KR100464062B1 - 패턴 분류 방법 및 그 장치, 및 컴퓨터에 의해 읽기가능한 기억매체 - Google Patents

패턴 분류 방법 및 그 장치, 및 컴퓨터에 의해 읽기가능한 기억매체 Download PDF

Info

Publication number
KR100464062B1
KR100464062B1 KR10-2002-7006597A KR20027006597A KR100464062B1 KR 100464062 B1 KR100464062 B1 KR 100464062B1 KR 20027006597 A KR20027006597 A KR 20027006597A KR 100464062 B1 KR100464062 B1 KR 100464062B1
Authority
KR
South Korea
Prior art keywords
pattern
classification
dictionary
feature
mahalanobis
Prior art date
Application number
KR10-2002-7006597A
Other languages
English (en)
Other versions
KR20020067524A (ko
Inventor
요시하라다카후미
Original Assignee
올림푸스 가부시키가이샤
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 올림푸스 가부시키가이샤 filed Critical 올림푸스 가부시키가이샤
Publication of KR20020067524A publication Critical patent/KR20020067524A/ko
Application granted granted Critical
Publication of KR100464062B1 publication Critical patent/KR100464062B1/ko

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30148—Semiconductor; IC; Wafer

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Quality & Reliability (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Image Analysis (AREA)

Abstract

패턴 분류 방법은 패턴 분류대상으로부터 패턴 특징량을 추출하고, 상기 패턴 특징량에 대응하는 분류 카테고리 정보를 패턴 사전에 등록/설정하고, 상기 패턴 특징량과 상기 패턴 사전에 등록되어 있는 마할라노비스 사전에 따라 패턴 분류를 행하는 동시에, 상기 분류 카테고리명과 상기 패턴 특징량에 따라 상기 패턴 사전의 최적화처리를 행하여 상기 마할라노비스 사전을 작성한다.

