JPH07262379A - 物品同定システム - Google Patents

物品同定システム

Info

Publication number
JPH07262379A
JPH07262379A JP6074181A JP7418194A JPH07262379A JP H07262379 A JPH07262379 A JP H07262379A JP 6074181 A JP6074181 A JP 6074181A JP 7418194 A JP7418194 A JP 7418194A JP H07262379 A JPH07262379 A JP H07262379A
Authority
JP
Japan
Prior art keywords
article
category
dictionary
image
value
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.)
Pending
Application number
JP6074181A
Other languages
English (en)
Inventor
Hiroshi Tomiyasu
寛 冨安
Kenji Wakamatsu
健司 若松
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
N T T DATA TSUSHIN KK
NTT Data Corp
Original Assignee
N T T DATA TSUSHIN KK
NTT Data Communications Systems Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by N T T DATA TSUSHIN KK, NTT Data Communications Systems Corp filed Critical N T T DATA TSUSHIN KK
Priority to JP6074181A priority Critical patent/JPH07262379A/ja
Publication of JPH07262379A publication Critical patent/JPH07262379A/ja
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/66—Trinkets, e.g. shirt buttons or jewellery items
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Data Mining & Analysis (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

(57)【要約】 （修正有） 【目的】 自動錠剤包装機により指定された銘柄の錠剤
を自動選別して包装する際に、錠剤が銘柄と否かを自動
的に判定する。 【構成】 カメラ１により錠剤サンプルを撮影し、その
画像内の錠剤領域を一定の位置と方向に補正し、その画
像から特徴ベクトルを抽出する。この特徴ベクトルとし
ては、画像の濃淡値ベクトルを用いる。辞書作成の際
は、各銘柄毎に、多数のサンプルから特徴ベクトルを抽
出し、参照ベクトルと、特徴ベクトルの散布度とを計算
して辞書ファイル１１０に格納する。その際、用いた全
サンプルの画像の濃淡値に関して、カテゴリ間変動とカ
テゴリ内変動との比を計算し、これを評価値として辞書
の善し悪しを判断する。実際の同定では、同定対象の錠
剤を撮影して特徴ベクトルを抽出し、また、その錠剤の
銘柄名に対応した参照ベクトルとの距離がその銘柄の散
布度σにより定まる許容値ｒ・σ以内であれば、その錠
剤と銘柄とが対応していると判断する。

