JPH0943058A - 色分類装置及び色むら検査装置 - Google Patents

Abstract

(57)【要約】 【課題】 本発明は、装置構成が簡単で、低コストで、
且つ機械的振動にも耐えられ、しかも光源を限定せずに
そのスペクトルが変化する場合などにも良好に色分類可
能であると共に、色分類精度を向上し得るようにした色
分類装置及び色むらを定量可能な色むら検査装置を提供
する。 【解決手段】 本発明の色分類装置は、対象物の反射分
光スペクトルを撮像する撮像手段と、上記対象物と撮像
手段との間に設置したそれぞれ異なる帯域を持つ複数の
バンドパスフィルタと、上記撮像手段によって撮像され
た対象物の反射分光スペクトルから統計的手法を用いた
分類のための分類スペクトルを算出し、この分類スペク
トルを用いて上記対象物の分類を行う分類手段とを備
え、特に上記分類手段において、対象物を分類判定する
のに最適な分類判定法を用いるようにしたことを特徴と
している。

Description

【発明の詳細な説明】

【０００１】

【発明の属する技術分野】本発明は、複数のバンドパス
フィルタを介して得られるマルチスペクトル画像を用い
て対象物の測色処理を行うものであって、主に色を利用
して対象物を分類する色分類装置及び対象物の色むらを
検査する色むら検査装置に関する。

【０００２】

【従来の技術】従来より、各工業の生産現場における塗
装色、染色度の管理、または生産物の色測定、あるいは
医療、学術分野における被検体の色測定などにおいて
は、対象物の色を識別測定する色識別装置や測色装置が
利用されている。

【０００３】この種の色識別装置や測色装置として、例
えば、特開平３−２６７７２６号公報に開示されている
ような従来の技術においては、対象物の反射分光スペク
トルに統計的処理を施すことによって２クラスの分類を
行っている。

【０００４】具体的には、クラスが既知の対象物の反射
分光スペクトルをＦｏｌｅｙ Ｓａｍｍｏｎ変換（ＦＳ
変換）法を利用して統計処理している（Ｑ．Ｔｉａｎ，
Ｍ．Ｂａｒｂａｒｏ 他、“Ｉｍａｇｅ ｃｌａｓｓｉ
ｆｉｃａｔｉｏｎ ｂｙ ｔｈｅ Ｆｏｌｅｙ−Ｓａｍ
ｍｏｎ ｔｒａｎｓｆｏｒｍ”，Ｏｐｔｉｃａｌ Ｅｎ
ｇｉｎｅｅｒｉｎｇ，Ｖｏｌ．２５，Ｎｏ．７，１９８
６参照） 上記ＦＳ変換法は、２つのクラスを分類する手法で具体
的には、次の（１）式によって求められるフィッシャー
レショ（Ｆｉｓｈｅｒ ｒａｔｉｏ）Ｒ（ｄｉ）を最大
にする分類のためのスペクトルｄｉを求めることであ
る。

【０００５】 Ｒ（ｄｉ）＝（ｄｉ^t Ｓ１ｄｉ）／（ｄｉ^t Ｓ２ｄｉ） …（１） ここで、ｄｉ … 分類スペクトル ｄｉ^t … 分類スペクトル（転置） Ｓ１ … クラス間共分散行列 Ｓ２ … クラス内共分散行列 以降、この分類のためのスペクトルｄｉを分類スペクト
ルと呼ぶ。

【０００６】この分類スペクトルｄｉは対象物のスペク
トルと同じ次元数を有するため正確にはｄｉ（λ）と表
記すべきであるが簡単のためにｄｉと記す。

【０００７】そして、Ｆｉｓｈｅｒ ｒａｔｉｏを大き
くする分類スペクトルｄｉを２種類求める。

【０００８】Ｆｉｓｈｅｒ ｒａｔｉｏを最大にする分
類スペクトルｄｉをｄ１とし、このｄ１と直交するスペ
クトルの中でＦｉｓｈｅｒ ｒａｔｉｏを最大にする分
類スペクトルｄｉをｄ２とする。

【０００９】この二つの分類スペクトルｄ１、ｄ２で構
成される空間に各データを投影することにより、２つの
クラスが分類される。

【００１０】この分類スペクトルｄ１、ｄ２は次の
（２）式から求められる。

【００１１】 ｄ１＝α1 Ｓ２^-1Δ， ｄ２＝α2 Ｓ２^-1［Ｉ−（Δ^t Ｓ２^-2Δ）／（Δ^t Ｓ２^-3Δ）Ｓ／２^-1］Δ …（２） ここで、α1 、α2 は正規化係数、ΔはＸ1 −Ｘ2 （ク
ラス１とクラス２の差スペクトル）、Ｉは単位行列であ
る。

【００１２】このようにして得た分類スペクトルｄ１、
ｄ２で構成される空間に各データを投影するためには、
分類スペクトルと対象物の反射分光スペクトルとの内積
を求める。

【００１３】このうち、対象物の反射分光スペクトルを
ｆ（λ）（λ＝波長）とすれば、内積ｔ１、ｔ２は次の
（３）式で表せられる。

【００１４】 ｔ１＝ｆ（λ）・ｄ１ ｔ２＝ｆ（λ）・ｄ２ …（３） ここで、・は内積演算を表す。

【００１５】上記特開平３−２６７７２６号公報に開示
されているような従来の技術においては、このｔ１、ｔ
２の値から図３２のように分類境界を決め、この分類ス
ペクトルの特性を有するフィルタを図３３のように回折
格子１と液晶フィルタ２を用いて実現している。

【００１６】なお、図３３において、参照符号３は光源
用のランプである。

【００１７】ところで、分類スペクトルｄ１、ｄ２は、
一般に図３４に示すように形状が複雑であり、また、正
負の値をとるため、回折格子１、液晶フィルタ２などの
取り付け精度も厳しく要求される。

【００１８】また、上記特開平３−２６７７２６号公報
開示されているような従来の技術による装置では、光源
をあらかじめ限定しているため、異なる光源に対しての
分類には不向きで、光源のスペクトルが変化する場合に
は良好な分類を行うことができないと共に、さらに、そ
れに用いられている回折格子のコストが高いという欠点
もある。

【００１９】このため、本出願人は、先に、特願平６−
２４１６１４号に開示されているように、複数のバンド
パスフィルタを介して得られたマルチスペクトル画像を
用いて対象物の色分類処理を行うようにすることによ
り、装置構成が簡単で、低コストで、且つ機械的振動に
も耐えられ、しかも光源を限定せずにそのスペクトルが
変化する場合などにも良好に対象物の色分類を可能とす
る色分類装置に係る発明の出願をなしている。

【００２０】一方、従来より対象物の色むら検査を行う
色むら検査装置としては、分光計、色差計による場合
や、カラービデオカメラからのＲＧＢ入力によって色む
らの検査を行うことが知られていた。

【００２１】

【発明が解決しようとする課題】しかるに、上記先願の
特願平６−２４１６１４号に係る色分類装置では、１種
類の分類判定法のみで分類判定を行っているために、特
に、分類精度の点でさらに向上すべき課題があった。

【００２２】すなわち、１種類のみの分類判定法では、
分類判定する複数対象の多次元空間内での分布状態によ
って分類判定性能が著しく低下し、対象によっては分類
性能が悪くなる場合も起りがちであるためである。

【００２３】また、従来の分光計、色差計によって対象
物の色むら検査を行う場合には、スポット測定しかでき
ないために、一度の測定で対象物の色むらを二次元的に
検査することが不可能であった。

【００２４】なお、この場合、数度に分けて測定を行う
と、測定毎にばらつきが生じてしまうので、対象物の色
むらを精度よく検査することができない。

【００２５】また、カラービデオカメラからのＲＧＢ入
力によって色むらの検査を行う場合には、それに用いら
れているカラーフィルタの特性のために、微妙な色の差
を検出することが困難であるので、対象物の色むらを精
度よく検査することができない。

【００２６】そこで、本発明は上記の点に鑑みてなされ
たもので、複数のバンドパスフィルタを介して得られる
マルチスペクトル画像を用いて対象物の色分類処理を行
うものであって、装置構成が簡単で、低コストで、且つ
機械的振動にも耐えられ、しかも光源を限定せずにその
スペクトルが変化する場合などにも良好に対象物の色分
類を行うことが可能であると共に、対象物を分類判定す
るのに最適な分類判定法を用いるようにすることによ
り、さらに分類精度を向上し得るようにした色分類装置
を提供することを目的とする。

【００２７】また、本発明は上記の点に鑑みてなされた
もので、複数のバンドパスフィルタを介して得られるマ
ルチスペクトル画像を用いて対象物の色むら検査処理を
行うものであって、装置構成が簡単で、低コストで、且
つ機械的振動にも耐えられ、しかも光源を限定せずにそ
のスペクトルが変化する場合などにも良好に対象物の色
むら検査処理を行うことが可能であると共に、対象物の
色むら検査処理の精度を向上し得るようにした色むら検
査装置を提供することを目的とする。

【００２８】

【課題を解決するための手段】本発明によると、上記課
題を解決するために、対象物の反射光を撮像する撮像手
段と、前記対象物の反射光を前記撮像手段にそれぞれ異
なる帯域を持つマルチスペクトル画像として結像させる
光学手段と、前記撮像手段によって撮像された対象物の
マルチスペクトル画像データから統計的手法を用いた分
類のための分類スペクトルを算出し、この分類スペクト
ルを用いて前記対象物の分類を複数クラスにおいて行う
分類手段とを具備し、前記分類手段は、前記複数クラス
の内の全ての２クラス間の組み合わせについて１種類の
分類判定法により分類判定を行う分類演算部と、前記分
類演算部からの各２クラス間の分類判定の結果を総合的
に判定する分類決定部とを備えていることを特徴とする
色分類装置が提供される。

【００２９】また、本発明によると、対象物の反射光を
撮像する撮像手段と、前記対象物の反射光を前記撮像手
段にそれぞれ異なる帯域を持つマルチスペクトル画像と
して結像させる光学手段と、前記撮像手段によって撮像
された対象物のマルチスペクトル画像データから統計的
手法を用いた分類のための分類スペクトルを算出し、こ
の分類スペクトルを用いて前記対象物の分類を複数クラ
スにおいて行う分類手段とを具備し、前記分類手段は、
それぞれ互いに異なる複数の種類の分類判定法によって
前記複数クラスの分類判定を行う複数の分類判定部を備
えていることを特徴とする色分類装置が提供される。

【００３０】また、本発明によると、前記複数の分類判
定部は直列に接続されていて互いに異なる複数の分類判
定法によった分類判定が重畳的に行われることを特徴と
する色分類装置が提供される。

【００３１】また、本発明によると、前記分類手段は、
さらに、前記対象物のクラス情報が予め記憶されている
クラス情報データベースと、前記クラス情報データベー
スからのクラス情報に基いて前記複数の分類判定部での
分類処理及び絞込方法を選択する分類判定選択機能部と
を備えていることを特徴とする色分類装置が提供され
る。

【００３２】また、本発明によると、前記分類手段は、
さらに、前記一乃至複数の分類判定部の判定結果を判断
する判定結果判断部を備えていることを特徴とする色分
類装置が提供される。

【００３３】また、本発明によると、前記判定結果判断
部は、前記複数の分類判定部における第１の分類判定部
の判定結果に基いて第２の分類判定部での分類判定を行
うか否かを判断して処理することを特徴とする色分類装
置が提供される。

【００３４】また、本発明によると、前記判定結果判断
部は、前記複数の分類判定部における第１及び第２の分
類判定部での分類判定が重畳的に行われた後、前記第２
の分類判定部の判定結果に基いて再度前記第２の分類判
定部での分類判定を行うか否かを判断して処理すること
を特徴とする色分類装置が提供される。

【００３５】また、本発明によると、前記分類手段は、
さらに、予め、前記マルチスペクトル画像データに対す
る所定の学習を行って該学習データに基いて前記分類手
段による分類処理を制御する学習制御部を備えているこ
とを特徴とする色分類装置が提供される。

【００３６】また、本発明によると、前記分類手段は、
さらに、前記分類判定を行いながら学習データを更新す
る学習データ更新部を備えていることを特徴とする色分
類装置が提供される。

【００３７】さらに、本発明によると、対象物の反射光
をそれぞれ異なる帯域を有するマルチスペクトル画像と
して撮像するマルチスペクトル画像撮像手段と、前記マ
ルチスペクトル画像撮像手段によって撮像された対象物
のマルチスペクトル画像データから特徴量を抽出すると
共に、抽出された特徴量が所定の値より大きいマルチス
ペクトル画像データのみを選択して出力する画像選択手
段と、前記画像選択手段によって選択されたマルチスペ
クトル画像データから統計的手法を用いた分類のための
分類スペクトルを算出し、該分類スペクトルを用いて前
記対象物の分類を行う分類手段とを具備したことを特徴
とする色分類装置が提供される。

【００３８】また、本発明によると、前記画像選択手段
によって抽出される特徴量が、前記マルチスペクトル画
像撮像手段によって撮像されるマルチスペクトル画像に
おけるコントラスト及び濃淡差の少なくともいずれか一
方を含むことを特徴とする色分類装置が提供される。

【００３９】このような本発明の色分類装置によれば、
例えばそれぞれ異なる帯域を持つ複数のバンドパスフィ
ルタを用意しておき、これら複数のバンドパスフィルタ
のそれぞれを対象物と撮像手段の間に配置して、対象物
の反射光のマルチスペクトル画像を撮像する。

【００４０】そして、分類手段によって、上記撮像手段
によって撮像された対象物のマルチスペクトル画像デー
タから統計的手法を用いた分類のための分類スペクトル
を算出し、この分類スペクトルを用いて上記対象物の分
類を行う。

【００４１】この際、分類手段は複数クラスの内の全て
の２クラス間の組み合わせについて１種類の分類判定法
でもって分類を行うようにするか、複数種類の分類判定
法でもって分類を行うようにすることにより、対象物の
分類に最適な高精度の分類判定を行うようにすることが
できる。

【００４２】また、分類手段の前段で、マルチスペクト
ル画像データのうちそれの特徴量が所定値よりも大なる
画像データのみを選択する画像選択手段を設けることに
より、処理データ量を削減して高速且つ高精度の分類判
定を行うようにすることができる。

