JPH05266190A - 色識別装置 - Google Patents
色識別装置Info
- Publication number
- JPH05266190A JPH05266190A JP4091682A JP9168292A JPH05266190A JP H05266190 A JPH05266190 A JP H05266190A JP 4091682 A JP4091682 A JP 4091682A JP 9168292 A JP9168292 A JP 9168292A JP H05266190 A JPH05266190 A JP H05266190A
- Authority
- JP
- Japan
- Prior art keywords
- color
- data
- colors
- component data
- unit
- 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.)
- Withdrawn
Links
Abstract
(57)【要約】
【目的】 オペレータに、プログラミングおよび色識別
に関する専門的知識が要求されることなく、色識別対象
および環境の変化に簡単に適応して、色成分データから
色を識別できるようにする。 【構成】 出力層が、識別を必要とする色の数に等しい
数のユニットを有し、各ユニットにそれぞれ特定の色が
割り当てられ、入力層が色成分データを受けたときに、
最大値を出力するユニットに割り当てられた色を識別結
果として出力するニューラルネットワーク１０を備え
る。
に関する専門的知識が要求されることなく、色識別対象
および環境の変化に簡単に適応して、色成分データから
色を識別できるようにする。 【構成】 出力層が、識別を必要とする色の数に等しい
数のユニットを有し、各ユニットにそれぞれ特定の色が
割り当てられ、入力層が色成分データを受けたときに、
最大値を出力するユニットに割り当てられた色を識別結
果として出力するニューラルネットワーク１０を備え
る。
Description
【０００１】
【産業上の利用分野】本発明は、例えば、色付き部品の
認識等の好適な色識別装置に関する。
認識等の好適な色識別装置に関する。
【０００２】
【従来の技術】従来、Ｒ（ＲＥＤ＝赤）値、Ｇ（ＧＲＥ
ＥＮ＝緑）値、Ｂ（ＢＬＵＥ＝青）値を用いた色識別の
場合、あるひとつの色に対して、そのＲＧＢ値の範囲を
設定して行うのが一般的である。そして、この色識別の
ル−ルはシステムのプログラムの一部として書かれてい
る場合がほとんどである。
ＥＮ＝緑）値、Ｂ（ＢＬＵＥ＝青）値を用いた色識別の
場合、あるひとつの色に対して、そのＲＧＢ値の範囲を
設定して行うのが一般的である。そして、この色識別の
ル−ルはシステムのプログラムの一部として書かれてい
る場合がほとんどである。
【０００３】
【発明が解決しようとする課題】上述の従来技術におい
ては、色識別対象が変わったり、照明などの環境が変わ
ると、ＲＧＢ値の範囲が変わるので、その都度プログラ
ムを変更しなければならない。
ては、色識別対象が変わったり、照明などの環境が変わ
ると、ＲＧＢ値の範囲が変わるので、その都度プログラ
ムを変更しなければならない。
【０００４】また、オペレータに、プログラミングおよ
び色識別に関する専門的知識が要求される。
び色識別に関する専門的知識が要求される。
【０００５】本発明は、このような状況に鑑みてなされ
たものであり、オペレータに、プログラミングおよび色
識別に関する専門的知識が要求されることなく、色識別
対象および環境の変化に簡単に適応して、色成分データ
から色を識別できる色識別装置を提供することを目的と
する。
たものであり、オペレータに、プログラミングおよび色
識別に関する専門的知識が要求されることなく、色識別
対象および環境の変化に簡単に適応して、色成分データ
から色を識別できる色識別装置を提供することを目的と
する。
【０００６】
【課題を解決するための手段】請求項１に記載の色識別
装置は、識別対象色の色成分データを出力する色成分デ
ータ出力手段（例えば、実施例のカラービデオカメラ
２、Ａ／Ｄコンバータ４、画像データメモリ６Ｒ、６Ｇ
および６Ｂ、ならびに正規化回路８Ｒ、８Ｇおよび８
Ｂ）と、出力層（例えば、実施例の出力層１８）が、識
別を必要とする色の数に等しい数のユニット（例えば、
実施例のユニット１８Ｕ）を有し、各ユニットにそれぞ
れ特定の色が割り当てられ、入力層（例えば、入力層１
４）が色成分データ出力手段から色成分データを受けた
ときに、最大値を出力するユニットに割り当てられた色
を識別結果として出力するニューラルネットワーク（例
えば、実施例のニューラルネットワーク１０）とを備え
ることを特徴とする。
装置は、識別対象色の色成分データを出力する色成分デ
ータ出力手段（例えば、実施例のカラービデオカメラ
２、Ａ／Ｄコンバータ４、画像データメモリ６Ｒ、６Ｇ
および６Ｂ、ならびに正規化回路８Ｒ、８Ｇおよび８
Ｂ）と、出力層（例えば、実施例の出力層１８）が、識
別を必要とする色の数に等しい数のユニット（例えば、
実施例のユニット１８Ｕ）を有し、各ユニットにそれぞ
