JPH0955165A - ディスプレイ調整装置及びディスプレイ調整方法及びそれを用いて調整されたディスプレイ - Google Patents
ディスプレイ調整装置及びディスプレイ調整方法及びそれを用いて調整されたディスプレイInfo
- Publication number
- JPH0955165A JPH0955165A JP20625895A JP20625895A JPH0955165A JP H0955165 A JPH0955165 A JP H0955165A JP 20625895 A JP20625895 A JP 20625895A JP 20625895 A JP20625895 A JP 20625895A JP H0955165 A JPH0955165 A JP H0955165A
- Authority
- JP
- Japan
- Prior art keywords
- display
- adjustment
- learning
- feature
- screen
- 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
- Manufacture Of Electron Tubes, Discharge Lamp Vessels, Lead-In Wires, And The Like (AREA)
Abstract
(57)【要約】
【課題】 ディスプレイを工場から出荷する際にはフォ
ーカス等の調整が行なわれているが現在これらの作業は
主に人手に行なわれており、効率が悪かった。また、エ
キスパートシステムにより自動化を行なうものもあった
が、ルールやデータの入力作業が複雑であり、多機能へ
の対応が困難であった。 【解決手段】 ニューラルネットワークを用いて調整パ
ラメータからディスプレイの表示状態を表わす特徴への
写像を学習した後、そのニューラルネットワークを使っ
て調整を行なうことにより容易にディスプレイの調整を
行なう。
ーカス等の調整が行なわれているが現在これらの作業は
主に人手に行なわれており、効率が悪かった。また、エ
キスパートシステムにより自動化を行なうものもあった
が、ルールやデータの入力作業が複雑であり、多機能へ
の対応が困難であった。 【解決手段】 ニューラルネットワークを用いて調整パ
ラメータからディスプレイの表示状態を表わす特徴への
写像を学習した後、そのニューラルネットワークを使っ
て調整を行なうことにより容易にディスプレイの調整を
行なう。
Description
【０００１】
【発明の属する技術分野】本発明はディスプレイ調整装
置及びディスプレイ調整方法及びそれを用いて調整され
たディスプレイに係り、特に、工場出荷前にディスプレ
イの画面サイズ、位置歪みやフォーカス、色調等の表示
状態を調整するためのディスプレイ調整装置及びディス
プレイ調整方法及びそれを用いて調整されたディスプレ
イに関する。
置及びディスプレイ調整方法及びそれを用いて調整され
たディスプレイに係り、特に、工場出荷前にディスプレ
イの画面サイズ、位置歪みやフォーカス、色調等の表示
状態を調整するためのディスプレイ調整装置及びディス
プレイ調整方法及びそれを用いて調整されたディスプレ
イに関する。
【０００２】ディスプレイを出荷する際にはディスプレ
イの画面の表示状態が最適な表示状態となるように調整
される。この調整作業は１台１台のディスプレイに対し
て行なう必要があることから作業の効率化が望まれてい
た。
イの画面の表示状態が最適な表示状態となるように調整
される。この調整作業は１台１台のディスプレイに対し
て行なう必要があることから作業の効率化が望まれてい
た。
【０００３】
【従来の技術】従来、工場から出荷されるディスプレイ
の調整、特に、フォーカスの調整は主に人手により行な
われていた。人手によるディスプレイ調整は作業員がデ
ィスプレイを実際に見ながら、全体的にフォーカスが均
一となるように調整を行っていた。このため、手間がか
かり、コストの増加を招いてしまう。自動化を行なうた
めに特開平５−２４２８９０号に示されるようにエキス
パートシステムを用いるものも出てきている。エキスパ
ートシステムでは熟練者のこつ等を予めルールとして教
え込み、教え込んだルールに従って作業を行っていた。
の調整、特に、フォーカスの調整は主に人手により行な
われていた。人手によるディスプレイ調整は作業員がデ
ィスプレイを実際に見ながら、全体的にフォーカスが均
一となるように調整を行っていた。このため、手間がか
かり、コストの増加を招いてしまう。自動化を行なうた
めに特開平５−２４２８９０号に示されるようにエキス
パートシステムを用いるものも出てきている。エキスパ
ートシステムでは熟練者のこつ等を予めルールとして教
え込み、教え込んだルールに従って作業を行っていた。
【０００４】
【発明が解決しようとする課題】しかるに、従来のディ
スプレイの調整は人手によるところが大きく作業の効率
化は困難であった。また、エキスパートシステムを用い
た方法では熟練者に実際にさまざまな状況で調節を行な
ってもらい、データやルールを集める必要があり、熟練
者の能力によってシステムの限界が決まってしまい、ま
た、熟練者は他の特徴や経験をも利用して調節を行なっ
ているため、表示の特徴をｙ、調整幅をΔｘとするとｙ
→Δｘの関係が一対多対応（同じ特徴に対して異なる調
節を行なう）になる場合はモデル構築困難となる。
スプレイの調整は人手によるところが大きく作業の効率
化は困難であった。また、エキスパートシステムを用い
た方法では熟練者に実際にさまざまな状況で調節を行な
ってもらい、データやルールを集める必要があり、熟練
者の能力によってシステムの限界が決まってしまい、ま
た、熟練者は他の特徴や経験をも利用して調節を行なっ
ているため、表示の特徴をｙ、調整幅をΔｘとするとｙ
