JPH0883340A - クラスタリング装置および画像認識装置 - Google Patents

Abstract

(57)【要約】 【目的】 本発明は、多数のサンプル画像データから適
切なパターンをみつけだして教示信号を作成することに
ある。 【構成】 サンプル画像データを重ね合せてパターン分
類するパターン分類作成処理部２２と、この分類された
各パターンに対する各画像データの適合度を求める適合
度演算処理部２３と、各パターンごとに各画像データの
適合度から各パターンが教示信号として適切かを判断す
るパターン判断部２４と、パターンが不適切であると
き、パターンを再度修正する指示データを入力する再分
類作成指示手段２４と、この指示データに従って不適切
なパターンに対する画像データどうしの距離を求め、距
離の近い画像データをグループ化するクラスター分析部
２６と、このグルーピングの中心を決定し、不適切なパ
ターンを中心方向に移動させるパターン移動手段とを設
けたクラスタリング装置である。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、多数のサンプル画像デ
ータから得られる分類パターンの適否を判断するクラス
タリング装置および複数の分類パターンを教示信号とし
てニューラルネットワークの構造学習しオンライン画像
データの画像を認識する画像認識装置に関する。

【０００２】

【従来の技術】従来、回収ボイラーのチャーベッドや搬
送物品等の形状に係わる画像を認識する場合、予め多数
のチャーベッド，搬送物品等（以下、サンプルと呼ぶ）
の画像データを取り込んで幾つかのパターンに分類し、
この分類パターンを教示信号として記憶する。しかる
後、前記サンプル画像データについて前記教示信号を用
いてニューラルネットワーク構造を学習する。そして、
オンライン時、ニューラルネットワーク構造を参照しな
がら、オンライン画像データ，つまりチャーベッドや搬
送物品の形状を認識している。

【０００３】しかしながら、サンプルの輪郭がぼんやり
している画像データの場合、２値化処理や遠近による補
正処理等のごとき機械による画像処理だけでは、サンプ
ルの輪郭を適切に判断することが難しい。そこで、機械
による画像処理画の他、画像の抜け部分を埋めていく人
間系の処理を加えることにより、各サンプル画像データ
からパターン分類（クラス分け）を行って教示信号を求
めた後、前記各サンプル画像データについて教示信号を
用いてニューラルネットワークの構造を学習するように
している。

【０００４】ところが、学習後のニューラルネットワー
ク構造を用いて実際のオンライン画像を認識してみる
と、その認識結果と当該オンラインの状態とは違った結
果が得られることが多々ある。その原因を調べてみる
と、あるパターンに多くのサンプル画像データが偏った
状態でパターン分類されていることが分かった。通常、
より正確な教示信号を得る場合、各パターンごとにサン
プル画像データが平均的に集めなければならないが、未
だその技術が確率されていない。

【０００５】

【発明が解決しようとする課題】従って、以上のように
ニューラルネットワークを用いてオンラインの状況を正
確に認識する場合、ニューラルネットワークに用いられ
る教示信号が正確でないと、学習によって得られるニュ
ーラルネットワークの構造も信頼性の低いものとなって
しまう問題がある。

【０００６】そこで、サンプル画像データについて機械
的な画像処理の他、人間系の処理を加えて教示信号を求
めるようにしたが、各パターンがサンプル画像データの
ばらつきによって似通っている場合、各パターンごとに
サンプル画像データを平均的に集めにくいという問題が
ある。

【０００７】本発明は上記実情に鑑みてなされたもので
あって、多数のサンプル画像データから適切なパターン
をみつけだして教示信号を作成可能とするクラスタリン
グ装置を提供することを目的とする。

【０００８】また、本発明の他の目的は、正確な教示信
号の下に信頼性の高いニューラルネットワーク構造を学
習し、オンライン画像を正確に認識可能とする画像認識
装置を提供することにある。

【０００９】

【課題を解決するための手段】上記課題を解決するため
に、請求項１に対応する発明は、複数のサンプル画像デ
ータを重ね合せてパターン分類を行うパターン分類作成
手段と、このパターン分類作成手段によって分類された
各パターンに対する各サンプル画像データの適合度を求
める適合度演算処理手段と、各パターンごとに各サンプ
ル画像データの適合度に基づいて各パターンがニューラ
ルネットワークの教示信号として適切か否かを判断する
パターン判断手段とを設けたクラスタリング装置であ
る。

