JPH09120455A - ニューラルネットワークによる特徴識別方法 - Google Patents
ニューラルネットワークによる特徴識別方法Info
- Publication number
- JPH09120455A JPH09120455A JP7278193A JP27819395A JPH09120455A JP H09120455 A JPH09120455 A JP H09120455A JP 7278193 A JP7278193 A JP 7278193A JP 27819395 A JP27819395 A JP 27819395A JP H09120455 A JPH09120455 A JP H09120455A
- Authority
- JP
- Japan
- Prior art keywords
- information
- neural network
- inspected
- known standard
- feature
- 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 Processing (AREA)
- Image Analysis (AREA)
Abstract
(57)【要約】
【課題】 識別能力を著しく向上させたニューラルネッ
トワークによる特徴識別方法を提供する。 【解決手段】 まず１次ＮＮ（ニューラルネットワー
ク）学習用火花画像の特徴を１次ＮＮに学習させる（ス
テップＳ1，Ｓ2）。次に２次ＮＮ学習用火花画像の特徴
と、前記１次ＮＮに学習させた火花画像の特徴との類似
度（反応値）を求め、該判別結果のうち誤判別したとき
の反応値の特徴を２次ＮＮに学習させる（ステップＳ3
〜Ｓ7）。次に検査用火花画像の特徴と、前記１次ＮＮ
に学習させた火花画像の特徴との類似度を求めて第１次
正解とする（ステップＳ8〜Ｓ11）。さらに前記判別結
果のうち誤判別したときの反応値の特徴と前記２次ＮＮ
で学習された特徴との類似度を求めて第２次正解とし
（ステップＳ12〜Ｓ15）、該第２次正解と前記第１次正
解とによって総合判定を行う（ステップＳ16）。
トワークによる特徴識別方法を提供する。 【解決手段】 まず１次ＮＮ（ニューラルネットワー
ク）学習用火花画像の特徴を１次ＮＮに学習させる（ス
テップＳ1，Ｓ2）。次に２次ＮＮ学習用火花画像の特徴
と、前記１次ＮＮに学習させた火花画像の特徴との類似
度（反応値）を求め、該判別結果のうち誤判別したとき
の反応値の特徴を２次ＮＮに学習させる（ステップＳ3
〜Ｓ7）。次に検査用火花画像の特徴と、前記１次ＮＮ
に学習させた火花画像の特徴との類似度を求めて第１次
正解とする（ステップＳ8〜Ｓ11）。さらに前記判別結
果のうち誤判別したときの反応値の特徴と前記２次ＮＮ
で学習された特徴との類似度を求めて第２次正解とし
（ステップＳ12〜Ｓ15）、該第２次正解と前記第１次正
解とによって総合判定を行う（ステップＳ16）。
Description
【０００１】
【発明の属する技術分野】この発明は、被検査物体、例
えば鋼材の成分を簡易的に判別したり、鉄鋼製品の生産
ラインで、中間及び最終検査工程において異材判別する
方法に係り、ニューラルネットワークによる特徴識別方
法に関する。
えば鋼材の成分を簡易的に判別したり、鉄鋼製品の生産
ラインで、中間及び最終検査工程において異材判別する
方法に係り、ニューラルネットワークによる特徴識別方
法に関する。
【０００２】
【従来の技術】鋼材の成分判定は、鋼材のサンプルを切
り出し、成分分析を行うことで精密な測定ができる。こ
の場合における分析機器（発光分析装置）も測定技術も
確立していて一般に使用されている。しかし、種々の材
料が流れている生産現場で、鋼材の成分を簡便に判定し
たり、異材判別検査を行うためには、例えば、ハンドグ
ラインダで火花を発生させて、その火花の形や色合い及
びグラインダの手ごたえを用いて識別を行う官能検査方
法が実施されている。この方法は日本工業規格ＪＩＳ
Ｇ ０５６６で制定されている。
り出し、成分分析を行うことで精密な測定ができる。こ
の場合における分析機器（発光分析装置）も測定技術も
確立していて一般に使用されている。しかし、種々の材
料が流れている生産現場で、鋼材の成分を簡便に判定し
たり、異材判別検査を行うためには、例えば、ハンドグ
ラインダで火花を発生させて、その火花の形や色合い及
びグラインダの手ごたえを用いて識別を行う官能検査方
法が実施されている。この方法は日本工業規格ＪＩＳ
Ｇ ０５６６で制定されている。
【０００３】
【発明が解決しようとする課題】前述のように鋼材の成
分判定には２つの手段がある。前者の鋼材のサンプルを
切り出して成分分析を行う方法は、サンプル切り出しか
ら分析までの工程、作業時間、設備コストの面から流れ
作業工程（インライン）に使用することができない不具
合がある。
分判定には２つの手段がある。前者の鋼材のサンプルを