Description

【発明の詳細な説明】
【０００１】
【産業上の利用分野】本発明は、画像処理・識別技術を
用いて物品の同定を行う物品同定システムに関わり、特
に、医薬品の錠剤やカプセル剤（以下、単に錠剤とい
う）の自動包装機において、入力された名柄に対し選別
された錠剤が正しいかどうかを検査するための錠剤同定
に好適な物品同定システムに関する。
【０００２】
【従来の技術】現在、多くの総合病院で、指定した銘柄
の複数の錠剤を自動的に分包紙内に包装する自動錠剤包
装機が用いられている。自動錠剤包装機においては、オ
ペレータが端末から入力した複数の錠剤銘柄情報を受け
て、装置内のダブレットケースから該当する錠剤を搬送
し、同一の分包紙内に包装する処理を行っている。一般
的な自動錠剤包装機については、例えば、「清野 敏
一、折井 孝男他：調剤業務への電算機の利用−自動調
剤包装機への監査システムの試み、第８回医療情報連合
大会論文集、PP.５６５−５６８、１９８８」において
論じられている。
【０００３】このような自動錠剤包装機を用いた薬剤シ
ステムを病院に導入することで、これまでの薬剤師の手
を介して行われていた錠剤の包装が自動化され、大幅な
待ち時間の短縮が可能となり、医療の高品質化を図るこ
とができる。
【０００４】
【発明が解決しようとする課題】上記自動錠剤包装機で
は、タブレットケースから指定された錠剤を取り出す処
理、及び、取り出した錠剤を包装する位置まで搬送する
処理に機械的な動作を含む。そのため、錠剤の取り出し
誤りや欠損が起こる可能性がある。また、タブレットケ
ースへの錠剤の補給は人間が行うが、その際に補給すべ
き銘柄を間違う可能性もある。しかし、このような機械
的又は人為的誤りがあったとしても、最終的に患者に提
供される分包中には、指定された名柄の錠剤が間違いな
く入っている必要がある。そのため、従来自動錠剤包装
機を運用する際には、包装後の錠剤が指定された銘柄か
どうか、薬剤師が目視で同定検査を行っていた。
【０００５】そのため、同定検査の手間が面倒であり、
検査に時間がかかるという問題があった。また、包装後
に検査するため、間違った錠剤の包装が発見された場合
には、その包装を破り、再度正しい錠剤の包装を作らな
ければならない、という面倒があった。
【０００６】従って、本発明の目的は、自動錠剤包装機
の運用において、選別された錠剤が指定された銘柄と一
致するかどうかを自動的に判定し、それにより、自動錠
剤包装機から常に指定通りの錠剤の入った正しい包装が
出てくるようにすることにある。
【０００７】また、より一般化された本発明の目的は、
多カテゴリーの物品群中から指定されたカテゴリーの物
品を選別するような用途において、選別された物品が指
定されたカテゴリーのものであるか否かを確認するため
の同定検査を、画像処理・識別技術を用いて自動的且つ
正確に行えるようにすることにある。
【０００８】ところで、このような物品同定システムで
は、同定に使用する辞書の善し悪しが、同定精度を左右
することになる。そのため、システムの本格的運用に入
る前には、試験的運用を実施してみて、辞書の善し悪し
を評価し、悪ければ辞書を作成し直すといった作業が必
要になるであろう。しかし、辞書評価の作業に時間がか
かれば、本格的運用を開始するまでに長期間を要してし
まう。また、辞書作成の段階では、作成した辞書が適切
なものか否かを即座に評価して、高品質の辞書を効率的
に作成したいという要求も生じる筈である。
【０００９】従って、本発明の別の目的は、物品同定シ
ステムに用いる辞書に関し、その善し悪しの評価を比較
的簡単な方法により辞書作成と実質的に同時に行えるよ
うにし、それにより、高品質の辞書を効率的に作成でき
るようにすることにある。
【００１０】
【課題を解決するための手段】本発明の第１の側面に従
う物品同定システムは、サンプル物品及び同定対象物品
の画像を入力する画像入力手段と、サンプル物品及び同
定対象物品のカテゴリーを入力するカテゴリー入力手段
と、入力された画像の各々から濃淡値ベクトルを特徴ベ
クトルとして抽出する特徴抽出手段と、各カテゴリー毎
に、多数のサンプル物品の画像から抽出された特徴ベク
トルに基づいて、参照ベクトルと距離分散値とを含む辞
書を作成する学習手段と、前記辞書の評価のための評価
値として、辞書作成に用いたサンプル物品画像の濃淡値
に関する、カテゴリー間変動とカテゴリー内変動との比
を算出する辞書評価手段と、辞書を蓄積する辞書ファイ
