JPH10187978A - 部品形状認識方法 - Google Patents
部品形状認識方法Info
- Publication number
- JPH10187978A JPH10187978A JP8350043A JP35004396A JPH10187978A JP H10187978 A JPH10187978 A JP H10187978A JP 8350043 A JP8350043 A JP 8350043A JP 35004396 A JP35004396 A JP 35004396A JP H10187978 A JPH10187978 A JP H10187978A
- Authority
- JP
- Japan
- Prior art keywords
- corner
- edge
- component
- shape
- compressed data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
(57)【要約】 （修正有）
【課題】 部品形状認識のための処理時間の短縮化が図
れるとともに、部品形状認識のためのパラメータおよび
しきい値の設定が不要となる部品形状認識方法を提供す
る。 【解決手段】 部品形状認識方法において、部品画像の
うちの認識対象エッジ部と認識対象エッジ部の両側のコ
ーナ部それぞれの少なくとも一部とを含む部分画像に対
して直交変換を施した後、高周波数成分の変換係数が除
去された圧縮データを生成し、得られた圧縮データを、
複数の部品画像から得られたエッジ部とその両側のコー
ナ部それぞれの少なくとも一部とを含む複数の部分画像
に対する上記と同様な圧縮データをそれぞれ入力パター
ンとし各入力パターンに対応するエッジ形状を表すパタ
ーンを教師パターンとして学習が行われた後のニューラ
ルネットワークに入力することにより認識対象エッジ部
のエッジ形状の種類を認識する。
れるとともに、部品形状認識のためのパラメータおよび
しきい値の設定が不要となる部品形状認識方法を提供す
る。 【解決手段】 部品形状認識方法において、部品画像の
うちの認識対象エッジ部と認識対象エッジ部の両側のコ
ーナ部それぞれの少なくとも一部とを含む部分画像に対
して直交変換を施した後、高周波数成分の変換係数が除
去された圧縮データを生成し、得られた圧縮データを、
複数の部品画像から得られたエッジ部とその両側のコー
ナ部それぞれの少なくとも一部とを含む複数の部分画像
に対する上記と同様な圧縮データをそれぞれ入力パター
ンとし各入力パターンに対応するエッジ形状を表すパタ
ーンを教師パターンとして学習が行われた後のニューラ
ルネットワークに入力することにより認識対象エッジ部
のエッジ形状の種類を認識する。
Description
【０００１】
【発明の属する技術分野】この発明は、部品の形状認識
を行う部品形状認識方法に関する。
を行う部品形状認識方法に関する。
【０００２】
【従来の技術】電子部品装着装置によって装着される電
子部品の形状を認識する方法として、電子部品画像から
抽出されたエッジ部の画像またはコーナ部の画像に対し
て、ランレングス化処理、チェーンコード化処理等を施
して、エッジ部またはコーナ部の特徴を抽出し、抽出さ
れた特徴に基づいて、エッジ部またはコーナ部の形状を
認識するものがある。
子部品の形状を認識する方法として、電子部品画像から
抽出されたエッジ部の画像またはコーナ部の画像に対し
て、ランレングス化処理、チェーンコード化処理等を施
して、エッジ部またはコーナ部の特徴を抽出し、抽出さ
れた特徴に基づいて、エッジ部またはコーナ部の形状を
認識するものがある。
【０００３】このような従来方法では、演算処理される
情報量が多いため、部品形状認識のための処理時間が長
くなるという問題がある。また、部品形状認識のための
多くのパラメータとしきい値とが必要であり、これらの
最適値の設定には、非常に複雑な作業が必要となるとい
う問題がある。
情報量が多いため、部品形状認識のための処理時間が長
くなるという問題がある。また、部品形状認識のための
多くのパラメータとしきい値とが必要であり、これらの
