JP5446127B2 - 判別方法、判別装置及びプログラム - Google Patents
判別方法、判別装置及びプログラム Download PDFInfo
- Publication number
- JP5446127B2 JP5446127B2 JP2008131226A JP2008131226A JP5446127B2 JP 5446127 B2 JP5446127 B2 JP 5446127B2 JP 2008131226 A JP2008131226 A JP 2008131226A JP 2008131226 A JP2008131226 A JP 2008131226A JP 5446127 B2 JP5446127 B2 JP 5446127B2
- Authority
- JP
- Japan
- Prior art keywords
- discrimination
- support vector
- determination
- target
- support
- 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.)
- Active
Links
Landscapes
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Description
(1)学習データ自体に関する正解率と、学習データに忠実に対応し過ぎて学習データ以外の他のデータに対するエラーが増加する現象である過学習とのバランスをとるように設定された判別関数(評価関数)を用いた最適化計算により、各疵候補をデータ点(疵データの集合の元)として、特徴情報の各特徴量を座標軸として張られる空間内(特徴量空間)に配置して、有害欠陥と判定されたデータ点がある領域と無害な欠陥(ノイズ)と判定されたデータ点がある領域との判別境界を計算により導出する。
(2)用意した学習データは、仮想的に規定される写像関数により、特徴量空間から判別境界を導出するために設定された高次元の別の空間に写像され、その高次元空間内での超平面によって判別される(当該超平面は、もとの空間では対応する曲面として表示される。)。
(3)最適化計算の結果として得られる、高次元の空間における判別境界(超平面)は、用意した学習データのうちのいくつかの疵データ点(サポートベクターと呼ばれる)の特徴量の値を係数とする線形結合式の形式の判別関数として表現される。こうして、判別境界を導出することにより、学習データを判別する規則が構築されたことになり、学習が完了したことになる。
この構成によれば、選択ステップにおいて、最近傍探索法を用いてサポートベクターを選択することにより、各判別対象の特徴情報に応じて、その特徴情報に類似するサポートベクターを選択することができる。従って、各判別対象に対する判別結果への影響が大きいサポートベクターを適切に選択して判別に使用することができ、判別精度を維持することができる。また、最近傍探索法を用いることにより、サポートベクターを選択する際に要する計算量を低減して処理時間を短縮することができる。
この構成によれば、テーブル作成ステップにおいて、ローカリティ・センシティブ・ハッシング法により、複数のサポートベクターをハッシュテーブルに格納することができる。そして、選択ステップにおいて、このハッシュテーブルを使用してサポートベクターを選択することができる。つまり、ハッシュテーブルに格納することにより、相互に類似したサポートベクターを関連付けることができ、そのハッシュテーブルから判別対象に類似するサポートベクターを選択することにより、関連付けられた複数のサポートベクターを適切に選択することができる。従って、実際に判別対象と各サポートベクターとの距離を計算することなく、判別対象に類似するサポートベクターを選択することができ、サポートベクターを選択する際に要する計算量を低減して処理時間を短縮することができる。
この構成によれば、ガウスカーネルを用いたサポート・ベクター・マシン法により予め算出された判別関数を使用して、判別処理を行うことができる。従って、判別精度を向上させることができる。
SVMは、上述の通り、判別処理を行う判別方法の一例であって、特徴情報を入力データとして判定結果を表す出力値を算出する判別関数を使用することにより、その特徴情報が複数種類の集合(クラス)のいずれに属するのか判別する。このSVMでは、まず、判別関数に特徴情報を入力し、計算された出力値の符合により、その特徴情報が2つの集合のいずれに該当するのかを表すことができる。従って、SVMでは、各集合の境界毎に判別関数を用意し、それらの判別関数に特徴情報を入力することにより、判別対象が複数の集合のいずれに該当するのかをも判定することができる。この際、例えば、判別対象は、一番多くの判別関数により指示された集合に属すると判定することができる。つまり、SVMでは、複数の判別関数を使用することにより多クラス判定(複数種類の集合のいずれに属するのかを判定すること)をも行うことができるが、以下では、説明の便宜上、2クラス判定(2種類の集合のいずれに属するのかを判定すること)について説明する。
つまり、まず、特徴情報と、その特徴情報に対する既知の判別結果(「判別情報」ともいう。)とを含む学習データが複数用意される。学習データの特徴情報を、特徴量空間上に点として表した例を図1に示す。図1中、○(白抜きの丸)、□(白抜きの四角)、●(黒塗りの丸)、■(黒塗りの四角)などが、それぞれ学習データの点を表す。また、説明の便宜上、図1には特徴量空間として2次元の空間を示し、特徴情報を構成する2つの軸として第1特徴量と第2特徴量とを示す。なお、実際の特徴量空間は、特徴情報を構成する特徴量の数だけ次元を有することになる。
