必要があるため処理時間
がかかり、実時間で高精度の画像識別を行うためには、
高速な画像認識手段や高速・高精度な撮像装置が要求さ
れるという問題点があった。
【０００７】また、階調処理等の前処理をされた画像情
報やモザイク化画像情報のような濃淡画像情報から特徴
を抽出する手法は、対象物体の照明条件に強く依存する
ため、照明変動に弱いという問題点があった。本発明
は、このような従来の問題点に着目してなされたもの
で、階調処理等の前処理をされた画像情報に代えてビデ
オ信号情報を入力層に入力される入力画像情報として用
いる方式を採用するとともに、画像入力時の照明の変動
を補正するための単一の濃度検出ユニットを入力層と中
間層との間に設けることによって、画像識別に必要な特
徴の抽出精度を照明変動にかかわらず確保できるととも
に、高い認識精度でかつ実時間で画像識別が可能な、装
置コストの低い画像認識装置を提供することを目的とし
ている。
報やモザイク化画像情報のような濃淡画像情報から特徴
を抽出する手法は、対象物体の照明条件に強く依存する
ため、照明変動に弱いという問題点があった。本発明
は、このような従来の問題点に着目してなされたもの
で、階調処理等の前処理をされた画像情報に代えてビデ
オ信号情報を入力層に入力される入力画像情報として用
いる方式を採用するとともに、画像入力時の照明の変動
を補正するための単一の濃度検出ユニットを入力層と中
間層との間に設けることによって、画像識別に必要な特
徴の抽出精度を照明変動にかかわらず確保できるととも
に、高い認識精度でかつ実時間で画像識別が可能な、装
置コストの低い画像認識装置を提供することを目的とし
ている。
【０００８】
【課題を解決するための手段】かかる目的を達成するた
めの要旨とするところは、以下の各項に存する。 ［１］項 入力層２２、中間層２３、および出力層２４が階層化さ
れて成る多層型ニューラルネットワークを画像認識手段
２０として用いて、入力された画像情報の認識を実行す
る画像認識装置１０において、前記入力層２２と前記中
間層２３との間に、画像情報入力時の照明の変動を補正
するため、前記中間層２３を構成する各ユニットについ
て予め学習された重みによって当該各ユニットと各々結
合されるとともに、前記入力層２２を構成する各ユニッ
トについて予め学習された重みによって当該各ユニット
と各々結合されて成る単一の濃度検出ユニット２５を設
け、前記中間層２３は、前記単一の濃度検出ユニット２
５からの出力の変化に応じて、自己の増幅率を可変する
ことにより、前記照明の変動を補正することを特徴とす
る画像認識装置１０。
めの要旨とするところは、以下の各項に存する。 ［１］項 入力層２２、中間層２３、および出力層２４が階層化さ
れて成る多層型ニューラルネットワークを画像認識手段
２０として用いて、入力された画像情報の認識を実行す
る画像認識装置１０において、前記入力層２２と前記中
間層２３との間に、画像情報入力時の照明の変動を補正
するため、前記中間層２３を構成する各ユニットについ
て予め学習された重みによって当該各ユニットと各々結
合されるとともに、前記入力層２２を構成する各ユニッ
トについて予め学習された重みによって当該各ユニット
と各々結合されて成る単一の濃度検出ユニット２５を設
け、前記中間層２３は、前記単一の濃度検出ユニット２
５からの出力の変化に応じて、自己の増幅率を可変する
ことにより、前記照明の変動を補正することを特徴とす
る画像認識装置１０。
【０００９】
【００１０】［２］項 前記入力層２２を構成する各ユニットは、前記中間層２
３を構成する全ユニットについて予め学習された重みに
よって当該全ユニットの各々と結合されて成り、さら
に、前記中間層２３を構成する各ユニットは、前記出力
層２４を構成する全ユニットについて予め学習された重
みによって当該全ユニットの各々と結合されて成ること
を特徴とする［１］項に記載の画像認識装置１０。
３を構成する全ユニットについて予め学習された重みに
よって当該全ユニットの各々と結合されて成り、さら
に、前記中間層２３を構成する各ユニットは、前記出力
層２４を構成する全ユニットについて予め学習された重
みによって当該全ユニットの各々と結合されて成ること
を特徴とする［１］項に記載の画像認識装置１０。
【００１１】［３］項 前記単一の濃度検出ユニット２５の入出力関数は、シグ
モイド関数２５Ａであることを特徴とする［１］項〜
［２］項に記載の画像認識装置１０。
モイド関数２５Ａであることを特徴とする［１］項〜
［２］項に記載の画像認識装置１０。
【００１２】［４］項 前記単一の濃度検出ユニット２５と前記中間層２３を構
成する各ユニット間の重み、または、前記単一の濃度検
出ユニット２５と前記入力層２２を構成する各ユニット
間の重みは、前記シグモイド関数２５Ａへの入力値が所