Description

패턴 분류 방법 및 그 장치, 및 컴퓨터에 의해 읽기 가능한 기억매체{PATTERN CLASSIFYING METHOD, APPARATUS THEREOF AND COMPUTER READABLE RECORDING MEDIUM}
예를 들면, LCD의 글래스기판의 검사나 반도체 웨이퍼의 검사로서, 예를 들면 글래스기판을 촬상하여 그 화상 데이터를 취득하고, 상기 화상 데이터로부터 예를 들면 결함의 면적, 형상, 농담치 등의 패턴 특징량을 추출하고, 상기 추출된 패턴 특징량에 대하여, 이하의 패턴 분류 방법을 이용하여 검사가 행하여지고 있다.
이미 알려진 패턴 특징량과 그 분류 카테고리 정보를 바탕으로 작성한 패턴 사전을 미리 등록해 둔다. 여기서, 패턴 특징량은 상기 글래스기판의 검사에 적용하는 것은, 예를 들면 면적, 형상, 농담치 등이다. 분류 카테고리 정보는 예를 들면 패턴결함종류, 먼지, 얼룩, 핀흐림, 포커스 어긋남 등이다.
패턴 분류대상의 패턴 특징량(입력패턴)이 입력되면, 상기 패턴 특징량과 상기 패턴 사전과의 패턴매칭처리를 행한다. 그 분류결과로서 분류 카테고리, 유사도또는 거리 등의 수치정보를 출력한다.
분류결과로서의 수치정보중 가장 적절한 값(유사도이면 1, 거리이면 0에 가까운 값)을 가지는 분류 카테고리에 입력패턴을 분류하거나, 또는 분류결과로서의 수치정보를 어떤 문턱값과 비교하여 문턱값이하(또는 이상)이면 확정한다.
수치정보로서 이용되는 유사도나 거리로서, 유사도 척도로서는 단순유사도나 복합유사도가 이용된다. 거리척도로서는 유클리드거리나 시가지거리, 마할라노비스(mahalanobis) 거리 등이 이용되고 있다.
유사도 척도로서의 단순유사도는 미리 등록되어 있는 특징량 벡터 g와 새롭게 추출한 특징량 벡터 g'와 이루는 각도의 여현(Cosine)을 평가 척도 s로 정의된다.
s=(g, g')/(|| g ||·|| g' ||)…(1)
여기서, (,)는 내적을 도시한다. 유사도 s는 특징량 벡터의 방향(즉, 각도)에만 의존하고, 그 벡터의 크기에 의하지 않는다. 또한, 유사도 척도는 거리척도 s'에의 변환으로서
s'= 1.0-단순유사도…(2)
라는 거리변환도 잘 행하여진다.
복합유사도는 복수의 학습특징량 벡터의 분포상태를 고려한 유사도치이다. 등록특징량 벡터의 고유치λj와 고유벡터uj를 이용하여, 새롭게 추출된 특징량 벡터 g에 대한 평가척도 s는 다음과 같이 정의되어 있다.
s = Σj=1,rλj(gtuj)2/(λ1|| g ||2)…(3)
따라서, 단순유사도법보다 분류 정밀도 향상을 기대할 수 있지만, 다량의 학습데이터가 필요한다.
거리척도로서, 가장 일반적인 거리척도인 유클리드거리 d는 등록특징량 벡터 g와 새롭게 추출한 특징량 벡터 g'를 바탕으로, 다음과 같이 정의된다.
d=…(4)
시가지거리는 일명 맨해튼거리라고도 말하여지고, 등록특징량 벡터 g와 새롭게 추출한 특징량 벡터 g'를 바탕으로 다음과 같이 정의된다.
d = | g-g' |…(5)
시가지거리에 의하면, 고속의 거리연산이 가능하다.
마할라노비스 거리 D2는 복합유사도와 같이, 등록특징량 벡터데이터의 분산을 고려한 거리이며, 현재 가장 다만 패턴 분류에 적합한 것의 하나로 되어 있다.상기 마할라노비스 거리 D2는 다음과 같이 표시된다.
D2= dtV-1d…(6)
상기 식에 있어서, 분류 카테고리 데이터 xi(= xi0, xi1, xi2,…, xip: i는 분류 카테고리, p는 특징량 차원수)의 공통분산·공분산행렬 V의 역행열을 V-1, 분류 카테고리 평균치 xi＾와의 차이행렬을 d(= xi-xi＾), 그 전치행렬을 dt로 한다.
마할라노비스 거리 D2는 분류 카테고리 데이터의 각 데이터분산으로 정규화한 거리이다. 분류 카테고리 데이터간이 무상관이면, 그 마할라노비스 거리는 유클리드거리와 등가가 된다. 또한, 상기 식(6)에서 차이행렬 d를 분류 카테고리 평균치 차이로 취하면, 마할라노비스 거리는 분류 카테고리간의 마할라노비스범거리가 된다.
예를 들면, 어떤 분류 카테고리 C의 분류특징량 xc1, xc2가 있고, 이들 분류특징량 xc1, xc2의 사이에 정(正)의 상관이 있는 경우에, 도 1에 도시한 것 같은 등확률 타원을 그릴 수 있다. 도 1에서는 어떤 특징량데이터 A와 B가 분류 카테고리 평균치 G에서 유클리드거리 척도에 있어서 등거리에 있는 것으로 배치되어 있다. 그렇지만, 마할라노비스 거리 D2는 도 1에 도시한 등확률타원의 궤적상에 있어서 같아진다. 특징량데이터 A와 B는 동일 등확률타원의 궤적상에 없고, 특징량데이터 A의 마할라노비스 거리가 분류 카테고리 평균치 G에 가깝기 때문에, 특징량데이터 A 쪽이 특징량데이터 B보다도 분류 카테고리 평균치 G에 가까운 것이 된다.
이상과 같은 각종 척도중에서도, 마할라노비스 거리는 현재 가장 패턴 분류에 적합한 거리척도라고 말하여진다. 또한, 마할라노비스 거리는 연산처리량이 많음이나 등록/학습패턴의 대량 확보 등의 필요는 있지만, 최근의 CPU의 고속화에 따라 많은 패턴 분류장치에 이용되고 있다.
분류결과로서의 마할라노비스 거리 등의 수치정보는 미리 작성되어 있는 패턴 사전과 입력패턴과의 패턴매칭처리를 행하는 것으로 얻어진다. 상기 패턴매칭처리로 이용되는 패턴 사전, 특히 마할라노비스 거리 산출용 패턴 사전은 상기 식(6)으로 나타내여지도록 분류 카테고리 데이터의 공통분산·공분산행렬 V의 역행열 V-1과 분류 카테고리 평균치 xi'를 구성요소로서 가진다. 이들의 구성요소는 미리 패턴 사전에 등록되어 있는 다수의 이미 알려진 패턴 특징량과 그 분류 카테고리 정보로부터 구하여 놓는다.
마할라노비스 거리 산출용패턴 사전(역행열 V-1과 분류 카테고리 평균치 xi')를 작성하는 데, 단지 등록 패턴 특징량과 그 분류 카테고리 정보를 이용하거나, 또는 경험상 패턴 분류에 적합하다고 생각되는 일부의 패턴 특징량을 시행 착오로써 선택하여 작성하고 있었다.
예를 들면, 모든 등록 패턴 특징량을 이용하여 마할라노비스 거리 산출용패턴 사전을 작성하면, 어떤 일부의 패턴 특징량이 악영향하여 패턴 분류 정밀도(패턴 분류율)이 저하하는 케이스가 많이 발견된다.
또한, 패턴 분류율에 악영향을 미치게 하는 패턴 특징량을 등록 패턴 특징량을 주성분 분석하여 요청되는 기여도가 높은 패턴 특징량으로부터 우선적으로 이용하여 마할라노비스 거리 산출용 패턴 사전을 작성하는 것이 생각된다. 그러나, 주성분 분석으로 구할 수 있는 기여도는 그 패턴을 효율적으로 표현하는 패턴 특징량을 도시하고 있는 것에 지나지 않기 때문에, 패턴 분류율과 직접적인 관계는 없다. 즉, 기여도가 높은 패턴 특징량을 선택적으로 이용하여도, 반드시 패턴 분류율이향상하는 것은 아니다.
마할라노비스 거리의 산출에 영향을 주는 요인으로서, 등록 패턴 특징량의 분포가 정규 분포하지 않고 있는 경우를 고려하여, 등록 패턴 특징량의 분포를 하나 내지 복수의 정규 분포와 근사하여, 하나 내지 복수의 정규 분포에 대한 마할라노비스 거리를 산출하는 것을 생각할 수 있다. 그러나, 다차원데이터인 패턴 특징량의 분포를 근사하는 복수의 정규 분포를 결정하는 것은 통상 곤란하다.
본 발명은 예를 들면 결함추출에 적용되고, 결함종류 등의 패턴 분류에 사용하는 패턴 사전의 최적화 처리를 행하는 패턴 분류 방법 및 그 장치, 및 컴퓨터에 의해 읽기 가능한 기억매체에 관한 것이다.
도 1은 마할라노비스 거리를 설명하기 위한 도면.
도 2는 본 발명에 관련된 패턴 분류장치의 제 1의 실시 형태를 도시한 블록구성도.