れ特定の色が割り当てられ、入力層（例えば、入力層１
４）が色成分データ出力手段から色成分データを受けた
ときに、最大値を出力するユニットに割り当てられた色
を識別結果として出力するニューラルネットワーク（例
えば、実施例のニューラルネットワーク１０）とを備え
ることを特徴とする。
【０００７】請求項２に記載の色識別装置は、色成分デ
ータが、赤（Ｒ）、緑（Ｇ）および青（Ｂ）データであ
ることを特徴とする（例えば、図１の実施例）。
ータが、赤（Ｒ）、緑（Ｇ）および青（Ｂ）データであ
ることを特徴とする（例えば、図１の実施例）。
【０００８】請求項３に記載の色識別装置は、色成分デ
ータが、色相（Ｈ）、彩度（Ｓ）および明度（Ｉ）デー
タであることを特徴とする（例えば、図７の実施例）。
ータが、色相（Ｈ）、彩度（Ｓ）および明度（Ｉ）デー
タであることを特徴とする（例えば、図７の実施例）。
【０００９】
【作用】請求項１の構成の色識別装置においては、ニュ
ーラルネットワークが、その入力層で識別対象色の色成
分データを受けて、出力層のユニットのうち最大値を出
力するユニットに割り当てられた色を識別結果として出
力する。従って、オペレータに、プログラミングおよび
色識別に関する専門的知識が要求されることなく、色識
別対象および環境の変化に簡単に適応して、色成分デー
タから色を識別できる。
ーラルネットワークが、その入力層で識別対象色の色成
分データを受けて、出力層のユニットのうち最大値を出
力するユニットに割り当てられた色を識別結果として出
力する。従って、オペレータに、プログラミングおよび
色識別に関する専門的知識が要求されることなく、色識
別対象および環境の変化に簡単に適応して、色成分デー
タから色を識別できる。
【００１０】請求項２の構成の色識別装置においては、
ニューラルネットワークが、その入力層で識別対象色の
赤、緑および青データを受けて、出力層のユニットのう
ち最大値を出力するユニットに割り当てられた色を識別
結果として出力する。従って、オペレータに、プログラ
ミングおよび色識別に関する専門的知識が要求されるこ
となく、色識別対象および環境の変化に簡単に適応し
て、赤、青および緑データから色を識別できる。
ニューラルネットワークが、その入力層で識別対象色の
赤、緑および青データを受けて、出力層のユニットのう
ち最大値を出力するユニットに割り当てられた色を識別
結果として出力する。従って、オペレータに、プログラ
ミングおよび色識別に関する専門的知識が要求されるこ
となく、色識別対象および環境の変化に簡単に適応し
て、赤、青および緑データから色を識別できる。
【００１１】請求項３の構成の色識別装置においては、
ニューラルネットワークが、その入力層で識別対象色の
色相、彩度および明度データを受けて、出力層のユニッ
トのうち最大値を出力するユニットに割り当てられた色
を識別結果として出力する。従って、オペレータに、プ
ログラミングおよび色識別に関する専門的知識が要求さ
れることなく、色識別対象および環境の変化に簡単に適
応して、色相、彩度および明度データから色を識別でき
る。
ニューラルネットワークが、その入力層で識別対象色の
色相、彩度および明度データを受けて、出力層のユニッ
トのうち最大値を出力するユニットに割り当てられた色
を識別結果として出力する。従って、オペレータに、プ
ログラミングおよび色識別に関する専門的知識が要求さ
れることなく、色識別対象および環境の変化に簡単に適
応して、色相、彩度および明度データから色を識別でき
る。
【００１２】
【実施例】図１は、本発明による色識別装置の一実施例
を示す。カラ−ビデオカメラ２から得られる色識別対象
物体３の画像信号は、Ａ／Ｄコンバータ４によってディ
ジタル化および量子化されて、色成分データ、すなわち
Ｒ（ＲＥＤ＝赤）輝度データ、Ｇ（ＧＲＥＥＮ＝緑）輝
度データ、Ｂ（ＢＬＵＥ＝青）輝度データが、それぞ
れ、フレームメモリ６の３つの画像メモリ６Ｒ，６Ｇお
よび６Ｂに格納される。これらのメモリ６Ｒ、６Ｇおよ
び６Ｂから、それぞれサンプリングされたＲ、Ｇ、Ｂの
輝度デ−タ（８ビット）は、それぞれ、正規化回路８
Ｒ，８Ｇおよび８Ｂに入力される。
を示す。カラ−ビデオカメラ２から得られる色識別対象
物体３の画像信号は、Ａ／Ｄコンバータ４によってディ
ジタル化および量子化されて、色成分データ、すなわち
Ｒ（ＲＥＤ＝赤）輝度データ、Ｇ（ＧＲＥＥＮ＝緑）輝
度データ、Ｂ（ＢＬＵＥ＝青）輝度データが、それぞ
れ、フレームメモリ６の３つの画像メモリ６Ｒ，６Ｇお
よび６Ｂに格納される。これらのメモリ６Ｒ、６Ｇおよ
び６Ｂから、それぞれサンプリングされたＲ、Ｇ、Ｂの
輝度デ−タ（８ビット）は、それぞれ、正規化回路８
Ｒ，８Ｇおよび８Ｂに入力される。
【００１３】正規化回路８Ｒ、８Ｇおよび８Ｂは、受け
取ったデ−タをそれぞれ２8で除算することにより、０
乃至２５５の輝度デ−タを０乃至１に正規化する。そし
て、正規化されたＲ，ＧおよびＢデ−タは、ニューラル
ネットワーク１０に供給される。
取ったデ−タをそれぞれ２8で除算することにより、０
乃至２５５の輝度デ−タを０乃至１に正規化する。そし