最適値の設定には、非常に複雑な作業が必要となるとい
う問題がある。
【０００４】
【発明が解決しようとする課題】この発明は、部品形状
認識のための処理時間の短縮化が図れるとともに、部品
形状認識のためのパラメータおよびしきい値の設定が不
要となる部品形状認識方法を提供することを目的とす
る。
認識のための処理時間の短縮化が図れるとともに、部品
形状認識のためのパラメータおよびしきい値の設定が不
要となる部品形状認識方法を提供することを目的とす
る。
【０００５】
【課題を解決するための手段】この発明による第１の部
品形状認識方法は、部品画像のうちの認識対象エッジ部
と認識対象エッジ部の両側のコーナ部それぞれの少なく
とも一部とを含む部分画像に対して直交変換を施した
後、高周波数成分の変換係数が除去された圧縮データを
生成し、得られた圧縮データを、複数の部品画像から得
られたエッジ部とその両側のコーナ部それぞれの少なく
とも一部とを含む複数の部分画像に対する上記と同様な
圧縮データをそれぞれ入力パターンとし各入力パターン
に対応するエッジ形状を表すパターンを教師パターンと
して学習が行われた後のニューラルネットワークに入力
することにより認識対象エッジ部のエッジ形状の種類を
認識することを特徴とする。
品形状認識方法は、部品画像のうちの認識対象エッジ部
と認識対象エッジ部の両側のコーナ部それぞれの少なく
とも一部とを含む部分画像に対して直交変換を施した
後、高周波数成分の変換係数が除去された圧縮データを
生成し、得られた圧縮データを、複数の部品画像から得
られたエッジ部とその両側のコーナ部それぞれの少なく
とも一部とを含む複数の部分画像に対する上記と同様な
圧縮データをそれぞれ入力パターンとし各入力パターン
に対応するエッジ形状を表すパターンを教師パターンと
して学習が行われた後のニューラルネットワークに入力
することにより認識対象エッジ部のエッジ形状の種類を
認識することを特徴とする。
【０００６】エッジ形状の種類には、たとえば、直線エ
ッジ、凸エッジ、凹エッジおよびＮＧエッジがある。直
交変換としては、たとえば、離散コサイン変換が用いら
れる。
ッジ、凸エッジ、凹エッジおよびＮＧエッジがある。直
交変換としては、たとえば、離散コサイン変換が用いら
れる。
【０００７】この発明による第２の部品形状認識方法
は、部品画像のうちの認識対象コーナ部と認識対象コー
ナ部の両側のエッジ部それぞれの少なくとも一部とを含
む部分画像に対して直交変換を施した後、高周波数成分
の変換係数が除去された圧縮データを生成し、得られた
圧縮データを、複数の部品画像から得られたコーナ部と
その両側のエッジ部それぞれの少なくとも一部とを含む
複数の部分画像に対する上記と同様な圧縮データをそれ
ぞれ入力パターンとし各入力パターンに対応するコーナ
形状を表すパターンを教師パターンとして学習が行われ
た後のニューラルネットワークに入力することにより認
識対象コーナ部のコーナ形状の種類を認識することを特
徴とする。
は、部品画像のうちの認識対象コーナ部と認識対象コー
ナ部の両側のエッジ部それぞれの少なくとも一部とを含
む部分画像に対して直交変換を施した後、高周波数成分
の変換係数が除去された圧縮データを生成し、得られた
圧縮データを、複数の部品画像から得られたコーナ部と
その両側のエッジ部それぞれの少なくとも一部とを含む
複数の部分画像に対する上記と同様な圧縮データをそれ
ぞれ入力パターンとし各入力パターンに対応するコーナ
形状を表すパターンを教師パターンとして学習が行われ
た後のニューラルネットワークに入力することにより認
識対象コーナ部のコーナ形状の種類を認識することを特
徴とする。
【０００８】コーナ形状の種類には、たとえば、直角コ
ーナ、Ｒ面取りコーナ、Ｃ面取りコーナおよびＮＧコー
ナがある。直交変換としては、たとえば、離散コサイン
変換が用いられる。
ーナ、Ｒ面取りコーナ、Ｃ面取りコーナおよびＮＧコー
ナがある。直交変換としては、たとえば、離散コサイン
変換が用いられる。
【０００９】
【発明の実施の形態】以下、図面を参照して、この発明
の実施の形態について説明する。
の実施の形態について説明する。
【００１０】図１は、部品画像の一例を示している。
