JPH04352078A - 栗の形状識別方法 - Google Patents
栗の形状識別方法Info
- Publication number
- JPH04352078A JPH04352078A JP3155812A JP15581291A JPH04352078A JP H04352078 A JPH04352078 A JP H04352078A JP 3155812 A JP3155812 A JP 3155812A JP 15581291 A JP15581291 A JP 15581291A JP H04352078 A JPH04352078 A JP H04352078A
- Authority
- JP
- Japan
- Prior art keywords
- output
- shape
- layer
- image
- input
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 229930014626 natural product Natural products 0.000 title claims abstract description 23
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 241001070941 Castanea Species 0.000 description 29
- 235000014036 Castanea Nutrition 0.000 description 29
- 230000008878 coupling Effects 0.000 description 18
- 238000010168 coupling process Methods 0.000 description 18
- 238000005859 coupling reaction Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 8
- 230000005484 gravity Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- GNFTZDOKVXKIBK-UHFFFAOYSA-N 3-(2-methoxyethoxy)benzohydrazide Chemical compound COCCOC1=CC=CC(C(=O)NN)=C1 GNFTZDOKVXKIBK-UHFFFAOYSA-N 0.000 description 2
- 241000251468 Actinopterygii Species 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 2
- FGUUSXIOTUKUDN-IBGZPJMESA-N C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 Chemical compound C1(=CC=CC=C1)N1C2=C(NC([C@H](C1)NC=1OC(=NN=1)C1=CC=CC=C1)=O)C=CC=C2 FGUUSXIOTUKUDN-IBGZPJMESA-N 0.000 description 2
- 241001672694 Citrus reticulata Species 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 101000582320 Homo sapiens Neurogenic differentiation factor 6 Proteins 0.000 description 1
- 102100030589 Neurogenic differentiation factor 6 Human genes 0.000 description 1
- YTAHJIFKAKIKAV-XNMGPUDCSA-N [(1R)-3-morpholin-4-yl-1-phenylpropyl] N-[(3S)-2-oxo-5-phenyl-1,3-dihydro-1,4-benzodiazepin-3-yl]carbamate Chemical compound O=C1[C@H](N=C(C2=C(N1)C=CC=C2)C1=CC=CC=C1)NC(O[C@H](CCN1CCOCC1)C1=CC=CC=C1)=O YTAHJIFKAKIKAV-XNMGPUDCSA-N 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 238000005316 response function Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Length Measuring Devices By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Image Processing (AREA)
Abstract
め要約のデータは記録されません。
Description
別、魚類の種類、遺伝子や細菌等の識別等に応用可能な
天然産物またはその加工品の形状識別方法に関する。
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は適応でき
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、等級選別あるいはその種別判別等に
も応用可能な天然産物またはその加工品の形状識別方法
を提供することを目的とする。
1項記載の天然産物またはその加工品の形状識別方法は
、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通して、形状識別を行う
ようにして構成されている。また、請求項第2項記載の
天然産物またはその加工品の形状識別方法は、請求項第
1項記載の方法において、形状識別によって天然産物ま
たはその加工品の等級選別を行うようにして構成されて
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、T
k :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、Vji: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I
i が、結合係数Wji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T
k 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。
(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。
p への影響は、(5)、(7)式より次の通りとなる
。
数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。
(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。
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。
。
ji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 ,γ
k 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O
k 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Ok 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Vk
j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、制限回数を越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FDM9
8−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。
。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1
1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1
2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づ
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示信号を決め、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16×15
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、天然産物またはその加工品の一例として、
栗を適用したが、ミカンの果実であっても良いし、魚、