ルと、入力された同定対象物品のカテゴリーに対応する
参照ベクトルと距離分散値とを辞書ファイル内から選択
し、入力された同定対象物品の画像から抽出された特徴
ベクトルと選択した参照ベクトルとの間の距離を求め、
この距離と選択した距離分散値とに基づいて、同定対象
物品のカテゴリーが正しいか否かを判定する同定手段と
を備えることを特徴とする。
【００１１】また、本発明の第２の側面に従う物品同定
又は認識用の辞書作成方式は、複数のカテゴリの各々に
係る物品の画像を入力する画像入力手段と、入力された
物品画像の各々から濃淡値ベクトルを特徴ベクトルとし
て抽出する特徴ベクトル抽出手段と、各カテゴリに係る
多数の物品画像から抽出された特徴ベクトルに基づい
て、各カテゴリについての参照ベクトルを生成するする
参照ベクトル生成手段と、参照ベクトルの評価のための
評価値として、入力した物品画像の濃淡値に関する、カ
テゴリー間変動とカテゴリー内変動との比を算出する辞
書評価手段とを有することを特徴とする。
【００１２】
【作用】本発明の物品同定システム又は辞書作成方式に
より辞書を作成する場合、まず、各カテゴリー毎に多数
のサンプル物品の画像が入力され、その各画像から濃淡
値ベクトルが特徴ベクトルとして抽出される。次に、各
カテゴリー毎に、多数の物品画像から抽出した特徴ベク
トルに基づいて、参照ベクトルや距離散布度（尚、認識
用辞書の場合は距離散布度は必ずしも必要ない）を含む
辞書が作成される。また、この辞書作成に使用したサン
プル物品画像の濃淡値に関する、カテゴリー間変動とカ
テゴリー内変動との比が算出される。この比は、辞書の
善し悪し、つまり辞書において各カテゴリーが明確に分
離されているか否かを測るための評価値として使用され
る。
【００１３】従って、本発明によれば、実際に未知サン
プルを用いた同定試験を行わなくても、辞書作成に用い
たデータを利用して辞書作成の際に辞書の善し悪しが簡
単に評価できる。そのため、品質の良い辞書を効率良く
作成する事が可能である。
【００１４】辞書評価のための評価値であるカテゴリ間
変動とカテゴリ内変動の比としては、例えば、特徴ベク
トル関するカテゴリー間分散／カテゴリー内分散を用い
ることができる。しかし、好適な実施例では、カテゴリ
ー間変動として、サンプル物品画像内の全画素の平均濃
淡値に関する、全カテゴリーの全サンプル物品の平均値
と各カテゴリー毎の全サンプル物品の平均値との間の差
分を反映した数値を用い、またカテゴリー内変動とし
て、サンプル物品画像内の個々の画素の濃淡値に関す
る、各カテゴリー毎の全サンプル物品の平均値と各サン
プル物品の値との間の差分を反映した数値を用いて評価
値を計算している。この実施例の評価値は、その計算手
順が基本的に、濃淡値についての平均値の計算と差分の
計算を含むだけであり、カテゴリー間分散／カテゴリー
内分散の演算のように面倒な距離計算を含まないため、
比較的簡単で高速に計算できるというメリットがある。
【００１５】本発明の物品同定システムによれば、辞書
が完成したならば、この辞書を用いて未知物品の同定を
行うことができる。この同定のフェーズでは、まず、未
知物品の画像とそのカテゴリーとが入力され、物品画像
から濃淡値ベクトルが特徴ベクトルが抽出される。ま
た、入力されたカテゴリに対応する参照ベクトルと距離
分散値とが辞書から選択される。次に、上記抽出した特
徴ベクトルと上記選択した参照ベクトルとの間の距離が
計算され、この距離が上記選択した距離分散値に応じた
許容値内にあれば、上記未知物品は入力されたがカテゴ
リーに係るものであると判断される。
【００１６】以上の処理により、物品の同定検査を人の
目視によらず、自動的に行うことが可能になる。
【００１７】
【実施例】以下、本発明の実施例を図面により詳細に説
明する。
【００１８】図１は、本発明の一実施例に係る錠剤同定
システムの機能構成を示す。
【００１９】この錠剤同定システムは、ＮＴＳＣテレビ
カメラ１を外部機器として備えたコンピュータ１００上
で動作する。コンピュータ１００は、画像入力部１０
１、名柄入力部１０２、逆γ補正部１０３、ＲＧＢグレ
イ変換部１０４、位置・向き補正部１０５、特徴抽出部
１０６、学習部１０７、散布度算出部１０８、同定部１
０９、辞書ファイル１１０及び辞書評価部１１１を備え
る。
【００２０】本システムの動作は大きく学習フェーズと
同定フェーズに分けることができる。以下、（Ａ）学習
フェーズと（Ｂ）同定フェーズに分けて、各部の機能及
び動作を述べる。