定の範囲内に収まるように予め学習されることを特徴と
する［１］項〜［３］項に記載の画像認識装置１０。
成する各ユニット間の重み、または、前記単一の濃度検
出ユニット２５と前記入力層２２を構成する各ユニット
間の重みは、前記シグモイド関数２５Ａへの入力値が所
定の範囲内に収まるように予め学習されることを特徴と
する［１］項〜［３］項に記載の画像認識装置１０。
【００１３】［６］項 前記中間層２３は、前記単一の濃度検出ユニット２５か
らの出力の変化に応じて、自己の増幅率を可変すること
により、前記照明変動を補正することができる、ことを
特徴とする［１］項〜［５］項に記載の画像認識装置１
０。
らの出力の変化に応じて、自己の増幅率を可変すること
により、前記照明変動を補正することができる、ことを
特徴とする［１］項〜［５］項に記載の画像認識装置１
０。
【００１４】
【発明の実施の形態】以下、図面に基づき本発明の実施
の形態を説明する。図１は本発明の実施の形態にかかる
画像認識装置１０を示す機能ブロック図である。図２は
本発明の実施の形態にかかる単一の濃度検出ユニット２
５の入出力関数（シグモイド関数２５Ａ）の特性を示す
グラフである。図３は本発明の実施の形態にかかる単一
の濃度検出ユニット２５の出力値と画像階調値との関係
を示すグラフである。
の形態を説明する。図１は本発明の実施の形態にかかる
画像認識装置１０を示す機能ブロック図である。図２は
本発明の実施の形態にかかる単一の濃度検出ユニット２
５の入出力関数（シグモイド関数２５Ａ）の特性を示す
グラフである。図３は本発明の実施の形態にかかる単一
の濃度検出ユニット２５の出力値と画像階調値との関係
を示すグラフである。
【００１５】始めに、発明の実施の形態の画像認識装置
１０の構成を説明する。本発明の実施の形態の画像認識
装置１０は、入力層２２、中間層２３、および出力層２
４が階層化されて成る多層型ニューラルネットワークを
画像認識手段２０として用いて、入力された画像情報の
認識を実行する装置において、図１に示すように、対象
物体１１の光学的な画像情報を読み取って電気的な入力
画像情報に変換するための入力手段３０と、入力画像情
報に対して画像情報の認識を実行して対象物体１１の識
別を実行することができる画像認識手段２０とを備えて
成る。
１０の構成を説明する。本発明の実施の形態の画像認識
装置１０は、入力層２２、中間層２３、および出力層２
４が階層化されて成る多層型ニューラルネットワークを
画像認識手段２０として用いて、入力された画像情報の
認識を実行する装置において、図１に示すように、対象
物体１１の光学的な画像情報を読み取って電気的な入力
画像情報に変換するための入力手段３０と、入力画像情
報に対して画像情報の認識を実行して対象物体１１の識
別を実行することができる画像認識手段２０とを備えて
成る。
【００１６】対象物体１１は光学的な照明手段（図示せ
ず）によって、照明が施されている。入力手段３０に装
置された光学レンズ系３１は、照明された対象物体１１
の光学画像情報を次段の画像入力部３４上にフォーカシ
ングするためのものである。
ず）によって、照明が施されている。入力手段３０に装
置された光学レンズ系３１は、照明された対象物体１１
の光学画像情報を次段の画像入力部３４上にフォーカシ
ングするためのものである。
【００１７】光学レンズ系３１の後段に装置された画像
入力部３４は、対象物体１１の光学画像情報を電気的な
入力画像情報に変換するものである。具体的には、１２
×１２＝１４４画素を有するＣＣＤエリアセンサのよう
な光電変換デバイスを用いている。
入力部３４は、対象物体１１の光学画像情報を電気的な
入力画像情報に変換するものである。具体的には、１２
×１２＝１４４画素を有するＣＣＤエリアセンサのよう
な光電変換デバイスを用いている。
【００１８】画像入力部３４の後段に装置された信号増
幅処理部（具体的には、ビデオアンプ）３２は、画像入
力部３４が生成した画像情報を電気的に増幅するビデオ
信号増幅処理を実行してビデオ信号情報を生成するもの
である。本発明の実施の形態の画像入力部３４は、具体
的には、ビデオアンプ等の画像入力用の電子回路および
入力された画像情報の画像処理を実行するためのコンピ
ュータハードウェア等でその主要部を実現することがで
きる。
幅処理部（具体的には、ビデオアンプ）３２は、画像入
力部３４が生成した画像情報を電気的に増幅するビデオ
信号増幅処理を実行してビデオ信号情報を生成するもの
である。本発明の実施の形態の画像入力部３４は、具体
的には、ビデオアンプ等の画像入力用の電子回路および
入力された画像情報の画像処理を実行するためのコンピ
ュータハードウェア等でその主要部を実現することがで
きる。
【００１９】ディレイライン３３は、シリアル伝送され
てきたビデオ信号情報をパラレル変換して、画像認識手
