JPH04337406A - 鋼板の表面等級判別方法 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、鋼板の表面等級判別方
法、特に、オンライン又はオフラインで鋼板の表面等級
を判別するに際し、鋼板表面の特徴を計測する複数のセ
ンサを用いて行う、表面等級の判別に適用して好適な鋼
板の表面等級判別方法に関する。

【０００２】

【従来の技術】鋼板表面の特徴を計測する複数個のセン
サを用いて行う鋼板の表面等級判別方法としては、各セ
ンサから得られる鋼板表面の粗度、光沢度、白色度等の
特徴量を表わしているデータを表面等級判別のための因
子として取扱い、目視等により決定した鋼板の表面等級
と、その鋼板における上記各因子の値との対応を調べ、
これら各因子と表面等級の関係を回帰的に決定すること
により、表面等級を判別する方法がある。

【０００３】この表面等級の判別方法では、各因子によ
り形成される空間を等級毎に領域分割し、入力される因
子がどの領域に含まれるかを調べることにより、等級判
別を行っていると解釈することができる。この領域分割
の方法としては、一般に判別関数を用いるか、あるいは
人間の判断によって座標上に境界を設定する方法が採用
されている。

【０００４】

【発明が解決しようとする課題】しかしながら、上記鋼
板の表面等級判別方法では、上述の如く、領域分割の方
法として、判別関数を用いるか、あるいは人間の判断に
より座標上に境界を設定する方法を採用しているため、
因子の数（入力データの種類）が３以上になったときに
は対応が困難である、複雑な領域の分割は困難である、
等の問題がある。

【０００５】本発明は、前記従来の問題点を解決するべ
くなされたもので、鋼板表面の特徴量である判別因子に
より形成される空間を等級毎に領域分割する場合、因子
の数に関係なく、又、領域の分割が複雑であっても、等
級毎に領域分割することを可能とし、表面等級を高精度
に判別することができる、鋼板の表面等級判別方法を提
供することを課題とする。

【０００６】

【課題を解決するための手段】本発明は、鋼板表面の特
徴を計測する複数のセンサを用いて、鋼板の表面等級を
判別する鋼板の表面等級判別方法において、センサから
得られるデータ群をベクトルとして表現して入力ベクト
ルとし、上記入力ベクトルの次元と同数の入力ユニット
を有する入力層と、判別すべき表面等級と同数のグルー
プに分割され、且つ各グループにそれぞれ同数のコホー
ネンユニットを有するコホーネン層とを備えたニューラ
ルネットワークを構築し、上記ニューラルネットワーク
に対して学習ベクトル量子化法の学習則に従って学習を
行い、然る後、上記入力ベクトルを上記ニューラルネッ
トワークによるベクトル量子化法により分類し、鋼板の
表面等級の判別を行うことにより、前記課題を達成した
ものである。

【０００７】本発明は、又、鋼板表面の特徴を計測する
複数のセンサを用いて、鋼板の表面等級を判別する鋼板
の表面等級判別方法において、センサから得られるデー
タ群をベクトルとして表現して入力ベクトルとし、上記
入力ベクトルの次元と同数の入力ユニットを有する入力
層と、判別すべき表面等級と同数のグループに分割され
、且つ少なくとも１つのグループに他のグループと異な
る数のコホーネンユニットを有するコホーネン層とを備
えたニューラルネットワークを構築し、上記ニューラル
ネットワークに対して学習ベクトル量子化法の学習則に
従って学習を行い、然る後、上記入力ベクトルを上記ニ
ューラルネットワークによるベクトル量子化法により分
類し、鋼板の表面等級の判別を行うことにより、同様に
、前記課題を達成したものである。

【０００８】本発明は、更に、前記何れかの鋼板の表面
等級判別方法において、ニューラルネットワークに対し
て学習を行う際に、各グループの学習前のニューラルネ
ットワークの重みベクトルの初期値として、そのグルー
プの学習データの平均値を用いることにより、一層確実
に前記課題を達成したものである。

【０００９】

【作用】まず、本発明に適用される、ニューラルネット
ワークによるベクトル量子化法と、該ニューラルネット
ワークに対する学習について説明する。なお、以下、〔
〕の表記はベクトルを表わす。