【００１１】この部品画像では、４つのエッジ部Ｅ１〜
Ｅ４と、４つのコーナ部Ｃ１〜Ｃ４を備えている。
Ｅ４と、４つのコーナ部Ｃ１〜Ｃ４を備えている。
【００１２】図２は、エッジ形状の種類を示している。
【００１３】エッジ形状の種類には、直線エッジ（図２
（ａ））、凸エッジ（図２（ｂ））、凹エッジ（図２
（ｃ））およびその他の形状（ＮＧエッジ）（図２
（ｄ））がある。
（ａ））、凸エッジ（図２（ｂ））、凹エッジ（図２
（ｃ））およびその他の形状（ＮＧエッジ）（図２
（ｄ））がある。
【００１４】図３は、コーナ形状の種類を示している。
【００１５】コーナ形状の種類には、直角コーナ（図３
（ａ））、Ｒ面取りコーナ（図３（ｂ））、Ｃ面取りコ
ーナ（図３（ｃ））およびその他の形状（ＮＧコーナ）
（図３（ｄ））がある。
（ａ））、Ｒ面取りコーナ（図３（ｂ））、Ｃ面取りコ
ーナ（図３（ｃ））およびその他の形状（ＮＧコーナ）
（図３（ｄ））がある。
【００１６】図４は、部品形状認識装置の構成を示して
いる。
いる。
【００１７】ＣＰＵバス１には、ＣＰＵ(Central Proce
ssing Unit) ２、メインメモリ３、フレームメモリ４、
離散コサイン変換回路( 以下、ＤＣＴ（Discrete Cosin
e Transform)回路という) ５、エッジ形状認識用ニュー
ラルネットワーク６およびコーナ形状認識用ニューラル
ネットワーク７が接続されている。フレームメモリ４に
は、画像入力系８で得られた部品画像が格納される。
ssing Unit) ２、メインメモリ３、フレームメモリ４、
離散コサイン変換回路( 以下、ＤＣＴ（Discrete Cosin
e Transform)回路という) ５、エッジ形状認識用ニュー
ラルネットワーク６およびコーナ形状認識用ニューラル
ネットワーク７が接続されている。フレームメモリ４に
は、画像入力系８で得られた部品画像が格納される。
【００１８】ＤＣＴ回路５は、数式１に示すように、対
象となるデータ列を余弦波形に分解したときのシーケン
シ成分（フーリエ変換の周波数成分に相当する）を抽出
するものである（たとえば、画像ラボ１９９０年１０月
号４１頁から４５頁、テレビジョン学会誌Ｖｏｌ．４
３，Ｎｏ．１０（１９８９）ｐｐ．１１４５〜１１５２
を参照）。
象となるデータ列を余弦波形に分解したときのシーケン
シ成分（フーリエ変換の周波数成分に相当する）を抽出
するものである（たとえば、画像ラボ１９９０年１０月
号４１頁から４５頁、テレビジョン学会誌Ｖｏｌ．４
３，Ｎｏ．１０（１９８９）ｐｐ．１１４５〜１１５２
を参照）。
【００１９】
【数１】
【００２０】図５は、部品形状認識装置の動作を示して
いる。
いる。
【００２１】まず、画像入力系８により部品画像が入力
される（ステップ１）。入力された部品画像（たとえ
ば、５１２×５１２画素）は、一旦フレームメモリ４に
格納される。
される（ステップ１）。入力された部品画像（たとえ
ば、５１２×５１２画素）は、一旦フレームメモリ４に
格納される。
【００２２】次に、ＣＰＵ２は、フレームメモリ４に格
納された部品画像データに基づいて、各エッジ部および
各コーナ部を抽出し、そして、各エッジ部および各コー
ナ部毎に、予め定められた領域の部分画像のデータをフ
レームメモリ４からＤＣＴ回路５に出力させる（ステッ
プ２）。
納された部品画像データに基づいて、各エッジ部および
各コーナ部を抽出し、そして、各エッジ部および各コー
ナ部毎に、予め定められた領域の部分画像のデータをフ
レームメモリ４からＤＣＴ回路５に出力させる（ステッ
プ２）。
【００２３】図１において、たとえば、エッジ部Ｅ１に
対して予め定められた領域とは、エッジ部Ｅ１と、エッ
ジ部Ｅ１の両側のコーナ部Ｃ１、Ｃ２それぞれの少なく
とも一部とを含む矩形領域ＳＥ１をいう。
対して予め定められた領域とは、エッジ部Ｅ１と、エッ
ジ部Ｅ１の両側のコーナ部Ｃ１、Ｃ２それぞれの少なく
とも一部とを含む矩形領域ＳＥ１をいう。
【００２４】また、たとえば、コーナ部Ｃ３に対して予
め定められた領域とは、コーナ部Ｃ３と、コーナ部Ｃ３
の両側のエッジ部Ｅ２、Ｅ３それぞれの少なくとも一部