段（多層型ニューラルネットワーク）２０の入力層２２
の各ユニットに伝送するものである。本発明の実施の形
態のディレイライン３３は、具体的には、半導体ＩＣで
実現することができる。
てきたビデオ信号情報をパラレル変換して、画像認識手
段（多層型ニューラルネットワーク）２０の入力層２２
の各ユニットに伝送するものである。本発明の実施の形
態のディレイライン３３は、具体的には、半導体ＩＣで
実現することができる。
【００２０】次に、発明の実施の形態の画像認識手段
（多層型ニューラルネットワーク）２０の構成を説明す
る。本発明の実施の形態の画像認識手段（多層型ニュー
ラルネットワーク）２０は、バックプロパゲーション等
の学習規則を用いて予め教示学習されている各層間の重
みと、所定の演算（則ち、ニューロ演算）とに従って、
入力された画像情報の認識を実行するものにおいて、図
１に示すように、入力層２２と単一の濃度検出ユニット
２５と中間層２３と出力層２４とから構成されている。
（多層型ニューラルネットワーク）２０の構成を説明す
る。本発明の実施の形態の画像認識手段（多層型ニュー
ラルネットワーク）２０は、バックプロパゲーション等
の学習規則を用いて予め教示学習されている各層間の重
みと、所定の演算（則ち、ニューロ演算）とに従って、
入力された画像情報の認識を実行するものにおいて、図
１に示すように、入力層２２と単一の濃度検出ユニット
２５と中間層２３と出力層２４とから構成されている。
【００２１】本発明の実施の形態の画像認識手段（多層
型ニューラルネットワーク）２０は、具体的には、コン
ピュータ上でのプログラムによって達成することができ
る。入力層２２を構成する各ユニットは、中間層２３を
構成する全ユニットについて予め学習された重みによっ
て当該中間層２３の全ユニットの各々と結合されて成
る。
型ニューラルネットワーク）２０は、具体的には、コン
ピュータ上でのプログラムによって達成することができ
る。入力層２２を構成する各ユニットは、中間層２３を
構成する全ユニットについて予め学習された重みによっ
て当該中間層２３の全ユニットの各々と結合されて成
る。
【００２２】入力層２２を構成するユニット数は、画像
入力部３４の画素数（則ち、１２×１２＝１４４）と同
数だけ設けられている。本発明の実施の形態では、１４
４ユニットに設定している。入力層２２に入力される入
力画像情報は、所定の画素数（具体的には、１２×１２
＝１４４）を用いたビデオ信号情報である。
入力部３４の画素数（則ち、１２×１２＝１４４）と同
数だけ設けられている。本発明の実施の形態では、１４
４ユニットに設定している。入力層２２に入力される入
力画像情報は、所定の画素数（具体的には、１２×１２
＝１４４）を用いたビデオ信号情報である。
【００２３】中間層２３を構成する各ユニットは、出力
層２４を構成する全ユニットについて予め学習された重
みによって当該全ユニットの各々と結合されて成る。中
間層２３を構成するユニット数は、可変とすることがで
きるが、本発明の実施の形態では、３５ユニットに設定
している。
層２４を構成する全ユニットについて予め学習された重
みによって当該全ユニットの各々と結合されて成る。中
間層２３を構成するユニット数は、可変とすることがで
きるが、本発明の実施の形態では、３５ユニットに設定
している。
【００２４】出力層２４を構成する各ユニットは、中間
層２３を構成する全ユニットについて予め学習された重
みによって当該全ユニットの各々と結合されて成る。出
力層２４を構成するユニット数は、識別したい対象物体
１１の種類数だけ設けられている。本発明の実施の形態
では、硬貨の判定等に応用可能なように、１２ユニット
程度に設定している。
層２３を構成する全ユニットについて予め学習された重
みによって当該全ユニットの各々と結合されて成る。出
力層２４を構成するユニット数は、識別したい対象物体
１１の種類数だけ設けられている。本発明の実施の形態
では、硬貨の判定等に応用可能なように、１２ユニット
程度に設定している。
【００２５】画像情報入力時の照明の変動を補正するた
めの単一の濃度検出ユニット２５は、入力層２２と中間
層２３との間に設けられて成る。単一の濃度検出ユニッ
ト２５は、中間層２３を構成する各ユニットについて予
め学習された重みによって当該中間層２３の各ユニット
と各々結合されるとともに、入力層２２を構成する各ユ
ニットについて予め学習された重みによって当該入力層
２２の各ユニットと各々結合されて成る。
めの単一の濃度検出ユニット２５は、入力層２２と中間
層２３との間に設けられて成る。単一の濃度検出ユニッ
ト２５は、中間層２３を構成する各ユニットについて予
め学習された重みによって当該中間層２３の各ユニット
と各々結合されるとともに、入力層２２を構成する各ユ
ニットについて予め学習された重みによって当該入力層
