JPH0836644A - ニューラルネットによる画像認識方法 - Google Patents
ニューラルネットによる画像認識方法Info
- Publication number
- JPH0836644A JPH0836644A JP6174110A JP17411094A JPH0836644A JP H0836644 A JPH0836644 A JP H0836644A JP 6174110 A JP6174110 A JP 6174110A JP 17411094 A JP17411094 A JP 17411094A JP H0836644 A JPH0836644 A JP H0836644A
- Authority
- JP
- Japan
- Prior art keywords
- recognition
- time
- image
- calculation
- neural network
- 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
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
(57)【要約】
【目的】ハードウェアの制限下で高速に画像認識を可能
としたニューラルネットによる画像認識方法を提供する
にある。 【構成】ＴＶカメラのような画像入力装置１で撮像した
撮像対象Ａの文字の画像データはＡ／Ｄ変換された後、
濃度データ或いは２値化されて取り込み画像用フレーム
メモリ２に取り込まれ、この取り込まれた画像データに
対してニューラルネットによる学習と認識がＣＰＵユニ
ット３により実行される。結合係数の演算やバックプロ
ーゲーションによる学習の場合に使用するシグモイド関
数の演算はＣＰＵユニット３にコプロセッサ３ａにより
実数演算によって行う。
としたニューラルネットによる画像認識方法を提供する
にある。 【構成】ＴＶカメラのような画像入力装置１で撮像した
撮像対象Ａの文字の画像データはＡ／Ｄ変換された後、
濃度データ或いは２値化されて取り込み画像用フレーム
メモリ２に取り込まれ、この取り込まれた画像データに
対してニューラルネットによる学習と認識がＣＰＵユニ
ット３により実行される。結合係数の演算やバックプロ
ーゲーションによる学習の場合に使用するシグモイド関
数の演算はＣＰＵユニット３にコプロセッサ３ａにより
実数演算によって行う。
Description
【０００１】
【産業上の利用分野】本発明は、ニューラルネットによ
る画像認識方法に関するものである。
る画像認識方法に関するものである。
【０００２】
【従来の技術】画像入力装置により撮像した文字の画像
を判別する方法としては、パターンマッチングによって
形状判別を行なう方法があるが、判別する種類が増える
程判別に要する時間が長くなってしまうという欠点があ
る。一方判別種類が増えても大きく認識時間が延びるこ
とがない方法としてはニューラルネットを用いた方法が
ある。ニューラルネットの特徴としては線形式にできな
いが、入出力が分かっている事象に向いており、形状判
別に応用できるものである。
を判別する方法としては、パターンマッチングによって
形状判別を行なう方法があるが、判別する種類が増える
程判別に要する時間が長くなってしまうという欠点があ
る。一方判別種類が増えても大きく認識時間が延びるこ
とがない方法としてはニューラルネットを用いた方法が
ある。ニューラルネットの特徴としては線形式にできな
いが、入出力が分かっている事象に向いており、形状判
別に応用できるものである。
【０００３】
【発明が解決しようとする課題】しかし上記のようなニ
ューラルネットを用いる方法では、バックプロバゲーシ
ョンによる学習を行なう場合、学習を収束させるため
に、図４に示すシグモイド関数を用いる必要があるが、
その演算と学習処理自体を正常に進行させるためにある
程度の高精度の桁数を必要し、実数であってもある程度
桁数が必要となる。また整数であ使う場合は十分な桁数
を確保しないと正常に学習させることができない。そこ
で、十分な精度を確保して学習させると計算コストが嵩
み、計算時間がかかってしまうという問題がある。また
学習処理の中には認識処理の部位があり、認識処理の時
も同様の精度で演算を行なっていた。そのため高速の認
識を必要とする場合には不向きであった。
ューラルネットを用いる方法では、バックプロバゲーシ
ョンによる学習を行なう場合、学習を収束させるため
に、図４に示すシグモイド関数を用いる必要があるが、
その演算と学習処理自体を正常に進行させるためにある