【００２１】（Ａ）学習フェーズ 本システムは、その運用に入る前の初期化または準備と
して、まず学習フェーズを経てなければならない。学習
フェーズにおいては、同定対象となる錠剤の各銘柄につ
いて、複数個のサンプルと正確な銘柄名とが入力され、
これに基づいて各銘柄の参照ベクトルと散布度とが計算
され、参照ベクトルファイル１０として保存される。
【００２２】まず画像入力部１０１が、ＮＴＳＣテレビ
カメラ１で無地の黒い背景に設置した錠剤を撮影したカ
ラーアナログ画像を入力し、これをＲＧＢディジタル画
像に変換する。また、銘柄入力部１０２が、当該錠剤の
銘柄名をシステム内に入力する。
【００２３】次に、逆γ補正部１０３が、ＲＧＢの各プ
レーンに施されたγ補正の影響を取り除き、カメラ１の
入出力特性が実質的に線形となるように、逆γ補正を行
う。この時、γの値として例えば２．２を用いる。これ
は、ＮＴＳＣテレビカメラ１は通常、γ＝２．２のγ補
正を撮影画像に施すよう構成されているからである。こ
の逆γ補正を行うことで、画像中の錠剤領域と背景領域
（黒地）のコントラストが大きくなり、以後の処理を有
効に行うことができる。
【００２４】次に、ＲＧＢグレイ変換部１０４が、ＲＧ
Ｂ成分の中のＧ成分の濃淡値をそのまま用いて、ＲＧＢ
画像を濃淡成分のみのグレイ画像に変換する。ここでＧ
成分を用いる理由は、一般にテレビカメラにおいて、Ｇ
成分は他の２つの成分に比べてダイナミックレンジが広
いため、圧倒的に白色の多い錠剤において、微妙な白色
の違いを濃淡に反映することができると考えられるから
からである。なお、ＲＧＢ画像からグレイ画像に変換す
ることで、以下の処理量を３分の１に削減することがで
きる。
【００２５】次に、位置・向き補正部１０５が、画像中
の錠剤の位置と向きを、同一名柄であれば常に同一の位
置及び方向となるような処理を行う。図２は、この位置
・向き補正の詳細な処理フローを示す。
【００２６】図２に示すように、まず、グレイ画像に対
し、所定の閾値を用いて画像全体の２値化処理を行い、
錠剤の領域のみを抽出する（ステップ２０１）。この
時、２値化の閾値を選択する手法として、例えば、判別
基準に基づく大津氏の方法を用いる。この手法は、背景
領域と錠剤領域の２領域に明確に領域分割できるような
画像に対して非常に有効な手法である。詳細について
は、「大津展之：判別および最小２乗基準に基づく自動
閾値選定法、電子通信学会論文誌Ｖｏｌ．Ｊ６３−ＤＮ
ｏ．４、ｐｐ．３４９−３５６、１９８０」において論
じられている。
【００２７】次に、２値化画像中の錠剤領域の重心を求
め、重心を画像中心に移動する（ステップ２０２）。続
いて、錠剤領域内において、上記とは別の閾値を用いて
グレイ画像を２値化することにより、錠剤表面に印刷又
は印刻された識別番号コードの領域を抽出する（ステッ
プ２０３）。この時の２値化の閾値選定手法にも、上述
した判別基準に基づく大津氏の方法を用いることができ
る。
【００２８】次に、抽出した識別コード領域の２次モー
メントを求め、この２次モーメントが最大となる方向を
画像のＸ軸と一致するように、アフィン変換によって画
像全体を回転させる（ステップ２０４）。
【００２９】こうして錠剤領域の位置と方向を補正する
ことにより、後述する同定の精度が向上する。錠剤の外
観形状の特徴は位置及び方向に依存するからである。ま
た、同一の錠剤であれば常に同じ位置及び方向になるた
め、撮影する際のカメラ１に対する錠剤の厳密な位置・
向きの調整が不要となる。
【００３０】再び図１を参照して、次に、特徴抽出部１
０６が、位置・向き補正されたグレイ画像から錠剤の特
徴ベクトルを抽出する処理を行う。図３はこの特徴抽出
の詳細な処理フローを示す。また、図４〜図６は、特徴
抽出の処理を段階を追って説明するための画像例を示
す。
【００３１】まず、図４に示すような位置・向き補正さ
れたグレイ画像４００から、図５に示すように錠剤領域
の全体または一部を含む所定サイズの矩形領域５００を
切出す（図３、ステップ３０１）。ここで、矩形領域５
００のサイズは、予め種々の銘柄の錠剤について特徴抽
出を行なってみた結果に基づき、最も精度の良い特徴抽
出ができるサイズとして、統計的手法により決定された
ものである。
【００３２】次に、図６に示すように、この矩形領域５
００を任意のサイズＮ×Ｍの小区画６００に分割する
（ステップ３０２）。ここで、小区画６００のサイズＮ
×Ｍはコンピュータの処理能力に比例して決定される。
【００３３】次に、各小区画６００毎に、その全画素の