つまり、図4に示すように、本実施形態に係る判断装置は、サポートベクターを、判別対象xからの距離Rにより集合SVNearと集合SVFarとに分ける。そして、集合SVNearに含まれるサポートベクターで構成される判別関数g’(x)を使用して、判別対象を判別する。この際、判別関数g’(x)は、概念的には、判別境界B12’のように集合SVNearにより構成される曲線(曲面)となる。従って、判別対象xの判別結果に与える影響が大きいサポートベクターを適切に選択して判別結果の精度を維持することができ、かつ、判別結果に与える影響が少ないようなサポートベクターに対する計算を省略して計算量を低減させることができる。
判別対象とサポートベクターとの間の距離に基づいて、判定に使用するサポートベクターを選択する際、本発明の一実施形態に係る判別装置は、更に計算量を低減させるために、判別対象に特徴情報が類似するサポートベクターを選択する。そして、この判別装置は、判別対象に類似するサポートベクターを抽出する方法の一例として、最近傍探索法を用いる。最近傍探索法を用いると、判別装置は、まず、複数のサポートベクターを相互に類似する複数の集合(クラス)に分類して記憶部(ハッシュテーブル記憶部132)に記録する。そして、判別装置は、判別対象の特徴情報に応じて、その判別対象が属する集合を求め、該当する集合に分類されているサポートベクターをSVNearに含まれるサポートベクターとして選択する。従って、最近傍探索法を用いてサポートベクターを選択することにより、判別対象とサポートベクターとの間の距離を実際に計算せずに、判別対象に近接して類似したサポートベクターを選択することができ、更に計算量を大幅に低減することができる。なお、ここで言う集合は、判別装置が判別対象に対する判別結果として導き出す集合(例えば図1の集合X1,X2)とは異なる。
まず、検索したいサポートベクターの距離範囲(判別対象を中心とした距離範囲)をRとして、この距離Rを決定する。なお、この距離Rは、上述の通り、SVNearに含めるサポートベクターの範囲、つまり判別対象から各サポートベクターまでの距離dの閾値(図4参照。)を意味し、ここで言う距離は、上記同様特徴量空間上の距離である。
まず、上記式(5)のΣ計算で加算される各項のガウスカーネルにおいて、||x−y||を距離Rで置き換える。一方、SVM学習の際の判別関数において判別面の複雑さと学習データに対する誤判別数の重み付けを行うパラメータであるC、及び、SVMの定式化より、|wi|≦Cという性質がある。よって、Σ計算の各項の絶対値は、下記式(7)のように、中央の項以下となる。ここで、Σ計算の各項の最大の閾値をεとする。εは、例えば1.0×10−5などのように、十分に小さい値に設定する。すると、下記式(7)の中央の項は、閾値ε以下に限定され、この式(7)から式(8)が導出される。この式(8)は、wiが最大値を取るサポートベクターがΣ計算に与える影響が閾値ε以下となる距離Rを求めていることを意味する。
各ハッシュテーブルHT1〜HTLの概念図を図5に示す。以下では、1つのハッシュテーブルHT1を例に、1つのサポートベクターの格納について説明するが、他のハッシュテーブルでも同様の格納が行われる。
次に、この複数のハッシュテーブルHT1〜HTLを使用して、判別対象に対して類似するサポートベクターを検索して選択する処理について説明する。
<判別装置の構成>
次に、上記で説明したSVM及びLSHによる判別を行う本発明の一実施形態に係る判別装置の具体的な構成について、図9を参照しつつ説明する。図9は、本実施形態に係る判別装置の構成を説明するための説明図である。
以上、本発明の一実施形態に係る判別装置100の構成について説明した。
次に、この判別装置100の動作について、図10及び図11を参照しつつ説明する。図10は、本実施形態に係る判別装置のテーブル作成動作について説明するための説明図である。図11は、本実施形態に係る判別装置の選択及び判別動作について説明するための説明図である。
まず、図10を参照しつつ、ハッシュテーブルHT1〜HTLが作成されるまでの動作(テーブル作成ステップ)について説明する。図10に示すように、まずステップS101において、SVM学習が行われる。つまり、判別関数算出部112により、判別関数g(x)と、その判別関数g(x)を構成する複数のサポートベクターxiが算出される。そして、ステップS103が処理され、学習結果である判別関数g(x)が判別関数記憶部121に記録され、複数のサポートベクトルxiがSV記憶部122に記録される。そしてステップS105に進む。
次に、図11を参照しつつ、実際の判別対象の特徴情報xの判別を行う場合の動作について説明する。テーブル作成動作が終了した後に、ステップS201が処理される。このステップS201では、判別対象取得部141が判別対象の特徴情報xを取得し、その判別対象の特徴情報xが最近傍探索部133及び判別部142に出力される。そしてステップS203に進む。
