JPH04352078A

JPH04352078A - 栗の形状識別方法

Info

Publication number: JPH04352078A
Application number: JP3155812A
Authority: JP
Inventors: Masanori Sugisaka; 杉坂　政典
Original assignee: Individual
Current assignee: Individual
Priority date: 1991-05-29
Filing date: 1991-05-29
Publication date: 1992-12-07
Anticipated expiration: 2017-11-18
Also published as: JP3344731B2

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、栗、みかん等の等級選
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。

【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。

【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。

【０００４】

【課題を解決するための手段】前記目的に沿う請求項第
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。

【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、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。

【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。

【０００８】

【数２】

【０００９】したがって、結合係数Ｖｋｊの２乗誤差Ｅ
ｐ　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。

【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。

【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。

【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。

【００１８】

【数７】

【００１９】よって、（１３）式は、次式の通りとなる
。

【００２０】

【数８】

【００２１】したがって、結合係数Ｗｊｉの更新値ΔＷ
ｊｉ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　，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）。

【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。

【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。

【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。

【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。

【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。

【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。

【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１６×１５
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。

【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、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。

【００３５】

【発明の効果】請求項第１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、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。

【図面の簡単な説明】

【図１】本発明の一実施例を行う装置の概略構成図であ
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。

【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。

【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。

【符号の説明】

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

Claims

【特許請求の範囲】

【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。