バクテリア等であっても良い。
たはその加工品の形状識別方法は、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天然産物
またはその加工品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、ただ単に一つ
の天然産物またはその加工品のみならず、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。
Claims (2)
- 【請求項1】 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通して、
形状識別を行うことを特徴とする天然産物またはその加
工品の形状識別方法。 - 【請求項2】 形状識別によって天然産物またはその
加工品の等級選別を行う請求項第1項記載の天然産物ま
たはその加工品の形状識別方法。
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 true JPH04352078A (ja) | 1992-12-07 |
JP3344731B2 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 (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06258138A (ja) * | 1992-12-12 | 1994-09-16 | Rwe Entsorgung Ag | 物体を識別する方法とこの方法を実行する装置 |
JPH0778028A (ja) * | 1993-06-18 | 1995-03-20 | Masanori Sugisaka | 自立走行車 |
JPH09509247A (ja) * | 1993-05-28 | 1997-09-16 | アクシオム・ビルトフェラルバイツンクスシステメ・ゲーエムベーハー | 自動検査装置 |
JP2018096834A (ja) * | 2016-12-13 | 2018-06-21 | 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 |
CN108253938A (zh) * | 2017-12-29 | 2018-07-06 | 武汉大学 | Tbm破岩矿渣数字近景摄影测量识别及反演方法 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020007629A1 (en) | 2000-07-21 | 2002-01-24 | Toyota Jidosha Kabushiki Kaisha | Device for purifying the exhaust gas of an internal combustion engine |
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 |
-
1991
- 1991-05-29 JP JP15581291A patent/JP3344731B2/ja not_active Expired - Lifetime
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06258138A (ja) * | 1992-12-12 | 1994-09-16 | Rwe Entsorgung Ag | 物体を識別する方法とこの方法を実行する装置 |
JPH09509247A (ja) * | 1993-05-28 | 1997-09-16 | アクシオム・ビルトフェラルバイツンクスシステメ・ゲーエムベーハー | 自動検査装置 |
JPH0778028A (ja) * | 1993-06-18 | 1995-03-20 | Masanori Sugisaka | 自立走行車 |
JP2018096834A (ja) * | 2016-12-13 | 2018-06-21 | 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 |
US11120287B2 (en) | 2016-12-13 | 2021-09-14 | Sony Semiconductor Solutions Corporation | Data processing device, data processing method, program, and electronic device |
JP2021165754A (ja) * | 2016-12-13 | 2021-10-14 | ソニーセミコンダクタソリューションズ株式会社 | イメージングシステム、イメージング処理方法、およびプログラム |
US11869233B2 (en) | 2016-12-13 | 2024-01-09 | Sony Semiconductor Solutions Corporation | Data processing device, data processing method, program, and electronic device |
CN108253938A (zh) * | 2017-12-29 | 2018-07-06 | 武汉大学 | Tbm破岩矿渣数字近景摄影测量识别及反演方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
JP3344731B2 (ja) | 2002-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7132701B2 (ja) | タイヤ画像の認識方法及びタイヤ画像の認識装置 | |
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 | |
CN109325395A (zh) | 图像的识别方法、卷积神经网络模型的训练方法及装置 | |
CN108171212A (zh) | 用于检测目标的方法和装置 | |
RU2665273C2 (ru) | Обучаемые визуальные маркеры и способ их продуцирования | |
Batchelor et al. | Interactive image processing for machine vision | |
RU2360289C1 (ru) | Способ помехоустойчивого градиентного выделения контуров объектов на цифровых изображениях | |
CN111582074A (zh) | 一种基于场景深度信息感知的监控视频树叶遮挡检测方法 | |
JP2021179833A (ja) | 情報処理装置、情報処理方法及びプログラム | |
JPH04352078A (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 | |
Gomez-Villa et al. | On the synthesis of visual illusions using deep generative models | |
CN112766460A (zh) | 一种基于子区域和bp神经网络的焊缝识别方法 | |
Terry et al. | Edge detection using neural networks | |
JPH05265369A (ja) | 学習装置 | |
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 | |
Pinz et al. | Constructing a neural network for the interpretation of the species of trees in aerial photographs | |
RU2625523C1 (ru) | Способ определения охраноспособности обозначений в качестве товарных знаков | |
CN109101969A (zh) | 一种基于字符识别的图像处理方法及装置 | |
JPH08138025A (ja) | 画像識別パラメータの決定方法及び画像認識方法 | |
Weller | Artificial neural net learns the Sobel operators (and more) | |
WO2021241173A1 (ja) | 学習装置、学習方法及び学習プログラム、認識装置、認識方法及び認識プログラム並びに学習認識装置 | |
Sendari et al. | Development of Image Processing Simulator: Case Study on Robotic Soccer | |
JPH03265981A (ja) | 視覚認識装置 |
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 |