以上、本発明の一実施形態に係る判別装置100について説明した。この判別装置100によれば、SVMを用いて判別を行う際に、判別関数g(x)を構成するサポートベクターxiを、判別対象からの距離に応じて選択し、その選択したサポートベクターxiで構成される判別関数g’(x)により判別を行うことができる。従って、一部のサポートベクターxiに対して判別関数を計算することにより判別結果を算出でき、判別処理に要する計算量を大幅に削減することができる。特に、ガウスカーネルを用いたSVMによる判別処理は、判別精度が高いものの、計算量が多く、実際にリアルタイム処理を行う装置への適用の障害となることがあった。しかし、本実施形態に係る判別装置100によれば、判別結果への影響が少ないサポートベクターxiを削減することにより、このガウスカーネルを用いたSVMによる高い判別精度を可能な限り維持させつつ、単にSVMにより判別を行うよりも更に高速に判別処理を実行することができる。よって、判別装置100の適用範囲を、リアルタイム処理が要求される装置などを含む範囲にまで広げることが可能である。
次に、上記で詳しく説明した本発明の判別装置100が実際に適用された例について説明する。なお、本実施形態に係る判別装置100は、特徴情報が得られる様々な種類のデータに対して判別を行うような様々な実施の形態に構成することができる。以下では説明の便宜上、判別装置100が表面疵検査装置に適用された場合について説明する。そして、例えば、判別装置の判別対象は、表面疵検査装置が検出した疵の候補データ(「疵候補」ともいう。)であり、疵候補が属するかどうかを判別する複数の集合は、その疵の種類(「疵種」ともいう。)であるとして説明する。
まず、ステップS01が処理され、光源装置11から光が照射され、撮像装置12が鋼板3の照射部を撮像して、輝度分布(又は色分布)を有する撮像画像を出力する。次に、ステップS03に進む。
2 ロール
3 鋼板
4 領域
11 光源装置
12 撮像装置
14,100 判別装置
13 画像処理装置
15 判別結果記憶装置
16 表示装置
17 制御装置
110 判別関数作成部
111 学習データ記憶部
112 判別関数算出部
121 判別関数記憶部
122 SV記憶部
130 SV選択部
131 ハッシュテーブル作成部
132 ハッシュテーブル記憶部
133 最近傍探索部
134 判別関数修正部
141 判別対象取得部
142 判別部
Claims (7)
- 判別対象の複数の特徴量の値からなる判別対象のデータを、前記複数の特徴量を座標軸として張られる特徴空間に配置して、前記判別対象のデータが、判別対象を分類する種類のいずれに属するのかを、前記判別対象を特徴付ける複数の特徴量の値からなる特徴情報を入力データとする判別関数を用い、その判別関数の出力値に基づいて判別する、ガウスカーネルを使用したサポート・ベクター・マシン法を用いた判別方法であって、
前記サポート・ベクター・マシン法を用いて予め算出された判別関数を構成する複数のサポートベクターのそれぞれと前記判別対象との特徴量空間上の距離に閾値を設け、前記複数のサポートベクターの中から、前記距離が前記閾値未満であるサポートベクターを、前記判別対象の属する種類の判別に使用するサポートベクターとして選択する選択ステップと、
前記選択ステップで選択したサポートベクターで構成される判別関数を用いて、前記判別対象を判別する判別ステップと、
を有することを特徴とする、判別方法。 - 前記選択ステップでは、前記特徴情報が前記判別対象に類似するサポートベクターを選択するように、最近傍探索法を用いて前記判別対象の判別に使用するサポートベクターを選択することを特徴とする、請求項1に記載の判別方法。
- サポート・ベクター・マシン法を用いて予め算出された判別関数を構成する複数のサポートベクターを、ローカリティ・センシティブ・ハッシング法を用いて、重複を許して複数のハッシュテーブルに格納するテーブル作成ステップを更に有し、
前記選択ステップでは、前記判別対象と同一のハッシュ値を有するサポートベクターの集合を前記複数のハッシュテーブルからそれぞれ選択し、選択した当該サポートベクターの集合の和集合を前記判別対象の判別に使用するサポートベクターとして選択することを特徴とする、請求項2に記載の判別方法。 - 判別対象の複数の特徴量の値からなる判別対象のデータを、前記複数の特徴量を座標軸として張られる特徴空間に配置して、前記判別対象のデータが、判別対象を分類する種類のいずれに属するのかを、前記判別対象を特徴付ける複数の特徴量の値からなる特徴情報を入力データとする判別関数を用い、その判別関数の出力値に基づいて判別する、ガウスカーネルを使用したサポート・ベクター・マシン法を用いた判別装置であって、
前記サポート・ベクター・マシン法を用いて予め算出された判別関数を構成する複数のサポートベクターのそれぞれと前記判別対象との特徴量空間上の距離に閾値を設け、前記複数のサポートベクターの中から、前記距離が前記閾値未満であるサポートベクターを、前記判別対象の属する種類の判別に使用するサポートベクターとして選択する選択部と、
前記選択部が選択したサポートベクターで構成される判別関数を用いて、前記判別対象を判別する判別部と、
を有することを特徴とする、判別装置。 - 前記選択部は、前記特徴情報が前記判別対象に類似するサポートベクターを選択するように、最近傍探索法を用いて前記判別対象の判別に使用するサポートベクターを選択することを特徴とする、請求項4に記載の判別装置。
- サポート・ベクター・マシン法を用いて予め算出された判別関数を構成する複数のサポートベクターを、ローカリティ・センシティブ・ハッシング法を用いて、重複を許して複数のハッシュテーブルに格納するテーブル作成部を更に有し、