２２の各ユニットと各々結合されて成る。
【００２６】具体的には、単一の濃度検出ユニット２５
が、中間層２３を構成する各ユニットについて予め学習
された重みによって当該中間層２３の各ユニットと各々
結合されるとともに、入力層２２を構成する各ユニット
について予め学習された重みによって当該入力層２２の
各ユニットと各々結合されて成る。
が、中間層２３を構成する各ユニットについて予め学習
された重みによって当該中間層２３の各ユニットと各々
結合されるとともに、入力層２２を構成する各ユニット
について予め学習された重みによって当該入力層２２の
各ユニットと各々結合されて成る。
【００２７】また、単一の濃度検出ユニット２５の入出
力関数として、図２に示すようなシグモイド関数２５Ａ
を用いている。次に、発明の実施の形態の動作を説明す
る。初めに、発明の実施の形態の画像認識装置１０の動
作を説明する。
力関数として、図２に示すようなシグモイド関数２５Ａ
を用いている。次に、発明の実施の形態の動作を説明す
る。初めに、発明の実施の形態の画像認識装置１０の動
作を説明する。
【００２８】本発明の実施の形態の画像認識装置１０
は、入力層２２、中間層２３、および出力層２４が階層
化されて成る多層型ニューラルネットワークを画像認識
手段２０として用いて、入力された画像情報の認識を実
行することができる。多層型ニューラルネットワーク
は、高等な動物の神経回路網の仕組みを模倣し、情報処
理を行うことができる。多層型ニューラルネットワーク
２０を利用したアプリケーションの特徴として、学習済
みのネットワークは、複雑な計算なしで、出力を得るこ
とができる。
は、入力層２２、中間層２３、および出力層２４が階層
化されて成る多層型ニューラルネットワークを画像認識
手段２０として用いて、入力された画像情報の認識を実
行することができる。多層型ニューラルネットワーク
は、高等な動物の神経回路網の仕組みを模倣し、情報処
理を行うことができる。多層型ニューラルネットワーク
２０を利用したアプリケーションの特徴として、学習済
みのネットワークは、複雑な計算なしで、出力を得るこ
とができる。
【００２９】画像情報の認識とは、与えられた入力され
た画像情報から識別に必要な特徴を抽出し、その特徴か
ら物体を与えられたカテゴリーに割り当てることであ
る。各カテゴリーは、出力層２４の各ユニットに対応し
ている。通常、カテゴリーの数と同数のユニットが出力
層２４に設定されている。カテゴリーの割り当て結果
は、出力層２４のどのユニットが興奮状態になっている
かを検出することによって、知ることができる。
た画像情報から識別に必要な特徴を抽出し、その特徴か
ら物体を与えられたカテゴリーに割り当てることであ
る。各カテゴリーは、出力層２４の各ユニットに対応し
ている。通常、カテゴリーの数と同数のユニットが出力
層２４に設定されている。カテゴリーの割り当て結果
は、出力層２４のどのユニットが興奮状態になっている
かを検出することによって、知ることができる。
【００３０】また、本発明の実施の形態の画像認識装置
１０は、階調処理等の前処理をされた画像情報に代えて
ビデオ信号情報を入力層に入力される入力画像情報とし
て用いることによって、画像識別に必要な特徴の抽出精
度を照明変動にかかわらず確保できる。
１０は、階調処理等の前処理をされた画像情報に代えて
ビデオ信号情報を入力層に入力される入力画像情報とし
て用いることによって、画像識別に必要な特徴の抽出精
度を照明変動にかかわらず確保できる。
【００３１】本発明の実施の形態では、画素数を１２×
１２＝１４４としているが、分割数は対象物体１１の複
雑さ（具体的には、細かさ）に依存する。そこで、計算
の簡略化、および実用化される画像認識装置１０を安価
で簡単なものにするために、最低限の分割数を用いてい
る。
１２＝１４４としているが、分割数は対象物体１１の複
雑さ（具体的には、細かさ）に依存する。そこで、計算
の簡略化、および実用化される画像認識装置１０を安価
で簡単なものにするために、最低限の分割数を用いてい
る。
【００３２】これにより、高い認識精度でかつ実時間で
画像識別が可能な、装置コストの低い画像認識装置を実
現できる。さらに、画像情報入力時の照明の変動を補正
するための単一の濃度検出ユニット２５を入力層２２と
中間層２３との間に設けることによって、画像識別に必
要な特徴の抽出精度を照明変動にかかわらず確保できる
画像認識装置１０を実現できる。
画像識別が可能な、装置コストの低い画像認識装置を実
現できる。さらに、画像情報入力時の照明の変動を補正
するための単一の濃度検出ユニット２５を入力層２２と
中間層２３との間に設けることによって、画像識別に必
要な特徴の抽出精度を照明変動にかかわらず確保できる
画像認識装置１０を実現できる。