도 3은 본 발명에 관련된 패턴 분류장치의 제 1의 실시 형태에 있어서 패턴 사전의 데이터구조를 도시한 모식도.
도 4는 본 발명에 관련된 패턴 분류장치의 제 1의 실시 형태에 있어서 최적화 후보 테이블의 모식도.
도 5는 본 발명에 관련된 패턴 분류장치의 제 1의 실시 형태에 있어서 이용특징량 중부 행렬을 도시한 도면.
도 6은 본 발명에 관련된 패턴 분류장치의 제 1의 실시 형태에 있어서 패턴 사전 최적화처리의 플로우차트.
도 7은 본 발명에 관련된 패턴 분류장치의 제 1의 실시 형태에 있어서 마할라노비스 사전의 최적화 후보테이블의 초기화방법의 플로우차트.
도 8은 본 발명에 관련된 패턴 분류장치의 제 1의 실시 형태에 있어서 최적화 후보테이블 선택과 이용 특징량 중부 행렬 변경방법의 플로우차트.
도 9는 본 발명에 관련된 패턴 분류장치의 제 1의 실시 형태에 있어서 최적화 후보 테이블 갱신방법의 플로우차트.
도 10은 본 발명에 관련된 패턴 분류장치의 제 2의 실시 형태를 도시한 블록구성도.
도 11은 본 발명에 관련된 패턴 분류장치의 제 2의 실시 형태에 있어서 마할라노비스 사전에 있어서의 최적화 후보 테이블의 모식도.
도 12는 본 발명에 관련된 패턴 분류장치의 제 2의 실시 형태에 있어서의 이용 특징량 정보의 모식도.
도 13은 본 발명에 관련된 패턴 분류장치의 제 2의 실시 형태에 있어서 패턴 사전 최적화처리의 플로우차트.
도 14는 본 발명에 관련된 패턴 분류장치의 제 2의 실시 형태에 있어서의 최적화 후보 테이블의 초기화방법 및 그 선택/갱신방법의 플로우차트.
도 15는 본 발명에 관련된 패턴 분류장치의 제 2의 실시 형태에 있어서 최적화 후보 테이블의 초기화방법 및 그 선택/갱신방법의 변형예를 도시한 플로우차트.
도 16은 본 발명에 관련된 패턴 분류장치의 제 2의 실시 형태에 있어서 최적화 후보 테이블의 초기화방법의 변형예를 도시한 플로우차트.
본 발명은 패턴 분류처리에 적합한 마할라노비스 거리 산출용패턴 특징량을 최적탐색하여, 마할라노비스 거리 산출에 이용하는 패턴 특징량에 중부(重付)하는 패턴 특징량 중부(重付) 행렬의 탐색처리를 가지는 패턴 분류 방법 및 그 장치, 기억매체를 제공하는 것을 목적으로 한다.
본 발명에 관련된 패턴 분류 방법은 패턴 분류대상으로부터 패턴 특징량을 추출하고, 상기 패턴 특징량에 대응하는 분류 카테고리 정보를 패턴 사전에 등록/설정하고, 상기 패턴 특징량과 상기 패턴 사전에 등록되어 있는 마할라노비스 사전에 따라 패턴 분류를 행하는 스텝을 구비하고, 상기 패턴 사전에 격납되어 있는 상기 분류 카테고리명과 상기 패턴 특징량에 따라 상기 패턴 사전의 최적화처리를 행하여 상기 마할라노비스 사전을 작성하는 것을 특징으로 한다.
본 발명에 관련된 패턴 분류장치는 패턴 분류대상으로부터 추출된 패턴 특징량과 상기 패턴 특징량에 대응하는 분류 카테고리 정보가 격납된 패턴 사전과, 상기 패턴 특징량과 상기 패턴 사전에 등록되어 있는 마할라노비스 사전에 따라 패턴분류를 행하는 수단과, 상기 패턴 사전에 격납되어 있는 상기 분류 카테고리명과 상기 패턴 특징량에 따라 최적화처리를 행하여 상기 마할라노비스 사전을 작성하는 패턴 사전 최적화수단을 구비한 것을 특징으로 한다.
본 발명에 관련된 다른 패턴 분류장치는 패턴 분류대상을 입력하는 패턴 입력 수단과, 상기 패턴 입력 수단으로부터 보내져 온 상기 패턴 분류 대상중에서 특정 패턴영역을 잘라 내는 패턴영역 절취 수단과, 상기 패턴영역 절취 수단으로부터 보내져 온 상기 특정 패턴 영역에서 패턴 분류에 유용한 패턴 특징량을 산출하는 분류 특징량 추출수단과, 상기 분류 특징량 추출수단에 의해 산출된 상기 패턴 특징량과, 상기 패턴 특징량에 대응하는 분류 카테고리 정보를 패턴 사전에 등록/설정하는 사전등록수단과, 상기 분류특징량 추출수단에 의해 산출된 상기 패턴 특징량과 상기 패턴 사전에 등록되어 있는 마할라노비스 사전에 따라 패턴 분류를 행하는 특징량 분류수단과, 상기 패턴 사전에 격납되어 있는 상기 분류 카테고리명과 상기 패턴 특징량에 따라 최적화 처리를 행하여 상기 마할라노비스 사전을 작성하는 패턴 사전 최적화수단을 구비한 것을 특징으로 한다.
본 발명에 관련된 기록매체는 컴퓨터에 의해 읽기 가능한 기억매체이고, 패턴 분류 대상으로부터 추출한 패턴 특징량과 상기 패턴 특징량에 대응하는 분류 카테고리 정보를 패턴 사전에 등록/설정시켜, 상기 패턴 사전에 격납된 상기 분류 카테고리명과 상기 패턴 특징량에 따라 최적화 처리를 행하여 마할라노비스 사전을 작성시켜, 상기 최적화된 상기 패턴 특징량과 상기 패턴 사전에 등록되어 있는 상기 마할라노비스 사전에 따라 패턴 분류를 행하게 하는 패턴 분류 방법의 프로그램을 기억한 것을 특징으로 한다.
이하, 본 발명의 제 1의 실시 형태에 관해서 도면을 참조하여 설명한다.
도 2는 패턴 분류장치의 블록구성도이다. 패턴 입력 수단(1)은 패턴 분류 대상이 되는 입력패턴(2), 예를 들면 LCD의 글래스기판의 검사에 적용하는 것이면, 글래스기판을 촬상하여 얻어진 화상 데이터를 입력패턴(2)으로서 받아들인다. 또한, 본 발명에 있어서, 패턴은 결함추출에 관련된 결함의 형상 등 뿐만아니라, 빛깔 등 데이터로서 패턴화 할 수 있는 것이면, 어떠한 것이라도 된다.
패턴영역 절취 수단(3)은 패턴 입력 수단(1)으로부터 보내여져 온 입력패턴(2)중에서 타겟이 되는 특정 패턴영역을 절취한다(추출한다). 패턴영역 절취 수단(3)은 예를 들면 각종 필터처리 또는 2치화 처리의 적어도 한편의 처리를 행하여 입력패턴(2)으로부터 특정 패턴영역을 추출하고, 상기 특정 패턴영역을 분류 특징량 추출수단(4)으로 보낸다.
분류 특징량 추출수단(4)은 패턴영역 절취 수단(3)으로부터 보내져 온 특정 패턴영역에서 패턴 분류에 유용한 패턴 특징량, 예를 들면 상기와 같이 글래스기판의 검사에 적용하는 것이면, 글래스기판상의 결함의 면적, 형상, 농담치 등을 산출한다. 분류 특징량 추출수단(4)은 산출한 패턴 특징량을 사전등록수단(5) 및 특징량 분류수단(17)에 각각 보낸다.
사전등록수단(5)은 분류 특징량 추출수단(4)에 의해 산출된 패턴 특징량과, 상기 패턴 특징량에 대응하는 분류 카테고리 정보, 예를 들면 패턴결함종류, 먼지, 얼룩, 핀흐림, 포커스어긋남 등을 패턴 사전(6)에 등록/설정한다.
패턴 사전(6)에는 도 3의 데이터구조의 모식도에 도시한 바와 같이, 복수의 등록 패턴(7)(M=1, 2,3, …, )과, 마할라노비스 사전(8)이 격납되어 있다. 각 등록 패턴(7)은 각각 분류 카테고리명(9) 및 패턴 특징량(10)을 격납한다. 동일분류 카테고리명(9)을 가지는 등록 패턴(7)이 1 또는 복수 등록되어 있다.
마할라노비스 사전(8)은 분류 카테고리명(9)의 수를 c, 패턴 특징량(10)의 종류수를 N으로 했을 때, c×N의 매트릭스가 되는 평균치행열(d, 11)과, N×N의 매트릭스가 되는 공통분산·공분산행렬의 역행열(V-1, 12)과, 최적화 후보 테이블(13)을 구비하고 있다. 최적화 후보 테이블(13)은 도 4에 도시한 바와 같이 N×N의 대각 매트릭스가 되는 복수의 이용 특징량 중부 행렬(1∼K, 14)(도 5참조)과, 복수의 예측분류율(1∼K, 15)과, 복수의 평균 분류 거리(1∼K, 16)를 요소로 한다. 여기서, 이용특징량 중부 행렬(1∼K, 14)는 하기의 식(7)에 있어서의 A이며, V-1의 보정행렬에 상당한다. 또한, 예측분류율(1∼K, 15)는 패턴 사전에 등록되어 있는 패턴을 미지 패턴으로 했을 때의 분류율이다. 평균 분류 거리(1∼K, 16)은 예측분류율을 구했을 때에 산출된 마할라노비스 거리의 평균치이다.