【００４３】また、本発明によると、上記課題を解決す
るために、対象物のマルチスペクトル画像データを提供
するマルチスペクトル画像提供手段と、前記マルチスペ
クトル画像提供手段からのマルチスペクトル画像データ
の特徴量を抽出する特徴量抽出手段と、この特徴量抽出
手段からの特徴量に基いて色むら判定を行なう色むら判
定手段と、前記色むら判定手段からの色むら判定結果に
基いて色むら判定結果を出力する判定結果出力手段とを
具備したことを特徴とする色むら検査装置が提供され
る。

【００４４】また、本発明によると、前記色むら判定手
段は、前記マルチスペクトル画像提供手段からのマルチ
スペクトル画像データに基いて色むら検出処理と色むら
度合い算出とを平行または順列に行なう色むら検出処理
手段及び色むら度合い算出手段とを含むことを特徴とす
る色むら検査装置が提供される。

【００４５】また、本発明によると、前記色むら判定手
段は、前記色むら検出処理手段及び色むら度合い算出手
段からの色むら検出処理結果及び色むら度合い算出結果
とをそれぞれ格納する色むら検出処理結果格納メモリ及
び色むら度合い算出結果格納メモリとを含むことを特徴
とする色むら検査装置が提供される。

【００４６】また、本発明によると、前記色むら判定手
段は、前記色むら検出処理手段及び色むら度合い算出手
段のうちの少なくとも一方において検出エリアの測色値
及び色差値のうちの少なくとも一方を求めるための測色
値を算出する測色値算出手段を含むことを特徴とする色
むら検査装置が提供される。

【００４７】また、本発明によると、前記色むら判定手
段は、前記色むら検出処理手段及び色むら度合い算出手
段からの色むら検出処理結果及び色むら度合い算出結果
並びに前記測色値算出手段による測色値から求められる
検出エリアの色差値とをそれぞれ格納する色むら検出処
理結果格納メモリ及び色むら度合い算出結果格納メモリ
とを含むことを特徴とする色むら検査装置が提供され
る。

【００４８】また、本発明によると、前記色むら判定手
段は、予め正常部データを作成する正常部データ作成手
段をさらに具備し、この正常部データ作成手段による正
常部データを前記色むら検出処理手段及び色むら度合い
算出手段による色むら検出処理及び色むら度合い算出時
に参照可能としたことを特徴とする色むら検査装置が提
供される。

【００４９】また、本発明によると、前記色むら判定手
段は、前記色むら検出処理手段及び色むら度合い算出手
段からの色むら検出処理結果及び色むら度合い算出結果
を判断する判定結果判断手段と、この判定結果判断手段
による判定結果の判断に基いてクラスデータを更新する
クラスデータ更新手段と、このクラスデータ更新手段に
よるクラスデータに基いて新規クラスを作成する新規ク
ラス作成手段とをさらに具備し、この新規クラス作成手
段による新規クラスを前記色むら検出処理手段及び色む
ら度合い算出手段による色むら検出処理及び色むら度合
い算出時にフィードバック可能としたことを特徴とする
色むら検査装置が提供される。

【００５０】また、本発明によると、前記色むら判定手
段は、予め検出エリアを決定する検出エリア決定手段を
さらに具備し、この検出エリア決定手段による検出エリ
アを前記色むら検出処理手段及び色むら度合い算出手段
による色むら検出処理及び色むら度合い算出時に参照可
能としたことを特徴とする色むら検査装置が提供され
る。

【００５１】また、本発明によると、前記色むら判定手
段は、前記マルチスペクトル画像提供手段からのマルチ
スペクトル画像データに基いて予め使用マルチスペクト
ル画像を決定する使用マルチスペクトル画像決定手段を
さらに具備し、この使用マルチスペクトル画像決定手段
による使用マルチスペクトル画像を前記色むら検出処理
手段及び色むら度合い算出手段による色むら検出処理及
び色むら度合い算出時に参照可能としたことを特徴とす
る色むら検査装置が提供される。

【００５２】また、本発明によると、前記色むら判定手
段は、予め検出エリアを決定する検出エリア決定手段
と、前記マルチスペクトル画像提供手段からのマルチス
ペクトル画像データに基いて予め使用マルチスペクトル
画像を決定する使用マルチスペクトル画像決定手段と、
予め前記検出エリア決定手段及び使用マルチスペクトル
画像決定手段との処理順番を決定する処理順番決定手段
とをさらに具備し、この処理順番決定手段による処理順
番に基いて前記検出エリア決定手段による検出エリア及
び使用マルチスペクトル画像決定手段による使用マルチ
スペクトル画像を前記色むら検出処理手段及び色むら度
合い算出手段による色むら検出処理及び色むら度合い算
出時に参照可能としたことを特徴とする色むら検査装置
が提供される。

【００５３】

【発明の実施の形態】先ず、本発明の実施の形態を説明
する前に、上述した特願平６−２４１６１４号に記載さ
れた本発明の基本原理及び基本実施の形態について説明
する。

【００５４】（基本原理）本発明では、色分類のための
フィルタとしてそれぞれ特定の波長のみを透過させるバ
ンドパスフィルタを複数用いて得られるマルチスペクト
ル画像を処理することにより、簡易で安価な構成の色分
類装置を実現するものである。

【００５５】また、異なる光源のもとでも色分類を行う
ために、対象物を撮影するときと同じ条件で適当な参照
板の反射分光スペクトルを計測し、対象物の反射分光ス
ペクトルを参照板の反射分光スペクトルで補正すること
によって光源（照明光）の影響を除去するようにしてい
る。

【００５６】すなわち、λを波長として、対象物の反射
分光スペクトルをｆ（λ）、参照板の反射分光スペクト
ルをｓ（λ）、照明光の反射分光スペクトルをＬ
（λ）、撮影系の感度スペクトル（撮影レンズの透過ス
ペクトル、撮像素子の感度スペクトル等）をＭ（λ）と
すれば、対象物の撮影スペクトルｇｉ（λ）、参照板の
撮影スペクトルｇｓ（λ）はそれぞれ ｇｉ（λ）＝ｆ（λ）×Ｌ（λ）×Ｍ（λ） ｇｓ（λ）＝ｓ（λ）×Ｌ（λ）×Ｍ（λ） で表せられ、対象物のスペクトルはｇｉ′（λ） ｇｉ′（λ）＝ｇｉ（λ）／ｇｓ（λ）＝ｆ（λ）／ｓ（λ） …（４） と表わせられる。

【００５７】こうして照明光の反射分光スペクトルＬ
（λ）の影響を除去した対象物のスペクトルｇｉ′
（λ）を用いれば、異なる光源のもとでも色分類を行う
ことができることになる。

【００５８】また、さらに照明光の輝度が異る場合に
は、（４）式の除算式の信号ｇｉ′（λ）のパワーを正
規化すればよい。

【００５９】次に、以上のような基本原理に基く本発明
の基本例につき図面を参照して説明する。

【００６０】（基本実施の形態）汎用性のある基本実施
の形態を図１乃至図３を参照して説明する。

【００６１】本基本実施の形態による色分類装置は、図
１に示すように筐体１０１、レンズ等を含む光学系１１
０、図２に示すような複数枚のバンドパスフィルタ１１
２Ａ，１１２Ｂ，…，１１２Ｅで構成される回転色フィ
ルタ１１２、フィルタ位置センサ１２３、モーター１２
４、モーター駆動回路１２４ａ、対象物および参照板の
マルチスペクトルの画像を取り込むための例えばＣＣＤ
等による撮像素子１１４、増幅器１１５、撮像素子駆動
回路１２２、Ａ／Ｄ変換器１１６、フレームメモリ１１
８、分類演算回路１２８、各バンドパスフィルタの適正
露光を得る撮像素子１４の露光時間を記憶する露出値メ
モリ１２９、コントロール回路１２６とからなる。

【００６２】回転色フィルタ１１２には、図２に示した
ように、各フィルタ位置検出孔１２５Ａ，１２５Ｂ，…
１２５Ｅ及びフィルタ初期位置検出孔１２６が形成され
ている。

【００６３】各バンドパスフィルタ１１２Ａ，１１２
Ｂ，…，１１２Ｅの位置は、初期位置検出孔１２６及び
フィルタ位置検出孔１２５Ａ，１２５Ｂ，…１２５Ｅを
フォトインタラプタなどで構成されるフィルタ位置セン
サ１２３で検出することによって検出される。

【００６４】この場合、コントロール回路１２６は、フ
ィルタ位置センサ１２３からの信号により、回転色フィ
ルタ１１２の回転を撮像素子１１４の撮像タイミングに
同期させるようにモーター駆動回路１２４ａを制御す
る。

【００６５】各バンドパスフィルタ１１２Ａ，１１２
Ｂ，…，１１２Ｅを通過した像は、撮像素子１１４に結
像して電気信号に変換される。

【００６６】この電気信号は増幅器１１５を介してＡ／
Ｄ変換器１１６でディジタル信号に変換された後に、マ
ルチスペクトル画像データとしてフレームメモリ１１８
に蓄えられ。

【００６７】このフレームメモリ１１８からは、マルチ
スペクトル画像データの全体が外部のモニタ（図示せ
ず）に送られると共に、分類演算回路１２８には画像中
の所定の領域のデータが送られる。

【００６８】つぎに、この基本実施の形態の動作を図３
に示すフローチャートを参照して説明する。

【００６９】まず、対象物の測定領域が設定される（ス
テップＳ１１）。

【００７０】つぎに、回転色フィルタ１１２における１
番目のバンドパスフィルタがセットされて（バンドパス
フィルタ１１２Ａ）予備露光が行われ、これにより得ら
れる測定データが所定の値の範囲に入るようになされ
る。

【００７１】そして、このときの撮像素子１４の露光時
間が対応するバンドパスフィルタの番号とともに露出値
メモリ１２９に記憶される（ステップＳ１２〜Ｓ１
７）。

【００７２】このような予備露光が全てのバンドパスフ
ィルタ（バンドパスフィルタ１１２Ｂ，…，１１２Ｅ）
について順次行われる（ステップＳ１８〜Ｓ２０）。

【００７３】このような予備露光が終了した後の測定時
には、各バンドパスフィルタ１１２Ａ，１１２Ｂ，…，
１１２Ｅに同期して撮像素子１１４の露光時間を変化さ
せて、対象物の撮像が行われる。

【００７４】このとき、分類演算回路１２８では、各バ
ンドパスフィルタ毎に露出値メモリ１２９に記憶された
撮像素子１４の露光時間をもとに、マルチスペクトル画
像データの中から対応するバンドパスフィルタの測定デ
ータを補正した後、分類演算が行われる。

【００７５】以上のように、この基本例によると、撮像
素子１４の露光時間を記憶する露出値メモリ１２９を設
け、各バンドパスフィルタ毎に最適露出による撮像を行
う構成としたため、簡易な構成でも測定データのＳＮＲ
（信号対雑音比）が向上し、分類精度が高くなる。

【００７６】また、この基本実施の形態では、予備露光
を行い各バンドパスフィルタに最適な露出で測定できる
ため、測定対象物が変化した場合でも精度良く分類でき
るので、汎用性のある色分類装置を実現することができ
る。

【００７７】この基本実施の形態においては、撮像素子
の露光時間を制御するようにしたので、これにより回路
構成が簡略化される。

【００７８】つぎに、以上のような基本実施の形態にお
いて、多クラスの分類演算を行うための分類演算回路１
２８の具体例について図４の（Ａ，Ｂ，Ｃ）を参照して
説明する。

【００７９】多クラスの分類演算を行う際に、上述した
ＦＳ変換法により例えばクラス１〜４の４クラスの分類
を行う場合、クラス１とクラス４のデータで算出された
分類スペクトルのなす空間にクラス２，３を投影する
と、クラス１とクラス２とかクラス３とクラス４といっ
たクラス間の境界がはっきりしないことがあり、分類精
度が落ちることがある。

【００８０】この分類演算回路１２８は上述のような場
合にも分類精度を落さず、有効に分類を行うことができ
るものである。

【００８１】この分類演算回路１２８は図４の（Ａ）に
示すように、輝度成分抽出部３０、分類演算部３２、分
類判定部３４とから構成される。

【００８２】先ず、分類演算部３２の構成を図４の
（Ｂ）を参照して説明する。

【００８３】この分類演算部３２は、図４の（Ｂ）に示
すように、それぞれ分類スペクトルｄ１，ｄ２を記憶す
るｄ１メモリ２００，ｄ２メモリ２０１と、これらｄ１
メモリ２００，ｄ２メモリ２０１との出力を切り替える
切替器２０２と、分類スペクトルｄ１，ｄ２と未知の対
象物からのスペクトルデータの積を取る乗算器２０３
と、加算器２０４とメモリ２０５とからなる累積加算器
２０６と、分類スペクトルを記憶するｄ１メモリ２１０
とｄ２メモリ２１１、ｄ１メモリ２１３とｄ２メモリ２
１４、ｄ１メモリ２１６とｄ２メモリ２１７、ｄ１メモ
リ２１０とｄ２メモリ２１１の出力を切り替える切替器
２１２と、ｄ１メモリ２１３とｄ２メモリ２１４の出力
を切り替える切替器２１５と、ｄ１メモリ２１６とｄ２
メモリ２１７の出力を切り替える切替器２１８と、累積
加算器２０６からの信号により３種類の分類スペクトル
のひとつを選択する分類スペクトル選択回路２０７と、
選択された分類スペクトルと未知の対象物からのスペク
トルデータの積を取る乗算器２２３と、加算器２２４と
メモリ２２５とからなる累積加算器２２６とから構成さ
れる。

【００８４】次に、この分類演算部３２の動作について
説明するが、ここでは分類するクラス数はクラス１〜４
の４クラスとする。

【００８５】この４クラスは多次元空間で、概ね番号順
に分布しているものとし、ｄ１メモリ２００とｄ２メモ
リ２０１には予めクラス１とクラス４の学習データから
算出された分類スペクトルｄ１_1-4 とｄ２_1-4 をそれぞ
れ記憶させておく。

【００８６】また、ｄ１メモリ２１０とｄ２メモリ２１
１には、予めクラス１とクラス２の学習データから算出
された分類スペクトルｄ１_1-2 とｄ２_1-2 を、また、ｄ
１メモリ２１３とｄ２メモリ２１４には、予めクラス２
とクラス３の学習データから算出された分類スペクトル
ｄ１_2-3 とｄ２_2-3 を、さらにｄ１メモリ２１６とｄ２
メモリ２１７には、予めクラス３とクラス４の学習デー
タから算出された分類スペクトルｄ１_3-4 とｄ２
_3-4 を、それぞれ記憶させておく。