前記選択部は、前記判別対象と同一のハッシュ値を有するサポートベクターの集合を前記複数のハッシュテーブルからそれぞれ選択し、選択した当該サポートベクターの集合の和集合を前記判別対象の判別に使用するサポートベクターとして選択することを特徴とする、請求項5に記載の判別装置。 - コンピュータに、判別対象の複数の特徴量の値からなる判別対象のデータを、前記複数の特徴量を座標軸として張られる特徴空間に配置して、前記判別対象のデータが、判別対象を分類する種類のいずれに属するのかを、前記判別対象を特徴付ける複数の特徴量の値からなる特徴情報を入力データとする判別関数を用い、その判別関数の出力値に基づいて判別する、ガウスカーネルを使用したサポート・ベクター・マシン法を用いた判別手順を実行させるためのプログラムであって、
前記サポート・ベクター・マシン法を用いて予め算出された判別関数を構成する複数のサポートベクターのそれぞれと前記判別対象との特徴量空間上の距離に閾値を設け、前記複数のサポートベクターの中から、前記距離が前記閾値未満であるサポートベクターを、前記判別対象の属する種類の判別に使用するサポートベクターとして選択する選択手順と、
前記選択手順で選択したサポートベクターで構成される判別関数を用いて、前記判別対象を判別する判別手順と、
を実行させるためのプログラム。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008131226A JP5446127B2 (ja) | 2008-05-19 | 2008-05-19 | 判別方法、判別装置及びプログラム |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2008131226A JP5446127B2 (ja) | 2008-05-19 | 2008-05-19 | 判別方法、判別装置及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2009281742A JP2009281742A (ja) | 2009-12-03 |
JP5446127B2 true JP5446127B2 (ja) | 2014-03-19 |
Family
ID=41452362
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2008131226A Active JP5446127B2 (ja) | 2008-05-19 | 2008-05-19 | 判別方法、判別装置及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5446127B2 (ja) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8977580B2 (en) | 2010-06-14 | 2015-03-10 | Nippon Steel & Sumitomo Metal Corporation | Defect classification apparatus |
JP5592337B2 (ja) * | 2011-11-18 | 2014-09-17 | 日本電信電話株式会社 | コンテンツ変換方法、コンテンツ変換装置及びコンテンツ変換プログラム |
JP6164899B2 (ja) * | 2013-04-05 | 2017-07-19 | キヤノン株式会社 | ハッシュ値生成装置、システム、判定方法、プログラム、記憶媒体 |
JP6318026B2 (ja) * | 2014-06-26 | 2018-04-25 | アズビル株式会社 | 粒子検出装置及び粒子の検出方法 |
JP6420976B2 (ja) * | 2014-06-26 | 2018-11-07 | アズビル株式会社 | 粒子検出装置及び粒子の検出方法 |
KR102073229B1 (ko) * | 2015-06-25 | 2020-03-02 | 제이에프이 스틸 가부시키가이샤 | 표면 결함 검출 장치 및 표면 결함 검출 방법 |
-
2008
- 2008-05-19 JP JP2008131226A patent/JP5446127B2/ja active Active
Also Published As
Publication number | Publication date |
---|---|
JP2009281742A (ja) | 2009-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Habib et al. | Machine vision based papaya disease recognition | |
JP6704005B2 (ja) | 血液学用デジタルホログラフィ顕微鏡検査データ分析 | |
JP6781415B2 (ja) | ニューラルネットワーク学習装置、方法、プログラム、およびパターン認識装置 | |
WO2017084408A1 (zh) | 检查货物的方法和系统 | |
JP5446127B2 (ja) | 判別方法、判別装置及びプログラム | |
US20210110215A1 (en) | Information processing device, information processing method, and computer-readable recording medium recording information processing program | |
JP2008077403A (ja) | 評価装置、評価方法及び評価プログラム | |
Kaur et al. | Computer vision-based tomato grading and sorting | |