【００１０】ニューラルネットワークを用いたベクトル
量子化方法としては、コホーネンらによる学習ベクトル
量子化（以下、ＬＶＱとも表記する）の技術が提案され
ている（Ｔ．Ｋｏｈｏｎｅｎ．ｅｔ　　ａｌ．：”Ｓｔ
ａｔｉｓｔｉｃａｌ　　Ｐａｔｔｅｒｎ　　Ｒｅｃｏｇ
ｎｉｔｉｏｎ　　ｗｉｔｈＮｅｕｒａｌ　Ｎｅｔｗｏｒ
ｋｓ　：Ｂｅｎｃｈｍａｒｋｉｎｇ　Ｓｔｕｄｉｅｓ”
，Ｐｒｏｃｅｅｄｉｎｇ　ｏｆ　　ＴｈｅＳｅｃｏｎｄ
　Ａｎｎｕａｌ　ＩＥＥＥ　　ＩＣＮＮ，Ｖｏｌ．１，
１９８８）。

【００１１】上記ＬＶＱでは、入力層とコホーネン層か
ら構成されるニューラルネットワークを使用する。上記
入力層は、入力ベクトルの次元に対応した数の入力ユニ
ットを有しており、コホーネン層にはカテゴリ数に対応
してグループ分けされたコホーネンユニットを有してい
る。各グループ（カテゴリ）に含まれるコホーネンユニ
ットの数は、通常、同一である。

【００１２】上記ニューラルネットによる判別は、入力
ベクトルと全てのコホーネンユニットとの間の、ユーク
リッド距離を求め、最小距離となったコホーネンユニッ
トが属するグループに割当てられたカテゴリに、上記入
力ベクトルを分類することで行われる。

【００１３】又、上記ニューラルネットワークに対する
学習は、入力ベクトルとそのベクトルが属するカテゴリ
を繰返し提示し、コホーネンユニットの位置（コホーネ
ンユニットの位置は、各入力ユニットとそのコホーネン
ユニットの間の結合重みとして表現される）を修正する
ことにより行う。このＬＶＱの学習則を、以下に説明す
る。なお、コホーネンユニットｉ　の位置を重みベクト
ル〔Ｗｉ　〕で表わす。

【００１４】まず、入力ベクトル〔Ｘ〕と重みベクトル
〔Ｗｉ　〕間の距離ｄｉ（通常、ユークリッド距離）を
、次の（１）式で求める。

【００１５】

【数１】

【００１６】次に、求めた距離の中から最小のもの、つ
まり入力ベクトルと最も近い重みベクトルを持つコホー
ネンユニットを選ぶ。但し、最小のものが複数個存在す
るときは、それらの中から任意に一つ選ぶものとする。 このとき、選ばれるコホーネンユニットがどのクラス（
グループ）に割当てられているかを考慮する必要はない
。ここで、上記のように選ばれたコホーネンユニットを
、「ネットワークに広がる勝者」と呼ぶことにする。

【００１７】このニューラルネットワークに対する学習
は、選ばれた上記コホーネンユニットが正しいクラスに
割当てられているかどうかを調べ、その結果に基づいて
、そのユニットの重みベクトルを修正し、更新する方法
で行われる。その際、学習前の初期状態として、各重み
ベクトルの値をランダムに設定しておく。

【００１８】即ち、選ばれたコホーネンユニット（ネッ
トワークに広がる勝者）は正しいクラスにあるときは、
そのユニットの重みベクトルを、入力ベクトルと現在の
重みベクトルを結ぶ直線上を入力ベクトルの方向へ少し
移動させる更新が行われる。つまり、そのコホーネンユ
ニットの重みベクトルを入力ベクトルの方向へ近付ける
。逆に、正しいクラスにないときは、そのコホーネンユ
ニットの重みベクトルを同じ直線上を入力ベクトルと逆
の方向へ少し移動させる更新が行われる。