【００８７】先ず、輝度成分抽出部３０からの対象物の
未知データは、分類演算部３２において、乗算器２０３
でｄ１メモリ２００からの分類スペクトルｄ１_1-4 と各
成分（次元）についての積が求められる。

【００８８】各成分の積は累積加算器２０６で足し合わ
され、分類スペクトル選択回路２０７に入力される。

【００８９】累積加算器２０６の出力は結果として未知
データと分類スペクトルとの内積値となる。

【００９０】次に、切替器２０２を切り替えて、ｄ２メ
モリ２０１側についても同様に内積値を算出し分類スペ
クトル選択回路２０７に送る。

【００９１】分類スペクトル選択回路２０７は図４の
（Ｃ）に示すように、分類判定回路２３０とセレクタ２
３１とで構成され、累積加算器２０６からの内積値が入
力されると分類判定回路２３０にて概略の分類判定が行
われる。

【００９２】ここでは、未知データはクラス１とクラス
４のデータより算出された分類スペクトルｄ１_1-4 とｄ
２_1-4 のなす空間に投影され、決められた分類境界によ
りクラスが決定される。

【００９３】ここでは、「クラス２からクラス１寄り」
「クラス２からクラス３の間」「クラス３からクラス４
寄り」という３つの新しいクラスに分類するように境界
が定められている。

【００９４】分類判定回路２３０の出力である分類スペ
クトル選択信号が「クラス２からクラス１寄り」であっ
た場合、セレクタ２３１は切替器２１２からの入力を分
類スペクトルとして出力する。

【００９５】これにより、分類スペクトルｄ１_1-2 とｄ
２_1-2 が選択され、乗算器２２３と累積加算器２２６と
で未知データとの内積演算が行われ、内積値は分類スペ
クトル選択回路２０７からの分類スペクトル選択信号と
ともに分類判定部３４に送られ、最終的なクラスが決定
される。

【００９６】分類判定回路２３０の出力である分類スペ
クトル選択信号が「クラス２からクラス３の間」であっ
た場合、セレクタ２３１は切替器２１５からの入力を分
類スペクトルとして出力し、「クラス３からクラス４寄
り」であった場合は切替器２１８からの入力を分類スペ
クトルとして出力する。

【００９７】これにより、最適な分類スペクトルが選択
され、内積演算が行われる。

【００９８】なお、この基本例では１段目の分類スペク
トルを、クラス１とクラス４のデータから求めたものを
使用しているが、これは分布の両端の２クラスのデータ
を用いるという意味ではないので、クラス２とクラス３
のデータから求めた分類スペクトルを用いてもよい。

【００９９】さらに、クラス１とクラス２とをひとまと
めに新しいクラス１′を定義し、クラス３とクラス４と
をひとまとめにした新しいクラス４′を定義し、これら
のクラス１′及びクラス４′のデータを用いて算出した
分類スペクトルを用いてもよい。

【０１００】また、この基本実施の形態では分類判定を
２段階で行っているが、分類すべきクラスの数に応じて
３段階や、それ以上の多段階で行っても同様の効果が得
られることはいうまでもない。

【０１０１】このような基本実施の形態によれば、分類
判定を多段で行う構成としたため、多クラスの分類にお
いても分類精度を落とさずに有効な分類を行うことが可
能になる。

【０１０２】しかるに、上述したような基本実施の形態
では、例えばＦＳ変換法による１種類の分類判定法のみ
を用いているので、分類判定する複数対象の多次元空間
内での分布状態によって分類判定性能が著しく低下し、
対象によっては分類性能が悪くなる場合も起りがちであ
る。

【０１０３】そこで、この発明では基本実施の形態をさ
らに進展させるために、対象物を分類判定するのに最適
な分類判定法を用いるようにしている。

【０１０４】次に、このような観点に立った本発明の幾
つかの実施の形態について図面を参照して説明するもの
とする。

【０１０５】（第１実施の形態）初めに、１種類の分類
判定法により複数クラス内の全ての２クラス間で判定し
た後で総合的に判定することにより、複数対象の分類性
能を向上させるようにした第１実施の形態について図５
乃至図９を参照して説明する。

【０１０６】すなわち、第１実施の形態は、１種類の分
類判定法を複数クラス内で全ての２の組み合わせの数だ
け、２クラス間で分類判定を行い、その後、これらの各
２クラス間の分類判定の結果を総合的に判定する処理を
行うものある。

【０１０７】図５に示すように、この第１実施の形態で
は前述した基本実施の形態のような複数のバンドパスフ
ィルタを用いた色分類装置において、分類演算回路１２
８に分類決定部１７を設けていることにより、複数対象
の分類性能を向上させることができる。

【０１０８】この分類演算回路１２８は、前述したよう
にして得られるマルチスペクトル画像データからの測定
エリアの輝度成分を抽出する輝度成分抽出部３０と、こ
れによる輝度成分から１種類の分類判定法により複数ク
ラス内の全ての２クラス間で判定した後で総合的に判定
する分類判定部１４からなる。

【０１０９】本第１実施の形態の分類判定部１４は複数
対象内の全ての２クラス間の分類判定を行う分類演算部
１６と、これによる各２クラス間の分類判定の結果を総
合的に判定する分類決定部１７とからなる。

【０１１０】そして、この分類演算回路１２８からは、
入力画像データに対する分類結果が出力される。

【０１１１】なお、この分類演算回路１２８において、
学習制御部１５は予めスイッチ１３の切替えにより、各
画像データに対する必要な学習を行って得られるデータ
が記憶されており、これらの学習データが分類判定部１
４での分類判定処理時に用いられることになる。

【０１１２】図６は具体例として、６クラス内で分類判
定する例として、分類演算部１６と分類決定部１７とか
らなる分類判定部１４を示す。

【０１１３】すなわち、この分類演算部１６には、クラ
スｉとクラスｊの分類ベクトルＶ_ijを記憶する複数のＶ
_ijメモリ２１と、クラスｉとクラスｊのオフセット値Ｖ
_oijを記憶する複数のＶ_oij メモリ２５、複数の演算器
２２，２３ａ，２３ｂ及び複数のメモリ３２４とが設け
られる。

【０１１４】この場合、Ｖ_ijメモリ２１と、Ｖ_oij メモ
リ２５、演算器２２，２３ａ，２３ｂ及び複数のメモリ
２４とは、６個のクラスのうちの各２クラスに対して分
類判定する場合としてそれぞれ１５個存在することにな
る（１５＝６＊（６−１）／２）。

【０１１５】入力される未知データは分類ベクトルＶ_ij
と内積がとられた後、オフセット値Ｖ_oij が加算されて
結果ａ_ijとして分類決定部１７に送られる。

【０１１６】なお、上述の内積及び加算のための計算は
１５個の分類ベクトルに対して並列に行われる。

【０１１７】つまり、Ｖ１２メモリ２１、Ｖ_０１２メモ
リ２５は、クラス１、クラス２を分類するためのベクト
ルＶと、そのオフセットであるＶ_０とがそれぞれ記憶さ
れているものである。

【０１１８】この図６では、６クラスの中で分類するた
めの例であるので、全てのクラスに対する２の組み合わ
せの数だけ、つまりＶ１２、Ｖ１３、Ｖ１４からＶ５６
までの、この場合は１５個のメモリ２１，２５がある。

【０１１９】そして、それらのメモリデータが、分類ベ
クトルＶ_ij及びそのオフセット値Ｖ_oij として未知デー
タに投影され、それぞれ演算器２２，２３ａ，２３ｂ及
びメモリ２４を介して内積演算及びオフセット加算をと
ってａ１２、ａ１３、ａ１４からａ５６といった結果ａ
_ijとして出力される。

【０１２０】図７は分類決定部１７のブロック図を示
す。

【０１２１】ここに、ａ_ij＝−ａ_jiと定義するクラスｉ
プラスカウンター２６は、分類演算部１６から送られて
くる全てのクラスｉに関する判定結果ａの符号を調べ
て、プラスの値をとる個数ｂｉを数え、出力する。

【０１２２】判別部２７ではプラスの値をとる個数ｂｉ
の最大値を調べ、それが最大値をとるクラスｉを総合的
に決定する。

【０１２３】すなわち、この分類決定部１７には、この
ようにクラス１のプラスカウンター、クラス２のプラス
カウンター、クラスｉのプラスカウンターからクラス６
のプラスカウンターまで、計６個のプラスカウンター２
６と呼ばれるものがある。

【０１２４】そして、クラス１プラスカウンター２６
は、入力ａ１２、ａ１３からａ１６までの全てのクラス
１に関する入力がプラスであるかマイナスであるかを判
定し、プラスであった場合はカウンターで個数を数えて
いくといったものである。

【０１２５】同様に、クラス２プラスカウンター２６で
は、入力ａ２１、ａ２３、ａ２４、ａ２５、ａ２６まで
の全てのクラス２に関する入力のプラス成分を数えると
いったものである。

【０１２６】そして、これらの各クラスプラスカウンタ
ー２６によって出力されるプラスの個数の出力ｂ１〜ｂ
６に対し、判定部２７はそのｂ１、ｂ２からｂ６の出力
を見て、その最大値であるクラスを決定する。

【０１２７】なお、以上において、分類ベクトルＶ_ij及
びそのオフセット値Ｖ_oij を求めるときに統計的手法が
用いられるが、図６乃至図７は線形識別器を用いている
例であり、この線形識別器を用いた場合、次元数を削減
しないので高精度に分類判定を行える。

【０１２８】これに対し、図８乃至図９はＦＳ変換を行
った後、最短距離法を用いている例であり、ＦＳ変換を
用いた場合、次元数が削減されているため、演算を高速
に行うことができる。

【０１２９】図１０の（Ａ，Ｂ）は拡張されたフィシャ
ー値（ＤｅｃｌｕｓｔｅｒｉｎｇＣｒｉｔｅｒｉｏｎ）
を最大にする分類ベクトルｄ１，ｄ２を用いた場合の分
類結果の例を示す。

【０１３０】図８乃至図９ではＦＳ変換を用いているの
で分類ベクトルｄ１，ｄ２のための複数のメモリ３３
１，３３２があり、この複数のｄ１メモリ３３１，ｄ２
メモリ３３２とをそれぞれスイッチ１３によって切り換
えて演算器２２により、入力される未知データと分類ベ
クトルｄ１，ｄ２との内積演算がとられる。

【０１３１】そして、ｄ１メモリ３３１のときに出力ｃ
１２，またｄ２メモリ３３２のときに出力ｄ１２が演算
器２３及びメモリ２４を介して出力される。

【０１３２】そして、このＦＳ変換による判定は、出力
ｃ１２，ｄ１２によりクラス１、クラス２を分類判定し
たものである。

【０１３３】つまり、ここで分類ベクトルｄ１，ｄ２は
クラス１、クラス２を最も分離するものとしてそれぞれ
ｄ１メモリ３３１，ｄ２メモリ３３２に記憶されている
ものである。

【０１３４】ここでｃ_ij、ｄ_ij出力を得ているが、それ
らはクラスｉ、クラスｊを最も分離する分類スペクトル
ｄ１，ｄ２が存在していることを示している。

【０１３５】そして、このようにして全ての２クラスの
中の、任意の２クラスを最も分離するｄ１，ｄ２ベクト
ルに全て投影された結果が分類決定部１７に送られる。

【０１３６】図９に示す、ＦＳ変換における分類決定部
１７では、クラス１−２判定部、クラス１−３判定部、
クラスｉ−ｊ判定部、クラス５−６判定部と任意の２ク
ラスの判定部３３と判別部２７とが存在している。

【０１３７】この判定部３３では、以上のようにして得
られたｃ１２，ｄ１２とクラス１との距離、クラス２と
の距離を判定し、近い方のクラスを求めている。

【０１３８】そして、求まった出力からクラス１かクラ
ス２か、クラス１かクラス３かといった結果が、ｄ１、
ｄ２からｅｎとして出力される。

【０１３９】つまり、ここでｎというのは、２の組み合
わせの数だけあることになり、この場合５×６÷２＝１
５なので１５個の出力が出る。

【０１４０】そして、判別部２７では最も多かった判定
をカウントし、総合的な判定結果として出力する。

【０１４１】なお、図８においてｄ１メモリ３３１、ｄ
２メモリ３３２にＦＳ変換におけるフィッシャレシオを
最大とするベクトルｄ１、ｄ２を記憶するのに代えて、
これらのメモリに拡張されたフィッシャレシオを最大に
するベクトルを記述していく方法も考えられる。

【０１４２】これは、ディクラスタリングクライテリオ
ン（Ｄｅｃｌｕｓｔｅｒｉｎｇ Ｃｒｉｔｅｒｉｏｎ）
法と呼ばれるもので、これを用いると図１０Ａ，Ｂに示
すような分類結果が得られる。

【０１４３】ここでは、Ｄｅｃｌｕｓｔｅｒｉｎｇ Ｃ
ｒｉｔｅｒｉｏｎ法に基いてＦ１、Ｆ２といったベクト
ルを求めるが、このベクトルに未知データを投影する
と、２クラスはある一方のクラスが集中し、他のクラス
が広がる、散らばるといったようなベクトルが求まる。

【０１４４】このような場合は、図９の判別部２７で
は、それぞれのクラス判定部３３からの出力により判定
するが、分類境界を求めてその内側に存在するかどうか
を調べることになる。

【０１４５】そして、ベクトルがクラス１−２判定部の
出力ｅ１、クラス１−３判定部の出力ｅ２といった２ク
ラスにおけるどちらかのクラスに属するかという判定が
出力されるのに対して、それらを判別部２７において総
合的に判定する。

【０１４６】この場合、分類判定境界は、予め学習制御
部１５によって、クラス１とクラス２の学習データから
求められ、ここの判定部３３では、境界の内側にあるか
外側にあるかを判定する。

【０１４７】なお、Ｄｅｃｌｕｓｔｅｒｉｎｇ Ｃｒｉ
ｔｅｒｉｏｎ法については、“ＡＤｅｃｌｕｓｔｅｒｉ
ｎｇ Ｃｒｉｔｅｒｉｏｎ ｆｏｒ Ｆｅａｔｕｒｅ
Ｅｘｔｒａｃｉｏｎ ｉｎ Ｐａｔｔｅｒｎ Ｒｅｃｏ
ｇｎｉｔｉｏｎ”ｂｙ ＪＯＨＮ ＦＥＨＬＡＵＥＲ
ＡＮＤ ＢＲＵＣＥ Ａ．ＥＩＳＥＮＳＴＥＩＮ，ＩＥ
ＥＥ ＴＲＡＮＳＡＣＴＩＯＮＳ ＯＮ ＣＯＭＰＵＴ
ＥＲＳ．ＶＯＬ．Ｃ−２７，Ｎｏ．３，ＭＡＲＣＨ １
９７８等によるものとする。