→Δｘの関係が一対多対応（同じ特徴に対して異なる調
節を行なう）になる場合はモデル構築困難となる。
【０００５】さらに、ｙ→Δｘの関係は複雑なのでモデ
ルも複雑（たとえば、膨大なルールの集合）になり、そ
のため、調整時間が長くなってしまう等の問題点があっ
た。本発明は上記の点に鑑みてなされたもので、ディス
プレイの調整作業を効率良く行なえるディスプレイ調整
装置及びディスプレイ調整方法及びそれを用いて調整さ
れたディスプレイを提供することを目的とする。
ルも複雑（たとえば、膨大なルールの集合）になり、そ
のため、調整時間が長くなってしまう等の問題点があっ
た。本発明は上記の点に鑑みてなされたもので、ディス
プレイの調整作業を効率良く行なえるディスプレイ調整
装置及びディスプレイ調整方法及びそれを用いて調整さ
れたディスプレイを提供することを目的とする。
【０００６】
【課題を解決するための手段】図１に本発明の原理図を
示す。ディスプレイ１には、調整用のパターンが表示さ
れる。画面計測手段２は、前記ディスプレイ１に表示さ
れた画像の表示状態を計測する。
示す。ディスプレイ１には、調整用のパターンが表示さ
れる。画面計測手段２は、前記ディスプレイ１に表示さ
れた画像の表示状態を計測する。
【０００７】特徴抽出手段３は、前記画面計測手段２で
計測された前記ディスプレイ１の画面の表示状態から調
整に必要となる特徴を抽出する。学習手段４は、ディス
プレイ１の必要な調整パラメータと前記特徴抽出手段３
で抽出された特徴との間の関係を学習する。
計測された前記ディスプレイ１の画面の表示状態から調
整に必要となる特徴を抽出する。学習手段４は、ディス
プレイ１の必要な調整パラメータと前記特徴抽出手段３
で抽出された特徴との間の関係を学習する。
【０００８】調整手段５は前記学習手段４で学習された
学習結果を用いて、前記特徴抽出手段３で抽出された特
徴に応じて調整パラメータを決定し、前記ディスプレイ
の画面の表示状態を調整する。請求項２は、前記学習手
段が前記特徴抽出手段で抽出された特徴との間の関係を
順モデルとして構築するモデル化手段を有することを特
徴とする。
学習結果を用いて、前記特徴抽出手段３で抽出された特
徴に応じて調整パラメータを決定し、前記ディスプレイ
の画面の表示状態を調整する。請求項２は、前記学習手
段が前記特徴抽出手段で抽出された特徴との間の関係を
順モデルとして構築するモデル化手段を有することを特
徴とする。
【０００９】請求項３は、前記モデル化手段が階層型ニ
ューラルネットワークを用いて前記順モデルを構築する
ことを特徴とする。請求項４は、前記モデル化手段が階
層型ニューラルネットワークが前記ディスプレイの調整
パラメータと前記特徴抽出手段で抽出された特徴との間
の関係を学習する際に誤差逆伝達学習法を用いることを
特徴とする。
ューラルネットワークを用いて前記順モデルを構築する
ことを特徴とする。請求項４は、前記モデル化手段が階
層型ニューラルネットワークが前記ディスプレイの調整
パラメータと前記特徴抽出手段で抽出された特徴との間
の関係を学習する際に誤差逆伝達学習法を用いることを
特徴とする。
【００１０】請求項６は、調整パラメータを変えること
により画面の表示状態が所望の表示状態に調整されるデ
ィスプレイにおいて、前記画面の表示状態が請求項１乃
至４のいずれか一項記載のディスプレイ調整装置を用い
て調整されたことを特徴とする。
により画面の表示状態が所望の表示状態に調整されるデ
ィスプレイにおいて、前記画面の表示状態が請求項１乃
至４のいずれか一項記載のディスプレイ調整装置を用い
て調整されたことを特徴とする。
【００１１】請求項７は、調整パラメータを変えること
により画面の表示状態が所望の表示状態に調整されるデ
ィスプレイにおいて、前記画面の表示状態が請求項５に
記載のディスプレイ調整装置を用いて調整されたことを
特徴とする。
により画面の表示状態が所望の表示状態に調整されるデ
ィスプレイにおいて、前記画面の表示状態が請求項５に
記載のディスプレイ調整装置を用いて調整されたことを
特徴とする。
【００１２】
【発明の実施の形態】図２に本発明の一実施例のブロッ
ク構成図を示す。本実施例のディスプレイ調整装置１０
はディスプレイ１１の画面を撮像して表示画像パターン
の表示状態を計測するビデオカメラ１２，ビデオカメラ
１２で撮像された画像パターンを画像処理して特徴値と
して例えばフォーカスの程度を表す特徴値を抽出する特
徴抽出器１３，特徴抽出器１３で抽出された特徴値とそ
のときのディスプレイ１０の調整パラメータとの関係を
ディスプレイ１０の調整パラメータの値を変えつつ、予
めモデル化しておき、調整時にモデル化されたデータに
応じて最適値を得る自動調整器１４より構成される。
ク構成図を示す。本実施例のディスプレイ調整装置１０
はディスプレイ１１の画面を撮像して表示画像パターン
の表示状態を計測するビデオカメラ１２，ビデオカメラ
１２で撮像された画像パターンを画像処理して特徴値と
して例えばフォーカスの程度を表す特徴値を抽出する特
徴抽出器１３，特徴抽出器１３で抽出された特徴値とそ
のときのディスプレイ１０の調整パラメータとの関係を
ディスプレイ１０の調整パラメータの値を変えつつ、予
めモデル化しておき、調整時にモデル化されたデータに
応じて最適値を得る自動調整器１４より構成される。
【００１３】本実施例の自動調整器１４ではニューラル
ネットワークによりモデリングが行なわれる。本実施例
の自動調整器１４では入出力例（ｘi ，ｙi ）を収集
し、それを提示することにより、階層型ニューラルネッ
トワークによって「ディスプレイ＋カメラ＋特徴抽出
器」の順モデルを構築する。ここで、階層型ニューラル
ネットワークについて説明する。
ネットワークによりモデリングが行なわれる。本実施例
の自動調整器１４では入出力例（ｘi ，ｙi ）を収集
し、それを提示することにより、階層型ニューラルネッ
