JP3344731B2 - 栗の形状識別方法 - Google Patents
栗の形状識別方法Info
- Publication number
- JP3344731B2 JP3344731B2 JP15581291A JP15581291A JP3344731B2 JP 3344731 B2 JP3344731 B2 JP 3344731B2 JP 15581291 A JP15581291 A JP 15581291A JP 15581291 A JP15581291 A JP 15581291A JP 3344731 B2 JP3344731 B2 JP 3344731B2
- Authority
- JP
- Japan
- Prior art keywords
- chestnut
- output
- layer
- intermediate layer
- neural network
- 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 - Lifetime
Links
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Description
する。
栗の等級選別は、現在人間の目と手作業によって行われ
ている。また、工業製品においては、コンピューターを
用いパターン認識を用いた等級選別法としてパターンマ
ッチング法も一部において採用されている。
間の目と手作業による天然産物またはその加工品の選別
は商品が多数ある場合には大変な労力と時間がかかると
いう問題点があった。また、前記パターン認識を用いた
等級選別法は、工業製品の場合には使用できるとして
も、形が変化する天然産物またはその加工品に適用でき
ないという問題点があった。本発明はかかる事情に鑑み
てなされたもので、形が変化する天然産物またはその加
工品である栗の等級識別方法を提供することを目的とす
る。
記載の栗の等級識別方法は、栗をテレビカメラで撮像
し、該画像を予め学習された入力層、中間層及び出力層
を有するニューラルネットワークを用いて栗の等級識別
を行う方法であって、前記学習は前記中間層のユニット
数が30である前記ニューラルネットワークを用い、前
記栗を重心回りに30度毎に回転し前記テレビカメラを
用いて撮像して得られる各前記栗の図形の画像データー
を教師信号として、5等級に等級分けされた各該等級の
栗の栗図形に対して各5回行い、栗の形状を識別するこ
とによって栗の等級選別を行っている。
明する。図2に3層ニューラルネットワークの構成を示
すが、図面に記載した記号は、Ii :入力層iの出力、
Uj :中間層jの入力、Hj :中間層jの出力、Sk :
出力層kの入力、Ok :出力層kの出力、Tk :出力層
kの出力に対する教師信号、Wji:入力層iから中間層
jへの結合係数、Vkj:中間層jから出力層kへの結合
係数を示す。ニューラルネットが図2のようにつながっ
た構成とすると、ユニットiの出力Ii が、結合係数W
jiでの荷重和によりユニットjの入力となり、オフセッ
トθjと出力を規格化する関数fにより、ユニットjの
出力Hj が決まる。このモデルを考えると次式となる。 Hj = f(ΣWji・Ii +θj ) ・・・・・(1) 応答関数fとしては、次式に示すようなシグモイド関数
を用いる。 f(x)=1/{1+exp(−2x/u0 )} ・・・・・(2) 出力層kにおける出力Ok とそれに対する教師信号Tk
との誤差は次の通りである。 δk =Tk −Ok ・・・・・(3) その2乗誤差Ep は、次式となる。
小変化に対する出力Okへの影響は次の通りである。
への影響は、(5)、(7)式より次の通りとなる。
の更新値は次式の通りである。
オフセットに対する誤差δk は次の通りである。
式の通りとなる。
オフセットに対する誤差をσj とすれば、σj は次の通
りである。
る。
は(15)式より次式の通りである。
ョン法)を用いた具体的なネットワークの学習を、図3
を参照しながら説明する。まず、ネットワークの状態を
決める結合係数Wji,Vkjとオフセットθj ,γkをそ
れぞれ小さな値の乱数値で初期化し(ステップa)、次
に、各学習パターンをセットする(ステップb)。そし
て、学習パターンの値を入力層ユニットの出力Ii に入
れ、入力層から中間層への結合係数Wjiと中間層ユニッ
トjのオフセットθj を用いて、中間層ユニットjへの
入力Uj を求め、シグモイド関数fにより中間層ユニッ
トjの出力Hj を求める(ステップc)。 Uj =ΣWjiIi +θj ・・・・・(17) Hj =f(Uj ) ・・・・・(18) 次に、中間層ユニットjの出力Hj と中間層から出力層
への結合係数Vkjと出力層ユニットkのオフセットγk
を用いて、出力層ユニットkへの入力Sk を求め、入力
Sk とシグモイド関数fにより出力層ユニットkの出力
Ok を求める(ステップd)。 Sk =ΣVkjHj +γk ・・・・・(19) Ok =f(Sk ) ・・・・・(20) そして、学習パターンの教師信号Tk と出力層の出力O
k との差から、出力層のユニットkにつながる結合係数
と出力層ユニットkのオフセットに対するδk を求める
(ステップe)。 δk =(Tk −Ok )Ok (1−Ok ) ・・・・・(21) 誤差δk と中間層から出力層への結合係数Vkjと中間層
の出力Hj から、中間層ユニットjにつながる結合係数
と中間層ユニットjのオフセットに対する誤差σj を求
める(ステップf)。 σj =Σδk VkjHj (1−Hj ) ・・・・・(22) 以上の操作で求めた出力層ユニットkの誤差δk と中間
層ユニットjの出力Hjと定数αとの積を加算すること