【００１９】以上の関係は、下記（２）式、（３）式で
表わす更新規則として表現することができる。

【００２０】ネットワークに拡がる勝者が正しいクラス
にあるとき〔Ｗｎ　〕＝〔Ｗｏ　〕＋α（〔Ｘ〕−〔Ｗ
ｏ　〕）　　　　　　…（２）

【００２１】ネットワークに拡がる勝者が正しいクラス
にないとき〔Ｗｎ　〕＝〔Ｗｏ　〕−γ（〔Ｘ〕−〔Ｗ
ｏ　〕）　　　　　　…（３）

【００２２】ここで、〔Ｗｏ　〕は更新前の重みベクト
ル、〔Ｗｎ　〕は更新後の重みベクトル、〔Ｘ〕は入力
ベクトルである。又、α、γは学習率であり、問題に応
じて適当に定めるものとする。

【００２３】ところで、上述した学習則では、コホーネ
ンユニットの中に、あまり学習に関与しない、つまり重
みベクトルの修正頻度の低いユニットが生じてくる可能
性がある。このようなあまり学習に関与しないコホーネ
ンユニットは、初めにランダムに与えた重みベクトルを
持ち続けることになる。その結果、ニューラルネットワ
ークに対して学習を行った後、該ニューラルネットワー
クを用いて未知のデータについて実際に認識を行うとき
には、適切な内挿が妨げられる可能性がある。

【００２４】そこで、このような場合には、重みベクト
ルの修正頻度の低いコホーンネンユニットが生じること
を避けるために、デジーノが提案した次の機能を採用す
る（Ｄ．Ｄｅ　Ｓｉｅｎｏ：”Ａｄｄｉｎｇ　Ａ　　Ｃ
ｏｎｓｃｉｅｎｃｅ　ｔｏ　　Ｃｏｍｐｅｔｉｔｉｖｅ
　　Ｌｅａｒｎｉｎｇ”，Ｐｒｏｃｅｅｄｉｎｇ　ｏｆ
　　Ｔｈｅ　　Ｓｅｃｏｎｄ　Ａｎｎｕａｌ　ＩＥＥＥ
　　ＩＣＮＮ，Ｖｏｌ．１，１９８８）。

【００２５】まず、入力ベクトルのクラスに割当てられ
たグループに属する各コホーネンユニットから、該入力
ベクトルとの間で最も小さい距離を持つコホーネンユニ
ット（これを、「クラス内勝者」と呼ぶ）を選ぶための
付加競合を行う。この付加競合においては、グループ内
における各々のコホーネンユニットの相対的な勝ち頻度
に応じて決まる、次の（４）式で表わされる偏った距離
ｄｉ′を用いる。

【００２６】ｄｉ′＝ｄｉ−ｂｉ　　　　　　　　　　
　　…（４）但し、ｂｉ＝ｃ　（１／Ｎ−ｐｉ） ｃ　：偏り係数（ゲイン） Ｎ：クラス当たりのコホーネンユニット数ｐｉ：ｉ　番
目のコホーネンユニットの相対勝ち数

【００２７】上記
偏った距離ｄｉ′を導入することにより、勝ち数の多い
ユニットには、大きく偏った距離を、勝ち数の少ないユ
ニットには、小さく偏った距離を用いるようになる。そ
の結果、同一クラス内における各ユニット間で、勝つ回
数にばらつきが生じることがなくなってくる。

【００２８】上述の付加競合により、クラス内勝者が選
ばれた後、このクラス内勝者と前記ネットワークに広が
る勝者の重みベクトルを、以下のようにして更新する。

【００２９】クラス内勝者の場合は、次の（５）式、（
６）式で与えられる更新規則に従って更新される。ここ
で、α、βは、学習率である。

【００３０】クラス内勝者が正しいクラスにあるとき〔
Ｗｎ　〕＝〔Ｗｏ〕＋α（〔Ｘ〕−〔Ｗｏ　〕）　　　
　　　…（５）

【００３１】クラス内勝者が正しいクラスにないとき〔
Ｗｎ　〕＝〔Ｗｏ〕＋β（〔Ｘ〕−〔Ｗｏ　〕）　　　
　　　…（６）

【００３２】次いで、ネットワークに広がる勝者の場合
は、正しいクラスにあるときは、該勝者はクラス内勝者
でもあるから、上記（５）式に従って更新され、逆に正
しいクラスにないときは、前述した（３）式に従って更
新される。