切り出して成分分析を行う方法は、サンプル切り出しか
ら分析までの工程、作業時間、設備コストの面から流れ
作業工程（インライン）に使用することができない不具
合がある。
【０００４】また、後者の火花判定方法では自動判別が
できる方法及び機械が開発されておらず、熟練者の目視
による名人芸的判定能力に負わざるを得ない。しかし検
査員ごとのレベルの違いにより検査結果にバラツキが出
たり、後継者が不足している等の問題がある。
できる方法及び機械が開発されておらず、熟練者の目視
による名人芸的判定能力に負わざるを得ない。しかし検
査員ごとのレベルの違いにより検査結果にバラツキが出
たり、後継者が不足している等の問題がある。
【０００５】前記火花判定方法の問題を解決するため
に、従来は、材料成分判定装置（特願平４−２７１２５
２号）、火花発生用グラインダ掛け装置（特願平７−４
６００７）、鋼材等の材質判定方法及びその判定に使用
する火花制御具（特願平７−１６１３２３）等が提案さ
れ、図２（ａ）に示すような、画像処理とニューラルネ
ットワークを用いて鋼種判別及び異材判別を行う方法が
提案されている。
に、従来は、材料成分判定装置（特願平４−２７１２５
２号）、火花発生用グラインダ掛け装置（特願平７−４
６００７）、鋼材等の材質判定方法及びその判定に使用
する火花制御具（特願平７−１６１３２３）等が提案さ
れ、図２（ａ）に示すような、画像処理とニューラルネ
ットワークを用いて鋼種判別及び異材判別を行う方法が
提案されている。
【０００６】図２（ａ）において、１はグラインダ、２
は試料である鋼材、３はグラインダ１に鋼材２を接触さ
せたときに発生する火花である。４は発生した火花を撮
影するＣＣＤカメラ、５はＣＣＤカメラ４で取り込まれ
た画像データの、例えば約９０枚のフレーム画像を保存
するフレームメモリーである。６は前記１フレーム画像
より流線、枝分かれ、破裂を抜き取り、画像処理して特
徴抽出を行う画像前処理部である。７は、画像前処理部
６を介して導入された、鋼種の判っている複数の鋼材の
火花画像の特徴を学習するとともに、画像前処理部６を
介して導入される検査鋼材の火花画像の特徴が、前記学
習された複数の鋼材のうちどれに最も類似しているかを
判別する１次ニューラルネットワークである。
は試料である鋼材、３はグラインダ１に鋼材２を接触さ
せたときに発生する火花である。４は発生した火花を撮
影するＣＣＤカメラ、５はＣＣＤカメラ４で取り込まれ
た画像データの、例えば約９０枚のフレーム画像を保存
するフレームメモリーである。６は前記１フレーム画像
より流線、枝分かれ、破裂を抜き取り、画像処理して特
徴抽出を行う画像前処理部である。７は、画像前処理部
６を介して導入された、鋼種の判っている複数の鋼材の
火花画像の特徴を学習するとともに、画像前処理部６を
介して導入される検査鋼材の火花画像の特徴が、前記学
習された複数の鋼材のうちどれに最も類似しているかを
判別する１次ニューラルネットワークである。
【０００７】上記のように構成された装置を用いて鋼種
判別、異材判別を行う場合、図３のフローチャートに沿
って実施される。すなわち、まず１次ニューラルネット
ワーク（図では１次ＮＮと略記する）学習用火花画像
を、画像前処理部６によって処理して得た特徴を１次ニ
ューラルネットワーク７に学習させる（ステップＳ1，
Ｓ2）。次に検査用火花画像を画像前処理し（ステップ
Ｓ3）、該処理により得た特徴と前記学習された特徴と
の類似度（反応値）を求めて判別し（ステップＳ4）、
該判別結果の反応値に基づいて総合判定を行う（ステッ
プＳ5，Ｓ6）。
判別、異材判別を行う場合、図３のフローチャートに沿
って実施される。すなわち、まず１次ニューラルネット
ワーク（図では１次ＮＮと略記する）学習用火花画像
を、画像前処理部６によって処理して得た特徴を１次ニ
ューラルネットワーク７に学習させる（ステップＳ1，
Ｓ2）。次に検査用火花画像を画像前処理し（ステップ
Ｓ3）、該処理により得た特徴と前記学習された特徴と
の類似度（反応値）を求めて判別し（ステップＳ4）、
該判別結果の反応値に基づいて総合判定を行う（ステッ
プＳ5，Ｓ6）。
【０００８】実際には、検査材料から数秒間火花を発生
させ、これを連続画像データとして取り込む。これらデ
ータから約２０回の判別を実行し、予めニューラルネッ
トワークに学習させた鋼材のどれに類似しているかを判
定し一回ごとに結果を出力する。最も類似していると選
択された鋼材が最終判別結果となる。尚図２の１次ニュ
ーラルネットワーク７は、学習させた総ての鋼材（例え
ば３種類の炭素鋼Ｓ２５Ｃ，Ｓ３５Ｃ，Ｓ４５Ｃ等）の
どれにどれだけ類似しているかの反応値を、一回毎の判
別時に出力する。この反応値の最も大きい鋼種が判別結
果として出力され、更に約２０回の判別で、最も多く判
別結果として出力された鋼種が、最終判別結果となる。
この最終結果が正解する確率は約６０〜８０％である。