【０１４８】このようにして、Ｄｅｃｌｕｓｔｅｒｉｎ
ｇ Ｃｒｉｔｅｒｉｏｎ法を用いた場合、構成は図８、
図９と変わらないが、図９のクラスｉ−ｊ判定部３３に
おいて、図１０の（Ａ，Ｂ）に示すような分類境界内に
投影されるか否かを求めて判定する。

【０１４９】この手法は分類対象の多次元空間内での平
均ベクトルが近い場合、有効な分類判定法となる。

【０１５０】従って、以上のように本発明の第１実施の
形態によれば、分類判定したい複数のクラスの中で一度
に判定せず、複数のクラスの中から２クラスづつ選択し
て、その中で判定してから最後に総合的に判定している
ため、より高精度に分類判定を行うことができる。

【０１５１】（第２実施の形態）次に、２種類の分類判
定部を用いて、複数対象の分類性能を向上させるように
した本発明の第２実施の形態について図１１を参照して
説明する。

【０１５２】図１１は２種類の分類判定部４１，４２を
直列に接続して分類判定を行うようにした本発明の第２
実施の形態による色分類装置の構成を示す。

【０１５３】複数対象を精度良く分類するためには、上
述した第１実施の形態のように２クラス分類を全て行い
総合的に判定するか、階層的に分類判定処理を行い絞り
込む方法があるが、どちらの方法でも分類判定の対象と
なるクラス数が増えると、処理時間が増大してしまう。

【０１５４】そこで、分類判定処理の中でも最も処理規
模が小さい最短距離法を初めに行って、近傍の数クラス
に絞り込んでから高精度に分類判定処理を行えば、複数
対象の分類判定処理を高速に行うことができる。

【０１５５】このため本第２実施の形態の分類演算回路
１２８は、複数のバンドパスフィルタを用いて撮像した
マルチスペクトル画像内のエリアの色情報を得るための
輝度成分を抽出する輝度成分抽出部３０と、ここで抽出
されたデータを初めに分類判定する第１の分類判定部４
１と、この分類判定部４１の結果を重畳的にもう一度分
類判定する第２の分類判定部４２とからなる。

【０１５６】分類判定部４１は分類演算部４３と分類対
象数を絞り込む近傍クラス判定部４４からなる。

【０１５７】分類判定部４２は分類演算部４５と分類決
定を行う分類決定部４６からなる。

【０１５８】なお、図１１において、学習制御部１５は
第１実施例と同様な機能を有しているものとする。

【０１５９】すなわち、第２実施の形態は、２種類の分
類判定部を用いて分類精度を向上させた実施の形態であ
る。

【０１６０】図１１において、分類演算回路１２８は輝
度成分を抽出した後に直列の２つの分類判定部４１，４
２があり、このように複数の分類判定部を設けているの
が特徴であり、特に、この第１の分類判定部４１と、第
２の分類判定部４２とは違った分類判定法を用いている
ことが特徴となる。

【０１６１】この図１１の実施の形態の場合、まず第１
の分類判定部４１で近いクラスをいくつかに絞って判定
し、次に、その絞られたクラスの中で第２の分類判定部
４２による分類判定を行うことによって分類結果を出
す。

【０１６２】このようにして、第２実施の形態は、分類
判定する対象が多数存在する場合に、まず第１の分類判
定部４１では距離による近傍クラスを求めるような簡単
な処理を用いて、近いものだけをピックアップし、次に
第２の分類判定部４２では後述するようなピースワイズ
線形識別器等の精度の高い分類判定を行うことによっ
て、処理を速くし、しかも高精度に判定することができ
る。

【０１６３】なお、学習時には、輝度成分が学習制御部
１５を介して学習データ用のメモリに、学習データのサ
ンプルデータとして記述される。

【０１６４】（第３実施の形態）前述した第２実施の形
態と同様に２種類の分類判定法を用いて、複数対象の分
類精度を向上させるようにした第３実施の形態を図１２
及び図１３を参照して説明する。

【０１６５】すなわち、この第３実施の形態では、図１
２に示すように複数のバンドパスフィルタを用いた色分
類装置において、分類演算回路１２８に判定結果判断部
５１を設けて、分類判定部４１の判定結果に基づき他の
分類判定部４２をコントロールすることにより、複数対
象の分類精度を向上させるようにしたものである。

【０１６６】第３実施の形態の分類演算回路１２８は、
複数のバンドパスフィルタを用いて撮像したマルチスペ
クトル画像内のエリアの色情報を得るための輝度成分を
抽出する輝度成分抽出部３０と、抽出されたデータを初
めに分類判定する第１の分類判定部４１と、この分類判
定部４１の結果を判断する判定結果判断部５１と、この
判定結果判断部５１の結果に基づき必要ならばもう一度
データを分類判定する第２の分類判定部と４２から成
る。

【０１６７】第１及び第２の分類判定部４１，４２はそ
れぞれ分類演算部４３，４５及び分類決定部４４，４６
を有している。

【０１６８】学習制御部１５は第１実施の形態と同様の
機能を有しているものとする。

【０１６９】すなわち、図１２では、図１１を拡張し、
判定結果判断部５１なるブロックを有している。

【０１７０】これは、第１の分類判定部４１における判
定結果を判定結果判断部５１において、その判定結果が
適切かどうかを調べ、適切であれば、そのまま素通りさ
せて分類結果として分類演算回路１２８から出力させ
る。

【０１７１】その判定結果がもう一度判定した方がよい
場合には、それを第２の分類判定部４２に送る。

【０１７２】つまり、第１の分類判定部４１でピースワ
イズ線形識別器等での分類判定処理を行うが、判定結果
判断部５１でピースワイズ線形識別器等での判別結果で
は分類判定できない場合に、第２の分類判定部４２でＦ
Ｓ変換後に近傍等の距離による判定を行うことにより、
処理を確実にして分類結果を出す。

【０１７３】図１３は初回の分類判定結果に基づき階層
的に分類判定処理を行う処理の流れを示す。

【０１７４】複数枚のバンドパスフィルタを用いて撮像
した画像の色測定エリアの輝度成分を抽出し、多次元デ
ータを得る（ステップ５０１）。

【０１７５】得られた多次元データに対して分類判定演
算処理１（ステップ５０２）を施し、近傍クラスを抽出
する（ステップ５０３）。

【０１７６】判定結果判断部５１では、第１の分類判定
部４１で得られた近傍クラスが一つであるかを調べ（ス
テップ５０４）、判定結果の確信度が所定の値以上かを
調べる（ステップ５０５）。

【０１７７】判定結果判断部５１の判断結果より、必要
ならば第２の分類判定部４２により分類判定演算処理２
（ステップ５０６）を行って分類を決定する（ステップ
５０７）。

【０１７８】このような構成で階層的に分類判定処理を
行うことによって、多クラスをより高精度に分類判定す
ることができる。

【０１７９】例えば、第１の分類判定部４１では多クラ
スの線形識別器であるピースワイズ線形識別器（Ｐｉｅ
ｃｅｗｉｓｅ Ｌｉｎｅａｒ Ｄｉｓｃｒｉｍｉｎａｎ
ｔＦｕｎｃｔｉｏｎ Ｍｅｔｈｏｄ）を用いて、第２の
分類判定部４２ではＦＳ変換後に最短距離法を用いて高
度な多クラスの分類判定処理を行うことができる。

【０１８０】線形識別器は次元を削減せずに分類判別線
を作成するため、分類性能は良いが、対象の種類と対象
の数によっては分類判定できないことがある。

【０１８１】そこで、判定結果判断部５１にて第１の分
類判定部４１での判定結果を検証し、その結果によって
は第２の分類判定部４２でＦＳ変換による分類判定を行
う。

【０１８２】なお、線形識別器についてはＫ．Ｆｕｋｕ
ｎａｇａ“Ｉｎｔｒｏｄｕｃｔｉｏｎ ｔｏ Ｓａｓｔ
ｉｃａｌ Ｐａｔｔｅｒｎ Ｒｅｃｏｇｎｉｏｎ”のＣ
ｂａｐｔｅｒ４ ＬＩＮＥＡＲ ＣＬＡＳＳＩＦＩＥＲ
Ｓ等によるものとする。

【０１８３】（第４実施の形態）次に、第３実施の形態
を拡張して画像内の微妙な色の違いを判定するようにし
た第４実施の形態について図１４を参照して説明する。

【０１８４】すなわち、第４実施の形態では、複数のバ
ンドパスフィルタを用いた色分類装置において、あるク
ラスとそれ以外のクラスとの２クラスに分類する場合
に、分類演算回路１２８内に学習データ更新部６１と、
判定結果判断部５１とを具備することによって、両クラ
スの学習を行うことなく精度よく２クラスを分類判定す
ることができる。

【０１８５】本第４実施の形態の分類演算回路１２８
は、複数のバンドパスフィルタを用いて撮像した画像内
のエリアの色情報を得るための輝度成分を抽出する輝度
成分抽出部３０と、抽出されたデータを初めに分類する
分類判定部４１と、学習の制御を行う学習制御部１５
と、学習データを更新する学習データ更新部６１と、分
類判定結果を判断する判定結果判断部５１と、判定結果
判断部５１の結果に基づき必要ならば繰り返しデータを
分類判定する第２の分類判定部４２とからなる。

【０１８６】すなわち、図１４に示すような第４実施の
形態では、輝度成分を抽出後に、第１の分類判定部４１
の処理を行った後、第１の分類判定部４１での内容に基
いて学習データを更新部６１により学習データを更新さ
せると共に、そのまま第２の分類判定部２に処理データ
を送る。

【０１８７】第２の分類判定部４２から出力された結果
は、判定結果判断部５１に送られ、必要ならばもう一度
学習データ更新部６１により学習データを更新し、再
度、第２の分類判定部４２に戻される。

【０１８８】つまり、この学習データ更新部６１から第
２の分類判定部４２を介して判定結果判断部５１までの
間がループとなっており、判定結果判断部５１で、初め
の分類結果としての判定結果を適切な判定結果として見
做さない場合は、ここを繰り返して処理するように、ル
ープ状に繰り返し処理を行うようになっている。

【０１８９】図１５は第４実施の形態によって画像内の
微妙な色むらを検出する際の処理フローを示す。

【０１９０】先ず、この処理フローを概要について説明
する。

【０１９１】複数枚のバンドパスフィルタで撮像された
画像から、判定エリアｉにおける輝度成分を抽出し多次
元のデータを得る（ステップ６０３）。

【０１９２】このデータが、予め、メモリに学習してあ
る正常部の学習データとの距離が大きければ、この判定
エリアｉは色むらと判定し（ステップ６０６）、学習デ
ータに登録する（ステップ６０７）。

【０１９３】また、このデータが、所定の値よりも小さ
ければ、この判定エリアｉは正常と判定し（ステップ６
０８）、学習データに登録する（ステップ６０９）。

【０１９４】このようにして、判定エリア全域での判定
が終了したら第２分類判定部４２で再度判定を行う。

【０１９５】第２分類判定部４２では、判定エリアｉと
学習データメモリの正常部特徴ベクトルとの距離ｄ１を
調べ（ステップ６１４）と共に、色むら特徴ベクトルと
の距離ｄ２を調べる（ステップ６１５）。

【０１９６】これによって、算出した距離ｄ１とｄ２と
を比較し（ステップ６１６）、ｄ２がｄ１よりも大きけ
れば色むら、小さければ正常部と判定し（ステップ６１
７，６１９）、各学習データを更新する（ステップ６１
８，６２０）。

【０１９７】そして、判定エリア全域で判定が終了した
ら判定結果判断部５１にて必要に応じて分類判定部４２
の再検査を行う。

【０１９８】次に、色むら検出のフローを詳細に説明す
る。

【０１９９】ステップ６０１で、マルチスペクトル画像
の入力がなされる。

【０２００】そして、ステップ６０２で画像番号をｉ＝
０とし、これは判定すべきエリアであって、判定エリア
としてｉ＝０と初期値に入力する。

【０２０１】そして、ステップ６０３で画像判定エリア
ｉのデータを検出し、ステップ６０４で予め学習してあ
った正常部との距離を算出する。

【０２０２】次に、ステップ６０５で正常部との距離が
所定の値以上かどうかを調べ、所定の値以上離れていた
場合は、ステップ６０６で色むらがあると判定し、離れ
ていなかった場合にはステップ６０８で正常部と判定す
る。

【０２０３】そして、色むらがあると判定された場合
は、ステップ６０７で色むらの学習データとして登録す
る。

【０２０４】また、正常部としての判定結果は、ステッ
プ６０９で正常部のデータとして登録する。

【０２０５】そして、ステップ６１０で画像内の全ての
エリアにおいて判定し、それが終了するまで、ステップ
６１１でｉ＝ｉ＋１としてループを繰り返す。

【０２０６】そして、色むらを検出すべく全てのエリア
において、第１回目の判定がステップ６１０で終了す
る。

【０２０７】ここまでの処理、つまり、正常部との距離
から色むらかあるいは、正常かを判定するのが第１の分
類判定部４１であり、この第１の分類判定部４１におけ
る色むらかあるいは、正常という２つの学習データが作
成される。

【０２０８】そして、その作成された学習データにどち
らが近いかといった判定処理を行うのが第２の分類判定
部４２である。

【０２０９】また、ステップ６１２でｉ＝０として判定
エリアｉ＝０と初期値を入力し、ステップ６１３で判定
エリアｉのデータを検出する。

【０２１０】そして、ステップ６１４で正常部学習部デ
ータとの距離ｄ１を求め、ステップ６１５で色むらの部
分の学習データとの距離ｄ２を求める。

【０２１１】次に、ステップ６１６でｄ２がｄ１以上で
あるかどうかを調べて、ｄ２の方が大きければステップ
６１７で色むらと判定し、ｄ１の方が大きければステッ
プ６１９で正常部と判定する。