【００３３】本発明においては、上述した原理を用いて
、センサから得られるデータ群をベクトルとして表現し
、このベクトルをニューラルネットワークによるベクト
ル量子化方法により分類し、鋼板の表面等級の判別を行
う。

【００３４】図１は、本発明に適用される、ニューラル
ネットワークの一例を示す概略構成図である。

【００３５】上記ニューラルネットワークは、図２に示
すように、鋼板Ｐに近接して配置した複数のセンサ１〜
ｎ　から、鋼板Ｐの表面の特徴量を表わしているデータ
Ｓ１　〜Ｓｎ　がベクトルとして入力される入力層と、
これらデータを等級毎に判別するためのコホーネン層を
備えている。

【００３６】上記入力層は、入力されるベクトル（入力
ベクトル）（Ｓ１　、Ｓ２　、・・・Ｓｎ　）の次元と
同数（ｎ　個）の入力ユニットで構成されている。又、
上記コホーネン層は、Ｒ１　〜Ｒｋ　のｋ　個にグルー
プ分けされたカテゴリ（クラス、グループ）で構成され
、これらカテゴリＲ１　〜Ｒｋ　はそれぞれ鋼板の表面
等級を表わしている。上記各カテゴリは、それぞれＵｋ
　個のコホーネンユニットを有している。

【００３７】各カテゴリに含まれるコホーネンユニット
の数Ｕｋ　は、通常、全てのカテゴリで同数とされるが
、表面等級毎のデータの数や分布に差があるときは、そ
れに応じてコホーネン層における各グループ内のユニッ
ト数を変えることもできる。このようすると、表面等級
毎のデータの数や分布に差があるときでも等級判別を高
精度に行うことができる。

【００３８】又、入力層に含まれる任意の入力ユニット
ｉ　と、コホーネン層に含まれる任意のコホーネンユニ
ットｊ　とは、結合重みＷｉｊで結合されている。

【００３９】本発明では、入力層を構成する入力ユニッ
トに鋼板表面の特徴量を表わすベクトルを入力し、各コ
ホーネンユニットとその入力ベクトルとのユークリッド
距離を求め、その距離が最小となったコホーネンユニッ
トが属するグループに割当てられたカテゴリ（クラス）
に分類することにより、鋼板の表面等級の判別を行う。

【００４０】即ち、センサから得られる情報群をベクト
ル表現した入力ベクトル（Ｓ１　、Ｓ２　、・・・Ｓｎ
　）に対し、学習ベクトル量子化方法によりｋ　個のカ
テゴリＲ１　、Ｒ２　、・・・Ｒｋ　に分類を行う。

【００４１】ニューラルネットワークに対する学習は、
前述した通常のＬＶＱ（学習ベクトル量子化）の学習方
法に従って行う。

【００４２】学習のためのデータとして、入力ベクトル
データ〔Ｓ〕と、それに対するカテゴリ（クラス）の指
標ｒ　との組を各クラス毎に複数個用意する。

【００４３】まず、上記ニューラルネットワークに対し
て、予め用意した学習用データ〔Ｓ〕と、そのカデコリ
の指標ｒ　を与え、前述の学習則に従って結合重みベク
トル〔Ｗ〕の修正を行う。

【００４４】このとき、各入力ユニットからコホーネン
ユニットｊ　への重みベクトル（Ｗ１ｊ、Ｗ２ｊ、・・
・Ｗｎｊ）の初期値としては、ランダムに設定すること
もできるが、コホーネンユニットｊ　が属するクラスに
おける全学習データの平均値を用いると、学習を円滑に
行うことができる。

【００４５】ニューラルネットワークに対する学習が終
了した後、判別の対象である上記入力ベクトル（Ｓ１　
、Ｓ２　、・・・Ｓｎ　）に対し、コホーネンユニット
ｊ　との間の距離ｄｊを次の（７）式（前記（１）式に
相当する）により求め、このｄｊが最小になるユニット
が属しているカテゴリに上記入力ベクトルを分類するこ
とにより、表面等級の判別を行う。