させ、これを連続画像データとして取り込む。これらデ
ータから約２０回の判別を実行し、予めニューラルネッ
トワークに学習させた鋼材のどれに類似しているかを判
定し一回ごとに結果を出力する。最も類似していると選
択された鋼材が最終判別結果となる。尚図２の１次ニュ
ーラルネットワーク７は、学習させた総ての鋼材（例え
ば３種類の炭素鋼Ｓ２５Ｃ，Ｓ３５Ｃ，Ｓ４５Ｃ等）の
どれにどれだけ類似しているかの反応値を、一回毎の判
別時に出力する。この反応値の最も大きい鋼種が判別結
果として出力され、更に約２０回の判別で、最も多く判
別結果として出力された鋼種が、最終判別結果となる。
この最終結果が正解する確率は約６０〜８０％である。
【０００９】前記のように従来のニューラルネットワー
クを用いた方法は、一つのニューラルネットワークで識
別が行われているため、識別能力はネットワークの学習
時の収束精度や判別データに影響される。特に火花画像
による異材判別は、発生する火花は勿論、それを捕らえ
た画像データにおいて、二つとして同一のデータを得る
ことは不可能であるため、識別能力を向上させることが
困難であった。
クを用いた方法は、一つのニューラルネットワークで識
別が行われているため、識別能力はネットワークの学習
時の収束精度や判別データに影響される。特に火花画像
による異材判別は、発生する火花は勿論、それを捕らえ
た画像データにおいて、二つとして同一のデータを得る
ことは不可能であるため、識別能力を向上させることが
困難であった。
【００１０】本発明は上記の点に鑑みてなされたもので
その目的は、流れ作業工程に使用できるとともに、熟練
者に頼ることなく簡単に被検査物体の特徴の識別が行
え、且つ識別能力を著しく向上させたニューラルネット
ワークによる特徴識別方法を提供することにある。
その目的は、流れ作業工程に使用できるとともに、熟練
者に頼ることなく簡単に被検査物体の特徴の識別が行
え、且つ識別能力を著しく向上させたニューラルネット
ワークによる特徴識別方法を提供することにある。
【００１１】
【課題を解決するための手段】この発明は上記の目的を
達成するために、（１）所定の工程に沿って、被検査物
体および既知の標準物体についての情報を取り込み、前
記各情報の特徴を第１ニューラルネットワークにより学
習および推定して第１の判定結果を得た後、前記第１の
判定結果のうち誤判定した情報の特徴を第２ニューラル
ネットワークにより学習および推定して第２の判定結果
を得、前記第１および第２の判定結果に基づいて被検査
物体の識別を行うことを特徴とし、（２）前記所定の工
程は、既知の標準物体についての第１の情報を取り込
み、該標準物体の特徴を第１ニューラルネットワークに
学習させる工程と、既知の標準物体についての第２の情
報を取り込み、該標準物体の特徴と前記第１ニューラル
ネットワークの学習出力との類似度を表す反応値を求め
て判定を行うとともに、該判定結果のうち誤判定時の反
応値パターンを抽出し、該パターンを第２ニューラルネ
ットワークに学習させる工程と、被検査物体についての
情報を取り込み、該被検査物体の情報と前記第１ニュー
ラルネットワークの学習結果との類似度を表す反応値を
求めて第１の判定結果を得る工程と、前記第１の判定結
果のうち誤判定時の反応値パターンを抽出し、該パター
ンと前記第２ニューラルネットワークの学習出力との類
似度を表す反応値を求めて第２の判定結果を得る工程と
から成ることを特徴としている。
達成するために、（１）所定の工程に沿って、被検査物
体および既知の標準物体についての情報を取り込み、前
記各情報の特徴を第１ニューラルネットワークにより学
習および推定して第１の判定結果を得た後、前記第１の
判定結果のうち誤判定した情報の特徴を第２ニューラル
ネットワークにより学習および推定して第２の判定結果
を得、前記第１および第２の判定結果に基づいて被検査
物体の識別を行うことを特徴とし、（２）前記所定の工
程は、既知の標準物体についての第１の情報を取り込
み、該標準物体の特徴を第１ニューラルネットワークに
学習させる工程と、既知の標準物体についての第２の情
報を取り込み、該標準物体の特徴と前記第１ニューラル
ネットワークの学習出力との類似度を表す反応値を求め
て判定を行うとともに、該判定結果のうち誤判定時の反
応値パターンを抽出し、該パターンを第２ニューラルネ
ットワークに学習させる工程と、被検査物体についての
情報を取り込み、該被検査物体の情報と前記第１ニュー
ラルネットワークの学習結果との類似度を表す反応値を
求めて第１の判定結果を得る工程と、前記第１の判定結
果のうち誤判定時の反応値パターンを抽出し、該パター
ンと前記第２ニューラルネットワークの学習出力との類
似度を表す反応値を求めて第２の判定結果を得る工程と
から成ることを特徴としている。
【００１２】
【発明の実施の形態】以下図面を参照しながら本発明の
実施の形態を説明する。本発明では、ニューラルネット
ワークによる特徴識別において、最終判別結果が正解す