【００３３】次に、発明の実施の形態の入力手段３０の
動作を説明する。対象物体１１は、光学的な照明手段
（図示せず）によって照明が施されている。入力手段３
０に装置された光学レンズ系３１は、照明された対象物
体１１の光学画像情報を次段の画像入力部３４上にフォ
ーカシングすることができる。
動作を説明する。対象物体１１は、光学的な照明手段
（図示せず）によって照明が施されている。入力手段３
０に装置された光学レンズ系３１は、照明された対象物
体１１の光学画像情報を次段の画像入力部３４上にフォ
ーカシングすることができる。
【００３４】光学レンズ系３１の後段に装置された画像
入力部（具体的には、１２×１２＝１４４画素を有する
ＣＣＤエリアセンサ）３４は、対象物体１１の光学画像
情報を電気的な入力画像情報に変換することができる。
画像入力部３４の後段に装置された信号増幅処理部３２
は、画像入力部３４が生成した画像情報を電気的に増幅
するビデオ信号増幅処理を実行してビデオ信号情報を生
成することができる。
入力部（具体的には、１２×１２＝１４４画素を有する
ＣＣＤエリアセンサ）３４は、対象物体１１の光学画像
情報を電気的な入力画像情報に変換することができる。
画像入力部３４の後段に装置された信号増幅処理部３２
は、画像入力部３４が生成した画像情報を電気的に増幅
するビデオ信号増幅処理を実行してビデオ信号情報を生
成することができる。
【００３５】ディレイライン３３は、シリアル伝送され
てきたビデオ信号情報をパラレル変換して、画像認識手
段（多層型ニューラルネットワーク）２０の入力層２２
の各ユニットに伝送することができる。次に、発明の実
施の形態の画像認識手段（多層型ニューラルネットワー
ク）２０の動作を説明する。
てきたビデオ信号情報をパラレル変換して、画像認識手
段（多層型ニューラルネットワーク）２０の入力層２２
の各ユニットに伝送することができる。次に、発明の実
施の形態の画像認識手段（多層型ニューラルネットワー
ク）２０の動作を説明する。
【００３６】本発明の実施の形態の画像認識手段（多層
型ニューラルネットワーク）２０は、バックプロパゲー
ション等の学習規則を用いて予め教示学習されている各
層間の重みと、所定の演算（則ち、ニューロ演算）とに
従って、入力された画像情報の認識を実行することがで
きる。
型ニューラルネットワーク）２０は、バックプロパゲー
ション等の学習規則を用いて予め教示学習されている各
層間の重みと、所定の演算（則ち、ニューロ演算）とに
従って、入力された画像情報の認識を実行することがで
きる。
【００３７】識別の判定は、画像情報を提示したときの
出力層２４の出力値を調べ、該当するユニットが最大値
を示しているかどうかを調べることによって実行され
る。また判定基準として、従来技術を用い、正解、誤
り、および該当なしの三つの基準を設けている。該当な
しとは、最大の出力をｍａｘ１、第２位の出力をｍａｘ
２とした時、ｍａｘ１＜０．４あるいは（ｍａｘ２−ｍ
ａｘ１）／ｍａｘ１＜０．２の場合である。
出力層２４の出力値を調べ、該当するユニットが最大値
を示しているかどうかを調べることによって実行され
る。また判定基準として、従来技術を用い、正解、誤
り、および該当なしの三つの基準を設けている。該当な
しとは、最大の出力をｍａｘ１、第２位の出力をｍａｘ
２とした時、ｍａｘ１＜０．４あるいは（ｍａｘ２−ｍ
ａｘ１）／ｍａｘ１＜０．２の場合である。
【００３８】本発明の実施の形態の画像認識手段（多層
型ニューラルネットワーク）２０は、具体的には、コン
ピュータ上でのプログラムによって実現されている。単
一の濃度検出ユニット２５と中間層２３を構成する各ユ
ニット間の重み、または、単一の濃度検出ユニット２５
と入力層２２を構成する各ユニット間の重みは、シグモ
イド関数２５Ａへの入力値が所定の範囲内（則ち、図２
の非線形部分を囲んだ破線部分）に収まるように予め学
習される。
型ニューラルネットワーク）２０は、具体的には、コン
ピュータ上でのプログラムによって実現されている。単
一の濃度検出ユニット２５と中間層２３を構成する各ユ
ニット間の重み、または、単一の濃度検出ユニット２５
と入力層２２を構成する各ユニット間の重みは、シグモ
イド関数２５Ａへの入力値が所定の範囲内（則ち、図２
の非線形部分を囲んだ破線部分）に収まるように予め学
習される。
【００３９】シグモイド関数２５Ａにおいては、図２に
示すように、シグモイド関数２５Ａの入力を負にして、
その非線形な出力部分を用いている。また、図３に示す
ように、単一の濃度検出ユニット２５の出力は、全体の
階調が増加するにつれ、指数関数的に減少するものであ
る。
示すように、シグモイド関数２５Ａの入力を負にして、
その非線形な出力部分を用いている。また、図３に示す
ように、単一の濃度検出ユニット２５の出力は、全体の