程度の高精度の桁数を必要し、実数であってもある程度
桁数が必要となる。また整数であ使う場合は十分な桁数
を確保しないと正常に学習させることができない。そこ
で、十分な精度を確保して学習させると計算コストが嵩
み、計算時間がかかってしまうという問題がある。また
学習処理の中には認識処理の部位があり、認識処理の時
も同様の精度で演算を行なっていた。そのため高速の認
識を必要とする場合には不向きであった。
【０００４】本発明は、上記の点に鑑みて為されたもの
で、その目的とするところはハードウェアの制限下で高
速に画像認識を可能としたニューラルネットによる画像
認識方法を提供するにある。
で、その目的とするところはハードウェアの制限下で高
速に画像認識を可能としたニューラルネットによる画像
認識方法を提供するにある。
【０００５】
【課題を解決するための手段】上記目的を達成するため
に請求項１の発明では、画像入力装置により撮像した文
字の画像を判別する際にニューラルネットを用い、学習
時には実数若しくは必要十分な桁数の整数で演算を行
い、認識時には計算精度を低くして演算することを特徴
とする。
に請求項１の発明では、画像入力装置により撮像した文
字の画像を判別する際にニューラルネットを用い、学習
時には実数若しくは必要十分な桁数の整数で演算を行
い、認識時には計算精度を低くして演算することを特徴
とする。
【０００６】請求項２の発明では、請求項１の発明にお
いて、認識時には結合係数の絶対値の最大を求め、その
値より認識時に一定比率で有効桁数を小さくすることで
精度を落とした実数を用いてフローティングポイントコ
プロセッサの併用により演算することを特徴とする。請
求項３の発明では、請求項１の発明において、認識時に
は結合係数の絶対値の最大を求め、その値より認識時に
一定比率で有効桁数を小さくし且つ桁を上げて整数化し
て演算することを特徴とする。
いて、認識時には結合係数の絶対値の最大を求め、その
値より認識時に一定比率で有効桁数を小さくすることで
精度を落とした実数を用いてフローティングポイントコ
プロセッサの併用により演算することを特徴とする。請
求項３の発明では、請求項１の発明において、認識時に
は結合係数の絶対値の最大を求め、その値より認識時に
一定比率で有効桁数を小さくし且つ桁を上げて整数化し
て演算することを特徴とする。
【０００７】請求項４の発明では、請求項１の発明にお
いて、認識時には結合係数の絶対値の最大を求め、その
値より認識時に一定比率で有効桁数を小さくし且つ桁を
上げて整数化し、この整数化したデータをデジタルシグ
ナルプロセッサに渡して演算を行なうことを特徴とす
る。
いて、認識時には結合係数の絶対値の最大を求め、その
値より認識時に一定比率で有効桁数を小さくし且つ桁を
上げて整数化し、この整数化したデータをデジタルシグ
ナルプロセッサに渡して演算を行なうことを特徴とす
る。
【０００８】
【作用】請求項１の発明によれば、認識時に計算精度を
低くして演算を行なうため、ハードウェアの制限下で、
高速認識が可能となる。請求項２の発明によれば、請求
項１の発明において、認識時には結合係数の絶対値の最
大を求め、その値より認識時に一定比率で有効桁数を小
さくすることで精度を落とした実数を用いてフローティ
ングポイントコプロセッサ（以下コプロセッサと略す）
の併用により演算するので、より高速認識が可能とな
る。
低くして演算を行なうため、ハードウェアの制限下で、
高速認識が可能となる。請求項２の発明によれば、請求
項１の発明において、認識時には結合係数の絶対値の最
大を求め、その値より認識時に一定比率で有効桁数を小
さくすることで精度を落とした実数を用いてフローティ
ングポイントコプロセッサ（以下コプロセッサと略す）
の併用により演算するので、より高速認識が可能とな
る。
【０００９】請求項３の発明によれば、請求項１の発明
において、認識時には結合係数の絶対値の最大を求め、
その値より認識時に一定比率で有効桁数を小さくし且つ
桁を上げて整数化して演算するので、コプロセッサを用
いることなく、高速認識は可能となり、ハードウェアの
コストダウンが図れる。請求項４の発明によれば、請求
項１の発明において、認識時には結合係数の絶対値の最
大を求め、その値より認識時に一定比率で有効桁数を小
さくし且つ桁を上げて整数化し、この整数化したデータ
をデジタルシグナルプロセッサ（以下ＤＳＰと略す）に
渡して演算を行なうので、安価なチップを用いてより高
速認識が可能となる。
において、認識時には結合係数の絶対値の最大を求め、
その値より認識時に一定比率で有効桁数を小さくし且つ