とを含む矩形領域ＳＣ３をいう。
め定められた領域とは、コーナ部Ｃ３と、コーナ部Ｃ３
の両側のエッジ部Ｅ２、Ｅ３それぞれの少なくとも一部
とを含む矩形領域ＳＣ３をいう。
【００２５】ステップ２で出力された部分画像は、ＤＣ
Ｔ回路５に送られる。ＤＣＴ回路５は、部分画像を離散
コサイン変換（ＤＣＴ）により、周波数成分に分解する
（ステップ３）。つまり、図６に示すように、部分画像
が、空間座標ｆ（ｘ，ｙ）から、周波数座標Ｆ（ｕ，
ｖ）に変換される。ここで、ｕは水平方向空間周波数を
示し、ｖは垂直方向空間周波数を示している。離散コサ
イン変換により得られたＤＣＴ変換係数の高周波数成分
が除去されて、圧縮データが生成される（ステップ
４）。
Ｔ回路５に送られる。ＤＣＴ回路５は、部分画像を離散
コサイン変換（ＤＣＴ）により、周波数成分に分解する
（ステップ３）。つまり、図６に示すように、部分画像
が、空間座標ｆ（ｘ，ｙ）から、周波数座標Ｆ（ｕ，
ｖ）に変換される。ここで、ｕは水平方向空間周波数を
示し、ｖは垂直方向空間周波数を示している。離散コサ
イン変換により得られたＤＣＴ変換係数の高周波数成分
が除去されて、圧縮データが生成される（ステップ
４）。
【００２６】そして、ステップ２で出力された部分画像
がエッジ部に対して予め定められた領域の部分画像であ
る場合には（ステップ５でＹＥＳ）、エッジ形状認識用
ニューラルネットワーク６に圧縮データが入力される
（ステップ６）。
がエッジ部に対して予め定められた領域の部分画像であ
る場合には（ステップ５でＹＥＳ）、エッジ形状認識用
ニューラルネットワーク６に圧縮データが入力される
（ステップ６）。
【００２７】この際、たとえば圧縮データのｕ方向の１
列ごとに、圧縮データが学習済のニューラルネットワー
ク６に入力され、ニューラルネットワーク６から入力デ
ータに応じた出力パターンが得られる。
列ごとに、圧縮データが学習済のニューラルネットワー
ク６に入力され、ニューラルネットワーク６から入力デ
ータに応じた出力パターンが得られる。
【００２８】１つの部分画像に対してニューラルネット
ワーク６から得られた複数の出力パターンに基づいて、
当該部分画像に含まれているエッジ部の形状が、直線エ
ッジ、凸エッジ、凹エッジおよびＮＧエッジであるかが
判別される（ステップ７）。
ワーク６から得られた複数の出力パターンに基づいて、
当該部分画像に含まれているエッジ部の形状が、直線エ
ッジ、凸エッジ、凹エッジおよびＮＧエッジであるかが
判別される（ステップ７）。
【００２９】つまり、図７に示すように、注目エッジ部
を含む部分画像１０が離散コサイン変換（ＤＣＴ）によ
り周波数成分に分解されＤＣＴ変換係数２０が生成さ
れ、ＤＣＴ変換係数２０の高周波数成分が除去されて圧
縮データ３０が生成される。得られた圧縮データ３０が
１列毎にニューラルネットワーク６に入力される。その
出力パターンに基づいて、注目エッジ部の形状が認識さ
れる。
を含む部分画像１０が離散コサイン変換（ＤＣＴ）によ
り周波数成分に分解されＤＣＴ変換係数２０が生成さ
れ、ＤＣＴ変換係数２０の高周波数成分が除去されて圧
縮データ３０が生成される。得られた圧縮データ３０が
１列毎にニューラルネットワーク６に入力される。その
出力パターンに基づいて、注目エッジ部の形状が認識さ
れる。
【００３０】ステップ２で出力された部分画像がコーナ
部に対して予め定められた領域の部分画像である場合に
は（ステップ５でＮＯ）、コーナ形状認識用ニューラル
ネットワーク７に圧縮データが入力される（ステップ
８）。
部に対して予め定められた領域の部分画像である場合に
は（ステップ５でＮＯ）、コーナ形状認識用ニューラル
ネットワーク７に圧縮データが入力される（ステップ
８）。
【００３１】この際、たとえば圧縮データのｕ方向の１
列ごとに、圧縮データが学習済のニューラルネットワー
ク７に入力され、ニューラルネットワーク７から入力デ
ータに応じた出力パターンが得られる。
列ごとに、圧縮データが学習済のニューラルネットワー
ク７に入力され、ニューラルネットワーク７から入力デ
ータに応じた出力パターンが得られる。
【００３２】１つの部分画像に対してニューラルネット