階調が増加するにつれ、指数関数的に減少するものであ
る。
【００４０】中間層２３は、単一の濃度検出ユニット２
５からの出力の変化に応じて、自己の増幅率を可変する
ことにより、照明変動を補正することができる。次に、
発明の実施の形態の学習動作を説明する。出力層２４
は、識別すべき対象物体１１の数分のユニットを設け、
各々に対応させる。ビデオ信号情報に対応する個別の識
別信号を教師とし、対象出力ユニットに０．９、その他
のユニットに０．１を与え、これを繰り返すことによ
り、バックプロパゲーション学習を行う。
５からの出力の変化に応じて、自己の増幅率を可変する
ことにより、照明変動を補正することができる。次に、
発明の実施の形態の学習動作を説明する。出力層２４
は、識別すべき対象物体１１の数分のユニットを設け、
各々に対応させる。ビデオ信号情報に対応する個別の識
別信号を教師とし、対象出力ユニットに０．９、その他
のユニットに０．１を与え、これを繰り返すことによ
り、バックプロパゲーション学習を行う。
【００４１】以下にその学習のプロセスを示す。 ［プロセス１］：提示パターンに対応する教師信号Ｔｋ
と出力層２４の出力Ｏｋとの差から、出力層２４とつな
がる重みと中間層２３のしきい値に対する誤差δｋを求
める。
と出力層２４の出力Ｏｋとの差から、出力層２４とつな
がる重みと中間層２３のしきい値に対する誤差δｋを求
める。
【００４２】［プロセス２］：重みおよびしきい値の初
期値として、−０．３から０．３までの乱数値を与え
る。また、バックプロパゲーション学習時の係数α、β
の値は１．０としている。
期値として、−０．３から０．３までの乱数値を与え
る。また、バックプロパゲーション学習時の係数α、β
の値は１．０としている。
【００４３】［プロセス３］：全対象物体１１に対し、
出力層２４の出力ユニットにおける出力値と正解値との
平均２乗誤差が一定値内となったとき（則ち、学習が収
束したとき）、学習を終了する。
出力層２４の出力ユニットにおける出力値と正解値との
平均２乗誤差が一定値内となったとき（則ち、学習が収
束したとき）、学習を終了する。
【００４４】なお、重みとしきい値を修正する際、振動
を減らし、学習の収束を早めるために慣性項を与えても
よい。この様なアルゴリズムに従い学習された多層型ニ
ューラルネットワーク２０は、ネットワークの重みとし
きい値を修正し、識別に必要な特徴抽出能力をそのネッ
トワーク内に構築する。
を減らし、学習の収束を早めるために慣性項を与えても
よい。この様なアルゴリズムに従い学習された多層型ニ
ューラルネットワーク２０は、ネットワークの重みとし
きい値を修正し、識別に必要な特徴抽出能力をそのネッ
トワーク内に構築する。
【００４５】以上のプロセスによって、学習済み多層型
ニューラルネットワーク２０は、抽出された特徴から、
その物体が何であるか、カテゴリーに結びつける能力を
持つようになる。この様な画像認識手段（多層型ニュー
ラルネットワーク）２０においては、中間層２３におい
て識別に必要な特徴が抽出され、出力層２４はその特徴
から出力を決定する。
ニューラルネットワーク２０は、抽出された特徴から、
その物体が何であるか、カテゴリーに結びつける能力を
持つようになる。この様な画像認識手段（多層型ニュー
ラルネットワーク）２０においては、中間層２３におい
て識別に必要な特徴が抽出され、出力層２４はその特徴
から出力を決定する。
【００４６】以上説明したように本発明の実施の形態に
よれば、画像情報入力時の照明の変動を補正するための
単一の濃度検出ユニット２５を入力層２２と中間層２３
との間に設けることによって、画像識別に必要な特徴の
抽出精度を照明変動にかかわらず確保できる高い認識精
度でかつ実時間で画像識別が可能な、装置コストの低い
画像認識装置１０を実現できる。
よれば、画像情報入力時の照明の変動を補正するための
単一の濃度検出ユニット２５を入力層２２と中間層２３
との間に設けることによって、画像識別に必要な特徴の
抽出精度を照明変動にかかわらず確保できる高い認識精
度でかつ実時間で画像識別が可能な、装置コストの低い
画像認識装置１０を実現できる。
【００４７】具体的には、工場の製品検査等の実時間で
の識別処理が要求される現場において、高速なパソコン
程度の余り装置コストのかからない画像認識装置１０を
用いて、実時間で画像情報を識別することができるよう
になる。
の識別処理が要求される現場において、高速なパソコン
程度の余り装置コストのかからない画像認識装置１０を
用いて、実時間で画像情報を識別することができるよう
になる。
【００４８】
【発明の効果】本発明によれば、画像情報入力時の照明
の変動を補正するための単一の濃度検出ユニットを入力
層と中間層との間に設けることによって、画像識別に必
要な特徴の抽出精度を照明変動にかかわらず確保でき、