て、正規化されたＲ，ＧおよびＢデ−タは、ニューラル
ネットワーク１０に供給される。
【００１４】図２は、図１のニュ−ラルネットワ−ク１
０の具体的構成例を示す。この例は、多層のフィ−ドフ
ォワ−ド型で、学習にはバックプロパゲ−ション法を用
いる。入力層１４のユニット１４Ｕと中間層１６のユニ
ット１６Ｕとは、荷重Ｗij 12で結合され、中間層１６の
ユニット１６Ｕと出力層１８のユニット１８Ｕとは、荷
重Ｗjk 23で結合されている。入力層１４からの信号（０
乃至１に正規化されている）は、荷重Ｗij 12を乗ぜられ
た後に、中間層１６のユニット１６Ｕに供給される。中
間層１６の各ユニット１６Ｕは、入力層１４の全てのユ
ニット１４Ｕからの信号の和をとり、シグモイド関数で
０乃至１の信号にする。この信号は、荷重Ｗjk 23を乗ぜ
られた後に出力層１８のユニット１８Ｕに供給され、同
様の手順で各ユニット１８Ｕが信号を出力する。その信
号のうち、最大の値をとるユニット１８Ｕに対応する
「答え」（ここでは割り当てられた「色」）が判別結果
となる。
０の具体的構成例を示す。この例は、多層のフィ−ドフ
ォワ−ド型で、学習にはバックプロパゲ−ション法を用
いる。入力層１４のユニット１４Ｕと中間層１６のユニ
ット１６Ｕとは、荷重Ｗij 12で結合され、中間層１６の
ユニット１６Ｕと出力層１８のユニット１８Ｕとは、荷
重Ｗjk 23で結合されている。入力層１４からの信号（０
乃至１に正規化されている）は、荷重Ｗij 12を乗ぜられ
た後に、中間層１６のユニット１６Ｕに供給される。中
間層１６の各ユニット１６Ｕは、入力層１４の全てのユ
ニット１４Ｕからの信号の和をとり、シグモイド関数で
０乃至１の信号にする。この信号は、荷重Ｗjk 23を乗ぜ
られた後に出力層１８のユニット１８Ｕに供給され、同
様の手順で各ユニット１８Ｕが信号を出力する。その信
号のうち、最大の値をとるユニット１８Ｕに対応する
「答え」（ここでは割り当てられた「色」）が判別結果
となる。
【００１５】図１に戻って、正規化されたＲ，Ｇおよび
Ｂデ−タは、ニュ−ラルネットワ−ク１０のＲ、Ｇおよ
びＢにそれぞれ対応する入力層１４のユニット１４Ｕに
入力され、学習が完了しているネツトワ−クの出力層１
８の各ユニット１８Ｕに値が出力される。出力層１８の
複数のユニット１８Ｕの中で最大の値を出力するユニッ
トに割当られた色が識別結果となる。識別結果は、表示
装置１２に表示される。
Ｂデ−タは、ニュ−ラルネットワ−ク１０のＲ、Ｇおよ
びＢにそれぞれ対応する入力層１４のユニット１４Ｕに
入力され、学習が完了しているネツトワ−クの出力層１
８の各ユニット１８Ｕに値が出力される。出力層１８の
複数のユニット１８Ｕの中で最大の値を出力するユニッ
トに割当られた色が識別結果となる。識別結果は、表示
装置１２に表示される。
【００１６】ニュ−ラルネットワ−ク１０の学習方法
は、次の通りである。すなわち、まず、識別したい色の
数だけ出力層１８のユニット１８Ｕを用意し、各ユニッ
ト１８Ｕに色を割り当てる。実際に識別したい色のサン
プルを用意し、それぞれカラ−ビデオカメラ２で撮影
し、そのＲ、ＧおよびＢ輝度デ−タを画像メモリ６Ｒ，
６Ｇおよび６Ｂに取り込む。そしてそのＲ，ＧおよびＢ
の輝度デ−タと、それに対する正しい答（教師信号）を
あわせて、計算機上にファイルとして記録しておく。識
別したい全ての色について同様に記録しておけばよいの
だが、さらに、同じ色でも照明条件を変えた輝度デ−タ
なども記録しておくと、より信頼性が上がる。記録した
ファイルを用いて、バックプロパゲ−ション法により学
習する。
は、次の通りである。すなわち、まず、識別したい色の
数だけ出力層１８のユニット１８Ｕを用意し、各ユニッ
ト１８Ｕに色を割り当てる。実際に識別したい色のサン
プルを用意し、それぞれカラ−ビデオカメラ２で撮影
し、そのＲ、ＧおよびＢ輝度デ−タを画像メモリ６Ｒ，
６Ｇおよび６Ｂに取り込む。そしてそのＲ，ＧおよびＢ
の輝度デ−タと、それに対する正しい答（教師信号）を
あわせて、計算機上にファイルとして記録しておく。識
別したい全ての色について同様に記録しておけばよいの
だが、さらに、同じ色でも照明条件を変えた輝度デ−タ
なども記録しておくと、より信頼性が上がる。記録した
ファイルを用いて、バックプロパゲ−ション法により学
習する。
【００１７】バックプロパゲ−ション法とは、多層のフ
ィ−ドフォワ−ド形ニュ−ラルネットワ−クにおいて、
初段入力層１４の入力パタ−ンに対して、最終段出力層
１８において望ましい出力パタ−ンを出力するように結
合荷重を変化させて学習を行うものである。学習は、入
力パタ−ンに対するニュ−ラルネットワ−ク１０の実際
の出力パタ−ンと、教師信号として与えられる望ましい
出力パタ−ンとの二乗誤差を減らすように、出力層１８
から入力層１４に向かって逆向きに進行する。
ィ−ドフォワ−ド形ニュ−ラルネットワ−クにおいて、
初段入力層１４の入力パタ−ンに対して、最終段出力層
１８において望ましい出力パタ−ンを出力するように結
合荷重を変化させて学習を行うものである。学習は、入