【００１０】請求項２に対応する発明は、複数のサンプ
ル画像データを重ね合せてパターン分類を行うパターン
分類作成手段と、このパターン分類作成手段によって分
類された各パターンに対する各サンプル画像データの適
合度を求める適合度演算処理手段と、各パターンごとに
各サンプル画像データの適合度に基づいて各パターンが
ニューラルネットワークの教示信号として適切か否かを
判断するパターン判断手段と、このパターン判断手段に
よってパターンが不適切であると判断されたとき、その
不適切と判断されたパターンを再度修正するために必要
な指示データを入力する再分類作成指示手段と、この指
示手段からの指示データに従って不適切なパターンに対
するサンプル画像データどうしの距離を求め、これら距
離の近いサンプル画像データをグルーピングしていくク
ラスター分析手段と、このクラスター分析手段によって
得られるグルーピングの中心を決定し、前記不適切と判
断されたパターンを当該中心方向に移動させるパターン
移動手段とを設けたクラスタリング装置である。

【００１１】なお、適合度演算処理手段としては、各パ
ターンを１００％とし、当該各パターンごとに各パター
ンから各サンプル画像データの離れる割合を求めて適合
度とするものである。

【００１２】さらに、請求項４に対応する発明は、複数
のサンプル画像データを重ね合せてパターン分類を行う
パターン分類作成手段と、このパターン分類作成手段に
よって分類された各パターンに対する各サンプル画像デ
ータの適合度を求める適合度演算処理手段と、各パター
ンごとに各サンプル画像データの適合度の分布状態から
各パターンがニューラルネットワークの教示信号として
適切か否かを判断するパターン判断手段と、このパター
ン判断手段によってパターンが適切であると判断された
とき、当該パターンを教示信号として記憶し、前記サン
プル画像データについて当該教示信号を用いて前記ニュ
ーラルネットワークの構造を学習する画像学習手段とを
備え、 この画像学習手段によって学習されたニューラ
ルネットワーク構造を用いてオンライン画像データの画
像認識を行う画像認識装置である。

【００１３】

【作用】従って、請求項１に対応する発明は、以上のよ
うな手段を講じたことにより、複数のサンプル画像デー
タを重ね合せてパターン分類を行った後、適合度演算処
理手段により各分類パターンに対して各サンプル画像デ
ータがどの程度の割合で離れているかの適合度を求め、
さらにパターン判断手段にて各パターンごとの適合度の
分布状態を調べて各パターンがニューラルネットワーク
の教示信号として適切か否かを判断するので、前記適合
度から各パターンに比較的近いサンプル画像データの数
を容易に把握可能となる。

【００１４】請求項２に対応する発明は、パターン判断
手段によりパターンが教示信号として不適切であると判
断されたとき、再分類作成指示手段によって不適切なパ
ターンの再分類作成指示を行う。ここで、クラスター分
析手段では、不適切と判断されたパターンに一番近いサ
ンプル画像データを基準とし、各サンプル画像データど
うしの距離を求め、これら距離の近いサンプル画像デー
タをグルーピングする一方、そのグループピングの中心
を求めて、パターン移動手段によって不適切なパターン
をグループピングの中心に移動させるので、不適切なパ
ターンをサンプル画像データの集中している位置に設定
でき、さらに似通ったパターンどうしを引き離して正確
な教示信号とすることができる。

【００１５】さらに、請求項４に対応する発明は、複数
のサンプル画像データを重ね合せてパターン分類を行っ
た後、適合度演算処理手段により各分類パターンに対し
て各サンプル画像データがどの程度の割合で離れている
かの適合度を求め、さらにパターン判断手段にて各パタ
ーンごとの適合度の分布状態を調べて各パターンがニュ
ーラルネットワークの教示信号として適切か否かを判断
する。ここで、パターンが適切であると判断されたと
き、当該パターンを教示信号として教示信号記憶部に記
憶する。しかる後、ニューラルネットワークで構成され
る画像学習手段にて、サンプル画像データについて当該
教示信号を用いてニューラルネットワーク構造を学習
し、この学習によって得られるニューラルネットワーク
構造を用いてオンライン画像データの画像認識を行うの
で、正確にオンライン画像を認識できる。