る確率を向上させるため、前述した１次ニューラルネッ
トワーク７で判別した結果の特徴を、図２（ｂ）に示す
ように、２次ニューラルネットワーク１７で判別させる
ように構成した。
実施の形態を説明する。本発明では、ニューラルネット
ワークによる特徴識別において、最終判別結果が正解す
る確率を向上させるため、前述した１次ニューラルネッ
トワーク７で判別した結果の特徴を、図２（ｂ）に示す
ように、２次ニューラルネットワーク１７で判別させる
ように構成した。
【００１３】以下、３種類の鋼種（Ｓ２５Ｃ，Ｓ３５
Ｃ，Ｓ４５Ｃ）における異材判別を行う場合の方法を図
１のフローチャートおよび図２とともに述べる。まずグ
ラインダ１によって発生させられる３種類の鋼材の火花
の画像は、各々１次ニューラルネットワーク（図では１
次ＮＮと略記する）学習用火花画像、２次ニューラルネ
ットワーク（図では２次ＮＮと略記する）学習用火花画
像、検査用火花画像の３種類のデータとなる。
Ｃ，Ｓ４５Ｃ）における異材判別を行う場合の方法を図
１のフローチャートおよび図２とともに述べる。まずグ
ラインダ１によって発生させられる３種類の鋼材の火花
の画像は、各々１次ニューラルネットワーク（図では１
次ＮＮと略記する）学習用火花画像、２次ニューラルネ
ットワーク（図では２次ＮＮと略記する）学習用火花画
像、検査用火花画像の３種類のデータとなる。
【００１４】１次ニューラルネットワーク７では、まず
１次ニューラルネットワーク学習用火花画像より、鋼種
によって異なる火花の流線や破裂の特徴を、画像前処理
部６によって抽出し（ステップＳ1）、この特徴によっ
てネットワークを構築する。すなわちステップＳ2にお
いて学習を行う。次に２次ニューラルネットワーク学習
用火花画像より、鋼種によって異なる火花の流線や破裂
の特徴を、画像前処理部６によって抽出し（ステップＳ
3）、該抽出された特徴と、前記１次ニューラルネット
ワーク７に学習させた火花画像の特徴とを比較し、判別
を行う（ステップＳ4）。そして判別結果と反応値（類
似度）を求め、該判別結果のうち誤判別したときの反応
値を抜き出し（ステップＳ5，Ｓ6）、その特徴を２次ニ
ューラルネットワーク１７に学習させる（ステップ
Ｓ7）。このように２次ニューラルネットワーク１７の
学習データは、鋼種が明確な鋼材から採取したデータで
ある。
１次ニューラルネットワーク学習用火花画像より、鋼種
によって異なる火花の流線や破裂の特徴を、画像前処理
部６によって抽出し（ステップＳ1）、この特徴によっ
てネットワークを構築する。すなわちステップＳ2にお
いて学習を行う。次に２次ニューラルネットワーク学習
用火花画像より、鋼種によって異なる火花の流線や破裂
の特徴を、画像前処理部６によって抽出し（ステップＳ
3）、該抽出された特徴と、前記１次ニューラルネット
ワーク７に学習させた火花画像の特徴とを比較し、判別
を行う（ステップＳ4）。そして判別結果と反応値（類
似度）を求め、該判別結果のうち誤判別したときの反応
値を抜き出し（ステップＳ5，Ｓ6）、その特徴を２次ニ
ューラルネットワーク１７に学習させる（ステップ
Ｓ7）。このように２次ニューラルネットワーク１７の
学習データは、鋼種が明確な鋼材から採取したデータで
ある。
【００１５】本来このデータを１次ニューラルネットワ
ークで判別させるだけで１００％の判別が行われるはず
であるが、画像に捉えられる火花特徴のバラツキや似通
いにより誤判別が起こる。したがってこの誤判別したと
きの反応値の特徴を予めステップＳ4，Ｓ5，Ｓ6のよう
にして求めて２次ニューラルネットワーク１７に学習さ
せておく。
ークで判別させるだけで１００％の判別が行われるはず
であるが、画像に捉えられる火花特徴のバラツキや似通
いにより誤判別が起こる。したがってこの誤判別したと
きの反応値の特徴を予めステップＳ4，Ｓ5，Ｓ6のよう
にして求めて２次ニューラルネットワーク１７に学習さ
せておく。
【００１６】次に検査用火花画像を取り込んで画像前処
理部６によって特徴を抽出し（ステップＳ8）、前記１
次ニューラルネットワーク７に学習させた３種類の鋼種
の特徴と比較し、判別を行う（ステップＳ9）。そして
判別結果と反応値（類似度）を求めて第１次正解とする
（ステップＳ10，Ｓ11）。さらに前記判別結果のうち誤
判別したときの反応値を抜き出し（ステップＳ12）、そ
の特徴を、前記２次ニューラルネットワーク１７で学習
された特徴と比較し、判別を行う（ステップＳ13）。そ
して判別結果と反応値（類似度）を求めて第２次正解と
し（ステップＳ14，Ｓ15）、該第２次正解と前記第１次
正解とによって総合判定を行う（ステップＳ16）。
理部６によって特徴を抽出し（ステップＳ8）、前記１
次ニューラルネットワーク７に学習させた３種類の鋼種
の特徴と比較し、判別を行う（ステップＳ9）。そして
判別結果と反応値（類似度）を求めて第１次正解とする
（ステップＳ10，Ｓ11）。さらに前記判別結果のうち誤