【０２１２】そして、ステップ６１８，６２０で色らと
正常部それぞれの学習データに更新する。

【０２１３】そして、ステップ６２１からの内側のルー
プにおいてステップ６２２によりｉ＝ｉ＋１としてまず
全てのエリアに対して判定を行う。

【０２１４】そして、ステップ６２３で判定結果判断部
５１により、再判定を行うかどうかを調べ、行う場合
は、もう一度第２の分類判定部４２により分類判定を行
う。

【０２１５】このような処理によって、色むらの部分の
学習データと正常部の学習データの部分とが回数を繰り
返し行うことによって、適切なものに更新される。

【０２１６】そして、第４実施の形態によれば、結果と
しても分類精度の良い検出を行うことができる。

【０２１７】（第５実施の形態）次に、複数の種類の分
類判定法を用いて、複数対象の分類判定精度を向上させ
るようにした第５実施の形態について図１６を参照して
説明する。

【０２１８】すなわち、複数対象の分類判定精度は、対
象数、分布状態等によって左右されるので、分類対象の
特徴によって、最適な分類方法を選択することにより、
複数対象の分類判定精度を向上させるようにしたのが、
この第５実施の形態である。

【０２１９】この第５実施の形態において採用される複
数の種類の分類判定法としては、前述したＦＳ変換法、
ピースワイズ法、デクラスタリングクライテリオン法以
外に、ＫＬ変換法、ＦＫ変換法、ＨＴＣによる分類法、
判別分析法、正規直行判別分析法、Ｍａｌｉｎａ法、ノ
ンパラ化による方法、部分空間法、ＦＥ法等を採用する
ことができる。

【０２２０】この第５実施の形態の分類演算回路１２８
は図１６に示すように、複数のバンドパスフィルタを用
いて撮像したマルチスペクトル画像内のエリアの色情報
を得るための輝度成分を抽出する輝度成分抽出部３０
と、分類対象の情報を記憶するクラス情報データベース
７１と、クラス情報データベースの情報をもとに分類処
理、絞込方法を選択する分類判定方法選択機能部７２
と、抽出されたデータを分類判定する複数の分類判定部
４１と、分類判定結果を判断する判定結果判断部５１
と、クラス情報データベース７１を更新するデータベー
ス更新部７３とからなる。

【０２２１】上記分類判定方法選択機能部７２は、処理
選択部７４及び絞込方法選択部７５とを有している。

【０２２２】また、複数の分類判定部４１は、上述した
ような複数の種類の分類判定法から採用される互いに異
なる分類判定法による分類判定を行うために、それぞれ
分類演算部４３と分類決定部４４とを有している。

【０２２３】すなわち、この第５実施の形態は、分類判
定部をｎ個用意して最適な分類判定を行う場合の実施の
形態である。

【０２２４】この第５実施の形態の分類演算回路１２８
は、特徴としては輝度成分抽出したものから、このクラ
ス情報をもったデータベース７１を持っているというこ
とであり、例えば、このデータベース７１を元に分類判
定法を選択する分類判定方法選択機能部７２を持つ。

【０２２５】そして、複数の分類判定部４１は、それぞ
れ上述した実施の形態と同じように分類結果を判断し出
力する。

【０２２６】このクラス情報データベース７１の中に
は、クラスの分布状況や多次元空間内での中心座標、近
いクラス等が記述されており、あるクラスにおける近傍
クラス等が記述されたものをデータベース化しておく。

【０２２７】そして、輝度成分を抽出した後、分類判定
方法選択機能部７２では、どの分類判定法による処理を
行うか、すなわちＦＳ変換にするか、ピースワイズ法に
するか、ディクラスタリングクライテリオン法における
判定とするか、といった処理が処理選択部７４でまず選
択される。

【０２２８】そして、絞込方法選択部７５では、多クラ
スの中から例えば７クラスの場合、７から３個に減らし
て、それをさらに２個に減らして、最終的に１個に絞る
か、あるいは７から５個にして、５個から３個、それか
ら２個、１個に絞ろうといった絞り込みの個数、絞り込
み方法を決定する。

【０２２９】そして、この分類判定法選択機能部７２に
よって、得られた分類方法に応じて複数の分類判定部１
〜ｎまでのどれにするかが決められる。

【０２３０】そして、複数の分類判定部４１による判定
は、判定結果判断部５１から再び戻されるようなループ
になっている。

【０２３１】この判定結果判断部５１では、この絞り込
み方法の情報を含む、判定結果からデータベース更新部
７３を介してデータベース７１を更新させる機能を持っ
ている。

【０２３２】これによって、第５実施の形態では、上述
した実施の形態のように正常部、異常部といった２クラ
スの分類以外でもより高精度に、繰り返し処理を行う
が、その各クラスのデータを更新させることによって、
もう一度同じ処理を行った場合には、違った出力が出る
ようになっている。

【０２３３】そして、判定結果判断部５１で、所定の値
以上の確信度が求まったとき、それが分類結果として出
力される。

【０２３４】このようにして第５実施の形態は、分類判
定方法選択機能部７２を用いることによって、繰り返し
何回分類判定を行うか、どの分類判定を使うかといった
ことを選択することによって多クラスの分類判定をより
高精度に行うものである。

【０２３５】図１７は第５実施の形態による処理フロー
を示す。

【０２３６】先ず、マルチスペクトル画像データから輝
度成分を抽出し、多次元データを得る（ステップ７０
１）。

【０２３７】次に、学習モードか否かを判断し（ステッ
プ７０２）、学習モードならばモード切り替えスイッチ
１３を切り替え多次元データを学習データに登録し（ス
テップ７０３）、クラス情報データベースを更新して
（ステップ７０４）、処理を終了する。

【０２３８】自動判定モードならデータベースを参照し
ながら分類判定処理方法を設定する（ステップ７０
５）。

【０２３９】ここでは、得られた未知データと、分類判
定したい複数対象の多次元空間内の分布状態等を参照し
ながら、どの分類判定処理を用いるか、判定絞り込み方
法はどうするかを設定する（ステップ７０６）。

【０２４０】次に、設定された分類判定方法に沿って、
分類判定を行う（ステップ７０７）。

【０２４１】そして、設定された分類判定方法と、分類
判定結果をもとに再検査を行うか判断する（ステップ７
０８）。

【０２４２】ここで、再検査する場合には、判定結果を
登録し（ステップ７０９）、データベースを更新（ステ
ップ７１０）して、もう一度分類判定選択機能に戻る。

【０２４３】（第６実施の形態）分類演算を高速化、分
類精度を向上する第６実施の形態について図１８及び図
１９を参照して説明する。

【０２４４】すなわち、複数のバンドパスフィルタを用
いた色分類装置において、異なるバンドパスフィルタで
撮像された画像は、必ずしも全てが分類に有効な特徴量
を持っているとは限らない。

【０２４５】そこで、分類に影響の少ない、または分類
性能を低下させるデータを持つ画像を省くことで、演算
速度を高め、分類性能を向上させるようにしたのが、こ
の第６実施の形態である。

【０２４６】この第６実施の形態の色分類装置は、複数
枚の異なる通過帯域特性をもつバンドパスフィルタを用
いて画像を撮像するマルチスペクトル画像撮像部８１
と、画像処理部８２と、特徴を抽出した分類に用いる画
像を選択する画像選択手段８３と、分類判定を行う分類
手段８４とからなる。

【０２４７】すなわち、この第６実施の形態で図１の基
本実施の形態に示したような複数のバンドパスフィルタ
を用いた色分類装置に相当する図１８のマルチスペクト
ル画像撮像部８１は、複数の異なるバンドパスフィルタ
を介て撮像されたマルチスペクトル画像データを出力す
る。

【０２４８】このマルチスペクトル画像データは画像処
理部８２で必要な平滑化等の画像処理が施される。

【０２４９】そして、本第６実施の形態では、これらの
画像処理が行われたマルチスペクトル画像データに対
し、画像選択手段８３でその次元を削減し、次元が削減
されたデータで分類手段８４により色分類が行われる。

【０２５０】図１９は、第６実施の形態によって不要な
画像を取り除いて、できるだけ高速に分類判定処理を行
えるようにするための処理の流れを示す。

【０２５１】ここでは５枚のバンドパスフィルタを持つ
色分類装置として、図１８に示した第６実施の形態にお
ける画像処理部８２及び画像選択手段８３の各動作を説
明する。

【０２５２】５枚のバンドパスフィルタを用いてデータ
を入力した場合、５枚（すなわち、５次元）の画像が得
られるので、それを初期化して順次に読み出す（ステッ
プ９０１，９０２）。

【０２５３】読み出された画像一枚毎に、必要ならば平
滑化等の画像処理を施しノイズを除去する（ステップ９
０３）。

【０２５４】これを全ての画像にて処理が終了したか否
かを判定し（ステップ９０４）、再度読み出すために、
画像の番号の初期化を行う（ステップ９０５）。

【０２５５】そして、一枚一枚の画像を順に読み出し
（ステップ９０６）、特徴量を抽出する（ステップ９０
７）。

【０２５６】この特徴量が所定の値よりも大きいか否か
を調べ（ステップ９０８）、所定の値よりも大きけれ
ば、その画像の番号をメモリに書き込み（ステップ９０
９）、引き続き次の画像の特徴量を調べる（ステップ９
１０）。

【０２５７】なお、以上において、抽出する特徴量は画
像のコントラストや濃度差等である。

【０２５８】そして、分類手段８４による分類判定は、
選択された画像（すなわち、特徴量が大きくとれるバン
ドパスフィルタによる画像）からのデータだけを使用す
るように制御することで、入力、分類演算ともに扱うデ
ータ量が削減されるのでより高速な分類判定ができる。

【０２５９】また、ノイズを含む画像を分類判定に用い
ないために、より高精度に分類判定することができる。

【０２６０】画像内の微妙な色むら等を検査する際に
は、画像の特徴量として画像のコントラスト、最大濃淡
差等を用いる。

【０２６１】各次元に対応するバンドパスフィルタを用
いて撮像した画像でコントラストや濃淡差が小さいもの
は、色むらを検出するには有効な特徴量を得られないの
でその次元を削減することができる。

【０２６２】コントラストを用いた場合、検出するエリ
ア全体の特徴量がより正確に得られ、濃淡差を用いた場
合は処理速度をより高速にすることができる。

【０２６３】なお、以上のような第１乃至第６実施の形
態における効果をまとめると、以下の通りである。

【０２６４】（１） 全ての２クラス間での判定を基に
総合的にクラス分類を行うので、誤判定が減少する。

【０２６５】（２） 粗く分類する場合には高速な手
法、細かく分類する場合には正確な手法を用いることに
より、高速且つ誤りの少ない判定が可能となる。

【０２６６】（３） 分類手法を直列に用いることによ
り、前段でクラス数を絞り込めるので、後段の処理が高
速となる。

【０２６７】（４） 分類の対象物の数やクラス数に応
じて誤り率や演算速度を考慮し、最適な分類手法を用い
るために、汎用性が高くなる。

【０２６８】（５） 判定結果の信頼性が低い場合には
さらに詳細に判定を行うので、誤り判定率が減少する。

【０２６９】（６） 第１の判定結果の信頼性が低いと
きはさらに詳細な分類を行い、信頼性が高い場合はそこ
で打ち切るので、判定が高速になる。

【０２７０】（７） 学習制御部によって、最小限の学
習で複数対象の分類判定が可能となる。

【０２７１】（８） 分類判定を行いながら学習データ
を更新していくので、予め学習を行うことなしに分類判
定を行うことができる。

【０２７２】（９） 分類に必要のない次元、または妨
げになる次元を削除することにより、高速且つ誤りの少
ない判定が可能となる。

【０２７３】（１０） コントラスト、濃淡差を特徴量
として用いることにより、その次元の画像が分類に有効
か否かを判断するための演算が簡単になる。

【０２７４】ところで、上述した第４実施の形態では、
色むらの有無を検出することはできたが、色むらの大き
さを定量することはできなかった。

【０２７５】そこで、次に、色むらの大きさを定量する
ことができるようにした色むら検査システムに係る基本
構成及び幾つかの実施の形態について説明する。

【０２７６】（基本構成）図２０は、この色むら検査シ
ステムの基本構成を示すブロック図である。

【０２７７】図２０において、マルチスペクトル画像フ
レームメモリ３１８は、図１のフレームメモリ１１８に
相当するものであって、図１の場合と同様にして対象物
のマルチスペクトル画像データが格納されるものとす
る。

【０２７８】このマルチスペクトル画像フレームメモリ
３１８に格納された対象物のマルチスペクトル画像デー
タは、分類演算回路３２８の特徴量抽出部３２９Ａ，Ｂ
に読み出されて所定の処理がなされる。

【０２７９】すなわち、この特徴量抽出部３２９Ａ，Ｂ
は、測色値等を求める処理の場合には、図４の輝度成分
抽出部３０と同様の輝度成分抽出部として機能するが、
標準偏差等の画像の特徴量を必要とする場合には、特徴
量抽出部として機能する。

【０２８０】このうち特徴量抽出部３２９Ａからの輝度
成分あるいは標準偏差等の特徴量は、実質的に後述する
色むら検出部として機能する分類評価部３３０におい
て、対象物の色むら検出を行うのに供される。

【０２８１】また、特徴量抽出部３２９Ｂからの輝度成
分あるいは標準偏差等の画像の特徴量は、実質的に後述
する色むら度合い算出部として機能する分類評価部３４
０において、対象物の色むら度合い算出を行うのに供さ
れる。

【０２８２】すなわち、分類判定部３３０は、対象物の
色分類の分類結果を出力するのに対して、分類評価部３
４０は、対象物の色むら判定等の評価値を出力する。

【０２８３】（第７実施の形態）図２１は、以上のよう
な基本構成に基く第７実施の形態としての色むら検査装
置の構成を示すブロック図である。

【０２８４】先ず、色むら検出処理部３３０と色むら度
合い算出部３４０とを有する色むら検査装置に係る第７
実施の形態について説明する。

【０２８５】上述した第４実施の形態では、色むらの有
無を検出することはできたが、色むらの大きさを定量す
ることはできなかったので、この第７実施の形態では、
色むら度合い算出部３４０を設けて対象物の色むらの度
合いを定量化できる色むら検査システムを実現してい
る。

【０２８６】図２１において、マルチスペクトル画像フ
レームメモリ３１８は、図１のフレームメモリ１１８に
相当するものであって、図１の場合と同様にマルチスペ
クルト画像を取り込めるＣＣＤ撮像素子等で撮像された
対象物のマルチスペクトル画像データが格納されるもの
とする。

【０２８７】このマルチスペクトル画像フレームメモリ
３１８に格納された対象物のマルチスペクトル画像デー
タは、色むら判定部３２８Ａに読み出されて所定の処理
がなされる。