で、中間層ユニットjから出力層kにつながる結合係数
Vkjを修正する。また、誤差δk と定数βとの積を加算
することで、出力層ユニットkのオフセットを修正する
(ステップg)。 Vkj=Vkj+αδk Hj ・・・・・(23) γk =γk +βδk ・・・・・(24) 次に、中間層ユニットjでの誤差σj と、入力層ユニッ
トiの出力Ii と定数αとの積を加算することで、入力
層ユニットiから中間層ユニットjにつながる結合係数
Wjiを修正する。また誤差σj と定数βとの積を加算す
ることで、中間層ユニットjのオフセットθj を修正す
る(ステップh)。 Wji=Wji+ασj Ii ・・・・・(25) θj =θj +βσj ・・・・・(26) 次の学習パターンに移り(ステップi)、学習パターン
が終了するまでステップbに戻り、学習パターンを終了
する(ステップj)。そして、学習の繰り返し回数を更
新し(ステップk)、学習のくり返し回数が制限回数以
下であれば、ステップbに戻り、制限回数を超えた時点
で終了する(ステップl)。
ップfまでは入力層から中間層を経て出力層へと順方向
の処理であるが、ステップgからステップhまでは出力
層から中間層と入力層への逆方向の処理であることか
ら、逆誤差伝播法と呼ぶ。従って、まず、天然産物また
はその加工品をテレビカメラで撮像し、該画像を予め学
習された前記ニューラルネットワークによって識別する
ことによって、天然産物またはその加工品の形状識別が
行なえる。
栗をいう)の等級識別を行った例について説明し、本発
明の理解に供する。まず、使用する装置を図1に示す
が、図に示すようにテレビカメラの一例であるCCDカ
メラ10と、該CCDカメラ10の出力を受ける画像処
理装置11(この実施例ではホトロン株式会社製FDM
98−RGB)と、パーソナルコンピューター12(こ
の実施例では日本電気株式会社製PC9801)と、前
記画像処理装置11に接続されるモニターテレビ13
と、付帯する照明機器14とを有している。以下、これ
らについて詳しく説明する。
0より取り込んだ赤、緑、青からなる三つの映像信号を
各々記憶、表示する装置で、1画面は256×256の
画素からなり、一つの画素の赤、緑、青の輝度は各々6
4段階に分けられている。パーソナルコンピューター1
2にはニューラルネットワークと画像処理ソフトが装備
されており、それにより栗の等級選別を行うことができ
る。照明機器14は栗の画像を鮮明に取り込む為に用
い、オプションとしてのモニターテレビ13は取り込ん
だ画像や計算した画像等を表示するためのものである。
従って、栗の重心移動については前記パーソナルコンピ
ューター12に装備された画像処理ソフトによって行
い、画像から重心の位置を検出し、該重心が画面の中心
位置に配置されるようにする。
うに入力層、中間層及び出力層からなり、その概略は前
記した通りである。ニューラルネットワークの学習は逆
誤差伝播法にて行われる。本実施例においては、等級を
表す図形は、栗そのものではなく栗と同じ形状の黄色の
パターン図を用いた。なお、栗そのものとその図形を用
いた実験で、結果は大体一致することが確かめられてい
る。栗の等級選別は形状のみならず形態や黒点等の有無
によって行われるが、一般的には大まかに5つの等級に
分けられている。その形状による等級選別の一例を表1
及び図4に示す。
す。栗の等級選別では、5通りの形の違う栗をCCDカ
メラ10で取り込む範囲内の任意の位置に配置し、適当
な照明を与えてCCDカメラ10で捉え、画像処理装置
11にて重心移動を行い画面の中心にその重心が位置す
るようにする。CCDカメラ10で捉えた画像は256
×256の画素からなるカラー画像であるが、パーソナ
ルコンピューター12のメモリの制約から画像圧縮と、
入力のある画素を1、入力の無い画素を0とする二値化
を行い、16×15=240の画素の二値画像に前記画
像処理装置11にて変換し、パーソナルコンピューター
12に取り込むようにする。ここで、等級は5通りであ
るので、入力層のユニット数が240、出力層のユニッ
ト数が5、中間層のユニット数が10から60まで10
ずつ変化させたニューラルネットワークを構成するよう
にする。そして、栗図形の等級選別の方法は、選別する
図形に対し出力層の出力値の教師信号を決め、逆誤差伝
播法を用いて任意の回数だけ学習させたネットワークを
構成しておき、そのネットワークを用いて、栗図形の入
力信号に対する出力層の出力値によって等級選別を行
う。
学習について更に説明すると、まず入力画面上の中心の
位置で図形の重心を中心として時計回りに角度を0度か
ら30度毎に360度まで回転させた12通りの栗図形
をCCDカメラ10によって取込み、256×256の
画素からなるカラー画像を画像圧縮と二値化を行い16
×15の二値画像に変換する。この二値化された12通
りの栗図形に教師信号1を与える。以下、栗の各パター
ンに対応して教師信号2から5を与え、30度毎回した
各12通りの栗図形に同様の手順を繰り返して合計12
×5=60個の画像データーをパーソナルコンピュータ
ー12が取り込む。この60個の画像データーを用い
て、栗図形の学習をニューラルネットワークで行う。学
習方法の概念図を図5に示す。図5において、Rは繰り
返しの回数を示し、Nは繰り返し回数一回当たりの各図
形の入力信号に対する学習回数を表す。この実施例にお
いては、1図形当たりの学習回数を5回、全ての繰り返
し回数を10回となるように、図4の入力信号を持つ栗
の図形を学習させた。以上の作業を、中間層のユニット
数10、20、30、40、50、60の6通りについ
て行う。この結果を図6〜図10に示す。また、各中間
層ごとの二乗誤差総和を図11、表2に示す。