특징량 분류수단(17)은 분류 특징량 추출수단(4)에 의해 산출된 패턴 특징량과 패턴 사전(6)에 등록되어 있는 마할라노비스 사전(8)에 따라 패턴 분류를 행한다. 즉, 특징량 분류수단(17)은 마할라노비스 거리 D2를 연산하여 그 분류결과(18)를 얻는다. 여기서, 마할라노비스 거리 D2는 다음 식(7)을 이용하여 산출하고 있다.
D2= dtAV-1Ad…(7)
또한, A는 이용특징량 중부 행렬(14)이며, 대각요소이외는 0의 대각행렬이다.
패턴 사전 최적화수단(19)은 도 6에 도시한 것 같은 패턴 사전 최적화처리의 플로우차트에 도시한 처리를 실행하는 프로그램을 기억하고 있다. 그리고, 패턴 사전 최적화수단(19)은 기억된 프로그램을 실행함으로써 패턴 사전(6)에 격납되어 있는 분류 카테고리명(9)과 패턴 특징량(10)에 따라 최적화처리를 행하여 마할라노비스 사전(8)을 작성한다. 또한, 패턴 사전 최적화처리를 실행하기 위한 프로그램은 예를 들면 도시하지 않은 하드 디스크, 플로피디스크 또는 CD-ROM 등에 기억되어 있다.
패턴 사전 최적화수단(19)의 구체적인 동작을 도 6에 도시한 패턴 사전 최적화처리의 플로우차트에 따라 설명한다.
우선, 패턴 사전 최적화수단(19)은 스텝 #1에 있어서, 등록 패턴(7)의 수 M, 분류 카테고리명(9)의 수, 이들 분류 카테고리명(9)마다의 등록 패턴수, 최적화 반복 종료 정보의 취득/설정을 행한다.
다음에, 패턴 사전 최적화수단(19)은 스텝 #2에 있어서, 각 등록 패턴(7)을 제외한 전패턴 특징량(10)을 이용한 마할라노비스 사전(8)에 있어서 평균치 행렬(d ,11), 공통분산·공분산행렬의 역행열(V-1, 12)을 작성하는 동시에, 마할라노비스 사전(8)에 있어서의 최적화 후보 테이블(13)의 초기화를 행한다.
구체적으로는 패턴 사전 최적화 수단(19)은 도 7에 도시한 마할라노비스 사전(최적화 후보 테이블(13))의 초기화 방법의 플로우차트에 따라 최적화 후보 테이블(13)의 초기화를 행한다. 구체적으로는 이하와 같다.
우선, 패턴 사전 최적화수단(19)은 스텝 #20에 있어서, 전특징량의 대각요소에 「1」을 설정한 이용특징량 중부 행렬(14)을 설정한다.
다음에, 패턴 사전 최적화수단(19)은 스텝 #21에 있어서, 등록 패턴(m, 7)을선택한다. 패턴 사전 최적화수단(19)은 스텝 #22에 있어서, 선택한 등록 패턴(m, 7)의 분류 카테고리마다의 등록 패턴(7)의 수가 2이상 인가 아닌가를 판단한다.
이 판단의 결과, 등록 패턴(7)의 수가 2이상이면, 패턴 사전 최적화수단(19)은 스텝 #23으로 옮기고 등록 패턴(m, 7)을 제외하여 작성된 마할라노비스 사전(평균치 행렬(d, 11), 공통분산·공분산행렬의 역행열(V-1, 12)을 선택한다.
다음에, 패턴 사전 최적화수단(19)은 스텝 #24에 있어서 등록 패턴(m, 7)을 패턴 분류 처리한다. 패턴 사전 최적화수단(19)은 스텝 #25에 있어서 분류결과를 체크하고, 스텝 #26에 있어서 전등록 패턴(7)(M=1, 2, 3, …, )에 관해서의 분류처리가 종료하였는지 아닌지를 판단한다.
그리고, 전등록 패턴(7)(M=1, 2, 3, …, )에 관해서의 분류 처리가 종료되면, 패턴 사전 최적화수단(19)은 스텝 #27에 있어서, 예측분류율(15)과 평균 분류 거리(16)를 최적화 후보 테이블(13)로 위를 채우는 설정을 한다.
다음에, 패턴 사전 최적화수단(19)은 스텝 #28에 있어서, n= 0(루프의 가장 최초만 초기치로서 설정된다), n= n+1을 설정한다. 패턴 사전 최적화수단(19)은 스텝 #29에 있어서, 전특징량에 대하여 주성분 분석을 행하여 제 1주성분의 기여도 최소로부터 n 번째의 특징량의 대각요소를 「0」으로 설정하고, 다른 특징량의 대각요소에 「1」를 설정한 이용특징량 중부 행렬(14)을 최적화 후보 테이블(13)에 위를 채우는 설정을 한다.
다음에, 패턴 사전 최적화수단(19)은 스텝 #30에 있어서, 최적화후보테이블(13)의 요소에 대한 설정이 모두 종료할 때까지, 상기 스텝 #21∼#27의 처리를 되풀이하여 실행한다.
그리고, 패턴 사전 최적화수단(19)은 스텝 #31에 있어서, 최적화 후보 테이블(13)의 요소에 대한 설정을 모두 종료한 것이 판단되면, 다음 스텝 #32로 옮기고, 예측분류율(15)에서 최적화 후보 테이블(13)을 소트한다. 상기의 처리로, 마할라노비스 사전의 최적화가 종료한다.
다음에, 패턴 사전 최적화수단(19)은 도 6에 도시한 스텝 #3에 있어서, 최적화로 이용하는 최적화테이블(13)의 선택과 이용특징량 중부 행렬(14)의 변경을 행한다. 구체적으로는 최적화테이블(13)의 요소선택과 이용특징량 중부 행렬(14)의 변경은 아래와 같이 행하여진다.
패턴 사전 최적화수단(19)은 도 8에 도시한 최적화 후보 테이블 요소 선택과 이용특징량 중부 행렬 변경 방법의 플로우차트에 따라 최적화테이블(13)의 요소선택과 이용특징량 중부 행렬(14)의 변경을 행한다.
우선, 패턴 사전 최적화수단(19)은 스텝 #40에 있어서, 유사 난수를 이용하여 최적화 후보 테이블(13)의 요소, 즉 이용특징량 중부 행렬(1∼K, 14)과, 복수의 예측분류율(1∼K, 15)과, 복수의 평균 분류 거리(1∼K, 16)를 선택한다.
다음에, 패턴 사전 최적화수단(19)은 스텝 #41에 있어서, 새로운 유사 난수를 이용하여 이용특징량 중부 행렬(14)의 대각요소위치의 값에 작은 유사 난수를 가산한다.
다음에, 패턴 사전 최적화수단(19)은 스텝 #42에 있어서, 이용특징량 중부행렬(1∼K, 14의 대각요소위치의 값이 O∼1의 범위에 들어 있지 않다면 「0」또는 「1」에 가까운 쪽에 일치시킨다. 이렇게하여, 이용특징량 중부 행렬(14)이 변경된다.
다음에, 패턴 사전 최적화수단(19)은 도 6에 도시한 스텝 #4에 있어서, 등록 패턴(m, 7)을 선택하고, 다음의 스텝 #5에 있어서, 선택한 등록 패턴(m, 7)의 분류 카테고리마다의 등록 패턴(7)의 수가 2이상 있는지 아닌지를 판단한다.
스텝 #5에 있어서, 등록 패턴(7)의 수가 2이상 있으면, 패턴 사전 최적화수단(19)은 스텝 #6에 옮기고 등록 패턴(m, 7)을 제외하여 작성된 마할라노비스 사전(평균치 행렬(d, 11), 공통분산·공분산행렬의 역행열 (V-1, 12)을 선택한다.
다음에, 패턴 사전 최적화수단(19)은 스텝 #7에 있어서, 등록 패턴(m, 7)을 패턴 분류처리, 즉 상기 식(7)을 이용하여 마할라노비스 거리 D2를 연산하여 구한다.
다음에, 패턴 사전 최적화수단(19)은 스텝 #8에 있어서, 분류결과를 집계한다.
그리고, 패턴 사전 최적화 수단(19)은 스텝 #9에 있어서, 전등록 패턴(7)(M=1, 2, 3, …, )에 관해서 종료하였는가 아닌가를 판단한다.
상기 판단의 결과, 전등록 패턴(7)(M=1, 2, 3, …, )에 관해서 종료하면, 패턴 사전 최적화수단(19)은 스텝 #10로 옮기고 분류결과에 따라 최적화 후보 테이블(13)의 갱신을 행한다. 구체적으로는 최적화 후보 테이블(13)의 갱신은 아래와 같이 행하여진다.
패턴 사전 최적화수단(19)은 도 9에 도시한 최적화 후보 테이블 갱신방법의 플로우차트에 따라서 최적화 후보 테이블(13)의 갱신을 행한다.