【０２８８】そして、この色むら判定部３２８Ａの処理
出力に基づいて、判定結果出力部３４５から判定結果が
出力されることになる。

【０２８９】この色むら判定部３２８Ａには、前述した
と同様の特徴量抽出部３２９Ａ，Ｂ及び色むら検出処理
部３３０と色むら度合い算出部３４０という２つの処理
部がある。

【０２９０】そして、色むら検出処理部３３０と色むら
度合い算出部３４０とにおけるそれぞれの処理結果は、
色むら検出結果格納メモリ３４２と色むら度合い算出結
果格納メモリ３４４に記憶、保存される。

【０２９１】図２１においては、色むら検出処理と色む
ら度合い算出処理とを並列に行うことができる。

【０２９２】また、色むら度合い算出部３４０では、上
述した第４実施の形態のように濃淡差だけではなく、マ
ルチスペクトル画像の標準偏差、コントラスト、濃度ヒ
ストグラムにおける歪度あるいは尖度等の特徴量を用い
ることによって、精度良く色むら度合いを定量化するこ
とができる。

【０２９３】（第８実施の形態）図２２は、上述した第
７実施の形態のように色むら検出処理と色むら度合い算
出処理とを並列に行うのでなく、それを順列に処理を行
うようにした第８実施の形態としての色むら検査装置の
構成を示すブロック図である。

【０２９４】図２２において、マルチスペクトル画像フ
レームメモリ３１８は、図１のフレームメモリ１１８に
相当するものであって、図１の場合と同様にマルチスペ
クルト画像を取り込めるＣＣＤ撮像素子等で撮像された
対象物のマルチスペクトル画像データが格納されるもの
とする。

【０２９５】このマルチスペクトル画像フレームメモリ
３１８に格納された対象物のマルチスペクトル画像デー
タは、色むら判定部３２８Ｂに読み出されて所定の処理
がなされる。

【０２９６】そして、この色むら判定部３２８Ｂの処理
出力に基づいて、判定結果出力部３４５から判定結果が
出力されることになる。

【０２９７】この色むら判定部３２８Ｂには、前述した
と同様の特徴量抽出部３２９Ａ，Ｂ及び色むら検出処理
部３３０と色むら度合い算出部３４０という２つの処理
部がある。

【０２９８】そして、色むら検出処理部３３０と色むら
度合い算出部３４０とにおけるそれぞれの処理結果は、
色むら検出結果格納メモリ３４２と色むら度合い算出結
果格納メモリ３４４に記憶、保存される。

【０２９９】この場合、マルチスペクトル画像フレーム
メモリ３１８に格納された対象物のマルチスペクトル画
像データは、先ず、処理１のルートにより、特徴量抽出
部３２９Ａを介して色むら検出処理部３３０で色むら検
出が行われる。

【０３００】そして、色むら検出処理部３３０での色む
ら検出の結果を色むら検出結果格納メモリ３４２に保存
した後、次に、処理２のルートにより、特徴量抽出部３
２９Ｂを介して色むら度合い算出部３３０において色む
ら度合いが算出される。

【０３０１】しかるに、このとき、色むら度合い算出部
３４０は、色むら検出結果格納メモリ３４２に保存した
色むら検出結果を参照しながら、色むら度合いを算出す
るようにしている。

【０３０２】なお、以上において、色むら検出結果格納
メモリ３４２に保存した色むら検出の結果が、更新され
た場合には、その都度毎に処理２のルートに移行するよ
うにしてもよい。

【０３０３】また、色むら度合い算出部３４０において
は、マルチスペクトル画像の標準偏差を色むら度合いと
したり、色むら検出処理部３３０での色むら検出の結果
を学習することによって得られる前述したようなフィッ
シヤー比、デクラスタリングクライテリオン法による算
出値を色むら度合いとすることができる。

【０３０４】また、この場合、上述した第４実施の形態
による色むら判定法により、２クラスでの色むら検出を
行った後で、その２クラスで前述したようなＦＳ変換を
してフィッシヤー比等を求めて色むら度合いとすること
もできる。

【０３０５】そして、第８実施の形態としての色むら検
査システムにおいて、処理１のルート及び処理２のルー
トの順序は、上述とは逆にしてもよい。

【０３０６】すなわち、色むら度合いを先に求めてその
色むらの度合いを参照しながら、その色むらを検出する
ようにしてもよいものである。

【０３０７】（第９実施の形態）図２３は、第９実施の
形態として色むら判定部３２８Ｃ内に、特徴量抽出部３
２９と測色値算出部３４７とを有する色むら検査装置の
構成を示すブロック図である。

【０３０８】図２３において、マルチスペクトル画像フ
レームメモリ３１８は、図１のフレームメモリ１１８に
相当するものであって、図１の場合と同様にマルチスペ
クルト画像を取り込めるＣＣＤ撮像素子等で撮像された
対象物のマルチスペクトル画像データが格納されるもの
とする。

【０３０９】このマルチスペクトル画像フレームメモリ
３１８に格納された対象物のマルチスペクトル画像デー
タは、色むら判定部３２８Ｃに読み出されて所定の処理
がなされる。

【０３１０】そして、この色むら判定部３２８Ｃの処理
出力に基づいて、判定結果出力部３４５から判定結果が
出力されることになる。

【０３１１】この色むら判定部３２８Ｃには、色むら検
出処理部３３０と色むら度合い算出部３４０という２つ
の処理部があると共に、特徴量抽出部３２９と測色値算
出部３４７とがある。

【０３１２】そして、色むら検出処理部３３０と色むら
度合い算出部３４０とにおけるそれぞれの処理結果は、
色むら検出結果格納メモリ３４２と色むら度合い算出結
果格納メモリ３４４に記憶、保存される。

【０３１３】この場合、マルチスペクトル画像フレーム
メモリ３１８に格納された対象物のマルチスペクトル画
像データは、色むら判定部３２８Ｃの特徴量抽出部３２
９に読み出されて所定の処理がなされる。

【０３１４】すなわち、この特徴量抽出部３２９は、測
色値を求める処理の場合には、図４の輝度成分抽出部３
０と同様の輝度成分抽出部として機能するが、標準偏差
等の画像の特徴量を必要とする場合には、特徴量抽出部
として機能する。

【０３１５】そして、色むら判定部３２８Ｃ内の測色値
算出部３４７は、マルチスペクトル画像データを得るの
に用いられている図１の回転色フィルタ１１２によるバ
ンドパスフィルタの特性を考慮して測色値を参照するた
めに設けられているものである。

【０３１６】そして、色むら検出処理部３３０で色むら
検出処理を行うとき、または色むら度合い算出部３４０
で色むら度合いの算出を行うときに、測色値算出部３４
７による測色値を参照した処理を行わせる。

【０３１７】これによって、色むら検査を行うときに、
ある一定の色差以上の場合には色むらと判断すると共
に、一定の色差以下の場合には正常と判断することがで
きるようになる。

【０３１８】また、色むら度合い算出部３４０では、色
差の最大値や、測色値、測色値自体の標準偏差等を色む
ら度合いとして用いることができる。

【０３１９】図２４は、図２３の処理の流れを示すフロ
ーチャートである。

【０３２０】この図２４では、色差による色むら検出の
処理の例を示している。

【０３２１】先ず、色むら検出処理が開始されると、マ
ルチスペクトル画像の入力が行われた後、検出エリア全
体の平均の測色値が求められる（ステップＳ１０１，Ｓ
１０２）。

【０３２２】この場合、例えば、Ｌ＊ａ＊ｂ値やＸ，
Ｙ，Ｚｄ刺激値といった測色値が求められる。

【０３２３】そして、検出エリアを分割して、分割エリ
ア番号ｉ＝０を初期値として入力する（ステップＳ１０
３，Ｓ１０４）。

【０３２４】そして、分割エリア１つ１つの測色値を求
めて分割エリアｉの測色値を算出し、検出エリア全体と
の色差値が求められる（ステップＳ１０５，Ｓ１０
６）。

【０３２５】そして、色差が所定以上の値かどうかを調
べて、所定以上の値だった場合には色むらと判定して表
示する（ステップＳ１０７，Ｓ１０８）。

【０３２６】そして、色差が所定以上の値でなければ正
常と判定してする（ステップＳ１０９）。

【０３２７】そして、全ての分割エリアについて判定が
終了したかを調べ、判定していない場合には、分割エリ
ア番号を１つインクリメントして、処理を繰り返し行う
（ステップＳ１１０，Ｓ１１１）。

【０３２８】続いて、図２５は、色差による色むら度合
い検出の例を示すフローチャートである。

【０３２９】先ず、色むら度合い検出処理が開始される
と、マルチスペクトル画像の入力が行われた後、検出エ
リア全体の平均の測色値が求められる（ステップＳ１１
２，Ｓ１１３）。

【０３３０】この場合、例えば、Ｌ＊ａ＊ｂ値やＸ，
Ｙ，Ｚｄ刺激値といった測色値が求められる。

【０３３１】そして、検出エリアを分割して、分割エリ
ア番号ｉ＝０を初期値として入力する（ステップＳ１１
４，Ｓ１１５）。

【０３３２】そして、分割エリア１つ１つの測色値を求
めて分割エリアｉの測色値を算出し、検出エリア全体と
の色差値が求められる（ステップＳ１１６，Ｓ１１
７）。

【０３３３】次に、算出した色差を色むら度合い算出結
果保存メモリ３４４に保存して、全ての分割エリアにつ
いて色差算出が終了したかを調べ、算出していない場合
には、分割エリア番号を１つインクリメントして、処理
を繰り返し行う（ステップＳ１１８，Ｓ１１９，Ｓ１２
０）。

【０３３４】そして、全ての分割エリアで色差を求めた
後に、検出エリア全体の色むら度合いを色むら度合い算
出結果保存メモリ３４４に記憶されている全ての分割エ
リアにおける色差を総合的にフィルタ計算して、検出エ
リア全体の色むら度合いを検出して処理を終了する（ス
テップＳ１２１）。

【０３３５】図２６は、図２１の処理の流れの中の色む
ら度合い算出処理を示すフローチャートである。

【０３３６】すなわち、図２６は、一つの分割エリアを
１次データとして扱うことができるとき、フィルタ毎に
色むら度合いを算出して総合的な色むら度合いを数値化
する例である。

【０３３７】この場合、先ず、色むら度合い算出を行う
際に、まず入力されたマルチスペクトル画像における使
用フィルタの選択基準によって、色むら度合い算出に用
いるフィルタとしてどのフィルタ（任意の枚数）を用い
るかが決定される（ステップＳ１２２，Ｓ１２３）。

【０３３８】そして、用いるフィルタの中で、まずフィ
ルタ番号ｉ＝０を初期値として入力する（ステップＳ１
２４）。

【０３３９】そして、フィルター１枚１枚に対して検出
エリア全体の色むら度合いを標準偏差（濃淡差標準偏
差）等により算出して、それを色むら度合い判定結果メ
モリ３４４に記憶する（ステップＳ１２５，Ｓ１２
６）。

【０３４０】そして、全ての使用フィルタにて判定が終
了したかどうかを調べて、判定していない場合には、分
割エリア番号を１つインクリメントして、処理を繰り返
し行うことにより、全ての使用フィルタにて色むら度合
いを算出する（ステップＳ１２７，Ｓ１２８）。

【０３４１】そして、全ての使用フィルタにて判定が終
了していれば、判定結果メモリに保存された全てフィル
ター毎の色むら度合いを総合的に計算して、対象物の色
むら度合いを数値化する（ステップＳ１２９）。

【０３４２】（第１０実施の形態）図２７は、色むら判
定部３２８Ｄ内に、正常部データ作成部３４９を有して
色むら判定、色むら検査を行うようにした第１０実施の
形態としての色むら検査装置の構成を示すブロック図で
ある。

【０３４３】図２７において、マルチスペクトル画像フ
レームメモリ３１８は、図１のフレームメモリ１１８に
相当するものであって、図１の場合と同様にマルチスペ
クルト画像を取り込めるＣＣＤ撮像素子等で撮像された
対象物のマルチスペクトル画像データが格納されるもの
とする。

【０３４４】このマルチスペクトル画像フレームメモリ
３１８に格納された対象物のマルチスペクトル画像デー
タは、色むら判定部３２８Ｄに読み出されて所定の処理
がなされる。

【０３４５】そして、この色むら判定部３２８Ｄの処理
出力に基づいて、判定結果出力部３４５から判定結果が
出力されることになる。

【０３４６】この色むら判定部３２８Ｄには、色むら検
出処理部３３０と色むら度合い算出部３４０という２つ
の処理部がある。

【０３４７】そして、色むら検出処理部３３０と色むら
度合い算出部３４０とにおけるそれぞれの処理結果は、
色むら検出結果格納メモリ３４２と色むら度合い算出結
果格納メモリ３４４に記憶、保存される。

【０３４８】この場合、先ず、マルチスペクトル画像フ
レームメモリ３１８に格納された対象物のマルチスペク
トル画像データは、色むら判定部３２８Ｄにおけるスイ
ッチ３４８によってルート１の正常部データ作成部３４
９に前述したと同様の特徴量抽出部３２９Ａを介して入
力される。

【０３４９】この正常部データ作成部３４９では、先
ず、正常部データ算出部３５０で正常部データを算出
し、それを正常部データ格納部メモリ３５１に保存す
る。

【０３５０】そして、次に、スイッチ３４８によってル
ート２の処理に切り替えて、前述したと同様の特徴量抽
出部３２９Ｂ及び３２９Ｃを介して色むら検出処理部３
３０と色むら度合い算出部３４０とによる色むら判定処
理行う際に、色むら判定部３２８Ｂでは、予め正常部デ
ータ格納部メモリ３５１に保存されている正常部データ
を参照しながら色むら検出処理や、色むら度合い算出を
行って判定結果を出力する。

【０３５１】この正常部データ作成部３４９としては、
入力されたあるいはファイルからロードした基準測色値
や基準標準偏差等を用いることができる。

【０３５２】この場合、正常部データを一度作成したら
次の対象物からそれと同じ正常部データでよい場合に
は、ルート２の処理から始めるようにしてもよい。

【０３５３】また、正常部データ作成部３４９として
は、マルチスペクトル画像フレームメモリ３１８に格納
された対象物のマルチスペクトル画像データから算出し
た検出エリア内の平均やメディアンの値や、検出エリア
全体にローパスフィルタを掛けた画像を用いることがで
きる。