濃淡値から代表値を算出する（ステップ３０３）。この
代表値には、例えば中央値を用いる。中央値は錠剤領域
と背景のように明らかに濃淡値の分布が偏る場合でも、
その分布全体を良く反映することができるからである。
この後、各小区画６００の代表値を要素とする濃淡値ベ
クトルを特徴ベクトルとして抽出する（ステップ３０
４）。
【００３４】学習フェーズでは、同定対象となる錠剤の
種々の銘柄の多数の学習サンプルが本システムに供給さ
れて、各学習サンプルに対して以上の撮影から特徴抽出
までの処理が行なわれる。
【００３５】再び図１を参照して、学習部１０７では、
各銘柄について、その銘柄の多数の学習サンプルから抽
出した全濃淡値ベクトルに対し主成分分析を施し、固有
値及び固有ベクトルを得る。そして、固有値に基づき寄
与率を求め、寄与率の高いほうから数個の主成分を選択
し、上記固有ベクトルを用いて、上記全濃淡値ベクトル
を主成分ベクトルに変換する。このように、主成分分析
の結果に基づき有意な特徴を選択することにより、特徴
ベクトルの次元圧縮が図れ、以後の処理量を削減するこ
とができる。次に、得られた上記主成分ベクトルを各銘
柄毎に平均して参照ベクトルとし、この参照ベクトルを
各銘柄の参照ベクトルとして辞書ファイル１１０に格納
する。更に、各銘柄の固有ベクトルも辞書ファイル１１
０に格納される。
【００３６】散布度算出部１０８は、各銘柄毎に、参照
ベクトルと多数の学習サンプルの主成分ベクトルとの間
の距離の分布から、その平均を０とした場合のその標準
偏差σを求める。ここで、参照ベクトルに対する学習サ
ンプルの距離の分布は例えば図７に示すようになってい
る。このような距離分布の標準偏差を各銘柄毎に求め、
これを各銘柄の散布度として辞書ファイル１１０に格納
する。
【００３７】以下、辞書ファイル１１０に格納された全
銘柄の参照ベクトルと散布度を総称して辞書と呼ぶ。
【００３８】辞書評価部１１１は、作成された辞書が同
定用の辞書として適切か否か、つまり辞書の善し悪しを
評価するものである。この辞書評価を行うための評価値
としては、一般には、辞書作成の基礎となった学習サン
プルの画像的特徴に関するカテゴリ間変動とカテゴリ内
変動との比を用いることができる。例えば、カテゴリ間
変動としてカテゴリ間分散（つまり、全銘柄の全学習サ
ンプルの特徴ベクトルの分散）を用い、カテゴリ内変動
としてカテゴリ内分散（つまり、或一つの銘柄における
全学習サンプルの特徴ベクトルの分散）を用いることが
できる。
【００３９】しかしながら、本実施例では、評価値とし
て一般的なカテゴリ間分散／カテゴリ内分散を用いず
に、特徴ベクトルに画像の濃淡値を用いていることに着
目して、次式で定義された評価値Ｅを用いる。
【００４０】
【数１】 この評価値Ｅは、要するに学習サンプル画像の濃淡値に
関する、同一銘柄内での変動（カテゴリ内変動）と異な
る銘柄間での変動（カテゴリ間変動）との比を表してい
る。この評価値Ｅを用いる場合にはカテゴリ間分散／カ
テゴリ内分散などに比べ高速に評価値を算出することが
可能となる。何故なら、評価値Ｅは濃淡値に対する上記
の様な比較的簡単な演算式で求まるが、カテゴリ間分散
／カテゴリ内分散を求める場合には学習サンプル毎に距
離計算を行う必要があり、計算手数が大変に多くなるか
らである。
【００４１】上記評価値Ｅは、値が大きいほど辞書の品
質が高い、つまりカテゴリ分離が良好であることを示し
ている。もし、この評価値Ｅが所定の基準値より低い場
合は、実際に同定処理を行なっても良好な結果が期待で
きない。この原因としては、学習サンプルの品質の低
さ、特徴抽出までの各処理における何らかの障害発生
等、ケースバイケースで種々の要因が考えられる。いず
れにしても、評価値が低い場合には、良好な同定処理を
行なうためにそれらの原因を解決して再度辞書を作成す
る必要があるので、辞書評価部１１１の処理結果はディ
スプレイ装置等に出力される。
【００４２】このように、辞書作成の段階で辞書の評価
が行われるため、高品質の辞書を効率的に作成すること
が可能となる。
【００４３】（Ｂ）同定フェーズ 同定のフェーズでは、学習フェーズで作成され且つ評価
された辞書を用いて、対応しているか否かが不明な錠剤
とその銘柄とについて、本当に対応しているかどうかの
同定検査が行なわれる。ここでは、同定対象となる錠剤
と銘柄名とがシステムに入力される。
【００４４】図１を参照して、まず、入力された錠剤に
ついて、学習フェーズと同様にカメラ撮影及び銘柄名の