ワーク７から得られた複数の出力パターンに基づいて、
当該部分画像に含まれているコーナ部の形状が、直角コ
ーナ、Ｒ面取りコーナ、Ｃ面取りコーナおよびＮＧコー
ナであるかが判別される（ステップ９）。
ワーク７から得られた複数の出力パターンに基づいて、
当該部分画像に含まれているコーナ部の形状が、直角コ
ーナ、Ｒ面取りコーナ、Ｃ面取りコーナおよびＮＧコー
ナであるかが判別される（ステップ９）。
【００３３】各エッジ部および各コーナ部毎に予め定め
られた領域の部分画像に対して、ステップ３以降の処理
が行われることにより、各エッジ部および各コーナ部の
形状が認識される。
られた領域の部分画像に対して、ステップ３以降の処理
が行われることにより、各エッジ部および各コーナ部の
形状が認識される。
【００３４】エッジ形状認識用ニューラルネットワーク
６の学習方法について説明する。
６の学習方法について説明する。
【００３５】複数の部品画像から、エッジ部と、エッジ
部の両側のコーナ部それぞれの少なくとも一部とを含む
複数の部分画像を抽出し、上記ステップ３、４と同様な
処理により、圧縮データを生成する。そして、生成され
た圧縮データのたとえばｕ方向の１列ごとのデータをそ
れぞれ入力パターンとし各入力パターンに対応するエッ
ジ形状を表すパターンを教師パターンとして、ニューラ
ルネットワーク６を学習させる。
部の両側のコーナ部それぞれの少なくとも一部とを含む
複数の部分画像を抽出し、上記ステップ３、４と同様な
処理により、圧縮データを生成する。そして、生成され
た圧縮データのたとえばｕ方向の１列ごとのデータをそ
れぞれ入力パターンとし各入力パターンに対応するエッ
ジ形状を表すパターンを教師パターンとして、ニューラ
ルネットワーク６を学習させる。
【００３６】コーナ形状認識用ニューラルネットワーク
７の学習方法について説明する。複数の部品画像から、
コーナ部と、その両側のエッジ部それぞれの少なくとも
一部とを含む複数の部分画像を抽出し、上記ステップ
３、４と同様な処理により、圧縮データを生成する。そ
して、生成された圧縮データのたとえばｕ方向の１列ご
とのデータをそれぞれ入力パターンとし各入力パターン
に対応するコーナ形状を表すパターンを教師パターンと
して、ニューラルネットワーク７を学習させる。
７の学習方法について説明する。複数の部品画像から、
コーナ部と、その両側のエッジ部それぞれの少なくとも
一部とを含む複数の部分画像を抽出し、上記ステップ
３、４と同様な処理により、圧縮データを生成する。そ
して、生成された圧縮データのたとえばｕ方向の１列ご
とのデータをそれぞれ入力パターンとし各入力パターン
に対応するコーナ形状を表すパターンを教師パターンと
して、ニューラルネットワーク７を学習させる。
【００３７】上記実施の形態によれば、注目エッジ部ま
たは注目コーナ部を含む部分画像に対する圧縮データに
基づいて形状認識を行っているので、処理時間の短縮化
が図れる。また、部品画像においては、低周波数成分を
多く含んでいるため、高周波数成分が除去された圧縮デ
ータにおいても画像の特徴はさほど失われない。このた
め、このような圧縮データに基づいて、形状認識を行っ
ても、高い認識精度が保たれる。
たは注目コーナ部を含む部分画像に対する圧縮データに
基づいて形状認識を行っているので、処理時間の短縮化
が図れる。また、部品画像においては、低周波数成分を
多く含んでいるため、高周波数成分が除去された圧縮デ
ータにおいても画像の特徴はさほど失われない。このた
め、このような圧縮データに基づいて、形状認識を行っ
ても、高い認識精度が保たれる。
【００３８】また、エッジ部の形状を認識する際には、
認識対象エッジ部と認識対象エッジ部の両側のコーナ部
それぞれの少なくとも一部とを含む部分画像に基づいて
圧縮データを生成しているので、認識対象エッジ部のみ
の部分画像に基づいて圧縮データを生成する場合に比べ
て、凸エッジと凹エッジの判別等を正確に行うことがで
きるようになる。同様に、コーナ部の形状を認識する際
には、認識対象コーナ部と認識対象コーナ部の両側のエ
ッジ部それぞれの少なくとも一部とを含む部分画像に基