【００４６】

【数２】

【００４７】なお、この分類に際しては、前記（４）式
に相当する偏った距離の概念を利用することもできる。

【００４８】

【実施例】以下、図面を参照して、本発明の実施例を詳
細に説明する。

【００４９】図３は、本発明の一実施例に適用するニュ
ーラルネットワークを示す概略構成図である。又、図４
〜図６は、学習用データであり、図７〜図９は本実施例
の判別方法を評価するために使用するテスト用データで
ある。上記学習用データ、テスト用データは、共にラン
ダムに抽出したものである。

【００５０】本実施例は、ステンレス鋼板の表面等級判
別を行うもので、センサから入力される情報である鋼板
表面の特徴量が、表面粗度Ｓ１　、光沢度Ｓ２　、白色
度Ｓ３　の３つの因子である場合に、Ａ〜Ｄの４等級（
カテゴリ）に分類する判別を行うものである。

【００５１】従って、使用するニューラルネットワーク
は、３つの入力ユニットで構成された入力層と、４つの
カテゴリＡ〜Ｄで構成されたコホーネン層とを備えてい
る。又、上記カテゴリＡ〜Ｄは、それぞれ５つのコホー
ネンユニットを有しているので、コホーネン層は全体と
して２０個のコホーネンユニットで構成されている。

【００５２】上記ニューラルネットワークを用いて、前
述した学習ベクトル量子化法により、上記センサ情報Ｓ
１　〜Ｓ３　に対する表面等級判別を行う。

【００５３】まず、上記ニューラルネットワークに対し
、図４〜図６の学習用データを用いて前述したＬＶＱの
学習則に従って学習を行った。この学習用データは、図
４、図５及び図６は、それぞれ３つの因子のうち、Ｓ１
　とＳ２　の関係、Ｓ１　とＳ３　の関係及びＳ２　と
Ｓ３　の関係を示したものである。

【００５４】又、学習に際しては、重みベクトルの初期
値として、各等級（カテゴリ）におけるデータの平均値
を用いた。

【００５５】この学習において、（Ｓ１　、Ｓ２　、Ｓ
３　）が前述の学習用データ〔Ｓ〕に対応し、各図にお
けるＡ、Ｂ、Ｃ、Ｄが前述のカテゴリの指標ｒ　に対応
している。

【００５６】上記学習を行った後、上記学習用データ図
４〜図６にそれぞれ相当する図７〜図９のテスト用デー
タを、学習後の上記ニューラルネットワークに判別させ
、本実施例の判別方法を評価する実験を行った。

【００５７】上記学習用データに対するニューラルネッ
トワークによる判別実験の結果を表１に、又、上記テス
ト用データに対するニューラルネットワークによる判別
実験の結果を表２に、それぞれ示す。

【００５８】

【表１】

【００５９】

【表２】

【００６０】上記表１、表２は、表面等級Ａ〜Ｄの入力
データを、ニューラルネットワークの入力層に入力した
際に、Ａ〜Ｄのどの等級に判別されたかを数で表わした
ものである。前記表１、表２により、正しく判別された
割合（正判別率）は、学習用データでは７３．４％で、
テスト用データでは７０．０％であった。

【００６１】なお、一般的な統計的方法である判別分析
による判別との比較を行うため、前記学習用データより
判別関数を導出し、その判別関数を用いてテスト用デー
タに対して判別を行った結果を、下記表３及び表４に示
す。

【００６２】表３は、学習用データに対し、判別関数を
用いて判別実験を行った結果を示し、表４はテストデー
タに対し、同じく判別関数を用いて行った結果を示した
ものである。

【００６３】

【表３】

【００６４】

【表４】

【００６５】上記表３及び表４より、学習用データの場
合は、正判別率が６７．３％でテスト用データの場合は
６４．０％であった。

【００６６】この結果より、本実施例のニューラルネッ
トワークによる判別方法が、従来の判別関数による判別
方法に比較し、高精度な判別を行うことができることが
わかる。