さらに高い認識精度でかつ実時間で画像識別が可能な、
装置コストの低い画像認識装置を実現できる。
の変動を補正するための単一の濃度検出ユニットを入力
層と中間層との間に設けることによって、画像識別に必
要な特徴の抽出精度を照明変動にかかわらず確保でき、
さらに高い認識精度でかつ実時間で画像識別が可能な、
装置コストの低い画像認識装置を実現できる。
【図１】本発明の実施の形態にかかる画像認識装置を示
す機能ブロック図である。
す機能ブロック図である。
【図２】本発明の実施の形態にかかる単一の濃度検出ユ
ニットの入出力関数（シグモイド関数）の特性を示すグ
ラフである。
ニットの入出力関数（シグモイド関数）の特性を示すグ
ラフである。
【図３】本発明の実施の形態にかかる単一の濃度検出ユ
ニットの出力値と画像階調値との関係を示すグラフであ
る。
ニットの出力値と画像階調値との関係を示すグラフであ
る。
【図４】従来の画像認識装置を示す機能ブロック図であ
る。
る。
１０ 画像認識装置 １１ 対象物体 ２０ 画像認識手段（多層型ニューラルネットワー
ク） ２２ 入力層 ２３ 中間層 ２４ 出力層 ２５ 単一の濃度検出ユニット ２５Ａ シグモイド関数 ３０ 入力手段 ３１ 光学レンズ系 ３２ ビデオ信号増幅処理部 ３３ ディレイライン ３４ 画像入力部
ク） ２２ 入力層 ２３ 中間層 ２４ 出力層 ２５ 単一の濃度検出ユニット ２５Ａ シグモイド関数 ３０ 入力手段 ３１ 光学レンズ系 ３２ ビデオ信号増幅処理部 ３３ ディレイライン ３４ 画像入力部
───────────────────────────────────────────────────── フロントページの続き (58)調査した分野(Int.Cl.7，ＤＢ名) G06T 7/00 - 7/60 G06N 3/00 - 3/10 G06T 1/00 G06K 9/62
Claims (4)
- 【請求項１】 入力層、中間層、および出力層が階層化
されて成る多層型ニューラルネットワークを画像認識手
段として用いて、入力された画像情報の認識を実行する
画像認識装置において、 前記入力層と前記中間層との間に、画像情報入力時の照
明の変動を補正するため、前記中間層を構成する各ユニ
ットについて予め学習された重みによって当該各ユニッ
トと各々結合されるとともに、前記入力層を構成する各
ユニットについて予め学習された重みによって当該各ユ
ニットと各々結合されて成る単一の濃度検出ユニットを
設け、 前記中間層は、前記単一の濃度検出ユニットからの出力
の変化に応じて、自己の増幅率を可変することにより、
前記照明の変動を補正する ことを特徴とする画像認識装
置。 - 【請求項２】 前記入力層を構成する各ユニットは、前
記中間層を構成する全ユニットについて予め学習された
重みによって当該全ユニットの各々と結合されて成り、 さらに、前記中間層を構成する各ユニットは、前記出力
層を構成する全ユニットについて予め学習された重みに
よって当該全ユニットの各々と結合されて成ることを特
徴とする請求項１に記載の画像認識装置。 - 【請求項３】 前記単一の濃度検出ユニットの入出力関
数は、シグモイド関数であることを特徴とする請求項１
〜２に記載の画像認識装置。 - 【請求項４】 前記単一の濃度検出ユニットと前記中間
層を構成する各ユニット間の重み、または、前記単一の
濃度検出ユニットと前記入力層を構成する各ユニット間
の重みは、前記シグモイド関数への入力値が所定の範囲
内に収まるように予め学習されることを特徴とする請求
項１〜３に記載の画像認識装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP23078796A JP3324726B2 (ja) | 1995-09-04 | 1996-08-30 | 画像認識装置 |
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7-226500 | 1995-09-04 | ||
| JP22650095 | 1995-09-04 | ||
| JP23078796A JP3324726B2 (ja) | 1995-09-04 | 1996-08-30 | 画像認識装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JPH09134433A JPH09134433A (ja) | 1997-05-20 |
| JP3324726B2 true JP3324726B2 (ja) | 2002-09-17 |
Family
ID=26527193