力パタ−ンに対するニュ−ラルネットワ−ク１０の実際
の出力パタ−ンと、教師信号として与えられる望ましい
出力パタ−ンとの二乗誤差を減らすように、出力層１８
から入力層１４に向かって逆向きに進行する。
【００１８】なお、上記実施例において、正規化回路８
Ｒ、８Ｇおよび８Ｂ、ならびにニューラルネットワーク
１０は、１つの電子計算機により構成できる。
Ｒ、８Ｇおよび８Ｂ、ならびにニューラルネットワーク
１０は、１つの電子計算機により構成できる。
【００１９】図３は、図１に示された色識別装置の実施
例の学習動作例を示す。まず、識別したい色の種類の数
（ｎ）を入力する（ステップＳ１）。次に、色サンプル
をカメラ２の前に置く。これによりカラ−ビデオカメラ
２から得られる色サンプルの画像信号は、Ａ／Ｄコンバ
ータ４によってディジタル化および量子化されて、色成
分データ、すなわちＲ、ＧおよびＢ輝度データが、それ
ぞれ、フレームメモリ６の３つの画像メモリ６Ｒ，６Ｇ
および６Ｂに格納される。これらのメモリ６Ｒ、６Ｇお
よび６Ｂから、それぞれサンプリングされたＲ、Ｇ、Ｂ
の輝度デ−タ（８ビット）は、それぞれ、正規化回路８
Ｒ，８Ｇおよび８Ｂによつて正規化され、正規化された
Ｒ、ＧおよびＢデ−タは、ニューラルネットワーク１０
に供給される（ステップＳ２）。
例の学習動作例を示す。まず、識別したい色の種類の数
（ｎ）を入力する（ステップＳ１）。次に、色サンプル
をカメラ２の前に置く。これによりカラ−ビデオカメラ
２から得られる色サンプルの画像信号は、Ａ／Ｄコンバ
ータ４によってディジタル化および量子化されて、色成
分データ、すなわちＲ、ＧおよびＢ輝度データが、それ
ぞれ、フレームメモリ６の３つの画像メモリ６Ｒ，６Ｇ
および６Ｂに格納される。これらのメモリ６Ｒ、６Ｇお
よび６Ｂから、それぞれサンプリングされたＲ、Ｇ、Ｂ
の輝度デ−タ（８ビット）は、それぞれ、正規化回路８
Ｒ，８Ｇおよび８Ｂによつて正規化され、正規化された
Ｒ、ＧおよびＢデ−タは、ニューラルネットワーク１０
に供給される（ステップＳ２）。
【００２０】次に、その色の「答え」すなわち教師信号
がニューラルネットワーク１０に供給される（ステップ
Ｓ３）。そして、正規化されたＲ、ＧおよびＢデータ
（値）およびその色の「答」すなわち名称が記録される
（ステップＳ３）。ステップＳ２、Ｓ３およびＳ４の処
理は、識別したい全ての色についてを行われる（ステッ
プＳ５のＹＥＳ）。「答え」の種類の数は、ステップＳ
１で入力した数と同じでなければならない。それが同じ
であれば、照明条件を変えたりして、何回行ってもよ
い。
がニューラルネットワーク１０に供給される（ステップ
Ｓ３）。そして、正規化されたＲ、ＧおよびＢデータ
（値）およびその色の「答」すなわち名称が記録される
（ステップＳ３）。ステップＳ２、Ｓ３およびＳ４の処
理は、識別したい全ての色についてを行われる（ステッ
プＳ５のＹＥＳ）。「答え」の種類の数は、ステップＳ
１で入力した数と同じでなければならない。それが同じ
であれば、照明条件を変えたりして、何回行ってもよ
い。
【００２１】次に、記録したデ−タにもとづき、ニュ−
ラルネットワ−ク１０は、学習を行う（ステップＳ５の
ＹＥＳおよびステップＳ６）。例えば、識別色８種、中
間層１６のユニット１６Ｕの数１０乃至８で、約４００
００乃至６００００回程度で学習が完了する（ＲＩＳＣ
ＮＥＷＳ（ＮＷＳ−３７２０）で１分前後）。ニュー
ラルネットワーク１０は、学習が完了すると、学習した
色ならどれでも正しく識別できる。学習していない色の
場合は、学習した色の中で（人の目で見て）一番近い色
を出力するようになる。
ラルネットワ−ク１０は、学習を行う（ステップＳ５の
ＹＥＳおよびステップＳ６）。例えば、識別色８種、中
間層１６のユニット１６Ｕの数１０乃至８で、約４００
００乃至６００００回程度で学習が完了する（ＲＩＳＣ
ＮＥＷＳ（ＮＷＳ−３７２０）で１分前後）。ニュー
ラルネットワーク１０は、学習が完了すると、学習した
色ならどれでも正しく識別できる。学習していない色の
場合は、学習した色の中で（人の目で見て）一番近い色
を出力するようになる。
【００２２】図４は、図１に示された色識別装置の実施
例の色識別動作例を示す。カラ−ビデオカメラ２は、色
識別対象物体３を撮影して、その画像信号を出力する
（ステップＳ１１）。この画像信号は、Ａ／Ｄコンバー
タ４によってディジタル化および量子化されて、色成分
データ、すなわちＲ、ＧおよびＢの輝度データ（８ビッ
ト）が、それぞれ、フレームメモリ６の３つの画像メモ
リ６Ｒ，６Ｇおよび６Ｂに格納される（ステップＳ１
２）。次に、これらのメモリ６Ｒ、６Ｇおよび６Ｂか
ら、Ｒ、Ｇ、Ｂの輝度デ−タがサンプリングされ（ステ
ップＳ１３）、それぞれ、正規化回路８Ｒ，８Ｇおよび
８Ｂで正規化される（ステップＳ１４）。そして、正規
化されたＲ，ＧおよびＢデ−タは、ニュ−ラルネットワ
−ク１０のＲ、ＧおよびＢにそれぞれ対応する入力層１
４のユニット１４Ｕに入力され、学習が完了しているネ
ツトワ−クの出力層１８の各ユニット１８Ｕに値が出力
される（ステップＳ１５）。出力層１８の複数のユニッ