桁を上げて整数化して演算するので、コプロセッサを用
いることなく、高速認識は可能となり、ハードウェアの
コストダウンが図れる。請求項４の発明によれば、請求
項１の発明において、認識時には結合係数の絶対値の最
大を求め、その値より認識時に一定比率で有効桁数を小
さくし且つ桁を上げて整数化し、この整数化したデータ
をデジタルシグナルプロセッサ（以下ＤＳＰと略す）に
渡して演算を行なうので、安価なチップを用いてより高
速認識が可能となる。
【００１０】
【実施例】以下、本発明の実施例を図面を参照して説明
する。図１は本発明方法を用いた実施例１の画像処理装
置のブロック図を示しており、ＴＶカメラのような画像
入力装置１で撮像した撮像対象Ａの文字の画像データは
Ａ／Ｄ変換された後、濃度データ或いは２値化されて取
り込み画像用フレームメモリ２に取り込まれ、この取り
込まれた画像データに対してニューラルネットによる学
習と認識がＣＰＵユニット３により実行される。尚図１
中４はシステムバスである。
する。図１は本発明方法を用いた実施例１の画像処理装
置のブロック図を示しており、ＴＶカメラのような画像
入力装置１で撮像した撮像対象Ａの文字の画像データは
Ａ／Ｄ変換された後、濃度データ或いは２値化されて取
り込み画像用フレームメモリ２に取り込まれ、この取り
込まれた画像データに対してニューラルネットによる学
習と認識がＣＰＵユニット３により実行される。尚図１
中４はシステムバスである。
【００１１】ここでニューラルネットによる学習につい
て図２により説明する。まず学習時には実数若しくは必
要十分な桁数の整数で演算を行うのである。つまり撮像
対象Ａの画像データを２値化（或いは濃淡データ）に変
換後、その画像データを入力して入力層Ｉで１層目の結
合係数によって強弱を付けて中間層IIへ伝搬し、中間層
IIから２層目の結合係数によって強弱が付けられて出力
層III へ伝播し、出力値（ａ）として取り出される。こ
こで上記結合係数の演算やバックブローゲーションによ
る学習の場合に使用するシグモイド関数の演算は実数で
行うのが都合が良い。そこで本実施例ではＣＰＵユニッ
ト３にコプロセッサ３ａを使用してこれらの実数演算を
高速に行うようにしている。尚この場合有効桁数を小さ
く抑えることができればより高速化が可能となる。
て図２により説明する。まず学習時には実数若しくは必
要十分な桁数の整数で演算を行うのである。つまり撮像
対象Ａの画像データを２値化（或いは濃淡データ）に変
換後、その画像データを入力して入力層Ｉで１層目の結
合係数によって強弱を付けて中間層IIへ伝搬し、中間層
IIから２層目の結合係数によって強弱が付けられて出力
層III へ伝播し、出力値（ａ）として取り出される。こ
こで上記結合係数の演算やバックブローゲーションによ
る学習の場合に使用するシグモイド関数の演算は実数で
行うのが都合が良い。そこで本実施例ではＣＰＵユニッ
ト３にコプロセッサ３ａを使用してこれらの実数演算を
高速に行うようにしている。尚この場合有効桁数を小さ
く抑えることができればより高速化が可能となる。
【００１２】ところで学習で得られる各結合係数の値は
学習が完了するまで分からないが、認識を実行する場合
は既知の値と言える。そこでＣＰＵユニット３では学習
完了後各結合係数を調査してその値の絶対値の最大を求
める。例えば桁数を９ｂｉｔに収めたければ、正規化比
率＝２５５÷前記最大値として求めるられる比率で各結
合係数を割ってやれば全ての結合係数を９ｂｉｔで表現
できる。また実数で表現されているデータであっても有
効桁数を設定すれば整数で表現できる。またニューラル
ネットのアプリケーションにおいてシグモイド関数を必
要とするが、これも予め必要精度で演算しておき、メモ
リに格納しておけばその都度演算しなくても所定のメモ
リから結果を引き出すだけで同等の結果が得ることがで
きる。つまり変換テーブル方式を構成することになる。
またシグモイド関数をそのまま用いるのではなく、２次
関数等で近似してやれば計算コストを軽減することがで
きる。
学習が完了するまで分からないが、認識を実行する場合
は既知の値と言える。そこでＣＰＵユニット３では学習
完了後各結合係数を調査してその値の絶対値の最大を求
める。例えば桁数を９ｂｉｔに収めたければ、正規化比
率＝２５５÷前記最大値として求めるられる比率で各結
合係数を割ってやれば全ての結合係数を９ｂｉｔで表現
できる。また実数で表現されているデータであっても有
効桁数を設定すれば整数で表現できる。またニューラル
ネットのアプリケーションにおいてシグモイド関数を必
要とするが、これも予め必要精度で演算しておき、メモ