づいて圧縮データを生成しているので、認識対象コーナ
部のみの部分画像に基づいて圧縮データを生成する場合
に比べて、形状認識を正確に行なうことができる。
認識対象エッジ部と認識対象エッジ部の両側のコーナ部
それぞれの少なくとも一部とを含む部分画像に基づいて
圧縮データを生成しているので、認識対象エッジ部のみ
の部分画像に基づいて圧縮データを生成する場合に比べ
て、凸エッジと凹エッジの判別等を正確に行うことがで
きるようになる。同様に、コーナ部の形状を認識する際
には、認識対象コーナ部と認識対象コーナ部の両側のエ
ッジ部それぞれの少なくとも一部とを含む部分画像に基
づいて圧縮データを生成しているので、認識対象コーナ
部のみの部分画像に基づいて圧縮データを生成する場合
に比べて、形状認識を正確に行なうことができる。
【００３９】たとえば、図１のコーナ部Ｃ１のように、
エッジ部Ｅ４の突起にコーナ部が連続しているような場
合には、パターンマッチング等で位置決めを行なう際
に、コーナ点を特定することが困難であるため、ＮＧコ
ーナと判別すべきである。しかしながら、認識対象コー
ナ部のみの部分画像に基づいて圧縮データを生成し、こ
の圧縮データに基づいて形状認識した場合には、図１の
コーナ部Ｃ１の形状をＲ面取りコーナと認識してしまう
おそれがある。上記実施の形態では、認識対象コーナ部
と認識対象コーナ部の両側のエッジ部とを含む部分画像
に基づいて圧縮データを生成し、この圧縮データに基づ
いて形状認識しているので、図１のコーナ部Ｃ１の形状
をＮＧコーナと認識することができるのである。
エッジ部Ｅ４の突起にコーナ部が連続しているような場
合には、パターンマッチング等で位置決めを行なう際
に、コーナ点を特定することが困難であるため、ＮＧコ
ーナと判別すべきである。しかしながら、認識対象コー
ナ部のみの部分画像に基づいて圧縮データを生成し、こ
の圧縮データに基づいて形状認識した場合には、図１の
コーナ部Ｃ１の形状をＲ面取りコーナと認識してしまう
おそれがある。上記実施の形態では、認識対象コーナ部
と認識対象コーナ部の両側のエッジ部とを含む部分画像
に基づいて圧縮データを生成し、この圧縮データに基づ
いて形状認識しているので、図１のコーナ部Ｃ１の形状
をＮＧコーナと認識することができるのである。
【００４０】なお、上記実施の形態では、直交変換とし
て、離散コサイン変換（ＤＣＴ）が用いられているが、
ウォルシュ・マダール変換（ＷＨＴ）、離散フーリェ変
換（ＤＦＴ）等の直交変換を用いてもよい。
て、離散コサイン変換（ＤＣＴ）が用いられているが、
ウォルシュ・マダール変換（ＷＨＴ）、離散フーリェ変
換（ＤＦＴ）等の直交変換を用いてもよい。
【００４１】
【発明の効果】この発明によれば、部品形状認識のため
の処理時間の短縮化が図れる。また、部品形状認識のた
めのパラメータおよびしきい値の設定が不要となる。
の処理時間の短縮化が図れる。また、部品形状認識のた
めのパラメータおよびしきい値の設定が不要となる。
【図１】部品画像の一例を示す模式図である。
【図２】エッジ形状の種類を示す模式図である。
【図３】コーナ形状の種類を示す模式図である。
【図４】部品形状認識装置の構成を示すブロック図であ
る。
る。
【図５】部品形状認識装置の動作を示すフローチャート
である。
である。
【図６】離散コサイン変換により、部分画像が、空間座
標から周波数座標に変換されることを示す模式図であ
る。
標から周波数座標に変換されることを示す模式図であ
る。
【図７】部品形状認識処理を説明するための模式図であ
る。
る。
１ ＣＰＵバス ２ ＣＰＵ ３ メインメモリ ４ フレームメモリ ５ ＤＣＴ回路 ６、７ ニューラルネットワーク ８ 画像入力系
Claims (5)
- 【請求項１】 部品画像のうちの認識対象エッジ部と認
識対象エッジ部の両側のコーナ部それぞれの少なくとも
一部とを含む部分画像に対して直交変換を施した後、高
周波数成分の変換係数が除去された圧縮データを生成
し、得られた圧縮データを、複数の部品画像から得られ
たエッジ部とその両側のコーナ部それぞれの少なくとも
一部とを含む複数の部分画像に対する上記と同様な圧縮
データをそれぞれ入力パターンとし各入力パターンに対