【０３５４】この場合、その都度毎に、ルート１及びル
ート２の処理を順列で行う必要がある。

【０３５５】こうすることによって、正常部学習データ
を指定しないで対象物の色むらの検査を行うことができ
る。

【０３５６】（第１１実施の形態）図２８は、色むら判
定部３２８Ｅ内に、正常部データ作成部３４９及び新規
クラス作成部３５４を有して色むら判定、色むら検査を
行うようにした第１１実施の形態としての色むら検査装
置の構成を示すブロック図である。

【０３５７】図２８において、マルチスペクトル画像フ
レームメモリ３１８は、図１のフレームメモリ１１８に
相当するものであって、図１の場合と同様にマルチスペ
クルト画像を取り込めるＣＣＤ撮像素子等で撮像された
対象物のマルチスペクトル画像データが格納されるもの
とする。

【０３５８】このマルチスペクトル画像フレームメモリ
３１８に格納された対象物のマルチスペクトル画像デー
タは、色むら判定部３２８Ｅに読み出されて所定の処理
がなされる。

【０３５９】そして、この色むら判定部３２８Ｅの処理
出力に基づいて、判定結果判断部３５２から判定結果が
出力されることになる。

【０３６０】この色むら判定部３２８Ｅには、色むら検
出処理部３３０と色むら度合い算出部３４０という２つ
の処理部がある。

【０３６１】そして、色むら検出処理部３３０と色むら
度合い算出部３４０とにおけるそれぞれの処理結果は、
色むら検出結果格納メモリ３４２と色むら度合い算出結
果格納メモリ３４４に記憶、保存される。

【０３６２】この場合、先ず、マルチスペクトル画像フ
レームメモリ３１８に格納された対象物のマルチスペク
トル画像データは、色むら判定部３２８Ｅにおける前述
したと同様の特徴量抽出部３２９を介してスイッチ３４
８によってルート１の正常部データ作成部３４９に入力
される。

【０３６３】この正常部データ作成部３４９では、前述
したと同様にして正常部データを作成する。

【０３６４】次に、スイッチ３４８によってルート２に
切換えて、色むら検出処理部３３０で、前述したと同様
にして色むら検出処理が行われ、その色むら検出の結果
が色むら検出結果格納メモリ３４２に保存される。

【０３６５】そして、新規クラス作成部３５４では、ク
ラスデータ更新部３５３による判定結果判断部３５２か
らの色むら判定結果を参照しながら、クラスデータを更
新するか否かすなわち、そのクラスデータを元に新しい
クラスが作成できるかどうかを調べて、新しいクラスが
作成できる場合には、新しいクラスを作成する。

【０３６６】そして、新しいクラスに基いて、再度、色
むら検出処理にフィードバックを掛けるような手法が実
行される。

【０３６７】なお、新規クラス作成部３５４で新しいク
ラスをどのようにして作成するかについては、それの学
習処理部３５５においてユークリッドやマハラノビス距
離による補間で新しいクラスを作成し、それを新規クラ
ス登録部３５６に登録することができる。

【０３６８】また、新規クラス作成部３５４では、マル
チスペクトル空間における各画素のベクトルのベクトル
の内積値を閾値によってクラスタリングすることによっ
て新しいクラスを登録することができる。

【０３６９】あるいは、新規クラス作成部３５４では、
色むら検出結果格納メモリ３４２に保存される各画素を
前述したようなＦＳ変換や、多変量解析等で学習するこ
とによって新しいクラスを登録するようにしてもよい。

【０３７０】このようして、第１１実施の形態では、色
むら検出処理にフィードバック処理を使用することによ
り、第４実施の形態の色むら検出では色むらの有無のみ
を示す二値しか出力できなかったのが、色むらを多値で
出力することができるようになる。

【０３７１】図２９及び図３０は、このような第１１実
施の形態によって色むら多値判定を行う場合のフローチ
ャートを示している。

【０３７２】色むら検出処理が開始されると、先ず、マ
ルチスペクトル画像データが入力されて、検出エリア平
均ベクトルが作成され、その平均ベクトルが正常部学習
データとされる（ステップＳ１３０，Ｓ１３１）。

【０３７３】そして、検出エリアを分割した後、最大色
むら度合いの最大値をＭａｘ＝０と初期化すると共に、
分割エリア番号もｉ＝０と初期化する（ステップＳ１３
２，Ｓ１３３，Ｓ１３４）。

【０３７４】そして、分割エリアｉの１つ１つの平均ベ
クトルを求めた後、正常部学習データとの多次元空間内
の距離（ユークリッド、マハラノビス）Ｄを算出する
（ステップＳ１３５，Ｓ１３６）。

【０３７５】そして、このＤが最大値かどうかを判定す
るが、先に、Ｍａｘ＝０と設定したので、１回目は必ず
ＹＥＳの方に分岐することになるが、このとき一番距離
が大きいかどうか、すなわち、Ｍａｘ＝Ｄを調べておく
ものとする（ステップＳ１３７，Ｓ１３８）。

【０３７６】そして、距離ＤがＭａｘよりも大きけれ
ば、すなわち、色むら度合いＭａｘよりも大きければ、
Ｍａｘ＝Ｄと入力して、分割エリアｉの平均ベクトルを
再遠距離学習データとして、最もむらの大きい学習デー
タとして記憶する（ステップＳ１３９）。

【０３７７】そして、全ての分割エリアでの判定が終了
したか否かをて判定して、終了していなければ、分割エ
リア番号をｉ＝ｉ＋１とインクリメントして、ステップ
Ｓ１３５以降の処理を繰り返す（ステップＳ１４０，Ｓ
１４１）。

【０３７８】そして、全ての分割エリアにての判定を行
った後、多値出力のために、何段階で判定するかを決定
する（この場合は仮にクラス数＝５として、５段階に分
けることにする。ステップＳ１４２）。

【０３７９】そして、正常部学習データの平均ベクトル
と最も遠い距離にあったむらの学習部データの平均ベク
トルとの差ベクトルを求める（ステップＳ１４４）。

【０３８０】この差ベクトルを分割クラスに等分割し、
各クラスの平均ベクトルを算出することによって、多ク
ラスを定義することができる。

【０３８１】そして、もう一度色むらの判定処理を行う
ために、もう一度分割エリア番号をｉ＝０と初期化し
て、分割エリアの平均ベクトルがどのクラスの平均ベク
トルの学習データのベクトルに最も近いを繰り返し計算
する（ステップＳ１４５，Ｓ１４６，Ｓ１４７）。

【０３８２】そして、全ての分割エリアでの判定が終了
したか否かをて判定して、終了していなければ、分割エ
リア番号をｉ＝ｉ＋１とインクリメントして、ステップ
Ｓ１４６以降の処理を繰り返す（ステップＳ１４８，Ｓ
１４９）。

【０３８３】そして、その計算から学習データを更新し
て、判定結果判定部３５２で再検査を行うかどうかを調
べて、必要であればフィードバック処理をするようにな
っている（ステップＳ１５０，Ｓ１５１）。

【０３８４】このようにして新規クラス作成部３５６を
設けることによって、第４実施の形態の色むら検出では
二値出力しかできなかったのが、第１１実施の形態では
色むらを多値で出力することができるようになる。

【０３８５】すなわち、第１１実施の形態では、前述し
たように、繰り返しフィードバック処理することによっ
て、１回目の色むら判定で二値に出力された結果を元に
学習することによって、色むら部と正常部のマルチスペ
クトル空間内の分類ベクトルを作成することができる。

【０３８６】そして、２度目の色むら判定処理部では求
めた分類ベクトルに投影することによって、色むらを多
値で出力することができる。

【０３８７】（第１２実施の形態）図３１は、色むら判
定部３６９と、判定結果出力部３４５と、処理コントロ
ール部３５８とを有して色むら判定、色むら検査の処理
時間を短縮するようにした第１２実施の形態としての色
むら検査装置の構成を示すブロック図である。

【０３８８】図３１において、マルチスペクトル画像フ
レームメモリ３１８は、図１のフレームメモリ１１８に
相当するものであって、図１の場合と同様にマルチスペ
クルト画像を取り込めるＣＣＤ撮像素子等で撮像された
対象物のマルチスペクトル画像データが格納されるもの
とする。

【０３８９】このマルチスペクトル画像フレームメモリ
３１８に格納された対象物のマルチスペクトル画像デー
タは、スイッチ３５７の自動判定モード切換え時に、色
むら判定部３４０に読み出されて所定の処理がなされ
る。

【０３９０】そして、この色むら判定部３４０の処理出
力に基づいて、判定結果出力部３４５から判定結果が出
力されることになる。

【０３９１】図３１で、処理コントロール部３５８は、
図１のコントロール部１２６内部をハードウェアコント
ロール部及び処理コントロール部とに分けたとき、後者
の処理コントロール部に相当する構成を示しており、こ
の構成によって色むら判定、色むら検査の精度を向上す
ることができると共に、処理時間を短縮することができ
る。

【０３９２】この処理コントロール部３５８の構成は、
前述した第１乃至第６実施の形態において、多クラス分
類を行う場合にも適用することができるものである。

【０３９３】そして、この処理コントロール部３５８に
は、色むらの検査エリア決定部３６３と、使用マルチス
ペクトル画像決定部３６６と、処理順番決定部３６０と
が備えられている。

【０３９４】先ず、検出エリア決定部３６３では、最初
の処理時に、それの画像処理部３６４で画像処理を行っ
て、検出エリア自体を検出エリア格納メモリ３６５に保
存する。

【０３９５】そして、次の処理で色むら判定を行うとき
に、この検出エリア格納メモリ３６５を参照しながら、
色むら判定が行われる。

【０３９６】この検出エリア決定部３６３では、二値化
や輪郭抽出または特定の色を抽出することにより、これ
までの画像の中の長方形で囲えるようなエリアだけでな
く、複雑な部分の色むらの判定処理を行うことができる
と共に、その判定エリアを限定して画素数を減らすこと
によって色むら判定処理の時間を短縮することができ
る。

【０３９７】また、使用マルチスペクトル画像決定部３
６６では、最初の処理時に、それの画像特徴量算出部３
６７の処理でマルチスペクトル画像の特徴量を算出し、
その特徴量を元に使用画像決定部３６８で使用画像を決
定し、その決定された使用画像番号を使用画像番号格納
メモリ３６９に格納する。。

【０３９８】そして、色むら判定部３４０では、この使
用画像番号格納メモリ３６９を参照しながら、そのフィ
ルタにおける画像を使うか、使わないかを判断した後で
前述した実施の形態と同様の色むら判定処理を行って判
定結果出力部３４５から判定結果が出力されるようにし
ている。

【０３９９】また、使用マルチスペクトル画像決定部３
６６では、コントラストや濃淡差、濃度ヒストグラムの
特徴量や平均値、標準偏差等を使うことができる。

【０４００】さらに、処理順番決定部３６０では、スイ
ッチ３５７の学習判定モード切換え時に、それの処理時
間算出部３６１を介して処理時間を算出して、処理順番
を決定し、その処理順番を処理順番格納メモリ３６２に
格納する。

【０４０１】ここで、処理順番決定とは、上記検出エリ
ア決定部３６３及び使用マルチスペクトル画像決定部３
６６での処理をいずれを先に行うかを決定するもので、
処理順番格納メモリ３６２に格納された処理順番データ
に従って、スイッチ３５９によって処理の順番が切り替
えられるようになっている。

【０４０２】そして、学習判定モードというのは毎回の
処理について、毎回検出エリア決定部３６３や使用マル
チスペクトル画像決定部３６６を通してから色むら判定
を行うと場合である。

【０４０３】また、自動判定モードというのは、測定条
件が変わらないつまり測定条件が一定の場合に、順次に
未知対象物の色むら判定を行うと場合である。

【０４０４】まず、始めに、検出エリア格納部メモリ３
６５や使用画像番号格納メモリ３６９に何も入っていな
い状態では、それらのメモリに検出エリアや、使用マル
チスペクトル画像の番号を入れるために、各種判定を行
うことになる。

【０４０５】一度目の学習判定モードでは、まず対象物
のマルチスペクトル画像データからそれぞれの検出エリ
ア決定や使用マルチスペクトル画像の決定、必要な処理
時間が算出される。

【０４０６】そして、その処理時間から処理の順番を決
定して、それを処理順番格納メモリ３６２に格納する。

【０４０７】この処理順番データがスイッチ３５９にフ
ィードバックされることによって、例えば、マルチスペ
クトル画像を決める時間が、検出エリアを決める時間よ
りも長い場合は、必ず、検出エリアを先に決定してから
使用画像を決定することになる。

【０４０８】また、検出エリアの決定に掛かる時間の方
が使用マルチスペクトル画像の決定よりも長い場合は先
に使用マルチスペクトル画像を決定することになる。

【０４０９】こうして、処理順番を処理時間を元に入れ
替えることによって、全体の処理時間を短縮させること
ができる。

【０４１０】そして、学習判定モードや自動判定モード
時に、色むら判定部３４０によって色むら判定を行う場
合には、検出エリア格納メモリ３６５と使用画像番号格
納メモリ３６９を参照しながら色むら判定処理を行って
判定結果を判定結果出力部３４５に送ることができる。

【０４１１】なお、以上のような第７乃至第１２実施の
形態における効果をまとめると、以下の通りである。

【０４１２】（１） 対象物の色むらの度合いを定量で
きる色むら検査システムを実現することができる。

【０４１３】（２） 色むら検査を行うときに、ある一
定の色差以上の場合には色むらと判断すると共に、一定
の色差以下の場合には正常と判断することができる。

【０４１４】（３） 測色値を用いて、検出処理や色む
ら度合い算出を行う場合に、フィルタ毎に色むら度合い
を算出して総合的な色むら度合いを数値化することがで
きる。

【０４１５】（４） 正常部学習データを指定しないで
対象物の色むらの検査を行うことができる。

【０４１６】（５） 色むらを多値で出力することがで
きる。

【０４１７】（６） 色むら判定、色むら検査の精度を
向上することができると共に、処理時間を短縮すること
ができる。

【０４１８】

【発明の効果】従って、本発明によれば、複数のバンド
パスフィルタを介して得られるマルチスペクトル画像を
用いて対象物の色分類処理を行うものであって、装置構
成が簡単で、低コストで、且つ機械的振動にも耐えら
れ、しかも光源を限定せずにそのスペクトルが変化する
場合などにも良好に対象物の色分類を行うことが可能で
あると共に、対象物を分類判定するのに最適な分類判定
法を用いるようにすることにより、さらに分類精度を向
上し得るようにした色分類装置を提供することができ
る。