いてパターン1〜5を取込み学習を行ってきたので、本
発明の作用効果を確認する為に、実際に任意の位置図形
を画面上においてCCDカメラ10で写して、取り込む
シュミレーションを行った結果について説明する。ここ
で、用いる重み(中間層ユニット数)は前記結果(図1
1)から最適と思われる中間層ユニット数=30を用い
る。未学習図形である栗の認識(判別)の概念図を図1
2に示すが、まず、学習済みの重みをセットし、パター
ン1〜5の栗を一つだけ取り出してCCDカメラ10の
画面上の適当な位置に該栗を置き、その画像を取り込
み、256×256のフィールドの画面上に表す。そし
て、次にこの画面を画像処理装置11によって16×1
5の二値化画面に変換し、画像処理によって栗の重心移
動を行い、パーソナルコンピューター12に入力してニ
ューラルネットワーク処理を行い、各出力層の値から等
級を選別する。以上の工程を各パターンについて100
回ずつ行い、その認識率の結果を図13、表3に示す。
い認識数を得ているし、仮に等級の区分が違っていて
も、その上かあるいはその下になるので、実用上問題は
少ないものと判断される。なお、学習の回数を更に上げ
ると更に精度が向上するものと判断される。以上に実施
例においては、栗の等級選別の場合を説明したが、本発
明は栗の代わりに天然産物またはその加工品の形状識別
に対しても適用可能で、ミカン等の果実であっても良い
し、魚、遺伝子や細菌等であっても良い。
は、以上の説明からも明らかなように、従来人間によっ
て行われていた栗の形状識別の自動化が可能となり、労
働力の軽減が図れる。また、従来のパターンマッチング
法による選別法とは本質的に異なる点は、ニューラルネ
ットワークの重みを変えることによって、ただ単に栗の
みならず、他の天然産物またはその加工品の形状識別に
適用できる。
る。
ー図である。
る。
ある。
ソナルコンピューター、13:モニターテレビ、14:
照明機器
Claims (1)
- 【請求項1】 栗をテレビカメラで撮像し、該画像を予
め学習された入力層、中間層及び出力層を有するニュー
ラルネットワークを用いて栗の等級識別を行う方法であ
って、 前記学習は前記中間層のユニット数が30である前記ニ
ューラルネットワークを用い、前記栗を重心回りに30
度毎に回転し前記テレビカメラを用いて撮像して得られ
る各前記栗の図形の画像データーを教師信号として、5
等級に等級分けされた各該等級の栗の栗図形に対して各
5回行い、栗の形状を識別することによって栗の等級選
別を行うことを特徴とする栗の等級識別方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP15581291A JP3344731B2 (ja) | 1991-05-29 | 1991-05-29 | 栗の形状識別方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP15581291A JP3344731B2 (ja) | 1991-05-29 | 1991-05-29 | 栗の形状識別方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPH04352078A JPH04352078A (ja) | 1992-12-07 |
JP3344731B2 true JP3344731B2 (ja) | 2002-11-18 |
Family
ID=15614013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP15581291A Expired - Lifetime JP3344731B2 (ja) | 1991-05-29 | 1991-05-29 | 栗の形状識別方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP3344731B2 (ja) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7296401B2 (en) | 2000-07-21 | 2007-11-20 | Toyota Jidosha Kabushiki Kaisha | Device for purifying the exhaust gas of an internal combustion engine |
CN106568783A (zh) * | 2016-11-08 | 2017-04-19 | 广东工业大学 | 一种五金零件缺陷检测系统及方法 |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE4241990C2 (de) * | 1992-12-12 | 1997-02-06 | Rwe Entsorgung Ag | System zum Erkennen und Sortieren von Abfallobjekten |
CA2163965A1 (en) * | 1993-05-28 | 1994-12-08 | Marie Rosalie Dalziel | An automatic inspection apparatus |
JP3394287B2 (ja) * | 1993-06-18 | 2003-04-07 | 政典 杉坂 | 自立走行車 |
JP6910792B2 (ja) * | 2016-12-13 | 2021-07-28 | ソニーセミコンダクタソリューションズ株式会社 | データ処理装置、データ処理方法、プログラム、および電子機器 |
CN108253938B (zh) * | 2017-12-29 | 2020-01-24 | 武汉大学 | Tbm破岩矿渣数字近景摄影测量识别及反演方法 |