判別したときの反応値を抜き出し（ステップＳ12）、そ
の特徴を、前記２次ニューラルネットワーク１７で学習
された特徴と比較し、判別を行う（ステップＳ13）。そ
して判別結果と反応値（類似度）を求めて第２次正解と
し（ステップＳ14，Ｓ15）、該第２次正解と前記第１次
正解とによって総合判定を行う（ステップＳ16）。
【００１７】
【実施例】前記１次ニューラルネットワーク７は例えば
約２０回の判別を行うが、その判別例は次の表１のよう
になる。
約２０回の判別を行うが、その判別例は次の表１のよう
になる。
【００１８】
【表１】
【００１９】この表１はＳ３５Ｃを判別した際（前記ス
テップＳ9，Ｓ10）の、１次ニューラルネットワーク７
に学習している鋼材との類似度（反応値）を％で表示し
ている。この時点の１次正解率（１次ニューラルネット
ワーク７が入力された画像データをＳ３５Ｃであると判
断している確率）は、
テップＳ9，Ｓ10）の、１次ニューラルネットワーク７
に学習している鋼材との類似度（反応値）を％で表示し
ている。この時点の１次正解率（１次ニューラルネット
ワーク７が入力された画像データをＳ３５Ｃであると判
断している確率）は、
【００２０】
【数１】
【００２１】である。そして表１のアンダーラインのデ
ータは異材データとして２次ニューラルネットワーク１
７に入力され、更に判別が行われる（ステップＳ13，Ｓ
14）。この２次ニューラルネットワーク１７の判別回数
は１次ニューラルネットワーク７で異材データと判別さ
れた数に等しい（表１の例では９回）。
ータは異材データとして２次ニューラルネットワーク１
７に入力され、更に判別が行われる（ステップＳ13，Ｓ
14）。この２次ニューラルネットワーク１７の判別回数
は１次ニューラルネットワーク７で異材データと判別さ
れた数に等しい（表１の例では９回）。
【００２２】前記表１の回数欄内の○，×印は２次ニュ
ーラルネットワーク１７での判別結果を表しており、２
次ニューラルネットワーク１７が出力した２次正解数
（２次ニューラルネットワーク１７が、１次ニューラル
ネットワーク７で異材データと判別した反応値をＳ３５
Ｃであると判断した個数）は、○印から６個である。
ーラルネットワーク１７での判別結果を表しており、２
次ニューラルネットワーク１７が出力した２次正解数
（２次ニューラルネットワーク１７が、１次ニューラル
ネットワーク７で異材データと判別した反応値をＳ３５
Ｃであると判断した個数）は、○印から６個である。
【００２３】したがって前記１次、２次ニューラルネッ
トワーク７，１７の判別結果をまとめた総合判定は、
トワーク７，１７の判別結果をまとめた総合判定は、
【００２４】
【数２】
【００２５】となり、識別能力（精度）が向上してい
る。
る。
【００２６】尚、前記実施例では鋼材の識別方法につい
て述べたが、本発明はこれに限らず、次のような検査対
象に適用することができる。
て述べたが、本発明はこれに限らず、次のような検査対
象に適用することができる。
【００２７】（１）色、色調、色むらの識別 画像の色情報に基づいて、化粧品（口紅等）、製品ラベ
ル、印刷物等を識別する。
ル、印刷物等を識別する。
【００２８】（２）動力機械の振動による異常診断 振動情報に基づいて、ポンプ、電動機、発電機、エンジ
ン等を識別する。
ン等を識別する。
【００２９】（３）動力機械の音による異常診断 音情報に基づいて、ポンプ、電動機、発電機、エンジン
等を識別する。
等を識別する。
【００３０】（４）野菜、果物を形状情報によってクラ
ス分けする。
ス分けする。
【００３１】（５）文字認識 画像処理による文字認識情報に基づいて、文字認識を行
う。
う。
【００３２】（６）音声認識 音声認識装置等からの音声情報に基づいて、音声認識を
行う。
行う。
【００３３】（７）表面傷検査 金属パイプ、鋼板の表面傷を識別する。
【００３４】（８）音情報に基づいて、自動車のトラン
スミッション音の良否判定を行う。
スミッション音の良否判定を行う。
【００３５】（９）音響製品の検査 スピーカ等の良否を判定する。
【００３６】（１０）シンセサイザー等の楽器の音色の
良否判定を行う。
良否判定を行う。
【００３７】（１１）ひびの有無検査 瓶、タイル等のひび割れを打音で判別する。
【００３８】（１２）果物等の熟れ具合の判別 スイカ、パイナップル等の熟れ具合を打診音で判別す
る。
る。
【００３９】
【発明の効果】以上述べたように、この発明によれば、
２つのニューラルネットワークを使用し、前段の（第１
の）ニューラルネットワークで全体の特徴識別を行い、
次にその識別結果に含まれている特徴を更に、後段の
（第２の）ニューラルネットワークで識別するように構
成したので、識別能力（精度）を著しく向上させること
ができる。例えば本発明を火花画像の情報による鋼種識
別に適用した場合、従来では画像に捉えた火花特徴のバ
ラツキや似通いにより誤判別が起こっていたが、本発明