Ju et al. | Classification of jujube defects in small data sets based on transfer learning | |
Arbeláez et al. | Experimental evaluation of support vector machine-based and correlation-based approaches to automatic particle selection | |
TW202347396A (zh) | 用於晶圓之成像資料集中異常之偵測與分類的電腦實施方法以及使用此方法的系統 | |
JP5298552B2 (ja) | 判別装置、判別方法及びプログラム | |
Sharma et al. | Enhancing wheat crop resilience: An efficient deep learning framework for the detection and classification of rust disease | |
JP4343140B2 (ja) | 評価装置及びそのコンピュータプログラム | |
Jena et al. | Elitist TLBO for identification and verification of plant diseases | |
Rajesh et al. | Automatic data acquisition and spot disease identification system in plants pathology domain: agricultural intelligence system in plant pathology domain | |
JP2022089430A (ja) | 画像処理システム、及び画像処理プログラム | |
Lin | Adaptive principal component analysis combined with feature extraction‐based method for feature identification in manufacturing | |
Roy et al. | Predictive Analysis & Classification of Diseases in Organs using Modified-C Clustering Technique | |
Tariq et al. | Machine learning approaches for the classification of knee osteoarthritis | |
Ma et al. | Visual detection of cells in brain tissue slice for patch clamp system | |
Oriana et al. | A Naive ConvNet Model for Defect Identification and Grading of Mangoes | |
Kavitha et al. | Sugarcane Classification of Image Processing and Convolutional Neural Networks | |
Reddy et al. | Opposition Crow Search-based Optimal Feature Selection for Defect Classification by SVM in Semiconductor Wafer | |
Mustafaev et al. | Enhancing Metal Surface Defect Recognition through Image Patching and Synthetic Defect Generation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20100810 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20120328 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20130305 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20130426 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20131203 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20131216 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 5446127 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
S533 | Written request for registration of change of name |
Free format text: JAPANESE INTERMEDIATE CODE: R313533 |
|
R350 | Written notification of registration of transfer |
Free format text: JAPANESE INTERMEDIATE CODE: R350 |