ト１８Ｕの中で最大の値を出力するユニットに割当られ
た色が識別結果となる。識別結果は、表示装置１２に表
示される（ステップＳ１６）。
例の色識別動作例を示す。カラ−ビデオカメラ２は、色
識別対象物体３を撮影して、その画像信号を出力する
（ステップＳ１１）。この画像信号は、Ａ／Ｄコンバー
タ４によってディジタル化および量子化されて、色成分
データ、すなわちＲ、ＧおよびＢの輝度データ（８ビッ
ト）が、それぞれ、フレームメモリ６の３つの画像メモ
リ６Ｒ，６Ｇおよび６Ｂに格納される（ステップＳ１
２）。次に、これらのメモリ６Ｒ、６Ｇおよび６Ｂか
ら、Ｒ、Ｇ、Ｂの輝度デ−タがサンプリングされ（ステ
ップＳ１３）、それぞれ、正規化回路８Ｒ，８Ｇおよび
８Ｂで正規化される（ステップＳ１４）。そして、正規
化されたＲ，ＧおよびＢデ−タは、ニュ−ラルネットワ
−ク１０のＲ、ＧおよびＢにそれぞれ対応する入力層１
４のユニット１４Ｕに入力され、学習が完了しているネ
ツトワ−クの出力層１８の各ユニット１８Ｕに値が出力
される（ステップＳ１５）。出力層１８の複数のユニッ
ト１８Ｕの中で最大の値を出力するユニットに割当られ
た色が識別結果となる。識別結果は、表示装置１２に表
示される（ステップＳ１６）。
【００２３】次に、Ｒ、ＧおよびＢデ−タを用いた色識
別の実験例について説明する。実験の条件は次の通りで
ある。 入力ユニット数：３ 中間層ユニット数：１０程度 出力層ユニット数：５乃至１０ 入力値 ：ユニット１ Ｒ輝度 ０乃至１２
７を０乃至１に正規化 ユニット２ Ｇの輝度 ０乃至１２７を０乃至１に正規
化 ユニット３ Ｂの輝度 ０乃至１２７を０乃至１に正規
化
別の実験例について説明する。実験の条件は次の通りで
ある。 入力ユニット数：３ 中間層ユニット数：１０程度 出力層ユニット数：５乃至１０ 入力値 ：ユニット１ Ｒ輝度 ０乃至１２
７を０乃至１に正規化 ユニット２ Ｇの輝度 ０乃至１２７を０乃至１に正規
化 ユニット３ Ｂの輝度 ０乃至１２７を０乃至１に正規
化
【００２４】理論的なＲ、ＧおよびＢデ−タを作り、そ
の色を教師信号として学習させた。このＲ、ＧおよびＢ
データと教師信号との組み合わせは、図５に示されてい
る８色である。
の色を教師信号として学習させた。このＲ、ＧおよびＢ
データと教師信号との組み合わせは、図５に示されてい
る８色である。
【００２５】実際にカラ−ＣＣＤカメラでＳＵＰＥＲに
色見本を取り込み、照明条件を変えて（光源は変えな
い）、Ｒ、ＧおよびＢデ−タを記録した。これを入力層
に入れ、教師信号を与えて学習した。学習に用いた色
は、赤（Ｒ）、緑（Ｂ）、青（Ｂ）、紫（Ｐ）、黄
（Ｙ）の５色のＭＵＮＳＥＬＬ色見本で、１色につき３
デ−タ（照明条件が明、暗、中間）記録した。図６は、
このような照明条件を変えた学習に使用したデータと教
師信号の関係を示す。
色見本を取り込み、照明条件を変えて（光源は変えな
い）、Ｒ、ＧおよびＢデ−タを記録した。これを入力層
に入れ、教師信号を与えて学習した。学習に用いた色
は、赤（Ｒ）、緑（Ｂ）、青（Ｂ）、紫（Ｐ）、黄
（Ｙ）の５色のＭＵＮＳＥＬＬ色見本で、１色につき３
デ−タ（照明条件が明、暗、中間）記録した。図６は、
このような照明条件を変えた学習に使用したデータと教
師信号の関係を示す。
【００２６】Ｒ、ＧおよびＢの各デ−タが、飽和を起こ
さないかぎり、図６の５色を識別することができた。こ
のことから、次のことが言える。 （１）対象の色をいくつかの登録された色の中から選び
出すという色識別において、全く同じ色が定義されてい
なくても、最も近い色を識別して出力できる。従って、
オペレ−タに要求される知識の軽減、オペレ−ションの
簡略化が可能である。 （２）上述の実験のように、照明の明るさを変えたデ−
タも学習する事によって、環境の変化にも強い色識別が
可能となる。 （３）図１の色識別装置の実施例の応用として、例え
ば、カラ−画像から人の顔の部分だけ抽出する等、色に
よって領域を分割することができる。また、画像全体を
何色かに分類することによって、画像情報圧縮も可能で
ある。
さないかぎり、図６の５色を識別することができた。こ
のことから、次のことが言える。 （１）対象の色をいくつかの登録された色の中から選び
出すという色識別において、全く同じ色が定義されてい
なくても、最も近い色を識別して出力できる。従って、
オペレ−タに要求される知識の軽減、オペレ−ションの
簡略化が可能である。 （２）上述の実験のように、照明の明るさを変えたデ−
タも学習する事によって、環境の変化にも強い色識別が
可能となる。 （３）図１の色識別装置の実施例の応用として、例え
ば、カラ−画像から人の顔の部分だけ抽出する等、色に
よって領域を分割することができる。また、画像全体を
何色かに分類することによって、画像情報圧縮も可能で
ある。
【００２７】図１の実施例は、ニュ−ラルネットワ−ク
に正規化されたＲ、ＧおよびＢデータを入力して色識別
を行うものであるが、ニューラルネットワークに入力す
る値が０乃至１に正規化してあれば、Ｒ、ＧおよびＢデ
−タだけでなく、Ｈ（色相）、Ｓ（彩度）、Ｉ（明度）
デ−タなど、他の色成分データを使用して色識別を行う