によればより正確な判別が行える。
２つのニューラルネットワークを使用し、前段の（第１
の）ニューラルネットワークで全体の特徴識別を行い、
次にその識別結果に含まれている特徴を更に、後段の
（第２の）ニューラルネットワークで識別するように構
成したので、識別能力（精度）を著しく向上させること
ができる。例えば本発明を火花画像の情報による鋼種識
別に適用した場合、従来では画像に捉えた火花特徴のバ
ラツキや似通いにより誤判別が起こっていたが、本発明
によればより正確な判別が行える。
【００４０】また本発明は、色情報による化粧品（口紅
等）、製品ラベル、印刷物等の識別、振動情報によるポ
ンプ、電動機、発電機、エンジン等の異常診断、音情報
によるポンプ、電動機、発電機、エンジン等の異常診
断、形状情報による野菜、果物のクラス分け、文字認識
情報による文字認識、音声情報による音声認識、金属パ
イプ、鋼板の表面傷の識別、自動車のトランスミッショ
ン音の良否判定、スピーカ等の音響製品の良否判定、シ
ンセサイザー等の楽器の音色の良否判定、打音による
瓶、タイル等のひび割れ判別、打診音によるスイカ、パ
イナップル等の熟れ具合の判別等にも容易に適用するこ
とができ、いずれの被検査物体であっても識別能力が著
しく向上する。
等）、製品ラベル、印刷物等の識別、振動情報によるポ
ンプ、電動機、発電機、エンジン等の異常診断、音情報
によるポンプ、電動機、発電機、エンジン等の異常診
断、形状情報による野菜、果物のクラス分け、文字認識
情報による文字認識、音声情報による音声認識、金属パ
イプ、鋼板の表面傷の識別、自動車のトランスミッショ
ン音の良否判定、スピーカ等の音響製品の良否判定、シ
ンセサイザー等の楽器の音色の良否判定、打音による
瓶、タイル等のひび割れ判別、打診音によるスイカ、パ
イナップル等の熟れ具合の判別等にも容易に適用するこ
とができ、いずれの被検査物体であっても識別能力が著
しく向上する。
【図１】本発明の一実施例を示すフローチャート。
【図２】ニューラルネットワークを用いて鋼種判別を行
う場合の識別方法を示す説明図。
う場合の識別方法を示す説明図。
【図３】従来の識別方法を示すフローチャート。
１…グラインダ ２…鋼材 ３…火花 ４…ＣＣＤカメラ ５…フレームメモリー ６…画像前処理部 ７…１次ニューラルネットワーク １７…２次ニューラルネットワーク
Claims (9)
- 【請求項１】 所定の工程に沿って、被検査物体および
既知の標準物体についての情報を取り込み、前記各情報
の特徴を第１ニューラルネットワークにより学習および
推定して第１の判定結果を得た後、前記第１の判定結果
のうち誤判定した情報の特徴を第２ニューラルネットワ
ークにより学習および推定して第２の判定結果を得、前
記第１および第２の判定結果に基づいて被検査物体の識
別を行うことを特徴とするニューラルネットワークによ
る特徴識別方法。 - 【請求項２】 前記所定の工程は、 既知の標準物体についての第１の情報を取り込み、該標
準物体の特徴を第１ニューラルネットワークに学習させ
る工程と、 既知の標準物体についての第２の情報を取り込み、該標
準物体の特徴と前記第１ニューラルネットワークの学習
出力との類似度を表す反応値を求めて判定を行うととも
に、該判定結果のうち誤判定時の反応値パターンを抽出
し、該パターンを第２ニューラルネットワークに学習さ
せる工程と、 被検査物体についての情報を取り込み、該被検査物体の
情報と前記第１ニューラルネットワークの学習結果との
類似度を表す反応値を求めて第１の判定結果を得る工程
と、 前記第１の判定結果のうち誤判定時の反応値パターンを
抽出し、該パターンと前記第２ニューラルネットワーク
の学習出力との類似度を表す反応値を求めて第２の判定
結果を得る工程とから成ることを特徴とする請求項１に
記載のニューラルネットワークによる特徴識別方法。 - 【請求項３】 前記既知の標準物体についての第１、第
２の情報は、既知の標準物体から発生させた火花の画像
情報であり、被検査物体についての情報は、被検査物体
から発生させた火花の画像情報であることを特徴とする
請求項２に記載のニューラルネットワークによる特徴識
別方法。 - 【請求項４】 前記既知の標準物体についての第１、第
２の情報は、既知の標準物体から発生する振動情報であ
り、被検査物体についての情報は、被検査物体から発生
する振動情報であることを特徴とする請求項２に記載の
ニューラルネットワークによる特徴識別方法。 - 【請求項５】 前記既知の標準物体についての第１、第
２の情報は、既知の標準物体から発生する音声又は音色
の情報であり、被検査物体についての情報は、被検査物
体から発生する音声又は音色の情報であることを特徴と
する請求項２に記載のニューラルネットワークによる特
徴識別方法。 - 【請求項６】 前記既知の標準物体についての第１、第
２の情報は、既知の標準物体の色情報であり、被検査物