応するエッジ形状を表すパターンを教師パターンとして
学習が行われた後のニューラルネットワークに入力する
ことにより認識対象エッジ部のエッジ形状の種類を認識
する部品形状認識方法。 - 【請求項２】 エッジ形状の種類には、直線エッジ、凸
エッジ、凹エッジおよびＮＧエッジがある請求項１に記
載の部品形状認識方法。 - 【請求項３】 部品画像のうちの認識対象コーナ部と認
識対象コーナ部の両側のエッジ部それぞれの少なくとも
一部とを含む部分画像に対して直交変換を施した後、高
周波数成分の変換係数が除去された圧縮データを生成
し、得られた圧縮データを、複数の部品画像から得られ
たコーナ部とその両側のエッジ部それぞれの少なくとも
一部とを含む複数の部分画像に対する上記と同様な圧縮
データをそれぞれ入力パターンとし各入力パターンに対
応するコーナ形状を表すパターンを教師パターンとして
学習が行われた後のニューラルネットワークに入力する
ことにより認識対象コーナ部のコーナ形状の種類を認識
する部品形状認識方法。 - 【請求項４】 コーナ形状の種類には、直角コーナ、Ｒ
面取りコーナ、Ｃ面取りコーナおよびＮＧコーナがある
請求項３に記載の部品形状認識方法。 - 【請求項５】 直交変換が離散コサイン変換である請求
項１、２、３および４のいずれかに記載の部品形状認識
方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8350043A JPH10187978A (ja) | 1996-12-27 | 1996-12-27 | 部品形状認識方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP8350043A JPH10187978A (ja) | 1996-12-27 | 1996-12-27 | 部品形状認識方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| JPH10187978A true JPH10187978A (ja) | 1998-07-21 |
Family
ID=18407847
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP8350043A Pending JPH10187978A (ja) | 1996-12-27 | 1996-12-27 | 部品形状認識方法 |
Country Status (1)
| Country | Link |
|---|---|
| JP (1) | JPH10187978A (ja) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016174915A1 (ja) * | 2015-04-30 | 2016-11-03 | ソニー株式会社 | 画像処理装置と画像処理方法およびプログラム |
| CN110969163A (zh) * | 2019-12-20 | 2020-04-07 | 山东华尚电气有限公司 | 一种检测图像中文本信息的方法 |
| US10757446B2 (en) | 2018-01-25 | 2020-08-25 | Fujitsu Limited | Data compression apparatus and data compression method |
-
1996
- 1996-12-27 JP JP8350043A patent/JPH10187978A/ja active Pending
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016174915A1 (ja) * | 2015-04-30 | 2016-11-03 | ソニー株式会社 | 画像処理装置と画像処理方法およびプログラム |
| JPWO2016174915A1 (ja) * | 2015-04-30 | 2018-02-22 | ソニー株式会社 | 画像処理装置と画像処理方法およびプログラム |