入力から始って、画像入力部１０１から特徴抽出部１０
６に至る一連の画像処理が行なわれ、濃淡値ベクトルが
抽出される。
【００４５】次に、同定部１０９が、上記学習フェーズ
で得られた固有ベクトルを用いて、濃淡値ベクトルを主
成分ベクトルに変換する。次に、この主成分ベクトルと
入力された銘柄に対応する参照ベクトルとの間の距離を
計算する。この時、距離関数にはユークリッド距離、類
似度などを用いる。一般的な距離関数については、例え
ば、「舟久保登：視覚パターンの処理と認識、啓学出版
発行、１９９０」に記載されている。
【００４６】ところで、本実施例では、基本となる特徴
ベクトルとして濃淡値ベクトルを用いるため、距離計算
の処理は、参照画像と同定対象画像とを重ね合わせてそ
の一致の度合いを算出していることにほかならない。こ
のような特徴ベクトルは従来のパタン識別システムにお
いてはほとんど用いられることがなかったが、画像情報
を最大限活用できることから、大カテゴリーを処理対象
にする場合には有効である。
【００４７】更に、同定部１０９は、こうして得た距離
を、入力された銘柄に対応する散布度（標準偏差）σか
ら定まる許容値ｒ・σと比較し、この距離が許容値ｒ・
σ内にある場合は、当該錠剤が入力された銘柄に対応す
る錠剤であると判定し、そうでない場合は対応しない別
銘柄の錠剤であると判定し、その判定結果を出力する。
この結果は、自動錠剤包装機において、同定した錠剤を
包装するか、包装せずに排出又は元のタブレットへ戻す
かの選択に利用することが望ましい。或いは、同定結果
に関わらず全ての錠剤を包装することとするが、その包
装紙面に同定結果を印刷するようにし、後に薬剤師がチ
ェックするようにしてもよい。
【００４８】ここで、許容値ｒ・σを決める係数ｒはユ
ーザが任意に設定できるようになっている。例えば、ｒ
＝１．０のように許容値が小さい場合、同定の基準は厳
しくなり、銘柄に対応しない錠剤を容易にはじくことが
できるが、実際には対応する錠剤であっても、錠剤表面
のキズ、欠損、その他の理由で参照ベクトルとの距離が
大きい時には、対応しない錠剤と判定され、はじかれて
しまう。逆にｒ＝３．０のように許容値が大きい場合に
は上記の例とは逆の結果が生じる。このように許容値に
よって、本システムのふるまいには大きく異なる。その
ため、例えば安全性を重視して多少でも異なる錠剤はは
じくというように、目的によってユーザが適当な許容値
を設定する必要がある。
【００４９】以上のように、本実施例の錠剤同定システ
ムでは、人間の目視に頼ることなく銘柄と錠剤の同定検
査を行うことができる。
【００５０】尚、本発明は上記実施例に限定されるもの
ではなく、その要旨を逸脱しない範囲において種々の異
なる態様で実施可能である。例えば、錠剤同定に限ら
ず、自動組み立てラインにおける選別された部品の同定
等にも本発明を適用することができる。
【００５１】
【発明の効果】本発明によれば、物品の同定を自動的に
行うことが可能である。特に、錠剤自動包装機の運用に
使用する場合には、確実に正しい錠剤だけを患者に提供
できるので、医療の高品質化を実現することができる。
また、同定に用いる辞書の善し悪しを、辞書作成の段階
で簡単に評価できるので、高品質の辞書を効率的に作成
することが可能となる。
【図面の簡単な説明】
【図１】本発明の一実施例に係る錠剤同定システムの構
成を示すブロック図。
【図２】同実施例における位置・向き補正部の処理を示
すフローチャート。
【図３】同実施例における特徴抽出部の処理を示すフロ
ーチャート。
【図４】同実施例における位置・向き補正部を施した後
のグレイ画像の例を示す図。
【図５】同実施例における図４の画像から切り出された
矩形領域を示す図。
【図６】同実施例における図５の画像を小区域に分けた
状態を示す図。
【図７】同実施例における参照ベクトルに対する学習サ
ンプルの距離分布の例を示す図。
【符号の説明】
１ ＮＴＳＣテレビカメラ １００ コンピュータ １０１ 画像入力部 １０２ 銘柄入力部 １０３ 逆γ補正部 １０４ ＲＧＢグレイ変換部 １０５ 位置・向き補正部 １０６ 特徴抽出部 １０７ 学習部 １０８ 散布度算出部 １０９ 同定部 １１０ 辞書ファイル １１１ 辞書評価部
───────────────────────────────────────────────────── フロントページの続き (51)Int.Cl.6 識別記号 庁内整理番号 ＦＩ 技術表示箇所 Ｇ０６Ｔ 1/00