【０４１９】また、本発明によれば、複数のバンドパス
フィルタを介して得られるマルチスペクトル画像を用い
て対象物の色むら検査処理を行うものであって、装置構
成が簡単で、低コストで、且つ機械的振動にも耐えら
れ、しかも光源を限定せずにそのスペクトルが変化する
場合などにも良好に対象物の色むら検査処理を行うこと
が可能であると共に、対象物の色むら検査処理の精度を
向上し得るようにした色むら検査装置を提供することが
できる。

【図面の簡単な説明】

【図１】本発明の基本実施の形態の色分類装置を示すブ
ロック図。

【図２】本発明の基本実施の形態に用いる回転色フィル
タの模式図。

【図３】本発明の基本実施の形態の動作を説明するフロ
ーチャート。

【図４】本発明の基本実施の形態の分類演算回路を示す
ブロック図と基本例の分類演算部を示すブロック図及び
基本例の分類スペクトル選択回路を示すブロック図。

【図５】本発明の第１実施の形態の色分類演算回路を示
すブロック図。

【図６】本発明の第１実施の形態の分類判定部を示すブ
ロック図。

【図７】本発明の第１実施の形態の分類決定部を示すブ
ロック図。

【図８】本発明の第１実施の形態の分類判定部の変形例
を示すブロック図。

【図９】本発明の第１実施の形態の分類決定部の変形例
を示す図。

【図１０】本発明の第１実施の形態の分類結果の例を示
す図。

【図１１】本発明の第２実施の形態の色分類演算回路を
示すブロック図。

【図１２】本発明の第３実施の形態の色類演算回路を示
すブロック図。

【図１３】本発明の第３実施の形態の処理の流れを示す
フローチャート。

【図１４】本発明の第４実施の形態の色分類演算回路を
示すブロック図。

【図１５】本発明の第４実施の形態において色ムラを検
出する場合の処理の流れを示すフローチャート。

【図１６】本発明の第５実施の形態の色分類演算回路を
示すブロック図。

【図１７】本発明の第５実施の形態の処理の流れを示す
フローチャート。

【図１８】本発明の第６実施の形態の色分類演算回路を
示すブロック図。

【図１９】本発明の第６実施の形態の要部の処理の流れ
を示すフローチャート。

【図２０】本発明による色むら検査装置の基本構成を示
すブロック図。

【図２１】本発明の第７実施の形態の色むら検査装置を
示すブロック図。

【図２２】本発明の第８実施の形態の色むら検査装置を
示すブロック図。

【図２３】本発明の第９実施の形態の色むら検査装置を
示すブロック図。

【図２４】本発明の第９実施の形態の色むら検査装置の
要部の処理の流れを示すフローチャート。

【図２５】本発明の第９実施の形態の色むら検査装置の
要部の処理の流れを示すフローチャート。

【図２６】本発明の第９実施の形態の色むら検査装置の
要部の処理の流れを示すフローチャート。

【図２７】本発明の第１０実施の形態の色むら検査装置
を示すブロック図。

【図２８】本発明の第１１実施の形態の色むら検査装置
を示すブロック図。

【図２９】本発明の第１１実施の形態の色むら検査装置
の要部の処理の流れを示すフローチャート。

【図３０】本発明の第１１実施の形態の色むら検査装置
の要部の処理の流れを示すフローチャート。

【図３１】本発明の第１２実施の形態の色むら検査装置
を示すブロック図。

【図３２】従来の色識別装置の分類境界を説明する図。

【図３３】従来の色識別装置の構成を示す図。

【図３４】従来の色識別装置の分類スペクトルの一例を
示す図である。

【符号の説明】

１０１…筐体、 １１０…光学系、 １０１…絞り、 １２６…絞り制御回路、 １１２Ａ〜１１２Ｅ…バンドパスフィルタ、 １１２…回転色フィルタ、 １２３…フィルタ位置センサ、 １２４…モーター、 １２４ａ…モーター駆動回路、 １１４…撮像素子、 １１５…増幅器、 １１６…Ａ／Ｄ変換器、 １１８…フレームメモリ、 １２８…分類演算回路、 １２９…露光値メモリ、 １２６…コントロール回路、 １２２…撮像素子駆動回路、 ３０…輝度成分抽出部、 １３…スイッチ、 １４…分類判定部、 １５…学習制御部、 １６…分類演算部、 １７…分類決定部、 ４１，４２…分類判定部、 ５１…判定結果演算部、 ７１…クラス情報データベース、 ７２…分類判定方法選択機能部、 ７３…データベース更新部、 ８１…マルチスペクトル画像撮像部、 ８２…画像処理部、 ８３…画像選択手段、 ８４…分類手段、 ３１８…マルチスペクトル画像フレームメモリ、 ３２８…分類演算回路、 ３２９（Ａ，Ｂ，Ｃ）…特徴量抽出部、 ３３０…分類判定部、 ３４０…分類評価部（色むら判定部）、 ３４１…色むら検出処理部、 ３４２…色むら検出結果格納メモリ、 ３４３…色むら度合い算出部、 ３４４…色むら度合い算出結果格納メモリ、 ３４５…判定結果出力部、 ３４７…測色値算出部、 ３４８…スイッチ、 ３４９…正常部データ作成部、 ３５３…クラスデータ更新部、 ３５４…新規クラス作成部、 ３５７…スイッチ、 ３５８…処理コントロール部、 ３６０…処理順番決定部、 ３６３…検出エリア決定部、 ３６６…使用マルチスペクトル画像決定部。

Claims (21)

【特許請求の範囲】
1. 【請求項１】 対象物の反射光を撮像する撮像手段と、 前記対象物の反射光を前記撮像手段にそれぞれ異なる帯
   域を持つマルチスペクトル画像として結像させる光学手
   段と、 前記撮像手段によって撮像された対象物のマルチスペク
   トル画像データから統計的手法を用いた分類のための分
   類スペクトルを算出し、この分類スペクトルを用いて前
   記対象物の分類を複数クラスにおいて行う分類手段とを
   具備し、 前記分類手段は、 前記複数クラスの内の全ての２クラス間の組み合わせに
   ついて１種類の分類判定法により分類判定を行う分類演
   算部と、 前記分類演算部からの各２クラス間の分類判定の結果を
   総合的に判定する分類決定部とを備えていることを特徴
   とする色分類装置。
2. 【請求項２】 対象物の反射光を撮像する撮像手段と、 前記対象物の反射光を前記撮像手段にそれぞれ異なる帯
   域を持つマルチスペクトル画像として結像させる光学手
   段と、 前記撮像手段によって撮像された対象物のマルチスペク
   トル画像データから統計的手法を用いた分類のための分
   類スペクトルを算出し、この分類スペクトルを用いて前
   記対象物の分類を複数クラスにおいて行う分類手段とを
   具備し、 前記分類手段は、 それぞれ互いに異なる複数の種類の分類判定法によって
   前記複数クラスの分類判定を行う複数の分類判定部を備
   えていることを特徴とする色分類装置。
3. 【請求項３】 前記複数の分類判定部は直列に接続され
   ていて互いに異なる複数の分類判定法によった分類判定
   が重畳的に行われることを特徴とする請求項２に記載の
   色分類装置。
4. 【請求項４】 前記分類手段は、さらに、 前記対象物のクラス情報が予め記憶されているクラス情
   報データベースと、 前記クラス情報データベースからのクラス情報に基いて
   前記複数の分類判定部での分類処理及び絞込方法を選択
   する分類判定選択機能部とを備えていることを特徴とす
   る請求項２に記載の色分類装置。
5. 【請求項５】 前記分類手段は、さらに、 前記一乃至複数の分類判定部の判定結果を判断する判定
   結果判断部を備えていることを特徴とする請求項２また
   は４に記載の色分類装置。
6. 【請求項６】 前記判定結果判断部は、 前記複数の分類判定部における第１の分類判定部の判定
   結果に基いて第２の分類判定部での分類判定を行うか否
   かを判断して処理することを特徴とする請求項５に記載
   の色分類装置。
7. 【請求項７】 前記判定結果判断部は、 前記複数の分類判定部における第１及び第２の分類判定
   部での分類判定が重畳的に行われた後、前記第２の分類
   判定部の判定結果に基いて再度前記第２の分類判定部で
   の分類判定を行うか否かを判断して処理することを特徴
   とする請求項５に記載の色分類装置。
8. 【請求項８】 前記分類手段は、さらに、 予め、前記マルチスペクトル画像データに対する所定の
   学習を行って該学習データに基いて前記分類手段による
   分類処理を制御する学習制御部を備えていることを特徴
   とする請求項１乃至７のいずれかに記載の色分類装置。
9. 【請求項９】 前記分類手段は、さらに、 前記分類判定を行いながら学習データを更新する学習デ
   ータ更新部を備えていることを特徴とする請求項１乃至
   ７のいずれかに記載の色分類装置。
10. 【請求項１０】 対象物の反射光をそれぞれ異なる帯域
    を有するマルチスペクトル画像として撮像するマルチス
    ペクトル画像撮像手段と、 前記マルチスペクトル画像撮像手段によって撮像された
    対象物のマルチスペクトル画像データから特徴量を抽出
    すると共に、抽出された特徴量が所定の値より大きいマ
    ルチスペクトル画像データのみを選択して出力する画像
    選択手段と、 前記画像選択手段によって選択されたマルチスペクトル
    画像データから統計的手法を用いた分類のための分類ス
    ペクトルを算出し、該分類スペクトルを用いて前記対象
    物の分類を行う分類手段とを具備したことを特徴とする
    色分類装置。
11. 【請求項１１】 前記画像選択手段によって抽出される
    特徴量が、前記マルチスペクトル画像撮像手段によって
    撮像されるマルチスペクトル画像におけるコントラスト
    及び濃淡差の少なくともいずれか一方を含むことを特徴
    とする請求項１０に記載の色分類装置。
12. 【請求項１２】 対象物のマルチスペクトル画像データ
    を提供するマルチスペクトル画像提供手段と、 前記マルチスペクトル画像提供手段からのマルチスペク
    トル画像データの特徴量を抽出する特徴量抽出手段と、 この特徴量抽出手段からの特徴量に基いて色むら判定を
    行なう色むら判定手段と、 前記色むら判定手段からの色むら判定結果に基いて色む
    ら判定結果を出力する判定結果出力手段とを具備したこ
    とを特徴とする色むら検査装置。
13. 【請求項１３】 前記色むら判定手段は、 前記マルチスペクトル画像提供手段からのマルチスペク
    トル画像データに基いて色むら検出処理と色むら度合い
    算出とを平行または順列に行なう色むら検出処理手段及
    び色むら度合い算出手段とを含むことを特徴とする請求
    項１２に記載の色むら検査装置。
14. 【請求項１４】 前記色むら判定手段は、 前記色むら検出処理手段及び色むら度合い算出手段から
    の色むら検出処理結果及び色むら度合い算出結果とをそ
    れぞれ格納する色むら検出処理結果格納メモリ及び色む
    ら度合い算出結果格納メモリとを含むことを特徴とする
    請求項１３に記載の色むら検査装置。
15. 【請求項１５】 前記色むら判定手段は、 前記色むら検出処理手段及び色むら度合い算出手段のう
    ちの少なくとも一方において検出エリアの測色値及び色
    差値のうちの少なくとも一方を求めるための測色値を算
    出する測色値算出手段を含むことを特徴とする請求項１
    ３に記載の色むら検査装置。
16. 【請求項１６】 前記色むら判定手段は、 前記色むら検出処理手段及び色むら度合い算出手段から
    の色むら検出処理結果及び色むら度合い算出結果並びに
    前記測色値算出手段による測色値から求められる検出エ
    リアの色差値とをそれぞれ格納する色むら検出処理結果
    格納メモリ及び色むら度合い算出結果格納メモリとを含
    むことを特徴とする請求項１５に記載の色むら検査装
    置。
17. 【請求項１７】 前記色むら判定手段は、 予め正常部データを作成する正常部データ作成手段をさ
    らに具備し、 この正常部データ作成手段による正常部データを前記色
    むら検出処理手段及び色むら度合い算出手段による色む
    ら検出処理及び色むら度合い算出時に参照可能としたこ
    とを特徴とする請求項１３に記載の色むら検査装置。
18. 【請求項１８】 前記色むら判定手段は、 前記色むら検出処理手段及び色むら度合い算出手段から
    の色むら検出処理結果及び色むら度合い算出結果を判断
    する判定結果判断手段と、 この判定結果判断手段による判定結果の判断に基いてク
    ラスデータを更新するクラスデータ更新手段と、 このクラスデータ更新手段によるクラスデータに基いて
    新規クラスを作成する新規クラス作成手段とをさらに具
    備し、 この新規クラス作成手段による新規クラスを前記色むら
    検出処理手段及び色むら度合い算出手段による色むら検
    出処理及び色むら度合い算出時にフィードバック可能と
    したことを特徴とする請求項１３に記載の色むら検査装
    置。
19. 【請求項１９】 前記色むら判定手段は、 予め検出エリアを決定する検出エリア決定手段をさらに
    具備し、 この検出エリア決定手段による検出エリアを前記色むら
    検出処理手段及び色むら度合い算出手段による色むら検
    出処理及び色むら度合い算出時に参照可能としたことを
    特徴とする請求項１３に記載の色むら検査装置。
20. 【請求項２０】 前記色むら判定手段は、 前記マルチスペクトル画像提供手段からのマルチスペク
    トル画像データに基いて予め使用マルチスペクトル画像
    を決定する使用マルチスペクトル画像決定手段をさらに
    具備し、 この使用マルチスペクトル画像決定手段による使用マル
    チスペクトル画像を前記色むら検出処理手段及び色むら
    度合い算出手段による色むら検出処理及び色むら度合い
    算出時に参照可能としたことを特徴とする請求項１３に
    記載の色むら検査装置。
21. 【請求項２１】 前記色むら判定手段は、 予め検出エリアを決定する検出エリア決定手段と、 前記マルチスペクトル画像提供手段からのマルチスペク
    トル画像データに基いて予め使用マルチスペクトル画像
    を決定する使用マルチスペクトル画像決定手段と、 予め前記検出エリア決定手段及び使用マルチスペクトル
    画像決定手段との処理順番を決定する処理順番決定手段
    とをさらに具備し、 この処理順番決定手段による処理順番に基いて前記検出
    エリア決定手段による検出エリア及び使用マルチスペク
    トル画像決定手段による使用マルチスペクトル画像を前
    記色むら検出処理手段及び色むら度合い算出手段による
    色むら検出処理及び色むら度合い算出時に参照可能とし
    たことを特徴とする請求項１３に記載の色むら検査装
    置。