トワークによって「ディスプレイ＋カメラ＋特徴抽出
器」の順モデルを構築する。ここで、階層型ニューラル
ネットワークについて説明する。
【００１４】階層型ニューラルネットワークは、入力
層、出力層およびいくつかの中間層から構成される。各
層間には、入力から出力の方向に結合が存在する。各層
は、ニューロンと呼ばれるユニットから成り、ユニット
ｉの出力ｙi は、一つ入力寄りの層のユニットｊの出力
ｘj ，ユニットｊからユニットｉへの結合の重みをｗij
としたとき、次式のように表現される。
層、出力層およびいくつかの中間層から構成される。各
層間には、入力から出力の方向に結合が存在する。各層
は、ニューロンと呼ばれるユニットから成り、ユニット
ｉの出力ｙi は、一つ入力寄りの層のユニットｊの出力
ｘj ，ユニットｊからユニットｉへの結合の重みをｗij
としたとき、次式のように表現される。
【００１５】
【数１】
【００１６】ここで、σは出力関数、θi は閾値とよば
れ、出力関数としては、通常シグモイド関数、
れ、出力関数としては、通常シグモイド関数、
【００１７】
【数２】
【００１８】が用いられる。また、モデル化を行なうた
めのアルゴリズムとして、誤差逆伝播学習法（ＢＰ法：
ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）を採用する。誤差逆
伝播学習法はｘp （ベクトル）を学習サンプルにおける
入力データ、ｙ p （ベクトル）を目標出力とする。ｆを
ネットワークの入出力写像とするとき、誤差関数とし
て、誤差二乗和を採用すると、
めのアルゴリズムとして、誤差逆伝播学習法（ＢＰ法：
ＢａｃｋＰｒｏｐａｇａｔｉｏｎ）を採用する。誤差逆
伝播学習法はｘp （ベクトル）を学習サンプルにおける
入力データ、ｙ p （ベクトル）を目標出力とする。ｆを
ネットワークの入出力写像とするとき、誤差関数とし
て、誤差二乗和を採用すると、
【００１９】
【数３】
【００２０】として得られる式において、Ｅを最小にす
るようなネットワークの重みｗij，閾値θi を最急降下
法で求める方法である。なお、これには、∂Ｅ／∂
ｗij，∂Ｅ／∂θi を求める必要があり、これらを求め
るアルゴリズムはＲｕｍｅｌｈａｒｔらによって与えら
れている。
るようなネットワークの重みｗij，閾値θi を最急降下
法で求める方法である。なお、これには、∂Ｅ／∂
ｗij，∂Ｅ／∂θi を求める必要があり、これらを求め
るアルゴリズムはＲｕｍｅｌｈａｒｔらによって与えら
れている。
【００２１】図３に自動調整器１４でのモデルを構築す
る際の処理手順を示す。自動調整器１４では、まず、デ
ータの収集を行なう（ステップＳ１-1〜Ｓ１-4）。デー
タの収集は調整変数を適当な値ｘi （ベクトル）に設定
し、そのときの映像の特徴ｙi （ベクトル）を抽出する
ことにより得られ、これらの値を（ｘi ，ｙi ）という
ようにペアにして記憶する。この操作を調整変数の値を
変えて適当な回数（Ｎ回）繰り返し、データを集める
（ステップＳ１-3，Ｓ１-4）。収集データＤN を
（ｘ1 ，ｙ1 ），（ｘ2 ，ｙ2 ），（ｘ3 ，ｙ3 ），…
（ｘN ，ｙN）で表わす。
る際の処理手順を示す。自動調整器１４では、まず、デ
ータの収集を行なう（ステップＳ１-1〜Ｓ１-4）。デー
タの収集は調整変数を適当な値ｘi （ベクトル）に設定
し、そのときの映像の特徴ｙi （ベクトル）を抽出する
ことにより得られ、これらの値を（ｘi ，ｙi ）という
ようにペアにして記憶する。この操作を調整変数の値を
変えて適当な回数（Ｎ回）繰り返し、データを集める
（ステップＳ１-3，Ｓ１-4）。収集データＤN を
（ｘ1 ，ｙ1 ），（ｘ2 ，ｙ2 ），（ｘ3 ，ｙ3 ），…
（ｘN ，ｙN）で表わす。
【００２２】次に自動調整器１４は学習を行なう（ステ
ップＳ１-5）。学習は調節変数から特徴量への変換を前
述の誤差逆伝播学習法を使って学習する。図５に本発明
の一実施例の自動調整器１４の学習時の動作説明図を示
す。図５に示されるように調節パラメータｘのネットワ
ーク処理後の出力値と特徴値ｙとの誤差が最小になるよ
うにネットワークの重みを更新する。
ップＳ１-5）。学習は調節変数から特徴量への変換を前
述の誤差逆伝播学習法を使って学習する。図５に本発明
の一実施例の自動調整器１４の学習時の動作説明図を示
す。図５に示されるように調節パラメータｘのネットワ
ーク処理後の出力値と特徴値ｙとの誤差が最小になるよ
うにネットワークの重みを更新する。
【００２３】学習終了後にネットワークＮＴの重みを固
定する（ステップＳ１-6）。以下に、自動調整器１４に
おけるニューラルネットワークによって構築した順モデ
ルを使った最適調節値の探索方法について説明する。こ
の方法は、能動的なセンシングシステムを構築するため
の手法であり、インタレイティブ・インバージョン（Ｉ
ｔｅｒａｔｉｖｅ Ｉｎｖｅｒｓｉｏｎ）法とよんでい
る。
定する（ステップＳ１-6）。以下に、自動調整器１４に
おけるニューラルネットワークによって構築した順モデ
ルを使った最適調節値の探索方法について説明する。こ
の方法は、能動的なセンシングシステムを構築するため
の手法であり、インタレイティブ・インバージョン（Ｉ
ｔｅｒａｔｉｖｅ Ｉｎｖｅｒｓｉｏｎ）法とよんでい
る。
【００２４】イタレイティブ・インバージョン法につい
て説明する。ここで、ネットワークは、予め入力データ
ｓと出力データｆ（ｓ）との対応関係を学習しているも
のとする。まず、何らかの方法で、入力データの初期値
ｓを仮定して、ニューラルネットに入力する。
て説明する。ここで、ネットワークは、予め入力データ
ｓと出力データｆ（ｓ）との対応関係を学習しているも
のとする。まず、何らかの方法で、入力データの初期値
ｓを仮定して、ニューラルネットに入力する。