| US10444617B2 (en) | 2015-04-30 | 2019-10-15 | Sony Corporation | Image processing apparatus and image processing method |
| US10757446B2 (en) | 2018-01-25 | 2020-08-25 | Fujitsu Limited | Data compression apparatus and data compression method |
| CN110969163A (zh) * | 2019-12-20 | 2020-04-07 | 山东华尚电气有限公司 | 一种检测图像中文本信息的方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US8300937B2 (en) | Image segmentation method and system based on region features of pixels | |
| JPH07225570A (ja) | プリント強化用の密度維持テンプレートの統計的生成方法 | |
| CN106296649B (zh) | 一种基于水平集模型的纹理图像分割方法 | |
| JPH10187978A (ja) | 部品形状認識方法 | |
| US11881016B2 (en) | Method and system for processing an image and performing instance segmentation using affinity graphs | |
| JPH0738760A (ja) | 直交変換基底生成方式 | |
| JPH04275685A (ja) | 画像領域識別処理方法 | |
| JP3867346B2 (ja) | 画像信号処理装置及び方法並びに予測パラメータの学習装置及び方法 | |
| CN111402166A (zh) | 图像去噪方法及装置、服务终端及计算机可读存储介质 | |
| CN114625906B (zh) | 图像处理方法、装置、计算机设备及介质 | |
| Soni et al. | To Propose an improvement in Zhang-Suen algorithm for image thinning in image processing | |
| JPH1011576A (ja) | 部品形状認識方法 | |
| JPH0632078B2 (ja) | 画像信号の処理方法 | |
| CN116862903B (zh) | 缺陷检测模型训练方法及装置、缺陷检测方法和电子设备 | |
| JPH11224337A (ja) | 領域分割統合装置および領域分割統合方法 | |
| US20240020821A1 (en) | Defect inspection device, defect inspection method, and defect inspection computer program product | |
| CN113705430B (zh) | 基于检测模型的表格检测方法、装置、设备及存储介质 | |
| CN110189272B (zh) | 用于处理图像的方法、装置、设备和存储介质 | |
| EP3940601A1 (en) | Information processing apparatus, information processing method, and information program | |
| CN117274771A (zh) | 图像识别方法、装置、设备及存储介质 | |
| JPH0594536A (ja) | 移動物体抽出処理方法 | |
| GB2329738A (en) | Determining relationship between line segments in pattern recognition | |
| CN118657696A (zh) | 一种图像去畸变的方法和装置 | |
| CN116423524A (zh) | 一种基于场景识别的机器人控制系统 | |
| CN114387450A (zh) | 图片特征提取方法、装置、存储介质及计算机设备 |