体についての情報は、被検査物体の色情報であることを
特徴とする請求項２に記載のニューラルネットワークに
よる特徴識別方法。 - 【請求項７】 前記既知の標準物体についての第１、第
２の情報は、既知の標準物体の形状や表面傷の情報であ
り、被検査物体についての情報は、被検査物体の形状や
表面傷の情報であることを特徴とする請求項２に記載の
ニューラルネットワークによる特徴識別方法。 - 【請求項８】 前記既知の標準物体についての第１、第
２の情報は、既知の標準文字の認識情報であり、被検査
物体についての情報は、被検査文字の認識情報であるこ
とを特徴とする請求項２に記載のニューラルネットワー
クによる特徴識別方法。 - 【請求項９】 前記既知の標準物体についての第１、第
２の情報は、既知の標準音声の認識情報であり、被検査
物体についての情報は、被検査音声の認識情報であるこ
とを特徴とする請求項２に記載のニューラルネットワー
クによる特徴識別方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7278193A JPH09120455A (ja) | 1995-10-26 | 1995-10-26 | ニューラルネットワークによる特徴識別方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP7278193A JPH09120455A (ja) | 1995-10-26 | 1995-10-26 | ニューラルネットワークによる特徴識別方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH09120455A true JPH09120455A (ja) | 1997-05-06 |
Family
ID=17593897
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP7278193A Pending JPH09120455A (ja) | 1995-10-26 | 1995-10-26 | ニューラルネットワークによる特徴識別方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH09120455A (ja) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008129003A (ja) * | 2006-11-24 | 2008-06-05 | Sakamura Haitekkusu:Kk | 鋼材の簡易成分判定方法 |
| JP2018018153A (ja) * | 2016-07-25 | 2018-02-01 | オリンパス株式会社 | 鋼種判別装置及び鋼種判別方法 |
| WO2018150210A1 (en) * | 2017-02-17 | 2018-08-23 | Omron Corporation | Evaluating quality of a product such as a semiconductor substrate |
| JP2020134204A (ja) * | 2019-02-14 | 2020-08-31 | 学校法人東京理科大学 | 破裂火花認識装置、鋼材識別装置、破裂火花認識方法及び破裂火花認識プログラム |
| JP2020180342A (ja) * | 2019-04-25 | 2020-11-05 | 芝浦機械株式会社 | 積層造形監視システム |
| JP2022501595A (ja) * | 2018-09-20 | 2022-01-06 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド | 標本分類のための仮説および検証ネットワークおよび方法 |
| US11776072B2 (en) | 2019-04-25 | 2023-10-03 | Shibaura Machine Co., Ltd. | Machine learning method, information processing device, computer program product, and additive manufacturing monitoring system |
-
1995
- 1995-10-26 JP JP7278193A patent/JPH09120455A/ja active Pending
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2008129003A (ja) * | 2006-11-24 | 2008-06-05 | Sakamura Haitekkusu:Kk | 鋼材の簡易成分判定方法 |
| JP2018018153A (ja) * | 2016-07-25 | 2018-02-01 | オリンパス株式会社 | 鋼種判別装置及び鋼種判別方法 |