【００２５】次に、ニューラルネットから出力されるデ
ータｆ（ｓ）と、実際に観測されるデータｄとの二重誤
差Ｕ（ｓ，ｄ）を計算する。
ータｆ（ｓ）と、実際に観測されるデータｄとの二重誤
差Ｕ（ｓ，ｄ）を計算する。
【００２６】
【数４】
【００２７】次に、Ｕ（ｓ，ｄ）がある定数 より大き
いとき、それを小さくするように次式に従って入力デー
タｓを最急降下法で更新する。
いとき、それを小さくするように次式に従って入力デー
タｓを最急降下法で更新する。
【００２８】
【数５】
【００２９】但し、Ｋは定数、右辺第二項は、次式のよ
うに展開できる。
うに展開できる。
【００３０】
【数６】
【００３１】ここで、右辺の偏微分はｓi が変化したと
きに、出力データｆj （ｓ）がどの程度変化するか、す
なわち、ネットワークの入力層の１つのユニットｉの値
の変化が、出力層の１つのユニットｊの出力値にどの程
度の影響を及ぼすかという感度を表す。
きに、出力データｆj （ｓ）がどの程度変化するか、す
なわち、ネットワークの入力層の１つのユニットｉの値
の変化が、出力層の１つのユニットｊの出力値にどの程
度の影響を及ぼすかという感度を表す。
【００３２】この偏微分は、以下のように計算できる。
入力層ユニットｉの入出力値をｓi （入力層ユニットは
入力と同じ値を出力する），入力層ユニットｉと中間層
ユニットｋとの間の結合の重みをｗki，中間層ユニット
ｋの入力値をＨk ＝Σi ｗkiｓi ，中間層ユニットｋの
出力値をｈk ＝σ（Ｈk ），（σはユニットの出力関
数）中間層ユニットｋと出力層ユニットｊとの間の結合
の重みをｕjk，出力層ユニットｊの入力値をＦj ＝Σk
ｕjkｈk ，出力層ユニットｊの出力値をｆj ＝σ
（Ｆj ），と定義すると、次式が得られる。
入力層ユニットｉの入出力値をｓi （入力層ユニットは
入力と同じ値を出力する），入力層ユニットｉと中間層
ユニットｋとの間の結合の重みをｗki，中間層ユニット
ｋの入力値をＨk ＝Σi ｗkiｓi ，中間層ユニットｋの
出力値をｈk ＝σ（Ｈk ），（σはユニットの出力関
数）中間層ユニットｋと出力層ユニットｊとの間の結合
の重みをｕjk，出力層ユニットｊの入力値をＦj ＝Σk
ｕjkｈk ，出力層ユニットｊの出力値をｆj ＝σ
（Ｆj ），と定義すると、次式が得られる。
【００３３】
【数７】
【００３４】ここで、更新したｓを初期値として、式
（４）を実行する。以上の処理を繰り返すことにより、
観測データとの矛盾が少ない入力データｓを決定するこ
とができる。自動調整器１４では上記のイタレイティブ
・インバージョン法（Ｉｔｅｒａ−ｔｉｖｅ Ｉｎｖｅ
ｒｓｉｏｎ）を用い、最適値を計算する。
（４）を実行する。以上の処理を繰り返すことにより、
観測データとの矛盾が少ない入力データｓを決定するこ
とができる。自動調整器１４では上記のイタレイティブ
・インバージョン法（Ｉｔｅｒａ−ｔｉｖｅ Ｉｎｖｅ
ｒｓｉｏｎ）を用い、最適値を計算する。
【００３５】まず、初期値を決定する（ステップＳ
２-1）。ここでは現在の知識を使って、最適調節値を推
測し、それを初期値ｘ（０）とする。何も知識がない場
合は、ランダムな数値を初期値とする。例えば、ｔ＝０ 次に、調節変数の入力とネットワークの前向き処理を行
なう（ステップＳ２-2，Ｓ２-3）。
２-1）。ここでは現在の知識を使って、最適調節値を推
測し、それを初期値ｘ（０）とする。何も知識がない場
合は、ランダムな数値を初期値とする。例えば、ｔ＝０ 次に、調節変数の入力とネットワークの前向き処理を行
なう（ステップＳ２-2，Ｓ２-3）。
【００３６】ここでは調節変数ｘ（ｔ）をネットワーク
に入力する。ネットワークは学習で得られた重みを使っ
て出力値ｙ（ｘ（ｔ））を計算する。次に、評価関数値
の計算を行なう（ステップＳ２-4）。評価関数は、特徴
がどのようになったときが最適なのかを考慮して、あら
かじめ設計しておく。イタレイティブ・インバージョン
法を使うためには、この関数は連続かつ一階微分可能な
ものである必要がある。
に入力する。ネットワークは学習で得られた重みを使っ
て出力値ｙ（ｘ（ｔ））を計算する。次に、評価関数値
の計算を行なう（ステップＳ２-4）。評価関数は、特徴
がどのようになったときが最適なのかを考慮して、あら
かじめ設計しておく。イタレイティブ・インバージョン
法を使うためには、この関数は連続かつ一階微分可能な
ものである必要がある。
【００３７】その評価関数に従って、ネットワーク出力
ｙ（ｔ）から評価関数値ｆ（ｙ（ｔ））を計算する。次
に、調整変数の更新を行なう（ステップＳ２-5）。評価
関数値ｆ（ｙ（ｔ））を逆伝搬することによって、ｘの
更新ベクトルΔｘを求める。
ｙ（ｔ）から評価関数値ｆ（ｙ（ｔ））を計算する。次
に、調整変数の更新を行なう（ステップＳ２-5）。評価
関数値ｆ（ｙ（ｔ））を逆伝搬することによって、ｘの
更新ベクトルΔｘを求める。
【００３８】ｘ（ｔ＋１）＝ｘ（ｔ）＋Δｘ ｔ＝ｔ＋１ Ｉｔｅｒａｔｉｖｅ Ｉｎｖｅｒｓｉｏｎ法を使えば、
評価が上がるようにネットワークの入力ｘを更新するこ
とができる。
評価が上がるようにネットワークの入力ｘを更新するこ
とができる。
【００３９】次に評価関数値ｆ（ｙ（ｔ））が希望の値
に達するか、または、ｔがあらかじめ決めた数を超えた
ら終了する（ステップＳ２-6）。ステップＳ２-6で評価
関数値が所定に達しない場合にはステップＳ２-2に戻
る。図６に本発明の一実施例の自動調整器１４の最適調
節値の検索処理の動作説明図を示す。
に達するか、または、ｔがあらかじめ決めた数を超えた
ら終了する（ステップＳ２-6）。ステップＳ２-6で評価
関数値が所定に達しない場合にはステップＳ２-2に戻
る。図６に本発明の一実施例の自動調整器１４の最適調
節値の検索処理の動作説明図を示す。
【００４０】図６に示すようにモデル化により重みが固