【００１６】

【実施例】以下、本発明装置の実施例について図面を参
照して説明する。図１は本発明に係わるクラスタリング
装置を用いた画像認識装置の一実施例を示す機能ブロッ
ク図である。なお、この実施例装置は、説明の便宜上，
回収ボイラーのチャーベッドの画像認識を例に上げて説
明する。

【００１７】図１において１は多数のサンプルの画像デ
ータを記憶するサンプル画像データ記憶部である。この
サンプル画像データとしては、サンプルによって異なる
が、サンプル全体の形状を表す画像データやサンプルの
輪郭だけを表す画像データの両方を含むものであるが、
本実施例では図２に示すようなサンプル（チャーベッ
ド）の輪郭画像データを例に上げて説明する。

【００１８】このサンプル画像データ記憶部１のサンプ
ル画像データは、データ読込み手段２によって読み出さ
れ、画像前処理部３によって前処理が行われた後、図示
点線で示すクラスタリング装置２０に送られる。この画
像前処理部３は、サンプル画像データを２値化処理した
り、クラスタリング処理に必要なデータ処理をしたり、
さらに修正入力手段４ａからの修正指示に従って例えば
画像データの抜け部分を例えば線によって埋めるなどの
処理が行われる。

【００１９】前記クラスタリング装置２０は、図３に示
すように前処理後の多数のサンプル画像データを記憶部
２１に重ね合せるように記憶するとともに表示部４ｂに
表示し、実際の傾向をみながら複数のパターンに分類す
るパターン分類作成処理部２２と、分類分けされた各パ
ターンに対して各サンプル画像データがどの程度の割合
で離れているか，つまり各パターンをそれぞれ１００％
とし、サンプル画像データ１つ１つの適合度を求めて記
憶部２１に記憶し、かつ、適合度演算結果に対して適合
度の大きい順に並べ替えを実行する適合度演算処理部２
３とが設けられている。図４は適合度演算結果のデータ
格納状態を示す図である。

【００２０】さらに、クラスタリング装置２０は、並べ
替え後の各パターンの各サンプル画像データの適合度の
分布状態から、各パターンが教示信号として適切か否か
を判断するパターン判断部２４と、このパターン判断部
２４による判断結果から適切であると判断されたとき、
その適切なパターンを教示信号として記憶する教示信号
記憶部２５と、パターン判断部２４の判断結果からパタ
ーンが適切な教示信号でないと判断されたとき、パター
ン分類の際にどこを修正すべきかの方針指示，つまり再
作成指示および修正に必要な指示データ等を入力し表示
する再分類作成指示部４ｃと、この指示部４ｃからの指
示データ等に基づき、不適切と判断されたパターンに比
較的近いサンプル画像データを基準とし、各サンプル画
像データどうしの距離を求め、これら距離の近いサンプ
ル画像データをグルーピングするクラスタ分析手段２６
と、各パターンおよび各サンプル画像データとの関係を
視覚的に表示し、さらに距離計算結果からグルーピング
されたサンプル画像データの中心を求めて不適切とされ
たパターンをその中心方向に移動させることによりパタ
ーンを定める例えばパターン分類作成処理部２２に含む
ところのパターン移動手段とが設けられている。ここ
で、パターンを定めたならば、再度各パターンについて
各部２２〜２４の処理を実行し、パターン判断部２４に
よって当該パターンが適切であると判断されたとき、当
該パターンが教示信号として教示信号記憶部２５に記憶
する。

【００２１】５は画像学習部であって、これはニューラ
ルネットワークで構成され、サンプル画像データについ
て教示信号を用いてニューラルネットワーク構造（重み
係数）を学習し、構造記憶部６に記憶する機能をもって
いる。

【００２２】このニューラルネットワーク構造は、実際
のオンライン画像データを画像認識するときに用いられ
る。７はオンライン画像データ読込み手段、８はニュー
ラルネットワークによって構成され、画像認識処理を行
う画像認識処理部、９は認識結果を記憶する認識結果記
憶部、１０は認識結果出力部である。

【００２３】次に、以上のような装置の動作について図
５を参照して説明する。多数のサンプル画像データがサ
ンプル画像データ記憶部１に記憶されているが、これら
サンプル画像データを順次読込み（ＳＴ１）、画像前処
理部３で画像修正を含む必要な前処理を行った後（ＳＴ
２）、クラスタリング装置２０に送られる。