우선, 패턴 사전 최적화수단(19)은 스텝 #51에 있어서, 최적화 후보 테이블(13)에 이미 같은 이용특징량 중부 행렬(14)이 있는가 아닌가를 판단한다.
상기 판단의 결과, 이미 같은 이용특징량 중부 행렬(14)이 있으면, 패턴 사전 최적화수단(19)은 스텝 #52에 있어서, 분류결과로서의 예측분류율 r을 산출한다.
다음에, 패턴 사전 최적화 수단(19)은 스텝 #53에 있어서, 최적화 후보 테이블(13)내의 예측분류율 Rk(k는 최적화 후보 테이블요소, 15)와 상기 예측분류율 r을 순차적으로 비교하고, 다음 스텝 #54에 있어서, 예측분류율 Rk이 예측분류율 r보다도 큰 (Rk> r)가 아닌가를 판단한다.
상기 판단의 결과, 예측분류율 Rk이 예측분류율 r보다도 크면, 패턴 사전 최적화수단(19)은 스텝 #55에 있어서, 최적화 후보 테이블요소 k 위치에 예측분류율 r을 얻은 후보를 삽입한다.
다음에, 패턴 사전 최적화수단(19)은 스텝 #56에 있어서, 최적화 후보 테이블요소수를 넘은 후보를 예를 들면 하위후보로부터 삭제한다.
다음에, 패턴 사전 최적화수단(19)은 도 6에 도시한 스텝 #11에 있어서, 최적화 반복 종료 정보에 따라 최적화 반복 종료하였는가 아닌가를 판단한다. 그리고, 최적화 반복이 종료하지 않고 있으면, 다시 스텝 #3에 되돌아가고, 최적화 반복이 종료하고 있으면, 스텝 #12로 옮기고 최적화 후보 테이블(13)중의 예측분류율(15)의 최대, 또한 평균 분류 거리(16)의 최소의 이용특징량 중부 행렬(14)을 최적결과로서 선택한다.
특징량 분류수단(17)은 분류 특징량 추출수단(4)에 의해 산출된 패턴 특징량과 패턴 사전(6)에 등록되어 있는 마할라노비스 사전(8)에 따라 패턴 분류, 즉 식(7)에 도시한 마할라노비스 거리 D2를 연산하여 특징량의 분류결과(18)를 얻는다.
제 1의 실시 형태에 있어서는 패턴 사전(6)에 격납되어 있는 분류 카테고리명(9)과 패턴 특징량(10)에 따라 최적화처리를 행하여 마할라노비스 사전(8)을 작성하는 패턴 사전 최적화수단(19)을 구비하고 있다. 따라서, 패턴 사전(6)내의 각 등록 패턴(7)을 대상으로 하여, 어떤 패턴 특징량(10)을 마할라노비스 사전(8)의 작성에 이용하면, 패턴 분류율에 대하여 유효하게 작용하는가라는 최적화탐색을 실행할 수 있다.
또한, 최적화탐색결과의 정밀도로서, 적어도 전패턴 특징량(10)을 이용하여 작성한 마할라노비스 사전(8)이나 주성분 분석 등으로 예측되는 유효특징량을 우선 이용하여 작성한 마할라노비스 사전(8)에서의 패턴 분류 정밀도이상의 패턴 분류 정밀도를 확보할 수 있다. 또한, 패턴 사전(6)내의 등록 패턴(7)의 일부가 미지 패턴으로서 입력되었다고 가정했을 때에 출력되는 분류결과로서, 그 패턴 분류 정밀도를 예측분류율(15)정도 있는 것으로 보증할 수 있다.
도 10은 본 발명의 제 2의 실시 형태에 관한 패턴 분류장치의 블록구성도이다. 또한, 도 10에 있어서, 도 2와 같은 부분에는 같은 부호를 부여하고, 상세한 설명은 생략한다. 패턴 사전(20)은 도 3의 데이터구조의 모식도에 도시한 바와 같이, 복수의 등록 패턴(7)(M=1, 2, 3, …, )과, 마할라노비스 사전(8)을 구비하고 있다. 본 제 2의 실시 형태에 있어서는 마할라노비스 사전(8)에 있어서의 최적화 후보 테이블(21)은 도 11에 도시한 바와 같이 일차원 정보로서 복수의 이용 특징량 정보(22)와, 복수의 예측분류율(1∼K, 15)과, 복수의 평균 분류 거리(1∼K, 16)를 요소로 한다.
이용 특징량 정보(22)의 구성요소의 값은 도 12에 도시한 바와 같이 0 또는 1의 정수치이며, 각 구성요소의 값은 그 구성요소에 대응하는 패턴 특징량 종류가 마할라노비스 사전(8)의 작성에 이용되고 있는 것인지 아닌지를 도시한다. 예를 들면, 구성요소의 값이 「0」이면, 패턴 특징량 종류가 마할라노비스 사전(8)의 작성에 이용되고 있지 않고, 「1」이면, 패턴 특징량 종류가 마할라노비스 사전(8)의 작성에 이용되고 있는 것을 도시하고 있다.
패턴 사전 최적화수단(23)은 패턴 사전(6)내의 등록 패턴(7)의 패턴 특징량(10)과 그 분류 카테고리명(9)을 이용하여 마할라노비스 거리 D2의 산출에 이용하는 패턴 특징량(10)의 이용 유무를 나타내는 이용 특징량 정보의 탐색처리를 행한다.
패턴 사전 최적화수단(23)은 패턴 사전(6)내의 등록 패턴(7)의 패턴 특징량(10)과 그 분류 카테고리명(9)을 이용하여 마할라노비스 거리 D2의 산출에 이용하는 패턴 특징량(10)의 이용 유무를 나타내는 이용 특징량 정보의 탐색처리를 행하여 마할라노비스 사전(8)을 작성한다.
구체적으로 패턴 사전 최적화수단(23)의 동작을 도 13에 도시한 패턴 사전 최적화처리의 플로우차트에 따라 설명한다.
우선, 패턴 사전 최적화수단(23)은 스텝 #60에 있어서, 등록 패턴(7)의 수 M, 분류 카테고리명(9)의 수, 이들 분류 카테고리명(9)마다의 등록 패턴수, 최적화 반복 종료 정보, 최적화로 이용하는 패턴 특징량(10)의 종류의 취득/설정을 행한다.
다음에, 패턴 사전 최적화수단(23)은 스텝 #61에 있어서, 최적화로 이용하는 최적화 후보 테이블(21)의 초기화, 또는 최적화 후보 테이블(21)의 선택과 이용 특징량 정보(22)의 변경을 행한다. 구체적인 최적화 후보 테이블(21)의 초기화(스텝 #81), 또는 최적화 후보 테이블(21)(스텝 #82)의 선택과 이용 특징량 정보(22)의 변경(스텝 #81 및 스텝 #82)은 다음과 같이 행하여진다.
패턴 사전 최적화수단(23)은 도 14에 도시한 최적화 후보 테이블(21)의 초기화방법 및 상기 최적화 후보 테이블(21)의 선택/갱신방법의 플로우차트에 따라 최적화로 이용하는 최적화 후보 테이블(21)의 초기화, 또는 최적화 후보 테이블(21)의 선택과 이용 특징량 정보(22)의 변경을 행한다.
우선, 패턴 사전 최적화수단(23)은 스텝 #80에 있어서, 탐색의 전반인가 또는 후반인가의 판단을 행하여 탐색의 전반이면, 스텝 #81로 옮기고, 랜덤 다 스타트 탐색을 행한다. 상기 랜덤 다 스타트 탐색에서는 유사 난수를 이용하여 이용 특징량 정보(22)의 요소에 지정개수인 「1」을 설정해 둔다. 상기 랜덤 다 스타트 탐색에서는 이용 특징량 정보(22)의 수는 고정으로 해 둔다.
탐색의 후반이면, 패턴 사전 최적화수단(23)은 스텝 #82로 옮기고, 국소 탐색을 행한다. 상기 국소 탐색에서는 스텝 #83에 있어서, 유사 난수를 이용하여 최적화 후보 테이블(21)을 선택하고, 다음 스텝 #84에 있어서, 랜덤 선택을 행한다.
상기 랜덤 선택의 한편에 있어서는 스텝 #85에 있어서, 새로운 유사 난수를 이용하여 최적화 후보 테이블(21)을 선택하고, 다음 스텝 #86에 있어서, 이용 특징량 정보요소의 일부 교환 또는 치환처리를 행한다.
상기 랜덤 선택의 다른쪽에 있어서는 스텝 #87에 있어서, 새로운 유사 난수를 이용하여 이용 특징량 정보요소의 「0」과 「1」의 값을 교환한다.
즉, 탐색의 후반의 국소 탐색에 있어서는 랜덤 선택된 이용 특징량 정보(22)를 다른 랜덤 선택된 비이용 특징량과의 치환, 또는 랜덤 선택된 특징량의 이용 유무를 어떤 확률로 실시 운용하고, 동시에 패턴 분류율을 평가하고, 양호한 패턴 분류율이 얻어진 조합을 선택해 간다.
상기 스텝 #85∼#86에서는 다른 테이블 요소간에서 교환/치환 처리가 행하여지고, 스텝 #87에서는 스텝 #83에서 선택된 동일 테이블 요소내에서 교환처리가 행하여진다.
이상과 같이 하여 양호한 패턴 분류율을 얻는 사전 최적화처리가 행하여진다.