定されたネットワークに所定の調整パラメータｘを入力
し、このとき得られる特徴値ｙを評価関数ｆ（ｙ）に代
入することにより評価値を求め、次にＩｔｅｒａｔｉｖ
ｅ Ｉｎｖｅｒｓｉｏｎ法を使うことにより調整パラメ
ータｘの更新量Δｘを求める。次に、Δｘにより調整パ
ラメータｘを更新し、それをネットワークに入力する。
定されたネットワークに所定の調整パラメータｘを入力
し、このとき得られる特徴値ｙを評価関数ｆ（ｙ）に代
入することにより評価値を求め、次にＩｔｅｒａｔｉｖ
ｅ Ｉｎｖｅｒｓｉｏｎ法を使うことにより調整パラメ
ータｘの更新量Δｘを求める。次に、Δｘにより調整パ
ラメータｘを更新し、それをネットワークに入力する。
【００４１】以上の操作を評価値ｆ（ｙ）が最小となる
まで行なえば最適値を見つけることができる。図７，図
８に示す特性に基づいて教師パターンを作成する。調節
電圧Ｖａ，調節電圧Ｖｂに対する７台のカメラのうち２
台のカメラの特性を示す。次に、カメラ１のＸぼけ量，
カメラ２のＸぼけ量，…カメラ７のＸぼけ量、カメラ１
のＹぼけ量，カメラ２のＹぼけ量，…カメラ７のＹぼけ
量、の形式で教師パターンファイルを作る。
まで行なえば最適値を見つけることができる。図７，図
８に示す特性に基づいて教師パターンを作成する。調節
電圧Ｖａ，調節電圧Ｖｂに対する７台のカメラのうち２
台のカメラの特性を示す。次に、カメラ１のＸぼけ量，
カメラ２のＸぼけ量，…カメラ７のＸぼけ量、カメラ１
のＹぼけ量，カメラ２のＹぼけ量，…カメラ７のＹぼけ
量、の形式で教師パターンファイルを作る。
【００４２】このとき、調節電圧、ぼけ量を適切に正規
化する。調節電圧については、Ｖａ：0.0 →1.4 ，Ｖ
ｂ：0.0 →1.0 となるように正規化する。ぼけ量につい
ては、ディスプレイ毎に正規化の方法を決める。現在
は、そのディスプレイを観測して得られたすべてのぼけ
量の最大値で割ることで０から１の範囲に正規化する
と、教師パターンは、以下に示されるようになる。
化する。調節電圧については、Ｖａ：0.0 →1.4 ，Ｖ
ｂ：0.0 →1.0 となるように正規化する。ぼけ量につい
ては、ディスプレイ毎に正規化の方法を決める。現在
は、そのディスプレイを観測して得られたすべてのぼけ
量の最大値で割ることで０から１の範囲に正規化する
と、教師パターンは、以下に示されるようになる。
【００４３】 pattern <s0> 0.050 0.100→0.1097 0.0936 0.0694 0.0802 0.1190 0.0924 0.0823 0.0846 0.0749 0.0639 0.1039 0.1035 0.0731 0.0672; … pattern <s87> 0.750 0.600 → 0.0797 0.0736 0.0505 0.0650 0.0912 0.0781 0.0682 0.1164 0.1078 0.1031 0.1637 0.1575 0.1280 0.1177; 次に、学習を行なう。ここでは図９に示すような２入力
１４出力のネットワークを定義し、教師パターンを学習
させる。（ここでは、「ｎｅｕｒｏｓｉｍ」（トレード
マーク）というシミューレータを使用した）。
１４出力のネットワークを定義し、教師パターンを学習
させる。（ここでは、「ｎｅｕｒｏｓｉｍ」（トレード
マーク）というシミューレータを使用した）。
【００４４】次に上述したような自動調整器１４による
調整について検証する。ここでは、以下の３つの事項を
検証する。 （１）一台のディスプレイに限定をした場合に、その特
性の学習がどの程度行なえるか？ （２）学習の結果得られたモデルを使った調整がどの程
度うまく行くか？ 画面の７箇所での計測値のバランスをとりながら調整を
行うことができるか？ （３）一台目のディスプレイ特性の学習が、他のディス
プレイの特性の学習にどのくらい役立つか？ まず、前述のような学習処理を許容誤差５％で２万回学
習させた場合について説明する。このとき、計算に要し
た時間はＳ−４／２０で約８分、最終誤差は、0.358 と
なり、図１０に示される学習曲線となる。その学習され
た特性を３次元表示（Ｖａ軸、Ｖｂ軸、ぼけ量）したも
のを図１１に示す。
調整について検証する。ここでは、以下の３つの事項を
検証する。 （１）一台のディスプレイに限定をした場合に、その特
性の学習がどの程度行なえるか？ （２）学習の結果得られたモデルを使った調整がどの程
度うまく行くか？ 画面の７箇所での計測値のバランスをとりながら調整を
行うことができるか？ （３）一台目のディスプレイ特性の学習が、他のディス
プレイの特性の学習にどのくらい役立つか？ まず、前述のような学習処理を許容誤差５％で２万回学
習させた場合について説明する。このとき、計算に要し
た時間はＳ−４／２０で約８分、最終誤差は、0.358 と
なり、図１０に示される学習曲線となる。その学習され
た特性を３次元表示（Ｖａ軸、Ｖｂ軸、ぼけ量）したも
のを図１１に示す。
【００４５】ディスプレイＤｉｓｐ２についても同じ構
造のネットワークを使って学習を行なった。許容誤差５
％で２万回学習させた。計算に要した時間はＳ−４／２
０で約８分、最終誤差は、0.204 でその学習曲線は図１
０に示すものとなる。
造のネットワークを使って学習を行なった。許容誤差５
％で２万回学習させた。計算に要した時間はＳ−４／２
０で約８分、最終誤差は、0.204 でその学習曲線は図１
０に示すものとなる。
【００４６】次に、最適調節電圧の探索について検証を
行なう。評価関数として、ぼけ量の二乗和を使う。すな
わち、ネットワークの出力の二乗和である。評価関数の
曲面を図１２に示す。図１２（Ａ）は三次元表示、図１
２（Ｂ），（Ｃ）は（Ａ）を各軸Ｖａ，Ｖｂに平行なＢ
方向から見た図を示す。
行なう。評価関数として、ぼけ量の二乗和を使う。すな
わち、ネットワークの出力の二乗和である。評価関数の