| WO2018150210A1 (en) * | 2017-02-17 | 2018-08-23 | Omron Corporation | Evaluating quality of a product such as a semiconductor substrate |
| CN109964234A (zh) * | 2017-02-17 | 2019-07-02 | 欧姆龙株式会社 | 评估诸如半导体基板的产品的质量 |
| US11157797B2 (en) | 2017-02-17 | 2021-10-26 | Omron Corporation | Evaluating quality of a product such as a semiconductor substrate |
| JP2022501595A (ja) * | 2018-09-20 | 2022-01-06 | シーメンス・ヘルスケア・ダイアグノスティックス・インコーポレイテッド | 標本分類のための仮説および検証ネットワークおよび方法 |
| JP2020134204A (ja) * | 2019-02-14 | 2020-08-31 | 学校法人東京理科大学 | 破裂火花認識装置、鋼材識別装置、破裂火花認識方法及び破裂火花認識プログラム |
| JP2020180342A (ja) * | 2019-04-25 | 2020-11-05 | 芝浦機械株式会社 | 積層造形監視システム |
| US11776072B2 (en) | 2019-04-25 | 2023-10-03 | Shibaura Machine Co., Ltd. | Machine learning method, information processing device, computer program product, and additive manufacturing monitoring system |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110890102A (zh) | 一种基于rnn声纹识别的发动机缺陷检测算法 | |
| WO2006063268B1 (en) | Computer-implemented methods for detecting and/or sorting defects in a design pattern of a reticle | |
| CN110797032B (zh) | 一种声纹数据库建立方法及声纹识别方法 | |
| JP2019039773A (ja) | 機械学習を用いた未知化合物の分類方法 | |
| TWI747686B (zh) | 缺陷檢測方法及檢測裝置 | |
| RU2002133897A (ru) | Способ многоэтапного анализа информации растрового изображения | |
| CN115983687B (zh) | 一种冷轧带钢质量智能检测管理系统及方法 | |
| CN115035092A (zh) | 基于图像的瓶体检测方法、装置、设备及存储介质 | |
| CN112163760A (zh) | 学生学习专注度检测方法和系统 | |
| JPH09120455A (ja) | ニューラルネットワークによる特徴識別方法 | |
| CN100445732C (zh) | 一种基于ccd图像特征的机械加工表面烧伤评价方法 | |
| JPH11241945A (ja) | 異音検査装置 | |
| CN116452581B (zh) | 一种基于机器视觉的电压源状态智能检测系统及方法 | |
| JP3002325B2 (ja) | 表面検査装置 | |
| CN113283768A (zh) | 食品检测项目提取方法、装置、设备及存储介质 | |
| JP2005115569A (ja) | 信号識別装置および信号識別方法 | |
| CN111738991A (zh) | 一种焊缝缺陷的数字射线检测模型的创建方法 | |
| TWI840006B (zh) | 印刷電路板缺陷檢測模型訓練方法及缺陷檢測方法 | |
| CN116381053A (zh) | 一种用于金属材料焊接的超声波检测方法及系统 | |
| CN115239663A (zh) | 隐形眼镜瑕疵检测方法及系统、电子设备、存储介质 | |
| JP2022013285A (ja) | 機械学習方法 | |
| Kauppinen | A two stage defect recognition method for parquet slab grading | |
| CN112508946A (zh) | 一种基于对抗神经网络的电缆隧道异常检测方法 | |
| JPH08261951A (ja) | 表面疵検査方法及びその装置 | |
| JP2001209628A (ja) | パターンマッチング方法 |