다음에, 패턴 사전 최적화수단(23)은 도 13에 도시한 스텝 #62에 있어서, 등록 패턴(m, 7)을 선택하여, 다음 스텝 #63에 있어서, 선택한 등록 패턴(m, 7)의 분류 카테고리마다의 등록 패턴(7)의 수가 2이상 있는가 아닌가를 판단한다.
스텝 #63에 있어서, 등록 패턴(7)의 수가 2이상이면, 패턴 사전 최적화수단(23)은 스텝 #64로 옮기고 마할라노비스 사전(12)의 작성 대상으로부터 등록 패턴(m, 7)을 제외한다.
다음에, 패턴 사전 최적화수단(23)은 스텝 #65에 있어서, 선택된 패턴 특징량(10)만을 이용하여 마할라노비스 사전(평균치 행렬 d, 공통분산·공분산행렬의 역행열 V-1, 8)을 작성한다.
다음에, 패턴 사전 최적화수단(23)은 스텝 #66에 있어서, 등록 패턴(m, 7)을 패턴 분류처리를 행한다. 즉, 패턴 사전 최적화수단(23)은 식(7)을 이용하여 마할라노비스 거리 D2를 연산하여 구한다.
다음에, 패턴 사전 최적화수단(23)은 스텝 #67에 있어서, 분류결과를 집계한다.
그리고, 패턴 사전 최적화수단(23)은 스텝 #68에 있어서, 전등록 패턴(7)(M=1, 2, 3, …, )에 관해서 종료하였는가 아닌가를 판단한다.
상기 판단의 결과, 전등록 패턴(7)(M=1, 2, 3, …, )에 관해서 종료하지 않고 있으면, 패턴 사전 최적화수단(23)은 스텝 #62에 되돌아간다.
전등록 패턴(7)(M=1, 2, 3, …, )에 관해서 종료하면, 패턴 사전 최적화수단(23)은 스텝 #69로 옮기고, 분류결과에 따라 최적화 후보 테이블(21)의갱신을 행한다.
다음에, 패턴 사전 최적화수단(23)은 스텝 #70에 있어서, 최적화 반복 종료 정보에 따라 최적화 반복 종료하였는가 아닌가를 판단한다. 최적화 반복이, 종료하지 않고 있으면, 다시 스텝 #61으로 되돌아가고, 종료이면, 스텝 #71로 옮겨 최적화 후보 테이블(21)중의 예측분류율(15)의 최대, 또한 평균 분류 거리(16)의 최소의 이용 특징량 정보(22)를 기초로 마할라노비스 사전(평균치 행렬 d, 공통분산·공분산행렬의 역행열 V-1, 8)을 작성한다.
특징량 분류수단(17)은 분류 특징량 추출수단(4)에 의해 산출된 패턴 특징량과 패턴 사전(6)에 등록되어 있는 마할라노비스 사전(8)에 따라 패턴 분류, 즉 식(7)에 도시한 마할라노비스 거리 D2를 연산하여 특징량의 분류결과(18)를 얻는다.
본 제 2의 실시 형태에 있어서는 패턴 사전(6)내의 등록 패턴(7)의 패턴 특징량(10)과 그 분류 카테고리명(9)을 이용하여 마할라노비스 거리 D2의 산출에 이용하고 패턴 특징량(10)의 이용 유무를 나타내는 이용 특징량 정보의 탐색처리를 행하고, 예를 들면 패턴 특징량 중부 행렬의 대각요소로서 「0」 또는 「1」의 정수를 취하는 것에 한정하여, 패턴 특징량 중부 정보로서 일차원 정보로 하는 패턴 사전 최적화수단(23)을 마련하였다. 따라서, 상기 제 1의 실시 형태와 마찬가지의 효과를 연출할 수 있는 동시에, 마할라노비스 사전(8)으로서 필요한 평균치 행렬(d, 11)이나 공통분산·공분산행렬의 역행열 V-1의 사이즈를 이용하는 패턴 분류 특징량만큼 한정할 수 있고, 필요한 메모리 용량이나 연산량을 삭감할 수 있다.
또한, 상기 제 2의 실시 형태는 다음과 같이 변형하여도 된다.
도 15에 있어서, 패턴 사전 최적화수단(23)은 스텝 #90에 있어서, 탐색의 첫회, 전반 또는 후반인가의 판단을 행하고, 첫회이면, 스텝 #91로 옮기기 전에 최적화 처리를 행한 적이 있는가 아닌가를 판단한다.
상기 판단의 결과, 전에 최적화처리를 행한 적이 있으면, 패턴 사전 최적화수단(23)은 스텝 #92로 옮기기 이전에 작성필의 최적화 후보 테이블(21)로부터 최적화 후보 테이블(21)을 복사한다.
전에 최적화처리를 행한 적이 없으면, 패턴 사전 최적화수단(23)은 스텝 #93으로 옮기고 상기 랜덤 다 스타트 탐색을 행한다.
또한, 패턴 사전 최적화수단(23)은 상기 스텝 #90의 판단의 결과, 탐색의 전반이면, 상기 스텝 #93으로 옮기고 랜덤 다 스타트 탐색을 행하고, 탐색의 후반이면 스텝 #94로 옮기고 상기 국소 탐색을 행한다.
도 16에 있어서, 패턴 사전 최적화수단(23)은 스텝 #100에 있어서, 첫회인 가 아닌가를 판단하고, 첫회이면, 스텝 #101로 옮기고 상기 랜덤 다 스타트 탐색을 행한다.
다음에, 패턴 사전 최적화수단(23)은 스텝 #102에 있어서, 선택된 패턴 특징량(10)만을 이용하여 마할라노비스 사전(평균치 행렬(d, 11), 공통분산·공분산행렬의 역행열 V-1, 8)을 작성한다.
다음에, 패턴 사전 최적화수단(23)은 스텝 #103에 있어서, 등록 패턴(m, 7)을 선택한다. 패턴 사전 최적화수단(23)은 스텝 #104에 있어서, 선택한 등록 패턴(m, 7)에 대한 패턴 분류처리, 즉 상기 식(7)을 이용하여 마할라노비스 거리 D2를 연산하여 구한다.
다음에, 패턴 사전 최적화수단(23)은 스텝 #105에 있어서, 분류결과를 집계한다.
그리고, 패턴 사전 최적화수단(23)은 스텝 #106에 있어서, 전등록 패턴(7)(M=1, 2, 3, …, )에 관하여 종료하였는가 아닌가를 판단한다.
상기 판단의 결과, 전등록 패턴(7)(M=1, 2, 3, …, )에 관해서 종료하면, 패턴 사전 최적화수단(23)은 스텝 #107로 옮기고 분류결과에 따라 최적화 후보 테이블(13)의 갱신을 행한다.
그리고, 반복 종료하지 않으면, 패턴 사전 최적화수단(23)은 다시 스텝 #101로 되돌아간다.
또한, 도 15 및 도 16에 도시한 최적화 후보 테이블(21)의 초기화방법 및 상기 최적화 후보 테이블(21)의 선택/갱신방법의 플로우차트는 상기 도 7에 도시한 마할라노비스 사전(8)의 최적화 후보 테이블의 초기화처리의 후단에 배치하여 실행하여도 된다.
국소 탐색 방법으로서는 예측분류율 상위 후보끼리에 있어서 GA(제네틱 알고리즘(= 유전자알고리즘))에 있어서 유전자 교환처리를 행하고, 즉 대상으로 하는 2조의 이용 특징량간의 상이하는 특징량을 적시 교환하도록 하여도 된다. 더욱이, 시뮬레이티드·아닐링수법과 같이, 어떤 확률로 패턴 분류율의 저하하는 조합을 허용하여도 된다. 이와 같이 하는 것으로 랜덤 선택한 특징량 교환보다 양호한 패턴 분류율의 조합 특징량을 가지는 분류사전을 간단히 작성할 수 있다.
본 발명에 의하면, 패턴 사전내의 각 등록 패턴을 대상으로 하여, 어떤 패턴 특징량을 마할라노비스 사전의 작성에 이용하면, 패턴 분류율에 대하여 유효하게 작용할지의 최적화탐색을 실행할 수 있고, 그 최적화 탐색 결과로서 적어도 전패턴 특징량을 이용하여 작성한 마할라노비스 사전이나 주성분 분석 등으로 예측되는 유효특징량을 우선 이용하여 작성한 마할라노비스 사전에서의 패턴 분류 정밀도 이상의 패턴 분류 정밀도를 확보할 수 있다.
또한, 패턴 사전내의 등록 패턴의 일부가 미지 패턴으로서 입력되었다고 가정했을 때에 출력되는 분류결과로서, 패턴 분류 정밀도를 예측 분류율 정도 있는 것으로 보증할 수 있다.
마할라노비스 사전으로서 작성하여야 하는 평균치 행렬(d)이나 공통분산·공분산행렬의 역행열 V-1의 사이즈에 대하여 이용하는 패턴 분류특징량의 종류수만큼으로 한정할 수 있고, 필요한 메모리 용량이나 연산량을 삭감할 수 있다.
본 발명은 결함종류 등의 패턴 분류에 사용하는 패턴 사전의 최적화처리를 행하는 패턴 분류 방법 및 그 장치, 및 컴퓨터에 의해 읽기 가능한 기억매체에 관한 것이다.