リに格納しておけばその都度演算しなくても所定のメモ
リから結果を引き出すだけで同等の結果が得ることがで
きる。つまり変換テーブル方式を構成することになる。
またシグモイド関数をそのまま用いるのではなく、２次
関数等で近似してやれば計算コストを軽減することがで
きる。
【００１３】このような手法を採用すれば整数の演算に
おいて、実数で演算する場合と同等の結果を得ることが
でき、これによりコプロセッサを用いないと高速に演算
出来なかったＣＰＵユニットにおいても図３に示すよう
にコプロセッサを用いずにＣＰＵユニット３中心の装置
で高速に演算することが可能となる。つまりコプロセッ
サが不要となるためその分コストダウンが図れる。
おいて、実数で演算する場合と同等の結果を得ることが
でき、これによりコプロセッサを用いないと高速に演算
出来なかったＣＰＵユニットにおいても図３に示すよう
にコプロセッサを用いずにＣＰＵユニット３中心の装置
で高速に演算することが可能となる。つまりコプロセッ
サが不要となるためその分コストダウンが図れる。
【００１４】尚更に高速の演算を必要とする場合には、
図４に示すようにＤＳＰ５を用いば良く、この場合認識
時には結合係数の絶対値の最大を求め、その値より認識
時に一定比率で有効桁数を小さくし且つ桁を上げて整数
化し、この整数化したデータをＤＳＰ５に渡して演算を
行うようにする。この実施例の場合安価なチップで高速
な認識が実現可能となる。
図４に示すようにＤＳＰ５を用いば良く、この場合認識
時には結合係数の絶対値の最大を求め、その値より認識
時に一定比率で有効桁数を小さくし且つ桁を上げて整数
化し、この整数化したデータをＤＳＰ５に渡して演算を
行うようにする。この実施例の場合安価なチップで高速
な認識が実現可能となる。
【００１５】
【発明の効果】請求項１の発明は、認識時に計算精度を
低くして演算を行なうため、ハードウェアの制限下で、
高速認識が可能となるという効果がある。請求項２の発
明は、請求項１の発明において、認識時には結合係数の
絶対値の最大を求め、その値より認識時に一定比率で有
効桁数を小さくすることで精度を落とした実数を用いて
コプロセッサの併用により演算するので、より高速認識
が可能となるという効果がある。
低くして演算を行なうため、ハードウェアの制限下で、
高速認識が可能となるという効果がある。請求項２の発
明は、請求項１の発明において、認識時には結合係数の
絶対値の最大を求め、その値より認識時に一定比率で有
効桁数を小さくすることで精度を落とした実数を用いて
コプロセッサの併用により演算するので、より高速認識
が可能となるという効果がある。
【００１６】請求項３の発明は、請求項１の発明におい
て、認識時には結合係数の絶対値の最大を求め、その値
より認識時に一定比率で有効桁数を小さくし且つ桁を上
げて整数化して演算するので、コプロセッサを用いるこ
となく、高速認識は可能となり、ハードウェアのコスト
ダウンが図れるという効果がある。請求項４の発明は、
請求項１の発明において、認識時には結合係数の絶対値
の最大を求め、その値より認識時に一定比率で有効桁数
を小さくし且つ桁を上げて整数化し、この整数化したデ
ータをＤＳＰに渡して演算を行なうので、安価なチップ
を用いてより高速認識が可能となるという効果がある。
て、認識時には結合係数の絶対値の最大を求め、その値
より認識時に一定比率で有効桁数を小さくし且つ桁を上
げて整数化して演算するので、コプロセッサを用いるこ
となく、高速認識は可能となり、ハードウェアのコスト
ダウンが図れるという効果がある。請求項４の発明は、
請求項１の発明において、認識時には結合係数の絶対値
の最大を求め、その値より認識時に一定比率で有効桁数
を小さくし且つ桁を上げて整数化し、この整数化したデ
ータをＤＳＰに渡して演算を行なうので、安価なチップ
を用いてより高速認識が可能となるという効果がある。
【図１】本発明の実施例１による画像処理装置の回路ブ
ロック図である。
ロック図である。
【図２】ニューラルネットの学習作業についての説明図
である。
である。
【図３】本発明の実施例２による画像処理装置の回路ブ
ロック図である。
ロック図である。
【図４】本発明の実施例３による画像処理装置の回路ブ
ロック図である。
ロック図である。
【図５】シグモイド関数を示す図である。
１ 画像入力装置 ２ フレームメモリ ３ ＣＰＵユニット ３ａ コプロセッサ ４ システムバス
─────────────────────────────────────────────────────
【手続補正書】
【提出日】平成６年１２月２６日
【手続補正１】