曲面を図１２に示す。図１２（Ａ）は三次元表示、図１
２（Ｂ），（Ｃ）は（Ａ）を各軸Ｖａ，Ｖｂに平行なＢ
方向から見た図を示す。
【００４７】まず、初期値を〔0.0 ，0.1 ，…，1.3 ，
1.4 〕×〔0.0 ，0.1 ，…，0.9 ，1.0 〕の１６５通り
用意し、探索を行なう。各初期値について、以下の条件
で最適電圧の探索を行った。許容誤差１％，降下係数0.
01，最大５千ステップ降下。図１３に、初期値〔7.0 ，
5.7 〕から出発した場合の降下の様子を軌跡で示し、さ
らに、すべての初期値からの最終到達点を重ね書きした
ものを同時に示す。一つの初期値から始めて５０００ス
テップ降下するのに要する計算時間は、約１秒で、すべ
ての初期値がほぼ同じ点に到達している。このように、
高速で最終到達点に収束させることができる。
1.4 〕×〔0.0 ，0.1 ，…，0.9 ，1.0 〕の１６５通り
用意し、探索を行なう。各初期値について、以下の条件
で最適電圧の探索を行った。許容誤差１％，降下係数0.
01，最大５千ステップ降下。図１３に、初期値〔7.0 ，
5.7 〕から出発した場合の降下の様子を軌跡で示し、さ
らに、すべての初期値からの最終到達点を重ね書きした
ものを同時に示す。一つの初期値から始めて５０００ス
テップ降下するのに要する計算時間は、約１秒で、すべ
ての初期値がほぼ同じ点に到達している。このように、
高速で最終到達点に収束させることができる。
【００４８】ここでは、ディスプレイ（Ｄｉｓｐ１，Ｄ
ｉｓｐ２）の映像を７台のカメラで撮影し、各撮影領域
のＸぼけ量、Ｙぼけ量を算出した。調節電圧（Ｖａ，Ｖ
ｂ）は、Ｖａ：5.6 →7.0 （0.2 ＫＶ毎）、Ｖｂ：5.7
→6.7 （0.1 ＫＶ毎）のように変化させた。データを３
次元表示（ｘ，ｙ，ｚ）＝（Ｖａ軸、Ｖｂ軸、ぼけ量）
したものを図７（Ｄｉｓｐ１）、図８（Ｄｉｓｐ２）に
示す。
ｉｓｐ２）の映像を７台のカメラで撮影し、各撮影領域
のＸぼけ量、Ｙぼけ量を算出した。調節電圧（Ｖａ，Ｖ
ｂ）は、Ｖａ：5.6 →7.0 （0.2 ＫＶ毎）、Ｖｂ：5.7
→6.7 （0.1 ＫＶ毎）のように変化させた。データを３
次元表示（ｘ，ｙ，ｚ）＝（Ｖａ軸、Ｖｂ軸、ぼけ量）
したものを図７（Ｄｉｓｐ１）、図８（Ｄｉｓｐ２）に
示す。
【００４９】次に別のディスプレイＤｉｓｐ２で学習を
行った検証結果を説明する。Ｄｉｓｐ１で学習した結果
得られたネットワークを使って、Ｄｉｓｐ２を学習す
る。また、その逆に、ディスプレイＤｉｓｐ２で学習し
た結果得られたネットワークを使ってＤｉｓｐ１を学習
する。
行った検証結果を説明する。Ｄｉｓｐ１で学習した結果
得られたネットワークを使って、Ｄｉｓｐ２を学習す
る。また、その逆に、ディスプレイＤｉｓｐ２で学習し
た結果得られたネットワークを使ってＤｉｓｐ１を学習
する。
【００５０】さらに、得られたネットワークを使って、
最適調節電圧の探索をし、独立に学習した場合の結果と
比較する。学習曲線を図１４に示す。学習は高速に進む
ので、１００回で打ち切った。計算時間は約2.5 秒であ
った。また、すべての初期値からの最終到達点を重ね書
きしたものを図１５に示す。
最適調節電圧の探索をし、独立に学習した場合の結果と
比較する。学習曲線を図１４に示す。学習は高速に進む
ので、１００回で打ち切った。計算時間は約2.5 秒であ
った。また、すべての初期値からの最終到達点を重ね書
きしたものを図１５に示す。
【００５１】別のディスプレイの特性を学習した結果得
られたネットワークを使って学習を開始すれば、図１
４，図１５に示すように効率よく、かつ、確実に学習が
進むことがわかる。
られたネットワークを使って学習を開始すれば、図１
４，図１５に示すように効率よく、かつ、確実に学習が
進むことがわかる。
【００５２】
【発明の効果】上述の如く、本発明の請求項１によれ
ば、学習機能を用いて常に一定の基準を満足するディス
プレイの調整が行なえる等の特長を有する。請求項２に
よれば、学習手段は順モデルとして学習モデルを構築し
ているため、調整パラメータに対して特徴を一定に決め
られるため、モデルの構築を容易に行なえ、また、自動
化が行なえるため、調整作業を効率的に行なえる等の特
長を有する。
ば、学習機能を用いて常に一定の基準を満足するディス
プレイの調整が行なえる等の特長を有する。請求項２に
よれば、学習手段は順モデルとして学習モデルを構築し
ているため、調整パラメータに対して特徴を一定に決め
られるため、モデルの構築を容易に行なえ、また、自動
化が行なえるため、調整作業を効率的に行なえる等の特
長を有する。
【００５３】請求項３によれば、ニューラルネットワー
クを用いることにより順モデルの構築が容易に可能とな
る等の特長を有する。請求項４によれば、学習に誤差逆
伝達学習法を用いることにより、順モデルの構築が効率
的に行なえる等の特長を有する。
クを用いることにより順モデルの構築が容易に可能とな
る等の特長を有する。請求項４によれば、学習に誤差逆
伝達学習法を用いることにより、順モデルの構築が効率
的に行なえる等の特長を有する。
【００５４】請求項５によれば、学習機能を用い常に一
定の基準を満足するディスプレイの調整が行なえる等の
特長を有する。請求項６，７によれば、上記の調整装
置、方法により調整を行なうことにより、均一に調整さ
れたディスプレイを提供できる等の特長を有する。
定の基準を満足するディスプレイの調整が行なえる等の
特長を有する。請求項６，７によれば、上記の調整装
置、方法により調整を行なうことにより、均一に調整さ
れたディスプレイを提供できる等の特長を有する。
【図１】本発明の原理図である。
【図２】本発明の一実施例のブロック図である。
【図３】本発明の一実施例の自動調整器のモデリング処
理（学習）の動作フローチャートである。