ことができる。図７は、Ｈ、ＳおよびＩデータを使用し
て色識別を行う本発明の別の実施例を示す。
に正規化されたＲ、ＧおよびＢデータを入力して色識別
を行うものであるが、ニューラルネットワークに入力す
る値が０乃至１に正規化してあれば、Ｒ、ＧおよびＢデ
−タだけでなく、Ｈ（色相）、Ｓ（彩度）、Ｉ（明度）
デ−タなど、他の色成分データを使用して色識別を行う
ことができる。図７は、Ｈ、ＳおよびＩデータを使用し
て色識別を行う本発明の別の実施例を示す。
【００２８】図７を参照するに、フレームメモリ６の３
つの画像メモリ６Ｒ，６Ｇおよび６Ｂからサンプリング
により出力されるＲ、ＧおよびＢの輝度デ−タは、変換
テーブル２０によって、それぞれ、Ｈ、ＳおよびＩデー
タに変換される。変換テーブル２０から出力されるＨ、
ＳおよびＩデータは、正規化回路８Ｈ、８Ｓおよび８Ｉ
で正規化される。そして、正規化されたＨ、ＳおよびＩ
デ−タは、ニュ−ラルネットワ−ク１０のＨ、Ｓおよび
Ｉにそれぞれ対応する入力層のユニットに入力され、学
習が完了しているネツトワ−クの出力層の各ユニットに
値が出力される。出力層の複数のユニットの中で最大の
値を出力するユニットに割当られた色が識別結果とな
る。識別結果は、表示装置１２に表示される
つの画像メモリ６Ｒ，６Ｇおよび６Ｂからサンプリング
により出力されるＲ、ＧおよびＢの輝度デ−タは、変換
テーブル２０によって、それぞれ、Ｈ、ＳおよびＩデー
タに変換される。変換テーブル２０から出力されるＨ、
ＳおよびＩデータは、正規化回路８Ｈ、８Ｓおよび８Ｉ
で正規化される。そして、正規化されたＨ、ＳおよびＩ
デ−タは、ニュ−ラルネットワ−ク１０のＨ、Ｓおよび
Ｉにそれぞれ対応する入力層のユニットに入力され、学
習が完了しているネツトワ−クの出力層の各ユニットに
値が出力される。出力層の複数のユニットの中で最大の
値を出力するユニットに割当られた色が識別結果とな
る。識別結果は、表示装置１２に表示される
【００２９】図１および図７に示された色識別装置の実
施例の応用例を挙げると次の通りである。 （１）ＦＡ（製造自動化）における色付き部品認識およ
び検査 色の付いた部品等を簡単に識別できる。ＯＫとＮＧの色
を学習させることによって、色の不良などを判別でき
る。 （２）カラ−画像の領域分割および情報圧縮 例えば、カラ−画像から人の顔の部分だけ抽出するな
ど、色によって領域分割することができる。また、画像
全体を何色かに分類することによって、画像情報圧縮も
可能である。
施例の応用例を挙げると次の通りである。 （１）ＦＡ（製造自動化）における色付き部品認識およ
び検査 色の付いた部品等を簡単に識別できる。ＯＫとＮＧの色
を学習させることによって、色の不良などを判別でき
る。 （２）カラ−画像の領域分割および情報圧縮 例えば、カラ−画像から人の顔の部分だけ抽出するな
ど、色によって領域分割することができる。また、画像
全体を何色かに分類することによって、画像情報圧縮も
可能である。
【００３０】
【発明の効果】請求項１の色識別装置によれば、ニュー
ラルネットワークが、その入力層で識別対象色の色成分
データを受けて、出力層のユニットのうち最大値を出力
するユニットに割り当てられた色を識別結果として出力
するようにしたので、オペレータが、プログラムのエデ
ィットといった専門的処理を行う必要なしに、次の利点
を得ることができる。 （１）識別すべき色の数に限定がない。 （２）識別対象が変更されたり、識別すべき色が増えた
り、照明などの環境が変わっても、ニュ−ラルネットワ
−クを学習しなおすことによって、色識別が可能にな
る。 （３）色識別装置として動作するために必要な情報は、
出力層のユニットと色との対応関係、および結合荷重の
値だけであり、簡単に色を識別できる。
ラルネットワークが、その入力層で識別対象色の色成分
データを受けて、出力層のユニットのうち最大値を出力
するユニットに割り当てられた色を識別結果として出力
するようにしたので、オペレータが、プログラムのエデ
ィットといった専門的処理を行う必要なしに、次の利点
を得ることができる。 （１）識別すべき色の数に限定がない。 （２）識別対象が変更されたり、識別すべき色が増えた
り、照明などの環境が変わっても、ニュ−ラルネットワ
−クを学習しなおすことによって、色識別が可能にな
る。 （３）色識別装置として動作するために必要な情報は、
出力層のユニットと色との対応関係、および結合荷重の
値だけであり、簡単に色を識別できる。
【００３１】また、ニューラルネットワークのアルゴリ
ズムとデ−タの分離により、汎用性ある装置を構成で
き、入力層を専用ハ−ドウェアで構成することにより、
高速化が可能である。
ズムとデ−タの分離により、汎用性ある装置を構成で
き、入力層を専用ハ−ドウェアで構成することにより、
高速化が可能である。
【００３２】請求項２の色識別装置によれば、ニューラ
ルネットワークが、その入力層で識別対象色の赤、緑お
よび青データを受けて、出力層のユニットのうち最大値
を出力するユニットに割り当てられた色を識別結果とし
て出力するようにしたので、オペレータに、プログラミ