【００６７】以上、本発明を具体的に説明したが、本発
明は、前記実施例に示したものに限定されるものでなく
、その要旨を逸脱しない範囲で種々変更可能である。

【００６８】例えば、実施例では、入力データが３つ、
即ち、判別因子が３つの場合について説明したが、入力
データは４つ以上であってもよい。

【００６９】又、コホーネン層を構成するカテゴリの数
は判別する等級数に応じて任意に変更可能であり、又、
各コホーネン層に含まれるコホーネンユニットの数も任
意に変更することができる。

【００７０】

【発明の効果】以上説明した通り、本発明によれば、鋼
板の表面の特徴量を表わすセンサ情報をベルトル表現し
て入力ベクトルとし、該入力ベクトルを学習ベルトル量
子化法により分類して鋼板の表面等級の判別を行うよう
にしたので、高精度な等級判別が可能となった。

【００７１】又、従来法では、判別のための因子が３つ
以上になると対応が困難であるが、学習ベルトル量子化
法によるベクトル量子化を適用することにより、因子の
数に関係なく判別が可能となった。

【図面の簡単な説明】

【図１】図１は、ベクトル量子化を行うために用いるニ
ューラルネットワークを示す概略構成図である。

【図２】図２は、鋼板と、該鋼板の表面を測定するセン
サを示す概略説明図である。

【図３】図３は、本発明の一実施例に適用するニューラ
ルネットワークを示す概略構成図である。

【図４】図４は、表面粗度Ｓ１　と光沢度Ｓ２　の関係
を示す学習用データである。

【図５】図５は、表面粗度Ｓ１　と白色度Ｓ３　の関係
を示す学習用データである。

【図６】図６は、光沢度Ｓ２　と白色度Ｓ３　の関係を
示す学習用データである。

【図７】図７は、表面粗度Ｓ１　と光沢度Ｓ２　の関係
を示すテスト用データである。

【図８】図８は、表面粗度Ｓ１　と白色度Ｓ３　との関
係を示すテスト用データである。

【図９】図９は、光沢度Ｓ２　と白色度Ｓ３　の関係を
示すテスト用データである。

【符号の説明】

１〜ｎ　…センサ、 Ｓ１　〜Ｓｎ　…センサ情報、 Ｒ１　〜Ｒｋ　…カテゴリー。

Claims (3)

【特許請求の範囲】
1. 【請求項１】鋼板表面の特徴を計測する複数のセンサを
   用いて、鋼板の表面等級を判別する鋼板の表面等級判別
   方法において、センサから得られるデータ群をベクトル
   として表現して入力ベクトルとし、上記入力ベクトルの
   次元と同数の入力ユニットを有する入力層と、判別すべ
   き表面等級と同数のグループに分割され、且つ各グルー
   プにそれぞれ同数のコホーネンユニットを有するコホー
   ネン層とを備えたニューラルネットワークを構築し、上
   記ニューラルネットワークに対して学習ベクトル量子化
   法の学習則に従って学習を行い、然る後、上記入力ベク
   トルを上記ニューラルネットワークによるベクトル量子
   化法により分類し、鋼板の表面等級の判別を行うことを
   特徴とする鋼板の表面等級判別方法。
2. 【請求項２】鋼板表面の特徴を計測する複数のセンサを
   用いて、鋼板の表面等級を判別する鋼板の表面等級判別
   方法において、センサから得られるデータ群をベクトル
   として表現して入力ベクトルとし、上記入力ベクトルの
   次元と同数の入力ユニットを有する入力層と、判別すべ
   き表面等級と同数のグループに分割され、且つ少なくと
   も１つのグループに他のグループと異なる数のコホーネ
   ンユニットを有するコホーネン層とを備えたニューラル
   ネットワークを構築し、上記ニューラルネットワークに
   対して学習ベクトル量子化法の学習則に従って学習を行
   い、然る後、上記入力ベクトルを上記ニューラルネット
   ワークによるベクトル量子化法により分類し、鋼板の表
   面等級の判別を行うことを特徴とする鋼板の表面等級判
   別方法。
3. 【請求項３】請求項１又は請求項２において、ニューラ
   ルネットワークに対して学習を行う際に、各グループの
   学習前のニューラルネットワークの重みベクトルの初期
   値として、そのグループの学習データの平均値を用いる
   ことを特徴とする鋼板の表面等級判別方法。