【００２４】ここで、パターン分類作成処理部２２で
は、前処理後のサンプル画像データを順次記憶部２１に
記憶するとともに、その記憶画像データを読出して表示
部４ｂに図３に示すように重ね合わせ表示し、多数の重
ね合わせサンプル画像データの中から幾つかの典型的な
パターンを決めていく（ＳＴ３）。因みに、図３は３つ
のパターンが作成されたことを示している。

【００２５】このようにして複数のパターン分類を行っ
たならば、引き続き、適合度演算処理部２３にて各パタ
ーンに対して各サンプル画像データがどの程度離れてい
るか否か，つまり適合度を求めて記憶部２１に記憶して
いく。このようにして記憶部２１に全サンプル画像デー
タの適合度データを記憶した後、各パターンごとに適合
度の大きい順に並べ替えを行っていく。図４は並べ替え
を行う前の適合度データの配列状態を概略的に示してい
る。

【００２６】しかる後、パターン判断部２４では、記憶
部２１の適合度データから各パターンが教示信号として
適切であるか否かを判断する（ＳＴ５）。図４に示す適
合度データから言えることは、パターン１に対してある
サンプル画像データの適合度が非常に大きく、他のパタ
ーン２，パターン３に対して小さいとき、パターン１は
サンプル画像データの教示信号になりうるが、各パター
ン１〜３に対する適合度が互いに接近している場合には
教示信号となりえない。また、並べ替えを行った場合、
各パターンごとに適合度の大きいサンプル画像データが
直ちに分かり、これら適合度の大きい各サンプル画像デ
ータについて他のパターンの適合度が小さいとき、パタ
ーンが適切であると判断できる。つまり、各パターンに
平均的にサンプル画像データが存在し、かつ、各パター
ン相互に対する適合度の差が大きいとき、パターンが適
切であると判断し、教示信号記憶部２５に記憶し、画像
学習部５におけるニューラルネットワークの構造学習に
用いられる。

【００２７】さらに、判断方法について図６を用いて説
明する。従来、ニューラルネットワークの構造学習を行
った後、オンライン画像データについて画像認識を行う
と望ましい結果が得られないが、その原因はサンプル画
像データがそれぞれのパターンに平均的に存在しないこ
と、つまり適合度どうしの差が小さいことにある。

【００２８】そこで、パターン判断部２４においては、
適合度演算処理部２３で求めた適合度に基づいて各パタ
ーンとサンプル画像データとの関係を作図すると、図６
に示すようになる。実際上は左上の図のようなパターン
と輪郭を表す画像データとの位置関係を示している。同
図は３つのパターンの場合を示しているが、ｎ個のパタ
ーンの場合には同様に空間上のベクトルとして考えるこ
とができる。×はサンプル画像データを示す。サンプル
画像データは、原点０を適合度０％とし、それぞれのパ
ターン対する適合度の値を座標として結んだ空間上の点
をサンプル画像データ位置とする。このような方法によ
りサンプル画像データを座標で表したのが図６である。
この図６から明らかなように、サンプル画像データ１は
パターン１に対して９０％の割合で離れており、パター
ン２に対して４０％の割合で離れており、パターン３に
対して２０％の割合で離れていることを表している。こ
のことは、サンプル画像データ１はパターン１に対して
最も近く、パターン２，パターン３の順序で遠くなって
いることが分かる。

【００２９】そして、表示部４ｃからあるサンプル画像
データを指定したとき、左上の図の輪郭画像データの色
を変えるようにすれば、サンプル画像データの輪郭部分
とパターンとの関係が平面で見ることができ、サンプル
画像データのばらつき状態を視覚的に認識できる。

【００３０】そして、全部のサンプル画像データについ
て作図すれば、図７に示すような状態で表される。この
図からサンプル画像データはパターン１の周囲に集中し
ているが、パターン２とパターン３との間に中間的なデ
ータが多く存在している。従って、このままではパター
ン２とパターン３の教示信号が似通ってしまうことにな
り、教示信号として適切なパターンとは言えない。

【００３１】そこで、パターンが教示信号として適切で
ないと判断されたとき、各パターンとサンプル画像デー
タとの関係を調査し、表示部となる再分類作成指示部４
ｃから再作成指示と再パターン分類作成の際にどこを修
正すべきかの修正方針を指示入力する（ＳＴ６）。