理（学習）の動作フローチャートである。
【図４】本発明の一実施例の自動調整器の動作説明図で
ある。
ある。
【図５】本発明の一実施例の自動調整器の最適調節値検
索処理の動作フローチャートである。
索処理の動作フローチャートである。
【図６】本発明の一実施例の自動調整器の動作説明図で
ある。
ある。
【図７】本発明の一実施例のディスプレイｄｉｓｐ１の
ボケ特性図である。
ボケ特性図である。
【図８】本発明の一実施例のディスプレイｄｉｓｐ２の
ボケ特性図である。
ボケ特性図である。
【図９】本発明の一実施例の自動調整器の動作説明図で
ある。
ある。
【図１０】本発明の一実施例のディスプレイｄｉｓｐ
１，２の学習曲線を示す図である。
１，２の学習曲線を示す図である。
【図１１】本発明の一実施例のディスプレイｄｉｓｐ１
のボケ特性を学習した自動調整器の出力特性図である。
のボケ特性を学習した自動調整器の出力特性図である。
【図１２】本発明の一実施例のディスプレイｄｉｓｐ１
の評価関数曲面を示す図である。
の評価関数曲面を示す図である。
【図１３】本発明の一実施例の最適調節電圧値の検索経
過と結果を示す図である。
過と結果を示す図である。
【図１４】本発明の一実施例の別のディスプレイで学習
した結果を用いてディスプレイを学習するときの学習曲
線を示す図である。
した結果を用いてディスプレイを学習するときの学習曲
線を示す図である。
【図１５】本発明の一実施例の別のディスプレイで学習
した結果を用いて探索を行った結果を示す図である。
した結果を用いて探索を行った結果を示す図である。
１ ディスプレイ ２ 画面計測手段 ３ 特徴抽出手段 ４ 学習手段 ５ 調整手段 １０ ディスプレイ調整装置 １１ ディスプレイ １２ カメラ １３ 特徴抽出器 １４ 自動調整器
Claims (7)
- 【請求項１】 ディスプレイの画面の表示状態を調整パ
ラメータを変えることにより所望の状態に調整するディ
スプレイ調整装置において、 前記ディスプレイに表示された画像の表示状態を計測す
る画面計測手段と、 前記画面計測手段で計測された前記ディスプレイの画面
の表示状態から調整に必要となる特徴を抽出する特徴抽
出手段と、 前記ディスプレイの調整パラメータと、前記特徴抽出手
段で抽出された特徴との間の関係を学習する学習手段
と、 前記学習手段で学習された学習結果を用いて前記特徴抽
出手段で抽出された特徴に応じて前記ディスプレイの調
整パラメータを調整する調整手段とを有することを特徴
とするディスプレイ調整装置。 - 【請求項２】 前記学習手段は前記ディスプレイの調整
パラメータと、前記特徴抽出手段で抽出された特徴との
間の関係を順モデルとして構築するモデル化手段を有す
ることを特徴とする請求項１記載のディスプレイ調整装
置。 - 【請求項３】 前記モデル化手段は階層型ニューラルネ
ットワークを用いて前記順モデルを構築することを特徴
とする請求項２記載のディスプレイ調整装置。 - 【請求項４】 前記モデル化手段は階層型ニューラルネ
ットワークが前記ディスプレイの調整パラメータと前記
特徴抽出手段で抽出された特徴との間の関係を学習する
際に誤差逆伝達学習法を用いることを特徴とする請求項
３記載のディスプレイ調整装置。 - 【請求項５】 ディスプレイの画面の表示状態を前記調
整パラメータを変えることにより所望の状態に調整する
ディスプレイ調整方法において、 前記ディスプレイに表示された画像の表示の状態を計測
する画面計測手順と、 前記画面計測手順で計測された前記ディスプレイの表示
の状態から調整に必要となる特徴を抽出する特徴抽出手
順と、 前記ディスプレイの調整パラメータと、前記特徴抽出手
順で抽出された特徴との間の関係を学習する学習手順
と、 前記学習手順で学習された学習結果を用いて前記ディス
プレイの調整パラメータを調整する調整手順とを有する
ことを特徴とするディスプレイ調整方法。 - 【請求項６】 調整パラメータを変えることにより画面
の表示状態が所望の表示状態に調整されるディスプレイ
において、 前記画面の表示状態が請求項１乃至４のいずれか一項記
載のディスプレイ調整装置を用いて調整されたことを特
徴とするディスプレイ。 - 【請求項７】 調整パラメータを変えることにより画面
の表示状態が所望の表示状態に調整されるディスプレイ
において、 前記画面の表示状態が請求項５に記載のディスプレイ調
整装置を用いて調整されたことを特徴とするディスプレ
イ。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20625895A JPH0955165A (ja) | 1995-08-11 | 1995-08-11 | ディスプレイ調整装置及びディスプレイ調整方法及びそれを用いて調整されたディスプレイ |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP20625895A JPH0955165A (ja) | 1995-08-11 | 1995-08-11 | ディスプレイ調整装置及びディスプレイ調整方法及びそれを用いて調整されたディスプレイ |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH0955165A true JPH0955165A (ja) | 1997-02-25 |
Family
ID=16520360