【補正対象書類名】明細書
【補正対象項目名】０００３
【補正方法】変更
【補正内容】
【０００３】
【発明が解決しようとする課題】しかし上記のようなニ
ューラルネットを用いる方法では、バックプロパゲーシ
ョンによる学習を行なう場合、学習を収束させるため
に、図４に示すシグモイド関数を用いる必要があるが、
その演算と学習処理自体を正常に進行させるためにある
程度の高精度の桁数を必要し、実数であってもある程度
桁数が必要となる。また整数で扱う場合は十分な桁数を
確保しないと正常に学習させることができない。そこ
で、十分な精度を確保して学習させると計算コストが嵩
み、計算時間がかかってしまうという問題がある。また
学習処理の中には認識処理の部位があり、認識処理の時
も同様の精度で演算を行なっていた。そのため高速の認
識を必要とする場合には不向きであった。
ューラルネットを用いる方法では、バックプロパゲーシ
ョンによる学習を行なう場合、学習を収束させるため
に、図４に示すシグモイド関数を用いる必要があるが、
その演算と学習処理自体を正常に進行させるためにある
程度の高精度の桁数を必要し、実数であってもある程度
桁数が必要となる。また整数で扱う場合は十分な桁数を
確保しないと正常に学習させることができない。そこ
で、十分な精度を確保して学習させると計算コストが嵩
み、計算時間がかかってしまうという問題がある。また
学習処理の中には認識処理の部位があり、認識処理の時
も同様の精度で演算を行なっていた。そのため高速の認
識を必要とする場合には不向きであった。
───────────────────────────────────────────────────── 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 (4)
- 【請求項１】画像入力装置により撮像した文字の画像を
判別する際にニューラルネットを用い、学習時には実数
若しくは必要十分な桁数の整数で演算を行い、認識時に
は計算精度を低くして演算することを特徴とするニュー
ラルネットによる画像認識方法。 - 【請求項２】認識時には結合係数の絶対値の最大を求
め、その値より認識時に一定比率で有効桁数を小さくす
ることで精度を落とした実数を用いてフローティングポ
イントコプロセッサの併用により演算することを特徴と
する請求項１記載のニューラルネットによる画像認識方
法。 - 【請求項３】認識時には結合係数の絶対値の最大を求
め、その値より認識時に一定比率で有効桁数を小さくし
且つ桁を上げて整数化して演算することを特徴とする請
求項１記載のニューラルネットによる画像認識方法。 - 【請求項４】認識時には結合係数の絶対値の最大を求
め、その値より認識時に一定比率で有効桁数を小さくし
且つ桁を上げて整数化し、この整数化したデータをデジ
タルシグナルプロセッサに渡して演算を行なうことを特
徴とする請求項１記載のニューラルネットによる画像認
識方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6174110A JPH0836644A (ja) | 1994-07-26 | 1994-07-26 | ニューラルネットによる画像認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP6174110A JPH0836644A (ja) | 1994-07-26 | 1994-07-26 | ニューラルネットによる画像認識方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0836644A true JPH0836644A (ja) | 1996-02-06 |
Family
ID=15972826
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP6174110A Pending JPH0836644A (ja) | 1994-07-26 | 1994-07-26 | ニューラルネットによる画像認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0836644A (ja) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6370265B1 (en) * | 1999-11-24 | 2002-04-09 | Direct Radiography Corp. | Method for generating gray scale transfer functions for use in displaying a digital radiogram |