Claims (5)

    【特許請求の範囲】
  1. 【請求項１】 同定対象物品が入力されたカテゴリーに
    係るものか判定する物品同定システムにおいて、 サンプル物品及び同定対象物品の画像を入力する画像入
    力手段と、 前記サンプル物品及び同定対象物品のカテゴリーを入力
    するカテゴリー入力手段と、 前記入力された画像の各々から濃淡値ベクトルを特徴ベ
    クトルとして抽出する特徴抽出手段と、 前記各カテゴリー毎に、多数のサンプル物品の画像から
    抽出された特徴ベクトルに基づいて、参照ベクトルと距
    離分散値とを含む辞書を作成する学習手段と、 前記辞書の評価のための評価値として、前記辞書の作成
    に用いたサンプル物品画像の濃淡値に関する、カテゴリ
    ー間変動とカテゴリー内変動との比を算出する辞書評価
    手段と、 前記辞書を蓄積する辞書ファイルと、 前記入力された同定対象物品のカテゴリーに対応する参
    照ベクトルと距離分散値とを前記辞書ファイル内から選
    択し、前記入力された同定対象物品の画像から抽出され
    た特徴ベクトルと前記辞書ファイルから選択した参照ベ
    クトルとの間の距離を求め、この距離と前記選択した距
    離分散値とに基づいて、前記同定対象物品のカテゴリー
    が正しいか否かを判定する同定手段と、を備えることを
    特徴とする物品同定システム。
  2. 【請求項２】 請求項１記載のシステムにおいて、 前記カテゴリー間変動が、サンプル物品画像内の全画素
    の平均濃淡値に関する、全カテゴリーの全サンプル物品
    の平均値と各カテゴリー毎の全サンプル物品の平均値と
    の間の差分を反映した数値であり、 前記カテゴリー内変動が、サンプル物品画像内の個々の
    画素の濃淡値に関する、各カテゴリー毎の全サンプル物
    品の平均値と各サンプル物品の値との間の差分を反映し
    た数値であることを特徴とする物品同定システム。
  3. 【請求項３】 同定対象物品が指定されたカテゴリーに
    係るものか判定する物品同定方法において、 サンプル物品の画像とカテゴリーとを入力する過程と、 前記サンプル物品の画像の各々から濃淡値ベクトルを特
    徴ベクトルとして抽出する過程と、 前記各カテゴリー毎に、多数のサンプル物品画像から抽
    出された特徴ベクトルに基づいて、参照ベクトルと距離
    分散値とを含む辞書を作成する過程と、 前記辞書の評価のための評価値として、前記辞書の作成
    に用いたサンプル物品画像の濃淡値に関する、カテゴリ
    ー間変動とカテゴリー内変動との比を算出する過程と、 同定対象物品の画像を入力する過程と、 前記同定対象物品の画像から特徴ベクトルを抽出する過
    程と、 前記指定されたカテゴリーに対応する参照ベクトルと距
    離分散値とを前記辞書から選択する過程と、 前記同定対象物品の画像から抽出された特徴ベクトルと
    前記辞書から選択した参照ベクトルとの間の距離を求
    め、この距離と前記選択した距離分散値とに基づいて、
    前記同定対象物品が前記指定されたカテゴリーに係るも
    のか否かを判定する過程と、を備えることを特徴とする
    物品同定方法。
  4. 【請求項４】 物品の同定又は認識に用いる辞書の作成
    方式において、 複数のカテゴリの各々に係る物品の画像を入力する画像
    入力手段と、 前記入力された物品画像の各々から濃淡値ベクトルを特
    徴ベクトルとして抽出する特徴ベクトル抽出手段と、 各カテゴリに係る多数の物品画像から抽出された特徴ベ
    クトルに基づいて、各カテゴリについての参照ベクトル
    を生成するする参照ベクトル生成手段と、 前記参照ベクトルの評価のための評価値として、前記入
    力した物品画像の濃淡値に関する、カテゴリー間変動と
    カテゴリー内変動との比を算出する辞書評価手段と、を
    有することを特徴とする辞書作成方式。
  5. 【請求項５】 物品の同定又は認識に用いる辞書の作成
    方法において、 複数のカテゴリの各々に係る多数の物品の画像を入力す
    る過程と、 入力された物品画像の各々から濃淡値ベクトルを特徴ベ
    クトルとして抽出する過程と、 各カテゴリに係る多数の物品画像から抽出された特徴ベ
    クトルに基づいて、各カテゴリーについての参照ベクト
    ルを生成する過程と、 前記参照ベクトルの評価のための評価値として、前記入
    力した物品画像の濃淡値に関する、カテゴリー間変動と
    カテゴリー内変動との比を算出する過程と、を備えたこ
    とを特徴とする辞書作成方法。
JP6074181A 1994-03-18 1994-03-18 物品同定システム Pending JPH07262379A (ja)