Claims (8)

  1. 패턴 분류대상으로부터 패턴 특징량을 추출하고,
    상기 패턴 특징량에 대응하는 분류 카테고리 정보를 패턴 사전에 등록/설정하고,
    상기 패턴 특징량과 상기 패턴 사전에 등록되어 있는 마할라노비스 사전에 따라 패턴 분류를 행하는 스텝을 구비하고,
    상기 패턴 사전에 격납되어 있는 상기 분류 카테고리명과 상기 패턴 특징량에 따라 상기 패턴 사전의 최적화처리를 행하여 상기 마할라노비스 사전을 작성하고,
    상기 마할라노비스 사전은 이용특징량 중부 행렬과 예측분류율을 요소로 하는 제1 최적화 후보 테이블과 이용 특징량 정보와 예측분류율을 요소로 하는 제2 최적화 후보 테이블 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 패턴 분류 방법.
  2. 삭제
  3. 패턴 분류대상으로부터 추출된 패턴 특징량과 상기 패턴 특징량에 대응하는 분류 카테고리 정보가 격납된 패턴 사전과,
    상기 패턴 특징량과 상기 패턴 사전에 등록되어 있는 마할라노비스 사전에 따라 패턴 분류를 행하는 수단과,
    상기 패턴 사전에 격납되어 있는 상기 분류 카테고리명과 상기 패턴 특징량에 따라 최적화처리를 행하여 상기 마할라노비스 사전을 작성하는 패턴 사전 최적화수단을 구비하고,
    상기 마할라노비스 사전은 이용특징량 중부 행렬과 예측분류율을 요소로 하는 제1 최적화 후보 테이블과 이용 특징량 정보와 예측분류율을 요소로 하는 제2 최적화 후보 테이블 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 패턴 분류장치.
  4. 패턴 분류대상을 받아들이는 패턴 입력 수단과,
    상기 패턴 입력 수단으로부터 보내져 온 상기 패턴 분류대상중에서 특정 패턴영역을 절취하는 패턴영역 절취 수단과,
    상기 패턴영역 절취 수단으로부터 보내져 온 상기 특정 패턴영역에서 패턴 분류에 유용한 패턴 특징량을 산출하는 분류 특징량 추출수단과,
    상기 분류 특징량 추출수단에 의해 산출된 상기 패턴 특징량과, 상기 패턴 특징량에 대응하는 분류 카테고리 정보를 패턴 사전에 등록/설정하는 사전등록수단과,
    상기 분류 특징량 추출수단에 의해 산출된 상기 패턴 특징량과 상기 패턴 사전에 등록되어 있는 마할라노비스 사전에 따라 패턴 분류를 행하는 특징량 분류수단과,
    상기 패턴 사전에 격납되어 있는 상기 분류 카테고리명과 상기 패턴 특징량에 따라 최적화처리를 행하여 상기 마할라노비스 사전을 작성하는 패턴 사전 최적화수단을 구비하고,
    상기 마할라노비스 사전은 이용특징량 중부 행렬과 예측분류율을 요소로 하는 제1 최적화 후보 테이블과 이용 특징량 정보와 예측분류율을 요소로 하는 제2 최적화 후보 테이블 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 패턴 분류장치.
  5. 제 4항에 있어서,
    상기 패턴 사전 최적화수단은 상기 패턴 사전내의 등록 패턴의 상기 패턴 특징량과 상기 분류 카테고리명을 이용하여 상기 마할라노비스 거리의 산출에 이용하는 상기 패턴 특징량에 중부(重付) 하는 패턴 특징량 중부 행렬의 탐색처리를 행하는 기능을 갖는 것을 특징으로 하는 패턴 분류장치.
  6. 삭제
  7. 패턴 분류대상으로부터 추출한 패턴 특징량과 상기 패턴 특징량에 대응하는 분류 카테고리 정보를 패턴 사전에 등록/설정시키고, 상기 패턴 사전에 격납된 상기 분류 카테고리명과 상기 패턴 특징량에 따라 최적화처리를 행하여 마할라노비스 사전을 작성시키고, 상기 마할라노비스 사전은 이용특징량 중부 행렬과 예측분류율을 요소로 하는 제1 최적화 후보 테이블과 이용 특징량 정보와 예측분류율을 요소로 하는 제2 최적화 후보 테이블 중 적어도 어느 하나를 포함하며, 상기 최적화된 상기 패턴 특징량과 상기 패턴 사전에 등록되어 있는 상기 마할라노비스 사전에 따라 패턴 분류를 행하게 하는 패턴 분류 방법의 프로그램을 기억한 것을 특징으로 하는 컴퓨터에 의해 읽기 가능한 기억매체.
  8. 삭제
KR10-2002-7006597A 2000-09-25 2001-09-21 패턴 분류 방법 및 그 장치, 및 컴퓨터에 의해 읽기가능한 기억매체 KR100464062B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
JP2000289957A JP2002099916A (ja) 2000-09-25 2000-09-25 パターン分類方法及びその装置、コンピュータにより読み取り可能な記憶媒体
JPJP-P-2000-00289957 2000-09-25