| EP3702906A1 (en) | 2019-02-26 | 2020-09-02 | Fujitsu Limited | Information processing apparatus, control method for information processing apparatus, and control program for information processing apparatus |
-
1994
- 1994-07-26 JP JP6174110A patent/JPH0836644A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6370265B1 (en) * | 1999-11-24 | 2002-04-09 | Direct Radiography Corp. | Method for generating gray scale transfer functions for use in displaying a digital radiogram |
| EP3702906A1 (en) | 2019-02-26 | 2020-09-02 | Fujitsu Limited | Information processing apparatus, control method for information processing apparatus, and control program for information processing apparatus |
| US11182156B2 (en) | 2019-02-26 | 2021-11-23 | Fujitsu Limited | Selectively changing arithmetic data types used in arithmetic execution of deep learning applications based on expressible ratio and fluctuation value comparisons to threshold values |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP0743617A3 (en) | Image processing method and apparatus thereof | |
| JPH0836644A (ja) | ニューラルネットによる画像認識方法 | |
| JPH10271326A (ja) | 画像処理装置 | |
| JP2988994B2 (ja) | 位置合わせ装置 | |
| JP2822792B2 (ja) | 画像ノイズ除去装置 | |
| JP2853140B2 (ja) | 画像領域識別装置 | |
| JP2913103B2 (ja) | パターン認識装置 | |
| JPH01311390A (ja) | 文字置換制御方式 | |
| JPS5922175A (ja) | 図形認識装置 | |
| JPH0562013A (ja) | 文字読取装置 | |
| JPH06251202A (ja) | 文字認識装置 | |
| JP2870640B2 (ja) | 図形認識方法 | |
| JPS6342406A (ja) | 部分パタ−ンマツチングによる位置検出方法 | |
| JP3705405B2 (ja) | ２値化閾値決定方法 | |
| JP3324726B2 (ja) | 画像認識装置 | |
| JPS6391784A (ja) | 画像識別方式 | |
| JPS6332673A (ja) | 画像認識装置 | |
| JPH04142684A (ja) | 文字認識装置 | |
| TW243515B (en) | Image thinning method and device | |
| JPS5914078A (ja) | 帳票読取装置 | |
| JPH03231384A (ja) | パターンマッチング方法 | |
| JPH0137790B2 (ja) | ||
| JPH06337939A (ja) | 画像識別方法および装置 | |
| JPS595945B2 (ja) | パタ−ン認識方法 | |
| JPH0685186B2 (ja) | 写真領域識別装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20040420 |