ングおよび色識別に関する専門的知識が要求されること
なく、色識別対象および環境の変化に簡単に適応して、
赤、青および緑データから色を識別できる。
ルネットワークが、その入力層で識別対象色の赤、緑お
よび青データを受けて、出力層のユニットのうち最大値
を出力するユニットに割り当てられた色を識別結果とし
て出力するようにしたので、オペレータに、プログラミ
ングおよび色識別に関する専門的知識が要求されること
なく、色識別対象および環境の変化に簡単に適応して、
赤、青および緑データから色を識別できる。
【００３３】請求項３の色識別装置によれば、ニューラ
ルネットワークが、その入力層で識別対象色の色相、彩
度および明度データを受けて、出力層のユニットのうち
最大値を出力するユニットに割り当てられた色を識別結
果として出力するようにしてので、オペレータに、プロ
グラミングおよび色識別に関する専門的知識が要求され
ることなく、色識別対象および環境の変化に簡単に適応
して、色相、彩度および明度データから色を識別でき
る。
ルネットワークが、その入力層で識別対象色の色相、彩
度および明度データを受けて、出力層のユニットのうち
最大値を出力するユニットに割り当てられた色を識別結
果として出力するようにしてので、オペレータに、プロ
グラミングおよび色識別に関する専門的知識が要求され
ることなく、色識別対象および環境の変化に簡単に適応
して、色相、彩度および明度データから色を識別でき
る。
【図１】本発明の色識別装置の一実施例の構成を示すブ
ロック図である。
ロック図である。
【図２】図２のニューラルネットワーク１０の一構成例
を示す図である。
を示す図である。
【図３】図１の実施例の学習動作例を示すフローチャー
トである。
トである。
【図４】図１の実施例の色識別動作例を示すフローチャ
ートである。
ートである。
【図５】図１の実施例の学習のためのＲＧＢデータおよ
び教師信号の例を示す図表である。
び教師信号の例を示す図表である。
【図６】図１の実施例において照明条件を明、暗および
中間と変えた場合の学習に使用したデータと教師信号と
の関係を示す図表である。
中間と変えた場合の学習に使用したデータと教師信号と
の関係を示す図表である。
【図７】本発明の色識別装置の別の実施例の構成を示す
ブロック図である。
ブロック図である。
２ カラービデオカメラ ３ 色識別対象物体 ６Ｒ，６Ｇ，６Ｂ 画像メモリ ８Ｒ，８Ｇ，８Ｂ 正規化回路 １０ ニューラルネットワーク １２ 表示装置 ２０ 変換テーブル
Claims (3)
- 【請求項１】 識別対象色の色成分データを出力する色
成分データ出力手段と、 出力層が、識別を必要とする色の数に等しい数のユニッ
トを有し、各ユニットにそれぞれ特定の色が割り当てら
れ、入力層が前記色成分データ出力手段から色成分デー
タを受けたときに、最大値を出力するユニットに割り当
てられた色を識別結果として出力するニューラルネット
ワークとを備えることを特徴とする色識別装置。 - 【請求項２】 前記色成分データが、赤、緑および青デ
ータであることを特徴とする請求項１記載の色識別装
置。 - 【請求項３】 前記色成分データが、色相、彩度および
明度データであることを特徴とする請求項１記載の色識
別装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4091682A JPH05266190A (ja) | 1992-03-17 | 1992-03-17 | 色識別装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP4091682A JPH05266190A (ja) | 1992-03-17 | 1992-03-17 | 色識別装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH05266190A true JPH05266190A (ja) | 1993-10-15 |
Family
ID=14033270
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP4091682A Withdrawn JPH05266190A (ja) | 1992-03-17 | 1992-03-17 | 色識別装置 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH05266190A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08190623A (ja) * | 1995-01-10 | 1996-07-23 | Mitsubishi Agricult Mach Co Ltd | 農作物の画像処理測定法 |
| JP2018124815A (ja) * | 2017-02-01 | 2018-08-09 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体 |