Publications (2)

Publication Number Publication Date
KR20020067524A KR20020067524A (ko) 2002-08-22
KR100464062B1 true KR100464062B1 (ko) 2005-01-03

Family

ID=18773256

Family Applications (1)

Application Number Title Priority Date Filing Date
KR10-2002-7006597A KR100464062B1 (ko) 2000-09-25 2001-09-21 패턴 분류 방법 및 그 장치, 및 컴퓨터에 의해 읽기가능한 기억매체

Country Status (7)

Country Link
US (1) US6931386B2 (ko)
JP (1) JP2002099916A (ko)
KR (1) KR100464062B1 (ko)
CN (1) CN1261907C (ko)
AU (1) AU2001290253A1 (ko)
TW (1) TW569145B (ko)
WO (1) WO2002025591A1 (ko)

Families Citing this family (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7275016B2 (en) * 2003-08-08 2007-09-25 Siemens Aktiengesellschaft Method and system for providing problem identification and trouble-shooting services
JP2005158780A (ja) 2003-11-20 2005-06-16 Hitachi Ltd パターン欠陥検査方法及びその装置
US20060080041A1 (en) * 2004-07-08 2006-04-13 Anderson Gary R Chemical mixing apparatus, system and method
US7281840B2 (en) * 2004-07-09 2007-10-16 Tres-Ark, Inc. Chemical mixing apparatus
JP4821232B2 (ja) * 2004-09-27 2011-11-24 Ｊｆｅスチール株式会社 操業結果予測方法及びそのシステム
JP5120254B2 (ja) * 2006-07-06 2013-01-16 旭硝子株式会社 クラスタリングシステムおよび欠陥種類判定装置
KR100915922B1 (ko) * 2007-06-13 2009-09-07 경원대학교 산학협력단 영상인식을 통한 얼굴 특징 추출과 사상체질 판별 방법 및시스템
CN102292746B (zh) * 2009-01-23 2014-03-19 日本电气株式会社 图像标识符提取装置
US20150371180A1 (en) * 2013-10-30 2015-12-24 Rakuten, Inc. Processing device, processing method, program, and recording medium

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH02195400A (ja) * 1989-01-24 1990-08-01 Canon Inc 音声認識装置
JP2590414B2 (ja) * 1991-03-12 1997-03-12 科学技術庁長官官房会計課長 ファジィパターン認識方法
JP3118725B2 (ja) * 1991-09-11 2000-12-18 株式会社日立製作所 自動分類方法
JPH05233880A (ja) * 1992-02-20 1993-09-10 N T T Data Tsushin Kk パターン認識用辞書作成法
US5544256A (en) * 1993-10-22 1996-08-06 International Business Machines Corporation Automated defect classification system
JP3249676B2 (ja) * 1994-02-10 2002-01-21 株式会社エヌ・ティ・ティ・データ パターン認識辞書作成方法
JP3019911B2 (ja) * 1994-08-04 2000-03-15 日本電信電話株式会社 パタン認識方法
JP4039708B2 (ja) * 1997-02-14 2008-01-30 ヒューレット・パッカード・カンパニー パターン認識方法およびパターン認識装置
US6539102B1 (en) * 2000-09-01 2003-03-25 Large Scale Proteomics Reference database

Also Published As

Publication number Publication date
CN1393002A (zh) 2003-01-22
CN1261907C (zh) 2006-06-28
AU2001290253A1 (en) 2002-04-02
US20020143719A1 (en) 2002-10-03
KR20020067524A (ko) 2002-08-22
US6931386B2 (en) 2005-08-16
TW569145B (en) 2004-01-01
JP2002099916A (ja) 2002-04-05
WO2002025591A1 (fr) 2002-03-28

Similar Documents

Publication Publication Date Title
Kumar et al. Image based leaf segmentation and counting in rosette plants
JP7020312B2 (ja) 画像特徴学習装置、画像特徴学習方法、画像特徴抽出装置、画像特徴抽出方法、及びプログラム
CN110188225A (zh) 一种基于排序学习和多元损失的图像检索方法
CN109583483A (zh) 一种基于卷积神经网络的目标检测方法和系统
KR100464062B1 (ko) 패턴 분류 방법 및 그 장치, 및 컴퓨터에 의해 읽기가능한 기억매체
CN112949338A (zh) 深度学习与Hough变换结合的二维条码精确定位方法
CN112686902B (zh) 核磁共振影像中脑胶质瘤识别与分割的两阶段计算方法
CN112037221B (zh) 宫颈癌tct切片阳性细胞检测模型多域共适应训练方法
CN109190625A (zh) 一种大角度透视变形的集装箱箱号识别方法
CN115049952B (zh) 一种基于多尺度级联感知深度学习网络的幼鱼肢体识别方法
CN110689044A (zh) 一种结合目标间关系的目标检测方法及系统
WO2015146113A1 (ja) 識別辞書学習システム、識別辞書学習方法および記録媒体
WO2002019248A9 (en) Character recognition system
CN110176029B (zh) 基于层级稀疏表示的图像复原与匹配一体化方法及系统
CN112509017A (zh) 一种基于可学习差分算法的遥感影像变化检测方法
CN109800702B (zh) 指静脉识别的快速比对方法及计算机可读取的存储介质
CN113723281B (zh) 基于局部自适应尺度集成学习的高分辨率影像分类方法
Bergner et al. Deformable structural models
CN112837299A (zh) 一种纺织品图像指纹检索方法
CN107527061B (zh) 基于归一化多维互信息和克隆选择的高光谱波段选择方法
CN113191259B (zh) 用于高光谱图像分类的动态数据扩张方法及图像分类方法
CN113159182B (zh) 一种基于密集区域再细化技术的农业微小害虫图像检测方法
CN116051870A (zh) 一种基于图像分类检索的彩膜匹配方法及相关装置
PASYNKOV et al. Convolutional Neural Networks in Application to Segmentation of Fingerprint Images
CN116842400A (zh) 一种基于改进动态时间规整的方案匹配方法

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20111202

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20121130

Year of fee payment: 9

LAPS Lapse due to unpaid annual fee