Priority Applications (1)

Application Number Priority Date Filing Date Title
JP6074181A JPH07262379A (ja) 1994-03-18 1994-03-18 物品同定システム

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
JP6074181A JPH07262379A (ja) 1994-03-18 1994-03-18 物品同定システム

Publications (1)

Publication Number Publication Date
JPH07262379A true JPH07262379A (ja) 1995-10-13

Family

ID=13539751

Family Applications (1)

Application Number Title Priority Date Filing Date
JP6074181A Pending JPH07262379A (ja) 1994-03-18 1994-03-18 物品同定システム

Country Status (1)

Country Link
JP (1) JPH07262379A (ja)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005072677A1 (ja) * 2004-01-30 2005-08-11 Yuyama Mfg. Co., Ltd. 錠剤収納取出装置
JP2013196008A (ja) * 2012-03-15 2013-09-30 Omron Corp 登録判定装置、その制御方法および制御プログラム、並びに電子機器
JP2014526755A (ja) * 2011-09-27 2014-10-06 インテル・コーポレーション メモリが制限された環境における顔認識性能を改善するべく基準顔データベースを管理するための方法、装置およびコンピュータ可読記録媒体
US8888005B2 (en) 2013-04-12 2014-11-18 David Prokop Uniquely identifiable drug dosage form units
US9272796B1 (en) 2011-01-11 2016-03-01 Chudy Group, LLC Automatic drug packaging machine and package-less verification system
JP2017225832A (ja) * 2012-01-11 2017-12-28 パナソニックヘルスケアホールディングス株式会社 薬剤供給装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2005072677A1 (ja) * 2004-01-30 2005-08-11 Yuyama Mfg. Co., Ltd. 錠剤収納取出装置
US8041102B2 (en) 2004-01-30 2011-10-18 Yuyama Mfg. Co., Ltd. Tablet storage and take-out apparatus
US9272796B1 (en) 2011-01-11 2016-03-01 Chudy Group, LLC Automatic drug packaging machine and package-less verification system
JP2014526755A (ja) * 2011-09-27 2014-10-06 インテル・コーポレーション メモリが制限された環境における顔認識性能を改善するべく基準顔データベースを管理するための方法、装置およびコンピュータ可読記録媒体
US9298976B2 (en) 2011-09-27 2016-03-29 Intel Corporation Method, apparatus and computer readable recording medium for managing a reference face database to improve face recognition performance under a restricted memory environment
JP2017225832A (ja) * 2012-01-11 2017-12-28 パナソニックヘルスケアホールディングス株式会社 薬剤供給装置
JP2013196008A (ja) * 2012-03-15 2013-09-30 Omron Corp 登録判定装置、その制御方法および制御プログラム、並びに電子機器
US8888005B2 (en) 2013-04-12 2014-11-18 David Prokop Uniquely identifiable drug dosage form units

Similar Documents

Publication Publication Date Title
US5450504A (en) Method for finding a most likely matching of a target facial image in a data base of facial images
CN107179324B (zh) 检测产品包装的方法、装置和系统
TWI505201B (zh) Object recognition device, object recognition method and program product
TW201419169A (zh) 物體識別裝置、物體識別方法及程式產品
JPWO2014103297A1 (ja) 物体識別装置、方法及びプログラム
CA2215942A1 (en) Systems and methods for identifying images
US8483859B2 (en) Image processing device and image processing method
CN113111844B (zh) 一种作业姿态评估方法、装置、本地终端及可读存储介质
JP7183753B2 (ja) リスト生成装置、被写体識別装置、リスト生成方法、及びプログラム
CN111461101A (zh) 工服标志的识别方法、装置、设备及存储介质
JP2700440B2 (ja) 物品識別システム
CN105787429B (zh) 采用机器视觉用于检查物体的方法和设备
JP6236825B2 (ja) 自動販売機の販売商品認識装置及び販売商品認識方法、並びにコンピュータ・プログラム
JP3814353B2 (ja) 画像分割方法および画像分割装置
CN117115569B (zh) 基于机器学习的物像自动识别分类方法及系统
JPH07262379A (ja) 物品同定システム
JP2922110B2 (ja) 物品同定システム
JPH11306325A (ja) 対象物検出装置及び対象物検出方法
JP2879130B2 (ja) 物品識別システム及び方法
JP6855175B2 (ja) 画像処理装置、画像処理方法およびプログラム
JP2879129B2 (ja) 物品同定システム及び方法
JPH07262378A (ja) 物品同定システム
EP1638038B1 (en) Method of determining an image descriptor, image comparison method, image search method and associated devices
JPH07254068A (ja) 物品同定システム
JPH07287736A (ja) 物品識別システム