【００３２】再分類作成指示部４ｃから指示を受ける
と、クラスター分析部２６では、不適切とされたパター
ンに一番近いサンプル画像データを基準とし、各サンプ
ル画像データどうしのユークリッド距離ｄを求める。

【００３３】今、例えばサンプル（ｘ₁ ，ｙ₁ ，ｚ
₁ ）、サンプル（ｘ₂ ，ｙ₂ ，ｚ₂ ）とすれば、 ｄ² ＝（ｘ₁ −ｘ₂ ）² ＋（ｙ₁ −ｙ₂ ）² ＋（ｚ₁ −
ｚ₂ ）² となる。そして、各ユークリッド距離の最も近いサンプ
ル画像データどうしをグルーピングしていく（ＳＴ
７）。

【００３４】以上のようにしてグルーピングした後、パ
ターン分類作成処理部２２において視覚的に表されたパ
ターンとサンプル画像データとの関係、および距離計算
結果のグルーピングから中心を求め、不適切なパターン
をその方向に移動させる。すなわち、図示するようにパ
ターン２をパターン１の方向へ若干移動させるようにす
る。その結果、パターン２はサンプル画像データの集中
している位置に近づけることができ、似通ったパターン
２とパターン３の教示信号が異なったものとすることが
できる。そして、再度，適合度演算、パターン判断を行
うことにより、不適切と判断されたパターンの教示信号
としての適否を判断し、適切なものと判断されたとき、
教示信号記憶部２５に記憶する。

【００３５】以上のようにして教示信号を取得した後、
ニューラルネットワークで構成された画像学習部５にお
いてサンプル画像データについて教示信号を用いてニュ
ーラルネットワークの構造を学習し（ＳＴ８）、その学
習結果の重み係数を構造記憶部６に順次記憶していく。
しかる後、オンライン時にオンライン画像データを同じ
くニューラルネットワークで構成される画像認識処理部
８で記憶部６に記憶されるニューラルネットワーク構造
を用いて画像認識を行い（ＳＴ９）、その認識結果の画
像を記憶し、かつ、出力する（ＳＴ１０）。

【００３６】従って、以上のような構成によれば、重ね
合せた多数のサンプル画像データからパターン分類を行
った後、適合度演算処理部２３により各分類パターンに
対して各サンプル画像データがどの程度の割合で離れて
いるかの適合度を求めた後、パターン判断部２４におい
て各パターンごとの適合度の分布状態を調べて各パター
ンがニューラルネットワークの教示信号として適切か否
かを判断するので、それぞれ適合度から各パターンに比
較的近いサンプル画像データの数を容易に把握可能であ
り、同時にパターンどうしが似通っているか否かを確実
に判断できる。

【００３７】また、パターン判断部２４によりパターン
が教示信号として不適切であると判断したとき、再分類
作成指示部４ｃによって不適切なパターンの再分類作成
指示に従って不適切と判断されたパターンに一番近いサ
ンプル画像データを基準とし、各サンプル画像データど
うしの距離を求め、これら相互に距離の近いサンプル画
像データをグルーピングし、不適切なパターンをグルー
プピングの中心に移動させるので、多数のサンプル画像
データを集めることができ、似通ったパターンどうしを
引き離してパターンを作成でき、正確な教示信号を得る
ことができる。

【００３８】また、このような当該パターンを教示信号
として教示信号記憶部２５に記憶した後、ニューラルネ
ットワークで構成される画像学習部２５により、サンプ
ル画像データについて当該教示信号を用いてニューラル
ネットワーク構造を学習するので、学習によって得られ
るニューラルネットワーク構造を用いて正確にオンライ
ン画像を認識することができる。つまり、ニューラルネ
ットワーク構造は非常に信頼性の高いものとなる。

【００３９】なお、本発明は以下のような変形例を含む
ものである。上記実施例では、４ａ〜４ｃは別体の表示
系で示したが、これら表示系４ａ〜４ｃは同一のもので
あってもよい。また、各サンプル画像データどうしの距
離を求め、これら相互に距離の近いサンプル画像データ
をグルーピングし、このグルーピングの中心をもとめる
機能は、パターン分類作成処理部２２でもクラスター分
析部２６の何れにもたせてもよいものである。