-
1991
- 1991-05-29 JP JP15581291A patent/JP3344731B2/ja not_active Expired - Lifetime
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7296401B2 (en) | 2000-07-21 | 2007-11-20 | Toyota Jidosha Kabushiki Kaisha | Device for purifying the exhaust gas of an internal combustion engine |
CN106568783A (zh) * | 2016-11-08 | 2017-04-19 | 广东工业大学 | 一种五金零件缺陷检测系统及方法 |
CN106568783B (zh) * | 2016-11-08 | 2019-12-03 | 广东工业大学 | 一种五金零件缺陷检测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
JPH04352078A (ja) | 1992-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108520504B (zh) | 一种基于生成对抗网络端到端的模糊图像盲复原方法 | |
US6421084B1 (en) | Method for interpolating a full color image from a single sensor using multiple threshold-based gradients | |
JPH0689344A (ja) | パターン認識装置 | |
JPH05225332A (ja) | 空間的可変濾波の方法及び装置 | |
JPH0799581A (ja) | 画像処理装置 | |
JP3344731B2 (ja) | 栗の形状識別方法 | |
CN111460947B (zh) | 基于bp神经网络对显微镜下金属矿物的识别方法及系统 | |
CN112102192A (zh) | 一种图像白平衡方法 | |
US6999604B1 (en) | Apparatus and method for detecting a moving object in a sequence of color frame images | |
JPH0749927A (ja) | パターン認識方法 | |
JP2006048370A (ja) | パターン認識方法、それに用いられる教示データ生成方法およびパターン認識装置 | |
CN110891172B (zh) | 坏点检测及校正装置 | |
CN113435514A (zh) | 一种基于元深度学习的建筑垃圾精细分类方法、装置 | |
CN113807180A (zh) | 一种基于lbph与特征点的人脸识别方法 | |
Petrovic | Multilevel image fusion | |
CN113099121A (zh) | 一种基于弱监督学习的isp实现方法 | |
JP2006140952A (ja) | 画像処理装置および画像処理方法 | |
JPH0993443A (ja) | カラーモノクロ画像変換方法および被検査対象のエッジ位置検出方法 | |
JP2022150562A (ja) | 画像処理装置、画像処理方法およびプログラム | |
JPH06131444A (ja) | モーメント不変量を用いた天然産物またはその加工品の形状識別方法 | |
US7362910B2 (en) | Color image characterization, enhancement and balancing process | |
JPH04364449A (ja) | 果実の欠陥検出装置 | |
JPH07220066A (ja) | 画像処理装置 | |
JPS62237591A (ja) | カラ−パタ−ンマツチング方式 | |
JP2610884B2 (ja) | カラー濃淡パターンマツチング方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20070830 Year of fee payment: 5 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20080830 Year of fee payment: 6 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090830 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20090830 Year of fee payment: 7 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100830 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20100830 Year of fee payment: 8 |
|
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110830 Year of fee payment: 9 |
|
EXPY | Cancellation because of completion of term | ||
FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20110830 Year of fee payment: 9 |