| JP2021527860A (ja) * | 2018-06-12 | 2021-10-14 | コンティ テミック マイクロエレクトロニック ゲゼルシャフト ミット ベシュレンクテル ハフツングＣｏｎｔｉ Ｔｅｍｉｃ ｍｉｃｒｏｅｌｅｃｔｒｏｎｉｃ ＧｍｂＨ | 警光灯検出方法 |
-
1992
- 1992-03-17 JP JP4091682A patent/JPH05266190A/ja not_active Withdrawn
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH08190623A (ja) * | 1995-01-10 | 1996-07-23 | Mitsubishi Agricult Mach Co Ltd | 農作物の画像処理測定法 |
| JP2018124815A (ja) * | 2017-02-01 | 2018-08-09 | キヤノン株式会社 | 画像処理装置、撮像装置、画像処理方法、画像処理プログラム、および、記憶媒体 |
| JP2021527860A (ja) * | 2018-06-12 | 2021-10-14 | コンティ テミック マイクロエレクトロニック ゲゼルシャフト ミット ベシュレンクテル ハフツングＣｏｎｔｉ Ｔｅｍｉｃ ｍｉｃｒｏｅｌｅｃｔｒｏｎｉｃ ＧｍｂＨ | 警光灯検出方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR970073259A (ko) | 상관 신경 회로망(correlation neural network)을 이용한 납땜 검사 장치 및 방법 | |
| JPH0689344A (ja) | パターン認識装置 | |
| US5467123A (en) | Apparatus & method for enhancing color images | |
| AU2020103251A4 (en) | Method and system for identifying metallic minerals under microscope based on bp nueral network | |
| WO2018143486A1 (ko) | 딥러닝 분석을 위한 모듈화시스템을 이용한 컨텐츠 제공 방법 | |
| JPH05266190A (ja) | 色識別装置 | |
| US5845050A (en) | Method and apparatus for processing information and a method and apparatus for executing a work instruction | |
| US7609878B2 (en) | Method for analyzing the color deviations in images using an image sensor | |
| CN114118129A (zh) | 一种检测城市照明设施的方法 | |
| JP3344731B2 (ja) | 栗の形状識別方法 | |
| JPH0342554B2 (ja) | ||
| JP4625962B2 (ja) | カテゴリカル色知覚システム | |
| US7362910B2 (en) | Color image characterization, enhancement and balancing process | |
| JPH05101187A (ja) | 画像認識装置及びその学習方法 | |
| KR20010008715A (ko) | 다-차원 신경 회로망을 이용한 얼굴 검출 방법 및 그 장치 | |
| JP3411847B2 (ja) | 入力機器用色再現方法及び装置、並びにこの方法のプログラムを記録した記録媒体 | |
| JP3187861B2 (ja) | 自動焦点装置 | |
| JPS62115600A (ja) | カラ−映像によるパタ−ン認識装置 | |
| JP2577144B2 (ja) | 色画像処理装置 | |
| JP2610884B2 (ja) | カラー濃淡パターンマツチング方法 | |
| US6246792B1 (en) | Method for improvement of digitized images | |
| JPH08138025A (ja) | 画像識別パラメータの決定方法及び画像認識方法 | |
| JP3324726B2 (ja) | 画像認識装置 | |
| JPH04369088A (ja) | 色画像処理装置 | |
| CN116797552A (zh) | 图像质量评价方法、装置、设备及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A300 | Application deemed to be withdrawn because no request for examination was validly filed |
Free format text: JAPANESE INTERMEDIATE CODE: A300 Effective date: 19990518 |