【００４０】

【発明の効果】以上説明したように本発明によれば、次
のような種々の効果を奏する。請求項１，３の発明は、
多数のサンプル画像データから得られる各分類パターン
に対して各サンプル画像データの適合度を求め、この各
パターンごとの適合度から各パターンが教示信号として
適切か否かを判断するので、多数のサンプル画像データ
から適切なパターンをみつけだして教示信号を作成でき
る。

【００４１】次に、請求項２，３の発明は、不適切と判
断されたパターンに対する各サンプル画像データどうし
の距離を求め、これら距離の近いサンプル画像データを
グルーピングし、そのグループピングの中心にパターン
を移動させるので、各パターンごとにサンプル画像デー
タを集めることができ、さらに似通ったパターンどうし
を引き離して正確な教示信号とすることができる。

【００４２】次に、請求項４に対応する発明は、正確な
教示信号を用いてニューラルネットワーク構造を学習す
るので、信頼性の高いニューラルネットワーク構造を得
ることができ、オンライン画像を正確に認識することが
可能となる。

【図面の簡単な説明】

【図１】本発明に係わるクラスタリング装置を含む画像
認識装置の一実施例を示す機能ブロック図。

【図２】パターン分類するために説明する回収ボイラー
のチャーベッドの形状を示す図。

【図３】サンプル画像データを重ね合せてパターン分類
を行う例を示す図。

【図４】図１に示す適合度演算処理部の演算結果によっ
て得られたパターンごとの適合度データの配列例を示す
図。

【図５】本発明装置の動作を説明するフローチャート。

【図６】サンプル画像データの表示例を示す図。

【図７】サンプル画像データの偏りおよびパターンの移
動を説明する図

【符号の説明】

１…サンプル画像データ記憶部、４ｃ…再分類作成指示
部、５…画像学習部、８…画像認識処理部、２０…クラ
スタリング装置、２１…記憶部、２２…パターン分類作
成処理部、２３…適合度演算処理部、２４…パターン判
断部、２５…教示信号記憶部、２６…クラスター分析
部。

Claims (4)

【特許請求の範囲】
1. 【請求項１】 複数のサンプル画像データを重ね合せて
   パターン分類を行うパターン分類作成手段と、このパタ
   ーン分類作成手段によって分類された各パターンに対す
   る各サンプル画像データの適合度を求める適合度演算処
   理手段と、各パターンごとに各サンプル画像データの適
   合度の分布状態から各パターンがニューラルネットワー
   クの教示信号として適切か否かを判断するパターン判断
   手段とを備えたことを特徴とするクラスタリング装置。
2. 【請求項２】 請求項１の形状クラスタリング装置にお
   いて、前記パターン判断手段によってパターンが不適切
   であると判断されたとき、その不適切と判断されたパタ
   ーンを再度修正するために必要な指示データを入力する
   再分類作成指示手段と、この指示手段からの指示データ
   に従って不適切なパターンに対するサンプル画像データ
   どうしの距離を求め、これら距離の近いサンプル画像デ
   ータをグルーピングしていくクラスター分析手段と、こ
   のクラスター分析手段によって得られるグルーピングの
   中心を決定し、前記不適切と判断されたパターンを当該
   中心方向に移動させるパターン移動手段とを付加してな
   ることを特徴とするクラスタリング装置。
3. 【請求項３】 適合度演算処理手段は、各パターンを１
   ００％とし、当該各パターンごとに各パターンから各サ
   ンプル画像データの離れる割合を求めて適合度とするこ
   とを特徴とする請求項１または請求項２に記載のクラス
   タリング装置。
4. 【請求項４】 複数のサンプル画像データを重ね合せて
   パターン分類を行うパターン分類作成手段と、このパタ
   ーン分類作成手段によって分類された各パターンに対す
   る各サンプル画像データの適合度を求める適合度演算処
   理手段と、各パターンごとに各サンプル画像データの適
   合度の分布状態から各パターンがニューラルネットワー
   クの教示信号として適切か否かを判断するパターン判断
   手段と、このパターン判断手段によってパターンが適切
   であると判断されたとき、当該パターンを教示信号とし
   て記憶し、前記サンプル画像データについて当該教示信
   号を用いて前記ニューラルネットワークの構造を学習す
   る画像学習手段とを備え、 この画像学習手段によって学習されたニューラルネット
   ワーク構造を用いてオンライン画像データの画像認識を
   行うことを特徴とする画像認識装置。