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP20625895A Pending JPH0955165A (ja) | 1995-08-11 | 1995-08-11 | ディスプレイ調整装置及びディスプレイ調整方法及びそれを用いて調整されたディスプレイ |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH0955165A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001197332A (ja) * | 1999-11-26 | 2001-07-19 | Inst Fuer Neurosimulation & Bildtechnologien Gmbh | 画像再生システムの欠陥を判定し且つ少なくとも部分的に補正する方法及び該方法を実施するための装置 |
| JP2018194719A (ja) * | 2017-05-19 | 2018-12-06 | 株式会社半導体エネルギー研究所 | 表示システム及び電子機器 |
| JP2022126629A (ja) * | 2017-05-19 | 2022-08-30 | 株式会社半導体エネルギー研究所 | 機械学習システム |
-
1995
- 1995-08-11 JP JP20625895A patent/JPH0955165A/ja active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2001197332A (ja) * | 1999-11-26 | 2001-07-19 | Inst Fuer Neurosimulation & Bildtechnologien Gmbh | 画像再生システムの欠陥を判定し且つ少なくとも部分的に補正する方法及び該方法を実施するための装置 |
| JP2018194719A (ja) * | 2017-05-19 | 2018-12-06 | 株式会社半導体エネルギー研究所 | 表示システム及び電子機器 |
| JP2022126629A (ja) * | 2017-05-19 | 2022-08-30 | 株式会社半導体エネルギー研究所 | 機械学習システム |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108304795B (zh) | 基于深度强化学习的人体骨架行为识别方法及装置 | |
| US11253999B2 (en) | Machine learning device, robot control device and robot vision system using machine learning device, and machine learning method | |
| JP3412384B2 (ja) | 制御モデル構築支援装置 | |
| CN110879982B (zh) | 一种人群计数系统及方法 | |
| KR101075824B1 (ko) | 신호 식별 장치용 학습 데이터 세트 최적화 방법 및 학습 데이터 세트를 최적화할 수 있는 신호 식별 장치 | |
| US9934470B2 (en) | Production equipment including machine learning system and assembly and test unit | |
| CN111062326B (zh) | 一种基于几何驱动的自监督人体3d姿态估计网络训练方法 | |
| JP2001236337A (ja) | ニューラルネットワークによる予測装置 | |
| US20180260712A1 (en) | Laser processing apparatus and machine learning device | |
| CN112001903A (zh) | 缺陷检测网络构建方法、异常检测方法及系统、存储介质 | |
| CN109615627B (zh) | 一种输变电巡检图像质量评价方法及系统 | |
| CN108303672B (zh) | 基于位置指纹的wlan室内定位误差修正方法及系统 | |
| Bastomi et al. | Object detection and distance estimation tool for blind people using convolutional methods with stereovision | |
| JPH0955165A (ja) | ディスプレイ調整装置及びディスプレイ調整方法及びそれを用いて調整されたディスプレイ | |
| CN110211122A (zh) | 一种检测图像处理方法及装置 | |
| Ahmed et al. | A neural optimization framework for zoom lens camera calibration | |
| CN113205178B (zh) | 人工智能红外图像传感系统及方法 | |
| CN109165587A (zh) | 智能图像信息抽取方法 | |
| Abayomi-Alli et al. | Adaptive regression splines models for predicting facial image verification and quality assessment scores | |
| CN114882545A (zh) | 基于三维智能重建的多角度人脸识别方法 | |
| CN112097673B (zh) | 车身部件虚拟匹配方法和系统 | |
| JP4267726B2 (ja) | 制御装置における動作信号と操作量との関係を決定する装置、制御装置、データ生成装置、入出力特性決定装置及び相関関係評価装置 | |
| CN108256633B (zh) | 一种测试深度神经网络稳定性的方法 | |
| CN113255695A (zh) | 一种目标重识别的特征提取方法及系统 | |
| WO2021240589A1 (ja) | 学習装置、推論装置、プログラム、学習方法及び推論方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20020528 |