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
【０００１】
【産業上の利用分野】本発明は、栗の等級識別方法に関
する。
する。
【０００２】
【従来の技術】天然産物またはその加工品の一例である
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。
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。
【０００３】
【発明が解決しようとする課題】しかしながら、前記人
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。
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。
【０００４】
【課題を解決するための手段】前記目的に沿う請求項１
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。
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。
【０００５】
【作用】まず、３層ニューラルネットワークについて説
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。
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。
【０００６】
【数１】
【０００７】出力層ｋの入力Ｓk は、次式となる。 Ｓk ＝ΣＶkj・Ｈj ＋γk ・・・・・（６） その出力はＯk ＝ｆ（Ｓk ）となり、結合係数Ｖkjの微
小変化に対する出力Ｏkへの影響は次の通りである。
小変化に対する出力Ｏkへの影響は次の通りである。
【０００８】
【数２】
【０００９】したがって、結合係数Ｖkjの２乗誤差Ｅp
への影響は、（５）、（７）式より次の通りとなる。
への影響は、（５）、（７）式より次の通りとなる。
【００１０】
【数３】
【００１１】２乗誤差Ｅp を減少させるための結合係数
の更新値は次式の通りである。
の更新値は次式の通りである。
【００１２】
【数４】
【００１３】出力層ｋにつながる結合係数と出力層ｋの
オフセットに対する誤差δk は次の通りである。
オフセットに対する誤差δk は次の通りである。
【００１４】
【数５】
【００１５】よって（９）式は、次のようになる。 ΔＶkj＝η2 δk Ｈj ・・・・・（１１） 同様に、中間層ｊの入力Ｕj は次式となる。 Ｕj ＝ΣＷjiＩi ＋θj ・・・・・（１２） 結合係数Ｗjiの微小変化に対する２乗誤差への影響は次
式の通りとなる。
式の通りとなる。
【００１６】
【数６】
【００１７】中間層ｊにつながる結合係数と中間層ｊの
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。
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。
【００１８】
【数７】
【００１９】よって、（１３）式は、次式の通りとな
る。
る。
【００２０】
【数８】
【００２１】したがって、結合係数Ｗjiの更新値ΔＷji
は（１５）式より次式の通りである。
は（１５）式より次式の通りである。
【００２２】
【数９】
【００２３】次に、逆誤差伝播法（バックプロパゲーシ
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）。
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）。
【００２４】なお、以上の処理は、ステップｃからステ
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。
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。
【００２５】
【実施例】続いて、本発明を適用して、栗（殻を向いた
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。
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。
【００２６】前記画像処理装置１１は、ＣＣＤカメラ１
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。
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。
【００２７】ニューラルネットワークは、図２に示すよ
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。
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。
【００２８】
【表１】
【００２９】まず、大まかな栗の等級選別の構成を示
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。
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。
【００３０】ニューラルネットワークを用いた栗図形の
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。
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。
【００３１】
【表２】
【００３２】以上の経路でニューラルネットワークを用
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。
【００３３】
【表３】
【００３４】表３、図４から示されるように、比較的高
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。
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。
【００３５】
【発明の効果】請求項第１項記載の栗の等級識別方法
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。
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。
【図１】本発明の一実施例を行う装置の概略構成図であ
る。
る。
【図２】３層ニューラルネットワークの構成図である。
【図３】バックプロパゲーションの一例に係る学習フロ
ー図である。
ー図である。
【図４】栗のパターン図である。
【図５】学習方法の説明図である。
【図６】バターン１の学習結果を示すグラフである。
【図７】パターン２の学習結果を示すグラフである。
【図８】パターン３の学習結果を示すグラフである。
【図９】パターン４の学習結果を示すグラフである。
【図１０】パターン５の学習結果を示すグラフである。
【図１１】学習終了時の二乗誤差総和を示すグラフであ
る。
る。
【図１２】パターン判定のフローを示す概要図である。
【図１３】任意の位置での図形の認識率を示すグラフで
ある。
ある。
１０：ＣＣＤカメラ、１１：画像処理装置、１２：パー
ソナルコンピューター、１３：モニターテレビ、１４：
照明機器
ソナルコンピューター、１３：モニターテレビ、１４：
照明機器
フロントページの続き (56)参考文献 特開 昭58−156382（ＪＰ，Ａ) 特開 平４−95181（ＪＰ，Ａ) 特開 平２−300393（ＪＰ，Ａ) 特開 平２−199596（ＪＰ，Ａ) 特開 平２−210589（ＪＰ，Ａ) 特表 平４−501325（ＪＰ，Ａ)
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 |