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP23078796A Expired - Fee Related JP3324726B2 (ja) | 1995-09-04 | 1996-08-30 | 画像認識装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JP3324726B2 (ja) |
-
1996
- 1996-08-30 JP JP23078796A patent/JP3324726B2/ja not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| JPH09134433A (ja) | 1997-05-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JPH0737087A (ja) | 画像処理装置 | |
| US5692065A (en) | Apparatus and method for determining image quality | |
| US5617484A (en) | Image binarizing apparatus | |
| US5475768A (en) | High accuracy optical character recognition using neural networks with centroid dithering | |
| CN112861945A (zh) | 一种多模态融合谎言检测方法 | |
| Hinduja et al. | Enhanced Character Recognition using Deep Neural Network-A Survey | |
| JP3324726B2 (ja) | 画像認識装置 | |
| CN116612355A (zh) | 人脸伪造识别模型训练方法和装置、人脸识别方法和装置 | |
| JPH06113139A (ja) | 画像２値化装置 | |
| JPH08327559A (ja) | パターン検査装置およびその検査方法 | |
| JP3279099B2 (ja) | マーク認識装置およびマーク認識方法 | |
| Mohammed et al. | Neural network behavior analysis based on transfer functions MLP & RB in face recognition | |
| KR100338473B1 (ko) | 다-차원 신경 회로망을 이용한 얼굴 검출 방법 및 그 장치 | |
| JPH08138025A (ja) | 画像識別パラメータの決定方法及び画像認識方法 | |
| JPH06273346A (ja) | はんだ付け状態検査装置 | |
| JP3225179B2 (ja) | パターン欠陥検査装置 | |
| JPH08251404A (ja) | 画像領域属性判別方法及び装置 | |
| JP3303253B2 (ja) | パターンマッチング方法および装置 | |
| JPH1070652A (ja) | 画像領域属性判別装置 | |
| JPH117536A (ja) | ニューラルネットワークを用いた画像認識装置、画像認識方法、及び変換装置 | |
| JPH09330406A (ja) | 学習支援装置およびパターン認識装置 | |
| JP3173690B2 (ja) | ニューラルネットワークによる外観検査装置 | |
| JPH07271907A (ja) | アナログ画像の二値化装置 | |
| KR20210112992A (ko) | 다각형 기반의 객체 인식 성능 보정 장치 및 방법 | |
| JPH05303627A (ja) | はんだ付けの状態検査装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20020528 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080705 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080705 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090705 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090705 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100705 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110705 Year of fee payment: 9 |
|
| LAPS | Cancellation because of no payment of annual fees |